CN116646067A - 紧急医疗救援实时动态调度方法与系统 - Google Patents
紧急医疗救援实时动态调度方法与系统 Download PDFInfo
- Publication number
- CN116646067A CN116646067A CN202310922454.3A CN202310922454A CN116646067A CN 116646067 A CN116646067 A CN 116646067A CN 202310922454 A CN202310922454 A CN 202310922454A CN 116646067 A CN116646067 A CN 116646067A
- Authority
- CN
- China
- Prior art keywords
- data
- rescue
- hospital
- real
- factor data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000003062 neural network model Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 5
- 230000035772 mutation Effects 0.000 claims description 4
- 238000002759 z-score normalization Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 abstract description 6
- 230000010365 information processing Effects 0.000 abstract description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 206010070863 Toxicity to various agents Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000004083 survival effect Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Epidemiology (AREA)
- Entrepreneurship & Innovation (AREA)
- Genetics & Genomics (AREA)
- Operations Research (AREA)
- Physiology (AREA)
Abstract
本发明属于医疗信息处理技术领域，涉及紧急医疗救援实时动态调度方法与系统。该方法包括：收集救援数据；救援数据包括若干个救援因子数据；对救援因子数据进行预处理；为救援数据中的各个救援因子数据分配权重系数；根据各个救援因子数据与各个救援因子数据对应的权重系数，建立医院评分模型；对医疗救援评分模型进行迭代求解，确定综合评分最高的目标医院；获取目标医院位置数据，根据救护车实时位置数据、实时交通数据与目标医院位置数据，为救护车规划到达时间最短的路线。本发明根据多个救援因子数据，实时更新医院评分并调整最优救援方案，规划最优救援路线，避免救护车在行驶过程中，道路状况、医院资源、患者病情等时刻变化耽误救援。
Description
技术领域
本发明涉及医疗信息处理技术领域，具体而言，涉及紧急医疗救援实时动态调度方法与系统。
背景技术
紧急医疗救援关系到患者生命安全，快速准确地将患者送往合适的救治医院对于提高患者的救治成功率和生存几率具有重要意义。在紧急情况下，救护车驾驶员和救护人员需要迅速判断最佳的救治医院，同时还要考虑多种因素，如实时交通数据如道路拥挤程度、交通事故、施工等、医院专科能力、可用床位、可用医生数量、患者病情等。然而，在高压的紧急环境下，人为判断可能会受到局限性。
目前紧急医疗救援实时动态调度系统采用调度中心根据患者所在位置直接分发调度任务到辖区指定医院进行救援调度，在救护车形式过程中，由于救护车位置、交通状况和医院资源等数据的变化，不能根据患者的实际情况实时分配最适合的医院，无法分析所有医疗资源信息，容易耽误救治，影响救治效果。
发明内容
为了解决上述技术问题，本发明提供紧急医疗救援实时动态调度方法与系统。
第一方面，本发明提供了紧急医疗救援实时动态调度方法，包括：
收集救援数据；所述救援数据包括若干个救援因子数据；所述救援因子数据用于表征影响救护车救援选择目标医院的因子；
对所述救援因子数据进行预处理；
为所述救援数据中的各个所述救援因子数据分配权重系数；
根据各个所述救援因子数据与各个所述救援因子数据对应的所述权重系数，建立医院评分模型；
对所述医疗救援评分模型进行迭代求解，确定综合评分最高的目标医院；
实时路线规划，获取所述目标医院的目标医院位置数据，根据救护车实时位置数据、实时交通数据与所述目标医院位置数据，为救护车规划到达时间最短的路线。
第二方面，本发明提供了紧急医疗救援实时动态调度系统，包括数据收集单元、预处理单元、权重系数分配单元、模型建立单元、迭代求解单元与路线规划单元；
所述数据收集单元，用于收集救援数据；所述救援数据包括若干个救援因子数据；所述救援因子数据用于表征影响救护车救援选择目标医院的因子；
所述预处理单元，用于对所述救援因子数据进行预处理；
所述权重系数分配单元，用于为所述救援数据中的各个所述救援因子数据分配权重系数；
所述模型建立单元，用于根据所述权重系数与所述救援因子数据，建立医院评分模型；
所述迭代求解单元，用于对所述医疗救援评分模型进行迭代求解，确定综合评分最高的目标医院；
所述路线规划单元，用于获取所述目标医院的目标医院位置数据，根据救护车实时位置数据、实时交通数据与所述目标医院位置数据，为救护车规划到达时间最短的路线。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，对所述救援数据进行预处理包括对收集到的所述救援数据中的各个所述救援因子数据进行数据清洗、格式转换与数据归一化处理；对收集到的所述救援数据进行数据清洗，包括：对缺失数据使用平均值或中位数填充缺失值进行填充，对错误数据采用预设数据进行替换；格式转换包括将位置信息统一转换为坐标信息以及将时间信息转换为统一的标准时间戳形式；数据归一化处理包括使用最大最小归一化与Z-Score标准化对所述救援数据进行处理。
进一步，所述救援因子数据包括所述救护车实时位置数据、所述实时交通数据、医疗资源数据、患者病情信息、患者家属意愿数据与医院信息。
进一步，为所述救援数据中的各个所述救援因子数据分配权重系数，包括：
收集历史救援数据与历史目标医院数据作为训练样本数据，建立各个所述救援因子数据的权重系数的神经网络模型；
利用所述训练样本数据对所述神经网络模型进行训练，得到神经网络模型的各个参数作为分配的所述权重系数。
进一步，所有所述救援因子数据的权重系数之和为1。
进一步，根据各个所述救援因子数据与各个所述救援因子数据对应的所述权重系数，建立医院评分模型，包括：
为所述救援数据中的各个所述救援因子数据进行评分，计算每一个所述救援因子数据的评分结果与每一个所述救援因子数据的所述权重系数的乘积，得到所有所述救援因子数据的总评分，得到所述医院评分模型。
进一步，对所述医疗救援评分模型进行迭代求解，包括：
随机生成一组初始权重系数集，每个初始权重系数集为一个个体；
计算每个个体的适应度；
根据每个个体的适应度，选择两个父代个体进行交叉；
将两个父代个体的权重合并，生成两个新的子代个体；
对每个新生成的子代个体进行随机变异；
将父代个体替换为随机变异后的子代个体；
若满足设定迭代次数或者设定适应度阈值，停止迭代，否则，重新根据每个个体的适应度，选择两个父代个体进行交叉。
本发明的有益效果是：本发明能够实时监测救护车位置、交通状况和医院资源等数据的变化，根据多个救援因子数据，实时更新医院评分并调整最优救援方案，规划最优救援路线，避免救护车在行驶过程中，道路状况、医院资源、患者病情时刻变化耽误救援；同时，如果患者或者患者家属在途中更改意愿，也能够根据患者或者患者家属意愿进行相应的调整。
附图说明
图1为本发明实施例1提供的紧急医疗救援实时动态调度方法的原理图；
图2为本发明实施例2提供的紧急医疗救援实时动态调度系统的原理图。
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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
实施例1
作为一个实施例，如附图1所示，为解决上述技术问题，本实施例提供紧急医疗救援实时动态调度方法，包括：
收集救援数据；救援数据包括若干个救援因子数据；救援因子数据用于表征影响救护车救援选择目标医院的因子；
对救援因子数据进行预处理；
为救援数据中的各个救援因子数据分配权重系数；
根据各个救援因子数据与各个救援因子数据对应的权重系数，建立医院评分模型；
对医疗救援评分模型进行迭代求解，确定综合评分最高的目标医院；
获取目标医院的目标医院位置数据，根据救护车实时位置数据、实时交通数据与目标医院位置数据，为救护车规划到达时间最短的路线。
可选的，对救援数据进行预处理包括对收集到的救援数据中的各个救援因子数据进行数据清洗、格式转换与数据归一化处理；对收集到的救援数据进行数据清洗，包括：对缺失数据使用平均值或中位数填充缺失值进行填充，对错误数据采用预设数据进行替换；格式转换包括将位置信息统一转换为坐标信息以及将时间信息转换为统一的标准时间戳形式；数据归一化处理包括使用最大最小归一化与Z-Score标准化对救援数据进行处理。
可选的，救援因子数据包括救护车实时位置数据、实时交通数据、医疗资源数据、患者病情信息、患者家属意愿数据与医院信息。
在实际应用过程中，需要收集的救护车实时位置数据包括救护车的实时位置数据与速度数据；实时交通数据包括道路拥堵、道路事故与施工信息；医疗资源数据包括医院床位数量、医生数量、医院专科开设信息、医疗设备使用状态信息；患者病情数据，包括病情类型与严重程度，病情类型由救援人员进行判断，如药物中毒、利器受伤等，采用数值进行表示，严重程度由救援人员根据患者病情状态进行评价，采用等级进行表示；患者家属意愿数据，例如家属对于特定医院的偏好、费用承担能力等；医院信息包括医院类别信息、医院救治承载能力与医院位置信息；医院类别信息用于区分医院属于综合医院或者专科医院，医院救治承载能力用于表征医院救治人员的饱和度以及医院剩余资源信息。
在实际应用过程中，采用API接口的方式查询实时的交通数据，医院信息系统获取数据采用数据库查询的方式，并将数据发送至救护车端。
可选的，为救援数据中的各个救援因子数据分配权重系数，包括：
收集历史救援数据与历史目标医院数据作为训练样本数据，建立各个救援因子数据的权重系数的神经网络模型；
利用训练样本数据对神经网络模型进行训练，得到神经网络模型的各个参数作为分配的权重系数。
在实际应用过程中，救援因子数据作为影响救护车到达医院的实际时间的影响因子，通过建立神经网络模型，利用历史救援数据对神经网络模型进行训练，得到更可靠的权重系数。
可选的，所有救援因子数据的权重系数之和为1。
可选的，根据各个救援因子数据与各个救援因子数据对应的权重系数，建立医院评分模型，包括：
为救援数据中的各个救援因子数据进行评分，计算每一个救援因子数据的评分结果与每一个救援因子数据的权重系数的乘积，得到所有救援因子数据的总评分，得到医院评分模型。
在实际应用过程中，对于救护车实时位置数据，距离设定范围内的所有医院的平均距离越小，评分越高；对于实时交通数据，根据实时的交通数据来评分，交通状况越好，评分越高；对于医疗资源数据，根据医院的等级、规模和患者自身意愿等来评分，例如，若患者有明确的意向医院则不影响成功救援的前提下优先考虑意向医院；对于患者病情信息，根据患者病情判断是否将候选医院范围缩小至专科医院救援人员对患者病情信息进行评分；对于患者家属意愿数据，若患者家属有明确的意向医院则在不影响成功救援的前提下优先考虑意向医院；对于医院信息，救护车与医院的距离越近，评分越高，剩余医疗资源越丰富评分越高。
设救护车实时位置数据评分为T，权重系数为w1；实时交通数据评分为P,权重系数为w2;医疗资源数据为C，权重系数为w3;患者病情信息为S，权重系数为w4;患者家属意愿数据为R，权重系数为w5;医院信息为Y，权重系数为w6;总评分为H,则：
H=w1*T+w2*P+w3*C+w4*S+w5*R+w6*Y；
其中，w1+w2+w3+w4+w5+w6=1。可选的，救护车实时位置数据评分T、实时交通数据评分P、医疗资源数据C、患者病情信息S、患者家属意愿数据为R与医院信息为Y的取值范围均为0到1之间。
可选的，对医疗救援评分模型进行迭代求解，包括：
随机生成一组初始权重系数集，每个初始权重系数集为一个个体；
计算每个个体的适应度；可选的，适应度为总评分的负值，即-H，这样能够保证遗传算法找到最优的权重集；
根据每个个体的适应度，选择两个父代个体进行交叉；
将两个父代个体的权重合并，生成两个新的子代个体；如取两个父代权重的平均值；
对每个新生成的子代个体进行随机变异；变异可以是增加一个随机值，也可以是减少一个随机值；
将父代个体替换为随机变异后的子代个体；
若满足设定迭代次数或者设定适应度阈值，停止迭代，否则，重新根据每个个体的适应度，选择两个父代个体进行交叉。
本发明能够根据多个救援因子数据确定实时最优救援方案，选择最优的救援医院，规划最优救援路线。
在救护车行驶过程中，道路状况、医院资源、患者病情时刻变化，本发明能够实时监测救护车位置、交通状况和医院资源等数据的变化，根据多个救援因子数据，实时更新医院评分并调整最优救援方案，规划最优救援路线，避免救护车在行驶过程中，道路状况、医院资源、患者病情时刻变化耽误救援；同时，如果患者或者患者家属在途中更改意愿，也能够根据患者或者患者家属意愿进行相应的调整。
在实际应用过程中，采用人机界面为救护车驾驶员、救护人员、患者和患者家属提供一个直观、易于操作的用户界面，以便迅速获取关键信息，如最佳路线、目标医院信息和预计到达时间等，同时，用户界面为患者家属提供关于医院专科能力和费用承担能力等信息。
实施例2
基于与本发明的实施例1中所示的方法相同的原理，如附图2所示，本发明的实施例中还提供了紧急医疗救援实时动态调度系统，包括数据收集单元、预处理单元、权重系数分配单元、模型建立单元、迭代求解单元与路线规划单元；
数据收集单元，用于收集救援数据；救援数据包括若干个救援因子数据；救援因子数据用于表征影响救护车救援选择目标医院的因子；
预处理单元，用于对救援因子数据进行预处理；
权重系数分配单元，用于为救援数据中的各个救援因子数据分配权重系数；
模型建立单元，用于根据权重系数与救援因子数据，建立医院评分模型；
迭代求解单元，用于对医疗救援评分模型进行迭代求解，确定综合评分最高的目标医院；
路线规划单元，用于获取目标医院的目标医院位置数据，根据救护车实时位置数据、实时交通数据与目标医院位置数据，为救护车规划到达时间最短的路线。
可选的，对救援数据进行预处理包括对收集到的救援数据中的各个救援因子数据进行数据清洗、格式转换与数据归一化处理；对收集到的救援数据进行数据清洗，包括：对缺失数据使用平均值或中位数填充缺失值进行填充，对错误数据采用预设数据进行替换；格式转换包括将位置信息统一转换为坐标信息以及将时间信息转换为统一的标准时间戳形式；数据归一化处理包括使用最大最小归一化与Z-Score标准化对救援数据进行处理。
可选的，救援因子数据包括救护车实时位置数据、实时交通数据、医疗资源数据、患者病情信息、患者家属意愿数据与医院信息。
可选的，为救援数据中的各个救援因子数据分配权重系数，包括：
收集历史救援数据与历史目标医院数据作为训练样本数据，建立各个救援因子数据的权重系数的神经网络模型；
利用训练样本数据对神经网络模型进行训练，得到神经网络模型的各个参数作为分配的权重系数。
可选的，所有救援因子数据的权重系数之和为1。
可选的，根据各个救援因子数据与各个救援因子数据对应的权重系数，建立医院评分模型，包括：
为救援数据中的各个救援因子数据进行评分，计算每一个救援因子数据的评分结果与每一个救援因子数据的权重系数的乘积，得到所有救援因子数据的总评分，得到医院评分模型。
可选的，对医疗救援评分模型进行迭代求解，包括：
随机生成一组初始权重系数集，每个初始权重系数集为一个个体；
计算每个个体的适应度；
根据每个个体的适应度，选择两个父代个体进行交叉；
将两个父代个体的权重合并，生成两个新的子代个体；
对每个新生成的子代个体进行随机变异；
将父代个体替换为随机变异后的子代个体；
若满足设定迭代次数或者设定适应度阈值，停止迭代，否则，重新根据每个个体的适应度，选择两个父代个体进行交叉。
在实际应用过程中，该系统还设置有显示单元。采用人机界面为救护车驾驶员、救护人员、患者和患者家属提供一个直观、易于操作的用户界面，以便迅速获取关键信息，如最佳路线、目标医院信息和预计到达时间等，同时，用户界面为患者家属提供关于医院专科能力和费用承担能力等信息。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.紧急医疗救援实时动态调度方法，其特征在于，包括：
收集救援数据；所述救援数据包括若干个救援因子数据；所述救援因子数据用于表征影响救护车救援选择目标医院的因子；
对所述救援因子数据进行预处理；
为所述救援数据中的各个所述救援因子数据分配权重系数；
根据各个所述救援因子数据与各个所述救援因子数据对应的所述权重系数，建立医院评分模型；
对所述医疗救援评分模型进行迭代求解，确定综合评分最高的目标医院；
获取所述目标医院的目标医院位置数据，根据救护车实时位置数据、实时交通数据与所述目标医院位置数据，为救护车规划到达时间最短的路线。
2.根据权利要求1所述紧急医疗救援实时动态调度方法，其特征在于，对所述救援数据进行预处理包括对收集到的所述救援数据中的各个所述救援因子数据进行数据清洗、格式转换与数据归一化处理；对收集到的所述救援数据进行数据清洗，包括：对缺失数据使用平均值或中位数填充缺失值进行填充，对错误数据采用预设数据进行替换；格式转换包括将位置信息统一转换为坐标信息以及将时间信息转换为统一的标准时间戳形式；数据归一化处理包括使用最大最小归一化与Z-Score标准化对所述救援数据进行处理。
3.根据权利要求1所述紧急医疗救援实时动态调度方法，其特征在于，所述救援因子数据包括所述救护车实时位置数据、所述实时交通数据、医疗资源数据、患者病情信息、患者家属意愿数据与医院信息。
4.根据权利要求1所述紧急医疗救援实时动态调度方法，其特征在于，为所述救援数据中的各个所述救援因子数据分配权重系数，包括：
收集历史救援数据与历史目标医院数据作为训练样本数据，建立各个所述救援因子数据的权重系数的神经网络模型；
利用所述训练样本数据对所述神经网络模型进行训练，得到神经网络模型的各个参数作为分配的所述权重系数。
5.根据权利要求1所述紧急医疗救援实时动态调度方法，其特征在于，所有所述救援因子数据的权重系数之和为1。
6.根据权利要求1所述紧急医疗救援实时动态调度方法，其特征在于，根据各个所述救援因子数据与各个所述救援因子数据对应的所述权重系数，建立医院评分模型，包括：
为所述救援数据中的各个所述救援因子数据进行评分，计算每一个所述救援因子数据的评分结果与每一个所述救援因子数据的所述权重系数的乘积，得到所有所述救援因子数据的总评分，得到所述医院评分模型。
7.根据权利要求1所述紧急医疗救援实时动态调度方法，其特征在于，对所述医疗救援评分模型进行迭代求解，包括：
随机生成一组初始权重系数集，每个初始权重系数集为一个个体；
计算每个个体的适应度；
根据每个个体的适应度，选择两个父代个体进行交叉；
将两个父代个体的权重合并，生成两个新的子代个体；
对每个新生成的子代个体进行随机变异；
将父代个体替换为随机变异后的子代个体；
若满足设定迭代次数或者设定适应度阈值，停止迭代，否则，重新根据每个个体的适应度，选择两个父代个体进行交叉。
8.紧急医疗救援实时动态调度系统，其特征在于，包括数据收集单元、预处理单元、权重系数分配单元、模型建立单元、迭代求解单元与路线规划单元；
所述数据收集单元，用于收集救援数据；所述救援数据包括若干个救援因子数据；所述救援因子数据用于表征影响救护车救援选择目标医院的因子；
所述预处理单元，用于对所述救援因子数据进行预处理；
所述权重系数分配单元，用于为所述救援数据中的各个所述救援因子数据分配权重系数；
所述模型建立单元，用于根据所述权重系数与所述救援因子数据，建立医院评分模型；
所述迭代求解单元，用于对所述医疗救援评分模型进行迭代求解，确定综合评分最高的目标医院；
所述路线规划单元，用于获取所述目标医院的目标医院位置数据，根据救护车实时位置数据、实时交通数据与所述目标医院位置数据，为救护车规划到达时间最短的路线。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310922454.3A CN116646067A (zh) | 2023-07-26 | 2023-07-26 | 紧急医疗救援实时动态调度方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310922454.3A CN116646067A (zh) | 2023-07-26 | 2023-07-26 | 紧急医疗救援实时动态调度方法与系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116646067A true CN116646067A (zh) | 2023-08-25 |
Family
ID=87625069
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310922454.3A Pending CN116646067A (zh) | 2023-07-26 | 2023-07-26 | 紧急医疗救援实时动态调度方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116646067A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116825314A (zh) * | 2023-08-28 | 2023-09-29 | 四川互慧软件有限公司 | 基于运筹学的医疗救护资源动态优化分配系统与方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107392810A (zh) * | 2017-08-27 | 2017-11-24 | 安庆师范大学 | 一种基于指标权重学习和行为熵的微格教学综合评价方法 |
| CN108492185A (zh) * | 2018-02-07 | 2018-09-04 | 国网河南省电力公司 | 一种面向不确定规划问题的求解方法及系统 |
| CN108550391A (zh) * | 2018-04-16 | 2018-09-18 | 青岛大学附属医院 | 医疗救援方法、系统、计算机装置及可读存储介质 |
| CN109767831A (zh) * | 2018-12-13 | 2019-05-17 | 平安医疗健康管理股份有限公司 | 一种医疗机构评价方法、评价装置及计算机可读存储介质 |
| CN110334843A (zh) * | 2019-04-22 | 2019-10-15 | 山东大学 | 一种时变注意力改进Bi-LSTM的住院就医行为预测方法及装置 |
-
2023
- 2023-07-26 CN CN202310922454.3A patent/CN116646067A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107392810A (zh) * | 2017-08-27 | 2017-11-24 | 安庆师范大学 | 一种基于指标权重学习和行为熵的微格教学综合评价方法 |
| CN108492185A (zh) * | 2018-02-07 | 2018-09-04 | 国网河南省电力公司 | 一种面向不确定规划问题的求解方法及系统 |
| CN108550391A (zh) * | 2018-04-16 | 2018-09-18 | 青岛大学附属医院 | 医疗救援方法、系统、计算机装置及可读存储介质 |
| CN109767831A (zh) * | 2018-12-13 | 2019-05-17 | 平安医疗健康管理股份有限公司 | 一种医疗机构评价方法、评价装置及计算机可读存储介质 |
| CN110334843A (zh) * | 2019-04-22 | 2019-10-15 | 山东大学 | 一种时变注意力改进Bi-LSTM的住院就医行为预测方法及装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116825314A (zh) * | 2023-08-28 | 2023-09-29 | 四川互慧软件有限公司 | 基于运筹学的医疗救护资源动态优化分配系统与方法 |
| CN116825314B (zh) * | 2023-08-28 | 2023-11-21 | 四川互慧软件有限公司 | 基于运筹学的医疗救护资源动态优化分配系统与方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116646067A (zh) | 紧急医疗救援实时动态调度方法与系统 | |
| CN116825314B (zh) | 基于运筹学的医疗救护资源动态优化分配系统与方法 | |
| CN106923846B (zh) | 一种心理压力评估与反馈系统 | |
| Silva et al. | Emergency medical systems analysis by simulation and optimization | |
| CA2479963A1 (en) | A method and system of mass and multiple casualty triage | |
| CN110047591B (zh) | 一种针对外科手术过程中医生姿态评估方法 | |
| CN113012809A (zh) | 养老机构风险预警方法 | |
| het Veld et al. | Substitution of Fried’s performance-based physical frailty criteria with self-report questions | |
| CN117116497B (zh) | 一种用于妇科疾病的临床护理管理系统 | |
| CN113782208A (zh) | 基于智能康复设备的家庭健康评估及干预系统 | |
| CN112837774A (zh) | 一种居家养老护理服务智能评估方法 | |
| CN113889252A (zh) | 基于生命体征大数据聚类核心算法和区块链的远程互联网大数据智慧医疗系统 | |
| CN116895372A (zh) | 一种基于大规模语言模型与元学习的智能急救分级系统 | |
| Salentijn et al. | Six Sigma to distinguish patterns in COVID-19 approaches | |
| CN115083584A (zh) | 基于大数据的单病种全病程管理系统 | |
| Chouba et al. | An efficient simulation-based optimization approach for improving emergency department performance | |
| CN113869553A (zh) | 药品投递系统和方法 | |
| CN116246782A (zh) | 一种老年人照护服务的风险判定系统 | |
| CN113113124A (zh) | 一种神经外科多患者的整合护理方法及系统 | |
| CN114155943A (zh) | 一种医疗急诊信息管理系统 | |
| CN113706111A (zh) | 医疗机构流程数据的处理方法、装置、设备及介质 | |
| CN113113127A (zh) | 基于5g和nb-iot的无线急诊预检分诊系统及方法 | |
| JP2013109591A (ja) | シナリオ作成装置、シナリオ作成プログラムおよびその記録媒体 | |
| TWI647653B (zh) | 病人轉診系統及其方法 | |
| CN116313017B (zh) | 云计算下的公共卫生调度一体化平台 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230825 |