【技术实现步骤摘要】
本专利技术涉及医疗信息化，具体为一种医院内感染预测系统。
技术介绍
1、感染管理是当今医院管理中的重大课题，也是医疗质量控制的关键部分。随着医疗技术的发展，院内感染引发的问题日益严重，对医疗质量产生严重影响，并已成为社会关注的公共卫生问题。这也成为了临床医学、流行病学和医院管理学的重要研究领域。
2、医院内医疗器械消毒不合格、院内流动性管理处理不当等引起的院内感染事件仍时有发生。传统的管理模式主要集中在改进管理和监管措施上。
3、根据一种风险主动评估理念，该理念通过对观察到的潜在风险进行评估，并根据评估结果制定针对性改进措施，可有效预防和减少医源性感染事件的发生。这种方法能够提前发现医院可能存在的感染事件及相关危险因素，为医院感染事件的预防与控制提供科学依据。因此，受到了各级卫生管理部门、医院及医务人员的重视。
4、但现有技术中难以实现主动评估与数据库的主动结合，无法形成有效的智能预测，导致这些管理和监管措施都是以人为本的，一旦监管人疏漏或有稍许松懈，监管体系将受到不可量化的影响。
技术实现思路
1、本专利技术的目的在于提供一种医院内感染预测系统，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：
3、一种医院内感染预测系统，所述医院内感染预测系统包括架设的系统架构，所述系统架构包括用于完成数据库交互的数据访问层、采用各类专业筛查策略对数据进行分析和处理的业务逻辑层和与用户进行交互并实现医院
4、优选的，所述数据访问层采用sql server2014数据库，采用了etl（extract,transform, load）中间件技术，其中包括使用kettle等工具，kettle是一种开源的etl（extract, transform, load）工具，使用kettle用于不同的数据源之间进行数据提取、转换和加载操作，所述sql server2014数据库存储和管理各种感染相关数据，包含了来自医院各个部门和系统的数据，如患者信息、病历记录、检查结果、药物治疗方案以及感染控制措施等指标。
5、优选的，所述在数据访问层还包括数据的安全和扩展模块，安全和扩展模块实施合适的安全措施，如访问控制、加密和审计，保护敏感数据，同时通过优化数据库的结构和索引，以及采用分布式数据库架构，提高系统的性能和扩展能力。
6、优选的，所述业务逻辑层的筛查策略包括基于规则的检测、统计分析、机器学习算法，通过对感染信息数据库中的数据进行推理和分析，发现潜在的感染风险和异常情况，业务逻辑层接受数据访问层的数据，依据医院感染管理相关制度设置的监控指标，监控指标涵盖感染率、感染类型、感染部位、感染控制措施执行情况，通过定义符合医院实际需求的院感监控规则，系统能够自动化地检测和报警，发现异常情况和潜在的感染爆发风险。
7、优选的，所述业务逻辑层采用多维监督模式，多维监督模式从不同的角度和深度推理和分析医院感染综合事件，多维监督模式包括患者维度、院内各科室、楼层的消毒措施、抗生素使用率、切口感染数据，结合医院感染知识库经验，进行多维数据的分析。
8、优选的，所述预警模型将上一层的数据流输入，并根据设定的预警指标体系进行判断和评估，识别和筛选出符合预警条件的数据，将其整合成一个多维矩阵的形式，并将该矩阵送入后续的arima-ann模型中进行进一步的预测和分析；
9、在预警模型中，事先定义和确定了一系列的院感预警指标，这些指标包括单一的数值或是由多个指标组合而成的复合指标，这些指标可以根据实际院感案例的趋势数据和院感发生规模以及用时而设定，一旦预警指标被确定，预警指标体系模块将根据接收到的数据，对每个指标进行判断和评估，如果指标的数值或命中情况符合设定的预警条件，该指标将被标记为“命中”状态，若指标为数据指标，则直接将矩阵中的值调整为该数值，将该指标这些预警状态的指标将被整合成一个多维矩阵，该矩阵的维度对应于预警指标的数量和属性，预警模型将生成的多维矩阵作为输入，将其传递给后续的人工智能模型arima-ann。
10、优选的，所述arima模型是由自回归（ar）部分、差分（i）部分和移动平均（ma）部分组成的，它通过对时间序列数据进行差分以消除非平稳性，然后使用自回归和移动平均的组合来建模数据的自相关性和移动平均性，arima模型通常用于预测时间序列数据的未来值；
11、ann模型是一种由多个神经元（节点）组成的网络，每个神经元都与其他神经元相连并具有权重，ann模型通过学习数据的模式和关联性来进行预测；
12、arima-ann模型将arima模型的输出作为ann模型的输入，以利用arima模型的时间序列分析能力和ann模型的非线性建模能力，首先，使用arima模型对时间序列数据进行建模和预测，得到预测误差，然后，将预测误差作为输入，使用ann模型进行进一步的预测，最终，将arima模型和ann模型的预测结果进行整合，得到最终的预测结果。
13、优选的，所述应用表示层的作用是与用户进行交互，并通过各类图表展示数据，形成院内感染预警和报告，实现医院感染信息系统的实时监控和管理，应用表示层通常包括以下模块：
14、数据索引：数据索引模块用于对医院感染数据进行索引和管理，用户可以通过对数据进行分类、标签和关键字的建立，实现对感染数据的快速检索和查询；
15、目标监测：目标监测模块用于设定和跟踪医院感染的监测目标，用户可以设定特定的感染指标、阈值和时间范围，系统将根据这些设定监测感染情况，并及时提供反馈和报告；
16、统计分析：统计分析模块用于对医院感染数据进行统计和分析，它可以生成各种统计指标、趋势图、柱状图、折线图等，帮助用户了解感染的发展趋势和变化规律；
17、模型设置：模型设置模块用于对arima-ann模型进行设置和配置，用户可以选择模型的参数、时间窗口、模型更新频率等，以确保模型能够适应不同的感染预测场景和需求；
18、爆发预警：爆发预警模块用于监测和预测医院感染的爆发情况，它可以根据arima模型的预测结果和设定的阈值，及时发出警报和预警，提醒用户关注潜在的感染爆发事件；
19、系统设置：系统设置模块用于对医院感染信息系统进行配置和管理，用户可以设置用户权限、数据备份、系统日志等，保证系统的安全性和可靠性。
20、优选的，所述arima-ann模型是一个组合模型，arima-ann模型还包括训练更新模块，训练更新模块中设置有包含有关医院感染信息和数据资源并用于训练arima模型的医院感染知识库，模型采用监测数据本文档来自技高网...
【技术保护点】
1.一种医院内感染预测系统，其特征在于：所述医院内感染预测系统包括架设的系统架构，所述系统架构包括用于完成数据库交互的数据访问层、采用各类专业筛查策略对数据进行分析和处理的业务逻辑层和与用户进行交互并实现医院感染信息系统实时监控管理的应用表示层，所述业务逻辑层还包括采用基于时间序列数据的自回归滑动平均模型(ARIMA)和基于机器学习的人工神经网络（ANN）的组合来作为时间维度的预警模型，ARIMA用于探测目标监测数据时间维度的波动情况，ANN用于整合多元数据的异常波动。
2.根据权利要求1所述的一种医院内感染预测系统，其特征在于：所述数据访问层采用SQL Server2014数据库，采用了ETL（Extract, Transform, Load）中间件技术，其中包括使用Kettle等工具，Kettle是一种开源的ETL（Extract, Transform, Load）工具，使用Kettle用于不同的数据源之间进行数据提取、转换和加载操作，所述SQL Server2014数据库存储和管理各种感染相关数据，包含了来自医院各个部门和系统的数据，如患者信息、病历记录、检查结
3.根据权利要求2所述的一种医院内感染预测系统，其特征在于：所述在数据访问层还包括数据的安全和扩展模块，安全和扩展模块实施合适的安全措施，如访问控制、加密和审计，保护敏感数据，同时通过优化数据库的结构和索引，以及采用分布式数据库架构，提高系统的性能和扩展能力。
4.根据权利要求1所述的一种医院内感染预测系统，其特征在于：所述业务逻辑层的筛查策略包括基于规则的检测、统计分析、机器学习算法，通过对感染信息数据库中的数据进行推理和分析，发现潜在的感染风险和异常情况，业务逻辑层接受数据访问层的数据，依据医院感染管理相关制度设置的监控指标，监控指标涵盖感染率、感染类型、感染部位、感染控制措施执行情况，通过定义符合医院实际需求的院感监控规则，系统能够自动化地检测和报警，发现异常情况和潜在的感染爆发风险。
5.根据权利要求4所述的一种医院内感染预测系统，其特征在于：所述业务逻辑层采用多维监督模式，多维监督模式从不同的角度和深度推理和分析医院感染综合事件，多维监督模式包括患者维度、院内各科室、楼层的消毒措施、抗生素使用率、切口感染数据，结合医院感染知识库经验，进行多维数据的分析。
6.根据权利要求5所述的一种医院内感染预测系统，其特征在于：所述预警模型将上一层的数据流输入，并根据设定的预警指标体系进行判断和评估，识别和筛选出符合预警条件的数据，将其整合成一个多维矩阵的形式，并将该矩阵送入后续的ARIMA-ANN模型中进行进一步的预测和分析；
7.根据权利要求6所述的一种医院内感染预测系统，其特征在于：所述ARIMA模型是由自回归（AR）部分、差分（I）部分和移动平均（MA）部分组成的，它通过对时间序列数据进行差分以消除非平稳性，然后使用自回归和移动平均的组合来建模数据的自相关性和移动平均性，ARIMA模型通常用于预测时间序列数据的未来值；
8.根据权利要求1所述的一种医院内感染预测系统，其特征在于：所述应用表示层的作用是与用户进行交互，并通过各类图表展示数据，形成院内感染预警和报告，实现医院感染信息系统的实时监控和管理，应用表示层通常包括以下模块：
9.根据权利要求7所述的一种医院内感染预测系统，其特征在于：所述ARIMA-ANN模型是一个组合模型，ARIMA-ANN模型还包括训练更新模块，训练更新模块中设置有包含有关医院感染信息和数据资源并用于训练ARIMA模型的医院感染知识库，模型采用监测数据作为模型输出层的标记数据，采用多层感知机误差反向传播（BP）算法对ANN模型各指标和层级之间权重参数进行调节，完成模型训练；
10.根据权利要求9所述的一种医院内感染预测系统，其特征在于：所述ANN模型设置为三层：1个输入层，1个隐含层和1个输出层，采用监督学习的范式对ARIMA-ANN模型进行训练，将医院感染知识库中的数据集作为输入层的学习数据，隐含层的激活函数为双曲正切函数，输出层激活函数为恒等函数，误差的反向传播优化采用调整共轭梯度法，建模步骤为：
...【技术特征摘要】
1.一种医院内感染预测系统，其特征在于：所述医院内感染预测系统包括架设的系统架构，所述系统架构包括用于完成数据库交互的数据访问层、采用各类专业筛查策略对数据进行分析和处理的业务逻辑层和与用户进行交互并实现医院感染信息系统实时监控管理的应用表示层，所述业务逻辑层还包括采用基于时间序列数据的自回归滑动平均模型(arima)和基于机器学习的人工神经网络（ann）的组合来作为时间维度的预警模型，arima用于探测目标监测数据时间维度的波动情况，ann用于整合多元数据的异常波动。
2.根据权利要求1所述的一种医院内感染预测系统，其特征在于：所述数据访问层采用sql server2014数据库，采用了etl（extract, transform, load）中间件技术，其中包括使用kettle等工具，kettle是一种开源的etl（extract, transform, load）工具，使用kettle用于不同的数据源之间进行数据提取、转换和加载操作，所述sql server2014数据库存储和管理各种感染相关数据，包含了来自医院各个部门和系统的数据，如患者信息、病历记录、检查结果、药物治疗方案以及感染控制措施等指标。
3.根据权利要求2所述的一种医院内感染预测系统，其特征在于：所述在数据访问层还包括数据的安全和扩展模块，安全和扩展模块实施合适的安全措施，如访问控制、加密和审计，保护敏感数据，同时通过优化数据库的结构和索引，以及采用分布式数据库架构，提高系统的性能和扩展能力。
4.根据权利要求1所述的一种医院内感染预测系统，其特征在于：所述业务逻辑层的筛查策略包括基于规则的检测、统计分析、机器学习算法，通过对感染信息数据库中的数据进行推理和分析，发现潜在的感染风险和异常情况，业务逻辑层接受数据访问层的数据，依据医院感染管理相关制度设置的监控指标，监控指标涵盖感染率、感染类型、感染部位、感染控制措施执行情况，通过定义符合医院实际需求的院感监控规则，系统能够自动化地检测和报警，发现异常情况和潜在的感染爆发风险。
5.根据权利要求4所述的一种医...
【专利技术属性】
技术研发人员：赵瑞，朱璇，刘敏，
申请(专利权)人：武汉润和德康医疗数据有限公司，
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。