基于机器学习的互联网医疗平台医生推荐度预测分析.pdfVIP

江苏商论·数字经济·2025.9

基于机器学习的互联网医疗平台医生

推荐度预测分析

胡选成

（昆明理工大学管理与经济学院,云南昆明650000)

摘要：本研究运用机器学习中的XGBoost算法,对互联网医疗平台上的医生推荐度进行预测分析。

研究收集了好大夫在线平台的数据,关注医生的技术职称、在线问诊价格和患者数量等变量。XGBoost模

型展现出良好的预测性能,均方误差为0.046,R2值为0.742,说明预测准确,对推荐度变异程度的解释性

高。其中,诊后评价数是最重要的预测因素。这项研究为医疗专业人士和平台管理者在数字医疗环境中优

化策略提供了见解,强调了患者反馈、定价策略以及医生在线可见度和互动对推荐度的影响。

关键词：推荐度；互联网医疗平台；机器学习；XGBoost

中图分类号：F713.36文献标志码：A

一、引言机构和平台在决策上提供了重要的支持(8)。以往的研

在当今的数字化时代，网络医疗平台成为医疗究已经证明了这种方法的有效性。例如，周鑫等人通

服务体系的一个关键部分，越来越多的人开始关注过收集“丁香医生”平台的数据,并利用LDA模型来

和利用这些平台(1-3)。这些平台,如好大夫、丁香医生

训练医生标签，从而获取医生在不同主题上的概率

分布,实现了对医生的混合推荐(9)。聂卉等人将深度

等(),它们的服务很有价值。在网络医疗平台中,医

生的推荐度扮演着至关重要的角色,它不仅是数字学习技术引人医疗推荐系统，以解决在线诊疗过程

时代医患关系中的一个评价指标,也是影响患者选中患者选择医生时遇到的实际问题(10)。梁建树等使

择、医生声誉和医疗服务质量的关键因素()。这个指用Word2Vec和LDA技术挖掘医生特征，构建了多

标显著影响医生在平台上的展示和排名。首先,它粒度的医患推荐信息，并通过从好大夫网站爬取的

直接影响患者的信任和选择(6)。其次,反映出医生的

数据验证了方法的有效性(1)。这些研究表明,利用机

服务质量和专业水平。其三，是医生在平台上进行器学习技术分析医生推荐度是一种有效的方法。因

展示和宣传的重要依据。能获得高推荐度的医生通此,本研究在前人研究的基础上,继续探索和发展机

常会被平台重点推荐，获得更多的曝光和机会,这器学习技术在医疗平台医生推荐度的研究和应用。

不仅提高了他们的就诊量和声誉,也对平台的口碑通过管理学视角,本研究结合机器学习技术,特

和竞争力产生深远影响。高医生推荐度有助于提升别是ExtremeGradientBoosting(XGBoost)方法,来预

平台的声誉,吸引更多患者和医生加人,形成良性测网络医疗平台上医生的推荐度。XGBoost算法是

发展循环()一种在处理大规模数据集时表现出色的机器学习工

在数字医疗领域，患者留下的评价和评分以及具(12)。通过结合大量实际数据进行预测分析,不仅能

医生主页上的详细信息，构成了研究医生推荐度的帮助医疗机构更好地了解医生在平台上的表现,还

宝贵数据资源。应用机器学习等先进技术对这些数能优化医生的服务质量和管理机制,提升整体医疗

据进行分析,可以有效预测医生的推荐度,这对医疗服务水平。同时,为网络医疗平台提高医生服务质

收改日期：2025-06-13

基金项目：国家自然科学基金项目：医联体内电子健康档案垂直整合研究

作者简介：胡选成，男（汉），江西吉安人，昆明理工大学硕士研究生，研究方向：公共管理问题、管理学问题优化。本文所有作者同

意承担因重复率等引起的知识产权、著作权侵权纠纷全部责任，包括文字、图表等。本文所有作者授权本刊，无偿同意中国知网

等网络平台的数字化应用以及《新