CN117057488A - 基于人工智能模型的放射医疗设备工作量预测方法及系统 - Google Patents

基于人工智能模型的放射医疗设备工作量预测方法及系统 Download PDF

Info

Publication number
CN117057488A
CN117057488A CN202311320442.XA CN202311320442A CN117057488A CN 117057488 A CN117057488 A CN 117057488A CN 202311320442 A CN202311320442 A CN 202311320442A CN 117057488 A CN117057488 A CN 117057488A
Authority
CN
China
Prior art keywords
data
date
prediction
result set
prediction result
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.)
Granted
Application number
CN202311320442.XA
Other languages
English (en)
Other versions
CN117057488B (zh
Inventor
刘丽
钱天阳
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.)
Affiliated Hospital of Jiangnan University
Original Assignee
Affiliated Hospital of Jiangnan University
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 Affiliated Hospital of Jiangnan University filed Critical Affiliated Hospital of Jiangnan University
Priority to CN202311320442.XA priority Critical patent/CN117057488B/zh
Publication of CN117057488A publication Critical patent/CN117057488A/zh
Application granted granted Critical
Publication of CN117057488B publication Critical patent/CN117057488B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Child & Adolescent Psychology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及人工智能技术领域，尤其是涉及一种基于人工智能模型的放射医疗设备工作量预测方法及系统，所述方法包括：分别获取目标医院放射医疗设备日常营运的样本数据和指定运行数据；对所述样本数据进行数据预处理；构建若干不同的人工智能模型；选取最优的人工智能模型作为工作量预测模型；生成第一预测结果集；确定所述第一预测结果集中是否存在异常点数据；若是，则生成异常点模拟数据；将所述异常点模拟数据替换所述第一预测结果集中的对应数据，生成第二预测结果集并将所述第二预测结果集作为最终预测结果集。本申请能够提高放射医疗设备工作量预测的相对准确性，使得医院可提前对医疗资源进行科学统筹规划。

Description

基于人工智能模型的放射医疗设备工作量预测方法及系统
技术领域
本申请涉及人工智能技术领域，尤其是涉及一种基于人工智能模型的放射医疗设备工作量预测方法及系统。
背景技术
放射科是医院重要的辅助检查科室，在现代医院建设中，放射科是一个集检查、诊断、治疗于一体的科室，临床各科许多疾病都须通过放射科设备检查达到明确诊断和辅助诊断。放射科的医疗设备一般有普通X线拍片机、计算机X线摄影系统（CR）、直接数字化X线摄影系统（DR）、计算机X线断层扫描（CT）、核磁共振（MRI）、数字减影血管造影系统（DSA）等。
目前，现有技术中并无较好的放射医疗设备每日工作量的预测方式，对于设备每日工作量的预测，一般都是通过历史数据做粗略地预判，这种判断方式很难准确，为此，使得医院无法统筹安排放射科医护人员及放射科设备的使用，常常会造成供需不匹配，导致患者较差的体验以及医疗资源的浪费。
发明内容
为了解决上述问题，本申请提供一种基于人工智能模型的放射医疗设备工作量预测方法及系统，能够提高放射医疗设备工作量预测的相对准确性，使得医院可以提前对医疗资源进行科学统筹规划。
第一方面，本申请提供的一种基于人工智能模型的放射医疗设备工作量预测方法，采用如下的技术方案：
一种基于人工智能模型的放射医疗设备工作量预测方法，所述方法包括：
分别获取目标医院放射医疗设备日常营运的样本数据和指定运行数据；
对所述样本数据进行数据预处理；
构建若干不同的人工智能模型，并基于所述样本数据，构建对应的第一训练集和第一测试集；
利用所述第一训练集对各人工智能模型进行训练，并利用所述第一测试集对各人工智能模型进行测试，生成各人工智能模型的评估指标值；
根据所述评估指标值，选取最优的人工智能模型作为工作量预测模型；
基于所述工作量预测模型和指定运行数据，生成第一预测结果集；
确定所述第一预测结果集中是否存在异常点数据，其中，所述异常点数据是基于日偏差幅度来确定的，所述日偏差幅度由所述第一预测结果集与指定运行数据中的对应日期进行每日的日工作量数据比对后获得；
若是，则基于预设信息库内的综合运行数据，生成与异常点数据相对应的异常点模拟数据；将所述异常点模拟数据替换所述第一预测结果集中的对应数据，生成第二预测结果集并将所述第二预测结果集作为最终预测结果集；
若否，则将第一预测结果集作为最终预测结果集。
通过采用上述技术方案，首先由待预测目标医院取得用于训练及测试的样本数据，采用多个人工智能模型同时训练，选取评估指标值最优的人工智能模型作为工作量预测模型；并且，由于不同的医院情况不同，所能取得的样本数据量可能会不齐全或很少，在使用该工作量预测模型进行工作量预测时，基于样本数据量不足导致工作量预测模型准确度不高的情况下，对预测结果数据进行二次校准，通过预设的医疗信息库内的大数据对判定当日工作量预测数据异常的异常点数据生成替换用的异常点模拟数据，以保证即使在原始数据不足的情况下，依然能相对准确地提供放射科医疗设备工作量的预测结果。
进一步地，所述对所述样本数据进行数据预处理，具体包括：
将所述样本数据按分组类型划分为若干分组，其中，所述分组类型包括检查项目、检查设备、检查方法和检查部位；
对各分组内的所述样本数据进行计数统计，获取各分组的每日工作量数据。
通过采用上述技术方案，将样本数据先进行预处理工作，按预设的分组类型划分为多个分组，对分组内的数据分别进行计数统计，得到每个分组下的每日的工作量数据。
进一步地，所述确定所述第一预测结果集中是否存在异常点数据，具体包括：
确定所述第一预测结果集的预测类型和分组类型，其中，所述预测类型包括周预测、月预测和年预测；
确定所述指定运行数据和第一预测结果集中每日的第一日期类型，其中，所述第一日期类型包括休息日和非休息日；
基于所述预测类型、分组类型和第一日期类型，将所述第一预测结果集与指定运行数据中的对应日期进行每日的日工作量数据的比对，获取日偏差幅度并基于所述日偏差幅度标记异常点数据。
通过采用上述技术方案，将工作量预测模型的预测类型确定为三种，即周预测、月预测和年预测，针对三种预测方式，分别与输入模型的真实数据做每日工作量数据的比对，以获得每日的日偏差幅度，并根据日偏差幅度和设定的阈值，来筛选异常点数据。
进一步地，所述基于所述预测类型、分组类型和第一日期类型，将所述第一预测结果集与指定运行数据中的对应日期进行每日的日工作量数据的比对，获取日偏差幅度并基于所述日偏差幅度标记异常点数据，具体包括：
当所述预测类型为周预测时：
获取所述指定运行数据中对应分组类型的最近一周的周运行数据；
将所述第一预测结果集与周运行数据中的对应日期进行日工作量数据的比对，获取每日的日偏差幅度；
若做比对的两个对应日期为不同的第一日期类型，则按第一预测结果集中该日期的第一日期类型，获取周运行数据中对应日期相邻的同第一日期类型的两个日期的日工作量数据的平均值，将该平均值作为比对对象并更新对应的日偏差幅度；
汇总所述日偏差幅度并生成周平均偏差幅度；
获取所述日偏差幅度与所述周平均偏差幅度的差值超过预设第一偏差阈值的所述第一预测结果集中的对应日期，标记为异常点数据；
当预测类型为月预测时：
获取所述指定运行数据中对应分组类型的最近一月的月运行数据；
将所述第一预测结果集与月运行数据中的对应日期进行日工作量数据的比对，获取每日的日偏差幅度；
若做比对的两个对应日期为不同的第一日期类型，则按第一预测结果集中该日期的第一日期类型，获取月运行数据中对应日期相邻的同第一日期类型的两个日期的日工作量数据的平均值，将该平均值作为比对对象并更新对应的日偏差幅度；
汇总所述日偏差幅度并生成月平均偏差幅度；
获取所述日偏差幅度与对应月平均偏差幅度的差值超过预设第二偏差阈值的所述第一预测结果集中的对应日期，标记为异常点数据；
当预测类型为年预测时：
获取所述指定运行数据中对应分组类型的最近连续12个月的年运行数据；
将所述第一预测结果集与年运行数据中的对应日期进行日工作量数据的比对，获取每日的日偏差幅度；
若做比对的两个对应日期为不同的第一日期类型，则按第一预测结果集中该日期的第一日期类型，获取年运行数据中对应日期相邻的同第一日期类型的两个日期的日工作量数据的平均值，将该平均值作为比对对象并更新对应的日偏差幅度；
按每月汇总所述日偏差幅度并生成每月的月平均偏差幅度；
获取所述日偏差幅度与对应月份的月平均偏差幅度的差值超过预设第三偏差阈值的所述第一预测结果集中的对应日期，标记为异常点数据。
通过采用上述技术方案，根据工作量预测模型的预测类型，将预测出来的结果数据分别与已输入模型的真实运行数据中最接近的整周、整月或最近连续12月的年数据进行对应日期的逐日比对，同时考虑休息日与工作日数据的区别，使对比的两个数据都同属于休息日或工作日，以保证比对结果的相对准确性，比对后得到偏差幅度，以周或月的平均偏差幅度作为基准，对比是否存在明显超过平均偏差幅度的数据，将该日期的数据标记为异常点数据。
进一步地，在所述基于预设信息库内的综合运行数据，生成与异常点数据相对应的异常点模拟数据之前，还包括：
构建异常点模拟数据的输出模型；
根据预设信息库内所有的综合运行数据，或，与所述样本数据相似度达到预设相似阈值的部分综合运行数据，构建对应的第二训练集和第二测试集；
利用所述第二训练集对输出模型进行训练，并利用所述第二测试集对输出模型进行测试，获得训练完成的输出模型，其中，所述训练完成的输出模型用于生成与异常点数据相对应的异常点模拟数据。
通过采用上述技术方案，在生成替换的异常点模拟数据之前，需要先基于预设信息库进行异常点模拟数据的输出模型的构建和训练工作，在信息库内数据量不大的情况下，可以根据预设信息库内所有的综合运行数据进行训练，在信息库内数据量较大的情况下，可以提前从整体数据中筛选出与待预测医院的样本数据变化曲线较为相似的部分数据，将这部分数据进行训练和测试。
进一步地，根据与所述样本数据相似度达到预设相似阈值的部分综合运行数据，构建对应的第二训练集和第二测试集，具体包括：
根据所述样本数据，获取综合运行数据中对应日期的不同医院的若干组运行数据；
根据所述样本数据，生成第一运行变化曲线；
根据所述若干组运行数据，生成若干第二运行变化曲线；
选取若干第二运行变化曲线中与第一运行变化曲线的相似度值大于预设相似阈值的相似运行数据；
根据所述相似运行数据，构建对应的第二训练集和第二测试集。
通过采用上述技术方案，分别基于待预测目标医院的样本数据和信息库内的综合运行数据生成运行变化曲线，选取曲线相似度较高的若干组运行数据作为训练集和测试集，以使异常点模拟数据的输出模型能够更加匹配和准确。
进一步地，还包括：
确定所述第一预测结果集中每日的第二日期类型，其中，所述第二日期类型包括工作日、公休日、节假日、调休日、调班日和特定情况日；
所述异常点模拟数据的输出模型的表达式如下：
当异常点数据的日期为工作日或公休日，且去年对应日期值为同第二日期类型时：
目标日期工作量值N = Wa1*去年对应日期值*年增幅+Wa2*相邻同第二日期类型值+Wa3*上周对应日期值；
当异常点数据的日期为工作日或公休日，且去年对应日期值非同第二日期类型时：
目标日期工作量值N = Wb1*去年对应日期的相邻同第二日期类型值*年增幅+Wb2*相邻同第二日期类型值+Wb3*上周对应日期值；
当异常点数据的日期为节假日或调休日时：
目标日期工作量值N = Wc1*去年对应节假日值*年增幅+ Wc2*相邻公休日或节假日或调休日值；
当异常点数据的日期为调班日时，且去年对应日期值为调班日或工作日时：
目标日期工作量值N = Wd1*去年对应日期值*年增幅+ Wd2*相邻调班日或工作日值；
当异常点数据的日期为调班日时，且去年对应日期值非调班日和非工作日时：
目标日期工作量值N = We1*去年对应日期的相邻调班日或工作日值*年增幅+We2*相邻调班日或工作日值；
当异常点数据的日期为特定情况日时：
目标日期工作量值N = Wf1*相似特定情况的真实值*年增幅。
通过采用上述技术方案，将日期划分为更细分的第二日期类型，根据不同的第二日期类型，设定不同的输出模型表达式，通过预设信息库中真实运行数据的训练和测试，能使输出模型中的权重参数更为准确，在输入待预测医院的真实运行数据时，能够相对更准确地输出目标日期的异常点模拟数据。
第二方面，本申请提供的一种基于人工智能模型的放射医疗设备工作量预测系统，采用如下的技术方案：
一种基于人工智能模型的放射医疗设备工作量预测系统，包括：
数据获取模块，用于分别获取目标医院放射医疗设备日常营运的样本数据和指定运行数据；
预处理模块，用于对所述样本数据进行数据预处理；
第一构建模块，用于构建若干不同的人工智能模型，并基于所述样本数据，构建对应的第一训练集和第一测试集；
模型训练模块，用于利用所述第一训练集对各人工智能模型进行训练，并利用所述第一测试集对各人工智能模型进行测试，生成各人工智能模型的评估指标值；
预测模型选取模块，用于根据所述评估指标值，选取最优的人工智能模型作为工作量预测模型；
第一预测生成模块，用于基于所述工作量预测模型和指定运行数据，生成第一预测结果集；
异常点确定模块，用于确定所述第一预测结果集中是否存在异常点数据，其中，所述异常点数据是基于日偏差幅度来确定的，所述日偏差幅度由所述第一预测结果集与指定运行数据中的对应日期进行每日的日工作量数据比对后获得；若是，则基于预设信息库内的综合运行数据，生成与异常点数据相对应的异常点模拟数据；将所述异常点模拟数据替换所述第一预测结果集中的对应数据，生成第二预测结果集并将所述第二预测结果集作为最终预测结果集；若否，则将第一预测结果集作为最终预测结果集。
第三方面，本申请提供了一种电子设备，采用如下的技术方案：
一种电子设备，包括：
至少一个处理器；
存储装置，用于存储至少一个计算机程序；
当所述至少一个计算机程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述技术方案所述的方法。
第四方面，本申请提供了一种计算机可读存储介质，采用如下的技术方案：
一种计算机可读存储介质，其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技术方案所述的方法。
综上所述，本申请包括以下至少一种有益技术效果：
1．通过多个人工智能模型的筛选，选出指标值最优的工作量预测模型来对放射医疗设备工作量进行预测，并能够对预测结果进行二次校准，提高放射医疗设备工作量预测的相对准确性，使得医院可以提前对医疗资源进行科学统筹规划。
2．通过将预测数据与相邻或相近的整周、整月或12个连续月份的运行数据进行对应日期的逐日比对，并兼顾休息日、工作日的数据差别，确保比对结果的相对准确性，以使标记出的异常点数据能够更加贴近实际情况。
3．当待预测目标医院样本数据量不足而导致工作量预测模型无法保证精准的情况下，可通过预设信息库内的大数据来对异常点数据生成替换用的异常点模拟数据，以确保尽可能地提供相对准确的预测数据，能对医院的统筹安排起到数据支持的作用。
4．采用两种方式来构建输出模型的训练集，预设信息库内数据量不足的情况下可基于所有数据来构建训练集，而数据量足够的情况下，可挑选出相似运行数据来构建训练集。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，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为本申请实施例提供的放射医疗设备工作量预测方法的整体流程示意图；
图2为本申请实施例提供的确定异常点数据的流程示意图；
图3为本申请实施例提供的构建异常点模拟数据输出模型的流程示意图；
图4为本申请实施例提供的根据相似运行数据构建第二训练集的流程示意图；
图5为本申请实施例提供的周工作量数据变化示意图；
图6为本申请实施例提供的年工作量数据变化示意图；
图7为本申请实施例提供的放射医疗设备工作量预测系统的框架示意图。
具体实施方式
为使得本申请的发明目的、特征、优点能够更加的明显和易懂，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，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
以下结合附图1至7对本申请作进一步详细说明。
如图1所示，本申请实施例公开了一种基于人工智能模型的放射医疗设备工作量预测方法，可以实施以下步骤：
101、分别获取目标医院放射医疗设备日常营运的样本数据和指定运行数据。
本申请实施例中，从目标医院的系统中获取放射医疗设备日常营运的样本数据和指定运行数据，所述样本数据用于后续的人工智能模型的训练和测试，所述指定运行数据是指进行预测时输入模型的真实运行数据，该指定运行数据，可以是全部已有的真实运行数据，也可以是指定时间段的真实运行数据，例如按连续12个月份的年度方式，或整月、整周的方式取真实运行数据。
102、对所述样本数据进行数据预处理。
本申请实施例中，所述样本数据和指定运行数据都通过标签进行标注；对样本数据进行数据预处理，具体可以实施以下步骤：
1021、将所述样本数据按分组类型划分为若干分组，其中，所述分组类型包括检查项目、检查设备、检查方法和检查部位；
基于对数据标注的标签，按分组类型进行分组。分组类型除以上几种外，还可以根据目标医院的实际情况进行分组，例如按申请院区、检查房间等。
1022、对各分组内的所述样本数据进行计数统计，获取各分组的每日工作量数据。
统计完各分组下的每日工作量数据之后，按照日期对每日工作量数据进行排序。
103、构建若干不同的人工智能模型，并基于所述样本数据，构建对应的第一训练集和第一测试集。
构建人工智能模型并进行初始化，所述人工智能模型可以为多种，例如：深度学习的DLSTM、LSTM、RNN、PROPHET、ARIMA时间序列模型，后期深度学习的Transformer模型。
104、利用所述第一训练集对各人工智能模型进行训练，并利用所述第一测试集对各人工智能模型进行测试，生成各人工智能模型的评估指标值。
根据分组分别将第一训练集输入模型，训练不同的人工智能模型，对不同模型超参数进行调优；将第一测试集按分组输入到各个训练好的人工智能模型中，获得模型的评估指标值，可采用例如均方根误差RMSE、决定系数Rsquared、平均绝对误差MAE等评估指标。
105、根据所述评估指标值，选取最优的人工智能模型作为工作量预测模型。
在不同的分组下，对比所述评估指标值，选择合适的人工智能模型作为工作量预测模型。后续会持续不断地从目标医院的系统中获取实时的真实数据，对工作量预测模型进行更新训练，使得工作量预测模型实现自学习，以使预测数据不断趋于更加精准。
106、基于所述工作量预测模型和指定运行数据，生成第一预测结果集。
将指定运行数据输入工作量预测模型中，获得预测结果，生成第一预测结果集。
107、确定所述第一预测结果集中是否存在异常点数据，其中，所述异常点数据是基于日偏差幅度来确定的，所述日偏差幅度由所述第一预测结果集与指定运行数据中的对应日期进行每日的日工作量数据比对后获得。
在样本数据量不足时，工作量预测模型的预测可能会出现数据偏差较大的情形，为了使目标医院的相关预测数据能够尽可能地趋向于精准，可通过预测数据与真实数据的比对方式，来大致确定预测结果中是否存在异常点数据。
108、若是，则基于预设信息库内的综合运行数据，生成与异常点数据相对应的异常点模拟数据；将所述异常点模拟数据替换所述第一预测结果集中的对应数据，生成第二预测结果集并将所述第二预测结果集作为最终预测结果集。
本申请实施例中，若确定某些日期中的工作量数据存在异常，通过预设信息库内的综合运行数据，训练出针对指定日期输出工作量模拟数据的输出模型，将异常点模拟数据替换原第一预测结果中的对应日期工作量数据后，得到第二预测结果集，作为提供给目标医院的最终预测结果集。
109、若否，则将第一预测结果集作为最终预测结果集。
若判断下来该第一预测结果集相对比较准确，则不需更新其数据，直接作为提供给目标医院的最终预测结果集。
本申请的另一个实施例中，对于最终预测结果集的输出，除了直接输出之外，还可以为输出值添加相应的增量值。
因本申请中，重点是为了将最终预测结果集尽可能地趋向于精准，但现实当中，要使放射医疗设备正常运行不超额、工作人员能够正常轮班、或者保障患者的满意度（减少等待时间）等目的，为最终预测结果集增加一个增量值的方式是可以取得现实意义的。
对所述最终预测结果集，设定增量值，该增量值可以以固定方式确定，也可以以动态方式确定。
所述以固定方式确定增量值，即将增量值设定为一个固定值，例如5%、10%等，如某周的预测量为工作日700左右，周末400左右，设定10%增量值时，可以按770、440的数据量来调配医疗资源。
所述以动态方式确定，即根据值班人员数量、仪器数量、仪器额定使用时间、患者等待时间等相关参数，构建增量确定模型，训练得到该动态的增量值，以确定该增量值在当前情况下需设定的百分比，可以确保医疗设备和工作人员的正常轮转、患者等待时间在一个合理的时间范围内。
如图2所示，确定所述第一预测结果集中是否存在异常点数据，具体可以实施以下步骤：
201、确定所述第一预测结果集的预测类型和分组类型，其中，所述预测类型包括周预测、月预测和年预测。
本申请实施例中，将工作量预测模型的预测类型指定为三种，即周预测、月预测和年预测。可以每隔一段时间，例如三个月，进行一次后12个月的年预测，获取年预测数据，以及趋势图、季节性效应数据等。通过年预测方式，获得后12个月的各个分组的医疗设备工作量的整体趋势，为目标医院长时间跨度的医疗资源的安排给出数据支持。月预测方式，相比年预测会更加准确一些，尤其在每月末最后一天，输入本月真实运行值之后，其准确度会更高，起到纠偏的作用，帮助目标医院实施中短时间的医疗资源统筹规划。周预测方式，精准度一般更高，尤其是相邻周的真实运行值，对于下一周具有很大的参考意义，因此需保证更高精准度的话，可以在本周最后一天（取得本周的真实运行数据后）进行下周的周预测，当然，相邻一到两周，依然有较高的准确度。
202、确定所述指定运行数据和第一预测结果集中每日的第一日期类型，其中，所述第一日期类型包括休息日和非休息日。
由真实运行数据中可以分析得到，休息日和非休息日的医疗设备工作量是有很大差异的，比如正常情况下的一周，周末的两天的设备工作量会低于平时工作日的设备工作量，而工作日的五天数据相对平稳，一般周一周二会略高，周三至周五略低一些，但总体来说与周末是处于两个数据量级（参考图5，模型生成的周工作量数据变化示意图），因此为了提高准确度，将日期划分为休息日和非休息日。
203、基于所述预测类型、分组类型和第一日期类型，将所述第一预测结果集与指定运行数据中的对应日期进行每日的日工作量数据的比对，获取日偏差幅度并基于所述日偏差幅度标记异常点数据。
将预测数据根据预测类型进行两周之间的比对、两月之间的比对以及年度之间的比对，根据对应日期间的日偏差幅度和设定的阈值来确定是否存在异常点数据。
本申请实施例中，具体可以实施以下步骤：
2031、当所述预测类型为周预测时：
获取所述指定运行数据中对应分组类型的最近一周的周运行数据；
将所述第一预测结果集与周运行数据中的对应日期进行日工作量数据的比对，获取每日的日偏差幅度；
若做比对的两个对应日期为不同的第一日期类型，则按第一预测结果集中该日期的第一日期类型，获取周运行数据中对应日期相邻的同第一日期类型的两个日期的日工作量数据的平均值，将该平均值作为比对对象并更新对应的日偏差幅度；
汇总所述日偏差幅度并生成周平均偏差幅度；
获取所述日偏差幅度与所述周平均偏差幅度的差值超过预设第一偏差阈值的所述第一预测结果集中的对应日期，标记为异常点数据。
本申请实施例中，当进行周预测时，选取最接近的整周的医疗设备工作量数据作比对，如周末最后一天取得完整一周真实运行数据的情况下进行的预测，可以使用本周真实数据与预测数据作比对，否则可以使用上周真实数据与预测数据作比对，一般可以采用周一比对周一、周二比对周二，直至周日比对周日的方式，若预测日期中出现非常规日期时，例如节假日、调休日（指本来为工作日，调整为了休息日）、调班日（本来为休息日，调整为了工作日），可以将真实运行数据中对应日期相邻的同第一日期类型日期的数据作为参考比对，为保证相对准确性，可以取相邻两天的工作量数据平均值作为参考比对。获得每日的偏差幅度后，取偏差幅度的平均值，并设定第一偏差阈值（该第一偏差阈值可以根据实际情况做调整，可以为1%、2%、5%、10%、20%等不作限制），偏差幅度超出该第一偏差阈值的日期，即可作为异常点数据。
2032、当预测类型为月预测时：
获取所述指定运行数据中对应分组类型的最近一月的月运行数据；
将所述第一预测结果集与月运行数据中的对应日期进行日工作量数据的比对，获取每日的日偏差幅度；
若做比对的两个对应日期为不同的第一日期类型，则按第一预测结果集中该日期的第一日期类型，获取月运行数据中对应日期相邻的同第一日期类型的两个日期的日工作量数据的平均值，将该平均值作为比对对象并更新对应的日偏差幅度；
汇总所述日偏差幅度并生成月平均偏差幅度；
获取所述日偏差幅度与对应月平均偏差幅度的差值超过预设第二偏差阈值的所述第一预测结果集中的对应日期，标记为异常点数据；
本申请实施例中，进行月预测时，选取最接近的整月的医疗设备工作量数据作比对，如月末最后一天取得完整月度真实运行数据的情况下进行的预测，可以使用本月真实数据与预测数据作比对，否则可以使用上月真实数据与预测数据作比对，一般可以采用每月1号比对1号、2号比对2号，直至月末最后一天的相互比对（若出现天数不对等，则可以将最后多出的一天或几天均与比对月份中的最后一天做比对，例如预测日期中的30号和31号均可与本月或上月的30号成为比对对象），若预测日期中出现非常规日期时，比对规则可以参考周预测。获得每日的偏差幅度后，取偏差幅度的平均值，并设定第二偏差阈值（该第二偏差阈值可以根据实际情况做调整，可以为1%、2%、5%、10%、20%等不作限制，但原则上来说月预测的阈值可以比周预测的阈值略大一些），偏差幅度超出该第二偏差阈值的日期，即可作为异常点数据。
2033、当预测类型为年预测时：
获取所述指定运行数据中对应分组类型的最近连续12个月的年运行数据；
将所述第一预测结果集与年运行数据中的对应日期进行日工作量数据的比对，获取每日的日偏差幅度；
若做比对的两个对应日期为不同的第一日期类型，则按第一预测结果集中该日期的第一日期类型，获取年运行数据中对应日期相邻的同第一日期类型的两个日期的日工作量数据的平均值，将该平均值作为比对对象并更新对应的日偏差幅度；
按每月汇总所述日偏差幅度并生成每月的月平均偏差幅度；
获取所述日偏差幅度与对应月份的月平均偏差幅度的差值超过预设第三偏差阈值的所述第一预测结果集中的对应日期，标记为异常点数据。
本申请实施例中，进行年预测时，选取最接近的连续12个月的医疗设备工作量数据作比对，如最近的完整月度真实数据是到今年9月，可以取去年10月开始至今年9月的连续12个月的真实运行数据与预测数据作比对。一般可以采用预测日期与该12个月中相同月份的对应日期作对比，同月份的1号比对1号、2号比对2号等（若出现同月天数不对等，则可以将最后多出的一天或几天均与比对月份中的最后一天做比对），若预测日期中出现非常规日期时，比对规则可以参考周预测。获得每日的偏差幅度后，按月份划分，取偏差幅度的月平均偏差幅度，并设定第三偏差阈值（该第三偏差阈值可以根据实际情况做调整，可以为1%、2%、5%、10%、20%等不作限制，但原则上来说年预测一般是作为导向性参考使用，对其精准度的要求不会特别高，所以阈值可以比周或月预测设置略大一些），偏差幅度超出该第三偏差阈值的日期，即可作为异常点数据。两年之间的对应月份的数据变化，一般会比较有规律，不会出现过于大的偏差，但需要考虑年度之间的整体年增幅的偏差。
在上述实施例中，因两周之间的数据偏差较小，因此可以采用周对比方式；两月之间，数据具有一定参考性，可以将阈值设置略大于周预测，考察两月的偏差幅度整体对比，例如2月份比1月份整体下降时，其每日的偏差幅度也会在一个整体范围内下降，将偏差幅度作比对，相对准确性会更高一些（参考图6，模型生成的年工作量数据变化示意图）。举例来说，2月的预测数据中，其他日期与1月真实数据的偏差幅度都在20%左右，而其中特定的几天，例如10号、15号、18号的偏差幅度达到28%、30%、10%，则可以根据第三偏差阈值（例如5%），则超过25%、低于15%的预测数据可作为异常点数据，即10号、15号、18号该三天的预测工作量数据可以标记为异常点数据。
2034、当预测类型为月预测，且按上述方案进行预测时，出现异常点数据较多的情形：
获取所述指定运行数据中对应分组类型的最近一月的月运行数据，并在所述月运行数据中提取最后一周的目标周运行数据。
将所述第一预测结果集以周为单位划分为多周的目标周预测数据；
将所述目标周预测数据分别与所述目标周运行数据中的对应日期进行日工作量数据的比对，获取每日的日偏差幅度；
若做比对的两个对应日期为不同的第一日期类型，则按目标周预测数据中该日期的第一日期类型，获取目标周运行数据中对应日期相邻的同第一日期类型的两个日期的日工作量数据的平均值，将该平均值作为比对对象并更新对应的日偏差幅度；
汇总所述日偏差幅度并生成目标周平均偏差幅度；
获取所述日偏差幅度与对应目标周平均偏差幅度的差值超过预设第四偏差阈值的所述目标周预测数据中的对应日期，标记为异常点数据；
汇总所述划分为多周的目标周预测数据中的异常点数据，作为该第一预测结果集中的全部的异常点数据。
月预测中，异常点数据较多的情形，一般可能为作为对比对象的上月数据呈明显上升或下降趋势，而预测月份中呈明显相反的下降或上升，导致月初、月末的数据对比会出现偏差幅度很大，月中期会比较接近的情形。此种情形下，可以将该月预测的第一预测结果集按周划分，将多个周数据均与月运行数据（上月数据）的最后一周作周数据比对，无论预测月份的变化趋势如何，预测月份中的每周数据相对该上月最后一周的数据的偏差幅度应该都是比较接近的，例如上月最后一周为峰值数据或谷值数据，预测月份第一周与上月最后一周的偏差幅度可能为5%左右，第二周可能为10%左右，第三周为15%左右，第四周为20%左右，这样的情况下，就避免了对比的两个月份出现明显偏差（一上升一下降，或一下降一上升）时预测数据出现较多异常点数据的情形。
如图3所示，在所述基于预设信息库内的综合运行数据，生成与异常点数据相对应的异常点模拟数据之前，还可以实施以下步骤：
301、构建异常点模拟数据的输出模型。
在基于预设信息库的综合运行数据生成替换异常数据的模拟数据之前，需提前构建异常点模拟数据的输出模型。
302、根据预设信息库内所有的综合运行数据，或，与所述样本数据相似度达到预设相似阈值的部分综合运行数据，构建对应的第二训练集和第二测试集。
所述预设信息库内的医院放射医疗设备的综合运行数据，可以为愿意进行内部公开的医院提供的综合运行数据，例如同体系下的单位相关数据，或相互开放数据的合作单位相关数据，或由相关机构统一采集的综合运行数据，共同组成该预设信息库。当该预设信息库内数据量不大时，可以根据所有综合运行数据来构建第二训练集和第二测试集；而数据量较大的情况下，则可以调取部分与目标医院样本数据相似度较高的综合运行数据来构建第二训练集和第二测试集。
303、利用所述第二训练集对输出模型进行训练，并利用所述第二测试集对输出模型进行测试，获得训练完成的输出模型，其中，所述训练完成的输出模型用于生成与异常点数据相对应的异常点模拟数据。
利用预设信息库内的综合运行数据（均为真实数据）对输出模型需提前进行训练，对输出模型中的各表达式的权重参数进行调优。输出模型训练完成后，即可根据去年对应日期工作量值（需考虑年增幅，即每年之间的数据整体变化幅度）、相邻对应日期工作量值、或上周对应日期工作量值等共同推算出当前指定日期的模拟工作量值。
本申请实施例中，还可以实施以下步骤：
确定所述第一预测结果集中每日的第二日期类型，其中，所述第二日期类型包括工作日、公休日、节假日、调休日、调班日和特定情况日；
所述异常点模拟数据的输出模型的表达式如下：
当异常点数据的日期为工作日或公休日，且去年对应日期值为同第二日期类型时：
目标日期工作量值N = Wa1*去年对应日期值*年增幅+Wa2*相邻同第二日期类型值+Wa3*上周对应日期值；
当异常点数据的日期为工作日或公休日，且去年对应日期值非同第二日期类型时：
目标日期工作量值N = Wb1*去年对应日期的相邻同第二日期类型值*年增幅+Wb2*相邻同第二日期类型值+Wb3*上周对应日期值；
当异常点数据的日期为节假日或调休日时：
目标日期工作量值N = Wc1*去年对应节假日值*年增幅+ Wc2*相邻公休日或节假日或调休日值；
当异常点数据的日期为调班日时，且去年对应日期值为调班日或工作日时：
目标日期工作量值N = Wd1*去年对应日期值*年增幅+ Wd2*相邻调班日或工作日值；
当异常点数据的日期为调班日时，且去年对应日期值非调班日和非工作日时：
目标日期工作量值N = We1*去年对应日期的相邻调班日或工作日值*年增幅+We2*相邻调班日或工作日值；
当异常点数据的日期为特定情况日时：
目标日期工作量值N = Wf1*相似特定情况的真实值*年增幅。
本实施例中，上述表达式中的“去年”对应日期，是指目标日期的前一年度（前12个月）的对应日期，年增幅是指12个月跨度下的工作量基数的增幅；上述特定情况日，指出现特殊情况时的数据，例如出现传染性疾病之类时的情况，其数据有可能会出现大幅度变化。
如图4所示，本申请的一种实施例中，根据与所述样本数据相似度达到预设相似阈值的部分综合运行数据，构建对应的第二训练集和第二测试集，具体可以实施以下步骤：
401、根据所述样本数据，获取综合运行数据中对应日期的不同医院的若干组运行数据。
根据样本数据的时间段、分组信息等数据，获取综合运行数据中对应的若干组运行数据，该若干组运行数据可以包括多个不同医院的相关数据。
402、根据所述样本数据，生成第一运行变化曲线。
根据样本数据的变化特征，生成一条第一运行变化曲线（可在本地，不需上传数据）。
403、根据所述若干组运行数据，生成若干第二运行变化曲线。
针对若干组运行数据，生成对应的若干条第二运行变化曲线。
404、选取若干第二运行变化曲线中与第一运行变化曲线的相似度值大于预设相似阈值的相似运行数据。
根据现有的曲线相似度计算方法选取其中相似度较高的部分相似运行数据，可以理解为选取部分医院数据，这些数据中的放射医疗设备工作量变化的幅度曲线与目标医院比较接近。
405、根据所述相似运行数据，构建对应的第二训练集和第二测试集。
将选取的这些具有相似变化曲线的医院数据作为第二训练集和第二测试集，来训练目标日期工作量值的输出模型。该步骤可以在确定好目标医院后，提前进行筛选。例如已经确定了某家医院希望进行该放射医疗设备的工作量预测工作，则可以提前选取出与该医院运行数据类似的相关数据，提前训练输出模型。
如图7所示，本申请实施例公开了一种基于人工智能模型的放射医疗设备工作量预测系统，包括：
数据获取模块501，用于分别获取目标医院放射医疗设备日常营运的样本数据和指定运行数据；
预处理模块502，用于对所述样本数据进行数据预处理；
第一构建模块503，用于构建若干不同的人工智能模型，并基于所述样本数据，构建对应的第一训练集和第一测试集；
模型训练模块504，用于利用所述第一训练集对各人工智能模型进行训练，并利用所述第一测试集对各人工智能模型进行测试，生成各人工智能模型的评估指标值；
预测模型选取模块505，用于根据所述评估指标值，选取最优的人工智能模型作为工作量预测模型；
第一预测生成模块506，用于基于所述工作量预测模型和指定运行数据，生成第一预测结果集；
异常点确定模块507，用于确定所述第一预测结果集中是否存在异常点数据，其中，所述异常点数据是基于日偏差幅度来确定的，所述日偏差幅度由所述第一预测结果集与指定运行数据中的对应日期进行每日的日工作量数据比对后获得；若是，则基于预设信息库内的综合运行数据，生成与异常点数据相对应的异常点模拟数据；将所述异常点模拟数据替换所述第一预测结果集中的对应数据，生成第二预测结果集并将所述第二预测结果集作为最终预测结果集；若否，则将第一预测结果集作为最终预测结果集。
可选的，还包括：
样本数据划分模块，用于将所述样本数据按分组类型划分为若干分组，其中，所述分组类型包括检查项目、检查设备、检查方法和检查部位；
工作量获取模块，用于对各分组内的所述样本数据进行计数统计，获取各分组的每日工作量数据。
可选的，还包括：
预测类型确定模块，用于确定所述第一预测结果集的预测类型和分组类型，其中，所述预测类型包括周预测、月预测和年预测；
第一日期类型确定模块，用于确定所述指定运行数据和第一预测结果集中每日的第一日期类型，其中，所述第一日期类型包括休息日和非休息日；
异常点数据确定模块，用于基于所述预测类型、分组类型和第一日期类型，将所述第一预测结果集与指定运行数据中的对应日期进行每日的日工作量数据的比对，获取日偏差幅度并基于所述日偏差幅度标记异常点数据。
可选的，还包括：
周预测异常点确定模块，用于当所述预测类型为周预测时：
获取所述指定运行数据中对应分组类型的最近一周的周运行数据；
将所述第一预测结果集与周运行数据中的对应日期进行日工作量数据的比对，获取每日的日偏差幅度；
若做比对的两个对应日期为不同的第一日期类型，则按第一预测结果集中该日期的第一日期类型，获取周运行数据中对应日期相邻的同第一日期类型的两个日期的日工作量数据的平均值，将该平均值作为比对对象并更新对应的日偏差幅度；
汇总所述日偏差幅度并生成周平均偏差幅度；
获取所述日偏差幅度与所述周平均偏差幅度的差值超过预设第一偏差阈值的所述第一预测结果集中的对应日期，标记为异常点数据；
月预测异常点确定模块，用于当预测类型为月预测时：
获取所述指定运行数据中对应分组类型的最近一月的月运行数据；
将所述第一预测结果集与月运行数据中的对应日期进行日工作量数据的比对，获取每日的日偏差幅度；
若做比对的两个对应日期为不同的第一日期类型，则按第一预测结果集中该日期的第一日期类型，获取月运行数据中对应日期相邻的同第一日期类型的两个日期的日工作量数据的平均值，将该平均值作为比对对象并更新对应的日偏差幅度；
汇总所述日偏差幅度并生成月平均偏差幅度；
获取所述日偏差幅度与对应月平均偏差幅度的差值超过预设第二偏差阈值的所述第一预测结果集中的对应日期，标记为异常点数据；
年预测异常点确定模块，用于当预测类型为年预测时：
获取所述指定运行数据中对应分组类型的最近连续12个月的年运行数据；
将所述第一预测结果集与年运行数据中的对应日期进行日工作量数据的比对，获取每日的日偏差幅度；
若做比对的两个对应日期为不同的第一日期类型，则按第一预测结果集中该日期的第一日期类型，获取年运行数据中对应日期相邻的同第一日期类型的两个日期的日工作量数据的平均值，将该平均值作为比对对象并更新对应的日偏差幅度；
按每月汇总所述日偏差幅度并生成每月的月平均偏差幅度；
获取所述日偏差幅度与对应月份的月平均偏差幅度的差值超过预设第三偏差阈值的所述第一预测结果集中的对应日期，标记为异常点数据。
可选的，还包括：
输出模型构建模块，用于构建异常点模拟数据的输出模型；
第二构建模块，用于根据预设信息库内所有的综合运行数据，或，与所述样本数据相似度达到预设相似阈值的部分综合运行数据，构建对应的第二训练集和第二测试集；
输出模型获得模块，用于利用所述第二训练集对输出模型进行训练，并利用所述第二测试集对输出模型进行测试，获得训练完成的输出模型，其中，所述训练完成的输出模型用于生成与异常点数据相对应的异常点模拟数据。
可选的，还包括：
运行数据获取模块，用于根据所述样本数据，获取综合运行数据中对应日期的不同医院的若干组运行数据；
第一曲线生成模块，用于根据所述样本数据，生成第一运行变化曲线；
第二曲线生成模块，用于根据所述若干组运行数据，生成若干第二运行变化曲线；
相似运行数据选取模块，用于选取若干第二运行变化曲线中与第一运行变化曲线的相似度值大于预设相似阈值的相似运行数据；
相似数据训练模块，用于根据所述相似运行数据，构建对应的第二训练集和第二测试集。
可选的，还包括：
第二日期类型确定模块，用于确定所述第一预测结果集中每日的第二日期类型，其中，所述第二日期类型包括工作日、公休日、节假日、调休日、调班日和特定情况日。
在一些可能的实施方式中，根据本申请实施方式的电子设备可以至少包括至少一个处理器、以及至少一个存储装置。其中，所述存储装置存储有至少一个计算机程序，当所述计算机程序被所述处理器执行时，使得所述处理器执行本说明书上述技术方案中描述的根据本申请各种具体实施方式的方法中的步骤。
在一些可能的实施方式中，本申请的各个方面还可以实现为一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被电子设备的处理器执行时用于实现本说明书上述技术方案中描述的根据本申请各种具体实施方式的方法中的步骤。
计算机可读存储介质例如可以是但不限于：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。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。
可读存储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、有线、光缆、RF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的任意组合来编写用于执行本申请操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括形式异常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电子设备上执行、部分在用户电子设备上部分在远程电子设备上执行、或者完全在远程电子设备或服务器上执行。在涉及远程电子设备的情形中，远程电子设备可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）—连接到用户电子设备，或者，可以连接到外部电子设备（例如利用因特网服务提供商来通过因特网连接）。
所属技术领域的技术人员能够理解，本申请的各个方面可以实现为系统、方法或程序产品。因此，本申请的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式（包括固件、微代码等），或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
尽管已经示出和描述了本申请的实施例，并非依此限制本申请的保护范围，对于本领域的普通技术人员而言，可以理解在不脱离本申请的原理和精神的情况下，还可以对这些实施例进行多种变化、修改、替换和变型。因此，凡在不脱离本申请构思的前提下所做的等效变化，均应涵盖于本申请的保护范围之内。

Claims (10)

1.一种基于人工智能模型的放射医疗设备工作量预测方法，其特征在于，所述方法包括：
分别获取目标医院放射医疗设备日常营运的样本数据和指定运行数据；
对所述样本数据进行数据预处理；
构建若干不同的人工智能模型，并基于所述样本数据，构建对应的第一训练集和第一测试集；
利用所述第一训练集对各人工智能模型进行训练，并利用所述第一测试集对各人工智能模型进行测试，生成各人工智能模型的评估指标值；
根据所述评估指标值，选取最优的人工智能模型作为工作量预测模型；
基于所述工作量预测模型和指定运行数据，生成第一预测结果集；
确定所述第一预测结果集中是否存在异常点数据，其中，所述异常点数据是基于日偏差幅度来确定的，所述日偏差幅度由所述第一预测结果集与指定运行数据中的对应日期进行每日的日工作量数据比对后获得；
若是，则基于预设信息库内的综合运行数据，生成与异常点数据相对应的异常点模拟数据；将所述异常点模拟数据替换所述第一预测结果集中的对应数据，生成第二预测结果集并将所述第二预测结果集作为最终预测结果集；
若否，则将第一预测结果集作为最终预测结果集。
2.根据权利要求1所述的方法，其特征在于，所述对所述样本数据进行数据预处理，具体包括：
将所述样本数据按分组类型划分为若干分组，其中，所述分组类型包括检查项目、检查设备、检查方法和检查部位；
对各分组内的所述样本数据进行计数统计，获取各分组的每日工作量数据。
3.根据权利要求2所述的方法，其特征在于，所述确定所述第一预测结果集中是否存在异常点数据，具体包括：
确定所述第一预测结果集的预测类型和分组类型，其中，所述预测类型包括周预测、月预测和年预测；
确定所述指定运行数据和第一预测结果集中每日的第一日期类型，其中，所述第一日期类型包括休息日和非休息日；
基于所述预测类型、分组类型和第一日期类型，将所述第一预测结果集与指定运行数据中的对应日期进行每日的日工作量数据的比对，获取日偏差幅度并基于所述日偏差幅度标记异常点数据。
4.根据权利要求3所述的方法，其特征在于，所述基于所述预测类型、分组类型和第一日期类型，将所述第一预测结果集与指定运行数据中的对应日期进行每日的日工作量数据的比对，获取日偏差幅度并基于所述日偏差幅度标记异常点数据，具体包括：
当所述预测类型为周预测时：
获取所述指定运行数据中对应分组类型的最近一周的周运行数据；
将所述第一预测结果集与周运行数据中的对应日期进行日工作量数据的比对，获取每日的日偏差幅度；
若做比对的两个对应日期为不同的第一日期类型，则按第一预测结果集中该日期的第一日期类型，获取周运行数据中对应日期相邻的同第一日期类型的两个日期的日工作量数据的平均值，将该平均值作为比对对象并更新对应的日偏差幅度；
汇总所述日偏差幅度并生成周平均偏差幅度；
获取所述日偏差幅度与所述周平均偏差幅度的差值超过预设第一偏差阈值的所述第一预测结果集中的对应日期，标记为异常点数据；
当预测类型为月预测时：
获取所述指定运行数据中对应分组类型的最近一月的月运行数据；
将所述第一预测结果集与月运行数据中的对应日期进行日工作量数据的比对，获取每日的日偏差幅度；
若做比对的两个对应日期为不同的第一日期类型，则按第一预测结果集中该日期的第一日期类型，获取月运行数据中对应日期相邻的同第一日期类型的两个日期的日工作量数据的平均值，将该平均值作为比对对象并更新对应的日偏差幅度；
汇总所述日偏差幅度并生成月平均偏差幅度；
获取所述日偏差幅度与对应月平均偏差幅度的差值超过预设第二偏差阈值的所述第一预测结果集中的对应日期，标记为异常点数据；
当预测类型为年预测时：
获取所述指定运行数据中对应分组类型的最近连续12个月的年运行数据；
将所述第一预测结果集与年运行数据中的对应日期进行日工作量数据的比对，获取每日的日偏差幅度；
若做比对的两个对应日期为不同的第一日期类型，则按第一预测结果集中该日期的第一日期类型，获取年运行数据中对应日期相邻的同第一日期类型的两个日期的日工作量数据的平均值，将该平均值作为比对对象并更新对应的日偏差幅度；
按每月汇总所述日偏差幅度并生成每月的月平均偏差幅度；
获取所述日偏差幅度与对应月份的月平均偏差幅度的差值超过预设第三偏差阈值的所述第一预测结果集中的对应日期，标记为异常点数据。
5.根据权利要求1所述的方法，其特征在于，在所述基于预设信息库内的综合运行数据，生成与异常点数据相对应的异常点模拟数据之前，还包括：
构建异常点模拟数据的输出模型；
根据预设信息库内所有的综合运行数据，或，与所述样本数据相似度达到预设相似阈值的部分综合运行数据，构建对应的第二训练集和第二测试集；
利用所述第二训练集对输出模型进行训练，并利用所述第二测试集对输出模型进行测试，获得训练完成的输出模型，其中，所述训练完成的输出模型用于生成与异常点数据相对应的异常点模拟数据。
6.根据权利要求5所述的方法，其特征在于，根据与所述样本数据相似度达到预设相似阈值的部分综合运行数据，构建对应的第二训练集和第二测试集，具体包括：
根据所述样本数据，获取综合运行数据中对应日期的不同医院的若干组运行数据；
根据所述样本数据，生成第一运行变化曲线；
根据所述若干组运行数据，生成若干第二运行变化曲线；
选取若干第二运行变化曲线中与第一运行变化曲线的相似度值大于预设相似阈值的相似运行数据；
根据所述相似运行数据，构建对应的第二训练集和第二测试集。
7.根据权利要求6所述的方法，其特征在于，还包括：
确定所述第一预测结果集中每日的第二日期类型，其中，所述第二日期类型包括工作日、公休日、节假日、调休日、调班日和特定情况日；
所述异常点模拟数据的输出模型的表达式如下：
当异常点数据的日期为工作日或公休日，且去年对应日期值为同第二日期类型时：
目标日期工作量值N = Wa1*去年对应日期值*年增幅+Wa2*相邻同第二日期类型值+Wa3*上周对应日期值；
当异常点数据的日期为工作日或公休日，且去年对应日期值非同第二日期类型时：
目标日期工作量值N = Wb1*去年对应日期的相邻同第二日期类型值*年增幅+Wb2*相邻同第二日期类型值+Wb3*上周对应日期值；
当异常点数据的日期为节假日或调休日时：
目标日期工作量值N = Wc1*去年对应节假日值*年增幅+ Wc2*相邻公休日或节假日或调休日值；
当异常点数据的日期为调班日时，且去年对应日期值为调班日或工作日时：
目标日期工作量值N = Wd1*去年对应日期值*年增幅+ Wd2*相邻调班日或工作日值；
当异常点数据的日期为调班日时，且去年对应日期值非调班日和非工作日时：
目标日期工作量值N = We1*去年对应日期的相邻调班日或工作日值*年增幅+We2*相邻调班日或工作日值；
当异常点数据的日期为特定情况日时：
目标日期工作量值N = Wf1*相似特定情况的真实值*年增幅。
8.一种基于人工智能模型的放射医疗设备工作量预测系统，其特征在于，包括：
数据获取模块，用于分别获取目标医院放射医疗设备日常营运的样本数据和指定运行数据；
预处理模块，用于对所述样本数据进行数据预处理；
第一构建模块，用于构建若干不同的人工智能模型，并基于所述样本数据，构建对应的第一训练集和第一测试集；
模型训练模块，用于利用所述第一训练集对各人工智能模型进行训练，并利用所述第一测试集对各人工智能模型进行测试，生成各人工智能模型的评估指标值；
预测模型选取模块，用于根据所述评估指标值，选取最优的人工智能模型作为工作量预测模型；
第一预测生成模块，用于基于所述工作量预测模型和指定运行数据，生成第一预测结果集；
异常点确定模块，用于确定所述第一预测结果集中是否存在异常点数据，其中，所述异常点数据是基于日偏差幅度来确定的，所述日偏差幅度由所述第一预测结果集与指定运行数据中的对应日期进行每日的日工作量数据比对后获得；若是，则基于预设信息库内的综合运行数据，生成与异常点数据相对应的异常点模拟数据；将所述异常点模拟数据替换所述第一预测结果集中的对应数据，生成第二预测结果集并将所述第二预测结果集作为最终预测结果集；若否，则将第一预测结果集作为最终预测结果集。
9.一种电子设备，其特征在于，包括：
至少一个处理器；
存储装置，用于存储至少一个计算机程序；
当所述至少一个计算机程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
CN202311320442.XA 2023-10-12 2023-10-12 基于人工智能模型的放射医疗设备工作量预测方法及系统 Active CN117057488B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311320442.XA CN117057488B (zh) 2023-10-12 2023-10-12 基于人工智能模型的放射医疗设备工作量预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311320442.XA CN117057488B (zh) 2023-10-12 2023-10-12 基于人工智能模型的放射医疗设备工作量预测方法及系统

Publications (2)

Publication Number Publication Date
CN117057488A true CN117057488A (zh) 2023-11-14
CN117057488B CN117057488B (zh) 2023-12-26

Family

ID=88663091

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311320442.XA Active CN117057488B (zh) 2023-10-12 2023-10-12 基于人工智能模型的放射医疗设备工作量预测方法及系统

Country Status (1)

Country Link
CN (1) CN117057488B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108877905A (zh) * 2018-06-12 2018-11-23 中南大学 一种基于Xgboost框架的医院门诊就诊量预测方法
CN109697522A (zh) * 2017-10-20 2019-04-30 北京京东尚科信息技术有限公司 一种数据预测的方法和装置
CN110782094A (zh) * 2019-10-28 2020-02-11 国网江苏省电力有限公司苏州供电分公司 一种居民用户细粒度用电行为的分项负荷预测方法
CN111626518A (zh) * 2020-05-29 2020-09-04 上海交通大学 基于深度学习神经网络的城市天级需水量在线预测方法
CN112990556A (zh) * 2021-02-24 2021-06-18 江苏大学 一种基于Prophet-LSTM模型的用户用电能耗预测方法
CN113537569A (zh) * 2021-06-18 2021-10-22 华南理工大学 一种基于权重堆叠决策树的短时公交客流预测方法及系统
CN115392554A (zh) * 2022-08-17 2022-11-25 北京建筑大学 基于深度图神经网络和环境融合的轨道客流预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109697522A (zh) * 2017-10-20 2019-04-30 北京京东尚科信息技术有限公司 一种数据预测的方法和装置
CN108877905A (zh) * 2018-06-12 2018-11-23 中南大学 一种基于Xgboost框架的医院门诊就诊量预测方法
CN110782094A (zh) * 2019-10-28 2020-02-11 国网江苏省电力有限公司苏州供电分公司 一种居民用户细粒度用电行为的分项负荷预测方法
CN111626518A (zh) * 2020-05-29 2020-09-04 上海交通大学 基于深度学习神经网络的城市天级需水量在线预测方法
CN112990556A (zh) * 2021-02-24 2021-06-18 江苏大学 一种基于Prophet-LSTM模型的用户用电能耗预测方法
CN113537569A (zh) * 2021-06-18 2021-10-22 华南理工大学 一种基于权重堆叠决策树的短时公交客流预测方法及系统
CN115392554A (zh) * 2022-08-17 2022-11-25 北京建筑大学 基于深度图神经网络和环境融合的轨道客流预测方法

Also Published As

Publication number Publication date
CN117057488B (zh) 2023-12-26

Similar Documents

Publication Publication Date Title
CN109002904B (zh) 一种基于Prophet-ARMA的医院门诊就诊量预测方法
AU2012245343B2 (en) Predictive modeling
Rahman et al. A grey approach to predicting healthcare performance
CN107958354A (zh) 一种电网层设备利用率主要影响因素的分析方法
JP2011048822A (ja) 支払請求分析エンジン
CN113837488B (zh) 能源消耗数据预测方法、系统、设备
CN116631594A (zh) 一种基于运行指标的医院经济运行数据分析方法
Abdullah et al. Performance evaluation of rule‐based expert systems: An example from medical billing domain
CN115409380A (zh) 医院医保绩效评价方法、装置、电子设备及其存储介质
CN117877699B (zh) 基于数据分析的医院门户管理方法及系统
CN112926879B (zh) 疾病诊断相关分组的支付方案决策方法、装置及设备
Teymourifar Simulation-based optimization for resectorization in healthcare systems
CN117057488B (zh) 基于人工智能模型的放射医疗设备工作量预测方法及系统
Datt et al. Theory of constraints in healthcare: a systematic literature review
Du et al. Dynamic model averaging-based procurement optimization of prefabricated components
CN112819390B (zh) 医疗资源规划方法、装置、设备及存储介质
CN115271277A (zh) 电力设备画像构建方法、系统、计算机设备及存储介质
JPH0876992A (ja) ソフトウェア品質評価管理装置及びその方法
Battu et al. Patient Flow Optimization in an Emergency Department Using SimPy-Based Simulation Modeling and Analysis: A Case Study
Demirci et al. A Practitioner's Guide to Handling Irregularities Resulting from the 2014 Revisions to the Turkish Household Labor Force Survey.
CN111898786A (zh) 一种电子锁需求预测方法、系统、设备及存储介质
Bernstorff et al. timeseriesflattener: A Python package for summarizing features from (medical) time series
Lin Dynamic appointment scheduling with forecasting and priority-specific access time service level standards
WO2020188043A1 (en) Method and system to deliver time-driven activity-based-costing in a healthcare setting in an efficient and scalable manner
Ghasemi et al. A novel mathematical model to minimize the total cost of the hospital and COVID-19 outbreak concerning waiting time of patients using Jackson queueing networks, a case study

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
CP02 Change in the address of a patent holder
CP02 Change in the address of a patent holder

Address after: 214000 1000 Hefeng Road, Binhu District, Wuxi City, Jiangsu Province

Patentee after: AFFILIATED HOSPITAL OF JIANGNAN University

Address before: No. 1-2202-8, Financial 8th Street, Wuxi Economic Development Zone, Jiangsu Province, 214000

Patentee before: AFFILIATED HOSPITAL OF JIANGNAN University