在线咨询中基于兼容性和能力感知的医患匹配实验框架

摘要

该方案为在线医疗咨询平台的医患匹配提供了一个可扩展的实验框架。通过将以患者为中心的临床兼容性和医生服务能力整合为混合评分模型，该方法优化匹配准确性，缩短患者等待时间，确保医生工作负担的均衡分配。

摘要

大规模在线医疗咨询平台需要有效的算法辅助医患匹配，以平衡以患者为中心的契合度和运营效率。现有方法通常独立优化临床兼容性或医生能力，导致等待时间延长和工作量不均。该协议提供了一个可扩展的实验框架，将兼容性和容量共同纳入混合匹配评分。该方法利用包含240名医生、3600条患者请求和9785对候选对的模拟数据集，量化兼容性（如专科对齐、模式匹配）和容量（如负荷比、估计等待时间）。该框架通过混合评分评估候选配对，并将性能与基于规则、仅兼容性和仅容量的基准策略在12个评估层面中进行比较。代表性结果表明，混合框架实现了更优越的匹配质量，包括在秩1的平均精度为0.740，F1分数为0.714。此外，运转效率高，容量填充率为0.825，平均预计等待时间为5.52小时。通过最大化平均患者满意度（4.43/5.00）和最小化负载不平衡（0.195），该框架提供了一种实用的智能会诊路由和平台管理协议。

引言

在线医疗咨询已成为日益重要的医疗服务方式，使医疗服务的可及性超越了传统的面对面。在中国，互联网远程医疗的扩展得益于政策制定、市场增长以及与更广泛医疗体系的深度整合，使数字咨询成为医疗机构^中日益重要的组成部分。来自互联网医院的大规模证据进一步表明，在线咨询服务现已以相当规模运作，成为常规服务提供的重要组成部分，而非边缘^补充。与此同时，异步远程医疗通过允许灵活的互动模式拓宽了远程护理的范围，提升了可及性，同时也增加了数字^{咨询平台的}运营复杂性4。

随着这些平台的扩展，其性能不能仅凭技术可用性来评判。患者体验和服务质量已成为数字^{护理交付的核心}成果5.最新研究表明，在线咨询系统的使用与患者体验的可测量差异相关，尤其是在可及性、便利性和预^{约流程方面}6.然而，数字化会诊也带来了额外的医生工作量，包括信息处理和常规临床时间外的工作，使得容量管理成为核心运营关注^点7。这一挑战因医生需求分布不均而加剧，因为可见的服务线索如评价、评分及其他资料信息可能将患者流量引导至少数高曝光医生^8。因此，在线咨询平台上的医患分配不仅仅是患者一侧的搜索问题，医生在面对异^{质咨询请求}时也可能表现出选择性回应偏好。

从患者的角度来看，在线咨询的选择本质上是多维度的。用户在选择护理选项时，同时权衡等待时间、医生资质、医院级别、服务模式和咨询费用。¹⁰。与这种复杂性一致，一项近期系统综述得出结论，在线医疗咨询平台需要能够减少信息过载、更好地将患者需求与医生资源对齐的推荐机制¹¹。因此，方法学研究开始引入结构化匹配方法，包括在不完全信息下动态稳定匹配，以改善在线咨询环境中的医患分配¹²。更近期的建议研究进一步强调，医患匹配应提升分配效率，同时减少对顶级医院高曝光医生过度集中的需求¹³。混合方法证据显示远程医疗偏好存在显著异质性，表明一刀切的分配逻辑在^{平台规模14}下不太可能足够。尽管有这些进展，现有文献往往将兼容性相关因素和医生容量限制视为独立问题，尽管在线咨询平台必须同时管理关系匹配度和服务可吸收性¹¹。

为弥补这一差距，该方法旨在建立一个可扩展的实验框架，用于在大规模在线医疗咨询平台上实现兼容和能力意识的医患匹配。该技术的理由是，单靠单一优化临床偏好或医生服务能力，会导致等待时间延长、医生工作量不均以及咨询体验不佳。这种混合策略相较于基于规则或单一目标分配技术的主要优势在于能够共同建模患者需求、医生特性和动态服务约束，从而保持工作负荷平衡和高患者满意^度。通过详细阐述混合匹配评分和基于折叠的评估过程，该协议为智能咨询路由提供了实用基础。读者可以利用该方法论框架判断双重感知匹配逻辑是否适合优化其特定数字健康应用中的分诊、资源分配和工作流程管理。

方案

该协议中使用的评估数据集是从聚合的去标识化操作分布计算模拟而成，且不包含实际或可识别的人类参与者数据。因此，宁波科技大学机构审查委员会（IRB）认定该研究免于全面伦理审查（豁免编号）NT9918276）。

1. 数据准备与队列定义

1. 建立包含240名活跃在线医生的医生库，涵盖八个咨询专科：内科、心脏病学、神经科、皮肤科、儿科、妇科、骨科和精神科。
2. 为每条医生记录提取并定义以下变量：专科、性别、专业头衔（住院医师、主治医师、副主任或主任）、医院等级（初级、二级或三级）、执业年限、在线咨询经验年限、咨询费用、名义每日咨询容量、当前日工作量、历史评分、平均首次回复时间、历史接受率、后续服务率及支持咨询模式（文本， 文字加语音，或文字加语音加视频）。
3. 建立包含3600个咨询请求的患者请求池。
   注意：为了解评估的时间维度，该评估池校准为连续30天运营期，涵盖标准工作日和周末。该时间框架旨在捕捉患者需求的常规周期变化，同时明确排除极端非典型时期（如重大国定假日或疫情高峰），以建立一个稳定、稳态的算法性能评估基线。
4. 为每个患者请求提取并定义以下变量：年龄、性别、目标专科、严重程度等级（低、中度或高）、紧急程度（常规、紧急或优先）、预算上限、首选医生性别（男性、女性或无偏好）、首选咨询方式（短信、语音或视频）、既往平台访问次数、数字参与度、共病数量、城市层级及首选联系时间。
5. 清理数据集时，排除任何在专科、咨询费、日容量、当前负载、平均首次回复时间、严重程度、紧急程度、预算上限、首选咨询方式或首选医生性别等缺失值的记录。确保所有保留的记录都完整，然后再进行配对生成。

2. 候选配对生成

1. 使用专科优先检索规则生成候选医患配对。针对每个患者的请求，首先找到与患者目标专科相符的医生。
2. 只有当初始目标专科中仍有剩余会诊容量的活跃医生少于两名时，才可将检索窗口扩大到当天平台上仍活跃的高频相邻专科。
   注意：在本方案中，“邻接性”结构性由已建立的临床交叉转诊模式及解剖学或症状重叠定义（例如，将患者从心脏病科转诊至普通内科），而“高频”则专门指在平台历史每日咨询请求量中排名前四分位（前25%）的专科。
3. 将每位患者与两到四名候选医生联系起来，目标是每个请求获得约2.72名候选人的平均经验。建立包含9,785对的最终候选对层。整体研究流程见图1。

3. 两对变量操作化

1. 在基准测试前，定义所有用于评分构建的两两变量。请参阅 表1 ，了解预先规定的定义、阈值和得分映射。
2. 当医生专科与患者目标专科相同时，代码专科匹配为1，其他则为0。
3. 当医生支持的模式完全覆盖患者偏好模式时，编码模式拟合（M）为1，否则为0。
4. 编码性别偏好匹配（G）为1，当患者选择无偏好或医生的性别符合所声明的偏好时，则为0。
5. 代码可负担性拟合（A）为1，当医生费用低于或等于患者的预算上限时;费用超过预算不超过20%时为0.5;费用超过预算20%时为0。
6. 根据观察到的医生水平范围（最低4.10，最高4.98）对医生历史评分进行归一化。使用以下公式计算归一化质量得分（Q）：
   (1)
   截断后将低于4.10的值设置为0，将4.98以上的值设为1。
7. 根据患者紧急程度和医生的平均首次回复时间定义紧急响应拟合（U），如 表1所示。
8. 通过将当前日负载除以名义日容量来计算医生负荷比。通过从名义日运力中减去当前日负载，计算剩余的当天时段。
9. 使用以下公式计算预计等待时间（小时）：
   
   这一构造作为一种启发式估计，灵感来自基本排队理论的原则，即医生的基线平均首次回复时间会因其实时使用率（当前日负载/日容量）而受到惩罚。
   注意：紧急度调整系数设置为优先级请求 0.80，紧急请求 0.90，例行请求 1.00。这些调整因子作为预设的操作权重实现，以强制执行严重情况下的优先路由，而非经验推导系数。

4. 配对分数的构建

1. 如 图2所示，使用兼容性模块和容量模块构建匹配框架。
2. 计算以患者为中心匹配因子的加权线性组合的相容性分数：
   (3)
3. 计算容量得分，分别是负载比得分（L）、剩余槽得分（R）和等待时间得分（W）。根据 表1定义的阈值，分配 、 和 的类别分数。计算容量评分如下：
   (4)
4. 通过整合兼容性和容量成分计算最终混合评分：
   (5)
5. 在评估前确定0.60–0.40的权重方案。
   注意：此预定比例基于医疗服务的基本原则。临床适宜性和以患者为中心的契合必须作为确保医疗安全的主要路由标准，同时对严重容量限制施加较大的数学惩罚，这与既有的分诊文献中优先考虑临床适用性而非运营吞吐量的观点相符。
6. 检查结果后不要调整这些砝码，以防止过拟合并确保可重复性。
   注意：采用该协议的研究人员强烈建议进行全面的敏感性分析，或采用客观的多标准决策技术（如分析层级过程（AHP）或熵加权），以根据平台的具体操作负载调整框架。

5. 比赛选择与策略基准测试

1. 对12个重复评估折叠进行基准测试。每折叠，从完整患者池中抽取300个患者请求且不替代。
   注意：这种简单的随机抽样方法有意用于模拟实时在线咨询平台特有的患者到达流的随机性和不可预测性，而不是对输入需求施加人为结构性平衡。
2. 保留与这些抽样请求关联的所有候选对，均位于相应折叠内。
3. 在同一叠特定候选对层上独立对四种不同的配置策略进行基准测试：
   1. 基于规则的基线，先按具体专业匹配排序候选人，再按较低咨询费，最后按更高的历史评分排序。
   2. 仅采用兼容性策略，选择兼容性评分最高的候选人。
   3. 对于仅限容量策略，选择容量评分最高的候选人。
   4. 混合策略中，选择混合得分最高的候选人。
4. 选择每位患者请求中，最终匹配的策略专项得分最高的候选医生。
5. 通过选择预计等待时间较低的候选人，其次是兼容性评分较高的候选人，最后选择历史评分更高的候选人，解决任何平局（分数相同至小数点后三位）。

6. 结果计算

1. 计算主要结果：1级准确率、回忆和F1评分。
2. 在基准测试前，使用基于实证基线数据集的概率分布，为所有9,785对候选对分配了实地真实结果。
   注意：使用全标记的合成环境，以实现所有候选对的精度和回忆计算。如果会诊完成，患者满意度达到5分制中的4.0，且不因不满意或不匹配而需14天复诊，则为成功匹配。
3. 计算秩1的精度为符合成功比赛标准的最终比赛比例。
4. 计算回忆率为策略正确选择的折叠内所有成功候选对的比例。从步骤6.2建立的全标记合成环境中推导出未被选定候选对的结果。
5. 确保回忆指标准确反映算法识别模拟候选人池中所有理论上可行匹配的能力。
6. 请使用以下公式计算F1分数：
   (6)
7. 计算次要结局：容量填充率、平均预计等待时间、平均患者满意度、会诊完成率、7天随访率及报告改善率。
8. 计算负荷不平衡指数，以评估医生工作负荷分布在各折叠内的不均匀性：
   (7)
9. 将12折特定估计值平均，以获得策略层级的汇总值，使用原始分数赋值。
10. 在选定最终匹配子集内进行多变量逻辑回归分析，以识别与成功匹配独立相关的配对层级因素。
11. 根据理论相关性，包含以下预先指定的自变量：兼容性评分、容量评分、预计等待时间、负担能力匹配、专科匹配、性别偏好匹配、严重程度和紧急程度。
12. 采用强制输入变量选择策略，而非逐步方法，以保持模型的理论结构。
13. 使用方差膨胀因子（VIF）评估多重共线性。在最终模型估计前，确认所有VIF值均低于5.0。
14. 将统计显著性定义为双尾 p < 0.05，并以调整后的比值比（aRs）及相应的95%置信区间（CI）报告结果。

结果

医生池和患者请求池的基线特征

模拟分析数据集包含240名医生和3600条患者会诊请求。匹配系统双方的基线特征总结见 表2，平台侧分布模式见 图3。

在240名医生中，有128人（53.3%）为女性。该队列的平均临床经验为9.34年，平均会诊费为68.08美元，平均名义日会诊容量为18.52次，平均历史服务评分为4.63，平均首次回复时间为5.47小时。内科为最大专科（19.2%），其次为骨科（15.0%）和神经学（13.3%）。在咨询模式方面，41.7%的医生支持文本加语音，37.1%支持纯文本，21.3%支持全文、语音和视频咨询。

在3600个患者请求中，53.1%由女性患者提交。平均年龄为36.49岁，平均预算上限为47.30美元。内科是最常见的目标专科（20.0%），其次是神经学（13.8%）和心脏病学（13.0%）。请求按严重程度（45.7%中度，34.2%低，20.1%高）和紧急程度（39.1%优先级，35.9%例行，25.0%紧急）分类。文本咨询是最常见的偏好（45.1%），78.7%的患者报告无医生性别偏好。这些分布综合显示平台运行在异构咨询环境中，验证了匹配系统内评估兼容性和容量限制的必要性。

候选对结构与评分分离

在专科优先检索和受限候选人扩展后，产生了9,785对候选医患配对（见表3， 图4）。在完整的候选配对层中，3,085对被选为最终配对，6,700对未被选中。被选中的配对表现出更高的精确专业匹配比例（99.2%对95.3%），性别偏好匹配略高于未被选中的配对（90.2%对89.0%）。

更重要的是，主要的成对差异集中在操作和复合评分变量上。选定的配对显示出更高的平均相容性得分（0.853对0.829），平均能力得分也更高（0.395对0.381）。因此，选定配对的平均混合分为0.707，而非选定配对为0.686。部分选定的对对在操作上也更为有利，平均医生负荷比较低（0.628对0.642），当天可用时间更多（6.99对6.65），预计等待时间更短（12.46小时对12.79小时）。

在3,085对选定的配对中，完成了2,584次咨询（完成率83.8%）。患者平均满意度为4.29分（满分5分）。将成功匹配定义为咨询完成、患者满意度4.0且无14天复访，1644对选定对符合该标准（成功率53.3%）。这些结果表明，最终选择是由更高兼容性、更低负载压力和更优等待时间条件的交叉驱动，这与预先设定的协议逻辑一致。

与最终匹配成功相关的配对层面因素

在选中匹配子集内进行了多变量逻辑回归，以识别与成功匹配相关的特征（见表4， 图5）。兼容性评分与成功匹配呈正相关（调整比值比[aOR] = 11.99;95% CI，1.81–79.46;P = 0.010），容量评分也同样如此（aOR = 2.08;95% CI，1.22–3.55;P = 0.007）。相反，较长的预估等待时间降低成功匹配的概率（aOR = 每小时0.953;95%置信区间，0.934–0.972;P < 0.001）。负担能力也依然显著（aOR = 1.33;95% CI，1.12–1.57;P = 0.001）。专科匹配、性别偏好匹配、优先级地位和高严重度均未保持独立显著性。这表明匹配成功更多依赖于兼容性强度和可吸收能力的综合，而非单一表面特征。

配置策略的基准与稳健性

12个评估层面的比较基准分析总结见 表5、 表6和 图6。所提出的混合策略获得了最有利的整体形象。它在排名1（0.740）、召回率（0.691）和F1得分（0.714）均获得最高平均精度，优于基于规则的基线、仅兼容性策略和仅容量策略。

在运营上，混合策略实现了最高的容量填充率（0.825）和最短的平均等待时间（5.52小时）。患者中心的绩效也得到了优化，混合方法带来了最高的平均患者满意度（4.43）和最低的负荷不平衡指数（0.195），表明医生的工作负荷分布高度均匀。亚组分析（见表7， 图6）证实，这一稳定的绩效模式在不同紧急程度层级和医院层级中均得以维持，证明该框架即使在高度受容量限制的环境中也具有稳健性。

图1：整体研究工作流程。 （A） 医生池和患者请求池的构建。（B）专科优先候选人检索流程，若在请求专科中剩余能力的现役医生不足两名，则可有限扩展。（C） 生成候选医生-患者配对并推导成对变量。（D） 构建兼容性评分、容量评分和混合评分。（E）最终医生选择、基于折叠的四种分配策略基准分析，以及绩效结果的计算。 请点击此处查看该图的放大版本。

图2：兼容性与能力感知匹配框架的架构。 （A） 兼容性模块，包括专科对齐、咨询模式匹配、性别偏好匹配、负担能力匹配、医生历史评分和急诊-响应匹配。（B） 容量模块，包括医生负荷比、剩余当天时段及预计等待时间。（C）用于匹配度和容量评分的分数归一化和加权分数汇总。（D）将两个模块整合进最终混合评分。（E）最终排名和平局规则，用于确定所选医患匹配。 请点击此处查看该图的放大版本。

图3：分析数据集中医生和患者特征的基线分布模式。 （A） 医生人才库的专业分布。（B）医生的专业头衔及医院层级分布。（C）患者会诊请求的专科分发。（D）患者请求的严重性和紧急度分布。（E）患者请求中偏好的咨询方式和偏好医生性别的分配。注意：图中所有数据分布均直接来源于最终分析数据集（n = 240名医生;n = 3600名患者请求），并与表2中汇总统计完全一致。 请点击此处查看该图的放大版本。

图4：配对层级得分分布及选中与未选拔候选匹配的分离。 （A） 选中与未选中配对的匹配度分布。（B）选定与非选定对的容量分数分布。（C）选定与非选定配对中混合评分的分布。（D） 按选拔状态估计等待时间（小时计）。（E） 相容性评分和容量评分的联合分布，选中和未选中配对分别显示。 请点击此处查看该图的放大版本。

图5：对选定配对最终匹配成功相关因素的多变量分析。 （A） 调整后的比值比森林图，涵盖兼容性评分、容量得分、估计等待时间（小时）、负担能力匹配、专业匹配、性别偏好匹配、严重程度和紧急程度。（B） 在观察到的相容性分数范围内成功匹配的边际概率。（C）在观测到的容量评分范围内成功匹配的边际概率。（D）估计等待时间（小时）与成功匹配概率之间的反相关。 请点击此处查看该图的放大版本。

图6：四种医患匹配策略及混合框架子组表现的比较基准。 （A） 四种策略中，准确度为1、回忆和F1分数。（B）容量填充率、平均预计等待时间及四种策略的平均患者满意度。（C）四种策略的负荷不平衡指数。（D） 混合策略在12次重复评估折叠中的叠层表现范围。（E）混合策略子组绩效热力图。注：图中所有数值均已与表5中报告的对应结果交叉验证，以确保绝对一致性。 请点击此处查看该图的放大版本。

表1：匹配框架的操作定义、阈值及评分规则。 缩写：SD = 标准差。请点击此处下载此表格。

表2：医生池和患者请求池的基线特征。 分析数据集的部分、特征及匹配前的比较基础统计。请点击此处下载此表格。

表3：选中与未选定匹配的配对层级比较。 本表汇总了成对变量和描述性统计，详细说明最终被选中匹配者与未被选中候选人之间的结构性差异。请点击此处下载此表格。

表4：多变量逻辑回归分析与选定配对成功最终匹配相关因素。 模型信息：因变量=选定对中最终匹配成功。成功匹配定义为会诊完成，患者满意度4.0/5.0，且不因不满或不匹配而需14天复访。请点击此处下载此表格。

表5：四种匹配策略的表现比较。 12次重复折叠中的策略级比较基准总结。请点击此处下载此表格。

表6：混合策略的稳定性与折叠级变异性。 混合策略在12个重复评估折叠中的叠层表现范围总结。请点击此处下载此表格。

表7：混合策略的子组表现。 基于紧急程度和医院层级的混合策略详细子组表现。请点击此处下载此表格。

讨论

本方案展示了在大规模在线医疗咨询环境中，基于兼容性和容量意识的医患匹配框架。混合策略在匹配准确性、等待时间、容量利用率、患者满意度和工作量分布方面实现了最均衡的整体表现。这一结果至关重要，因为数字会诊不仅扩大了可及性，还将临床工作转移到非工作时间，增加了分配逻辑忽视服务可吸收性时隐藏的工作量。最新证据显示，数字需求增加与医生在非预定时间工作时间的增加相关，进一步强调了将容量约束纳入匹配系统而非仅视为次要运营变量的实际重要^性。此外，当需求分布不均时，仅靠兼容性是不充分的。在互联网医院中，患者的选择深受可见医生特征的影响，结构性地推动需求集中在高曝光度或更高地位的医生身上。这一动态解释了为何该协议中仅兼容策略保持了相对强的匹配质量，但在等待时间和^{负载均衡方面}表现不佳。

在我们的评估中，成功匹配的二元分类作为过滤失败临床就诊的严格门槛，而平均患者满意度评分则使我们能够评估用户感知质量在不同匹配策略中的细致分布。此外，为解决潜在循环性问题，本研究的次级性能结果独立于二元状态进行评估，提供了更广泛的框架对平台服务质量影响的评估，而不仅仅是验证其自身的分类标准。混合策略下观察到的较高患者满意度与更广泛的远程医疗文献相符，进一步证明满意度与分配质量密切相关，而不仅仅是数字访问。近期研究指出，专业的治疗规划、准确理解患者关切、全面回复以及避免模板化回答是用户满意度的关键驱动力。因此，最优匹配系统必须引导患者找到能够在可接受时间窗口内响应并提供个性化互动模式的医生^16,17。这一动态也凸显了我们将每个请求限制为两到四名医生的运营理由（平均2.72）。这一具体阈值经过实证校准，旨在在维护患者自主权与防止“选择过载”之间取得最佳平衡——这是数字健康选择架构中已知的认知瓶颈，会延迟决策并降低用户体验。从实施角度看，这种匹配模型应嵌入更广泛的服务工作流程中。关键是，虽然当前实验方案采用静态、基于折叠的批处理分配来评估该框架，但其底层算法逻辑本质上可适应连续时间动态场景。由于容量变量——如当前日工作量和剩余当天时段——设计为迭代更新，混合评分可以实时高效重新计算，以适应连续的患者到达和医生可用性的波动。研究表明，培训、对技术的熟悉度、沟通质量和工作量是关键的实施因素，利益相关者建议采取具体机制以减轻医生负担。因此，虽然混合框架提升了分配性能，但其实际效能高度依赖于支持性的工作流程设计、平台治理和运营支持^18,19。

这些结果代表了平台路由的优化，而非虚拟咨询能够取代所有护理形式的证据。虽然虚拟咨询提高了效率，但关于安全性和公平性的证据仍不一;因此，该框架最好被理解为前端分配工具，而非临床分诊或转诊路径的^替代品。当前协议存在若干限制。首先，虽然评估数据集使用严格反映现实操作条件的变量和分布模式构建，但它本质上仍是一个模拟队列，设计用于受控平台评估。我们承认缺乏补充的独立真实世界数据集限制了当前发现的外部效度。为了有力确立所提混合匹配方法的普遍性，未来研究必须优先验证该实验框架，利用跨越多种数字医疗平台的大规模真实世界咨询日志和更长的纵向时间框架。评估模型在极端时间需求冲击下的韧性和动态路由能力——如流感高峰期或公共卫生紧急情况——依然至关重要。其次，结果强调会诊完成和患者满意度，排除了临床医生裁定的诊断适当性或纵向健康结果。第三，基于折叠的评估依赖于简单的随机抽样，而非k折交叉验证或分层抽样。虽然这反映了自然患者流动的波动性，但有时可能会影响特定少数族裔子群体的统一代表性。未来的算法评估应结合按严重程度、紧急程度和医院层级分层抽样，以确保所有患者亚群体的一致性。第四，该协议推导出的预计等待时间作为结构性代理，而非严格校准的预测模型。由于缺乏连续的真实时间戳日志，我们无法进行严格的相关分析或与实际临床等待时间的校准误差。未来的研究应利用大规模的实证操作日志来验证和微调这些启发式等待时间参数。第五，结合兼容性和容量的权重方案是通过启发式预先设定的，而非通过客观数学建模推导。虽然这种固定的先验方法防止了事后数据拟合，但缺乏像AHP或熵加权等客观加权方法那样的严谨性。该框架的未来迭代应纳入这些客观的多标准决策方法，以动态确定最佳权重比。最后，该框架在一对一分配层面运行，并在静态批次分配条件下进行评估，未模拟团队协商或持续动态重新优先级调整（例如处理突发需求激增或实时排班取消）。未来研究应将该框架扩展为完全动态的排队模拟，并将匹配算法从初始医生选择扩展到通信感知路由和匹配^{后交互支持}。

总体而言，该方案成功地将医患匹配范式从单一目标逻辑中摒弃。在大型在线平台上，有效分配必须共同考虑临床服务契合度和医生在当前工作量条件下的操作可吸收性，同时不影响及时性或患者体验。与基于规则、仅兼容性和仅容量的策略相比，兼容和容量感知的混合框架在匹配精度、回忆、F1分数、等待时间、容量填充率和工作负载分布方面实现了更优越的整体平衡。通过将医患匹配既非纯粹基于偏好的推荐任务，也非以吞吐量驱动的排班问题，这种方法为智能会诊路由、平台资源协调及未来数字医疗服务优化提供了高度实用且可扩展的基础。

材料

本文使用的材料清单

姓名	公司	目录编号	评论
候选医患配对	研究生成	N/A	配对变量推导和匹配选择（9,785 候选配对）
IBM SPSS Statistics	IBM Corp.	https://www.ibm.com/products/spss-statistics	统计分析（版本 27）
Microsoft Excel	Microsoft Corporation	https://www.microsoft.com/microsoft-365/excel	数据管理和描述性总结（版本 2021）
患者请求记录	研究生成	N/A	基线患者端特征和偏好参数（3,600 咨询请求）
医生记录	研究生成	N/A	基线医生端特征和容量参数（240 名在职医生）
Python	Python 软件基金会	https://www.python.org	模拟、分数构建和基准测试（版本 3.11）