CN116452101B - 一种智能麻醉科药物配送收费方法及系统 - Google Patents

一种智能麻醉科药物配送收费方法及系统 Download PDF

Info

Publication number
CN116452101B
CN116452101B CN202310678359.3A CN202310678359A CN116452101B CN 116452101 B CN116452101 B CN 116452101B CN 202310678359 A CN202310678359 A CN 202310678359A CN 116452101 B CN116452101 B CN 116452101B
Authority
CN
China
Prior art keywords
data
medicine
drug
anesthetic
narcotics
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
CN202310678359.3A
Other languages
English (en)
Other versions
CN116452101A (zh
Inventor
谭明韬
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.)
Central Hospital of Zibo
Original Assignee
Central Hospital of Zibo
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 Central Hospital of Zibo filed Critical Central Hospital of Zibo
Priority to CN202310678359.3A priority Critical patent/CN116452101B/zh
Publication of CN116452101A publication Critical patent/CN116452101A/zh
Application granted granted Critical
Publication of CN116452101B publication Critical patent/CN116452101B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0833—Tracking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q30/0283—Price estimation or determination
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/50—Molecular design, e.g. of drugs
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/80—Data visualisation
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Economics (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Resources & Organizations (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)

Abstract

本发明涉及配送数据处理技术领域，尤其涉及一种智能麻醉科药物配送收费方法及系统，该方法包括以下步骤：利用信息采集模块对医院信息系统进行数据采集，获取第一药物信息数据；生成麻醉科药物基准数据；利用神经网络算法对麻醉科药物基准数据进行药代动力学试验分析，生成麻醉药代动力学模型；基于深度学习算法的卷积神经网络对麻醉药代动力学模型进行安全概率计算，生成麻醉科药物安全最优化基准数据；根据麻醉科药物安全最优化基准数据利用物联网设备对药物进行数据绑定，生成麻醉科药物实时数据；利用基于大数据分析的数据挖掘算法对麻醉科药物进行配送分析；本发明实现了精准的配送价格计算以及药物快速配送方法。

Description

一种智能麻醉科药物配送收费方法及系统
技术领域
本发明涉及配送数据处理技术领域，尤其涉及一种智能麻醉科药物配送收费方法及系统。
背景技术
传统的麻醉科药物配送和收费方法通常需要人工操作，往往存在着药物剂量人为计算错误以及配送时间较长等问题，同时，传统的麻醉药品配送收费方式也存在着难以准确计算价格和账单的问题，导致病人和医院之间的关系紧张，随着科技的不断发展，智能医疗和医疗数字化已经成为趋势，因此，通过使用数字技术来实现智能麻醉科药物配送和收费，该技术的主要实现是通过智能化的药物配送系统，对医院的麻醉科药物配方进行数据采集并预验证，通过深度学习算法对药物进行安全分析之后，利用基于大数据分析的数据挖掘算法对麻醉科药物进行智能配送，另外，在数字化的账单管理系统中，进行费用统计与收取，实时追踪麻醉药物位置与使用记录，减少了人工操作的时间和错误，建立了更加高效和透明的药物收费和结算体系。
发明内容
本发明为解决上述技术问题，提出了一种智能麻醉科药物配送收费方法及系统，以解决至少一个上述技术问题。
为实现上述目的，本发明提供一种智能麻醉科药物配送收费方法，包括以下步骤：
步骤S1：利用信息采集模块对医院信息系统进行数据采集，获取第一药物信息数据利用信息验证模块对第一药物信息数据进行预验证，生成第二药物信息数据；根据第二药物信息数据对药物进行配药，生成麻醉科药物基准数据；
步骤S2：利用神经网络算法对麻醉科药物基准数据进行药代动力学试验分析，生成麻醉药代动力学模型；
步骤S3：利用基于深度学习算法的卷积神经网络对麻醉药代动力学模型进行安全概率计算，生成麻醉科药物安全最优化基准数据；
步骤S4：根据麻醉科药物安全最优化基准数据利用物联网设备对药物进行数据绑定，生成麻醉科药物实时数据；利用基于大数据分析的数据挖掘算法对麻醉科药物进行智能配送，生成麻醉科药物实时配送路线数据；
步骤S5：根据麻醉科药物安全最优化基准数据及药物智能配送最优路线数据进行综合费用计算，生成麻醉科药物费用数据；将麻醉科药物费用数据上传至医院数据库进行费用收取；
步骤S6：利用信息反馈模块对麻醉科药物实时数据的信息进行数据反馈，生成药物反馈优化数据；将药物反馈优化数据上传至麻醉科药物智能配送收费系统；
本发明提供了一种智能麻醉科药物配送收费方法，利用信息采集模块对医院信息系统进行数据采集，可以实现对第一药物信息数据的自动获取和验证，减少了人工搜集和处理数据的时间和错误率，提高了数据的准确性和稳定性，有助于加快配送过程，利用神经网络算法对麻醉科药物基准数据进行药代动力学试验分析，可以快速有效地建立药代动力学模型，并为智能配送和收费提供准确的药物信息基础，有助于提高医疗服务质量和安全性，通过基于深度学习算法的卷积神经网络对麻醉药代动力学模型进行安全概率计算，可以快速准确地分析药物的安全性和风险，为配送和收费的安全保障提供可靠的依据，有助于保障医疗服务的安全性，利用物联网设备对药物进行数据绑定，并通过大数据分析算法实现智能配送路线的优化，可以高效快速地配送药物，避免了药品配送的错误和延误，提高了医疗服务效率，根据麻醉药物安全最优化基准数据及药物智能配送最优路线数据进行综合费用计算，可以实现对药品费用的合理计算和收取，有效减少了费用的浪费和不必要的纠纷，有助于医院和病人之间的良好合作关系，通过信息反馈模块对麻醉科药物实时数据的信息进行数据反馈，并将药物反馈优化数据上传至麻醉科药物智能配送收费系统，可以实现系统的快速反馈和优化，不断完善药物配送和收费的流程和效率，有助于提高医疗服务的质量和效率。
优选地，步骤S1包括以下步骤：
步骤S11：利用信息采集模块对医院信息系统进行数据采集，获取第一药物信息数据，第一药物信息数据包括医院信息数据、医生信息数据、患者信息数据、配药详细数据及药物存储环境数据；
步骤S12：利用信息验证模块对第一药物信息数据进行预验证，生成第二药物信息数据，预验证包括业务规则检查、逻辑关系验证及药物信息核对；
步骤S13：根据第二药物信息数据利用人工手段对药物进行配药，生成麻醉科药物基准数据，基准麻醉科药物数据包括医院信息数据、医生信息数据、患者信息数据、配药详细数据、药物存储环境数据及麻醉科药物唯一识别ID。
本发明通过信息采集模块自动获取医院、医生、患者、配药详细和药物存储环境等数据，可有效降低人工搜集和处理数据的时间和错误率，提高数据的准确性和稳定性，促进药品配送和收费的自动化和数字化，通过信息验证模块对第一药物信息数据进行预验证，可快速排查业务规则的异常和逻辑关系的错误，以及药品信息的不一致性，从而确保数据的准确性和一致性，在后续步骤中提高配药的准确性和药物配送的稳定性，通过人工手段进行药物配药，可根据药物的实际情况和患者个体化需求，提高药物的配送准确度和稳定性，并为麻醉科药物唯一识别ID的生成提供保障，有助于医疗服务的质量和安全性的提高。
优选地，步骤S2包括以下步骤：
步骤S21：利用分子对接技术对麻醉科药物基准数据进行药物-受体对接模拟，生成药物-受体代谢模拟数据；
步骤S22：利用深度学习算法对药物-受体代谢模拟数据进行数据可视化处理，生成药物-受体代谢可视化视图；
步骤S23：基于药物-受体代谢可视化视图对麻醉科药物基准数据进行药代动力学试验分析，构建麻醉药代动力学模型；
本发明通过分子对接技术对药物基准数据进行药物-受体对接模拟，可以快速有效地模拟药物分子与受体分子之间的结合关系，预测药物-受体结合的趋势和效果，为后续药物代谢模拟和药物动力学模拟提供精准和可靠的数据支持，利用深度学习算法对药物-受体代谢模拟数据进行数据可视化处理，可以将复杂的药物代谢数据呈现为易懂、直观、具有可操作性的药物-受体代谢可视化视图，方便医生和药剂师进行查看和理解，提高药物代谢数据的可解释性和实用性，利用药物-受体代谢可视化视图对麻醉科药物基准数据进行药代动力学试验分析，构建麻醉药代动力学模型，可以根据药物的理化特性和药物代谢数据分析药物的代谢过程和效果，为医生和药剂师提供了科学的指导和参考，提高了麻醉药物配送和收费的准确性和稳定性，有助于提高医疗服务的质量和安全性。
优选地，步骤S21包括以下步骤：
步骤S211：利用分子模拟软件对麻醉科药物基准数据进行药物-受体分子动力学结构分析，生成药物-受体三维分子结构数据；
步骤S212：利用卷积算法对药物-受体三维分子结构数据进行特征数据提取，生成药物-受体结构特征数据；
步骤S213：利用特征点检测算法对药物-受体结构特征数据进行分子结构特征点标记，生成药物-受体结构特征点坐标数据；
步骤S214：利用分子对接技术对药物-受体结构特征点坐标数据，进行药物-受体对接模拟，生成药物-受体代谢模拟数据。
本发明通过分子模拟软件对麻醉科药物基准数据进行药物-受体分子动力学结构分析，可以获得药物和受体的三维分子结构数据，为后续药物-受体对接模拟提供了可靠的基础数据，利用卷积算法对药物-受体三维分子结构数据进行特征数据提取，可以将复杂的分子结构数据转换为具有代表性的特征数据，减少数据维度，并提高药物-受体对接模拟的效率和精度，利用特征点检测算法对药物-受体结构特征数据进行分子结构特征点标记，可以有效地标记出分子结构中具有特定生物学意义的结构特征点，如活性中心等，为后续药物-受体对接模拟提供了更准确、更全面的分子结构信息，利用分子对接技术对药物-受体结构特征点坐标数据进行药物-受体对接模拟，可以预测药物-受体结合的趋势和效果，为药物代谢模拟提供了精准和可靠的数据支持，实现对麻醉科药物代谢及其机制进行精确模拟。
优选地，步骤S3包括以下步骤：
步骤S31：利用基于深度学习算法的卷积神经网络对麻醉药代动力学模型进行卷积数据切割，生成麻醉药代动力学卷积特征网络；
步骤S32：利用多尺度采样算法对麻醉药代动力学卷积特征网络进行空间金字塔池化多层采样，生成麻醉药代动力学卷积特征向量序列；
步骤S33：利用麻醉科药物受体效应安全指数计算公式对麻醉药代动力学卷积特征向量序列进行安全概率计算，生成麻醉科药物受体效应安全指数数据；
步骤S34：根据麻醉科药物受体效应安全指数数据对麻醉科药物基准数据进行安全最优化评估，生成麻醉科药物安全最优化基准数据；
本发明通过基于深度学习算法的卷积神经网络对麻醉药代动力学模型进行卷积数据切割，可以提取出药物代谢动力学中具有代表性的特征，为后续的安全评估提供了可靠的数据基础，利用多尺度采样算法对麻醉药代动力学卷积特征网络进行空间金字塔池化多层采样，可以提高特征向量序列的表达能力，充分保留不同尺度的特征信息，从而提高了后续安全评估的准确性，利用麻醉科药物受体效应安全指数计算公式对麻醉药代动力学卷积特征向量序列进行安全概率计算，可以从药物对受体的影响角度出发，对药物的安全性进行评估，提高了评估的客观性和准确性，根据麻醉科药物受体效应安全指数数据对麻醉科药物基准数据进行安全最优化评估，可以通过比较不同药物代谢动力学模型的受体效应安全指数，选取最优化的药物代谢动力学模型，为药物的研发和应用提供可靠的安全评估方法。
优选地，步骤S33中的麻醉科药物受体效应安全指数计算公式具体为：
；
其中，为麻醉科药物受体效应安全指数，/>为麻醉科药物浓度数据，/>为麻醉科药物半数抑制浓度，/>为受体活性参数，/>为药物在受体内作用时间长度，/>为用于求解极限浓度的变量，/>为麻醉科药物效应指数，/>为麻醉深度系数，/>受体药物敏感体质指数。
本发明通过，计算麻醉药物的浓度对药物效应贡献的估算值，其中表示/>的自然对数，n是药物效应指数，这个值的含义类似于“对数浓度”，其大小取决于药物浓度和药物在体内分布的特点，通常情况下，药物浓度越高，其效应越强，但是过高的浓度也可能引起不良反应，甚至危险，因此，通过计算/>可以帮助医生们调整麻醉药物的剂量和浓度，从而达到最佳的麻醉效果，并确保患者的安全性，通过计算麻醉药物对受体的活性并考虑极限浓度的影响而得出的结果，代表药物效应随浓度增加而饱和的趋势，在药物浓度超过某个极限值后，再增大药物浓度对药物效应的增强作用将趋于平缓，即呈现饱和状态，考虑到不同人的极限浓度可能不同，这里采用了限制函数将其纳入计算范围，通过计算/>，可以帮助医生们更准确地评估患者的麻醉需求和麻醉剂量，从而提高麻醉过程的安全性和疗效，利用药物浓度数据、受体活性参数、药物在受体内作用时间长度、麻醉深度系数和受体药物敏感体质指数等参数，对麻醉科药物受体效应进行量化评估并生成安全指数，从而实现对药物的安全有效监测和控制。
优选地，步骤S32包括以下步骤：
步骤S321：利用多尺度采样算法对麻醉药代动力学卷积特征网络进行空间金字塔池化多层采样，生成麻醉药代动力学卷积特征数据；
步骤S322：对麻醉药代动力学卷积特征数据进行卷积特征映射，生成麻醉药代动力学卷积特征向量；
步骤S323：利用麻醉药代动力学卷积特征向量进行向量拼接，生成麻醉药代动力学卷积特征向量序列。
本发明通过多尺度采样算法对麻醉药代动力学卷积特征网络进行空间金字塔池化多层采样，可以有效地提取不同空间尺度上的特征，充分保留了药代动力学的局部结构信息和空间分布规律，从而提高了后续特征提取的准确性和鲁棒性，对麻醉药代动力学卷积特征数据进行卷积特征映射，可以提取出药代动力学中具有代表性的特征，从而有效地减少了数据维度，压缩了特征信息，从而提高了计算效率，利用麻醉药代动力学卷积特征向量进行向量拼接，可以将不同尺度上提取到的特征信息融合起来，形成特征向量序列，为后续的安全评估提供了可靠的数据基础，并且能够充分描述药物的复杂性和相互作用，提高了评估的准确性。
优选地，步骤S4包括以下步骤：
步骤S41：根据麻醉科药物安全最优化基准数据利用物联网设备对药物进行数据绑定，生成麻醉科药物实时数据，物联网设备包括数据采集传感器、GPS模块及高清摄像头；
步骤S42：利用基于大数据分析的数据挖掘算法对药物配送路线进行路线拥堵状况预测分析，生成拥堵状况预测数据；
步骤S43：利用聚类分析法对拥堵状况预测数据进行最优化路线分析，生成药物智能配送最优路线数据；
步骤S44：根据麻醉科药物实时数据及药物智能配送最优路线数据对麻醉科药物进行智能配送，生成麻醉科药物实时配送路线数据；
本发明通过物联网设备对药物进行数据绑定并生成实时数据，可以实现对药物的实时监测与追踪，及时发现问题并进行处理，提高了配送过程中的药品安全保障水平，利用基于大数据分析的数据挖掘算法对药物配送路线进行路线拥堵状况预测分析，可以实现对不同时间段道路通行情况的预测，提高了配送路线规划的精准性和实用性，利用聚类分析法对拥堵状况预测数据进行最优化路线分析，可以根据不同的工作量和路程长度等因素，对路线进行优化，最大限度地降低了时间和资源成本，提高了配送效率和质量，根据总结的麻醉科药物实时数据及药物智能配送最优路线数据进行智能配送，可以实现对药物配送的自动化和可控性，提高了配送质量和效率，将物联网、大数据分析和智能配送技术集成，形成了一套高效、可靠和智能的麻醉科药物配送方案，为医疗健康事业提供了可靠的支持。
优选地，步骤S5包括以下步骤：
步骤S51：利用麻醉科药物价格计算公式对麻醉科药物安全最优化基准数据进行计算，生成麻醉科药物价格数据；
步骤S52：利用麻醉科药物价格计算公式对药物智能配送最优路线数据进行计算，生成药物智能配送价格数据；
步骤S53：将麻醉科药物配送价格计算公式及药物智能配送价格数据进行综合费用计算，生成麻醉科药物配送费用数据；
步骤S54：将麻醉科药物费用数据上传至医院数据库进行费用收取。
本发明通过利用麻醉科药物价格计算公式对药物进行精确的价格计算，可以有效控制药品成本，降低医疗机构的经济压力，同时提高了配送费用的准确性和透明度，利用麻醉科药物配送价格计算公式对药物智能配送最优路线进行计算，可以实现对不同时间段和路段的路程和价格的计算，提高了效率和精确度，将麻醉科药物价格数据及药物智能配送价格数据进行综合费用计算，可以实现对计算结果的综合评估和调整，避免出现漏算或冗余算的情况，提高了成本控制和节约，将麻醉科药物费用数据上传至医院数据库进行费用收取，可以实现费用的实时更新和管理，避免了操作上的错误和漏洞，提高了财务效率和透明度。
优选地，步骤S51中的麻醉科药物价格计算公式具体为：
；
其中，为麻醉科药物总价格，/>为麻醉科药物单品类型价格，/>为麻醉科药物活性单品储存环境价格，/>为所需麻醉科药物单品质量，/>为麻醉科药物注射器数量，/>为麻醉科药物注射器单品价格，/>为麻醉科药物注射部位价格，/>为麻醉类型，/>麻醉科药物麻醉时间。
本发明充分考虑麻醉科药物价格和药物使用的多个因素，如麻醉科药物单品类型价格、麻醉科药物活性单品储存环境价格、所需麻醉科药物单品质量、麻醉科药物注射器数量、麻醉科药物注射器单品价格、麻醉科药物注射部位价格、麻醉类型以及麻醉科药物麻醉时间，能够更全面、准确地反映麻醉科用药的成本，并为医院或临床机构提供科学、合理的决策参考，能够准确地评估麻醉科用药的成本，有益于医院或临床机构合理地管理麻醉科用药预算，并在节省资金的同时确保病人接受到高质量的医疗服务。
优选地，步骤S52中的麻醉科药物价格计算公式具体为：
；
其中，为智能配送路线里程总价格，/>为配送运输所需里程数，/>为单位里程价格，/>为麻醉科药物活性单品储存环境价格，/>为所需麻醉科药物单品质量，/>配送环境控制成本，/>为配送固定服务费。
本发明通过公式能够准确计算配送所需的里程数以及里程单价，并考虑了多种因素，如配送运输所需里程数、单位里程价格、麻醉科药物活性单品储存环境价格、所需麻醉科药物单品质量、配送环境控制成本、配送固定服务费、实现了对配送成本的综合评估和定价，为配送商和用户提供了更好的成本控制和服务质量保障。同时，该公式考虑了配送固定服务费，为双方提供了更加透明和公正的配送价格，有助于促进配送市场的良性竞争，提高行业服务质量和效率。通过采用该公式，用户可获得更为精准和贴近实际的配送定价方案，从而提高了配送的效率和满意度。
优选地，步骤S6包括以下步骤：
步骤S61：利用5G通信技术对信息反馈模块进行医院内网链接；
步骤S62：利用信息反馈模块对麻醉科药物实时数据的信息进行数据反馈，生成药物反馈数据；
步骤S63：利用深度学习算法对药物反馈数据进行优化分析，生成药物反馈优化数据；
步骤S64：将药物反馈优化数据上传至麻醉科药物智能配送收费系统；
本发明通过利用5G通信技术对信息反馈模块进行医院内网链接，实现了实时连接和便捷上传，提高了信息交互和处理效率，利用信息反馈模块对麻醉科药物实时数据的信息进行数据反馈，可以及时了解麻醉科药物的实际情况，实现了反馈数据的准确性和可靠性，利用深度学习算法对药物反馈数据进行优化分析，可以深入挖掘药物数据的内在规律和特征，实现了数据的高效利用和信息的价值挖掘，将药物反馈优化数据上传至麻醉科药物智能配送收费系统，可以通过对反馈优化数据的精细调整来优化和完善药物配送策略和成本控制，实现了药物配送的经济性和高效性，通过将5G通信技术、数据反馈模块和深度学习算法有机结合，形成一种高精度、高效率和高性价比的药物智能配送反馈优化方法，为医疗健康事业提供了更加优质的医疗保障。
在本说明书的一个实施例中，提供一种智能麻醉科药物配送收费方法及系统，包括
至少一个处理器；
与至少一个处理器通信连接的存储器；
存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行如上所述的智能麻醉科药物配送收费方法。
本发明通过建立麻醉科药物配送收费系统，并利用网络技术对药物数据中心进行全面管理和监控，可以实现对药物实时数据的收集和管理，有效避免了数据遗漏或误差的情况发生，提升了药物数据的精确性和可靠性，利用物联网与GPS模块等技术，对药物进行实时监测，可以实现对药物配送全过程的追踪和监管，提高了药物的安全性和可控性，通过大数据分析算法对药物配送路线进行分析和优化，可实现最短化路程和最小化成本的设计，提高了配送效率和经济性，依据药物价格计算公式对药物价格进行计算，实现了药品价格的透明化和公正性，同时通过智能配送路线的里程价格估算公式对配送价格进行计算，提升了配送价格的准确性和精度，通过五代移动通信技术实现信息反馈模块和数据分析模块的互联互通，便于医护人员获取麻醉科药物的实时信息，同时对药物数据进行深度学习分析，并将优化后的药物反馈数据上传至麻醉科药物智能配送收费系统，提升了系统的反馈效率和反馈质量，通过配送收费系统的建立，实现了全面的麻醉科药物智能配送收费管理，方便医院对配送费用进行实时监测和管理，提高了费用管理的效率和监管水平，将物联网、大数据分析、GPS和移动通信技术等多项技术相结合，形成一套高效、可靠和智能的麻醉科药物配送收费管理系统，为医院提供了全面的、高质量的医疗保障服务。
附图说明
图1为本发明一种智能麻醉科药物配送收费方法的步骤流程示意图；
图2为步骤S1的详细实施步骤流程示意图；
图3为步骤S2的详细实施步骤流程示意图；
图4为步骤S3的详细实施步骤流程示意图。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本申请实例提供一种智能麻醉科药物配送收费方法及系统。所述智能麻醉科药物配送收费方法及系统的执行主体包括但不限于搭载该系统的：机械设备、数据处理平台、云服务器节点、网络上传设备等可看作本申请的通用计算节点，所述数据处理平台包括但不限于：音频图像管理系统、信息管理系统、云端数据管理系统至少一种。
请参阅图1至图3，本发明提供了一种智能麻醉科药物配送收费方法，所述方法包括以下步骤：
步骤S1：利用信息采集模块对医院信息系统进行数据采集，获取第一药物信息数据利用信息验证模块对第一药物信息数据进行预验证，生成第二药物信息数据；根据第二药物信息数据对药物进行配药，生成麻醉科药物基准数据；
步骤S2：利用神经网络算法对麻醉科药物基准数据进行药代动力学试验分析，生成麻醉药代动力学模型；
步骤S3：利用基于深度学习算法的卷积神经网络对麻醉药代动力学模型进行安全概率计算，生成麻醉科药物安全最优化基准数据；
步骤S4：根据麻醉科药物安全最优化基准数据利用物联网设备对药物进行数据绑定，生成麻醉科药物实时数据；利用基于大数据分析的数据挖掘算法对麻醉科药物进行智能配送，生成麻醉科药物实时配送路线数据；
步骤S5：根据麻醉科药物安全最优化基准数据及药物智能配送最优路线数据进行综合费用计算，生成麻醉科药物费用数据；将麻醉科药物费用数据上传至医院数据库进行费用收取；
步骤S6：利用信息反馈模块对麻醉科药物实时数据的信息进行数据反馈，生成药物反馈优化数据；将药物反馈优化数据上传至麻醉科药物智能配送收费系统；
本发明提供了一种智能麻醉科药物配送收费方法，利用信息采集模块对医院信息系统进行数据采集，可以实现对第一药物信息数据的自动获取和验证，减少了人工搜集和处理数据的时间和错误率，提高了数据的准确性和稳定性，有助于加快配送过程，利用神经网络算法对麻醉科药物基准数据进行药代动力学试验分析，可以快速有效地建立药代动力学模型，并为智能配送和收费提供准确的药物信息基础，有助于提高医疗服务质量和安全性，通过基于深度学习算法的卷积神经网络对麻醉药代动力学模型进行安全概率计算，可以快速准确地分析药物的安全性和风险，为配送和收费的安全保障提供可靠的依据，有助于保障医疗服务的安全性，利用物联网设备对药物进行数据绑定，并通过大数据分析算法实现智能配送路线的优化，可以高效快速地配送药物，避免了药品配送的错误和延误，提高了医疗服务效率，根据麻醉药物安全最优化基准数据及药物智能配送最优路线数据进行综合费用计算，可以实现对药品费用的合理计算和收取，有效减少了费用的浪费和不必要的纠纷，有助于医院和病人之间的良好合作关系，通过信息反馈模块对麻醉科药物实时数据的信息进行数据反馈，并将药物反馈优化数据上传至麻醉科药物智能配送收费系统，可以实现系统的快速反馈和优化，不断完善药物配送和收费的流程和效率，有助于提高医疗服务的质量和效率。
本发明实施例中，参考图1所述，为本发明一种智能麻醉科药物配送收费方法及系统的步骤流程示意图，在本实例中，所述基于智能麻醉科药物配送收费方法的步骤包括：
步骤S1：利用信息采集模块对医院信息系统进行数据采集，获取第一药物信息数据利用信息验证模块对第一药物信息数据进行预验证，生成第二药物信息数据；根据第二药物信息数据对药物进行配药，生成麻醉科药物基准数据；
在本发明实施例中，通过信息采集模块，从医院信息系统中采集第一药物信息数据，再利用信息验证模块对第一药物信息数据进行预验证，验证操作包括对数据的完整性、一致性等多个方面进行验证，确保第一药物信息数据的准确性，生成第二药物信息数据，在第一药物信息数据完成预验证并且符合要求后，信息验证模块将生成第二药物信息数据，并可根据此数据对药物进行配药，根据第二药物信息数据对药物进行配药，原材料进入麻醉处方制剂配料间，由配药系统或人工按照药品种类、剂量、原材料编号等信息进行配药操作，生成麻醉科药物基准数据。
步骤S2：利用神经网络算法对麻醉科药物基准数据进行药代动力学试验分析，生成麻醉药代动力学模型；
在本发明实施例中，将收集到的麻醉科药物基准数据输入于神经网络系统中，以进行神经网络算法的药代动力学试验分析，优化神经网络结构及参数，为了获得更准确的预测模型，需要对神经网络进行不断的调整、优化，具体优化方式可以通过隐含层数、节点数量及激活函数的调整实现，在确定好神经网络的结构及参数后，便可以进行药代动力学试验分析并建立麻醉药代动力学模型，该模型将会成为后续麻醉药物配送过程中的重要参考。
步骤S3：利用基于深度学习算法的卷积神经网络对麻醉药代动力学模型进行安全概率计算，生成麻醉科药物安全最优化基准数据；
在本发明实施例中，将麻醉药代动力学模型输入到卷积神经网络系统中，根据所得到的麻醉药代动力学模型，将其输入到卷积神经网络系统中，并通过该系统进行深层次的特征提取和分析，通过分析数据，生成安全指数，首先对麻醉药代动力学模型的数据进行分析，根据不同的特征信息而生成安全指数，根据以上步骤得出的安全指数，计算出不同药物在配送过程中的安全概率，并基于此生成麻醉科药物安全最优化基准数据，该数据可用于后续的麻醉药物配送过程。
步骤S4：根据麻醉科药物安全最优化基准数据利用物联网设备对药物进行数据绑定，生成麻醉科药物实时数据；利用基于大数据分析的数据挖掘算法对麻醉科药物进行智能配送，生成麻醉科药物实时配送路线数据；
在本发明实施例中，利用物联网设备与药物进行数据绑定，以实时获取药物的温度、湿度、压力等数据信息，生成麻醉科药物实时数据，利用大数据分析与数据挖掘算法对麻醉科药物配送过程数据进行分析、挖掘和模式识别，以提高麻醉药物配送的效率和质量，生成麻醉科药物实时配送路线数据，利用大数据分析和数据挖掘算法构建模型，确定需要分析挖掘的信息和特征，为后续的药物配送数据分析提供依据，利用物联网设备获取药物的实时数据，并将其输入到大数据分析与挖掘模型中，进行数据处理和分析，获取实时的麻醉科药物配送数据，利用大数据分析和挖掘算法的结果，对麻醉科药物进行智能配送，生成麻醉科药物实时配送路线数据，该数据将作为后续麻醉药物配送过程中的重要参考，以提高配送效率和配送质量。
步骤S5：根据麻醉科药物安全最优化基准数据及药物智能配送最优路线数据进行综合费用计算，生成麻醉科药物费用数据；将麻醉科药物费用数据上传至医院数据库进行费用收取；
在本发明实施例中，根据麻醉科药物安全最优化基准数据进行药物价格计算，获取药物价格，根据药物智能配送最优路线数据进行配送费计算，生成配送价格，将药物价格与配送价格相加，生成麻醉科药物费用数据，将计算得到的麻醉科药物费用数据上传至医院数据库，医院将根据麻醉科药物费用数据中的价格和收费制度，进行费用收取。
步骤S6：利用信息反馈模块对麻醉科药物实时数据的信息进行数据反馈，生成药物反馈优化数据；将药物反馈优化数据上传至麻醉科药物智能配送收费系统；
在本发明实施例中，将麻醉科药物智能配送系统中的信息反馈模块将对麻醉科药物实时数据的信息进行反馈，利用麻醉科药物安全最优化基准数据和药物智能配送最优路线数据，结合信息反馈模块中的实时数据，生成药物反馈优化数据，以便根据该数据对麻醉药物配送策略进行调整，将药物反馈优化数据上传至麻醉科药物智能配送收费系统，以便根据该数据对麻醉药物配送策略进行调整。
本发明实施例中，参考图2所述，为步骤S1的详细实施步骤流程示意图，在本说明书的一个实施例中，所述步骤S1的详细实施步骤包括：
步骤S11：利用信息采集模块对医院信息系统进行数据采集，获取第一药物信息数据，第一药物信息数据包括医院信息数据、医生信息数据、患者信息数据、配药详细数据及药物存储环境数据；
步骤S12：利用信息验证模块对第一药物信息数据进行预验证，生成第二药物信息数据，预验证包括业务规则检查、逻辑关系验证及药物信息核对；
步骤S13：根据第二药物信息数据利用人工手段对药物进行配药，生成麻醉科药物基准数据，基准麻醉科药物数据包括医院信息数据、医生信息数据、患者信息数据、配药详细数据、药物存储环境数据及麻醉科药物唯一识别ID。
本发明通过信息采集模块自动获取医院、医生、患者、配药详细和药物存储环境等数据，可有效降低人工搜集和处理数据的时间和错误率，提高数据的准确性和稳定性，促进药品配送和收费的自动化和数字化，通过信息验证模块对第一药物信息数据进行预验证，可快速排查业务规则的异常和逻辑关系的错误，以及药品信息的不一致性，从而确保数据的准确性和一致性，在后续步骤中提高配药的准确性和药物配送的稳定性，通过人工手段进行药物配药，可根据药物的实际情况和患者个体化需求，提高药物的配送准确度和稳定性，并为麻醉科药物唯一识别ID的生成提供保障，有助于医疗服务的质量和安全性的提高。
本发明实施例中，利用信息采集模块对医院信息系统进行数据采集，获取第一药物信息数据，在此步骤中，信息采集模块将从医院信息系统中采集第一药物信息数据，该数据包括医院信息数据、医生信息数据、患者信息数据、配药详细数据及药物存储环境数据，利用信息验证模块将对第一药物信息数据进行预验证，包括业务规则检查、逻辑关系验证及药物信息核对等，根据信息验证模块对第一药物信息数据的预验证结果，生成第二药物信息数据，该数据为经过预验证后的合法数据，根据第二药物信息数据，利用人工手段对药物进行配药，以确保药物的准确性和安全性，根据配药过程中生成的数据，生成麻醉科药物基准数据，包括医院信息数据、医生信息数据、患者信息数据、配药详细数据、药物存储环境数据及麻醉科药物唯一识别ID。
本发明实施例中，参考图3所述，为步骤S2的详细实施步骤流程示意图，在本说明书的一个实施例中，所述步骤S2的详细实施步骤包括：
步骤S21：利用分子对接技术对麻醉科药物基准数据进行药物-受体对接模拟，生成药物-受体代谢模拟数据；
步骤S22：利用深度学习算法对药物-受体代谢模拟数据进行数据可视化处理，生成药物-受体代谢可视化视图；
步骤S23：基于药物-受体代谢可视化视图对麻醉科药物基准数据进行药代动力学试验分析，构建麻醉药代动力学模型；
本发明通过分子对接技术对药物基准数据进行药物-受体对接模拟，可以快速有效地模拟药物分子与受体分子之间的结合关系，预测药物-受体结合的趋势和效果，为后续药物代谢模拟和药物动力学模拟提供精准和可靠的数据支持，利用深度学习算法对药物-受体代谢模拟数据进行数据可视化处理，可以将复杂的药物代谢数据呈现为易懂、直观、具有可操作性的药物-受体代谢可视化视图，方便医生和药剂师进行查看和理解，提高药物代谢数据的可解释性和实用性，利用药物-受体代谢可视化视图对麻醉科药物基准数据进行药代动力学试验分析，构建麻醉药代动力学模型，可以根据药物的理化特性和药物代谢数据分析药物的代谢过程和效果，为医生和药剂师提供了科学的指导和参考，提高了麻醉药物配送和收费的准确性和稳定性，有助于提高医疗服务的质量和安全性。
在本发明实施例中，准备原始的麻醉科药物基准数据，包括药物分子结构信息和受体分子结构信息，对药物和受体进行分子力学预处理，如能量最小化、构象优化、空间限制和孤立化处理等，利用分子对接软件对处理后的药物和受体进行分子对接，得到药物-受体结合位点和相应的结合能信息，将药物-受体对接模拟得到的药物-受体结合位点和结合能信息，作为药物受体代谢模拟数据的基础，选择合适的深度学习算法，对预处理后的数据进行训练，生成药物-受体代谢模拟数据的可视化信息，将训练得到的结果进行可视化处理，生成药物-受体代谢可视化视图，展示药物和受体的交互过程及代谢信息，基于药物-受体代谢可视化视图，进行药代动力学试验分析，包括药物的吸收、分布、代谢和排泄等过程的描述，以及药物在体内的动力学参数设定，根据分析得到的药代动力学参数，以及基础的麻醉药物机理知识，构建麻醉药代动力学模型，描述药物在体内的各个过程和参数关系，构建麻醉药代动力学模型。
本发明实施例中，参考图3所述，为步骤S21的详细实施步骤流程示意图，在本说明书的一个实施例中，所述步骤S21的详细实施步骤包括：
步骤S211：利用分子模拟软件对麻醉科药物基准数据进行药物-受体分子动力学结构分析，生成药物-受体三维分子结构数据；
步骤S212：利用卷积算法对药物-受体三维分子结构数据进行特征数据提取，生成药物-受体结构特征数据；
步骤S213：利用特征点检测算法对药物-受体结构特征数据进行分子结构特征点标记，生成药物-受体结构特征点坐标数据；
步骤S214：利用分子对接技术对药物-受体结构特征点坐标数据进行药物-受体对接模拟，生成药物-受体代谢模拟数据。
本发明通过分子模拟软件对麻醉科药物基准数据进行药物-受体分子动力学结构分析，可以获得药物和受体的三维分子结构数据，为后续药物-受体对接模拟提供了可靠的基础数据，利用卷积算法对药物-受体三维分子结构数据进行特征数据提取，可以将复杂的分子结构数据转换为具有代表性的特征数据，减少数据维度，并提高药物-受体对接模拟的效率和精度，利用特征点检测算法对药物-受体结构特征数据进行分子结构特征点标记，可以有效地标记出分子结构中具有特定生物学意义的结构特征点，如活性中心等，为后续药物-受体对接模拟提供了更准确、更全面的分子结构信息，利用分子对接技术对药物-受体结构特征点坐标数据进行药物-受体对接模拟，可以预测药物-受体结合的趋势和效果，为药物代谢模拟提供了精准和可靠的数据支持，实现对麻醉科药物代谢及其机制进行精确模拟。
在本发明实施例中，准备麻醉科药物基准数据，这包括麻醉药物和受体蛋白的分子结构信息，这些数据通常可以从公共数据库如PDB（蛋白质数据银行）中获取，或者通过实验测定获得，使用分子模拟软件NAMD进行药物-受体分子动力学结构分析，将药物和受体三维分子结构导入到分子模拟软件中，并模拟它们的相互作用和动态过程，以为后续分析提供必要的结构信息，利用卷积神经网络等深度学习算法，对药物-受体结构中的空间特征和相对位置等信息进行编码，以提取出特征向量的表示形式，使用特征点检测算法Lamarckian Genetic Algorithm，对药物-受体结构特征数据进行特征点标记，特征点标记可以标识出药物-受体交互部位、活性位点等结构信息，为后续模拟分析提供必要的结构标记，使用分子对接技术对药物-受体结构特征点坐标数据进行药物-受体分子对接模拟，药物-受体分子对接涉及到模拟药物和受体之间的结构和化学相互作用，从而推断药物代谢途径和效能等信息，生成药物-受体代谢模拟数据。
在本说明书的一个实施例中，步骤S3的具体步骤：
步骤S31：利用基于深度学习算法的卷积神经网络对麻醉药代动力学模型进行卷积数据切割，生成麻醉药代动力学卷积特征网络；
步骤S32：利用多尺度采样算法对麻醉药代动力学卷积特征网络进行空间金字塔池化多层采样，生成麻醉药代动力学卷积特征向量序列；
步骤S33：利用麻醉科药物受体效应安全指数计算公式对麻醉药代动力学卷积特征向量序列进行安全概率计算，生成麻醉科药物受体效应安全指数数据；
步骤S34：根据麻醉科药物受体效应安全指数数据对麻醉科药物基准数据进行安全最优化评估，生成麻醉科药物安全最优化基准数据；
本发明通过基于深度学习算法的卷积神经网络对麻醉药代动力学模型进行卷积数据切割，可以提取出药物代谢动力学中具有代表性的特征，为后续的安全评估提供了可靠的数据基础，利用多尺度采样算法对麻醉药代动力学卷积特征网络进行空间金字塔池化多层采样，可以提高特征向量序列的表达能力，充分保留不同尺度的特征信息，从而提高了后续安全评估的准确性，利用麻醉科药物受体效应安全指数计算公式对麻醉药代动力学卷积特征向量序列进行安全概率计算，可以从药物对受体的影响角度出发，对药物的安全性进行评估，提高了评估的客观性和准确性，根据麻醉科药物受体效应安全指数数据对麻醉科药物基准数据进行安全最优化评估，可以通过比较不同药物代谢动力学模型的受体效应安全指数，选取最优化的药物代谢动力学模型，为药物的研发和应用提供可靠的安全评估方法。
在本发明实施例中，利用基于深度学习算法的卷积神经网络对麻醉药代动力学模型进行卷积数据切割，将时间序列数据划分成多个等长的时间窗口，并将每个时间窗口作为卷积神经网络的输入数据，生成麻醉药代动力学卷积特征网络，利用多尺度采样算法对麻醉药代动力学卷积特征网络进行空间金字塔池化多层采样，可以同时考虑多个尺度的特征信息，通过对麻醉药代动力学卷积特征网络进行多尺度采样的处理，可以得到包含不同尺度空间信息的特征向量序列，利用麻醉科药物受体效应安全指数计算公式对麻醉药代动力学卷积特征向量序列进行安全概率计算，该公式通常基于麻醉药物在特定受体上的活性、激动或抑制等效应信息，以及基于麻醉药物在不同药代动力学参数下的排泄、代谢、吸收、分布等动力学过程，利用麻醉科药物受体效应安全指数计算公式对麻醉药代动力学卷积特征向量序列进行安全概率计算，可以预测药物在特定受体上的安全性，生成麻醉科药物受体效应安全指数数据，利用麻醉科药物受体效应安全指数数据对麻醉科药物基准数据进行安全最优化评估，从而确定麻醉科药物在特定受体上的安全性。
在本说明书的一个实施例中，步骤S33中的麻醉科药物受体效应安全指数计算公式具体为：
；
其中，为麻醉科药物受体效应安全指数，/>为麻醉科药物浓度数据，/>为麻醉科药物半数抑制浓度，/>为受体活性参数，/>为药物在受体内作用时间长度，/>为用于求解极限浓度的变量，/>为麻醉科药物效应指数，/>为麻醉深度系数，/>受体药物敏感体质指数。
其中，本发明通过，计算麻醉药物的浓度对药物效应贡献的估算值，其中表示/>的自然对数，n是药物效应指数，这个值的含义类似于“对数浓度”，其大小取决于药物浓度和药物在体内分布的特点，通常情况下，药物浓度越高，其效应越强，但是过高的浓度也可能引起不良反应，甚至危险，因此，通过计算/>可以帮助医生们调整麻醉药物的剂量和浓度，从而达到最佳的麻醉效果，并确保患者的安全性，通过计算麻醉药物对受体的活性并考虑极限浓度的影响而得出的结果，代表药物效应随浓度增加而饱和的趋势，在药物浓度超过某个极限值后，再增大药物浓度对药物效应的增强作用将趋于平缓，即呈现饱和状态，考虑到不同人的极限浓度可能不同，这里采用了限制函数将其纳入计算范围，通过计算/>，可以帮助医生们更准确地评估患者的麻醉需求和麻醉剂量，从而提高麻醉过程的安全性和疗效，利用药物浓度数据、受体活性参数、药物在受体内作用时间长度、麻醉深度系数和受体药物敏感体质指数等参数，对麻醉科药物受体效应进行量化评估并生成安全指数，从而实现对药物的安全有效监测和控制。
在本说明书的一个实施例中，步骤S32的具体步骤：
步骤S321：利用多尺度采样算法对麻醉药代动力学卷积特征网络进行空间金字塔池化多层采样，生成麻醉药代动力学卷积特征数据；
步骤S322：对麻醉药代动力学卷积特征数据进行卷积特征映射，生成麻醉药代动力学卷积特征向量；
步骤S323：利用麻醉药代动力学卷积特征向量进行向量拼接，生成麻醉药代动力学卷积特征向量序列。
本发明通过多尺度采样算法对麻醉药代动力学卷积特征网络进行空间金字塔池化多层采样，可以有效地提取不同空间尺度上的特征，充分保留了药代动力学的局部结构信息和空间分布规律，从而提高了后续特征提取的准确性和鲁棒性，对麻醉药代动力学卷积特征数据进行卷积特征映射，可以提取出药代动力学中具有代表性的特征，从而有效地减少了数据维度，压缩了特征信息，从而提高了计算效率，利用麻醉药代动力学卷积特征向量进行向量拼接，可以将不同尺度上提取到的特征信息融合起来，形成特征向量序列，为后续的安全评估提供了可靠的数据基础，并且能够充分描述药物的复杂性和相互作用，提高了评估的准确性。
在本发明实施例中，使用多尺度采样算法对麻醉药代动力学卷积特征网络进行空间金字塔池化多层采样，提取图像的多尺度信息，同时保留图像的空间信息，可以同时考虑多个尺度的特征信息，可以得到包含不同尺度空间信息的卷积特征数据，对麻醉药代动力学卷积特征数据进行卷积特征映射，生成麻醉药代动力学卷积特征向量，利用卷积特征映射算法全局平均池化对麻醉药代动力学卷积特征数据进行卷积特征映射，可以将其转化为低维度的卷积特征向量，利用向量拼接算法对麻醉药代动力学卷积特征向量序列进行拼接，可以将不同时间点的卷积特征向量串联起来，生成麻醉药代动力学卷积特征向量序列。
在本说明书的一个实施例中，步骤S4的具体步骤：
步骤S41：根据麻醉科药物安全最优化基准数据利用物联网设备对药物进行数据绑定，生成麻醉科药物实时数据，物联网设备包括数据采集传感器、GPS模块及高清摄像头；
步骤S42：利用基于大数据分析的数据挖掘算法对药物配送路线进行路线拥堵状况预测分析，生成拥堵状况预测数据；
步骤S43：利用聚类分析法对拥堵状况预测数据进行最优化路线分析，生成药物智能配送最优路线数据；
步骤S44：根据麻醉科药物实时数据及药物智能配送最优路线数据对麻醉科药物进行智能配送，生成麻醉科药物实时配送路线数据；
本发明通过物联网设备对药物进行数据绑定并生成实时数据，可以实现对药物的实时监测与追踪，及时发现问题并进行处理，提高了配送过程中的药品安全保障水平，利用基于大数据分析的数据挖掘算法对药物配送路线进行路线拥堵状况预测分析，可以实现对不同时间段道路通行情况的预测，提高了配送路线规划的精准性和实用性，利用聚类分析法对拥堵状况预测数据进行最优化路线分析，可以根据不同的工作量和路程长度等因素，对路线进行优化，最大限度地降低了时间和资源成本，提高了配送效率和质量，根据总结的麻醉科药物实时数据及药物智能配送最优路线数据进行智能配送，可以实现对药物配送的自动化和可控性，提高了配送质量和效率，将物联网、大数据分析和智能配送技术集成，形成了一套高效、可靠和智能的麻醉科药物配送方案，为医疗健康事业提供了可靠的支持。
在本发明实施例中，在本发明实施例中，通过安装数据采集传感器、GPS模块及高清摄像头等物联网设备，对麻醉科药物进行实时数据采集，数据采集传感器可以实时采集药物的温度、湿度、光照强度等实时环境信息，GPS模块可以实时定位药品的位置，高清摄像头可以收集药品在运输过程中的图像信息，将采集到的药物实时数据进行处理，并将其与麻醉科药物的安全最优化基准数据进行绑定，生成麻醉科药物的实时数据，对药物配送路线进行数据收集，例如利用GPS模块收集药品运输过程中的位置数据、速度数据等信息，并将其存储到数据库中，对数据进行预处理，包括数据清洗、数据集成、数据转换和数据规约等步骤，例如，可以将GPS数据转化成路线上的点，以方便后续处理，利用大数据分析方法，对路线拥堵状况进行预测分析可以利用机器学习算法，分析历史数据和实时数据，预测出不同时间段路线的拥堵状况，并生成拥堵状况预测数据，利用聚类分析法对拥堵状况预测数据进行分析，将数据划分成多个类别，将预测数据划分为畅通、缓行、拥堵等不同类别，通过对不同类别的路况数据进行分析，选择最优的配送路线，在拥堵情况下，可以选择绕路或改变配送时间等方式避免拥堵，以提高药物配送效率，根据路线分析结果，生成药物智能配送最优路线数据，并进行记录和存储，将麻醉科药物实时数据和药物智能配送最优路线数据进行同步，将药品位置信息和最优路线信息进行关联，利用地图API计算起点和终点之间的最短路径，并计算出沿途需要通行的道路，计算药品配送路线，记录配送路线、配送时间、药品实时温度等信息，并存储到智能麻醉科药物配送系统中。
在本说明书的一个实施例中，步骤S5的具体步骤：
步骤S51：利用麻醉科药物价格计算公式对麻醉科药物安全最优化基准数据进行计算，生成麻醉科药物价格数据；
步骤S52：利用麻醉科药物配送价格计算公式对药物智能配送最优路线数据进行计算，生成药物智能配送价格数据；
步骤S53：将麻醉科药物价格数据及药物智能配送价格数据进行综合费用计算，生成麻醉科药物配送费用数据；
步骤S54：将麻醉科药物费用数据上传至医院数据库进行费用收取。
本发明通过利用麻醉科药物价格计算公式对药物进行精确的价格计算，可以有效控制药品成本，降低医疗机构的经济压力，同时提高了配送费用的准确性和透明度，利用麻醉科药物配送价格计算公式对药物智能配送最优路线进行计算，可以实现对不同时间段和路段的路程和价格的计算，提高了效率和精确度，将麻醉科药物价格数据及药物智能配送价格数据进行综合费用计算，可以实现对计算结果的综合评估和调整，避免出现漏算或冗余算的情况，提高了成本控制和节约，将麻醉科药物费用数据上传至医院数据库进行费用收取，可以实现费用的实时更新和管理，避免了操作上的错误和漏洞，提高了财务效率和透明度。
在本发明实施例中，利用麻醉科药物价格计算公式对麻醉科药物安全最优化基准数据中进行价格计算，生成麻醉科药物价格数据，根据当地的物流市场情况、车辆成本等因素，利用麻醉科药物配送价格计算公式对药物智能配送最优路线数据进行计算，生成药物智能配送价格数据，将麻醉科药物价格数据与药物智能配送价格数据费用相加，生成麻醉科药物配送费用数据，根据医院的费用管理政策，对生成的麻醉科药物配送费用数据进行校验，确保其符合法规要求并严格执行，将麻醉科药物配送的费用数据生成费用清单，包括配送路线、配送时间、麻醉科药物名称和总费用等信息，将费用清单上传至医院数据库进行费用收取，通过医院信息系统的收费模块对麻醉科药物配送费用进行收取，也可以通过线下的收费窗口进行收费。
在本说明书的一个实施例中，步骤S51中的麻醉科药物价格计算公式具体为：
；
其中，为麻醉科药物总价格，/>为麻醉科药物单品类型价格，/>为麻醉科药物活性单品储存环境价格，/>为所需麻醉科药物单品质量，/>为麻醉科药物注射器数量，/>为麻醉科药物注射器单品价格，/>为麻醉科药物注射部位价格，/>为麻醉类型，/>麻醉科药物麻醉时间。
本发明充分考虑麻醉科药物价格和药物使用的多个因素，如麻醉科药物单品类型价格、麻醉科药物活性单品储存环境价格、所需麻醉科药物单品质量、麻醉科药物注射器数量、麻醉科药物注射器单品价格、麻醉科药物注射部位价格、麻醉类型以及麻醉科药物麻醉时间，能够更全面、准确地反映麻醉科用药的成本，并为医院或临床机构提供科学、合理的决策参考，能够准确地评估麻醉科用药的成本，有益于医院或临床机构合理地管理麻醉科用药预算，并在节省资金的同时确保病人接受到高质量的医疗服务。
在本说明书的一个实施例中，步骤S52中的麻醉科药物配送价格计算公式具体为：
；
其中，为智能配送路线里程总价格，/>为配送运输所需里程数，/>为单位里程价格，/>为麻醉科药物活性单品储存环境价格，/>为所需麻醉科药物单品质量，/>配送环境控制成本，/>为配送固定服务费。
本发明通过公式能够准确计算配送所需的里程数以及里程单价，并考虑了多种因素，如配送运输所需里程数、单位里程价格、麻醉科药物活性单品储存环境价格、所需麻醉科药物单品质量、配送环境控制成本、配送固定服务费、实现了对配送成本的综合评估和定价，为配送商和用户提供了更好的成本控制和服务质量保障，同时，该公式考虑了配送固定服务费，为双方提供了更加透明和公正的配送价格，有助于促进配送市场的良性竞争，提高行业服务质量和效率，通过采用该公式，用户可获得更为精准和贴近实际的配送定价方案，从而提高了配送的效率和满意度。
在本说明书的一个实施例中，步骤S6的具体步骤：
步骤S61：利用5G通信技术对信息反馈模块进行医院内网链接；
步骤S62：利用信息反馈模块对麻醉科药物实时数据的信息进行数据反馈，生成药物反馈数据；
步骤S63：利用深度学习算法对药物反馈数据进行优化分析，生成药物反馈优化数据；
步骤S64：将药物反馈优化数据上传至麻醉科药物智能配送收费系统；
本发明通过利用5G通信技术对信息反馈模块进行医院内网链接，实现了实时连接和便捷上传，提高了信息交互和处理效率，利用信息反馈模块对麻醉科药物实时数据的信息进行数据反馈，可以及时了解麻醉科药物的实际情况，实现了反馈数据的准确性和可靠性，利用深度学习算法对药物反馈数据进行优化分析，可以深入挖掘药物数据的内在规律和特征，实现了数据的高效利用和信息的价值挖掘，将药物反馈优化数据上传至麻醉科药物智能配送收费系统，可以通过对反馈优化数据的精细调整来优化和完善药物配送策略和成本控制，实现了药物配送的经济性和高效性，通过将5G通信技术、数据反馈模块和深度学习算法有机结合，形成一种高精度、高效率和高性价比的药物智能配送反馈优化方法，为医疗健康事业提供了更加优质的医疗保障。
在本发明实施例中，在医院内部搭建信息反馈模块，将其与医院内部的信息系统进行连接和集成，确保可以实现数据的实时反馈和传输，利用5G通信技术将信息反馈模块连接至医院内网，确保可以快速响应和处理大量数据信息，利用信息反馈模块将实时收集的药物数据信息反馈到医院内部的信息系统中，并生成药物反馈数据，以便后续处理和优化分析，利用深度学习算法对药物反馈数据进行优化分析，生成药物反馈优化数据，针对药物数据的特征和复杂性，选择合适的深度学习算法，药物反馈数据进行数据筛选、清理、整合等预处理工作，以提高模型训练和优化分析的效果，将预处理后的药物反馈数据输入到深度学习算法模型中进行训练，优化模型的参数和权重等参数，以得到精度更高的药物反馈分析结果，将药物反馈优化数据上传至麻醉科药物智能配送收费系统，将药物反馈优化数据上传至麻醉科药物智能配送收费系统。
在本说明书的一个实施例中，提供了一种智能麻醉科药物配送收费方法及系统，包括
至少一个处理器；
至少一个处理器通信连接的存储器；
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上任一项的智能麻醉科药物配送收费方法。
本发明通过建立麻醉科药物配送收费系统，并利用网络技术对药物数据中心进行全面管理和监控，可以实现对药物实时数据的收集和管理，有效避免了数据遗漏或误差的情况发生，提升了药物数据的精确性和可靠性，利用物联网与GPS模块等技术，对药物进行实时监测，可以实现对药物配送全过程的追踪和监管，提高了药物的安全性和可控性，通过大数据分析算法对药物配送路线进行分析和优化，可实现最短化路程和最小化成本的设计，提高了配送效率和经济性，依据药物价格计算公式对药物价格进行计算，实现了药品价格的透明化和公正性，同时通过智能配送路线的里程价格估算公式对配送价格进行计算，提升了配送价格的准确性和精度，通过五代移动通信技术实现信息反馈模块和数据分析模块的互联互通，便于医护人员获取麻醉科药物的实时信息，同时对药物数据进行深度学习分析，并将优化后的药物反馈数据上传至麻醉科药物智能配送收费系统，提升了系统的反馈效率和反馈质量，通过配送收费系统的建立，实现了全面的麻醉科药物智能配送收费管理，方便医院对配送费用进行实时监测和管理，提高了费用管理的效率和监管水平，将物联网、大数据分析、GPS和移动通信技术等多项技术相结合，形成一套高效、可靠和智能的麻醉科药物配送收费管理系统，为医院提供了全面的、高质量的医疗保障服务。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。

Claims (2)

1.一种智能麻醉科药物配送收费方法，其特征在于，包括以下步骤：
步骤S1，包括：
步骤S11：利用信息采集模块对医院信息系统进行数据采集，获取第一药物信息数据，第一药物信息数据包括医院信息数据、医生信息数据、患者信息数据、配药详细数据及药物存储环境数据；
步骤S12：利用信息验证模块对第一药物信息数据进行预验证，生成第二药物信息数据，预验证包括业务规则检查、逻辑关系验证及药物信息核对；
步骤S13：根据第二药物信息数据利用人工手段对药物进行配药，生成麻醉科药物基准数据，基准麻醉科药物数据包括医院信息数据、医生信息数据、患者信息数据、配药详细数据、药物存储环境数据及麻醉科药物唯一识别ID；
步骤S2，包括：
步骤S21，包括：
步骤S211：利用分子模拟软件对麻醉科药物基准数据进行药物-受体分子动力学结构分析，生成药物-受体三维分子结构数据；
步骤S212：利用卷积算法对药物-受体三维分子结构数据进行特征数据提取，生成药物-受体结构特征数据；
步骤S213：利用特征点检测算法对药物-受体结构特征数据进行分子结构特征点标记，生成药物-受体结构特征点坐标数据；
步骤S214：利用分子对接技术对药物-受体结构特征点坐标数据进行药物-受体对接模拟，生成药物-受体代谢模拟数据；
步骤S22：利用深度学习算法对药物-受体代谢模拟数据进行数据可视化处理，生成药物-受体代谢可视化视图；
步骤S23：基于药物-受体代谢可视化视图对麻醉科药物基准数据进行药代动力学试验分析，构建麻醉药代动力学模型；
步骤S3，包括：
步骤S31：利用基于深度学习算法的卷积神经网络对麻醉药代动力学模型进行卷积数据切割，生成麻醉药代动力学卷积特征网络；
步骤S32，包括：
步骤S321：利用多尺度采样算法对麻醉药代动力学卷积特征网络进行空间金字塔池化多层采样，生成麻醉药代动力学卷积特征数据；
步骤S322：对麻醉药代动力学卷积特征数据进行卷积特征映射，生成麻醉药代动力学卷积特征向量；
步骤S323：利用麻醉药代动力学卷积特征向量进行向量拼接，生成麻醉药代动力学卷积特征向量序列；
步骤S33：利用麻醉科药物受体效应安全指数计算公式对麻醉药代动力学卷积特征向量序列进行安全概率计算，生成麻醉科药物受体效应安全指数数据；
步骤S34：根据麻醉科药物受体效应安全指数数据对麻醉科药物基准数据进行安全最优化评估，生成麻醉科药物安全最优化基准数据；
其中，步骤S33的麻醉科药物受体效应安全指数计算公式具体为：
；
其中，为麻醉科药物受体效应安全指数，/>为麻醉科药物浓度数据，/>为麻醉科药物半数抑制浓度，/>为受体活性参数，/>为药物在受体内作用时间长度，/>为用于求解极限浓度的变量，/>为麻醉科药物效应指数，/>为麻醉深度系数，/>受体药物敏感体质指数；
步骤S4，包括：
步骤S41：根据麻醉科药物安全最优化基准数据利用物联网设备对药物进行数据绑定，生成麻醉科药物实时数据，物联网设备包括数据采集传感器、GPS模块及高清摄像头；
步骤S42：利用基于大数据分析的数据挖掘算法对药物配送路线进行路线拥堵状况预测分析，生成拥堵状况预测数据；
步骤S43：利用聚类分析法对拥堵状况预测数据进行最优化路线分析，生成药物智能配送最优路线数据；
步骤S44：根据麻醉科药物实时数据及药物智能配送最优路线数据对麻醉科药物进行智能配送，生成麻醉科药物实时配送路线数据；
步骤S5，包括：
步骤S51：利用麻醉科药物价格计算公式对麻醉科药物安全最优化基准数据进行计算，生成麻醉科药物价格数据；
步骤S52：利用智能配送路线里程价格估算公式对药物智能配送最优路线数据进行计算，生成药物智能配送价格数据；
步骤S53：将麻醉科药物配送价格计算公式及药物智能配送价格数据进行综合费用计算，生成麻醉科药物配送费用数据；
步骤S54：将麻醉科药物费用数据上传至医院数据库进行费用收取；
其中，步骤S51的麻醉科药物价格计算公式具体为：
；
其中，为麻醉科药物总价格，/>为麻醉科药物单品类型价格，/>为麻醉科药物活性单品储存环境价格，/>为所需麻醉科药物单品质量，/>为麻醉科药物注射器数量，/>为麻醉科药物注射器单品价格，/>为麻醉科药物注射部位价格，/>为麻醉类型，/>麻醉科药物麻醉时间；
其中，步骤S52的智能配送路线里程价格估算公式具体为：
；
其中，为智能配送路线里程总价格，/>为配送运输所需里程数，/>为单位里程价格，为麻醉科药物活性单品储存环境价格，/>为所需麻醉科药物单品质量，/>配送环境控制成本，/>为配送固定服务费；
步骤S6，包括：
步骤S61：利用5G通信技术对信息反馈模块进行医院内网连接；
步骤S62：利用信息反馈模块对麻醉科药物实时数据的信息进行数据反馈，生成药物反馈数据；
步骤S63：利用深度学习算法对药物反馈数据进行优化分析，生成药物反馈优化数据；
步骤S64：将药物反馈优化数据上传至麻醉科药物智能配送收费系统。
2.一种智能麻醉科药物配送收费系统，其特征在于，包括：
至少一个处理器；
至少一个处理器通信连接的存储器；
存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行如权利要求1所述的智能麻醉科药物配送收费方法。
CN202310678359.3A 2023-06-09 2023-06-09 一种智能麻醉科药物配送收费方法及系统 Active CN116452101B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310678359.3A CN116452101B (zh) 2023-06-09 2023-06-09 一种智能麻醉科药物配送收费方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310678359.3A CN116452101B (zh) 2023-06-09 2023-06-09 一种智能麻醉科药物配送收费方法及系统

Publications (2)

Publication Number Publication Date
CN116452101A CN116452101A (zh) 2023-07-18
CN116452101B true CN116452101B (zh) 2023-08-25

Family

ID=87124031

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310678359.3A Active CN116452101B (zh) 2023-06-09 2023-06-09 一种智能麻醉科药物配送收费方法及系统

Country Status (1)

Country Link
CN (1) CN116452101B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1916923A (zh) * 2006-09-01 2007-02-21 清华大学 人体内物质代谢功能信息可视化的计算机模拟方法
WO2012024401A2 (en) * 2010-08-17 2012-02-23 University Of Florida Research Foundation, Inc. Intelligent drug and/or fluid delivery system to optimizing medical treatment or therapy using pharmacodynamic and/or pharmacokinetic data
CN109009099A (zh) * 2018-07-19 2018-12-18 燕山大学 一种基于eeg-nirs的智能麻醉系统
CN111402948A (zh) * 2020-04-02 2020-07-10 江苏食品药品职业技术学院 基于人工智能和动物实验数据集的药物代谢动力预测模型
CN111833971A (zh) * 2019-04-23 2020-10-27 上海云贵信息科技有限公司 一种基于逻辑回归的药物化合物药代动力学参数预测方法
CN112258109A (zh) * 2020-10-22 2021-01-22 中山大学附属第三医院 一种安全高效的智能麻醉科药物配送收费方法及系统
CN112820359A (zh) * 2021-02-24 2021-05-18 北京中医药大学东直门医院 一种肝损伤预测方法、装置、设备、介质及程序产品
CN114155918A (zh) * 2021-11-22 2022-03-08 中国科学院大学 基于分子对接和分子动力模拟筛选的药物化合物库中的潜在fasn抑制剂试验方法
CN114446383A (zh) * 2022-01-24 2022-05-06 电子科技大学 一种基于量子计算的配体-蛋白相互作用的预测方法
EP4016537A1 (en) * 2020-12-17 2022-06-22 Epillo Health Systems OÜ System and method for blockchain based digital therapeutic devices to predict food-drug constituent interaction
CN115270524A (zh) * 2022-09-27 2022-11-01 天津天堰科技股份有限公司 一种模拟bis的方法
CN115398550A (zh) * 2020-03-23 2022-11-25 基因泰克公司 使用深度学习估计药代动力学参数
CN115444366A (zh) * 2022-08-30 2022-12-09 广东工业大学 一种麻醉深度预测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040122706A1 (en) * 2002-12-18 2004-06-24 Walker Matthew J. Patient data acquisition system and method
US9785983B2 (en) * 2012-06-13 2017-10-10 Opera Solutions U.S.A., Llc System and method for detecting billing errors using predictive modeling

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1916923A (zh) * 2006-09-01 2007-02-21 清华大学 人体内物质代谢功能信息可视化的计算机模拟方法
WO2012024401A2 (en) * 2010-08-17 2012-02-23 University Of Florida Research Foundation, Inc. Intelligent drug and/or fluid delivery system to optimizing medical treatment or therapy using pharmacodynamic and/or pharmacokinetic data
CN109009099A (zh) * 2018-07-19 2018-12-18 燕山大学 一种基于eeg-nirs的智能麻醉系统
CN111833971A (zh) * 2019-04-23 2020-10-27 上海云贵信息科技有限公司 一种基于逻辑回归的药物化合物药代动力学参数预测方法
CN115398550A (zh) * 2020-03-23 2022-11-25 基因泰克公司 使用深度学习估计药代动力学参数
CN111402948A (zh) * 2020-04-02 2020-07-10 江苏食品药品职业技术学院 基于人工智能和动物实验数据集的药物代谢动力预测模型
CN112258109A (zh) * 2020-10-22 2021-01-22 中山大学附属第三医院 一种安全高效的智能麻醉科药物配送收费方法及系统
EP4016537A1 (en) * 2020-12-17 2022-06-22 Epillo Health Systems OÜ System and method for blockchain based digital therapeutic devices to predict food-drug constituent interaction
CN112820359A (zh) * 2021-02-24 2021-05-18 北京中医药大学东直门医院 一种肝损伤预测方法、装置、设备、介质及程序产品
CN114155918A (zh) * 2021-11-22 2022-03-08 中国科学院大学 基于分子对接和分子动力模拟筛选的药物化合物库中的潜在fasn抑制剂试验方法
CN114446383A (zh) * 2022-01-24 2022-05-06 电子科技大学 一种基于量子计算的配体-蛋白相互作用的预测方法
CN115444366A (zh) * 2022-08-30 2022-12-09 广东工业大学 一种麻醉深度预测方法
CN115270524A (zh) * 2022-09-27 2022-11-01 天津天堰科技股份有限公司 一种模拟bis的方法

Also Published As

Publication number Publication date
CN116452101A (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
US20230178203A1 (en) Systems and methods for patient-specific dosing
US11139051B2 (en) Systems and methods for designing clinical trials
CN110880362B (zh) 一种大规模医疗数据知识挖掘与治疗方案推荐系统
US9589104B2 (en) Self-improving method of using online communities to predict health-related outcomes
CN110739038B (zh) 基于医嘱的药品分发系统
KR20050084394A (ko) 컴퓨터 보조 방법
Ramchandran et al. Longitudinal variational autoencoder
Davis et al. Rational prescribing and interpractitioner variation: a multilevel approach
Chaparro-Rico et al. Test-retest, inter-rater and intra-rater reliability for spatiotemporal gait parameters using SANE (an eaSy gAit aNalysis systEm) as measuring instrument
CN106997421A (zh) 个性化医疗信息采集和健康监测的智能系统和方法
Ladha et al. GaitKeeper: a system for measuring canine gait
CN112420141A (zh) 一种中医健康评估系统及其应用
CN111161820A (zh) 一种口腔健康管理系统
Resta et al. Occlusion-based explanations in deep recurrent models for biomedical signals
CN116452101B (zh) 一种智能麻醉科药物配送收费方法及系统
CN108447533A (zh) 一种多功能智慧医疗系统
Pezoulas et al. Generation of virtual patients for in silico cardiomyopathies drug development
Nascimben Machine learning approaches for personalized medicine
Obukhov et al. Examination of the Accuracy of Movement Tracking Systems for Monitoring Exercise for Musculoskeletal Rehabilitation
CN113990468B (zh) 一种集成母乳和输血闭环管理的移动护理系统
Davíðsson et al. Efficient development of gait classification models for five-gaited horses based on mobile phone sensors
Feng et al. Personalized medicine in digital innovation
García-Sáez et al. Mealtime blood glucose classifier based on fuzzy logic for the diabtel telemedicine system
US20220415495A1 (en) Server for providing assessment information on tooth brushing
Sharma et al. Deep Learning Enabled Personalized Clinical Decision Making and Prescription Plan Preparation System for Diagnosis of Skin Cancer Patients

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