CN117196349A - 一种住院床位信息智能管理系统 - Google Patents
一种住院床位信息智能管理系统 Download PDFInfo
- Publication number
- CN117196349A CN117196349A CN202311449769.7A CN202311449769A CN117196349A CN 117196349 A CN117196349 A CN 117196349A CN 202311449769 A CN202311449769 A CN 202311449769A CN 117196349 A CN117196349 A CN 117196349A
- Authority
- CN
- China
- Prior art keywords
- bed
- sickbed
- patient
- model
- data
- 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
Links
- 238000004140 cleaning Methods 0.000 claims abstract description 42
- 238000013210 evaluation model Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 238000009826 distribution Methods 0.000 claims description 43
- 238000007726 management method Methods 0.000 claims description 39
- 238000012544 monitoring process Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 15
- 238000007689 inspection Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000012986 modification Methods 0.000 claims 2
- 230000004048 modification Effects 0.000 claims 2
- 230000000875 corresponding effect Effects 0.000 description 33
- 206010022000 influenza Diseases 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000000840 anti-viral effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001035 drying Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 201000009240 nasopharyngitis Diseases 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 241000712461 unidentified influenza virus Species 0.000 description 2
- 241000700605 Viruses Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 210000004877 mucosa Anatomy 0.000 description 1
- 210000002850 nasal mucosa Anatomy 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 210000001533 respiratory mucosa Anatomy 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- Accommodation For Nursing Or Treatment Tables (AREA)
Abstract
本发明公开了一种住院床位信息智能管理系统，涉及床位信息管理技术领域，若天气变动指数的值超过天气变动阈值，对由Bp神经网络建立的模型进行训练以生成病床需求预测模型，以对医院内的病床需求量进行预测并获取预测结果；使用训练后清洁评价模型对相应病床是否需要清洁进行评估，若需要清洁，则发出清洁指令；依据待住院患者的病情信息匹配出相应的床位分配规则，由训练后的床位分配模型从若干张空闲病床中为其分配对应的病床，并将分配出的病床位置信息发出；由反馈数据集合生成床位分配的反馈系数，在反馈系数超过反馈阈值时，发出修订指令，快速地为患者分配相应的床位，实现高效率低错误率，减少人力的介入。
Description
技术领域
本发明涉及床位信息管理技术领域，具体为一种住院床位信息智能管理系统。
背景技术
在申请公布号为CN113299377A中国发明专利中，公开了一种预住院管理系统及方法，其中，门诊管理单元接收门诊医生的预住院指令，生成包含患者信息的预住院凭证；预住院服务单元根据预住院凭证为患者分配预住院号和分管医生；接收分管医生的检查预约指令，预约患者的检查项目；医技管理单元接收患者完成检查项目后录入的检查结果，并将检查结果传输给预住院服务单元和临床管理单元；临床管理单元当根据检查结果判断患者满足预设的住院条件时，办理患者的住院手续。
在以上申请中的管理系统中，可以在院前有效管理患者，加快床位周转，提高临床工作效率。但是，在季节交替或者气温变化较为频繁的时间段，流感患者会突然大量的增加，若医院内的床位原本就较为紧张，在这种情形下时，床位的供应条件则会更为恶化，但是现有的管理方法中，对这种情形考虑较少，在患者住院时，难以快速地为患者分配相应的床位。
为此，本发明提供了一种住院床位信息智能管理系统。
发明内容
（一）解决的技术问题
针对现有技术的不足，本发明提供了一种住院床位信息智能管理系统，通过对由Bp神经网络建立的模型进行训练以生成病床需求预测模型，以对医院内的病床需求量进行预测并获取预测结果；使用训练后清洁评价模型对相应病床是否需要清洁进行评估，若需要清洁，则发出清洁指令；依据待住院患者的病情信息匹配出相应的床位分配规则，由训练后的床位分配模型从若干张空闲病床中为其分配对应的病床，并将分配出的病床位置信息发出；由反馈数据集合生成床位分配的反馈系数，在反馈系数超过反馈阈值时，发出修订指令，从而解决了背景技术中提出的问题。
（二）技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种住院床位信息智能管理系统，包括：预警单元、划定监测区域后，对所述监测区域内的天气条件变化进行监测，并由监测结果建立天气数据集合，进而生成天气变动指数，若所述天气变动指数的值超过天气变动阈值，发出预警信息；
预测单元、接收到所述预警信息后，进行数据收集并生成建模数据集合，从其内部抽取样本数据对由Bp神经网络建立的模型进行训练，以生成病床需求预测模型，使用训练后的病床需求预测模型对医院内的病床需求量进行预测并获取预测结果；
巡检单元、若床位空闲量不多于预期，将其中空闲时间超过空闲阈值的部分标记在预先构建的病床分布电子地图上，由巡检机器人沿着规划出的巡视路径对该若干张病床进行图像采样，形成床位图像集合，将所述床位图像集合内床位图像作为输入，使用训练后的清洁评价模型对相应病床是否需要清洁进行评估，若需要清洁，则发出清洁指令；
分配单元、在获取到待住院患者的信息后，依据所述待住院患者的病情信息匹配出相应的床位分配规则，由训练后的床位分配模型从若干张空闲病床中为其分配对应的病床，并将分配出的病床位置信息发出；
评估单元、完成若干个所述待住院患者的床位分配后，获取分配后的反馈数据并建立床位分配的反馈数据集合，并由所述反馈数据集合生成床位分配的反馈系数，在所述反馈系数/>不超过反馈阈值时，发出修订指令。
进一步的，以医院为中心设置所述监测区域，在所述监测区域内设置若干个监测点，在每个监测周期内对所述监测区域内的温度及湿度进行监测，从而连续获取若干组温度和湿度数据；沿着时间轴获取相邻的两组温度及湿度间的差值，将该连续若干个的温度差Td及湿度差Hd汇总后，建立所述天气数据集合。
进一步的，由所述天气数据集合生成所述天气变动指数，其具体生成方式如下：将所述温度差Td及所述湿度差Hd做线性归一化处理，并将相应的数据值映射至区间/>内，再依照如下公式：/>
其中，为温度差的历史均值，/>为湿度差的历史均值，权重系数：/>，，且/>，/>，n为大于1的正整数，且n为所述温度差Td及所述湿度差Hd当前的个数；/>为温度差在/>位置上的值，/>为湿度差在/>位置上的值；若所述天气变动指数的/>值超过预设的所述天气变动阈值，发出所述预警信息。
进一步的，接收到所述预警信息后，对数据进行收集，所需要收集的数据至少包括：天气条件数据、患者数据、病床状态数据及患者接收能力数据，将以上数据汇总后生成所述建模数据集合；使用Bp神经网络训练获取所述病床需求预测模型并输出，在设置预测周期后，使用所述训练后的病床需求预测模型，对所述预测周期内的病床需求量进行预测。
进一步的，获取当前周期内的病床需求量后，查询获取医院内当前病床的空闲量，获取空闲量与需求量的比值，若该比值不大于预设的比例阈值，在获取医院的病床分布数据后，构建病床分布的所述电子地图，在若干张空闲病床中筛选出空闲时长超过所述空闲阈值的部分，将其确认为待巡视病床，将所述待巡视病床的位置在所述电子地图上标记；由路径规划模型结合所述待巡视病床的位置信息规划生成所述巡视路径，使所述巡检机器人沿着所述巡视路径对若干个所述待巡视病床进行巡视并图像采样，将图像汇总形成所述床位图像集合。
进一步的，收集包含床位的图像数据，设置待清洁的标准后，对若干张床位图像是否需要清洁进行标记，汇总后建立图像训练集合，从预处理后的图像训练集合内抽取部分图像数据，区分为训练集和测试集；使用所述训练集内的图像训练卷积神经网络模型，将通过测试的模型作为所述清洁评价模型；将获取的所述床位图像作为输入，使用所述清洁评价模型对所述待巡视病床是否需要清洁进行评估，并输出评估结果，对于需要清洁的床位，在结合其位置信息后，向外部发出清理指令。
进一步的，收集和汇总现有的床位分配规则，建立分配规则库，通过患者的电子病历信息确定该患者的病情，在识别后获取相应的病情特征，依据所述病情特征与分配规则的对应性，匹配出相应的床位分配规则；查询获取所述待住院患者的病例信息、归属的科室信息、其余各个病床上的患者信息，结合现有的床位分配规则，汇总后构建模型数据集合。
进一步的，由机器学习算法建立分配模型，从所述模型数据集合中抽取部分数据并在进行特征识别后，建立训练集和测试集，以对所述分配模型进行训练和测试，建立所述训练后的床位分配模型；以所述待住院患者的信息作为输入，由所述训练后的床位分配模型从若干张空闲病床中为其分配对应的病床，并将分配的病床的位置信息发送至所述待住院患者或者医护人员。
进一步的，在完成若干个所述待住院患者的床位分配后，经过至少一个观察周期，获取若干个被分配床位位置及对应的患者信息，使所述巡检机器人移动至该患者处，通过问询获取患者的满意度Mi，依据科室不同，将住院区域分割为若干个子区域，查询获取各个子区域内每日的病床利用率Bi，汇总后建立床位分配的所述反馈数据集合。
进一步的，由所述反馈数据集合生成床位分配的所述反馈系数，其具体生成方式如下：/>
其中，参数意义为：n为满意度的个数，是大于1的正整数，，m为子区域的个数，为大于1的正整数，/>；权重系数：/>，/>，且，所述/>为满意度的标准参考值，/>为病床利用率的标准参考值；/>为满意度在/>位置上的值，/>为病床利用率在/>位置上的值；在所述反馈系数/>不超过所述反馈阈值时，发出修订指令。
（三）有益效果
本发明提供了一种住院床位信息智能管理系统，具备以下有益效果：
1、对监测区域内的天气条件进行监测，以建立的天气变动指数的对当前的天气条件是否产生较大的突变进行判断，若是天气会产生较大突变，则需要及时地进行预警，以便于进行提前准备，对床位信息进行管理分配时更加有序。
2、在天气产生突然变动时，使用训练后的病床需求预测模型，预测获取医院的病床需求量，管理人员能够依据预测获取的病床需求量对医院内的床位是否紧张进行判断，如果存在紧张，则需要对床位的分配进行及时地调控和处理，以避免医院内病床的突然紧张，可以降低病床管理和分配的难度。
3、对当前空闲着的病床进行清理，从若干个处于空闲状态下的病床中筛选出空闲较久的部分，由医院内配备的巡检机器人对其进行巡视和采样，并由训练后的清洁评价模型对病床是否需要清洁进行评估，若需要清洁，则对相应的病床进行清洁，以使得相应的病床处于可用的状态下，使相应的病床能够及时地被利用到，提高床位的利用率，缓解床位的紧张程度。
4、在结合当前数据和历史数据的基础上，训练获取相应的床位分配模型，实现在获取到患者的信息后，能够依照现有的床位分配规则，快速地为患者分配相应的床位，实现高效率低错误率，减少人力的介入。
5、依据反馈系数的值来判断当前的床位分配效果是否达到了预期，如果未到预期，患者满意度较低，病床的利用率较低，在下一个周期内再进行病床的管理和分配时，对现有的床位分配规则或者相应的床位分配方案进行调整时，从而实现在对床位进行管理和分配时，更加有效和高效。
附图说明
图1为本发明住院床位信息智能管理系统结构示意图；
图2为本发明住院床位信息智能管理方法流程示意图。
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，都属于本发明保护的范围。
请参阅图1及图2，本发明提供一种住院床位信息智能管理系统，具体包括：
预警单元、划定监测区域后，对监测区域内的天气条件变化进行监测，并由监测结果建立天气数据集合，由天气数据集合生成天气变动指数若天气变动指数的值超过天气变动阈值，发出预警信息；
具体包括如下内容：
步骤101、在确定医院的位置信息后，以医院为中心设置监测区域，在监测区域内设置若干个监测点，在设置监测周期后，例如以45分钟为一个监测周期，在每个监测周期内对监测区域内的温度及湿度进行监测，从而连续获取若干组温度和湿度数据；
沿着时间轴获取相邻的两组温度及湿度间的差值，将该连续若干个的温度差Td及湿度差Hd汇总后，建立天气数据集合；
需要说明的是：流感患者在以下天气条件下可能会大量增加：
低温：流感病毒在低温环境下更活跃，易于传播，冬季由于气温较低，人们更易感染流感病毒。
干燥：干燥的天气条件有利于病毒在空气中的存活和传播。
雾霾：长期受雾霾天困扰，人们的自身抵抗力会降低，进而增加患流感的概率；而流感不同于普通感冒，具有传染性强、病程较长、症状较重等特点，需要服用抗病毒药物进行治疗。
温差变化大：随着秋冬换季的来临，气温逐渐转凉，昼夜温差起伏较大，天气的忽冷忽热让机体难以适应，从而引起感冒的症状；
天气干燥：秋冬季节湿度低，呼吸道黏膜特别是鼻黏膜分泌液不足，表面干燥皲裂，身体黏膜的抗病毒能力会因为缺水而下降，增加了感染的风险；
步骤102、由天气数据集合生成天气变动指数其具体生成方式如下：将温度差Td及湿度差Hd做线性归一化处理，并将相应的数据值映射至区间/>内，再依照如下公式：/>
其中，为温度差的历史均值，/>为湿度差的历史均值，权重系数：/>，，且/>，/>，n为大于1的正整数为温度差Td及湿度差Hd当前的个数；/>为温度差在/>位置上的值，/>为湿度差在/>位置上的值；
参考历史数据并在流感患者由于天气变动而大量增加的基础上，预先设置天气的变动阈值，此时，若天气变动指数的 值超过预设的天气变动阈值，则说明在此种天气条件下，流感病人可能会大量增加，医院内的病床可能会存在不够用的潜在风险，此时，向外部发出预警信息；
使用时，结合步骤101至102中的内容：
在确定医院的辐射范围后，预先建立监测区域，在季节交替或在天气条件骤变的条件下，流感或者感冒的患者会突然大规模增加，此时，医院住院区域内的病床可能会突然不够用或产生紧张，因此在进行管理时，至少需要在一定程度上提高床位的利用率；
此时，对监测区域内的天气条件进行监测，在对数据进行关联和处理后，建立天气变动指数的，以其对当前的天气条件是否产生较大的突变进行判断，若是天气会产生较大突变，则需要及时地进行预警，以便于进行提前准备，比如，对空闲床位进行清洁，安排不再需要持续观察的患者出院等，以便于在对床位信息进行管理分配时更加有序。
预测单元、接收到预警信息后，进行数据收集并生成建模数据集合，从其内部抽取样本数据对由Bp神经网络建立的模型进行训练，以生成病床需求预测模型，使用训练后的病床需求预测模型对医院内的病床需求量进行预测并获取预测结果；
具体包括如下内容：
步骤201、接收到预警信息后，在天气条件产生较大的变化时，需要对医院内病床需求量进行预测，此时，先对数据进行收集，所需要收集的数据至少包括：
天气条件数据，例如，气温数据、湿度数据及雾霾数据等；患者数据，例如，患者的电子病历数据、科室及病情等；病床状态数据，例如，病床使用状态、洁净状态及空闲量变化数据；患者接收能力数据，例如，治疗设备数据、医护人员及其工作状态数据；将以上数据汇总后，生成建模数据集合；
步骤202、从建模数据集合中抽取部分数据分别作为训练集和测试集，使用Bp神经网络，在选择网络架构后建立初始模型，并在对初始模型完成训练和测试后，生成和获取训练后的模型，将其作为病床需求预测模型并输出；在设置预测周期后，例如，每个预测周期为1或者2天，使用训练后的病床需求预测模型，对预测周期内的病床需求量进行预测；
使用时，结合步骤201及202中的内容：
在所获取的预警信息显示天气即将产生变动，医院内病床可能会存在不够用的风险时，结合由当前数据和历史数据建立的建模数据集合，并进而训练获取病床需求预测模型，从而在天气产生突然变动时，可以使用训练后的病床需求预测模型，预测获取医院的病床需求量，从而，管理人员能够依据预测获取的病床需求量对医院内的床位是否紧张进行判断，如果存在紧张，则需要对床位的分配进行及时地调控和处理，以避免医院内病床的突然紧张，可以降低病床管理和分配的难度。
巡检单元、若床位空闲量不多于预期，将其中空闲时间超过空闲阈值的部分标记在预先构建的病床分布电子地图上，由巡检机器人沿着规划出的巡视路径对该若干张病床进行图像采样，形成床位图像集合，将床位图像集合内床位图像作为输入，使用训练后的清洁评价模型对相应病床是否需要清洁进行评估，若需要清洁，则发出清洁指令；
具体包括如下内容：
步骤301、获取当前周期内的病床需求量后，查询获取医院内当前病床的空闲量，获取空闲量与需求量的比值，若该比值不大于预设的比例阈值，则需要尽量地寻找备份，对病床进行补充，此时，发出清洁指令，以对部分的较长时间未使用的病床进行清洁；具体过程如下：
获取医院的病床分布数据后，构建病床分布的电子地图，预先设置病床的空闲阈值，结合病床的使用信息，在若干张空闲病床中筛选出空闲时长超过空闲阈值的部分，将其确认为待巡视病床，将待巡视病床的位置在电子地图上标记；
步骤302、采用样本数据对由路径规划算法建立的模型进行训练和测试后，获取训练后的路径规划模型，由该路径规划模型结合待巡视病床的位置信息规划生成巡视路径，使巡检机器人沿着巡视路径对若干个待巡视病床进行巡视并图像采样，将图像汇总形成床位图像集合；
步骤303、收集包含床位的图像数据，设置待清洁的标准后，对若干张床位图像是否需要清洁进行标记，汇总后建立图像训练集合；对图像训练集合内的图像进行预处理，包括：裁剪、缩放、旋转等，以使模型能够更好地处理数据，
从预处理后的图像训练集合内抽取部分图像数据，区分为训练集和测试集，使用训练集内的图像训练卷积神经网络模型，使模型学习图像中的各项特征，包括：颜色、纹理、形状等，并依据这些特征判断床位是否脏乱；
通过模型在测试集上的准确率来评估模型的性能，将通过测试的模型作为清洁评价模型，从而获取训练后的清洁评价模型；将由巡检机器人获取的床位图像作为输入，使用清洁评价模型对待巡视病床是否需要清洁进行评估，并输出评估结果；对于需要清洁的床位，结合其位置信息后，向外部发出清理指令；
使用时，结合步骤301至303内的内容：
作为床位管理策略，在床位可能存在不足的条件下，此时，医院内的所有床位都可能会被利用到，因此，需要对当前空闲着的病床进行清理，从若干个处于空闲状态下的病床中筛选出空闲较久的部分，由医院内配备的巡检机器人对其进行巡视和采样，并由训练后的清洁评价模型对病床是否需要清洁进行评估，若需要清洁，则对相应的病床进行清洁，以使得相应的病床处于可用的状态下，从而在需要时，能够使相应的病床能够及时地被利用到，能够提高床位的利用率，缓解床位的紧张程度。
分配单元、在获取到待住院患者的信息后，依据待住院患者的病情信息匹配出相应的床位分配规则，由训练后的床位分配模型从若干张空闲病床中为其分配对应的病床，并将分配出的病床位置信息发出；
具体包括如下内容：
步骤401、收集和汇总现有的床位分配规则，建立分配规则库，通过患者的电子病历信息确定该患者的病情，在识别后获取相应的病情特征，依据病情特征与分配规则的对应性，匹配出相应的床位分配规则；
查询获取待住院患者的病例信息、归属的科室信息、其余各个病床上的患者信息，例如住院时间和出院时间，结合现有的床位分配规则，汇总后构建模型数据集合；
步骤402、由机器学习算法建立分配模型，从模型数据集合中抽取部分数据并在进行特征识别后，建立训练集和测试集，以对分配模型进行训练和测试，建立训练后的床位分配模型；以待住院患者的信息作为输入，由训练后的床位分配模型从若干张空闲病床中为其分配对应的病床，并将分配的病床的位置信息发送至待住院患者或者医护人员；
使用时，结合步骤401及402中的内容：
在对医院的病床完成清洁之后，使当前可用的病床数量增加，此时，依据各个患者的病情信息，预先设置病房的分配规则，例如，若该病情的存在感染性，则需要对患者进行隔离，依据病情的种类，将其归入相应的病区等；
并在结合当前数据和历史数据的基础上，训练获取相应的床位分配模型，实现在获取到患者的信息后，能够依照现有的床位分配规则，快速地为患者分配相应的床位，实现高效率低错误率，减少人力的介入。
评估单元、完成若干个待住院患者的床位分配后，获取分配后的反馈数据并建立床位分配的反馈数据集合，并由反馈数据集合生成床位分配的反馈系数 ，在反馈系数/>不超过反馈阈值时，发出修订指令；
具体包括如下内容：
步骤501、设置观察周期，使该观察周期不短于预测周期，在完成若干个待住院患者的床位分配后，经过至少一个观察周期，获取若干个被分配床位位置及对应的患者信息，使巡检机器人移动至该患者处，通过问询获取患者的满意度Mi；
同时，依据科室不同，将住院区域分割为若干个子区域，查询获取各个子区域内每日的病床利用率Bi，将以上若干个的满意度Mi及病床利用率Bi汇总后建立床位分配的反馈数据集合；
步骤502、由反馈数据集合生成床位分配的反馈系数，其具体生成方式如下：/>
其中，参数意义为：n为满意度的个数，是大于1的正整数，，m为子区域的个数，为大于1的正整数，/>；权重系数：/>，/>，且 为满意度在/>位置上的值，/> 为病床利用率在/>位置上的值；所述/>为满意度的标准参考值，/>为病床利用率的标准参考值；
依据历史数据并在结合预设的分配预期后，预先设置反馈阈值，在反馈系数不超过反馈阈值时，说明当前床位分配的效果没有达到预期，在医院内床位足够的前提下，当前的床位分配规则可能会存在一定的不足，此时，向外部发出修订指令，从而依据修订指令，对当前的床位分配规则或者分配的方案进行修订。
由训练后的床位分配模型对床位进行分配后，获取反馈结果，由反馈数据建立反馈系数，对分配结果进行验证，依据反馈系数/>的值来判断当前的床位分配效果是否达到了预期，如果未到预期，患者满意度较低，病床的利用率较低，在下一个周期内再进行病床的管理和分配时，需要对现有的床位分配规则或者相应的床位分配方案进行调整时，从而实现在对床位进行管理和分配时，更加有效和高效。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种住院床位信息智能管理系统，其特征在于：包括：
预警单元、划定监测区域后，对所述监测区域内的天气条件变化进行监测，并由监测结果建立天气数据集合，进而生成天气变动指数 若所述天气变动指数/>的值超过天气变动阈值，发出预警信息；
预测单元、接收到所述预警信息后，进行数据收集并生成建模数据集合，从其内部抽取样本数据对由Bp神经网络建立的模型进行训练，以生成病床需求预测模型，使用训练后的病床需求预测模型对医院内的病床需求量进行预测并获取预测结果；
巡检单元、若床位空闲量不多于预期，将其中空闲时间超过空闲阈值的部分标记在预先构建的病床分布电子地图上，由巡检机器人沿着规划出的巡视路径对该若干张病床进行图像采样，形成床位图像集合，将所述床位图像集合内床位图像作为输入，使用训练后的清洁评价模型对相应病床是否需要清洁进行评估，若需要清洁，则发出清洁指令；
分配单元、在获取到待住院患者的信息后，依据所述待住院患者的病情信息匹配出相应的床位分配规则，由训练后的床位分配模型从若干张空闲病床中为其分配对应的病床，并将分配出的病床位置信息发出；
评估单元、完成若干个所述待住院患者的床位分配后，获取分配后的反馈数据并建立床位分配的反馈数据集合，并由所述反馈数据集合生成床位分配的反馈系数，在所述反馈系数/>不超过反馈阈值时，发出修订指令。
2.根据权利要求1所述的一种住院床位信息智能管理系统，其特征在于：
以医院为中心设置所述监测区域，在所述监测区域内设置若干个监测点，在每个监测周期内对所述监测区域内的温度及湿度进行监测，从而连续获取若干组温度和湿度数据；沿着时间轴获取相邻的两组温度及湿度间的差值，将该连续若干个的温度差Td及湿度差Hd汇总后，建立所述天气数据集合。
3.根据权利要求2所述的一种住院床位信息智能管理系统，其特征在于：
由所述天气数据集合生成所述天气变动指数，其具体生成方式如下：将所述温度差Td及所述湿度差Hd做线性归一化处理，并将相应的数据值映射至区间/>内，再依照如下公式：/>；
其中，为温度差的历史均值，/>为湿度差的历史均值，权重系数：/>，，且/>，，/>，n为大于1的正整数，且n为所述温度差Td及所述湿度差Hd当前的个数；
为温度差在/>位置上的值，位置上的值，/>为湿度差在/>位置上的值；
若所述天气变动指数的值超过预设的所述天气变动阈值，发出所述预警信息。
4.根据权利要求1所述的一种住院床位信息智能管理系统，其特征在于：
接收到所述预警信息后，对数据进行收集，所需要收集的数据至少包括：天气条件数据、患者数据、病床状态数据及患者接收能力数据，将以上数据汇总后生成所述建模数据集合；使用Bp神经网络训练获取所述病床需求预测模型并输出，在设置预测周期后，使用所述训练后的病床需求预测模型，对所述预测周期内的病床需求量进行预测。
5.根据权利要求1所述的一种住院床位信息智能管理系统，其特征在于：
获取当前周期内的病床需求量后，查询获取医院内当前病床的空闲量，获取空闲量与需求量的比值，若该比值不大于预设的比例阈值，在获取医院的病床分布数据后，构建病床分布的所述电子地图，在若干张空闲病床中筛选出空闲时长超过所述空闲阈值的部分，将其确认为待巡视病床，将所述待巡视病床的位置在所述电子地图上标记；
由路径规划模型结合所述待巡视病床的位置信息规划生成所述巡视路径，使所述巡检机器人沿着所述巡视路径对若干个所述待巡视病床进行巡视并图像采样，将图像汇总形成所述床位图像集合。
6.根据权利要求5所述的一种住院床位信息智能管理系统，其特征在于：
收集包含床位的图像数据，设置待清洁的标准后，对若干张床位图像是否需要清洁进行标记，汇总后建立图像训练集合，从预处理后的图像训练集合内抽取部分图像数据，区分为训练集和测试集；
使用所述训练集内的图像训练卷积神经网络模型，将通过测试的模型作为所述清洁评价模型；将获取的所述床位图像作为输入，使用所述清洁评价模型对所述待巡视病床是否需要清洁进行评估，并输出评估结果，对于需要清洁的床位，在结合其位置信息后，向外部发出清理指令。
7.根据权利要求1所述的一种住院床位信息智能管理系统，其特征在于：
收集和汇总现有的床位分配规则，建立分配规则库，通过患者的电子病历信息确定该患者的病情，在识别后获取相应的病情特征，依据所述病情特征与分配规则的对应性，匹配出相应的床位分配规则；
查询获取所述待住院患者的病例信息、归属的科室信息、其余各个病床上的患者信息，结合现有的床位分配规则，汇总后构建模型数据集合。
8.根据权利要求7所述的一种住院床位信息智能管理系统，其特征在于：
由机器学习算法建立分配模型，从所述模型数据集合中抽取部分数据并在进行特征识别后，建立训练集和测试集，以对所述分配模型进行训练和测试，建立所述训练后的床位分配模型；以所述待住院患者的信息作为输入，由所述训练后的床位分配模型从若干张空闲病床中为其分配对应的病床，并将分配的病床的位置信息发送至所述待住院患者或者医护人员。
9.根据权利要求1所述的一种住院床位信息智能管理系统，其特征在于：
在完成若干个所述待住院患者的床位分配后，经过至少一个观察周期，获取若干个被分配床位位置及对应的患者信息，使所述巡检机器人移动至该患者处，通过问询获取患者的满意度Mi，依据科室不同，将住院区域分割为若干个子区域，查询获取各个子区域内每日的病床利用率Bi，汇总后建立床位分配的所述反馈数据集合。
10.根据权利要求9所述的一种住院床位信息智能管理系统，其特征在于：
由所述反馈数据集合生成床位分配的所述反馈系数，其具体生成方式如下：；
其中，参数意义为：n为满意度的个数，是大于1的正整数，，m为子区域的个数，为大于1的正整数，/>；权重系数：/>，/>，且/>，所述/>为满意度的标准参考值，/>为病床利用率的标准参考值；/>为满意度在/>位置上的值，/>为病床利用率在/>位置上的值；在所述反馈系数/>不超过所述反馈阈值时，发出修订指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311449769.7A CN117196349B (zh) | 2023-11-02 | 2023-11-02 | 一种住院床位信息智能管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311449769.7A CN117196349B (zh) | 2023-11-02 | 2023-11-02 | 一种住院床位信息智能管理系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117196349A true CN117196349A (zh) | 2023-12-08 |
| CN117196349B CN117196349B (zh) | 2024-02-23 |
Family
ID=89000147
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311449769.7A Active CN117196349B (zh) | 2023-11-02 | 2023-11-02 | 一种住院床位信息智能管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117196349B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117672482A (zh) * | 2023-12-19 | 2024-03-08 | 江苏道朴网络科技有限公司 | 一种用于医疗资源的智能分配管理系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006000041A1 (en) * | 2004-06-24 | 2006-01-05 | Monash University | A hospital modelling system |
| JP2010257303A (ja) * | 2009-04-27 | 2010-11-11 | Toshiba Sumiden Medical Information Systems Corp | 病院情報システム、ベッドコントロール表示方法およびベッドコントロール用プログラム |
| US20180314802A1 (en) * | 2017-04-28 | 2018-11-01 | Jeffrey Randall Dreyer | System and method and graphical interface for performing predictive analysis and prescriptive remediation of patient flow and care delivery bottlenecks within emergency departments and hospital systems |
| CN110504021A (zh) * | 2018-05-17 | 2019-11-26 | 阿里巴巴集团控股有限公司 | 医院床位调度方法、装置、系统及电子设备 |
| CN111312380A (zh) * | 2020-02-23 | 2020-06-19 | 河南省肿瘤医院 | 一种医院床位配置监控系统及监控方法 |
| CN112542219A (zh) * | 2019-12-10 | 2021-03-23 | 四川大学华西医院 | 患者入院管理方法、装置、管理设备及可读存储介质 |
| 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 |
| CN113299377A (zh) * | 2021-05-17 | 2021-08-24 | 许娟 | 一种预住院管理系统及方法 |
| CN116862031A (zh) * | 2023-07-31 | 2023-10-10 | 常德市第一人民医院 | 一种床位预约系统 |
-
2023
- 2023-11-02 CN CN202311449769.7A patent/CN117196349B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006000041A1 (en) * | 2004-06-24 | 2006-01-05 | Monash University | A hospital modelling system |
| JP2010257303A (ja) * | 2009-04-27 | 2010-11-11 | Toshiba Sumiden Medical Information Systems Corp | 病院情報システム、ベッドコントロール表示方法およびベッドコントロール用プログラム |
| US20180314802A1 (en) * | 2017-04-28 | 2018-11-01 | Jeffrey Randall Dreyer | System and method and graphical interface for performing predictive analysis and prescriptive remediation of patient flow and care delivery bottlenecks within emergency departments and hospital systems |
| CN110504021A (zh) * | 2018-05-17 | 2019-11-26 | 阿里巴巴集团控股有限公司 | 医院床位调度方法、装置、系统及电子设备 |
| CN112542219A (zh) * | 2019-12-10 | 2021-03-23 | 四川大学华西医院 | 患者入院管理方法、装置、管理设备及可读存储介质 |
| CN111312380A (zh) * | 2020-02-23 | 2020-06-19 | 河南省肿瘤医院 | 一种医院床位配置监控系统及监控方法 |
| 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 |
| CN113299377A (zh) * | 2021-05-17 | 2021-08-24 | 许娟 | 一种预住院管理系统及方法 |
| CN116862031A (zh) * | 2023-07-31 | 2023-10-10 | 常德市第一人民医院 | 一种床位预约系统 |
Non-Patent Citations (3)
| Title |
|---|
| 华昊;张文砚;张燕;: "统一床位管理优化住院流程的服务模式探索", 中国医院, vol. 22, no. 10, 1 October 2018 (2018-10-01), pages 65 - 67 * |
| 沈艳;陈昕琳;张莹颖;李勇志;: "基于中医病种管理的医院床位利用效率评价的研究现状", 中医药管理杂志, vol. 25, no. 07, 19 April 2017 (2017-04-19), pages 5 - 7 * |
| 盖永华: "季节比率测定法在病床管理中的作用", 中国医院统计, no. 02, 15 May 1997 (1997-05-15), pages 80 - 81 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117672482A (zh) * | 2023-12-19 | 2024-03-08 | 江苏道朴网络科技有限公司 | 一种用于医疗资源的智能分配管理系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117196349B (zh) | 2024-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117196349B (zh) | 一种住院床位信息智能管理系统 | |
| CN108348160B (zh) | 监测人的日常生活活动 | |
| Brik et al. | An IoT-based deep learning approach to analyse indoor thermal comfort of disabled people | |
| US20210140671A1 (en) | Occupant thermal comfort inference using body shape information | |
| CN104748305B (zh) | 空调的开关状态的识别方法及系统及估算方法及系统 | |
| CN116453696B (zh) | 基于人员时空分布模型的呼吸道疾病感染风险预测方法 | |
| CN115054203B (zh) | 一种基于数字化的健康数据智能在线监测分析管理云平台 | |
| Francis et al. | Occutherm: Occupant thermal comfort inference using body shape information | |
| Liu et al. | Automatic estimation of clothing insulation rate and metabolic rate for dynamic thermal comfort assessment | |
| CN108257648A (zh) | 一种基于大数据的医疗健康数据管理系统 | |
| Lamberti et al. | Development and comparison of adaptive data-driven models for thermal comfort assessment and control | |
| CN114403806A (zh) | 一种危险疾病预警及通知系统 | |
| CN111141284A (zh) | 智能建筑人员热舒适度及热环境管理系统和方法 | |
| Liu et al. | Vision-based individual factors acquisition for thermal comfort assessment in a built environment | |
| CN117308304A (zh) | 一种基于人工智能的医养服务一体化管理系统及方法 | |
| CN117174314A (zh) | 一种个人信息采集设备的边缘数据处理系统 | |
| CN110495896B (zh) | 一种基于gprs通讯的可穿戴式膝关节监测装置及监测方法 | |
| Lavanya et al. | Development of Machine Learning Based Microclimatic HVAC System Controller for Nano Painted Rooms Using Human Skin Temperature | |
| Dabiri et al. | Exploring video based thermal perception identification | |
| Duhirwe et al. | Geographically extended occupant clothing behavior model using convolutional neural networks with hyperband technique | |
| KR102029342B1 (ko) | 사물인터넷 기반의 홈케어 대상자 모니터링 시스템 | |
| CN106407694A (zh) | 一种基于增量式神经网络模型的神经衰弱预测方法和预测系统 | |
| CN106919775A (zh) | 一种睡眠信息的处理方法及装置 | |
| Panoutsos et al. | A generic framework for enhancing the interpretability of granular computing-based information | |
| CN109036587A (zh) | 一种基于大数据分析的社区精神卫生服务质量管理系统 |
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 |