Retour à la bibliothèque

Question clé Nouveau

Traité par IA · Validé par l'auteur

Les hôpitaux peuvent-ils prédire quels patients consulteront en présentiel après une consultation médicale en ligne ?

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 pour : Les hôpitaux peuvent-ils prédire quels patients consulteront en présentiel après une consultation médicale en ligne ?

Charge le lecteur Spotify ; Spotify peut déposer des cookies. Cet appareil mémorise votre choix.

Principaux résultats

  • PACC-Net a surpassé l'apprentissage automatique traditionnel, les architectures de dialogue neuronal et les modèles de langage de référence, avec une AUC de 0,7738, une AUPRC de 0,7752 et un score F1 de 0,7049.
  • Par rapport à la meilleure référence (un modèle Qwen3-4B affiné par LoRA), PACC-Net a obtenu des gains relatifs de 1,92 % pour l'AUC, 3,35 % pour l'AUPRC et 5,05 % pour le score F1.
  • Les tests d'ablation ont montré que le retrait du module calibrant la crédibilité de l'adaptation provoquait la plus forte baisse de rappel (22,44 %), tandis que l'omission de la vulnérabilité du patient entraînait la chute d'AUC la plus nette (1,59 %).
  • Les analyses de sensibilité ont confirmé des gains de performance stables sur des horizons prédictifs de 3, 7 et 14 jours.

Ce que cela implique pour vous

DSI / Dirigeant IT

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.

Responsable informatique

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.

Stratège d'entreprise

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.

Chercheur

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.

Décideur public

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

Résumé

Cette étude développe PACC-Net, un cadre d'apprentissage profond guidé par la théorie qui prédit si un patient consultera en présentiel dans les 14 jours suivant une consultation en ligne. Fondé sur la théorie de la motivation à se protéger, le modèle évalue l'estimation de la menace et de l'adaptation chez le patient en intégrant les échanges textuels de la consultation, l'historique de soins et les qualifications du médecin. L'approche a été évaluée par découpage temporel sur des dossiers appariés comprenant 65 867 consultations en ligne et 323 196 visites physiques d'un grand hôpital tertiaire en Chine.

Problématique

Les hôpitaux font fréquemment face à des déséquilibres entre l'offre et la demande en soins ambulatoires, sans disposer d'outils efficaces pour anticiper le passage des consultations en ligne vers des visites physiques. Les modèles actuels reposent sur l'analyse textuelle standard ou des cadres marketing traitant les patients de manière uniforme, sans saisir les perceptions individuelles du risque sanitaire ni la crédibilité perçue des praticiens. Par conséquent, les établissements de santé peinent à planifier proactivement les effectifs, les créneaux de rendez-vous et la continuité des soins.

Transcription
Host: Bonjour et bienvenue dans A.I.S. Insights — powered by Living Knowledge. Je suis Anna Ivy Summers, et je suis accompagnée aujourd'hui par notre analyste Alex Ian Sutherland.
Expert: Bonjour Anna. C'est un plaisir d'être avec vous pour examiner les applications pratiques de cette recherche.
Host: Aujourd'hui, nous abordons une étude présentée à la conférence ICIS 2026 par Yang Zhou, Juan Li, Jiahui Feng et Hefu Liu. Elle s'intitule : « Prédire la conversion des soins en ligne vers le présentiel dans les hôpitaux Internet : une approche d'apprentissage profond guidée par la théorie ». En substance, cette étude développe un modèle nommé PACC-Net pour anticiper si un patient ayant consulté en ligne se rendra physiquement à l'hôpital dans les quatorze jours. Alex, quel est le problème opérationnel concret auquel ce travail s'attaque ?
Expert: Les hôpitaux font face à une gestion complexe des flux de patients en ambulatoire. Avec l'essor des consultations en ligne, de nombreux patients utilisent le numérique pour un premier tri. Cependant, les gestionnaires hospitaliers manquent de visibilité sur ceux qui vont ensuite solliciter une consultation en présentiel. Les modèles prédictifs standards traitent souvent ces échanges textuels comme de simples interactions de commerce électronique, en ignorant la psychologie propre à la santé, notamment la perception du danger médical et la confiance accordée au praticien. Cela complique l'anticipation des besoins en personnel et la planification des créneaux de rendez-vous.
Host: L'équipe de recherche a donc cherché à modéliser ces comportements avec PACC-Net. Comment ce système fonctionne-t-il exactement ?
Expert: PACC-Net s'appuie sur la théorie de la motivation à se protéger. Le modèle analyse deux dimensions cognitives chez le patient : l'évaluation de la menace et l'évaluation de l'adaptation. Concrètement, le système traite les messages textuels de la consultation en ligne, l'historique médical antérieur du patient et les qualifications du médecin. L'évaluation a été réalisée sur un jeu de données apparié de 65 867 consultations en ligne et 323 196 visites physiques issues d'un grand hôpital tertiaire en Chine, en utilisant une séparation temporelle pour tester la validité des prédictions.
Host: Quels ont été les résultats mesurés lors des tests comparatifs ?
Expert: PACC-Net a obtenu une aire sous la courbe ROC de 0,7738, une AUPRC de 0,7752 et un score F1 de 0,7049. L'étude a comparé le modèle à des algorithmes d'apprentissage automatique traditionnels, à des architectures de dialogue neuronal et à des modèles de langage de référence. Face à la référence la plus performante, un modèle Qwen3-4B ajusté par LoRA, PACC-Net enregistre des gains relatifs de 1,92 % pour l'AUC, de 3,35 % pour l'AUPRC et de 5,05 % pour le score F1. De plus, les analyses de sensibilité indiquent une stabilité de ces gains sur des fenêtres prédictives de 3, 7 et 14 jours.
Host: Les auteurs ont aussi mené des analyses d'ablation pour comprendre l'impact de chaque composant théorique. Qu'ont-ils observé ?
Expert: Ces tests montrent l'utilité des différents modules. Le retrait du module calibrant la crédibilité de l'adaptation, liée aux caractéristiques du médecin, provoque la plus forte baisse de rappel, soit une diminution de 22,44 %. Cela signifie que sans ce module, le système identifierait beaucoup moins de patients qui se déplacent réellement en présentiel. Par ailleurs, l'omission de la vulnérabilité perçue du patient entraîne la chute la plus nette de l'AUC, à 1,59 %.
Host: Pour les gestionnaires de santé et les décideurs, quelles sont les implications pratiques de cette étude ?
Expert: L'intérêt réside dans l'anticipation opérationnelle. Prédire les conversions à quatorze jours permet aux établissements d'ajuster l'ouverture des créneaux ambulatoires et la dotation en personnel soignant en fonction de la demande attendue, plutôt que d'absorber les flux sans préavis. Sur le plan de la coordination des soins, cela offre un moyen d'identifier les patients susceptibles d'avoir besoin d'une visite physique mais qui risquent d'abandonner leur parcours, permettant aux équipes d'organiser un suivi proactif.
Host: Une démarche qui relie modélisation théorique et données textuelles pour répondre à des contraintes concrètes de planification. Merci beaucoup pour cet éclairage, Alex.
Expert: Merci Anna.
Host: Et merci à vous de nous avoir écoutés sur A.I.S. Insights — powered by Living Knowledge. À très bientôt pour un nouvel épisode.
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