CN113299379A - 一种基于血液净化中心安全风险的智能管理方法及系统 - Google Patents
一种基于血液净化中心安全风险的智能管理方法及系统 Download PDFInfo
- Publication number
- CN113299379A CN113299379A CN202110671294.0A CN202110671294A CN113299379A CN 113299379 A CN113299379 A CN 113299379A CN 202110671294 A CN202110671294 A CN 202110671294A CN 113299379 A CN113299379 A CN 113299379A
- Authority
- CN
- China
- Prior art keywords
- management
- blood purification
- patient
- obtaining
- information
- 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.)
- Withdrawn
Links
- 238000007726 management method Methods 0.000 title claims abstract description 208
- 239000008280 blood Substances 0.000 title claims abstract description 110
- 210000004369 blood Anatomy 0.000 title claims abstract description 110
- 230000000474 nursing effect Effects 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000012417 linear regression Methods 0.000 claims abstract description 43
- 201000010099 disease Diseases 0.000 claims abstract description 42
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 42
- 238000013441 quality evaluation Methods 0.000 claims abstract description 28
- 238000012502 risk assessment Methods 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000013210 evaluation model Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 67
- 238000000746 purification Methods 0.000 claims description 30
- 238000003066 decision tree Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 16
- 230000007613 environmental effect Effects 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 16
- 230000009467 reduction Effects 0.000 claims description 14
- 230000036961 partial effect Effects 0.000 claims description 11
- 230000007547 defect Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000002411 adverse Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 8
- 230000002829 reductive effect Effects 0.000 claims description 8
- 238000012797 qualification Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 208000015181 infectious disease Diseases 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000001631 haemodialysis Methods 0.000 description 4
- 230000000322 hemodialysis Effects 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000001303 quality assessment method Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 208000037157 Azotemia Diseases 0.000 description 1
- 208000001647 Renal Insufficiency Diseases 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000000502 dialysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002615 hemofiltration Methods 0.000 description 1
- 230000001951 hemoperfusion Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 201000006370 kidney failure Diseases 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 201000008383 nephritis Diseases 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 238000002616 plasmapheresis Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000003053 toxin Substances 0.000 description 1
- 231100000765 toxin Toxicity 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 208000009852 uremia Diseases 0.000 description 1
- 239000002699 waste material Substances 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (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
本发明公开了一种基于血液净化中心安全风险的智能管理方法及系统，其中，所述方法包括：对所述第一绩效考核结果进行特征提取，获得第一护理指标集合；根据所述各类别病情信息，获得第一患者指标集合；对第一血液净化中心的管理成果信息进行质量评价，获得第一管理指标集合；根据第一代价函数和所述多元指标线性回归函数，获得安全风险评估模型；将第一护理信息、第一患者信息和第一管理信息输入所述安全风险评估模型，获得第一管理安全风险；根据所述第一管理安全风险，对所述第一血液净化中心进行安全管理。解决了现有技术血液净化中心存在诸多安全风险，且对安全风险分析管理不准确，导致降低患者护理质量的技术问题。
Description
技术领域
本发明涉及医疗管理领域，尤其涉及一种基于血液净化中心安全风险的智能管理方法及系统。
背景技术
血液净化在日常生活中也称透析，它的涵义是：把患者的血液引出身体外并通过一种净化装置，除去其中某些致病物质，净化血液，达到治疗疾病的目的。血液净化应包括：血液透析、血液滤过、血液灌流、血浆置换、免疫吸附等。
但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：
现有技术血液净化中心存在诸多安全风险，且对安全风险分析管理不准确，导致降低患者护理质量的技术问题。
发明内容
本申请实施例通过提供一种基于血液净化中心安全风险的智能管理方法及系统，解决了现有技术血液净化中心存在诸多安全风险，且对安全风险分析管理不准确，导致降低患者护理质量的技术问题，达到通过回归模型对管理安全风险进行分析，加强对患者的护理安全管理，从而提高护理质量的技术效果。
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的。
第一方面，本申请实施例提供了一种基于血液净化中心安全风险的智能管理方法，所述方法包括：构建血液净化中心管理标准；按照所述血液净化中心管理标准，对护理人员进行操作绩效考核，获得第一绩效考核结果；对所述第一绩效考核结果进行特征提取，获得第一护理指标集合；构建病情特征决策树；根据所述病情特征决策树对历史患者数据集进行分类，获得各类别病情信息；根据所述各类别病情信息，获得第一患者指标集合；对第一血液净化中心的管理成果信息进行质量评价，获得第一管理指标集合；通过多元线性回归函数对所述第一护理指标集合、所述第一患者指标集合和所述第一管理指标集合进行数据拟合，获得多元指标线性回归函数；根据第一代价函数和所述多元指标线性回归函数，获得安全风险评估模型；将第一护理信息、第一患者信息和第一管理信息输入所述安全风险评估模型，获得第一管理安全风险；根据所述第一管理安全风险，对所述第一血液净化中心进行安全管理。
另一方面，本申请还提供了一种基于血液净化中心安全风险的智能管理系统，所述系统包括：第一构建单元，所述第一构建单元用于构建血液净化中心管理标准；
第一获得单元，所述第一获得单元用于按照所述血液净化中心管理标准，对护理人员进行操作绩效考核，获得第一绩效考核结果；第二获得单元，所述第二获得单元用于对所述第一绩效考核结果进行特征提取，获得第一护理指标集合；第二构建单元，所述第二构建单元用于构建病情特征决策树；第三获得单元，所述第三获得单元用于根据所述病情特征决策树对历史患者数据集进行分类，获得各类别病情信息；第四获得单元，所述第四获得单元用于根据所述各类别病情信息，获得第一患者指标集合；第五获得单元，所述第五获得单元用于对第一血液净化中心的管理成果信息进行质量评价，获得第一管理指标集合；第六获得单元，所述第六获得单元用于通过多元线性回归函数对所述第一护理指标集合、所述第一患者指标集合和所述第一管理指标集合进行数据拟合，获得多元指标线性回归函数；第七获得单元，所述第七获得单元用于根据第一代价函数和所述多元指标线性回归函数，获得安全风险评估模型；第八获得单元，所述第八获得单元用于将第一护理信息、第一患者信息和第一管理信息输入所述安全风险评估模型，获得第一管理安全风险；第一管理单元，所述第一管理单元用于根据所述第一管理安全风险，对所述第一血液净化中心进行安全管理。
第三方面，本发明实施例提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，所述计算机程序被所述处理器执行时实现上述任意一项所述的控制输出数据的方法中的步骤。
第四方面，本发明实施例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任意一项所述的控制输出数据的方法中的步骤。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了按照所述血液净化中心管理标准，对护理人员进行操作绩效考核，获得第一绩效考核结果；对所述第一绩效考核结果进行特征提取，获得第一护理指标集合；根据所述病情特征决策树对历史患者数据集进行分类，获得各类别病情信息；根据所述各类别病情信息，获得第一患者指标集合；对第一血液净化中心的管理成果信息进行质量评价，获得第一管理指标集合；通过多元线性回归函数对所述第一护理指标集合、所述第一患者指标集合和所述第一管理指标集合进行数据拟合，获得多元指标线性回归函数；根据第一代价函数和所述多元指标线性回归函数，获得安全风险评估模型；将第一护理信息、第一患者信息和第一管理信息输入所述安全风险评估模型，获得第一管理安全风险；根据所述第一管理安全风险，对所述第一血液净化中心进行安全管理。进而达到通过回归模型对管理安全风险进行分析，加强对患者的护理安全管理，从而提高护理质量的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种基于血液净化中心安全风险的智能管理方法的流程示意图；
图2为本申请实施例一种基于血液净化中心安全风险的智能管理系统的结构示意图；
图3为本申请实施例所提供的一种用于执行控制输出数据的方法的电子设备的结构示意图。
附图标记说明：第一构建单元11，第一获得单元12，第二获得单元13，第二构建单元14，第三获得单元15，第四获得单元16，第五获得单元17，第六获得单元18，第七获得单元19，第八获得单元20，第一管理单元21，总线1110，处理器1120，收发器1130，总线接口1140，存储器1150和用户接口1160。
具体实施方式
在本发明实施例的描述中，所属技术领域的技术人员应当知道，本发明实施例可以实现为方法、装置、电子设备及计算机可读存储介质。因此，本发明实施例可以具体实现为以下形式：完全的硬件、完全的软件（包括固件、驻留软件、微代码等）、硬件和软件结合的形式。此外，在一些实施例中，本发明实施例还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式，该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括：电、磁、光、电磁、红外或半导体的系统、装置或器件，或者以上任意的组合。计算机可读存储介质更具体的例子包括：便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本发明实施例中，计算机可读存储介质可以是任意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、器件使用或与其结合使用。
申请概述
本发明实施例通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解，流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合，都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而生产出一种机器，这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行，产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样，存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本发明实施例中的附图对本发明实施例进行描述。
实施例一
如图1所示，本申请实施例提供了一种基于血液净化中心安全风险的智能管理方法，其中，所述方法包括：
步骤S100：构建血液净化中心管理标准；
具体而言，所述血液净化中心管理标准是经卫生行政部门批准的血液净化中心各项规章管理制度，如感染控制制度、护理人员考核制度等。根据血液净化中心的管理工作特点，制定管理标准，因此血液净化中心的工作人员应严格遵守管理标准。
步骤S200：按照所述血液净化中心管理标准，对护理人员进行操作绩效考核，获得第一绩效考核结果；
步骤S300：对所述第一绩效考核结果进行特征提取，获得第一护理指标集合；
具体而言，按照所述血液净化中心管理标准，对护理人员进行操作绩效考核，包括护理人员的工作量、护理工作质量、考勤、行为规范、护理操作等，获得护理人员的绩效考核结果。对所述第一绩效考核结果进行护理特征提取，获得所述护理人员对应的护理指标集合。
步骤S400：构建病情特征决策树；
步骤S500：根据所述病情特征决策树对历史患者数据集进行分类，获得各类别病情信息；
步骤S600：根据所述各类别病情信息，获得第一患者指标集合；
具体而言，决策树(Decision Tree）是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法，这种分类器能够对新出现的对象给出正确的分类，由根节点、内部节点以及叶节点组成。病情特征可作为所述病情特征决策树的内部节点，通过对其进行信息熵的计算，可对熵值最小的特征进行优先分类，以此方法对所述病情特征决策树进行递归构建，直至无法对最后的特征叶节点进行再分，说明分类结束，以此构成了病情特征决策树。根据所述病情特征决策树，对患者所述历史患者数据集进行分类，按照病情特征分类得到相应的患者所患的各类别病情信息，如肾衰竭、尿毒症、肾炎等各类别病情信息。根据所述各类别病情信息，获得对应的患者指标集合。
步骤S700：对第一血液净化中心的管理成果信息进行质量评价，获得第一管理指标集合；
进一步而言，其中，所述对第一血液净化中心的管理成果信息进行质量评价之前，本申请实施例步骤S700还包括：
步骤S710：获得第一管理缺陷发生率信息；
步骤S720：获得第一患者意外事件发生率信息；
步骤S730：根据所述第一管理缺陷发生率信息和所述第一患者意外事件发生率信息，获得第一护理人员管理成果；
步骤S740：获得第一血液净化设备不良管理事件发生率；
步骤S750：将所述第一护理人员管理成果和所述第一血液净化设备不良管理事件发生率输入管理质量评估模型，获得第一管理质量评估结果。
具体而言，对血液净化中心的管理成果信息进行质量评价，所述管理成果包括对护理人员的管理成果、对血透室的管理成果以及对血液净化设备的管理成果，根据管理成果质量获得对应的管理指标集合。所述第一管理缺陷发生率信息是指因管理问题造成违反医疗卫生管理法律，行政法规，部门规章和诊疗护理规范的行为，如缺交接班记录护理处置缺陷、标本采集缺陷等。所述第一患者意外事件发生率信息为患者在净化治疗护理中发生的一切医疗护理不良事件，所述第一护理人员管理成果为管理缺陷发生率信息和患者意外事件发生率信息共同决定。所述第一血液净化设备不良管理事件发生率为因管理问题，血液净化设备发生如水路、电路故障，或是设备感染问题。将所述第一护理人员管理成果和所述第一血液净化设备不良管理事件发生率输入管理质量评估模型，所述管理质量评估模型为神经网络模型，获得所述模型输出结果即第一管理质量评估结果。达到通过模型对血液净化管理质量评估更加准确，为后续管理指标评价提供依据的技术效果。
步骤S800：通过多元线性回归函数对所述第一护理指标集合、所述第一患者指标集合和所述第一管理指标集合进行数据拟合，获得多元指标线性回归函数；
进一步而言，其中，所述通过多元线性回归函数对所述第一护理指标集合、所述第一患者指标集合和所述第一管理指标集合进行数据拟合，获得多元指标线性回归函数，本申请实施例步骤S800还包括：
步骤S810：分别对所述第一护理指标集合、所述第一患者指标集合和所述第一管理指标集合进行去中心化处理，获得第二护理指标集合、第二患者指标集合和第二管理指标集合；
步骤S820：分别获得所述第二护理指标集合、所述第二患者指标集合和所述第二管理指标集合对应的协方差矩阵；
步骤S830：分别对其协方差矩阵进行运算，获得所述第二护理指标集合、所述第二患者指标集合和所述第二管理指标集合对应的协方差矩阵的特征值和特征向量；
步骤S840：分别将所述第一护理指标集合、所述第一患者指标集合和所述第一管理指标集合投影到相应的所述特征向量，获得第一降维护理指标集合、第一降维患者指标集合和第一降维管理指标集合；
步骤S850：通过多元线性回归函数对所述第一降维护理指标集合、所述第一降维患者指标集合和所述第一降维管理指标集合进行数据拟合，获得多元指标线性回归函数。
具体而言，分别对所述第一护理指标集合、所述第一患者指标集合和所述第一管理指标集合进行去中心化处理，进行去中心化处理并通过协方差矩阵对其进行降维处理的过程为一个线性降维过程，它的目标是通过某种线性投影，将高维的数据映射到低维的空间中表示，并期望在所投影的维度上数据的方差最大，以此使用较少的数据维度，同时保留住较多的原数据点的特性。首先求解各指标集合中各指标的平均值，然后对于所有的样本，每一个指标都减去自身的均值，继而获得新的指标值，由新的指标值构成各第二指标集合，各第二指标集合为一数据矩阵。通过协方差公式：
对各第二指标集合进行运算，获得各第二指标集合对应的协方差矩阵。其中，
为
各第二指标集合中的指标数据；
为该指标数据的平均值；
为各第二指标集合中的样本
数据总量。继而通过矩阵运算，求出各协方差矩阵的特征值及特征向量，且每一特征值对应
一个特征向量。在求出的所述第一特征向量中，选取最大的前K个特征值及其对应的特征向
量，并将第一指标集合中的原始特征投影到所选取的特征向量之上，得到降维之后对应的
各第一降维指标集合。最后通过多元线性回归函数对所述第一降维护理指标集合、所述第
一降维患者指标集合和所述第一降维管理指标集合进行数据拟合，获得多元指标线性回归
函数。达到通过主成分分析法对数据库中的指标数据进行降维处理，在保证信息量的前提
下，剔除冗余数据，使得数据库中特征数据的样本量减小，且降维后信息量损失最小，从而
加快训练模型对于数据的运算速度的技术效果。
步骤S900：根据第一代价函数和所述多元指标线性回归函数，获得安全风险评估模型；
进一步而言，其中，所述第一代价函数，本申请实施例步骤S900还包括：
步骤S910：获得第一血液净化设备的工作性能数据集合；
步骤S920：根据梯度下降算法从所述第一血液净化设备的工作性能数据集合中获得第一工作性能参数，其中，所述第一工作性能参数为使得所述第一代价函数最小的工作性能参数；
步骤S930：根据所述第一工作性能参数，确定第一代价函数。
具体而言，所述第一血液净化设备的工作性能数据集合为血液净化设备在工作时的各性能参数数据，如设备工作功率、空气量、进水出水工作量等。梯度下降法（GradientDescent）是一种常用的一阶优化方法，是求解无约束优化问题最简单、经典的方法之一。梯度下降算法在机器学习中应用十分的广泛，不论是在线性回归还是逻辑回归中，它的主要目的是通过迭代找到目标函数的最小值，或者收敛到最小值，其数学公式如下：
其中，
表示学习速率；
梯度下降法会重复上式步骤，直到收敛。
所述第一血液净化设备的工作性能数据集合中的任一项对所述多元指标线性回归函数的影响不尽相同，通过梯度下降算法从所述第一血液净化设备的工作性能数据集合中获得所述第一工作性能参数，所述第一工作性能参数为使得所述多元指标线性回归函数与实际值之间误差最小的参数，根据所述第一工作性能参数，确定第一代价函数。并根据所述第一代价函数和所述多元指标线性回归函数，构建获得所述安全风险评估模型即多元线性回归模型。梯度下降算法对梯度的估计是无偏的，样例越多，标准差越低。此外，它的完成方式允许并行化，达到不但节约系统内存还可以节省大量的运算时间的技术效果。
步骤S1000：将第一护理信息、第一患者信息和第一管理信息输入所述安全风险评估模型，获得第一管理安全风险；
步骤S1100：根据所述第一管理安全风险，对所述第一血液净化中心进行安全管理。
具体而言，将第一护理信息、第一患者信息和第一管理信息输入所述安全风险评估模型，获得所述模型输出结果即第一管理安全风险。并根据所述第一管理安全风险，对所述第一血液净化中心进行如严格遵守管理标准治疗操作，严格遵守透析液的管理使用及储存，严格控制管理血透室护理人员的安全管理。
进一步而言，其中，本申请实施例步骤S750还包括：
步骤S751：对所述第一血液净化中心进行环境采样，获得环境样本数据集；
步骤S752：对所述环境样本数据集进行样本分析，获得第一合格样本数据集；
步骤S753：根据所述第一合格样本数据集在所述环境样本数据集的所占比例，获得第一环境合格率；
步骤S754：根据所述第一环境合格率，对所述第一管理质量评估结果进行修正。
具体而言，对所述第一血液净化中心按照管理规范进行环境采样，包括血液净化中心空气、血液净化设备表面及血透室医务人员等，获得环境样本数据集。对所述环境样本数据集进行样本分析，如样本细菌数量、样本毒素检测分析等，并与环境卫生合格标准进行对比，获得满足标准的第一合格样本数据集。根据所述第一合格样本数据集在所述环境样本数据集的所占比例，获得合格样本的第一环境合格率。环境合格率的达标表明血液净化中心对感染风险的管理质量，根据所述第一环境合格率，对所述第一管理质量评估结果进行修正。达到对血液净化中心环境质量进行定期监测，确保感染防控质量管理达标的技术效果。
进一步而言，其中，本申请实施例步骤S930还包括：
步骤S931：获得所述第一血液净化设备的工作性能参数集合中各工作性能参数所对应的偏导数；
步骤S932：获得学习速率；
步骤S933：根据所述各工作性能参数所对应的偏导数和所述学习速率对所述各工作性能参数进行循环更新，直到所述偏导数为0时，所述各工作性能参数停止更新，获得所述第一工作性能参数。
具体而言，学习效率指所述第一血液净化设备的工作性能参数集合到达最优值过程的速度快慢。在机器学习中，系统可以根据数据集的大小来选择合适的学习率，当使用均方误差作为代价函数时，随着数据量的增多，学习效率应该被设置为相应更小的值，同时为保证运行速度，学习效率不应过小。根据所述各工作性能参数所对应的偏导数和所述学习速率对所述各工作性能参数进行循环更新，循环更新的过程即寻找最小代价函数的过程，直到所述偏导数为0时，表示所述代价函数斜率为0，此时获得的第一工作性能参数即对所述多元指标线性回归函数影响最小的参数。通过梯度下降算法进行多次迭代运算，可以得到最小的代价函数，使得系统模型的误差达到了最小值。
进一步而言，本申请实施例步骤S750还包括：
步骤S755：分别获得所述第一血液净化中心的第一清洁区域、第一半污染区域和第一污染区域；
步骤S756：按照预定流转规则对所述第一清洁区域、所述第一半污染区域和所述第一污染区域进行排序，获得第一流转顺序；
步骤S757：对所述第一流转顺序进行评判，获得第一区域布局合理度；
步骤S758：根据所述第一区域布局合理度，对所述第一管理质量评估结果进行修正。
具体而言，所述第一血液净化中心的第一清洁区域包括医护人员办公室和生活区、水处理间、配液间、清洁库房、治疗准备室、中心静脉置管等操作室等。所述第一半污染区域包括接诊室、患者更衣室等，所述第一污染区域包括普通治疗区和隔离治疗区、洁具间、污物间等。按照预定流转规则即血液净化中心的物品流动规则，对所述第一清洁区域、所述第一半污染区域和所述第一污染区域进行排序，获得第一流转顺序。对所述第一流转顺序进行评判，获得第一区域布局合理度，正常的物品流转顺序为清洁区域→半污染区域→污染区域。所述第一区域布局合理度表明血液净化中心物品流转区域布局的合理性，根据所述第一区域布局合理度，对所述第一管理质量评估结果进行修正。达到确保血液净化中心科室区域布局合理，进而加强对感染防控风险的安全管理的技术效果。
综上所述，本申请实施例所提供的一种基于血液净化中心安全风险的智能管理方法及系统具有如下技术效果：
由于采用了按照所述血液净化中心管理标准，对护理人员进行操作绩效考核，获得第一绩效考核结果；对所述第一绩效考核结果进行特征提取，获得第一护理指标集合；根据所述病情特征决策树对历史患者数据集进行分类，获得各类别病情信息；根据所述各类别病情信息，获得第一患者指标集合；对第一血液净化中心的管理成果信息进行质量评价，获得第一管理指标集合；通过多元线性回归函数对所述第一护理指标集合、所述第一患者指标集合和所述第一管理指标集合进行数据拟合，获得多元指标线性回归函数；根据第一代价函数和所述多元指标线性回归函数，获得安全风险评估模型；将第一护理信息、第一患者信息和第一管理信息输入所述安全风险评估模型，获得第一管理安全风险；根据所述第一管理安全风险，对所述第一血液净化中心进行安全管理。进而达到通过回归模型对管理安全风险进行分析，加强对患者的护理安全管理，从而提高护理质量的技术效果。
实施例二
基于与前述实施例中一种基于血液净化中心安全风险的智能管理方法同样发明构思，本发明还提供了一种基于血液净化中心安全风险的智能管理系统，如图2所示，所述系统包括：
第一构建单元11，所述第一构建单元11用于构建血液净化中心管理标准；
第一获得单元12，所述第一获得单元12用于按照所述血液净化中心管理标准，对护理人员进行操作绩效考核，获得第一绩效考核结果；
第二获得单元13，所述第二获得单元13用于对所述第一绩效考核结果进行特征提取，获得第一护理指标集合；
第二构建单元14，所述第二构建单元14用于构建病情特征决策树；
第三获得单元15，所述第三获得单元15用于根据所述病情特征决策树对历史患者数据集进行分类，获得各类别病情信息；
第四获得单元16，所述第四获得单元16用于根据所述各类别病情信息，获得第一患者指标集合；
第五获得单元17，所述第五获得单元17用于对第一血液净化中心的管理成果信息进行质量评价，获得第一管理指标集合；
第六获得单元18，所述第六获得单元18用于通过多元线性回归函数对所述第一护理指标集合、所述第一患者指标集合和所述第一管理指标集合进行数据拟合，获得多元指标线性回归函数；
第七获得单元19，所述第七获得单元19用于根据第一代价函数和所述多元指标线性回归函数，获得安全风险评估模型；
第八获得单元20，所述第八获得单元20用于将第一护理信息、第一患者信息和第一管理信息输入所述安全风险评估模型，获得第一管理安全风险；
第一管理单元21，所述第一管理单元21用于根据所述第一管理安全风险，对所述第一血液净化中心进行安全管理。
进一步的，所述系统还包括：
第九获得单元，所述第九获得单元用于分别对所述第一护理指标集合、所述第一患者指标集合和所述第一管理指标集合进行去中心化处理，获得第二护理指标集合、第二患者指标集合和第二管理指标集合；
第十获得单元，所述第十获得单元用于分别获得所述第二护理指标集合、所述第二患者指标集合和所述第二管理指标集合对应的协方差矩阵；
第十一获得单元，所述第十一获得单元用于分别对其协方差矩阵进行运算，获得所述第二护理指标集合、所述第二患者指标集合和所述第二管理指标集合对应的协方差矩阵的特征值和特征向量；
第十二获得单元，所述第十二获得单元用于分别将所述第一护理指标集合、所述第一患者指标集合和所述第一管理指标集合投影到相应的所述特征向量，获得第一降维护理指标集合、第一降维患者指标集合和第一降维管理指标集合；
第十三获得单元，所述第十三获得单元用于通过多元线性回归函数对所述第一降维护理指标集合、所述第一降维患者指标集合和所述第一降维管理指标集合进行数据拟合，获得多元指标线性回归函数。
进一步的，所述系统还包括：
第十四获得单元，所述第十四获得单元用于获得第一管理缺陷发生率信息；
第十五获得单元，所述第十五获得单元用于获得第一患者意外事件发生率信息；
第十六获得单元，所述第十六获得单元用于根据所述第一管理缺陷发生率信息和所述第一患者意外事件发生率信息，获得第一护理人员管理成果；
第十七获得单元，所述第十七获得单元用于获得第一血液净化设备不良管理事件发生率；
第十八获得单元，所述第十八获得单元用于将所述第一护理人员管理成果和所述第一血液净化设备不良管理事件发生率输入管理质量评估模型，获得第一管理质量评估结果。
进一步的，所述系统还包括：
第十九获得单元，所述第十九获得单元用于对所述第一血液净化中心进行环境采样，获得环境样本数据集；
第二十获得单元，所述第二十获得单元用于对所述环境样本数据集进行样本分析，获得第一合格样本数据集；
第二十一获得单元，所述第二十一获得单元用于根据所述第一合格样本数据集在所述环境样本数据集的所占比例，获得第一环境合格率；
第一修正单元，所述第一修正单元用于根据所述第一环境合格率，对所述第一管理质量评估结果进行修正。
进一步的，所述系统还包括：
第二十二获得单元，所述第二十二获得单元用于获得第一血液净化设备的工作性能数据集合；
第二十三获得单元，所述第二十三获得单元用于根据梯度下降算法从所述第一血液净化设备的工作性能数据集合中获得第一工作性能参数，其中，所述第一工作性能参数为使得所述第一代价函数最小的工作性能参数；
第一确定单元，所述第一确定单元用于根据所述第一工作性能参数，确定第一代价函数。
进一步的，所述系统还包括：
第二十四获得单元，所述第二十四获得单元用于获得所述第一血液净化设备的工作性能参数集合中各工作性能参数所对应的偏导数；
第二十五获得单元，所述第二十五获得单元用于获得学习速率；
第二十六获得单元，所述第二十六获得单元用于根据所述各工作性能参数所对应的偏导数和所述学习速率对所述各工作性能参数进行循环更新，直到所述偏导数为0时，所述各工作性能参数停止更新，获得所述第一工作性能参数。
进一步的，所述系统还包括：
第二十七获得单元，所述第二十七获得单元用于分别获得所述第一血液净化中心的第一清洁区域、第一半污染区域和第一污染区域；
第二十八获得单元，所述第二十八获得单元用于按照预定流转规则对所述第一清洁区域、所述第一半污染区域和所述第一污染区域进行排序，获得第一流转顺序；
第二十九获得单元，所述第二十九获得单元用于对所述第一流转顺序进行评判，获得第一区域布局合理度；
第二修正单元，所述第二修正单元用于根据所述第一区域布局合理度，对所述第一管理质量评估结果进行修正。
前述图1实施例一中的一种基于血液净化中心安全风险的智能管理方法的各种变化方式和具体实例同样适用于本实施例的一种基于血液净化中心安全风险的智能管理系统，通过前述对一种基于血液净化中心安全风险的智能管理方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种基于血液净化中心安全风险的智能管理系统的实施方法，所以为了说明书的简洁，在此不再详述。
此外，本发明实施例还提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，该收发器、该存储器和处理器分别通过总线相连，计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
示例性电子设备
具体的，参见图3所示，本发明实施例还提供了一种电子设备，该电子设备包括总线1110、处理器1120、收发器1130、总线接口1140、存储器1150和用户接口1160。
在本发明实施例中，该电子设备还包括：存储在存储器1150上并可在处理器1120上运行的计算机程序，计算机程序被处理器1120执行时实现上述控制输出数据的方法实施例的各个过程。
收发器1130，用于在处理器1120的控制下接收和发送数据。
本发明实施例中，总线架构（用总线1110来代表），总线1110可以包括任意数量互联的总线和桥，总线1110将包括由处理器1120代表的一个或多个处理器与存储器1150代表的存储器的各种电路连接在一起。
总线1110表示若干类型的总线结构中的任何一种总线结构中的一个或多个，包括存储器总线以及存储器控制器、外围总线、加速图形端口、处理器或使用各种总线体系结构中的任意总线结构的局域总线。作为示例而非限制，这样的体系结构包括：工业标准体系结构总线、微通道体系结构总线、扩展总线、视频电子标准协会、外围部件互连总线。
处理器1120可以是一种集成电路芯片，具有信号处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中硬件的集成逻辑电路或软件形式的指令完成。上述的处理器包括：通用处理器、中央处理器、网络处理器、数字信号处理器、专用集成电路、现场可编程门阵列、复杂可编程逻辑器件、可编程逻辑阵列、微控制单元或其他可编程逻辑器件、分立门、晶体管逻辑器件、分立硬件组件。可以实现或执行本发明实施例中公开的各方法、步骤及逻辑框图。例如，处理器可以是单核处理器或多核处理器，处理器可以集成于单颗芯片或位于多颗不同的芯片。
处理器1120可以是微处理器或任何常规的处理器。结合本发明实施例所公开的方法步骤可以直接由硬件译码处理器执行完成，或者由译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存取存储器、闪存、只读存储器、可编程只读存储器、可擦除可编程只读存储器、寄存器等本领域公知的可读存储介质中。所述可读存储介质位于存储器中，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
总线1110还可以将，例如外围设备、稳压器或功率管理电路等各种其他电路连接在一起，总线接口1140在总线1110和收发器1130之间提供接口，这些都是本领域所公知的。因此，本发明实施例不再对其进行进一步描述。
收发器1130可以是一个元件，也可以是多个元件，例如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。例如：收发器1130从其他设备接收外部数据，收发器1130用于将处理器1120处理后的数据发送给其他设备。取决于计算机系统的性质，还可以提供用户接口1160，例如：触摸屏、物理键盘、显示器、鼠标、扬声器、麦克风、轨迹球、操纵杆、触控笔。
应理解，在本发明实施例中，存储器1150可进一步包括相对于处理器1120远程设置的存储器，这些远程设置的存储器可以通过网络连接至服务器。上述网络的一个或多个部分可以是自组织网络、内联网、外联网、虚拟专用网、局域网、无线局域网、广域网、无线广域网、城域网、互联网、公共交换电话网、普通老式电话业务网、蜂窝电话网、无线网络、无线保真网络以及两个或更多个上述网络的组合。例如，蜂窝电话网和无线网络可以是全球移动通信系统、码分多址系统、全球微波互联接入系统、通用分组无线业务系统、宽带码分多址系统、长期演进系统、LTE频分双工系统、LTE时分双工系统、先进长期演进系统、通用移动通信系统、增强移动宽带系统、海量机器类通信系统、超可靠低时延通信系统等。
应理解，本发明实施例中的存储器1150可以是易失性存储器或非易失性存储器，或可包括易失性存储器和非易失性存储器两者。其中，非易失性存储器包括：只读存储器、可编程只读存储器、可擦除可编程只读存储器、电可擦除可编程只读存储器，或闪存。
易失性存储器包括：随机存取存储器，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如：静态随机存取存储器、动态随机存取存储器、同步动态随机存取存储器、双倍数据速率同步动态随机存取存储器、增强型同步动态随机存取存储器、同步连接动态随机存取存储器和直接内存总线随机存取存储器。本发明实施例描述的电子设备的存储器1150包括但不限于上述和任意其他适合类型的存储器。
在本发明实施例中，存储器1150存储了操作系统1151和应用程序1152的如下元素：可执行模块、数据结构，或者其子集，或者其扩展集。
具体而言，操作系统1151包含各种系统程序，例如：框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序1152包含各种应用程序，例如：媒体播放器、浏览器，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序1152中。应用程序1152包括：小程序、对象、组件、逻辑、数据结构以及其他执行特定任务或实现特定抽象数据类型的计算机系统可执行指令。
此外，本发明实施例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控制输出数据的方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
以上所述，仅为本发明实施例的具体实施方式，但本发明实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明实施例披露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明实施例的保护范围之内。因此，本发明实施例的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于血液净化中心安全风险的智能管理方法，其中，所述方法应用于一基于血液净化中心安全风险的智能管理系统，所述方法包括：
构建血液净化中心管理标准；
按照所述血液净化中心管理标准，对护理人员进行操作绩效考核，获得第一绩效考核结果；
对所述第一绩效考核结果进行特征提取，获得第一护理指标集合；
构建病情特征决策树；
根据所述病情特征决策树对历史患者数据集进行分类，获得各类别病情信息；
根据所述各类别病情信息，获得第一患者指标集合；
对第一血液净化中心的管理成果信息进行质量评价，获得第一管理指标集合；
通过多元线性回归函数对所述第一护理指标集合、所述第一患者指标集合和所述第一管理指标集合进行数据拟合，获得多元指标线性回归函数；
根据第一代价函数和所述多元指标线性回归函数，获得安全风险评估模型；
将第一护理信息、第一患者信息和第一管理信息输入所述安全风险评估模型，获得第一管理安全风险；
根据所述第一管理安全风险，对所述第一血液净化中心进行安全管理。
2.如权利要求1所述的方法，其中，所述通过多元线性回归函数对所述第一护理指标集合、所述第一患者指标集合和所述第一管理指标集合进行数据拟合，获得多元指标线性回归函数，包括：
分别对所述第一护理指标集合、所述第一患者指标集合和所述第一管理指标集合进行去中心化处理，获得第二护理指标集合、第二患者指标集合和第二管理指标集合；
分别获得所述第二护理指标集合、所述第二患者指标集合和所述第二管理指标集合对应的协方差矩阵；
分别对其协方差矩阵进行运算，获得所述第二护理指标集合、所述第二患者指标集合和所述第二管理指标集合对应的协方差矩阵的特征值和特征向量；
分别将所述第一护理指标集合、所述第一患者指标集合和所述第一管理指标集合投影到相应的所述特征向量，获得第一降维护理指标集合、第一降维患者指标集合和第一降维管理指标集合；
通过多元线性回归函数对所述第一降维护理指标集合、所述第一降维患者指标集合和所述第一降维管理指标集合进行数据拟合，获得多元指标线性回归函数。
3.如权利要求1所述的方法，其中，所述对第一血液净化中心的管理成果信息进行质量评价之前，包括：
获得第一管理缺陷发生率信息；
获得第一患者意外事件发生率信息；
根据所述第一管理缺陷发生率信息和所述第一患者意外事件发生率信息，获得第一护理人员管理成果；
获得第一血液净化设备不良管理事件发生率；
将所述第一护理人员管理成果和所述第一血液净化设备不良管理事件发生率输入管理质量评估模型，获得第一管理质量评估结果。
4.如权利要求3所述的方法，其中，所述方法包括：
对所述第一血液净化中心进行环境采样，获得环境样本数据集；
对所述环境样本数据集进行样本分析，获得第一合格样本数据集；
根据所述第一合格样本数据集在所述环境样本数据集的所占比例，获得第一环境合格率；
根据所述第一环境合格率，对所述第一管理质量评估结果进行修正。
5.如权利要求1所述的方法，其中，所述第一代价函数，包括：
获得第一血液净化设备的工作性能数据集合；
根据梯度下降算法从所述第一血液净化设备的工作性能数据集合中获得第一工作性能参数，其中，所述第一工作性能参数为使得所述第一代价函数最小的工作性能参数；
根据所述第一工作性能参数，确定第一代价函数。
6.如权利要求5所述的方法，其中，所述方法包括：
获得所述第一血液净化设备的工作性能参数集合中各工作性能参数所对应的偏导数；
获得学习速率；
根据所述各工作性能参数所对应的偏导数和所述学习速率对所述各工作性能参数进行循环更新，直到所述偏导数为0时，所述各工作性能参数停止更新，获得所述第一工作性能参数。
7.如权利要求3所述的方法，其中，所述方法包括：
分别获得所述第一血液净化中心的第一清洁区域、第一半污染区域和第一污染区域；
按照预定流转规则对所述第一清洁区域、所述第一半污染区域和所述第一污染区域进行排序，获得第一流转顺序；
对所述第一流转顺序进行评判，获得第一区域布局合理度；
根据所述第一区域布局合理度，对所述第一管理质量评估结果进行修正。
8.一种基于血液净化中心安全风险的智能管理系统，其中，所述系统包括：
第一构建单元，所述第一构建单元用于构建血液净化中心管理标准；
第一获得单元，所述第一获得单元用于按照所述血液净化中心管理标准，对护理人员进行操作绩效考核，获得第一绩效考核结果；
第二获得单元，所述第二获得单元用于对所述第一绩效考核结果进行特征提取，获得第一护理指标集合；
第二构建单元，所述第二构建单元用于构建病情特征决策树；
第三获得单元，所述第三获得单元用于根据所述病情特征决策树对历史患者数据集进行分类，获得各类别病情信息；
第四获得单元，所述第四获得单元用于根据所述各类别病情信息，获得第一患者指标集合；
第五获得单元，所述第五获得单元用于对第一血液净化中心的管理成果信息进行质量评价，获得第一管理指标集合；
第六获得单元，所述第六获得单元用于通过多元线性回归函数对所述第一护理指标集合、所述第一患者指标集合和所述第一管理指标集合进行数据拟合，获得多元指标线性回归函数；
第七获得单元，所述第七获得单元用于根据第一代价函数和所述多元指标线性回归函数，获得安全风险评估模型；
第八获得单元，所述第八获得单元用于将第一护理信息、第一患者信息和第一管理信息输入所述安全风险评估模型，获得第一管理安全风险；
第一管理单元，所述第一管理单元用于根据所述第一管理安全风险，对所述第一血液净化中心进行安全管理。
9.一种基于血液净化中心安全风险的智能管理系统，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，其特征在于，所述计算机程序被所述处理器执行时实现如权利要求1-7中任一项所述的控制输出数据的方法中的步骤。
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如权利要求1-7中任一项所述的控制输出数据的方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110671294.0A CN113299379A (zh) | 2021-06-17 | 2021-06-17 | 一种基于血液净化中心安全风险的智能管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110671294.0A CN113299379A (zh) | 2021-06-17 | 2021-06-17 | 一种基于血液净化中心安全风险的智能管理方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113299379A true CN113299379A (zh) | 2021-08-24 |
Family
ID=77328591
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110671294.0A Withdrawn CN113299379A (zh) | 2021-06-17 | 2021-06-17 | 一种基于血液净化中心安全风险的智能管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113299379A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115391406A (zh) * | 2022-08-30 | 2022-11-25 | 南方电网调峰调频发电有限公司西部检修试验分公司 | 一种用于排水系统的数据流检修优化方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106709252A (zh) * | 2016-12-26 | 2017-05-24 | 重庆星空云医疗科技有限公司 | 预测、诊断、治疗和控制医院感染的智能决策辅助系统 |
| CN108288130A (zh) * | 2018-03-05 | 2018-07-17 | 湖北省第三人民医院 | 基于数据挖掘分析平台的临床护理绩效评价系统及方法 |
| CN112116017A (zh) * | 2020-09-25 | 2020-12-22 | 西安电子科技大学 | 基于核保持的数据降维方法 |
| CN112382392A (zh) * | 2020-11-25 | 2021-02-19 | 珠海圣美生物诊断技术有限公司 | 一种用于肺结节风险性评估的系统 |
| CN112735587A (zh) * | 2020-12-31 | 2021-04-30 | 复旦大学附属华山医院 | 血透患者残余肾功能监测及递增血透管控系统及方法 |
-
2021
- 2021-06-17 CN CN202110671294.0A patent/CN113299379A/zh not_active Withdrawn
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106709252A (zh) * | 2016-12-26 | 2017-05-24 | 重庆星空云医疗科技有限公司 | 预测、诊断、治疗和控制医院感染的智能决策辅助系统 |
| CN108288130A (zh) * | 2018-03-05 | 2018-07-17 | 湖北省第三人民医院 | 基于数据挖掘分析平台的临床护理绩效评价系统及方法 |
| CN112116017A (zh) * | 2020-09-25 | 2020-12-22 | 西安电子科技大学 | 基于核保持的数据降维方法 |
| CN112382392A (zh) * | 2020-11-25 | 2021-02-19 | 珠海圣美生物诊断技术有限公司 | 一种用于肺结节风险性评估的系统 |
| CN112735587A (zh) * | 2020-12-31 | 2021-04-30 | 复旦大学附属华山医院 | 血透患者残余肾功能监测及递增血透管控系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 吴心莜等: "《视频中人的动作分析与识别》", 30 September 2019 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115391406A (zh) * | 2022-08-30 | 2022-11-25 | 南方电网调峰调频发电有限公司西部检修试验分公司 | 一种用于排水系统的数据流检修优化方法及系统 |
| CN115391406B (zh) * | 2022-08-30 | 2023-08-22 | 南方电网调峰调频发电有限公司西部检修试验分公司 | 一种用于排水系统的数据流检修优化方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021184727A1 (zh) | 数据异常检测方法、装置、电子设备及存储介质 | |
| Franczak et al. | Mixtures of shifted asymmetriclaplace distributions | |
| CN107563120B (zh) | 针对患者的医生推荐方法及装置 | |
| Zainodin et al. | An alternative multicollinearity approach in solving multiple regression problem | |
| CN111242793B (zh) | 医保数据异常的检测方法和装置 | |
| CN111739653B (zh) | 传染病传播的评估方法、装置、计算机设备和存储介质 | |
| US12027258B2 (en) | Patient treatment resource utilization predictor | |
| CN110442911B (zh) | 一种基于统计机器学习的高维复杂系统不确定性分析方法 | |
| CN114141349A (zh) | 一种icu护理人员的智能调配方法及系统 | |
| CN110895495A (zh) | 人因失误分析方法、系统、计算机设备及存储介质 | |
| CN113299379A (zh) | 一种基于血液净化中心安全风险的智能管理方法及系统 | |
| Gertheiss et al. | Regularization and model selection with categorial effect modifiers | |
| CN109817328A (zh) | 一种判别哮喘的方法及装置 | |
| CN111584065A (zh) | 噪声性听力损失预测及易感人群筛选方法、装置、终端和介质 | |
| Cheng et al. | Nonparametric association analysis of bivariate competing-risks data | |
| CN113380392A (zh) | 一种基于妇科检查安全评估的就诊管理方法及系统 | |
| WO2023050668A1 (zh) | 基于因果推断的分群模型构建方法和医疗数据处理方法 | |
| CN113988676B (zh) | 一种水处理设备的安全管理方法及系统 | |
| Azeez et al. | Secondary triage classification using an ensemble random forest technique | |
| CN111081325B (zh) | 医疗数据处理方法与装置 | |
| CN110391026A (zh) | 基于医疗概率图的信息分类方法、装置及设备 | |
| CN110827932B (zh) | 医疗数据的分类处理方法及装置、存储介质、电子设备 | |
| Bartz-Beielstein et al. | Resource planning for hospitals under special consideration of the covid-19 pandemic: Optimization and sensitivity analysis | |
| CN116825360B (zh) | 基于图神经网络的慢病共病预测方法、装置及相关设备 | |
| CN109543774B (zh) | 异常血透配比检测方法、装置、设备及计算机存储介质 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210824 |