医院排班方法及装置制造方法及图纸

本发明专利技术提供一种医院排班方法及装置，通过获取患者满意度模型和医疗师总成本模型，并根据预设约束条件获取粒子群算法的初始种群参数，然后根据所述初始种群参数、所述患者满意度模型输出的满意度以及所述医疗师总成本模型输出的总成本，得到所述粒子群算法的全局最优解，并将所述全局最优解作为排班结果，实现了根据患者满意度和医疗师的总时间成本进行排班安排，使得最终得到的排班方案更加合理化，实现了提升患者满意度和降低服务成本的双重目标。

Method and Device of Scheduling in Hospital

The invention provides a hospital scheduling method and device, which obtains the patient satisfaction model and the total cost model of the physician, and obtains the initial population parameters of the particle swarm optimization algorithm according to the preset constraints, and then obtains the particle swarm according to the initial population parameters, the output satisfaction of the patient satisfaction model and the total cost of the output of the total cost model of the physician. The global optimal solution of the algorithm is regarded as the result of scheduling, which realizes the scheduling arrangement according to the patient satisfaction and the total time cost of the physician, makes the final scheduling scheme more reasonable, and achieves the dual goals of improving patient satisfaction and reducing service cost.

【技术实现步骤摘要】
医院排班方法及装置
本专利技术涉及人工智能
，尤其涉及一种医院排班方法及装置。
技术介绍
随着康复医院在全国范围内的兴起，康复治疗正朝着专业化、集成化的趋势发展。相对于医疗过程来说，康复治疗过程往往比较漫长，不只是身体和肢体的训练，还要有精神和心理的康复，患者才能够全面康复，因此，康复治疗需要非常强大的康复团队协同完成。康复团队中的医疗师的类型较多，包括：物理医疗师、作业医疗师、言语医疗师、运动医疗师、心理医疗师等，其中每一种类型的医疗师又可以分为不同等级。目前，康复医院的日常运营安排主要运用人工经验法，即采用人工调度方法去安排各医疗室的排班顺序。然而，上述的人工排班方法相对固定，造成患者满意度较低或者医疗师服务时间成本较高的问题。
技术实现思路
本专利技术提供一种医院排班方法及装置，以实现提高患者满意度和降低医疗师服务时间成本的双重目标。第一方面，本专利技术提供的医院排班方法，包括：获取患者满意度模型和医疗师总成本模型；所述患者满意度模型包括医疗师是否排班参数，所述医疗师总成本模型包括各所述医疗师是否排班的参数以及各所述医疗师的排班时长参数；根据预设约束条件获取粒子群算法的初始种群参数，所述初始种群参数包括待优化粒子的位置和速度，所述待优化粒子的位置为各所述医疗师的排班时长参数，所述速度为排班时长变化量；根据所述初始种群参数、所述患者满意度模型输出的满意度以及所述医疗师总成本模型输出的总成本，得到所述粒子群算法的全局最优解，并将所述全局最优解作为排班结果。可选的，所述预设约束条件包括如下中的至少一个：患者需求预测模型输出的预测总时长和目标服务总时长之间的误差小于预设误差，其中，所述目标服务总时长是根据各所述医疗师是否排班的参数以及各所述医疗师的排班时长参数确定的；所述目标服务总时长大于或等于医嘱执行总时长；所述患者满意度模型输出的满意度大于预设满意度。可选的，所述根据预设约束条件获取粒子群算法的初始种群参数之前，所述方法还包括：将患者数量、医嘱数量及类型、执行预约医嘱的工时、执行现有医嘱的工时输入至患者需求预测模型；获取所述患者需求预测模型输出的预测总时长，其中，所述患者需求预测模型为神经网络模型。可选的，所述根据所述初始种群参数、所述患者满意度模型输出的满意度以及所述医疗师总成本模型输出的总成本，得到所述粒子群算法的全局最优解，并将所述全局最优解作为排班结果，包括：根据所述患者满意度模型输出的满意度、所述医疗师总成本模型输出的总成本和惩罚因子确定各粒子的适应度值；根据各所述粒子的适应度值确定粒子最优位置和全局最优位置；判断所述粒子群算法是否达到迭代终止条件；若是，则将所述全局最优位置作为所述全局最优解；若否，则根据各所述粒子的粒子最优位置、全局最优位置更新各所述粒子的速度和位置；重复执行根据各所述粒子的适应度值确定粒子最优位置和全局最优位置的步骤，直至所述粒子群算法达到迭代终止条件。可选的，所述根据各所述粒子的粒子最优位置、全局最优位置更新各所述粒子的速度和位置，包括：获取种群分布因子；根据所述种群分布因子对惯性权重、第一加速系数、第二加速系数进行调整，得到调整后的惯性权重、调整后的第一加速系数以及调整后的第二加速系数；根据各所述粒子的粒子最优位置、全局最优位置以及所述调整后的惯性权重、调整后的第一加速系数以及调整后的第二加速系数，更新各所述粒子的速度和位置。可选的，所述获取种群分布因子，包括：对各所述粒子的适应度值进行排序，选取适应度值在中间位置的粒子作为中位数粒子；根据各所述粒子的适应度值和所述中位粒子的适应度值，得到种群分布因子。可选的，所述根据各所述粒子的粒子最优位置、全局最优位置以及所述调整后的惯性权重、调整后的第一加速系数以及调整后的第二加速系数，更新各所述粒子的速度和位置之前，所述方法还包括：在所述种群分布因子大于预设因子时，对各所述粒子的位置进行高斯变异处理，得到高斯变异处理后的粒子最优位置以及全局最优位置；所述根据各所述粒子的粒子最优位置、全局最优位置以及所述调整后的惯性权重、调整后的第一加速系数以及调整后的第二加速系数，更新各所述粒子的速度和位置，包括：根据高斯变异处理后的粒子最优位置、全局最优位置以及所述调整后的惯性权重、调整后的第一加速系数以及调整后的第二加速系数，更新各所述粒子的速度和位置。第二方面，本专利技术提供的医院排班装置，包括：获取模块，用于获取患者满意度模型和医疗师总成本模型；所述患者满意度模型包括医疗师是否排班参数，所述医疗师总成本模型包括各所述医疗师是否排班的参数以及各所述医疗师的排班时长参数；确定模块，用于根据预设约束条件获取粒子群算法的初始种群参数，所述初始种群参数包括待优化粒子的位置和速度，所述待优化粒子的位置为各所述医疗师的排班时长参数，所述速度为排班时长变化量；处理模块，用于根据所述初始种群参数、所述患者满意度模型输出的满意度以及所述医疗师总成本模型输出的总成本，得到所述粒子群算法的全局最优解，并将所述全局最优解作为排班结果。可选的，所述预设约束条件包括如下中的至少一个：患者需求预测模型输出的预测总时长和目标服务总时长之间的误差小于预设误差，其中，所述目标服务总时长是根据各所述医疗师是否排班的参数以及各所述医疗师的排班时长参数确定的；所述目标服务总时长大于或等于医嘱执行总时长；所述患者满意度模型输出的满意度大于预设满意度。可选的，所述装置还包括：预测模块；所述预测模块，用于将患者数量、医嘱数量及类型、执行预约医嘱的工时、执行现有医嘱的工时输入至患者需求预测模型；获取所述患者需求预测模型输出的预测总时长，其中，所述患者需求预测模型为神经网络模型。可选的，所述处理模块，具体用于根据所述患者满意度模型输出的满意度、所述医疗师总成本模型输出的总成本和惩罚因子确定各粒子的适应度值；根据各所述粒子的适应度值确定粒子最优位置和全局最优位置；判断所述粒子群算法是否达到迭代终止条件；若是，则将所述全局最优位置作为所述全局最优解；若否，则根据各所述粒子的粒子最优位置、全局最优位置更新各所述粒子的速度和位置；重复执行根据各所述粒子的适应度值确定粒子最优位置和全局最优位置的步骤，直至所述粒子群算法达到迭代终止条件。可选的，所述处理模块，具体用于获取种群分布因子；根据所述种群分布因子对惯性权重、第一加速系数、第二加速系数进行调整，得到调整后的惯性权重、调整后的第一加速系数以及调整后的第二加速系数；根据各所述粒子的粒子最优位置、全局最优位置以及所述调整后的惯性权重、调整后的第一加速系数以及调整后的第二加速系数，更新各所述粒子的速度和位置。可选的，所述处理模块，具体用于对各所述粒子的适应度值进行排序，选取适应度值在中间位置的粒子作为中位数粒子；根据各所述粒子的适应度值和所述中位粒子的适应度值，得到种群分布因子。可选的，所述处理模块，具体用于在所述种群分布因子大于预设因子时，对各所述粒子的粒子最优位置、全局最优位置进行高斯变异处理，得到高斯变异处理后的粒子最优位置以及全局最优位置；根据高斯变异处理后的粒子最优位置、全局最优位置以及所述调整后的惯性权重、调整后的第一加速系数以及调整后的第二加速系数，更新各所述粒子的速度和位置。第三方面，本专利技术提供的电子设备，包括：存储器；处理器；以本文档来自技高网...

【技术保护点】
1.一种医院排班方法，其特征在于，包括：获取患者满意度模型和医疗师总成本模型；所述患者满意度模型包括医疗师是否排班参数，所述医疗师总成本模型包括各所述医疗师是否排班的参数以及各所述医疗师的排班时长参数；根据预设约束条件获取粒子群算法的初始种群参数，所述初始种群参数包括待优化粒子的位置和速度，所述待优化粒子的位置为各所述医疗师的排班时长参数，所述速度为排班时长变化量；根据所述初始种群参数、所述患者满意度模型输出的满意度以及所述医疗师总成本模型输出的总成本，得到所述粒子群算法的全局最优解，并将所述全局最优解作为排班结果。

【技术特征摘要】
1.一种医院排班方法，其特征在于，包括：获取患者满意度模型和医疗师总成本模型；所述患者满意度模型包括医疗师是否排班参数，所述医疗师总成本模型包括各所述医疗师是否排班的参数以及各所述医疗师的排班时长参数；根据预设约束条件获取粒子群算法的初始种群参数，所述初始种群参数包括待优化粒子的位置和速度，所述待优化粒子的位置为各所述医疗师的排班时长参数，所述速度为排班时长变化量；根据所述初始种群参数、所述患者满意度模型输出的满意度以及所述医疗师总成本模型输出的总成本，得到所述粒子群算法的全局最优解，并将所述全局最优解作为排班结果。2.根据权利要求1所述的方法，其特征在于，所述预设约束条件包括如下中的至少一个：患者需求预测模型输出的预测总时长和目标服务总时长之间的误差小于预设误差，其中，所述目标服务总时长是根据各所述医疗师是否排班的参数以及各所述医疗师的排班时长参数确定的；所述目标服务总时长大于或等于医嘱执行总时长；所述患者满意度模型输出的满意度大于预设满意度。3.根据权利要求2所述的方法，其特征在于，所述根据预设约束条件获取粒子群算法的初始种群参数之前，所述方法还包括：将患者数量、医嘱数量及类型、执行预约医嘱的工时、执行现有医嘱的工时输入至患者需求预测模型；获取所述患者需求预测模型输出的预测总时长，其中，所述患者需求预测模型为神经网络模型。4.根据权利要求1至3任一项所述的方法，其特征在于，所述根据所述初始种群参数、所述患者满意度模型输出的满意度以及所述医疗师总成本模型输出的总成本，得到所述粒子群算法的全局最优解，并将所述全局最优解作为排班结果，包括：根据所述患者满意度模型输出的满意度、所述医疗师总成本模型输出的总成本和惩罚因子确定各粒子的适应度值；根据各所述粒子的适应度值确定粒子最优位置和全局最优位置；判断所述粒子群算法是否达到迭代终止条件；若是，则将所述全局最优位置作为所述全局最优解；若否，则根据各所述粒子的粒子最优位置、全局最优位置更新各所述粒子的速度和位置；重复执行根据各所述粒子的适应度值确定粒子最优位置和全局最优位置的步骤，直至所述粒子群算法达到迭代终止条件。5.根据权利要求4所述的方法，其特征在于，所述根据各所述粒子的粒子最优位置、全局最优位置更新各所述粒子的速度和位置，包括：获取种群分布因子；根据所述种群分布因子对惯性权重...

【专利技术属性】
技术研发人员：王超，
申请(专利权)人：泰康保险集团股份有限公司，
类型：发明
国别省市：北京,11