TWI710998B - 應用在智能型叫號代理器之叫號排序方法 - Google Patents
應用在智能型叫號代理器之叫號排序方法 Download PDFInfo
- Publication number
- TWI710998B TWI710998B TW108122419A TW108122419A TWI710998B TW I710998 B TWI710998 B TW I710998B TW 108122419 A TW108122419 A TW 108122419A TW 108122419 A TW108122419 A TW 108122419A TW I710998 B TWI710998 B TW I710998B
- Authority
- TW
- Taiwan
- Prior art keywords
- registered
- calling
- block
- waiting time
- numbers
- Prior art date
Links
Images
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一種應用在智能型叫號代理器之叫號排序方法,透過機器學習叫號者之排序方式與叫號習慣後,代理叫號者進行排序與叫號的機器,叫號排序方法,包含下列步驟:輸入一掛號資訊、進行一決策步驟,透過決策點由上而下篩選,以形成數個終結點,該終結點依其重要性由大至小排序;進行一函數轉換步驟,若兩個以上掛號資訊同時存在於相同終結點上,則將該掛號資訊透過函數y=αχ1+βχ2+C進進行轉換,其中χ1為等待號碼距離參數,χ2為等待時間參數,α與β為特定比值權重,C為0或常數,轉換出的y值依序由大至小排序;及進行一叫號步驟,優先從終結點依重要性由大至小叫號,若兩個以上該掛號資訊同時存在於相同終結點上,由y值依序由大至小叫號。
Description
本發明是有關一種叫號排序方法,應用在智能型叫號代理器,透過機器學習叫號者之習慣,爾後替代叫號者進行排序與叫號的機器,而其中的叫號排序方法特別是指一種根據已掛號及報到者之個人資料特性(如年齡、性別、殘障等),進行決策排序順位,爾後再以報到者之號碼距離現在看診燈號距離多少號碼以及已等待的時間長短,將兩個參數轉化成一個數學函數的方法。
提供事先登記、訂位與現場報到的服務提供業者例如餐廳、銀行、醫院等,為了提供客戶方便取得服務的環境,一般除了提供客服電話的傳統服務模式外,也可能架設網路伺服器提供事先登記或掛號的功能,登記的順序一般就是取得服務的順序。
以醫院為例,醫院為了提供方便的就診環境,一般都會提供網路掛號的服務,更進一步的是,一旦於網路掛號系統中完成某診科別的掛號時,掛號系統會傳送確認的簡訊到使用者所登錄的行動裝置上,例如,簡訊會包括掛號時間、掛號科別,甚至是預計就診時間。
但一般情況下,當病患到達醫院並將資料送入診間時,醫院針對部分特殊情況或因政策要求會特許優先看診,如高齡者、殘障人士等,同時醫療人員會以人工方式斟酌掛號順序與報到的順序,有時會因為較早掛號的病患尚未到達醫院,而讓先報到但是晚掛號的病患提早就診。再者若個案報到時已超過登時叫號之號碼,醫療人員會以各醫院固定的規則將他安插在一個數量的病患之後
就診。
但此情況都是醫療人員人工判斷,且依照一般醫院的規則進行排序,其中並未讓病患確知等待時間,且會造成掛號與報到順序安排的困擾,若有眾多病患看診,叫號與排序將會處於極高壓力下進行,極容易出錯更造成病患的負面情緒。
另有先前技術提供病患可以透過醫院的電腦進行報到的手續,不過卻僅是提供一些資訊看板反映現場等待人員與就診號碼,並未提供實質等待時間,或是系統並未提供協助主動進行排序的功能。
本發明之目的係透過方法設計叫號代理人,模擬叫號者之叫號習慣,依據合理的順序,同時讓等比較久病人有一個合理的等待時間,改善傳統都是醫療人員依照現場狀況人工自行判斷的問題。
本發明提供一種叫號排序方法,包含下列步驟:輸入一掛號資訊,該掛號資訊為掛號者各項資訊;依據規則分析掛號者的各項掛號資訊,進行一決策步驟,該步驟中具有數層金字塔結構的決策樹,該每層至少具有一個決策點,該決策點重要性由上至下遞減,將該掛號資訊透過每該決策點由上而下篩選,以形成數個終結點,該終結點依其重要性由大至小排序;進行一函數轉換步驟,若兩個以上該掛號資訊同時存在於相同終結點上,則將該掛號資訊對應產出等待號碼距離參數及等待時間參數並透過函數y=αχ1+βχ2+C進行轉換,其中χ1為等待號碼距離參數,χ2為等待時間參數,α與β為參數之權重,C為0或常數,轉換出的y值依序由大至小排序;及進行一叫號步驟,優先從終結點依重要性由大至小叫號,若兩個以上該掛號資訊同時存在於相同終結點上,由y值依序由大至小叫號。
較佳者,該輸入一掛號資訊中,該等待號碼距離參數,χ1=(D max -X d )/(D max -D min ),其中X d 為輸入該掛號資訊後產出的掛號號碼距離目前就診號碼的差值,D max 為已經產出的所有掛號號碼距離目前就診號碼中最大差值,D min 為已經產出的所有掛號號碼距離目前就診號碼中最小差值。
較佳者,在輸入一掛號資訊中,若X d =1,則y值設成無限大。
較佳者,在輸入一掛號資訊中,該等待時間參數,χ2=(X t -T min )/(T max -T min ),其中X t 為輸入該掛號資訊後等待時間,T max 為所有已經輸入該掛號資訊後等待時間中最大者,T min 為所有已經輸入該掛號資訊後等待時間中最小者。
較佳者,在輸入一掛號資訊中,該掛號者各項資訊的項次包含:體重、國籍、性別、年齡、掛號門診、殘障身分、檢測項目等各項資訊,該資訊依照各使用單位認定將影響排序順位而可進行調整。
較佳者,在進行一決策步驟中,其中該決策點從該掛號資訊中選定需要決策的項次,依照重要性由上至下分層排序,該決策點為二分法,往左邊符合,往右邊為不符合,最底層之該終結點的重要性排序會由左至右依序遞減,最左邊最重要,最右邊最不重要。
較佳者,在一函數轉換步驟中,其中α與β的權重可由三種方式產生,第一由使用者直接設定權重,α與β的比值介於1至60;第二為透過機器學習,模擬運算出每個掛號資訊的y值,比較後進行排序;第三為使用加強式學習方法,由機器學習叫號者習慣。
本發明提供一種虛擬機器學習函數時所需的y值,由於比較排序只是相對大小,而非具有絕對數值,因此較難以進行機器學習,而本發明虛擬y值之方式使用
於第二種產生β與α的權重之方法,於使用前模擬出不同的掛號資訊,涵蓋各種不同的X d 與X t ,一次給予使用者兩組不同組合下的X d 與X t ,由使用者進行比較何者排序為先,再經過多次比較後,將可產生一百個已完成排序之不同組合的X d 與X t ,已每25百分位進行切割,將可分成四組,以此做為y值,由最優先之排序組別至最後排序組成該y值等於4~1。
每組之X d 與X t 及y值皆產生後,再由機器學習出β與α值,此後之結果則可運用於未來掛號資訊輸入時,自動運算數值並依y值大小進行排序。
本發明之第三種方式藉由「加強式學習(reinforcement learning」進行,利用第一及第二實施例,讓系統先對系統進行基本訓練。然後將此系統上線實地進行叫號,而使用者依照系統叫號是否正確給予回饋,直至系統正確叫號為止,透過獎懲模式訓練系統,而獎懲方法則依據同時間越多人中選對加的分數越高,選錯一律扣一分,所加之分數為當時可選擇者的總人數。
120‧‧‧決策樹
122‧‧‧決策點
124‧‧‧終結點
11~14‧‧‧步驟
圖1是一示意圖,說明本發明叫號排序方法的較佳實施例;及圖2是一示意圖,說明本發明具有數層金字塔結構的決策樹。
有關本發明之相關申請專利特色與技術內容,在以下配合參考圖式之第一較佳實施例的詳細說明中,將可清楚的呈現。
參閱圖1,一種叫號排序方法,包含下列步驟:輸入一掛號資訊11、進行一決策步驟12、進行一函數
轉換步驟13及進行一叫號步驟14。
首先,輸入一掛號資訊11,該輸入參數會對應產出等待號碼距離參數及等待時間參數。以醫院為例,當病人到醫院或診間報到時,插入健保卡的同時系統登錄該病人的掛號號碼並轉換成等待號碼距離參數;此外,當健保卡插入的同時,即刻開始計時,系統為多重計時且會幫每一位病人紀錄等待的時間,並將等待的時間轉換為等待時間參數。上述的掛號資訊的項次包含:體重、國籍、性別、年齡、掛號門診、殘障身分、檢測項目,這些項次主要用在後續決策樹的分類用途。
接著,進行一決策步驟12,請參閱圖2,步驟中具有數層金字塔結構的決策樹120,每層至少具有一個決策點122,決策點122重要性由上至下遞減,將掛號資訊透過每決策點122由上而下篩選,以形成數個終結點124,終結點124依其重要性由大至小排序。決策樹120每一層的重要性由上至下遞減,且可以依照使用者的喜歡自行設定優先順序。例如可設定第一層決策樹120優先過濾是不是高齡者,而第二層決策樹120過濾是不是戒菸門診或是口腔癌症篩檢測試,而第三層決策樹120可以過濾孕婦、殘障等等。每一層決策因素都會產生二個終結點124,如果有三個決策因素會產生八個終結點124,依此類推。
較佳者,決策點122從掛號資訊中選定需要決策的項次或稱決策因素,照重要性由上至下分層排序,決策點122為二分法,往左邊符合,往右邊為不符合,最底層之終結點124的重要性排序會由左至右依序遞減,最左邊最重要,最右邊最不重要。此決策樹120類似分類器的概念,依序由最上面最重要往下篩選,各自分到不同的類別。
較佳者,決策步驟12之決策樹120可搭配
UI(使用者介面)設計一個平台給使用者或民眾。給使用者的部分輸入端設計,每個使用者或每家醫院依照自己的選擇,例如:決定他要把戒菸門診放在第三重要,殘障放在最重要,年齡放成第二重要。當然輸出端的設計就是符合的優先或不符合的優先等等。
較佳者,針對過號者,一般使用機構會要求需延後叫號,而依照每個機構規定不同,可以再寫入一個簡單函數,需再等待人數P=A(第幾位過號者)*N(再等N個),排第幾個過號者,需要再等幾個人頭才能進入排序。也可以設計等兩個就可以被叫。舉例來說,有些醫院認為過號要等三位,第二個過號的人就是要等6個(2*3),第三個過號可能要等9個(3*3)。而A也可以恆為1,代表無論你是第幾個過號,一律等N個人數才能被叫號。過號條件設定同時也是設定為決策樹中某一層的決策點122,舉例來說,假設過號條件為決策樹第四層,而殘障者為第二層,即便第一個過號者已經等過號等3個,若中間插入一個決策樹重要性高於過號者如殘障者,就算第一個過號者已經等了三個,系統還是不會叫他,會優先叫殘障者。
接著,進行一函數轉換步驟13,若兩個以上的掛號資訊同時存在於相同終結點124上,則將掛號資訊透過函數y=αχ1+βχ2+C進行轉換,其中χ1為等待號碼距離參數,χ2為等待時間參數,α與β為特定比值權重,C為0或常數,轉換出的y值依序由大至小排序。換句話說,就是經過上面決策樹的篩選過後,仍然有數個人位於相同的終結點時,會依照上面的函數將每一個人的等待號碼距離參數(與號碼有關)跟等待時間參數(與時間有關)轉換成y值,在同一群在相同終結點的人中,藉由比較y值大小依序被叫號,最大者先叫,最小者最晚叫,而這樣的設計是浮動的,也就是說若有其它新的加入者,也會影響整體的叫號排序。
上述等待號碼距離參數(χ1)及等待時間參數(χ2)決定y值大小,在此定義χ1=(D max -X d )/(D max -D min ),其中X d 為輸入掛號資訊後產的掛號號碼距離目前就診號碼的差值,D max 為已經產出的所有掛號號碼距離目前就診號碼中最大差值,D min 為已經產出的所有掛號號碼距離目前就診號碼中最小差值。舉例來說,現在是就診者為4號,現場的號碼分別6號、8號、12號跟30號,所以6號離就診4號差2號距離,8號離4號差4號距離,12號離4號差8號距離,30號離4號差26號距離。若要計算8號之χ1數值,所有的現場號中D max 為26而D min 為2,等待號碼距離參數為χ1=[(30-4)-(8-4)]/[(30-4)-(6-4)]=0.92。
等待時間參數,χ2=(X t -T min )/(T max -T min ),其中X t 為輸入掛號資訊後等待時間,T max 為所有已經輸入掛號資訊後等待時間中最大者,T min 為所有已經輸入該掛號資訊後等待時間中最小者。舉例來說,現場已經有4個人輸入掛號資訊後,等待的時間分別為5分鐘、10分鐘、20分鐘及40分鐘,要將4個人的等待時間分別轉換成等待時間參數,以等待20分鐘為例子,將其轉換成等待時間參數,χ2=(X t -T min )/(T max -T min )=(20-5)/(40-5)=0.43,等待號碼距離參數(χ1)及等待時間參數(χ2)決定y值大小,y值越大,代表越優先被叫號。
上述β(與時間有關)與α(與號碼有關)的權重設定,本發明提供使用者多項方法選擇,第一種是依據醫師平均看一個號碼的病人會需要多久時間,如果醫師平均看一個病人需要3分鐘,那就定義一個號碼1就是3分鐘(1:3),所以權重比則為其倒數(3:1),號碼與時間的權重比為3:1(α:β=3:1)也就是說,號碼權重是3,時間是權重1,α與β的比值(α/β)介於1至60。
若X d =1,則y值設成無限大,此為若掛號的號碼減現在就診的號碼為1,換句話說該掛號資訊依照號
碼為現在就診者之下一位,就把此人的y值設成無限大。也就是說同一個階層(終結點)裡面有距離就診號(目前燈號)差距為1時,下一個就診的就是他。但這還是有條件,決策數的金字塔最優先,而在同一個重要位階的決策點中才會比較y值(與號碼及等待時間有關)。舉例來說,現在是4號,有一個5號報到以及一個重要性位階高於5號的年長者報到,則會優先讓年長者就診。
最後,進行一叫號步驟14,優先從終結點124依重要性由大至小叫號,若兩個以上掛號資訊同時存在於相同終結點上,由y值依序由大至小叫號。若每一個決策點122往左邊符合,往右邊為不符合,則最底層的終結點124為最左邊最重要,而最右邊最不重要,叫號依序由左邊叫到右邊。
較佳者,針對過號,可以再寫入一個簡單函數,需再等待人數P=A(過號者排第一個)*N(再等3個),排第幾個過號者,需要再等幾個人頭才能進入。也可以設計等兩個就可以被叫。舉例來說,有些醫院認為你是第二個過號的人就是要等6個,第三個過號可能要等9個。而A也可以恆為1,代表無論你是第幾個過號,一律等N個人才能被叫。
依上述規則,系統將可依照各使用機構所設定之特殊個案,透過決策樹協助優先排序與叫號,而過號者也會自動為其計算安排合適之叫號時間,再者若無特殊個案,將會透過y值計算,將等待時間過久者,於叫號排序中有空號時優先叫號,如現在號碼為4號,5號尚未報到,故此時可安插等待時間過久者,將可大幅減少部分等待過久者出現。
本發明之第二較佳實施例,藉由類神經網絡訓練,訓練得知β(與時間有關)與α(與號碼有關)的之數值。
本發明提供一種虛擬機器學習函數時所需的y值,由於比較排序只是相對大小,而非具有絕對數值,因此較難以進行機器學習,而本發明虛擬y值之方式使用於第二種產生β與α的權重之方法,於使用前模擬出不同的掛號資訊,涵蓋各種不同的X d 與X t ,一次給予使用者兩組不同組合下的X d 與X t ,由使用者進行比較何者排序為先,再經過多次比較後,將可產生一百個已完成排序之不同組合的X d 與X t ,已每25百分位進行切割,將可分成四組,以此做為y值,由最優先之排序組別至最後排序組成該y值等於4~1。
執行方式為第一步先設定出y值本系統透過使用機構過去的看診資料(如總看診人數、平均看診時間、平均等待時間等參數),依照實際看診曾出現過的狀況,擷取出一百個狀況,透過系統問使用者問題,一次出現兩個掛號資訊,讓使用者進行排序。舉例來說,一開始先模擬100個點的100種狀況,這100個狀況裡面有不同的號碼距離現在就診燈號距離多少號碼以及不同的等待的時間,兩個為一組去比較先後,由使用者判斷叫號的先後順序。系統為了比較這100個點的100種狀況,可能設計出數百種問題,藉由回答問題來將這100個點依照叫號順序排序在光譜上。若有兩個點比不出來時候,那系統就再重問一次這個問題,強制把這100個點給的排序比較出來。
接下來將排序好的100個點切成4段,分別為令它為區塊4、區塊3、區塊2及區塊1,最優先叫號為區塊4,最晚叫號的為區塊1,此數值設定為y值。爾後利用類神經網絡去訓練模型,而輸入神經元為兩個,分別為號碼距離現在就診燈號距離多少號碼以及等待的時間,而輸出之神經元的結果可以分為四類,分別為[1,0,0,0]、[0,1,0,0]、[0,0,1,0]及[0,0,0,1],定義[1,0,0,0]為區塊4,[0,1,0,0]為區塊3,[0,0,1,0]為區塊2,[0,0,0,1]為區塊1,
輸出後之區塊4順位為最優先排序,而1為最後之排序,以此做為排序依據。
執行時,在輸入一筆掛號資訊至模型後後,輸出層之四個神經元皆會有數值輸出,取四個神經元中,輸出最大數值之該神經元為1,其餘神經元為0,舉例如輸出層神經元數值為[0.23,0.11,0.32,0.96],該筆輸出資料視為[0,0,0,1],為區塊1。
實地執行時,則依照區塊的數值由大至小進行排序。而若兩個掛號資訊最後運算結果同屬於相同區塊,則依照判斷該區塊之輸出層神經元數值進行比較,如兩筆掛號資訊皆為區塊2,區塊2之決定神經元為第三個輸出層神經元[0,0,1,0],因此比較該神經元數值,若第一位為0.96、另外一位為0.84,比較後則0.96之優先度大於0.84,排序為較優先。
本發明之第三較佳實施例,藉由「加強式學習(reinforcement learning」進行,利用第一及第二實施例,讓系統先對系統進行基本訓練。然後將此系統上線實地進行叫號,而使用者依照系統叫號是否正確給予回饋,直至系統正確叫號為止,透過獎懲模式訓練系統,而獎懲方法則依據同時間越多人中選對加的分數越高,選錯一律扣一分,加的分數為當時可選擇者的總人數。舉例來說,6個人當中選對加6分,選錯扣1分。
惟以上所述者,僅為本發明之較佳實施例而已,當不能以此限定本發明實施之範圍,即大凡依本發明申請專利範圍及發明說明內容所作之簡單的等效變化與修飾,皆仍屬本發明專利涵蓋之範圍內。
11~14‧‧‧步驟
Claims (6)
- 一種叫號排序方法,包含下列步驟:(A)輸入一掛號資訊,該掛號資訊為掛號者各項資訊;(B)進行一決策步驟,該步驟中具有數層金字塔結構的決策樹,該每層至少具有一個決策點,該決策點重要性由上至下遞減,將該掛號資訊透過每該決策點由上而下篩選,以形成數個終結點,該終結點依其重要性由大至小排序;(C)進行一函數轉換步驟,若兩個以上該掛號資訊同時存在於相同終結點上,則將該掛號資訊對應產出等待號碼距離參數及等待時間參數並透過函數y=αχ1+βχ2+C進行轉換,其中χ1為等待號碼距離參數,χ2為等待時間參數,α與β為參數之權重,C為0或常數,轉換出的y值依序由大至小排序,該等待號碼距離參數,χ1=(D max -X d )/(D max -D min ),其中X d 為輸入該掛號資訊後產出的掛號號碼距離目前就診號碼的差值,D max 為已經產出的所有掛號號碼距離目前就診號碼中最大差值,D min 為已經產出的所 有掛號號碼距離目前就診號碼中最小差值,若X d =1,則y值設成無限大;及(D)進行一叫號步驟,優先從終結點依重要性由大至小叫號,若兩個以上該掛號資訊同時存在於相同終結點上,由y值依序由大至小叫號。
- 依據申請專利範圍第1項所述叫號排序方法,在該步驟(C)中,該等待時間參數,χ2=(X t -T min )/(T max -T min ),其中X t 為輸入該掛號資訊後等待時間,T max 為所有已經輸入該掛號資訊後等待時間中最大者,T min 為所有已經輸入該掛號資訊後等待時間中最小者。
- 依據申請專利範圍第1項所述叫號排序方法,在該步驟(A)中,掛號者各項資訊的項次包含:殘障身分、體重、國籍、性別、年齡、掛號門診、檢測項目。
- 依據申請專利範圍第3項所述叫號排序方法,在該步驟(B)中,其中該決策點從該掛號資訊中選定需要決策的項次,依照重要性由上至下分層排序,該決策點為二分法,往左邊符合,往右邊為不符合,最底層之該終結點的重要性排序會由左至右依序遞減,最左邊最重要,最右邊最不重要。
- 依據申請專利範圍第1項所述叫號排序方法,在該步驟(C)中,其中α與β的比值介於1至60。
- 依據申請專利範圍第1項所述叫號排序方法,在該步驟(C)中,虛擬y值,首先先模擬100個點的100種狀況, 這100個狀況裡面有不同的號碼距離現在就診燈號距離多少號碼以及不同的等待的時間,藉由系統將這100個點依照叫號順序排序,接下來將排序好的100個點切成4段,分別為令它為區塊4、區塊3、區塊2及區塊1,最優先叫號為區塊4,最晚叫號的為區塊1,此數值設定為y值,接著利用類神經網絡去訓練模型,而輸入神經元為兩個,分別為號碼距離現在就診燈號距離多少號碼以及等待的時間,而輸出之神經元的結果可以分為四類,分別為[1,0,0,0]、[0,1,0,0]、[0,0,1,0]及[0,0,0,1],定義[1,0,0,0]為區塊4,[0,1,0,0]為區塊3,[0,0,1,0]為區塊2,[0,0,0,1]為區塊1,輸出後之區塊4順位為最優先排序,而1為最後之排序,以此做為排序依據。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108122419A TWI710998B (zh) | 2019-06-26 | 2019-06-26 | 應用在智能型叫號代理器之叫號排序方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108122419A TWI710998B (zh) | 2019-06-26 | 2019-06-26 | 應用在智能型叫號代理器之叫號排序方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI710998B true TWI710998B (zh) | 2020-11-21 |
TW202101353A TW202101353A (zh) | 2021-01-01 |
Family
ID=74202659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108122419A TWI710998B (zh) | 2019-06-26 | 2019-06-26 | 應用在智能型叫號代理器之叫號排序方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI710998B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007064996A2 (en) * | 2005-12-02 | 2007-06-07 | Modiv Media, Inc. | Service-queue-management and production-management system and method |
CN100517394C (zh) * | 2007-04-24 | 2009-07-22 | 暨南大学 | 一种智能排队叫号系统 |
TW201320008A (zh) * | 2011-11-09 | 2013-05-16 | Rich Bank Information System Co Ltd | 無紙取號顯示系統及其無紙取號方法 |
CN105654600A (zh) * | 2016-03-02 | 2016-06-08 | 江苏国泰智慧软件股份有限公司 | 取号排队方法及系统 |
CN107358711A (zh) * | 2016-05-09 | 2017-11-17 | 胡飞虎 | 排号验证方法和系统 |
TWM554580U (zh) * | 2017-09-22 | 2018-01-21 | June Shine Int Corporation | 抽血流程控制及自動備管系統 |
WO2018164075A1 (ja) * | 2017-03-10 | 2018-09-13 | 株式会社リクルート | 順番管理システム、順番管理装置、およびプログラム |
WO2018237112A1 (en) * | 2017-06-21 | 2018-12-27 | Locus Robotics Corp. | ROBOT WAITING SYSTEM AND METHOD FOR ONE OR MORE PROCESSING STATIONS |
-
2019
- 2019-06-26 TW TW108122419A patent/TWI710998B/zh active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007064996A2 (en) * | 2005-12-02 | 2007-06-07 | Modiv Media, Inc. | Service-queue-management and production-management system and method |
CN100517394C (zh) * | 2007-04-24 | 2009-07-22 | 暨南大学 | 一种智能排队叫号系统 |
TW201320008A (zh) * | 2011-11-09 | 2013-05-16 | Rich Bank Information System Co Ltd | 無紙取號顯示系統及其無紙取號方法 |
CN105654600A (zh) * | 2016-03-02 | 2016-06-08 | 江苏国泰智慧软件股份有限公司 | 取号排队方法及系统 |
CN107358711A (zh) * | 2016-05-09 | 2017-11-17 | 胡飞虎 | 排号验证方法和系统 |
WO2018164075A1 (ja) * | 2017-03-10 | 2018-09-13 | 株式会社リクルート | 順番管理システム、順番管理装置、およびプログラム |
WO2018237112A1 (en) * | 2017-06-21 | 2018-12-27 | Locus Robotics Corp. | ROBOT WAITING SYSTEM AND METHOD FOR ONE OR MORE PROCESSING STATIONS |
TWM554580U (zh) * | 2017-09-22 | 2018-01-21 | June Shine Int Corporation | 抽血流程控制及自動備管系統 |
Also Published As
Publication number | Publication date |
---|---|
TW202101353A (zh) | 2021-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110516161B (zh) | 一种推荐方法及装置 | |
Spitzer et al. | DIAGNO: A computer program for psychiatric diagnosis utilizing the differential diagnostic procedure | |
AU2003223333B2 (en) | A method and system of mass and multiple casualty triage | |
WO2015091893A1 (en) | System and method for topic-related detection of the emotional state of a person | |
CN110490239A (zh) | 图像质控网络的训练方法、质量分类方法、装置及设备 | |
KR101894536B1 (ko) | 신경언어장애 환자의 의사소통 능력 향상을 위한 언어훈련 방법 | |
CN107145715B (zh) | 一种基于推举算法的临床医学智能判别装置 | |
JP2016200955A (ja) | 情報処理装置、プログラム、推定方法 | |
CN113053513A (zh) | 一种基于智慧社区的智慧医疗系统 | |
CN114724710A (zh) | 突发事件的应急方案推荐方法、装置及存储介质 | |
Nakash et al. | Patient initiation of information: Exploring its role during the mental health intake visit | |
TWI710998B (zh) | 應用在智能型叫號代理器之叫號排序方法 | |
CN113744877A (zh) | 一种带有疾病相关因素提取模块的慢性病评估及干预系统 | |
CN112382388A (zh) | 一种压疮不良事件的预警方法 | |
JP6474103B2 (ja) | 提示装置 | |
WO2023084254A1 (en) | Diagnosic method and system | |
CN117012380A (zh) | 事件预估方法、装置、设备、存储介质及程序产品 | |
Georgopoulos et al. | Introducing fuzzy cognitive maps for developing decision support system for triage at emergency room admissions for the elderly | |
Pasha et al. | Neural nework-based mobile app framework to aid resource-poor setting community health | |
Lim et al. | Artificial intelligence concepts for mental health application development: Therapily for mental health care | |
Husna et al. | Designing interactive mobile UIs for detecting dementia | |
CN115547474B (zh) | 一种分级诊疗引导方法及装置 | |
Meda et al. | An Efficient and Scalable Heart Disease Diagnosis System with Attribute Impact Based Weights and Genetic Correlation Analysis. | |
CN116523704B (zh) | 一种基于大数据的医学实习教学决策方法 | |
Swisher et al. | Cardiovascular and pulmonary physical therapy specialty practice: determining the current status |