CN116052863B - 一种基于医共体大数据模型的智慧管理系统 - Google Patents

一种基于医共体大数据模型的智慧管理系统 Download PDF

Info

Publication number
CN116052863B
CN116052863B CN202310343675.5A CN202310343675A CN116052863B CN 116052863 B CN116052863 B CN 116052863B CN 202310343675 A CN202310343675 A CN 202310343675A CN 116052863 B CN116052863 B CN 116052863B
Authority
CN
China
Prior art keywords
doctor
doctors
library
coefficient
work
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
Application number
CN202310343675.5A
Other languages
English (en)
Other versions
CN116052863A (zh
Inventor
罗江
金锦晓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yunnan Medical Boundless Medical Network Technology Co ltd
Original Assignee
Yunnan Medical Boundless Medical Network Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yunnan Medical Boundless Medical Network Technology Co ltd filed Critical Yunnan Medical Boundless Medical Network Technology Co ltd
Priority to CN202310343675.5A priority Critical patent/CN116052863B/zh
Publication of CN116052863A publication Critical patent/CN116052863A/zh
Application granted granted Critical
Publication of CN116052863B publication Critical patent/CN116052863B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063112—Skill-based matching of a person or a group to a task
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06398—Performance of employee with respect to a job function
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • G06Q50/2057—Career enhancement or continuing education service
    • 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
    • G16H40/60—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 operation of medical equipment or devices
    • G16H40/67—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 operation of medical equipment or devices for remote operation
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Medical Informatics (AREA)
  • Tourism & Hospitality (AREA)
  • Biomedical Technology (AREA)
  • Development Economics (AREA)
  • Epidemiology (AREA)
  • Educational Technology (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开了一种基于医共体大数据模型的智慧管理系统，涉及医共体智慧管理技术领域，依据医生数据库中的信息，形成医生水平评价值Dnp；依据水平评价值Dnp，构建高水平医生库、预备问诊库及工作任务分配库；构建考核分数据集，依据考核分的变化趋势拟合函数，获取医生的成长系数Cz；采集患者的病症信息，从预备问诊库或者高水平医生库中向患者推荐医生，实时共享患者病症信息，获取医共体内的所有医生的贡献度Cy及成长系数Cz，形成工作反馈系数Wzk，对水平评价值Dnp形成修正，对医生的工作任务形成调整。依据水平评价值Dnp对医生的水平进行评价，医共体在组织工作时，能够作为工作管理的参考因素和参考标准。

Description

一种基于医共体大数据模型的智慧管理系统
技术领域
本发明涉及医共体智慧管理技术领域，具体为一种基于医共体大数据模型的智慧管理系统。
背景技术
紧密型医共体尝试构建整合型医疗卫生服务体系，引导患者有序就医，远程会诊是其中的核心靶点之一，期望增进县乡服务协作，提升基层服务能力。2012年起全国大力建设乡镇卫生院远程会诊室，配备远程视频设备与互通系统，但近年来使用率持续下降，目前使用不足20%，演变成了卫生院远程会议室，而经济投入、制度保障缺失是远程会诊服务的外部阻碍，基于医共体的管理系统形同虚设。
现有的医共体的管理系统对医共体内的医护人员几乎毫无约束能力，医生是否参与远程会诊或者线上会诊很少存在限制，最终导致了远程会诊室演变成远程会议室这一结果；而其中，最主要的原因还在于，医生在参与线上会诊时是无序的，甚至是随机推荐的，病患和医生之间很难存在高对应性，患者的病症不在医生的专业领域之内，整个会诊过程效率低下，至少对于医生来说，很难得有效的正反馈。
为此，本发明提供了一种基于医共体大数据模型的智慧管理系统。
发明内容
（一）解决的技术问题
针对现有技术的不足，本发明提供了一种基于医共体大数据模型的智慧管理系统，通过形成医生水平评价值Dnp；依据水平评价值Dnp，构建高水平医生库、预备问诊库及工作任务分配库；构建考核分数据集，依据考核分的变化趋势拟合函数，获取医生的成长系数Cz；采集患者的病症信息，从预备问诊库或者高水平医生库中向患者推荐医生，实时共享患者病症信息，获取医共体内的所有医生的贡献度Cy及成长系数Cz，形成工作反馈系数Wzk，对水平评价值Dnp形成修正，对医生的工作任务形成调整。依据水平评价值Dnp对医生的水平进行评价，医共体在组织工作时，能够作为工作管理的参考因素和参考标准，从而使医共体的管理系统更加科学化。
（二）技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种基于医共体大数据模型的智慧管理系统，应用时包括如下步骤：步骤一、使用关键词检索模型从公开网络检索获取医共体内所有在职医生的医生执业信息及科研及教学经历，依据医生执业信息构建医生数据库，并依据构建的医生数据库中的信息，关联形成医生水平评价值Dnp；
步骤二、通过医生的水平评价值Dnp的分布，分别构建高水平医生库及预备问诊库，在获取医生每月的工作任务后，依据医生的工作任务构建工作任务分配库，并通过水平评价值Dnp的分布，为医生分配相应的工作任务，由高水平医生库中的医生向预备问诊库中的部分医生进行培训；
步骤三、在医生完成分配的工作任务后，由获取的工作成果分别进行考评并确定相应的考核分，对考核分形成修正后，沿着时间轴汇总若干组修正考核分并构建医生考核分数据集；并以设置的考核期内的修正考核分的增长率作为成长系数Cz；
步骤四、在患者接入线上问诊系统时，采集患者的病症信息并通过病症信息从预备问诊库或者高水平医生库中向患者推荐医生，在遇到未知或疑难症状时，实时共享患者病症信息，组织远程会诊并由监控系统对问诊过程全程监控；
步骤五、在若干个考核期结束后，获取医共体内的所有医生的贡献度Cy及成长系数Cz，关联形成工作反馈系数
Figure SMS_1
，并以工作反馈系数Wzk对相应的水平评价值Dnp形成修正，以修正结果作为对医生的工作任务形成调整的参考。
进一步的，所述步骤一包括：步骤101、使用关键词检索模型，获取医共体内所有在职的医生执业信息以及科研及教学经历；其中，职业信息至少包括职称、学历、就业年限、擅长的专业领域，构建医共体的医生数据库；建立阶梯层次结构模型，在经过训练、测试及参数调整后，用于对医生的执业经验形成评价，形成医生的执业经验评价系数Yz；依据医生的科研及教学经历，获取其在科研及教学中的资金投入，形成医生的教培支出系数Jc。
进一步的，步骤101之后还有：步骤102、使用关键词检索模型从公开网络检索获取医生发表的科研成果及相应的文献，查询相应的文献数量，每篇文献的影响因子、被引用次数；将文献的影响因子和被引用次数分别赋予权重后求和，形成影响评价系数，将每篇文献的影响评价系数汇总求和，并以该值作为医生的科研经验评价系数Ky；汇总执业经验评价系数Yz、教培支出系数Jc及科研经验评价系数Ky，构建医生水平数据集。
进一步的，步骤102之后还有：步骤103、获取执业经验评价系数Yz、教培支出系数Jc及科研经验评价系数Ky，做无量纲处理，关联形成医生水平评价值Dnp；其中，获取医生水平评价值Dnp的方式如下公式：
Figure SMS_4
；需要说明的是：/>
Figure SMS_6
为医生水平评价值、/>
Figure SMS_8
为若干个执业经验评价系数Yz的标准差，/>
Figure SMS_3
为若干个科研经验评价系数Ky的标准差，/>
Figure SMS_5
及/>
Figure SMS_7
均为权重，且/>
Figure SMS_9
，/>
Figure SMS_2
；n为大于1的正整数。
进一步的，步骤201、获取医生的水平评价值Dnp，在水平评价值Dnp高于第一阈值时，将医生归为第一档；在处于第一阈值与第二阈值之间时归为第二档；在低于第二阈值时归为第三档；其中，第一阈值高于第二阈值；步骤202、在获取医生每月的工作任务后，依据医生的工作任务构建工作任务分配库，其中，工作任务分配库中至少包括：指导培训、线上问诊及参与培训；具体的分配方式如下：在水平评价值Dnp为第一档时，选择相应医生构建高水平医生库，并使其向处于第三档的医生进行培训，在水平评价值Dnp为第二档时，使相应医生参与线上问诊；步骤203、获取线上问诊需求后，确定线上问诊所需要医生的数量，选择水平评价值Dnp为第二档及第三档的医生构建预备问诊库，并在预备问诊库中的可用医生不足时，从高水平医生库中抽调。
进一步的，步骤301、在医生执行了分配的工作任务之后，设置考核期，依据工作任务的成果与预期目标的差距，为各档位的医生进行考核，形成考核结果；在执行多个阶段考核之后，依据极大似然估计算法构建估计模型，依据比例将考核结果分值化形成考核分；步骤302、依据各档医生的影响力不同，分别设置相应权重并对考核分形成修正，确定为修正考核分，依据修正考核分构建医生考核分数据集；从医生的考核分数据集中选择历史数据，在设置的考核期内，获取修正考核分的增长率，以考核分的增长率作为成长系数Cz。
进一步的，步骤401、在患者接入线上问诊系统时，采集患者的病症信息并确定病症特征；使用关键词检索模型检索相应的数据，预先构建病症特征库及病例库，通过病症特征间的相似度，优先从病症特征库中判断当前的病例特征是否为现有的病例特征，如果当前病例特征为现有的病例特征，继续从病例库中匹配出相应的病例；步骤402、对匹配出的已知病例，依据其疑难程度分别确定为第一档、第二档及第三档，且疑难程度依次降低；在当前病例特征未在病症特征库中匹配到时，确定为未知病例；获取已知病例及未知病例，依据病例与医生的专业领域的匹配度，分别从预备问诊库及高水平医生库中选择相应领域的医生向患者推荐。
进一步的，步骤402之后还有：步骤403、当病例为疑难程度为第一档或为未知病例时，从高水平医生库中为患者推荐医生；当病例为疑难程度为第二档或为第三档时，从预备问诊库中为患者推荐医生；在当前的医生难以应对未知病例及高疑难病例时，向所有高水平医生库中的医生共享患者的病症信息，组织多医生会诊。
进一步的，步骤403之后还有：步骤404、在预设的考核期内，从安装的监控系统内获取医共体内所有医生参与问诊次数Cs及参与时间Ct，并使用梯度提升决策树算法构建分析模型，在经过训练和测试后，从监控系统获取数据，分析医生对整体工作的影响程度，在对该影响程度进行量化后，形成影响度Yd；并汇总问诊次数Cs、参与时间Ct及影响度Yd，构建问诊参与度数据集；对问诊次数Cs、参与时间Ct及影响度Yd，做出无量纲处理后，关联形成贡献度Cy，贡献度Cy的获取方式符合如下公式：
Figure SMS_10
；其中，α及β为可变更常数参数，/>
Figure SMS_11
，/>
Figure SMS_12
，/>
Figure SMS_13
为常数修正系数。
进一步的，所述步骤五包括：步骤501、在若干个考核期结束后，获取医共体内的所有医生的贡献度Cy及成长系数Cz，获取贡献度Cy、成长系数Cz，进行无量纲处理后，关联形成工作反馈系数
Figure SMS_15
；其中，工作反馈系数/>
Figure SMS_17
的获取方式如下公式：
Figure SMS_19
；其中，/>
Figure SMS_16
为常数修正系数，/>
Figure SMS_18
及/>
Figure SMS_20
为可变更常数参数
Figure SMS_21
，/>
Figure SMS_14
；
步骤502、获取工作反馈系数
Figure SMS_22
，在工作反馈系数/>
Figure SMS_23
大于相应阈值时，以工作反馈系数Wzk对水平评价值Dnp进行修正，形成水平评价修正值xDnp，修正方式如下：
Figure SMS_24
；其中，Wzk为工作反馈系数，n为大于1的正整数；
F为修正因子，修正因子F的计算方法如下：
Figure SMS_25
；/>
Figure SMS_26
为贡献度Cy与成长系数Cz之间的相关性系数，D为常数修正系数。
（三）有益效果
本发明提供了一种基于医共体大数据模型的智慧管理系统，具备以下有益效果：
通过获取到医共体内医生信息，基于执业经验评价系数Yz、教培支出Jc及科研经验评价系数Ky构建医生水平评价值Dnp，依据水平评价值Dnp对医生的水平进行评价，医共体在组织工作时，能够作为工作管理的参考因素和参考标准，从而使医共体的管理系统更加科学化。
分别搭建高水平医生库、预备问诊库及工作任务分配库，在对医共体进行管理时，确定管理的优先级，提高工作任务安排的针对性和合理性，以高水平医生库对预备问诊库形成支撑，能够为工作任务的执行和管理提供充足的冗余度，也给医共体内的医生停供了丰富的成长性，增加管理系统的效率性。
通过快速确定医生的成长系数Cz，对医生的成长能力形成评价，在对医共体内所有的医生进行管理时，可以作为管理的参考维度，提高医共体进行管理的效率性。
通过搭建病症特征库、病例库，依据相似度进行匹配，在线上问诊系统出现患者时，可以快速确定患者的病症特征，节省线上的问诊时间，通过搭建的会诊体系对医共体内的资源进行合理且高效的利用，提高医共体管理的效率降低沟通的成本，并且依据确定的贡献度Cy，便于判断医生在参与治疗时所做出的贡献。
通过获取水平评价修正值xDnp，在医生完成一系列的工作后，对医共体内的所有医生的工作进行评价，以水平评价修正值xDnp对医生进行标记，在管理系统对医生的职级或者工作进行调整时，能够作为参考的标准，为医生提供充足的正反馈，确保智慧管理系统的运行有效进行。
附图说明
图1为本发明医共体大数据模型的智慧管理系统运行流程示意图。
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。
实施例
请参阅图1，本发明提供一种基于医共体大数据模型的智慧管理系统，在应用时，包括如下步骤：
步骤一、使用关键词检索模型从公开网络检索获取医共体内所有在职医生的医生执业信息及科研及教学经历，依据医生执业信息构建医生数据库，并依据构建的医生数据库中的信息，关联形成医生水平评价值Dnp；
所述步骤一包括如下内容：
步骤101、使用关键词检索模型，获取医共体内所有在职的医生执业信息以及科研及教学经历；其中，职业信息至少包括职称、学历、就业年限、擅长的专业领域，构建医共体的医生数据库；
建立阶梯层次结构模型，在经过训练、测试及参数调整后，用于对医生的执业经验形成评价，形成医生的执业经验评价系数Yz；依据医生的科研及教学经历，获取其在科研及教学中的资金投入，形成医生的教培支出系数Jc；
步骤102、使用关键词检索模型从公开网络检索获取医生发表的科研成果及相应的文献，查询相应的文献数量，每篇文献的影响因子、被引用次数；
将文献的影响因子和被引用次数分别赋予权重后求和，形成影响评价系数，将每篇文献的影响评价系数汇总求和，并以该值作为医生的科研经验评价系数Ky；
汇总执业经验评价系数Yz、教培支出系数Jc及科研经验评价系数Ky，构建医生水平数据集；
步骤103、获取执业经验评价系数Yz、教培支出系数Jc及科研经验评价系数Ky，做无量纲处理，关联形成医生水平评价值Dnp；其中，获取医生水平评价值Dnp的方式如下公式：
Figure SMS_29
；需要说明的是：/>
Figure SMS_31
为医生水平评价值、/>
Figure SMS_33
为若干个执业经验评价系数Yz的标准差，/>
Figure SMS_28
为若干个科研经验评价系数Ky的标准差，/>
Figure SMS_30
及/>
Figure SMS_32
均为权重，且/>
Figure SMS_34
，/>
Figure SMS_27
；n为获取执业经验评价系数Yz、教培支出系数Jc及科研经验评价系数Ky的次数，是大于1的正整数。
而执业经验评价系数Yz、教培支出系数Jc及科研经验评价系数Ky均以固定间隔进行获取，例如以一周为一个获取周期，例如：执业经验系数
Figure SMS_36
、/>
Figure SMS_41
、/>
Figure SMS_44
直至/>
Figure SMS_38
；教培支出
Figure SMS_40
、/>
Figure SMS_43
、/>
Figure SMS_46
直至/>
Figure SMS_35
；科研经验评价系数/>
Figure SMS_39
、/>
Figure SMS_42
、/>
Figure SMS_45
直至/>
Figure SMS_37
，n为获取执业经验评价系数Yz、教培支出系数Jc及科研经验评价系数Ky的次数。
使用时，结合步骤101至103中的内容：
在关键词检索模型的帮助下，获取到医共体内医生执业信息及科研及教学经历，基于执业经验评价系数Yz、教培支出系数Jc及科研经验评价系数Ky，生成医生水平评价值Dnp，通过水平评价值Dnp对医生的工作能力进行大致的评价，医共体在组织工作时，能够以此作为组织工作管理的参考因素和参考标准，使医共体的管理系统更加科学化。
步骤二、通过医生的水平评价值Dnp的分布，分别构建高水平医生库及预备问诊库，在获取医生每月的工作任务后，依据医生的工作任务构建工作任务分配库，并通过水平评价值Dnp的分布，为医生分配相应的工作任务，由高水平医生库中的医生向预备问诊库中的部分医生进行培训；
所述步骤二包括如下内容：
步骤201、获取医生的水平评价值Dnp，在水平评价值Dnp高于第一阈值时，将医生归为第一档；在处于第一阈值与第二阈值之间时归为第二档；在低于第二阈值时归为第三档；其中，第一阈值高于第二阈值；从而在确定具体的档位后，在对医共体内的所有医生进行管理时更具有针对性。
步骤202、在获取医生每月的工作任务后，依据医生的工作任务构建工作任务分配库，其中，工作任务分配库中至少包括：指导培训、线上问诊及参与培训，具体的分配方式如下：
在水平评价值Dnp为第一档时，选择相应的医生构建高水平医生库，并使其向处于第三档的医生进行培训，也即，当医生为第三档时，参与培训，即接受第一档医生的培训；在水平评价值Dnp为第二档时，使相应医生参与线上问诊；
使用时，依据水平评价值Dnp的值的分布为医生定档，在进行管理时，能够提高人力资源的利用率，有效的降低成本，提高效益，保证医共体内的所有的医生的成长性。
步骤203、获取线上问诊需求后，确定线上问诊所需要医生的数量，选择水平评价值Dnp为第二档及第三档的医生构建预备问诊库，并在预备问诊库中的可用医生不足时，从高水平医生库中抽调。
使用时，结合步骤201至203中的内容：
在形成水平评价值Dnp的基础上，分别构建高水平医生库、预备问诊库及工作任务分配库，在对医共体进行管理时，可以确定管理的优先级，提高工作任务安排的针对性和合理性，而且以高水平医生库对预备问诊库形成支撑，能够为工作任务的执行和管理提供充足的冗余度，也给医共体内的医生停供了丰富的成长性，增加管理系统的效率性。
步骤三、在医生完成分配的工作任务后，由获取的工作成果分别进行考评并确定相应的考核分，对考核分形成修正后，沿着时间轴汇总若干组修正考核分并构建医生考核分数据集；并以设置的考核期内的修正考核分的增长率作为成长系数Cz；
所述步骤三包括如下内容：
步骤301、在医生执行了分配的工作任务之后，设置考核期，依据工作任务的成果与预期目标的差距，为各档位的医生进行考核，形成考核结果；在执行了多个阶段的考核之后，依据极大似然估计算法构建估计模型，依据比例将考核结果分值化形成考核分；依据形成的考核分，能够对医生的工作结果形成评价；
步骤302、依据各档医生的影响力，分别设置相应权重并对考核分形成修正，确定为修正考核分，依据修正考核分构建医生考核分数据集；从医生的考核分数据集中选择历史数据，在设置的考核期内，获取修正考核分的增长率，以考核分的增长率作为成长系数Cz；能够对医生的成长性形成评价。
使用时，结合步骤301至302中的内容：
通过建立考核分体系，确定各个医生的成长系数Cz，对医生的成长能力形成评价，从而在对医共体内所有的医生进行管理时，成长系数Cz可以作为管理的一个参考维度，便于提高医共体进行管理的效率性。
步骤四、在患者接入线上问诊系统时，采集患者的病症信息并通过病症信息从预备问诊库或者高水平医生库中向患者推荐医生，在遇到未知或疑难症状时，实时共享患者病症信息，组织远程会诊并由监控系统对问诊过程全程监控；
所述步骤四包括如下内容：
步骤401、在患者接入线上问诊系统时，采集患者的病症信息并确定病症特征；使用关键词检索模型检索相应的数据，使用检索数据预先构建病症特征库及病例库，通过病症特征间的相似度，优先从病症特征库中判断当前的病例特征是否为现有的病例特征，如果当前病例特征为现有的病例特征，继续从病例库中匹配出相应的病例；通过构建病症特征库及病例库，在对患者进行就诊时，使就诊更具有针对性，比如，在挂号时避免出现错误，提高效率；
步骤402、对匹配出的已知病例，依据其疑难程度分别确定为第一档、第二档及第三档，且疑难程度依次降低；在当前病例特征未在病症特征库中匹配到时，确定为未知病例；获取已知病例及未知病例，依据病例与医生的专业领域的匹配度，分别从预备问诊库及高水平医生库中选择相应领域的医生向患者推荐；
使用时，通过对已知病例的疑难程度进行定档，并且依据相似度模型，为患者推荐合适的医生，在患者治疗时，能够提高选医生的效率，节省工作分配的时间。
步骤403、当病例为疑难程度为第一档或为未知病例时，从高水平医生库中为患者推荐医生；当病例为疑难程度为第二档或为第三档时，从预备问诊库中为患者推荐医生；在当前的医生难以应对未知病例及高疑难病例时，向所有高水平医生库中的医生共享患者的病症信息，组织多医生会诊；使用时，通过确定患者病症的疑难程度并组织会诊，对患者更加有利，也能够有效的减少沟通成本。
步骤404、在预设的考核期内，从安装的监控系统内获取医共体内所有医生参与问诊次数Cs及参与时间Ct，并使用梯度提升决策树算法构建分析模型，在经过训练和测试后，从监控系统获取数据，分析医生对整体工作的影响程度，在对该影响程度进行量化后，形成影响度Yd；并汇总问诊次数Cs、参与时间Ct及影响度Yd，构建问诊参与度数据集；
对问诊次数Cs、参与时间Ct及影响度Yd，做出无量纲处理后，关联形成贡献度Cy；其中，贡献度Cy的获取方式符合如下公式：
Figure SMS_47
；其中，α及β为可变更常数参数，/>
Figure SMS_48
，/>
Figure SMS_49
，用户可以按照实际情况进行调整，/>
Figure SMS_50
为常数修正系数。
使用时，在医共体内的医生完成了相应的工作任务后，通过获取贡献度Cy，能够对医生的工作成果形成阶段性的评估，以形成一个相对公平的反馈。
使用时，结合步骤401至404中的内容：
通过构建病症特征库、病例库，依据相似度进行匹配，在线上问诊系统出现患者时，能够快速确定患者的病症特征，节省线上的问诊时间，并且基于构建的会诊体系，能够对医共体内的资源进行合理且高效的利用，提高医共体管理的效率，降低沟通的成本，并且依据确定的贡献度Cy，也能够便于判断医生在参与治疗时所做出的贡献。
步骤五、在若干个考核期结束后，获取医共体内的所有医生的贡献度Cy及成长系数Cz，关联形成工作反馈系数
Figure SMS_51
，并以工作反馈系数Wzk对相应的水平评价值Dnp形成修正，以修正结果作为对医生的工作任务形成调整的参考；
所述步骤五包括如下内容：
步骤501、在若干个考核期结束后，获取医共体内的所有医生的贡献度Cy及成长系数Cz，获取贡献度Cy、成长系数Cz，进行无量纲处理后，关联形成工作反馈系数
Figure SMS_53
；其中，工作反馈系数/>
Figure SMS_56
的获取方式如下公式：/>
Figure SMS_58
；其中，/>
Figure SMS_54
为常数修正系数，/>
Figure SMS_55
及/>
Figure SMS_57
为可变更常数参数/>
Figure SMS_59
，/>
Figure SMS_52
，用户可以按照实际情况进行调整；
使用时，依据确定的工作反馈系数
Figure SMS_60
，能够对医生工作的过程及结果做出相应性的评价，且评价更加客观。
步骤502、获取工作反馈系数
Figure SMS_63
，在工作反馈系数/>
Figure SMS_65
大于相应阈值时，以工作反馈系数Wzk对水平评价值Dnp进行修正，形成水平评价修正值xDnp；其中，修正方式如下：
Figure SMS_67
；其中，Wzk为工作反馈系数，n为Wzk的获取次数，为大于1的正整数，也即是，沿着时间轴以固定间隔获取若干组工作反馈系数/>
Figure SMS_62
，例如/>
Figure SMS_64
、/>
Figure SMS_66
、/>
Figure SMS_68
直至/>
Figure SMS_61
；
F为修正因子，修正因子F的计算方法如下：
Figure SMS_69
；其中，所述/>
Figure SMS_70
为贡献度Cy与成长系数Cz之间的相关性系数，D为常数修正系数；通过获取修正后的水平评价值Dnp，可以对预备问诊库中的医生进行调整。
使用时，结合步骤501及502中的内容：
通过获取水平评价修正值xDnp，在医生完成一系列的工作后，可以对医共体内的所有医生的工作进行评价，以水平评价修正值xDnp对医生进行标记，在管理系统对医生的职级或者工作进行调整时，能够作为参考的标准，确保智慧管理系统的运行有效进行。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。实现不应认为超出本申请的范围。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。

Claims (6)

1.一种基于医共体大数据模型的智慧管理系统，其特征在于：应用时包括如下步骤：
步骤一、使用关键词检索模型从公开网络检索获取医共体内所有在职医生的医生执业信息及科研及教学经历，依据医生执业信息构建医生数据库，并依据构建的医生数据库中的信息，关联形成医生水平评价值Dnp；所述步骤一包括：
步骤101、使用关键词检索模型，获取医共体内所有在职的医生执业信息以及科研及教学经历；其中，职业信息至少包括职称、学历、就业年限、擅长的专业领域，构建医共体的医生数据库；建立阶梯层次结构模型，在经过训练、测试及参数调整后，用于对医生的执业经验形成评价，形成医生的执业经验评价系数Yz；依据医生的科研及教学经历，获取其在科研及教学中的资金投入，形成医生的教培支出系数Jc；
步骤102、使用关键词检索模型从公开网络检索获取医生发表的科研成果及相应的文献，查询相应的文献数量，每篇文献的影响因子、被引用次数；将文献的影响因子和被引用次数分别赋予权重后求和，形成影响评价系数，将每篇文献的影响评价系数汇总求和，并以该值作为医生的科研经验评价系数Ky；汇总执业经验评价系数Yz、教培支出系数Jc及科研经验评价系数Ky，构建医生水平数据集；
步骤103、获取执业经验评价系数Yz、教培支出系数Jc及科研经验评价系数Ky，做无量纲处理，关联形成医生水平评价值Dnp；其中，获取医生水平评价值Dnp的方式如下公式：
Figure QLYQS_2
；需要说明的是：/>
Figure QLYQS_4
为医生水平评价值、/>
Figure QLYQS_6
为若干个执业经验评价系数Yz的标准差，/>
Figure QLYQS_3
为若干个科研经验评价系数Ky的标准差，/>
Figure QLYQS_5
及/>
Figure QLYQS_7
均为权重，且/>
Figure QLYQS_8
，/>
Figure QLYQS_1
；n为大于1的正整数；
步骤二、通过医生的水平评价值Dnp的分布，分别构建高水平医生库及预备问诊库，在获取医生每月的工作任务后，依据医生的工作任务构建工作任务分配库，并通过水平评价值Dnp的分布，为医生分配相应的工作任务，由高水平医生库中的医生向预备问诊库中的部分医生进行培训；
步骤三、在医生完成分配的工作任务后，由获取的工作成果分别进行考评并确定相应的考核分，对考核分形成修正后，沿着时间轴汇总若干组修正考核分并构建医生考核分数据集；并以设置的考核期内的修正考核分的增长率作为成长系数Cz；
步骤四、在患者接入线上问诊系统时，采集患者的病症信息并通过病症信息从预备问诊库或者高水平医生库中向患者推荐医生，在遇到未知或疑难症状时，实时共享患者病症信息，组织远程会诊并由监控系统对问诊过程全程监控；
步骤五、在若干个考核期结束后，获取医共体内的所有医生的贡献度Cy及成长系数Cz，关联形成工作反馈系数
Figure QLYQS_9
，并以工作反馈系数Wzk对相应的水平评价值Dnp形成修正，以修正结果作为对医生的工作任务形成调整的参考；所述步骤五包括：
步骤501、在若干个考核期结束后，获取医共体内的所有医生的贡献度Cy及成长系数Cz，进行无量纲处理后，关联形成工作反馈系数
Figure QLYQS_12
；其中，工作反馈系数/>
Figure QLYQS_14
的获取方式如下公式：/>
Figure QLYQS_16
；其中，/>
Figure QLYQS_11
为常数修正系数，/>
Figure QLYQS_13
及/>
Figure QLYQS_15
为可变更常数参数/>
Figure QLYQS_17
，/>
Figure QLYQS_10
；
步骤502、获取工作反馈系数
Figure QLYQS_18
，在工作反馈系数/>
Figure QLYQS_19
大于相应阈值时，以工作反馈系数Wzk对水平评价值Dnp进行修正，形成水平评价修正值xDnp，修正方式如下：
Figure QLYQS_20
；其中，Wzk为工作反馈系数，n为大于1的正整数；
F为修正因子，修正因子F的计算方法如下：
Figure QLYQS_21
；/>
Figure QLYQS_22
为贡献度Cy与成长系数Cz之间的相关性系数，D为常数修正系数。
2.根据权利要求1所述的一种基于医共体大数据模型的智慧管理系统，其特征在于：所述步骤二包括：步骤201、获取医生的水平评价值Dnp，在水平评价值Dnp高于第一阈值时，将医生归为第一档；在处于第一阈值与第二阈值之间时归为第二档；在低于第二阈值时归为第三档；其中，第一阈值高于第二阈值；
步骤202、在获取医生每月的工作任务后，依据医生的工作任务构建工作任务分配库，其中，工作任务分配库中至少包括：指导培训、线上问诊及参与培训；具体的分配方式如下：在水平评价值Dnp为第一档时，选择相应医生构建高水平医生库，并使其向处于第三档的医生进行培训，在水平评价值Dnp为第二档时，使相应医生参与线上问诊；
步骤203、获取线上问诊需求后，确定线上问诊所需要医生的数量，选择水平评价值Dnp为第二档及第三档的医生构建预备问诊库，并在预备问诊库中的可用医生不足时，从高水平医生库中抽调。
3.根据权利要求2所述的一种基于医共体大数据模型的智慧管理系统，其特征在于：所述步骤三包括：步骤301、在医生执行了分配的工作任务之后，设置考核期，依据工作任务的成果与预期目标的差距，为各档位的医生进行考核，形成考核结果；在执行多个阶段考核之后，依据极大似然估计算法构建估计模型，依据比例将考核结果分值化形成考核分；
步骤302、依据各档医生的影响力不同，分别设置相应权重并对考核分形成修正，确定为修正考核分，依据修正考核分构建医生考核分数据集；从医生的考核分数据集中选择历史数据，在设置的考核期内，获取修正考核分的增长率，以考核分的增长率作为成长系数Cz。
4.根据权利要求3所述的一种基于医共体大数据模型的智慧管理系统，其特征在于：
所述步骤四包括：步骤401、在患者接入线上问诊系统时，采集患者的病症信息并确定病症特征；使用关键词检索模型检索相应的数据，预先构建病症特征库及病例库，通过病症特征间的相似度，优先从病症特征库中判断当前的病例特征是否为现有的病例特征，如果当前病例特征为现有的病例特征，继续从病例库中匹配出相应的病例；
步骤402、对匹配出的已知病例，依据其疑难程度分别确定为第一档、第二档及第三档，且疑难程度依次降低；在当前病例特征未在病症特征库中匹配到时，确定为未知病例；获取已知病例及未知病例，依据病例与医生的专业领域的匹配度，分别从预备问诊库及高水平医生库中选择相应领域的医生向患者推荐。
5.根据权利要求4所述的一种基于医共体大数据模型的智慧管理系统，其特征在于：步骤402之后还有：步骤403、当病例为疑难程度为第一档或为未知病例时，从高水平医生库中为患者推荐医生；当病例为疑难程度为第二档或为第三档时，从预备问诊库中为患者推荐医生；在当前的医生难以应对未知病例及高疑难病例时，向所有高水平医生库中的医生共享患者的病症信息，组织多医生会诊。
6.根据权利要求5所述的一种基于医共体大数据模型的智慧管理系统，其特征在于：步骤403之后还有：步骤404、在预设的考核期内，从安装的监控系统内获取医共体内所有医生参与问诊次数Cs及参与时间Ct，并使用梯度提升决策树算法构建分析模型，在经过训练和测试后，从监控系统获取数据，分析医生对整体工作的影响程度，在对该影响程度进行量化后，形成影响度Yd；并汇总问诊次数Cs、参与时间Ct及影响度Yd，构建问诊参与度数据集；对问诊次数Cs、参与时间Ct及影响度Yd，做出无量纲处理后，关联形成贡献度Cy，贡献度Cy的获取方式符合如下公式：
Figure QLYQS_23
；其中，α及β为可变更常数参数，
Figure QLYQS_24
，/>
Figure QLYQS_25
，/>
Figure QLYQS_26
为常数修正系数。
CN202310343675.5A 2023-04-03 2023-04-03 一种基于医共体大数据模型的智慧管理系统 Active CN116052863B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310343675.5A CN116052863B (zh) 2023-04-03 2023-04-03 一种基于医共体大数据模型的智慧管理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310343675.5A CN116052863B (zh) 2023-04-03 2023-04-03 一种基于医共体大数据模型的智慧管理系统

Publications (2)

Publication Number Publication Date
CN116052863A CN116052863A (zh) 2023-05-02
CN116052863B true CN116052863B (zh) 2023-07-04

Family

ID=86129821

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310343675.5A Active CN116052863B (zh) 2023-04-03 2023-04-03 一种基于医共体大数据模型的智慧管理系统

Country Status (1)

Country Link
CN (1) CN116052863B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101620648A (zh) * 2009-08-13 2010-01-06 北京中医药大学 一种中医远程诊疗方法
JP2018195051A (ja) * 2017-05-17 2018-12-06 キヤノンメディカルシステムズ株式会社 研修医割当装置、研修医割当プログラム、及び研修医割当システム
CN110428174A (zh) * 2019-08-02 2019-11-08 山东贝森医院管理咨询有限公司 一种医疗绩效管理信息系统
CN113592259A (zh) * 2021-07-14 2021-11-02 深圳市指南针医疗科技有限公司 医院指标考核全量分析任务分配系统及方法
CN115346654A (zh) * 2022-07-14 2022-11-15 赵盛 一种基于互联网的智慧服务系统
CN115713256A (zh) * 2022-11-04 2023-02-24 深圳先进技术研究院 医学培训考核评价方法、装置、电子设备及存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110910998A (zh) * 2019-12-05 2020-03-24 北京明略软件系统有限公司 一种针对患者病情信息推荐医生的方法及装置
CN111640489A (zh) * 2020-04-26 2020-09-08 贵阳朗玛信息技术股份有限公司 一种互联网诊疗推荐医生的方法及装置
CN113313372A (zh) * 2021-05-25 2021-08-27 新疆维吾尔自治区人民医院 一种基于临床的人才评价方法
CN113592345B (zh) * 2021-08-10 2024-07-09 康键信息技术（深圳）有限公司 基于聚类模型的医疗分诊方法、系统、设备及存储介质
CN114664416A (zh) * 2022-02-15 2022-06-24 廖庆伟 一种医生自我评价的方法、装置及电子设备
CN114639468A (zh) * 2022-02-15 2022-06-17 廖庆伟 一种评价医生的方法、装置及电子设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101620648A (zh) * 2009-08-13 2010-01-06 北京中医药大学 一种中医远程诊疗方法
JP2018195051A (ja) * 2017-05-17 2018-12-06 キヤノンメディカルシステムズ株式会社 研修医割当装置、研修医割当プログラム、及び研修医割当システム
CN110428174A (zh) * 2019-08-02 2019-11-08 山东贝森医院管理咨询有限公司 一种医疗绩效管理信息系统
CN113592259A (zh) * 2021-07-14 2021-11-02 深圳市指南针医疗科技有限公司 医院指标考核全量分析任务分配系统及方法
CN115346654A (zh) * 2022-07-14 2022-11-15 赵盛 一种基于互联网的智慧服务系统
CN115713256A (zh) * 2022-11-04 2023-02-24 深圳先进技术研究院 医学培训考核评价方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN116052863A (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
CN110851725B (zh) 一种医疗资源推荐方法、系统、计算设备和存储介质
Robertson et al. A method to assess the influence of individual player performance distribution on match outcome in team sports
CN106845147B (zh) 医学经验总结模型的建立方法、装置
CN105787262A (zh) 中医临床数字化评价体系及其基于大数据分析的评价方法
CN104766259A (zh) 一种基于单病种模型的医疗临床质量监测与评价系统
CN102004962A (zh) 实现对个人综合绩效进行智能整理以供考评的实现方法
CN113239279B (zh) 一种慢性病医疗数据采集分析管理方法及云平台
CN109065173B (zh) 知识路径的获取方法
CN110739076A (zh) 一种医疗人工智能公共训练平台
CN106919804A (zh) 基于临床数据的药物推荐方法、推荐装置及服务器
CN117497149A (zh) 一种基于人工智能的医院管理方法及系统
CN111816319A (zh) 逐步筛选的泌尿系统重疾指标确定方法及风险预测系统
CN116052863B (zh) 一种基于医共体大数据模型的智慧管理系统
CN109935327A (zh) 基于智能决策支持的高血压患者心血管危险分层评估方法
Zhang et al. Stochastic group preference acceptability analysis for interval-valued multiplicative preference relations based on TODIM method
CN201936304U (zh) 实现对科室综合绩效进行智能整理以供考评的系统
CN116434979A (zh) 生理状态云监测方法、监测系统及储存介质
CN115240828A (zh) 一种手术室智能调控系统及方法
CN114580915A (zh) 一种新微针技术植发效果的智能评价方法及系统
CN111967756A (zh) 一种目标驱动源的建筑能耗碳排放确定方法及系统
CN112635074A (zh) 一种基于多数据分析模型的艾滋病防治决策方法
Li et al. Research on the Construction of Multivariate-Induced ischemic stroke prediction model based on medical big data
CN111640490A (zh) 基于大数据的医院门诊自助推荐方法
Matthews et al. Application of PageRank Algorithm to Division I NCAA men’s basketball as bracket formation and outcome predictive utility
CN118448049B (zh) 基于不同慢性疾病的分组分配管理系统及方法

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