基于AI的医院药品库存智能管理系统及方法与流程

摘要: 本发明涉及库存智能管理,具体为基于ai的医院药品库存智能管理系统及方法。背景技术:1、医院药品库存管理是保障临床用药安全、控制运营成本、优化医疗资源配置的核心环...
基于AI的医院药品库存智能管理系统及方法与流程

本发明涉及库存智能管理,具体为基于ai的医院药品库存智能管理系统及方法。

背景技术:

1、医院药品库存管理是保障临床用药安全、控制运营成本、优化医疗资源配置的核心环节,当前医院药品库存管理多依赖人工统计、半自动化台账或单一功能管理系统,存在诸多技术缺陷:

2、药品数据来源包含基础信息、实时库存、科室领用、效期监测、冷链温湿度、采购等多源数据,数据格式不统一、冗余数据泛滥、缺失值补全依赖人工经验,数据预处理效率低且准确性差,无法为库存决策提供可靠的数据支撑,库存特征提取依赖人工筛选,未针对药品效期、消耗规律、供需关系、冷链状态等核心维度进行智能化特征挖掘与筛选,高维特征冗余度高,难以精准映射库存管理的核心影响因素,库存决策采用单一算法或固定规则,未结合药品库存波动特性进行自适应算法组合与动态权重调配,对日常调度、近效期管控、应急调配等不同场景的适配性差,决策结果精准度不足;

3、同时,传统的模型参数无法基于实时数据动态更新,缺乏增量学习与全流程迭代机制,系统难以适配药品消耗、临床需求、采购周期的动态变化,库存合规校验依赖人工核查,无标准化量化指标与异常归因机制,近效期药品、冷链药品管控漏洞多,易出现药品过期、冷链失效、库存短缺或积压问题,系统与医院 his 系统、药品采购平台的对接兼容性差,数据交互滞后,无法实现药品库存全流程协同化、智能化管理,因此,现有药品库存管理技术无法解决多源数据处理、特征智能解析、自适应决策、动态迭代、全场景合规管控的协同问题,难以满足现代化医院药品库存精准化、智能化、高效化的管理需求。

4、综上,需要提出基于ai的医院药品库存智能管理系统及方法来解决上述问题。

技术实现思路

1、本发明的目的在于提供基于ai的医院药品库存智能管理系统及方法,以解决上述背景技术中提出的问题。

2、为实现上述目的,本发明提供如下技术方案:

3、本发明提出一种基于ai的医院药品库存智能管理系统,包括:

4、数据采集模块,所述数据采集模块通过多终端接口接收医院药品库存相关数据,用于执行数据标准化、冗余数据清理及格式统一操作;

5、特征解析模块,所述特征解析模块基于预处理后的数据,执行药品效期特征、消耗特征、供需特征及冷链特征提取与筛选操作,生成标准化特征向量集;

6、智能决策模块,所述智能决策模块通过基础算法库与动态权重调配算法,用于执行库存策略生成与决策模型构建操作,基于特征向量集执行模型训练与实时更新操作;

7、执行管控模块,所述执行管控模块用于执行库存校验、异常管控及流程规范操作,并输出多格式管控指令与接口服务。

8、优选地,还包括:

9、迭代优化模块,所述迭代优化模块用于记录库存管理全流程关键参数与性能指标,执行增量学习、特征解析规则优化、算法库更新及运行监控操作,实施库存管理系统的动态迭代升级。

10、优选地,还包括:

11、存储模块,所述存储模块用于持久化存储输入数据、特征向量集、模型参数、管控结果及流程记录数据,支持数据备份与快速检索。

12、本发明还提出一种基于ai的医院药品库存智能管理系统的管理方法,包括以下步骤:

13、s1.接收多维度药品库存相关数据输入,对数据进行预处理与标准化,通过冗余数据清理与格式统一机制,获取高质量数据集合;

14、s2.基于步骤s1预处理后的数据,进行多维度特征解析构建,提取药品效期特征、消耗特征、供需特征及冷链特征,生成标准化特征向量集;

15、s3.构建自适应决策融合引擎,根据药品属性与库存管理场景,自动选择最优基础算法组合,通过动态权重调配算法生成智能决策模型;

16、s4.利用步骤s2中标准化特征向量集对步骤s3中的智能决策模型进行训练与调优,结合实时数据触发模型参数实时更新,生成不同场景的药品库存管控策略;

17、s5.对步骤s4的管控策略进行合规校验与异常分析,通过异常反馈机制优化特征解析与模型参数,校验通过后输出多格式管控成果及接口服务;

18、s6.记录步骤s1至步骤s6的库存管理全流程关键参数、模型性能指标及终端反馈,基于增量学习算法持续优化特征提取规则与决策融合策略,实现库存管理的动态规范。

19、优选地,所述步骤s1的实施流程为:

20、提供药品基础数据、库存实时数据、科室领用数据、效期监测数据、冷链温湿度数据及采购数据的多源输入接口,支持数据库导入、终端上传及实时数据流接入;

21、对输入数据进行标准化处理,时间戳统一转换为标准时间格式,数值型数据标准化至0到1区间,分类数据采用独热编码转换;

22、通过改进密度聚类算法进行冗余数据检测,见式(1);

23、(1);

24、式中为药品数据点冗余度,为当前药品数据特征值,为对比药品数据特征值,为对比样本数量,冗余度>0.9时判定为冗余数据,自动清理并记录数据类型;

25、采用基于时空关联的缺失数据补全算法,见式(2);

26、(2);

27、式中为第i类药品第j时刻缺失补全值,为该类药品历史同期库存均值,为同区域药房同类药品库存均值,为药品库存预测值,、、为权重系数且和为1,缺失率低于30%时权重依次为0.5、0.3、0.2,缺失率≥30%时权重依次为0.2、0.3、0.5,最终输出时间对齐、无冗余、无缺失的标准化数据集合。

28、优选地,所述步骤s2的实施流程为:

29、提取效期特征,通过滑动窗口法计算药品效期剩余时长、近效期占比及过期风险值;

30、提取消耗特征,计算药品日消耗均值、周消耗峰值及科室领用频次;

31、提取供需特征,选取药品采购周期、库存余量、临床需求度作为核心因素,通过互信息算法计算特征重要性,见式(3);

32、(3);

33、式中为药品特征x与库存消耗y的互信息值,为特征与消耗联合概率分布,、为特征与消耗边缘概率分布,保留互信息值≥0.3的特征纳入特征集;

34、提取冷链特征,识别冷链药品温湿度异常节点,当实时温湿度与均值偏差>1.5倍历史标准差时判定为异常节点,构建冷链异常标识特征与波动幅度特征;

35、通过随机森林算法进行特征筛选,计算特征重要性得分,保留得分≥0.7的特征,采用主成分分析将高维特征降至维度≤30的标准化特征向量集,同时输出特征重要性排序结果。

36、优选地,所述步骤s3的实施流程为:

37、构建基础算法库,包含用于近效期药品管控的分类算法、用于日常库存调度的回归算法、用于应急库存调配的聚类算法,以及用于多场景融合决策的优化算法;

38、基于数据特征自动选择算法组合,计算药品库存波动系数,见式(4);

39、(4);

40、式中为库存波动系数,为药品库存均值,为药品库存标准差,波动系数低于0.2时选择分类算法与回归算法组合,波动系数≥0.2且低于0.5时选择回归算法与聚类算法组合,波动系数≥0.5时选择优化算法、聚类算法及分类算法组合;

41、通过动态权重调配算法计算基础算法权重,见式(5);

42、(5);

43、式中为第m个基础算法权重,为该算法库存预测平均绝对误差,为基础算法数量,权重实时更新周期与库存管理场景匹配,日常场景按日更新,应急场景按小时更新;

44、构建决策融合层,采用加权整合方式整合各基础算法输出,生成最终智能决策模型,同时存储模型结构与初始权重参数。

45、优选地,所述步骤s4的实施流程为:

46、将标准化特征向量集按7:2:1比例划分为训练集、验证集、测试集,训练集用于模型参数训练,验证集用于超参数调优,测试集用于模型性能初步评估;

47、设置模型训练终止条件,当验证集平均绝对误差连续5轮迭代下降≤0.001时停止训练,保存最优模型参数;

48、建立实时数据触发机制,当实时库存数据与管控值偏差>0.1倍实时库存数据时,触发实时更新流程,采用增量学习算法更新模型参数,见式(6);

49、(6);

50、式中为更新后模型参数,为原模型参数,为学习率且取值0.001到0.01,为库存管控损失函数梯度,为实际库存数据,为模型预测库存数据;

51、针对不同管理场景输出管控策略,日常管控输出库存调度指令,近效期管控输出清库指令,冷链管控输出温湿度调控指令,同时标注管控执行阈值。

52、优选地,所述步骤s5的实施流程为:

53、采用多指标进行合规校验,计算库存准确率见式(7)、效期合规率见式(8)、冷链达标率见式(9);

54、(7);

55、(8);

56、(9);

57、式中为库存准确率,为合格库存数,为总库存数;为效期合规率,为非近效期药品数,为总药品数;为冷链达标率,为温湿度正常时长,为总监测时长;日常场景库存准确率≥98%,效期合规率≥95%,冷链达标率≥99%;

58、进行异常归因分析,通过决策树算法识别导致异常的临床需求变动、采购延迟、温湿度波动的关键特征,生成异常分析报告;

59、基于异常分析结果优化,若因特征缺失导致异常,返回步骤s2补充对应特征,若因模型适配性不足导致异常,返回步骤s3调整算法组合;

60、校验通过后,输出表格格式管控报表、数据格式实时管控信息、可视化图表及标准化接口,支持与医院his系统、药品采购平台无缝对接,接口响应时间≤500毫秒。

61、优选地,所述步骤s6的实施流程为:

62、记录库存管理全流程数据,包括输入数据来源与质量、特征解析参数、算法组合方案、权重调配结果、管控异常指标、终端反馈意见;

63、构建增量学习样本库,每月新增药品库存数据、管控结果及实际执行数据,形成闭环样本集;

64、基于增量样本库持续优化,每季度重新计算特征重要性,更新特征筛选规则,每半年重新训练基础算法库,优化算法结构,每年基于终端反馈调整异常阈值与权重调配算法参数;

65、建立模型性能监控看板,实时展示各场景管控精度、模型更新频率、接口调用成功率指标,当某指标连续3次不满足预设标准时,自动触发全流程优化流程。

66、与现有技术相比,本发明的有益效果是:本发明通过多源数据标准化处理、改进密度聚类冗余数据检测、时空关联缺失值补全,可快速完成药品库存数据的规范化清洗,剔除冗余数据、精准补全缺失数据,构建高质量数据集,为后续特征解析与智能决策奠定数据基础,基于互信息算法、随机森林筛选与主成分分析,实现药品效期、消耗、供需、冷链多维度特征的智能提取与降维,精准筛选核心影响特征,降低特征冗余度,提升特征解析效率与准确性,根据药品库存波动系数自适应匹配算法组合,结合动态权重调配算法构建融合决策模型,可适配日常调度、近效期管控、应急调配等不同管理场景,大幅提升库存决策的针对性与精准度,依托实时数据触发机制与增量学习算法,实现模型参数的在线动态更新,让系统持续适配药品库存与临床需求的变化,避免模型固化导致的决策偏差,通过标准化量化指标完成库存合规校验,结合决策树算法实现异常归因分析,可快速定位异常诱因并闭环优化,有效降低药品过期、冷链失效、库存失衡的风险,同时,本发明全流程关键参数记录与增量学习迭代机制,实现系统特征规则、算法库、管控参数的持续优化,不断提升库存管理精度,标准化接口可与医院 his 系统、药品采购平台无缝对接,接口响应高效,实现药品库存数据互通与流程协同,全面提升医院药品库存管理的智能化与自动化水平。