血液需求量预测方法及装置、血液管理方法及系统

1.本技术涉及信息预测以及信息管理技术领域，尤其涉及一种血液需求量预测方法及装置、以及一种血液管理方法及系统。


背景技术：

2.在公共卫生领域，血液是一种特殊的资源。一方面，当患者需要进行输血时，如果无法及时获取足够的符合要求的血液，可能会直接危及患者的生命安全；另一方面，血液需依靠健康适龄人群捐献，具有不易获得性和时效性，并且，血液的保存需要满足温度等方面的特殊要求，这样血液的库存数量存在限制。因此，需要对血液需求量进行预测，这样，才能基于血液需求量的预测值调整血液的库存量，以期望能够既保障充足的临床用血量，又减少血液报废的情况。
3.目前，通常以人工方式对血液需求量进行预测。
4.应该注意，上面对技术背景的介绍只是为了方便对本发明的技术方案进行清楚、完整的说明，并方便本领域技术人员的理解而阐述的。不能仅仅因为这些方案在本发明的背景技术部分进行了阐述而认为上述技术方案为本领域技术人员所公知。


技术实现要素：

5.发明人发现，以人工方式预测血液需求量，预测工作的工作量较大，工作内容繁杂，耗时较长，并且，预测准确性高度依赖于进行预测工作的人员的经验和业务能力，也就是说，不同人员得出的预测结果可能存在较大的差别。
6.为了解决上述问题或类似问题，本发明实施例提供了一种血液需求量预测方法及装置，能够自动进行血液需求量的预测，降低预测耗时，并且能够提高预测准确性。本发明实施例还提供了一种血液管理方法及系统，能够预先判定血液库存量可能不足的情况，及时进行预警并快速准确地确定血液预订量，使用户能够便捷、高效、准确地进行血液预订，提升用户体验。
7.根据本发明实施例的第一方面，提供一种血液需求量预测方法，该方法包括：基于具有季节性参数的季节性差分自回归滑动平均模型，建立血液需求量预测模型，该季节性参数设置为7；通过基于用血单位内与血液使用相关的历史数据进行学习，调整该血液需求量预测模型；根据调整后的血液需求量预测模型，获取血液需求量的预测值。
8.可选地，该历史数据可以包括血液使用量的历史时间序列，该血液使用量的历史时间序列基于用血特征而获得，该用血特征包括用血类别、用血性质、用血目的中的至少一种。
9.可选地，上述历史数据可以包括突发公共卫生事件信息，该季节性差分自回归滑动平均模型具有与该突发公共卫生事件信息对应的变量。
10.可选地，上述突发公共卫生事件信息可以包括疫情信息，上述血液需求量预测模型可以具有与该疫情信息对应的变量，该疫情信息可以包括以下信息中的至少一种：疫情
发生区域与上述用血单位所在区域之间的距离、疫情感染人数、疫情感染人数增长速度。
11.可选地，上述方法还可以包括：获取与该血液需求量的预测值对应的实际血液使用量；根据该实际血液使用量，更新该历史数据。
12.根据本发明实施例的第二方面，提供一种血液管理方法，该方法包括：根据上述第一方面所述的血液需求量预测方法获取血液需求量的预测值；根据该血液需求量的预测值、血液的当前库存量和血液入库情况，判定血液是否充足；在血液不充足的情况下进行预警并确定血液预订量。
13.可选地，上述根据该血液需求量的预测值、血液的当前库存量和血液入库情况，判定血液是否充足，可以包括：根据血液需求量的预测值、血液的当前库存量、血液入库情况以及至少一种参考信息，判定血液是否充足，所述参考信息包括血液使用量的变化趋势、血液使用申请的状态。
14.可选地，上述方法还可以包括：获取区域血液预警信息；根据该区域血液预警信息和该血液需求量的预测值，生成关于血液使用的引导信息。
15.根据本发明实施例的第三方面，提供一种血液需求量预测装置，该装置包括：模型建立单元，其基于季节性参数的季节性差分自回归滑动平均模型，建立血液需求量预测模型，该季节性参数设置为7；模型调整单元，其通过基于用血单位内与血液使用相关的历史数据进行学习，调整该血液需求量预测模型；预测值获取单元，其根据调整后的血液需求量预测模型，获取血液需求量的预测值。
16.根据本发明实施例的第四方面，提供一种血液管理系统，该系统包括：根据上述第三方面所述的血液需求量预测装置，其获取血液需求量的预测值；判定单元，其根据该血液需求量的预测值、血液的当前库存和血液入库情况，判定血液是否充足；预警及预订量确定单元，其在血液不充足的情况下进行预警并确定血液预订量。
17.本发明实施例的一个有益效果在于，能够自动进行血液需求量的预测，降低预测耗时，并且能够提高预测准确性。
18.本发明实施例的另一个有益效果在于，预先判定血液库存量可能不足的情况，及时进行预警并快速准确地确定血液预订量，使用户能够便捷、高效、准确地进行血液预订，提升用户体验。
19.参照后文的说明和附图，详细公开了本发明的特定实施方式，指明了本发明的原理可以被采用的方式。应该理解，本发明的实施方式在范围上并不因而受到限制。在所附权利要求的精神和条款的范围内，本发明的实施方式包括许多改变、修改和等同。
20.针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用，与其它实施方式中的特征相组合，或替代其它实施方式中的特征。
21.应该强调，术语“包括/包含”在本文使用时指特征、整件、步骤或组件的存在，但并不排除一个或更多个其它特征、整件、步骤或组件的存在或附加。
附图说明
22.所包括的附图用来提供对本发明实施例的进一步的理解，其构成了说明书的一部分，用于例示本发明的实施方式，并与文字描述一起来阐释本发明的原理。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创
造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：图1是本发明实施例1的血液需求量预测方法的一个示意图。
23.图2是本发明实施例1的血液需求量预测方法的另一个示意图。
24.图3是本发明实施例2的血液管理方法的一个示意图。
25.图4是本发明实施例3的血液需求量预测装置的一个示意图。
26.图5是本发明实施例3的血液需求量预测装置的另一个示意图。
27.图6是本发明实施例4的血液管理系统的一个示意图。
28.图7是本发明实施例5的电子设备的一个示意图。
具体实施方式
29.参照附图，通过下面的说明书，本发明的前述以及其它特征将变得明显。在说明书和附图中，具体公开了本发明的特定实施方式，其表明了其中可以采用本发明的原则的部分实施方式，应了解的是，本发明不限于所描述的实施方式，相反，本发明包括落入所附权利要求的范围内的全部修改、变型以及等同物。
30.在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
31.在本发明实施例中，单数形式“一”、“该”等包括复数形式，应广义地理解为“一种”或“一类”而并不是限定为“一个”的含义；此外术语“所述”应理解为既包括单数形式也包括复数形式，除非上下文另外明确指出。此外术语“根据”应理解为“至少部分根据
……”
，术语“基于”应理解为“至少部分基于
……”
，除非上下文另外明确指出。
32.应当理解的是，当一个单元被称为“连接”或“耦合”到另一单元时，其可以直接连接或耦合到所述另一单元，或者可以存在中间单元。与此相对，当一个单元被称为“直接连接”或“直接耦合”到另一单元时，则不存在中间单元。应当按照类似的方式来解释被用于描述单元之间的关系的其他词语（例如“处于...之间”相比于“直接处于...之间”，“与...邻近”相比于“与...直接邻近”等等）。
33.还应当提到的是，在一些替换实现方式中，所提到的功能/动作可以按照不同于附图中标示的顺序发生。举例来说，取决于所涉及的功能/动作，相继示出的两幅图实际上可以基本上同时执行或者有时可以按照相反的顺序来执行。
34.下面结合附图对本发明实施例的各种实施方式进行说明。这些实施方式只是示例性的，不是对本发明实施例的限制。
35.实施例1本实施例1提供一种血液需求量预测方法。该方法例如可在医院和血液中心（血站）使用，或者在功能类似的其他场景下使用。
36.图1是本实施例的血液需求量预测方法的一个示意图。如图1所示，该方法包括：步骤101，基于具有季节性参数的季节性差分自回归滑动平均模型，建立血液需求量预测模型；
步骤102，通过基于用血单位内与血液使用相关的历史数据进行学习，调整该血液需求量预测模型；步骤103，根据调整后的血液需求量预测模型，获取血液需求量的预测值。
37.在本实施例中，血液即血液制品。与血液使用相关的历史数据可以包括血液使用量的历史时间序列。其中，可将该历史时间序列分为两部分，一部分作为训练数据集，另一部分作为测试数据集。
38.这样，基于用血单位内与血液使用相关的历史数据进行学习，调整所述血液需求量预测模型，可以包括：基于训练数据集，对血液需求量预测模型进行训练，并基于测试数据集对训练后的血液需求量预测模型进行测试。通过训练和测试，动态调整该血液需求量预测模型内的相关参数，以使得该模型达到最优。
39.在本实施例中，用血单位可以是医院或者其院区，也可以是多个医院或院区组成的集团，还可以是根据实际需求配置的任意一个或多个有资质的用血实体的集合。
40.本实施例中的学习是机器学习，其可以是传统的机器学习，也可以是深度学习。
41.通过上述实施例，能够自动进行血液需求量的预测，降低预测耗时，且由于机器学习不依赖于人的经验，因此能够整体提高预测准确性；并且，通过基于具有季节性参数的季节性差分自回归滑动平均模型进行预测，能够进一步提高预测准确性。
42.在本实施例中，与血液使用相关的历史数据可以包括血液使用量的历史时间序列。
43.季节性差分自回归滑动平均（sarima）模型是用于基于时间序列进行机器学习从而实现预测的一种模型，该模型适用于基于具有季节性（周期性）因素的时间序列进行学习。sarima模型通常具有参数(p,d,q)(p,d,q)[s]。其中，各参数的含义为：p表示预测模型中采用的时序数据本身的滞后数(lags) ,也叫做ar项，d表示时序数据为了实现稳定性而需要进行的差分化的阶数，也叫integrated项，q表示预测模型中采用的预测误差的滞后数(lags)，也叫做ma项，s为季节性参数，表示时间序列的周期时间间隔，即一个周期的循环天数，p表示周期性自回归阶数，d表示周期性差分阶数，q表示周期性移动平均阶数。目前未发现将sarima模型用于实现血液需求量预测的技术。
[0044]
在本实施例中，与血液使用相关的历史数据可以包括血液使用量的历史时间序列。发明人通过研究发现，血液使用量的历史时间序列中是存在周期性因素的，由此，本实施例通过将sarima模型用于实现血液需求量预测，能够显著提高预测准确性。
[0045]
已有技术中常见的sarima模型的使用方式例如，以年为周期进行预测，例如以年为周期预测某疾病在某地区的发病情况，此时将s设为1。例如，该疾病的发作与气温密切相关，在该地区每年冬天最冷的时候（例如最低气温达到零下时）发病率较高，因此以年为周期来预测该疾病在该地区的发病情况，能够获得良好的预测效果，预测准确性较高。已有技术中还存在将月作为周期进行预测的情况。
[0046]
然而，本发明的发明人经研究和试验发现，针对血液需求量预测，将年、月这样的周期用于设置s值，预测准确性不高。
[0047]
本发明的发明人在对血液使用量的历史时间序列进行分析的过程中发现，血液使用量的历史时间序列具有以7天为周期的季节性因素。
[0048]
这样，在本实施例中，可以7天为周期设置s值，即将s设置为7，这样能够获得较高
的预测准确性。已有技术中并未发现以天数为周期来设置s值的技术。
[0049]
以下介绍本实施例中sarima模型各参数的设置方式。
[0050]
参数(p,d,q)可基于差分自回归滑动平均（arima）模型的常规设置方式进行设置。具体设置方式可参见现有技术，此处不再赘述。
[0051]
在参数(p,d,q)设置好后，基于s值的设置进一步确定参数(p,d,q)的最优组合。例如，若将s设为7，则在s=7下确定(p,d,q)的最优组合。具体而言，可以按照s=7以及(p,d,q)的不同的可能组合分别获得其bic或者aic值，并对获得的bic或者aic值进行排序，选择最小的bic或者aic值对应的(p,d,q)作为最优组合。此外，(p,d,q)的最优组合的确定方式不限于上述方式，例如也可以根据pacf图和acf图确定(p,d,q)的最优组合。
[0052]
近年来，国内外突发公共卫生事件时有发生，像2003年的sars非典疫情事件、2005年发生的禽流感传染公共卫生事件、2020年的新冠疫情事件等等，都对民众的生命安全造成了巨大的损失和影响。这些突发公共卫生事件会引起一定时间内的血液需求量大幅上升，这时会出现血液供不应求的局面，一定时间后突发公共卫生事件逐渐平息，血液需求量又会下降，恢复到事件发生前的常规水平，或者达到一种新的常规水平。在这样的突发公共卫生事件发生前后，如果不能使预测结果准确地反映突发公共事件的影响，血液供给会发生短期内严重短缺或过剩的问题。
[0053]
在本实施例中，为了使得用于预测的模型能够反映突发公共卫生事件的影响，发明人考虑到可以使用于机器学习的历史数据包含突发公共卫生事件信息，所述突发公共卫生事件信息指示发生的突发公共卫生事件（地震、洪水、和/或传染病的疫情等）的相关信息，该信息例如包括突发公共卫生事件标识以及该事件具有的事件等级（如果该事件具有等级，例如地震强度等级）等。并且，对应于历史数据中的突发公共卫生事件信息，可在血液需求量预测模型中添加变量。由此，在进行机器学习时，能够进一步基于该变量及其对应的突发公共卫生事件信息帮助血液需求量预测模型进行拟合和优化，从而将突发公共卫生事件对血液需求量的影响反映在最终调整后的血液需求量预测模型中，进而提高基于该模型的预测准确性。这样，基于如此调整后的血液需求量预测模型，当再次发生突发公共卫生事件时，能够灵敏地检测到该事件的发生并相应地获取与之匹配的血液需求量预测值，尽早地进行血液调配，避免了血液供给短期内严重短缺或过剩的问题。针对不同类型的突发公共卫生事件，可在模型中设置不同的变量，例如针对地震设置变量x1，针对洪水设置变量x2，针对疫情设置变量x3等。
[0054]
在一个实施方式中，突发公共卫生事件信息可以包括疫情信息（传染病的疫情信息），血液需求量预测模型具有与该疫情信息对应的变量x3，疫情信息例如可以包括疫情发生区域与用血单位所在区域之间的距离、疫情感染人数、和/或疫情感染人数增长速度等。例如，疫情发生区域为广东，用血单位所在区域为北京，则疫情发生区域与用血单位所在区域之间的距离为广东到北京之间的距离；疫情感染人数可以包括确诊病例人数和/或疑似病例人数；疫情感染人数增长速度可以是单位时间（例如每天）的疫情感染人数增长量。
[0055]
在该实施方式中，通过使疫情信息包含疫情发生区域与用血单位所在区域之间的距离、疫情感染人数和/或疫情感染人数增长速度等，且在血液需求量预测模型中添加与之对应的变量x3，能够使得血液需求量预测模型经由变量x3能够准确地反映疫情发生的距离远近、疫情的严重程度对用血单位所在区域的血液需求量的影响，从而进一步提高基于该
模型的预测准确性。
[0056]
此外，发明人发现，天气的好坏、是否节假日这些因素会对潜在的献血者的出行概率产生影响，进而对其献血行为的发生概率产生影响。具体而言，天气越好，潜在的献血者到医院献血的概率越大，反之，天气越差，其到医院献血的概率越小。节假日潜在的献血者到医院献血的概率大于非节假日潜在的献血者到医院献血的概率。并且，献血行为的发生概率越小，血液需求量就越大，献血行为的发生概率越大，血液需求量就越小。因此，天气的好坏、是否节假日这些因素也会对血液需求量产生重要影响。
[0057]
由此，在本实施例中，历史数据还可以包含天气信息和/或节假日信息，血液需求量预测模型具有与该天气信息对应的变量y1和/或与该节假日信息对应的变量y2。天气信息是指示天气好坏程度的信息（也即指示天气对出行的有利程度的信息），例如可以根据当天的最高和最低气温、风力、阴晴雨雪等情况对天气情况打分或者给出天气情况等级，将分数或等级作为天气信息。节假日信息是指示相应日期是否为节假日的信息。
[0058]
由此，在进行机器学习时，能够进一步基于变量y1、y2及其对应的天气信息、节假日信息帮助血液需求量预测模型进行拟合和优化，从而将天气因素、节假日因素对血液需求量的影响反映在最终调整后的血液需求量预测模型中，进而进一步提高基于该模型的预测准确性。
[0059]
上述的突发公共卫生事件信息、天气信息、节假日信息都是时间序列信息。在进行机器学习前，可基于时间将历史数据中的突发公共卫生事件信息、天气信息、节假日信息等与血液使用量的历史时间序列对应起来，形成多组数据，从而在机器学习中使用这些数据对血液需求量预测模型进行调整。
[0060]
在本实施例中，可以配置数据库，用于存储患者的全部诊疗信息，诊疗信息包括患者的基本信息，例如姓名、年龄、血型、以往用血情况、以往病史等，也包括患者当次诊疗的具体情况等。当次诊疗的具体情况例如可以包括患者的出凝血指标、血常规检查结果、诊断结果、非住院患者的治疗用血情况、住院患者的住院信息、手术信息（例如包含手术级别）和手术用血情况等。手术用血情况和治疗用血情况对应的信息既包括血液使用量，也包括用血类别、用血性质、用血目的等用血相关信息。
[0061]
在本实施例中，血液使用量的历史时间序列可以基于用血特征而获得。该用血特征例如可以包括用血类别、用血性质、用血目的中的至少一种。其中，用血类别包括单采血小板、红细胞悬液、浓缩血小板、全血、血浆等，用血性质根据临床输血的紧急程度而确定，包括紧急用血和常规用血，用血目的包括治疗用血和手术备血。
[0062]
基于用血特征，可以获得与该用血特征对应的血液使用量的历史时间序列。例如，在以用血类别作为用血特征时，可基于数据库中存储的信息分别统计各种用血类别下的血液使用量的历史时间序列，获得单采血小板的使用量的历史时间序列、红细胞悬液的使用量的历史时间序列、浓缩血小板的使用量的历史时间序列、全血的使用量的历史时间序列、血浆的使用量的历史时间序列，等等；在以用血性质作为用血特征时，基于数据库中存储的信息分别统计各种用血性质下的血液使用量的历史时间序列，获得紧急用血的使用量的历史时间序列、常规用血的使用量的历史时间序列，等等；在以用血目的作为用血特征时，基于数据库中存储的信息分别统计各种用血目的下的血液使用量的历史时间序列，获得治疗用血的使用量的历史时间序列、手术备血的使用量的历史时间序列，等等。在统计时，可以
如上述示例中所述，仅使用一种用血特征，也可以联合使用多种用血特征，具体方式可由用户根据实际需求配置。当然，也可以不针对用血特征进行统计，将全部用血特征所对应的血液使用量数据汇总，获得总的血液使用量的历史时间序列。
[0063]
在本实施例中，获取的血液需求量的预测值可以是针对某一用血特征的血液需求量的预测值，也可以是总的（即对应于全部用血特征的）血液需求量的预测值。
[0064]
在本实施例中，还可以根据实际需求选择上述数据库中存储的信息作为历史数据的一部分以用于机器学习，从而调整血液需求量预测模型。例如，可基于患者的出凝血指标、血常规检查结果、诊断结果、手术级别等信息，在血液需求量预测模型中分别设置对应变量。这样，能够由此，在进行机器学习时，能够基于这些信息和变量帮助血液需求量预测模型进行拟合和优化，从而将所选择因素的影响反映在最终调整后的血液需求量预测模型中，进而提高基于该模型的预测准确性。
[0065]
在本实施例中，所述方法还可以包括：对历史数据进行预处理。
[0066]
该步骤可在上述步骤102之前执行，换言之，可在执行该预处理后，再执行上述步骤102。
[0067]
该预处理可以包括有效信息提取处理，该处理去除历史数据中的多余信息，保留对后续处理而言必要的信息。该预处理还可以包括数据清洗、数据替换、数据计算、数据验证、数据合并、数据拆分等各种处理，这些处理并非必要，用户可以根据实际需求从中选择一种或多种。
[0068]
在本实施例中，在上述步骤103之后，所述方法还可以包括：根据用户输入的调整信息，调整血液需求量的预测值。
[0069]
这样，在基于机器学习进行自动预测的基础上，用户可以根据其经验或者实际需求等对预测值进行手动微调。
[0070]
上述调整信息可以表示用户期望增加或减少的调整量。
[0071]
图2是本实施例的血液需求量预测方法的另一个示意图。如图2所示，该方法包括：步骤201，基于具有季节性参数的季节性差分自回归滑动平均模型，建立血液需求量预测模型；步骤202，通过基于用血单位内与血液使用相关的历史数据进行学习，调整该血液需求量预测模型；步骤203，根据调整后的血液需求量预测模型，获取血液需求量的预测值；步骤204，获取与血液需求量的预测值对应的实际血液使用量；步骤205，根据该实际血液使用量，更新上述与血液使用相关的历史数据。然后，返回步骤202。
[0072]
步骤201至203与前述步骤101至103相同，这里不再赘述。
[0073]
通过该方法，能够在实际用血后，将实际血液使用量数据补充到历史数据中，从而基于更新后的历史数据进行学习，从而及时更新血液需求量预测模型，由此，能够进一步提高预测准确性。
[0074]
上述实际用血可以是规定时段内的实际用血，规定时段可由用户根据其需求设置，其可以是一天（即每天将当天的实际血液使用量补充到历史数据），也可以是一周、一个
月，等等。
[0075]
上述实际血液使用量与血液需求量的预测值对应。也就是说，当血液需求量的预测值是针对某一用血特征的血液需求量的预测值时，实际血液使用量也是针对某一用血特征的实际血液使用量，当血液需求量的预测值为总的血液需求量的预测值时，实际血液使用量也是总的实际血液使用量。
[0076]
通过本实施例的血液需求量预测方法，能够自动进行血液需求量的预测，降低预测耗时，且由于机器学习不依赖于人的经验，因此能够整体提高预测准确性；并且，通过基于具有设置为7的季节性参数的季节性差分自回归滑动平均模型进行预测，能够进一步提高预测准确性。
[0077]
实施例2本实施例2提供一种血液管理方法。该方法例如可在医院的输血科使用，或者在功能类似的其他场景下使用。
[0078]
本实施例2与实施例1相同的内容不再赘述，以下针对本实施例2与实施例1不同的内容进行说明。
[0079]
图3是本实施例的血液管理方法的一个示意图。如图3所示，该方法包括：步骤301，根据血液需求量预测方法获取血液需求量的预测值；步骤302，根据血液需求量的预测值、血液的当前库存量和血液入库情况，判定血液是否充足；步骤303，在血液不充足的情况下进行预警并确定血液预订量。
[0080]
上述步骤301中的血液需求量预测方法可以是实施例1中所述的血液需求量预测方法。
[0081]
通过上述方法，能够预先判定血液库存量可能不足的情况，及时进行预警并快速准确地确定血液预订量，由此，用户能够容易地发现血液不足的情况且便捷地进行血液预订。
[0082]
在本实施例中，血液的当前库存量是指截止当前日期的库存量，血液的入库情况包括每日血液的入库量等。
[0083]
在本实施例中，上述步骤302可以包括：根据血液需求量的预测值、血液的当前库存量、血液入库情况以及至少一种参考信息，判定血液是否充足。
[0084]
上述参考信息可以包括血液使用量的变化趋势、血液使用申请的状态等等。
[0085]
在上述步骤303中，预警的具体方式可以是语音提示或者警示音等。
[0086]
在上述步骤303中，确定的血液预订量还可以基于用户输入的预订调整信息而进行调整。由此，用户可以根据其经验或者实际需求等对血液预订量进行手动微调。
[0087]
在本实施例中，在上述步骤303中，在血液不充足的情况下，可根据血液不充足的程度，确定血液预订量。具体而言，可按照下述原则确定血液预订量：使血液库存量在满足血液需求量的预测值的基础上，留有预定余量。血液预订量可以基于血液需求量的预测值、血液的当前库存量、血液入库情况、至少一种参考信息以及上述预定余量计算得到。
[0088]
在本实施例中，在上述步骤303之后，所述方法还可以包括：根据步骤303确定的血液预订量，或者根据基于用户输入的调整信息调整后的血
液预订量，生成血液预订情况统计信息；显示所述血液预订情况统计信息。
[0089]
该血液预订情况统计信息可以包括各种血液类别对应的血液预订量的历史统计数据。其中，血液类别与前述的用血类别相对应，例如可以包括单采血小板、红细胞悬液、浓缩血小板、全血、血浆等。
[0090]
在本实施例中，在上述步骤301之后，所述方法还可以包括：获取区域血液预警信息；根据该区域血液预警信息和上述血液需求量的预测值，生成关于血液使用的引导信息。
[0091]
上述获取区域血液预警信息，可以包括：通过通信接口从血液中心获取区域血液预警信息，或者，也可以通过人机接口获取用户输入的区域血液预警信息。
[0092]
区域血液预警信息例如可以包括所在区域（例如本市）的血液预警级别。基于血液预警信息，用户能够了解到所在地区目前的血液的短缺情况，在此基础上，结合血液需求量的预测值，能够得出如何进行用血安排的相关信息，进而将其转化为对临床医生的用血安排进行引导的引导信息。
[0093]
通过上述步骤，能够基于血液需求量的预测值以及区域血液预警信息，对临床医生的用血安排提前作出提醒和指导，使临床医生能够更加方便、合理地进行用血安排，很大程度上降低了临时缺血情况发生的可能性。
[0094]
通过本实施例的血液管理方法，能够基于血液需求量的预测结果，预先判定血液库存量可能不足的情况，及时进行预警并快速准确地确定血液预订量，由此，用户能够容易地发现血液不足的情况且便捷地进行血液预订。
[0095]
实施例3本实施例3提供一种血液需求量预测装置。本实施例3与实施例1相同的内容不再赘述，以下针对本实施例3与实施例1不同的内容进行说明。
[0096]
图4是本实施例的血液需求量预测装置的一个示意图。如图4所示，血液需求量预测装置400包括模型建立单元401、模型调整单元402、预测值获取单元403。模型建立单元401基于季节性参数的季节性差分自回归滑动平均模型，建立血液需求量预测模型；模型调整单元402通过基于用血单位内与血液使用相关的历史数据进行学习，调整该血液需求量预测模型；预测值获取单元403根据调整后的血液需求量预测模型，获取血液需求量的预测值。
[0097]
在本实施例中，血液需求量预测装置400还可以包括预处理单元，该预处理单元对历史数据进行预处理。
[0098]
在本实施例中，血液需求量预测装置400还可以包括预测值调整单元，该预测值调整单元根据用户输入的调整信息，调整血液需求量的预测值。
[0099]
图5是本实施例的血液需求量预测装置的另一个示意图。如图5所示，血液需求量预测装置500包括模型建立单元501、模型调整单元502、预测值获取单元503、实际使用量获取单元504、历史数据更新单元505。其中，模型建立单元501、模型调整单元502、预测值获取单元503执行与上述模型建立单元401、模型调整单元402、预测值获取单元403相同的功能，实际使用量获取单元504获取与血液需求量的预测值对应的实际血液使用量；历史数据更
新单元505根据该实际血液使用量，更新上述与血液使用相关的历史数据。
[0100]
更新后的历史数据可输入到模型调整单元502供其学习，从而对血液需求量预测模型进行更新。
[0101]
通过本实施例的血液需求量预测装置，能够自动进行血液需求量的预测，降低预测耗时，且由于机器学习不依赖于人的经验，因此能够整体提高预测准确性；并且，通过基于具有设置为7的季节性参数的季节性差分自回归滑动平均模型进行预测，能够进一步提高预测准确性。
[0102]
实施例4本实施例4提供一种血液管理系统。本实施例4与实施例2相同的内容不再赘述，以下针对本实施例4与实施例2不同的内容进行说明。
[0103]
图6是本实施例的血液管理系统的一个示意图。如图6所示，血液管理系统600包括血液需求量预测装置601、判定单元602、预警及预订量确定单元603。其中，血液需求量预测装置601可由实施例3中所述的血液需求量预测装置400或血液需求量预测装置500实现，判定单元602根据所述血液需求量的预测值、血液的当前库存和血液入库情况，判定血液是否充足，预警及预订量确定单元603在血液不充足的情况下进行预警并确定血液预订量。
[0104]
在本实施例中，判定单元602还可以根据血液需求量的预测值、血液的当前库存量、血液入库情况以及至少一种参考信息，判定血液是否充足。
[0105]
在本实施例中，血液管理系统600还可以包括预订量调整单元，该预订量调整单元基于用户输入的预订调整信息调整所述血液预订量。
[0106]
在本实施例中，血液管理系统600还可以包括统计信息生成单元和显示单元，该统计信息生成单元根据血液预订量，生成血液预订情况统计信息，该显示单元显示该血液预订情况统计信息。
[0107]
在本实施例中，血液管理系统600还可以包括区域预警信息获取单元和引导信息生成单元，该区域预警信息获取单元获取区域血液预警信息，该引导信息生成单元根据该区域血液预警信息和上述血液需求量的预测值，生成关于血液使用的引导信息。
[0108]
区域预警信息获取单元可以通过通信接口从血液中心获取区域血液预警信息，或者，也可以通过人机接口获取用户输入的区域血液预警信息。
[0109]
通过本实施例的血液管理系统，能够基于血液需求量的预测结果，预先判定血液库存量可能不足的情况，及时进行预警并快速准确地确定血液预订量，由此，用户能够容易地发现血液不足的情况且便捷地进行血液预订。
[0110]
实施例5本实施例5提供一种电子设备。本实施例5与实施例1至4相同的内容不再赘述，以下针对本实施例5与实施例1至4不同的内容进行说明。
[0111]
图7是本实施例的电子设备的一个示意图。如图7所示，电子设备700可以包括：处理器701和存储器702，存储器702耦合到处理器701。
[0112]
其中，存储器702可存储用于实现一定功能的程序，例如存储实现实施例1的血液需求量预测方法的程序，又如存储实现实施例2的血液管理方法的程序，并且程序在处理器701的控制下执行；此外，存储器702还可存储相关的各种数据，例如与血液使用相关的历史数据、血液需求量预测模型、血液需求量的预测值、血液的当前库存量、血液预订量等。
[0113]
在一个实施方式中，实施例3的血液需求量预测装置中的功能可以被集成到处理器701中执行。
[0114]
在该实施方式中，处理器701可以被配置为：基于具有季节性参数的季节性差分自回归滑动平均模型，建立血液需求量预测模型；通过基于用血单位内与血液使用相关的历史数据进行学习，调整所述血液需求量预测模型；根据调整后的血液需求量预测模型，获取血液需求量的预测值。
[0115]
在该实施方式中，处理器701还可以被配置为：获取与所述血液需求量的预测值对应的实际血液使用量；根据所述实际血液使用量，更新所述历史数据。
[0116]
在该实施方式中，处理器701还可以被配置为：对历史数据进行预处理。
[0117]
在该实施方式中，处理器701还可以被配置为：根据用户输入的调整信息，调整血液需求量的预测值。
[0118]
该实施方式不以上述功能作为对处理器701的限制。
[0119]
在另一个实施方式中，实施例4的血液管理系统中的功能可以被集成到处理器701中执行。
[0120]
在该实施方式中，处理器701可以被配置为：根据血液需求量预测方法获取血液需求量的预测值；根据所述血液需求量的预测值、血液的当前库存量和血液入库情况，判定血液是否充足；在血液不充足的情况下进行预警并确定血液预订量。
[0121]
在该实施方式中，处理器701还可以被配置为：获取区域血液预警信息；根据所述区域血液预警信息和所述血液需求量的预测值，生成关于血液使用的引导信息。
[0122]
该实施方式不以上述功能作为对处理器701的限制。
[0123]
如图7所示，电子设备700还可以包括通信部703、显示部704和操作部705，通信部703可以经由网络发送或接收信息；显示部704用于在处理器701的控制下进行图像和文字等显示对象的显示，显示部704例如可为液晶显示器等；操作部705供用户进行操作并将操作信息提供到处理器701，操作部705例如可以是按键或触摸板等。
[0124]
值得注意的是，电子设备700并不是必须要包括图7中所示的所有部件，可根据需要省略某些部件，例如可省略通信部703、显示部704和操作部705中的一个或多个；此外，电子设备700还可以包括图7中没有示出的部件，可以参考现有技术。
[0125]
在本发明实施例中，术语“电子设备”包括但不限于通用的计算机设备或者是专用电子设备。所述电子设备可单独运行来实现本技术，也可接入网络并通过与网络中的其他电子设备的交互操作来实现本技术。其中，所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、vpn网络等。
[0126]
需要说明的是，所述电子设备和网络等仅为举例，其他现有的或今后可能出现的电子设备或网络如可适用于本技术，也应包含在本技术保护范围以内，并以引用方式包含于此。
[0127]
通过本实施例的电子设备，能够自动进行血液需求量的预测，降低预测耗时，且由于机器学习不依赖于人的经验，因此能够整体提高预测准确性；并且，通过基于具有设置为7的季节性参数的季节性差分自回归滑动平均模型进行预测，能够进一步提高预测准确性。
[0128]
通过本实施例的电子设备，能够基于血液需求量的预测，预先判定血液库存量可能不足的情况，及时进行预警并快速准确地确定血液预订量，由此，用户能够容易地发现血液不足的情况且便捷地进行血液预订。
[0129]
本发明实施例还提供一种处理器可读程序，所述程序使得处理器执行本发明实施例所述的方法。
[0130]
本发明实施例还提供一种存储有处理器可读程序的存储介质，所述程序使得处理器执行本发明实施例所述的方法。
[0131]
本发明以上的方法/装置可以由硬件实现，也可以由硬件结合软件实现。本发明涉及这样的计算机可读程序，当该程序被逻辑部件所执行时，能够使该逻辑部件实现上文所述的装置或构成部件，或使该逻辑部件实现上文所述的各种方法或步骤。逻辑部件例如现场可编程逻辑部件、微处理器、计算机中使用的处理器等。本发明还涉及用于存储以上程序的存储介质，如硬盘、磁盘、光盘、dvd、flash存储器等。
[0132]
结合本发明实施例描述的方法/装置可直接体现为硬件、由处理器执行的软件模块或二者组合。例如，图4中所示的功能框图中的一个或多个和/或功能框图的一个或多个组合，既可以对应于计算机程序流程的各个软件模块，亦可以对应于各个硬件模块。这些软件模块，可以分别对应于图1中所示的各个步骤。这些硬件模块例如可利用现场可编程门阵列（fpga）将这些软件模块固化而实现。
[0133]
软件模块可以位于ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、移动磁盘、cd-rom或者本领域已知的任何其它形式的存储介质。可以将一种存储介质耦接至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息；或者该存储介质可以是处理器的组成部分。处理器和存储介质可以位于asic中。该软件模块可以存储在设备的存储器中，也可以存储在可插入设备的存储卡中。例如，若设备采用的是较大容量的mega-sim卡或者大容量的闪存装置，则该软件模块可存储在该mega-sim卡或者大容量的闪存装置中。
[0134]
针对附图中描述的功能方框中的一个或多个和/或功能方框的一个或多个组合，可以实现为用于执行本发明所描述功能的通用处理器、数字信号处理器（dsp）、专用集成电路（asic）、现场可编程门阵列（fpga）或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件或者其任意适当组合。针对附图描述的功能方框中的一个或多个和/或功能方框的一个或多个组合，还可以实现为计算设备的组合，例如，dsp和微处理器的组合、多个微处理器、与dsp通信结合的一个或多个微处理器或者任何其它这种配置。
[0135]
以上结合具体的实施方式对本技术进行了描述，但本领域技术人员应该清楚，这些描述都是示例性的，并不是对本技术保护范围的限制。本领域技术人员可以根据本技术的原理对本技术做出各种变型和修改，这些变型和修改也在本技术的范围内。