本发明涉及人工智能，尤其涉及医疗设备资源智能负载分担方法及系统。
背景技术：
1、医疗设备资源是医院的关键医疗设备资源，如核磁共振设备等检测仪器，现代大型医院一般会配置多台相关设备，如何提高这些设备资源的使用效率，一方面可改善患者排队等待时间，提升医疗服务质量；另一方面则可提升设备全生命周期的经济价值，降低设备生命周期的运营成本，最大程度地发挥设备价值。
2、现有技术依据最短人数队列来安排为患者提供服务的设备资源，即如果有多台相同的设备同时提供服务，根据每台设备当前排队人数，选择排队人数最少的设备所在队列，将新来患者安排在该队列进行等候。现有解决方案存在如下缺点：
3、(1)现有的患者根据最短人数队列来安排设备，而实际每个患者服务所需时间与很多因素有关，如检查的项目和部位、技师的熟练程度、患者配合依从性、当前设备检查状态等，这些因素会导致无法在所有医疗设备资源之间实现合理的负载分担，并不能最大化地利用现有的医疗设备资源；除此之外，还会经常导致患者服务排队；
4、(2)现有的方案患者对于患者来说，虽然知道自己前面的排队等待人数，但是并不能够给患者提供预估的等待时间，使得患者不能合理地安排自己的检查项目。
技术实现思路
1、为了克服上述技术缺陷，本发明的第一个方面提供一种医疗设备资源智能负载分担方法，其包括：
2、步骤s1：获取当前患者的基础数据检查项目数据采集每台设备当班技师数据以及当前设备状态数据构建机器学习预测模型的输入参数然后将所述输入参数输入到用于预测患者检查时间和等待时间的机器学习预测模型中：
3、
4、其中，l表示共有l台设备或者l个等待的队列；
5、步骤s2：在获取输入参数后，所述机器学习预测模型依次进行以下数据处理：
6、首先，计算出患者的预测检查时间：
7、
8、其中，表示当前编号为l设备资源患者队列中第i个患者预测检查时间；
9、然后，计算出患者的预测等待时间：其中的计算方式为：
10、
11、其中，当前编号为l设备资源患者队列中第i个患者需要的排队等待时间即为前面所有患者排队预测的患者检查时间之和；
12、最后，比较患者在每台设备等待队列中预测的等待时间选取等待时间最短等待队列，将新患者安排在该队列中，其计算过程如下：
13、
14、其中，min表示取上述预测的等待时间的最小值。
15、进一步地，在所述步骤s1中，所述用于预测患者检查时间和等待时间的机器学习预测模型的构建方法包括：
16、步骤s1.1:采集若干患者的患者基础数据a、检查项目数据b、技师操作人员数据c、当前设备状态数据d和患者检查所需的实际时间数据t；
17、步骤s1.2：将每一位患者的上述五种数据组建为一个数据集：
18、n＝{{p，t}
19、其中，p＝{a，c，d，b}；
20、将所有患者的数据集构建为一个训练数据集：
21、n＝{n1，n2，...，nn}
22、其中，nn为第n个患者的数据集n；
23、步骤s1.3：基于所述训练数据集，并采用聚类算法，训练并构建用于预测患者检查时间和等待时间的机器学习预测模型。
24、进一步地，医疗设备资源智能负载分担方法进一步包括步骤s3：实时更新当前患者的输入参数当输入参数发生变化时，重复步骤s1和步骤s2。
25、进一步地，所述步骤s1还包括：获取当前批次患者的基础数据检查项目数据采集每台设备当班技师数据以及当前设备状态数据构建机器学习预测模型的输入参数然后将所述输入参数输入到上述训练后的机器学习预测模型中：
26、
27、其中，l表示共有l台设备或者l个等待的队列；
28、所述步骤s2还包括：在获取当前批次患者的输入参数后，训练后的所述机器学习预测模型依次进行以下数据处理：
29、首先，计算出当前批次患者的预测检查时间
30、
31、其中，当前批次患者有k个新患者，k表示该批次患者的序号，l表示所有设备资源的序号；
32、其次，计算该批次患者的预测等待时间
33、
34、然后，比较该批次患者在每台设备等待队列中预测的等待时间选取等待时间最短等待队列，将花费时间最短的患者安排在该队列中，其计算过程如下：
35、
36、最后，对剩下的患者重复上述方法进行设备资源安排，直到该批次的最后一个患者。
37、本发明的第二个方面提供一种医疗设备资源智能负载分担系统，其包括：数据获取模块和医疗设备资源智能负载分担模块；
38、所述数据获取模块用于获取当前患者的基础数据检查项目数据采集每台设备当班技师数据以及当前设备状态数据构建机器学习预测模型的输入参数然后将所述输入参数输入到用于所述医疗设备资源智能负载分担模块中：
39、
40、其中，l表示共有l台设备或者l个等待的队列；
41、所述医疗设备资源智能负载分担模块用于在获取输入参数后，利用所述机器学习预测模型依次进行以下数据处理：
42、首先，计算出患者的预测检查时间：
43、
44、其中，表示当前编号为l设备资源患者队列中第i个患者预测检查时间；
45、然后，计算出患者的预测等待时间：其中的计算方式为：
46、
47、其中，当前编号为l设备资源患者队列中第i个患者需要的排队等待时间即为前面所有患者排队预测的患者检查时间之和；
48、最后，比较患者在每台设备等待队列中预测的等待时间选取等待时间最短等待队列，将新患者安排在该队列中，其计算过程如下：
49、
50、其中，min表示取上述预测的等待时间的最小值。
51、进一步地，在所述医疗设备资源智能负载分担模块中，所述用于预测患者检查时间和等待时间的机器学习预测模型的构建方法包括：
52、步骤s1.1:采集若干患者的患者基础数据a、检查项目数据b、技师操作人员数据c、当前设备状态数据d和患者检查所需的实际时间数据t；
53、步骤s1.2：将每一位患者的上述五种数据组建为一个数据集：
54、n＝{{p,t}
55、其中，p＝{a，c，d，b}；
56、将所有患者的数据集构建为一个训练数据集：
57、n＝{n1,n2，...，nn}
58、其中，nn为第n个患者的数据集n；
59、步骤s1.3：基于所述训练数据集，并采用聚类算法，训练并构建用于预测患者检查时间和等待时间的机器学习预测模型。
60、进一步地，医疗设备资源智能负载分担系统进一步包括实时更新模块，所述实时更新模块用于实时更新当前患者的输入参数当输入参数发生变化时，调用所述数据获取模块和所述医疗设备资源智能负载分担模块。
61、进一步地，所述数据获取模块还用于：获取当前批次患者的基础数据检查项目数据采集每台设备当班技师数据以及当前设备状态数据构建机器学习预测模型的输入参数然后将所述输入参数输入到上述训练后的机器学习预测模型中：
62、
63、其中，l表示共有l台设备或者l个等待的队列；
64、所述医疗设备资源智能负载分担模块还用于：在获取当前批次患者的输入参数后，训练后的所述机器学习预测模型依次进行以下数据处理：
65、首先，计算出当前批次患者的预测检查时间
66、
67、其中，当前批次患者有k个新患者，k表示该批次患者的序号，l表示所有设备资源的序号；
68、其次，计算该批次患者的预测等待时间
69、
70、然后，比较该批次患者在每台设备等待队列中预测的等待时间选取等待时间最短等待队列，将花费时间最短的患者安排在该队列中，其计算过程如下：
71、
72、最后，对剩下的患者重复上述方法进行设备资源安排，直到该批次的最后一个患者。
73、采用了上述技术方案后，与现有技术相比，具有以下有益效果：
74、本发明的技术关键点包括如下内容：
75、1.本发明综合考虑并采集了新患者基础数据检查项目数据采集每台设备当班技师数据以及当前设备状态数据构建预测模型的输入参数来构建患者检查时间和等待时间的预测模型；
76、2.本发明单个患者医疗设备资源的调配的方法，通过计算检查时间再计算等待时间选取等待时间最小的设备提供医疗服务；
77、3.本发明还提出了一种按照患者批次，如选取一段时间内的患者，比如10分钟，按照上述方法计算进行资源优化；或者选取一定数据的新患者，比如5个新患者，进行整体患者医疗设备资源的调配的方法，该方法有利于兼顾患者服务体验和医疗设备资源的整体综合利用效率。
78、本发明针对有限医疗设备资源如何高效地提升使用效率和患者服务体验进行方案优化设计，本发明综合考虑患者健康状态、患者检查项目、设备当前的工作状态、值班技师的能力和水平等因素，构建统计学习模型，对患者所需的检查时间和等待时间进行预测，根据预测结果进行医疗设备资源的调配，并将预测结果告知患者，方便患者自主安排检查诊断项目，相比现有的方法，本发明在提升医疗设备资源综合使用效率的同时，大大提升了患者医疗服务的体验。
1.一种医疗设备资源智能负载分担方法，其特征在于，包括：
2.如权利要求1所述的医疗设备资源智能负载分担方法，其特征在于，在所述步骤s1中，所述用于预测患者检查时间和等待时间的机器学习预测模型的构建方法包括：
3.如权利要求1所述的医疗设备资源智能负载分担方法，其特征在于，进一步包括步骤s3：实时更新当前患者的输入参数当输入参数发生变化时，重复步骤s1和步骤s2。
4.如权利要求1所述的医疗设备资源智能负载分担方法，其特征在于，
5.一种医疗设备资源智能负载分担系统，其特征在于，包括：数据获取模块和医疗设备资源智能负载分担模块；
6.如权利要求5所述的医疗设备资源智能负载分担系统，其特征在于，在所述医疗设备资源智能负载分担模块中，所述用于预测患者检查时间和等待时间的机器学习预测模型的构建方法包括：
7.如权利要求5所述的医疗设备资源智能负载分担系统，其特征在于，进一步包括实时更新模块，所述实时更新模块用于实时更新当前患者的输入参数pil，当输入参数pil发生变化时，调用所述数据获取模块和所述医疗设备资源智能负载分担模块。
8.如权利要求5所述的医疗设备资源智能负载分担系统，其特征在于，
