基于運(yùn)行態(tài)勢(shì)自主感知的大型醫(yī)療設(shè)備財(cái)務(wù)成本動(dòng)態(tài)管控模型研究

周健，陳紅梅，顧根妹

（北京大學(xué)深圳醫(yī)院，廣東深圳 518036）

大型醫(yī)療設(shè)備具有顯著的技術(shù)復(fù)雜性，大型醫(yī)療設(shè)備運(yùn)行態(tài)勢(shì)數(shù)據(jù)是醫(yī)療大數(shù)據(jù)的關(guān)鍵主體，承載了醫(yī)療設(shè)備自主態(tài)勢(shì)感知的重要信息，為醫(yī)療運(yùn)行智慧化提供數(shù)據(jù)交互保障[1]，為大型醫(yī)療設(shè)備財(cái)務(wù)成本動(dòng)態(tài)最優(yōu)管控提供數(shù)據(jù)支撐，開展大型醫(yī)療設(shè)備財(cái)務(wù)成本動(dòng)態(tài)管控模型研究有助于提升智慧醫(yī)療的實(shí)用性與可行性[2]。由于醫(yī)療機(jī)構(gòu)財(cái)務(wù)管控目標(biāo)越來(lái)越多，信息量激增，運(yùn)行態(tài)勢(shì)自主感知的優(yōu)勢(shì)逐漸被體現(xiàn)[3]，醫(yī)療機(jī)構(gòu)內(nèi)部邏輯環(huán)節(jié)數(shù)量的增長(zhǎng)呈指數(shù)形式，混亂度增強(qiáng)，加上外部條件的突變因素，故障率大幅提升，一旦醫(yī)療機(jī)構(gòu)財(cái)務(wù)管控的核心環(huán)節(jié)產(chǎn)生故障，將造成大量損失。基于此，開展大型醫(yī)療設(shè)備財(cái)務(wù)成本動(dòng)態(tài)管控模型研究具有重要的學(xué)術(shù)與工程價(jià)值[4]。

1 動(dòng)態(tài)管控模型邏輯框架設(shè)計(jì)

以大型醫(yī)療設(shè)備財(cái)務(wù)成本動(dòng)態(tài)管控模型體系架構(gòu)為控制流頂層設(shè)計(jì)進(jìn)行指導(dǎo)，著重改善基于數(shù)據(jù)統(tǒng)計(jì)的大型醫(yī)療設(shè)備財(cái)務(wù)成本動(dòng)態(tài)管控機(jī)制在醫(yī)療機(jī)構(gòu)財(cái)務(wù)管理實(shí)踐中顯露的諸多不足，基于目標(biāo)導(dǎo)向?qū)⒋笮歪t(yī)療設(shè)備財(cái)務(wù)成本動(dòng)態(tài)管控模型完整控制流邏輯進(jìn)行任務(wù)分解，側(cè)重于大型醫(yī)療設(shè)備態(tài)勢(shì)數(shù)據(jù)池構(gòu)建、大型醫(yī)療設(shè)備運(yùn)行態(tài)勢(shì)全息感知機(jī)制構(gòu)建、大型醫(yī)療設(shè)備運(yùn)行態(tài)勢(shì)與財(cái)務(wù)成本之間的耦合模型構(gòu)建等三個(gè)耦合子架構(gòu)，構(gòu)建了基于運(yùn)行態(tài)勢(shì)自主感知的大型醫(yī)療設(shè)備財(cái)務(wù)成本動(dòng)態(tài)管控模型體系架構(gòu)，圖1 為動(dòng)態(tài)管控模型邏輯架構(gòu)示意圖。其中，大型醫(yī)療設(shè)備態(tài)勢(shì)數(shù)據(jù)池構(gòu)建子架構(gòu)，對(duì)大型醫(yī)療設(shè)備的運(yùn)行態(tài)勢(shì)進(jìn)行采集與池化處理，將形成的數(shù)據(jù)池劃分為訓(xùn)練集與測(cè)試集[5]，為大型醫(yī)療設(shè)備運(yùn)行態(tài)勢(shì)全息感知機(jī)制構(gòu)建提供統(tǒng)一的數(shù)據(jù)集支撐；大型醫(yī)療設(shè)備運(yùn)行態(tài)勢(shì)全息感知機(jī)制構(gòu)建子架構(gòu)利用深度殘差收縮網(wǎng)絡(luò)預(yù)測(cè)大型醫(yī)療設(shè)備較長(zhǎng)周期內(nèi)的收益產(chǎn)出，針對(duì)數(shù)據(jù)池的前置訓(xùn)練集構(gòu)建時(shí)間正序下的大型醫(yī)療設(shè)備運(yùn)行態(tài)勢(shì)全息感知機(jī)制，提高大型醫(yī)療設(shè)備較長(zhǎng)周期內(nèi)收益產(chǎn)出預(yù)測(cè)的準(zhǔn)確度，挖掘大型醫(yī)療設(shè)備運(yùn)行態(tài)勢(shì)感知的核心支撐要素；大型醫(yī)療設(shè)備運(yùn)行態(tài)勢(shì)與財(cái)務(wù)成本之間的耦合模型子架構(gòu)主要利用多重深度Q網(wǎng)絡(luò)機(jī)制構(gòu)建大型醫(yī)療設(shè)備運(yùn)行態(tài)勢(shì)與財(cái)務(wù)成本之間的耦合模型，構(gòu)建大型醫(yī)療設(shè)備財(cái)務(wù)成本動(dòng)態(tài)最優(yōu)管控模型，為實(shí)現(xiàn)大型醫(yī)療設(shè)備財(cái)務(wù)成本動(dòng)態(tài)最優(yōu)管控提供模型支撐。

2 動(dòng)態(tài)管控模型核心算法設(shè)計(jì)

基于大型醫(yī)療設(shè)備財(cái)務(wù)成本動(dòng)態(tài)管控模型邏輯架構(gòu)，分階段對(duì)基于運(yùn)行態(tài)勢(shì)自主感知的大型醫(yī)療設(shè)備財(cái)務(wù)成本動(dòng)態(tài)管控構(gòu)造模型，算法的核心是在大型醫(yī)療設(shè)備運(yùn)行態(tài)勢(shì)全息感知的基礎(chǔ)上實(shí)現(xiàn)設(shè)備財(cái)務(wù)成本的動(dòng)態(tài)最優(yōu)管控，最后給出模型典型場(chǎng)景下的仿真驗(yàn)證，定量、全景還原基于大型醫(yī)療設(shè)備全息運(yùn)行態(tài)勢(shì)的財(cái)務(wù)成本最優(yōu)管控進(jìn)程，有助于全方位分析其工程效益。

2.1 大型醫(yī)療設(shè)備運(yùn)行態(tài)勢(shì)全息感知子算法

將物理狀態(tài)傳感器集群獲取的大型醫(yī)療設(shè)備運(yùn)行狀態(tài)數(shù)據(jù)形成數(shù)據(jù)池，劃分為前置、后置測(cè)試集，利用深度殘差收縮網(wǎng)絡(luò)對(duì)數(shù)據(jù)池前置訓(xùn)練集進(jìn)行大型醫(yī)療設(shè)備較長(zhǎng)周期內(nèi)的收益產(chǎn)出預(yù)測(cè)，構(gòu)建時(shí)間正序下的大型醫(yī)療設(shè)備運(yùn)行態(tài)勢(shì)全息感知機(jī)制[6]，利用含有融合經(jīng)驗(yàn)緩沖因子的深度殘差收縮網(wǎng)絡(luò)算法，使用價(jià)值網(wǎng)絡(luò)擬合關(guān)于(s,a)的函數(shù)，形成評(píng)估指標(biāo)，設(shè)網(wǎng)絡(luò)μ為運(yùn)行態(tài)勢(shì)感知策略，則大型醫(yī)療設(shè)備運(yùn)行態(tài)勢(shì)全息感知函數(shù)可定義為：

從經(jīng)驗(yàn)緩沖因子池中隨機(jī)采樣Mini-batch 數(shù)據(jù)，采用不同子策略，得到不同訓(xùn)練回合下的記憶回放池[7]，并利用每個(gè)策略的參數(shù)求解大型醫(yī)療設(shè)備運(yùn)行態(tài)勢(shì)全息感知函數(shù)的梯度，可提高算法收斂速度，設(shè)獎(jiǎng)勵(lì)期望值為q，基于物理映射原理，則大型醫(yī)療設(shè)備運(yùn)行態(tài)勢(shì)全息感知的自生成機(jī)制為：

考慮到融合共享效應(yīng)，Q 網(wǎng)絡(luò)中的參數(shù)θi可自主進(jìn)化，從而自動(dòng)生成大數(shù)據(jù)量級(jí)的大型醫(yī)療設(shè)備，在較長(zhǎng)周期內(nèi)的收益產(chǎn)出預(yù)測(cè)集物理映射[8]，在連續(xù)空間下通過(guò)積分求解期望：

引入隱性映射經(jīng)驗(yàn)池解決映射相關(guān)性與動(dòng)態(tài)分布問(wèn)題，在每個(gè)時(shí)間步下，策略執(zhí)行與設(shè)備態(tài)勢(shì)數(shù)據(jù)池相互作用，生成時(shí)序樣本(st,at,rt,st+1)，將其置于回放記憶單元中作為訓(xùn)練的備用，因此，可將大型醫(yī)療設(shè)備運(yùn)行態(tài)勢(shì)全息感知機(jī)制表征為：

2.2 大型醫(yī)療設(shè)備財(cái)務(wù)成本動(dòng)態(tài)最優(yōu)管控子算法

利用多重深度Q 網(wǎng)絡(luò)機(jī)制構(gòu)建大型醫(yī)療設(shè)備運(yùn)行態(tài)勢(shì)與財(cái)務(wù)成本之間的耦合模型，構(gòu)建大型醫(yī)療設(shè)備財(cái)務(wù)成本動(dòng)態(tài)最優(yōu)管控模型，為實(shí)現(xiàn)大型醫(yī)療設(shè)備財(cái)務(wù)成本動(dòng)態(tài)最優(yōu)管控提供模型支撐[9]。多重深度Q網(wǎng)絡(luò)機(jī)制模型感知能力較強(qiáng)，可解決大型醫(yī)療設(shè)備財(cái)務(wù)成本數(shù)據(jù)的多維度問(wèn)題，在自主排列的基礎(chǔ)上，構(gòu)建大型醫(yī)療設(shè)備運(yùn)行態(tài)勢(shì)與財(cái)務(wù)成本管控之間的映射關(guān)系，在運(yùn)行中可形成正反饋鏈，利用偏差調(diào)整建立大型醫(yī)療設(shè)備財(cái)務(wù)成本動(dòng)態(tài)最優(yōu)管控機(jī)制[10]，滿足全局協(xié)調(diào)要求，從公式（4）中抽取∈{0,1}，可視層的所有單元i=1,2,…,n，則大型醫(yī)療設(shè)備財(cái)務(wù)成本動(dòng)態(tài)最優(yōu)管控有效率可通過(guò)式（5）計(jì)算獲得：

從式（5）中抽取∈{0,1}，隱藏層所有單元j=1,2,…,m，則大型醫(yī)療設(shè)備財(cái)務(wù)成本動(dòng)態(tài)最優(yōu)管控效率為[11]：

任取∈{0,1}，利用式（4）選取參數(shù)循環(huán)更新，訓(xùn)練RBM 獲取運(yùn)行態(tài)勢(shì)核心要素機(jī)制[12]，調(diào)整Q 網(wǎng)絡(luò)參數(shù)，優(yōu)化訓(xùn)練過(guò)程，則大型醫(yī)療設(shè)備財(cái)務(wù)成本動(dòng)態(tài)最優(yōu)管控函數(shù)表征如下：

2.3 模型典型環(huán)境下的仿真驗(yàn)證

該文選取深圳市某公辦三甲醫(yī)院購(gòu)置的西門子核磁共振3.0 設(shè)備系統(tǒng)，利用Geatpy 工具箱，在Pycharm 開發(fā)環(huán)境下進(jìn)行實(shí)驗(yàn)仿真驗(yàn)證，并分析工程效能。原始數(shù)據(jù)來(lái)源于2020 年01 月至2021 年01 月期間深圳市某公辦三甲醫(yī)院所屬的西門子核磁共振3.0 設(shè)備，將所構(gòu)數(shù)據(jù)集劃分為包含15 000 例數(shù)據(jù)的前置訓(xùn)練集，后置訓(xùn)練集則包含12 000 例。由于基于運(yùn)行態(tài)勢(shì)自主感知的大型醫(yī)療設(shè)備財(cái)務(wù)成本動(dòng)態(tài)管控是在不間斷的空間下進(jìn)行的，因此構(gòu)造基于緩沖池機(jī)制[13]的深度信念神經(jīng)網(wǎng)絡(luò)框架，來(lái)提升感知及時(shí)性。Q 網(wǎng)絡(luò)設(shè)定為始終啟動(dòng)狀態(tài)，在Targetaction Value、Action value 神經(jīng)網(wǎng)絡(luò)中分別輸出Next Q 值[14]與eval Q 值，從而實(shí)現(xiàn)大型醫(yī)療設(shè)備運(yùn)行態(tài)勢(shì)全息感知與財(cái)務(wù)成本動(dòng)態(tài)最優(yōu)管控策略輸出，具體仿真結(jié)果如圖2 和圖3 所示。

3 管控模型工程實(shí)踐效能分析

以深圳市某公辦三甲醫(yī)院所屬的西門子核磁共振3.0 設(shè)備為工程實(shí)踐分析載體，開展了大型醫(yī)療設(shè)備財(cái)務(wù)成本動(dòng)態(tài)管控模型工程應(yīng)用實(shí)踐驗(yàn)證，基于深圳市某公辦三甲醫(yī)院國(guó)有資產(chǎn)管理科的設(shè)備進(jìn)行效能分析，驗(yàn)證環(huán)境邏輯構(gòu)架如圖4 所示。在深圳市某公辦三甲醫(yī)院所屬的西門子核磁共振3.0 設(shè)備目前裝備的運(yùn)行狀態(tài)可視化實(shí)時(shí)監(jiān)測(cè)及預(yù)警平臺(tái)的基礎(chǔ)上，增加大型醫(yī)療設(shè)備態(tài)勢(shì)數(shù)據(jù)池構(gòu)建、大型醫(yī)療設(shè)備運(yùn)行態(tài)勢(shì)全息感知機(jī)制構(gòu)建、大型醫(yī)療設(shè)備運(yùn)行態(tài)勢(shì)與財(cái)務(wù)成本之間的耦合模型構(gòu)建等三個(gè)軟件子進(jìn)程，與主進(jìn)程保持時(shí)間均衡[15]，進(jìn)程間的數(shù)據(jù)能夠互通和實(shí)時(shí)更新，界面具有數(shù)據(jù)可視化功能，屬于大型醫(yī)療設(shè)備財(cái)務(wù)成本動(dòng)態(tài)管控模型主進(jìn)程，其進(jìn)程兼具耦合調(diào)控與自主運(yùn)行功能，可對(duì)大型醫(yī)療設(shè)備態(tài)勢(shì)訓(xùn)練集劃分、大型醫(yī)療設(shè)備運(yùn)行態(tài)勢(shì)全息感知機(jī)制構(gòu)建、大型醫(yī)療設(shè)備運(yùn)行態(tài)勢(shì)與財(cái)務(wù)成本之間的耦合模型構(gòu)建等進(jìn)行獨(dú)立控制。

將所構(gòu)建數(shù)據(jù)集劃分為包含15 000 例數(shù)據(jù)的前置訓(xùn)練集，后置訓(xùn)練集則包含12 000 例。構(gòu)造基于緩沖池機(jī)制的深度信念神經(jīng)網(wǎng)絡(luò)框架，提升感知及時(shí)性[16]，進(jìn)而分析工程的實(shí)踐效能，與原系統(tǒng)進(jìn)行對(duì)比。選取深圳市某公辦三甲醫(yī)院所屬的西門子核磁共振3.0 設(shè)備目前裝備的運(yùn)行狀態(tài)可視化實(shí)時(shí)監(jiān)測(cè)[17-20]及預(yù)警平臺(tái)為對(duì)照系統(tǒng)，從大型醫(yī)療設(shè)備運(yùn)維狀態(tài)實(shí)時(shí)全景感知、大型醫(yī)療設(shè)備較長(zhǎng)周期內(nèi)的收益產(chǎn)出預(yù)測(cè)、大型醫(yī)療設(shè)備財(cái)務(wù)成本動(dòng)態(tài)最優(yōu)管控等方面進(jìn)行分析，結(jié)果如表1 所示。其中，設(shè)備狀態(tài)感知覆蓋率、設(shè)備狀態(tài)感知有效率、收益產(chǎn)出預(yù)測(cè)精確率、財(cái)務(wù)成本管控有效率4 項(xiàng)指標(biāo)是基于定量層面，模型工程化應(yīng)用友好性、預(yù)警信息推送實(shí)時(shí)性兩項(xiàng)指標(biāo)則是基于定性層面的。實(shí)驗(yàn)結(jié)果表明，該文構(gòu)建的運(yùn)行態(tài)勢(shì)自主感知的大型醫(yī)療設(shè)備財(cái)務(wù)成本動(dòng)態(tài)管控模型可以在較短的時(shí)間內(nèi)有效處理大型醫(yī)療設(shè)備財(cái)務(wù)成本動(dòng)態(tài)最優(yōu)管控問(wèn)題，在運(yùn)行態(tài)勢(shì)感知均值準(zhǔn)確率、財(cái)務(wù)成本動(dòng)態(tài)管控有效率等方面具有明顯優(yōu)勢(shì)。

表1 動(dòng)態(tài)管控模型工程實(shí)踐效能分析對(duì)比表

4 結(jié)論

該文提出了一種基于運(yùn)行態(tài)勢(shì)自主感知的大型醫(yī)療設(shè)備財(cái)務(wù)成本動(dòng)態(tài)管控模型，并進(jìn)行了典型環(huán)境下的仿真驗(yàn)證。首先給出了大型醫(yī)療設(shè)備財(cái)務(wù)成本動(dòng)態(tài)管控模型邏輯架構(gòu)，然后構(gòu)建了時(shí)間正序下的大型醫(yī)療設(shè)備運(yùn)行態(tài)勢(shì)全息感知機(jī)制；最后構(gòu)建了大型醫(yī)療設(shè)備運(yùn)行態(tài)勢(shì)與財(cái)務(wù)成本之間的耦合模型。搭建了大型醫(yī)療設(shè)備財(cái)務(wù)成本動(dòng)態(tài)管控模型工程實(shí)踐效能分析驗(yàn)證環(huán)境，大型醫(yī)療設(shè)備財(cái)務(wù)成本動(dòng)態(tài)管控模型較好地改善了基于數(shù)據(jù)統(tǒng)計(jì)的大型醫(yī)療設(shè)備財(cái)務(wù)成本動(dòng)態(tài)管控機(jī)制在醫(yī)療機(jī)構(gòu)財(cái)務(wù)管理實(shí)踐中顯露的諸多不足，可以實(shí)現(xiàn)大型醫(yī)療設(shè)備財(cái)務(wù)成本的動(dòng)態(tài)最優(yōu)管控，通過(guò)分析可知，大型醫(yī)療設(shè)備運(yùn)行態(tài)勢(shì)感知均值準(zhǔn)確率達(dá)94.27%，大型醫(yī)療設(shè)備財(cái)務(wù)成本動(dòng)態(tài)管控有效率達(dá)96.05%。