参数自动调节方法、装置及计算机可读存储介质与流程

本发明涉及数据处理领域，尤其涉及一种参数自动调节方法、装置及计算机可读存储介质。

背景技术：

由于药械是一种特殊商品，对质量安全有极高要求，各国都实行严格监管，以保障其有效性和安全性。目前，所有的药械类型或地区的药械集中采购系统，基本都是采用通用的评价指标来对药械进行质量管控，且每个药械集中采购系统中的评价指标参数均需要由人工调节完成，因此，现有的对药械数据的管理方法单一，并且数据处理效率低。

技术实现要素：

本发明提供一种药械集中采购评价指标的参数自动调节方法、装置及计算机可读存储介质，其主要目的在于为药品集中采购评价指标中评分项权重自动调节提供具体有效的方案，解决评价指标算法参数调节所需的海量数据计算问题。

为实现上述目的，本发明提供一种参数自动调节方法，应用于电子装置，所述参数自动调节方法包括：

根据每预设周期各医疗机构采购的药械产品的质量评价指标及价格指标，生成第一自变量表；

根据每预设周期各行政区域的财政数据，生成第二自变量表；

根据所述每预设周期各医疗机构的采购的药械产品的采购金额，生成因变量表；

计算所述第一自变量表与所述第二自变量表中每一自变量与所述因变量表中每一因变量的关联强度；

基于所述关联强度生成药械集中采购评价指标中各评分项权重的基础值；

基于人工智能技术代入各医药数据至评价指标算法，并根据所述各评分项权重的基础值自动调节所述药械集中采购评价指标中各评分项权重值。

可选地，所述计算所述第一自变量表与所述第二自变量表中每一自变量与所述因变量表中每一因变量的关联强度的步骤包括：

利用皮尔森卡方检验，运用phi(φ)系数测算各自变量与因变量的关联强度。

可选地，所述基于人工智能技术代入各医药数据至评价指标算法，并自动调节所述药械集中采购评价指标中各评分项权重值的步骤包括：

通过拟合计算，完成所述药械集中采购评价指标中各评分项权重值的自动调节。

可选地，所述根据每预设周期各医疗机构采购的药械产品的质量评价指标及价格指标生成第一自变量表的步骤包括：

收集每预设周期各医疗机构采购的药械产品的质量评价指标及价格指标；

对所述收集到的每预设周期各医疗机构采购的药械产品的质量评价指标及价格指标进行预处理，生成质量评价指标及价格指标集合；

选取第一随机函数，将所述质量评价指标及价格指标集合中的每一元素作为自变量，计算所述每一元素在所述第一随机函数下的函数值；

根据计算出的函数值自动生成第一自变量表。

可选地，所述根据每预设周期各行政区域的财政数据生成第二自变量表的步骤包括：

收集每预设周期各行政区域的财政数据；

对所述收集到的每预设周期各行政区域的财政数据进行预处理，生成财政数据集合；

选取第二随机函数，将所述财政数据集合中的每一元素作为自变量，计算所述每一元素在所述第二随机函数下的函数值；

根据计算出的函数值自动生成第二自变量表。

本发明还提供一种电子装置，所述电子装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的药械集中采购评价指标的参数自动调节程序，所述药械集中采购评价指标的参数自动调节程序被所述处理器执行时实现如下步骤：

根据每预设周期各医疗机构采购的药械产品的质量评价指标及价格指标，生成第一自变量表；

根据每预设周期各行政区域的财政数据，生成第二自变量表；

根据所述每预设周期各医疗机构的采购的药械产品的采购金额，生成因变量表；

计算所述第一自变量表与所述第二自变量表中每一自变量与所述因变量表中每一因变量的关联强度；

基于所述关联强度生成药械集中采购评价指标中各评分项权重的基础值；

基于人工智能技术代入各医药数据至评价指标算法，并自动调节所述药械集中采购评价指标中各评分项权重值。

可选地，所述计算所述第一自变量表与所述第二自变量表中每一自变量与所述因变量表中每一因变量的关联强度的步骤包括：

利用皮尔森卡方检验，运用phi(φ)系数测算各自变量与因变量的关联强度。

可选地，所述基于人工智能技术代入各医药数据至评价指标算法，并自动调节所述药械集中采购评价指标中各评分项权重值的步骤包括：

通过拟合计算，完成所述药械集中采购评价指标中各评分项权重值的自动调节。

可选地，所述根据每预设周期各医疗机构采购的药械产品的质量评价指标及价格指标生成第一自变量表的步骤包括：

收集每预设周期各医疗机构采购的药械产品的质量评价指标及价格指标；

对所述收集到的每预设周期各医疗机构采购的药械产品的质量评价指标及价格指标进行预处理，生成质量评价指标及价格指标集合；

选取第一随机函数，将所述质量评价指标及价格指标集合中的每一元素作为自变量，计算所述每一元素在所述第一随机函数下的函数值；

根据计算出的函数值自动生成第一自变量表。

此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有药械集中采购评价指标的参数自动调节程序，所述参数自动调节程序可被一个或者多个处理器执行，以实现上述的参数自动调节方法的步骤。

本发明提供的药械集中采购评价指标的参数自动调节方法、装置及计算机可读存储介质为药品集中采购评价指标中评分项权重自动调节提供了具体有效的方案；通过人工智能技术，解决了评价指标算法参数调节所需的海量数据计算问题，提高了数据处理效率。

附图说明

图1为本发明一实施例提供的参数自动调节方法的流程示意图；

图2为本发明一实施例提供的电子装置的内部结构示意图；

图3为本发明一实施例提供的电子装置中基于参数自动调节程序的模块示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明提供一种参数自动调节方法。参照图1所示，为本发明一实施例提供的药械集中采购评价指标的参数自动调节方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现，本实施例中，所述装置为智能终端。

在本实施例中，所述参数自动调节方法包括：

s101，根据每预设周期各医疗机构采购的药械产品的质量评价指标及价格指标，生成第一自变量表；

s102，根据每预设周期各行政区域的财政数据，生成第二自变量表；

s103，根据所述每预设周期各医疗机构的采购的药械产品的采购金额，生成因变量表；

s104，计算所述第一自变量表与所述第二自变量表中每一自变量与所述因变量表中每一因变量的关联强度；

s105，基于所述关联强度生成药械集中采购评价指标中各评分项权重的基础值；

s106，基于人工智能技术代入各医药数据至评价指标算法，并自动调节所述药械集中采购评价指标中各评分项权重值。

所述计算所述第一自变量表与所述第二自变量表中每一自变量与所述因变量表中每一因变量的关联强度的步骤包括：

利用皮尔森卡方检验，运用phi(φ)系数测算各自变量与因变量的关联强度。

其中，皮尔森卡方检验(英语：pearson'schi-squaredtest)是最有名卡方检验之一(其他常用的卡方检验还有叶氏连续性校正、似然比检验、一元混成检验等等，它们的统计值之机率分配都近似于卡方分配，故称卡方检验)。“皮尔森卡方检验”最早由卡尔·皮尔森在1900年发表，用于类别变数的检验。科学文献中，当提及卡方检验而没有特别指明类型时，通常即指皮尔森卡方检验。

phi(φ)系数种中φ为相关系数的大小，表示两因素之间的关联程度。通常情况下，当φ值小于0.3时，表示相关较弱；当φ值大于0.6时，表示相关较强。

其中，基于所述关联强度生成药械集中采购评价指标中各评分项权重的基础值，指的是在指标评价过程中，为了能将有关评价指标满足规定要求的程度用数据表示出来，按各评分项所占工作量的大小及影响整体能力重要程度，分别对各评分项规定的所占比例分值。

所述基于人工智能技术代入各医药数据至评价指标算法，并自动调节所述药械集中采购评价指标中各评分项权重值的步骤包括：

通过拟合计算，完成所述药械集中采购评价指标中各评分项权重值的自动调节。

其中，拟合是指已知某函数的若干离散函数值{f1,f2,…,fn}，通过调整该函数中若干待定系数f(λ1,λ2,…,λn),使得该函数与已知点集的差别(最小二乘意义)最小。

所述根据每预设周期各医疗机构采购的药械产品的质量评价指标及价格指标生成第一自变量表的步骤包括：

收集每预设周期各医疗机构采购的药械产品的质量评价指标及价格指标；

对所述收集到的每预设周期各医疗机构采购的药械产品的质量评价指标及价格指标进行预处理，生成质量评价指标及价格指标集合；

选取第一随机函数，将所述质量评价指标及价格指标集合中的每一元素作为自变量，计算所述每一元素在所述第一随机函数下的函数值；

根据计算出的函数值自动生成第一自变量表。

所述根据每预设周期各行政区域的财政数据生成第二自变量表的步骤包括：

收集每预设周期各行政区域的财政数据；

对所述收集到的每预设周期各行政区域的财政数据进行预处理，生成财政数据集合；

选取第二随机函数，将所述财政数据集合中的每一元素作为自变量，计算所述每一元素在所述第二随机函数下的函数值；

根据计算出的函数值自动生成第二自变量表。

所述药械产品的质量评价指标包括药品抽检情况、药品gmp认证情况、药品gmp实施情况、与药品质量相关的行政处罚情况、研发创新情况、企业经营情况和药品使用的评价情况中的至少一项。

其中，gmp，全称(goodmanufacturingpractices)，中文含义是“生产质量管理规范”或“良好作业规范”、“优良制造标准”。gmp是一套适用于制药、食品等行业的强制性标准，要求企业从原料、人员、设施设备、生产过程、包装运输、质量控制等方面按国家有关法规达到卫生质量要求，形成一套可操作的作业规范帮助企业改善企业卫生环境，及时发现生产过程中存在的问题，加以改善。简要的说，gmp要求制药、食品等生产企业应具备良好的生产设备，合理的生产过程，完善的质量管理和严格的检测系统，确保最终产品质量(包括食品安全卫生等)符合法规要求。

所述药品抽检情况包括药品抽检不合格的批次，所述药品gmp认证情况包括企业或产品通过药品gmp认证的版本，所述药品gmp实施情况包括药品gmp严重违规的次数，所述研发创新情况包括药品是否原创、药品是否为或曾为中药品种保护产品、药品是否为或曾为国家认定的优质优价产品，所述企业经营情况包括同名药品市场占有率、企业医药主营业务收入和企业利润总额中的至少一项，所述药品使用评价情况包括药品使用者或专业人员通过互联网发表的对药品质量相关的评价。

本实施例中，可以采用多种形式获取药品质量指标数据，从而得出药品质量信用评估结果。

药品质量信用评估结果的输出或显示方式包括：通过颜色条来显示该药品的质量信用级别，其可以是不同的颜色代表不同的质量信用级别，也可以是通过同一种颜色的不同深浅程度来表示不同的质量信用级别；通过药品质量风险指数(数值)来表示该药品的质量信用级别，其可以是数值越高，所代表的质量信用级别越高，数值越低，所代表的质量信用级别越低，也可以是，数值越高，所代表的质量信用级别越低，数值越高，所代表的质量信用级别越低。通过图形或符号来显示该药品的质量信用级别，其可以是通过不同的图形或符号代表的质量信用级别，也可以是图形或符号的不同数量代表不同的质量信用级别。

对药品的质量信用级别的输出或显示，还可以采取其他的方式，根据选择的不同可以有所不同，本领域技术人员可以根据需求进行设计。

所述基于所述关联强度生成药械集中采购评价指标中各评分项权重的基础值的步骤为以所述关联强度为基础，自动生成评价指标中各评分项权重的基础值。

本实施例提出的药械集中采购评价指标的参数自动调节方法能够为药品集中采购评价指标中评分项权重自动调节提供了具体有效的方案；通过人工智能技术，解决了评价指标算法参数调节所需的海量数据计算问题，提高了数据处理效率。

本发明还提供一种电子装置1。参照图2所示，为本发明一实施例提供的电子装置的内部结构示意图。

在本实施例中，电子装置1可以是电脑、智能终端或服务器。所述电子装置1至少包括存储器11、处理器13，通信总线15，以及网络接口17。在本实施例中，所述电子装置1为智能终端。

其中，存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是电子装置的内部存储单元，例如所述电子装置的硬盘。存储器11在另一些实施例中也可以是电子装置的外部存储设备，例如电子装置上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。进一步地，存储器11还可以既包括电子装置的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于电子装置1的应用软件及各类数据，例如参数自动调节程序111的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

处理器13在一些实施例中可以是一中央处理器(centralprocessingunit,cpu)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据。

通信总线15用于实现这些组件之间的连接通信。

网络接口17可选的可以包括标准的有线接口、无线接口(如wi-fi接口)，通常用于在电子装置1与其他电子设备之间建立通信连接。

可选地，电子装置1还可以包括用户接口，用户接口可以包括显示器(display)、输入单元比如键盘(keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organiclight-emittingdiode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子装置中处理的信息以及用于显示可视化的用户界面。

图2仅示出了具有组件11～17的电子装置1，本领域技术人员可以理解的是，图2示出的结构并不构成对电子装置的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

在图2所示的电子装置1的实施例中，存储器11中存储有参数自动调节程序111；处理器13执行存储器11中存储的参数自动调节程序111时实现如下步骤：

根据每预设周期各医疗机构采购的药械产品的质量评价指标及价格指标，生成第一自变量表；

根据每预设周期各行政区域的财政数据，生成第二自变量表；

根据所述每预设周期各医疗机构的采购的药械产品的采购金额，生成因变量表；

计算所述第一自变量表与所述第二自变量表中每一自变量与所述因变量表中每一因变量的关联强度；

基于所述关联强度生成药械集中采购评价指标中各评分项权重的基础值；

基于人工智能技术代入各医药数据至评价指标算法，并根据所述各评分项权重的基础值自动调节所述药械集中采购评价指标中各评分项权重值。

所述计算所述第一自变量表与所述第二自变量表中每一自变量与所述因变量表中每一因变量的关联强度的步骤包括：

利用皮尔森卡方检验，运用phi(φ)系数测算各自变量与因变量的关联强度。

其中，皮尔森卡方检验(英语：pearson'schi-squaredtest)是最有名卡方检验之一(其他常用的卡方检验还有叶氏连续性校正、似然比检验、一元混成检验等等，它们的统计值之机率分配都近似于卡方分配，故称卡方检验)。“皮尔森卡方检验”最早由卡尔·皮尔森在1900年发表，用于类别变数的检验。科学文献中，当提及卡方检验而没有特别指明类型时，通常即指皮尔森卡方检验。

phi(φ)系数种中φ为相关系数的大小，表示两因素之间的关联程度。通常情况下，当φ值小于0.3时，表示相关较弱；当φ值大于0.6时，表示相关较强。

所述基于人工智能技术代入各医药数据至评价指标算法，并自动调节所述药械集中采购评价指标中各评分项权重值的步骤包括：

通过拟合计算，完成所述药械集中采购评价指标中各评分项权重值的自动调节。

其中，拟合是指已知某函数的若干离散函数值{f1,f2,…,fn}，通过调整该函数中若干待定系数f(λ1,λ2,…,λn),使得该函数与已知点集的差别(最小二乘意义)最小。

所述根据每预设周期各医疗机构采购的药械产品的质量评价指标及价格指标生成第一自变量表的步骤包括：

收集每预设周期各医疗机构采购的药械产品的质量评价指标及价格指标；

对所述收集到的每预设周期各医疗机构采购的药械产品的质量评价指标及价格指标进行预处理，生成质量评价指标及价格指标集合；

选取第一随机函数，将所述质量评价指标及价格指标集合中的每一元素作为自变量，计算所述每一元素在所述第一随机函数下的函数值；

根据计算出的函数值自动生成第一自变量表。

所述根据每预设周期各行政区域的财政数据生成第二自变量表的步骤包括：

收集每预设周期各行政区域的财政数据；

对所述收集到的每预设周期各行政区域的财政数据进行预处理，生成财政数据集合；

选取第二随机函数，将所述财政数据集合中的每一元素作为自变量，计算所述每一元素在所述第二随机函数下的函数值；

根据计算出的函数值自动生成第二自变量表。

所述药械产品的质量评价指标包括药品抽检情况、药品gmp认证情况、药品gmp实施情况、与药品质量相关的行政处罚情况、研发创新情况、企业经营情况和药品使用的评价情况中的至少一项。

其中，gmp，全称(goodmanufacturingpractices)，中文含义是“生产质量管理规范”或“良好作业规范”、“优良制造标准”。gmp是一套适用于制药、食品等行业的强制性标准，要求企业从原料、人员、设施设备、生产过程、包装运输、质量控制等方面按国家有关法规达到卫生质量要求，形成一套可操作的作业规范帮助企业改善企业卫生环境，及时发现生产过程中存在的问题，加以改善。简要的说，gmp要求制药、食品等生产企业应具备良好的生产设备，合理的生产过程，完善的质量管理和严格的检测系统，确保最终产品质量(包括食品安全卫生等)符合法规要求。

所述药品抽检情况包括药品抽检不合格的批次，所述药品gmp认证情况包括企业或产品通过药品gmp认证的版本，所述药品gmp实施情况包括药品gmp严重违规的次数，所述研发创新情况包括药品是否原创、药品是否为或曾为中药品种保护产品、药品是否为或曾为国家认定的优质优价产品，所述企业经营情况包括同名药品市场占有率、企业医药主营业务收入和企业利润总额中的至少一项，所述药品使用评价情况包括药品使用者或专业人员通过互联网发表的对药品质量相关的评价。

本实施例中，可以采用多种形式获取药品质量指标数据，从而得出药品质量信用评估结果。

药品质量信用评估结果的输出或显示方式包括：通过颜色条来显示该药品的质量信用级别，其可以是不同的颜色代表不同的质量信用级别，也可以是通过同一种颜色的不同深浅程度来表示不同的质量信用级别；通过药品质量风险指数(数值)来表示该药品的质量信用级别，其可以是数值越高，所代表的质量信用级别越高，数值越低，所代表的质量信用级别越低，也可以是，数值越高，所代表的质量信用级别越低，数值越高，所代表的质量信用级别越低。通过图形或符号来显示该药品的质量信用级别，其可以是通过不同的图形或符号代表的质量信用级别，也可以是图形或符号的不同数量代表不同的质量信用级别。

对药品的质量信用级别的输出或显示，还可以采取其他的方式，根据选择的不同可以有所不同，本领域技术人员可以根据需求进行设计。

所述基于所述关联强度生成药械集中采购评价指标中各评分项权重的基础值的步骤为以所述关联强度为基础，自动生成评价指标中各评分项权重的基础值。

本实施例提出的电子装置能够为药品集中采购评价指标中评分项权重自动调节提供了具体有效的方案；通过人工智能技术，解决了评价指标算法参数调节所需的海量数据计算问题。

此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有药械集中采购评价指标的参数自动调节程序111，所述药械集中采购评价指标的参数自动调节程序111可被一个或多个处理器执行，以实现如下操作：

根据每预设周期各医疗机构采购的药械产品的质量评价指标及价格指标，生成第一自变量表；

根据每预设周期各行政区域的财政数据，生成第二自变量表；

根据所述每预设周期各医疗机构的采购的药械产品的采购金额，生成因变量表；

计算所述第一自变量表与所述第二自变量表中每一自变量与所述因变量表中每一因变量的关联强度；

基于所述关联强度生成药械集中采购评价指标中各评分项权重的基础值；

基于人工智能技术代入各医药数据至评价指标算法，并根据所述各评分项权重的基础值自动调节所述药械集中采购评价指标中各评分项权重值。

本发明计算机可读存储介质具体实施方式与上述电子装置和方法各实施例基本相同，在此不作累述。

可选地，在其他实施例中，所述药械集中采购评价指标的参数自动调节程序111还可以被分割为一个或者多个模块，一个或者多个模块被存储于存储器11中，并由一个或多个处理器(本实施例为处理器13)所执行以完成本发明，本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段，用于描述参数自动调节程序在电子装置中的执行过程。

例如，参照图3所示，为本发明电子装置一实施例中的药械集中采购评价指标的参数自动调节程序111的程序模块示意图，该实施例中，药械集中采购评价指标的参数自动调节程序111可以被分割为第一生成模块10、第二生成模块20、第三生成模块30、计算模块40、第四生成模块50、调节模块60，示例性地：

所述第一生成模块10，用于根据每预设周期各医疗机构采购的药械产品的质量评价指标及价格指标，生成第一自变量表；

所述第二生成模块20，用于根据每预设周期各行政区域的财政数据，生成第二自变量表；

所述第三生成模块30，用于根据所述每预设周期各医疗机构的采购的药械产品的采购金额，生成因变量表；

所述计算模块40，用于计算所述第一自变量表与所述第二自变量表中每一自变量与所述因变量表中每一因变量的关联强度；

所述生成模块50，用于基于所述关联强度生成药械集中采购评价指标中各评分项权重的基础值；

所述调节模块60，用于基于人工智能技术代入各医药数据至评价指标算法，并根据所述各评分项权重的基础值自动调节所述药械集中采购评价指标中各评分项权重值统。

所述第一生成模块10、第二生成模块20、第三生成模块30、计算模块40、生成模块50、调节模块60等程序模块被执行时所实现的功能或操作步骤与上述实施例大体相同，在此不再赘述。

需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。