Prognose von Terminausfällen (No-Shows) und intelligente Überbuchung

Jeder versäumte Termin ist ein Zeitfenster, das niemand sonst nutzen konnte. Kliniken, Behörden, Autowerkstätten und Salons verlieren Kapazität, Umsatz und Wartelistenzeit an Menschen, die einfach nicht erscheinen. Ein No-Show-Modell lernt aus der Buchungshistorie, welche Termine wahrscheinlich versäumt werden. Sein Score wird dann gezielt genutzt: Die riskante Minderheit erhält eine zusätzliche Erinnerung, einen Anruf oder einen besseren Termin, und eine kalibrierte Zahl von Ersatzbuchungen füllt die verbleibenden Lücken. Ziel sind vollere Terminpläne ohne die Überstunden und langen Wartezeiten, die pauschale Überbuchung verursacht.

Problem & Nutzen

• Heute: Erinnerungen gehen nach derselben SMS-/E-Mail-Regel an alle, und die Überbuchung (falls vorhanden) ist eine pauschale Faustregel je Sitzung. Beides verschwendet Aufwand bei zuverlässigen Teilnehmern und hilft kaum den Menschen, die tatsächlich Termine versäumen.
• Ausmaß im Gesundheitswesen: NHS England beziffert die nationalen Kosten versäumter Termine auf rund 1,2 Mrd. £ pro Jahr [2]. Das Profil von Deep Medical im NHS Innovation Accelerator nennt 8 Millionen versäumte und 4 Millionen kurzfristig abgesagte ambulante Termine pro Jahr (vom Anbieter berichtete Problemzahlen) [3].
• Belege aus Einsätzen:
• UCLH (London), MRT. Ein Gradient-Boosting-Modell, trainiert auf 22.318 Terminen, erreichte in einem Test eine AUC von 0,852. Bei einem Schwellenwert, der 90 % der No-Shows erfasste, brauchte ein gezielter Anruf etwa 5,3 Anrufe je verhindertem No-Show statt 11 bei ungezielten Anrufen. Diese Zahlen stammen aus einer Simulation, nicht aus einer prospektiven Studie [1].
• Mid and South Essex NHS FT mit Deep Medical. Ein sechsmonatiger Pilot (2023) meldete etwa 30 % weniger DNAs (Did Not Attend), 377 verhinderte DNAs und 1.910 zusätzlich behandelte Patienten. Danach kündigte NHS England die Ausweitung auf zehn weitere Trusts an [2]. Die jährliche Einsparung von 27,5 Mio. £ und das Nutzen-Kosten-Verhältnis von 30:1 sind Hochrechnungen, keine erreichten Ergebnisse [3].
• Nutzen: mehr behandelte Personen bei gleicher Kapazität, kürzere Wartelisten, weniger Leerlauf bei Personal und Geräten und weniger Erinnerungsanrufe bei zuverlässigen Teilnehmern.

Varianten

• Ambulanzen und Diagnostik im Krankenhaus (zusammengeführte Variante Gesundheitswesen): in EHR/PAS integrierte Risikoscores, gezielte SMS/Anrufe, Ersatzbuchung. Referenzfälle sind UCLH MRT und der Pilot von Mid and South Essex / Deep Medical [1][2][4].
• Haus-, Zahn- und Facharztpraxen (KMU): Risikohinweise in der Praxissoftware oder Buchungsplattform. Maßnahmen sind eine zusätzliche Erinnerung, Vorauszahlung oder eine Anzahlung bei wiederholtem Nichterscheinen und eine kleine Nachrückliste zum Auffüllen.
• Behörden (Bürgeramt, Meldewesen, Ausländerbehörde, Jobcenter): Termine vor Ort. Der Schwerpunkt liegt darauf, nicht genutzte Slots freizugeben und aus Wartelisten nachzurücken. Einzelne Personen zu sanktionieren ist hier nicht angemessen (siehe Risiken).
• Autowerkstätten, Salons, Physiotherapie, Fitnessstudios, Restaurants: Scores der Buchungsplattform, Anzahlungen oder Kartengarantien bei Buchungen mit hohem Risiko sowie Überbuchung kurzer Leistungen.
• Außendiensttermine und Lieferzeitfenster für Pakete: Vorhersage „Kunde nicht zu Hause". Lässt sich mit der Routenplanung OPT-019 kombinieren.
• Private Nutzung: kein typischer Verbraucher-Anwendungsfall. Einzelpersonen sehen nur die Erinnerungsseite (CONV-008).

So funktioniert es

1. Buchungsereignisse (PVS/Patientenakte, Praxissoftware, Buchungsplattform)
2. Feature-Pipeline (Historie, Vorlaufzeit, Zeitfenster, Kanal, Entfernung, Wetter, Erinnerungen)
3. kalibrierter Klassifikator: P(No-Show), P(späte Absage) je Termin
4. Interventionspolitik (Uplift-Modell: Wer reagiert auf Anruf/SMS/Terminangebot?)
5. Terminplan-Optimierer / Simulator (wie viele Überbuchungen je Sitzung, wo im Tagesverlauf)
6. Maßnahmen über Workflow-Engine: Erinnerung, Anrufliste, Angebot zum Termintausch, Ersatzbuchung
7. Prüfung & Übersteuerung durch das Buchungspersonal (Human-in-the-Loop)
8. Ergebnisprotokoll
9. Überwachung von Genauigkeit, Kalibrierung und Fairness über Untergruppen

• Prognose: Gradient-Boosted Trees (LightGBM, XGBoost, CatBoost) oder logistische Regression auf tabellarischen Merkmalen. Die No-Show-Historie auf Terminebene ist in den meisten Studien mit Abstand der stärkste Prädiktor. Kalibrierung ist wichtiger als die AUC, weil die Überbuchungsrechnung die Wahrscheinlichkeiten direkt verwendet [5].
• Zielgenaue Maßnahmen: Ein hoher Risikoscore bedeutet nicht, dass die Person erreichbar ist. Uplift- Modellierung (Kausalinferenz) schätzt, wer aufgrund eines Anrufs tatsächlich erscheint. A/B- Holdouts sind nötig, um die Wirkung zu belegen.
• Überbuchung: ein stochastisches Terminplanungsproblem. Es wägt Leerlauf gegen Überstunden und Wartezeit ab. In der Praxis bedeutet das ereignisdiskrete Simulation oder ein gemischt-ganzzahliges bzw. stochastisches Modell, das je Praxissitzung gelöst wird. Eine einfache Version setzt die zusätzliche Buchung in eine Sitzung, deren summierte No-Show-Wahrscheinlichkeiten einen Schwellenwert überschreiten.
• LLM-Schicht (optional): personalisierte, mehrsprachige Erinnerungstexte und Klassifikation von Freitextantworten („kann nicht kommen, brauche einen späteren Termin") in Umbuchungsaktionen zusammen mit CONV-003/CONV-008.
• Mensch-in-der-Schleife (Human-in-the-Loop): Buchungsteams geben Anruflisten und Überbuchungsvorschläge frei. Die klinische Dringlichkeit hat immer Vorrang vor dem Modell, und niemandem wird wegen eines Scores die Behandlung verweigert.

Datenaufbereitung

Das Modell braucht die Terminhistorie (gebucht, wahrgenommen, abgesagt, nicht erschienen), Vorlaufzeit, Terminart und optional Antworten auf Erinnerungen sowie Wetter oder Jahreszeit. Das liegt meist im Buchungswerkzeug, in der Praxis- oder Werkstattverwaltungssoftware, in einem Kalender oder im ungünstigsten Fall in einem Terminbuch aus Papier. Typische Lücken sind nicht als solche erfasste No-Shows (abgesagt und nicht erschienen sehen gleich aus), doppelte Kundendatensätze, Freitext-Terminarten und fehlende Historie nach einem Softwarewechsel.

Schritte der Aufbereitung: Buchungsdaten exportieren (PREP-005), Papierbücher nur dann digitalisieren, wenn mehr als ein Jahr Historie nötig ist (PREP-006), Statuswerte (wahrgenommen, rechtzeitig abgesagt, kurzfristig abgesagt, nicht erschienen) mit dem Empfang klar definieren (PREP-019), sie aus vorhandenen Aufzeichnungen gewinnen (PREP-020) und Kundenkennungen vor der Modellierung pseudonymisieren (PREP-022). Wo medizinische Daten im Spiel sind, lassen Sie Diagnosen aus den Merkmalen heraus, sofern sie nicht wirklich nötig sind (PREP-025).

Grober Aufwandsanteil: etwa 30 Prozent des Projekts. Einige tausend saubere Termine genügen für den Start, daher kommt es mehr auf bereinigte Statuswerte als auf das Volumen an. Eine Bereitschaftsprüfung finden Sie in GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU: Weg A. Buchungs- und Praxisverwaltungswerkzeuge mit No-Show-Erinnerungen und Überbuchungsvorschlägen gibt es mit EU-Hosting; eine kleine Praxis hat selten Data-Science-Kenntnisse für ein eigenes Modell.
• Großunternehmen: Weg B. Anbieter mit mehreren Standorten haben genug Terminvolumen und eigene Terminsysteme, daher lässt sich ein Modell auf den eigenen Daten hinter Cloud-KI-Diensten besser integrieren als ein generisches Produkt.
• Entwickler: Weg C. Ein einfaches Tabellenmodell auf der Terminhistorie läuft mit Open-Source-Werkzeugen auf HW1 und hält Patienten- oder Kundendaten im Haus.
• Öffentlicher Sektor: Weg C. Termindaten von Bürgern und Patienten sind sensibel, und das Vergaberecht begünstigt selbst betriebene oder deutsche souveräne Clouds.

Weg A — Kaufen (Standardsoftware)

• Gesundheitswesen (UK/EU): Deep Medical (UK, Einsätze im NHS) [3]. Einige EHR/PAS-Anbieter liefern eingebaute No-Show-Modelle mit, zum Beispiel die Bibliothek prädiktiver Modelle von Epic in EHR- Installationen. In Deutschland bieten Plattformen für Patientenkommunikation und Terminbuchung (Doctolib, samedi, Dr. Flex) automatische Erinnerungen, Online-Umbuchung und Wartelisten. Fragen Sie jeden Anbieter, ob er risikobasierte Ansprache anbietet oder nur einheitliche Erinnerungen.
• Dienstleistungsbetriebe im KMU: Buchungssysteme für Salons, Werkstätten und Studios (z. B. Shore [DE], Phorest [IE], Treatwell [EU]) bieten Erinnerungen, Anzahlungen, Kartengarantien und Ausfallgebühren. Prädiktives Scoring ist seltener, und die Anzahlungsregel leistet oft den größten Teil der Arbeit.
• Wählen Sie A, wenn: Sie ein Standard-PAS/EHR oder eine Buchungsplattform nutzen und der Anbieter die Buchungsereignisse bereits besitzt. Prüfen Sie EU-Hosting, den AVV und ob die Scores je Untergruppe geprüft werden können.

Weg B — Auf Cloud-KI-Diensten aufbauen

• AutoML-/Tabellen-Dienste in EU-Regionen: Azure Machine Learning AutoML (West Europe / Germany West Central), Google Vertex AI Tabular (europe-west3), Amazon SageMaker Autopilot (eu-central-1) oder Databricks AutoML. Jeder trainiert und betreibt einen kalibrierten Klassifikator aus einem Auszug der Buchungshistorie.
• Optionales LLM für Nachrichten: Mistral (EU) oder Azure OpenAI / Claude über Endpunkte der EU-Datenzone für Erinnerungstexte und die Klassifikation von Antworten. Senden Sie niemals Diagnosen, nur Termin- Metadaten.
• Integration: HL7-v2-SIU- / FHIR-Appointment-Ressourcen aus dem PAS. Ein nächtlicher Batch- Scoring-Job schreibt die Risikostufen zurück. n8n oder Power Automate lösen SMS/Sprache über CONV-008 aus.

Weg C — Selbst betreiben (Open Source)

• Modellierung: scikit-learn (logistische Regression, Kalibrierung mit CalibratedClassifierCV), LightGBM / XGBoost / CatBoost. TabPFN (Prior Labs, Freiburg) ist eine Option für kleine Praxen mit wenig Daten. Neuere TabPFN-Gewichte tragen eine nicht kommerzielle Lizenz, daher braucht die produktive Nutzung die Enterprise-Edition [6].
• Uplift & Fairness: CausalML oder scikit-uplift für die Zielgenauigkeit und Fairlearn für Kennzahlen je Untergruppe.
• Überbuchung: SimPy für ereignisdiskrete Simulation von Praxisabläufen und OR-Tools / HiGHS für die Slot- Zuteilung.
• Betrieb: MLflow für Modellregister und Drift-Überwachung, Airflow/Dagster oder n8n für die Planung, Postgres-Merkmalstabellen.
• Hardware: HW1. Ein CPU-Server oder eine VM genügt; eine GPU ist auch bei Millionen von Terminen nicht nötig.

Weg D — Eigenes Training

In diesem Anwendungsfall ist „eigen" der Normalfall. Ein brauchbares Modell muss auf Ihrer eigenen Buchungshistorie trainiert werden, weil das No-Show-Verhalten von Bevölkerung, Fachrichtung, Kanal und Erinnerungsregime abhängt. Sie brauchen mindestens ein Jahr Historie auf Terminebene mit Ergebnissen (wahrgenommen, DNA, kurzfristig abgesagt), idealerweise mehrere tausend Termine je Leistung. Trainieren Sie neu, sobald sich der Erinnerungsprozess ändert, denn eine erfolgreiche Maßnahme verschiebt die Verteilung der Labels. Ein Transfer aus öffentlichen Datensätzen (z. B. dem brasilianischen Kaggle-No-Show-Datensatz) ist nur für Prototypen nützlich.

Stand der Technik (2026)

• Modelle: gut abgestimmtes Gradient Boosting bleibt der Standard. Berichtete AUC-Werte liegen meist bei etwa 0,7 bis 0,85, und eine systematische Übersichtsarbeit fand, dass wenige veröffentlichte Modelle eine naive Basislinie „alle erscheinen" bei der Genauigkeit schlagen [5]. Tabellen-Foundation-Modelle (TabPFN-3.5 verarbeitet bis zu 1 Mio. Zeilen) senken den Abstimmungsaufwand bei kleinen und mittleren Datensätzen [6]. Tiefe Sequenzmodelle bringen gegenüber gut konstruierten Historienmerkmalen wenig.
• Was sich 2024–2026 geändert hat:
• Der Schwerpunkt verlagerte sich von der reinen Prognose zur Maßnahmenstrategie: Umbuchungsangebote statt nur Erinnerungen (der Ansatz von Deep Medical [4]), Uplift-gesteuerte Anrufe und Ersatzbuchung.
• Fairness ist jetzt eine zentrale Anforderung. Forschung zeigte, dass No-Show-basierte Überbuchung benachteiligte Gruppen systematisch in überbuchte Slots mit längeren Wartezeiten drängen kann, und schlug faire Terminplanung als Abhilfe vor [7].
• Fehlerbilder:
• Das Klassenungleichgewicht ist stark (DNA-Quoten liegen oft bei 5–15 %).
• Maßnahmen verändern die Labels selbst (Rückkopplungsschleifen).
• Überbuchung auf Basis unkalibrierter Scores verursacht Überstunden.
• Sozioökonomische Stellvertretermerkmale wie Postleitzahl oder Deprivationsindex können Diskriminierung abbilden.
• Bei Erstpatienten gibt es keine Historie (Kaltstart).

Gemeinsame Bausteine & Kombinationen

• Derselbe Tabellen-ML-Stack (CPU, HW1): PRED-003 Kundenabwanderung, PRED-020 Retourenprognose, PRED-021 Zahlungsverhalten, HLTH-020 Wiederaufnahmerisiko. Ein Feature Store, ein MLflow-Register und ein Scoring-Job können alle bedienen.
• Vor- und nachgelagert:
• PRED-011 / HLTH-008 prognostizieren Gesamtnachfrage und Kapazität, und dieser Anwendungsfall passt den einzelnen Slot an.
• OPT-003 Dienstplanung nutzt die erwartete Teilnahme nach der Überbuchung.
• CONV-003 (Buchungsassistent), CONV-008 (ausgehende Erinnerungen) und CONV-002 (eingehender Voicebot) führen die Maßnahmen aus und sammeln Bestätigungen.
• AGENT-012 übernimmt die Umbuchung im Kalender.
• OPT-004 behandelt Revenue Management im Gastgewerbe (dieselbe Überbuchungsrechnung wie bei Hotels und Fluggesellschaften).
• Gemeinsame Bausteine: Pipeline für Buchungsereignisse (FHIR/HL7 oder API der Buchungsplattform), Rahmen für Kausalinferenz / A-B-Tests, Workflow-Engine (n8n), SMS-/Sprach-Gateway.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen, wenn die Buchungsplattform die Funktion bereits hat. Die Kosten sind eine SaaS-Lizenz, oft je Termin oder je Standort.
• Weg B/C: 2–4 Monate, wovon Datenextraktion und der Workflow für Erinnerungen/Anrufe den größten Teil der Zeit beanspruchen. Die Modellierung selbst ist klein. Die Betriebskosten sind vernachlässigbar (CPU).
• Kostentreiber: PAS/EHR-Integration, Arbeitszeit des Buchungspersonals für Anrufe, SMS-/Sprachkosten, Governance (DSFA, Fairness-Prüfung).
• Kennzahlen: DNA-Quote und Quote kurzfristiger Absagen (gegenüber einem Holdout), Slot-Auslastung, behandelte Patienten oder Kunden je Sitzung, Überstundenminuten, Wartezeit in der Praxis, Anrufe je verhindertem No-Show, Kalibrierung (Brier-Score) sowie Unterschiede zwischen Untergruppen bei der Betroffenheit von Überbuchung und Wartezeit.

Menschen & Veränderung

Binden Sie zuerst die Geschäftsführung und die Bereichsleitung (Praxismanagement oder Leitung des Dienstes) ein: Überbuchung verändert, wie Kunden behandelt werden, und über Fairness müssen Menschen entscheiden. Das Empfangspersonal sind die täglichen Nutzer und wissen, warum Menschen Termine versäumen; holen Sie es schon beim Entwurf ins Boot. Die IT bindet das Buchungssystem an; die Datenschutzbeauftragte bzw. der Datenschutzbeauftragte klärt Rechtsgrundlage, AVV und eine DSFA, die wahrscheinlich nötig ist, weil Termindaten Gesundheitsinformationen offenlegen können (besondere Kategorien von Daten, Art. 9 DSGVO). Kunden müssen in der Datenschutzerklärung informiert werden.

Betriebsrat: kommt darauf an. Wenn das Werkzeug nur das Verhalten von Kunden vorhersagt, wird die Mitbestimmung meist nicht ausgelöst, aber Terminpläne und Auslastungszahlen können Beschäftigte überwachen, und dann gilt § 87 Abs. 1 Nr. 6 BetrVG; § 90 Abs. 1 Nr. 3 verlangt eine rechtzeitige Unterrichtung. Öffentliche Stellen beteiligen den Personalrat.

Starten Sie den Pilot an einem Standort oder mit einer Terminart und vergleichen Sie mit der aktuellen No-Show-Quote. Typische Bedenken sind die ungerechte Behandlung bestimmter Gruppen und die Angst, überbucht zu werden. Begegnen Sie ihnen, indem Sie sensible Merkmale ausschließen, die Überbuchung deckeln, Termine nie allein aufgrund eines Scores verweigern und dem Personal das Übersteuern erlauben. Bieten Sie eine kurze Schulung zur KI-Kompetenz an (KI-Verordnung Art. 4). Siehe GUIDE-004, GUIDE-005 und GUIDE-008.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Bei typischer Nutzung (interne Terminplanungsunterstützung, gezielte Erinnerungen) hat das System minimales Risiko. Pflichten zur KI-Kompetenz gelten (Art. 4), und die Transparenz nach Art. 50 gilt, wenn ein KI-Sprachagent die Anrufe tätigt. Es kann nach Anhang III Nr. 5 Buchst. a hochriskant werden, wenn eine Behörde oder eine in ihrem Auftrag handelnde Stelle den Score nutzt, um den Zugang zu wesentlichen öffentlichen Diensten einschließlich Gesundheitsversorgung zu gewähren, zu kürzen oder zu entziehen. Beispiele sind die Ablehnung von Buchungen oder die Zurückstufung von Patienten auf der Warteliste [8][9]. Kein Verbot nach Art. 5 greift, aber solche Scores dürfen nie zu einem allgemeinen „Zuverlässigkeitsscore" über eine Person werden, der in nicht zusammenhängenden Zusammenhängen verwendet wird, denn das ginge in Richtung Social Scoring.
• MDR: Software für rein administrative Terminplanung ist nach MDCG 2019-11 kein Medizinprodukt [10]. Das gilt nicht mehr, sobald das Werkzeug die klinische Priorisierung beeinflusst.
• DSGVO: Termindaten im Gesundheitswesen offenbaren Gesundheitsinformationen (Art. 9). Die Rechtsgrundlage ist meist Art. 9 Abs. 2 Buchst. h zusammen mit nationalem Gesundheitsrecht. Weitere Schritte:
• Eine DSFA durchführen.
• Daten minimieren: keine Diagnosen, keine ethnische Herkunft, und jedes sozioökonomische Stellvertretermerkmal begründen.
• Art. 22 gilt, wenn Entscheidungen mit erheblicher Wirkung (abgelehnte Buchungen, Gebühren) vollständig automatisiert sind. Eine menschliche Entscheidung beibehalten.
• Patienten und Kunden informieren, dass Erinnerungen risikobasiert erfolgen.
• Verbraucher- und Vertragsrecht (KMU): Ausfallgebühren und Anzahlungen brauchen vorab klare Bedingungen. Für deutsche Arztpraxen ist die Erhebung von Gebühren für versäumte Termine rechtlich umstritten.
• Gegenmaßnahmen:
• Den Score nur für unterstützende Maßnahmen (Hilfe, den Termin wahrzunehmen) statt für strafende nutzen.
• Fairness-Nebenbedingungen bei der Überbuchung anwenden [7].
• Eine Holdout-Gruppe führen, um die wahre Wirkung zu messen.
• Nach jeder Prozessänderung neu kalibrieren.

Erste Schritte

1. Extrahieren Sie 12–24 Monate Terminhistorie mit Ergebnissen (wahrgenommen, DNA, kurzfristig abgesagt). Messen Sie die Basis-DNA-Quote je Leistung, Wochentag und Vorlaufzeit.
2. Beheben Sie zuerst die günstigen Stellschrauben: eine Erinnerungsfolge (z. B. das von Mid and South Essex berichtete Muster 14 Tage + 4 Tage), einfache Online-Absage/-Umbuchung und eine Warteliste zum Nachrücken.
3. Trainieren Sie ein kalibriertes LightGBM-/logistisches Modell. Validieren Sie es auf einem späteren Zeitraum und prüfen Sie Kalibrierung und Fehler je Untergruppe.
4. Pilotieren Sie eine Maßnahme (gezielte Anrufe oder Angebote zum Termintausch) für Stufen mit hohem Risiko gegen einen randomisierten Holdout. Fügen Sie Überbuchung erst hinzu, wenn die Kalibrierung nachgewiesen ist.
5. Führen Sie eine DSFA und eine Fairness-Prüfung durch, richten Sie die Überwachung ein und erweitern Sie Leistung für Leistung.

Quellen

1. Nelson A. et al. (2019): Predicting scheduled hospital attendance with artificial intelligence, npj Digital Medicine (UCLH MRI) — https://pmc.ncbi.nlm.nih.gov/articles/PMC6550247/
2. pharmaphorum (2024): NHS will expand use of waiting-list-busting AI after pilot (Mid and South Essex / Deep Medical results; NHS cost of missed appointments) — https://pharmaphorum.com/news/nhs-will-expand-use-waiting-list-busting-ai-after-pilot ; NHS England announcement — https://www.england.nhs.uk/2024/03/nhs-ai-expansion-to-help-tackle-missed-appointments-and-improve-waiting-times/
3. NHS Innovation Accelerator — Deep Medical profile — https://nhsaccelerator.com/innovations/deep-medical/
4. HTN (2023): Mid and South Essex pilots prediction tech to reduce did-not-attend rate — https://htn.co.uk/2023/02/27/mid-and-south-essex-pilots-prediction-tech-to-reduce-did-not-attend-rate/
5. Carreras-García D. et al. (2020): Patient No-Show Prediction: A Systematic Literature Review, Entropy 22(6):675 — https://pmc.ncbi.nlm.nih.gov/articles/PMC7517206/
6. Prior Labs — TabPFN repository (models, size limits, licences) — https://github.com/PriorLabs/TabPFN
7. Samorani M. et al.: Overbooked and Overlooked: Machine Learning and Racial Bias in Medical Appointment Scheduling, Manufacturing & Service Operations Management — https://doi.org/10.1287/msom.2021.0999
8. EU AI Act, Annex III (high-risk use cases) — https://artificialintelligenceact.eu/annex/3/
9. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
10. MDCG 2019-11: Guidance on qualification and classification of software under MDR/IVDR — https://health.ec.europa.eu/system/files/2020-09/md_mdcg_2019_11_guidance_qualification_classification_software_en_0.pdf