CN117933954B - 基于临床专科能力的多院区人力资源配置评价方法和系统 - Google Patents
基于临床专科能力的多院区人力资源配置评价方法和系统 Download PDFInfo
- Publication number
- CN117933954B CN117933954B CN202410330764.0A CN202410330764A CN117933954B CN 117933954 B CN117933954 B CN 117933954B CN 202410330764 A CN202410330764 A CN 202410330764A CN 117933954 B CN117933954 B CN 117933954B
- Authority
- CN
- China
- Prior art keywords
- hospital
- evaluation
- area
- hospital area
- label
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 235
- 238000013468 resource allocation Methods 0.000 title claims abstract description 62
- 238000013210 evaluation model Methods 0.000 claims abstract description 79
- 238000013528 artificial neural network Methods 0.000 claims abstract description 43
- 238000013507 mapping Methods 0.000 claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 66
- 239000011159 matrix material Substances 0.000 claims description 25
- 230000004927 fusion Effects 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 15
- 206010011409 Cross infection Diseases 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 8
- 230000006872 improvement Effects 0.000 claims description 7
- 208000028659 discharge Diseases 0.000 claims description 6
- 238000011160 research Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 230000010365 information processing Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 11
- 230000006399 behavior Effects 0.000 description 9
- 238000007726 management method Methods 0.000 description 9
- 238000011161 development Methods 0.000 description 5
- 238000000034 method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000000265 homogenisation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Abstract
本发明属于医疗大数据信息处理技术领域,具体涉及基于临床专科能力的多院区人力资源配置评价方法和系统。该方法包括构建院区画像标签库,利用多元组来表示某个维度下的主标签、子标签以及主标签的评价信息;利用人工神经网络构建5种标签评价模型,得到各主标签对应的标签评价信息;利用预先构建的子标签评分映射表,得到子标签的评分表示;建立的人力资源配置评价指标体系并利用层次分析法确定出各指标的权重,利用构建的院区画像标签库和建立的人力资源配置评价指标体系得到各院区的人力资源配置评分。本发明利用人工神经网络对院区医疗质量相关的文本特征进行处理和分类,根据各院区的人力资源配置评分差异,对院区人力资源配置进行调整。
Description
技术领域
本发明属于医疗大数据信息处理技术领域,具体涉及一种基于临床专科能力的多院区人力资源配置评价方法和系统。
背景技术
随着医疗需求的增加和医疗体系的不断完善,我国公立医院呈现出多院区发展模式。《医疗机构规划指导原则 (2021—2025)》对分院区的概念进行了明确,即公立医院在原有院区(主院区)以外的其他地址,以新设或并购等方式设立的、具有一定床位规模的院区。这种多院区模式,对医疗资源整合、医疗卫生资源布局优化和医疗服务供给发挥积极作用,但存在多院区同质管理和协调发展的难题。多院区是公立医院高质量发展的重要举措之一,对于完善医改体系、加快医改进程、实现医改目标具有积极的促进作用。
目前在多院区管理方面,最关键的难题在于如何使得多院区实现同质化,即通过优化配置,实现各院区医疗质量处于同种水平。有学者认为多院区医院同质化管理应根据自身发展特点,通过建立健全各项管理机制,统筹安排各院区人力、财力、物力等各类资源,以实现各院区医疗质量和服务质量趋同的过程,提出多院区同质化管理应推动精细化管理,推动优质医疗资源下沉,同时加强文化建设。尤其在人力资源配置方面,目前大部分公立医院存在将传统人事管理等同于人力资源管理的观念,没有充分运用大数据和人工智能技术,发挥这两项技术的对于数据处理的巨大优势。随着人工智能和大数据技术的快速发展,如何实现多院区基于临床专科能力的人力资源配置,并对相关配置实现定量评价分析,再反向优化人力资源配置模型,以期最大程度发挥多院区医疗资源的优势。本发明旨在提供一种基于临床专科能力的多院区人力资源配置评价方法和系统。
发明内容
本发明的目的在于克服现有技术中存在的上述问题,提供了一种基于临床专科能力的多院区人力资源配置评价方法和系统。
为了实现上述发明目的,本发明提供了以下技术方案:
一种基于临床专科能力的多院区人力资源配置评价方法,其特征在于,包括如下步骤:
构建各院区的画像标签库;
所述画像标签库由不同维度的标签元组<Ai,a1,a2,...an,Bi>构成;其中Ai表示第i个维度对应的主标签,a1,a2,...an表示主标签Ai对应的子标签,Bi表示主标签Ai的评价信息;
所述不同维度的主标签Ai包括:院区固定人力资源评价标签、院区效率评价标签、院区患者安全评价标签、院区地理位置评价标签、跨院区共享人力资源评价标签;主标签Ai的评价信息Bi包括高、中、低三种;其中院区固定人力资源评价标签对应的子标签包括科室数量评分、医师总数量评分、护师总数量评分、副主任以上职称的医师数量评分、拥有博士以上学历的医师数量评分;院区效率评价标签对应的子标签包括急诊预约挂号量评分、实际门急诊人次评分、入院单开具数量评分、实际入院人次评分、手术次数评分、出院病人门诊随诊预约率评分;院区患者安全评价标签对应的子标签包括出院患者手术占比评分、30天再入院率评分、危急重症抢救成功率评分、治愈率评分、好转率评分、病死率评分、医院感染发生率评分、手术患者并发症发生率评分、非计划再次手术占比评分;院区地理位置评价标签对应的子标签包括公交站的数量评分、地铁站的数量评分、饭馆的数量评分、酒店的数量评分、超市的数量评分;跨院区共享人力资源评价标签对应的子标签包括院区内跨院区工作的医护人员数量对应的职称评分、院区内跨院区的共享信息系统数量评分、院区内跨院区的讲座培训数量评分、院区内跨院区的课题研究数量评分;
预先构建子标签评分映射表,建立每个子标签的数值范围和评分的对应关系;采集各院区的信息,对每个子标签对应的指标数值进行归一化,映射成[0,1]的数值范围内,再根据子标签评分映射表,得到子标签的评分表示;
构建院区固定人力资源评价模型,得到院区固定人力资源评价标签的评价信息;构建院区效率评价模型,得到院区效率评价标签的评价信息;构建院区患者安全评价模型,得到患者安全评价标签的评价信息;构建院区地理位置评价模型,得到院区地理位置评价标签对应的评价信息;构建跨院区共享人力资源评价模型,得到跨院区共享人力资源评价标签对应的评价信息;
建立人力资源配置评价指标体系,将院区画像标签库中的主标签作为一级评价指标,主标签对应的子标签作为二级评价指标,利用层次分析法确定出各评价指标的权重;利用院区画像标签库中的标签元组<Ai,a1,a2,...an,Bi>和所述权重,对每个院区的人力资源配置进行打分,得到每个院区的人力资源配置分数;比较每个院区的人力资源配置分数,当分数差异超过预设阈值时,对分数低的院区进行人力资源配置上的调整。
进一步地,所述构建院区固定人力资源评价模型具体包括:
构建院区固定人力资源评价模型:采集训练样本,所述训练样本为患者满意度分别为高、中、低的医院数据,对所述训练样本分别进行文本特征提取,所述文本特征包括科室总数量、医师总数量、护师总数量、副主任以上职称的医师数量、拥有博士以上学历的医师数量,将提取的文本特征进行编码融合,拼接成院区固定人力资源特征矩阵,作为预先构建的人工神经网络模型的输入,所述人工神经网络模型包括一个卷积层、一个池化层和一个全连接层,利用交叉熵作为损失函数,模型输出为医院对应患者满意度分别属于高、中、低的概率向量;实际应用时,按照模型训练时提取文本特征的方式,将提取出的文本特征输入人工神经网络模型,输出概率向量,将概率最高对应的类别作为院区固定人力资源评价标签的评价信息进行保存。
进一步地,所述构建院区效率评价模型具体包括:
构建院区效率评价模型:采集训练样本,所述训练样本为患者满意度分别为高、中、低的医院数据,对所述训练样本分别进行文本特征提取,所述文本特征包括过去一年以内门急诊预约挂号量、实际门急诊人次、入院单开具数量、实际入院人次、手术次数、出院病人门诊随诊预约率,将提取的文本特征进行编码融合,拼接成院区历史行为特征矩阵,作为预先构建的人工神经网络模型的输入,所述人工神经网络模型包括一个卷积层、一个池化层和一个全连接层,利用交叉熵作为损失函数,模型输出为医院对应患者满意度分别属于高、中、低的概率;实际应用时,按照模型训练时提取文本特征的方式,将提取出的文本特征输入人工神经网络模型,输出概率向量,将概率最高对应的类别作为院区效率评价标签的评价信息进行保存。
进一步地,所述构建院区患者安全评价模型具体包括:
构建院区患者安全评价模型:采集训练样本,所述训练样本为患者满意度分别为高、中、低的医院数据,对所述训练样本分别进行文本特征提取,所述文本特征包括过去一年内出院患者手术占比、30天再入院率、危急重症抢救成功率、治愈率、好转率、病死率、医院感染发生率、手术患者并发症发生率、非计划再次手术占比,将提取的文本特征进行编码融合,拼接成院区历史行为特征矩阵,作为预先构建的人工神经网络模型的输入,所述人工神经网络模型包括一个卷积层、一个池化层和一个全连接层,利用交叉熵作为损失函数,模型输出为医院对应患者满意度分别属于高、中、低的概率;将概率最高对应的类别作为患者安全评价标签的评价信息进行保存。
进一步地,所述构建院区地理位置评价模型和跨院区共享人力资源评价模型具体包括:
院区地理位置评价模型:采集院区地理位置坐标,确定该坐标为中心1km为半径的圆形区域内,公交站的数量、地铁站的数量、饭馆的数量、酒店的数量、超市的数量;根据预先建立的映射规则,确定院区地理位置评价标签对应的评价信息并保存;
跨院区共享人力资源评价模型:确定院区内跨院区工作的医护人员数量对应的职称、院区内跨院区的共享信息系统数量、院区内跨院区的讲座培训数量、院区内跨院区的课题研究数量;根据预先建立的映射规则,确定跨院区共享人力资源评价标签对应的评价信息并保存。
一种基于临床专科能力的多院区人力资源配置评价系统,其特征在于,包括如下功能模块:
画像标签库模块:构建各院区的画像标签库;所述画像标签库由不同维度的标签元组<Ai,a1,a2,...an,Bi>构成;其中Ai表示第i个维度对应的主标签,a1,a2,...an表示主标签Ai对应的子标签,Bi表示主标签Ai的评价信息;所述不同维度的主标签Ai包括:院区固定人力资源评价标签、院区效率评价标签、院区患者安全评价标签、院区地理位置评价标签、跨院区共享人力资源评价标签;主标签Ai的评价信息Bi包括高、中、低三种;其中院区固定人力资源评价标签对应的子标签包括科室数量评分、医师总数量评分、护师总数量评分、副主任以上职称的医师数量评分、拥有博士以上学历的医师数量评分;院区效率评价标签对应的子标签包括急诊预约挂号量评分、实际门急诊人次评分、入院单开具数量评分、实际入院人次评分、手术次数评分、出院病人门诊随诊预约率评分;院区患者安全评价标签对应的子标签包括出院患者手术占比评分、30天再入院率评分、危急重症抢救成功率评分、治愈率评分、好转率评分、病死率评分、医院感染发生率评分、手术患者并发症发生率评分、非计划再次手术占比评分;院区地理位置评价标签对应的子标签包括公交站的数量评分、地铁站的数量评分、饭馆的数量评分、酒店的数量评分、超市的数量评分;跨院区共享人力资源评价标签对应的子标签包括院区内跨院区工作的医护人员数量对应的职称评分、院区内跨院区的共享信息系统数量评分、院区内跨院区的讲座培训数量评分、院区内跨院区的课题研究数量评分;预先构建子标签评分映射表,建立每个子标签的数值范围和评分的对应关系;采集各院区的信息,对每个子标签对应的指标数值进行归一化,映射成[0,1]的数值范围内,再根据子标签评分映射表,得到子标签的评分表示;
院区评价模型模块:构建院区固定人力资源评价模型,得到院区固定人力资源评价标签的评价信息;构建院区效率评价模型,得到院区效率评价标签的评价信息;构建院区患者安全评价模型,得到患者安全评价标签的评价信息;构建院区地理位置评价模型,得到院区地理位置评价标签对应的评价信息;构建跨院区共享人力资源评价模型,得到跨院区共享人力资源评价标签对应的评价信息;
人力资源配置评价指标模块:建立人力资源配置评价指标体系,将院区画像标签库中的主标签作为一级评价指标,主标签对应的子标签作为二级评价指标,利用层次分析法确定出各评价指标的权重;利用院区画像标签库中的标签元组<Ai,a1,a2,...an,Bi>和所述权重,对每个院区的人力资源配置进行打分,得到每个院区的人力资源配置分数;比较每个院区的人力资源配置分数,当分数差异超过预设阈值时,对分数低的院区进行人力资源配置上的调整。
进一步地,所述院区评价模型模块具体包括:
构建院区固定人力资源评价模型:采集训练样本,所述训练样本为患者满意度分别为高、中、低的医院数据,对所述训练样本分别进行文本特征提取,所述文本特征包括科室总数量、医师总数量、护师总数量、副主任以上职称的医师数量、拥有博士以上学历的医师数量,将提取的文本特征进行编码融合,拼接成院区固定人力资源特征矩阵,作为预先构建的人工神经网络模型的输入,所述人工神经网络模型包括一个卷积层、一个池化层和一个全连接层,利用交叉熵作为损失函数,模型输出为医院对应患者满意度分别属于高、中、低的概率向量;实际应用时,按照模型训练时提取文本特征的方式,将提取出的文本特征输入人工神经网络模型,输出概率向量,将概率最高对应的类别作为院区固定人力资源评价标签的评价信息进行保存。
进一步地,所述院区评价模型模块具体包括:
构建院区效率评价模型:采集训练样本,所述训练样本为患者满意度分别为高、中、低的医院数据,对所述训练样本分别进行文本特征提取,所述文本特征包括过去一年以内门急诊预约挂号量、实际门急诊人次、入院单开具数量、实际入院人次、手术次数、出院病人门诊随诊预约率,将提取的文本特征进行编码融合,拼接成院区历史行为特征矩阵,作为预先构建的人工神经网络模型的输入,所述人工神经网络模型包括一个卷积层、一个池化层和一个全连接层,利用交叉熵作为损失函数,模型输出为医院对应患者满意度分别属于高、中、低的概率;实际应用时,按照模型训练时提取文本特征的方式,将提取出的文本特征输入人工神经网络模型,输出概率向量,将概率最高对应的类别作为院区效率评价标签的评价信息进行保存。
进一步地,所述院区评价模型模块具体包括:
构建院区患者安全评价模型:采集训练样本,所述训练样本为患者满意度分别为高、中、低的医院数据,对所述训练样本分别进行文本特征提取,所述文本特征包括过去一年内出院患者手术占比、30天再入院率、危急重症抢救成功率、治愈率、好转率、病死率、医院感染发生率、手术患者并发症发生率、非计划再次手术占比,将提取的文本特征进行编码融合,拼接成院区历史行为特征矩阵,作为预先构建的人工神经网络模型的输入,所述人工神经网络模型包括一个卷积层、一个池化层和一个全连接层,利用交叉熵作为损失函数,模型输出为医院对应患者满意度分别属于高、中、低的概率;将概率最高对应的类别作为患者安全评价标签的评价信息进行保存。
进一步地,所述院区评价模型模块具体包括:
院区地理位置评价模型:采集院区地理位置坐标,确定该坐标为中心1km为半径的圆形区域内,公交站的数量、地铁站的数量、饭馆的数量、酒店的数量、超市的数量;根据预先建立的映射规则,确定院区地理位置评价标签对应的评价信息并保存;
跨院区共享人力资源评价模型:确定院区内跨院区工作的医护人员数量对应的职称、院区内跨院区的共享信息系统数量、院区内跨院区的讲座培训数量、院区内跨院区的课题研究数量;根据预先建立的映射规则,确定跨院区共享人力资源评价标签对应的评价信息并保存。
通过采用上述技术,与现有技术相比,本发明的有益效果是:
本申请对多院区基于人力资源配置构建了画像标签库,基于标签库可以灵活实现多院区的人力资源配置相关标签的管理。
本申请在构建院区的画像标签库时,利用了人工神经网络对院区医疗质量相关的文本特征进行处理和分类,得出了人力资源配置各维度的评价信息。
本申请构建人力资源评价体系,基于院区的画像标签库建立一级和二级评价指标,并利用层次分析法确定出各指标的权重,最终得到每个院区的人力资源配置分数。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定, 对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请基于临床专科能力的多院区人力资源配置评价方法流程图;
图2为本申请院区评价模型模块的功能流程图;
图3为本申请基于临床专科能力的多院区人力资源配置评价系统的功能模块图。
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。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。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。
实施例1
如图1所示,本实施例提供一种基于临床专科能力的多院区人力资源配置评价方法,其特征在于,包括如下步骤:
构建各院区的画像标签库;
所述画像标签库由不同维度的标签元组<Ai,a1,a2,...an,Bi>构成;其中Ai表示第i个维度对应的主标签,a1,a2,...an表示主标签Ai对应的子标签,Bi表示主标签Ai的评价信息;
所述不同维度的主标签Ai包括:院区固定人力资源评价标签、院区效率评价标签、院区患者安全评价标签、院区地理位置评价标签、跨院区共享人力资源评价标签;主标签Ai的评价信息Bi包括高、中、低三种;其中院区固定人力资源评价标签对应的子标签包括科室数量评分、医师总数量评分、护师总数量评分、副主任以上职称的医师数量评分、拥有博士以上学历的医师数量评分;院区效率评价标签对应的子标签包括急诊预约挂号量评分、实际门急诊人次评分、入院单开具数量评分、实际入院人次评分、手术次数评分、出院病人门诊随诊预约率评分;院区患者安全评价标签对应的子标签包括出院患者手术占比评分、30天再入院率评分、危急重症抢救成功率评分、治愈率评分、好转率评分、病死率评分、医院感染发生率评分、手术患者并发症发生率评分、非计划再次手术占比评分;院区地理位置评价标签对应的子标签包括公交站的数量评分、地铁站的数量评分、饭馆的数量评分、酒店的数量评分、超市的数量评分;跨院区共享人力资源评价标签对应的子标签包括院区内跨院区工作的医护人员数量对应的职称评分、院区内跨院区的共享信息系统数量评分、院区内跨院区的讲座培训数量评分、院区内跨院区的课题研究数量评分;
预先构建子标签评分映射表,建立每个子标签的数值范围和评分的对应关系;采集各院区的信息,对每个子标签对应的指标数值进行归一化,映射成[0,1]的数值范围内,再根据子标签评分映射表,得到子标签的评分表示。
子标签评分映射表包括标签类别、标签对应的指标数值以及该指标数值对应的评分。
构建院区固定人力资源评价模型,得到院区固定人力资源评价标签的评价信息;构建院区效率评价模型,得到院区效率评价标签的评价信息;构建院区患者安全评价模型,得到患者安全评价标签的评价信息;构建院区地理位置评价模型,得到院区地理位置评价标签对应的评价信息;构建跨院区共享人力资源评价模型,得到跨院区共享人力资源评价标签对应的评价信息;
建立人力资源配置评价指标体系,将院区画像标签库中的主标签作为一级评价指标,主标签对应的子标签作为二级评价指标,利用层次分析法确定出各评价指标的权重;利用院区画像标签库中的标签元组<Ai,a1,a2,...an,Bi>和所述权重,对每个院区的人力资源配置进行打分,得到每个院区的人力资源配置分数;比较每个院区的人力资源配置分数,当分数差异超过预设阈值时,对分数低的院区进行人力资源配置上的调整。
人力资源配置分数具体计算方法如下:首先对标签元组中的标签进行数值化表示,举例说明,若主标签Ai对应的评价信息Bi为高,则将主标签数值化为m1,若主标签Ai对应的评价信息Bi为中,则将主标签数值化为m2,若主标签Ai对应的评价信息Bi为低,则将主标签数值化为m3,而m1+m2+m3=1。
将所有指标进行加权求和最终得到院区的人力资源配置评分。
实施例2
如图2所示,本实施例提供一种基于临床专科能力的多院区人力资源配置评价方法,其中,所述构建院区固定人力资源评价模型具体包括:
构建院区固定人力资源评价模型:采集训练样本,所述训练样本为患者满意度分别为高、中、低的医院数据,对所述训练样本分别进行文本特征提取,所述文本特征包括科室总数量、医师总数量、护师总数量、副主任以上职称的医师数量、拥有博士以上学历的医师数量,将提取的文本特征进行编码融合,拼接成院区固定人力资源特征矩阵,作为预先构建的人工神经网络模型的输入,所述人工神经网络模型包括一个卷积层、一个池化层和一个全连接层,利用交叉熵作为损失函数,模型输出为医院对应患者满意度分别属于高、中、低的概率向量;实际应用时,按照模型训练时提取文本特征的方式,将提取出的文本特征输入人工神经网络模型,输出概率向量,将概率最高对应的类别作为院区固定人力资源评价标签的评价信息进行保存。
进一步地,所述构建院区效率评价模型具体包括:
构建院区效率评价模型:采集训练样本,所述训练样本为患者满意度分别为高、中、低的医院数据,对所述训练样本分别进行文本特征提取,所述文本特征包括过去一年以内门急诊预约挂号量、实际门急诊人次、入院单开具数量、实际入院人次、手术次数、出院病人门诊随诊预约率,将提取的文本特征进行编码融合,拼接成院区历史行为特征矩阵,作为预先构建的人工神经网络模型的输入,所述人工神经网络模型包括一个卷积层、一个池化层和一个全连接层,利用交叉熵作为损失函数,模型输出为医院对应患者满意度分别属于高、中、低的概率;实际应用时,按照模型训练时提取文本特征的方式,将提取出的文本特征输入人工神经网络模型,输出概率向量,将概率最高对应的类别作为院区效率评价标签的评价信息进行保存。
进一步地,所述构建院区患者安全评价模型具体包括:
构建院区患者安全评价模型:采集训练样本,所述训练样本为患者满意度分别为高、中、低的医院数据,对所述训练样本分别进行文本特征提取,所述文本特征包括过去一年内出院患者手术占比、30天再入院率、危急重症抢救成功率、治愈率、好转率、病死率、医院感染发生率、手术患者并发症发生率、非计划再次手术占比,将提取的文本特征进行编码融合,拼接成院区历史行为特征矩阵,作为预先构建的人工神经网络模型的输入,所述人工神经网络模型包括一个卷积层、一个池化层和一个全连接层,利用交叉熵作为损失函数,模型输出为医院对应患者满意度分别属于高、中、低的概率;将概率最高对应的类别作为患者安全评价标签的评价信息进行保存。
进一步地,所述构建院区地理位置评价模型和跨院区共享人力资源评价模型具体包括:
院区地理位置评价模型:采集院区地理位置坐标,确定该坐标为中心1km为半径的圆形区域内,公交站的数量、地铁站的数量、饭馆的数量、酒店的数量、超市的数量;根据预先建立的映射规则,确定院区地理位置评价标签对应的评价信息并保存;
跨院区共享人力资源评价模型:确定院区内跨院区工作的医护人员数量对应的职称、院区内跨院区的共享信息系统数量、院区内跨院区的讲座培训数量、院区内跨院区的课题研究数量;根据预先建立的映射规则,确定跨院区共享人力资源评价标签对应的评价信息并保存。
实施例3
如图3所示,本实施例提供一种基于临床专科能力的多院区人力资源配置评价系统,其特征在于,包括如下功能模块:
画像标签库模块:构建各院区的画像标签库;所述画像标签库由不同维度的标签元组<Ai,a1,a2,...an,Bi>构成;其中Ai表示第i个维度对应的主标签,a1,a2,...an表示主标签Ai对应的子标签,Bi表示主标签Ai的评价信息;所述不同维度的主标签Ai包括:院区固定人力资源评价标签、院区效率评价标签、院区患者安全评价标签、院区地理位置评价标签、跨院区共享人力资源评价标签;主标签Ai的评价信息Bi包括高、中、低三种;其中院区固定人力资源评价标签对应的子标签包括科室数量评分、医师总数量评分、护师总数量评分、副主任以上职称的医师数量评分、拥有博士以上学历的医师数量评分;院区效率评价标签对应的子标签包括急诊预约挂号量评分、实际门急诊人次评分、入院单开具数量评分、实际入院人次评分、手术次数评分、出院病人门诊随诊预约率评分;院区患者安全评价标签对应的子标签包括出院患者手术占比评分、30天再入院率评分、危急重症抢救成功率评分、治愈率评分、好转率评分、病死率评分、医院感染发生率评分、手术患者并发症发生率评分、非计划再次手术占比评分;院区地理位置评价标签对应的子标签包括公交站的数量评分、地铁站的数量评分、饭馆的数量评分、酒店的数量评分、超市的数量评分;跨院区共享人力资源评价标签对应的子标签包括院区内跨院区工作的医护人员数量对应的职称评分、院区内跨院区的共享信息系统数量评分、院区内跨院区的讲座培训数量评分、院区内跨院区的课题研究数量评分;预先构建子标签评分映射表,建立每个子标签的数值范围和评分的对应关系;采集各院区的信息,对每个子标签对应的指标数值进行归一化,映射成[0,1]的数值范围内,再根据子标签评分映射表,得到子标签的评分表示;
院区评价模型模块:构建院区固定人力资源评价模型,得到院区固定人力资源评价标签的评价信息;构建院区效率评价模型,得到院区效率评价标签的评价信息;构建院区患者安全评价模型,得到患者安全评价标签的评价信息;构建院区地理位置评价模型,得到院区地理位置评价标签对应的评价信息;构建跨院区共享人力资源评价模型,得到跨院区共享人力资源评价标签对应的评价信息;
人力资源配置评价指标模块:建立人力资源配置评价指标体系,将院区画像标签库中的主标签作为一级评价指标,主标签对应的子标签作为二级评价指标,利用层次分析法确定出各评价指标的权重;利用院区画像标签库中的标签元组<Ai,a1,a2,...an,Bi>和所述权重,对每个院区的人力资源配置进行打分,得到每个院区的人力资源配置分数;比较每个院区的人力资源配置分数,当分数差异超过预设阈值时,对分数低的院区进行人力资源配置上的调整。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、计算机设备或计算机可读存储介质。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,依据本发明的技术实质,在本发明的精神和原则之内,对以上实施例所作的任何简单的修改、等同替换与改进等,均仍属于本发明技术方案的保护范围之内。
Claims (2)
1.一种基于临床专科能力的多院区人力资源配置评价方法,其特征在于,包括如下步骤:构建各院区的画像标签库;
所述画像标签库由不同维度的标签元组<Ai,a1,a2,...an,Bi>构成;其中Ai表示第i个维度对应的主标签,a1,a2,...an表示主标签Ai对应的子标签,Bi表示主标签Ai的评价信息;
所述不同维度的主标签Ai包括:院区固定人力资源评价标签、院区效率评价标签、院区患者安全评价标签、院区地理位置评价标签、跨院区共享人力资源评价标签;主标签Ai的评价信息Bi包括高、中、低三种;其中院区固定人力资源评价标签对应的子标签包括科室数量评分、医师总数量评分、护师总数量评分、副主任以上职称的医师数量评分、拥有博士以上学历的医师数量评分;院区效率评价标签对应的子标签包括急诊预约挂号量评分、实际门急诊人次评分、入院单开具数量评分、实际入院人次评分、手术次数评分、出院病人门诊随诊预约率评分;院区患者安全评价标签对应的子标签包括出院患者手术占比评分、30天再入院率评分、危急重症抢救成功率评分、治愈率评分、好转率评分、病死率评分、医院感染发生率评分、手术患者并发症发生率评分、非计划再次手术占比评分;院区地理位置评价标签对应的子标签包括公交站的数量评分、地铁站的数量评分、饭馆的数量评分、酒店的数量评分、超市的数量评分;跨院区共享人力资源评价标签对应的子标签包括院区内跨院区工作的医护人员数量对应的职称评分、院区内跨院区的共享信息系统数量评分、院区内跨院区的讲座培训数量评分、院区内跨院区的课题研究数量评分;
预先构建子标签评分映射表,建立每个子标签的数值范围和评分的对应关系;采集各院区的信息,对每个子标签对应的指标数值进行归一化,映射成[0,1]的数值范围内,再根据子标签评分映射表,得到子标签的评分表示;
构建院区固定人力资源评价模型,得到院区固定人力资源评价标签的评价信息;构建院区效率评价模型,得到院区效率评价标签的评价信息;构建院区患者安全评价模型,得到患者安全评价标签的评价信息;构建院区地理位置评价模型,得到院区地理位置评价标签对应的评价信息;构建跨院区共享人力资源评价模型,得到跨院区共享人力资源评价标签对应的评价信息;
建立人力资源配置评价指标体系,将院区画像标签库中的主标签作为一级评价指标,主标签对应的子标签作为二级评价指标,利用层次分析法确定出各评价指标的权重;利用院区画像标签库中的标签元组<Ai,a1,a2,...an,Bi>和所述权重,对每个院区的人力资源配置进行打分,得到每个院区的人力资源配置分数;比较每个院区的人力资源配置分数,当分数差异超过预设阈值时,对分数低的院区进行人力资源配置上的调整;所述构建院区固定人力资源评价模型具体包括:采集训练样本,所述训练样本为患者满意度分别为高、中、低的医院数据,对所述训练样本分别进行文本特征提取,所述文本特征包括科室总数量、医师总数量、护师总数量、副主任以上职称的医师数量、拥有博士以上学历的医师数量,将提取的文本特征进行编码融合,拼接成院区固定人力资源特征矩阵,作为预先构建的人工神经网络模型的输入,所述人工神经网络模型包括一个卷积层、一个池化层和一个全连接层,利用交叉熵作为损失函数,模型输出为医院对应患者满意度分别属于高、中、低的概率向量;实际应用时,按照模型训练时提取文本特征的方式,将提取出的文本特征输入人工神经网络模型,输出概率向量,将概率最高对应的类别作为院区固定人力资源评价标签的评价信息进行保存;
所述所述构建院区效率评价模型具体包括:采集训练样本,所述训练样本为患者满意度分别为高、中、低的医院数据,对所述训练样本分别进行文本特征提取,所述文本特征包括过去一年以内门急诊预约挂号量、实际门急诊人次、入院单开具数量、实际入院人次、手术次数、出院病人门诊随诊预约率,将提取的文本特征进行编码融合,拼接成院区历史行为特征矩阵,作为预先构建的人工神经网络模型的输入,所述人工神经网络模型包括一个卷积层、一个池化层和一个全连接层,利用交叉熵作为损失函数,模型输出为医院对应患者满意度分别属于高、中、低的概率;实际应用时,按照模型训练时提取文本特征的方式,将提取出的文本特征输入人工神经网络模型,输出概率向量,将概率最高对应的类别作为院区效率评价标签的评价信息进行保存;
所述所述构建院区患者安全评价模型具体包括:采集训练样本,所述训练样本为患者满意度分别为高、中、低的医院数据,对所述训练样本分别进行文本特征提取,所述文本特征包括过去一年内出院患者手术占比、30天再入院率、危急重症抢救成功率、治愈率、好转率、病死率、医院感染发生率、手术患者并发症发生率、非计划再次手术占比,将提取的文本特征进行编码融合,拼接成院区历史行为特征矩阵,作为预先构建的人工神经网络模型的输入,所述人工神经网络模型包括一个卷积层、一个池化层和一个全连接层,利用交叉熵作为损失函数,模型输出为医院对应患者满意度分别属于高、中、低的概率;将概率最高对应的类别作为患者安全评价标签的评价信息进行保存;
所述构建院区地理位置评价模型和跨院区共享人力资源评价模型具体包括:院区地理位置评价模型:采集院区地理位置坐标,确定该坐标为中心1km为半径的圆形区域内,公交站的数量、地铁站的数量、饭馆的数量、酒店的数量、超市的数量;根据预先建立的映射规则,确定院区地理位置评价标签对应的评价信息并保存;跨院区共享人力资源评价模型:确定院区内跨院区工作的医护人员数量对应的职称、院区内跨院区的共享信息系统数量、院区内跨院区的讲座培训数量、院区内跨院区的课题研究数量;根据预先建立的映射规则,确定跨院区共享人力资源评价标签对应的评价信息并保存。
2.一种基于临床专科能力的多院区人力资源配置评价系统,其特征在于,包括如下功能模块:画像标签库模块:构建各院区的画像标签库;所述画像标签库由不同维度的标签元组<Ai,a1,a2,...an,Bi>构成;其中Ai表示第i个维度对应的主标签,a1,a2,...an表示主标签Ai对应的子标签,Bi表示主标签Ai的评价信息;所述不同维度的主标签Ai包括:院区固定人力资源评价标签、院区效率评价标签、院区患者安全评价标签、院区地理位置评价标签、跨院区共享人力资源评价标签;主标签Ai的评价信息Bi包括高、中、低三种;其中院区固定人力资源评价标签对应的子标签包括科室数量评分、医师总数量评分、护师总数量评分、副主任以上职称的医师数量评分、拥有博士以上学历的医师数量评分;院区效率评价标签对应的子标签包括急诊预约挂号量评分、实际门急诊人次评分、入院单开具数量评分、实际入院人次评分、手术次数评分、出院病人门诊随诊预约率评分;院区患者安全评价标签对应的子标签包括出院患者手术占比评分、30天再入院率评分、危急重症抢救成功率评分、治愈率评分、好转率评分、病死率评分、医院感染发生率评分、手术患者并发症发生率评分、非计划再次手术占比评分;院区地理位置评价标签对应的子标签包括公交站的数量评分、地铁站的数量评分、饭馆的数量评分、酒店的数量评分、超市的数量评分;跨院区共享人力资源评价标签对应的子标签包括院区内跨院区工作的医护人员数量对应的职称评分、院区内跨院区的共享信息系统数量评分、院区内跨院区的讲座培训数量评分、院区内跨院区的课题研究数量评分;预先构建子标签评分映射表,建立每个子标签的数值范围和评分的对应关系;采集各院区的信息,对每个子标签对应的指标数值进行归一化,映射成[0,1]的数值范围内,再根据子标签评分映射表,得到子标签的评分表示;
院区评价模型模块:构建院区固定人力资源评价模型,得到院区固定人力资源评价标签的评价信息;构建院区效率评价模型,得到院区效率评价标签的评价信息;构建院区患者安全评价模型,得到患者安全评价标签的评价信息;构建院区地理位置评价模型,得到院区地理位置评价标签对应的评价信息;构建跨院区共享人力资源评价模型,得到跨院区共享人力资源评价标签对应的评价信息;
人力资源配置评价指标模块:建立人力资源配置评价指标体系,将院区画像标签库中的主标签作为一级评价指标,主标签对应的子标签作为二级评价指标,利用层次分析法确定出各评价指标的权重;利用院区画像标签库中的标签元组<Ai,a1,a2,...an,Bi>和所述权重,对每个院区的人力资源配置进行打分,得到每个院区的人力资源配置分数;比较每个院区的人力资源配置分数,当分数差异超过预设阈值时,对分数低的院区进行人力资源配置上的调整;
所述院区评价模型模块具体包括:构建院区固定人力资源评价模型:采集训练样本,所述训练样本为患者满意度分别为高、中、低的医院数据,对所述训练样本分别进行文本特征提取,所述文本特征包括科室总数量、医师总数量、护师总数量、副主任以上职称的医师数量、拥有博士以上学历的医师数量,将提取的文本特征进行编码融合,拼接成院区固定人力资源特征矩阵,作为预先构建的人工神经网络模型的输入,所述人工神经网络模型包括一个卷积层、一个池化层和一个全连接层,利用交叉熵作为损失函数,模型输出为医院对应患者满意度分别属于高、中、低的概率向量;实际应用时,按照模型训练时提取文本特征的方式,将提取出的文本特征输入人工神经网络模型,输出概率向量,将概率最高对应的类别作为院区固定人力资源评价标签的评价信息进行保存;
所述院区评价模型模块具体包括:构建院区效率评价模型:采集训练样本,所述训练样本为患者满意度分别为高、中、低的医院数据,对所述训练样本分别进行文本特征提取,所述文本特征包括过去一年以内门急诊预约挂号量、实际门急诊人次、入院单开具数量、实际入院人次、手术次数、出院病人门诊随诊预约率,将提取的文本特征进行编码融合,拼接成院区历史行为特征矩阵,作为预先构建的人工神经网络模型的输入,所述人工神经网络模型包括一个卷积层、一个池化层和一个全连接层,利用交叉熵作为损失函数,模型输出为医院对应患者满意度分别属于高、中、低的概率;实际应用时,按照模型训练时提取文本特征的方式,将提取出的文本特征输入人工神经网络模型,输出概率向量,将概率最高对应的类别作为院区效率评价标签的评价信息进行保存;
所述院区评价模型模块具体包括:构建院区患者安全评价模型:采集训练样本,所述训练样本为患者满意度分别为高、中、低的医院数据,对所述训练样本分别进行文本特征提取,所述文本特征包括过去一年内出院患者手术占比、30天再入院率、危急重症抢救成功率、治愈率、好转率、病死率、医院感染发生率、手术患者并发症发生率、非计划再次手术占比,将提取的文本特征进行编码融合,拼接成院区历史行为特征矩阵,作为预先构建的人工神经网络模型的输入,所述人工神经网络模型包括一个卷积层、一个池化层和一个全连接层,利用交叉熵作为损失函数,模型输出为医院对应患者满意度分别属于高、中、低的概率;将概率最高对应的类别作为患者安全评价标签的评价信息进行保存;
所述院区评价模型模块具体包括:构建院区地理位置评价模型:采集院区地理位置坐标,确定该坐标为中心1km为半径的圆形区域内,公交站的数量、地铁站的数量、饭馆的数量、酒店的数量、超市的数量;根据预先建立的映射规则,确定院区地理位置评价标签对应的评价信息并保存;构建跨院区共享人力资源评价模型:确定院区内跨院区工作的医护人员数量对应的职称、院区内跨院区的共享信息系统数量、院区内跨院区的讲座培训数量、院区内跨院区的课题研究数量;根据预先建立的映射规则,确定跨院区共享人力资源评价标签对应的评价信息并保存。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410330764.0A CN117933954B (zh) | 2024-03-22 | 基于临床专科能力的多院区人力资源配置评价方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410330764.0A CN117933954B (zh) | 2024-03-22 | 基于临床专科能力的多院区人力资源配置评价方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117933954A CN117933954A (zh) | 2024-04-26 |
CN117933954B true CN117933954B (zh) | 2024-06-04 |
Family
ID=
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000077665A2 (en) * | 1999-06-11 | 2000-12-21 | Clinical Dynamics, Inc. | Method and apparatus for automatically allocating staffing |
CN106611285A (zh) * | 2016-07-25 | 2017-05-03 | 李平 | 智能化卫生人力资源配置系统 |
CN111832966A (zh) * | 2020-07-24 | 2020-10-27 | 山东中医药大学 | 中医类医院区域画像构建方法及系统 |
CN113140301A (zh) * | 2021-04-27 | 2021-07-20 | 深圳市创捷科技有限公司 | 一种智慧医院可视化管控平台 |
CN113436747A (zh) * | 2021-07-20 | 2021-09-24 | 四川省医学科学院·四川省人民医院 | 一种基于医疗数据分析模型的医疗数据临床辅助系统及其方法 |
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000077665A2 (en) * | 1999-06-11 | 2000-12-21 | Clinical Dynamics, Inc. | Method and apparatus for automatically allocating staffing |
CN106611285A (zh) * | 2016-07-25 | 2017-05-03 | 李平 | 智能化卫生人力资源配置系统 |
CN111832966A (zh) * | 2020-07-24 | 2020-10-27 | 山东中医药大学 | 中医类医院区域画像构建方法及系统 |
CN113140301A (zh) * | 2021-04-27 | 2021-07-20 | 深圳市创捷科技有限公司 | 一种智慧医院可视化管控平台 |
CN113436747A (zh) * | 2021-07-20 | 2021-09-24 | 四川省医学科学院·四川省人民医院 | 一种基于医疗数据分析模型的医疗数据临床辅助系统及其方法 |
Non-Patent Citations (9)
Title |
---|
"一院多区"同质化服务难点分析与管理策略;翟书会;李无阴;刘伟;杜霄;张冬纳;裴佳;;中国卫生质量管理;20200928(第05期);全文 * |
Hospital Resource Planning for Mass Casualty Incidents: Limitations for Coping with Multiple Injured Patients;Staribacher, D等;HEALTHCARE;20231031;2713 * |
公立医院医疗集团化模式下院区与分院的选择及改善策略;张远妮;姜虹;;医学与社会;20180710(第07期);全文 * |
军队医院一院多区护理同质化管理的做法;赵丽;郑喜灿;潘文文;李玲;;解放军医院管理杂志;20200830(第08期);101-103 * |
分级诊疗背景下医院人力资源配置的合理性研究;季舒铭;王维;张佩;曾诚;李林键;余飞;周晓媛;;中国循证医学杂志;20200925(第09期);全文 * |
北京市卫生人力资源配置及医院效率分析;王丹;石学峰;王宗武;马晨骋;袁淑婷;;中国社会医学杂志;20180626(第03期);93-96 * |
医院人力资源管理系统的设计与实现;曾琴;硕士论文库;20180716(第8期);全文 * |
医院人力资源管理系统评价方法研究;邓俊娜;万莉;;医学信息(上旬刊);20110805(第08期);全文 * |
四川省整合型医疗卫生服务体系评价指标体系构建;黄薇;中国医院;20230401;第27卷(第4期);全文 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104951894A (zh) | 医院疾病管理智能分析和评估系统 | |
Venkateswaran et al. | eRegQual—an electronic health registry with interactive checklists and clinical decision support for improving quality of antenatal care: study protocol for a cluster randomized trial | |
Zhu et al. | Evaluating the renewal degree for expressway regeneration projects based on a model integrating the fuzzy Delphi method, the fuzzy AHP method, and the TOPSIS method | |
US8620686B1 (en) | Method for dynamic geospatial analysis with collaborative decision making | |
Srikanth et al. | Protecting Tribal Peoples Nearby Patient Care Centres Use a Hybrid Technique Based on a Distribution Network | |
Craswell et al. | Perinatal data collection: current practice in the Australian nursing and midwifery healthcare context | |
Feng et al. | Data-driven hospital personnel scheduling optimization through patients prediction | |
CN117933954B (zh) | 基于临床专科能力的多院区人力资源配置评价方法和系统 | |
Márquez | Internet of Things | |
Letunovska et al. | Analysis of health care system development in the regions amidst the economic inclusiveness and social determinants of health | |
CN117933954A (zh) | 基于临床专科能力的多院区人力资源配置评价方法和系统 | |
Agbehadji et al. | Review of Big Data, Artificial Intelligence and Nature-Inspired Computing Models for Performance Improvement towards Detection of COVID-19 Pandemic Case and Contact Tracing | |
Gilbert et al. | Health information work: A scoping review | |
CN101201926A (zh) | 社区卫生服务计算机网络综合评价分析系统 | |
Samoilenko et al. | Design of a modular DSS for public health decision-making in the context of a COVID-19 pandemic landscape | |
Nykänen et al. | Maternal and child health care quality assessment: An improved approach using K-means clustering | |
Wang et al. | The sequence analysis of hospitals that established social work department under fuzzy environment | |
Xu et al. | Health level assessment of residents in Fujian province based on fuzzy comprehensive evaluation model | |
Kaduruwane | An empirical investigation of health information system failure in regional Sri Lanka | |
Stevenson et al. | Opportunities to reduce road traffic injury: new insights from the study of urban areas | |
Hao et al. | Assessing resource allocation based on workload: a data envelopment analysis study on clinical departments in a class a tertiary public hospital in China | |
Deshpande et al. | A Pythagorean Fuzzy AHP Approach to Evaluate the Enablers of Healthcare Operations | |
Pedersen et al. | Medical evacuations in Greenland in 2018: a descriptive study | |
Kavroudakis et al. | Geographical Analysis of Emergency Evacuations in the Aegean Sea: Towards the Utilization of Big Data Analytics | |
Huerta et al. | Using Data Science Software to Address Health Disparities |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |