CN113724845B - 基于人工智能的医护人员配比检测方法及相关装置 - Google Patents
基于人工智能的医护人员配比检测方法及相关装置 Download PDFInfo
- Publication number
- CN113724845B CN113724845B CN202111007736.8A CN202111007736A CN113724845B CN 113724845 B CN113724845 B CN 113724845B CN 202111007736 A CN202111007736 A CN 202111007736A CN 113724845 B CN113724845 B CN 113724845B
- Authority
- CN
- China
- Prior art keywords
- detection
- factor
- data
- proportioning
- detected
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 242
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 51
- 230000007246 mechanism Effects 0.000 claims abstract description 137
- 238000012549 training Methods 0.000 claims abstract description 81
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000003032 molecular docking Methods 0.000 claims abstract description 6
- 238000012544 monitoring process Methods 0.000 claims description 16
- 230000008520 organization Effects 0.000 claims description 10
- 230000010354 integration Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 11
- 238000011161 development Methods 0.000 description 9
- 238000010606 normalization Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Computing Systems (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请涉及人工智能技术及数字医疗领域，提供基于人工智能的医护人员配比检测方法，包括：对接目标系统，从目标系统中获取目标信息，从目标信息中提取机构地址，并根据机构地址计算人口基数作为第一因子，从目标信息中提取执业范围，并对执业范围进行规范化处理，得到第二因子；从目标信息中提取历史数据，以第一因子、第二因子及历史数据构建训练样本，并利用训练样本训练预设回归模型，得到检测模型；获取待检测数据，将待检测数据输入至检测模型，并获取检测模型的输出作为预测配比；获取待检测机构的实际配比，并对比预测配比与实际配比，得到检测结果。本申请以每个机构独有的数据作为基础训练检测模型，消除了检测误差，准确度更高。
Description
技术领域
本申请属于人工智能技术领域，尤其涉及一种基于人工智能的医护人员配比检测方法、装置、设备及存储介质。
背景技术
对于民营医疗机构而言，机构医护人员的合理分配能够提高民营医疗机构的接待量，降低风险处方的占比，进而能够促进民营医疗机构的规范化发展，提高诊所服务质量，为患者提供更好、更全面的服务，促成医疗机构和患者的双赢，而民营医疗机构大多存在医护人员配比不达标的情况，如医师数量不足、护士数量不足、医师职称要求不达标，以及医师各类资质级别占比不均等。
为了避免上述问题，需要对医护人员配比进行检测，但是，现有的医护人员配比检测方案还存在很多问题，不仅效率低，且出错率较高，方案也不具备普遍适用性，导致检测结果的准确率也较低。
发明内容
鉴于以上内容，本发明提供一种基于人工智能的医护人员配比检测方法、装置、设备及存储介质，其目的在于解决现有技术中效率低且出错率较高的技术问题。
为实现上述目的，本发明提供一种基于人工智能的医护人员配比检测方法，该方法包括：
当接收到医护人员配比检测指令时，根据所述医护人员配比检测指令确定待检测机构及与所述待检测机构对应的目标系统；
对接所述目标系统，从所述目标系统中获取目标信息，从所述目标信息中提取机构地址，并根据所述机构地址计算人口基数作为第一因子，从所述目标信息中提取执业范围，并对所述执业范围进行规范化处理，得到第二因子；
从所述目标信息中提取历史数据，以所述第一因子、所述第二因子及所述历史数据构建训练样本，并利用所述训练样本训练预设回归模型，得到检测模型；
获取待检测数据，将所述待检测数据输入至所述检测模型，并获取所述检测模型的输出作为预测配比；
获取所述待检测机构的实际配比，并对比所述预测配比与所述实际配比，得到检测结果。
优选的，所述根据所述医护人员配比检测指令确定待检测机构及与所述待检测机构对应的目标系统，包括：
解析所述医护人员配比检测指令的方法体，得到所述医护人员配比检测指令所携带的信息；
获取预设标签，并以所述预设标签在所述医护人员配比检测指令所携带的信息中进行匹配；
获取匹配的信息，并将所述匹配的信息确定为所述待检测机构；
确定所述待检测机构的目标机构标识；
在预先配置的系统列表中遍历所述目标机构标识，其中，所述系统列表中存储着机构标识与系统的对应关系；
将遍历到的机构标识对应的系统确定为所述目标系统。
优选的，所述根据所述机构地址计算人口基数作为第一因子，包括：
连接指定服务器，并从所述指定服务器中获取与所述机构地址对应的人口地图；
从所述人口地图中获取人口密度及人口分布数据；
计算所述人口密度与所述人口分布数据的乘积作为所述人口基数；
对所述人口基数进行标准化处理，得到所述第一因子。
优选的，所述以所述第一因子、所述第二因子及所述历史数据构建训练样本，包括：
以预设时长为时间间隔划分所述历史数据，得到多个子数据；
对于所述多个子数据中的每个子数据，提取每个子数据中的患者就诊量作为第一变量，并提取每个子数据中的医疗处方量作为第二变量；
组合每个第一变量及对应的第二变量，与所述第一因子、所述第二因子，得到子样本；
整合得到的所有子样本作为所述训练样本。
优选的，所述利用所述训练样本训练预设回归模型，得到检测模型，包括：
采用最小二乘法，以所述训练样本对所述预设回归模型的回归参数进行学习；
获取所述预设回归模型的误差平方和；
当所述误差平方和不再减小时，停止学习所述预设回归模型的回归参数，得到所述检测模型。
优选的，所述方法还包括：
将所述第一因子、所述第二因子、所述第一变量及所述第二变量确定为监测指标，并对所述监测指标进行周期性监测；
当监测到有任意监测指标在任意周期内的变化量超过预设阈值时，更新所述训练样本；
以更新后的训练样本对所述检测模型进行优化训练。
优选的，所述对比所述预测配比与所述实际配比，得到检测结果，包括：
计算所述预测配比与所述实际配比的相对偏差；
当所述相对偏差大于或者等于预设值时，确定所述检测结果为不达标；或者
当所述相对偏差小于所述预设值时，确定所述检测结果为达标。
为实现上述目的，本发明还提供一种基于人工智能的医护人员配比检测装置，所述装置包括：
确定模块，用于当接收到医护人员配比检测指令时，根据所述医护人员配比检测指令确定待检测机构及与所述待检测机构对应的目标系统；
处理模块，用于对接所述目标系统，从所述目标系统中获取目标信息，从所述目标信息中提取机构地址，并根据所述机构地址计算人口基数作为第一因子，从所述目标信息中提取执业范围，并对所述执业范围进行规范化处理，得到第二因子；
检测模块，用于从所述目标信息中提取历史数据，以所述第一因子、所述第二因子及所述历史数据构建训练样本，并利用所述训练样本训练预设回归模型，得到检测模型；
输出模块，用于获取待检测数据，将所述待检测数据输入至所述检测模型，并获取所述检测模型的输出作为预测配比；
对比模块，用于获取所述待检测机构的实际配比，并对比所述预测配比与所述实际配比，得到检测结果。
为实现上述目的，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的程序，所述程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行所述基于人工智能的医护人员配比检测方法。
为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有基于人工智能的医护人员配比检测程序，所述基于人工智能的医护人员配比检测程序被处理器执行时，实现所述基于人工智能的医护人员配比检测方法的步骤。
本发明能够当接收到医护人员配比检测指令时，根据所述医护人员配比检测指令确定待检测机构及与所述待检测机构对应的目标系统，对接所述目标系统，并从所述目标系统中获取目标信息，从所述目标信息中提取机构地址，并根据所述机构地址计算人口基数作为第一因子，从所述目标信息中提取执业范围，并对所述执业范围进行规范化处理，得到第二因子，从所述目标信息中提取历史数据，以所述第一因子、所述第二因子及所述历史数据构建训练样本，并利用所述训练样本训练预设回归模型，得到检测模型，能够基于每个机构不同的训练样本自动训练得到适用于不同机构的检测模型，以便后续直接利用所述检测模型对对应机构的医护人员配比进行自动检测，不仅满足数字医疗中对于数据的自动化处理需求，提高了检测效率，同时也为不同的机构配置了个性化且适应性更强的检测模型，避免了由于不同机构配置统一检测标准造成的不合理现象，获取待检测数据，将所述待检测数据输入至所述检测模型，并获取所述检测模型的输出作为预测配比，获取所述待检测机构的实际配比，并对比所述预测配比与所述实际配比，得到检测结果，能够结合数字医疗手段及人工智能手段实现对医护人员配比的自动检测，以每个机构独有的数据作为基础训练检测模型，消除了统一评价标准带来的检测误差，因此检测的准确度和可信度更高，做到了因“机构”而异，而不是一概而论，以偏概全，有效解决了现有技术中需要人为配置带来的标准不一的问题，为各个医疗机构的整改提供了有力的证据，不仅节省了政府监管的成本，还促进了医疗机构的合理化、规范化发展，同时在一定程度上减少了患者的就医困难和压力，为患者提供更全面、更精致化的服务。
附图说明
为了更清楚地说明本申请的实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明电子设备较佳实施例的示意图；
图2为图1中基于人工智能的医护人员配比检测装置较佳实施例的模块示意图；
图3为本发明基于人工智能的医护人员配比检测方法较佳实施例的流程图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参照图1所示，为本发明电子设备1较佳实施例的示意图。
该电子设备1包括但不限于：存储器11、处理器12、显示器13及网络接口14。所述电子设备1通过网络接口14连接网络，获取原始数据。其中，所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(Global System ofMobilecommunication，GSM)、宽带码分多址(Wideband Code Division Multiple Access，WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi通话网络等无线或有线网络。
其中，存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器11可以是所述电子设备1的内部存储单元，例如该电子设备1的硬盘或内存。在另一些实施例中，所述存储器11也可以是所述电子设备1的外部存储设备，例如该电子设备1配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器11还可以既包括所述电子设备1的内部存储单元也包括其外部存储设备。本实施例中，存储器11通常用于存储安装于所述电子设备1的操作系统和各类应用软件，例如基于人工智能的医护人员配比检测程序10的程序代码等。此外，存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器12在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器12通常用于控制所述电子设备1的总体操作，例如执行数据交互或者通信相关的控制和处理等。本实施例中，所述处理器12用于运行所述存储器11中存储的程序代码或者处理数据，例如运行基于人工智能的医护人员配比检测程序10的程序代码等。
显示器13可以称为显示屏或显示单元。在一些实施例中显示器13可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-EmittingDiode，OLED)触摸器等。显示器13用于显示在电子设备1中处理的信息以及用于显示可视化的工作界面，例如显示数据统计的结果。
网络接口14可选地可以包括标准的有线接口、无线接口(如WI-FI接口)，该网络接口14通常用于在所述电子设备1与其它电子设备之间建立通信连接。
图1仅示出了具有组件11-14以及基于人工智能的医护人员配比检测程序10的电子设备1，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
可选地，所述电子设备1还可以包括目标用户接口，目标用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的目标用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-Emitting Diode，OLED)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的目标用户界面。
该电子设备1还可以包括射频(Radio Frequency，RF)电路、传感器和音频电路等等，在此不再赘述。
在上述实施例中，处理器12执行存储器11中存储的基于人工智能的医护人员配比检测程序10时可以实现如下步骤：
当接收到医护人员配比检测指令时，根据所述医护人员配比检测指令确定待检测机构及与所述待检测机构对应的目标系统；
对接所述目标系统，从所述目标系统中获取目标信息，从所述目标信息中提取机构地址，并根据所述机构地址计算人口基数作为第一因子，从所述目标信息中提取执业范围，并对所述执业范围进行规范化处理，得到第二因子；
从所述目标信息中提取历史数据，以所述第一因子、所述第二因子及所述历史数据构建训练样本，并利用所述训练样本训练预设回归模型，得到检测模型；
获取待检测数据，将所述待检测数据输入至所述检测模型，并获取所述检测模型的输出作为预测配比；
获取所述待检测机构的实际配比，并对比所述预测配比与所述实际配比，得到检测结果。关于上述步骤的详细介绍，请参照下述图2关于基于人工智能的医护人员配比检测装置100实施例的功能模块图以及图3关于基于人工智能的医护人员配比检测方法实施例的流程图的说明。
参照图2所示，为本发明基于人工智能的医护人员配比检测装置100的功能模块图。
本发明所述基于人工智能的医护人员配比检测装置100可以安装于电子设备中。根据实现的功能，所述基于人工智能的医护人员配比检测装置100可以包括确定模块110、处理模块120、检测模块130、输出模块140及对比模块150。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
确定模块110，用于当接收到医护人员配比检测指令时，根据所述医护人员配比检测指令确定待检测机构及与所述待检测机构对应的目标系统。
其中，所述医护人员配比检测指令可以配置为周期性触发，以实现对医护人员配比的周期性检测，
当然，也可以由相关工作人员(如民营医疗机构监管人员)根据监管需求进行触发，本发明不限制。
在本发明的至少一个实施例中，所述根据所述医护人员配比检测指令确定待检测机构及与所述待检测机构对应的目标系统，包括：
解析所述医护人员配比检测指令的方法体，得到所述医护人员配比检测指令所携带的信息；
获取预设标签，并以所述预设标签在所述医护人员配比检测指令所携带的信息中进行匹配；
获取匹配的信息，并将所述匹配的信息确定为所述待检测机构；
确定所述待检测机构的目标机构标识；
在预先配置的系统列表中遍历所述目标机构标识，其中，所述系统列表中存储着机构标识与系统的对应关系；
将遍历到的机构标识对应的系统确定为所述目标系统。
其中，所述预设标签及所述机构标识可以进行自定义配置，所述预设标签及所述机构标识都具有唯一性。
通过上述实施方式，能够根据唯一的预设标签及唯一的目标机构标识分别准确定位到待检测机构及与所述待检测机构对应的目标系统。
其中，所述目标系统用于存储对应的医疗机构的相关数据，例如，所述目标系统可以是HIS系统(Hospital Information System，医院信息系统)。
处理模块120，用于对接所述目标系统，从所述目标系统中获取目标信息，从所述目标信息中提取机构地址，并根据所述机构地址计算人口基数作为第一因子，从所述目标信息中提取执业范围，并对所述执业范围进行规范化处理，得到第二因子。
在本实施例中，所述目标信息可以包括，但不限于以下一种或者多种的组合：机构地址、执业范围、患者就诊量、医疗处方量。
其中，所述机构地址可以是所述待检测机构的位置数据。
其中，所述执业范围是指所述待检测机构服务的地域范围，如所述待检测机构所属的小区等。
在本发明的至少一个实施例中，可以采用以下任意一种方式对所述执业范围进行规范化处理：
(1)离差标准化，即对所述执业范围进行线性变换，使结果映射到[0,1]区间；
(2)min-max标准化(Min-max normalization)；
(3)0-1标准化(0-1normalization)；
(4)线性函数归一化。
当然，根据实际需求，还可以采用其他方式，本发明不限制。
在本发明的至少一个实施例中，所述根据所述机构地址计算人口基数作为第一因子，包括：
连接指定服务器，并从所述指定服务器中获取与所述机构地址对应的人口地图；
从所述人口地图中获取人口密度及人口分布数据；
计算所述人口密度与所述人口分布数据的乘积作为所述人口基数；
对所述人口基数进行标准化处理，得到所述第一因子。
其中，所述指定服务器可以包括任意导航程序等。
检测模块130，用于从所述目标信息中提取历史数据，以所述第一因子、所述第二因子及所述历史数据构建训练样本，并利用所述训练样本训练预设回归模型，得到检测模型。
在本实施例中，所述历史数据中包括，但不限于以下一种或者多种数据的组合：患者就诊量、医疗处方量。
在本发明的至少一个实施例中，所述以所述第一因子、所述第二因子及所述历史数据构建训练样本，包括：
以预设时长为时间间隔划分所述历史数据，得到多个子数据；
对于所述多个子数据中的每个子数据，提取每个子数据中的患者就诊量作为第一变量，并提取每个子数据中的医疗处方量作为第二变量；
组合每个第一变量及对应的第二变量，与所述第一因子、所述第二因子，得到子样本；
整合得到的所有子样本作为所述训练样本。
其中，所述预设时长可以进行自定义配置，例如：所述预设时长可以为1年，也可以为6个月。
进一步地，所述利用所述训练样本训练预设回归模型，得到检测模型，包括：
采用最小二乘法，以所述训练样本对所述预设回归模型的回归参数进行学习；
获取所述预设回归模型的误差平方和；
当所述误差平方和不再减小时，停止学习所述预设回归模型的回归参数，得到所述检测模型。
通过上述实施方式，能够基于每个机构不同的训练样本自动训练得到适用于不同机构的检测模型，以便后续直接利用所述检测模型对对应机构的医护人员配比进行自动检测，不仅满足数字医疗中对于数据的自动化处理需求，提高了检测效率，同时也为不同的机构配置了个性化且适应性更强的检测模型，避免了由于不同机构配置统一检测标准造成的不合理现象。
在本发明的至少一个实施例中，还包括：
将所述第一因子、所述第二因子、所述第一变量及所述第二变量确定为监测指标，并对所述监测指标进行周期性监测；
当监测到有任意监测指标在任意周期内的变化量超过预设阈值时，更新所述训练样本；
以更新后的训练样本对所述检测模型进行优化训练。
通过上述实施方式，能够在监测到指标发生大幅度变动时及时更新所述检测模型，以不断适应新的需求，实现对检测模型的动态更新，提高了检测模型的可用性。
输出模块140，用于获取待检测数据，将所述待检测数据输入至所述检测模型，并获取所述检测模型的输出作为预测配比。
例如：所述预测配比可以为：医师50人，护士70人。
所述预测配比为所述待检测机构的合理配比，所述预测配比可以作为衡量基准以判定所述待检测机构的配比是否达标。
通过上述实施方式，能够结合数字医疗手段及人工智能手段实现对医护人员配比的自动检测，以每个机构独有的数据作为基础训练检测模型，消除了统一评价标准带来的检测误差，因此检测的准确度和可信度更高，做到了因“机构”而异，而不是一概而论，以偏概全，有效解决了现有技术中需要人为配置带来的标准不一的问题，为各个医疗机构的整改提供了有力的证据，不仅节省了政府监管的成本，还促进了医疗机构的合理化、规范化发展，同时在一定程度上减少了患者的就医困难和压力，为患者提供更全面、更精致化的服务。
对比模块150，用于获取所述待检测机构的实际配比，并对比所述预测配比与所述实际配比，得到检测结果。
其中，所述实际配比是指所述待检测机构当前的医护人员配比，通过将预测的配比与实际的配比进行比较，即可确定所述待检测机构当前的医护人员配比是否合理。
在本发明的至少一个实施例中，所述对比所述预测配比与所述实际配比，得到检测结果，包括：
计算所述预测配比与所述实际配比的相对偏差；
当所述相对偏差大于或者等于预设值时，确定所述检测结果为不达标；或者
当所述相对偏差小于所述预设值时，确定所述检测结果为达标。
其中，所述预设值可以根据实际需求进行自定义配置。
通过上述实施方式，能够自动检测出医疗机构的医护人员配比是否达标，以提高医疗机构的接待量，降低风险处方的占比，进而促进医疗机构的规范化发展，提高就诊服务质量，为患者提供更好、更全面的服务。
进一步地，在确定所述检测结果为不达标后，所述方法还包括：
将所述检测结果存储在区块链上；
当接收到传输指令时，从所述区块链上获取所述检测结果，并对所述检测结果进行加密处理；
上报加密处理后的检测结果至指定终端。
其中，所述指定终端可以是监管平台的终端，也可以是所述待检测机构的相关负责人的终端，以达到警示作用，进而辅助监督及改进所述待检测机构的医护人员配比情况，同时，将所述检测结果存储在区块链上，能够有效防止数据被恶意篡改，提高数据的安全性。
本发明能够当接收到医护人员配比检测指令时，根据所述医护人员配比检测指令确定待检测机构及与所述待检测机构对应的目标系统，对接所述目标系统，并从所述目标系统中获取目标信息，从所述目标信息中提取机构地址，并根据所述机构地址计算人口基数作为第一因子，从所述目标信息中提取执业范围，并对所述执业范围进行规范化处理，得到第二因子，从所述目标信息中提取历史数据，以所述第一因子、所述第二因子及所述历史数据构建训练样本，并利用所述训练样本训练预设回归模型，得到检测模型，能够基于每个机构不同的训练样本自动训练得到适用于不同机构的检测模型，以便后续直接利用所述检测模型对对应机构的医护人员配比进行自动检测，不仅满足数字医疗中对于数据的自动化处理需求，提高了检测效率，同时也为不同的机构配置了个性化且适应性更强的检测模型，避免了由于不同机构配置统一检测标准造成的不合理现象，获取待检测数据，将所述待检测数据输入至所述检测模型，并获取所述检测模型的输出作为预测配比，获取所述待检测机构的实际配比，并对比所述预测配比与所述实际配比，得到检测结果，能够结合数字医疗手段及人工智能手段实现对医护人员配比的自动检测，以每个机构独有的数据作为基础训练检测模型，消除了统一评价标准带来的检测误差，因此检测的准确度和可信度更高，做到了因“机构”而异，而不是一概而论，以偏概全，有效解决了现有技术中需要人为配置带来的标准不一的问题，为各个医疗机构的整改提供了有力的证据，不仅节省了政府监管的成本，还促进了医疗机构的合理化、规范化发展，同时在一定程度上减少了患者的就医困难和压力，为患者提供更全面、更精致化的服务。
此外，本发明还提供一种基于人工智能的医护人员配比检测方法。参照图3所示，为本发明基于人工智能的医护人员配比检测方法的实施例的方法流程示意图。电子设备1的处理器12执行存储器11中存储的基于人工智能的医护人员配比检测程序10时，实现基于人工智能的医护人员配比检测方法，包括步骤S101-S105。以下对各个步骤进行具体说明。
S101：当接收到医护人员配比检测指令时，根据所述医护人员配比检测指令确定待检测机构及与所述待检测机构对应的目标系统。
其中，所述医护人员配比检测指令可以配置为周期性触发，以实现对医护人员配比的周期性检测，
当然，也可以由相关工作人员(如民营医疗机构监管人员)根据监管需求进行触发，本发明不限制。
在本发明的至少一个实施例中，所述根据所述医护人员配比检测指令确定待检测机构及与所述待检测机构对应的目标系统，包括：
解析所述医护人员配比检测指令的方法体，得到所述医护人员配比检测指令所携带的信息；
获取预设标签，并以所述预设标签在所述医护人员配比检测指令所携带的信息中进行匹配；
获取匹配的信息，并将所述匹配的信息确定为所述待检测机构；
确定所述待检测机构的目标机构标识；
在预先配置的系统列表中遍历所述目标机构标识，其中，所述系统列表中存储着机构标识与系统的对应关系；
将遍历到的机构标识对应的系统确定为所述目标系统。
其中，所述预设标签及所述机构标识可以进行自定义配置，所述预设标签及所述机构标识都具有唯一性。
通过上述实施方式，能够根据唯一的预设标签及唯一的目标机构标识分别准确定位到待检测机构及与所述待检测机构对应的目标系统。
其中，所述目标系统用于存储对应的医疗机构的相关数据，例如，所述目标系统可以是HIS系统(Hospital Information System，医院信息系统)。
S102：对接所述目标系统，从所述目标系统中获取目标信息，从所述目标信息中提取机构地址，并根据所述机构地址计算人口基数作为第一因子，从所述目标信息中提取执业范围，并对所述执业范围进行规范化处理，得到第二因子。
在本实施例中，所述目标信息可以包括，但不限于以下一种或者多种的组合：机构地址、执业范围、患者就诊量、医疗处方量。
其中，所述机构地址可以是所述待检测机构的位置数据。
其中，所述执业范围是指所述待检测机构服务的地域范围，如所述待检测机构所属的小区等。
在本发明的至少一个实施例中，可以采用以下任意一种方式对所述执业范围进行规范化处理：
(1)离差标准化，即对所述执业范围进行线性变换，使结果映射到[0,1]区间；
(2)min-max标准化(Min-max normalization)；
(3)0-1标准化(0-1normalization)；
(4)线性函数归一化。
当然，根据实际需求，还可以采用其他方式，本发明不限制。
在本发明的至少一个实施例中，所述根据所述机构地址计算人口基数作为第一因子，包括：
连接指定服务器，并从所述指定服务器中获取与所述机构地址对应的人口地图；
从所述人口地图中获取人口密度及人口分布数据；
计算所述人口密度与所述人口分布数据的乘积作为所述人口基数；
对所述人口基数进行标准化处理，得到所述第一因子。
其中，所述指定服务器可以包括任意导航程序等。
S103：从所述目标信息中提取历史数据，以所述第一因子、所述第二因子及所述历史数据构建训练样本，并利用所述训练样本训练预设回归模型，得到检测模型。
在本实施例中，所述历史数据中包括，但不限于以下一种或者多种数据的组合：患者就诊量、医疗处方量。
在本发明的至少一个实施例中，所述以所述第一因子、所述第二因子及所述历史数据构建训练样本，包括：
以预设时长为时间间隔划分所述历史数据，得到多个子数据；
对于所述多个子数据中的每个子数据，提取每个子数据中的患者就诊量作为第一变量，并提取每个子数据中的医疗处方量作为第二变量；
组合每个第一变量及对应的第二变量，与所述第一因子、所述第二因子，得到子样本；
整合得到的所有子样本作为所述训练样本。
其中，所述预设时长可以进行自定义配置，例如：所述预设时长可以为1年，也可以为6个月。
进一步地，所述利用所述训练样本训练预设回归模型，得到检测模型，包括：
采用最小二乘法，以所述训练样本对所述预设回归模型的回归参数进行学习；
获取所述预设回归模型的误差平方和；
当所述误差平方和不再减小时，停止学习所述预设回归模型的回归参数，得到所述检测模型。
通过上述实施方式，能够基于每个机构不同的训练样本自动训练得到适用于不同机构的检测模型，以便后续直接利用所述检测模型对对应机构的医护人员配比进行自动检测，不仅满足数字医疗中对于数据的自动化处理需求，提高了检测效率，同时也为不同的机构配置了个性化且适应性更强的检测模型，避免了由于不同机构配置统一检测标准造成的不合理现象。
在本发明的至少一个实施例中，还包括：
将所述第一因子、所述第二因子、所述第一变量及所述第二变量确定为监测指标，并对所述监测指标进行周期性监测；
当监测到有任意监测指标在任意周期内的变化量超过预设阈值时，更新所述训练样本；
以更新后的训练样本对所述检测模型进行优化训练。
通过上述实施方式，能够在监测到指标发生大幅度变动时及时更新所述检测模型，以不断适应新的需求，实现对检测模型的动态更新，提高了检测模型的可用性。
S104：获取待检测数据，将所述待检测数据输入至所述检测模型，并获取所述检测模型的输出作为预测配比。
例如：所述预测配比可以为：医师50人，护士70人。
所述预测配比为所述待检测机构的合理配比，所述预测配比可以作为衡量基准以判定所述待检测机构的配比是否达标。
通过上述实施方式，能够结合数字医疗手段及人工智能手段实现对医护人员配比的自动检测，以每个机构独有的数据作为基础训练检测模型，消除了统一评价标准带来的检测误差，因此检测的准确度和可信度更高，做到了因“机构”而异，而不是一概而论，以偏概全，有效解决了现有技术中需要人为配置带来的标准不一的问题，为各个医疗机构的整改提供了有力的证据，不仅节省了政府监管的成本，还促进了医疗机构的合理化、规范化发展，同时在一定程度上减少了患者的就医困难和压力，为患者提供更全面、更精致化的服务。
S105：获取所述待检测机构的实际配比，并对比所述预测配比与所述实际配比，得到检测结果。
其中，所述实际配比是指所述待检测机构当前的医护人员配比，通过将预测的配比与实际的配比进行比较，即可确定所述待检测机构当前的医护人员配比是否合理。
在本发明的至少一个实施例中，所述对比所述预测配比与所述实际配比，得到检测结果，包括：
计算所述预测配比与所述实际配比的相对偏差；
当所述相对偏差大于或者等于预设值时，确定所述检测结果为不达标；或者
当所述相对偏差小于所述预设值时，确定所述检测结果为达标。
其中，所述预设值可以根据实际需求进行自定义配置。
通过上述实施方式，能够自动检测出医疗机构的医护人员配比是否达标，以提高医疗机构的接待量，降低风险处方的占比，进而促进医疗机构的规范化发展，提高就诊服务质量，为患者提供更好、更全面的服务。
进一步地，在确定所述检测结果为不达标后，所述方法还包括：
将所述检测结果存储在区块链上；
当接收到传输指令时，从所述区块链上获取所述检测结果，并对所述检测结果进行加密处理；
上报加密处理后的检测结果至指定终端。
其中，所述指定终端可以是监管平台的终端，也可以是所述待检测机构的相关负责人的终端，以达到警示作用，进而辅助监督及改进所述待检测机构的医护人员配比情况，同时，将所述检测结果存储在区块链上，能够有效防止数据被恶意篡改，提高数据的安全性。
本发明能够当接收到医护人员配比检测指令时，根据所述医护人员配比检测指令确定待检测机构及与所述待检测机构对应的目标系统，对接所述目标系统，并从所述目标系统中获取目标信息，从所述目标信息中提取机构地址，并根据所述机构地址计算人口基数作为第一因子，从所述目标信息中提取执业范围，并对所述执业范围进行规范化处理，得到第二因子，从所述目标信息中提取历史数据，以所述第一因子、所述第二因子及所述历史数据构建训练样本，并利用所述训练样本训练预设回归模型，得到检测模型，能够基于每个机构不同的训练样本自动训练得到适用于不同机构的检测模型，以便后续直接利用所述检测模型对对应机构的医护人员配比进行自动检测，不仅满足数字医疗中对于数据的自动化处理需求，提高了检测效率，同时也为不同的机构配置了个性化且适应性更强的检测模型，避免了由于不同机构配置统一检测标准造成的不合理现象，获取待检测数据，将所述待检测数据输入至所述检测模型，并获取所述检测模型的输出作为预测配比，获取所述待检测机构的实际配比，并对比所述预测配比与所述实际配比，得到检测结果，能够结合数字医疗手段及人工智能手段实现对医护人员配比的自动检测，以每个机构独有的数据作为基础训练检测模型，消除了统一评价标准带来的检测误差，因此检测的准确度和可信度更高，做到了因“机构”而异，而不是一概而论，以偏概全，有效解决了现有技术中需要人为配置带来的标准不一的问题，为各个医疗机构的整改提供了有力的证据，不仅节省了政府监管的成本，还促进了医疗机构的合理化、规范化发展，同时在一定程度上减少了患者的就医困难和压力，为患者提供更全面、更精致化的服务。
此外，本发明实施例还提出一种计算机可读存储介质，该计算机可读存储介质可以是硬盘、多媒体卡、SD卡、闪存卡、SMC、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器等等中的任意一种或者几种的任意组合。所述计算机可读存储介质中包括存储数据区和存储程序区，存储数据区存储根据区块链节点的使用所创建的数据，存储程序区存储有基于人工智能的医护人员配比检测程序10，所述基于人工智能的医护人员配比检测程序10被处理器执行时，实现如下操作：
当接收到医护人员配比检测指令时，根据所述医护人员配比检测指令确定待检测机构及与所述待检测机构对应的目标系统；
对接所述目标系统，从所述目标系统中获取目标信息，从所述目标信息中提取机构地址，并根据所述机构地址计算人口基数作为第一因子，从所述目标信息中提取执业范围，并对所述执业范围进行规范化处理，得到第二因子；
从所述目标信息中提取历史数据，以所述第一因子、所述第二因子及所述历史数据构建训练样本，并利用所述训练样本训练预设回归模型，得到检测模型；
获取待检测数据，将所述待检测数据输入至所述检测模型，并获取所述检测模型的输出作为预测配比；
获取所述待检测机构的实际配比，并对比所述预测配比与所述实际配比，得到检测结果。
在另一个实施例中，本发明所提供的基于人工智能的医护人员配比检测方法，为进一步保证上述所有出现的数据的私密和安全性，上述所有数据还可以存储于一区块链的节点中。例如二维码、识别码等等，这些数据均可存储在区块链节点中。
需要说明的是，本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，本发明还可应用于智慧医疗，从而推动智慧城市的建设即数字医疗的发展。
本发明之计算机可读存储介质的具体实施方式与上述基于人工智能的医护人员配比检测方法的具体实施方式大致相同，在此不再赘述。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语"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。
需要说明的是，上述本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用于使得一台电子设备(可以是手机，计算机，电子装置，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明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，均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种基于人工智能的医护人员配比检测方法，其特征在于，所述方法包括：
当接收到医护人员配比检测指令时，根据所述医护人员配比检测指令确定待检测机构及与所述待检测机构对应的目标系统；
对接所述目标系统，从所述目标系统中获取目标信息，从所述目标信息中提取机构地址，并根据所述机构地址计算人口基数作为第一因子，从所述目标信息中提取执业范围，并对所述执业范围进行规范化处理，得到第二因子；
从所述目标信息中提取历史数据，以所述第一因子、所述第二因子及所述历史数据构建训练样本，并利用所述训练样本训练预设回归模型，得到检测模型；所述以所述第一因子、所述第二因子及所述历史数据构建训练样本，包括：以预设时长为时间间隔划分所述历史数据，得到多个子数据；对于所述多个子数据中的每个子数据，提取每个子数据中的患者就诊量作为第一变量，并提取每个子数据中的医疗处方量作为第二变量；组合每个第一变量及对应的第二变量，与所述第一因子、所述第二因子，得到子样本；整合得到的所有子样本作为所述训练样本；
所述利用所述训练样本训练预设回归模型，得到检测模型，包括：采用最小二乘法，以所述训练样本对所述预设回归模型的回归参数进行学习；获取所述预设回归模型的误差平方和；当所述误差平方和不再减小时，停止学习所述预设回归模型的回归参数，得到所述检测模型；
获取待检测数据，将所述待检测数据输入至所述检测模型，并获取所述检测模型的输出作为预测配比；
获取所述待检测机构的实际配比，并对比所述预测配比与所述实际配比，得到检测结果。
2.如权利要求1所述的基于人工智能的医护人员配比检测方法，其特征在于，所述根据所述医护人员配比检测指令确定待检测机构及与所述待检测机构对应的目标系统，包括：
解析所述医护人员配比检测指令的方法体，得到所述医护人员配比检测指令所携带的信息；
获取预设标签，并以所述预设标签在所述医护人员配比检测指令所携带的信息中进行匹配；
获取匹配的信息，并将所述匹配的信息确定为所述待检测机构；
确定所述待检测机构的目标机构标识；
在预先配置的系统列表中遍历所述目标机构标识，其中，所述系统列表中存储着机构标识与系统的对应关系；
将遍历到的机构标识对应的系统确定为所述目标系统。
3.如权利要求1所述的基于人工智能的医护人员配比检测方法，其特征在于，所述根据所述机构地址计算人口基数作为第一因子，包括：
连接指定服务器，并从所述指定服务器中获取与所述机构地址对应的人口地图；
从所述人口地图中获取人口密度及人口分布数据；
计算所述人口密度与所述人口分布数据的乘积作为所述人口基数；
对所述人口基数进行标准化处理，得到所述第一因子。
4.如权利要求1所述的基于人工智能的医护人员配比检测方法，其特征在于，所述方法还包括：
将所述第一因子、所述第二因子、所述第一变量及所述第二变量确定为监测指标，并对所述监测指标进行周期性监测；
当监测到有任意监测指标在任意周期内的变化量超过预设阈值时，更新所述训练样本；
以更新后的训练样本对所述检测模型进行优化训练。
5.如权利要求1所述的基于人工智能的医护人员配比检测方法，其特征在于，所述对比所述预测配比与所述实际配比，得到检测结果，包括：
计算所述预测配比与所述实际配比的相对偏差；
当所述相对偏差大于或者等于预设值时，确定所述检测结果为不达标；或者
当所述相对偏差小于所述预设值时，确定所述检测结果为达标。
6.一种基于人工智能的医护人员配比检测装置，其特征在于，所述装置包括：
确定模块，用于当接收到医护人员配比检测指令时，根据所述医护人员配比检测指令确定待检测机构及与所述待检测机构对应的目标系统；
处理模块，用于对接所述目标系统，从所述目标系统中获取目标信息，从所述目标信息中提取机构地址，并根据所述机构地址计算人口基数作为第一因子，从所述目标信息中提取执业范围，并对所述执业范围进行规范化处理，得到第二因子；
检测模块，用于从所述目标信息中提取历史数据，以所述第一因子、所述第二因子及所述历史数据构建训练样本，并利用所述训练样本训练预设回归模型，得到检测模型；所述以所述第一因子、所述第二因子及所述历史数据构建训练样本，包括：以预设时长为时间间隔划分所述历史数据，得到多个子数据；对于所述多个子数据中的每个子数据，提取每个子数据中的患者就诊量作为第一变量，并提取每个子数据中的医疗处方量作为第二变量；组合每个第一变量及对应的第二变量，与所述第一因子、所述第二因子，得到子样本；整合得到的所有子样本作为所述训练样本；
所述利用所述训练样本训练预设回归模型，得到检测模型，包括：采用最小二乘法，以所述训练样本对所述预设回归模型的回归参数进行学习；获取所述预设回归模型的误差平方和；当所述误差平方和不再减小时，停止学习所述预设回归模型的回归参数，得到所述检测模型；
输出模块，用于获取待检测数据，将所述待检测数据输入至所述检测模型，并获取所述检测模型的输出作为预测配比；
对比模块，用于获取所述待检测机构的实际配比，并对比所述预测配比与所述实际配比，得到检测结果。
7.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的程序，所述程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至5中任一项所述基于人工智能的医护人员配比检测方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有基于人工智能的医护人员配比检测程序，所述基于人工智能的医护人员配比检测程序被处理器执行时，实现如权利要求1至5中任一项所述基于人工智能的医护人员配比检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111007736.8A CN113724845B (zh) | 2021-08-30 | 2021-08-30 | 基于人工智能的医护人员配比检测方法及相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111007736.8A CN113724845B (zh) | 2021-08-30 | 2021-08-30 | 基于人工智能的医护人员配比检测方法及相关装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113724845A CN113724845A (zh) | 2021-11-30 |
| CN113724845B true CN113724845B (zh) | 2023-06-23 |
Family
ID=78679371
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111007736.8A Active CN113724845B (zh) | 2021-08-30 | 2021-08-30 | 基于人工智能的医护人员配比检测方法及相关装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113724845B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015157573A2 (en) * | 2014-04-10 | 2015-10-15 | Parkland Center For Clinical Innovation | Holistic hospital patient care and management system and method for automated staff monitoring |
| CN109672795A (zh) * | 2018-11-14 | 2019-04-23 | 平安科技（深圳）有限公司 | 呼叫中心资源管理方法及装置、电子设备、存储介质 |
| CN109741818A (zh) * | 2019-01-10 | 2019-05-10 | 华伟 | 基于人工智能的医疗亚健康干预资源调配管理方法及装置 |
| CN109934439A (zh) * | 2017-12-18 | 2019-06-25 | 深圳市联影医疗数据服务有限公司 | 一种医疗资源配置的方法、系统及终端设备 |
| CN110929648A (zh) * | 2019-11-22 | 2020-03-27 | 广东睿盟计算机科技有限公司 | 监控数据处理方法、装置、计算机设备以及存储介质 |
| CN111653273A (zh) * | 2020-06-09 | 2020-09-11 | 杭州叙简科技股份有限公司 | 一种基于智能手机的院外肺炎初步识别方法 |
| CN112071410A (zh) * | 2020-07-24 | 2020-12-11 | 中国科学院城市环境研究所 | 一种城市医疗服务可达性测度方法及设备、存储介质 |
| CN112447299A (zh) * | 2020-12-01 | 2021-03-05 | 平安科技（深圳）有限公司 | 医护资源预测模型训练方法、装置、设备及存储介质 |
| CN112507141A (zh) * | 2020-12-01 | 2021-03-16 | 平安医疗健康管理股份有限公司 | 调查任务生成方法、装置、计算机设备及存储介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030065534A1 (en) * | 2001-10-02 | 2003-04-03 | Mccartney Michael J. | Health care management method and system |
| US20210202103A1 (en) * | 2014-03-28 | 2021-07-01 | Hc1.Com Inc. | Modeling and simulation of current and future health states |
| US11532395B2 (en) * | 2019-02-22 | 2022-12-20 | Siemens Healthcare Gmbh | Optimizing catheterization laboratory throughput using machine learning |
| US11264128B2 (en) * | 2019-06-28 | 2022-03-01 | University Hospitals Cleveland Medical Center | Machine-learning framework for coordinating and optimizing healthcare resource utilization and delivery of healthcare services across an integrated healthcare system |
-
2021
- 2021-08-30 CN CN202111007736.8A patent/CN113724845B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015157573A2 (en) * | 2014-04-10 | 2015-10-15 | Parkland Center For Clinical Innovation | Holistic hospital patient care and management system and method for automated staff monitoring |
| CN109934439A (zh) * | 2017-12-18 | 2019-06-25 | 深圳市联影医疗数据服务有限公司 | 一种医疗资源配置的方法、系统及终端设备 |
| CN109672795A (zh) * | 2018-11-14 | 2019-04-23 | 平安科技（深圳）有限公司 | 呼叫中心资源管理方法及装置、电子设备、存储介质 |
| CN109741818A (zh) * | 2019-01-10 | 2019-05-10 | 华伟 | 基于人工智能的医疗亚健康干预资源调配管理方法及装置 |
| CN110929648A (zh) * | 2019-11-22 | 2020-03-27 | 广东睿盟计算机科技有限公司 | 监控数据处理方法、装置、计算机设备以及存储介质 |
| CN111653273A (zh) * | 2020-06-09 | 2020-09-11 | 杭州叙简科技股份有限公司 | 一种基于智能手机的院外肺炎初步识别方法 |
| CN112071410A (zh) * | 2020-07-24 | 2020-12-11 | 中国科学院城市环境研究所 | 一种城市医疗服务可达性测度方法及设备、存储介质 |
| CN112447299A (zh) * | 2020-12-01 | 2021-03-05 | 平安科技（深圳）有限公司 | 医护资源预测模型训练方法、装置、设备及存储介质 |
| CN112507141A (zh) * | 2020-12-01 | 2021-03-16 | 平安医疗健康管理股份有限公司 | 调查任务生成方法、装置、计算机设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113724845A (zh) | 2021-11-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112071425B (zh) | 一种数据处理方法、装置、计算机设备及存储介质 | |
| US20170300635A1 (en) | Identification of codable sections in medical documents | |
| BR112020006736A2 (pt) | sistema para rastrear pelo menos um tipo de emissão gerado por uma entidade, método para rastrear pelo menos um tipo de emissão gerado por uma entidade e meio legível por computador que armazena instruções executáveis por computador | |
| CA3027424A1 (en) | Systems and methods for determining, tracking, and predicting common infectious illness outbreaks | |
| CN112383891B (zh) | 一种基于物模型自动匹配的设备注册方法和装置 | |
| RU2641234C2 (ru) | Способ, система и устройство контроля качества с использованием датчиков для применения с устройствами для проведения биологических/экологических диагностических экспресс-тестов | |
| CN110060750B (zh) | 医疗数据推送方法、系统、计算机设备及可读存储介质 | |
| CN111435364B (zh) | 电子病历质检方法和装置 | |
| US20230101984A1 (en) | Methods, systems, and devices for determining mutli-party collocation | |
| CN103544554A (zh) | 在核电站中评估操作人员的程序遵从度的系统以及方法 | |
| CN111932146A (zh) | 污染成因的分析方法、装置、计算机设备和可读存储介质 | |
| CN111797918A (zh) | 大气污染源识别方法、装置、计算机设备及存储介质 | |
| CN114822741B (zh) | 患者分类模型的处理装置、计算机设备及存储介质 | |
| CN112214997A (zh) | 语音信息录入方法、装置、电子设备及存储介质 | |
| CN113724845B (zh) | 基于人工智能的医护人员配比检测方法及相关装置 | |
| CN117036947A (zh) | 基于图像识别的农险出险预警方法、装置、设备及介质 | |
| CN115630834B (zh) | 案件派遣方法、装置、电子设备及计算机可读存储介质 | |
| CN116843395A (zh) | 一种业务系统的告警分级方法、装置、设备及存储介质 | |
| CN113724816A (zh) | 基于人工智能的医疗数据质检方法、装置、设备及介质 | |
| CN114694355B (zh) | 远程预警方法及系统 | |
| CN113722437B (zh) | 基于人工智能的用户标签识别方法、装置、设备及介质 | |
| CN118475919A (zh) | 基于子模型性能的模型验证 | |
| CN113780855A (zh) | 医疗机构监管方法、装置、计算机设备及存储介质 | |
| Teju et al. | Hospital Management System Using Flask. | |
| CN110889585B (zh) | 信息分类决策方法、装置、计算机系统及可读存储介质 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220928 Address after: Room 2601 (Unit 07), Qianhai Free Trade Building, No. 3048, Xinghai Avenue, Nanshan Street, Qianhai Shenzhen-Hong Kong Cooperation Zone, Shenzhen, Guangdong 518000 Applicant after: Shenzhen Ping An Smart Healthcare Technology Co.,Ltd. Address before: 1-34 / F, Qianhai free trade building, 3048 Xinghai Avenue, Mawan, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong 518000 Applicant before: Ping An International Smart City Technology Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |