CN116894526B - 基于数据分析的全流程智能导诊方法及系统 - Google Patents
基于数据分析的全流程智能导诊方法及系统 Download PDFInfo
- Publication number
- CN116894526B CN116894526B CN202311161582.7A CN202311161582A CN116894526B CN 116894526 B CN116894526 B CN 116894526B CN 202311161582 A CN202311161582 A CN 202311161582A CN 116894526 B CN116894526 B CN 116894526B
- Authority
- CN
- China
- Prior art keywords
- user
- time
- department
- data
- diagnosis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 184
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000007405 data analysis Methods 0.000 title claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims description 124
- 230000003993 interaction Effects 0.000 claims description 26
- 230000003044 adaptive effect Effects 0.000 claims description 21
- 230000004044 response Effects 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 10
- 230000006978 adaptation Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 8
- 238000012545 processing Methods 0.000 abstract description 2
- 239000008280 blood Substances 0.000 description 8
- 210000004369 blood Anatomy 0.000 description 8
- 230000008859 change Effects 0.000 description 4
- 230000036772 blood pressure Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010017577 Gait disturbance Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000002559 palpation Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
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
- G06Q10/04—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Child & Adolescent Psychology (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供了基于数据分析的全流程智能导诊方法及系统,涉及数据处理技术领域,该方法包括:建立科室数据库;生成时间基础值,生成用户偏移特征集;建立实时流量数据集;生成科室流量预测结果;读取导诊用户的用户需求数据;依据所述用户需求数据设定时限边界,并以所述时限边界作为绝对时限约束,以所述科室流量预测结果、时间基础值和用户偏移特征集作为参考数据进行总时长的时长寻优;根据时长寻优结果生成导诊方案,解决了由于其对医务人员和患者的个体差异分析不足,导致患者的排队时间过长,导诊方案准确性不足的技术问题,达到提升导诊用户的排队时长的预测准确性,提升导诊方案的科学性和准确性的技术效果。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及基于数据分析的全流程智能导诊方法及系统。
背景技术
现如今,在日常医疗服务中,由于医院的科室较多,医院的人流量也较大,患者的检查项目较多,导致患者经常存在找不到科室,或者排队检查时间过长等问题。智能导诊就是帮患者找到最佳的检测科室或者窗口进行排队检查,现有的智能导诊方法中大多只是通过对当前的排队人数进行分析,向患者提供排队最少的检测窗口,但是其对医务人员和患者的个体差异分析不足,且对人流量的预测结果不准确,导致患者的排队时间过长。
发明内容
本发明提供了基于数据分析的全流程智能导诊方法及系统,用以解决现有技术中存在的由于其对医务人员和患者的个体差异分析不足,对人流量的预测结果不准确,导致患者的排队时间过长,导诊方案准确性不足的技术问题。
根据本发明的第一方面,提供了基于数据分析的全流程智能导诊方法,包括:建立科室数据库,所述科室数据库通过采集科室的接诊数据构建,所述接诊数据为在建立与科室管理单元的连接后,采集获得的数据集合;以所述科室数据库进行科室的标识均衡时间计算,生成时间基础值,依据所述科室数据库并提取用户特征,生成用户偏移特征集;通过多组交互设备进行实时科室的队列用户数据采集,建立实时流量数据集;以所述科室数据库作为流量预测参考,以所述实时流量数据集作为基础数据,以时间基础值和用户偏移特征集作为设定参数,通过预测网络进行科室流量预测,生成科室流量预测结果;读取导诊用户的用户需求数据,所述用户需求数据包括科室的检测数据;依据所述用户需求数据设定时限边界,并以所述时限边界作为绝对时限约束,以所述科室流量预测结果、时间基础值和用户偏移特征集作为参考数据进行总时长的时长寻优;根据时长寻优结果生成导诊方案。
根据本发明的第二方面,提供了基于数据分析的全流程智能导诊系统,包括:数据库构建模块,所述数据库构建模块用于建立科室数据库,所述科室数据库通过采集科室的接诊数据构建,所述接诊数据为在建立与科室管理单元的连接后,采集获得的数据集合;用户特征提取模块,所述用户特征提取模块用于以所述科室数据库进行科室的标识均衡时间计算,生成时间基础值,依据所述科室数据库并提取用户特征,生成用户偏移特征集;实时流量数据集建立模块,所述实时流量数据集建立模块用于通过多组交互设备进行实时科室的队列用户数据采集,建立实时流量数据集;科室流量预测模块,所述科室流量预测模块用于以所述科室数据库作为流量预测参考,以所述实时流量数据集作为基础数据,以时间基础值和用户偏移特征集作为设定参数,通过预测网络进行科室流量预测,生成科室流量预测结果;用户需求数据读取模块,所述用户需求数据读取模块用于读取导诊用户的用户需求数据,所述用户需求数据包括科室的检测数据;时长寻优模块,所述时长寻优模块用于依据所述用户需求数据设定时限边界,并以所述时限边界作为绝对时限约束,以所述科室流量预测结果、时间基础值和用户偏移特征集作为参考数据进行总时长的时长寻优;导诊方案生成模块,所述导诊方案生成模块用于根据时长寻优结果生成导诊方案。
根据本发明采用的一个或多个技术方案,可达到的有益效果如下:
1.建立科室数据库,以科室数据库进行科室的标识均衡时间计算,生成时间基础值,依据科室数据库并提取用户特征,生成用户偏移特征集,通过多组交互设备进行实时科室的队列用户数据采集,建立实时流量数据集,以科室数据库作为流量预测参考,以实时流量数据集作为基础数据,以时间基础值和用户偏移特征集作为设定参数,通过预测网络进行科室流量预测,生成科室流量预测结果,读取导诊用户的用户需求数据,依据用户需求数据设定时限边界,并以时限边界作为绝对时限约束,以科室流量预测结果、时间基础值和用户偏移特征集作为参考数据进行总时长的时长寻优,根据时长寻优结果生成导诊方案。由此通过结合科室内医务人员的接诊信息和科室的队列用户个体信息进行分析,对于接诊时长进行更加准确地预测,达到提升导诊用户的排队时长的预测准确性,提升导诊方案的科学性和准确性的技术效果。
2.读取队列用户的历史检测信息,以历史检测信息构建队列用户的检测画像,检测画像通过提取历史检测信息内的队列用户与检测科室的适配特征构建,构建过程还包括:确定适配特征的特征样本量,以特征样本量生成第一影响因子,确定适配特征的时序关联,基于时序关联生成第二影响因子,以第一影响因子和第二影响因子作为画像特征的衰减因子,对适配特征进行衰减约束,完成检测画像构建,通过检测画像生成用户数据库。由此通过分析用户的个体差异,达到提升实时流量的分析准确性,为后续的导诊方案的生成提供基础,提升导诊方案的科学性和准确性的技术效果。
3.调用导诊用户的身体特征数据,并依据身体特征数据生成路程寻优偏移因子,将路程寻优偏移因子作为辅助寻优约束,重新执行时长寻优,生成更新寻优结果,以更新寻优结果生成导诊用户的导诊方案。由此在考虑导诊用户排队时长的情况下,考虑到导诊用户的身体状态,使得导诊方案与导诊用户的实际情况更加贴合,达到提升导诊方案与导诊用户的契合度,提升实用性的技术效果。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的基于数据分析的全流程智能导诊方法的流程示意图;
图2为本发明实施例提供的基于数据分析的全流程智能导诊系统的结构示意图。
附图标记说明:数据库构建模块11,用户特征提取模块12,实时流量数据集建立模块13,科室流量预测模块14,用户需求数据读取模块15,时长寻优模块16,导诊方案生成模块17。
具体实施方式
为了使得本发明的目的、技术方案和优点更为明显,下面将参照附图详细描述本发明的示例实施例。显然,所描述的实施例仅仅是本发明的一部分实施例,而不是本发明的全部实施例,应理解,本发明不受这里描述的示例实施例的限制。
说明书中使用的术语用于描述实施例,而不是限制本发明。如在说明书中所使用的,单数术语“一”“一个”和“该”旨在也包括复数形式,除非上下文另有清楚指示。当在说明书中使用时,术语“包括”和/或“包含”指定了步骤、操作、元件和/或组件的存在,但是不排除一个或多个其他步骤、操作、元件、组件和/或其组的存在或添加。
除非另有定义,本说明书中使用的所有术语(包括技术和科学术语)应具有与本发明所属领域的技术人员通常理解的相同含义。术语,如常用词典中定义的术语,不应以理想化或过于正式的意义来解释,除非在此明确定义。在整个说明书中,相同的附图标记表示相同的元件。
需要说明的是,本发明所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
实施例一
图1为本发明实施例提供的基于数据分析的全流程智能导诊方法图,所述方法包括:
建立科室数据库,所述科室数据库通过采集科室的接诊数据构建,所述接诊数据为在建立与科室管理单元的连接后,采集获得的数据集合;
所述科室管理单元是指医院内部的用于进行科室接诊数据记录的系统平台,建立与科室管理单元的连接,可直接采集获取科室的接诊数据,比如各个科室在过去半年内的接诊数据,接诊数据包括接诊时间、接诊人数等信息,需要说明的是,本实施例中通过连接科室管理单元进行数据采集的过程符合相关法律法规,且对用户私人信息进行保密。
以所述科室数据库进行科室的标识均衡时间计算,生成时间基础值,依据所述科室数据库并提取用户特征,生成用户偏移特征集;
以所述科室数据库进行科室的标识均衡时间计算,即根据科室数据库的历史接诊数据计算科室的单次接诊时间,作为时间基础值。同时,依据所述科室数据库并提取用户特征,用户特征是指科室内的医务人员的接诊特征,比如有的医务人员接诊过程较快,有的医务人员接诊过程较慢,基于此,得到科室内医务人员的接诊时间差异作为用户偏移特征集。
通过多组交互设备进行实时科室的队列用户数据采集,建立实时流量数据集;
在一个优选实施例中,还包括:
以网络交互设备进行设备的队列用户数据交互,提取交互信息;以所述交互信息中的用户识别特征,调用队列用户的用户数据库;对所述用户数据库进行用户稳定分析,生成当前队列的稳定影响因子;通过所述稳定影响因子建立所述实时流量数据集。
在一个优选实施例中,还包括:
读取队列用户的历史检测信息,以所述历史检测信息构建队列用户的检测画像,所述检测画像通过提取所述历史检测信息内的队列用户与检测科室的适配特征构建,构建过程还包括:确定所述适配特征的特征样本量,以所述特征样本量生成第一影响因子;确定所述适配特征的时序关联,基于时序关联生成第二影响因子;以所述第一影响因子和所述第二影响因子作为画像特征的衰减因子,对所述适配特征进行衰减约束,完成所述检测画像构建;通过所述检测画像生成所述用户数据库。
在一个优选实施例中,还包括:
调用所述历史检测信息的实时队列数据集,以所述实时队列数据集生成队列特征;依据所述历史检测信息进行队列用户的用户队列更换特征提取,并将提取结果与队列特征映射;通过映射结果生成稳定画像,基于所述稳定画像和所述检测画像生成所述用户数据库。
多组交互设备包括多个科室内的用于进行人流量采集的设备,目前,医院通过线上挂号的方式进行接诊,示例性的,可以医院内部的挂号平台作为多组交互设备,对各个科室进行实时科室的队列用户数据采集,队列用户数据即为该科室的待接诊用户信息,比如已经挂号但是还没有被接诊的用户数量,以此作为实时流量数据集。
建立实时流量数据集的具体过程如下:以网络交互设备进行设备的队列用户数据交互,网络交互设备即为上述的多组交互设备,通过网络交互设备提取交互信息,交互信息即为实时科室的队列用户数据,即科室的待接诊用户信息,交互信息包括待接诊用户数量及用户识别特征,用户识别特征可以是用户身份等可以标识用户个体特征的信息。以所述交互信息中的用户识别特征,调用队列用户的用户数据库,用户数据库是指通过科室的用户的历史检测信息构建的用户个人特征,包括用户病情检测特征和用户个体特征,用户病情检测特征不同,需要的接诊时间不同,比如有的用户抽血较快、有的抽血较慢,用户个体特征则是指用户自身行为特征,比如有的用户可能不会一致进行排队检测,会在等待过程中随意走动,导致队列用户呈动态变化。队列用户中每一个用户均对应一个用户数据库。基于此,根据用户识别特征,直接调用队列用户的用户数据库,对所述用户数据库进行用户稳定分析,生成当前队列的稳定影响因子,简单来说,就是根据所述用户数据库确定当前队列的变化稳定性,理想情况下,假设每个用户的接诊时间都比较相似的情况下,用户稳定性较高,但是由于不同的用户特征不同,队列的变化稳定性就会不同,比如时快时慢,基于此,根据所述用户数据库,分析队列用户所需的接诊时间,以此作为稳定影响因子,通过所述稳定影响因子建立所述实时流量数据集,就是说,实时流量会随着时间动态发生变化,但是由于队列用户的个体差异,实时流量的变化并不是稳定地按照一个趋势变化,因此需要根据队列用户的稳定影响因子对实时流量进行分析,确定多长时间以后,实时流量会发生变化,从而得到科室当前的实时流量数据集。由此通过分析用户的个体差异,提升实时流量的分析准确性,为后续的导诊方案的生成提供基础,提升导诊方案的科学性和准确性。
在进行实时流量数据集的获取过程中,需要调用队列用户的用户数据库,需要说明的是,队列用户中每一个用户均对应一个用户数据库,得到所述用户数据库的过程如下:读取队列用户的历史检测信息,历史检测信息即为队列用户在过去一段时间内的检测信息,可通过科室管理单元直接获取,历史检测信息包括队列用户在历史检测过程中的监测数据,比如抽血检测、血压监测,以及不同的检测特征,比如抽血时的抽选速度、抽血时间,血压测量频次、测量时间等。以所述历史检测信息构建队列用户的检测画像,所述检测画像通过提取所述历史检测信息内的队列用户与检测科室的适配特征构建,适配特征是指根据历史检测信息与检测科室的检测项目相匹配的队列用户的检测时间的快慢特征,比如某一队列用户测血压容易紧张,导致测试结果不准确,需要多次进行测试,需要的测试时间就比较长,其对应的适配度就较低,也就是说,适配度反映了队列用户的检测时长,构建过程还包括:
确定所述适配特征的特征样本量,特征样本量是指任意一个队列用户在历史检测信息中的检测特征的发生次数,比如,队列用户历史时间中在该科室有过10次血压检测,每一次检测需要进行3次或三次以上的测量,或者有过多次抽血较慢的现象。以所述特征样本量作为第一影响因子,简单来说,如果特征样本量较少,比如为1次或2次,说明队列用户所存在的检测特征只是偶然现象,其对队列的排队时间、即流量的预测影响较小,第一影响因子就较小,可忽略不计,如果特征样本量较多,说明队列用户所存在的检测特征是频繁出现的现象,就认为其每一次进行该科室的检测时间会比较长,获取其对应的检测特征出现的次数作为第一影响因子,便于后续进行流量预测时,考虑到个体特征,为导诊用户提供更加精准的导诊方案。进一步确定所述适配特征的时序关联,时序关联是队列用户在历史检测信息中每次进行检测的时间序列,通过时序关联可获取队列用户每一次检测所需的时间,以此作为第二影响因子。以所述第一影响因子和所述第二影响因子作为画像特征的衰减因子,对所述适配特征进行衰减约束,完成所述检测画像构建,构建的检测画像是队列用户进行该科室的检测需要的时间,就是说,第一影响因子和第二影响因子越大,队列用户进行该科室的检测需要的时间就越长,适配度就越低。最后以所述检测画像作为所述用户数据库,基于此得到每一个队列用户的用户数据库,便于后续进行流量预测时,考虑到个体特征,为导诊用户提供更加精准的导诊方案。
进一步调用所述历史检测信息的实时队列数据集,实时队列数据集是指所述历史检测信息中任一历史时刻下的队列信息,包括队列内的用户数量、用户身份等信息作为队列特征。依据所述历史检测信息进行队列用户的用户队列更换特征提取,就是根据所述历史检测信息,获取实时队列数据集的后面时刻的队列信息,比对得到更改队列的用户作为用户队列更换特征的提取结果,并将提取结果与队列特征映射,就是说,有的队列用户在进行排队检测的过程中可能会换队,比如看到某一队列用户较少,会向该队列转换,得到对队列用户对应的两个队列作为映射结果,这两个队列均发生了变化。通过映射结果生成稳定画像,简单来说,如果队列用户没有发生队列更换现象,该用户对应的稳定性就较高,反之,稳定性就较低,并以此作为稳定画像,结合所述稳定画像和所述检测画像作为所述用户数据库。
以所述科室数据库作为流量预测参考,以所述实时流量数据集作为基础数据,以时间基础值和用户偏移特征集作为设定参数,通过预测网络进行科室流量预测,生成科室流量预测结果;
以所述科室数据库作为流量预测参考,简单来说,科室数据库是科室内医务人员的接诊数据,包括历史时间内的接诊时间、接诊人数等信息,以此可以作为流量预测参考,就是说,可基于所述科室数据库对下一时刻可能进入科室的人数进行预测,对科室流量预测结果进行补偿。以所述实时流量数据集作为基础数据,以时间基础值和用户偏移特征集作为设定参数,通过预测网络进行科室流量预测,生成科室流量预测结果,预测网络可以理解为一种机器学习模型,所述实时流量数据集是科室当前的待接诊人数,时间基础值和用户偏移特征集是科室内医务人员的特征,时间基础值是科室单次接诊时间,用户偏移特征集则包括每个医务人员的接诊时间长度差异,基于此,判断所述实时流量数据集的随时间的变化特征,即可得到科室流量预测结果,也就是说,科室流量预测结果是随时间动态变化的,根据时间基础值和用户偏移特征集确定科室在单位时间下可接诊的人数,用实时流量数据集减去可接诊人数即可得到科室流量预测结果。
科室流量预测结果只是根据当前科室内的实时流量数据集,即队列人数进行预测得到的,但是,可能还会有新的用户进入科室加入队列中,因此,基于所述科室数据库直接提取历史时间内每一时刻的接诊人数,对其进行周期性的分析,即可得到当前时刻可能进入科室的人数,由此对科室流量预测结果进行补偿,将当前时刻可能进入科室的人数叠加至科室流量预测结果,实现对科室流量预测结果的补偿修正,达到提升流量预测的准确性的技术效果。
读取导诊用户的用户需求数据,所述用户需求数据包括科室的检测数据;
导诊用户即为待进行导诊的目标用户,读取导诊用户的用户需求数据,所述用户需求数据包括科室的检测数据,就是导诊用户需要进行检测的项目以及对应的科室,比如需要到血液科进行抽血检测,所述用户需求数据可由导诊用户通过用户端自行上传。
依据所述用户需求数据设定时限边界,并以所述时限边界作为绝对时限约束,以所述科室流量预测结果、时间基础值和用户偏移特征集作为参考数据进行总时长的时长寻优;
依据所述用户需求数据设定时限边界,时限边界是指进行检测的最晚时间,时限边界是基于用户需求数据结合科室的检测时间设定的,比如,抽血在上午十一点之前必须完成,那么,如果用户需求数据中包含抽血项目,十一点就是时限边界,一般情况下,医院内会对每一种检测项目进行时间限制,本领域技术人员可以预先对医院内的各种检测项目的时限进行统计并上传,从而得到用户需求数据后可自定匹配时限边界。以所述时限边界作为绝对时限约束,即保证不会超过时限边界,以所述科室流量预测结果、时间基础值和用户偏移特征集作为参考数据进行总时长的时长寻优,简单来说,就是根据科室流量预测结果、时间基础值和用户偏移特征集,得到每一个满足用户需求数据的科室内的队列,然后假设导诊用户到这些队列去排队检测,根据科室流量预测结果、时间基础值和用户偏移特征集获取每一个队列对应的排队时长,科室流量预测结果是每一个队列的人数预测结果,基于此,根据时间基础值和用户偏移特征集计算得到每一个队列的医务人员的接诊时间,时间基础值是常规情况下医务人员的单次接诊时间,用户偏移特征集是不同的医务人员在接诊时间上的个体差异,基于个体差异对时间基础值进行调整,即可得到每一个医务人员对应的单次接诊时间,然后用科室流量预测结果与单次接诊时间作积,所得结果即为各个科室的队列的接诊时长,选择在绝对时限约束范围内的时长最短的队列作为时长寻优结果,需要说明的是,如果所述用户需求数据包含多种检测项目,就需要对多种检测项目进行不停顺序排列后进行时长预测,同时保证其中每一个检测项目均符合对应的时限边界,由此实现对接诊时长的分析预测,便于为导诊用户选择出最佳队列进行排队检测,防止由于队列选择不当,导致接诊时间过长。
根据时长寻优结果生成导诊方案。
根据时长寻优结果,选择时长寻优结果中所需时长最短的队列作为导诊用户的导诊方案,辅助用户进行排队接诊。
在一个优选实施例中,还包括:
调用所述导诊用户的身体特征数据,并依据所述身体特征数据生成路程寻优偏移因子;将所述路程寻优偏移因子作为辅助寻优约束,重新执行所述时长寻优,生成更新寻优结果;以所述更新寻优结果生成所述导诊用户的导诊方案。
调用所述导诊用户的身体特征数据,身体特征数据是指导诊用户的行动特征,比如导诊用户是否乘坐轮椅,或者拄拐等,可根据导诊用户的历史检测信息直接获取。依据所述身体特征数据生成路程寻优偏移因子,路程寻优偏移因子是指距离导诊用户最短的队列,将所述路程寻优偏移因子作为辅助寻优约束,重新执行所述时长寻优,生成更新寻优结果,具体来说,就是依据所述用户需求数据设定时限边界,并以所述时限边界作为绝对时限约束,以所述科室流量预测结果、时间基础值和用户偏移特征集作为参考数据进行总时长的时长寻优的过程中,根据所述路程寻优偏移因子获取所有满足绝对时限约束范围内的队列,对这些队列与导诊用户进行距离计算,然后选取距离最短的队列作为更新寻优结果,以更新寻优结果作为导诊用户的导诊方案。由此在考虑导诊用户排队时长的情况下,考虑到导诊用户的身体状态,使得导诊方案与导诊用户的实际情况更加贴合。
在一个优选实施例中,还包括:
解析所述用户需求数据生成导诊用户的附加特征,其中,所述附加特征带有时限约束和强烈度约束;以所述附加特征构建筛选子网络,通过所述筛选子网络对于所述时长寻优结果进行结果顺序更新;通过结果顺序更新结果生成所述导诊用户的导诊方案。
解析所述用户需求数据生成导诊用户的附加特征,附加特征可以理解为用户的自定义特征,比如有的用户想要在中午的十二点吃午餐,其中,所述附加特征带有时限约束和强烈度约束,时限约束即为附加特征的时长,比如半小时,一小时等,比如想要在十二点至十二点半吃午餐,十二点至十二点半就是时限约束,在这个时限内不能进行排队检测,强烈度约束则是指附加特征的时间紧急性,比如有的用户想要马上吃午餐,强烈度约束就较高,有的用户十二点半吃午饭,附加特征可由导诊用户自行通过客户端上传。以所述附加特征构建筛选子网络,筛选子网络可以理解为由附加特征的时限约束和强烈度约束组成的筛选模型,通过所述筛选子网络对于所述时长寻优结果进行结果顺序更新,就是根据所附加特征对所述时长寻优结果进行更新,比如附加特征中的时限约束为一小时,强烈度约束为十二点,如果时长寻优结果中在十二点至一点还需要排队检测某一项目,就停止该项目,对于强烈度约束较高的,就需要马上停止排队,然后按照时长约束,基于时限约束的边界,在时限约束结束后再次对该项目进行时长寻优,比如在一小时后进行时长寻优,获得新的时长寻优结果作为结果顺序更新结果,结果顺序更新结果包含新的时间最短的队列,以此作为所述导诊用户的导诊方案。从而满足导诊用户的自定义需求,提升用户的体验感。
在一个优选实施例中,还包括:
记录所述导诊方案的实际导诊结果,并生成响应偏差;对所述响应偏差进行偏差溯源,建立溯源结果与所述响应偏差的误差映射;以所述误差映射作为补偿参数,进行后续导诊方案生成的方案补偿。
记录所述导诊方案的实际导诊结果,并生成响应偏差,实际导诊结果是指实际排队检测中所花费的时间长度,计算实际导诊结果与导诊方案之间存在的时间偏差作为响应偏差。对所述响应偏差进行偏差溯源,简单来说,就是追溯造成响应偏差的原因,比如接诊的医务人员的接诊时间存在偏差,比如,可以通过记录队列中每一个队列用户的接诊时间,从而得到造成偏差的队列用户作为溯源结果,或者对接诊的医务人员进行接诊时间记录,确定其与用户偏移特征集之间的差异作为溯源结果,建立溯源结果与所述响应偏差的误差映射,以所述误差映射作为补偿参数,进行后续导诊方案生成的方案补偿,简单来说,在后续的导诊方案生成中,如果在遇到所述响应偏差对应的医务人员或者队列用户,可利用该响应偏差对后续导诊方案的时长寻优结果进行补偿,就是在时长寻优结果中的排队时长叠加上响应偏差,实现方案补偿,提升导诊的准确性。
基于上述分析可知,本发明提供的一个或多个技术方案,可达到的有益效果如下:
1.建立科室数据库,以科室数据库进行科室的标识均衡时间计算,生成时间基础值,依据科室数据库并提取用户特征,生成用户偏移特征集,通过多组交互设备进行实时科室的队列用户数据采集,建立实时流量数据集,以科室数据库作为流量预测参考,以实时流量数据集作为基础数据,以时间基础值和用户偏移特征集作为设定参数,通过预测网络进行科室流量预测,生成科室流量预测结果,读取导诊用户的用户需求数据,依据用户需求数据设定时限边界,并以时限边界作为绝对时限约束,以科室流量预测结果、时间基础值和用户偏移特征集作为参考数据进行总时长的时长寻优,根据时长寻优结果生成导诊方案。由此通过结合科室内医务人员的接诊信息和科室的队列用户个体信息进行分析,对于接诊时长进行更加准确地预测,达到提升导诊用户的排队时长的预测准确性,提升导诊方案的科学性和准确性的技术效果。
2.读取队列用户的历史检测信息,以历史检测信息构建队列用户的检测画像,检测画像通过提取历史检测信息内的队列用户与检测科室的适配特征构建,构建过程还包括:确定适配特征的特征样本量,以特征样本量生成第一影响因子,确定适配特征的时序关联,基于时序关联生成第二影响因子,以第一影响因子和第二影响因子作为画像特征的衰减因子,对适配特征进行衰减约束,完成检测画像构建,通过检测画像生成用户数据库。由此通过分析用户的个体差异,达到提升实时流量的分析准确性,为后续的导诊方案的生成提供基础,提升导诊方案的科学性和准确性的技术效果。
3.调用导诊用户的身体特征数据,并依据身体特征数据生成路程寻优偏移因子,将路程寻优偏移因子作为辅助寻优约束,重新执行时长寻优,生成更新寻优结果,以更新寻优结果生成导诊用户的导诊方案。由此在考虑导诊用户排队时长的情况下,考虑到导诊用户的身体状态,使得导诊方案与导诊用户的实际情况更加贴合,达到提升导诊方案与导诊用户的契合度,提升实用性的技术效果。
实施例二
基于与前述实施例中基于数据分析的全流程智能导诊方法同样的发明构思,如图2所示,本发明还提供了基于数据分析的全流程智能导诊系统,所述系统包括:
数据库构建模块11,所述数据库构建模块11用于建立科室数据库,所述科室数据库通过采集科室的接诊数据构建,所述接诊数据为在建立与科室管理单元的连接后,采集获得的数据集合;
用户特征提取模块12,所述用户特征提取模块12用于以所述科室数据库进行科室的标识均衡时间计算,生成时间基础值,依据所述科室数据库并提取用户特征,生成用户偏移特征集;
实时流量数据集建立模块13,所述实时流量数据集建立模块13用于通过多组交互设备进行实时科室的队列用户数据采集,建立实时流量数据集;
科室流量预测模块14,所述科室流量预测模块14用于以所述科室数据库作为流量预测参考,以所述实时流量数据集作为基础数据,以时间基础值和用户偏移特征集作为设定参数,通过预测网络进行科室流量预测,生成科室流量预测结果;
用户需求数据读取模块15,所述用户需求数据读取模块15用于读取导诊用户的用户需求数据,所述用户需求数据包括科室的检测数据;
时长寻优模块16,所述时长寻优模块16用于依据所述用户需求数据设定时限边界,并以所述时限边界作为绝对时限约束,以所述科室流量预测结果、时间基础值和用户偏移特征集作为参考数据进行总时长的时长寻优;
导诊方案生成模块17,所述导诊方案生成模块17用于根据时长寻优结果生成导诊方案。
进一步而言,所述实时流量数据集建立模块13还用于:
以网络交互设备进行设备的队列用户数据交互,提取交互信息;
以所述交互信息中的用户识别特征,调用队列用户的用户数据库;
对所述用户数据库进行用户稳定分析,生成当前队列的稳定影响因子;
通过所述稳定影响因子建立所述实时流量数据集。
进一步而言,所述实时流量数据集建立模块13还用于:
读取队列用户的历史检测信息,以所述历史检测信息构建队列用户的检测画像,所述检测画像通过提取所述历史检测信息内的队列用户与检测科室的适配特征构建,构建过程还包括:
确定所述适配特征的特征样本量,以所述特征样本量生成第一影响因子;
确定所述适配特征的时序关联,基于时序关联生成第二影响因子;
以所述第一影响因子和所述第二影响因子作为画像特征的衰减因子,对所述适配特征进行衰减约束,完成所述检测画像构建;
通过所述检测画像生成所述用户数据库。
进一步而言,所述实时流量数据集建立模块13还用于:
调用所述历史检测信息的实时队列数据集,以所述实时队列数据集生成队列特征;
依据所述历史检测信息进行队列用户的用户队列更换特征提取,并将提取结果与队列特征映射;
通过映射结果生成稳定画像,基于所述稳定画像和所述检测画像生成所述用户数据库。
进一步而言,所述导诊方案生成模块17还用于:
调用所述导诊用户的身体特征数据,并依据所述身体特征数据生成路程寻优偏移因子;
将所述路程寻优偏移因子作为辅助寻优约束,重新执行所述时长寻优,生成更新寻优结果;
以所述更新寻优结果生成所述导诊用户的导诊方案。
进一步而言,所述导诊方案生成模块17还用于:
解析所述用户需求数据生成导诊用户的附加特征,其中,所述附加特征带有时限约束和强烈度约束;
以所述附加特征构建筛选子网络,通过所述筛选子网络对于所述时长寻优结果进行结果顺序更新;
通过结果顺序更新结果生成所述导诊用户的导诊方案。
进一步而言,所述导诊方案生成模块17还用于:
记录所述导诊方案的实际导诊结果,并生成响应偏差;
对所述响应偏差进行偏差溯源,建立溯源结果与所述响应偏差的误差映射;
以所述误差映射作为补偿参数,进行后续导诊方案生成的方案补偿。
前述实施例一中的基于数据分析的全流程智能导诊方法具体实例同样适用于本实施例的基于数据分析的全流程智能导诊系统,通过前述对基于数据分析的全流程智能导诊方法的详细描述,本领域技术人员可以清楚地知道本实施例中基于数据分析的全流程智能导诊系统,所以为了说明书的简洁,在此不再详述。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤,只要能够实现本发明公开的技术方案所期望的结果,本文在此不进行限制。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (8)
1.基于数据分析的全流程智能导诊方法,其特征在于,所述方法包括:
建立科室数据库,所述科室数据库通过采集科室的接诊数据构建,所述接诊数据为在建立与科室管理单元的连接后,采集获得的数据集合;
以所述科室数据库进行科室的标识均衡时间计算,生成时间基础值,依据所述科室数据库并提取用户特征,所述用户特征是指科室内的医务人员的接诊特征,生成用户偏移特征集;
通过多组交互设备进行实时科室的队列用户数据采集,建立实时流量数据集,所述实时流量数据集包括待接诊用户数量信息和用户识别特征,用户识别特征具体包括用户身份、用户病情检测特征和用户个体特征;
以所述科室数据库作为流量预测参考,以所述实时流量数据集作为基础数据,以时间基础值和用户偏移特征集作为设定参数,通过预测网络进行科室流量预测,生成科室流量预测结果;
读取导诊用户的用户需求数据,所述用户需求数据包括科室的检测数据;
依据所述用户需求数据设定时限边界,并以所述时限边界作为绝对时限约束,以所述科室流量预测结果、时间基础值和用户偏移特征集作为参考数据进行总时长的时长寻优;
根据时长寻优结果生成导诊方案。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
以网络交互设备进行设备的队列用户数据交互,提取交互信息;
以所述交互信息中的用户识别特征,调用队列用户的用户数据库;
对所述用户数据库进行用户稳定分析,生成当前队列的稳定影响因子;
通过所述稳定影响因子建立所述实时流量数据集。
3.如权利要求2所述的方法,其特征在于,所述方法还包括:
读取队列用户的历史检测信息,以所述历史检测信息构建队列用户的检测画像,所述检测画像通过提取所述历史检测信息内的队列用户与检测科室的适配特征构建,构建过程还包括:
确定所述适配特征的特征样本量,以所述特征样本量生成第一影响因子;
确定所述适配特征的时序关联,基于时序关联生成第二影响因子;
以所述第一影响因子和所述第二影响因子作为画像特征的衰减因子,对所述适配特征进行衰减约束,完成所述检测画像构建;
通过所述检测画像生成所述用户数据库。
4.如权利要求3所述的方法,其特征在于,所述方法还包括:
调用所述历史检测信息的实时队列数据集,以所述实时队列数据集生成队列特征;
依据所述历史检测信息进行队列用户的用户队列更换特征提取,并将提取结果与队列特征映射;
通过映射结果生成稳定画像,基于所述稳定画像和所述检测画像生成所述用户数据库。
5.如权利要求1所述的方法,其特征在于,所述方法还包括:
调用所述导诊用户的身体特征数据,并依据所述身体特征数据生成路程寻优偏移因子;
将所述路程寻优偏移因子作为辅助寻优约束,重新执行所述时长寻优,生成更新寻优结果;
以所述更新寻优结果生成所述导诊用户的导诊方案。
6.如权利要求1所述的方法,其特征在于,所述方法还包括:
解析所述用户需求数据生成导诊用户的附加特征,其中,所述附加特征带有时限约束和强烈度约束;
以所述附加特征构建筛选子网络,通过所述筛选子网络对于所述时长寻优结果进行结果顺序更新;
通过结果顺序更新结果生成所述导诊用户的导诊方案。
7.如权利要求1所述的方法,其特征在于,所述方法还包括:
记录所述导诊方案的实际导诊结果,并生成响应偏差;
对所述响应偏差进行偏差溯源,建立溯源结果与所述响应偏差的误差映射;
以所述误差映射作为补偿参数,进行后续导诊方案生成的方案补偿。
8.基于数据分析的全流程智能导诊系统,其特征在于,用于执行权利要求1至7所述的基于数据分析的全流程智能导诊方法中任意一项方法的步骤,所述系统包括:
数据库构建模块,所述数据库构建模块用于建立科室数据库,所述科室数据库通过采集科室的接诊数据构建,所述接诊数据为在建立与科室管理单元的连接后,采集获得的数据集合;
用户特征提取模块,所述用户特征提取模块用于以所述科室数据库进行科室的标识均衡时间计算,生成时间基础值,依据所述科室数据库并提取用户特征,所述用户特征是指科室内的医务人员的接诊特征,生成用户偏移特征集;
实时流量数据集建立模块,所述实时流量数据集建立模块用于通过多组交互设备进行实时科室的队列用户数据采集,建立实时流量数据集,所述实时流量数据集包括待接诊用户数量信息和用户识别特征,用户识别特征具体包括用户身份、用户病情检测特征和用户个体特征;
科室流量预测模块,所述科室流量预测模块用于以所述科室数据库作为流量预测参考,以所述实时流量数据集作为基础数据,以时间基础值和用户偏移特征集作为设定参数,通过预测网络进行科室流量预测,生成科室流量预测结果;
用户需求数据读取模块,所述用户需求数据读取模块用于读取导诊用户的用户需求数据,所述用户需求数据包括科室的检测数据;
时长寻优模块,所述时长寻优模块用于依据所述用户需求数据设定时限边界,并以所述时限边界作为绝对时限约束,以所述科室流量预测结果、时间基础值和用户偏移特征集作为参考数据进行总时长的时长寻优;
导诊方案生成模块,所述导诊方案生成模块用于根据时长寻优结果生成导诊方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311161582.7A CN116894526B (zh) | 2023-09-11 | 2023-09-11 | 基于数据分析的全流程智能导诊方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311161582.7A CN116894526B (zh) | 2023-09-11 | 2023-09-11 | 基于数据分析的全流程智能导诊方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116894526A CN116894526A (zh) | 2023-10-17 |
CN116894526B true CN116894526B (zh) | 2023-11-24 |
Family
ID=88312402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311161582.7A Active CN116894526B (zh) | 2023-09-11 | 2023-09-11 | 基于数据分析的全流程智能导诊方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116894526B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110504012A (zh) * | 2019-08-28 | 2019-11-26 | 北京南师信息技术有限公司 | 患者档案管理方法、装置、电子设备及存储介质 |
CN110993070A (zh) * | 2019-10-17 | 2020-04-10 | 山东科技大学 | 基于神经网络的医院门诊等待时间预测方法 |
CN113158944A (zh) * | 2021-04-29 | 2021-07-23 | 重庆锐云科技有限公司 | 基于人脸识别的体检排队方法、系统、设备及存储介质 |
CN114171176A (zh) * | 2021-12-15 | 2022-03-11 | 华中科技大学同济医学院附属协和医院 | 一种基于互联网的医院分诊数据处理方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11854708B2 (en) * | 2021-12-14 | 2023-12-26 | DexCare, Inc. | Healthcare service platform |
-
2023
- 2023-09-11 CN CN202311161582.7A patent/CN116894526B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110504012A (zh) * | 2019-08-28 | 2019-11-26 | 北京南师信息技术有限公司 | 患者档案管理方法、装置、电子设备及存储介质 |
CN110993070A (zh) * | 2019-10-17 | 2020-04-10 | 山东科技大学 | 基于神经网络的医院门诊等待时间预测方法 |
CN113158944A (zh) * | 2021-04-29 | 2021-07-23 | 重庆锐云科技有限公司 | 基于人脸识别的体检排队方法、系统、设备及存储介质 |
CN114171176A (zh) * | 2021-12-15 | 2022-03-11 | 华中科技大学同济医学院附属协和医院 | 一种基于互联网的医院分诊数据处理方法及系统 |
Non-Patent Citations (3)
Title |
---|
"Meta-analysis of medical management versus catheter ablation for atrial fibrillation";Mao YinJun 等;《Reviews in cardiovascular medicine》;全文 * |
"互联网医疗环境下医疗资源优化配置研究";胡少勇;《中国博士学位论文全文数据库 医药卫生科技辑》;全文 * |
"体检业务中智能分诊系统的设计与应用讨论";窦坚;《互联网+技术》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116894526A (zh) | 2023-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108778097A (zh) | 用于评估心力衰竭的装置和方法 | |
JP3980969B2 (ja) | 心拍数計測システム、心拍数計測方法、心拍数計測プログラムおよびそのプログラムを記録した記録媒体 | |
WO2015184987A1 (zh) | 用户身份识别方法、识别系统及健康仪 | |
CN108135548A (zh) | 用于监测压力状态的方法和系统 | |
CN102203783A (zh) | 执行受检者测量 | |
WO2020187987A1 (en) | Population-level gaussian processes for clinical time series forecasting | |
DE112018005855T5 (de) | Verarbeitungsvorrichtung für biologische informationen, verarbeitungsverfahren und verarbeitungprogramm | |
CN108461154B (zh) | 一种医院感染监控管理装置及监控管理方法 | |
CN111008269A (zh) | 数据处理方法及装置、存储介质及电子终端 | |
CN114512239A (zh) | 基于迁移学习的脑卒中风险预测方法及系统 | |
CN111210912A (zh) | 一种帕金森预测方法及装置 | |
CN113724878B (zh) | 基于机器学习的医疗风险信息推送方法及装置 | |
CN116894526B (zh) | 基于数据分析的全流程智能导诊方法及系统 | |
KR102271793B1 (ko) | 인공지능 기반 복합생체신호 빅데이터 통합처리 플랫폼 제공 시스템 및 이를 이용한 복합생체신호 빅데이터 통합처리 방법 | |
WO2019187421A1 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
CN116844720B (zh) | 老年衰弱健康智能监控管理系统 | |
Patil et al. | An Adaptive parameter free data mining approach for healthcare application | |
CN113643798A (zh) | 为失能人员匹配照护人员的方法、装置及计算机设备 | |
US20180075195A1 (en) | System and method for facilitating computer-assisted healthcare-related outlier detection | |
CN116434979A (zh) | 生理状态云监测方法、监测系统及储存介质 | |
KR102410650B1 (ko) | 비대면 종합 건강 관리 서비스 제공방법 | |
KR102481664B1 (ko) | 대학입시 합격가능성 예측 시스템 및 서비스 방법 | |
KR102512674B1 (ko) | 딥러닝 기반의 생존 시간 예측 시스템 및 방법 | |
CN113823398A (zh) | 一种通过穿戴设备采集数据检测是否怀孕的方法 | |
JP2018082765A (ja) | 診断装置、診断方法、プログラム |
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 |