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 추가, 37.1%가 텍스트 전용 상담, 21.3%가 전체 텍스트, 음성 및 영상 상담을 지지했습니다.

3,600건의 환자 요청 중 53.1%가 여성 환자에 의해 제출되었습니다. 평균 연령은 36.49세였고, 평균 예산 상한선은 USD 47.30이었습니다. 내과가 가장 흔한 표적 전공(20.0%)이었고, 그 다음으로 신경학(13.8%)과 심장학(13.0%)이 뒤를 이었습니다. 요청은 중증도(중간급 45.7%, 낮음 34.2%, 높음 20.1%)와 긴급성(우선순위 39.1%, 일상성 35.9%, 긴급 25.0%)로 분류되었습니다. 텍스트 상담이 가장 흔한 선호(45.1%)였으며, 환자의 78.7%는 의사 성별 선호가 없다고 보고했습니다. 이 분포들은 이 플랫폼이 이기종적인 협의 환경에서 운영되었음을 나타내며, 매칭 시스템 내에서 호환성과 용량 제약 조건을 모두 평가할 필요성을 입증합니다.

후보자 쌍 구조와 점수 분리

전문 분야 우선 검색과 제한된 후보자 확장에 따라 9,785개의 의사-환자 후보 쌍이 생성되었습니다(표 3, 그림 4). 전체 후보 쌍 층에서는 3,085쌍이 최종 매칭으로 선정되었고, 6,700쌍은 제외되었습니다. 선정된 쌍은 비선발 쌍보다 더 높은 정확한 전문 일치 비율(99.2% 대 95.3%)과 성별 선호도 매칭 비율이 약간 높았다(90.2% 대 89.0%).

더 중요한 것은, 주요 쌍별 차이가 운영 및 복합 점수 변수에 집중되어 있었다는 점입니다. 선택된 쌍은 평균 적합성 점수가 더 높았으며(0.853 대 0.829), 평균 용량 점수가 더 높았다(0.395 대 0.381). 따라서 선택된 쌍의 평균 하이브리드 점수는 0.707이었고, 비선택된 쌍에서는 0.686이었습니다. 선택된 쌍은 운영 면에서도 더 유리했으며, 평균 의사 부하 비율이 낮았고(0.628 대 0.642), 당일 근무 가능 시간(6.99 대 6.65), 예상 대기 시간이 짧았으며(12.46시간 대 12.79시간) 나타났습니다.

선정된 3,085쌍 중 2,584건의 상담이 완료되었으며(완료율 83.8%). 평균 환자 만족도는 5.00 만점에 4.29점이었습니다. 성공적인 매칭을 상담 완료, 환자 만족도 4.0, 14일 재방문 없음으로 정의한 결과, 1,644쌍의 선정된 쌍이 이 기준(53.3%)을 충족하였습니다. 이 결과들은 최종 선택이 더 높은 호환성, 낮은 부하 압력, 더 나은 대기 시간 조건의 교차점에 의해 결정되었으며, 이는 사전 지정된 프로토콜 논리와 일치함을 보여줍니다.

성공적인 최종 매칭과 관련된 쌍 수준 요인

선택-매칭 부분집합 내에서 성공적인 매칭과 관련된 특징을 식별하기 위해 다변수 로지스틱 회귀분석을 수행했습니다(표 4, 그림 5). 적합성 점수는 성공적인 매칭과 양의 상관관계를 유지했습니다(조정 오즈비 [aOR] = 11.99; 95% 신뢰구간, 1.81–79.46; P = 0.010), 용량 점수도 마찬가지였다(aOR = 2.08; 95% 신뢰구간, 1.22–3.55; P = 0.007). 반대로, 예상 대기 시간이 길어질수록 성공적인 매칭 확률이 감소했습니다(aOR = 추가 시간당 0.953; 95% 신뢰구간, 0.934–0.972; P < 0.001). 경제성도 여전히 유의미했습니다(aOR = 1.33; 95% 신뢰구간, 1.12–1.57; P = 0.001). 정확한 전문 분야 매칭, 성선호 매칭, 우선순위 및 높은 중증도는 독립적으로 유의하지 않았습니다. 이는 매칭 성공이 단일 표면적 특징보다는 호환성과 흡수 능력의 결합에 더 크게 의존함을 의미합니다.

벤치마킹과 배분 전략의 견고성

12개 평가 접행에 걸친 비교 벤치마킹은 표 5, 표 6, 그림 6에 요약되어 있습니다. 제안된 하이브리드 전략은 가장 긍정적인 전반적 프로필을 달성했다. 랭크 1(0.740), 회상률(0.691), F1 점수(0.714)에서 가장 높은 평균 정밀도를 기록했으며, 규칙 기반 기준선, 호환성 단독 전략, 용량 전용 전략을 능가했습니다.

운영 측면에서 하이브리드 전략은 가장 높은 용량 충전률(0.825)과 가장 짧은 평균 예상 대기 시간(5.52시간)을 달성했습니다. 환자 중심 성과도 최적화되어 하이브리드 접근법은 가장 높은 평균 환자 만족도(4.43)와 가장 낮은 부하 불균형 지수(0.195)를 기록하여 의사의 업무 분포가 매우 균등함을 나타냅니다. 하위 그룹 분석(표 7, 그림 6)은 이러한 안정적인 성과 패턴이 서로 다른 긴급 층과 병원 계층에서 유지됨을 확인하여, 매우 제한된 용량 환경에서도 프레임워크의 견고함을 입증했습니다.

그림 1: 전체 연구 워크플로우. (A) 의사 풀 및 환자 요청 풀 구축. (B) 요청된 전문 분야에 남은 인력이 있는 현역 의사가 두 명 미만일 경우 제한적 확장을 포함한 전문 분야 우선 후보자 선출 절차. (C) 후보 의사-환자 쌍 생성 및 쌍별 변수 도출. (D) 호환성 점수, 용량 점수, 하이브리드 점수 구성. (E) 최종 의사 선발, 네 가지 할당 전략에 걸친 폴드 기반 벤치마킹, 그리고 성과 결과 계산. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 2: 호환성 및 용량 인지 매칭 프레임워크의 아키텍처. (A) 전문 분야 정렬, 상담 모드 적합, 성별 선호 적합, 경제적 적합성, 의사 이력 평가, 긴급-반응 적합성을 포함한 적합성 모듈. (B) 용량 모듈, 의사 부하 비율, 남은 당일 대기 시간, 예상 대기 시간. (C) 적합성 점수와 용량 점수에 대한 점수 정규화 및 가중 점수 집계. (D) 두 모듈을 최종 하이브리드 점수에 통합하는 것. (E) 최종 순위 및 동점 결정 논리로 선택된 의사-환자 매칭을 결정합니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 3: 분석 데이터셋에서 의사와 환자 특성의 기초 분포 패턴. (A) 의사 풀의 전문 분야 분배. (B) 의사의 전문 직함 및 병원 계층 분포. (C) 환자 상담 요청의 전문 분야 분배. (D) 환자 요청의 심각성 및 긴급성 분포. (E) 환자 요청 중 선호하는 상담 방식과 선호하는 의사 성별의 분배. 참고: 이 그림에 제시된 모든 데이터 분포는 최종 분석 데이터셋(n = 240명의 의사; n = 3,600건의 환자 요청)에서 직접 도출되었으며, 표 2에 보고된 요약 통계와 완전히 일치합니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 4: 쌍 수준 점수 분포와 선택된 후보 매칭과 비선발 후보 매칭 간의 분리 . (A) 선택된 쌍과 비선발 쌍의 적합성 점수 분포. (B) 선택된 쌍과 비선택된 쌍의 용량 점수 분포. (C) 선택된 쌍과 비선택된 쌍에서 하이브리드 점수의 분포. (D) 선발 상태별 예상 대기 시간(시간 단위). (E) 선택된 쌍과 비선택된 쌍을 별도로 표시한 적합성 점수와 용량 점수의 공동 분포. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 5: 선택된 쌍 간 최종 매칭에 관련된 요인에 대한 다변수 분석. (A) 적합성 점수, 수용 능력 점수, 예상 대기 시간(시간 단위), 경제성 적합도, 전문 분야 적합성, 성별 선호 적합성, 중증도 수준, 긴급성 수준에 대한 조정 오즈비의 포레스트 플롯. (B) 관측된 적합성 점수 범위 전반에 걸친 성공 확률의 한계 확률. (C) 관측된 용량 점수 범위 전반에 걸친 성공 확률의 한계 확률. (D) 예상 대기 시간(시간 단위)과 성공적인 매칭 확률 간의 역상관관계. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 6: 네 가지 의사-환자 매칭 전략과 하이브리드 프레임워크의 하위 그룹 성과에 대한 비교 벤치마킹. (A) 네 가지 전략 전반에 걸친 순위 1, 회상 정확도, F1 점수. (B) 수용 가능 인원 채우기율, 평균 예상 대기 시간, 그리고 네 가지 전략에 걸친 평균 환자 만족도. (C) 네 가지 전략에 걸친 부하 불균형 지수. (D) 12개의 반복 평가 접힘에 걸친 하이브리드 전략의 폴드 수준 성능 범위. (E) 하이브리드 전략 하위 그룹 성과 히트맵. 참고: 이 그림에 제시된 모든 값은 절대적 일관성을 보장하기 위해 표 5에 보고된 해당 결과와 교차 검증되었습니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

표 1: 매칭 프레임워크의 운영 정의, 임계값 및 점수 규칙. 약어: SD = 표준편차. 이 표를 다운로드하려면 여기를 클릭해 주세요.

표 2: 의사 풀과 환자 요청 풀의 기초 특성. 매칭 전 분석 데이터셋의 섹션, 특성 및 비교 기본 통계. 이 표를 다운로드하려면 여기를 클릭해 주세요.

표 3: 선택된 매칭과 비선발 매칭 간의 쌍 수준 비교. 이 표는 최종적으로 선정된 매칭과 비선발 후보 간의 구조적 차이를 상세히 설명하는 쌍별 변수와 기술적 통계를 집계합니다. 이 표를 다운로드하려면 여기를 클릭해 주세요.

표 4: 선택된 쌍 간 최종 매칭에 관련된 요인에 대한 다변수 로지스틱 회귀분석. 모델 정보: 종속 변수 = 선택된 쌍 간의 최종 성공적인 일치. 성공적인 매칭은 상담 완료, 환자 만족도 4.0/5.0, 불만족이나 불일치로 인한 14일 재방문 없음으로 정의되었습니다. 이 표를 다운로드하려면 여기를 클릭해 주세요.

표 5: 네 가지 매칭 전략의 비교 성과. 12번의 반복 폴드에 걸친 전략 수준 벤치마킹 요약. 이 표를 다운로드하려면 여기를 클릭해 주세요.

표 6: 하이브리드 전략의 안정성과 폴드 수준 변동성. 12개의 반복 평가 접힘에 걸친 하이브리드 전략의 폴드 수준 성능 범위 요약. 이 표를 다운로드하려면 여기를 클릭해 주세요.

표 7: 하이브리드 전략의 하위 집단 성과. 긴급성 수준과 병원 계층에 따른 하이브리드 전략의 상세한 하위 그룹 성과. 이 표를 다운로드하려면 여기를 클릭해 주세요.

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 지위의 의사에게 집중되도록 만듭니다. 이러한 역학 때문에 이 프로토콜에서 호환성 전용 전략은 비교적 강한 매칭 품질을 유지했으나 대기 시간과 부하 분산¹⁵에서는 성능이 좋지 않았습니다.

평가에서 성공적인 매칭의 이진 분류는 실패한 임상 진료를 걸러내는 엄격한 기준 역할을 했으며, 평균 환자 만족도 점수는 다양한 매칭 전략 간 사용자 인식 품질의 미묘한 분포를 평가할 수 있게 했습니다. 또한, 순환성에 대한 우려를 해소하기 위해, 본 연구의 부차적 성과 결과는 이분법적 지위와 독립적으로 평가되어, 프레임워크가 플랫폼 전체 서비스 품질에 미치는 영향을 단순히 분류 기준을 검증하는 데 그치지 않고 더 폭넓게 평가했습니다. 하이브리드 전략 하에서 관찰된 높은 환자 만족도는 원격의료 문헌 전반과 일치하며, 만족도가 단순한 디지털 접근이 아니라 할당의 질에 깊이 연관되어 있음을 입증함으로써 이를 더욱 명확하게 만듭니다. 최근 연구들은 전문적인 치료 계획, 환자 우려에 대한 정확한 이해, 포괄적인 답변, 그리고 템플릿화된 답변 회피가 사용자 만족의 핵심 동인임을 밝혀냈습니다. 따라서 최적의 매칭 시스템은 환자를 적절한 시간 내에 반응하고 개별화된 상호작용 패턴을 제공할 수 있는 의사에게 안내해야 합니다^16,17. 이러한 역동성은 요청당 생성된 후보자 풀을 2명에서 4명으로 제한하는 운영적 근거를 강조합니다(평균 2.72). 이 특정 임계값은 환자 자율성 유지와 '선택 과부하' 방지 사이에서 최적의 균형을 맞추도록 경험적으로 조정되었습니다. '선택 과부하'는 디지털 건강 선택 아키텍처에서 의사결정을 지연시키고 사용자 경험을 저하시키는 잘 알려진 인지 병목 현상입니다. 구현 관점에서 이 매칭 모델은 더 넓은 서비스 워크플로우에 내장되어야 합니다. 중요한 점은, 현재 실험 프로토콜이 정적인 폴드 기반 배치 할당을 사용해 프레임워크를 평가하는 반면, 기본 알고리즘 논리는 본질적으로 연속 시간 동적 시나리오에 적응 가능하다는 것입니다. 현재 일일 근무 및 남은 당일 진료 시간과 같은 수용 능력 변수는 반복적으로 업데이트되도록 설계되어 있어, 하이브리드 점수는 순차적인 환자 도착과 변동하는 의사 가용성을 반영하기 위해 실시간으로 효율적으로 재계산할 수 있습니다. 연구에 따르면 교육, 기술 숙련도, 의사소통 품질, 업무량이 중요한 실행 요인이며, 이해관계자들은 의사 부담을 줄이기 위한 구체적인 메커니즘을 권고합니다. 따라서 하이브리드 프레임워크가 할당 성과를 향상시키긴 하지만, 실제 효율성은 지원적인 워크플로우 설계, 플랫폼 거버넌스, 운영 지원에 크게 의존합니다^18,19.

이 결과는 가상 상담이 모든 형태의 진료를 대체할 수 있다는 증거라기보다는 플랫폼 라우팅의 최적화를 나타냅니다. 가상 상담이 효율성을 향상시키긴 하지만, 안전성과 형평성에 관한 증거는 여전히 엇갈립니다; 따라서 이 프레임워크는 임상 분류나 의뢰 경로를 대체하는 것이 아니라 프론트엔드 할당 도구로 이해하는 것이 가장 적절합니다²⁰. 현재 프로토콜에는 여러 제한점이 있습니다. 첫째, 평가 데이터셋은 실제 운영 조건을 엄격히 반영하는 변수와 분포 패턴을 사용해 구성되었지만, 본질적으로는 통제된 플랫폼 평가를 위해 설계된 시뮬레이션 코호트입니다. 우리는 보완적이고 독립적인 실제 세계 데이터셋의 부재가 현재 연구 결과의 외부 타당성을 제한한다는 점을 인정합니다. 제안된 하이브리드 매칭 방법의 일반화 가능성을 견고하게 입증하기 위해, 향후 연구들은 다양한 디지털 헬스케어 플랫폼과 장기적 시간 프레임에 걸친 대규모 실제 상담 로그를 활용해 이 실험적 프레임워크를 검증하는 데 우선순위를 두어야 합니다. 독감 성수기나 공중보건 비상사태와 같은 극단적 시간적 수요 충격 하에서 모델의 회복력과 동적 라우팅 능력 평가는 여전히 매우 중요합니다. 둘째, 결과는 상담 완료와 환자 만족도를 강조했으며, 임상의가 판단한 진단적 적합성이나 장기적 건강 결과는 제외되었습니다. 셋째, 폴드 기반 평가는 k-포드 교차 검증이나 층화 샘플링 대신 단순 무작위 샘플링에 의존했습니다. 이는 자연스러운 환자 흐름의 변동성을 포착했지만, 때때로 특정 소수자 하위 집단의 균일한 대표성을 훼손할 수 있습니다. 향후 알고리즘 평가에서는 심각도, 긴급성, 병원 등급별 층별 표본화를 포함하여 모든 환자 하위 집단에서 일관된 성과를 보장해야 합니다. 넷째, 이 프로토콜에서 도출된 추정 대기 시간은 엄밀하게 보정된 예측 모델이라기보다는 구조적 대리 지표 역할을 합니다. 연속적이고 실제 타임스탬프 로그가 부족했기 때문에, 엄격한 상관관계 분석을 수행하거나 실제 임상 대기 시간과 보정 오차를 계산할 수 없었습니다. 향후 연구에서는 대규모 실증적 운영 로그를 활용하여 이러한 휴리스틱 대기 시간 매개변수를 검증하고 세밀하게 조정해야 합니다. 다섯째, 호환성과 용량을 결합한 가중치 체계는 객관적 수학적 모델링을 통해 도출되지 않고 미리 휴리스틱하게 정해졌다. 이 고정된 선험적 접근법은 사후 데이터 적합을 방지하지만, AHP나 엔트로피 가중치와 같은 객관적 가중치의 엄격함은 부족합니다. 이 프레임워크의 향후 반복에서는 이러한 객관적 다중 기준 의사결정 방법을 통합하여 최적의 가중치비를 동적으로 결정해야 합니다. 마지막으로, 이 프레임워크는 1:1 할당 수준에서 작동하며, 팀 기반 협의나 지속적인 동적 우선순위 조정(예: 갑작스러운 수요 급증 또는 실시간 일정 취소 처리)을 모델링하지 않고 정적인 배치 할당 조건에서 평가되었습니다. 향후 연구에서는 이 프레임워크를 완전 동적 대기열 시뮬레이션으로 확장하고, 매칭 알고리즘을 초기 의사 선정에서 통신 인식 라우팅 및 매칭^{후 상호}작용 지원으로 확장해야 합니다.

전반적으로 이 프로토콜은 의사-환자 매칭 패러다임을 단일 목적 논리에서 성공적으로 벗어나게 했습니다. 대규모 온라인 플랫폼에서는 임상 서비스 적합성과 현재 업무량 조건에서 의사의 운영 흡수 가능성을 함께 다루어야 하며, 시의성이나 환자 경험을 저해하지 않아야 합니다. 규칙 기반, 호환성 전용, 용량 전용 전략과 비교할 때, 호환성 및 용량 인식 하이브리드 프레임워크는 매칭 정밀도, 리콜, F1 점수, 대기 시간, 용량 채우기율, 작업 분배 측면에서 우수한 전반적 균형을 달성했습니다. 의사-환자 매칭을 순수한 선호 기반 추천 작업이나 처리량 중심의 일정 문제로 취급하지 않음으로써, 이 접근법은 지능형 상담 라우팅, 플랫폼 자원 조정, 디지털 헬스케어 서비스의 미래 최적화에 매우 실용적이고 확장 가능한 기반을 제공합니다.

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)