[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

说明书

本发明提供基于深度学习的手术排班系统、方法、存储介质和终端，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。本发明提出的技术方案，一方面减轻了工作人员对手术时长进行估计的工作量而且也提高了时长估计的准确率，另一方面采用遗传算法可以有效解决人工进行手术排班的困难，提高手术室利用率，使其更多的潜能可被发掘。

技术领域

本发明涉及手术排班技术领域，特别是涉及基于深度学习的手术排班系统、方法、存储介质和终端。

背景技术

手术室是医院最重要的医疗资源，它既是医院主要开支产生的地方，同时也是医院创造收益最多的地方。如何合理调度手术室资源，使其在相同时间内可以承担更多的手术任务，是医院管理中的一个重要方向。目前已经有一些排班软件可以满足一定排班优化问题需要，但需要基于人工对手术时长的经验估计，而且无法满足手术室排班的一些个性化需求场景。如需要考虑同一医生的手术安排、允许手工预约手术室时段等。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供基于深度学习的手术排班系统、方法、存储介质和终端，用于解决上述背景技术中的问题。

为实现上述目的及其他相关目的，本发明的第一方面提供一种基于深度学习的手术排班系统，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。

于本发明的第一方面的一些实施例中，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。

于本发明的第一方面的一些实施例中，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。

于本发明的第一方面的一些实施例中，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。

于本发明的第一方面的一些实施例中，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。

为实现上述目的及其他相关目的，本发明的第二方面提供一种基于深度学习的手术排班方法，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。

于本发明的第二方面的一些实施例中，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。