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 yıl, ortalama danışma ücreti USD 68,08, ortalama nominal günlük danışma kapasitesi 18,52 görüşme, ortalama tarihsel hizmet puanı 4,63 ve ortalama ilk müdahale süresi 5,47 saat gösterdi. Dahiliye en büyük uzmanlık alanı oldu (%19,2), ardından Ortopedi (%15,0) ve Nöroloji (%13,3) geldi. Danışma moduna ilişkin olarak, doktorların %41,7'si metin artı sesli yaklaşımı, %37,1'i sadece metinli ve %21,3'ü tam metin, sesli ve video danışmanlığı destekledi.

3.600 hasta talebinin %53,1'i kadın hastalar tarafından iledilmişti. Ortalama yaş 36,49 yıl, ortalama bütçe tavanı ise 47,30 USD idi. Dahiliye en sık hedef uzmanlık alanı (%20,0) oldu, onu Nöroloji (%13,8) ve Kardiyoloji (%13,0) takip etti. Talepler şiddet (%45,7 orta, %34,2 düşük, %20,1 yüksek) ve aciliyet (%39,1 öncelik, %35,9 rutin, %25,0 acil) olarak sınıflandırıldı. Metin danışmanlığı en yaygın tercih oldu (%45,1) ve hastaların %78,7'si doktor cinsiyet tercihi olmadığını bildirdi. Bu dağıtımlar topluca, platformun heterojen bir danışma ortamında çalıştığını ve eşleştirme sisteminde hem uyumluluğun hem de kapasite kısıtlamalarının değerlendirilmesi gerekliliğini doğruladığını göstermektedir.

Aday-çift yapısı ve skor ayrımı

Uzmanlık öncesi alım ve kısıtlı aday genişletmesinin ardından 9.785 aday doktor-hasta çifti oluşturuldu (Tablo 3, Şekil 4). Tam aday-çift katmanında 3.085 çift final eşleşmesi olarak seçilirken, 6.700 çift seçilmedi. Seçilen çiftler, seçilmemiş çiftlere göre daha yüksek kesin uzmanlık eşleşme oranı (%99,2 vs. %95,3) ve biraz daha yüksek cinsiyet tercihi eşleşmesi (%90,2 vs. %89,0) göstermiştir.

Daha da önemlisi, ana çift farklar operasyonel ve bileşik puanlama değişkenlerinde yoğunlaşmıştır. Seçilen çiftler daha yüksek ortalama uyumluluk puanı (0.853 vs. 0.829) ve daha yüksek ortalama kapasite puanı (0.395 vs. 0.381) gösterdi. Sonuç olarak, seçilen çiftler arasında ortalama hibrit puan 0,707 iken, seçilmemiş çiftler arasında 0,686 oldu. Seçilmiş çiftler operasyonel olarak da daha elverişliydi; daha düşük ortalama doktor yük oranı (0.628 vs. 0.642), daha fazla aynı gün pozisyonu (6.99 vs. 6.65) ve daha kısa tahmini bekleme süresi (12.46 saat vs. 12.79 s) sundu.

Seçilen 3.085 çift arasında 2.584 danışma tamamlandı (%83,8 tamamlanma oranı). Ortalama hasta memnuniyeti 5.00 üzerinden 4.29'du. Başarılı eşleşmeyi danışma tamamlama, hasta memnuniyeti 4.0 ve 14 günlük tekrar ziyaret olmaması olarak tanımlarsak, 1.644 seçilmiş çift bu kriteri karşıladı (%53,3 başarı oranı). Bu sonuçlar, nihai seçimlerin daha yüksek uyumluluk, daha düşük yük basıncı ve daha iyi bekleme süresi koşullarının kesişimiyle belirlendiğini, önceden belirlenmiş protokol mantığına uygun olduğunu göstermektedir.

Başarılı final eşleşmesiyle ilişkili çift düzeyindeki faktörler

Seçilen eşleşme alt kümesi içinde çok değişkenli lojistik regresyon yapıldı ve başarılı eşleştirmeyle ilişkili özellikleri belirlemek için yapıldı (Tablo 4, Şekil 5). Uyumluluk puanı başarılı eşleşmeyle pozitif ilişkili kaldı (düzeltilmiş olasılık oranı [aOR] = 11.99; %95 GA, 1.81–79.46; P = 0.010), kapasite puanı da (aOR = 2.08; %95 GA, 1.22–3.55; P = 0.007). Buna karşılık, daha uzun tahmini bekleme süresi başarılı bir eşleşme olasılığını azaltmıştır (aOR = ek saat başına 0.953; %95 CI, 0.934–0.972; P < 0.001). Uygun fiyatlılık da önemli olmaya devam etti (aOR = 1,33; %95 CI, 1,12–1,57; P = 0.001). Kesin uzmanlık eşleştirmesi, cinsiyet tercihi eşleştirmesi, öncelik durumu ve yüksek şiddet bağımsız olarak anlamlı kalmamıştır. Bu, eşleşme başarısının tek bir yüzey seviyesi özelliğinden ziyade birleşik uyumluluk ve emilebilir kapasiteye bağlı olduğunu gösterir.

Kıyaslama ve tahsis stratejilerinin sağlamlığı

12 değerlendirme katı boyunca karşılaştırmalı kıyaslama Tablo 5, Tablo 6 ve Şekil 6'da özetlenmiştir. Önerilen hibrit strateji en olumlu genel profili sağladı. Sıralama 1 (0.740), geri çağırma (0.691) ve F1 puanı (0.714) olarak en yüksek ortalama hassasiyeti sağladı; kural tabanlı temel, uyumluluk stratejisi ve kapasiteye dayalı stratejiyi geride bıraktı.

Operasyonel olarak, hibrit strateji en yüksek kapasite doldurma oranını (0,825) ve en kısa ortalama bekleme süresini (5,52 saat) sağladı. Hasta odaklı performans da optimize edildi; hibrit yaklaşım en yüksek ortalama hasta memnuniyetini (4,43) ve en düşük yük dengesizliği endeksini (0,195) sağladı; bu da doktor iş yükü dağılımı oldukça dengeli olduğunu gösteriyor. Alt grup analizleri (Tablo 7, Şekil 6), bu kararlı performans modelinin farklı aciliyet katmanları ve hastane katmanlarında korunduğunu doğruladı ve bu da çerçevenin yüksek kapasite kısıtlı ortamlarda bile sağlamlığını kanıtladı.

Şekil 1: Genel çalışma iş akışı. (A) Doktor havuzu ve hasta talep havuzunun oluşturulması. (B) İstenen uzmanlık alanında kalan kapasiteye sahip iki aktif doktordan az bulunduğunda sınırlı genişletme ile uzmanlık öncesi aday geri alma süreci. (C) Aday doktor-hasta çiftlerinin oluşturulması ve çiftli değişkenlerin türetilmesi. (D) Uyumluluk puanı, kapasite puanı ve hibrit puanın oluşturulması. (E) Nihai doktor seçimi, dört tahsis stratejisi boyunca katlama tabanlı kıyaslama ve performans sonuçlarının hesaplanması. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 2: Uyumluluk ve kapasite farkında eşleştirme çerçevesi mimarisi. (A) Uyumluluk modülü, uzmanlık uyumu, danışma modu uyumu, cinsiyet tercihi uyumu, uygun fiyatlılık uyumu, doktor geçmiş değerlendirmesi ve aciliyet-yanıt uyumu. (B) Kapasite modülü, doktor yük oranı, kalan aynı gün dilimleri ve tahmini bekleme süresi dahil. (C) Uyumluluk puanı ve kapasite puanı için puan normalizasyonu ve ağırlıklı puan toplama. (D) İki modülün nihai hibrit nota entegrasyonu. (E) Seçilen doktor-hasta eşleşmesini belirlemek için kullanılan nihai sıralama ve beraberlik çözme mantığı. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 3: Analitik veri setinde doktor ve hasta özelliklerinin temel dağılım kalıpları. (A) Doktor havuzunun uzmanlık dağılımı. (B) Doktorların mesleki unvanı ve hastane düzeyinde dağılışı. (C) Hasta danışma taleplerinin uzman dağıtımı. (D) Hasta taleplerinin ciddiyet ve aciliyet dağılımı. (E) Tercih edilen danışma yöntemi ve tercih edilen doktor cinsiyetinin hasta talepleri arasında dağılışı. Not: Bu şekilde sunulan tüm veri dağılımları, doğrudan nihai analitik veri setinden (n = 240 doktor; n = 3.600 hasta talebi) türetilmiştir ve Tablo 2'de bildirilen özet istatistiklerle tamamen uyumludur. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 4: Eşleşme düzeyinde puan dağılımları ve seçilen ile seçilmeyen aday eşleşmeler arasındaki ayrım. (A) Seçilmiş ve seçilmeyen çiftler arasında uyumluluk puanlarının dağılımı. (B) Seçilmiş ve seçilmeyen çiftler arasında kapasite puanlarının dağılımı. (C) Seçilmiş ve seçilmeyen çiftler arasında hibrit puanların dağılımı. (D) Seçim durumuna göre tahmini bekleme süresi (saat cinsinden). (E) Uyumluluk puanı ve kapasite puanının ortak dağılımı, seçilen ve seçilmeyen çiftler ayrı gösterilir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 5: Seçilen çiftler arasında başarılı nihai eşleşmeyle ilişkili faktörlerin çok değişkenli analizi. (A) Uyumluluk puanı, kapasite puanı, tahmini bekleme süresi (saat cinsinden), uygun fiyatlılık uyumu, uzmanlık uyumu, cinsiyet tercihi uyumu, şiddet seviyesi ve aciliyet seviyesi için ayarlanmış oranların orman grafiki. (B) Gözlemlenen uyumluluk puanı aralığında başarılı eşleşme olasılığı marjinal olarak belirlenir. (C) Gözlemlenen kapasite puanı aralığında başarılı eşleşme olasılığı marjinal olarak. (D) Tahmini bekleme süresi (saat cinsinden) ile başarılı eşleşme olasılığı arasındaki ters ilişki. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 6: Dört doktor-hasta eşleştirme stratejisinin ve hibrit çerçevenin alt grup performansının karşılaştırmalı kıyaslaması. (A) Dört strateji boyunca 1. sırada hassasiyet, geri çağırma ve F1 puanı. (B) Kapasite doldurma oranı, ortalama tahmini bekleme süresi ve dört strateji boyunca ortalama hasta memnuniyeti. (C) Dört strateji boyunca yük dengesizliği endeksi. (D) Hibrit stratejinin 12 tekrarlanan değerlendirme katlama katlama boyunca katlama düzeyi performans aralıkları. (E) Hibrit strateji alt grubu performans ısı haritası. Not: Bu şekilde sunulan tüm değerler, mutlak tutarlılığı sağlamak için Tablo 5'te bildirilen ilgili sonuçlarla çapraz doğrulanmıştır. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Tablo 1: Eşleştirme çerçevesi için operasyonel tanımlar, eşikler ve puanlama kuralları. Kısaltmalar: SD = standart sapma. Bu tabloyu indirmek için lütfen buraya tıklayın.

Tablo 2: Doktor havuzunun ve hasta talep havuzunun temel özellikleri. Eşleşmeden önce analitik veri setinin bölümü, özellikleri ve karşılaştırmalı temel istatistikleri. Bu tabloyu indirmek için lütfen buraya tıklayın.

Tablo 3: Seçilmiş ve seçilmeyen eşleşmeler arasındaki çift düzeyinde karşılaştırmalar. Bu tablo, nihai seçilen eşleşmeler ile seçilmeyen adaylar arasındaki yapısal ayrımı detaylandıran çift değişkenleri ve tanımlayıcı istatistikleri toplar. Bu tabloyu indirmek için lütfen buraya tıklayın.

Tablo 4: Seçilen çiftler arasında başarılı nihai eşleşmeyle ilişkili faktörlerin çok değişkenli lojistik regresyon analizi. Model bilgisi: Bağımlı değişken = seçilen çiftler arasında başarılı final eşleşmesi. Başarılı eşleşme, danışmanlık tamamlanması, hasta memnuniyeti 4.0/5.0 ve memnuniyetsizlik veya uyumsuzluk nedeniyle 14 günlük tekrar ziyaret olmaması olarak tanımlandı. Bu tabloyu indirmek için lütfen buraya tıklayın.

Tablo 5: Dört eşleştirme stratejisinin karşılaştırmalı performansı. 12 tekrarlanan katlama boyunca karşılaştırmalı strateji düzeyinde kıyaslamanın özeti. Bu tabloyu indirmek için lütfen buraya tıklayın.

Tablo 6: Hibrit stratejinin kararlılığı ve katlanma düzeyinde değişkenliği. Hibrit stratejinin 12 tekrarlanan değerlendirme katlama katlama boyunca katlama düzeyi performans aralıklarının özeti. Bu tabloyu indirmek için lütfen buraya tıklayın.

Tablo 7: Hibrit stratejinin alt grup performansı. Hibrit stratejinin acil durum seviyeleri ve hastane seviyelerine dayalı ayrıntılı alt grup performansı. Bu tabloyu indirmek için lütfen buraya tıklayın.

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 emilebilirliğini göz ardı ettiğinde gizli iş yükünü artırır. Son kanıtlar, daha fazla dijital talebinin planlanmış mesai dışındaki doktor çalışmalarının artmasıyla ilişkili olduğunu gösteriyor; bu da kapasite kısıtlamalarının eşleşme sistemlerine dahil edilmesinin pratik önemini pekiştiriyor; bunları ikincil operasyonel değişkenler olarak ele almak^yerine. Ayrıca, talep eşit dağılmazsa uyumluluk tek başına yeterli değildir. İnternet hastanelerinde, hasta seçimi görünür doktor özellikleriyle güçlü şekilde şekillenir ve bu da yapısal olarak yüksek görünür veya yüksek statülü doktorlar etrafındaki talep yoğunluğunu artırır. Bu dinamik, bu protokoldeki sadece uyumluluk stratejisinin nispeten güçlü eşleştirme kalitesini korumasını ancak bekleme süreleri ve yük^{dengesi 15} konusunda kötü performans göstermesini açıklar.

Değerlendirmemizde, başarılı bir eşleşmenin ikili sınıflandırması, başarısız klinik karşılaşmaları filtrelemek için katı bir eşik olarak hizmet ederken, ortalama hasta memnuniyeti puanı, farklı eşleşme stratejileri arasında kullanıcı algısı kalitenin incelikli dağılımını değerlendirmemize olanak sağladı. Ayrıca, potansiyel döngüsellikle ilgili endişeleri ele almak için, bu çalışmadaki ikincil performans sonuçları bu ikili durumdan bağımsız olarak değerlendirilmiş ve çerçevenin platform genelindeki hizmet kalitesi üzerindeki etkisinin sadece kendi sınıflandırma kriterlerini doğrulamak yerine daha geniş bir değerlendirme sağlanmıştır. Hibrit strateji kapsamında gözlemlenen daha yüksek hasta memnuniyeti, daha geniş teletıp literatürünle örtüşüyor ve memnuniyetin sadece dijital erişimden ziyade tahsis kalitesine derinden bağlı olduğunu göstererek bunu daha da keskinleştiriyor. Son çalışmalar, profesyonel tedavi planlaması, hasta endişelerinin doğru anlaşılması, kapsamlı yanıtlar ve şablon yanıtlardan kaçınmayı kullanıcı memnuniyetinin temel itici güçleri olarak belirlemektedir. Bu nedenle, optimal eşleştirme sistemleri, hastaları kabul edilebilir zaman aralığında yanıt verebilecek ve bireysel etkileşim kalıpları sağlayabilecek doktorlara^{yönlendirmelidir 16,17}. Bu dinamik, oluşturulan aday havuzunu talep başına iki ila dört doktorla sınırlama operasyonel gerekçemizi de vurgular (ortalama 2.72). Bu özel eşik, hasta özerkliğini korumak ile dijital sağlık seçim mimarilerinde karar vermeyi geciktiren ve kullanıcı deneyimini zayıflatan iyi belgelenmiş bilişsel darboğaz olan "seçim aşırı yükünü" önlemek arasında optimal bir denge sağlamak için ampirik olarak kalibre edilmiştir. Uygulama açısından bakıldığında, bu eşleştirme modeli daha geniş bir hizmet iş akışına entegre edilmelidir. Önemli olarak, mevcut deneysel protokol çerçeveyi statik, katlama tabanlı bir toplu atama kullanarak değerlendirirken, temel algoritmik mantık sürekli zamanlı dinamik senaryolara içsel olarak uyarlanabilir. Mevcut günlük yük ve kalan aynı gün dilimleri gibi kapasite değişkenleri yinelemeli olarak güncellenmek üzere tasarlandığından, hibrit puan gerçek zamanlı olarak verimli şekilde yeniden hesaplanabilir ve sıralı hasta gelişleri ile değişen doktor bulunabilirliğini karşılayabilir. Araştırmalar, eğitim, teknolojiye aşinalık, iletişim kalitesi ve iş yükünün kritik uygulama faktörleri olduğunu göstermekte olup, paydaşlar doktor yükünü azaltmak için somut mekanizmalar önermektedir. Sonuç olarak, hibrit çerçeve tahsis performansını artırsa da, gerçek dünya etkinliği büyük ölçüde destekleyici iş akışı tasarımı, platform yönetişimi ve operasyonel desteğe^{dayanır 18,19}.

Bu sonuçlar, sanal danışmanlıkların tüm bakım biçimlerinin yerini alabileceğine dair kanıt olmaktan ziyade, platform yönlendirmesinin optimizasyonunu temsil ediyor. Sanal danışmanlıklar verimliliği artırırken, güvenlik ve eşitlik konusunda kanıtlar karışık; Bu nedenle, bu çerçeve en iyi şekilde klinik triage veya yönlendirme yolları^20'nin yerine geçmez, ön uç bir tahsis aracı olarak anlaşılmalıdır. Mevcut protokolün birkaç sınırlaması vardır. Birincisi, değerlendirme veri seti gerçek dünya operasyonel koşullarını tamamen yansıtan değişkenler ve dağıtım desenleri kullanılarak oluşturulmuş olsa da, temelde kontrollü platform değerlendirmesi için tasarlanmış simüle edilmiş bir kohort olarak kalır. Ek olarak, bağımsız gerçek dünya veri setlerinin olmamasının, mevcut bulguların dış geçerliliğini sınırladığını kabul ediyoruz. Önerilen hibrit eşleştirme yönteminin genellenebilirliğini sağlam bir şekilde belirlemek için, gelecekteki çalışmalar, bu deneysel çerçeveyi çeşitli dijital sağlık platformlarında ve uzatılmış zaman dilimlerinde büyük ölçekli, gerçek dünya danışma günlükleri kullanarak doğrulamaya öncelik vermelidir. Modelin dayanıklılığını ve dinamik yönlendirme yeteneklerini—grip sezonları veya halk sağlığı acil durumları gibi aşırı zamansal talep şokları altında—değerlendirmek kritik öneme sahiptir. İkinci olarak, sonuçlar danışmanlık tamamlanması ve hasta memnuniyetini vurguladı, klinisyen tarafından belirlenen tanısal uygunluk veya uzunlamasına sağlık sonuçları hariç tutuldu. Üçüncü olarak, katlama tabanlı değerlendirme, k-fold çapraz doğrulama veya stratifikasyon örnekleme yerine basit rastgele seçmeye dayanıyordu. Bu, doğal hasta akışının dalgalılığını yakalasa da, zaman zaman belirli azınlık alt gruplarının tekdüze temsiliyetini tehlikeye atabilir. Gelecekteki algoritmik değerlendirmeler, tüm hasta alt popülasyonlarında tutarlı performans sağlamak için şiddet, aciliyet ve hastane düzeyine göre katmanlı örneklemi içermelidir. Dördüncü olarak, bu protokolden elde edilen tahmini bekleme süresi, titizlikle kalibre edilmiş bir öngörü modeli yerine yapısal bir vekil olarak hizmet eder. Sürekli ve gerçek dünya zaman damgası kayıtlarının eksikliği nedeniyle, katı korelasyon analizleri yapamıyoruz veya kalibrasyon hatalarını gerçek klinik bekleme sürelerine göre hesaplayamadık. Gelecekteki araştırmalar, bu sezgisel bekleme süresi parametrelerini doğrulamak ve ince ayarlamak için büyük ölçekli ampirik operasyonel loglardan yararlanmalıdır. Beşincisi, uyumluluk ve kapasiteyi birleştiren ağırlıklandırma şeması, nesnel matematiksel modellemeyle türetilmek yerine sezgisel olarak önceden belirlenmiştir. Bu önceden sabit yaklaşım, sonradan veri uyumunu engellerken, AHP veya entropi ağırlıklandırma gibi nesnel ağırlıklandırma yöntemlerinin titizliğinden yoksundur. Bu çerçevenin gelecekteki yinelemelerinde, optimal ağırlıklandırma oranını dinamik olarak belirlemek için bu nesnel çok ölçütlü karar alma yöntemleri kullanılmalıdır. Son olarak, çerçeve bire bir tahsis seviyesinde çalışır ve takım tabanlı danışmanlık veya sürekli dinamik yeniden önceliklendirme (örneğin, ani talep artışları veya gerçek zamanlı program iptalleri ile başa çıkma) modellenmeden statik toplu atama koşullarında değerlendirilmiştir. Gelecekteki araştırmalar, bu çerçeveyi tamamen dinamik bir kuyruk simülasyonuna genişletmeli ve eşleştirme algoritmalarını ilk doktor seçiminden iletişime duyarlı yönlendirme ve maç sonrası etkileşim desteğine kadar^{genişletmelidir 21}.

Genel olarak, bu protokol doktor-hasta eşleştirme paradigmasını tek amaçlı mantıktan başarıyla uzaklaştırıyor. Büyük ölçekli çevrimiçi platformlarda, etkili tahsis, klinik hizmet uygunluğunu ve doktorun mevcut iş yükü koşullarında operasyonel emlenebilirliğini birlikte ele almalıdır; zamanında ve hasta deneyimini olumsuz etkilemeden. Kural tabanlı, sadece uyumluluk ve sadece kapasite tabanlı stratejilerle karşılaştırıldığında, uyumluluk ve kapasite farkında hibrit çerçeve, uyum hassasiyeti, geri çağırma, F1 puanı, bekleme süresi, kapasite doldurma oranı ve iş yükü dağılımı açısından üstün bir genel denge sağladı. Doktor-hasta eşleşmesini ne tamamen tercihe dayalı bir tavsiye görevi ne de performans odaklı bir planlama problemi olarak ele alarak, bu yaklaşım akıllı danışma yönlendirmesi, platform kaynak koordinasyonu ve dijital sağlık hizmetlerinin gelecekteki optimizasyonu için son derece pratik ve ölçeklenebilir bir temel sağlar.

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)