オンライン診察における適合性と能力認識型医師・患者マッチングの実験的枠組み

サマリー

このプロトコルは、オンライン医療相談プラットフォームにおける医師と患者のマッチングのためのスケーラブルな実験的枠組みを提供します。患者中心の臨床適合性と医師側のサービス能力をハイブリッドスコアリングモデルに統合することで、マッチング精度を最適化し、患者の待ち時間を最小限に抑え、医師の業務負担のバランスの取れた分配を確保します。

要約

大規模なオンライン医療相談プラットフォームでは、患者中心の適合性と業務効率のバランスを取るために、効果的なアルゴリズム支援による医師・患者マッチングが必要です。既存のアプローチは臨床適合性や医師の能力を独立して最適化することが多いため、待ち時間の延長や業務負荷の不均一を招いています。このプロトコルは、互換性と容量をハイブリッドマッチングスコアに統合するためのスケーラブルな実験フレームワークを提供します。240人の医師、3,600件の患者リクエスト、9,785組の候補者ペアからなるシミュレーションデータセットを用いて、適合性(例:専門分野の整合性、モード適合性)と容量(例:負荷比、推定待機時間)を定量化します。このフレームワークは候補ペアをハイブリッドスコアで評価し、12の評価フォールドにわたるルールベース、互換性のみ、容量のみのベンチマーク戦略とパフォーマンスを比較します。代表的な結果は、ハイブリッドフレームワークがより高いマッチング品質を実現していることを示しており、ランク1での平均精度は0.740、F1スコアは0.714です。さらに、容量充填率0.825と、平均推定待機時間5.52時間と高い運用効率を実現しています。平均患者満足度(4.43/5.00)を最大化し、負荷の不均衡を最小化(0.195)することで、このフレームワークはインテリジェントな相談ルーティングとプラットフォーム管理のための実用的なプロトコルを提供します。

概要

オンライン医療相談はますます重要な医療提供手段となり、従来の対面診察を超えて医療サービスへのアクセスを拡大^{しています。}中国では、インターネット遠隔医療の拡大は政策策定、市場の成長、そして広範な医療システムとの深い統合によって強化されており、デジタル診察は^{医療機関2}においてますます重要な要素となっています。インターネット病院からの大規模な証拠は、オンライン診療サービスが現在、周辺的な補完ではなく、日常的なサービス提供の重要な一部として機能し、かなりの規模で運営されていることを示しています^。同時に、非同期遠隔医療は柔軟なやり取りパターンを可能にすることで遠隔ケアの範囲を広げ、アクセス性を向上させるとともにデジタル診^{療プラットフォームの}運用複雑さも同時に高めています。

これらのプラットフォームが拡大するにつれて、技術的な可用性だけでパフォーマンスを判断することはできません。患者体験とサービスの質は、デジタルケア提供の中心的な成果となっています⁵.最近の研究では、オンライン相談システムの利用が患者体験、特にアクセス性、利便性、予約プロセスに関して測定可能な違いと関連していることが示されています⁶。しかし、デジタル診察はメッセージ処理や通常の臨床時間外の業務など医師の業務負担を増やし、キャパシティ管理が中心的な運用課題^{となります。}この課題は、医師間の需要分布が不均等であることによってさらに深刻化しています。なぜなら、レビューや評価、その他のプロフィール情報などの目に見えるサービスの手がかりが患者のトラフィックを限られた高可視性医師のサブセットに誘導してしまうから^です。したがって、オンライン相談プラットフォーム上の医師・患者割り当ては単なる患者側の検索問題ではなく、医師は異種な^{相談依頼に対して}選択的な回答の好みを示すこともあります。

患者の視点から見ると、オンライン相談の選択は本質的に多面的です。利用者は、待機時間、医師の資格、病院レベル、サービスモード、相談費用を同時に考慮してケアオプションを選ぶ¹⁰。この複雑さと一致し、最近の系統的レビューでは、オンライン医療相談プラットフォームには情報過多を減らし、患者のニーズと医師のリソースをより良く整合させるための推奨メカニズムが必要であると結論付けられました¹¹。それに応じて、オンライン相談環境における医師と患者の配分を改善するために、不完全情報下での動的安定マッチングを含む構造的マッチングアプローチの導入が方法論的研究で進められています。¹²。最近の推奨研究では、医師と患者のマッチングが配分効率を向上させ、トップクラス病院の目立つ医師の周囲に過剰な需要集中を減らすべきだと強調^{されています。}混合方法のエビデンスは遠隔医療の選好に大きな異質性を示しており、プラットフォーム^{スケール14}では一律の割り当てロジックでは十分ではない可能性が示されています。これらの進歩にもかかわらず、既存の文献では適合性に関連する要因や医師の能力制約を別個の問題として扱う傾向がありますが、オンライン相談プラットフォームは関係性の適合性とサービスの吸収可能性の両方を同時に管理しなければならない^{必要があります。}

このギャップを埋めるため、本手法は大規模なオンライン医療相談プラットフォーム上で、適合性と能力意識に応じた医師と患者のマッチングのためのスケーラブルな実験的枠組みを確立することを目指しています。この手法の根拠は、臨床の好みや医師のサービス能力を単独で最適化すると、待ち時間が長くなり、医師の業務量が不均一になり、診察体験が最適でないというものです。このハイブリッド戦略が、代替のルールベースや単一目的割り当て技術に比べて最大の利点は、患者のニーズ、医師の特徴、動的なサービス制約を共同でモデル化し、業務負荷のバランスと高い患者満足度を維持できることです^。ハイブリッドマッチングスコアの構築とフォールドベースの評価プロセスを詳細に示すことで、このプロトコルはインテリジェントな相談ルーティングの実用的な基盤を提供します。読者はこの方法論的枠組みを活用し、デュアルアウェアマッチングロジが特定のデジタルヘルスアプリケーションにおけるトリアージ、リソース割り当て、ワークフロー管理の最適化に適切かどうかを判断できます。

プロトコル

このプロトコルで使用された評価データセットは、集計され非識別化された運用分布から計算シミュレーションされており、実際のまたは特定可能な人間参加者データは含まれていませんでした。その結果、本研究は寧波科技大学の倫理審査委員会(IRB)によって完全な倫理審査から免除されたと判断されました(免除番号はNT9918276)。

1. データ準備とコホート定義

1. 内科、循環器学、神経学、皮膚科、小児科、婦人科、整形外科、精神科の8つの相談専門分野にわたる240名のオンライン医師を含む医師プールを確立します。
2. 各医師記録ごとに以下の変数を抽出・定義します:専門分野、性別、専門職名(レジデント、アテンディング、アソシエイトチーフ、またはチーフ)、病院の階層(プライマリー、セカンダリー、または三次)、実務年数、オンライン相談経験年数、相談料、名目上の1日相談収容能力、現在の1日の負担、過去評価、平均初回応答時間、過去の受理率、フォローアップサービス率、およびサポートされた相談モード(テキスト、 テキストと音声、またはテキストと音声とビデオの組み合わせです。
3. 3,600件の相談リクエストを含む患者リクエストプールを確立します。
   注:評価の時間的側面を文脈化するために、このプールは標準的な平日と週末の両方を含む連続した30日間の運用期間を表すよう調整されています。この期間は、患者需要の周期的な変動を捉えつつ、極端な非典型期間(例:主要な祝日や流行のピーク)を明確に除外し、アルゴリズム性能評価のための安定した基準を確立することを目的としています。
4. 各患者リクエストごとに以下の変数を抽出し定義します:年齢、性別、対象専門分野、重症度レベル(低、中、高)、緊急度レベル(ルーチン、緊急、優先度)、予算上限、希望医師の性別(男性、女性、または希望なし)、希望する相談モード(テキスト、音声、またはビデオ)、過去のプラットフォーム訪問、デジタルエンゲージメントレベル、併存症数、都市の階層、優先的な接触期間。
5. 専門分野、診察料金、1日の収容能力、現在の負荷、平均初回応答時間、重症度、緊急性、予算上限、優先相談モード、または希望医師の性別に欠落した記録を排除してデータセットをクリーンアップします。ペア生成に進む前に、すべての保持記録が完全に完了していることを確認しましょう。

2. 候補ペア生成

1. 専門分野優先検索ルールを用いて候補医師-患者ペアを生成します。各患者の依頼に対して、その患者の対象専門分野に合致する最初の医師を選びます。
2. 対象専門分野で、当日プラットフォーム上で活動している隣接する高頻度専門分野へも、初期の対象専門分野で2名未満の診察能力を持つ医師がいない場合に限り、取得対象範囲を拡大してください。
   注:このプロトコルにおける「隣接性」は確立された臨床的クロス紹介パターンや解剖学的または症状的な重複(例:循環器内科から一般内科への患者へのルーティング)によって構造的に定義され、「高頻度」はプラットフォーム上の歴史的日次診察依頼量の上位25%にランクインした専門分野を指します。
3. 各患者を2人から4人の候補医師にリンクし、1リクエストあたり約2.72人の候補者を経験的に導き出すことを目指します。最終候補ペア層を9,785ペアから構成します。全体の研究ワークフロー は図1を参照してください。

3. ペアワイズ変数の操作化

1. ベンチマーク前にスコア構築に用いられるすべてのペアワイズ変数を定義してください。あらかじめ定められた定義、閾値、スコアマッピングについては 表1 を参照してください。
2. 医師の専門分野が患者の対象専門と同一の場合、コード専門分野(S)を1とし、それ以外は0となります。
3. 医師のサポートモードが患者の希望モードを完全にカバーする場合、コードモード適合(M)は1として、それ以外は0となります。
4. コード性別好み適合(G)は、患者が「望まない」を選択した場合、または医師の性別がその希望に一致する場合に1、それ以外は0となります。
5. コードの負担可能性適合度(A)は、医師料金が患者の予算上限以下の場合は1、料金が予算を20%を超えない場合に0.5、費用が予算を20%以上超えた場合は0となります。
6. 医師の過去評価を観察された医師レベルの範囲(最低4.10、最大4.98)を用いて正規化します。以下の式を用いて正規化品質スコア(Q)を計算します。
   (1)
   切断後の値が4.10未満は0に、4.98を超える値は1に設定します。
7. 表1に示された患者の緊急性と医師の平均初応答時間に基づいて緊急対応適合(U)を定義します。
8. 医師の負荷比は、現在の日負荷を名目上の日負荷容量で割って計算します。残りの当日スロットは、現在の日負荷を名目上の日の容量から差し引いて計算します。
9. 推定待ち時間(時間単位)は以下の式で計算します:
   
   この構成は、基本的なキュー理論の原則に着想を得たヒューリスティックな推定として機能しており、医師の基準平均最初の応答時間はリアルタイム利用率(現在の日負荷/1日の容量)によってペナルティされます。
   注:優先度要求は0.80、緊急要求は0.90、ルーチン要求は1.00に設定されています。これらの調整係数は、経験的に導出される係数ではなく、重度のケースに対して優先配線を強制するためにあらかじめ指定された運用重みとして実装されています。

4. マッチングスコアの構築

1. 図2に詳述されたように、互換性モジュールと容量モジュールを用いてマッチングフレームワークを構築します。
2. 適合スコアを患者中心のマッチング因子の加重線形結合として計算します。
   (3)
3. 負荷比スコア(L)、残留スロットスコア(R)、待機時間スコア(W)から容量スコアを計算します。 表1で定義された閾値に基づいて、 のカテゴリカルスコアを割り当てます。容量スコアは次のように計算します:
   (4)
4. 互換性と容量要素を統合して最終ハイブリッドスコアを算出します:
   (5)
5. 評価前に0.60–0.40の重み付けスキームを固定してください。
   注:このあらかじめ定められた比率は、医療サービスの基本原則に基づいています。臨床的適切性と患者中心の適合性が医療の安全性を確保するための主要なルーティング基準として機能しなければなりませんが、厳しい容量制約にはかなりの数学的ペナルティを適用し、臨床適性を運用スループットよりも優先する確立されたトリアージ文献と一致しています。
6. 結果検査後にこれらの重りを調整しないと、過学習を防ぎ再現性を確保してください。
   注:このプロトコルを採用する研究者は、包括的な感度分析を行うか、客観的な多基準意思決定技術(例:分析階層プロセス(AHP)やエントロピー重み付け)を用いて、プラットフォームの特定の運用負荷に合わせてフレームワークを調整することを強く推奨します。

5. 試合選択と戦略ベンチマーキング

1. 12回の繰り返し評価フォールドでベンチマークを行います。各フォールドごとに、全患者プールから代替なしで300件の患者リクエストをサンプリングします。
   注:この単純なランダムサンプリング手法は、リアルタイムオンライン診察プラットフォームに特徴的な患者到着ストリームの確率的かつ予測不可能な性質をシミュレートするために意図的に用いられており、需要に人工的な構造的バランスを課すのではありません。
2. それぞれのフォルダ内に、これらのサンプル化されたリクエストにリンクされたすべての候補ペアを保持します。
3. 同じフォールド特異の候補者ペア層上で、4つの異なる割り当て戦略を独立してベンチマークします。
   1. ルールベースの基準では、正確な専門分野のマッチング、次に低い相談料、最後に高い過去評価で候補者をランク付けします。
   2. 適合性のみの戦略では、最も適合スコアの高い候補者を選択します。
   3. キャパシティのみの戦略では、キャパシティスコアが最も高い候補者を選びます。
   4. ハイブリッド戦略では、最も高いハイブリッドスコアを持つ候補者を選びます。
4. 各患者リクエストの最終マッチングとして、最終的な戦略特異スコアが最も高い候補医師を選びます。
5. 推定待ち時間が短い候補者を選び、次に適合スコアが高い候補者、そして歴史的評価が高い候補者を選び、小数点3桁まで同じスコアを選びます。

6. 結果計算

1. 主要な結果を計算します:ランク1での正確さ、想起率、F1スコア。
2. 経験的ベースラインデータセットから導出される確率分布を用いてベンチマーキングする前に、9,785組すべての候補にグラウンドトゥルースアウトカムを割り当てます。
   注意:すべての候補ペアの精度とリコールの計算を可能にするために、完全にラベル付けされた合成環境を使用してください。相談が完了し、患者満足度が5点満点満点で4.0であり、不満足や不一致による14日間の再診がなければ、成功したマッチングとなります。
3. ランク1の精度を、成功したマッチ基準を満たす選ばれた最終試合の割合として計算します。
4. 戦略によって正しく選択されたフォールド内の成功した候補ペアのうち、リコールの割合として計算します。Step 6.2で確立された完全標識された合成環境から、選択されていない候補ペアのアウトカムを導出します。
5. リコール指標が、シミュレーション候補プール内の理論的に有効なマッチをすべてアルゴリズムが特定する能力を正確に捉えていることを確認しましょう。
6. F1スコアは以下の式で計算します:
   (6)
7. 二次アウトカムを計算します:キャパシティ満員率、平均推定待機時間、平均患者満足度、相談完了率、7日間のフォローアップ率、報告された改善率。
8. 各折り目内で医師の業務負荷分布の不均一性を評価するために負荷不均衡指数を計算します。
   (7)
9. 12折特異的な推定値を平均化し、元のスコア割り当てを用いて戦略レベルの要約値を求めます。
10. 選ばれた最終マッチのサブセット内で多変数ロジスティック回帰分析を行い、成功したマッチングに独立して関連するペアレベルの要因を特定します。
11. 理論的関連性に基づく以下のあらかじめ指定された独立変数を含める:適合スコア、キャパシティスコア、推定待ち時間、手頃な価格の適合、専門性マッチ、性別好み適合、重症度レベル、緊急性レベル。
12. モデルの理論構造を保つために、段階的アプローチではなく強制入力変数選択戦略を用いましょう。
13. 分散インフレーションファクター(VIF)を用いて多重共線性を評価します。最終モデル推定前にすべてのVIF値が5.0未満であることを確認しましょう。
14. 統計的有意性を2側の p <0.05として定義し、結果を調整オッズ比(aRs)と対応する95%信頼区間(CI)として報告します。

結果

医師プールおよび患者リクエストプールの基準特性

シミュレーション分析データセットには240人の医師と3,600件の患者相談依頼が含まれていました。マッチングシステムの両側の基準特性は 表2にまとめられ、プラットフォーム側の分布パターンは 図3に示されています。

240人の医師のうち、128人(53.3%)が女性でした。コホートの平均臨床経験は9.34年、平均診察料は68.08米ドル、平均名目上1日の診察能力は18.52件、平均履歴サービス評価は4.63、平均初回回答時間は5.47時間でした。内科が最大の専門分野(19.2%)、次いで整形外科(15.0%)、神経学(13.3%)が続きました。相談モードについては、41.7%の医師がテキストと音声を併用し、37.1%がテキストのみ、21.3%が全文、音声、ビデオ相談を支持しました。

3,600件の患者申請のうち、53.1%が女性患者からのものでした。平均年齢は36.49歳、平均予算上限は47.30米ドルでした。内科が最も多い標的専門分野(20.0%)、次いで神経学(13.8%)、循環器内科(13.0%)が続きました。リクエストは重症度(45.7%中等、34.2%低、20.1%高)と緊急性(39.1%優先度、35.9%が通常、25.0%緊急)で分類されました。テキスト相談が最も多い傾向(45.1%)であり、患者の78.7%が医師の性別希望なしと報告しました。これらの分布は、プラットフォームが異種協議環境で動作していることを示し、マッチングシステム内で互換性と容量制約の両方を評価する必要性を裏付けています。

候補者ペア構造とスコア分離

専門分野優先の検索と候補者拡大制限により、9,785組の医師・患者候補ペアが生成されました(表3、 図4)。候補者ペア全体では、3,085組が最終マッチとして選ばれ、6,700組は選ばれませんでした。選ばれたペアは、非選択ペアよりも正確な専門的適合率が高く(99.2% 対 95.3%)、性別・好みの一致率もわずかに高かった(90.2% 対 89.0%)。

さらに重要なのは、主なペアズズの違いが運用および複合スコアの変数に集中していたことです。選ばれたペアは平均適合度が高く(0.853対0.829)、平均能力スコアも高く(0.395対0.381)を示しました。その結果、選択されたペアの平均ハイブリッドスコアは0.707、非選択ペアでは0.686でした。選ばれたペアは運用面でもより有利で、平均医師負担率が低く(0.628対0.642)、利用可能な同日予約枠が多かった(6.99対6.65)、推定待機時間が短かった(12.46時間対12.79時間)を示しました。

選ばれた3,085組のうち、2,584件の相談が完了し(完了率83.8%)。平均患者満足度は5.00点満点中4.29点でした。成功したマッチングを相談完了、患者満足度4.0、14日間の再訪問なしと定義したところ、1,644組の選定ペアがこの基準を満たしました(成功率53.3%)。これらの結果は、最終的な選択が互換性の向上、負荷圧の低さ、待機時間の改善によって駆動され、事前指定されたプロトコル論理と整合していることを示しています。

最終マッチングの成功に関連するペアレベルの要因

選択マッチサブセット内で多変数ロジスティック回帰を行い、成功したマッチングに関連する特徴を特定しました(表4、 図5)。適合スコアは適合度と正の相関を示しました(調整オッズ比[aOR] = 11.99;95%信頼区間1.81–79.46;P = 0.010)、容量スコアも同様です(aOR = 2.08;95% CI 1.22–3.55;P = 0.007)。逆に、推定待ち時間が長いほど適合率は低下します(aOR = 0.953/追加1時間;95%信頼区間、0.934–0.972;P < 0.001)。手頃な価格も依然として有意でした(aOR = 1.33;95%信頼区間、1.12–1.57;P = 0.001)を担当します。正確な専門性一致、性別好み一致、優先順位、高重症度は独立して有意ではありませんでした。これは、マッチングの成功が単一の表面的な特徴よりも、互換性の強さと吸収能力の総合に大きく依存していることを示しています。

ベンチマーキングと配分戦略の堅牢性

12の評価フォルダにおける比較ベンチマークは表 5、 表6、 図6にまとめられています。提案されたハイブリッド戦略は、全体的に最も好ましい評価を獲得しました。ランク1(0.740)、リコール率(0.691)、F1スコア(0.714)で最高の平均精度を生み出し、ルールベースのベースライン、互換性のみ戦略、容量のみ戦略を上回る成果を上げました。

運用面では、ハイブリッド戦略は最高の容量充填率(0.825)と最短の平均待機時間(5.52時間)を達成しました。患者中心のパフォーマンスも最適化され、ハイブリッド方式では平均患者満足度(4.43)が最も高く、負荷不均衡指数(0.195)が最も低く、医師の業務負荷分布が非常に均等であることが示されました。サブグループ分析(表7、 図6)では、この安定したパフォーマンスパターンが異なる緊急度層や病院層で維持され、非常に能力が制限された環境でもフレームワークの堅牢性が証明されました。

図1:全体の研究ワークフロー。 (A) 医師プールおよび患者リクエストプールの構築。(B) 希望された専門分野で残った能力を持つ現役医師が2人未満の場合、拡大を制限する専門分野優先の候補者抽出プロセス。(C) 候補医師と患者のペア生成およびペアワイズ変数の導出。(D) 適合スコア、容量スコア、ハイブリッドスコアの作成。(E) 最終医師選考、4つの割り当て戦略におけるフォールドベースベンチマーキング、パフォーマンス成果の計算。 この図の拡大版はこちらをクリックしてご覧ください。

図2:適合性とキャパシティ・アウェアニング・マッチングフレームワークのアーキテクチャ。 (A) 適合モジュール:専門分野アライメント、相談モード適合、性別好み適合、費用負担可能性適合、医師履歴評価、緊急対応適合を含む。(B) キャパシティモジュール(医師の負荷比、残りの同日予約枠、推定待機時間を含む)(C) 適合スコアおよび容量スコアの正規化および加重スコア集計。(D) 2つのモジュールを最終的なハイブリッドスコアに統合すること。(E) 最終ランキングおよび同点判定の論理で、選択された医師と患者のマッチを決定すること。 この図の拡大版はこちらをクリックしてご覧ください。

図3:分析データセットにおける医師と患者の特徴のベースライン分布パターン。 (A) 医師プールの専門分野の分布。(B) 専門職の肩書きおよび医師の病院層の分布。(C) 患者相談依頼の専門分野の配布。(D) 患者リクエストの重症度および緊急度の分布。(E) 患者の依頼における優先的な相談形態および優先医師の性別の分布。注:この図に示されたすべてのデータ分布は、最終的な分析データセット(n = 240人の医師、n = 3,600件の患者リクエスト)から直接導出されており、表2に報告された要約統計と完全に整合しています。 この図の拡大版はこちらをクリックしてご覧ください。

図4:ペアレベルのスコア分布および選択された候補者と非選択された候補者の分離。 (A) 選択済みおよび非選択ペアにおける適合性スコアの分布。(B) 選択済みおよび非選択ペアにおける能力スコアの分布。(C) 選択済みおよび非選択ペアにおけるハイブリッドスコアの分布。(D)選考状況による推定待ち時間(時間単位)。(E) 適合スコアと容量スコアの結合分布(選択済みペアと非選択ペア別表示)。 この図の拡大版はこちらをクリックしてご覧ください。

図5:選択されたペア間の最終マッチング成功に関連する要因の多変数分析。 (A) 適合スコア、キャパシティスコア、推定待ち時間(時間単位)、費用負担性適合度、専門性マッチ、性別・好み適合、重症度レベル、緊急性レベルの調整オッズ比のフォレストプロット。(B)適合スコアの範囲全体で成功確率の限界確率。(C) 観測された容量スコアの範囲にわたるマッチング成功の限界確率。(D) 推定待ち時間(時間単位)とマッチング成功確率の逆相関。 この図の拡大版はこちらをクリックしてご覧ください。

図6:4つの医師・患者マッチング戦略の比較ベンチマーキングとハイブリッドフレームワークのサブグループパフォーマンス。 (A) 4つの戦略におけるランク1、想起率、F1スコアの精度。(B) 4つの戦略における容量充填率、平均推定待機時間、平均患者満足度。(C) 4つの戦略における負荷不均衡指数。(D) 12回の繰り返し評価フォールドにおけるハイブリッド戦略のフォールドレベルパフォーマンス範囲。(E) ハイブリッド戦略サブグループパフォーマンスヒートマップ。注:この図に示されたすべての値は、絶対的な一貫性を確保するため、表5に報告された対応結果と相互検証されています。 この図の拡大版はこちらをクリックしてご覧ください。

表1:マッチングフレームワークの運用定義、閾値、スコアリングルール。 略語:SD = 標準偏差。この表をダウンロードするには、こちらをクリックしてください。

表2:医師プールおよび患者リクエストプールの基準特性。 分析データセットのセクション、特徴、およびマッチング前の比較基本統計。この表をダウンロードするには、こちらをクリックしてください。

表3:選択されたマッチと非選択されたマッチのペアレベル比較。 この表は、最終的に選ばれたマッチと未選出候補者の構造的な分離を示すペアワイズ変数と記述統計を集約したものです。この表をダウンロードするには、こちらをクリックしてください。

表4:選択されたペア間の最終マッチング成功に関連する要因の多変数ロジスティック回帰分析。 モデル情報:従属変数=選択されたペア間の最終マッチに成功。成功した適合とは、相談完了、患者満足度4.0/5.0、不満足または不一致による14日間の再訪がないことを定義しました。この表をダウンロードするには、こちらをクリックしてください。

表5:4つのマッチング戦略の比較パフォーマンス。 12回繰り返されたフォールドにおける戦略レベルの比較ベンチマーキングの要約。この表をダウンロードするには、こちらをクリックしてください。

表6:ハイブリッド戦略の安定性とフォールドレベルの変動性。 12の繰り返し評価フォールドにおけるハイブリッド戦略のフォールドレベルパフォーマンス範囲の要約。この表をダウンロードするには、こちらをクリックしてください。

表7:ハイブリッド戦略のサブグループパフォーマンス。 緊急性レベルと病院層に基づくハイブリッド戦略の詳細なサブグループパフォーマンス。この表をダウンロードするには、こちらをクリックしてください。

ディスカッション

本プロトコルは、大規模なオンライン医療相談環境において、適合性と容量を意識した医師・患者マッチングフレームワークを示しています。ハイブリッド戦略は、マッチング精度、待機時間、容量利用率、患者満足度、業務負荷分散において最もバランスの取れた総合パフォーマンスを実現しました。この結果は極めて重要です。なぜなら、デジタルコンサルテーションはアクセスを拡大するだけでなく、臨床業務を時間外の活動にシフトさせ、割り当ての論理がサービスの吸収可能性を見落とす際に隠れた作業量を増加させるからです。最近の証拠は、デジタル需要の増加が医師の勤務時間外の業務増加と関連していることを示しており、キャパシティ制約を二次的な運用変数として扱うのではなく、システムに組み込むことの実務的重要性を強調しています^。さらに、需要が不均等に分布している場合、単なる適合性だけでは不十分です。インターネット病院では、患者の選択肢は目立つ医師の特徴に強く左右され、構造的に需要は目立つ医師や地位の高い医師に集中しています。このダイナミクスが、このプロトコルにおける互換性のみ戦略が比較的強力なマッチング品質を維持した一方で、待ち時間や^{負荷分散に関して}はパフォーマンスが悪かった理由を説明しています。

私たちの評価では、成功したマッチングの二元分類が臨床不合格を除外するための厳格な閾値として機能し、一方で平均患者満足度スコアは異なるマッチング戦略間でユーザー認識される品質の微妙な分布を評価することができました。さらに、循環性の可能性に関する懸念に対処するため、本研究の二次的なパフォーマンス成果はこの二項的な状態とは独立して評価され、フレームワークがプラットフォーム全体のサービス品質に与える影響をより広く評価し、単に分類基準を検証するだけでなく、より広範な評価を提供しました。ハイブリッド戦略の下で観察された患者満足度の向上は、遠隔医療の広範な文献と一致しており、満足度が単なるデジタルアクセスではなく、割り当ての質に深く結びついていることを示して、それをさらに鋭くしています。最近の研究では、専門的な治療計画、患者の懸念の正確な理解、包括的な回答、テンプレート化された回答の回避がユーザー満足度の重要な要因であることが指摘されています。したがって、最適なマッチングシステムは、患者を許容可能な時間内に対応し、個別化された相互作用パターンを提供する医師に案内しなければなりません。^16,17。このダイナミクスはまた、1人あたり2〜4名の医師を制限する運用上の根拠を強調しています(平均2.72)。この特定の閾値は、患者の自律性の維持と「選択過負荷」を防ぐことの最適なバランスを取るために実証的に調整されました。これはデジタルヘルスの選択アーキテクチャにおける認知的ボトルネックであり、意思決定を遅らせユーザー体験を低下させるものです。実装の観点からは、このマッチングモデルはより広範なサービスワークフローに組み込まれるべきです。重要なのは、現在の実験プロトコルが静的かつ折りたたみベースのバッチ割り当てを用いてフレームワークを評価する一方で、基盤となるアルゴリズム論理は連続時間動的シナリオに本質的に適応可能であるということです。現在の日々の利用量や残った当日の予約枠などのキャパシティ変数は反復的に更新されるよう設計されているため、ハイブリッドスコアはリアルタイムで効率的に再計算され、連続した患者到着や医師の勤務可能率の変動に対応します。研究によると、研修、技術への親しみ、コミュニケーションの質、業務量が重要な実施要素であり、関係者は医師の負担を軽減するための具体的な手段を推奨しています。したがって、ハイブリッドフレームワークは配分性能を向上させる一方で、実際の効果は支援的なワークフロー設計、プラットフォームガバナンス、^{運用サポートに}大きく依存^{しています。}

これらの結果は、バーチャル診察がすべてのケア形態に取って代わるという証拠ではなく、プラットフォームルーティングの最適化を示しています。バーチャル相談は効率を向上させるものの、安全性や公平性については証拠が混在しています。したがって、このフレームワークは臨床トリアージや紹介経路の代替ではなく、フロントエンドの割り当てツールとして理解するのが^{最適です。}現在のプロトコルにはいくつかの制限があります。まず、評価データセットは実際の運用状況を厳密に反映した変数や分布パターンを用いて構築されましたが、基本的には制御されたプラットフォーム評価を目的としたシミュレーションコホートのままです。私たちは、補足的で独立した実世界データセットの欠如が、現在の発見の外部的妥当性を制限していることを認めます。提案されたハイブリッドマッチング法の一般化可能性を確実に確立するためには、今後の研究では、多様なデジタルヘルスケアプラットフォームにわたる大規模な実世界の相談ログと長期的な時間枠を用いて、この実験的枠組みの検証を優先しなければなりません。ピークインフルエンザシーズンや公衆衛生緊急事態などの極端な時間的需要ショック下でのモデルのレジリエンスと動的ルーティング能力の評価は依然として重要です。第二に、アウトカムは診察完了と患者満足度を強調し、臨床医による診断適切性や長期的な健康アウトカムを除外しました。第三に、折り返し評価はk重クロス検証や層別抽出ではなく、単純なランダムサンプリングに依存していました。これは自然な患者フローの変動性を捉えていましたが、特定のマイノリティサブグループの均一な代表性を損なうこともあります。今後のアルゴリズム評価では、重症度、緊急性、病院層別の階層サンプリングを取り入れ、すべての患者サブ集団で一貫したパフォーマンスを確保する必要があります。第四に、このプロトコルから導き出された推定待ち時間は、厳密に調整された予測モデルではなく、構造的な代理指標として機能します。連続した現実世界のタイムスタンプログがなかったため、厳密な相関解析や実際の臨床待機時間との校正誤差の計算ができませんでした。今後の研究では、大規模な実証的な運用ログを活用して、これらのヒューリスティックな待ち時間パラメータを検証し、微調整すべきです。第五に、互換性と容量を組み合わせた重み付け方式は、客観的な数学的モデリングを経て導出されるのではなく、あらかじめヒューリスティックに指定されていました。この事前的なアプローチは事後的なデータフィッティングを防いでいますが、AHPやエントロピー重み付けのような客観的な重み付け手法の厳密さには欠けています。このフレームワークの今後の反復では、最適な重み付け比率を動的に決定するために、客観的な多基準意思決定手法を取り入れるべきです。最後に、フレームワークは1対1の割り当てレベルで動作し、チームベースの協議や連続的な動的優先順位付け(例:突然の需要急増やリアルタイムスケジュールキャンセルの対応)をモデル化せずに、静的なバッチ割り当て条件下で評価されました。今後の研究では、この枠組みを完全な動的キューイングシミュレーションへと拡張し、マッチングアルゴリズムを初期医師選択から通信認識型ルーティング、マッチ後のインタラ^{クションサポートへ}と拡張すべきです。

全体として、このプロトコルは医師と患者のマッチングパラダイムを単一の目的論理から効果的に遠ざけています。大規模なオンラインプラットフォームでは、効果的な配分は臨床サービス適合性と医師の現在の業務負荷状況下での業務吸収性を共同で考慮し、タイムリーさや患者体験を損なうことなくなければなりません。ルールベース、互換性のみ、容量のみの戦略と比べて、互換性と容量認識型のハイブリッドフレームワークは、マッチング精度、リコール率、F1スコア、待機時間、容量充填率、ワークロード配分において優れた総合バランスを実現しました。医師と患者のマッチングを、純粋に好みに基づく推薦タスクやスループット駆動のスケジューリング問題として扱わないことで、このアプローチはインテリジェントな相談ルーティング、プラットフォームリソースの調整、そしてデジタル医療サービスの将来の最適化において非常に実用的かつスケーラブルな基盤を提供します。

材料

この記事で使用された材料の一覧

名前	会社	カタログ番号	コメント
候補の医師と患者のペア	研究によって生成	N/A	ペア毎の変数の導出とマッチの選択 (9,785 の候補ペア)
IBM SPSS Statistics	IBM Corp.	https://www.ibm.com/products/spss-statistics	統計分析 (バージョン 27)
Microsoft Excel	Microsoft Corporation	https://www.microsoft.com/microsoft-365/excel	データ管理と記述的サマリー (バージョン 2021)
患者のリクエスト記録	研究によって生成	N/A	ベースラインの患者側の特徴と嗜好パラメータ (3,600 の相談リクエスト)
医師の記録	研究によって生成	N/A	ベースラインの医師側の特徴と能力パラメータ (240 のアクティブな医師)
Python	Python Software Foundation	https://www.python.org	シミュレーション、スコア構築、ベンチマーキング (バージョン 3.11)