CN112002403A - 用于医疗设备的量化评估方法、装置、设备及存储介质 - Google Patents
用于医疗设备的量化评估方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112002403A CN112002403A CN202010862812.2A CN202010862812A CN112002403A CN 112002403 A CN112002403 A CN 112002403A CN 202010862812 A CN202010862812 A CN 202010862812A CN 112002403 A CN112002403 A CN 112002403A
- Authority
- CN
- China
- Prior art keywords
- data
- medical equipment
- medical
- quantitative evaluation
- equipment
- 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
- 238000011158 quantitative evaluation Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003860 storage Methods 0.000 title claims abstract description 28
- 230000008901 benefit Effects 0.000 claims abstract description 65
- 238000003062 neural network model Methods 0.000 claims abstract description 8
- 238000013500 data storage Methods 0.000 claims abstract description 6
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 230000004927 fusion Effects 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000009826 distribution Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 24
- 238000007726 management method Methods 0.000 abstract description 13
- 230000008569 process Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000007689 inspection Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012795 verification 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
- G16H40/40—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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种用于医疗设备的量化评估方法、装置、设备及存储介质，定义了医疗设备的指标体系，该指标体系涵盖了设备全息台账、设备效益管理、设备效率管理、设备使用质量、设备安全运行、患者体验指标及人员绩效指标等七大指标，根据该指标体系，进行数据采集及分析，采用大数据采集技术，对医疗设备数据进行采集，包括医院现有系统和医疗设备上的物联数据，并对不同格式的数据进行类型转化，最终统一归结至大数据存储格式进行归一化和标准化存储；同时采用神经网络模型自动化处理数据，保证了数据的准确性，实现对医疗设备全方面的量化评估。
Description
技术领域
本发明属于医疗信息的技术领域，尤其涉及一种用于医疗设备的量化评估方法、装置、设备及存储介质。
背景技术
医疗设备资产运营管理是医院精细化管理的重要组成部分，是医疗服务的核心支撑要素，也是医院管理核心考核指标。长期以来，医疗设备效率效益分析，阳性率等使用指标以及智能数据采集，设备数据利用都是业内探索创新的热点领域。
传统上，针对医疗设备的效益分析采用静态分析法，而静态分析法具体包括投资回收期法、投资报酬率法、投资偿还期法、投资项目的盈亏衡分析法等。静态分析法包括如下步骤：1、采集或者录入医疗设备的业务数据；2、从医疗设备的业务数据上提取相应的的设备直接成本数据、间接成本数据；3、从医疗设备的业务数据上提取相应的收入数据、工作量数据以及其他的附加信息数据；4、设定医疗设备的效益分析方法、开始计算医疗设备的使用率和利润率；5、根据医疗设备的利润率对医疗设备进行效益分析；6、根据效益分析的结果输出医疗设备效益分析的报表并形成分析报告。
但是，传统的方法存在有如下缺陷：1、静态分析方法没有考虑投资项目的经济寿命周期，不够全面，也不精确，忽视了大型医疗设备的应用效果与质量分析，只能作为筛选初步方案的工具。2、分析都是针对单台医疗设备、部分医疗设备因为编码原因或者其他原因、无法归集收入与支出的数据，无法汇总统计，形成数据上的存在不准确性。3、在以成本控制为核心的医疗设备管理体系下、只以经济效益对设备进行效益分析显得片面和不客观。4、只注重医疗设备的经济效益、没有结合医疗设备的效果效益和社会效益分析，分析结果具有一定的片面性。
发明内容
本发明的目的是提供一种用于医疗设备的量化评估方法、装置、设备及存储介质。
为解决上述问题，本发明的技术方案为：
一种用于医疗设备的量化评估方法，包括：
S1：定义医疗设备指标体系；
S2：根据所述医疗设备指标体系，采集不同医疗系统中的相关的指标数据；所述指标数据分为结构化数据、半结构化数据及非结构化数据；
S3：将不同医疗系统及不同结构的数据进行融合；
S4：创建医疗设备运营效益模型及医疗设备使用效率模型，实现对所述医疗设备的量化评估。
根据本发明一实施例，所述步骤S2进一步包括：
所述结构化数据包括医疗IT系统中的关系型数据库中存储的数据，采用数据库抽取的方式采集所述结构化数据；
所述半结构化数据包括医疗设备日志信息，采用文件异步采集的方式采集所述半结构化数据；
所述非结构化数据包括医疗设备检查产生的电子影像信息，采用流式文件的实时采集工具采集所述非结构化数据；
将不同结构的数据进行类型转化，统一归结至大数据存储格式进行归一化和标准化存储。
根据本发明一实施例，所述步骤S3进一步包括：
建立NoSQL数据库，对异源数据之间建立关联，并进行权重赋值，基于Ranking原则，确保数据一致性；
基于隐含狄利克雷分布，建立主题模型，以样本频率估计主题模型的先验概率，从而进行数据融合。
根据本发明一实施例，所述步骤S3进一步包括：
采用同义词挖掘算法，对语义相似、相同或相近且形式不同的数据进行建模，实现数据融合。
根据本发明一实施例，所述步骤S4进一步包括：
数据融合后，获取各项指标的历史数据；
利用所述各项指标的历史数据对神经网络模型进行训练，得到包括医疗设备运营效益模型及医疗设备使用效率模型在内的多个模型；
基于所述医疗设备运营效益模型计算目标时间段内所述医疗设备运营效益的预测数据；
基于所述医疗设备使用效率模型计算目标时间段内所述医疗设备使用效率的预测数据。
根据本发明一实施例，所述步骤S4之后还包括：
S5：获取目标时间段内所述医疗设备运营效益的实际数据；基于目标时间段内的所述医疗设备运营效益的预测数据和实际数据，得到所述医疗设备运营效益的评估结果。
根据本发明一实施例，所述步骤S5进一步包括：
根据目标时间段内的所述医疗设备运营效益的预测数据和实际数据，以及至少一个其他时间段内的所述医疗设备运营效益的预测数据和实际数据，计算得到所述医疗设备运营效益的预测数据与实际数据的均方差；
将所述均方差作为所述医疗设备运营效益的评估结果。
一种用于医疗设备的量化评估装置，包括：
指标定义模块，用于定义医疗设备指标体系；
数据采集模块，用于根据所述医疗设备指标体系，采集不同医疗系统中的相关的指标数据；所述指标数据分为结构化数据、半结构化数据及非结构化数据；
数据融合模块，用于将不同医疗系统及不同结构的数据进行融合；
量化评估模块，用于创建医疗设备运营效益模型及医疗设备使用效率模型，实现对所述医疗设备的量化评估。
一种用于医疗设备的量化评估设备，包括：
存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述用于医疗设备的量化评估设备执行本发明一实施例中的用于医疗设备的量化评估方法。
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本发明一实施例中的用于医疗设备的量化评估方法。
本发明由于采用以上技术方案，使其与现有技术相比具有以下的优点和积极效果：
1、本发明的采集频率支持实时、准实时、异步等多种形式，可以采集物联、IT系统中的实时及异步数据。
2、本发明使用机器学习算法进行数据整合和融合，保证了数据一致性。
3、本发明涉及的数据包含历史及当前发生的医疗设备相关的物联、周边IT系统等所有数据，信息量较大，从数据实效性、存储经济性等角度考虑，采用大数据平台进行存储。
4、本发明可实现采集离线、近线、在线的医疗设备360度全方位数据，保证数据的全面性和完整性。
附图说明
图1为本发明一实施例中的用于医疗设备的量化评估方法的流图；
图2为本发明一实施例中的数据采集系统架构图；
图3为本发明一实施例中的用于医疗设备的量化评估装置的框图；
图4为本发明一实施例中的用于医疗设备的量化评估设备的示意图。
具体实施方式
以下结合附图和具体实施例对本发明提出的一种用于医疗设备的量化评估方法、装置、设备及存储介质作进一步详细说明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。
实施例一
本实施例针对上述传统方法中存在的缺陷，提供了一种医疗设备的量化评估方法，请参看图1，该办法包括：
S1：定义医疗设备指标体系；
S2：根据所述医疗设备指标体系，采集不同医疗系统中的相关的指标数据；所述指标数据分为结构化数据、半结构化数据及非结构化数据；
S3：将不同医疗系统及不同结构的数据进行融合；
S4：创建医疗设备运营效益模型及医疗设备使用效率模型，实现对所述医疗设备的量化评估。
具体的，步骤S1针对传统方法只注重医疗设备的经济效益、没有结合医疗设备的效果效益和质量进行分析，分析结果具有一定的片面性问题，专门定义了医疗设备的指标体系，该指标体系涵盖了设备全息台账、设备效益管理、设备效率管理、设备使用质量、设备安全运行、患者体验指标及人员绩效指标等七大指标。通过上述指标体系，可知在医疗设备运营效益方面，可实现对单台和单品类设备的收入、成本、投资回报率、次均收入以及成本的智能分析；在医疗设备使用效率方面，可实现单台和单类设备的检查人次、工作时长，检查峰值等动态分析；在临床使用质量方面，可得到单台和单类设备的检查增强率、单台和单类设备的检查阳性率、根据患者来源统计检查阳性率、根据检查部位统计检查阳性率及根据开单科室统计检查阳性率。
在步骤S2中，根据医疗设备指标体系，动态采集相关的指标数据中，针对医院现有的数据采集呈现多系统、多种类情况，HIS、RIS等业务系统众多，接口复杂，医疗设备的数据接口协议也较多，比如DICOM、RS232等，为了支持异构数据的快速接入，搭建了系统架构，请参看图2，实现对医疗设备的数据采集。
图2中，根据医院的业务系统，如HIS、RIS、PACS、财务系统等，搭建第一服务器，为所述业务系统提供数据交互服务；根据医院的办公系统，如web数据门户、智能大屏、移动PAD等，搭建第二服务器，为所述办公系统提供数据交互服务。建立业务系统及办公系统与医疗设备的物联关系，使第一服务器、第二服务器通过该物联关系，对医疗设备数据进行实时采集及更新。
本发明中采集的数据包括结构化、半结构化和非结构化的数据，其中结构化数据包括医疗IT系统中的关系型数据库中存储的数据，比如收费信息、电子检查单等信息，半结构化信息包括设备日志等信息，非结构化信息包括设备检查产生的电子影像等信息。针对上述三种不同格式的数据，本发明基于大数据采集机制，分别设计了数据库抽取、文件异步采集和流式文件的实时采集工具，对上述不同格式的数据进行采集和类型转化，最终统一归结至大数据存储格式进行归一化和标准化存储。实际应用中，可采用Hadoop大数据平台进行数据存储。
在步骤S3中，由于本发明中涉及的不同来源的数据往往以分散、异构、自治的形式存在，另外还具有冗余、噪音、不确定、非完备的特点，清洗并不能解决这些问题，因此通常需要融合和验证的步骤，来将不同源不同结构的数据融合成统一的知识图谱，以保证知识的一致性。
本发明使用机器学习的方法，建立了医疗设备效率及效益的知识图谱，使用了如下算法和工具进行知识图谱的构建：
1、同义词挖掘算法——针对语义相似、相同、相近但是形式不同的词语或短语进行建模，这是通过数据清洗操作无法完成的。可通过基于同义词资源库(网络词典、百科词条等)、基于模式匹配(百科词条，论文，权威科普文章等)或自举法(Bootstrapping)与模式发现的方法进行数据关联或融合。
2、建立NoSQL数据库，针对异源数据建立彼此间的关联，并对这些关联进行权重赋值，基于Ranking原则，确保数据一致性。基于隐含狄利克雷分布(Latent DirichletAllocation,LDA)创建主题模型，以样本频率估计主题模型的先验概率，从而进行数据融合。
3、对小规模数据集，可采用VCU候选集打分法、TALN系统排序、MSejrKu依赖性分析及同义词集优化法进行多元数据融合。
在步骤S4中，基于指标数据，训练神经网络模型，创建医疗设备运营效益模型及医疗设备使用效率模型，实现对医疗设备的量化评估中，首先获取大数据平台中的各项指标的历史数据。
再利用各项指标的历史数据对神经网络模型进行训练，得到包括医疗设备运营效益模型及医疗设备使用效率模型在内的多个模型。这里的神经网络模型可以是依据长短期记忆网络(Long ShortTerm Memory，LSTM)算法建立的LSTM网络模型。LSTM算法是循环神经网络(Recurrent Neural Network，RNN)算法的一种改进算法，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。
本实施例中，神经网络模型的训练方法可以依据现有的方法，这里不再赘述。
基于医疗设备运营效益模型计算目标时间段内医疗设备运营效益的预测数据；基于医疗设备使用效率模型计算目标时间段内医疗设备使用效率的预测数据。
在基于所述医疗设备运营效益模型计算目标时间段内所述医疗设备运营效益的预测数据之后还包括：获取目标时间段内医疗设备运营效益的实际数据；基于目标时间段内的医疗设备运营效益的预测数据和实际数据，得到医疗设备运营效益的评估结果。
还可以根据目标时间段内的医疗设备运营效益的预测数据和实际数据，以及至少一个其他时间段内的医疗设备运营效益的预测数据和实际数据，计算得到该医疗设备运营效益的预测数据与实际数据的均方差；将该均方差作为该医疗设备运营效益的评估结果。
对医疗设备的使用效率的评估可参照上述医疗设备运营效率的评估方法，在此不再赘述。
本发明基于大数据机器学习算法，解决了传统方法中计算口径不一致，数据置信度低等难题。在运营效益方面，实现了对单台和单品类设备的收入、成本、投资回报率、次均收入以及成本的智能分析；在使用效率方面，实现单台和单类设备的检查人次、工作时长、检查峰值等动态分析。从而为医疗设备购置提供更加客观、详细的决策依据，让医院管理人员更加全面地对医疗设备进行评价，为指导科学投资、改善经营管理、提高医疗设备经济效益及社会效益提供重要保证。
实施例二
上述实施例一对用于医疗设备的量化评估方法进行详细描述，下面从模块化功能实体的角度对本发明用于医疗设备的量化评估装置进行详细描述。
请参看图3，该用于医疗设备的量化评估装置，包括：
指标定义模块1，用于定义医疗设备指标体系；
数据采集模块2，用于根据医疗设备指标体系，采集不同医疗系统中的相关的指标数据；该指标数据分为结构化数据、半结构化数据及非结构化数据；
数据融合模块3，用于将不同医疗系统及不同结构的数据进行融合；
量化评估模块4，用于创建医疗设备运营效益模型及医疗设备使用效率模型，实现对医疗设备的量化评估。
上述用于医疗设备的量化评估装置中的各个模块与实施例一中的各个步骤一一对应，其实现功能及方法也与实施一中的方法相似，在此不再赘述。
本实施例中的用于医疗设备的量化评估方法，专门定义了医疗设备的指标体系，该指标体系涵盖了设备全息台账、设备效益管理、设备效率管理、设备使用质量、设备安全运行、患者体验指标及人员绩效指标等七大指标，根据该指标体系，进行数据采集及分析，得到医疗设备的运营效益、使用效率、阳性率检测等多项指标数据，实现对医疗设备全方面的量化评估，从而为医疗设备购置提供更加客观、详细的决策依据，让医院管理人员更加全面地对医疗设备进行评价，为指导科学投资、改善经营管理、提高医疗设备经济效益及社会效益提供重要保证。并且，采用大数据采集技术，对设备数据进行采集，包括医院现有系统和医疗设备上的物联数据，并对不同格式的数据进行类型转化，最终统一归结至大数据存储格式进行归一化和标准化存储；同时采用神经网络模型自动化处理数据，保证了数据的准确性。
实施例三
上述实施例二从模块化功能实体的角度对本发明用于医疗设备的量化评估装置进行详细描述，下面从硬件处理的角度对本发明用于医疗设备的量化评估设备进行详细描述。
请参看图4，该用于医疗设备的量化评估设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)510(例如，一个或一个以上处理器)和存储器520，一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中，存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对用于医疗设备的量化评估设备500中的一系列指令操作。
进一步地，处理器510可以设置为与存储介质530通信，在用于医疗设备的量化评估设备500上执行存储介质530中的一系列指令操作。
用于医疗设备的量化评估设备500还可以包括一个或一个以上电源540，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口560，和/或，一个或一个以上操作系统531，例如Windows Serve、Vista等等。
本领域技术人员可以理解，图4示出的用于医疗设备的量化评估设备结构并不构成对用于医疗设备的量化评估设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质。该计算机可读存储介质中存储有指令，当该指令在计算机上运行时，使得计算机执行实施例一中的用于医疗设备的量化评估方法的步骤。
实施例二中的模块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全部或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、只读存储器(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。
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，上述描述的装置及设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式。即使对本发明作出各种变化，倘若这些变化属于本发明权利要求及其等同技术的范围之内，则仍落入在本发明的保护范围之中。
Claims (10)
1.一种用于医疗设备的量化评估方法，其特征在于，包括：
S1：定义医疗设备指标体系；
S2：根据所述医疗设备指标体系，采集不同医疗系统中的相关的指标数据；所述指标数据分为结构化数据、半结构化数据及非结构化数据；
S3：将不同医疗系统及不同结构的数据进行融合；
S4：创建医疗设备运营效益模型及医疗设备使用效率模型，实现对所述医疗设备的量化评估。
2.如权利要求1所述的用于医疗设备的量化评估方法，其特征在于，所述步骤S2进一步包括：
所述结构化数据包括医疗IT系统中的关系型数据库中存储的数据，采用数据库抽取的方式采集所述结构化数据；
所述半结构化数据包括医疗设备日志信息，采用文件异步采集的方式采集所述半结构化数据；
所述非结构化数据包括医疗设备检查产生的电子影像信息，采用流式文件的实时采集工具采集所述非结构化数据；
将不同结构的数据进行类型转化，统一归结至大数据存储格式进行归一化和标准化存储。
3.如权利要求1所述的用于医疗设备的量化评估方法，其特征在于，所述步骤S3进一步包括：
建立NoSQL数据库，对异源数据之间建立关联，并进行权重赋值，基于Ranking原则，确保数据一致性；
基于隐含狄利克雷分布，建立主题模型，以样本频率估计主题模型的先验概率，从而进行数据融合。
4.如权利要求1所述的用于医疗设备的量化评估方法，其特征在于，所述步骤S3进一步包括：
采用同义词挖掘算法，对语义相似、相同或相近且形式不同的数据进行建模，实现数据融合。
5.如权利要求1所述的用于医疗设备的量化评估方法，其特征在于，所述步骤S4进一步包括：
数据融合后，获取各项指标的历史数据；
利用所述各项指标的历史数据对神经网络模型进行训练，得到包括医疗设备运营效益模型及医疗设备使用效率模型在内的多个模型；
基于所述医疗设备运营效益模型计算目标时间段内所述医疗设备运营效益的预测数据；
基于所述医疗设备使用效率模型计算目标时间段内所述医疗设备使用效率的预测数据。
6.如权利要求5所述的用于医疗设备的量化评估方法，其特征在于，所述步骤S4之后还包括：
S5：获取目标时间段内所述医疗设备运营效益的实际数据；基于目标时间段内的所述医疗设备运营效益的预测数据和实际数据，得到所述医疗设备运营效益的评估结果。
7.如权利要求6所述的用于医疗设备的量化评估方法，其特征在于，所述步骤S5进一步包括：
根据目标时间段内的所述医疗设备运营效益的预测数据和实际数据，以及至少一个其他时间段内的所述医疗设备运营效益的预测数据和实际数据，计算得到所述医疗设备运营效益的预测数据与实际数据的均方差；
将所述均方差作为所述医疗设备运营效益的评估结果。
8.一种用于医疗设备的量化评估装置，其特征在于，包括：
指标定义模块，用于定义医疗设备指标体系；
数据采集模块，用于根据所述医疗设备指标体系，采集不同医疗系统中的相关的指标数据；所述指标数据分为结构化数据、半结构化数据及非结构化数据；
数据融合模块，用于将不同医疗系统及不同结构的数据进行融合；
量化评估模块，用于创建医疗设备运营效益模型及医疗设备使用效率模型，实现对所述医疗设备的量化评估。
9.一种用于医疗设备的量化评估设备，其特征在于，包括：
存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述用于医疗设备的量化评估设备执行如权利要求1-7中任意一项所述的用于医疗设备的量化评估方法。
10.一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，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的用于医疗设备的量化评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010862812.2A CN112002403B (zh) | 2020-08-25 | 2020-08-25 | 用于医疗设备的量化评估方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010862812.2A CN112002403B (zh) | 2020-08-25 | 2020-08-25 | 用于医疗设备的量化评估方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112002403A true CN112002403A (zh) | 2020-11-27 |
| CN112002403B CN112002403B (zh) | 2024-06-18 |
Family
ID=73471735
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010862812.2A Active CN112002403B (zh) | 2020-08-25 | 2020-08-25 | 用于医疗设备的量化评估方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112002403B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112837794A (zh) * | 2021-01-12 | 2021-05-25 | 山东众阳健康科技集团有限公司 | 一种高值医用耗材智能评估方法及系统 |
| CN113160976A (zh) * | 2021-04-29 | 2021-07-23 | 上海商汤智能科技有限公司 | 基于SaaS服务的医疗数据处理方法、装置及电子设备 |
| CN113610415A (zh) * | 2021-08-13 | 2021-11-05 | 北京惠泽智信科技有限公司 | 一种核磁设备综合评价方法及系统 |
| CN117174260A (zh) * | 2023-11-02 | 2023-12-05 | 四川省肿瘤医院 | 医疗影像数据管理系统及数据分析方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107515898A (zh) * | 2017-07-22 | 2017-12-26 | 复旦大学 | 基于数据多样性和任务多样性的轮胎企业销售预测方法 |
| CN109065140A (zh) * | 2018-09-12 | 2018-12-21 | 佛山市第二人民医院（佛山市便民医院） | 一种医疗设备单机经济效益大数据分析方法及装置 |
| CN110096036A (zh) * | 2018-01-29 | 2019-08-06 | 阿里巴巴集团控股有限公司 | 一种设备状态的确定方法、装置及设备 |
| US20190279281A1 (en) * | 2018-03-12 | 2019-09-12 | Ebay Inc. | Heterogeneous data stream processing for a smart cart |
| CN110556180A (zh) * | 2018-05-31 | 2019-12-10 | 北京绪水互联科技有限公司 | 医疗设备效益分析方法及系统、用于医疗设备效益分析的服务器及电子装置 |
| CN110827968A (zh) * | 2018-08-08 | 2020-02-21 | 北京绪水互联科技有限公司 | 基于大数据的医疗设备评价方法、系统及电子装置和服务器 |
| CN111191838A (zh) * | 2019-12-27 | 2020-05-22 | 赛腾机电科技（常州）有限公司 | 一种集成人工智能算法的工业设备状态管控方法和装置 |
-
2020
- 2020-08-25 CN CN202010862812.2A patent/CN112002403B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107515898A (zh) * | 2017-07-22 | 2017-12-26 | 复旦大学 | 基于数据多样性和任务多样性的轮胎企业销售预测方法 |
| CN110096036A (zh) * | 2018-01-29 | 2019-08-06 | 阿里巴巴集团控股有限公司 | 一种设备状态的确定方法、装置及设备 |
| US20190279281A1 (en) * | 2018-03-12 | 2019-09-12 | Ebay Inc. | Heterogeneous data stream processing for a smart cart |
| CN110556180A (zh) * | 2018-05-31 | 2019-12-10 | 北京绪水互联科技有限公司 | 医疗设备效益分析方法及系统、用于医疗设备效益分析的服务器及电子装置 |
| CN110827968A (zh) * | 2018-08-08 | 2020-02-21 | 北京绪水互联科技有限公司 | 基于大数据的医疗设备评价方法、系统及电子装置和服务器 |
| CN109065140A (zh) * | 2018-09-12 | 2018-12-21 | 佛山市第二人民医院（佛山市便民医院） | 一种医疗设备单机经济效益大数据分析方法及装置 |
| CN111191838A (zh) * | 2019-12-27 | 2020-05-22 | 赛腾机电科技（常州）有限公司 | 一种集成人工智能算法的工业设备状态管控方法和装置 |
Non-Patent Citations (3)
| Title |
|---|
| 伍平阳;林意群;林木炎;: "基于数据挖掘技术的决策树算法在医疗设备绩效预测中的应用", 中国组织工程研究与临床康复, no. 09, pages 1689 - 1692 * |
| 吴晓玲等: ""基于人工神经网络的大型科学仪器管理绩效评价模型"", 《科技资讯》, no. 35, pages 7 - 8 * |
| 谢晓添;郑阳;蓝华青;赵超颖;: "医疗设备管理的前瞻性效益评估模型构建及应用分析", 中国医学装备, no. 03, pages 135 - 138 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112837794A (zh) * | 2021-01-12 | 2021-05-25 | 山东众阳健康科技集团有限公司 | 一种高值医用耗材智能评估方法及系统 |
| CN112837794B (zh) * | 2021-01-12 | 2023-11-14 | 众阳健康科技集团有限公司 | 一种高值医用耗材智能评估方法及系统 |
| CN113160976A (zh) * | 2021-04-29 | 2021-07-23 | 上海商汤智能科技有限公司 | 基于SaaS服务的医疗数据处理方法、装置及电子设备 |
| CN113610415A (zh) * | 2021-08-13 | 2021-11-05 | 北京惠泽智信科技有限公司 | 一种核磁设备综合评价方法及系统 |
| CN113610415B (zh) * | 2021-08-13 | 2024-05-10 | 北京惠泽智信科技有限公司 | 一种核磁设备综合评价方法及系统 |
| CN117174260A (zh) * | 2023-11-02 | 2023-12-05 | 四川省肿瘤医院 | 医疗影像数据管理系统及数据分析方法 |
| CN117174260B (zh) * | 2023-11-02 | 2024-01-30 | 四川省肿瘤医院 | 医疗影像数据管理系统及数据分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112002403B (zh) | 2024-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112002403B (zh) | 用于医疗设备的量化评估方法、装置、设备及存储介质 | |
| US20150134569A1 (en) | Domain-specific syntactic tagging in a functional information system | |
| US20070255646A1 (en) | Methods and Systems for Multi-Credit Reporting Agency Data Modeling | |
| US10083263B2 (en) | Automatic modeling farmer | |
| Gupta et al. | Prediction of research trends using LDA based topic modeling | |
| Ezzeldin et al. | Metaresearching structural engineering using text mining: Trend identifications and knowledge gap discoveries | |
| Braun | Evaluation of Big Data maturity models–a benchmarking study to support Big Data maturity assessment in organizations | |
| Buriboev et al. | Application of fuzzy logic for problems of evaluating states of a computing system | |
| Mehmood et al. | Managing data diversity on the internet of medical things (IoMT) | |
| Xu et al. | Web mining for financial market prediction based on online sentiments | |
| CN116402228A (zh) | 一种基于因果推理的股票趋势预测方法及装置 | |
| Cetera et al. | Potential for the use of large unstructured data resources by public innovation support institutions | |
| Park et al. | A new forecasting system using the latent dirichlet allocation (LDA) topic modeling technique | |
| Olszak et al. | Big Data Approach to Analyzing the IT Job Market | |
| CN114510575A (zh) | 关系发现和量化 | |
| CN113849618A (zh) | 基于知识图谱的策略确定方法、装置、电子设备及介质 | |
| CN113987351A (zh) | 基于人工智能的智能推荐方法、装置、电子设备及介质 | |
| KR101918359B1 (ko) | 인공지능 기반의 데이터 처리 시스템 | |
| CN113240325A (zh) | 数据处理方法、装置、设备及存储介质 | |
| PANKOWSKA | Big Data Governance | |
| Smibi et al. | Modeling compensation of data science professionals in BRIC nations | |
| Şahinarslan et al. | Machine learning algorithms to forecast population: Turkey example | |
| US20220156270A1 (en) | Data-Driven Academia and Industry Matching Platform | |
| Wu et al. | Metricizing policy texts: Comprehensive dataset on China’s Agri-policy intensity spanning 1982–2023 | |
| Mukhin | Big Data and Analytics: The case study of students mobility |
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 |