Artykuł metodologiczny
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.
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.
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.
Dane wyjściowe wykorzystane w tym protokole zostały symulowane komputerowo na podstawie zagregowanych, anonimizowanych dystrybucji operacyjnych i nie zawierały żadnych rzeczywistych ani identyfikowalnych danych dotyczących uczestników badania. W związku z tym badanie zostało uznane za zwolnione z pełnej rewizji etycznej przez Komisję ds. Oceny Instytucjonalnej (IRB) NingboTech University (Zwolnienie nr. NT9918276).
1. Przygotowanie danych i definicja kohorty
2. Generowanie kandydackich par lekarz-pacjent
3. Operacjonalizacja zmiennych parowych
Cechy początkowe puli lekarzy i puli wniosków pacjentów
Symulowana zbiorowa grupa danych analitycznych obejmowała 240 lekarzy i 3600 wniosków konsultacyjnych pacjentów. Cechy początkowe obu stron systemu dopasowania są podsumowane w Tabeli 2, a wzorce rozmieszczenia ze strony platformy są przedstawione na Rysunku 3.
Wśród 240 lekarzy 128 (53,3%) było kobiet. Kohorta wykazała średnie doświadczenie kliniczne 9,34 lat, średnią opłatę za konsultację 68,08 USD, średnią nominalną dzienny zdolności konsultacyjnej 18,52 konsultacji, średnią historyczną ocenę usług 4,63 i średni czas pierwszej odpowiedzi 5,47 godzin. Medycyna wewnętrzna była największą specjalnością (19,2%), za nią ortopedia (15,0%) i neurologia (13,3%). Jeśli chodzi o tryb konsultacji, 41,7% lekarzy obsługiwało tekst plus głos, 37,1% obsługiwało tylko tekst, a 21,3% obsługiwało pełny tekst, głos i wideokonsultacje.
Wśród 3600 wniosków pacjentów 53,1% zostało złożonych przez kobiety. Średnia wieku wynosiła 36,49 lat, a średnia pułap budżetu 47,30 USD. Medycyna wewnętrzna była najczęściej wybieraną specjalizacją (20,0%), za nią neurologia (13,8%) i kardiologia (13,0%). Wnioski zostały sklasyfikowane według stopnia nasilenia (45,7% umiarkowany, 34,2% niski, 20,1% wysoki) i pilności (39,1% priorytetowy, 35,9% rutynowy, 25,0% pilny). Konsultacja tekstowa była najczęściej preferowaną opcją (45,1%), a 78,7% pacjentów nie zgłaszało preferencji co do płci lekarza. Łącznie te rozkłady wskazują, że platforma działała w zróżnicowanym środowisku konsultacyjnym, co potwierdza potrzebę oceny zarówno zgodności, jak i ograniczeń pojemności w systemie dopasowania.
Struktura par kandydatów i separacja wyników
Po specjalizacyjnym odczycie i ograniczonym rozszerzeniu kandydatów, wygenerowano 9785 par lekarz-pacjent (Tabela 3, Rysunek 4). Na całej warstwie kandydatów wybrano 3085 par jako końcowe dopasowania, podczas gdy 6700 nie było wybieranych. Wybrane pary wykazywały wyższy wskaźnik dokładnego dopasowania specjalizacji (99,2% vs. 95,3%) i nieco wyższy wskaźnik dopasowania preferencji płciowych (90,2% vs. 89,0%) niż niewybrane pary.
Co ważniejsze, główne różnice parowe skupione były na zmiennych operacyjnych i złożonych wynikach. Wybrane pary wykazywały wyższy średni wynik zgodności (0,853 vs. 0,829) i wyższy średni wynik pojemności (0,395 vs. 0,381). W konsekwencji średni wynik hybrydowy wynosił 0,707 wśród wybranych par w porównaniu z 0,686 wśród niewybranych par. Wybrane pary były też bardziej korzystne operacyjnie, prezentując niższy średni współczynnik obciążenia lekarza (0,628 vs. 0,642), więcej dostępnych miejsc na ten dzień (6,99 vs. 6,65) i krótszy estymowany czas oczekiwania (12,46 godzin vs. 12,79 godzin).
Wśród 3085 wybranych par 2584 konsultacje zostały zakończone (wskaźnik zakończenia 83,8%). Średnia satysfakcja pacjentów wynosiła 4,29 na 5,00. Definiując pomyślne dopasowanie jako zakończenie konsultacji, zadowolenie pacjenta 4,0 i brak ponownego odwiedzania w ciągu 14 dni, 1644 wybrane pary spełniło to kryterium (wskaźnik sukcesu 53,3%). Te wyniki pokazują, że ostateczne wybory były napędzane przez przecięcie wyższej zgodności, niższego nacisku na obciążenie i lepszych warunków czasu oczekiwania, zgodnie z założoną logiką protokołu.
Czynniki na poziomie pary związane z pomyślnym ostatecznym dopasowaniem
W podzbiorze wybranych dopasowań przeprowadzono wielowymiarową regresję logistyczną w celu zidentyfikowania cech związanych z pomyślnym dopasowaniem (Tabela 4, Rysunek 5). Wynik zgodności nadal był pozytywnie związany z pomyślnym dopasowaniem (skorygowany współczynnik szans [aOR] = 11,99; 95% CI, 1,81–79,46; P = 0,010), podobnie jak wynik pojemności (aOR = 2,08; 95% CI, 1,22–3,55; P = 0,007). Z kolei dłuższy estymowany czas oczekiwania zmniejszał prawdopodobieństwo pomyślnego dopasowania (aOR = 0,953 na każdą dodatkową godzinę; 95% CI, 0,934–0,972; P < 0,001). Przystępność cenowa również nadal była istotna (aOR = 1,33; 95% CI, 1,12–1,57; P = 0,001). Dokładne dopas
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 interakcji16,17. 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 operacyjnym18,19.
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
Autorzy nie mają nic do ujawnienia.
To badania były sfinansowane przez Projekt Wprowadzania Talentów i Projekt Rozpoczęcia Badań Naukowych przez Uniwersytet NingboTech: Badania nad Rekomendacją Lekarzy dla Platform Konsultacji Medycznych Online (1140157G20220699). Badania te były również wspierane przez Główny Projekt Innowacji Technologicznej Strefy Wysokich Technologii Ningbo (2023CX050007) oraz Główny Projekt Demonstracyjny Aplikacji "Innowacja Naukowo-Technologiczna Yongjiang 2035": Badania nad Standaryzacją Dialektu Ningbo na Bazie Dużych Modeli i Demonstracja Rozwoju Inteligentnej Aplikacji (2024Z021).
| 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) |
Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE
Poproś o pozwolenie