Réduire les absences aux rendez-vous : stratégies de planification fondées sur les données pour les cabinets dentaires

Les absences aux rendez-vous constituent l'un des principaux défis opérationnels de la gestion des cabinets dentaires : dans certaines régions, le taux de rendez-vous manqués peut atteindre 58 %, et le coût pour le système de santé américain est estimé à environ 150 milliards de dollars par an¹². Contrairement aux consultations médicales générales (en moyenne 17,4 minutes), les actes dentaires durent typiquement 48,7 minutes—près de trois fois plus—ce qui rend chaque créneau vacant particulièrement coûteux². Cet article présente des stratégies fondées sur les preuves et les données pour limiter les absences : analyse prédictive, interventions ciblées et protocoles de planification optimisés.

L'ampleur du problème des absences en dentisterie

Le comportement d'absence varie fortement selon les spécialités médicales, et les cabinets dentaires font face à des enjeux spécifiques. Les travaux montrent que si les cliniques d'oncologie et d'urologie affichent des taux d'absence de 6–7 %, les spécialités dentaires dépassent souvent 20 %²³. Les conséquences vont au-delà du manque à gagner : la santé des patients se dégrade lorsque les soins préventifs sont repoussés, et l'assiduité irrégulière est associée à davantage de visites en urgence et de complications⁴.

La surréservation « en aveugle »—planifier des patients en plus à partir de moyennes historiques sans évaluation individuelle du risque—échoue souvent en dentisterie. Une surréservation agressive surcharge les cabinets et allonge les temps d'attente, tandis qu'une approche trop prudente ne compense pas le coût d'opportunité élevé des actes dentaires longs².

Analyse prédictive : repérer les patients à risque

Applications du machine learning

Les progrès récents du machine learning permettent de prédire les absences au niveau du patient. Une étude sur les rendez-vous dentaires utilisant un encodage binaire de l'historique (présence = 1, absence = 0) a obtenu une aire sous la courbe (AUC) de 0,718 et des scores F1 de 66,5 %². Ces modèles s'appuient sur les 3 à 10 derniers rendez-vous pour identifier des tendances comportementales plutôt que sur de simples pourcentages de présence.

Les variables prédictives régulièrement identifiées dans la littérature sont notamment :

• Antécédents d'absences : le meilleur prédicteur du comportement futur²⁵
• Délai de prise de rendez-vous : plus l'intervalle entre la réservation et le rendez-vous est long, plus le risque d'absence augmente⁶
• Indicateurs socio-économiques : mobilité, couverture d'assurance, précarité du quartier⁷
• Caractéristiques du rendez-vous : heure, jour de la semaine, complexité de l'acte⁶

Systèmes d'aide à la décision

Topuz et al. (2024) ont proposé un cadre de planification intelligent utilisant les probabilités individuelles d'absence pour optimiser le placement des rendez-vous et les décisions de surréservation⁶. Leur approche gloutonne fondée sur les probabilités place les patients à risque dans les créneaux où la probabilité de base d'absence est la plus faible, tandis qu'une analyse marginale détermine le niveau optimal de surréservation selon les taux de présence prévus. Cette méthode améliore sensiblement les marges, la maîtrise des coûts et le débit de patients par rapport à une planification classique⁶.

Stratégies d'intervention fondées sur les preuves

Rappels ciblés

Les revues systématiques confirment l'intérêt des rappels. Oikonomidi et al. (2023) ont montré avec un niveau de preuve élevé que les rappels par SMS basés sur un modèle prédictif réduisent les absences (risque relatif médian 0,91), et des rappels téléphoniques avec un effet plus marqué (RR médian 0,61, preuve de certitude modérée)⁴. La revue Cochrane sur les rappels par messagerie mobile va dans le même sens : 78,6 % de présence avec SMS contre 67,8 % sans rappel⁸.

Bonnes pratiques pour les rappels :

• Calendrier : plusieurs contacts surpassent un seul rappel ; ajouter des rappels quotidiens aux messages hebdomadaires augmente les confirmations d’environ 26 %⁹
• Canal : le choix du patient reste prioritaire ; le SMS performe légèrement mieux (1,90 % d’absences) que l’e-mail (2,68 %) et l’appel (3,49 %)¹⁰
• Contenu : des messages intégrant des principes d’économie comportementale—normes sociales ou cadrage en perte (coût du rendez-vous)—peuvent renforcer l’efficacité³

Surréservation dynamique

Plutôt qu’une surréservation fixe, les approches fondées sur les données utilisent un score de risque par patient pour décider quand surréserver. Les travaux de Samorani et LaGanga sur les prédictions d’absence selon le jour montrent que planifier des patients à forte probabilité de présence avec des patients à fort risque d’absence optimise l’utilisation des capacités tout en limitant les temps d’attente⁶.

En dentisterie, Alabdulkarim et al. (2022) recommandent pour les rendez-vous à risque des stratégies de réduction de durée plutôt qu’une surréservation classique, compte tenu de la longueur des actes². Raccourcir les rendez-vous à risque ou les placer en creux de demande limite le coût des créneaux vides sans les perturbations liées au double-booking d’actes longs.

Accès ouvert et accès avancé

Moins documenté en dentisterie, l’accès ouvert—où les patients prennent rendez-vous dans les 24–48 h plutôt que des semaines à l’avance—réduit les absences en limitant le délai pendant lequel la situation du patient peut changer. Cela suppose toutefois un bon équilibre offre–demande et convient peut-être davantage aux rappels d’hygiène qu’aux actes restaurateurs complexes.

Intégration de la télésanté

Les méta-analyses récentes indiquent que la télésanté réduit significativement la non-présentation par rapport aux visites en présentiel. Greenup et Best (2025), sur 45 études post-COVID-19, constatent une réduction du risque d’absence d’environ 39 % pour les soins à distance par rapport aux rendez-vous classiques (OR 0,61, p < 0,0001)¹¹. Si les limites cliniques existent pour les actes opératoires, les consultations à distance pour la planification de traitement, le suivi postopératoire et le suivi orthodontique sont des pistes pertinentes pour alléger le nombre de rendez-vous en cabinet et les absences associées.

Cadre de mise en œuvre pour les cabinets dentaires

Phase 1 : Infrastructure des données (mois 1–2)

• Mettre en place dans le dossier patient un suivi des absences sous forme de séquences binaires plutôt que de simples pourcentages
• Définir des indicateurs de référence : taux global d’absence, par type d’acte, par praticien et par créneau
• Calculer les coûts directs (production perdue) et indirects (temps mort du personnel, rescheduling)

Phase 2 : Déploiement du modèle prédictif (mois 3–4)

• Utiliser les analytics du logiciel de gestion ou déployer un modèle de machine learning sur l’historique des rendez-vous
• Segmenter les patients : risque Faible (< 10 %), Modéré (10–30 %), Élevé (> 30 %)
• Intégrer les scores de risque dans les tableaux de bord de planification

Phase 3 : Protocoles d’intervention (à partir du mois 5)

Patients à risque élevé :

• Double rappel (SMS + appel)
• Confirmation obligatoire 48 h avant le rendez-vous
• Privilégier la prise de rendez-vous le jour même lorsque possible
• Mettre en place des appels de type « patient navigator » pour les plans de traitement complexes⁴

Patients à risque modéré :

• Rappels SMS standard à J-7 et J-1
• Créneaux d’accès ouvert pour réduire les délais de prise de rendez-vous

Patients à risque faible :

• Rappels automatisés standard
• Éligibles à une planification plus en avance

Phase 4 : Amélioration continue

• Suivre l’efficacité des interventions via des cartes de contrôle (taux d’absence par niveau de risque)
• Tester en A/B le contenu et le timing des rappels
• Réviser trimestriellement la précision du modèle et le recalibrer si besoin

Coûts et bénéfices

Les analyses économiques montrent un retour sur investissement favorable pour les rappels automatisés. Un rappel SMS automatisé coûte environ 0,14 € par patient contre 0,90 € pour un rappel téléphonique manuel, pour des gains de présence comparables⁹. Combinée à une surréservation prédictive, une réduction des absences de 15–35 % est réaliste, ce qui se traduit par un recouvrement de revenus substantiel vu la valeur des créneaux dentaires²⁹.

Conclusion

Réduire les absences en dentisterie suppose de passer de stratégies réactives à des approches prédictives et fondées sur les données. En s’appuyant sur le machine learning pour identifier les patients à risque, en déployant des protocoles de rappel ciblés selon le niveau de risque et en optimisant la planification (surréservation intelligente ou alternatives en télésanté), les cabinets peuvent améliorer nettement l’efficacité opérationnelle et la continuité des soins. L’intégration de principes d’économie comportementale et la prise en compte des préférences des patients permettent de renforcer l’expérience patient plutôt que de la perturber.

À mesure que les cabinets adoptent le numérique, la capacité à prédire et prévenir les absences deviendra un atout concurrentiel. Les cabinets qui mettent en œuvre ces stratégies fondées sur les preuves constatent non seulement une meilleure assiduité, mais aussi une satisfaction accrue grâce à des temps d’attente réduits et une offre de soins plus fluide.

---

Références

Footnotes

1. Marbouh D, Khaleel I, Al Shrouf F, et al. Evaluating the impact of patient no-shows on service quality. Risk Manag Healthc Policy. 2020;13:509-517. doi:10.2147/RMHP.S241428 ↩

2. Alabdulkarim Y, Almukaynizi M, Alameer A, et al. Predicting no-shows for dental appointments. PeerJ Comput Sci. 2022;8:e1147. doi:10.7717/peerj-cs.1147. Disponible sur : https://pmc.ncbi.nlm.nih.gov/articles/PMC9680883/ ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷ ↩⁸

3. Werner K, Alsuhaibani SA, Alsukait RF, et al. Behavioural economic interventions to reduce health care appointment non-attendance: a systematic review and meta-analysis. BMC Health Serv Res. 2023;23:1136. doi:10.1186/s12913-023-10059-9 ↩ ↩²

4. Oikonomidi T, Norman G, McGarrigle L, Stokes J, van der Veer SN, Dowding D. Predictive model-based interventions to reduce outpatient no-shows: a rapid systematic review. J Am Med Inform Assoc. 2023;30(3):559-569. doi:10.1093/jamia/ocac242 ↩ ↩² ↩³

5. Goffman RM, Harris SL, May JH, et al. Modeling patient no-show history to predict future outpatient appointment behavior in the Veterans Health Administration. Mil Oper Res. 2017;22(2):25-41. ↩

6. Topuz K, Urban TL, Russell RA, Yildirim MB. Decision support system for appointment scheduling and overbooking under patient no-show behavior. Ann Oper Res. 2024;342(1):845-873. doi:10.1007/s10479-023-05799-0 ↩ ↩² ↩³ ↩⁴ ↩⁵

7. Chou EY, Moore K, Zhao Y, et al. Neighborhood effects on missed appointments in a large urban academic multispecialty practice. J Gen Intern Med. 2022;37(4):785-792. ↩

8. Gurol-Urganci I, de Jongh T, Vodopivec-Jamsek V, Atun R, Car J. Mobile phone messaging reminders for attendance at healthcare appointments. Cochrane Database Syst Rev. 2013;(12):CD007458. doi:10.1002/14651858.CD007458.pub3 ↩

9. Parikh A, Gupta K, Wilson AC, et al. The effectiveness of outpatient appointment reminder systems in reducing no-show rates. Am J Med. 2010;123(6):542-548. ↩ ↩² ↩³

10. Wegrzyniak LM, Hedderly D, Chaudry K, Bollu P. Measuring the effectiveness of patient-chosen reminder methods in a private orthodontic practice. Angle Orthod. 2018;88(3):314-318. doi:10.2319/090517-597.1. Disponible sur : https://pmc.ncbi.nlm.nih.gov/articles/PMC8288327/ ↩

11. Greenup EP, Best D. Systematic review and meta-analysis of no show or non-attendance rates among telehealth and in-person models of care. BMC Health Serv Res. 2025;25:663. doi:10.1186/s12913-025-12826-2 ↩