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 показала средний клинический опыт 9,34 года, среднюю стоимость консультации 68,08 долларов США, среднюю номинальную ежедневную ёмкость консультаций 18,52 консультации, средний исторический рейтинг услуг 4,63 и среднее время первого ответа 5,47 часа. Внутренняя медицина была самой крупной специальностью (19,2%), за ней следовали ортопедия (15,0%) и неврология (13,3%). Что касается режима консультаций, 41,7% врачей поддерживали текст плюс голос, 37,1% — только текст, а 21,3% — полнотекстовые, голосовые и видеоконсультации.

Из 3 600 запросов пациентов 53,1% были поданы женщинами. Средний возраст составлял 36,49 года, а потолок бюджета — 47,30 долларов США. Внутренняя медицина была самой частой целевой специальностью (20,0%), за ней следовали неврология (13,8%) и кардиология (13,0%). Запросы классифицировались по степени тяжести (45,7% умеренным, 34,2% низким, 20,1% высоким) и срочности (39,1% приоритетных, 35,9% рутинных, 25,0% срочной). Наиболее распространённым предпочтением была текстовая консультация (45,1%), и 78,7% пациентов сообщили о отсутствии гендерного предпочтения врача. В совокупности эти распределения свидетельствуют о том, что платформа работала в гетерогенной консультационной среде, что подтверждает необходимость оценки как совместимости, так и ограничений по пропускной способности внутри системы сопоставления.

Структура кандидат-пар и разделение баллов

После специализированного извлечения и расширения ограниченных кандидатов было сгенерировано 9 785 пар кандидатов врач-пациент (Таблица 3, Рисунок 4). В полном уровне кандидатов-пар было выбрано 3 085 пар в качестве финальных матчей, тогда как 6 700 — нет. Отобранные пары демонстрировали более высокую точную долю специализированных совпадений (99,2% против 95,3%) и немного более высокий гендерный выбор (90,2% против 89,0%) по сравнению с неотобранными парами.

Что ещё важнее, основные парные различия были сосредоточены в операционных и составных переменных оценки. Выбранные пары показали более высокий средний балл совместимости (0,853 против 0,829) и более высокий средний балл пропускной способности (0,395 против 0,381). В результате средний гибридный балл составил 0,707 среди отобранных пар против 0,686 у неотобранных пар. Выбранные пары также были более эффективными с операционной точки зрения, с более низким средним коэффициентом нагрузки врачей (0,628 против 0,642), более доступными слотами в тот же день (6,99 против 6,65) и более коротким предполагаемым временем ожидания (12,46 часа против 12,79 часа).

Из 3 085 выбранных пар было проведено 2 584 консультации (83,8% завершённости). Средняя удовлетворённость пациентов составила 4,29 из 5,00. Определяя успешное сопоставление как завершение консультации, удовлетворённость пациентов 4,0 и отсутствие повторного визита в течение 14 дней, 1 644 выбранные пары соответствовали этому критерию (53,3% успеха). Эти результаты показывают, что окончательный выбор был обусловлен пересечением более высокой совместимости, более низкого давления нагрузки и лучших условий ожидания, что соответствует заранее заданной логике протокола.

Факторы на уровне пар, связанные с успешным финальным подбором

Была проведена многопеременная логистическая регрессия внутри подмножества выбранного совпадения для выявления признаков, связанных с успешным сопоставлением (Таблица 4, Рисунок 5). Балл совместимости оставался положительно связанным с успешным сопоставлением (скорректированное отношение шансов [aOR] = 11,99; 95% ДИ, 1,81–79,46; P = 0,010), как и показатель пропускной способности (aOR = 2,08; 95% CI, 1,22–3,55; P = 0,007). Наоборот, более длительное предполагаемое время ожидания снижало вероятность успешного совпадения (aOR = 0,953 за дополнительный час; 95% ДИ, 0,934–0,972; P < 0,001). Доступность также оставалась значительной (aOR = 1,33; 95% ДИ, 1,12–1,57; P = 0,001). Точное соответствие специальностей, соответствие по полу, статус приоритета и высокая степень тяжёлости не оставались независимо значимыми. Это указывает на то, что успех сопоставления зависит больше от совокупной прочности совместимости и поглощаемой способности, чем от какой-либо отдельной поверхностной особенности.

Бенчмаркинг и устойчивость стратегий распределения

Сравнительный бенчмаркинг по 12 оценочным складкам изложен в таблице 5, 6 и рисунке 6. Предлагаемая гибридная стратегия получила наиболее благоприятный общий профиль. Она показала наивысшую среднюю точность на первом месте (0,740), отзыве (0,691) и результатах F1 (0,714), превзойдя базовую точку на основе правил, стратегию только совместимости и стратегию только на мощности.

С операционной точки зрения гибридная стратегия достигла максимального уровня заполнения мощности (0,825) и самого короткого среднего предполагаемого времени ожидания (5,52 часа). Также была оптимизирована эффективность, ориентированная на пациента: гибридный подход дал наивысшее среднее удовлетворённость пациентов (4,43) и самый низкий индекс дисбаланса нагрузки (0,195), что указывает на очень равномерное распределение нагрузки врачей. Анализ подгрупп (Таблица 7, Рисунок 6) подтвердил, что этот стабильный уровень эффективности сохранялся на различных уровнях срочности и уровне больниц, что подтверждает надёжность системы даже в условиях с сильным ограничением мощности.

Рисунок 1: Общий рабочий процесс исследования. (A) Формирование пула врачей и пула запросов пациентов. (B) Процесс поиска кандидата с приоритетом в первую очередь с ограниченным расширением, когда в запрашиваемой специальности доступно менее двух действующих врачей с оставшейся мощностью. (C) Генерация пар кандидатов врач-пациент и вывод парных переменных. (D) Построение балла совместимости, балла пропускной способности и гибридного показателя. (E) Окончательный отбор врачей, свершённый бенчмаркинг по четырём стратегиям распределения и расчёт результатов эффективности. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Рисунок 2: Архитектура рамок совместимости и совместимости с учётом возможностей. (A) Модуль совместимости, включая согласование специальностей, соответствие режима консультации, соответствие по гендерным предпочтениям, соответствие доступности, исторический рейтинг врача и соответствие срочности и реагированию. (B) Модуль пропускной способности, включая соотношение нагрузки врачей, оставшиеся слоты в тот же день и предполагаемое время ожидания. (C) Нормализация баллов и агрегация взвешенных баллов для оценки совместимости и балла вместимости. (D) Интеграция двух модулей в итоговую гибридную оценку. (E) Итоговое ранжирование и логика равенства, используемая для определения выбранного врача-пациента. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Рисунок 3: Исходные модели распределения характеристик врача и пациента в аналитическом наборе данных. (A) Распределение специалистов в пуле врачей. (B) Профессиональное звание и распределение врачей на уровне больниц. (C) Специализированное распределение запросов на консультации пациентов. (D) Распределение обращений пациентов по строгости и срочности. (E) Распределение предпочтительного режима консультации и предпочтительного пола врача среди запросов пациентов. Примечание: Все распределения данных, представленные на этом рисунке, получены непосредственно из окончательного аналитического набора данных (n = 240 врачей; n = 3 600 запросов пациентов) и полностью согласуются с сводной статистикой, представленной в Таблице 2. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Рисунок 4: Распределение баллов на уровне пар и разделение между выбранными и неотобранными кандидатами. (A) Распределение баллов совместимости в выбранных и невыбранных парах. (B) Распределение баллов по вместимости по выбранным и неотобранным парам. (C) Распределение гибридных баллов по выбранным и неотобранным парам. (D) Предполагаемое время ожидания (в часах) по статусу отбора. (E) Совместное распределение баллов совместимости и балла пропускной способности, при этом выбранные и невыбранные пары отображаются отдельно. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Рисунок 5: Многомерный анализ факторов, связанных с успешным окончательным подбором между выбранными парами. (A) Лесной график скорректированных коэффициентов коэффициентов совместимости, балла вместимости, предполагаемого времени ожидания (в часах), доступности, специализированного соответствия, гендерного предпочтения, уровня тяжести и уровня срочности. (B) предельная вероятность успешного сопоставления в наблюдаемом диапазоне совместимости. (C) предельная вероятность успешного сопоставления в наблюдаемом диапазоне балла ёмкости. (D) Обратная связь между предполагаемым временем ожидания (в часах) и вероятностью успешного сопоставления. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Рисунок 6: Сравнительный бенчмаркинг четырёх стратегий сопоставления врача и пациента и подгрупповой эффективности гибридной структуры. (A) Точность на уровне 1, балл по воспоминанию и F1 по четырём стратегиям. (B) Уровень заполнения мощностей, среднее предполагаемое время ожидания и среднее удовлетворение пациентов по четырём стратегиям. (C) Индекс дисбаланса нагрузки между четырьмя стратегиями. (D) Диапазоны эффективности гибридной стратегии на уровне фолдов по 12 повторяющим сгибам оценки. (E) Тепловая карта производительности гибридной стратегии подгруппы. Примечание: Все значения, представленные на этом рисунке, были перекрёстно проверены с соответствующими результатами, представленными в Таблице 5, чтобы обеспечить абсолютную согласованность. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Таблица 1: Операционные определения, пороги и правила подсчёта баллов для системы сопоставления. Сокращения: SD = стандартное отклонение. Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

Таблица 2: Базовые характеристики пула врачей и пула запросов пациентов. Раздел, характеристики и сравнительная базовая статистика аналитического набора данных до сопоставления. Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

Таблица 3: Сравнения на уровне пар между выбранными и невыбранными матчами. В этой таблице агрегируются парные переменные и описательная статистика, подробно описывающая структурное разделение между окончательно выбранными и невыбранными кандидатами. Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

Таблица 4: Многомерный логистический регрессионный анализ факторов, связанных с успешным окончательным сопоставлением между выбранными парами. Информация о модели: зависимая переменная = успешное финальное совпадение между выбранными парами. Успешное совпадение определялось как завершение консультации, удовлетворённость пациентов 4.0/5.0 и отсутствие повторного визита в течение 14 дней из-за неудовлетворённости или несоответствия. Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

Таблица 5: Сравнительная эффективность четырёх стратегий сопоставления. Сводка сравнительного бенчмаркинга на уровне стратегии по 12 повторяющим складкам. Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

Таблица 6: Стабильность и вариабельность гибридной стратегии. Сводка диапазонов эффективности гибридной стратегии на уровне fold по 12 повторяющим оценочным складкам. Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

Таблица 7: Подгрупповая эффективность гибридной стратегии. Детальная подгрупповая эффективность гибридной стратегии на основе уровней срочности и уровней больниц. Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

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 деятельность, увеличивая скрытую нагрузку, когда логика распределения не учитывает поглощение услуг. Недавние данные показывают, что рост цифрового спроса связан с увеличением работы врачей вне расписания, что подчёркивает практическую важность включения ограничений по мощности в системы подбора, а не рассматривания их как вторичных операционных^{переменных 7}. Кроме того, одной совместимости недостаточно при неравномерном распределении спроса. В интернет-больницах выбор пациентов сильно зависит от видимых характеристик врачей, что структурно определяет концентрацию спроса вокруг хорошо заметных или врачей с высоким статусом. Эта динамика объясняет, почему стратегия совместимости в этом протоколе сохраняла относительно высокое качество согласования, но плохо работала по времени ожидания и балансу^{нагрузки 15}.

В нашей оценке бинарная классификация успешного совпадения служила строгим порогом для отсеяния неудачных клинических встреч, тогда как средний балл удовлетворенности пациентов позволил оценить нюансированное распределение качества, воспринимаемого пользователем, по различным стратегиям сопоставления. Кроме того, чтобы устранить опасения по поводу возможной циркулярности, вторичные результаты эффективности в данном исследовании оценивались независимо от этого бинарного статуса, предоставляя более широкую оценку влияния фреймворка на качество сервисов на уровне платформы, а не просто подтверждая собственные критерии классификации. Более высокая удовлетворённость пациентов, наблюдаемая при гибридной стратегии, соответствует более широкой литературе по телемедицине, демонстрируя, что удовлетворённость тесно связана с качеством распределения, а не просто с цифровым доступом. Недавние исследования выявляют профессиональное планирование лечения, точное понимание проблем пациентов, всесторонние ответы и избегание шаблонных ответов как ключевых факторов удовлетворенности пользователей. Таким образом, оптимальные системы сопоставления должны направлять пациентов к врачам, которые могут реагировать в приемлемые временные интервалы и обеспечивать индивидуальные модели^{взаимодействия 16,17}. Эта динамика также подчёркивает нашу операционную обоснованность ограничения сгенерированного пула кандидатов до двух-четырёх врачей на запрос (среднее 2,72). Этот конкретный порог был эмпирически настроен для достижения оптимального баланса между сохранением автономии пациента и предотвращением «перегрузки выбором» — хорошо задокументированного когнитивного узкого места в архитектурах цифрового здравоохранения, который задерживает принятие решений и ухудшает пользовательский опыт. С точки зрения внедрения, эта модель сопоставления должна быть интегрирована в более широкий рабочий процесс сервиса. Ключевым является то, что хотя текущий экспериментальный протокол оценивает фреймворк с помощью статического пакетного распределения, базовая алгоритмическая логика по своей сути адаптируется к динамическим сценариям непрерывного времени. Поскольку переменные пропускной способности — такие как текущая суточная нагрузка и оставшиеся слоты в тот же день — предназначены для итеративного обновления, гибридный балл можно эффективно пересчитывать в реальном времени, чтобы учитывать последовательные прибытия пациентов и колебания доступности врачей. Исследования показывают, что обучение, знакомство с технологиями, качество коммуникаций и рабочая нагрузка являются критически важными факторами внедрения, и заинтересованные стороны рекомендуют конкретные механизмы снижения нагрузки на врачей. Таким образом, хотя гибридная структура улучшает эффективность распределения, её реальная эффективность во многом зависит от поддерживающего проектирования рабочих процессов, управления платформой и операционной^{поддержки 18, 19}.

Эти результаты представляют собой оптимизацию маршрутизации платформы, а не доказательство того, что виртуальные консультации могут заменить все виды медицинской помощи. Хотя виртуальные консультации повышают эффективность, данные о безопасности и справедливости остаются неоднозначными; Поэтому эту структуру лучше понимать как инструмент переднего распределения, а не как замену клиническому сортировке или направлениям²⁰. Текущий протокол имеет несколько ограничений. Во-первых, хотя набор данных оценки был построен с использованием переменных и паттернов распределения, строго отражающих реальные операционные условия, по сути он остаётся симулированной когортой, предназначенной для оценки управляемых платформ. Мы признаём, что отсутствие дополнительных, независимых реальных наборов данных ограничивает внешнюю достоверность текущих результатов. Для надёжного обоснования обобщимости предлагаемого гибридного метода сопоставления будущие исследования должны уделять приоритетное внимание валидации этой экспериментальной структуры с использованием крупномасштабных реальных журналов консультаций на различных цифровых медицинских платформах и расширенных долгосрочных временных рамках. Оценка устойчивости модели и динамических возможностей маршрутизации в условиях экстремальных временных шоков спроса — таких как пиковые сезоны гриппа или чрезвычайные ситуации в области общественного здравоохранения — остаётся критически важной. Во-вторых, результаты акцентировали внимание на завершении консультаций и удовлетворённости пациентов, исключая диагностическую уместность, оценённую клиницистами, или долгосрочные результаты здоровья. В-третьих, оценка на основе fold основывалась на простой случайной выборке, а не на k-кратной перекрёстной валидации или стратифицированной выборке. Хотя это отражало волатильность естественного потока пациентов, иногда это может нарушать единообразную репрезентативность отдельных подгрупп меньшинств. Будущие алгоритмические оценки должны включать стратифицированную выборку по тяжести, срочности и уровню больницы, чтобы обеспечить единообразную эффективность во всех субгруппах пациентов. В-четвёртых, предполагаемое время ожидания, полученное из этого протокола, служит структурным прокси, а не строго откалиброванной предсказательной моделью. Из-за отсутствия непрерывных реальных логов временных меток мы не могли проводить строгий корреляционный анализ или рассчитывать ошибки калибровки по сравнению с реальными клиническими временами ожидания. Будущие исследования должны использовать крупномасштабные эмпирические операционные журналы для проверки и точной настройки этих эвристических параметров времени ожидания. В-пятых, схема взвешивания, сочетающая совместимость и ёмкость, была заранее заданная эвристически, а не получена с помощью объективного математического моделирования. Хотя этот фиксированный априорный подход предотвращает пост-хок подгонку данных, ему не хватает строгости методов объективного взвешивания, таких как AHP или взвешивание энтропии. Будущие итерации этой системы должны включать эти объективные методы принятия решений с множеством критериев для динамического определения оптимального коэффициента весов. Наконец, фреймворк работает на уровне индивидуального распределения и оценивался в условиях статического распределения пакетов, без моделирования командных консультаций или непрерывного динамического перераспределения приоритетов (например, при резком скаче спроса или отмене графиков в реальном времени). Будущие исследования должны расширить эту структуру до полностью динамического моделирования очереди и расширить алгоритмы сопоставления от первоначального выбора врача до ориентированной на коммуникацию маршрутизации и поддержки взаимодействия после^матча.

В целом, этот протокол успешно отводит парадигму сопоставления врача и пациента от логики одной цели. В крупных онлайн-платформах эффективное распределение должно совместно учитывать соответствие клинических услуг и операционную воспитываемость врача в текущих условиях нагрузки, не снижая своевременность или опыт пациентов. По сравнению с стратегиями, основанными на правилах, совместимостью и только по вместимости, гибридная структура, ориентированная на совместимость и мощность, достигла превосходного общего баланса между точностью, отзывом, результатом F1, временем ожидания, скоростью заполнения мощности и распределением рабочей нагрузки. Рассматривая подбор врача и пациента не как исключительно рекомендационную задачу, основанную на предпочтениях, и не как задачу планирования, основанную на пропускной способности, этот подход предоставляет высокоэффективную и масштабируемую основу для интеллектуальной маршрутизации консультаций, координации ресурсов платформы и будущей оптимизации цифровых медицинских услуг.

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)