Ramka eksperymentalna dla zgodności i pojemności świadomego dopasowywania lekarza do pacjenta w konsultacjach online

Podsumowanie

Ten protokół przedstawia skalowalną ramę eksperymentalną dla dopasowywania lekarz-pacjent na platformach konsultacji medycznych online. Poprzez wspólne zintegrowanie klinicznej zgodności ukierunkowanej na pacjenta i zdolności usługowych po stronie lekarza w hybrydowym modelu punktacji, ta metoda optymalizuje dokładność dopasowania, minimalizuje czas oczekiwania pacjenta i zapewnia zrównoważone rozłożenie obciążenia pracy lekarza.

Streszczenie

Duże platformy konsultacji medycznych online wymagają efektywnego, wspomaganego algorytmicznie dopasowywania lekarz-pacjent, aby zbalansować dopasowanie zorientowane na pacjenta i efektywność operacyjną. Istniejące podejścia często optymalizują niezależnie zgodność kliniczną lub zdolność lekarzy, co prowadzi do przedłużających się czasów oczekiwania i nierównomiernego obciążenia. Ten protokół przedstawia skalowalną eksperymentalną ramę do wspólnego włączenia zgodności i zdolności w hybrydowy wynik dopasowania. Korzystając z symulowanego zestawu danych obejmującego 240 lekarzy, 3600 wniosków pacjentów i 9785 par kandydatów, metoda ilościowo określa zgodność (np. dopasowanie specjalizacji, trybu) oraz zdolność (np. stosunek obciążenia, szacowany czas oczekiwania). Rama ocenia pary kandydatów za pomocą hybrydowego wyniku i porównuje wydajność z regułami, tylko zgodnością i tylko zdolnością bazowymi strategiami w 12 ocenach. Reprezentatywne wyniki pokazują, że hybrydowa rama osiąga lepszą jakość dopasowania, w tym średnią precyzję na poziomie 1 wynoszącą 0,740 i wynik F1 wynoszący 0,714. Ponadto osiąga wysoką wydajność operacyjną z wypełnieniem zdolności na poziomie 0,825 i krótkim średnim szacowannym czasem oczekiwania wynoszącym 5,52 godzin. Maksymalizując średnią satysfakcję pacjentów (4,43/5,00) i minimalizując nierównowagę obciążenia (0,195), ta rama zapewnia praktyczny protokół dla inteligentnego kierowania konsultacji i zarządzania platformą.

Wprowadzenie

Konsultacja medyczna online stała się coraz ważniejszym trybem świadczenia opieki zdrowotnej, rozszerzając dostęp do usług medycznych poza konwencjonalne kontakty bezpośrednie¹. W Chinach rozwój telemedycyny internetowej został wzmocniony rozwojem polityki, wzrostem rynku i głębszą integracją z szerszym systemem opieki zdrowotnej, co sprawia, że konsultacje cyfrowe stają się coraz ważniejszym elementem organizacji opieki zdrowotnej². Dużo skalowane dowody z internetowych szpitali wskazują dalej, że usługi konsultacyjne online działają teraz w znacznym zakresie, funkcjonując jako znacząca część rutynowego świadczenia usług, a nie marginalnego uzupełnienia³. Jednocześnie telemedycyna asynchroniczna poszerzyła zakres opieki zdalnej, umożliwiając elastyczne wzorce interakcji, poprawiając dostępność, a jednocześnie zwiększając złożoność operacyjną cyfrowych platform konsultacyjnych⁴.

W miarę rozwoju tych platform, ich wydajność nie może być ocenana wyłącznie na podstawie dostępności technicznej. Doświadczenie pacjenta i jakość usług stały się centralnymi wynikami cyfrowego świadczenia opieki⁵. Ostatnie badania wykazały, że korzystanie z systemów konsultacji online wiąże się z mierzalnymi różnicami w doświadczeniach pacjentów, szczególnie w kwestii dostępu, wygody i procesów rezerwacji⁶. Jednak konsultacje cyfrowe generują również dodatkowe obciążenie lekarzy, w tym obsługę wiadomości i pracę wykonywaną poza rutynowymi godzinami kliniki, co sprawia, że zarządzanie pojemnością jest centralnym problemem operacyjnym⁷. Wyzwanie to jest zaostrzone przez nierównomierny rozkład zapotrzebowania na lekarzy, ponieważ widoczne wskazówki dotyczące usług, takie jak recenzje, oceny i inne informacje profilowe, mogą kierować ruch pacjentów w stronę ograniczonej podgrupy wysoce widocznych lekarzy⁸. Przydzielanie lekarzy pacjentom na platformach konsultacyjnych online nie jest więc jedynie problemem wyszukiwania z strony pacjenta, ponieważ lekarze mogą również wykazywać selektywne preferencje reakcji podczas stawiania czoła niejednorodnym wnioskom konsultacyjnym⁹.

Z perspektywy pacjenta, wybór konsultacji online jest zasadniczo wielowymiarowy. Użytkownicy jednocześnie oceniają czas oczekiwania, kwalifikacje lekarza, poziom szpitala, tryb usługi i koszt konsultacji przy wyborze opcji opieki¹⁰. Zgodnie z tą złożonością, niedawna systematyczna recenzja stwierdziła, że platformy konsultacji medycznych online wymagają mechanizmów rekomendacji zdolnych do zmniejszenia przeciążenia informacyjnego i lepszego dostosowania potrzeb pacjenta do zasobów lekarzy¹¹. Zgodnie z tym, badania metodologiczne zaczęły wprowadzać strukturalne podejścia do dopasowywania, w tym dynamiczne stabilne dopasowanie w warunkach niepełnych informacji, aby poprawić przydzielanie lekarzy i pacjentów w środowiskach konsultacji online¹². Bardziej współczesne badania rekomendacyjne podkreślają ponadto, że dopasowanie lekarz-pacjent powinno poprawić efektywność alokacji, jednocześnie zmniejszając nadmierną koncentrację zapotrzebowania wokół lekarzy wysoko widocznych ze szpitali najwyższej klasy¹³. Dowody mieszane pokazują znaczną różnorodność preferencji telemedycznych, co wskazuje, że logika alokacji jedna-na-wszystkich jest prawdopodobnie niewystarczająca na skalę platformy¹⁴. Pomimo tych postępów, istniejąca literatura ma tendencję do traktowania czynników związanych z kompatybilnością i ograniczeń pojemności lekarzy jako oddzielnych problemów, nawet jeśli platformy konsultacyjne online muszą zarządzać zarówno dopasowaniem relacyjnym, jak i zdolnością do absorpcji usług jednocześnie¹¹.

Aby zapełnić tę lukę, metoda ta ma na celu stworzenie skalowalnej ramy eksperymentalnej dla kompatybilności i pojemności przy dopasowywaniu lekarza i pacjenta na dużych skalach platformach konsultacji medycznych online. Założeniem tej techniki jest to, że optymalizacja preferencji klinicznych lub pojemności usług lekarzy w izolacji prowadzi do wydłużonych czasów oczekiwania, nierównomiernego obciążenia lekarzy i nieoptymalnych doświadczeń konsultacyjnych. Główną zaletą tej hybrydowej strategii w porównaniu z alternatywnymi technikami alokacji opartymi na regułach lub jedno-celowymi jest jej zdolność do wspólnego modelowania potrzeb pacjenta, cech lekarza i dynamicznych ograniczeń usług w celu utrzymania równowagi obciążenia i wysokiej satysfakcji pacjenta¹². Szczegółowo opisując konstrukcję hybrydowego wyniku dopasowania i proces ewaluacji oparty na podziale, ten protokół zapewnia praktyczną podstawę dla inteligentnego routingu konsultacji. Czytelnicy mogą wykorzystać tę metodologiczną ramę, aby określić, czy logika dopasowania dwukierunkowego jest odpowiednia dla optymalizacji tryażu, alokacji zasobów i zarządzania przepływem pracy w ich konkretnych cyfrowych aplikacjach zdrowotnych.

Protokół

Zbiór danych ewaluacyjnych wykorzystany w niniejszym protokole został zasymulowany obliczeniowo na podstawie zagregowanych, zanonimizowanych rozkładów operacyjnych i nie zawierał rzeczywistych ani identyfikowalnych danych uczestników będących ludźmi. W związku z tym badanie uznano za zwolnione z pełnej oceny etycznej przez Institutional Review Board (IRB) Uniwersytetu NingboTech (numer zwolnienia NT9918276).

1. Przygotowanie danych i definicja kohorty

1. Utworzenie puli lekarzy składającej się z 240 aktywnych lekarzy online w ośmiu specjalizacjach konsultacyjnych: medycynie wewnętrznej, kardiologii, neurologii, dermatologii, pediatrii, ginekologii, ortopedii i psychiatrii.
2. Wyodrębnienie i zdefiniowanie następujących zmiennych dla każdego rekordu lekarza: specjalizacja, płeć, tytuł zawodowy (rezydent, lekarz prowadzący, zastępczy kierownik oddziału lub kierownik oddziału), poziom szpitala (podstawowy, wtórny lub trzeciorzędowy), staż pracy, lata doświadczenia w konsultacjach online, opłata za konsultację, nominalna dzienna wydajność konsultacyjna, obecne dzienne obciążenie, ocena historyczna, średni czas pierwszej odpowiedzi, historyczny wskaźnik akceptacji, wskaźnik usług follow-up oraz wspierany tryb konsultacji (tekst, tekst i głos lub tekst, głos i wideo).
3. Utworzenie puli zgłoszeń pacjentów zawierającej 3600 próśb o konsultację.
   UWAGA: Aby ująć temporalny wymiar oceny, pula ta została skalibrowana tak, aby reprezentować ciągły 30-dniowy okres operacyjny, obejmujący zarówno standardowe dni robocze, jak i weekendy. Ramy czasowe te zostały zaprojektowane w celu uchwycenia rutynowych cyklicznych zmienności w zapotrzebowaniu pacjentów, przy jednoczesnym wyraźnym wykluczeniu ekstremalnych okresów nietypowych (np. głównych świąt narodowych lub szczytowych okresów epidemii), aby ustanowić stabilną linię bazową stanu stacjonarnego dla oceny wydajności algorytmicznej.
4. Wyodrębnienie i zdefiniowanie następujących zmiennych dla każdego zgłoszenia pacjenta: wiek, płeć, docelowa specjalizacja, stopień nasilenia (niski, umiarkowany lub wysoki), poziom pilności (rutynowy, pilny lub priorytetowy), górna granica budżetu, preferowana płeć lekarza (mężczyzna, kobieta lub brak preferencji), preferowany tryb konsultacji (tekst, głos lub wideo), poprzednie wizyty na platformie, poziom zaangażowania cyfrowego, liczba chorób współistniejących, poziom miasta oraz preferowany okres kontaktu.
5. Oczyszczenie zbioru danych poprzez wykluczenie wszystkich rekordów z brakującymi wartościami w polach: specjalizacja, opłata za konsultację, dzienna wydajność, obecne obciążenie, średni czas pierwszej odpowiedzi, nasilenie, pilność, górna granica budżetu, preferowany tryb konsultacji lub preferowana płeć lekarza. Przed przystąpieniem do generowania par należy upewnić się, że wszystkie zachowane rekordy są kompletne.

2. Generowanie par kandydackich

1. Wygeneruj pary kandydatów lekarz-pacjent, stosując regułę wyszukiwania w pierwszej kolejności według specjalizacji. Dla każdego zapytania pacjenta wyszukaj pierwszych lekarzy, którzy odpowiadają docelowej specjalizacji pacjenta.
2. Rozszerz okno wyszukiwania o sąsiednie specjalizacje o wysokiej częstotliwości, które pozostają aktywne na platformie w tym samym dniu, tylko wtedy, gdy w początkowej specjalizacji docelowej dostępnych jest mniej niż dwóch aktywnych lekarzy z wolnymi możliwościami konsultacyjnymi.
   UWAGA: W niniejszym protokole „sąsiedztwo” jest zdefiniowane strukturalnie przez ustalone wzorce klinicznych skierowań krzyżowych oraz pokrywanie się anatomiczne lub objawowe (np. przekierowanie pacjenta z kardiologii do chorób wewnętrznych), natomiast „wysoka częstotliwość” odnosi się konkretnie do specjalizacji plasujących się w górnym kwartylu (top 25%) historycznego dziennego wolumenu zapytań o konsultacje na platformie.
3. Powiąż każdego pacjenta z dwoma do czterema lekarzami kandydatami, dążąc do empirycznie wyznaczonej średniej liczby około 2,72 kandydatów na zapytanie. Utwórz końcową warstwę par kandydatów zawierającą 9 785 par. Ogólny schemat badania przedstawiono na Rysunku 1 .

3. Operacjonalizacja zmiennych w parach

1. Przed przeprowadzeniem benchmarkingu zdefiniuj wszystkie zmienne parzyste wykorzystywane do konstrukcji wyniku. W celu uzyskania wstępnie określonych definicji, progów i mapowania wyników zapoznaj się z Tabelą 1.
2. Oznacz dopasowanie specjalizacji (S) jako 1, gdy specjalizacja lekarza jest identyczna z docelową specjalizacją pacjenta, a w przeciwnym razie jako 0.
3. Oznacz dopasowanie trybu (M) jako 1, gdy obsługiwany tryb lekarza w pełni pokrywa preferowany tryb pacjenta, a w przeciwnym razie jako 0.
4. Oznacz dopasowanie preferencji płci (G) jako 1, gdy pacjent wybierze „Brak preferencji” lub gdy płeć lekarza zgadza się z zadeklarowaną preferencją, a w przeciwnym razie jako 0.
5. Oznacz dopasowanie cenowe (A) jako 1, gdy opłata lekarza jest mniejsza lub równa górnej granicy budżetu pacjenta, 0,5, gdy opłata przekracza budżet o nie więcej niż 20%, oraz 0, gdy opłata przekracza budżet o więcej niż 20%.
6. Znormalizuj historyczną ocenę lekarza, korzystając z zaobserwowanego zakresu na poziomie lekarza (minimum 4,10, maksimum 4,98). Oblicz znormalizowany wynik jakości (Q) za pomocą następującego wzoru:
      (1)
   Wartości poniżej 4,10 po ucięciu ustaw na 0, a wartości powyżej 4,98 na 1.
7. Zdefiniuj dopasowanie odpowiedzi do pilności (U) na podstawie pilności zgłoszenia pacjenta oraz średniego czasu pierwszej odpowiedzi lekarza, zgodnie z określeniem w Tabeli 1.
8. Oblicz współczynnik obciążenia lekarza, dzieląc obecne dzienne obciążenie przez nominalną wydajność dzienną. Oblicz pozostałe wolne terminy w tym samym dniu, odejmując obecne dzienne obciążenie od nominalnej wydajności dziennej.
9. Oblicz szacowany czas oczekiwania (w godzinach), korzystając z następującego wzoru:
   
   Konstrukcja ta służy jako szacunek heurystyczny inspirowany podstawowymi zasadami teorii kolejek, gdzie bazowy średni czas pierwszej odpowiedzi lekarza jest obciążony jego rzeczywistym wskaźnikiem wykorzystania (Obecne Dzienne Obciążenie / Wydajność Dzienna).
   UWAGA: Współczynnik korekty pilności został ustawiony na 0,80 dla żądań priorytetowych, 0,90 dla żądań pilnych i 1,00 dla żądań rutynowych. Współczynniki korekcyjne te są zaimplementowane jako wstępnie określone wagi operacyjne w celu wymuszenia priorytetowego kierowania ciężkich przypadków, a nie jako współczynniki wyprowadzone empirycznie.

4. Konstrukcja wyniku dopasowania

1. Zbuduj strukturę dopasowania, wykorzystując moduł kompatybilności oraz moduł wydajności, zgodnie ze szczegółami przedstawionymi na Rysunku 2.
2. Oblicz wynik kompatybilności jako ważoną kombinację liniową czynników dopasowania zorientowanych na pacjenta:
   (3)
3. Oblicz wynik wydajności na podstawie wyniku stosunku obciążenia (L), wyniku wolnych miejsc (R) oraz wyniku czasu oczekiwania (W). Przypisz wartości kategoryczne dla , , oraz na podstawie progów zdefiniowanych w Tabeli 1. Oblicz wynik wydajności według wzoru:
   (4)
4. Oblicz końcowy wynik hybrydowy poprzez zintegrowanie komponentów kompatybilności i wydajności:
   (5)
5. Ustal schemat ważenia 0,60–0,40 przed przystąpieniem do ewaluacji.
   UWAGA: Ten z góry określony stosunek wynika z fundamentalnej zasady świadczenia usług zdrowotnych. Odpowiedniość kliniczna i dopasowanie zorientowane na pacjenta muszą służyć jako główne kryteria kierowania w celu zapewnienia bezpieczeństwa medycznego, przy jednoczesnym zastosowaniu znacznej matematycznej kary za krytyczne ograniczenia wydajności, co jest zgodne z istniejącą literaturą dotyczącą triażu, w której priorytetem jest przydatność kliniczna nad przepustowością operacyjną.
6. Nie dostrajaj tych wag po analizie wyników, aby zapobiec przeuczeniu i zapewnić powtarzalność.
   UWAGA: Badaczom stosującym ten protokół zdecydowanie zaleca się przeprowadzenie kompleksowych analiz wrażliwości lub zastosowanie obiektywnych technik wielokryterialnego podejmowania decyzji (np. procesu hierarchii analitycznej [AHP] lub ważenia entropijnego), aby dostosować strukturę do specyficznego obciążenia operacyjnego danej platformy.

5. Wybór dopasowań i walidacja strategii

1. Przeprowadzić benchmark w 12 powtórzonych cyklach ewaluacyjnych (folds). W każdym cyklu pobrać bez zwracania próbkę 300 zgłoszeń pacjentów z całej puli pacjentów.
   ​UWAGA: To proste podejście do losowania próbek jest celowo stosowane, aby symulować stochastyczny i nieprzewidywalny charakter napływu pacjentów, charakterystyczny dla platform konsultacji online w czasie rzeczywistym, zamiast narzucać sztuczną równowagę strukturalną w zapotrzebowaniu.
2. Zachować wszystkie pary kandydatów powiązane z pobranymi zgłoszeniami w ramach odpowiedniego cyklu.
3. Niezależnie przetestować cztery różne strategie przydzielania na tej samej warstwie par kandydatów specyficznej dla danego cyklu:
   1. Dla bazowej strategii opartej na regułach: uszeregować kandydatów według dokładnego dopasowania specjalizacji, następnie według niższej opłaty za konsultację, a na koniec według wyższej oceny historycznej.
   2. Dla strategii opartej wyłącznie na kompatybilności: wybrać kandydata z najwyższym wynikiem kompatybilności.
   3. Dla strategii opartej wyłącznie na wydajności: wybrać kandydata z najwyższym wynikiem wydajności (capacity score).
   4. Dla strategii hybrydowej: wybrać kandydata z najwyższym wynikiem hybrydowym.
4. Wybrać lekarza kandydata z najwyższym końcowym wynikiem specyficznym dla danej strategii jako ostateczne dopasowanie dla każdego zgłoszenia pacjenta.
5. Rozstrzygać remisy (identyczne wyniki do trzech miejsc po przecinku), wybierając kandydata z krótszym szacowanym czasem oczekiwania, następnie z wyższym wynikiem kompatybilności, a na koniec z wyższą oceną historyczną.

6. Obliczanie wyników

1. Oblicz wyniki podstawowe: precyzję dla rangi 1 (precision at rank 1), pełność (recall) oraz miarę F1 (F1 score).
2. Przypisz wyniki prawdy obiektywnej (ground-truth) wszystkim 9 785 parom kandydatów przed przeprowadzeniem benchmarkingu, wykorzystując rozkłady prawdopodobieństwa pochodne z empirycznego zbioru bazowego.
   UWAGA: Użyj w pełni oznakowanego środowiska syntetycznego, aby umożliwić obliczenie precyzji i pełności dla wszystkich par kandydatów. Dopasowanie uznaje się za udane, jeśli konsultacja została zakończona, satysfakcja pacjenta wynosi 4,0 w 5-stopniowej skali i nie nastąpiła ponowna wizyta w ciągu 14 dni z powodu niezadowolenia lub niedopasowania.
3. Oblicz precyzję dla rangi 1 jako proporcję wybranych ostatecznych dopasowań, które spełniają kryterium udanego dopasowania.
4. Oblicz pełność jako proporcję wszystkich udanych par kandydatów w obrębie jednej fałdy (fold), które zostały prawidłowo wybrane przez strategię. Wyniki dla par kandydatów niewybranych wyprowadź z w pełni oznakowanego środowiska syntetycznego ustanowionego w kroku 6.2.
5. Upewnij się, że miernik pełności dokładnie odzwierciedla zdolność algorytmu do identyfikacji wszystkich teoretycznie możliwych dopasowań w symulowanej puli kandydatów.
6. Oblicz miarę F1, korzystając z następującego wzoru:
      (6)
7. Oblicz wyniki wtórne: stopień wykorzystania przepustowości (capacity fill rate), średni szacowany czas oczekiwania, średnią satysfakcję pacjenta, wskaźnik ukończenia konsultacji, wskaźnik kontroli po 7 dniach oraz zgłoszony wskaźnik poprawy.
8. Oblicz wskaźnik niezrównoważenia obciążenia (load imbalance index), aby ocenić nierównomierność rozkładu obciążenia pracą lekarzy w obrębie każdej fałdy:
      (7)
9. Uśrednij szacunki specyficzne dla 12 fałd, aby uzyskać wartości podsumowujące na poziomie strategii, korzystając z oryginalnych przypisań wyników.
10. Przeprowadź wieloczynnikową analizę regresji logistycznej w podzbiorze wybranych ostatecznych dopasowań, aby zidentyfikować czynniki na poziomie par, które są niezależnie powiązane z udanym dopasowaniem.
11. Uwzględnij następujące predefiniowane zmienne niezależne oparte na teoretycznej istotności: wynik kompatybilności (compatibility score), wynik przepustowości (capacity score), szacowany czas oczekiwania, dopasowanie przystępności cenowej, dopasowanie specjalizacji, dopasowanie preferencji płci, stopień nasilenia objawów oraz stopień pilności.
12. Zastosuj strategię wymuszonego wprowadzania zmiennych (forced-entry variable selection) zamiast podejścia krokowego, aby zachować teoretyczną strukturę modelu.
13. Oceń współliniowość za pomocą czynnika inflacji wariancji (VIF). Potwierdź, że wszystkie wartości VIF pozostają poniżej 5,0 przed ostateczną estymacją modelu.
14. Zdefiniuj istotność statystyczną jako dwustronne p < 0,05 i przedstaw wyniki jako skorygowane ilorazy szans (aOR) z odpowiadającymi im 95% przedziałami ufności (CI).

Wyniki

Charakterystyka wyjściowa grupy lekarzy oraz grupy próśb pacjentów

Symulowany zestaw danych analitycznych obejmował 240 lekarzy oraz 3 600 próśb o konsultacje pacjentów. Charakterystyka bazowa obu stron systemu dopasowań została podsumowana w Tabeli 2, a wzorce rozkładu po stronie platformy zostały zilustrowane na Rysunku 3.

Spośród 240 lekarzy 128 (53,3%) stanowiły kobiety. Kohorta wykazała średnie doświadczenie kliniczne na poziomie 9,34 lat, średnią opłatę za konsultację w wysokości USD 68,08, średnią nominalną dzienną przepustowość konsultacyjną wynoszącą 18,52 konsultacji, średnią historyczną ocenę usługi 4,63 oraz średni czas pierwszej odpowiedzi wynoszący 5,47 h. Najliczniejszą specjalnością była choroba wewnętrzna (19,2%), a następnie ortopedia (15,0%) i neurologia (13,3%). W zakresie trybu konsultacji 41,7% lekarzy wspierało tekst oraz głos, 37,1% wspierało wyłącznie tekst, a 21,3% wspierało pełne konsultacje tekstowe, głosowe i wideo.

Spośród 3 600 zgłoszeń pacjentów 53,1% zostało złożonych przez kobiety. Średni wiek wynosił 36,49 lat, a średni limit budżetu wynosił 47,30 USD. Najczęstszą specjalnością docelową była choroba wewnętrzna (20,0%), a następnie neurologia (13,8%) i kardiologia (13,0%). Zgłoszenia sklasyfikowano pod względem nasilenia (45,7% umiarkowane, 34,2% niskie, 20,1% wysokie) oraz pilności (39,1% priorytetowe, 35,9% rutynowe, 25,0% pilne). Najczęstszą preferencją była konsultacja tekstowa (45,1%), a 78,7% pacjentów nie zgłosiło preferencji co do płci lekarza. Wspólnie rozkłady te wskazują, że platforma działała w heterogenicznym środowisku konsultacyjnym, co potwierdza potrzebę oceny zarówno kompatybilności, jak i ograniczeń wydajności w ramach systemu dopasowywania.

Struktura par kandydackich i separacja wyników

Po etapie wyszukiwania z priorytetem specjalizacji oraz ograniczonej ekspansji kandydatów wygenerowano 9 785 par kandydatów lekarz-pacjent (Tabela 3, Rysunek 4). Z całej warstwy par kandydackich wybrano 3 085 par jako dopasowania końcowe, natomiast 6 700 nie zostało wybranych. Wybrane pary wykazały wyższy odsetek dokładnego dopasowania specjalizacji (99,2% vs 95,3%) i nieco wyższe dopasowanie preferencji dotyczących płci (90,2% vs 89,0%) niż pary niewybierane.

Co ważniejsze, główne różnice parowe koncentrowały się w operacyjnych i złożonych zmiennych punktowych. Wybrane pary wykazały wyższą średnią ocenę kompatybilności (0,853 vs 0,829) oraz wyższą średnią ocenę wydajności (0,395 vs 0,381). W konsekwencji, średni wynik hybrydowy dla par wybranych wyniósł 0,707 w porównaniu z 0,686 dla par niewybieranych. Pary wybrane były również bardziej korzystne pod względem operacyjnym, wykazując niższy średni współczynnik obciążenia lekarza (0,628 vs 0,642), większą liczbę dostępnych terminów w tym samym dniu (6,99 vs 6,65) oraz krótszy szacowany czas oczekiwania (12,46 h vs 12,79 h).

Spośród 3 085 wybranych par, zrealizowano 2 584 konsultacje (wskaźnik realizacji 83,8%). Średnia satysfakcja pacjentów wyniosła 4,29 w skali od 5,00. Przyjmując, że udane dopasowanie to zrealizowana konsultacja, satysfakcja pacjenta na poziomie 4,0 oraz brak ponownej wizyty w ciągu 14 dni, kryterium to spełniło 1 644 wybranych par (wskaźnik sukcesu 53,3%). Wyniki te pokazują, że ostateczne wybory były determinowane przez przecięcie się wyższej kompatybilności, mniejszego obciążenia oraz korzystniejszych warunków czasu oczekiwania, co jest zgodne z założoną logiką protokołu.

Czynniki na poziomie par powiązane z sukcesem końcowego dopasowania

W celu zidentyfikowania cech związanych z sukcesem dopasowania przeprowadzono wielowymiarową regresję logistyczną w obrębie podzbioru dopasowanych par (Tabela 4, Rysunek 5). Wynik kompatybilności pozostał dodatnio skorelowany z sukcesem dopasowania (skorygowany iloraz szans [aOR] = 11,99; 95% CI, 1,81–79,46; P = 0,010), podobnie jak wynik wydajności (aOR = 2,08; 95% CI, 1,22–3,55; P = 0,007). I odwrotnie, dłuższy szacowany czas oczekiwania zmniejszał prawdopodobieństwo sukcesu dopasowania (aOR = 0,953 na każdą dodatkową godzinę; 95% CI, 0,934–0,972; P < 0,001). Przystępność cenowa również pozostała istotna (aOR = 1,33; 95% CI, 1,12–1,57; P = 0,001). Dokładne dopasowanie specjalizacji, dopasowanie preferencji płci, status priorytetowy oraz wysoki stopień nasilenia nie pozostały niezależnie istotne. Wskazuje to, że sukces dopasowania zależy bardziej od łącznej siły kompatybilności i wydajności absorpcyjnej niż od jakiejkolwiek pojedynczej cechy powierzchownej.

Weryfikacja i odporność strategii alokacji

Porównawcza analiza wydajności w obrębie 12 folderów ewaluacyjnych została podsumowana w Tabeli 5, Tabeli 6 oraz na Rysunku 6. Zaproponowana strategia hybrydowa osiągnęła najkorzystniejszy profil ogólny. Uzyskała ona najwyższą średnią precyzję dla rankingu 1 (0,740), czułość (0,691) oraz wynik F1 (0,714), przewyższając bazowy model oparty na regułach, strategię opartą wyłącznie na kompatybilności oraz strategię opartą wyłącznie na pojemności.

Pod względem operacyjnym strategia hybrydowa osiągnęła najwyższy wskaźnik wypełnienia przepustowości (0,825) oraz najkrótszy średni szacowany czas oczekiwania (5,52 h). Zoptymalizowano również wydajność zorientowaną na pacjenta, przy czym podejście hybrydowe przyniosło najwyższą średnią satysfakcję pacjentów (4,43) oraz najniższy wskaźnik niezrównoważenia obciążenia (0,195), co wskazuje na bardzo równomierny rozkład obciążenia pracą lekarzy. Analizy w podgrupach (Tabela 7, Rysunek 6) potwierdziły, że ten stabilny wzorzec wydajności został zachowany w różnych warstwach pilności oraz poziomach szpitali, co dowodzi odporności opracowanego modelu nawet w warunkach dużych ograniczeń przepustowości.

Rycina 1: Ogólny schemat badania. (A) Tworzenie puli lekarzy oraz puli zgłoszeń pacjentów. (B) Proces wyszukiwania kandydatów w pierwszej kolejności według specjalizacji z ograniczoną rozszerzeniem, gdy w żądanej specjalizacji dostępnych jest mniej niż dwóch aktywnych lekarzy z wolnymi miejscami. (C) Generowanie par kandydatów lekarz-pacjent i wyprowadzenie zmiennych parowych. (D) Konstrukcja wyniku kompatybilności, wyniku wydajności oraz wyniku hybrydowego. (E) Końcowy wybór lekarza, walidacja krzyżowa w oparciu o foldy dla czterech strategii alokacji oraz obliczenie wyników wydajności. Prosimy kliknąć tutaj, aby wyświetlić większą wersję tej ryciny.

Rysunek 2: Architektura systemu dopasowania uwzględniającego kompatybilność i dostępność. (A) Moduł kompatybilności, obejmujący dopasowanie specjalizacji, trybu konsultacji, preferencji płci, przystępności cenowej, historyczną ocenę lekarza oraz dopasowanie czasu odpowiedzi w sytuacjach pilnych. (B) Moduł dostępności, obejmujący współczynnik obciążenia lekarza, liczbę pozostałych wolnych terminów w tym samym dniu oraz szacowany czas oczekiwania. (C) Normalizacja wyników i ważona agregacja wyników dla oceny kompatybilności i oceny dostępności. (D) Integracja obu modułów w końcowy wynik hybrydowy. (E) Końcowy ranking i logika rozstrzygania remisów wykorzystywana do wyłonienia wybranego dopasowania lekarz-pacjent. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Rysunek 3: Wzorce rozkładu wyjściowego cech lekarzy i pacjentów w zbiorze danych analitycznych. (A) Rozkład specjalizacji w puli lekarzy. (B) Rozkład tytułów zawodowych i poziomów szpitali lekarzy. (C) Rozkład specjalizacji w zapytaniach pacjentów o konsultacje. (D) Rozkład stopnia ciężkości i pilności zapytań pacjentów. (E) Rozkład preferowanego trybu konsultacji oraz preferowanej płci lekarza w zapytaniach pacjentów. Uwaga: Wszystkie rozkłady danych przedstawione na tym rysunku pochodzą bezpośrednio z ostatecznego zbioru danych analitycznych (n = 240 lekarzy; n = 3 600 zapytań pacjentów) i są w pełni zgodne ze statystykami podsumowującymi zamieszczonymi w Tabeli 2. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Rycina 4: Rozkłady wyników na poziomie par oraz separacja między wybranymi a niewybranymi pasującymi kandydatami. (A) Rozkład wyników kompatybilności w parach wybranych i niewybranych. (B) Rozkład wyników pojemności w parach wybranych i niewybranych. (C) Rozkład wyników hybrydowych w parach wybranych i niewybranych. (D) Szacowany czas oczekiwania (w godzinach) w zależności od statusu wyboru. (E) Wspólny rozkład wyniku kompatybilności i wyniku pojemności, z oddzielnym przedstawieniem par wybranych i niewybranych. Aby wyświetlić powiększoną wersję tej ryciny, kliknij tutaj.

Rysunek 5: Wielowymiarowa analiza czynników związanych z pomyślnym dopasowaniem końcowym w wybranych parach. (A) Wykres leśny (forest plot) skorygowanych ilorazów szans dla wyniku kompatybilności, wyniku wydajności, szacowanego czasu oczekiwania (w godzinach), dopasowania przystępności cenowej, dopasowania specjalizacji, dopasowania preferencji płci, stopnia nasilenia oraz stopnia pilności. (B) Prawdopodobieństwo marginalne pomyślnego dopasowania w obserwowanym zakresie wyniku kompatybilności. (C) Prawdopodobieństwo marginalne pomyślnego dopasowania w obserwowanym zakresie wyniku wydajności. (D) Odwrotna zależność między szacowanym czasem oczekiwania (w godzinach) a prawdopodobieństwem pomyślnego dopasowania. Kliknij tutaj, aby zobaczyć powiększoną wersję tego rysunku.

Rysunek 6: Porównawcze zestawienie czterech strategii dopasowania lekarza do pacjenta oraz wydajność podgrup w ramach modelu hybrydowego. (A) Precyzja dla rangi 1 (precision at rank 1), czułość (recall) i miara F1 dla czterech strategii. (B) Wskaźnik wypełnienia mocy przerobowych, średni szacowany czas oczekiwania oraz średnia satysfakcja pacjentów dla czterech strategii. (C) Indeks niezrównoważenia obciążenia dla czterech strategii. (D) Zakresy wydajności strategii hybrydowej na poziomie poszczególnych bloków w 12 powtórzonych cyklach ewaluacji. (E) Mapa ciepła wydajności podgrup w strategii hybrydowej. Uwaga: Wszystkie wartości przedstawione na tym rysunku zostały zweryfikowane z odpowiednimi wynikami raportowanymi w Tabeli 5 w celu zapewnienia pełnej spójności. Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.

Tabela 1: Definicje operacyjne, progi i zasady punktacji dla schematu dopasowania. Skróty: SD = odchylenie standardowe. Prosimy kliknąć tutaj, aby pobrać tę tabelę.

Tabela 2: Charakterystyka wyjściowa grupy lekarzy i grupy wniosków pacjentów. Sekcja, charakterystyka i porównawcze statystyki podstawowe zbioru danych analitycznych przed dopasowaniem. Kliknij tutaj, aby pobrać tę tabelę.

Tabela 3: Porównania na poziomie par między dopasowaniami wybranymi a niewybranymi. Tabela ta zbiorczo przedstawia zmienne parzyste oraz statystyki opisowe szczegółowo określające separację strukturalną pomiędzy ostatecznie wybranymi dopasowaniami a kandydatami niewybranymi. Kliknij tutaj, aby pobrać tę tabelę.

Tabela 4: Wieloczynnikowa analiza regresji logistycznej czynników powiązanych z sukcesem końcowego dopasowania w wybranych parach. Informacje o modelu: Zmienna zależna = sukces końcowego dopasowania w wybranych parach. Za sukces dopasowania uznano ukończenie konsultacji, satysfakcję pacjenta na poziomie 4.0/5.0 oraz brak ponownej wizyty w ciągu 14 dni z powodu niezadowolenia lub niedopasowania. Proszę kliknąć tutaj, aby pobrać tę tabelę.

Tabela 5: Porównanie wydajności czterech strategii dopasowania.Podsumowanie porównawczego benchmarkingu na poziomie strategii w obrębie 12 powtórzonych podziałów. Kliknij tutaj, aby pobrać tę tabelę.

Tabela 6: Stabilność i zmienność na poziomie fałdów strategii hybrydowej.Podsumowanie zakresów wydajności na poziomie fałdów dla strategii hybrydowej w 12 powtórzonych fałdach ewaluacyjnych. Kliknij tutaj, aby pobrać tę tabelę.

Tabela 7: Wyniki strategii hybrydowej w podgrupach.Szczegółowe wyniki strategii hybrydowej w podgrupach w zależności od poziomów pilności i kategorii szpitali. Kliknij tutaj, aby pobrać tę tabelę.

Dyskusja

Przedstawiony protokół demonstruje ramy dopasowania lekarz-pacjent uwzględniające kompatybilność i pojemność w dużym skali usłudze konsultacji medycznych online. Strategia hybrydowa osiągnęła najbardziej zrównoważoną ogólną wydajność pod względem dokładności dopasowania, czasu oczekiwania, wykorzystania pojemności, satysfakcji pacjenta i rozkładu obciążenia. Ten wynik jest kluczowy, ponieważ konsultacja cyfrowa nie tylko rozszerza dostęp, ale także przesuwa pracę kliniczną do działalności poza godzinami urzędowymi, zwiększając ukryte obciążenie, gdy logika alokacji lekceważy zdolność do absorpcji usług. Ostatnie dowody pokazują, że większy popyt cyfrowy wiąże się ze zwiększonym czasem pracy lekarza poza godzinami pracy, co potwierdza praktyczne znaczenie włączenia ograniczeń pojemności do systemów dopasowania, a nie traktowania ich jako wtórnych zmiennych operacyjnych⁷. Co więcej, sama kompatybilność jest niewystarczająca, gdy zapotrzebowanie jest nierównomiernie rozłożone. W szpitalach internetowych wybór pacjenta jest mocno kształtowany przez widoczne cechy lekarza, co strukturalnie wpływa na koncentrację zapotrzebowania wokół lekarzy wysoce widocznych lub o wyższym statusie. Ta dynamika wyjaśnia, dlaczego strategia tylko kompatybilności w tym protokole zachowała stosunkowo wysoką jakość dopasowania, ale słabo radziła sobie z czasami oczekiwania i równowagą obciążenia¹⁵.

W naszej ocenie, klasyfikacja binarna udanego dopasowania służyła jako rygorystyczna proga do wyfiltrowania nieudanych konsultacji klinicznych, podczas gdy średnia ocena satysfakcji pacjenta pozwoliła nam ocenić subtelny rozkład postrzeganej przez użytkowników jakości różnych strategii dopasowania. Co więcej, aby przeciwdziałać obawom dotyczącym potencjalnej cykliczności, wtórne wyniki wydajności w tym badaniu zostały oceniane niezależnie od tego stanu binarnego, zapewniając szerszą ocenę wpływu ram na jakość usług na całej platformie, a nie jedynie walidację własnych kryteriów klasyfikacji. Wyższa satysfakcja pacjentów obserwowana w ramach strategii hybrydowej zgadza się z szerszą literaturą dotyczącą telemedycyny, ostrzej ją ukazując, że satysfakcja jest głęboko związana z jakością alokacji, a nie jedynie z dostępem cyfrowym. Ostatnie prace identyfikują profesjonalne planowanie leczenia, dokładne zrozumienie obaw pacjenta, kompleksowe odpowiedzi i uniknięcie szablonowych reakcji jako kluczowe czynniki wpływające na satysfakcję użytkowników. Dlatego optymalne systemy dopasowania muszą kierowali pacjentów do lekarzy, którzy mogą odpowiedzieć w akceptowalnych oknach czasowych i zapewniać indywidualne wzorce interakcji^16,17. Ta dynamika podkreśla również naszą operacyjną racjonalność ograniczania generowanych kandydatów do dwóch do czterech lekarzy na wniosek (średnia 2,72). Ten konkretny próg został empirycznie skalibrowany, aby uzyskać optymalną równowagę między zachowaniem autonomii pacjenta a zapobieganiem "nadmiarowi wyboru" - dobrze udokumentowanemu kognitywnemu wąskiemu gardłe w architektur wyboru w cyfrowej służbie zdrowia, który opóźnia podejmowanie decyzji i pogarsza doświadczenie użytkownika. Z perspektywy implementacji, ten model dopasowania powinien być osadzony w szerszym przepływie usług. Co ważne, chociaż obecny protokół eksperymentalny ocenia ramy za pomocą statycznego, opartego na podziałach przypisania wsadowym, podstawowa logika algorytmiczna jest zasadniczo przystosowana do scenariuszy dynamicznych w czasie ciągłym. Ponieważ zmienne pojemności - takie jak bieżące codzienne obciążenie i pozostałe miejsca w tym samym dniu - są zaprojektowane tak, aby być aktualizowane iteracyjnie, hybrydowy wynik może być wydajnie przeliczany w czasie rzeczywistym, aby dostosować się do kolejnych przychodów pacjentów i wahań dostępności lekarzy. Badania wskazują, że szkolenie, zapoznanie się z technologią, jakość komunikacji i obciążenie są krytycznymi czynnikami implementacji, a interesariusze zalecają konkretne mechanizmy zmniejszające obciążenie lekarzy. W związku z tym, chociaż hybrydowa rama poprawia wydajność alokacji, jej skuteczność w rzeczywistości opiera się w dużej mierze na wspierającej projektowaniu przepływu pracy, zarządzaniu platformą i wsparciu operacyjnym^18,19.

Te wyniki reprezentują optymalizację routingu na platformie, a nie dowód na to, że konsultacje wirtualne mogą zastąpić wszystkie formy opieki. Chociaż konsultacje wirtualne poprawiają efektywność, dowody są mieszane w kwestii bezpieczeństwa i równości; dlatego ten framework najlepiej rozumieć jako narzędzie do alokacji na froncie, a nie zamiennik dla klinicznej trybializacji lub szlaków polecających²⁰. Obecny protokół ma kilka ograniczeń. Po pierwsze, choć zbiór ewaluacyjny został skonstruowany przy użyciu zmiennych i wzorców dystrybucji, które ściśle odzwierciedlają realne warunki operacyjne, zasadniczo jest to symulowana kohort zaprojektowana do kontrolowanej oceny platformy. Zdajemy sobie sprawę, że brak uzupełniających, niezależnych danych z rzeczyw

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
Pary kandydatów lekarz-pacjent	Generowany w badaniu	N/A	Pochodzenie zmiennej parami i wybór dopasowań (9 785 par kandydatów)
IBM SPSS Statistics	IBM Corp.	https://www.ibm.com/products/spss-statistics	Analiza statystyczna (Wersja 27)
Microsoft Excel	Microsoft Corporation	https://www.microsoft.com/microsoft-365/excel	Zarządzanie danymi i opisowe podsumowanie (Wersja 2021)
Rejestry wniosków pacjentów	Generowany w badaniu	N/A	Charakterystyka pacjentów i parametry preferencji w podstawowym zestawie danych (3600 wniosków konsultacyjnych)
Rejestry lekarzy	Generowany w badaniu	N/A	Charakterystyka lekarzy i parametry pojemności w podstawowym zestawie danych (240 aktywnych lekarzy)
Python	Python Software Foundation	https://www.python.org	Symulacja, konstrukcja wyników i porównania wydajności (Wersja 3.11)