一种医学科研数据订阅方法和系统

技术领域

本发明属于医院信息数据系统技术领域，具体涉及一种医学科研数据订阅方法和系统。

背景技术

医院信息数据系统是现代化医院建设的重要组成部分。医院信息数据系统在患者的治疗、诊断中起到了重要的作用，其用于存储患者的病历信息、检查结果、用药和治疗信息等方方面面的信息。这些信息共同构成了大量的医学数据。

而医学数据的作用不仅能够记录患者的病情发展，同时也具有作为科研数据的用途。科研人员在进行科研时，针对不同课题需求，需要订阅大量的已有医学数据，通过解读这些数据，寻找规律和特征，研究这些数据发展趋势。而从医院信息数据库中订阅医学数据则是科研人员进行本领域研究的基本需求。

然而，由于科室设置复杂、检测项目多样等原因，医院信息数据系统由大量的子系统组成，包括HIS、CIS、LIS、EMR、PACS、RIS、CAD等。此外，由于医学数据会随着时间积累，这些系统中存储的数据量通常都非常庞大。而科研用的数据一般数据信息和时间跨度较大。因此，科研数据的订阅过程存在数据查询慢、效率低的问题，这使得科研数据的订阅任务时常大量占用服务器资源，影响了服务器其他任务的正常执行。

由于科研数据的订阅任务相对于医院的其他任务紧迫性较低，因此，如果能够利用服务器的空闲时间进行科研数据订阅，能够更加有效地提高医院整体的运行效率。为了高效利用服务器的空闲时间，解决非紧急任务占用服务器资源的问题，“CN99120627.4利用信道空闲时间提供广告的方法和系统”提出了一种利用服务器的空闲时间发送广告的技术方案。然而，发送广告是一个能够快速完成的任务，而订阅科研数据耗时较长，因而订阅科研数的任务难以像发送广告一样灵活地插入服务器的空闲时间。可见，如何协调医院信息数据系统中科研数据的订阅任务和服务器的其他任务，仍然是本领域亟需解决的问题。

发明内容

针对现有技术的缺陷，本发明提供一种医学科研数据订阅方法和系统，目的在于将订阅科研数据的任务与服务器的空闲时间进行匹配，实现在服务的空闲时间中进行订阅科研数据的任务，避免耗时过长的订阅科研数据对服务器的其他任务造成影响。

一种医学科研数据订阅方法，包括如下步骤：

步骤1，生成缓存科研数据任务，预估完成所述缓存科研数据任务所需要的时长；

步骤2，利用预测模型预测服务器的闲置时间段；所述预测模型是利用服务器的历史运行参数数据作为训练数据进行训练得到的；

步骤3，将步骤1预估得到的时长和步骤2得到的闲置时间段进行比较，确定缓存科研数据任务的执行时间。

优选的，步骤1中，输入生成缓存科研数据任务时所输入的信息包括：科研数据内容、科研数据覆盖范围、科研数据种类和完成加载的时间限制。

优选的，步骤3中，在所述完成加载的时间限制之前将步骤1预估得到的时长和步骤2得到的闲置时间段进行比较。

优选的，步骤2中，所述历史运行参数数据选自CPU使用率、内存使用率、网络连接数、网卡流量中的一种或两种及以上的组合。

优选的，步骤2中，所述历史运行参数数据在使用前进行预处理，所述预处理包括降噪、计算所述历史运行参数数据的均值、计算所述历史运行参数数据的方差中的一种或两种及以上的组合。

优选的，步骤2中，所述预测模型选自SVM、MLP、XGBOOST或LGBM。

优选的，步骤2中，所用的预测模型每经过一个时间周期后重新进行一次模型训练。

优选的，所述一个时间周期为一个月、两个月或一个季度。

本发明还提供一种用于上述医学科研数据订阅方法的系统，包括：

输入模块，用于输入生成缓存科研数据任务；

时长计算模块，用于预估完成所述缓存科研数据任务所需要的时长；

闲置时间段计算模块，用于利用预测模型预测服务器的闲置时间段；

对比模块，用于将所述时长和所述闲置时间段进行比较，确定缓存科研数据任务的执行时间。

本发明还提供一种计算机可读存储介质，其上存储有用于实现上述医学科研数据订阅方法的计算机程序。

传统的服务器资源分配方法中，只要服务器空闲就开始执行科研数据订阅任务，然而由于科研数据订阅任务耗时较长，时常出现后续介入了其他任务，而科研数据订阅任务仍然未执行完成的情况。这会导致其他任务执行慢的问题。本发明通过预测模型预测医院的服务器的空闲时间段并将其与科研数据订阅任务所需要的时长进行比较，将耗时较长的科研数据订阅任务安排在足够长的空闲时间段中进行科研数据预加载。按照这样的方法协调科研数据订阅任务的执行时间，能够有效避免科研数据订阅任务对服务器资源的挤占，提高其他任务的速度，提升服务器整体执行各种任务的运行效率。

显然，根据本发明的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本发明上述基本技术思想前提下，还可以做出其它多种形式的修改、替换或变更。

以下通过实施例形式的具体实施方式，对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。凡基于本发明上述内容所实现的技术均属于本发明的范围。

附图说明

图1为实施例1的硬件平台的结构示意图；

图2为实施例1的科研数据订阅方法的流程示意图。

具体实施方式

需要特别说明的是，实施例中未具体说明的数据采集、传输、储存和处理等步骤的算法，以及未具体说明的硬件结构、电路连接等均可通过现有技术已公开的内容实现。

实施例1

本实施例所用的硬件平台如图1所示，包括：数据服务器10和用户端20，数据服务器10设置在医院内部，用于存储院内所医疗数据；用户端20，科研人员、医生的终端，用于链接服务器，调取、访问数据服务器中的医疗数据。

本实施例在此硬件平台上实施，构建如下用于协调科研数据订阅任务执行时间的系统：

输入模块，用于输入生成缓存科研数据任务；

时长计算模块，用于预估完成所述缓存科研数据任务所需要的时长；

闲置时间段计算模块，用于利用预测模型预测服务器的闲置时间段；

对比模块，用于将所述时长和所述闲置时间段进行比较，确定缓存科研数据任务的执行时间。

通过该系统，本实施例进行科研数据订阅的方法如图2所示，步骤如下：

步骤1，生成缓存科研数据任务(即科研数据订阅任务)，预估完成所述缓存科研数据任务所需要的时长；

输入的信息包括：科研数据内容、科研数据覆盖范围、科研数据种类和完成加载的时间限制等。例如：需要缓存的科研数据可以是，近一年，某一种病的所有病历记录、分布、发病数量；或近一个月，影像科拍摄的胸C影像图像；所述完成加载的时间可以是，每天上午9点前。

步骤2，利用预测模型预测服务器的闲置时间段；所述预测模型是利用服务器的历史运行参数数据作为训练数据进行训练得到的。

所述历史运行参数数据选自CPU使用率、内存使用率、网络连接数、网卡流量中的一种或两种及以上的组合。所述历史运行参数数据在使用前进行预处理，所述预处理包括降噪、计算所述历史运行参数数据的均值、计算所述历史运行参数数据的方差中的一种或两种及以上的组合。其中，计算得到的均值和方差可以作为特征使用，增加预测模型所用的特征数量。

用于建模的历史运行参数数据的时间跨度为一个月或两个月。

预测模型可选择SVM、MLP、XGBOOST或LGBM。本实施例用同期或近期的样本进行训练，样本量较小，所以优选为SVM算法。

考虑到医院服务器的空闲时间受到较多因素的影响，所用的预测模型每经过一个时间周期后重新进行一次模型训练。例如：1月份，服务器在(10:00～10:30)时间段比较空闲，但是因为某种原因，后几个月服务器在(10:00～10:30)时间段服务器逐渐变的繁忙，此时通过1月份的历史参数数据训练的模型预测结果可能不符合实际服务器的运行状态。因此，可以通过最新一个月的服务器运行参数数据重新训练模型，以重新训练的预测模型进行预测，保证预测模型预测的结果与服务器的实际运行情况相符合。在其他实施方式中，所述模型在训练时，季节性疾病导致的服务器闲置时间的变化，可以采用同期历史服务器运行参数数据重新进行模型训练。

步骤3，在所述完成加载的时间限制之前，将步骤1预估得到的时长和步骤2得到的闲置时间段进行比较，确定缓存科研数据任务的执行时间。

根据医院工作的特点，其中一个实例的闲置时间段的预测结果为：A(10:00～10:30)、B(12:00～13:00)、C(15:00～15:30)、D(18:00～19:00)、E(21:00～08:00)，对于每一项生成缓存科研数据任务，每天在这四个时间段中选择适合的空闲时间段进行缓存任务。如：所述科研数据缓存任务需要完成时间为18:00,所需时间为45分钟，则选择在B时间段开始执行缓存任务。

通过上述实施例可以看到，本发明提供了一种新的协调科研数据订阅任务执行时间的方法，通过准确地对科研数据订阅任务所需的时长与服务器的空闲时间段进行匹配，能够有效避免科研数据订阅任务在服务器运行的高峰期给服务器增加负担，增加了医院服务器整体运行的效率，具有很好的应用前景。