一种医疗资源调配方法、设备及存储介质与流程

1.本技术涉及数据处理技术领域，尤其涉及一种医疗资源调配方法、设备及存储介质。


背景技术：

2.目前，大多数医疗机构主要依赖人工进行医疗资源的调配。
3.但是，医疗资源的种类繁多、变幻莫测，仅依赖有限的人工经验，很难客观、高效地进行医疗资源的调配。这导致医疗资源的利用效果不佳，经常出现资源闲置、资源分配不合理等问题。


技术实现要素：

4.本技术的多个方面提供一种医疗资源调配方法、设备及存储介质，用以改善医疗资源的利用率和/或调配合理性。
5.本技术实施例提供一种医疗资源调配方法，包括：
6.响应于调配触发事件，获取待服务病患的医疗记录；
7.根据所述医疗记录，预测所述待服务病患的资源需求信息；
8.根据所述资源需求信息，对医疗资源进行调配。
9.本技术实施例还提供一种计算设备，包括存储器和处理器；
10.所述存储器用于存储一条或多条计算机指令；
11.所述处理器与所述存储器耦合，用于执行所述一条或多条计算机指令，以用于：
12.响应于调配触发事件，获取待服务病患的医疗记录；
13.根据所述医疗记录，预测所述待服务病患的资源需求信息；
14.根据所述资源需求信息，对医疗资源进行调配。
15.本技术实施例还提供一种存储计算机指令的计算机可读存储介质，当所述计算机指令被一个或多个处理器执行时，致使所述一个或多个处理器执行前述的医疗资源调配方法。
16.在本技术实施例中，可响应于调配触发事件，获取待服务病患的医疗记录；根据所述医疗记录，预测所述待服务病患的资源需求信息；根据所述资源需求信息，对医疗资源进行调配。据此，可通过融合大数据，提升对病患的病情发展情况的评估精准度，从而可更加准确地预测病患的资源需求情况。在此基础上，可基于预测结果，对医疗资源进行调配，从而改善医疗资源的利用率、分配合理性，实现医疗资源的精细化管理。
附图说明
17.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
18.图1为本技术一示例性实施例提供的一种医疗资源调配方法的流程示意图；
19.图2为本技术一示例性实施例提供的一种医疗资源调配方案的逻辑示意图；
20.图3为本技术另一示例性实施例提供的一种计算设备的结构示意图。
具体实施方式
21.为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术具体实施例及相应的附图对本技术技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
22.目前，医疗资源的利用效果不佳，经常出现资源闲置、资源分配不合理等问。这对这些问题，本技术的一些实施例中：可响应于调配触发事件，获取待服务病患的医疗记录；根据所述医疗记录，预测所述待服务病患的资源需求信息；根据所述资源需求信息，对医疗资源进行调配。据此，可通过融合大数据，提升对病患的病情发展情况的评估精准度，从而可更加准确地预测病患的资源需求情况。在此基础上，可基于预测结果，对医疗资源进行调配，从而改善医疗资源的利用率、分配合理性，实现医疗资源的精细化管理。
23.以下结合附图，详细说明本技术各实施例提供的技术方案。
24.图1为本技术一示例性实施例提供的一种医疗资源调配方法的流程示意图，参考图1，该方法可由医疗资源调配装置执行，该医疗资源调配装置可实现为软件和/或硬件的结合，该医疗资源调配装置可集成在计算设备中。参考图1，该方法包括：
25.步骤100、响应于调配触发事件，获取待服务病患的医疗记录；
26.步骤101、根据医疗记录，预测待服务病患的资源需求信息；
27.步骤102、根据资源需求信息，对医疗资源进行调配。
28.本实施例中，医疗资源包括但不限于：化验资源、检查资源、手术室资源、手术医生资源、护士资源或床位资源等。本实施例提供的医疗资源调配方案可用于解决医疗资源合理调配的问题。
29.参考图1，在步骤100中，调配触发事件用于触发启动调配过程，调配触发事件的发生频率影响着调配过程的执行频率。其中，调配触发事件可以是定时触发事件，也即是，可周期性或定时地自动启动调配过程，例如，可每小时执行一次调配过程；调配触发事件还可以是病患新增事件，例如，出现新的待服务病患时，可触发启动本实施例中的调配过程。当然，这些仅是示例性的，本实施例中的调配触发事件并不限于此，可根据实际需要配置调配触发事件。基于调配触发事件，可保证医疗资源调配的及时性。
30.本实施例中，待服务病患是指存在医疗资源使用需求的病患，例如，可以是需要住院的病患、已经在院的病患、门诊就诊病患等等，本实施例对此不作限定。另外，在单次调配过程中，待服务病患的数量通常不止一个，根据医疗机构的规模不同，待服务病患的数量级别也会存在差别，另外，不同次调配过程中的待服务病患可能不完全相同。这样，在单次调配过程中，可为至少一个待服务病患调配医疗资源。
31.待服务病患在就医过程中，医务人员会为其制备医疗记录。医疗记录中可包括当前就医数据和历史就医数据，当前就医数据，可包括待服务病患自主申报的信息，例如，基本信息、主诉症状、病史、过敏源、遗传史等信息。当前就医数据，还可包含医务人员记录的医疗行为信息，例如，病患的入院途径、入院科室、检查化验结果、心电图等信息。当然，当前
就医数据中还可包含其它信息，本实施例并不限于此。历史就医数据，可包括检查化验史、用药史、手术史、病史等信息。
32.参考图1，基于待服务病患的医疗记录，在步骤101中，可根据医疗记录，预测待处理病患的资源需求信息。其中，资源需求信息用于表征待处理病患的接下来的医疗过程中的病情发展状态，资源需求信息可包括但不限于手术计划信息、检查化验计划信息、诊断信息、康复状态信息、死亡率或住院时长等。当然，本实施例对此不作限定，资源需求信息还可包括其它对医疗资源调配有影响的信息。
33.图2为本技术一示例性实施例提供的一种医疗资源调配方案的逻辑示意图。参考图2，在一种可选的实现方式中，可从医疗记录中，提取待处理病患的病情特征。其中，病情特征可包含至少一个病情维度，病情维度可以是上述医疗记录中包含的任意一种信息维度，例如，体重维度、用药史维度、入院科室维度等等。实际应用中，可根据所需预测的资源需求信息的种类，配置这里的病情维度，不同种类的资源需求信息可能需要不完全相同的病情维度下的病情特征作为预测依据。
34.在该实现方式中，病情特征用于描述病情内容。本实施例中，可采用表征学习技术进行病情特征提取。表征学习技术可包括但不限于单词转换成向量word2vec、快速文本分类器fasttext、文本转换成向量doc2vec、双向编码表征bert模型等。关于病情特征的提取方案将在后文中进行详述。
35.基于此，可根据至少一个病情维度下的病情特征，预测待服务病患的资源需求信息。本实施例中，可使用机器学习模型执行预测处理。据此，本实施例中，可将至少一个病情维度下的病情特征输入资源需求预测模型；在资源需求预测模型中，基于病情特征与资源需求信息之间的映射关系，预测待服务病患的资源需求信息。
36.其中，资源需求预测模型所采用的机器学习算法可包括但不限于逻辑回归、支持向量机svm、随机森林、梯度下降树gbdt、轻型梯度提升lightgbm、深度神经网络等，本实施例对此不作限定。另外，资源需求预测模型可采用单种机器学习算法，当然，也可以融合多种机器学习算法，本实施例对此也不做限定。
37.本实施例中，资源需求预测模型可用于预测待服务病患的资源需求信息，正如前文提及的，不同种类的资源需求信息可能需要不完全相同的病情维度下的病情特征作为预测依据。为此，本实施例中，资源需求预测模型中可包含至少一个预测模块，以分别用于预测资源需求信息。不同的预测模块所对应的病情维度可不完全相同，以适配其所预测的资源需求信息的种类。实际应用中，可将从医疗记录中提取出的至少一个病情维度下的病情特征作为资源需求预测模型的输入，资源需求预测模型可确定预测目标资源需求信息所需的病情维度；基于病情维度下的病情特征以及病情特征与资源需求信息之间的映射关系，预测待服务病患的目标资源需求信息；其中，目标资源需求信息为待服务病患的资源需求信息中的任意一种。
38.以死亡率为例，可将以下病情维度下的病情特征作为预测依据：
39.1)基本信息：身高、体重、是否妊娠、月经情况
40.2)入院途径：门诊、急诊、转院等
41.3)入院科室：icu、骨科、内科等
42.4)患者当前的疾病和症状：主诉症状、现病史
43.5)检查化验结果：各种影像报告的结论、各种化验指标
44.6)患者其他健康信息：手术史、用药史、家族史、过敏源等
45.7)实时动态监测结果：比如实时心电、呼吸机或ecmo的监测结果。
46.例如，在其它病情特征一致的情况下，入院科室为icu的病患的死亡率将高于入院科室为骨科的病患的死亡率。
47.再以住院时长为例，可将以下病情维度下的病情特征作为预测依据：
48.1)基本信息：身高、体重、是否妊娠、月经情况
49.2)入院途径：门诊、急诊、转院
50.3)入院科室：icu、骨科、外科等
51.4)患者当前的疾病和症状：主诉、现病史
52.5)检查化验结果：各种影像报告的结论、各种化验指标
53.6)患者其他健康信息：手术史、用药史、家族史、过敏源等
54.7)患者的职业：居民或者职工、从事的职业、是否已经退休
55.例如，在其它病情特征一致的情况下，入院科室为icu的病患的住院时长将大于入院科室为外科的病患的住院时长。
56.当然，本实施例中，还可采用其它实现方式根据医疗记录预测待服务病患的资源需求信息，例如，通过机器学习模型对医疗记录进行打标，以在医疗记录中确定至少一种病情标签，根据病情标签来预测待服务病患的资源需求信息，其中，病情标签可包括但不限于是否需要手术标签、是否需要住院标签、手术类型标签、检查类型标签、病情危重程度标签等。具体地，可在预置的若干病情标签中，确定与医疗记录中包含的语义信息适配的病情标签，并据此来确定待处理病患的资源需求信息。本实施例并不限于。
57.据此，可为待服务病患预测资源需求信息。实际应用中，可根据实际需要配置所需预测的资源需求信息的种类。本实施例中，可从医疗记录中提取足够多且足够精准的病情特征作为资源需求信息的预测依据，因此，可有效保证资源需求信息的预测精度。
58.参考图1和图2，在此基础上，在步骤103中，可根据资源需求信息，对医疗资源进行调配。优选地，本实施例中，可通过运筹算法，求解出调配方案。正如上文提及的，本实施例中预测出的资源需求信息的精度足够高，因此，以预测出的资源需求信息作为资源调配的依据，可有效保证运筹调度方案的合理性，实现医疗资源的更大化、更合理化使用。
59.本实施例中，运筹调配操作可采用的运筹优化求解器包括但不限于gurobi、cplex、sas、cbc、symphony和scip等，本实施例对此不作限定。
60.另外，本实施例中所预测出的待服务病患的资源需求信息，还可用于医疗资源的生产配置、不同医疗机构之间的医疗资源配置等场景中，作为配置依据，从而可为更多场景提供准确的数据基础。其中，医疗资源的生产配置可包括但不限于药物的生产配置、医用物资的生产配置等。
61.据此，本实施例中，可响应于调配触发事件，获取待服务病患的医疗记录；根据所述医疗记录，预测所述待服务病患的资源需求信息；根据所述资源需求信息，对医疗资源进行调配。据此，可通过融合大数据，提升对病患的病情发展情况的评估精准度，从而可更加准确地预测病患的资源需求情况。在此基础上，可基于预测结果，对医疗资源进行调配，从而改善医疗资源的利用率、分配合理性，实现医疗资源的精细化管理。
62.在上述或下述实施例中，可预先对资源需求预测模型进行训练，训练过程可以是：
63.收集已服务病患的医疗记录，作为样本记录；
64.从样本记录中，提取至少一个病情维度下的病情特征样本；
65.根据样本记录，确定已服务病患对应的资源需求信息；
66.基于病情特征样本和资源需求信息对资源需求预测模型进行训练，以供资源需求预测模型学习病情特征与资源需求信息之间的映射关系。
67.其中，提取病情特征样本的过程，可参考前述及后续实施例中的相关描述，在此不再赘述。
68.其中，已服务病患可以是指在指定医疗机构中发生过医疗资源使用事件且事件已经结束的病患。例如，已经完成就诊的门诊病患、已经出院的住院病患等，本实施例并不限于此。已服务病患的医疗记录中，包括了其在指定医疗机构中的就医数据，这类就医数据中包括与前述需要预测的资源需求信息对应的就医信息，例如，与手术计划信息对应的手术史信息、与检查化验计划信息对应的检查化验史信息等。据此，可根据已服务病患的医疗记录中的这些就医信息，确定已服务病患对应的资源需求信息。
69.在此基础上，可分别确定不同类型资源需求信息对应的病情特征样本，并以资源需求信息作为其对应的病情特征样本的打标信息。这样，可将病情特征样本及其打标信息输入资源需求预测模型，以训练资源需求预测模型，使资源需求预测模型学习到病情特征与资源需求信息之间的映射关系。其中，正如上文提及的，资源需求预测模型可包括用于预测不同种类资源需求信息的至少一个预测模块。为此，在训练过程中，可对至少一个预测模块分别进行训练，单个预测模块训练过程中所依据的病情维度可不完全相同，也即是训练所依据的病情特征样本及其打标信息可不完全相同。
70.值得说明的是，本实施例中，已服务病患的数量可以足够多，从而不断优化资源需求预测模型的性能。
71.据此，本实施例中，可根据已服务病患的医疗记录，预先训练资源需求预测模型，使得预测模块具备预测资源需求信息的能力，从而可在医疗资源调配过程中，快速、准确地根据从待服务病患的医疗记录中提取出的病情特征，预测待服务病患的资源需求信息。
72.在上述或下述实施例中，可采用多种实现方式提取病情特征。
73.在一种可选的实现方式中，可在至少一个病情维度下，从医疗记录中提取词向量；根据至少一个病情维度下的词向量，生成至少一个病情维度下的病情特征。
74.其中，医疗记录中可能包括结构化数据，也可能包括非结构数据，对于这两种数据，可采用不同的词向量提取方案。其中，结构化数据可以是指表格类的字段数据，每个字段通常有固定的格式和范围，比如体重，格式为整数，范围可以是0-150kg。非结构化数据可以是指没有固定格式和范围的特征，比如，文本、图片等。
75.对于结构化数据，可基于预置的结构化数据与词向量之间的映射关系，将医疗记录中包含的在至少一个病情维度下的结构化数据映射为词向量。例如，可将是否妊娠维度下的“是”映射为词向量x1，将是否妊娠维度下的“否”映射为词向量x2。也即是，同一病情维度下的不同内容将被映射为不同词向量；而对于不同已服务病患在同一病情维度下的相同内容，则可映射为相同词向量。
76.因此，对于结构化数据，可直接通过映射处理，获得相应的词向量。
77.对于非结构化数据，可对非结构化数据进行分词，以获得至少一个病情维度下的关键词；将至少一个病情维度下的关键词，转化为词向量。其中，分词操作可采用自然语言nlp分词技术，当然，本实施例并不限于此。通过分词，可在非结构化数据中检测到至少一个病情维度，并提取至少一个病情维度下的关键词。例如，通过分词，可在医疗记录中用药史对应的文本区域内检测到“用药史”这样的词，从而发现用药史这一病情维度，并可在用药史文本区域内继续检测到与“具体使用了什么样”、“药的用量”等对应的关键词。从而可将检测到的关键词作为用药史这一病情维度下的关键词，并可将这些关键词转化为词向量，以获得用药史这一病情维度下的词向量。实际应用中，将关键词转化为词向量的操作可采用前述的word2vec、fasttext、bert模型等表征学习技术。
78.据此，可从医疗记录中的结构化数据和非结构化数据中，提取至少一个病情维度下的词向量。
79.在此基础上，还可对提取到的词向量进行拼接融合、预处理和/或特征筛选等处理，以获得至少一个病情维度下的病情特征。当然，这些处理不是必须的，在一些情况下，也可直接不进行这些可选的处理操作而将前述提取到的词向量，直接作为病情特征。
80.其中，对词向量进行拼接融合操作可包括将单个病情维度下的多个词向量进行相加、首尾相接等操作，以获得单个病情维度下的融合后向量，这样，单个已服务病患可对应至少一个融合后向量。对词向量进行拼接融合操作还可包括将多个病情维度下的词向量进行相加、首尾相接等操作，以获得单个已服务病患的融合后向量，这样，单个已服务病患可对应一个融合后向量。值得说明的是，这里的融合应遵循统一的首尾相接顺序或相加规则，以避免丢失真实的语义信息。
81.其中，对词向量的预处理操作可包括但不限于one-hot独热编码、归一化、空缺值填充等。
82.其中，若至少一个病情维度下的词向量的数量大于预设阈值，则对至少一个病情维度下的词向量进行筛选，以获得至少一个病情维度下的筛选后词向量，作为至少一个病情维度下的病情特征。
83.一种示例性的词向量的特征筛选操作可包括：确定至少一个病情维度下的词向量各自对资源需求信息的影响程度，将对资源需求信息的影响程度高于预设标准的词向量，作为筛选后词向量。这种特征筛选操作可基于相关系数、互信息、卡方检验等统计方法执行，还可基于资源需求预测模型来确定不同词向量各自对资源需求信息的影响程度等，在此不做限定。
84.另一种示例性的词向量的特征筛选操作可包括：对至少一个病情维度下的词向量进行降维处理，以获得至少一个病情维度下的筛选后词向量。这种特征筛选操作可基于pca、lda等降维方式对词向量进行降维处理，在此也不做限定。
85.值得说明的是，在该实现方式中，可单独使用上述几种可选的处理方式中的一种，也可同时采用上述几种可选的处理方式中的多种。例如，前述的特征筛选操作可以对词向量的预处理操作的操作结果作为筛选基础。在此不再穷举。
86.当然，本实施例中，还可采用其它实现方式进行病情特征的提取，例如，预先将医疗记录进行结构化，再直接从结构化后的医疗记录中提取病情特征等方式，本实施例并不限于此。
87.据此，本实施例中，可准确、全面地从医疗记录中提取出所需的病情特征，作为预测资源需求信息的依据，这有效保证资源需求信息的预测精度。
88.在上述或下述实施例中，在根据资源需求信息，对医疗资源进行调配的过程中，可确定指定服务时段内的空闲的医疗资源；根据空闲的医疗资源和资源需求信息，设定优化目标和约束条件；按照优化目标和约束条件，对指定服务时段内的空闲的医疗资源进行调配。其中，指定服务时段可以是7天、10天等，指定服务时段的起点可以是启动调配过程的时刻，当然，本实施例并不限于此。
89.本实施例中，优化目标可以包括但不限于医疗资源的利用率最大化或病患的等待时间最短化等，不同的优化目标可单独使用，也可组合使用。约束条件可包括资源的利用比例不能超过设定值，例如，每次调度的床位数不能超过空闲床位的总数。约束条件还可包括人员的利用比例不能超过设定值，例如，每次调度的医生人数不能超过空闲医生的总数。约束条件还可包括医生排班的偏好等，例如，有些医生喜欢晚上排班，有些则喜欢周末。当然，这些优化目标和约束条件进行示例性的，本实施例并不限于此，可根据实际需要设定更多的优化目标或约束条件。
90.本实施例中，可将指定服务时段内空闲的医疗资源和为待服务病患预测出的资源需求信息作为运筹优化求解器的输入，并设定运筹优化求解器的优化目标和约束条件，以利用运筹优化求解器进行求解优化，获得指定服务时段内的调配方案。一种示例性的调配方案可包括病患在哪天做检查、在哪个检查室做检查、在哪天做手术、由哪位医生做手术等；还可包括手术室排班、病床的使用率、优先给哪位病人使用、医生排班在哪天等，当然，本实施例并不限于此。
91.在运筹调配操作过程中，不同的医疗资源可以不完全相同的资源需求信息作为调配依据。例如，手术计划信息可作为手术室的调度依据；检查化验计划信息可作为检查化验室的调度依据；死亡率可作为呼吸机、icu的调度依据；住院时长可作为床位的调度依据，等。当然，这些仅是示例性的，本实施例并不限于此。
92.其中，正如上文提及的，本实施例提供的资源需求信息预测方法可有效保证为待服务病患预测出的资源需求信息的预测精度，因此，这保证了运筹优化求解器其中一个方面的输入的准确性。而对于运筹优化求解器的另一个方面的输入：空闲的医疗资源，则可基于医疗资源的历史使用记录，预测指定服务时段内空闲的医疗资源。其中，医疗资源的历史使用记录中可包括但不限于医疗资源的使用病患的信息、使用时间、空闲时间等等。
93.在一种可选的实现方式中，可构建一空闲医疗资源预测模型，空闲医疗资源预测模型可采用逻辑回归、深度神经网络等机器学习算法。
94.空闲医疗资源预测模型的训练过程可以是：获取医疗资源使用记录样本；从医疗资源使用记录样本中，确定至少一种医疗资源各自在至少一个统计时段内的使用状态信息；将至少一种医疗资源各自在至少一个统计时段内的使用状态信息提供给空闲医疗资源预测模型，以供空闲医疗资源预测模型学习至少一种医疗资源的使用规律。
95.在此基础上，可根据医疗资源的历史使用记录，统计至少一种医疗资源各自在至少一个统计时段内的使用状态信息，并作为空闲医疗资源预测模型的输入；利用空闲医疗资源预测模型，预测指定服务时段内空闲的医疗资源。这样，可通过基于大数据进行预测的方式确定未来时段内空闲的医疗资源，这可综合考虑各种不确定因素(例如，突然出现急诊
病人、某一时段可能出现门诊病人激增等)对空闲的医疗资源的影响，从而可更加准确地确定出空闲的医疗资源。
96.据此，本实施例中，一方面，可基于医疗记录，更加准确地预测待服务病患的资源需求信息，另一方面还可对空闲的医疗资源进行准确的预测，这可保证运筹调配操作的两方面依据的准确性，为运筹调配操作提供了准确的计算基础，因此，可有效保证调配结果的合理性、实现医疗资源的最大化利用、实现病患最快化分配到医疗资源。
97.需要说明的是，上述实施例所提供方法的各步骤的执行主体均可以是同一设备，或者，该方法也由不同设备作为执行主体。比如，步骤101至步骤103的执行主体可以为设备a；又比如，步骤101和102的执行主体可以为设备a，步骤803的执行主体可以为设备b；等等。
98.另外，在上述实施例及附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的应用端、消息、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
99.图3为本技术另一示例性实施例提供的一种计算设备的结构示意图。如图3所示，该计算设备包括：存储器30和处理器31。
100.处理器31，与存储器30耦合，用于执行存储器30中的计算机程序，以用于：
101.响应于调配触发事件，获取待服务病患的医疗记录；
102.根据医疗记录，预测待服务病患的资源需求信息；
103.根据资源需求信息，对医疗资源进行调配。
104.在一可选实施例中，处理器31在根据医疗记录，预测待服务病患的资源需求信息时，用于：
105.从医疗记录中，提取待服务病患的病情特征；
106.根据病情特征，预测待服务病患的资源需求信息。
107.在一可选实施例中，处理器31在根据病情特征，预测待服务病患的资源需求信息时，用于：
108.将病情特征输入资源需求预测模型；
109.在资源需求预测模型中，基于病情特征与资源需求信息之间的映射关系，预测待服务病患的资源需求信息。
110.在一可选实施例中，处理器31在基于病情特征与资源需求信息之间的映射关系，预测待服务病患的资源需求信息时，用于：
111.确定预测目标资源需求信息所需的病情维度；
112.基于病情维度下的病情特征以及病情特征与资源需求信息之间的映射关系，预测待服务病患的目标资源需求信息；
113.其中，目标资源需求信息为待服务病患的资源需求信息中的任意一种。
114.在一可选实施例中，处理器31在使用资源需求预测模型之前，还用于：
115.收集已服务病患的医疗记录，作为样本记录；
116.从样本记录中，提取至少一个病情维度下的病情特征样本；
117.根据样本记录，确定已服务病患对应的资源需求信息；
118.基于病情特征样本和资源需求信息对资源需求预测模型进行训练，以供资源需求预测模型学习病情特征与资源需求信息之间的映射关系。
119.在一可选实施例中，资源需求信息包括手术计划信息、检查化验计划信息、诊断信息、康复状态信息、死亡率和住院时长中的一种或多种。
120.在一可选实施例中，处理器31在从医疗记录中，提取待处理病患的病情特征时，用于：
121.在至少一个病情维度下，从医疗记录中提取词向量；
122.根据至少一个病情维度下的词向量，生成至少一个病情维度下的病情特征。
123.在一可选实施例中，处理器31在根据至少一个病情维度下的词向量，生成至少一个病情维度下的病情特征时，用于：
124.若至少一个病情维度下的词向量的数量大于预设阈值，则对至少一个病情维度下的词向量进行筛选，以获得至少一个病情维度下的筛选后词向量，作为至少一个病情维度下的病情特征。
125.在一可选实施例中，处理器31在对至少一个病情维度下的词向量进行筛选时，用于：
126.确定至少一个病情维度下的词向量各自对资源需求信息的影响程度，将对资源需求信息的影响程度高于预设标准的词向量，作为筛选后词向量；或者，
127.对至少一个病情维度下的词向量进行降维处理，以获得至少一个病情维度下的筛选后词向量。
128.在一可选实施例中，医疗记录中包含非结构化数据，处理器31在至少一个病情维度下，从医疗记录中提取的词向量时，用于：
129.对非结构化数据进行分词，以获得至少一个病情维度下的关键词；
130.将至少一个病情维度下的关键词，转化为词向量。
131.在一可选实施例中，医疗记录中包含结构化数据，处理器31在至少一个病情维度下，从医疗记录中提取的词向量时，用于：
132.基于预置的结构化数据与词向量之间的映射关系，将医疗记录中包含的在至少一个病情维度下的结构化数据映射为词向量。
133.在一可选实施例中，处理器31在根据资源需求信息，对医疗资源进行调配时，用于：
134.确定指定服务时段内的空闲的医疗资源；
135.根据空闲的医疗资源和资源需求信息，设定优化目标和约束条件；
136.按照优化目标和约束条件，对指定服务时段内的空闲的医疗资源进行调配。
137.在一可选实施例中，处理器31在确定指定服务时段内的空闲的医疗资源时，用于：
138.基于医疗资源的历史使用记录，确定至少一种医疗资源各自在至少一个统计时段内的使用状态信息；
139.根据至少一种医疗资源各自在至少一个统计时段内的使用状态信息，利用空闲医疗资源预测模型预测指定服务时段内空闲的医疗资源。
140.在一可选实施例中，处理器31在对空闲医疗资源预测模型进行训练的过程，用于：
141.获取医疗资源使用记录样本；
142.从医疗资源使用记录样本中，确定至少一种医疗资源各自在至少一个统计时段内的使用状态信息；
143.将至少一种医疗资源各自在至少一个统计时段内的使用状态信息提供给空闲医疗资源预测模型，以供空闲医疗资源预测模型学习至少一种医疗资源的使用规律。
144.在一可选实施例中，优化目标包括医疗资源的利用率最大化或病患的等待时间最短化中的一种或多种。
145.进一步，如图3所示，该计算设备还包括：通信组件32、电源组件33、显示器34、音频组件35等其它组件。图3中仅示意性给出部分组件，并不意味着计算设备只包括图3所示组件。
146.值得说明的是，上述关于计算设备各实施例中的技术细节，可参考前述的方法实施例中的相关描述，为节省篇幅，在此不再赘述，但这不应造成本技术保护范围的损失。
147.相应地，本技术实施例还提供一种存储有计算机程序的计算机可读存储介质，计算机程序被执行时能够实现上述方法实施例中可由计算设备执行的各步骤。
148.上述图3中的存储器，用于存储计算机程序，并可被配置为存储其它各种数据以支持在计算平台上的操作。这些数据的示例包括用于在计算平台上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
149.上述图3中的通信组件，被配置为便于通信组件所在设备和其他设备之间有线或无线方式的通信。通信组件所在设备可以接入基于通信标准的无线网络，如wifi，2g、3g、4g/lte、5g等移动通信网络，或它们的组合。在一个示例性实施例中，通信组件经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。
150.上述图3中的显示器，包括屏幕，其屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。
151.上述图3中的电源组件，为电源组件所在设备的各种组件提供电力。电源组件可以包括电源管理系统，一个或多个电源，及其他与为电源组件所在设备生成、管理和分配电力相关联的组件。
152.上述图3中的音频组件，可被配置为输出和/或输入音频信号。例如，音频组件包括一个麦克风(mic)，当音频组件所在设备处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器或经由通信组件发送。在一些实施例中，音频组件还包括一个扬声器，用于输出音频信
号。
153.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
154.本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
155.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
156.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
157.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
158.内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
159.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
160.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
161.以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员
来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。