一种基于大数据分析的医院病人信息管理系统的制作方法

本发明涉及病人信息处理，更具体地说，它涉及一种基于大数据分析的医院病人信息管理系统。

背景技术：

1、公开号为cn116612870a，专利名称为一种普外科患者数据管理方法的中国专利公开了：先通过采集患者数据生成护士的护理能力库，每个护士对应不同疾病类型的护理能力，再通过遗传算法结合神经网络模型生成满意度级别最大的护士管理策略，根据护士管理策略能够将护士分配到指定疾病类型的患者和班次。

2、上述方案虽然考虑了护士的护理能力与患者的疾病的匹配程度，但是并没有考虑到患者疾病的发展情况，例如直肠癌术后吻合口瘘是术后常见的并发症之一，需要护士对患者造口处进行定期清洁，除此之外，由于患者活动不便还会发生不同程度的水肿，需要提前安排护士对患者进行观察；因此只有及时地调整护士管理策略，才能确保患者得到最佳的护理服务。

技术实现思路

1、本发明提供一种基于大数据分析的医院病人信息管理系统，解决相关技术中缺乏考虑患者的疾病的发展情况，难以及时地调整护士管理策略的技术问题。

2、本发明提供了一种基于大数据分析的医院病人信息管理系统，包括：

3、护理能力标签生成模块，为每个护士生成多个护理能力标签，一个护理能力标签对应一个疾病类型或者并发症类型；

4、体征序列生成模块，在预设采集时间段t内，按照预设采集时间间隔t采集每个待看护病人的体征数据，并结合待看护病人的疾病类型，生成每个待看护病人的体征序列；

5、并发症类型预测模块，将每个待看护病人的体征序列输入到并发症预测模型，输出每个待看护病人的并发症类型；

6、第一护士管理策略生成模块，基于每个护士的护理能力标签以及每个待看护病人的疾病类型和并发症类型，通过最大迭代次数为m的遗传算法来生成第一护士管理策略；每个护士和每个待看护病人都分配有一个唯一编号；

7、图网络数据生成模块，基于第一护士管理策略生成图网络数据；

8、图网络数据包括：节点、节点的初始特征和第一邻接矩阵；

9、节点包括：第一节点和第二节点；

10、第一节点与护士建立数据联系；

11、第二节点与待看护病人建立数据联系；

12、节点的初始特征根据节点建立数据联系的信息生成；

13、节点之间的连接关系通过第一邻接矩阵来表示；

14、第一邻接矩阵的大小为u*v，u表示护士的数量，v表示待看护病人的数量，第一邻接矩阵的元素值通过0或者1来表示，第一邻接矩阵的第u行的第v列的元素值为1，则表示编号为u的护士分配到编号为v的待看护病人，否则表示编号为u的护士没有分配到编号为v的待看护病人；

15、第二护士管理策略生成模块，将图网络数据输入到图神经网络模型中，输出第二邻接矩阵，根据第二邻接矩阵生成第二护士管理策略；第二邻接矩阵和第一邻接矩阵的表示相同。

16、进一步地，1≤u≤u，1≤v≤v，t、t和m均为自定义参数，t的默认值为60分钟，t的默认值为5分钟，m的默认值为20。

17、进一步地，待看护病人的体征序列的每个序列单元通过将待看护病人的血压、心率、体温、图像数据、既往病史和疾病类型进行拼接获得；所述图像数据、既往病史和疾病类型都通过向量来表示；所述图像数据的向量表示通过卷积神经网络模型获得，用于训练卷积神经网络模型的样本标签表示并发症类型，样本标签通过相关专家进行标注；所述既往病史和疾病类型的向量表示都是通过词向量模型生成。

18、进一步地，并发症预测模型包括g个隐藏单元，其中g＝t/t，第g个隐藏单元输入一个待看护病人的体征序列的第g个序列单元，其中1≤g≤g，第g隐藏单元的输出输入到softmax分类器中，该分类器输出不同并发症类型对应的概率值，概率值大于等于概率阈值则将对应的并发症类型作为待看护病人的并发症类型，所述概率阈值为自定义参数，概率阈值的默认值为30％。

19、进一步地，并发症预测模型的隐藏单元基于门控循环神经网络单元构建。

20、进一步地，通过遗传算法来生成第一护士管理策略，包括以下步骤：

21、步骤s201，随机生成符合约束条件的数量为k个个体组成的初始化种群，其中k为自定义参数，k的默认值为20；

22、约束条件包括：在一个看护时间段内每个护士都分配至少有一个待看护病人；在一个看护时间段内一个护士最多只能分配有2个待看护病人；在一个看护时间段内每个待看护病人至少分配有一个护士；

23、初始化种群的个体表示为：

24、其中分别表示编号为1的护士分配到编号为1到编号为v的待看护病人的分配情况，分别表示编号为1到编号为u的护士分配到编号为1的待看护病人的分配情况，表示编号为u的护士分配到编号为v的待看护病人的分配情况，个体的元素值通过0或者1来表示，第u行的第v列的元素值为1，则表示编号为u的护士分配到编号为v的待看护病人，否则表示编号为u的护士没有分配到编号为v的待看护病人；

25、步骤s202，计算初始化种群中所有个体的适应度值；

26、将一个个体的每个元素对应的一个护士的护理能力标签和一个待看护病人的疾病类型和并发症类型同时输入到适应度函数模型中，输出该护士与该待看护病人之间的匹配度值，再将该个体的每个元素对应的匹配度值进行求和作为该个体的适应度值；

27、所述匹配度值为0-10之间的离散值；

28、步骤s203，选择适应度值最大的两个个体进行交叉和变异处理；

29、步骤s204，重复步骤s202和步骤s203，直至满足迭代终止条件，迭代终止条件包括：当前迭代次数大于等于最大迭代次数；在连续3个迭代次数内，适应度值的最大值的变化值小于等于变化阈值，变化阈值的默认值为0.5。

30、进一步地，适应度函数模型包括第一词向量层、第二词向量层、第一卷积层、第二卷积层、第一逻辑层、第二逻辑层和全连接层；

31、第一词向量层输入一个护士的护理能力标签，输出第一词向量；

32、第二词向量层输入一个待看护病人的疾病类型和并发症类型，输出第二词向量；

33、第一卷积层输入第一词向量，输出第三词向量；

34、第二卷积层输入第二词向量，输出第四词向量；

35、第三词向量和第四词向量的大小相同；

36、第一逻辑层用于计算获得第三词向量和第四词向量之间的相似度值；

37、第二逻辑层用于将第三词向量和第四词向量进行拼接并乘以相似度值获得第五词向量；

38、全连接层输入第五词向量，输出该护士与该待看护病人之间的匹配度值；

39、用于训练适应度函数模型的训练样本的样本标签通过相关专家进行标注。

40、进一步地，第一节点的初始特征通过词向量模型对护士的多个护理能力标签进行词向量编码获得，第二节点的初始特征通过词向量模型对待看护病人的疾病类型和并发症类型进行词向量编码获得。

41、进一步地，图神经网络模型的计算公式包括：

42、第一邻接矩阵s的计算公式如下：

43、

44、其中表示第i个节点的更新特征，pileu表示将u个第一节点的更新特征进行堆叠获得第一矩阵，表示将v个第二节点的更新特征进行堆叠获得第二矩阵，w1和w2分别表示第一权重参数和第二权重参数，t表示矩阵的转置操作，σ表示sigmoid激活函数，sigmoid激活函数用于将第一邻接矩阵中的元素值控制在0到1之间，当第一邻接矩阵中的元素值大于等于0.5则该元素值直接赋值为1，否则赋值为0；

45、第i个节点的更新特征的计算公式如下：

46、

47、其中1≤i≤u+v，ni与第i个节点存在连接关系的节点的集合，hj表示第j个节点的初始特征，wij表示第i个节点与第j个节点之间的权重参数，σ表示sigmoid激活函数。

48、进一步地，通过最大迭代次数为n的遗传算法来生成第三护士管理策略，再基于第三护士管理策略生成第三邻接矩阵，第三邻接矩阵和第一邻接矩阵的表示相同；将第三邻接矩阵与第二邻接矩阵的差作为图神经网络模型的损失函数，其中n远大于m，n的默认值为100。

49、本发明的有益效果在于：本发明综合考虑了患者的疾病的发展情况和患者与护士之间的匹配程度，并通过图神经网络模型加快生成护士管理策略的时间，能够及时地调整护士的分配，从而提高护理质量。