支持。
[0039] 在该886天中，共有2180位初发脑卒中老年病人入组，其中平均每天约2. 46为患 者。
[0040] 气象咨料的巧集:
[0041] 通过当地气象局捜集每日的气象因素，包括当天的最高温度/最低温度/平均温 度/天气类型/风速/光强度。将天气类型分为晴朗、阴天、雨天、暴风雨、雪、雨夹雪等。
[0042] 表1，从2012年1月-2014年6月的气象学资料
[0043]
[0044] 备注；天气类型中，1=晴朗，2=阴天，3=雨天，4=暴风雨，5=雪，6=雨夹雪
[0045] 就每日就诊病人量进行分析，大多数每天就诊2-3人，5人及W上的日期比较零散 及少量。但是，就诊人数与该些气象因素均没有线性关系（如图1所示）。
[0046] MLP
[0047] 将温度（包括温度变化）/天气类型/风速等录入多层神经网络（MLP)，分析多个 气象因素与急诊脑卒中病人量的关系。
[0048] 首先，将每日气象因素、脑卒中就诊量录入SPSS19.0建立数据库。
[0049] 第二步，进行MLP模型模拟。
[0化0] 为了验证模型的有效性，相应数量的随机数字作为对照。MLP的关键步骤在于形成 训练/检测/预测层。训练层是为了整理模型录入数据的特征，检测层是为了评估模型整 合性，而预测层则是为了评估模型的准确性。
[0化1] 前期工作证实，想要完全将模型与实际急诊人数吻合是极其困难与不现实的。设 定当天的脑梗病人的饱和量约为4,当脑梗病人量大于4,则当天的工作负荷将是及其大 的。我们将病人量《4的日期定义为组1 (低就诊组），> 5的定义为组2 (高就诊组）。 [0052] 然后，两组各随机平均分为10等分，训练/检测/预测层的比值为n:m: (10-n-m)， 其中，n、m和（10-m-n)都要求是整数。
[0化3] 最终，针对于组1和组2所有气象影响因素被纳入分析系统，进行反复模拟，建立 了两组模型，其训练/检测/预测层的比值为8:1: 1，且稳定性和敏感度均高于95%。
[0054]表2,MLP建立的模型1和模型2 [0 化 5]
[0056] 变量；就诊的急性脑梗病人
[0057] #;6天被移除MLP
[005引 A;敏感度>90%
[0059] MLP;多层神经网络
[0060] 组1 ;低就诊组（《4)
[0061] 组2;高就诊组5)
[0062] 图2和图3给出了两个模型的稳定性和有效性。对可行性来说（intends prob油ility)，越靠近1. 0,代表模型越稳定，对增益来说（gain)，越靠近对角线，代表模型 有效性越高。模型1情况下（图2)，组1具有显著的稳定性和有效性，模型2情况下（图 3)组2具有显著的稳定性和有效性。将两种模型各气象因素进行提取，得到：
[0063] 模型1 = 0.407X温度差绝对值+0.22IX风速+0.200X天气类型+0.036X最 高温度+0. 136X最低温度。
[0064] 模型2 = 0. 733X天气类型+0. 074X风速+0. 030X最高温度+0. 035X最低温 度+0. 092X温度差绝对值+0. 036X平均温度。
[0065] 表3,模型1和2中各气象因素的权重
[0066]
[0067]
[0068]图4给出了两种模型中各权重排序，组1的影响因素中天气类型变化的权重最大， 占40. 7%，而在组2中天气类型的权重最大，占73.3%。
[0069] 为了进一步证实此2种模型的有效性，我们在接下来的2个月对每天急诊神经内 科急性脑卒中老年病人进行验证，结果发现当温度变化明显时，模型1有效；当天气变化明 显时，模型2有效；当天气骤变时，模型1和模型2都有效，但模型2较模型1更敏感。
[0070] 因此，本发明根据天气因素构造了多层神经网络建立病人量的预测模型，运用合 适的模型，可W有效的预测当天医院急诊工作量，从而更加合理的进行工作安排。
[0071] W上对本发明的具体实施例进行了详细描述，但其只是作为范例，本发明并不限 制于W上描述的具体实施例。对于本领域技术人员而言，任何对本发明进行的等同修改和 替代也都在本发明的范畴之中。因此，在不脱离本发明的精神和范围下所作的均等变换和 修改，都应涵盖在本发明的范围内。
【主权项】
1. 一种预测急诊就诊量的方法，其特征在于，包括： 收集气象信息，包括当天的最高温度、最低温度、平均温度、天气类型数据、风速；其中， 天气类型数据中，1 =晴天，2 =阴天，3 =雨天，4 =暴风雨，5 =雪，6 =雨夹雪； 建立每日气象因素与急诊就诊量（优选为脑梗病就诊量）数据库，其中，脑卒中就诊饱 和量为X，将就诊量SX的日期定义为A组，彡（X+1)的日期定义为B组，两组各平均分为 10等份； 多层神经网络建模，其中，多层神经网络训练层、检测层、预测层的比值为 n:m: (10-m-n);训练层用于整理模型录入数据的特征，检测层用于评估模型整合性，而预测 层用于评估模型的准确性； 提取模型中气象因素的权重；得到rlX温度差绝对值+r2X风速+r3X天气类型 +r4X最高气温+r5X最低气温，其中，rl、r2、r3、r4、r5为权重。2. 根据权利要求1所述的方法，其特征在于，所述预测急诊就诊量的方法为预测急诊 神经内科脑梗病就诊量的方法。3. 根据权利要求1所述的方法，其特征在于，X选自4-6的整数。4. 根据权利要求1所述的方法，其特征在于，多层神经网络训练层、检测层、预测层的 数量比值为8:1:1。5. 根据权利要求4所述的方法，其特征在于，多层神经网络训练层、检测层、预测层的 数量分别为560、70、70。6. 根据权利要求4所述的方法，其特征在于，多层神经网络训练层、检测层、预测层的 数量分别为40、5、5。7. 根据权利要求1所述的方法，其特征在于，所有温度的数值单位均为°C，所有风速的 数值单位均为km/h。8. 根据权利要求1所述的方法，其特征在于， 温度变化明显时：公式（1)为0.407 X温度差绝对值+0.221 X风速+0.200 X天气类 型+0. 036 X最高温度+0. 136 X最低温度； 天气类型化明显时：公式（1)为〇. 733 X天气类型+0. 074X风速+0. 030 X最高温度 +0. 035 X最低温度+0. 092 X温度差绝对值+0. 036 X平均温度。9. 一种医院管理系统，其特征在于，包括： 一一数据输入设备，用于输入收集的气象信息、以及急诊就诊量，气象信息包括当天的 最高温度、最低温度、平均温度、天气类型数据、风速；其中，天气类型数据中，1 =晴天，2 = 阴天，3 =雨天，4 =暴风雨，5 =雪，6 =雨夹雪； 一一处理器，根据权利要求1所得公式（1)进行计算，预测急诊就诊量， rlX温度差绝对值+r2X风速+r3X天气类型+r4X最高气温+r5X最低气温（1)。10. -种医院管理系统，其特征在于，包括： 一一数据输入设备，用于输入收集的气象信息、以及急诊就诊量，气象信息包括当天的 最高温度、最低温度、平均温度、天气类型数据、风速；其中，天气类型数据中，1 =晴天，2 = 阴天，3 =雨天，4 =暴风雨，5 =雪，6 =雨夹雪； 一一多层神经网络，其中，多层神经网络训练层、检测层、预测层的比值为 n:m: (10-m-n);训练层用于整理模型录入数据的特征，检测层用于评估模型整合性，而预测 层用于评估模型的准确性；多层神经网络建模，根据权利要求1所述方法得到公式（I); rlX温度差绝对值+r2X风速+r3X天气类型+r4X最高气温+r5X最低气温（1) 一一计算器，根据公式（1)进行计算，预测急诊就诊量。
【专利摘要】本发明提供了一种利用天气因素预测急诊工作量的方法以及该方法的应用，第一次将多层神经网络运用于医院管理系统，天气因素选择了最高气温/最低气温/平均气温/温度差值绝对值/天气类型/风速等影响因子，第一次将多层神经网络运用于医院管理系统，通过分析近年来天气因素与急诊就诊率之间的关系，建立数学模型，进而进行预测不同天气状况下可能的病人量，有助于协调急诊工作人员，进行资源的更好的整合。
【IPC分类】G06Q50/22
【公开号】CN104952024
【申请号】CN201510342160
【发明人】孟桂林, 赵延欣, 刘学源
【申请人】孟桂林, 赵延欣, 刘学源
【公开日】2015年9月30日
【申请日】2015年6月19日