加载 Spotify 播放器;Spotify 可能会设置 Cookie。本设备将记住您的选择。
主要发现
- PACC-Net的性能表现优于传统机器学习、神经对话架构以及大语言模型基线,取得了0.7738的AUC、0.7752的AUPRC以及0.7049的F1值。
- 与表现最强的基准模型(经过LoRA微调的Qwen3-4B模型)相比,PACC-Net在AUC上相对提升了1.92%,在AUPRC上提升了3.35%,在F1值上提升了5.05%。
- 消融实验表明,移除应对可信度校准模块会导致召回率出现最大幅度的相对下降(22.44%),而省略患者易感性建模则导致AUC出现最明显的下滑(1.59%)。
- 敏感性分析证实,该模型在3天、7天和14天的预测时间窗口内均展现出稳定的性能优势。
实践启示
CIO / IT 高管
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.
IT 经理
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.
商业战略师
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.
研究人员
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.
政策制定者
Draft guidelines for internet hospitals requiring transparent display of physician credentialing data to support patient coping appraisal and improve safe cross-channel care coordination.
摘要
本研究开发了PACC-Net,这是一个由理论指导的深度学习框架,用于预测患者在完成线上问诊后14天内是否会前往线下门诊就诊。该模型基于保护动机理论,通过整合多轮问诊文本、过往医疗使用记录以及医生资质,评估患者的威胁评估和应对评估。本研究利用中国一家大型三甲医院关联的65,867次线上问诊和323,196次线下就诊记录,采用时间划分法对该方法进行了评估。
核心问题
医院经常面临门诊服务能力与患者需求不匹配的困境,却缺乏有效工具来预判线上问诊何时会转化为线下就诊。现有模型多依赖标准文本分析或市场营销框架,对患者输入采取一视同仁的处理方式,未能捕捉到个体在健康威胁感知及信息源可信度线索方面的差异。因此,医疗机构错失了提前主动调配人力、统筹预约号源以及协调跨渠道患者护理的机会。
文稿
Expert: 谢谢 Anna,很高兴来到节目中。这项研究开发了一个名为 PACC-Net 的深度学习框架,目标是预测患者在完成线上问诊后的 14 天内,是否会转化为线下就诊。研究结合了保护动机理论,综合分析了多轮问诊文本、过往就医记录以及医生资质。
Host: 让我们先聊聊医疗行业当前面临的实际痛点。很多大型医院现在都开设了互联网医院,但在运营中遇到了怎样的挑战?
Expert: 主要问题在于门诊服务能力与患者就医需求之间的结构性不匹配。很多患者在线上问诊后会转到线下,但医院缺乏有效的预测工具,无法提前获知具体哪位患者会在何时转入线下。现有的预测方法通常依赖通用的文本分析或传统市场营销模型,把所有患者的问询同等对待。然而,不同患者对自身健康威胁的感知差异很大,医生在线上给出的建议以及医生自身的可信度也会直接影响患者决策。由于无法准确预判这些转化行为,医院往往无法提前调整号源、调配医生人力,也难以做好线上线下跨渠道的协同。
Host: 那么这项研究提出的 PACC-Net 模型,是如何从方法上解决这一问题的?
Expert: 研究引入了健康行为领域的“保护动机理论”,将患者的决策拆解为“威胁评估”和“应对评估”两个核心维度。在威胁评估方面,模型通过分析多轮对话文本与过往医疗记录,评估患者感受到的疾病严重性和自身易感性;在应对评估方面,模型引入了医生资质数据,评估患者对治疗方案有效性的认知以及对医生的信任度。整个评估基于中国一家大型三甲医院的真实数据集,包括 65,867 次线上问诊和 323,196 次线下就诊记录,并采用了严格的时间划分法进行验证。
Host: 从实验结果来看,这个模型的具体表现如何?
Expert: 实验结果显示,PACC-Net 在各项指标上均优于传统机器学习、神经对话架构以及大语言模型基线。它的测试集受试者工作特征曲线下面积 AUC 达到 0.7738,精确率-召回率曲线下面积 AUPRC 达到 0.7752,F1 值为 0.7049。
Host: 与目前常用的大语言模型相比,差距具体体现在哪里?
Expert: 研究团队将它与经过 LoRA 参数高效微调的 Qwen3-4B 模型进行了对比。结果显示,PACC-Net 的 AUC 相对提升了 1.92%,AUPRC 相对提升了 3.35%,F1 值相对提升了 5.05%。
Host: 那么模型中的各个模块,对最终的预测准确度起到了怎样的作用?
Expert: 消融实验给出了很明确的数据。当移除用于评估医生可信度的应对可信度校准模块时,模型的召回率出现了 22.44% 的相对下降,这是所有消融测试中降幅最大的一项。而当省略患者易感性建模时,AUC 下滑了 1.59%。此外,研究人员还在 3 天、7 天和 14 天的不同预测窗口下进行了敏感性分析,结果显示该模型在这些时间跨度内都保持了稳定的性能表现。
Host: 从医院管理者和医疗健康业务运营的角度来看,这些研究发现有哪些实际应用价值?
Expert: 核心价值在于帮助医院实现从被动应对到主动调配的转变。首先,医院运营部门可以利用该预测系统,提前 3 到 14 天预判线下门诊的需求负荷,据此动态调整特定科室的专家号源与排班。其次,对于预测为高概率转化的患者,系统可以自动推送线下转诊预约通道或检查预约建议,减少患者重复挂号的时间成本。最后,对医疗集团而言,理解影响患者转化的关键因素有助于优化互联网医院的交互设计,提升线上线下医疗资源一体化运作的效率。
Host: 总结来说,这项研究通过将行为学理论与深度学习相结合,为互联网医院预测线上转线下就医需求提供了量化工具,也为医院运营优化提供了数据依据。非常感谢 Alex 今天的专业解读。
Expert: 谢谢 Anna,也谢谢各位听众。
Host: 感谢收听本期 A.I.S. Insights — powered by Living Knowledge。我们下期节目再见。
Online-to-Offline Care Conversion, Internet Hospitals, Protection Motivation Theory, Deep Learning, Outpatient Demand Prediction, Healthcare Analytics