(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111533484.2 (22)申请日 2021.12.15 (71)申请人 华中科技大 学同济医学院附属协和 医院 地址 430000 湖北省武汉市解 放大道127 7 号 (72)发明人 武青松　张颖聪　马鸣　向璨　 陈实　吴建才　 (74)专利代理 机构 武汉天领众智专利代理事务 所(普通合伙) 42300 代理人 林琳 (51)Int.Cl. G06Q 10/04(2012.01) G16H 40/20(2018.01) G07C 11/00(2006.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种医院门诊患者等候时间预测方法及系 统 (57)摘要 本发明公开了一种医院门诊患者等候时间 预测方法及系统， 具体涉及医疗技术领域， 包括 以下步骤： 获取患者挂号指令； 获取科室数据、 相 关坐诊医师的数据、 患者的预检数据信息和诊疗 挂号队列信息。 本发明对患者挂号的科室信息进 行采集， 最后采用神经网络预测模 型结合上述影 响因素和数据对个患者的候诊时长进行预测整 合， 判断相应患者的候诊时长和诊疗 所对应的时 刻， 且神经网络预测模型中采用反馈机制， 不断 更新候诊队列中各患者的实际诊疗时间， 并依据 新的候诊患者 队列信息更新后续患者候诊时间 和诊疗时刻， 可更为精准的判断患者候诊时间， 避免患者枯燥无目标的进行候诊过程对患者候 诊过程的焦急心理起到安抚作用。 权利要求书2页 说明书7页 附图1页 CN 114239955 A 2022.03.25 CN 114239955 A 1.一种医院门诊患者 等候时间预测方法， 其特 征在于， 包括以下步骤： 获取患者 挂号指令； 获取科室数据、 相关坐诊医师的数据、 患者的预检数据信息和诊疗挂 号队列信息； 根据科室数据、 相关坐诊医师和患者的预检数据预测各患者的诊疗时间， 根据各患者 诊疗时间确定上述 挂号指令的就诊时刻； 将预测的患者 就诊时刻进行显示。 2.根据权利要求1所述的一种医院门诊患 者等候时间预测方法， 其特征在于： 所述挂号 指令包括， 挂 号科室信息、 挂 号医师信息和挂 号时刻信息 。 3.根据权利要求1所述的一种医院门诊患 者等候时间预测方法， 其特征在于： 所述获取 科室数据、 相关坐诊医师的数据和患者的预检数据信息包括： 获取对应科室的患者诊疗的平均时长； 坐诊医师的诊疗数据并得 出平均诊疗时长； 获取患者相关病症的初诊数据。 4.根据权利要求3所述的一种医院门诊患 者等候时间预测方法， 其特征在于： 所述获取 患者相关病症的初诊 数据， 患者在挂号后候诊时经过预诊， 得出患者的初步表征数据， 根据 初步表征 数据对应的诊疗过程得 出诊疗时长 。 5.根据权利要求1所述的一种医院门诊患 者等候时间预测方法， 其特征在于： 所述获取 诊疗挂号队列信息， 诊疗挂号队列信息包括诊疗队列患者数量、 各患者的挂号时刻和诊疗 候诊预测时长 。 6.一种医院门诊患 者等候时间预测系统， 包括信 息获取模块， 其特征在于： 所述信 息获 取模块的输出端与信息采集模块的输入端电连接， 所述信息采集模块的输出端与处理分析 模块的输入端电连接， 所述处理分析模块的输出端与结果展示模块的输入端电连接， 所述 信息采集模块包括信息 输入模块和患者预检模块。 7.根据权利要求6所述的一种医院门诊患 者等候时间预测系统， 其特征在于： 所述信 息 获取模块用于获取患者对应的挂 号时刻、 挂 号科室和挂 号对应的坐诊医师； 所述信息采集模块中的信息输入模块用于输入相关科室的病症诊疗平均时长和对应 坐诊医师的诊疗习惯， 患者预检模块用于对患者的表征进行初步预检， 初步确定诊疗过程； 所述处理分析模块用于根据 科室数据、 相关坐诊医师和患 者的预检数据 预测各患 者的 诊疗时间， 根据各患者诊疗时间确定上述 挂号指令的就诊时刻； 所述结果展示模块用于将预测的患者 就诊时刻进行显示。 8.根据权利要求6所述的一种医院门诊患 者等候时间预测系统， 其特征在于： 所述处理 分析模块的分析预测采用神经网络预测模型， 其中神经网络预测模型通过神经网络算法进 行计算， 所述神经网络算法包括以下步骤： 输入层为患者的实际等候时间hwk， 输出层为患者的预测等候时间pw， 隐藏层单元hj的 输入加权和： 其中hwk， 为输入层单元， 以分钟为单位， 另有阈值b1＝1， 为输入层到 隐藏层的权权　利　要　求　书 1/2 页 2 CN 114239955 A 2重， b1的权重为 隐藏层单 元hj的输出 其中 是隐藏层激活后的输出， 在隐藏层和输出层， 均采用sigmoi d函数作为激活函 数； 输出层单 元pw的输入加权和输出为： 其中hk是k个隐藏层单元， 另有阈值b2＝1， 隐藏层到输出层的权重为 b2的权重为 权重矩阵的初始值皆随机产生， 其中Zpw为输入层激活后的输出， 也是算法最终输出的预测结果； 输入层、 隐藏层和输出层的总误差为： 其中target为用户实际等待时间， output为预测等待时间， 根据梯度下降法， 隐藏层到 输出层的权 重更新为： 隐藏层的阈值权 重更新： 其中η为学习率， 在此 取0.3。权　利　要　求　书 2/2 页 3 CN 114239955 A 3