基于運行態勢自主感知的大型醫療設備財務成本動態管控模型研究

周健，陳紅梅，顧根妹

（北京大學深圳醫院，廣東深圳 518036）

大型醫療設備具有顯著的技術復雜性，大型醫療設備運行態勢數據是醫療大數據的關鍵主體，承載了醫療設備自主態勢感知的重要信息，為醫療運行智慧化提供數據交互保障[1]，為大型醫療設備財務成本動態最優管控提供數據支撐，開展大型醫療設備財務成本動態管控模型研究有助于提升智慧醫療的實用性與可行性[2]。由于醫療機構財務管控目標越來越多，信息量激增，運行態勢自主感知的優勢逐漸被體現[3]，醫療機構內部邏輯環節數量的增長呈指數形式，混亂度增強，加上外部條件的突變因素，故障率大幅提升，一旦醫療機構財務管控的核心環節產生故障，將造成大量損失。基于此，開展大型醫療設備財務成本動態管控模型研究具有重要的學術與工程價值[4]。

1 動態管控模型邏輯框架設計

以大型醫療設備財務成本動態管控模型體系架構為控制流頂層設計進行指導，著重改善基于數據統計的大型醫療設備財務成本動態管控機制在醫療機構財務管理實踐中顯露的諸多不足，基于目標導向將大型醫療設備財務成本動態管控模型完整控制流邏輯進行任務分解，側重于大型醫療設備態勢數據池構建、大型醫療設備運行態勢全息感知機制構建、大型醫療設備運行態勢與財務成本之間的耦合模型構建等三個耦合子架構，構建了基于運行態勢自主感知的大型醫療設備財務成本動態管控模型體系架構，圖1 為動態管控模型邏輯架構示意圖。其中，大型醫療設備態勢數據池構建子架構，對大型醫療設備的運行態勢進行采集與池化處理，將形成的數據池劃分為訓練集與測試集[5]，為大型醫療設備運行態勢全息感知機制構建提供統一的數據集支撐；大型醫療設備運行態勢全息感知機制構建子架構利用深度殘差收縮網絡預測大型醫療設備較長周期內的收益產出，針對數據池的前置訓練集構建時間正序下的大型醫療設備運行態勢全息感知機制，提高大型醫療設備較長周期內收益產出預測的準確度，挖掘大型醫療設備運行態勢感知的核心支撐要素；大型醫療設備運行態勢與財務成本之間的耦合模型子架構主要利用多重深度Q網絡機制構建大型醫療設備運行態勢與財務成本之間的耦合模型，構建大型醫療設備財務成本動態最優管控模型，為實現大型醫療設備財務成本動態最優管控提供模型支撐。

2 動態管控模型核心算法設計

基于大型醫療設備財務成本動態管控模型邏輯架構，分階段對基于運行態勢自主感知的大型醫療設備財務成本動態管控構造模型，算法的核心是在大型醫療設備運行態勢全息感知的基礎上實現設備財務成本的動態最優管控，最后給出模型典型場景下的仿真驗證，定量、全景還原基于大型醫療設備全息運行態勢的財務成本最優管控進程，有助于全方位分析其工程效益。

2.1 大型醫療設備運行態勢全息感知子算法

將物理狀態傳感器集群獲取的大型醫療設備運行狀態數據形成數據池，劃分為前置、后置測試集，利用深度殘差收縮網絡對數據池前置訓練集進行大型醫療設備較長周期內的收益產出預測，構建時間正序下的大型醫療設備運行態勢全息感知機制[6]，利用含有融合經驗緩沖因子的深度殘差收縮網絡算法，使用價值網絡擬合關于(s,a)的函數，形成評估指標，設網絡μ為運行態勢感知策略，則大型醫療設備運行態勢全息感知函數可定義為：

從經驗緩沖因子池中隨機采樣Mini-batch 數據，采用不同子策略，得到不同訓練回合下的記憶回放池[7]，并利用每個策略的參數求解大型醫療設備運行態勢全息感知函數的梯度，可提高算法收斂速度，設獎勵期望值為q，基于物理映射原理，則大型醫療設備運行態勢全息感知的自生成機制為：

考慮到融合共享效應，Q 網絡中的參數θi可自主進化，從而自動生成大數據量級的大型醫療設備，在較長周期內的收益產出預測集物理映射[8]，在連續空間下通過積分求解期望：

引入隱性映射經驗池解決映射相關性與動態分布問題，在每個時間步下，策略執行與設備態勢數據池相互作用，生成時序樣本(st,at,rt,st+1)，將其置于回放記憶單元中作為訓練的備用，因此，可將大型醫療設備運行態勢全息感知機制表征為：

2.2 大型醫療設備財務成本動態最優管控子算法

利用多重深度Q 網絡機制構建大型醫療設備運行態勢與財務成本之間的耦合模型，構建大型醫療設備財務成本動態最優管控模型，為實現大型醫療設備財務成本動態最優管控提供模型支撐[9]。多重深度Q網絡機制模型感知能力較強，可解決大型醫療設備財務成本數據的多維度問題，在自主排列的基礎上，構建大型醫療設備運行態勢與財務成本管控之間的映射關系，在運行中可形成正反饋鏈，利用偏差調整建立大型醫療設備財務成本動態最優管控機制[10]，滿足全局協調要求，從公式（4）中抽取∈{0,1}，可視層的所有單元i=1,2,…,n，則大型醫療設備財務成本動態最優管控有效率可通過式（5）計算獲得：

從式（5）中抽取∈{0,1}，隱藏層所有單元j=1,2,…,m，則大型醫療設備財務成本動態最優管控效率為[11]：

任取∈{0,1}，利用式（4）選取參數循環更新，訓練RBM 獲取運行態勢核心要素機制[12]，調整Q 網絡參數，優化訓練過程，則大型醫療設備財務成本動態最優管控函數表征如下：

2.3 模型典型環境下的仿真驗證

該文選取深圳市某公辦三甲醫院購置的西門子核磁共振3.0 設備系統，利用Geatpy 工具箱，在Pycharm 開發環境下進行實驗仿真驗證，并分析工程效能。原始數據來源于2020 年01 月至2021 年01 月期間深圳市某公辦三甲醫院所屬的西門子核磁共振3.0 設備，將所構數據集劃分為包含15 000 例數據的前置訓練集，后置訓練集則包含12 000 例。由于基于運行態勢自主感知的大型醫療設備財務成本動態管控是在不間斷的空間下進行的，因此構造基于緩沖池機制[13]的深度信念神經網絡框架，來提升感知及時性。Q 網絡設定為始終啟動狀態，在Targetaction Value、Action value 神經網絡中分別輸出Next Q 值[14]與eval Q 值，從而實現大型醫療設備運行態勢全息感知與財務成本動態最優管控策略輸出，具體仿真結果如圖2 和圖3 所示。

3 管控模型工程實踐效能分析

以深圳市某公辦三甲醫院所屬的西門子核磁共振3.0 設備為工程實踐分析載體，開展了大型醫療設備財務成本動態管控模型工程應用實踐驗證，基于深圳市某公辦三甲醫院國有資產管理科的設備進行效能分析，驗證環境邏輯構架如圖4 所示。在深圳市某公辦三甲醫院所屬的西門子核磁共振3.0 設備目前裝備的運行狀態可視化實時監測及預警平臺的基礎上，增加大型醫療設備態勢數據池構建、大型醫療設備運行態勢全息感知機制構建、大型醫療設備運行態勢與財務成本之間的耦合模型構建等三個軟件子進程，與主進程保持時間均衡[15]，進程間的數據能夠互通和實時更新，界面具有數據可視化功能，屬于大型醫療設備財務成本動態管控模型主進程，其進程兼具耦合調控與自主運行功能，可對大型醫療設備態勢訓練集劃分、大型醫療設備運行態勢全息感知機制構建、大型醫療設備運行態勢與財務成本之間的耦合模型構建等進行獨立控制。

將所構建數據集劃分為包含15 000 例數據的前置訓練集，后置訓練集則包含12 000 例。構造基于緩沖池機制的深度信念神經網絡框架，提升感知及時性[16]，進而分析工程的實踐效能，與原系統進行對比。選取深圳市某公辦三甲醫院所屬的西門子核磁共振3.0 設備目前裝備的運行狀態可視化實時監測[17-20]及預警平臺為對照系統，從大型醫療設備運維狀態實時全景感知、大型醫療設備較長周期內的收益產出預測、大型醫療設備財務成本動態最優管控等方面進行分析，結果如表1 所示。其中，設備狀態感知覆蓋率、設備狀態感知有效率、收益產出預測精確率、財務成本管控有效率4 項指標是基于定量層面，模型工程化應用友好性、預警信息推送實時性兩項指標則是基于定性層面的。實驗結果表明，該文構建的運行態勢自主感知的大型醫療設備財務成本動態管控模型可以在較短的時間內有效處理大型醫療設備財務成本動態最優管控問題，在運行態勢感知均值準確率、財務成本動態管控有效率等方面具有明顯優勢。

表1 動態管控模型工程實踐效能分析對比表

4 結論

該文提出了一種基于運行態勢自主感知的大型醫療設備財務成本動態管控模型，并進行了典型環境下的仿真驗證。首先給出了大型醫療設備財務成本動態管控模型邏輯架構，然后構建了時間正序下的大型醫療設備運行態勢全息感知機制；最后構建了大型醫療設備運行態勢與財務成本之間的耦合模型。搭建了大型醫療設備財務成本動態管控模型工程實踐效能分析驗證環境，大型醫療設備財務成本動態管控模型較好地改善了基于數據統計的大型醫療設備財務成本動態管控機制在醫療機構財務管理實踐中顯露的諸多不足，可以實現大型醫療設備財務成本的動態最優管控，通過分析可知，大型醫療設備運行態勢感知均值準確率達94.27%，大型醫療設備財務成本動態管控有效率達96.05%。