クリニック予約のノーショー対策・分析手法【2026年版・データ取得/予測モデル/対策施策】

※本記事には広告（PR）が含まれます。掲載判断は当サイトの編集基準に基づき行っています。編集方針｜最終更新日: 2026-05-09

クリニック経営において、予約した患者が無断で来院しない「ノーショー（No-Show）」は、機会損失を超えた経営上の深刻なリスクです。保険診療では1枠あたりの影響が小さく見えがちですが、月間ノーショー件数が積み重なれば年間数十万〜数百万円規模の損失になり得ます。さらに、医師・スタッフの「空き待機」という人的コストも看過できません。本記事では、ノーショー対策をデータ分析の観点から体系的に整理します。業界平均率の参考データ、予約システムログ・CRMを使ったデータ取得設計、ロジスティック回帰による簡易予測モデル、リマインド通知・予約枠制御・キャンセルポリシーなどの対策施策、そしてオンライン予約 vs 電話予約のノーショー率比較まで、統計初学者のクリニック経営者・事務長・DX担当者でも実践できるレベルで解説します。

この記事でわかること

ノーショー（無断キャンセル）が経営に与える定量的な影響と業界平均率の参考データ
診療科別・予約チャネル別のノーショー率傾向と主な要因分析
予約システムログ・CRM・問診票を活用したデータ取得の設計手順
統計初学者でも理解できるロジスティック回帰によるノーショー予測モデルの基礎
リマインド通知・キャンセルポリシー・予約枠制御・ペナルティ設計の具体的施策
オンライン予約 vs 電話予約のノーショー率比較と判断軸
実務チェックリスト10項目以上・FAQ 8問・次の1ステップ

[PR]

1. はじめに——ノーショー（無断キャンセル）が経営に与える影響

「ノーショー（No-Show）」とは、医療機関の予約に対して事前のキャンセル連絡をせずに来院しない行為を指します。単なるキャンセルとは異なり、「次の予約が入る可能性がゼロのまま枠が空白になる」点が最大の問題です。クリニック経営において、この問題は次の3層で損失が積み重なります。

直接的な機会損失：診療単価×ノーショー件数分の診療収益がゼロになる
人的コストの無駄：医師・看護師・受付スタッフが「空き待機」する時間が発生する
他患者の機会損失：その枠に入れたかもしれない患者（キャンセル待ち等）が診られなくなる

厚生労働省「医療施設調査」（令和5年版）によれば、全国の一般診療所（無床診療所含む）は約10万5,000施設に達しています（出典①）。一方、同省「患者調査」（令和5年版）では外来患者の受療行動として予約利用率が継続的に上昇しており、特に都市部の中規模以上クリニックでは予約枠管理の精度が経営効率に直結しています（出典②）。予約件数が増えるほど、ノーショー率の管理と削減施策の重要性は高まります。

e-Stat掲載の「医療経済実態調査」（厚労省、令和5年度版）では、診療所全般の収入構造が公開されており、外来診療収益の安定性が経営余力に直結することが読み取れます（出典③）。ノーショーによる収益の「穴」が積み重なれば、採用・設備・DX投資への余力も削られます。

なお、ノーショー対策にはキャンセルポリシーの設計や料金請求の仕組みが含まれる場合があります。患者との契約関係・消費者保護法規に関する判断は、あらかじめ弁護士・行政書士等の専門家にご相談ください。

2. ノーショーの全体像（業界平均率・自費vs保険・診療科別）

国内の医療機関におけるノーショー率の公的統計は限定的ですが、海外研究データや国内のクリニック向けSaaS事業者が公表しているレポートを参考にすると、以下のような傾向が示されています。なお、施設属性・診療科・予約方法によって数値は大きく異なるため、あくまで参考値としてご参照ください。

診療形態・診療科	ノーショー率（参考範囲）	主な要因
保険診療（一般内科・小児科等）	3〜8%程度	疾患の自然回復・競合クリニックへの移動
保険診療（精神科・心療内科）	10〜20%程度	疾患特性（意欲低下・不安回避）・通院忘れ
自費診療（美容・ダイエット・AGA等）	10〜20%超の事例も	衝動的予約・心変わり・競合比較後の変更
歯科（定期検診枠）	5〜15%程度	痛みがないと忘れやすい・優先順位低下
健診・予防接種（単発来院）	8〜15%程度	予防意識のゆらぎ・スケジュール変更

上記の数値はあくまで参考的な傾向であり、自院のノーショー率を把握するには後述するデータ取得の設計が不可欠です。重要なのは、「業界平均に対して自院はどの位置にあるか」を把握し、改善余地を定量化することです。

2-1. 保険診療 vs 自費診療のノーショー構造の違い

保険診療と自費診療では、ノーショーが発生するメカニズムと経営への影響が質的に異なります。保険診療では診療報酬制度のもとで1枠の単価が固定されているため、ノーショーによる単発損失は限定的です。一方、自費診療では1枠の診療単価が数万〜数十万円に達するメニューもあり、ノーショー1件の影響が保険診療の数十倍になることもあります。

また、自費診療では「比較・検討のために複数クリニックを同時予約する」「SNSで情報収集中に予約だけ入れてキャンセルする」というパターンが保険診療より発生しやすいとされています。これは予約動機の「衝動性」に起因するものであり、予約確定後の関係構築（リマインド・事前カウンセリング動画・来院前準備案内）が来院コミットを高めるうえで重要になります。

2-2. ノーショーが発生する患者属性の傾向

海外の医療機関研究（参考：各種公開論文・医療経営誌の事例紹介）では、ノーショーと相関が高い患者属性として以下が挙げられることが多いとされています。日本の医療環境に完全には当てはまらない場合もあるため、自院データで検証することが前提です。

初診患者（再診患者よりノーショー率が高い傾向）
予約リードタイム（予約から来院までの日数）が長い患者
電話予約ではなくWeb予約（一部の調査）やスタッフ不在時の留守録予約
平日午後〜夕方の時間帯（就業スケジュールの変動が多い）
リマインド通知の開封・反応がなかった患者

これらの属性は「ノーショー予測モデル」の特徴量として利用できます。詳細は後述のセクション4で解説します。

3. 詳細1：データ取得の設計（CRM・予約システムログ・問診票連動）

ノーショー対策を「感覚」ではなく「データ」で行うためには、まず分析に使えるデータを適切に取得・蓄積する設計が必要です。多くのクリニックでは予約データは存在しているものの、「来院したか否か」「リマインドを送ったか否か」「患者属性との紐付け」が整理されておらず、分析に使える状態になっていないことが多いとされています。

3-1. 収集すべきデータ項目一覧

データ区分	具体的な項目	取得元	優先度
予約基本情報	予約日時・診療科・担当医・予約チャネル（Web/電話/窓口）・予約方法（新規/変更/繰り返し）	予約システム	必須
来院結果	来院済・キャンセル（連絡あり）・ノーショー（無断）・遅刻来院の区別	受付システム・電子カルテ	必須
患者属性	初診/再診区分・年代（生年月日から計算）・性別・居住エリア（市区町村レベル）	CRM・電子カルテ	必須
予約リードタイム	予約日から来院予定日までの日数	予約システムの差分計算	高
リマインド送信ログ	送信日時・チャネル（メール/SMS/LINE）・開封・クリック（取得可能な場合）	リマインドシステム・MAツール	高
問診票データ	来院目的・既往歴区分（分析用の匿名化が前提）・初回来院経路	電子問診票システム	中
予約変更履歴	変更回数・変更タイミング（来院予定日の何日前）・変更理由（取得している場合）	予約システムのログ	中

3-2. データ連携の設計パターン

クリニックのシステム構成によって、データ取得の容易さは大きく異なります。一般的な連携パターンは以下の3段階に分かれます。

レベル1（最小構成）：予約システムのCSVエクスポート機能を使い、月次でExcelやスプレッドシートに集約。手作業だが初期コストゼロ。まず「来院率」を計算することから始める
レベル2（半自動）：予約システムとCRM（または患者管理台帳）をAPI連携。来院結果を自動でCRMに反映。患者単位のノーショー回数・来院履歴を蓄積できる
レベル3（全自動）：予約システム・電子カルテ・リマインドシステム・CRMをデータ連携基盤（例：Zapier、クラウドDB、DWH）で統合。リアルタイムのノーショー検知と自動アクション（緊急リマインド等）が可能

まず取り組むべきはレベル1の「来院率の月次計算」です。「予約件数に対して何件が実際に来院したか」を数字で把握するだけで、対策の優先度と効果測定の土台ができます。

3-3. 個人情報保護とデータ活用の両立

患者データを分析目的で活用する際は、個人情報保護委員会「医療・介護関係事業者における個人情報の適切な取扱いのためのガイダンス」に準拠した取り扱いが求められます（出典④）。分析に使用するデータは、個人を特定できない形式に加工（仮名化・集計値のみ使用等）することが基本です。患者への利用目的の説明・同意取得（プライバシーポリシーへの明記）も不可欠です。システム選定時は「分析用データエクスポート機能のある予約システム」を選ぶことで、データ取得の手間を大幅に削減できます。

4. 詳細2：予測モデルの基礎（簡易ロジスティック回帰・離散選択モデル）

「このアポイントはノーショーになりそうか」を事前に予測できれば、該当患者へのリマインドを強化する、オーバーブッキングを設定するといったプロアクティブな対策が可能になります。ここでは統計初学者でも概念を理解できるレベルで、ノーショー予測モデルの基礎を解説します。

4-1. ロジスティック回帰モデルのイメージ

ロジスティック回帰は「ある事象が起こる確率（0〜1の値）を複数の要因から予測する」手法です。ノーショー予測では「この予約がノーショーになる確率」を出力します。数学的な詳細よりも「どんな情報を入力すると予測精度が上がるか」を理解することが実務的には重要です。

特徴量（入力情報）	ノーショーとの関係（参考傾向）	データ取得元
初診 / 再診区分	初診はノーショー率が高い傾向	電子カルテ・予約システム
予約リードタイム（日数）	日数が長いほどノーショー率が上がる傾向	予約システムの差分計算
予約チャネル	電話予約 vs Web予約でパターンが異なる（詳細はセクション6）	予約システムのチャネルフラグ
予約変更回数	変更回数が多いほどノーショーリスクが高い傾向	予約システムの変更履歴
リマインド開封有無	開封なしはノーショー率が高い傾向	リマインドシステムのログ
過去のノーショー歴	過去に1回でもノーショーがある患者は再発率が高い傾向	CRM・来院結果ログ
時間帯（朝/昼/夕方）	施設・診療科により傾向が異なる	予約システムの時間帯フラグ

4-2. 簡易予測の実装ステップ

本格的なモデル構築を行わなくても、以下の「ルールベースのスコアリング」から始めることができます。これは機械学習ではなく、データから読み取ったルールを点数化したものですが、予測の出発点として実用的です。

ステップ1（データ整理）：過去6か月〜1年分の予約データを「来院済 / ノーショー」でラベル付け。Excelやスプレッドシートで作業可能
ステップ2（クロス集計）：「初診か再診か」「予約リードタイム別」「時間帯別」でノーショー率を集計。どの要因が最も影響しているかを可視化する
ステップ3（スコアリング）：例：初診＋3点、リードタイム7日超＋2点、変更歴あり＋2点……の合計スコアで「ハイリスク予約」を識別
ステップ4（対策割り当て）：スコアが閾値以上の予約に対して、リマインド回数を増やす・別途確認の電話を入れる等のアクションを設定
ステップ5（効果検証）：対策前後のノーショー率を比較。精度を見ながらスコアの係数を調整する

4-3. 離散選択モデルのイメージ（参考）

より高度な手法として「離散選択モデル（Discrete Choice Model）」があります。患者が「来院する／しない」という二択を選ぶ際の意思決定プロセスを確率モデルで表現するものです。「移動距離」「待ち時間」「予約のしやすさ」「リマインドの有無」などの要因が来院確率に与える影響を定量的に推定できます。ただし、このモデルを実装するには統計ソフト（R/Python等）の知識とある程度のデータ量（最低数百件〜）が必要です。まずは上記のロジスティック回帰のスコアリングから始め、分析に習熟してから発展させることを推奨します。データ分析や統計モデルの活用について詳細な検討が必要な場合は、医療データ分析に知見のある専門家や経営コンサルタントにご相談ください。

5. 詳細3：対策施策（リマインド/ポリシー設定/予約枠制御/ペナルティ）

ノーショー対策は「予防」「軽減」「回収」の3層に分けて設計することが効果的です。予防はリマインドや来院コミット強化、軽減は予約枠設計、回収はキャンセルポリシー・ペナルティです。

5-1. リマインド通知の設計

リマインド通知は最も費用対効果の高いノーショー予防策とされています。重要なのは「1回で終わらせない」「チャネルを複数使う」「送信タイミングを最適化する」の3点です。

タイミング	推奨チャネル	内容のポイント	注意事項
予約確定直後	メール	予約内容の確認・持参物・来院準備案内を含める	予約詳細の正確な記載（日時・場所・診療科）
来院3〜7日前	メール or LINE	「お待ちしています」の一報。変更・キャンセルの場合の連絡先明記	開封率重視なら件名に予約日時を入れる
来院前日	SMS（最重要）	日時・場所・担当医名・持参物を簡潔に再掲。「確認の場合はこちら」へのリンク	SMS開封率は90%超とされる。深夜送信禁止（7時〜21時の範囲内に設定）
来院当日朝	SMS or LINE	「本日○時にお待ちしております」の短文。高リスク患者のみ追加	過剰送信でブロック・迷惑扱いにならないよう対象を絞る

総務省「特定電子メール法」によれば、商業目的の電子メール送信には受信者の事前同意が必要です（出典⑤）。リマインドメール・SMSの送信においては、予約時の同意フローに「予約に関する通知メール・SMSの受信」への同意を含めることが法的に必要です。LINEでの通知も同様に、LINE公式アカウントへの「友だち追加」という形で同意を得ることが前提になります。

5-2. キャンセルポリシーの設計

キャンセルポリシーは「告知と同意の取得」が法的に有効な前提です。消費者庁「特定商取引法」に関連する消費者保護の観点から、一方的な課金設計は問題が生じる可能性があります（出典⑥）。キャンセルポリシーの設計・法的有効性については、あらかじめ弁護士にご確認ください。

段階的なキャンセル期限の設定：「3日前まで無料→前日50%→当日100%→無断キャンセルは100%+次回予約時の支払い」のような段階設計が一般的
予約フォームでの事前同意取得：フォーム記入前の画面にポリシー全文を掲示し「同意する」チェックボックス必須化
確定メールへの再掲：予約確定通知メールにキャンセルポリシーのURLと主要条件を再掲
院内掲示と口頭説明：初診時の受付で口頭説明＋書面への署名（特に高単価メニューの自費診療）

5-3. 予約枠制御（オーバーブッキング・バッファ枠設計）

ノーショーが一定割合で発生することを前提として、予約枠そのものを設計する「予約枠制御」は、航空・ホテル業界から医療機関にも応用されています。ただし、医療機関では患者が全員来院した場合の「超過待ち時間」問題があるため、オーバーブッキングの適用には慎重な設計が必要です。

バッファ枠の設定：1日の予約可能枠を診療処理能力の90〜95%に設定し、ノーショーを想定した余裕を持たせる（過剰入院防止が前提）
キャンセル待ちリストの整備：ノーショー枠が空いた際に自動または手動でキャンセル待ち患者へ通知する仕組みの整備
リードタイムによる枠制御：予約リードタイムが長い枠はノーショーリスクが高いため、リードタイム7日超の予約は「前日確認必須」フラグを立てる
診療科別の管理：ノーショー率の高い診療科（初診専門・精神科等）と低い科で枠設計を分ける

5-4. ペナルティと事前カード与信

ノーショーに対して料金を請求する「ペナルティ」は、予約時にクレジットカード情報を取得（与信枠確保）しておく仕組みがなければ実際の回収が困難です。ペナルティ設計を実効性あるものにするためのポイントは以下のとおりです。なお、カード情報の取り扱い・PCI DSS準拠・消費者保護に関する詳細は、決済代行事業者および弁護士に確認することを強く推奨します。

予約時のカード登録を必須化（カード情報はPCI DSS準拠の決済代行業者が保管。クリニック側はトークンのみ管理）
ノーショー発生時の請求フロー（確認連絡→未返答→自動引き落とし）を事前にポリシー化し患者へ周知
全額徴収ではなく「キャンセル料相当の一定額」に絞ることで患者・法的リスクのバランスを取る
実装前に消費者契約法・特定商取引法との整合性について弁護士に確認する

6. 比較・判断軸（オンライン予約vs電話予約のノーショー率比較）

クリニックの予約チャネルは大きく「オンライン予約（Web・アプリ・LINE）」と「電話予約（来院・電話・FAX）」に分かれますが、チャネルの違いはノーショー率にも影響を与えると考えられています。ただし、チャネル単体で比較するより「チャネル×患者属性×診療科」の組み合わせで分析する方が有益です。

比較軸	オンライン予約	電話予約
ノーショー率の傾向	高い傾向（一部の調査）。特に衝動的に予約した新規患者	低い傾向（スタッフとの会話でコミットが高まりやすい）
来院コミットの強さ	クリック1回で完結するため心理的ハードルが低い	電話でスタッフに伝えた「約束感」がコミットを高める
リマインド連携	自動リマインドと連携しやすい（メールアドレス・電話番号取得済み）	連絡先未取得の場合は手動対応が必要
キャンセルのしやすさ	アプリ・Web上でワンタップキャンセルが可能（連絡ありキャンセルは増える）	電話キャンセルの心理的ハードルが若干高い
深夜・休日の予約	24時間受付が可能（衝動的予約が入りやすい）	受付時間内のみ（翌朝再考してキャンセルされるリスク）
データ取得	ログが自動蓄積されやすい	手動入力が必要。ログ粒度が粗くなりやすい

6-1. チャネル選択の判断軸

「ノーショーが怖いからオンライン予約をやめる」という判断は、集患機会の損失につながるため適切ではありません。オンライン予約は新患獲得・24時間受付・受付業務削減という明確なメリットがあります。重要なのは「チャネル別のノーショー率を把握し、チャネル別に対策を設計する」ことです。

オンライン予約のノーショー率が高い場合：予約確認メールの内容強化・前日SMSリマインドの自動化・Web予約画面でのキャンセルポリシー明示を優先する
電話予約のノーショー率が高い場合：電話受付時の確認事項チェックリスト整備（担当者が「当日お持ちいただくものは〇〇です」と伝える）・電話番号へのSMSリマインド設定を優先する
チャネル間の差が不明な場合：まず予約ログに「チャネルフラグ」を追加し、3〜6か月データを蓄積してから比較分析する

6-2. 「連絡ありキャンセル」と「ノーショー」の区別の重要性

分析において、「連絡ありキャンセル」と「ノーショー（無断キャンセル）」はあらかじめ分けて管理することが重要です。連絡ありキャンセルは「患者との関係が維持されている」ため、再予約・リテンション施策の対象になります。一方ノーショーは「関係が断絶した可能性がある」ため、別のフォローアップ設計（翌日の確認連絡・再予約案内等）が必要です。この2つを混同したまま「キャンセル率」として集計すると、施策の優先度が誤った方向になりやすいため注意が必要です。

7. 実務チェックリスト（ノーショー対策必須10項目）

以下のチェックリストを使い、自院の現状を確認してください。チェックが入っていない項目が優先的な改善ポイントです。

☐ ノーショー率の定義を明確化している（「ノーショー」と「連絡ありキャンセル」を分けて集計しているか）
☐ 月次でノーショー件数・率を集計している（計測していなければ対策の効果を測れない）
☐ 予約システムのログに来院結果（来院済/ノーショー/キャンセル）を記録している
☐ 前日リマインドSMSを自動送信している（開始時刻は7時〜21時の範囲内）
☐ リマインドに複数チャネルを使っている（メール＋SMSの組み合わせ等）
☐ 予約フォームにキャンセルポリシーを明示し、同意チェックボックスを設けている
☐ 初診患者向けに再診患者より強化したリマインド設定を行っている
☐ 予約リードタイム（日数）を把握し、7日超の予約を「ハイリスク」として管理している
☐ ノーショーが多い時間帯・診療科・チャネルを把握している
☐ キャンセル待ちリストの仕組みがある（ノーショー発生時に枠を有効活用できるか）
☐ ノーショー患者への翌営業日中のフォローアップ連絡を行っている（再予約促進・安否確認）
☐ 年1回以上、ノーショー率のデータを見直し対策を更新している

チェックが5項目未満の場合は、まず「計測→リマインド自動化」の順で着手することを推奨します。全12項目が揃っている状態が予防・軽減・回収の3層対策が整備された状態です。キャンセルポリシーやペナルティの設計については弁護士・経営コンサルタントに相談のうえ導入することを推奨します。

8. つまずきやすいポイント（リマインド過多・データ不足・ポリシー未徹底）

つまずきポイント1：リマインドを送りすぎて患者に嫌われる

「ノーショー対策＝たくさんリマインドを送る」と解釈して1週間前から毎日送信する設計にした結果、患者からブロック・クレームが相次いだケース。
対策：送信タイミングは「予約確定直後・3〜7日前・前日・必要な場合のみ当日朝」の最大4回に絞る。初診患者のみ追加1回とし、再診患者には前日1回のみとするなど、属性別に差を設ける。

つまずきポイント2：データが不足して分析できない

「分析しようとしたが来院結果のログがなく、ノーショー率が計算できない」状態は多くのクリニックで発生しています。
対策：まず受付スタッフが「ノーショー」「連絡ありキャンセル」「来院」を区別して予約システムに入力するルールを作り、最低3か月分のデータを蓄積する。完璧なデータ環境を待つより、小さく始めることが重要です。

つまずきポイント3：キャンセルポリシーを設けたが徹底できない

ポリシーを作ったが「患者との関係を壊したくない」という心理的障壁から、スタッフがノーショー患者にキャンセル料を請求しないケース。ポリシーが機能せず「あってないようなもの」になる。
対策：キャンセル料の請求フローをマニュアル化し、スタッフの判断ではなく「システムが自動請求する」仕組みにする（カード与信の活用）。またはまずキャンセル料なしで「前日リマインドの徹底」から始め、段階的にポリシーを強化する。

つまずきポイント4：SMS送信の法的確認を怠る

予約確定時に電話番号を取得しているから当然SMSを送れると思い込み、利用規約・同意フローを整備せずに送信を開始したケース。総務省「特定電子メール法」の適用範囲について誤解があったり、患者から苦情を受けたりする事例があります（出典⑤）。
対策：SMS・メール送信を開始する前に、予約フォームの利用規約・プライバシーポリシーに「予約関連の通知SMSを送信する」旨を明記し、同意を取得する仕組みを整える。

つまずきポイント5：予測モデルを作ったが運用に乗らない

エクセルやPythonで予測スコアを算出したが、「スコアが高い患者」への対応フロー（誰が・いつ・どのチャネルで・何をするか）が定義されておらず、せっかくの予測が活かされないケース。
対策：予測モデルを「スコア高＝前日に追加電話1本入れる」という単純なルールと紐付けてから始める。複雑なフローより「シンプルで継続できる運用設計」が優先です。

9. FAQ 8問：ノーショー対策のよくある疑問

Q1. ノーショー率は何%以下を目標にすればよいですか？

A. 業界や診療科によって異なるため「何%が正解」という強く値はありません。まず自院の現在の率を計測し、3〜6か月の対策実施後に「改善幅」で評価することを推奨します。保険診療の一般外来であれば3〜5%程度を維持できればまず良好とされることが多いですが、あくまで参考値として自院データと照らし合わせてください。

Q2. リマインドSMSとメールはどちらの効果が高いですか？

A. 一般的にSMSの開封率はメールより高いとされていますが（SMSは90%超とも言われます）、患者層・年齢層によって効果は異なります。最も効果的なのは「メールとSMSの組み合わせ」で、前日にSMS、3日前にメールというような設計が実務では多く採用されています。自院の患者年齢層・チャネル別開封率を確認して最適化することを推奨します。

Q3. キャンセルポリシーを設けると新規患者が減りませんか？

A. 「厳しいポリシー＝患者減」という仮説は必ずしも正しくありません。ポリシーを明示している方が「真剣に通院したい患者」には安心感を与える効果もあります。問題になりやすいのは「ポリシーを途中で初めて知らせる」設計です。予約前の段階でポリシーをわかりやすく伝え、同意を得る設計にすることで、患者の事前認識が高まり、来院コミットも強くなります。

Q4. 小規模クリニック（月間予約100件以下）でもデータ分析は意味がありますか？

A. 月間100件以下の規模では統計的に有意なモデル構築は難しいですが、「ノーショー率を毎月記録する」「前日リマインドの有無でノーショー率が変わるか比較する」といったシンプルな分析は有益です。データが少ない段階は「計測の習慣をつける」ことに集中し、データが蓄積されてからモデル化する順序が現実的です。

Q5. 無断キャンセル患者に翌日電話してもよいですか？

A. 医療機関として「安否確認」の観点からの連絡は多くの場合適切と考えられていますが、「キャンセル料の請求が目的の連絡」と混同されないよう、連絡の目的と内容を明確にすることが重要です。電話のトーン・スクリプトを「再予約の案内＋体調確認」として設計することで、患者との関係を維持しながら再来院を促す効果が期待できます。

Q6. オーバーブッキングは法的に問題ありませんか？

A. 医療機関のオーバーブッキング（診療能力を超えた予約受付）は、超過来院時に患者を断ったり長時間待たせたりするリスクがあり、患者との信頼関係に影響します。導入する場合は「全員来院時でも対応できる体制があるか」を前提に設計し、適用する診療科・診療メニューを絞る必要があります。法的・倫理的な観点については医師法・医療法の専門家にご確認ください。

Q7. Pythonを使わないとノーショー予測はできませんか？

A. PythonやRを使わなくても、Excelのピボットテーブルやスプレッドシートで「ノーショー率のクロス集計」はできます。「初診患者のノーショー率 vs 再診患者のノーショー率」「リードタイム別のノーショー率」を集計するだけでも、対策の優先度付けに十分使える情報が得られます。本格的な予測モデル化はその先のステップとして検討してください。

Q8. リマインドのLINE連携はどのように設定しますか？

A. LINE公式アカウントの開設（LINE Business ID取得）と、予約システムとのLINE Messaging API連携が必要です。患者には「予約完了画面のQRコード」「受付での誘導」「ホームページのバナー」等でLINE友だち追加を促します。LINE公式アカウントは月間メッセージ配信数に応じた料金プランがあるため、患者数・配信頻度に応じたプラン選択が重要です（LINE公式アカウント料金プランを参照）。なお、LINE連携の仕様は変更される場合があるため、最新情報は公式ドキュメントをご確認ください。

10. 次の1ステップ・関連記事・出典

ノーショー対策は「計測→リマインド自動化→データ分析→ポリシー整備」の順で積み上げるのが現実的な進め方です。最初の一歩として最も効果が出やすいのは、前日リマインドSMSの自動化です。予約システムのリマインド機能が未設定であれば、まず送信タイミングとチャネルの設定を行うことから始めてください。次いで「来院率の月次集計」を行い、ベースラインを把握することで、その後の対策効果を客観的に評価できます。

キャンセルポリシーやペナルティ設計は、法的有効性の確認と患者周知の設計が整ってから導入するのが安全です。導入を検討する段階で、弁護士および経営コンサルタントへの相談を推奨します。予測モデルの構築は、3〜6か月分のデータが蓄積されてから着手することで、精度の高い分析が可能になります。