بازگشت به کتابخانه

پرسش کلیدی جدید

پردازش‌شده با هوش مصنوعی · تأییدشده توسط نویسنده

آیا بیمارستان‌ها می‌توانند پیش‌بینی کنند کدام بیماران پس از مشاوره آنلاین، حضوری مراجعه می‌کنند؟

Predicting Online-to-Offline Care Conversion in Internet Hospitals: A Theory-Guided Deep Learning Approach
Yang Zhou, Juan Li, Jiahui Feng, و همکاران · International Conference on Information Systems (ICIS) · 2026
تصویر برای: آیا بیمارستان‌ها می‌توانند پیش‌بینی کنند کدام بیماران پس از مشاوره آنلاین، حضوری مراجعه می‌کنند؟

پخش‌کننده Spotify بارگذاری می‌شود؛ ممکن است Spotify کوکی‌هایی تنظیم کند. این دستگاه انتخاب شما را به خاطر می‌سپارد.

یافته‌های کلیدی

  • مدل PACC-Net عملکرد بهتری نسبت به روش‌های یادگیری ماشین مرسوم، معماری‌های عصبی گفتگو و مدل‌های زبانی بزرگ پایه داشت و به AUC برابر با ۰٫۷۷۳۸، AUPRC برابر با ۰٫۷۷۵۲ و نمره F1 برابر با ۰٫۷۰۴۹ دست یافت.
  • در مقایسه با قوی‌ترین مدل پایه (مدل Qwen3-4B تنظیم‌شده با LoRA)، مدل PACC-Net به بهبود نسبی ۱٫۹۲٪ در AUC، ۳٫۳۵٪ در AUPRC و ۵٫۰۵٪ در نمره F1 رسید.
  • تحلیل‌های ابلیشن نشان دادند که حذف کالیبراتور اعتبار مقابله منجر به بیشترین کاهش نسبی در بازخوانی (۲۲٫۴۴٪) شد، در حالی که حذف مدل‌سازی آسیب‌پذیری بیمار بیشترین افت را در AUC (۱٫۵۹٪) به همراه داشت.
  • ارزیابی‌های حساسیت برتری پایدار عملکرد را در بازه‌های زمانی پیش‌بینی پیگیری ۳ روزه، ۷ روزه و ۱۴ روزه تایید کردند.

معنای آن برای شما

مدیر ارشد فناوری اطلاعات

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.

مدیر فناوری اطلاعات

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.

استراتژیست کسب‌وکار

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.

پژوهشگر

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.

سیاست‌گذار

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

خلاصه

این پژوهش چارچوب یادگیری عمیق و مبتنی بر نظریه PACC-Net را توسعه می‌دهد که مراجعه بیمار به درمانگاه حضوری را ظرف ۱۴ روز پس از مشاوره آنلاین پیش‌بینی می‌کند. این مدل با تکیه بر نظریه انگیزش محافظت، ارزیابی تهدید و ارزیابی مقابله بیمار را از طریق ادغام متن گفتگوی چندمرحله‌ای، سوابق قبلی استفاده از خدمات درمانی و مدارک پزشک می‌سنجد. این رویکرد با استفاده از تفکیک زمانی داده‌های مرتبط شامل ۶۵٬۸۶۷ مشاوره آنلاین و ۳۲۳٬۱۹۶ ویزیت حضوری در یک بیمارستان بزرگ تخصصی در چین ارزیابی شده است.

مسئله

بیمارستان‌ها اغلب با عدم تعادل بین ظرفیت بخش سرپایی و تقاضای بیماران مواجه هستند، اما فاقد ابزارهای کارآمد برای پیش‌بینی زمان تبدیل مشاوره‌های آنلاین به ویزیت‌های حضوری می‌باشند. مدل‌های موجود بر تحلیل‌های متنی مرسوم یا چارچوب‌های بازاریابی متکی هستند که با ورودی‌های بیماران به شکلی یکنواخت برخورد می‌کنند و تفاوت‌های فردی در درک تهدید سلامت و نشانه‌های اعتبار منبع را نادیده می‌گیرند. در نتیجه، ارائه‌دهندگان خدمات سلامت فرصت هماهنگی پیش‌دستانه کارکنان، نوبت‌دهی و مراقبت چندکاناله از بیماران را از دست می‌دهند.

متن گفتار
Host: سلام و درود به همه شنوندگان گرامی. به یکی دیگر از قسمت‌های پادکست A.I.S. Insights همراه با Living Knowledge خوش آمدید. من آنا آیوی سامرز هستم و امروز در کنار همکارم، الکس ایان ساترلند، به بررسی یک مطالعه جدید در حوزه فناوری سلامت می‌پردازیم. این مطالعه با عنوان «پیش‌بینی تبدیل مراقبت آنلاین به آفلاین در بیمارستان‌های اینترنتی: یک رویکرد یادگیری عمیق مبتنی بر نظریه» توسط یانگ ژو، خوان لی، جیاهوی فنگ و هِفو لیو انجام شده و در کنفرانس بین‌المللی سیستم‌های اطلاعاتی، ICIS در سال ۲۰۲۶ ارائه شده است. الکس، خوش آمدی.
Expert: سلام آنا، از حضور در برنامه خوشحالم و مشتاقم یافته‌های این مطالعه را با شنوندگان به اشتراک بگذارم.
Host: الکس، برای شروع، این مطالعه بر توسعه مدلی به نام PACC-Net متمرکز است که احتمال مراجعه حضوری بیمار به درمانگاه را ظرف ۱۴ روز پس از یک مشاوره آنلاین پیش‌بینی می‌کند. بیمارستان‌ها در حال حاضر با چه چالشی در این زمینه روبه‌رو هستند؟
Expert: چالش اصلی، عدم تعادل میان ظرفیت پذیرش در بخش سرپایی و تقاضای واقعی بیماران است. با گسترش بیمارستان‌های اینترنتی، بسیاری از بیماران ابتدا مشاوره متنی آنلاین دریافت می‌کنند، اما ارائه‌دهندگان خدمات درمانی ابزار دقیقی برای پیش‌بینی اینکه چه زمانی این تعاملات آنلاین به ویزیت حضوری منتهی می‌شوند، ندارند. روش‌های متداول اغلب از مدل‌های عمومی بازاریابی یا تحلیل متنی ساده استفاده می‌کنند و پیام‌های بیماران را یکنواخت در نظر می‌گیرند. در نتیجه، عواملی مانند احساس خطر بیمار نسبت به بیماری یا میزان اعتماد او به تخصص پزشک نادیده گرفته می‌شوند و بیمارستان‌ها فرصت مدیریت بهینه ظرفیت و نوبت‌دهی را از دست می‌دهند.
Host: نویسندگان این مطالعه برای حل این مسئله از چه روشی استفاده کرده‌اند؟
Expert: پژوهشگران چارچوبی به نام PACC-Net طراحی کرده‌اند که بر پایه «نظریه انگیزش محافظت» بنا شده است. این چارچوب رفتار بیمار را از طریق دو مولفه روان‌شناختی بررسی می‌کند: ارزیابی تهدید، شامل ادراک بیمار از شدت بیماری و میزان آسیب‌پذیری خود، و ارزیابی مقابله، یعنی اطمینان بیمار از اثربخشی درمان پیشنهادی و صلاحیت تخصصی پزشک. مدل PACC-Net متن گفتگوی چندمرحله‌ای میان بیمار و پزشک، سوابق قبلی استفاده از خدمات درمانی و مدارک و صلاحیت‌های پزشک را با هم ترکیب می‌کند. این رویکرد بر روی مجموعه‌داده‌ای شامل ۶۵٬۸۶۷ مشاوره آنلاین و ۳۲۳٬۱۹۶ ویزیت حضوری در یک بیمارستان تخصصی ارزیابی شده است.
Host: نتایج عددی این مطالعه چه چیزی را نشان داد؟
Expert: نتایج نشان داد که مدل PACC-Net در مقایسه با مدل‌های پایه عملکرد بهتری ثبت کرده است. این مدل به معیار AUC برابر با ۰٫۷۷۳۸، معیار AUPRC برابر با ۰٫۷۷۵۲ و نمره F1 برابر با ۰٫۷۰۴۹ دست یافت. در مقایسه با قوی‌ترین مدل پایه مورد بررسی، یعنی مدل زبانی Qwen3-4B که با روش LoRA تنظیم شده بود، PACC-Net بهبود نسبی ۱٫۹۲ درصدی در AUC، ۳٫۳۵ درصدی در AUPRC و ۵٫۰۵ درصدی در نمره F1 نشان داد.
Host: آیا در تحلیل‌های اجزای مدل، مشخص شد که کدام بخش بیشترین تاثیر را در عملکرد داشته است؟
Expert: بله، در تحلیل‌های تفکیکی مشخص شد که حذف بخش «کالیبراتور اعتبار مقابله» بیشترین افت را در معیار بازخوانی به همراه داشت و آن را ۲۲٫۴۴ درصد کاهش داد. همچنین حذف مدل‌سازی آسیب‌پذیری بیمار موجب افت ۱٫۵۹ درصدی در معیار AUC شد. ارزیابی‌های تکمیلی نیز نشان داد که برتری این مدل در بازه‌های زمانی مختلف پیگیری، یعنی بازه‌های ۳ روزه، ۷ روزه و ۱۴ روزه به شکل یکنواخت حفظ می‌شود.
Host: این یافته‌ها از دیدگاه مدیریت درمان و عملیات تجاری چه کاربردی دارند؟
Expert: اهمیت اصلی این مطالعه در امکان برنامه‌ریزی پیش‌دستانه منابع است. مدیران بیمارستان‌ها با بهره‌گیری از چنین مدلی می‌توانند تقاضای ویزیت حضوری را با دقت بیشتری برآورد کنند و ظرفیت درمانگاه‌های سرپایی، تعداد پزشکان حاضر و برنامه شیفت کادر درمان را بر اساس نیاز واقعی تنظیم نمایند. علاوه بر این، سیستم سلامت می‌تواند برای بیمارانی که احتمال تبدیل آنلاین به آفلاین در آن‌ها بالا است، مسیرهای نوبت‌دهی خودکار یا راهنمایی‌های بالینی هدفمند طراحی کند و پیوستگی مراقبت چندکاناله را ارتقا دهد.
Host: بسیار کاربردی و شفاف بود. به طور خلاصه، این مطالعه نشان می‌دهد که ادغام ابعاد روان‌شناختی ادراک سلامت با داده‌های مکالمه و سوابق بالینی، امکان پیش‌بینی دقیق‌تر تقاضای خدمات سرپایی را فراهم می‌کند. الکس، از توضیحات دقیق و روشن شما سپاسگزارم.
Expert: از شما هم ممنونم، آنا.
Host: و با تشکر از همراهی شما شنوندگان پادکست A.I.S. Insights. تا برنامه بعدی، خدانگهدار.
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