CN114067957A - 手术时间校正方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请提供一种手术时间校正方法、装置、电子设备及计算机可读存储介质；该方法先通过获取顺序执行的各台手术的手术时间预测信息，然后从手术信息数据库中获取目标台手术的术前信息和在目标时刻的术中特征信息，并将该术前信息和术中特征信息输入目标术中时长预测模型中以得到目标台手术的预测剩余时长，接着根据该目标时刻和预测剩余时长校正目标台手术的预测结束时刻，最后根据校正结果校正目标台手术之后手术的时刻。该方法通过自动获取模型预测所需的术前信息和术中特征信息，保证了预测结果的准确性，并基于模型预测结果和手术实际持续时间校正预测结束时刻，从而使得手术排程更为可靠。

Description

手术时间校正方法、装置、电子设备及存储介质

技术领域

本申请涉及医疗辅助技术领域，尤其涉及一种手术时间校正方法、装置、电子设备及计算机可读存储介质。

背景技术

由于手术的时间信息（包括手术开始时刻、持续时长以及结束时刻）直接影响到手术相关的一系列问题，例如手术排程、医生的疲劳程度和患者麻醉并发症风险以及患者复苏质量等，因此，准确把握手术的时间信息显得尤为重要。

当前临床上主要根据目标手术种类下的历史平均时间、疾病紧急情况和医生经验等直接预约手术日程，从而获悉手术的时间信息。然而，医生不准确的估计和历史平均时间有限的参考作用导致了手术排程不可靠的问题，使得手术的时间信息也不准确。由于该过程本质上是通过人为上报的信息交流，不涉及信息挖掘、信息感知和预测功能，因此难以通过手术排程中的信息获知下一场手术的准确时间信息，而当前手术时间校正方法均存在时间预测不准确的问题。

因此，需要提供一种手术时间校正方法提高手术时间预测的准确性，从而为电子手术排程系统提供可靠的手术排程。

发明内容

本申请提供一种手术时间校正方法、装置、电子设备及计算机可读存储介质，用于提高手术时间预测的准确性，从而为电子手术排程系统提供可靠的手术排程。

为了解决上述技术问题，本申请提供以下技术方案：

本申请提供一种手术时间校正方法，包括：

获取顺序执行的各台手术的手术时间预测信息，所述手术时间预测信息包括各台手术的预测开始时刻和预测结束时刻；

从手术信息数据库中获取目标台手术的术前信息和在目标时刻的术中特征信息；

将所述术前信息和所述术中特征信息输入目标术中时长预测模型，得到所述目标台手术的预测剩余时长；

根据所述目标时刻和所述预测剩余时长，校正所述目标台手术的预测结束时刻；

根据校正结果，校正所述目标台手术之后手术的预测开始时刻。

相应的，本申请还提供一种手术时间校正装置，包括：

第一信息获取模块，用于获取顺序执行的各台手术的手术时间预测信息，所述手术时间预测信息包括各台手术的预测开始时刻和预测结束时刻；

第二信息获取模块，用于从手术信息数据库中获取目标台手术的术前信息和在目标时刻的术中特征信息；

第一预测模块，用于将所述术前信息和所述术中特征信息输入目标术中时长预测模型，得到所述目标台手术的预测剩余时长；

第一校正模块，用于根据所述目标时刻和所述预测剩余时长，校正所述目标台手术的预测结束时刻；

第二校正模块，用于根据校正结果，校正所述目标台手术之后手术的预测开始时刻。

同时，本申请提供一种电子设备，其包括处理器和存储器，存储器用于存储计算机程序，处理器用于运行所述存储器里的计算机程序，以执行上述手术时间校正方法中的步骤。

此外，本申请提供一种计算机可读存储介质，计算机可读存储介质存储有多条指令，指令适于处理器进行加载，以执行上述手术时间校正方法中的步骤。

有益效果：本申请提供了手术时间校正方法、装置、电子设备及计算机可读存储介质；该方法先获取顺序执行的各台手术的手术时间预测信息，该手术时间预测信息包括各台手术的预测开始时刻和预测结束时刻，然后从手术信息数据库中获取目标台手术的术前信息和在目标时刻的术中特征信息，并将该术前信息和该术中特征信息输入目标术中时长预测模型得到目标台手术的预测剩余时长，最后根据目标时刻和该预测剩余时长校正目标台手术的预测结束时刻，同时，根据校正结果校正目标台手术之后手术的预测开始时刻。该方法通过引入信息挖掘和感知自动获取了模型预测所需的术前信息和术中特征信息，实现了时间预测的自动化，并在术中时长预测模型中引入了除术前信息外的术中特征信息，使得预测结果更为准确，并基于预测得到的手术剩余时长校正术前预测的目标台手术的预测结束时刻，同时也根据校正结果校正得到了目标台手上之后手术的预测开始时刻，改善了当前由于医生不准确的估计和历史平均时间有限的参考作用导致的手术排程不可靠的问题，由于手术排程的精准可靠，提高了手术室的效率。

附图说明

下面结合附图，通过对本申请的具体实施方式详细描述，将使本申请的技术方案及其它有益效果显而易见。

图1是本申请实施例提供的手术时间校正系统的场景示意图。

图2是本申请实施例提供的手术时间校正方法的一种流程示意图。

图3是本申请实施例提供的手术时间校正方法的另一种流程示意图。

图4是本申请实施例提供的术前时长预测模型的工作原理图。

图5是本申请实施例提供的手术信息数据库的数据处理示意图。

图6是本申请实施例提供的术中时长预测模型的工作原理图。

图7是本申请实施例提供的手术时间校正系统的工作界面示意图。

图8是本申请实施例提供的手术时间校正装置的结构示意图。

图9是本申请实施例提供的电子设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在本申请中，手术信息数据库是指为术前时长预测和术中时长预测构建的结构化数据库，该数据库通过链接医院各电子信息系统（包括病理报告数系统、电子病历系统、手术室电子信息系统、麻醉管理系统以及影像学报告系统等），再进行数据挖掘和清洗得到。

在本申请中，目标台手术指的是顺序执行的各台手术中当前时刻下进入了目标手术室的手术。例如，手术排程上对手术室A的安排为：手术1，9：00至9：35；手术2，9：50至10：50；手术3，11：00至11：50，当前时刻为10：00，那么目标台手术就是手术2。

在本申请中，术前信息是指从手术信息数据库中获取的手术开始前的信息，例如日期、CPT编码、ICD编码、患者基线、病历信息、检查报告、手术类型、手术医生、麻醉数据以及历史均值等。

在本申请中，术中特征信息是指从手术信息数据库中获取的手术进行中的，根据手术中的图像等解析得到的特征信息，例如形态学特征、病理特征等。

本申请提供一种手术时间校正方法、装置、电子设备及计算机可读存储介质。

请参阅图1，图1是本申请实施例提供的手术时间校正系统的场景示意图，如图1所示，该手术时间校正系统可以包括管理服务器101和手术信息数据库102，管理服务器101和手术信息数据库102之间通过各种网关组成的互联网等方式连接通信，本申请在此不做限制，其中：

管理服务器101主要用于手术排程等医院管理。其可以是独立的服务器，也可以是服务器组成的服务器网络或者服务器集群；本申请中所描述的服务器包括但不限于计算机、网络主机、数据库服务器、大数据服务器集群、存储服务器以及应用服务器或者多个服务器构成的云服务器，其中，云服务器由基于云计算（Cloud Computing）的大量计算机或者网络服务器构成。

手术信息数据库102主要用于为使用机器学习方法预测手术时长提供不可或缺的大数据基础，从而有效提高时长预测的准确度，同时降低预测时长与实际时长之间的误差。其可以是结构化数据库，链接了医院各电子信息系统（病理报告数系统、电子病历系统、手术室电子信息系统、麻醉管理系统以及影像学报告系统等），通过从医院局域网和医院各电子信息系统装载爬虫引擎提取数据，采用混合式分布存储结构，包括分布式内存数据库和分布式文件系统数据库。

在本申请实施例中，手术信息数据库102为目标术前时长预测模型提供顺序执行的各台手术的术前信息，根据模型的输出结果得到顺序执行的各台手术的手术时间预测信息，该手术时间预测信息包括各台手术的预测开始时刻和预测结束时刻，并通过管理服务器101根据此时顺序执行的各台手术的手术时间预测信息进行手术排程，然后在目标台手术进行目标手术室后，从手术信息数据库中获取目标台手术的术前信息和在目标时刻（根据预测结束时刻和预设时长确定的，例如预测结束时刻为10：50，预设时长为30分钟，则目标时刻为10：20，即预测结束时刻的前30分钟为目标时刻）的术中特征信息，并将前述术前信息和术中特征信息输入目标术中时长预测模型，得到目标台手术的预测剩余时长，最后根据目标时刻和预测剩余时长校正目标台手术的预测结束时刻（例如预测剩余时长为25分钟，则校正后的预测结束时刻为10：45），同时，根据校正结果校正目标台手术之后手术的预测开始时刻（例如，将目标台手术的后一台手术的预测开始时刻校正为提前5分钟），并通过管理服务器101根据校正后的时间重新进行手术排程，同时提醒患者和物资护士提前开始准备下一台手术。

在上述手术时间校正过程中，相较于现有的由人的交流和反馈构成的相对完善、但交流效率低且参考价值有限的手术排程方案，本申请不用通过人的交流和反馈就能获取相关信息，而是直接通过大数据进行分析，具体地，基于获取的术前信息和目标术前时长预测模型可以相对准确的预测得到各台手术的手术时间预测信息，从而方便管理服务器101进行各台手术的手术排程，此外，在手术进行过程中根据术前信息、术中特征信息以及目标术中时长预测模型预测手术剩余时长，以便对手术的预测结束时刻进行校正，从而联合管理服务器101及时更新手术排程。通过此种方式能相对准确的预测手术时间，且手术排程更为可靠，其面对手术中的意外情况造成的时长增加或缩短，有一定的容错能力。

需要说明的是，图1所示的场景示意图仅仅是一个示例，本申请实施例描述的服务器、数据库以及场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着系统的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

综合上述手术时间校正系统的场景示意图，下面将对本申请中手术时间校正方法进行详细的介绍，请参阅图2，图2为本申请提供的手术时间校正方法的流程示意图，该方法至少包括以下步骤：

S201：获取顺序执行的各台手术的手术时间预测信息，手术时间预测信息包括各台手术的预测开始时刻和预测结束时刻。

当前的手术排程方案大概为：初步的手术日程将在前一天反馈给相关科室，传达至责任医生；责任医生在接收到明天的手术日程后，凭经验估计总体手术量能否完成并上报，用于初次手术排程调整；在手术开始前，根据参考提示的历史平均时间，由手术医生对手术的时间进行估计，然后使用电子手术排程系统再次上报，用于第二次手术排程调整。具体的手术开始、结束时间则由值班护士使用电子手术排程系统上报，用于最后一次手术排程调整，并提醒患者提前进入手术准备区，而患者会在手术当天全天等候，以便随时进入手术区域。由此可见，由于历史平均时间的参考作用有限，以及医生的不准确估计导致了当前的手术排程不可靠的问题。

因此，本申请通过使用机器学习的方法，基于大数据进行手术时间的预测，从而获得较为可靠的手术排程。在此过程中，首先需要获取顺序执行的各台手术的手术时间预测信息，手术时间预测信息包括各台手术的预测开始时刻和预测结束时刻，其具体步骤包括：从手术信息数据库中获取顺序执行的各台手术的术前信息；将各台手术的术前信息依次输入目标术前时长预测模型，得到各台手术的预测手术时长；将各台手术的预测手术时长输入调度规划系统，得到各台手术的手术时间预测信息，所述手术时间预测信息包括预测开始时刻和预测结束时刻。其中，顺序执行指的是按照预设的先后顺序进行，例如按照手术1、手术2、手术3的顺序执行；调度规划系统主要用于根据手术时长和实际情况进行各个手术的时间安排。

在上述过程中，依次将手术1、手术2以及手术3的术前信息输入目标术前时长预测模型中，以得到手术1的预测手术时长（例如35分钟），手术2的预测手术时长（例如60分钟），手术3的预测手术时长（例如50分钟），然后将各台手术的预测手术时长输入调度规划系统，假设手术室A9：00开始第一台手术，那么调度规划系统根据各台手术的预测手术时长对各台手术的开始时刻和结束时刻进行安排，得到关于手术室A的手术排程为：手术1，9：00至9：35；手术2，9：50至10：50；手术3，11：00至11：50。其中，9：00称为手术1的预测开始时刻，9：35称为手术1的预测结束时刻，其合称为手术1的手术时间预测信息，类似的，9：50称为手术2的预测开始时刻，10：50称为手术2的预测结束时刻，其合称为手术2的手术时间预测信息，11：00称为手术3的预测开始时刻，11：50称为手术3的预测结束时刻。

在一种实施例中，目标术前时长预测模型可以通过N倍交叉验证的训练方式得到，通过这种训练方式可以消除测试样本与训练样本选择的不好而导致训练的模型不好的问题，从而得到可靠稳定的模型，其具体步骤包括：获取初始术前样本集和术前时长预测模型，所述初始术前样本集包括N个术前样本；根据预设测试样本与训练样本的比例，遍历所述术前样本集中的所有术前样本，得到N个中间术前样本集；分别根据各中间术前样本集中的训练样本对所述术前时长预测模型进行训练，得到N个训练后的术前时长预测模型；分别根据各中间术前样本集中的测试样本对所述N个训练后的术前时长预测模型进行测试，得到N个测试结果；根据预设测试条件，从所述N个测试结果中确定目标测试结果；根据所述目标测试结果，从所述N个训练后的术前时长预测模型中确定目标术前时长预测模型。

如图4所示，图4所示为术前时长预测模型的工作原理图。其中，初始术前样本集为由多台手术对应的术前信息构成的样本集，其数据来自于手术信息数据库，包括但不限于手术日期、CPT编码、ICD编码、患者基线、病历信息、相关检查报告、手术类型、手术医生、麻醉相关的数据与待执行手术的历史时长均值；术前时长预测模型采用XGboost框架；以10倍交叉验证为例，其预设测试样本与训练样本的比例可以是2：8，不重复抽样将术前信息数据随机分为10份，每一次挑选其中2份作为测试样本，剩余8份作为训练样本用于模型训练，将这2份测试样本和8份训练样本组成的样本集称为中间术前样本集，然后分别根据这8份训练样本对术前时长预测模型进行训练，得到训练后的术前时长预测模型（其可以是8个决策树模型组成的），并用这个模型在相应的2份测试集上测试，将测试样本输入训练后的术前时长预测模型中，可以得到预测的术前预测时长，然后结合测试样本中的实际手术时长计算并保存模型的评估指标，重复10次，就得到10个训练后的术前时长预测模型以及10个评估指标，最后选取10个评估指标中最小的为目标测试结果，并将目标测试结果对应的术前时长预测模型确定为目标术前时长预测模型。其中，评估指标可以用均方根误差来实现，其反映了预测结果与测试数据之间的偏差，具体为术前时长预测模型预测结果与实际手术时长的偏差的平方与观测次数n的比值的平方根，公式如下：

（公式1）

式中，RMSE表示均方根误差，也称标准误差，x标识模型预测的手术持续时长，y表示实际的手术持续时长，n表示观测次数，数值上等于模型构建所用的测试样本的样本量。

S202：从手术信息数据库中获取目标台手术的术前信息和在目标时刻的术中特征信息。

在一种实施例中，不论是术前信息还是术中特征信息都是从手术信息数据库中获取的，因此在获取前述信息之前，需要构建好手术信息数据库方便在时长预测时进行信息的调用，其具体步骤包括：链接医院各电子信息系统；从所述医院各电子信息系统中挖掘各台手术的相关信息，并根据信息特点对所述相关信息进行预处理，得到标准化信息；根据所述标准化信息，构建手术信息数据库。

具体地，如图5所示，图5为本申请实施例提供的手术信息数据库的数据处理示意图。其中，链接医院各电子信息系统包括从医院局域网和医院各电子信息系统装载爬虫引擎以提取数据；数据挖掘主要包括：技术上采用主从Master/Slave（主从设备模式）的部署架构，包含一个主节点和多个数据节点，并配置至少一个主节点的备份节点以提高可用性，通过引擎提取、数据清洗、关键词过滤、爬虫引擎等步骤进行数据挖掘，因为挖掘的数据是直接根据算法从各个系统中提取的，其数据的格式、内容不统一，甚至同样的词对应的意思不同，因此需要对提取的数据根据特点进行分类、重组、归并，输出标准化数据，通过对数据进行预处理将不同来源的数据经过标准化集成，形成了统一的标准库数据（即手术信息数据库）。按照术前时长预测模型和术中时长预测模型的数据需求从标准数据库中抽取数据，反复进行迭代、优化算法模型，随着时间的推移，数据库会愈加丰富。面对时长预测此类多要素共同影响的复杂问题，应整合尽可能全面的数据，所以此项工作为长期工作，只尽可能寻求最优解。

在一种实施例中，对数据进行预处理的步骤包括：从所述医院各电子信息系统中挖掘各台手术的实时图像信息；将所述实时图像信息输入至图像解析系统，输出各台手术的术中特征信息，并将所述术中特征信息作为标准化信息。术中图像一般不能提前获取，只能在手术过程中实时提取，因此，对于术中特征信息的获取一般是对术中的实时图像信息进行解析，经过图像解析可以将实时图像解析为形态学特征、病理特征等术中特征信息，最后将其存入手术信息数据库中作为标准化信息，术中时长预测模型在进行剩余时长预测时，只需要调取其中对应的术中特征信息即可。

除此之外，对数据的预处理还包括根据医院电子信息系统数据挖掘的信息，在手术前挖掘患者患病情况、基础信息、检查报告、拟执行的手术类型、手术医生的手术经验指标，该类手术历史平均时长等数据，填充预测模型所需数据点。对于未能获取得到的缺失值，也有一套处理方法：连续变量（例如身高、体重、血脂指标等）采用历史均值进行替换；分类变量（例如手术医生的手术经验指标等）严重缺失的案例会被判定为低质量因此被删除，轻度缺失的案例中，对缺失的分类变量设置独立的Missing值，表示“模糊、难以收集”的意义，以适应实际工作中的复杂情况。

在一种实施例中，获取术中时长预测模型的输入信息的步骤包括：获取预设时长和目标台手术的手术标识；根据目标台手术的预测结束时刻和所述预设时长，确定目标时刻；根据所述手术标识，从所述手术信息数据库中匹配所述目标台手术的术前信息和所述目标时刻的术中特征信息。其中，预设时长可以是系统设定的，也可以是人为设定的，例如30分钟，手术标识即每台手术的手术编码（其可以是CPT编码，还可以是系统编码例如001、002等）；根据术前时长预测模型的预测结束时刻和前述预设时长，可以确定目标时刻，也即什么时候采用术中时长预测模型进行剩余时长的预测，例如预测结束时刻为10：50，预设时长为30分钟，则目标时刻为10：20；最后根据手术标识可以在手术信息数据中匹配到唯一的目标台手术，并对应获取目标时刻的术中特征信息，并根据术中特征信息和术前信息进行术中剩余时长的预测。

S203：将术前信息和术中特征信息输入目标术中时长预测模型，得到所述目标台手术的预测剩余时长。

将目标台手术的术前信息和术中特征信息作为目标术中时长预测模型的输入，得到的预测剩余时长为目标术中时长预测模型的输出。此时，管理服务器回根据模型的输出，即预测剩余时长校正目标台手术的预测结束时刻，这一点将在后文进行详细描述。同时，正在进行手术的医生通过如图7所示的手术时间校正系统工作界面示意图可以看到手术的剩余时长预测，该工作界面示意图示出了手术进程、实时手术画面，以及手术方式、剩余时长预测、手术困难程度评分等，因此，医生会根据界面中示出的剩余时长预测进行手术上一些细节的调整。

在一种实施例中，目标术中时长预测模型也可以通过N倍交叉验证的训练方式得到，通过这种训练方式提升模型的稳定性，其具体步骤包括：获取初始手术样本集和术中时长预测模型，所述初始手术样本集包括N个手术样本，所述手术样本包括术前样本和术中特征样本；根据预设测试样本与训练样本的比例，遍历所述手术样本集中的所有手术样本，得到N个中间手术样本集；分别根据各中间手术样本集中的训练样本对所述术中时长预测模型进行训练，得到N个训练后的术中时长预测模型；分别根据各中间术中样本集中的测试样本对所述N个训练后的术中时长预测模型进行测试，得到N个测试结果；根据预设测试条件，从所述N个测试结果中确定目标测试结果；根据所述目标测试结果，从所述N个训练后的术中时长预测模型中确定目标术中时长预测模型。

如图6所示，图6为术中时长预测模型的工作原理图。术中时长预测模型的工作原理与术前时长预测模型的工作原理类似，不同的是，术中时长预测模型在术前时长预测模型所用数据的基础上，新增了术中特征信息。其中，初始手术样本集为多台手术对应的术前信息和术中特征信息构成的样本集，其数据来自于手术信息数据库，包括但不限于术前信息例如手术日期、CPT编码、ICD编码、患者基线、病历信息、手术医生、麻醉相关的数据与待执行手术的历史时长均值等，以及术中特征信息例如形态学特征信息和病理特征信息；同样的，术中时长预测模型采用XGboost框架；以10倍交叉验证为例，其预设测试样本与训练样本的比例可以是2：8，不重复抽样将术前信息数据和术中特征信息数据随机分为10份，每一次挑选其中2份作为测试样本，剩余8份作为训练样本用于模型训练，将这2份测试样本和8份训练样本组成的样本集称为中间手术样本集，然后分别根据这8份训练样本对术中时长预测模型进行训练，得到训练后的术中时长预测模型（其可以是8个决策树模型组成的），并用这个模型在相应的2份测试集上测试，将测试样本输入训练后的术中时长预测模型中，可以得到预测的手术剩余时长，然后结合测试样本中的实际手术剩余时长计算并保存模型的评估指标，重复10次，就得到10个训练后的术中时长预测模型以及10个评估指标，最后选取10个评估指标中最小的为目标测试结果，并将目标测试结果对应的术中时长预测模型确定为目标术中时长预测模型。其中，评估指标可以用均方根误差来实现，其反映了预测结果与测试数据之间的偏差，具体为术中时长预测模型预测结果与实际手术时长的偏差的平方与观测次数n的比值的平方根，公式如下：

（公式2）

式中，RMSE表示均方根误差，也称标准误差，x标识模型预测的手术持续时长，y表示实际的手术持续时长，n表示观测次数，数值上等于模型构建所用的测试样本的样本量。

S204：根据目标时刻和预测剩余时长，校正目标台手术的预测结束时刻。

根据前面的步骤，根据目标术中时长预测模型预测剩余时长后，结合目标时刻，可以得到目标台手术的预测结束时刻。例如，术前时长预测模型预测手术2的手术时长为50min，根据管理服务器将其手术2排在10：00至10：50，但是在目标时刻为10：20，根据目标术中时长预测模型预测剩余时长为45分钟，则将使用手术2的预测结束时刻由10：50校正为11：05。

S205：根据校正结果，校正目标台手术之后手术的预测开始时刻。

根据手术排程，目标台手术之后手术都有固定的预测开始时刻和结束时刻，而根据S204得到目标台手术的预测结束时刻有变动，因此根据S204校正后的目标台手术的预测结束时刻校正目标台手术之后手术的预测开始时刻。例如，根据手术排程，手术2为10：00至10：50，手术3为11：00至11：50，根据S204，手术2的预测结束时刻校正为11：05，因此手术3也需要根据手术2的预测结束时刻顺延10分钟，即手术3的预测开始时刻为11：15。

需要说明的是，目标台手术之后的手术不限于相邻台手术，主要是目标台手术之后的手术都适用于上述方式进行预测开始时间的校正。

下面以ERPC（Endoscopic Retrograde Cholangiopancreatography，内镜下逆行胰胆管造影术）为例描述手术时间校正的流程，如图3所示，图3为本申请实施例提供的手术时间校正方法的另一种流程示意图，其具体步骤包括：

S301：开始。

在进行手术时间校正之前，需要链接医院各电子信息系统为术前时长预测模型和术中时长预测模型构建结构化数据库，构建好的数据库称为手术信息数据库，其包括从病理报告数系统、电子病历系统、手术室电子信息系统、麻醉管理系统以及影像学报告系统等得到的术前信息以及术中特征信息。构建手术信息数据库的过程在上文中有详细的描述，在此不再进行描述。

此外，还需要获取目标术前时长预测模型和目标术中时长预测模型，这两个模型都是通过N倍交叉验证的方式训练得到的，其训练方式在上文中也有详细的描述，在此不再进行具体描述。

S302：获取术前信息。

标准的ERCP手术时长被定义为开始进镜到退镜完成的时间。因此，可以在手术前两天的某一时刻（例如早上8点），自动从数据挖掘的手术信息数据库中收集第二天需要进行手术病例的相关数据，例如手术日期、CPT编码、ICD编码、患者基线、病历信息、相关检查报告、手术类型、手术医生、麻醉相关的数据与待执行手术的历史时长均值等。

S303：目标术前时长预测模型。

在获取到各病例的术前信息后，通过目标术前时长预测模型进行时长预测，根据时长预测的结果为调度规划系统提供各病例的时长预测结果。术前时长预测模型的工作原理如图4所示，该模型的最终结果是术前预测的手术时长。

S304：手术时间预测信息。

根据S303中模型的预测结果可以得到各病例的术前预测时长，然后将其输入至调度规划系统，调度规划系统会综合各类因素（实际手术室可用时间和各病例的术前预测时长等）确定各病例的手术时间预测信息（包括预测开始时刻和预测结束时刻），也即进行手术排程。

以手术室A中手术1的预测手术时长为30分钟，手术2的预测手术时长为45分钟，手术3的预测手术时长为50分钟为例。假设手术室A9：00开始第一台手术，且每台手术之间间隔10分钟用于下一台手术的物资准备和患者准备等工作，那么调度规划系统最终对于手术室A的手术排程为：手术1，9：00至9：30；手术2，9：40至10：25；手术3，10：35至11：25。

S305：获取目标时刻的术中实时图像。

当病例进入手术室开始手术后，可以采用与造影平台和消化内镜主机规格适配的视频解码器，接入消化内镜主机和造影平台获取ERCP手术视频和图像。其中，内镜视频为25FPS，图像大小为500KB~1MB，图像尺寸为1080*720。在此过程中，内镜医师会在造影时选取最佳的成像进行窗口冻结，以便仔细观察。针对造影平台的窗口冻结自动识别算法将捕捉此时的术中实时图像，呈递给图像解析系统。

除此之外，内镜医师会对患者术中实时图像进行诊断，并记录在电子病历系统/手术室电子信息系统中。同时，数据挖掘算法会实时读取电子病历系统/手术室电子信息系统中的“术中实时图像诊断”的内容，并将读取的结果转入手术信息数据库中。其中，术中实时图像诊断的内容包含了既往所有诊断，既往所有诊断与相关诊断均被分类、重组、归并，极为相似的诊断将在合并后，作为术中新发现的数据点，存入手术信息数据库。

S306：图像解析系统。

针对不同的手术类型，其图像解析系统也不相同。对患者术中造影平台成像训练专门的图像解析系统，其主要内容包括：分割胆总管、分割胆总管结石、胆总管成角拟合、胆总管末端宽度计算、近端胆管臂长度计算。其中所有长度计算均以十二指肠镜横径11.3mm为基准，根据像素点数量换算。图像解析系统各部分工作原理与提取的特征如下：

胆总管解剖特征解析可以采用针对胆总管单独训练的Unet++分割网络模型，胆总管分割模型在造影成像上分割出胆总管。

胆总管成角拟合与胆总管末端宽度是在分割出的胆总管图形上，根据胆总管正中线拟合出胆管角，近端胆管臂长由胆管角出口侧边长截取获得，截点为胆总管开口。在胆总管出口沿中线上行1cm处作垂线，即可得胆总管末端横径。以十二指肠镜横径11.3mm为基准，根据像素点换算计算近端胆管臂长、胆管末端横径长。

上述胆总管解剖特征和胆总管成角拟合与胆总管末端宽度均统称为形态学特征信息。

胆总管结石特征解析可以采用针对单独结石训练的Unet++分割网络模型。在造影平台成像上，由胆总管结石分割模型将胆总管内结石提取出来，根据分割提取的结石数量确定具体胆总管结石个数，并计算每个胆结石的大小。

胆总管结石特征解析可以称作病理特征。

在获取上述形态学特征和病理特征后，图像解析系统还会根据上述特征计算取石难度。同时，还会将胆总管结石大小、胆总管结石个数、胆总管成角、近端胆管臂长度、胆总管末端宽度和取石难度等信息作为术中新发现的数据点，存入手术信息数据库中，以便后续调用。

S307：术中特征信息。

根据S306的图像解析，可以获取到目标台手术的术中特征信息，例如形态学特征（胆总管解剖特征和胆总管成角拟合与胆总管末端宽度）和病理特征（胆总管结石特征）等。

S308：目标术中时长预测模型。

在获取到目标台手术的术中特征信息后，结合S302获取的术前信息，通过目标术中时长预测模型进行剩余时长预测，根据时长预测的结果校正目标台手术的预测结束时刻和其他台手术的预测开始时刻。术中时长预测模型的工作原理如图6所示，该模型的最终结果是术中预测的手术剩余时长。

S309：预测剩余时长。

根据S308中模型的预测结果可以得到目标台手术的预测剩余时长，相对于术前时长预测而言，术中时长预测纳入了更多的信息，因此预测的结果也自然更准确。如图7所示，图7为本申请实施例提供的手术时间校正系统工作界面示意图可以看到手术的剩余时长预测，该工作界面示意图示出了手术进程（图中顶栏中示出了手术的具体流程，而灰色进度条则显示了目前手术完成进度）、实时手术画面，以及手术方式（例如针对ERPC的推荐取石方式）、剩余时长预测、手术困难程度评分等，因此，医生会根据界面中示出的剩余时长预测进行手术上一些细节的调整。

S310：校正。

根据前面的步骤，在得到手上的预测剩余时长后，可以结合目标时刻得到目标台手术的预测结束时刻。此外，根据手术排程，目标台手术之后手术都有固定的预测开始时刻和结束时刻，而在目标台手术的预测结束时间有变动时，可以根据校正后的目标台手术的预测结束时刻校正目标台手术之后手术的预测开始时刻。

具体地，由于内镜图像上包含了当前时间信息，可以用前后图像的时间差计算手术已持续时长，根据术中时长预测模型的预测结果校正目标台手术的预测结束时刻。其中，校正预测结束时刻的计算公式为：

（公式3）

式中，T_prediction表示术中时长预测模型预测的手术剩余时长；T_last表示当前最后一张内镜图像上显示的时间；T_over表示预测结束时刻。

S311：结束。

本申请提供的手术时间校正方法，根据术前时长预测模型和术中时长预测模型获得了一个比较精准的时长预测，改善了传统方法中以“时间储备”的方式来应对由于时长预测不准确导致的风险波动，使得手术排程更加可靠。

基于上述实施例的内容，本申请实施例提供了一种手术时间校正装置，该装置可以设置于管理服务器中。该手术时间校正装置用于执行上述方法实施例中提供的手术时间校正方法，具体地，请参阅图8，该装置包括：

第一信息获取模块801，用于获取顺序执行的各台手术的手术时间预测信息，所述手术时间预测信息包括各台手术的预测开始时刻和预测结束时刻；

第二信息获取模块802，用于从手术信息数据库中获取目标台手术的术前信息和在目标时刻的术中特征信息；

第一预测模块803，用于将所述术前信息和所述术中特征信息输入目标术中时长预测模型，得到所述目标台手术的预测剩余时长；

第一校正模块804，用于根据所述目标时刻和所述预测剩余时长，校正所述目标台手术的预测结束时刻；

第二校正模块805，用于根据校正结果，校正所述目标台手术之后手术的预测开始时刻。

在一种实施例中，第一信息获取模块801包括：

第三信息获取模块，用于从手术信息数据库中获取顺序执行的各台手术的术前信息；

第二预测模块，用于将各台手术的术前信息依次输入目标术前时长预测模型，得到各台手术的预测手术时长；

调度规划模块，用于将各台手术的预测手术时长输入调度规划系统，得到各台手术的手术时间预测信息，所述手术时间预测信息包括预测开始时刻和预测结束时刻。

在一种实施例中，第二预测模块包括：

第一模型获取模块，用于获取初始术前样本集和术前时长预测模型，所述初始术前样本集包括N个术前样本；

第一遍历模块，用于根据预设测试样本与训练样本的比例，遍历所述术前样本集中的所有术前样本，得到N个中间术前样本集；

第一训练模块，用于分别根据各中间术前样本集中的训练样本对所述术前时长预测模型进行训练，得到N个训练后的术前时长预测模型；

第一测试模块，用于分别根据各中间术前样本集中的测试样本对所述N个训练后的术前时长预测模型进行测试，得到N个测试结果；

第一测试结果确定模块，用于根据预设测试条件，从所述N个测试结果中确定目标测试结果；

第一目标模型确定模块，用于根据所述目标测试结果，从所述N个训练后的术前时长预测模型中确定目标术前时长预测模型。

在一种实施例中，第二信息获取模块802包括：

链接模块，用于链接医院各电子信息系统；

信息挖掘模块，用于从所述医院各电子信息系统中挖掘各台手术的相关信息，并根据信息特点对所述相关信息进行预处理，得到标准化信息；

数据库构建模块，用于根据所述标准化信息，构建手术信息数据库。

在一种实施例中，信息挖掘模块包括：

图像挖掘模块，用于从所述医院各电子信息系统中挖掘各台手术的实时图像信息；

图像解析模块，用于将所述实时图像信息输入至图像解析系统，输出各台手术的术中特征信息，并将所述术中特征信息作为标准化信息。

在一种实施例中，第二信息获取模块802还包括：

第四信息获取模块，用于获取预设时长和目标台手术的手术标识；

目标时刻确定模块，用于根据目标台手术的预测结束时刻和所述预设时长，确定目标时刻；

信息匹配模块，用于根据所述手术标识，从所述手术信息数据库中匹配所述目标台手术的术前信息和所述目标时刻的术中特征信息。

在一种实施例中，手术时间校正装置还包括：

第二模型获取模块，用于获取初始手术样本集和术中时长预测模型，所述初始手术样本集包括N个手术样本，所述手术样本包括术前样本和术中特征样本；

第二遍历模块，用于根据预设测试样本与训练样本的比例，遍历所述手术样本集中的所有手术样本，得到N个中间手术样本集；

第二训练模块，用于分别根据各中间手术样本集中的训练样本对所述术中时长预测模型进行训练，得到N个训练后的术中时长预测模型；

第二测试模块，用于分别根据各中间术中样本集中的测试样本对所述N个训练后的术中时长预测模型进行测试，得到N个测试结果；

第二测试结果确定模块，用于根据预设测试条件，从所述N个测试结果中确定目标测试结果；

第二目标模型确定模块，用于根据所述目标测试结果，从所述N个训练后的术中时长预测模型中确定目标术中时长预测模型。

本申请实施例的手术时间校正装置，可以用于执行前述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

区别于当前的技术，本申请提供的手术时间校正装置，设置了第二信息获取模块、第一预测模块、第一校正模块以及第二校正模块，通过第二信息获取模块自动获取了模型预测所需的术前信息和术中特征信息，并通过第一预测模块引入了除术前信息外的术中特征信息，实现了时间预测的自动化，使得预测结果更为准确，最后通过第一校正模块和第二校正模块分别校正目标台手术的预测结束时刻和目标台手术之后手术的预测开始时刻，改善了当前由于医生不准确的估计和历史平均时间有限的参考作用导致的手术排程不可靠的问题，由于手术排程的精准可靠，提高了手术室的效率。

相应的，本申请实施例还提供一种电子设备，如图9所示，该电子设备可以包括有一个或者一个以上处理核心的处理器901、无线（WiFi，Wireless Fidelity)模块902、有一个或一个以上计算机可读存储介质的存储器903、音频电路904、显示单元905、输入单元906、传感器907、电源908、以及射频（RF，Radio Frequency）电路909等部件。本领域技术人员可以理解，图9中示出的电子设备的结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：

处理器901是电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器903内的软件程序和/或模块，以及调用存储在存储器903内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。在一种实施例中，处理器901可包括一个或多个处理核心；优选的，处理器901可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器901中。

WiFi属于短距离无线传输技术，电子设备通过无线模块902可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图9示出了无线模块902，但是可以理解的是，其并不属于终端的必需构成，完全可以根据需要在不改变发明的本质的范围内而省略。

存储器903可用于存储软件程序以及模块，处理器901通过运行存储在存储器903的计算机程序以及模块，从而执行各种功能应用以及数据处理。存储器903可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据终端的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器903可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器903还可以包括存储器控制器，以提供处理器901和输入单元906对存储器903的访问。

音频电路904包括扬声器，扬声器可提供用户与电子设备之间的音频接口。音频电路904可将接收到的音频数据转换后的电信号，传输到扬声器，由扬声器转换为声音信号输出；另一方面，扬声器将收集的声音信号转换为电信号，由音频电路904接收后转换为音频数据，再将音频数据输出处理器901处理后，经射频电路909发送给比如另一电子设备，或者将音频数据输出至存储器903以便进一步处理。

显示单元905可用于显示由用户输入的信息或提供给用户的信息以及终端的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元905可包括显示面板，在一种实施例中，可以采用液晶显示器（LCD，Liquid CrystalDisplay）、有机发光二极管（OLED，Organic Light-Emitting Diode）等形式来配置显示面板。

输入单元906可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地，在一个具体的实施例中，输入单元906可包括触敏表面以及其他输入设备。触敏表面，也称为触摸显示屏或者触控板，可收集用户在其上或附近的触摸操作（比如用户使用手指、触笔等任何适合的物体或附件在触敏表面上或在触敏表面附近的操作），并根据预先设定的程式驱动相应的连接装置。在一种实施例中，触敏表面可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器901，并能接收处理器901发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面。除了触敏表面，输入单元906还可以包括其他输入设备。具体地，其他输入设备可以包括但不限于物理键盘、功能键（比如音量控制按键、开关按键等）、轨迹球、鼠标、操作杆等中的一种或多种。

电子设备还可包括至少一种传感器907，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板的亮度；至于电子设备还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。

电子设备还包括给各个部件供电的电源908（比如电池），优选的，电源可以通过电源管理系统与处理器901逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源908还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。

射频电路909可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，交由一个或者一个以上处理器901处理；另外，将涉及上行的数据发送给基站。通常，射频电路909包括但不限于天线、至少一个放大器、调谐器、一个或多个振荡器、用户身份模块（SIM，Subscriber Identity Module）卡、收发信机、耦合器、低噪声放大器（LNA，Low Noise Amplifier）、双工器等。此外，射频电路909还可以通过无线通信与网络和其他设备通信。无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统（GSM，Global System of Mobile communication）、通用分组无线服务（GPRS，GeneralPacket Radio Service）、码分多址（CDMA，Code Division Multiple Access）、宽带码分多址（WCDMA，Wideband Code Division Multiple Access）、长期演进（LTE，Long TermEvolution)、电子邮件、短消息服务（SMS，Short Messaging Service)等。

尽管未示出，电子设备还可以包括摄像头、蓝牙模块等，在此不再赘述。具体在本实施例中，电子设备中的处理器901会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器903中，并由处理器901来运行存储在存储器903中的应用程序，从而实现以下功能：

获取顺序执行的各台手术的手术时间预测信息，所述手术时间预测信息包括各台手术的预测开始时刻和预测结束时刻；

从手术信息数据库中获取目标台手术的术前信息和在目标时刻的术中特征信息；

将所述术前信息和所述术中特征信息输入目标术中时长预测模型，得到所述目标台手术的预测剩余时长；

根据所述目标时刻和所述预测剩余时长，校正所述目标台手术的预测结束时刻；

根据校正结果，校正所述目标台手术之后手术的预测开始时刻。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见上文的详细描述，此处不再赘述。

本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于计算机可读存储介质中，并由处理器进行加载和执行。

为此，本申请实施例提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以实现上述手术时间校正方法中的功能。

以上各个操作的具体实施可参见前面的实施例，在此不再赘述。

其中，该计算机可读存储介质可以包括：只读存储器（ROM，Read Only Memory）、随机存取记忆体（RAM，Random Access Memory）、磁盘或光盘等。

由于该计算机可读存储介质中所存储的指令，可以执行本申请实施例所提供的任一种方法中的步骤，因此，可以实现本申请实施例所提供的任一种方法所能实现的有益效果，详见前面的实施例，在此不再赘述。

同时，本申请实施例提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实现方式中提供的方法。

以上对本申请实施例所提供的手术时间校正方法、装置、电子设备及计算机可读存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种手术时间校正方法，其特征在于，包括：

获取顺序执行的各台手术的手术时间预测信息，所述手术时间预测信息包括各台手术的预测开始时刻和预测结束时刻；

从手术信息数据库中获取目标台手术的术前信息和在目标时刻的术中特征信息；

将所述术前信息和所述术中特征信息输入目标术中时长预测模型，得到所述目标台手术的预测剩余时长；

根据所述目标时刻和所述预测剩余时长，校正所述目标台手术的预测结束时刻；

根据校正结果，校正所述目标台手术之后手术的预测开始时刻。

2.根据权利要求1所述的手术时间校正方法，其特征在于，所述获取顺序执行的各台手术的手术时间预测信息，所述手术时间预测信息包括各台手术的预测开始时刻和预测结束时刻的步骤，包括：

从手术信息数据库中获取顺序执行的各台手术的术前信息；

将各台手术的术前信息依次输入目标术前时长预测模型，得到各台手术的预测手术时长；

将各台手术的预测手术时长输入调度规划系统，得到各台手术的手术时间预测信息，所述手术时间预测信息包括预测开始时刻和预测结束时刻。

3.根据权利要求2所述的手术时间校正方法，其特征在于，在所述将各台手术的术前信息依次输入目标术前时长预测模型，得到各台手术的预测手术时长的步骤之前，还包括：

获取初始术前样本集和术前时长预测模型，所述初始术前样本集包括N个术前样本；

根据预设测试样本与训练样本的比例，遍历所述术前样本集中的所有术前样本，得到N个中间术前样本集；

分别根据各中间术前样本集中的训练样本对所述术前时长预测模型进行训练，得到N个训练后的术前时长预测模型；

分别根据各中间术前样本集中的测试样本对所述N个训练后的术前时长预测模型进行测试，得到N个测试结果；

根据预设测试条件，从所述N个测试结果中确定目标测试结果；

根据所述目标测试结果，从所述N个训练后的术前时长预测模型中确定目标术前时长预测模型。

4.根据权利要求1所述的手术时间校正方法，其特征在于，在所述从手术信息数据库中获取目标台手术的术前信息和在目标时刻的术中特征信息的步骤之前，还包括：

链接医院各电子信息系统；

从所述医院各电子信息系统中挖掘各台手术的相关信息，并根据信息特点对所述相关信息进行预处理，得到标准化信息；

根据所述标准化信息，构建手术信息数据库。

5.根据权利要求4所述的手术时间校正方法，其特征在于，所述从所述医院各电子信息系统中挖掘各台手术的相关信息，并根据信息特点对所述相关信息进行预处理，得到标准化信息的步骤，包括：

从所述医院各电子信息系统中挖掘各台手术的实时图像信息；

将所述实时图像信息输入至图像解析系统，输出各台手术的术中特征信息，并将所述术中特征信息作为标准化信息。

6.根据权利要求1所述的手术时间校正方法，其特征在于，所述从所述手术信息数据库中获取目标台手术的术前信息和在目标时刻的术中特征信息的步骤，包括：

获取预设时长和目标台手术的手术标识；

根据目标台手术的预测结束时刻和所述预设时长，确定目标时刻；

根据所述手术标识，从所述手术信息数据库中匹配所述目标台手术的术前信息和所述目标时刻的术中特征信息。

7.根据权利要求1所述的手术时间校正方法，其特征在于，在所述将所述术前信息和所述术中特征信息输入目标术中时长预测模型，得到所述目标台手术的预测剩余时长的步骤之前，还包括：

获取初始手术样本集和术中时长预测模型，所述初始手术样本集包括N个手术样本，所述手术样本包括术前样本和术中特征样本；

根据预设测试样本与训练样本的比例，遍历所述手术样本集中的所有手术样本，得到N个中间手术样本集；

分别根据各中间手术样本集中的训练样本对所述术中时长预测模型进行训练，得到N个训练后的术中时长预测模型；

分别根据各中间术中样本集中的测试样本对所述N个训练后的术中时长预测模型进行测试，得到N个测试结果；

根据预设测试条件，从所述N个测试结果中确定目标测试结果；

根据所述目标测试结果，从所述N个训练后的术中时长预测模型中确定目标术中时长预测模型。

8.一种手术时间校正装置，其特征在于，包括：

第一信息获取模块，用于获取顺序执行的各台手术的手术时间预测信息，所述手术时间预测信息包括各台手术的预测开始时刻和预测结束时刻；

第二信息获取模块，用于从手术信息数据库中获取目标台手术的术前信息和在目标时刻的术中特征信息；

第一预测模块，用于将所述术前信息和所述术中特征信息输入目标术中时长预测模型，得到所述目标台手术的预测剩余时长；

第一校正模块，用于根据所述目标时刻和所述预测剩余时长，校正所述目标台手术的预测结束时刻；

第二校正模块，用于根据校正结果，校正所述目标台手术之后手术的预测开始时刻。

9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于运行所述存储器里的计算机程序，以执行权利要求1至7任一项所述的手术时间校正方法中的步骤。

10.一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多条指令，所述指令适于处理器进行加载，以执行权利要求1至7任一项所述的手术时间校正方法中的步骤。

Images