CN111755106A - 一种门诊量的预测方法及装置 - Google Patents
一种门诊量的预测方法及装置 Download PDFInfo
- Publication number
- CN111755106A CN111755106A CN201910244879.7A CN201910244879A CN111755106A CN 111755106 A CN111755106 A CN 111755106A CN 201910244879 A CN201910244879 A CN 201910244879A CN 111755106 A CN111755106 A CN 111755106A
- Authority
- CN
- China
- Prior art keywords
- outpatient
- department
- clinic
- prediction
- volume
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000008859 change Effects 0.000 claims description 31
- 201000010099 disease Diseases 0.000 claims description 15
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 15
- 230000001932 seasonal effect Effects 0.000 claims description 13
- 208000035473 Communicable disease Diseases 0.000 claims description 8
- 208000015181 infectious disease Diseases 0.000 claims description 8
- 230000001960 triggered effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013468 resource allocation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000002526 effect on cardiovascular system Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 206010022000 influenza Diseases 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000241 respiratory effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 208000026935 allergic disease Diseases 0.000 description 1
- 230000000172 allergic effect Effects 0.000 description 1
- 230000007815 allergy Effects 0.000 description 1
- 208000010668 atopic eczema Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001314 paroxysmal effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
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
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明实施例提供了一种门诊量的预测方法及装置。本发明实施例提供的门诊量的预测方法及装置，考虑到门诊总量由于具有数值较大，波动平稳的特点，其预测值与实际值的偏差较小，因此各个科室的预测值的计算以门诊总量为基准，各个科室的预测值用于计算各个科室占总量的比率，从而可以提高各个科室门诊量的预测准确性，还能够减少各个科室门诊量的和值与预测得到的门诊总量之间的偏差。
Description
技术领域
本发明涉及数据预测技术领域，具体而言，本发明涉及一种门诊量的预测方法及装置。
背景技术
为患者提供良好的服务以及优化运营效率/成本，是医院管理的两个主要目标。如何这两个目标之间取得良好的平衡是医院管理所面临的根本问题。医院的日常管理需要预先调配人力和医疗资源，因此预先估计未来时段的患者人数对资源调配十分重要。
目前，预测医院的总体门诊量已经得到了大量的研究，并已在应用于实践指导中。目前解决门诊量预测问题主要采用时间序列预测(TSF，Time Series Forecasting)技术。例如，专利申请号201710222794.X的中国专利申请提出了一种医院服务量的预测方法，其主要包括以下步骤：
步骤1：读取医院服务量(如门诊量、住院量)指标的历史数据；
步骤2：将所述历史数据按照时间顺序，并按预定比例分到用于拟合模型的训练集和用于验证模型准确性的测试集两个集合中，且训练集中的历史数据多于测试集中的历史数据；
步骤3：检验训练集中的数据序列是否平稳，若平稳转到步骤5，否则转到步骤4；
步骤4：将训练集中的数据序列进行平稳性转换，并执行步骤5；
步骤5：选取适当的自回归移动平均模型(ARIMA，Autoregressive IntegratedMoving Average Model)来拟合训练集中的数据序列；
步骤6：估计ARIMA模型的参数；
步骤7：检验ARIMA模型，若通过检验，则转到步骤9，否则，转到步骤8；
步骤8：重复步骤5-7；
步骤9：输出通过检验的ARIMA模型；
步骤10：用ARIMA模型预测医院服务量的未来走势。
以上医院服务量的预测方法聚焦于医院的整体服务量的预测。然而发明人发现，在实际应用中仅预测医院的整体服务量难以满足医院的精细化管理要求。
发明内容
本发明实施例要解决的技术问题是提供一种门诊量的预测方法及装置，能够提高医院各科室门诊量预测的准确性，为医院的资源调配和管理提供数据支持。
为解决上述技术问题，本发明实施例提供的一种门诊量的预测方法，包括：
获取医院的门诊总量的历史数据和各科室的门诊量的历史数据；
根据所述门诊总量的历史数据，预测所述医院在目标时间段内的门诊总量，得到第一门诊量；
根据每个科室的门诊量的历史数据，预测每个科室在所述目标时间段内的门诊量，得到每个科室的第二门诊量，并计算每个科室的第二门诊量与第三门诊量的比值，得到每个科室的门诊量预测比例，其中，所述第三门诊量为所有科室的第二门诊量的和值；
根据所述第一门诊量以及每个科室的门诊量预测比例，预测每个科室在所述目标时间段内的门诊量。
优选的，所述根据所述第一门诊量以及每个科室的门诊量预测比例，预测每个科室在所述目标时间段内的门诊量的步骤，包括：
针对每个科室，分别计算所述科室的门诊量预测比例与所述第一门诊量的乘积，得到所述科室的门诊量的预测值。
优选的，所述根据所述第一门诊量以及每个科室的门诊量预测比例，预测每个科室在所述目标时间段内的门诊量的步骤，包括：
在满足预设的门诊调整触发条件时，根据所述门诊调整触发条件，对所述科室的门诊量预测比例进行调整，得到调整后的门诊量预测比例；
针对每个科室，分别计算所述科室调整后的门诊量预测比例与所述第一门诊量的乘积，得到所述科室的门诊量的预测值。
优选的，所述根据所述第一门诊量以及每个科室的门诊量预测比例，预测每个科室在所述目标时间段内的门诊量的步骤，包括：
针对每个科室，分别计算所述科室的门诊量预测比例与所述第一门诊量的乘积，得到所述科室的门诊量的预测值；
在满足预设的门诊调整触发条件时，根据所述门诊调整触发条件，对目标科室的门诊量的预测值进行调整，得到所述目标科室调整后的门诊量的预测值。
优选的，所述门诊调整触发条件用于触发调整目标科室的门诊量或门诊量预测比例，包括以下条件的至少一种：
季节性疾病；
突发性传染病；
门诊量关联科室中的第一科室的门诊量的变化所引发的第二科室的门诊量的变化；
节假日期间的门诊量变化；以及，
专科医院各科室间的门诊量的不平衡性。
本发明实施例还提供了一种门诊量的预测装置，包括：
历史数据获取单元，用于获取医院的门诊总量的历史数据和各科室的门诊量的历史数据；
门诊总量预测单元，用于根据所述门诊总量的历史数据，预测所述医院在目标时间段内的门诊总量，得到第一门诊量；
门诊比例预测单元，用于根据每个科室的门诊量的历史数据，预测每个科室在所述目标时间段内的门诊量，得到每个科室的第二门诊量，并计算每个科室的第二门诊量与第三门诊量的比值，得到每个科室的门诊量预测比例，其中，所述第三门诊量为所有科室的第二门诊量的和值；
科室门诊预测单元，用于根据所述第一门诊量以及每个科室的门诊量预测比例，预测每个科室在所述目标时间段内的门诊量。
优选的，所述的预测装置中，所述科室门诊预测单元，还用于针对每个科室，分别计算所述科室的门诊量预测比例与所述第一门诊量的乘积，得到所述科室的门诊量的预测值。
优选的，所述的预测装置中，所述科室门诊预测单元，还用于在满足预设的门诊调整触发条件时，根据所述门诊调整触发条件，对所述科室的门诊量预测比例进行调整，得到调整后的门诊量预测比例；针对每个科室，分别计算所述科室调整后的门诊量预测比例与所述第一门诊量的乘积，得到所述科室的门诊量的预测值。
优选的，所述的预测装置中，所述科室门诊预测单元，还用于针对每个科室，分别计算所述科室的门诊量预测比例与所述第一门诊量的乘积，得到所述科室的门诊量的预测值；在满足预设的门诊调整触发条件时，根据所述门诊调整触发条件，对目标科室的门诊量的预测值进行调整，得到所述目标科室调整后的门诊量的预测值。。
优选的，所述门诊调整触发条件用于触发调整目标科室的门诊量或门诊量预测比例，包括以下条件的至少一种：
季节性疾病；
突发性传染病；
门诊量关联科室中的第一科室的门诊量的变化所引发的第二科室的门诊量的变化；
节假日期间的门诊量变化；以及，
专科医院各科室间的门诊量的不平衡性。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的门诊量的预测方法的步骤。
与现有技术相比，本发明实施例提供的门诊量的预测方法及装置，考虑到门诊总量由于具有数值较大，波动平稳的特点，其预测值与实际值的偏差较小，因此各个科室的预测值的计算以门诊总量为基准，各个科室的预测值用于计算各个科室占总量的比率，从而可以获得各个科室门诊量的精准预测，为医院的资源调配和管理提供数据支持。另外，本发明实施例还能够减少各个科室门诊量的和值与预测得到的门诊总量之间的偏差。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的门诊量的预测方法的一种流程示意图；
图2为本发明实施例的门诊量的预测方法的另一种流程示意图；
图3为本发明实施例的门诊量的预测方法的又一种流程示意图；
图4为本发明实施例的门诊量的预测装置的一种结构示意图；
图5为本发明实施例提供的门诊量的预测装置的另一结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。在下面的描述中，提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本发明的实施例。因此，本领域技术人员应该清楚，可以对这里描述的实施例进行各种改变和修改而不脱离本发明的范围和精神。另外，为了清楚和简洁，省略了对已知功能和构造的描述。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
在本发明的各种实施例中，应理解，下述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
目前，现有技术可以通过时间预测序列(TSF)等技术对医院的门诊总量进行预测，然而在实际应用中，为了更好在医院科室间进行人力/医疗资源的调度，希望能够得到各个科室的门诊量的预测值。发明人发现，在采用时间预测序列等技术对医院门诊总量进行预测时，由于医院门诊总量的基数较大，其变化规律较为稳定，因此其预测值通常接近于实际值。而采用时间预测序列等技术对医院门诊总量进行预测时，由于TSF预测的不确定性和科室门诊量自身的波动性，其预测值与实际值可能存在较大的差距。并且，各个科室的门诊量的预测值之和，与直接应用TSF预测得到的医院门诊总量的预测值之间通常存在着较大偏差。因此，亟需一种预测方法，能够提高医院的各个科室门诊量预测的准确性，以及减少上述偏差。
请参照图1，本发明实施例提供了一种门诊量的预测方法，包括：
步骤11，获取医院的门诊总量的历史数据和各科室的门诊量的历史数据。
这里，本发明实施例需要获取待预测的医院的门诊量历史数据，具体包括医院的门诊总量和各个科室的门诊量的历史数据。医院门诊总量通常是各个科室的门诊量的总和。历史数据通常是按照预设长度的时间段为单位，周期性统计所述医院在历史上的多个所述时间段内的门诊量。基于上述时间段内的门诊量历史数据，本发明实施例可以预测未来的目标时间段内的医院各个科室的门诊量，所述目标时间段的长度，与历史数据中的时间段的长度相同。
例如，所述时间段可以是以自然日为单位，即统计历史上每天的门诊量。考虑到医院门诊量与工作日存在着强相关的关系，可以统计历史上每个工作日的门诊量，进而预测未来某个工作日的门诊量。又例如，所述时间段还可以是以周/月/年为单位，统计所述医院历史上每周/每月/每年的门诊量，进而预测未来某周/某月/某年的门诊量。再例如，所述时间段还可以是固定的若干天的长度，例如，3天、5天、15天等，以上述固定长度的天数为时间单位，统计所述医院历史上每个所述时间单位的门诊量，进而预测未来上述固定长度的天数内的门诊量。
通常，为了提高预测准确性，历史数据需要覆盖一定数量的所述时间段，例如，获取过去一年内的每天(每个工作日)的医院门诊总量以及各个科室门诊量的历史数据。
步骤12，根据所述门诊总量的历史数据，预测所述医院在目标时间段内的门诊总量，得到第一门诊量。
这里，可以采用时间序列预测(TSF，Time Series Forecasting)算法来进行门诊总量的预测，具体的TSF算法可以是采用自回归移动平均模型(ARIMA，AutoregressiveIntegrated Moving Average Model)、广义自回归条件异方差模型(GARCH，GeneralizedAutoRegressive Conditional Heteroskedasticity)、向量自回归模型(VAR，VectorAutoRegression)等模型进行数据拟合，本发明实施例对此不做具体限定。
步骤13，根据每个科室的门诊量的历史数据，预测每个科室在所述目标时间段内的门诊量，得到每个科室的第二门诊量，并计算每个科室的第二门诊量与第三门诊量的比值，得到每个科室的门诊量预测比例，其中，所述第三门诊量为所有科室的第二门诊量的和值。
以上步骤13中，可以采用基于ARIMA、GARCH或VAR等模型的时间序列预测算法，预测各个科室在所述目标时间段内的第二门诊量。在获得各个科室的第二门诊量之后，本发明实施例计算医院的所有科室的第二门诊量的和值，从而得到第三门诊量(第三门诊量通常与步骤12中获得的第一门诊量不相等)，并计算每个科室的第二门诊量在该第三门诊量中的占比，即每个科室的门诊量预测比例。
需要说明的是，以上步骤12和13可以采用基于相同模型的时间序列预测算法，也可以分别采用基于不同模型的时间序列预测算法。另外，以上步骤12和13之间并无执行上的先后顺序关系，可以先执行步骤12后执行步骤13，也可以先执行步骤13后执行步骤12，当然，还可以同时执行步骤12和步骤13。
步骤14，根据所述第一门诊量以及每个科室的门诊量预测比例，预测每个科室在所述目标时间段内的门诊量。
这里，作为一种较为直接的实现，可以针对每个科室，分别计算所述科室的门诊量预测比例与所述第一门诊量的乘积，得到所述科室的门诊量的预测值。
通过以上步骤，本发明实施例利用各个科室门诊量的预测值，确定各个科室门诊量在各个科室门诊量和值中的占比，然后，基于该占比和预测得到的医院门诊总量，计算各个科室的门诊量的最终预测值。在上述计算过程中，为减少科室门诊量的波动性和TSF算法的不确定性的不利影响，采用了以TSF算法预测得到的门诊总量作为计算科室门诊量的基数，同时利用各个科室门诊量的预测值确定各个科室门诊量在该基数中的比例的处理方式，可以提高各个科室的门诊量预测的准确性。另外，由于各个科室的门诊量是以预测得到的门诊总量为基数进行计算的，因此本发明实施例可以消除或减小各个科室门诊量的和值与预测得到的医院门诊总量之间的偏差。
在医院的日常门诊中，门诊量经常会受到一些因素的影响而发生较为显著的波动。举例来说：
1)季节性疾病
受季节性疾病的影响，通常在相应季节门诊量会出现明显的增加。例如，在春季到来时，花粉过敏人群的就诊量会增多，导致医院中的变态反应科/皮肤科/呼吸科的门诊量增加。所述季节性疾病引发的目标科室门诊量的变化，可以通过观测近期门诊数据获得，也可以通过历史上同季节的相关门诊数据获得。
2)突发性传染病
通常，地区性的突发性传染病会导致该地区的医院的门诊量发送明显增加。例如，在流感爆发时，医院的呼吸科的就诊量会大量增加。所述突发性传染病引发的目标科室门诊量的变化，也可以通过观测近期门诊数据获得，还可以根据相关疾病监控机构的预测获取，例如，地区疾控中心发布下周的流感疫情预测中指示的预计新增感染人数或比例等。
3)门诊量关联科室中的第一科室的门诊量的变化所引发的第二科室的门诊量的变化
这里，第一科室和第二科室为门诊量关联科室。门诊量关联科室是指医院中门诊量间存在关联关系的科室，例如，一个科室的门诊量变化将导致另一个科室的门诊量发生同向变化。例如，心脑血管科的就诊人员通常需要进行影像科和化验科的检查，因此心脑血管科的门诊量增加，将引发影像科和化验科的增加。
4)节假日期间的门诊量变化
在节假日时，一些医院可能只开放部分门诊，这些开放的门诊科室的门诊量相比于平常会大幅增加。
5)专科医院各科室间的门诊量的不平衡性
某些医院可能是专科性质的医院，该医院主治或擅长的科室的门诊量，通常明显高于该医院的其他科室的门诊量。因此，可以针对专科医院各个科室间的门诊量的不平衡性，调整目标时间段内的目标科室的门诊量。
以上例举出了可能影响到门诊量的多个因素，本发明实施例包括但不限于以上因素中的一个或多个。本发明实施例可以统计一个或多个因素引发的目标科室门诊量的变化，具体的变化可以通过门诊量的变化量(绝对数值)或变化比例(相对数值)进行表征，例如，受季节性疾病的影响，导致目标科室的门诊量增加了10人次，或者导致目标科室的门诊量增加了30％等。
在实际应用中，可将上述一个或多个因素，作为门诊调整触发条件，若满足相应的门诊调整触发条件，则根据该门诊调整触发条件，调整相应科室的门诊量预测比例或门诊量，下面将进行具体说明。
请参照图2，本发明实施例提供的另一种门诊量的预测方法，包括：
步骤21，获取医院的门诊总量的历史数据和各科室的门诊量的历史数据。
步骤22，根据所述门诊总量的历史数据，预测所述医院在目标时间段内的门诊总量，得到第一门诊量。
步骤23，根据每个科室的门诊量的历史数据，预测每个科室在所述目标时间段内的门诊量，得到每个科室的第二门诊量，并计算每个科室的第二门诊量与第三门诊量的比值，得到每个科室的门诊量预测比例，其中，所述第三门诊量为所有科室的第二门诊量的和值。
以上步骤21～23与图1的步骤11～13相类似，为节约篇幅此处不再赘述。
步骤24，在满足预设的门诊调整触发条件时，根据所述门诊调整触发条件，对所述科室的门诊量预测比例进行调整，得到调整后的门诊量预测比例。
这里，所述门诊调整触发条件用于表示触发调整目标科室的门诊量预测比例的条件，具体条件可以采用上文中影响门诊量的一个或多个因素。若满足某个/某些门诊调整触发条件，则可以根据对应的门诊调整触发条件确定该季节性疾病引发的目标科室的门诊量的变化比例(例如，门诊量的变化比例为增加30％)，调整目标科室的门诊量预测比例。这里由于调整后目标科室的门诊量预测比例变大，因此可以在除目标科室外的剩余科室中，按照各个剩余科室的门诊量预测比例在这些剩余科室所占的比例和值中的份额，减少各个剩余科室的门诊量预测比例，以使所有科室调整后的门诊量预测比例的和值为1。
例如，假设步骤23中计算得到的目标科室的门诊量预测比例为a，根据对应的门诊调整触发条件确定该季节性疾病引发的目标科室的门诊量的变化比例为x，那么目标科室调整后的门诊量预测比例为a*(1+x)。由于目标科室的门诊量预测比例增加了a*x，因此除目标科室外的所有剩余科室的门诊量预测比例需要减少a*x，以保证所有科室调整后的门诊量预测比例的和值为1。例如，假设某个剩余科室调整前的门诊量预测比例为b，那么剩余科室调整后的门诊量预测比例为:
步骤25，针对每个科室，分别计算所述科室调整后的门诊量预测比例与所述第一门诊量的乘积，得到所述科室的门诊量的预测值。
这里，根据各个科室调整后的门诊量预测比例与所述第一门诊量的乘积，计算得到各个科室的门诊量的预测值。
通过以上步骤，本发明实施例根据门诊调整触发条件，灵活的调整各个科室的门诊量预测比例，使之更为贴近于实际场景，可以提高门诊量预测的准确性。
以上实施例是通过调整门诊量预测比例来调整最终的门诊量预测值，本发明实施例还可以在计算得到门诊量预测值之后，再进行门诊量预测值的调整，下面将结合附图3进行说明。
请参照图3，本发明实施例提供的又一种门诊量的预测方法，包括：
步骤31，获取医院的门诊总量的历史数据和各科室的门诊量的历史数据。
步骤32，根据所述门诊总量的历史数据，预测所述医院在目标时间段内的门诊总量，得到第一门诊量。
步骤33，根据每个科室的门诊量的历史数据，预测每个科室在所述目标时间段内的门诊量，得到每个科室的第二门诊量，并计算每个科室的第二门诊量与第三门诊量的比值，得到每个科室的门诊量预测比例，其中，所述第三门诊量为所有科室的第二门诊量的和值。
以上步骤31～33与图1的步骤11～13相类似，为节约篇幅此处不再赘述。
步骤34，针对每个科室，分别计算所述科室的门诊量预测比例与所述第一门诊量的乘积，得到所述科室的门诊量的预测值。
步骤35，在满足预设的门诊调整触发条件时，根据所述门诊调整触发条件，对目标科室的门诊量的预测值进行调整，得到所述目标科室调整后的门诊量的预测值。
这里，在获得补助34中的各个科室的门诊量的预测值之后，还可以根据门诊调整触发条件，进一步调整目标科室的门诊量的预测值。这里，所述门诊调整触发条件用于表示触发调整目标科室的门诊量的条件，具体条件可以采用上文中影响门诊量的一个或多个因素。若满足某个/某些门诊调整触发条件，则可以根据对应的门诊调整触发条件确定该季节性疾病引发的目标科室的门诊量的变化量(例如，门诊量的变化量为增加10人次)，调整目标科室的门诊量的预测值。
通过以上步骤，本发明实施例可以基于门诊调整触发条件，灵活的调整各个科室的门诊量的数值，使之更为贴近于实际场景，可以提高门诊量预测的准确性。
从以上各个实施例可以看出，本发明实施例考虑到门诊总量由于具有数值较大，波动平稳的特点，采用TSF的预测值与实际值的偏差较小，因此各个科室的预测值的计算以门诊总量为基准，各个科室的预测值用于计算各个科室占总量的比率，从而可以获得各个科室门诊量的精准预测，还能够减少各个科室门诊量的和值与预测得到的门诊总量之间的偏差。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一个方法实施例中的门诊量的预测方法中的步骤。
基于以上方法，本发明实施例还提供了实施上述方法的装置，请参考图4，本发明实施例提供的门诊量的预测装置40包括：
历史数据获取单元41，用于获取医院的门诊总量的历史数据和各科室的门诊量的历史数据；
门诊总量预测单元42，用于根据所述门诊总量的历史数据，预测所述医院在目标时间段内的门诊总量，得到第一门诊量；
门诊比例预测单元43，用于根据每个科室的门诊量的历史数据，预测每个科室在所述目标时间段内的门诊量，得到每个科室的第二门诊量，并计算每个科室的第二门诊量与第三门诊量的比值，得到每个科室的门诊量预测比例，其中，所述第三门诊量为所有科室的第二门诊量的和值；
科室门诊预测单元44，用于根据所述第一门诊量以及每个科室的门诊量预测比例，预测每个科室在所述目标时间段内的门诊量。
通过以上单元，本发明实施例的预测装置，可以提高各个科室门诊量的预测准确性，还能够减少各个科室门诊量的和值与预测得到的门诊总量之间的偏差。
优选的，所述科室门诊预测单元44，还用于针对每个科室，分别计算所述科室的门诊量预测比例与所述第一门诊量的乘积，得到所述科室的门诊量的预测值。
优选的，所述科室门诊预测单元44，还用于在满足预设的门诊调整触发条件时，根据所述门诊调整触发条件，对所述科室的门诊量预测比例进行调整，得到调整后的门诊量预测比例；针对每个科室，分别计算所述科室调整后的门诊量预测比例与所述第一门诊量的乘积，得到所述科室的门诊量的预测值。
优选的，所述科室门诊预测单元44，还用于针对每个科室，分别计算所述科室的门诊量预测比例与所述第一门诊量的乘积，得到所述科室的门诊量的预测值；在满足预设的门诊调整触发条件时，根据所述门诊调整触发条件，对目标科室的门诊量的预测值进行调整，得到所述目标科室调整后的门诊量的预测值。。
优选的，所述门诊调整触发条件用于触发调整目标科室的门诊量或门诊量预测比例，包括以下条件的至少一种：
季节性疾病；
突发性传染病；
门诊量关联科室中的第一科室的门诊量的变化所引发的第二科室的门诊量的变化；
节假日期间的门诊量变化；以及，
专科医院各科室间的门诊量的不平衡性。
请参考图5，本发明实施例提供了一种门诊量的预测装置500的另一结构示意图，包括：处理器501、网络接口502、存储器503、用户接口504和总线接口，其中：
在本发明实施例中，门诊量的预测装置500还包括：存储在存储器上503并可在处理器501上运行的计算机程序，计算机程序被处理器501、执行时实现如下步骤：
获取医院的门诊总量的历史数据和各科室的门诊量的历史数据；
根据所述门诊总量的历史数据，预测所述医院在目标时间段内的门诊总量，得到第一门诊量；
根据每个科室的门诊量的历史数据，预测每个科室在所述目标时间段内的门诊量，得到每个科室的第二门诊量，并计算每个科室的第二门诊量与第三门诊量的比值，得到每个科室的门诊量预测比例，其中，所述第三门诊量为所有科室的第二门诊量的和值；
根据所述第一门诊量以及每个科室的门诊量预测比例，预测每个科室在所述目标时间段内的门诊量。
在图5中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器501代表的一个或多个处理器和存储器503代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。网络接口502可以是有线或无线网卡设备，实现数据在网络上的收发功能。针对不同的用户设备，用户接口504还可以是能够外接内接需要设备的接口，连接的设备包括但不限于小键盘、显示器、扬声器、麦克风、操纵杆等。
处理器501负责管理总线架构和通常的处理，存储器503可以存储处理器501在执行操作时所使用的数据。
可选的，计算机程序被处理器503执行时还可实现如下步骤：
针对每个科室，分别计算所述科室的门诊量预测比例与所述第一门诊量的乘积，得到所述科室的门诊量的预测值。
可选的，计算机程序被处理器503执行时还可实现如下步骤：
在满足预设的门诊调整触发条件时，根据所述门诊调整触发条件，对所述科室的门诊量预测比例进行调整，得到调整后的门诊量预测比例；
针对每个科室，分别计算所述科室调整后的门诊量预测比例与所述第一门诊量的乘积，得到所述科室的门诊量的预测值。
可选的，计算机程序被处理器503执行时还可实现如下步骤：
针对每个科室，分别计算所述科室的门诊量预测比例与所述第一门诊量的乘积，得到所述科室的门诊量的预测值；
在满足预设的门诊调整触发条件时，根据所述门诊调整触发条件，对目标科室的门诊量的预测值进行调整，得到所述目标科室调整后的门诊量的预测值。
可选的，所述门诊调整触发条件用于触发调整目标科室的门诊量或门诊量预测比例，包括以下条件的至少一种：
季节性疾病；
突发性传染病；
门诊量关联科室中的第一科室的门诊量的变化所引发的第二科室的门诊量的变化；
节假日期间的门诊量变化；以及，
专科医院各科室间的门诊量的不平衡性。
本领域普通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单元及算法步骤，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来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，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仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元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是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元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取存储介质中。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、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种门诊量的预测方法，其特征在于，包括：
获取医院的门诊总量的历史数据和各科室的门诊量的历史数据；
根据所述门诊总量的历史数据，预测所述医院在目标时间段内的门诊总量，得到第一门诊量；
根据每个科室的门诊量的历史数据，预测每个科室在所述目标时间段内的门诊量，得到每个科室的第二门诊量，并计算每个科室的第二门诊量与第三门诊量的比值，得到每个科室的门诊量预测比例，其中，所述第三门诊量为所有科室的第二门诊量的和值；
根据所述第一门诊量以及每个科室的门诊量预测比例，预测每个科室在所述目标时间段内的门诊量。
2.如权利要求1所述的预测方法，其特征在于，所述根据所述第一门诊量以及每个科室的门诊量预测比例，预测每个科室在所述目标时间段内的门诊量的步骤，包括：
针对每个科室，分别计算所述科室的门诊量预测比例与所述第一门诊量的乘积，得到所述科室的门诊量的预测值。
3.如权利要求1所述的预测方法，其特征在于，所述根据所述第一门诊量以及每个科室的门诊量预测比例，预测每个科室在所述目标时间段内的门诊量的步骤，包括：
在满足预设的门诊调整触发条件时，根据所述门诊调整触发条件，对所述科室的门诊量预测比例进行调整，得到调整后的门诊量预测比例；
针对每个科室，分别计算所述科室调整后的门诊量预测比例与所述第一门诊量的乘积，得到所述科室的门诊量的预测值。
4.如权利要求1所述的预测方法，其特征在于，所述根据所述第一门诊量以及每个科室的门诊量预测比例，预测每个科室在所述目标时间段内的门诊量的步骤，包括：
针对每个科室，分别计算所述科室的门诊量预测比例与所述第一门诊量的乘积，得到所述科室的门诊量的预测值；
在满足预设的门诊调整触发条件时，根据所述门诊调整触发条件，对目标科室的门诊量的预测值进行调整，得到所述目标科室调整后的门诊量的预测值。
5.如权利要求3或4所述的预测方法，其特征在于，所述门诊调整触发条件用于触发调整目标科室的门诊量或门诊量预测比例，包括以下条件的至少一种：
季节性疾病；
突发性传染病；
门诊量关联科室中的第一科室的门诊量的变化所引发的第二科室的门诊量的变化；
节假日期间的门诊量变化；以及，
专科医院各科室间的门诊量的不平衡性。
6.一种门诊量的预测装置，其特征在于，包括：
历史数据获取单元，用于获取医院的门诊总量的历史数据和各科室的门诊量的历史数据；
门诊总量预测单元，用于根据所述门诊总量的历史数据，预测所述医院在目标时间段内的门诊总量，得到第一门诊量；
门诊比例预测单元，用于根据每个科室的门诊量的历史数据，预测每个科室在所述目标时间段内的门诊量，得到每个科室的第二门诊量，并计算每个科室的第二门诊量与第三门诊量的比值，得到每个科室的门诊量预测比例，其中，所述第三门诊量为所有科室的第二门诊量的和值；
科室门诊预测单元，用于根据所述第一门诊量以及每个科室的门诊量预测比例，预测每个科室在所述目标时间段内的门诊量。
7.如权利要求6所述的预测装置，其特征在于，
所述科室门诊预测单元，还用于针对每个科室，分别计算所述科室的门诊量预测比例与所述第一门诊量的乘积，得到所述科室的门诊量的预测值。
8.如权利要求6所述的预测装置，其特征在于，
所述科室门诊预测单元，还用于在满足预设的门诊调整触发条件时，根据所述门诊调整触发条件，对所述科室的门诊量预测比例进行调整，得到调整后的门诊量预测比例；针对每个科室，分别计算所述科室调整后的门诊量预测比例与所述第一门诊量的乘积，得到所述科室的门诊量的预测值。
9.如权利要求6所述的预测装置，其特征在于，
所述科室门诊预测单元，还用于针对每个科室，分别计算所述科室的门诊量预测比例与所述第一门诊量的乘积，得到所述科室的门诊量的预测值；在满足预设的门诊调整触发条件时，根据所述门诊调整触发条件，对目标科室的门诊量的预测值进行调整，得到所述目标科室调整后的门诊量的预测值。。
10.如权利要求8或9所述的预测装置，其特征在于，
所述门诊调整触发条件用于触发调整目标科室的门诊量或门诊量预测比例，包括以下条件的至少一种：
季节性疾病；
突发性传染病；
门诊量关联科室中的第一科室的门诊量的变化所引发的第二科室的门诊量的变化；
节假日期间的门诊量变化；以及，
专科医院各科室间的门诊量的不平衡性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910244879.7A CN111755106B (zh) | 2019-03-28 | 2019-03-28 | 一种门诊量的预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910244879.7A CN111755106B (zh) | 2019-03-28 | 2019-03-28 | 一种门诊量的预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111755106A true CN111755106A (zh) | 2020-10-09 |
| CN111755106B CN111755106B (zh) | 2024-07-16 |
Family
ID=72672373
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910244879.7A Active CN111755106B (zh) | 2019-03-28 | 2019-03-28 | 一种门诊量的预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111755106B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112257915A (zh) * | 2020-10-19 | 2021-01-22 | 南京南邮信息产业技术研究院有限公司 | 基于胶囊网络的医院门诊人流量预测方法 |
| CN113823368A (zh) * | 2020-11-05 | 2021-12-21 | 北京京东拓先科技有限公司 | 资源配置方法和装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011128935A (ja) * | 2009-12-18 | 2011-06-30 | Noriaki Aoki | 感染症予測システム |
| CN104809335A (zh) * | 2015-04-10 | 2015-07-29 | 上海卫生信息工程技术研究中心有限公司 | 一种环境变化对疾病发病影响的分析预测模型 |
| CN106203738A (zh) * | 2016-08-01 | 2016-12-07 | 国家电网公司 | 城市电网总量负荷年最大值的双向预测方法 |
| CN106326634A (zh) * | 2016-08-09 | 2017-01-11 | 浙江工业大学 | 一种基于深度信念网络的医院门诊量预测方法 |
| CN107194508A (zh) * | 2017-05-18 | 2017-09-22 | 成都数联易康科技有限公司 | 一种基于时间序列动态预测中短期区域儿科门诊人次的方法 |
| JP2017208046A (ja) * | 2016-05-20 | 2017-11-24 | 株式会社日立製作所 | 需要予測システム及び需要予測方法 |
| JP2019032753A (ja) * | 2017-08-09 | 2019-02-28 | 株式会社東芝 | 提供数予測装置、提供数予測方法及び提供数予測プログラム |
| US20190303783A1 (en) * | 2016-06-09 | 2019-10-03 | Hitachi, Ltd. | Data prediction system and data prediction method |
| US20200074323A1 (en) * | 2016-12-26 | 2020-03-05 | Morgan Stanley Services Group Inc. | Predictive asset optimization for computer resources |
-
2019
- 2019-03-28 CN CN201910244879.7A patent/CN111755106B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011128935A (ja) * | 2009-12-18 | 2011-06-30 | Noriaki Aoki | 感染症予測システム |
| CN104809335A (zh) * | 2015-04-10 | 2015-07-29 | 上海卫生信息工程技术研究中心有限公司 | 一种环境变化对疾病发病影响的分析预测模型 |
| JP2017208046A (ja) * | 2016-05-20 | 2017-11-24 | 株式会社日立製作所 | 需要予測システム及び需要予測方法 |
| US20190303783A1 (en) * | 2016-06-09 | 2019-10-03 | Hitachi, Ltd. | Data prediction system and data prediction method |
| CN106203738A (zh) * | 2016-08-01 | 2016-12-07 | 国家电网公司 | 城市电网总量负荷年最大值的双向预测方法 |
| CN106326634A (zh) * | 2016-08-09 | 2017-01-11 | 浙江工业大学 | 一种基于深度信念网络的医院门诊量预测方法 |
| US20200074323A1 (en) * | 2016-12-26 | 2020-03-05 | Morgan Stanley Services Group Inc. | Predictive asset optimization for computer resources |
| CN107194508A (zh) * | 2017-05-18 | 2017-09-22 | 成都数联易康科技有限公司 | 一种基于时间序列动态预测中短期区域儿科门诊人次的方法 |
| JP2019032753A (ja) * | 2017-08-09 | 2019-02-28 | 株式会社東芝 | 提供数予測装置、提供数予測方法及び提供数予測プログラム |
Non-Patent Citations (2)
| Title |
|---|
| 刘雅;田玉兔;于晓荣;: "时间序列预测模型在门诊量预测中的应用", 中国病案, no. 01, 18 January 2013 (2013-01-18), pages 54 - 56 * |
| 第54-56: "时间序列预测模型在门诊量预测中的应用", 《中国病案》, vol. 14, no. 1, 18 January 2013 (2013-01-18), pages 54 - 56 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112257915A (zh) * | 2020-10-19 | 2021-01-22 | 南京南邮信息产业技术研究院有限公司 | 基于胶囊网络的医院门诊人流量预测方法 |
| CN112257915B (zh) * | 2020-10-19 | 2023-10-17 | 南京南邮信息产业技术研究院有限公司 | 基于胶囊网络的医院门诊人流量预测方法 |
| CN113823368A (zh) * | 2020-11-05 | 2021-12-21 | 北京京东拓先科技有限公司 | 资源配置方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111755106B (zh) | 2024-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Allocation of COVID-19 vaccines under limited supply | |
| Yankovic et al. | Identifying good nursing levels: A queuing approach | |
| Ponsiglione et al. | A finite-state machine approach to study patients dropout from medical examinations | |
| CN106372391B (zh) | 一种门诊候诊时间计算方法及装置 | |
| Kokangul | A combination of deterministic and stochastic approaches to optimize bed capacity in a hospital unit | |
| CN112542238B (zh) | 医院门诊规划方法、装置、设备及存储介质 | |
| US20160253463A1 (en) | Simulation-based systems and methods to help healthcare consultants and hospital administrators determine an optimal human resource plan for a hospital | |
| EP3138075A2 (en) | Decision support system for hospital quality assessment | |
| CN110753971A (zh) | 用于动态监测患者状况和预测不良事件的系统和方法 | |
| Rodrigues et al. | Discrete event simulation model for planning Level 2 “step-down” bed needs using NEMS | |
| Bidhandi et al. | Capacity planning for a network of community health services | |
| Jiang et al. | Data-driven analytics to support scheduling of multi-priority multi-class patients with wait time targets | |
| CN111755106B (zh) | 一种门诊量的预测方法及装置 | |
| US20140379363A1 (en) | Patient readmission risk assessment | |
| JP6282783B2 (ja) | 分析システム及び分析方法 | |
| Mielczarek et al. | Modeling healthcare demand using a hybrid simulation approach | |
| TariVerdi et al. | A resource-constrained, multi-unit hospital model for operational strategies evaluation under routine and surge demand scenarios | |
| Pinker et al. | Determining the optimal configuration of hospital inpatient rooms in the presence of isolation patients | |
| Dexter et al. | Hospitals with greater diversities of physiologically complex procedures do not achieve greater surgical growth in a market with stable numbers of such procedures | |
| Meisami et al. | Data-driven optimization methodology for admission control in critical care units | |
| Ramakrishnan et al. | A two-time-scale model for hospital patient flow | |
| US11062802B1 (en) | Medical resource forecasting | |
| JP4879235B2 (ja) | サービス支援方法及びサービス支援装置 | |
| Fatma et al. | Outpatient Diversion using Real-time Length-of-Stay Predictions | |
| US11594323B2 (en) | Health care facility unit computer simulation system |
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 |