Un quadro sperimentale per l'abbinamento medico-paziente consapevole della compatibilità e della capacità nelle consultazioni online

Sommario

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.

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 faccia^{a 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 supplemento^{marginale 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 consulenza^{digitale 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 digitale^{delle 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 operativa^{centrale 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 medici^{altamente 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 consulenza^{eterogenee 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 opzioni^{di 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 dei^{medici 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 consulenza^{online 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 ospedali^{di 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 scala^{piattaforma 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'assorbibilità^{del 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 soddisfazione^{del 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.

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

1. Istituire il bacino medici con 240 medici online attivi in otto specialità di consulenza: Medicina Interna, Cardiologia, Neurologia, Dermatologia, Pediatria, Ginecologia, Ortopedia e Psichiatria.
2. 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).
3. 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.
4. 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.
5. 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

1. 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.
2. 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.
3. 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

1. 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.
2. Codifica la corrispondenza della specialità (S) come 1 quando la specialità medica è identica alla specialità target del paziente, e 0 altrimenti.
3. La modalità codice è adattata (M) come 1 quando la modalità supportata dal medico copre completamente la modalità preferita dal paziente, e 0 altrimenti.
4. 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.
5. 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%.
6. 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.
7. 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.
8. 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.
9. 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

1. Costruire il framework di matching utilizzando un modulo di compatibilità e un modulo di capacità, come dettagliato nella Figura 2.
2. Calcola il punteggio di compatibilità come una combinazione lineare pesata dei fattori di abbinamento centrati sul paziente:
   (3)
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)
4. Calcola il punteggio ibrido finale integrando i componenti di compatibilità e capacità:
   (5)
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.
6. 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

1. 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.
2. Mantenere tutte le coppie candidate collegate a quelle richieste campionate all'interno della rispettiva fold.
3. Confronta quattro strategie di allocazione distinte indipendentemente sullo stesso strato di coppie candidate specifico per pieghe:
   1. 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.
   2. Per una strategia basata solo sulla compatibilità, seleziona il candidato con il punteggio di compatibilità più alto.
   3. Per una strategia basata solo sulla capacità, seleziona il candidato con il punteggio di capacità più alto.
   4. Per la strategia ibrida, si seleziona il candidato con il punteggio ibrido più alto.
4. Seleziona il medico candidato con il punteggio finale più alto specifico per la strategia come corrispondenza finale per ogni richiesta del paziente.
5. 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

1. Calcola i risultati principali: precisione al rango 1, richiamo e punteggio F1.
2. 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.
3. Calcola la precisione al rango 1 come la proporzione di partite finali selezionate che soddisfano il criterio di incontro riuscito.
4. 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.
5. 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.
6. Calcola il punteggio F1 usando la seguente formula:
   (6)
7. 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.
8. 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)
9. Fai la media delle stime specifiche a 12 volte per ottenere i valori riassuntivi a livello di strategia utilizzando le assegnazioni originali dei punteggi.
10. 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.
11. 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.
12. 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.
13. 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.
14. 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%.

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 medici, 128 (53,3%) erano donne. La coorte ha mostrato un'esperienza clinica media di 9,34 anni, una tariffa media di consulenza di 68,08 USD, una capacità nominale giornaliera media di 18,52 consulti, un punteggio medio storico di 4,63 e un tempo medio di prima risposta di 5,47 ore. Medicina Interna è stata la specialità più grande (19,2%), seguita da Ortopedia (15,0%) e Neurologia (13,3%). Per quanto riguarda la modalità di consulenza, il 41,7% dei medici supportava il testo più voce, il 37,1% supportava solo il testo e il 21,3% supportava le consulenze fulltext, vocali e video.

Tra le 3.600 richieste dei pazienti, il 53,1% è stato presentato da pazienti donne. L'età media era di 36,49 anni e il tetto medio di bilancio era di 47,30 USD. La Medicina Interna è stata la specialità target più frequente (20,0%), seguita da Neurologia (13,8%) e Cardiologia (13,0%). Le richieste sono state classificate per gravità (45,7% moderata, 34,2% bassa, 20,1% alta) e urgenza (39,1% prioritaria, 35,9% routine, 25,0% urgente). La consulenza via testo è stata la preferenza più comune (45,1%) e il 78,7% dei pazienti ha dichiarato di non avere preferenza di genere da parte del medico. Collettivamente, queste distribuzioni indicano che la piattaforma operava in un ambiente di consultazione eterogeneo, convalidando la necessità di valutare sia i vincoli di compatibilità che quelli di capacità all'interno del sistema di abbinamento.

Struttura delle coppie candidati e separazione dei punteggi

Dopo il prelievo specialistico e l'espansione limitata dei candidati, sono state generate 9.785 coppie medico-paziente candidato (Tabella 3, Figura 4). Nell'intero livello di coppie candidate, sono state selezionate 3.085 coppie come corrispondenze finali, mentre 6.700 no. Le coppie selezionate hanno mostrato una proporzione esatta di abbinamento specialistico più alta (99,2% contro 95,3%) e una corrispondenza di preferenza di genere leggermente superiore (90,2% contro 89,0%) rispetto alle coppie non selezionate.

Ancora più importante, le principali differenze a coppie erano concentrate nelle variabili operative e composite di punteggio. Le coppie selezionate hanno mostrato un punteggio medio di compatibilità più alto (0,853 contro 0,829) e un punteggio medio di capacità più alto (0,395 contro 0,381). Di conseguenza, il punteggio medio ibrido è stato 0,707 tra le coppie selezionate rispetto a 0,686 tra le coppie non selezionate. Le coppie selezionate erano anche operativamente più favorevoli, presentando un rapporto medio di carico medico più basso (0,628 contro 0,642), più slot disponibili nello stesso giorno (6,99 contro 6,65) e un tempo di attesa stimato più breve (12,46 h contro 12,79 h).

Tra le 3.085 coppie selezionate, sono state completate 2.584 consultazioni (tasso di completamento dell'83,8%). La soddisfazione media dei pazienti è stata di 4,29 su 5,00. Definendo l'abbinamento riuscito come completamento della consulenza, soddisfazione del paziente 4,0 e nessuna visita di 14 giorni, 1.644 coppie selezionate hanno soddisfatto questo criterio (tasso di successo del 53,3%). Questi risultati dimostrano che le selezioni finali erano guidate dall'intersezione tra maggiore compatibilità, pressione di carico inferiore e migliori condizioni di attesa, coerenti con la logica del protocollo prespecificata.

Fattori a livello di coppia associati al successo dell'abbinamento finale

È stata eseguita una regressione logistica multivariabile all'interno del sottoinsieme della corrispondenza selezionata per identificare le caratteristiche associate al matching riuscito (Tabella 4, Figura 5). Il punteggio di compatibilità è rimasto positivamente associato al successo dell'abbinamento (odds ratio aggiustato [aOR] = 11,99; IC 95%, 1,81–79,46; P = 0,010), così come il punteggio di capacità (aOR = 2,08; IC 95%, 1,22–3,55; P = 0,007). Al contrario, un tempo di attesa stimato più lungo riduceva la probabilità di un abbinamento riuscito (aOR = 0,953 per ora aggiuntiva; IC 95%, 0,934–0,972; P < 0,001). Anche l'accessibilità è rimasta significativa (aOR = 1,33; IC 95%, 1,12–1,57; P = 0,001). L'abbinamento esatto di specialità, di preferenza di genere, lo status di priorità e l'alta gravità non sono rimasti significativi in modo indipendente. Ciò indica che il successo dell'abbinamento dipende più dalla forza combinata di compatibilità e capacità assorbibile che da una singola caratteristica superficiale.

Benchmarking e robustezza delle strategie di allocazione

Il benchmarking comparativo tra le 12 pieghe di valutazione è riassunto nelle Tabelle 5, Tabella 6 e Figura 6. La strategia ibrida proposta ha raggiunto il profilo complessivo più favorevole. Ha prodotto la massima precisione media al rank 1 (0,740), al richiamo (0,691) e al punteggio F1 (0,714), superando la base basata su regole, la strategia solo compatibilità e quella solo capacità.

Operativamente, la strategia ibrida ha raggiunto la massima capacità di riempimento (0,825) e il tempo medio di attesa stimato più breve (5,52 h). Anche la performance centrata sul paziente è stata ottimizzata, con l'approccio ibrido che ha prodotto la più alta soddisfazione media del paziente (4,43) e il più basso indice di squilibrio di carico (0,195), indicando una distribuzione altamente uniforme del carico di lavoro medico. Le analisi dei sottogruppi (Tabella 7, Figura 6) hanno confermato che questo modello di performance stabile è stato mantenuto tra diversi strati di urgenza e livelli ospedalieri, dimostrando la robustezza del quadro anche in contesti ad alta capacità vincolata.

Figura 1: Flusso di lavoro complessivo dello studio. (A) Costruzione del pool medici e del pool di richieste dei pazienti. (B) Processo di prelievo candidato specialistico con espansione limitata quando meno di due medici attivi con capacità residua sono disponibili nella specialità richiesta. (C) Generazione di coppie medico-paziente candidate e derivazione di variabili a coppie. (D) Costruzione del punteggio di compatibilità, del punteggio di capacità e del punteggio ibrido. (E) Selezione finale del medico, benchmarking basato su fold su quattro strategie di allocazione e calcolo dei risultati delle prestazioni. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 2: Architettura della compatibilità e framework di abbinamento consapevole della capacità. (A) Modulo di compatibilità, inclusi allineamento specialistico, adattamento in modalità consulenza, adattamento preferenza-genere, adattamento per accessibilità, valutazione storica dei medici e adattamento urgenza-risposta. (B) Modulo di capacità, inclusi il rapporto di carico medico, gli slot rimanenti nello stesso giorno e il tempo di attesa stimato. (C) Normalizzazione dei punteggi e aggregazione ponderata per il punteggio di compatibilità e il punteggio di capacità. (D) Integrazione dei due moduli nel punteggio ibrido finale. (E) Classifica finale e logica di spareggio usata per determinare la corrispondenza medico-paziente selezionata. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 3: Modelli di distribuzione di base delle caratteristiche di medici e pazienti nel dataset analitico. (A) Distribuzione specialistica del bacino medico. (B) Titolo professionale e distribuzione dei medici per livello ospedaliero. (C) Distribuzione specialistica delle richieste di consulenza con i pazienti. (D) Distribuzione della gravità e dell'urgenza delle richieste dei pazienti. (E) Distribuzione della modalità di consulenza preferita e del genere del medico preferito tra le richieste dei pazienti. Nota: Tutte le distribuzioni dei dati presentate in questa figura sono derivate direttamente dal dataset analitico finale (n = 240 medici; n = 3.600 richieste di pazienti) e sono pienamente coerenti con le statistiche riassuntive riportate nella Tabella 2. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 4: Distribuzioni dei punteggi a livello di coppie e separazione tra corrispondenze candidate selezionate e non selezionate. (A) Distribuzione dei punteggi di compatibilità tra coppie selezionate e non selezionate. (B) Distribuzione dei punteggi di capacità tra coppie selezionate e non selezionate. (C) Distribuzione dei punteggi ibridi in coppie selezionate e non selezionate. (D) Tempo di attesa stimato (in ore) in base allo stato di selezione. (E) Distribuzione congiunta del punteggio di compatibilità e del punteggio di capacità, con coppie selezionate e non selezionate mostrate separatamente. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 5: Analisi multivariata dei fattori associati al successo dell'abbinamento finale tra coppie selezionate. (A) Grafico forestale dei rapporti di probabilità aggiustati per il punteggio di compatibilità, il punteggio di capacità, il tempo di attesa stimato (in ore), l'adattamento alla accessibilità economica, l'abbinamento alla specialità, l'adattamento alla preferenza di genere, il livello di gravità e il livello di urgenza. (B) Probabilità marginale di matching riuscito nell'intervallo osservato del punteggio di compatibilità. (C) Probabilità marginale di abbinamento riuscito attraverso l'intervallo osservato del punteggio di capacità. (D) Associazione inversa tra il tempo di attesa stimato (in ore) e la probabilità di abbinamento riuscito. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 6: Benchmarking comparativo di quattro strategie di abbinamento medico-paziente e performance di sottogruppo del framework ibrido. (A) Precisione al rango 1, richiamo e punteggio F1 tra le quattro strategie. (B) Tasso di riempimento della capacità, tempo medio stimato di attesa e soddisfazione media dei pazienti tra le quattro strategie. (C) Indice di squilibrio di carico tra le quattro strategie. (D) Intervalli di prestazioni a livello di fold della strategia ibrida su 12 fold di valutazione ripetuta. (E) Heatmap delle prestazioni del sottogruppo di strategie ibride. Nota: Tutti i valori presentati in questa figura sono stati convalidati incrociati con i risultati corrispondenti riportati nella Tabella 5 per garantire una coerenza assoluta. Clicca qui per visualizzare una versione più grande di questa figura.

Tabella 1: Definizioni operative, soglie e regole di punteggio per il framework di abbinamento. Abbreviazioni: SD = deviazione standard. Clicca qui per scaricare questa tabella.

Tabella 2: Caratteristiche di base del gruppo medici e del gruppo di richieste dei pazienti. Sezione, caratteristiche e statistiche di base comparative del dataset analitico prima dell'abbinamento. Clicca qui per scaricare questa tabella.

Tabella 3: Confronti a livello di coppia tra corrispondenze selezionate e non selezionate. Questa tabella aggrega le variabili a coppie e le statistiche descrittive che dettagliano la separazione strutturale tra le corrispondenze finali selezionate e i candidati non selezionati. Clicca qui per scaricare questa tabella.

Tabella 4: Analisi di regressione logistica multivariabile dei fattori associati al successo dell'abbinamento finale tra coppie selezionate. Informazioni sul modello: variabile dipendente = corrispondenza finale riuscita tra coppie selezionate. Un abbinamento riuscito è stato definito come completamento della consulenza, soddisfazione del paziente 4.0/5.0 e nessuna visita di 14 giorni a causa di insoddisfazione o disallineamento. Clicca qui per scaricare questa tabella.

Tabella 5: Performance comparativa di quattro strategie di abbinamento. Riepilogo del benchmarking a livello di strategia comparativa su 12 ripetizioni ripetute. Clicca qui per scaricare questa tabella.

Tabella 6: Stabilità e variabilità a livello di piegatura della strategia ibrida. Riepilogo degli intervalli di performance a livello di pieghe della strategia ibrida su 12 pieghe di valutazione ripetuta. Clicca qui per scaricare questa tabella.

Tabella 7: Prestazioni del sottogruppo della strategia ibrida. Prestazioni dettagliate dei sottogruppi della strategia ibrida basate sui livelli di urgenza e sui livelli ospedalieri. Clicca qui per scaricare questa tabella.

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, ma sposta anche il lavoro clinico in attività fuori orario, aumentando il carico di lavoro nascosto quando la logica dell'allocazione trascura l'assorbibilità del servizio. Evidenze recenti mostrano che una maggiore domanda digitale è associata a un aumento del lavoro medico fuori dagli orari programmati, rafforzando l'importanza pratica di incorporare vincoli di capacità nei sistemi di abbinamento piuttosto che trattarli come variabili operative^{secondarie 7}. Inoltre, la sola compatibilità è insufficiente quando la domanda è distribuita in modo diseguale. Negli ospedali online, la scelta del paziente è fortemente influenzata dalle caratteristiche visibili dei medici, che guidano strutturalmente la concentrazione della domanda attorno a medici molto visibili o di status superiore. Questa dinamica spiega perché la strategia di esclusiva compatibilità in questo protocollo ha mantenuto una qualità di matching relativamente forte ma ha avuto risultati scarsi riguardo ai tempi di attesa e al bilanciamento^{del carico 15}.

Nella nostra valutazione, la classificazione binaria di un abbinamento riuscito ha rappresentato una soglia rigorosa per filtrare gli incontri clinici falliti, mentre il punteggio medio di soddisfazione del paziente ci ha permesso di valutare la distribuzione sfumata della qualità percepita dall'utente tra diverse strategie di abbinamento. Inoltre, per affrontare le preoccupazioni riguardo alla possibile circolarità, i risultati secondari di performance in questo studio sono stati valutati indipendentemente da questo stato binario, offrendo una valutazione più ampia dell'impatto del framework sulla qualità del servizio a livello di piattaforma, piuttosto che limitarsi a convalidare i propri criteri di classificazione. La maggiore soddisfazione del paziente osservata nella strategia ibrida si allinea con la letteratura più ampia sulla telemedicina, affinandola dimostrando che la soddisfazione è profondamente legata alla qualità dell'allocazione piuttosto che al semplice accesso digitale. Lavori recenti identificano la pianificazione professionale del trattamento, la comprensione accurata delle preoccupazioni dei pazienti, risposte complete e l'evitamento di risposte modellate come motivi chiave della soddisfazione degli utenti. Pertanto, i sistemi di abbinamento ottimale devono indirizzare i pazienti verso medici che possono rispondere entro intervalli di tempo accettabili e fornire modelli di interazione^{individualizzati 16,17}. Questa dinamica sottolinea anche la nostra motivazione operativa per limitare il bacino di candidati generati a due-quattro medici per richiesta (media 2,72). Questa specifica soglia è stata calibrata empiricamente per trovare un equilibrio ottimale tra preservare l'autonomia del paziente e prevenire il "sovraccarico di scelta" – un collo di bottiglia cognitivo ben documentato nelle architetture digitali della scelta sanitaria che ritarda il processo decisionale e degrada l'esperienza utente. Dal punto di vista dell'implementazione, questo modello di abbinamento dovrebbe essere integrato in un flusso di lavoro più ampio del servizio. Fondamentalmente, mentre l'attuale protocollo sperimentale valuta il framework utilizzando un'assegnazione batch statica basata su fold, la logica algoritmica sottostante è intrinsecamente adattabile a scenari dinamici in tempo continuo. Poiché le variabili di capacità—come il carico giornaliero attuale e gli slot rimanenti nello stesso giorno—sono progettate per essere aggiornate iterativamente, il punteggio ibrido può essere ricalcolato in modo efficiente in tempo reale per adattarsi agli arrivi sequenziali dei pazienti e alle variabili disponibilità dei medici. Le ricerche indicano che la formazione, la familiarità con la tecnologia, la qualità della comunicazione e il carico di lavoro sono fattori critici di implementazione, e gli stakeholder raccomandano meccanismi concreti per ridurre il carico medico. Di conseguenza, sebbene il framework ibrido migliori le prestazioni di allocazione, la sua efficacia nel mondo reale si basa fortemente su un design di workflow di supporto, dalla governance della piattaforma e dal supporto operativo^18,19.

Questi risultati rappresentano un'ottimizzazione del routing della piattaforma piuttosto che una prova che le consulenze virtuali possano sostituire tutte le forme di assistenza. Sebbene le consulenze virtuali migliorino l'efficienza, le evidenze riguardo sicurezza ed equità restano contrastanti; Pertanto, questo quadro è meglio compreso come uno strumento di allocazione iniziale, non come un sostituto del triage clinico o dei percorsi^{di riferimento 20}. L'attuale protocollo presenta diverse limitazioni. Innanzitutto, sebbene il dataset di valutazione sia stato costruito utilizzando variabili e modelli di distribuzione che rispecchiano rigorosamente le condizioni operative reali, rimane fondamentalmente una coorte simulata progettata per la valutazione controllata delle piattaforme. Riconosciamo che l'assenza di dataset reali supplementari e indipendenti limita la validità esterna dei risultati attuali. Per stabilire in modo solido la generalizzabilità del metodo di abbinamento ibrido proposto, studi futuri devono dare priorità alla validazione di questo quadro sperimentale utilizzando registri di consultazioni su larga scala e reali su diverse piattaforme sanitarie digitali e tempi longitudinali estesi. Valutare la resilienza del modello e le capacità di instradamento dinamico sotto shock estremi di domanda temporale—come le stagioni di picco dell'influenza o emergenze di sanità pubblica—rimane fondamentale. In secondo luogo, gli esiti hanno enfatizzato il completamento delle consultazioni e la soddisfazione del paziente, escludendo l'adeguatezza diagnostica giudicata dai clinici o gli esiti di salute longitudinali. In terzo luogo, la valutazione basata su fold si basava su un semplice campionamento casuale piuttosto che su k-fold cross-validation o campionamento stratificato. Sebbene questo abbia catturato la volatilità del flusso naturale di pazienti, può talvolta compromettere la rappresentantività uniforme di specifici sottogruppi minoritari. Le future valutazioni algoritmiche dovrebbero incorporare campionamenti stratificati per gravità, urgenza e livello ospedaliero per garantire prestazioni coerenti in tutte le sottopopolazioni di pazienti. In quarto luogo, il tempo di attesa stimato derivato da questo protocollo funge da proxy strutturale piuttosto che da modello predittivo rigorosamente calibrato. A causa della mancanza di registri temporali continui e reali, non siamo stati in grado di eseguire analisi di correlazione rigorose né di calcolare errori di calibrazione rispetto ai tempi di attesa clinici reali. Le ricerche future dovrebbero sfruttare i log operativi empirici su larga scala per validare e perfezionare questi parametri euristici di tempi di attesa. Quinto, lo schema di pesatura che combina compatibilità e capacità è stato predefinito in modo euristico piuttosto che derivato tramite modellazione matematica oggettiva. Sebbene questo approccio a priori fisso impedisca l'adattamento post hoc dei dati, manca del rigore dei metodi di pesatura oggettiva come AHP o la ponderazione a entropia. Le future iterazioni di questo quadro dovrebbero incorporare questi metodi decisionali oggettivi multi-criterio per determinare dinamicamente il rapporto di ponderazione ottimale. Infine, il framework opera a livello di allocazione uno a uno ed è stato valutato in condizioni statiche di assegnazione batch, senza modellare consultazioni di team o riprioritizzazioni dinamiche in tempo continuo (ad esempio, gestione di picchi improvvisi di domanda o cancellazioni di calendario in tempo reale). Le ricerche future dovrebbero ampliare questo quadro in una simulazione di coda completamente dinamica e estendere gli algoritmi di abbinamento dalla selezione iniziale del medico al routing consapevole della comunicazione e al supporto dell'interazione^{post-partita 21}.

Nel complesso, questo protocollo sposta con successo il paradigma dell'abbinamento medico-paziente lontano da una logica a singolo obiettivo. Nelle piattaforme online su larga scala, l'allocazione efficace deve affrontare congiuntamente l'adattamento al servizio clinico e l'assorbibilità operativa del medico nelle condizioni di carico di lavoro attuali, senza degradare la tempestività o l'esperienza del paziente. Rispetto alle strategie basate su regole, solo compatibilità e solo capacità, il framework ibrido consapevole di compatibilità e capacità ha raggiunto un equilibrio complessivo superiore tra precisione di abbinamento, richiamo, punteggio F1, tempi di attesa, tasso di riempimento della capacità e distribuzione del carico di lavoro. Trattando l'abbinamento medico-paziente né come un compito di raccomandazione puramente basato sulle preferenze né come un problema di programmazione guidato dal throughput, questo approccio fornisce una base altamente pratica e scalabile per un routing intelligente delle consulenze, il coordinamento delle risorse della piattaforma e l'ottimizzazione futura dei servizi sanitari digitali.

Materiali

Elenco dei materiali utilizzati in questo articolo

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)