医疗设备集成指挥车及医疗车分配方法组成比例

本发明专利技术公开了医疗设备集成指挥车及医疗车分配方法，属于医疗健康信息通信技术领域，包括医疗设备集成指挥车主体与分配系统，分配系统包括：信息获取模块，用于获取待检区域的基础病情人数；区域分类模块，用于将基础病情人数输入到检测分类模型中，获得分配标签；匹配模块，基于分配标签将医疗车与待检区域进行匹配，并生成发车信息；指挥模块，根据发车信息指挥医疗车移动到所匹配的待检区域，可以根据地区的体检人数和患病情况将地区进行分类，并且分类完成后，由于通过

【技术实现步骤摘要】
医疗设备集成指挥车及医疗车分配方法


[0001]本专利技术属于医疗健康信息通信
，具体地说，涉及一种医疗设备集成指挥车及医疗车分配方法
。

技术介绍

[0002]医疗车是指专门用于医疗救护或医疗服务的车辆，它是移动的医疗单位，专门设计用于紧急医疗服务和患者运送的车辆，它们在应急情况下，特别是对于心脑患者或其他急救病人的处理中，起着至关重要的作用，可提供急救
、
抢救
、
转运和其他医疗服务，一般情况下，急救
、
抢救
、
转运任务则由救护车承担，医疗车则承担体检和诊断任务，而医疗车常用两种方式进行体检，一种使用
X
射线进行体检，另一种则用化验设备进行体检，医院需要承担对附近地区居民的体检任务，通常情况下，医疗车队到达需要进行体检的区域，医护人员会根据经验对医疗车的种类和数量进行分配，例如，医护人员会根据各小区的体检人数，对医疗车的数量和种类进行分配，这样的方法虽然简便但并不准确
。
[0003]现有技术，申请公开号为
CN103942454A
的中国专利公开了一种基于流动监测车的急症患者应急救援系统，上述专利公开了家庭监测终端
、
流动监测车及医院，通过家庭监测终端实时获取用户的体征数据，流动监测车能够通过医院实时获取用户的体征数据，并及时对患者进行定位和救援，上述系统虽然能够将流动监测车与地区进行匹配并且将流动监测车派出，但是还存在以下缺陷：
[0004]上述系统通过家庭监测终端实时获取用户的体征数据，是为了流动监测车能够及时进行救援，但是医疗车需要承担体检和诊断任务，而体检是不需要实时获取用户的体征数据，通常需要根据地区的体检人数和类别，确定医疗车的数量和种类，并将确定好的医疗车进行派出
。

技术实现思路

[0005]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例
。
在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分
、
说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围
。
[0006]为解决上述问题，本专利技术采用如下的技术方案
。
[0007]包括医疗设备集成指挥车主体与设置在医疗设备集成指挥车主体内的分配系统，分配系统包括：
[0008]信息获取模块，用于获取待检区域的基础病情人数；
[0009]区域分类模块，用于将基础病情人数输入到检测分类模型中，获得分配标签；
[0010]匹配模块，基于分配标签将医疗车与待检区域进行匹配，并生成发车信息；
[0011]指挥模块，根据发车信息指挥医疗车移动到所匹配的待检区域
。
[0012]优选地，待检区域包括村落
、
社区和乡镇，基础病情人数包括
X
射线病情人数
、
化验病情人数和无明显症状病情人数，分配标签包括
X
射线区域和化验区域
。
[0013]优选地，检测分类模型的训练方式为：
[0014]获取多组基础病情人数，将基础病情人数根据收集时预设的分配标签生成对应的实际标注，分配标签为
X
射线区域时，实际标注为1，分配标签为化验区域时，实际标注为0；将每组基础病情人数作为机器学习模型的输入，所述机器学习模型以对每组基础病情人数的预测标注为输出，以实际标注为预测目标，以最小化所有基础病情人数的预测误差度之和作为训练目标；其中，预测误差度的计算公式为
zk
＝
(ak
‑
wk)2，其中，
k
为基础病情人数的编号，
zk
为第
k
组预测准确度，
ak
为第
k
组基础病情人数对应的预测标注值，
wk
为第
k
组基础病情人数对应的实际标注；对机器学习模型进行训练，直至预测准确度之和达到收敛时，停止训练并将训练得到的机器学习模型作为检测分类模型
。
[0015]优选地，医疗车包括
X
射线体检车和化学设备体检车，基于分配标签将医疗车与待检区域进行匹配的方法包括：
[0016]步骤一，获得分配标签并生成对应的比例系数
f
；
[0017]步骤二，判定分配标签的类别，若分配标签为
X
射线区域，则将
f
赋值为
1,
若分配标签为化验区域，则将
f
赋值为2；
[0018]步骤三，基于分配标签提取对应的基础病情人数，将基础病情人数与最大预设阈值病情人数
Rsp
和最小预设阈值病情人数
Msp
做对比，得出发车总数
Tnv
；
[0019]步骤四，基于发车总数
Tnv
生成目标函数
Nye
，通过线性规划算法对目标函数
Nye
进行优化，得出
Nye
的最大值，并且基于
Nye
的最大值，计算出
Nxe
的最小值，
Nxe
为
X
射线体检车的发车数量；
[0020]步骤五，基于
Nye
的最大值和
Nxe
的最小值，生成发车信息
。
[0021]优选地，发车总数
Tnv
生成方法包括：
[0022]基础病情人数
≥
最大预设阈值病情人数
Rsp
，则发车总数
Tnv
＝
A
；
[0023]最小预设阈值病情人数
Msp<
基础病情人数
<
最大预设阈值病情人数
Rsp
，则发车总数
Tnv
＝
B
；
[0024]0<
基础病情人数
≤
最小预设阈值病情人数
Msp
，则发车总数
Tnv
＝
C
；
A
大于
B
大于
C
，
A、B
与
C
均为正整数
。
[0025]优选地，目标函数
Nye
的生成方法包括：设计目标函数
Nye
，
Nye
为化学设备体检车的发车数量，目标函数
Nye
的表达式为；
[0026]Nye
＝
Tnv
‑
Nxe
；
[0027]式中，
Nxe
为
X
射线体检本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
医疗设备集成指挥车，包括医疗设备集成指挥车主体
(10)
与设置在医疗设备集成指挥车主体
(10)
内的分配系统，其特征在于，分配系统包括：信息获取模块
(21)
，用于获取待检区域的基础病情人数；区域分类模块
(22)
，用于将基础病情人数输入到检测分类模型中，获得分配标签；匹配模块
(23)
，基于分配标签将医疗车与待检区域进行匹配，并生成发车信息；指挥模块
(24)
，根据发车信息指挥医疗车移动到所匹配的待检区域
。2.
根据权利要求1所述的医疗设备集成指挥车，其特征在于，所述基础病情人数包括
X
射线病情人数
、
化验病情人数和无明显症状病情人数，所述分配标签包括
X
射线区域和化验区域
。3.
根据权利要求2所述的医疗设备集成指挥车，其特征在于，所述检测分类模型的训练方式为：获取多组基础病情人数，将基础病情人数根据收集时预设的分配标签生成对应的实际标注，分配标签为
X
射线区域时，实际标注为1，分配标签为化验区域时，实际标注为0；将每组基础病情人数作为机器学习模型的输入，所述机器学习模型以对每组基础病情人数的预测标注为输出，以实际标注为预测目标，以最小化所有基础病情人数的预测误差度之和作为训练目标；其中，预测误差度的计算公式为
zk
＝
(ak
‑
wk)2，其中，
k
为基础病情人数的编号，
zk
为第
k
组预测准确度，
ak
为第
k
组基础病情人数对应的预测标注值，
wk
为第
k
组基础病情人数对应的实际标注；对机器学习模型进行训练，直至预测准确度之和达到收敛时，停止训练并将训练得到的机器学习模型作为检测分类模型
。4.
根据权利要求3所述的医疗设备集成指挥车，其特征在于，所述医疗车包括
X
射线体检车和化学设备体检车，所述基于分配标签将医疗车与待检区域进行匹配的方法包括：步骤一，获得分配标签并生成对应的比例系数
f
；步骤二，判定分配标签的类别，若分配标签为
X
射线区域，则将
f
赋值为
1,
若分配标签为化验区域，则将
f
赋值为2；步骤三，基于分配标签提取对应的基础病情人数，将基础病情人数与最大预设阈值病情人数
Rsp
和最小预设阈值病情人数
Msp
做对比，得出发车总数
Tnv
；步骤四，基于发车总数
Tnv
生成目标函数
Nye
，通过线性规划算法对目标函数
Nye
进行优化，得出
Nye
的最大值，并且基于
Nye
的最大值，计算出
Nxe
的最小值，
Nxe
为
X
射线体检车的发车数量；步骤五，基于
Nye
的最大值和
Nxe
...

【专利技术属性】
技术研发人员：庄靖，
申请(专利权)人：南通市亿东医疗仪器有限公司，
类型：发明
国别省市：