深度机器学习在医院智能化管理的运用

导语：深度机器学习在医院智能化管理的运用一文来源于网友上传，不代表本站观点，若需要原创文章可咨询客服老师，欢迎参考。

医院智能化为国家智能化、社会智能化的主要构成部分，借助智能化管理可推动医院相关管理由传统的经验管理逐渐转变为智能科学管理。深度机器学习为一类模拟人脑思维完成分析学习活动的神经网络，借助人脑机制的模仿，对数据加以解释，如围棋对局系统、语音识别系统、翻译工具及在线购物系统等。伴随科学技术高速发展，为深度机器学习技术的生成提供良好条件，若将深度机器学习技术应用至医院日常管理中，医院管理智能化水平将显著提升。

1医院智能化管理数据挖掘应用流程

1.1做好数据前期准备工作。医院管理工作为一项较为复杂的系统性工作，后勤保障、财务、患者及医生等多方面均会有所涉及，因此，数据挖掘技术应用前须对数据挖掘的具体内容、对象予以明确，针对具体目标、具体问题实施数据挖掘工作，可避免盲目挖掘数据，提升数据挖掘有效性。明确挖掘对象及具体挖掘内容后，应对所需数据支持予以明确，于可供挖掘数据资源中将有价值数据源予以挖掘，确保所筛选数据可为问题处理提供依据。数据选择基本标准明确后，应对数据展开预处理工作，注重数据清洗工作，将可能存在的数据值不一致、数据冗余等问题加以处理，同时还应避免产生错误数据，对所挖掘数据准确性予以保障。1.2构建数据挖掘应用体系。数据挖掘工作核心为数据分析模型的构建，自数据分析阶段起，便应对最终数据模型的变量予以明确，于原始数据信息中挑选所对应的数据集合，随后展开数据转换工作，获取最终变量。数据分析模型建立时，需对模型的可理解性及精确性予以保障，促使数据模型可将自身所具备的性能优势予以充分发挥。结合数据模型，筛选并换算数据库中信息，此工序主要由计算机完成，完成数据筛选后应对数据展开解释、评估工作，促使数据信息有效应用。数据挖掘处理完成后，应重组在数据挖掘工作中所获取的信息，将新型管理方式借助简单形式向医院管理人员呈现，增强知识的实用性。

2医院智能化管理应用方向

2.1医疗质量控制现阶段。医疗质量监控中多以关键词搜索为主，并采用时间点限制及最大最小限数值限制等数据处理手段，如以医院不良事件监测系统为例，通常使用一台监控服务装置对医生所使用电子病历的病程记录予以检测，如记录中是否存在跌倒、意外等人工设定关键词，又如若医生在某时间点内开出两条胃管放置医嘱信息，监控系统将推断可能存在不良事件。部分医院将读取体温护理表、放射诊断数据及抗生素医嘱信息等对可能存在医院感染患者加以识别，提示医师应及时处理并向医院上报。2.2医院运营监管。基本统计方法为目前医院在运营过程中主要采用的运营手段，即借助简单统计历史数据的方式，展开工作安排。如门诊医师排班时间、排班人数即为参考往年同期门诊量予以设定，药方工作人员数量、药品采购数量也均为结合同期历史数据加以基本测算。若将深度机器学习引入医院运营监管中，人员仅需将历史时序数值传输至深度机器学习中，便可自行展开计算，基于所输入数据构建预测模型，借此可对近期门诊量加以预测，为相关工作的合理安排提供依据。2.3医疗辅助诊断。美国的WATSON医生将深度机器学习方式引入疾病诊断过程中，借助患者当前病历信息的自动读取，获取辅助诊断信息。因中文医学语言较为复杂，且电子病历格式规范性不足，使得医疗辅助诊断在国内并未得以大范围普及，因此，本文借助机器学习方法围绕图像中人体部位自动识别展开尝试性探索，向深度机器学习中系统中输入相关历史信息，构建预测模型，便可应用至人体部位实际检测过程中。

3深度机器学习体系构建

3.1基础平台设计。深度机器学习体系应用方向明确后，本文构建虚拟机硬件平台，对深度机器学习系统展开设计，借助深度机器学习技术，基于医院现有虚拟云平台搭建深度学习服务器，针对医院现有的图像大数据、数值信息、电子病历文字等展开深度机器学习，构成辅助管理系统模型，借助此模型构建可为医疗辅助诊断、医院运营监管、医疗质量监控等提供参考。首先为硬件平台的搭建，借助两套IBM服务器完成虚拟机群的搭建，平台任务以IBM云机箱承载，将Linux操作系统安装于虚拟机中，搭载TensorFlow服务器，以此实现深度机器学习硬件环境的构建。其次为软件系统的构建。将长短期记忆神经网络技术应用至时序数值信息处理中，构建辅助管理系统模型，详细如下：一为自医院信息管理系统中将血氧饱和度、血糖、收缩压及舒张压等原始数据加以采集，系统所输出数据须同卫生信息交换标准中的医学关键词相符；二为将原始数据归一化处理，映射区间应于0-1范围内，同时构建多维向量空间，各原始数据均同相应维度所对应；三为向TensorFlow服务器的LSTM模块输入数据，展开机器学习；四为各医学关键词间形成关系模型。最后为管理模型生成。TensorFlow所设置的图形化展示工具TensorBoard可结合不良事件将患者信息上报，借助全监督机器学习模式，构建3D预测模型展示图，以主成分分析方式，利用正交变换，实现存在相关性的变量向一组线性不相关变量转变，并可将多维向量空间数据降维，以三维方式显现，以便展开数据分析工作。3.2系统应用评价。借助TensorFlow深度学习软件及虚拟化硬件的适应，深度机器学习系统得以完整构建，借助此系统可为医疗辅助诊断、医院运营监管及医疗质量监控提供依据，推动医院管理向着智能化方向发展。3.2.1实现多种管理功能。深度机器学习可在医院各管理环节得以广泛应用，推动医院管理水平的全方位提升，借此也可表明，深度机器学习技术于医院管理方面具备无限应用广度。（1）深度机器学习可实现数据统计工作的全面展开，借助先进数据统计方法的应用，积累医院日常经营数据，以定性、定量视角针对数据展开研究。如以影像医学为例，深度机器学习系统借助分析患者影像学数据及统计患者被监护情况等，探寻患者的特殊点，为医师制定病症诊治方案提供参考。（2）有助于新知识的发现。医院在日常经营管理活动中存在大量不易被发现或隐藏的数据信息，可借助分析数据关联方式，对某些临床诊治成效的个性特征、共同特征予以指出，起到提醒作用。借此也可为医护人员制定风险预防方案提供参考，为更加全面、更加科学诊治方案的制定提供参考。3.2.2实现对象有效管理。深度机器学习技术，可应用至具体某项工作管理水平的提升，以此实现医院多种资源利用效率的提高，面对医院经营管理过程中所存在问题，以数据分析视角出发，提出相应处理方案。如以时间管理为例，可以年为周期，引入数据分析方式，对周期内各月份及每天各时间段患者就诊情况予以分析，为制定科学网络预约方案、导诊方案提供参考，可在一定程度上实现就诊时间、医院资源的合理分配。又如，医院可借助多种数据信息不同时空顺序的排列，实现对各部门及各科室医疗器械维修、使用的科学掌握，针对降低医院行动成本而言具备一定积极意义。借此，也可有助于找寻日常管理中的不足之处，提升医院日常管理水平，达到医院工作的标准化、细化目标。

4结束语

综上所述，将深度机器学习应用至医院日常管理活动中，针对推动医院管理智能化发展而言具备重要意义，借此除可为医疗质量控制、医院运营监管及医疗辅助诊断提供重要参考外，借助数据分析，也可实现各种医疗资源的合理分配，提供资源利用率，并可于一定程度上节约医院经营管理成本，为医院良好发展形成保障。

参考文献

[1]杨鑫.医院设备智能化管理探索与实践[J].科技风,2019(30):26.

[2]刘璇.智能化技术在医院管理中的应用[J].信息与电脑(理论版),2019(11):11-12.

[3]牟杨.大数据在后勤库存物资智能化管理系统中的应用[J].自动化与仪器仪表,2019(04):233-236.

[4]刘腾.基于“大数据”的医院人事档案智能化管理新举措[J].兰台内外,2019(08):1-2.

[5]方伟,苏仲洋.医院智能化管理系统集成与应用研究[J].智能建筑,2018(11):18-21.

[6]陈潇君,孙炳伟,苟建平.深度机器学习辅助医院智能化管理[J].中国现代医学杂志,2018,28(08):125-128.

作者:孙逊 单位:安徽省阜阳市人民医院