CN116092655B - 一种基于大数据的医院绩效管理方法及系统 - Google Patents
一种基于大数据的医院绩效管理方法及系统 Download PDFInfo
- Publication number
- CN116092655B CN116092655B CN202310347051.0A CN202310347051A CN116092655B CN 116092655 B CN116092655 B CN 116092655B CN 202310347051 A CN202310347051 A CN 202310347051A CN 116092655 B CN116092655 B CN 116092655B
- Authority
- CN
- China
- Prior art keywords
- data
- node
- hospital
- key
- performance
- 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
Links
- 238000007726 management method Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 claims abstract description 69
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000004140 cleaning Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 41
- 238000004422 calculation algorithm Methods 0.000 claims description 34
- 238000005457 optimization Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 29
- 230000009191 jumping Effects 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 20
- 239000002243 precursor Substances 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 8
- 239000003814 drug Substances 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 229940079593 drug Drugs 0.000 claims description 5
- 241000269350 Anura Species 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000013450 outlier detection Methods 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 7
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 238000007405 data analysis Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000007727 cost benefit analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000005309 stochastic process Methods 0.000 description 1
- 229940126680 traditional chinese medicines Drugs 0.000 description 1
- 229940126673 western medicines Drugs 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于大数据的医院绩效管理方法及系统,所述方法包括:步骤S1:收集医院业务数据,并对业务数据进行数据清洗,得到清洗后数据;步骤S2:整合清洗后数据,将其存储在数据仓库中;步骤S3:使用预设的分析模型对数据仓库进行分析,找出影响医院绩效的关键影响因素;步骤S4:基于得到关键影响因素,对医院的绩效管理进行优化。本发明提供了一种基于大数据的医院绩效管理方法,能够全面、高效地收集和处理医院数据,发现关键影响因素,提高绩效管理的科学性和精度,实现对绩效的实时监控和评估,提高医院的整体运营效率和竞争力。
Description
技术领域
本发明涉及大数据处理领域,特别涉及一种基于大数据的医院绩效管理方法及系统。
背景技术
目前,大数据技术在医疗行业的应用越来越广泛,但是在医院绩效管理方面的应用还处于起步阶段。一些医院已经开始尝试应用大数据技术来进行绩效管理,但是仍然存在很多问题。例如,有些医院仅仅是采集了大量的数据,但是缺乏有效的数据分析方法,难以从数据中提取有价值的信息;有些医院虽然采用了一些数据分析方法,但是往往缺乏整体的、科学的绩效管理体系,无法提供具体的管理指导和方法。
在传统的医院绩效管理方法中,医院通常依赖手工记录和分析数据来评估绩效,这种方法存在以下几个缺点:
数据来源不全面:传统的绩效管理方法主要依赖于手工记录的数据,这种数据来源有限,往往只能反映医院内部的情况,忽略了外部因素对绩效的影响。医院内部数据虽然可以反映医院运行的一些情况,但是由于数据的局限性,难以做到全面准确地反映医院的运行状况。同时,由于数据采集和整理的不充分,传统绩效管理方法往往难以发现关键影响因素。
数据处理效率低:传统的绩效管理方法通常采用手工记录和分析数据的方式,这种方式效率低下,容易出现错误和遗漏。手工记录数据需要人工投入大量的时间和精力,而且容易出现数据录入错误和重复录入的问题,数据分析的过程也往往需要耗费很长的时间。
难以进行绩效管理的有效监控和评估:传统的绩效管理方法通常缺乏有效的数据分析方法,难以实现对绩效的监控和评估。医院往往只能采用简单的统计分析方法,难以对绩效进行深入的分析,无法发现潜在的问题和隐患。
缺乏科学、规范的绩效管理体系:传统的绩效管理方法往往缺乏科学、规范的管理体系,无法提供具体的绩效管理指导和方法。医院对于绩效的管理和评估往往是基于经验和惯例的,缺乏科学性和客观性,难以提高绩效管理的效率和精度。
没有实时性:传统的绩效管理方法通常是以年度或季度为周期进行评估,难以实现对绩效的实时监控和评估。医院只能通过历史数据进行分析和评估,很难发现新的问题和变化趋势。
综上所述,传统的医院绩效管理方法存在数据来源不全面、数据处理效率低、难以进行绩效管理的有效监控和评估、缺乏科学、规范的绩效管理体系以及没有实时性等问题。这些问题直接影响了医院绩效管理的精度和效率,也限制了医院的发展潜力。为了解决这些问题,需要采用一种全新的、基于大数据的医院绩效管理方法。该方法能够全面、高效地收集和处理医院数据,发现关键影响因素,提高绩效管理的科学性和精度,实现对绩效的实时监控和评估,提高医院的整体运营效率和竞争力。
发明内容
本发明的目的是提供一种基于大数据的医院绩效管理方法及系统,本发明提供了一种基于大数据的医院绩效管理方法,能够全面、高效地收集和处理医院数据,发现关键影响因素,提高绩效管理的科学性和精度,实现对绩效的实时监控和评估,提高医院的整体运营效率和竞争力。
为解决上述技术问题,本发明提供一种基于大数据的医院绩效管理方法及系统,包括:
一种基于大数据的医院绩效管理方法,所述方法包括:
步骤S1:收集医院业务数据,并对业务数据进行数据清洗,得到清洗后数据;
步骤S2:整合清洗后数据,将其存储在数据仓库中;
步骤S3:使用预设的分析模型对数据仓库进行分析,找出影响医院绩效的关键影响因素;
步骤S4:基于得到关键影响因素,对医院的绩效管理进行优化;具体包括:使用基于稀疏矩阵的跳蛙算法,对医院的绩效管理进行优化;所述基于稀疏矩阵的跳蛙算法的执行过程包括:进行稀疏矩阵构建,具体包括:将每个关键影响因素作为矩阵的列向量,将不同时间点的关键影响因素作为矩阵的行向量,用矩阵表示,即:
;
其中,表示第/>个关键影响因素在不同时间点的取值,/>表示关键影响因素的数量;执行跳蛙算法优化,具体包括:将医院的绩效指标表示为目标函数,将关键影响因素表示为优化变量,利用跳蛙算法进行求解;具体地,假设有/>个绩效指标,分别用/>表示,目标函数可以表示为:
;
其中,表示关键影响因素的取值,/>表示不同绩效指标对应的优化函数,/>表示不同绩效指标的权重。
进一步的,所述基于稀疏矩阵的跳蛙算法进行求解目标函数的过程包括:初始化种群:首先,随机生成一组跳蛙,用向量表示第/>只跳蛙,即:
;
其中,表示关键影响因素在不同时间点的取值;
计算适应度值:将每只跳蛙的向量代入目标函数/>中计算适应度值,即:
;
其中,表示第/>只跳蛙的适应度值;
更新跳蛙位置:根据跳蛙个体的适应度值,按照设定的规则更新跳蛙的位置,即:
;
其中,分别表示当前最优解、次优解和最差解对应的跳蛙向量,/>表示一个随机系数,/>表示当前迭代次数;更新适应度值:将更新后的跳蛙位置代入目标函数中计算适应度值;迭代搜索:重复执行更新跳蛙位置的步骤和更新适应度值的步骤,直到满足停止迭代的条件。
进一步的,所述医院的业务数据至少包括:患者数量、门诊量、住院量、手术量、药品使用量、医疗器械使用量和财务收支。
进一步的,所述步骤S1中对业务数据进行数据清洗的方法包括:
步骤S1.1:执行数据预处理,包括:将收集到的医院业务数据,进行数据预处理,包括去除缺失值、去除异常值和去除重复值;
步骤S1.2:执行数据建模,包括:将预处理后的数据作为输入,使用马尔科夫链模型对数据进行建模和预测;
步骤S1.3:执行异常值检测,包括:使用马尔科夫链模型对数据进行建模后,利用模型对数据进行异常值检测;
步骤S1.4:执行错误值纠正,包括:在检测到异常值后,对其进行纠正;
步骤S1.5:执行数据更新,包括:在纠正错误值后,将数据更新到原始数据序列中。
进一步的,步骤S2:整合清洗后数据,将其存储在数据仓库中的方法包括:将清洗后数据作为输入,使用马尔科夫链模型对数据之间的关联关系进行建模和预测;具体地,假设有个种类的业务数据,分别用/>表示,其中每个指标都是一个序列,用表示;则使用多元马尔科夫链模型来描述数据之间的关联关系,具体地,假设每个指标的状态集合为/>,则多元马尔科夫链模型可以表示为:
;
其中,表示在给定前/>个指标的情况下,预测第/>个指标的概率;使用马尔科夫链模型对清洗后的数据进行建模后,利用马尔科夫链模型对数据进行整合,得到每个指标之间的关联关系;具体地,根据模型预测每个指标的状态,然后将不同指标在同一时间的状态整合到一个向量中,即得到整合后的数据;将整合后的数据存储在数据仓库中。
进一步的,所述步骤S3使用预设的分析模型对数据仓库进行分析,找出影响医院绩效的关键影响因素的方法包括:步骤S3.1:将数据仓库中存储的医院业务数据构建成一个有向带权图,其中节点表示指标,边表示指标之间的关系,边的权重表示两个指标之间的关系强度;步骤S3.2:寻找关键值并提取与关键值相关的最短路径,包括:首先选择一个起始节点,将起始节点到其他节点的距离初始化为一个超过设定阈值的数,然后从起始节点开始遍历有向带权图,更新起始节点到其他节点的距离,并记录最短路径;步骤S3.3:根据最短路径提取关键值作为影响医院绩效的关键影响因素。
进一步的,所述有向带权图通过图的邻接矩阵来表示,即:
;
其中,表示从指标/>到指标/>的关系强度,/>表示指标的数量;在寻找关键值并提取与关键值相关的最短路径时,首先选择一个起始节点,将起始节点到其他节点的距离初始化为一个超过设定阈值的数,然后从起始节点开始遍历有向带权图,更新起始节点到其他节点的距离,并记录最短路径;假设选择节点/>作为起始节点,从/>节点到其他节点的距离表示为/>,则有:初始化距离:
;
其中,表示超过设定阈值的数;
更新距离:对于节点的所有出边/>,更新节点/>的距离
;
其中,表示从节点/>到节点/>的距离,/>表示起始节点/>到节点/>的距离,/>表示起始节点/>到节点/>的距离;使用前驱节点数组来记录起始节点/>到其他节点的最短路径;再根据最短路径提取关键值,设置一个盘判别阈值/>,将最短路径中权重大于/>的边所连接的两个节点作为关键值。
进一步的,所述前驱节点数组的定义为:在有向无环图中,如果存在一条从节点到节点/>的有向边,那么节点/>就是节点/>的后继节点,节点/>就是节点/>的前驱节点;前驱节点数组就是用来记录每个节点的前驱节点的数组,其公式表达如下:
;
其中表示节点/>的前驱节点集合,/>表示有向无环图的边集合。该公式表示对于每个节点/>,/>包含所有能够到达节点/>的节点/>的集合。
进一步的,所述步骤S4中对医院的绩效管理进行优化的方法包括:根据确定的关键影响因素,确定影响医院的关键目标;所述关键影响因素定义为影响绩效的关键因素;所述关键目标定义为该影响绩效的关键因素对应的医院执行主体;根据关键目标,对对应的医院执行主体制定绩效优化策略。
一种基于大数据的医院绩效管理系统,该系统包括:数据采集模块,用于收集医院的业务数据;
数据清洗模块,用于对业务数据进行数据清洗;
数据仓库模块,用于整合所收集到的业务数据,并将其存储在数据仓库中;
分析模型模块,用于使用预设的分析模型对数据仓库进行分析,找出影响医院绩效的关键影响因素;
绩效管理模块,用于基于得到关键影响因素,对医院的绩效管理进行优化。
本发明的一种基于大数据的医院绩效管理方法及系统,具有以下有益效果:数据来源全面:本发明采用大数据技术,可以收集和分析医院内部和外部的各种数据,从而全面了解医院的运行状况和外部环境对医院的影响。同时,本发明采用先进的数据清洗技术,可排除无效数据,提高数据的准确性。
数据处理效率高:本发明采用自动化的数据采集、清洗和分析技术,大大提高了数据处理效率,避免了手工记录和分析数据的低效和容易出现错误和遗漏的问题。同时,本发明采用高效的数据存储和处理技术,使得医院能够在更短的时间内得到数据分析结果。找到关键影响因素:本发明采用基于大数据的分析模型和算法,能够快速准确地找到影响医院绩效的关键影响因素,从而为医院绩效优化提供有效的参考依据。同时,本发明采用灵活的数据分析方法,可以根据医院的实际情况进行优化,进一步提高绩效管理的效果。提高医院的绩效管理水平:本发明能够实现对医院绩效的实时监控和评估,有利于医院及时发现问题并进行改进。同时,本发明提供了精确、科学的绩效管理方法,有利于提高医院的绩效管理水平和整体运营效率。有利于医院的发展:本发明提供了一种全面、高效、精确的医院绩效管理方法,有助于医院建立科学、规范的绩效管理体系,提高医院整体竞争力和发展潜力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种基于大数据的医院绩效管理方法的方法流程示意图;
图2为本发明实施例提供的一种基于大数据的医院绩效管理方法的步骤S1的流程示意图;
图3为本发明实施例提供的一种基于大数据的医院绩效管理方法的步骤S3的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
参考图1,一种基于大数据的医院绩效管理方法,所述方法包括:
步骤S1:收集医院业务数据,并对业务数据进行数据清洗,得到清洗后数据;
这一步骤涉及收集医院业务数据并进行数据清洗的过程。这个步骤的目的是为了确保收集到的数据是准确、完整、可靠的。数据清洗可以涉及去除无效数据、纠正错误数据、填充缺失数据等。
步骤S2:整合清洗后数据,将其存储在数据仓库中;
这一步骤涉及将清洗后的数据整合并存储在数据仓库中。数据仓库是一个存储和管理数据的系统,旨在支持决策制定、分析和报告等任务。数据仓库可以是关系数据库、OLAP(在线分析处理)数据库或其他类型的数据库。
步骤S3:使用预设的分析模型对数据仓库进行分析,找出影响医院绩效的关键影响因素;
这一步骤涉及使用预设的分析模型对数据仓库进行分析。分析模型可以是数据挖掘模型、机器学习模型或其他类型的模型。目的是找出影响医院绩效的关键影响因素。关键影响因素可能包括但不限于医院服务质量、成本管理、资源配置等方面的因素。
步骤S4:基于得到关键影响因素,对医院的绩效管理进行优化。
这一步骤涉及基于得到的关键影响因素对医院的绩效管理进行优化。优化可以涉及制定新的政策、改进现有的管理流程或采取其他措施。优化的目的是提高医院的绩效,提高医疗服务的质量和效率,从而满足患者的需求。
步骤S4:基于得到关键影响因素,对医院的绩效管理进行优化;具体包括:使用基于稀疏矩阵的跳蛙算法,对医院的绩效管理进行优化;所述基于稀疏矩阵的跳蛙算法的执行过程包括:进行稀疏矩阵构建,具体包括:将每个关键影响因素作为矩阵的列向量,将不同时间点的关键影响因素作为矩阵的行向量,用矩阵表示,即:
;
其中,表示第/>个关键影响因素在不同时间点的取值,/>表示关键影响因素的数量;执行跳蛙算法优化,具体包括:将医院的绩效指标表示为目标函数,将关键影响因素表示为优化变量,利用跳蛙算法进行求解;具体地,假设有/>个绩效指标,分别用/>表示,目标函数可以表示为:
;
其中,表示关键影响因素的取值,/>表示不同绩效指标对应的优化函数,/>表示不同绩效指标的权重。
稀疏矩阵是指大部分元素为0的矩阵,跳蛙算法是一种基于稀疏矩阵的优化算法,它可以快速、准确地解决大规模的优化问题。
具体来说,这个方法包括以下步骤:
进行稀疏矩阵构建。将每个关键影响因素作为矩阵的列向量,将不同时间点的关键影响因素作为矩阵的行向量,用矩阵表示。其中,/>表示第/>个关键影响因素在不同时间点的取值,/>表示关键影响因素的数量。
执行跳蛙算法优化。将医院的绩效指标表示为目标函数,将关键影响因素表示为优化变量,利用跳蛙算法进行求解。
具体地,假设有个绩效指标,分别用/>表示,目标函数可以表示为:
;
其中,表示关键影响因素的取值,/>表示不同绩效指标对应的优化函数,/>表示不同绩效指标的权重。
通过使用稀疏矩阵构建和跳蛙算法优化,可以快速、准确地对医院的绩效管理进行优化,提高医院的服务质量和效率。同时,这个方法也可以用于其他领域的绩效管理和优化。
基于稀疏矩阵的跳蛙算法进行求解目标函数的过程包括:初始化种群:首先,随机生成一组跳蛙,用向量表示第/>只跳蛙,即:
;
其中,表示关键影响因素在不同时间点的取值;
计算适应度值:将每只跳蛙的向量代入目标函数/>中计算适应度值,即:
;
其中,表示第/>只跳蛙的适应度值;
更新跳蛙位置:根据跳蛙个体的适应度值,按照设定的规则更新跳蛙的位置,即:
;
其中,分别表示当前最优解、次优解和最差解对应的跳蛙向量,/>表示一个随机系数,/>表示当前迭代次数;更新适应度值:将更新后的跳蛙位置代入目标函数中计算适应度值;迭代搜索:重复执行更新跳蛙位置的步骤和更新适应度值的步骤,直到满足停止迭代的条件。
通过这个过程,可以寻找到一组优化的关键影响因素,从而优化医院的绩效管理。跳蛙算法是一种基于自然界跳跃机制的优化算法,具有快速收敛、全局搜索等优点。它在解决高维、非线性、非凸等复杂优化问题方面有着广泛的应用。
医院的业务数据至少包括:患者数量、门诊量、住院量、手术量、药品使用量、医疗器械使用量和财务收支。
患者数量:这是指在一定时间内,医院接诊的患者数量,包括门诊患者和住院患者。
门诊量:这是指在一定时间内,医院门诊部门接诊的患者数量。
住院量:这是指在一定时间内,医院住院部门接诊的患者数量。
手术量:这是指在一定时间内,医院进行的手术数量。
药品使用量:这是指在一定时间内,医院使用的药品数量,包括西药、中药和其他药品。
医疗器械使用量:这是指在一定时间内,医院使用的医疗器械数量,包括各类医用设备、医用耗材等。
财务收支:这是指医院在一定时间内的财务收入和支出情况,包括医疗服务收入、药品收入、医疗器械收入、人员薪资、设备维护等支出。
以上数据可以用来分析医院的绩效和质量,进行优化管理。同时,也可以将其他相关数据纳入医院的业务数据中,以更全面地反映医院的情况。
参考图2,步骤S1中对业务数据进行数据清洗的方法包括:
步骤S1.1:执行数据预处理,包括:将收集到的医院业务数据,进行数据预处理,包括去除缺失值、去除异常值和去除重复值;
步骤S1.2:执行数据建模,包括:将预处理后的数据作为输入,使用马尔科夫链模型对数据进行建模和预测;
步骤S1.3:执行异常值检测,包括:使用马尔科夫链模型对数据进行建模后,利用模型对数据进行异常值检测;
步骤S1.4:执行错误值纠正,包括:在检测到异常值后,对其进行纠正;
步骤S1.5:执行数据更新,包括:在纠正错误值后,将数据更新到原始数据序列中。
步骤S1中对业务数据进行数据清洗的方法包括:
步骤S1.1:数据预处理:对于收集到的医院业务数据,首先需要进行数据预处理,包括去除缺失值、去除异常值和去除重复值。
步骤S1.2:数据建模:将预处理后的数据作为输入,使用马尔科夫链模型对数据进行建模和预测;马尔科夫链模型是一种随机过程模型,它假设当前状态只与前一状态有关,与更早的状态无关。根据该假设,我们可以使用状态转移概率矩阵来描述数据的状态变化过程。
具体地,假设我们有一个包含N个状态的数据序列,用表示,其中每个状态都属于一个有限状态集合/>。则状态转移概率矩阵/>可以表示为:
;
其中,表示从状态/>转移到状态/>的概率。
步骤S1.3:异常值检测:使用马尔科夫链模型对数据进行建模:利用模型对数据进行异常值检测。对于当前状态,我们可以利用模型预测下一状态/>,然后计算当前状态与/>之间的距离,如果距离超过了预设的阈值,则将当前状态/>视为异常值。具体地,假设当前状态为/>,预测状态为/>,则距离可以用以下公式表示:
;
其中,表示当前状态/>与/>之间的距离。
步骤S1.4:错误值纠正:在检测到异常值后,我们需要对其进行纠正。具体地,我们可以根据当前状态和预测状态/>之间的距离/>,找出最可能的正确状态。具体地,假设当前状态为/>,预测状态为/>,而检测到的异常值为/>,则可以通过以下公式找出最可能的正确状态/>:
;
其中,S表示有限状态集合。
步骤S1.5:数据更新:在纠正错误值后,我们需要将数据更新到原始数据序列中。具体地,将异常值替换为正确值/>。
步骤S2:整合清洗后数据,将其存储在数据仓库中的方法包括:将清洗后数据作为输入,使用马尔科夫链模型对数据之间的关联关系进行建模和预测;具体地,假设有个种类的业务数据,分别用/>表示,其中每个指标都是一个序列,用/>表示;则使用多元马尔科夫链模型来描述数据之间的关联关系,具体地,假设每个指标的状态集合为/>,则多元马尔科夫链模型可以表示为:
;
其中,表示在给定前/>个指标的情况下,预测第/>个指标的概率;使用马尔科夫链模型对清洗后的数据进行建模后,利用马尔科夫链模型对数据进行整合,得到每个指标之间的关联关系;具体地,根据模型预测每个指标的状态,然后将不同指标在同一时间的状态整合到一个向量中,即得到整合后的数据;将整合后的数据存储在数据仓库中。
通过这个方法,可以充分利用数据之间的关联关系,提高数据分析的准确性和可靠性,为医院绩效管理提供更有价值的信息。
参考图3,步骤S3.1:将数据仓库中存储的医院业务数据构建成一个有向带权图,其中节点表示指标,边表示指标之间的关系,边的权重表示两个指标之间的关系强度。这样做可以将各个指标之间的联系可视化,帮助分析人员更好地理解数据。
步骤S3.2:寻找关键值并提取与关键值相关的最短路径。首先,选择一个起始节点,将起始节点到其他节点的距离初始化为一个超过设定阈值的数。然后,从起始节点开始遍历有向带权图,更新起始节点到其他节点的距离,并记录最短路径。这个过程可以用最短路径算法(如Dijkstra算法)来实现。
步骤S3.3:根据最短路径提取关键值作为影响医院绩效的关键影响因素。最短路径表示了节点之间的最优联系方式,因此,沿着最短路径可以找到影响医院绩效的关键影响因素。根据分析人员的需要,可以选择提取路径中的某些指标作为关键影响因素。
通过这个方法,分析人员可以更准确地找到影响医院绩效的关键影响因素,从而优化医院的绩效管理。有向带权图是一种常见的数据结构,常用于描述各个节点之间的关系。最短路径算法也是一种常见的算法,常用于寻找两个节点之间的最短路径。
有向带权图通过图的邻接矩阵来表示,即:
;
其中,表示从指标/>到指标/>的关系强度,/>表示指标的数量;在寻找关键值并提取与关键值相关的最短路径时,首先选择一个起始节点,将起始节点到其他节点的距离初始化为一个超过设定阈值的数,然后从起始节点开始遍历有向带权图,更新起始节点到其他节点的距离,并记录最短路径;假设选择节点/>作为起始节点,从/>节点到其他节点的距离表示为/>,则有:初始化距离:
;
其中,表示超过设定阈值的数;
更新距离:对于节点的所有出边/>,更新节点/>的距离
;
其中,表示从节点/>到节点/>的距离,/>表示起始节点/>到节点/>的距离,/>表示起始节点/>到节点/>的距离;使用前驱节点数组来记录起始节点/>到其他节点的最短路径;再根据最短路径提取关键值,设置一个盘判别阈值/>,将最短路径中权重大于/>的边所连接的两个节点作为关键值。
常用的优化函数表达式:
成本效益分析中,经济学上常用的函数有成本效益比和成本效益比率。成本效益比(Cost-Benefit Ratio)定义为所得到的效益与成本之比,公式如下:
;
其中,总效益指医院在某一时间段内获得的总效益,总成本指医院在该时间段内的总成本。
对于医疗机构的效率评价,可以使用数据包络分析(Data EnvelopmentAnalysis,DEA)中的效率函数进行优化。DEA效率函数用于衡量医疗机构的输入与输出之间的比率,公式如下:
;
其中,表示第/>个医疗机构的输出,/>表示第/>个医疗机构的输入。
对于手术室的利用率,可以使用下列公式进行计算:
利用率 = 实际手术时间 / 总时间
其中,实际手术时间指手术室实际用于手术的时间,总时间指手术室的总开放时间。
对于患者的满意度评价,可以使用下列公式进行计算:
;
其中,表示第/>个患者的权重系数,/>表示第/>个患者对医疗服务的满意度。
需要注意的是,不同的绩效指标对应的优化函数可能是不同的,具体的函数形式需要根据具体的业务场景和问题进行选择和设计。
前驱节点数组的定义为:在有向无环图中,如果存在一条从节点到节点/>的有向边,那么节点/>就是节点/>的后继节点,节点/>就是节点/>的前驱节点;前驱节点数组就是用来记录每个节点的前驱节点的数组,其公式表达如下:
;
其中表示节点/>的前驱节点集合,/>表示有向无环图的边集合。该公式表示对于每个节点/>,/>包含所有能够到达节点/>的节点/>的集合。
步骤S4中对医院的绩效管理进行优化的方法包括:根据确定的关键影响因素,确定影响医院的关键目标;所述关键影响因素定义为影响绩效的关键因素;所述关键目标定义为该影响绩效的关键因素对应的医院执行主体;根据关键目标,对对应的医院执行主体制定绩效优化策略。
一种基于大数据的医院绩效管理系统,该系统包括:数据采集模块:用于收集医院的业务数据。这个模块可以通过多种方式获取数据,例如从医院的信息系统中提取数据,或者从其他渠道收集数据。收集到的数据可以包括患者数量、门诊量、住院量、手术量、药品使用量、医疗器械使用量和财务收支等指标。
数据清洗模块:用于对业务数据进行数据清洗。由于数据来源的不同和数据本身的质量问题,收集到的数据可能存在噪声和异常值等问题。因此,需要使用数据清洗技术对数据进行清洗和预处理,以保证数据的准确性和可靠性。
数据仓库模块:用于整合所收集到的业务数据,并将其存储在数据仓库中。数据仓库是一个集中存储数据的地方,可以对数据进行管理、查询和分析等操作。在这个模块中,可以使用马尔科夫链模型等技术对数据进行整合,以提高数据的可用性和可分析性。
分析模型模块:用于使用预设的分析模型对数据仓库进行分析,找出影响医院绩效的关键影响因素。这个模块可以通过多种分析技术来分析数据,例如使用多元回归分析、决策树分析、聚类分析等方法来找出影响医院绩效的关键影响因素。
绩效管理模块:用于基于得到关键影响因素,对医院的绩效管理进行优化。在这个模块中,可以使用跳蛙算法等技术对医院的绩效管理进行优化,以提高医院的绩效和效率。
这个基于大数据的医院绩效管理系统可以帮助医院管理者更好地理解医院的运营情况,找出关键影响因素,并优化医院的绩效管理,从而提高医院的服务质量和运营效率。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,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、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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。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,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的一种基于大数据的医院绩效管理方法及系统进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (9)
1.一种基于大数据的医院绩效管理方法,其特征在于,所述方法包括:
步骤S1:收集医院业务数据,并对业务数据进行数据清洗,得到清洗后数据;
步骤S2:整合清洗后数据,将其存储在数据仓库中;
步骤S3:使用预设的分析模型对数据仓库进行分析,找出影响医院绩效的关键影响因素;
步骤S4:基于得到关键影响因素,对医院的绩效管理进行优化;具体包括:使用基于稀疏矩阵的跳蛙算法,对医院的绩效管理进行优化;所述基于稀疏矩阵的跳蛙算法的执行过程包括:进行稀疏矩阵构建,具体包括:将每个关键影响因素作为矩阵的列向量,将不同时间点的关键影响因素作为矩阵的行向量,用矩阵表示,即:
;
其中,表示第/>个关键影响因素在不同时间点的取值,/>表示关键影响因素的数量;执行跳蛙算法优化,具体包括:将医院的绩效指标表示为目标函数,将关键影响因素表示为优化变量,利用跳蛙算法进行求解;具体地,假设有/>个绩效指标,所述绩效指标的权重分别用/>表示,目标函数表示为:
其中,表示关键影响因素的取值,/>表示不同绩效指标对应的优化函数,/>表示不同绩效指标的权重;所述步骤S3使用预设的分析模型对数据仓库进行分析,找出影响医院绩效的关键影响因素的方法包括:步骤S3.1:将数据仓库中存储的医院业务数据构建成一个有向带权图,其中节点表示指标,边表示指标之间的关系,边的权重表示两个指标之间的关系强度;步骤S3.2:寻找关键值并提取与关键值相关的最短路径,包括:首先选择一个起始节点,将起始节点到其他节点的距离初始化为一个超过设定阈值的数,然后从起始节点开始遍历有向带权图,更新起始节点到其他节点的距离,并记录最短路径;步骤S3.3:根据最短路径提取关键值作为影响医院绩效的关键影响因素。
2.如权利要求1所述的方法,其特征在于,所述基于稀疏矩阵的跳蛙算法进行求解目标函数的过程包括:初始化种群:首先,随机生成一组跳蛙,用矩阵表示第/>只跳蛙,即:
;
其中,表示关键影响因素在不同时间点的取值;
计算适应度值:将每只跳蛙的矩阵代入目标函数/>中计算适应度值,即:
;
其中,表示第只跳蛙的适应度值;
更新跳蛙位置:根据跳蛙个体的适应度值,按照设定的规则更新跳蛙的位置,即:
;
其中,分别表示当前最优解、次优解和最差解对应的跳蛙向量,/>表示一个随机系数,/>表示当前迭代次数;更新适应度值:将更新后的跳蛙位置代入目标函数中计算适应度值;迭代搜索:重复执行更新跳蛙位置的步骤和更新适应度值的步骤,直到满足停止迭代的条件。
3.如权利要求1所述的方法,其特征在于,所述医院的业务数据至少包括:患者数量、门诊量、住院量、手术量、药品使用量、医疗器械使用量和财务收支。
4.如权利要求3所述的方法,其特征在于,所述步骤S1中对业务数据进行数据清洗的方法包括:
步骤S1.1:执行数据预处理,包括:将收集到的医院业务数据,进行数据预处理,包括去除缺失值、去除异常值和去除重复值;
步骤S1.2:执行数据建模,包括:将预处理后的数据作为输入,使用马尔科夫链模型对数据进行建模和预测;
步骤S1.3:执行异常值检测,包括:使用马尔科夫链模型对数据进行建模后,利用模型对数据进行异常值检测;
步骤S1.4:执行错误值纠正,包括:在检测到异常值后,对其进行纠正;
步骤S1.5:执行数据更新,包括:在纠正错误值后,将数据更新到原始数据序列中。
5.如权利要求4所述的方法,其特征在于,步骤S2:整合清洗后数据,将其存储在数据仓库中的方法包括:将清洗后数据作为输入,使用马尔科夫链模型对数据之间的关联关系进行建模和预测;具体地,假设有个种类的业务数据,分别用/>表示,其中每个指标都是一个序列,用/>表示;则使用多元马尔科夫链模型来描述数据之间的关联关系,具体地,假设每个指标的状态集合为/>,则多元马尔科夫链模型表示为:
其中,表示在给定前/>个指标的情况下,预测第/>个指标的概率;使用马尔科夫链模型对清洗后的数据进行建模后,利用马尔科夫链模型对数据进行整合,得到每个指标之间的关联关系;具体地,根据模型预测每个指标的状态,然后将不同指标在同一时间的状态整合到一个向量中,即得到整合后的数据;将整合后的数据存储在数据仓库中。
6.如权利要求1所述的方法,其特征在于,所述有向带权图通过图的邻接矩阵来表示,即:
;
其中,表示从指标/>到指标/>的关系强度,/>表示指标的数量;在寻找关键值并提取与关键值相关的最短路径时,首先选择一个起始节点,将起始节点到其他节点的距离初始化为一个超过设定阈值的数,然后从起始节点开始遍历有向带权图,更新起始节点到其他节点的距离,并记录最短路径;假设选择节点/>作为起始节点,从/>节点到其他节点的距离表示为/>,则有:初始化距离:
;
其中,表示超过设定阈值的数;
更新距离:对于节点的所有出边/>,更新节点/>的距离
;
其中,表示从节点/>到节点/>的距离,/>表示起始节点/>到节点/>的距离,表示起始节点/>到节点/>的距离;使用前驱节点数组来记录起始节点/>到其他节点的最短路径;再根据最短路径提取关键值,设置一个盘判别阈值/>,将最短路径中权重大于/>的边所连接的两个节点作为关键值。
7.如权利要求6所述的方法,其特征在于,所述前驱节点数组的定义为:在有向无环图中,如果存在一条从节点到节点/>的有向边,那么节点/>就是节点/>的后继节点,节点/>就是节点/>的前驱节点;前驱节点数组就是用来记录每个节点的前驱节点的数组,其公式表达如下:
;
其中表示节点/>的前驱节点集合,/>表示有向无环图的边集合,该公式表示对于每个节点/>,/>包含所有能够到达节点/>的节点/>的集合。
8.如权利要求1所述的方法,其特征在于,所述步骤S4中对医院的绩效管理进行优化的方法包括:根据确定的关键影响因素,确定影响医院的关键目标;所述关键影响因素定义为影响绩效的关键因素;所述关键目标定义为该影响绩效的关键因素对应的医院执行主体;根据关键目标,对对应的医院执行主体制定绩效优化策略。
9.一种基于大数据的医院绩效管理系统,其特征在于,该系统包括:数据采集模块,用于收集医院的业务数据;
数据清洗模块,用于对业务数据进行数据清洗;
数据仓库模块,用于整合所收集到的业务数据,并将其存储在数据仓库中;
分析模型模块,用于使用预设的分析模型对数据仓库进行分析,找出影响医院绩效的关键影响因素;
绩效管理模块,用于基于得到关键影响因素,对医院的绩效管理进行优化;
所述绩效管理模块,基于得到关键影响因素,对医院的绩效管理进行优化的过程,具体包括:使用基于稀疏矩阵的跳蛙算法,对医院的绩效管理进行优化;所述基于稀疏矩阵的跳蛙算法的执行过程包括:进行稀疏矩阵构建,具体包括:将每个关键影响因素作为矩阵的列向量,将不同时间点的关键影响因素作为矩阵的行向量,用矩阵表示,即:
;
其中,表示第/>个关键影响因素在不同时间点的取值,/>表示关键影响因素的数量;执行跳蛙算法优化,具体包括:将医院的绩效指标表示为目标函数,将关键影响因素表示为优化变量,利用跳蛙算法进行求解;具体地,假设有/>个绩效指标,所述绩效指标的权重分别用/>表示,目标函数表示为:
其中,表示关键影响因素的取值,/>表示不同绩效指标对应的优化函数,/>表示不同绩效指标的权重;
所述分析模型模块,使用预设的分析模型对数据仓库进行分析,找出影响医院绩效的关键影响因素的过程,具体包括:将数据仓库中存储的医院业务数据构建成一个有向带权图,其中节点表示指标,边表示指标之间的关系,边的权重表示两个指标之间的关系强度;寻找关键值并提取与关键值相关的最短路径,包括:首先选择一个起始节点,将起始节点到其他节点的距离初始化为一个超过设定阈值的数,然后从起始节点开始遍历有向带权图,更新起始节点到其他节点的距离,并记录最短路径;根据最短路径提取关键值作为影响医院绩效的关键影响因素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310347051.0A CN116092655B (zh) | 2023-04-04 | 2023-04-04 | 一种基于大数据的医院绩效管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310347051.0A CN116092655B (zh) | 2023-04-04 | 2023-04-04 | 一种基于大数据的医院绩效管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116092655A CN116092655A (zh) | 2023-05-09 |
CN116092655B true CN116092655B (zh) | 2023-07-21 |
Family
ID=86199497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310347051.0A Active CN116092655B (zh) | 2023-04-04 | 2023-04-04 | 一种基于大数据的医院绩效管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116092655B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111180053A (zh) * | 2019-12-20 | 2020-05-19 | 清远市中医院 | 一种医院绩效信息处理方法、系统、装置及存储介质 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120191465A1 (en) * | 2011-01-21 | 2012-07-26 | General Electric Company | System and method for analyzing hospital data |
US20150178451A1 (en) * | 2013-12-24 | 2015-06-25 | General Electric Company | System and method for hospital performance measures |
CN103745424A (zh) * | 2014-02-14 | 2014-04-23 | 上海市东方医院(同济大学附属东方医院) | 医院综合绩效信息处理系统及其方法 |
CN106874693A (zh) * | 2017-03-15 | 2017-06-20 | 国信优易数据有限公司 | 一种医疗大数据分析处理系统及方法 |
CN110119432B (zh) * | 2019-03-29 | 2023-05-05 | 中国人民解放军总医院 | 一种用于医疗平台的数据处理方法 |
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 |
CN111881193B (zh) * | 2020-06-12 | 2022-08-05 | 福建亿能达信息技术股份有限公司 | 一种基于机器学习的绩效方案测算系统、设备及介质 |
CN112115191B (zh) * | 2020-09-22 | 2022-02-15 | 南京北斗创新应用科技研究院有限公司 | 一种大数据etl模型执行的分支优化方法 |
CN113903439A (zh) * | 2021-10-12 | 2022-01-07 | 北京思普科软件股份有限公司 | 基于大数据的医院运营分析系统 |
CN114819521A (zh) * | 2022-03-31 | 2022-07-29 | 合肥工业大学 | 基于drg数据驱动的医疗绩效管理信息系统 |
-
2023
- 2023-04-04 CN CN202310347051.0A patent/CN116092655B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111180053A (zh) * | 2019-12-20 | 2020-05-19 | 清远市中医院 | 一种医院绩效信息处理方法、系统、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116092655A (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9542412B2 (en) | Method and system for large scale data curation | |
US7739082B2 (en) | System and method for anomaly detection | |
US8990145B2 (en) | Probabilistic data mining model comparison | |
US20180082215A1 (en) | Information processing apparatus and information processing method | |
CN109801687B (zh) | 一种面向健康领域的因果关系知识库的构建方法和系统 | |
WO2021103624A1 (zh) | 一种脓毒血症的预警装置、设备及存储介质 | |
Karrar | The effect of using data pre-processing by imputations in handling missing values | |
US11101021B2 (en) | Electronic phenotyping technique for diagnosing chronic kidney disease | |
Izsó et al. | Towards precise metrics for predicting graph query performance | |
Kouros et al. | Jcaliper: search-based technical debt management | |
US8650180B2 (en) | Efficient optimization over uncertain data | |
Wang et al. | BoXHED: Boosted eXact hazard estimator with dynamic covariates | |
Qudsi et al. | Predictive data mining of chronic diseases using decision tree: A case study of health insurance company in Indonesia | |
Özkan et al. | Effect of data preprocessing on ensemble learning for classification in disease diagnosis | |
CN116092655B (zh) | 一种基于大数据的医院绩效管理方法及系统 | |
Theron | The use of data mining for predicting injuries in professional football players | |
Bhat et al. | An efficient prediction model for diabetic database using soft computing techniques | |
CN111383123A (zh) | 临床医疗开销的统计方法、装置、存储介质及电子设备 | |
Xu et al. | A deep learning model incorporating knowledge representation vectors and its application in diabetes prediction | |
US20090156947A1 (en) | Knowledgebased image informatics system and method | |
WO2021103623A1 (zh) | 一种脓毒血症的预警装置、设备及存储介质 | |
Restat et al. | Towards a Holistic Data Preparation Tool. | |
CN107644147A (zh) | 从多个结果确定充分原因的系统和方法 | |
CN112860652A (zh) | 作业状态预测方法、装置和电子设备 | |
Mylavarapu et al. | Assessing context-aware data consistency |
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 |