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%) v...

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 bu...

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)