導語：深度機器學習在醫院智能化管理的運用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。

醫院智能化為國家智能化、社會智能化的主要構成部分，借助智能化管理可推動醫院相關管理由傳統的經驗管理逐漸轉變為智能科學管理。深度機器學習為一類模擬人腦思維完成分析學習活動的神經網絡，借助人腦機制的模仿，對數據加以解釋，如圍棋對局系統、語音識別系統、翻譯工具及在線購物系統等。伴隨科學技術高速發展，為深度機器學習技術的生成提供良好條件，若將深度機器學習技術應用至醫院日常管理中，醫院管理智能化水平將顯著提升。

1醫院智能化管理數據挖掘應用流程

1.1做好數據前期準備工作。醫院管理工作為一項較為復雜的系統性工作，后勤保障、財務、患者及醫生等多方面均會有所涉及，因此，數據挖掘技術應用前須對數據挖掘的具體內容、對象予以明確，針對具體目標、具體問題實施數據挖掘工作，可避免盲目挖掘數據，提升數據挖掘有效性。明確挖掘對象及具體挖掘內容后，應對所需數據支持予以明確，于可供挖掘數據資源中將有價值數據源予以挖掘，確保所篩選數據可為問題處理提供依據。數據選擇基本標準明確后，應對數據展開預處理工作，注重數據清洗工作，將可能存在的數據值不一致、數據冗余等問題加以處理，同時還應避免產生錯誤數據，對所挖掘數據準確性予以保障。1.2構建數據挖掘應用體系。數據挖掘工作核心為數據分析模型的構建，自數據分析階段起，便應對最終數據模型的變量予以明確，于原始數據信息中挑選所對應的數據集合，隨后展開數據轉換工作，獲取最終變量。數據分析模型建立時，需對模型的可理解性及精確性予以保障，促使數據模型可將自身所具備的性能優勢予以充分發揮。結合數據模型，篩選并換算數據庫中信息，此工序主要由計算機完成，完成數據篩選后應對數據展開解釋、評估工作，促使數據信息有效應用。數據挖掘處理完成后，應重組在數據挖掘工作中所獲取的信息，將新型管理方式借助簡單形式向醫院管理人員呈現，增強知識的實用性。

2醫院智能化管理應用方向

2.1醫療質量控制現階段。醫療質量監控中多以關鍵詞搜索為主，并采用時間點限制及最大最小限數值限制等數據處理手段，如以醫院不良事件監測系統為例，通常使用一臺監控服務裝置對醫生所使用電子病歷的病程記錄予以檢測，如記錄中是否存在跌倒、意外等人工設定關鍵詞，又如若醫生在某時間點內開出兩條胃管放置醫囑信息，監控系統將推斷可能存在不良事件。部分醫院將讀取體溫護理表、放射診斷數據及抗生素醫囑信息等對可能存在醫院感染患者加以識別，提示醫師應及時處理并向醫院上報。2.2醫院運營監管。基本統計方法為目前醫院在運營過程中主要采用的運營手段，即借助簡單統計歷史數據的方式，展開工作安排。如門診醫師排班時間、排班人數即為參考往年同期門診量予以設定，藥方工作人員數量、藥品采購數量也均為結合同期歷史數據加以基本測算。若將深度機器學習引入醫院運營監管中，人員僅需將歷史時序數值傳輸至深度機器學習中，便可自行展開計算，基于所輸入數據構建預測模型，借此可對近期門診量加以預測，為相關工作的合理安排提供依據。2.3醫療輔助診斷。美國的WATSON醫生將深度機器學習方式引入疾病診斷過程中，借助患者當前病歷信息的自動讀取，獲取輔助診斷信息。因中文醫學語言較為復雜，且電子病歷格式規范性不足，使得醫療輔助診斷在國內并未得以大范圍普及，因此，本文借助機器學習方法圍繞圖像中人體部位自動識別展開嘗試性探索，向深度機器學習中系統中輸入相關歷史信息，構建預測模型，便可應用至人體部位實際檢測過程中。

3深度機器學習體系構建

3.1基礎平臺設計。深度機器學習體系應用方向明確后，本文構建虛擬機硬件平臺，對深度機器學習系統展開設計，借助深度機器學習技術，基于醫院現有虛擬云平臺搭建深度學習服務器，針對醫院現有的圖像大數據、數值信息、電子病歷文字等展開深度機器學習，構成輔助管理系統模型，借助此模型構建可為醫療輔助診斷、醫院運營監管、醫療質量監控等提供參考。首先為硬件平臺的搭建，借助兩套IBM服務器完成虛擬機群的搭建，平臺任務以IBM云機箱承載，將Linux操作系統安裝于虛擬機中，搭載TensorFlow服務器，以此實現深度機器學習硬件環境的構建。其次為軟件系統的構建。將長短期記憶神經網絡技術應用至時序數值信息處理中，構建輔助管理系統模型，詳細如下：一為自醫院信息管理系統中將血氧飽和度、血糖、收縮壓及舒張壓等原始數據加以采集，系統所輸出數據須同衛生信息交換標準中的醫學關鍵詞相符；二為將原始數據歸一化處理，映射區間應于0-1范圍內，同時構建多維向量空間，各原始數據均同相應維度所對應；三為向TensorFlow服務器的LSTM模塊輸入數據，展開機器學習；四為各醫學關鍵詞間形成關系模型。最后為管理模型生成。TensorFlow所設置的圖形化展示工具TensorBoard可結合不良事件將患者信息上報，借助全監督機器學習模式，構建3D預測模型展示圖，以主成分分析方式，利用正交變換，實現存在相關性的變量向一組線性不相關變量轉變，并可將多維向量空間數據降維，以三維方式顯現，以便展開數據分析工作。3.2系統應用評價。借助TensorFlow深度學習軟件及虛擬化硬件的適應，深度機器學習系統得以完整構建，借助此系統可為醫療輔助診斷、醫院運營監管及醫療質量監控提供依據，推動醫院管理向著智能化方向發展。3.2.1實現多種管理功能。深度機器學習可在醫院各管理環節得以廣泛應用，推動醫院管理水平的全方位提升，借此也可表明，深度機器學習技術于醫院管理方面具備無限應用廣度。（1）深度機器學習可實現數據統計工作的全面展開，借助先進數據統計方法的應用，積累醫院日常經營數據，以定性、定量視角針對數據展開研究。如以影像醫學為例，深度機器學習系統借助分析患者影像學數據及統計患者被監護情況等，探尋患者的特殊點，為醫師制定病癥診治方案提供參考。（2）有助于新知識的發現。醫院在日常經營管理活動中存在大量不易被發現或隱藏的數據信息，可借助分析數據關聯方式，對某些臨床診治成效的個性特征、共同特征予以指出，起到提醒作用。借此也可為醫護人員制定風險預防方案提供參考，為更加全面、更加科學診治方案的制定提供參考。3.2.2實現對象有效管理。深度機器學習技術，可應用至具體某項工作管理水平的提升，以此實現醫院多種資源利用效率的提高，面對醫院經營管理過程中所存在問題，以數據分析視角出發，提出相應處理方案。如以時間管理為例，可以年為周期，引入數據分析方式，對周期內各月份及每天各時間段患者就診情況予以分析，為制定科學網絡預約方案、導診方案提供參考，可在一定程度上實現就診時間、醫院資源的合理分配。又如，醫院可借助多種數據信息不同時空順序的排列，實現對各部門及各科室醫療器械維修、使用的科學掌握，針對降低醫院行動成本而言具備一定積極意義。借此，也可有助于找尋日常管理中的不足之處，提升醫院日常管理水平，達到醫院工作的標準化、細化目標。

4結束語

綜上所述，將深度機器學習應用至醫院日常管理活動中，針對推動醫院管理智能化發展而言具備重要意義，借此除可為醫療質量控制、醫院運營監管及醫療輔助診斷提供重要參考外，借助數據分析，也可實現各種醫療資源的合理分配，提供資源利用率，并可于一定程度上節約醫院經營管理成本，為醫院良好發展形成保障。

參考文獻

[1]楊鑫.醫院設備智能化管理探索與實踐[J].科技風,2019(30):26.

[2]劉璇.智能化技術在醫院管理中的應用[J].信息與電腦(理論版),2019(11):11-12.

[3]牟楊.大數據在后勤庫存物資智能化管理系統中的應用[J].自動化與儀器儀表,2019(04):233-236.

[4]劉騰.基于“大數據”的醫院人事檔案智能化管理新舉措[J].蘭臺內外,2019(08):1-2.

[5]方偉,蘇仲洋.醫院智能化管理系統集成與應用研究[J].智能建筑,2018(11):18-21.

[6]陳瀟君,孫炳偉,茍建平.深度機器學習輔助醫院智能化管理[J].中國現代醫學雜志,2018,28(08):125-128.

作者:孫遜 單位:安徽省阜陽市人民醫院