CN112259250A - 基于传染病的医疗资源预测方法、装置、设备及介质 - Google Patents

基于传染病的医疗资源预测方法、装置、设备及介质 Download PDF

Info

Publication number
CN112259250A
CN112259250A CN202011178856.XA CN202011178856A CN112259250A CN 112259250 A CN112259250 A CN 112259250A CN 202011178856 A CN202011178856 A CN 202011178856A CN 112259250 A CN112259250 A CN 112259250A
Authority
CN
China
Prior art keywords
cases
target
admission
target degree
case
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
Application number
CN202011178856.XA
Other languages
English (en)
Other versions
CN112259250B (zh
Inventor
梁世浩
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.)
Yidu Cloud Beijing Technology Co Ltd
Original Assignee
Yidu Cloud Beijing Technology 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 Yidu Cloud Beijing Technology Co Ltd filed Critical Yidu Cloud Beijing Technology Co Ltd
Priority to CN202210835572.6A priority Critical patent/CN115223723A/zh
Priority to CN202011178856.XA priority patent/CN112259250B/zh
Publication of CN112259250A publication Critical patent/CN112259250A/zh
Application granted granted Critical
Publication of CN112259250B publication Critical patent/CN112259250B/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
    • 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
    • G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Databases & Information Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本公开实施例提供了一种基于传染病的医疗资源预测方法、装置、电子设备及计算机可读存储介质，属于医疗数据技术领域，该基于传染病的医疗资源预测方法包括：获取单位时间内目标疾病对应的入院病例数量，并获取目标程度入院病例数量占所述入院病例数量的比例；根据所述入院病例数量以及目标程度入院病例占所述入院病例数量的比例，以及异常病例预测数量，动态预测目标时刻的病例数量；根据所述目标时刻的病例数量以及所述目标时刻的病例数量对应的资源需求关系，对所述目标时刻需要的目标疾病资源的数量进行预测，以得到预测结果。本公开实施例能够提高目标疾病资源数量预测的准确性。

Description

基于传染病的医疗资源预测方法、装置、设备及介质
技术领域
本公开实施例涉及医疗数据技术领域，具体而言，涉及一种基于传染病的医疗资源预测方法、基于传染病的医疗资源预测装置、电子设备及计算机可读存储介质。
背景技术
一个国家或地区发生传染疫情之后，根据预测疫情的感染人数和未来走势确定每个医疗机构需要的资源对于控制疫情具有极其重要的意义。
相关技术中，一般都是为每一个医疗机构分配固定数量的资源。在这种方式中，由于每个医疗机构的传染病的病例数量是动态变化的，而分配固定数量的资源可能导致资源过多或者是资源缺失的问题，具有一定的局限性，可能存在一定的误差，使得计算的资源数量的准确性和可靠性较差，导致资源分配不合理。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本发明的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开实施例的目的在于提供一种基于传染病的医疗资源预测方法、基于传染病的医疗资源预测装置、电子设备及计算机可读存储介质，进而至少在一定程度上克服资源预测结果准确性较差的问题。
本公开实施例的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。
根据本公开实施例的一个方面，提供一种基于传染病的医疗资源预测方法，包括：获取单位时间内目标疾病对应的入院病例数量，并获取目标程度入院病例数量占所述入院病例数量的比例；根据所述入院病例数量以及目标程度入院病例占所述入院病例数量的比例，以及异常病例预测数量，动态预测目标时刻的病例数量；根据所述目标时刻的病例数量以及所述目标时刻的病例数量对应的资源需求关系，对所述目标时刻需要的目标疾病资源的数量进行预测，以得到预测结果。
在本公开的一种示例性实施例中，所述根据所述入院病例数量以及目标程度入院病例占所述入院病例数量的比例，以及异常病例预测数量，动态预测目标时刻的病例数量，包括：根据所述入院病例数量以及目标程度入院病例占所述入院病例数量的比例，以及异常病例预测数量，动态预测目标时刻的非目标程度病例数量；根据所述入院病例数量以及目标程度入院病例占所述入院病例数量的比例，以及异常病例预测数量，动态预测目标时刻的目标程度病例数量；根据所述目标程度病例数量和所述非目标程度病例数量，共同预测所述目标时刻的病例数量。
在本公开的一种示例性实施例中，所述根据所述入院病例数量以及目标程度入院病例占所述入院病例数量的比例，以及异常病例预测数量，动态预测目标时刻的非目标程度病例数量，包括：获取非目标程度入院病例数量，并确定非目标程度转换为目标程度的转换病例数量，以根据所述非目标程度入院病例数量和所述转换病例数量确定非目标程度新增数量；根据所述非目标程度新增数量以及所述目标时刻的非目标程度出院数量，获取所述非目标程度病例数量。
在本公开的一种示例性实施例中，所述根据所述入院病例数量以及目标程度入院病例占所述入院病例数量的比例，以及异常病例预测数量，动态预测目标时刻的目标程度病例数量，包括：获取非目标程度转换为目标程度的转换病例数量，并获取单位时间的目标程度异常病例数量，以确定目标程度新增数量；根据目标程度新增数量以及目标时刻的目标程度出院数量，获取目标程度病例数量。
在本公开的一种示例性实施例中，所述方法还包括：通过训练好的病例转换预测模型对所述非目标程度病例的医疗数据进行特征提取，确定所述非目标程度病例属于转换病例的概率，以根据所述属于转换病例的概率确定所述转换病例数量。
在本公开的一种示例性实施例中，所述方法还包括：通过训练好的异常病例预测模型对所述目标程度病例的医疗数据进行特征提取，确定所述目标程度病例属于异常病例的概率，以根据所述属于异常病例的概率确定所述目标程度异常病例数量。
在本公开的一种示例性实施例中，所述根据所述目标时刻的病例数量以及所述目标时刻的病例数量的类型对应的资源需求关系，对所述目标时刻需要的目标疾病资源的数量进行预测，以得到预测结果，包括：将每种类型的所述目标时刻的病例数量，与所述类型对应的平均资源需求量进行逻辑运算，以得到所述预测结果。
根据本公开的一个方面，提供一种基于传染病的医疗资源预测装置，包括：病例数量获取模块，用于获取单位时间内目标疾病对应的入院病例数量，并获取目标程度入院病例数量占所述入院病例数量的比例；病例数量预测模块，用于根据所述入院病例数量以及目标程度入院病例占所述入院病例数量的比例，以及异常病例预测数量，动态预测目标时刻的病例数量；资源数量预测模块，用于根据所述目标时刻的病例数量以及所述目标时刻的病例数量对应的资源需求关系，对所述目标时刻需要的目标疾病资源的数量进行预测，以得到预测结果。
根据本公开的一个方面，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如上述任意一项所述的基于传染病的医疗资源预测方法。
根据本公开的一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的基于传染病的医疗资源预测方法。
本公开实施例提供的基于传染病的医疗资源预测方法、装置、电子设备和计算机可读存储介质中，通过单位时间内目标疾病的入院病例数量中目标程度入院病例数量的比例，确定目标时刻对应的目标程度病例数量和非目标程度病例数量组成的病例数量，进一步可以分别根据病例数量以及对应的资源需求关系来对目标时刻需要的目标疾病资源的数量进行预测，得到预测结果。一方面，由于可以动态确定目标程度病例数量和非目标程度病例数量，因此能够准确地确定动态病例数量，从而使得能够根据准确的数量来动态确定资源的数量，避免了局限性，增加了应用范围。另一方面，由于在动态确定目标时刻的病例数量的基础上，能够根据病例数量和对应的资源关系来对目标时刻需要的目标疾病资源的数量进行预测，减小了误差，因此提高了资源数据预测的准确性和可靠性，能够实现合理分配资源。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。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。在附图中：
图1示意性示出了本公开实施例的用于执行基于传染病的医疗资源预测方法的系统架构图。
图2示意性示出了本公开实施例的基于传染病的医疗资源预测方法的流程示意图。
图3示意性示出了本公开实施例的确定非目标程度病例数量的流程示意图。
图4示意性示出了本公开实施例中确定目标程度病例数量的示意图。
图5示意性示出了本公开实施例中基于传染病的医疗资源预测的整体流程示意图。
图6示意性示出了根据本公开实施例的基于传染病的医疗资源预测装置的框图。
图7示意性示出了用来实现上述基于传染病的医疗资源预测方法的电子设备的框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本发明的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
图1中示意性示出了用于执行本公开实施例中的传染病资源处理方法的系统架构图。
如图1所示，系统架构100可以包括第一端101、网络102、第二端103。其中，第一端101可以是客户端，例如可以为各种具有计算功能和数据处理功能的手持设备(智能手机)、台式计算机等等。网络102用以在第一端101和第二端103之间提供通信链路的介质，网络102可以包括各种连接类型，例如有线通信链路、无线通信链路等等，在本公开实施例中，第一端101和第二端103之间的网络102可以是有线通信链路，例如可以通过串口连接线提供通信链路，也可以是无线通信链路，通过无线网络提供通信链路。第二端103可以是客户端，例如便携式计算机、台式计算机、智能手机等具有数据处理功能的终端设备，用于根据第一段输入的数据来预测目标时刻需要的目标疾病资源的数量。其中，当第一端和第二端均为客户端时，二者可以为同一个客户端。第二端也可以为服务器，此处不做限定。
应该理解，图1中的第一端、网络和第二端的数目仅仅是示意性的。根据实现需要，可以具有任意数目的客户端、网络和服务器。
需要说明的是，本公开实施例所提供的基于传染病的医疗资源预测方法可以完全由第二端执行，相应地，基于传染病的医疗资源预测装置可设置于第二端103中。
基于上述系统架构，本公开实施例中提供了一种基于传染病的医疗资源预测方法，该基于传染病的医疗资源预测方法可以应用于对医疗数据进行处理从而对目标疾病对应的医疗资源的数量进行预测的应用场景。第一端获取目标医疗机构在单位时间内的入院病例数量以及目标程度入院病例数量的比例，将其发送至第二端，以使得第二端来动态确定目标时刻的目标程度病例数量和非目标程度病例数量，进而第二端可以根据该动态病例数量来预测目标时刻需要的目标疾病资源的数量。该基于传染病的医疗资源预测方法的执行主体可以为服务器或者是具有计算能力的终端，参考图2所示，该基于传染病的医疗资源预测方法包括步骤S210至步骤S230，详细介绍如下：
在步骤S210中，获取单位时间内目标疾病对应的入院病例数量，并获取目标程度入院病例数量占所述入院病例数量的比例；
在步骤S220中，根据所述入院病例数量以及目标程度入院病例占所述入院病例数量的比例，以及异常病例预测数量，动态预测目标时刻的病例数量；
在步骤S230中，根据所述目标时刻的病例数量以及所述目标时刻的病例数量对应的资源需求关系，对所述目标时刻需要的目标疾病资源的数量进行预测，以得到预测结果。
本公开实施例提供的基于传染病的医疗资源预测方法中，一方面，由于可以动态确定目标程度病例数量和非目标程度病例数量，因此能够准确地确定动态病例数量，从而使得能够根据准确的数量来动态确定资源的数量，避免了局限性，增加了应用范围。另一方面，由于在动态确定目标时刻的病例数量的基础上，能够根据病例数量和对应的资源关系来对目标时刻需要的目标疾病资源的数量进行预测，减小了误差，因此提高了资源数据预测的准确性和可靠性，能够实现合理分配资源。
接下来，结合附图对本公开实施例中的基于传染病的医疗资源预测方法进行详细的解释说明。
在步骤S210中，获取单位时间内目标疾病对应的入院病例数量，并获取目标程度入院病例数量占所述入院病例数量的比例。
本公开实施例中，目标疾病可以为具有传染性的疾病(传染病)，例如可以为各种类型的疫情或者是各种具有传染性的流感等等。目标疾病可以针对某一个区域而言，也可以针对所有区域而言，此处不做限定。单位时间例如可以为每日，也可以为每两天或者是每周等等，入院病例数量指的是每日进入医疗机构的目标疾病的患者的数量，其可以为从其他医疗机构转入的已确诊目标疾病的患者或者是新确诊目标疾病的患者。医疗机构可以为医院或者医疗中心等与目标疾病关联的机构。
入院病例在进入目标医疗机构后，可以根据病例的体征参数等对入院病例进行分类，以将其划分为目标程度病例或者是非目标程度病例。具体地，可以按照体征参数中的与目标疾病相关的指标参数的大小来划分目标程度病例和非目标程度病例。进一步地，可以确定目标程度病例数量以及非目标程度病例数量。其中，目标程度病例为重症病例(例如指标参数大于等于指标阈值的病例)，非目标程度病例为轻症病例(例如指标参数小于指标阈值的病例)。
具体地，可以将每天入院病例数量表示为xt，将目标程度入院病例数量占入院病例数量的比例表示为θ。进一步地，可以根据入院病例数量，以及目标程度入院病例数量占所述入院病例数量的比例，来进行后续数据处理操作。
在步骤S220中，根据所述入院病例数量以及目标程度入院病例占所述入院病例数量的比例，以及异常病例预测数量，动态预测目标时刻的病例数量。
本公开实施例中，在获取的入院病例数量，以及目标程度入院病例数量占所述入院病例数量的比例的基础上，可以动态计算目标时刻的病例数量。此处的目标时刻的病例数量指的是目标时刻处于就诊状态或者是在院的所有病例数量。目标时刻可以为当前时刻之后的任意时刻，例如可以用t时刻来表示。
由于入院病例类型包括目标程度病例和非目标程度病例，因此目标时刻的病例数量也可以包括目标程度病例数量以及非目标程度病例数量。目标程度病例数量指的是目标时刻处于就诊状态或者是在院的重症病例数量。非目标程度病例数量指的是目标时刻处于就诊状态或者是在院的轻症病例数量。进一步地，可以根据目标程度病例数量以及非目标程度病例数量来共同预测目标时刻的病例数量。
其中，异常病例指的是病例状态发生变化即体征参数中指标参数的程度发生变化的病例，具体可以包括不同程度之间的转换，例如非目标程度病例转换为目标程度病例的转换病例。异常病例还可以包括目标程度转换为异常状态的情况。此处的异常状态例如可以为目标程度异常状态(死亡状态)。基于此，异常病例例如可以为目标程度病例转换为目标程度异常病例(即重症病例转换为死亡病例)，本公开实施例中不限于此。
需要说明的是，转换病例数量可以根据训练好的病例转换预测模型而确定。病例转换预测模型可以为深度学习模型或者是其他能够分类的模型，此处以深度学习模型为例进行说明。
为了提高预测的准确性，可以对深度学习模型进行训练，得到训练好的病例转换预测模型。训练过程可以包括：可以将第一历史数据作为机器学习模型的输入，通过深度学习模型确定第一历史数据的参考预测结果，此处的参考预测结果可以为历史数据属于非目标程度转换为目标程度的转换病例的概率。其中，第一历史数据可以为历史非目标程度病例的医疗数据。可以对历史非目标程度病例的医疗数据进行特征提取，以得到历史特征数据。举例而言，对于病例A来说，历史特征数据可以包括姓名、身份证号以及体征指标等。可以将体征指标输入至深度学习模型，以确定该医疗数据属于转换病例的概率表示的参考预测结果。如果属于转换病例的概率大于第一阈值，则可以认为属于转换病例。进一步地，可以根据病例A的医疗数据确定真实结果，真实结果可以为属于转换病例或者是不属于转换病例。并且，可以按照医疗数据的真实结果以及参考预测结果来对深度学习模型的参数进行调整和训练，直至通过机器学习模型得到的医疗数据的参考预测结果与真实结果一致为止，并将结果一致时的参数作为深度学习模型最终的参数，形成训练好的深度学习模型作为训练好的病例转换预测模型。
在得到训练好的病例转换预测模型后，可以将入院病例的特征数据输入至深度学习模型中，以通过卷积操作等处理过程预测入院病例属于转换病例的概率，进而根据概率大于第一阈值的数量来确定转换病例数量。需要说明的是，病例转换预测模型可以用于对非目标程度病例转换为目标程度病例的过程进行预测，而不能对目标程度病例转换为异常病例的过程进行预测。
目标程度异常病例数量可以根据训练好的异常病例预测模型而确定。异常病例预测模型可以为机器学习模型或者是其他能够分类的模型，此处以机器学习模型为例进行说明。训练过程可以包括：将第二历史数据作为机器学习模型的输入，通过机器学习模型确定第二历史数据的状态预测结果，此处的状态预测结果可以为第二历史数据属于异常状态(例如死亡)的概率。其中，第二历史数据可以为历史目标程度病例的医疗数据。可以对历史非目标程度病例的医疗数据进行特征提取，以得到其对应的历史特征数据。举例而言，对于病例B来说，历史特征数据可以包括姓名、身份证号以及体征指标等。可以将体征指标输入至机器学习模型，以确定该医疗数据属于异常病例的概率表示的状态预测结果。如果属于异常病例的概率大于第二阈值，则可以认为属于异常病例。进一步地，可以根据病例B的医疗数据确定真实结果，真实结果可以为属于异常病例或者是不属于异常病例。并且，可以按照医疗数据的真实结果以及状态预测结果来对机器学习模型的参数进行调整和训练，直至通过机器学习模型得到的医疗数据状态预测结果与真实结果一致为止，并将结果一致时的参数作为机器学习模型最终的参数，形成训练好的机器学习模型作为训练好的异常病例预测模型。
在得到训练好的异常病例预测模型后，可以将入院病例中目标程度病例的特征数据输入至机器学习模型中，以通过卷积操作等处理过程预测目标程度病例属于异常病例的概率，进而根据概率大于第二阈值的数量来确定异常病例数量。需要说明的是，异常病例预测模型可以用于对目标程度病例转换为异常病例进行预测，而不能对非目标程度病例转换为目标程度病例的过程进行预测。
除此之外，转换病例数量以及目标程度异常病例数量也可以根据历史统计比例来确定，此处不做具体限定。
本公开实施例中，通过异常病例预测模型预测转换病例数量，能够准确地预测未来轻症转重症的病例数量；通过异常病例预测模型确定目标程度异常病例数量，能够准确地预测未来重症转死亡的病例数量。因此，能够动态预测病例状态改变，以便于准确地预测病例数量变化。
图3中示意性示出了确定非目标程度病例数量的流程图，参考图3中所示，主要包括以下步骤：
在步骤S310中，获取非目标程度入院病例数量，并确定非目标程度转换为目标程度的转换病例数量，以根据所述非目标程度入院病例数量和所述转换病例数量确定非目标程度新增数量。
本步骤中，非目标程度转换为目标程度指的是由轻症转为重症，因此转换病例数量指的是轻症转为重症的病例数量。非目标程度新增数量指的是每日非目标程度的变化数量，具体可以根据每日非目标程度入院病例数量与转换病例数量之差得到。
在步骤S320中，根据所述非目标程度新增数量以及所述目标时刻的非目标程度出院数量，获取所述非目标程度病例数量。
本步骤中，可以根据累加的非目标程度新增数量减去累加的非目标程度出院数量，得到目标时刻处于就诊状态的非目标程度病例数量。非目标程度出院数量指的是离开该医疗机构且完成就诊状态的轻症数量。
举例而言，可以根据每日入院病例数量xt和入院重症比例θ，计算非目标程度入院病例数量(即每日入院轻症人数)为xt(1-θ)，非目标程度入院病例数量每日轻症转重症的人数为pt。基于文献与已有数据，可以假设非目标程度病例住院时长满足gamma分布，非目标程度病例住院时长的概率密度函数为g(t)。在此基础上，可以根据非目标程度病例住院时长的概率分布构建t时刻的非目标程度病例数量Qt的更新方程式，以确定目标时刻的轻症住院人数Qt，如公式(1)所示：
Figure BDA0002749527660000101
其中，t时刻非目标程度新增数量为xt(1-θ)-pt，t时刻非目标程度出院数量为：每个在院非目标程度病例乘以其已经住院的天数t-τ对应gamma分布的值即t时刻的出院概率，而后求和。累加的新增轻症减去累加的出院轻症得到t时刻在院轻症人数。
由于gamma分布为连续型分布，因此利用对概率密度函数g(t)分段积分的方法，对gamma概率分布进行离散化，计算每一个非目标程度病例在目标时刻t的出院概率。分段积分公式如公式(2)所示：
Figure BDA0002749527660000111
图4中示意性示出了确定目标程度病例数量的流程图，参考图4中所示，主要包括以下步骤：
在步骤S410中，获取非目标程度转换为目标程度的转换病例数量，并获取单位时间的目标程度异常病例数量，以确定目标程度新增数量。
本步骤中，非目标程度转换为目标程度指的是由轻症转为重症，因此转换病例数量指的是轻症转为重症的病例数量。目标程度新增数量指的是每日目标程度的变化数量，具体可以根据每日目标程度入院病例数量、非目标程度转换为目标程度的转换病例数量之和与目标程度异常病例数量之差得到。
在步骤S420中，根据目标程度新增数量以及目标时刻的目标程度出院数量，获取目标程度病例数量。
本步骤中，可以根据累加的目标程度新增数量减去累加的目标程度出院数量，得到目标时刻处于就诊状态的目标程度病例数量。目标程度出院数量指的是完成就诊状态的目标程度病例数量。
具体而言，根据每日入院病例数量xt和目标程度入院病例数量占所述入院病例数量的比例θ，可计算每日目标程度入院病例为xtθ，每日转换病例数量为pt。每日目标程度异常病例数量为dt。因此每日目标程度新增数量为xtθ+pt-dt。基于文献与已有数据，可以假设目标程度病例住院时长满足gamma分布，目标程度病例住院时长的概率密度函数为γ(t)。在此基础上，可以根据目标程度病例住院时长的概率分布构建t时刻的目标程度病例数量(重症住院人数)It的更新方程式，以确定目标时刻的重症住院人数It，如公式(3)所示：
Figure BDA0002749527660000121
t时刻新增目标程度病例数量为xtθ+pt-dt，t时刻目标程度出院数量，为每个在院目标程度病例乘以其已经住院的天数t-τ对应gamma分布的值即t时刻的出院概率，而后求和。累加的新增重症减去累加的出院重症得到t时刻在院重症人数。
由于gamma分布为连续型分布，因此利用对概率密度函数γ(t)分段积分的方法，对gamma概率分布进行离散化，计算每一个目标程度病例在目标时刻t的出院概率。分段积分公式如公式(4)所示：
Figure BDA0002749527660000122
需要说明的是，目标程度病例和非目标程度病例的住院时长分布也可以用平均住院时长来表示，但本公开实施例中主要以概率分布为例进行说明。
本公开实施例中的技术方案，能够基于对应的预测模型和概率分布，确定出各类型(非目标程度和目标程度)的新增数量以及出院数量，进而准确预测目标时刻的目标程度病例数量以及非目标程度病例数量，从而准确预测病例数量随时间的动态变化情况。
接下来，继续参考图2中所示，在步骤S230中，根据所述目标时刻的病例数量以及所述目标时刻的病例数量对应的资源需求关系，对所述目标时刻需要的目标疾病资源的数量进行预测，以得到预测结果。
本公开实施例中，在确定出目标时刻的病例数量后，可以根据病例数量以及目标时刻的病例数量对应的资源需求关系，来对目标疾病资源的数量进行预测。资源需求关系用于描述病例数量以及资源数量之间的对应关系，可以为二者之间的比例等等。且不同类型的病例，其对应的资源需求关系也不同。例如，目标程度病例的资源需求关系大于非目标程度病例的资源需求关系。
目标疾病资源可以包括消耗型资源以及重复型资源，其中消耗型资源可以包括但不限于核酸检测、口罩、防护服、药品、试剂等等，重复型资源例如可以包括医护人员、床位、呼吸机等资源。
具体地，可以按照预设时长内，每个病例对每种目标疾病资源的损耗量，来计算每种类型的病例的平均资源损耗量，并且可以直接将该平均资源损耗量确定为平均资源需求量。其中，平均资源损耗量可以随着时间变化进行定时更新。进一步地，可以将每种类型的所述目标时刻的病例数量，与所述类型对应的平均资源需求量进行例如乘法操作或者是加权求和等逻辑运算，得到多种类型的病例数量在目标时刻的资源需求量，以得到目标疾病资源的预测结果。
也就是说，基于医疗部门历史统计数据，可知每个轻症或重症平均损耗量，以及医护人员、床位、呼吸机等资源的平均占用量。结合轻症和重症的在院、出院、总人数随时间的动态变化，可预测目标时刻t的目标疾病资源需求量，也可预测未来任意时刻的目标疾病资源需求量。
图5中示意性示出了基于传染病的医疗资源预测的整体流程图，参考图5中所示，主要包括：
在步骤S501中，获取输入数据。输入数据为每日入院病例数量以及目标程度入院病例数量占所述入院病例数量的比例。
在步骤S502中，对每日入院病例进行分诊分类，得到目标程度病例和非目标程度病例。
在步骤S503中，非目标程度病例的具体情况。其中，首先确定非目标程度新增数量，然后根据电子病历数据输入至深度学习模型进行训练，得到病例转换预测模型，进而得到转换病例数量。
在步骤S504中，非目标程度病例动态预测。其中，住院时长满足gamma分布，根据更新方程得到目标时刻的非目标程度病例数量。
在步骤S505中，目标程度病例的具体情况。其中，首先确定目标程度新增数量，然后根据电子病历数据输入至机器学习模型进行训练，得到异常病例预测模型，进而得到目标程度异常病例数量。
在步骤S506中，目标程度病例动态预测。其中，住院时长满足gamma分布，根据更新方程得到目标时刻的目标程度病例数量。
在步骤S507中，根据历史数据得到平均资源需求量，例如人均占用医护人员数、医疗设备、医疗物资以及费用支出。
在步骤S508中，根据病例统计得到资源消耗和资源占用。病例统计包括在院人数、出院人数以及死亡人数。资源消耗包括核酸检测、口罩、防护服、药品、医保费用等。资源占用包括医护人员、护士人数、床位、呼吸机、人工肺、影像等。
本公开实施例中的技术方案，以每日入院病例数量为输入，基于概率分布和病例转换预测模型、异常病例预测模型、计算医疗机构内病例随时间的动态变化，结合历史统计数据，计算资源消耗、占用量，同时预估未来资源需求，能够准确地计算疫情动态变化下的资源需求量。并且能够准确预测目标疾病资源需求量，提高资源需求量预测的准确性和可靠性。在此基础上，能够合理分配目标疾病资源，为资源的配置提供参考，避免局限性。并且，能够为政府的宏观调控提供参考，准确地估算资源需求量，可提前为不同疫情状态下，各医疗机构配置合适的医护人员以及医疗物资量等，预估经济损耗。并且，本公开实施例中的方法可以应用于各个区域(例如一个城市、一个省或者是一个国家等等)，增加了应用范围，提高了普适性。
基于每日入院感染病例人数，利用预测模型和动态算法，计算在院病例人数随时间的动态变化。进而基于医疗历史数据，计算随着时间变化，在院轻症病例人数、在院重症人数和院内医疗资源的损耗与占用随着时间的动态变化，能够更精准地对目标疾病在目标时刻需要的医疗资源的数量进行动态预测，为医疗资源的调配提供参考和预警，能够实现合理准确分配医疗资源的功能。
本公开实施例中，还提供了一种基于传染病的医疗资源预测装置，参考图6中所示，该基于传染病的医疗资源预测装置600可以包括以下模块：
病例数量获取模块601，用于获取单位时间内目标疾病对应的入院病例数量，并获取目标程度入院病例数量占所述入院病例数量的比例；
病例数量预测模块602，用于根据所述入院病例数量以及目标程度入院病例占所述入院病例数量的比例，以及异常病例预测数量，动态预测目标时刻的病例数量；
资源数量预测模块603，用于根据所述目标时刻的病例数量以及所述目标时刻的病例数量对应的资源需求关系，对所述目标时刻需要的目标疾病资源的数量进行预测，以得到预测结果。
在本公开的一种示例性实施例中，病例数量预测模块包括：非目标程度预测模块，用于根据所述入院病例数量以及目标程度入院病例占所述入院病例数量的比例，以及异常病例预测数量，动态预测目标时刻的非目标程度病例数量；目标程度病例预测模块，用于根据所述入院病例数量以及目标程度入院病例占所述入院病例数量的比例，以及异常病例预测数量，动态预测目标时刻的目标程度病例数量；预测控制模块，用于根据所述目标程度病例数量和所述非目标程度病例数量，共同预测所述目标时刻的病例数量。
在本公开的一种示例性实施例中，非目标程度预测模块被配置为：获取非目标程度入院病例数量，并确定非目标程度转换为目标程度的转换病例数量，以根据所述非目标程度入院病例数量和所述转换病例数量确定非目标程度新增数量；根据所述非目标程度新增数量以及所述目标时刻的非目标程度出院数量，获取所述非目标程度病例数量。
在本公开的一种示例性实施例中，目标程度预测模块被配置为：获取非目标程度转换为目标程度的转换病例数量，并获取单位时间的目标程度异常病例数量，以确定目标程度新增数量；根据目标程度新增数量以及目标时刻的目标程度出院数量，获取目标程度病例数量。
在本公开的一种示例性实施例中，所述装置还包括：转换病例数量预测模块，用于通过训练好的病例转换预测模型对所述非目标程度病例的医疗数据进行特征提取，确定所述非目标程度病例属于转换病例的概率，以根据所述属于转换病例的概率确定所述转换病例数量。
在本公开的一种示例性实施例中，所述装置还包括：异常病例预测模块，用于通过训练好的异常病例预测模型对所述目标程度病例的医疗数据进行特征提取，确定所述目标程度病例属于异常病例的概率，以根据所述属于异常病例的概率确定所述目标程度异常病例数量。
在本公开的一种示例性实施例中，资源数量预测模块被配置为：将每种类型的所述目标时刻的病例数量，与所述类型对应的平均资源需求量进行逻辑运算，以得到所述预测结果。
需要说明的是，本公开实施例的基于传染病的医疗资源预测装置的各个功能模块与上述基于传染病的医疗资源预测方法的示例实施例的步骤相同，因此此处不再赘述。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，尽管在附图中以特定顺序描述了本发明中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
在本发明的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图7来描述根据本发明的这种实施方式的电子设备700。图7显示的电子设备700仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示，电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于：上述至少一个处理单元710、上述至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730、显示单元740。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元710执行，使得所述处理单元710执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元710可以执行如图2中所示的步骤。
存储单元720可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)7201和/或高速缓存存储单元7202，还可以进一步包括只读存储单元(ROM)7203。
存储单元720还可以包括具有一组(至少一个)程序模块7205的程序/实用工具7204，这样的程序模块7205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线730可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备700也可以与一个或多个外部设备800(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备700交互的设备通信，和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口750进行。并且，电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器760通过总线730与电子设备700的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备700使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本发明实施方式的基于传染病的医疗资源预测方法。
在本发明的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
根据本发明的实施方式的用于实现上述方法的程序产品，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
用于执行本发明操作的程序代码可以以一种或多种程序设计语言的任意组合来编写，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其他实施例。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由权利要求指出。

Claims (10)

1.一种基于传染病的医疗资源预测方法，其特征在于，包括：
获取单位时间内目标疾病对应的入院病例数量，并获取目标程度入院病例数量占所述入院病例数量的比例；
根据所述入院病例数量以及目标程度入院病例占所述入院病例数量的比例，以及异常病例预测数量，动态预测目标时刻的病例数量；
根据所述目标时刻的病例数量以及所述目标时刻的病例数量对应的资源需求关系，对所述目标时刻需要的目标疾病资源的数量进行预测，以得到预测结果。
2.根据权利要求1所述的基于传染病的医疗资源预测方法，其特征在于，所述根据所述入院病例数量以及目标程度入院病例占所述入院病例数量的比例，以及异常病例预测数量，动态预测目标时刻的病例数量，包括：
根据所述入院病例数量以及目标程度入院病例占所述入院病例数量的比例，以及异常病例预测数量，动态预测目标时刻的非目标程度病例数量；
根据所述入院病例数量以及目标程度入院病例占所述入院病例数量的比例，以及异常病例预测数量，动态预测目标时刻的目标程度病例数量；
根据所述目标程度病例数量和所述非目标程度病例数量，共同预测所述目标时刻的病例数量。
3.根据权利要求2所述的基于传染病的医疗资源预测方法，其特征在于，所述根据所述入院病例数量以及目标程度入院病例占所述入院病例数量的比例，以及异常病例预测数量，动态预测目标时刻的非目标程度病例数量，包括：
获取非目标程度入院病例数量，并确定非目标程度转换为目标程度的转换病例数量，以根据所述非目标程度入院病例数量和所述转换病例数量确定非目标程度新增数量；
根据所述非目标程度新增数量以及所述目标时刻的非目标程度出院数量，获取所述非目标程度病例数量。
4.根据权利要求2所述的基于传染病的医疗资源预测方法，其特征在于，所述根据所述入院病例数量以及目标程度入院病例占所述入院病例数量的比例，以及异常病例预测数量，动态预测目标时刻的目标程度病例数量，包括：
获取非目标程度转换为目标程度的转换病例数量，并获取单位时间的目标程度异常病例数量，以确定目标程度新增数量；
根据目标程度新增数量以及目标时刻的目标程度出院数量，获取目标程度病例数量。
5.根据权利要求3所述的基于传染病的医疗资源预测方法，其特征在于，所述方法还包括：
通过训练好的病例转换预测模型对所述非目标程度病例的医疗数据进行特征提取，确定所述非目标程度病例属于转换病例的概率，以根据所述属于转换病例的概率确定所述转换病例数量。
6.根据权利要求4所述的基于传染病的医疗资源预测方法，其特征在于，所述方法还包括：
通过训练好的异常病例预测模型对所述目标程度病例的医疗数据进行特征提取，确定所述目标程度病例属于异常病例的概率，以根据所述属于异常病例的概率确定所述目标程度异常病例数量。
7.根据权利要求1所述的基于传染病的医疗资源预测方法，其特征在于，所述根据所述目标时刻的病例数量以及所述目标时刻的病例数量的类型对应的资源需求关系，对所述目标时刻需要的目标疾病资源的数量进行预测，以得到预测结果，包括：
将每种类型的所述目标时刻的病例数量，与所述类型对应的平均资源需求量进行逻辑运算，以得到所述预测结果。
8.一种基于传染病的医疗资源预测装置，其特征在于，包括：
病例数量获取模块，用于获取单位时间内目标疾病对应的入院病例数量，并获取目标程度入院病例数量占所述入院病例数量的比例；
病例数量预测模块，用于根据所述入院病例数量以及目标程度入院病例占所述入院病例数量的比例，以及异常病例预测数量，动态预测目标时刻的病例数量；
资源数量预测模块，用于根据所述目标时刻的病例数量以及所述目标时刻的病例数量对应的资源需求关系，对所述目标时刻需要的目标疾病资源的数量进行预测，以得到预测结果。
9.一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如权利要求1-7中任意一项所述的基于传染病的医疗资源预测方法。
10.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-7任意一项所述的基于传染病的医疗资源预测方法。
CN202011178856.XA 2020-10-29 2020-10-29 基于传染病的医疗资源预测方法、装置、设备及介质 Active CN112259250B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210835572.6A CN115223723A (zh) 2020-10-29 2020-10-29 基于传染病的医疗资源预测方法、装置、设备及介质
CN202011178856.XA CN112259250B (zh) 2020-10-29 2020-10-29 基于传染病的医疗资源预测方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011178856.XA CN112259250B (zh) 2020-10-29 2020-10-29 基于传染病的医疗资源预测方法、装置、设备及介质

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202210835572.6A Division CN115223723A (zh) 2020-10-29 2020-10-29 基于传染病的医疗资源预测方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN112259250A true CN112259250A (zh) 2021-01-22
CN112259250B CN112259250B (zh) 2022-08-12

Family

ID=74262867

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202011178856.XA Active CN112259250B (zh) 2020-10-29 2020-10-29 基于传染病的医疗资源预测方法、装置、设备及介质
CN202210835572.6A Pending CN115223723A (zh) 2020-10-29 2020-10-29 基于传染病的医疗资源预测方法、装置、设备及介质

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202210835572.6A Pending CN115223723A (zh) 2020-10-29 2020-10-29 基于传染病的医疗资源预测方法、装置、设备及介质

Country Status (1)

Country Link
CN (2) CN112259250B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102222163A (zh) * 2011-05-25 2011-10-19 中国人民解放军防化指挥工程学院 一种具有免疫期且受季节影响的传染病疫情预测方法
US20140372146A1 (en) * 2013-06-12 2014-12-18 Cerner Innovation, Inc. Determining a physiologic severity of illness score for patients admitted to an acute care facility
CN109036579A (zh) * 2018-08-22 2018-12-18 泰康保险集团股份有限公司 基于区块链的信息预测方法、装置、介质及电子设备
CN111524611A (zh) * 2020-04-24 2020-08-11 腾讯科技（深圳）有限公司 构建传染病趋势预测模型的方法、预测方法、装置及设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102222163A (zh) * 2011-05-25 2011-10-19 中国人民解放军防化指挥工程学院 一种具有免疫期且受季节影响的传染病疫情预测方法
US20140372146A1 (en) * 2013-06-12 2014-12-18 Cerner Innovation, Inc. Determining a physiologic severity of illness score for patients admitted to an acute care facility
CN109036579A (zh) * 2018-08-22 2018-12-18 泰康保险集团股份有限公司 基于区块链的信息预测方法、装置、介质及电子设备
CN111524611A (zh) * 2020-04-24 2020-08-11 腾讯科技（深圳）有限公司 构建传染病趋势预测模型的方法、预测方法、装置及设备

Also Published As

Publication number Publication date
CN115223723A (zh) 2022-10-21
CN112259250B (zh) 2022-08-12

Similar Documents

Publication Publication Date Title
US11488694B2 (en) Method and system for predicting patient outcomes using multi-modal input with missing data modalities
US20200294680A1 (en) Advanced smart pandemic and infectious disease response engine
Stone et al. A systematic review of the prediction of hospital length of stay: Towards a unified framework
US20220386967A1 (en) Systems and methods to support medical therapy decisions
CN110753971B (zh) 用于动态监测患者状况和预测不良事件的系统和方法
US11646105B2 (en) Patient predictive admission, discharge, and monitoring tool
CN109597801A (zh) 医疗数据标准化管理方法及系统、电子设备、存储介质
WO2022134650A1 (zh) 医院门诊规划方法、装置、设备及存储介质
US10325064B2 (en) Patient readmission prediction tool
WO2015022649A2 (en) Modeling of patient risk factors at discharge
US11610679B1 (en) Prediction and prevention of medical events using machine-learning algorithms
US11468996B1 (en) Maintaining stability of health services entities treating influenza
US20170024523A1 (en) Requirement Forecast for Health Care Services
RU2699607C2 (ru) Повышение эффективности и уменьшение частоты последующих лучевых исследований путем прогнозирования основания для следующего исследования
Fenn et al. Development and validation of machine learning models to predict admission from emergency department to inpatient and intensive care units
Locey et al. An interactive tool to forecast US hospital needs in the coronavirus 2019 pandemic
Gopakumar et al. Forecasting daily patient outflow from a ward having no real-time clinical data
Nazir et al. Artificial intelligence assisted acute patient journey
CN113590777A (zh) 文本信息处理方法、装置、电子设备和存储介质
CN112259250B (zh) 基于传染病的医疗资源预测方法、装置、设备及介质
Yang et al. The development and deployment of a model for hospital-level COVID-19 associated patient demand intervals from consistent estimators (DICE)
WO2023053681A1 (ja) 献血運用システムおよび学習済みモデル
US20130035963A1 (en) System and method for financial transactions between insurance service provider and medical service provider
Stone et al. A systematic review of the prediction of hospital length of stay: Towards a unified framework. PLOS Digit Health 1 (4): e0000017
US11437137B1 (en) Method, apparatus, and computer program product for using machine learning to encode a healthcare claim as a predefined sized vector

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