回顾基础医疗卫生服务信息系统的建设

前言

      从2009年开始,国内开展了热热闹闹的医疗改革,本人有幸做了一回排头浪,参与了某市基础医疗卫生服务信息系统的建设。该项目历时三年方结,虽已过八年之久,但屡屡想起,颇多感触。故留言于此,算是个念想。


      于今回顾,昔年之项目,破绽多多,吾亦将时时补充。完结之日,标题中断无待续二字。

背景

      医改开始的时候,无论是从卫生部还是到各区市卫生局都不是十分清楚,而做这种项目,更多是政绩的角度出发的。而基础医疗卫生服务信息系统也大多是目的不明,如何建设,怎样建设,建设成什么样子都是个疑问,就在大家都打破脑袋要想出个所以然的时候,电子政务系统成了被模仿的对象。


      现在看来这就像是个笑话,而当时,我就是这个笑话的一个组成部分。


合同

      最初的售前服务,笔者当时作为刚毕业的Fresh Man是不知情的,某一天,PM拿来了一个演示系统,那是某市区的基础医疗卫生服务系统(据说在非典其间发挥了巨大的作用),目的是分析实施和部署的成本。于是大体上在本地环境中配布了一下,基本算是能够正常运行,发现功能大而且全(听说开发单位耗时3个月,人数不详),操作了几次后发现,就是个流水账,联想到医院里面的情况,觉得意义不大。于是三天后,汇报了调查结果。

      此后无下文,本以为功德圆满了,忽一日,被问及山寨此物需要几多资源,楞!。

      于是,

      本着初生牛犊不怕虎的虎逼精神,

      本着一穷二白的脑细胞煞有介事的规划了一下午,报给了PM。

      几天后,PM发声“合同拿下了,构筑开发环境”


      就这样,稀里糊涂的开工了

调研

      调查活动持续了很长的时间,大概是3,4个月左右。

      第一个星期,全体开发人员都被放到了客户的服务中心(20个左右)里面,一群愣头青在客户现场观摩,问得问题和记录的内容零散,也没有统一的标准格式,更没有确认签字。周末加班汇总的时候才发现,业务都在每一个调研人员的脑海里。

      麻烦的事情出现了,客户端需求和那个高大上的系统出入很大,因为侧重点不同。照搬肯定不行。

      赶紧报给PM,才发现更大的麻烦出现了

      PM失联了。。。    

      需求还得整理啊,不能停下来

      于是,在PM若有若无的几个月里,完成了调研工作,汇集资料摆在了更上两级的领导的办公桌上。

      该领导一问三不知,于是找来了该项目的客户方负责人(笔者当时已经窃喜了,以为如此一来可以开展大忽悠运动了),这位负责人我是第一次看到,也正是这一次,知道了PM失联的原因是

      辞职了。。。

      该负责人业务、系统双精通,并且早已知道我们山寨的系统无法满足他们的建设需要(干嘛不早说)

      此时已经过了2个月,客户方似乎也知道前期沟通的不畅是两方面的原因,于是又开展了为期三个月的二次调查。

      这一次,我看到了合同,没有具体的功能,仅仅是一个说明不充分的系统说明,比如说至今都记忆犹新的挂号功能,“为客户提供快速的挂号功能,满足客户的需求“。

      什么叫快速的挂号功能,什么叫客户需求,如何满足。概无说明。

      不能指望改合同了,

      硬着头皮上吧

      中间有个小插曲,本人此时荣升PM,

      当然,这是因为山中无老虎。。。。。。

      硬着头皮上吧

开发

      按照瀑布模型的标准流程,在一群愣头青的陪伴下开始了分析,设计,开发,测试,部署工作.

      这中间经历了许多的困难,也都一个一个的解决了。

      分析:没什么可分析的,科室都是现成的,调查也是我们自己做的,脑子里不知道分析过多少次了。

      设计:对于架构的设计,功能的划分。其实不用划分功能,人家有现成的科室,我们就按照科室进行划分,主要还是考虑到架构。简单的套用了SH(Struts1.2+hibernate)框架,之所以这么做是因为对Spring不了解,没敢用害羞

      开发:如今回忆起来,开发阶段的管理一塌糊涂。完全凭着本能进行管理,没有任何的方式方法。一个人一个科室,与关联科室协商好接口协议就OK了,那个时候还有一个好习惯,做备忘录。后来演变成了内部操作手册,相当于API文档。至于source管理,负责任的说,没有!

      测试:刚开始的时候测试基本是单体手动测试,没有JUnit。这为后来的万年坑打下了坚实的基础大哭.

      部署:尽管初生牛犊不怕虎,可终究还是有思想的。部署划分为本地测试环境、客户验收测试环境和生产环境.本地结合测试出现了许多问题,排除BUG的速度还是很快的,但是测试依然不完善,没有报告,没有标准。

                 尽管如此的跌跌撞撞,系统上线运行了。我们敢写,客户敢用。好,谢谢客户,谢谢上苍偷笑

验收

      这个环节我没参与,不知道详情。见谅

过失大于贡献,今日今时想来,只此一句。

择日会就此三年中的事情做总结,望期待


智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值