大數據在醫用耗材管理系統中的應用與設計

梁敏

（江蘇省常州市第一人民醫院 江蘇省常州市 213003）

1 引言

大數據是一種先進的分布式計算技術，其集成了云計算、機器學習、數據倉庫等多種技術，可以從海量的數據中挖掘有價值的信息，提高人們決策的科學化和規范化。大數據目前已經在很多領域得到應用，比如電子政務、金融銀行、電商網站、通信運營等，構建了各種類型的行業大數據平臺，比如電子政務大數據平臺、阿里巴巴大數據平臺、華為大數據中心等，針對各行業數據進行集中化管理。

醫用耗材管理系統經過運行和實踐積累的數據非常多，這些數據中蘊含著很多有價值的知識信息，可以為醫用耗材管理提供決策支撐，比如構建一個醫用耗材合理應用和分析模型，該模型能夠準確的分析某一個時段醫用耗材的使用是否合理，同時分析不合理產生的原因，為科學使用醫用耗材提供強大的智能化和數據化支撐。因此，本文首先分析醫用耗材管理系統的功能，引入微服務架構設計對系統進行設計，同時構建一個大數據分析模型，提高醫用耗材管理系統的智能化、共享化和自動化。

2 醫用耗材管理系統分析與設計

2.1 醫用耗材管理系統分析

醫用耗材種類多、數量大，管理流程也非常復雜，不僅涉及到醫院各科室的領用，還涉及到供應商的采購，傳統的管理模式已經無法滿足實際需求，因此本文提出利用先進的互聯網、數據庫等技術，設計一個醫用耗材管理系統，該系統能夠根據醫院的耗材管理工作進行建模，導出系統的邏輯業務功能，并且使用微服務架構進行設計，不僅可以安裝運行于PC 電腦，還可以部署在智能手機上，提高了醫用耗材管理的信息化、共享化和移動化。醫用耗材管理系統的邏輯業務功能如圖1 所示。

合同管理是應用耗材管理系統的功能之一，醫院可以與供應商簽訂采購合同，將其錄入到系統中，一旦某一種材料需要發起采購，可以及時啟動合同管理流程，簽署合同信息。合同管理功能包括合同添加、合同修改、合同刪除。采購管理可以為醫院提供一個采購計劃，根據醫用耗材的使用情況，醫院可以制作采購單，錄入采購計劃，包括采購的產品、數量、供應商，將其發送給醫院領導審核，審核完畢之后可以發送給企業。耗材入庫管理是指供應商根據采購訂單將耗材發送到醫院之后，醫院需要檢驗和接受耗材并將其錄入到系統，如果檢驗不合格，則可以發起耗材退單功能，由供應商審核通過之后進行退貨處理；如果耗材檢驗合格，則可以將耗材入庫。耗材領用管理是各科室根據醫療業務的開展，到醫院庫房領取耗材，根據領用的具體種類和數量，實現耗材的出庫管理。發票管理提供醫院對企業發過來的發票進行確認的功能，單擊采購管理菜單下的發票管理，同時也可以實現采購發票的維護管理。二級庫管理功能是指耗材管理系統為每一個科室提供了子庫存管理功能，耗材領用到各個科室之后，耗材管理系統自動的將這些材料的數量和種類添加到二級庫，各科室可以實時的管理每一個庫存耗材。

圖1：醫用耗材管理系統總體功能設計

2.2 醫用耗材管理系統設計

醫院耗材管理系統的用戶非常多，不僅包括PC 端用戶，還包括智能手機、平板電腦等移動設備端用戶，因此醫院耗材管理系統需要提供可移植性和可靠性，本文提出引入微服務架構，該架構醫院耗材管理系統劃分為三個層次，分別是用戶層、Web 服務層和數據層三個層次，微服務架構非常適用于醫院耗材管理系統，因該架構更加適用于使用SQLServer 數據庫、Access 數據庫、JSP 動態頁面交互技術等開發醫院耗材管理系統，可顯著提高醫用耗材的展示和邏輯業務加工能力，改善數據插入、數據查詢、數據刪除、數據修改等的操作效率，提升醫院耗材管理系統信息共享水平。微服務架構適用的用戶層開發技術包括HTIM5 技術、JSP 技術、XML 技術和ASP .NET 技術，這些技術均可以提高用戶層的可伸縮性、自適應能力。Web 服務層可以完成數據封裝解析和處理功能，大大增強應用邏輯的解析處理能力。數據層可實現信息加工和存儲，方便各類型的數據庫接入系統。醫院耗材管理系統采用微服務架構，數據處理接口采用組件技術，組件可以提供事務處理語句，封裝數據庫索引機制和存儲程序機制。

圖2：基于深度學習的醫用耗材大數據應用模型

3 大數據在醫用耗材管理系統的應用

醫用耗材管理系統引入大數據技術，其可以分析醫用耗材使用是否合理，也可以為耗材采購提供一個合理化、科學化的建議，提高耗材的使用成效。醫用耗材管理系統引入的大數據技術包括很多，最初應用技術是貝葉斯分類、關聯規則算法等，這些技術都需要為醫用耗材知識挖掘的信息指定標簽，需要掌握較多的專業背景知識，不利于提高大數據技術的醫用耗材管理系統的應用體驗效果。經過大數據學者和企業的應用實踐，引入了K-means 算法、支持向量機等技術，這些大數據技術是無監督或半監督算法，因此不需要設置較多的參數，也不需要管理人員掌握較多的專業背景知識，因此可以提高醫用耗材使用的成效。近年來，大數據應用技術又提出了深度學習、核聚類等，另外還引入了圖聚類算法，這些算法能夠更好地結合生活實踐的應用范圍，針對不同的用戶進行改進，更加細分大數據的應用領域，一定程度上提高了大數據的應用體驗和信息挖掘準確度。因此，本文以深度學習為應用算法，分析大數據在醫用耗材管理中的應用流程。深度學習是一種非常先進的大數據技術，本文將其應用于醫用耗材管理系統中，從中發現有價值的知識，為醫用耗材合理應用和科學采購提供決策支撐。深度學習包括六個層次，分別是輸入層、卷積層C1、池化層S1、卷積層C2、池化層S2、全連接層，利用卷積數學和神經網絡學習的過程，增加了神經網絡模型的訓練精確度，能夠提高神經網絡識別信息的準確度。基于深度學習的醫用耗材大數據應用模型如圖2 所示。

深度學習在應用中的每一層的功能及作用描述如下。

3.1 輸入層

醫用耗材管理系統存儲的數據非常多，比如耗材采購數據、耗材領用數據、二級庫數據等，這些數據涉及到耗材的采購成本、應用成效和庫存狀況，因此深度學習算法挖掘和處理過程中，其可以從醫用耗材管理系統服務器中查詢和調取這些數據信息，使用歸一化方法進行預處理，刪除一些系數的數據或噪聲數據，然后統一建模數據信息，實現數據的量綱統一，還可以實現數據挖掘快速性。

3.2 卷積層

深度學習算法的卷積層包括兩個層次，C1 層可以完成局部關聯操作，C2 可以完成窗口滑動操作。局部操作可以有效地過濾數據特征，能夠將相似的特征合并在一起，縮小醫用耗材數據處理的特征數量，從而可以避免發生過度擬合現象。窗口滑動操作可以完成特征選擇或提取，從而可以分析醫用耗材的數據特征，從而可以提高深度學習算法的收斂速度。目前，卷積層通常采用的卷積函數非常多，比如Sigmoid函數，可以快速的實現深度學習算法訓練完成，同時可以大幅度提高醫用耗材數據分析的精確程度。

3.3 池化層

池化層是深度學習的關鍵層，其主要是盡可能的壓縮卷積神經網絡處理的參數數量，以便能夠提高深度學習算法的可移植性和可擴展性，避免深度學習算法發生過度的擬合。因此，池化層在醫用耗材特征獲取之后，可以針對這些特征進行平滑操作，計算特征的最大值和特征的最小值，從而可以利用平均值過濾數據，實現醫用耗材數據的基因的處理操作。

3.4 全連接層

全連接層就是深度學習算法訓練完成的一個分類器，這個分類器可以將訓練的結果輸出出來，并且可以為醫用耗材管理系統的用戶提供一個圖形化的結果輸出模式，比如期望的耗材成本控制信息、耗材采購科學數據等，以便能夠加強醫用耗材數據處理結果的可用性，避免醫院管理者對學習到的結果不清楚或不明白等現象發生。

4 結束語

醫用耗材管理系統引入大數據之后，可以根據應用主題，提取系統中的數據進行智能化分析，為合理使用和采購醫用耗材提供科學決策支撐，提高了醫院決策的準確度，進一步盤活醫用耗材資源和利用成效。