Um Quadro Experimental para Compatibilidade e Compatibilidade com Compatibilidade e Capacidade de Compatibilidade entre Médico e Paciente em Consultas Online

Resumo

Esse protocolo apresenta uma estrutura experimental escalável para o matching médico-paciente em plataformas online de consulta médica. Ao integrar conjuntamente a compatibilidade clínica centrada no paciente e a capacidade de serviço do lado do médico em um modelo híbrido de pontuação, esse método otimiza a precisão do matchamento, minimiza os tempos de espera dos pacientes e garante uma distribuição equilibrada da carga de trabalho dos médicos.

Resumo

Plataformas de consulta médica online em grande escala exigem uma correspondência eficaz de médico e paciente assistida por algoritmos para equilibrar o ajuste centrado no paciente e a eficiência operacional. Abordagens existentes frequentemente otimizam a compatibilidade clínica ou a capacidade dos médicos de forma independente, levando a tempos de espera prolongados e cargas de trabalho desiguais. Esse protocolo apresenta uma estrutura experimental escalável para incorporar conjuntamente compatibilidade e capacidade em uma pontuação híbrida de correspondência. Utilizando um conjunto de dados simulado que inclui 240 médicos, 3.600 solicitações de pacientes e 9.785 pares de candidatos, o método quantifica a compatibilidade (por exemplo, alinhamento da especialidade, ajuste de modo) e a capacidade (por exemplo, razão de carga, tempo estimado de espera). A estrutura avalia pares candidatos por meio de uma pontuação híbrida e compara o desempenho com estratégias de benchmark baseadas em regras, apenas compatibilidade e apenas capacidade em 12 dobras de avaliação. Resultados representativos demonstram que a estrutura híbrida alcança qualidade superior de correspondência, incluindo uma precisão média no rank 1 de 0,740 e uma pontuação F1 de 0,714. Além disso, proporciona alta eficiência operacional, com uma taxa de enchimento de capacidade de 0,825 e um tempo médio estimado de espera curto de 5,52 h. Ao maximizar a satisfação média dos pacientes (4,43/5,00) e minimizar o desequilíbrio de carga (0,195), essa estrutura fornece um protocolo prático para roteamento inteligente de consultas e gerenciamento de plataforma.

Introdução

A consulta médica online tornou-se um modo cada vez mais importante de prestação de serviços de saúde, ampliando o acesso a serviços médicos além dos encontros presenciais^{convencionais 1}. Na China, a expansão da telemedicina pela internet foi reforçada pelo desenvolvimento de políticas, crescimento do mercado e integração mais profunda com o sistema de saúde mais amplo, tornando a consultoria digital um componente cada vez mais importante da organização^{de saúde 2}. Evidências em larga escala de hospitais online indicam ainda que os serviços de consulta online agora operam em escala substancial, funcionando como uma parte significativa da prestação rotineira de serviços, e não como um suplemento marginal³. Ao mesmo tempo, a telemedicina assíncrona ampliou o escopo do atendimento remoto ao permitir padrões flexíveis de interação, melhorando a acessibilidade e, ao mesmo tempo, aumentando a complexidade operacional das plataformas digitais^{de consulta 4}.

À medida que essas plataformas se expandem, seu desempenho não pode ser julgado apenas pela disponibilidade técnica. A experiência do paciente e a qualidade do serviço tornaram-se resultados centrais da prestação digital^{de cuidados 5}. Pesquisas recentes mostraram que o uso de sistemas de consulta online está associado a diferenças mensuráveis na experiência do paciente, especialmente em relação ao acesso, conveniência e processos de^{consultas 6}. No entanto, a consulta digital também gera carga adicional de trabalho para os médicos, incluindo o tratamento de mensagens e o trabalho realizado fora do horário clínico rotineiro, o que torna a gestão da capacidade uma preocupação operacional^{central 7}. Esse desafio é intensificado pela distribuição desigual da demanda entre os médicos, pois pistas visíveis de serviço, como avaliações, avaliações e outras informações de perfil, podem direcionar o tráfego de pacientes para um subconjunto limitado de médicos^{altamente visíveis 8}. A designação médico-paciente em plataformas de consulta online não é, portanto, apenas um problema de busca do lado do paciente, pois os médicos também podem apresentar preferências de resposta seletiva ao enfrentar solicitações de consulta^{heterogêneas 9}.

Do ponto de vista do paciente, a escolha da consulta online é inerentemente multidimensional. Os usuários ponderam simultaneamente o tempo de espera, as qualificações dos médicos, o nível hospitalar, o modo de serviço e o custo da consulta ao escolher as opções^{de cuidado 10}. Em consonância com essa complexidade, uma revisão sistemática recente concluiu que plataformas de consulta médica online exigem mecanismos de recomendação capazes de reduzir a sobrecarga de informações e alinhar melhor as necessidades dos pacientes com os recursos médicos¹¹. Estudos metodológicos, portanto, começaram a introduzir abordagens estruturadas de correspondência, incluindo correspondência dinâmica estável sob informações incompletas, para melhorar a alocação médico-paciente em ambientes de consulta^{online 12}. Pesquisas mais recentes de recomendação enfatizaram ainda mais que o pareamento médico-paciente deve melhorar a eficiência da alocação, ao mesmo tempo em que reduz a concentração excessiva de demanda em torno de médicos altamente visíveis de hospitais de alto^{nível 13}. Evidências de métodos mistos mostram uma heterogeneidade substancial nas preferências de telemedicina, indicando que uma lógica de alocação única para todos provavelmente não será suficiente na escala¹⁴ da plataforma. Apesar desses avanços, a literatura existente tende a tratar fatores relacionados à compatibilidade e restrições de capacidade médica como problemas separados, embora as plataformas de consulta online precisem gerenciar simultaneamente o ajuste relacional e a absorção do^{serviço 11}.

Para suprir essa lacuna, esse método visa estabelecer uma estrutura experimental escalável para o matching médico-paciente consciente da compatibilidade e capacidade em plataformas de consulta médica online em larga escala. A justificativa por trás dessa técnica é que otimizar isoladamente a preferência clínica ou a capacidade de serviço médico leva a tempos de espera prolongados, cargas de trabalho desiguais para os médicos e experiências de consulta subótimas. A principal vantagem dessa estratégia híbrida em relação a técnicas alternativas baseadas em regras ou alocação de objetivo único é sua capacidade de modelar conjuntamente as necessidades dos pacientes, características dos médicos e restrições dinâmicas de serviço para manter o equilíbrio da carga de trabalho e alta satisfação^{do paciente 12}. Ao detalhar a construção da pontuação híbrida de correspondência e o processo de avaliação baseado em folds, esse protocolo fornece uma base prática para um roteamento inteligente de consultas. Os leitores podem utilizar essa estrutura metodológica para determinar se uma lógica de correspondência dualmente consciente é apropriada para otimizar triagem, alocação de recursos e gerenciamento de fluxo de trabalho em suas aplicações específicas de saúde digital.

Protocolo

O conjunto de dados de avaliação utilizado neste protocolo foi simulado computacionalmente a partir de distribuições operacionais agregadas e desidentificadas e não continha dados humanos reais ou identificáveis. Consequentemente, o estudo foi considerado isento de revisão ética completa pelo Conselho de Revisão Institucional (IRB) da Universidade NingboTech (Isenção nº NT9918276).

1. Preparação de dados e definição de coorte

1. Estabeleça o grupo de médicos com 240 médicos online ativos em oito especialidades de consulta: Medicina Interna, Cardiologia, Neurologia, Dermatologia, Pediatria, Ginecologia, Ortopedia e Psiquiatria.
2. Extraia e defina as seguintes variáveis para cada registro médico: especialidade, sexo, título profissional (Residente, Assistente, Chefe Associado ou Chefe), nível hospitalar (Primário, Secundário ou Terciário), anos de prática, anos de experiência em consulta online, taxa de consulta, capacidade diária nominal de consulta, carga diária atual, avaliação histórica, tempo médio de primeira resposta, taxa histórica de aceitação, taxa de acompanhamento do serviço e modo de consulta apoiada (Texto, Texto mais Voz, ou Texto mais Voz mais Vídeo).
3. Estabeleça o grupo de solicitações de pacientes contendo 3.600 solicitações de consulta.
   NOTA: Para contextualizar a dimensão temporal da avaliação, esse conjunto é calibrado para representar um período operacional contínuo de 30 dias, abrangendo tanto os dias úteis padrão quanto os fins de semana. Esse período foi projetado para capturar variações cíclicas rotineiras na demanda dos pacientes, excluindo explicitamente períodos extremamente atípicos (por exemplo, grandes feriados nacionais ou picos de surtos epidêmicos) para estabelecer uma linha de base estável e estável para avaliação algorítmica de desempenho.
4. Extrair e definir as seguintes variáveis para cada solicitação do paciente: idade, sexo, especialidade-alvo, nível de gravidade (Baixo, Moderado ou Alto), nível de urgência (Rotina, Urgente ou Prioridade), teto orçamentário, gênero preferencial do médico (Homem, Mulher ou Sem Preferência), modo de consulta preferido (Texto, Voz ou Vídeo), visitas prévias na plataforma, nível de engajamento digital, contagem de comorbedades, nível da cidade e período de contato preferencial.
5. Limpe o conjunto de dados excluindo quaisquer registros com valores ausentes em especialidade, taxa de consulta, capacidade diária, carga atual, tempo médio de primeira resposta, gravidade, urgência, teto orçamentário, modo de consulta preferencial ou gênero do médico preferido. Certifique-se de que todos os registros mantidos estejam completos antes de prosseguir para a geração de pares.

2. Geração de pares candidatos

1. Gerar pares candidatos médico-paciente usando uma regra de recuperação de especialidade em primeiro lugar. Para cada solicitação do paciente, busque os primeiros médicos que correspondam à especialidade alvo do paciente.
2. Expanda a janela de recuperação para especialidades adjacentes de alta frequência que permaneçam ativas na plataforma no mesmo dia somente se houver menos de dois médicos ativos com capacidade de consulta restante disponíveis na especialidade-alvo inicial.
   NOTA: Neste protocolo, "adjacência" é estruturalmente definida por padrões estabelecidos de encaminhamento clínico cruzado e sobreposição anatômica ou sintomática (por exemplo, direcionar um paciente de Cardiologia para Medicina Interna Geral), enquanto "alta frequência" refere-se especificamente a especialidades que se posicionam no quartil superior (top 25%) do volume histórico diário de solicitações de consulta na plataforma.
3. Vincule cada paciente a dois a quatro médicos candidatos, visando um número médio empiricamente derivado de aproximadamente 2,72 candidatos por solicitação. Estabeleça a camada final de par candidato contendo 9.785 pares. Veja a Figura 1 para o fluxo de trabalho geral do estudo.

3. Operacionalização por variáveis par a par

1. Defina todas as variáveis par a par usadas na construção de pontuação antes do benchmarking. Consulte a Tabela 1 para as definições, limiares e mapeamentos de pontuação pré-especificados.
2. Codifica correspondência de especialidade (S) como 1 quando a especialidade médica é idêntica à especialidade-alvo do paciente, e 0 caso contrário.
3. Modo código ajuste (M) como 1 quando o modo suportado pelo médico cobre totalmente o modo preferido do paciente, e 0 caso contrário.
4. Código ajuste por preferência de gênero (G) como 1 quando o paciente seleciona Sem Preferência ou quando o sexo do médico corresponde à preferência declarada, e 0 caso contrário.
5. Ajuste de acessibilidade do código (A) como 1 quando a taxa médica é menor ou igual ao teto orçamentário do paciente, 0,5 quando a taxa excede o orçamento em no máximo 20%, e 0 quando a taxa excede o orçamento em mais de 20%.
6. Normalize a avaliação histórica do médico usando a faixa observada no nível do médico (mínimo 4,10, máximo 4,98). Calcule a pontuação de qualidade normalizada (Q) usando a seguinte fórmula:
   (1)
   Defina valores abaixo de 4,10 após truncamento para 0, e valores acima de 4,98 para 1.
7. Defina ajuste urgência-resposta (U) com base na urgência do paciente e no tempo médio de primeira resposta do médico, conforme especificado na Tabela 1.
8. Calcule a razão de carga médica dividindo a carga diária atual pela capacidade diária nominal. Calcule os intervalos restantes no mesmo dia subtraindo a carga diária atual da capacidade nominal diária.
9. Calcule o tempo estimado de espera (em horas) usando a seguinte fórmula:
   
   Essa construção serve como uma estimativa heurística inspirada nos princípios básicos da teoria das filas, onde o tempo médio de primeira resposta de referência do médico é penalizado pela taxa de utilização em tempo real (Carga Diária Atual / Capacidade Diária).
   NOTA: O fator de ajuste de urgência é definido para 0,80 para solicitações de Prioridade, 0,90 para solicitações Urgentes e 1,00 para solicitações de rotina. Esses fatores de ajuste são implementados como pesos operacionais pré-especificados para impor roteamento prioritário em casos graves, em vez de coeficientes derivados empiricamente.

4. Construção de pontuação correspondente

1. Construa a estrutura de correspondência usando um módulo de compatibilidade e um módulo de capacidade, conforme detalhado na Figura 2.
2. Calcule a pontuação de compatibilidade como uma combinação linear ponderada dos fatores de correspondência centrados no paciente:
   (3)
3. Calcule a pontuação de capacidade a partir da pontuação da razão de carga (L), pontuação do slot restante (R) e pontuação do tempo de espera (W). Atribua as pontuações categóricas para , , e com base nos limiares definidos na Tabela 1. Calcule a pontuação de capacidade como:
   (4)
4. Calcule a pontuação final do híbrido integrando os componentes de compatibilidade e capacidade:
   (5)
5. Fixe o esquema de ponderação 0,60–0,40 antes da avaliação.
   NOTA: Essa proporção predeterminada é guiada por um princípio fundamental dos serviços de saúde. Adequação clínica e ajuste centrado no paciente devem servir como critérios principais para garantir a segurança médica, ao mesmo tempo em que aplicam uma penalidade matemática substancial às severas limitações de capacidade, o que está alinhado com a literatura de triagem estabelecida que prioriza a adequação clínica em detrimento do fluxo operacional.
6. Não ajuste esses pesos após a inspeção de resultados para evitar sobreajustes e garantir a reprodutibilidade.
   NOTA: Pesquisadores que adotam este protocolo são altamente incentivados a realizar análises abrangentes de sensibilidade ou a empregar técnicas objetivas de tomada de decisão multicritério (por exemplo, o Processo Hierárquico Analítico [AHP] ou ponderação por entropia) para adaptar a estrutura à carga operacional específica de sua plataforma.

5. Seleção de partidas e benchmarking de estratégias

1. Realize benchmarking em 12 dobras de avaliação repetidas. Para cada dobra, amostre 300 solicitações de pacientes sem substituição do grupo completo de pacientes.
   NOTA: Essa abordagem simples de amostragem aleatória é intencionalmente usada para simular a natureza estocástica e imprevisível dos fluxos de chegada de pacientes característicos das plataformas de consulta online em tempo real, em vez de impor um equilíbrio estrutural artificial na demanda recebida.
2. Mantenha todos os pares candidatos vinculados àquelas solicitações amostradas dentro do respectivo fold.
3. Compare quatro estratégias de alocação distintas independentemente na mesma camada específica de par candidato para fold:
   1. Para a linha de base baseada em regras, classifique os candidatos por correspondência exata de especialidade, depois por menor taxa de consulta e, finalmente, por avaliação histórica mais alta.
   2. Para uma estratégia apenas de compatibilidade, selecione o candidato com a maior pontuação de compatibilidade.
   3. Para uma estratégia de capacidade única, selecione o candidato com a maior pontuação de capacidade.
   4. Para a estratégia híbrida, selecione o candidato com a maior pontuação híbrida.
4. Selecione o médico candidato com a maior pontuação final específica de estratégia como a correspondência final para cada solicitação do paciente.
5. Resolva quaisquer empates (pontuações idênticas a três casas decimais) selecionando o candidato com o menor tempo estimado de espera, seguido pela pontuação de compatibilidade mais alta e, por fim, pela avaliação histórica mais alta.

6. Cálculo do resultado

1. Calcule os resultados principais: precisão no rank 1, recall e pontuação F1.
2. Atribua resultados de verdade a todos os 9.785 pares candidatos antes de fazer benchmarking usando distribuições de probabilidade derivadas do conjunto de dados empíricos de base.
   NOTA: Use um ambiente sintético totalmente rotulado para permitir o cálculo de precisão e recordação para todos os pares candidatos. Uma correspondência bem-sucedida é alcançada se a consulta for concluída, a satisfação do paciente for 4,0 em uma escala de 5 pontos, e não ocorrer revisita de 14 dias devido a insatisfação ou descompasso.
3. Calcule a precisão no rank 1 como a proporção de partidas finais selecionadas que atendem ao critério de correspondência bem-sucedida.
4. Calcule a recordação como a proporção de todos os pares candidatos bem-sucedidos dentro de uma dobra corretamente selecionados pela estratégia. Derive resultados para pares candidatos não selecionados a partir do ambiente sintético totalmente marcado estabelecido no Passo 6.2.
5. Certifique-se de que a métrica de recall capture com precisão a capacidade do algoritmo de identificar todas as correspondências teoricamente viáveis dentro do grupo simulado de candidatos.
6. Calcule a pontuação F1 usando a seguinte fórmula:
   (6)
7. Calcule os resultados secundários: taxa de preenchimento da capacidade, tempo médio estimado de espera, satisfação média do paciente, taxa de conclusão da consulta, taxa de acompanhamento em 7 dias e taxa de melhora relatada.
8. Calcule o índice de desequilíbrio de carga para avaliar a desigualdade da distribuição da carga de trabalho dos médicos dentro de cada dobra:
   (7)
9. Faça a média das estimativas específicas de 12 vezes para obter os valores resumidos em nível de estratégia usando as atribuições originais de pontuação.
10. Realize uma análise de regressão logística multivariável dentro do subconjunto de correspondências finais selecionadas para identificar fatores em nível de par associados independentemente ao sucesso do pareamento.
11. Inclua as seguintes variáveis independentes pré-especificadas com base na relevância teórica: pontuação de compatibilidade, pontuação de capacidade, tempo estimado de espera, ajuste por acessibilidade, correspondência à especialidade, ajuste por preferência de gênero, nível de gravidade e nível de urgência.
12. Empregue uma estratégia de seleção de variáveis por entrada forçada, em vez de uma abordagem passo a passo para preservar a estrutura teórica do modelo.
13. Avalie a multicolinearidade usando o Fator de Inflação da Variância (VIF). Confirme que todos os valores de VIF permanecem abaixo de 5,0 antes da estimativa final do modelo.
14. Defina significância estatística como um p < de duas caudas 0,05 e relate os resultados como razões de probabilidade ajustadas (aORs) com intervalos de confiança (IC) correspondentes de 95%.

Resultados

Características básicas do grupo de médicos e do grupo de solicitações de pacientes

O conjunto de dados analítico simulado compreendia 240 médicos e 3.600 solicitações de consulta de pacientes. As características básicas de ambos os lados do sistema de correspondência são resumidas na Tabela 2, e os padrões de distribuição do lado da plataforma são ilustrados na Figura 3.

Discussão

O protocolo atual demonstra uma estrutura de compatibilidade e capacidade de correspondência médico-paciente em um contexto de consulta médica online em larga escala. A estratégia híbrida alcançou o desempenho geral mais equilibrado em termos de precisão de correspondência, tempo de espera, utilização de capacidade, satisfação do paciente e distribuição da carga de trabalho. Esse resultado é crucial porque a consulta digital não apenas amplia o acesso, mas também transfere o trabalho clí...

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
Pares de médico e paciente candidatos	Gerado pelo estudo	N/A	Derivação de variável em pares e seleção de correspondência (9.785 pares de candidatos)
IBM SPSS Statistics	IBM Corp.	https://www.ibm.com/products/spss-statistics	Análise estatística (Versão 27)
Microsoft Excel	Microsoft Corporation	https://www.microsoft.com/microsoft-365/excel	Gerenciamento de dados e resumo descritivo (Versão 2021)
Registros de solicitação de paciente	Gerado pelo estudo	N/A	Características da base do lado do paciente e parâmetros de preferência (3.600 solicitações de consulta)
Registros de médico	Gerado pelo estudo	N/A	Características da base do lado do médico e parâmetros de capacidade (240 médicos ativos)
Python	Python Software Foundation	https://www.python.org	Simulação, construção de pontuação e benchmarking (Versão 3.11)