醫院管理資源調度分析

導語：醫院管理資源調度分析一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

摘要：手術室資源調度關系到醫院資源配置的合理性，對醫院競爭力具有至關重要的影響。針對BBO算法收斂速度效率低、易陷入局部最優的缺陷，提出了云模型BBO算法，并結合所建立的醫院手術室資源調度模型，提出了一種基于CMBBO的醫院手術資源調度模型。將該模型應用于某大型三甲醫院，結果表明手術資源使用率和手術服務能力得到提升、手術等待時間降低，提出的算法對其他醫院手術資源調度具有一定的參考價值。

關鍵詞：等候時間；生物地理學優化算法；云模型；資源調度

手術室是醫院的重要醫療資源，對手術室資源的優化調度能夠在很大程度上提升手術資源的利用率和手術服務能力［1］。人工智能作為計算機科學的分支，通過模擬人腦的反映實現智能化，被廣泛應用于機器視覺、故障診斷、資源調度等領域，且取得了比較理想的效果［2］。生物地理學優化算法（Biogeography－BasedOptimization，BBO）是典型的人工智能算法，在醫療資源調度中具有廣泛的應用，但BBO算法具有收斂速度效率低、易陷入局部最優的缺點［3］。本文將云模型（CloudModel，CM）引入BBO，結合所建立的醫院手術室資源調度模型，提出了一種基于CMBBO的醫院手術資源調度模型，并應用于實際的醫院資源調度中。

1BBO算法原理

在遺傳優化算法和粒子群優化算法的基礎上，考慮自然界棲息地物種遷移行為，DanSimon提出了BBO算法［4］。BBO算法中提到了棲息地的適應度指數（HabitatSuitabilityIndex，HSI），通過該HSI來對全部解的集合進行評價。本文將該算法應用到醫學資源調配方面，并能獲得資源的最佳匹配值。BBO算法進行尋優，首先初始化個棲息地，然后對不同棲息地含有的物種遷移進行交換，增加物種的多樣性，使得HSI值增大。最后是通過HSI獲得數學模型的最優值，算法具體步驟如下。

1．1初始化

設置棲息地的最大變異率參數為mmax和對應的最大遷出率參數E，對應的遷入率最大值參數為I，每個棲息地的物種可容納的最大數量為Smax隨機產生NP個棲息地［5］，如式（1），xij＝xjmin＋（xjmax－xjmin）×rand（i）（1）式中，xij為第i個棲息地的第j維解變量，xjmax為第j維解變量的最大值，xjmin為第j維解變量的最小值，rand（i）是［0，1］間第i個隨機數。

1．2遷移過程

遷移過程是不同棲息地之間信息互換的過程，通過遷移來對解空間廣域搜索。由于棲息地所包含的物種數量越多，其對應的HSI的值就越大，因此物種數量Si和物種所在棲息地Xi之間必然存在特定的映射關系。按照HSI值的大小對棲息地Xi進行排序，此時將新的i值賦予原棲息地Xi，在棲息地Xi區域內的物種數量Si［6］為式（2）1．3變異為了模擬某個棲息地可能出現問題或者環境變化的可能使用變異操作，得出使得HSI出現變化額可能性以及對應的遷入率λi和遷出率μi可得出最終的改棲息地出現物種的概率值Pi，如式（4）。

2云模型BBO算法

2．1云模型

假設某一定性的值W中包含定量的論域U，在滿足x∈U的前提下，而且定性概念W的定量域U中W的隨機實現值是x，則可以使用μ（x）評價x對定性概念W的準確度。隨機數μ（x）∈［0，1］，其具有穩定的傾向性。假設存在μ：U→［0，1］以及任意x∈U且x→μ（x），則x為云。云模型的期望值Ex、熵值En和超熵值He3個核心特征參數［8］為C（Ex，En，He）。假設x對定性概念W的確定度μ（x）滿足如式（6）。

2．2云模型

BBO算法設定種群規模為N，對應的每個種群中的個體、各自的最佳實適應度和平均適應度分別為fi、fmin和fmean，適應度大于fmean以及適應度小于fmean的種群個體所對應的平均適應度分別為f′mean和f″mean。為了解決BBO算法的收斂速度慢和可能出現的局部最優問題，將種群分為相對好的種群、相對差的種群和一般種群［9］。（3）相對差的子群：fi小于f″mean相對差的子群所對應的解偏離理論值是最遠的，故而采用相對大的調整參數CR來將搜索的范圍盡量擴大，這里選取CR的值為0．9。

3醫院手術室資源調度模型

為實現手術室資源的合理調度，首先需要建立數學模型，也就是手術室結余時間和過度利用的時間最小，并且手術室開放時間和總手術時間之差最?。?1－12］，如式（11）、式（12），手術室關鍵資源最優的限制條件如式（13）—式（18）。

4實證分析

4．1數據來源

以某三甲醫院為研究的對象，該三甲醫院手術室和臨床科室手術人員8人、手術室調度護士長3人、麻醉醫生8人、麻醉主任2人、醫務處6人和手術器械護士10人。數據包括手術開始前的等候時間、手術進行時間以及手術的起止時間，同時還需要得到兩臺手術之間的間隔時間以及全天的手術數量、患者住院到手術間的等待時間，以及手術各個協調人員和物品的調配情況，同時全科全月的手術數量。

4．2算法流程

基于CMBBO的醫院手術室資源調度算法流程如下。步驟1：獲取手術開始前的等候時間、手術進行時間以及手術的起止時間，同時還需要得到兩臺手術之間的間隔時間以及全天的手術數量、患者住院到手術間的等待時間以及手術各個協調人員和物品的調配情況，同時全科全月的手術數量。步驟2：對CMBBO算法的各個參數進行初始化賦值動作，具體包括mmax值、I和E值以及Smax值，同時對種群規模和循環次數進行初始化賦值，并使用隨機函數生成NP個棲息地，初始化全部物種群。步驟3：使用式（19）進行適應度計算，按降序的方式對得到每一個棲息地的HSI進行排序動作后，根據排序結果生成棲息地的物種數量及其對應的遷入遷出率值。minfitness＝α×L（X）＋β×Zmin（19）其中，α＋β＝1，α，β≥0。步驟4：結合遷入率參數值λi以及遷出率參數值μi完成遷移動作。步驟5：使用遷入率參數值λi以及遷出率參數值μi進行運算后獲得棲息地的出現某類種群的概率值Pi，并最終生成棲息地的種群變異率值mi。步驟6：結合變異率參數mi執行變異動作。步驟7：判斷是否達到設定的最大迭代次數，如果已經達到最大迭代次數，那么輸出結果即為最優結果；如果不滿足，則跳轉到步驟3。

4．3結果分析

BBO算法和CMBBO算法參數設置如表1所示。由表2和圖3、圖4所示，通過CMBBO優化之后，手術等候時間由原來的3天減少到2．5天，每個工作日平均手術量由原來的每天4．8例增加到5．5例，手術資源使用效率、手術服務能力得到較大提高以及手術等候時間有了一定程度降低，從而說明CMBBO算法進行手術資源調度優化的有效性和可靠性。

5總結

對手術資源的科學調度有助于提高醫療資源的利用率。提升醫院的市場競爭力。本文將CM引入BBO，提出了基于CMBBO的醫院手術資源調度模型，并應用于某大型三甲醫院。結果表明，采用CMBBO優化后，手術等待的平均時間由3天降低到2．5天，每工作日平均手術量由4．8例增加到5．5例。本研究成果對科學調度醫院資源具有一定的實際應用價值。

作者：曹苗苗 方健軍 王科 單位：上海交通大學附屬第六人民醫院 煙臺市中醫醫院 山東理工大學 計算機科學與技術學院