CN116051170A - 一种基于ai技术的区域常用药品需求量预测的方法及装置 - Google Patents
一种基于ai技术的区域常用药品需求量预测的方法及装置 Download PDFInfo
- Publication number
- CN116051170A CN116051170A CN202310042359.4A CN202310042359A CN116051170A CN 116051170 A CN116051170 A CN 116051170A CN 202310042359 A CN202310042359 A CN 202310042359A CN 116051170 A CN116051170 A CN 116051170A
- Authority
- CN
- China
- Prior art keywords
- predicted
- region
- regional
- demand
- acquiring
- 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
- 239000003814 drug Substances 0.000 title claims abstract description 242
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000005516 engineering process Methods 0.000 title claims abstract description 41
- 229940079593 drug Drugs 0.000 claims abstract description 115
- 230000008859 change Effects 0.000 claims description 123
- 238000011161 development Methods 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 11
- 239000000825 pharmaceutical preparation Substances 0.000 claims description 6
- 229940127557 pharmaceutical product Drugs 0.000 claims description 6
- 238000012821 model calculation Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 abstract description 26
- 238000007726 management method Methods 0.000 abstract description 13
- 238000010801 machine learning Methods 0.000 abstract description 8
- 238000007418 data mining Methods 0.000 abstract description 2
- 230000036541 health Effects 0.000 abstract description 2
- 238000003860 storage Methods 0.000 description 16
- 238000004590 computer program Methods 0.000 description 15
- 230000018109 developmental process Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 102000003712 Complement factor B Human genes 0.000 description 3
- 108090000056 Complement factor B Proteins 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000000955 prescription drug Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 2
- 238000012377 drug delivery Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 229940126680 traditional chinese medicines Drugs 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
-
- 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
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W90/00—Enabling technologies or technologies with a potential or indirect contribution to greenhouse gas [GHG] emissions mitigation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于AI技术的区域常用药品需求量预测的方法及装置。所述基于AI技术的区域常用药品需求量预测的方法包括:获取待预测区域的常用药品需求因子;获取待预测区域的定基数据;根据常用药品需求因子以及定基数据获取待预测月的区域常用药品需求量。本申请的基于AI技术的区域常用药品需求量预测的方法利用智慧城市中城市人口、智慧药房管理、药店销售管理、居民健康档案、医疗处方管理等数据,结合大数据挖掘、人工智能机器学习技术,构建区域内常用药品需求量预测分析方法,实现区域内未来一段时间常用药品需求量精准预测。
Description
技术领域
本申请涉及药品需求预测技术领域,具体涉及一种基于AI技术的区域常用药品需求量预测的方法以及基于AI技术的区域常用药品需求量预测的装置。
背景技术
传统的预测方法由于缺乏数据支撑,只能根据市场数据或互联网数据对区域常用药品需求量进行宏观估计,更多是采用经验法进行评估,因此此类评估无法指导实际业务工作,造成医疗机构或药店的药品库存不科学,占用大量流动性资金。同时药企在开发区域市场时,由于缺乏预测评估数据,往往无法进行科学的投放决策,导致药品积压。
现在医疗机构和药店对常用药的采购常常是依据经验,定期采购一定数据的药物作为销售储备,常常会出现药品售罄或库存积压的情况,科学合理的采购计划是药品经营和采购管理人员面临的巨大难题,同时对于药品生产企业销售从业人员,针对于销售负责辖区内药品的精准的预测评估,也是工作中面临的重要课题。对于普通群众百姓,城市常用药品的不科学的分配,给日常卖药也带来了巨大的不便利。
因此,希望有一种技术方案来解决或至少减轻现有技术的上述不足。
发明内容
本发明的目的在于提供一种基于AI技术的区域常用药品需求量预测的方法来克服或至少减轻现有技术的至少一个上述缺陷。
本发明的一个方面,提供一种基于AI技术的区域常用药品需求量预测的方法,所述基于AI技术的区域常用药品需求量预测的方法包括:
获取待预测区域的常用药品需求因子;
获取待预测区域的定基数据;
根据常用药品需求因子以及定基数据获取待预测月的区域常用药品需求量。
可选地,所述根据常用药品需求因子以及定基数据获取待预测月的区域常用药品需求量采用如下公式获取:
;其中,
X表示预测量,S表示当前年的前一年的定基数据,Z表示模型计算后加权需求因子,N为月份。
可选地,所述获取常用药品需求因子包括:
获取每个月度各类变化因子对常用药品销量实际影响综合因子;
根据每个月度各类变化因子对常用药品销量实际影响综合因子获取常用药品需求因子。
可选地,所述获取每个月度各类变化因子对常用药品销量实际影响综合因包括:
获取待预测区域的常用药院内销量变化因子、待预测区域的常用药院外销量变化因子、待预测区域的区域常用药患者变化因子、待预测区域的常用药对应患者区域变化因子以及待预测区域的区域人口变化因子;
根据待预测区域的常用药院内销量变化因子、待预测区域的常用药院外销量变化因子、待预测区域的区域常用药患者变化因子、待预测区域的常用药对应患者区域变化因子以及待预测区域的区域人口变化因子获取每个月度各类变化因子对常用药品销量实际影响综合因子。
可选地,所述获取常用药院内销量变化因子包括:
获取待预测区域的区域内药房数据;
根据待预测区域的区域内药房数据获取常用药院内销量变化因子。
可选地,所述获取待预测区域的常用药院外销量变化因子包括:
获取待预测区域的区域内药店数据;
根据待预测区域的区域内药店数据获取常用药院外销量变化因子。
可选地,所述获取待预测区域的区域常用药患者变化因子包括:
获取待预测区域的区域内常用药对应患者数据;
根据待预测区域的区域内常用药对应患者数据获取区域常用药患者变化因子。
可选地,所述获取待预测区域的常用药对应患者区域变化因子包括:
获取待预测区域的区域内常用药患者区域分布数据;
根据待预测区域的区域内常用药患者区域分布数据获取常用药对应患者区域变化因子。
可选地,所述获取待预测区域的待预测区域的区域人口变化因子包括:
获取待预测区域的区域内常驻人口发展变化信息;
根据待预测区域的区域内常驻人口发展变化信息获取待预测区域的区域人口变化因子。
本申请还提供了一种基于AI技术的区域常用药品需求量预测的装置,所述基于AI技术的区域常用药品需求量预测的装置包括:
常用药品需求因子获取模块,所述常用药品需求因子获取模块用于获取待预测区域的常用药品需求因子;
定基数据获取模块,所述定基数据获取模块用于获取待预测区域的定基数据;
需求量预测模块,所述需求量预测模块用于根据常用药品需求因子以及定基数据获取待预测月的区域常用药品需求量。
有益效果
本申请具有如下优点:
本申请的基于AI技术的区域常用药品需求量预测的方法利用智慧城市中城市人口、智慧药房管理、药店销售管理、居民健康档案、医疗处方管理等数据,结合大数据挖掘、人工智能机器学习技术,构建区域内常用药品需求量预测分析方法,实现区域内未来一段时间常用药品需求量精准预测。
附图说明
图1为本申请第一实施例的基于AI技术的区域常用药品需求量预测的方法的流程示意图;
图2是一种电子设备,用于实现图1所示的基于AI技术的区域常用药品需求量预测的方法。
具体实施方式
为使本申请实施的目的、技术方案和优点更加清楚,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更加详细的描述。在附图中,自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本申请一部分实施例,而不是全部的实施例。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。基于本申请中的实施例,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,都属于本申请保护的范围。下面结合附图对本申请的实施例进行详细说明。
图1为本申请第一实施例的基于AI技术的区域常用药品需求量预测的方法的流程示意图。
如图1所示的基于AI技术的区域常用药品需求量预测的方法包括:
步骤1:获取待预测区域的常用药品需求因子;
步骤2:获取待预测区域的定基数据;
步骤3:根据常用药品需求因子以及定基数据获取待预测月的区域常用药品需求量。
本申请的基于AI技术的区域常用药品需求量预测的方法利用常用药品需求因子以及待预测区域的定基数据来预测未来待预测月的区域常用药品需求量,从而能够具有如下优点:
1、通过本申请,为药企区域销售人员提供精准化销售生产计划制定依据,便于药企针对于药品的科学化精准投放;
2、通过本申请,为医疗机构和药店药品采购人员提供科学化的采购计划决策方法,缓解药品库存问题,提升企业现金流。
3、通过本申请,助力城市常用药品科学化分布,为百姓日常生活提供便利支持。
在本实施例中,根据常用药品需求因子以及定基数据获取待预测月的区域常用药品需求量采用如下公式获取:
;其中,
X表示预测量,S表示当前年的前一年的定基数据,Z表示模型计算后加权需求因子,N为月份。
在本实施例中,所述获取常用药品需求因子包括:
获取每个月度各类变化因子对常用药品销量实际影响综合因子;
根据每个月度各类变化因子对常用药品销量实际影响综合因子获取常用药品需求因子。
在本实施例中,所述获取每个月度各类变化因子对常用药品销量实际影响综合因包括:
获取待预测区域的常用药院内销量变化因子、待预测区域的常用药院外销量变化因子、待预测区域的区域常用药患者变化因子、待预测区域的常用药对应患者区域变化因子以及待预测区域的区域人口变化因子;
根据待预测区域的常用药院内销量变化因子、待预测区域的常用药院外销量变化因子、待预测区域的区域常用药患者变化因子、待预测区域的常用药对应患者区域变化因子以及待预测区域的区域人口变化因子获取每个月度各类变化因子对常用药品销量实际影响综合因子。
在本实施例中,所述获取常用药院内销量变化因子包括:
获取待预测区域的区域内药房数据;
根据待预测区域的区域内药房数据获取常用药院内销量变化因子。
在本实施例中,所述获取待预测区域的常用药院外销量变化因子包括:
获取待预测区域的区域内药店数据;
根据待预测区域的区域内药店数据获取常用药院外销量变化因子。
在本实施例中,所述获取待预测区域的区域常用药患者变化因子包括:
获取待预测区域的区域内常用药对应患者数据;
根据待预测区域的区域内常用药对应患者数据获取区域常用药患者变化因子。
在本实施例中,所述获取待预测区域的常用药对应患者区域变化因子包括:
获取待预测区域的区域内常用药患者区域分布数据;
根据待预测区域的区域内常用药患者区域分布数据获取常用药对应患者区域变化因子。
在本实施例中,所述获取待预测区域的待预测区域的区域人口变化因子包括:
获取待预测区域的区域内常驻人口发展变化信息;
根据待预测区域的区域内常驻人口发展变化信息获取待预测区域的区域人口变化因子。
下面以举例的方式对本申请进行进一步详细阐述,可以理解的是,该举例并不构成对本申请的任何限制。
步骤1:获取待预测区域的常用药品需求因子;
在本实施例中,采用如下方法获取常用药品需求因子:
获取每个月度各类变化因子对常用药品销量实际影响综合因子;
根据每个月度各类变化因子对常用药品销量实际影响综合因子获取常用药品需求因子Fn。
在本实施例中,每个月度各类变化因子对常用药品销量实际影响综合因子采用如下方法获取:
获取待预测区域的常用药院内销量变化因子、待预测区域的常用药院外销量变化因子、待预测区域的区域常用药患者变化因子、待预测区域的常用药对应患者区域变化因子以及待预测区域的区域人口变化因子;
根据待预测区域的常用药院内销量变化因子、待预测区域的常用药院外销量变化因子、待预测区域的区域常用药患者变化因子、待预测区域的常用药对应患者区域变化因子以及待预测区域的区域人口变化因子获取每个月度各类变化因子对常用药品销量实际影响综合因子。
具体而言,获取分析库历史数据;
按照分析库历史数据计算当前年之前的1年或者多年的如下因子:常用药院内销量变化因子An,常用药院外销量变化因子Bn,区域常用药患者变化因子Cn,常用药对应患者区域变化因子Dn,区域人口变化因子En等变换因子。
按照分析库历史数据计算过去几年:每个月实际药品销售数据:
Kn=An+Bn+Cn+Dn+En。
在n个数据K1、K2……Kn中各个药品销售数据出现的次数分别为Z1、Z2……Zn。
举例来说,一年有12个月,则K1、K2……K12,一共有12个K,其中K1对应1月的数据,K2对应2月的数据。
比值Z1/n、Z2/n……Zn/n分别叫这个Z个数据的权。
把K1(Z1/n)+K2(Z2/n)……Kn(Zn/n)叫做这个n个数据的常用药品需求因子Zn。
对历年每个月份综合因子Kn进行均值计算获取常用药品需求因子Zn。
在本实施例中,上述的待预测区域的常用药院内销量变化因子、待预测区域的常用药院外销量变化因子、待预测区域的区域常用药患者变化因子、待预测区域的常用药对应患者区域变化因子以及待预测区域的区域人口变化因子分别通过如下公式获取:
获取常用药院内销量变化因子包括:
获取待预测区域的区域内药房数据;
根据待预测区域的区域内药房数据获取常用药院内销量变化因子。
具体而言,通过归集与治理获取区域内药房数据,更具体地说,通过智慧医疗平台中药房管理系统,整合地方所有医疗机构药房药品进货和销售信息,按照统一标准对所有药品进行统一编码治理。
常用药院内销售历史数据提取:根据常用药品预测分析目录,在区域内药房数据中提取常用药月度进货量,月度实际使用量(包括患者名称、身份证号、开具数量、开具时间等)。
计算分析因子:根据上述数据,通过加权平均算法(在药房管理库中去除无效数据,利用过去若干个年月度销量数据,按照时间顺序排列起来的同一变量的观测值并以时间顺序变量出现的次数为权数,计算出观测值的加权算术平均数),计算院内常用药品均值增值系数,以及销售量同比、环比等分析因子数据。
在本实施例中,常用药院内销量变化因子An采用如下方式获取:
常用药品院内销量变化因子,通过机器学习方式,自动计算构建加权后常用药品需求因子A1、A2……An;
An=(A1+A2+……+An)/ n。
在本实施例中,A1为第一个月的常用药品需求因子,An为第n个月的常用药品需求因子,举例来说,一年有12个月,则A12=(A1+A2+……+A12)/ 12。而A5=(A1+A2+……+A5)/ 5。A12表示第12个月的常用药品需求因子。而B5=(B1+B2+……+B5)/ 5。A5表示第5个月的常用药品需求因子。
在本实施例中,获取待预测区域的常用药院外销量变化因子包括:
获取待预测区域的区域内药店数据;
根据待预测区域的区域内药店数据获取常用药院外销量变化因子。
具体而言,通过归集与治理获取区域内药店数据,更具体地说,通过智慧医疗平台中药店管理系统,整合地方所有药店药品进货和销售信息,按照统一标准对所有药品进行统一编码治理。
常用药院外销售历史数据提取:根据常用药品预测分析目录,在区域内药店数据中提取常用药月度进货量,月度实际使用量(包括患者名称、身份证号、开具数量、开具时间等)。
计算分析因子:根据上述数据,通过加权平均算法(在药店销售数据中去除无效数据,利用过去若干个年月度销量数据,按照时间顺序排列起来的同一变量的观测值并以时间顺序变量出现的次数为权数,计算出观测值的加权算术平均数),计算院外常用药品均值增值系数,以及销售量同比、环比等分析因子数据。
在本实施例中,常用药院外销量变化因子Bn采用如下方法获取:
常用药品院外销量变化因子,通过机器学习方式,自动计算构建加权后常用药院外销量变化因子B1、B2……Bn;
Bn=(B1+B2+……+Bn)/ n,举例来说,一年有12个月,则B12=(B1+B2+……+B12)/ 12。而B5=(B1+B2+……+B5)/ 5。B12表示第12个月的常用药院外销量变化因子。而B5=(B1+B2+……+B5)/ 5。B5表示第5个月的常用药院外销量变化因子。
在本实施例中,获取待预测区域的区域常用药患者变化因子包括:
获取待预测区域的区域内常用药对应患者数据;
根据待预测区域的区域内常用药对应患者数据获取区域常用药患者变化因子。
具体而言,通过归集与治理获取区域内常用药对应患者数据,更具体地说,通过智慧医疗平台中处方药开具信息、药房管理系统以及药店管理系统中相关患者信息数据归集与治理,整合地方常用药对应患者信息资源库,包括患者名称、身份证号、对应病症、常用药种类、家庭住址等。
常用药患者数据提取:根据常用药品预测分析目录,按照常用药种类,提取每类常用药对应患者信息资源。
计算分析因子:根据上述治理完成的数据,通过加权平均算法(在常用药对应患者信息资源库中去除无效数据,利用过去若干个年月度销量数据,按照时间顺序排列起来的同一变量的观测值并以时间顺序变量出现的次数为权数,计算出观测值的加权算术平均数),计算常用药品预测分析目录中每一类药对应患者发展趋势因子。
在本实施例中,区域常用药患者变化因子Cn采用如下方式获取:
区域常用药患者变化因子,通过机器学习方式,自动计算构建加权后区域常用药患者变化因子C1、C2……Cn;
Cn=(C1+C2+……+Cn)/ n。举例来说,一年有12个月,则C12=(C1+C2+……+C12)/ 12。其中,C12表示第12个月的区域常用药患者变化因子。而C5=(C1+C2+……+C5)/ 5。C5表示第5个月的区域常用药患者变化因子。
在本实施例中,获取待预测区域的常用药对应患者区域变化因子包括:
获取待预测区域的区域内常用药患者区域分布数据;
根据待预测区域的区域内常用药患者区域分布数据获取常用药对应患者区域变化因子。
具体地,通过提取的方式提取区域内常用药患者区域分布,更具体地说,将常用药患者信息库与智慧城市中人口大数据库进行比对分析,提取患者所对应行政区域信息,包含患者所属的市、区、街道、社区等。
计算分析因子:根据上述治理完成的数据,通过加权平均算法(在患者行政区域信息资源库中去除无效数据,利用过去若干个年月度销量数据,按照时间顺序排列起来的同一变量的观测值并以时间顺序变量出现的次数为权数,计算出观测值的加权算术平均数),计算每一个行政区域对应的常用药品预测分析目录中每一类药对应患者发展趋势因子。
在本实施例中,常用药对应患者区域变化因子Dn采用如下方式获取:
常用药对应患者区域变化因子,通过机器学习方式,自动计算构建加权后常用药对应患者区域变化因子D1、D2……Dn;
Dn=(D1+D2+……+Dn)/ n。举例来说,一年有12个月,则D12=(D1+D2+……+D12)/ 12。其中,D12表示第12个月的常用药对应患者区域变化因子。而D5=(D1+D2+……+D5)/ 5。D5表示第5个月的常用药对应患者区域变化因子。
在本实施例中,获取待预测区域的待预测区域的区域人口变化因子包括:
获取待预测区域的区域内常驻人口发展变化信息;
根据待预测区域的区域内常驻人口发展变化信息获取待预测区域的区域人口变化因子。
具体地,通过提取的方式提取区域内常驻人口发展变化信息,更具体地说,利用智慧城市中城市人口大数据统计整理各年龄段人口基数,以及各年龄段人口迁入、迁出变化情况数据。
计算分析因子:根据上述治理完成的数据,通过加权平均算法(在城市人口信息资源库中去除无效数据,利用过去若干个年月度销量数据,按照时间顺序排列起来的同一变量的观测值并以时间顺序变量出现的次数为权数,计算出观测值的加权算术平均数),计算每一个年龄段人口发展趋势因子,同时叠加常用药患者各年龄段分布,计算常用药目录中每一种常用药在各年龄段的占比均值及发展趋势因子。
在本实施例中,采用如下方法获取区域人口变化因子En:
区域人口变化因子,通过机器学习方式,自动计算构建加权后区域人口变化因子E1、E2……En;
En=(E1+E2+……+En)/ n。举例来说,一年有12个月,则E12=(E1+E2+……+E12)/ 12。其中,E12表示第12个月的区域人口变化因子。而E5=(E1+E2+……+E5)/ 5。E5表示第5个月的区域人口变化因子。
在本实施例中,上述的常用药品预测分析目录通过如下方式获取:
建立常用药品分析目录
初始化:初始化常用药品编码、药品分类、区域行政区划(精确到社区级)等数据;
常用药品预测分析目录建设:以国家常用药品目录为基础,按照地方常用药实际用量情况进行排名,取前若干名作为本次常用药品用量分析的药品目录;
常用药品与病症关联:结合地方智慧医疗中处方药相关开具情况,根据地方医疗机构针对于本次分析的常用药品处方药开具患者病因信息的提取,结合临床医疗行业专家经验判断,利用大数据归类总结分析技术,建立常用药品与病症关联信息库。
在本实施例中,待预测区域的定基数据采用如下方法获取:
根据查询条件,预测模型自动到特征库提取前一年实际需求量统计数据作为预测模型的定基数据。
在本实施例中,根据常用药品需求因子以及定基数据获取待预测月的区域常用药品需求量采用如下公式获取:
;其中,
X表示预测量,S表示当前年的前一年的定基数据,Z表示模型计算后加权需求因子,N为月份。
例如当前是3月,未来6个月需求量为:。
其中,X4表示4月的区域常用药品需求量,X9表示9月的区域常用药品需求量。
在本实施例中,本申请所使用的各个模型可以进行优化,具体而言,影响常用药品需求量除特殊因素外(新药上市、药品停产以及其他不可抗力因素),主要因素就是预测时间范围内用药患者数据的变化,考虑到天气、季节对药品使用需求的影响,使用需求增值率采用月度的方式进行评估,影响患者数量的主要因素包括区域内人口流动因素、区域疾病发展因素、以及人口老龄化因素等。
通过对区域大量历史数据和实际需求情况的模型训练和特征因子优化,实现分析预测算法的不断优化,提升分析预测的准确性。
在本实施例中,本申请的各种数据可以通过可视化工具和图形报表工具,按照业务逻辑需求,定义预测结果可视化展项页面。
本方法支持常用药品种类、未来1-36个月、行政区域等维度前提条件预测。
支持通过云平台的方式,预测者可根据分配账号,登录系统,查看具体预测分析的统计分析;
同时支持分析报告的导出pdf文件。
本发明利用大数据和人工智能机器学习技术,利用智慧城市相关业务数据,构建常见药品区域需求量预测分析,实现药品销售企业采购计划的科学合理,有效降低药品库存压力,提升企业现金流,同时有效满足群众日常采购需求,提升药品生产企业生产计划科学合理。
本申请还提供了一种基于AI技术的区域常用药品需求量预测的装置,所述基于AI技术的区域常用药品需求量预测的装置包括常用药品需求因子获取模块、定基数据获取模块以及需求量预测模块,常用药品需求因子获取模块用于获取待预测区域的常用药品需求因子;定基数据获取模块用于获取待预测区域的定基数据;需求量预测模块用于根据常用药品需求因子以及定基数据获取待预测月的区域常用药品需求量。
需要说明的是,前述对方法实施例的解释说明也适用于本实施例的系统,此处不再赘述。
本申请还提供了一种电子设备,包括存储器、处理器以及存储在存储器中并能够在处理器上运行的计算机程序,处理器执行计算机程序时实现如上的基于AI技术的区域常用药品需求量预测的方法。
本申请还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时能够实现如上的基于AI技术的区域常用药品需求量预测的方法。
图2是能够实现根据本申请一个实施例提供的基于AI技术的区域常用药品需求量预测的方法的电子设备的示例性结构图。
如图2所示,电子设备包括输入设备501、输入接口502、中央处理器503、存储器504、输出接口505以及输出设备506。其中,输入接口502、中央处理器503、存储器504以及输出接口505通过总线507相互连接,输入设备501和输出设备506分别通过输入接口502和输出接口505与总线507连接,进而与电子设备的其他组件连接。具体地,输入设备504接收来自外部的输入信息,并通过输入接口502将输入信息传送到中央处理器503;中央处理器503基于存储器504中存储的计算机可执行指令对输入信息进行处理以生成输出信息,将输出信息临时或者永久地存储在存储器504中,然后通过输出接口505将输出信息传送到输出设备506;输出设备506将输出信息输出到电子设备的外部供用户使用。
也就是说,图2所示的电子设备也可以被实现为包括:存储有计算机可执行指令的存储器;以及一个或多个处理器,该一个或多个处理器在执行计算机可执行指令时可以实现结合图1描述的基于AI技术的区域常用药品需求量预测的方法。
在一个实施例中,图2所示的电子设备可以被实现为包括:存储器504,被配置为存储可执行程序代码;一个或多个处理器503,被配置为运行存储器504中存储的可执行程序代码,以执行上述实施例中的基于AI技术的区域常用药品需求量预测的方法。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动,媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数据多功能光盘(DVD)或其他光学存储、磁盒式磁带、磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
此外,显然“包括”一词不排除其他单元或步骤。装置权利要求中陈述的多个单元、模块或装置也可以由一个单元或总装置通过软件或硬件来实现。第一、第二等词语用来标识名称,而不标识任何特定的顺序。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,模块、程序段、或代码的一部分包括一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地标识的方框实际上可以基本并行地执行,他们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或总流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
在本实施例中所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路 (Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可用于存储计算机程序和/或模块,处理器通过运行或执行存储在存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现装置/终端设备的各种功能。存储器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手机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,例如硬盘、内存、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)、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。
在本实施例中,装置/终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序指令相关的硬件来完成,计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。
需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。本申请虽然以较佳实施例公开如上,但其实并不是用来限定本申请,任何本领域技术人员在不脱离本申请的精神和范围内,都可以做出可能的变动和修改,因此,本申请的保护范围应当以本申请权利要求所界定的范围为准。
虽然,上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (10)
1.一种基于AI技术的区域常用药品需求量预测的方法,其特征在于,所述基于AI技术的区域常用药品需求量预测的方法包括:
获取待预测区域的常用药品需求因子;
获取待预测区域的定基数据;
根据常用药品需求因子以及定基数据获取待预测月的区域常用药品需求量。
2.如权利要求1所述的基于AI技术的区域常用药品需求量预测的方法,其特征在于,所述根据常用药品需求因子以及定基数据获取待预测月的区域常用药品需求量采用如下公式获取:
;其中,
X表示预测量,S表示当前年的前一年的定基数据,Z表示模型计算后加权需求因子,N为月份。
3.如权利要求2所述的基于AI技术的区域常用药品需求量预测的方法,其特征在于,所述获取常用药品需求因子包括:
获取每个月度各类变化因子对常用药品销量实际影响综合因子;
根据每个月度各类变化因子对常用药品销量实际影响综合因子获取常用药品需求因子。
4.如权利要求3所述的基于AI技术的区域常用药品需求量预测的方法,其特征在于,所述获取每个月度各类变化因子对常用药品销量实际影响综合因包括:
获取待预测区域的常用药院内销量变化因子、待预测区域的常用药院外销量变化因子、待预测区域的区域常用药患者变化因子、待预测区域的常用药对应患者区域变化因子以及待预测区域的区域人口变化因子;
根据待预测区域的常用药院内销量变化因子、待预测区域的常用药院外销量变化因子、待预测区域的区域常用药患者变化因子、待预测区域的常用药对应患者区域变化因子以及待预测区域的区域人口变化因子获取每个月度各类变化因子对常用药品销量实际影响综合因子。
5.如权利要求4所述的基于AI技术的区域常用药品需求量预测的方法,其特征在于,所述获取常用药院内销量变化因子包括:
获取待预测区域的区域内药房数据;
根据待预测区域的区域内药房数据获取常用药院内销量变化因子。
6.如权利要求5所述的基于AI技术的区域常用药品需求量预测的方法,其特征在于,所述获取待预测区域的常用药院外销量变化因子包括:
获取待预测区域的区域内药店数据;
根据待预测区域的区域内药店数据获取常用药院外销量变化因子。
7.如权利要求6所述的基于AI技术的区域常用药品需求量预测的方法,其特征在于,
所述获取待预测区域的区域常用药患者变化因子包括:
获取待预测区域的区域内常用药对应患者数据;
根据待预测区域的区域内常用药对应患者数据获取区域常用药患者变化因子。
8.如权利要求7所述的基于AI技术的区域常用药品需求量预测的方法,其特征在于,所述获取待预测区域的常用药对应患者区域变化因子包括:
获取待预测区域的区域内常用药患者区域分布数据;
根据待预测区域的区域内常用药患者区域分布数据获取常用药对应患者区域变化因子。
9.如权利要求8所述的基于AI技术的区域常用药品需求量预测的方法,其特征在于,所述获取待预测区域的待预测区域的区域人口变化因子包括:
获取待预测区域的区域内常驻人口发展变化信息;
根据待预测区域的区域内常驻人口发展变化信息获取待预测区域的区域人口变化因子。
10.一种基于AI技术的区域常用药品需求量预测的装置,其特征在于,所述基于AI技术的区域常用药品需求量预测的装置包括:
常用药品需求因子获取模块,所述常用药品需求因子获取模块用于获取待预测区域的常用药品需求因子;
定基数据获取模块,所述定基数据获取模块用于获取待预测区域的定基数据;
需求量预测模块,所述需求量预测模块用于根据常用药品需求因子以及定基数据获取待预测月的区域常用药品需求量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310042359.4A CN116051170A (zh) | 2023-01-28 | 2023-01-28 | 一种基于ai技术的区域常用药品需求量预测的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310042359.4A CN116051170A (zh) | 2023-01-28 | 2023-01-28 | 一种基于ai技术的区域常用药品需求量预测的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116051170A true CN116051170A (zh) | 2023-05-02 |
Family
ID=86116064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310042359.4A Pending CN116051170A (zh) | 2023-01-28 | 2023-01-28 | 一种基于ai技术的区域常用药品需求量预测的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116051170A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985483A (zh) * | 2017-06-05 | 2018-12-11 | 易先威 | 一种药品销量预测的方法 |
CN109033275A (zh) * | 2018-07-10 | 2018-12-18 | 武汉海云健康科技股份有限公司 | 一种基于关联图谱和神经网络的药品区域需求的预测方法 |
CN109102901A (zh) * | 2018-06-27 | 2018-12-28 | 南京邮电大学 | 智慧医疗方法及系统 |
CN109524125A (zh) * | 2019-01-24 | 2019-03-26 | 易保互联医疗信息科技(北京)有限公司 | 基于医疗大数据的药品库存分析方法、存储介质及设备 |
CN109785003A (zh) * | 2019-01-17 | 2019-05-21 | 四川骏逸富顿科技有限公司 | 一种药品零售行业药品销售预测系统及方法 |
KR102102110B1 (ko) * | 2019-06-27 | 2020-04-20 | 박성대 | 의약품 유통 회사의 약품 재고 관리 시스템 |
CN111310977A (zh) * | 2020-01-20 | 2020-06-19 | 重庆亚德科技股份有限公司 | 基于大数据的药品库存预测系统及方法 |
CN115423535A (zh) * | 2022-10-17 | 2022-12-02 | 深圳市秦丝科技有限公司 | 基于市场先验大数据的产品采购方法、装置、设备及介质 |
-
2023
- 2023-01-28 CN CN202310042359.4A patent/CN116051170A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985483A (zh) * | 2017-06-05 | 2018-12-11 | 易先威 | 一种药品销量预测的方法 |
CN109102901A (zh) * | 2018-06-27 | 2018-12-28 | 南京邮电大学 | 智慧医疗方法及系统 |
CN109033275A (zh) * | 2018-07-10 | 2018-12-18 | 武汉海云健康科技股份有限公司 | 一种基于关联图谱和神经网络的药品区域需求的预测方法 |
CN109785003A (zh) * | 2019-01-17 | 2019-05-21 | 四川骏逸富顿科技有限公司 | 一种药品零售行业药品销售预测系统及方法 |
CN109524125A (zh) * | 2019-01-24 | 2019-03-26 | 易保互联医疗信息科技(北京)有限公司 | 基于医疗大数据的药品库存分析方法、存储介质及设备 |
KR102102110B1 (ko) * | 2019-06-27 | 2020-04-20 | 박성대 | 의약품 유통 회사의 약품 재고 관리 시스템 |
CN111310977A (zh) * | 2020-01-20 | 2020-06-19 | 重庆亚德科技股份有限公司 | 基于大数据的药品库存预测系统及方法 |
CN115423535A (zh) * | 2022-10-17 | 2022-12-02 | 深圳市秦丝科技有限公司 | 基于市场先验大数据的产品采购方法、装置、设备及介质 |
Non-Patent Citations (1)
Title |
---|
李小华;林英姿;: "时间序列预测方法在医院药品采购的应用", 医学信息, no. 06 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bredtmann et al. | Remittances and the brain drain: Evidence from microdata for Sub-Saharan Africa | |
US9734290B2 (en) | System and method for evidence based differential analysis and incentives based healthcare policy | |
Kirigia et al. | A performance assessment method for hospitals: the case of municipal hospitals in Angola | |
Annemans et al. | Health economic consequences related to the diagnosis of fibromyalgia syndrome | |
US10810223B2 (en) | Data platform for automated data extraction, transformation, and/or loading | |
US20150187036A1 (en) | Computer-implemented methods and systems for analyzing healthcare data | |
US20060206365A1 (en) | Sample store forecasting process and system | |
US20060089862A1 (en) | System and method for modeling benefits | |
US8103539B2 (en) | Sample store forecasting process and system | |
US20140006044A1 (en) | System and method for preparing healthcare service bundles | |
Hong et al. | Predicting 72-hour and 9-day return to the emergency department using machine learning | |
Hunter-Zinck et al. | Predicting emergency department orders with multilabel machine learning techniques and simulating effects on length of stay | |
US20090313066A1 (en) | System And Method For Determining Trailing Data Adjustment Factors | |
US20110119207A1 (en) | Healthcare Index | |
Holloway et al. | Surveillance of community antimicrobial use in resource‐constrained settings–experience from five pilot projects | |
US20160378942A1 (en) | System and method to estimate reduction of lifetime healthcare costs based on body mass index | |
Krittayaphong et al. | Cost-effectiveness analysis of sacubitril-valsartan compared with enalapril in patients with heart failure with reduced ejection fraction in Thailand | |
JP6282783B2 (ja) | 分析システム及び分析方法 | |
US20090132343A1 (en) | System And Method For Product Level Projections Of Pharmacy Prescriptions Within Product Therapy Classes | |
von Wyl et al. | Cost trajectories from the final life year reveal intensity of end-of-life care and can help to guide palliative care interventions | |
Katschnig et al. | Using national electronic health care registries for comparing the risk of psychiatric re-hospitalisation in six European countries: Opportunities and limitations | |
Mostaghimi et al. | Economic burden and healthcare resource use of alopecia areata in an insured population in the USA | |
Ahmad et al. | Association between medicine Price declaration by pharmaceutical industries and retail prices in Malaysia’s private healthcare sector | |
Gustafsson et al. | Societal costs of venous thromboembolism and subsequent major bleeding events: a national register-based study | |
WO2021044594A1 (en) | Method, system, and apparatus for health status prediction |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230502 |
|
RJ01 | Rejection of invention patent application after publication |