[发明专利]基于深度学习的手术排班系统、方法、存储介质和终端

权利要求书

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。

6.一种基于深度学习的手术排班方法，其特征在于，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。

7.根据权利要求6所述的手术排班方法，其特征在于，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。

8.根据权利要求6所述的手术排班方法，其特征在于，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。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求6至8中任一项所述基于深度学习的手术排班方法。

10.一种电子终端，其特征在于，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，以使所述终端执行如权利要求6至8中任一项所述基于深度学习的手术排班方法。