【技术实现步骤摘要】
一种呼吸系统住院病人数量预测方法
[0001]本专利技术涉及医疗数据挖掘
,特别涉及一种呼吸系统住院病人数量预测方法。
技术介绍
[0002]如何提高医疗资源的配置效率,有效减少住院病人无效等待排队是医疗管理者迫切解决的问题。科学的对医院住院病人数量进行分析预测,及时、准确地分析住院病人的人流量变化及趋势特征,可以为管理者的合理配置卫生资源,统筹医护人员,优化病床统筹等提供科学的决策依据,从而提高医院的工作效率和管理水平,进而提高患者满意度,为患者提供及时的医疗卫生服务具有积极意义。
[0003]医院呼吸系统住院病人数量受较多因素影响,一方面是医院自身因素,如医疗技术,医疗服务,地理位置等;另一方面是患者自身的就医选择,包括疾病的病种、经济地位、教育水平等因素。医院因素和患者自身因素通常长期稳定且难以改变,此外还受自然环境因素的影响。一些疾病并非直接由气象变化引起的,但通常伴有一定的季节性和气象条件。研究表明,大气污染和健康效应之间存在协同作用,与就诊率、患病率、死亡率、住院人数等密切相关。大气污染的季节性、短期波动、长期趋势特征比较明显,而门急诊就诊选择是医院因素和患者自身因素的综合考量的体现。因此,通过研究空气质量、季节因素、就诊病人数量实现呼吸系统住院病人数量的预测有重要意义。
[0004]经检索发现,Morina等提出一种基于二阶整数值自回归时间序列的医院急诊服务模型,用于预测每周因流感入院的病人数。朱相鹏采用叶贝斯模型,对上海市某医院肠道科的门诊病人流进预测。Wang等提出了一种基于规 ...
【技术保护点】
【技术特征摘要】
1.一种呼吸系统住院病人数量预测方法,其特征在于,包括以下步骤:S1:获取预设期限内每日的呼吸系统住院病人数量,获取预设期限内每日的就诊病人数量、季节,以及获取预设期限内每日的空气质量指数;S2:根据所述呼吸系统住院病人数量,所述就诊病人数量、季节,所述空气质量指数来制作病人的数据集;S3:将所述数据集分解为多个初始训练集和多个初始测试集,并对所述初始训练集和所述初始测试集进行重构,得到多个训练集和多个测试集;S4:构建时空多特征自注意力融合网络,并且输入所述训练集对所述时空多特征自注意力融合网络进行训练;S5:将所述测试集输入训练后的多特征自注意力融合网络,并进行呼吸系统病人数量预测得到预测值;S6:判断所述预测值是否符合预期,符合则输出所述预测值的平均值,不符合则获取下一个预设期限内每日的所述呼吸系统住院病人数量、每日的所述就诊病人数量、季节,以及每日的所述空气质量指数进行数据更新,并重复步骤S2
‑
S5进行在线学习。2.根据权利要求1所述的一种呼吸系统住院病人数量预测方法,其特征在于,所述步骤S2包括:将每日的所述呼吸系统住院病人数量、所述就诊病人数量、季节、所述空气质量指数分别排列成4维单向量,并将所述预设期限内的所述4维单向量串联成[t1,t2,t3,t4]的数据集,最终排列成n行
×
4列的向量矩阵,其中,第一列为所述数据集的真实标签,后三列为所述数据集的特征因素;n为预设期限的天数。3.根据权利要求2所述的一种呼吸系统住院病人数量预测方法,其特征在于,所述步骤S3中的将所述数据集分解为多个初始训练集和多个初始测试集包括:对所述特证因素进行VMD变分模态分解,分解为固有模态分量IMF1、IMF2、IMF3、IMF4、IMF5、IMF6、IMF7、IMF8和残差分量Res,取每日的所述呼吸系统住院病人数量与其中所述固有模态分量IMF1、IMF2、IMF3组成4维训练单向量,并将所述预设期限内每日的所述4维训练单向量串联成[T1,T2,T3,T4]的训练向量矩阵,最终组成n行
×
4列的平稳特征矩阵,其中,第一列为所述平稳特征矩阵的真实标签,后三列的所述IMF1、IMF2、IMF3为所述平稳特征矩阵的平稳特征因素,将所述平稳特征矩阵按照4:1的时间长度划分为多个初始训练集和多个初始测试集。4.根据权利要求3所述的一种呼吸系统住院病人数量预测方法,其特征在于,所述步骤S3中的对分解的所述初始训练集和所述初始测试集进行重构,得到多个训练集和多个测试集包括:通过设定的滑动窗口和步长,将所述初始训练集和所述初始测试集分别重构为1+(3/4n
‑
w)/s个w行
×
4列的训练集和(1/4n
‑
w)/s个w行
×
4列的测试集;其中,w为滑动窗口,s为步长。5.根据权利要求4所述的一种呼吸系统住院病人数量预测方法,其特征在于,所述步骤S4中的所述时空多特征自注意力融合网络包括:空间...
【专利技术属性】
技术研发人员:余双彬,郑玲,彭荷玲,廖芳,
申请(专利权)人:四川省医学科学院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。