基于大数据的医疗物资精细化管理方法及系统与流程

本发明属于医疗信息管理，具体为基于大数据的医疗物资精细化管理方法及系统。

背景技术：

1、基于大数据的医疗物资精细化管理方法及系统利用数据分析进行需求预测与库存优化，确保物资供需平衡，该系统能够及时识别库存不足情况，提高采购决策的科学性，确保医疗服务的高效与安全。但是针对现有适用于医疗物资精细化管理方法中，存在进货管理中医疗物资进货量不能精准控制和出货管理中物资有效期监测不严格的问题，从而造成医疗资源浪费和安全隐患；针对现有适用于医疗物资库存预测的模型中，存在模型收敛速度慢和难以收敛到全局最小值的技术问题，从而导致医疗物资库存预测结果不准确；针对现有适用于医疗物资有效监测的模型中，存在内置参数设置不当，从而导致监测模型输出结果不准确的问题。

技术实现思路

1、针对上述情况，为克服现有技术的缺陷，本发明提供了基于大数据的医疗物资精细化管理方法及系统，针对现有适用于医疗物资精细化管理方法中，存在进货管理中医疗物资进货量不能精准控制和出货管理中物资有效期监测不严格的问题，从而造成医疗资源浪费和安全隐患，本方案创造性地提出对医疗物资进货与出货进行双重管理的策略，实现了对医疗物资从进货到出货的全流程精细化控制管理，提高了医疗物资的使用效率，降低了医疗资源浪费，确保了医疗物资供应的稳定性和连续性，为医疗服务的高质量开展提供了有力保障；针对现有适用于医疗物资库存预测的模型中，存在模型收敛速度慢和难以收敛到全局最小值的技术问题，从而导致医疗物资库存预测结果不准确，本方案引入动量加速优化技术和自适性动态学习率，平滑了模型权重的更新，加快了模型的收敛速度，提升预测模型的稳定性，从而提高医疗物资库存预测结果的准确性；针对现有适用于医疗物资有效监测的模型中，存在内置参数设置不当，从而导致监测模型输出结果不准确，本方案采用动态余弦混沌初始化方法、自适应动态权重机制和动态选择反向学习策略改进获取监测模型最优参数的算法，获取到最优参数组合，提升模型输出结果准确性。

2、本发明采取的技术方案如下：本发明提供的基于大数据的医疗物资精细化管理方法，该方法包括以下步骤：

3、步骤s1：数据采集；

4、步骤s2：数据预处理；

5、步骤s3：医疗物资库存预测；

6、步骤s4：医疗物资有效监测；

7、步骤s5：超参数优化；

8、步骤s6：医疗物资精细化管理。

9、进一步地，在步骤s1中，所述数据采集，具体为从医院内部的信息系统中，通过采集得到医疗物资管理原始数据；所述医疗物资管理原始数据包括历史医疗物资库存数据、历史医疗物资消耗数据、实时医疗物资库存数据、实时医疗物资基本信息和外部环境数据；所述历史医疗物资库存数据包含每种医疗物资的历史库存数量、使用频率、库存波动和损耗记录；所述历史医疗物资消耗数据包括消耗数量、时间、用途和消耗类型；所述实时医疗物资库存数据包括库存数量、状态信息和库存预警信息；所述实时医疗基本信息包含物资名称、型号、规格、生产厂家、生产日期、有效期、批次号、存储条件和供应商信息；所述外部环境数据供应商的交货时间、交货频率、供应稳定性和季节性流行疾病。

10、进一步地，在步骤s2中，所述数据预处理，用于对医疗物资管理原始数据进行数据清洗、标准化处理和特征选择，得到医疗物资管理初步数据；所述数据清洗是处理缺失值、异常值和重复值；所述标准化处理是基于最大最小归一化方法对数据标准化处理；所述特征选择是运用相关性分析方法，从医疗物资管理原始数据中筛选出对医疗物资精细化管理相关特征。

11、进一步地，在步骤s3中，所述医疗物资库存预测，具体为通过动量加速优化技术和自适性动态学习率，建立医疗物资库存预测模型，得到医疗物资库存预测结果，包括以下步骤：

12、步骤s31：建立医疗物资库存预测模型，具体包括以下步骤：

13、步骤s311：初始化模型参数，具体为设置输入层神经元数量d、隐藏层神经元数量q、输出层神经元数量l、损失函数阈值和最大迭代次数；

14、步骤s312：模型顺向演算，具体包括以下步骤：

15、步骤s3121：计算隐藏层输入，所用公式如下：

16、；

17、式中，表示隐藏层输入值，表示输入层到隐藏层的权重，表示第i个输入神经元的输入值；

18、步骤s3122：计算隐藏层的输出，所用公式如下：

19、；

20、式中，表示隐藏层神经元输出值，隐藏层的偏置项；

21、步骤s3123：计算输出层输入，所用公式如下：

22、；

23、式中，表示输出层输入值，表示隐藏层到输出层的权重；

24、步骤s3124：计算输出层输出，所用公式如下：

25、；

26、式中，表示输出层神经元输出值，输出层的偏置项；

27、步骤s313：设计损失函数，所用公式如下：

28、；

29、式中，表示模型的损失函数，表示实际的目标值，w表示所有权重的集合，表示正则化参数；

30、步骤s314：模型逆向调整，具体包括以下步骤：

31、步骤s3141：计算梯度，所用公式如下：

32、；

33、式中，表示损失函数关于权重的梯度，表示残差对权重变化的敏感程度，表示单个样本的残差值，r表示所有样本的残差向量，表示雅可比矩阵的转置矩阵；

34、步骤s3142：更新权重变化量，具体通过动量加速优化技术更新权重变化量，所用公式如下：

35、；

36、；

37、式中，表示第n次迭代输入层到隐藏层的权重变化量，表示第n次迭代隐藏层到输出层的权重变化量，表示动量因子，用于加速收敛并减少训练过程中的振荡，表示学习率，表示损失函数对输入层到隐藏层权重的梯度，表示损失函数对隐藏层到输出层权重的梯度，表示第n-1次迭代输入层到隐藏层的权重变化量，表示第n-1次迭代隐藏层到输出层的权重变化量；

38、步骤s3143：获取自适性动态学习率，所用公式如下：

39、；

40、；

41、式中，表示第n+1次迭代时学习率，表示第n迭代时学习率，表示第n+1迭代时关于偏置项的损失函数值，表示第n次迭代时关于偏置项的损失函数值，和表示学习率上限和下限，表示所有偏置项的集合；

42、步骤s3144：计算误差，所用公式如下：

43、；

44、；

45、式中，表示输出层的误差值，表示隐藏层的误差值；

46、步骤s315：更新权重和偏置，所用公式如下：

47、；

48、式中，表示输入层到隐藏层权重更新值，表示隐藏层到输出层权重更新值，表示隐藏层的偏置项更新值，表示输出层的偏置项更新值；

49、步骤s316：迭代判定，具体为监控损失函数的变化情况和当前迭代次数，若损失函数低于设定阈值，则停止迭代训练，否则继续迭代训练，若达到最大迭代次数时，则停止迭代训练，否则继续迭代训练；

50、步骤s32：医疗物资库存预测模型训练，具体为使用所述医疗物资管理初步数据中历史医疗物资库存数据和外部环境数据作为输入数据，对医疗物资库存预测模型进行训练，得到训练后的医疗物资库存预测模型；

51、步骤s33：医疗物资库存预测，具体是将所述医疗物资管理初步数据中实时医疗物资库存数据和外部环境因素作为训练后的医疗物资库存预测模型的输入数据，得到医疗物资库存预测结果，所述医疗物资库存预测结果具体为各类医疗物资在未来时间内的物资需求。

52、进一步地，在步骤s4中，所述医疗物资有效期监测具体通过建立医疗物资有效期监测模型并对监测模型进行模型训练，将所述医疗物资管理初步数据中的实时医疗物资基本信息和所述医疗物资库存预测结果作为训练后监测模型的输入数据，得到医疗物资有效期监测结果；包括以下步骤：

53、步骤s41：建立医疗物资有效期监测模型，具体包括以下步骤：

54、步骤s411：初始化模型参数，设置模型隐藏单元数量、输入向量维度和输出向量维度；

55、步骤s412：遗忘门计算过程，所用公式如下：

56、；

57、式中，ft表示遗忘门的输出；xt表示是输入数据；ht-1表示是上一时刻隐藏状态；wxf和whf分别表示对应遗忘门处理输入数据和处理隐藏状态的权重矩阵，表示遗忘门的偏置项参数，表示sigmoid函数，表示hadamard积；

58、步骤s413：输入门计算过程，所用公式如下：

59、；

60、；

61、；

62、式中，it表示输入门的输出，wxi和whi分别表示对应输入门处理输入数据和处理隐藏状态的权重矩阵，bi表示输入门的偏置项参数，ct表示是当前时刻细胞单元状态，表示新细胞单元状态候选值，ct-1表示是上一时刻细胞单元状态，wxc和whc分别表示对应细胞单元状态处理输入数据和处理隐藏状态的权重矩阵，bc表示细胞单元状态的偏置项参数，表示元素乘法，表示双曲正切函数；

63、步骤s414：输出门计算过程，所用公式如下：

64、；

65、式中，ot表示输出门的输出，wxo和who分别表示是对应输出门处理输入数据和处理隐藏状态的权重矩阵；bo表示输出门的偏置项参数；

66、步骤s415：隐藏状态计算过程，所用公式如下：

67、；

68、式中，表示当前时刻的隐藏状态；

69、步骤s416：得到最终输出值，所用公式如下：

70、；

71、式中，表示监测模型的输出值，表示对应输出的权重矩阵，表示激活函数，表示输出层的偏置项参数；

72、步骤s42：医疗物资有效期监测模型训练，具体为使用所述医疗物资管理初步数据中历史医疗物资消耗数据作为输入数据，对医疗物资有效期监测模型进行训练，得到训练后的医疗物资有效期监测模型；

73、步骤s43：医疗物资有效期监测，具体是将所述医疗物资管理初步数据中的实时医疗物资基本信息和所述医疗物资库存预测结果作为训练后的医疗物资有效期监测模型的输入数据，得到医疗物资有效期监测结果，所述医疗物资有效期监测结果具体为当前医疗物资在未来的过期风险。

74、进一步地，在步骤s5中，所述超参数优化具体包括以下步骤：

75、步骤s51：初始化参数，具体为通过构建算法初始参数；所述算法初始参数，包括种群大小n、搜索坦克比例pn、观察坦克比例sn、最大迭代次数t、预警值r2和安全阈值st；

76、步骤s52：初始化种群，具体是使用动态余弦混沌初始化方法进行坦克机群初始化，包括以下步骤：

77、步骤s521：生成n个混沌序列值，初始化随机值z0，所用公式如下：

78、；

79、式中，表示第d维度第i个混沌序列值，表示第d维度第i+1个混沌序列值，round表示介于0到1之间的随机数；

80、步骤s522：混沌序列值转换搜索个体，公式表达如下：

81、；

82、式中，表示第i个体第d维度的初始化位置，lbd和ubd分别表示维度d的搜索下限和上限；

83、步骤s53：种群划分：计算种群中个体适应度值fi，将基于个体位置建立的医疗物资有效期监测模型性能作为个体的适应度值，将个体按适应度值由优至差进行排序，划分搜索坦克与辅助坦克；找到具有最佳适应度的个体fb及其位置xb，以及具有最差适应度的个体fw及其位置xw；

84、步骤s54:获取权重因子，具体为通过自适应动态权重机制获取权重因子，所用公式如下：

85、；

86、式中，ω(t)表示自适应权重因子，t表示迭代次数，表示介于[0,1]范围内的随机数；

87、步骤s55：更新搜索坦克位置，所用公式如下：

88、；

89、式中，表示第i个体在第t+1代坦克群中的第d个维度位置，表示第i个体在第t代坦克群群中的第d个维度位置，表示当前迭代中最佳适应度的对应位置，和表示[0,1]范围内的随机数，r2<st表示附近没有敌人，处于安全位置，r2≥st表示附近有敌人，需换个区域，q表示服从正态分布的随机数，表示种群随机个体位置，表示平滑项，是个常数；

90、步骤s56：更新辅助坦克位置，具体为通过贴地飞行策略更新位置；所用公式如下：

91、；

92、式中，i表示搜索个体的索引，n表示个体的数量，表示机群在第t+1次迭代中最佳适应度值的对应位置，表示当前迭代中最差适应度的对应位置，a+表示维度伪逆矩阵，元素随机分配1或-1；表示[0,1]范围内中均匀分布的随机数，表示位置缩放因子，是固定参数；

93、步骤s57：更新观察坦克位置，随机选择机群中8%个体作为观察坦克，进行位置更新；所用公式如下：

94、；

95、式中，表示是均值为0、方差为1的标准正态分布随机数，k表示是区间中均匀分布的随机数[−1,1]；

96、步骤s58：个体突变，重新计算每个个体的适应度值fi，通过动态选择反向学习策略，进行个体突变；所用公式如下：

97、；

98、；

99、；

100、式中，表示搜索个体在第t+1次迭代中突变后的位置，表示最优个体在第t次迭代中突变后的位置，表示满足柯西分布随机变量，和分别表示解空间的最大值和最小值，、和表示(0,1]范围内的随机数，表示选择概率；

101、步骤s59：搜索判定，具体为通过构建搜索终止条件，进行最优个体位置的搜索判定，得到最优个体位置数据设置；

102、所述搜索终止条件，包括阈值终止和迭代终止；

103、所述阈值终止，具体为设置适应度阈值，当所述个体适应度值fi高于适应度阈值时，超参数搜索完成；

104、所述迭代终止，具体指达到最大迭代次数时，终止迭代并获得最优个体位置；

105、所述最优个体位置，具体为医疗物资有效期监测模型参数。

106、进一步地，在步骤s6中，所述医疗物资精细化管理，具体是根据医疗物资库存预测模型的输出结果确定医疗物资合理的进货量，同时根据物资有效期监测模型的输出结果切实保障医疗物资在有效期内出货，且对过期风险高的医疗物资进行优先处理，通过两个输出结果相结合能够对医疗物资实现从进货至出货的全流程精细化控制管理，提升医疗物资的使用效率，降低浪费，使每一件医疗物资都能发挥最大的价值，确保医疗物资供应的稳定性和连续性。

107、本发明采取的技术方案如下：本发明提供的基于大数据的医疗物资精细化管理系统，包括数据采集模块、数据预处理模块、医疗物资库存预测模块、医疗物资有效监测模块、超参数优化模块和医疗物资精细化管理模块；

108、所述数据采集模块从医院内部的信息系统中，通过采集历史医疗物资库存数据、历史医疗物资消耗数据、实时医疗物资库存数据、实时医疗物资基本信息和外部环境数据，得到医疗物资管理原始数据，并将所述医疗物资管理原始数据发送至数据预处理模块；

109、所述数据预处理模块接收数据采集模块发送的数据，并对所述医疗物资管理原始数据进行数据清洗、标准化处理和特征选择，得到医疗物资管理初步数据，将所述医疗物资管理初步数据发送至医疗物资库存预测模块和医疗物资有效监测模块；

110、所述医疗物资库存预测模块接收数据预处理模块发送的医疗物资管理初步数据，并建立医疗物资库存预测模型对未来医疗物资库存进行预测，得到医疗物资库存预测结果，并将所述医疗物资库存预测结果发送至医疗物资有效监测模块和医疗物资精细化管理模块；

111、所述医疗物资有效监测模块接收数据预处理模块发送的医疗物资管理初步数据和医疗物资库存预测模块发送医疗物资库存预测结果，并建立医疗物资有效期监测模型对医疗物资的有效期进行监测，得到医疗物资有效期监测结果，并将所述医疗物资有效期监测结果发送至医疗物资精细化管理模块；

112、所述超参数优化模块，通过建立搜索算法，得到医疗物资有效期监测模型参数最优解组合，并将所述医疗物资有效期监测模型参数最优解组合发送至医疗物资有效监测模块；

113、所述医疗物资精细化管理模块接收医疗物资库存预测模块和医疗物资有效监测模块发送的输出结果，通过两个输出结果相结合能够对医疗物资实现从进货至出货的全流程精细化控制管理。

114、采用上述方案本发明取得的有益效果如下：

115、（1）针对现有适用于医疗物资精细化管理方法中，存在进货管理中医疗物资进货量不能精准控制和出货管理中物资有效期监测不严格的问题，从而造成医疗资源浪费和安全隐患，本方案创造性地提出对医疗物资进货与出货进行双重管理的策略，实现了对医疗物资从进货到出货的全流程精细化控制管理，提高了医疗物资的使用效率，降低了浪费，确保了医疗物资供应的稳定性和连续性，为医疗服务的高质量开展提供了有力保障。

116、（2）针对现有适用于医疗物资库存预测的模型中，存在模型收敛速度慢和难以收敛到全局最小值的技术问题，从而导致医疗物资库存预测结果不准确，本方案引入动量加速优化技术和自适性动态学习率，平滑了模型权重的更新，加快了模型的收敛速度，提升预测模型的稳定性，从而提高医疗物资库存预测结果的准确性。

117、（3）针对现有适用于医疗物资有效监测的模型中，存在内置参数设置不当，从而导致监测模型输出结果不准确，本方案采用动态余弦混沌初始化方法、自适应动态权重机制和动态选择反向学习策略改进获取监测模型最优参数的算法，获取到最优参数组合，提升模型输出结果准确性。