CN114266501A - 医院运营指标的自动预测和根因分析方法及系统 - Google Patents
医院运营指标的自动预测和根因分析方法及系统 Download PDFInfo
- Publication number
- CN114266501A CN114266501A CN202111644031.7A CN202111644031A CN114266501A CN 114266501 A CN114266501 A CN 114266501A CN 202111644031 A CN202111644031 A CN 202111644031A CN 114266501 A CN114266501 A CN 114266501A
- Authority
- CN
- China
- Prior art keywords
- index
- current
- target
- feature
- characteristic
- 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.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种医院运营指标的自动预测和根因分析方法及系统。该方法包括:获取目标指标的每个指标特征对应的当前特征信息;基于目标指标对应的目标预测模型和各个当前特征信息,确定目标指标对应的当前预测值;基于当前预测值和目标指标对应的当前实际值,检测目标指标当前是否出现异常;若目标指标当前出现异常,则基于每个指标特征对应的特征重要程度和当前特征变化程度进行异常分析,确定目标指标对应的当前异常根因信息,其中,每个指标特征对应的特征重要程度基于目标预测模型进行确定。通过本发明实施例的技术方案,可以实现医院运营指标自动预测和自动异常分析,无需人为参与,提高了指标异常分析的效率和准确性。
Description
技术领域
本发明实施例涉及计算机技术领域,尤其涉及一种医院运营指标的自动预测和根因分析方法及系统。
背景技术
随着计算机技术的快速发展,可以监测指标,并在指标出现异常时进行根因分析。例如,可以对医院的运营指标进行监测并进行异常根因分析,以便及时发现异常情况并执行相应措施,提高医院的运行效率。
目前,在对指标进行异常分析时,通常是基于指标的异常波动情况,将指标进行拆解,定位导致异常出现的原因并基于业务情况进一步做假设,直到定位到真实原因为止。可见,这种异常分析方式需要依赖人员经验,并且每一步都需要人为参与,而且也容易追溯到错误原因,从而降低了指标异常分析的效率和准确性。
发明内容
本发明实施例提供了一种医院运营指标的自动预测和根因分析方法及系统,以实现医院运营指标自动预测和自动异常分析,无需人为参与,提高了指标异常分析的效率和准确性。
第一方面,本发明实施例提供了一种医院运营指标的自动预测和根因分析方法,包括:
获取目标指标的每个指标特征对应的当前特征信息;
基于所述目标指标对应的目标预测模型和各个所述当前特征信息,确定所述目标指标对应的当前预测值;
基于所述当前预测值和所述目标指标对应的当前实际值,检测所述目标指标当前是否出现异常;
若所述目标指标当前出现异常,则确定每个所述指标特征对应的当前特征变化程度;
基于每个所述指标特征对应的特征重要程度和所述当前特征变化程度进行异常分析,确定所述目标指标对应的当前异常根因信息,其中,每个所述指标特征对应的特征重要程度基于所述目标预测模型进行确定。
第二方面,本发明实施例还提供了一种医院运营指标的自动预测和根因分析系统,包括:
当前特征信息获取模块,用于获取目标指标的每个指标特征对应的当前特征信息;
当前预测值确定模块,用于基于所述目标指标对应的目标预测模型和各个所述当前特征信息,确定所述目标指标对应的当前预测值;
指标异常检测模块,用于基于所述当前预测值和所述目标指标对应的当前实际值,检测所述目标指标当前是否出现异常;
当前特征变化程度确定模块,用于若所述目标指标当前出现异常,则确定每个所述指标特征对应的当前特征变化程度;
异常分析模块,用于基于每个所述指标特征对应的特征重要程度和所述当前特征变化程度进行异常分析,确定所述目标指标对应的当前异常根因信息,其中,每个所述指标特征对应的特征重要程度基于所述目标预测模型进行确定。
第三方面,本发明实施例还提供了一种电子设备,所述电子设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明任意实施例所提供的医院运营指标的自动预测和根因分析方法。
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,该程序被处理器执行时实现如本发明任意实施例所提供的医院运营指标的自动预测和根因分析方法。
本发明实施例通过基于目标指标对应的目标预测模型和目标指标的各个指标特征对应的各个当前特征信息,确定目标指标对应的当前预测值,并基于当前预测值和目标指标对应的当前实际值,检测目标指标当前是否出现异常,从而可以实现医院运营指标的自动预测和异常检测,无需人为参与。通过基于目标预测模型可以准确地确定出每个指标特征对应的特征重要程度,从而在检测到目标指标当前出现异常时,可以确定每个指标特征对应的当前特征变化程度,并基于每个指标特征对应的特征重要程度和当前特征变化程度,对目标指标当前出现异常的情况进行快速准确地异常分析,确定出目标指标对应的当前异常根因信息,从而实现了医院运营指标异常的自动分析,无需人为参与,并且提高了指标异常分析的效率和准确性。
附图说明
图1是本发明实施例一提供的一种医院运营指标的自动预测和根因分析方法的流程示意图;
图2是本发明实施例二所涉及的一种医院运营指标的自动预测和根因分析方法的流程示意图;
图3是本发明实施例三提供的一种医院运营指标的自动预测和根因分析系统的结构示意图;
图4是本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种医院运营指标的自动预测和根因分析方法的流程图,本实施例可适用于对医院运营指标异常进行根因分析的情况。该方法可以由医院运营指标的自动预测和根因分析系统来执行,该系统可以由软件和/或硬件的方式来实现,集成于电子设备中。如图1所述,该方法具体包括以下步骤:
S110、获取目标指标的每个指标特征对应的当前特征信息。
其中,目标指标可以是指需要监测数据异常的任意一种指标。例如,目标指标可以是但不限于医院运营指标等用于衡量医院运营管理的指标。例如,医院运营指标可以包括但不限于:药占比、耗材占比、住院患者手术率、床位使用率、每天的门诊人次或者高值耗材使用情况(比如心脏起搏器月度使用量)。指标特征是指可以影响目标指标的特征因素。目标指标可以对应多个指标特征。例如,若目标指标是心脏起搏器月度使用量,则可以将月度手术次数、月度住院人次、心血管内科平均门诊人次、住院病人平均年龄和麻醉等级作为该目标指标的指标特征。若目标指标是每天的门诊人次,则可以将网上预约人次、现场预约人次、挂号费用、药物收入、门诊医生等级和天气状况作为该目标指标的指标特征。若目标指标是口罩、针筒或者药剂使用情况,则可以将使用库存量、使用时间、使用种类等作为该目标指标的指标特征。当前特征信息可以是指当前时刻或者当前时间段内指标特征的具体特征值,其可以包括但不限于以数值的形式表示的特征信息。
示例性地,医院运营指标对应的指标特征可以包括:患者信息特征、患者诊断特征、医生信息特征、处方特征、科室特征和物资库存特征中的至少一项。
其中,患者信息特征可以包括但不限于:患者体征信息、患者门诊数量和患者住院数量。其中,患者体征信息可以包括体温、身高、体重、年龄和性别等。患者诊断特征可以是指对患者进行设备诊断和检验后所获得的特征,比如,患者诊断图像特征信息和患者检验指标特征信息等。医生信息特征可以是指医生所述科室、医生等级、医生从业年数等。处方特征可以是指医生基于经验给出的处方信息,比如医嘱文本特征等。科室特征可以是指医院的各个科室信息,比如科室名称、科室医生数量等。物资库存特征可以是指医院的药物、器材等库存特征信息。
具体地,针对待监测分析的医院运营指标,可以从患者信息特征、患者诊断特征、医生信息特征、处方特征、科室特征和物资库存特征中确定出影响医院运营指标的各个指标特征,以便利用确定出的各个指标特征对医院运营指标进行自动预测和异常时自动根因分析,从而保证医院运营指标异常分析的效率和准确性。
S120、基于目标指标对应的目标预测模型和各个当前特征信息,确定目标指标对应的当前预测值。
其中,目标预测模型可以是指用于预测目标指标数值的预测模型。本实施例可以针对每个指标构建出相应的预测模型。预测模型可以是利用指标的各个指标特征进行预测的任意一种网络模型。本实施例中的目标预测模型可以是预先基于样本数据进行训练获得的。其中,样本数据可以包括目标指标的每个指标特征对应的历史特征信息和目标指标的历史实际值。例如,可以将样本数据输入至待训练的目标预测模型中,基于损失函数确定出训练误差,比如,RMSE(Root Mean Squared Error)均方根误差,并将训练误差反向传播至待训练的目标预测模型中,以调整待训练的目标预测模型中的网络参数,直到训练误差满足预设收敛条件为止,比如训练误差最小为止,此时可以获得训练好的目标预测模型。本实施例还可以针对目标指标构建出多种目标预测模型,并利用测试数据对训练好的每种目标预测模型进行测试选择,获取测试准确性最高的目标预测模型作为最终使用的目标预测模型,以进一步保证所使用的目标预测模型的预测准确性。
具体地,可以对目标指标的每个指标特征对应的当前特征信息进行数据处理,以获得目标预测模型可接收数据格式的输入数据。数据处理可以包括对数据进行数据清洗、缺失值处理、数据整合、数据平滑处理和数据编码化处理等。例如,以对数据编码化为例,对麻醉进行编码,将全身麻醉编码为2,数值可以反映麻醉程度的大小情况,数值越大,麻醉程度越大。本实施例可以将处理后的各个当前特征信息输入至训练好的目标预测模型中进行目标指标的当前预测,并将预测出的当前预测值进行输出,从而基于目标预测模型的输出,可以获得目标指标的当前预测值。其中,当前预测值可以用于表征出目标指标在正常情况下的当前理论值。
S130、基于当前预测值和目标指标对应的当前实际值,检测目标指标当前是否出现异常。
其中,当前实际值可以是指当前对目标指标进行统计所获得的当前真实值,即当前具体的观测值。
具体地,通过检测目标指标实际获得的当前实际值与正常情况下应当获得的当前预测值之间的偏差程度,可以确定出目标指标当前是否出现异常情况,从而可以实现目标指标的自动预测和异常检测,无需人为参与。
示例性的,S130可以包括:确定当前预测值与目标指标对应的当前实际值之间的当前差值;基于当前差值和预设差值,检测目标指标当前是否出现异常。
其中,预设差值可以是预先设置的出现异常情况的最小差值。本实施例可以基于历史时刻得到的实际值与预测值确定出预设差值。例如,表1给出了5个历史时刻T0-T4下目标指标对应的实际值和预测值,以及一个当前时刻T5对应的实际值和预测值。本实施例可以获得目标指标的每个历史时刻T0-T4的实际值与预测值的差值的绝对值,并对各个差值的绝对值进行平均处理,获得的结果作为预设差值11.6,即(8+15+7+16+12)/5=11.6。
表1各个时刻下目标指标对应的实际值和预测值
时刻 | 实际值 | 预测值 | 实际值-预测值 |
T0 | 120 | 112 | 8 |
T1 | 150 | 135 | 15 |
T2 | 112 | 105 | 7 |
T3 | 136 | 120 | 16 |
T4 | 100 | 55 | 12 |
T5 | 140 | 95 | 45 |
具体地,可以将目标指标的当前预测值减去其对应的当前实际值,所获得的结果的绝对值作为当前差值。本实施例可以将当前差值与预设差值进行比较,在当前差值大于预设差值时,确定目标指标出现异常。
示例性的,基于当前差值和预设差值,检测目标指标当前是否出现异常,可以包括:基于当前差值和预设差值,确定当前差值对应的指标变化程度;若指标变化程度大于预设变化阈值,则确定目标指标当前出现异常。
其中,预设变化阈值可以是预先设置的目标指标出现异常的最小变化程度。例如,预设变化阈值可以设置为100%。对于新增的突发事件可能会影响目标指标取值的因素的情况下,则可以将预设变化阈值进行调整。例如,在检测月度门诊人次时,当真实门诊人次与预测门诊人数的变化程度超过预设变化阈值时,会发出异常警告,但如果是因为当地发生某种自然灾害、疫情、天气降温和社会舆论等因素导致的门诊人数发生突然的变化时预设变化阈值可以被调整,以保证异常检测的灵活性和准确性。
具体地,可以将当前差值减去预设差值得到的结果与预设差值的比值作为当前差值对应的指标变化程度,如果指标变化程度大于预设变化阈值,则可以确定该目标指标当前出现异常,从而通过基于阈值变化程度确定目标指标是否出现异常的方式可以进一步提高检测异常指标的准确性。例如,如表1所示,当前时刻T5下的实际值与预测值的差值为45,相应的指标变化程度为:(45-11.6)/11.6×100%=288%,该指标变化程度大于预设变化阈值100%,则可以确定目标指标当前出现异常情况。
S140、若目标指标当前出现异常,则确定每个指标特征对应的当前特征变化程度。其中,当前特征变化程度可以用于表征指标特征对应的当前指标特征信息的变化程度。
具体地,在目标指标当前出现异常时,可以基于每个指标特征对应的当前特征信息和历史特征信息确定出每个指标特征对应的当前特征变化程度,以便分析出变化异常的指标特征。
示例性的,S140可以包括:针对每个指标特征,确定指标特征对应的当前特征信息与上一特征信息之间的特征差值;将特征差值与上一特征信息之间的比值确定为该指标特征对应的当前特征变化程度。
其中,上一特征信息可以是当前时刻的上一历史时刻的特征信息。具体地,针对每个指标特征而言,可以将指标特征对应的当前特征信息减去上一特征信息的差值的绝对值作为特征差值,并将该特征差值与上一特征信息之间的比值作为该指标特征对应的当前特征变化程度。例如,表2给出了在当前时刻T5下,目标指标的4个指标特征A-D对应的当前特征变化程度的确定示例。
表2指标特征对应的当前特征变化程度的确定示例
S150、基于每个指标特征对应的特征重要程度和当前特征变化程度进行异常分析,确定目标指标对应的当前异常根因信息,其中,每个指标特征对应的特征重要程度基于目标预测模型进行确定。
其中,特征重要程度可以用于表征指标特征对目标指标值变化的影响程度。本实施例可以利用每个指标特征对目标预测模型的准确性的影响程度确定出每个指标特征对应的特征重要程度。当前异常根因信息可以为是指引起目标指标当前出现异常的根本原因。
示例性的,S150可以包括:基于每个指标特征对应的特征重要程度和当前特征变化程度,确定每个指标特征对应的当前特征影响程度;基于每个指标特征对应的当前特征影响程度进行异常分析,确定目标指标对应的当前异常根因信息。
其中,当前特征影响程度可以用于表征指标特征对当次目标特征出现异常的最终影响大小。具体地,针对每个指标特征而言,可以将特征重要程度和当前特征变化程度进行相乘处理,获得的乘积作为该指标特征对应的当前特征影响程度。例如,表3给出了在当前时刻T5下,目标指标的4个指标特征A-D对应的当前特征影响程度的确定示例。通过基于各个当前特征影响程度,可以快速准确地对当前出现异常的目标指标进行异常分析,确定出目标指标对应的当前异常根因信息,从而实现了指标异常的自动分析,无需人为参与,并且提高了指标异常分析的效率和准确性。
表3指标特征对应的当前影响变化程度的确定示例
T4 | T5 | 当前特征变化程度 | 特征重要程度 | 特征影响程度 | |
指标特征A | 12 | 6 | 50% | 0.5 | 0.25 |
指标特征B | 5 | 9 | 80% | 0.4 | 0.32 |
指标特征C | 4 | 8 | 100% | 0.2 | 0.2 |
指标特征D | 10 | 8 | 20% | 0.05 | 0.01 |
示例性的,基于每个指标特征对应的特征重要程度和当前特征变化程度进行异常分析,确定目标指标对应的当前异常根因信息,可以包括:基于每个指标特征对应的当前特征影响程度,对各个指标特征进行降序排列;将排列后的位于前预设个数的指标特征作为目标指标当前出现异常的根因信息。
其中,预设个数可以是预先基于业务需求设置的,影响目标指标出现异常的特征因素的个数。例如,预设个数可以设置为一个或者多个。具体地,可以将每个指标特征对应的当前特征影响程度按照从大到小的顺序进行降序排列,获得影响程度依次降低的各个指标特征,并可以将前预设个数的指标特征作为目标指标当前出现异常的根因信息。例如,可以参照表3所示,排序后的指标特征顺序为:特征B>特征A>特征C>特征D,从而可以将特征B和特征A作为当前出现异常的根因信息。
本发明实施例通过基于目标指标对应的目标预测模型和目标指标的各个指标特征对应的各个当前特征信息,确定目标指标对应的当前预测值,并基于当前预测值和目标指标对应的当前实际值,检测目标指标当前是否出现异常,从而可以实现医院运营指标的自动预测和异常检测,无需人为参与。通过基于目标预测模型可以准确地确定出每个指标特征对应的特征重要程度,从而在检测到目标指标当前出现异常时,可以确定每个指标特征对应的当前特征变化程度,并基于每个指标特征对应的特征重要程度和当前特征变化程度,对目标指标当前出现异常的情况进行快速准确地异常分析,确定出目标指标对应的当前异常根因信息,从而实现了医院运营指标异常的自动分析,无需人为参与,并且提高了指标异常分析的效率和准确性。
实施例二
图2为本发明实施例二提供的一种医院运营指标的自动预测和根因分析方法的流程图,本实施例在上述各实施例的基础上,对“基于目标预测模型确定每个指标特征对应的特征重要程度”进行进一步优化。其中与上述各实施例相同或相应的术语的解释在此不再赘述。参见图2,本实施例提供的医院运营指标的自动预测和根因分析方法具体包括以下步骤:
S210、获取目标指标的每个指标特征对应的当前特征信息。
S220、基于目标指标对应的目标预测模型和各个当前特征信息,确定目标指标对应的当前预测值。
S230、基于当前预测值和目标指标对应的当前实际值,检测目标指标当前是否出现异常。
S240、若目标指标当前出现异常,则确定每个指标特征对应的当前特征变化程度。
S250、基于预设特征处理方式,对原有样本数据中的每个指标特征对应的特征信息进行处理,确定每个指标特征对应的目标样本数据。
其中,原有样本数据可以是指真实的完整的样本数据,即包括每个指标特征对应的真实特征信息。指标特征对应的目标样本数据可以是指对原有样本数据中的该指标特征对应的每个真实特征信息均进行特征处理后获得的样本数据,该目标样本数据中的除了该指标特征之外的其余指标特征对应的真实特征信息保持不变。
示例性的,S250可以包括:针对每个指标特征,对原有样本数据中的指标特征对应的特征信息进行随机排序,确定排序后的该指标特征对应的目标样本数据;或者,针对每个指标特征,将原有样本数据中的指标特征对应的特征信息进行删除,确定删除后的该指标特征对应的目标样本数据。
具体地,针对每个指标特征而言,可以通过对原有样本数据中的该指标特征对应的每个真实特征信息进行处理,比如,将该指标特征对应的所有真实特征信息进行随机排序,以使排序后的该指标特征对应一个非真实特征信息。或者,还可以直接将该指标特征对应的真实特征信息进行删除或者置0处理等,以使该指标特征对应非真实特征信息即可。
S260、将目标样本数据输入至目标预测模型中,根据目标预测模型的输出,确定目标样本数据对应的目标预测准确度。
具体地,针对每个指标特征而言,可以将该指标特征对应的目标样本数据输入至目标预测模型中,并基于目标预测模型输出的预测值和实际值,确定出目标预测准确度,从而可以获得改变该指标特征对应的特征信息后,对目标预测模型预测出的预测值准确性的影响大小。
S270、基于目标预测准确度和原有样本数据对应的原有预测准确度,确定每个指标特征对应的特征重要程度。
其中,原有预测准确度可以是将原有样本数据输入至目标预测模型中,根据目标预测模型的输出,确定出的原有样本数据对应的预测准确度。
具体地,针对每个指标特征而言,可以通过对比目标预测准确度和原有预测准确度之间的差异,确定出每个指标特征对应的特征重要程度,此时获得的特征重要程度可以是一种相对的特征重要程度。
需要说明的是,若通过随机排序方式对特征信息进行特征处理,则可以对原本样本数据进行多次处理,基于每次处理获得的目标样本数据确定出相应的目标预测准确度,并基于每次获得的目标预测准确度和原有预测准确度,确定出每次获得的特征重要程度,并对各次获得的特征重要程度进行平均处理,获得的平均值作为最终的特征重要程度,从而通过处理多次取平均的方式,可以进一步保证特征重要程度确定的准确性。
示例性的,S270可以包括:针对每个指标特征,将目标预测准确度与原有样本数据对应的原有预测准确度之间的差值确定为该指标特征对应的特征重要程度。
具体地,若目标预测模型对应的原有预测准确度为82%,则在确定出指标特征A对应的目标预测准确度为70%时,可以将两者之差12%作为指标特征A对应的特征重要程度。在确定出指标特征B对应的目标预测准确度为75%时,可以将两者之差7%作为指标特征B对应的特征重要程度。可见,特征重要程度12%>7%,从而可以确定指标特征A比指标特征B的重要程度更高。
需要说明的是,本实施例并不限定步骤S250-S270的执行顺序,比如,步骤S250-S270可以在步骤S240之后执行,也可以再步骤S210之前执行。
S280、基于每个指标特征对应的特征重要程度和当前特征变化程度进行异常分析,确定目标指标对应的当前异常根因信息。
本发明实施例通过基于预设特征处理方式,对原有样本数据中的每个指标特征对应的特征信息进行处理,确定每个指标特征对应的目标样本数据,并基于目标样本数据对应的目标预测准确度和原有样本数据对应的原有预测准确度,可以更加准确地确定出每个指标特征对应的特征重要程度,从而可以进一步提高异常分析的准确性。
实施例三
图3是本发明实施例三所提供的一种医院运营指标的自动预测和根因分析系统。该系统可执行本发明任意实施例所提供的一种医院运营指标的自动预测和根因分析方法,该系统具体可以包括如下模块:
当前特征信息获取模块310,用于获取目标指标的每个指标特征对应的当前特征信息。
当前预测值确定模块320,用于基于目标指标对应的目标预测模型和各个当前特征信息,确定目标指标对应的当前预测值。
指标异常检测模块330,用于基于当前预测值和目标指标对应的当前实际值,检测目标指标当前是否出现异常。
当前特征变化程度确定模块340,用于若目标指标当前出现异常,则确定每个指标特征对应的当前特征变化程度。
异常分析模块350,用于基于每个指标特征对应的特征重要程度进行异常分析,确定目标指标对应的当前异常根因信息,其中,每个指标特征对应的特征重要程度基于目标预测模型进行确定。
在本发明的一个实施例中,异常分析模块350包括:
预设特征处理单元,用于基于预设特征处理方式,对原有样本数据中的当每个指标特征对应的特征信息进行处理,确定每个指标特征对应的目标样本数据;
目标预测准确度确定单元,用于将目标样本数据输入至目标预测模型中,根据目标预测模型的输出,确定目标样本数据对应的目标预测准确度;
特征重要度确定单元,用于基于目标预测准确度和原有样本数据对应的原有预测准确度,确定当前指标特征对应的特征重要程度。
在本发明的一个实施例中,预设特征处理单元,包括,
特征信息排序子单元,用于对原有样本数据中的每个指标特征对应的特征信息进行随机排序,确定排序后的每个指标特征对应的目标样本数据;
或者,
特征信息删除子单元,用于将原有样本数据中的每个指标特征对应的特征信息进行删除,确定删除后的每个指标特征对应的目标样本数据。
在本发明的一个实施例中,确定特征重要度单元,包括,
差值确定子单元,将目标预测准确度与原有样本数据对应的原有预测准确度之间的差值确定为当前指标特征对应的特征重要程度。
在本发明的一个实施例中,指标异常检测模块330,包括,
当前差值确定单元,用于确定当前预测值与目标指标对应的当前实际值之间的当前差值;
指标变化程度确定单元,用于基于当前差值和预设差值,确定当前差值对应的指标变化程度;
指标异常检测单元,用于若指标变化程度大于预设变化阈值,则确定目标指标当前出现异常。
在本发明的一个实施例中,异常分析模块350,包括,
指标特征差值确定子单元,用于确定当前指标特征对应的当前特征信息与上一特征信息之间的特征差值。
指标特征比值确定子单元,用于将特征差值与上一特征信息之间的比值确定为当前指标特征对应的特征变化程度。
在本发明的一个实施例中,异常分析模块350,包括,
指标影响程度确定单元,用于基于每个指标特征对应的特征重要程度和当前特征变化程度,确定每个指标特征对应的当前特征影响程度;
指标特征影响程度异常分析单元,用于基于每个指标特征对应的当前特征影响程度进行异常分析,确定目标指标对应的当前异常根因信息。
在本发明的一个实施例中,指标特征影响程度异常分析单元,包括,
指标特征降序排序子单元,用于基于每个指标特征对应的特征影响程度,对各个指标特征进行降序排列;
异常根因信息确定子单元,用于将排列后的位于前预设个数的指标特征作为目标指标当前出现异常的根因信息。
在本发明的一个实施例中,医院运营指标对应的指标特征包括:患者信息特征、患者诊断特征、医生信息特征、处方特征、科室特征和物资库存特征中的至少一项。
本发明实施例所提供的一种医院运营指标的自动预测和根因分析系统可执行本发明任意实施例所提供的一种医院运营指标的自动预测和根因分析方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4为本发明实施例四提供的一种电子设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图4显示的电子设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示,电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示,通常称为“硬盘驱动器”)。尽管图4中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如系统存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该电子设备12交互的设备通信,和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与电子设备12的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发实施例所提供的一种医院运营指标的自动预测和根因分析方法步骤,该方法包括:
获取目标指标的每个指标特征对应的当前特征信息;
基于目标指标对应的目标预测模型和各个当前特征信息,确定目标指标对应的当前预测值;
基于当前预测值和目标指标对应的当前实际值,检测目标指标当前是否出现异常;
若目标指标当前出现异常,则确定每个指标特征对应的当前特征变化程度;
基于每个指标特征对应的特征重要程度和所述当前特征变化程度进行异常分析,确定目标指标对应的当前异常根因信息,其中,每个指标特征对应的特征重要程度基于所述目标预测模型进行确定。
当然,本领域技术人员可以理解,处理器还可以实现本发明任意实施例所提供的医院运营指标的自动预测和根因分析方法的技术方案。
实施例五
本实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任意实施例所提供的医院运营指标的自动预测和根因分析方法步骤,该方法包括:
获取目标指标的每个指标特征对应的当前特征信息;
基于目标指标对应的目标预测模型和各个当前特征信息,确定目标指标对应的当前预测值;
基于当前预测值和目标指标对应的当前实际值,检测目标指标当前是否出现异常;
若目标指标当前出现异常,则确定每个指标特征对应的当前特征变化程度;
基于每个指标特征对应的特征重要程度和所述当前特征变化程度进行异常分析,确定目标指标对应的当前异常根因信息,其中,每个指标特征对应的特征重要程度基于所述目标预测模型进行确定。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于:电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本领域普通技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个计算装置上,或者分布在多个计算装置所组成的网络上,可选地,他们可以用计算机装置可执行的程序代码来实现,从而可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件的结合。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种医院运营指标的自动预测和根因分析方法,其特征在于,包括:
获取目标指标的每个指标特征对应的当前特征信息;
基于所述目标指标对应的目标预测模型和各个所述当前特征信息,确定所述目标指标对应的当前预测值;
基于所述当前预测值和所述目标指标对应的当前实际值,检测所述目标指标当前是否出现异常;
若所述目标指标当前出现异常,则确定每个所述指标特征对应的当前特征变化程度;
基于每个所述指标特征对应的特征重要程度和所述当前特征变化程度进行异常分析,确定所述目标指标对应的当前异常根因信息,其中,每个所述指标特征对应的特征重要程度基于所述目标预测模型进行确定。
2.根据权利要求1所述的方法,其特征在于,所述基于所述目标预测模型确定每个所述指标特征对应的特征重要程度,包括:
基于预设特征处理方式,对原有样本数据中的每个指标特征对应的特征信息进行处理,确定每个指标特征对应的目标样本数据;
将所述目标样本数据输入至所述目标预测模型中,根据所述目标预测模型的输出,确定所述目标样本数据对应的目标预测准确度;
基于所述目标预测准确度和所述原有样本数据对应的原有预测准确度,确定每个指标特征对应的特征重要程度。
3.根据权利要求2所述的方法,其特征在于,所述基于预设特征处理方式,对原有样本数据中的每个指标特征对应的特征信息进行处理,确定每个指标特征对应的目标样本数据,包括:
针对每个指标特征,对原有样本数据中的指标特征对应的特征信息进行随机排序,确定排序后的该指标特征对应的目标样本数据;或者,
针对每个指标特征,将原有样本数据中的指标特征对应的特征信息进行删除,确定删除后的该指标特征对应的目标样本数据。
4.根据权利要求2所述的方法,其特征在于,所述基于所述目标预测准确度和所述原有样本数据对应的原有预测准确度,确定每个指标特征对应的特征重要程度,包括:
针对每个指标特征,将指标特征对应的所述目标预测准确度与所述原有样本数据对应的原有预测准确度之间的差值确定为该指标特征对应的特征重要程度。
5.根据权利要求1所述的方法,其特征在于,所述基于所述当前预测值和所述目标指标对应的当前实际值,检测所述目标指标当前是否出现异常,包括:
确定所述当前预测值与所述目标指标对应的当前实际值之间的当前差值;
基于所述当前差值和预设差值,确定所述当前差值对应的指标变化程度;
若所述指标变化程度大于预设变化阈值,则确定所述目标指标当前出现异常。
6.根据权利要求1所述的方法,其特征在于,所述确定每个所述指标特征对应的当前特征变化程度,包括:
针对每个所述指标特征,确定指标特征对应的当前特征信息与上一特征信息之间的特征差值;
将所述特征差值与所述上一特征信息之间的比值确定为该指标特征对应的当前特征变化程度。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述基于每个所述指标特征对应的特征重要程度和所述当前特征变化程度进行异常分析,确定所述目标指标对应的当前异常根因信息,包括:
基于每个所述指标特征对应的特征重要程度和所述当前特征变化程度,确定每个所述指标特征对应的当前特征影响程度;
基于每个所述指标特征对应的当前特征影响程度进行异常分析,确定所述目标指标对应的当前异常根因信息。
8.根据权利要求7所述的方法,其特征在于,所述基于每个所述指标特征对应的当前特征影响程度进行异常分析,确定所述目标指标对应的当前异常根因信息,包括:
基于每个所述指标特征对应的当前特征影响程度,对各个所述指标特征进行降序排列;
将排列后的位于前预设个数的指标特征作为所述目标指标当前出现异常的根因信息。
9.根据权利要求1-8任一项所述的方法,其特征在于,医院运营指标对应的指标特征包括:患者信息特征、患者诊断特征、医生信息特征、处方特征、科室特征和物资库存特征中的至少一项。
10.一种医院运营指标的自动预测和根因分析系统,其特征在于,包括:
当前特征信息获取模块,用于获取目标指标的每个指标特征对应的当前特征信息;
当前预测值确定模块,用于基于所述目标指标对应的目标预测模型和各个所述当前特征信息,确定所述目标指标对应的当前预测值;
指标异常检测模块,用于基于所述当前预测值和所述目标指标对应的当前实际值,检测所述目标指标当前是否出现异常;
当前特征变化程度确定模块,用于若所述目标指标当前出现异常,则确定每个所述指标特征对应的当前特征变化程度;
异常分析模块,用于基于每个所述指标特征对应的特征重要程度和所述当前特征变化程度进行异常分析,确定所述目标指标对应的当前异常根因信息,其中,每个所述指标特征对应的特征重要程度基于所述目标预测模型进行确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111644031.7A CN114266501A (zh) | 2021-12-29 | 2021-12-29 | 医院运营指标的自动预测和根因分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111644031.7A CN114266501A (zh) | 2021-12-29 | 2021-12-29 | 医院运营指标的自动预测和根因分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114266501A true CN114266501A (zh) | 2022-04-01 |
Family
ID=80831534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111644031.7A Pending CN114266501A (zh) | 2021-12-29 | 2021-12-29 | 医院运营指标的自动预测和根因分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114266501A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114710397A (zh) * | 2022-04-24 | 2022-07-05 | 中国工商银行股份有限公司 | 服务链路的故障根因定位方法、装置、电子设备及介质 |
-
2021
- 2021-12-29 CN CN202111644031.7A patent/CN114266501A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114710397A (zh) * | 2022-04-24 | 2022-07-05 | 中国工商银行股份有限公司 | 服务链路的故障根因定位方法、装置、电子设备及介质 |
CN114710397B (zh) * | 2022-04-24 | 2024-02-06 | 中国工商银行股份有限公司 | 服务链路的故障根因定位方法、装置、电子设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2012245343B2 (en) | Predictive modeling | |
US10365946B2 (en) | Clustering based process deviation detection | |
US20140006044A1 (en) | System and method for preparing healthcare service bundles | |
CN109191451B (zh) | 异常检测方法、装置、设备和介质 | |
US11152087B2 (en) | Ensuring quality in electronic health data | |
CN109524069A (zh) | 医疗数据处理方法、装置、电子设备和存储介质 | |
CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
CN111145848A (zh) | 临床试验中的不良反应事件检测方法、装置、介质与设备 | |
US20190013091A1 (en) | Diabetes management system with alert status interface and patient prioritization | |
CN112182067A (zh) | 个体身高预测方法、装置、电子设备及存储介质 | |
Liu et al. | Evaluating resampling methods and structured features to improve fall incident report identification by the severity level | |
CN114266501A (zh) | 医院运营指标的自动预测和根因分析方法及系统 | |
CN114550859A (zh) | 单病种质量监测方法、系统、设备及存储介质 | |
CN111427874B (zh) | 医疗数据生产的质控方法、装置以及电子设备 | |
CN113990512A (zh) | 异常数据检测方法及装置、电子设备和存储介质 | |
CN113780675A (zh) | 一种消耗预测方法、装置、存储介质及电子设备 | |
CN111427878B (zh) | 数据监控告警方法、装置、服务器和存储介质 | |
CN112711579A (zh) | 医疗数据的质量检测方法及装置、存储介质及电子设备 | |
US20160063182A1 (en) | Monitoring and detecting anomalies in healthcare information | |
KR20150003492A (ko) | 건강 모니터링 시스템 및 방법 | |
CN116052887B (zh) | 一种过度检查的检测方法、装置、电子设备及存储介质 | |
CN111369346B (zh) | 用户信用的评估方法、装置、服务器和存储介质 | |
CN114334043A (zh) | 基于医保的对诊疗关键路径监测方法及装置 | |
CN111414398B (zh) | 数据分析模型确定方法、装置及存储介质 | |
CN114334161B (zh) | 模型训练方法、数据处理方法、装置、介质、电子设备 |
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 |