Kembali ke pustaka

Pertanyaan kunci Baru

Diproses AI · Disetujui penulis

Bisakah rumah sakit memprediksi pasien mana yang akan berobat langsung setelah menyelesaikan konsultasi medis online?

Predicting Online-to-Offline Care Conversion in Internet Hospitals: A Theory-Guided Deep Learning Approach
Yang Zhou, Juan Li, Jiahui Feng, dkk. · International Conference on Information Systems (ICIS) · 2026
Ilustrasi untuk: Bisakah rumah sakit memprediksi pasien mana yang akan berobat langsung setelah menyelesaikan konsultasi medis online?

Memuat pemutar Spotify; Spotify dapat memasang cookie. Perangkat ini mengingat pilihan Anda.

Temuan utama

  • PACC-Net mengungguli baseline machine learning standar, arsitektur dialog neural, dan model bahasa besar, dengan capaian AUC 0,7738, AUPRC 0,7752, dan F1-score 0,7049.
  • Dibandingkan dengan baseline terkuat (model Qwen3-4B yang di-fine-tune dengan LoRA), PACC-Net menghasilkan peningkatan relatif sebesar 1,92% pada AUC, 3,35% pada AUPRC, dan 5,05% pada F1-score.
  • Analisis ablasi mengonfirmasi bahwa penghapusan kalibrator kredibilitas koping menyebabkan penurunan relatif terbesar pada recall (22,44%), sedangkan penghilangan pemodelan kerentanan pasien memicu penurunan paling tajam pada AUC (1,59%).
  • Uji sensitivitas menunjukkan keunggulan kinerja yang konsisten pada jendela prediksi tindak lanjut 3 hari, 7 hari, dan 14 hari.

Maknanya bagi Anda

CIO / Eksekutif TI

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.

Manajer TI

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.

Ahli Strategi Bisnis

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.

Peneliti

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.

Pembuat Kebijakan

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

Ringkasan

Penelitian ini mengembangkan PACC-Net, sebuah kerangka kerja deep learning berpanduan teori yang memprediksi apakah seorang pasien akan mengunjungi klinik luring dalam kurun waktu 14 hari setelah konsultasi daring. Berlandaskan Protection Motivation Theory, model ini mengevaluasi penilaian ancaman dan penilaian koping pasien dengan mengintegrasikan teks konsultasi multi-putaran, riwayat pemanfaatan layanan kesehatan sebelumnya, serta kredensial dokter. Pendekatan ini dievaluasi menggunakan pemisahan temporal pada data terhubung yang mencakup 65.867 konsultasi daring dan 323.196 kunjungan luring dari rumah sakit tersier besar di Tiongkok.

Masalah

Rumah sakit kerap menghadapi ketidakseimbangan antara kapasitas rawat jalan dan permintaan pasien, tetapi kekurangan alat efektif untuk mengantisipasi kapan konsultasi daring akan bertransisi menjadi kunjungan klinik luring. Model yang ada saat ini mengandalkan analisis teks standar atau kerangka pemasaran yang memperlakukan masukan pasien secara seragam, sehingga gagal menangkap perbedaan individu dalam persepsi ancaman kesehatan serta petunjuk kredibilitas sumber. Akibatnya, penyedia layanan kesehatan kehilangan kesempatan untuk mengoordinasikan staf, kuota janji temu, dan perawatan pasien lintas saluran secara proaktif.

Transkrip
Host: Halo dan selamat datang di A.I.S. Insights — powered by Living Knowledge. Saya Anna Ivy Summers. Hari ini kita membahas sebuah studi berjudul "Memprediksi Konversi Perawatan Online-ke-Offline di Rumah Sakit Internet: Pendekatan Deep Learning Berpanduan Teori", yang ditulis oleh Yang Zhou, Juan Li, Jiahui Feng, dan Hefu Liu, serta dipresentasikan di ICIS 2026. Bersama saya ada analis kita, Alex Ian Sutherland. Alex, studi ini meneliti bagaimana rumah sakit memprediksi kunjungan fisik setelah konsultasi daring. Bisa jelaskan konteksnya?

Expert: Tentu, Anna. Penelitian ini mengembangkan kerangka kerja deep learning bernama PACC-Net untuk memprediksi apakah seorang pasien akan mengunjungi klinik rawat jalan luring dalam kurun waktu 14 hari setelah berkonsultasi daring. Evaluasi studi ini menggunakan data terhubung yang mencakup 65.867 konsultasi daring dan 323.196 kunjungan luring dari rumah sakit tersier besar di Tiongkok dengan metode pemisahan temporal.

Host: Mengapa memprediksi transisi dari kanal daring ke luring ini menjadi masalah penting bagi penyedia layanan kesehatan?

Expert: Rumah sakit kerap menghadapi ketidakseimbangan kapasitas operasional, di mana antrean rawat jalan menumpuk sementara alokasi staf belum tentu optimal. Selama ini, penyedia layanan kekurangan alat untuk mengantisipasi kapan interaksi daring akan berlanjut menjadi kunjungan luring. Model yang umum digunakan hanya bertumpu pada analisis teks standar atau kerangka pemasaran konvensional yang memperlakukan pesan pasien secara seragam. Pendekatan tersebut melewatkan perbedaan individu dalam memandang ancaman penyakit serta bagaimana kredibilitas dokter memengaruhi keputusan pasien untuk datang langsung.

Host: Bagaimana kerangka PACC-Net menangani kesenjangan tersebut secara metodologis?

Expert: PACC-Net dibangun berlandaskan Protection Motivation Theory, atau PMT. Teori ini membagi proses keputusan kesehatan ke dalam dua komponen: penilaian ancaman dan penilaian koping. Arsitektur model menggabungkan teks konsultasi multi-putaran untuk menilai keparahan dan kerentanan pasien, data riwayat pemanfaatan layanan kesehatan masa lalu, serta kredensial dokter untuk mengukur kredibilitas anjuran medis. Integrasi variabel-variabel ini memungkinkan sistem memetakan tendensi perilaku pasien secara lebih terstruktur.

Host: Lalu, bagaimana hasil pengujian kinerja model ini dibandingkan metode lainnya?

Expert: PACC-Net mencatatkan nilai AUC sebesar 0,7738, AUPRC 0,7752, dan F1-score 0,7049. Model ini mengungguli baseline machine learning standar, arsitektur dialog neural, dan model bahasa besar. Jika dibandingkan dengan baseline terkuat, yaitu model Qwen3-4B yang di-fine-tune dengan LoRA, PACC-Net memberikan peningkatan relatif sebesar 1,92% pada AUC, 3,35% pada AUPRC, dan 5,05% pada F1-score.

Host: Apakah studi ini juga menguji seberapa penting tiap komponen dalam arsitektur tersebut?

Expert: Ya, analisis ablasi menunjukkan bahwa saat kalibrator kredibilitas koping dihilangkan, terjadi penurunan relatif terbesar pada recall hingga 22,44%. Sementara itu, penghilangan pemodelan kerentanan pasien memicu penurunan paling tajam pada AUC sebesar 1,59%. Studi ini juga menjalankan uji sensitivitas pada jendela waktu prediksi tindak lanjut yang berbeda, yaitu 3 hari, 7 hari, dan 14 hari, dan hasilnya menunjukkan keunggulan kinerja yang stabil di semua rentang tersebut.

Host: Dari perspektif manajemen bisnis dan operasional rumah sakit, apa penerapan praktis dari temuan ini?

Expert: Praktisi rumah sakit dapat memanfaatkan prediksi ini untuk mengelola kuota janji temu dan jadwal staf klinik secara proaktif beberapa hari sebelum lonjakan fisik terjadi. Selain itu, sistem dapat membantu personalisasi tindak lanjut, misalnya mendeteksi pasien berisiko tinggi yang ragu untuk datang ke klinik sehingga staf dapat memberikan pendampingan rujukan, sekaligus memilah pasien berisiko rendah yang cukup diarahkan pada pemantauan jarak jauh.

Host: Pendekatan ini menunjukkan bagaimana teori perilaku kesehatan dapat diterapkan langsung ke dalam pemodelan prediktif untuk mendukung efisiensi operasional. Terima kasih atas pembahasannya, Alex. Dan terima kasih kepada para pendengar setia A.I.S. Insights — powered by Living Knowledge. Sampai jumpa di episode berikutnya.
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