Cadre expérimental pour l’appariement médecin-patient conscient de la compatibilité et de la capacité lors de consultations en ligne

Résumé

Ce protocole présente un cadre expérimental évolutif pour le jumelage médecin-patient sur les plateformes de consultation médicale en ligne. En intégrant conjointement la compatibilité clinique centrée sur le patient et la capacité de service côté médecin dans un modèle de notation hybride, cette méthode optimise la précision de l’appariement, minimise les temps d’attente des patients et assure une répartition équilibrée de la charge de travail des médecins.

Résumé

Les plateformes de consultation médicale en ligne à grande échelle nécessitent un appariement efficace, assisté par algorithmes, médecin-patient, pour équilibrer l’ajustement centré sur le patient et l’efficacité opérationnelle. Les approches existantes optimisent souvent indépendamment la compatibilité clinique ou la capacité des médecins, ce qui entraîne des délais d’attente prolongés et des charges de travail inégales. Ce protocole présente un cadre expérimental évolutif permettant d’intégrer conjointement compatibilité et capacité dans un score d’appariement hybride. À l’aide d’un ensemble de données simulé comprenant 240 médecins, 3 600 demandes de patients et 9 785 paires de candidats, la méthode quantifie la compatibilité (par exemple, alignement de la spécialité, ajustement des modes) et la capacité (par exemple, le rapport de charge, le temps d’attente estimé). Le cadre évalue les paires candidates via un score hybride et compare la performance aux stratégies de benchmark basées sur des règles, uniquement en compatibilité et uniquement en capacité sur 12 épreuves d’évaluation. Des résultats représentatifs démontrent que le cadre hybride atteint une qualité de correspondance supérieure, incluant une précision moyenne au rang 1 de 0,740 et un score F1 de 0,714. De plus, il offre une grande efficacité opérationnelle avec un taux de remplissage de capacité de 0,825 h et un temps d’attente moyen estimé court de 5,52 h. En maximisant la satisfaction moyenne des patients (4,43/5,00) et en minimisant le déséquilibre de charge (0,195), ce cadre fournit un protocole pratique pour un routage intelligent des consultations et une gestion de la plateforme.

Introduction

La consultation médicale en ligne est devenue un mode de prestation de soins de plus en plus important, étendant l’accès aux services médicaux au-delà des rencontres conventionnelles en face^{à face 1}. En Chine, l’expansion de la télémédecine sur Internet a été renforcée par l’élaboration de politiques, la croissance du marché et une intégration plus profonde avec le système de santé plus large, faisant de la consultation numérique un élément de plus en plus important de l’organisation^{de santé 2}. Les preuves à grande échelle des hôpitaux en ligne indiquent en outre que les services de consultation en ligne fonctionnent désormais à grande échelle, fonctionnant comme une partie significative de la prestation de services de routine plutôt qu’un complément marginal³. Parallèlement, la télémédecine asynchrone a élargi le champ des soins à distance en permettant des modes d’interaction flexibles, améliorant l’accessibilité tout en augmentant simultanément la complexité opérationnelle des plateformes de consultation^{numériques 4}.

À mesure que ces plateformes s’étendent, leurs performances ne peuvent être jugées uniquement par la disponibilité technique. L’expérience du patient et la qualité du service sont devenues des résultats centraux de la prestation de soins^{numériques 5}. Des recherches récentes ont montré que l’utilisation des systèmes de consultation en ligne est associée à des différences mesurables dans l’expérience des patients, notamment en ce qui concerne l’accès, la commodité et les processus de^{rendez-vous 6}. Cependant, la consultation numérique génère également une charge de travail supplémentaire pour les médecins, incluant la gestion des messages et le travail effectué en dehors des heures cliniques habituelles, ce qui fait de la gestion des capacités une préoccupation opérationnelle^{centrale 7}. Ce défi est aggravé par la répartition inégale de la demande entre les médecins, car des indices visibles tels que les avis, les évaluations et d’autres informations de profil peuvent orienter le trafic des patients vers un sous-ensemble limité de médecins très^visibles. L’attribution médecin-patient sur les plateformes de consultation en ligne n’est donc pas seulement un problème de recherche côté patient, car les médecins peuvent également montrer des préférences de réponse sélective face à des demandes de consultation^{hétérogènes 9}.

Du point de vue du patient, le choix de la consultation en ligne est intrinsèquement multidimensionnel. Les utilisateurs évaluent simultanément le temps d’attente, les qualifications des médecins, le niveau hospitalier, le mode de service et le coût de la consultation lors du choix des options^{de soins 10}. En lien avec cette complexité, une revue systématique récente a conclu que les plateformes de consultation médicale en ligne nécessitent des mécanismes de recommandation capables de réduire la surcharge d’informations et d’aligner mieux les besoins des patients avec les ressources des^{médecins 11}. Les études méthodologiques ont donc commencé à introduire des approches d’appariement structurées, incluant un appariement stable dynamique sous informations incomplètes, afin d’améliorer l’allocation médecin-patient dans les environnements de consultation^{en ligne 12}. Des recherches plus récentes sur les recommandations ont également souligné que le jumelage médecin-patient devrait améliorer l’efficacité de l’allocation tout en réduisant la concentration excessive de la demande autour de médecins très visibles issus des hôpitaux^{de premier plan 13}. Les preuves de méthodes mixtes montrent une hétérogénéité substantielle des préférences en télémédecine, indiquant qu’une logique d’allocation universelle est peu susceptible d’être suffisante à l’échelle¹⁴ de la plateforme. Malgré ces avancées, la littérature existante tend à traiter les facteurs liés à la compatibilité et les contraintes de capacité des médecins comme des problèmes distincts, même si les plateformes de consultation en ligne doivent gérer simultanément l’adéquation relationnelle et l’absorbabilité^{du service 11}.

Pour combler cette lacune, cette méthode vise à établir un cadre expérimental évolutif pour l’appariement médecin-patient conscient de la compatibilité et de la capacité sur les plateformes de consultation médicale en ligne à grande échelle. La logique de cette technique est que l’optimisation isolée de la préférence clinique ou de la capacité de service du médecin conduit à des délais d’attente prolongés, à des charges de travail inégales et à des expériences de consultation sous-optimales. L’avantage principal de cette stratégie hybride par rapport aux techniques alternatives basées sur des règles ou à objectif unique est sa capacité à modéliser conjointement les besoins des patients, les caractéristiques des médecins et les contraintes dynamiques des services afin de maintenir un équilibre de charge de travail et une forte satisfaction^{des patients 12}. En détaillant la construction du score d’appariement hybride et du processus d’évaluation basé sur le pliage, ce protocole fournit une base pratique pour un routage intelligent de consultation. Les lecteurs peuvent utiliser ce cadre méthodologique pour déterminer si une logique de correspondance dualement consciente est appropriée pour optimiser le triage, l’allocation des ressources et la gestion des flux de travail dans leurs applications spécifiques de santé numérique.

Protocole

L’ensemble de données d’évaluation utilisé dans ce protocole a été simulé de façon computationnelle à partir de distributions opérationnelles agrégées et désidentifiées et ne contenait aucune donnée réelle ou identifiable de participants humains. Par conséquent, l’étude a été jugée exemptée d’un examen éthique complet par le Conseil d’Éthique Institutionnelle (IRB) de l’Université NingboTech (Exemption n° NT9918276).

1. Préparation des données et définition de la cohorte

1. Constituez le vivier de médecins comprenant 240 médecins en ligne actifs répartis dans huit spécialités de consultation : médecine interne, cardiologie, neurologie, dermatologie, pédiatrie, gynécologie, orthopédie et psychiatrie.
2. Extraire et définir les variables suivantes pour chaque dossier médical : spécialité, sexe, titre professionnel (Résident, Médecin Principal, Chef associé ou Chef), niveau hospitalier (Primaire, Secondaire ou Tertiaire), années de pratique, années d’expérience en consultation en ligne, frais de consultation, capacité nominale quotidienne de consultation, charge quotidienne actuelle, note historique, temps moyen de première réponse, taux d’acceptation historique, taux de suivi du service et mode de consultation soutenue (Texte, Texte plus voix, ou texte plus voix plus vidéo).
3. Établissez le pool de demandes de patients contenant 3 600 demandes de consultation.
   REMARQUE : Pour contextualiser la dimension temporelle de l’évaluation, ce pool est calibré pour représenter une période opérationnelle continue de 30 jours, couvrant à la fois les jours de semaine standard et les week-ends. Cette période est conçue pour capturer les variations cycliques courantes de la demande des patients tout en excluant explicitement les périodes atypiques extrêmes (par exemple, les grandes fêtes nationales ou les pics épidémiques) afin d’établir une base de référence stable et stable pour l’évaluation algorithmique de la performance.
4. Extraire et définir les variables suivantes pour chaque demande de patient : âge, sexe, spécialité cible, niveau de gravité (faible, modéré ou élevé), niveau d’urgence (routinière, urgent ou prioritaire), plafond budgétaire, sexe préféré du médecin (homme, femme ou sans préférence), mode de consultation préféré (texte, voix ou vidéo), visites antérieures sur plateforme, niveau d’engagement numérique, nombre de comorbidités, niveau de ville et période de contact préféré.
5. Nettoyez le jeu de données en excluant tout dossier dont les valeurs manquantes sont dans la spécialité, les frais de consultation, la capacité quotidienne, la charge actuelle, le temps moyen de première réponse, la gravité, l’urgence, le plafond budgétaire, le mode de consultation préféré ou le genre du médecin préféré. Assurez-vous que tous les enregistrements conservés sont complets avant de procéder à la génération de paires.

2. Génération de paires candidates

1. Générez des paires médecin-patient candidats en utilisant une règle de prélèvement spécialisée en premier. Pour chaque demande d’un patient, il faut faire venir les premiers médecins correspondant à la spécialité cible du patient.
2. Élargir la fenêtre de prélèvement aux spécialités à haute fréquence adjacentes qui restent actives sur la plateforme le même jour uniquement si moins de deux médecins actifs ayant une capacité de consultation restante sont disponibles dans la spécialité cible initiale.
   REMARQUE : Dans ce protocole, « adjacence » est structurellement définie par des schémas établis de référencement croisé clinique et des chevauchements anatomiques ou symptomatiques (par exemple, le transfert d’un patient de la cardiologie vers la médecine interne générale), tandis que « haute fréquence » désigne spécifiquement les spécialités se classant dans le quartile supérieur (top 25 %) du volume historique quotidien de demandes de consultation sur la plateforme.
3. Relier chaque patient à deux à quatre médecins candidats, en visant un nombre moyen empirique d’environ 2,72 candidats par demande. Établir la couche finale de paires candidates contenant 9 785 paires. Voir la Figure 1 pour le flux de travail global de l’étude.

3. Opérationnalisation par variables paires

1. Définissez toutes les variables par paires utilisées dans la construction des scores avant l’étalonnage. Consultez le tableau 1 pour les définitions, seuils et correspondances de score prédéfinis.
2. Cochez la correspondance de spécialité (S) comme 1 lorsque la spécialité médicale est identique à la spécialité cible du patient, et 0 sinon.
3. Le mode code ajustait (M) comme 1 lorsque le mode supporté par le médecin couvre entièrement le mode préféré du patient, et 0 sinon.
4. Code correspondance par préférence de genre (G) comme 1 lorsque le patient choisit Pas de préférence ou lorsque le sexe du médecin correspond à la préférence déclarée, et 0 sinon.
5. Ajustement à l’accessibilité au code (A) : 1 lorsque les honoraires médicaux sont inférieurs ou égaux au plafond budgétaire du patient, 0,5 lorsque les honoraires dépassent le budget de pas plus de 20 %, et 0 lorsque les honoraires dépassent le budget de plus de 20 %.
6. Normaliser l’évaluation historique des médecins en utilisant la fourchette observée au niveau des médecins (minimum 4,10, maximum 4,98). Calculez le score de qualité normalisé (Q) à l’aide de la formule suivante :
   (1)
   Fixez les valeurs en dessous de 4,10 après la troncature à 0, et les valeurs supérieures à 4,98 à 1.
7. Définissez l’ajustement urgence-réponse (U) en fonction de l’urgence du patient et du temps moyen de première réponse du médecin, tel que spécifié dans le Tableau 1.
8. Calculez le rapport de charge des médecins en divisant la charge quotidienne actuelle par la capacité nominale quotidienne. Calculez les créneaux restants du jour même en soustrayant la charge quotidienne actuelle de la capacité nominale quotidienne.
9. Calculez le temps d’attente estimé (en heures) à l’aide de la formule suivante :
   
   Cette construction sert d’estimation heuristique inspirée des principes fondamentaux de la théorie des files d’attente, où le temps moyen de première réponse d’un médecin est pénalisé par son taux d’utilisation en temps réel (charge quotidienne actuelle / capacité quotidienne).
   REMARQUE : Le facteur d’ajustement d’urgence est fixé à 0,80 pour les requêtes prioritaires, 0,90 pour les demandes urgentes et 1,00 pour les requêtes de routine. Ces facteurs d’ajustement sont mis en œuvre sous forme de poids opérationnels prédéfinis pour faire respecter un routage prioritaire dans les cas graves, plutôt que des coefficients dérivés empiriquement.

4. Construction du score correspondant

1. Construisez le cadre d’appariement à l’aide d’un module de compatibilité et d’un module de capacité, comme détaillé à la Figure 2.
2. Calculez le score de compatibilité comme une combinaison linéaire pondérée des facteurs d’appariement centrés sur le patient :
   (3)
3. Calculez le score de capacité à partir du score de rapport de charge (L), du score du slot restant (R) et du score de temps d’attente (W). Attribuer les scores catégoriels pour , , et en fonction des seuils définis dans le Tableau 1. Calculez le score de capacité comme suit :
   (4)
4. Calculez le score hybride final en intégrant les composantes de compatibilité et de capacité :
   (5)
5. Fixez le schéma de pondération 0,60–0,40 avant l’évaluation.
   REMARQUE : Ce ratio prédéterminé est guidé par un principe fondamental des services de santé. La pertinence clinique et l’adéquation centrée sur le patient doivent constituer les critères principaux pour garantir la sécurité médicale, tout en appliquant une pénalité mathématique substantielle aux contraintes sévères de capacité, ce qui correspond à la littérature établie sur le triage qui privilégie l’adéquation clinique au détriment du débit opérationnel.
6. Ne réglez pas ces poids après l’inspection finale pour éviter un surajustement et garantir leur reproductibilité.
   REMARQUE : Les chercheurs adoptant ce protocole sont fortement encouragés à réaliser des analyses de sensibilité complètes ou à employer des techniques décisionnelles objectives multi-critères (par exemple, le processus hiérarchique analytique [AHP] ou la pondération d’entropie) afin d’adapter le cadre à la charge opérationnelle spécifique de leur plateforme.

5. Sélection des matchs et benchmarking de stratégies

1. Effectuer un benchmarking sur 12 folds d’évaluation répétés. Pour chaque plie, échantillonnez 300 demandes de patients sans remplacement dans l’ensemble du groupe de patients.
   REMARQUE : Cette approche simple d’échantillonnage aléatoire est intentionnellement utilisée pour simuler la nature stochastique et imprévisible des flux d’arrivée des patients caractéristiques des plateformes de consultation en ligne en temps réel, plutôt que d’imposer un équilibre structurel artificiel à la demande entrante.
2. Conservez toutes les paires candidates liées aux requêtes échantillonnées dans le fold concerné.
3. Comparez indépendamment quatre stratégies d’allocation distinctes sur la même couche de paire candidate spécifique au pli :
   1. Pour la base basée sur des règles, classez les candidats par correspondance exacte de spécialité, puis par frais de consultation plus bas, et enfin par note historique plus élevée.
   2. Pour une stratégie uniquement de compatibilité, sélectionnez le candidat ayant le score de compatibilité le plus élevé.
   3. Pour une stratégie basée uniquement sur la capacité, sélectionnez le candidat ayant le score de capacité le plus élevé.
   4. Pour la stratégie hybride, sélectionnez le candidat ayant le score hybride le plus élevé.
4. Sélectionnez le médecin candidat ayant le score final spécifique à la stratégie le plus élevé comme correspondance finale pour chaque demande de patient.
5. Résoudre les éventuels points nuls (scores identiques à trois décimales) en sélectionnant le candidat avec le temps d’attente estimé le plus faible, suivi du score de compatibilité le plus élevé, et enfin le score historique supérieur.

6. Calcul des résultats

1. Calculez les résultats principaux : précision au rang 1, rappel et score F1.
2. Attribuez des résultats de base à l’ensemble des 9 785 paires candidates avant de comparer en utilisant les distributions de probabilité dérivées de l’ensemble de données empirique de référence.
   REMARQUE : Utilisez un environnement synthétique entièrement étiqueté pour permettre le calcul de la précision et la mémoire pour toutes les paires candidates. Une correspondance réussie est obtenue si la consultation est terminée, et que la satisfaction du patient est de 4,0 sur une échelle de 5 points, et qu’aucun retour de 14 jours n’a lieu en raison d’insatisfaction ou de décalage.
3. Calculez la précision au rang 1 comme la proportion de correspondances finales sélectionnées répondant au critère de réussite.
4. Calculez le rappel comme la proportion de toutes les paires candidates réussies dans un pli correctement sélectionnées par la stratégie. Obtenir les résultats pour les paires candidates non sélectionnées à partir de l’environnement synthétique entièrement étiqueté établi à l’étape 6.2.
5. Assurez-vous que la métrique de rappel capture avec précision la capacité de l’algorithme à identifier toutes les correspondances théoriquement viables au sein du pool de candidats simulés.
6. Calculez le score F1 à l’aide de la formule suivante :
   (6)
7. Calculez les résultats secondaires : taux de remplissage de la capacité, temps d’attente moyen estimé, satisfaction moyenne des patients, taux de fin de consultation, taux de suivi sur 7 jours et taux d’amélioration rapporté.
8. Calculez l’indice de déséquilibre de charge pour évaluer l’inégalité de la répartition de la charge de travail des médecins dans chaque plie :
   (7)
9. Faites la moyenne des estimations 12 fois spécifiques pour obtenir les valeurs de résumé au niveau de la stratégie en utilisant les assignations de score initiales.
10. Réaliser une analyse de régression logistique multivariable au sein du sous-ensemble des correspondances finales sélectionnées afin d’identifier les facteurs de niveau paire indépendamment associés à la réussite des appariements.
11. Inclure les variables indépendantes prédéfinies suivantes en fonction de leur pertinence théorique : score de compatibilité, score de capacité, temps d’attente estimé, adéquation à l’accessibilité, correspondance à la spécialité, correspondance à la préférence de genre, niveau de gravité et niveau d’urgence.
12. Employez une stratégie de sélection de variables à entrée forcée plutôt qu’une approche progressive pour préserver la structure théorique du modèle.
13. Évaluer la multicolinéarité à l’aide du facteur d’inflation de la variance (VIF). Confirmez que toutes les valeurs de VIF restent inférieures à 5,0 avant l’estimation finale du modèle.
14. Définissez la signification statistique comme un < p à deux queues de 0,05, et rapportez les résultats sous forme de rapports de cotes ajustés (aOR) avec des intervalles de confiance (IC) correspondants à 95 %.

Résultats

Caractéristiques de référence du groupe de médecins et de demandes de patients

L’ensemble de données analytique simulé comprenait 240 médecins et 3 600 demandes de consultation de patients. Les caractéristiques de base des deux côtés du système d’appariement sont résumées dans le tableau 2, et les motifs de distribution côté plateforme sont illustrés à la figure 3.

Parmi les 240 médecins, 128 (53,3 %) étaient des femmes. La cohorte a démontré une expérience clinique moyenne de 9,34 ans, des frais de consultation moyens de 68,08 USD, une capacité nominale de consultation quotidienne moyenne de 18,52 consultations, une note moyenne historique de service de 4,63, et un temps moyen de première réponse de 5,47 h. La médecine interne était la plus grande spécialité (19,2 %), suivie de l’orthopédie (15,0 %) et de la neurologie (13,3 %). Concernant le mode consultation, 41,7 % des médecins soutenaient le texte plus voix, 37,1 % le texte uniquement, et 21,3 % soutenaient le texte intégral, la voix et les consultations vidéo.

Parmi les 3 600 demandes de patients, 53,1 % ont été soumises par des patientes féminines. L’âge moyen était de 36,49 ans, et le plafond budgétaire moyen était de 47,30 USD. La médecine interne était la spécialité cible la plus fréquente (20,0 %), suivie par la neurologie (13,8 %) et la cardiologie (13,0 %). Les demandes étaient classées par gravité (45,7 % modérée, 34,2 % faible, 20,1 % élevée) et urgence (39,1 % prioritaire, 35,9 % routinière, 25,0 % urgente). La consultation par SMS était la préférence la plus courante (45,1 %), et 78,7 % des patients n’ont déclaré aucune préférence de genre du médecin. Collectivement, ces distributions indiquent que la plateforme fonctionnait dans un environnement de consultation hétérogène, validant la nécessité d’évaluer à la fois les contraintes de compatibilité et de capacité au sein du système de correspondance.

Structure des paires candidats et séparation des scores

Après la ponction spéciale et l’expansion restreinte des candidats, 9 785 paires médecin-patient candidats ont été générées (Tableau 3, Figure 4). Sur toute la couche de paires candidates, 3 085 paires ont été sélectionnées comme correspondances finales, tandis que 6 700 ne l’ont pas été. Les paires sélectionnées présentaient une proportion exacte de correspondance spéciale plus élevée (99,2 % contre 95,3 %) et une correspondance de préférence de genre légèrement supérieure (90,2 % contre 89,0 %) que les paires non sélectionnées.

Plus important encore, les principales différences par paires étaient concentrées dans les variables opérationnelles et composites de notation. Les paires sélectionnées ont démontré un score moyen de compatibilité plus élevé (0,853 contre 0,829) et un score moyen de capacité plus élevé (0,395 contre 0,381). Par conséquent, le score hybride moyen était de 0,707 chez les couples sélectionnés, contre 0,686 chez les couples non sélectionnés. Les paires sélectionnées étaient également plus favorables opérationnellement, présentant un ratio moyen de charge médical plus faible (0,628 contre 0,642), plus de créneaux disponibles le jour même (6,99 contre 6,65) et un temps d’attente estimé plus court (12,46 h contre 12,79 h).

Parmi les 3 085 paires sélectionnées, 2 584 consultations ont été menées (taux de complétion de 83,8 %). La satisfaction moyenne des patients était de 4,29 sur 5,00. En définissant le jumelage réussi comme la fin de la consultation, la satisfaction du patient de 4,0, et l’absence de revisite sur 14 jours, 1 644 couples sélectionnées ont rempli ce critère (taux de réussite de 53,3 %). Ces résultats démontrent que les sélections finales étaient déterminées par l’intersection d’une compatibilité plus élevée, d’une pression de charge plus faible et de meilleures conditions d’attente, cohérentes avec la logique protocolaire prédéfinie.

Facteurs au niveau des paires associés à la réussite du couplage final

Une régression logistique multivariable au sein du sous-ensemble de correspondance sélectionnée a été réalisée pour identifier les caractéristiques associées à un appariement réussi (Tableau 4, Figure 5). Le score de compatibilité est resté positivement associé à un appariement réussi (rapport de cotes ajusté [aOR] = 11,99 ; IC à 95 %, 1,81–79,46 ; P = 0,010), tout comme le score de capacité (aOR = 2,08 ; IC à 95 %, 1,22–3,55 ; P = 0,007). Inversement, un temps d’attente estimé plus long réduisait la probabilité d’une correspondance réussie (aOR = 0,953 par heure supplémentaire ; IC à 95 %, 0,934–0,972 ; P < 0,001). L’accessibilité financière est également restée significative (aOR = 1,33 ; IC à 95 %, 1,12–1,57 ; P = 0,001). L’appariement exact de spécialité, de préférence de genre, de statut prioritaire et de gravité élevée n’est pas resté significatif de manière indépendante. Cela indique que le succès de l’appariement dépend davantage de la force combinée de compatibilité et de capacité absorbable que d’une seule caractéristique de surface.

Benchmarking et robustesse des stratégies d’allocation

Le benchmarking comparatif des 12 branches d’évaluation est résumé dans les Tableaux 5, 6 et Figure 6. La stratégie hybride proposée a obtenu le profil global le plus favorable. Il a produit la plus grande précision moyenne au rang 1 (0,740), au rappel (0,691) et au score F1 (0,714), surpassant la base basée sur des règles, la stratégie uniquement de compatibilité et la stratégie de capacité unique.

Opérationnellement, la stratégie hybride a atteint le taux de remplissage de capacité le plus élevé (0,825) et le temps d’attente moyen estimé le plus court (5,52 h). La performance centrée sur le patient a également été optimisée, l’approche hybride produisant la satisfaction moyenne des patients la plus élevée (4,43) et l’indice de déséquilibre de charge le plus bas (0,195), indiquant une répartition très équilibrée de la charge de travail des médecins. Les analyses de sous-groupes (Tableau 7, Figure 6) ont confirmé que ce schéma de performance stable était maintenu à travers différentes strates d’urgence et niveaux hospitaliers, prouvant la robustesse du cadre même dans des contextes à forte capacité limitée.

Figure 1 : Flux de travail global de l’étude. (A) Construction du pool de médecins et de demandes de patients. (B) Processus de recherche de candidat spécialisé avec une expansion limitée lorsque moins de deux médecins actifs ayant une capacité restante sont disponibles dans la spécialité demandée. (C) Génération de paires doctor-patient candidats et dérivation de variables par paires. (D) Construction du score de compatibilité, du score de capacité et du score hybride. (E) Sélection finale du médecin, benchmarking basé sur les pliages répartis sur quatre stratégies d’allocation, et calcul des résultats de performance. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 2 : Architecture de la compatibilité et cadre d’appariement conscient de la capacité. (A) Module de compatibilité, incluant l’alignement des spécialités, l’ajustement en mode consultation, l’ajustement par préférence sexe, l’ajustement à l’accessibilité, l’évaluation historique des médecins et l’ajustement urgence-réponse. (B) Module de capacité, incluant le taux de charge des médecins, les créneaux restants le même jour et le temps d’attente estimé. (C) Normalisation des scores et agrégation pondérée des scores pour le score de compatibilité et le score de capacité. (D) Intégration des deux modules dans le score hybride final. (E) Classement final et logique de bris d’égalité utilisés pour déterminer la correspondance médecin-patient sélectionnée. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 3 : Schémas de distribution de base des caractéristiques des médecins et des patients dans l’ensemble de données analytique. (A) Répartition spécialisée du vivier de médecins. (B) Titre professionnel et répartition des médecins par ordre hospitalier. (C) Distribution spécialisée des demandes de consultation des patients. (D) Répartition de la gravité et de l’urgence des demandes des patients. (E) Répartition du mode de consultation préféré et du genre du médecin préféré parmi les demandes des patients. Note : Toutes les distributions de données présentées dans cette figure sont dérivées directement du jeu de données analytique finalisé (n = 240 médecins ; n = 3 600 demandes de patients) et sont entièrement cohérentes avec les statistiques résumées rapportées dans le tableau 2. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 4 : Distributions des scores au niveau des paires et séparation entre correspondances candidates sélectionnées et non sélectionnées. (A) Distribution des scores de compatibilité dans les paires sélectionnées et non sélectionnées. (B) Répartition des scores de capacité entre les paires sélectionnées et non sélectionnées. (C) Distribution des scores hybrides entre les paires sélectionnées et non sélectionnées. (D) Temps d’attente estimé (en heures) selon le statut de sélection. (E) Distribution conjointe du score de compatibilité et du score de capacité, avec les paires sélectionnées et non sélectionnées indiquées séparément. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 5 : Analyse multivariée des facteurs associés à la correspondance finale réussie entre les paires sélectionnées. (A) Graphique forestier des rapports de cotes ajustés pour le score de compatibilité, le score de capacité, le temps d’attente estimé (en heures), l’adéquation à l’accessibilité, la correspondance à la spécialité, l’adéquation par préférence sexe, le niveau de gravité et le niveau d’urgence. (B) Probabilité marginale de correspondance réussie sur toute la plage observée du score de compatibilité. (C) Probabilité marginale de correspondance réussie sur toute la plage observée du score de capacité. (D) Association inverse entre le temps d’attente estimé (en heures) et la probabilité de réussite du jumelage. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 6 : Comparaison comparative de quatre stratégies d’appariement médecin-patient et performance des sous-groupes du cadre hybride. (A) Précision au rang 1, rappel et score F1 à travers les quatre stratégies. (B) Taux de remplissage de capacité, temps d’attente moyen estimé et satisfaction moyenne des patients à travers les quatre stratégies. (C) Indice de déséquilibre de charge à travers les quatre stratégies. (D) Les plages de performance au niveau des pli de la stratégie hybride sur 12 folds d’évaluation répétés. (E) Stratégie hybride, carte thermique de performance du sous-groupe. Note : Toutes les valeurs présentées dans cette figure ont été recoupées avec les résultats correspondants rapportés dans le tableau 5 afin d’assurer une cohérence absolue. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Tableau 1 : Définitions opérationnelles, seuils et règles de notation pour le cadre de correspondance. Abréviations : SD = écart-type. Veuillez cliquer ici pour télécharger ce tableau.

Tableau 2 : Caractéristiques de référence du groupe de médecins et de demandes de patients. Section, caractéristiques et statistiques comparatives de base de l’ensemble de données analytiques avant l’appariement. Veuillez cliquer ici pour télécharger ce tableau.

Tableau 3 : Comparaisons au niveau des paires entre les correspondances sélectionnées et non sélectionnées. Ce tableau regroupe les variables par paires et les statistiques descriptives détaillant la séparation structurelle entre les correspondances finales sélectionnées et les candidats non sélectionnés. Veuillez cliquer ici pour télécharger ce tableau.

Tableau 4 : Analyse de régression logistique multivariable des facteurs associés à la réussite de l’appariement final entre des paires sélectionnées. Informations sur le modèle : Variable dépendante = correspondance finale réussie entre les paires sélectionnées. Une correspondance réussie a été définie comme la fin de la consultation, la satisfaction du patient 4,0/5,0, et l’absence de revisite de 14 jours en raison d’insatisfaction ou de décalage. Veuillez cliquer ici pour télécharger ce tableau.

Tableau 5 : Performance comparative de quatre stratégies d’appariement. Résumé du benchmarking comparatif au niveau de la stratégie sur 12 regroupements répétés. Veuillez cliquer ici pour télécharger ce tableau.

Tableau 6 : Stabilité et variabilité au niveau des pli de la stratégie hybride. Résumé des plages de performance au niveau des pli de la stratégie hybride sur 12 folds d’évaluation répétés. Veuillez cliquer ici pour télécharger ce tableau.

Tableau 7 : Performance des sous-groupes de la stratégie hybride. Performance détaillée des sous-groupes de la stratégie hybride basée sur les niveaux d’urgence et les paliers hospitaliers. Veuillez cliquer ici pour télécharger ce tableau.

Discussion

Le protocole actuel démontre un cadre de mise en relation médecin-patient conscient de la compatibilité et de la capacité dans un cadre de consultation médicale en ligne à grande échelle. La stratégie hybride a permis d’obtenir la performance globale la plus équilibrée en termes de précision d’appariement, de temps d’attente, d’utilisation de la capacité, de satisfaction des patients et de répartition de la charge de travail. Ce résultat est crucial car la consultation numérique élargit non seulement l’accès, mais déplace aussi le travail clinique vers des activités en dehors des heures de travail, augmentant la charge de travail cachée lorsque la logique d’allocation néglige l’absorbabilité du service. Des preuves récentes montrent qu’une demande numérique accrue est associée à une augmentation du travail médical en dehors des heures prévues, renforçant l’importance pratique d’intégrer les contraintes de capacité dans les systèmes de correspondance plutôt que de les traiter comme des variables opérationnelles^{secondaires 7}. De plus, la seule compatibilité est insuffisante lorsque la demande est répartie de manière inégale. Dans les hôpitaux en ligne, le choix des patients est fortement influencé par les caractéristiques visibles des médecins, ce qui stimule structurellement la concentration de la demande autour des médecins très visibles ou de statut supérieur. Cette dynamique explique pourquoi la stratégie uniquement de compatibilité dans ce protocole a conservé une qualité d’appariement relativement forte mais a mal performé en termes de temps d’attente et d’équilibrage^{de charge 15}.

Dans notre évaluation, la classification binaire d’une correspondance réussie servait de seuil strict pour filtrer les échecs cliniques, tandis que le score moyen de satisfaction des patients nous permettait d’évaluer la distribution nuancée de la qualité perçue par l’utilisateur à travers différentes stratégies de correspondance. De plus, pour répondre aux préoccupations concernant une circularité potentielle, les résultats secondaires de performance de cette étude ont été évalués indépendamment de ce statut binaire, offrant une évaluation plus large de l’impact du cadre sur la qualité du service à l’échelle de la plateforme, plutôt que de simplement valider ses propres critères de classification. La satisfaction plus élevée des patients observée dans la stratégie hybride s’inscrit dans la littérature plus large sur la télémédecine, la renforçant en démontrant que la satisfaction est profondément liée à la qualité de l’allocation plutôt qu’à un simple accès numérique. Des travaux récents identifient la planification professionnelle des traitements, la compréhension précise des préoccupations des patients, les réponses complètes et l’évitement des réponses modèles comme des facteurs clés de la satisfaction des utilisateurs. Ainsi, les systèmes d’appariement optimaux doivent orienter les patients vers des médecins capables de répondre dans des délais acceptables et de fournir des schémas d’interaction^{individualisés 16,17}. Cette dynamique souligne également notre justification opérationnelle pour limiter le bassin de candidats généré à deux à quatre médecins par demande (moyenne 2,72). Ce seuil spécifique a été calibré empiriquement pour trouver un équilibre optimal entre la préservation de l’autonomie du patient et la prévention de la « surcharge de choix » – un goulot d’étranglement cognitif bien documenté dans les architectures de choix en santé numérique qui retarde la prise de décision et dégrade l’expérience utilisateur. D’un point de vue implémentation, ce modèle d’appariement devrait être intégré dans un flux de travail plus large de services. De manière cruciale, bien que le protocole expérimental actuel évalue le cadre à l’aide d’une assignation statique par lots basée sur le fold, la logique algorithmique sous-jacente est intrinsèquement adaptable à des scénarios dynamiques en temps continu. Parce que les variables de capacité — telles que la charge quotidienne actuelle et les créneaux restants le même jour — sont conçues pour être mises à jour de manière itérative, le score hybride peut être recalculé efficacement en temps réel pour s’adapter aux arrivées séquentielles des patients et aux fluctuations de la disponibilité des médecins. Les recherches indiquent que la formation, la familiarité avec la technologie, la qualité de la communication et la charge de travail sont des facteurs critiques de mise en œuvre, et les parties prenantes recommandent des mécanismes concrets pour réduire la charge des médecins. Par conséquent, bien que le cadre hybride améliore la performance de l’allocation, son efficacité concrète repose fortement sur la conception de flux de travail de soutien, la gouvernance de la plateforme et le support opérationnel^18,19.

Ces résultats représentent une optimisation du routage de la plateforme plutôt qu’une preuve que les consultations virtuelles peuvent remplacer toutes les formes de soins. Bien que les consultations virtuelles améliorent l’efficacité, les preuves restent mitigées concernant la sécurité et l’équité ; Par conséquent, ce cadre est mieux compris comme un outil d’allocation en amont, et non comme un substitut au triage clinique ou aux voies^{de référence 20}. Le protocole actuel présente plusieurs limitations. Premièrement, bien que l’ensemble d’données d’évaluation ait été construit à partir de variables et de schémas de distribution qui reflètent strictement les conditions opérationnelles réelles, il reste fondamentalement une cohorte simulée conçue pour l’évaluation contrôlée de plateforme. Nous reconnaissons que l’absence de jeux de données réels supplémentaires et indépendants limite la validité externe des résultats actuels. Pour établir de manière robuste la généralisabilité de la méthode d’appariement hybride proposée, les études futures doivent prioriser la validation de ce cadre expérimental en utilisant des journaux de consultations à grande échelle et réels sur diverses plateformes numériques de santé et des délais longitudinaux étendus. L’évaluation de la résilience du modèle et des capacités de routage dynamique sous des chocs temporels extrêmes de la demande — tels que les saisons de pointe de la grippe ou les urgences de santé publique — reste cruciale. Deuxièmement, les résultats ont mis l’accent sur la complétion des consultations et la satisfaction des patients, excluant la pertinence diagnostique jugée par les cliniciens ou les résultats de santé longitudinaux. Troisièmement, l’évaluation basée sur le pli reposait sur un simple échantillonnage aléatoire plutôt que sur une validation croisée k-multipliée ou un échantillonnage stratifié. Bien que cela ait permis de mettre en évidence la volatilité du flux naturel de patients, cela peut parfois compromettre la représentativité uniforme de certains sous-groupes minoritaires. Les futures évaluations algorithmiques devraient intégrer un échantillonnage stratifié par gravité, urgence et niveau hospitalier afin d’assurer une performance cohérente à travers toutes les sous-populations de patients. Quatrièmement, le temps d’attente estimé dérivé de ce protocole sert de proxy structurel plutôt que de modèle prédictif rigoureusement calibré. En raison de l’absence de journaux temporels réels et continus, nous n’avons pas pu effectuer des analyses de corrélation strictes ni calculer des erreurs d’étalonnage par rapport aux temps d’attente cliniques réels. Les recherches futures devraient s’appuyer sur des journaux opérationnels empiriques à grande échelle pour valider et affiner ces paramètres heuristiques du temps d’attente. Cinquièmement, le schéma de pondération combinant compatibilité et capacité a été prédéfini heuristiquement plutôt que dérivé par modélisation mathématique objective. Bien que cette approche fixe a priori empêche l’ajustement post-hoc des données, elle manque de la rigueur des méthodes de pondération objective telles que l’AHP ou la pondération par entropie. Les futures versions de ce cadre devraient intégrer ces méthodes objectives multi-critères de prise de décision afin de déterminer dynamiquement le rapport de pondération optimal. Enfin, le cadre fonctionne au niveau d’allocation un pour un et a été évalué sous des conditions d’attribution par lots statiques, sans modéliser les consultations en équipe ni la rehipération dynamique en temps continu (par exemple, gérer des pics de demande soudains ou des annulations de calendrier en temps réel). Les recherches futures devraient élargir ce cadre en une simulation de file d’attente entièrement dynamique et étendre les algorithmes de correspondance depuis la sélection initiale du médecin jusqu’au routage conscient de la communication et au soutien de l’interaction^{post-match 21}.

Dans l’ensemble, ce protocole déplace avec succès le paradigme de correspondance médecin-patient loin d’une logique à objectif unique. Dans les plateformes en ligne à grande échelle, une allocation effective doit prendre en compte conjointement l’adéquation du service clinique et l’absorbabilité opérationnelle du médecin dans les conditions actuelles de charge de travail, sans dégrader la rapidité ni l’expérience du patient. Comparé aux stratégies basées sur des règles, uniquement compatibilité et capacité uniquement, le cadre hybride conscient de la compatibilité et de la capacité a atteint un meilleur équilibre global en termes de précision d’appariement, de rappel, de score F1, de temps d’attente, de taux de remplissage de capacité et de répartition de la charge de travail. En traitant l’appariement médecin-patient ni comme une tâche de recommandation purement basée sur les préférences ni comme un problème de planification basé sur le débit, cette approche fournit une base très pratique et évolutive pour un routage intelligent des consultations, la coordination des ressources de la plateforme et l’optimisation future des services de santé numériques.

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
Paires candidats médecin-patient	Généré par l'étude	N/A	Dérivation des variables par paires et sélection de correspondances (9 785 paires candidates)
IBM SPSS Statistics	IBM Corp.	https://www.ibm.com/products/spss-statistics	Analyse statistique (Version 27)
Microsoft Excel	Microsoft Corporation	https://www.microsoft.com/microsoft-365/excel	Gestion des données et résumé descriptif (Version 2021)
Fichiers de demande de patient	Généré par l'étude	N/A	Caractéristiques de base côté patient et paramètres de préférence (3 600 demandes de consultation)
Fichiers de médecin	Généré par l'étude	N/A	Caractéristiques de base côté médecin et paramètres de capacité (240 médecins actifs)
Python	Python Software Foundation	https://www.python.org	Simulation, construction de score et évaluation (Version 3.11)