[發(fā)明專利]醫(yī)院預(yù)測模型的生成方法、預(yù)測方法、系統(tǒng)及存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202210042508.2
• 申請日: 2022-01-14
• 公開（公告）號: CN114202037A
• 公開（公告）日: 2022-03-18
• 發(fā)明（設(shè)計）人: 鄧銘濤;高宇桄
• 申請（專利權(quán)）人: 上海蓬海淶訊數(shù)據(jù)技術(shù)有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06Q10/04;G06Q10/06
• 代理公司: 上海弼興律師事務(wù)所 31283
• 代理人: 金學(xué)來;羅朗

本發(fā)明公開了一種醫(yī)院預(yù)測模型的生成方法、預(yù)測方法、系統(tǒng)及存儲介質(zhì)，該生成方法包括：獲取設(shè)定的醫(yī)院指標(biāo)變量；根據(jù)所述設(shè)定的醫(yī)院指標(biāo)變量構(gòu)建訓(xùn)練集；通過所述訓(xùn)練集訓(xùn)練目標(biāo)算法以獲取第一網(wǎng)絡(luò)結(jié)構(gòu)；對所述第一網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行MLE參數(shù)估計以獲取醫(yī)院預(yù)測模型，所述醫(yī)院預(yù)測模型用于預(yù)測目標(biāo)醫(yī)院指標(biāo)在預(yù)設(shè)檔位的概率。本發(fā)明中，利用醫(yī)院的歷史數(shù)據(jù)(即設(shè)定的醫(yī)院指標(biāo)變量)來構(gòu)建訓(xùn)練集，利用貝葉斯網(wǎng)絡(luò)對于醫(yī)院指標(biāo)變量的概率條件和因果關(guān)系進(jìn)行合理表達(dá)，通過對于貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)的估計，構(gòu)建第一網(wǎng)絡(luò)結(jié)構(gòu)，通過MLE參數(shù)估計可以得到第一網(wǎng)絡(luò)結(jié)構(gòu)中各網(wǎng)絡(luò)節(jié)點間的概率分布，從而可以得到醫(yī)院預(yù)測模型。

技術(shù)領(lǐng)域

本發(fā)明涉及醫(yī)院管理領(lǐng)域，涉及一種醫(yī)院預(yù)測模型的生成方法、預(yù)測方法、系統(tǒng)及存儲介質(zhì)。

背景技術(shù)

隨著科學(xué)技術(shù)的發(fā)展，對于醫(yī)院機構(gòu)的精細(xì)化管理提出了更高要求。提升醫(yī)療服務(wù)效率、降低醫(yī)療成本、改善服務(wù)質(zhì)量、推動醫(yī)療衛(wèi)生體制發(fā)展，成為醫(yī)院管理的重要目標(biāo)。

目前我國醫(yī)療機構(gòu)的科學(xué)管理實踐仍處于起步階段，尤其對于量化管理指標(biāo)的預(yù)測和評估，主要基于人工經(jīng)驗判斷，一方面，由于人工經(jīng)驗有限，容易對醫(yī)院管理指標(biāo)做出誤判，另一方面，這種管理模式效率低下。

發(fā)明內(nèi)容

本發(fā)明要解決的技術(shù)問題是為了克服現(xiàn)有技術(shù)中主要通過人工經(jīng)驗對醫(yī)院的數(shù)據(jù)進(jìn)行管理，由此使得醫(yī)院管理效率低下的缺陷，提供一種能夠量化醫(yī)院的指標(biāo)數(shù)據(jù)，提高醫(yī)院管理效率的醫(yī)院預(yù)測模型的生成方法、預(yù)測方法、系統(tǒng)及存儲介質(zhì)。

本發(fā)明是通過下述技術(shù)方案來解決上述技術(shù)問題：

本發(fā)明提供了一種醫(yī)院預(yù)測模型的生成方法，所述生成方法包括以下步驟：

獲取設(shè)定的醫(yī)院指標(biāo)變量；

根據(jù)所述設(shè)定的醫(yī)院指標(biāo)變量構(gòu)建訓(xùn)練集；

通過所述訓(xùn)練集訓(xùn)練目標(biāo)算法以獲取第一網(wǎng)絡(luò)結(jié)構(gòu)，所述目標(biāo)算法為用于訓(xùn)練貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的算法，所述第一網(wǎng)絡(luò)結(jié)構(gòu)包括所述設(shè)定的指標(biāo)變量對應(yīng)的網(wǎng)絡(luò)節(jié)點，及各個網(wǎng)絡(luò)節(jié)點之間的連接關(guān)系；

對所述第一網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行MLE(Maximum likelihood estimation,極大似然估計)參數(shù)估計以獲取醫(yī)院預(yù)測模型，所述醫(yī)院預(yù)測模型用于預(yù)測目標(biāo)醫(yī)院指標(biāo)在預(yù)設(shè)檔位的概率。

較佳地，所述通過所述訓(xùn)練集訓(xùn)練目標(biāo)算法以獲取第一網(wǎng)絡(luò)結(jié)構(gòu)的步驟包括以下步驟：

通過所述訓(xùn)練集訓(xùn)練目標(biāo)算法以獲取第二網(wǎng)絡(luò)結(jié)構(gòu)，所述第二網(wǎng)絡(luò)結(jié)構(gòu)包括所述設(shè)定的指標(biāo)變量對應(yīng)的網(wǎng)絡(luò)節(jié)點，及各個網(wǎng)絡(luò)節(jié)點之間的連接關(guān)系；

對于任意兩個網(wǎng)絡(luò)節(jié)點：當(dāng)所述兩個網(wǎng)絡(luò)節(jié)點的權(quán)重大于或等于權(quán)重閾值，則保留所述兩個網(wǎng)絡(luò)節(jié)點之間的連接關(guān)系；當(dāng)所述兩個網(wǎng)絡(luò)節(jié)點的權(quán)重小于權(quán)重閾值，則去除所述兩個網(wǎng)絡(luò)節(jié)點之間的連接關(guān)系，獲得第三網(wǎng)絡(luò)結(jié)構(gòu)；

根據(jù)所述第三網(wǎng)絡(luò)結(jié)構(gòu)獲取第一網(wǎng)絡(luò)結(jié)構(gòu)。

較佳地，所述根據(jù)所述第三網(wǎng)絡(luò)結(jié)構(gòu)獲取第一網(wǎng)絡(luò)結(jié)構(gòu)的步驟包括：

在所述第三網(wǎng)絡(luò)結(jié)構(gòu)中選擇預(yù)設(shè)數(shù)量的連接關(guān)系；

對于選擇的每一連接關(guān)系：當(dāng)所述連接關(guān)系符合預(yù)設(shè)條件，則保留所述連接關(guān)系；當(dāng)所述連接關(guān)系不符合所述預(yù)設(shè)條件，則去除所述連接關(guān)系，獲得第一網(wǎng)絡(luò)結(jié)構(gòu)。

較佳地，所述對所述第一網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行MLE參數(shù)估計以獲取醫(yī)院預(yù)測模型的步驟包括：

對于每一設(shè)定的醫(yī)院指標(biāo)變量，設(shè)定預(yù)設(shè)數(shù)量的檔位并將所述醫(yī)院指標(biāo)變量劃分至對應(yīng)的檔位中，以得到對應(yīng)的離散型數(shù)據(jù)；

利用所有的離散型數(shù)據(jù)對所述第一網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行MLE參數(shù)估計以得到概率質(zhì)量函數(shù)，獲得醫(yī)院數(shù)據(jù)預(yù)測模型，所述概率質(zhì)量函數(shù)用于在不同的輸入條件下預(yù)測各個網(wǎng)絡(luò)節(jié)點間的條件概率。