CN117012348B - 一种医用气体可视化运行管理方法及系统 - Google Patents
一种医用气体可视化运行管理方法及系统 Download PDFInfo
- Publication number
- CN117012348B CN117012348B CN202310601648.3A CN202310601648A CN117012348B CN 117012348 B CN117012348 B CN 117012348B CN 202310601648 A CN202310601648 A CN 202310601648A CN 117012348 B CN117012348 B CN 117012348B
- Authority
- CN
- China
- Prior art keywords
- gas
- usage
- data set
- node
- medical gas
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 38
- 230000000007 visual effect Effects 0.000 title claims abstract description 25
- 239000007789 gas Substances 0.000 claims abstract description 204
- 238000003860 storage Methods 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000013075 data extraction Methods 0.000 claims abstract description 11
- 239000010410 layer Substances 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 30
- 201000010099 disease Diseases 0.000 claims description 23
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 23
- 238000012800 visualization Methods 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 11
- 230000035772 mutation Effects 0.000 claims description 9
- 238000013499 data model Methods 0.000 claims description 8
- 238000002360 preparation method Methods 0.000 claims description 8
- 229940075473 medical gases Drugs 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 6
- 239000002356 single layer Substances 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 8
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 6
- 239000001301 oxygen Substances 0.000 description 6
- 229910052760 oxygen Inorganic materials 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 239000001569 carbon dioxide Substances 0.000 description 4
- 229910002092 carbon dioxide Inorganic materials 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- GQPLMRYTRLFLPF-UHFFFAOYSA-N Nitrous Oxide Chemical compound [O-][N+]#N GQPLMRYTRLFLPF-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 208000023504 respiratory system disease Diseases 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229910001873 dinitrogen Inorganic materials 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000013842 nitrous oxide Nutrition 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001932 seasonal 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
- 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
- G06F16/26—Visual data mining; Browsing structured data
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及医用气体智能管理技术领域,尤其涉及一种医用气体可视化运行管理方法及系统,方法包括:确定医院内针对医用气体的使用节点;基于预设使用时间,形成每一种类型气体的使用量预测数据集合;根据两种属性分别对不同类型气体的使用量预测数据集合进行修订;通过数据提取确定每个使用节点的各种气体使用量集合;针对每个使用节点在预设使用时间内进行子时间序列划分,且建立多维预测空间;将多维预测空间通过可视化界面进行显示。通过本发明,对医院内部的医用气体储备和供给进行了全面、系统的规划和预测,通过建立多维预测空间并使用可视化界面进行展示,使得医院管理人员能够更加直观地了解气体使用情况和变化趋势。
Description
技术领域
本发明涉及医用气体智能管理技术领域,具体涉及一种医用气体可视化运行管理方法及系统。
背景技术
医用气体系统作为医院的生命支持系统,具有医治维持病人生命、减轻病人痛苦、促进病人康复等重要作用,其运行管理质量直接关系到医疗效率与医院安全。
目前医用气体在医院日常使用的过程中,存在使用点分散的情况,在医院中使用医用气体的设备和区域分布分散,涉及到不同的科室、病房和手术室等多个使用点,这些使用点的分散性意味着需要对每个使用点进行单独的气体供应和监测,给医院气体管理带来了一定的复杂度和成本;另外,还存在日使用量不均匀的情况,每天医用气体的实际使用量会随着病人数量、手术项目等因素而发生变化。
上述情况给医用气体的运行管理带来了难度,如何使得医用气体的使用情况获得较好的预测,从而有效的指导其运行管理,成为了本领域所需解决的技术问题之一。
发明内容
本发明中提供了一种医用气体可视化运行管理方法及系统,从而有效解决背景技术中所指出的问题。
为了达到上述目的,本发明所采用的技术方案是:
一种医用气体可视化运行管理方法,用于对医院内的医用气体供应网络进行管理,所述医用气体供应网络通过可视化界面进行显示,所述方法包括:
确定医院内针对医用气体的使用节点,其中,所述使用节点包括多种类型气体的使用节点;
基于预设使用时间,预估每一种类型气体在对应使用节点的使用量,形成每一种类型气体的使用量预测数据集合,集合内的预测数据分别与所述使用节点一一对应;
设定疾病发生率调整属性和气体制存难度调整属性,且根据两种属性分别对不同类型气体的所述使用量预测数据集合进行修订;
遍历每种类型气体修订后的使用量预测数据集合,通过数据提取确定每个所述使用节点的各种气体使用量集合;
针对每个所述使用节点在所述预设使用时间内进行子时间序列划分,且建立多维预测空间,其中,所述多维预测空间的一个坐标轴为时间轴,用于映射所述子时间序列,其他的坐标轴分别用于映射每种类型气体与所述子时间序列对应的使用量;
将所述多维预测空间通过可视化界面进行显示,且对应进行医用气体的储备及供给管理。
进一步地,基于预设使用时间,预估每一种类型气体在对应使用节点的使用量,包括以下步骤:
建立医用气体使用数据集,且对所述医用气体使用数据集进行清洗和准备;
进行数据模型选择,对处理完成的数据集进行训练;
对训练得到的模型进行评估和优化;
通过训练好的模型对未来的预设使用时间内的气体使用量进行预测。
进一步地,进行数据模型选择,对处理完成的数据集进行训练,包括:
首先采用单层LSTM模型,并通过数据集进行训练,在训练过程中逐步添加新的层;
对单层LSTM模型和增加层后的多层LSTM模型进行结果优劣比较,根据比较结果确定最终层数,其中,所述多层LSTM模型的层数小于等于5;
针对LSTM模型设置初始节点数,且通过逐步增加节点数的方法进行试验,通过模型表现的评估对LSTM模型进行调整;
使用训练集对所述LSTM模型进行训练。
进一步地,采用交叉验证的方式对所述LSTM模型进行调整,包括:
将医用气体使用数据集随机划分成K个互斥子集,K=5或10,针对每个所述子集保持类别分布的一致性;
每次从K个所述子集中选择一个作为验证集,其余K-1个所述子集作为训练集;
计算模型在验证集上的性能指标;
重复以上步骤,直到所有所述子集都被用于验证集为止;
对K个所述性能指标求平均值,得到模型的最终性能指标,并根据结果调整LSTM模型节点数及层数。
进一步地,在所述LSTM模型中添加全连接层。
进一步地,在所述LSTM模型中添加Dropout层。
进一步地,设定疾病发生率调整属性和气体制存难度调整属性,且根据两种属性分别对不同类型气体的使用量预测数据集合进行修订,具体为,首先根据疾病发生率调整属性进行使用量预测数据集合的修订,而后再根据气体制存难度调整属性进行使用量预测数据集合的修订。
进一步地,根据疾病发生率调整属性进行使用量预测数据集合的修订,包括:
确定每种类型气体的使用量预测数据集合中的数据对应的使用节点;
根据历史数据判断每个所述使用节点对于对应类型气体使用量的突变性属性;
根据每个所述使用节点所对应的所述突变性属性,对使用量预测数据集合中的每个数据分别进行修订,获得修订后的所述使用量预测数据集合。
进一步地,根据气体制存难度调整属性进行使用量预测数据集合的修订,包括:
确定每种类型气体的制备难度指标,以及存储难度指标;
对两项指标进行加权求和,而得到综合指标;
通过所述综合指标对使用量预测数据集合中的每个数据进行统一修订。
一种医用气体可视化运行管理系统,用于对医院内的医用气体供应网络进行管理,所述医用气体供应网络通过可视化界面进行显示,所述系统包括:
使用节点识别模块,用于确定医院内针对医用气体的使用节点,其中,所述使用节点包括多种类型气体的使用节点;
预测数据集合生成模块,基于预设使用时间,预估每一种类型气体在对应使用节点的使用量,形成每一种类型气体的使用量预测数据集合,集合内的预测数据分别与使用节点一一对应;
参数调整模块,设定疾病发生率调整属性和气体制存难度调整属性,且根据两种属性分别对不同类型气体的使用量预测数据集合进行修订;
数据提取模块,遍历每种类型气体修订后的使用量预测数据集合,通过数据提取确定每个使用节点的各种气体使用量集合;
多维预测空间建立模块,针对每个使用节点在预设使用时间内进行子时间序列划分,建立多维预测空间,其中,多维预测空间的一个坐标轴为时间轴,用于映射子时间序列,其他的坐标轴分别用于映射每种类型气体与子时间序列对应的使用量;
可视化界面模块,将多维预测空间通过可视化界面进行显示,用于对应进行医用气体的储备及供给。
通过本发明的技术方案,可实现以下技术效果:
通过本发明,对医院内部的医用气体储备和供给进行了全面、系统的规划和预测,充分考虑了多种因素的影响,适用性较强,同时,该方案通过建立多维预测空间并使用可视化界面进行展示,使得医院管理人员能够更加直观地了解气体使用情况和变化趋势,从而实现更为科学和有效的运行管理。
附图说明
为了更清楚地说明本发明实施例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,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,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的附图。
图1为医用气体可视化运行管理方法的流程图;
图2为基于预设使用时间,预估每一种类型气体在对应使用节点使用量的流程图;
图3为进行数据模型选择,对处理完成的数据集进行训练的流程图;
图4为采用交叉验证的方式对LSTM模型进行调整的流程图;
图5为根据疾病发生率调整属性进行使用量预测数据集合修订的流程图;
图6为根据气体制存难度调整属性进行使用量预测数据集合修订的流程图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一:
一种医用气体可视化运行管理方法,用于对医院内的医用气体供应网络进行管理,医用气体供应网络通过可视化界面进行显示,如图1所示,方法包括:
S100:确定医院内针对医用气体的使用节点,其中,使用节点包括多种类型气体的使用节点;
确定医院内针对医用气体的使用节点是医用气体管理的关键步骤之一,一个医院可能会涉及到多个科室和区域,每个区域都可能需要使用不同的医用气体,因此需要将每个使用医用气体的位置或场景作为一个使用节点进行标识。
在这些使用节点中,会包括多种类型气体的使用节点。例如,在手术室中,可能会同时使用多种医用气体,如氧气、笑气、二氧化碳等,在重症监护室中可能需要使用多种呼吸机,而不同的呼吸机又需要使用不同种类的医用气体。因此,在确定医用气体的使用节点时,需要考虑到不同气体在不同区域和场景中的使用情况。
S200:基于预设使用时间,预估每一种类型气体在对应使用节点的使用量,形成每一种类型气体的使用量预测数据集合,集合内的预测数据分别与使用节点一一对应;
这一步骤是对医用气体的使用量进行预测的关键步骤之一,其目的是根据预设使用时间和已知的医院内气体使用情况,对每种类型气体在对应使用节点内的使用量进行预测,并形成每种气体类型的使用量预测数据集合。
具体而言,该步骤执行过程中会考虑到以下方面:针对预设使用时间,需要在进行预测时,明确所针对的时间段,例如,可以根据历史数据对未来某一月或某一周的医用气体使用量进行预测;针对使用节点的气体使用情况,需要对于每个使用节点,了解其所需要使用的各种气体种类、数量以及使用频率等信息。
S300:设定疾病发生率调整属性和气体制存难度调整属性,且根据两种属性分别对不同类型气体的使用量预测数据集合进行修订;
本步骤中,通过疾病发生率调整属性和气体制存难度调整属性对不同类型气体的使用量预测数据集合进行修订和优化,且分别对以上两种属性进行解释如下:
疾病发生率调整属性:本发明中所指的疾病发生率是指某种疾病在预设使用时间内的发生概率。在医用气体管理中,不同疾病对医用气体的需求量也不同。例如,在呼吸系统疾病高发的科室中,氧气的使用量可能会更加频繁和大量,因此需要针对这种情况对氧气的使用量预测数据进行修订。
气体制存难度调整属性:不同类型气体的制备和存储难度和成本也不同。例如,制备纯度较高的氮气比制备普通空气要困难一些,因此,在医院内医用气体的使用过程中,需要考虑到不同气体的制备难度和成本,并据此对不同类型气体的使用量预测数据进行修订和优化。
综上,本步骤中通过设定疾病发生率调整属性和气体制存难度调整属性,并根据这些属性对不同类型气体的使用量预测数据集合进行修订和优化,可以更加准确地反映出医用气体在实际使用中的需求情况,帮助医院更好地制定供给计划。
S400:遍历每种类型气体修订后的使用量预测数据集合,通过数据提取确定每个使用节点的各种气体使用量集合;
具体而言,这个过程可以包括以下步骤:
对于每个使用节点,根据其治疗疾病类型和所需医用气体的类型,从所遍历的每种类型气体的修订后的使用量预测数据集合中提取相应的数据。例如,在某个呼吸系统疾病治疗区中,可能需要使用氧气和二氧化碳,因此需要从氧气和二氧化碳修订后的使用量预测数据集合中分别提取该使用节点在预设使用时间内的氧气和二氧化碳使用量数据;在完成数据提取后,就可以确定每个使用节点的各种气体使用量集合,这些集合可以用于后续的医用气体储备和供给等管理工作中,帮助医院更加准确地预测和满足不同区域和科室的医用气体需求。
总之,通过遍历每种类型气体修订后的使用量预测数据集合,并从中提取相应的数据来确定每个使用节点的各种气体使用量集合,可以为医院内医用气体的储备和供给提供更为精确的预测依据。
S500:针对每个使用节点在预设使用时间内进行子时间序列划分,且建立多维预测空间,其中,多维预测空间的一个坐标轴为时间轴,用于映射子时间序列,其他的坐标轴分别用于映射每种类型气体与子时间序列对应的使用量;
该多维预测空间可以包含一个坐标轴用于映射时间轴,以及其他的坐标轴分别用于映射每种类型气体与子时间序列对应的使用量,通过这样的操作,可以更加精确地把握每个使用节点的气体使用情况,进一步优化医用气体的储备和供给计划。同时,多维预测空间的建立也有利于对未来可能出现的新疾病类型和治疗需求进行预测和规划,更好地适应医院内部和外部环境的变化。
S600:将多维预测空间通过可视化界面进行显示,且对应进行医用气体的储备及供给管理;
从而便于医院管理人员更加直观地了解气体使用情况和变化趋势,同时,根据多维预测空间的信息,可以制定相应的医用气体储备和供给计划,以满足不同治疗区域和科室的需求。
具体而言,使用可视化界面可以将多维预测空间中的气体使用量和时间轴等信息转化为图像或者其他形式的展示方式,例如散点图、柱状图、线性图、热力图等等。这些展示方式可以方便医院管理人员对气体使用情况进行实时监测和分析,及时发现问题并采取措施进行调整,它可以提高医院管理效率,减少疾病治疗过程中因气体供给不足或者超量而导致的风险。
通过本发明,对医院内部的医用气体储备和供给进行了全面、系统的规划和预测,充分考虑了多种因素的影响,适用性较强,同时,该方案通过建立多维预测空间并使用可视化界面进行展示,使得医院管理人员能够更加直观地了解气体使用情况和变化趋势,制定出更为科学和有效的供给计划。
其中,基于预设使用时间,预估每一种类型气体在对应使用节点的使用量,如图2所示,包括以下步骤:
S210:建立医用气体使用数据集,且对医用气体使用数据集进行清洗和准备;上述处理至少包括去除重复数据、缺失值填充、异常值处理;
S220:进行数据模型选择,对处理完成的数据集进行训练;
S230:对训练得到的模型进行评估和优化;例如利用交叉验证方法对模型进行评估和调整,以提高模型的预测精度和稳定性;
S240:通过训练好的模型对未来的预设使用时间内的气体使用量进行预测。
通过本实施例的优选方案,通过建立医用气体使用数据集,选择相关特征并进行数据模型选择、训练和评估,可以提高预测的准确性和稳定性;通过不断更新历史数据,可以实时监控气体使用情况,并及时发现潜在问题。
作为上述实施例的优选,进行数据模型选择,对处理完成的数据集进行训练,如图3所示,包括:
S221:首先采用单层LSTM模型,并通过数据集进行训练,在训练过程中逐步添加新的层;LSTM模型是一种基于循环神经网络的扩展模型,适用于处理长期依赖性,在气体预测问题中,LSTM可以更好地处理季节性或周期性变化,提高预测精度;
S222:对单层LSTM模型和增加层后的多层LSTM模型进行结果优劣比较,根据比较结果确定最终层数,其中,多层LSTM模型的层数小于等于5;在设定层数范围内,选择结果最优的层数,多层LSTM模型可以更好地捕捉序列中的长期依赖关系;
S223:针对LSTM模型设置初始节点数,且通过逐步增加节点数的方法进行试验,通过模型表现的评估对LSTM模型进行调整;节点数的设置需要根据数据集的规模、复杂性和可用计算资源等因素来进行决策,一般来说,节点数越大,模型的拟合能力就会越强,但同时也容易引起过拟合;
S224:使用训练集对LSTM模型进行训练。
在实施过程中,采用交叉验证的方式对LSTM模型进行调整,如图4所示,包括:
S2231:将医用气体使用数据集随机划分成K个互斥子集,K=5或10,针对每个子集保持类别分布的一致性;
类别分布的一致性指的是,在进行训练集和验证集划分时,需要保持每个类别在训练集和验证集中的比例尽量一致,从而避免因不同类别在训练集和验证集中分布不均衡而导致模型预测性能下降的情况,以提高模型的可靠性和稳定性。
S2232:每次从K个子集中选择一个作为验证集,其余K-1个子集作为训练集;此种方式下,该过程会重复进行K次,每个子集都被做一次测试集,得到K个准确率或误差的估计值,通常将这些值的平均数作为模型最终性能指标;
S2233:计算模型在验证集上的性能指标;如准确率、F1值等;
重复以上步骤,直到所有子集都被用于验证集为止,每次获得一个模型的性能指标;
S2234:对K个性能指标求平均值,得到模型的最终性能指标,并根据结果调整LSTM模型节点数及层数。
交叉验证可以帮助更加全面地评估模型的性能,并提供基于实际数据的参数调整建议,是一种有效的模型评估和优化方法。
为了实现更好的效果,在LSTM模型中添加全连接层;或者进一步优选地,在LSTM模型中添加Dropout层。
Dropout层可以减少模型的复杂度和噪声干扰,从而防止模型过拟合,提高泛化能力:模型训练过程中,Dropout层可以随机丢弃一部分神经元,使得模型对于输入数据的变化更加鲁棒,从而提高模型的稳定性;同时,减少参数量,缩短模型训练时间,提高计算效率;另外,还可实现集成学习,Dropout层可以看作是一种模型集成方法,通过在不同的神经元子集上训练多个子模型,可以获得更加鲁棒的预测结果。
综上,在LSTM模型中添加Dropout层可以提高模型的泛化能力、鲁棒性和计算效率,并实现模型集成学习等优点。
与全连接层相比,全连接层用于提取输入特征的非线性组合,并对输入做出预测;而Dropout层则可以防止过拟合和提高模型泛化能力。本发明中可采用将这两个层按一定顺序堆叠起来的方式,以获得更好的预测性能,具体来说, 可以在LSTM模型的前面添加全连接层,用于将输入数据进行特征提取;然后再在全连接层之后添加Dropout层,以减少模型复杂度,防止过拟合,这样可以使得模型更加鲁棒、泛化能力更强,同时也可以提高计算效率。
在经过训练和验证后,使用测试集来评估LSTM模型的预测性能,并计算指标如MAE、RMSE等,以确定模型的准确性和稳定性。
本发明中,设定疾病发生率调整属性和气体制存难度调整属性,且根据两种属性分别对不同类型气体的使用量预测数据集合进行修订,具体为,首先根据疾病发生率调整属性进行使用量预测数据集合的修订,而后再根据气体制存难度调整属性进行使用量预测数据集合的修订。
其中,根据疾病发生率调整属性进行使用量预测数据集合的修订,如图5所示,包括:
S310:确定每种类型气体的使用量预测数据集合中的数据对应的使用节点;
S320:根据历史数据判断每个使用节点对于对应类型气体使用量的突变性属性;例如环境温度、湿度等因素会影响气体的使用量,而这些因素可能在某些时间点出现异常或变化,导致气体使用量发生突变,因此,可以通过分析历史数据,确定每个使用节点对应的突变属性,并计算其突变程度。
S330:根据每个使用节点所对应的突变性属性,对使用量预测数据集合中的每个数据分别进行修订,获得修订后的使用量预测数据集合。
具体来说,可以建立突变性属性与气体使用量之间的数学关系模型,然后通过该模型对数据集中的气体使用量进行修订。通过上述优化,可以更加准确地预测每个使用节点对应的气体使用量,并对突变程度较大的使用节点进行特殊处理,从而进一步提高预测精度和可靠性。需要注意的是,在实际操作中,需要结合具体情况和实际需求,灵活选择参数和方法,以达到最优的效果。
根据气体制存难度调整属性进行使用量预测数据集合的修订,如图6所示,包括:
S340:确定每种类型气体的制备难度指标,以及存储难度指标;
S350:对两项指标进行加权求和,而得到综合指标;
S360:通过综合指标对使用量预测数据集合中的每个数据进行统一修订。
具体来说,可以先根据不同气体的制备难度、制备时间、制备成本等因素,得到该气体的制备难度指标;然后根据不同气体的保存方式、保存温度、保存时间等因素,得到该气体的存储难度指标。最后,将这两个指标进行加权求和,得到综合指标,作为调整气体使用量预测数据集合的重要依据;可进一步提升预测结果的准确性和可靠性。
实施例二:
一种医用气体可视化运行管理系统,用于对医院内的医用气体供应网络进行管理,医用气体供应网络通过可视化界面进行显示,系统包括:
使用节点识别模块,用于确定医院内针对医用气体的使用节点,其中,使用节点包括多种类型气体的使用节点;
预测数据集合生成模块,基于预设使用时间,预估每一种类型气体在对应使用节点的使用量,形成每一种类型气体的使用量预测数据集合,集合内的预测数据分别与使用节点一一对应;
参数调整模块,设定疾病发生率调整属性和气体制存难度调整属性,且根据两种属性分别对不同类型气体的使用量预测数据集合进行修订;
数据提取模块,遍历每种类型气体修订后的使用量预测数据集合,通过数据提取确定每个使用节点的各种气体使用量集合;
多维预测空间建立模块,针对每个使用节点在预设使用时间内进行子时间序列划分,建立多维预测空间,其中,多维预测空间的一个坐标轴为时间轴,用于映射子时间序列,其他的坐标轴分别用于映射每种类型气体与子时间序列对应的使用量;
可视化界面模块,将多维预测空间通过可视化界面进行显示,用于对应进行医用气体的储备及供给。
本实施例中的医用气体可视化运行管理系统通过使用可实现与上述实施例相同的技术效果,此处不再赘述。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种医用气体可视化运行管理方法,其特征在于,用于对医院内的医用气体供应网络进行管理,所述医用气体供应网络通过可视化界面进行显示,所述方法包括:
确定医院内针对医用气体的使用节点,其中,所述使用节点包括多种类型气体的使用节点;
基于预设使用时间,预估每一种类型气体在对应使用节点的使用量,形成每一种类型气体的使用量预测数据集合,集合内的预测数据分别与所述使用节点一一对应;
设定疾病发生率调整属性和气体制存难度调整属性,且根据两种属性分别对不同类型气体的所述使用量预测数据集合进行修订;
遍历每种类型气体修订后的使用量预测数据集合,通过数据提取确定每个所述使用节点的各种气体使用量集合;
针对每个所述使用节点在所述预设使用时间内进行子时间序列划分,且建立多维预测空间,其中,所述多维预测空间的一个坐标轴为时间轴,用于映射所述子时间序列,其他的坐标轴分别用于映射每种类型气体与所述子时间序列对应的使用量;
将所述多维预测空间通过可视化界面进行显示,且对应进行医用气体的储备及供给管理。
2.根据权利要求1所述的医用气体可视化运行管理方法,其特征在于,基于预设使用时间,预估每一种类型气体在对应使用节点的使用量,包括以下步骤:
建立医用气体使用数据集,且对所述医用气体使用数据集进行清洗和准备;
进行数据模型选择,对处理完成的数据集进行训练;
对训练得到的模型进行评估和优化;
通过训练好的模型对未来的预设使用时间内的气体使用量进行预测。
3.根据权利要求2所述的医用气体可视化运行管理方法,其特征在于,进行数据模型选择,对处理完成的数据集进行训练,包括:
首先采用单层LSTM模型,并通过数据集进行训练,在训练过程中逐步添加新的层;
对单层LSTM模型和增加层后的多层LSTM模型进行结果优劣比较,根据比较结果确定最终层数,其中,所述多层LSTM模型的层数小于等于5;
针对LSTM模型设置初始节点数,且通过逐步增加节点数的方法进行试验,通过模型表现的评估对LSTM模型进行调整;
使用训练集对所述LSTM模型进行训练。
4.根据权利要求3所述的医用气体可视化运行管理方法,其特征在于,采用交叉验证的方式对所述LSTM模型进行调整,包括:
将医用气体使用数据集随机划分成K个互斥子集,K=5或10,针对每个所述子集保持类别分布的一致性;
每次从K个所述子集中选择一个作为验证集,其余K-1个所述子集作为训练集;
计算模型在验证集上的性能指标;
重复以上步骤,直到所有所述子集都被用于验证集为止;
对K个所述性能指标求平均值,得到模型的最终性能指标,并根据结果调整LSTM模型节点数及层数。
5.根据权利要求3所述的医用气体可视化运行管理方法,其特征在于,在所述LSTM模型中添加全连接层。
6.根据权利要求3或5所述的医用气体可视化运行管理方法,其特征在于,在所述LSTM模型中添加Dropout层。
7.根据权利要求1所述的医用气体可视化运行管理方法,其特征在于,设定疾病发生率调整属性和气体制存难度调整属性,且根据两种属性分别对不同类型气体的使用量预测数据集合进行修订,具体为,首先根据疾病发生率调整属性进行使用量预测数据集合的修订,而后再根据气体制存难度调整属性进行使用量预测数据集合的修订。
8.根据权利要求7所述的医用气体可视化运行管理方法,其特征在于,根据疾病发生率调整属性进行使用量预测数据集合的修订,包括:
确定每种类型气体的使用量预测数据集合中的数据对应的使用节点;
根据历史数据判断每个所述使用节点对于对应类型气体使用量的突变性属性;
根据每个所述使用节点所对应的所述突变性属性,对使用量预测数据集合中的每个数据分别进行修订,获得修订后的所述使用量预测数据集合。
9.根据权利要求7所述的医用气体可视化运行管理方法,其特征在于,根据气体制存难度调整属性进行使用量预测数据集合的修订,包括:
确定每种类型气体的制备难度指标,以及存储难度指标;
对两项指标进行加权求和,而得到综合指标;
通过所述综合指标对使用量预测数据集合中的每个数据进行统一修订。
10.一种医用气体可视化运行管理系统,其特征在于,用于对医院内的医用气体供应网络进行管理,所述医用气体供应网络通过可视化界面进行显示,所述系统包括:
使用节点识别模块,用于确定医院内针对医用气体的使用节点,其中,所述使用节点包括多种类型气体的使用节点;
预测数据集合生成模块,基于预设使用时间,预估每一种类型气体在对应使用节点的使用量,形成每一种类型气体的使用量预测数据集合,集合内的预测数据分别与使用节点一一对应;
参数调整模块,设定疾病发生率调整属性和气体制存难度调整属性,且根据两种属性分别对不同类型气体的使用量预测数据集合进行修订;
数据提取模块,遍历每种类型气体修订后的使用量预测数据集合,通过数据提取确定每个使用节点的各种气体使用量集合;
多维预测空间建立模块,针对每个使用节点在预设使用时间内进行子时间序列划分,建立多维预测空间,其中,多维预测空间的一个坐标轴为时间轴,用于映射子时间序列,其他的坐标轴分别用于映射每种类型气体与子时间序列对应的使用量;
可视化界面模块,将多维预测空间通过可视化界面进行显示,用于对应进行医用气体的储备及供给。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310601648.3A CN117012348B (zh) | 2023-05-26 | 2023-05-26 | 一种医用气体可视化运行管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310601648.3A CN117012348B (zh) | 2023-05-26 | 2023-05-26 | 一种医用气体可视化运行管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117012348A CN117012348A (zh) | 2023-11-07 |
CN117012348B true CN117012348B (zh) | 2024-01-19 |
Family
ID=88567949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310601648.3A Active CN117012348B (zh) | 2023-05-26 | 2023-05-26 | 一种医用气体可视化运行管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117012348B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111863236A (zh) * | 2019-04-24 | 2020-10-30 | 通用电气精准医疗有限责任公司 | 医疗机器合成数据和对应事件生成 |
CN114171173A (zh) * | 2021-12-08 | 2022-03-11 | 山东众阳健康科技集团有限公司 | 基于深度学习的血液库存预警方法和系统 |
CN115331415A (zh) * | 2022-10-14 | 2022-11-11 | 河北省科学院应用数学研究所 | 氧气浓度预警方法、装置、电子设备及可读存储介质 |
CN115942914A (zh) * | 2020-04-19 | 2023-04-07 | 赞克特机器人有限公司 | 用于优化医疗器械插入的基于数据分析的方法和系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220301666A1 (en) * | 2021-03-22 | 2022-09-22 | Bio1 Systems, Inc. | System and methods of monitoring a patient and documenting treatment |
US20230031328A1 (en) * | 2021-07-30 | 2023-02-02 | GE Precision Healthcare LLC | Monitoring, predicting and alerting short-term oxygen support needs for patients |
-
2023
- 2023-05-26 CN CN202310601648.3A patent/CN117012348B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111863236A (zh) * | 2019-04-24 | 2020-10-30 | 通用电气精准医疗有限责任公司 | 医疗机器合成数据和对应事件生成 |
CN115942914A (zh) * | 2020-04-19 | 2023-04-07 | 赞克特机器人有限公司 | 用于优化医疗器械插入的基于数据分析的方法和系统 |
CN114171173A (zh) * | 2021-12-08 | 2022-03-11 | 山东众阳健康科技集团有限公司 | 基于深度学习的血液库存预警方法和系统 |
CN115331415A (zh) * | 2022-10-14 | 2022-11-11 | 河北省科学院应用数学研究所 | 氧气浓度预警方法、装置、电子设备及可读存储介质 |
Non-Patent Citations (4)
Title |
---|
COMPARISON OF RAMDOM FOREST AND DECOMPOSITION METHODS IN THE PREDICTION OF CENTRAL OXYGEN SUPPLY AT dr.RADEN SOEDJONO SELONG HOSIPITAL;Rahmat Rifiki Aolia Akhzami et al.;《The 2nd International Seminar of Science and Technology》;第2卷;第320-332页 * |
医用气体管网规划与深化设计;朱泽杰等;《中国医学装备》;第18卷(第07期);第193-195页 * |
基于微服务架构的医用气体监测平台研究与应用;张凡进;《中国优秀硕士学位论文全文数据库 (医药卫生科技辑)》(第06期);第E053-126页 * |
基于深度学习的医疗时间序列分析;吴杭天;《中国优秀硕士学位论文全文数据库 (基础科学辑)》(第02期);第A002-832页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117012348A (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dotoli et al. | A cross-efficiency fuzzy data envelopment analysis technique for performance evaluation of decision making units under uncertainty | |
CN109002904B (zh) | 一种基于Prophet-ARMA的医院门诊就诊量预测方法 | |
CA2845827C (en) | Dynamic outlier bias reduction system and method | |
US8380642B2 (en) | Methods and systems for self-improving reasoning tools | |
Martinez et al. | Machine learning for surgical time prediction | |
CN113837356B (zh) | 基于融合神经网络的污水处理智能预测方法 | |
Abbasov et al. | Application of fuzzy time series to population forecasting | |
Beliakov et al. | Approaches to learning strictly-stable weights for data with missing values | |
US11488689B2 (en) | Prediction modeling system for clinical trials | |
JP7481902B2 (ja) | 管理計算機、管理プログラム、及び管理方法 | |
Schnuerch et al. | Waldian t tests: Sequential Bayesian t tests with controlled error probabilities. | |
CN117012348B (zh) | 一种医用气体可视化运行管理方法及系统 | |
Chrisnanto et al. | The uses of educational data mining in academic performance analysis at higher education institutions (case study at UNJANI) | |
CN116631594A (zh) | 一种基于运行指标的医院经济运行数据分析方法 | |
Aswani et al. | Optimization hierarchy for fair statistical decision problems | |
Bibi et al. | Bayesian belief networks as a software productivity estimation tool | |
Milios et al. | A genetic algorithm approach to global optimization of software cost estimation by analogy | |
Mateos et al. | Modelling individual and global comparisons for multi‐attribute preferences | |
Ezghari et al. | A learning adaptation cases technique for fuzzy analogy-based software development effort estimation | |
Aguilar-Ruiz et al. | Generation of management rules through system dynamics and evolutionary computation | |
CN117539520B (zh) | 固件自适应升级方法、系统以及设备 | |
WO2023181320A1 (ja) | モデル処理装置、モデル処理方法、及び、記録媒体 | |
CN112257330B (zh) | 一种组合模型成熟度评估方法和装置 | |
Lu | The design of a fuzzy system shell using a database approach | |
Ding | Standardized Hospitalization Ratio: Modeling, Sequential Control of False Discovery Rates, and Continuous Monitoring |
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 |