一种药品销量预测的方法技术

本发明专利技术公开了一种药品销量预测的方法，包括以下步骤：S1：建立基本信息关系：先清洗和整理数据，收集一个地区的所有医院的账单信息，并构建出患者、患者往期所患疾病以及患者所用药品和医疗器械的树状信息图；S2：依据患者的清单计算患者的特征指数，并应用canopy算法和KMeans算法进行机器学习，自动将患者进行分类；S3：应用时间序列分析的ARIMA模型对每一类患者进行预测，得出每一类患者在下一个年度的数量；S4：计算出对于该药品或医疗器械每一个疾病的比例，再根据得出的每一类患者的预测，得出该药品或医疗器械基于疾病组成的预测值。本发明专利技术设计合理，预测方式简单可靠，方便准确的预测出各种药品的销量。

【技术实现步骤摘要】
一种药品销量预测的方法
本专利技术涉及销量预测
，尤其涉及一种药品销量预测的方法。
技术介绍
目前疾病的发病率和药品销量的预测大多基于时间序列分析的方法来进行预测。时间序列分析法运用过去的历史数据，通过统计分析，进一步推测未来的发展趋势，它的依据是一切事物都是发展变化的，事物的发展变化在时间上具有连续性。时间序列预测法只考虑时间因素不考虑外界因素对预测对象的影响，当遇到外界发生较大变化，往往会有较大偏差。尤其对于疾病的发病率和药品的销量，其受环境等外部因素的影响较大，进行预测时，只考虑时间因素，其预测结果就会与实际状况不符。本专利技术提出一种药品销量预测的方法，该方法能够准确的预测出各种药品的销量。
技术实现思路
本专利技术的目的是为了解决现有技术中存在的缺点，而提出的一种药品销量预测的方法。一种药品销量预测的方法，包括以下步骤：S1：建立基本信息关系：先清洗和整理数据，收集一个地区的所有医院的账单信息，并构建出患者、患者往期所患疾病以及患者所用药品和医疗器械的树状信息图；S2：依据患者的清单计算患者的特征指数，并应用canopy算法和KMeans算法进行机器学习，自动将患者进行分类；S3：应用时间序列分析的ARIMA模型对每一类患者进行预测，得出每一类患者在下一个年度的数量；S4：计算出对于该药品或医疗器械每一个疾病的比例，再根据得出的每一类患者的预测，得出该药品或医疗器械基于疾病组成的预测值；S5：对每一个药品或医疗器械进行预测：统计该药品或者医疗器械在过去每个年度的使用数量，再应用时间序列分析的ARIMA模型对其在在下一个年度的使用数量进行预测；S6：对每一个患者的就诊记录进行数据挖掘，应用FP-Growth算法，得到该药品或医疗器械的频繁项集：{x|Frequency<x,d>＞最小支持度}，并根据基于频繁支持度和使用数量预测的值进行预测；S7：利用逻辑回归分析方法，得出最终的药品销量预测值。优选的，所述S2中，患者的清单为就诊记录、药品和医疗器械，患者的特征指数为总医疗支出、自付比例、就诊次数和慢病比例。优选的，所述S3中，数量的表示值为。优选的，所述S4中，得出的预测值表示为p0：。优选的，所述S5中，使用数量的预测值表示为p1：。优选的，所述S6中，根据基于频繁支持度和使用数量预测的值进行预测值表示为p2:。优选的，所述S6中，频繁项集中的d表示疾病。优选的，所述S7中，药品销量的预测值表示为p：θ0P0+θ1P1+θ3P2。本专利技术建立了患者、疾病以及药品与器械之间的数据关系，并且通过机器学习等手段，挖掘出疾病和疾病之间、药品和器械与其他药品器械之间的数据关系，从而对药品和器械的使用量进行可靠有效的预测，方便准确的预测出各种药品的销量，且对药品销量的预测精度高，也对指导疾病预防具有较好的社会效益和经济效益，本专利技术设计合理，预测方式简单可靠，方便准确的预测出各种药品的销量。附图说明图1为本专利技术提出的一种药品销量预测的方法的流程示意图；图2为本专利技术提出的一种药品销量预测的方法的患者分类和数量预测流程示意图。具体实施方式下面结合具体实施例对本专利技术作进一步解说。参照图1-2，本专利技术提出的一种药品销量预测的方法，包括以下步骤：S1：建立基本信息关系：先清洗和整理数据，收集一个地区的所有医院的账单信息，并构建出患者、患者往期所患疾病以及患者所用药品和医疗器械的树状信息图；S2：依据患者的清单计算患者的特征指数，并应用canopy算法和KMeans算法进行机器学习，自动将患者进行分类，其中患者的清单为就诊记录、药品和医疗器械，患者的特征指数为总医疗支出、自付比例、就诊次数和慢病比例；S3：应用时间序列分析的ARIMA模型对每一类患者进行预测，得出每一类患者在下一个年度的数量：；S4：计算出对于该药品或医疗器械每一个疾病的比例，再根据得出的每一类患者的预测，得出该药品或医疗器械基于疾病组成的预测值，表示为p0：；S5：对每一个药品或医疗器械进行预测：统计该药品或者医疗器械在过去每个年度的使用数量，再应用时间序列分析的ARIMA模型对其在在下一个年度的使用数量进行预测，表示为p1：；S6：对每一个患者的就诊记录进行数据挖掘，应用FP-Growth算法，得到该药品或医疗器械的频繁项集：{x|Frequency<x,d>＞最小支持度}，并根据基于频繁支持度和使用数量预测的值进行预测，表示为p2:，其中d表示疾病；S7：利用逻辑回归分析方法，得出最终的药品销量预测值，表示为p：θ0P0+θ1P1+θ3P2。通过建立患者、疾病以及药品与器械之间的数据关系，并且配合机器学习等手段，挖掘出疾病和疾病之间、药品和器械与其他药品器械之间的数据关系，从而对药品和器械的使用量进行可靠有效的预测，方便准确的预测出各种药品的销量，且对药品销量的预测精度高，也对指导疾病预防具有较好的社会效益和经济效益。以上所述，仅为本专利技术较佳的具体实施方式，但本专利技术的保护范围并不局限于此，任何熟悉本
的技术人员在本专利技术揭露的技术范围内，根据本专利技术的技术方案及其专利技术构思加以等同替换或改变，都应涵盖在本专利技术的保护范围之内。本文档来自技高网...

【技术保护点】
1.一种药品销量预测的方法，其特征在于，包括以下步骤：S1：建立基本信息关系：先清洗和整理数据，收集一个地区的所有医院的账单信息，并构建出患者、患者往期所患疾病以及患者所用药品和医疗器械的树状信息图；S2：依据患者的清单计算患者的特征指数，并应用canopy算法和KMeans算法进行机器学习，自动将患者进行分类；S3：应用时间序列分析的ARIMA模型对每一类患者进行预测，得出每一类患者在下一个年度的数量；S4：计算出对于该药品或医疗器械每一个疾病的比例，再根据得出的每一类患者的预测，得出该药品或医疗器械基于疾病组成的预测值；S5：对每一个药品或医疗器械进行预测：统计该药品或者医疗器械在过去每个年度的使用数量，再应用时间序列分析的ARIMA模型对其在在下一个年度的使用数量进行预测；S6：对每一个患者的就诊记录进行数据挖掘，应用FP‑Growth算法，得到该药品或医疗器械的频繁项集：{ x | Frequency

【技术特征摘要】
1.一种药品销量预测的方法，其特征在于，包括以下步骤：S1：建立基本信息关系：先清洗和整理数据，收集一个地区的所有医院的账单信息，并构建出患者、患者往期所患疾病以及患者所用药品和医疗器械的树状信息图；S2：依据患者的清单计算患者的特征指数，并应用canopy算法和KMeans算法进行机器学习，自动将患者进行分类；S3：应用时间序列分析的ARIMA模型对每一类患者进行预测，得出每一类患者在下一个年度的数量；S4：计算出对于该药品或医疗器械每一个疾病的比例，再根据得出的每一类患者的预测，得出该药品或医疗器械基于疾病组成的预测值；S5：对每一个药品或医疗器械进行预测：统计该药品或者医疗器械在过去每个年度的使用数量，再应用时间序列分析的ARIMA模型对其在在下一个年度的使用数量进行预测；S6：对每一个患者的就诊记录进行数据挖掘，应用FP-Growth算法，得到该药品或医疗器械的频繁项集：{x|Frequency<x,d>＞最小支持度}，并根据基于频繁支持度和...

【专利技术属性】
技术研发人员：易先威，章熠，
申请(专利权)人：易先威，
类型：发明
国别省市：北京,11