Çevrimiçi Danışmada Uyumluluk ve Kapasite Farkında Doktor-Hasta Eşleştirmesi için Deneysel Bir Çerçeve

Özet

Bu protokol, çevrimiçi tıbbi danışma platformlarında doktor-hasta eşleştirmesi için ölçeklenebilir bir deneysel çerçeve sunar. Hasta merkezli klinik uyumluluk ve doktor tarafı hizmet kapasitesini hibrit puanlama modelinde ortak entegre ederek, bu yöntem eşleşme doğruluğunu optimize eder, hasta bekleme sürelerini en aza indirir ve doktor iş yükünün dengeli bir dağılımı sağlar.

Özet

Büyük ölçekli çevrimiçi tıbbi danışma platformları, hasta merkezli uyum ve operasyonel verimlilik dengesi için etkili algoritma destekli doktor-hasta eşleştirmesini gerektirir. Mevcut yaklaşımlar genellikle klinik uyumluluğu veya doktor kapasitesini bağımsız olarak optimize eder, bu da uzun bekleme sürelerine ve düzensiz iş yüklerine yol açar. Bu protokol, uyum ve kapasiteyi hibrit eşleştirme puanına ortak entegre etmek için ölçeklenebilir bir deneysel çerçeve sunar. 240 doktor, 3.600 hasta talebi ve 9.785 aday çiftinden oluşan simüle edilmiş veri seti kullanarak, yöntem uyumu (örneğin, uzmanlık hizası, mod uyumu) ve kapasiteyi (örneğin, yük oranı, tahmini bekleme süresi) niceliklerini sağlar. Çerçeve, aday çiftlerini hibrit puan üzerinden değerlendirir ve performansı kural bazlı, sadece uyumluluk ve kapasiteye dayalı kıyaslama stratejileriyle 12 değerlendirme katı boyunca karşılaştırır. Temsil eden sonuçlar, hibrit çerçevenin üstün eşleştirme kalitesi sağladığını göstermektedir; bunlar arasında 1. sırada ortalama hassasiyet 0.740 ve F1'de 0.714 puan vardır. Ayrıca, 0,825 kapasite doldurma oranı ve 5,52 saat ortalama bekleme süresiyle yüksek operasyonel verimlilik sağlar. Ortalama hasta memnuniyetini en üst düzeye çıkararak (4.43/5.00) ve yük dengesizliğini en aza indirerek (0.195), bu çerçeve akıllı danışmanlık yönlendirmesi ve platform yönetimi için pratik bir protokol sunar.

Giriş

Çevrimiçi tıbbi danışmanlık, sağlık hizmeti sunumunda giderek daha önemli bir yöntem haline gelmiş ve tıbbi hizmetlere erişimi geleneksel yüz yüze görüşmelerin ötesine^{genişletmiştir 1}. Çin'de internet teletıp genişlemesi, politika geliştirme, pazar büyümesi ve daha geniş sağlık sistemiyle daha derin entegrasyon ile güçlendirilmiş, dijital danışmanlık sağlık^{kuruluşunun giderek daha önemli bir bileşeni haline gelmiştir 2}. İnternet hastanelerinden elde edilen büyük ölçekli kanıtlar, çevrimiçi danışma hizmetlerinin artık önemli ölçeklerde faaliyet gösterdiğini, rutin hizmet sunumunun anlamlı bir parçası olarak işlev gördüğünü ve marjinal bir ek^{olarak değil de göstermektedir 3}. Aynı zamanda, asenkron tele-tıp uzaktan bakımın kapsamını genişleterek esnek etkileşim kalıplarına olanak tanıdı, erişilebilirliği artırdı ve aynı zamanda dijital danışmanlık platformlarının operasyonel karmaşıklığını da^{artırdı 4}.

Bu platformlar genişledikçe, performansları yalnızca teknik kullanılabilirlikle değerlendirilemez. Hasta deneyimi ve hizmet kalitesi, dijital bakım sunumunun merkezi sonuçları^{haline gelmiştir 5}. Son araştırmalar, çevrimiçi danışma sistemlerinin kullanımının özellikle erişim, rahatlık ve randevu süreçleri açısından hasta deneyiminde ölçülebilir farklılıklarla ilişkili olduğunu^{göstermiştir 6}. Ancak, dijital danışmanlık ayrıca mesaj işleme ve rutin klinik saatler dışındaki işler dahil olmak üzere ek doktor iş yükü de oluşturur; bu da kapasite yönetimini merkezi bir operasyonel konu haline^{getirir 7}. Bu zorluk, doktorlar arasında talebin eşitsiz dağılımı nedeniyle daha da artıyor; çünkü incelemeler, puanlamalar ve diğer profil bilgileri gibi görünür hizmet ipuçları, hasta trafiğini çok görünür doktorların sınırlı bir alt kümesine^{yönlendirebiliyor 8}. Bu nedenle, çevrimiçi danışma platformlarında doktor-hasta ataması sadece hasta tarafı arama sorunu değildir; çünkü doktorlar heterojen danışma talepleriyle karşılaşırken seçici yanıt tercihleri de^{gösterebilirler 9}.

Hastanın bakış açısından, çevrimiçi danışma seçimi doğası gereği çok boyutludur. Kullanıcılar, bakım seçeneklerini seçerken bekleme süresini, doktor niteliklerini, hastane seviyesini, hizmet modu ve danışma maliyetini aynı anda tartarlar^{. 10}. Bu karmaşıklıkla uyumlu olarak, yakın zamanda yapılan bir sistematik inceleme, çevrimiçi tıbbi danışma platformlarının bilgi aşırı yüklenmesini azaltabilecek ve hasta ihtiyaçlarını doktor kaynaklarıyla daha iyi uyumlu hale getirebilen tavsiye mekanizmaları gerektirdiği^{sonucuna varmıştır 11}. Metodolojik çalışmalar, çevrimiçi danışma ortamlarında doktor-hasta dağılımı iyileştirmek için eksik bilgi altında dinamik stabil eşleştirme dahil olmak üzere yapılandırılmış eşleştirme yaklaşımlarını tanıtmaya^{başlamıştır 12}. Daha yakın zamanda yapılan tavsiye araştırmaları, doktor-hasta eşleştirmesinin tahsis verimliliğini artırırken üst düzey hastanelerden gelen çok görünür doktorların etrafındaki aşırı talep yoğunluğunu azaltması gerektiğini daha da^{vurgulamıştır 13}. Karma yöntemli kanıtlar, teletıp tercihlerinde önemli bir heterojenlik göstermekte; bu da platform^{ölçeği 14'te} tek bir bedene uyan tahsis mantığının yeterli olmayacağını gösteriyor. Bu gelişmelere rağmen, mevcut literatür, uyumlulukla ilgili faktörleri ve doktor kapasite kısıtlamalarını ayrı sorunlar olarak ele alma eğilimindedir; oysa çevrimiçi danışma platformları hem ilişkisel uyumu hem de hizmet benimsenebilirliğini aynı anda yönetmek^{zorundadır 11}.

Bu boşluğu gidermek için, bu yöntem, büyük ölçekli çevrimiçi tıbbi danışma platformlarında uyumluluk ve kapasite farkında doktor-hasta eşleşmesi için ölçeklenebilir bir deneysel çerçeve oluşturmayı amaçlamaktadır. Bu tekniğin arkasındaki mantık, klinik tercihi veya doktor hizmet kapasitesini izole olarak optimize etmenin uzun bekleme sürelerine, dengesiz doktor iş yüklerine ve optimal olmayan danışmanlık deneyimlerine yol açmasıdır. Bu hibrit stratejinin alternatif kural tabanlı veya tek amaçlı dağıtım tekniklerine göre temel avantajı, hasta ihtiyaçlarını, doktor özelliklerini ve dinamik hizmet kısıtlamalarını birlikte modelleyerek iş yükü dengesini ve yüksek hasta memnuniyetini^{koruyabilme yeteneğidir 12}. Hibrit eşleştirme puanının ve katlama tabanlı değerlendirme sürecinin oluşturulmasını detaylandırarak, bu protokol akıllı danışmanlık yönlendirmesi için pratik bir temel sağlar. Okuyucular, bu metodolojik çerçeveyi kullanarak çift bilinçli eşleştirme mantığının kendi dijital sağlık uygulamalarında triage, kaynak tahsisi ve iş akışı yönetimini optimize etmek için uygun olup olmadığını belirleyebilirler.

Protokol

Bu protokolde kullanılan değerlendirme veri seti, toplanmış, kimliği yokmuş operasyonel dağıtımlardan hesaplamalı olarak simüle edilmiş ve gerçek ya da tanımlanabilir insan katılımcı verisi içermemiştir. Sonuç olarak, çalışma NingboTech Üniversitesi Kurumsal İnceleme Kurulu (IRB) tarafından tam etik incelemeden muaf kabul edildi (Muafiyet No. NT9918276).

1. Veri hazırlama ve kohort tanımı

1. Sekiz danışma uzmanlığında 240 aktif çevrimiçi doktordan oluşan doktor havuzunu oluşturun: İç Hastalıkları, Kardiyoloji, Nöroloji, Dermatoloji, Pediatri, Jinekoloji, Ortopedi ve Psikiyatri.
2. Her doktor kaydı için aşağıdaki değişkenleri çıkarın ve tanımlayın: uzmanlık, cinsiyet, mesleki unvanı (Uzman, Uzman, Yardımcı Şef veya Şef), hastane seviyesi (İlköğretim, Ikincil veya Üçüncü Sınıf), uygulama yılları, çevrimiçi danışma deneyimi yılları, danışma ücreti, nominal günlük danışma kapasitesi, güncel günlük yük, tarihsel derecelendirme, ortalama ilk yanıt süresi, geçmiş kabul oranı, takip hizmet oranı ve desteklenen danışma modu (Metin, Metin artı Ses, ya da Metin artı Ses artı Video).
3. 3.600 danışma talebinden oluşan hasta isteği havuzunu oluşturun.
   NOT: Değerlendirmenin zamansal boyutunu bağlamlandırmak için, bu havuz hem standart hafta içi hem de hafta sonlarını kapsayan sürekli 30 günlük bir operasyonel dönemi temsil edecek şekilde kalibre edilmiştir. Bu zaman dilimi, hasta talebinde rutin döngüsel değişimleri yakalamak ve aşırı atipik dönemleri (örneğin büyük ulusal tatiller veya zirve salgınları) açıkça hariç tutarak algoritmik performans değerlendirmesi için istikrarlı ve sabit bir temel oluşturmayı amaçlamaktadır.
4. Her hasta talebi için aşağıdaki değişkenleri çıkarın ve tanımlayın: yaş, cinsiyet, hedef uzmanlık alanı, şiddet seviyesi (Düşük, Orta veya Yüksek), aciliyet seviyesi (Rutin, Acil veya Öncelikli), bütçe tavanı, tercih edilen doktor cinsiyeti (Erkek, Kadın veya Tercihsiz), tercih edilen danışma modu (Metin, Ses veya Video), önceki platform ziyaretleri, dijital katılım seviyesi, komorbidite sayısı, şehir seviyesi ve tercih edilen temas süresi.
5. Veri setini, uzmanlık, danışma ücreti, günlük kapasite, mevcut yük, ortalama ilk yanıt süresi, ciddiyet, aciliyet, bütçe tavanı, tercih edilen danışma yöntemi veya tercih edilen doktor cinsiyeti gibi değerleri eksik olan kayıtları hariç tutarak temizleyin. Çift oluşturmaya geçmeden önce tüm tutulan kayıtların tamamlandığından emin olun.

2. Aday çift üretimi

1. Uzmanlık öncelikli bir geri alma kuralı kullanarak aday doktor-hasta çiftleri oluşturun. Her hasta talebi için, hastanın hedef uzmanlığına uygun ilk doktorları alın.
2. Geri alma penceresini, yalnızca başlangıç hedef uzmanlığında kalan danışma kapasitesine sahip iki aktif doktordan az varsa aynı gün platformda aktif kalan yüksek frekanslı uzmanlık alanlarına genişletin.
   NOT: Bu protokolde "bitişiklik" yapısal olarak belirlenmiş klinik çapraz yönlendirme kalıpları ve anatomik veya semptomatik örtüşmelerle (örneğin, hastayı Kardiyolojiden Genel Dahiliye yönlendirme) tanımlarken, "yüksek frekans" özellikle platformdaki tarihsel günlük danışma talep hacminin en üst dörtlüğünde (ilk %25) yer alan uzmanlıkları ifade eder.
3. Her hastayı iki ila dört aday hekimle ilişkilendirerek, istek başına yaklaşık 2,72 aday olmak üzere ampirik olarak türetilen ortalama sayı elde etmeyi hedefleyin. 9.785 çift içeren son aday çift tabakasını oluşturun. Genel çalışma akışı için Şekil 1'e bakınız.

3. İkili değişken işlemcilleştirme

1. Kıyaslamadan önce puan yapımında kullanılan tüm çift değişkenleri tanımlayın. Önceden belirlenmiş tanımlar, eşikler ve puan eşlemeleri için Tablo 1'e bakınız.
2. Kod uzmanlığı (S) olarak eşleşme (S) olarak 1 olur (doktor uzmanlığı hasta hedef uzmanlığıyla aynıysa), aksi takdirde 0 olur.
3. Kod modu (M) olarak 1 olarak kabul edilir, doktorun desteklenen modu hastanın tercih ettiği modu tamamen kapsa, aksi takdirde 0 olur.
4. Hasta Tercihi Yok seçtiğinde veya doktorun cinsiyeti belirtilen tercihle eşleştiğinde cinsiyet tercihi uyumu (G) 1, aksi takdirde 0 olarak kodlayın.
5. Uygun fiyatlılık kodu, (A) olarak 1, hastanın bütçe tavanında veya daha az olduğunda 1, ücret bütçeyi %20'den fazla aşmadığında 0.5 ve ücret bütçeyi %20'den fazla aştığında 0 olarak karşılanır.
6. Gözlemlenen doktor düzeyi aralığı (minimum 4.10, maksimum 4.98) kullanarak doktor tarihsel değerlendirmesini normalleştirin. Normalize edilmiş kalite puanını (Q) aşağıdaki formülle hesaplayın:
   (1)
   Değerleri 0'a kırdıktan sonra 4.10'un altına ve 4.98'in üzerindeki değerleri 1'e ayarlayın.
7. Aciliyet-yanıt uyumu (U) durumunu, hastanın aciliyeti ve doktorun ortalama ilk müdahale süresine göre Tablo 1'de belirtildiği gibi tanımlayın.
8. Mevcut günlük yükü nominal günlük kapasiteye bölerek doktor yük oranını hesaplayın. Kalan aynı gün slotlarını, mevcut günlük yükü nominal günlük kapasiteden çıkararak hesaplayın.
9. Tahmini bekleme süresini (saat cinsinden) aşağıdaki formülle hesaplayın:
   
   Bu yapı, temel kuyruk teorisi prensiplerinden esinlenen sezgisel bir tahmin olarak hizmet eder; burada bir doktorun temel ortalama ilk müdahale süresi, gerçek zamanlı kullanım oranı (Mevcut Günlük Yük / Günlük Kapasite) tarafından cezalandırılır.
   NOT: Acil ayar faktörü Öncelik talepleri için 0.80, Acil talepler için 0.90 ve Rutin talepler için 1.00 olarak ayarlanmıştır. Bu ayarlama faktörleri, ampirik olarak türetilen katsayılar yerine ağır vakalar için öncelikli rota uygulanmasını sağlamak amacıyla önceden belirlenmiş operasyonel ağırlıklar olarak uygulanır.

4. Eşleşen skor yapısı

1. Eşleşme çerçevesini, Şekil 2'de detaylandırıldığı gibi bir uyumluluk modülü ve kapasite modülü kullanarak oluşturun.
2. Uyumluluk puanını, hasta merkezli eşleştirme faktörlerinin ağırlıklı doğrusal kombinasyonu olarak hesaplayın:
   (3)
3. Kapasite puanını yük oranı puanından (L), kalan slot puanından (R) ve bekleme süresi puanından (W) hesaplayın. Kategorik puanları, , , ve için Tablo 1'de tanımlanan eşiklere göre atanır. Kapasite puanını şu şekilde hesaplayın:
   (4)
4. Uyumluluk ve kapasite bileşenlerini entegre ederek nihai hibrit puanı hesaplayın:
   (5)
5. Değerlendirmeden önce 0.60–0.40 ağırlık şemasını düzeltin.
   NOT: Bu önceden belirlenmiş oran, sağlık hizmetlerinin temel bir ilkesi tarafından yönlendirilir. Klinik uygunluk ve hasta odaklı uyum, tıbbi güvenliği sağlamak için birincil yönlendirme kriterleri olarak hizmet etmelidir; aynı zamanda ciddi kapasite kısıtlamalarına ciddi matematiksel ceza uygulanmalıdır; bu, klinik uygunluğu operasyonel verimlilikten üstün tutan yerleşik triaj literatürüne uygundur.
6. Sonuç denetiminden sonra aşırı uyum önleyecek ve tekrarlanabilirliği sağlamak için bu ağırlıkları ayarlamayın.
   NOT: Bu protokolü benimseyen araştırmacıların, platformlarının özel operasyonel yüküne göre çerçeveyi uyarlamak için kapsamlı hassasiyet analizleri yapmaları veya objektif çok kriterli karar alma teknikleri (örneğin, Analitik Hiyerarşi Süreci [AHP] veya entropi ağırlıklandırma) kullanmaları şiddetle teşvik edilir.

5. Maç seçimi ve strateji kıyaslama

1. 12 tekrarlanan değerlendirme katlaması üzerinde kıyaslama yapın. Her katlama için, tam hasta havuzundan 300 hasta talebi değiştirilmeden örneklenin.
   NOT: Bu basit rastgele örnekleme yaklaşımı, gerçek zamanlı çevrimiçi danışma platformlarına özgü hasta geliş akışlarının stokastik ve öngörülemez doğasını simüle etmek için kasıtlı olarak kullanılmıştır; gelen talebe yapay yapısal bir denge dayatmak yerine.
2. Örneklenmiş isteklerle bağlantılı tüm aday çiftlerini ilgili fold içinde tutun.
3. Aynı katlanmaya özgü aday-çift katmanında dört farklı ayrılma stratejisini bağımsız olarak kıyaslayın:
   1. Kural temelli temel için adayları tam uzmanlık eşleşmesine göre, ardından daha düşük danışma ücretine ve son olarak daha yüksek tarihsel dereceye göre sıralayın.
   2. Sadece uyumluluk stratejisi için, en yüksek uyumluluk puanına sahip adayı seçin.
   3. Sadece kapasiteye dayalı bir strateji için, en yüksek kapasite puanına sahip adayı seçin.
   4. Hibrit strateji için, en yüksek hibrit puana sahip adayı seçin.
4. Her hasta talebi için nihai eşleşme olarak en yüksek nihai stratejiye özgü puana sahip aday doktoru seçin.
5. Herhangi bir eşitliği (üç ondalık basamaya eşit puanlar) daha düşük tahmini bekleme süresine sahip adayı seçerek, ardından daha yüksek uyumluluk puanına ve son olarak daha yüksek tarihsel puana sahip adayı seçerek çözebilirsiniz.

6. Sonuç hesaplaması

1. Birincil sonuçları hesaplayın: 1. sırada hassasiyet, geri çağırma ve F1 puanı.
2. Kıyaslamadan önce, ampirik temel veri setinden elde edilen olasılık dağılımları kullanılarak kıyaslamadan önce tüm 9.785 aday çiftine yeraltı gerçeklik sonuçları atanı.
   NOT: Tüm aday çiftleri için hassasiyet ve geri çağırma hesaplamalarını sağlamak için tamamen etiketlenmiş sentetik bir ortam kullanın. Danışma tamamlanırsa ve hasta memnuniyeti 5 puanlık ölçekte 4.0 olduğunda başarılı bir eşleşme sağlanır ve memnuniyetsizlik veya uyumsuzluk nedeniyle 14 günlük tekrar görüşme yapılmaz.
3. Birinci sırada hassasiyeti, başarılı maç kriterini karşılayan seçilmiş final maçlarının oranı olarak hesaplayın.
4. Geri çağırmayı, strateji tarafından doğru seçilen katlama içindeki tüm başarılı aday çiftlerinin oranı olarak hesaplayın. Seçilmemiş aday çiftler için sonuçları, Adım 6.2'de belirlenen tam etiketlenmiş sentetik ortamdan türetilin.
5. Geri çağırma metriğin, algoritmanın simüle edilen aday havuzunda teorik olarak uygulanabilir tüm eşleşmeleri tespit etme yeteneğini doğru şekilde yansıttığından emin olun.
6. F1 puanını aşağıdaki formülle hesaplayın:
   (6)
7. İkincil sonuçları hesaplayın: kapasite doldurma oranı, ortalama tahmini bekleme süresi, ortalama hasta memnuniyeti, danışma tamamlanma oranı, 7 günlük takip oranı ve bildirilen iyileşme oranı.
8. Her katlama içindeki doktor iş yükü dağılımının eşitsizliğini değerlendirmek için yük dengesizliği endeksini hesaplayın:
   (7)
9. Strateji düzeyindeki özet değerleri elde etmek için orijinal puan atamalarını kullanarak 12 katlı tahminleri ortalayın.
10. Seçilen final maçlarının alt kümesi içinde başarılı eşleşmeyle bağımsız olarak ilişkili çift düzeyindeki faktörleri belirlemek için çok değişkenli lojistik regresyon analizi yapmak.
11. Teorik öneme dayalı olarak aşağıdaki önceden belirlenmiş bağımsız değişkenleri ekleyin: uyumluluk puanı, kapasite puanı, tahmini bekleme süresi, uygun fiyatlılık uygunluğu, uzmanlık uyumu, cinsiyet tercihi uygunluğu, şiddet seviyesi ve aciliyet seviyesi.
12. Modelin teorik yapısını korumak için adımlı bir yaklaşım yerine zorunlu giriş değişken seçim stratejisi kullanın.
13. Çokkollineerliği Varyans Enflasyon Faktörü (VIF) kullanarak değerlendirin. Tüm VIF değerlerinin nihai model tahmininden önce 5.0'ın altında kaldığını doğrulayın.
14. İstatistiksel anlamlılığı iki kuyruklu p < 0.05 olarak tanımlayın ve sonuçları %95 güven aralıklarıyla (CI) düzeltilmiş oranlar (aOR) olarak bildirin.

Sonuçlar

Doktor havuzunun ve hasta talep havuzunun temel özellikleri

Simüle edilmiş analitik veri seti 240 doktor ve 3.600 hasta danışma talebinden oluşuyordu. Eşleştirme sisteminin her iki tarafının temel özellikleri Tablo 2'de özetlenmiş, platform tarafı dağılım desenleri Şekil 3'te gösterilmiştir.

240 hekim arasında 128'i (%53,3) kadındı. Kohort, ortalama klinik deneyim 9,34 ...

Tartışma

Mevcut protokol, büyük ölçekli çevrimiçi tıbbi danışma ortamında uyumluluk ve kapasite farkında doktor-hasta eşleştirme çerçevesini göstermektedir. Hibrit strateji, eşleşme doğruluğu, bekleme süresi, kapasite kullanımı, hasta memnuniyeti ve iş yükü dağılımı açısından en dengeli genel performansı sağladı. Bu sonuç çok önemlidir çünkü dijital danışmanlık sadece erişimi genişletmekle kalmaz, aynı zamanda klinik çalışmayı mesai sonrası faaliyetlere kaydırır ve tahsis mantığı hizmetin emilebi...

Malzemeler

Bu makalede kullanılan malzemelerin listesi

Ad	Şirket	Katalog numarası	Yorumlar
Aday doktor-hasta çiftleri	Çalışma tarafından oluşturulan	N/A	Çift yönlü değişken türetme ve eşleşme seçimi (9.785 aday çift)
IBM SPSS Statistics	IBM Corp.	https://www.ibm.com/products/spss-statistics	İstatistiksel analiz (Sürüm 27)
Microsoft Excel	Microsoft Corporation	https://www.microsoft.com/microsoft-365/excel	Veri yönetimi ve tanımlayıcı özet (Sürüm 2021)
Hasta talep kayıtları	Çalışma tarafından oluşturulan	N/A	Başlangıç hasta tarafı özellikleri ve tercih parametreleri (3.600 konsültasyon talebi)
Hekim kayıtları	Çalışma tarafından oluşturulan	N/A	Başlangıç hekim tarafı özellikleri ve kapasite parametreleri (240 aktif hekim)
Python	Python Software Foundation	https://www.python.org	Simülasyon, puan oluşturma ve kıyaslama (Sürüm 3.11)