基于人工智能模型的放射医疗设备工作量预测方法及系统技术方案

本申请涉及人工智能技术领域，尤其是涉及一种基于人工智能模型的放射医疗设备工作量预测方法及系统，所述方法包括：分别获取目标医院放射医疗设备日常营运的样本数据和指定运行数据；对所述样本数据进行数据预处理；构建若干不同的人工智能模型；选取最优的人工智能模型作为工作量预测模型；生成第一预测结果集；确定所述第一预测结果集中是否存在异常点数据；若是，则生成异常点模拟数据；将所述异常点模拟数据替换所述第一预测结果集中的对应数据，生成第二预测结果集并将所述第二预测结果集作为最终预测结果集

【技术实现步骤摘要】
基于人工智能模型的放射医疗设备工作量预测方法及系统


[0001]本申请涉及人工智能
，尤其是涉及一种基于人工智能模型的放射医疗设备工作量预测方法及系统
。

技术介绍

[0002]放射科是医院重要的辅助检查科室，在现代医院建设中，放射科是一个集检查
、
诊断
、
治疗于一体的科室，临床各科许多疾病都须通过放射科设备检查达到明确诊断和辅助诊断
。
放射科的医疗设备一般有普通
X
线拍片机
、
计算机
X
线摄影系统（
CR
）
、
直接数字化
X
线摄影系统（
DR
）
、
计算机
X
线断层扫描（
CT
）
、
核磁共振（
MRI
）
、
数字减影血管造影系统（
DSA
）等
。
[0003]目前，现有技术中并无较好的放射医疗设备每日工作量的预测方式本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于人工智能模型的放射医疗设备工作量预测方法，其特征在于，所述方法包括：分别获取目标医院放射医疗设备日常营运的样本数据和指定运行数据；对所述样本数据进行数据预处理；构建若干不同的人工智能模型，并基于所述样本数据，构建对应的第一训练集和第一测试集；利用所述第一训练集对各人工智能模型进行训练，并利用所述第一测试集对各人工智能模型进行测试，生成各人工智能模型的评估指标值；根据所述评估指标值，选取最优的人工智能模型作为工作量预测模型；基于所述工作量预测模型和指定运行数据，生成第一预测结果集；确定所述第一预测结果集中是否存在异常点数据，其中，所述异常点数据是基于日偏差幅度来确定的，所述日偏差幅度由所述第一预测结果集与指定运行数据中的对应日期进行每日的日工作量数据比对后获得；若是，则基于预设信息库内的综合运行数据，生成与异常点数据相对应的异常点模拟数据；将所述异常点模拟数据替换所述第一预测结果集中的对应数据，生成第二预测结果集并将所述第二预测结果集作为最终预测结果集；若否，则将第一预测结果集作为最终预测结果集
。2.
根据权利要求1所述的方法，其特征在于，所述对所述样本数据进行数据预处理，具体包括：将所述样本数据按分组类型划分为若干分组，其中，所述分组类型包括检查项目
、
检查设备
、
检查方法和检查部位；对各分组内的所述样本数据进行计数统计，获取各分组的每日工作量数据
。3.
根据权利要求2所述的方法，其特征在于，所述确定所述第一预测结果集中是否存在异常点数据，具体包括：确定所述第一预测结果集的预测类型和分组类型，其中，所述预测类型包括周预测
、
月预测和年预测；确定所述指定运行数据和第一预测结果集中每日的第一日期类型，其中，所述第一日期类型包括休息日和非休息日；基于所述预测类型
、
分组类型和第一日期类型，将所述第一预测结果集与指定运行数据中的对应日期进行每日的日工作量数据的比对，获取日偏差幅度并基于所述日偏差幅度标记异常点数据
。4.
根据权利要求3所述的方法，其特征在于，所述基于所述预测类型
、
分组类型和第一日期类型，将所述第一预测结果集与指定运行数据中的对应日期进行每日的日工作量数据的比对，获取日偏差幅度并基于所述日偏差幅度标记异常点数据，具体包括：当所述预测类型为周预测时：获取所述指定运行数据中对应分组类型的最近一周的周运行数据；将所述第一预测结果集与周运行数据中的对应日期进行日工作量数据的比对，获取每日的日偏差幅度；若做比对的两个对应日期为不同的第一日期类型，则按第一预测结果集中该日期的第
一日期类型，获取周运行数据中对应日期相邻的同第一日期类型的两个日期的日工作量数据的平均值，将该平均值作为比对对象并更新对应的日偏差幅度；汇总所述日偏差幅度并生成周平均偏差幅度；获取所述日偏差幅度与所述周平均偏差幅度的差值超过预设第一偏差阈值的所述第一预测结果集中的对应日期，标记为异常点数据；当预测类型为月预测时：获取所述指定运行数据中对应分组类型的最近一月的月运行数据；将所述第一预测结果集与月运行数据中的对应日期进行日工作量数据的比对，获取每日的日偏差幅度；若做比对的两个对应日期为不同的第一日期类型，则按第一预测结果集中该日期的第一日期类型，获取月运行数据中对应日期相邻的同第一日期类型的两个日期的日工作量数据的平均值，将该平均值作为比对对象并更新对应的日偏差幅度；汇总所述日偏差幅度并生成月平均偏差幅度；获取所述日偏差幅度与对应月平均偏差幅度的差值超过预设第二偏差阈值的所述第一预测结果集中的对应日期，标记为异常点数据；当预测类型为年预测时：获取所述指定运行数据中对应分组类型的最近连续
12
个月的年运行数据；将所述第一预测结果集与年运行数据中的对应日期进行日工作量数据的比对，获取每日的日偏差幅度；若做比对的两个对应日期为不同的第一日期类型，则按第一预测结果集中该日期的第一日期类型，获取年运行数据中对应日期相邻的同第一日期类型的两个日期的日工作量数据的平均值，将该平均值作为比对对象并更新对应的日偏差幅度；按每月汇总所述日偏差幅度并生成每月的月平均偏差幅度；获取所述日偏差幅度与对应月份的月平均偏差幅度的差值超过预设第三偏差阈值的所述第一预测结果集中的对应日期，标记为异常点数据
。5.
根据权利要求1所述的方法，其特征在于，在所述基于预设信息库内的综合运行数据，生成与异常点数据相对应的异常点模拟数据之前，还包括：构建异常点模拟数据的输出模型；根据预设信息库内所有的综合运行数据，或，与所述样本数据相似度达到预设相似阈值的部分综合运行数据，构建对应的第二训练集和第二测试集；利用所述第二训练集对输出模型进行训练，并利用所述第二测试集对输出模型进行测试，获得训练完成的输出模型，其中，所述训练完成的输出模型用于...

【专利技术属性】
技术研发人员：刘丽，钱天阳，
申请(专利权)人：江南大学附属医院，
类型：发明
国别省市：