Questo protocollo presenta un quadro sperimentale scalabile per l'abbinamento medico-paziente nelle piattaforme online di consulenza medica. Integrando congiuntamente la compatibilità clinica centrata sul paziente e la capacità di servizio lato medico in un modello di punteggio ibrido, questo metodo ottimizza la precisione dell'abbinamento, riduce i tempi di attesa dei pazienti e garantisce una distribuzione equilibrata del carico di lavoro medico.
È richiesta un abbonamento a JoVE per visualizzare questo contenuto. Accedi o inizia la tua prova gratuita.
Articolo metodologico
Un quadro sperimentale per l'abbinamento medico-paziente consapevole della compatibilità e della capacità nelle consultazioni online
In questo articolo
Sommario
Abstract
Le piattaforme di consulenza medica online su larga scala richiedono un efficace abbinamento medico-paziente assistito da algoritmi per bilanciare l'adattamento centrato sul paziente ed efficienza operativa. Gli approcci esistenti spesso ottimizzano indipendentemente la compatibilità clinica o la capacità dei medici, portando a tempi di attesa prolungati e carichi di lavoro disomogenei. Questo protocollo presenta un quadro sperimentale scalabile per incorporare congiuntamente compatibilità e capacità in un punteggio di abbinamento ibrido. Utilizzando un dataset simulato comprendente 240 medici, 3.600 richieste di pazienti e 9.785 coppie candidate, il metodo quantifica la compatibilità (ad esempio, allineamento della specialità, adattamento della modalità) e la capacità (ad esempio, rapporto di carico, tempo di attesa stimato). Il framework valuta le coppie candidate tramite un punteggio ibrido e confronta le prestazioni con strategie di benchmark basate su regole, solo compatibilità e solo capacità su 12 fold di valutazione. I risultati rappresentativi dimostrano che il framework ibrido raggiunge una qualità superiore di abbinamento, inclusa una precisione media al rango 1 di 0,740 e un punteggio F1 di 0,714. Inoltre, garantisce un'elevata efficienza operativa con un tasso di riempimento di capacità di 0,825 e un tempo medio di attesa stimato corto di 5,52 h. Massimizzando la soddisfazione media dei pazienti (4,43/5,00) e minimizzando lo squilibrio di carico (0,195), questo framework fornisce un protocollo pratico per l'instradamento intelligente delle consultazioni e la gestione della piattaforma.
Introduzione
La consulenza medica online è diventata una modalità sempre più importante di erogazione delle cure sanitarie, estendendo l'accesso ai servizi medici oltre i tradizionali incontri facciaa faccia. In Cina, l'espansione della telemedicina su internet è stata rafforzata dallo sviluppo di politiche, dalla crescita del mercato e da una maggiore integrazione con il sistema sanitario più ampio, rendendo la consulenza digitale una componente sempre più importante dell'organizzazione sanitaria2. Evidenze su larga scala provenienti dagli ospedali internet indicano ulteriormente che i servizi di consulenza online ora operano su larga scala, funzionando come parte significativa della fornitura di servizi di routine piuttosto che come un supplementomarginale 3. Allo stesso tempo, la telemedicina asincrona ha ampliato il campo dell'assistenza a distanza permettendo schemi di interazione flessibili, migliorando l'accessibilità e aumentando contemporaneamente la complessità operativa delle piattaforme di consulenzadigitale 4.
Man mano che queste piattaforme si espandono, le loro prestazioni non possono essere giudicate solo dalla disponibilità tecnica. L'esperienza del paziente e la qualità del servizio sono diventate risultati centrali dell'erogazione digitaledelle cure 5. Ricerche recenti hanno dimostrato che l'uso di sistemi di consulenza online è associato a differenze misurabili nell'esperienza del paziente, specialmente per quanto riguarda accesso, comodità e processi di appuntamento6. Tuttavia, la consulenza digitale genera anche un carico di lavoro aggiuntivo per i medici, inclusa la gestione dei messaggi e il lavoro svolto al di fuori dell'orario clinico ordinario, rendendo la gestione della capacità una questione operativacentrale 7. Questa difficoltà è aggravata dalla distribuzione diseguale della domanda tra i medici, perché segnali visibili come recensioni, valutazioni e altre informazioni sui profili possono indirizzare il traffico dei pazienti verso un sottoinsieme limitato di medicialtamente visibili 8. L'assegnazione medico-paziente sulle piattaforme di consulenza online non è quindi solo un problema di ricerca lato paziente, poiché i medici possono anche mostrare preferenze di risposta selettiva quando si trovano di fronte a richieste di consulenzaeterogenee 9.
Dal punto di vista del paziente, la scelta della consulenza online è intrinsecamente multidimensionale. Gli utenti valutano contemporaneamente il tempo di attesa, le qualifiche dei medici, il livello ospedaliero, la modalità di servizio e il costo della consulenza nella scelta delle opzionidi cura 10. In linea con questa complessità, una recente revisione sistematica ha concluso che le piattaforme di consulenza medica online richiedono meccanismi di raccomandazione in grado di ridurre il sovraccarico di informazioni e di allineare meglio le esigenze dei pazienti con le risorse deimedici 11. Studi metodologici hanno quindi iniziato a introdurre approcci di matching strutturati, incluso il matching stabile dinamico sotto informazioni incomplete, per migliorare l'allocazione medico-paziente negli ambienti di consulenzaonline 12. Ricerche di raccomandazione più recenti hanno inoltre sottolineato che l'abbinamento medico-paziente dovrebbe migliorare l'efficienza dell'allocazione, riducendo al contempo la concentrazione eccessiva di domanda attorno a medici altamente visibili provenienti dagli ospedalidi alto livello 13. Le evidenze dei metodi misti mostrano un'eterogeneità sostanziale nelle preferenze di telemedicina, indicando che una logica di allocazione unica per tutti difficilmente sarà sufficiente alla scalapiattaforma 14. Nonostante questi progressi, la letteratura esistente tende a trattare i fattori legati alla compatibilità e i vincoli di capacità medico come problemi separati, anche se le piattaforme di consulenza online devono gestire contemporaneamente sia l'adattamento relazionale che l'assorbibilitàdel servizio 11.
Per colmare questa lacuna, questo metodo mira a stabilire un quadro sperimentale scalabile per l'abbinamento medico-paziente consapevole della compatibilità e della capacità su grandi piattaforme di consulenza medica online. La ragione dietro questa tecnica è che ottimizzare isolatamente sia la preferenza clinica sia la capacità di servizio medico porta a tempi di attesa prolungati, carichi di lavoro disomogenei per i medici ed esperienze di consulenza subottimale. Il principale vantaggio di questa strategia ibrida rispetto alle tecniche alternative basate su regole o a obiettivo singolo è la sua capacità di modellare congiuntamente i bisogni dei pazienti, le caratteristiche dei medici e i vincoli dinamici del servizio per mantenere l'equilibrio del carico di lavoro e un'elevata soddisfazionedel paziente 12. Dettagliando la costruzione del punteggio di abbinamento ibrido e il processo di valutazione basato sul fold, questo protocollo fornisce una base pratica per un routing intelligente delle consultazioni. I lettori possono sfruttare questo quadro metodologico per determinare se una logica di abbinamento dual-aware sia appropriata per ottimizzare il triage, l'allocazione delle risorse e la gestione del flusso di lavoro nelle loro specifiche applicazioni di salute digitale.
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Protocollo
Il dataset di valutazione utilizzato in questo protocollo è stato simulato computazionalmente da distribuzioni operative aggregate e de-identificate e non conteneva dati reali o identificabili dei partecipanti umani. Di conseguenza, lo studio è stato ritenuto esente da una revisione etica completa dall'Institutional Review Board (IRB) della NingboTech University (Esenzione n. NT9918276).
1. Preparazione dei dati e definizione della coorte
- Istituire il bacino medici con 240 medici online attivi in otto specialità di consulenza: Medicina Interna, Cardiologia, Neurologia, Dermatologia, Pediatria, Ginecologia, Ortopedia e Psichiatria.
- Estrae e definisci le seguenti variabili per ogni fascicolo medico: specialità, sesso, titolo professionale (Residente, Responsabile, Associate Chief o Capo), livello ospedaliero (Primario, Secondario o Terziario), anni di pratica, anni di esperienza di consulenza online, tariffa di consulenza, capacità nominale giornaliera di consulenza, carico giornaliero attuale, valutazione storica, tempo medio di prima risposta, tasso di accettazione storico, tasso di servizio di follow-up e modalità di consulenza supportata (Testo, Testo più Voce, o Testo più Voce più Video).
- Istituire il pool di richieste dei pazienti contenente 3.600 richieste di consultazione.
NOTA: Per contestualizzare la dimensione temporale della valutazione, questo pool è calibrato per rappresentare un periodo operativo continuo di 30 giorni che comprende sia i giorni feriali standard che i fine settimana. Questo periodo temporale è progettato per catturare le variazioni cicliche di routine nella domanda dei pazienti, escludendo esplicitamente i periodi atipici estremi (ad esempio, le principali festività nazionali o i picchi epidemici) per stabilire una base stabile e stabile per la valutazione algoritmica delle prestazioni. - Estra e definisci le seguenti variabili per ogni richiesta del paziente: età, sesso, specialità target, livello di gravità (Basso, Moderato o Alto), livello di urgenza (Routine, Urgente o Prioritario), tetto di budget, genere preferito dal medico (Maschio, Femmina o Senza Preferenza), modalità di consulenza preferita (Testo, Voce o Video), visite precedenti sulla piattaforma, livello di coinvolgimento digitale, conteggio delle comorbidità, livello cittadino e periodo di contatto preferito.
- Pulire il dataset escludendo qualsiasi record con valori mancanti in specialità, tariffa di consulenza, capacità giornaliera, carico attuale, tempo medio di prima risposta, gravità, urgenza, tetto al budget, modalità di consulenza preferita o genere medico preferito. Assicurati che tutti i registri conservati siano completi prima di procedere con la generazione delle coppie.
2. Generazione di coppie candidate
- Genera coppie medico-paziente candidato utilizzando una regola di prelievo specializzata in priorità. Per ogni richiesta del paziente, si richiamano i primi medici che corrispondono alla specialità target del paziente.
- Espandere la finestra di prelievo alle specialità ad alta frequenza adiacenti che rimangono attive sulla piattaforma lo stesso giorno solo se meno di due medici attivi con capacità di consulenza residua sono disponibili nella specialità target iniziale.
NOTA: In questo protocollo, "adiacenza" è definita strutturalmente da schemi clinici di invio incrociato consolidati e da sovrapposizioni anatomiche o sintomatiche (ad esempio, instradare un paziente dalla Cardiologia alla Medicina Interna Generale), mentre "alta frequenza" si riferisce specificamente alle specialità che si collocano nel quartile superiore (25% superiore del volume storico giornaliero di richieste di consultazione sulla piattaforma. - Collegare ogni paziente a due o quattro medici candidati, puntando a un numero medio empirico di circa 2,72 candidati per richiesta. Stabilire il livello finale di coppie candidate contenente 9.785 coppie. Vedi la Figura 1 per il flusso di lavoro complessivo dello studio.
3. Operazionalizzazione a coppie variabili
- Definisci tutte le variabili a coppie utilizzate nella costruzione del punteggio prima del benchmarking. Consulta la Tabella 1 per le definizioni, le soglie e le mappature dei punteggi predefinite.
- Codifica la corrispondenza della specialità (S) come 1 quando la specialità medica è identica alla specialità target del paziente, e 0 altrimenti.
- La modalità codice è adattata (M) come 1 quando la modalità supportata dal medico copre completamente la modalità preferita dal paziente, e 0 altrimenti.
- Codice per la preferenza di genere (G) come 1 quando il paziente seleziona Nessuna Preferenza o quando il sesso del medico corrisponde alla preferenza dichiarata, e 0 altrimenti.
- Adattamento per l'accessibilità del codice (A) come 1 quando la tariffa medica è inferiore o uguale al tetto del budget del paziente, 0,5 quando la tariffa supera il budget di non più del 20%, e 0 quando la tariffa supera il budget di oltre il 20%.
- Normalizzare la valutazione storica del medico utilizzando l'intervallo osservato a livello medico (minimo 4,10, massimo 4,98). Calcola il punteggio di qualità normalizzato (Q) usando la seguente formula:
(1)
Imposta valori inferiori a 4,10 dopo la troncatura a 0, e valori superiori a 4,98 a 1. - Definire l'adattamento urgenza-risposta (U) in base all'urgenza del paziente e al tempo medio di prima risposta del medico come specificato nella Tabella 1.
- Calcola il rapporto di carico medico dividendo il carico giornaliero attuale per la capacità giornaliera nominale. Calcola gli slot rimanenti nello stesso giorno sottraendo il carico giornaliero attuale dalla capacità nominale giornaliera.
- Calcola il tempo di attesa stimato (in ore) usando la seguente formula:
Questa costruzione funge da stima euristica ispirata ai principi fondamentali della teoria delle code, in cui il tempo medio di primo intervento di un medico viene penalizzato dal suo tasso di utilizzo in tempo reale (Carico Giornaliero Corrente / Capacità Giornaliera).
NOTA: Il fattore di aggiustamento dell'urgenza è impostato a 0,80 per le richieste di Priorità, 0,90 per le richieste Urgenti e 1,00 per le richieste di Routine. Questi fattori di aggiustamento sono implementati come pesi operativi predefiniti per far rispettare l'instradamento prioritario nei casi gravi, piuttosto che coefficienti derivati empiricamente.
4. Costruzione del punteggio abbinato
- Costruire il framework di matching utilizzando un modulo di compatibilità e un modulo di capacità, come dettagliato nella Figura 2.
- Calcola il punteggio di compatibilità come una combinazione lineare pesata dei fattori di abbinamento centrati sul paziente:
(3) - Calcola il punteggio di capacità dal punteggio del rapporto di carico (L), dal punteggio dello slot rimanente (R) e dal punteggio del tempo di attesa (W). Assegnare i punteggi categorici per , , e in base alle soglie definite nella Tabella 1. Calcola il punteggio di capacità come:
(4) - Calcola il punteggio ibrido finale integrando i componenti di compatibilità e capacità:
(5) - Fissare lo schema di ponderazione 0,60–0,40 prima della valutazione.
NOTA: Questo rapporto predeterminato è guidato da un principio fondamentale dei servizi sanitari. L'adeguatezza clinica e l'adattamento centrato sul paziente devono essere i principali criteri di instradamento per garantire la sicurezza medica, pur applicando una penalità matematica sostanziale ai forti vincoli di capacità, in linea con la letteratura consolidata sul triage che dà priorità all'idoneità clinica rispetto al flusso operativo. - Non regolare questi pesi dopo l'ispezione dei risultati per evitare sovrafitting e garantire la riproducibilità.
NOTA: I ricercatori che adottano questo protocollo sono fortemente incoraggiati a condurre analisi di sensibilità complete o ad impiegare tecniche decisionali obiettive multi-criterio (ad esempio, il Processo di Gerarchia Analitica [AHP] o la ponderazione dell'entropia) per adattare il framework al carico operativo specifico della loro piattaforma.
5. Selezione delle partite e benchmarking delle strategie
- Esegui benchmarking su 12 pieghe di valutazione ripetute. Per ogni fold, campionare 300 richieste di pazienti senza sostituzione dall'intero gruppo di pazienti.
NOTA: Questo semplice approccio di campionamento casuale è intenzionalmente utilizzato per simulare la natura stocastica e imprevedibile dei flussi di arrivo dei pazienti caratteristica delle piattaforme di consulenza online in tempo reale, piuttosto che imporre un equilibrio strutturale artificiale sulla domanda in ingresso. - Mantenere tutte le coppie candidate collegate a quelle richieste campionate all'interno della rispettiva fold.
- Confronta quattro strategie di allocazione distinte indipendentemente sullo stesso strato di coppie candidate specifico per pieghe:
- Per la base basata su regole, classificare i candidati in base alla corrispondenza esatta della specialità, poi in base a una tariffa di consulenza più bassa e infine in base a una valutazione storica più alta.
- Per una strategia basata solo sulla compatibilità, seleziona il candidato con il punteggio di compatibilità più alto.
- Per una strategia basata solo sulla capacità, seleziona il candidato con il punteggio di capacità più alto.
- Per la strategia ibrida, si seleziona il candidato con il punteggio ibrido più alto.
- Seleziona il medico candidato con il punteggio finale più alto specifico per la strategia come corrispondenza finale per ogni richiesta del paziente.
- Risolvi eventuali pareggi (punteggi identici a tre decimali) selezionando il candidato con il tempo di attesa stimato più basso, seguito dal punteggio di compatibilità più alto e infine dal punteggio storico più alto.
6. Calcolo degli esiti
- Calcola i risultati principali: precisione al rango 1, richiamo e punteggio F1.
- Assegnare risultati di base a tutte le 9.785 coppie candidate prima di fare benchmarking utilizzando distribuzioni di probabilità derivate dal dataset empirico di base.
NOTA: Utilizzare un ambiente sintetico completamente etichettato per consentire il calcolo della precisione e il richiamo per tutte le coppie candidate. Un abbinamento positivo si ottiene se la consulenza viene completata, la soddisfazione del paziente è 4,0 su una scala di 5 punti, e non avviene alcun riavvicinamento a 14 giorni a causa di insoddisfazione o discorrispondenza. - Calcola la precisione al rango 1 come la proporzione di partite finali selezionate che soddisfano il criterio di incontro riuscito.
- Calcola il richiamo come la proporzione di tutte le coppie candidate selezionate correttamente dalla strategia di una piega. Derivare i risultati per le coppie candidate non selezionate dall'ambiente sintetico completamente etichettato stabilito nello Step 6.2.
- Assicurarsi che la metrica di richiamo catturi accuratamente la capacità dell'algoritmo di identificare tutte le corrispondenze teoricamente valide all'interno del pool di candidati simulato.
- Calcola il punteggio F1 usando la seguente formula:
(6) - Calcola gli esiti secondari: tasso di riempimento della capacità, tempo medio stimato di attesa, soddisfazione media del paziente, tasso di completamento delle consultazioni, tasso di follow-up su 7 giorni e tasso di miglioramento riportato.
- Calcola l'indice di squilibrio di carico per valutare l'irregolarità della distribuzione del carico di lavoro dei medici all'interno di ciascun fold:
(7) - Fai la media delle stime specifiche a 12 volte per ottenere i valori riassuntivi a livello di strategia utilizzando le assegnazioni originali dei punteggi.
- Effettuare un'analisi di regressione logistica multivariabile all'interno del sottoinsieme delle corrispondenze finali selezionate per identificare i fattori a livello di coppia associati indipendentemente al successo dell'abbinamento.
- Includere le seguenti variabili indipendenti predefinite in base alla rilevanza teorica: punteggio di compatibilità, punteggio di capacità, tempo di attesa stimato, adattamento alla affordability, corrispondenza alla specialità, adattamento preferenza-genere, livello di gravità e livello di urgenza.
- Impiegare una strategia di selezione delle variabili a entrata forzata piuttosto che un approccio a passo a passo per preservare la struttura teorica del modello.
- Valutare la multicollinearità utilizzando il Fattore di Inflazione della Varianza (VIF). Confermare che tutti i valori VIF rimangano sotto 5,0 prima della stima finale del modello.
- Definire la significanza statistica come un < a due code di p 0,05 e riportare i risultati come odds ratios aggiustati (aOR) con corrispondenti intervalli di confidenza (IC) al 95%.
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Risultati
Caratteristiche di base del pool medici e del pool di richieste dei pazienti
Il dataset analitico simulato comprendeva 240 medici e 3.600 richieste di consulenza dei pazienti. Le caratteristiche di base di entrambi i lati del sistema di abbinamento sono riassunte nella Tabella 2, e i modelli di distribuzione lato piattaforma sono illustrati nella Figura 3.
Tra i 240 med...
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Discussione
L'attuale protocollo dimostra un framework di abbinamento medico-paziente consapevole della compatibilità e della capacità in un contesto di consulenza medica online su larga scala. La strategia ibrida ha raggiunto le prestazioni complessive più equilibrate in termini di precisione di abbinamento, tempi di attesa, utilizzo della capacità, soddisfazione dei pazienti e distribuzione del carico di lavoro. Questo risultato è cruciale perché la consulenza digitale non solo amplia l'accesso, m...
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Dichiarazioni
Gli autori non hanno nulla da rivelare.
Ringraziamenti
Questa ricerca è stata finanziata dal Talent Introduction and Scientific Research Startup Project della NingboTech University: Ricerca sulle Raccomandazioni dei Medici per Piattaforme di Consulenza Medica Online (1140157G20220699). Questa ricerca è stata inoltre supportata dal Progetto Maggiore di Innovazione Tecnologica della Zona Tecnologica Alta Ningbo (2023CX050007) e dal Progetto Dimostrativo Applicativo Maggiore "Science and Technology Innovation Yongjiang 2035": Ricerca sulla Standardizzazione del Dialetto Ningbo basata su modelli su larga scala e dimostrazione dello sviluppo di applicazioni intelligenti (2024Z021).
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Materiali
| Nome | Azienda | Numero di catalogo | Commenti |
|---|---|---|---|
| Coppie candidato medico-paziente | Generato dallo studio | N/A | Derivazione variabile per coppia e selezione della corrispondenza (9.785 coppie candidate) |
| IBM SPSS Statistics | IBM Corp. | https://www.ibm.com/products/spss-statistics | Analisi statistica (Versione 27) |
| Microsoft Excel | Microsoft Corporation | https://www.microsoft.com/microsoft-365/excel | Gestione dati e riepilogo descrittivo (Versione 2021) |
| Richieste di pazienti | Generato dallo studio | N/A | Caratteristiche di base del lato paziente e parametri di preferenza (3.600 richieste di consultazione) |
| Record dei medici | Generato dallo studio | N/A | Caratteristiche di base del lato medico e parametri di capacità (240 medici attivi) |
| Python | Python Software Foundation | https://www.python.org | Simulazione, costruzione del punteggio e benchmarking (Versione 3.11) |
Riferimenti
- 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.
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.