一种日间手术智能化全周期管理方法及系统与流程
本发明涉及医疗信息处理,特别指一种日间手术智能化全周期管理方法及系统。
背景技术:
1、日间手术(ambulatory surgery/day surgery)是指患者在24小时内(特殊情况下不超过48小时)完成入院、手术、术后观察并出院的一种高效医疗服务模式。与传统住院手术相比,日间手术具有“短住院、快周转、高协同”的显著特征,能够有效提升医疗资源利用效率、降低患者医疗成本。
2、然而,正是由于其流程的高度压缩和对院外康复的依赖,日间手术在管理上面临一系列由现有技术手段不足所导致的技术挑战:
3、首先,在术前管理环节,日间手术要求患者在入院前完成禁食禁饮、停药、体征监测等大量标准化准备工作。现有技术主要依赖人工电话通知、纸质宣教手册或门诊口头交代等方式。这些方式存在信息传递完整性差、无法确认患者是否准确接收与理解、告知内容因人而异等问题。由于缺乏自动化的、标准化的信息推送与确认机制,导致因患者术前准备不达标而临时取消手术的现象频发,直接影响手术排程与床位资源调度。这一问题在技术上的本质是:缺乏一种能够自动、精准、可验证地将结构化术前指导信息触达患者并获取反馈的技术手段。
4、其次,在术后管理环节,日间手术患者的绝大部分康复过程在院外居家场景中完成。常见的术后风险包括出血、感染、疼痛加重、恶心呕吐等。现有技术中,医院对出院患者的随访主要依赖护士手动拨打电话、手工记录患者反馈。这种方式存在随访覆盖率低(受限于人力)、随访内容不一致(依赖护士个人经验)、异常症状识别滞后(需人工从通话记录中筛选)、数据无法结构化存储与二次利用等问题。当患者出现早期并发症征兆时,往往因未能及时被医院侧获取和识别而错过最佳干预窗口。这一问题的技术本质是:缺乏一种能够自动、高频、标准化地采集患者院外健康数据,并对其中隐含的异常模式进行实时识别的技术方案。
5、再次,在信息协同层面,日间手术涉及手术科室、麻醉科、护理单元、随访中心等多个部门。现有技术下,患者的入组登记、术前指导记录、入院核对信息、术后随访记录等数据分散在医院信息系统(his)、电话记录表、电子表格、即时通讯工具等多个异构且互不连通的数据载体中。这种“信息孤岛”现象导致无法形成从入组到康复的全流程、可追溯的统一患者视图,不仅造成医护人员跨部门信息核对的重复劳动,也使得基于全量数据进行质量分析和流程优化缺乏技术支撑。
6、此外,现有技术还缺乏针对日间手术场景的智能决策支持能力。例如,患者是否适合入组日间手术,需要综合评估其医学指标(如asa分级、合并症)、社会支持条件(如陪护可行性、居住距离)、心理状态等多维数据,目前主要依赖医生个人经验进行判断,缺乏标准化的辅助决策工具。又如,床位资源的调度依赖排程员的主观经验,缺乏基于历史数据对未来入院量、取消率、延迟出院率进行预测并动态优化排程的技术方案。
7、综上所述,现有技术在日间手术的全周期管理中,主要依赖人工操作和分散的信息系统,存在着信息传递不可靠、院外数据采集缺失、多源数据孤岛化、决策支持能力弱等技术问题。因此,如何提供一种日间手术智能化全周期管理方法及系统,实现提升日间手术的管理质量、效率与安全性,成为一个亟待解决的技术问题。
技术实现思路
1、本发明要解决的技术问题,在于提供一种日间手术智能化全周期管理方法及系统,实现提升日间手术的管理质量、效率与安全性。
2、第一方面,本发明提供了一种日间手术智能化全周期管理方法,包括如下步骤:
3、步骤s1、响应于手术医生提交的日间手术申请,通过与医院信息系统的集成接口,从所述医院信息系统自动抽取患者的结构化数据与非结构化数据;
4、步骤s2、基于抽取的所述结构化数据与非结构化数据,构建日间手术准入评估画像;
5、步骤s3、将所述日间手术准入评估画像输入预先训练的日间手术准入风险模型,得到包含准入建议及风险关注项的分层评估结果;
6、步骤s4、响应于所述分层评估结果为建议入组,根据患者的所述日间手术准入评估画像、手术术式及并发症风险,自动生成覆盖术前、术中及术后的分阶段ai干预路径;
7、步骤s5、在术后阶段,按照所述分阶段ai干预路径,通过ai外呼执行对患者的随访,并在随访过程中采集患者的反馈信息;
8、步骤s6、基于日间手术并发症知识图谱,对所述反馈信息进行风险判定,生成对应风险等级的预警信号;
9、步骤s7、响应于所述预警信号为高风险预警,自动生成并派发紧急处理工单至医护人员终端。
10、进一步的,所述步骤s2中,所述日间手术准入评估画像包括:
11、基于患者的年龄、bmi、asa分级构建的基础维度;
12、基于患者的心肺功能、合并症控制状态、用药史构建的风险维度;
13、基于患者的陪护条件、居住地与医院的距离构建的社会维度;
14、基于患者的心理评估问卷结果构建的心理维度;
15、所述步骤s4中,所述分阶段ai干预路径以预设的时间锚点驱动,所述时间锚点至少包括接收到手术申请单后0.5小时、手术前1-2小时、出院后24小时、出院后第7日及出院后第30日;所述分阶段ai干预路径的内容通过ai电话、微信公众号及小程序中的至少一种渠道向患者执行触达。
16、进一步的,所述步骤s5具体为:
17、在术后阶段,按照所述分阶段ai干预路径,通过ai机器人执行电话外呼,与患者进行语音交互,在获得患者知情同意后,于本地化环境中将通话语音转换为文本信息;
18、通过微调后的大语言模型从所述文本信息中,端到端地抽取反馈信息,所述反馈信息包括症状名称、发生时间、严重程度中的至少一种;
19、对所述文本信息进行脱敏处理和存储,用于后续所述大语言模型的优化训练;
20、所述步骤s6中,所述风险判定具体为:将所述反馈信息与日间手术并发症知识图谱中的节点进行匹配;根据匹配结果,触发对应的预警规则,将风险等级判定为红色预警、黄色预警或绿色无风险;
21、当所述风险判断所需的信息不足时,基于所述日间手术并发症知识图谱中的症状鉴别诊断路径,自动生成追问问题,并通过ai外呼向患者发起追问。
22、进一步的,所述方法还包括:
23、步骤s8、提供一智能问答服务,包括:
24、接收患者输入的咨询文本;
25、对所述咨询文本进行意图识别与实体抽取;
26、基于日间手术健康教育知识图谱及检索增强生成技术,生成并输出回答内容;
27、对生成的所述回答内容进行事实性校验,并对涉及高风险问题的咨询执行风险拦截,转为引导患者通过人工渠道咨询;
28、步骤s9、基于历史日间手术数据,利用机器学习模型预测未来预设时间段内包括患者入院量、出院延迟率及手术临时取消率的预测结果;
29、步骤s10、结合所述预测结果及手术日的实时入院进度,生成动态床位调度建议。
30、进一步的,所述方法还包括:
31、在医护人员终端、患者终端及管理终端之间,基于统一的数据底座进行信息同步与任务协同;
32、所述步骤s7中,派发的所述紧急处理工单,将在所述医护人员终端生成待办任务,所述紧急处理工单的工单处理结果将回写至系统并关联至对应的患者全周期视图。
33、第二方面,本发明提供了一种日间手术智能化全周期管理系统,其特征在于:包括如下模块:
34、申请数据自动抽取模块,用于响应于手术医生提交的日间手术申请,通过与医院信息系统的集成接口,从所述医院信息系统自动抽取患者的结构化数据与非结构化数据;
35、准入评估画像构建模块,用于基于抽取的所述结构化数据与非结构化数据,构建日间手术准入评估画像;
36、准入风险模型评估模块,用于将所述日间手术准入评估画像输入预先训练的日间手术准入风险模型,得到包含准入建议及风险关注项的分层评估结果;
37、分阶段ai干预路径生成模块,用于响应于所述分层评估结果为建议入组,根据患者的所述日间手术准入评估画像、手术术式及并发症风险,自动生成覆盖术前、术中及术后的分阶段ai干预路径;
38、ai外呼随访与反馈采集模块,用于在术后阶段,按照所述分阶段ai干预路径,通过ai外呼执行对患者的随访,并在随访过程中采集患者的反馈信息;
39、风险判定与预警信号生成模块,用于基于日间手术并发症知识图谱,对所述反馈信息进行风险判定,生成对应风险等级的预警信号;
40、高风险预警工单派发模块,用于响应于所述预警信号为高风险预警,自动生成并派发紧急处理工单至医护人员终端。
41、进一步的,所述准入评估画像构建模块中,所述日间手术准入评估画像包括:
42、基于患者的年龄、bmi、asa分级构建的基础维度;
43、基于患者的心肺功能、合并症控制状态、用药史构建的风险维度;
44、基于患者的陪护条件、居住地与医院的距离构建的社会维度;
45、基于患者的心理评估问卷结果构建的心理维度;
46、所述分阶段ai干预路径生成模块中,所述分阶段ai干预路径以预设的时间锚点驱动,所述时间锚点至少包括接收到手术申请单后0.5小时、手术前1-2小时、出院后24小时、出院后第7日及出院后第30日;所述分阶段ai干预路径的内容通过ai电话、微信公众号及小程序中的至少一种渠道向患者执行触达。
47、进一步的,所述ai外呼随访与反馈采集模块具体用于:
48、在术后阶段,按照所述分阶段ai干预路径,通过ai机器人执行电话外呼,与患者进行语音交互,在获得患者知情同意后,于本地化环境中将通话语音转换为文本信息;
49、通过微调后的大语言模型从所述文本信息中,端到端地抽取反馈信息,所述反馈信息包括症状名称、发生时间、严重程度中的至少一种;
50、对所述文本信息进行脱敏处理和存储,用于后续所述大语言模型的优化训练;
51、所述风险判定与预警信号生成模块中,所述风险判定具体为:将所述反馈信息与日间手术并发症知识图谱中的节点进行匹配;根据匹配结果,触发对应的预警规则,将风险等级判定为红色预警、黄色预警或绿色无风险;
52、当所述风险判断所需的信息不足时,基于所述日间手术并发症知识图谱中的症状鉴别诊断路径,自动生成追问问题,并通过ai外呼向患者发起追问。
53、进一步的,所述系统还包括:
54、智能问答服务模块,用于提供一智能问答服务,包括:
55、接收患者输入的咨询文本;
56、对所述咨询文本进行意图识别与实体抽取;
57、基于日间手术健康教育知识图谱及检索增强生成技术,生成并输出回答内容;
58、对生成的所述回答内容进行事实性校验,并对涉及高风险问题的咨询执行风险拦截,转为引导患者通过人工渠道咨询;
59、运营预测模块,用于基于历史日间手术数据,利用机器学习模型预测未来预设时间段内包括患者入院量、出院延迟率及手术临时取消率的预测结果;
60、动态床位调度建议生成模块,用于结合所述预测结果及手术日的实时入院进度,生成动态床位调度建议。
61、进一步的,所述系统还包括:
62、在医护人员终端、患者终端及管理终端之间,基于统一的数据底座进行信息同步与任务协同;
63、所述高风险预警工单派发模块中,派发的所述紧急处理工单,将在所述医护人员终端生成待办任务,所述紧急处理工单的工单处理结果将回写至系统并关联至对应的患者全周期视图。
64、本发明的优点在于:
65、1、通过集成接口自动抽取多源数据打破信息孤岛,并利用风险模型与多维画像实现标准化、智能化的入组决策,从而提升管理质量;同时,基于时间锚点自动生成覆盖术前至术后的ai干预路径,结合大语言模型驱动的ai外呼随访和知识图谱的风险实时判定,实现高覆盖率、标准化的院外数据采集与主动追问,并在高风险时自动派发工单形成闭环应急响应,从而极大提升管理效率;此外,通过知识图谱与检索增强生成提供安全的智能问答,利用机器学习预测入院量与延迟率并动态调度床位,以及基于统一数据底座实现跨终端的任务协同与全周期可追溯视图,最终系统性地保障并提升了日间手术的安全性。
66、2、通过构建日间手术准入评估画像并融合风险模型,实现了标准化、多维度的入组辅助决策,显著提升了术前评估的客观性与准确性:通过从医院信息系统自动抽取结构化与非结构化数据,构建包含基础维度、风险维度、社会维度和心理维度的准入评估画像,并将其输入预先训练的日间手术准入风险模型,输出包含准入建议及风险关注项的分层评估结果,该方案将原本依赖主观经验的入组决策过程转化为数据驱动的标准化智能评估,有效解决了因评估维度缺失或标准不一导致的入组不当或手术临时取消问题,提高了术前管理的科学性与一致性。
67、3、采用以时间锚点驱动的分阶段ai干预路径,并通过多渠道自动触达患者,彻底改善了术前准备信息传递的完整性和可验证性:通过时间锚点和“多渠道(ai电话、微信公众号、小程序)触达”,构建了一套自动化、标准化、可追溯的术前指导与提醒机制,该机制能够按照预设的关键时间节点精准推送个性化的术前准备指令(如禁食禁饮、用药调整),并通过交互反馈确认患者执行情况,从而在技术上克服了传统方式“告知即结束”的不可靠性,显著降低了因准备不达标导致的手术取消率。
68、4、利用ai外呼结合大语言模型与并发症知识图谱,实现了术后院外随访的高覆盖率、实时风险识别与主动追问,彻底解决了随访人力有限、异常症状发现滞后、信息无法结构化利用的难题:通过ai机器人执行电话外呼,在本地化环境中将语音转文本,经微调的大语言模型端到端抽取症状名称、发生时间、严重程度等结构化反馈信息;再将该信息与日间手术并发症知识图谱中的节点进行匹配,自动判定红色/黄色/绿色风险等级,并在信息不足时基于知识图谱的症状鉴别诊断路径生成追问问题,这一方案实现了对全部出院患者的自动化、标准化随访,能够实时捕捉早期并发症征兆并生成分级预警,同时将非结构化的通话内容转化为可分析、可训练的结构化数据,从技术上突破了人工随访的容量瓶颈和反应延迟,为院外康复提供了可靠的安全网。
69、5、自动生成并派发紧急处理工单至医护人员终端,且基于统一数据底座实现多终端信息同步与任务协同,有效打破了信息孤岛,形成了全流程可追溯的患者管理视图:当预警信号为高风险时,系统自动生成紧急处理工单并派发至医护人员终端,生成待办任务,处理结果回写并关联至患者全周期视图;同时,在医护人员、患者、管理终端之间基于统一数据底座进行信息同步与任务协同,该方案将原本割裂的术前评估、术中路径、术后随访、风险处置等环节的数据统一在同一平台下,实现了任务闭环和信息的实时共享,显著提升了跨部门协作效率,也为后续的质量分析与流程优化提供了完整的数据基础。
70、6、提供基于知识图谱与检索增强生成的智能问答服务,并结合事实性校验与风险拦截,在保障信息准确性的前提下有效分流了人工咨询压力:通过接收患者咨询文本,进行意图识别与实体抽取,基于日间手术健康教育知识图谱及检索增强生成技术生成回答,并对回答内容进行事实性校验,对高风险问题执行风险拦截并引导至人工渠道,该方案一方面通过自动化问答减轻了医护人员重复性咨询答复的负担,另一方面利用知识图谱和rag技术保证了生成内容的医学准确性和可追溯性,并通过风险拦截机制避免了因错误信息导致的安全事故,显著提升了术前术后健康教育的覆盖率和可靠性。
71、7、基于历史数据预测入院量、延迟出院率等关键指标,并结合实时入院进度生成动态床位调度建议,将资源调度从经验依赖转变为数据驱动的预测优化:利用机器学习模型预测未来时间段内的患者入院量、出院延迟率及手术临时取消率,再结合手术日的实时入院进度,生成动态床位调度建议,该技术方案使医院能够提前预判资源需求波动,主动调整床位分配和手术排程,从而降低床位空置率或过度拥挤的风险,显著提升了日间手术“快周转”模式下的运营效率和资源利用率。
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