CN112542238A - 医院门诊规划方法、装置、设备及存储介质 - Google Patents
医院门诊规划方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112542238A CN112542238A CN202011552305.5A CN202011552305A CN112542238A CN 112542238 A CN112542238 A CN 112542238A CN 202011552305 A CN202011552305 A CN 202011552305A CN 112542238 A CN112542238 A CN 112542238A
- Authority
- CN
- China
- Prior art keywords
- outpatient
- hospital
- planning
- patient
- model
- 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 51
- 238000013145 classification model Methods 0.000 claims description 10
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 21
- 239000011159 matrix material Substances 0.000 description 13
- 230000002354 daily effect Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 201000010099 disease Diseases 0.000 description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 208000015181 infectious disease Diseases 0.000 description 5
- 230000002458 infectious effect Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction 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
Landscapes
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (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
本发明实施例公开了一种医院门诊规划方法、装置、设备及存储介质,所述方法包括:获取第一预设时间段内的医院历史数据;根据所述医院历史数据,通过第一预设模型确定第二预设时间段内的门诊规划数量;根据所述医院历史数据和所述门诊规划数量,通过第二预设模型确定所述第二预设时间段内的门诊规划位置。本发明实施例从患者和医院两个方面的因素对医院门诊资源进行规划,减少患者在医院就诊时的平均排队时间和平均步行时间,提高了患者就诊效率。
Description
技术领域
本发明实施例涉及医疗技术领域,尤其涉及一种医院门诊规划方法、装置、设备及存储介质。
背景技术
医院是医疗保健体系中必不可少的要素,对人类的健康至关重要。人们到医院就诊通常需要多个流程,当就诊人数较多时,就会造成医院拥堵,因此,如何对医院门诊资源进行规划,提高就诊效率,是大多数医院都需要解决和优化的问题。
医院门诊资源规划的两个最重要因素是医务人员调度和患者人数。一方面,医务人员调度收到很多限制,例如上班时间、病人的多少、医疗资源的多少等。另一方面,患者人数具有很大的不确定性。目前常用的医院门诊资源规划方法通常是基于固定的医院门诊分布,通过预测未来的患者人数对医务人员进行调度,这种方法仅考虑到了一个方面的因素,优化力度较弱。
发明内容
有鉴于此,本发明实施例提供一种医院门诊规划方法、装置、设备及存储介质,以通过患者和医院两个方面的因素对医院门诊资源进行规划,提高就诊效率。
第一方面,本发明实施例提供一种医院门诊规划方法,包括:
获取第一预设时间段内的医院历史数据;
根据所述医院历史数据,通过第一预设模型确定第二预设时间段内的门诊规划数量;
根据所述医院历史数据和所述门诊规划数量,通过第二预设模型确定所述第二预设时间段内的门诊规划位置。
进一步的,所述医院历史数据至少包括科室医生数量、就诊服务时长、患者行走速度和患者电子付款记录。
进一步的,根据所述医院历史数据,通过第一预设模型确定第二预设时间段内的门诊规划数量包括:
根据所述就诊服务时长确定就诊效率;
根据所述患者电子付款记录确定科室历史患者数量和科室平均排队时长;
将所述科室医生数量、所述科室历史患者数量、所述科室平均排队时长和所述就诊效率输入第一预设模型,得到第二预设时间段内的门诊规划数量。
进一步的,根据所述医院历史数据和所述门诊规划数量确定第二预设时间段内的门诊规划位置包括:
根据所述患者电子付款记录确定平均就诊距离;
将所述患者行走速度、所述科室历史患者数量、所述门诊规划数量和所述平均就诊距离输入第二预设模型,得到第二预设时间段内的门诊规划位置。
进一步的,获取第一预设时间段内的医院历史数据之后,还包括:
根据所述患者电子付款记录确定患者数量序列;
将所述患者数量序列输入预测模型,得到第一科室患者预测数量;
将所述第一科室患者预测数量输入预设分类模型,得到第二科室患者预测数量。
进一步的,根据所述医院历史数据和所述门诊规划数量确定第二预设时间段内的门诊规划位置包括:
根据所述患者电子付款记录确定平均就诊距离;
将所述患者行走速度、所述第二科室患者预测数量、所述门诊规划数量和所述平均就诊距离输入第二预设模型,得到第二预设时间段内的门诊规划位置。
进一步的,所述第一预设模型为预设双层MILP模型的第一层,所述第二预设模型为预设双层MILP模型的第二层,所述预测模型为预设时间序列模型,所述预设分类模型为预设随机森林模型。
第二方面,本发明实施例提供一种医院门诊规划装置,包括:
数据获取模块,用于获取第一预设时间段内的医院历史数据;
门诊数量确定模块,用于根据所述医院历史数据,通过第一预设模型确定第二预设时间段内的门诊规划数量;
门诊位置确定模块,用于根据所述医院历史数据和所述门诊规划数量,通过第二预设模型确定所述第二预设时间段内的门诊规划位置。
第三方面,本发明实施例提供一种电子设备,所述设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明任意实施例提供的医院门诊规划方法。
第四方面,本发明实施例提供一种运算机可读存储介质,其上存储有运算机程序,该程序被处理器执行时实现本发明任意实施例提供的医院门诊规划方法。
附图说明
图1为本发明实施例一提供的一种医院门诊规划方法的流程示意图;
图2为本发明实施例二提供的一种医院门诊规划方法的流程示意图;
图3为本发明实施例三提供的一种医院门诊规划方法的流程示意图;
图4为本发明实施例四提供的一种医院门诊规划装置的结构示意图;
图5为本发明实施例五提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理,但是其中的许多步骤可以被并行地、并发地或者同时实施。此外,各步骤的顺序可以被重新安排。当其操作完成时处理可以被终止,但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等等。
此外,术语“第一”、“第二”等可在本文中用于描述各种方向、动作、步骤或元件等,但这些方向、动作、步骤或元件不受这些术语限制。这些术语仅用于将第一个方向、动作、步骤或元件与另一个方向、动作、步骤或元件区分。术语“第一”、“第二”等而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”、“批量”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
实施例一
图1为本发明实施例一提供的一种医院门诊规划方法的流程示意图,本实施例可适用于医院门诊资源的规划。如图1所示,本发明实施例一提供的医院门诊规划方法包括:
S110、获取第一预设时间段内的医院历史数据。
具体的,医院历史数据由医院方提供,至少包括科室医生数量、就诊服务时长、患者行走速度和患者电子付款记录。科室医生数量指医院中每个科室的门诊医生的数量,如,急诊科医生数量20人,感染科医生数量10人。就诊服务时长指医院为患者提供一项具体服务的时长,例如,挂号为1分钟,面诊为5分钟,做一项检查为半小时。患者行走速度指所有患者的平均行走速度,如2m/s。患者电子付款记录中详细记录了患者在医院的各项缴费项目、疾病类型、挂号时间等。
第一预设时间段为历史时间段,第一预设时间段内的医院历史数据为第一预设时间段内每一天的医院历史数据。第一预设时间段通常取较长的一个时间段,优选为大于一个月的时间。例如,获取三个月内的医院历史数据,包括三个月内每一天的医院历史数据。
S120、根据所述医院历史数据,通过第一预设模型确定第二预设时间段内的门诊规划数量。
具体的,第一预设模型是用于确定门诊规划数量的模型。门诊规划数量是指医院内各科室所规划的门诊室数量,例如,急诊科规划5个门诊室,感染科规划3个门诊室。将医院历史数据输入到第一预设模型,第一预设模型输出第二预设时间段内的门诊规划数量。第一预设模型对输入的医院历史数据进行计算,通过规划各科室的门诊室数量,使得患者在医院就诊时的平均排队时间在一定的约束条件下达到最小,也即,第一预设模型用于对患者平均排队时间进行优化,求取患者平均排队时间最小时的各科室的门诊室数量,即门诊规划数量。
第二预设时间段为未来时间段,通常需要根据第一预设时间段的长度设置。一般的,第一预设时间段越长,第二预设时间段能够设置的时间长度也越长。第二预设时间段内的门诊规划数量表示第二预设时间段内每一天的门诊规划数量。例如,第二预设时间段为半个月,也即,将历史三个月的医院历史数据输入到第一预设模型,第一预设模型输出未来半个月内每一天的门诊规划数量。
S130、根据所述医院历史数据和所述门诊规划数量,通过第二预设模型确定所述第二预设时间段内的门诊规划位置。
具体的,第二预设模型是用于在确定了门诊规划数量的情况下,确定门诊规划位置的模型。门诊规划位置是指各科的门诊室在医院中所处的具体位置,例如,急诊科的5个门诊室具体位于医院一楼的101~105号诊室,感染科的3个门诊室具体位于医院二楼的201~203号诊室。将医院历史数据和门诊规划数量输入第二预设模型,第二预设模型输出对应的门诊规划位置。由于输入的是第二预设时间段内的门诊规划数量,故得到的自然也是第二预设时间段内的门诊规划位置。
第二预设模型对输入的医院历史数据和门诊规划数量进行计算,通过规划各科室的门诊室数量,使得患者在医院就诊时的行走时间在一定的约束条件下达到最小,也即,第一预设模型用于对患者平均行走时间进行优化,求取患者平均行走时间最小时的各科室的门诊室的具体位置,即门诊规划位置。患者平均行走时间最小相当于患者就诊时的平均移动路径最短,因此,第二预设模型也可以看成是对患者的平均移动路径进行优化,求取患者平均移动路径最短时的各科室的门诊规划位置。
基于上述步骤得到的门诊规划数量和门诊规划位置,就可以对医院的门诊资源进行重新规划,形成新的门诊布局,而新的门诊布局既考虑到了患者平均排队时间最小化,又考虑到了患者平均行走时间最小化,故而可以大幅降低患者在医院就诊时所花费的时间,提高了患者就诊效率。
本发明实施例提供的医院门诊规划方法,通过获取第一预设时间段内的医院历史数据;根据所述医院历史数据,通过第一预设模型确定第二预设时间段内的门诊规划数量;根据所述医院历史数据和所述门诊规划数量,通过第二预设模型确定所述第二预设时间段内的门诊规划位置,从患者和医院两个方面的因素对医院门诊资源进行规划,减少患者在医院就诊时的平均排队时间和平均步行时间,提高了患者就诊效率。
实施例二
图2为本发明实施例二提供的一种医院门诊规划方法的流程示意图,本实施例是对上述实施例的进一步细化。如图2所示,本发明实施例提供的医院门诊规划方法包括:
S210、获取第一预设时间段内的医院历史数据,所述医院历史数据至少包括科室医生数量、就诊服务时长、患者行走速度和患者电子付款记录。
具体的,医院历史数据至少包括科室医生数量、就诊服务时长、患者行走速度和患者电子付款记录,还可以包括科室历史门诊室布局、医院结构图等。科室历史门诊室布局体现了各科室现有的门诊室数量和位置。医院结构图主要用于计算医院各房间之间的距离,一般的,根据医院结构图确定各房间之间的曼哈顿(Manhattan Distance)距离,并将各房间之间的曼哈顿距离用矩阵形式表示,从而得到医院各房间之间的距离矩阵。
S220、根据所述就诊服务时长确定就诊效率。
具体的,就诊效率为就诊服务时长的倒数,例如,就诊服务时长为5分钟,则就诊效率为0.2(也可以记为20%)。由于就诊服务时长指医院为患者提供一项具体服务的时长,故对应的就诊效率也是一项具体服务的效率,也即一个门诊室的就诊效率。一般的,医院可以为患者提供多项服务,则就诊效率是每一项服务的对应的就诊效率,即就诊效率包括多个数据。
S230、根据所述患者电子付款记录确定科室历史患者数量和科室平均排队时长。
一般的,患者电子付款记录中详细记录了患者在医院的各项缴费项目、疾病类型、挂号时间、挂号科室等。一个患者对应一条电子付款记录,故第一预设时间段内的患者电子付款记录的数量就是历史患者数量。科室历史患者数量则表示医院各科室的历史患者数量,根据患者电子付款记录中的就诊科室对患者电子付款记录进行分类,即可得到各科室的患者电子付款记录,然后再统计各科室的患者电子付款记录的数量,即可得到各科室的历史患者数量,包括各科室在第一预设时间段内每一天的患者数量。
科室平均排队时长是指各科室患者就诊时的排队时长,其一般与各科室的门诊室数量和患者数量有关,本实施例中,根据排队理论构建排队模型来确定科室平均排队时长。
假设患者的到达时间和门诊对患者的服务时间符合负指数分布。对于每个科室,并行服务台的数量M等于开设的门诊诊所的数量。排队系统的容量和患者数量可以理解为无限大,但是门诊每天必须对所有到达的患者完成治疗。患者的排队规则设置为先到先得(FCFS,First Come First Service),因此排队模型在排队论中可表示为[M,M,n]∶[∞,∞,FCFS],则根据排队模型,可以确定第i天第k个科室开设u个门诊室的患者平均排队时间Tk,i,u(也即第i天第k个科室的平均排队时间)。计算过程如下:
其中,λk,i表示第k个科室第i天的患者到访频率;day表示医生服务时长,一般为医生的上班时长8小时(480分钟);Nk,i表示第k个科室第i天的患者人数,一般的,认为Nk,i>1。
其中,μ表示门诊室的就诊效率,μ=1/Ts,Ts为就诊服务时长。
第i天第k个科室的u个门诊室的平均排队长度Lk,i,u表示为:
其中,P0k,i,u表示系统在稳定状态下平均排队长度为0的概率分布,其计算方式如下:
那么,第i天第k个科室开设u个门诊室的患者平均排队时间Tk,i,u等于平均排队长度除以单位时间到访患者人数,如下式所示:
其中,Lk,i,u表示平均排队长度;λk,i表示第k个科室第i天的患者到访频率,uλk,i则表示第i天第k个科室的u个门诊室单位时间内的患者到访人数,λk,i的计算参考式(2-2)。当时,说明患者到访速度小于u个门诊室的处理速度,此时患者平均排队时间Tk,i,u按正常方式计算。当时,说明u个门诊室的处理速度小于患者到访速度,这样会导致平均排队长度为无穷大,容易导致计算错误,故将此时的患者平均排队时间Tk,i,u设为106,避免计算出错。
S240、将所述科室医生数量、所述科室历史患者数量、所述科室平均排队时长和所述就诊效率输入第一预设模型,得到第二预设时间段内的门诊规划数量。
具体的,将科室医生数量、科室历史患者数量、科室平均排队时长和就诊效率输入第一预设模型,第一预设模型在第一约束条件下进行计算,输出第二预设时间段内的基于最小化患者平均排队时间的门诊规划数量。第一约束条件主要包括:各科室上班医生数量上限、医生每日最长服务时长、当天患者需当天处理完以及门诊室功能一旦确定不能修改。各科室上班医生数量上限根据医院的各科室的实际情况确定。医生每日最长服务时长指医生每日工作时长,一般为8小时(480分钟)。当天患者需当天处理完是指每个门诊室需要完成当天就诊的所有患者的治疗。门诊室功能一旦确定不能修改是指,门诊室被分配至对应的科室后不能再次进行修改,例如,医院总共有20个门诊室,将其中5个门诊室分配给急诊科,则这5个门诊室不能再分配给其他科室。基于上述第一约束条件,第一预设模型对输入数据进行计算,使得各科室分配不同数量的门诊室后,患者平均排队时间为最小。
进一步的,本实施例中第一预设模型的输入为科室医生数量Pk、科室历史患者数量Nk,i、科室平均排队时长Tk,i,u和就诊效率μ,此外,医院科室数量及种类(记为科室集合I)和医院门诊室总数(记为门诊集合M)为第一预设模型的默认输入条件,第二预设时间段(记为优化日期集合DAY)设置好后也作为第一预设模型的输入。第一预设模型的输出为Qk,i,u,Qk,i,u为一个01矩阵,当Qk,i,u=1时,表示第k个科室第i天开放u个门诊室(也即科室的门诊规划数量)。第一预设模型还输出Qmaxk,u,Qmaxk,u也是01矩阵,当Qmaxk,u=1时,说明第k个科室的门诊室数量的最大值大于等于u;当Qmaxk,u=0时,说明第k个科室的门诊室数量的最大值小于u。第一预设模型还输出Qnumk,u,Qnumk,u用于统计Qmaxk,u所表示的最大值。
第一预设模型用于使患者平均排队时间最小化,其功能可以表示为:
min∑k∈I∑i∈DAY∑u∈M Qk,i,u*Nk,i*Tk,i,u (2-6)
门诊规划数量Qk,i,u显然受到Qmaxk,u的约束,而Qmaxk,u为一个单调不增矩阵,则有下式:
Qmaxk,u+1≤Qmaxk,u (2-8)
矩阵Qk,i,u与矩阵Qnumk,u的关系如下式所示:
Qnumk,j=∑uu*Qk,i,u (2-9)
Qk,i,u=0,Qnumk,j<u (2-10)
其中,j表示第j个门诊室。本实施例中,一个门诊室只有一个医生就诊,故各科室开设的门诊室数量等于科室医生数量,而每天开放的门诊室数量不能超过所有科室医生数量之和,则有下式:
Qk,i,u=0,u>Pk (2-11)
∑k∑u Qmaxk,u≤M (2-12)
显然,每一天每个科室理应只有一种门诊规划数量,则有下式:
∑u Qk,i,u=1 (2-13)
进一步的,一周内每个医生上班天数不超过5天,则总的门诊规划数量不大于5倍的医生人数,如下式所示:
∑i∑u u*Qk,i,u≤5*Pk (2-14)
上述式(2-7)~式(2-14)便为第一预设模型的约束条件。根据第一预设模型输出的Qk,i,u矩阵,即可得到第二预设时间段内的门诊规划数量。例如,第一预设模型输出Q2,1,3=1,则表示,第2个科室第1天开放3个门诊室;第2个科室具体是哪个科室,可以根据预先对科室的编号而确定,如第2个科室为感染科。
S250、根据所述患者电子付款记录确定平均就诊距离。
具体的,由于患者电子付款记录中详细记录了患者在医院的各项缴费项目,那么通过各项缴费项目,就可以推断出患者就诊时的移动路径,例如,一条患者电子付款记录的缴费项目依次包括:检验费、检查费、治疗费、西药和手术费,则可以得出患者移动路径为:抽血室、CT室、治疗室、药房和手术室。
通过科室历史门诊室布局可以知道各科室现有门诊室数量和位置,本实施例中,通过枚举法获取每一种疾病类型的患者在不同门诊室就诊的最短移动距离。然后结合不同疾病类型的患者移动路径的比例、科室历史患者数量以及医院各房间之间的距离矩阵,得到每个门诊室作为不同科室的门诊室使用时,患者在该门诊室就诊的平均加权移动距离,记为Dk,i,也即,患者在第i天到第k科室的门诊室就诊时的平均就诊距离。
患者移动路径相当于疾病的治疗路径,不同疾病类型的患者移动路径的比例可以通过患者电子付款记录确定。例如,根据患者电子付款记录获得同一种疾病的三种不同的患者移动路径,分别记为第一条移动路径、第二条移动路径和第三条移动路径,若这种疾病的患者电子付款记录共有10条,其中第一条移动路径的患者电子付款记录有5条,第二条移动路径的患者电子付款记录有2条,第三条移动路径的患者电子付款记录有3条,则第一条移动路径的比例为50%,第二条移动路径的比例为20%,第三条移动路径的比例为30%。
S260、将所述患者行走速度、所述科室历史患者数量、所述门诊规划数量和所述平均就诊距离输入第二预设模型,得到第二预设时间段内的门诊规划位置。
具体的,将所述患者行走速度、科室历史患者数量、门诊规划数量和平均就诊距离输入第二预设模型,第二预设模型在第二约束条件下进行计算,输出第二预设时间段内的基于最小化患者平均行走时间的门诊规划位置。第二约束条件主要包括:门诊室功能一旦确定不能修改和每一天开放的门诊室数量与第一预设模型输出的门诊规划数量相同,可以看出,第一预设模型的输出数据为第二预设模型的输入数据。基于第二约束条件,第二预设模型对输入数据进行计算,使得各科室的门诊室确定具体位置后,患者平均行走时间为最小。
由上述分析可知,第二预设模型的输入为患者行走速度v、平均就诊距离Dk,i、门诊规划数量Qk,i,u以及科室历史患者数量Nk,i。设第二预设模型的求解参数记为门诊规划位置Bi,j,k,Bi,j,k为01矩阵,当Bi,j,k=1时,表示第i天开放的第j个门诊室属于第k个科室。例如,当第二预设模型输出B1,2,2=1时,表示第1天开放的第2个门诊室属于第2个科室;第2个门诊室具体是哪个门诊室,可以根据预先对门诊室的编号而确定,如第2个门诊室为门诊室102;第2个科室具体是哪个科室,可以根据预先对科室的编号而确定,如第2个科室为感染科。
第二预设模型的功能可表示为:
第二预设模型的约束条件如下:
门诊室功能一旦确定不能修改,因此任意一条,门诊室的功能不变,则有:
每一天开放的门诊室数量应该与第一层MILP模型所求的门诊规划数量相一致,即:
∑j Bi,j,k=∑u Qk,i,u*u (2-17)
上述式(2-15)~式(2-17)即为第二预设模型的约束条件。
进一步的,第二预设模型还输出Bj,k矩阵,Bj,k矩阵也是01矩阵,当Bj,k=1时,表示第j个门诊室属于第k个科室。Bj,k与Bi,j,k之间的关系如下:
Bj,k=maxi Bi,j,k (2-18)
如此,通过第一预设模型和第二预设模型的结合,可以确定未来第二预设时间段内的各科室门诊室的数量以及位置上的最优规划。由于本实施例中默认门诊室与医生之间是一对一的关系,那么在确定了各科室的门诊规划数量和门诊规划位置后,也间接获得了医生在未来第二预设时间段内的最优排班规划。
进一步的,第一预设模型和第二预设模型共同构成预设双层MILP(Mixed IntegerLinear Programming,混合整数线性规划)模型,第一预设模型为预设双层MILP模型的第一层,第二预设模型为预设双层MILP模型的第二层。
本发明实施例提供的医院门诊规划方法,从患者和医院两个方面的因素对医院门诊资源进行规划,减少患者在医院就诊时的平均排队时间和平均步行时间,提高了患者就诊效率。
实施例三
图3为本发明实施例三提供的一种医院门诊规划方法的流程示意图,本实施例是对上述实施例的进一步优化。如图3所示,本实施例提供的医院门诊规划方法包括:
S310、获取第一预设时间段内的医院历史数据,所述医院历史数据至少包括科室医生数量、就诊服务时长、患者行走速度和患者电子付款记录。
S320、根据所述就诊服务时长确定就诊效率。
S330、根据所述患者电子付款记录确定科室历史患者数量和科室平均排队时长。
S340、将所述科室医生数量、所述科室历史患者数量、所述科室平均排队时长和所述就诊效率输入第一预设模型,得到第二预设时间段内的门诊规划数量。
S350、根据所述患者电子付款记录确定患者数量序列。
具体的,患者数量序列是指第一预设时间段内的患者数量的时间序列。患者电子付款记录中详细记录了第一预设时间段内每一天的各项缴费项目等数据,那么,患者电子付款记录可以按照时间顺序进行排列,也即,患者电子付款记录相当于一个时间序列。将第一预设时间段内每一天的患者电子付款记录数量进行统计,即可得到每一天的患者数量,将每一天的患者数量按照时间序列进行排列,即得到患者数量序列。
S360、将所述患者数量序列输入预测模型,得到第一科室患者预测数量。
具体的,预测模型用于根据历史数据预测未来数据。患者数量序列为历史数据,将其输入预测模型,即可得到未来一段时间的患者数量时间序列,即第一科室患者预测数量。假期是影响人们去医院的一种重要因素,因此,在将患者数量序列输入到预测模型之前,还需要将患者数量序列中的假期标记出来。第一科室患者预测数量为预设未来时间段内的患者数量时间序列,一般的,预设未来时间段小于第一预设时间段,优选的,本实施例中预设未来时间段设为与第二预设时间段相同。
进一步的,预测模型为预设时间序列模型,本实施例中的预测模型为prophet模型,prophet模型可表示为:
y(t)=g(t)+s(t)+h(t)+εt (3-1)
其中g(t)是趋势函数,用于对时间序列值的非周期性变化进行建模,s(t)代表周期性函数,h(t)是假期影响函数,εt代表其他种类的影响因素。
趋势函数g(t)采用带有变更点的线性函数,在这种函数中,曲线的趋势不会始终保持不变,而是会在特定时刻或周期点发生变化,这种点称为变更点。假设在时间戳sj处有s个变化点,我们定义时间sj处的增长率的变化率为δj,δj={δ1,…,δs}。那么,此时的增长率为此外,定义指标函数a(t)∈{0,1}s,如下式(3-2):
在时间t的增长率可以表示为k+aTδ。另外,由于曲线的增长率不断变化并且可能不再连续,因此有必要调整参数m以保持曲线连续。m的调整量是γj=-sjδj。因此,g(t)的函数如下式(3-3)所示:
g(t)=(k+aTδ)*t+(m+a(t)Tγ)
γ=(γ1,…,γs)T (3-3)
γj=-sjδj
对于周期性项目,prophet模型使用傅立叶级数提供周期性变化。假设参数P是时间序列的周期,其s(t)函数下式(3-4)所示:
假期功能项表示为一个one-hot向量,以指示哪一天是假期。对于每个假期,令Di为受假期影响的日期,参数Ki表示影响强度,K是正态分布。假设有L个假期,因此h(t)的函数如下式(3-4)所示:
S370、将所述第一科室患者预测数量输入预设分类模型,得到第二科室患者预测数量。
具体的,预测模型用于进行时间序列预测,其无法考虑到等天气因素,而天气因素也是影响人们去医院的一种重要因素,例如,降雨或高温天气人们通常不愿意出门。因此,将第一科室患者预测数量和天气数据输入预设分类模型,通过预设分类模型分析预测模型的预测残差,得到第二科室患者预测数量,由此可以进一步考虑天气因素对未来的患者人数的影响,提高患者数量预测的准确性和可靠性。优选的,本实施中预设分类模型为随机森林模型。
天气数据至少包括预设未来时间段内的每日天气数据,如未来每日降雨量数据和未来每日温度数据。还可以包括历史时间段内的每日天气数据,如过去每日降雨量数据和过去每日温度数据。一般的,该历史时间段既可与第一预设时间段相同,也可以小于第一预设时间段。
S380、根据所述患者电子付款记录确定平均就诊距离。
S390、将所述患者行走速度、所述第二科室患者预测数量、所述门诊规划数量和所述平均就诊距离输入第二预设模型,得到第二预设时间段内的门诊规划位置。
具体的,本步骤在步骤S260的基础上将输入的患者数据由科室历史患者数量替换为第二科室患者预测数量,其余与步骤S260中的内容及运算原理相同,在此不再赘述。
本发明实施例提供的医院门诊规划方法,从患者和医院两个方面的因素对医院门诊资源进行规划,减少患者在医院就诊时的平均排队时间和平均步行时间,提高了患者就诊效率;通过对患者数据进行预测和残差分析,进一步提高了计算的准确性。
实施例四
图4为本发明实施例四提供的一种医院门诊规划装置的结构示意图,本实施例可适用于医院门诊资源的规划。本实施例提供的医院门诊规划装置能够实现本发明任意实施例提供的医院门诊规划方法,具备实现方法的相应功能结构和有益效果,本实施例中未详尽描述的内容,可参考本发明任意方法实施例的描述。
如图4所示,本发明实施例提供的医院门诊规划装置包括:数据获取模块410、门诊数量确定模块420和门诊位置确定模块430,其中:
数据获取模块410用于获取第一预设时间段内的医院历史数据;
门诊数量确定模块420用于根据所述医院历史数据,通过第一预设模型确定第二预设时间段内的门诊规划数量;
门诊位置确定模块430用于根据所述医院历史数据和所述门诊规划数量,通过第二预设模型确定所述第二预设时间段内的门诊规划位置。
进一步的,所述医院历史数据至少包括科室医生数量、就诊服务时长、患者行走速度和患者电子付款记录。
进一步的,门诊数量确定模块420具体用于:
根据所述就诊服务时长确定就诊效率;
根据所述患者电子付款记录确定科室历史患者数量和科室平均排队时长;
将所述科室医生数量、所述科室历史患者数量、所述科室平均排队时长和所述就诊效率输入第一预设模型,得到第二预设时间段内的门诊规划数量。
进一步的,门诊位置确定模块430具体用于:
根据所述患者电子付款记录确定平均就诊距离;
将所述患者行走速度、所述科室历史患者数量、所述门诊规划数量和所述平均就诊距离输入第二预设模型,得到第二预设时间段内的门诊规划位置。
进一步的,还包括:
患者数量序列确定模块,用于根据所述患者电子付款记录确定患者数量序列;
第一预测模块,用于将所述患者数量序列输入预测模型,得到第一科室患者预测数量;
第二预测模块,用于将所述第一科室患者预测数量输入预设分类模型,得到第二科室患者预测数量。
进一步的,门诊位置确定模块430还用于:
根据所述患者电子付款记录确定平均就诊距离;
将所述患者行走速度、所述第二科室患者预测数量、所述门诊规划数量和所述平均就诊距离输入第二预设模型,得到第二预设时间段内的门诊规划位置。
进一步的,所述第一预设模型为预设双层MILP模型的第一层,所述第二预设模型为预设双层MILP模型的第二层,所述预测模型为预设时间序列模型,所述预设分类模型为预设随机森林模型。
本发明实施例提供的医院门诊规划装置通过数据获取模块、门诊数量确定模块和门诊位置确定模块,从患者和医院两个方面的因素对医院门诊资源进行规划,减少患者在医院就诊时的平均排队时间和平均步行时间,提高了患者就诊效率。
实施例五
图5为本发明实施例五提供的一种电子设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性电子设备512的框图。图5显示的电子设备512仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,电子设备512以通用电子设备的形式表现。电子设备512的组件可以包括但不限于:一个或者多个处理器516(图5中以一个处理器为例),存储装置528,连接不同系统组件(包括存储装置528和处理器516)的总线518。
总线518表示几类总线结构中的一种或多种,包括存储装置总线或者存储装置控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry SubversiveAlliance,ISA)总线,微通道体系结构(Micro Channel Architecture,MAC)总线,增强型ISA总线、视频电子标准协会(Video Electronics Standards Association,VESA)局域总线以及外围组件互连(Peripheral Component Interconnect,PCI)总线。
电子设备512典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备512访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储装置528可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory,RAM)530和/或高速缓存存储器532。电子设备512可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统534可以用于读写不可移动的、非易失性磁介质(图5未显示,通常称为“硬盘驱动器”)。尽管图5中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘,例如只读光盘(Compact Disc Read-Only Memory,CD-ROM),数字视盘(Digital Video Disc-Read Only Memory,DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线518相连。存储装置528可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块542的程序/实用工具540,可以存储在例如存储装置528中,这样的程序模块542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。程序模块542通常执行本发明所描述的实施例中的功能和/或方法。
电子设备512也可以与一个或多个外部设备514(例如键盘、指向终端、显示器524等)通信,还可与一个或者多个使得用户能与该电子设备512交互的终端通信,和/或与使得该电子设备512能与一个或多个其它计算终端进行通信的任何终端(例如网卡,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522进行。并且,电子设备512还可以通过网络适配器520与一个或者多个网络(例如局域网(Local Area Network,LAN),广域网(Wide Area Network,WAN)和/或公共网络,例如因特网)通信。如图5所示,网络适配器520通过总线518与电子设备512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512使用其它硬件和/或软件模块,包括但不限于:微代码、终端驱动器、冗余处理器、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of Independent Disks,RAID)系统、磁带驱动器以及数据备份存储系统等。
处理器516通过运行存储在存储装置528中的程序,从而执行各种功能应用以及数据处理,例如实现本发明任意实施例所提供的医院门诊规划方法,该方法可以包括:
获取第一预设时间段内的医院历史数据;
根据所述医院历史数据,通过第一预设模型确定第二预设时间段内的门诊规划数量;
根据所述医院历史数据和所述门诊规划数量,通过第二预设模型确定所述第二预设时间段内的门诊规划位置。
实施例六
本发明实施例六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,该程序被处理器执行时实现如本发明任意实施例所提供的医院门诊规划方法,该方法可以包括:
获取第一预设时间段内的医院历史数据;
根据所述医院历史数据,通过第一预设模型确定第二预设时间段内的门诊规划数量;
根据所述医院历史数据和所述门诊规划数量,通过第二预设模型确定所述第二预设时间段内的门诊规划位置。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是,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。计算机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、便携式计算机磁盘、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、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机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。
计算机可读的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,其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、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。
计算机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、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言(诸如Java、Smalltalk、C++),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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或终端上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络(包括局域网(LAN)或广域网(WAN))连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种医院门诊规划方法,其特征在于,包括:
获取第一预设时间段内的医院历史数据;
根据所述医院历史数据,通过第一预设模型确定第二预设时间段内的门诊规划数量;
根据所述医院历史数据和所述门诊规划数量,通过第二预设模型确定所述第二预设时间段内的门诊规划位置。
2.如权利要求1所述的方法,其特征在于,所述医院历史数据至少包括科室医生数量、就诊服务时长、患者行走速度和患者电子付款记录。
3.如权利要求2所述的方法,其特征在于,根据所述医院历史数据,通过第一预设模型确定第二预设时间段内的门诊规划数量包括:
根据所述就诊服务时长确定就诊效率;
根据所述患者电子付款记录确定科室历史患者数量和科室平均排队时长;
将所述科室医生数量、所述科室历史患者数量、所述科室平均排队时长和所述就诊效率输入第一预设模型,得到第二预设时间段内的门诊规划数量。
4.如权利要求3所述的方法,其特征在于,根据所述医院历史数据和所述门诊规划数量确定第二预设时间段内的门诊规划位置包括:
根据所述患者电子付款记录确定平均就诊距离;
将所述患者行走速度、所述科室历史患者数量、所述门诊规划数量和所述平均就诊距离输入第二预设模型,得到第二预设时间段内的门诊规划位置。
5.如权利要求3所述的方法,其特征在于,获取第一预设时间段内的医院历史数据之后,还包括:
根据所述患者电子付款记录确定患者数量序列;
将所述患者数量序列输入预测模型,得到第一科室患者预测数量;
将所述第一科室患者预测数量输入预设分类模型,得到第二科室患者预测数量。
6.如权利要求5所述的方法,其特征在于,根据所述医院历史数据和所述门诊规划数量确定第二预设时间段内的门诊规划位置包括:
根据所述患者电子付款记录确定平均就诊距离;
将所述患者行走速度、所述第二科室患者预测数量、所述门诊规划数量和所述平均就诊距离输入第二预设模型,得到第二预设时间段内的门诊规划位置。
7.如权利要求6所述的方法,其特征在于,所述第一预设模型为预设双层MILP模型的第一层,所述第二预设模型为预设双层MILP模型的第二层,所述预测模型为预设时间序列模型,所述预设分类模型为预设随机森林模型。
8.一种医院门诊规划装置,其特征在于,包括:
数据获取模块,用于获取第一预设时间段内的医院历史数据;
门诊数量确定模块,用于根据所述医院历史数据,通过第一预设模型确定第二预设时间段内的门诊规划数量;
门诊位置确定模块,用于根据所述医院历史数据和所述门诊规划数量,通过第二预设模型确定所述第二预设时间段内的门诊规划位置。
9.一种电子设备,其特征在于,所述设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一项所述的医院门诊规划方法。
10.一种运算机可读存储介质,其上存储有运算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一项所述的医院门诊规划方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011552305.5A CN112542238B (zh) | 2020-12-24 | 2020-12-24 | 医院门诊规划方法、装置、设备及存储介质 |
PCT/CN2021/115570 WO2022134650A1 (zh) | 2020-12-24 | 2021-08-31 | 医院门诊规划方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011552305.5A CN112542238B (zh) | 2020-12-24 | 2020-12-24 | 医院门诊规划方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112542238A true CN112542238A (zh) | 2021-03-23 |
CN112542238B CN112542238B (zh) | 2022-04-29 |
Family
ID=75017310
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011552305.5A Active CN112542238B (zh) | 2020-12-24 | 2020-12-24 | 医院门诊规划方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112542238B (zh) |
WO (1) | WO2022134650A1 (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113256027A (zh) * | 2021-06-22 | 2021-08-13 | 南京邮电大学 | 基于货物量的人力资源配置方法 |
CN113488158A (zh) * | 2021-08-03 | 2021-10-08 | 浙江一山智慧医疗研究有限公司 | 一种适用于医院科室的科室位置分布调配方法及系统 |
CN113784285A (zh) * | 2021-09-09 | 2021-12-10 | 平安好医投资管理有限公司 | 基于蓝牙设备的智能呼叫方法、装置、电子设备及介质 |
CN113921118A (zh) * | 2021-08-27 | 2022-01-11 | 南华大学 | 医疗方舱模块布局优化调度方法及系统 |
CN114582478A (zh) * | 2021-11-24 | 2022-06-03 | 常州利明屏蔽有限公司 | 一种基于互联网的磁共振室检测管理系统 |
WO2022134650A1 (zh) * | 2020-12-24 | 2022-06-30 | 南方科技大学 | 医院门诊规划方法、装置、设备及存储介质 |
CN118335307A (zh) * | 2024-06-07 | 2024-07-12 | 易凯医疗建筑设计(深圳)有限公司 | 数字化医院门诊规划模型生成方法、终端设备及存储介质 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115910313B (zh) * | 2022-12-28 | 2023-10-24 | 北京东方瀚海拍卖有限公司 | 网络应用程序随机选择系统 |
CN117352152B (zh) * | 2023-12-06 | 2024-02-09 | 济宁医学院附属医院 | 一种医院学科建设综合评价指标体系的评估方法 |
CN117393135A (zh) * | 2023-12-13 | 2024-01-12 | 江西曼荼罗软件有限公司 | 预约排班的号源配置方法、系统、存储介质及设备 |
CN118398186B (zh) * | 2024-07-01 | 2024-09-24 | 江苏健康无忧网络科技有限公司 | 一种会诊资源适配调度方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120216179A1 (en) * | 2011-02-21 | 2012-08-23 | General Electric Company, A New York Corrporation | Methods and apparatus to manage instances of an enterprise clinical information system |
CN109002904A (zh) * | 2018-06-21 | 2018-12-14 | 中南大学 | 一种基于Prophet-ARMA的医院门诊就诊量预测方法 |
CN111951939A (zh) * | 2020-07-10 | 2020-11-17 | 广东福瑞百慧科技有限公司 | 一种医疗资源优化分配方法、系统、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112542238B (zh) * | 2020-12-24 | 2022-04-29 | 南方科技大学 | 医院门诊规划方法、装置、设备及存储介质 |
-
2020
- 2020-12-24 CN CN202011552305.5A patent/CN112542238B/zh active Active
-
2021
- 2021-08-31 WO PCT/CN2021/115570 patent/WO2022134650A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120216179A1 (en) * | 2011-02-21 | 2012-08-23 | General Electric Company, A New York Corrporation | Methods and apparatus to manage instances of an enterprise clinical information system |
CN109002904A (zh) * | 2018-06-21 | 2018-12-14 | 中南大学 | 一种基于Prophet-ARMA的医院门诊就诊量预测方法 |
CN111951939A (zh) * | 2020-07-10 | 2020-11-17 | 广东福瑞百慧科技有限公司 | 一种医疗资源优化分配方法、系统、设备及存储介质 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022134650A1 (zh) * | 2020-12-24 | 2022-06-30 | 南方科技大学 | 医院门诊规划方法、装置、设备及存储介质 |
CN113256027A (zh) * | 2021-06-22 | 2021-08-13 | 南京邮电大学 | 基于货物量的人力资源配置方法 |
CN113256027B (zh) * | 2021-06-22 | 2021-10-29 | 南京邮电大学 | 基于货物量的人力资源配置方法 |
CN113488158A (zh) * | 2021-08-03 | 2021-10-08 | 浙江一山智慧医疗研究有限公司 | 一种适用于医院科室的科室位置分布调配方法及系统 |
CN113488158B (zh) * | 2021-08-03 | 2022-02-11 | 浙江一山智慧医疗研究有限公司 | 一种适用于医院科室的科室位置分布调配方法及系统 |
CN113921118A (zh) * | 2021-08-27 | 2022-01-11 | 南华大学 | 医疗方舱模块布局优化调度方法及系统 |
CN113784285A (zh) * | 2021-09-09 | 2021-12-10 | 平安好医投资管理有限公司 | 基于蓝牙设备的智能呼叫方法、装置、电子设备及介质 |
CN113784285B (zh) * | 2021-09-09 | 2023-06-27 | 平安好医投资管理有限公司 | 基于蓝牙设备的智能呼叫方法、装置、电子设备及介质 |
CN114582478A (zh) * | 2021-11-24 | 2022-06-03 | 常州利明屏蔽有限公司 | 一种基于互联网的磁共振室检测管理系统 |
CN118335307A (zh) * | 2024-06-07 | 2024-07-12 | 易凯医疗建筑设计(深圳)有限公司 | 数字化医院门诊规划模型生成方法、终端设备及存储介质 |
CN118335307B (zh) * | 2024-06-07 | 2024-09-20 | 易凯医疗建筑设计(深圳)有限公司 | 数字化医院门诊规划模型生成方法、终端设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2022134650A1 (zh) | 2022-06-30 |
CN112542238B (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112542238B (zh) | 医院门诊规划方法、装置、设备及存储介质 | |
He et al. | The timing of staffing decisions in hospital operating rooms: incorporating workload heterogeneity into the newsvendor problem | |
Wang et al. | Lean principles and simulation optimization for emergency department layout design | |
Yankovic et al. | Identifying good nursing levels: A queuing approach | |
US7925603B1 (en) | System for measuring and improving patient flow in health care systems | |
US8799009B2 (en) | Systems, methods and apparatuses for predicting capacity of resources in an institution | |
Bretthauer et al. | A model for planning resource requirements in health care organizations | |
US20100100394A1 (en) | Displaying clinical predicted length of stay of patients for workload balancing in a healthcare environment | |
Lim et al. | Mathematical modeling: the case of emergency department waiting times | |
US12068069B1 (en) | Systems and methods for processing real-time and historical data and generating nursing unit health scores | |
Kolker | Healthcare management engineering: what does this fancy term really mean?: The use of operations management methodology for quantitative decision-making in healthcare settings | |
Thomas Schneider et al. | Allocating emergency beds improves the emergency admission flow | |
TariVerdi et al. | A resource-constrained, multi-unit hospital model for operational strategies evaluation under routine and surge demand scenarios | |
US8924238B1 (en) | Method and system for providing healthcare service appointment time and cost estimates at the time of scheduling | |
Sun et al. | Stochastic programming for outpatient scheduling with flexible inpatient exam accommodation | |
Wu et al. | [Retracted] Optimization of Markov Queuing Model in Hospital Bed Resource Allocation | |
Bertsimas et al. | Hospital-wide inpatient flow optimization | |
Sobolev et al. | Analysis of waiting-time data in health services research | |
Ordu et al. | A comprehensive and integrated hospital decision support system for efficient and effective healthcare services delivery using discrete event simulation | |
Thorwarth et al. | Application of discrete-event simulation in health care: a review | |
Breuer et al. | Joint robust optimization of bed capacity, nurse staffing, and care access under uncertainty | |
Lee et al. | A Markov chain model for analysis of physician workflow in primary care clinics | |
Prabhu et al. | Physician shift scheduling to improve patient safety and patient flow in the emergency department | |
Vahdat et al. | Proactive patient flow redesign for integration of multiple outpatient clinics | |
Li et al. | A dynamic overflow triage model in an outpatient queuing 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 |