CN110993070B - 基于神经网络的医院门诊等待时间预测方法 - Google Patents

基于神经网络的医院门诊等待时间预测方法 Download PDF

Info

Publication number
CN110993070B
CN110993070B CN201910985650.9A CN201910985650A CN110993070B CN 110993070 B CN110993070 B CN 110993070B CN 201910985650 A CN201910985650 A CN 201910985650A CN 110993070 B CN110993070 B CN 110993070B
Authority
CN
China
Prior art keywords
time
inquiry
waiting time
patient
doctor
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
Application number
CN201910985650.9A
Other languages
English (en)
Other versions
CN110993070A (zh
Inventor
花嵘
朱文强
贾斌
王志余
傅游
于建志
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University of Science and Technology
Original Assignee
Shandong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University of Science and Technology filed Critical Shandong University of Science and Technology
Priority to CN201910985650.9A priority Critical patent/CN110993070B/zh
Publication of CN110993070A publication Critical patent/CN110993070A/zh
Application granted granted Critical
Publication of CN110993070B publication Critical patent/CN110993070B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/02—Reservations, e.g. for tickets, services or events
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Epidemiology (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开了一种基于神经网络的医院门诊等待时间预测方法，涉及计算机模拟预测技术领域。该方法首先获取作为病人预测等待时间的初始数据，获取到每个医生问诊时间后，使用人工智能中的神经网络算法对所有医生的问诊时间进行训练学习，将训练得到所有医生最优问诊时间与医生所在诊室的情况结合，利用卷积神经网络对每个诊室内所有医生的问诊时间进行训练学习，通过医生最优问诊时间和诊室最优问诊时间分别对病人等待时间进行计算，分别得出基于所有医生的问诊等待时间和基于所有诊室的问诊等待时间，两个时间取平均值既初步算出病人等待时间。

Description

基于神经网络的医院门诊等待时间预测方法
技术领域
本发明涉及计算机模拟预测技术领域，具体涉及一种基于神经网络的医院门诊等待时间预测方法。
背景技术
随着生活水平的不断提高，人们对医疗保健的关注日渐提升，对医院而言不仅仅是门诊量的增加，社会对医院的服务和人性化程度也有了新的要求，医院排队叫号系统的建设成为一种趋势。目前排队叫号系统已成为各大医院信息化建设的必不可少的部分，现有的医院排队系统多为传统的就医系统，包括手机挂号、预约、付费等功能，人们通常取号后在现场等待叫号，花费很长的等待时间，很多时候还会由于现场嘈杂或短暂的离开而导致错过自己的号码。
发明内容
本发明的目的是针对上述不足，提出了一种利用神经网络的学习算法对医院的问诊信息数据进行训练学习从而计算出较为准确的排队时间的医院门诊等待时间预测方法。
本发明具体采用如下技术方案：
基于神经网络的医院门诊等待时间预测方法，包括以下步骤：
a、获取作为病人预测等待时间的初始数据；
b、医院提供数据库接口，通过数据库接口获取每个医生的问诊时间后，利用循环神经网络对每个医生的最近2000次问诊时间进行训练学习，训练最终得到每个医生下一次问诊的预测时间DTi，利用每个医生下一次问诊的预测时间DTi以及获取到的问诊排队人数AN初步计算问诊等待时间WT1，
Figure BDA0002236597940000011
c、将医生问诊时间与医生所在诊室相结合，同时利用循环神经网络对每个诊室内最近5000次的问诊时间进行训练学习，通过训练最终得到每个诊室下一次问诊的预测时间RTj，将每个诊室下一次问诊的预测时间RTi与每个医生下一次问诊的预测时间DTi结合求出稳定的问诊等待时间WT2，
Figure BDA0002236597940000012
d、当病人第一次问诊医生无法确诊，需进一步检查时，不需要进行训练学习直接采用检查时间CT进行计算，遍历检查队列，求出第i个病人检查等待时间ETi，ETi＝CT*i (3)；
e、将问诊等待时间WT2和病人检查等待时间ETi相结合，从检测队列i＝0开始，将病人检查等待时间ETi与问诊等待时间WT2进行比较，如果ETi小于WT2，则问诊排队人数需要AN加一，再次计算问诊等待时间WT2，计算完成后再次对问诊等待时间WT2与下一个病人检查所需时间ETi进行比较，直至最后将所有检查队列的插队人数遍历完成后，计算出的问诊等待时间WT2为最终的用户问诊预测时间WT。
优选地，获取作为病人预测等待时间的初始数据过程中，医院提供数据库接口，病人通过挂号号码从医院数据库接口获取挂号详情、医生人数DN、医生问诊时间DT、诊室数RN、诊室问诊时间RT，问诊排队人数AN、检查排队人数CN、检查时间CT的详细数据。
优选地，在长时间等待过程中，如果出现只做检查不问诊或者挂上号没有排队的特殊情况，每隔一分钟进行一次问诊预测时间WT的计算，动态的推送给病人，从而保证在特殊情况下能够及时调整等待时间病人，也能保证在没有特殊情况下因长时间等待而出现的偏差。
本发明具有如下有益效果：
该基于神经网络的医院门诊等待时间预测方法，通过医院就诊数据库交互，利用神经网络的学习算法进行训练学习从而计算出较为准确地排队时间，实现在排队系统中就诊时间的预测，为病人提供参考，病人可以合理安排时间，使病人能够在不错过自己号码的基础上为病人节省排队时间，提高排队效率。
附图说明
图1为循环神经网络结构图；
图2为时间预测方法流程图。
具体实施方式
下面结合附图和具体实施例对本发明的具体实施方式做进一步说明：
结合图1和图2，基于神经网络的医院门诊等待时间预测方法，包括以下步骤：
a、获取作为病人预测等待时间的初始数据，获取作为病人预测等待时间的初始数据过程中，医院提供数据库接口，病人通过挂号号码从医院数据库接口获取挂号详情、医生人数DN、医生问诊时间DT、诊室数RN、诊室问诊时间RT，问诊排队人数AN、检查排队人数CN、检查时间CT的详细数据。
b、医院提供数据库接口，通过数据库接口获取每个医生的问诊时间后，利用循环神经网络对每个医生的最近2000次问诊时间进行训练学习，训练最终得到每个医生下一次问诊的预测时间DTi，利用每个医生下一次问诊的预测时间DTi以及获取到的问诊排队人数AN初步计算问诊等待时间WT1，
Figure BDA0002236597940000031
c、将医生问诊时间与医生所在诊室相结合，同时利用循环神经网络对每个诊室内最近5000次的问诊时间进行训练学习，通过训练最终得到每个诊室下一次问诊的预测时间RTj，将每个诊室下一次问诊的预测时间RTi与每个医生下一次问诊的预测时间DTi结合求出稳定的问诊等待时间WT2，
Figure BDA0002236597940000032
d、当病人第一次问诊医生无法确诊，需进一步检查时，不需要进行训练学习直接采用检查时间CT进行计算，遍历检查队列，求出第i个病人检查等待时间ETi，ETi＝CT*i  (3)；
e、将问诊等待时间WT2和病人检查等待时间ETi相结合，从检测队列i＝0开始，将病人检查等待时间ETi与问诊等待时间WT2进行比较，如果ETi小于WT2，则问诊排队人数需要AN加一，再次计算问诊等待时间WT2，计算完成后再次对问诊等待时间WT2与下一个病人检查所需时间ETi进行比较，直至最后将所有检查队列的插队人数遍历完成后，计算出的问诊等待时间WT2为最终的用户问诊预测时间WT。
在长时间等待过程中，如果出现只做检查不问诊或者挂上号没有排队的特殊情况，这样会导致最终预测时间出现偏差，每隔一分钟进行一次问诊预测时间WT的计算，动态的推送给病人，从而保证在特殊情况下能够及时调整等待时间病人，也能保证在没有特殊情况下因长时间等待而出现的偏差。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (2)

1.基于神经网络的医院门诊等待时间预测方法，其特征在于，包括以下步骤：
a、获取病人预测等待时间的初始数据；
b、医院提供数据库接口，通过数据库接口获取每个医生的问诊时间后，利用循环神经网络对每个医生的最近2000次问诊时间进行训练学习，训练最终得到每个医生下一次问诊的预测时间DTi，利用每个医生下一次问诊的预测时间DTi以及获取到的问诊排队人数AN初步计算问诊等待时间WT1，
Figure FDA0004053769850000011
c、将医生问诊时间与医生所在诊室相结合，同时利用循环神经网络对每个诊室内最近5000次的问诊时间进行训练学习，通过训练最终得到每个诊室下一次问诊的预测时间RTj，将每个诊室下一次问诊的预测时间RTi与每个医生下一次问诊的预测时间DTi结合求出稳定的问诊等待时间WT2，
Figure FDA0004053769850000012
d、当病人第一次问诊医生无法确诊，需进一步检查时，不需要进行训练学习直接采用检查时间CT进行计算，遍历检查队列，求出第i个病人检查等待时间ETi，ETi＝CT*i  (3)；
e、将问诊等待时间WT2和病人检查等待时间ETi相结合，从检测队列i＝0开始，把病人检查等待时间ETi与问诊等待时间WT2进行比较，如果ETi小于WT2，则问诊排队人数需要AN加一，再次计算问诊等待时间WT2，计算完成后再次对问诊等待时间WT2与下一个病人检查所需时间ETi进行比较，直至最后将所有检查队列的插队人数遍历完成后，计算出的问诊等待时间WT2为最终的用户问诊预测时间WT；
在获取作为病人预测等待时间的初始数据过程中，医院提供数据库接口，病人通过挂号号码从医院数据库接口获取挂号详情、医生人数DN、医生问诊时间DT、诊室数RN、诊室问诊时间RT，问诊排队人数AN、检查排队人数CN、检查时间CT的详细数据。
2.如权利要求1所述的基于神经网络的医院门诊等待时间预测方法，其特征在于，在长时间等待过程中，如果出现只做检查不问诊或者挂上号没有排队的特殊情况，每隔一分钟进行一次问诊预测时间WT的计算，动态的推送给病人，从而保证在特殊情况下能够及时调整等待时间病人，也能保证在没有特殊情况下因长时间等待而出现的偏差。
CN201910985650.9A 2019-10-17 2019-10-17 基于神经网络的医院门诊等待时间预测方法 Active CN110993070B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910985650.9A CN110993070B (zh) 2019-10-17 2019-10-17 基于神经网络的医院门诊等待时间预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910985650.9A CN110993070B (zh) 2019-10-17 2019-10-17 基于神经网络的医院门诊等待时间预测方法

Publications (2)

Publication Number Publication Date
CN110993070A CN110993070A (zh) 2020-04-10
CN110993070B true CN110993070B (zh) 2023-04-07

Family

ID=70082083

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910985650.9A Active CN110993070B (zh) 2019-10-17 2019-10-17 基于神经网络的医院门诊等待时间预测方法

Country Status (1)

Country Link
CN (1) CN110993070B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114373535A (zh) * 2022-01-13 2022-04-19 刘威 基于互联网的新型医患机制系统
CN116894526B (zh) * 2023-09-11 2023-11-24 北京南师信息技术有限公司 基于数据分析的全流程智能导诊方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN203084808U (zh) * 2013-01-15 2013-07-24 中国人民解放军第三军医大学第一附属医院 门诊候诊叫号系统
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
US9569589B1 (en) * 2015-02-06 2017-02-14 David Laborde System, medical item including RFID chip, data collection engine, server and method for capturing medical data
US10055853B1 (en) * 2017-08-07 2018-08-21 Standard Cognition, Corp Subject identification and tracking using image recognition

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4217689B2 (ja) * 2005-03-30 2009-02-04 中国電力株式会社 待ち時間予測方法、待ち時間予測システム、及びプログラム
JP2014203416A (ja) * 2013-04-10 2014-10-27 株式会社日立ソリューションズ 待ち時間予測システム
CN105095648B (zh) * 2015-06-29 2017-10-31 浙江大学 一种门诊排队方法
US20170286970A1 (en) * 2016-03-31 2017-10-05 ZenDesk, Inc. Answer-suggestion system for automatically resolving customer requests
CA3028278A1 (en) * 2017-11-23 2019-05-23 Beijing Didi Infinity Technology And Development Co., Ltd. System and method for estimating arrival time
CN109659017B (zh) * 2018-12-24 2020-09-25 乐清市钜派企业管理咨询有限公司 一种预测、分配医生就诊量的智慧医疗系统
CN110164549A (zh) * 2019-05-20 2019-08-23 南通奕霖智慧医学科技有限公司 一种基于神经网络分类器的儿科分诊方法及系统
CN110277155A (zh) * 2019-06-19 2019-09-24 秒针信息技术有限公司 导诊方法及装置、存储介质、电子装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN203084808U (zh) * 2013-01-15 2013-07-24 中国人民解放军第三军医大学第一附属医院 门诊候诊叫号系统
US9569589B1 (en) * 2015-02-06 2017-02-14 David Laborde System, medical item including RFID chip, data collection engine, server and method for capturing medical data
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
US10055853B1 (en) * 2017-08-07 2018-08-21 Standard Cognition, Corp Subject identification and tracking using image recognition

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
何跃，邓唯茹，刘司寰.《基于组合决策树的急诊等待时间预测》.《方法应用》.2016,72-74. *
吴庆盛，胡少轶，王旭东.《医院门诊动态预约与排队管理系统的研究》.《计算机工程应用技术》.2016,(第undefined期),49、55. *

Also Published As

Publication number Publication date
CN110993070A (zh) 2020-04-10

Similar Documents

Publication Publication Date Title
US20200135334A1 (en) Devices and methods for remotely managing chronic medical conditions
Forrest et al. The effect of first-contact care with primary care clinicians on ambulatory health care expenditures
US8346572B2 (en) Providing clinical information to clinicians
US20150164439A1 (en) Electronic fetal monitoring applications and display
US20220328197A1 (en) Physiologic severity of illness score for acute care patients
Laine et al. The relationship of clinic experience with advanced HIV and survival of women with AIDS
CN110993070B (zh) 基于神经网络的医院门诊等待时间预测方法
KR20160000522A (ko) 응급 정신의학적 정신 상태 예측 모델 기반의 응급 원격정신의학 시스템 및 방법
JP2013148996A (ja) 重症度判定装置、及び、重症度判定方法
Wang et al. Healthcare access, socioeconomic factors and late-stage cancer diagnosis: an exploratory spatial analysis and public policy implication
CN114724727A (zh) 一种疫情预测的方法及电子设备
US9129501B1 (en) Augmented acknowledgement of alarms and messages in mobile health systems
CN109273080B (zh) 智能诊疗方法、装置、电子设备及存储介质
US20110106559A1 (en) Optimization of a clinical experience
US20130073313A1 (en) Method for using physician social networks based on common patients to predict cost and intensity of care in hospitals
CN114244871B (zh) 一种智慧医院便民就诊服务系统及其方法
Malmathanraj et al. A distributed e-healthcare system for patient monitoring and diagnosis
Lee et al. Proposed Architecture for U-Healthcare Systems
CN109411064A (zh) 一种智能预约挂号的方法及系统
CN114496259A (zh) 一种甲状腺微小癌大量淋巴结转移预测方法及系统
US11250959B2 (en) Dynamically updating a community early warning score
KR101222227B1 (ko) 노인요양시설 거주노인의 이상징후관리를 위한 컴퓨터의사결정지원 방법 및 시스템
CN117438061B (zh) 用于检查预约资源动态分配的方法
CN118335307B (zh) 数字化医院门诊规划模型生成方法、终端设备及存储介质
Heidel et al. The true complexities of “standard” family practice visits unmasked: an observational cross-sectional study in Regina

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