Voltar para a biblioteca

Pergunta central Novo

Processado por IA · Aprovado pelo autor

Os hospitais conseguem prever quais pacientes buscarão atendimento presencial após realizarem uma consulta médica 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
Ilustração para: Os hospitais conseguem prever quais pacientes buscarão atendimento presencial após realizarem uma consulta médica online?

Carrega o reprodutor do Spotify; o Spotify pode definir cookies. Este dispositivo memoriza a sua escolha.

Principais conclusões

  • O PACC-Net superou modelos padrão de aprendizado de máquina, arquiteturas neurais de diálogo e modelos de linguagem de grande porte, alcançando uma AUC de 0,7738, uma AUPRC de 0,7752 e um F1-score de 0,7049.
  • Em comparação com a linha de base mais forte (um modelo Qwen3-4B ajustado com LoRA), o PACC-Net obteve melhorias relativas de 1,92% na AUC, 3,35% na AUPRC e 5,05% no F1-score.
  • Análises de ablação confirmaram que a remoção do calibrador de credibilidade de enfrentamento causou a maior redução relativa na revocação (22,44%), enquanto a omissão da modelagem de vulnerabilidade do paciente causou a queda mais acentuada na AUC (1,59%).
  • Testes de sensibilidade demonstraram vantagens consistentes de desempenho em janelas de previsão de acompanhamento de 3, 7 e 14 dias.

O que isso significa para você

CIO / Executivo de 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.

Gerente de 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.

Estrategista de Negócios

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.

Pesquisador

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.

Formulador de Políticas

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

Resumo

Este estudo desenvolve o PACC-Net, uma estrutura de aprendizado profundo guiada por teoria que prevê se um paciente visitará uma clínica presencial em até 14 dias após uma consulta online. Fundamentado na Teoria da Motivação de Proteção, o modelo avalia a percepção de ameaça e a percepção de enfrentamento do paciente integrando textos de consultas com múltiplos turnos, registros anteriores de utilização de serviços de saúde e credenciais médicas. A abordagem foi avaliada por meio de divisão temporal em registros vinculados que abrangem 65.867 consultas online e 323.196 atendimentos presenciais de um grande hospital terciário na China.

Problema

Os hospitais frequentemente enfrentam desequilíbrios entre a capacidade ambulatorial e a demanda dos pacientes, carecendo de ferramentas eficazes para antecipar quando as consultas online farão a transição para atendimentos presenciais. Os modelos existentes baseiam-se em análises de texto padrão ou estruturas de marketing que tratam as manifestações dos pacientes de maneira uniforme, falhando em capturar diferenças individuais nas percepções de ameaça à saúde e nos sinais de credibilidade da fonte. Consequentemente, os prestadores de serviços de saúde perdem oportunidades de coordenar proativamente equipes, horários de atendimento e o cuidado entre diferentes canais.

Transcrição
Host: Olá a todos e bem-vindos ao A.I.S. Insights — powered by Living Knowledge. Eu sou Anna Ivy Summers e hoje vamos analisar um estudo intitulado "Previsão da Conversão de Atendimento Online para Offline em Hospitais na Internet: Uma Abordagem de Aprendizado Profundo Guiada por Teoria". O estudo foi desenvolvido pelos pesquisadores Yang Zhou, Juan Li, Jiahui Feng e Hefu Liu, e apresentado na International Conference on Information Systems de 2026. Comigo está nosso especialista, Alex Ian Sutherland. Alex, este estudo trata da integração entre a telemedicina e o atendimento ambulatorial tradicional, certo?

Expert: Exatamente, Anna. O foco central é entender e prever quando um paciente que realizou uma consulta online decidirá agendar uma consulta presencial em até catorze dias. Para isso, os pesquisadores criaram o PACC-Net, uma estrutura de aprendizado profundo fundamentada em teoria comportamental.

Host: Esse é um ponto crítico para a gestão hospitalar. Qual é a principal dificuldade operacional que os hospitais enfrentam nesse cenário?

Expert: O principal desafio reside no descompasso estrutural entre a capacidade de atendimento presencial e a demanda real dos pacientes. Os hospitais frequentemente operam sem visibilidade de quantos usuários de telemedicina realmente migrarão para os ambulatórios físicos. Modelos analíticos tradicionais ou baseados em funis de conversão de marketing costumam tratar as mensagens dos pacientes de forma linear e indiferenciada. Eles não capturam elementos específicos da área da saúde, como a percepção individual de gravidade dos sintomas ou a credibilidade percebida na figura do médico. Sem essa precisão, as instituições perdem a oportunidade de planejar escalas e gerenciar a ocupação de consultórios.

Host: E como o modelo PACC-Net aborda essas especificidades da saúde?

Expert: A estrutura utiliza a Teoria da Motivação de Proteção para modelar dois componentes essenciais: a percepção de ameaça e a percepção de enfrentamento. O sistema processa o diálogo completo da consulta online, os registros prévios de uso de serviços de saúde do paciente e as credenciais do médico. Ele analisa, por um lado, a vulnerabilidade e a severidade percebidas pelo paciente e, por outro, como a confiança nas orientações médicas influencia a tomada de decisão. A validação empírica utilizou uma divisão temporal em uma base de 65.867 consultas online conectadas a 323.196 atendimentos presenciais de um hospital terciário na China.

Host: Olhando para as métricas, quais foram os principais resultados observados nesse conjunto de dados?

Expert: O modelo alcançou uma área sob a curva ROC de 0,7738, uma área sob a curva de precisão e revocação de 0,7752 e uma pontuação F1 de 0,7049. Quando comparado à linha de base mais competitiva do estudo, que foi um modelo de linguagem Qwen3-4B ajustado com a técnica LoRA, o PACC-Net obteve melhorias relativas de 1,92% na AUC, 3,35% na AUPRC e 5,05% no F1-score. O estudo também testou o modelo em diferentes horizontes temporais, mantendo estabilidade de desempenho em janelas de três, sete e catorze dias.

Host: Os pesquisadores realizaram testes de ablação para entender a contribuição de cada parte da arquitetura?

Expert: Sim. A remoção do módulo de calibração de credibilidade causou a maior queda relativa na revocação, registrando uma perda de 22,44%. Isso indica que desconsiderar o impacto da autoridade técnica do médico prejudica substancialmente a identificação dos pacientes que de fato farão a conversão. Além disso, a exclusão da modelagem de vulnerabilidade do paciente resultou na redução mais acentuada da AUC, uma queda relativa de 1,59%.

Host: Em termos práticos de negócios e operações de saúde, como os gestores hospitalares podem aplicar esses achados?

Expert: A utilidade prática se concentra na gestão de recursos em modelos de atendimento híbridos. Ao prever com até duas semanas de antecedência quais pacientes online necessitarão de suporte presencial, o hospital pode calibrar horários de especialistas, otimizar alocação de salas e oferecer proativamente opções de agendamento integrado. Isso reduz tanto a ociosidade clínica quanto as filas de espera não planejadas, estruturando uma transição coordenada entre o digital e o físico.

Host: Uma abordagem orientada por dados com clara aplicabilidade na coordenação de cuidados. Alex, obrigada por compartilhar essa análise técnica. E aos nossos ouvintes, obrigado por acompanhar o A.I.S. Insights — powered by Living Knowledge. Até o próximo episódio.
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