CN111951946B - 基于深度学习的手术排班系统、方法、存储介质和终端 - Google Patents
基于深度学习的手术排班系统、方法、存储介质和终端 Download PDFInfo
- Publication number
- CN111951946B CN111951946B CN202010692852.7A CN202010692852A CN111951946B CN 111951946 B CN111951946 B CN 111951946B CN 202010692852 A CN202010692852 A CN 202010692852A CN 111951946 B CN111951946 B CN 111951946B
- Authority
- CN
- China
- Prior art keywords
- data
- duration
- deep learning
- prediction model
- scheduling
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000013135 deep learning Methods 0.000 title claims abstract description 29
- 230000002068 genetic effect Effects 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000001356 surgical procedure Methods 0.000 claims abstract description 18
- 238000012937 correction Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims description 29
- 238000013136 deep learning model Methods 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 22
- 210000000349 chromosome Anatomy 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000007787 long-term memory Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000009666 routine test Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 210000002700 urine Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
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
- G16H40/40—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 of medical equipment or devices, e.g. scheduling maintenance or upgrades
Abstract
本发明提供基于深度学习的手术排班系统、方法、存储介质和终端,包括手术时长预测模块,用于构建手术时长预测模型并利用所述手术时长预测模型来预测当前手术的时长数据;手术时长修正模块,用于对预测得到的时长数据进行修正;手术资源预约模块,用于对所述当前手术相关的资源进行预约;手术排班优化模块,用于根据遗传算法对预测得到的和/或修正后的时长数据进行优化排班处理。本发明提出的技术方案,一方面减轻了工作人员对手术时长进行估计的工作量而且也提高了时长估计的准确率,另一方面采用遗传算法可以有效解决人工进行手术排班的困难,提高手术室利用率,使其更多的潜能可被发掘。
Description
技术领域
本发明涉及手术排班技术领域,特别是涉及基于深度学习的手术排班系统、方法、存储介质和终端。
背景技术
手术室是医院最重要的医疗资源,它既是医院主要开支产生的地方,同时也是医院创造收益最多的地方。如何合理调度手术室资源,使其在相同时间内可以承担更多的手术任务,是医院管理中的一个重要方向。目前已经有一些排班软件可以满足一定排班优化问题需要,但需要基于人工对手术时长的经验估计,而且无法满足手术室排班的一些个性化需求场景。如需要考虑同一医生的手术安排、允许手工预约手术室时段等。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供基于深度学习的手术排班系统、方法、存储介质和终端,用于解决上述背景技术中的问题。
为实现上述目的及其他相关目的,本发明的第一方面提供一种基于深度学习的手术排班系统,包括:手术时长预测模块,用于构建手术时长预测模型并利用所述手术时长预测模型来预测当前手术的时长数据;手术时长修正模块,用于对预测得到的时长数据进行修正;手术资源预约模块,用于对所述当前手术相关的资源进行预约;手术排班优化模块,用于根据遗传算法对预测得到的和/或修正后的时长数据进行优化排班处理。
于本发明的第一方面的一些实施例中,所述时长预测模块包括:预测模型建立子模块,用于训练并测试深度学习模型,以得到所述手术时长预测模型;预测模型使用子模块,用于利用所述手术时长预测模型预测当前手术的时长数据。
于本发明的第一方面的一些实施例中,所述预测模型建立子模块训练并测试深度学习模型的过程包括:获取医学样本数据;所述医学样本数据包括历史患者的人口学信息数据、病史信息数据、实验室检查记录数据、入院记录数据、术前小结数据、手术名称数据、手术医生数据、和手术时长数据;通过部分的医学样本数据来训练深度学习模型,并通过其余部分的医学样本数据来测试所述深度学习模型,并在测试完成后形成所述手术时长预测模型。
于本发明的第一方面的一些实施例中,所述手术资源预约模块预约的资源包括:手术室、手术执行人员、手术工具、医疗仪器、检测室中的任一种或多种的组合。
于本发明的第一方面的一些实施例中,所述手术排班优化模块进行排班的过程包括:将手术室编号及手术时间段作为所述遗传算法的基因点,把所有手术的基因点排列在一起形成染色体;在约束条件内随机生成一定数量的染色体种群;以加班时长、手术执行人员连续工作时长、手术室闲置时长作为优化目标,并对所述染色体种群进行迭代,并在迭代预设轮次后返回历史最优的结果作为排班结果。
为实现上述目的及其他相关目的,本发明的第二方面提供一种基于深度学习的手术排班方法,包括:构建手术时长预测模型并利用所述手术时长预测模型来预测当前手术的时长数据;对预测得到的时长数据进行修正;对所述当前手术相关的资源进行预约;根据遗传算法对预测得到的和/或修正后的时长数据进行优化排班处理。
于本发明的第二方面的一些实施例中,所述构建手术时长预测模型包括:获取医学样本数据;所述医学样本数据包括历史患者的人口学信息数据、病史信息数据、实验室检查记录数据、入院记录数据、术前小结数据、手术名称数据、手术医生数据、和手术时长数据;通过部分的医学样本数据来训练深度学习模型,并通过其余部分的医学样本数据来测试所述深度学习模型,并在测试完成后形成所述手术时长预测模型。
于本发明的第二方面的一些实施例中,所述方法中进行排班优化处理包括:将手术室编号及手术时间段作为所述遗传算法的基因点,把所有手术的基因点排列在一起形成染色体;在约束条件内随机生成一定数量的染色体种群;以加班时长、手术执行人员连续工作时长、手术室闲置时长作为优化目标,并对所述染色体种群进行迭代,并在迭代预设轮次后返回历史最优的结果作为排班结果。
为实现上述目的及其他相关目的,本发明的第三方面提供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所述基于深度学习的手术排班方法。
为实现上述目的及其他相关目的,本发明的第四方面提供一种电子终端,包括:处理器及存储器;所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行所述基于深度学习的手术排班方法。
如上所述,本发明的基于深度学习的手术排班系统、方法、存储介质和终端,具有以下有益效果:本发明是针对手术室的手术排班这一应用场景,利用历史数据构建深度学习模型来对手术时长进行预测,并根据预测得到的手术时长再利用遗传算法来对手术进行排班优化,一方面减轻了工作人员对手术时长进行估计的工作量而且也提高了时长估计的准确率,另一方面采用遗传算法可以有效解决人工进行手术排班的困难,提高手术室利用率,使其更多的潜能可被发掘。
附图说明
图1显示为本发明一实施例中基于深度学习的手术排班系统的结构示意图。
图2显示为本发明一实施例中深度学习模型的结构示意图。
图3显示为本发明一实施例中基于深度学习的手术排班方法的流程示意图。
图4显示为本发明一实施例中电子终端的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,在下述描述中,参考附图,附图描述了本发明的若干实施例。应当理解,还可使用其他实施例,并且可以在不背离本发明的精神和范围的情况下进行机械组成、结构、电气以及操作上的改变。下面的详细描述不应该被认为是限制性的,并且本发明的实施例的范围仅由公布的专利的权利要求书所限定。这里使用的术语仅是为了描述特定实施例,而并非旨在限制本发明。空间相关的术语,例如“上”、“下”、“左”、“右”、“下面”、“下方”、“下部”、“上方”、“上部”等,可在文中使用以便于说明图中所示的一个元件或特征与另一元件或特征的关系。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”、“固持”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
再者,如同在本文中所使用的,单数形式“一”、“一个”和“该”旨在也包括复数形式,除非上下文中有相反的指示。应当进一步理解,术语“包含”、“包括”表明存在所述的特征、操作、元件、组件、项目、种类、和/或组,但不排除一个或多个其他特征、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的,或意味着任一个或任何组合。因此,“A、B或C”或者“A、B和/或C”意味着“以下任一个:A;B;C;A和B;A和C;B和C;A、B和C”。仅当元件、功能或操作的组合在某些方式下内在地互相排斥时,才会出现该定义的例外。
鉴于现有的一些排班软件需要基于人工对手术时长进行经验估计,而且无法满足手术室排班的一些个性化需求场景,本发明利用机器学习技术通过患者的院内数据对拟行手术的时长进行估计,并在此基础上对手术室进行排班,且本发明允许用户进行手术时长预设、手术室时段预定等操作,以满足实际工作需求。
为了使本发明的目的、技术方案及优点更加清楚明白,通过下述实施例并结合附图,对本发明实施例中的技术方案的进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定发明。
实施例一:
如图1所示,展示了本发明一实施例中基于深度学习的手术排班系统的结构示意图。本实施例的手术排班系统10包括手术时长预测模块11、手术时长修正模块12、手术资源预约模块13、和手术排班优化模块14。
在一些示例中,手术时长预测模块11包括预测模型建立子模块和预测模型使用子模块。具体来讲,首先利用预测模型建立子模块来建立手术时长预测模型,预测模型使用子模块利用训练后的手术时长预测模型对当前的手术进行时长预测。
所述预测模型建立子模块建立手术时长预测模型的过程如下:
步骤1)获取医学样本数据;所述医学样本数据包括但不限于如历史患者的人口学信息数据、病史信息数据、实验室检查记录数据、入院记录数据、术前小结数据、手术名称数据、手术医生数据、手术时长数据等这些医学数据。
步骤2)通过所述医学样本数据来训练深度学习模型,以得到用于预测手术时长的预测模型。举例来说,可将获取到的医学样本数据按照预设比例,例如6:4或者7:3等比例,划分为训练数据和测试数据;训练数据用于训练预测模型,测试数据用于对训练得到的预测模型进行测试。
在一些示例中,所述深度学习模型的架构如图2所示,主要由三个分支汇聚而成。在第一个分支的处理过程中,首先是对文本数据进行分词处理,例如可采用基于字符串匹配的分词方法、基于理解的分词方法或基于统计的分词方法等工具对历史病例文本进行分词处理;其次把分词结果按照文本顺序转化为词向量矩阵,最后将词向量矩阵应用长短期记忆网络(lstm);在第二个分支的处理过程中,首先是收集历史检验数据,例如医院中常见的血常规检验数据、尿液常规检验数据等,可从入院起按6小时为基本单位收集患者检验数据,其次是形成时序的检验指标矩阵,并对各检验指标矩阵进行数据归一化和缺失填充处理,最后是将检验指标矩阵应用长短期记忆网络(lstm);在第三个分支的处理过程中,对一些零散数据进行结构化处理并形成结构化变量,再对结构化变量进行数据归一化和缺失填充处理。第一个分支的长短期记忆网络(lstm)的输出端、第二个分支的长短期记忆网络(lstm)的输出端、以及第三个分支的数据进行串联,利用串联得到的数据建立全连接网络(fcn),并利用损失函数(如均方误差)构建回归预测模型。
需说明的是,本实施例涉及的LSTM神经网络模型的原理是一种RNN神经网络的变形,即在RNN神经网络的基础上在隐藏层中的各神经单元中增加记忆单元,从而使时间序列上的记忆信息可控,每次在隐藏层各单元间传递时通过几个可控门(遗忘门、输入门、候选门、输出门),可以控制之前信息和当前信息的记忆和遗忘程度,从而使RNN网络具备了长期记忆功能。
所述预测模型使用子模块用于利用训练后的手术时长预测模型来预测当前手术的时长,具体是将当前手术的医学数据输入所述手术时长预测模型中,例如输入当前手术患者的人口学信息数据、病史信息数据、实验室检查记录数据、入院记录数据、术前小结数据、手术名称数据、手术医生数据等,然后由所述手术时长预测模型输出其预测的当前手术所需的时长。
在一些示例中,所述手术时长修正模块12用于对模型预测的时长进行修正。具体来说,在得到由预测模型输出预测结果后进行修正,例如可根据医生经验将预测结果进行向上修正或向下修正等操作,从而进一步优化手术时长预测结果。
在一些示例中,所述手术资源预约模块13用于对手术相关的资源进行预约。具体来说,本实施例涉及的手术相关的资源包括但不限于如手术室、手术执行人员、手术工具、医疗仪器、检测室(如CT照射室或B超检测室等)等资源,例如可以根据预测结果来手动预约手术室、手术开始时间、手术医生等资源,避免资源冲突而影响到手术并造成资源的不合理分配。
在一些示例中,所述手术排班优化模块14利用模型预测得到或手动修正后的手术时长,在满足约束条件的前提下,通过遗传算法来优化排班。遗传算法是根据大自然中生物体进化规律而提出的一种计算机模型,是一种通过模拟自然进化过程搜索最优解的方法,该算法利用计算机仿真运算将问题的求解过程转换成类似生物进化中的染色体基因的交叉、变异等过程。在本实施例中,遗传算法把每台手术的手术室编号及手术时间段作为基因点,把所有手术的基因点排列在一起形成染色体;随后在约束条件内随机生成一定数量的染色体种群,然后以加班时长、医生的连续工作时长、手术室闲置时长作为优化目标,采用交换、突变等手段对种群进行迭代,迭代一定轮次后返回历史最优的结果。
需说明的是,本实施例涉及的约束条件是在优化涉及中,目标函数取决于设计变量,而设计变量的取值范围都有各种限制条件,本实施例中可将医生进行手术的极限时长、医生在一天内进行手术的极限次数、或者手术室的最短使用间隙时长等作为约束条件,来计算优化目标下的最优结果。
因此,本实施例提出的基于深度学习的手术排班系统,是针对手术室的手术排班这一应用场景,利用历史数据构建深度学习模型来对手术时长进行预测,并根据预测得到的手术时长再利用遗传算法来对手术进行排班优化,一方面减轻了工作人员对手术时长进行估计的工作量而且也提高了时长估计的准确率,另一方面采用遗传算法可以有效解决人工进行手术排班的困难,提高手术室利用率,使其更多的潜能可被发掘。
另外应理解的是,以上系统的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。例如,手术时长预测模块可以为单独设立的处理元件,也可以集成在上述装置的某一个芯片中实现,此外,也可以以程序代码的形式存储于上述装置的存储器中,由上述装置的某一个处理元件调用并执行以上手术时长预测模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起,也可以独立实现。这里所述的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如,以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个微处理器(digital signal processor,简称DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(Central Processing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(system-on-a-chip,简称SOC)的形式实现。
实施例二:
如图3所示,展示本发明一实施例中基于深度学习的手术排班方法的流程示意图。本实施例的手术排班方法包括如下各个步骤。
步骤S301:构建手术时长预测模型并利用所述手术时长预测模型来预测当前手术的时长数据。
在一些示例中,所述构建手术时长预测模型包:获取医学样本数据;所述医学样本数据包括历史患者的人口学信息数据、病史信息数据、实验室检查记录数据、入院记录数据、术前小结数据、手术名称数据、手术医生数据、和手术时长数据;通过部分的医学样本数据来训练深度学习模型,并通过其余部分的医学样本数据来测试所述深度学习模型,并在测试完成后形成所述手术时长预测模型。
在一些示例中,所述深度学习模型主要由三个分支汇聚而成。在第一个分支的处理过程中,首先是对文本数据进行分词处理,例如可采用基于字符串匹配的分词方法、基于理解的分词方法或基于统计的分词方法等工具对历史病例文本进行分词处理;其次把分词结果按照文本顺序转化为词向量矩阵,最后将词向量矩阵应用长短期记忆网络(lstm);在第二个分支的处理过程中,首先是收集历史检验数据,例如医院中常见的血常规检验数据、尿液常规检验数据等,可从入院起按6小时为基本单位收集患者检验数据,其次是形成时序的检验指标矩阵,并对各检验指标矩阵进行数据归一化和缺失填充处理,最后是将检验指标矩阵应用长短期记忆网络(lstm);在第三个分支的处理过程中,对一些零散数据进行结构化处理并形成结构化变量,再对结构化变量进行数据归一化和缺失填充处理。第一个分支的长短期记忆网络(lstm)的输出端、第二个分支的长短期记忆网络(lstm)的输出端、以及第三个分支的数据进行串联,利用串联得到的数据建立全连接网络(fcn),并利用损失函数(如均方误差)构建回归预测模型。
步骤S302:对预测得到的时长数据进行修正。
具体来说,在得到由预测模型输出预测结果后进行修正,例如可根据医生经验将预测结果进行向上修正或向下修正等操作,从而进一步优化手术时长预测结果。
步骤S303:对所述当前手术相关的资源进行预约。
具体来说,本实施例涉及的手术相关的资源包括但不限于如手术室、手术执行人员、手术工具、医疗仪器、检测室(如CT照射室或B超检测室等)等资源,例如可以根据预测结果来手动预约手术室、手术开始时间、手术医生等资源,避免资源冲突而影响到手术并造成资源的不合理分配。
步骤S304:根据遗传算法对预测得到的和/或修正后的时长数据进行优化排班处理。
在一些示例中,所述方法中进行排班优化处理包括:将手术室编号及手术时间段作为所述遗传算法的基因点,把所有手术的基因点排列在一起形成染色体;在约束条件内随机生成一定数量的染色体种群;以加班时长、手术执行人员连续工作时长、手术室闲置时长作为优化目标,并对所述染色体种群进行迭代,并在迭代预设轮次后返回历史最优的结果作为排班结果。
应理解的是,本实施例提出的手术排班方法可应用于ARM(Advanced RISCMachines)、FPGA(Field Programmable Gate Array)、SoC(System on Chip)、DSP(DigitalSignal Processing)、或者MCU(Micorcontroller Unit)等控制器;也可应用于台式电脑、笔记本电脑、平板电脑、智能手机、智能电视、个人数字助理(Personal DigitalAssistant,简称PDA)等个人电脑;还可应用于服务器,所述服务器可以根据功能、负载等多种因素布置在一个或多个实体服务器上,也可以由分布的或集中的服务器集群构成,本实施例不作限定。
实施例三:
如图4所示,展示了本发明一实施例中电子终端的结构示意图。本实例提供的电子终端,包括:处理器41、存储器42、通信器43;存储器42通过系统总线与处理器41和通信器43连接并完成相互间的通信,存储器42用于存储计算机程序,通信器43用于和其他设备进行通信,处理器41用于运行计算机程序,使电子终端执行如上基于深度学习的手术排班方法的各个步骤。
上述提到的系统总线可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(Random Access Memory,简称RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
实施例四:
本实施例提供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所述基于深度学习的手术排班方法。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述,本发明提供基于深度学习的手术排班系统、方法、存储介质和终端,本发明是针对手术室的手术排班这一应用场景,利用历史数据构建深度学习模型来对手术时长进行预测,并根据预测得到的手术时长再利用遗传算法来对手术进行排班优化,一方面减轻了工作人员对手术时长进行估计的工作量而且也提高了时长估计的准确率,另一方面采用遗传算法可以有效解决人工进行手术排班的困难,提高手术室利用率,使其更多的潜能可被发掘。所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (4)
1.一种基于深度学习的手术排班系统,其特征在于,包括:
手术时长预测模块,用于构建手术时长预测模型并利用所述手术时长预测模型来预测当前手术的时长数据;所述手术时长预测模块包括:预测模型建立子模块,用于训练并测试深度学习模型,以得到所述手术时长预测模型;预测模型使用子模块,用于利用所述手术时长预测模型预测当前手术的时长数据;所述预测模型建立子模块训练并测试深度学习模型的过程包括:获取医学样本数据;所述医学样本数据包括历史患者的人口学信息数据、病史信息数据、实验室检查记录数据、入院记录数据、术前小结数据、手术名称数据、手术医生数据和手术时长数据;通过部分的医学样本数据来训练深度学习模型,并通过其余部分的医学样本数据来测试所述深度学习模型,并在测试完成后形成所述手术时长预测模型;
手术时长修正模块,用于对预测得到的时长数据进行修正;
手术资源预约模块,用于对所述当前手术相关的资源进行预约;所述手术资源预约模块预约的资源包括:手术室、手术执行人员、手术工具、医疗仪器及检测室中的任一种或多种的组合;
手术排班优化模块,用于根据遗传算法对预测得到的和/或修正后的时长数据进行优化排班处理;所述手术排班优化模块进行排班的过程包括:将手术室编号及手术时间段作为所述遗传算法的基因点,把所有手术的基因点排列在一起形成染色体;在约束条件内随机生成一定数量的染色体种群;以加班时长、手术执行人员连续工作时长及手术室闲置时长作为优化目标,并对所述染色体种群进行迭代,并在迭代预设轮次后返回历史最优的结果作为排班结果。
2.一种基于深度学习的手术排班方法,其特征在于,包括:
构建手术时长预测模型并利用所述手术时长预测模型来预测当前手术的时长数据;所述手术时长预测模型包括:预测模型建立子模块,用于训练并测试深度学习模型,以得到所述手术时长预测模型;预测模型使用子模块,用于利用所述手术时长预测模型预测当前手术的时长数据;所述预测模型建立子模块训练并测试深度学习模型的过程包括:获取医学样本数据;所述医学样本数据包括历史患者的人口学信息数据、病史信息数据、实验室检查记录数据、入院记录数据、术前小结数据、手术名称数据、手术医生数据及手术时长数据;通过部分的医学样本数据来训练深度学习模型,并通过其余部分的医学样本数据来测试所述深度学习模型,并在测试完成后形成所述手术时长预测模型;
对预测得到的时长数据进行修正;
对所述当前手术相关的资源进行预约;预约的资源包括:手术室、手术执行人员、手术工具、医疗仪器及检测室中的任一种或多种的组合;
根据遗传算法对预测得到的和/或修正后的时长数据进行优化排班处理;进行排班优化处理的过程包括:将手术室编号及手术时间段作为所述遗传算法的基因点,把所有手术的基因点排列在一起形成染色体;在约束条件内随机生成一定数量的染色体种群;以加班时长、手术执行人员连续工作时长及手术室闲置时长作为优化目标,并对所述染色体种群进行迭代,并在迭代预设轮次后返回历史最优的结果作为排班结果。
3.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求2所述基于深度学习的手术排班方法。
4.一种电子终端,其特征在于,包括:处理器及存储器;
所述存储器用于存储计算机程序;
所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行如权利要求2所述基于深度学习的手术排班方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010692852.7A CN111951946B (zh) | 2020-07-17 | 2020-07-17 | 基于深度学习的手术排班系统、方法、存储介质和终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010692852.7A CN111951946B (zh) | 2020-07-17 | 2020-07-17 | 基于深度学习的手术排班系统、方法、存储介质和终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111951946A CN111951946A (zh) | 2020-11-17 |
CN111951946B true CN111951946B (zh) | 2023-11-07 |
Family
ID=73340242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010692852.7A Active CN111951946B (zh) | 2020-07-17 | 2020-07-17 | 基于深度学习的手术排班系统、方法、存储介质和终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111951946B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112735545A (zh) * | 2020-12-31 | 2021-04-30 | 杭州依图医疗技术有限公司 | 自训练方法、模型、处理方法、装置及存储介质 |
CN112837796A (zh) * | 2021-02-09 | 2021-05-25 | 安徽医科大学第二附属医院 | 一种基于遗传算法的后疫情时期癌症患者放疗排程系统 |
CN113555096B (zh) * | 2021-06-10 | 2023-06-30 | 合肥工业大学 | 考虑医生排班情况的手术室调度方法和系统 |
CN114067957A (zh) * | 2022-01-17 | 2022-02-18 | 武汉大学 | 手术时间校正方法、装置、电子设备及存储介质 |
CN117012356B (zh) * | 2023-10-07 | 2023-12-12 | 四川省医学科学院·四川省人民医院 | 一种基于运筹学的手术分配方法和系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145511A (zh) * | 2017-03-31 | 2017-09-08 | 上海森亿医疗科技有限公司 | 基于医学文本信息的结构化医学数据库生成方法及系统 |
CN108511057A (zh) * | 2018-02-28 | 2018-09-07 | 北京和兴创联健康科技有限公司 | 输血量模型建立及预测方法、装置、设备及其存储介质 |
CN109998477A (zh) * | 2019-04-12 | 2019-07-12 | 复旦大学附属眼耳鼻喉科医院 | 一种高度近视白内障手术预后智能预判系统 |
CN110338907A (zh) * | 2018-04-05 | 2019-10-18 | 云南师范大学 | 一种用于医学影像引导手术的触觉导航系统 |
CN110570937A (zh) * | 2019-09-17 | 2019-12-13 | 上海劳勤信息技术有限公司 | 一种医生和助手排班的方法 |
CN110660456A (zh) * | 2019-09-12 | 2020-01-07 | 上海森亿医疗科技有限公司 | 临床决策支持及其模型训练方法、装置、终端、介质 |
CN111161886A (zh) * | 2020-01-15 | 2020-05-15 | 曹庆恒 | 一种手术方案智能指导的方法、系统和设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140025233A1 (en) * | 2012-07-17 | 2014-01-23 | Elwha Llc | Unmanned device utilization methods and systems |
-
2020
- 2020-07-17 CN CN202010692852.7A patent/CN111951946B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145511A (zh) * | 2017-03-31 | 2017-09-08 | 上海森亿医疗科技有限公司 | 基于医学文本信息的结构化医学数据库生成方法及系统 |
CN108511057A (zh) * | 2018-02-28 | 2018-09-07 | 北京和兴创联健康科技有限公司 | 输血量模型建立及预测方法、装置、设备及其存储介质 |
CN110338907A (zh) * | 2018-04-05 | 2019-10-18 | 云南师范大学 | 一种用于医学影像引导手术的触觉导航系统 |
CN109998477A (zh) * | 2019-04-12 | 2019-07-12 | 复旦大学附属眼耳鼻喉科医院 | 一种高度近视白内障手术预后智能预判系统 |
CN110660456A (zh) * | 2019-09-12 | 2020-01-07 | 上海森亿医疗科技有限公司 | 临床决策支持及其模型训练方法、装置、终端、介质 |
CN110570937A (zh) * | 2019-09-17 | 2019-12-13 | 上海劳勤信息技术有限公司 | 一种医生和助手排班的方法 |
CN111161886A (zh) * | 2020-01-15 | 2020-05-15 | 曹庆恒 | 一种手术方案智能指导的方法、系统和设备 |
Non-Patent Citations (2)
Title |
---|
"Assessment of automated identification of phases in videos of cataract surgery using machine learning and deep learning techniques";Yu, F. 等;《Jama Network Open》;第2卷(第4期);第1页 * |
"门诊医生排班问题研究";祖漫漫;《中国优秀硕士学位论文全文数据库医药卫生科技辑》(第2期);第E053-225页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111951946A (zh) | 2020-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111951946B (zh) | 基于深度学习的手术排班系统、方法、存储介质和终端 | |
Zhang et al. | Improved multi-fidelity simulation-based optimisation: application in a digital twin shop floor | |
Leeftink et al. | Multi-disciplinary planning in health care: a review | |
Huang et al. | Reinforcement learning based resource allocation in business process management | |
US20200082941A1 (en) | Care path analysis and management platform | |
Esteso et al. | Reinforcement learning applied to production planning and control | |
Hulshof et al. | Patient admission planning using approximate dynamic programming | |
Pereira Jr et al. | On multicriteria decision making under conditions of uncertainty | |
Vinod et al. | Simulation-based metamodels for scheduling a dynamic job shop with sequence-dependent setup times | |
Zeballos et al. | A CP formulation for scheduling multiproduct multistage batch plants | |
Liu et al. | A generalized agent-based model to simulate emergency departments | |
Qiu et al. | MRI appointment scheduling with uncertain examination time | |
Ala et al. | Appointment scheduling problem under fairness policy in healthcare services: fuzzy ant lion optimizer | |
Rosa et al. | Computational resource and cost prediction service for scientific workflows in federated clouds | |
CN114580678A (zh) | 一种产品维修资源调度方法和系统 | |
Chen et al. | Considering time in designing large-scale systems for scientific computing | |
Tu et al. | Performance analysis and optimisation of Bernoulli serial production lines with dynamic real-time bottleneck identification and mitigation | |
Priore et al. | Learning-based scheduling of flexible manufacturing systems using support vector machines | |
Booker et al. | Quality improvement with discrete event simulation: a primer for radiologists | |
Kim et al. | Modelling and simulation of automated manufacturing systems for evaluation of complex schedules | |
Marchetti et al. | Mixed-integer linear programming monolithic formulations for lot-sizing and scheduling of single-stage batch facilities | |
Shi et al. | Rule-based scheduling of single-stage multiproduct batch plants with parallel units | |
Strong et al. | Mabwiser: A parallelizable contextual multi-armed bandit library for python | |
Sousa et al. | The Fabricare system: A multi-agent-based scheduling prototype | |
Niño-Pérez et al. | A simulation–optimization strategy to deal simultaneously with tens of decision variables and multiple performance measures in manufacturing |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210107 Address after: Room 1703, block B, innovation international, No.222, Caihong Road, hi tech Zone, Hefei City, Anhui Province Applicant after: Hefei senyi Intelligent Technology Co.,Ltd. Applicant after: SHANGHAI SYNYI MEDICAL TECHNOLOGY CO.,LTD. Address before: Room 1703, block B, innovation international, No.222, Caihong Road, hi tech Zone, Hefei City, Anhui Province Applicant before: Hefei senyi Intelligent Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |