מסגרת ניסויית להתאמה בין רופא למטופל בהתאמה וביכולת בייעוץ מקוון

סיכום

פרוטוקול זה מציג מסגרת ניסויית ניתנת להרחבה להתאמה בין רופא למטופל בפלטפורמות ייעוץ רפואי מקוונות. על ידי שילוב משותף של תאימות קלינית ממוקדת מטופל וקיבולת שירות מצד הרופא במודל ניקוד היברידי, שיטה זו ממקסמת את דיוק ההתאמה, מצמצמת זמני המתנה של המטופלים ומבטיחה חלוקה מאוזנת של עומס העבודה של הרופאים.

תקציר

פלטפורמות ייעוץ רפואי מקוונות בקנה מידה גדול דורשות התאמת רופא-מטופל יעילה בעזרת אלגוריתם כדי לאזן בין התאמה ממוקדת מטופל ליעילות תפעולית. הגישות הקיימות לעיתים קרובות ממעלות את התאימות הקלינית או את יכולת הרופא באופן עצמאי, מה שמוביל לזמני המתנה ממושכים ולעומסי עבודה לא שווים. פרוטוקול זה מציג מסגרת ניסיונית ניתנת להרחבה לשילוב משותף של תאימות וקיבולת בציון התאמה היברידי. באמצעות מאגר נתונים מדומה הכולל 240 רופאים, 3,600 בקשות מטופלים ו-9,785 זוגות מועמדים, השיטה מכמת תאימות (למשל, יישור התמחות, התאמת מצבים) וקיבולת (למשל, יחס עומס, זמן המתנה משוער). המסגרת מעריכה זוגות מועמדים באמצעות ציון היברידי ומשווה ביצועים לאסטרטגיות מבוססות כללים, תאימות בלבד, ואסטרטגיות מדד קיבולת בלבד ב-12 תיבות הערכה. תוצאות מייצגות מראות שהמסגרת ההיברידית משיגה איכות התאמה מעולה, כולל דיוק ממוצע בדרגה 1 של 0.740 וציון F1 של 0.714. יתרה מזאת, הוא מניב יעילות תפעולית גבוהה עם קצב מילוי קיבולת של 0.825 וזמן המתנה ממוצע קצר מוערך של 5.52 שעות. על ידי מקסום שביעות רצון ממוצעת של מטופלים (4.43/5.00) והפחתת חוסר איזון עומסים (0.195), מסגרת זו מספקת פרוטוקול מעשי לניתוב חכם לייעוץ וניהול פלטפורמה.

מבוא

ייעוץ רפואי מקוון הפך לאמצעי חשוב יותר ויותר של מתן שירותי בריאות, ומרחיב את הגישה לשירותים רפואיים מעבר למפגשים פנים אל פנים קונבנציונליים^. בסין, התרחבות הטלרפואה באינטרנט התחזקה על ידי פיתוח מדיניות, צמיחת שוק ואינטגרציה עמוקה יותר עם מערכת הבריאות הרחבה, מה שהופך את הייעוץ הדיגיטלי לרכיב חשוב יותר ויותר בארגון הבריאות². ראיות רחבות היקף מבתי חולים אינטרנטיים מצביעות על כך ששירותי ייעוץ מקוונים פועלים כיום בקנה מידה משמעותי, ומשמשים כחלק משמעותי ממתן שירותים שגרתיים ולא כתוספת שולית³. במקביל, טלרפואה אסינכרונית הרחיבה את תחום הטיפול מרחוק על ידי מתן דפוסי אינטראקציה גמישים, שיפור הנגישות ובמקביל להגדלת המורכבות התפעולית של פלטפורמות הייעוץ הדיגיטליות⁴.

ככל שהפלטפורמות הללו מתרחבות, לא ניתן לשפוט את ביצועיהן רק לפי זמינות טכנית. חוויית המטופל ואיכות השירות הפכו לתוצאות מרכזיות של מתן טיפול דיגיטלי⁵. מחקרים עדכניים הראו כי השימוש במערכות ייעוץ מקוונות קשור להבדלים מדידים בחוויית המטופל, במיוחד בנוגע לגישה, נוחות ותהליכי תור⁶. עם זאת, ייעוץ דיגיטלי יוצר גם עומס עבודה נוסף לרופאים, כולל טיפול בהודעות ועבודה מחוץ לשעות הקליניות השגרתיות, מה שהופך את ניהול היכולת לדאגה תפעולית מרכזית⁷. אתגר זה מתעצם בשל החלוקה הלא אחידה של הביקוש בין רופאים, משום שסימני שירות גלויים כמו ביקורות, דירוגים ומידע פרופיל נוסף יכולים לכוון את תנועת המטופלים לתת-קבוצה מוגבלת של רופאים בולטים⁸. לכן, הקצאת רופא-מטופל בפלטפורמות ייעוץ מקוונות אינה רק בעיית חיפוש בצד המטופל, שכן רופאים עשויים גם להראות העדפות תגובה סלקטיבית כאשר הם מתמודדים עם בקשות ייעוץ הטרוגניות⁹.

מנקודת מבטו של המטופל, הבחירה בייעוץ מקוון היא רב-ממדית במהותו. המשתמשים שוקלים בו זמנית את זמן ההמתנה, הכשרת הרופא, רמת בית החולים, מצב השירות ועלות הייעוץ בעת בחירת אפשרויות הטיפול¹⁰. בהתאם למורכבות זו, סקירה שיטתית עדכנית קבעה כי פלטפורמות ייעוץ רפואי מקוונות זקוקות למנגנוני המלצה המלצות המסייעים להפחית עומס מידע וליישר טוב יותר את צורכי המטופלים עם משאבי הרופאים¹¹. מחקרים מתודולוגיים החלו בהתאם להכניס גישות התאמה מובנית, כולל התאמה דינמית יציבה תחת מידע חלקי, כדי לשפר את ההקצאה בין רופא למטופל בסביבות ייעוץ מקוון¹². מחקרי המלצות עדכניים הדגישו עוד כי התאמת רופא-מטופל צריכה לשפר את יעילות ההקצאה תוך הפחתת ריכוז יתר של ביקוש סביב רופאים בולטים מבתי החולים^{המובילים.} ראיות בשיטות מעורבות מראות הטרוגניות משמעותית בהעדפות רפואה מרחוק, מה שמעיד כי לוגיקת הקצאה אחידה לכולם אינה סביר שתספיק בסולם^{פלטפורמה 14}. למרות ההתקדמויות הללו, הספרות הקיימת נוטה להתייחס לגורמים הקשורים להתאמה ולמגבלות יכולת הרופאים כבעיות נפרדות, אף על פי שפלטפורמות הייעוץ המקוונות חייבות לנהל בו-זמנית התאמה יחסית ויכולת ספיגת שירות¹¹.

כדי להתמודד עם הפער הזה, שיטה זו שואפת להקים מסגרת ניסיונית ניתנת להרחבה להתאמה בין רופא למטופל המודעת להתאמה ולקיבולת בפלטפורמות ייעוץ רפואי מקוונות רחבות היקף. ההיגיון מאחורי טכניקה זו הוא שאופטימיזציה של ההעדפה הקלינית או יכולת השירות של הרופא בבידוד מובילה לזמני המתנה ממושכים, עומסי עבודה לא שווים וחוויות ייעוץ לא אופטימליות. היתרון העיקרי של אסטרטגיה היברידית זו על פני טכניקות חלופיות מבוססות כללים או הקצאה חד-מטרה הוא יכולתה למודל יחד את צרכי המטופלים, מאפייני הרופא ומגבלות השירות הדינמיות לשמירה על איזון עומס עבודה ושביעות רצון גבוהה^{של מטופלים.} על ידי פירוט בניית ציון ההתאמה ההיברידי ותהליך ההערכה המבוסס קיפול, פרוטוקול זה מספק בסיס מעשי לניתוב ייעוץ חכם. הקוראים יכולים לנצל את המסגרת המתודולוגית הזו כדי לקבוע האם לוגיקת התאמה מודעת כפולה מתאימה לאופטימיזציה של מיון, הקצאת משאבים וניהול תהליכי עבודה באפליקציות הבריאות הדיגיטליות הספציפיות שלהם.

פרוטוקול

מאגר הנתונים של ההערכה ששימש בפרוטוקול זה דומה חישובית מהתפלגויות תפעוליות מצטברות ולא מזוהות, ולא כלל נתוני משתתפים אנושיים בפועל או מזוהה. כתוצאה מכך, המחקר נחשב פטור מסקירה אתית מלאה על ידי מועצת הביקורת המוסדית (IRB) של אוניברסיטת נינגבו-טק (פטור מס' NT9918276).

1. הכנת נתונים והגדרת קבוצה

1. הקם מאגר רופאים הכולל 240 רופאים פעילים באינטרנט בשמונה תחומי ייעוץ: רפואה פנימית, קרדיולוגיה, נוירולוגיה, דרמטולוגיה, ילדים, גינקולוגיה, אורתופדיה ופסיכיאטריה.
2. הוצא והגדר את המשתנים הבאים עבור כל רשומה רפואית: התמחות, מין, תואר מקצועי (מתמחה, רופא אחר, סגן ראש או ראש), רמת בית חולים (ראשי, משני או שלישוני), שנות עיסוק, שנות ניסיון בייעוץ מקוון, דמי ייעוץ, קיבולת ייעוץ יומית נומינלית, עומס יומי נוכחי, דירוג היסטורי, זמן תגובה ראשונה ממוצע, שיעור קבלה היסטורי, שיעור שירות מעקב, ואופן ייעוץ נתמך (טקסט, טקסט בתוספת קול, או טקסט בתוספת קול ועוד וידאו).
3. הקם מאגר בקשות מטופלים הכולל 3,600 בקשות ייעוץ.
   הערה: כדי להקשר את הממד הזמני של ההערכה, מאגר זה מכויל לייצג תקופת פעולה רציפה של 30 יום, הכוללת גם ימי חול סטנדרטיים וגם סופי שבוע. מסגרת זמן זו נועדה ללכוד שינויים מחזוריים שגרתיים בביקוש המטופלים תוך החרגה מפורשת של תקופות לא שגרתיות (למשל, חגים לאומיים מרכזיים או התפרצויות מגפות שיא) כדי לקבוע קו בסיס יציב ויציב להערכת ביצועים אלגוריתמית.
4. הוציא והגדר את המשתנים הבאים עבור כל בקשה למטופל: גיל, מין, התמחות יעד, רמת חומרה (נמוכה, בינונית או גבוהה), רמת דחיפות (שגרתית, דחופה או עדיפות), תקרת תקציב, מגדר רופא מועדף (זכר, נקבה, או ללא העדפה), מצב ייעוץ מועדף (טקסט, קול או וידאו), ביקורים קודמים בפלטפורמה, רמת מעורבות דיגיטלית, ספירת מחלות נלוות, דרגת עיר, ותקופת מגע מועדפת.
5. נקה את מאגר הנתונים על ידי החרגת רשומות עם ערכים חסרים בהתמחות, דמי ייעוץ, קיבולת יומית, עומס נוכחי, זמן תגובה ממוצע, חומרה, דחיפות, תקרת תקציב, אופן ייעוץ מועדף או מגדר רופא מועדף. ודא שכל הרשומות השמורים שלמות לפני שממשיכים ליצירת זוגות.

2. יצירת זוגות מועמדים

1. יצירת זוגות מועמדים של רופא-מטופל באמצעות כלל שליפה של התמחות ראשונה. לכל בקשת מטופל, יש לאסוף את הרופאים הראשונים שמתאימים למומחיות המיועד של המטופל.
2. הרחיב את חלון האיסוף לממחים סמוכים בתדר גבוה שעדיין פעילים בפלטפורמה באותו יום רק אם פחות משני רופאים פעילים עם קיבולת ייעוץ נותרת זמינים במומחיות הראשונית היעד הראשוני.
   הערה: בפרוטוקול זה, "סמיכות" מוגדרת מבנית על ידי דפוסי הפניות קליניות קבועות וחפיפה אנטומית או סימפטומטית (למשל, ניתוב מטופל מקרדיולוגיה לרפואה פנימית כללית), בעוד ש"תדירות גבוהה" מתייחסת ספציפית להתמחויות המדורגות ברבעון העליון (25% העליונים) של נפח בקשות הייעוץ היומיות ההיסטוריות בפלטפורמה.
3. קשר כל מטופל לשניים עד ארבעה רופאים מועמדים, במטרה להגיע למספר ממוצע אמפירי של כ-2.72 מועמדים לכל בקשה. קבע את שכבת הזוג המועמדת הסופית המכילה 9,785 זוגות. ראו איור 1 לשיטת העבודה הכוללת של הלימוד.

3. תפעול משתנים זוגיים

1. הגדר את כל המשתנים הזוגיים המשמשים בבניית ניקוד לפני ביצוע הבנצ'מרקינג. עיין בטבלה 1 להגדרות, ספים ומיפוי ציונים שנקבעו מראש.
2. קודד התמחות (S) כ-1 כאשר ההתמחות הרפואית זהה להתמחות המטופל היעד, ו-0 אחרת.
3. מצב קוד מתאים (M) כ-1 כאשר מצב התמיכה של הרופא מכסה במלואו את מצב המטופל המועדף, ו-0 אחרת.
4. קודד התאמה מגדרית-מועדפת (G) כ-1 כאשר המטופל בוחר ללא העדפה או כאשר מין הרופא תואם להעדפה מוצהרת, ו-0 אחרת.
5. קוד הנגישות (A) מתאימה ל-1 כאשר שכר הרופא נמוך או שווה לתקרה התקציבית של המטופל, 0.5 כאשר התשלום לא עולה על התקציב ב-20%, ו-0 כאשר התשלום עולה על התקציב ביותר מ-20%.
6. נרמול דירוג הרופא ההיסטורי באמצעות טווח רמת הרופא הנצפה (מינימום 4.10, מקסימום 4.98). חשב את ציון האיכות המנורמל (Q) באמצעות הנוסחה הבאה:
   (1)
   הגדר ערכים מתחת ל-4.10 לאחר החיתוך ל-0, וערכים מעל 4.98 ל-1.
7. הגדר התאמת דחיפות-תגובה (U) בהתבסס על דחיפות המטופל וזמן התגובה הראשונה הממוצע של הרופא כפי שמפורט בטבלה 1.
8. חשב את יחס עומס הרופאים על ידי חלוקת העומס היומי הנוכחי בקיבולת היומית הנומינלית. חשב את המשבצות שנותרו באותו יום על ידי הפחתת העומס היומי הנוכחי מהקיבולת היומית הנומינלית.
9. חשב את זמן ההמתנה המשוער (בשעות) באמצעות הנוסחה הבאה:
   
   מבנה זה משמש כהערכה היוריסטית בהשראת עקרונות תור בסיסיים, שבהם זמן התגובה הראשונה הממוצע של הרופא מופחת על פי שיעור השימוש בזמן אמת (עומס יומי נוכחי / קיבולת יומית).
   הערה: גורם התאמת הדחיפות מוגדר ל-0.80 לבקשות עדיפות, 0.90 לבקשות דחופות, ו-1.00 לבקשות שגרתיות. גורמי התאמה אלו מיושמים כמשקלים תפעוליים מוגדרים מראש כדי לאכוף ניתוב מועדף למקרים חמורים, ולא כמקדמים שמקורם אמפירית.

4. בניית ניקוד התאמת

1. בנה את מסגרת ההתאמה באמצעות מודול תאימות ומודול קיבולת, כפי שמפורט באיור 2.
2. חשב את ציון התאימות כצירוף ליניארי משוקלל של גורמי ההתאמה ממוקדי המטופל:
   (3)
3. חשב את ציון הקיבולת מציון יחס העומס (L), ציון החריץ הנותר (R) וציון זמן ההמתנה (W). הקצה את הציונים הקטגוריים עבור , , ועל בסיס הספים המוגדרים בטבלה 1. חשב את ציון הקיבולת כך:
   (4)
4. חשב את הציון ההיברידי הסופי על ידי שילוב רכיבי התאימות והקיבולת:
   (5)
5. קבע את סכמת המשקל 0.60–0.40 לפני ההערכה.
   הערה: יחס זה שנקבע מראש מונחה על ידי עיקרון יסודי של שירותי בריאות. התאמה קלינית והתאמה ממוקדת מטופל חייבות לשמש כקריטריון הניתוב העיקרי להבטחת בטיחות רפואית, תוך הטלת עונש מתמטי משמעותי על מגבלות קיבולת חמורות, בהתאם לספרות המיון המקובלת שמעדיפה התאמה קלינית על פני קצב תפעולי.
6. אין לכוון את המשקולות הללו לאחר בדיקת התוצאה כדי למנוע התאמת יתר ולהבטיח שחזוריות.
   הערה: חוקרים המאמצים פרוטוקול זה מומלצים מאוד לבצע ניתוחי רגישות מקיפים או להשתמש בטכניקות קבלת החלטות אובייקטיביות רב-קריטריות (למשל, תהליך ההיררכיה האנליטית [AHP] או משקל אנטרופיה) כדי להתאים את המסגרת לעומס התפעולי הספציפי של הפלטפורמה שלהם.

5. בחירת משחקים והשוואת אסטרטגיה

1. בצע בנצ'מרקינג על פני 12 קיפולי הערכה חוזרים. לכל קיפול, דגמו 300 בקשות מטופלים ללא החלפה מתוך מאגר המטופלים המלא.
   הערה: שיטת הדגימה האקראית הפשוטה הזו משמשת במכוון לסימולציה של הטבע הסטוכסטי והבלתי צפוי של זרמי הגעת מטופלים האופייניים לפלטפורמות ייעוץ מקוונות בזמן אמת, במקום להטיל איזון מבני מלאכותי על הביקוש הנכנס.
2. שמור את כל זוגות המועמדים המקושרים לבקשות שנבדקו בתוך הקפל הרלוונטי.
3. השווה ארבע אסטרטגיות הקצאה מובחנות באופן עצמאי על אותה שכבת זוג מועמד ספציפית לקיפול:
   1. לבסיס מבוסס כללים, דרג מועמדים לפי התאמה מדויקת למומחיות, אחר כך לפי דמי ייעוץ נמוכים יותר, ולבסוף לפי דירוג היסטורי גבוה יותר.
   2. באסטרטגיה של תאימות בלבד, בחרו את המועמד עם ציון ההתאמה הגבוה ביותר.
   3. באסטרטגיה מבוססת קיבולת בלבד, בחרו את המועמד עם ציון הכושר הגבוה ביותר.
   4. לאסטרטגיה ההיברידית, בחרו את המועמד עם הציון ההיברידי הגבוה ביותר.
4. בחרו את הרופא המועמד עם הציון הסופי הגבוה ביותר בהתאם לאסטרטגיה כהתאמה סופית לכל בקשה של מטופל.
5. פתור כל תיקו (ציונים זהים לשלוש ספרות עשרוניות) על ידי בחירת המועמד עם זמן ההמתנה המשוער הנמוך יותר, אחריו ציון תאימות גבוה יותר, ולבסוף דירוג היסטורי גבוה יותר.

6. חישוב תוצאה

1. חשב את התוצאות העיקריות: דיוק בדרגה 1, ריקול, וציון F1.
2. הקצו תוצאות אמת קרקעית לכל 9,785 זוגות המועמדים לפני השוואת ביצועים באמצעות התפלגויות הסתברותיות שמקורן במאגר הנתונים האמפירי הבסיסי.
   הערה: השתמשו בסביבה סינתטית מסומנת במלואה כדי לאפשר חישוב דיוק ושחזור לכל זוגות המועמדים. התאמה מוצלחת מושגת אם הייעוץ הושלם, ושביעות רצון המטופלים היא 4.0 בסולם של 5 נקודות, ואין ביקור חוזר של 14 יום עקב חוסר שביעות רצון או חוסר התאמה.
3. חשב דיוק בדרגה 1 כיחס המשחקים הסופיים שנבחרו העומדים בקריטריון ההצלחה במשחק.
4. חשב את הזיכרון כיחס כל זוגות המועמדים המוצלחים בתוך קיפול שנבחרו נכון על ידי האסטרטגיה. הסקת תוצאות לזוגות מועמדים לא נבחרים מהסביבה הסינתטית המסומנת במלואה שנקבעה בשלב 6.2.
5. ודא שמדד השליפה תופס במדויק את יכולת האלגוריתם לזהות את כל ההתאמות התיאורטיות האפשריות במאגר המועמדים המדומה.
6. חשב את ציון ה-F1 באמצעות הנוסחה הבאה:
   (6)
7. חישוב תוצאות משניות: שיעור מילוי קיבולת, זמן המתנה ממוצע, שביעות רצון ממוצעת של מטופלים, שיעור סיום ייעוץ, שיעור מעקב במשך 7 ימים, ושיעור שיפור מדווח.
8. חשב את מדד חוסר האיזון בעומס כדי להעריך את אי-האחידות של התפלגות עומס העבודה של הרופאים בכל קיפול:
   (7)
9. ממוצע את ההערכות הספציפיות של 12 פי כדי לקבל את ערכי הסיכום ברמת האסטרטגיה באמצעות שיעורי הציון המקוריות.
10. לבצע ניתוח רגרסיה לוגיסטית רב-משתנית בתוך תת-קבוצה של התאמות סופיות נבחרות כדי לזהות גורמים ברמת זוג הקשורים באופן עצמאי להתאמה מוצלחת.
11. כלול את המשתנים הבלתי תליים שנקבעו מראש בהתבסס על רלוונטיות תיאורטית: ציון התאמה, ציון קיבולת, זמן המתנה משוער, התאמה לנגישות, התאמת התמחות, התאמה להעדפה מגדרית, רמת חומרה ורמת דחיפות.
12. השתמש באסטרטגיית בחירת משתנים בכפייה במקום בגישה מדורגת כדי לשמר את המבנה התיאורטי של המודל.
13. העריך את הרב-קולינאריות באמצעות מקדם האינפלציה השונות (VIF). ודאו שכל ערכי ה-VIF נשארים מתחת ל-5.0 לפני הערכת המודל הסופית.
14. הגדר מובהקות סטטיסטית כ-p דו-זנבי < 0.05, ודווח על התוצאות כיחסי סיכויים מותאמים (aORs) עם רווחי ביטחון (CIs) תואמים של 95%.

תוצאות

מאפייני בסיס של מאגר הרופאים ומאגר הבקשות של המטופלים

מאגר הנתונים האנליטי המדומה כלל 240 רופאים ו-3,600 בקשות ייעוץ למטופלים. מאפייני הבסיס של שני צידי מערכת ההתאמה מסוכמים בטבלה 2, ודפוסי ההתפלגות בצד הפלטפורמה מוצגים באיור 3.

מתוך 240 הרופאים, 128 (53.3%) היו נשים. הקבוצה הראתה ממוצע ניסיון קליני של 9.34 שנים, דמי ייעוץ ממוצעים של 68.08 דולר, קיבולת ייעוץ יומית נומינלית ממוצעת של 18.52 פגישות, דירוג שירות היסטורי ממוצע של 4.63, וזמן תגובה ראשונה ממוצע של 5.47 שעות. הרפואה הפנימית הייתה ההתמחות הגדולה ביותר (19.2%), אחריה אורתופדיה (15.0%) ונוירולוגיה (13.3%). לגבי אופן הייעוץ, 41.7% מהרופאים תמכו בייעוץ טקסט בתוספת קול, 37.1% תמכו בייעוץ טקסט בלבד, ו-21.3% תמכו בייעוץ טקסט מלא, קולי ווידאו.

מתוך 3,600 הבקשות של מטופלים, 53.1% הוגשו על ידי מטופלות. הגיל הממוצע היה 36.49 שנים, ותקרת התקציב הממוצעת הייתה 47.30 דולר. הרפואה הפנימית הייתה ההתמחות היעד השכיחה ביותר (20.0%), אחריה נוירולוגיה (13.8%) וקרדיולוגיה (13.0%). הבקשות סווגו לפי חומרה (45.7% בינונית, 34.2% נמוכה, 20.1% גבוהה) ודחיפות (39.1% עדיפות, 35.9% שגרתית, 25.0% דחופה). ייעוץ טקסט היה ההעדפה הנפוצה ביותר (45.1%), ו-78.7% מהמטופלים דיווחו שאין העדפה מגדרית לרופא. ביחד, התפלגויות אלו מצביעות על כך שהפלטפורמה פעלה בסביבת ייעוץ הטרוגנית, מה שמאשר את הצורך להעריך הן מגבלות תאימות והן מגבלות קיבולת בתוך מערכת ההתאמה.

מבנה המועמדים-זוגות והפרדת הניקוד

לאחר שאיבת התמחות ראשונה והרחבת המועמדים המוגבלת, נוצרו 9,785 זוגות מועמדים של רופא-מטופל (טבלה 3, איור 4). בכל שכבת הזוג המועמדת נבחרו 3,085 זוגות כהתאמות סופיות, בעוד ש-6,700 לא. זוגות נבחרים הציגו יחס התמחות מדויק גבוה יותר (99.2% לעומת 95.3%) והתאמת העדפה מגדרית מעט גבוהה יותר (90.2% לעומת 89.0%) מאשר זוגות שלא נבחרו.

חשוב יותר, ההבדלים הזוגיים העיקריים התרכזו במשתני ניקוד תפעולי ומורכב. זוגות נבחרים הראו ציון התאמה ממוצע גבוה יותר (0.853 לעומת 0.829) וציון קיבולת ממוצע גבוה יותר (0.395 לעומת 0.381). כתוצאה מכך, ציון ההיבריד הממוצע היה 0.707 בקרב זוגות נבחרים לעומת 0.686 בקרב זוגות לא נבחרים. זוגות נבחרים היו גם יעילים יותר מבחינה תפעולית, והציגו יחס עומס רופא ממוצע נמוך יותר (0.628 לעומת 0.642), יותר משרות זמינות באותו יום (6.99 לעומת 6.65), וזמן המתנה משוער קצר יותר (12.46 שעות לעומת 12.79 שעות).

מתוך 3,085 זוגות נבחרים, הושלמו 2,584 ייעוצים (שיעור השלמה של 83.8%). שביעות הרצון הממוצעת של המטופלים הייתה 4.29 מתוך 5.00. בהגדרת התאמה מוצלחת כהשלמת ייעוץ, שביעות רצון מטופלים 4.0, וללא ביקור חוזר של 14 יום, 1,644 זוגות נבחרים עמדו בקריטריון זה (שיעור הצלחה של 53.3%). תוצאות אלו מראות שהבחירות הסופיות הונעו על ידי הצטלבות של תאימות גבוהה יותר, לחץ עומס נמוך יותר ותנאי זמן המתנה טובים יותר, בהתאם ללוגיקת הפרוטוקול שנקבעה מראש.

גורמים ברמת זוג הקשורים להתאמה סופית מוצלחת

בוצעה רגרסיה לוגיסטית רב-משתנית בתוך תת-הקבוצה של ההתאמה הנבחרת כדי לזהות תכונות הקשורות להתאמה מוצלחת (טבלה 4, איור 5). ציון ההתאמה נותר קשור להצלחה בהתאמה (יחס סיכויים מותאם [aOR] = 11.99; רווח בר-סמך 95%, 1.81–79.46; P = 0.010), כמו גם ציון הקיבולת (aOR = 2.08; CI 95%, 1.22–3.55; P = 0.007). לעומת זאת, זמן המתנה מוערך ארוך יותר הפחית את ההסתברות להתאמה מוצלחת (aOR = 0.953 לשעה נוספת; רווח סמך 95%, 0.934–0.972; P < 0.001). גם הנגישות נותרה משמעותית (aOR = 1.33; רווח בר-סמך 95%, 1.12–1.57; P = 0.001). התאמת התמחות מדויקת, התאמת העדפה מגדרית, סטטוס עדיפות וחומרה גבוהה לא נותרו משמעותיים באופן עצמאי. דבר זה מצביע על כך שההצלחה בהתאמה תלויה יותר בעוצמת התאימות המשולבת וביכולת הספיגה מאשר בכל תכונה בודדת ברמת פני השטח.

בנצ'מרקינג ועמידות של אסטרטגיות ההקצאה

השוואת ביצועים בין 12 קיפולי ההערכה מסוכמת בטבלה 5, טבלה 6 ואיור 6. האסטרטגיה ההיברידית המוצעת השיגה את הפרופיל הכללי החיובי ביותר. הוא הפיק את הדיוק הממוצע הגבוה ביותר בדרגה 1 (0.740), זיכרון (0.691) וציון F1 (0.714), ועקף את קו הבסיס מבוסס הכללים, אסטרטגיית התאימות בלבד, ואסטרטגיית הקיבולת בלבד.

מבחינה תפעולית, האסטרטגיה ההיברידית השיגה את קצב המילוי הגבוה ביותר (0.825) ואת זמן ההמתנה הממוצע הקצר ביותר (5.52 שעות). הביצועים הממוקדים במטופל גם הם היו אופטימליים, כאשר הגישה ההיברידית הניבה את ממוצע שביעות הרצון הגבוהה ביותר (4.43) ואת מדד חוסר האיזון הנמוך ביותר (0.195), מה שמעיד על התפלגות אחידה מאוד של עומס הרופאים. ניתוחי תת-קבוצות (טבלה 7, איור 6) אישרו כי דפוס ביצועים יציב זה נשמר בשכבות דחיפות שונות וברמות בתי חולים, מה שהוכיח את עמידות המסגרת גם בסביבות מוגבלות קיבולת גבוהה.

איור 1: זרימת העבודה הכוללת של המחקר. (א) בניית מאגר הרופאים ומאגר בקשות המטופלים. (ב) תהליך שליפת מועמדים עם התרחבות מוגבלת כאשר פחות משני רופאים פעילים עם יכולת נותרה זמינים בהתמחות המבוקשת. (ג) יצירת זוגות מועמדים בין רופא למטופל וגזירת משתנים זוגיים. (ד) בניית ציון התאימות, ציון הקיבולת והציון ההיברידי. (ה) בחירת רופא סופית, מדידת ביצועים מבוססת קיפול בארבע אסטרטגיות הקצאה, וחישוב תוצאות ביצועים. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור 2: ארכיטקטורה של התאמה ומסגרת התאמה מודעת לקיבולת. (א) מודול תאימות, כולל התאמת התמחות, התאמה למצב ייעוץ, התאמה להעדפה מגדרית, התאמה במחיר נגיש, דירוג היסטורי של רופא והתאמה לתגובה דחופה. (ב) מודול קיבולת, כולל יחס עומס רופאים, משבצות שנותרו באותו יום, וזמן המתנה משוער. (ג) נרמול ניקוד וצבירת ניקוד משוקלל עבור ציון תאימות וציון קיבולת. (ד) שילוב שני המודולים בציון ההיברידי הסופי. (ה) דירוג סופי ולוגיקת שובר שוויון ששימשו לקביעת ההתאמה הנבחרת בין רופא למטופל. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור 3: דפוסי התפלגות בסיסיים של מאפייני רופאים ומטופלים במאגר הנתונים האנליטיים. (א) חלוקת ההתמחויות של מאגר הרופאים. (ב) תואר מקצועי וחלוקת רופאים ברמת בית חולים. (ג) הפצת התמחות של בקשות ייעוץ למטופלים. (ד) חלוקת חומרה ודחיפות של בקשות המטופלים. (ה) חלוקת אופן הייעוץ המועדף ומין הרופא המועדף בין בקשות המטופלים. הערה: כל התפלגויות הנתונים המוצגות באיור זה נגזרות ישירות ממאגר הנתונים האנליטי הסופי (n = 240 רופאים; n = 3,600 בקשות מטופלים) והן תואמות לחלוטין את הסטטיסטיקות הסיכום המדווחות בטבלה 2. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור 4: התפלגויות ניקוד ברמת זוגיות והפרדה בין התאמות מועמדות נבחרות ולא נבחרות. (א) התפלגות ציוני התאמה בזוגות נבחרים ולא נבחרים. (ב) התפלגות ציוני הקיבולת בזוגות נבחרים ולא נבחרים. (ג) התפלגות הציונים ההיברידיים בזוגות נבחרים ולא נבחרים. (ד) זמן המתנה משוער (בשעות) לפי מצב הבחירה. (ה) חלוקה משותפת של ציון תאימות וציון קיבולת, כאשר זוגות נבחרים ולא נבחרים מוצגים בנפרד. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור 5: ניתוח רב-משתנים של גורמים הקשורים להתאמה סופית מוצלחת בין זוגות נבחרים. (א) תרשים יער של יחס סיכויים מותאם לציון תאימות, ציון קיבולת, זמן המתנה משוער (בשעות), התאמה לנגישות, התאמת התמחות מומחית, התאמה מגדרית-העדפה, רמת חומרה ורמת דחיפות. (ב) הסתברות שולית להתאמה מוצלחת לאורך טווח ציון התאימות הנצפה. (ג) הסתברות שולית להתאמה מוצלחת לאורך טווח ציון הקיבולת הנצפה. (D) אסוציאציה הפוכה בין זמן ההמתנה המשוער (בשעות) לבין ההסתברות להתאמה מוצלחת. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור 6: השוואה של ארבע אסטרטגיות התאמת רופא למטופל וביצועי תת-קבוצות במסגרת ההיברידית. (א) דיוק בדירוג 1, זיכרון וציון F1 בארבע האסטרטגיות. (ב) שיעור מילוי קיבולת, זמן ההמתנה הממוצע המשוער, ושביעות רצון ממוצעת של המטופלים בארבע האסטרטגיות. (ג) מדד חוסר איזון העומס בין ארבע האסטרטגיות. (D) טווחי ביצועים ברמת קיפול של אסטרטגיית ההיברידית על פני 12 קיפולים חוזרים. (ה) מפת חום ביצועי תת-קבוצה של אסטרטגיה היברידית. הערה: כל הערכים המוצגים בתרשים זה הושוו לתוצאות המתאימות שדווחו בטבלה 5 כדי להבטיח עקביות מוחלטת. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

טבלה 1: הגדרות תפעוליות, ספים וכללי ניקוד למסגרת ההתאמה. קיצורים: SD = סטיית תקן. אנא לחצו כאן להורדת הטבלה הזו.

טבלה 2: מאפייני הבסיס של מאגר הרופאים ומאגר בקשות המטופלים. מקטע, מאפיינים וסטטיסטיקות בסיסיות השוואתיות של מערך הנתונים האנליטי לפני ההתאמה. אנא לחצו כאן להורדת הטבלה הזו.

טבלה 3: השוואות ברמת זוגיות בין התאמות נבחרות ולא נבחרות. טבלה זו מאגדת את המשתנים הזוגיים והסטטיסטיקות התיאוריות המפרטות את ההפרדה המבנית בין ההתאמות הסופיות שנבחרו למועמדים שלא נבחרו. אנא לחצו כאן להורדת הטבלה הזו.

טבלה 4: ניתוח רגרסיה לוגיסטית רב-משתנית של גורמים הקשורים להתאמה סופית מוצלחת בין זוגות נבחרים. מידע על המודל: משתנה תלוי = התאמה סופית מוצלחת בין זוגות נבחרים. התאמה מוצלחת הוגדרה כהשלמת ייעוץ, שביעות רצון מטופלים 4.0/5.0, וללא ביקור חוזר של 14 יום עקב חוסר שביעות רצון או חוסר התאמה. אנא לחצו כאן להורדת הטבלה הזו.

טבלה 5: ביצועים השוואתיים של ארבע אסטרטגיות התאמה. סיכום של השוואת ביצועים ברמת אסטרטגיה השוואתית ב-12 קיפולים חוזרים. אנא לחצו כאן להורדת הטבלה הזו.

טבלה 6: יציבות ושונות ברמת הקיפול של האסטרטגיה ההיברידית. סיכום טווחי הביצועים ברמת הקיפול של האסטרטגיה ההיברידית ב-12 קיפולים חוזרים. אנא לחצו כאן להורדת הטבלה הזו.

טבלה 7: ביצועי תת-הקבוצה של האסטרטגיה ההיברידית. ביצועי תת-קבוצות מפורטים של האסטרטגיה ההיברידית בהתבסס על רמות הדחיפות ורמות בתי החולים. אנא לחצו כאן להורדת הטבלה הזו.

דיון

הפרוטוקול הנוכחי מדגים מסגרת התאמה מודעת להתאמה ויכולת בין רופא למטופל במסגרת ייעוץ רפואי מקוון רחבת היקף. האסטרטגיה ההיברידית השיגה את הביצועים הכוללים המאוזנים ביותר מבחינת דיוק התאמה, זמן המתנה, ניצול קיבולת, שביעות רצון מטופלים וחלוקת עומס העבודה. תוצאה זו קריטית כי ייעוץ דיגיטלי לא רק מרחיב את הגישה אלא גם מעביר את העבודה הקלינית לפעילות לאחר שעות העבודה, ומגדיל את העומס הנסתר כאשר לוגיקת ההקצאה מפספסת את קליטת השירות. עדויות עדכניות מראות כי ביקוש דיגיטלי מוגבר קשור לעלייה בעבודת רופאים מחוץ לשעות מתוכננות, מה שמחזק את החשיבות המעשית של שילוב מגבלות קיבולת במערכות התאמה במקום להתייחס אליהן כמשתנים תפעוליים משניים⁷. יתרה מזאת, תאימות לבדה אינה מספיקה כאשר הביקוש מחולק באופן לא שווה. בבתי חולים אינטרנטיים, בחירת המטופלים מעוצבת מאוד על ידי תכונות רופאות גלויות, מה שמוביל מבנית לריכוז הביקוש סביב רופאים בולטים או בעלי מעמד גבוה יותר. דינמיקה זו מסבירה מדוע אסטרטגיית התאימות בלבד בפרוטוקול זה שמרה על איכות התאמה חזקה יחסית אך ביצעה ביצועים גרועים מבחינת זמני המתנה ואיזון עומסים¹⁵.

בהערכה שלנו, הסיווג הבינארי של התאמה מוצלחת שימש כסף מחמיר לסינון מפגשים קליניים כושלים, בעוד שציון שביעות הרצון הממוצע של מטופלים אפשר לנו להעריך את ההתפלגות המורכבת של האיכות הנתפסת על ידי המשתמש בין אסטרטגיות התאמה שונות. יתרה מזאת, כדי להתמודד עם חששות לגבי פוטנציאל מעגליות, תוצאות הביצועים המשניות במחקר זה הוערכו באופן עצמאי מהסטטוס הבינארי הזה, ובכך סיפקו הערכה רחבה יותר של השפעת המסגרת על איכות השירות בפלטפורמה רחבה ולא רק אימות קריטריוני הסיווג שלה. שביעות הרצון הגבוהה של המטופלים שנצפתה תחת האסטרטגיה ההיברידית מתיישבת עם הספרות הרחבה יותר בתחום הרפואה מרחוק, ומחדדת אותה בכך שהיא מדגימה כי שביעות רצון קשורה קשר עמוק לאיכות ההקצאה ולא רק לגישה דיגיטלית. עבודות עדכניות מזהות תכנון טיפול מקצועי, הבנה מדויקת של חששות המטופלים, תגובות מקיפות והימנעות מתשובות מעוצבות כגורמים מרכזיים לשביעות רצון המשתמשים. לכן, מערכות התאמה אופטימליות חייבות להפנות מטופלים לרופאים שיכולים להגיב בתוך חלונות זמן מקובלים ולספק דפוסי אינטראקציה מותאמים אישית^16,17. דינמיקה זו גם מדגישה את ההיגיון התפעולי שלנו להגבלת מאגר המועמדים שנוצר לשניים עד ארבעה רופאים לכל בקשה (ממוצע 2.72). סף זה כויל אמפירית כדי למצוא איזון מיטבי בין שמירה על אוטונומיה של המטופל לבין מניעת "עומס בחירה" – צוואר בקבוק קוגניטיבי מתועד היטב בארכיטקטורות בחירת בריאות דיגיטלית שמעכב קבלת החלטות ומפחית את חוויית המשתמש. מבחינת יישום, מודל ההתאמה הזה צריך להיות משולב בתוך זרימת עבודה רחבה יותר של שירות. חשוב לציין, בעוד שהפרוטוקול הניסויי הנוכחי מעריך את המסגרת באמצעות הקצאת אצווה סטטית מבוססת קיפול, הלוגיקה האלגוריתמית הבסיסית ניתנת להתאמה מהותית לתרחישים דינמיים בזמן רציף. מכיוון שמשתני קיבולת — כמו העומס היומי הנוכחי והמשבצות הנותרות באותו יום — מתוכננים להתעדכן באופן איטרטיבי, ניתן לחשב מחדש את הציון ההיברידי ביעילות בזמן אמת כדי להתאים להגעות חולים רציפות ולזמינות הרופאים המשתנה. מחקרים מראים שהכשרה, היכרות עם טכנולוגיה, איכות תקשורת ועומס עבודה הם גורמים קריטיים ליישום, ובעלי העניין ממליצים על מנגנונים קונקרטיים להפחתת עומס הרופאים. כתוצאה מכך, בעוד שהמסגרת ההיברידית משפרת את ביצועי ההקצאה, יעילותה במציאות נשענת במידה רבה על תכנון תהליכי עבודה תומך, ממשל פלטפורמה ותמיכה תפעולית^18,19.

תוצאות אלו מייצגות אופטימיזציה של ניתוב הפלטפורמה ולא הוכחה לכך שייעוצים וירטואליים יכולים להחליף את כל סוגי הטיפול. בעוד שייעוצים וירטואליים משפרים את היעילות, הראיות נותרות מעורבות בנוגע לבטיחות ושוויון; לכן, מסגרת זו מובנת בצורה הטובה ביותר ככלי הקצאה קדמית, ולא תחליף למיון קליני או מסלולי הפניה²⁰. לפרוטוקול הנוכחי יש מספר מגבלות. ראשית, בעוד שמאגר הנתונים של ההערכה נבנה באמצעות משתנים ודפוסי התפלגות שמשקפים באופן מוחלט את תנאי התפעול בעולם האמיתי, הוא נשאר בעיקר קבוצה מדומה שנועדה להערכת פלטפורמה מבוקרת. אנו מכירים בכך שהיעדר מערכי נתונים משלימים ועצמאיים מהעולם האמיתי מגביל את התוקף החיצוני של הממצאים הנוכחיים. כדי לקבוע באופן משמעותי את ההכללה של שיטת ההתאמה ההיברידית המוצעת, מחקרים עתידיים חייבים לתת עדיפות לאימות מסגרת ניסויית זו באמצעות יומני ייעוץ רחבי היקף בעולם האמיתי בפלטפורמות בריאות דיגיטליות מגוונות ובטווחי זמן ארוכים מוארכים. הערכת החוסן של המודל ויכולות הניתוב הדינמיות שלו תחת זעזועי ביקוש זמני קיצוניים — כמו עונות שיא של שפעת או מצבי חירום בריאותיים — נותרת קריטית. שנית, התוצאות הדגישו את השלמת הייעוץ ושביעות רצון המטופלים, תוך החרגת התאמת אבחון או תוצאות בריאותיות לאורך זמן שנקבעו על ידי הרופא. שלישית, הערכה מבוססת קיפול התבססה על דגימה אקראית פשוטה ולא על אימות צולב k-fold או דגימה שכבתית. בעוד שזה תיאר את התנודתיות של זרימת המטופלים הטבעית, לעיתים זה עלול לפגוע בייצוג האחיד של תת-קבוצות מיעוט מסוימות. הערכות אלגוריתמיות עתידיות צריכות לכלול דגימה מדורגת לפי חומרה, דחיפות ורמת בית החולים כדי להבטיח ביצועים עקביים בכל תת-האוכלוסיות של המטופלים. רביעית, זמן ההמתנה המשוער שנגזר מהפרוטוקול משמש כתחליף מבני ולא כמודל חיזוי מכויל בקפדנות. עקב היעדר יומני חותמות זמן רציפים מהעולם האמיתי, לא הצלחנו לבצע ניתוחי קורלציה מדויקים או לחשב שגיאות כיול מול זמני ההמתנה הקליניים בפועל. מחקר עתידי צריך לנצל יומני תפעול אמפיריים רחבי היקף כדי לאמת ולכוונן את פרמטרי זמן ההמתנה ההיוריסטיים הללו. חמישית, סכמת המשקל המשלבת תאימות וקיבולת הוגדרה מראש באופן היוריסטי ולא באמצעות מידול מתמטי אובייקטיבי. בעוד שגישה מוקדמת זו מונעת התאמת נתונים לאחר הוק, היא חסרה את הקפדנות של שיטות שקילול אובייקטיביות כמו AHP או משקל אנטרופיה. גרסאות עתידיות של מסגרת זו צריכות לשלב שיטות קבלת החלטות אובייקטיביות מרובות קריטריונים כדי לקבוע באופן דינמי את יחס המשקל האופטימלי. לבסוף, המסגרת פועלת ברמת הקצאה אחד לאחד והועברה תחת תנאי הקצאת אצווה סטטיים, ללא מידול ייעוצים מבוססי צוות או עדיפות דינמית מתמשכת בזמן (למשל, טיפול בזינוקים פתאומיים בביקוש או ביטולי לוח זמנים בזמן אמת). מחקר עתידי צפוי להרחיב את המסגרת הזו לסימולציה דינמית מלאה של תורים ולהרחיב את אלגוריתמי ההתאמה מבחירת רופא ראשונית לניתוב מודע לתקשורת ותמיכה באינטראקציה לאחר ההתאמה²¹.

בסך הכול, פרוטוקול זה מצליח להרחיק את פרדיגמת ההתאמה בין רופא למטופל מהיגיון חד-אובייקטיבי. בפלטפורמות מקוונות בקנה מידה גדול, הקצאה אפקטיבית חייבת לטפל יחד בהתאמת השירות הקליני וביכולת הספיגה התפעולית של הרופא בתנאי עומס העבודה הנוכחיים, מבלי לפגוע בקצב הזמן או בחוויית המטופל. בהשוואה לאסטרטגיות מבוססות כללים, תאימות בלבד וקיבולת בלבד, המסגרת ההיברידית המודעת להתאמה וקיבולת השיגה איזון כולל טוב יותר בין דיוק התאמה, זיכרון, ציון F1, זמן המתנה, קצב מילוי קיבולת ופיזור עומס העבודה. על ידי התייחסות להתאמה בין רופא למטופל לא כמשימת המלצה מבוססת העדפה בלבד או כבעיית תזמון מונחית קצב העברה, גישה זו מספקת בסיס מעשי וניתן להרחבה גבוהה לניתוב ייעוץ חכם, תיאום משאבי פלטפורמה ואופטימיזציה עתידית של שירותי בריאות דיגיטליים.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה

שם	חברה	מספר קטלוג	הערות
זוגות מועמדים של רופא-מטופל	שנוצרו על ידי המחקר	לא חל	נגזרות משתנה זוגיות ובחירת התאמה (9,785 זוגות מועמדים)
IBM SPSS Statistics	IBM Corp.	https://www.ibm.com/products/spss-statistics	ניתוח סטטיסטי (גרסה 27)
Microsoft Excel	Microsoft Corporation	https://www.microsoft.com/microsoft-365/excel	ניהול נתונים ותקציר תיאורי (גרסה 2021)
רשומות בקשות מטופלים	שנוצרו על ידי המחקר	לא חל	מאפייני בסיס מצד המטופל ופרמטרים העדפה (3,600 בקשות ייעוץ)
רשומות רופאים	שנוצרו על ידי המחקר	לא חל	מאפייני בסיס מצד הרופא ופרמטרים קיבולת (240 רופאים פעילים)
Python	קרן תוכנת Python	https://www.python.org	סימולציה, בניית ציון והשוואה (גרסה 3.11)