一种基于智能语义识别的护士工作量量化方法与流程

摘要: 本发明涉及信息管理,特别是一种基于智能语义识别的护士工作量量化方法。背景技术:1、量化护士护理工作是将临床护理服务中的工作量、服务质量、操作效率、技术难度与专业...
一种基于智能语义识别的护士工作量量化方法与流程

本发明涉及信息管理,特别是一种基于智能语义识别的护士工作量量化方法。

背景技术:

1、量化护士护理工作是将临床护理服务中的工作量、服务质量、操作效率、技术难度与专业价值转化为可统计、可分析、可追溯的客观数据,它与医疗管理之间形成了双向赋能、深度耦合、互为支撑的有机整体,二者共同锚定医疗服务质量提升、医疗资源高效配置、患者安全保障的核心目标,是现代医院精细化管理体系中密不可分的两个核心环节。

2、护士工作量量化在绩效管理与医院运营管理客观可追溯的护理工作量化数据,打破了传统平均主义的分配模式,为医疗管理建立多劳多得、优绩优酬的绩效激励体系提供了核心依据。量化护理工作与医疗管理的深度融合实现的是医疗服务体系的多方共赢,既能够通过精准的人力配置与全流程质量管控,提升患者的就医安全与护理服务体验,也能够通过客观的专业价值量化,提升护理人员的职业认同感与工作积极性,更能系统性推动医院管理体系的科学化、精细化与现代化转型。当前,二者的协同发展仍面临着诸多现实挑战,现有技术中,护士工作量的量化主要采用以下几种方法:(1)传统手工记录法:护士手动记录每项工作内容和耗时,然后由管理人员汇总统计。但这种方法工作量大、易出错、主观性强,且难以实现实时动态统计;(2)基于简单计数的电子化系统:通过信息系统记录护士执行医嘱的次数,但仅统计数量而不考虑工作难度和类型差异,例如,一次简单的体温测量和一次复杂的静脉穿刺被同等对待,无法真实反映工作负荷;(3)基于固定权重的评分系统:为不同类型的护理工作设定固定权重值,但权重设置缺乏科学依据,且无法适应不同医院、不同科室的实际工作特点;(4)基于时间研究的方法:通过观察和计时确定各项护理工作的标准时间,但这种方法成本高、周期长,且难以覆盖所有护理工作类型。

技术实现思路

1、本发明的目的在于克服现有技术的缺点,提供一种基于智能语义识别的护士工作量量化方法。

2、本发明的目的通过以下技术方案来实现:一种基于智能语义识别的护士工作量量化方法,包括以下步骤:

3、s1:构建标准化护理工作分类字典;

4、s2:采集临床医嘱数据,并对医嘱数据进行文本清洗预处理;

5、s3:通过文本嵌入算法将预处理后的医嘱文本转换为固定维度的稠密向量;

6、s4:通过向量相似度检索完成粗匹配生成候选集合,再经两次重排序精排算法进行语义匹配与校验,通过混合权重融合计算得到综合匹配得分,输出每条医嘱对应的最优标准护理工作分类,建立医嘱与护理操作的自动映射关系;

7、s5:收集人工修正的匹配结果作为标注数据,持续更新向量库与重排序模型的匹配参数;

8、s6: 基于医嘱的执行频次、起止时间和临床业务规则自动计算每类护理操作的实际执行次数;

9、s7:计算单条医嘱、单个护士、单个病区维度的护理工作量,

10、;

11、其中,为单类护理操作或单条医嘱对应的基础工作量点值,为该护理操作的实际执行次数,为该护理操作在分类字典中对应的基础工作量点值;

12、s8:对护理工作量数据进行多维度统计分析,将分析结果输出。

13、优选的,步骤s1中,护理工作分类字典采用三层分层结构,包括国家标准层、医院自定义层和科室特色层;其中,国家标准层用于提供全国统一的护理工作基础分类与基础点值参考,医院自定义层和科室特色层均用于进行分类增补、点值调整和规则配置。

14、优选的,步骤s3中,文本嵌入算法采用baai/bge-m3预训练嵌入模型将医嘱文本转换为1024维稠密向量。

15、优选的,步骤s4中,还包括以下步骤:

16、s41:对历史标准医嘱文本采用与步骤s3相同的文本嵌入模型进行向量化,将每条医嘱向量与其对应的标准护理分类建立映射关联,写入向量数据库存储;

17、s42:将待匹配医嘱的稠密向量与向量数据库中的历史标准医嘱向量进行余弦相似度计算,筛选出相似度排名前50位的候选医嘱,生成候选医嘱匹配集合;

18、s43:采用预训练重排序模型对待匹配医嘱与候选集合中的50条候选医嘱进行细粒度语义相似度计算,得到每条候选医嘱的第一重匹配得分,筛选出得分排名前3位的候选医嘱,并提取其关联的标准护理分类作为待选分类集合;

19、s44:采用同一预训练重排序模型对待匹配医嘱与待选分类集合中的各标准护理分类进行语义相似度计算,得到每个待选分类的第二重匹配得分,并结合护理工作分类字典中的业务规则完成合规性校验;

20、s45:对第一重匹配得分与第二重匹配得分进行加权求和,计算得到各待选分类的综合匹配得分;

21、s46:筛选综合匹配得分最高的待选分类作为最优匹配结果,完成待匹配医嘱到标准护理工作分类的映射。

22、优选的,步骤s42中,余弦相似度的计算公式为:

23、;

24、其中,为待匹配医嘱的1024维稠密向量,为向量数据库中历史标准医嘱的1024维稠密向量。

25、优选的,步骤 s43中,预训练重排序模型采用baai/bge-reranker-v2-m3预训练重排序大模型。

26、优选的,步骤s45中,混合权重融合计算的综合匹配得分公式为:

27、;

28、其中,为第一重重排序输出的匹配得分,为第二重重排序输出的匹配得分,为的加权占比,为的加权占比,且。

29、优选的,步骤s7中,当基础工作量核算完成后,引入动态调整因子对有效工作量进行修正计算,

30、;

31、其中,为实际有效工作量点值,为基础工作量点值,均为动态调整因子。

32、本发明具有以下优点:

33、1、本发明通过构建标准化的护理工作分类字典,其综合工作耗时、技术难度、体力消耗、风险程度多维度设定基础工作量点值,同时采用三层分层结构,既保障了量化标准的科学性与统一性,又具备一定的场景适配性,解决了现有技术中权重设置不合理、主观性强的问题。

34、2、本发明采用向量召回和双阶段重排序的智能语义匹配架构并结合预训练大模型,实现了结构化与非结构化医嘱到护理工作分类的全自动精准映射,无需人工干预,匹配准确率显著优于传统规则匹配方法。

35、3、本发明在基础工作量核算的基础上引入多维度动态调整因子,从而充分考虑护士经验、患者病情、工作环境等对实际工作量的影响,让量化结果真实反映护士的实际工作负荷,解决了现有技术中仅靠简单计数、无法体现工作差异的问题。

1.一种基于智能语义识别的护士工作量量化方法,其特征在于:包括以下步骤:

2.根据权利要求1所述的基于智能语义识别的护士工作量量化方法,其特征在于:所述步骤s1中,所述护理工作分类字典采用三层分层结构,包括国家标准层、医院自定义层和科室特色层;其中,所述国家标准层用于提供全国统一的护理工作基础分类与基础点值参考,所述医院自定义层和所述科室特色层均用于进行分类增补、点值调整和规则配置。

3.根据权利要求2所述的基于智能语义识别的护士工作量量化方法,其特征在于:所述步骤s3中,文本嵌入算法采用baai/bge-m3预训练嵌入模型将医嘱文本转换为1024维稠密向量。(且待匹配医嘱与历史标准医嘱采用同一模型完成向量化,确保向量特征处于同一语义特征空间。

4.根据权利要求3所述的基于智能语义识别的护士工作量量化方法,其特征在于:所述步骤s4中,还包括以下步骤:

5.根据权利要求4所述的基于智能语义识别的护士工作量量化方法,其特征在于:所述步骤s42中,余弦相似度的计算公式为:

6.根据权利要求5所述的基于智能语义识别的护士工作量量化方法,其特征在于:所述步骤 s43中,预训练重排序模型采用baai/bge-reranker-v2-m3预训练重排序大模型。

7.根据权利要求6所述的基于智能语义识别的护士工作量量化方法,其特征在于:所述步骤s45中,混合权重融合计算的综合匹配得分公式为:

8.根据权利要求7所述的基于智能语义识别的护士工作量量化方法,其特征在于:所述步骤s7中,当基础工作量核算完成后,引入动态调整因子对有效工作量进行修正计算,