CN114944225A - 一种基于患者信息的科室管理方法和装置 - Google Patents
一种基于患者信息的科室管理方法和装置 Download PDFInfo
- Publication number
- CN114944225A CN114944225A CN202210875959.4A CN202210875959A CN114944225A CN 114944225 A CN114944225 A CN 114944225A CN 202210875959 A CN202210875959 A CN 202210875959A CN 114944225 A CN114944225 A CN 114944225A
- Authority
- CN
- China
- Prior art keywords
- patient
- vector
- preset
- information
- department
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000007726 management method Methods 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 claims abstract description 22
- 239000013598 vector Substances 0.000 claims description 200
- 238000012795 verification Methods 0.000 claims description 38
- 238000012544 monitoring process Methods 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000011282 treatment Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011221 initial treatment Methods 0.000 description 1
- 230000000399 orthopedic effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供了一种基于患者信息的科室管理方法和装置,其中,方法包括:通过获取指定科室内多个患者的不同时间点的位置信息,并基于各个位置信息进行标记,从而得到对应的患者分布子模型,通过第一权重值和第二权重值对患者进行权重的设定,使患者信息管理模型可以很好的管理分值进行更好的预测。本发明的有益效果:实现了从患者的就诊轨迹上来对医院科室的就诊进行更好的监督,提高了医院的就诊效率,进一步对医院的科室进行了合理的监督。
Description
技术领域
本发明涉及人工智能领域,特别涉及一种基于患者信息的科室管理方法和装置。
背景技术
医疗卫生服务直接关系人民身体健康,医疗作为我国的民生重要行业,医疗服务质量工作成为了一项重点关注的项目,目前,医疗服务质量工作主要来源于患者的评价,基于评价的内容不断对医院的就诊系统进行优化,然而患者的评价仅限于自身的认识,患者在实际就诊过程中的评价主要来源于主观因素,并且还有相当一部分患者并没有进行评价,因此优化数据的来源具有一定的局限性,无法对医院的就诊进行更好的管理。
发明内容
本发明的主要目的为提供一种基于患者信息的科室管理方法和装置,旨在解决优化数据的来源具有一定的局限性,无法对医院的就诊进行更好的管理的问题。
本发明提供了一种基于患者信息的科室管理方法,包括:
获取指定科室的多个患者在预设时间段内不同时间点的位置信息;
将各个时间点的各个患者的位置信息在预先构建的医院模型中分别进行标记,并按照时间顺序依次得到各个时间点对应的患者分布子模型;
将各个患者分布子模型输入至预设的初始模型中,通过所述初始模型中获取所述患者分布子模型中各个患者之间的第一距离,以及每个患者至所述指定科室的第二距离;
基于各个患者的位置以及所述第一距离,计算每个患者至其余患者的第一向量;
基于所述第二距离设定各个所述第一向量的第一权重值;
提取每个所述患者分布子模型中相同的第一向量,构成第一向量集合;其中,所述第一向量集合中的第一向量对应的两个患者相同;
计算相邻时间点之间任意两个第一向量的位置差量;
基于所述位置差量通过预设的函数,设置相邻时间点中的后一个时间点的第一向量的第二权重值,以及将时间点最前一个的第一向量的第二权重值设置为预设值;
将每个所述第一向量以及各个第一向量分别对应的第一权重值和第二权重值进行加权,得到各个第一向量分别对应的加权向量;
根据各个第一向量与所述第一向量集合的归属关系,建立第二向量集合;其中,所述第二向量集合与所述第一向量集合一一对应,且所述第二向量集合中的每个加权向量是通过对应的第一向量集合中对应的第一向量加权得到;
将各个第二向量集合输入至预设的患者信息管理模型中,得到患者管理分值;其中,所述患者信息管理模型通过多个不同的第二向量集合以及对应的患者管理分值训练而成;
判断所述管理分值是否小于预设的管理分值;
若小于所述预设的管理分值,则基于所述管理分值对所述指定科室进行管理。
进一步地,所述获取指定科室的多个患者在预设时间段内不同时间点的位置信息的步骤,包括:
获取所述预设时间段内在所述指定科室就诊的患者;
判断所述各个所述患者是否在所述预设时间段内均位于医院内;
将位于所述医院内的患者记为目标患者,并获取在预设时间段内不同时间点的位置信息。
进一步地,所述获取指定科室的多个患者在预设时间段内不同时间点的位置信息的步骤之后,还包括:
判断所述位置信息中是否包含有洗手间的位置信息;
若包含有洗手间的位置信息,则判断所述洗手间的位置信息与所述指定科室的位置信息的第三距离是否在预设距离内;
若是,则将对应的洗手间的位置信息记为所述指定科室的位置信息。
进一步地,所述获取指定科室的多个患者在预设时间段内不同时间点的位置信息的步骤,包括:
获取多个患者的人脸信息;
根据所述人脸信息从医院的各个预设监控视频中,在预设时间段内不同时间点获取到含有各个患者的多个目标监控视频,以及各个预设监控视频所属的楼层区域信息;
获取同一时间点同一所述患者的多个目标监控视频,并计算所述患者距离中心点的第四距离;
根据所述第四距离选取距离最小的目标监控视频作为主视频,将其余的视频作为辅视频;
基于所述主视频构建空间坐标系,并基于辅视频获取到患者在楼层区域内的坐标值;
根据所述坐标值和所述楼层区域信息获取到所述患者在各个不同时间点的位置信息。
进一步地,所述将各个第二向量集合输入至预设的患者信息管理模型中,得到患者管理分值的步骤之前,还包括:
获取多个时间段组成的目标第二向量集合,根据预设的比例将多个所述第二向量集合划分为训练集和验证集;
将所述训练集输入至预设的神经网络模型,采用有监督学习的方式进行训练处理,得到暂时模型;
采用所述验证集中的目标第二向量集合对所述暂时模型进行验证,得到验证结果;
判断验证结果是否通过;
若验证结果通过,则将所述暂时模型记为所述患者信息管理模型。
本发明还提供了一种基于患者信息的科室管理装置,包括:
获取模块,用于获取指定科室的多个患者在预设时间段内不同时间点的位置信息;
标记模块,用于将各个时间点的各个患者的位置信息在预先构建的医院模型中分别进行标记,并按照时间顺序依次得到各个时间点对应的患者分布子模型;
第一输入模块,用于将各个患者分布子模型输入至预设的初始模型中,通过所述初始模型中获取所述患者分布子模型中各个患者之间的第一距离,以及每个患者至所述指定科室的第二距离;
第一计算模块,用于基于各个患者的位置以及所述第一距离,计算每个患者至其余患者的第一向量;
设定模块,用于基于所述第二距离设定各个所述第一向量的第一权重值;
提取模块,用于提取每个所述患者分布子模型中相同的第一向量,构成第一向量集合;其中,所述第一向量集合中的第一向量对应的两个患者相同;
第二计算模块,用于计算相邻时间点之间任意两个第一向量的位置差量;
设置模块,用于基于所述位置差量通过预设的函数,设置相邻时间点中的后一个时间点的第一向量的第二权重值,以及将时间点最前一个的第一向量的第二权重值设置为预设值;
求和模块,用于将每个所述第一向量以及各个第一向量分别对应的第一权重值和第二权重值进行加权,得到各个第一向量分别对应的加权向量;
建立模块,用于根据各个第一向量与所述第一向量集合的归属关系,建立第二向量集合;其中,所述第二向量集合与所述第一向量集合一一对应,且所述第二向量集合中的每个加权向量是通过对应的第一向量集合中对应的第一向量加权得到;
第二输入模块,用于将各个第二向量集合输入至预设的患者信息管理模型中,得到患者管理分值;其中,所述患者信息管理模型通过多个不同的第二向量集合以及对应的患者管理分值训练而成;
判断模块,用于判断所述管理分值是否小于预设的管理分值;
管理模块,用于若小于所述预设的管理分值,则基于所述管理分值对所述指定科室进行管理。
进一步地,所述获取模块,包括:
患者获取子模块,用于获取所述预设时间段内在所述指定科室就诊的患者;
判断子模块,用于判断所述各个所述患者是否在所述预设时间段内均位于医院内;
记为子模块,用于将位于所述医院内的患者记为目标患者,并获取在预设时间段内不同时间点的位置信息。
进一步地,所述基于患者信息的科室管理装置,还包括:
位置信息判断模块,用于判断所述位置信息中是否包含有洗手间的位置信息;
距离判断模块,用于若包含有洗手间的位置信息,则判断所述洗手间的位置信息与所述指定科室的位置信息的第三距离是否在预设距离内;
记为子模块,用于若是,则将对应的洗手间的位置信息记为所述指定科室的位置信息。
进一步地,所述获取模块,包括:
人脸信息获取子模块,用于获取多个患者的人脸信息;
监控视频获取子模块,用于根据所述人脸信息从医院的各个预设监控视频中,在预设时间段内不同时间点获取到含有各个患者的多个目标监控视频,以及各个预设监控视频所属的楼层区域信息;
目标监控视频获取子模块,用于获取同一时间点同一所述患者的多个目标监控视频,并计算所述患者距离中心点的第四距离;
选取子模块,用于根据所述第四距离选取距离最小的目标监控视频作为主视频,将其余的视频作为辅视频;
构建子模块,用于基于所述主视频构建空间坐标系,并基于辅视频获取到患者在楼层区域内的坐标值;
位置信息获取子模块,用于根据所述坐标值和所述楼层区域信息获取到所述患者在各个不同时间点的位置信息。
进一步地,所述基于患者信息的科室管理装置,还包括:
集合获取模块,用于获取多个时间段组成的目标第二向量集合,根据预设的比例将多个所述第二向量集合划分为训练集和验证集;
训练集输入模块,用于将所述训练集输入至预设的神经网络模型,采用有监督学习的方式进行训练处理,得到暂时模型;
验证模块,用于采用所述验证集中的目标第二向量集合对所述暂时模型进行验证,得到验证结果;
验证结果判断模块,用于判断验证结果是否通过;
记为模块,用于若验证结果通过,则将所述暂时模型记为所述患者信息管理模型。
本发明的有益效果:通过获取指定科室内多个患者的不同时间点的位置信息,并基于各个位置信息进行标记,从而得到对应的患者分布子模型,通过第一权重值和第二权重值对患者进行权重的设定,使患者信息管理模型可以很好的管理分值进行更好的预测。从而实现了从患者的就诊轨迹上来对医院科室的就诊进行更好的监督,提高了医院的就诊效率,进一步对医院的科室进行了合理的监督。
附图说明
图1 是本发明一实施例的一种基于患者信息的科室管理方法的流程示意图;
图2 是本发明一实施例的一种基于患者信息的科室管理装置的结构示意框图。
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
下面将结合本发明实施例中的附图,对本发明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发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通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,都属于本发明保护的范围。
需要说明,本发明实施例中所有方向性指示(诸如上、下、左、右、前、后等)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变,所述的连接可以是直接连接,也可以是间接连接。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。
另外,在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
参照图1,本发明提出一种基于患者信息的科室管理方法,包括:
S1:获取指定科室的多个患者在预设时间段内不同时间点的位置信息;
S2:将各个时间点的各个患者的位置信息在预先构建的医院模型中分别进行标记,并按照时间顺序依次得到各个时间点对应的患者分布子模型;
S3:将各个患者分布子模型输入至预设的初始模型中,通过所述初始模型中获取所述患者分布子模型中各个患者之间的第一距离,以及每个患者至所述指定科室的第二距离;
S4:基于各个患者的位置以及所述第一距离,计算每个患者至其余患者的第一向量;
S5:基于所述第二距离设定各个所述第一向量的第一权重值;
S6:提取每个所述患者分布子模型中相同的第一向量,构成第一向量集合;其中,所述第一向量集合中的第一向量对应的两个患者相同;
S7:计算相邻时间点之间任意两个第一向量的位置差量;
S8:基于所述位置差量通过预设的函数,设置相邻时间点中的后一个时间点的第一向量的第二权重值,以及将时间点最前一个的第一向量的第二权重值设置为预设值;
S9:将每个所述第一向量以及各个第一向量分别对应的第一权重值和第二权重值进行加权,得到各个第一向量分别对应的加权向量;
S10:根据各个第一向量与所述第一向量集合的归属关系,建立第二向量集合;其中,所述第二向量集合与所述第一向量集合一一对应,且所述第二向量集合中的每个加权向量是通过对应的第一向量集合中对应的第一向量加权得到;
S11:将各个第二向量集合输入至预设的患者信息管理模型中,得到患者管理分值;其中,所述患者信息管理模型通过多个不同的第二向量集合以及对应的患者管理分值训练而成;
S12:判断所述管理分值是否小于预设的管理分值;
S13:若小于所述预设的管理分值,则基于所述管理分值对所述指定科室进行管理。
如上述步骤S1所述,获取指定科室的多个患者在预设时间段内不同时间点的位置信息。其中获取的方式可以是通过人脸识别技术,并结合医院内的监控摄像头实现,也可以是通过医院内的多个终端设备,例如wifi,以获取到患者移动终端的距离,进而获取到患者的位置信息,预设时间段可以是一段时间内的,本申请目的在于了解医院的就诊情况是否通畅,因此,预设时间段优选为最近的时间段,例如昨天的一个时间段,或者是过去时间内的一个时间段,本申请对此不作具体限定,至于各个时间点的设定,则可以进行任意的限定,需要说明的是,该时间点之间的间隔优选为相同的间隔时间,以便于具体分析,位置信息即患者在医院内的位置,包括楼层以及地理位置等。上述的指定科室是指具体门诊的科室,当然门诊一般会包括缴费,检查等一些辅助科室,这些虽然不是指定科室,但是属于指定科室的辅助科室,患者需要去对应的科室处进行检查或者缴费等。
如上述步骤S2所述,将各个时间点的各个患者的位置信息在预先构建的医院模型中分别进行标记,并按照时间顺序依次得到各个时间点对应的患者分布子模型。其中,预先构建的医院模型为医院的模型,其含有各个科室的地点,以及摄像头的分布,为一个小型的医院虚拟模型,在获取到位置信息后,可以在对应的位置进行标记,由于时间点的不同,患者在其中的位置也会有一些区别,因此,将同一时间点的患者位置进行分别标记,从而可以得到对应的患者分布子模型。
如上述步骤S3所述,将各个患者分布子模型输入至预设的初始模型中,通过所述初始模型中获取所述患者分布子模型中各个患者之间的第一距离,以及每个患者至所述指定科室的第二距离。由于各个患者在患者分布子模型的位置信息知晓,因此可以得到各个患者之间的第一距离,以及每个患者至所述指定科室的第二距离。需要说明的是,初始模型是一种可以统计出距离的模型,由于患者在医院模型中的位置已知,因此可以获取到对应的第一距离和第二距离,初始模型具体可以是神经网络模型,可以对虚拟模型中的距离进行获取即可,获取到的第一距离和第二距离均为在医院模型中的距离,即患者分布子模型中的距离,距离的大小可以与实际距离相同,也可以不同。
如上述步骤S4所述,基于各个患者的位置以及所述第一距离,计算每个患者至其余患者的第一向量,由于各个患者的距离和位置都已知,因此可以获取到对应的多个第一向量,需要说明的是,一般而言,患者需要进行诊疗,复诊,以及需要去相关科室进行检查等,大多数患者都会在对应的科室处进行等候,而初步就诊后的患者则需要去缴费,检查等,因此,上述指定科室一般指需要多个辅助科室进行同步协调的科室,例如骨科,内科等,而患者之间的第一向量反映了科室的就诊情况,可以从中看出患者就诊是否拥挤,科室的处理效率等。
如上述步骤S5所述,基于所述第二距离设定各个所述第一向量的第一权重值,当然存在一些患者位于科室的等候厅中,此时,说明患者正在就诊或者正在等候问诊,那么该患者的数据实际上是具有一些误差的,此处利用第二距离,即该患者的第二距离为0,消除掉这部分的误差,这对于医院处理并无帮助,而距离科室的远近可以表明,对应的患者是否完成对应的就诊,因此,以第二距离设定各个第一向量的第一权重值,距离指定科室越近说明,该患者与科室越相关,即患者要么从科室中出来,要么从其他辅助科室重新来科室问诊,因此对其需要设定对应的第一权重值,具体的设定方式可以是通过softmax函数,即第一权重=softmax(第二距离);
如上述步骤S6所述,提取每个所述患者分布子模型中相同的第一向量,构成第一向量集合,即将相同的第一向量进行集合,以便于进行单个向量的逐一分析。
如上述步骤S7所述,计算相邻时间点之间任意两个第一向量的位置差量,其中,位置差量的计算方式为,其中,和表示第n个患者分布子模型中的第一向量对应的两个患者的位置信息,和表示第n+1个患者分布子模型中的第一向量对应的两个患者的位置信息,表示计算函数。
如上述步骤S8所述,基于所述位置差量通过预设的函数,设置相邻时间点中的后一个时间点的第一向量的第二权重值,以及将时间点最前一个的第一向量的第二权重值设置为预设值。两个相同的第一向量之间的位置关系包含有医院的就诊流畅度信息,当位置差量越大,说明就诊流畅度越高,相反,就诊流畅度越低,因此,可以通过预设的函数,例如softmax函数进行第二权重值的设定,将时间点最前一个的第一向量的第二权重值设置为预设值,以便于计算。
如上述步骤S9所述,将每个所述第一向量以及各个第一向量分别对应的第一权重值和第二权重值进行加权,得到各个第一向量分别对应的加权向量。其中,第一向量和第一向量分别对应的第一权重值和第二权重值进行加权,得到对应的第一向量的加权向量。
如上述步骤S10所述,根据各个第一向量与所述第一向量集合的归属关系,建立第二向量集合。即第二向量集合中的元素实际上是基于第一向量中的元素加权得到,第一向量集合中的每个第一向量对应一个加权向量,则第二向量集合中的元素与第一向量集合中的第一向量相对应。
如上述步骤S11所述,将各个第二向量集合输入至预设的患者信息管理模型中,得到患者管理分值,该预设的患者信息管理模型实际上为神经网络模型,其具体的训练方式后续有详细说明,此处不再赘述。
如上述步骤S12-S13所述,判断所述管理分值是否小于预设的管理分值,即若管理分值小于预设的管理分值,则说明该科室需要进行调整,以便于更好的满足患者就诊,调整的方式可以是加快就诊效率,亦或者缩小辅助科室的距离,增设一些辅助科室等,从而实现了从患者的就诊轨迹上来对医院科室的就诊进行更好的监督,提高了医院的就诊效率,进一步对医院的科室进行了合理的监督。
在一个实施例中,所述获取指定科室的多个患者在预设时间段内不同时间点的位置信息的步骤S1,包括:
S101:获取所述预设时间段内在所述指定科室就诊的患者;
S102:判断所述各个所述患者是否在所述预设时间段内均位于医院内;
S103:将位于所述医院内的患者记为目标患者,并获取在预设时间段内不同时间点的位置信息。
如上述步骤S101-S103所述,实现了对患者的筛选,即首先要获取到预设时间段内在指定科室就诊的患者,其次,为了避免患者就诊完毕回家,此时获取不到患者的位置信息,因此,选出的目标患者需要在预设时间段内均位于医院内,然后再获取在预设时间段内不同时间点的位置信息,否则,容易出现患者走出医院,而无法获取其中的位置信息的情况。
在一个实施例中,所述获取指定科室的多个患者在预设时间段内不同时间点的位置信息的步骤S1之后,还包括:
S201:判断所述位置信息中是否包含有洗手间的位置信息;
S202:若包含有洗手间的位置信息,则判断所述洗手间的位置信息与所述指定科室的位置信息的第三距离是否在预设距离内;
S203:若是,则将对应的洗手间的位置信息记为所述指定科室的位置信息。
如上述步骤S201-S203所述,当然,人有三急,患者可能在等候问诊的过程中可能去往洗手间,若在洗手间内,则可以判断与所述指定科室的位置信息的第三距离是否在预设距离内;若是,则将对应的洗手间的位置信息记为所述指定科室的位置信息。若在预设距离范围之外,则可以直接将对应的洗手间的位置信息进行后续计算,因为此时患者可能是在去往辅助科室的路途中去的洗手间,因此,可以直接以该洗手间的距离进行计算。
在一个实施例中,所述获取指定科室的多个患者在预设时间段内不同时间点的位置信息的步骤S1,包括:
S111:获取多个患者的人脸信息;
S112:根据所述人脸信息从医院的各个预设监控视频中,在预设时间段内不同时间点获取到含有各个患者的多个目标监控视频,以及各个预设监控视频所属的楼层区域信息;
S113:获取同一时间点同一所述患者的多个目标监控视频,并计算所述患者距离中心点的第四距离;
S114:根据所述第四距离选取距离最小的目标监控视频作为主视频,将其余的视频作为辅视频;
S115:基于所述主视频构建空间坐标系,并基于辅视频获取到患者在楼层区域内的坐标值;
S116:根据所述坐标值和所述楼层区域信息获取到所述患者在各个不同时间点的位置信息。
如上述步骤S111-S116所述,实现了对患者的位置信息的获取,由于各个预设监控视频对应的摄像头的位置可以确定,因此,可以获取到摄像头拍摄所属的楼层区域信息,以及对应的监控视频,当然仅凭借一个监控视频对位置的判断会有一些难度,因此可以借用两个摄像头拍摄的监控视频进行综合,选取距离视频中心点最小的目标监控视频作为主视频,将其余的视频作为辅视频,构建坐标系来获取到漏乘区域的坐标值,根据坐标值获取到患者在各个不同时间点的位置信息。
在一个实施例中,所述将各个第二向量集合输入至预设的患者信息管理模型中,得到患者管理分值的步骤S11之前,还包括:
S1001:获取多个时间段组成的目标第二向量集合,根据预设的比例将多个所述第二向量集合划分为训练集和验证集;
S1002:将所述训练集输入至预设的神经网络模型,采用有监督学习的方式进行训练处理,得到暂时模型;
S1003:采用所述验证集中的目标第二向量集合对所述暂时模型进行验证,得到验证结果;
S1004:判断验证结果是否通过;
S1005:若验证结果通过,则将所述暂时模型记为所述患者信息管理模型。
如上述步骤S1001-S1005所述,训练模型的数据与验证模型的数据采用的是出处相同的样本数据,因此训练得到的患者信息管理模型具有较高的可靠性。具体可以通过随机梯度下降算法对模型进行训练,并采用反向传播算法更新模型中各层神经网络的参数。若验证结果通过,则表明最终得到的患者信息管理模型能够对管理分值进行很好的预测,因此可以采用患者信息管理模型进行管理分值的预测。
参照图2,本发明还提供了一种基于患者信息的科室管理装置,包括:
获取模块10,用于获取指定科室的多个患者在预设时间段内不同时间点的位置信息;
标记模块20,用于将各个时间点的各个患者的位置信息在预先构建的医院模型中分别进行标记,并按照时间顺序依次得到各个时间点对应的患者分布子模型;
第一输入模块30,用于将各个患者分布子模型输入至预设的初始模型中,通过所述初始模型中获取所述患者分布子模型中各个患者之间的第一距离,以及每个患者至所述指定科室的第二距离;
第一计算模块40,用于基于各个患者的位置以及所述第一距离,计算每个患者至其余患者的第一向量;
设定模块50,用于基于所述第二距离设定各个所述第一向量的第一权重值;
提取模块60,用于提取每个所述患者分布子模型中相同的第一向量,构成第一向量集合;其中,所述第一向量集合中的第一向量对应的两个患者相同;
第二计算模块70,用于计算相邻时间点之间任意两个第一向量的位置差量;
设置模块80,用于基于所述位置差量通过预设的函数,设置相邻时间点中的后一个时间点的第一向量的第二权重值,以及将时间点最前一个的第一向量的第二权重值设置为预设值;
求和模块90,用于将每个所述第一向量以及各个第一向量分别对应的第一权重值和第二权重值进行加权,得到各个第一向量分别对应的加权向量;
建立模块100,用于根据各个第一向量与所述第一向量集合的归属关系,建立第二向量集合;其中,所述第二向量集合与所述第一向量集合一一对应,且所述第二向量集合中的每个加权向量是通过对应的第一向量集合中对应的第一向量加权得到;
第二输入模块110,用于将各个第二向量集合输入至预设的患者信息管理模型中,得到患者管理分值;其中,所述患者信息管理模型通过多个不同的第二向量集合以及对应的患者管理分值训练而成;
判断模块120,用于判断所述管理分值是否小于预设的管理分值;
管理模块130,用于若小于所述预设的管理分值,则基于所述管理分值对所述指定科室进行管理。
在一个实施例中,所述获取模块10,包括:
患者获取子模块,用于获取所述预设时间段内在所述指定科室就诊的患者;
判断子模块,用于判断所述各个所述患者是否在所述预设时间段内均位于医院内;
记为子模块,用于将位于所述医院内的患者记为目标患者,并获取在预设时间段内不同时间点的位置信息。
在一个实施例中,所述基于患者信息的科室管理装置,还包括:
位置信息判断模块,用于判断所述位置信息中是否包含有洗手间的位置信息;
距离判断模块,用于若包含有洗手间的位置信息,则判断所述洗手间的位置信息与所述指定科室的位置信息的第三距离是否在预设距离内;
记为子模块,用于若是,则将对应的洗手间的位置信息记为所述指定科室的位置信息。
在一个实施例中,所述获取模块10,包括:
人脸信息获取子模块,用于获取多个患者的人脸信息;
监控视频获取子模块,用于根据所述人脸信息从医院的各个预设监控视频中,在预设时间段内不同时间点获取到含有各个患者的多个目标监控视频,以及各个预设监控视频所属的楼层区域信息;
目标监控视频获取子模块,用于获取同一时间点同一所述患者的多个目标监控视频,并计算所述患者距离中心点的第四距离;
选取子模块,用于根据所述第四距离选取距离最小的目标监控视频作为主视频,将其余的视频作为辅视频;
构建子模块,用于基于所述主视频构建空间坐标系,并基于辅视频获取到患者在楼层区域内的坐标值;
位置信息获取子模块,用于根据所述坐标值和所述楼层区域信息获取到所述患者在各个不同时间点的位置信息。
在一个实施例中,所述基于患者信息的科室管理装置,还包括:
集合获取模块,用于获取多个时间段组成的目标第二向量集合,根据预设的比例将多个所述第二向量集合划分为训练集和验证集;
训练集输入模块,用于将所述训练集输入至预设的神经网络模型,采用有监督学习的方式进行训练处理,得到暂时模型;
验证模块,用于采用所述验证集中的目标第二向量集合对所述暂时模型进行验证,得到验证结果;
验证结果判断模块,用于判断验证结果是否通过;
记为模块,用于若验证结果通过,则将所述暂时模型记为所述患者信息管理模型。
本发明的有益效果:通过获取指定科室内多个患者的不同时间点的位置信息,并基于各个位置信息进行标记,从而得到对应的患者分布子模型,通过第一权重值和第二权重值对患者进行权重的设定,使患者信息管理模型可以很好的管理分值进行更好的预测。从而实现了从患者的就诊轨迹上来对医院科室的就诊进行更好的监督,提高了医院的就诊效率,进一步对医院的科室进行了合理的监督。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储与一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM一多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,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。
本申请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。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (10)
1.一种基于患者信息的科室管理方法,其特征在于,包括:
获取指定科室的多个患者在预设时间段内不同时间点的位置信息;
将各个时间点的各个患者的位置信息在预先构建的医院模型中分别进行标记,并按照时间顺序依次得到各个时间点对应的患者分布子模型;
将各个患者分布子模型输入至预设的初始模型中,通过所述初始模型中获取所述患者分布子模型中各个患者之间的第一距离,以及每个患者至所述指定科室的第二距离;
基于各个患者的位置以及所述第一距离,计算每个患者至其余患者的第一向量;
基于所述第二距离设定各个所述第一向量的第一权重值;
提取每个所述患者分布子模型中相同的第一向量,构成第一向量集合;其中,所述第一向量集合中的第一向量对应的两个患者相同;
计算相邻时间点之间任意两个第一向量的位置差量;
基于所述位置差量通过预设的函数,设置相邻时间点中的后一个时间点的第一向量的第二权重值,以及将时间点最前一个的第一向量的第二权重值设置为预设值;
将每个所述第一向量以及各个第一向量分别对应的第一权重值和第二权重值进行加权,得到各个第一向量分别对应的加权向量;
根据各个第一向量与所述第一向量集合的归属关系,建立第二向量集合;其中,所述第二向量集合与所述第一向量集合一一对应,且所述第二向量集合中的每个加权向量是通过对应的第一向量集合中对应的第一向量加权得到;
将各个第二向量集合输入至预设的患者信息管理模型中,得到患者管理分值;其中,所述患者信息管理模型通过多个不同的第二向量集合以及对应的患者管理分值训练而成;
判断所述管理分值是否小于预设的管理分值;
若小于所述预设的管理分值,则基于所述管理分值对所述指定科室进行管理。
2.如权利要求1所述的基于患者信息的科室管理方法,其特征在于,所述获取指定科室的多个患者在预设时间段内不同时间点的位置信息的步骤,包括:
获取所述预设时间段内在所述指定科室就诊的患者;
判断所述各个所述患者是否在所述预设时间段内均位于医院内;
将位于所述医院内的患者记为目标患者,并获取在预设时间段内不同时间点的位置信息。
3.如权利要求1所述的基于患者信息的科室管理方法,其特征在于,所述获取指定科室的多个患者在预设时间段内不同时间点的位置信息的步骤之后,还包括:
判断所述位置信息中是否包含有洗手间的位置信息;
若包含有洗手间的位置信息,则判断所述洗手间的位置信息与所述指定科室的位置信息的第三距离是否在预设距离内;
若是,则将对应的洗手间的位置信息记为所述指定科室的位置信息。
4.如权利要求1所述的基于患者信息的科室管理方法,其特征在于,所述获取指定科室的多个患者在预设时间段内不同时间点的位置信息的步骤,包括:
获取多个患者的人脸信息;
根据所述人脸信息从医院的各个预设监控视频中,在预设时间段内不同时间点获取到含有各个患者的多个目标监控视频,以及各个预设监控视频所属的楼层区域信息;
获取同一时间点同一所述患者的多个目标监控视频,并计算所述患者距离中心点的第四距离;
根据所述第四距离选取距离最小的目标监控视频作为主视频,将其余的视频作为辅视频;
基于所述主视频构建空间坐标系,并基于辅视频获取到患者在楼层区域内的坐标值;
根据所述坐标值和所述楼层区域信息获取到所述患者在各个不同时间点的位置信息。
5.如权利要求1所述的基于患者信息的科室管理方法,其特征在于,所述将各个第二向量集合输入至预设的患者信息管理模型中,得到患者管理分值的步骤之前,还包括:
获取多个时间段组成的目标第二向量集合,根据预设的比例将多个所述第二向量集合划分为训练集和验证集;
将所述训练集输入至预设的神经网络模型,采用有监督学习的方式进行训练处理,得到暂时模型;
采用所述验证集中的目标第二向量集合对所述暂时模型进行验证,得到验证结果;
判断验证结果是否通过;
若验证结果通过,则将所述暂时模型记为所述患者信息管理模型。
6.一种基于患者信息的科室管理装置,其特征在于,包括:
获取模块,用于获取指定科室的多个患者在预设时间段内不同时间点的位置信息;
标记模块,用于将各个时间点的各个患者的位置信息在预先构建的医院模型中分别进行标记,并按照时间顺序依次得到各个时间点对应的患者分布子模型;
第一输入模块,用于将各个患者分布子模型输入至预设的初始模型中,通过所述初始模型中获取所述患者分布子模型中各个患者之间的第一距离,以及每个患者至所述指定科室的第二距离;
第一计算模块,用于基于各个患者的位置以及所述第一距离,计算每个患者至其余患者的第一向量;
设定模块,用于基于所述第二距离设定各个所述第一向量的第一权重值;
提取模块,用于提取每个所述患者分布子模型中相同的第一向量,构成第一向量集合;其中,所述第一向量集合中的第一向量对应的两个患者相同;
第二计算模块,用于计算相邻时间点之间任意两个第一向量的位置差量;
设置模块,用于基于所述位置差量通过预设的函数,设置相邻时间点中的后一个时间点的第一向量的第二权重值,以及将时间点最前一个的第一向量的第二权重值设置为预设值;
求和模块,用于将每个所述第一向量以及各个第一向量分别对应的第一权重值和第二权重值进行加权,得到各个第一向量分别对应的加权向量;
建立模块,用于根据各个第一向量与所述第一向量集合的归属关系,建立第二向量集合;其中,所述第二向量集合与所述第一向量集合一一对应,且所述第二向量集合中的每个加权向量是通过对应的第一向量集合中对应的第一向量加权得到;
第二输入模块,用于将各个第二向量集合输入至预设的患者信息管理模型中,得到患者管理分值;其中,所述患者信息管理模型通过多个不同的第二向量集合以及对应的患者管理分值训练而成;
判断模块,用于判断所述管理分值是否小于预设的管理分值;
管理模块,用于若小于所述预设的管理分值,则基于所述管理分值对所述指定科室进行管理。
7.如权利要求6所述的基于患者信息的科室管理装置,其特征在于,所述获取模块,包括:
患者获取子模块,用于获取所述预设时间段内在所述指定科室就诊的患者;
判断子模块,用于判断所述各个所述患者是否在所述预设时间段内均位于医院内;
记为子模块,用于将位于所述医院内的患者记为目标患者,并获取在预设时间段内不同时间点的位置信息。
8.如权利要求6所述的基于患者信息的科室管理装置,其特征在于,所述基于患者信息的科室管理装置,还包括:
位置信息判断模块,用于判断所述位置信息中是否包含有洗手间的位置信息;
距离判断模块,用于若包含有洗手间的位置信息,则判断所述洗手间的位置信息与所述指定科室的位置信息的第三距离是否在预设距离内;
记为子模块,用于若是,则将对应的洗手间的位置信息记为所述指定科室的位置信息。
9.如权利要求6所述的基于患者信息的科室管理装置,其特征在于,所述获取模块,包括:
人脸信息获取子模块,用于获取多个患者的人脸信息;
监控视频获取子模块,用于根据所述人脸信息从医院的各个预设监控视频中,在预设时间段内不同时间点获取到含有各个患者的多个目标监控视频,以及各个预设监控视频所属的楼层区域信息;
目标监控视频获取子模块,用于获取同一时间点同一所述患者的多个目标监控视频,并计算所述患者距离中心点的第四距离;
选取子模块,用于根据所述第四距离选取距离最小的目标监控视频作为主视频,将其余的视频作为辅视频;
构建子模块,用于基于所述主视频构建空间坐标系,并基于辅视频获取到患者在楼层区域内的坐标值;
位置信息获取子模块,用于根据所述坐标值和所述楼层区域信息获取到所述患者在各个不同时间点的位置信息。
10.如权利要求6所述的基于患者信息的科室管理装置,其特征在于,所述基于患者信息的科室管理装置,还包括:
集合获取模块,用于获取多个时间段组成的目标第二向量集合,根据预设的比例将多个所述第二向量集合划分为训练集和验证集;
训练集输入模块,用于将所述训练集输入至预设的神经网络模型,采用有监督学习的方式进行训练处理,得到暂时模型;
验证模块,用于采用所述验证集中的目标第二向量集合对所述暂时模型进行验证,得到验证结果;
验证结果判断模块,用于判断验证结果是否通过;
记为模块,用于若验证结果通过,则将所述暂时模型记为所述患者信息管理模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210875959.4A CN114944225B (zh) | 2022-07-25 | 2022-07-25 | 一种基于患者信息的科室管理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210875959.4A CN114944225B (zh) | 2022-07-25 | 2022-07-25 | 一种基于患者信息的科室管理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114944225A true CN114944225A (zh) | 2022-08-26 |
CN114944225B CN114944225B (zh) | 2022-09-27 |
Family
ID=82911525
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210875959.4A Active CN114944225B (zh) | 2022-07-25 | 2022-07-25 | 一种基于患者信息的科室管理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114944225B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100176941A1 (en) * | 2009-01-12 | 2010-07-15 | Rachit Jain | Method and system for facilitating automated navigation in a healthcare environment |
CN108417257A (zh) * | 2018-02-12 | 2018-08-17 | 浙江远图互联科技股份有限公司 | 一种住院自助终端系统及其智能分诊管理系统 |
US20200082932A1 (en) * | 2018-09-06 | 2020-03-12 | International Business Machines Corporation | Patient Engagement Plan Generation and Implementation Based on Program Specific Factors |
CN111370107A (zh) * | 2020-03-05 | 2020-07-03 | 京东方科技集团股份有限公司 | 回诊时间预测方法及装置、电子设备、存储介质 |
CN112562836A (zh) * | 2020-12-18 | 2021-03-26 | 深圳赛安特技术服务有限公司 | 医生推荐方法、装置、电子设备及存储介质 |
CN113724848A (zh) * | 2021-08-31 | 2021-11-30 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的医疗资源推荐方法、装置、服务器及介质 |
CN114239955A (zh) * | 2021-12-15 | 2022-03-25 | 华中科技大学同济医学院附属协和医院 | 一种医院门诊患者等候时间预测方法及系统 |
-
2022
- 2022-07-25 CN CN202210875959.4A patent/CN114944225B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100176941A1 (en) * | 2009-01-12 | 2010-07-15 | Rachit Jain | Method and system for facilitating automated navigation in a healthcare environment |
CN108417257A (zh) * | 2018-02-12 | 2018-08-17 | 浙江远图互联科技股份有限公司 | 一种住院自助终端系统及其智能分诊管理系统 |
US20200082932A1 (en) * | 2018-09-06 | 2020-03-12 | International Business Machines Corporation | Patient Engagement Plan Generation and Implementation Based on Program Specific Factors |
CN111370107A (zh) * | 2020-03-05 | 2020-07-03 | 京东方科技集团股份有限公司 | 回诊时间预测方法及装置、电子设备、存储介质 |
CN112562836A (zh) * | 2020-12-18 | 2021-03-26 | 深圳赛安特技术服务有限公司 | 医生推荐方法、装置、电子设备及存储介质 |
CN113724848A (zh) * | 2021-08-31 | 2021-11-30 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的医疗资源推荐方法、装置、服务器及介质 |
CN114239955A (zh) * | 2021-12-15 | 2022-03-25 | 华中科技大学同济医学院附属协和医院 | 一种医院门诊患者等候时间预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
阎虹: "智慧门诊在优质护理服务中的应用实践", 《中国药物与临床》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114944225B (zh) | 2022-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ingolfsson et al. | Optimal ambulance location with random delays and travel times | |
CN108932974B (zh) | 在线问诊分配医生的方法、装置、计算机设备和存储介质 | |
WO2020220545A1 (zh) | 基于长短期记忆模型的疾病预测方法、装置和计算机设备 | |
CN111640515A (zh) | 区域的疫情风险确定方法、装置、计算机设备和存储介质 | |
CN112562836A (zh) | 医生推荐方法、装置、电子设备及存储介质 | |
CN114781272A (zh) | 碳排放量预测方法、装置、设备及存储介质 | |
CN110866909B (zh) | 图像生成网络的训练方法、图像预测方法和计算机设备 | |
CN112017789A (zh) | 分诊数据处理方法、装置、设备及介质 | |
CN112216361A (zh) | 基于人工智能的随访计划单生成方法、装置、终端及介质 | |
EP3895600A1 (en) | Method for measuring volume of organ by using artificial neural network, and apparatus therefor | |
CN108461130B (zh) | 就诊任务智能调度方法及系统 | |
CN113689943A (zh) | 基于人工智能的就诊医院推荐方法、装置、设备及介质 | |
CN114300108A (zh) | 临床试验项目的实施方推荐方法、装置、设备和存储介质 | |
CN114944225B (zh) | 一种基于患者信息的科室管理方法和装置 | |
CN116959695B (zh) | 一种智能导检系统及其方法 | |
CN115018389B (zh) | 自助轮椅的管理调度方法、装置、设备及存储介质 | |
CN113066543B (zh) | 临床研究协调员排程方法、装置、计算机设备和存储介质 | |
CN110473616A (zh) | 一种语音信号处理方法、装置及系统 | |
CN116453226A (zh) | 基于人工智能的人体姿态识别方法、装置及相关设备 | |
JP4499503B2 (ja) | 発症リスク算出システム及びプログラム | |
CN116013522A (zh) | 一种用于带状疱疹后遗神经痛的预测方法及系统 | |
CN113299339A (zh) | 基于深度学习的药物疗效预测方法、装置、设备以及存储介质 | |
CN109614066B (zh) | 信息显示方法及装置 | |
CN112562854A (zh) | 一种高龄人员精准医疗关怀服务推荐方法及系统 | |
Fatma et al. | Outpatient Diversion using Real-time Length-of-Stay Predictions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A department management method and device based on patient information Granted publication date: 20220927 Pledgee: Wuhan Optics Valley Small and Medium Duty Venture Capital Co.,Ltd. Pledgor: Wuhan Shengbohui Information Technology Co.,Ltd. Registration number: Y2024980014409 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |