온라인 상담에서 적합성 및 역량 인식 의사-환자 매칭을 위한 실험적 프레임워크

요약

이 프로토콜은 온라인 의료 상담 플랫폼에서 의사-환자 매칭을 위한 확장 가능한 실험적 프레임워크를 제시합니다. 환자 중심의 임상 적합성과 의사 측 서비스 역량을 하이브리드 점수 모델에 통합함으로써, 이 방법은 매칭 정확도를 최적화하고 환자 대기 시간을 최소화하며 의사의 업무량을 균형 있게 분배합니다.

초록

대규모 온라인 의료 상담 플랫폼은 환자 중심 적합성과 운영 효율성을 균형 있게 맞추기 위해 효과적인 알고리즘 지원 의사-환자 매칭이 필요합니다. 기존 접근법은 임상 적합성이나 의사 역량을 독립적으로 최적화하는 경우가 많아 대기 시간이 길어지고 업무량이 불균등해지는 경우가 많습니다. 이 프로토콜은 호환성과 용량을 하이브리드 매칭 점수에 통합하는 확장 가능한 실험 프레임워크를 제시합니다. 240명의 의사, 3,600건의 환자 요청, 9,785쌍의 후보 쌍으로 구성된 시뮬레이션 데이터셋을 사용하여 적합성(예: 전문 분야 정렬, 모드 적합성)과 수용 능력(예: 부하 비율, 예상 대기 시간)을 정량화합니다. 이 프레임워크는 후보 쌍을 하이브리드 점수로 평가하고, 12개의 평가 접합에서 규칙 기반, 호환성 기준, 용량 기준 벤치마크 전략과 성능을 비교합니다. 대표적인 결과는 하이브리드 프레임워크가 랭크 1에서 평균 정밀도 0.740, F1 점수 0.714를 포함한 우수한 매칭 품질을 달성함을 보여줍니다. 더불어 용량 충전 속도 0.825, 평균 예상 대기 시간 5.52시간으로 높은 운영 효율성을 제공합니다. 평균 환자 만족도(4.43/5.00)를 극대화하고 부하 불균형(0.195)을 최소화함으로써, 이 프레임워크는 지능형 상담 라우팅과 플랫폼 관리를 위한 실용적인 프로토콜을 제공합니다.

서론

온라인 의료 상담은 점점 더 중요한 의료 서비스 방식이 되어, 기존의 대면 진료를 넘어 의료 서비스 접근성을 확장하고 있습니다^. 중국에서는 인터넷 원격의료 확장이 정책 개발, 시장 성장, 그리고 더 넓은 의료 시스템과의 심화된 통합에 의해 강화되어, 디지털 상담이 의료 조직²의 점점 더 중요한 구성 요소가 되었습니다. 인터넷 병원의 대규모 증거는 온라인 상담 서비스가 이제 상당한 규모로 운영되고 있으며, 주변적인 보조가 아닌 일상 서비스 제공의 의미 있는 부분으로 기능하고 있음을 보여줍니다^. 동시에 비동기 원격의료는 유연한 상호작용 패턴을 허용함으로써 원격 진료의 범위를 넓혀 접근성을 높이는 동시에 디지털^{상담 플랫폼의} 운영 복잡성을 증가시켰습니다.

이러한 플랫폼들이 확장됨에 따라 성능은 기술적 가용성만으로 판단할 수 없습니다. 환자 경험과 서비스 품질은 디지털 케어 제공의 핵심 성과가 되었습니다.⁵. 최근 연구에 따르면 온라인 상담 시스템 사용은 특히 접근성, 편의성, 예약 절차 측면에서 환자 경험의 측정 가능한 차이와 관련이 있음을 보여줍니다⁶. 하지만 디지털 상담은 메시지 처리와 임상 시간 외 업무 등 의사의 업무량을 추가로 발생시키며, 이로 인해 용량 관리가 중심 운영 문제로 자리 잡게 됩니다⁷. 이 문제는 의사들 간의 수요 분포가 고르지 않아 더욱 심화되는데, 리뷰, 평가, 기타 프로필 정보와 같은 가시적인 서비스 신호가 환자 트래픽을 제한된 고가시성 의사 집단으로 유도할 수 있기 때문입니다⁸. 따라서 온라인 상담 플랫폼에서의 의사-환자 배정은 단순히 환자 측 검색 문제만이 아니며, 의사가 이질적인 상담 요청에 직면했을 때 선택적 응답 선호도를 보일 수도 있습니다⁹.

환자의 입장에서 온라인 상담 선택은 본질적으로 다차원적입니다. 사용자는 대기 시간, 의사 자격, 병원 수준, 서비스 모드, 상담 비용을 동시에 고려하여 진료 옵션을 선택합니다¹⁰. 이러한 복잡성과 일치하여, 최근 체계적 문헌고찰은 온라인 의료 상담 플랫폼이 정보 과부하를 줄이고 환자의 요구를^{의사 자원과} 더 잘 일치시킬 수 있는 추천 메커니즘을 필요로 한다는 결론을 내렸습니다. 이에 따라 방법론적 연구들은 온라인 상담 환경에서 의사-환자 배정을 개선하기 위해 불완전 정보 하에서의 동적 안정 매칭을 포함한 구조적 매칭 접근법을 도입하기 시작했습니다. 최근 권고안 연구들은 의사-환자 매칭이 할당 효율성을 높이고 최상위 병원의 눈에 띄는 의사들 주변에 과도한 수요 집중을 줄이면서 더욱 강조^{했습니다.} 혼합 방법 증거는 원격의료 선호도에 상당한 이질성을 보여주며, 플랫폼¹⁴에서 획일적인 할당 논리가 충분하지 않을 가능성이 있음을 시사합니다. 이러한 발전에도 불구하고, 기존 문헌은 호환성 관련 요인과 의사 역량 제약을 별개의 문제로 다루는 경향이 있으며, 온라인 상담 플랫폼은 관계 적합성과 서비스 흡수 가능성을 동시에 관리해야 합니다¹¹.

이 격차를 해소하기 위해, 이 방법은 대규모 온라인 의료 상담 플랫폼에서 호환성 및 용량 인식 의사-환자 매칭을 위한 확장 가능한 실험적 프레임워크를 구축하는 것을 목표로 합니다. 이 기법의 근거는 임상 선호나 의사 서비스 역량 중 하나를 고립적으로 최적화하면 대기 시간이 길어지고, 의사의 업무량이 불균형하며, 진료 경험이 최적이 되지 않기 때문입니다. 이 하이브리드 전략이 대체 규칙 기반 또는 단일 목표 할당 기법에 비해 가지는 주요 장점은 환자의 요구, 의사 특성, 동적 서비스 제약을 공동으로 모델링하여 업무량 균형과 높은 환자 만족도를 유지할 수 있다는 점입니다^. 하이브리드 매칭 점수와 폴드 기반 평가 과정을 상세히 설명함으로써, 이 프로토콜은 지능형 상담 라우팅의 실질적인 기반을 제공합니다. 독자들은 이 방법론적 틀을 활용해 이중 인식 매칭 로직이 특정 디지털 건강 애플리케이션에서 분류, 자원 할당, 워크플로우 관리를 최적화하는 데 적합한지 판단할 수 있습니다.

프로토콜

이 프로토콜에서 사용된 평가 데이터셋은 집계되고 식별이 해제된 운영 분포를 계산적으로 시뮬레이션한 것으로, 실제 또는 식별 가능한 인간 참여자 데이터는 포함하지 않았습니다. 그 결과, 이 연구는 닝보테크 대학교의 기관심사위원회(IRB)에 의해 전면적인 윤리심사에서 면제되었다(면제 번호). NT9918276).

1. 데이터 준비 및 코호트 정의

1. 내과, 심장학, 신경학, 피부과, 소아과, 산부인과, 정형외과, 정신의학 등 8개 진료 전문 분야에서 240명의 활동 중인 온라인 의사 풀을 구축합니다.
2. 각 의사 기록에 대해 다음 변수를 추출하고 정의하세요: 전문 분야, 성별, 전문 직함(레지던트, 주치의, 부과장, 또는 과장), 병원 등급(1차, 2차, 3차), 경력 연수, 온라인 상담 경험 연수, 상담 수수료, 명목상 일일 상담 수용 인원, 현재 일일 환자 부담, 과거 평가, 평균 첫 응답 시간, 과거 수락률, 후속 서비스 비율, 지원 상담 방식 (텍스트, 텍스트와 음성 또는 텍스트 음성 추가 비디오).
3. 3,600건의 상담 요청이 포함된 환자 요청 풀을 구축합니다.
   참고: 평가의 시간적 차원을 맥락화하기 위해, 이 풀은 표준 평일과 주말을 모두 포함하는 연속적인 30일 운영 기간을 나타내도록 보정되었습니다. 이 기간은 환자 수요의 주기적 변동을 포착하면서도 극단적인 비정형 기간(예: 주요 국경일이나 전염병 발병 정점)을 명시적으로 제외하여 알고리즘 성능 평가를 위한 안정적이고 안정된 기준선을 설정하도록 설계되었습니다.
4. 각 환자 요청에 대해 다음 변수를 추출하고 정의하세요: 나이, 성별, 대상 전문 분야, 중증도 수준(낮음, 중등도, 높음), 긴급성 수준(일상, 긴급, 우선순위), 예산 한한선, 선호하는 의사 성별(남성, 여성, 또는 무선호), 선호 상담 방식(텍스트, 음성 또는 영상), 이전 플랫폼 방문, 디지털 참여 수준, 동반 질환 수, 도시 등급, 선호 접촉 기간.
5. 전문 분야, 상담료, 일일 수용 인원, 현재 부하, 평균 첫 응답 시간, 중증도, 긴급성, 예산 한도, 선호 상담 방식, 선호 의사 성별 등 누락된 기록을 제거하여 데이터셋을 정리합니다. 페어 생성으로 진행하기 전에 모든 보존된 기록이 완료되었는지 확인하세요.

2. 후보 쌍 생성

1. 전문 분야 우선 검색 규칙을 사용하여 후보 의사-환자 쌍을 생성합니다. 각 환자 요청마다 환자의 목표 전문 분야에 맞는 첫 번째 의사를 찾아주세요.
2. 초기 목표 전문 분야에서 진료 능력이 남아 있는 활성 의사가 두 명 미만일 경우, 같은 날 플랫폼에서 활성 상태로 남아 있는 인접 고빈도 전문 분야로 검색 창을 확장하세요.
   참고: 이 프로토콜에서 "인접성"은 확립된 임상 교차 의뢰 패턴과 해부학적 또는 증상적 중복(예: 심장과에서 일반 내과로 환자 전환)에 의해 구조적으로 정의되며, "고빈도"는 플랫폼 내 과거 일일 상담 요청량 중 상위 25%에 속하는 전문 분야를 구체적으로 의미합니다.
3. 각 환자를 2명에서 4명의 후보 의사와 연결하여, 요청당 약 2.72명의 후보자 수를 경험적으로 유도하는 것을 목표로 합니다. 최종 후보 쌍 층을 9,785쌍으로 구성합니다. 전체 연구 워크플로우 는 그림 1을 참조하십시오.

3. 쌍별 변수 연산화

1. 벤치마킹 전에 점수 구성에 사용되는 모든 쌍별 변수를 정의하세요. 미리 정해진 정의, 임계값 및 점수 매핑은 표 1 을 참조하십시오.
2. 코드 전문 분야 일치(S)는 의사의 전문 분야가 환자 대상 전문 분야와 동일할 때 1로 설정되고, 그렇지 않으면 0으로 표시됩니다.
3. 의사가 지원하는 모드가 환자의 선호 모드를 완전히 커버할 때 코드 모드 적합(M)은 1로 설정되고, 그렇지 않으면 0이 됩니다.
4. 코드 성별 선호 적합 (G)는 환자가 선호 없음을 선택할 때 또는 의사의 성별이 명시된 선호와 일치할 때 1, 그렇지 않으면 0으로 합니다.
5. 코드 부담 적합도를 (A)는 의사 수수료가 환자의 예산 상한선 이하일 때 1, 수수료가 예산을 20% 초과하지 않을 때 0.5, 예산을 20% 초과할 때 0으로 표기합니다.
6. 관찰된 의사 수준 범위(최소 4.10, 최대 4.98)를 사용하여 의사 과거 등급을 정규화합니다. 다음 공식을 사용하여 정규화된 품질 점수(Q)를 계산합니다:
   (1)
   4.10 이하의 절단 후 값은 0으로, 4.98 이상의 값은 1로 설정하세요.
7. 표 1에 명시된 환자의 긴급성과 의사의 평균 첫 응답 시간을 바탕으로 긴급-반응 적합(U)을 정의합니다.
8. 의사 부하 비율은 현재 일일 부하를 명목 일일 용량으로 나누어 계산합니다. 남은 당일 슬롯은 명목 일일 용량에서 현재 일일 부하를 빼서 계산합니다.
9. 다음 공식으로 예상 대기 시간(시간 단위)을 계산하세요:
   
   이 구조는 기본 큐잉 이론 원칙에서 영감을 받은 휴리스틱 추정치로, 의사의 기준선 평균 첫 응답 시간은 실시간 이용률(현재 일일 부하 / 일일 용량)에 의해 페널티를 받습니다.
   참고: 우선순위 요청은 0.80, 긴급 요청은 0.90, 일상 요청은 1.00으로 설정되어 있습니다. 이 조정 인자들은 경험적으로 도출된 계수가 아니라 심각한 경우에 우선순위 경로를 강제하기 위해 미리 지정된 운영 가중치로 구현됩니다.

4. 매칭 점수 구성

1. 그림 2에 자세히 설명된 대로 호환성 모듈과 용량 모듈을 사용하여 매칭 프레임워크를 구성합니다.
2. 환자 중심 매칭 인자들의 가중 선형 조합으로 적합성 점수를 계산합니다:
   (3)
3. 부하 비율 점수(L), 남은 슬롯 점수(R), 대기 시간 점수(W)에서 용량 점수를 계산합니다. 표 1에 정의된 임계값을 기준으로 , 에 대한 범주별 점수를 할당합니다. 용량 점수는 다음과 같이 계산하세요:
   (4)
4. 호환성과 용량 요소를 통합하여 최종 하이브리드 점수를 계산합니다:
   (5)
5. 평가 전에 0.60–0.40 가중치 체계를 고정하세요.
   참고: 이 미리 정해진 비율은 의료 서비스의 기본 원칙에 따라 결정됩니다. 임상 적합성과 환자 중심 적합성이 의료 안전을 보장하는 주요 경로 기준으로 작용해야 하며, 심각한 용량 제약에 대해 상당한 수학적 불이익을 적용해야 하며, 이는 임상 적합성을 운영적 처리량보다 우선시하는 기존 분류 문헌과 일치합니다.
6. 결과 검사 후에는 과적합을 방지하고 재현성을 보장하기 위해 이 무게추를 조정하지 마십시오.
   참고: 이 프로토콜을 채택하는 연구자들은 포괄적인 민감도 분석을 수행하거나 객관적인 다중 기준 의사결정 기법(예: 분석적 계층 프로세스(AHP) 또는 엔트로피 가중치)을 사용하여 플랫폼의 특정 운영 부하에 맞게 프레임워크를 맞춤화할 것을 강력히 권장합니다.

5. 경기 선택 및 전략 벤치마킹

1. 12번의 반복 평가 접점에 대해 벤치마킹을 수행합니다. 각 폴드마다 전체 환자 풀에서 대체 없이 300건의 환자 요청을 샘플링합니다.
   참고: 이 단순한 무작위 표본추출 방식은 인위적인 구조적 균형을 요구하는 것이 아니라, 실시간 온라인 상담 플랫폼의 환자 도착 흐름의 확률적이고 예측 불가능한 특성을 시뮬레이션하기 위해 의도적으로 사용됩니다.
2. 해당 폴더 내에서 해당 샘플링된 요청과 연결된 모든 후보 쌍을 유지합니다.
3. 동일한 폴드 특화 후보 페어 계층에서 네 가지 서로 다른 할당 전략을 독립적으로 벤치마크하세요:
   1. 규칙 기반 기준선에서는 정확한 전문 분야 매치별, 그 다음 낮은 상담료, 마지막으로 더 높은 과거 평가별로 순위를 매깁니다.
   2. 호환성만 전략을 적용할 때는 호환성 점수가 가장 높은 후보자를 선택하세요.
   3. 수용 능력 전용 전략의 경우, 수용 능력 점수가 가장 높은 후보자를 선택하세요.
   4. 하이브리드 전략에서는 하이브리드 점수가 가장 높은 후보자를 선택하세요.
4. 각 환자 요청에 대해 최종 매칭 대상이 될 최종 전략 특화 점수가 가장 높은 후보 의사를 선택하세요.
5. 대기 시간이 더 짧고 높은 적합성 점수를 선택한 후보자를 선택해 동점(소수점 세 자리까지 동일한 점수)을 해결하고, 그 다음으로 더 높은 과거 등급을 선택하세요.

6. 결과 계산

1. 주요 결과는 순위 1에서의 정확성, 회상력, F1 점수를 계산합니다.
2. 경험적 기준선 데이터셋에서 도출된 확률 분포를 사용해 벤치마킹 전에 9,785개의 후보 쌍 모두에 실제 결과를 할당합니다.
   참고: 모든 후보 쌍의 정밀도와 호출 계산을 가능하게 하기 위해 완전히 레이블링된 합성 환경을 사용하세요. 상담이 완료되고 환자 만족도가 5점 만점에 4.0점이며, 불만족이나 불일치로 인한 14일 재방문이 없으면 성공적인 매칭이 이루어집니다.
3. 정확도를 랭크 1에서 성공 매치 기준을 충족하는 최종 경기 중 선택된 비율로 계산합니다.
4. 전략이 올바르게 선택한 모든 성공적인 후보 쌍 중 리콜을 계산합니다. Step 6.2에서 확립된 완전 라벨링된 합성 환경에서 선정되지 않은 후보 쌍의 결과를 도출합니다.
5. 회상 지표가 시뮬레이션된 후보자 풀 내에서 이론적으로 유효한 모든 일치를 알고리즘이 식별하는 능력을 정확히 포착하는지 확인하세요.
6. 다음 공식으로 F1 점수를 계산하세요:
   (6)
7. 부차 결과를 계산합니다: 수용 능력 채우기율, 평균 예상 대기 시간, 평균 환자 만족도, 상담 완료율, 7일 추적 관찰률, 보고된 개선률.
8. 각 폴드 내에서 의사의 업무 분포의 불균등성을 평가하기 위해 부하 불균형 지수를 계산합니다:
   (7)
9. 12배 특정 추정치를 평균화하여 원래 점수 할당을 사용하여 전략 수준의 요약 값을 얻습니다.
10. 선택된 최종 매칭 하위 집합 내에서 다변수 로지스틱 회귀분석을 수행하여 성공적인 매칭과 독립적으로 연관된 쌍 수준 요인을 식별합니다.
11. 이론적 관련성에 따라 다음과 같은 사전 지정된 독립 변수를 포함하세요: 적합성 점수, 수용 능력 점수, 예상 대기 시간, 경제성 적합성, 전문 분야 매칭, 성별 선호 적합성, 심각도 수준, 긴급성 수준.
12. 모델의 이론적 구조를 유지하기 위해 단계적 접근법 대신 강제 진입 변수 선택 전략을 사용하세요.
13. 분산 인플레이션 계수(VIF)를 사용하여 다중공선성을 평가합니다. 최종 모델 추정 전에 모든 VIF 값이 5.0 이하로 유지되는지 확인하세요.
14. 통계적 유의성을 양측 p < 0.05로 정의하고, 결과를 95% 신뢰구간(CI)과 함께 조정 오즈비(aOR)로 보고합니다.

결과

의사 풀과 환자 요청 풀의 기본 특성

시뮬레이션된 분석 데이터셋에는 240명의 의사와 3,600건의 환자 상담 요청이 포함되어 있었습니다. 매칭 시스템 양측의 기준선 특성은 표 2에 요약되어 있으며, 플랫폼 측 분포 패턴은 그림 3에 나타난다.

240명의 의사 중 128명(53.3%)은 여성이었습니다. 코호트는 평균 임상 경험 9.34년, 평균 진료료 USD 68.08, 평균 명목상 일일 진료 수 18.52건, 평균 이력 근무 평가 4.63, 평균 첫 응답 시간 5.47시간을 보였습니다. 내과가 가장 큰 전문 분야(19.2%)였으며, 그 다음으로 정형외과(15.0%), 신경과(13.3%)가 이었습니다. 상담 모드에 관해서는, 41.7%의 의사가 텍스트와 음성...

토론

본 프로토콜은 대규모 온라인 의료 상담 환경에서 적합성 및 용량 인식 의사-환자 매칭 프레임워크를 보여줍니다. 하이브리드 전략은 매칭 정확도, 대기 시간, 용량 활용률, 환자 만족도, 업무 분배 측면에서 가장 균형 잡힌 전반적인 성과를 달성했습니다. 이 결과는 매우 중요합니다. 디지털 상담은 접근성을 확장할 뿐만 아니라 임상 업무를 근무 시간 외 활동으로 전환시켜 서비스 흡수 가능성을 간과할 때 숨겨진 업무량을 증가시키기 때문입니다. 최근 증거에 따르면 디지털 수요 증가는 예정된 근무 시간 외 의사의 업무 증가와 연관되어 있으며, 용량 제약을 부차적 운영 변수로 취급하기보다는 매칭 시스템에 통합하는 것이 실질적으로 중요함을 강조합니다^. 더욱이, 수요가 고르지 않게 분포될 때는 호환성만으로는 충분하지 않습니다. 인터넷 병원에서는 환자 선택이 눈에 띄는 의사의 특성에 의해 강하게 형성되어, 구조적으로 수요가 고가시성 또는 높은 지...

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
후보자 의사-환자 쌍	연구 생성	N/A	쌍별 변수 유도 및 일치 선택 (9,785 후보자 쌍)
IBM SPSS Statistics	IBM Corp.	https://www.ibm.com/products/spss-statistics	통계 분석 (버전 27)
Microsoft Excel	Microsoft Corporation	https://www.microsoft.com/microsoft-365/excel	데이터 관리 및 기술적 요약 (버전 2021)
환자 요청 기록	연구 생성	N/A	기본 환자 측 특성 및 선호 매개변수 (3,600 상담 요청)
의사 기록	연구 생성	N/A	기본 의사 측 특성 및 용량 매개변수 (240 활동 중인 의사)
Python	Python 소프트웨어 재단	https://www.python.org	시뮬레이션, 점수 구성 및 벤치마킹 (버전 3.11)