CN112906973A - 一种家庭医生随访路径推荐方法及系统 - Google Patents

一种家庭医生随访路径推荐方法及系统 Download PDF

Info

Publication number
CN112906973A
CN112906973A CN202110259159.5A CN202110259159A CN112906973A CN 112906973 A CN112906973 A CN 112906973A CN 202110259159 A CN202110259159 A CN 202110259159A CN 112906973 A CN112906973 A CN 112906973A
Authority
CN
China
Prior art keywords
follow
visit
doctor
patient
time
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
CN202110259159.5A
Other languages
English (en)
Other versions
CN112906973B (zh
Inventor
缪国静
杨俊�
曾建明
郑卓家
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.)
Zhejiang Yinjiang Cloud Computing Technology Co ltd
Original Assignee
Zhejiang Yinjiang Cloud Computing 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 Zhejiang Yinjiang Cloud Computing Technology Co ltd filed Critical Zhejiang Yinjiang Cloud Computing Technology Co ltd
Priority to CN202110259159.5A priority Critical patent/CN112906973B/zh
Publication of CN112906973A publication Critical patent/CN112906973A/zh
Application granted granted Critical
Publication of CN112906973B publication Critical patent/CN112906973B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Medical Informatics (AREA)
  • Strategic Management (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Public Health (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明涉及一种家庭医生随访路径推荐方法及系统，首先对医生及患者的相关信息进行采集及预处理；然后基于决策变量、目标函数和约束条件构建医生随访路径寻优模型；最后采用穷举法或寻优算法求解得到医生随访路径寻优模型，推送输出随访最优路径、随访模式、随访群体、随访时长。本发明比较于现有的随访技术，可以大大减少医生在路上花费的时间，提高随访效率。

Description

一种家庭医生随访路径推荐方法及系统
技术领域
本发明涉及智慧医疗技术领域，尤其涉及一种家庭医生随访路径推荐方法及系统。
背景技术
目前，医患关系需要诊后回访，往往一个医生对应着若干个病患，所以科学安排随访次序是很关键的一件事情；假设整体共8个患者H1、H2、…、H8，这里假设8个患者是为了实例，实际情况中可能有大量的患者。8个患者计划随访时间分别如下表1所示：
H1 H2 H3 H4 H5 H6 H7 H8
2020.3.1
2020.3.2
2020.3.3 √ √ √
2020.3.4 √ √ √
2020.3.5 √ √
2020.3.6
2020.3.7
表1
8个患者计划随访位置如图1所示，现有的随访计划，2020.3.3为医生推送随访患者H1、H3、H7，2020.3.4为医生推送随访患者H2、H5、H8，2020.3.5为医生推送随访患者H4、H6。H1、H3、H7的位置相距较远，H5和H2、H8的位置也相距较远，如果按现有的随访计划执行，医生将在路上花费较多的时间。
在实际情况中，根据患者的随访等级可以有个患者计划随访时间区间，患者计划随访时间区间包括患者计划随访时间及前后一段时间，比如患者H1的计划随访时间为2020.3.3，计划随访时间区间为[2020.3.1，2020.3.5]，医生需要在计划随访时间区间内对患者H1进行随访。因此设计一种家庭医生随访路径推荐方法及系统是十分有必要的。
发明内容
本发明为克服上述的不足之处，目的在于提供一种家庭医生随访路径推荐方法及系统，本发明为医生推荐随访患者群体，患者群体内患者计划随访位置相距较近，且满足计划随访时间区间、医生随访工作量范围的要求；比较于现有的随访计划，可以大大减少医生在路上花费的时间，提高随访效率。
一种家庭医生随访路径推荐方法，包括如下步骤：
(1)对医生及患者的相关信息进行采集及预处理；
(2)基于决策变量、目标函数和约束条件构建医生随访路径寻优模型；
(3)采用穷举法或寻优算法求解得到医生随访路径寻优模型，推送输出随访最优路径、随访模式、随访群体、随访时长。
作为优选，所述医生及患者的相关信息包括医生排班信息、医生位置信息、患者随访请求、患者随访位置、患者随访等级、患者随访方式和患者随访时间偏差；步骤(1)具体如下：
(1.1)采集各个时段的医生排班信息和医生位置信息，数据形式如下：
Figure BDA0002968994010000021
其中，
Figure BDA0002968994010000031
表示时段Tn时，医生可进行随访的状态，可随访状态影响医生可随访时长；
Figure BDA0002968994010000032
表示时段Tn时，医生所在位置；n表示第n个时段；时段以天、小时、分钟中的任意时间单位划分；
(1.2)采集患者随访请求和患者随访位置，数据形式如下：
Figure BDA0002968994010000033
Figure BDA0002968994010000034
Figure BDA0002968994010000035
Figure BDA0002968994010000036
Figure BDA0002968994010000037
其中，Hm表示第m个患者，
Figure BDA0002968994010000038
表示第m个患者在时段Tn时的随访请求，
Figure BDA0002968994010000039
表示第m个患者在时段Tn时的所在位置；
(1.3)采集患者随访等级，患者随访等级越高表示满足该患者随访请求的优先级越高；采用
Figure BDA00029689940100000310
表示第m个患者在时段Tn时的患者随访等级；患者随访等级由医生标记得到；
(1.4)采集患者随访方式，随随访方式为一种或多种随访方式的组合，随访方式包括上门随访、电话随访、门诊随访、外呼随访、网络填报；其中采用
Figure BDA00029689940100000311
表示第m个患者在时段Tn时的患者随访方式；患者随访方式由医生标记得到；
(1.5)采集患者随访时间偏差，其中患者随访时间偏差是指在患者随访请求时间附近的时间范围，医生需要在随访时间偏差范围内安排随访，即对患者的随访请求进行响应；采用
Figure BDA00029689940100000312
表示第m个患者在时段Tn时的随访时间偏差。
作为优选，所述步骤(2)构建医生随访路径寻优模型时，基于约束条件情况下，寻找满足目标函数的最优决策变量，具体如下：
(2.1)决策变量：以先后各个时段医生对患者进行随访为决策变量，即医生随访路径寻优模型最终输出；其中
Figure BDA0002968994010000041
表示第m个患者在时段Tn时的随访响应状态；其中有两种可选方式，具体如下：
(i)随访响应状态为是否进行随访，如Visit若为1，则表示医生进行随访，若为0，则表示医生不进行随访；
(ii)随访响应状态为是否进行随访、采用哪种随访方式，如Visit若为1，则表示医生进行上门面访，2表示电话随访，3表示门诊随访，4表示外呼随访，5表示网络填报随访，0表示医生不进行随访；
(2.2)目标函数：各个时段医生的随访效率之和，每个时段医生随访效率为：实际与患者随访交流的总时长和医生可随访时长的比值；这个比值越接近于1，说明医生可随访时长利用率越高，比值越接近于0，说明医生可随访时长利用率低：
Figure BDA0002968994010000042
其中，
Figure BDA0002968994010000043
为在时段Tn时医生可随访时长，医生可随访时长与医生排班信息中的医生随访状态相关联；
Figure BDA0002968994010000044
为在时段Tn时医生实际与患者随访交流的总时长，与决策变量
Figure BDA0002968994010000045
相关联；
(2.3)约束条件包括随访时间偏差约束、随访模式约束、医生工作量约束、随访周期约束。
作为优选，所述步骤(2.3)的约束条件具体如下：
(2.3.1)随访时间偏差约束：
Figure BDA0002968994010000051
不超出时间偏差约束范围，
Figure BDA0002968994010000052
表示第m个患者在时段Tn时的随访请求
Figure BDA0002968994010000053
Need为1，表示由随访请求，该时段
Figure BDA0002968994010000054
的随访响应时间范围
Figure BDA0002968994010000055
该范围内可进行随访响应HmVisitt＝1；
(2.3.2)随访模式约束：
Figure BDA0002968994010000056
不超出
Figure BDA0002968994010000057
的随访方式范围，其中，
Figure BDA0002968994010000058
表示第m个患者在时段Tn时的随访响应状态，
Figure BDA0002968994010000059
表示第m个患者在时段Tn时的患者随访方式；
(2.3.3)医生工作量约束：在时段Tn时，医生平均对每个患者的随访时长不超出随访时长约束范围：
Figure BDA00029689940100000510
(2.3.4)随访周期约束：前后的
Figure BDA00029689940100000511
时间差不超出随访周期约束范围，其中，该随访周期可以从前后的随访请求时间差获得。
作为优选，所述步骤(2)中，具体的
Figure BDA00029689940100000512
和目标函数计算采用以下方法得到：
(I)基于随访时长误差的目标函数：随访响应状态为是否进行随访，如Visit若为1，则表示医生进行随访，若为0，则表示医生不进行随访；
1)提取Visit为1的患者，形成在时段Tn时医生需要进行随访的患者群体
Figure BDA00029689940100000513
统计患者群体体量
Figure BDA00029689940100000514
2)计算理想分配随访时长HTaverage
Figure BDA0002968994010000061
其中，
Figure BDA0002968994010000062
表示医生可随访时长总和，
Figure BDA0002968994010000063
表示患者随访请求量总和；
3)计算随访时长误差
Figure BDA0002968994010000064
随访时长误差描述时段Tn时的患者随访时长和理想分配随访时长之间的偏离程度，偏离程度越高，说明医生对患者随访时长越不合理，在某些患者上随访时长过长或过短；
4)计算目标函数
Figure BDA0002968994010000065
Figure BDA0002968994010000066
(II)基于医生随访路上的花费时间的目标函数：随访响应状态为是否进行随访、采用哪种随访方式，如Visit若为1，则表示医生进行上门面访，2表示电话随访，3表示门诊随访，4表示外呼随访，5表示网络填报随访，0表示医生不进行随访；
采用上门面访方式，医生在路上需要花费时间，将医生随访路上的花费时间引入目标函数；在时段Tn时医生实际与患者随访交流的总时长＝在时段Tn时医生可随访时长-在时段Tn时医生随访路上花费时间：
Figure BDA0002968994010000071
其中，
Figure BDA0002968994010000072
表示在时段Tn时医生需要进行上门面访的患者群体，
Figure BDA0002968994010000073
表示从医生位置到随访患者群体内患者位置的总距离，V表示标准速度；V可以采用时段Tn时的实时速度；时段Tn时医生随访路上花费时间可以采用路径规划方法计算出最小路上花费时间，根据时段Tn时医生所在位置
Figure BDA0002968994010000074
随访患者群体
Figure BDA0002968994010000075
中患者所在位置
Figure BDA0002968994010000076
(III)基于随访时长误差和医生随访路上的花费时间的目标函数：
Figure BDA0002968994010000077
Figure BDA0002968994010000078
本步骤的目标函数基于步骤(I)和步骤(II)得到。
作为优选，所述的路径规划方法采用Floyd算法、Dijkstra算法、A*算法、D*算法、PSO算法、遗传算法、机器学习、强化学习算法中的任意一种方法；其中Floyd算法具体如下：
1)读取待随访患者节点位置及花费权重；
2)建立各节点之间的邻接矩阵；
3)判断是否是欧拉回路，如果不是欧拉回路，即多个顶点的度数为奇数，则必须将该图构造成一个欧拉图；
4)通过Floyd算法确定各个奇点的最短路径；
5)通过标记的方法来加边；当某一边的始点与终点均为奇点，并且两点间可连通时，将需要加边的始点和终点以及距离信息保存；随后通过深度遍历，判断需要加的边是否为最短的，即确定距离最短的添加方案；
6)根据最佳方案添加边，对图进行修改，使之满足一笔画的条件；
7)对图进行一笔画，输出结果。
作为优选，所述的寻优算法利用PSO算法、蚁群算法、深度学习算法、机器学习算法中的任意一种算法，其中PSO算法具体如下：
(A)初始化，设置粒子群的大小，初始位置，初始速度，其中“粒子”为“决策变量”，粒子群里mm个粒子；
(B)计算粒子群中各个粒子的目标函数，找到各粒子的当前个体极值，找到粒子群的当前全局最优解；
(C)更新各个粒子的速度和位置；
Vid＝ωVid+C1random(0,1)(Pid-Xid)+C2random(0,1)(Pgd-Xid)
Xid＝Xid+Vid
其中，ω为惯性因子，C1 C2为加速常数，random(0,1)表示区间[0,1]上的随机数，Pid表示第i个变量的个体极值的第d维，Pgd表示全局最优解的第d维；
(D)判断是否达到终止条件，是，则输出最优解；否，则返回步骤(B)。
作为优选，所述步骤(3)推送随访最优路径、随访模式、随访群体、随访时长具体如下：在获得最佳
Figure BDA0002968994010000081
方案后，随访群体推荐模块，识别
Figure BDA0002968994010000091
推荐相应的患者群体；随访方式推荐模块，识别
Figure BDA0002968994010000092
推荐相应的随访方式；随访路径推荐模块，推荐最优随访群体的最优随访路径；随访时长推荐模块，根据医生可随访时长和患者群体，计算推荐随访时长：推荐随访时长＝医生可随访时长/患者群体个数*随访方式理想分配随访时长比率：
Figure BDA0002968994010000093
一种家庭医生随访路径推荐系统，包括：随访患者群体推荐模块、随访方式推荐模块、随访路径推荐模块、随访时长推荐模块；所述的随访群体推荐模块用于识别
Figure BDA0002968994010000094
推荐相应的患者群体；所述的随访方式推荐模块用于识别
Figure BDA0002968994010000095
推荐相应的随访方式；所述的随访路径推荐模块用于推荐最优随访群体的最优随访路径；所述的随访时长推荐模块，根据医生可随访时长和患者群体计算推荐随访时长。
其中以上所述的家庭医生随访路径推荐系统，与以下一种或多种模块或系统连接：
(a)路径规划模块，用于指导医生进行上门随访的患者的先后顺序；
(b)患者随访预约系统，患者通过随访预约系统产生随访请求，此时，家庭医生随访路径推荐系统接收患者的随访请求，对原随访请求进行更新，重新推荐医生最优随访路径；如果加入新的患者，患者数增加，判断是否超出家庭医生工作量范围，若超出，则预警，未超出，系统采集新患者信息，系统重新推荐医生最优随访路径；
(c)医生随访登记系统，如果医生按推荐路径进行随访，结束后，录入随访完成信息，系统推荐下一天或下一个随访患者，如果医生未能及时按推荐路径进行随访，将未随访患者的随访请求时间更新为当前时间，系统重新推荐医生最优随访路径；
(d)随访监测调度系统，访监测调度系统监测多个家庭医生的随访情况，对家庭医生随访哪些患者进行调度，合理分配医生资源。
本发明的有益效果在于：本发明可以大大减少医生在路上花费的时间，提高随访效率，对于优化医生的科学随访具有重大意义。
附图说明
图1是本发明背景技术中的8个患者计划随访位置示意图；
图2是本发明的方法架构示意图；
图3是本发明实施例的Floyd算法示意图；
图4是本发明的PSO算法流程示意图；
图5是本发明实施例的前后对比示意图1；
图6是本发明实施例的前后对比示意图2；
图7是本发明的系统应用示意图。
具体实施方式
下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此：
实施例：如图2所示，一种家庭医生随访路径推荐系统，由随访患者群体推荐模块、随访方式推荐模块、随访路径推荐模块、随访时长推荐模块组成。所述的随访群体推荐模块用于识别
Figure BDA0002968994010000101
推荐相应的患者群体；所述的随访方式推荐模块用于识别
Figure BDA0002968994010000102
推荐相应的随访方式；所述的随访路径推荐模块用于推荐最优随访群体的最优随访路径；所述的随访时长推荐模块，根据医生可随访时长和患者群体计算推荐随访时长。
一种家庭医生随访路径推荐方法，包括如下步骤：
一、数据采集及预处理
1.1、采集各个时段的医生排班信息和位置信息，数据形式如下：
Figure BDA0002968994010000111
其中，
Figure BDA0002968994010000112
表示时段Tn时，医生可进行随访的状态，可随访状态影响医生可随访时长；
Figure BDA0002968994010000113
表示时段Tn时，医生所在位置；n表示第n个时段。其中时段可以以天、小时、分钟等时间单位划分
例如：王医生3月1日(周一)、3月2日(周二)在A医院坐诊，3月5日(周五)在B医院坐诊，3月3日(周三)、3月4日(周四)在社区可进行随访，3月6日(周六)、3月7日(周日)在家休息，数据记录形式：
<坐诊3月1日，A医院位置3月1日>、<坐诊3月2日，A医院位置3月2日>、<可随访3月3日，社区位置3月3日>、…
数据记录表格如表2所示：
Figure BDA0002968994010000114
表2
1.2、采集整体患者随访请求和随访位置
采集整体患者随访请求和随访位置，数据形式如下：
Figure BDA0002968994010000121
Figure BDA0002968994010000122
Figure BDA0002968994010000123
Figure BDA0002968994010000124
Figure BDA0002968994010000125
Figure BDA0002968994010000126
其中，Hm表示第m个患者，
Figure BDA0002968994010000127
表示第m个患者在时段Tn时的随访请求，
Figure BDA0002968994010000128
表示第m个患者在时段Tn时的所在位置。
例如：3月3日(周三)，王医生社区可进行随访，按预先录入的随访计划或者患者的随访预约，患者H1、患者H12产生了随访请求，王医生3月3日到患者H1家、患者H12家对患者H1、患者H12进行随访。
数据记录表格如表3所示：
Figure BDA0002968994010000129
Figure BDA0002968994010000131
表3
1.3、采集整体患者随访等级
患者随访等级，患者随访等级可以与一种或多种因素相关，因素如：患者年龄、患者病征、病情等级、生活方式等。患者随访等级越高表示满足该患者随访请求的优先级越高。
Figure BDA0002968994010000132
表示第m个患者在时段Tn时的患者随访等级。
例如：患者H1，年龄70，病征为高血压病病征，病情等级三级，患者随访等级五级；患者H2，年龄30，病征为高血压病病征，病情等级一级，患者随访等级一级。其中，患者随访等级由医生标记给出，本发明不涉及如何标记患者随访等级。
1.4、采集随访方式
随访方式，随访方式可以为一种或多种组合，如：上门随访、电话随访、门诊随访、外呼随访、网络填报等，与患者随访等级、患者对互联网熟悉程度等因素相关，影响随访时长、随访效果。
Figure BDA0002968994010000133
表示第m个患者在时段Tn时的患者随访方式；其中患者随访方式由医生标记给出，本发明不涉及如何标记患者随访方式。
例如：患者H1随访等级五级，对互联网不熟悉，患者随访方式：上门随访；患者H2随访等级一级，对互联网熟悉，患者随访方式：上门随访、电话随访、网络填报。
1.5、采集随访时间偏差
随访时间偏差，是指在患者随访请求时间附近的时间范围，医生需要在随访时间偏差范围内安排随访，即对患者的随访请求进行响应。随访时间偏差可以与一种或多种因素相关，如患者随访等级、随访方式等。
Figure BDA0002968994010000141
表示第m个患者在时段Tn时的随访时间偏差。
例如：3月3日患者H1产生了随访请求，患者H1的随访时间偏差为2天，则医生需要在3月1日～3月5日之间对患者H1进行随访。
二、构建医生随访路径寻优模型
在满足计划随访时间区间、医生随访工作量范围的情况下，优化医生随访路径，提高随访效率。随访路径，可以理解，按时间顺序医生随访患者列表。构建医生随访路径寻优模型，包括三部分内容：决策变量、目标函数、约束条件。
2.1决策变量
以先后各个时段医生对哪些患者进行随访为决策变量，即医生随访路径寻优模型最终输出。
Figure BDA0002968994010000142
表示第m个患者在时段Tn时的随访响应状态。
一个实施方式中，随访响应状态为是否进行随访，如Visit若为1，则表示医生进行随访，若为0，则表示医生不进行随访。
例如：总共3个时段，T1、T2、T3，8个患者，H1、H2、H3、H4、H5、H6、H7、H8，其中一个决策变量如下表4。
H1 H2 H3 H4 H5 H6 H7 H8
T1 1 0 1 0 0 0 1 0
T2 0 1 0 0 1 0 0 1
T3 0 0 0 1 0 1 0 0
表4
在本实施例中，随访响应状态为是否进行随访、采用哪种随访方式，如Visit若为1，则表示医生进行上门面访，2表示电话随访，3表示门诊随访，4表示外呼随访，5表示网络填报随访，0表示医生不进行随访。
2.2目标函数
各个时段医生的随访效率之和，每个时段医生随访效率为：实际与患者随访交流的总时长和医生可随访时长的比值。这个比值越接近于1，说明医生可随访时长利用率越高，比值越接近于0，说明医生可随访时长利用率低，如花费了大量时间在随访路上、在不合理的随访方式上等。
Figure BDA0002968994010000151
其中，
Figure BDA0002968994010000152
为在时段Tn时医生可随访时长，医生可随访时长与医生排班信息中的医生随访状态相关联。例如：王医生3月1日在A医院坐诊，可随访时长为4小时，3月4日在社区可进行随访，可随访时长为8小时。
Figure BDA0002968994010000161
为在时段Tn时医生实际与患者随访交流的总时长，与决策变量
Figure BDA0002968994010000162
相关联。例如：王医生3月1日随访患者H1、H3、H7，王医生实际与患者随访交流的总时长为与患者H1、H3、H7实际随访交流时长总和。
具体的
Figure BDA0002968994010000163
和目标函数计算可以采用以下方法：
2.2.1基于随访时长误差的目标函数
一个实施方式中，随访响应状态为是否进行随访，如Visit若为1，则表示医生进行随访，若为0，则表示医生不进行随访。
(1)提取Visit为1的患者，形成在时段Tn时医生需要进行随访的患者群体
Figure BDA0002968994010000164
统计患者群体体量
Figure BDA0002968994010000165
(2)计算理想分配随访时长HTaverage
Figure BDA0002968994010000166
其中，
Figure BDA0002968994010000167
表示医生可随访时长总和，
Figure BDA0002968994010000168
表示患者随访请求量总和。
(3)计算随访时长误差
Figure BDA0002968994010000169
随访时长误差描述时段Tn时的患者随访时长和理想分配随访时长之间的偏离程度，偏离程度越高，说明医生对患者随访时长越不合理，在某些患者上随访时长过长或过短。
例如：3月1日、3月2日、3月3日，医生可随访时长分别为4小时、4小时、8小时，这3天分别产生了3、3、2次随访请求，在随访时间偏差范围内，医生可以合理安排这3天随访8次，理想分配随访时长HTaverage为(4+4+8)/8＝2小时，
这3天医生随访的患者群体体量
Figure BDA0002968994010000171
如果为2、2、4，此时随访时长误差为0，可以实现医生对每个患者进行理想分配随访时长的随访，保障每个患者的随访效果。
Figure BDA0002968994010000172
如果为3、3、2，此时随访时长误差为1.27小时，前2天的患者平均随访时长为1.3小时，第3天的患者平均随访时长为4小时，不难发现，医生对患者随访时长的分配不均衡，出现随访时长过长或过短的问题。
Figure BDA0002968994010000173
(4)计算目标函数
Figure BDA0002968994010000174
Figure BDA0002968994010000175
一个实施例中，随访响应状态为是否进行随访、采用哪种随访方式，如Visit若为1，则表示医生进行上门面访，2表示电话随访，3表示门诊随访，4表示外呼随访，5表示网络填报随访，0表示医生不进行随访。
(1)分别提取visit为1、2、3、4、5的患者，形成在时段Tn时医生需要进行各类随访方式的患者群体
Figure BDA0002968994010000181
Figure BDA0002968994010000182
(2)计算各类随访方式下患者理想分配随访时长HTaverage，1、…、HTaverage,5，HTaverage，1＝α1×HTaverage，α1为随访方式理想分配随访时长比率
Figure BDA0002968994010000183
(3)计算各类随访方式下时长误差；
(4)计算目标函数。
Figure BDA0002968994010000184
Figure BDA0002968994010000185
2.2.2基于医生随访路上的花费时间的目标函数
一个实施例中，随访响应状态为是否进行随访、采用哪种随访方式，如Visit若为1，则表示医生进行上门面访，2表示电话随访，3表示门诊随访，4表示外呼随访，5表示网络填报随访，0表示医生不进行随访。
采用上门面访方式，医生在路上需要花费时间，将医生随访路上的花费时间引入目标函数。在时段Tn时医生实际与患者随访交流的总时长＝在时段Tn时医生可随访时长-在时段Tn时医生随访路上花费时间：
Figure BDA0002968994010000191
其中，
Figure BDA0002968994010000192
表示在时段Tn时医生需要进行上门面访的患者群体，
Figure BDA0002968994010000193
表示从医生位置到随访患者群体内患者位置的总距离，V表示标准速度。
例如：王医生3月1日在A医院坐诊，可随访时长为4小时，需要随访患者H1、H3、H7，王医生所在A医院位置出发，陆续到患者H1家、患者H3家、患者H7家进行随访，总距离为A医院到患者H1家的距离、患者H1家到患者H3家的距离、患者H3家到患者H7家的距离，患者H7家到A医院的距离总和。距离总和除以标准速度为医生随访路上花费时间。路上花费时间为1小时，则医生实际与患者随访交流总时长为4-1＝3小时，医生随访效率为3/4＝0.75。
一个实施例中，V可以采用时段Tn时的实时速度。时段Tn时医生随访路上花费时间可以采用路径规划方法计算出最小路上花费时间，根据时段Tn时医生所在位置
Figure BDA0002968994010000194
随访患者群体
Figure BDA0002968994010000195
中患者所在位置
Figure BDA0002968994010000196
例如：王医生3月1日在A医院D1坐诊，需要随访患者H1、H3、H7，可行路径有：D1->H1->H3->H7->D1，D1->H1->H7->H3->D1，D1->H3->H1->H7->D1，D1->H3->H7->H1->D1，D1->H7->H1->H3->D1，D1->H7->H3->H1->D1，比较每条可行路径下的路上花费时间，筛选出路上花费时间最小的可行路径。
在本实施例中，可以采用现有的路径规划方法：Floyd算法、Dijkstra算法、A*算法、D*算法、PSO算法、遗传算法、机器学习、强化学习算法等。其中，Floyd算法如下：
(1)读取待随访患者节点位置及花费权重；
(2)建立各节点之间的邻接矩阵；
(3)判断是否是欧拉回路(首先图必须是连通的，其次所有顶点度数是偶数)，如果不是欧拉回路，即多个顶点的度数为奇数，则必须将该图构造成一个欧拉图；
(4)通过Floyd算法确定各个奇点的最短路径；
(5)通过标记的方法来加边。当某一边的始点与终点均为奇点，并且两点间可连通时，将需要加边的始点和终点以及距离信息保存。随后通过深度遍历，判断需要加的边是否为最短的，即确定距离最短的添加方案；
(6)根据最佳方案添加边，对图进行修改，使之满足一笔画的条件；
(7)对图进行一笔画，输出结果。
如图3所示，其中V1为医生起始点，V2、V3、V4、V5、V6、V7五节点分别为当日上门随访患者，节点边标注的数字为两节点之间花费权重。最终计算得到最佳路径规划为V1--->V2--->V4--->V1--->V3--->V4--->V7--->V5--->V6--->V7--->V1。
2.2.3基于随访时长误差和医生随访路上的花费时间的目标函数
Figure BDA0002968994010000211
Figure BDA0002968994010000212
2.3约束条件
2.3.1随访时间偏差约束
Figure BDA0002968994010000213
不超出时间偏差约束范围，
Figure BDA0002968994010000214
表示第m个患者在时段Tn时的随访请求
Figure BDA0002968994010000215
Need为1，表示由随访请求，该时段
Figure BDA0002968994010000216
的随访响应时间范围
Figure BDA0002968994010000217
该范围内可进行随访响应HmVisitt＝1
2.3.2随访模式约束
Figure BDA0002968994010000218
不超出
Figure BDA0002968994010000219
的随访方式范围，
其中，
Figure BDA00029689940100002110
表示第m个患者在时段Tn时的随访响应状态，
Figure BDA00029689940100002111
表示第m个患者在时段Tn时的患者随访方式。
2.3.3医生工作量约束
在时段Tn时，医生平均对每个患者的随访时长不超出随访时长约束范围
Figure BDA00029689940100002112
2.3.4随访周期约束
前后的
Figure BDA00029689940100002113
时间差不超出随访周期约束范围；有的患者3个月随访一次，有的6个月随访一次，该随访周期可以从前后的随访请求时间差获得。
三、医生随访路径寻优模型求解
3.1穷举法，步骤如下：
1)罗列所有可能的
Figure BDA0002968994010000221
方案；
2)利用约束条件排除不符合约束条件的方案，留下备选方案；
3)计算所有备选方案的目标函数，选出目标函数最大的方案为最优随访路径方案。
3.2寻优算法
利用PSO算法、蚁群算法、深度学习算法、机器学习算法等，求出最优随访路径方案。其中PSO算法如图4所示，包括如下：
1)初始化，设置粒子群的大小，初始位置，初始速度。本方案中“粒子”为“决策变量”，粒子群里mm个粒子；
2)计算粒子群中各个粒子的目标函数，找到各粒子的当前个体极值，找到粒子群的当前全局最优解；
3)更新各个粒子的速度和位置；
Vid＝ωVid+C1random(0,1)(Pid-Xid)+C2random(0,1)(Pgd-Xid)
Xid＝Xid+Vid
其中，ω为惯性因子，C1 C2为加速常数，random(0,1)表示区间[0,1]上的随机数，Pid表示第i个变量的个体极值的第d维，Pgd表示全局最优解的第d维；
4)判断是否达到终止条件，是，则输出最优解；否，则返回步骤2)。
四、推送随访最优路径、随访模式、随访群体、随访时长
获得最佳
Figure BDA0002968994010000231
方案后，随访群体推荐模块，识别
Figure BDA0002968994010000232
推荐相应的患者群体；随访方式推荐模块，识别
Figure BDA0002968994010000233
推荐相应的随访方式；随访路径推荐模块，推荐最优随访群体的最优随访路径；随访时长推荐模块，根据医生可随访时长和患者群体，计算推荐随访时长。推荐随访时长＝医生可随访时长/患者群体个数*随访方式理想分配随访时长比率：
Figure BDA0002968994010000234
综上对比结果，现有随访计划(前)与本发明系统推荐(后)，△和√一起表示计划随访时间区间，如表5所示：
Figure BDA0002968994010000235
表5
现有随访计划与本系统推荐比对如图5、图6所示，图中●表示2020.3.3的随访患者，
Figure BDA0002968994010000236
表示2020.3.4的随访患者，○表示2020.3.5的随访患者。
将本发明系统实际应用时，如图7所示，医生通过医生患者信息录入系统按计划录入医生排班、位置信息，患者随访请求(可以理解为按3个月随访周期产生的计划随访时间)、位置、随访方式、随访等级、随访时间偏差信息；家庭医生随访路径推荐系统推荐最优随访路径，指导医生哪一天随访哪些患者，采用哪种随访方式，进一步的，推荐系统装有路径规划模块，可以指导医生进行上门随访的患者的先后顺序；可以与患者随访预约系统对接，患者通过随访预约系统产生随访请求，此时，家庭医生随访路径推荐系统接收患者的随访请求，对原随访请求进行更新，重新推荐医生最优随访路径。如果加入新的患者，患者数增加，判断是否超出家庭医生工作量范围，若超出，则预警，未超出，系统采集新患者信息，系统重新推荐医生最优随访路径。系统可以根据最优随访路径将随访信息推送给相应的患者，提醒患者合理安排时间。可以与医生随访登记系统对接，如果医生按推荐路径进行随访，结束后，录入随访完成信息，系统推荐下一天或下一个随访患者，如果医生未能及时按推荐路径进行随访，将未随访患者的随访请求时间更新为当前时间，系统重新推荐医生最优随访路径。可以与随访监测调度系统对接，访监测调度系统监测多个家庭医生的随访情况，对家庭医生随访哪些患者进行调度，合理分配医生资源。如：随访监测调度系统范围内共NA个患者，NB个家庭医生，一个家庭医生使用一个家庭医生随访路径推荐系统，可以平均分配NA/NB个患者到一个家庭医生，还可以通过筛选具体哪NA/NB个患者，实现随访监测调度系统范围内医生资源的优化利用。
以上演示随访路径推荐系统的应用示例，可以理解，系统可以集成在一个系统中，如只有一个随访路径推荐系统，可以实现分别对不同的医生所管辖的患者进行随访路径推荐。
以上的所述乃是本发明的具体实施例及所运用的技术原理，若依本发明的构想所作的改变，其所产生的功能作用仍未超出说明书及附图所涵盖的精神时，仍应属本发明的保护范围。

Claims (10)

1.一种家庭医生随访路径推荐方法，其特征在于，包括如下步骤：
(1)对医生及患者的相关信息进行采集及预处理；
(2)基于决策变量、目标函数和约束条件构建医生随访路径寻优模型；
(3)采用穷举法或寻优算法求解得到医生随访路径寻优模型，推送输出随访最优路径、随访模式、随访群体、随访时长。
2.根据权利要求1所述的一种家庭医生随访路径推荐方法，其特征在于：所述医生及患者的相关信息包括医生排班信息、医生位置信息、患者随访请求、患者随访位置、患者随访等级、患者随访方式和患者随访时间偏差；步骤(1)具体如下：
(1.1)采集各个时段的医生排班信息和医生位置信息，数据形式如下：
Figure FDA0002968992000000011
其中，
Figure FDA0002968992000000012
表示时段Tn时，医生可进行随访的状态，可随访状态影响医生可随访时长；
Figure FDA0002968992000000013
表示时段Tn时，医生所在位置；n表示第n个时段；时段以天、小时、分钟中的任意时间单位划分；
(1.2)采集患者随访请求和患者随访位置，数据形式如下：
Figure FDA0002968992000000014
Figure FDA0002968992000000015
…
Figure FDA0002968992000000016
…
Figure FDA0002968992000000017
其中，Hm表示第m个患者，
Figure FDA0002968992000000021
表示第m个患者在时段Tn时的随访请求，
Figure FDA0002968992000000022
表示第m个患者在时段Tn时的所在位置；
(1.3)采集患者随访等级，患者随访等级越高表示满足该患者随访请求的优先级越高；采用
Figure FDA0002968992000000023
表示第m个患者在时段Tn时的患者随访等级；患者随访等级由医生标记得到；
(1.4)采集患者随访方式，随随访方式为一种或多种随访方式的组合，随访方式包括上门随访、电话随访、门诊随访、外呼随访、网络填报；其中采用
Figure FDA0002968992000000024
表示第m个患者在时段Tn时的患者随访方式；患者随访方式由医生标记得到；
(1.5)采集患者随访时间偏差，其中患者随访时间偏差是指在患者随访请求时间附近的时间范围，医生需要在随访时间偏差范围内安排随访，即对患者的随访请求进行响应；采用
Figure FDA0002968992000000025
表示第m个患者在时段Tn时的随访时间偏差。
3.根据权利要求1所述的一种家庭医生随访路径推荐方法，其特征在于：所述步骤(2)构建医生随访路径寻优模型时，基于约束条件情况下，寻找满足目标函数的最优决策变量，具体如下：
(2.1)决策变量：以先后各个时段医生对患者进行随访为决策变量，即医生随访路径寻优模型最终输出；其中
Figure FDA0002968992000000026
表示第m个患者在时段Tn时的随访响应状态；其中有两种可选方式，具体如下：
(i)随访响应状态为是否进行随访，如Visit若为1，则表示医生进行随访，若为0，则表示医生不进行随访；
(ii)随访响应状态为是否进行随访、采用哪种随访方式，如Visit若为1，则表示医生进行上门面访，2表示电话随访，3表示门诊随访，4表示外呼随访，5表示网络填报随访，0表示医生不进行随访；
(2.2)目标函数：各个时段医生的随访效率之和，每个时段医生随访效率为：实际与患者随访交流的总时长和医生可随访时长的比值；这个比值越接近于1，说明医生可随访时长利用率越高，比值越接近于0，说明医生可随访时长利用率低：
Figure FDA0002968992000000031
其中，
Figure FDA0002968992000000032
为在时段Tn时医生可随访时长，医生可随访时长与医生排班信息中的医生随访状态相关联；
Figure FDA0002968992000000033
为在时段Tn时医生实际与患者随访交流的总时长，与决策变量
Figure FDA0002968992000000034
相关联；
(2.3)约束条件包括随访时间偏差约束、随访模式约束、医生工作量约束、随访周期约束。
4.根据权利要求1所述的一种家庭医生随访路径推荐方法，其特征在于：所述步骤(2.3)的约束条件具体如下：
(2.3.1)随访时间偏差约束：
Figure FDA0002968992000000035
不超出时间偏差约束范围，
Figure FDA0002968992000000036
表示第m个患者在时段Tn时的随访请求
Figure FDA0002968992000000037
Need为1，表示由随访请求，该时段
Figure FDA0002968992000000038
的随访响应时间范围
Figure FDA0002968992000000039
该范围内可进行随访响应HmVisitt＝1；
(2.3.2)随访模式约束：
Figure FDA00029689920000000310
不超出
Figure FDA00029689920000000311
的随访方式范围，其中，
Figure FDA0002968992000000041
表示第m个患者在时段Tn时的随访响应状态，
Figure FDA0002968992000000042
表示第m个患者在时段Tn时的患者随访方式；
(2.3.3)医生工作量约束：在时段Tn时，医生平均对每个患者的随访时长不超出随访时长约束范围：
Figure FDA0002968992000000043
(2.3.4)随访周期约束：前后的
Figure FDA0002968992000000044
时间差不超出随访周期约束范围，其中，该随访周期可以从前后的随访请求时间差获得。
5.根据权利要求1所述的一种家庭医生随访路径推荐方法，其特征在于：所述步骤(2)中，具体的
Figure FDA0002968992000000045
和目标函数计算采用以下方法得到：
(I)基于随访时长误差的目标函数：随访响应状态为是否进行随访，如Visit若为1，则表示医生进行随访，若为0，则表示医生不进行随访；
1)提取Visit为1的患者，形成在时段Tn时医生需要进行随访的患者群体
Figure FDA0002968992000000046
统计患者群体体量
Figure FDA0002968992000000047
2)计算理想分配随访时长HTaverage
Figure FDA0002968992000000048
其中，
Figure FDA0002968992000000049
表示医生可随访时长总和，
Figure FDA00029689920000000410
表示患者随访请求量总和；
3)计算随访时长误差
Figure FDA0002968992000000051
随访时长误差描述时段Tn时的患者随访时长和理想分配随访时长之间的偏离程度，偏离程度越高，说明医生对患者随访时长越不合理，在某些患者上随访时长过长或过短；
4)计算目标函数
Figure FDA0002968992000000052
Figure FDA0002968992000000053
(II)基于医生随访路上的花费时间的目标函数：随访响应状态为是否进行随访、采用哪种随访方式，如Visit若为1，则表示医生进行上门面访，2表示电话随访，3表示门诊随访，4表示外呼随访，5表示网络填报随访，0表示医生不进行随访；
采用上门面访方式，医生在路上需要花费时间，将医生随访路上的花费时间引入目标函数；在时段Tn时医生实际与患者随访交流的总时长＝在时段Tn时医生可随访时长-在时段Tn时医生随访路上花费时间：
Figure FDA0002968992000000054
其中，
Figure FDA0002968992000000055
表示在时段Tn时医生需要进行上门面访的患者群体，
Figure FDA0002968992000000056
表示从医生位置到随访患者群体内患者位置的总距离，V表示标准速度；V可以采用时段Tn时的实时速度；时段Tn时医生随访路上花费时间可以采用路径规划方法计算出最小路上花费时间，根据时段Tn时医生所在位置
Figure FDA0002968992000000061
随访患者群体
Figure FDA0002968992000000062
中患者所在位置
Figure FDA0002968992000000063
(III)基于随访时长误差和医生随访路上的花费时间的目标函数：
Figure FDA0002968992000000064
Figure FDA0002968992000000065
本步骤的目标函数基于步骤(I)和步骤(II)得到。
6.根据权利要求5所述的一种家庭医生随访路径推荐方法，其特征在于：所述的路径规划方法采用Floyd算法、Dijkstra算法、A*算法、D*算法、PSO算法、遗传算法、机器学习、强化学习算法中的任意一种方法；其中Floyd算法具体如下：
1)读取待随访患者节点位置及花费权重；
2)建立各节点之间的邻接矩阵；
3)判断是否是欧拉回路，如果不是欧拉回路，即多个顶点的度数为奇数，则必须将该图构造成一个欧拉图；
4)通过Floyd算法确定各个奇点的最短路径；
5)通过标记的方法来加边；当某一边的始点与终点均为奇点，并且两点间可连通时，将需要加边的始点和终点以及距离信息保存；随后通过深度遍历，判断需要加的边是否为最短的，即确定距离最短的添加方案；
6)根据最佳方案添加边，对图进行修改，使之满足一笔画的条件；
7)对图进行一笔画，输出结果。
7.根据权利要求1所述的一种家庭医生随访路径推荐方法，其特征在于：所述的寻优算法利用PSO算法、蚁群算法、深度学习算法、机器学习算法中的任意一种算法，其中PSO算法具体如下：
(A)初始化，设置粒子群的大小，初始位置，初始速度，其中“粒子”为“决策变量”，粒子群里mm个粒子；
(B)计算粒子群中各个粒子的目标函数，找到各粒子的当前个体极值，找到粒子群的当前全局最优解；
(C)更新各个粒子的速度和位置；
Vid＝ωVid+C1random(0,1)(Pid-Xid)+C2random(0,1)(Pgd-Xid)
Xid＝Xid+Vid
其中，ω为惯性因子，C1 C2为加速常数，random(0,1)表示区间[0,1]上的随机数，Pid表示第i个变量的个体极值的第d维，Pgd表示全局最优解的第d维；
(D)判断是否达到终止条件，是，则输出最优解；否，则返回步骤(B)。
8.根据权利要求1所述的一种家庭医生随访路径推荐方法，其特征在于：所述步骤(3)推送随访最优路径、随访模式、随访群体、随访时长具体如下：在获得最佳
Figure FDA0002968992000000071
方案后，随访群体推荐模块，识别
Figure FDA0002968992000000072
推荐相应的患者群体；随访方式推荐模块，识别
Figure FDA0002968992000000073
推荐相应的随访方式；随访路径推荐模块，推荐最优随访群体的最优随访路径；随访时长推荐模块，根据医生可随访时长和患者群体，计算推荐随访时长：推荐随访时长＝医生可随访时长/患者群体个数*随访方式理想分配随访时长比率：
Figure FDA0002968992000000081
9.一种家庭医生随访路径推荐系统，其特征在于，包括：随访患者群体推荐模块、随访方式推荐模块、随访路径推荐模块、随访时长推荐模块；所述的随访群体推荐模块用于识别
Figure FDA0002968992000000082
推荐相应的患者群体；所述的随访方式推荐模块用于识别
Figure FDA0002968992000000083
推荐相应的随访方式；所述的随访路径推荐模块用于推荐最优随访群体的最优随访路径；所述的随访时长推荐模块，根据医生可随访时长和患者群体计算推荐随访时长。
10.根据权利要求9所述的一种家庭医生随访路径推荐系统，其特征在于，与以下一种或多种模块或系统连接：
(a)路径规划模块，用于指导医生进行上门随访的患者的先后顺序；
(b)患者随访预约系统，患者通过随访预约系统产生随访请求，此时，家庭医生随访路径推荐系统接收患者的随访请求，对原随访请求进行更新，重新推荐医生最优随访路径；如果加入新的患者，患者数增加，判断是否超出家庭医生工作量范围，若超出，则预警，未超出，系统采集新患者信息，系统重新推荐医生最优随访路径；
(c)医生随访登记系统，如果医生按推荐路径进行随访，结束后，录入随访完成信息，系统推荐下一天或下一个随访患者，如果医生未能及时按推荐路径进行随访，将未随访患者的随访请求时间更新为当前时间，系统重新推荐医生最优随访路径；
(d)随访监测调度系统，访监测调度系统监测多个家庭医生的随访情况，对家庭医生随访哪些患者进行调度，合理分配医生资源。
CN202110259159.5A 2021-03-10 2021-03-10 一种家庭医生随访路径推荐方法及系统 Active CN112906973B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110259159.5A CN112906973B (zh) 2021-03-10 2021-03-10 一种家庭医生随访路径推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110259159.5A CN112906973B (zh) 2021-03-10 2021-03-10 一种家庭医生随访路径推荐方法及系统

Publications (2)

Publication Number Publication Date
CN112906973A true CN112906973A (zh) 2021-06-04
CN112906973B CN112906973B (zh) 2023-10-24

Family

ID=76107083

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110259159.5A Active CN112906973B (zh) 2021-03-10 2021-03-10 一种家庭医生随访路径推荐方法及系统

Country Status (1)

Country Link
CN (1) CN112906973B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113724824A (zh) * 2021-08-31 2021-11-30 平安科技（深圳）有限公司 慢性病患者随访方法、装置、计算机设备及可读存储介质
CN114594790A (zh) * 2022-03-04 2022-06-07 全球能源互联网研究院有限公司 一种配电网多无人机巡线路径规划方法及系统
CN117316415A (zh) * 2023-11-28 2023-12-29 西安阳创智尚信息科技有限公司 一种基于多模态的智能随访方法及系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09160981A (ja) * 1995-12-12 1997-06-20 Hitachi Eng Co Ltd 計画立案装置および計画立案方法
JP2005149084A (ja) * 2003-11-14 2005-06-09 Hitachi Medical Corp 電子カルテシステム
US20070255596A1 (en) * 2006-04-17 2007-11-01 Duckert David W Remote health application for the optimization of remote site visit frequency
KR20110011451A (ko) * 2009-07-28 2011-02-08 퍼펙트데이타시스템 주식회사 판매사원 거래처 방문 계획 및 최적 경로 스케줄링 방법 및 그 장치
US20130138449A1 (en) * 2011-11-28 2013-05-30 Censeo Health LLC System and method for scheduling home visits for physician review
KR20160110293A (ko) * 2016-08-29 2016-09-21 주식회사 지케어 방문의료인을 위한 동선 계획 및 물자 보급 시스템
CN106779173A (zh) * 2016-11-25 2017-05-31 浙江工业大学 一种物流配送车辆路径优化方法
CN107506846A (zh) * 2017-07-10 2017-12-22 北京石油化工学院 一种基于多目标粒子群优化算法的车辆调度方法与装置
CN110309946A (zh) * 2019-05-09 2019-10-08 上汽安吉物流股份有限公司 物流路径规划方法及装置、计算机可读介质以及物流系统
CN110874704A (zh) * 2019-09-27 2020-03-10 河南理工大学 一种基于Floyd算法的应急救援交通路径优化方法
CN111127274A (zh) * 2019-12-13 2020-05-08 河海大学常州校区 一种社区居家养老服务调度与路径规划方法和装置
CN112435763A (zh) * 2020-11-04 2021-03-02 零氪科技（北京）有限公司 医疗随访方法、装置及系统

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09160981A (ja) * 1995-12-12 1997-06-20 Hitachi Eng Co Ltd 計画立案装置および計画立案方法
JP2005149084A (ja) * 2003-11-14 2005-06-09 Hitachi Medical Corp 電子カルテシステム
US20070255596A1 (en) * 2006-04-17 2007-11-01 Duckert David W Remote health application for the optimization of remote site visit frequency
KR20110011451A (ko) * 2009-07-28 2011-02-08 퍼펙트데이타시스템 주식회사 판매사원 거래처 방문 계획 및 최적 경로 스케줄링 방법 및 그 장치
US20130138449A1 (en) * 2011-11-28 2013-05-30 Censeo Health LLC System and method for scheduling home visits for physician review
KR20160110293A (ko) * 2016-08-29 2016-09-21 주식회사 지케어 방문의료인을 위한 동선 계획 및 물자 보급 시스템
CN106779173A (zh) * 2016-11-25 2017-05-31 浙江工业大学 一种物流配送车辆路径优化方法
CN107506846A (zh) * 2017-07-10 2017-12-22 北京石油化工学院 一种基于多目标粒子群优化算法的车辆调度方法与装置
CN110309946A (zh) * 2019-05-09 2019-10-08 上汽安吉物流股份有限公司 物流路径规划方法及装置、计算机可读介质以及物流系统
CN110874704A (zh) * 2019-09-27 2020-03-10 河南理工大学 一种基于Floyd算法的应急救援交通路径优化方法
CN111127274A (zh) * 2019-12-13 2020-05-08 河海大学常州校区 一种社区居家养老服务调度与路径规划方法和装置
CN112435763A (zh) * 2020-11-04 2021-03-02 零氪科技（北京）有限公司 医疗随访方法、装置及系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113724824A (zh) * 2021-08-31 2021-11-30 平安科技（深圳）有限公司 慢性病患者随访方法、装置、计算机设备及可读存储介质
CN113724824B (zh) * 2021-08-31 2024-03-08 平安科技（深圳）有限公司 慢性病患者随访方法、装置、计算机设备及可读存储介质
CN114594790A (zh) * 2022-03-04 2022-06-07 全球能源互联网研究院有限公司 一种配电网多无人机巡线路径规划方法及系统
CN117316415A (zh) * 2023-11-28 2023-12-29 西安阳创智尚信息科技有限公司 一种基于多模态的智能随访方法及系统
CN117316415B (zh) * 2023-11-28 2024-02-06 西安阳创智尚信息科技有限公司 一种基于多模态的智能随访方法及系统

Also Published As

Publication number Publication date
CN112906973B (zh) 2023-10-24

Similar Documents

Publication Publication Date Title
CN112906973A (zh) 一种家庭医生随访路径推荐方法及系统
Shi et al. A hybrid genetic algorithm for a home health care routing problem with time window and fuzzy demand
Chiariotti et al. A dynamic approach to rebalancing bike-sharing systems
Fonseca et al. A matheuristic for transfer synchronization through integrated timetabling and vehicle scheduling
Zhao et al. The memetic algorithm for the optimization of urban transit network
Easwaran et al. A closed-loop supply chain network design problem with integrated forward and reverse channel decisions
Littig et al. Short term hospital occupancy prediction
Hasnine et al. Tour-based mode choice modelling as the core of an activity-based travel demand modelling framework: A review of state-of-the-art
CN116457891A (zh) 医院门诊智能引导方法、装置和系统
CN111127274B (zh) 一种社区居家养老服务调度与路径规划方法和装置
Yücel et al. Optimizing specimen collection for processing in clinical testing laboratories
Dubernet et al. Including joint decision mechanisms in a multiagent transport simulation
Heider et al. Tactical scheduling of surgeries to level bed utilization in the intensive care unit
CN116959688A (zh) 一种智能药房控制系统及方法
Wittmann et al. A predictive fleet management strategy for on-demand mobility services: A case study in Munich
Razali et al. Research trends in the optimization of the master surgery scheduling problem
Bertsimas et al. Policy analytics in public school operations
Nayak et al. A critical review of activity participation decision: a key component of activity-based travel demand models
Xue et al. The restaurant delivery problem with uncertain cooking time and travel time
US20230049758A1 (en) Assignment of clinical image studies using online learning
Chang et al. A continuous taxi pickup path recommendation under the carbon neutrality context
Pan et al. Dynamic resource allocation in a hierarchical appointment system: optimal structure and heuristics
Chen et al. The University of Michigan implements a hub-and-spoke design to accommodate social distancing in the campus bus system under COVID-19 restrictions
Barceló Bugeda et al. Virtual mobility lab: a systemic approach to urban mobility challenges
Sun et al. A Cluster-Then-Route Framework for Bike Rebalancing in Free-Floating Bike-Sharing Systems

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