基于大数据+混合优化算法的医疗信息服务选择系统

基于大数据+混合优化算法的医疗信息服务选择系统

作者：Mehwish

摘要：该技术成果开发完成日期为2021年04月05日，首次发表日期为2021年04月18日

背景技术

随着医疗行业信息化的发展和“一切皆服务”思想的引入，面向服务的计算以及云计算已经成为主流的计算模式。面向服务的计算是以服务为基本组件，通过组合技术来构建分布式软件系统的计算方法。服务组合是面向服务体系结构中实现服务资源集成的主要手段，能够将分散在网络上的相关服务合成为一个大粒度的、可用性更强的服务。用户在选择服务时，不仅会对组合服务提出功能性上的约束，也会对非功能属性(比如价格、响应时间、可靠性以及可用性等)提出更高的要求，这些限制条件成为了服务选择的依据。在数量众多的候选服务资源中，如何选择出满足用户需求的高质量的组合服务是一个重要目标。现有的服务选择方法在精确度和时间复杂度方面还存在着不足，因此需要采用更加有效的方法对候选服务进行优选，减少计算时间，保证服务选择的质量。

智慧医疗的一个重要应用是能够实时有效的提供医疗服务，设计满足约束条件下的医疗信息服务组合是其重点。现有的医疗信息服务选择模型是基于单个需求的假设，而在实际应用中，需求是在较小的时间区间内同时到达的，即并发需求情况。而且传统的医疗信息服务组合在粒度层面缺乏考虑，无法构建所有粒度组合的可能，从而满足不了用户的多样化需求。

技术内容

本技术成果提出了基于大数据+混合优化算法的医疗信息服务选择系统，通过对医疗信息服务的分析，利用大数据+混合优化算法解决医疗信息服务组合问题，包括病历诊断、检测报告解读、药品处方等各个方面。

本技术成果是通过以下措施来实现的：

1、基于大数据提取医疗信息服务的多维属性，包括服务质量属性和事务属性。服务质量(QoS)属性是由一些非功能属性组成，包括服务价格、服务响应时间、服务可用性和服务可靠性。服务的事务属性主要包含以下几类：可补偿的事务属性c，可重试的事务属性r，枢纽事务属性p以及可补偿可重试的事务属性cr。

给服务的事务属性设定概率优先级。该优先级是动态变化的，根据候选服务的变化情况来动态变化。

2、根据提取的医疗信息服务的多维属性，建立满足并发需求和多粒度的模型。用户需求i对应一个抽象服务流程集合(Abstract service process set)aspsi。抽象服务流程集合aspsi由四元组来表示，其中Si表示抽象服务的集合，Gi是粒度集合，Ii是抽象服务流程的结构，Pi表示可行的抽象服务流程。抽象服务流程的每个任务可以由不同的候选服务来完成，这些候选服务具有不同的属性参数值，形成了不同的服务组合方案。

每个需求i对应一个抽象服务流程集合aspsi＝{aspi1，aspi2，…，aspik}。抽象服务流程集合中aspsi的每一项表示一个抽象服务流程，给每个抽象服务选择一个具体服务，得到相应的具体服务流程集合：

cspsi＝{cspi1，cspi2，...，cspik}

每一个具体服务流程cspip的属性参数构成向量：

{Q1(cspip)，Q2(cspip)，Q3(cspip)，Q4(cspip)}

其中向量的各维属性分别代表服务流程cspip的响应时间、价格、可靠性和可用性。计算每一个具体服务流程cspip的QoS值，则具体服务流程集合cspsi的QoS值取这些具体服务流程的最大值，计算公式如下：

其中wj(wj＞0)表示用户偏好，表示aspsi的所有候选组合服务流程在第j维属性上的最大值，表示所有候选组合服务流程在第j维属性上的最小值，Qip，j表示cspip的第j维属性值。面向并发需求与多粒度的服务优化选择的目标函数如公式(2)，其中m是并发需求数量。

3、通过层次化递归分解的方法来获得不同粒度的组合方案。

3.1.设置抽象服务集合，粒度集合，粒度最高层次t及抽象服务流程的结构；

3.2.由处于最高层次t的抽象服务构成待分解组合服务方案，并将该方案加入到抽象服务流程列表ProcessList中；

3.3.在待分解的组合方案中查找是否有可分解的服务，若有，则执行步骤3.4，否则转到步骤3.6；

3.4.将t层的服务分解到t-1层，从而得到若干组合服务方案，将方案加入到ProcessList中；

3.5.由t-1层的服务构成待分解的组合方案，t＝t-1,返回步骤3.3；

3.6.返回满足用户需求的服务组合方案列表ProcessList。

4、采用混合优化算法求解模型。该算法将粒子群、带优先级的交叉变异算子和模拟退火方法相融合。

4.1编码策略。采用一个整数数组进行编码，数组的长度为个体所包含的服务数，数组中每个元素的值为对应抽象服务绑定的具体服务实例的标识。

4.2在算法的迭代过程中，粒子依据个体极值点与全局极值点来更新自己的位置。个体极值点ppbest表示粒子自身当前所找到的最优解的位置；全局极值点pgbest表示种群当前找到的最优解的位置。

4.3在算法中引入带优先级的交叉和变异算子对种群进行更新。设pj(t)是第t代的第j个粒子，ppbest(t)是第t代对应于第j个粒子的个体最优解，pgbest(t)是第t代的全局最优解。

(1)pj(t)与pgbest(t)进行带优先级的交叉操作产生新的粒子t1和t2。pj(t)与ppbest(t)进行带优先级的交叉操作产生新的粒子t3和t4。

(2)pj(t)进行带优先级的变异操作产生新的粒子t5。此操作能够避免粒子过早陷入局部最优值。

(3)计算新的粒子t1、t2、t3、t4、t5的适应度值，选出最大值。假设f(t3)的值最大，则将f(t3)与全局最优值和个体最优值进行比较，若f(t3)的值优于个体最优值，则ppbest(t+1)＝t3；若f(t3)的值优于全局最优值，则pgbest(t+1)＝t3。同时粒子t3作为下一轮迭代的pj(t+1)。

4.4在算法中引入了模拟退火算法，跳出局部最优。若新状态的适应度值比当前最优值差，则算法还会以一定概率来接受此恶化解，使得模拟退火算法具备从局部最优中跳出来的能力。

4.5混合优化算法步骤：

4.5.1.初始化生成满足约束的粒子，设置最大迭代次数，初始化模拟退火的初始温度T0和终止温度Tf，设置衰减系数α以及马尔可夫链长度Lk；

4.5.2.计算各个粒子的适应度函数f(x)的值，并以此适应度值所对应的位置作为个体最优解Ppbest，在当前所有的个体最优解中选出全局最优解Pgbest；

4.5.3.设置模拟退火算法的搜索位置x0为Pgbest，对解进行变异操作，产生新解并用Metropolis准则来判定是否接受，该过程重复进行Lk次后得到一个新解x’，然后执行退火操作降低温度，Tk+1＝α*Tk；

4.5.4.每个粒子依据当前的个体最优解Ppbest和全局最优解Pgbest来更新速度和位置，并根据新产生的粒子，更新每个粒子的个体最优解Ppbest和全局最优解Pgbest，迭代次数增1；

4.5.5.如果达到最大迭代次数则输出结果，否则继续执行步骤4.5.6；

4.5.6.将x’与Pgbest的值进行比较，若f(x’)的值好于f(Pgbest)，则随机删掉粒子群中的一个粒子，并将x’加入到粒子群中，返回步骤4.5.4；若f(x’)的值比f(Pgbest)差，则令x0＝Pgbest，返回步骤4.5.3。

5.基于大数据，系统能够根据医疗机构的特定需求，提供个性化的数据咨询服务。例如，医疗机构可以根据自己的服务需求、预算等因素，定制专属的供应商评级报告。系统会根据这些要求，智能地筛选出符合要求的供应商，并提供详细的分析和建议，帮助医疗机构做出更加明智的决策。

有益效果

通过上述方法，提取了医疗信息服务的多维属性，建立了满足用户并发需求和多粒度的模型。相比现有的模型，该模型考虑了医疗信息服务的事务属性，设计了基于概率的自适应优先级。通过对供应商评级数据的深入分析和挖掘，以及混合优化算法在医疗服务选择中的应用，本技术成果提出的医疗信息服务选择系统为医疗机构提供了更加全面、准确的数据支持和决策建议。其次，该系统将运用混合算法进行多目标优化，以找出最佳的组合医疗服务选择方案，使得客户可以获得高效的医疗服务和疾病治疗方案；此外，该系统还将利用大数据和AI技术来在一定程度上指导医生的决策过程。这不仅有助于医疗机构提高采购效率和服务质量，也有助于推动医疗行业的数字化和智能化发展。