Zurück zur Bibliothek

Kernfrage Neu

KI-aufbereitet · Von Autoren geprüft

Können Krankenhäuser vorhersagen, welche Patienten nach einer Online-Konsultation eine persönliche ambulante Behandlung aufsuchen?

Predicting Online-to-Offline Care Conversion in Internet Hospitals: A Theory-Guided Deep Learning Approach
Yang Zhou, Juan Li, Jiahui Feng, et al. · International Conference on Information Systems (ICIS) · 2026
Illustration zu: Können Krankenhäuser vorhersagen, welche Patienten nach einer Online-Konsultation eine persönliche ambulante Behandlung aufsuchen?

Lädt den Spotify-Player; Spotify kann Cookies setzen. Dieses Gerät merkt sich Ihre Auswahl.

Zentrale Ergebnisse

  • PACC-Net übertraf standardmäßige Machine-Learning-Verfahren, neuronale Dialogarchitekturen sowie Baseline-Modelle großer Sprachmodelle und erzielte eine AUC von 0,7738, eine AUPRC von 0,7752 und einen F1-Score von 0,7049.
  • Im Vergleich zur stärksten Baseline (ein per LoRA feinabgestimmtes Qwen3-4B-Modell) erzielte PACC-Net relative Verbesserungen von 1,92 % bei der AUC, 3,35 % bei der AUPRC und 5,05 % beim F1-Score.
  • Ablationsanalysen bestätigten, dass das Entfernen des Bewältigungsglaubwürdigkeits-Kalibrators den größten relativen Rückgang beim Recall verursachte (22,44 %), während das Weglassen der Modellierung der Patientenverwundbarkeit den stärksten Abfall der AUC bewirkte (1,59 %).
  • Sensitivitätsanalysen zeigten konsistente Leistungsvorteile über Vorhersagefenster von 3, 7 und 14 Tagen hinweg.

Bedeutung für die Praxis

CIO / IT-Leitung

Allocate development resources to pilot the PACC-Net framework, prioritizing the integration of multi-turn consultation text, patient historical records, and physician credential data into the core EHR architecture.

IT-Management

Review data pipelines to ensure the team can reliably extract and feed patient threat appraisal variables and physician credibility cues into the prediction models by the end of the sprint.

Unternehmensstrategie

Draft a capacity planning proposal that utilizes 3-day, 7-day, and 14-day online-to-offline conversion probability outputs to dynamically adjust physical clinic staffing and appointment slots.

Forschung

Design an ablation experiment to test the impact of integrating Protection Motivation Theory variables against traditional marketing-based features on downstream clinical conversion prediction accuracy.

Politische Entscheidungsträger

Draft guidelines for internet hospitals requiring transparent display of physician credentialing data to support patient coping appraisal and improve safe cross-channel care coordination.

Zusammenfassung

Diese Studie entwickelt PACC-Net, ein theoriegeleitetes Deep-Learning-Framework, das prognostiziert, ob ein Patient innerhalb von 14 Tagen nach einer Online-Konsultation eine physische Klinik aufsuchen wird. Basierend auf der Protection Motivation Theory bewertet das Modell die Bedrohungs- und Bewältigungseinschätzung des Patienten durch die Integration von mehrründigen Konsultationstexten, früheren Behandlungshistorien und Arztqualifikationen. Der Ansatz wurde anhand einer zeitlichen Aufteilung verknüpfter Datensätze evaluiert, die 65.867 Online-Konsultationen und 323.196 Offline-Besuche eines großen tertiären Krankenhauses in China umfassen.

Problemstellung

Krankenhäuser stehen häufig vor Diskrepanzen zwischen ambulanter Kapazität und Patientennachfrage, verfügen jedoch über keine effektiven Instrumente, um vorherzusehen, wann Online-Konsultationen in persönliche Klinikbesuche übergehen. Bestehende Modelle stützen sich auf Standard-Textanalysen oder Marketing-Konzepte, die Patienteneingaben undifferenziert behandeln und individuelle Unterschiede bei der Risikowahrnehmung sowie Glaubwürdigkeitssignale ignorieren. Dadurch verpassen Gesundheitsversorger die Chance, Personal, Terminkontingente und die kanalübergreifende Patientenversorgung proaktiv zu steuern.

Transkript
Host: Willkommen zu A.I.S. Insights — powered by Living Knowledge. Ich bin Anna Ivy Summers. In der heutigen Folge besprechen wir eine Studie mit dem Titel "Vorhersage der Online-zu-Offline-Versorgungskonversion in Internet-Krankenhäusern: Ein theoriegeleiteter Deep-Learning-Ansatz". Die Autoren sind Yang Zhou, Juan Li, Jiahui Feng und Hefu Liu, vorgestellt auf der International Conference on Information Systems 2026. Bei mir ist unser Analyst Alex Ian Sutherland. Alex, worum geht es in dieser Untersuchung?
Expert: Hallo Anna. Die Studie befasst sich mit Internet-Krankenhäusern und stellt ein Modell namens PACC-Net vor. Dieses theoriegeleitete Deep-Learning-Framework prognostiziert, ob ein Patient innerhalb von 14 Tagen nach einer Online-Konsultation eine physische Klinik aufsuchen wird. Evaluiert wurde das Modell an einem Datensatz eines tertiären Krankenhauses in China, der 65.867 Online-Konsultationen mit 323.196 Offline-Besuchen verknüpft.
Host: Welches zentrale Problem im Klinikalltag soll damit gelöst werden?
Expert: Viele Krankenhäuser stehen vor einer Diskrepanz zwischen ambulanter Kapazität und der tatsächlichen Patientennachfrage. Oft fehlt es an Instrumenten, um verlässlich vorherzusagen, wann aus einem digitalen Erstkontakt ein physischer Besuch wird. Bestehende Modelle stützen sich meist auf standardisierte Textanalysen oder allgemeine Marketingkonzepte. Diese erfassen jedoch weder die individuelle Risikowahrnehmung der Patienten noch die wahrgenommene Glaubwürdigkeit des Arztes. In der Folge können Terminkontingente und Personalressourcen nicht vorausschauend gesteuert werden.
Host: Wie geht PACC-Net methodisch an diese Herausforderung heran?
Expert: Die Autoren nutzen die Schutzmotivationstheorie, im Englischen Protection Motivation Theory. Das Modell bildet zwei Dimensionen ab: die Bedrohungseinschätzung und die Bewältigungseinschätzung des Patienten. Hierfür verarbeitet die Architektur mehrründige Dialogtexte aus den Online-Konsultationen, die frühere Behandlungshistorie des Patienten und die Qualifikationsmerkmale der behandelnden Ärzte. Es verbindet also klinische Verlaufsdaten mit psychologischen Verhaltensmustern.
Host: Welche Ergebnisse lieferten die Tests im Vergleich zu bestehenden Ansätzen?
Expert: PACC-Net erzielte eine AUC von 0,7738, eine AUPRC von 0,7752 und einen F1-Score von 0,7049. Damit übertraf es standardmäßige Machine-Learning-Verfahren und auch größere Sprachmodelle. Im Vergleich zur stärksten Baseline, einem per LoRA feinabgestimmten Qwen3-4B-Modell, verzeichnete PACC-Net relative Steigerungen von 1,92 Prozent bei der AUC, 3,35 Prozent bei der AUPRC und 5,05 Prozent beim F1-Score.
Host: Konnten die Autoren feststellen, welche Modellkomponenten den größten Einfluss auf diese Leistung hatten?
Expert: Ja, das zeigten die Ablationsanalysen. Wurde der sogenannte Bewältigungsglaubwürdigkeits-Kalibrator entfernt, sank der Recall relativ um 22,44 Prozent. Das Weglassen der Modellierung der Patientenverwundbarkeit führte zum stärksten Abfall bei der AUC, nämlich um 1,59 Prozent. Zudem blieben die Vorhersagevorteile über Zeitfenster von 3, 7 und 14 Tagen hinweg stabil.
Host: Was bedeutet diese Erkenntnis nun konkret für Entscheidungsträger im Gesundheitswesen?
Expert: Für das operative Management bietet dieser Ansatz die Möglichkeit, Nachfragespitzen in physischen Kliniken präziser zu antizipieren. Wenn Betreiber wissen, welche Online-Konsultationen mit hoher Wahrscheinlichkeit zu einem Vor-Ort-Termin führen, lassen sich Sprechstunden, Diagnostikkapazitäten und Fachpersonal effizienter disponieren. Zudem können Versorger gezielte Nachfassaktionen einleiten, um Patienten mit hohem Behandlungsbedarf aktiv bei der Terminbuchung zu unterstützen.
Host: Das verbindet digitale Vorklärung und physische Behandlung zu einer koordinierteren Versorgungskette. Vielen Dank für diese Einblicke, Alex.
Expert: Gern geschehen, Anna.
Host: Und danke an Sie fürs Zuhören bei A.I.S. Insights — powered by Living Knowledge. Bis zur nächsten Folge.
Artificial Intelligence & Automation Information Systems & Management Human-Computer Interaction Data Analytics & Big Data Digital Transformation & Strategy Cybersecurity & Privacy Cloud & Infrastructure E-Commerce & Digital Platforms Operations & Supply Chain Sustainability & Green IS

Online-to-Offline Care Conversion, Internet Hospitals, Protection Motivation Theory, Deep Learning, Outpatient Demand Prediction, Healthcare Analytics