CN117995371A - 一种基于物联网的医院药物资源管理方法及系统 - Google Patents
一种基于物联网的医院药物资源管理方法及系统 Download PDFInfo
- Publication number
- CN117995371A CN117995371A CN202410391437.6A CN202410391437A CN117995371A CN 117995371 A CN117995371 A CN 117995371A CN 202410391437 A CN202410391437 A CN 202410391437A CN 117995371 A CN117995371 A CN 117995371A
- Authority
- CN
- China
- Prior art keywords
- medicine
- drug
- internet
- intelligent
- things
- 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
- 239000003814 drug Substances 0.000 title claims abstract description 360
- 238000007726 management method Methods 0.000 title claims abstract description 112
- 229940079593 drug Drugs 0.000 claims abstract description 158
- 230000002787 reinforcement Effects 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000009471 action Effects 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 40
- 230000001932 seasonal effect Effects 0.000 claims description 23
- 230000000694 effects Effects 0.000 claims description 17
- 230000007704 transition Effects 0.000 claims description 17
- 230000001788 irregular Effects 0.000 claims description 15
- 230000002354 daily effect Effects 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 125000004122 cyclic group Chemical group 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000003203 everyday effect Effects 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 6
- 238000013468 resource allocation Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000013112 stability test Methods 0.000 claims description 5
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 4
- 230000008901 benefit Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 2
- 201000010099 disease Diseases 0.000 abstract description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 3
- 239000003795 chemical substances by application Substances 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000007774 longterm Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000001744 unit root test Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于物联网的医院药物资源管理方法及系统，涉及药物管理领域，该方法包括以下步骤：配置若干智能药柜，并通过智能药柜存放药物，且建立药物资源数据库，并通过药物资源数据库对药物信息进行管理；对物联网网关进行部署，并通过物联网网关连接若干智能药柜，以及智能药柜与药物资源数据库；基于移动应用程序实现药物的使用及归还；基于强化学习对药物进行资源管理，并对强化学习模型进行评估。本发明基于强化学习模型对药物进行资源管理，与人工或其他算法进行比较，找出最优的药物资源管理方式；强化学习算法可以根据不同的科室、病种、患者等因素，分析药品资源的需求和消耗情况，以优化药品资源的配置和使用。
Description
技术领域
本发明涉及药物管理领域，具体来说，涉及一种基于物联网的医院药物资源管理方法及系统。
背景技术
医院药物资源管理是指医院对药物的采购、存储、分发、使用、监控等环节的有效管理，以保证药物的质量、安全、合理和经济，满足医疗服务的需要。医院药物资源管理是医院管理的重要组成部分，关系到医院的运行效率、服务质量和患者满意度。然而，目前我国医院药物资源管理还存在一些问题和挑战，如：药物资源配置不合理，导致药物浪费或缺货；药物信息管理不完善，导致药物管理的低效和不安全；药物使用管理不规范，导致服务质量和满意度下降。为了解决上述问题，亟需一种基于物联网的医院药物资源管理方法。
例如中国专利201280046124.2公开了药物信息管理装置及药物信息管理方法，其包括基于不良情况信息的次数信息和给与程度信息同给与次数信息的关联信息，生成并存储给与次数及程度同不良情况次数程度信息的关联信息，并生成药物分析信息。但是上述方法还存在以下不足：现有技术进行药物资源的配置时依赖于人工或者一些简单的算法，存在不够灵活、智能和自适应的问题，不能及时地根据药物资源的实时情况和需求变化来做出最优的决策。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题，本发明提出一种基于物联网的医院药物资源管理方法及系统，以克服现有相关技术所存在的上述技术问题。
为此，本发明采用的具体技术方案如下：
根据本发明的一个方面，提供了一种基于物联网的医院药物资源管理方法，该方法包括以下步骤：
S1、配置若干智能药柜，并通过智能药柜存放药物，且建立药物资源数据库，并通过药物资源数据库对药物信息进行管理。
S2、对物联网网关进行部署，并通过物联网网关连接若干智能药柜，以及智能药柜与药物资源数据库。
S3、基于移动应用程序实现药物的使用及归还。
S4、基于强化学习对药物进行资源管理，并对强化学习模型进行评估。
可选地，配置若干智能药柜，并通过智能药柜存放药物，且建立药物资源数据库，并通过药物资源数据库对药物信息进行管理包括以下步骤：
S11、在医院的各个药物存放区域均配置智能药柜，且位于每个智能药柜内部配置若干药盒，每个药盒对应一种药物，同时在每个药盒上安装有射频识别标签；
S12、建立药物资源数据库，并存储各个智能药柜的信息。
可选地，为了实现药物的自动识别、计数、存取、追溯等功能，以及药物信息的实时收集、传输、存储、分析等功能，基于移动应用程序实现药物的使用及归还包括以下步骤：
S31、在医院的工作人员及患者的移动设备上安装移动应用程序；
S32、若工作人员或患者使用任意药物时，通过移动应用程序查询对应药物的库存情况，并向指定的智能药柜发出申请，且移动应用程序生成二维码，并指示工作人员或患者到达智能药柜处；
S33、若工作人员或患者到达药柜处，则通过扫描二维码验证身份，打开智能药柜并自动控制相应的药盒打开。
可选地，为了找出最优的药物资源管理方式，基于强化学习对药物进行资源管理，并对强化学习模型进行评估包括以下步骤：
S41、将药物资源管理问题转换为马尔可夫决策过程，并以自然日为时间步，以月份为情节，以药物使用效率及效果为奖赏函数；
S42、采用强化学习算法，并通过记录及重演状态转移序列，且更新状态动作值函数，同时得到药物资源配置策略；
S43、利用历史数据训练强化学习模型，并用测试数据验证强化学习模型的效果。
可选地，将药物资源管理问题转换为马尔可夫决策过程，并以自然日为时间步，以月份为情节，以药物使用效率及效果为奖赏函数包括以下步骤：
S411、确定状态空间：对各种药物的库存量、有效期、需求量信息进行确定；
S412、确定动作空间：对采购、报废及调拨操作进行确定；
S413、确定转移概率：对每日统计的药物流入和流出的分布进行确定及预测；
S414、确定奖赏函数：根据药物使用效率和效果计算每个状态动作对的期望收益。
可选地，采用强化学习算法，并通过记录及重演状态转移序列，更新状态动作值函数，同时得到药物资源配置策略包括以下步骤：
S421、初始化状态动作值函数为零或随机值；
S422、选择探索性的策略；
S423、生成一个情节，且从初始状态开始，并根据策略选择动作，观察转移状态和奖赏，直到达到终止状态；
S424、重演每个情节中的每一步，并根据蒙特卡洛方法更新状态动作值函数；
S425、重复S421-S424，直至状态动作值函数收敛或达到预设的迭代次数。
可选地，利用历史数据训练强化学习模型，并用测试数据验证强化学习模型的效果包括以下步骤：
S431、获取药物资源的历史数据；
S432、用药物资源的历史数据模拟情节，并用得到的状态动作值函数指导药物资源的配置决策；
S433、计算药物资源的历史数据上的总奖赏和平均奖赏，并与其他药物资源管理方式进行比较。
可选地，对每日统计的药物流入和流出的分布进行确定及预测包括以下步骤：
S41301、将原始的药物流量数据建立时间序列；
S41302、对时间序列进行季节调整，并将时间序列分解为趋势循环项、季节因子及不规则因子；
S41303、对趋势循环项的序列进行平稳性检验；
S41304、根据平稳性检验的结果，选择时间序列模型；
S41305、对所选时间序列模型进行参数估计、模型识别及模型检验；
S41306、利用所选时间序列模型对趋势循环项进行预测，并给出预测区间及置信水平；
S41307、对季节不规则项的序列进行物理原理化拟合处理与预测，确定药物流量的影响因素；
S41308、将影响因素作为自变量，将季节不规则项作为因变量，采用广义线性模型对季节不规则项进行拟合；
S41309、选择回归模型，并对所选回归模型进行参数估计、模型识别及模型检验；
S41310、利用所选回归模型对季节不规则项进行预测，并给出预测区间及置信水平；
S41311、对药物的逐日流量预测值进行修正。
可选地，对药物的逐日流量预测值进行修正时，利用预测公式将趋势循环项和季节不规则项相加，得到药品的逐日流量预测值；
其中，预测公式为：
；
式中，X a 表示在时间点a时原始的药品流量数据，X表示原始的药品流量数据；
TC a 表示在时间点a时的趋势循环项，TC表示趋势循环项；
SI a 表示在时间点a时的季节因子与不规则因子之和，SI表示季节因子与不规则因子之和。
根据本发明的另一方面，提供了一种基于物联网的医院药物资源管理系统，该系统包括智能药柜管理模块、物联网药柜管理模块、药物使用管理模块及药物资源管理模块。其中，物联网药柜管理模块分别与智能药柜管理模块、药物使用管理模块及药物资源管理模块连接。
智能药柜管理模块，用于配置若干智能药柜，并通过智能药柜存放药物，且建立药物资源数据库，并通过药物资源数据库对药物信息进行管理。
物联网药柜管理模块，用于对物联网网关进行部署，并通过物联网网关连接若干智能药柜，以及智能药柜与药物资源数据库。
药物使用管理模块，用于基于移动应用程序实现药物的使用及归还。
药物资源管理模块，用于基于强化学习对药物进行资源管理，并对强化学习模型进行评估。
本发明的有益效果为：
（1）本发明提供的一种基于物联网的医院药物资源管理方法及系统，实现药物信息的实时更新和同步，提高药物管理的准确性和效率。通过使用RFID标签、智能药柜、物联网网关等设备，可以实现药物的自动识别、计数、存取、追溯等功能，以及药物信息的实时收集、传输、存储、分析等功能。通过使用移动应用程序、二维码等工具，可以实现药物使用者的身份验证、权限管理、申请领取、归还报废等操作，以及药物使用的便捷化、规范化、可追溯化等特点。
（2）本发明基于强化学习模型对药物进行资源管理，与人工或其他算法进行比较，找出最优的药物资源管理方式。强化学习算法可以通过实验来评估其性能和效果，并与其他可能的药物资源管理方式进行对比，从而选择最适合实际情况的方法。强化学习算法可以根据不同的科室、病种、患者等因素，分析药品资源的需求和消耗情况，以优化药品资源的配置和使用。同时本发明对每日统计的药物流入和流出的分布进行确定及预测，可以根据药物流量的变化趋势和规律，合理地安排药物的生产、采购、储存和配送，从而提高药物的利用效率和降低药物的浪费，且满足不同时间段和不同地区的药物需求，提高药物的服务水平和用户满意度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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是根据本发明实施例的一种基于物联网的医院药物资源管理方法的流程图；
图2是根据本发明实施例的一种基于物联网的医院药物资源管理系统的原理框图。
图中：
1、智能药柜管理模块；2、物联网药柜管理模块；3、药物使用管理模块；4、药物资源管理模块。
具体实施方式
为进一步说明各实施例，本发明提供有附图，这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理，配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点，图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例，提供了一种基于物联网的医院药物资源管理方法及系统。
现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明的一个实施例，提供了一种基于物联网的医院药物资源管理方法，该方法包括以下步骤：
S1、配置若干智能药柜，并通过智能药柜存放药物，且建立药物资源数据库，并通过药物资源数据库对药物信息进行管理。
在进一步的实施例中，配置若干智能药柜，并通过智能药柜存放药物，且建立药物资源数据库，并通过药物资源数据库对药物信息进行管理包括以下步骤：
S11、在医院的各个药物存放区域均配置智能药柜，且位于每个智能药柜内部配置若干药盒，每个药盒对应一种药物，同时在每个药盒上安装有射频识别（RFID）标签，用于记录药物的名称、数量、有效期等信息；
S12、建立药物资源数据库，并存储各个智能药柜的位置、状态、容量等信息，以及各种药物的基本信息、库存量、采购计划等信息。
S2、在医院的网络中，对物联网网关进行部署，并通过物联网网关连接若干智能药柜，以及智能药柜与药物资源数据库，实现药物数据的双向传输和同步。
S3、基于移动应用程序实现药物的使用及归还。
在进一步的实施例中，基于移动应用程序实现药物的使用及归还包括以下步骤：
S31、在医院的工作人员及患者的移动设备上安装移动应用程序，用于查询、申请、领取、归还、报废等操作；
S32、若工作人员或患者使用任意药物时，通过移动应用程序查询对应药物的库存情况，并向指定的智能药柜发出申请，且移动应用程序生成二维码，并指示工作人员或患者到达智能药柜处；
S33、若工作人员或患者到达药柜处，则通过扫描二维码或刷卡等方式验证身份，打开智能药柜并自动控制相应的药盒打开。同时移动应用程序会记录申请者的信息、取出时间、取出数量等信息，并将这些信息上传到信息管理系统和RFID标签中。此外，当工作人员或患者使用完毕后，可以通过移动应用程序发出归还请求，并将剩余的药物放回原来的药盒中。此时，移动应用程序会根据归还内容，自动控制相应的药盒关闭，并提示申请者离开。同时，移动应用程序会记录归还时间、归还数量等信息，并将这些信息上传到信息管理系统和RFID标签中。
S4、基于强化学习对药物进行资源管理，并对强化学习模型进行评估。
在进一步的实施例中，基于强化学习对药物进行资源管理，并对强化学习模型进行评估包括以下步骤：
S41、将药物资源管理问题转换为马尔可夫决策过程，并以自然日为时间步，以月份为情节，以药物使用效率及效果为奖赏函数；将实际的药物资源管理问题抽象化为一个数学模型，便于用强化学习算法来求解，决定了强化学习问题的要素和结构。基于马尔可夫性质，即假设智能体的行为只依赖于当前的状态，而不依赖于过去的历史。
S42、采用强化学习算法（模型无关的情节控制算法），并通过记录及重演状态转移序列，且更新状态动作值函数，同时得到药物资源配置策略；通过与环境的交互，让智能体学习最优的行为策略，即在每个状态下选择能够最大化长期奖赏的动作。基于值函数逼近，即用一个函数来估计每个状态动作对的价值，即从该状态动作对开始所能获得的期望长期奖赏。
S43、利用历史数据训练强化学习模型，并用测试数据验证强化学习模型的效果。
在进一步的实施例中，将药物资源管理问题转换为马尔可夫决策过程，并以自然日为时间步，以月份为情节，以药物使用效率及效果为奖赏函数包括以下步骤：
S411、确定状态空间：对各种药物的库存量、有效期、需求量等信息进行确定；描述药物资源管理问题中的所有可能的状态，即智能体所面临的不同情况。基于状态空间的定义，即一个集合，其中每个元素代表一个状态。
S412、确定动作空间：对采购、报废及调拨等操作进行确定；描述药品资源管理问题中的所有可能的动作，即智能体所能采取的不同行为。基于动作空间的定义，即一个集合，其中每个元素代表一个动作。
S413、确定转移概率：对每日统计的药物流入和流出的分布进行确定及预测；描述药品资源管理问题中的状态转移规律，即智能体在采取某个动作后，从一个状态转移到另一个状态的概率。基于转移概率矩阵或函数的定义，即一个表格或公式，其中每个元素或值代表一个转移概率。同时可以根据药物流量的变化趋势和规律，合理地安排药物的生产、采购、储存和配送。
S414、确定奖赏函数：根据药物使用效率和效果计算每个状态动作对的期望收益。描述药品资源管理问题中的目标函数，即智能体在采取某个动作后，从环境中获得的反馈或奖励。基于奖赏函数的定义，即一个函数或规则，其中每个输入或参数代表一个状态动作对，每个输出或值代表一个奖励。
在进一步的实施例中，采用强化学习算法，并通过记录及重演状态转移序列，更新状态动作值函数，同时得到药物资源配置策略包括以下步骤：
S421、初始化状态动作值函数为零或随机值。
S422、选择探索性的策略，如ε-贪心策略或softmax策略；为智能体提供一个行为指导，即在每个状态下如何选择动作。基于探索与利用的平衡，即在学习过程中，智能体既要利用已有的知识来选择最优的动作，又要探索未知的状态动作对来获取新的知识。
S423、生成一个情节，且从初始状态开始，并根据策略选择动作，观察转移状态和奖赏，直到达到终止状态；模拟智能体与环境的交互过程，即智能体在药品资源管理问题中所经历的一系列状态转移和奖赏获取。基于情节式学习，即假设每个情节都是独立且完整的学习单元，即从一个初始状态开始，经过一系列决策和反馈，最终达到一个终止状态。
S424、重演每个情节中的每一步，并根据蒙特卡洛方法更新状态动作值函数；蒙特卡洛方法是一种基于采样的强化学习算法，它可以用来估计状态动作值函数，即从某个状态动作对开始所能获得的期望长期奖赏。
S425、重复S421-S424，直至状态动作值函数收敛或达到预设的迭代次数。
在进一步的实施例中，利用历史数据训练强化学习模型，并用测试数据验证强化学习模型的效果包括以下步骤：
S431、获取药物资源的历史数据；
S432、用药物资源的历史数据模拟情节，并用得到的状态动作值函数指导药物资源的配置决策；
S433、计算药物资源的历史数据上的总奖赏和平均奖赏，并与其他药物资源管理方式进行比较。
在进一步的实施例中，对每日统计的药物流入和流出的分布进行确定及预测包括以下步骤：
S41301、将原始的药物流量数据建立时间序列。
S41302、对时间序列进行季节调整，并将时间序列分解为趋势循环项、季节因子及不规则因子。
S41303、对趋势循环项的序列进行平稳性检验，如单位根检验或白噪声检验等。
S41304、根据平稳性检验的结果，选择合适的时间序列模型，如自回归移动平均模型（ARMA）、自回归整合移动平均模型（ARIMA）、季节性自回归整合移动平均模型（SARIMA）等；即若时间序列是平稳的，那么可以直接使用自回归移动平均模型（ARMA）等模型进行拟合和预测；若时间序列是非平稳的，那么需要进行差分或其他转换，使之成为平稳的，然后使用自回归整合移动平均模型（ARIMA）等模型进行拟合和预测。
S41305、利用已有数据对所选时间序列模型进行参数估计、模型识别及模型检验。
S41306、利用所选时间序列模型对趋势循环项进行预测，并给出预测区间及置信水平。
S41307、对季节不规则项的序列进行物理原理化拟合处理与预测，确定药物流量的影响因素；如逐日药物需求量、逐日药物库存量、逐日药物价格变动等。
S41308、将影响因素作为自变量，将季节不规则项作为因变量，采用广义线性模型对季节不规则项进行拟合。
S41309、选择回归模型，并对所选回归模型进行参数估计、模型识别及模型检验。
S41310、利用所选回归模型对季节不规则项进行预测，并给出预测区间及置信水平。
S41311、对药物的逐日流量预测值进行修正。
在进一步的实施例中，对药物的逐日流量预测值进行修正时，利用预测公式将趋势循环项和季节不规则项相加，得到药品的逐日流量预测值；
其中，预测公式为：
；
式中，X a 表示在时间点a时原始的药品流量数据，X表示原始的药品流量数据；
TC a 表示在时间点a时的趋势循环项，TC表示趋势循环项；
SI a 表示在时间点a时的季节因子与不规则因子之和，SI表示季节因子与不规则因子之和；
a表示时间点，一般为月份。
如图2所示，根据本发明的另一实施例，提供了一种基于物联网的医院药物资源管理系统，该系统包括智能药柜管理模块1、物联网药柜管理模块2、药物使用管理模块3及药物资源管理模块4；其中，物联网药柜管理模块2分别与智能药柜管理模块1、药物使用管理模块3及药物资源管理模块4连接。
智能药柜管理模块1，用于配置若干智能药柜，并通过智能药柜存放药物，且建立药物资源数据库，并通过药物资源数据库对药物信息进行管理。
物联网药柜管理模块2，用于对物联网网关进行部署，并通过物联网网关连接若干智能药柜，以及智能药柜与药物资源数据库。
药物使用管理模块3，用于基于移动应用程序实现药物的使用及归还。
药物资源管理模块4，用于基于强化学习对药物进行资源管理，并对强化学习模型进行评估。
综上所述，本发明提供的一种基于物联网的医院药物资源管理方法及系统，实现药物信息的实时更新和同步，提高药物管理的准确性和效率。通过使用RFID标签、智能药柜、物联网网关等设备，可以实现药物的自动识别、计数、存取、追溯等功能，以及药物信息的实时收集、传输、存储、分析等功能。通过使用移动应用程序、二维码等工具，可以实现药物使用者的身份验证、权限管理、申请领取、归还报废等操作，以及药物使用的便捷化、规范化、可追溯化等特点。本发明基于强化学习模型对药物进行资源管理，与人工或其他算法进行比较，找出最优的药物资源管理方式。强化学习算法可以通过实验来评估其性能和效果，并与其他可能的药物资源管理方式进行对比，从而选择最适合实际情况的方法。强化学习算法可以根据不同的科室、病种、患者等因素，分析药品资源的需求和消耗情况，以优化药品资源的配置和使用。同时本发明对每日统计的药物流入和流出的分布进行确定及预测，可以根据药物流量的变化趋势和规律，合理地安排药物的生产、采购、储存和配送，从而提高药物的利用效率和降低药物的浪费，且满足不同时间段和不同地区的药物需求，提高药物的服务水平和用户满意度。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于物联网的医院药物资源管理方法，其特征在于，该方法包括以下步骤：
S1、配置若干智能药柜，并通过智能药柜存放药物，且建立药物资源数据库，并通过药物资源数据库对药物信息进行管理；
S2、对物联网网关进行部署，并通过物联网网关连接若干智能药柜，以及智能药柜与药物资源数据库；
S3、基于移动应用程序实现药物的使用及归还；
S4、基于强化学习对药物进行资源管理，并对强化学习模型进行评估。
2.根据权利要求1所述的一种基于物联网的医院药物资源管理方法，其特征在于，所述配置若干智能药柜，并通过智能药柜存放药物，且建立药物资源数据库，并通过药物资源数据库对药物信息进行管理包括以下步骤：
S11、在医院的各个药物存放区域均配置智能药柜，且位于每个智能药柜内部配置若干药盒，每个药盒对应一种药物，同时在每个药盒上安装有射频识别标签；
S12、建立药物资源数据库，并存储各个智能药柜的信息。
3.根据权利要求1所述的一种基于物联网的医院药物资源管理方法，其特征在于，所述基于移动应用程序实现药物的使用及归还包括以下步骤：
S31、在医院的工作人员及患者的移动设备上安装移动应用程序；
S32、若工作人员或患者使用任意药物时，通过移动应用程序查询对应药物的库存情况，并向指定的智能药柜发出申请，且移动应用程序生成二维码，并指示工作人员或患者到达智能药柜处；
S33、若工作人员或患者到达药柜处，则通过扫描二维码验证身份，打开智能药柜并自动控制相应的药盒打开。
4.根据权利要求1所述的一种基于物联网的医院药物资源管理方法，其特征在于，所述基于强化学习对药物进行资源管理，并对强化学习模型进行评估包括以下步骤：
S41、将药物资源管理问题转换为马尔可夫决策过程，并以自然日为时间步，以月份为情节，以药物使用效率及效果为奖赏函数；
S42、采用强化学习算法，并通过记录及重演状态转移序列，且更新状态动作值函数，同时得到药物资源配置策略；
S43、利用历史数据训练强化学习模型，并用测试数据验证强化学习模型的效果。
5.根据权利要求4所述的一种基于物联网的医院药物资源管理方法，其特征在于，所述将药物资源管理问题转换为马尔可夫决策过程，并以自然日为时间步，以月份为情节，以药物使用效率及效果为奖赏函数包括以下步骤：
S411、确定状态空间：对各种药物的库存量、有效期、需求量信息进行确定；
S412、确定动作空间：对采购、报废及调拨操作进行确定；
S413、确定转移概率：对每日统计的药物流入和流出的分布进行确定及预测；
S414、确定奖赏函数：根据药物使用效率和效果计算每个状态动作对的期望收益。
6.根据权利要求5所述的一种基于物联网的医院药物资源管理方法，其特征在于，所述采用强化学习算法，并通过记录及重演状态转移序列，更新状态动作值函数，同时得到药物资源配置策略包括以下步骤：
S421、初始化状态动作值函数为零或随机值；
S422、选择探索性的策略；
S423、生成一个情节，且从初始状态开始，并根据策略选择动作，观察转移状态和奖赏，直到达到终止状态；
S424、重演每个情节中的每一步，并根据蒙特卡洛方法更新状态动作值函数；
S425、重复S421-S424，直至状态动作值函数收敛或达到预设的迭代次数。
7.根据权利要求4所述的一种基于物联网的医院药物资源管理方法，其特征在于，所述利用历史数据训练强化学习模型，并用测试数据验证强化学习模型的效果包括以下步骤：
S431、获取药物资源的历史数据；
S432、用药物资源的历史数据模拟情节，并用得到的状态动作值函数指导药物资源的配置决策；
S433、计算药物资源的历史数据上的总奖赏和平均奖赏，并与其他药物资源管理方式进行比较。
8.根据权利要求5所述的一种基于物联网的医院药物资源管理方法，其特征在于，所述对每日统计的药物流入和流出的分布进行确定及预测包括以下步骤：
S41301、将原始的药物流量数据建立时间序列；
S41302、对时间序列进行季节调整，并将时间序列分解为趋势循环项、季节因子及不规则因子；
S41303、对趋势循环项的序列进行平稳性检验；
S41304、根据平稳性检验的结果，选择时间序列模型；
S41305、对所选时间序列模型进行参数估计、模型识别及模型检验；
S41306、利用所选时间序列模型对趋势循环项进行预测，并给出预测区间及置信水平；
S41307、对季节不规则项的序列进行物理原理化拟合处理与预测，确定药物流量的影响因素；
S41308、将影响因素作为自变量，将季节不规则项作为因变量，采用广义线性模型对季节不规则项进行拟合；
S41309、选择回归模型，并对所选回归模型进行参数估计、模型识别及模型检验；
S41310、利用所选回归模型对季节不规则项进行预测，并给出预测区间及置信水平；
S41311、对药物的逐日流量预测值进行修正。
9.根据权利要求8所述的一种基于物联网的医院药物资源管理方法，其特征在于，所述对药物的逐日流量预测值进行修正时，利用预测公式将趋势循环项和季节不规则项相加，得到药品的逐日流量预测值；
其中，预测公式为：
；
式中，X a 表示在时间点a时原始的药品流量数据，X表示原始的药品流量数据；
TC a 表示在时间点a时的趋势循环项，TC表示趋势循环项；
SI a 表示在时间点a时的季节因子与不规则因子之和，SI表示季节因子与不规则因子之和。
10.一种基于物联网的医院药物资源管理系统，用于实现权利要求1-9任一项所述的基于物联网的医院药物资源管理方法，其特征在于，该系统包括智能药柜管理模块、物联网药柜管理模块、药物使用管理模块及药物资源管理模块；
其中，所述物联网药柜管理模块分别与所述智能药柜管理模块、所述药物使用管理模块及所述药物资源管理模块连接；
所述智能药柜管理模块，用于配置若干智能药柜，并通过智能药柜存放药物，且建立药物资源数据库，并通过药物资源数据库对药物信息进行管理；
所述物联网药柜管理模块，用于对物联网网关进行部署，并通过物联网网关连接若干智能药柜，以及智能药柜与药物资源数据库；
所述药物使用管理模块，用于基于移动应用程序实现药物的使用及归还；
所述药物资源管理模块，用于基于强化学习对药物进行资源管理，并对强化学习模型进行评估。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410391437.6A CN117995371B (zh) | 2024-04-02 | 2024-04-02 | 一种基于物联网的医院药物资源管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410391437.6A CN117995371B (zh) | 2024-04-02 | 2024-04-02 | 一种基于物联网的医院药物资源管理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117995371A true CN117995371A (zh) | 2024-05-07 |
| CN117995371B CN117995371B (zh) | 2024-06-18 |
Family
ID=90887650
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410391437.6A Active CN117995371B (zh) | 2024-04-02 | 2024-04-02 | 一种基于物联网的医院药物资源管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117995371B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115331796A (zh) * | 2022-10-17 | 2022-11-11 | 中科厚立信息技术(成都)有限公司 | 基于强化学习的病床资源配置优化方法、系统及终端 |
| CN116548746A (zh) * | 2023-02-17 | 2023-08-08 | 中国人民解放军空军军医大学 | 集成药柜及基于集成药柜的中药处方接方和发药管理系统 |
| CN117153356A (zh) * | 2023-09-13 | 2023-12-01 | 云知声智能科技股份有限公司 | 一种用于企业的智能药柜管理方法及装置 |
| CN117316409A (zh) * | 2023-10-13 | 2023-12-29 | 泰兴市人民医院 | 一种基于大数据的医院信息管理方法及系统 |
| CN117690563A (zh) * | 2023-12-18 | 2024-03-12 | 中国人民解放军总医院第四医学中心 | 方舱医院的器械智能分配系统 |
| CN117710156A (zh) * | 2024-02-05 | 2024-03-15 | 深圳市金众工程检验检测有限公司 | 一种基于大数据的公路施工优化方法及系统 |
-
2024
- 2024-04-02 CN CN202410391437.6A patent/CN117995371B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115331796A (zh) * | 2022-10-17 | 2022-11-11 | 中科厚立信息技术(成都)有限公司 | 基于强化学习的病床资源配置优化方法、系统及终端 |
| CN116548746A (zh) * | 2023-02-17 | 2023-08-08 | 中国人民解放军空军军医大学 | 集成药柜及基于集成药柜的中药处方接方和发药管理系统 |
| CN117153356A (zh) * | 2023-09-13 | 2023-12-01 | 云知声智能科技股份有限公司 | 一种用于企业的智能药柜管理方法及装置 |
| CN117316409A (zh) * | 2023-10-13 | 2023-12-29 | 泰兴市人民医院 | 一种基于大数据的医院信息管理方法及系统 |
| CN117690563A (zh) * | 2023-12-18 | 2024-03-12 | 中国人民解放军总医院第四医学中心 | 方舱医院的器械智能分配系统 |
| CN117710156A (zh) * | 2024-02-05 | 2024-03-15 | 深圳市金众工程检验检测有限公司 | 一种基于大数据的公路施工优化方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117995371B (zh) | 2024-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kong et al. | Appointment scheduling under time-dependent patient no-show behavior | |
| Zeinali et al. | Resource planning in the emergency departments: A simulation-based metamodeling approach | |
| He et al. | The timing of staffing decisions in hospital operating rooms: incorporating workload heterogeneity into the newsvendor problem | |
| US20180261319A1 (en) | Nurse scheduling forecasts using empirical regression modeling | |
| CN109659017A (zh) | 一种预测、分配医生就诊量的智慧医疗系统 | |
| Srinivas et al. | Designing schedule configuration of a hybrid appointment system for a two-stage outpatient clinic with multiple servers | |
| CN108281195A (zh) | 一种医疗数据的管理方法及系统 | |
| Guo et al. | Using simulation and optimisation to characterise durations of emergency department service times with incomplete data | |
| US20220172830A1 (en) | Controlling hospital operations using causal models | |
| US20230237346A1 (en) | Integrated hospital logistics management system using ai technology, and integrated hospital logistics management method using same | |
| CN113871020B (zh) | 一种基于ai机器学习的急危重症诊后健康管理方法及系统 | |
| Qiu et al. | MRI appointment scheduling with uncertain examination time | |
| CN111951946A (zh) | 基于深度学习的手术排班系统、方法、存储介质和终端 | |
| Zahedi et al. | Risk management framework in Agile software development methodology. | |
| Branting et al. | Integrating cases and models for prediction in biological systems | |
| Machot et al. | Behavior modeling and reasoning for ambient support: HCM-L modeler | |
| Poursoltan et al. | Application of risk management for discrete event simulation projects in healthcare systems | |
| CN117995371B (zh) | 一种基于物联网的医院药物资源管理方法及系统 | |
| Zhu et al. | Scalable approximate policies for Markov decision process models of hospital elective admissions | |
| US12057230B2 (en) | Methods and systems for defining clinical pathway deviation rules | |
| Satterfield et al. | Application of structural case-based reasoning to activity recognition in smart home environments | |
| Apeldoorn et al. | Learning behavioral rules from multi-agent simulations for optimizing hospital processes | |
| Clerkin et al. | A decision support system for hospital bed assignment | |
| Wang et al. | Wasserstein distributionally robust surgery scheduling with elective and emergency patients | |
| Rischmeyer | Machine learning as key technology of AI: Automated workforce planning |
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 |