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.

Entre os 240 médicos, 128 (53,3%) eram mulheres. A coorte demonstrou uma média de experiência clínica de 9,34 anos, taxa média de consulta de USD 68,08, capacidade nominal diária média de consulta de 18,52 consultas, avaliação média histórica de serviço de 4,63 e tempo médio de primeira resposta de 5,47 h. Medicina Interna foi a maior especialidade (19,2%), seguida por Ortopedia (15,0%) e Neurologia (13,3%). Quanto ao modo consulta, 41,7% dos médicos apoiaram texto mais voz, 37,1% apoiaram apenas texto e 21,3% apoiaram consultas completas, voz e vídeo.

Entre os 3.600 pedidos de pacientes, 53,1% foram submetidos por pacientes do sexo feminino. A idade média era de 36,49 anos, e o teto orçamentário médio era de USD 47,30. Medicina Interna foi a especialidade-alvo mais frequente (20,0%), seguida por Neurologia (13,8%) e Cardiologia (13,0%). Os pedidos foram classificados por gravidade (45,7% moderada, 34,2% baixa, 20,1% alta) e urgência (39,1% prioridade, 35,9% rotineira, 25,0% urgente). A consulta por texto foi a preferência mais comum (45,1%), e 78,7% dos pacientes relataram não ter preferência de gênero do médico. Coletivamente, essas distribuições indicam que a plataforma operava em um ambiente de consulta heterogêneo, validando a necessidade de avaliar tanto a compatibilidade quanto as restrições de capacidade dentro do sistema de correspondência.

Estrutura de pares candidatos e separação de pontuação

Após a coleta em primeiro lugar na especialidade e a expansão restrita dos candidatos, 9.785 pares médico-paciente candidatos foram gerados (Tabela 3, Figura 4). Em toda a camada de pares candidatos, 3.085 pares foram selecionados como pares finais, enquanto 6.700 não foram. Pares selecionados apresentaram uma proporção exata de correspondência de especialidade maior (99,2% vs. 95,3%) e um par de preferência de gênero ligeiramente maior (90,2% vs. 89,0%) do que os pares não selecionados.

Mais importante ainda, as principais diferenças entre pares estavam concentradas em variáveis de pontuação operacionais e compostas. Pares selecionados demonstraram uma pontuação média de compatibilidade mais alta (0,853 vs. 0,829) e uma pontuação média de capacidade mais alta (0,395 vs. 0,381). Consequentemente, a média de pontuação híbrida foi de 0,707 entre pares selecionados, comparado a 0,686 entre pares não selecionados. Pares selecionados também foram operacionalmente mais favoráveis, apresentando uma razão média de carga médica menor (0,628 vs. 0,642), mais vagas disponíveis no mesmo dia (6,99 vs. 6,65) e um tempo estimado de espera mais curto (12,46 h vs. 12,79 h).

Entre os 3.085 pares selecionados, 2.584 consultas foram concluídas (taxa de conclusão de 83,8%). A satisfação média dos pacientes foi de 4,29 de 5,00. Definindo o emparelhamento bem-sucedido como conclusão da consulta, satisfação do paciente 4,0 e ausência de revisita em 14 dias, 1.644 pares selecionados atenderam a esse critério (taxa de sucesso de 53,3%). Esses resultados demonstram que as seleções finais foram impulsionadas pela interseção de maior compatibilidade, menor pressão de carga e melhores condições de tempo de espera, consistentes com a lógica do protocolo pré-especificada.

Fatores em nível de par associados ao bem-sucedido da correspondência final

Uma regressão logística multivariável dentro do subconjunto de correspondência selecionada foi realizada para identificar características associadas ao emparelhamento bem-sucedido (Tabela 4, Figura 5). A pontuação de compatibilidade permaneceu positivamente associada ao sucesso do pareamento (razão de chances ajustada [aOR] = 11,99; IC 95%, 1,81–79,46; P = 0,010), assim como a pontuação de capacidade (aOR = 2,08; IC 95%, 1,22–3,55; P = 0,007). Por outro lado, um tempo de espera estimado mais longo reduziu a probabilidade de um emparelhamento bem-sucedido (aOR = 0,953 por hora adicional; IC 95%, 0,934–0,972; P < 0,001). A acessibilidade também permaneceu significativa (aOR = 1,33; IC 95%, 1,12–1,57; P = 0,001). A correspondência exata de especialidade, correspondência por preferência de gênero, status prioritário e alta gravidade não permaneceram significativas de forma independente. Isso indica que o sucesso do pareamento depende mais da força combinada da compatibilidade e da capacidade absorvível do que de qualquer característica superficial isolada.

Benchmarking e robustez das estratégias de alocação

A comparação comparativa entre as 12 dobras de avaliação está resumida nas Tabelas 5, 6 e Figura 6. A estratégia híbrida proposta alcançou o perfil geral mais favorável. Produziu a maior precisão média no rank 1 (0,740), recall (0,691) e pontuação F1 (0,714), superando a linha base baseada em regras, a estratégia apenas de compatibilidade e a estratégia apenas de capacidade.

Operacionalmente, a estratégia híbrida alcançou a maior taxa de enchimento de capacidade (0,825) e o menor tempo médio estimado de espera (5,52 h). O desempenho centrado no paciente também foi otimizado, com a abordagem híbrida resultando na maior satisfação média do paciente (4,43) e no menor índice de desequilíbrio de carga (0,195), indicando uma distribuição altamente equilibrada da carga de trabalho dos médicos. Análises de subgrupos (Tabela 7, Figura 6) confirmaram que esse padrão de desempenho estável foi mantido em diferentes camadas de urgência e níveis hospitalares, comprovando a robustez do quadro mesmo em ambientes com alta capacidade limitada.

Figura 1: Fluxo de trabalho geral do estudo. (A) Construção do grupo de médicos e do grupo de solicitações de pacientes. (B) Processo de recuperação de candidatos em especialidade com expansão restrita quando menos de dois médicos ativos com capacidade restante estão disponíveis na especialidade solicitada. (C) Geração de pares candidatos médico-paciente e derivação de variáveis par a par. (D) Construção da pontuação de compatibilidade, pontuação de capacidade e pontuação híbrida. (E) Seleção final do médico, benchmarking baseado em fold em quatro estratégias de alocação e cálculo dos resultados de desempenho. Por favor, clique aqui para ver uma versão ampliada desta figura.

Figura 2: Arquitetura da estrutura de compatibilidade e de compatibilidade consciente da capacidade. (A) Módulo de compatibilidade, incluindo alinhamento de especialidade, ajuste em modo consulta, ajuste por preferência por gênero, ajuste por acessibilidade, avaliação histórica do médico e ajuste por urgência-resposta. (B) Módulo de capacidade, incluindo razão de carga médica, vagas restantes no mesmo dia e tempo estimado de espera. (C) Normalização de pontuação e agregação ponderada para pontuação de compatibilidade e pontuação de capacidade. (D) Integração dos dois módulos na pontuação final híbrida. (E) Classificação final e lógica de desempate usada para determinar a correspondência médico-paciente selecionada. Por favor, clique aqui para ver uma versão ampliada desta figura.

Figura 3: Padrões de distribuição de base das características de médicos e pacientes no conjunto de dados analítico. (A) Distribuição especializada do grupo de médicos. (B) Título profissional e distribuição hospitalar dos médicos. (C) Distribuição especializada de pedidos de consulta ao paciente. (D) Distribuição de gravidade e urgência dos pedidos dos pacientes. (E) Distribuição do modo de consulta preferido e do gênero preferencial do médico entre os pedidos dos pacientes. Nota: Todas as distribuições de dados apresentadas nesta figura são derivadas diretamente do conjunto de dados analítico finalizado (n = 240 médicos; n = 3.600 solicitações de pacientes) e são totalmente consistentes com as estatísticas resumidas relatadas na Tabela 2. Por favor, clique aqui para ver uma versão ampliada desta figura.

Figura 4: Distribuições de pontuação em nível de par e separação entre correspondências de candidatos selecionados e não selecionados. (A) Distribuição das pontuações de compatibilidade em pares selecionados e não selecionados. (B) Distribuição das pontuações de capacidade em pares selecionados e não selecionados. (C) Distribuição das pontuações híbridas em pares selecionados e não selecionados. (D) Tempo estimado de espera (em horas) por status de seleção. (E) Distribuição conjunta da pontuação de compatibilidade e da capacidade de pontuação, com pares selecionados e não selecionados mostrados separadamente. Por favor, clique aqui para ver uma versão ampliada desta figura.

Figura 5: Análise multivariada dos fatores associados ao sucesso do pareamento final entre pares selecionados. (A) Gráfico florestal das razões de chances ajustadas para escore de compatibilidade, escore de capacidade, tempo estimado de espera (em horas), ajuste por acessibilidade, correspondência de especialidade, ajuste por preferência de gênero, nível de gravidade e nível de urgência. (B) Probabilidade marginal de correspondência bem-sucedida em toda a faixa observada de pontuação de compatibilidade. (C) Probabilidade marginal de correspondência bem-sucedida ao longo da faixa observada de pontuação de capacidade. (D) Associação inversa entre o tempo estimado de espera (em horas) e a probabilidade de pareamento bem-sucedido. Por favor, clique aqui para ver uma versão ampliada desta figura.

Figura 6: Benchmarking comparativo de quatro estratégias de correspondência médico-paciente e desempenho de subgrupos do framework híbrido. (A) Precisão no rank 1, recall e pontuação F1 entre as quatro estratégias. (B) Taxa de preenchimento de capacidade, tempo médio estimado de espera e satisfação média dos pacientes nas quatro estratégias. (C) Índice de desequilíbrio de carga entre as quatro estratégias. (D) Intervalos de desempenho em nível de dobra da estratégia híbrida em 12 dobras de avaliação repetidas. (E) Mapa de desempenho de desempenho do subgrupo de estratégia híbrida. Nota: Todos os valores apresentados nesta figura foram validados cruzadamente com os resultados correspondentes relatados na Tabela 5 para garantir consistência absoluta. Por favor, clique aqui para ver uma versão ampliada desta figura.

Tabela 1: Definições operacionais, limiares e regras de pontuação para o framework de correspondência. Abreviações: SD = desvio padrão. Por favor, clique aqui para baixar esta Tabela.

Tabela 2: Características básicas do grupo de médicos e do grupo de solicitações de pacientes. Seção, características e estatísticas básicas comparativas do conjunto de dados analítico antes da correspondência. Por favor, clique aqui para baixar esta Tabela.

Tabela 3: Comparações em nível de par entre correspondências selecionadas e não selecionadas. Esta tabela agrega as variáveis par a par e estatísticas descritivas detalhando a separação estrutural entre as correspondências finais selecionadas e os candidatos não selecionados. Por favor, clique aqui para baixar esta Tabela.

Tabela 4: Análise de regressão logística multivariável dos fatores associados ao bem-sucedido do pareamento final entre pares selecionados. Informações do modelo: Variável dependente = correspondência final bem-sucedida entre pares selecionados. Uma correspondência bem-sucedida foi definida como conclusão da consulta, satisfação do paciente 4,0/5,0 e ausência de revisita de 14 dias devido a insatisfação ou incompatibilidade. Por favor, clique aqui para baixar esta Tabela.

Tabela 5: Desempenho comparativo de quatro estratégias de correspondência. Resumo do benchmarking comparativo em nível de estratégia em 12 repetidas dobras. Por favor, clique aqui para baixar esta Tabela.

Tabela 6: Estabilidade e variabilidade em nível de dobra da estratégia híbrida. Resumo das faixas de desempenho em nível de dobra da estratégia híbrida em 12 dobras de avaliação repetidas. Por favor, clique aqui para baixar esta Tabela.

Tabela 7: Desempenho do subgrupo da estratégia híbrida. Desempenho detalhado dos subgrupos da estratégia híbrida com base nos níveis de urgência e níveis hospitalares. Por favor, clique aqui para baixar esta Tabela.

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 clínico para atividades fora do horário comercial, aumentando a carga de trabalho oculta quando a lógica de alocação ignora a absorção do serviço. Evidências recentes mostram que uma maior demanda digital está associada ao aumento do trabalho médico fora do horário programado, reforçando a importância prática de incorporar restrições de capacidade nos sistemas de correspondência, em vez de tratá-los como variáveis operacionais^{secundárias 7}. Além disso, a compatibilidade sozinha é insuficiente quando a demanda está distribuída de forma desigual. Em hospitais online, a escolha do paciente é fortemente moldada por características visíveis dos médicos, impulsionando estruturalmente a concentração de demanda em torno de médicos altamente visíveis ou de status superior. Essa dinâmica explica por que a estratégia apenas de compatibilidade nesse protocolo manteve uma qualidade de correspondência relativamente forte, mas teve desempenho ruim em relação aos tempos de espera e ao balanceamento^{de carga 15}.

Em nossa avaliação, a classificação binária de um match bem-sucedido serviu como um limiar rigoroso para filtrar encontros clínicos fracassados, enquanto a média da satisfação do paciente nos permitiu avaliar a distribuição sutil da qualidade percebida pelo usuário entre diferentes estratégias de correspondência. Além disso, para abordar preocupações sobre a possível circularidade, os resultados secundários de desempenho neste estudo foram avaliados independentemente desse status binário, oferecendo uma avaliação mais ampla do impacto do framework na qualidade do serviço em toda a plataforma, em vez de apenas validar seus próprios critérios de classificação. A maior satisfação do paciente observada sob a estratégia híbrida está alinhada com a literatura mais ampla sobre telemedicina, aprimorando-a ao demonstrar que a satisfação está profundamente ligada à qualidade da alocação, e não ao mero acesso digital. Trabalhos recentes identificam o planejamento profissional de tratamento, a compreensão precisa das preocupações dos pacientes, respostas abrangentes e a evitação de respostas predefinidas como principais fatores para a satisfação do usuário. Assim, sistemas de correspondência ótimos devem direcionar os pacientes para médicos que possam responder dentro de períodos de tempo aceitáveis e fornecer padrões de interação^{individualizados 16,17}. Essa dinâmica também reforça nossa justificativa operacional para restringir o grupo de candidatos gerado a dois a quatro médicos por solicitação (média 2,72). Esse limite específico foi calibrado empiricamente para encontrar um equilíbrio ideal entre preservar a autonomia do paciente e prevenir a "sobrecarga de escolhas" – um gargalo cognitivo bem documentado em arquiteturas digitais de escolha em saúde que atrasa a tomada de decisão e degrada a experiência do usuário. Do ponto de vista da implementação, esse modelo de correspondência deve estar incorporado a um fluxo de trabalho mais amplo de serviços. Crucialmente, embora o protocolo experimental atual avalie a estrutura usando uma atribuição estática em lote baseada em fold, a lógica algorítmica subjacente é intrinsecamente adaptável a cenários dinâmicos em tempo contínuo. Como variáveis de capacidade — como a carga diária atual e os intervalos restantes no mesmo dia — são projetadas para serem atualizadas iterativamente, a pontuação híbrida pode ser recalculada de forma eficiente em tempo real para acomodar chegadas sequenciais de pacientes e disponibilidade variável de médicos. Pesquisas indicam que treinamento, familiaridade com tecnologia, qualidade da comunicação e carga de trabalho são fatores críticos de implementação, e as partes interessadas recomendam mecanismos concretos para reduzir a carga dos médicos. Consequentemente, embora o framework híbrido melhore o desempenho da alocação, sua eficácia no mundo real depende fortemente do design de fluxos de trabalho de suporte, governança da plataforma e suporte operacional^18,19.

Esses resultados representam uma otimização do roteamento da plataforma, e não uma evidência de que consultas virtuais podem substituir todas as formas de cuidado. Embora as consultas virtuais melhorem a eficiência, as evidências sobre segurança e equidade permanecem mistas; Portanto, esse arcabouço deve ser melhor entendido como uma ferramenta de alocação inicial, e não como substituto da triagem clínica ou das vias^{de encaminhamento 20}. O protocolo atual tem várias limitações. Primeiro, embora o conjunto de dados de avaliação tenha sido construído usando variáveis e padrões de distribuição que refletem estritamente as condições operacionais do mundo real, ele fundamentalmente permanece uma coorte simulada projetada para avaliação controlada de plataformas. Reconhecemos que a ausência de conjuntos de dados suplementares e independentes do mundo real limita a validade externa dos achados atuais. Para estabelecer de forma robusta a generalização do método híbrido proposto, estudos futuros devem priorizar a validação desse arcabouço experimental usando registros de consultas em grande escala e do mundo real em diversas plataformas digitais de saúde e prazos longitudinais estendidos. Avaliar a resiliência e as capacidades dinâmicas de roteamento do modelo sob choques extremos de demanda temporal — como temporadas de pico da gripe ou emergências de saúde pública — continua sendo fundamental. Segundo, os resultados enfatizaram a conclusão da consulta e a satisfação do paciente, excluindo a adequação diagnóstica avaliada pelos clínicos ou os resultados longitudinais de saúde. Terceiro, a avaliação baseada em fold baseou-se em amostragem aleatória simples em vez de validação cruzada k-fold ou amostragem estratificada. Embora isso tenha capturado a volatilidade do fluxo natural de pacientes, pode ocasionalmente comprometer a representatividade uniforme de subgrupos minoritários específicos. Futuras avaliações algorítmicas devem incorporar amostragem estratificada por gravidade, urgência e nível hospitalar para garantir desempenho consistente em todas as subpopulações de pacientes. Quarto, o tempo de espera estimado derivado desse protocolo serve como um proxy estrutural, e não como um modelo preditivo rigorosamente calibrado. Devido à falta de registros de carimbo de tempo contínuos e reais, não conseguimos realizar análises de correlação rigorosas ou calcular erros de calibração em relação aos tempos reais de espera clínica. Pesquisas futuras devem aproveitar logs operacionais empíricos em grande escala para validar e ajustar esses parâmetros heurísticos do tempo de espera. Quinto, o esquema de ponderação que combina compatibilidade e capacidade foi pré-especificado heuristicamente, em vez de derivado por meio de modelagem matemática objetiva. Embora essa abordagem fixa a priori impeça o ajuste pós-hoc dos dados, carece do rigor de métodos de ponderação objetiva, como AHP ou ponderação por entropia. Futuras iterações desse arcabouço devem incorporar esses métodos objetivos de tomada de decisão multicritério para determinar dinamicamente a razão ótima de ponderação. Por fim, o framework opera em nível de alocação um a um e foi avaliado sob condições estáticas de lote de atribuição, sem modelagem de consultas baseadas em equipe ou repriorização dinâmica em tempo contínuo (por exemplo, lidar com picos súbitos de demanda ou cancelamentos de cronograma em tempo real). Pesquisas futuras devem expandir esse arcabouço para uma simulação de fila totalmente dinâmica e estender os algoritmos de correspondência desde a seleção inicial do médico até o suporte de roteamento consciente da comunicação e interação^{pós-match 21}.

No geral, esse protocolo afasta com sucesso o paradigma de correspondência médico-paciente de uma lógica de objetivo único. Em plataformas online de grande escala, a alocação eficaz deve abordar conjuntamente o ajuste clínico-serviço e a absorção operacional do médico sob as condições atuais de carga de trabalho, sem prejudicar a pontualidade ou a experiência do paciente. Comparado a estratégias baseadas em regras, apenas compatibilidade e apenas capacidade, o framework híbrido consciente de compatibilidade e capacidade alcançou um equilíbrio geral superior entre precisão de correspondência, recall, pontuação F1, tempo de espera, taxa de preenchimento de capacidade e distribuição da carga de trabalho. Ao tratar o correspondimento médico-paciente nem como uma tarefa de recomendação puramente baseada em preferências nem como um problema de agendamento orientado ao throughput, essa abordagem fornece uma base altamente prática e escalável para o roteamento inteligente de consultas, coordenação de recursos da plataforma e a futura otimização dos serviços digitais de saúde.

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)