CN117077989B - 一种医疗床位超负荷报警方法 - Google Patents

一种医疗床位超负荷报警方法 Download PDF

Info

Publication number
CN117077989B
CN117077989B CN202311337409.8A CN202311337409A CN117077989B CN 117077989 B CN117077989 B CN 117077989B CN 202311337409 A CN202311337409 A CN 202311337409A CN 117077989 B CN117077989 B CN 117077989B
Authority
CN
China
Prior art keywords
hospitalization
bed
residents
demand
annual
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202311337409.8A
Other languages
English (en)
Other versions
CN117077989A (zh
Inventor
伍韵静
陈旺旸
廖顺意
吴洁敏
陈薪
杨宗和
郑煜铭
高枫
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.)
Guangzhou Urban Planning Survey and Design Institute
Original Assignee
Guangzhou Urban Planning Survey and Design Institute
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 Guangzhou Urban Planning Survey and Design Institute filed Critical Guangzhou Urban Planning Survey and Design Institute
Priority to CN202311337409.8A priority Critical patent/CN117077989B/zh
Publication of CN117077989A publication Critical patent/CN117077989A/zh
Application granted granted Critical
Publication of CN117077989B publication Critical patent/CN117077989B/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
    • G06Q10/06—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Medical Informatics (AREA)
  • Algebra (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Educational Administration (AREA)
  • Computational Mathematics (AREA)
  • Operations Research (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Marketing (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开了一种医疗床位超负荷报警方法，包括：对预先获取的总数据集进行预处理，得到医疗设施数据集和实际住院患者个体数据集；在实际住院患者个体数据集中确定住院需求指数、紧急期住院数据和恢复期住院数据；基于住院需求指数、医疗设施数据集和实际住院患者个体数据集，计算总床位数需求量；基于紧急期住院数据、恢复期住院数据和总床位数需求量，计算分级分类床位需求量；当分级分类床位需求量超出预设的负荷阈值时，向用户发送床位报警信息。本发明能够基于个体级的医疗设施需求提供精准的医疗需求分析结果，还可以利用需求结果为医疗资源的优化配置提供决策支持，通过监测和分析个体级的就医数据，可以及时捕捉到床位需求的变化趋势。

Description

一种医疗床位超负荷报警方法
技术领域
本发明涉及医疗数据处理领域，尤其涉及一种医疗床位超负荷报警方法。
背景技术
在医疗系统中，合理的医疗床位规划对于提高医疗资源的利用效率和优化患者就医体验至关重要，而患者通常对于床位还有分级分类的需求，当分级分类床位需求量达到一定负荷阈值时，预先规划好的医疗床位配置就存在超负荷的风险，因此这时候就需要向用户发出相应的预警信息以警示用户。
在现有技术中，通常使用聚类分析、回归分析、时间序列分析等方法来分析过去一段时间内的医疗床位使用数据，从而分析是否存在超负荷的风险。可见现有技术中一般是使用大数据的思想进行相关的分析，分析结果对于个体而言不够精准。
发明内容
为了解决上述技术问题，本发明实施例提出了一种医疗床位超负荷报警方法，能够精准考虑到个体对于分级分类医疗床位的需求，从而在判断到床位超负荷时发出预警。
为了实现上述目的，本发明实施例提供了一种医疗床位超负荷报警方法，包括：
对预先获取的总数据集进行预处理，得到医疗设施数据集和实际住院患者个体数据集；
在所述实际住院患者个体数据集中确定住院需求指数、紧急期住院数据和恢复期住院数据；
基于所述住院需求指数、所述医疗设施数据集和所述实际住院患者个体数据集，计算总床位数需求量；
基于所述紧急期住院数据、所述恢复期住院数据和所述总床位数需求量，计算分级分类床位需求量；
当所述分级分类床位需求量超出预设的负荷阈值时，向用户发送床位报警信息。
进一步的，所述分级分类床位需求量包括紧急期床位数需求量和恢复期床位数需求量；
则，所述基于所述紧急期住院数据、所述恢复期住院数据和所述总床位数需求量，计算分级分类床位需求量，具体包括：
基于所述紧急期住院数据和所述总床位数需求量，计算所述紧急期床位数需求量；
基于所述恢复期住院数据和所述总床位数需求量，计算所述恢复期床位数需求量。
进一步的，所述住院需求指数包括年均住院天数、实际住院率和全年住院人次；
则，所述在所述实际住院患者个体数据集中确定住院需求指数，具体包括：
从所述实际住院患者个体数据集中提取域外居民的年均住院天数，以及域内居民的若干个年龄层的年均住院人次和年均住院天数；
从预先导入的历年全量实时人口监测数据集中提取域内居民的若干个年龄层的年均人口数量；
基于每一年龄层的域内居民的年均住院人次和年均人口数量，计算每一年龄层的域内居民的实际住院率；
从所述实际住院患者个体数据集中，统计得到域内居民的全年住院人次和域外居民的全年住院人次。
进一步的，所述基于所述住院需求指数、所述医疗设施数据集和所述实际住院患者个体数据集，计算总床位数需求量，具体包括：
从所述实际住院患者个体数据集中，统计得到年平均开放床日数，并对所述年平均开放床日数计算期内实际占用床位数；
从所述医疗设施数据集中统计得到年实际开放床位数；
基于所述期内实际占用床位数和所述年实际开放床位数，计算病床使用率；
基于所述病床使用率、所述年平均开放床日数和所述住院需求指数，计算总床位数需求量。
进一步的，所述总床位数需求量通过如下公式计算得到：
其中，为总床位数需求量，/>为域内分年龄层居民床日数需求量，/>为分年龄层总人口数，/>为分年龄层的域内居民的实际住院率，/>为分年龄层的域内居民的年均住院天数，/>为域内居民床日数需求量，/>为域外居民床日数需求量，/>为域外居民的全年住院人次，/>为域内居民的全年住院人次，/>为年平均开放床日数，/>为病床使用率；其中/>为年龄层。
进一步的，所述紧急期住院数据包括短期住院人次的紧急期住院天数，以及长期住院人次的紧急期住院天数；
所述短期住院人次为年总住院天数小于年人均住院天数的患者数，所述长期住院人次为年总住院天数大于年人均住院天数的患者数；
所述短期住院人次的紧急期住院天数等于：所述短期住院人次乘以所述短期住院人次对应的年总住院天数；
所述长期住院人次的紧急期住院天数等于：所述长期住院人次乘以所述年人均住院天数。
进一步的，所述基于所述紧急期住院数据和所述总床位数需求量，计算所述紧急期床位数需求量，具体包括：
从所述紧急期住院数据中统计得到：针对域内居民的若干个年龄层的紧急期住院天数，以及年均总住院床日数；针对域外居民的紧急期住院天数，以及年均总住院床日数；
针对域内居民，基于每一年龄层的紧急期住院天数，以及年均总住院床日数，计算每一年龄层的年均紧急期住院床日数占比；
针对域外居民，基于紧急期住院天数，以及年均总住院床日数，计算年均紧急期住院床日数占比；
基于所述总床位数需求量，以及域内居民和域外居民的年均紧急期住院床日数占比，通过如下公式计算所述紧急期床位数需求量：
其中，为域内居民的分年龄层的年均紧急期住院床日数占比，/>为域外居民的年均紧急期住院床日数占比，/>为域内分年龄层居民床日数需求量，/>为域外居民床日数需求量，β为规划病床使用率修正系数；其中/>为年龄层。
进一步的，所述恢复期住院数据包括所述长期住院人次的恢复期住院天数；
所述恢复期住院天数等于：所述长期住院人次对应的年总住院天数减去所述年人均住院天数后，乘以所述长期住院人次。
进一步的，所述基于所述恢复期住院数据和所述总床位数需求量，计算所述恢复期床位数需求量，具体包括：
从所述恢复期住院数据中统计得到：针对域内居民的若干个年龄层的恢复期住院天数，以及年均总住院床日数；针对域外居民的恢复期住院天数，以及年均总住院床日数；
针对域内居民，基于每一年龄层的恢复期住院天数，以及年均总住院床日数，计算每一年龄层的年均恢复期住院床日数占比；
针对域外居民，基于恢复期住院天数，以及年均总住院床日数，计算年均恢复期住院床日数占比；
基于所述总床位数需求量，以及域内居民和域外居民的年均恢复期住院床日数占比，通过如下公式计算所述恢复期床位数需求量：
其中，为域内居民的分年龄层的年均恢复期住院床日数占比，/>为域外居民的年均恢复期住院床日数占比，/>为域内分年龄层居民床日数需求量，/>为域外居民床日数需求量，β为规划病床使用率修正系数；其中/>为年龄层。
进一步的，在所述计算分级分类床位需求量之后，还包括：
基于所述分级分类床位需求量，对当前医疗床位进行优化配置。
综上，本发明具有以下有益效果：
采用本发明实施例，能够对个体级的医疗设施需求进行精确识别和规划，考虑个体就医行为和医疗服务的多样性，为个体提供精准的医疗设施需求分析结果，还可以利用需求结果为医疗资源的优化配置提供决策支持，帮助决策者合理规划和分配医疗床位，提高医疗服务的效率和质量，此外，通过监测和分析个体级别的就医数据，可以及时捕捉到床位需求的变化趋势，使得医疗机构能够更好地应对季节性变化、疾病流行等因素对床位需求量的影响，优化床位规划和资源利用效率。
附图说明
图1是本发明提供的一种医疗床位超负荷报警方法的一个实施例的流程示意图；
图2是本发明提供的紧急期住院天数和恢复期住院天数的划分的一个实施例的示意图。
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。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。
在本申请描述中，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
在本申请的描述中，需要说明的是，除非另有定义，本发明所使用的所有的技术和科学术语与属于本的技术领域的技术人员通常理解的含义相同。本发明中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，对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
参见图1，是本发明提供的医疗床位超负荷报警方法的一个实施例的流程示意图，该方法包括步骤S1至S5，具体如下：
S1,对预先获取的总数据集进行预处理，得到医疗设施数据集和实际住院患者个体数据集；
示例性的，所述预处理包括数据清洗、数据去重、数据整合，以及数据匿名化处理，其中，所述数据匿名化处理具体为根据数据中脱敏后的身份证号码，生成唯一标识符（即用户的ID）。可以理解的是，本实施例中，预处理能够确保数据的准确性和一致性，并保护个体隐私。
S2,在所述实际住院患者个体数据集中确定住院需求指数、紧急期住院数据和恢复期住院数据；
S3,基于所述住院需求指数、所述医疗设施数据集和所述实际住院患者个体数据集，计算总床位数需求量；
S4,基于所述紧急期住院数据、所述恢复期住院数据和所述总床位数需求量，计算分级分类床位需求量；
S5,当所述分级分类床位需求量超出预设的负荷阈值时，向用户发送床位报警信息。
作为上述方案的改进，所述分级分类床位需求量包括紧急期床位数需求量和恢复期床位数需求量；
则，所述基于所述紧急期住院数据、所述恢复期住院数据和所述总床位数需求量，计算分级分类床位需求量，具体包括：
基于所述紧急期住院数据和所述总床位数需求量，计算所述紧急期床位数需求量；
基于所述恢复期住院数据和所述总床位数需求量，计算所述恢复期床位数需求量。
作为上述方案的改进，所述住院需求指数包括年均住院天数、实际住院率和全年住院人次；
则，所述在所述实际住院患者个体数据集中确定住院需求指数，具体包括：
从所述实际住院患者个体数据集中提取域外居民的年均住院天数，以及域内居民的若干个年龄层的年均住院人次和年均住院天数；
从预先导入的历年全量实时人口监测数据集中提取域内居民的若干个年龄层的年均人口数量；
基于每一年龄层的域内居民的年均住院人次和年均人口数量，计算每一年龄层的域内居民的实际住院率；
从所述实际住院患者个体数据集中，统计得到域内居民的全年住院人次和域外居民的全年住院人次。
具体的，从所述实际住院患者个体数据集（hospitalization_df）中，提取“年龄”、“ID”、“居住地”、“住院天数”列数，通过分别筛选“居住地”为研究区域内和研究区域外，来区分域内居民和域外居民；再利用“年龄”来筛选不同的年龄层（例如年龄层A1，A2，…，An），最终分别以域内、外和年龄层作为分类特征，得到分类之后的年均住院人次（HospP_An）和年均住院天数（HospDI_An）。再从历年全量实时人口监测数据集（Population_df）中，提取“年龄”、“居住地”列数，筛选“居住地”为研究区域内的居民的数据，再根据“年龄”统计不同年龄层（A1，A2，…，An）的年均人口数量（Pop_An）。此外，从所述实际住院患者个体数据集（hospitalization_df）中，提取“居住地”、“ID”列数，根据“居住地”分别统计域内居民的全年住院人次（HosP_IZ）和域外居民的全年住院人次（HosP_OZ）。
示例性的，通过如下公式计算每一年龄层的域内居民的实际住院率：
RateH_An = (HospP_An / Pop_An) x 100%
其中，RateH_An为域内居民的实际住院率，HospP_An为年均住院人次，Pop_An为年均人口数量；其中An为年龄层。
作为上述方案的改进，所述基于所述住院需求指数、所述医疗设施数据集和所述实际住院患者个体数据集，计算总床位数需求量，具体包括：
从所述实际住院患者个体数据集中，统计得到年平均开放床日数，并对所述年平均开放床日数计算期内实际占用床位数；
从所述医疗设施数据集中统计得到年实际开放床位数；
基于所述期内实际占用床位数和所述年实际开放床位数，计算病床使用率；
基于所述病床使用率、所述年平均开放床日数和所述住院需求指数，计算总床位数需求量。
具体的，从所述实际住院患者个体数据集（hospitalization_df）中，提取“ID”、“住院天数”列数，根据ID对“住院天数”进行sum命令统计，得到年平均开放床日数（BD）；使用公式BD/365得到期内实际占用床位数（Bed_U）。再从所述医疗设施数据集（facility_df）中，提取“机构ID”、“实际开放床位数”列数，根据机构ID对“实际开放床位数”进行sum命令统计，得到年实际开放床位数（Bed_O）。
示例性的，通过如下公式计算病床使用率：
RateB = (Bed_U / Bed_O) x 100%
其中，RateB为病床使用率，Bed_U为期内实际占用床位数，Bed_O为年实际开放床位数。
作为上述方案的改进，所述总床位数需求量通过如下公式计算得到：
其中，为总床位数需求量，/>为域内分年龄层居民床日数需求量，/>为分年龄层总人口数，/>为分年龄层的域内居民的实际住院率，/>为分年龄层的域内居民的年均住院天数，/>为域内居民床日数需求量，/>为域外居民床日数需求量，/>为域外居民的全年住院人次，/>为域内居民的全年住院人次，/>为年平均开放床日数，/>为病床使用率；其中/>为年龄层。
作为上述方案的改进，所述紧急期住院数据包括短期住院人次的紧急期住院天数，以及长期住院人次的紧急期住院天数；
所述短期住院人次为年总住院天数小于年人均住院天数的患者数，所述长期住院人次为年总住院天数大于年人均住院天数的患者数；
所述短期住院人次的紧急期住院天数等于：所述短期住院人次乘以所述短期住院人次对应的年总住院天数；
所述长期住院人次的紧急期住院天数等于：所述长期住院人次乘以所述年人均住院天数。
示例性的，参见图2，紧急期住院天数可分为短期住院人次的紧急期住院天数和长期住院人次的紧急期住院天数；
针对短期住院人次，其紧急期住院天数=年总住院天数/>x 短期住院人次；
针对长期住院人次，其紧急期住院床日数=年人均住院天数/>x长期住院人次。
作为上述方案的改进，所述基于所述紧急期住院数据和所述总床位数需求量，计算所述紧急期床位数需求量，具体包括：
从所述紧急期住院数据中统计得到：针对域内居民的若干个年龄层的紧急期住院天数，以及年均总住院床日数；针对域外居民的紧急期住院天数，以及年均总住院床日数；
针对域内居民，基于每一年龄层的紧急期住院天数，以及年均总住院床日数，计算每一年龄层的年均紧急期住院床日数占比；
针对域外居民，基于紧急期住院天数，以及年均总住院床日数，计算年均紧急期住院床日数占比；
基于所述总床位数需求量，以及域内居民和域外居民的年均紧急期住院床日数占比，通过如下公式计算所述紧急期床位数需求量：
其中，为域内居民的分年龄层的年均紧急期住院床日数占比，/>为域外居民的年均紧急期住院床日数占比，/>为域内分年龄层居民床日数需求量，/>为域外居民床日数需求量，β为规划病床使用率修正系数；其中/>为年龄层。
示例性的，通过如下公式计算域内居民的每一年龄层的年均紧急期住院床日数占比：
其中，为域内居民的年均紧急期住院床日数占比，/>为域内居民的短期住院人次的紧急期住院天数，/>为域内居民的长期住院人次的紧急期住院天数，/>为域内居民的年均总住院床日数；其中/>为年龄层；
通过如下公式计算域外居民的年均紧急期住院床日数占比：
其中，为域外居民的年均紧急期住院床日数占比，/>为域外居民的短期住院人次的紧急期住院天数，/>为域外居民的长期住院人次的紧急期住院天数，/>为域外居民的年均总住院床日数。
作为上述方案的改进，所述恢复期住院数据包括所述长期住院人次的恢复期住院天数；
所述恢复期住院天数等于：所述长期住院人次对应的年总住院天数减去所述年人均住院天数后，乘以所述长期住院人次。
示例性的，参见图2，恢复期住院天数只有长期住院人次的恢复期住院天数；
针对长期住院人次，其恢复期住院天数=[年总住院天数/>-年人均住院天数/>] x 长期住院人次。
作为上述方案的改进，所述基于所述恢复期住院数据和所述总床位数需求量，计算所述恢复期床位数需求量，具体包括：
从所述恢复期住院数据中统计得到：针对域内居民的若干个年龄层的恢复期住院天数，以及年均总住院床日数；针对域外居民的恢复期住院天数，以及年均总住院床日数；
针对域内居民，基于每一年龄层的恢复期住院天数，以及年均总住院床日数，计算每一年龄层的年均恢复期住院床日数占比；
针对域外居民，基于恢复期住院天数，以及年均总住院床日数，计算年均恢复期住院床日数占比；
基于所述总床位数需求量，以及域内居民和域外居民的年均恢复期住院床日数占比，通过如下公式计算所述恢复期床位数需求量：
其中，为域内居民的分年龄层的年均恢复期住院床日数占比，/>为域外居民的年均恢复期住院床日数占比，/>为域内分年龄层居民床日数需求量，/>为域外居民床日数需求量，β为规划病床使用率修正系数；其中/>为年龄层。
示例性的，通过如下公式计算域内居民的每一年龄层的年均恢复期住院床日数占比：
其中，为域内居民的年均恢复期住院床日数占比，/>为域内居民的恢复期住院天数，/>为域内居民的年均总住院床日数；其中/>为年龄层；
通过如下公式计算域外居民的年均恢复期住院床日数占比：
其中，为域外居民的年均紧急期住院床日数占比。
作为上述方案的改进，在所述计算分级分类床位需求量之后，还包括：
基于所述分级分类床位需求量，对当前医疗床位进行优化配置。
综上，本发明具有以下有益效果：
采用本发明实施例，能够对个体级的医疗设施需求进行精确识别和规划，考虑个体就医行为和医疗服务的多样性，为个体提供精准的医疗设施需求分析结果，还可以利用需求结果为医疗资源的优化配置提供决策支持，帮助决策者合理规划和分配医疗床位，提高医疗服务的效率和质量，此外，通过监测和分析个体级别的就医数据，可以及时捕捉到床位需求的变化趋势，使得医疗机构能够更好地应对季节性变化、疾病流行等因素对床位需求量的影响，优化床位规划和资源利用效率。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的硬件平台的方式来实现，当然也可以全部通过硬件来实施。基于这样的理解，本发明的技术方案对背景技术做出贡献的全部或者部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例或者实施例的某些部分所述的方法。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (8)

1.一种医疗床位超负荷报警方法，其特征在于，包括：
对预先获取的总数据集进行预处理，得到医疗设施数据集和实际住院患者个体数据集；
在所述实际住院患者个体数据集中确定住院需求指数、紧急期住院数据和恢复期住院数据；
基于所述住院需求指数、所述医疗设施数据集和所述实际住院患者个体数据集，计算总床位数需求量；
基于所述紧急期住院数据、所述恢复期住院数据和所述总床位数需求量，计算分级分类床位需求量；
当所述分级分类床位需求量超出预设的负荷阈值时，向用户发送床位报警信息；
其中，所述分级分类床位需求量包括紧急期床位数需求量和恢复期床位数需求量；
则，所述基于所述紧急期住院数据、所述恢复期住院数据和所述总床位数需求量，计算分级分类床位需求量，具体包括：
基于所述紧急期住院数据和所述总床位数需求量，计算所述紧急期床位数需求量；
基于所述恢复期住院数据和所述总床位数需求量，计算所述恢复期床位数需求量；
其中，所述紧急期住院数据包括短期住院人次的紧急期住院天数，以及长期住院人次的紧急期住院天数；
所述短期住院人次为年总住院天数小于年人均住院天数的患者数，所述长期住院人次为年总住院天数大于年人均住院天数的患者数；
所述短期住院人次的紧急期住院天数等于：所述短期住院人次乘以所述短期住院人次对应的年总住院天数；
所述长期住院人次的紧急期住院天数等于：所述长期住院人次乘以所述年人均住院天数。
2.如权利要求1所述的医疗床位超负荷报警方法，其特征在于，所述住院需求指数包括年均住院天数、实际住院率和全年住院人次；
则，所述在所述实际住院患者个体数据集中确定住院需求指数，具体包括：
从所述实际住院患者个体数据集中提取域外居民的年均住院天数，以及域内居民的若干个年龄层的年均住院人次和年均住院天数；
从预先导入的历年全量实时人口监测数据集中提取域内居民的若干个年龄层的年均人口数量；
基于每一年龄层的域内居民的年均住院人次和年均人口数量，计算每一年龄层的域内居民的实际住院率；
从所述实际住院患者个体数据集中，统计得到域内居民的全年住院人次和域外居民的全年住院人次。
3.如权利要求1所述的医疗床位超负荷报警方法，其特征在于，所述基于所述住院需求指数、所述医疗设施数据集和所述实际住院患者个体数据集，计算总床位数需求量，具体包括：
从所述实际住院患者个体数据集中，统计得到年平均开放床日数，并对所述年平均开放床日数计算期内实际占用床位数；
从所述医疗设施数据集中统计得到年实际开放床位数；
基于所述期内实际占用床位数和所述年实际开放床位数，计算病床使用率；
基于所述病床使用率、所述年平均开放床日数和所述住院需求指数，计算总床位数需求量。
4.如权利要求3所述的医疗床位超负荷报警方法，其特征在于，所述总床位数需求量通过如下公式计算得到：
其中，为总床位数需求量，/>为域内分年龄层居民床日数需求量，/>为分年龄层总人口数，/>为分年龄层的域内居民的实际住院率，/>为分年龄层的域内居民的年均住院天数，/>为域内居民床日数需求量，/>为域外居民床日数需求量，/>为域外居民的全年住院人次，/>为域内居民的全年住院人次，/>为年平均开放床日数，/>为病床使用率；其中/>为年龄层。
5.如权利要求1所述的医疗床位超负荷报警方法，其特征在于，所述基于所述紧急期住院数据和所述总床位数需求量，计算所述紧急期床位数需求量，具体包括：
从所述紧急期住院数据中统计得到：针对域内居民的若干个年龄层的紧急期住院天数，以及年均总住院床日数；针对域外居民的紧急期住院天数，以及年均总住院床日数；
针对域内居民，基于每一年龄层的紧急期住院天数，以及年均总住院床日数，计算每一年龄层的年均紧急期住院床日数占比；
针对域外居民，基于紧急期住院天数，以及年均总住院床日数，计算年均紧急期住院床日数占比；
基于所述总床位数需求量，以及域内居民和域外居民的年均紧急期住院床日数占比，通过如下公式计算所述紧急期床位数需求量：
其中，为域内居民的分年龄层的年均紧急期住院床日数占比，/>为域外居民的年均紧急期住院床日数占比，/>为域内分年龄层居民床日数需求量，/>为域外居民床日数需求量，β为规划病床使用率修正系数；其中/>为年龄层。
6.如权利要求1所述的医疗床位超负荷报警方法，其特征在于，所述恢复期住院数据包括所述长期住院人次的恢复期住院天数；
所述恢复期住院天数等于：所述长期住院人次对应的年总住院天数减去所述年人均住院天数后，乘以所述长期住院人次。
7.如权利要求6所述的医疗床位超负荷报警方法，其特征在于，所述基于所述恢复期住院数据和所述总床位数需求量，计算所述恢复期床位数需求量，具体包括：
从所述恢复期住院数据中统计得到：针对域内居民的若干个年龄层的恢复期住院天数，以及年均总住院床日数；针对域外居民的恢复期住院天数，以及年均总住院床日数；
针对域内居民，基于每一年龄层的恢复期住院天数，以及年均总住院床日数，计算每一年龄层的年均恢复期住院床日数占比；
针对域外居民，基于恢复期住院天数，以及年均总住院床日数，计算年均恢复期住院床日数占比；
基于所述总床位数需求量，以及域内居民和域外居民的年均恢复期住院床日数占比，通过如下公式计算所述恢复期床位数需求量：
其中，为域内居民的分年龄层的年均恢复期住院床日数占比，/>为域外居民的年均恢复期住院床日数占比，/>为域内分年龄层居民床日数需求量，/>为域外居民床日数需求量，β为规划病床使用率修正系数；其中/>为年龄层。
8.如权利要求1至7任一项所述的医疗床位超负荷报警方法，其特征在于，在所述计算分级分类床位需求量之后，还包括：
基于所述分级分类床位需求量，对当前医疗床位进行优化配置。
CN202311337409.8A 2023-10-17 2023-10-17 一种医疗床位超负荷报警方法 Active CN117077989B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311337409.8A CN117077989B (zh) 2023-10-17 2023-10-17 一种医疗床位超负荷报警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311337409.8A CN117077989B (zh) 2023-10-17 2023-10-17 一种医疗床位超负荷报警方法

Publications (2)

Publication Number Publication Date
CN117077989A CN117077989A (zh) 2023-11-17
CN117077989B true CN117077989B (zh) 2024-04-05

Family

ID=88706489

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311337409.8A Active CN117077989B (zh) 2023-10-17 2023-10-17 一种医疗床位超负荷报警方法

Country Status (1)

Country Link
CN (1) CN117077989B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014063007A1 (en) * 2012-10-18 2014-04-24 The Johns Hopkins University Real-time demand capacity and patient throughput management dashboard
CN107480455A (zh) * 2017-08-21 2017-12-15 中国人民解放军第二军医大学 基于系统动力学的潜在医疗需求转化系统及构建方法
JP2019101612A (ja) * 2017-11-30 2019-06-24 ニッセイ情報テクノロジー株式会社 病床管理業務支援システム
CN113066564A (zh) * 2021-03-03 2021-07-02 黄小芬 一种基于大数据的医疗床位安排系统
CN113487447A (zh) * 2021-04-19 2021-10-08 国网河北省电力有限公司电力科学研究院 一种基于大数据的配电网负荷预测及线损成因分析方法
CN113488155A (zh) * 2021-07-16 2021-10-08 京弘达(上海)医疗技术有限公司 基于医院运营模型的精细化管理系统
CN116230179A (zh) * 2022-12-12 2023-06-06 卫宁健康科技集团股份有限公司 医疗服务资源管理方法、装置、处理设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014063007A1 (en) * 2012-10-18 2014-04-24 The Johns Hopkins University Real-time demand capacity and patient throughput management dashboard
CN107480455A (zh) * 2017-08-21 2017-12-15 中国人民解放军第二军医大学 基于系统动力学的潜在医疗需求转化系统及构建方法
JP2019101612A (ja) * 2017-11-30 2019-06-24 ニッセイ情報テクノロジー株式会社 病床管理業務支援システム
CN113066564A (zh) * 2021-03-03 2021-07-02 黄小芬 一种基于大数据的医疗床位安排系统
CN113487447A (zh) * 2021-04-19 2021-10-08 国网河北省电力有限公司电力科学研究院 一种基于大数据的配电网负荷预测及线损成因分析方法
CN113488155A (zh) * 2021-07-16 2021-10-08 京弘达(上海)医疗技术有限公司 基于医院运营模型的精细化管理系统
CN116230179A (zh) * 2022-12-12 2023-06-06 卫宁健康科技集团股份有限公司 医疗服务资源管理方法、装置、处理设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于需要和需求理论的我国医院床位配置合理性探讨;程佳;王颖;周良;陈春;吕军;;医学与社会(第06期);第35-37页 *
床位分类管理对医院绩效改善的研究:以上海市某医疗集团骨科为例;罗莉等;中国医院(第05期);第41-44页 *
统计信息在医院管理中的应用;方颖;朱亚亮;;中医药管理杂志(第09期);第864-865页 *

Also Published As

Publication number Publication date
CN117077989A (zh) 2023-11-17

Similar Documents

Publication Publication Date Title
Wollenstein-Betech et al. Personalized predictive models for symptomatic COVID-19 patients using basic preconditions: hospitalizations, mortality, and the need for an ICU or ventilator
US10263945B1 (en) Transaction lifecycle management
Billings et al. Case finding for patients at risk of readmission to hospital: development of algorithm to identify high risk patients
Alesane et al. Uptake of health insurance by the rural poor in Ghana: determinants and implications for policy
Roberts et al. Time trends and demography of mortality after fractured neck of femur in an English population, 1968–98: database study
Kolivras et al. Modeling valley fever (coccidioidomycosis) incidence on the basis of climate conditions
CN111899878A (zh) 老年人健康检测系统、方法、计算机设备及可读存储介质
Karatzas et al. The patient’s hay-fever diary: three years of results from Germany
Cournane et al. Social deprivation and hospital admission rates, length of stay and readmissions in emergency medical admissions
Lê Cook Effect of Medicaid managed care on racial disparities in health care access
Gilmour Identification of hospital catchment areas using clustering: an example from the NHS
Achrekar et al. Online social networks flu trend tracker: a novel sensory approach to predict flu trends
US20210174968A1 (en) Visualization of Social Determinants of Health
Chang et al. Impact of cuts in reimbursement on outcome of acute myocardial infarction and use of percutaneous coronary intervention: a nationwide population-based study over the period 1997 to 2008
CN117077989B (zh) 一种医疗床位超负荷报警方法
Lutz et al. Methodological background of decision rules and feedback tools for outcomes management in psychotherapy
Brown et al. Benchmarking for small hospitals: size didn't matter!
Abas et al. More deprived areas need greater resources for mental health
Arispe et al. Measurement challenges in developing the national healthcare quality report and the national healthcare disparities report
Choi How does satisfaction with medical care differ by citizenship and nativity status?: A county-level multilevel analysis
Ahn et al. Development of a risk predictive scoring system to identify patients at risk of representation to emergency department: a retrospective population-based analysis in Australia
JP2006235938A (ja) 健康管理支援システム
Oh An exploration of the influence of household poverty spells on mortality risk
Franck et al. A generic framework to analyze and improve patient pathways within a healthcare network using process mining and discrete-event simulation
KR20040060468A (ko) 건강 관리 서비스 시스템 및 이를 이용한 서비스 방법

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