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.
Se requiere una suscripción a JoVE para ver este contenido. Inicie sesión o comience su prueba gratuita.
Artículo de método
Un marco experimental para la emparejamiento médico-paciente consciente de la compatibilidad y la capacidad en la consulta online
En este artículo
Resumen
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 presencialesconvencionales. 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 organizaciónsanitaria 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 digitalesde 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 atencióndigital 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 decita 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 operativacentral 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 médicosaltamente 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 consultaheterogéneas 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 opcionesde 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 consultaonline 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 hospitalesde 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 escalade 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 absorbibledel 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 satisfaccióndel 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.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
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
- 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.
- 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).
- 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. - 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.
- 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
- 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.
- 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). - 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
- 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.
- 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.
- 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.
- 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.
- 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%.
- 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. - 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.
- 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.
- 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
- Construye el framework de emparejamiento usando un módulo de compatibilidad y un módulo de capacidad, como se detalla en la Figura 2.
- Calcular la puntuación de compatibilidad como una combinación lineal ponderada de los factores de emparejamiento centrados en el paciente:
(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) - Calcula la puntuación híbrida final integrando los componentes de compatibilidad y capacidad:
(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. - 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
- 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. - Conservar todos los pares candidatos vinculados a esas solicitudes muestreadas dentro del respectivo fold.
- Compara cuatro estrategias de asignación distintas de forma independiente en la misma capa de par candidato específica para pliegues:
- 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.
- Para una estrategia basada solo en compatibilidad, selecciona al candidato con la puntuación de compatibilidad más alta.
- Para una estrategia de capacidad única, selecciona al candidato con la puntuación de capacidad más alta.
- Para la estrategia híbrida, selecciona al candidato con la puntuación híbrida más alta.
- Selecciona al médico candidato con la puntuación final más alta específica de estrategia como la compatibilidad final para cada solicitud del paciente.
- 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
- Calcula los resultados principales: precisión en rango 1, llamada y puntuación en F1.
- 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. - Calcula la precisión en el rango 1 como la proporción de coincidencias finales seleccionadas que cumplen el criterio de coincidencia exitosa.
- 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.
- 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.
- Calcula la puntuación F1 usando la siguiente fórmula:
(6) - 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.
- 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) - Promedia las estimaciones específicas de 12 veces para obtener los valores resumen a nivel de estrategia usando las asignaciones originales de puntuación.
- 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.
- 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.
- Emplear una estrategia de selección de variables de entrada forzada en lugar de un enfoque escalonado para preservar la estructura teórica del modelo.
- 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.
- 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%.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
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.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
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 trasl...
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Divulgaciones
Los autores no tienen nada que revelar.
Agradecimientos
Esta investigación fue financiada por el Proyecto de Introducción al Talento y Startup de Investigación Científica de la Universidad NingboTech: Investigación sobre la recomendación de médicos para plataformas de consulta médica online (1140157G20220699). Esta investigación también fue apoyada por el Proyecto Mayor de Innovación Tecnológica de la Zona de Alta Tecnología de Ningbo (2023CX050007) y el Proyecto de Demostración de Aplicaciones Mayores de "Innovación en Ciencia y Tecnología Yongjiang 2035": Investigación sobre la Estandarización del Dialecto Ningbo basada en modelos a gran escala y demostración de desarrollo de aplicaciones inteligentes (2024Z021).
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Materiales
| 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) |
Referencias
- Shen T, Li Y, Chen X. A systematic review of online medical consultation research. Healthcare. 2024;12(17):1687.
- Cheng TC, Yip W. Policies, progress, and prospects for internet telemedicine in China. Health Syst Reform. 2024;10(2):2389570.
- Yang M, et al. The status and challenges of online consultation service in internet hospitals operated by physical hospitals in China: a large-scale pooled analysis of multicenter data. BMC Health Serv Res. 2025;25(1):611.
- Culmer N, et al. Asynchronous telemedicine: a systematic literature review. Telemed Rep. 2023;4(1):366–86.
- Fadaizadeh L, Velayati F, Arab-Zozani M. Satisfaction of patients and physicians with telehealth services during the COVID-19 pandemic: a systematic review and meta-analysis. Healthc Inform Res. 2024;30(3):206–23.
- Ge X, Chappell P, Ledger J, Bakhai M, Clarke GM. The use of online consultation systems and patient experience of primary care: cross-sectional analysis using the General Practice Patient Survey. J Med Internet Res. 2024;26:e51272.
- Mandal S, et al. Quantifying the impact of telemedicine and patient medical advice request messages on physicians’ work-outside-work. npj Digit Med. 2024;7(1):35.
- Wan Y, et al. Influencing factors and mechanism of doctor consultation volume on online medical consultation platforms based on physician review analysis. Internet Res. 2021;31(6):2055–75.
- Lu Y, Wang Q. Doctors’ preferences in the selection of patients in online medical consultations: an empirical study with doctor-patient consultation data. Healthcare. 2022;10(8):1435.
- Wang P, Huang Y, Li H, Xi X. Public preferences for online medical consultations in China: a discrete choice experiment. Front Public Health. 2023;11:1282387.
- Jiang H, Mi Z, Xu W. Online medical consultation service-oriented recommendations: systematic review. J Med Internet Res. 2024;26:e46073.
- Zhao M, Wang Y, Zhang X, Xu C. Online doctor-patient dynamic stable matching model based on regret theory under incomplete information. Socioecon Plann Sci. 2023;87:101615.
- Zhang Y, Wang T, Wang Y, Li X, Tang Y. A deep learning approach integrating multi-dimensional features for expert matching in healthcare question answering communities. Front Public Health. 2025;13:1633754.
- Jiang M, et al. Resident preferences for telemedicine services in China in the digital health era: mixed methods study. Patient Educ Couns. 2025;137:108909.
- Wang Y, Shi C, Wang X, Meng H, Chen J. The relationship between static characteristics of physicians and patient consultation volume in internet hospitals: quantitative analysis. JMIR Form Res. 2024;8:e56687.
- Dhunnoo P, et al. Evaluation of telemedicine consultations using health outcomes, user attitudes, and experiences: scoping review. J Med Internet Res. 2024;26:e53266.
- Yang F, Cheng Y, Yao R, Zhang X. What key factors affect patient satisfaction on online medical consultation platforms? A case study from China. Healthcare. 2025;13(5):540.
- Oudbier SJ, et al. Implementation barriers and facilitators of remote monitoring, remote consultation, and digital care platforms through the eyes of healthcare professionals: a review of reviews. BMJ Open. 2024;14(6):e075833.
- Khairat S, Lin J, Liu S. Patient and provider recommendations for improved telemedicine user experience in primary care: a multi-center qualitative study. Telemed Rep. 2023;4(1):34–43.
- Campbell K, et al. The impact of virtual consultations on the quality of primary care: systematic review. J Med Internet Res. 2023;25:e48920.
- Wu B, Liu QB, Guo X, Yang C. Investigating patients’ adoption of online medical advice. Decis Support Syst. 2024;176:114050.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.