Diseño de sistema de simulación y modelo de aplicación de terminal médico inteligente

Resumen: Para integrar aún más los datos médicos abiertos y otros recursos sociales, este artículo propone un conjunto de planes de utilización de datos. Tomando como prototipo la red de carreteras locales de la ciudad de Wuxi, se construyó un modelo de aplicación de terminal de usuario basado en atención médica por Internet. Este modelo incluye optimización de ruta y análisis de datos. Este modelo aplica datos de tráfico a terminales médicos inteligentes y utiliza el algoritmo de ruta óptima de Dijkstra y el esquema de evaluación del método de normalización TOPSIS multinivel para planificar el hospital óptimo y la ruta correspondiente para los pacientes. Este modelo puede realizar un análisis adecuado de los datos de visitas al hospital y proporcionar a los usuarios una referencia para seleccionar un día para el tratamiento médico. Este artículo construye un sistema de simulación de terminal médico inteligente basado en esto.

Palabras clave: terminal médico inteligente; utilización de datos; modelo de evaluación TOPSIS; algoritmo de ruta óptima de Dijkstra

1. las carreteras son relativamente opuestas, los hospitales de diagnóstico y tratamiento integral y los hospitales especializados están relativamente concentrados, y muchos pacientes de otros lugares vienen para recibir tratamiento, lo que hace que el flujo hospitalario sea demasiado grande y afecte el tráfico alrededor del hospital. Para los pacientes, el tiempo es vida. En caso de accidente de tráfico o accidente doméstico repentino, un tratamiento médico oportuno es especialmente importante.

La selección de rutas es una parte importante de este sistema, y ​​la investigación en la literatura nacional y extranjera al respecto está bastante madura. Japón lanzó el proyecto CACS en 1973 y desarrolló un sistema de guía de ruta dinámica montado en un vehículo basado en comunicación por radiofrecuencia RF, que puede reducir el tiempo de viaje en un 13%. Estados Unidos ha lanzado dos sistemas autónomos típicos de guía de ruta, TravTek y Advance, para realizar una selección dinámica de ruta para vehículos. Alemania desarrolló el sistema LISB y el sistema AutoGuide basado en la comunicación por balizas infrarrojas en la década de 1980, y luego el Reino Unido lanzó el primer sistema de guía de ruta para vehículos comerciales del mundo, Tramc Master. Porque cuanto mayor sea la puntuación acordada, mejor será la ruta. >

En ese momento, la puntuación era 0. Corrija la puntuación para

Calcular la puntuación mediante esta fórmula, de modo que no haya 0 puntos y tenga una buena discriminación.

2. Puntuación de hacinamiento hospitalario

El número de personas en la clínica ambulatoria en tiempo real = el número de personas que se registraron en el hospital ese día - el número de personas que visitas ambulatorias completadas.

Cuantas más personas haya en el hospital ambulatorio, mayor será el tiempo de espera para el registro, el examen y el tratamiento. Este artículo utiliza el número en tiempo real de personas en el hospital ambulatorio para aproximar el tiempo de espera. tratamiento. La relación entre el número de personas en el departamento de pacientes ambulatorios y el número saturado de personas en el hospital indica el nivel de congestión del hospital en tiempo real.

La fórmula del grado de hacinamiento de cada hospital se expresa como:

El valor de la tasa es un número entre 0 y 1. La fórmula de puntuación del grado de hacinamiento después de la normalización usando TOPSIS es:

3. Puntuación de calificación hospitalaria

Dado que las dos puntuaciones anteriores se distribuyen aproximadamente entre 30 y 100 puntos, para mostrar una "escala igual", se establecen tres y dos estrellas. Las puntuaciones hospitalarias de estrella y de una estrella se muestran en la Tabla 2 a continuación:

4. Fórmula de cálculo de la puntuación de ruta

Teniendo en cuenta que cada paciente tiene necesidades diferentes, el sistema utiliza cuatro preferencias de planificación de ruta Se establecen: el mejor recomendado por el sistema, el menor tiempo de viaje, el mejor nivel hospitalario y la cola hospitalaria más corta. La duración del viaje corresponde al tiempo de viaje, la saturación del flujo de personas corresponde al grado de hacinamiento y las diferentes calificaciones de estrellas del hospital corresponden a la puntuación del grado hospitalario. Finalmente, se realiza un promedio ponderado de acuerdo con un cierto peso para obtener la puntuación final, se deduce el plan de ruta óptimo y se calcula la distancia de conducción y el tiempo que requiere el plan óptimo.

5. Datos estadísticos hospitalarios en tiempo real

En este modelo se supone que se puede obtener el número de personas en tiempo real en las consultas externas de cada hospital (número de personas en el hospital = número de registros hoy - número de personas que han completado el tratamiento), cada uno El número en tiempo real de personas esperando en el departamento, las 5 citas principales de la semana pasada y el flujo semanal de personas en cada hospital. Todos los datos anteriores se pueden visualizar. El volumen de citas semanales de las clínicas ambulatorias especializadas puede mostrar cambios cíclicos, por lo que se realiza un ajuste polinómico cúbico de los datos para presentar un diagrama de tendencia de flujo, que puede predecir el flujo futuro de personas.

El método de mínimos cuadrados de la curva cúbica se utiliza para ajustar la curva. Dado que la curva cúbica tiene como máximo dos puntos extremos, su tendencia de cambio puede cumplir con la descripción de la tendencia de cambio en siete días a la semana. El principio de cálculo es: Suponga que la curva de función cúbica es

Encuentre el vector a mediante el algoritmo de mínimos cuadrados, de modo que la suma de los cuadrados de la distancia desde el punto de la curva hasta el punto con el verdadero El valor es el más pequeño.

3. Diseño de simulación del sistema

1. Simulación de hospitales y carreteras

(1) Combinado con la Figura 2, analice y construya la estructura de la red de carreteras y marque cada sección La longitud del camino para calcular la distancia más corta. En el sistema de simulación, una ciudad y cuatro hospitales v, b, w y Se supone que todos los nodos, excepto los hospitales, se pueden utilizar como puntos de partida de los usuarios, como se muestra en la Figura 4.

Supongamos que el área donde se encuentra v-m es el centro de la ciudad. Según las posibles condiciones de congestión en el centro de la ciudad y las carreteras principales cercanas, algunos tramos de carretera tendrán diferentes probabilidades de congestión. Se genera un número aleatorio entre 0 y 1 a través de una función de número aleatorio, establecida como x, y se determina que una determinada sección de la carretera está congestionada al juzgar el rango de intervalo al que pertenece x (la longitud del intervalo es la probabilidad de congestión en el tramo de carretera). Por ejemplo: cuando x es 0,3 ~ 0,35, la sección kl de la carretera está congestionada, y si x = 0,31, se puede determinar que la sección kl está congestionada.

(2) Configuración de la calificación de la carretera: el sistema establece las autopistas urbanas y las carreteras urbanas ordinarias de acuerdo con una determinada calificación de la carretera, y establece las secciones de carreteras hb, li, ic, mv, jd, rs y sx como ordinarias. Para las carreteras urbanas (incluidas las carreteras rurales y las carreteras antiguas de las principales zonas urbanas), la velocidad media de conducción de los siete tramos de carretera mencionados anteriormente se establece en 28 km/h, y las secciones de carretera restantes se establecen en 40 km/h.

2. Implementación de simulación de hacinamiento hospitalario

En este sistema, se adopta el método de generación aleatoria de flujo humano. Primero, se debe determinar el flujo humano base y saturado de cada hospital. Dado que se trata de un problema de proporción, al ponderar solo se considera la puntuación, por lo que aquí se ignora la situación de sobresaturación.

Según los diferentes niveles hospitalarios, el número base y el número de saturación de personas se asignan a los cuatro hospitales como se muestra en la Tabla 2:

El sistema adopta el método de simulación en tiempo real monitoreo del flujo de personas, y está diseñado en MATLAB Configure un temporizador y genere un valor basado en el cambio de la base a través de una función aleatoria para lograr el efecto de simulación. Fórmula de flujo humano simulado:

Cada vez que se activa el temporizador, se actualiza el flujo humano.

3. Implementación de simulación de puntuación integral de ruta

En la planificación de ruta, el sistema establece cuatro prioridades: la mejor recomendada por el sistema, el menor tiempo de viaje, el mejor nivel hospitalario y el tiempo de espera más corto en la cola del hospital. Para cada preferencia de planificación de ruta, aquí se deben considerar cuatro conjuntos diferentes de pesos para satisfacer las necesidades de los diferentes usuarios.

Las ponderaciones ahora se distribuyen de la siguiente manera:

4. Implementación de simulación de datos estadísticos para cada hospital.

Siguiendo utilizando el método de simulación de datos de congestión anterior, para diferentes niveles de hospitales Establezca el valor básico y el rango de variación del flujo de personas. Debido a limitaciones de espacio, aquí solo se enumeran los valores base de los datos del flujo de personas semanal en diferentes hospitales.

Las representaciones de simulación de datos de estadísticas de tráfico hospitalario son las siguientes:

Evaluación del modelo y prueba de simulación

Por primera vez, este modelo de aplicación de terminal médico inteligente. obtendrá datos de tráfico. Al considerar exhaustivamente el flujo hospitalario en tiempo real, el grado del hospital y otros factores, combinados con las preferencias del usuario y el modelo de evaluación TOPSIS, se encuentra el mejor hospital para tratamiento médico desde la ubicación actual y el mejor camino hacia el hospital. . En el sistema, se agrega el impacto de los diferentes grados de las carreteras en la velocidad de conducción y luego el impacto de la velocidad del vehículo se convierte en cambios en la distancia. Cuando el sistema selecciona hospitales, asignará diferentes ponderaciones a diferentes factores que influyen en la ruta según las preferencias del paciente. Al mismo tiempo, el sistema también incorpora el análisis de flujo en tiempo real del hospital para facilitar a los pacientes elegir un período de tiempo adecuado para el tratamiento médico y reducir el tiempo de espera en la fila. En resumen, este sistema considera de manera integral las situaciones que pueden ocurrir en el camino hacia el tratamiento médico y después de llegar al hospital, y tiene buena viabilidad.

El diagrama de flujo de operación del sistema de simulación es el siguiente:

(1) Registro de experimento único

Como se muestra en la figura anterior, cuando se toma q como punto inicial Punto y selección de recomendación del sistema En este momento, el sistema determina que el mejor hospital es el Hospital Popular de Wuxi (v) según el algoritmo establecido, su mejor camino es q-l-m-v y la distancia más corta es 13,34 km. Esta distancia es la más pequeña en comparación con los otros tres hospitales (hospital b: 15,49 km, hospital w: 15,54 km, hospital x: 18,02 km) y el hospital v es el único hospital de tres estrellas. Después de determinar el hospital y la ruta, el sistema marcará automáticamente la ruta con una línea verde en el mapa [10].

(2) Registro de múltiples experimentos

Distribución total de la puntuación de la prueba: realice experimentos con diferentes preferencias de planificación de ruta para los tres puntos de partida a, p y q y registre cada vez Cada hospital puntuación y número óptimo de hospital. El valor de puntuación óptimo recomendado por el sistema de selección se registra de la siguiente manera:

Para diferentes preferencias de planificación de ruta, los resultados de seleccionar el mejor hospital son los siguientes:

5. Conclusión

El modelo de aplicación de terminal médico inteligente propuesto en este artículo utiliza datos de tráfico, flujo de personas hospitalarias en tiempo real y datos básicos a nivel hospitalario para normalizar el flujo de personas y el tiempo de viaje a través del método de evaluación TOPSIS, de modo que las puntuaciones tienen consistencia de escala. Al combinar las tres puntuaciones de consumo de tiempo, hacinamiento hospitalario y grado hospitalario, las preferencias de planificación de ruta del usuario se convierten en tres ponderaciones de puntuación y la puntuación total se calcula para obtener el mejor hospital para el tratamiento médico desde la ubicación actual y planificar el la mejor ruta, haciendo más conveniente el viaje médico del usuario. En el sistema de simulación, se adopta directamente la estructura de la red de carreteras de la ciudad de Wuxi y se introduce el impacto de los diferentes grados de las carreteras en el tiempo de conducción de acuerdo con las condiciones reales de la carretera para generar tramos de carretera congestionados y desvíos. Para diferentes grados de hospitales, se utilizan números aleatorios para crear ciertas carreteras. El flujo del hospital se genera dinámicamente dentro del rango y la simulación tiene valor práctico. Al mismo tiempo, se agregan al modelo datos históricos hospitalarios relevantes y se realiza un ajuste de funciones para obtener la tendencia de cambio de datos.

Se puede ver en los resultados de la simulación anterior que la planificación de la ruta del resultado del experimento único es razonable y satisface las necesidades de los usuarios generales. En múltiples registros experimentales (como se muestra en la Tabla 5), ​​el usuario está en el punto a y el esquema de evaluación del modelo se utiliza para calificar cuatro hospitales. Los resultados son 69,63, 91,75, 65,67 y 46,33 respectivamente. es razonable y las puntuaciones se distribuyen en una escalera. Tiene un alto grado de discriminación. Cuando el usuario se encuentra en los tres puntos a, p y q respectivamente, se puede ver en el mapa que los hospitales recomendados satisfacen las necesidades del usuario. Las desviaciones estándar de los datos de puntuación de los cuatro hospitales en los tres conjuntos de datos de diferentes puntos de partida son 18,63, 13,73 y 14,66. Sus grados de dispersión son cercanos, es decir, las puntuaciones son consistentes cada vez que se ejecuta el algoritmo de evaluación. , y el modelo es muy robusto. Al elegir un hospital con baja prioridad de congestión, el sistema recomendará un hospital (es decir, un hospital comunitario). Esta solución puede desviar a los pacientes de emergencia con afecciones leves que necesitan ser tratados con urgencia de los hospitales grandes, promoviendo así la asignación racional de recursos médicos y la atención médica. Implementación del diagnóstico y tratamiento jerárquico. Combinando los resultados del cálculo del mapa y del software, se puede determinar la cobertura médica en el área (área urbana de Wuxi).

Referencias

[1] Xia Limin. Investigación sobre el algoritmo de selección de ruta óptima en el sistema de transporte [D] Capital Normal University, 2007.

[ 2] Van Eck J R, De Jong T. Análisis de accesibilidad y efectos de competencia espacial en el contexto de la planificación de ubicación de servicios respaldada por SIG Computadoras, Medio Ambiente y Sistema Urbano, 1999, 23(2): 75-89.

[3] Wu Jianjun, Kong Yunfeng, Li Bin. Análisis de accesibilidad espacial de instalaciones médicas rurales basado en SIG: tomando como ejemplo el condado de Lankao, provincia de Henan, 2008, 23(5): 3742.

[4] Xiong Juan, Luo Jing, Peng Jing, et al. Análisis de la equiparación de los servicios médicos en los condados según la accesibilidad: tomando como ejemplo la ciudad de Songci, provincia de Hubei, 2012, 27(5): 2529. .

[5] Zhang Li, Lu Yuqi, Zhao Yuanzheng. Evaluación y planificación de la accesibilidad hospitalaria: tomando como ejemplo la ciudad de Yizheng, provincia de Jiangsu [J]. .

[6] Xu Suofeng, Qiao Yali, Yang Bin, et al. Discusión sobre la construcción de atención médica inteligente en la era del big data [J], 2015(15): 1. -1.

[7 ] Chang Chaodi, Chen Min. Investigación sobre métodos de gobernanza de datos médicos y de salud en la era del big data [J China Digital Medicine, 2016, 11(9): 2-5. .

[8] Cheng Liling, Cao Jian. Aplicación del método TOPSIS ponderado en la evaluación integral hospitalaria [J]. Estadísticas de hospitales chinos, 2006, 13(1): 17-19.

[9] Bao Peiming. Optimización del algoritmo de Dijkstra en optimización de distancia [J]. Investigación y desarrollo informático, 2001, 38(3): 307-311.

[10] Zhou Xinming, Lan Sai. , Xu Yan Comparación de varios algoritmos de detección de bordes en el procesamiento de imágenes [J] Modern Electric Power, 2000, 17(3): 65-69.