CN116881674B - 医疗器械使用量的预测方法、装置及电子设备 - Google Patents

医疗器械使用量的预测方法、装置及电子设备 Download PDF

Info

Publication number
CN116881674B
CN116881674B CN202311148414.4A CN202311148414A CN116881674B CN 116881674 B CN116881674 B CN 116881674B CN 202311148414 A CN202311148414 A CN 202311148414A CN 116881674 B CN116881674 B CN 116881674B
Authority
CN
China
Prior art keywords
key
key value
usage
historical usage
medical instrument
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
CN202311148414.4A
Other languages
English (en)
Other versions
CN116881674A (zh
Inventor
张锋
宋铮铮
陈江华
闸海涛
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.)
Beijing Sinopharm New Technology Development Co ltd
Original Assignee
Beijing Sinopharm New 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 Beijing Sinopharm New Technology Development Co ltd filed Critical Beijing Sinopharm New Technology Development Co ltd
Priority to CN202311148414.4A priority Critical patent/CN116881674B/zh
Publication of CN116881674A publication Critical patent/CN116881674A/zh
Application granted granted Critical
Publication of CN116881674B publication Critical patent/CN116881674B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供的一种医疗器械使用量的预测方法、装置及电子设备中，通过访问目标临床科室的医疗器械数据库，以获取目标医疗器械的历史使用量数据；对历史使用量数据进行序列化，得到基于统计周期创建的历史使用量序列；将历史使用量序列映射为键值对超平面簇谱，基于键值对超平面簇谱拟合使用量预测模型，以基于使用量预测模型预测未来设定时段内目标医疗器械的使用量，从而避免了现有技术中模型可能会出现过拟合的问题，简化了拟合出的模型，同时保证了预测出的使用量尽可能准确。

Description

医疗器械使用量的预测方法、装置及电子设备
技术领域
本申请涉及医疗处理技术领域，尤其涉及一种医疗器械使用量的预测方法、装置及电子设备。
背景技术
医疗机构通过对医疗器械的使用量进行预测，可以根据预测的使用量制定器械采购计划、调整库存水平，以确保在需要时有足够的医疗器械可用，同时，医疗机构可以更好地与供应商进行合作，与供应商协商订购量和交货时间，减少供应链中的物流成本和库存风险，优化供应链管理，避免过多的库存造成资源浪费。
现有技术中的解决方案中，绝大部分医疗机构都是通过人工来进行预测，有些导致预测的使用量非常主观，准确性较差，并未有效达到上述目的。
为此，现有技术中，出现了基于医疗器械的使用量来建立预测模型，据此来进行使用量预测的解决方案。比如，基于交叉验证或留出法验证模型时，需要将历史数据分为训练集和验证集，由此导致模型可能会出现过拟合的问题，使得拟合出的模型过于复杂，导致在实际用时预测出的使用量不准确。
发明内容
本申请的目的在于提出一种医疗器械使用量的预测方法、装置及电子设备，用于解决或者缓解现有技术中存在的技术问题。
一种医疗器械使用量的预测方法，其包括：
访问目标临床科室的医疗器械数据库，以获取目标医疗器械的历史使用量数据；
对所述历史使用量数据进行序列化，得到基于统计周期创建的历史使用量序列；
将所述历史使用量序列映射为键值对超平面簇谱，所述键值对超平面簇谱满足如下条件：其中的每个键值对包括主键、副键以及值，所述主键为所述目标医疗器械的ID，所述副键为一个统计周期，所述值为对应该一个统计周期内的历史使用量数据，且，在所述键值对超平面簇谱中，依据键值对之间的距离进行稀疏分布处理，以使得距离越近的键值对离得越近，距离越远的键值对离得越远；
基于所述键值对超平面簇谱拟合使用量预测模型，以基于所述使用量预测模型预测未来设定时段内所述目标医疗器械的使用量。
一种医疗器械使用量的预测装置，其包括：
数据获取单元，访问目标临床科室的医疗器械数据库，以获取目标医疗器械的历史使用量数据；
序列化单元，用于对所述历史使用量数据进行序列化，得到基于统计周期创建的历史使用量序列；
映射单元，用于将所述历史使用量序列映射为键值对超平面簇谱，所述键值对超平面簇谱满足如下条件：其中的每个键值对包括主键、副键以及值，所述主键为所述目标医疗器械的ID，所述键值副键为一个统计周期，所述值为对应该一个统计周期内的历史使用量数据，且，在所述键值对超平面簇谱中，依据键值对之间的距离进行稀疏分布处理，以使得距离越近的键值对离得越近，距离越远的键值对离得越远；
预测单元，用于基于所述键值对超平面簇谱拟合使用量预测模型，以基于所述使用量预测模型预测未来设定时段内所述目标医疗器械的使用量。
一种电子设备，其包括：
一个或多个处理器；
计算机可读介质，配置为存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本申请任意一项实施例所述的方法。
本申请提供的一种医疗器械使用量的预测方法、装置及电子设备中，通过访问目标临床科室的医疗器械数据库，以获取目标医疗器械的历史使用量数据；对所述历史使用量数据进行序列化，得到基于统计周期创建的历史使用量序列；将所述历史使用量序列映射为键值对超平面簇谱，所述键值对超平面簇谱满足如下条件：其中的每个键值对包括主键、副键以及值，所述主键为所述目标医疗器械的ID，所述副键为一个统计周期，所述值为对应该一个统计周期内的历史使用量数据，且，在所述键值对超平面簇谱中，依据键值对之间的距离进行稀疏分布处理，以使得距离越近的键值对离得越近，距离越远的键值对离得越远；基于所述键值对超平面簇谱拟合使用量预测模型，以基于所述使用量预测模型预测未来设定时段内所述目标医疗器械的使用量，从而避免了现有技术中模型可能会出现过拟合的问题，简化了拟合出的模型，同时保证了预测出的使用量尽可能准确。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本申请实施例的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。附图中：
图1为本申请实施例一种医疗器械使用量的预测方法的流程示意图。
图2为本申请实施例一种医疗器械使用量的预测装置的结构示意图。
图3为本实施例电子设备的结构示意图。
图4为本实施例电子设备的硬件结构。
具体实施方式
为了使本领域的人员更好地理解本申请实施例中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员所获得的所有其他实施例，都应当属于本申请实施例保护的范围。
本申请提供的一种医疗器械使用量的预测方法、装置及电子设备中，通过访问目标临床科室的医疗器械数据库，以获取目标医疗器械的历史使用量数据；对所述历史使用量数据进行序列化，得到基于统计周期创建的历史使用量序列；将所述历史使用量序列映射为键值对超平面簇谱，所述键值对超平面簇谱满足如下条件：其中的每个键值对包括主键、副键以及值，所述主键为所述目标医疗器械的ID，所述副键为一个统计周期，所述值为对应该一个统计周期内的历史使用量数据，且，在所述键值对超平面簇谱中，依据键值对之间的距离进行稀疏分布处理，以使得距离越近的键值对离得越近，距离越远的键值对离得越远；基于所述键值对超平面簇谱拟合使用量预测模型，以基于所述使用量预测模型预测未来设定时段内所述目标医疗器械的使用量，从而避免了现有技术中模型可能会出现过拟合的问题，简化了拟合出的模型，同时保证了预测出的使用量尽可能准确。
图1为本申请实施例一种医疗器械使用量的预测方法的流程示意图。如图1所示，其包括：
S101、访问目标临床科室的医疗器械数据库，以获取目标医疗器械的历史使用量数据；
S102、对所述历史使用量数据进行序列化，得到基于统计周期创建的历史使用量序列；
S103、将所述历史使用量序列映射为键值对超平面簇谱；
其中，所述键值对超平面簇谱满足如下条件：其中的每个键值对包括主键、副键以及值，所述键值对中主键为所述目标医疗器械的ID，所述键值对中的副键为一个统计周期，所述值为对应该一个统计周期内的历史使用量数据，且，在所述键值对超平面簇谱中，依据键值对之间的距离进行稀疏分布处理，以使得距离越近的键值对离得越近，距离越远的键值对离得越远；
S104、基于所述键值对超平面簇谱拟合使用量预测模型，以基于所述使用量预测模型预测未来设定时段内所述目标医疗器械的使用量。
本实施例中，由于在所述键值对超平面簇谱中，依据键值对之间的距离进行稀疏分布处理，以使得距离越近的键值对离得越近，距离越远的键值对离得越远，从而实现了可以将原始的键值对表示转换为更具有区分度的特征表示，距离越近的键值对被分配到相邻的位置，这样可以更好地捕捉到数据中的局部结构和相似性，从而可以更好地反映数据的内在模式，有助于提高模型的预测准确性。另外，稀疏分布处理可以将距离较近的键值对聚集在一起，形成紧密的簇，从而有助于识别和分离不同的数据簇，更准确地捕捉到数据内在的类别信息，从而帮助拟合模型更好地理解数据的结构和分布，提高模型拟合时的准确性。
可选地，一实施例中，所述访问目标临床科室的医疗器械数据库，以获取目标医疗器械的历史使用量数据，包括：
调用预先构建的正则表达式，在所述目标临床科室的医疗器械数据库中进行正则匹配，以获取目标医疗器械的历史使用量数据，所述正则表达式的结构为：(?<=^| )([A-Z]{n}-\d+) (\d+)，其中，(?<=^| )表示正向预查，用于匹配目标医疗器械的ID中字符串的开头（^）或一个空格字符（ ），([A-Z]{n}-\d+)表示医疗器械编号匹配的模式，匹配A-Z中的n个大写字母、一个连字符和一个或多个数字，n为大于1的正整数，(\d+)：使用量格式匹配，用于匹配历史使用量数据的格式，包括匹配一个或多个数字。
可选地，一实施例中，所述的方法还包括：对多个键值对进行均值处理，以得到稀疏分布边界，以在进行稀疏分布时基于所述稀疏分布边界使得距离越近的键值对离得越近，距离越远的键值对离得越远。
可选地，一实施例中，所述的方法还包括：基于所述历史使用量数据中的最大值，最小值，对所述历史使用量数据进行归一化处理，以在对所述历史使用量数据进行序列化时，对归一化后的历史使用量数据进行序列化。
示例性地，比如可以基于如下公式来进行归一化处理：
表示归一化后的历史使用量数据，/>表示所述历史使用量数据中的最大值，/>表示所述历史使用量数据中的最小值，/>表示所述历史使用量数据。
本实施例中，通过上述归一化过程，相当于建立了不同数据之间的逻辑联系，在后续进行序列化时能尽可能体现数据之间的关系，从而保证了后续进行预测模型时的准确度。
可选地，一实施例中，所述的方法，还包括：
基于所述历史使用量数据，生成时间序列观测图；
基于设定的滞后阶数以及对应的自相关系数，对所述时间序列观测图进行相关性分析，得到相关性分析结果；
基于所述相关性分析结果，计算所述时间序列观测图的平稳置信度；
根据所述平稳置信度，判断所述历史使用量数据之间是否满足设定的平稳度；如果满足，则执行所述对所述历史使用量数据进行序列化。
可选地，所述基于设定的滞后阶数以及对应的自相关系数，对所述时间序列观测图进行相关性分析，得到相关性分析结果，包括：
基于设定的滞后阶数以及对应的自相关系数，对所述时间序列观测图进行周期性和非周期性差分处理，分别得到对应的自相关度量值以及偏自相关度量值；
根据所述自相关度量值绘制自相关图，以及根据偏自相关度量值绘制偏自相关图，其中，在所述自相关图中表征以所述时间序列观测图的基线为参考，所述自相关系数随所述滞后阶数的变化趋势，所述偏自相关图显示以滞后阶数次的基线为参考，所述自相关系数随所述滞后阶数的变化趋势；
将所述自相关图和所述偏自相关图作为相关性分析结果。
在一应用场景中，提供了如下一种具体的示例性代码，比如基于python来实现：
import numpy as np
import matplotlib.pyplot as plt
from statsmodels.tsa.stattools import acf, pacf
# 原始时间序列观测图
time_series = [10, 20, 15, 25, 30, 35, 30, 25, 20, 15, 10, 5]
plt.plot(time_series)
plt.xlabel('Time')
plt.ylabel('Usage')
plt.title('Original Time Series')
plt.show()
# 周期性差分处理
period_diff = np.diff(time_series, n=2)
plt.plot(period_diff)
plt.xlabel('Time')
plt.ylabel('Usage')
plt.title('Periodic Differencing')
plt.show()
# 非周期性差分处理
non_period_diff = np.diff(time_series)
plt.plot(non_period_diff)
plt.xlabel('Time')
plt.ylabel('Usage')
plt.title('Non-periodic Differencing')
plt.show()
# 计算自相关度量值和偏自相关度量值
acf_period_diff = acf(period_diff, nlags=len(period_diff))
pacf_period_diff = pacf(period_diff, nlags=len(period_diff))
acf_non_period_diff = acf(non_period_diff, nlags=len(non_period_diff))
pacf_non_period_diff = pacf(non_period_diff, nlags=len(non_period_diff))
# 绘制自相关图
plt.stem(acf_period_diff)
plt.xlabel('Lag')
plt.ylabel('Autocorrelation')
plt.title('Autocorrelation Plot (Periodic Differencing)')
plt.show()
plt.stem(acf_non_period_diff)
plt.xlabel('Lag')
plt.ylabel('Autocorrelation')
plt.title('Autocorrelation Plot (Non-periodic Differencing)')
plt.show()
# 绘制偏自相关图
plt.stem(pacf_period_diff)
plt.xlabel('Lag')
plt.ylabel('Partial Autocorrelation')
plt.title('Partial Autocorrelation Plot (Periodic Differencing)')
plt.show()
plt.stem(pacf_non_period_diff)
plt.xlabel('Lag')
plt.ylabel('Partial Autocorrelation')
plt.title('Partial Autocorrelation Plot (Non-periodic Differencing)')
plt.show()
上述示例性代码中，首先绘制了原始时间序列观测图，然后进行了周期性和非周期性差分处理，并绘制了差分后的图形。进一步使用statsmodels库中的acf和pacf函数计算了自相关度量值和偏自相关度量值，并分别绘制了自相关图和偏自相关图。
本实施例中，通过进行周期性和非周期性差分处理，可以将非平稳的时间序列转化为平稳的时间序列，从而保证平稳时间序列具有稳定的均值和方差，更容易进行模型建立和预测。进一步，由于自相关图和偏自相关图提供了关于时间序列延迟期的信息，有助于了解时间序列的季节性、趋势和周期性，同时通过计算自相关度量值和偏自相关度量值，可以了解时间序列中的相关性结构。另外，自相关图和偏自相关图有利于拟合时，控制使用量预测模型的阶数，避免了模型拟合时出现过拟合，在保证使用量模型的准确度的同时，保证了使用量预测模型的结构尽可能简单。
可选地，本实施例中，所述根据所述平稳置信度，判断所述历史使用量数据之间是否满足设定的平稳度，包括：
根据所述平稳置信度，代入到构建的1阶自回归序列模型中，计算所述平稳置信度在所述1阶自回归序列模型所在复平面的特征值，并判断所述特征值是否位于所述复平面上定义的单位圆内，所述单位圆的圆心为复平面的原点。
在一应用场景中，提供了一种示例性地代码：
import numpy as np
from numpy.linalg import eig
# 构建1阶自回归序列模型的系数矩阵
ar_coeffs = np.array([[0.8]])
# 计算特征值和特征向量
eigenvalues, eigenvectors = eig(ar_coeffs)
# 判断特征值是否位于单位圆内
is_inside_unit_circle = np.abs(eigenvalues)<1
print("特征值:", eigenvalues)
print("特征向量:", eigenvectors)
print("特征值是否位于单位圆内:", is_inside_unit_circle)
在上述应用场景中，构建了1阶自回归序列模型的系数矩阵ar_coeffs，然后利用numpy库中的eig函数计算了特征值和特征向量。进一步，通过比较特征值的绝对值与1的大小，判断特征值是否位于单位圆内。最后，输出特征值、特征向量以及特征值是否位于单位圆内的结果。
本实施例中，通过将所述平稳置信度代入到构建的1阶自回归序列模型中得到特征值，从而挖掘出了所述历史使用量数据中的稳定性和动态行为特征，进一步再判断特征值是否位于单位圆内，从而判断该稳定性和动态行为特征是否平稳，如果位于所述单位圆内，则表示所述历史使用量数据的质量较高，可以用于执行后续模型拟合的处理。如果不平稳，则对所述历史使用量数据进行平稳化处理，再执行上述根据所述平稳置信度，判断所述历史使用量数据之间是否满足设定的平稳度，直至满足对应的特征值位于单位圆内。另外，基于特征值来确定可以参与序列化的所述历史使用量数据，保证了模型的复杂度较低，估计参数数量较少。
可替代地，在一实施例中，所述的方法，还包括：检测所述历史使用量数据中的白噪声度量值，若所述白噪声度量值小于设定的白噪声度量阈值，则判定所述历史使用量数据为非白噪声数据，并执行所述对所述历史使用量数据进行序列化。
比如，将所述历史使用量数据拟合到一时间序列模型中，在该模型中计算历史使用量数据的残差序列，进一步计算残差序列的自相关系数，再计算自相关系数的平方和，然后乘以历史使用量数据的总量，从而得到白噪声度量值。
一应用场景中，提供了一种示例性的代码以实现白噪声度量值的计算：
import pandas as pd
import numpy as np
from statsmodels.tsa.arima.model import ARIMA
from statsmodels.graphics.tsaplots import plot_acf
# 假设历史使用量数据已经存储在一个名为data的DataFrame中，其中一列是时间，一列是使用量
data = pd.read_csv('historical_data.csv')
# 将时间列设置为索引，并将使用量列转换为时间序列
data['Date'] = pd.to_datetime(data['Date'])
data.set_index('Date', inplace=True)
ts = data['Usage']
# 拟合模型
model = ARIMA(ts, order=(1, 0, 0))
model_fit = model.fit()
# 计算残差序列
residuals = model_fit.resid
# 计算残差序列的自相关系数
acf = plot_acf(residuals, lags=len(residuals)-1, zero=False)
acf_vals = acf[0].get_ydata()[1:]
# 计算自相关系数的平方和
acf_squared_sum = np.sum(acf_vals**2)
# 计算白噪声度量值
white_noise_measure = acf_squared_sum * np.sum(ts)
print("白噪声度量值:", white_noise_measure)
可选地，一实施例中，所述基于所述键值对超平面簇谱拟合使用量预测模型，以基于所述使用量预测模型预测未来设定时段内所述目标医疗器械的使用量，包括：
对所述键值对超平面簇谱上的键值对分布进行聚类统计，得到若干键值对点云群组；
计算每个键值对点云群组的中心，并基于所有键值对点云群组的中心，拟合出所述使用量预测模型，以基于所述使用量预测模型预测未来设定时段内所述目标医疗器械的使用量。
可选地，对所述键值对超平面簇谱上的键值对分布进行聚类统计，得到若干键值对点云群组，比如包括如下步骤：
将键值对超平面簇谱上的键值转换为特征向量的形式，其中每个键值对的特征向量包含多个维度的特征。
对键值对对应的特征向量进行聚类分析得到若干个簇得到聚类结果，每个簇包含具有相似特征的多个键值对。
从聚类结果中提取出键值对的点云群组，以将具有键值之差在设定范围内键值对归为同一群组从而得到若干键值对点云群组。
对每个键值对点云群组计算群组的中心点，比如基于群组的大小、群组的密度等来均值计算。
下面是一个示例代码，以实现对键值对超平面簇谱上的键值对进行聚类统计：
from sklearn.cluster import KMeans
# 假设键值对数据已经存储在一个名为data的DataFrame中，其中每一行是一个键值对的特征向量
data = pd.read_csv('key_value_pairs.csv')
# 选择聚类算法并进行聚类分析
k = 3 # 设定聚类的簇数
kmeans = KMeans(n_clusters=k)
kmeans.fit(data)
# 获取聚类结果
labels = kmeans.labels_
# 根据聚类结果提取键值对的点云群组
groups = {}
for i, label in enumerate(labels):
if label not in groups:
groups[label]= []
groups[label].append(data.iloc[i])
# 对每个点云群组进行统计分析
for label, group in groups.items():
# 计算群组的中心点
centroid = np.mean(group, axis=0)
print("群组", label, "的中心点:", centroid)
示例性地，比如所述使用量预测模型为Y = β0 + β1X1 + β2X2 + ... + βn*Xn，其中Y是所述目标医疗器械使用量的预测值，β0、β1、β2… βn是所述使用量预测模型的系数，X1、X2、… Xn分别为第1个点云群组、第2个点云群组…第n个键值对点云群组的中心的坐标，n为大于等于2的正整数，表示点云群组的总数量。
所述基于所有键值对点云群组的中心，拟合出所述使用量预测模型包括：
将n个键值对点云群组的中心的坐标进行升维处理，得到对应的特征向量，以基于所述n个键值对点云群组的中心对应的特征向量，形成特征矩阵；
基于构建的目标向量，通过以下公式来求解系数向量β=[β0, β1, β2, ..., βn]：β = (X^TX)^(-1)X^TY，其中，X^T表示X的转置，(X^TX)^(-1)表示X^TX的逆矩阵，X=[X1 X2 …Xn]。
本实施例中， 基于点云群组的中心坐标和医疗器械历史使用量数据之间的相关性，进一步拟合出对应的使用量预测模型，因此简化了模型的拟合过程以及使用的数据，从而简化了模型的结构，同时避免了过拟合的出现，提高了使用模型时预测值的准确性。
图2为本申请实施例一种医疗器械使用量的预测装置的结构示意图。如图2所示，包括：
数据获取单元201，访问目标临床科室的医疗器械数据库，以获取目标医疗器械的历史使用量数据；
序列化单元202，用于对所述历史使用量数据进行序列化，得到基于统计周期创建的历史使用量序列；
映射单元203，用于将所述历史使用量序列映射为键值对超平面簇谱，所述键值对超平面簇谱满足如下条件：其中的每个键值对包括主键、副键以及值，所述键值对中主键为所述目标医疗器械的ID，所述键值对中的副键为一个统计周期，所述值为对应该一个统计周期内的历史使用量数据，且，在所述键值对超平面簇谱中，依据键值对之间的距离进行稀疏分布处理，以使得距离越近的键值对离得越近，距离越远的键值对离得越远；
预测单元204，用于基于所述键值对超平面簇谱拟合使用量预测模型，以基于所述使用量预测模型预测未来设定时段内所述目标医疗器械的使用量。
此处，图2实施例中，有关各个功能单元的示例性说明可参见上述图1的说明。
图3为本实施例电子设备的结构示意图；该电子设备可以包括：
一个或多个处理器301；
计算机可读介质302，可以配置为存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述实施例所述的方法。
图4为本实施例电子设备的硬件结构；如图4所示，该电子设备的硬件结构可以包括：处理器401，通信接口402，计算机可读介质403和通信总线404；
其中处理器401、通信接口402、计算机可读介质403通过通信总线404完成相互间的通信；
可选地，通信接口402可以为通信模块的接口，如GSM模块的接口；
其中，处理器401具体可以配置为：访问目标临床科室的医疗器械数据库，以获取目标医疗器械的历史使用量数据；对所述历史使用量数据进行序列化，得到基于统计周期创建的历史使用量序列；将所述历史使用量序列映射为键值对超平面簇谱，所述键值对超平面簇谱满足如下条件：其中的每个键值对包括主键、副键以及值，所述主键为所述目标医疗器械的ID，所述副键为一个统计周期，所述值为对应该一个统计周期内的历史使用量数据，且，在所述键值对超平面簇谱中，依据键值对之间的距离进行稀疏分布处理，以使得距离越近的键值对离得越近，距离越远的键值对离得越远；基于所述键值对超平面簇谱拟合使用量预测模型，以基于所述使用量预测模型预测未来设定时段内所述目标医疗器械的使用量。
处理器401可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
计算机可读介质403可以是，但不限于，随机存取存储介质（Random AccessMemory，RAM），只读存储介质（ReadOnly Memory，ROM），可编程只读存储介质（ProgrammableRead-Only Memory，PROM），可擦除只读存储介质（Erasable Programmable Read-OnlyMemory，EPROM），电可擦除只读存储介质（ElectricErasable Programmable Read-OnlyMemory，EEPROM）等。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含配置为执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被中央处理单元（CPU）执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读介质例如可以但不限于是电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储介质（RAM）、只读存储介质（ROM）、可擦式可编程只读存储介质（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储介质（CD-ROM）、光存储介质件、磁存储介质件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输配置为由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写配置为执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络：包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个配置为实现规定的逻辑功能的可执行指令。上述具体实施例中有特定先后关系，但这些先后关系只是示例性的，在具体实现的时候，这些步骤可能会更少、更多或执行顺序有调整。即在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
作为另一方面，本申请还提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例所描述的方法。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：访问目标临床科室的医疗器械数据库，以获取目标医疗器械的历史使用量数据；对所述历史使用量数据进行序列化，得到基于统计周期创建的历史使用量序列；将所述历史使用量序列映射为键值对超平面簇谱，所述键值对超平面簇谱满足如下条件：其中的每个键值对包括主键、副键以及值，所述主键为所述目标医疗器械的ID，所述副键为一个统计周期，所述值为对应该一个统计周期内的历史使用量数据，且，在所述键值对超平面簇谱中，依据键值对之间的距离进行稀疏分布处理，以使得距离越近的键值对离得越近，距离越远的键值对离得越远；基于所述键值对超平面簇谱拟合使用量预测模型，以基于所述使用量预测模型预测未来设定时段内所述目标医疗器械的使用量。
在本公开的各种实施方式中所使用的表述“第一”、“第二”、“所述第一”或“所述第二”可修饰各种部件而与顺序和/或重要性无关，但是这些表述不限制相应部件。以上表述仅配置为将元件与其它元件区分开的目的。例如，第一用户设备和第二用户设备表示不同的用户设备，虽然两者均是用户设备。例如，在不背离本公开的范围的前提下，第一元件可称作第二元件，类似地，第二元件可称作第一元件。
当一个元件(例如，第一元件)称为与另一元件(例如，第二元件)“(可操作地或可通信地)联接”或“(可操作地或可通信地)联接至”另一元件(例如，第二元件)或“连接至”另一元件(例如，第二元件)时，应理解为该一个元件直接连接至该另一元件或者该一个元件经由又一个元件(例如，第三元件)间接连接至该另一个元件。相反，可理解，当元件(例如，第一元件)称为“直接连接”或“直接联接”至另一元件(第二元件)时，则没有元件(例如，第三元件)插入在这两者之间。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (8)

1.一种医疗器械使用量的预测方法，其特征在于，包括：
访问目标临床科室的医疗器械数据库，以获取目标医疗器械的历史使用量数据；
对所述历史使用量数据进行序列化，得到基于统计周期创建的历史使用量序列；
将所述历史使用量序列映射为键值对超平面簇谱，所述键值对超平面簇谱满足如下条件：其中的每个键值对包括主键、副键以及值，所述主键为所述目标医疗器械的ID，所述副键为一个统计周期，所述值为对应该一个统计周期内的历史使用量数据，且，在所述键值对超平面簇谱中，依据键值对之间的距离进行稀疏分布处理，以使得距离越近的键值对离得越近，距离越远的键值对离得越远；
基于所述键值对超平面簇谱拟合使用量预测模型，以基于所述使用量预测模型预测未来设定时段内所述目标医疗器械的使用量；
其中，所述的方法还包括：对多个键值对进行均值处理，以得到稀疏分布边界，以在进行稀疏分布时基于所述稀疏分布边界使得距离越近的键值对离得越近，距离越远的键值对离得越远；
其中，所述基于所述键值对超平面簇谱拟合使用量预测模型，以基于所述使用量预测模型预测未来设定时段内所述目标医疗器械的使用量，包括：
对所述键值对超平面簇谱上的键值对分布进行聚类统计，得到若干键值对点云群组；
计算每个键值对点云群组的中心，并基于所有键值对点云群组的中心，拟合出所述使用量预测模型，以基于所述使用量预测模型预测未来设定时段内所述目标医疗器械的使用量。
2.根据权利要求1所述的方法，其特征在于，所述访问目标临床科室的医疗器械数据库，以获取目标医疗器械的历史使用量数据，包括：
调用预先构建的正则表达式，在所述目标临床科室的医疗器械数据库中进行正则匹配，以获取目标医疗器械的历史使用量数据，所述正则表达式的结构为：(?<=^| )([A-Z]{n}-d+) (d+)，其中，(?<=^| )表示正向预查，用于匹配目标医疗器械的ID中字符串的开头（^）或一个空格字符（ ），([A-Z]{n}-d+)表示医疗器械编号匹配的模式，匹配A-Z中的n个大写字母、一个连字符和一个或多个数字，n为大于1的正整数，(d+)：使用量格式匹配，用于匹配历史使用量数据的格式，包括匹配一个或多个数字。
3.根据权利要求1所述的方法，其特征在于，所述的方法还包括：基于所述历史使用量数据中的最大值，最小值，对所述历史使用量数据进行归一化处理，以在对所述历史使用量数据进行序列化时，对归一化后的历史使用量数据进行序列化。
4.根据权利要求1所述的方法，其特征在于，所述的方法，还包括：
基于所述历史使用量数据，生成时间序列观测图；
基于设定的滞后阶数以及对应的自相关系数，对所述时间序列观测图进行相关性分析，得到相关性分析结果；
基于所述相关性分析结果，计算所述时间序列观测图的平稳置信度；
根据所述平稳置信度，判断所述历史使用量数据之间是否满足设定的平稳度；如果满足，则执行所述对所述历史使用量数据进行序列化。
5.根据权利要求4所述的方法，其特征在于，所述根据所述平稳置信度，判断所述历史使用量数据之间是否满足设定的平稳度，包括：
根据所述平稳置信度，代入构建的1阶自回归序列模型中，计算所述平稳置信度在所述1阶自回归序列模型所在复平面的特征值，并判断所述特征值是否位于所述复平面上定义的单位圆内，所述单位圆的圆心为复平面的原点。
6.根据权利要求1所述的方法，其特征在于，所述的方法，还包括：检测所述历史使用量数据中的白噪声度量值，若所述白噪声度量值小于设定的白噪声度量阈值，则判定所述历史使用量数据为非白噪声数据，并执行所述对所述历史使用量数据进行序列化。
7.一种医疗器械使用量的预测装置，其特征在于，包括：
数据获取单元，访问目标临床科室的医疗器械数据库，以获取目标医疗器械的历史使用量数据；
序列化单元，用于对所述历史使用量数据进行序列化，得到基于统计周期创建的历史使用量序列；
映射单元，用于将所述历史使用量序列映射为键值对超平面簇谱，所述键值对超平面簇谱满足如下条件：其中的每个键值对包括主键、副键以及值，所述主键为所述目标医疗器械的ID，所述副键为一个统计周期，所述值为对应该一个统计周期内的历史使用量数据，且，在所述键值对超平面簇谱中，依据键值对之间的距离进行稀疏分布处理，以使得距离越近的键值对离得越近，距离越远的键值对离得越远；
预测单元，用于基于所述键值对超平面簇谱拟合使用量预测模型，以基于所述使用量预测模型预测未来设定时段内所述目标医疗器械的使用量；
其中，对多个键值对进行均值处理，以得到稀疏分布边界，以在进行稀疏分布时基于所述稀疏分布边界使得距离越近的键值对离得越近，距离越远的键值对离得越远；
其中，所述基于所述键值对超平面簇谱拟合使用量预测模型，以基于所述使用量预测模型预测未来设定时段内所述目标医疗器械的使用量，包括：
对所述键值对超平面簇谱上的键值对分布进行聚类统计，得到若干键值对点云群组；
计算每个键值对点云群组的中心，并基于所有键值对点云群组的中心，拟合出所述使用量预测模型，以基于所述使用量预测模型预测未来设定时段内所述目标医疗器械的使用量。
8.一种电子设备，其特征在于，包括：
一个或多个处理器；
计算机可读介质，配置为存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任意一项权利要求所述的方法。
CN202311148414.4A 2023-09-07 2023-09-07 医疗器械使用量的预测方法、装置及电子设备 Active CN116881674B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311148414.4A CN116881674B (zh) 2023-09-07 2023-09-07 医疗器械使用量的预测方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311148414.4A CN116881674B (zh) 2023-09-07 2023-09-07 医疗器械使用量的预测方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN116881674A CN116881674A (zh) 2023-10-13
CN116881674B true CN116881674B (zh) 2023-11-14

Family

ID=88272132

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311148414.4A Active CN116881674B (zh) 2023-09-07 2023-09-07 医疗器械使用量的预测方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN116881674B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117116452B (zh) * 2023-10-19 2023-12-19 四川互慧软件有限公司 抗蛇毒血清区域库存优化与调度分配方法与系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020119051A1 (zh) * 2018-12-10 2020-06-18 平安科技（深圳）有限公司 云平台资源使用预测方法及终端设备
WO2022252505A1 (zh) * 2021-06-02 2022-12-08 杭州安脉盛智能技术有限公司 一种基于多指标集群分析的设备状态监测方法
CN116543168A (zh) * 2023-03-22 2023-08-04 西北工业大学太仓长三角研究院 一种基于多维度图像信息融合的垃圾图像去噪方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020119051A1 (zh) * 2018-12-10 2020-06-18 平安科技（深圳）有限公司 云平台资源使用预测方法及终端设备
WO2022252505A1 (zh) * 2021-06-02 2022-12-08 杭州安脉盛智能技术有限公司 一种基于多指标集群分析的设备状态监测方法
CN116543168A (zh) * 2023-03-22 2023-08-04 西北工业大学太仓长三角研究院 一种基于多维度图像信息融合的垃圾图像去噪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Novel Piecewise Distance Based on Adaptive Region Key-Points Extraction for LCCD With VHR Remote-Sensing Images;Zhiyong Lv et al.;《IEEE Transactions on Geoscience and Remote Sensing》;第63卷;全文 *
基于电子病历利用支持向量机构建疾病预测模型――以重度急性胰腺炎早期预警为例;张晔 等;现代图书情报技术(第02期);全文 *

Also Published As

Publication number Publication date
CN116881674A (zh) 2023-10-13

Similar Documents

Publication Publication Date Title
CN108280477B (zh) 用于聚类图像的方法和装置
CN108960090B (zh) 视频图像处理方法及装置、计算机可读介质和电子设备
CN116881674B (zh) 医疗器械使用量的预测方法、装置及电子设备
WO2022213465A1 (zh) 基于神经网络的图像识别方法、装置、电子设备及介质
CN108091372B (zh) 医疗字段映射校验方法及装置
CN112131322B (zh) 时间序列分类方法及装置
CN113593709B (zh) 一种疾病编码方法、系统、可读存储介质及装置
CN112612887A (zh) 日志处理方法、装置、设备和存储介质
CN114399483A (zh) 皮层靶点确定方法、装置、电子设备及存储介质
CN111475541A (zh) 数据决策方法、装置、电子设备及存储介质
GB2596729A (en) Automated resolution of over and under-specification in a knowledge graph
CN111582647A (zh) 用户数据处理方法、装置及电子设备
CN115762704A (zh) 一种处方审核方法、装置、设备和存储介质
CN116128378A (zh) 一种城市体检评估方法、系统、存储介质及电子设备
CN112541557B (zh) 生成式对抗网络的训练方法、装置及电子设备
CN113780675A (zh) 一种消耗预测方法、装置、存储介质及电子设备
CN111858899B (zh) 语句处理方法、装置、系统和介质
CN114692778A (zh) 用于智能巡检的多模态样本集生成方法、训练方法及装置
CN111160969A (zh) 一种电力价格预测方法及装置
CN117476110B (zh) 基于人工智能的多尺度生物标记物发现系统
CN116528163A (zh) 基于特征迁移的动态环境下的室内定位方法、装置及可读介质
Qi et al. A fast framework for abrupt change detection based on binary search trees and Kolmogorov statistic
CN108628818A (zh) 信息获取方法和装置
CN109284486B (zh) 文本相似性度量方法、装置、终端及存储介质
Khalid et al. A Dynamic Selection Hybrid Model for Advancing Thyroid Care with BOO-ST Balancing Method

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