導語：醫(yī)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(chuàng)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(yī)院資源配置的合理性，對醫(yī)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(yōu)的缺陷，提出了云模型BBO算法，并結合所建立的醫(yī)院手術室資源調度模型，提出了一種基于CMBBO的醫(yī)院手術資源調度模型。將該模型應用于某大型三甲醫(yī)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(yī)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(yōu)化算法；云模型；資源調度

手術室是醫(yī)院的重要醫(yī)療資源，對手術室資源的優(yōu)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(xiàn)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(yōu)化算法（Biogeography－BasedOptimization，BBO）是典型的人工智能算法，在醫(yī)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(yōu)的缺點［3］。本文將云模型（CloudModel，CM）引入BBO，結合所建立的醫(yī)院手術室資源調度模型，提出了一種基于CMBBO的醫(yī)院手術資源調度模型，并應用于實際的醫(yī)院資源調度中。

1BBO算法原理

在遺傳優(yōu)化算法和粒子群優(yōu)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(shù)（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(yī)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(yōu)，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(shù)學模型的最優(yōu)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(shù)為mmax和對應的最大遷出率參數(shù)E，對應的遷入率最大值參數(shù)為I，每個棲息地的物種可容納的最大數(shù)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(shù)。

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(shù)量越多，其對應的HSI的值就越大，因此物種數(shù)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(qū)域內的物種數(shù)量Si［6］為式（2）1．3變異為了模擬某個棲息地可能出現(xiàn)問題或者環(huán)境變化的可能使用變異操作，得出使得HSI出現(xiàn)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(xiàn)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(xiàn)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(shù)μ（x）∈［0，1］，其具有穩(wěn)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(shù)［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(guī)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(xiàn)的局部最優(yōu)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(shù)CR來將搜索的范圍盡量擴大，這里選取CR的值為0．9。

3醫(yī)院手術室資源調度模型

為實現(xiàn)手術室資源的合理調度，首先需要建立數(shù)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(yōu)的限制條件如式（13）—式（18）。

4實證分析

4．1數(shù)據來源

以某三甲醫(yī)院為研究的對象，該三甲醫(yī)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(yī)生8人、麻醉主任2人、醫(yī)務處6人和手術器械護士10人。數(shù)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(shù)量、患者住院到手術間的等待時間，以及手術各個協(xié)調人員和物品的調配情況，同時全科全月的手術數(shù)量。

4．2算法流程

基于CMBBO的醫(yī)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(shù)量、患者住院到手術間的等待時間以及手術各個協(xié)調人員和物品的調配情況，同時全科全月的手術數(shù)量。步驟2：對CMBBO算法的各個參數(shù)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(guī)模和循環(huán)次數(shù)進行初始化賦值，并使用隨機函數(shù)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(shù)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(shù)值λi以及遷出率參數(shù)值μi完成遷移動作。步驟5：使用遷入率參數(shù)值λi以及遷出率參數(shù)值μi進行運算后獲得棲息地的出現(xiàn)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(shù)mi執(zhí)行變異動作。步驟7：判斷是否達到設定的最大迭代次數(shù)，如果已經達到最大迭代次數(shù)，那么輸出結果即為最優(yōu)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(shù)設置如表1所示。由表2和圖3、圖4所示，通過CMBBO優(yōu)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(yōu)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(yī)療資源的利用率。提升醫(yī)院的市場競爭力。本文將CM引入BBO，提出了基于CMBBO的醫(yī)院手術資源調度模型，并應用于某大型三甲醫(yī)院。結果表明，采用CMBBO優(yōu)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(yī)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(yī)院 煙臺市中醫(yī)醫(yī)院 山東理工大學 計算機科學與技術學院