Ein experimentelles Rahmenwerk für kompatibilitäts- und kapazitätsbewusste Arzt-Patienten-Vermittlung bei Online-Konsultationen

Zusammenfassung

Dieses Protokoll bietet einen skalierbaren, experimentellen Rahmen für die Zuordnung von Arzt zu Patienten in Online-Beratungsplattformen für medizinische Konsultationen. Durch die gemeinsame Integration patientenzentrierter klinischer Kompatibilität und ärztlicher Leistungskapazität in ein hybrides Bewertungsmodell optimiert diese Methode die Genauigkeit der Anpassung, minimiert die Wartezeiten der Patienten und gewährleistet eine ausgewogene Verteilung der Arbeitsbelastung der Ärzte.

Zusammenfassung

Großflächige Online-Plattformen für medizinische Konsultationen erfordern effektive, algorithmusunterstützte Arzt-Patienten-Matching, um patientenzentrierte Passung und operative Effizienz auszugleichen. Bestehende Ansätze optimieren oft entweder die klinische Kompatibilität oder die Kapazität der Ärzte unabhängig voneinander, was zu längeren Wartezeiten und ungleichmäßiger Arbeitsbelastung führt. Dieses Protokoll bietet einen skalierbaren experimentellen Rahmen, um Kompatibilität und Kapazität gemeinsam in einen hybriden Matching-Wert zu integrieren. Mit einem simulierten Datensatz aus 240 Ärzten, 3.600 Patientenanfragen und 9.785 Kandidatenpaaren quantifiziert die Methode Kompatibilität (z. B. Fachrichtung, Modalanpassung) und Kapazität (z. B. Lastverhältnis, geschätzte Wartezeit). Das Framework bewertet Kandidatenpaare anhand eines Hybrid-Scores und vergleicht die Leistung mit regelbasierten, nur kompatibilitäts- und kapazitätsbasierten Benchmark-Strategien über 12 Bewertungsgruppen hinweg. Repräsentative Ergebnisse zeigen, dass das Hybrid-Framework eine überlegene Matching-Qualität erreicht, einschließlich einer mittleren Genauigkeit bei Rang 1 von 0,740 und einem F1-Wert von 0,714. Darüber hinaus erzielt sie eine hohe Betriebseffizienz mit einer Kapazitätsbefüllungsrate von 0,825 und einer kurzen geschätzten Wartezeit von 5,52 Stunden. Durch die Maximierung der mittleren Patientenzufriedenheit (4,43/5,00) und die Minimierung des Lastungleichgewichts (0,195) bietet dieses Rahmenwerk ein praktisches Protokoll für intelligentes Konsultationsrouting und Plattformmanagement.

Einleitung

Online-medizinische Beratung ist zu einer zunehmend wichtigen Form der Gesundheitsversorgung geworden, die den Zugang zu medizinischen Leistungen über konventionelle persönliche Begegnungen hinaus^erweitert. In China wurde die Ausweitung der Internet-Telemedizin durch politische Entwicklung, Marktwachstum und eine tiefere Integration mit dem breiteren Gesundheitssystem verstärkt, wodurch digitale Beratung zu einem immer wichtigeren Bestandteil der Gesundheitsorganisation^wird. Umfangreiche Erkenntnisse aus Internetkrankenhäusern deuten zudem darauf hin, dass Online-Beratungsdienste nun in erheblichem Umfang betrieben werden und als sinnvoller Bestandteil der routinemäßigen Dienstleistungsbereitstellung fungieren und nicht nur als marginale Ergänzung³. Gleichzeitig hat asynchrone Telemedizin den Umfang der Fernversorgung erweitert, indem sie flexible Interaktionsmuster ermöglicht, die Zugänglichkeit verbessert und gleichzeitig die operative Komplexität digitaler Konsultationsplattformen erhöht⁴.

Mit der Ausweitung dieser Plattformen kann ihre Leistung nicht mehr allein anhand der technischen Verfügbarkeit beurteilt werden. Patientenerfahrung und Servicequalität sind zu zentralen Ergebnissen der digitalen Versorgung^geworden. Neuere Forschungen haben gezeigt, dass die Nutzung von Online-Konsultationssystemen mit messbaren Unterschieden in der Patientenerfahrung verbunden ist, insbesondere hinsichtlich Zugang, Bequemlichkeit und Terminabläufen⁶. Allerdings bringt die digitale Beratung auch zusätzliche Arztarbeit mit sich, einschließlich der Nachrichtenbearbeitung und der Arbeit außerhalb der regulären klinischen Stunden, was das Kapazitätsmanagement zu einem zentralen operativen Anliegen macht⁷. Diese Herausforderung wird durch die ungleichmäßige Verteilung der Nachfrage zwischen Ärzten noch verstärkt, da sichtbare Leistungshinweise wie Bewertungen, Bewertungen und andere Profilinformationen den Patientenverkehr auf eine begrenzte Teilmenge sehr sichtbarer Ärzte lenken^{können 8}. Die Zuweisung von Arzt und Patient auf Online-Konsultationsplattformen ist daher nicht nur ein Patientensuchproblem, da Ärzte bei heterogenen Konsultationsanfragen auch selektive Reaktionspräferenzen zeigen^{können 9}.

Aus Sicht des Patienten ist die Wahl der Online-Beratung von Natur aus multidimensional. Nutzer wägen gleichzeitig Wartezeit, Arztqualifikationen, Krankenhausniveau, Leistungsart und Konsultationskosten bei der Wahl^{der Versorgungsoptionen 10} ab. Im Einklang mit dieser Komplexität kam eine kürzlich durchgeführte systematische Übersichtsarbeit zu dem Schluss, dass Online-Beratungsplattformen Empfehlungsmechanismen benötigen, die Informationsüberflutung reduzieren und die Bedürfnisse der Patienten besser an die Ressourcen der Ärzte abstimmen¹¹. Methodische Studien haben daher begonnen, strukturierte Matching-Ansätze einzuführen, einschließlich dynamischer stabiler Übereinstimmung unter unvollständigen Informationen, um die Zuteilung zwischen Arzt und Patient in Online-Konsultationsumgebungen zu verbessern¹². Neuere Empfehlungsforschungen haben zudem betont, dass das Arzt-Patienten-Matching die Zuteilungseffizienz verbessern und gleichzeitig die übermäßige Nachfragekonzentration um hochsichtbare Ärzte aus Top-Krankenhäusern reduzieren^sollte. Evidenz für gemischte Methoden zeigt eine erhebliche Heterogenität bei den Präferenzen für Telemedizin, was darauf hindeutet, dass eine Einheits-Größe-zu-alle-Allokationslogik auf Plattformskala¹⁴ wahrscheinlich nicht ausreichend ist. Trotz dieser Fortschritte behandelt die bestehende Literatur kompatibilitätsbezogene Faktoren und Kapazitätsbeschränkungen der Ärzte meist als getrennte Probleme, obwohl Online-Konsultationsplattformen sowohl relationale Passform als auch Serviceintegrabilität gleichzeitig verwalten^{müssen 11}.

Um diese Lücke zu schließen, zielt diese Methode darauf ab, einen skalierbaren experimentellen Rahmen für Kompatibilitäts- und Kapazitätsbewusstes Arzt-Patienten-Matching auf groß angelegten Online-Konsultationsplattformen zu schaffen. Die Begründung für diese Technik ist, dass die Optimierung der klinischen Präferenz oder der Kapazität des ärztlichen Dienstes isoliert zu längeren Wartezeiten, ungleichmäßiger Arztarbeit und suboptimalen Konsultationserfahrungen führt. Der Hauptvorteil dieser hybriden Strategie gegenüber alternativen, regelbasierten oder Einzelobjektiv-Allokationstechniken ist ihre Fähigkeit, gemeinsam Patientenbedürfnisse, Arztcharakteristika und dynamische Servicebeschränkungen zu modellieren, um Arbeitsbelastungsbalance und hohe Patientenzufriedenheit^{zu gewährleisten 12}. Durch die detaillierte Darstellung der Konstruktion des hybriden Matching-Scores und des fold-basierten Bewertungsprozesses bietet dieses Protokoll eine praktische Grundlage für intelligentes Konsultationsrouting. Leser können diesen methodischen Rahmen nutzen, um festzustellen, ob eine dual-aware Matching-Logik geeignet ist, um Triage, Ressourcenzuweisung und Workflow-Management in ihren spezifischen digitalen Gesundheitsanwendungen zu optimieren.

Protokoll

Der in diesem Protokoll verwendete Evaluationsdatensatz wurde rechnerisch aus aggregierten, de-identifizierten operativen Verteilungen simuliert und enthielt keine tatsächlichen oder identifizierbaren Daten menschlicher Teilnehmer. Folglich wurde die Studie vom Institutional Review Board (IRB) der NingboTech University als von der vollständigen ethischen Überprüfung ausgenommen (Ausnahmenummer NT9918276).

1. Datenvorbereitung und Kohortendefinition

1. Aufbauen Sie den Ärztepool mit 240 aktiven Online-Ärzten in acht Beratungsfachrichtungen: Innere Medizin, Kardiologie, Neurologie, Dermatologie, Pädiatrie, Gynäkologie, Orthopädie und Psychiatrie.
2. Extrahieren und definieren Sie folgende Variablen für jede Arztakte: Fachrichtung, Geschlecht, Berufstitel (Resident, Attending, Associate Chief oder Chief), Krankenhausstufe (Primär, Sekundär oder Tertiär), Berufsjahre, Jahre Online-Konsultationserfahrung, Konsultationsgebühr, nominale tägliche Konsultationskapazität, aktuelle Tagesbelastung, historische Bewertung, mittlere Erstantwortzeit, historische Akzeptanzrate, Nachsorgerate und unterstützter Konsultationsmodus (Text, Text plus Voice oder Text plus Voice plus Video).
3. Richten Sie einen Patientenwunschpool mit 3.600 Konsultationsanfragen ein.
   HINWEIS: Um die zeitliche Dimension der Bewertung zu kontextualisieren, ist dieser Pool so kalibriert, dass er eine durchgehende 30-tägige Betriebszeit repräsentiert, die sowohl Standardwerktage als auch Wochenenden umfasst. Dieser Zeitrahmen ist darauf ausgelegt, routinemäßige zyklische Schwankungen der Patientennachfrage zu erfassen, dabei extrem atypische Perioden (z. B. große nationale Feiertage oder Spitzenepidemien) explizit auszuschließen, um eine stabile, stationäre Basislinie für die algorithmische Leistungsbewertung zu etablieren.
4. Für jede Patientenanfrage werden folgende Variablen extrahiert und definiert: Alter, Geschlecht, Zielfachgebiet, Schweregrad (Niedrig, Mittel oder Hoch), Dringlichkeitsgrad (Routine, Dringlichkeit oder Priorität), Budgetobergrenze, bevorzugtes Geschlecht des Arztes (männlich, weiblich oder keine Präferenz), bevorzugter Konsultationsmodus (Text, Stimme oder Video), vorherige Plattformbesuche, digitales Engagement, Komorbiditätszahl, Stadtstufe und bevorzugter Kontaktzeitraum.
5. Reinigen Sie den Datensatz, indem Sie alle Unterlagen mit fehlenden Werten in Fachrichtung, Konsultationsgebühr, Tageskapazität, aktueller Belastung, mittlerer Erstreaktionszeit, Schweregrad, Dringlichkeit, Budgetobergrenze, bevorzugtem Konsultationsmodus oder bevorzugtem Geschlecht des Arztes ausschließen. Stellen Sie sicher, dass alle aufbewahrten Unterlagen vollständig sind, bevor Sie mit der Paarerzeugung beginnen.

2. Generation von Kandidatenpaaren

1. Erstelle Kandidaten-Arzt-Patienten-Paare mit einer Fachrichtungs-zuerst-Rücknahmeregel. Für jede Patientenanfrage werden die ersten Ärzte ausgewählt, die zur Zielspezialisierung des Patienten passen.
2. Erweitern Sie das Rückruffenster auf benachbarte Hochfrequenz-Fachrichtungen, die am selben Tag auf der Plattform aktiv bleiben, nur wenn weniger als zwei aktive Ärzte mit verbleibender Konsultationskapazität in der ursprünglichen Zielfachrichtung verfügbar sind.
   HINWEIS: In diesem Protokoll wird "Adjazenz" strukturell durch etablierte klinische Überweisungsmuster und anatomische oder symptomatische Überschneidungen definiert (z. B. die Weiterleitung eines Patienten von der Kardiologie zur Allgemeinmedizinischen Inneren Medizin), während "Hochfrequenz" speziell Fachrichtungen bezieht, die im obersten Quartil (Top 25 %) der historischen täglichen Konsultationsanfragen auf der Plattform rangieren.
3. Jeder Patient wird mit zwei bis vier Kandidaten verknüpft, mit dem Ziel, eine empirisch abgeleitete Durchschnittszahl von etwa 2,72 Kandidaten pro Anfrage zu erreichen. Stellen Sie die letzte Kandidatenpaarschicht mit 9.785 Paaren fest. Siehe Abbildung 1 für den gesamten Lernablauf.

3. Operationalisierung paarweiser Variablen

1. Definiere alle paarweisen Variablen, die bei der Score-Erstellung vor dem Benchmarking verwendet werden. Siehe Tabelle 1 für die vorgegebenen Definitionen, Schwellenwerte und Punkteabbildungen.
2. Code Fachrichtungsübereinstimmung (S) als 1, wenn die Fachrichtung des Arztes identisch mit der Zielfachrichtung des Patienten ist, und sonst 0.
3. Der Codemodus passt (M) als 1, wenn der vom Arzt unterstützte Modus den bevorzugten Modus des Patienten vollständig abdeckt, und sonst 0.
4. Code die Geschlechtspräferenzanpassung (G) als 1, wenn der Patient keine Präferenz wählt oder wenn das Geschlecht des Arztes mit der angegebenen Präferenz übereinstimmt, und ansonsten 0.
5. Code Affordability Fit (A) als 1, wenn die Arztgebühr unter oder gleich der Budgetobergrenze des Patienten liegt, 0,5, wenn die Gebühr das Budget um höchstens 20 % übersteigt, und 0, wenn die Gebühr das Budget um mehr als 20 % übersteigt.
6. Normalisieren Sie die ärztliche historische Bewertung anhand des beobachteten Ärztebereichs (Minimum 4,10, Maximum 4,98). Berechnen Sie den normalisierten Qualitätsscore (Q) mit folgender Formel:
   (1)
   Setze Werte nach der Trunkierung unter 4,10 auf 0 und Werte über 4,98 bis 1.
7. Definiere die Dringlichkeit-Antwort-Passung (U) basierend auf der Dringlichkeit des Patienten und der mittleren ersten Antwortzeit des Arztes, wie in Tabelle 1 angegeben.
8. Berechnen Sie das Arzt-Belastungsverhältnis, indem Sie die aktuelle Tageslast durch die nominale Tageskapazität teilen. Berechnen Sie die verbleibenden Samme-Day-Slots, indem Sie die aktuelle Tageslast von der nominalen Tageskapazität abziehen.
9. Berechnen Sie die geschätzte Wartezeit (in Stunden) mit folgender Formel:
   
   Diese Konstruktion dient als heuristische Schätzung, die von grundlegenden Prinzipien der Warteschlangentheorie inspiriert ist, bei der die durchschnittliche Erstreaktionszeit eines Arztes durch seine Echtzeit-Auslastungsrate (Current Daily Load / Daily Capacity) bestraft wird.
   HINWEIS: Der Dringlichkeitsanpassungsfaktor ist auf 0,80 für Prioritätsanfragen, 0,90 für dringende Anfragen und 1,00 für routinemäßige Anfragen gesetzt. Diese Anpassungsfaktoren werden als vorgegebene Betriebsgewichte implementiert, um priorisierte Routing für schwere Fälle durchzusetzen, anstatt empirisch abgeleitete Koeffizienten.

4. Konstruktion von Matching-Scores

1. Bauen Sie das Matching-Framework mit einem Kompatibilitätsmodul und einem Kapazitätsmodul auf, wie in Abbildung 2 beschrieben.
2. Berechnen Sie den Kompatibilitätsscore als gewichtete lineare Kombination der patientenzentrierten Matching-Faktoren:
   (3)
3. Berechnen Sie den Kapazitätswert aus dem Load-Ratio-Score (L), dem Remaining-Slot-Score (R) und dem Wartezeit-Score (W). Weisen Sie die kategorischen Werte für , , und basierend auf den in Tabelle 1 definierten Schwellenwerten zu. Berechnen Sie den Kapazitätswert als:
   (4)
4. Berechnen Sie den endgültigen Hybrid-Score durch Integration der Kompatibilitäts- und Kapazitätskomponenten:
   (5)
5. Fixieren Sie das Gewichtungsschema 0,60–0,40 vor der Bewertung.
   HINWEIS: Dieses vorgegebene Verhältnis wird von einem grundlegenden Prinzip der Gesundheitsdienstleistungen geleitet. Klinische Angemessenheit und patientenzentrierte Passung müssen als primäre Routing-Kriterien dienen, um die medizinische Sicherheit zu gewährleisten, während dennoch eine erhebliche mathematische Strafe für schwere Kapazitätsbeschränkungen verhängt wird, was mit der etablierten Triage-Literatur übereinstimmt, die klinische Eignung über den operativen Durchsatz stellt.
6. Stellen Sie diese Gewichte nach der Ergebnisinspektion nicht ab, um Überanpassungen zu vermeiden und die Reproduzierbarkeit sicherzustellen.
   HINWEIS: Forscher, die dieses Protokoll übernehmen, werden dringend ermutigt, umfassende Sensitivitätsanalysen durchzuführen oder objektive, multikritische Entscheidungsfindungstechniken (z. B. den Analytic Hierarchy Process [AHP] oder Entropiegewichtung) anzuwenden, um das Framework an die spezifische Betriebslast ihrer Plattform anzupassen.

5. Spielauswahl und Strategiebenchmarking

1. Führen Sie Benchmarking über 12 wiederholte Evaluations-Folds durch. Für jede Faltung werden 300 Patientenanfragen ohne Ersatz aus dem gesamten Patientenpool ausgewählt.
   HINWEIS: Dieser einfache Zufallsstichprobe-Ansatz wird bewusst verwendet, um die stochastische, unvorhersehbare Natur der Patientenankunftsströme zu simulieren, die für Echtzeit-Online-Konsultationsplattformen charakteristisch ist, anstatt ein künstliches strukturelles Gleichgewicht bei der eingehenden Nachfrage zu erzeugen.
2. Behalten Sie alle Kandidatenpaare, die mit diesen ausgewählten Anfragen innerhalb des jeweiligen Folds verknüpft sind.
3. Benchmarken Sie vier verschiedene Allokationsstrategien unabhängig voneinander auf derselben fold-spezifischen Kandidatenpaar-Schicht:
   1. Für die regelbasierte Basislinie sollten Kandidaten nach exakter Spezialisierung, dann nach niedrigerer Beratungsgebühr und schließlich nach höherer historischer Bewertung eingestuft werden.
   2. Für eine reine Kompatibilitätsstrategie wählen Sie den Kandidaten mit dem höchsten Kompatibilitätswert aus.
   3. Für eine reine Kapazitätsstrategie wählen Sie den Kandidaten mit der höchsten Kapazitätspunktzahl aus.
   4. Für die hybride Strategie wählen Sie den Kandidaten mit der höchsten Hybridpunktzahl aus.
4. Wählen Sie den Kandidatenarzt mit der höchsten endgültigen strategienspezifischen Punktzahl als endgültiges Match für jede Patientenanfrage aus.
5. Entscheiden Sie etwaige Unentschieden (identische Werte bis drei Dezimalstellen), indem Sie den Kandidaten mit der niedrigeren geschätzten Wartezeit, gefolgt vom höheren Kompatibilitätswert und schließlich der höheren historischen Bewertung auswählen.

6. Ergebnisberechnung

1. Berechnen Sie die primären Ergebnisse: Präzision auf Rang 1, Abruf und F1-Wert.
2. Weisen Sie allen 9.785 Kandidatenpaaren Ground-Truth-Ergebnisse zu, bevor Sie mit Wahrscheinlichkeitsverteilungen aus dem empirischen Basisdatensatz benchmarken.
   HINWEIS: Verwenden Sie eine vollständig markierte synthetische Umgebung, um die Berechnung von Genauigkeit und Rückruf für alle Kandidatenpaare zu ermöglichen. Ein erfolgreiches Matching wird erreicht, wenn die Beratung abgeschlossen wird, die Patientenzufriedenheit auf einer 5-Punkte-Skala bei 4,0 liegt und kein 14-tägiger Rückbesuch aufgrund von Unzufriedenheit oder Fehlanpassung stattfindet.
3. Berechnen Sie die Genauigkeit auf Rang 1 als Anteil ausgewählter finaler Matches, die das Kriterium für erfolgreiche Matches erfüllen.
4. Berechnen Sie Recall als den Anteil aller erfolgreichen Kandidatenpaare innerhalb eines Folds, die von der Strategie korrekt ausgewählt wurden. Erziele Ergebnisse für nicht ausgewählte Kandidatenpaare aus der vollständig markierten synthetischen Umgebung, die in Schritt 6.2 festgelegt wurde.
5. Stellen Sie sicher, dass die Rückrufmetrik die Fähigkeit des Algorithmus genau erfasst, alle theoretisch tragfähigen Übereinstimmungen im simulierten Kandidatenpool zu identifizieren.
6. Berechnen Sie den F1-Wert mit folgender Formel:
   (6)
7. Berechnen Sie sekundäre Endpunkte: Kapazitätsbesetzungsrate, durchschnittliche geschätzte Wartezeit, mittlere Patientenzufriedenheit, Konsultationsabschlussrate, 7-Tage-Nachbeobachtungsrate und gemeldete Verbesserungsrate.
8. Berechnen Sie den Load Imbalance Index, um die Ungleichheit der Arbeitslastverteilung des Arztes innerhalb jeder Falte zu bewerten:
   (7)
9. Mitteln Sie die zwölffach-spezifischen Schätzungen, um die strategischen Zusammenfassungswerte mit den ursprünglichen Punktzuweisungen zu erhalten.
10. Durchführung einer multivariablen logistischen Regressionsanalyse innerhalb der Teilmenge der ausgewählten Endübereinstimmungen, um Paarfaktoren unabhängig vom erfolgreichen Matching zu identifizieren.
11. Beziehen Sie folgende vordefinierte unabhängige Variablen basierend auf theoretischer Relevanz ein: Kompatibilitätswert, Kapazitätswert, geschätzte Wartezeit, Erschwinglichkeitspassung, Spezialisierungsmatch, Geschlechtspräferenz, Schweregrad und Dringlichkeitsgrad.
12. Verwenden Sie eine Strategie zur Auswahl von Variablen mit Zwangseintritt statt eines schrittweisen Ansatzes, um die theoretische Struktur des Modells zu erhalten.
13. Bewerten Sie die Multikollinearität mit dem Varianzinflationsfaktor (VIF). Bestätigen Sie, dass alle VIF-Werte vor der endgültigen Modellschätzung unter 5,0 bleiben.
14. Definieren Sie die statistische Signifikanz als zweiseitiges p < 0,05 und berichten Sie die Ergebnisse als adjustierte Odds-Ratios (aORs) mit entsprechenden 95%-Konfidenzintervallen (KI).

Ergebnisse

Basismerkmale des Ärztepools und Patientenwunschpools

Der simulierte Analysedatensatz umfasste 240 Ärzte und 3.600 Patientenkonsultationsanfragen. Die Basischarakteristika beider Seiten des Matching-Systems sind in Tabelle 2 zusammengefasst, und die plattformseitigen Verteilungsmuster sind in Abbildung 3 dargestellt.

Unter den 240 Ärzten waren 128 (53,3 %) weiblich. Die Kohorte zeigte eine durchschnittliche klinische Erfahrung von 9,34 Jahren, eine durchschnittliche Konsultationsgebühr von 68,08 USD, eine durchschnittliche nominale tägliche Konsultationskapazität von 18,52 Konsultationen, eine durchschnittliche historische Dienstbewertung von 4,63 und eine durchschnittliche Erstantwortzeit von 5,47 Stunden. Innere Medizin war die größte Fachrichtung (19,2 %), gefolgt von Orthopädie (15,0 %) und Neurologie (13,3 %). Bezüglich des Konsultationsmodus unterstützten 41,7 % der Ärzte Text-plus-Sprache, 37,1 % rein Text-Konsultationen und 21,3 % Voll-Text-, Sprach- und Videokonsultationen.

Von den 3.600 Patientenanträgen wurden 53,1 % von weiblichen Patienten eingereicht. Das Durchschnittsalter betrug 36,49 Jahre, die durchschnittliche Haushaltsobergrenze 47,30 USD. Innere Medizin war die häufigste Zielfachrichtung (20,0 %), gefolgt von Neurologie (13,8 %) und Kardiologie (13,0 %). Die Anfragen wurden nach Schwere (45,7 % moderat, 34,2 % niedrig, 20,1 % hoch) und Dringlichkeit (39,1 % Priorität, 35,9 % routinemäßig, 25,0 % dringend) eingeteilt. Textkonsultation war die häufigste Präferenz (45,1 %), und 78,7 % der Patienten gaben an, keine ärztliche Geschlechtspräferenz zu haben. Zusammen zeigen diese Verteilungen, dass die Plattform in einer heterogenen Konsultationsumgebung arbeitete, was die Notwendigkeit bestätigt, sowohl Kompatibilitäts- als auch Kapazitätsbeschränkungen im Matching-System zu bewerten.

Kandidatenpaarstruktur und Punktetrennung

Nach der Fachrichtungs-First-Retrieval und der eingeschränkten Kandidatenerweiterung wurden 9.785 Kandidaten-Arzt-Patienten-Paare generiert (Tabelle 3, Abbildung 4). Im gesamten Kandidatenpaar-Schicht wurden 3.085 Paare als Endmatches ausgewählt, 6.700 nicht. Ausgewählte Paare zeigten einen höheren exakten Anteil von Spezialitäten zu Spezialitäten (99,2 % vs. 95,3 %) und eine etwas höhere Geschlechtspräferenzübereinstimmung (90,2 % gegenüber 89,0 %) als nicht ausgewählte Paare.

Noch wichtiger ist, dass die wichtigsten paarweisen Unterschiede auf operative und zusammengesetzte Wertungsvariablen konzentriert waren. Ausgewählte Paare zeigten einen höheren mittleren Kompatibilitätsscore (0,853 vs. 0,829) und einen höheren mittleren Kapazitätsscore (0,395 vs. 0,381). Folglich lag der durchschnittliche Hybridscore bei 0,707 bei ausgewählten Paaren im Vergleich zu 0,686 bei nicht ausgewählten Paaren. Ausgewählte Paare waren auch operationell günstiger und wiesen ein niedrigeres mittleres Arzt-Belastungsverhältnis (0,628 vs. 0,642), mehr verfügbare Samme-Day-Slots (6,99 vs. 6,65) und eine kürzere geschätzte Wartezeit (12,46 h vs. 12,79 H) auf.

Von den 3.085 ausgewählten Paaren wurden 2.584 Konsultationen abgeschlossen (83,8 % Abschlussrate). Die durchschnittliche Patientenzufriedenheit betrug 4,29 von 5,00. Erfolgreiches Matching definiert als Konsultationsabschluss, Patientenzufriedenheit 4,0 und kein 14-tägiges Wiederholungsgespräch, erfüllten 1.644 ausgewählte Paare dieses Kriterium (53,3 % Erfolgsrate). Diese Ergebnisse zeigen, dass die endgültige Auswahl durch die Schnittmenge von höherer Kompatibilität, geringerem Lastdruck und besseren Wartezeiten angetrieben wurde, was mit der vorgegebenen Protokolllogik übereinstimmt.

Paar-Level-Faktoren im Zusammenhang mit erfolgreichem endgültigem Matching

Eine multivariable logistische Regression innerhalb der ausgewählten Übereinstimmung wurde durchgeführt, um Merkmale zu identifizieren, die mit einem erfolgreichen Matching verbunden sind (Tabelle 4, Abbildung 5). Der Kompatibilitätsscore blieb positiv mit einem erfolgreichen Matching assoziiert (adjustierte Odds Ratio [aOR] = 11,99; 95 % KI, 1,81–79,46; P = 0,010), ebenso wie der Kapazitätswert (aOR = 2,08; 95%-KI, 1,22–3,55; P = 0,007). Umgekehrt verringerte eine längere geschätzte Wartezeit die Wahrscheinlichkeit eines erfolgreichen Matches (aOR = 0,953 pro zusätzliche Stunde; 95 % KI, 0,934–0,972; P < 0,001). Auch die Erschwinglichkeit blieb signifikant (aOR = 1,33; 95 % KI, 1,12–1,57; P = 0,001). Exakte Spezialisierung, Geschlechtspräferenzabstimmung, Prioritätsstatus und hohe Schwere blieben unabhängig signifikant. Dies zeigt, dass der Erfolg des Matchings eher von der kombinierten Kompatibilitätsstärke und absorbierbaren Kapazität abhängt als von einem einzelnen oberflächlichen Merkmal.

Benchmarking und Robustheit der Allokationsstrategien

Das vergleichende Benchmarking über die 12 Evaluationsbereiche hinweg ist in Tabelle 5, Tabelle 6 und Abbildung 6 zusammengefasst. Die vorgeschlagene hybride Strategie erreichte das insgesamt günstigste Gesamtprofil. Sie erzielte die höchste mittlere Präzision bei Rang 1 (0,740), Rückruf (0,691) und F1-Wert (0,714) und übertraf damit die regelbasierte Basislinie, die reine Kompatibilitätsstrategie und die reine Kapazitätsstrategie.

Operativ erreichte die hybride Strategie die höchste Kapazitätsbefüllungsrate (0,825) und die kürzeste geschätzte mittlere Wartezeit (5,52 Stunden). Auch die patientenzentrierte Leistung wurde optimiert, wobei der hybride Ansatz die höchste durchschnittliche Patientenzufriedenheit (4,43) und den niedrigsten Load Imbalance Index (0,195) erzielte, was auf eine sehr gleichmäßige Arbeitsbelastungsverteilung der Ärzte hinweist. Untergruppenanalysen (Tabelle 7, Abbildung 6) bestätigten, dass dieses stabile Leistungsmuster über verschiedene Dringlichkeitsschichten und Krankenhausebenen hinweg aufrechterhalten wurde, was die Robustheit des Rahmens selbst in stark kapazitätseingeschränkten Umgebungen belegt.

Abbildung 1: Gesamtablauf der Studien. (A) Aufbau des Ärztepools und Patientenwunschpools. (B) Fachrichtungs-First-Kandidaten-Retrieval-Prozess mit eingeschränkter Erweiterung, wenn weniger als zwei aktive Ärzte mit verbleibender Kapazität in der gewünschten Fachrichtung verfügbar sind. (C) Erzeugung von Kandidat-Arzt-Patienten-Paaren und Herleitung paarweiser Variablen. (D) Konstruktion des Kompatibilitätswerts, des Kapazitätswerts und des Hybridwerts. (E) Endgültige Auswahl des Arztes, fold-basiertes Benchmarking über vier Zuteilungsstrategien hinweg und Berechnung der Leistungsergebnisse. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 2: Architektur des Kompatibilitäts- und kapazitätsbewussten Matching-Frameworks. (A) Kompatibilitätsmodul, einschließlich Fachrichtungsabstimmung, Konsultationsmodalpassung, Geschlechtspräferenzpassung, Erschwinglichkeitspassung, ärztlicher Historikerbewertung und Dringlichkeits-Antwort-Passung. (B) Kapazitätsmodul, einschließlich Arztauslastung, verbleibende Samme-Day-Slots und geschätzte Wartezeit. (C) Score-Normalisierung und gewichtete Score-Aggregation für Kompatibilitäts- und Kapazitätsscore. (D) Integration der beiden Module in die endgültige hybride Partitur. (E) Endrangfolge und Gleichstandslogik zur Bestimmung des ausgewählten Arzt-Patienten-Matches. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 3: Basisverteilungsmuster der Eigenschaften von Ärzten und Patienten im analytischen Datensatz. (A) Spezialisierungsverteilung des Ärztepools. (B) Beruflicher Titel und Verteilung der Ärzte auf Krankenhausebene. (C) Spezialverteilung von Patientenkonsultationsanfragen. (D) Schwere- und Dringlichkeitsverteilung der Patientenanfragen. (E) Verteilung des bevorzugten Konsultationsmodus und des bevorzugten Geschlechts des Arztes auf die Patientenanfragen. Hinweis: Alle in dieser Abbildung dargestellten Datenverteilungen stammen direkt aus dem finalisierten analytischen Datensatz (n = 240 Ärzte; n = 3.600 Patientenanfragen) und stimmen vollständig mit den zusammenfassenden Statistiken in Tabelle 2 überein. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 4: Paar-Level-Score-Verteilungen und Trennung zwischen ausgewählten und nicht ausgewählten Kandidatenmatches. (A) Verteilung der Kompatibilitätsscores in ausgewählten und nicht ausgewählten Paaren. (B) Verteilung der Kapazitätswerte in ausgewählte und nicht ausgewählte Paare. (C) Verteilung der Hybridwerte in ausgewählten und nicht ausgewählten Paaren. (D) Geschätzte Wartezeit (in Stunden) nach Auswahlstatus. (E) Gemeinsame Verteilung von Kompatibilitätswert und Kapazitätswert, wobei ausgewählte und nicht-ausgewählte Paare separat angezeigt werden. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 5: Multivariable Analyse der Faktoren, die mit einem erfolgreichen endgültigen Matching unter ausgewählten Paaren verbunden sind. (A) Forest-Plot mit adjustierten Odds-Verhältnissen für Kompatibilitätswert, Kapazitätswert, geschätzte Wartezeit (in Stunden), Erschwinglichkeitspassung, Spezialität, Geschlechtspräferenz, Schweregrad und Dringlichkeitsgrad. (B) Marginale Wahrscheinlichkeit eines erfolgreichen Matches über den beobachteten Bereich des Kompatibilitätsscores. (C) Marginale Wahrscheinlichkeit eines erfolgreichen Matches über den beobachteten Bereich des Kapazitätswerts. (D) Inverse Assoziation zwischen geschätzter Wartezeit (in Stunden) und Wahrscheinlichkeit erfolgreicher Zuordnung. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 6: Vergleichende Benchmarking von vier Arzt-Patienten-Matching-Strategien und Untergruppenleistung des hybriden Frameworks. (A) Präzision auf Rang 1, Rückruf und F1-Wert über die vier Strategien hinweg. (B) Kapazitätsbefüllungsrate, mittlere geschätzte Wartezeit und mittlere Patientenzufriedenheit über die vier Strategien hinweg. (C) Load Imbalance Index über die vier Strategien hinweg. (D) Leistungsbereiche der hybriden Strategie auf Fold-Niveau über 12 wiederholte Evaluations-Folds. (E) Hybridstrategie-Untergruppen-Leistungs-Heatmap. Hinweis: Alle in dieser Abbildung dargestellten Werte wurden mit den entsprechenden Ergebnissen in Tabelle 5 abgleicht, um absolute Konsistenz zu gewährleisten. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Tabelle 1: Operationelle Definitionen, Schwellenwerte und Bewertungsregeln für das Matching-Framework. Abkürzungen: SD = Standardabweichung. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Tabelle 2: Basismerkmale des Ärztepools und des Patientenwunschpools. Abschnitt, Merkmale und vergleichende Grundstatistiken des analytischen Datensatzes vor dem Matching. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Tabelle 3: Vergleiche auf Paarebene zwischen ausgewählten und nicht ausgewählten Übereinstimmungen. Diese Tabelle aggregiert die paarweisen Variablen und beschreibenden Statistiken, die die strukturelle Trennung zwischen den endgültig ausgewählten Matches und den nicht ausgewählten Kandidaten darstellen. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Tabelle 4: Multivariable logistische Regressionsanalyse der Faktoren, die mit einer erfolgreichen endgültigen Übereinstimmung unter ausgewählten Paaren verbunden sind. Modellinformation: Abhängige Variable = erfolgreiches Endmatch unter ausgewählten Paaren. Ein erfolgreicher Match wurde definiert als Abschluss der Konsultation, Patientenzufriedenheit von 4,0/5,0 und kein 14-tägiges erneutes Besuch aufgrund von Unzufriedenheit oder Fehlanpassung. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Tabelle 5: Vergleichsleistung von vier Matching-Strategien. Zusammenfassung des vergleichenden Benchmarkings auf Strategieebene über 12 wiederholte Falten. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Tabelle 6: Stabilität und Falt-Level-Variabilität der Hybridstrategie. Zusammenfassung der Leistungsbereiche auf Fold-Ebene der Hybridstrategie über 12 wiederholte Evaluations-Folds. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Tabelle 7: Untergruppenleistung der hybriden Strategie. Detaillierte Untergruppenleistung der hybriden Strategie basierend auf Dringlichkeitsgraden und Krankenhausstufen. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Diskussion

Das vorliegende Protokoll zeigt einen kompatibilitäts- und kapazitätsbewussten Arzt-Patienten-Matching-Rahmen in einer groß angelegten Online-Konsultationsumgebung. Die hybride Strategie erzielte die ausgewogenste Gesamtleistung hinsichtlich Genauigkeit, Wartezeit, Kapazitätsauslastung, Patientenzufriedenheit und Arbeitslastverteilung. Dieses Ergebnis ist entscheidend, da die digitale Beratung nicht nur den Zugang erweitert, sondern auch die klinische Arbeit in die außerreguläre Tätigkeit verlagert, wodurch die verborgene Arbeitsbelastung steigt, wenn die Zuteilungslogik die Leistungsfähigkeit übersieht. Jüngste Erkenntnisse zeigen, dass eine höhere digitale Nachfrage mit einer erhöhten Arbeit von Ärzten außerhalb der geplanten Arbeitszeiten einhergeht, was die praktische Bedeutung unterstreicht, Kapazitätsbeschränkungen in Matching-Systeme einzubeziehen, anstatt sie als sekundäre operative Variablen zu behandeln⁷. Außerdem ist allein die Kompatibilität nicht ausreichend, wenn die Nachfrage ungleichmäßig verteilt ist. In Internetkrankenhäusern wird die Patientenauswahl stark von sichtbaren Eigenschaften der Ärzte geprägt, was strukturell die Nachfragekonzentration bei hoch sichtbaren oder höher gestellten Ärzten anführt. Diese Dynamik erklärt, warum die reine Kompatibilitätsstrategie in diesem Protokoll eine relativ starke Matching-Qualität bewahrte, aber in Bezug auf Wartezeiten und Lastverteilung¹⁵ schlecht abschnitt.

In unserer Bewertung diente die binäre Klassifikation eines erfolgreichen Matches als strenge Schwelle, um ausgefallene klinische Begegnungen auszufiltern, während der mittlere Patientenzufriedenheitsscore es ermöglichte, die nuancierte Verteilung der vom Nutzer wahrgenommenen Qualität über verschiedene Matching-Strategien hinweg zu bewerten. Darüber hinaus wurden die sekundären Leistungsergebnisse dieser Studie unabhängig von diesem binären Status bewertet, um Bedenken hinsichtlich möglicher Zirkularität zu adressieren, was eine umfassendere Einschätzung der Auswirkungen des Rahmens auf die plattformweite Servicequalität lieferte, anstatt lediglich die eigenen Klassifikationskriterien zu validieren. Die höhere Patientenzufriedenheit, die unter der hybriden Strategie beobachtet wurde, stimmt mit der breiteren Telemedizin-Literatur überein und schärft sie, indem gezeigt wird, dass die Zufriedenheit eng mit der Qualität der Zuteilung und nicht nur mit dem digitalen Zugang verbunden ist. Jüngste Arbeiten identifizieren professionelle Behandlungsplanung, ein genaues Verständnis der Patientenanliegen, umfassende Antworten und die Vermeidung von vorgefertigten Antworten als Schlüsselfaktoren für die Nutzerzufriedenheit. Daher müssen optimale Matching-Systeme Patienten zu Ärzten verweisen, die innerhalb angemessener Zeiträume reagieren und individuelle Interaktionsmuster bereitstellen^{können 16,17}. Diese Dynamik unterstreicht auch unsere operative Begründung, den generierten Kandidatenpool auf zwei bis vier Ärzte pro Anfrage zu beschränken (Mittelwert 2,72). Diese spezifische Schwelle wurde empirisch kalibriert, um ein optimales Gleichgewicht zwischen der Erhaltung der Patientenautonomie und der Verhinderung von "Wahlüberlastung" zu finden – einem gut dokumentierten kognitiven Engpass in digitalen Gesundheitsentscheidungsarchitekturen, der Entscheidungsfindung verzögert und die Nutzererfahrung verschlechtert. Aus Implementierungssicht sollte dieses Matching-Modell in einen umfassenderen Service-Workflow eingebettet sein. Entscheidend ist, dass das aktuelle experimentelle Protokoll das Framework zwar mit einer statischen, faltbasierten Batch-Zuweisung bewertet, die zugrundeliegende algorithmische Logik jedoch von Natur aus an kontinuierliche dynamische Szenarien angepasst ist. Da Kapazitätsvariablen – wie die aktuelle tägliche Auslastung und verbleibende Samme-Day-Slots – so konzipiert sind, dass sie iterativ aktualisiert werden, kann der Hybrid-Score effizient in Echtzeit neu berechnet werden, um aufeinanderfolgende Patientenankünfte und schwankende Ärzteverfügbarkeit zu berücksichtigen. Forschungen zeigen, dass Ausbildung, Vertrautheit mit Technologie, Kommunikationsqualität und Arbeitsbelastung entscheidende Implementierungsfaktoren sind, und die Beteiligten empfehlen konkrete Mechanismen zur Reduzierung der Ärztebelastung. Folglich verbessert das hybride Framework zwar die Allokationsleistung, seine reale Effektivität basiert jedoch stark auf unterstützendem Workflow-Design, Plattform-Governance und operativer Unterstützung^18,19.

Diese Ergebnisse stellen eine Optimierung des Plattform-Routings dar und stellen keinen Beweis dafür dar, dass virtuelle Konsultationen alle Formen der Versorgung ersetzen können. Während virtuelle Konsultationen die Effizienz steigern, bleiben die Erkenntnisse bezüglich Sicherheit und Gerechtigkeit gemischt; Daher ist dieses Rahmenwerk am besten als Front-End-Allokationsinstrument zu verstehen und nicht als Ersatz für klinische Triage oder Überweisungswege²⁰. Das aktuelle Protokoll hat mehrere Einschränkungen. Erstens wurde der Evaluationsdatensatz zwar mit Variablen und Verteilungsmustern konstruiert, die die realen Betriebsbedingungen strikt widerspiegeln, aber im Kern bleibt er eine simulierte Kohorte, die für die Bewertung kontrollierter Plattformen entwickelt wurde. Wir erkennen an, dass das Fehlen ergänzender, unabhängiger realer Datensätze die externe Validität der aktuellen Ergebnisse einschränkt. Um die Verallgemeinerbarkeit der vorgeschlagenen hybriden Matching-Methode robust zu etablieren, müssen zukünftige Studien die Validierung dieses experimentellen Rahmens mit groß angelegten, realen Konsultationsprotokollen über verschiedene digitale Gesundheitsplattformen und verlängerte Längszeiträume hinweg priorisieren. Die Bewertung der Widerstandsfähigkeit und dynamischen Routing-Fähigkeiten des Modells unter extremen zeitlichen Nachfrageschocks – wie Spitzenzeiten der Grippe oder Notfällen im Bereich der öffentlichen Gesundheit – bleibt entscheidend. Zweitens legten die Ergebnisse den Schwerpunkt auf den Abschluss der Konsultationen und die Patientenzufriedenheit, wobei die von Ärzten beurteilte diagnostische Angemessenheit oder Längszeitgesundheitsergebnisse ausgeschlossen wurden. Drittens basierte die fold-basierte Bewertung auf einfacher zufälliger Stichprobe statt k-facher Kreuzvalidierung oder geschichteter Stichprobe. Obwohl dies die Volatilität des natürlichen Patientenflusses erfasste, kann es gelegentlich die einheitliche Repräsentativität bestimmter Minderheitenuntergruppen beeinträchtigen. Zukünftige algorithmische Bewertungen sollten geschichtete Stichproben nach Schwere, Dringlichkeit und Krankenhausstufe einbeziehen, um eine konsistente Leistung über alle Patientengruppen hinweg sicherzustellen. Viertens dient die geschätzte Wartezeit, die aus diesem Protokoll abgeleitet wird, als struktureller Proxy und nicht als streng kalibriertes Prädiktionsmodell. Aufgrund des Fehlens kontinuierlicher, realer Zeitstempelprotokolle konnten wir keine strikten Korrelationsanalysen durchführen oder Kalibrierungsfehler mit tatsächlichen klinischen Wartezeiten berechnen. Zukünftige Forschung sollte groß angelegte empirische Betriebsprotokolle nutzen, um diese heuristischen Wartezeitparameter zu validieren und zu verfeinern. Fünftens wurde das Gewichtungsschema, das Kompatibilität und Kapazität kombiniert, heuristisch festgelegt und nicht durch objektive mathematische Modellierung abgeleitet. Obwohl dieser feste A-priori-Ansatz post-hoc-Datenanpassung verhindert, fehlt ihm die Strenge objektiver Gewichtungsmethoden wie AHP oder Entropiegewichtung. Künftige Iterationen dieses Rahmens sollten diese objektiven, mehrkritischen Entscheidungsmethoden integrieren, um dynamisch das optimale Gewichtungsverhältnis zu bestimmen. Schließlich arbeitet das Framework auf einer Eins-zu-eins-Zuteilungsebene und wurde unter statischen Batch-Zuweisungsbedingungen bewertet, ohne teambasierte Konsultationen oder kontinuierliche dynamische Neupriorisierung (z. B. Umgang mit plötzlichen Nachfragespitzen oder Echtzeit-Zeitplanabfällen) zu modellieren. Zukünftige Forschung sollte diesen Rahmen zu einer vollständig dynamischen Warteschlangensimulation ausbauen und die Matching-Algorithmen von der ersten Auswahl des Arztes bis hin zu kommunikationsbewusstem Routing und Unterstützung für Interaktionen nach dem Match^{erweitern 21}.

Insgesamt bewegt dieses Protokoll das Paradigma der Arzt-Patienten-Abgleichung erfolgreich von einer einobjektiven Logik weg. In groß angelegten Online-Plattformen muss die effektive Zuteilung gemeinsam die klinische und dienstliche Passung sowie die operative Integrität des Arztes unter den aktuellen Arbeitsbelastungsbedingungen berücksichtigen, ohne die Pünktlichkeit oder das Patientenerlebnis zu beeinträchtigen. Im Vergleich zu regelbasierten, nur Kompatibilitäts- und Kapazitätsstrategien erreichte das Kompatibilitäts- und Kapazitätsbewusste Hybrid-Framework eine überlegene Gesamtbalance hinsichtlich Anpassungsgenauigkeit, Rückruf, F1-Score, Wartezeit, Kapazitätsbefüllungsrate und Arbeitslastverteilung. Indem Arzt-Patienten-Matching weder als rein präferenzbasierte Empfehlungsaufgabe noch als durchsatzgetriebenes Terminproblem behandelt wird, bietet dieser Ansatz eine hoch praktische und skalierbare Grundlage für intelligentes Konsultations-Routing, Koordination von Plattformressourcen und die zukünftige Optimierung digitaler Gesundheitsdienste.

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
Kandidatenpaare Arzt-Patient	Studiengeneriert	N/A	Paarweise variable Ableitung und Match-Auswahl (9.785 Kandidatenpaare)
IBM SPSS Statistics	IBM Corp.	https://www.ibm.com/products/spss-statistics	Statistische Analyse (Version 27)
Microsoft Excel	Microsoft Corporation	https://www.microsoft.com/microsoft-365/excel	Datenverwaltung und deskriptive Zusammenfassung (Version 2021)
Patientenanfrageakten	Studiengeneriert	N/A	Basispatienten-Charakteristika und Präferenzparameter (3.600 Beratungsanfragen)
Arztaktakte	Studiengeneriert	N/A	Basis-Arzt-Charakteristika und Kapazitätsparameter (240 aktive Ärzte)
Python	Python Software Foundation	https://www.python.org	Simulation, Punktekonstruktion und Benchmarking (Version 3.11)