Torna alla biblioteca

Domanda chiave Novità

Elaborato con IA · Approvato dall'autore

Gli ospedali possono prevedere quali pazienti richiederanno visite ambulatoriali di persona dopo un consulto medico online?

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
Illustrazione per: Gli ospedali possono prevedere quali pazienti richiederanno visite ambulatoriali di persona dopo un consulto medico online?

Carica il player di Spotify; Spotify potrebbe impostare cookie. Questo dispositivo memorizza la Sua scelta.

Risultati principali

  • PACC-Net ha superato i modelli di base di machine learning standard, le architetture neurali di dialogo e i modelli linguistici di grandi dimensioni, raggiungendo un'AUC di 0,7738, un'AUPRC di 0,7752 e un punteggio F1 di 0,7049.
  • Rispetto al modello di riferimento più competitivo (un modello Qwen3-4B ottimizzato con LoRA), PACC-Net ha prodotto miglioramenti relativi dell'1,92% nell'AUC, del 3,35% nell'AUPRC e del 5,05% nel punteggio F1.
  • Le analisi di ablazione hanno confermato che la rimozione del calibratore di credibilità del coping ha provocato la maggiore riduzione relativa nel recall (22,44%), mentre l'omissione della modellazione della vulnerabilità del paziente ha causato il calo più netto dell'AUC (1,59%).
  • Le verifiche di sensibilità hanno dimostrato vantaggi prestazionali costanti su finestre di previsione di follow-up a 3, 7 e 14 giorni.

Cosa significa per Lei

CIO / Dirigente 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.

Responsabile IT

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.

Business Strategist

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.

Ricercatore

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.

Policymaker

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

Sintesi

Questo studio sviluppa PACC-Net, un framework di deep learning guidato dalla teoria che prevede se un paziente effettuerà una visita clinica offline entro 14 giorni da un consulto online. Fondato sulla Teoria della Motivazione alla Protezione, il modello valuta la percezione della minaccia e la valutazione di adattamento del paziente integrando il testo delle consultazioni a più turni, le cartelle pregresse sull'utilizzo dei servizi sanitari e le credenziali del medico. L'approccio è stato valutato mediante una suddivisione temporale su dati collegati relativi a 65.867 consulti online e 323.196 visite offline di un grande ospedale terziario in Cina.

Problema

Gli ospedali affrontano spesso squilibri tra la capacità ambulatoriale e la domanda dei pazienti, ma mancano di strumenti efficaci per anticipare quando i consulti online si trasformeranno in visite cliniche offline. I modelli esistenti si basano su analisi testuali convenzionali o framework di marketing che trattano gli input dei pazienti in modo uniforme, fallendo nel cogliere le differenze individuali nelle percezioni di minaccia per la salute e nei segnali di credibilità della fonte. Di conseguenza, i fornitori di assistenza sanitaria perdono l'opportunità di coordinare proattivamente il personale, le disponibilità per gli appuntamenti e l'assistenza ai pazienti multicanale.

Trascrizione
Host: Benvenuti a un nuovo episodio di A.I.S. Insights — powered by Living Knowledge. Sono Anna Ivy Summers. Oggi esaminiamo uno studio presentato alla International Conference on Information Systems 2026 da Yang Zhou, Juan Li, Jiahui Feng e Hefu Liu, intitolato "Prevedere la conversione dell'assistenza da online a offline negli ospedali su Internet: un approccio di deep learning guidato dalla teoria". Lo studio introduce PACC-Net, un modello predittivo mirato a stabilire se un paziente che effettua un consulto online eseguirà una visita clinica di persona entro 14 giorni. Con me per approfondire i dettagli c'è Alex Ian Sutherland. Benvenuto, Alex.
Expert: Grazie Anna. È un piacere essere qui.
Host: Alex, partiamo dal problema operativo che molte strutture sanitarie stanno affrontando con i servizi ibridi.
Expert: Il problema centrale riguarda la gestione della capacità ambulatoriale. Gli ospedali offrono sempre più spesso servizi di telemedicina e consulti digitali, ma faticano a quantificare quanti e quali utenti si presenteranno poi nelle strutture fisiche. I modelli previsionali tradizionali analizzano solo il testo in modo superficiale o applicano formule di marketing generiche. Di conseguenza, non rilevano la reale percezione di gravità clinica del paziente né l'effetto delle raccomandazioni fornite dal medico, rendendo difficile programmare il personale e gli slot di visita in modo proattivo.
Host: Come interviene lo studio per risolvere questo limite metodologico?
Expert: Gli autori hanno sviluppato PACC-Net ancorando l'architettura di deep learning a un modello comportamentale consolidato: la Teoria della Motivazione alla Protezione. Il sistema analizza tre flussi di dati: le conversazioni a più turni tra paziente e medico, la storia pregressa dell'uso dei servizi sanitari e i dati professionali del medico. In questo modo il modello stima sia la minaccia percepita dal paziente sia la sua valutazione della risposta medica. La sperimentazione è stata condotta su dati collegati relativi a 65.867 consulti online e 323.196 visite offline di un ospedale terziario in Cina, utilizzando una rigorosa suddivisione temporale dei set di dati.
Host: Quali evidenze quantitative sono emerse dal confronto con le metodologie esistenti?
Expert: PACC-Net ha superato sia i modelli classici di machine learning sia modelli linguistici di grandi dimensioni. Ha registrato un'area sotto la curva ROC di 0,7738, un'AUPRC di 0,7752 e un punteggio F1 di 0,7049. Rispetto alla baseline più performante, ovvero un modello Qwen3-4B ottimizzato tramite LoRA, PACC-Net ha mostrato un miglioramento relativo dell'1,92% nell'AUC, del 3,35% nell'AUPRC e del 5,05% nell'F1.
Host: Lo studio analizza anche il peso delle diverse componenti architetturali?
Expert: Sì, i test di ablazione hanno chiarito il ruolo di ciascun modulo. Rimuovere il calibratore relativo alla credibilità del coping ha determinato una diminuzione del 22,44% nel recall, mentre l'esclusione della modellazione della vulnerabilità del paziente ha causato la flessione più marcata dell'AUC, con un calo dell'1,59%. Le verifiche di sensibilità hanno inoltre confermato metriche stabili su finestre temporali di previsione a 3, 7 e 14 giorni.
Host: Guardando all'applicazione aziendale e gestionale, quali sono le ricadute pratiche per il management sanitario?
Expert: Per i responsabili operativi, questo modello fornisce uno strumento di allocazione delle risorse basato su stime empiriche. Anticipare il volume di conversioni tra 3 e 14 giorni permette di dimensionare in anticipo gli organici ambulatoriali nei reparti critici e di regolare la disponibilità delle agende di prenotazione. Inoltre, consente alle organizzazioni sanitarie di identificare i pazienti che necessitano di un follow-up strutturato, ottimizzando la continuità assistenziale tra canale virtuale e canale fisico.
Host: In conclusione, integrare la teoria comportamentale nei modelli predittivi consente una gestione più informata dei percorsi di cura integrati. Alex, grazie per aver analizzato questi dati con noi.
Expert: Grazie a te, Anna.
Host: Un ringraziamento a tutti i nostri ascoltatori. Continuate a seguire A.I.S. Insights — powered by Living Knowledge per nuove analisi sui dati e sulle tecnologie applicate al business. Alla prossima puntata.
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