CN116230191B - 一种输注类医疗耗材的智能管理方法及系统 - Google Patents

一种输注类医疗耗材的智能管理方法及系统 Download PDF

Info

Publication number
CN116230191B
CN116230191B CN202310510197.2A CN202310510197A CN116230191B CN 116230191 B CN116230191 B CN 116230191B CN 202310510197 A CN202310510197 A CN 202310510197A CN 116230191 B CN116230191 B CN 116230191B
Authority
CN
China
Prior art keywords
consumable
data
model
inventory
state monitoring
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
CN202310510197.2A
Other languages
English (en)
Other versions
CN116230191A (zh
Inventor
刘忠
吴达
文海
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.)
Shenzhen Pulang Medical Technology Co ltd
Original Assignee
Shenzhen Pulang Medical Technology Development 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 Shenzhen Pulang Medical Technology Development Co ltd filed Critical Shenzhen Pulang Medical Technology Development Co ltd
Priority to CN202310510197.2A priority Critical patent/CN116230191B/zh
Publication of CN116230191A publication Critical patent/CN116230191A/zh
Application granted granted Critical
Publication of CN116230191B publication Critical patent/CN116230191B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/24—Reminder alarms, e.g. anti-loss alarms
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Emergency Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Epidemiology (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Infusion, Injection, And Reservoir Apparatuses (AREA)

Abstract

本发明涉及智慧医疗领域，公开了一种输注类医疗耗材的智能管理方法及系统，用于实现输注类医疗耗材的智能管理并提高输注类医疗耗材管理的准确率。方法包括：根据耗材历史曲线创建得到多个第一耗材数据模型；对多个第一耗材数据模型进行状态监控指标计算，得到状态监控指标，并根据状态监控指标生成目标状态监控向量；将目标状态监控向量输入耗材状态分析模型集进行耗材状态分析，得到耗材状态分析结果、耗材库存安全预测值以及耗材使用安全预测值；根据耗材状态分析结果、耗材库存安全预测值以及耗材使用安全预测值进行数据模型优化，得到多个第二耗材数据模型；通过多个第二耗材数据模型生成目标安全预警信息。

Description

一种输注类医疗耗材的智能管理方法及系统
技术领域
本发明涉及智慧医疗领域，尤其涉及一种输注类医疗耗材的智能管理方法及系统。
背景技术
目前，随着医疗水平的不断提高及人们健康意识的增强，各种医疗设备和耗材也在不断更新换代。在智能医疗耗材仓库中，输注类医疗耗材是一种必需的物资，而其使用效率和安全性对医疗质量存在影响。
由于该类耗材数量众多且使用频率较高，传统的管理方式往往无法满足对其精准管理的要求，容易出现耗材丢失、过期等问题，从而影响医疗效果，即现有方案的耗材管理准确率较低。
发明内容
本发明提供了一种输注类医疗耗材的智能管理方法及系统，用于实现输注类医疗耗材的智能管理并提高输注类医疗耗材管理的准确率。
本发明第一方面提供了一种输注类医疗耗材的智能管理方法，所述输注类医疗耗材的智能管理方法包括：
获取智能医疗耗材仓库中输注类医疗耗材的历史库存数据和历史使用数据，并根据所述历史库存数据和所述历史使用数据生成耗材历史曲线；
根据所述耗材历史曲线创建多个初始耗材数据模型，并通过所述多个初始耗材数据模型对所述智能医疗耗材仓库进行耗材数据周期监控，得到多个第一耗材数据模型；
对所述多个第一耗材数据模型进行状态监控指标计算，得到每个第一耗材数据模型的状态监控指标，并根据所述状态监控指标生成对应的目标状态监控向量；
将所述目标状态监控向量输入预置的耗材状态分析模型集进行耗材状态分析，得到耗材状态分析结果、耗材库存安全预测值以及耗材使用安全预测值；
根据所述耗材状态分析结果、所述耗材库存安全预测值以及所述耗材使用安全预测值生成耗材管理方案，并根据所述耗材管理方案对所述多个第一耗材数据模型进行数据模型优化，得到多个第二耗材数据模型；
通过所述多个第二耗材数据模型对所述智能医疗耗材仓库进行耗材全生命周期监控和耗材数据安全预警，生成目标安全预警信息。
结合第一方面，在本发明第一方面的第一实施方式中，所述获取智能医疗耗材仓库中输注类医疗耗材的历史库存数据和历史使用数据，并根据所述历史库存数据和所述历史使用数据生成耗材历史曲线，包括：
获取智能医疗耗材仓库中输注类医疗耗材的至少一个耗材种类信息；
根据所述至少一个耗材种类信息，从预置的耗材管理数据库中获取所述输注类医疗耗材的历史库存数据和历史使用数据；
计算所述历史库存数据的库存量之和，并计算所述库存量之和对应的第一加权平均值，以及获取第一平滑因子，根据所述加权平均值和所述第一平滑因子构建库存量分析曲线；
计算所述历史使用数据的使用量之和，并计算所述使用量之和对应的第二加权平均值，以及获取第二平滑因子，根据所述第二加权平均值和所述第二平滑因子构建使用量分析曲线；
将所述库存量分析曲线和所述使用量分析曲线作为耗材历史曲线。
结合第一方面，在本发明第一方面的第二实施方式中，所述根据所述耗材历史曲线创建多个初始耗材数据模型，并通过所述多个初始耗材数据模型对所述智能医疗耗材仓库进行耗材数据周期监控，得到多个第一耗材数据模型，包括：
基于预设的监控周期时长，对所述耗材历史曲线进行曲线数据划分，得到多个子曲线数据；
对所述多个子曲线数据进行数据模型转换，得到对应的多个初始耗材数据模型；
对所述智能医疗耗材仓库进行耗材数据周期监控，并通过所述多个初始耗材数据模型进行数据融合，得到多个第一耗材数据模型。
结合第一方面，在本发明第一方面的第三实施方式中，所述对所述多个第一耗材数据模型进行状态监控指标计算，得到每个第一耗材数据模型的状态监控指标，并根据所述状态监控指标生成对应的目标状态监控向量，包括：
对所述多个第一耗材数据模型进行状态监控指标计算，得到每个第一耗材数据模型的状态监控指标；
对每个第一耗材数据模型的状态监控指标进行数值映射，得到每个状态监控指标的目标数值；
对每个状态监控指标的目标数值进行向量转换，得到对应的目标状态监控向量。
结合第一方面，在本发明第一方面的第四实施方式中，所述将所述目标状态监控向量输入预置的耗材状态分析模型集进行耗材状态分析，得到耗材状态分析结果、耗材库存安全预测值以及耗材使用安全预测值，包括：
将所述目标状态监控向量输入预置的耗材状态分析模型集，其中，所述耗材状态分析模型集包括：耗材状态分析模型、耗材库存预测模型以及耗材使用预测模型；
通过所述耗材状态分析模型对所述目标状态监控向量进行耗材状态分析，得到耗材状态分析结果；
通过所述耗材库存预测模型对所述目标状态监控向量进行耗材库存预测，得到耗材库存安全预测值；
通过所述耗材使用预测模型对所述目标状态监控向量进行耗材使用预测，得到耗材使用安全预测值。
结合第一方面，在本发明第一方面的第五实施方式中，所述根据所述耗材状态分析结果、所述耗材库存安全预测值以及所述耗材使用安全预测值生成耗材管理方案，并根据所述耗材管理方案对所述多个第一耗材数据模型进行数据模型优化，得到多个第二耗材数据模型，包括：
根据所述耗材状态分析结果、所述耗材库存安全预测值以及所述耗材使用安全预测值生成耗材管理方案；
根据所述耗材管理方案，匹配对应的参数权重集合；
根据所述参数权重集合，计算所述多个第一耗材数据模型的拟合优度；
根据所述拟合优度和所述耗材管理方案，对所述多个第一耗材数据模型进行数据模型优化，得到多个第二耗材数据模型。
结合第一方面，在本发明第一方面的第六实施方式中，所述通过所述多个第二耗材数据模型对所述智能医疗耗材仓库进行耗材全生命周期监控和耗材数据安全预警，生成目标安全预警信息，包括：
对所述智能医疗耗材仓库进行耗材全生命周期监控，得到全生命周期监控数据；
基于所述多个第二耗材数据模型对所述全生命周期监控数据进行数据模型映射计算，得到耗材库存实际值以及耗材使用实际值；
根据所述耗材库存安全预测值以及所述耗材库存实际值，生成第一预警信息，以及根据所述耗材使用安全预测值以及所述耗材使用实际值，生成第二预警信息；
对所述第一预警信息和所述第二预警信息进行预警信息融合，生成目标安全预警信息。
本发明第二方面提供了一种输注类医疗耗材的智能管理系统，所述输注类医疗耗材的智能管理系统包括：
获取模块，用于获取智能医疗耗材仓库中输注类医疗耗材的历史库存数据和历史使用数据，并根据所述历史库存数据和所述历史使用数据生成耗材历史曲线；
创建模块，用于根据所述耗材历史曲线创建多个初始耗材数据模型，并通过所述多个初始耗材数据模型对所述智能医疗耗材仓库进行耗材数据周期监控，得到多个第一耗材数据模型；
计算模块，用于对所述多个第一耗材数据模型进行状态监控指标计算，得到每个第一耗材数据模型的状态监控指标，并根据所述状态监控指标生成对应的目标状态监控向量；
分析模块，用于将所述目标状态监控向量输入预置的耗材状态分析模型集进行耗材状态分析，得到耗材状态分析结果、耗材库存安全预测值以及耗材使用安全预测值；
优化模块，用于根据所述耗材状态分析结果、所述耗材库存安全预测值以及所述耗材使用安全预测值生成耗材管理方案，并根据所述耗材管理方案对所述多个第一耗材数据模型进行数据模型优化，得到多个第二耗材数据模型；
生成模块，用于通过所述多个第二耗材数据模型对所述智能医疗耗材仓库进行耗材全生命周期监控和耗材数据安全预警，生成目标安全预警信息。
本发明提供的技术方案中，根据耗材历史曲线创建得到多个第一耗材数据模型；对多个第一耗材数据模型进行状态监控指标计算，得到状态监控指标，并根据状态监控指标生成目标状态监控向量；将目标状态监控向量输入耗材状态分析模型集进行耗材状态分析，得到耗材状态分析结果、耗材库存安全预测值以及耗材使用安全预测值；根据耗材状态分析结果、耗材库存安全预测值以及耗材使用安全预测值进行数据模型优化，得到多个第二耗材数据模型；通过多个第二耗材数据模型生成目标安全预警信息，本发明通过构建历史库存数据和历史使用数据的数据模型，进而实现耗材状态分析模型集进行耗材状态分析，提高了耗材的库存分析准确率和使用异常检测的准确率，进而实现了输注类医疗耗材的智能管理，并提高了输注类医疗耗材管理的准确率。
附图说明
图1为本发明实施例中输注类医疗耗材的智能管理方法的一个实施例示意图；
图2为本发明实施例中耗材数据周期监控的流程图；
图3为本发明实施例中状态监控指标计算的流程图；
图4为本发明实施例中耗材状态分析的流程图；
图5为本发明实施例中输注类医疗耗材的智能管理系统的一个实施例示意图。
具体实施方式
本发明实施例提供了一种输注类医疗耗材的智能管理方法及系统，用于实现输注类医疗耗材的智能管理并提高输注类医疗耗材管理的准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中输注类医疗耗材的智能管理方法的一个实施例包括：
S101、获取智能医疗耗材仓库中输注类医疗耗材的历史库存数据和历史使用数据，并根据历史库存数据和历史使用数据生成耗材历史曲线；
可以理解的是，本发明的执行主体可以为输注类医疗耗材的智能管理系统，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，服务器获取智能医疗耗材仓库中输注类医疗耗材的至少一个耗材种类信息。其中，至少一个耗材种类信息在预置的耗材管理数据库中提取识别，然后根据至少一个耗材种类信息，服务器从数据库中获取所需的历史库存数据和历史使用数据。服务器计算历史库存数据的库存量之和，并计算该库存量对应的第一加权平均数。其中，服务器先计算第一平滑因子，用于构建库存量分析曲线。通过构建库存量分析曲线可以准确地了解库存量在特定时间段内的变化趋势。服务器计算历史使用数据的使用量之和，并计算该使用量对应的第二加权平均数。服务器获取第二平滑因子，构建使用量分析曲线。使用量分析曲线能够准确的呈现在特定时间段内智能医疗耗材仓库使用了多少耗材，实现更好地预测未来的需求。服务器将库存量分析曲线和使用量分析曲线组合在一起，形成耗材历史曲线。耗材历史曲线显示了特定时间段内耗材的库存量和使用量的变化趋势。
S102、根据耗材历史曲线创建多个初始耗材数据模型，并通过多个初始耗材数据模型对智能医疗耗材仓库进行耗材数据周期监控，得到多个第一耗材数据模型；
具体的，服务器基于预设的监控周期时长，对耗材历史曲线进行曲线数据划分，从而得到多个子曲线数据。例如，如果监控周期为一周，那么可以将历史曲线按照每周进行划分。服务器对每个子曲线数据进行数据模型转换，从而得到初始耗材数据模型。数据模型转换通常包括平滑处理、趋势分析和周期分解等步骤。其中，平滑处理是指用平均数或加权平均数等方式去除噪声和突变等异常点，使数据更加平稳；趋势分析是指利用回归分析等方法来寻找数据的趋势，判断其是否具有上升、下降或平稳的趋势；周期分解是指将数据分解成长期趋势、短期波动和季节变化等多个部分，进而得到每个子曲线对应的初始耗材数据模型。服务器对智能医疗耗材仓库进行耗材数据周期监控，并使用这些初始耗材数据模型进行数据融合。数据融合是指将多个初始耗材数据模型进行整合，得到更加准确的第一耗材数据模型。在此过程中服务器利用监控数据和初始数据模型进行校正，即通过比较实际的监控数据和预测值之间的差异，调整和优化初始耗材数据模型。
S103、对多个第一耗材数据模型进行状态监控指标计算，得到每个第一耗材数据模型的状态监控指标，并根据状态监控指标生成对应的目标状态监控向量；
需要说明的是，服务器定义状态监控指标。根据智能医疗耗材仓库的实际情况，确定需要监控的状态指标，例如：耗材使用量、库存水平、过期品数量等。每个指标都应该具有明确的含义和计算方法。服务器计算状态监控指标。对于已经构建好的第一耗材数据模型，可以利用历史和当前数据进行预测，并计算出相应的状态监控指标。具体包括：（1）获取监控周期内的历史数据；（2）利用第一耗材数据模型进行未来数据预测；（3）根据预测结果计算各个状态监控指标的值。服务器映射状态监控指标。由于不同的状态监控指标可能具有不同的量纲和单位，因此需要将它们映射到一个统一的数值范围内。本实施例采用线性映射方法，将每个状态监控指标的取值范围映射到[0,1]的区间内。例如，对于耗材使用量指标，可以根据历史数据计算出最大值和最小值，然后将当前值映射到[0,1]的范围内。服务器生成目标状态监控向量。根据已经映射好的状态监控指标值，可以生成目标状态监控向量。这里采用权重分配方法，为每个状态监控指标分配一个权重，并将所有指标的加权平均值作为目标状态监控向量的值。权重的分配应该根据实际情况进行调整，以反映不同指标对仓库状态的重要程度。服务器实时监控仓库状态。利用生成的目标状态监控向量，可以实时监控仓库状态，并及时发现异常情况。服务器将目标状态监控向量与仓库实际状态进行比较，如果两者之间的差异超过一定阈值，则认为仓库状态存在异常，并需要考虑采取相应的措施来处理，进而实现对多个第一耗材数据模型的状态监控指标计算和目标状态监控向量的生成。
S104、将目标状态监控向量输入预置的耗材状态分析模型集进行耗材状态分析，得到耗材状态分析结果、耗材库存安全预测值以及耗材使用安全预测值；
具体的，服务器通过耗材状态分析模型集对目标状态监控向量进行处理，得到各个耗材的状态信息，库存水平和使用情况等，并对其进行分析和预测。下面对耗材状态分析模型集中所包含的三个模型进行详细说明。首先，耗材状态分析模型是耗材管理系统中的一个核心模型。它主要用于对耗材使用情况和库存信息进行分析，以便及时发现异常情况。耗材状态分析模型基于历史数据，采用统计学和机器学习等方法分析耗材的使用规律和库存变化趋势，进而对当前状态进行分析和预测。例如，在检测到某个耗材使用量异常时，通过耗材状态分析模型对其之前的使用情况进行分析，找出异常原因并提供相应建议。其次，耗材库存预测模型是耗材管理系统中的另一个关键模型。耗材库存预测模型主要用于预测各个耗材的库存水平，并提供相应的库存安全预测值。耗材库存预测模型基于历史库存数据和相关因素（例如季节性、业务需求等），采用时间序列分析、回归分析等方法，对未来一段时间内的耗材库存进行预测。最后，耗材使用预测模型是耗材管理系统中的第三个重要模型。耗材使用预测模型主要用于预测各个耗材的使用情况，并提供相应的使用安全预测值。耗材使用预测模型基于历史的耗材使用数据和相关因素（例如人员安排、工作量等），采用时间序列分析、回归分析等方法，对未来一段时间内的耗材使用情况进行预测。例如，在智能医疗耗材仓库计划输液时，可以通过该模型预测耗材使用情况，以确保手术所需耗材足够且不会过多浪费。具体的，服务器将目标状态监控向量输入预置的耗材状态分析模型集，分别经过上述三个模型的处理，得到耗材状态分析结果、耗材库存安全预测值以及耗材使用安全预测值。
S105、根据耗材状态分析结果、耗材库存安全预测值以及耗材使用安全预测值生成耗材管理方案，并根据耗材管理方案对多个第一耗材数据模型进行数据模型优化，得到多个第二耗材数据模型；
具体的，服务器通过耗材状态分析结果、耗材库存安全预测值和耗材使用安全预测值，生成耗材管理方案。耗材管理方案考虑当前的库存水平、使用情况以及未来的需求变化等因素，并提出相应的管理措施，例如增加库存、调整采购计划等。服务器根据耗材管理方案，匹配对应的参数权重集合。这些参数权重集合被用于计算各个第一耗材数据模型的拟合优度。这里的第一耗材数据模型指的是用于预测耗材使用情况和库存水平的基础模型，例如ARIMA模型等。服务器通过计算拟合优度，得到各个模型的预测结果与实际数据之间的差距，并确定哪些模型更适合当前的管理方案。服务器根据拟合优度和耗材管理方案，对多个第一耗材数据模型进行数据模型优化，得到多个第二耗材数据模型。其中，第二耗材数据模型将考虑当前的管理方案和参数权重集合，并更好地预测未来的耗材使用情况和库存水平。例如，在一个具体的实施例中，假设需要管理智能医疗耗材仓库中的一种输注类药品的库存和使用情况。首先收集历史和当前的药品库存和使用数据，并使用ARIMA模型进行预测。然后，基于预测结果、当前库存水平和未来需求变化，生成一个耗材管理方案，提出相应的管理措施。接着，匹配相应的参数权重集合，并根据拟合优度和管理方案，对多个ARIMA模型进行优化，得到多个新的ARIMA模型。
S106、通过多个第二耗材数据模型对智能医疗耗材仓库进行耗材全生命周期监控和耗材数据安全预警，生成目标安全预警信息。
具体的，服务器进行耗材全生命周期监控：通过智能医疗耗材仓库的监控系统对耗材的全生命周期进行监控，将相关数据收集并整合，以了解其实际使用情况、库存水平和未来需求变化等因素。服务器进行数据模型映射计算：基于多个第二耗材数据模型，对全生命周期监控数据进行数据模型映射计算，以获得更精确的耗材库存实际值和耗材使用实际值。这些数据将有助于更好地预测耗材使用情况和库存水平，并制定相应的采购计划和补货方案。安全预警信息生成：根据耗材库存安全预测值以及耗材库存实际值，结合历史数据和未来需求变化等因素，生成第一预警信息，提示当前库存水平是否安全。同时，服务器根据耗材使用安全预测值以及耗材使用实际值，结合历史使用情况和未来需求预测等因素，生成第二预警信息，提示当前耗材使用情况是否安全。服务器进行预警信息融合：对第一预警信息和第二预警信息进行预警信息融合，综合考虑库存水平和耗材使用情况等多个因素，以生成目标安全预警信息。目标安全预警信息将提供更全面的耗材管理建议和采购计划。
本发明实施例中，根据耗材历史曲线创建得到多个第一耗材数据模型；对多个第一耗材数据模型进行状态监控指标计算，得到状态监控指标，并根据状态监控指标生成目标状态监控向量；将目标状态监控向量输入耗材状态分析模型集进行耗材状态分析，得到耗材状态分析结果、耗材库存安全预测值以及耗材使用安全预测值；根据耗材状态分析结果、耗材库存安全预测值以及耗材使用安全预测值进行数据模型优化，得到多个第二耗材数据模型；通过多个第二耗材数据模型生成目标安全预警信息，本发明通过构建历史库存数据和历史使用数据的数据模型，进而实现耗材状态分析模型集进行耗材状态分析，提高了耗材的库存分析准确率和使用异常检测的准确率，进而实现了输注类医疗耗材的智能管理，并提高了输注类医疗耗材管理的准确率。
在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：
（1）获取智能医疗耗材仓库中输注类医疗耗材的至少一个耗材种类信息；
（2）根据至少一个耗材种类信息，从预置的耗材管理数据库中获取输注类医疗耗材的历史库存数据和历史使用数据；
（3）计算历史库存数据的库存量之和，并计算库存量之和对应的第一加权平均值，以及获取第一平滑因子，根据加权平均值和第一平滑因子构建库存量分析曲线；
（4）计算历史使用数据的使用量之和，并计算使用量之和对应的第二加权平均值，以及获取第二平滑因子，根据第二加权平均值和第二平滑因子构建使用量分析曲线；
（5）将库存量分析曲线和使用量分析曲线作为耗材历史曲线。
需要说明的是，第一平滑因子是指用于构建库存量分析曲线的平滑系数，通常表示为α。第一平滑因子是一个介于0和1之间的数字，用于平衡历史数据与新数据的权重。构建库存量分析曲线的过程包括：计算历史库存数据的库存量之和，表示为S；计算库存量数据的第一加权平均数（或移动平均数），初值设为S/N，其中N表示历史数据的数量；确定第一平滑因子α的值，通常取0.2~0.3之间。此处假设α=0.3；对于每个时间段的库存量数据，使用以下公式计算加权平均数：当前时间段的加权平均数=αx当前时间段的库存量+(1-α)x上一个时间段的加权平均数，重复这一步骤，直到计算出所有时间段的加权平均数。服务器将计算出的加权平均数绘制在时间轴上，即可得到库存量分析曲线。例如，如果有5个时间段的历史库存数据分别为100、150、200、180、250，那么库存量之和为880，历史数据数量为5，第一平滑因子为0.3，计算如下：第一加权平均数=(100+150+200+180+250)/5=176；第二个时间段的加权平均数=0.3x150+0.7x176=164.2；第三个时间段的加权平均数=0.3x200+0.7x164.2=182.34。重复计算直到得到所有时间段的加权平均数。最终得到的加权平均数（即第五个时间段的加权平均数）为247.23，即为库存量之和对应的第一加权平均值。进一步地，第二平滑因子是指用于构建使用量分析曲线的平滑系数，通常表示为β。第二平滑因子与第一平滑因子α类似，也是一个介于0和1之间的数字，用于平衡历史数据与新数据的权重。使用量分析曲线的构建过程如下：计算历史使用数据的使用量之和，表示为Y。计算使用量数据的第二加权平均数（或移动平均数），初值设为Y/N，其中N表示历史数据的数量。确定第二平滑因子β的值，通常取0.1~0.3之间。此处假设β=0.2。对于每个时间段的使用量数据，使用以下公式计算加权平均数：当前时间段的加权平均数=βx当前时间段的使用量+(1-β)x上一个时间段的加权平均数，重复这一步骤，直到计算出所有时间段的加权平均数。将计算出的加权平均数绘制在时间轴上，即可得到使用量分析曲线。例如，如果有5个时间段的历史使用数据分别为50、70、80、90、100，那么使用量之和为390，历史数据数量为5，第二平滑因子为0.2，计算如下：第二加权平均数=(50+70+80+90+100)/5=78，第二个时间段的加权平均数=0.2x70+0.8x78=76.4，第三个时间段的加权平均数=0.2x80+0.8x76.4=78.72，重复计算直到得到所有时间段的加权平均数。最终得到的加权平均数（即第五个时间段的加权平均数）为91.97，即为使用量之和对应的第二加权平均数。
在一具体实施例中，如图2所示，执行步骤S102的过程可以具体包括如下步骤：
S201、基于预设的监控周期时长，对耗材历史曲线进行曲线数据划分，得到多个子曲线数据；
S202、对多个子曲线数据进行数据模型转换，得到对应的多个初始耗材数据模型；
S203、对智能医疗耗材仓库进行耗材数据周期监控，并通过多个初始耗材数据模型进行数据融合，得到多个第一耗材数据模型。
具体的，服务器收集历史耗材数据。例如，假设要预测明年某个智能医疗耗材仓库的输注类耗材需求量，那么需要收集这个智能医疗耗材仓库过去几年的输注类耗材使用量数据，如下：（时间，使用量），（2020，800），（2019，750），（2018，700），（2017，650），（2016，600）。服务器进行平滑处理。平滑处理是将历史数据中的噪声和突变点平滑掉，使得数据更加平稳。这里采用移动加权平均法进行平滑处理。首先选择一个移动窗口大小，比如3，然后按照下面的公式计算加权平均数：当前时间段的加权平均数=(αx当前时间段的使用量)+((1-α)x上一个时间段的加权平均数)，其中，α是第一平滑系数（一般取0.2~0.3），(1-α)是第二平滑系数。对于第一个时间段的数据，由于没有历史数据可用，需要先取前三个数据的平均值作为初始值。例如，按照上述方法对2016年至2020年的输注类耗材使用量数据进行平滑处理，得到如下所示：时间、使用量、加权平均数；2016、600、600；2017、650、620；2018、700、665；2019、750、702.5；2020、800、752.75。服务器进行趋势分析。趋势分析是指寻找历史数据的趋势并预测未来的趋势。一种常见的方法是利用回归分析，通过拟合历史数据的线性或非线性模型来预测未来的趋势。本实施例中，通过线性回归分析来预测输注类耗材的使用量趋势，如：使用量=45x年份-86440，进行周期分解。周期分解是指将历史数据分解成长期趋势、短期波动和季节变化等多个部分。这里采用季节性分解方法，将数据分解为趋势、季节和残差三个部分。例如，在本例中可以使用季节性分解方法得到下面的结果：趋势：y=45x-86440，季节：[0,0.1,0.2,-0.3,0]，残差：[-5,10,-15,20,-5]，进行预测。根据上述步骤，已经得到了平滑处理后的历史数据、趋势分析模型和季节性分解结果。现在可以利用这些信息进行未来输注类耗材需求的预测。具体包括：首先，用趋势分析模型来预测未来输注类耗材使用量的长期趋势；其次，利用季节性分解结果来预测未来输注类耗材使用量的季节变化；最后，将两者相加得到未来输注类耗材的总需求量。例如，在本例中可以按照以下步骤进行预测：预测长期趋势：根据趋势模型y=45x-86440，假设现在是2021年，则未来5年（即2022至2026年）的输注类耗材使用量预测为：2022:810；2023:855；2024:900；2025:945；2026:990。服务器预测季节变化：根据季节性分解结果，假设未来5年的季节指数保持不变，那么未来5年的季节变化如下所示：时间、季节变化；2022、0.1；2023、0.2；2024、-0.3；2025、0；2026、0.1；服务器计算总需求量：将长期趋势和季节变化相加得到总需求量，如下所示：时间、使用量 长期趋势、季节变化、总需求；2022、810、0.1、891；2023、855、0.2、1032；2024、900、-0.3、630；2025、945、0、945；2026、990、0.1、1089。服务器通过上述步骤，得到了未来5年输注类耗材的总需求量预测结果。
在一具体实施例中，如图3所示，执行步骤S103的过程可以具体包括如下步骤：
S301、对多个第一耗材数据模型进行状态监控指标计算，得到每个第一耗材数据模型的状态监控指标；
S302、对每个第一耗材数据模型的状态监控指标进行数值映射，得到每个状态监控指标的目标数值；
S303、对每个状态监控指标的目标数值进行向量转换，得到对应的目标状态监控向量。
具体的，服务器收集历史数据：收集每个第一耗材数据模型所需的历史数据。例如，对于一个输注类耗材使用量的数据模型，需要收集过去几年的使用量数据。服务器构建第一耗材数据模型：对于每个耗材，构建对应的第一耗材数据模型。这些模型通常由平滑处理、趋势分析和周期分解等步骤构成。服务器计算状态监控指标：利用已经构建好的第一耗材数据模型，根据历史和当前数据进行预测，并计算出相应的状态监控指标。具体步骤包括：（1）获取监控周期内的历史数据；（2）利用第一耗材数据模型进行未来数据预测；（3）根据预测结果计算各个状态监控指标的值。这些指标的计算方法应该与第一耗材数据模型的构建方法保持一致。服务器得到每个第一耗材数据模型的状态监控指标：对于每个第一耗材数据模型，得到其对应的状态监控指标及其取值。这些指标可以包括耗材使用量、库存水平、过期品数量等。服务器对每个第一耗材数据模型的状态监控指标进行数值映射，可以采用以下方法：确定目标取值范围：对于每个状态监控指标，需要确定其目标取值范围。这个范围应该反映智能医疗耗材仓库希望维持的库存水平、使用量等目标。确定目标数值：根据目标取值范围，确定每个状态监控指标的目标数值。这些目标数值可以在实践中进行调整，以反映不同指标的重要程度和实际情况。计算当前状态监控指标的数值：利用历史和当前数据，计算出当前状态监控指标的数值。例如，对于耗材使用量指标，可以通过统计当前使用量来计算其数值。进行数值映射：将当前状态监控指标的数值映射到目标取值范围内。这里采用线性映射方法，将当前数值映射到目标取值范围内的相应位置。例如，如果目标取值范围为[0,100]，当前状态监控指标的数值为80，则它的目标数值应该在目标取值范围的80%处。得到每个状态监控指标的目标数值：对于每个状态监控指标，得到其对应的目标数值。这些数值可以作为后续状态监控和异常检测的参考依据。服务器确定目标取值范围：对于该药品，希望维持的库存水平为100-200瓶。确定目标数值：根据目标取值范围，确定该药品的目标数值为150瓶。计算当前状态监控指标的数值：利用历史和当前数据，计算出该药品的当前使用量为120瓶。进行数值映射：将当前状态监控指标的数值映射到目标取值范围内。采用线性映射方法，将120瓶映射到目标取值范围[100,200]内的相应位置。可以通过以下公式进行计算：目标数值=(当前数值-最小值)/(最大值-最小值)*(目标最大值-目标最小值)+目标最小值，其中，最小值和最大值为历史数据中的最小值和最大值，目标最小值和目标最大值为目标取值范围的最小值和最大值。对于当前使用量120瓶，最小值为80瓶，最大值为140瓶，目标最小值为100瓶，目标最大值为200瓶，则该药品的目标数值为：目标数值=(120-80)/(140-80)*(200-100)+100=175，得到每个状态监控指标的目标数值：对于该药品的每个状态监控指标，如库存水平、过期品数量等，都可以通过以上方法计算出其目标数值。通过以上方法，可以在现有的第一耗材数据模型基础上，计算出各个状态监控指标的目标数值，并对实际监控结果进行比较，及时发现异常情况并采取相应措施，以确保始终有足够的药品可用。
在一具体实施例中，如图4所示，执行步骤S104的过程可以具体包括如下步骤：
S401、将目标状态监控向量输入预置的耗材状态分析模型集，其中，耗材状态分析模型集包括：耗材状态分析模型、耗材库存预测模型以及耗材使用预测模型；
S402、通过耗材状态分析模型对目标状态监控向量进行耗材状态分析，得到耗材状态分析结果；
S403、通过耗材库存预测模型对目标状态监控向量进行耗材库存预测，得到耗材库存安全预测值；
S404、通过耗材使用预测模型对目标状态监控向量进行耗材使用预测，得到耗材使用安全预测值。
具体的，双向门限循环网络是一种适用于序列数据的深度学习模型，可以用于构建耗材状态分析模型。通过训练该模型，将历史和当前的耗材使用量数据输入模型，并获得耗材状态信息，例如异常检测、趋势预测等。下面以智能医疗耗材仓库某种药品为例，说明如何使用双向门限循环网络构建耗材状态分析模型，并对目标状态监控向量进行耗材状态分析。数据预处理：首先，需要对历史和当前的耗材使用量数据进行预处理。这包括数据清洗、去噪、归一化等步骤，以便更好地训练模型。例如，在药品使用情况中，可以剔除错误值、去除季节性影响，并将数据归一化到0-1之间。模型训练：接下来，需要使用双向门限循环网络对耗材使用量数据进行训练。该模型的输入是历史和当前的耗材使用量数据，输出是耗材状态信息。在训练过程中，可以使用交叉验证和正则化等方法来提高模型的泛化能力和稳定性。耗材状态分析：完成模型训练后，就可以将目标状态监控向量输入耗材状态分析模型，进行耗材状态分析。该模型会根据历史数据和当前输入数据，对当前耗材使用情况进行分析，并输出耗材状态分析结果。例如，对于药品使用情况，该模型可以检测到异常的使用量、预测未来的使用趋势等。得到耗材状态分析结果：最后，根据耗材状态分析模型的输出，得到具体的耗材状态分析结果。例如，对于药品使用情况，如果模型检测到过多的使用量异常，则可能提示智能医疗耗材仓库需要更换该药品或采取其他措施。构建耗材库存预测模型可以帮助智能医疗耗材仓库有效地预测未来一段时间内的耗材库存水平，并提供相应的库存安全预测值，这对于控制库存水平以及优化供应链管理非常有帮助。下面以智能医疗耗材仓库某种耗材为例，说明如何通过耗材库存预测模型对目标状态监控向量进行耗材库存预测，并得到耗材库存安全预测值。数据收集：首先，需要收集历史和当前的耗材库存数据。这些数据可以包括每个月/周/日的库存水平、采购计划等信息。同时，要考虑其他影响库存变化的因素，例如业务需求、季节性影响等。数据预处理：在将数据用于模型训练之前，需要进行数据预处理。这包括数据清洗、去噪、填补缺失值、归一化等步骤，以确保数据质量和可用性。模型选择与训练：选择合适的预测模型是非常重要的。具体而言，可以采用回归模型、时序模型等方法，根据实际情况选择合适的算法。例如，在上述例子中，可以使用ARIMA模型进行预测。目标状态监控向量输入：完成模型训练后，就可以将目标状态监控向量（例如当前库存水平、未来需求量等）输入模型中，以获得耗材的库存预测结果。在此过程中，目标状态监控向量还可以包括其他因素，例如季节性影响、业务需求等。得到库存安全预测值：根据预测结果，可以计算出耗材库存的安全预测值。具体而言，该值通常是库存预测值加上一定的安全系数，以确保库存水平始终处于安全范围内。例如，对于智能医疗耗材仓库的药品库存，可以按月为单位，收集每个月的库存数据，并选用ARIMA模型进行预测。预测结果显示未来一个月内需求量较大，因此需要提高药品库存水平。假设当前库存水平为120瓶，预测结果为下个月需要180瓶，则根据安全系数设置，可以将库存安全预测值设置为200瓶，以确保库存水平不会降至过低。构建耗材库存预测模型可以帮助智能医疗耗材仓库有效地预测未来一段时间内的耗材库存水平，并提供相应的库存安全预测值，这对于控制库存水平以及优化供应链管理非常有帮助。下面以智能医疗耗材仓库某种耗材为例，说明如何通过耗材库存预测模型对目标状态监控向量进行耗材库存预测，并得到耗材库存安全预测值。数据收集：首先，需要收集历史和当前的耗材库存数据。这些数据可以包括每个月/周/日的库存水平、采购计划等信息。同时，要考虑其他影响库存变化的因素，例如业务需求、季节性影响等。数据预处理：在将数据用于模型训练之前，需要进行数据预处理。这包括数据清洗、去噪、填补缺失值、归一化等步骤，以确保数据质量和可用性。模型选择与训练：选择合适的预测模型是非常重要的。具体而言，可以采用回归模型、时序模型等方法，根据实际情况选择合适的算法。例如，在上述例子中，可以使用ARIMA模型进行预测。目标状态监控向量输入：完成模型训练后，就可以将目标状态监控向量（例如当前库存水平、未来需求量等）输入模型中，以获得耗材的库存预测结果。在此过程中，目标状态监控向量还可以包括其他因素，例如季节性影响、业务需求等。得到库存安全预测值：根据预测结果，可以计算出耗材库存的安全预测值。具体而言，该值通常是库存预测值加上一定的安全系数，以确保库存水平始终处于安全范围内。
在一具体实施例中，执行步骤S105的过程可以具体包括如下步骤：
（1）根据耗材状态分析结果、耗材库存安全预测值以及耗材使用安全预测值生成耗材管理方案；
（2）根据耗材管理方案，匹配对应的参数权重集合；
（3）根据参数权重集合，计算多个第一耗材数据模型的拟合优度；
（4）根据拟合优度和耗材管理方案，对多个第一耗材数据模型进行数据模型优化，得到多个第二耗材数据模型。
具体的，耗材管理方案通常包括以下几个方面内容：耗材使用情况：分析历史和当前的耗材使用情况，了解其使用模式、规律和变化趋势等，并基于此提出相应的管理建议，例如合理开展培训、加强质量管理、优化使用流程等。耗材库存水平：分析历史和当前的耗材库存水平，了解其变化趋势和波动情况，并根据当前库存水平和未来需求变化，制定相应的库存管理策略，例如增加库存、调整采购计划等。耗材需求预测：通过数据分析和预测模型等方法，预测未来一段时间内的耗材需求量，并根据预测结果制定相应的采购计划和补货方案，以确保始终有足够的耗材可用。供应商管理：对供应商进行评估和监控，确保其能够按时交货、符合质量标准，并优化供应商选择和合作策略，以确保耗材的可靠供应。成本管理：通过优化采购计划、库存水平等方式，降低耗材管理成本，并制定相应的费用管控措施，例如合理使用耗材、节约能源等。根据耗材管理方案，匹配对应的参数权重集合是指根据该方案中所涉及的各个因素，确定每个因素在模型预测中的相对重要程度。这些因素可以包括历史使用情况、库存水平、未来需求变化等，以及不同因素之间的相关性，例如库存水平对未来需求变化的影响程度等。参数权重集合通常是一组数值，用于表示每个因素在模型预测中的相对重要程度。具体而言，可以将每个因素分配一个权重值，权重值越大表示该因素在模型预测中的作用越大，反之则越小。例如，如果历史使用情况对未来需求变化的影响比库存水平更为重要，则历史使用情况的权重值将更大。根据耗材管理方案，可以通过专家判断、数据分析和经验总结等方式，制定出相应的参数权重集合。具体而言，可以基于历史数据和实际情况，确定每个因素的相对重要程度，并将其转换为相应的权重值。同时，在确定参数权重集合时，还需要考虑不同因素之间的相关性，以确保每个因素的权重值能够真实地反映其在模型预测中的作用程度。一旦确定了参数权重集合，就可以将其应用于各个预测模型中，以更好地预测耗材使用情况和库存水平，并制定出相应的管理措施。同时，在优化模型时，也可以根据参数权重集合来调整模型的参数和算法，以使模型与实际情况更加贴切。服务器计算拟合优度：首先，根据参数权重集合和历史数据，计算出所有第一耗材数据模型的拟合优度。这里的拟合优度是指模型预测值与实际值之间的相似程度，通常采用均方误差指标来衡量。选择优质模型：根据拟合优度和耗材管理方案，选择出表现较好且适配当前管理方案的多个第一耗材数据模型。这些模型将作为优化的基础，并在后续的优化中发挥重要作用。确定优化目标：根据耗材管理方案，确定优化目标，例如提高预测准确度、降低预测误差、优化库存水平等。这将作为优化过程的指导方针，帮助更好地调整模型参数和算法。调整模型参数：基于所选的优质模型和优化目标，对模型参数进行调整，以使其更好地适应当前的管理方案和参数权重集合。这可能涉及到调整算法、改变建模方法等多个方面。评估优化效果：根据耗材管理方案中的指标，评估经过优化后的第一耗材数据模型的表现，并根据实际情况进行必要的调整和优化，以达到预期的管理效果。得到第二耗材数据模型：最终，根据参数权重集合、历史数据和经过优化的第一耗材数据模型，得到多个第二耗材数据模型。这些模型将更好地预测未来的耗材使用情况和库存水平，并提供更精准的采购计划和补货方案，有助于优化耗材管理和供应链管理。
在一具体实施例中，执行步骤S106的过程可以具体包括如下步骤：
（1）对智能医疗耗材仓库进行耗材全生命周期监控，得到全生命周期监控数据；
（2）基于多个第二耗材数据模型对全生命周期监控数据进行数据模型映射计算，得到耗材库存实际值以及耗材使用实际值；
（3）根据耗材库存安全预测值以及耗材库存实际值，生成第一预警信息，以及根据耗材使用安全预测值以及耗材使用实际值，生成第二预警信息；
（4）对第一预警信息和第二预警信息进行预警信息融合，生成目标安全预警信息。
具体的，服务器进行全生命周期监控需要从耗材采购、入库、出库、使用到报废等各个环节综合考虑，具体步骤如下：采购：在耗材采购阶段，可以通过实时监测供应商的价格、交货时间、质量等信息，选择合适的供应商，并根据历史数据和未来需求预测等因素确定采购数量。入库：在耗材入库阶段，可以通过条形码、RFID等技术对耗材进行标识和跟踪，记录入库时间、数量、型号、批次等信息，以便后续管理和追踪。出库：在耗材出库阶段，可以通过智能仓库管理系统对耗材的出库情况进行实时监控和记录，了解实际的耗材使用情况和库存水平，并及时补充缺失的耗材。使用：在耗材使用阶段，可以通过智能设备、传感器等技术对其使用情况进行监测，例如记录使用者、使用时间、使用部位等信息，并将其与历史使用情况和未来需求预测等因素结合起来，更好地预测未来的耗材使用情况。报废：在耗材报废阶段，可以通过记录报废时间、原因、数量等信息，分析其原因，并根据历史数据和未来需求预测等因素调整采购计划和管理措施。数据模型映射计算是将一个数据模型中的数据结构和内容转换为另一个数据模型中的数据结构和内容，以实现数据的格式转换、数据集成和数据分析等目的。在智能医疗耗材仓库的管理中，通过多个第二耗材数据模型对全生命周期监控数据进行数据模型映射计算，可以更准确地预测耗材使用情况和库存水平等指标。举例来说，假设需要将某一智能医疗耗材仓库的耗材数据从原始数据模型A转换为数据模型B，即实现数据模型映射计算。其中，数据模型A包含以下字段：耗材编号、耗材名称、规格型号、入库时间、入库数量、出库时间、出库数量；而数据模型B包含以下字段：耗材编号、耗材名称、规格型号、当前库存、历史消耗量、未来需求量等。首先，需要定义字段映射关系，即将数据模型A中的每个字段映射到数据模型B中的相应字段，并确定各个字段之间的数据类型和数据格式。例如，耗材编号在两个数据模型中都是字符串类型，可以直接映射；耗材名称也是字符串类型，但在数据模型A中可能包含特殊字符或多余空格，需要进行数据清洗和格式化后再映射到数据模型B中。其次，需要进行数据转换和计算。例如，将数据模型A中的入库数量减去出库数量得到当前库存量，并将其映射到数据模型B中的当前库存字段；根据历史数据计算出耗材的平均消耗量并映射到历史消耗量字段；根据未来需求预测模型预测出未来一段时间内的耗材需求量，并映射到未来需求量字段等。最后，需要进行数据校验和验证，确保数据模型映射计算的准确性和可靠性。可以通过比对原始数据模型A和转换后的数据模型B之间的差异、检查数据异常值等方法来验证数据的正确性。定义库存安全预测模型：利用历史库存数据和未来需求预测等因素，建立相应的库存安全预测模型，预测出未来一段时间内的库存安全预测值。监测库存实际值：通过智能医疗耗材仓库管理系统对当前的库存实际值进行监测和录入，并与库存安全预测值进行比较，确定当前库存水平是否安全。生成第一预警信息：根据库存安全预测值以及库存实际值，计算出库存量与预测值的差异，当差异超过预设阈值时，生成第一预警信息。例如，假设库存安全预测值为1000个，当前实际库存为800个，预警阈值为10%，则当实际库存低于900个时，将触发第一预警信息，提示库存水平已经不安全。根据耗材使用安全预测值以及耗材使用实际值，可以生成第二预警信息，这里的第二预警信息是指对耗材使用情况进行监测和预警，以便及时调整采购计划和管理措施，确保耗材使用安全。具体而言，该过程包括以下几个步骤：定义使用安全预测模型：利用历史使用数据和未来需求预测等因素，建立相应的使用安全预测模型，预测出未来一段时间内的使用安全预测值。监测使用实际值：通过智能设备、传感器等技术对当前的耗材使用情况进行监测和录入，并与使用安全预测值进行比较，确定当前使用情况是否安全。生成第二预警信息：根据使用安全预测值以及使用实际值，计算出使用量与预测值的差异，当差异超过预设阈值时，生成第二预警信息。例如，假设使用安全预测值为500个，当前实际使用量为400个，预警阈值为20%，则当实际使用量低于400个时，将触发第二预警信息，提示耗材使用已经不安全。对不同来源的预警信息进行综合和合并，以生成目标安全预警信息。例如，可以将第一预警信息和第二预警信息的警戒值进行加权平均，得到目标安全预警信息的警戒值，并将其与实际库存量和耗材使用量等指标比较，确定当前的库存水平和耗材使用情况是否安全。预警反馈：将生成的目标安全预警信息反馈给相关决策者和管理人员，提醒他们注意库存和耗材使用情况的变化，及时采取相应措施，确保智能医疗耗材仓库的正常运营和服务质量。
上面对本发明实施例中输注类医疗耗材的智能管理方法进行了描述，下面对本发明实施例中输注类医疗耗材的智能管理系统进行描述，请参阅图5，本发明实施例中输注类医疗耗材的智能管理系统一个实施例包括：
获取模块501，用于获取智能医疗耗材仓库中输注类医疗耗材的历史库存数据和历史使用数据，并根据所述历史库存数据和所述历史使用数据生成耗材历史曲线；
创建模块502，用于根据所述耗材历史曲线创建多个初始耗材数据模型，并通过所述多个初始耗材数据模型对所述智能医疗耗材仓库进行耗材数据周期监控，得到多个第一耗材数据模型；
计算模块503，用于对所述多个第一耗材数据模型进行状态监控指标计算，得到每个第一耗材数据模型的状态监控指标，并根据所述状态监控指标生成对应的目标状态监控向量；
分析模块504，用于将所述目标状态监控向量输入预置的耗材状态分析模型集进行耗材状态分析，得到耗材状态分析结果、耗材库存安全预测值以及耗材使用安全预测值；
优化模块505，用于根据所述耗材状态分析结果、所述耗材库存安全预测值以及所述耗材使用安全预测值生成耗材管理方案，并根据所述耗材管理方案对所述多个第一耗材数据模型进行数据模型优化，得到多个第二耗材数据模型；
生成模块506，用于通过所述多个第二耗材数据模型对所述智能医疗耗材仓库进行耗材全生命周期监控和耗材数据安全预警，生成目标安全预警信息。
通过上述各个组成部分的协同合作，根据耗材历史曲线创建得到多个第一耗材数据模型；对多个第一耗材数据模型进行状态监控指标计算，得到状态监控指标，并根据状态监控指标生成目标状态监控向量；将目标状态监控向量输入耗材状态分析模型集进行耗材状态分析，得到耗材状态分析结果、耗材库存安全预测值以及耗材使用安全预测值；根据耗材状态分析结果、耗材库存安全预测值以及耗材使用安全预测值进行数据模型优化，得到多个第二耗材数据模型；通过多个第二耗材数据模型生成目标安全预警信息，本发明通过构建历史库存数据和历史使用数据的数据模型，进而实现耗材状态分析模型集进行耗材状态分析，提高了耗材的库存分析准确率和使用异常检测的准确率，进而实现了输注类医疗耗材的智能管理，并提高了输注类医疗耗材管理的准确率。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random acceS memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.一种输注类医疗耗材的智能管理方法，其特征在于，所述输注类医疗耗材的智能管理方法包括：
获取智能医疗耗材仓库中输注类医疗耗材的历史库存数据和历史使用数据，并根据所述历史库存数据和所述历史使用数据生成耗材历史曲线；
根据所述耗材历史曲线创建多个初始耗材数据模型，并通过所述多个初始耗材数据模型对所述智能医疗耗材仓库进行耗材数据周期监控，得到多个第一耗材数据模型；其中，基于预设的监控周期时长，对所述耗材历史曲线进行曲线数据划分，得到多个子曲线数据；对所述多个子曲线数据进行数据模型转换，得到对应的多个初始耗材数据模型，其中，数据模型转换包括平滑处理、趋势分析和周期分解步骤；对所述智能医疗耗材仓库进行耗材数据周期监控，并通过所述多个初始耗材数据模型进行数据融合，得到多个第一耗材数据模型，其中，数据融合是指将多个初始耗材数据模型进行整合，得到更加准确的第一耗材数据模型，在此过程中服务器利用监控数据和初始数据模型进行校正，即通过比较实际的监控数据和预测值之间的差异，调整和优化初始耗材数据模型；
对所述多个第一耗材数据模型进行状态监控指标计算，得到每个第一耗材数据模型的状态监控指标，并根据所述状态监控指标生成对应的目标状态监控向量；其中，对所述多个第一耗材数据模型进行状态监控指标计算，得到每个第一耗材数据模型的状态监控指标，其中，状态监控指标包括：耗材使用量、库存水平、过期品数量；对每个第一耗材数据模型的状态监控指标进行数值映射，得到每个状态监控指标的目标数值；对每个状态监控指标的目标数值进行向量转换，得到对应的目标状态监控向量，其中，采用权重分配方法，为每个状态监控指标分配一个权重，并将所有指标的加权平均值作为目标状态监控向量的值，权重的分配根据实际情况进行调整，以反映不同指标对仓库状态的重要程度，利用生成的目标状态监控向量，以实时监控仓库状态，并及时发现异常情况；
将所述目标状态监控向量输入预置的耗材状态分析模型集进行耗材状态分析，得到耗材状态分析结果、耗材库存安全预测值以及耗材使用安全预测值；其中，将所述目标状态监控向量输入预置的耗材状态分析模型集，其中，所述耗材状态分析模型集包括：耗材状态分析模型、耗材库存预测模型以及耗材使用预测模型；通过所述耗材状态分析模型对所述目标状态监控向量进行耗材状态分析，得到耗材状态分析结果；通过所述耗材库存预测模型对所述目标状态监控向量进行耗材库存预测，得到耗材库存安全预测值；通过所述耗材使用预测模型对所述目标状态监控向量进行耗材使用预测，得到耗材使用安全预测值；
根据所述耗材状态分析结果、所述耗材库存安全预测值以及所述耗材使用安全预测值生成耗材管理方案，并根据所述耗材管理方案对所述多个第一耗材数据模型进行数据模型优化，得到多个第二耗材数据模型；其中，根据所述耗材状态分析结果、所述耗材库存安全预测值以及所述耗材使用安全预测值生成耗材管理方案；根据所述耗材管理方案，匹配对应的参数权重集合，其中，根据耗材管理方案，匹配对应的参数权重集合是指根据该耗材管理方案中所涉及的各个因素，确定每个因素在模型预测中的相对重要程度，这些因素包括历史使用情况、库存水平、未来需求变化，以及不同因素之间的相关性，参数权重集合是一组数值，用于表示每个因素在模型预测中的相对重要程度，将每个因素分配一个权重值，权重值越大表示该因素在模型预测中的作用越大，反之则越小；根据所述参数权重集合，计算所述多个第一耗材数据模型的拟合优度；根据所述拟合优度和所述耗材管理方案，对多个ARIMA模型进行优化，得到多个新的ARIMA模型，并将所述多个新的ARIMA模型作为所述多个第二耗材数据模型；
通过所述多个第二耗材数据模型对所述智能医疗耗材仓库进行耗材全生命周期监控和耗材数据安全预警，生成目标安全预警信息。
2.根据权利要求1所述的输注类医疗耗材的智能管理方法，其特征在于，所述获取智能医疗耗材仓库中输注类医疗耗材的历史库存数据和历史使用数据，并根据所述历史库存数据和所述历史使用数据生成耗材历史曲线，包括：
获取智能医疗耗材仓库中输注类医疗耗材的至少一个耗材种类信息；
根据所述至少一个耗材种类信息，从预置的耗材管理数据库中获取所述输注类医疗耗材的历史库存数据和历史使用数据；
计算所述历史库存数据的库存量之和，并计算所述库存量之和对应的第一加权平均值，以及获取第一平滑因子，根据所述加权平均值和所述第一平滑因子构建库存量分析曲线；
计算所述历史使用数据的使用量之和，并计算所述使用量之和对应的第二加权平均值，以及获取第二平滑因子，根据所述第二加权平均值和所述第二平滑因子构建使用量分析曲线；
将所述库存量分析曲线和所述使用量分析曲线作为耗材历史曲线。
3.根据权利要求1所述的输注类医疗耗材的智能管理方法，其特征在于，所述通过所述多个第二耗材数据模型对所述智能医疗耗材仓库进行耗材全生命周期监控和耗材数据安全预警，生成目标安全预警信息，包括：
对所述智能医疗耗材仓库进行耗材全生命周期监控，得到全生命周期监控数据；
基于所述多个第二耗材数据模型对所述全生命周期监控数据进行数据模型映射计算，得到耗材库存实际值以及耗材使用实际值；
根据所述耗材库存安全预测值以及所述耗材库存实际值，生成第一预警信息，以及根据所述耗材使用安全预测值以及所述耗材使用实际值，生成第二预警信息；
对所述第一预警信息和所述第二预警信息进行预警信息融合，生成目标安全预警信息。
4.一种输注类医疗耗材的智能管理系统，其特征在于，所述输注类医疗耗材的智能管理系统包括：
获取模块，用于获取智能医疗耗材仓库中输注类医疗耗材的历史库存数据和历史使用数据，并根据所述历史库存数据和所述历史使用数据生成耗材历史曲线；
创建模块，用于根据所述耗材历史曲线创建多个初始耗材数据模型，并通过所述多个初始耗材数据模型对所述智能医疗耗材仓库进行耗材数据周期监控，得到多个第一耗材数据模型；其中，基于预设的监控周期时长，对所述耗材历史曲线进行曲线数据划分，得到多个子曲线数据；对所述多个子曲线数据进行数据模型转换，得到对应的多个初始耗材数据模型，其中，数据模型转换包括平滑处理、趋势分析和周期分解步骤；对所述智能医疗耗材仓库进行耗材数据周期监控，并通过所述多个初始耗材数据模型进行数据融合，得到多个第一耗材数据模型，其中，数据融合是指将多个初始耗材数据模型进行整合，得到更加准确的第一耗材数据模型，在此过程中服务器利用监控数据和初始数据模型进行校正，即通过比较实际的监控数据和预测值之间的差异，调整和优化初始耗材数据模型；
计算模块，用于对所述多个第一耗材数据模型进行状态监控指标计算，得到每个第一耗材数据模型的状态监控指标，并根据所述状态监控指标生成对应的目标状态监控向量；其中，对所述多个第一耗材数据模型进行状态监控指标计算，得到每个第一耗材数据模型的状态监控指标，其中，状态监控指标包括：耗材使用量、库存水平、过期品数量；对每个第一耗材数据模型的状态监控指标进行数值映射，得到每个状态监控指标的目标数值；对每个状态监控指标的目标数值进行向量转换，得到对应的目标状态监控向量，其中，采用权重分配方法，为每个状态监控指标分配一个权重，并将所有指标的加权平均值作为目标状态监控向量的值，权重的分配根据实际情况进行调整，以反映不同指标对仓库状态的重要程度，利用生成的目标状态监控向量，以实时监控仓库状态，并及时发现异常情况；
分析模块，用于将所述目标状态监控向量输入预置的耗材状态分析模型集进行耗材状态分析，得到耗材状态分析结果、耗材库存安全预测值以及耗材使用安全预测值；其中，将所述目标状态监控向量输入预置的耗材状态分析模型集，其中，所述耗材状态分析模型集包括：耗材状态分析模型、耗材库存预测模型以及耗材使用预测模型；通过所述耗材状态分析模型对所述目标状态监控向量进行耗材状态分析，得到耗材状态分析结果；通过所述耗材库存预测模型对所述目标状态监控向量进行耗材库存预测，得到耗材库存安全预测值；通过所述耗材使用预测模型对所述目标状态监控向量进行耗材使用预测，得到耗材使用安全预测值；
优化模块，用于根据所述耗材状态分析结果、所述耗材库存安全预测值以及所述耗材使用安全预测值生成耗材管理方案，并根据所述耗材管理方案对所述多个第一耗材数据模型进行数据模型优化，得到多个第二耗材数据模型；其中，根据所述耗材状态分析结果、所述耗材库存安全预测值以及所述耗材使用安全预测值生成耗材管理方案；根据所述耗材管理方案，匹配对应的参数权重集合，其中，根据耗材管理方案，匹配对应的参数权重集合是指根据该耗材管理方案中所涉及的各个因素，确定每个因素在模型预测中的相对重要程度，这些因素包括历史使用情况、库存水平、未来需求变化，以及不同因素之间的相关性，参数权重集合是一组数值，用于表示每个因素在模型预测中的相对重要程度，将每个因素分配一个权重值，权重值越大表示该因素在模型预测中的作用越大，反之则越小；根据所述参数权重集合，计算所述多个第一耗材数据模型的拟合优度；根据所述拟合优度和所述耗材管理方案，对多个ARIMA模型进行优化，得到多个新的ARIMA模型，并将所述多个新的ARIMA模型作为所述多个第二耗材数据模型；
生成模块，用于通过所述多个第二耗材数据模型对所述智能医疗耗材仓库进行耗材全生命周期监控和耗材数据安全预警，生成目标安全预警信息。
5.根据权利要求4所述的输注类医疗耗材的智能管理系统，其特征在于，所述获取模块具体用于：
获取智能医疗耗材仓库中输注类医疗耗材的至少一个耗材种类信息；
根据所述至少一个耗材种类信息，从预置的耗材管理数据库中获取所述输注类医疗耗材的历史库存数据和历史使用数据；
计算所述历史库存数据的库存量之和，并计算所述库存量之和对应的第一加权平均值，以及获取第一平滑因子，根据所述加权平均值和所述第一平滑因子构建库存量分析曲线；
计算所述历史使用数据的使用量之和，并计算所述使用量之和对应的第二加权平均值，以及获取第二平滑因子，根据所述第二加权平均值和所述第二平滑因子构建使用量分析曲线；
将所述库存量分析曲线和所述使用量分析曲线作为耗材历史曲线。
CN202310510197.2A 2023-05-08 2023-05-08 一种输注类医疗耗材的智能管理方法及系统 Active CN116230191B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310510197.2A CN116230191B (zh) 2023-05-08 2023-05-08 一种输注类医疗耗材的智能管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310510197.2A CN116230191B (zh) 2023-05-08 2023-05-08 一种输注类医疗耗材的智能管理方法及系统

Publications (2)

Publication Number Publication Date
CN116230191A CN116230191A (zh) 2023-06-06
CN116230191B true CN116230191B (zh) 2023-08-18

Family

ID=86584710

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310510197.2A Active CN116230191B (zh) 2023-05-08 2023-05-08 一种输注类医疗耗材的智能管理方法及系统

Country Status (1)

Country Link
CN (1) CN116230191B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116957475B (zh) * 2023-08-09 2024-06-21 南京沃德睿医疗科技有限公司 基于云计算的口腔诊所库房管理方法、系统及装置
CN116860883B (zh) * 2023-09-05 2023-11-17 北京国药新创科技发展有限公司 一种分布式系统中网状数据同步方法及系统
CN117423436B (zh) * 2023-09-28 2024-05-10 苏州毕恩思实验器材有限公司 基于多维度数据分析的净气型储药柜管理方法及系统
CN117032601B (zh) * 2023-10-09 2024-01-23 深圳鼎力数码科技有限公司 打印耗材的实时监控方法及系统
CN117292808B (zh) * 2023-11-24 2024-02-09 自贡市第一人民医院 基于大数据分析的医院消毒供应管理系统
CN117436795B (zh) * 2023-12-21 2024-03-08 武汉佰思杰科技有限公司 一种用于分级管理的仓库物资监测方法及系统
CN117726044B (zh) * 2024-02-05 2024-05-14 广东迈科医学科技股份有限公司 一种血液库存动态预警方法及系统
CN118039101B (zh) * 2024-02-27 2024-08-16 中国人民解放军总医院第一医学中心 一种基于大数据的临床统计低值护理耗材管理方法及装置
CN118262887B (zh) * 2024-05-30 2024-08-13 江西云数医院管理有限公司 一种医用耗材管控方法、系统、存储介质及电子设备

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108492141A (zh) * 2018-03-28 2018-09-04 联想(北京)有限公司 一种多模型融合的预测方法及装置
EP3561749A1 (en) * 2018-04-26 2019-10-30 Hitachi Transport System, Ltd. Inventory management apparatus, inventory management method, and storage medium
CN110766528A (zh) * 2019-10-31 2020-02-07 瑞熙(苏州)智能科技有限公司 一种客户信用自评估工厂实时智能分析管理系统
WO2020046497A1 (en) * 2018-08-30 2020-03-05 Oracle International Corporation Optimization of demand forecast parameters
KR20200036241A (ko) * 2018-09-28 2020-04-07 주식회사 알스피릿 회귀 분석 예측모델에 기반한 기업 경영현황 이상 탐지 방법
CN112151154A (zh) * 2019-06-28 2020-12-29 深圳迈瑞生物医疗电子股份有限公司 一种耗材管理方法、装置及存储介质
CN112768050A (zh) * 2021-01-29 2021-05-07 广州市辉海计算机科技有限公司 医疗耗材管理方法、装置、终端设备及存储介质
CN112802587A (zh) * 2021-01-29 2021-05-14 广州易朋软件有限公司 医疗耗材采购方法、装置、终端设备及存储介质
JP2021163110A (ja) * 2020-03-31 2021-10-11 大王製紙株式会社 消耗品の管理方法及び消耗品の管理装置
CN114254857A (zh) * 2021-11-08 2022-03-29 国网河北省电力有限公司营销服务中心 电力设备库存情况评价方法及服务器

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108492141A (zh) * 2018-03-28 2018-09-04 联想(北京)有限公司 一种多模型融合的预测方法及装置
EP3561749A1 (en) * 2018-04-26 2019-10-30 Hitachi Transport System, Ltd. Inventory management apparatus, inventory management method, and storage medium
WO2020046497A1 (en) * 2018-08-30 2020-03-05 Oracle International Corporation Optimization of demand forecast parameters
KR20200036241A (ko) * 2018-09-28 2020-04-07 주식회사 알스피릿 회귀 분석 예측모델에 기반한 기업 경영현황 이상 탐지 방법
CN112151154A (zh) * 2019-06-28 2020-12-29 深圳迈瑞生物医疗电子股份有限公司 一种耗材管理方法、装置及存储介质
CN110766528A (zh) * 2019-10-31 2020-02-07 瑞熙(苏州)智能科技有限公司 一种客户信用自评估工厂实时智能分析管理系统
JP2021163110A (ja) * 2020-03-31 2021-10-11 大王製紙株式会社 消耗品の管理方法及び消耗品の管理装置
CN112768050A (zh) * 2021-01-29 2021-05-07 广州市辉海计算机科技有限公司 医疗耗材管理方法、装置、终端设备及存储介质
CN112802587A (zh) * 2021-01-29 2021-05-14 广州易朋软件有限公司 医疗耗材采购方法、装置、终端设备及存储介质
CN114254857A (zh) * 2021-11-08 2022-03-29 国网河北省电力有限公司营销服务中心 电力设备库存情况评价方法及服务器

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于高效运营系统的医用低值耗材二级库建设;白玲;马莉;郭晓伟;;中国医学装备(04);全文 *

Also Published As

Publication number Publication date
CN116230191A (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
CN116230191B (zh) 一种输注类医疗耗材的智能管理方法及系统
US8036925B2 (en) System and method to manage assets of healthcare facility
US8346516B2 (en) Predictive modeling
Soylu et al. Multi-criteria inventory classification with reference items
US20220172830A1 (en) Controlling hospital operations using causal models
US11829891B2 (en) Integrated hospital logistics management system using AI technology, and integrated hospital logistics management method using same
CN109117990B (zh) 一种核电站备件库存预测及指标分解装置
Xiao et al. An optimization approach to risk decision-making of closed-loop logistics based on SCOR model
Cheng et al. Intermittent demand forecasting in a tertiary pediatric intensive care unit
CN117217804A (zh) 一种智能定价与库存管理方法及系统
CN118469681A (zh) 一种it设备分时租赁解决方案系统
Saha et al. Enhancing production inventory management for imperfect items using fuzzy optimization strategies and Differential Evolution (DE) algorithms
CN111679814A (zh) 一种数据驱动的数据中台系统
CN116452121A (zh) 一种智能企业库存管理系统及管理平台
CN114091770A (zh) 物料需求计划的预测分析方法、装置、设备及存储介质
CN113780913B (zh) 一种安全库存信息的生成方法和装置
CN117474435A (zh) 一种基于ai复合rfid的消毒供应管理系统及方法
Lian et al. Rolling‐horizon replenishment: Policies and performance analysis
CN116934237A (zh) 一种仓储系统的智能补货方法
Budiani Inventory Management of Broilers in PD Mugi Jaya Using Economic Order Quantity (EOQ) and Silver Meal Method
CN113657945A (zh) 用户价值预测方法、装置、电子设备和计算机存储介质
Shekoohi Tolgari et al. A robust reverse pharmaceutical supply chain design considering perishability and sustainable development objectives
Mendez et al. Examining market oriented aspects of cost of quality
CN111027831A (zh) 一种基于经济评价模型的投资决策方法及系统
Li et al. [Retracted] Pharmaceutical Reagent Inventory Strategy Based on Contract Shelf Life and Patient Demand

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
CP03 Change of name, title or address

Address after: 518118, Building E, 401, No.14 Kengzi Zhongxing Road, Xiuxin Community, Kengzi Street, Pingshan District, Shenzhen City, Guangdong Province

Patentee after: Shenzhen Pulang Medical Technology Co.,Ltd.

Country or region after: China

Address before: Room 401, Building 3 (G), No. 14, Zhongxing Road, Kengzi Street, Xiuxin Community, Pingshan District, Shenzhen City, Guangdong Province, 518000

Patentee before: Shenzhen Pulang Medical Technology Development Co.,Ltd.

Country or region before: China

CP03 Change of name, title or address