一种基于病原体精准识别的围手术期医疗资源动态调度方法、系统、设备及介质与流程
本发明涉及医疗信息,具体涉及围手术期感染防控与医疗资源调度领域,尤其涉及一种基于病原体精准识别的围手术期医疗资源动态调度方法、系统、设备及介质。
背景技术:
1、围手术期患者的感染防控是医院质量管理的核心环节,直接关系到患者预后和医疗资源利用效率。随着医院信息化建设的推进,医院在围手术期感染防控方面主要依赖三套独立运行的信息系统:医院感染监测系统能够采集患者的生命体征、炎症指标、微生物培养等数据,并基于预设规则生成感染预警;病房管理系统主要负责床位的分配、转科和出院等常规业务流程;医护排班系统则按照科室、班次和护理等级进行固定的人员排布。
2、然而,现有技术中,上述三个系统在功能上相互割裂,各系统产生的数据无法实时互通和联动响应。当院感系统监测到患者存在感染风险或已确认感染时,病房管理系统无法根据风险等级提前预留或调配适宜的隔离病房资源,导致高风险患者滞留普通病房,增加交叉感染隐患;排班系统也无法根据患者的感染风险变化动态调整医护人员的查房频率和防护等级,只能依赖医护人员自觉响应,存在响应滞后、人力配置不科学的缺陷。此外,现有系统缺乏对感染病原体类型的精准识别能力,无法依据病原体的传播特性匹配差异化的防控资源,造成高等级隔离资源的浪费或低配;系统间的孤立运行还使得感染防控决策与资源执行之间形成信息孤岛,临床响应严重依赖人工线下协调,响应延迟且易出错。
3、因此,如何打通院感监测、病房资源调度和医护排班之间的数据壁垒,构建以感染风险预测和病原体识别为驱动的资源动态调度闭环,是当下亟待解决的问题。
技术实现思路
1、本发明实施例提供了一种基于病原体精准识别的围手术期医疗资源动态调度方法、系统、设备及介质,可打通院感监测、病房管理与医护排班之间的数据壁垒,实现基于病原体精准识别的差异化、前摄性资源动态调度。
2、一方面,本发明实施例提供了一种基于病原体精准识别的围手术期医疗资源动态调度方法,应用于医院信息系统,所述医院信息系统包括医院感染监测系统、病房管理系统和医护排班系统,所述方法包括:
3、通过标准化数据接口实时获取围手术期患者的多源监测数据,对所述多源监测数据进行预处理,得到患者特征时间序列;所述多源监测数据包括所述医院感染监测系统采集的感染监测数据、所述病房管理系统记录的病房资源数据与所述医护排班系统记录的排班数据;
4、将所述患者特征时间序列输入预先训练的多任务深度学习模型,得到所述多任务深度学习模型并行输出的感染风险等级与病原体识别结果;
5、当所述感染风险等级满足预设风险触发条件时,根据所述病原体识别结果,从病原体-防控资源映射库中匹配生成特定病房环境控制参数与特定医护介入方案,所述病原体-防控资源映射库中预先存储有病原体识别结果与资源需求参数之间的映射关系;
6、将所述特定病房环境控制参数发送至所述病房管理系统,驱动所述病房管理系统对所述围手术期患者执行病房资源调度;
7、将所述特定医护介入方案发送至所述医护排班系统,驱动所述医护排班系统对所述围手术期患者执行护理任务队列调整。
8、在一种可能的实现方式中,所述感染监测数据包括所述围手术期患者的生命体征、炎症指标、微生物培养结果与药敏结果,所述病房资源数据包括床位占用状态、病房类型与病房环境参数,所述排班数据包括医护人员资质、防护等级与班次信息。
9、在一种可能的实现方式中,所述多任务深度学习模型包括共享特征提取层、风险预测分支与病原体分类分支;通过所述共享特征提取层对所述患者特征时间序列进行时序特征提取,得到共享特征表示;通过所述风险预测分支根据所述共享特征表示输出所述感染风险等级;通过所述病原体分类分支根据所述共享特征表示输出所述病原体识别结果。
10、在一种可能的实现方式中,所述共享特征提取层基于transformer时序编码器构建,用于捕捉所述患者特征时间序列中不同监测指标之间的长程依赖关系;所述风险预测分支由全连接层与softmax激活函数构成,所述感染风险等级为高风险、中风险或低风险中的任意一种;所述病原体分类分支由全连接层与sigmoid激活函数构成,所述病原体识别结果为通过多标签输出方式得到的常见病原体类型。需要说明的是,本发明实施例的多任务深度学习模型采用共享特征提取加双分支并行输出的结构,共享特征提取层将患者特征时间序列编码为统一的共享特征表示,风险预测分支与病原体分类分支均以该共享特征表示为输入,实现了从同一原始监测数据中同时提取感染风险与病原体类型两个维度的预测信息,两个预测任务相互佐证,为后续差异化资源匹配提供精确依据。
11、在一种可能的实现方式中,所述多任务深度学习模型通过以下方式预先训练得到:以历史脱敏患者数据作为训练集,采用由交叉熵损失与焦点损失构建的联合损失函数,对所述多任务深度学习模型进行迭代训练,直至满足预设训练终止条件。需要说明的是,交叉熵损失有助于模型稳定收敛,焦点损失通过降低易分类样本的损失权重、聚焦难分类样本,可缓解不同病原体类别样本数量不均衡对训练的影响,二者联合可在保证训练稳定性的同时提升病原体识别的特异性。
12、在一种可能的实现方式中,所述病原体识别结果包括病原体类型与耐药等级;所述病原体-防控资源映射库以所述病原体类型与所述耐药等级为映射键,以资源需求参数为映射值,所述资源需求参数包括建议病房类型、换气次数、医护人员防护级别、建议查房频率与必需专项护理操作及周期。需要说明的是,病原体-防控资源映射库将微生物学层面的病原体特性与工程层面的病房环境参数、管理层面的排班参数进行结构化关联,实现了从病原体识别到多维度资源需求参数的自动化、标准化转换,是差异化资源调配的核心转换枢纽。
13、在一种可能的实现方式中,所述驱动所述病房管理系统对所述围手术期患者执行病房资源调度,包括:所述病房管理系统基于约束满足优化算法,对所述特定病房环境控制参数进行优化求解,得到病房调度方案,所述优化求解在满足预设硬约束条件的情况下以最小化交叉感染风险与床位搬迁成本为优化目标,所述预设硬约束条件包括床位占用约束、科室归属约束与性别隔离约束;基于所述病房调度方案,对所述围手术期患者执行病房分配、病房预留或病房调整中的至少一种,实时更新病房状态。需要说明的是,床位占用约束、科室归属约束与性别隔离约束保证了病房调度方案在临床管理上的可行性与安全性,以最小化交叉感染风险与床位搬迁成本为优化目标则在阻断交叉感染的同时尽量降低对患者治疗连续性的干扰。
14、在一种可能的实现方式中,所述驱动所述医护排班系统对所述围手术期患者执行护理任务队列调整,包括:当所述感染风险等级与所述病原体识别结果满足预设抢占条件时,所述医护排班系统将所述围手术期患者对应的查房任务提升至最高优先级,插入对应班次医护人员的任务序列中,以抢占所述任务序列中原有常规查房任务的时间槽位。可见,在本实现方式中,高风险病原体患者的查房任务自动获得最高优先级保障,无需依赖人工协调,提升了感染防控的响应时效性。
15、在一种可能的实现方式中,当所述围手术期患者的感染风险等级降级或病原体清除时,所述医护排班系统释放所述查房任务抢占的时间槽位,恢复常规排班。可见,在本实现方式中,高风险解除后优先资源自动释放,使医护人力资源按感染风险高低动态流转,缓解了高风险患者查房不足、低风险患者人力冗余的结构性矛盾。
16、在一种可能的实现方式中,所述方法还包括:采集执行所述病房资源调度与所述护理任务队列调整之后的所述围手术期患者的感染转归数据与资源利用效率指标;根据所述感染转归数据与所述资源利用效率指标,对所述多任务深度学习模型进行增量训练,对所述病原体-防控资源映射库进行参数校准。可见,在本实现方式中,系统具备从执行结果中持续学习与自优化的能力,随着数据积累不断提升预测精度与调度合理性。
17、另一方面,本发明实施例提供了一种基于病原体精准识别的围手术期医疗资源动态调度系统,所述系统包括资源调度装置、医院感染监测系统、病房管理系统和医护排班系统,所述资源调度装置分别与所述医院感染监测系统、所述病房管理系统和所述医护排班系统通信连接;
18、所述资源调度装置用于通过标准化数据接口实时获取围手术期患者的多源监测数据,对所述多源监测数据进行预处理,得到患者特征时间序列,所述多源监测数据包括所述医院感染监测系统采集的感染监测数据、所述病房管理系统记录的病房资源数据与所述医护排班系统记录的排班数据;
19、所述资源调度装置用于将所述患者特征时间序列输入预先训练的多任务深度学习模型,得到所述多任务深度学习模型并行输出的感染风险等级与病原体识别结果;
20、所述资源调度装置用于当所述感染风险等级满足预设风险触发条件时,根据所述病原体识别结果,从病原体-防控资源映射库中匹配生成特定病房环境控制参数与特定医护介入方案,所述病原体-防控资源映射库中预先存储有病原体识别结果与资源需求参数之间的映射关系;
21、所述资源调度装置用于将所述特定病房环境控制参数发送至所述病房管理系统,驱动所述病房管理系统对所述围手术期患者执行病房资源调度;
22、所述资源调度装置用于将所述特定医护介入方案发送至所述医护排班系统,驱动所述医护排班系统对所述围手术期患者执行护理任务队列调整。
23、再一方面,本发明实施例提供了一种计算机设备,包括:处理器,适于实现一条或多条指令;以及,计算机可读存储介质,所述计算机可读存储介质存储有一条或多条指令,所述一条或多条指令适于由所述处理器加载并执行如下步骤:通过标准化数据接口实时获取围手术期患者的多源监测数据,对所述多源监测数据进行预处理,得到患者特征时间序列;将所述患者特征时间序列输入预先训练的多任务深度学习模型,得到所述多任务深度学习模型并行输出的感染风险等级与病原体识别结果;当所述感染风险等级满足预设风险触发条件时,根据所述病原体识别结果,从病原体-防控资源映射库中匹配生成特定病房环境控制参数与特定医护介入方案;将所述特定病房环境控制参数发送至所述病房管理系统,驱动所述病房管理系统对所述围手术期患者执行病房资源调度;将所述特定医护介入方案发送至所述医护排班系统,驱动所述医护排班系统对所述围手术期患者执行护理任务队列调整。
24、再一方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一条或多条指令,所述一条或多条指令适于由处理器加载并执行如下步骤:通过标准化数据接口实时获取围手术期患者的多源监测数据,对所述多源监测数据进行预处理,得到患者特征时间序列;将所述患者特征时间序列输入预先训练的多任务深度学习模型,得到所述多任务深度学习模型并行输出的感染风险等级与病原体识别结果;当所述感染风险等级满足预设风险触发条件时,根据所述病原体识别结果,从病原体-防控资源映射库中匹配生成特定病房环境控制参数与特定医护介入方案;将所述特定病房环境控制参数发送至所述病房管理系统,驱动所述病房管理系统对所述围手术期患者执行病房资源调度;将所述特定医护介入方案发送至所述医护排班系统,驱动所述医护排班系统对所述围手术期患者执行护理任务队列调整。
25、由此可见,本发明实施例通过标准化数据接口融合多源监测数据,以多任务深度学习模型同步输出感染风险等级与病原体识别结果,以病原体-防控资源映射库驱动病房与排班双通道联动调度,可以打通院感监测、病房管理、医护排班三个独立系统之间的数据壁垒,将感染防控响应延迟从小时级压缩至分钟级,实现防控资源的差异化精确投放与医护人力的动态流转,并具备持续自优化的能力。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com