CN107145723B - 基于人工神经网络的医院流程管理系统 - Google Patents
基于人工神经网络的医院流程管理系统 Download PDFInfo
- Publication number
- CN107145723B CN107145723B CN201710277217.0A CN201710277217A CN107145723B CN 107145723 B CN107145723 B CN 107145723B CN 201710277217 A CN201710277217 A CN 201710277217A CN 107145723 B CN107145723 B CN 107145723B
- Authority
- CN
- China
- Prior art keywords
- module
- data
- manual intervention
- output
- hospital
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于人工神经网络的医院流程管理系统。它包括数据源模块、分析处理模块、时效模块、人工干预模块、决策模块、反馈模块、预测模块和输出模块,所述的数据源模块、时效模块、人工干预模块、决策模块和反馈模块分别与分析处理模块连接,所述的预测模块与输出模块连接;所述的分析处理模块包括输入单元模块、学习单元模块、输出单元模块和计算模块,所述的输入单元模块与学习单元模块连接,所述的学习单元模块与输出单元模块连接,所述的计算模块,用于计算输入层单元模块与输出层单元模块之间的权值误差信号。本发明,提高了医院管理效率,提升了服务质量,使医院流程管理更加智能化和科学化。
Description
技术领域
本发明涉及计算机软件技术领域,具体是一种基于人工神经网络的医院流程管理系统。
背景技术
2002年《医院信息系统基本功能规范》、2009年《电子病历基本架构与数据标准(试行)》、2010年《病历书写规范》和2010年《电子病历基本规范(试行)》等文件地出台奠定了电子病历系统(Electronic Medical Record,EMR)在医院信息系统中的核心地位。
在医院评价层面,目前医院等级评审、JCI认证、电子病历系统功能应用水平分级评价、HIMSS评价、医院信息互联互通标准化成熟度测评和智慧医疗应用评价等评价体系能够对医院信息化建设进行评价。但是,相关的标准规范文件并没有在医院管理的个性化设定上作明确的要求,不同的医院和不同的流程,在不同的应用场景下,都存在不同的应用需求。目前,对于临床路径、单病种、DRGs等管理已经有了相对丰富的经验和方法,但是在行政管理流程和无纸化管理方面,尤其是在行政管理、行政管理与临床管理结合的领域却是一片空白。
大多数医院的流程管理信息化程度非常低,尤其是在行政管理与临床管理结合的领域缺乏流程管理信息化软件,导致医院的流程管理效率低下,在挂号、检查、诊断和临床治疗等环节均耗费着大量的人力。医院流程管理效率的低下,不仅增大了医院的管理成本,而且还直接导致医务人员经常加班,加大了医务人员的工作负荷;病人在医院低效的服务环境中,不能得到及时便捷的服务信息和精准、高质的医疗服务。人们总是抱怨医院“看病难”,病人家属总是在医院排队、填表和缴费,经常在医院东奔西跑,办理各种繁杂的手续等诸多现实问题;医院在医务流程管理中,也在迫切寻求高效的行业解决方案。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于人工神经网络的医院流程管理系统,医院行政部门实际上是拥有多条管理流程汇集的部门,属于管理的源头,借助国务院十三五要大力发展远程医疗和智慧医疗的契机,本着改进医院信息化系统和管理流程入手,本发明研发了医院流程管理系统,从医院的流程管理上进行优化,提高了医院管理效率,提升了服务质量,使医院流程管理更加智能化和科学化。
本发明的目的是通过以下技术方案来实现的:基于人工神经网络的医院流程管理系统,它包括数据源模块、分析处理模块、时效模块、人工干预模块、决策模块、反馈模块、预测模块和输出模块,所述的数据源模块、时效模块、人工干预模块、决策模块和反馈模块分别与分析处理模块连接,所述的预测模块与输出模块连接;
所述的分析处理模块包括输入单元模块、学习单元模块、输出单元模块和计算模块,所述的输入单元模块与学习单元模块连接,所述的学习单元模块与输出单元模块连接,所述的计算模块,用于计算输入层单元模块与输出层单元模块之间的权值误差信号;
所述的数据源模块与输入层单元模块连接,所述的人工干预模块与输出单元模块连接,将数据源模块中的数据导入所述输入单元模块,作为输入变量;通过人工干预模块,将人工干预措施作为输出变量;所述的学习单元模块根据计算模块计算得到的权值误差信号,不断地调整优化学习单元节点之间的连接权值和学习节点的偏置值并保存,学习人工干预模块的调节行为;
所述的时效模块与人工干预模块连接,用于当对多个流程进行判断时,判断流程之间的时效差异,如果时效差异值超过预设时效值,则时效模块通知人工干预模块,规划给出相关流程的最佳时效路径,并进行流程调节;
所述的决策模块,用于生成决策信息提供给管理者终端,管理者终端汇集流程的决策信息数据,并基于决策信息数据,对各个流程之间的协作关系进行调节管理,同时记录该调节管理行为,然后通过人工干预模块将该调节管理行为,作为所述输出单元模块的新的输出变量,被所述学习单元模块学习;
所述的反馈模块,用于将决策模块的调节管理行为信息数据,反馈到实际的流程管理环境中,通知流程操作人员及时调节流程管理;
所述的预测模块,在基于所述学习单元模块的稳定连接权值和偏置值,根据流程的上一个节点预判流程的下一个节点可能发生的情况,并通过输出模块将预测信息输出到流程管理中,自动调节流程管理。
所述的数据源模块包括数据获取模块和数据预处理模块,通过所述的数据获取模块,分别获取医院信息子系统的相应流程节点的记录数据;或者,通过人工输入流程的记录数据作为数据源;再或者,通过数据采集终端作为数据的来源;将获取的数据存储到数据库中;
所述的数据预处理模块,用于选择数据库中存储的记录数据作为样本数据,在样本数据导入所述输入单元模块之前,通过数据预处理模块对数据进行预处理,所述的预处理包括数据清洗和数据标准化处理。
所述的数据源模块还包括开放的数据库接口模块,所述的开放的数据库接口模块用于接入不同医院的医疗业务数据库,通过获取大量的历史医疗业务数据作为所述输入单元模块的训练数据,通过大量的样本训练使得所述学习单元模块的学习节点之间的连接权值和偏置值趋于收敛,使得所述分析处理模块学习人工调节行为的能力达到稳定的期望值。
所述的分析处理模块还包括数据导入模块,用于将预处理后的训练数据导入分析处理模块的输入层单元模块。
进一步,根据医院的公益性、医疗服务的安全性、医疗服务的质量和对患者的服务理念依次占权重来确定各种流程和流程子节点的管理权重设置,建立基于所述管理权重设置的各种流程之间的协作关系软件初始框架,所述的软件初始框架在程序模块化开发过程中,能够便于第三方开发相应程序模块的对应终端应用。
所述的终端应用包括APP客户端、物联网终端应用以及临床终端应用。
所述的输入单元模块,根据医院的公益性、医疗服务的安全性、医疗服务的质量和对患者的服务理念依次占权重来确定输入变量的类型和数量。
所述的输出单元模块,在人工干预学习阶段,将人工干预行为数据作为输出变量,所述学习单元模块根据计算模块计算得到的人工干预行为的输出变量与输入变量的误差信号值,将误差信号值从输出单元模块反向传输到输入单元模块,在反向传输误差信号的过程中,更新学习单元的节点之间的连接权值值和偏置值,并将更新的所述连接权值和偏置值保存,通过不断地重复学习人工干预调节行为,使得所述的连接权值值和偏置值趋于收敛;在自动调节管理阶段,基于稳定的连接权值值和偏置值,通过所述预测模块预判流程管理中的下一步行为,通过所述输出模块输出调节信息,实现自动调节流程,无需人工再干预。
所述的分析处理模块还包括一个记录模块和一个判断模块,所述的记录模块,用于在人工干预的阶段,记录人工干预频次较高的流程及其相应的环节;所述的判断模块,用于在自动管理调节的阶段,基于所述的记录模块,判断容易出现人工干预的流程及其环节,并对相应的流程及其环节设置输入变量类型和数量。
所述的医院信息子系统包括EMR子系统、HIS子系统、LIS子系统、PACS子系统、HRP子系统、OA子系统、CIS子系统和FIS子系统;所述的医院流程管理系统与医院信息子系统之间的连接关系互相独立,医院信息子系统提供流程数据源,所述的基于人工神经网络的医院流程管理系统提供独立的预测分析能力、决策信息生成能力和反馈调节能力。
本发明的有益效果是:
(1)本发明高度整合了EMR子系统、HIS子系统、PACS子系统、HRP子系统和LIS子系统等医院信息系统平台,用人工神经网络的模式构建了医院流程管理的人工神经网络系统基础模型,并通过不断优化处理多线程的流程工作,根据流程节点的进度情况进行反馈调节,从而确保了流程地顺利完成,并且为医院管理系统提供决策信息支持能力、预测分析能力和反馈调节能力;
(2)本发明可以对流程环节进行监测和预判,在某一环节出现较大异常(拥堵、时效长、大量预约等情况)的时候可以反馈给该环节的实施者进行提示,实施者对上一个环节进行提示疏导,对下一个环节进行预警,实行人为干预管理流程;在多次的人为干预措施后,本发明可以学习人为干预的调节行为,自动管理和疏导流程,同时可以反馈信息给医院管理层,医院管理层再进行调整,医院管理层的调整方案同时再被本发明的系统学习,在多次重复学习之后,本发明能够自动、高效地完成日常流程的管理,最终能够保证并优化流程流转的准确性和时效性;
(3)本发明的时效模块,当对多个流程进行判断时,可以判断流程之间的时效差异,如果时效差异值超过预设时效值,则时效模块可以通知人工干预模块,可以规划给出相关流程的最佳时效路径,并进行流程调节;
(4)本发明的决策模块,可以生成决策信息提供给管理者终端,管理者终端汇集流程的决策信息数据,并基于决策信息数据,对各个流程之间的协作关系进行调节管理;并且,通过记录相应的调节管理行为,通过人工干预模块将该调节管理行为,作为输出单元模块的新的输出变量,实现迭代计算和学习,不断优化学习“记忆”;
(5)本发明的预测模块,基于学习单元模块的稳定连接权值和偏置值,根据流程的上一个节点预判流程的下一个节点可能发生的情况,并通过输出模块将预测信息输出到流程管理中,自动调节流程管理;
(6)本发明的反馈模块,可以将决策模块的调节管理行为信息数据,反馈到实际的流程管理环境中,通知流程操作人员及时调节流程管理;
(7)本发明基于理论研究基础,设置各种流程、环节的权重;结合国家政策要求、医院的公益性、医疗服务的安全性、医疗服务的质量保证和对患者的服务理念等依次占比权重,构建本发明系统的初始框架,基于设定权重的框架进行软件层面的架构、开发、和终端应用,能够便于第三方开发相应程序模块的对应终端应用,例如基于本发明系统的第三方APP客户端、物联网终端应用以及临床终端应用等;
(8)本发明可以满足医院管理和发展的需求,更加切实合理、高效地反映和调节医院的实际运营情况,可靠性高;
(9)本发明通过在医院现有的系统上梳理各个系统的流程,进行节点监控和管理,确保每个系统的流程顺利运行且不影响其他系统流程;
(10)本发明在有可能影响病人或其家属医疗过程的多个流程当中,会以平台的方式判断权衡,给出这些相关流程最佳路径方式,自动调节流程管理,减少不必要的流程,例如在挂号环节时,完对检查、处方费用情况地预判,进行预授权收费,完成流程后退款或者扣款处理,减少了院内付费的环节,减轻了病人及其家属的负担,提高了医院服务质量;
(11)本发明改进了医院信息化系统和管理流程,提高了医院的流程管理信息化程度,尤其是提供了一种在行政管理与临床管理结合的领域的流程管理信息化软件,有助于提高医院的流程管理效率,减少在挂号、检查、诊断和临床治疗等环节均耗费的人力资源,降低医院管理成本,减轻医务人员的工作负荷;同时,病人在医院低效的服务环境中,基于本发明的应用平台可以及时得到便捷的服务信息和精准、高质的医疗服务,减少办理各种繁杂的手续等问题,为医院流程管理提供了一种高效的行业解决方案,使医院流程管理更加智能化和科学化。
附图说明
图1为人工神经网络模型示意图;
图2为本发明的功能模块构架图;
图3为本发明的功能模块流程图;
图4为本发明的算法步骤流程图;
图5为本发明的调节反馈管理示意图;
图6为本发明接入医院信息系统的结构示意图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
如图2所示,基于人工神经网络的医院流程管理系统,它包括数据源模块、分析处理模块、时效模块、人工干预模块、决策模块、反馈模块、预测模块和输出模块,所述的数据源模块、时效模块、人工干预模块、决策模块和反馈模块分别与分析处理模块连接,所述的预测模块与输出模块连接;
如图3所示,所述的分析处理模块包括输入单元模块、学习单元模块、输出单元模块和计算模块,所述的输入单元模块与学习单元模块连接,所述的学习单元模块与输出单元模块连接,所述的计算模块,用于计算输入层单元模块与输出层单元模块之间的权值误差信号;
所述的数据源模块与输入层单元模块连接,所述的人工干预模块与输出单元模块连接,将数据源模块中的数据导入所述输入单元模块,作为输入变量;通过人工干预模块,将人工干预措施作为输出变量;所述的学习单元模块根据计算模块计算得到的权值误差信号,不断地调整优化学习单元节点之间的连接权值和学习节点的偏置值并保存,学习人工干预模块的调节行为;
所述的时效模块与人工干预模块连接,用于当对多个流程进行判断时,判断流程之间的时效差异,如果时效差异值超过预设时效值,则时效模块通知人工干预模块,规划给出相关流程的最佳时效路径,并进行流程调节;
所述的决策模块,用于生成决策信息提供给管理者终端,管理者终端汇集流程的决策信息数据,并基于决策信息数据,对各个流程之间的协作关系进行调节管理,同时记录该调节管理行为,然后通过人工干预模块将该调节管理行为,作为所述输出单元模块的新的输出变量,被所述学习单元模块学习;
所述的反馈模块,用于将决策模块的调节管理行为信息数据,反馈到实际的流程管理环境中,通知流程操作人员及时调节流程管理;
所述的预测模块,在基于所述学习单元模块的稳定连接权值和偏置值,根据流程的上一个节点预判流程的下一个节点可能发生的情况,并通过输出模块将预测信息输出到流程管理中,自动调节流程管理。
所述的数据源模块包括数据获取模块和数据预处理模块,通过所述的数据获取模块,分别获取医院信息子系统的相应流程节点的记录数据;或者,通过人工输入流程的记录数据作为数据源;再或者,通过数据采集终端作为数据的来源;将获取的数据存储到数据库中;
所述的数据预处理模块,用于选择数据库中存储的记录数据作为样本数据,在样本数据导入所述输入单元模块之前,通过数据预处理模块对数据进行预处理,所述的预处理包括数据清洗和数据标准化处理。
所述的数据源模块还包括开放的数据库接口模块,所述的开放的数据库接口模块用于接入不同医院的医疗业务数据库,通过获取大量的历史医疗业务数据作为所述输入单元模块的训练数据,通过大量的样本训练使得所述学习单元模块的学习节点之间的连接权值和偏置值趋于收敛,使得所述分析处理模块学习人工调节行为的能力达到稳定的期望值。
所述的分析处理模块还包括数据导入模块,用于将预处理后的训练数据导入分析处理模块的输入层单元模块。
进一步,根据医院的公益性、医疗服务的安全性、医疗服务的质量和对患者的服务理念依次占权重来确定各种流程和流程子节点的管理权重设置,建立基于所述管理权重设置的各种流程之间的协作关系软件初始框架,所述的软件初始框架在程序模块化开发过程中,能够便于第三方开发相应程序模块的对应终端应用。
所述的终端应用包括APP客户端、物联网终端应用以及临床终端应用。
所述的输入单元模块,根据医院的公益性、医疗服务的安全性、医疗服务的质量和对患者的服务理念依次占权重来确定输入变量的类型和数量。
所述的输出单元模块,在人工干预学习阶段,将人工干预行为数据作为输出变量,所述学习单元模块根据计算模块计算得到的人工干预行为的输出变量与输入变量的误差信号值,将误差信号值从输出单元模块反向传输到输入单元模块,在反向传输误差信号的过程中,更新学习单元的节点之间的连接权值值和偏置值,并将更新的所述连接权值和偏置值保存,通过不断地重复学习人工干预调节行为,使得所述的连接权值值和偏置值趋于收敛;在自动调节管理阶段,基于稳定的连接权值值和偏置值,通过所述预测模块预判流程管理中的下一步行为,通过所述输出模块输出调节信息,实现自动调节流程,无需人工再干预。
所述的分析处理模块还包括一个记录模块和一个判断模块,所述的记录模块,用于在人工干预的阶段,记录人工干预频次较高的流程及其相应的环节;所述的判断模块,用于在自动管理调节的阶段,基于所述的记录模块,判断容易出现人工干预的流程及其环节,并对相应的流程及其环节设置输入变量类型和数量。
所述的流程调节包括:提醒,分流和自动跳过某一流程。
所述的预测模块,用于在基于大量医疗业务数据和通过所述分析处理模块学习了多次人工干预调节管理行为后,根据流程的上一个节点预判流程的下一个节点可能发生的情况,并通过输出模块,将预测信息输出到流程管理环境中,自动调节流程管理。
如图6所示,所述的医院信息子系统包括EMR子系统、HIS子系统、LIS子系统、PACS子系统、HRP子系统、OA子系统、CIS子系统和FIS子系统;所述的医院流程管理系统与医院信息子系统之间的连接关系互相独立,医院信息子系统提供流程数据源,所述的基于人工神经网络的医院流程管理系统提供独立的预测分析能力、决策信息生成能力和反馈调节能力。
人工神经网络模型算法历经几十年地发展,已经在多个领域得到了不同程度地应用,它最突出的一个特点就是具有学习能力,这是它智能性的体现,同时这也是人工神经网络模型在多个领域都被用来作分析预测的原因。它基于对历史数据的分析和对历史模式的“学习”,可以预知事物发展的规律和方向,例如常见的场景:用于对旅游行业季节性的旅游人次规模进行预测、对每一届学生的学习成绩进行预测、对每年的气象状况预测等。
人工神经网络的输出根据网络的连接方式、权重值和输出函数的不同而不同,它通常是对自然界的某种算法或者函数的逼近,或者是对一种逻辑策略的表达。根据学习环境不同,神经网络的学习方式可分为监督学习和非监督学习。在监督学习中,将训练样本的数据从网络输入端输入,同时将相应的期望输出作为输出变量,计算得到误差信号,将误差信号反向传播到网络输入端的过程中,更新网络连接方式的,以达到优化调整权值,经多次训练后可以收敛到一个确定的权值,作为对场景的学习记忆。当样本情况发生变化时,同样经过学习,可以修改权值以适应新的环境。
在本发明的实施例中,在信息化时代,大量的历史数据中蕴含着某些规律性的信息。随着大数据技术地飞速发展,人们基于数学模型,通过计算机软件技术可以创造数据分析工具,并利用这些工具去分析和挖掘数据背后的规律,从而提取有价值的信息。如图1所示,人工神经网络模型算法(Artificial Neural Network,ANN)是一种运算模型,它是由大量的节点之间相互联接构成。作为一种可选方案:学习层可以为单层,人工神经网络的输入与输出公式:
yj=f(uj)
其中,f(uj)为激活函数,wji为连接权值,θj为阈值,本领域技术人员应当知晓,根据实际情况,还可以选择其他的输入与输出计算算法。
误差函数公式:
其中,dK为第k层的误差函数,ok为第k层的输出,本领域技术人员应当知晓,根据实际情况,还可以选择其他的误差信号值计算算法,或者对误差计算算法进行修正使得计算结果更加可靠,收敛速度更快。
如图4所示,为了产生给定输入的稳定输出,本发明通过对流程样本数据进行反复地训练和学习,利用人工干预的措施修改连接权值和偏置值,包括以下步骤:
S1:初始化网络参数,包括输入层与学习层之间的节点连接权值和偏置值、学习层与输出层之间的节点连接权值和偏置值;
S2:将有选择地采集到的流程数据,作为输入层输入变量,确定输出层的期望输出变量;
S3:分别计算输入层、学习层和输出层的输入和输出值;
S4:计算输出层的输出值与期望输出变量的误差,反向传播误差,调节输入层、输出层和学习层的之间的连接权值;
S5:判断连接权值是否收敛,并迭代计算输入层、学习层和输出层的输入和输出值的误差,反复传播,直至连接权值收敛;
S6:保存稳定的连接权值和偏置值,输入实时流程数据,基于保存的连接权值和偏置值可以预测分析流程运行环境,提供调节管理信息资料。
如图1所示,每个节点代表一种特定的输出函数,每两个节点间的连接都代表一个对于通过该连接信号的加权值,即为权重,相当于人工神经网络的“记忆”。这种“记忆”类似于人脑的思维能力,人工神经网络可以对再次出现的类似情景基于先前保存的“记忆”进行预判,人们利用人工神经网络算法本身的学习特性来获取预测信息,输入控制变量,以实现调控复杂现实环境的能力,尤其是在非线性、自适应类的信息处理系统中得到了广泛的应用。
在医院信息化发展的历程中,多数医院的流程管理信息化程度非常低,尤其是在行政管理与临床管理结合的领域缺乏流程管理信息化软件,导致医院的流程管理效率低下,在挂号、检查、诊断和临床治疗等环节均耗费着大量的人力。如图5所示,流程管理软件工作模式,在有可能影响的多个流程当中,系统会以平台的方式判断权衡,给出这些相关流程最佳路径方式。例:第一流程中的两个环节超过流程预设时效,发现第二流程当中三个环节与其有相关性,是造成时效延误的主因,系统会采取之前学习的人工介入的方式处理该异常,提醒、分流、自动跳过后补充等方式确保流程顺利完成。
如图6所示,本发明是一种基于人工神经网络的医院流程管理系统,作为一种平台系统,它具有极高的自我学习能力、容错性等特点,非常适合对复杂的非线性系统进行分析和预测。在医院现有的系统上梳理各个系统的流程,进行节点监控和管理,确保每个系统的流程顺利运行且不影响其他系统流程。具体来说,本发明架构了类似人工神经网络的系统,基于高度整合EMR、HIS、PACS、HRP、LIS等系统的电子病历评级5级以上单位系统,用人工神经网络的模式研发医院人工神经网络系统的基础模型,医院人工神经网络系统基础模型主要核心功能是不断优化处理多线程的流程工作,根据流程节点的进度情况进行反馈调节,确保流程顺利完成,并且为医院决策系统提供信息支持。本发明可以将医院日常管理流程均纳入本发明的系统内,研究本发明系统对医院管理是否有效。
本发明系统架构立足于理论研究基础,结合目前政策要求,医院的公益性将在系统中占据权重比较重的位置,其次是医疗服务的安全性,医疗服务的质量保证,对患者的服务理念等依次占比权重。对于各种流程、环节的权重设置需要进行理论研究,根据理论研究结果形成本发明系统的初始框架,完成理论设计后进行软件层面的架构、开发、和终端应用。
实施例1
医院药库流程管理系统,例:医院工作人员根据专业知识,可以选取关于药品的多个输入变量,例如将过去一年中每个月的每一种药的实际使用量作为样本数据,输入到本发明的系统中,选取影响用药的关键影响因子,作为本发明系统的输入变量,使用实际历史用药量作为输出变量,对药库流程管理系统进行分析和预测,使医院药库流程管理更加智能化和科学化。
实施例2
医院收费流程管理系统,例:当某位患者来医院就诊,进入本发明系统,通过患者描述症状、导诊台导诊、挂号、就诊、医师处理(检查、处方、入院等),完成该流程后,记录了相应的流程行为数据,对本发明系统来说完成了一次数据录入,当样本量足够大的时候,本发明系统能根据前一个步骤的结果预判下一个步骤的行为,比如在挂号环节时,完对检查、处方费用情况的预判,进行预授权收费,完成流程后退款或者扣款处理,减少了院内付费的环节。同时,在该环节出现较大异常(拥堵、时效长、大量预约等情况)的时候反馈给该环节的实施者进行提示、对上一个环节进行提示疏导、对下一个环节进行预警。同时反馈给医院管理层,医院管理层进行调整,该调整方案同时也被本发明学习,在多次重复训练之后系统能够自动完成日常流程的管理,最终能够保证并优化流程流转准确性和时效性。
实施例3
检查、诊断流程管理系统,例:患者进入检查流程,需要做查血-LIS(检验系统)和CT-RIS、PACS(影像科系统),在这两个系统当中分别存在一个预约-准备-检查-取报告的流程,同时这两个流程分别涉及检验科的内部流程(抽血-转运-检查-核对-出报告),影像科内部流程(预约-打针-检查-打片-出报告)那么对于这两个并行的事件来说涉及四个流程,如果说是用平台化的管理首先可以梳理节点,这两个部门涉及的节点是否有异常情况,根据顺利程度和每个节点的完成时间安排患者优先做什么,再做什么,对于部门节点来讲如果出现多条同时进行的流程,会根据之前收集到的信息给予合理安排(比如有重症可能性的患者优先完成,有大量患者加快完成进度等),做到针对用户(患者和部门节点)最优化的处理方案。
以上所述仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
本领域技术人员可以意识到,结合本文中所公开的实施例描述的各示例的模块及方法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法实现所描述的功能,但是这种实现不应超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、装置和模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本发明所揭露的模块、系统和装置,可以通过其它的方式实现。例如,以上所描述的装置实施例仅是示意性的,例如,所述模块的划分,可以仅仅是一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以说通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述分立部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例的方案目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、制度存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.基于人工神经网络的医院流程管理系统,其特征在于:它包括数据源模块、分析处理模块、时效模块、人工干预模块、决策模块、反馈模块、预测模块和输出模块,所述的数据源模块、时效模块、人工干预模块、决策模块和反馈模块分别与分析处理模块连接,所述的预测模块与输出模块连接;
所述的分析处理模块包括输入单元模块、学习单元模块、输出单元模块和计算模块,所述的输入单元模块与学习单元模块连接,所述的学习单元模块与输出单元模块连接,所述的计算模块,用于计算输入单元模块与输出单元模块之间的权值误差信号;
所述的数据源模块与输入单元模块连接,所述的人工干预模块与输出单元模块连接,将数据源模块中的数据导入所述输入单元模块,作为输入变量;通过人工干预模块,将人工干预措施作为输出变量;所述的学习单元模块根据计算模块计算得到的权值误差信号,不断地调整优化学习单元节点之间的连接权值和学习节点的偏置值并保存,学习人工干预模块的调节行为;
所述的时效模块与人工干预模块连接,用于当对多个流程进行判断时,判断流程之间的时效差异,如果时效差异值超过预设时效值,则时效模块通知人工干预模块,规划给出相关流程的最佳时效路径,并进行流程调节;
所述的决策模块,用于生成决策信息提供给管理者终端,管理者终端汇集流程的决策信息数据,并基于决策信息数据,对各个流程之间的协作关系进行调节管理,同时记录该调节管理行为,然后通过人工干预模块将该调节管理行为,作为所述输出单元模块的新的输出变量,被所述学习单元模块学习;
所述的反馈模块,用于将决策模块的调节管理行为信息数据,反馈到实际的流程管理环境中,通知流程操作人员及时调节流程管理;
所述的预测模块,在基于所述学习单元模块的稳定连接权值和偏置值,根据流程的上一个节点预判流程的下一个节点可能发生的情况,并通过输出模块将预测信息输出到流程管理中,自动调节流程管理。
2.根据权利要求1所述的基于人工神经网络的医院流程管理系统,其特征在于:所述的数据源模块包括数据获取模块和数据预处理模块,通过所述的数据获取模块,分别获取医院信息子系统的相应流程节点的记录数据;或者,通过人工输入流程的记录数据作为数据源;再或者,通过数据采集终端作为数据的来源;将获取的数据存储到数据库中;
所述的数据预处理模块,用于选择数据库中存储的记录数据作为样本数据,在样本数据导入所述输入单元模块之前,通过数据预处理模块对数据进行预处理,所述的预处理包括数据清洗和数据标准化处理。
3.根据权利要求1所述的基于人工神经网络的医院流程管理系统,其特征在于:所述的数据源模块还包括开放的数据库接口模块,所述的开放的数据库接口模块用于接入不同医院的医疗业务数据库,通过获取大量的历史医疗业务数据作为所述输入单元模块的训练数据,通过大量的样本训练使得所述学习单元模块的学习节点之间的连接权值和偏置值趋于收敛,使得所述分析处理模块学习人工调节行为的能力达到稳定的期望值。
4.根据权利要求1所述的基于人工神经网络的医院流程管理系统,其特征在于:所述的分析处理模块还包括数据导入模块,用于将预处理后的训练数据导入分析处理模块的输入单元模块。
5.根据权利要求1所述的基于人工神经网络的医院流程管理系统,其特征在于:根据医院的公益性、医疗服务的安全性、医疗服务的质量和对患者的服务理念依次占权重来确定各种流程和流程子节点的管理权重设置,建立基于所述管理权重设置的各种流程之间的协作关系软件初始框架,所述的软件初始框架在程序模块化开发过程中,能够便于第三方开发相应程序模块的对应终端应用。
6.根据权利要求5所述的基于人工神经网络的医院流程管理系统,其特征在于:所述的终端应用包括APP客户端、物联网终端应用以及临床终端应用。
7.根据权利要求1所述的基于人工神经网络的医院流程管理系统,其特征在于:所述的输入单元模块,根据医院的公益性、医疗服务的安全性、医疗服务的质量和对患者的服务理念依次占权重来确定输入变量的类型和数量。
8.根据权利要求1所述的基于人工神经网络的医院流程管理系统,其特征在于:所述的输出单元模块,在人工干预学习阶段,将人工干预行为数据作为输出变量,所述学习单元模块根据计算模块计算得到的人工干预行为的输出变量与输入变量的误差信号值,将误差信号值从输出单元模块反向传输到输入单元模块,在反向传输误差信号的过程中,更新学习单元的节点之间的连接权值值和偏置值,并将更新的所述连接权值和偏置值保存,通过不断地重复学习人工干预调节行为,使得所述的连接权值和偏置值趋于收敛;在自动调节管理阶段,基于稳定的连接权值值和偏置值,通过所述预测模块预判流程管理中的下一步行为,通过所述输出模块输出调节信息,实现自动调节流程,无需人工再干预。
9.根据权利要求1所述的基于人工神经网络的医院流程管理系统,其特征在于:所述的分析处理模块还包括一个记录模块和一个判断模块,所述的记录模块,用于在人工干预的阶段,记录人工干预频次较高的流程及其相应的环节;所述的判断模块,用于在自动管理调节的阶段,基于所述的记录模块,判断容易出现人工干预的流程及其环节,并对相应的流程及其环节设置输入变量类型和数量。
10.根据权利要求2所述的基于人工神经网络的医院流程管理系统,其特征在于:所述的医院信息子系统包括EMR子系统、HIS子系统、LIS子系统、PACS子系统、HRP子系统、OA子系统、CIS子系统和FIS子系统;所述的医院流程管理系统与医院信息子系统之间的连接关系互相独立,医院信息子系统提供流程数据源,所述的基于人工神经网络的医院流程管理系统提供独立的预测分析能力、决策信息生成能力和反馈调节能力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710277217.0A CN107145723B (zh) | 2017-04-25 | 2017-04-25 | 基于人工神经网络的医院流程管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710277217.0A CN107145723B (zh) | 2017-04-25 | 2017-04-25 | 基于人工神经网络的医院流程管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107145723A CN107145723A (zh) | 2017-09-08 |
CN107145723B true CN107145723B (zh) | 2020-07-28 |
Family
ID=59775362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710277217.0A Active CN107145723B (zh) | 2017-04-25 | 2017-04-25 | 基于人工神经网络的医院流程管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107145723B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI725333B (zh) * | 2018-08-07 | 2021-04-21 | 中華電信股份有限公司 | 流體輸配管線網路內感測元件的布建決策裝置及其方法 |
CN109409593B (zh) * | 2018-10-17 | 2021-07-16 | 郑州大学 | 用于辅助医院财务预算分配决策的流程管理方法及系统 |
CN110136811A (zh) * | 2019-05-21 | 2019-08-16 | 江苏润桐数据服务有限公司 | 一种基于智能挂号平台的数据处理方法和装置 |
CN111701150B (zh) * | 2020-07-02 | 2022-06-17 | 中国科学院苏州生物医学工程技术研究所 | 智能光诊疗设备 |
CN112085255A (zh) * | 2020-08-07 | 2020-12-15 | 宁波科蓝中水信息技术有限公司 | 一种闸泵水动力调控方法 |
CN113268700B (zh) * | 2021-05-21 | 2023-05-09 | 中安万业大数据有限公司 | 一种用于智慧医疗的互联网+资源管理方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201185012Y (zh) * | 2008-04-14 | 2009-01-21 | 广东药学院 | 一种门诊调度系统 |
CN103020463A (zh) * | 2012-12-24 | 2013-04-03 | 江南大学 | 一种基于移动平台的医院智能就诊系统 |
CN104866309A (zh) * | 2015-05-20 | 2015-08-26 | 无锡智广厦科技有限公司 | 一种社交网络远程交互智能排队系统 |
CN104952024A (zh) * | 2015-06-19 | 2015-09-30 | 孟桂林 | 一种预测急诊就诊量的方法以及医院管理系统 |
CN105023073A (zh) * | 2014-04-16 | 2015-11-04 | 北京百和园科技有限公司 | 一种基于人工神经网络的医院智能评估分诊系统 |
CN106096286A (zh) * | 2016-06-15 | 2016-11-09 | 北京千安哲信息技术有限公司 | 临床路径制定方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080319935A1 (en) * | 2007-06-23 | 2008-12-25 | Sanjeev Chandak | Systems & Methods to reduce wait time in the service sector and just in time demand management |
-
2017
- 2017-04-25 CN CN201710277217.0A patent/CN107145723B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201185012Y (zh) * | 2008-04-14 | 2009-01-21 | 广东药学院 | 一种门诊调度系统 |
CN103020463A (zh) * | 2012-12-24 | 2013-04-03 | 江南大学 | 一种基于移动平台的医院智能就诊系统 |
CN105023073A (zh) * | 2014-04-16 | 2015-11-04 | 北京百和园科技有限公司 | 一种基于人工神经网络的医院智能评估分诊系统 |
CN104866309A (zh) * | 2015-05-20 | 2015-08-26 | 无锡智广厦科技有限公司 | 一种社交网络远程交互智能排队系统 |
CN104952024A (zh) * | 2015-06-19 | 2015-09-30 | 孟桂林 | 一种预测急诊就诊量的方法以及医院管理系统 |
CN106096286A (zh) * | 2016-06-15 | 2016-11-09 | 北京千安哲信息技术有限公司 | 临床路径制定方法及装置 |
Non-Patent Citations (3)
Title |
---|
Artificial neural networks in medical diagnosis;Filippo Amato等;《Journal of Applied Biomedicine》;20130207;第11卷;全文 * |
基于患者个人信息的智能预诊方法;陈凯;《中国优秀硕士学位论文全文数据库 医药卫生科技辑(月刊)医医药卫生方针政策与法律法规研究》;20170215(第2期);全文 * |
面向医院的业务流程管理研究;王丽姿;《中国博士学位论文全文数据库 医药卫生科技辑(月刊)医药卫生方针政策与法律法规研究》;20101215(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN107145723A (zh) | 2017-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107145723B (zh) | 基于人工神经网络的医院流程管理系统 | |
CN107423551B (zh) | 用于执行医学检查的成像方法和成像系统 | |
US20180144244A1 (en) | Distributed clinical workflow training of deep learning neural networks | |
WO2021020198A1 (ja) | 情報処理装置、プログラム、学習済みモデル、診断支援装置、学習装置及び予測モデルの生成方法 | |
CN106462655B (zh) | 临床诊断支持网络、系统及方法 | |
US20230012685A1 (en) | Healthcare network | |
US8060381B2 (en) | User interface for analyzing opportunities for clinical process improvement | |
CN108292386A (zh) | 关注于护理片段的综合健康护理性能评估工具 | |
US20200330046A1 (en) | Digital twin updating | |
JP7317136B2 (ja) | 機械学習システムおよび方法、統合サーバ、情報処理装置、プログラムならびに推論モデルの作成方法 | |
US11710572B2 (en) | Experience engine-method and apparatus of learning from similar patients | |
Joshi et al. | State-of-the-art reviews predictive modeling in adult spinal deformity: applications of advanced analytics | |
CN112889117A (zh) | 工作流程预测性分析引擎 | |
Strachna et al. | Reengineering clinical decision support systems for artificial intelligence | |
WO2024098659A1 (zh) | 肿瘤放疗计划设计方法、装置、电子设备及存储介质 | |
WO1997044752A1 (en) | Pharmaceutical process system for creating and analyzing information | |
US20220406463A1 (en) | System and method for providing wellness recommendation | |
CN113724824B (zh) | 慢性病患者随访方法、装置、计算机设备及可读存储介质 | |
US11610654B1 (en) | Digital fingerprinting for automatic generation of electronic health record notes | |
CA2942325A1 (en) | Computer generation of decision trees | |
CN116525123B (zh) | 一种基于分析模型的医疗检查落地要素反馈系统及方法 | |
Hancock et al. | Repurposing the quality adjusted life year: inferring and navigating wellness cliques from high sample rate multi-factor QALY | |
US12040078B2 (en) | Dental image analysis and treatment planning using an artificial intelligence engine | |
Battu et al. | Patient Flow Optimization in an Emergency Department Using SimPy-Based Simulation Modeling and Analysis: A Case Study | |
RU2789260C1 (ru) | Система поддержки принятия врачебных решений на основе анализа медицинских изображений |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |