CN111145888B - 一种基于层次分析法的门诊智能导诊方法 - Google Patents

一种基于层次分析法的门诊智能导诊方法 Download PDF

Info

Publication number
CN111145888B
CN111145888B CN201911389271.XA CN201911389271A CN111145888B CN 111145888 B CN111145888 B CN 111145888B CN 201911389271 A CN201911389271 A CN 201911389271A CN 111145888 B CN111145888 B CN 111145888B
Authority
CN
China
Prior art keywords
layer
link
judgment matrix
calculating
constructing
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
CN201911389271.XA
Other languages
English (en)
Other versions
CN111145888A (zh
Inventor
陈晓斌
李程扬
陈航飞
林珠珍
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.)
XIAMEN ZHIYE SOFTWARE ENGINEERING CO LTD
Original Assignee
XIAMEN ZHIYE SOFTWARE ENGINEERING CO LTD
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 XIAMEN ZHIYE SOFTWARE ENGINEERING CO LTD filed Critical XIAMEN ZHIYE SOFTWARE ENGINEERING CO LTD
Priority to CN201911389271.XA priority Critical patent/CN111145888B/zh
Publication of CN111145888A publication Critical patent/CN111145888A/zh
Application granted granted Critical
Publication of CN111145888B publication Critical patent/CN111145888B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Business, Economics & Management (AREA)
  • Epidemiology (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及智能导诊技术领域，具体地说，涉及一种基于层次分析法的门诊智能导诊方法，包括构建层次结构模型，构造判断矩阵，计算相对重要性，判断矩阵的一致性检验，利用层次结构图绘出从目标层到方案层的计算结果，层次总排序。该基于层次分析法的门诊智能导诊方法中，采取层次分析法，可释放大量的脑力活动，将不可量化的指标，做异质指标需要同质化转换，再通过比较矩阵分析计算权向量得出各方案的最终得分，再将更优方案自动推荐给用户，并通过定位快速导航指引到方案指向的坐标点，从而实现缩短就诊时间，提高就诊体验的智能导诊功能。

Description

一种基于层次分析法的门诊智能导诊方法
技术领域
本发明涉及智能导诊技术领域，具体地说，涉及一种基于层次分析法的门诊智能导诊方法。
背景技术
目前，由于患者对医院的就医流程、科室地理位置的不熟悉，会引发频繁找人咨询、问路的行为，甚至出现走错路、多次往返科室等情况，就医体验差，传统的解决方案，是通过人为的主观判断来解决的，这种方式效率低、成本高。既需要安排大量的人力分布在医院的各主要楼层的指定区域，又需要花费大量的时间培养其专业的医疗知识。诸多的限制导致患者对不熟悉的医院业务流程感到茫然无措，只能频繁的前往指定区域找专业的导诊、导医人员了解下一环节目标，且大量的脑力活动，往往只能提供正确方案，并不一定能提供最优方案。
发明内容
本发明的目的在于提供一种基于层次分析法的门诊智能导诊方法，以解决上述背景技术中提出的问题。
为实现上述目的，一方面，本发明提供一种基于层次分析法的门诊智能导诊方法，包括以下步骤：
S1、将门诊就诊全过程所涉及的各类信息，提取要素特征转换为实体知识图谱、环节实体的关系图，并根据优先级标记环节的初始权重值；
S2、根据患者当前的就诊信息提取就诊环节要素特征，确定患者当前所在就诊环节；
S3、构建门诊就诊知识库体系，结合实体知识图谱、环节实体的关系图，提取关联的可执行环节；
S4、将可执行各个环节以及环节关联的医院实时的门诊诊疗信息分析计算提取二级权重；
S5、构建层次分析模型；
S6、通过判断矩阵区分环节关联的各要素的比例或优先级；
S7、异质指标同质化转换成统一标准；
S8、根据统一标准计算合成权重，得出各环节选项的权重得分总值；
S9、根据各环节选项的权重得分总值，对所在环节的下一步待办事项进行排序，并提供推荐方案，同时提供AR导航路线。
作为优选，所述构建门诊就诊知识库体系的方法为：抽取就诊环节实体，通过为一个实体附加属性值，如给取药环节实体，形成实体概念的知识图谱。
作为优选，所述S4中，分析计算提取二级权重的方法包括有如下模块：
模块一：根据实体关系对应的科室提取下班时间：计算时间冲突；
模块二：根据实体关系对应的医生排班情况及当值医生评分：计算时间冲突，计算当值医生的能力值；
模块三：根据实体关系对应的检查项目的检查前注意事项：计算检查项目优先级得分，检查耗时得分；
模块四：根据实体关系对应的科室的候诊队列：计算候诊等候时间；
模块五：根据实体关系信息对应的科室或设备所在地理位置，定位当前患者位置信息：计算距离得分。
作为优选，所述S5中，层次分析模型的方法包括如下步骤：。
S1.1、构建层次结构模型，层次结构模型包括目标层、准侧层和方案层；
S1.2、构造判断矩阵，根据层次结构模型，构造用于确定各准则对于目标的权重的判断矩阵；
S1.3、层次单排序，计算相对重要性；
S1.4、判断矩阵的一致性检验；
S1.5、利用层次结构图绘出从目标层到方案层的计算结果；
S1.6、层次总排序。
作为优选，所述构造判断矩阵包括构造准则层相对于目标层的判断矩阵和构造方案层相对于准则层的判断矩阵。
作为优选，所述构造准则层相对于目标层的判断矩阵的方法为：设准则层包含3个准则，时间：C1，空间：C2，专业程度：C3，相对于目标层：选择下一个就诊目的地，进行两两比较打分形成准则层相对于目标层的判断矩阵A：
Figure BDA0002344503650000031
作为优选，所述构造方案层相对于准则层的判断矩阵的方法为：构造所有相对于不同准则的方案层的每种方案进行两两比较打分形成方案层相对于准则层判断矩阵B1、B2、B3：
Figure BDA0002344503650000032
Figure BDA0002344503650000033
Figure BDA0002344503650000034
作为优选，所述计算相对重要性，具体计算方法：对于判断矩阵A，计算满足Aω＝λmaxω的特征根与特征向量，式中λmax为矩阵的最大特征根，ω为对应于λmax的正规化的特征向量，ω的分量ωi即是相应元素单排序的权值，特征根与特征向量的计算步骤如下：
(1)、将判断矩阵A的每一列向量归一化得到：
Figure BDA0002344503650000041
(i为行标，j为列标)；对于所述层次分析模型的判断矩阵A的计算如下：
Figure BDA0002344503650000042
A归一化后得：
Figure BDA0002344503650000043
(2)、对
Figure BDA00023445036500000412
按行求和，得：
Figure BDA0002344503650000044
Figure BDA0002344503650000045
(3)、将
Figure BDA00023445036500000413
归一化：
Figure BDA0002344503650000046
ω＝(ω1 ω2 ... ωn)T即为近似特征向量；
Figure BDA0002344503650000047
(4)、计算
Figure BDA0002344503650000048
作为最大特征根的近似值；
Figure BDA0002344503650000049
Figure BDA00023445036500000410
同理计算得：
Figure BDA00023445036500000411
λB1＝3.0055，λB2＝3.0015，λB3＝3。
作为优选，所述判断矩阵的一致性检验的方法包括如下步骤：
a)、一致性指标：
Figure BDA0002344503650000051
(n阶判断矩阵)；
b)对于各阶判断矩阵，随机一致性指标RI取值如下表:
Figure BDA0002344503650000052
c)一致性比率指标：
Figure BDA0002344503650000053
Figure BDA0002344503650000054
CIB1＝0.002769，CIB2＝0.000771，CIB3＝0；
CRB1＝0.004755，CRB2＝0.001329，CRB3＝0……(式6-2)。
作为优选，所述利用层次结构图绘出从目标层到方案层的计算结果的公式如下：
Figure BDA0002344503650000055
与现有技术相比，本发明的有益效果：该基于层次分析法的门诊智能导诊方法中，采取层次分析法，可释放大量的脑力活动，将不可量化的指标，做异质指标需要同质化转换，再通过比较矩阵分析计算权向量得出各方案的最终得分，再将更优方案自动推荐给用户，并通过定位快速导航指引到方案指向的坐标点，从而实现缩短就诊时间，提高就诊体验的智能导诊功能。
附图说明
图1为本发明的实体概念的知识图谱之一；
图2为本发明的实体概念的知识图谱之二；
图3为本发明的实体概念的知识图谱之三；
图4为本发明的层次分析模型图；
图5为本发明的准则层模型图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-图5所示，本发明提供一种技术方案：
本发明提供一种基于层次分析法的门诊智能导诊方法，包括以下步骤：
S1、将门诊就诊全过程所涉及的各类信息，提取要素特征转换为实体知识图谱、环节实体的关系图，并根据优先级标记环节的初始权重值；
S2、根据患者当前的就诊信息提取就诊环节要素特征，确定患者当前所在就诊环节；
S3、构建门诊就诊知识库体系，结合实体知识图谱、环节实体的关系图，提取关联的可执行环节(下一步待处理事项列表)；
S4、将可执行各个环节以及环节关联的医院实时的门诊诊疗信息分析计算提取二级权重；
S5、构建层次分析模型；该模型分为三层(目标层、准则层、方案层)。以初始权重值确定目标层，结合实体知识图谱，提取相应的二级权重作为准则层，提供完整的备选方案作为方案层。如下图所示，缴费结算环节为目标层，实现该目标的评估准则为时间、空间、专业程度，人工收费窗口、自助机、医院公众号为方案层。
准则层与环节所处的空间、时间、业务复杂程度(患者能力、医生水平、设备是否先进等)有关，图5中，三大准则还可以往下细分。
S6、衡量环节关联的各要素在下一目标的所占比重不尽相同，需要通过判断矩阵区分环节关联的各要素的比例或优先级；
S7、异质指标需要同质化转换成统一标准，解决不同维度权重换算问题；
S8、根据统一标准计算合成权重，得出各环节选项的权重得分总值；
S9、根据各环节选项的权重得分总值，对所在环节的下一步待办事项进行排序，并提供推荐方案，同时提供AR导航路线。
例如：张三因身体不适前往医院，可根据过往病史或当前录入的个人信息、生命体征、病情描述，集合本文描述的方法，自动推荐是否该去窗口办卡或者直接到最近的自助机预约医生。在预约成功后根据候诊的时长引导患者到候诊区等待或直接到医生办公室。看诊结束后，根据余额是否充足。不足：引导患者去(窗口或自助机)缴费结算；充足的话根据处方内容(药品、检查、检验、治疗等)，根据各项目的排队情况(等候时长)，空间(路程时长)，项目冲突(检查项目是否有要求空腹、憋尿等)，自动推荐患者前往下一个目的地。完成下一个环节，再重新计算剩余环节的最优方案推荐给患者。
本实施例中，构建门诊就诊知识库体系的方法为：抽取就诊环节实体，确保环节实体涵盖门诊就诊全流程，通过为一个实体附加属性值，如给取药环节实体，附加西药房取药、中药房取药等属性，属性和属性值的抽取能够形成完整的实体概念的知识图谱。
其中，结合国家法规、行业政策、医院内部管理及历史就诊数据等，抽取环节实体的关系，实体关系的基本信息包括前置条件、满足此关系的元组模式等。
其中，知识图谱中体现了实体间的关系，比如需要结清医生开具的处方费用，才能去取药或者做检查治疗等。
其中，环节实体信息还包含相关科室、设备所在大楼、楼层、病区等坐标节点的位置信息。
进一步的，S4中，分析计算提取二级权重的方法包括有如下模块：
模块一：根据实体关系对应的科室提取下班时间：计算时间冲突；
模块二：根据实体关系对应的医生排班情况及当值医生评分：计算时间冲突，计算当值医生的能力值；
模块三：根据实体关系对应的检查项目的检查前注意事项：计算检查项目优先级得分，检查耗时得分；
模块四：根据实体关系对应的科室的候诊队列：计算候诊等候时间；
模块五：根据实体关系信息对应的科室或设备所在地理位置，定位当前患者位置信息：计算距离得分。
具体的，层次分析模型的方法包括如下步骤：。
S1.1、构建层次结构模型，层次结构模型包括目标层、准侧层和方案层；
S1.2、构造判断矩阵，根据层次结构模型，构造用于确定各准则对于目标的权重的判断矩阵。构造判断矩阵过程中，为使矩阵中的各要素的重要性能够进行定量显示，引进矩阵判断标度(1～9标度法)。
Figure BDA0002344503650000081
对于待比较的因子，一样重要定义为1:1，相对强烈重要为9:1，也可取中间值6:1等，两两比较，形成判断矩阵(判断矩阵是对角线积为1的正反矩阵)；
S1.3、层次单排序，计算相对重要性；
S1.4、判断矩阵的一致性检验；
S1.5、利用层次结构图绘出从目标层到方案层的计算结果；
S1.6、层次总排序。
此外，构造判断矩阵包括构造准则层相对于目标层的判断矩阵和构造方案层相对于准则层的判断矩阵。
除此之外，构造准则层相对于目标层的判断矩阵的方法为：设准则层包含3个准则，时间：C1，空间：C2，专业程度：C3。相对于目标层：选择下一个就诊目的地，进行两两比较打分形成准则层相对于目标层的判断矩阵A。
选择就诊目的地
Figure BDA0002344503650000091
Figure BDA0002344503650000092
再进一步的，构造方案层相对于准则层的判断矩阵的方法为：构造所有相对于不同准则(时间、空间、专业程度)的方案层的每种方案进行两两比较打分形成方案层相对于准则层判断矩阵B1、B2、B3。
相对于时间
Figure BDA0002344503650000093
相对于时间
Figure BDA0002344503650000094
相对于时间
Figure BDA0002344503650000095
Figure BDA0002344503650000096
Figure BDA0002344503650000097
Figure BDA0002344503650000101
值得说明的是，计算相对重要性：相对于目标层的准则层的重要性排序(时间、空间、专业程度相对于缴费的重要性排序)、相对于准则层的方案层的重要性排序(如：相对于时间的人工收费窗口、自助机、医院公众号的重要性排序)。具体计算方法：对于判断矩阵A，计算满足Aω＝λmaxω的特征根与特征向量。式中λmax为矩阵的最大特征根，ω为对应于λmax的正规化的特征向量，ω的分量ωi即是相应元素单排序的权值，特征根与特征向量的计算步骤如下：
(1)、将判断矩阵A的每一列向量归一化得到：
Figure BDA0002344503650000102
(i为行标，j为列标)；对于所述层次分析模型的判断矩阵A的计算如下：
Figure BDA0002344503650000103
A归一化后得：
Figure BDA0002344503650000104
(2)、对
Figure BDA0002344503650000108
按行求和，得：
Figure BDA0002344503650000105
Figure BDA0002344503650000106
(3)、将
Figure BDA0002344503650000109
归一化：
Figure BDA0002344503650000107
ω＝(ω1 ω2...ωn)T即为近似特征向量；
Figure BDA0002344503650000111
(4)、计算
Figure BDA0002344503650000112
作为最大特征根的近似值；
Figure BDA0002344503650000113
Figure BDA0002344503650000114
同理计算得：
Figure BDA0002344503650000115
λB1＝3.0055，λB2＝3.0015，λB3＝3。。
再进一步的，判断矩阵的一致性检验的方法包括如下步骤：
由于判断矩阵是经两两比较以后得到的正反矩阵，其中第j列是以第j方案为标准对诸方案重要性做出的判断：其中j方案的重要度为1，比j重要的方案重要度大于1，反之则重要度小于1。将第j列元素归一化后得到的向量即是对j方案而言，诸方案重要性的近似权重。由此可把一个n阶判断矩阵看作各方案针对不同方案的n次重要性排序。如果这n次排序结果相同，则认为它具有判断一致性。
其中，判断矩阵通常是不一致的，但是为了能用它的对应于特征根的特征向量作为被比较因素的权向量，其不一致程度应在容许的范围内。
a)、一致性指标：
Figure BDA0002344503650000116
(n阶判断矩阵)，CI＝0时，表示矩阵一致，CI越大，矩阵的不一致程度越严重。
b)对于各阶判断矩阵，随机一致性指标RI取值如下表:
Figure BDA0002344503650000117
c)一致性比率指标(用于确定矩阵的一致性是否在容许范围)
Figure BDA0002344503650000121
当CR<0.1时，判断矩阵的不一致性程度在容许范围内，此时，可用其特征向量作为权向量。
对于所述层次分析模型的4个判断矩阵一致性检验如下：
Figure BDA0002344503650000122
Figure BDA0002344503650000123
CIB1＝0.002769，CIB2＝0.000771，CIB3＝0
CRB1＝0.004755，CRB2＝0.001329，CRB3＝0……(式6-2)；
所有矩阵均通过一致性检验，其特征向量可作为权向量。
值得说明的是，利用层次结构图绘出从目标层到方案层的计算结果的公式如下：
Figure BDA0002344503650000124
其中，层次总排序具体为：
计算各方案的优先程度排序向量：
Figure BDA0002344503650000125
由此得出最后结论,对于选择方案的准则首选专业程度、其次是空间、最后是时间。最终对于该患者在缴费环节，首选人工收费窗口，其次是自助机，第三选择才是医院公众号。此结论与该患者文化程度为不识字，而人工收费窗口首选一致。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (9)

1.一种基于层次分析法的门诊智能导诊方法，其特征在于：包括以下步骤：
S1、将门诊就诊全过程所涉及的各类信息，提取要素特征转换为实体知识图谱、环节实体的关系图，并根据优先级标记环节的初始权重值；
S2、根据患者当前的就诊信息提取就诊环节要素特征，确定患者当前所在就诊环节；
S3、构建门诊就诊知识库体系，结合实体知识图谱、环节实体的关系图，提取关联的可执行环节；
S4、将可执行各个环节以及环节关联的医院实时的门诊诊疗信息分析计算提取二级权重；
S5、构建层次分析模型；
层次分析模型的方法包括如下步骤：
S1.1、构建层次结构模型，层次结构模型包括目标层、准侧层和方案层；
S1.2、构造判断矩阵，根据层次结构模型，构造用于确定各准则对于目标的权重的判断矩阵；
S1.3、层次单排序，计算相对重要性；
S1.4、判断矩阵的一致性检验；
S1.5、利用层次结构图绘出从目标层到方案层的计算结果；
S1.6、层次总排序；
S6、通过判断矩阵区分环节关联的各要素的比例或优先级；
S7、异质指标同质化转换成统一标准；
S8、根据统一标准计算合成权重，得出各环节选项的权重得分总值；
S9、根据各环节选项的权重得分总值，对所在环节的下一步待办事项进行排序，并提供推荐方案，同时提供AR导航路线。
2.根据权利要求1所述的基于层次分析法的门诊智能导诊方法，其特征在于：所述构建门诊就诊知识库体系的方法为：抽取就诊环节实体，通过为一个实体附加属性值，形成实体概念的知识图谱。
3.根据权利要求2所述的基于层次分析法的门诊智能导诊方法，其特征在于：所述S4中，分析计算提取二级权重的方法包括有如下模块：
模块一：根据实体关系对应的科室提取下班时间：计算时间冲突；
模块二：根据实体关系对应的医生排班情况及当值医生评分：计算时间冲突，计算当值医生的能力值；
模块三：根据实体关系对应的检查项目的检查前注意事项：计算检查项目优先级得分，检查耗时得分；
模块四：根据实体关系对应的科室的候诊队列：计算候诊等候时间；
模块五：根据实体关系信息对应的科室或设备所在地理位置，定位当前患者位置信息：计算距离得分。
4.根据权利要求3所述的基于层次分析法的门诊智能导诊方法，其特征在于：所述构造判断矩阵包括构造准则层相对于目标层的判断矩阵和构造方案层相对于准则层的判断矩阵。
5.根据权利要求4所述的基于层次分析法的门诊智能导诊方法，其特征在于：所述构造准则层相对于目标层的判断矩阵的方法为：设准则层包含3个准则，时间：C1，空间：C2，专业程度：C3，相对于目标层：选择下一个就诊目的地，进行两两比较打分形成准则层相对于目标层的判断矩阵A：
Figure FDA0003623052150000021
6.根据权利要求5所述的基于层次分析法的门诊智能导诊方法，其特征在于：所述构造方案层相对于准则层的判断矩阵的方法为：构造所有相对于不同准则的方案层的每种方案进行两两比较打分形成方案层相对于准则层判断矩阵B1、B2、B3：
Figure FDA0003623052150000031
Figure FDA0003623052150000032
Figure FDA0003623052150000033
7.根据权利要求6所述的基于层次分析法的门诊智能导诊方法，其特征在于：所述计算相对重要性，具体计算方法：对于判断矩阵A，计算满足Aω＝λmaxω的特征根与特征向量，式中λmax为矩阵的最大特征根，ω为对应于λmax的正规化的特征向量，ω的分量ωi即是相应元素单排序的权值，特征根与特征向量的计算步骤如下：
(1)、将判断矩阵A的每一列向量归一化得到：
Figure FDA0003623052150000034
对于所述层次分析模型的判断矩阵A的计算如下：
Figure FDA0003623052150000035
A归一化后得：
Figure FDA0003623052150000036
(2)、对
Figure FDA0003623052150000037
按行求和，得：
Figure FDA0003623052150000038
Figure FDA0003623052150000041
(3)、将
Figure FDA0003623052150000042
归一化：
Figure FDA0003623052150000043
ω＝(ω1 ω2...ωn)T即为近似特征向量；
Figure FDA0003623052150000044
(4)、计算
Figure FDA0003623052150000045
作为最大特征根的近似值；
Figure FDA0003623052150000046
Figure FDA0003623052150000047
同理计算得：
Figure FDA0003623052150000048
λB1＝3.0055，λB2＝3.0015，λB3＝3。
8.根据权利要求7所述的基于层次分析法的门诊智能导诊方法，其特征在于：所述判断矩阵的一致性检验的方法包括如下步骤：
a)、一致性指标：
Figure FDA0003623052150000049
b)对于各阶判断矩阵，随机一致性指标RI取值如下表:
Figure FDA00036230521500000410
c)一致性比率指标：
Figure FDA00036230521500000411
Figure FDA00036230521500000412
CIB1＝0.002769，CIB2＝0.000771，CIB3＝0；
CRB1＝0.004755，CRB2＝0.001329，CRB3＝0……(式6-2)。
9.根据权利要求8所述的基于层次分析法的门诊智能导诊方法，其特征在于：所述利用层次结构图绘出从目标层到方案层的计算结果的公式如下：
Figure FDA0003623052150000051
CN201911389271.XA 2019-12-30 2019-12-30 一种基于层次分析法的门诊智能导诊方法 Active CN111145888B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911389271.XA CN111145888B (zh) 2019-12-30 2019-12-30 一种基于层次分析法的门诊智能导诊方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911389271.XA CN111145888B (zh) 2019-12-30 2019-12-30 一种基于层次分析法的门诊智能导诊方法

Publications (2)

Publication Number Publication Date
CN111145888A CN111145888A (zh) 2020-05-12
CN111145888B true CN111145888B (zh) 2022-05-31

Family

ID=70521543

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911389271.XA Active CN111145888B (zh) 2019-12-30 2019-12-30 一种基于层次分析法的门诊智能导诊方法

Country Status (1)

Country Link
CN (1) CN111145888B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111859188B (zh) * 2020-07-03 2024-03-12 美之味(上海)信息技术有限公司 基于大规模矩阵的层次分析的餐厅推荐的方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003122845A (ja) * 2001-10-09 2003-04-25 Shinkichi Himeno 医療情報の検索システム及びそのシステムを実行するためのプログラム
CN102982596A (zh) * 2012-11-07 2013-03-20 中兴通讯股份有限公司 人流量的统计方法及装置
CN105184103A (zh) * 2015-10-15 2015-12-23 清华大学深圳研究生院 基于病历数据库的虚拟名医
CN106919671A (zh) * 2017-02-20 2017-07-04 广东省中医院 一种中医文本病案挖掘与辅助决策智能系统
CN108962383A (zh) * 2018-06-05 2018-12-07 南京麦睿智能科技有限公司 医院智能导诊方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003122845A (ja) * 2001-10-09 2003-04-25 Shinkichi Himeno 医療情報の検索システム及びそのシステムを実行するためのプログラム
CN102982596A (zh) * 2012-11-07 2013-03-20 中兴通讯股份有限公司 人流量的统计方法及装置
CN105184103A (zh) * 2015-10-15 2015-12-23 清华大学深圳研究生院 基于病历数据库的虚拟名医
CN106919671A (zh) * 2017-02-20 2017-07-04 广东省中医院 一种中医文本病案挖掘与辅助决策智能系统
CN108962383A (zh) * 2018-06-05 2018-12-07 南京麦睿智能科技有限公司 医院智能导诊方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
某三级甲等医院门诊医学人文关怀指标体系权重研究;韩鹏等;《中国社会医学杂志》;20160626(第03期);全文 *

Also Published As

Publication number Publication date
CN111145888A (zh) 2020-05-12

Similar Documents

Publication Publication Date Title
Mardani et al. Application of decision making and fuzzy sets theory to evaluate the healthcare and medical problems: a review of three decades of research with recent developments
LaGanga et al. Appointment overbooking in health care clinics to improve patient service and clinic performance
US8510124B2 (en) Providing transparent health care information to consumers
Mohebbifar et al. Outpatient waiting time in health services and teaching hospitals: a case study in Iran
Bernstein et al. Emergency department crowding: old problem, new solutions
Kuo et al. Strategic improvement for quality and satisfaction of hospital information systems
US20180294046A1 (en) Labor management system, labor management method, and labor management method
Fields et al. Rank aggregation methods comparison: A case for triage prioritization
Evanoff et al. Using job-title-based physical exposures from O* NET in an epidemiological study of carpal tunnel syndrome
JP6132639B2 (ja) 健康情報利用システム及びそれに用いるプログラム
US20160188830A1 (en) System and method for real-time online and on-demand medical diagnosis and treatment of a patient
CN111832966A (zh) 中医类医院区域画像构建方法及系统
Sullivan Using MCDA (Multi-Criteria Decision Analysis) to prioritise publicly-funded health care
CN112530562A (zh) 入院信息处理方法、装置、系统、存储介质
CN111145888B (zh) 一种基于层次分析法的门诊智能导诊方法
Omotosho et al. A patient-based hospital referral decision support system
Lee et al. Interhospital transfers: decision-making in critical care areas
KR101917852B1 (ko) 병원 경영 관리 컨설팅 서비스 제공 시스템
Lu et al. Low adherence to existing model reporting guidelines by commonly used clinical prediction models
Taghipour et al. An integrated framework to evaluate and improve the performance of emergency departments during the COVID-19 pandemic: A mathematical programing approach
Yang et al. Evaluation of smart long-term care information strategy portfolio decision model: The national healthcare environment in Taiwan
Comans et al. A break-even analysis of delivering a memory clinic by videoconferencing
Oyatoye et al. Patients’ perception of quality service delivery of public hospitals in Nigeria using analytical hierarchy process
Woodcock Barriers and facilitators to automated self-scheduling: Consensus from a Delphi Panel of key stakeholders
Eck et al. Consumerism, nursing, and the realidy of the resources

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