Un marco experimental para la emparejamiento médico-paciente consciente de la compatibilidad y la capacidad en la consulta online

Resumen

Este protocolo presenta un marco experimental escalable para la emparejamiento médico-paciente en plataformas de consulta médica online. Al integrar conjuntamente la compatibilidad clínica centrada en el paciente y la capacidad de servicio del lado del médico en un modelo híbrido de puntuación, este método optimiza la precisión de los emparejamientos, minimiza los tiempos de espera del paciente y garantiza una distribución equilibrada de la carga de trabajo del médico.

Resumen

Las plataformas de consulta médica online a gran escala requieren una emparejamiento médico-paciente asistida por algoritmos efectivos para equilibrar el ajuste centrado en el paciente y la eficiencia operativa. Los enfoques existentes suelen optimizar de forma independiente la compatibilidad clínica o la capacidad del médico, lo que conduce a tiempos de espera prolongados y cargas de trabajo desiguales. Este protocolo presenta un marco experimental escalable para incorporar conjuntamente compatibilidad y capacidad en una puntuación híbrida de emparejamiento. Utilizando un conjunto de datos simulado que comprende 240 médicos, 3.600 solicitudes de pacientes y 9.785 pares de candidatos, el método cuantifica la compatibilidad (por ejemplo, alineación de especialidad, ajuste de modos) y capacidad (por ejemplo, relación de carga, tiempo estimado de espera). El marco evalúa los pares candidatos mediante una puntuación híbrida y compara el rendimiento con estrategias de referencia basadas en reglas, solo compatibilidad y capacidad en 12 dobletes de evaluación. Los resultados representativos demuestran que el marco híbrido logra una calidad superior de emparejamiento, incluyendo una precisión media en el rango 1 de 0,740 y una puntuación F1 de 0,714. Además, ofrece una alta eficiencia operativa con una tasa de llenado de capacidad de 0,825 y un tiempo medio estimado de espera corto de 5,52 h. Al maximizar la satisfacción media del paciente (4,43/5,00) y minimizar el desequilibrio de carga (0,195), este marco proporciona un protocolo práctico para el enrutamiento inteligente de consultas y la gestión de plataformas.

Introducción

La consulta médica online se ha convertido en un modo cada vez más importante de prestación de atención sanitaria, ampliando el acceso a los servicios médicos más allá de las reuniones presenciales^{convencionales.} En China, la expansión de la telemedicina por internet se ha visto reforzada por el desarrollo de políticas, el crecimiento del mercado y una mayor integración con el sistema sanitario en general, haciendo que la consulta digital sea un componente cada vez más importante de la organización^{sanitaria 2}. La evidencia a gran escala de hospitales por internet indica además que los servicios de consulta online ahora operan a gran escala, funcionando como una parte significativa de la prestación rutinaria de servicios en lugar de un complemento marginal³. Al mismo tiempo, la telemedicina asíncrona ha ampliado el alcance de la atención remota al permitir patrones de interacción flexibles, mejorando la accesibilidad y, al mismo tiempo, aumentando la complejidad operativa de las plataformas digitales^{de consulta 4}.

A medida que estas plataformas se expanden, su rendimiento no puede juzgarse únicamente por la disponibilidad técnica. La experiencia del paciente y la calidad del servicio se han convertido en resultados centrales de la prestación de atención^{digital 5}. Investigaciones recientes han demostrado que el uso de sistemas de consulta online está asociado a diferencias medibles en la experiencia del paciente, especialmente en lo que respecta al acceso, la comodidad y los procesos de^{cita 6}. Sin embargo, la consulta digital también genera carga adicional de trabajo para los médicos, incluyendo la gestión de mensajes y el trabajo realizado fuera del horario clínico rutinario, lo que convierte la gestión de la capacidad en una preocupación operativa^{central 7}. Este desafío se intensifica por la distribución desigual de la demanda entre los médicos, ya que señales visibles de servicio como opiniones, valoraciones y otra información de perfil pueden canalizar el tráfico de pacientes hacia un subconjunto limitado de médicos^{altamente visibles 8}. Por tanto, la asignación médico-paciente en plataformas de consulta online no es solo un problema de búsqueda del lado del paciente, ya que los médicos también pueden mostrar preferencias de respuesta selectiva ante solicitudes de consulta^{heterogéneas 9}.

Desde la perspectiva del paciente, la elección de la consulta online es inherentemente multidimensional. Los usuarios valoran simultáneamente el tiempo de espera, las cualificaciones del médico, el nivel hospitalario, el modo de servicio y el coste de la consulta al elegir opciones^{de atención 10}. En consonancia con esta complejidad, una revisión sistemática reciente concluyó que las plataformas de consulta médica online requieren mecanismos de recomendación capaces de reducir la sobrecarga de información y alinear mejor las necesidades del paciente con los recursos médicos¹¹. Por ello, los estudios metodológicos han comenzado a introducir enfoques estructurados de emparejamiento, incluyendo emparejamiento estable dinámico bajo información incompleta, para mejorar la asignación médico-paciente en entornos de consulta^{online 12}. Investigaciones más recientes sobre recomendaciones han enfatizado además que la asignación médico-paciente debería mejorar la eficiencia de asignación mientras reduce la concentración excesiva de demanda en torno a médicos altamente visibles de hospitales^{de primer nivel 13}. La evidencia de métodos mixtos muestra una heterogeneidad sustancial en las preferencias de telemedicina, lo que indica que una lógica de asignación única para todos probablemente no sea suficiente a escala^{de plataforma 14}. A pesar de estos avances, la literatura existente tiende a tratar los factores relacionados con la compatibilidad y las limitaciones de capacidad médica como problemas separados, aunque las plataformas de consulta en línea deben gestionar simultáneamente tanto el ajuste relacional como la capacidad absorbible^{del servicio 11}.

Para abordar esta carencia, este método pretende establecer un marco experimental escalable para la emparejamiento médico-paciente consciente de la compatibilidad y la capacidad en plataformas de consulta médica online a gran escala. La razón detrás de esta técnica es que optimizar aisladamente la preferencia clínica o la capacidad de servicio del médico conduce a tiempos de espera prolongados, cargas de trabajo desparejas para los médicos y experiencias de consulta subóptimas. La principal ventaja de esta estrategia híbrida frente a las técnicas alternativas basadas en reglas o asignación de un solo objetivo es su capacidad para modelar conjuntamente las necesidades de los pacientes, las características de los médicos y las restricciones dinámicas del servicio para mantener el equilibrio de carga de trabajo y una alta satisfacción^{del paciente 12}. Al detallar la construcción de la puntuación híbrida de emparejamiento y el proceso de evaluación basado en pliegues, este protocolo proporciona una base práctica para un enrutamiento inteligente de consultas. Los lectores pueden aprovechar este marco metodológico para determinar si una lógica de emparejamiento dualmente consciente es adecuada para optimizar el triaje, la asignación de recursos y la gestión de flujos de trabajo en sus aplicaciones específicas de salud digital.

Protocolo

El conjunto de datos de evaluación utilizado en este protocolo fue simulado computacionalmente a partir de distribuciones operativas agregadas y desidentificadas, y no contenía datos reales o identificables de participantes humanos. En consecuencia, el estudio fue considerado exento de revisión ética completa por la Junta de Revisión Institucional (IRB) de la Universidad NingboTech (Exención nº NT9918276).

1. Preparación de datos y definición de cohortes

1. Establecer el grupo de médicos que incluya a 240 médicos activos en línea en ocho especialidades de consulta: Medicina Interna, Cardiología, Neurología, Dermatología, Pediatría, Ginecología, Ortopedia y Psiquiatría.
2. Extrae y define las siguientes variables para cada expediente médico: especialidad, sexo, título profesional (Residente, Adjunto, Jefe Asociado o Jefe), nivel hospitalario (Primaria, Secundaria o Terciaria), años de práctica, años de experiencia en consulta online, tarifa de consulta, capacidad nominal diaria de consulta, carga diaria actual, valoración histórica, tiempo medio de primera respuesta, tasa de aceptación histórica, tasa de servicio de seguimiento y modo de consulta apoyada (Texto, Texto más voz, o texto más voz más vídeo).
3. Establecer el grupo de solicitudes de pacientes que contenga 3.600 solicitudes de consulta.
   NOTA: Para contextualizar la dimensión temporal de la evaluación, este conjunto está calibrado para representar un periodo operativo continuo de 30 días que abarca tanto los días laborables estándar como los fines de semana. Este plazo está diseñado para capturar variaciones cíclicas rutinarias en la demanda de los pacientes, excluyendo explícitamente periodos atípicos extremos (por ejemplo, festivos nacionales importantes o brotes epidémicos picos) para establecer una línea base estable y estable para la evaluación algorítmica del rendimiento.
4. Extrae y define las siguientes variables para cada solicitud de paciente: edad, sexo, especialidad objetivo, nivel de gravedad (Bajo, Moderado o Alto), nivel de urgencia (Rutinario, Urgente o Prioritario), techo presupuestario, género preferido del médico (Hombre, Mujer o Sin Preferencia), modo de consulta preferido (Texto, Voz o Vídeo), visitas previas a la plataforma, nivel de participación digital, recuento de comorbilidades, nivel de ciudad y periodo de contacto preferido.
5. Limpia el conjunto de datos excluyendo cualquier registro con valores faltantes en especialidad, tarifa de consulta, capacidad diaria, carga actual, tiempo medio de primera respuesta, gravedad, urgencia, techo presupuestario, modo de consulta preferido o género del médico preferido. Asegúrate de que todos los registros conservados estén completos antes de proceder a la generación de parejas.

2. Generación de pares candidatos

1. Genera parejas candidatas médico-paciente usando una regla de recuperación de especialidad primero. Para cada solicitud de paciente, busca a los primeros médicos que coincidan con la especialidad objetivo del paciente.
2. Amplía la ventana de recuperación a especialidades adyacentes de alta frecuencia que permanezcan activas en la plataforma el mismo día solo si hay menos de dos médicos activos con capacidad de consulta restante disponibles en la especialidad objetivo inicial.
   NOTA: En este protocolo, la "adyacencia" se define estructuralmente por patrones establecidos de derivación cruzada clínica y solapamientos anatómicos o sintomáticos (por ejemplo, la dirección de un paciente de Cardiología a Medicina Interna General), mientras que "alta frecuencia" se refiere específicamente a especialidades que se sitúan en el cuartil superior (25% superior del volumen histórico diario de solicitudes de consulta en la plataforma).
3. Vincula a cada paciente con dos a cuatro médicos candidatos, buscando un número medio empíricamente derivado de aproximadamente 2,72 candidatos por solicitud. Establecer la capa final de par candidato que contiene 9.785 pares. Consulta la Figura 1 para el flujo de trabajo general del estudio.

3. Operacionalización por variables por pares

1. Define todas las variables por pares utilizadas en la construcción de puntuaciones antes del benchmarking. Consulte la Tabla 1 para las definiciones, umbrales y asignaciones de puntuación predefinidas.
2. Codifica la correspondencia de especialidad (S) como 1 cuando la especialidad médica es idéntica a la especialidad objetivo del paciente, y 0 en caso contrario.
3. El modo de ajuste de código (M) es 1 cuando el modo soportado por el médico cubre completamente el modo preferido del paciente, y 0 en caso contrario.
4. Codifica ajuste por preferencia de género (G) como 1 cuando el paciente selecciona No Preferencia o cuando el sexo del médico coincide con la preferencia declarada, y 0 en caso contrario.
5. Ajuste de asequibilidad del código (A) como 1 cuando la tarifa del médico es inferior o igual al techo del presupuesto del paciente, 0,5 cuando la tarifa supera el presupuesto no más del 20%, y 0 cuando la tarifa supera el presupuesto en más del 20%.
6. Normalizar la valoración histórica del médico utilizando el rango observado a nivel médico (mínimo 4,10, máximo 4,98). Calcula la puntuación de calidad normalizada (Q) usando la siguiente fórmula:
   (1)
   Establece valores por debajo de 4,10 tras el truncamiento a 0, y valores por encima de 4,98 a 1.
7. Defina el ajuste urgencia-respuesta (U) en función de la urgencia del paciente y del tiempo medio de primera respuesta del médico, tal como se especifica en la Tabla 1.
8. Calcular la razón de carga médica dividiendo la carga diaria actual por la capacidad diaria nominal. Calcular las franjas restantes del mismo día restando la carga diaria actual de la capacidad diaria nominal.
9. Calcula el tiempo estimado de espera (en horas) usando la siguiente fórmula:
   
   Esta construcción sirve como una estimación heurística inspirada en principios básicos de la teoría de las colas, donde el tiempo medio de respuesta base de un médico se ve penalizado por su tasa de utilización en tiempo real (Carga Diaria Actual / Capacidad Diaria).
   NOTA: El factor de ajuste de urgencia se establece en 0,80 para solicitudes de Prioridad, 0,90 para solicitudes urgentes y 1,00 para solicitudes rutinarias. Estos factores de ajuste se implementan como pesos operativos preespecificados para hacer cumplir el enrutamiento priorizado en casos graves, en lugar de coeficientes derivados empíricamente.

4. Construcción de puntuación de coincidencia

1. Construye el framework de emparejamiento usando un módulo de compatibilidad y un módulo de capacidad, como se detalla en la Figura 2.
2. Calcular la puntuación de compatibilidad como una combinación lineal ponderada de los factores de emparejamiento centrados en el paciente:
   (3)
3. Calcular la puntuación de capacidad a partir de la puntuación de la relación de carga (L), la puntuación de la ranura restante (R) y la puntuación de tiempo de espera (W). Asignar las puntuaciones categóricas para , , y basándose en los umbrales definidos en la Tabla 1. Calcula la puntuación de capacidad como:
   (4)
4. Calcula la puntuación híbrida final integrando los componentes de compatibilidad y capacidad:
   (5)
5. Fijar el esquema de ponderación 0,60–0,40 antes de la evaluación.
   NOTA: Esta proporción predeterminada está guiada por un principio fundamental de los servicios sanitarios. La adecuación clínica y el ajuste centrado en el paciente deben servir como criterios principales para garantizar la seguridad médica, al tiempo que se aplica una penalización matemática sustancial a las severas limitaciones de capacidad, lo que se alinea con la literatura de triaje establecida que prioriza la idoneidad clínica sobre el rendimiento operativo.
6. No ajuste estos pesos tras la inspección de resultados para evitar sobreajustes y garantizar su reproducibilidad.
   NOTA: Se anima encarecidamente a los investigadores que adopten este protocolo a realizar análisis de sensibilidad exhaustivos o emplear técnicas objetivas de toma de decisiones multicriterio (por ejemplo, el Proceso de Jerarquía Analítica [AHP] o ponderación de entropía) para adaptar el marco a la carga operativa específica de su plataforma.

5. Selección de partidos y comparación de estrategias

1. Realiza benchmarking sobre 12 pliegues de evaluación repetidos. Para cada pliegue, muestrea 300 solicitudes de pacientes sin reemplazo del grupo completo de pacientes.
   NOTA: Este enfoque simple de muestreo aleatorio se utiliza intencionadamente para simular la naturaleza estocástica e impredecible de los flujos de llegada de pacientes característicos de las plataformas de consulta online en tiempo real, en lugar de imponer un equilibrio estructural artificial sobre la demanda entrante.
2. Conservar todos los pares candidatos vinculados a esas solicitudes muestreadas dentro del respectivo fold.
3. Compara cuatro estrategias de asignación distintas de forma independiente en la misma capa de par candidato específica para pliegues:
   1. Para la línea base basada en reglas, clasifica a los candidatos por correspondencia exacta de especialidad, luego por menor tarifa de consulta y finalmente por una calificación histórica más alta.
   2. Para una estrategia basada solo en compatibilidad, selecciona al candidato con la puntuación de compatibilidad más alta.
   3. Para una estrategia de capacidad única, selecciona al candidato con la puntuación de capacidad más alta.
   4. Para la estrategia híbrida, selecciona al candidato con la puntuación híbrida más alta.
4. Selecciona al médico candidato con la puntuación final más alta específica de estrategia como la compatibilidad final para cada solicitud del paciente.
5. Resuelve cualquier empate (puntuaciones idénticas a tres decimales) seleccionando al candidato con el menor tiempo estimado de espera, seguido de la puntuación de compatibilidad más alta y, finalmente, la puntuación histórica más alta.

6. Cálculo de resultados

1. Calcula los resultados principales: precisión en rango 1, llamada y puntuación en F1.
2. Asignar resultados de base a los 9.785 pares candidatos antes de hacer benchmarking utilizando distribuciones de probabilidad derivadas del conjunto de datos empíricos de referencia.
   NOTA: Utilice un entorno sintético completamente etiquetado para permitir el cálculo de precisión y la recuperación de todos los pares candidatos. Se logra una coincidencia exitosa si la consulta se completa, y la satisfacción del paciente es de 4,0 en una escala de 5 puntos, y no se produce una revisión de 14 días debido a insatisfacción o desajuste.
3. Calcula la precisión en el rango 1 como la proporción de coincidencias finales seleccionadas que cumplen el criterio de coincidencia exitosa.
4. Calcula la recuperación como la proporción de todas las parejas candidatas exitosas dentro de un pliegue correctamente seleccionadas por la estrategia. Derivar los resultados para pares candidatos no seleccionados a partir del entorno sintético completamente etiquetado establecido en el Paso 6.2.
5. Asegúrate de que la métrica de recuerdo capture con precisión la capacidad del algoritmo para identificar todas las coincidencias teóricamente viables dentro del grupo de candidatos simulado.
6. Calcula la puntuación F1 usando la siguiente fórmula:
   (6)
7. Calcular resultados secundarios: tasa de llenado de capacidad, tiempo medio estimado de espera, satisfacción media del paciente, tasa de finalización de consultas, tasa de seguimiento a 7 días y tasa de mejora reportada.
8. Calcular el índice de desequilibrio de carga para evaluar la desigualdad de la distribución de la carga de trabajo de los médicos dentro de cada pliegue:
   (7)
9. Promedia las estimaciones específicas de 12 veces para obtener los valores resumen a nivel de estrategia usando las asignaciones originales de puntuación.
10. Realizar un análisis de regresión logística multivariable dentro del subconjunto de coincidencias finales seleccionadas para identificar factores a nivel de par asociados de forma independiente con el éxito de la emparejamiento.
11. Incluye las siguientes variables independientes predefinidas basadas en la relevancia teórica: puntuación de compatibilidad, puntuación de capacidad, tiempo estimado de espera, ajuste a la asequibilidad, coincidencia con especialidades, ajuste por preferencia de género, nivel de gravedad y nivel de urgencia.
12. Emplear una estrategia de selección de variables de entrada forzada en lugar de un enfoque escalonado para preservar la estructura teórica del modelo.
13. Evalúa la multicolinealidad utilizando el Factor de Inflación de Varianza (VIF). Confirma que todos los valores de VIF permanecen por debajo de 5,0 antes de la estimación final del modelo.
14. Defina la significación estadística como un < p de dos colas de 0,05 y reporte los resultados como razones de probabilidad ajustadas (aOR) con intervalos de confianza (IC) correspondientes del 95%.

Resultados

Características de referencia del grupo de médicos y del grupo de solicitudes de pacientes

El conjunto de datos analítico simulado comprendía 240 médicos y 3.600 solicitudes de consulta con pacientes. Las características de base de ambos lados del sistema de emparejamiento se resumen en la Tabla 2, y los patrones de distribución en el lado de la plataforma se ilustran en la Figura 3.

Entre los 240 médicos, 128 (53,3%) eran mujeres. La cohorte demostró una experiencia clínica media de 9,34 años, una tarifa media de consulta de 68,08 USD, una capacidad nominal diaria media de consulta de 18,52 consultas, una valoración media histórica de servicio de 4,63 y un tiempo medio de primera respuesta de 5,47 h. Medicina Interna fue la especialidad más grande (19,2%), seguida por Ortopedia (15,0%) y Neurología (13,3%). En cuanto al modo consulta, el 41,7% de los médicos apoyó texto más voz, el 37,1% apoyó solo texto y el 21,3% apoyó las consultas de texto completo, voz y vídeo.

De las 3.600 solicitudes de pacientes, el 53,1% fueron presentadas por mujeres. La edad media era de 36,49 años y el techo presupuestario medio era de 47,30 USD. Medicina Interna fue la especialidad objetivo más frecuente (20,0%), seguida de Neurología (13,8%) y Cardiología (13,0%). Las solicitudes se clasificaron por gravedad (45,7% moderada, 34,2% baja, 20,1% alta) y urgencia (39,1% prioritaria, 35,9% rutinaria, 25,0% urgente). La consulta por texto fue la preferencia más común (45,1%) y el 78,7% de los pacientes no informó de preferencia de género por parte del médico. En conjunto, estas distribuciones indican que la plataforma operaba en un entorno de consulta heterogéneo, validando la necesidad de evaluar tanto las limitaciones de compatibilidad como de capacidad dentro del sistema de emparejamiento.

Estructura de pares candidatos y separación de puntuaciones

Tras la recuperación en especialidad y la expansión restringida de candidatos, se generaron 9.785 parejas candidato médico-paciente (Tabla 3, Figura 4). En toda la capa de pareja candidata, se seleccionaron 3.085 parejas como coincidencias finales, mientras que 6.700 no. Las parejas seleccionadas mostraron una proporción exacta de coincidencia por especialidad mayor (99,2% frente a 95,3%) y una correspondencia ligeramente mayor en preferencia de género (90,2% frente a 89,0%) que las parejas no seleccionadas.

Más importante aún, las principales diferencias por pares se concentraron en las variables operativas y compuestas de puntuación. Los pares seleccionados demostraron una puntuación media de compatibilidad más alta (0,853 frente a 0,829) y una puntuación media de capacidad más alta (0,395 frente a 0,381). En consecuencia, la puntuación media híbrida fue de 0,707 entre pares seleccionados frente a 0,686 entre parejas no seleccionadas. Los pares seleccionados también fueron operativamente más favorables, presentando una menor proporción media de carga médica (0,628 frente a 0,642), más espacios disponibles para el mismo día (6,99 frente a 6,65) y un tiempo estimado de espera más corto (12,46 h frente a 12,79 h).

De los 3.085 pares seleccionados, se completaron 2.584 consultas (tasa de finalización del 83,8%). La satisfacción media del paciente fue de 4,29 sobre 5,00. Definiendo la compatibilidad exitosa como finalización de consulta, satisfacción del paciente 4,0 y sin revisión a 14 días, 1.644 parejas seleccionadas cumplieron este criterio (tasa de éxito del 53,3%). Estos resultados demuestran que las selecciones finales estuvieron impulsadas por la intersección de mayor compatibilidad, menor presión de carga y mejores condiciones de tiempo de espera, coherentes con la lógica del protocolo predefinida.

Factores a nivel de par asociados con el emparejamiento final exitoso

Se realizó una regresión logística multivariable dentro del subconjunto de coincidencias seleccionadas para identificar características asociadas con el emparejamiento exitoso (Tabla 4, Figura 5). La puntuación de compatibilidad se mantuvo positivamente asociada con el éxito del emparejamiento (razón de probabilidades ajustada [aOR] = 11,99; IC 95%, 1,81–79,46; P = 0,010), al igual que la puntuación de capacidad (aOR = 2,08; IC 95%, 1,22–3,55; P = 0,007). Por el contrario, un tiempo de espera estimado más largo redujo la probabilidad de una coincidencia exitosa (aOR = 0,953 por hora adicional; IC 95%, 0,934–0,972; P < 0,001). La asequibilidad también se mantuvo significativa (aOR = 1,33; IC 95%, 1,12–1,57; P = 0,001). La coincidencia exacta de especialidad, la coincidencia por preferencia de género, el estatus de prioridad y la alta gravedad no se mantuvieron de forma independiente significativa. Esto indica que el éxito de emparejamiento depende más de la suma de la compatibilidad y la capacidad absorbible que de cualquier característica superficial individual.

Benchmarking y robustez de las estrategias de asignación

La comparación comparativa entre los 12 pliegues de evaluación se resume en la Tabla 5, la Tabla 6 y la Figura 6. La estrategia híbrida propuesta alcanzó el perfil global más favorable. Produjo la mayor precisión media en el rango 1 (0,740), la memoria (0,691) y la puntuación F1 (0,714), superando la línea base basada en reglas, la estrategia solo de compatibilidad y la estrategia solo de capacidad.

Operativamente, la estrategia híbrida logró la mayor tasa de llenado de capacidad (0,825) y el tiempo medio estimado de espera más corto (5,52 h). El rendimiento centrado en el paciente también se optimizó, con el enfoque híbrido que proporcionó la mayor satisfacción media del paciente (4,43) y el índice de desequilibrio de carga más bajo (0,195), lo que indica una distribución de carga médica muy uniforme. Los análisis de subgrupos (Tabla 7, Figura 6) confirmaron que este patrón de rendimiento estable se mantuvo en diferentes estratos de urgencia y niveles hospitalarios, demostrando la robustez del marco incluso en entornos con altas restricciones de capacidad.

Figura 1: Flujo de trabajo general del estudio. (A) Construcción del grupo de médicos y del grupo de solicitudes de pacientes. (B) Proceso de recuperación de candidatos en especialidad con expansión restringida cuando hay menos de dos médicos activos con capacidad restante disponibles en la especialidad solicitada. (C) Generación de pares candidatos médico-paciente y derivación de variables por pares. (D) Construcción de la puntuación de compatibilidad, la puntuación de capacidad y la puntuación híbrida. (E) Selección final del médico, benchmarking basado en pliegues en cuatro estrategias de asignación y cálculo de resultados de desempeño. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 2: Arquitectura de la compatibilidad y marco de emparejamiento consciente de la capacidad. (A) Módulo de compatibilidad, incluyendo alineación de especialidades, ajuste en modo consulta, ajuste por preferencia de género, ajuste por asequibilidad, valoración histórica del médico y ajuste por urgencia-respuesta. (B) Módulo de capacidad, incluyendo la proporción de carga de médicos, las plazas restantes para el mismo día y el tiempo estimado de espera. (C) Normalización de puntuaciones y agregación ponderada para la puntuación de compatibilidad y la puntuación de capacidad. (D) Integración de los dos módulos en la puntuación final híbrida. (E) Clasificación final y lógica de desempate usada para determinar la coincidencia médico-paciente seleccionada. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 3: Patrones de distribución de referencia de las características de médicos y pacientes en el conjunto de datos analítico. (A) Distribución especializada del grupo de médicos. (B) Título profesional y distribución de médicos por nivel hospitalario. (C) Distribución especializada de solicitudes de consulta con pacientes. (D) Distribución de gravedad y urgencia de las solicitudes de los pacientes. (E) Distribución del modo de consulta preferido y del género del médico preferido entre las solicitudes de los pacientes. Nota: Todas las distribuciones de datos presentadas en esta figura se derivan directamente del conjunto de datos analítico finalizado (n = 240 médicos; n = 3.600 solicitudes de pacientes) y son totalmente coherentes con las estadísticas resumen reportadas en la Tabla 2. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 4: Distribuciones de puntuaciones a nivel de par y separación entre coincidencias de candidatos seleccionados y no seleccionados. (A) Distribución de puntuaciones de compatibilidad en pares seleccionados y no seleccionados. (B) Distribución de puntuaciones de capacidad en pares seleccionados y no seleccionados. (C) Distribución de puntuaciones híbridas en pares seleccionados y no seleccionados. (D) Tiempo de espera estimado (en horas) según el estado de selección. (E) Distribución conjunta de la puntuación de compatibilidad y la puntuación de capacidad, mostrando los pares seleccionados y no seleccionados por separado. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 5: Análisis multivariable de factores asociados con el emparejamiento final exitoso entre parejas seleccionadas. (A) Gráfico forestal de razones de probabilidad ajustadas para puntuación de compatibilidad, puntuación de capacidad, tiempo estimado de espera (en horas), ajuste de asequibilidad, coincidencia con especialidades, ajuste por preferencia de género, nivel de gravedad y nivel de urgencia. (B) Probabilidad marginal de coincidencia exitosa a lo largo del rango observado de puntuación de compatibilidad. (C) Probabilidad marginal de coincidencia exitosa a lo largo del rango observado de puntuación de capacidad. (D) Asociación inversa entre el tiempo de espera estimado (en horas) y la probabilidad de emparejamiento exitoso. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 6: Comparativa de cuatro estrategias de emparejamiento médico-paciente y rendimiento de subgrupos del marco híbrido. (A) Precisión en el rango 1, llamada y puntuación F1 entre las cuatro estrategias. (B) Tasa de llenado de capacidad, tiempo medio estimado de espera y satisfacción media del paciente en las cuatro estrategias. (C) Índice de desequilibrio de carga entre las cuatro estrategias. (D) Rangos de rendimiento a nivel de plegamiento de la estrategia híbrida a lo largo de 12 pliegues de evaluación repetidos. (E) Mapa de calor de rendimiento del subgrupo de estrategias híbridas. Nota: Todos los valores presentados en esta figura han sido validados cruzadamente con los resultados correspondientes reportados en la Tabla 5 para garantizar una consistencia absoluta. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Tabla 1: Definiciones operativas, umbrales y reglas de puntuación para el marco de emparejamiento. Abreviaturas: SD = desviación estándar. Por favor, haz clic aquí para descargar esta tabla.

Tabla 2: Características de referencia del grupo de médicos y del grupo de solicitudes de pacientes. Sección, características y estadísticas básicas comparativas del conjunto de datos analítico antes de la comparación. Por favor, haz clic aquí para descargar esta tabla.

Tabla 3: Comparaciones a nivel de pares entre coincidencias seleccionadas y no seleccionadas. Esta tabla agrega las variables por pares y estadísticas descriptivas que detallan la separación estructural entre las coincidencias seleccionadas finales y las no seleccionadas. Por favor, haz clic aquí para descargar esta tabla.

Tabla 4: Análisis de regresión logística multivariable de factores asociados con el emparejamiento final exitoso entre pares seleccionados. Información del modelo: Variable dependiente = coincidencia final exitosa entre pares seleccionados. Una coincidencia exitosa se definió como la finalización de la consulta, la satisfacción del paciente 4.0/5.0 y la ausencia de revisión de 14 días debido a insatisfacción o desajuste. Por favor, haz clic aquí para descargar esta tabla.

Tabla 5: Rendimiento comparativo de cuatro estrategias de emparejamiento. Resumen de la comparación comparativa a nivel de estrategia en 12 pliegues repetidos. Por favor, haz clic aquí para descargar esta tabla.

Tabla 6: Estabilidad y variabilidad a nivel de pliegue de la estrategia híbrida. Resumen de los rangos de rendimiento a nivel de plegamiento de la estrategia híbrida a lo largo de 12 pliegues de evaluación repetidos. Por favor, haz clic aquí para descargar esta tabla.

Tabla 7: Rendimiento de subgrupos de la estrategia híbrida. Desempeño detallado de subgrupos de la estrategia híbrida basado en los niveles de urgencia y los niveles hospitalarios. Por favor, haz clic aquí para descargar esta tabla.

Discusión

El protocolo actual demuestra un marco de emparejamiento médico-paciente consciente de la compatibilidad y la capacidad en un entorno de consulta médica online a gran escala. La estrategia híbrida logró el rendimiento global más equilibrado en cuanto a precisión de emparejamiento, tiempo de espera, utilización de capacidad, satisfacción del paciente y distribución de la carga de trabajo. Este resultado es crucial porque la consulta digital no solo amplía el acceso, sino que también traslada el trabajo clínico a actividades fuera de horario, aumentando la carga oculta cuando la lógica de asignación pasa por alto la capacidad de absorción del servicio. Evidencias recientes muestran que una mayor demanda digital se asocia con un aumento del trabajo médico fuera del horario programado, lo que refuerza la importancia práctica de incorporar limitaciones de capacidad en los sistemas de emparejamiento en lugar de tratarlas como variables operativas^{secundarias 7}. Además, la compatibilidad por sí sola es insuficiente cuando la demanda está distribuida de forma desigual. En los hospitales en línea, la elección del paciente está fuertemente influenciada por las características visibles de los médicos, lo que impulsa estructuralmente la concentración de la demanda en torno a médicos de alta visibilidad o de mayor estatus. Esta dinámica explica por qué la estrategia solo de compatibilidad en este protocolo mantuvo una calidad de emparejamiento relativamente fuerte, pero tuvo un rendimiento pobre en cuanto a tiempos de espera y balanceo^{de carga 15}.

En nuestra evaluación, la clasificación binaria de una coincidencia exitosa sirvió como un umbral estricto para filtrar encuentros clínicos fallidos, mientras que la puntuación media de satisfacción del paciente nos permitió evaluar la distribución matizada de la calidad percibida por el usuario entre diferentes estrategias de emparejamiento. Además, para abordar preocupaciones sobre la posible circularidad, los resultados secundarios de rendimiento en este estudio se evaluaron de forma independiente a este estatus binario, proporcionando una evaluación más amplia del impacto del marco en la calidad del servicio a nivel de plataforma en lugar de limitarse a validar sus propios criterios de clasificación. La mayor satisfacción del paciente observada bajo la estrategia híbrida se alinea con la literatura más amplia de telemedicina, afinándola al demostrar que la satisfacción está profundamente ligada a la calidad de la asignación y no al simple acceso digital. Trabajos recientes identifican la planificación profesional del tratamiento, la comprensión precisa de las preocupaciones del paciente, las respuestas completas y la evitación de respuestas en plantilla como factores clave de la satisfacción del usuario. Por tanto, los sistemas de emparejamiento óptimos deben dirigir a los pacientes hacia médicos que puedan responder dentro de los plazos aceptables y proporcionar patrones de interacción^{individualizados 16,17}. Esta dinámica también subraya nuestra justificación operativa para restringir el grupo de candidatos generados a dos a cuatro médicos por solicitud (media 2,72). Este umbral específico se calibró empíricamente para lograr un equilibrio óptimo entre preservar la autonomía del paciente y prevenir la "sobrecarga de elección", un cuello de botella cognitivo bien documentado en las arquitecturas digitales de elección en salud que retrasa la toma de decisiones y degrada la experiencia del usuario. Desde la perspectiva de la implementación, este modelo de emparejamiento debería integrarse dentro de un flujo de trabajo más amplio de servicios. De forma crucial, aunque el protocolo experimental actual evalúa el marco utilizando una asignación por lotes estática basada en pliegues, la lógica algorítmica subyacente es intrínsecamente adaptable a escenarios dinámicos en tiempo continuo. Dado que las variables de capacidad —como la carga diaria actual y los tramos restantes del mismo día— están diseñadas para actualizarse iterativamente, la puntuación híbrida puede recalcularse eficientemente en tiempo real para acomodar llegadas secuenciales de pacientes y disponibilidad fluctuante de médicos. Las investigaciones indican que la formación, el conocimiento de la tecnología, la calidad de la comunicación y la carga de trabajo son factores críticos de implementación, y los interesados recomiendan mecanismos concretos para reducir la carga de los médicos. En consecuencia, aunque el marco híbrido mejora el rendimiento de la asignación, su efectividad en el mundo real depende en gran medida del diseño de flujos de trabajo de apoyo, la gobernanza de la plataforma y el soporte operativo^18,19.

Estos resultados representan una optimización del enrutamiento de la plataforma más que una evidencia de que las consultas virtuales puedan sustituir todas las formas de atención. Aunque las consultas virtuales mejoran la eficiencia, la evidencia sobre seguridad y equidad sigue siendo contradictoria; Por lo tanto, este marco se entiende mejor como una herramienta de asignación inicial, no como un sustituto de la triaje clínica o las vías^{de derivación 20}. El protocolo actual tiene varias limitaciones. En primer lugar, aunque el conjunto de datos de evaluación se construyó utilizando variables y patrones de distribución que reflejan estrictamente las condiciones operativas del mundo real, fundamentalmente sigue siendo una cohorte simulada diseñada para la evaluación controlada de plataformas. Reconocemos que la ausencia de conjuntos de datos suplementarios e independientes del mundo real limita la validez externa de los hallazgos actuales. Para establecer de forma sólida la generalizabilidad del método de emparejamiento híbrido propuesto, los estudios futuros deben priorizar la validación de este marco experimental utilizando registros de consultas a gran escala y del mundo real en diversas plataformas digitales de salud y plazos longitudinales extendidos. Evaluar la resiliencia y las capacidades de enrutamiento dinámico del modelo bajo choques temporales extremos de demanda —como temporadas pico de gripe o emergencias de salud pública— sigue siendo fundamental. En segundo lugar, los resultados enfatizaron la finalización de la consulta y la satisfacción del paciente, excluyendo la idoneidad diagnóstica determinada por los clínicos o los resultados de salud longitudinales. En tercer lugar, la evaluación basada en plegamientos se basó en un muestreo aleatorio simple en lugar de la validación cruzada k-fold o el muestreo estratificado. Aunque esto reflejó la volatilidad del flujo natural de pacientes, ocasionalmente puede comprometer la representatividad uniforme de subgrupos minoritarios específicos. Las futuras evaluaciones algorítmicas deberían incorporar muestreo estratificado por gravedad, urgencia y nivel hospitalario para asegurar un rendimiento consistente en todas las subpoblaciones de pacientes. Cuarto, el tiempo de espera estimado derivado de este protocolo sirve como un proxy estructural en lugar de un modelo predictivo rigurosamente calibrado. Debido a la falta de registros de tiempo continuos y reales, no pudimos realizar análisis de correlación estrictos ni calcular errores de calibración con los tiempos reales de espera clínica. Investigaciones futuras deberían aprovechar registros operativos empíricos a gran escala para validar y afinar estos parámetros heurísticos de tiempo de espera. Quinto, el esquema de ponderación que combina compatibilidad y capacidad fue preespecificado heurísticamente en lugar de derivarse mediante modelado matemático objetivo. Aunque este enfoque fijo a priori impide el ajuste de datos post hoc, carece del rigor de métodos de ponderación objetiva como el AHP o la ponderación por entropía. Las futuras iteraciones de este marco deberían incorporar estos métodos objetivos de toma de decisiones multicriterio para determinar dinámicamente la razón óptima de ponderación. Finalmente, el marco opera a nivel de asignación uno a uno y fue evaluado bajo condiciones estáticas de asignación por lotes, sin modelar consultas basadas en equipos ni repriorización dinámica en tiempo continuo (por ejemplo, gestionar picos repentinos de demanda o cancelaciones de calendarios en tiempo real). La investigación futura debería ampliar este marco a una simulación de cola totalmente dinámica y extender los algoritmos de emparejamiento desde la selección inicial del médico hasta el enrutamiento consciente de la comunicación y el soporte para la interacción^{post-match 21}.

En general, este protocolo traslada con éxito el paradigma de emparejamiento médico-paciente de una lógica de objetivo único. En plataformas online a gran escala, la asignación efectiva debe abordar conjuntamente la compatibilidad clínica-servicio y la capacidad operativa de absorción del médico bajo las condiciones actuales de carga de trabajo, sin degradar la puntualidad ni la experiencia del paciente. En comparación con las estrategias basadas en reglas, solo compatibilidad y solo capacidad, el marco híbrido consciente de compatibilidad y capacidad logró un equilibrio global superior en la precisión de coincidencia, la retirada, la puntuación F1, el tiempo de espera, la tasa de llenado de capacidad y la distribución de la carga de trabajo. Al tratar la asignación médico-paciente ni como una tarea de recomendación puramente basada en preferencias ni como un problema de programación basado en el rendimiento de datos, este enfoque proporciona una base altamente práctica y escalable para el enrutamiento inteligente de consultas, la coordinación de recursos de la plataforma y la optimización futura de los servicios digitales de salud.

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
Parejas candidatas médico-paciente	Generado por el estudio	N/A	Derivación de variable por pares y selección de coincidencias (9,785 parejas candidatas)
IBM SPSS Statistics	IBM Corp.	https://www.ibm.com/products/spss-statistics	Análisis estadístico (Versión 27)
Microsoft Excel	Microsoft Corporation	https://www.microsoft.com/microsoft-365/excel	Gestión de datos y resumen descriptivo (Versión 2021)
Registros de solicitudes de pacientes	Generado por el estudio	N/A	Características de línea base del lado del paciente y parámetros de preferencia (3,600 solicitudes de consulta)
Registros de médicos	Generado por el estudio	N/A	Características de línea base del lado del médico y parámetros de capacidad (240 médicos activos)
Python	Python Software Foundation	https://www.python.org	Simulación, construcción de puntajes y evaluación comparativa (Versión 3.11)