一种基于智慧医疗大数据的区域医疗资源分配系统及方法与流程

1.本发明涉及区域医疗资源分配技术领域，具体为一种基于智慧医疗大数据的区域医疗资源分配系统及方法。


背景技术：

2.长期以来，卫生资源配置中存在着许多不合理之处表现为卫生资源浪费，或者资源分配不合理。在生活当中，医院常常在一个阶段内看病人数爆满，导致大量患者在该医院排队等候时间特别久，甚至有时还没排到，医院就到了下班时间。因此需要一种基于智慧医疗大数据的区域医疗资源分配系统及方法，用来向排队等候的患者推荐最佳医院，合理利用区域医疗资源。


技术实现要素：

3.本发明的目的在于提供一种基于智慧医疗大数据的区域医疗资源分配系统及方法，以解决上述背景技术中提出的问题。
4.为了解决上述技术问题，本发明提供如下技术方案：
5.一种基于智慧医疗大数据的区域医疗资源分配方法，区域医疗资源分配方法包括以下步骤：
6.s1、构建区域医疗资源分配信息平台，患者进行登陆注册，获取患者的位置信息、挂号科室和目标医院；获取区域医疗资源分配信息平台内所有医院接纳患者的总人数、当前排队人数、剩余接纳人数；
7.s2、获取患者和目标医院的位置信息，构建前往目标医院消耗时间的预测模型，预测患者前往目标医院消耗的时间；
8.s3、获取目标医院当前排队人数，构建目标医院排队等待时间预测模型，预测患者在目标医院排队等待的时间；
9.s4、设置患者前往目标医院预测消耗的总时间阈值，判断患者前往目标医院预测消耗的总时间是否超出阈值；
10.s5、构建医院推荐模型，按照医院推荐得分从大到小的顺序将对应医院推荐给患者。
11.在步骤s2中：
12.s2-1、采集患者的位置信息与目标医院，建立患者从出发位置到目标医院的路段区域网络，
13.s2-2、利用进入路段区域网络路口上的监控装置，采集不同时间段内路段区域网络的道路情况；
14.s2-3、利用采集的不同时间段内路段区域网络的道路情况信息对患者在路段区域网络内的通过该道路区域消耗的时间进行分析处理，构建患者前往目标医院消耗时间的预测模型；
15.在步骤s2-1中，患者从出发位置出发进入路段区域网络，路段区域网络内存在有y个路口，对y个路口进行标记，记为集合d1＝{i1、i2、i3、
…
、iy}，所述i1、i2、i3、
…
、iy分别代表患者从出发位置前往目标医院经过的y个路口，对患者进入路段区域内的路线进行采集，根据采集得到的通过路段区域网络消耗时间的信息数据进行数据处理后，构建前往目标医院消耗时间的预测模型：
16.所述前往目标医院消耗时间的预测模型为：
17.t1＝a0+(a1*k1+a2*k2)*y
18.其中，t1为前往目标医院消耗时间；a0为当前时刻，a0＝1，2，...，n；a1为患者在交通拥堵情况下经过每个路口消耗的时间；k1患者在交通拥堵情况下经过每个路口消耗时间影响的权重；a2为患者在交通顺畅情况下经过每个路口消耗的时间；k2患者在交通顺畅情况下经过每个路口消耗时间影响的权重；y为路口数量。
19.在上述技术方案中，设置函数关系，对患者前往目标医院消耗时间t1进行预测；例如消耗时间t1的计算可以利用一次函数，因为其转化比例较为简单，随着经过路口的个数变多于交通情况的不同，其前往目标医院消耗的时间也就越多。
20.在步骤s3中：
21.获取区域医疗资源分配信息平台内目标医院当前排队人数，构建目标医院排队等待时间预测模型；
22.患者到达目标医院后，当前排队人数与剩余接纳人数相加未达到医院接纳患者的总人数时，患者需进行排队等待；
23.所述目标医院排队等待时间预测模型为：
24.t2＝a5*k5*b+μ
25.其中，t2为目标医院排队等待时间；a5为当前排队人数中每个人排队需等候的时间；k5为当前排队人数中每个人排队需等候的时间影响的权重；b 为当前排队人数；μ为误差。
26.构建患者前往目标医院预测消耗的总时间模型；
27.所述患者前往目标医院预测消耗的总时间模型为：
28.t
总
＝t1+t229.其中，t
总
为患者前往目标医院预测消耗的总时间。
30.设置函数关系，对患者前往目标医院消耗时间t1与目标医院排队等待时间t2进行相加，得到患者前往目标医院预测消耗的总时间；利用一次函数计算，因为其计算较为简单，随着患者前往目标医院消耗时间t1与目标医院排队等待时间t2的时间越长，其前往目标医院预测消耗的总时间也就越多。
31.设置患者前往目标医院预测消耗的总时间阈值t
max
，当t
总
大于t
max
时，区域医疗资源分配信息平台向患者推荐该平台内的最佳医院，构建医院推荐模型：
32.分别获取任一医院排队等待的时间、前往任一医院路程消耗的时间；构建医院推荐模型：
[0033][0034]
其中，q为任一医院推荐得分；l为归一化的基础医院得分；d1、d2分别为任一医院排
队等待的时间数据均值、前往任一医院路程消耗的时间数据均值；θ1、θ2分别任一医院排队等待的时间数据的标准差、前往任一医院路程消耗的时间数据的标准差；ω任一医院推荐得分影响的权重；
[0035]
按照医院推荐得分从大到小的顺序对医院进行排序，并将排序后的对应医院推荐给患者。
[0036]
一种基于智慧医疗大数据的区域医疗资源分配系统，该系统包括信息采集模块、时间预测模块、分析判断模块、医院推荐模块；
[0037]
所述信息采集模块用于采集患者的位置信息、就诊人数和目标医院与区域内所有医院接纳患者的总人数、当前排队人数、剩余接纳人数容量；所述时间预测模块用于对患者前往目标医院消耗的时间进行预测，对患者在目标医院排队等待的时间进行预测、对患者前往目标医院预测消耗的总时间进行预测；所述分析判断模块用于对患者前往目标医院预测消耗的总时间进行分析，判断患者前往目标医院预测消耗的总时间是否超出阈值；所述医院推荐模块用于按照医院推荐得分从大到小的顺序对医院进行排序，并将排序后的对应医院推荐给患者；
[0038]
所述信息采集模块的输出端与所述时间预测模块的输入端相连接；所述时间预测模块的输出端与所述分析模块的输入端相连接；所述分析判断模块的输出端与所述医院推荐模块的输入端相连接；所述医院推荐模块的输出端与所述管理端口的输入端相连接。
[0039]
所述信息采集模块包括患者信息采集单元、目标医院信息采集单元；
[0040]
所述患者信息采集单元用于对患者的位置信息、就诊人数和目标医院进行采集；所述目标医院信息采集单元用于对区域内所有医院接纳患者的总人数、当前排队人数、剩余接纳人数容量进行采集；
[0041]
所述患者信息采集单元的输出端与所述目标医院信息采集单元的输入端相连接；所述目标医院信息采集单元的输出端与所述时间预测模块的输入端相连接。
[0042]
所述时间预测模块包括到达时间预测单元、排队等待时间预测单元、消耗总时间预测单元；
[0043]
所述到达时间预测单元用于对患者前往目标医院消耗的时间进行预测；所述排队等待时间预测单元用于对患者在目标医院排队等待的时间进行预测；所述消耗总时间预测单元对患者前往目标医院预测消耗的总时间进行预测；
[0044]
所述到达时间预测单元的输出端与所述排队等待时间预测单元的输入端相连接；所述排队等待时间预测单元的输出端与所述消耗总时间预测单元的输入端相连接；所述消耗总时间预测单元的输出端与所述分析判断模块的输入端相连接。
[0045]
所述分析判断模块包括分析单元、判断单元；
[0046]
所述分析单元用于对患者前往目标医院预测消耗的总时间进行分析；所述判断单元用于判断患者前往目标医院预测消耗的总时间是否超出阈值；
[0047]
所述分析单元的输出端与所述判断单元的输入端相连接；所述判断单元的输出端与所述医院推荐模块的输入端相连接。
[0048]
所述医院推荐模块包括医院排序单元、医院推荐单元；
[0049]
所述医院排序单元用于按照医院推荐得分从打到小的顺序对医院进行排序；所述医院推荐单元用于将排序后的对应医院推荐给患者；
[0050]
所述医院排序单元的输出端与所述医院推荐单元的输入端相连接；所述医院推荐单元的输出端与所述管理端口的输入端相连接。
[0051]
与现有技术相比，本发明所达到的有益效果是：构建区域医疗资源分配信息平台，患者进行登陆注册，获取患者的位置信息、就诊人数和目标医院；获取区域内所有医院接纳患者的总人数、当前排队人数、剩余接纳人数容量；获取患者和目标医院的位置信息，构建前往目标医院消耗时间的预测模型，预测患者前往目标医院消耗的时间；获取目标医院当前排队人数，构建目标医院排队等待时间预测模型，预测患者在目标医院排队等待的时间；基于前往目标医院消耗时间的预测模型和目标医院排队等待时间预测模型，得到患者前往目标医院预测消耗的总时间；设置患者前往目标医院预测消耗的总时间阈值，判断患者前往目标医院预测消耗的总时间是否超出阈值；构建最佳医院推荐模型，按照医院推荐得分从大到小的顺序将对应医院推荐给患者。
[0052]
本发明能够向排队等候的患者推荐医院，按照医院推荐得分从大到小的顺序对医院进行排序，并将排序后的对应医院推荐给患者，合理利用资源。
附图说明
[0053]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
[0054]
图1是本发明一种基于智慧医疗大数据的区域医疗资源分配系统的结构示意图；
[0055]
图2是本发明一种基于智慧医疗大数据的区域医疗资源分配系统及方法的流程示意图。
具体实施方式
[0056]
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。基于本发明中的实施例，本领域普通技术人员在没有做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。
[0057]
请参阅图1-2，本发明提供技术方案：
[0058]
实施例一：一种基于智慧医疗大数据的区域医疗资源分配方法，区域医疗资源分配方法包括以下步骤：
[0059]
s1、构建区域医疗资源分配信息平台，患者进行登陆注册，获取患者的位置信息、挂号科室和目标医院；获取区域医疗资源分配信息平台内所有医院接纳患者的总人数、当前排队人数、剩余接纳人数；
[0060]
s2、获取患者和目标医院的位置信息，构建前往目标医院消耗时间的预测模型，预测患者前往目标医院消耗的时间；
[0061]
在步骤s2中：
[0062]
s2-1、采集患者的位置信息与目标医院，建立患者从出发位置到目标医院的路段区域网络，
[0063]
s2-2、利用进入路段区域网络路口上的监控装置，采集不同时间段内路段区域网络的道路情况；
[0064]
s2-3、利用采集的不同时间段内路段区域网络的道路情况信息对患者在路段区域网络内的通过该道路区域消耗的时间进行分析处理，构建患者前往目标医院消耗时间的预测模型；
[0065]
在步骤s2-1中，患者从出发位置出发进入路段区域网络，路段区域网络内存在有y个路口，对y个路口进行标记，记为集合d1＝{i1、i2、i3、
…
、iy}，所述i1、i2、i3、
…
、iy分别代表患者从出发位置前往目标医院经过的y个路口，对患者进入路段区域内的路线进行采集，根据采集得到的通过路段区域网络消耗时间的信息数据进行数据处理后，构建前往目标医院消耗时间的预测模型：
[0066]
所述前往目标医院消耗时间的预测模型为：
[0067]
t1＝a0+(a1*k1+a2*k2)*y
[0068]
其中，t1为前往目标医院消耗时间；a0为当前时刻，a0＝1，2，...，n；a1为患者在交通拥堵情况下经过每个路口消耗的时间；k1患者在交通拥堵情况下经过每个路口消耗时间影响的权重；a2为患者在交通顺畅情况下经过每个路口消耗的时间；k2患者在交通顺畅情况下经过每个路口消耗时间影响的权重；y为路口数量；
[0069]
s3、获取目标医院当前排队人数，构建目标医院排队等待时间预测模型，预测患者在目标医院排队等待的时间；
[0070]
在步骤s3中：
[0071]
获取区域医疗资源分配信息平台内目标医院当前排队人数，构建目标医院排队等待时间预测模型；
[0072]
患者到达目标医院后，当前排队人数与剩余接纳人数相加未达到医院接纳患者的总人数时，患者需进行排队等待；
[0073]
所述目标医院排队等待时间预测模型为：
[0074]
t2＝a5*k5*b+μ
[0075]
其中，t2为目标医院排队等待时间；a5为当前排队人数中每个人排队需等候的时间；k5为当前排队人数中每个人排队需等候的时间影响的权重；b 为当前排队人数；μ为误差。
[0076]
s4、设置患者前往目标医院预测消耗的总时间阈值，判断患者前往目标医院预测消耗的总时间是否超出阈值；
[0077]
构建患者前往目标医院预测消耗的总时间模型；
[0078]
所述患者前往目标医院预测消耗的总时间模型为：
[0079]
t
总
＝t1+t2[0080]
其中，t
总
为患者前往目标医院预测消耗的总时间。
[0081]
设置患者前往目标医院预测消耗的总时间阈值t
max
，当t
总
大于t
max
时，区域医疗资源分配信息平台向患者推荐该平台内的最佳医院；
[0082]
s5、构建医院推荐模型，按照医院推荐得分从大到小的顺序将对应医院推荐给患者。
[0083]
在步骤s5中，
[0084]
构建医院推荐模型：
[0085]
分别获取任一医院排队等待的时间、前往任一医院路程消耗的时间；构建医院推
荐模型：
[0086][0087]
其中，q为任一医院推荐得分；l为归一化的基础医院得分；d1、d2分别为任一医院排队等待的时间数据均值、前往任一医院路程消耗的时间数据均值；θ1、θ2分别任一医院排队等待的时间数据的标准差、前往任一医院路程消耗的时间数据的标准差；ω任一医院推荐得分影响的权重；
[0088]
按照医院推荐得分从大到小的顺序对医院进行排序，并将排序后的对应医院推荐给患者。
[0089]
设置目标医院a，区域医疗资源分配平台内另外两家医院b、c；
[0090]
根据前往目标医院消耗时间的预测模型，得到前往目标医院消耗时间：
[0091]
设a0为10；a1为22；k1为0.3；a2为12；k2为0.4；y为5；
[0092]
t1＝10+(18*0.3+9*0.4)*5
[0093]
计算得出t1为55；
[0094]
根据目标医院排队等待时间预测模型，得到在目标医院排队等待时间：
[0095]
设a5为7；k5为0.2；b为20，μ为0.5；
[0096]
t2＝7*0.2*20+0.5
[0097]
计算得出t2为28.5；
[0098]
得出患者前往目标医院预测消耗的总时间为83.5；
[0099]
设置患者前往目标医院预测消耗的总时间阈值t
max
为75，此时患者前往目标医院预测消耗的总时间大于阈值；
[0100]
构建医院推荐模型：b医院的推荐得分qb为
[0101][0102]
l为0.6；d1、d2分别为25、50；θ1、θ2分别0.3、0.35；ω为0.2；
[0103]
计算得出qb为22.07；
[0104]
c医院的推荐得分qc为
[0105][0106]
l为0.5；d1、d2分别为20、60；θ1、θ2分别0.25、0.4；ω为0.2；
[0107]
计算得出qc为19.05；
[0108]
经过对比qc＞qb，此时优先向患者推荐医院c。
[0109]
实施例二：提供一种基于智慧医疗大数据的区域医疗资源分配系统，该系统包括信息采集模块、时间预测模块、分析判断模块、医院推荐模块；
[0110]
所述信息采集模块用于采集患者的位置信息、就诊人数和目标医院与区域内所有医院接纳患者的总人数、当前排队人数、剩余接纳人数容量；所述时间预测模块用于对患者前往目标医院消耗的时间进行预测，对患者在目标医院排队等待的时间进行预测、对患者前往目标医院预测消耗的总时间进行预测；所述分析判断模块用于对患者前往目标医院预
测消耗的总时间进行分析，判断患者前往目标医院预测消耗的总时间是否超出阈值；所述医院推荐模块用于按照医院推荐得分从大到小的顺序对医院进行排序，并将排序后的对应医院推荐给患者；
[0111]
所述信息采集模块的输出端与所述时间预测模块的输入端相连接；所述时间预测模块的输出端与所述分析模块的输入端相连接；所述分析判断模块的输出端与所述医院推荐模块的输入端相连接；所述医院推荐模块的输出端与所述管理端口的输入端相连接。
[0112]
所述信息采集模块包括患者信息采集单元、目标医院信息采集单元；
[0113]
所述患者信息采集单元用于对患者的位置信息、就诊人数和目标医院进行采集；所述目标医院信息采集单元用于对区域内所有医院接纳患者的总人数、当前排队人数、剩余接纳人数容量进行采集；
[0114]
所述患者信息采集单元的输出端与所述目标医院信息采集单元的输入端相连接；所述目标医院信息采集单元的输出端与所述时间预测模块的输入端相连接。
[0115]
所述时间预测模块包括到达时间预测单元、排队等待时间预测单元、消耗总时间预测单元；
[0116]
所述到达时间预测单元用于对患者前往目标医院消耗的时间进行预测；所述排队等待时间预测单元用于对患者在目标医院排队等待的时间进行预测；所述消耗总时间预测单元对患者前往目标医院预测消耗的总时间进行预测；
[0117]
所述到达时间预测单元的输出端与所述排队等待时间预测单元的输入端相连接；所述排队等待时间预测单元的输出端与所述消耗总时间预测单元的输入端相连接；所述消耗总时间预测单元的输出端与所述分析判断模块的输入端相连接。
[0118]
所述分析判断模块包括分析单元、判断单元；
[0119]
所述分析单元用于对患者前往目标医院预测消耗的总时间进行分析；所述判断单元用于判断患者前往目标医院预测消耗的总时间是否超出阈值；
[0120]
所述分析单元的输出端与所述判断单元的输入端相连接；所述判断单元的输出端与所述医院推荐模块的输入端相连接。
[0121]
所述医院推荐模块包括医院排序单元、医院推荐单元；
[0122]
所述医院排序单元用于按照医院推荐得分从打到小的顺序对医院进行排序；所述医院推荐单元用于将排序后的对应医院推荐给患者；
[0123]
所述医院排序单元的输出端与所述医院推荐单元的输入端相连接；所述医院推荐单元的输出端与所述管理端口的输入端相连接。
[0124]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、方法、物品或者设备不仅包括那些要素，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、方法、物品或者设备所固有的要素。
[0125]
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。
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。