CN112819390A - 医疗资源规划方法、装置、设备及存储介质 - Google Patents
医疗资源规划方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112819390A CN112819390A CN202110328122.3A CN202110328122A CN112819390A CN 112819390 A CN112819390 A CN 112819390A CN 202110328122 A CN202110328122 A CN 202110328122A CN 112819390 A CN112819390 A CN 112819390A
- Authority
- CN
- China
- Prior art keywords
- data
- variable
- line segment
- objective function
- optimal
- 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
Images
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Evolutionary Biology (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
Abstract
本申请涉及数字医疗领域,揭示了医疗资源规划方法,包括:根据预设优化目标、预设约束条件和决策变量构建指定地域的疾病诊断分类的决策模型,决策变量包括疾病分组的分组权重以及各疾病分组分别对应的可配置资源标准;获取指定地域的历史资源样本数据;根据历史资源样本数据,形成指定地域的决策模型的目标函数曲线;通过多重幂指函数平滑目标函数曲线中的拐点,得到优化的目标函数;对优化的目标函数求解最优解,得到各疾病分组分别对应的最优分组权重和最优资源配置标准;根据各疾病分组分别对应的最优分组权重和最优支付标准,形成资源配置方案。通过多重幂指函数平滑目标函数曲线中的拐点实现连续可导,精准确定目标函数最优解实现精准优化。
Description
技术领域
本申请涉及数字医疗领域,特别是涉及到医疗资源规划方法、装置、设备及存储介质。
背景技术
DRGs(Diagnosis Related Groups,疾病诊断分类)付费,是将住院病人分组后、根据分组按支付标准付费的医保支付方式。根据年龄、诊断、并发症、治疗方式、病症严重程度及资源消耗等因素,将患者分诊断组管理,进而对各诊断组制定支付标准,预付医疗费用。DRGs旨在合理配置医疗费用,帮助优化医生诊疗行为、控制总费用上升,是近期国家医疗保障局重点推广的支付方式之一。但不同地区以及不同医院的目标病患结构与实际需求不同,全国统一的DRGs医保支付标准不具有普适性,各地区或医院需根据实际情况调整适用DRGs标准。为了制定符合地域现状的DRGs标准,需要优化决策出最优的本地DRGs分组权重与支付标准。然而由于支付标准存在上下限以及决策目标的复杂性等,导致决策目标函数受不连续可导性的缺陷困扰,难以准确求解,导致优化不精准。
发明内容
本申请的主要目的为提供医疗资源规划方法,旨在解决现有符合地域现状的DRGs标准无法精准优化的技术问题。
本申请提出一种医疗资源规划方法,包括:
根据预设优化目标、预设约束条件和决策变量构建指定地域的疾病诊断分类的决策模型,其中,所述决策变量包括疾病分组的分组权重以及各所述疾病分组分别对应的可配置资源标准;
获取所述指定地域的历史资源样本数据;
根据所述历史资源样本数据,形成所述指定地域的决策模型的目标函数曲线;
通过多重幂指函数平滑所述目标函数曲线中的拐点,得到优化的目标函数;
对所述优化的目标函数求解最优解,得到各所述疾病分组分别对应的最优分组权重和最优资源配置标准;
根据各所述疾病分组分别对应的最优分组权重和最优支付标准,形成资源配置方案。
优选地,所述通过多重幂指函数平滑所述目标函数曲线中的拐点,得到优化的目标函数的步骤,包括:
获取所述目标函数曲线中的指定拐点,其中,所述指定拐点为所述目标函数曲线中的任意一拐点;
将所述目标函数曲线中的第一线段表示为所述多重幂指函数的第一表达式,将所述目标函数曲线中指定拐点的第二线段表示为所述多重幂指函数的第二表达式,其中,所述第一线段和所述第二线段分别处于所述指定拐点的两侧,所述第一线段或所述第二线段对应的替换公式为 表示所述多重幂指函数,kx表示所述第一线段或所述第二线段,k表示线段斜率,ɑ表示拟合调控参数,x表示自变量,e表示自然对数;
将所述第一表达式和所述第二表达式组成方程组;
求解所述方程组,得到同时适合所述第一表达式和所述第二表达式的指定拟合调控参数;
通过所述指定拟合调控参数对应的多重幂指函数,替换所述第一线段的函数表达式和所述第二线段的函数表达式;
根据所述指定拐点的优化方式,优化所述目标函数曲线中的所有拐点,得到所述优化的目标函数。
优选地,所述获取所述目标函数曲线中的指定拐点的步骤,包括:
判断所述预设约束条件中是否存在最高限额和/或最低限额;
若是,则定位所述目标函数曲线中所述最高限额和/或最低限额对应的临界点;
将所述临界点作为所述指定拐点。
优选地,所述获取所述目标函数曲线中的指定拐点的步骤,包括:
判断所述预设优化目标中是否存在支付结算与预算差额的惩罚项;
若是,则定位所述目标函数曲线中所述惩罚项对应的函数点;
将所述函数点作为所述指定拐点。
优选地,所述获取所述指定地域的历史资源样本数据的步骤,包括:
获取数据库中指定历史时间段内的数据集;
根据数据集中各数据分别携带的地域标签,形成所述指定地域对应的第一数据集;
判断所述第一数据集是否符合预设条件;
若是,则将所述第一数据集作为所述指定地域的历史资源样本数据。
优选地,所述判断所述第一数据集是否符合预设条件的步骤之后,包括:
若所述第一数据集不符合预设条件,则获取所述第一数据集与预设条件的差异量,其中,所述预设条件包括数据数量、数据的类型分布状态,所述差异量包括数据数量对应的第一差异、数据的类型分布状态对应的第二差异;
根据所述第一差异和所述第二差异,生成数据生成模型的信息维度;
根据所述信息维度,通过所述数据生成模型生成补充数据;
将所述补充数据添加至所述第一数据集,形成第二数据集;
将所述第二数据集作为所述指定地域的历史资源样本数据。
优选地,所述数据生成模型包括神经自回归流模型,所述神经自回归流模型包括第一神经网络、第二神经网络和第三神经网络,所述根据所述信息维度,通过所述数据生成模型生成补充数据的步骤,包括:
将前序变量输入第一神经网络,得到所述前序变量对应的隐变量层,其中,所述信息维度包括多个变量,所述前序变量为排列在当前变量中的所有变量,所述当前变量为所述信息维度中所有变量中的任一个;
将所述隐变量层输入第二神经网络,得到输入变量到输出变量的第三神经网络的权重矩阵;
将当前变量输入和所述第三神经网络的权重矩阵输入所述第三神经网络,得到所述当前变量对应的输出变量;
根据当前变量对应的输出变量的方式,得到所述信息维度中所有变量分别对应的输出变量;
根据所述信息维度中所有变量分别对应的输出变量,形成所述补充数据。
本申请还提供了一种医疗资源规划装置,包括:
构建模块,用于根据预设优化目标、预设约束条件和决策变量构建指定地域的疾病诊断分类的决策模型,其中,所述决策变量包括疾病分组的分组权重以及各所述疾病分组分别对应的可配置资源标准;
获取模块,用于获取所述指定地域的历史资源样本数据;
第一形成模块,用于根据所述历史资源样本数据,形成所述指定地域的决策模型的目标函数曲线;
平滑模块,用于通过多重幂指函数平滑所述目标函数曲线中的拐点,得到优化的目标函数;
求解模块,用于对所述优化的目标函数求解最优解,得到各所述疾病分组分别对应的最优分组权重和最优资源配置标准;
第二形成模块,用于根据各所述疾病分组分别对应的最优分组权重和最优支付标准,形成资源配置方案。
本申请还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法的步骤。
本申请通过多重幂指函数平滑目标函数曲线中的拐点,使目标函数曲线平滑无拐点实现连续可导,可精准确定目标函数的最优解,提高优化的精准度。
附图说明
图1本申请一实施例的医疗资源规划方法流程示意图;
图2本申请一实施例的支付结算与预算差额的惩罚项的拐点示意图;
图3本申请一实施例的NAFs病例生成模型架构示意图;
图4本申请一实施例的医疗资源规划系统流程示意图;
图5本申请一实施例的计算机设备内部结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
参照图1,本申请一实施例的医疗资源规划方法,包括:
S1:根据预设优化目标、预设约束条件和决策变量构建指定地域的疾病诊断分类的决策模型,其中,所述决策变量包括疾病分组的分组权重以及各所述疾病分组分别对应的可配置资源标准;
S2:获取所述指定地域的历史资源样本数据;
S3:根据所述历史资源样本数据,形成所述指定地域的决策模型的目标函数曲线;
S4:通过多重幂指函数平滑所述目标函数曲线中的拐点,得到优化的目标函数;
S5:对所述优化的目标函数求解最优解,得到各所述疾病分组分别对应的最优分组权重和最优资源配置标准;
S6:根据各所述疾病分组分别对应的最优分组权重和最优支付标准,形成资源配置方案。
本申请中,根据预设优化目标、预设约束条件和决策变量构建疾病诊断分类的决策模型。上述决策模型可用于支付标准配置、预算配置、人员配置和药品库管控等医疗领域额资源配置,区别在于使用的数据样本不同,决策模型的具体参量不同。本申请以支付标准配置为例,上述可配置资源标准包括支付标准,上述历史资源样本数据包括历史支付样本数据,上述最优资源配置标准包括最优支付标准,上述资源配置方案包括医保支付方案。上述预设优化目标为医院实收变化率和医保支付变化率,预设约束条件包括各类型医院的实收变化率以及各类型医院的支付变化率。
决策模型涉及三个模块,分别为A优化目标对应的目标函数,B约束条件,C决策变量。其中A为DRGs支付政策所要达成的期望目标;B为DRGs支付政策所要满足的硬性要求;C为DRGs支付政策的具体实施手段,即DRGs分组权重的调整和支付标准的调整。比如,决策模型具体如下表1:
A目标函数 | 优化方向 |
医院实收变化率 | 接近0 |
医保支付变化率 | 越小越好 |
B约束条件 | 约束条件 |
医院实收变化率-分医院级别 | ≤10% |
医院实收变化率-分医院 | ≤10% |
医院实收变化率-分科室 | ≤10% |
医保支付变化率-分医院级别 | -5%≤x≤5% |
医保支付变化率-分医院 | -5%≤x≤5% |
医保支付变化率-分疾病人群 | -5%≤x≤5% |
C决策变量 | 决策范围 |
DRGs分组权重 | ≥0 |
DRGs支付标准 | ≥0 |
表1
在制定DRGs支付方案时,需要进行大量测算以评估600余个分组的分组权重以及支付标准的规则参数,而且每组要有不少于100例样本以保证分组的稳健性,这就需要海量的数据作为支撑。上述历史支付样本数据,基于包括上一年度的连续历史三年各医院的费用总量和各医院上一年度的样例数据形成,可以使用上一年度的总数据,或历史三年的平均数据。
上述目标函数包括医院实收变化率以及医保支付变化率,两个目标函数的定义如下:医院实收变化率,指该DRGs政策方案下各医院的实际年收入(医保支付+患者支付)相比此前未实施DRGs政策时的医院年收入变化情况。医院实收变化率的数值的绝对值越大,则说明该DRGs政策方案下医院的实收较以往变动越大。医院实收过多会造成医保基金的浪费,实收过少会导致医院运营亏损,故该指标越接近0越好,控制目标在上下浮动不应超过5%的范围。医保支付变化率,指该DRGs政策方案下医保基金的年支出额相比此前未实施DRGs政策时的年支出额变化情况。医保支付变化率越大则说明该DRGs政策方案下医保基金支出压力较此前越大,为尽量减轻政府医保基金的支出压力,故该指标越小越好,控制目标为不应超过10%。
本申请为避免某些医院收入变化过大而相互推诿或者争抢病人,例如收治病种比较集中的专科医院的实际收入极易受医保政策的变化而产生较大波动,本申请的决策模型如表1所示,包括了各类细分的约束条件,将主要监控指标细分到单个医院、不同级别医院、不同科室等,以平衡波动。各约束条件的具体约束范围如表1,各类医院实收变化率的上下浮动不超过5%,各类医保支付变化率指标的不超过10%。
本申请的目标函数曲线由于对应各类细分的约束条件,主要问题在于支付标准的起付线、上下限以及不同分类标准的跳跃性,使得目标函数不连续可导,同时在优化目标中对于各类实收变化的惩罚项也是不连续可导的函数,导致目标函数曲线为带有多处拐点,在优化求解的过程中导致不能连续可导,上述多重幂指函数可将拐点处的折线平滑为曲线。
本申请通过多重幂指函数平滑目标函数曲线中的拐点,使目标函数曲线平滑无拐点实现连续可导,可精准确定目标函数的最优解,提高优化的精准度。
进一步地,所述通过多重幂指函数平滑所述目标函数曲线中的拐点,得到优化的目标函数的步骤S4,包括:
S41:获取所述目标函数曲线中的指定拐点,其中,所述指定拐点为所述目标函数曲线中的任意一拐点;
S42:将所述目标函数曲线中的第一线段表示为所述多重幂指函数的第一表达式,将所述目标函数曲线中指定拐点的第二线段表示为所述多重幂指函数的第二表达式,其中,所述第一线段和所述第二线段分别处于所述指定拐点的两侧,所述第一线段或所述第二线段对应的替换公式为 表示所述多重幂指函数,kx表示所述第一线段或所述第二线段,k表示线段斜率,ɑ表示拟合调控参数,x表示自变量,e表示自然对数;
S43:将所述第一表达式和所述第二表达式组成方程组;
S44:求解所述方程组,得到同时适合所述第一表达式和所述第二表达式的指定拟合调控参数;
S45:通过所述指定拟合调控参数对应的多重幂指函数,替换所述第一线段的函数表达式和所述第二线段的函数表达式;
S46:根据所述指定拐点的优化方式,优化所述目标函数曲线中的所有拐点,得到所述优化的目标函数。
本申请实施例通过替换公式替换拐点两侧的线段对应的函数表达式,并通过两侧线段对应替换的多重幂指函数表达式组成方程组求解,获取将拐点两端的多重幂指函数表达式对应的曲线相连,并替换两个线段分别对应的线段,实现对拐点的平滑。表示多重幂指函数,kx表示第一线段或第二线段,对于不同的线段线段斜率k不同,ɑ表示拟合调控参数,决定了多重幂指函数表达式,x表示自变量,e表示自然对数,基于函数连续和导数连续的思想,通过联立方程组确定α。
进一步地,所述获取所述目标函数曲线中的指定拐点的步骤S41,包括:
S411:判断所述预设约束条件中是否存在最高限额和/或最低限额;
S412:若存在最高限额和/或最低限额,则定位所述目标函数曲线中所述最高限额和/或最低限额对应的临界点;
S413:将所述临界点作为所述指定拐点。
由于DRGs支付优化问题中存在最低限和最高限等硬性的约束条件,医保费用函数会存在多个突变点,即不可导点,例如存在最低限和最高限的线性医保费用函数如下:其中C1和C2分别为医保支付的最低限额和最高限额,p1和p2分别为最低限和最高限的临界点,临界点处不可导。
进一步地,所述获取所述目标函数曲线中的指定拐点的步骤S41,包括:
S4101:判断所述预设优化目标中是否存在支付结算与预算差额的惩罚项;
S4102:若存在支付结算与预算差额的惩罚项,则定位所述目标函数曲线中所述惩罚项对应的函数点;
S4103:将所述函数点作为所述指定拐点。
本申请中的拐点还包括由于优化目标中存在多个差额类型分别对应的支付结算与预算差额的惩罚项,导致出现多个此类拐点。比如差额类型包括:对应于总值的医保支付结算与预算差额、对应于不同医疗机构的医保支付结算与预算差额,以及对应于医疗机构级别的医保支付结算与预算差额等。不同差额类型对应的惩罚项为医保支付结算与预算差额的绝对值。由于包含绝对值函数,导致目标函数中具有连续而不可导的拐点,无法通过连续优化算法求导求解,本申请通过连续可导的多重幂指函数平滑目标函数,并通过平滑后的目标函数求导求解。
如图2所示,结合支付结算与预算差额的惩罚项的拐点平滑过程给出示例。图2中除原点0以外,还存在额外两个惩罚项对应的突变点,分别为x等于-3和3对应处。原点0两侧分别为x+>0和x-<0。代表[0,3]上的惩罚率,并且代表[3,5]上的惩罚率。同样设定和分别代表[-3,0]上的惩罚率以及[-5,-3]上的惩罚率。为简化表达,在此可假设|x+|=|x-|=k1,故整体的惩罚项对应的函数可表示为使用多重幂指平滑拟合方法将上述函数拟合为其中ε>0和α1>0为控制拟合效果的系数,取值越小则拟合效果越好,并且通过验证连续性及其导数可知,通过上述多重幂指平滑拟合方法转化后的目标函数具有连续可导性,使得优化问题的求解得以简化。其拐点处均可通过调整中的拟合调控参数,进而得到连续可导的平滑的目标函数。
进一步地,所述获取所述指定地域的历史资源样本数据的步骤S2,包括:
S21:获取数据库中指定历史时间段内的数据集;
S22:根据数据集中各数据分别携带的地域标签,形成所述指定地域对应的第一数据集;
S23:判断所述第一数据集是否符合预设条件;
S24:若是,则将所述第一数据集作为所述指定地域的历史资源样本数据。
本申请实施例的历史资源样本数据,可通过在历史数据库中根据地域标签,筛选到对应的数据。上述地域标签包括不同地区的标签、不同医院对应的区域标签、不同级别的医院对应的地域标签等。优选整个待分析地理区域的地域标签。上述预设条件包括数据的数量是否满足分组分析的需求,还包括数据的类型分布状态是否满足要求。比如,每个分组需要100条数据,8个分组需要800条数据,每个分组中的数据是否涵盖不同的疾病类型等。
进一步地,所述判断所述第一数据集是否符合预设条件的步骤S23之后,包括:
S25:若所述第一数据集不符合预设条件,则获取所述第一数据集与预设条件的差异量,其中,所述预设条件包括数据数量、数据的类型分布状态,所述差异量包括数据数量对应的第一差异、数据的类型分布状态对应的第二差异;
S26:根据所述第一差异和所述第二差异,生成数据生成模型的信息维度;
S27:根据所述信息维度,通过所述数据生成模型生成补充数据;
S28:将所述补充数据添加至所述第一数据集,形成第二数据集;
S29:将所述第二数据集作为所述指定地域的历史资源样本数据。
本申请中,由于细分到地区或医院后可用病例信息往往面临数据量不足的问题,且决策模型的目标函数涉及的约束条件极为复杂,通过多重幂指平滑目标函数时,导致数据量严重不足。本申请通过NAFs(Neural Autoregressive Flows,神经自回归流模型)数据生成模型根据第一差异和第二差异对应的信息维度生成补充数据。补充数据的特征符合正式数据的特征,包括各种疾病的分布趋势等,使贴近真实数据。
进一步地,所述数据生成模型包括神经自回归流模型,所述神经自回归流模型包括第一神经网络、第二神经网络和第三神经网络,所述根据所述信息维度,通过所述数据生成模型生成补充数据的步骤S27,包括:
S271:将前序变量输入第一神经网络,得到所述前序变量对应的隐变量层,其中,所述信息维度包括多个变量,所述前序变量为排列在当前变量中的所有变量,所述当前变量为所述信息维度中所有变量中的任一个;
S272:将所述隐变量层输入第二神经网络,得到输入变量到输出变量的第三神经网络的权重矩阵;
S273:将当前变量输入和所述第三神经网络的权重矩阵输入所述第三神经网络,得到所述当前变量对应的输出变量;
S274:根据当前变量对应的输出变量的方式,得到所述信息维度中所有变量分别对应的输出变量;
S275:根据所述信息维度中所有变量分别对应的输出变量,形成所述补充数据。
本申请中,由于在DRGs中使用的补充数据需要针对病患信息生成,病患信息具有极强的自相关性,为模拟其相关性本申请采用NAFs机器学习模型生成病例数据,结合DRGs所需的信息维度,建立根据真实样本病例数据生成新病例数据的NAFs病例生成模型。NAFs病例生成模型架构如图3所示,其中X1-Xd为生成的d维病例信息,为输出变量,包括年龄、性别、主要疾病编号、并发症等,C为用于记录序列相关的前序变量信息的隐变量层,通过第一神经网络生成,Z1-Zd为d维自相关随机抽样变量,为输入变量,W1-Wd为将自相关随机抽样变量转化为输出变量时的权重矩阵,为输入变量,通过第二神经网络生成。然后将上述两个输入变量输入第三神经网络得到自相关随机抽样变量对应的输出变量。
上述第一神经网络、第二神经网络和第三神经网络的网络参数不同,可通过如下过程预先训练得到。基于随机分布(例如正态分布)随机抽取Z1-Zd,然后初始化预设的权重矩阵通过第一神经网络得到初始化隐变量层C,通过神经网络单层连接的第二神经网络由C计算出权重矩阵W1,其中第一神经网络的权重为A1,通过将权重矩阵W1和输入变量Z1输入第三神经网络,计算出Z1对应的输出变量X1。按照输出变量X1的生成过程,依次生成Xi(i为2,3,…,d)。由Z1,…,Zi-1计算出此时的C,第一神经网络的权重为Bi,然后由C通过第二神经网络计算出Wi,第二神经网络的权重为Ai,接着通过神经网络Wi,由Zi计算出Xi。通过已知对应关系的输入变量和输出变量组成的训练数据集,训练得到第二神经网络的权重依次为A1,A2,…,Ad,第一神经网络的权重依次为B1,B2,…,Bd。故通过已有病例数据对输出变量进行反向传播训练,得到上述神经网络的权重,即可使用训练好的权重进行新数据的生成。
参照图4,本申请一实施例的医疗资源规划装置,包括:
构建模块1,用于根据预设优化目标、预设约束条件和决策变量构建指定地域的疾病诊断分类的决策模型,其中,所述决策变量包括疾病分组的分组权重以及各所述疾病分组分别对应的可配置资源标准;
获取模块2,用于获取所述指定地域的历史资源样本数据;
第一形成模块3,用于根据所述历史资源样本数据,形成所述指定地域的决策模型的目标函数曲线;
平滑模块4,用于通过多重幂指函数平滑所述目标函数曲线中的拐点,得到优化的目标函数;
求解模块5,用于对所述优化的目标函数求解最优解,得到各所述疾病分组分别对应的最优分组权重和最优资源配置标准;
第二形成模块6,用于根据各所述疾病分组分别对应的最优分组权重和最优支付标准,形成资源配置方案。
本申请实施例的相关解释同方法实施例的对应部分,不赘述。
进一步地,第一形成模块3,包括:
第一获取单元,用于获取所述目标函数曲线中的指定拐点,其中,所述指定拐点为所述目标函数曲线中的任意一拐点;
表示单元,用于将所述目标函数曲线中的第一线段表示为所述多重幂指函数的第一表达式,将所述目标函数曲线中指定拐点的第二线段表示为所述多重幂指函数的第二表达式,其中,所述第一线段和所述第二线段分别处于所述指定拐点的两侧,所述第一线段或所述第二线段对应的替换公式为表示所述多重幂指函数,kx表示所述第一线段或所述第二线段,k表示线段斜率,ɑ表示拟合调控参数,x表示自变量,e表示自然对数;
组成单元,用于将所述第一表达式和所述第二表达式组成方程组;
求解单元,用于求解所述方程组,得到同时适合所述第一表达式和所述第二表达式的指定拟合调控参数;
替换单元,用于通过所述指定拟合调控参数对应的多重幂指函数,替换所述第一线段的函数表达式和所述第二线段的函数表达式;
优化单元,用于根据所述指定拐点的优化方式,优化所述目标函数曲线中的所有拐点,得到所述优化的目标函数。
进一步地,获取单元,包括:
第一判断子单元,用于判断所述预设约束条件中是否存在最高限额和/或最低限额;
第一定位子单元,用于若存在最高限额和/或最低限额,则定位所述目标函数曲线中所述最高限额和/或最低限额对应的临界点;
第一作为子单元,用于将所述临界点作为所述指定拐点。
进一步地,获取单元,包括:
第二判断子单元,用于判断所述预设优化目标中是否存在支付结算与预算差额的惩罚项;
第二定位子单元,用于若是,则定位所述目标函数曲线中所述惩罚项对应的函数点;
第二作为子单元,用于将所述函数点作为所述指定拐点。
进一步地,获取模块2,包括:
第二获取单元,用于获取数据库中指定历史时间段内的数据集;
形成单元,用于根据数据集中各数据分别携带的地域标签,形成所述指定地域对应的第一数据集;
判断单元,用于判断所述第一数据集是否符合预设条件;
第一作为单元,用于若符合预设条件,则将所述第一数据集作为所述指定地域的历史资源样本数据。
进一步地,获取模块2,包括:
第三获取单元,用于若所述第一数据集不符合预设条件,则获取所述第一数据集与预设条件的差异量,其中,所述预设条件包括数据数量、数据的类型分布状态,所述差异量包括数据数量对应的第一差异、数据的类型分布状态对应的第二差异;
第一生成单元,用于根据所述第一差异和所述第二差异,生成数据生成模型的信息维度;
第二生成单元,用于根据所述信息维度,通过所述数据生成模型生成补充数据;
添加单元,用于将所述补充数据添加至所述第一数据集,形成第二数据集;
第二作为单元,用于将所述第二数据集作为所述指定地域的历史资源样本数据。
进一步地,所述数据生成模型包括神经自回归流模型,所述神经自回归流模型包括第一神经网络、第二神经网络和第三神经网络,第二生成单元,包括:
第一输入子单元,用于将前序变量输入第一神经网络,得到所述前序变量对应的隐变量层,其中,所述信息维度包括多个变量,所述前序变量为排列在当前变量中的所有变量,所述当前变量为所述信息维度中所有变量中的任一个;
第二输入子单元,用于将所述隐变量层输入第二神经网络,得到输入变量到输出变量的第三神经网络的权重矩阵;
第三输入子单元,用于将当前变量输入和所述第三神经网络的权重矩阵输入所述第三神经网络,得到所述当前变量对应的输出变量;
得到子单元,用于根据当前变量对应的输出变量的方式,得到所述信息维度中所有变量分别对应的输出变量;
形成子单元,用于根据所述信息维度中所有变量分别对应的输出变量,形成所述补充数据。
参照图5,本申请实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储医疗资源规划过程需要的所有数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现医疗资源规划方法。
上述处理器执行上述医疗资源规划方法,包括:根据预设优化目标、预设约束条件和决策变量构建指定地域的疾病诊断分类的决策模型,其中,所述决策变量包括疾病分组的分组权重以及各所述疾病分组分别对应的可配置资源标准;获取所述指定地域的历史资源样本数据;根据所述历史资源样本数据,形成所述指定地域的决策模型的目标函数曲线;通过多重幂指函数平滑所述目标函数曲线中的拐点,得到优化的目标函数;对所述优化的目标函数求解最优解,得到各所述疾病分组分别对应的最优分组权重和最优资源配置标准;根据各所述疾病分组分别对应的最优分组权重和最优支付标准,形成资源配置方案。
上述计算机设备,通过多重幂指函数平滑目标函数曲线中的拐点,使目标函数曲线平滑无拐点实现连续可导,可精准确定目标函数的最优解,提高优化的精准度。
在一个实施例中,上述处理器通过多重幂指函数平滑所述目标函数曲线中的拐点,得到优化的目标函数的步骤,包括:获取所述目标函数曲线中的指定拐点,其中,所述指定拐点为所述目标函数曲线中的任意一拐点;将所述目标函数曲线中的第一线段表示为所述多重幂指函数的第一表达式,将所述目标函数曲线中指定拐点的第二线段表示为所述多重幂指函数的第二表达式,其中,所述第一线段和所述第二线段分别处于所述指定拐点的两侧,所述第一线段或所述第二线段对应的替换公式为表示所述多重幂指函数,kx表示所述第一线段或所述第二线段,k表示线段斜率,ɑ表示拟合调控参数,x表示自变量,e表示自然对数;将所述第一表达式和所述第二表达式组成方程组;求解所述方程组,得到同时适合所述第一表达式和所述第二表达式的指定拟合调控参数;通过所述指定拟合调控参数对应的多重幂指函数,替换所述第一线段的函数表达式和所述第二线段的函数表达式;根据所述指定拐点的优化方式,优化所述目标函数曲线中的所有拐点,得到所述优化的目标函数。
在一个实施例中,上述处理器获取所述目标函数曲线中的指定拐点的步骤,包括:判断所述预设约束条件中是否存在最高限额和/或最低限额;若是,则定位所述目标函数曲线中所述最高限额和/或最低限额对应的临界点;将所述临界点作为所述指定拐点。
在一个实施例中,上述处理器获取所述目标函数曲线中的指定拐点的步骤,包括:判断所述预设优化目标中是否存在支付结算与预算差额的惩罚项;若是,则定位所述目标函数曲线中所述惩罚项对应的函数点;将所述函数点作为所述指定拐点。
在一个实施例中,上述处理器获取所述指定地域的历史资源样本数据的步骤,包括:获取数据库中指定历史时间段内的数据集;根据数据集中各数据分别携带的地域标签,形成所述指定地域对应的第一数据集;判断所述第一数据集是否符合预设条件;若是,则将所述第一数据集作为所述指定地域的历史资源样本数据。
在一个实施例中,上述处理器判断所述第一数据集是否符合预设条件的步骤之后,包括:若所述第一数据集不符合预设条件,则获取所述第一数据集与预设条件的差异量,其中,所述预设条件包括数据数量、数据的类型分布状态,所述差异量包括数据数量对应的第一差异、数据的类型分布状态对应的第二差异;根据所述第一差异和所述第二差异,生成数据生成模型的信息维度;根据所述信息维度,通过所述数据生成模型生成补充数据;将所述补充数据添加至所述第一数据集,形成第二数据集;将所述第二数据集作为所述指定地域的历史资源样本数据。
在一个实施例中,所述数据生成模型包括神经自回归流模型,所述神经自回归流模型包括第一神经网络、第二神经网络和第三神经网络,上述处理器根据所述信息维度,通过所述数据生成模型生成补充数据的步骤,包括:将前序变量输入第一神经网络,得到所述前序变量对应的隐变量层,其中,所述信息维度包括多个变量,所述前序变量为排列在当前变量中的所有变量,所述当前变量为所述信息维度中所有变量中的任一个;将所述隐变量层输入第二神经网络,得到输入变量到输出变量的第三神经网络的权重矩阵;将当前变量输入和所述第三神经网络的权重矩阵输入所述第三神经网络,得到所述当前变量对应的输出变量;根据当前变量对应的输出变量的方式,得到所述信息维度中所有变量分别对应的输出变量;根据所述信息维度中所有变量分别对应的输出变量,形成所述补充数据。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请一实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现医疗资源规划方法,包括:根据预设优化目标、预设约束条件和决策变量构建指定地域的疾病诊断分类的决策模型,其中,所述决策变量包括疾病分组的分组权重以及各所述疾病分组分别对应的可配置资源标准;获取所述指定地域的历史资源样本数据;根据所述历史资源样本数据,形成所述指定地域的决策模型的目标函数曲线;通过多重幂指函数平滑所述目标函数曲线中的拐点,得到优化的目标函数;对所述优化的目标函数求解最优解,得到各所述疾病分组分别对应的最优分组权重和最优资源配置标准;根据各所述疾病分组分别对应的最优分组权重和最优支付标准,形成资源配置方案。
上述计算机可读存储介质,通过多重幂指函数平滑目标函数曲线中的拐点,使目标函数曲线平滑无拐点实现连续可导,可精准确定目标函数的最优解,提高优化的精准度。
在一个实施例中,上述处理器通过多重幂指函数平滑所述目标函数曲线中的拐点,得到优化的目标函数的步骤,包括:获取所述目标函数曲线中的指定拐点,其中,所述指定拐点为所述目标函数曲线中的任意一拐点;将所述目标函数曲线中的第一线段表示为所述多重幂指函数的第一表达式,将所述目标函数曲线中指定拐点的第二线段表示为所述多重幂指函数的第二表达式,其中,所述第一线段和所述第二线段分别处于所述指定拐点的两侧,所述第一线段或所述第二线段对应的替换公式为表示所述多重幂指函数,kx表示所述第一线段或所述第二线段,k表示线段斜率,ɑ表示拟合调控参数,x表示自变量,e表示自然对数;将所述第一表达式和所述第二表达式组成方程组;求解所述方程组,得到同时适合所述第一表达式和所述第二表达式的指定拟合调控参数;通过所述指定拟合调控参数对应的多重幂指函数,替换所述第一线段的函数表达式和所述第二线段的函数表达式;根据所述指定拐点的优化方式,优化所述目标函数曲线中的所有拐点,得到所述优化的目标函数。
在一个实施例中,上述处理器获取所述目标函数曲线中的指定拐点的步骤,包括:判断所述预设约束条件中是否存在最高限额和/或最低限额;若是,则定位所述目标函数曲线中所述最高限额和/或最低限额对应的临界点;将所述临界点作为所述指定拐点。
在一个实施例中,上述处理器获取所述目标函数曲线中的指定拐点的步骤,包括:判断所述预设优化目标中是否存在支付结算与预算差额的惩罚项;若是,则定位所述目标函数曲线中所述惩罚项对应的函数点;将所述函数点作为所述指定拐点。
在一个实施例中,上述处理器获取所述指定地域的历史资源样本数据的步骤,包括:获取数据库中指定历史时间段内的数据集;根据数据集中各数据分别携带的地域标签,形成所述指定地域对应的第一数据集;判断所述第一数据集是否符合预设条件;若是,则将所述第一数据集作为所述指定地域的历史资源样本数据。
在一个实施例中,上述处理器判断所述第一数据集是否符合预设条件的步骤之后,包括:若所述第一数据集不符合预设条件,则获取所述第一数据集与预设条件的差异量,其中,所述预设条件包括数据数量、数据的类型分布状态,所述差异量包括数据数量对应的第一差异、数据的类型分布状态对应的第二差异;根据所述第一差异和所述第二差异,生成数据生成模型的信息维度;根据所述信息维度,通过所述数据生成模型生成补充数据;将所述补充数据添加至所述第一数据集,形成第二数据集;将所述第二数据集作为所述指定地域的历史资源样本数据。
在一个实施例中,所述数据生成模型包括神经自回归流模型,所述神经自回归流模型包括第一神经网络、第二神经网络和第三神经网络,上述处理器根据所述信息维度,通过所述数据生成模型生成补充数据的步骤,包括:将前序变量输入第一神经网络,得到所述前序变量对应的隐变量层,其中,所述信息维度包括多个变量,所述前序变量为排列在当前变量中的所有变量,所述当前变量为所述信息维度中所有变量中的任一个;将所述隐变量层输入第二神经网络,得到输入变量到输出变量的第三神经网络的权重矩阵;将当前变量输入和所述第三神经网络的权重矩阵输入所述第三神经网络,得到所述当前变量对应的输出变量;根据当前变量对应的输出变量的方式,得到所述信息维度中所有变量分别对应的输出变量;根据所述信息维度中所有变量分别对应的输出变量,形成所述补充数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,上述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种医疗资源规划方法,其特征在于,包括:
根据预设优化目标、预设约束条件和决策变量构建指定地域的疾病诊断分类的决策模型,其中,所述决策变量包括疾病分组的分组权重以及各所述疾病分组分别对应的可配置资源标准;
获取所述指定地域的历史资源样本数据;
根据所述历史资源样本数据,形成所述指定地域的决策模型的目标函数曲线;
通过多重幂指函数平滑所述目标函数曲线中的拐点,得到优化的目标函数;
对所述优化的目标函数求解最优解,得到各所述疾病分组分别对应的最优分组权重和最优资源配置标准;
根据各所述疾病分组分别对应的最优分组权重和最优支付标准,形成资源配置方案。
2.根据权利要求1所述的医疗资源规划方法,其特征在于,所述通过多重幂指函数平滑所述目标函数曲线中的拐点,得到优化的目标函数的步骤,包括:
获取所述目标函数曲线中的指定拐点,其中,所述指定拐点为所述目标函数曲线中的任意一拐点;
将所述目标函数曲线中的第一线段表示为所述多重幂指函数的第一表达式,将所述目标函数曲线中指定拐点的第二线段表示为所述多重幂指函数的第二表达式,其中,所述第一线段和所述第二线段分别处于所述指定拐点的两侧,所述第一线段或所述第二线段对应的替换公式为 表示所述多重幂指函数,kx表示所述第一线段或所述第二线段,k表示线段斜率,ɑ表示拟合调控参数,x表示自变量,e表示自然对数;
将所述第一表达式和所述第二表达式组成方程组;
求解所述方程组,得到同时适合所述第一表达式和所述第二表达式的指定拟合调控参数;
通过所述指定拟合调控参数对应的多重幂指函数,替换所述第一线段的函数表达式和所述第二线段的函数表达式;
根据所述指定拐点的优化方式,优化所述目标函数曲线中的所有拐点,得到所述优化的目标函数。
3.根据权利要求2所述的医疗资源规划方法,其特征在于,所述获取所述目标函数曲线中的指定拐点的步骤,包括:
判断所述预设约束条件中是否存在最高限额和/或最低限额;
若是,则定位所述目标函数曲线中所述最高限额和/或最低限额对应的临界点;
将所述临界点作为所述指定拐点。
4.根据权利要求2所述的医疗资源规划方法,其特征在于,所述获取所述目标函数曲线中的指定拐点的步骤,包括:
判断所述预设优化目标中是否存在支付结算与预算差额的惩罚项;
若是,则定位所述目标函数曲线中所述惩罚项对应的函数点;
将所述函数点作为所述指定拐点。
5.根据权利要求1所述的医疗资源规划方法,其特征在于,所述获取所述指定地域的历史资源样本数据的步骤,包括:
获取数据库中指定历史时间段内的数据集;
根据数据集中各数据分别携带的地域标签,形成所述指定地域对应的第一数据集;
判断所述第一数据集是否符合预设条件;
若是,则将所述第一数据集作为所述指定地域的历史资源样本数据。
6.根据权利要求5所述的医疗资源规划方法,其特征在于,所述判断所述第一数据集是否符合预设条件的步骤之后,包括:
若所述第一数据集不符合预设条件,则获取所述第一数据集与预设条件的差异量,其中,所述预设条件包括数据数量、数据的类型分布状态,所述差异量包括数据数量对应的第一差异、数据的类型分布状态对应的第二差异;
根据所述第一差异和所述第二差异,生成数据生成模型的信息维度;
根据所述信息维度,通过所述数据生成模型生成补充数据;
将所述补充数据添加至所述第一数据集,形成第二数据集;
将所述第二数据集作为所述指定地域的历史资源样本数据。
7.根据权利要求6所述的医疗资源规划方法,其特征在于,所述数据生成模型包括神经自回归流模型,所述神经自回归流模型包括第一神经网络、第二神经网络和第三神经网络,所述根据所述信息维度,通过所述数据生成模型生成补充数据的步骤,包括:
将前序变量输入第一神经网络,得到所述前序变量对应的隐变量层,其中,所述信息维度包括多个变量,所述前序变量为排列在当前变量中的所有变量,所述当前变量为所述信息维度中所有变量中的任一个;
将所述隐变量层输入第二神经网络,得到输入变量到输出变量的第三神经网络的权重矩阵;
将当前变量输入和所述第三神经网络的权重矩阵输入所述第三神经网络,得到所述当前变量对应的输出变量;
根据当前变量对应的输出变量的方式,得到所述信息维度中所有变量分别对应的输出变量;
根据所述信息维度中所有变量分别对应的输出变量,形成所述补充数据。
8.一种医疗资源规划装置,其特征在于,包括:
构建模块,用于根据预设优化目标、预设约束条件和决策变量构建指定地域的疾病诊断分类的决策模型,其中,所述决策变量包括疾病分组的分组权重以及各所述疾病分组分别对应的可配置资源标准;
获取模块,用于获取所述指定地域的历史资源样本数据;
第一形成模块,用于根据所述历史资源样本数据,形成所述指定地域的决策模型的目标函数曲线;
平滑模块,用于通过多重幂指函数平滑所述目标函数曲线中的拐点,得到优化的目标函数;
求解模块,用于对所述优化的目标函数求解最优解,得到各所述疾病分组分别对应的最优分组权重和最优资源配置标准;
第二形成模块,用于根据各所述疾病分组分别对应的最优分组权重和最优支付标准,形成资源配置方案。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一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1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110328122.3A CN112819390B (zh) | 2021-03-26 | 2021-03-26 | 医疗资源规划方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110328122.3A CN112819390B (zh) | 2021-03-26 | 2021-03-26 | 医疗资源规划方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112819390A true CN112819390A (zh) | 2021-05-18 |
CN112819390B CN112819390B (zh) | 2023-06-16 |
Family
ID=75862358
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110328122.3A Active CN112819390B (zh) | 2021-03-26 | 2021-03-26 | 医疗资源规划方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112819390B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007071349A1 (en) * | 2005-12-19 | 2007-06-28 | Roche Diagnostics Gmbh | Analytical method and instrument |
US20170351822A1 (en) * | 2016-06-07 | 2017-12-07 | hMetrix LLC | Method and system for analyzing and displaying optimization of medical resource utilization |
US20180068083A1 (en) * | 2014-12-08 | 2018-03-08 | 20/20 Gene Systems, Inc. | Methods and machine learning systems for predicting the likelihood or risk of having cancer |
CN111582531A (zh) * | 2019-02-19 | 2020-08-25 | 顺丰科技有限公司 | 模型创建方法和分配优化方法、装置、设备及存储介质 |
US20200303080A1 (en) * | 2017-09-22 | 2020-09-24 | Universite de Bordeaux | Method for simulating respiratory dynamics of a virtual lung, virtual simulator, respiratory assembly |
CN112365354A (zh) * | 2020-11-10 | 2021-02-12 | 平安普惠企业管理有限公司 | 资源匹配方法、装置和计算机设备 |
-
2021
- 2021-03-26 CN CN202110328122.3A patent/CN112819390B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007071349A1 (en) * | 2005-12-19 | 2007-06-28 | Roche Diagnostics Gmbh | Analytical method and instrument |
US20180068083A1 (en) * | 2014-12-08 | 2018-03-08 | 20/20 Gene Systems, Inc. | Methods and machine learning systems for predicting the likelihood or risk of having cancer |
US20170351822A1 (en) * | 2016-06-07 | 2017-12-07 | hMetrix LLC | Method and system for analyzing and displaying optimization of medical resource utilization |
US20200303080A1 (en) * | 2017-09-22 | 2020-09-24 | Universite de Bordeaux | Method for simulating respiratory dynamics of a virtual lung, virtual simulator, respiratory assembly |
CN111582531A (zh) * | 2019-02-19 | 2020-08-25 | 顺丰科技有限公司 | 模型创建方法和分配优化方法、装置、设备及存储介质 |
CN112365354A (zh) * | 2020-11-10 | 2021-02-12 | 平安普惠企业管理有限公司 | 资源匹配方法、装置和计算机设备 |
Non-Patent Citations (1)
Title |
---|
宁传英;邵慧丽;: "基于决策树模型急性阑尾炎患者DRGs分组研究", 中国卫生统计, no. 04, pages 23 - 25 * |
Also Published As
Publication number | Publication date |
---|---|
CN112819390B (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Raja et al. | Design of bio-inspired heuristic technique integrated with interior-point algorithm to analyze the dynamics of heartbeat model | |
CN111192131A (zh) | 金融风险预测方法、装置和电子设备 | |
CN104424598A (zh) | 现金需求量预测装置与方法 | |
Salas-Molina et al. | A multi-objective approach to the cash management problem | |
Liu et al. | Optimizing consistency and consensus improvement process for hesitant fuzzy linguistic preference relations and the application in group decision making | |
CN110415036B (zh) | 用户等级的确定方法、装置、计算机设备和存储介质 | |
CN107609583A (zh) | 分类模型的参数优化方法、装置、计算机设备及存储介质 | |
Yeo et al. | Estimating switching costs with market share data: an application to Medicare Part D | |
Burington et al. | Flexible implementations of group sequential stopping rules using constrained boundaries | |
Sanchez et al. | Sovereign default and the choice of maturity | |
Leitner et al. | Micro-level dynamics in hidden action situations with limited information | |
Nakuja et al. | Food security though public stockholdings and trade distortions | |
CN112819390A (zh) | 医疗资源规划方法、装置、设备及存储介质 | |
Afonso et al. | Measuring the impact of a bonus-malus system in finite and continuous time ruin probabilities for large portfolios in motor insurance | |
CN112926879B (zh) | 疾病诊断相关分组的支付方案决策方法、装置及设备 | |
Rahman et al. | Price prediction using LSTM based machine learning models | |
Jeetoo | Healthcare expenditure and Baumol cost disease in sub-Sahara Africa | |
Jelinek et al. | Forecasting Sovereign Credit Ratings Using Differential Evolution and Logic Aggregation in IBA Framework | |
Liu et al. | Guided adaptive optimal decision making approach for uncertainty based watershed scale load reduction | |
Pai et al. | Neural Network Model for Efficient portfolio Management and Time Series Forecasting | |
Costabile et al. | A lattice approach to evaluate participating policies in a stochastic interest rate framework | |
CN109325811A (zh) | 房屋价值预测方法、装置、计算机设备和存储介质 | |
Fu et al. | Hedging the portfolio of raw materials and the commodity under the mark-to-market risk | |
CN117422314B (zh) | 一种基于大数据分析的企业数据评估方法及设备 | |
WO2022208583A1 (ja) | 与信支援システム、与信支援方法およびプログラム記録媒体 |
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 |