CN116612870B - 一种普外科患者数据管理方法 - Google Patents
一种普外科患者数据管理方法 Download PDFInfo
- Publication number
- CN116612870B CN116612870B CN202310871108.7A CN202310871108A CN116612870B CN 116612870 B CN116612870 B CN 116612870B CN 202310871108 A CN202310871108 A CN 202310871108A CN 116612870 B CN116612870 B CN 116612870B
- Authority
- CN
- China
- Prior art keywords
- nursing
- patient
- nurse
- patient data
- vector
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000002682 general surgery Methods 0.000 title claims abstract description 14
- 238000013523 data management Methods 0.000 title claims abstract description 13
- 230000000474 nursing effect Effects 0.000 claims abstract description 68
- 239000013598 vector Substances 0.000 claims abstract description 63
- 238000007726 management method Methods 0.000 claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims abstract description 38
- 201000010099 disease Diseases 0.000 claims abstract description 31
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 31
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 230000002068 genetic effect Effects 0.000 claims abstract description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 206010046996 Varicose vein Diseases 0.000 description 2
- 206010000050 Abdominal adhesions Diseases 0.000 description 1
- 206010003011 Appendicitis Diseases 0.000 description 1
- 239000010754 BS 2869 Class F Substances 0.000 description 1
- 239000010755 BS 2869 Class G Substances 0.000 description 1
- 238000001266 bandaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 210000003141 lower extremity Anatomy 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Physiology (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Epidemiology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Genetics & Genomics (AREA)
- Accommodation For Nursing Or Treatment Tables (AREA)
Abstract
本发明涉及患者数据处理技术领域,公开了一种普外科患者数据管理方法,包括以下步骤:步骤1,采集当前患者数据和历史患者数据;步骤2,基于采集的历史患者数据生成护士的护理能力库;步骤3,构建管理策略矩阵;步骤4,为患者和护士生成ID矢量;对于患者的疾病类型和护士的护理条目生成文本矢量;输入神经网络模型;步骤5,初始化种群,初始化的种群中的个体表示管理策略矩阵;通过遗传算法对初始化种群进行迭代,迭代K次后获得目标种群,从目标种群中选择一个个体表示的管理策略矩阵作为护理排班的结果;本发明综合考虑了护士的护理能力与患者的疾病的匹配程度,并且通过预估患者的满意度来自动生成最优化的护理管理策略。
Description
技术领域
本发明涉及患者数据处理技术领域,更具体地说,它涉及一种普外科患者数据管理方法。
背景技术
外科患者大部分都是行动不便的患者,对于护理的要求较高,现有技术中的护理工作的管理安排一般只考虑了护理人员的疲劳度和医院的经济效益,无法考虑患者对于护理的满意度,另外因为不同患者的病情不同,需要针对性的进行护理服务,而不同的护士也具有不同的技能水平,不一定能够满足不同类型的病情的护理工作,只有合理安排护士与患者的匹配,才能确保护理服务的质量和准确性;疾病类型对应护理工作。
发明内容
本发明提供一种普外科患者数据管理方法,解决相关技术中外科患者的护理工作的管理安排只考虑了护理人员的疲劳度和医院的经济效益的技术问题。
本发明提供了一种普外科患者数据管理方法,包括以下步骤:步骤1,采集当前患者数据和历史患者数据,当前患者数据和历史患者数据均包括患者ID和患者的疾病类型,历史患者数据还包括患者的护理内容、对应的护理护士、护理满意度级别。
步骤2,基于采集的历史患者数据生成护士的护理能力库,护理能力库中包括多个护理条目,一个护理条目对应于一个疾病类型。
步骤3,构建管理策略矩阵;管理策略矩阵中的元素为实数,实数的整数位为一位,对应于班次,实数的小数位为六位,对应于三个患者的ID。
步骤4,为生成的管理策略矩阵中的患者和护士生成独热编码,然后通过跳字模型生成ID矢量;对于患者的疾病类型和护士的护理条目生成文本矢量。
将ID矢量和文本矢量输入神经网络模型,神经网络模型包括线性层、第一隐藏层和全连接层,其中线性层用于将ID矢量线性变换到与文本矢量为同一维度,第一隐藏层输入文本矢量和变换后的文本矢量,第一隐藏层的输出输入全连接层,全连接层输出与护理满意度级别对应的标签;基于历史患者数据生成的管理策略矩阵训练神经网络模型。
步骤5,初始化种群,初始化的种群中的个体表示管理策略矩阵,初始化的种群中的个体的管理策略矩阵的元素是随机生成的。
通过遗传算法对初始化种群进行迭代,迭代K次后获得目标种群,从目标种群中选择一个个体表示的管理策略矩阵作为护理排班的结果。
每次迭代之后生成的管理策略矩阵处理后输入神经网络模型,只保留大于或等于设定护理满意度级别的个体进入下一轮迭代。
进一步地,患者的疾病类型对应着不同的疾病护理内容。
进一步地,如果一个护士的护理能力库中包括一个疾病类型对应的护理条目,则表示该护士具有该疾病类型的护理能力。
进一步地,管理策略矩阵中的第i行第j列的元素表示第i个护士在第j天的护理内容;护理内容包括班次和患者的ID。
进一步地,患者的疾病类型和护士的护理条目均是文本数据,通过常规的文本向量化表示的方法进行处理生成文本矢量。
第一隐藏层设有多层,第l层的第一隐藏层的计算公式如下:。
;其中,/>和/>分别表示第l层的第i个患者和第i个护士的中间矢量,/>表示第l-1层的集合/>的第j个矢量,/>表示第l-1层的集合/>的第j个矢量,/>和/>分别表示第l-1层的与第i个患者和第i个护士有关的矢量集合,/>和/>分别包含了第i个患者和第i个护士的中间矢量;/>和/>均包括文本矢量和中间矢量,N和M分别表示/>和/>中的矢量数量,/>和/>分别表示第l层第一隐藏层的权重参数和偏置,/>表示sigmoid激活函数。
当l=1时,,/>,/>表示第j个患者的ID矢量,/>表示第j个护士的ID矢量。
进一步地,历史患者数据中包含了排班的数据,其生成的管理策略矩阵是唯一的。
进一步地,管理策略矩阵的元素的随机生成满足以下条件:护士的护理条目必须与其所护理的患者的疾病类型对应。
同一护士一天只能排一个班次。
患者在每个班次都对应一个以上的护士。
一个班次内一个护士至少护理一个患者。
进一步地,目标种群中的个体按照护理满意度级别由高至低进行排序,选择前U个个体表示的管理策略矩阵作为推荐结果由管理人员选择。
进一步地,护理满意度级别对应的标签包括三个,分别对应一、二、三级的护理满意度级别,级别越高护理满意度越高。
本发明的有益效果在于:本发明综合考虑了护士的护理能力与患者的疾病的匹配程度,并且通过预估患者的满意度来自动生成最优化的护理管理策略。
附图说明
图1是本发明的一种普外科患者数据管理方法的流程图。
具体实施方式
现在将参考示例实施方式讨论本文描述的主题。应该理解,讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题,可以在不脱离本说明书内容的保护范围的情况下,对所讨论的元素的功能和排列进行改变。各个示例可以根据需要,省略、替代或者添加各种过程或组件。另外,相对一些示例所描述的特征在其他例子中也可以进行组合。
如图1所示,一种普外科患者数据管理方法,包括以下步骤:步骤1,采集当前患者数据和历史患者数据,当前患者数据和历史患者数据均包括患者ID和患者的疾病类型,历史患者数据还包括患者的护理内容、对应的护理护士、护理满意度级别。
患者的疾病类型对应着不同的疾病护理内容,例如患者的疾病类型是急性阑尾炎,患者术后除了常规的外科护理外,在病人血压平稳后采取半卧位,等排气后适当进行流食,护士在患者术后第二天督促病人下床适当活动,防止患者肠粘连。
例如患者的疾病类型是下肢静脉曲张手术,需要对患者静脉曲张的部位进行弹力绷带包扎,抬高患肢15-20厘米,护士在患者术后第二天鼓励病人下床适当活动。
步骤2,基于采集的历史患者数据生成护士的护理能力库,护理能力库中包括多个护理条目,一个护理条目对应于一个疾病类型。
也即如果护理能力库中包括一个疾病类型对应的护理条目,则表示该护士具有该疾病类型的护理能力。
步骤3,构建管理策略矩阵。
管理策略矩阵中的元素为实数,实数的整数位为一位,对应于班次,实数的小数位为六位,对应于三个患者的ID(患者的ID为两位数表示,如果没有对应的患者则用缺省值“00”表示)。
管理策略矩阵中的第i行第j列的元素表示第i个护士在第j天的护理内容;护理内容包括班次和患者的ID。
一天内护士的班次为:A班(7:00-15:00),B班(8:00-16:00),C班(9:30-19:00),D班(14:00-22:00),E班(15:00-23:00),F班(16:00-24:00),G班(18:00-1:00)和H班(24:00-8:00)。
步骤4,为生成的管理策略矩阵中的患者和护士生成独热编码,然后通过跳字模型生成ID矢量。
对于患者的疾病类型和护士的护理条目生成文本矢量。
在本发明的一个实施例中,患者的疾病类型和护士的护理条目均是文本数据,通过常规的文本向量化表示的方法进行处理生成文本矢量。
将ID矢量和文本矢量输入神经网络模型,神经网络模型包括线性层、第一隐藏层和全连接层,其中线性层用于将ID矢量线性变换到与文本矢量为同一维度,第一隐藏层输入文本矢量和变换后的文本矢量,第一隐藏层的输出输入全连接层,全连接层输出与护理满意度级别对应的标签。
第一隐藏层设有多层,第l层的第一隐藏层的计算公式如下:。
;其中,/>和/>分别表示第l层的第i个患者和第i个护士的中间矢量,/>表示第l-1层的集合/>的第j个矢量,/>表示第l-1层的集合/>的第j个矢量,/>和/>分别表示第l-1层的与第i个患者和第i个护士有关的矢量集合,/>和/>分别包含了第i个患者和第i个护士的中间矢量;/>和/>均包括文本矢量和中间矢量,N和M分别表示/>和/>中的矢量数量,矢量与患者有关表示矢量对应的护士护理该病人或矢量对应的疾病类型属于该病人,矢量与护士有关表示矢量对应的患者被该护士护理或矢量对应的护理条目属于该护士。/>和/>分别表示第l层第一隐藏层的权重参数和偏置,/>表示sigmoid激活函数。
当l=1时,,/>,/>表示第j个患者的ID矢量,/>表示第j个护士的ID矢量。
基于历史患者数据生成的管理策略矩阵训练神经网络模型,由于历史患者数据中包含了排班的数据,因此其生成的管理策略矩阵是唯一的,而基于当前患者数据生成的管理策略矩阵是随机的,是不唯一的。
在本发明的一个实施例中,护理满意度级别对应的标签包括三个,分别对应一、二、三级的护理满意度级别,级别越高护理满意度越高,训练时的护理满意度标签可以是由患者出院前对其进行采访获得。
步骤5,初始化种群,初始化的种群中的个体表示管理策略矩阵,初始化的种群中的个体的管理策略矩阵的元素是随机生成的。
随机生成满足以下条件:护士的护理条目必须与其所护理的患者的疾病类型对应。
同一护士一天只能排一个班次。
患者在每个班次都对应一个以上的护士。
一个班次内一个护士至少护理一个患者。
通过遗传算法对初始化种群进行迭代,迭代K次后获得目标种群,从目标种群中选择一个个体表示的管理策略矩阵作为护理排班的结果。
每次迭代之后生成的管理策略矩阵处理后输入神经网络模型,只保留大于或等于设定护理满意度级别的个体进入下一轮迭代。
在本发明的一个实施例中,目标种群中的个体按照护理满意度级别由高至低进行排序,选择前U个个体表示的管理策略矩阵作为推荐结果由管理人员选择。
上面对本实施例的实施例进行了描述,但是本实施例并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本实施例的启示下,还可做出很多形式,均属于本实施例的保护之内。
Claims (7)
1.一种普外科患者数据管理方法,其特征在于,包括以下步骤:步骤1,采集当前患者数据和历史患者数据,当前患者数据和历史患者数据均包括患者ID和患者的疾病类型,历史患者数据还包括患者的护理内容、对应的护理护士、护理满意度级别;
步骤2,基于采集的历史患者数据生成护士的护理能力库,护理能力库中包括多个护理条目,一个护理条目对应于一个疾病类型;
步骤3,构建管理策略矩阵;管理策略矩阵中的元素为实数,实数的整数位为一位,对应于班次,实数的小数位为六位,对应于三个患者的ID;管理策略矩阵中的第i行第j列的元素表示第i个护士在第j天的护理内容;护理内容包括班次和患者的ID;
步骤4,为生成的管理策略矩阵中的患者和护士生成独热编码,然后通过跳字模型生成ID矢量;对于患者的疾病类型和护士的护理条目生成文本矢量;
将ID矢量和文本矢量输入神经网络模型,神经网络模型包括线性层、第一隐藏层和全连接层,其中线性层用于将ID矢量线性变换到与文本矢量为同一维度,第一隐藏层输入文本矢量和变换后的文本矢量,第一隐藏层的输出输入全连接层,全连接层输出与护理满意度级别对应的标签;基于历史患者数据生成的管理策略矩阵训练神经网络模型;
步骤5,初始化种群,初始化的种群中的个体表示管理策略矩阵,初始化的种群中的个体的管理策略矩阵的元素是随机生成的;
通过遗传算法对初始化种群进行迭代,迭代K次后获得目标种群,从目标种群中选择一个个体表示的管理策略矩阵作为护理排班的结果;
每次迭代之后生成的管理策略矩阵处理后输入神经网络模型,只保留大于或等于设定护理满意度级别的个体进入下一轮迭代;
第一隐藏层设有多层,第l层的第一隐藏层的计算公式如下:;
;其中,/>和/>分别表示第l层的第i个患者和第i个护士的中间矢量,/>表示第l-1层的集合/>的第j个矢量,/>表示第l-1层的集合/>的第j个矢量,/>和/>分别表示第l-1层的与第i个患者和第i个护士有关的矢量集合,/>和/>分别包含了第i个患者和第i个护士的中间矢量;N和M分别表示/>和中的矢量数量,/>和/>分别表示第l层第一隐藏层的权重参数和偏置,/>表示sigmoid激活函数;
当l=1时,,/>,/>表示第j个患者的ID矢量,/>表示第j个护士的ID矢量;
目标种群中的个体按照护理满意度级别由高至低进行排序,选择前U个个体表示的管理策略矩阵作为推荐结果由管理人员选择。
2.根据权利要求1所述的一种普外科患者数据管理方法,其特征在于,患者的疾病类型对应着不同的疾病护理内容。
3.根据权利要求1所述的一种普外科患者数据管理方法,其特征在于,如果一个护士的护理能力库中包括一个疾病类型对应的护理条目,则表示该护士具有该疾病类型的护理能力。
4.根据权利要求1所述的一种普外科患者数据管理方法,其特征在于,患者的疾病类型和护士的护理条目均是文本数据,通过常规的文本向量化表示的方法进行处理生成文本矢量。
5.根据权利要求1所述的一种普外科患者数据管理方法,其特征在于,历史患者数据中包含了排班的数据,其生成的管理策略矩阵是唯一的。
6.根据权利要求1所述的一种普外科患者数据管理方法,其特征在于,管理策略矩阵的元素的随机生成满足以下条件:
护士的护理条目必须与其所护理的患者的疾病类型对应;
同一护士一天只能排一个班次;
患者在每个班次都对应一个以上的护士;
一个班次内一个护士至少护理一个患者。
7.根据权利要求1所述的一种普外科患者数据管理方法,其特征在于,护理满意度级别对应的标签包括三个,分别对应一、二、三级的护理满意度级别,级别越高护理满意度越高。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310871108.7A CN116612870B (zh) | 2023-07-17 | 2023-07-17 | 一种普外科患者数据管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310871108.7A CN116612870B (zh) | 2023-07-17 | 2023-07-17 | 一种普外科患者数据管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116612870A CN116612870A (zh) | 2023-08-18 |
CN116612870B true CN116612870B (zh) | 2023-10-10 |
Family
ID=87678551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310871108.7A Active CN116612870B (zh) | 2023-07-17 | 2023-07-17 | 一种普外科患者数据管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116612870B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118170927A (zh) * | 2024-05-10 | 2024-06-11 | 山东圣剑医学研究有限公司 | 一种用于ai数字人的科研资料知识图谱构建方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108053118A (zh) * | 2017-12-14 | 2018-05-18 | 泰康保险集团股份有限公司 | 医生排班方法与*** |
CN109493959A (zh) * | 2018-11-08 | 2019-03-19 | 泰康保险集团股份有限公司 | 医院排班方法及装置 |
CN110570937A (zh) * | 2019-09-17 | 2019-12-13 | 上海劳勤信息技术有限公司 | 一种医生和助手排班的方法 |
CN110705756A (zh) * | 2019-09-07 | 2020-01-17 | 创新奇智(重庆)科技有限公司 | 一种基于输入凸神经网络的电力能耗优化控制方法 |
CN111639743A (zh) * | 2020-05-23 | 2020-09-08 | 李光帅 | 一种以用户为核心的智慧医院信息智能采集方法及*** |
CN112200411A (zh) * | 2020-09-10 | 2021-01-08 | 华中科技大学同济医学院附属协和医院 | 一种兼顾病人和护理人员诉求的护理人力资源排班*** |
CN112926943A (zh) * | 2021-03-11 | 2021-06-08 | 中国人民解放军国防科技大学 | 一种自动排班的方法、***、计算机设备和存储介质 |
WO2021235866A1 (ko) * | 2020-05-20 | 2021-11-25 | 서울대학교병원 | 병원 리소스에 대한 환자 니즈 예측 방법 및 시스템 |
CN114093482A (zh) * | 2021-11-19 | 2022-02-25 | 中南大学湘雅医院 | 一种面向移动诊疗的医护患匹配方法及其*** |
CN114117238A (zh) * | 2021-12-09 | 2022-03-01 | 福寿康(上海)医疗养老服务有限公司 | 护理员智能推荐排程*** |
CN114792561A (zh) * | 2022-06-24 | 2022-07-26 | 山东第一医科大学附属省立医院(山东省立医院) | 一种一站式临床支持和服务方法及*** |
CN114974531A (zh) * | 2022-05-16 | 2022-08-30 | 祁雷 | 一种基于大数据的智能医疗护理*** |
CN114969557A (zh) * | 2022-07-29 | 2022-08-30 | 之江实验室 | 一种基于多来源信息融合的宣教推送方法和*** |
CN116344005A (zh) * | 2023-01-10 | 2023-06-27 | 河北工业大学 | 一种hhcsrp中护士分配阶段的多目标优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220019952A1 (en) * | 2020-07-15 | 2022-01-20 | Siemens Medical Solutions Usa, Inc. | Fair scheduling of nurses in resource constrained settings |
-
2023
- 2023-07-17 CN CN202310871108.7A patent/CN116612870B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108053118A (zh) * | 2017-12-14 | 2018-05-18 | 泰康保险集团股份有限公司 | 医生排班方法与*** |
CN109493959A (zh) * | 2018-11-08 | 2019-03-19 | 泰康保险集团股份有限公司 | 医院排班方法及装置 |
CN110705756A (zh) * | 2019-09-07 | 2020-01-17 | 创新奇智(重庆)科技有限公司 | 一种基于输入凸神经网络的电力能耗优化控制方法 |
CN110570937A (zh) * | 2019-09-17 | 2019-12-13 | 上海劳勤信息技术有限公司 | 一种医生和助手排班的方法 |
WO2021235866A1 (ko) * | 2020-05-20 | 2021-11-25 | 서울대학교병원 | 병원 리소스에 대한 환자 니즈 예측 방법 및 시스템 |
CN111639743A (zh) * | 2020-05-23 | 2020-09-08 | 李光帅 | 一种以用户为核心的智慧医院信息智能采集方法及*** |
CN112200411A (zh) * | 2020-09-10 | 2021-01-08 | 华中科技大学同济医学院附属协和医院 | 一种兼顾病人和护理人员诉求的护理人力资源排班*** |
CN112926943A (zh) * | 2021-03-11 | 2021-06-08 | 中国人民解放军国防科技大学 | 一种自动排班的方法、***、计算机设备和存储介质 |
CN114093482A (zh) * | 2021-11-19 | 2022-02-25 | 中南大学湘雅医院 | 一种面向移动诊疗的医护患匹配方法及其*** |
CN114117238A (zh) * | 2021-12-09 | 2022-03-01 | 福寿康(上海)医疗养老服务有限公司 | 护理员智能推荐排程*** |
CN114974531A (zh) * | 2022-05-16 | 2022-08-30 | 祁雷 | 一种基于大数据的智能医疗护理*** |
CN114792561A (zh) * | 2022-06-24 | 2022-07-26 | 山东第一医科大学附属省立医院(山东省立医院) | 一种一站式临床支持和服务方法及*** |
CN114969557A (zh) * | 2022-07-29 | 2022-08-30 | 之江实验室 | 一种基于多来源信息融合的宣教推送方法和*** |
CN116344005A (zh) * | 2023-01-10 | 2023-06-27 | 河北工业大学 | 一种hhcsrp中护士分配阶段的多目标优化方法 |
Non-Patent Citations (1)
Title |
---|
杨凯 ; 曹淑卿 ; .基于整数规划和变换规则优化算法的手术室护士排班模型研究.医院管理论坛.2020,(第07期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116612870A (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Melin et al. | A hybrid model based on modular neural networks and fuzzy systems for classification of blood pressure and hypertension risk diagnosis | |
Khemphila et al. | Comparing performances of logistic regression, decision trees, and neural networks for classifying heart disease patients | |
CN116612870B (zh) | 一种普外科患者数据管理方法 | |
CN102693351B (zh) | 用于临床决策支持的***和方法 | |
Khanna | Artificial intelligence: contemporary applications and future compass | |
Yoon | What we need to prepare for the fourth industrial revolution | |
Kumar et al. | Predictive classification of covid-19: Assessing the impact of digital technologies | |
Zeng et al. | Multi-view deep learning framework for predicting patient expenditure in healthcare | |
Kaur et al. | Fuzzy logic and hybrid based approaches for the risk of heart disease detection: state-of-the-art review | |
Nasr et al. | A novel model based on non invasive methods for prediction of liver fibrosis | |
Alharbi et al. | Prediction of dental implants using machine learning algorithms | |
Burnside | Bayesian networks: Computer-assisted diagnosis support in radiology1 | |
Feuillâtre et al. | Similarity measures and attribute selection for case-based reasoning in transcatheter aortic valve implantation | |
Salem et al. | Applications of the CBR Methodology to Medicine | |
Sultana et al. | Informatics based design of prosthetic Ti alloys | |
Ayabakan et al. | What drives patient readmissions? A new perspective from the hidden Markov model analysis | |
Tang et al. | A two-echelon responsive health analytic model for triggering care plan revision in geriatric care management | |
Makumba et al. | A model for coronary heart disease prediction using data mining classification techniques | |
Hughes et al. | Prediction-constrained topic models for antidepressant recommendation | |
Ahn et al. | A fuzzy differential diagnosis of headache applying linear regression method and fuzzy classification | |
Gupta et al. | An overview of clinical decision support system (cdss) as a computational tool and its applications in public health | |
CN114694841A (zh) | 一种基于患者电子健康记录的不良事件风险预测方法 | |
Smith et al. | Efficiency of families managing home health care | |
Rakhmiddin et al. | Federated Learning for Clinical Event Classification Using Vital Signs Data | |
Adawiyah et al. | Hospital Length of Stay Prediction based on Patient Examination Using General features |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231113 Address after: No. 138, Qingganglin Neighborhood Committee, Xiaoxi Street, Gongjing District, Zigong City, Sichuan Province, 643020 Patentee after: Zigong mental health center Address before: 250101 901 Tongyuan Business Building, High-tech Zone, Jinan, Shandong Province Patentee before: Shandong Shengjian Medical Research Co.,Ltd. |
|
TR01 | Transfer of patent right |