基于深度学习的手术排班系统、方法、存储介质和终端技术方案

本发明专利技术提供基于深度学习的手术排班系统、方法、存储介质和终端，包括手术时长预测模块，用于构建手术时长预测模型并利用所述手术时长预测模型来预测当前手术的时长数据；手术时长修正模块，用于对预测得到的时长数据进行修正；手术资源预约模块，用于对所述当前手术相关的资源进行预约；手术排班优化模块，用于根据遗传算法对预测得到的和/或修正后的时长数据进行优化排班处理。本发明专利技术提出的技术方案，一方面减轻了工作人员对手术时长进行估计的工作量而且也提高了时长估计的准确率，另一方面采用遗传算法可以有效解决人工进行手术排班的困难，提高手术室利用率，使其更多的潜能可被发掘。

【技术实现步骤摘要】
基于深度学习的手术排班系统、方法、存储介质和终端
本专利技术涉及手术排班
，特别是涉及基于深度学习的手术排班系统、方法、存储介质和终端。
技术介绍
手术室是医院最重要的医疗资源，它既是医院主要开支产生的地方，同时也是医院创造收益最多的地方。如何合理调度手术室资源，使其在相同时间内可以承担更多的手术任务，是医院管理中的一个重要方向。目前已经有一些排班软件可以满足一定排班优化问题需要，但需要基于人工对手术时长的经验估计，而且无法满足手术室排班的一些个性化需求场景。如需要考虑同一医生的手术安排、允许手工预约手术室时段等。
技术实现思路
鉴于以上所述现有技术的缺点，本专利技术的目的在于提供基于深度学习的手术排班系统、方法、存储介质和终端，用于解决上述
技术介绍
中的问题。为实现上述目的及其他相关目的，本专利技术的第一方面提供一种基于深度学习的手术排班系统，包括：手术时长预测模块，用于构建手术时长预测模型并利用所述手术时长预测模型来预测当前手术的时长数据；手术时长修正模块，用于对预测得到的时长数据进行修正；手术资源预约模块，用于对所述当前手术相关的资源进行预约；手术排班优化模块，用于根据遗传算法对预测得到的和/或修正后的时长数据进行优化排班处理。于本专利技术的第一方面的一些实施例中，所述时长预测模块包括：预测模型建立子模块，用于训练并测试深度学习模型，以得到所述手术时长预测模型；预测模型使用子模块，用于利用所述手术时长预测模型预测当前手术的时长数据。于本专利技术的第一方面的一些实施例中，所述预测模型建立子模块训练并测试深度学习模型的过程包括：获取医学样本数据；所述医学样本数据包括历史患者的人口学信息数据、病史信息数据、实验室检查记录数据、入院记录数据、术前小结数据、手术名称数据、手术医生数据、和手术时长数据；通过部分的医学样本数据来训练深度学习模型，并通过其余部分的医学样本数据来测试所述深度学习模型，并在测试完成后形成所述手术时长预测模型。于本专利技术的第一方面的一些实施例中，所述手术资源预约模块预约的资源包括：手术室、手术执行人员、手术工具、医疗仪器、检测室中的任一种或多种的组合。于本专利技术的第一方面的一些实施例中，所述手术排班优化模块进行排班的过程包括：将手术室编号及手术时间段作为所述遗传算法的基因点，把所有手术的基因点排列在一起形成染色体；在约束条件内随机生成一定数量的染色体种群；以加班时长、手术执行人员连续工作时长、手术室闲置时长作为优化目标，并对所述染色体种群进行迭代，并在迭代预设轮次后返回历史最优的结果作为排班结果。为实现上述目的及其他相关目的，本专利技术的第二方面提供一种基于深度学习的手术排班方法，包括：构建手术时长预测模型并利用所述手术时长预测模型来预测当前手术的时长数据；对预测得到的时长数据进行修正；对所述当前手术相关的资源进行预约；根据遗传算法对预测得到的和/或修正后的时长数据进行优化排班处理。于本专利技术的第二方面的一些实施例中，所述构建手术时长预测模型包括：获取医学样本数据；所述医学样本数据包括历史患者的人口学信息数据、病史信息数据、实验室检查记录数据、入院记录数据、术前小结数据、手术名称数据、手术医生数据、和手术时长数据；通过部分的医学样本数据来训练深度学习模型，并通过其余部分的医学样本数据来测试所述深度学习模型，并在测试完成后形成所述手术时长预测模型。于本专利技术的第二方面的一些实施例中，所述方法中进行排班优化处理包括：将手术室编号及手术时间段作为所述遗传算法的基因点，把所有手术的基因点排列在一起形成染色体；在约束条件内随机生成一定数量的染色体种群；以加班时长、手术执行人员连续工作时长、手术室闲置时长作为优化目标，并对所述染色体种群进行迭代，并在迭代预设轮次后返回历史最优的结果作为排班结果。为实现上述目的及其他相关目的，本专利技术的第三方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述基于深度学习的手术排班方法。为实现上述目的及其他相关目的，本专利技术的第四方面提供一种电子终端，包括：处理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行所述基于深度学习的手术排班方法。如上所述，本专利技术的基于深度学习的手术排班系统、方法、存储介质和终端，具有以下有益效果：本专利技术是针对手术室的手术排班这一应用场景，利用历史数据构建深度学习模型来对手术时长进行预测，并根据预测得到的手术时长再利用遗传算法来对手术进行排班优化，一方面减轻了工作人员对手术时长进行估计的工作量而且也提高了时长估计的准确率，另一方面采用遗传算法可以有效解决人工进行手术排班的困难，提高手术室利用率，使其更多的潜能可被发掘。附图说明图1显示为本专利技术一实施例中基于深度学习的手术排班系统的结构示意图。图2显示为本专利技术一实施例中深度学习模型的结构示意图。图3显示为本专利技术一实施例中基于深度学习的手术排班方法的流程示意图。图4显示为本专利技术一实施例中电子终端的结构示意图。具体实施方式以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。需要说明的是，在下述描述中，参考附图，附图描述了本专利技术的若干实施例。应当理解，还可使用其他实施例，并且可以在不背离本专利技术的精神和范围的情况下进行机械组成、结构、电气以及操作上的改变。下面的详细描述不应该被认为是限制性的，并且本专利技术的实施例的范围仅由公布的专利的权利要求书所限定。这里使用的术语仅是为了描述特定实施例，而并非旨在限制本专利技术。空间相关的术语，例如“上”、“下”、“左”、“右”、“下面”、“下方”、“下部”、“上方”、“上部”等，可在文中使用以便于说明图中所示的一个元件或特征与另一元件或特征的关系。在本专利技术中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”、“固持”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本专利技术中的具体含义。再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。因此，“A、B或C”或者“A、B和/本文档来自技高网...

【技术保护点】
1.一种基于深度学习的手术排班系统，其特征在于，包括：/n手术时长预测模块，用于构建手术时长预测模型并利用所述手术时长预测模型来预测当前手术的时长数据；/n手术时长修正模块，用于对预测得到的时长数据进行修正；/n手术资源预约模块，用于对所述当前手术相关的资源进行预约；/n手术排班优化模块，用于根据遗传算法对预测得到的和/或修正后的时长数据进行优化排班处理。/n

【技术特征摘要】
1.一种基于深度学习的手术排班系统，其特征在于，包括：
手术时长预测模块，用于构建手术时长预测模型并利用所述手术时长预测模型来预测当前手术的时长数据；
手术时长修正模块，用于对预测得到的时长数据进行修正；
手术资源预约模块，用于对所述当前手术相关的资源进行预约；
手术排班优化模块，用于根据遗传算法对预测得到的和/或修正后的时长数据进行优化排班处理。


2.根据权利要求1所述的手术排班系统，其特征在于，所述时长预测模块包括：
预测模型建立子模块，用于训练并测试深度学习模型，以得到所述手术时长预测模型；预测模型使用子模块，用于利用所述手术时长预测模型预测当前手术的时长数据。


3.根据权利要求1所述的手术排班系统，其特征在于，所述预测模型建立子模块训练并测试深度学习模型的过程包括：
获取医学样本数据；所述医学样本数据包括历史患者的人口学信息数据、病史信息数据、实验室检查记录数据、入院记录数据、术前小结数据、手术名称数据、手术医生数据、和手术时长数据；
通过部分的医学样本数据来训练深度学习模型，并通过其余部分的医学样本数据来测试所述深度学习模型，并在测试完成后形成所述手术时长预测模型。


4.根据权利要求1所述的手术排班系统，其特征在于，所述手术资源预约模块预约的资源包括：手术室、手术执行人员、手术工具、医疗仪器、检测室中的任一种或多种的组合。


5.根据权利要求1所述的手术排班系统，其特征在于，所述手术排班优化模块进行排班的过程包括：
将手术室编号及手术时间段作为所述遗传算法的基因点，把所有手术的基因点排列在一起形成染色体；
在约束条件内随机生成一定数量的染色体种群；
以加班时长、手术执行人员连续工作时长、手术室闲置时长作为优化目标，并对所述染色体种群...

【专利技术属性】
技术研发人员：马汉东，贾晓鹏，
申请(专利权)人：合肥森亿智能科技有限公司，
类型：发明
国别省市：安徽;34