Экспериментальная основа для совместимости и совместимости врача-пациента в онлайн-консультациях

Краткое содержание

Этот протокол представляет собой масштабируемую экспериментальную рамку для сопоставления врача и пациента на онлайн-платформах медицинских консультаций. Объединяя клиническую совместимость, ориентированную на пациента, и возможности обслуживания врача в гибридную модель оценки, этот метод оптимизирует точность подбора, минимизирует время ожидания пациентов и обеспечивает сбалансированное распределение нагрузки врачей.

Аннотация

Крупномасштабные онлайн-платформы медицинских консультаций требуют эффективного алгоритмического сопоставления врача и пациента, чтобы сбалансировать ориентированное на пациента соответствие и операционную эффективность. Существующие подходы часто независимо оптимизируют либо клиническую совместимость, либо потенциал врачей, что приводит к длительному ожиданию и неравномерной нагрузке. Этот протокол представляет масштабируемую экспериментальную структуру для совместного включения совместимости и ёмкости в гибридный балл сопоставления. Используя смоделированный набор данных, включающий 240 врачей, 3 600 запросов пациентов и 9 785 пар кандидатов, метод количественно оценивает совместимость (например, выравнивание специализации, подбор режимов) и пропускную способность (например, отношение нагрузки, предполагаемое время ожидания). Фреймворк оценивает пары кандидатов с помощью гибридного балла и сравнивает результаты с эталонными стратегиями, основанными только на правилах, только совместимостью и только по вместимости, в 12 этапах оценки. Репрезентативные результаты показывают, что гибридная структура достигает превосходного качества сопоставления, включая среднюю точность на первом уровне 0,740 и результат F1 0,714. Кроме того, он обеспечивает высокую операционную эффективность с коэффициентом заполнения мощности 0,825 и коротким средним предполагаемым временем ожидания 5,52 часа. Максимизируя среднюю удовлетворённость пациентов (4,43/5,00) и минимизируя дисбаланс нагрузки (0,195), эта структура обеспечивает практический протокол для интеллектуальной маршрутизации консультаций и управления платформой.

Введение

Онлайн-медицинские консультации становятся всё более важным способом оказания медицинской помощи, расширяя доступ к медицинским услугам за пределы обычных личных встреч¹. В Китае расширение интернет-телемедицины было усилено разработкой политики, ростом рынка и более глубокой интеграцией с более широкой системой здравоохранения, что делает цифровое консультирование всё более важным компонентом организации^{здравоохранения 2}. Крупномасштабные данные из интернет-больниц также указывают на то, что онлайн-консультационные услуги теперь работают в значительных масштабах, выступая как значимая часть рутинного предоставления услуг, а не как маргинальное^{дополнение 3}. В то же время асинхронная телемедицина расширила сферу удалённого ухода, обеспечив гибкие схемы взаимодействия, улучшив доступность и одновременно увеличив операционную сложность цифровых консультационных^{платформ 4}.

По мере расширения этих платформ их производительность нельзя оценивать только по технической доступности. Опыт пациентов и качество услуг стали центральными результатами цифрового предоставления^{медицинской помощи 5}. Недавние исследования показали, что использование онлайн-консультационных систем связано с измеримыми различиями в опыте пациентов, особенно в вопросах доступа, удобства и процессов записи⁶. Однако цифровые консультации также создают дополнительную нагрузку на врачей, включая обработку сообщений и работу, выполняемую вне рутинных клинических часов, что делает управление потенциалом центральной операционной^{задачей 7}. Эта проблема усугубляется неравномерным распределением спроса среди врачей, поскольку видимые сигналы услуг, такие как отзывы, оценки и другая информация о профилях, могут направлять трафик пациентов к ограниченной части видимых^{врачей 8}. Назначение врач-пациент на онлайн-платформах консультаций — это не просто проблема поиска со стороны пациента, так как врачи могут проявлять предпочтения выборочного ответа при рассмотрении неоднородных запросов⁹.

С точки зрения пациента выбор онлайн-консультации по своей сути многогранен. Пользователи одновременно взвешивают время ожидания, квалификацию врачей, уровень больницы, режим обслуживания и стоимость консультаций при выборе вариантов¹⁰. В соответствии с этой сложностью, недавний систематический обзор пришёл к выводу, что онлайн-платформы медицинских консультаций требуют рекомендательных механизмов, способных снизить информационную перегрузку и лучше согласовать потребности пациентов с ресурсами^{врачей 11}. Соответственно, методологические исследования начали внедрять структурированные подходы к сопоставлению, включая динамическое стабильное сопоставление при неполной информации, чтобы улучшить распределение врача и пациента в^{онлайн-консультациях 12}. Более недавние рекомендательные исследования дополнительно подчеркнули, что сопоставление врача и пациента должно повысить эффективность распределения, одновременно снижая чрезмерную концентрацию спроса вокруг высокозаметных врачей из ведущих больниц¹³. Данные по смешанным методам показывают значительную гетерогенность предпочтений в телемедицине, что указывает на то, что универсальная логика распределения вряд ли будет достаточной на уровне^{платформы 14}. Несмотря на эти достижения, существующая литература, как правило, рассматривает факторы, связанные с совместимостью, и ограничения по вместимости врачей как отдельные проблемы, хотя онлайн-консультационные платформы должны одновременно управлять как реляционным соответствием, так и поглощаемостью^{услуг 11}.

Для устранения этого пробела этот метод направлен на создание масштабируемой экспериментальной основы для совместимости и возможностей сопоставления врачей и пациентов на крупномасштабных онлайн-платформах медицинских консультаций. Логика этого метода заключается в том, что оптимизация клинических предпочтений или возможностей врачебных услуг в изоляции приводит к длительному ожиданию, неравномерной нагрузке врачей и неоптимальному опыту консультаций. Основное преимущество этой гибридной стратегии по сравнению с альтернативными методами распределения на основе правил или с одной целью заключается в способности совместно моделировать потребности пациентов, характеристики врачей и динамические ограничения по обслуживанию для поддержания баланса рабочей нагрузки и высокого уровня удовлетворённости^{пациентов 12}. Подробно описывая гибридную оценку сопоставления и процесс оценки на основе складки, этот протокол предоставляет практическую основу для интеллектуальной маршрутизации консультаций. Читатели могут использовать эту методологическую основу, чтобы определить, подходит ли логика сопоставления с двойной осознанностью для оптимизации сортировки, распределения ресурсов и управления рабочими процессами в их конкретных цифровых медицинских приложениях.

Протокол

Набор данных оценки, использованный в этом протоколе, был вычислительно смоделирован на основе агрегированных, деидентифицированных операционных распределений и не содержал реальных или идентифицируемых данных о человеке-участниках. В результате исследование было признано освобожденым от полного этического рассмотрения Институциональным обзорным советом (IRB) Университета НинбоТех (Исключение No NT9918276).

1. Подготовка данных и определение когорты

1. Создайте пул врачей, включающий 240 активных онлайн-врачей по восьми консультационным специальностям: внутренняя медицина, кардиология, неврология, дерматология, педиатрия, гинекология, ортопедия и психиатрия.
2. Выделите и определите следующие переменные для каждой медицинской записи: специальность, пол, профессиональный титул (ординатор, врач, заместитель главного врача или начальник), уровень больницы (первичный, вторичный или третичный), годы практики, годы онлайн-консультаций, плата за консультацию, номинальная ежедневная вместимость консультаций, текущая ежедневная нагрузка, исторический рейтинг, среднее время первого ответа, исторический процент принятия, уровень последующего обслуживания и поддерживаемый режим консультаций (текст, Текст плюс голос, или текст плюс голос плюс видео).
3. Создайте пул запросов пациентов, включающий 3 600 консультационных запросов.
   ПРИМЕЧАНИЕ: Для контекстуализации временной измерения оценки этот пул откалиброван для отображения непрерывного 30-дневного рабочего периода, охватывающего как стандартные будние дни, так и выходные. Этот временной промежуток предназначен для фиксации рутинных циклических колебаний спроса пациентов, при этом явно исключая экстремальные нетипичные периоды (например, крупные национальные праздники или пиковые вспышки эпидемии), чтобы создать стабильную, устойчивую базу для алгоритмической оценки эффективности.
4. Выделить и определить следующие переменные для каждого запроса пациента: возраст, пол, целевая специальность, уровень тяжести (низкий, умеренный или высокий), уровень срочности (рутинный, срочный или приоритетный), потолок бюджета, предпочтительные пол врача (мужчина, женщина или без предпочтений), предпочтителенный режим консультации (текст, голос или видео), предыдущие визиты на платформу, уровень цифрового взаимодействия, количество сопутствующих заболеваний, уровень городского уровня и предпочтительный период контакта.
5. Очистите набор данных, исключив любые записи с отсутствующими значениями по специальности, стоимости консультации, ежедневной загрузке, текущей нагрузке, среднему времени первого ответа, тяжести, срочности, потолку бюджета, предпочтительному режиму консультации или предпочтительном полу врача. Убедитесь, что все сохранённые записи завершёны перед переходом к созданию пар.

2. Генерация пар кандидатов

1. Генерируйте пары кандидатов врач-пациент с помощью правила специализированного забора. Для каждого запроса пациента приглашайте первых врачей, соответствующих целевой специальности пациента.
2. Расширить окно поиска на соседние высокочастотные специальности, которые остаются активными на платформе в тот же день, только если в начальной целевой специальности доступны менее двух действующих врачей с оставшейся консультационной возможностью.
   ПРИМЕЧАНИЕ: В этом протоколе «смежность» структурно определяется установленными клиническими перекрестными направлениями и анатомическим или симптоматическим пересечением (например, перенаправлением пациента из кардиологии в отделение общей внутренней медицины), тогда как «высокая частота» конкретно относится к специальностям, занимающим первые 25% по количеству ежедневных запросов на консультации на платформе.
3. Свяжите каждого пациента с двумя-четырьмя кандидатами-врачами, стремясь получить эмпирически полученное среднее число примерно 2,72 кандидата на запрос. Определите финальный слой кандидатов-пар, содержащий 9 785 пар. См. рисунок 1 для общего учебного процесса.

3. Операционализация парных переменных

1. Определите все парные переменные, используемые при построении оценок, до проведения бенчмаркинга. См. Таблицу 1 для предварительно заданных определений, порогов и отображения оценок.
2. Кодируйте соответствие специализации (S) как 1, когда специализация врача идентична специальности целевого пациента, и 0 в противном случае.
3. Режим кода подходит (M) как 1, когда поддерживаемый врачом режим полностью покрывает предпочитаемый режим пациента, и 0 в противном случае.
4. Кодировать гендерное предпочтение подходит (G) как 1, когда пациент выбирает «Нет предпочтения» или когда пол врача совпадает с указанным предпочтением, и 0 в противном случае.
5. Код доступности соответствует (A) как 1, когда плата врача меньше или равна потолку бюджета пациента, 0,5 — если плата превышает бюджет не более чем на 20%, и 0 — если плата превышает бюджет более чем на 20%.
6. Нормализуйте анамнез врача, используя диапазон наблюдаемого уровня врача (минимум 4,10, максимум 4,98). Вычислите нормализованный показатель качества (Q) по следующей формуле:
   (1)
   Установите значения ниже 4.10 после усечения до 0 и значения выше 4.98 до 1.
7. Определите соответствие срочности к ответу (U) на основе срочности пациента и среднего времени первого ответа врача, указанного в Таблице 1.
8. Рассчитайте коэффициент нагрузки врачей, деля текущую дневную нагрузку на номинальную дневную ёмкость. Рассчитайте оставшиеся слоты в тот же день, вычитая текущую дневную нагрузку из номинальной дневной ёмкости.
9. Рассчитайте предполагаемое время ожидания (в часах) по следующей формуле:
   
   Эта конструкция служит эвристической оценкой, вдохновлённой базовыми принципами теории очереди, где базовое среднее время первого ответа врача обрабатывается его реальным уровнем использования (текущая суточная нагрузка / суточная ёмкость).
   ПРИМЕЧАНИЕ: Коэффициент корректировки срочности установлен на 0,80 для приоритетных запросов, 0,90 для срочных запросов и 1,00 для рутинных. Эти коэффициенты корректировки реализуются как заранее заданные операционные веса для обеспечения приоритетной маршрутизации в тяжелых случаях, а не в виде эмпирически выведенных коэффициентов.

4. Построение сопоставления счётов

1. Постройте фреймворк сопоставления с использованием модуля совместимости и модуля емкости, как подробно описано на рисунке 2.
2. Вычислите балл совместимости как взвешенную линейную комбинацию факторов сопоставления, ориентированных на пациента:
   (3)
3. Вычислите балл пропускной способности по результатам коэффициента нагрузки (L), балла оставшегося слота (R) и показателя времени ожидания (W). Присвоите категориальные оценки для , , и на основе порогов, определённых в Таблице 1. Рассчитайте балл пропускной способности как:
   (4)
4. Рассчитайте итоговый гибридный балл, интегрируя компоненты совместимости и вместимости:
   (5)
5. Исправьте схему взвешивания 0,60–0,40 до оценки.
   ПРИМЕЧАНИЕ: Это заранее определённое соотношение руководствуется фундаментальным принципом медицинских услуг. Клиническая целесообразность и ориентированность на пациента должны служить основными критериями маршрутизации для обеспечения медицинской безопасности, при этом при этом применяется существенное математическое наказание к серьёзным ограничениям по пропускной способности, что соответствует устоявшейся литературе по сортировке, ставящей приоритет клинической пригодности над операционной пропускной способностью.
6. Не настраивайте эти груза после проверки результатов, чтобы избежать перенагона и обеспечить воспроизводимость.
   ПРИМЕЧАНИЕ: Исследователям, принимающим этот протокол, настоятельно рекомендуется проводить комплексный анализ чувствительности или применять объективные многокритерийные методы принятия решений (например, процесс аналитической иерархии [AHP] или взвешивание энтропии) для адаптации фреймворка под конкретную операционную нагрузку своей платформы.

5. Выбор матчей и счёт стратегии

1. Проведите бенчмаркинг на протяжении 12 повторяющихся сгибов оценки. Для каждого сбора возьмите 300 запросов пациентов без замены из полного пула пациентов.
   ПРИМЕЧАНИЕ: Этот простой подход случайной выборки намеренно используется для моделирования стохастичной, непредсказуемой природы потоков прибытия пациентов, характерных для онлайн-консультационных платформ в реальном времени, а не для навязывания искусственного структурного баланса поступающему спросу.
2. Сохраняйте все пары кандидатов, связанные с этими выбранными запросами, внутри соответствующего фолда.
3. Бенчмаркируйте четыре различные стратегии распределения независимо на одном и том же слое кандидат-пар, специфическом для складки:
   1. Для базового стандарта по правилам ранжуйте кандидатов по точному совпадению специальности, затем по более низкой консультационной комиссии и, наконец, по более высокому историческому рейтингу.
   2. Для стратегии совместимости выбирайте кандидата с наивысшим баллом совместимости.
   3. Для стратегии, ориентированной только на вместимость, выберите кандидата с наивысшим баллом по вместимости.
   4. Для гибридной стратегии выбирайте кандидата с наивысшим гибридным баллом.
4. Выберите кандидата-врача с наивысшим итоговым результатом, специфичным для стратегии, в качестве окончательного совпадения для каждого запроса пациента.
5. Разрешите любые равенства (идентичные оценки трём знакам после запятой), выбрав кандидата с более низким предполагаемым временем ожидания, затем с более высоким баллом совместимости и, наконец, с более высоким историческим рейтингом.

6. Расчёт результатов

1. Рассчитайте основные результаты: точность на первом месте, воспоминание и результат F1.
2. Перед бенчмаркингом назначить результаты по реальности на основе всех 9 785 пар кандидатов перед бенчмаркингом с использованием вероятностных распределений, полученных из эмпирического базового набора данных.
   ПРИМЕЧАНИЕ: Используйте полностью маркированную синтетическую среду для расчёта точности и отзыва для всех кандидатных пар. Успешное совпадение достигается, если консультация завершена, а удовлетворённость пациентов составляет 4,0 по 5-балльной шкале, при этом повторный визит в течение 14 дней не происходит из-за неудовлетворённости или несоответствия.
3. Вычислите точность на ранге 1 как долю выбранных финальных матчей, соответствующих критерию успешного матча.
4. Вычислите возврат как долю всех успешных пар кандидатов в складке, правильно выбранной стратегией. Выводить результаты для не отобранных пар кандидатов из полностью маркированной синтетической среды, установленной в шаге 6.2.
5. Убедитесь, что метрика отзыва точно отражает способность алгоритма выявлять все теоретически жизнеспособные совпадения в смоделированном пуле кандидатов.
6. Вычислите результат F1 по следующей формуле:
   (6)
7. Рассчитайте вторичные результаты: уровень заполнения, среднее предполагаемое время ожидания, среднее удовлетворение пациента, процент завершения консультаций, 7-дневный уровень наблюдения и сообщенный уровень улучшения.
8. Рассчитайте индекс дисбаланса нагрузки для оценки неравномерности распределения нагрузки врачей в каждом складке:
   (7)
9. Усредняйте 12-кратные специфические оценки, чтобы получить сводные значения на уровне стратегии, используя исходные назначения.
10. Проведите многофакторный логистический регрессионный анализ в подмножестве выбранных финальных совпадений для выявления факторов на уровне пар, независимо связанных с успешным сопоставлением.
11. Включите следующие заранее определённые независимые переменные на основе теоретической значимости: балл совместимости, балл пропускной способности, предполагаемое время ожидания, соответствие по доступности, соответствие специализации, соответствие по полу, уровень тяжести и уровень срочности.
12. Использовать стратегию выбора переменной с принудительным вводом вместо поэтапного подхода для сохранения теоретической структуры модели.
13. Оценивайте мультиколлинеарность с помощью коэффициента инфляции дисперсии (VIF). Убедитесь, что все значения VIF остаются ниже 5.0 до окончательной оценки модели.
14. Определите статистическую значимость как двухсторонний p < 0,05 и сообщите результаты как скорректированные коэффициенты шансов (aOR) с соответствующими 95% доверительными интервалами (CI).

Результаты

Базовые характеристики пула врачей и пула запросов пациентов

Симулированный аналитический набор данных включал 240 врачей и 3600 запросов на консультации пациентов. Базовые характеристики обеих сторон системы сопоставления обобщены в таблице 2, а модели распределения на стороне платформы иллюстрированы на рисунке 3.

Из 240 врачей 128 (53,3%) были женщинами. Группа показ...

Обсуждение

Настоящий протокол демонстрирует совместимость и способность к совместимости врач-пациент в масштабной онлайн-консультационной среде. Гибридная стратегия обеспечила наиболее сбалансированную общую производительность по точности сопоставления, времени ожидания, использованию мощностей, удовлетворённости пациентов и распределению рабочей нагрузки. Этот результат крайне важен, поскольку цифровая консультация не только расширяет доступ, но и переносит клиническую работу в внерабочую деятельн...

Материалы

Список материалов, использованных в этой статье

Имя	Компания	Каталожный номер	Комментарии
Кандидатные пары врач-пациент	Сгенерированные исследованием	Н/Д	Параметрическое определение переменных и выбор совпадений (9 785 кандидатских пар)
IBM SPSS Statistics	IBM Corp.	https://www.ibm.com/products/spss-statistics	Статистический анализ (версия 27)
Microsoft Excel	Microsoft Corporation	https://www.microsoft.com/microsoft-365/excel	Управление данными и описательная сводка (версия 2021)
Записи запросов пациентов	Сгенерированные исследованием	Н/Д	Базовые характеристики пациента и параметры предпочтений (3 600 запросов консультации)
Записи врачей	Сгенерированные исследованием	Н/Д	Базовые характеристики врачей и параметры мощности (240 активных врачей)
Python	Python Software Foundation	https://www.python.org	Симуляция, построение оценок и тестирование (версия 3.11)