CN116936119A - 一种血库智能调度管理系统及方法 - Google Patents

一种血库智能调度管理系统及方法 Download PDF

Info

Publication number
CN116936119A
CN116936119A CN202311187820.1A CN202311187820A CN116936119A CN 116936119 A CN116936119 A CN 116936119A CN 202311187820 A CN202311187820 A CN 202311187820A CN 116936119 A CN116936119 A CN 116936119A
Authority
CN
China
Prior art keywords
blood
basic information
blood volume
patient
training
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
Application number
CN202311187820.1A
Other languages
English (en)
Inventor
黄海燕
马丽华
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.)
Shandong Youjie Biotechnology Co ltd
Original Assignee
Shandong Youjie Biotechnology 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 Shandong Youjie Biotechnology Co ltd filed Critical Shandong Youjie Biotechnology Co ltd
Priority to CN202311187820.1A priority Critical patent/CN116936119A/zh
Publication of CN116936119A publication Critical patent/CN116936119A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • 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
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Pathology (AREA)
  • General Business, Economics & Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明属于血库调度技术领域，提供了一种血库智能调度管理系统及方法，所述方法包括：获取历史使用血库的第一患者的第一基本信息、待使用血库的第二患者的第二基本信息和所述第二患者的定位信息；对每个训练样本进行标注，标注信息包括用血量信息，利用训练样本对卷积神经网络模型进行训练，得到用血量预测模型；根据用血量预测模型和待使用血库的第二患者的第二基本信息，得到第二患者对应的用血量信息，根据第二患者的定位信息计算每个血库距离所述第二患者的距离，得到距离结果；根据距离结果和第二患者对应的用血量信息完成对血库的调度。通过本发明中的方法可以快速准确的计算出患者所需的用血量，进而帮助医护人员进行血液的调度使用。

Description

一种血库智能调度管理系统及方法
技术领域
本发明涉及血库调度技术领域，具体而言，涉及一种血库智能调度管理系统及方法。
背景技术
目前，在医院系统中，常常出现患者需要输血的情况，当患者需要进行输血时，一般是根据医生的经验判断血液的用量，但是在情况紧急的状态下，医生可能存在没有过多时间进行用血量的判断的情况，或者出现由于时间紧急，做出的用血量的判断不够准确的情况。
发明内容
本发明的目的在于提供一种血库智能调度管理系统及方法，以改善上述问题。
为了实现上述目的，本申请实施例提供了如下技术方案：
一方面，本申请实施例提供了一种血库智能调度管理方法，所述方法包括：
获取历史使用血库的第一患者的第一基本信息、待使用血库的第二患者的第二基本信息和第二患者的定位信息，每个所述第一基本信息包括每个所述第一患者的年龄、性别、患病信息和血型；
将全部的所述第一基本信息进行筛选，并将筛选后的第一基本信息进行集合，得到第一基本信息集，将所述第一基本信息集中的每个第一基本信息作为一个训练样本，对每个所述训练样本进行标注，标注信息包括用血量信息，利用训练样本对卷积神经网络模型进行训练，得到用血量预测模型；
根据所述用血量预测模型和所述待使用血库的第二患者的第二基本信息，得到所述第二患者对应的用血量信息，根据所述第二患者的定位信息计算每个血库距离所述第二患者的距离，得到距离结果；根据所述距离结果和所述第二患者对应的用血量信息完成对血库的调度。
第二方面，本申请实施例提供了一种血库智能调度管理系统，所述系统包括获取模块、训练模块和调度模块。
获取模块，用于获取历史使用血库的第一患者的第一基本信息、待使用血库的第二患者的第二基本信息和所述第二患者的定位信息，每个所述第一基本信息包括每个所述第一患者的年龄、性别、患病信息和血型；
训练模块，用于将全部的所述第一基本信息进行筛选，并将筛选后的第一基本信息进行集合，得到第一基本信息集，将所述第一基本信息集中的每个第一基本信息作为一个训练样本，对每个所述训练样本进行标注，标注信息包括用血量信息，利用训练样本对卷积神经网络模型进行训练，得到用血量预测模型；
调度模块，用于根据所述用血量预测模型和所述待使用血库的第二患者的第二基本信息，得到所述第二患者对应的用血量信息，根据所述第二患者的定位信息计算每个血库距离所述第二患者的距离，得到距离结果；根据所述距离结果和所述第二患者对应的用血量信息完成对血库的调度。
第三方面，本申请实施例提供了一种血库智能调度管理设备，所述设备包括存储器和处理器，存储器用于存储计算机程序；处理器用于执行所述计算机程序时实现上述血库智能调度管理方法的步骤。
第四方面，本申请实施例提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述血库智能调度管理方法的步骤。
本发明的有益效果为：
在本发明中，首先，获取了大量的历史数据，即第一基本信息，考虑到获取的历史数据可能存在异常数据，因此本发明对第一基本信息进行了异常筛选，进而提高进入模型训练的数据的准确性；然后，在模型训练的过程中，根据用血量预测误差值对初步用血量预测模型中的参数进行调整，直至满足收敛条件，得到用血量预测模型；最后，根据用血量预测模型计算出第二患者的用血量，然后再根据第二患者的定位和血型信息对血库进行调度。通过本发明中的方法可以快速准确的计算出第二患者所需的用血量，进而帮助医护人员进行血液的调度使用。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。
图1是本发明实施例中所述的血库智能调度管理方法流程示意图；
图2是本发明实施例中所述的血库智能调度管理系统结构示意图；
图3是本发明实施例中所述的血库智能调度管理设备结构示意图。
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。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号或字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1
如图1所示，本实施例提供了一种血库智能调度管理方法，该方法包括步骤S1、步骤S2和步骤S3。
步骤S1、获取历史使用血库的第一患者的第一基本信息、待使用血库的第二患者的第二基本信息和第二患者的定位信息，每个所述第一基本信息包括每个所述第一患者的年龄、性别、患病信息和血型；
在本步骤中，为了后续用血量信息的标注，获取了患者的年龄、性别、患病信息和血型等基本信息；第二患者的第二基本信息也包括第二患者的年龄、性别、患病信息和血型；历史使用血库的第一患者可以理解为已经利用血库完成治疗的患者，待使用血库的第二患者可以理解为当前急需血库供血的患者；
步骤S2、将全部的所述第一基本信息进行筛选，并将筛选后的第一基本信息进行集合，得到第一基本信息集，将所述第一基本信息集中的每个第一基本信息作为一个训练样本，对每个所述训练样本进行标注，标注信息包括用血量信息，利用训练样本对卷积神经网络模型进行训练，得到用血量预测模型；
在本步骤中，考虑到获取的原始数据，即全部的第一基本信息可能存在异常数据等情况，因此对第一基本信息进行了筛选，具体的实现步骤包括步骤S21；
步骤S21、采用K-means聚类算法对全部的所述第一基本信息进行聚类处理，得到至少两个类，随机挑选两个类进行组合，得到组合类，将所述组合类中其中一个类包含的第一基本信息与另一个类包含的第一基本信息两两进行相似度计算，得到多个相似度计算结果，其中，利用皮尔逊相关系数作为相似度算法；统计每个组合类对应的全部相似度计算结果中未超过预设第一阈值的相似度计算结果的第一个数，并统计每个组合类对应的相似度计算结果的第二个数，当所述第一个数与所述第二个数的比值大于每个组合类对应的预设第二阈值时，将所述组合类中包含的全部第一基本信息删除，得到所述筛选后的第一基本信息。
在本步骤中，除了利用皮尔逊相关系数作为相似度算法之外，还可以采用余弦距离算法和欧式距离算法作为相似度算法；此外，本步骤中，每个组合类对应有一个第二阈值，每个第二阈值由用户自定义设置，但是每个第二阈值与每个组合类中包含的数据的个数成正比，即此组合类中包含的第一基本信息的个数越大，此组合类对应的第二阈值也就越大；通过本步骤中的方法可以对每个组合类进行异常的筛选，以剔除掉异常的数据，进而保证后续进入模型训练中的数据的准确性；
在本步骤中，利用训练样本对卷积神经网络模型进行训练，得到用血量预测模型的具体实现步骤包括步骤S22；
步骤S22、构建卷积神经网络模型，其中，所述卷积神经网络模型包括预设层数的卷积层和一层输出层，第一层卷积层的卷积核的大小为7×7，剩余的卷积层的卷积核的大小都为3×3，相邻卷积层之间包括有一层激活层和一层池化层，最后一层池化层的池化核为5×5，其他层的池化层的池化核为7×7；利用训练样本对卷积神经网络模型进行训练，得到用血量预测模型。
在本步骤中，利用训练样本对卷积神经网络模型进行训练，得到用血量预测模型的具体实现步骤包括步骤S221和步骤S222；
步骤S221、按照预设划分比例将所述训练样本进行划分，得到第一训练样本集和第二训练样本集；利用所述第一训练样本集对所述卷积神经网络模型进行训练，得到初步用血量预测模型；
步骤S222、将所述第二训练样本集中的每一个训练样本输入所述初步用血量预测模型中，得到所述初步用血量预测模型输出的用血量预测值；将相同的所述用血量信息对应的训练样本进行集合，得到第一集合，将所述第一集合中全部所述训练样本对应的用血量预测值进行均值计算，得到第一计算结果；根据所述第一计算结果和所述初步用血量预测模型得到所述用血量预测模型。
在本步骤中，将相同的所述用血量信息对应的训练样本进行集合，得到第一集合，可以理解为：例如第一个样本、第二个样本、第三个样本对应的用血量信息相等，那么就可以将第一个样本、第二个样本、第三个样本进行集合，得到第一集合；本步骤中的用血量信息可以简单理解为就是血液的用量，毫升数；
本步骤中，根据所述第一计算结果和所述初步用血量预测模型得到所述用血量预测模型的具体实现步骤包括步骤S2221；
步骤S2221、将所述第一计算结果与所述第一集合进行集合，得到第二集合，将所述第二集合中的最大值记为第一数值；将所述第一集合中的最大值记为第二数值，将所述第一数值和所述第二数值相加，得到第二计算结果，将所述第二数值的两倍记为第三计算结果，将所述第三计算结果除以所述第二计算结果，得到第四计算结果，根据所述第四计算结果和预设函数，得到用血量预测误差值；对初步用血量预测模型进行参数调整，当所述用血量预测误差值小于预设用血量预测误差值阈值时，停止参数调整，得到所述血量预测模型。
在本步骤中，根据所述第四计算结果和预设函数，得到用血量预测误差值的具体实现步骤包括：
构建预设函数，利用预设函数计算所述用血量预测误差值，所述预设函数包括，其中，h为用血量预测误差值，n为当前迭代轮次进入模型的用血量信息的个数，j为当前迭代轮次进入模型的用血量信息的序号，b为第一计算结果，m为第一计算结果对应的用血量信息；g为第四计算结果；
在上述公式中，n为当前迭代轮次进入模型的用血量信息的个数，也就是说若当前迭代轮次中包含20个不同的用血量信息，那么n就为20；m为第一计算结果对应的用血量信息，上述步骤中包括“将相同的所述用血量信息对应的训练样本进行集合，得到第一集合，将所述第一集合中全部所述训练样本对应的用血量预测值进行均值计算，得到第一计算结果”，也就是说每个第一计算结果对应有一个用血量信息；
步骤S3、根据所述用血量预测模型和所述待使用血库的第二患者的第二基本信息，得到所述第二患者对应的用血量信息，根据所述第二患者的定位信息计算每个血库距离所述第二患者的距离，得到距离结果；根据所述距离结果和所述第二患者对应的用血量信息完成对血库的调度。
本步骤的具体实现步骤包括步骤S31；
步骤S31、将全部的所述距离结果按照从小到大的顺序进行排序，得到排序的距离结果，从所述排序的距离结果中排列第一的所述距离结果开始，根据所述第二患者对应的用血量信息和血型信息判断排列第一的所述距离结果对应的血库是否满足所述第二患者的用血量信息，若满足则对排列第一的所述距离结果对应的血库进行调度，若不满足则依次判断所述排序的距离结果中的下一个距离结果对应的血库是否满足，直到查找到满足所述第二患者的用血量信息的血库，完成血库调度。
本步骤可以理解为：例如血库A与第二患者之间的距离最小，那么根据第二患者的用血量信息和第二患者的血型判断血库A中是否有足够的血液供第二患者使用，若有则进行调度，若没有则分析下一个血库，直到查找到满足第二患者的用血量信息的血库。
在本实施例中，首先，获取了大量的历史数据，即第一基本信息，考虑到获取的历史数据可能存在异常数据，因此本实施例对第一基本信息进行了异常筛选，进而提高进入模型训练的数据的准确性；然后，在模型训练的过程中，根据用血量预测误差值对初步用血量预测模型中的参数进行调整，直至满足收敛条件，得到用血量预测模型；最后，根据用血量预测模型计算出第二患者的用血量，然后再根据第二患者的定位和血型信息对血库进行调度。通过本实施例中的方法可以快速的计算出第二患者所需的用血量，进而帮助医护人员进行血液的调度使用。
实施例2
如图2所示，本实施例提供了一种血库智能调度管理系统，所述系统包括获取模块701、训练模块702和调度模块703。
获取模块701，用于获取历史使用血库的第一患者的第一基本信息、待使用血库的第二患者的第二基本信息和第二患者的定位信息，每个所述第一基本信息包括每个所述第一患者的年龄、性别、患病信息和血型；
训练模块702，用于将全部的所述第一基本信息进行筛选，并将筛选后的第一基本信息进行集合，得到第一基本信息集，将所述第一基本信息集中的每个第一基本信息作为一个训练样本，对每个所述训练样本进行标注，标注信息包括用血量信息，利用训练样本对卷积神经网络模型进行训练，得到用血量预测模型；
调度模块703，用于根据所述用血量预测模型和所述待使用血库的第二患者的第二基本信息，得到所述第二患者对应的用血量信息，根据所述第二患者的定位信息计算每个血库距离所述第二患者的距离，得到距离结果；根据所述距离结果和所述第二患者对应的用血量信息完成对血库的调度。
在本公开的一种具体实施方式中，所述训练模块702，还包括筛选单元7021。
筛选单元7021，用于采用K-means聚类算法对全部的所述第一基本信息进行聚类处理，得到至少两个类，随机挑选两个类进行组合，得到组合类，将所述组合类中其中一个类包含的第一基本信息与另一个类包含的第一基本信息两两进行相似度计算，得到多个相似度计算结果，其中，利用皮尔逊相关系数作为相似度算法；统计每个组合类对应的全部相似度计算结果中未超过预设第一阈值的相似度计算结果的第一个数，并统计每个组合类对应的相似度计算结果的第二个数，当所述第一个数与所述第二个数的比值大于每个组合类对应的预设第二阈值时，将所述组合类中包含的全部第一基本信息删除，得到所述筛选后的第一基本信息。
在本公开的一种具体实施方式中，所述训练模块702，还包括构建单元7022。
构建单元7022，用于构建卷积神经网络模型，其中，所述卷积神经网络模型包括预设层数的卷积层和一层输出层，第一层卷积层的卷积核的大小为7×7，剩余的卷积层的卷积核的大小都为3×3，相邻卷积层之间包括有一层激活层和一层池化层，最后一层池化层的池化核为5×5，其他层的池化层的池化核为7×7；利用训练样本对卷积神经网络模型进行训练，得到用血量预测模型。
在本公开的一种具体实施方式中，所述构建单元7022，还包括划分单元70221和预测单元70222。
划分单元70221，用于按照预设划分比例将所述训练样本进行划分，得到第一训练样本集和第二训练样本集；利用所述第一训练样本集对所述卷积神经网络模型进行训练，得到初步用血量预测模型；
预测单元70222，用于将所述第二训练样本集中的每一个训练样本输入所述初步用血量预测模型中，得到所述初步用血量预测模型输出的用血量预测值；将相同的所述用血量信息对应的训练样本进行集合，得到第一集合，将所述第一集合中全部所述训练样本对应的用血量预测值进行均值计算，得到第一计算结果；根据所述第一计算结果和所述初步用血量预测模型得到所述用血量预测模型。
在本公开的一种具体实施方式中，所述预测单元70222，还包括调整单元702221。
调整单元702221，用于将所述第一计算结果与所述第一集合进行集合，得到第二集合，将所述第二集合中的最大值记为第一数值；将所述第一集合中的最大值记为第二数值，将所述第一数值和所述第二数值相加，得到第二计算结果，将所述第二数值的两倍记为第三计算结果，将所述第三计算结果除以所述第二计算结果，得到第四计算结果，根据所述第四计算结果和预设函数，得到用血量预测误差值；对初步用血量预测模型进行参数调整，当所述用血量预测误差值小于预设用血量预测误差值阈值时，停止参数调整，得到所述血量预测模型。
在本公开的一种具体实施方式中，所述调度模块703，还包括调度单元7031。
调度单元7031，用于将全部的所述距离结果按照从小到大的顺序进行排序，得到排序的距离结果，从所述排序的距离结果中排列第一的所述距离结果开始，根据所述第二患者对应的用血量信息和血型信息判断排列第一的所述距离结果对应的血库是否满足所述第二患者的用血量信息，若满足则对排列第一的所述距离结果对应的血库进行调度，若不满足则依次判断所述排序的距离结果中的下一个距离结果对应的血库是否满足，直到查找到满足所述第二患者的用血量信息的血库，完成血库调度。
需要说明的是，关于上述实施例中的系统，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
实施例3
相应于上面的方法实施例，本公开实施例还提供了一种血库智能调度管理设备，下文描述的血库智能调度管理设备与上文描述的血库智能调度管理方法可相互对应参照。
图3是根据一示例性实施例示出的血库智能调度管理设备800的框图。如图3所示，该血库智能调度管理设备800可以包括：处理器801，存储器802。该血库智能调度管理设备800还可以包括多媒体组件803， I/O接口804，以及通信组件805中的一者或多者。
其中，处理器801用于控制该血库智能调度管理设备800的整体操作，以完成上述的血库智能调度管理方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该血库智能调度管理设备800的操作，这些数据例如可以包括用于在该血库智能调度管理设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random AccessMemory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable ProgrammableRead-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该血库智能调度管理设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，该血库智能调度管理设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的血库智能调度管理方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的血库智能调度管理方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由该血库智能调度管理设备800的处理器801执行以完成上述的血库智能调度管理方法。
实施例4
相应于上面的方法实施例，本公开实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的血库智能调度管理方法可相互对应参照。
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的血库智能调度管理方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述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 (10)

1.一种血库智能调度管理方法，其特征在于，包括：
获取历史使用血库的第一患者的第一基本信息、待使用血库的第二患者的第二基本信息和第二患者的定位信息，每个所述第一基本信息包括每个所述第一患者的年龄、性别、患病信息和血型；
将全部的所述第一基本信息进行筛选，并将筛选后的第一基本信息进行集合，得到第一基本信息集，将所述第一基本信息集中的每个第一基本信息作为一个训练样本，对每个所述训练样本进行标注，标注信息包括用血量信息，利用训练样本对卷积神经网络模型进行训练，得到用血量预测模型；
根据所述用血量预测模型和所述待使用血库的第二患者的第二基本信息，得到所述第二患者对应的用血量信息，根据所述第二患者的定位信息计算每个血库距离所述第二患者的距离，得到距离结果；根据所述距离结果和所述第二患者对应的用血量信息完成对血库的调度。
2.根据权利要求1所述的血库智能调度管理方法，其特征在于，将全部的所述第一基本信息进行筛选，并将筛选后的第一基本信息进行集合，得到第一基本信息集，包括：
采用K-means聚类算法对全部的所述第一基本信息进行聚类处理，得到至少两个类，随机挑选两个类进行组合，得到组合类，将所述组合类中其中一个类包含的第一基本信息与另一个类包含的第一基本信息两两进行相似度计算，得到多个相似度计算结果，其中，利用皮尔逊相关系数作为相似度算法；统计每个组合类对应的全部相似度计算结果中未超过预设第一阈值的相似度计算结果的第一个数，并统计每个组合类对应的相似度计算结果的第二个数，当所述第一个数与所述第二个数的比值大于每个组合类对应的预设第二阈值时，将所述组合类中包含的全部第一基本信息删除，得到所述筛选后的第一基本信息。
3.根据权利要求1所述的血库智能调度管理方法，其特征在于，利用训练样本对卷积神经网络模型进行训练，得到用血量预测模型，包括：
构建卷积神经网络模型，其中，所述卷积神经网络模型包括预设层数的卷积层和一层输出层，第一层卷积层的卷积核的大小为7×7，剩余的卷积层的卷积核的大小都为3×3，相邻卷积层之间包括有一层激活层和一层池化层，最后一层池化层的池化核为5×5，其他层的池化层的池化核为7×7；利用训练样本对卷积神经网络模型进行训练，得到用血量预测模型。
4.根据权利要求3所述的血库智能调度管理方法，其特征在于，利用训练样本对卷积神经网络模型进行训练，得到用血量预测模型，包括：
按照预设划分比例将所述训练样本进行划分，得到第一训练样本集和第二训练样本集；利用所述第一训练样本集对所述卷积神经网络模型进行训练，得到初步用血量预测模型；
将所述第二训练样本集中的每一个训练样本输入所述初步用血量预测模型中，得到所述初步用血量预测模型输出的用血量预测值；将相同的所述用血量信息对应的训练样本进行集合，得到第一集合，将所述第一集合中全部所述训练样本对应的用血量预测值进行均值计算，得到第一计算结果；根据所述第一计算结果和所述初步用血量预测模型得到所述用血量预测模型。
5.根据权利要求4所述的血库智能调度管理方法，其特征在于，根据所述第一计算结果和所述初步用血量预测模型得到所述用血量预测模型，包括：
将所述第一计算结果与所述第一集合进行集合，得到第二集合，将所述第二集合中的最大值记为第一数值；将所述第一集合中的最大值记为第二数值，将所述第一数值和所述第二数值相加，得到第二计算结果，将所述第二数值的两倍记为第三计算结果，将所述第三计算结果除以所述第二计算结果，得到第四计算结果，根据所述第四计算结果和预设函数，得到用血量预测误差值；对初步用血量预测模型进行参数调整，当所述用血量预测误差值小于预设用血量预测误差值阈值时，停止参数调整，得到所述血量预测模型。
6.一种血库智能调度管理系统，其特征在于，包括：
获取模块，用于获取历史使用血库的第一患者的第一基本信息、待使用血库的第二患者的第二基本信息和第二患者的定位信息，每个所述第一基本信息包括每个所述第一患者的年龄、性别、患病信息和血型；
训练模块，用于将全部的所述第一基本信息进行筛选，并将筛选后的第一基本信息进行集合，得到第一基本信息集，将所述第一基本信息集中的每个第一基本信息作为一个训练样本，对每个所述训练样本进行标注，标注信息包括用血量信息，利用训练样本对卷积神经网络模型进行训练，得到用血量预测模型；
调度模块，用于根据所述用血量预测模型和所述待使用血库的第二患者的第二基本信息，得到所述第二患者对应的用血量信息，根据所述第二患者的定位信息计算每个血库距离所述第二患者的距离，得到距离结果；根据所述距离结果和所述第二患者对应的用血量信息完成对血库的调度。
7.根据权利要求6所述的血库智能调度管理系统，其特征在于，训练模块，包括：
筛选单元，用于采用K-means聚类算法对全部的所述第一基本信息进行聚类处理，得到至少两个类，随机挑选两个类进行组合，得到组合类，将所述组合类中其中一个类包含的第一基本信息与另一个类包含的第一基本信息两两进行相似度计算，得到多个相似度计算结果，其中，利用皮尔逊相关系数作为相似度算法；统计每个组合类对应的全部相似度计算结果中未超过预设第一阈值的相似度计算结果的第一个数，并统计每个组合类对应的相似度计算结果的第二个数，当所述第一个数与所述第二个数的比值大于每个组合类对应的预设第二阈值时，将所述组合类中包含的全部第一基本信息删除，得到所述筛选后的第一基本信息。
8.根据权利要求6所述的血库智能调度管理系统，其特征在于，训练模块，包括：
构建单元，用于构建卷积神经网络模型，其中，所述卷积神经网络模型包括预设层数的卷积层和一层输出层，第一层卷积层的卷积核的大小为7×7，剩余的卷积层的卷积核的大小都为3×3，相邻卷积层之间包括有一层激活层和一层池化层，最后一层池化层的池化核为5×5，其他层的池化层的池化核为7×7；利用训练样本对卷积神经网络模型进行训练，得到用血量预测模型。
9.根据权利要求8所述的血库智能调度管理系统，其特征在于，构建单元，包括：
划分单元，用于按照预设划分比例将所述训练样本进行划分，得到第一训练样本集和第二训练样本集；利用所述第一训练样本集对所述卷积神经网络模型进行训练，得到初步用血量预测模型；
预测单元，用于将所述第二训练样本集中的每一个训练样本输入所述初步用血量预测模型中，得到所述初步用血量预测模型输出的用血量预测值；将相同的所述用血量信息对应的训练样本进行集合，得到第一集合，将所述第一集合中全部所述训练样本对应的用血量预测值进行均值计算，得到第一计算结果；根据所述第一计算结果和所述初步用血量预测模型得到所述用血量预测模型。
10.根据权利要求9所述的血库智能调度管理系统，其特征在于，预测单元，包括：
调整单元，用于将所述第一计算结果与所述第一集合进行集合，得到第二集合，将所述第二集合中的最大值记为第一数值；将所述第一集合中的最大值记为第二数值，将所述第一数值和所述第二数值相加，得到第二计算结果，将所述第二数值的两倍记为第三计算结果，将所述第三计算结果除以所述第二计算结果，得到第四计算结果，根据所述第四计算结果和预设函数，得到用血量预测误差值；对初步用血量预测模型进行参数调整，当所述用血量预测误差值小于预设用血量预测误差值阈值时，停止参数调整，得到所述血量预测模型。
CN202311187820.1A 2023-09-15 2023-09-15 一种血库智能调度管理系统及方法 Pending CN116936119A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311187820.1A CN116936119A (zh) 2023-09-15 2023-09-15 一种血库智能调度管理系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311187820.1A CN116936119A (zh) 2023-09-15 2023-09-15 一种血库智能调度管理系统及方法

Publications (1)

Publication Number Publication Date
CN116936119A true CN116936119A (zh) 2023-10-24

Family

ID=88386393

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311187820.1A Pending CN116936119A (zh) 2023-09-15 2023-09-15 一种血库智能调度管理系统及方法

Country Status (1)

Country Link
CN (1) CN116936119A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108511057A (zh) * 2018-02-28 2018-09-07 北京和兴创联健康科技有限公司 输血量模型建立及预测方法、装置、设备及其存储介质
CN110245132A (zh) * 2019-06-12 2019-09-17 腾讯科技（深圳）有限公司 数据异常检测方法、装置、计算机可读存储介质和计算机设备
CN112163316A (zh) * 2020-08-31 2021-01-01 同济大学 一种基于深度学习的硬岩隧道掘进机的掘进参数预测方法
CN114496180A (zh) * 2020-10-27 2022-05-13 青岛海尔生物医疗科技有限公司 一种血液调配方法及系统
CN115440347A (zh) * 2021-06-04 2022-12-06 青岛海特生物医疗有限公司 用于血液调配的方法及装置、智能终端

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108511057A (zh) * 2018-02-28 2018-09-07 北京和兴创联健康科技有限公司 输血量模型建立及预测方法、装置、设备及其存储介质
CN110245132A (zh) * 2019-06-12 2019-09-17 腾讯科技（深圳）有限公司 数据异常检测方法、装置、计算机可读存储介质和计算机设备
CN112163316A (zh) * 2020-08-31 2021-01-01 同济大学 一种基于深度学习的硬岩隧道掘进机的掘进参数预测方法
CN114496180A (zh) * 2020-10-27 2022-05-13 青岛海尔生物医疗科技有限公司 一种血液调配方法及系统
CN115440347A (zh) * 2021-06-04 2022-12-06 青岛海特生物医疗有限公司 用于血液调配的方法及装置、智能终端

Similar Documents

Publication Publication Date Title
WO2021184727A1 (zh) 数据异常检测方法、装置、电子设备及存储介质
AU2012245343B2 (en) Predictive modeling
CN112074915B (zh) 生物医学预测的可视化
CN110991170B (zh) 基于电子病历信息的中文疾病名称智能标准化方法与系统
CN109978491B (zh) 提醒预测方法、装置、计算机设备及存储介质
CN104915535B (zh) 生物种群动态预测分析全球通用关键因子预设数组平台
CN111506723A (zh) 问答响应方法、装置、设备及存储介质
CN114388135B (zh) 一种孕妇指标数据分析方法、装置、设备及可读存储介质
WO2020049404A2 (en) Visualization of social determinants of health
Teimouri EM algorithm for mixture of skew-normal distributions fitted to grouped data
CN112669188A (zh) 危机事件预警模型构建、危机事件预警方法和电子设备
WO2019134873A1 (en) Prediction model preparation and use for socioeconomic data and missing value prediction
US20230377750A1 (en) Classifier Apparatus With Decision Support Tool
CN116343980B (zh) 一种基于智慧医疗复诊随访数据处理方法及系统
CN117038039A (zh) 一种基于深度学习的智慧病房资源调度方法和系统
CN116936119A (zh) 一种血库智能调度管理系统及方法
CN116168403A (zh) 医疗数据分类模型训练方法、分类方法、装置及相关介质
CN114358350A (zh) 会议预定模型的使用方法、装置、设备及存储介质
CN111063436A (zh) 数据处理方法及装置、存储介质及电子终端
CN111652433A (zh) 养老费用测算装置
CN116936132B (zh) 基于大数据的智慧医疗病情监控方法及系统
CN116597971B (zh) 基于数字孪生的医院空间优化模拟方法及系统
Bruckers et al. Cluster analysis for repeated data with dropout: Sensitivity analysis using a distal event
US11154220B2 (en) Information processing apparatus, method, and information processing system for inferring a movement destination of a person by utilizing a wireless device
Sangisetti et al. Deep fit_predic: a novel integrated pyramid dilation EfficientNet-B3 scheme for fitness prediction system

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