Hur vi förbättrade prestandan för en online terapilattform med matchningsalgoritmer

Under de senaste åren har efterfrågan på online terapilattformar ökat kraftigt; med COVID-19 som låste in människor i sina hem, förstärktes den trenden bara. De erbjuder tröst, bekvämlighet och integritet till dem som söker känslomässigt stöd. 

Även om de verkligen är mycket praktiska, kommer deras problem från matchningsnoggrannhet till feedbackutvärderingar av terapeuter, kvalitetssessioner och det viktigaste, användarinteraktion med retentionsgrad.

Många online terapitjänster delar också de utmaningar som valet av en matchningsalgoritm kan lösa.

Deras noggrannhet och effektivitet förfinas ytterligare med hjälp av maskininlärningstekniker, med hjälp av tidigare matchningar och kundnöjdhet. Men för denna artikel kommer vi bara att tala om den klassiska strängmatchningsalgoritmen – samma som de som används i dejtingappar.

Vi kommer också att ge ett illustrativt exempel på hur dessa algoritmer korrekt kan matcha klienter med terapeuter på denna grund. Tja, låt oss komma igång och förklara hur allt fungerar!

Online terapilattformar använder algoritmer för att matcha patienter med den bästa terapeuten baserat på många datapunkter. Det finns några intressanta algoritmer som har utformats för att analysera detaljerad användarprofilinformation, som innehåller saker som patientens psykiska problem, terapimål, personlighetsdrag och preferenser.

Dessa algoritmer bygger på psykometriska bedömningar, såsom frågeformulär som belyser element för en framgångsrik terapeutisk session. Dessa data hjälper algoritmen att matcha patienter baserat på deras krav och terapitypsmål med terapeuter.

Algoritmerna skulle också överväga faktorer utöver dessa bedömningar (t.ex. terapeutens koncentration, tillgänglighet och till och med geografisk närhet om personliga sessioner föredrogs).

Även om de exakta algoritmerna ofta hålls privata, syftar de till att göra terapin ännu mer effektiv genom att noggrant matcha patienter och terapeuter. 

De mäter och lär sig kontinuerligt av prestandautdata från dessa algoritmer för att säkerställa att deras effektivitet utvecklas över tid som en del av online terapiutveckling av medicinsk programvara.

Som vi sa tidigare är en av de största utmaningarna inom online terapi frågan - vilka terapeuter ska du matcha dina klienter med?

Detta är svårt, eftersom vi vet att många saker spelar in här. Tillgänglighet, expertis och naturligtvis personlighet/kommunikationsstil, avgifter etc. Trots att de arbetat med olika terapeuter över tid, hoppar många patienter så småningom bara av psykoterapi eftersom de inte verkar kunna få kontakt.

Ett annat stort problem är bristen på effektivitet i manuella processer. Andra plattformar kan ta en vecka och så länge som 7-15 dagar eftersom vissa terapeuter fortfarande jämför data manuellt, gör transaktioner eller till och med ställer in scheman. 

Det är mycket lätt att förlora viktig information där manuella processer har gott om utrymme för fel - att förlora viktiga anteckningar under en terapisession, att inte spåra framsteg eller följa upp sessioner spårar i slutändan ur din terapeutiska resa.

Matchningsalgoritmer är därför i grunden knutna till förmågan att analysera data, och från den analysen matcha sammanhängande resultat över en mängd användningsfall. Inom psykisk hälsa kan effektiva patientmatchningsalgoritmer drastiskt minska väntetiderna och avsevärt förbättra klientnöjdheten och terapiresultaten.
Matchningsalgoritmer ger en bra lösning genom att analysera patientprofiler, preferenser och feedback för att hjälpa till att hitta rätt terapeut.

Denna metod har fungerat bra i branschen och en av våra egna kunder. Här kommer vi att diskutera hur denna strategi visade sig vara framgångsrik och dess resulterande effekter.

Meela Health är en plattform fokuserad på att erbjuda bättre psykoterapi för alla. Även om det huvudsakligen marknadsförs mot kvinnor och till den svenska marknaden, diskriminerar det inte något annat kön och erbjuder samma service till alla. 

Anledningen till att det främst marknadsförs mot kvinnor är det faktum att kvinnor är mycket mer benägna att söka psykoterapi jämfört med män och andra (1 av 4 patienter som deltar i psykoterapi är män).

Huvudidén bakom Meela var att förse patienterna med en plattform som använder en patientmatchningsalgoritm för att säkerställa att de får bättre psykoterapi och samtidigt förse terapeuter med patienter de kommer att ha mer framgång med. 

Resultatet skulle vara en högre sannolikhet att patienter stannar kvar i terapi och får den hjälp de behöver för att lösa sina problem.

Problemet Meela identifierade var att för många patienter kommer att ge upp psykoterapi på grund av att de inte kan hitta rätt terapeut för dem, även efter att ha provat flera olika terapeuter. 

Detta, utöver bara att fatta beslutet att prova psykoterapi, skulle skapa onödig friktion och sätta patienter i en mycket obekväm och hopplös situation vilket skulle resultera i att de gav upp psykoterapi helt och hållet.

För att åtgärda detta problem beslutade en av Meelas medgrundare, Tiffany, att försöka skapa ett frågeformulär som skulle användas för att matcha patienter med terapeuter. 

Detta var möjligt eftersom Tiffany också var utbildad inom psykologiområdet och frågeformulären skulle fyllas i av både terapeuterna och patienterna. För att uppnå bra resultat skulle alla frågor från patientens frågeformulär ha motsvarande fråga i terapeutens frågeformulär.

Men att gå igenom alla dessa frågeformulär manuellt för varje patient och sedan gå igenom alla terapeutfrågeformulär för att hitta rätt matchning var mycket manuellt arbete och ganska ineffektivt. 

Det var inte förgäves dock, eftersom Tiffany använde den här metoden för att bevisa att deras metod fungerade och skapade, vad jag skulle anse, en sann MVP (minsta gångbara produkt) i varje mening av den termen. 

När prototypen hade testats var automatisering av processen och skapande av en applikation som skulle erbjuda denna tjänst det uppenbara nästa steget.

De viktigaste problemen som applikationen behövde lösa:

• Matchningsalgoritm
• Onboarding för patienter och terapeuter
• Mänsklig utvärdering av resultat
• Bekräftelse och säkring av identitet

Meela engagerade oss för att hjälpa dem att bygga sin teknik. Vi var nyckelaktörer i lösningar som identifierade och åtgärdade var och en av dessa brister. 

Låt oss nu gå in på detaljerna om hur vi övervann dessa utmaningar och gjorde Meela till en effektivare leverantör av online terapi.

Matchningsalgoritmen var nästa steg i processen att matcha patienterna med terapeuter och huvudfunktionen i Meela-appen. Det skulle ta bort bördan av att manuellt gå igenom varje patientfrågeformulär och sedan göra matchningen.

För att se till att algoritmen fungerade korrekt och gav kvalitetsmatchningar graderades varje fråga i betydelse tillsammans med svaren. Det fanns också "kritiska" fråge- och svarspar som helt skulle eliminera terapeuten från att matcha med nämnda patient.

Några exempel skulle vara om patienten och terapeuten inte talar samma språk eller om patienten vill ha personlig terapi, men terapeuten var för långt borta från patienten. 

Det skulle också hantera mer specifika psykoterapifall där det skulle eliminera terapeuter som strikt sa att de inte vill arbeta med det problemområde som patienten led av; och dessa problemområden och expertis var de viktigaste matchningskriterierna, vilket säkerställer att patienterna skulle få den högsta chansen till framgång i terapi.

Med tanke på terapins känsliga natur granskades algoritmen manuellt av Tiffany för att säkerställa att den överensstämde med bästa praxis. Även om algoritmen var stark behövde den några justeringar och finjusteringar för att se till att den gav högsta kvalitet på matchningen.

Det skulle också ta hänsyn till terapeuternas tillgänglighet (hur många patienter som redan matchades med terapeuten) vilket säkerställer att patienterna inte skulle behöva vänta länge på att påbörja sin terapi.

Patient- och terapeutonboarding var den viktigaste friktionspunkten för applikationen, eftersom användarna skulle mötas av ett långt frågeformulär så snart de registrerade sig. Detta var dock ett nödvändigt steg för att säkerställa att applikationen kan ge kvalitetsmatchningar. 

Huvudproblemet var att designa och implementera en bra användarupplevelse som skulle guida användaren genom frågeformuläret och göra det så enkelt som möjligt för dem att gå igenom processen med minsta möjliga friktion.

Detta bestod av att ha flerstegsformulär med olika inmatningsfält och komplex valideringslogik i varje steg, tillsammans med detaljerade verktygstips för att guida användaren genom hela processen.

Hela denna process gick igenom många iterationer baserat på användartester och förändringar av de underliggande frågeformulären och omarbetades mycket under hela utvecklings- och designprocessen för applikationen. 

Detta var mycket nödvändigt, eftersom det är superviktigt att identifiera kritiska friktionspunkter för användare som skulle resultera i användaravhopp och onboardingprocessen var den mest kritiska punkten för detta specifika fall.

Mänsklig utvärdering fastställdes som en kritisk del av systemet från allra första början. På grund av den känsliga karaktären hos de problem som applikationen försöker lösa var det absolut avgörande att ha ett ytterligare steg av mänsklig utvärdering innan patienterna skulle få resultaten av matchningsalgoritmen.

Denna process rekommenderas i all programvara som har automatiseringssteg och hanterar känsliga ämnen som hälsa, särskilt i fallet med Meela som hanterar psykologiska hälsoområden. 

Sättet det här fungerade var att matchningsalgoritmen skulle ansvara för att bestämma de 10 bästa matchningarna för den givna patienten, data för patienten tillsammans med data om de 10 bäst matchande terapeuter skulle sedan lagras och vara synliga i administrationspanelen.

Tiffany skulle sedan manuellt granska dessa data och få tillgång till fråge- och svarsparningarna, matchningspoängen och de 3 föreslagna terapeuterna för patienten i fråga. Efter en grundlig granskning skulle hon validera de föreslagna terapeuterna och förse patienten med kontaktuppgifter tillsammans med information om de följande stegen.

Denna procedur var viktig för utvärderingen av matchningsalgoritmen och för att säkerställa systemets integritet.

Även om antalet fall som behövde en manuell kontroll först var avsevärt högt, minskade det när algoritmen förfinades i framtiden. Alla dessa framsteg gör det dock nödvändigt att även om det kan ta kortare tid kräver arbetet mänsklig inmatning.

Identitetsbekräftelse och skydd är en nödvändighet i alla system som arbetar med känslig personlig information. Det är absolut avgörande att säkerställa att informationen som delas av användaren lagras säkert och skyddas från extern visning. 

I fallet med Meela var det också mycket viktigt att säkerställa att användarna som använde applikationen var riktiga, verifierade personer så att både patienterna och terapeuterna kunde vara säkra på att de interagerar med andra riktiga människor.

Detta skulle ge användarna mer förtroende för systemet och även skydda systemet från bedräglig verksamhet, eftersom användarnas identiteter var kända och det skapade en atmosfär av förtroende.

Att säkerställa att användarnas identiteter var kända och giltiga gjordes med BankID-integration. BankID är en populär metod för att bekräfta identiteter på personer i Sverige och det är nästan lika giltigt som en faktiskt land utfärdat id-kort.

I sådana system är det mycket viktigt att ha dessa typer av åtgärder på plats för att säkerställa att användarna känner sig mer bekväma och säkra när de registrerar sig i systemet.

Förutom identitetsverifiering säkerställde applikationen också skyddet av användardata, döljde och gömde all personlig information tills det var absolut nödvändigt att dela grundläggande information som var i det sista steget i processen.

Det sista steget i processen var det steget som skulle koppla patienterna till de rekommenderade terapeuterna och i detta steg skulle terapeutinformationen delas med patienten, och när patienten väljer en terapeut skulle patientens information också delas med den valda terapeuten. Datan var dock dold och skyddad i databasen och lagrades säkert.

Oavsett om du har en uppsättning frågor på papper eller om du har att göra med storskaligt arbete, vilket innebär många frågeformulär från patienter och terapeuter på området, kan det vara mycket tidskrävande och ineffektivt att organisera deras arbete genom varje ifyllt dokument.

Icke desto mindre var detta tillvägagångssätt avgörande för Tiffany för att visa effektiviteten i deras sätt att arbeta, det är också möjligt att dra slutsatsen att de skapade vad som kan definieras som den mest minimalt gångbara produkten.

När prototypen väl hade verifierats var det bara vettigt att ta nästa steg och skapa en applikation för att omsätta denna tjänst i praktiken.

Därför kan det sägas att matchningsalgoritmer i hög grad kan förbättra effektiviteten och ändamålsenligheten hos online terapilattformen. 

Genom användning av big data och prediktiv analys kan appar som Meela Health ge bättre parningar av patienten och terapeuten.

Deras föreslagna lösning är 25 gånger så effektiv som andra leverantörer så att klienterna bygger en kontakt med sina terapeuter. Detta specifika fokus på vård syftar inte bara till att förfina den kliniska konsekvensen utan samtidigt i högre grad livskvaliteten för de patienter och individer vi har arbetat med i våra organisationer.

Med tanke på att online terapi fortfarande är ett relativt ungt område måste fokus alltid ligga på att arbeta på och förbättra matchningsalgoritmen för att komma i nivå med andra plattformar och ge användaren den bästa upplevelsen.

Om du vill lära dig mer om hur matchningsalgoritmer kan främja din online terapimarknadsplats eller förbättra din hälsovårdsapplikation, vill vi gärna höra från dig. 

Oavsett om du redan har en klar uppfattning om hur du vill att systemet ska fungera eller redan har utvecklat ett koncept men behöver hjälp med att finjustera det, kan vi hjälpa dig i alla skeden av processen.

Varför inte ta ett snabbt e-kaffe med vår tillväxtchef Haris för att se möjligheterna att sätta upp den här nya modellen?

Det är en mycket användbar idé att arbeta med de möjliga problemlösningsaspekterna och veta hur vi kan vara till hjälp för dig. Klicka här för att ange en tid för Nikola.

Låt oss i samarbete förvandla skärmen till verklighet för en positiv förändring av effekterna av hälsovårdsinrättningar.