一种神经网络算法解决医疗制度中的管理与质量问题的方法与装置

摘要

本发明涉及医疗系统技术领域，尤其为一种神经网络算法解决医疗制度管理与质量问题的方法与装置，包括以下步骤：S1、对医疗制度中提取专业化词素，并进行定义；S2、确定专业化词素的逻辑关系，并用相应的符号与数字进行定义；S3、用神经网络算法归类符号与数字之间的内在逻辑关系，把专业化词素导入到事先编辑完成的数字仓库，把制度中的主观描述用神经网络算法表述成计算机命令；本发明通过将医疗制度进行结构化处理，把制度中的关键词素转化为数字符号，把管理行为与医疗行为编号成相应的计算机运用程序，然后，根据符号运算按串行模式进行逻辑推理，建立各个符号之间的逻辑关系，对此再核对医院所有政策、管理、行为是否符合这个制度规定。

说明书

技术领域

本发明涉及医疗系统技术领域，具体为一种神经网络算法解决医疗制度管理与质量问题的方法与装置。

背景技术

目前三级医院的《医疗制度手册》一般在20-100万字，为了对付医院等级评审，结合每年的国家医疗政策的更新，医院组织专家或第三方咨询公司对医疗制度不断地更新，这些制度持续耗费医院大量成本。因为依靠人工更新，差错较多，导致在医院等级评审过程中，不断出现管理与质量的扣分，给医院行政及临床工作带来巨大的安全隐患。医院目前的制度都是纸质管理，或简单地复制粘贴到医院OA管理系统之中，制度以固化的静止的形式存在，无法用制度监督员工的医疗行为，提升员工的工作能力，最后制度与员工出现脱节状态，医院不出问题不看制度，出的问题再看制度也无法做到工作补救。

因此需要一种神经网络算法解决医疗制度管理与质量问题的方法与装置对上述问题做出改善。

发明内容

本发明的目的在于提供一种神经网络算法解决医疗制度管理与质量问题的方法与装置，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种神经网络算法解决医疗制度管理与质量问题的方法与装置，包括以下步骤：

S1、对医疗制度中提取专业化词素，并进行定义；

S2、确定专业化词素的逻辑关系，并用相应的符号与数字进行定义；

S3、用神经网络算法归类符号与数字之间的内在逻辑关系，把专业化词素导入到事先编辑完成的数字仓库，把制度中的主观描述用神经网络算法表述成计算机命令；

S4、当医疗制度更新时，与原有制度进行比对，自动更新覆盖；

S5、对医疗制度中医务人员操作行为的监控与预警系统。

作为本发明优选的方案，该方法应用于医院医疗质量管理系统，该系统包括首诊负责制度模块，三级医师查房制度模块，分级护理制度模块，值班和交接班制度模块，疑难病例讨论制度模块，急危重患者抢救制度模块，术前讨论制度模块，死亡病例讨论制度模块，手术安全核查制度模块，手术分级管理制度模块，新技术和新项目准入制度模块，病历管理制度模块，危急值报告制度模块、质控指标模块、质控报表模块。

一种解决医疗制度管理与质量问题的装置，包括：

质控指令接收模块，其用于接收质控指令并运行质控引擎；且质控引擎内预设有质控规则库；所述质控规则库中包括事中干预类规则、前提醒类规则和事后质控类规则；规则运行模块，其用于查找并运行医疗业务环节质控所需的事中干预类规则，按照间隔设定时间循环运行事前提醒类规则，按照设定固定时间运行事后质控类规则；

质控结果生成模块，其用于获取每个规则的数据对应的脚本集合，访问对应数据源并执行脚本，得到各个类别规则的质控结果，将对应类别规则的质控结果汇总后对应形成事中质控结果、事前预警消息和事后质控缺陷记录反馈给医务人员。

作为本发明优选的方案，所述装置中还包括监管闭环系统，用于基于规则引擎模块自动识别的事件处理中的医疗质量问题，进行监督整改，包括知识图谱构建单元、排序单元、操作单元、分析单元。

作为本发明优选的方案，所述知识图谱构建单元对预设的初始分类模型进行训练，以确定质控分类模型。

作为本发明优选的方案，所述排序单元包括：

当所述上一个取值所在的区间为所述第一子区间时，若所述当前取值对应的可信度小于上一个取值所对应的可信度，且所述当前取值大于所述上一个取值，则根据第二预设间隔值增大所述异常控制比例的取值；

若所述当前取值对应的可信度小于所述上一个取值所对应的可信度，且所述当前取值小于所述上一个取值，则根据第三预设间隔值减小所述异常控制比例的取值。

作为本发明优选的方案，所述操作单元包含：用于基于预设的表单类型与处理流程自动识别的医疗质量问题生成对应的整改单。

作为本发明优选的方案，分析单元包括：

对所有的质控规则，将每条规则的数据获取脚本、逻辑处理脚本储存在质控规则库R中；

最终形成的质控规则库数据为x个规则对应a*x个数据获取脚本和b*x 个逻辑处理脚本。

作为本发明优选的方案，还包括提醒单元，生成并发出与所述质控结果对应的质控提醒信息。

作为本发明优选的方案，还包括至少一个处理器；以及与所述至少一个处理器通信连接的存储器，存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行上述的方法。

与现有技术相比，本发明的有益效果是：

本发明通过将医疗制度进行结构化处理，把制度中的关键词素转化为数字符号，把管理行为与医疗行为编号成相应的计算机运用程序，然后，根据符号运算按串行模式进行逻辑推理，建立各个符号之间的逻辑关系，对此再核对医院所有政策、管理、行为是否符合这个制度规定，并通过质控引擎查找并运行医疗业务环节质控所需的事中干预类规则，按照间隔设定时间运行事前提醒类规则，按照设定固定时间运行事后质控类规则；获取每个规则的数据对应的算法集合，访问对应数据源并执行算法，得到各个类别规则的质控结果，将对应类别规则的质控结果汇总后对应形成事前预警消息和事后质控缺陷记录反馈给医务人员，对医疗制度管理与质量问题实现有效的预警以及解决。

附图说明

图1为本发明的方法流程图；

图2为本发明所应用的医疗质量管理系统框图；

图3为本发明中装置的内部原理框图；

图4为本发明中数学算法的技术路线图。

具体实施方式

下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例,基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为了便于理解本发明，下面将参照相关对本发明进行更全面的描述。给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。

需要说明的是，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

请参阅图1-4，本发明提供一种技术方案：

实施例，请参照图1、2和3，一种神经网络算法解决医疗制度管理与质量问题的方法，包括以下步骤：

S1、对医疗制度中提取专业化词素，并进行定义；

S2、确定专业化词素的逻辑关系，如“输血”-“血型”-“A型”-“配血”-“输血反应”，是输血过程中的层层递进的逻辑关系，是医务人员操作的规范性的行为链，并用相应的符号与数字进行定义，例如Aa0001， Aa0002.....；

S3、用神经网络算法归类符号与数字之间的内在逻辑关系，把专业化词素导入到事先编辑完成的数字仓库，把制度中的主观描述用神经网络算法表述成计算机命令；

S4、当医疗制度更新时，与原有制度进行比对，自动更新覆盖；

S5、对医疗制度中医务人员操作行为的监控与预警系统。

该方法应用于医院医疗质量管理系统，该系统包括首诊负责制度模块，三级医师查房制度模块，分级护理制度模块，值班和交接班制度模块，疑难病例讨论制度模块，急危重患者抢救制度模块，术前讨论制度模块，死亡病例讨论制度模块，手术安全核查制度模块，手术分级管理制度模块，新技术和新项目准入制度模块，病历管理制度模块，危急值报告制度模块。

一种解决医疗制度管理与质量问题的装置，包括：

质控指令接收模块，其用于接收质控指令并运行质控引擎；且质控引擎内预设有质控规则库；质控规则库中包括事中干预类规则、前提醒类规则和事后质控类规则；规则运行模块，其用于查找并运行医疗业务环节质控所需的事中干预类规则，按照间隔设定时间循环运行事前提醒类规则，按照设定固定时间运行事后质控类规则；

质控结果生成模块，其用于获取每个规则的数据对应的脚本集合，访问对应数据源并执行脚本，得到各个类别规则的质控结果，将对应类别规则的质控结果汇总后对应形成事中质控结果、事前预警消息和事后质控缺陷记录反馈给医务人员。

装置中还包括监管闭环系统，用于基于规则引擎模块自动识别的事件处理中的医疗质量问题，进行监督整改，包括知识图谱构建单元、排序单元、操作单元、分析单元，知识图谱构建单元对预设的初始分类模型进行训练，以确定质控分类模型，排序单元包括：

当上一个取值所在的区间为第一子区间时，若当前取值对应的可信度小于上一个取值所对应的可信度，且当前取值大于上一个取值，则根据第二预设间隔值增大异常控制比例的取值；

若当前取值对应的可信度小于上一个取值所对应的可信度，且当前取值小于上一个取值，则根据第三预设间隔值减小异常控制比例的取值。

操作单元包含：用于基于预设的表单类型与处理流程自动识别的医疗质量问题生成对应的整改单。

分析单元包括：

对所有的质控规则，将每条规则的数据获取脚本、逻辑处理脚本储存在质控规则库R中；最终形成的质控规则库数据为x个规则对应a*x个数据获取脚本和b*x个逻辑处理脚本。

包括提醒单元，生成并发出与质控结果对应的质控提醒信息。

包括至少一个处理器；以及与至少一个处理器通信连接的存储器，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行权利要求1-2任一项的方法。

实施例2，请参照图1、2和3，。

实施例3，请参照图1、2和3，。

对于医疗质量管理系统每个临床制度进行编码，用来唯一标识此医院临床制度。医院临床制度(分类、制度编码、制度名称)。

对于所有医院临床制度，将每个医疗业务环节存储在医疗业务环节目录中。

按照医务人员所用业务系统的实际情况，建立质控规则库与医疗业务环节目录的对应关系，对于每条质控规则增加属性(所属环节)，例如：患者普通会诊要求发起医生级别为中级以上、会诊申请环节。

采集各系统原始数据，如医嘱、病历、检查、检验、手术、护理和体征等信息数据。

基于医疗知识术语库、全文检索及机器学习等对实时的医疗业务环节进行后结构化处理，进行过滤和合并处理自动整理出有效诊疗事件，如：入院、危急值、抢救、病危、病重、手术、分娩、有创、吸氧、会诊、输血、化疗、查房、转科、死亡、出院等。

查找医疗业务环节质控所需的事中干预类规则中利用事中干预的质控接口来实现。事中干预的质控接口编码为输入输出参数如，00001、00013、00018。

用神经网络算法归类编码与数字之间的内在逻辑关系，包括以下步骤：

输入训练集、验证集、测试集，构建word2index。

读取数据并处理成'B','M','E','S'标注的形式。

用'B','M','E','S'来标注每个字，tag_list和word_list长度相等，且一一匹配。

如果是训练集的话，必须加入''这个额外的标签，这样才能在遇到不认识的样本的时候能预测出来。

数据要处理成tensor类型，因每条数据长度都不同，需要补全(补成最大长度)。

把中文的汉字转成word_2_index对应的数字。

补全batch成相同的长度(都补到最大长度，用空白字'')。

每个字用embedding_num定义它。

特征数量是embedding_num，lstm层数是hidden_num，batch是否为first，是否进行BiLSTM由外界决定:bi。

如果双向BiLSTM，hidden_num需要乘2，单向不需要乘2。

把batch_data传入，对循环神经网络的填充，去除之前的那些pading，只对有效值进行填充。

这里输出一个out，一个hidden，对hidden是不关心的，对每个字的结果out关心。

out的维度：1、train_batch_size2、batch_max_len3、hidden_num (bi双向即为2*hidden_num)。

对out做分类，pre即为预测值。

对预测值求最大，再变成一个维度(把batch和每个batch里多少个字拉成一个横条)。

forward传参的时候默认batch_tag为None，只在训练和验证时传，因为测试时是没有tag的，但是仍然需要调用forward得到self.pre预测结果。

计算交叉熵损失,得到loss。

把字对应的index转成对应的tag，得到结果。

计算所有不重复的中文的数量。

计算所有不重复的标签类别数。

pytorch把数据当成张量来计算。

构建模型、优化器，进行结果预测。

对神经网络预测结果进行聚类分析，得到至少一个类簇，以第一数据集为所述n个第一数据子集中的任一第二数据集；确定所述至少一个类簇中的每一个类簇的第一中心，得到至少一个第一中心；确定所述至少一个第一中心的中心，得到第二中心；确定所述至少一个第一中心中每一中心与所述第二中心之间的距离，得到至少一个距离；依据所述第一中心、所述第二中心、所述至少一个距离构造至少一个向量，每一向量对应一个中心，每一向量的方向为所述第二中心指向该第一中心的方向，每一向量的大小与该向量对应的距离成正比；确定所述至少一个向量的合并向量；将所述合并向量所指示的方向的预设范围内的数据作为最终数据集。

数据集分析模块包括第一分析子模块，所述操作判断条件包括第一判断条件，所述第一分析子模块用于判断操作内容和监测信息是否满足第一判断条件，并在满足第一判断条件时，对完成结果进行调整，将第一分析单元与所述第一分析模块连接，用于根据所述代表性质控点的医疗制度质量水平信息进行分析，得到第一分析结果值，第二分析单元，与所述第二数据分析模块连接，用于根据所述质控汇总信息进行分析，得到第二分析结果值，评审单元，分别与所述第一分析单元和所述第二分析单元连接，用于根据第一分析

结果值和所述第二分析结果值计算评审结果值，监控单元，与所述评审单元连接，用于判断所述评审结果值是否超过预设预报警阈值；若超过，则向所述平台模块发送报警信息，反馈单元，与各个所述代表性质控点连接，用于将所述代表性质控点对应的评价结果值发送至所述代表性质控点，标准确定单元，与所述第二数据分析模块连接，用于确定系统数据标准，并将含有所述系统数据标准的数据元发送至所述质控模块；所述系统数据标准包括：医嘱信息标准、检验信息标准、影像信息标准、EMR信息标准、手术麻醉信息标准和样本库信息标准，汇总模块，分别与所述质控数据分类单元、所述质控数据治理单元和所述医疗制度监测单元连接，用于将所述医疗专业信息、所述质控处理数据和代表性核心制度信息进行汇总，得到所述质控汇总信息，继而，所述表单生成单元，用于基于预设的表单类型与处理流程自动识别的医疗质量问题生成对应的整改单，预先存储有与不同操作信息对应的时间阈值，根据操作信息筛选出时间阈值，并进行计时，在计时达到时间阈值时，根据操作信息生成提醒信息，继而，所述消息提醒单元，用于将整改单推送至相关人员，并发送消息提醒监管人员需要监督整改情况，通过质控反馈模块根据操作信息和判断条件生成计划时间，计划时间是不满足判断条件的操作信息应当完成的时间，当质控基础数据进行调整时，即质控基础数据中任一数值发生变化时，数据分析模块还用于根据调整后的质控基础数据进行统计生成质控数据，还需要说明的是，异常控制比例有两个作用：一是避免预设聚类模型过度剔除数据，即避免损失率过高，另一个是控制预设聚类模型的聚类时间，提高聚类处理的效率，避免陷入死循环。

质控提醒信息与质控结果相对应，例如，质控结果为质控合格，则质控提醒信息可以是包含质控合格的提醒信息；当质控结果不合格时，则质控提醒信息可以是包含问题分类以及缺陷明细的提醒信息，例如，问题分类包括：位置、时间；缺陷明细包括：医学实体排序出错、医学实体时序紊乱等质控提醒信息可以为医生操作过程提供有效的参考，从而避规违背核心医疗制度的行为。

典型案例：

病人李四今日08:35:00入院做了一个全血细胞检验，检验科于08:50:10 发布了检验结果，其中红细胞值为61.3，由于系统配置了检验结果的自动化数据采集，因此检验结果在检验系统一发布，医疗质量管理平台就实时 (09:00:33)采集到了这个数据；由于系统配置了危急值事件的产生条件之一为血常规红细胞大于30，因此该数据在匹配这个规则后，产生了“危急值”病人的诊疗事件；该诊疗事件触发了“危急值病人处置”的处理流程，处理流程同时将该事件推向临床科室、医务科等负责人，相关责任人在09:05:15 即收到李四血常规危急值的信息；具体处理该例病例的临床科室在弹出的消息框进行确认，并按照危急值管理规范对李四进行紧急处理，危急值处理在09:07:35完毕后，09:08:11在线反馈危急值处理结果，质控引擎将 09:08:30再次通知医务科等负责人危急值处理情况，相关人员可通过医疗质量管理平台随时可以调出整个流程数据做查询。

住院病人李四入院时病情比较复杂，一直无法确定李四的主病因，主管医生在书写李四的入院记录时将诊断标记为疑似，当质控管理平台自动采集到患者诊断数据有疑似标记时会按照《十八项医疗质量安全核心制度》中疑难病例患者讨论规范的要求将此患者纳入疑似患者监控范围，自动提醒张三的主管医师为李四组织疑难病例讨论会议，如果一周后质控管理平台还未采集到疑难病例讨论数据则系统自动下达整改单给医生进行整改，同时发送消息提醒医务科管理人员需要督促整改情况，只有当医生整改完成后并在线反馈整改结果，医务科管理人员对整改情况进行评估，在线通过整改评估结果后此质量管理流程才会结束。

类似的案例还包括医嘱送检人数和已送检人数，医嘱送检人数为医生开立抗菌药物治疗医嘱的患者数量，已送检人数为满足要求的送检数量，初始化医嘱送检人数，医嘱送检人数随医生医嘱变化，已送检人数为零，数据分析模块还包括其他分析模块，操作判断条件还包括其他判断条件，其他分析模块用于根据操作内容和操作时间判断是否满足其他判断条件，其他判断条件为送检标本的采集时间是否在执行注射抗菌药物的时间之前，当满足其他判断条件，即认为该患者在满足要求下进行的送检，增加已送检人数。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。