Een experimenteel kader voor compatibiliteit- en capaciteitsbewuste arts-patiënt matching in online consultatie

Samenvatting

Dit protocol biedt een schaalbaar experimenteel kader voor arts-patiënt matching in online medische consultatieplatforms. Door patiëntgerichte klinische compatibiliteit en de capaciteit van artsenzijde te integreren in een hybride scoringsmodel, optimaliseert deze methode de nauwkeurigheid van de matching, minimaliseert het wachttijden van patiënten en zorgt het voor een evenwichtige verdeling van de werklast van artsen.

Samenvatting

Grootschalige online medische consultatieplatforms vereisen effectieve, algoritme-ondersteunde arts-patiënt matching om patiëntgerichte fit en operationele efficiëntie in balans te brengen. Bestaande benaderingen optimaliseren vaak zelfstandig de klinische compatibiliteit of de capaciteit van artsen, wat leidt tot lange wachttijden en ongelijke werklasten. Dit protocol biedt een schaalbaar experimenteel kader om compatibiliteit en capaciteit gezamenlijk te integreren in een hybride matchingscore. Met behulp van een gesimuleerde dataset bestaande uit 240 artsen, 3.600 patiëntverzoeken en 9.785 kandidaatparen, kwantificeert de methode compatibiliteit (bijv. specialisatie-uitlijning, mode-fit) en capaciteit (bijv. laadverhouding, geschatte wachttijd). Het kader evalueert kandidaatparen via een hybride score en vergelijkt prestaties met regelgebaseerde, alleen compatibiliteits- en capaciteitsbenchmarkstrategieën over 12 evaluatiefolders. Representatieve resultaten tonen aan dat het hybride kader superieure matchkwaliteit bereikt, inclusief een gemiddelde precisie op rang 1 van 0,740 en een F1-score van 0,714. Bovendien levert het een hoge operationele efficiëntie op met een capaciteitsvuldatum van 0,825 en een korte gemiddelde geskatte wachttijd van 5,52 uur. Door de gemiddelde patiënttevredenheid (4,43/5,00) te maximaliseren en een belastingsonbalans te minimaliseren (0,195), biedt dit kader een praktisch protocol voor intelligente consultatierouting en platformbeheer.

Inleiding

Online medisch consult is een steeds belangrijkere vorm van gezondheidszorg geworden, waardoor de toegang tot medische diensten verder gaat dan conventionele face-to-face ontmoetingen.¹. In China is de uitbreiding van internettelemedicine versterkt door beleidsontwikkeling, marktgroei en diepere integratie met het bredere zorgsysteem, waardoor digitale consultatie een steeds belangrijker onderdeel van de zorgorganisatie^{is geworden}. Grootschalig bewijs van internetziekenhuizen wijst bovendien op dat online consultatiediensten nu op aanzienlijke schaal opereren en functioneren als een betekenisvol onderdeel van de routinematige dienstverlening in plaats van als een marginale aanvulling³. Tegelijkertijd heeft asynchrone telemedicine het bereik van remote zorg verbreed door flexibele interactiepatronen mogelijk te maken, de toegankelijkheid te verbeteren en tegelijkertijd de operationele complexiteit van digitale consultatieplatforms te vergroten⁴.

Naarmate deze platforms zich uitbreiden, kunnen hun prestaties niet alleen worden beoordeeld op technische beschikbaarheid. Patiëntervaring en servicekwaliteit zijn centrale uitkomsten geworden van digitale zorgverlening⁵. Recent onderzoek heeft aangetoond dat het gebruik van online consultatiesystemen samenhangt met meetbare verschillen in patiëntervaring, vooral wat betreft toegang, gemak en afsprakenprocessen⁶. Digitale consultatie genereert echter ook extra werklast van artsen, waaronder berichtverwerking en werk buiten de reguliere klinische uren, waardoor capaciteitsbeheer een centraal operationeel aandachtspunt wordt. Deze uitdaging wordt versterkt door de ongelijke vraag tussen artsen, omdat zichtbare servicesignalen zoals recensies, beoordelingen en andere profielinformatie het patiëntenverkeer kunnen leiden naar een beperkte groep zeer zichtbare artsen⁸. Arts-patiënt toewijzing op online consultatieplatforms is daarom niet slechts een zoekprobleem aan patiëntzijde, aangezien artsen ook selectieve responsvoorkeuren kunnen tonen bij heterogene consultatieverzoeken⁹.

Vanuit het perspectief van de patiënt is de keuze voor een online consult van nature multidimensionaal. Gebruikers wegen tegelijkertijd wachttijd, artsenkwalificaties, ziekenhuisniveau, dienstwijze en consultatiekosten mee wanneer ze zorgopties^kiezen. In overeenstemming met deze complexiteit concludeerde een recente systematische review dat online medische consultatieplatforms aanbevelingsmechanismen vereisen die informatieoverload kunnen verminderen en de behoeften van patiënten beter kunnen afstemmen op de middelen van artsen¹¹. Methodologische studies zijn daarom begonnen met het introduceren van gestructureerde matchingbenaderingen, waaronder dynamische stabiele matching onder onvolledige informatie, om de toewijzing tussen arts en patiënt in online consultatieomgevingen^{te verbeteren 12}. Meer recent aanbevelingsonderzoek benadrukt verder dat arts-patiënt matching de allocatie-efficiëntie zou moeten verbeteren terwijl de overmatige concentratie van vraag naar zeer zichtbare artsen uit topziekenhuizen^wordt verminderd. Gemengd methodebewijs toont aanzienlijke heterogeniteit in telemedicinevoorkeuren, wat aangeeft dat een one-size-fits-all allocatielogica waarschijnlijk onvoldoende is op platformschaal¹⁴. Ondanks deze vooruitgang behandelt de bestaande literatuur compatibiliteitsgerelateerde factoren en capaciteitsbeperkingen van artsen als afzonderlijke problemen, hoewel online consultatieplatforms zowel relationele fit als service-absorbeerbaarheid gelijktijdig moeten beheren¹¹.

Om deze kloof te dichten, is deze methode bedoeld om een schaalbaar experimenteel kader op te zetten voor compatibiliteits- en capaciteitsbewuste arts-patiënt matching op grootschalige online medische consultatieplatforms. De reden achter deze techniek is dat het optimaliseren van klinische voorkeur of de capaciteit van artsenzorg in isolatie leidt tot lange wachttijden, ongelijke werkdruk van artsen en suboptimale consultatie-ervaringen. Het belangrijkste voordeel van deze hybride strategie ten opzichte van alternatieve, op regels gebaseerde of single-objective allocatietechnieken is het vermogen om gezamenlijk patiëntbehoeften, physician-kenmerken en dynamische servicebeperkingen te modelleren om de werkdruk en hoge patiënttevredenheid te behouden¹². Door de constructie van de hybride matchingscore en het fold-gebaseerde evaluatieproces te beschrijven, biedt dit protocol een praktische basis voor intelligente consultatieroutering. Lezers kunnen dit methodologische kader gebruiken om te bepalen of een dual-aware matchinglogica geschikt is voor het optimaliseren van triage, resourceallocatie en workflowbeheer in hun specifieke digitale gezondheidsapplicaties.

Protocol

De evaluatiedataset die in dit protocol werd gebruikt, werd computationeel gesimuleerd uit geaggregeerde, gedeïdentificeerde operationele verdelingen en bevatte geen daadwerkelijke of identificeerbare menselijke deelnemersgegevens. Daarom werd de studie vrijgesteld van volledige ethische beoordeling door de Institutional Review Board (IRB) van NingboTech University (Uitzondering nr. NT9918276).

1. Datavoorbereiding en cohortdefinitie

1. Richt de artsenpool op met 240 actieve online artsen verspreid over acht consultatiespecialismen: interne geneeskunde, cardiologie, neurologie, dermatologie, kindergeneeskunde, gynaecologie, orthopedie en psychiatrie.
2. Haal de volgende variabelen uit en definieer voor elk artsendossier: specialiteit, geslacht, professionele titel (Resident, Supervisor, Associate Chief of Chief), ziekenhuisniveau (Primair, Secundair of Tertiair), jaren praktijk, jaren ervaring met online consultatie, consultatiekosten, nominale dagelijkse consultcapaciteit, huidige dagelijkse belasting, historische beoordeling, gemiddelde eerste responstijd, historische acceptatiepercentage, follow-up servicepercentage en ondersteunde consultatiemodus (Tekst, Tekst plus Spraak, of Tekst plus Stem plus Video).
3. Stel de patiëntenaanvraagpool op met 3.600 consultatieverzoeken.
   OPMERKING: Om de temporele dimensie van de evaluatie te plaatsen, is deze pool gekalibreerd om een doorlopende operationele periode van 30 dagen te vertegenwoordigen, die zowel standaard weekdagen als weekenden omvat. Deze periode is ontworpen om routinematige cyclische variaties in de vraag naar patiënten vast te leggen, terwijl extreem atypische periodes (bijv. grote nationale feestdagen of piekepidemie-uitbraken) expliciet worden uitgesloten, om zo een stabiele, stabiele basis voor algoritmische prestatiebeoordeling vast te stellen.
4. Haal de volgende variabelen uit en definieer voor elk patiëntverzoek: leeftijd, geslacht, doelspecialisatie, ernst (Laag, Matig of Hoog), urgentie (Routine, Urgent of Prioriteit), budgetplafond, voorkeursgeslacht van arts (Man, Vrouw of Geen Voorkeur), voorkeursconsultatiemodus (Tekst, Stem of Video), eerdere platformbezoeken, digitale betrokkenheid, comorbiditeitsaantal, stadsniveau en voorkeurscontactperiode.
5. Schreng de dataset op door alle dossiers met ontbrekende waarden in specialisme, consultatiekosten, dagelijkse capaciteit, huidige werklast, gemiddelde eerste antwoordtijd, ernst, urgentie, budgetplafond, voorkeursconsultatiemodus of voorkeursgeslacht van de arts uit te sluiten. Zorg ervoor dat alle bewaarde records compleet zijn voordat je doorgaat met koppelgeneratie.

2. Generatie van kandidaatpaar

1. Genereer kandidaatparen tussen arts en patiënt met behulp van een specialiteits-eerst retrievalregel. Voor elk verzoek van de patiënt haalt u de eerste artsen op die aansluiten bij de doelspecialisatie van de patiënt.
2. Wijd het opsporingsvenster uit naar aangrenzende hoogfrequente specialismen die op dezelfde dag actief blijven op het platform, alleen als er minder dan twee actieve artsen met resterende consultatiecapaciteit beschikbaar zijn in de oorspronkelijke doelspecialisatie.
   OPMERKING: In dit protocol wordt "adjacency" structureel gedefinieerd door gevestigde klinische kruisverwijzingspatronen en anatomische of symptomatische overlap (bijvoorbeeld het doorsturen van een patiënt van cardiologie naar algemene interne geneeskunde), terwijl "high-frequency" specifiek verwijst naar specialismen die in het hoogste kwartiel (top 25%) van het historische dagelijkse consultatievolume op het platform staan.
3. Koppel elke patiënt aan twee tot vier kandidaatartsen, met als doel een empirisch afgeleid gemiddelde aantal van ongeveer 2,72 kandidaten per verzoek. Stel de laatste kandidaatparlaag vast met 9.785 paren. Zie Figuur 1 voor de algemene studieworkflow.

3. Operationalisering van paargewijze variabelen

1. Definieer alle paargewijze variabelen die bij scoreconstructie worden gebruikt vóór benchmarking. Zie Tabel 1 voor de vooraf gespecificeerde definities, drempels en score-mappings.
2. Code specialisatie (S) als 1 wanneer de artsenspecialisatie identiek is aan de doelspecialisatie van de patiënt, en 0 anders.
3. Codemodus fit (M) als 1 wanneer de door de arts ondersteunde modus volledig de voorkeursmodus van de patiënt dekt, en verder 0.
4. Codeer gender-preference fit (G) als 1 wanneer de patiënt geen voorkeur kiest of wanneer het geslacht van de arts overeenkomt met de opgegeven voorkeur, en 0 anders.
5. Code betaalbaarheid past (A) als 1 wanneer het artsenhonorarium minder dan of gelijk is aan het budgetplafond van de patiënt, 0,5 wanneer het honorarium het budget met niet meer dan 20% overschrijdt, en 0 wanneer het honorarium het budget met meer dan 20% overschrijdt.
6. Normaliseer de historische beoordeling van de arts met behulp van het waargenomen bereik op artsniveau (minimum 4,10, maximum 4,98). Bereken de genormaliseerde kwaliteitsscore (Q) met de volgende formule:
   (1)
   Stel waarden in onder 4,10 na afkorting naar 0, en waarden boven 4,98 tot 1.
7. Definieer urgentie-respons fit (U) op basis van de urgentie van de patiënt en de gemiddelde eerste antwoordtijd van de arts zoals gespecificeerd in Tabel 1.
8. Bereken de bezettingsverhouding van artsen door de huidige dagelijkse belasting te delen door de nominale dagelijkse capaciteit. Bereken de resterende zelfde-dag slots door de huidige dagelijkse belasting af te trekken van de nominale dagelijkse capaciteit.
9. Bereken de geschatte wachttijd (in uren) met behulp van de volgende formule:
   
   Deze constructie dient als een heuristische schatting geïnspireerd op basisprincipes van de wachtrijtheorie, waarbij de gemiddelde eerste antwoordtijd van een arts wordt bestraft door hun realtime benuttingsgraad (Huidige Dagelijkse Belasting / Dagelijkse Capaciteit).
   OPMERKING: De urgentie-aanpassingsfactor is ingesteld op 0,80 voor Prioriteitsverzoeken, 0,90 voor Urgentieverzoeken en 1,00 voor Routineverzoeken. Deze aanpassingsfactoren worden geïmplementeerd als vooraf bepaalde operationele gewichten om geprioriteerde routering voor ernstige gevallen af te dwingen, in plaats van empirisch afgeleide coëfficiënten.

4. Gelijkwaardige scoreconstructie

1. Bouw het matchingframework met behulp van een compatibiliteitsmodule en een capaciteitsmodule, zoals beschreven in Figuur 2.
2. Bereken de compatibiliteitsscore als een gewogen lineaire combinatie van de patiëntgerichte matchingfactoren:
   (3)
3. Bereken de capaciteitsscore uit de load-ratioscore (L), rest-slot score (R) en wachttijdscore (W). Ken de categorische scores toe voor , , en op basis van de drempels die in Tabel 1 zijn gedefinieerd. Bereken de capaciteitsscore als:
   (4)
4. Bereken de uiteindelijke hybride score door de compatibiliteits- en capaciteitscomponenten te integreren:
   (5)
5. Pas het weegschema 0,60–0,40 vast vóór de evaluatie.
   OPMERKING: Deze vooraf bepaalde verhouding wordt geleid door een fundamenteel principe van gezondheidszorg. Klinische geschiktheid en patiëntgerichte fit moeten dienen als de primaire routeringscriteria om medische veiligheid te waarborgen, terwijl er een aanzienlijke wiskundige straf wordt opgelegd aan ernstige capaciteitsbeperkingen, wat overeenkomt met de gevestigde triageliteratuur die klinische geschiktheid boven operationele doorvoer stelt.
6. Stel deze gewichten niet af na de uitkomstinspectie om overfitting te voorkomen en reproduceerbaarheid te waarborgen.
   OPMERKING: Onderzoekers die dit protocol toepassen, worden sterk aangemoedigd om uitgebreide gevoeligheidsanalyses uit te voeren of objectieve multi-criteria besluitvormingstechnieken toe te passen (bijv. het Analytic Hierarchy Process [AHP] of entropieweging) om het kader af te stemmen op de specifieke operationele belasting van hun platform.

5. Wedstrijdselectie en strategiebenchmarking

1. Voer benchmarking uit over 12 herhaalde evaluatie-folds. Voor elke vouw kun je 300 patiëntverzoeken zonder vervanging uit de volledige patiëntenpool bemonsteren.
   OPMERKING: Deze eenvoudige willekeurige steekproefbenadering wordt bewust gebruikt om de stochastische, onvoorspelbare aard van patiëntenaankomst te simuleren die kenmerkend is voor realtime online consultatieplatforms, in plaats van een kunstmatige structurele balans op de inkomende vraag af te dwingen.
2. Behou alle kandidaatparen die gekoppeld zijn aan die gesamplede verzoeken binnen de respectievelijke fold.
3. Benchmark vier verschillende allocatiestrategieën onafhankelijk op dezelfde fold-specifieke kandidaat-paarlaag:
   1. Voor de op regels gebaseerde basislijn rangschikt u kandidaten op exacte specialisatiematch, vervolgens op lagere consultatiekosten en tenslotte op hogere historische beoordeling.
   2. Voor een strategie die alleen op compatibiliteit gericht is, kies je de kandidaat met de hoogste compatibiliteitsscore.
   3. Voor een strategie met alleen capaciteit kies je de kandidaat met de hoogste capaciteitsscore.
   4. Voor de hybride strategie kies je de kandidaat met de hoogste hybride score.
4. Selecteer de kandidaat-arts met de hoogste definitieve strategie-specifieke score als uiteindelijke match voor elk patiëntverzoek.
5. Los eventuele gelijke punten op (identieke scores tot drie decimalen) op door de kandidaat te selecteren met de kortste geschatte wachttijd, gevolgd door de hogere compatibiliteitsscore en tenslotte de hogere historische beoordeling.

6. Uitkomstberekening

1. Bereken de primaire uitkomsten: precisie op rang 1, recall en F1-score.
2. Ken grondwaarheidsuitkomsten toe aan alle 9.785 kandidaatparen voordat je benchmarkt met behulp van kansverdelingen afgeleid van de empirische basisdataset.
   OPMERKING: Gebruik een volledig gelabelde synthetische omgeving om nauwkeurigheid en terugroeping voor alle kandidaatparen te kunnen berekenen. Een succesvolle match wordt bereikt als het consult wordt afgerond, de patiënttevredenheid 4,0 is op een schaal van 5 punten, en er geen 14-daagse herbezoek plaatsvindt vanwege ontevredenheid of mismatch.
3. Bereken precisie op rang 1 als het aandeel geselecteerde finalematches dat voldoet aan het succesvolheidscriterium.
4. Bereken recall als het aandeel van alle succesvolle kandidaatparen binnen een fold die correct door de strategie zijn geselecteerd. Leid uitkomsten af voor niet-geselecteerde kandidaatparen uit de volledig gelabelde synthetische omgeving zoals vastgesteld in Stap 6.2.
5. Zorg ervoor dat de recall-metriek nauwkeurig het vermogen van het algoritme vastlegt om alle theoretisch haalbare matches binnen de gesimuleerde kandidatenpool te identificeren.
6. Bereken de F1-score met de volgende formule:
   (6)
7. Bereken secundaire uitkomsten: capaciteitsbezettingspercentage, gemiddelde geschatte wachttijd, gemiddelde patiënttevredenheid, consultatievoltooiingspercentage, 7-dagen follow-up percentage en gerapporteerd verbeteringspercentage.
8. Bereken de load imbalance-index om de ongelijkheid van de werklastverdeling van de arts binnen elke vouw te evalueren:
   (7)
9. Gemiddeld de 12-voudig specifieke schattingen om de strategie-niveau samenvattingswaarden te verkrijgen met behulp van de oorspronkelijke scoretoewijzingen.
10. Voer een multivariabele logistische regressieanalyse uit binnen de subset van geselecteerde eindmatches om parniveaufactoren te identificeren die onafhankelijk samenhangen met succesvolle matching.
11. Neem de volgende vooraf gespecificeerde onafhankelijke variabelen op op basis van theoretische relevantie: compatibiliteitsscore, capaciteitsscore, geschatte wachttijd, betaalbaarheidsgeschiktheid, specialisatiematch, gendervoorkeursmatch, ernst en urgentieniveau.
12. Gebruik een strategie voor het selecteren van geforceerde variabelen in plaats van een stapsgewijze aanpak om de theoretische structuur van het model te behouden.
13. Beoordeel multicollineariteit met behulp van de Variance Inflation Factor (VIF). Bevestig dat alle VIF-waarden onder de 5,0 blijven vóór de definitieve modelschatting.
14. Definieer statistische significantie als een tweezijdige p < 0,05, en rapporteer de resultaten als aangepaste odds ratio's (aOR's) met overeenkomstige 95% betrouwbaarheidsintervallen (BI's).

Resultaten

Basiskenmerken van de artsenpool en de patiëntverzoekpool

De gesimuleerde analytische dataset bestond uit 240 artsen en 3.600 verzoeken om patiëntconsultatie. De basislijnkenmerken van beide zijden van het matchingsysteem worden samengevat in Tabel 2, en de verdelingspatronen aan de platformzijde worden geïllustreerd in Figuur 3.

Van de 240 artsen waren er 128 (53,3%) vrouw. De cohort toonde een gemiddelde klinische ervaring van 9,34 jaar, een gemiddelde consultatievergoeding van USD 68,08, een gemiddelde nominale dagelijkse consultatiecapaciteit van 18,52 consulten, een gemiddelde historische dienstbeoordeling van 4,63 en een gemiddelde eerste antwoordtijd van 5,47 uur. Interne Geneeskunde was de grootste specialisatie (19,2%), gevolgd door orthopedie (15,0%) en neurologie (13,3%). Wat betreft consultatiemodus, steunde 41,7% van de artsen tekst plus spraak, 37,1% alleen tekstgesprekken en 21,3% volledige tekst-, spraak- en videoconsultaties.

Van de 3.600 patiëntenverzoeken werd 53,1% ingediend door vrouwelijke patiënten. De gemiddelde leeftijd was 36,49 jaar en het gemiddelde budgetplafond was USD 47,30. Interne Geneeskunde was de meest voorkomende doelspecialisatie (20,0%), gevolgd door Neurologie (13,8%) en Cardiologie (13,0%). Verzoeken werden geclassificeerd op ernst (45,7% gematigd, 34,2% laag, 20,1% hoog) en urgentie (39,1% prioriteit, 35,9% routine, 25,0% urgent). Tekstconsultatie was de meest voorkomende voorkeur (45,1%) en 78,7% van de patiënten gaf aan geen artsenvoorkeur voor geslacht te hebben. Gezamenlijk geven deze distributies aan dat het platform opereerde in een heterogene consultatieomgeving, waarmee de noodzaak wordt bevestigd om zowel compatibiliteits- als capaciteitsbeperkingen binnen het matchingsysteem te evalueren.

Kandidaat-parstructuur en score-scheiding

Na de specialiteit-eerst retrieval en beperkte kandidaat-uitbreiding werden 9.785 kandidaatparen van arts en patiënt gegenereerd (Tabel 3, Figuur 4). Over de volledige kandidaat-paarlaag werden 3.085 paren geselecteerd als finale, terwijl 6.700 dat niet werden. Geselecteerde paren vertoonden een hogere exacte specialiteitsmatch ratio (99,2% versus 95,3%) en een iets hogere geslachtsvoorkeursmatch (90,2% versus 89,0%) dan niet-geselecteerde paren.

Belangrijker nog, de belangrijkste paargewijze verschillen waren geconcentreerd in operationele en samengestelde scoringsvariabelen. Geselecteerde paren vertoonden een hogere gemiddelde compatibiliteitsscore (0,853 versus 0,829) en een hogere gemiddelde capaciteitsscore (0,395 versus 0,381). Daardoor was de gemiddelde hybride score 0,707 onder geselecteerde paren, vergeleken met 0,686 onder niet-geselecteerde paren. Geselecteerde paren waren ook operationeel gunstiger, met een lagere gemiddelde artsenbelastingsratio (0,628 vs. 0,642), meer beschikbare zelfde-dag slots (6,99 vs. 6,65) en een kortere geschatte wachttijd (12,46 uur vs. 12,79 uur).

Van de 3.085 geselecteerde paren werden er 2.584 consultaties afgerond (83,8% voltooiingspercentage). De gemiddelde patiënttevredenheid was 4,29 van de 5,00. Door succesvolle matching te definiëren als consultvoltooiing, patiënttevredenheid 4,0 en geen 14-daags herbezoek, voldeden 1.644 geselecteerde paren aan dit criterium (53,3% succespercentage). Deze resultaten tonen aan dat de uiteindelijke selecties werden gedreven door de kruising van hogere compatibiliteit, lagere belastingdruk en betere wachttijden, in overeenstemming met de vooraf gespecificeerde protocollogica.

Factoren op parniveau die samenhangen met succesvolle eindmatching

Een multivariabele logistische regressie binnen de geselecteerde match-subset werd uitgevoerd om kenmerken te identificeren die geassocieerd zijn met succesvolle matching (Tabel 4, Figuur 5). De compatibiliteitsscore bleef positief geassocieerd met succesvolle matching (aangepaste odds ratio [aOR] = 11,99; 95% BI, 1,81–79,46; P = 0,010), evenals de capaciteitsscore (aOR = 2,08; 95% BI, 1,22–3,55; P = 0,007). Omgekeerd verminderde een langere geschatte wachttijd de kans op een succesvolle match (aOR = 0,953 per extra uur; 95% BI, 0,934–0,972; P < 0,001). De betaalbaarheid bleef ook significant (aOR = 1,33; 95% BI, 1,12–1,57; P = 0,001). Exacte specialisatiematching, gendervoorkeursmatching, prioriteitsstatus en hoge ernst bleven onafhankelijk niet significant. Dit geeft aan dat het succes van matching meer afhangt van de gecombineerde sterkte van compatibiliteit en absorbeercapaciteit dan van een enkel oppervlakkig kenmerk.

Benchmarking en robuustheid van de allocatiestrategieën

Vergelijkende benchmarking over de 12 evaluatiegroepen wordt samengevat in Tabel 5, Tabel 6 en Figuur 6. De voorgestelde hybride strategie behaalde het meest gunstige algehele profiel. Het leverde de hoogste gemiddelde precisie op rang 1 (0,740), recall (0,691) en F1-score (0,714), waarmee het beter presteerde dan de op regels gebaseerde baseline, de compatibiliteitsstrategie en de capaciteitsstrategie.

Operationeel behaalde de hybride strategie de hoogste capaciteitsvulgraad (0,825) en de kortste gemiddelde geschatte wachttijd (5,52 uur). Patiëntgerichte prestaties werden ook geoptimaliseerd, waarbij de hybride benadering de hoogste gemiddelde patiënttevredenheid (4,43) en de laagste load imbalance index (0,195) opleverde, wat wijst op een zeer gelijkmatige werkverdeling van de artsen. Subgroepanalyses (Tabel 7, Figuur 6) bevestigden dat dit stabiele prestatiepatroon werd gehandhaafd over verschillende urgentielagen en ziekenhuisniveaus, wat de robuustheid van het kader aantoonde, zelfs in zeer beperkte capaciteitssituaties.

Figuur 1: Algemene studieworkflow. (A) Samenstelling van de artsenpool en de patiëntenverzoekenpool. (B) Specialiteit-eerst kandidaat-terugtrekkingsproces met beperkte uitbreiding wanneer er minder dan twee actieve artsen met resterende capaciteit beschikbaar zijn in het gevraagde specialisme. (C) Generatie van kandidaat-arts-patiëntparen en afleiding van paargewijze variabelen. (D) Constructie van de compatibiliteitsscore, capaciteitsscore en hybride score. (E) Definitieve keuze van arts, fold-gebaseerde benchmarking over vier allocatiestrategieën, en berekening van prestatie-uitkomsten. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 2: Architectuur van compatibiliteit en capaciteitsbewuste matching. (A) Compatibiliteitsmodule, inclusief specialisatie-afstemming, consultatie-mode-fit, gender-preference match, betaalbaarheidsmatch, arts-historische beoordeling en urgentie-respons match. (B) Capaciteitsmodule, inclusief de bezettingsverhouding van artsen, resterende tijdslots op dezelfde dag en geschatte wachttijd. (C) Scorenormalisatie en gewogen scoreaggregatie voor compatibiliteitsscore en capaciteitsscore. (D) Integratie van de twee modules in de definitieve hybride score. (E) Eindranglijst en beslissingslogica gebruikt om de gekozen dokter-patiënt match te bepalen. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 3: Basisverdelingspatronen van physician- en patiëntkenmerken in de analytische dataset. (A) Specialiteitsverdeling van de artsenpool. (B) Professionele titel en ziekenhuisverdeling van artsen. (C) Gespecialiseerde distributie van verzoeken voor patiëntconsultatie. (D) Ernst- en urgentieverdeling van patiëntverzoeken. (E) Verdeling van voorkeursconsultatiewijze en voorkeursgeslacht van de arts tussen de verzoeken van de patiënt. Opmerking: Alle gegevensverdelingen die in deze figuur worden weergegeven, zijn rechtstreeks afgeleid van de definitieve analytische dataset (n = 240 artsen; n = 3.600 patiëntenverzoeken) en zijn volledig consistent met de samenvattende statistieken in Tabel 2. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 4: Parniveau-scoreverdelingen en scheiding tussen geselecteerde en niet-geselecteerde kandidaatmatches. (A) Verdeling van compatibiliteitsscores in geselecteerde en niet-geselecteerde paren. (B) Verdeling van capaciteitsscores in geselecteerde en niet-geselecteerde paren. (C) Verdeling van hybride scores in geselecteerde en niet-geselecteerde paren. (D) Geschatte wachttijd (in uren) op basis van selectiestatus. (E) Gezamenlijke verdeling van compatibiliteitsscore en capaciteitsscore, waarbij geselecteerde en niet-geselecteerde paren afzonderlijk worden weergegeven. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 5: Multivariabele analyse van factoren die samenhangen met succesvolle uiteindelijke matching tussen geselecteerde paren. (A) Forest-grafiek van aangepaste odds ratio's voor compatibiliteitsscore, capaciteitsscore, geschatte wachttijd (in uren), betaalbaarheidsmatch, specialisatiematch, gendervoorkeursmatch, ernst en urgentie. (B) Marginale kans op succesvolle matching over het waargenomen bereik van compatibiliteitsscore. (C) Marginale kans op succesvolle matching over het waargenomen bereik van capaciteitsscore. (D) Omgekeerde associatie tussen geschatte wachttijd (in uren) en kans op succesvolle matching. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 6: Vergelijkende benchmarking van vier arts-patiënt matchingstrategieën en subgroepprestaties van het hybride kader. (A) Precisie op rang 1, recall en F1-score over de vier strategieën. (B) Capaciteitsbezettingssnelheid, gemiddelde geschatte wachttijd en gemiddelde patiënttevredenheid over de vier strategieën. (C) Load imbalance-index over de vier strategieën. (D) Fold-niveau prestatiebereiken van de hybride strategie over 12 herhaalde evaluatiefolds. (E) Hybride strategie subgroep prestatie-heatmap. Opmerking: Alle waarden die in deze figuur worden weergegeven, zijn gekruisvalideerd met de overeenkomstige resultaten uit Tabel 5 om absolute consistentie te waarborgen. Klik hier om een grotere versie van deze figuur te bekijken.

Tabel 1: Operationele definities, drempels en scoreregels voor het matchingkader. Afkortingen: SD = standaarddeviatie. Klik hier om deze tabel te downloaden.

Tabel 2: Basiskenmerken van de artsenpool en de patiëntverzoekpool. Sectie, kenmerken en vergelijkende basisstatistieken van de analytische dataset voorafgaand aan de matching. Klik hier om deze tabel te downloaden.

Tabel 3: Parvergelijkingen tussen geselecteerde en niet-geselecteerde matches. Deze tabel aggregeert de paargewijze variabelen en beschrijvende statistieken die de structurele scheiding tussen de uiteindelijke geselecteerde matches en niet-geselecteerde kandidaten beschrijven. Klik hier om deze tabel te downloaden.

Tabel 4: Multivariabele logistische regressie-analyse van factoren die geassocieerd zijn met succesvolle uiteindelijke matching tussen geselecteerde paren. Modelinformatie: Afhankelijke variabele = succesvolle eindmatch tussen geselecteerde paren. Een succesvolle match werd gedefinieerd als het voltooien van het consult, patiënttevredenheid 4,0/5,0, en geen 14-daags herbezoek vanwege ontevredenheid of mismatch. Klik hier om deze tabel te downloaden.

Tabel 5: Vergelijkende prestaties van vier matchingstrategieën. Samenvatting van vergelijkende strategiebenchmarking over 12 herhaalde vouwen. Klik hier om deze tabel te downloaden.

Tabel 6: Stabiliteit en vouwniveauvariabiliteit van de hybride strategie. Samenvatting van fold-niveau prestatiebereiken van de hybride strategie over 12 herhaalde evaluatiefolds. Klik hier om deze tabel te downloaden.

Tabel 7: Subgroepprestaties van de hybride strategie. Gedetailleerde subgroepprestaties van de hybride strategie op basis van urgentieniveaus en ziekenhuisniveaus. Klik hier om deze tabel te downloaden.

Discussie

Het huidige protocol toont een compatibiliteits- en capaciteitsbewuste overeenkomst tussen arts en patiënt in een grootschalige online medische consultatieomgeving. De hybride strategie behaalde de meest gebalanceerde algehele prestaties op het gebied van matchingnauwkeurigheid, wachttijd, capaciteitsbenutting, patiënttevredenheid en werkverdeling. Dit resultaat is cruciaal omdat digitale consultatie niet alleen de toegang uitbreidt, maar ook klinisch werk verplaatst naar activiteiten buiten kantooruren, waardoor de verborgen werklast toeneemt wanneer de allocatielogica de dienstovername overziet. Recent bewijs toont aan dat een grotere digitale vraag samenhangt met meer werk van artsen buiten de geplande uren, wat het praktische belang benadrukt van het opnemen van capaciteitsbeperkingen in matchingsystemen in plaats van ze als secundaire operationele variabelen te behandelen⁷. Bovendien is compatibiliteit alleen onvoldoende wanneer de vraag ongelijk verdeeld is. In internetziekenhuizen wordt de keuze van patiënten sterk beïnvloed door zichtbare kenmerken van artsen, wat structureel de vraagconcentratie rond zeer zichtbare of hogere status artsen aanstuurt. Deze dynamiek verklaart waarom de compatibiliteitsstrategie in dit protocol relatief sterke matchingkwaliteit behield, maar slecht presteerde wat betreft wachttijden en load balance¹⁵.

In onze evaluatie diende de binaire classificatie van een succesvolle match als een strenge drempel om mislukte klinische ontmoetingen eruit te filteren, terwijl de gemiddelde patiënttevredenheidsscore ons in staat stelde de genuanceerde verdeling van door gebruikers waargenomen kwaliteit over verschillende matchingstrategieën te evalueren. Bovendien werden, om zorgen over mogelijke circulariteit weg te nemen, de secundaire prestatie-uitkomsten in deze studie onafhankelijk geëvalueerd van deze binaire status, wat een bredere beoordeling bood van de impact van het kader op de servicekwaliteit van het platform in plaats van alleen het valideren van de eigen classificatiecriteria. De hogere patiënttevredenheid die onder de hybride strategie wordt waargenomen, sluit aan bij de bredere telemedicineliteratuur en verscherpt deze door aan te tonen dat tevredenheid nauw verbonden is met de kwaliteit van de toewijzing en niet louter digitale toegang. Recent werk identificeert professionele behandelplanning, nauwkeurig begrip van patiëntzorgen, uitgebreide antwoorden en het vermijden van gepatroneerde antwoorden als belangrijke drijfveren voor gebruikerstevredenheid. Daarom moeten optimale matchingsystemen patiënten doorverwijzen naar artsen die binnen acceptabele tijdsvensters kunnen reageren en individuele interactiepatronen kunnen bieden^16,17. Deze dynamiek onderstreept ook onze operationele reden om de gegenereerde kandidatenpool te beperken tot twee tot vier artsen per verzoek (gemiddelde 2,72). Deze specifieke drempel werd empirisch gekalibreerd om een optimale balans te vinden tussen het behouden van patiëntautonomie en het voorkomen van "keuze-overload" – een goed gedocumenteerde cognitieve bottleneck in digitale gezondheidskeuzearchitecturen die besluitvorming vertraagt en de gebruikerservaring verslechtert. Vanuit implementatieperspectief zou dit matchingmodel ingebed moeten zijn in een bredere serviceworkflow. Cruciaal is dat, terwijl het huidige experimentele protocol het framework evalueert met behulp van een statische, vouw-gebaseerde batchtoewijzing, de onderliggende algoritmische logica intrinsiek aanpasbaar is aan dynamische scenario's in continue tijd. Omdat capaciteitsvariabelen—zoals de huidige dagelijkse belasting en resterende tijdslots op dezelfde dag—iteratief zijn ontworpen om te worden bijgewerkt, kan de hybride score efficiënt in realtime worden herberekend om rekening te houden met sequentiële patiëntenaankomst en fluctuerende beschikbaarheid van artsen. Onderzoek wijst uit dat training, kennis met technologie, communicatiekwaliteit en werkdruk cruciale implementatiefactoren zijn, en belanghebbenden bevelen concrete mechanismen aan om de last van artsen te verminderen. Bijgevolg verbetert het hybride framework de allocatieprestaties, maar de effectiviteit in de praktijk is sterk afhankelijk van ondersteunend workflowontwerp, platformbeheer en operationele ondersteuning^18,19.

Deze resultaten zijn een optimalisatie van platformrouting in plaats van bewijs dat virtuele consultaties alle vormen van zorg kunnen vervangen. Hoewel virtuele consultaties de efficiëntie verbeteren, blijft het bewijs over veiligheid en gelijkheid gemengd; Daarom is dit kader het beste te begrijpen als een front-end allocatie-instrument, niet als een vervanging voor klinische triage of verwijzingspaden²⁰. Het huidige protocol kent verschillende beperkingen. Ten eerste, hoewel de evaluatiedataset is opgebouwd met variabelen en distributiepatronen die strikt de operationele omstandigheden in de echte wereld weerspiegelen, blijft het in wezen een gesimuleerde cohort ontworpen voor gecontroleerde platformevaluatie. We erkennen dat het ontbreken van aanvullende, onafhankelijke datasets uit de praktijk de externe validiteit van de huidige bevindingen beperkt. Om de generaliseerbaarheid van de voorgestelde hybride matchingmethode robuust vast te stellen, moeten toekomstige studies prioriteit geven aan het valideren van dit experimentele kader met behulp van grootschalige, praktijkgerichte consultatielogboeken over diverse digitale zorgplatforms en uitgebreide longitudinale tijdsperioden. Het evalueren van de veerkracht en dynamische routeringsmogelijkheden van het model onder extreme temporele vraagschokken—zoals piekseizoenen van griep of volksgezondheidsnoodsituaties—blijft cruciaal. Ten tweede legden de uitkomsten de nadruk op het voltooien van consultaties en patiënttevredenheid, waarbij door clinici beoordeelde diagnostische geschiktheid of longitudinale gezondheidsuitkomsten werden uitgesloten. Ten derde was fold-gebaseerde evaluatie gebaseerd op eenvoudige willekeurige steekproeven in plaats van k-voudige kruisvalidatie of gestratificeerde steekproef. Hoewel dit de volatiliteit van natuurlijke patiëntenstroom vastlegde, kan het soms de uniforme representativiteit van specifieke minderheidsgroepen ondermijnen. Toekomstige algoritmische evaluaties moeten gestratificeerde steekproeven bevatten op basis van ernst, urgentie en ziekenhuisniveau om consistente prestaties te garanderen over alle patiëntensubpopulaties. Ten vierde dient de geschatte wachttijd die uit dit protocol wordt afgeleid als een structurele proxy in plaats van als een rigoureus gekalibreerd voorspellingsmodel. Door het ontbreken van doorlopende, realistische tijdstempellogs konden we geen strikte correlatieanalyses uitvoeren of kalibratiefouten verwerken ten opzichte van de werkelijke klinische wachttijden. Toekomstig onderzoek zou grootschalige empirische operationele logs moeten benutten om deze heuristische wachttijdparameters te valideren en fijn af te stemmen. Ten vijfde was het weegschema dat compatibiliteit en capaciteit combineerde heuristisch gespecificeerd in plaats van afgeleid via objectieve wiskundige modellering. Hoewel deze vaste a priori-benadering post-hoc datafitting voorkomt, mist het de strengheid van objectieve wegingsmethoden zoals AHP of entropieweging. Toekomstige iteraties van dit kader zouden deze objectieve multi-criteria besluitvormingsmethoden moeten integreren om dynamisch de optimale wegingsverhouding te bepalen. Ten slotte werkt het framework op één-op-één toewijzingsniveau en werd geëvalueerd onder statische batchtoewijzingscondities, zonder teamconsultaties of continu-time dynamische herprioritering (bijvoorbeeld het omgaan met plotselinge vraagpieken of realtime planningsannuleringen). Toekomstig onderzoek zou dit kader moeten uitbreiden tot een volledig dynamische wachtrijsimulatie en matching-algoritmen uitbreiden van de eerste selectie van artsen tot communicatiebewuste routering en ondersteuning voor interactie^na de match.

Al met al brengt dit protocol het paradigma van arts-patiënt matching succesvol weg van een logica met één doelstelling. Op grootschalige online platforms moet effectieve toewijzing gezamenlijk rekening houden met klinisch en dienstverlening en de operationele overneembaarheid van de arts onder de huidige werklastomstandigheden, zonder de tijdigheid of patiëntervaring te verminderen. In vergelijking met regelgebaseerde, compatibiliteits-only en capaciteits-only strategieën bereikte het compatibiliteits- en capaciteitsbewuste hybride kader een superieure algehele balans tussen matchprecisie, recall, F1-score, wachttijd, capaciteitsvulpercentage en werklastverdeling. Door arts-patiënt matching niet als een puur op voorkeur gebaseerde aanbevelingstaak te behandelen, noch als een door doorvoer gedreven planningsprobleem, biedt deze aanpak een zeer praktische en schaalbare basis voor intelligente consultatieroutering, coördinatie van platformmiddelen en de toekomstige optimalisatie van digitale zorgdiensten.

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
Kandidate arts-patiëntparen	Door de studie gegenereerd	N/A	Pairwise variabele afleiding en matchselectie (9.785 kandidaatparen)
IBM SPSS Statistics	IBM Corp.	https://www.ibm.com/products/spss-statistics	Statistische analyse (Versie 27)
Microsoft Excel	Microsoft Corporation	https://www.microsoft.com/microsoft-365/excel	Gegevensbeheer en beschrijvende samenvatting (Versie 2021)
Patiëntaanvraagrecords	Door de studie gegenereerd	N/A	Uitgangspunten van de patiëntzijde en voorkeurparameters (3.600 consultatieaanvragen)
Artsenrecords	Door de studie gegenereerd	N/A	Uitgangspunten van de artszijde en capaciteitsparameters (240 actieve artsen)
Python	Python Software Foundation	https://www.python.org	Simulatie, scoreconstructie en benchmarking (Versie 3.11)