预约挂号后患者实际就诊情况的数据分析

最新推荐文章于 2022-11-26 20:57:37 发布
最新推荐文章于 2022-11-26 20:57:37 发布
阅读量5.1k 收藏 26
点赞数 2
分类专栏： 数据分析笔记 文章标签： python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_38300566/article/details/87826992
版权

项目：预约挂号后患者实际就诊情况的数据分析

目录

简介

预约挂号是近年来开展的一项便民就医服务，是为了缩短看病流程，节约患者时间而产生的挂号方式。预约挂号也是一种方便患者提前安排就医计划，减小候诊时间，便于医院提升管理水平，提高工作效率和医疗质量，降低医疗安全风险的门诊挂号方式。但是预约患者不可能做到100%应诊，目前国内报道的爽约率10%以上，甚至达50%，国外报道的爽约率为3&~34%。患者会因为各种主客观原因而爽约，造成医疗资源的极大浪费。因此研究这些浪费医疗资源的人特征，对医疗资源的合理分配有重要的意义。

本次采用的数据集是kaggle上的Medical Appointment No Shows数据集，包含10万条巴西预约挂号的求诊信息，其中每行数据录入了有关患者特点的多个数值。数据中的缺失值被标记为NaN。数据列名的含义如下：

PatientId：病人Id
AppointmentID: 预约Id
Gender: 性别
ScheduledDay: 预约日期 指患者具体预约就诊的日期
AppointmentDay: 就诊日期 指患者就诊的日期
Age: 年龄
Neighbourhood: 街区 指医院所在位置
Scholarship: 福利保障 说明病人是否是巴西福利项目 Bolsa Família 的保障人群
Hipertension: 高血压
Diabetes:  糖尿病
Alcoholism: 酗酒
Handcap: 残障人士（名称错误）
SMS_received: 接收到短信提醒
No-show: 表示病人是否已如约就诊 “No”表示病人已如约就诊，“Yes”说明病人未前往就诊。

本次分析主要研究以下问题：

  1. 就诊时间与预定时间间隔越短，如约就诊的可能性就越高么？
  2. 享受福利待遇的患者如约就诊率较高吗？
  3. 不同性别的患者如约就诊的情况如何？
  4. 不同年龄段的患者如约就诊的情况如何？
  5. 接受到短信提醒的患者是否如约就诊？
  6. 不同类型病的患者如约就诊的情况如何？
# 导入包
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline

数据整理

评估数据

# 加载数据并打印几行。
df = pd.read_csv('noshowappointments-kagglev2-may-2016.csv')
df.head()

Out[2]:

 PatientIdAppointmentIDGenderScheduledDayAppointmentDayAgeNeighbourhoodScholarshipHipertensionDiabetesAlcoholismHandcapSMS_receivedNo-show
02.990000e+135642903F2016-04-29T18:38:08Z2016-04-29T00:00:00Z62JARDIM DA PENHA010000No
15.590000e+145642503M2016-04-29T16:08:27Z2016-04-29T00:00:00Z56JARDIM DA PENHA000000No
24.260000e+125642549F2016-04-29T16:19:04Z2016-04-29T00:00:00Z62MATA DA PRAIA000000No
38.680000e+115642828F2016-04-29T17:29:31Z2016-04-29T00:00:00Z8PONTAL DE CAMBURI000000No
48.840000e+125642494F2016-04-29T16:07:23Z2016-04-29T00:00:00Z56JARDIM DA PENHA011000No
#检查数据形状
df.shape

#检查数据类型，以及是否有缺失数据或错误数据的情况。
df.info()

#重复行数
sum(df.duplicated())

#缺失值行数
df.isnull().any(axis = 1).sum()

 

#age的唯一值
df.Age.unique()

Out[7]:

array([ 62,  56,   8,  76,  23,  39,  21,  19,  30,  29,  22,  28,  54,
        15,  50,  40,  46,   4,  13,  65,  45,  51,  32,  12,  61,  38,
        79,  18,  63,  64,  85,  59,  55,  71,  49,  78,  31,  58,  27,
         6,   2,  11,   7,   0,   3,   1,  69,  68,  60,  67,  36,  10,
        35,  20,  26,  34,  33,  16,  42,   5,  47,  17,  41,  44,  37,
        24,  66,  77,  81,  70,  53,  75,  73,  52,  74,  43,  89,  57,
        14,   9,  48,  83,  72,  25,  80,  87,  88,  84,  82,  90,  94,
        86,  91,  98,  92,  96,  93,  95,  97, 102, 115, 100,  99,  -1],
      dtype=int64)
  • 数据集没有缺失值，这对后面的分析来说是个大大的好消息。

数据清理

在评估数据时，发现数据集的"Handcap"列标签书写错误，为了保持列名的一致，将"No-show"列中的分隔符改成下划线。 同时"ScheduledDay"列和"AppointmentDay"列都是时间列，应该将其转化成datetime数据类型。 观察到"Age"列的唯一值中有-1，应该将其清除掉，同时为了便于分析，对"Age"列进行拆分，分成不同年龄段。

重命名列

为了与'PatientId'列名保持一致将'AppointmentID'改成'AppointmentId'，数据集中的"Handcap"列标签书写错误，将其改成"Handicap"，重命名"No-show"列标签将"-"替换为"_"。

时间化数据

使用 pandas 的 to_datetime() 方法来将数据集中的"ScheduledDay"列和"AppointmentDay"列转换为datetime 数据类型，同时计算时间间隔。

拆分年龄

Pandas 的 cut 函数可以让你将数据"切分"为组。利用pd.cut()将年纪拆分成不同的年龄段。其中0~6岁为儿童（childhood），7~17岁为少年（juvenile），18~40岁为青年（youth），41岁~65岁为中老年（middle_aged），66岁以上为老年人（elderly）

#重命名列名
df.rename(columns = {'AppointmentID':'AppointmentId',
                     'Handcap':'Handicap',
                     'No-show':'No_show'},inplace = True)
#时间化数据
df['ScheduledDay'] = pd.to_datetime(df['ScheduledDay'])
df['AppointmentDay'] = pd.to_datetime(df['AppointmentDay'])
​
#计算时间间隔
df['WaitingTime'] = df['AppointmentDay'] - df['ScheduledDay']
​
#WaitingTime列取天数,当天为-1，0
df['WaitingTime']= df['WaitingTime'].apply(lambda x: x.days)

#过滤数据
df = df[df['WaitingTime']>=-1]

df.WaitingTime.describe()

Out[10]:

count    110522.000000
mean          9.184253
std          15.255115
min          -1.000000
25%          -1.000000
50%           3.000000
75%          14.000000
max         178.000000
Name: WaitingTime, dtype: float64

#时间标签
time_names = ['Sameday','OneDay','OneWeek','TwoWeek','ThreeWeek','OneMonth']
#把数据“分割”成组的边缘列表
time_edges = [-2,0,1,7,13,18,179]
​
# 创建 WaitingDays 列
df['WaitingDays'] = pd.cut(df['WaitingTime'], time_edges, labels=time_names)
​
# 显示数据框的前几行，确认更改
df.head()

Out[11]:

 PatientIdAppointmentIdGenderScheduledDayAppointmentDayAgeNeighbourhoodScholarshipHipertensionDiabetesAlcoholismHandicapSMS_receivedNo_showWaitingTimeWaitingDays
02.990000e+135642903F2016-04-29 18:38:082016-04-2962JARDIM DA PENHA010000No-1Sameday
15.590000e+145642503M2016-04-29 16:08:272016-04-2956JARDIM DA PENHA000000No-1Sameday
24.260000e+125642549F2016-04-29 16:19:042016-04-2962MATA DA PRAIA000000No-1Sameday
38.680000e+115642828F2016-04-29 17:29:312016-04-298PONTAL DE CAMBURI000000No-1Sameday
48.840000e+125642494F2016-04-29 16:07:232016-04-2956JARDIM DA PENHA011000No-1Sameday
# 确定数据类型
df.info()

#清除年龄异常值
df = df[df['Age']>=0]
​
#将'Age'列拆分成不同年龄段
#时间标签
age_names = ['childhood','juvenile','youth','middle_aged','elderly']
#把数据“分割”成组的边缘列表
age_edges = [0,6,17,40,65,179]
​
# 创建 Generation 列
df['Generation'] = pd.cut(df['Age'], age_edges, labels=age_names)

# 显示数据框的前几行，确认更改
df.head()

​Out[13]:

 PatientIdAppointmentIdGenderScheduledDayAppointmentDayAgeNeighbourhoodScholarshipHipertensionDiabetesAlcoholismHandicapSMS_receivedNo_showWaitingTimeWaitingDaysGeneration
02.990000e+135642903F2016-04-29 18:38:082016-04-2962JARDIM DA PENHA010000No-1Samedaymiddle_aged
15.590000e+145642503M2016-04-29 16:08:272016-04-2956JARDIM DA PENHA000000No-1Samedaymiddle_aged
24.260000e+125642549F2016-04-29 16:19:042016-04-2962MATA DA PRAIA000000No-1Samedaymiddle_aged
38.680000e+115642828F2016-04-29 17:29:312016-04-298PONTAL DE CAMBURI000000No-1Samedayjuvenile
48.840000e+125642494F2016-04-29 16:07:232016-04-2956JARDIM DA PENHA011000No-1Samedaymiddle_aged

探索性数据分析

1、就诊时间与预定时间间隔越短，如约就诊的可能性就越高么？

#绘图函数
def CP_plot(df,index,df_P,key=''):
    fig, ax1 = plt.subplots(figsize=(8,5))
    df.plot(kind = 'bar',rot=0,ax=ax1)
    # 标题和标签
    plt.ylabel('Counts',fontsize = 14)
    plt.xlabel('{:s}'.format(key),fontsize = 14)
    plt.title('Probability of the {:s}'.format(key),fontsize = 14)
​
    ax2 = ax1.twinx()  #plt second data set using second(right) axis
    ax2.set_ylim([0, 0.5])
    #plt.plot(['0','1'],[No_SMS_received_P,SMS_received_P],'r>-')
    sns.pointplot(x=index, y=df_P, color='r', ax=ax2)
    plt.ylabel('Probability',fontsize = 14)
    return None
#计算不同的时间间隔，如约就诊的可能性
WaitingDays_Count = df.query('No_show == "Yes"').WaitingDays.value_counts(sort=False)
No_WaitingDays_Count = df.query('No_show == "No"').WaitingDays.value_counts(sort=False)
df_1 = pd.DataFrame({'Yes':WaitingDays_Count,'No':No_WaitingDays_Count})
​
​
WaitingDays_P = df.query('No_show == "Yes"').WaitingDays.value_counts(sort=False)/df['WaitingDays'].value_counts(sort=False)
​
#绘图
CP_plot(df_1,WaitingDays_P.index, WaitingDays_P,key='WaitingDays')

df.groupby('WaitingDays')['No_show'].value_counts()
WaitingDays  No_show
Sameday      No         40870
             Yes         2905
OneDay       No          5123
             Yes         1602
OneWeek      No         16852
             Yes         5727
TwoWeek      No          6699
             Yes         2994
ThreeWeek    No          3948
             Yes         1878
OneMonth     No         14715
             Yes         7208
Name: No_show, dtype: int64
df.groupby('WaitingDays')['No_show'].value_counts().unstack()

#WaitingDays_P = df.query('No_show == "Yes"').WaitingDays.value_counts(sort=False)/df['WaitingDays'].value_counts(sort=False)
fig,ax1 = plt.subplots(figsize = (8,5))

df.groupby('WaitingDays')['No_show'].value_counts().unstack().plot(kind='bar',rot=0,ax=ax1)
plt.ylabel('Count',fontsize = 14)

ax2 = ax1.twinx()  #plt second data set using second(right) axis
ax2.set_ylim([0, 0.5])    
sns.pointplot(x=WaitingDays_P.index, y=WaitingDays_P, color='r', ax=ax2)
plt.ylabel('Probability',fontsize = 14)
plt.title('Probability of the WaitingDays',fontsize = 14)

  • 当天预约，当天就诊的人数最多；
  • 预约时间与就诊时间间隔越短，如约就诊的可能性越高，而且随着间隔时间越长，爽约率越高。

2、享受福利待遇的患者如约就诊率较高吗？

 #计算福利待遇患者如约就诊率
Scholarship_Count = df.query('No_show == "Yes"').Scholarship.value_counts()
No_Scholarship_Count = df.query('No_show == "No"').Scholarship.value_counts()
df_2 = pd.DataFrame({'Yes':Scholarship_Count,'No':No_Scholarship_Count})
​
Scholarship_P = (df.query('Scholarship == 1')['No_show'] == "Yes").mean()
No_Scholarship_P = (df.query('Scholarship == 0')['No_show'] == "Yes").mean()

#绘图
CP_plot(df_2,['0','1'],[No_Scholarship_P,Scholarship_P],key='Scholarship')

可以看出享受福利待遇的患者，如约就诊的可能性低于没有享受福利待遇的患者，说明福利待遇没有提高按时就诊率。

3、不同性别、年龄段的患者如约就诊的情况如何？

A.不同性别的患者如约就诊率如何？

 #计算不同性别的患者如约就诊率
Gender_Count = df.query('No_show == "Yes"').Gender.value_counts()
No_Gender_Count = df.query('No_show == "No"').Gender.value_counts()
df_3 = pd.DataFrame({'Yes':Gender_Count,'No':No_Gender_Count})
​
Female_Yes = (df.query('Gender == "F"')['No_show'] == "Yes").mean()
Male_Yes = (df.query('Gender == "M"')['No_show'] == "Yes").mean()
​
#绘图
CP_plot(df_3,['Female','Male'],[Female_Yes,Male_Yes],key='Gender')

  • 男性患者如约就诊的可能性比女性患者略低一点。

B.不同年龄段的患者如约就诊率如何？

#计算不同年龄段的患者如约就诊率
Generation_Count = df.query('No_show == "Yes"').Generation.value_counts(sort=False)
No_Generation_Count = df.query('No_show == "No"').Generation.value_counts(sort=False)
df_4 = pd.DataFrame({'Yes':Generation_Count,'No':No_Generation_Count})
​
Generation_P = df.query('No_show == "Yes"').Generation.value_counts(sort=False)/df['Generation'].value_counts(sort=False)
#No_WaitingDays_P = df.query('No_show == "No"').WaitingDays.value_counts(sort=False)/df['WaitingDays'].value_counts(sort=False)
​
#绘图
CP_plot(df_4,Generation_P.index, Generation_P,key='Generation')

  • 中老年患者如约就诊的人数最多；
  • 65岁以后的老年患者如约就诊的可能性最高，青少年患者如约就诊的可能性较低。

C.不同性别、年龄段的患者如约就诊的情况如何？

#计算不同性别，每个年龄段如约就诊的数量
female_counts = df.query('Gender == "F"').groupby(['No_show','Generation'])['Age'].count()
male_counts = df.query('Gender == "M"').groupby(['No_show','Generation'])['Age'].count()

#计算男性患者的每个年龄段的如约就诊率和爽约率
Female_Yes = female_counts['Yes']/df.query('Gender == "F"').groupby(['Generation'])['Age'].count()
Male_Yes = male_counts['Yes']/df.query('Gender == "M"').groupby(['Generation'])['Age'].count()
df_111 = pd.DataFrame({'F':Female_Yes,'M':Male_Yes})
​
#绘图
df_111.plot(figsize=(8,5),style = 'o-')
# 标题和标签
plt.ylabel('Probability',fontsize = 14)
plt.xlabel('Generation',fontsize = 14)
labels = ['childhood', 'juvenile', 'youth', 'middle_aged', 'elderly']  # x 坐标刻度标签
plt.xticks(np.arange(len(Female_Yes)),labels)
plt.title('Probability of the Generation and Gender',fontsize = 14);

男性患者和女性患者，少年爽约率均最高，老年爽约率均最低。

#获取女性每个年龄段等级数量
female_counts = df.query('Gender == "F"').groupby(['No_show','Generation'])['Age'].count()
Female_No = female_counts['No']
Female_Yes = female_counts['Yes']
​
#获取男性每个年龄段等级数量
male_counts = df.query('Gender == "M"').groupby(['No_show','Generation'])['Age'].count()
Male_No = male_counts['No']
Male_Yes = male_counts['Yes']
#绘制不同性别每个年龄段的如约就诊人数图
fig, ax = plt.subplots(figsize = (15,5))
ind = np.arange(len(Female_No))  # 组的 x 坐标位置
width = 0.35  
​
plt.subplot(1, 2, 1)
# 绘制条柱
No_bars = plt.bar(ind, Female_No, width, color='r', alpha=.7, label='No')
Yes_bars = plt.bar(ind + width, Female_Yes, width, color='b', alpha=.7, label='Yes')
​
# 标题和标签
plt.ylabel('Counts')
plt.xlabel('Generation')
plt.title('Female')
locations = ind + width / 2  # x 坐标刻度位置
labels = ['childhood', 'juvenile', 'youth', 'middle_aged', 'elderly']  # x 坐标刻度标签
plt.xticks(locations, labels)
#plt.axhline(y=Male_No,color = 'g',linewidth = 0.5);
​
# 图例
plt.legend();
​
plt.subplot(1, 2, 2)
# 绘制条柱
No_bars = plt.bar(ind, Male_No, width, color='r', alpha=.7, label='No')
Yes_bars = plt.bar(ind + width, Male_Yes, width, color='b', alpha=.7, label='Yes')
​
​
# 标题和标签
plt.ylabel('Counts')
plt.xlabel('Generation')
plt.title('Male')
locations = ind + width / 2  # x 坐标刻度位置
labels = ['childhood', 'juvenile', 'youth', 'middle_aged', 'elderly']  # x 坐标刻度标签
plt.xticks(locations, labels)
#plt.axhline(y=Male_No,color = 'g',linewidth = 0.5);
​
# 图例
plt.legend();

  • 女性患者在40~65岁的如约就诊人数最多，在0~6岁的如约就诊人数和爽约人数均最少。
  • 男性患者在40~65岁的如约就诊人数最多，在65岁以上的如约就诊人数和爽约人数均最少；
  • 男性患者和女性患者的如约就诊率最高的年龄段都是65岁以上。

5、接收到短信提醒的患者如约就诊率如何？

#计算接收到短信提醒的患者如约就诊率
SMS_received_Count = df.query('No_show == "Yes"').SMS_received.value_counts(sort=False)
No_SMS_received_Count = df.query('No_show == "No"').SMS_received.value_counts(sort=False)
df_s = pd.DataFrame({'Yes':SMS_received_Count,'No':No_SMS_received_Count})
​
SMS_received_P = (df.query('SMS_received == 1')['No_show'] == "Yes").mean()
No_SMS_received_P = (df.query('SMS_received == 0')['No_show'] == "Yes").mean()
​
#绘图
CP_plot(df_s,['0','1'],[No_SMS_received_P,SMS_received_P],key='SMS_received')

  • 可以看出接收到短信提醒的患者如约就诊率低于没有收到短信提醒的患者，即短信提醒功能没有提高如约就诊率。

6、不同种类病患者如约就诊率如何？

A.不同疾病的年龄分布状况

#设置背景及标题
sns.set_style('dark')
​
f, (ax1, ax2, ax3) = plt.subplots(1, 3, figsize=(15, 4), sharex=True)
f.suptitle('Age distribution of different types of Diseases')
​
#作图
sns.distplot(df.query('Hipertension == 1')['Age'],ax=ax1)
sns.distplot(df.query('Diabetes == 1')['Age'],color='g',ax=ax2)
sns.distplot(df.query('Alcoholism == 1')['Age'],color='r',ax=ax3)
ax1.legend('Hipertension')
ax2.legend('Diabetes')
ax3.legend('Alcoholism');

 

#不同疾病，不同年龄段的患者数量
m = df.groupby('Generation').sum()
​
#设置背景及标题
sns.set_style('dark')
​
f, ax = plt.subplots(1, 3, figsize=(15, 4), sharex=True)
f.suptitle('Generation distribution of different types of Diseases')
​
#作图
​
plt.subplot(131)
m.Hipertension.plot(kind = 'pie',autopct='%.0f%%')
​
plt.subplot(132)
m.Diabetes.plot(kind = 'pie',autopct='%.0f%%')
​
plt.subplot(133)
m.Alcoholism.plot(kind = 'pie',autopct='%.0f%%')

 

可以看出，高血压、糖尿病患者人群集中在50~70岁之间，而醺酒患者人群集中在50岁左右。 按年龄段看，三种疾病中儿童和少年阶段的患者太少，中老年患病人数是最多的。

B.不同疾病的如约就诊率

#计算不同年龄段如约就诊的概率
m1 = df.query('No_show == "Yes"').groupby('Generation').sum()/df.groupby('Generation').sum()
​
#绘图
#设置背景及标题
sns.set_style('dark')
​
f, (ax1, ax2, ax3) = plt.subplots(3, 1, figsize=(6, 6), sharex=True)
f.suptitle('Age distribution of different types of Diseases')
​
#作图
sns.pointplot(m1.index,m1.Hipertension,ax=ax1)
sns.pointplot(m1.index,m1.Diabetes,color='g',ax=ax2)
sns.pointplot(m1.index,m1.Alcoholism,color='r',ax=ax3);
 

可以看出高血压和糖尿病这两种病，儿童患者的爽约率较高，醺酒患者爽约率最高的是儿童和少年，但对于这三种病来说，儿童和少年患者的样本量太小，这个结果没有实际意义。但从其他三个年龄段看的话，我们可以得知，各种病患者年纪越大，如约就诊的可能性越大。

结论

通过上面的分析，我们可以得出的结论如下：

  1. 就诊时间与预定时间间隔越短，如约就诊的可能性就越高,当天预约如约的可能性越高。
  2. 享受福利待遇和短信提醒服务对提高如约就诊率没有帮助。
  3. 单就性别来看，患者如约就诊率差别不大。
  4. 中老年患者如约就诊的人数最多,65岁以后的老年患者如约就诊的可能性最高，青少年患者如约就诊的可能性较低。。
  5. 女性患者在40~65岁的如约就诊人数最多，在0~6岁的如约就诊人数和爽约人数均最少。 男性患者在40~65岁的如约就诊人数最多，在65岁以上的如约就诊人数和爽约人数均最少。65岁以上的男性患者和女性患者的如约就诊率均是最高的。
  6. 对于高血压和糖尿病这两种病，患者人群集中在50~70岁之间，醺酒患者人群集中在50岁左右，这三种病儿童和少年的患者人数微乎其微，各种病患者年龄越大，如约就诊的可能性也就越大。

说明

本次数据采用的巴西预约挂号的求诊信息，由于只有一个国家的数据信息，因此对于其他国家，未必适用。

超好用的 pandas 之 groupby:https://www.jianshu.com/p/42f1d2909bb6

ZLuby
关注
  • 2
    点赞
  • 踩
  • 26
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
Udacity数据分析（入门）-巴西预约挂号数据分析
数据菜鸡的博客
11-18 1658
mysql医疗挂号系统数据库_医院预约挂号系统 数据库
weixin_35893552的博客
02-07 1638
【实例简介】mysql+myeclipse.有数据库代码，有说明文档【实例截图】【核心代码】guahaolast2├── 代码│ ├── src│ │ ├── control│ │ │ ├── AdminAction.java│ │ │ ├── DoctorAction.java│ │ │ ├── OrderAction.java│ │ │...
医院预约挂号系统 数据库
05-07
mysql+myeclipse.有数据库代码，有说明文档
医院预约挂号系统数据库
05-20
医院预约系统数据库 方便数据收集 mysql使用的数据库
数据库大设计需求分析（门诊挂号系统）
Dennis_t的博客
04-08 5142
需求分析：1. 持卡人：属性（卡编号，姓名，性别，年龄，电话，发卡日期）2. 操作员：属性（编号，姓名）一个操作员进行多个收费结算，一个收费结算只对应一个操作员。3. 医生：属性（医生编号，姓名，科室）一个医生只属于一个科室4. 科室：属性（科室编号，名称）5. 门诊项目：属性（项目编号，项目名称，规格，单位，数量，小计）6. 单据：属性（单据号，持卡人卡编号，金额，结算方式，时间，操作员）收费结...
医院预约挂号系统源码+数据库
03-07
请看链接：https://blog.csdn.net/qq_38275941/article/details/88309380
医院门诊预约挂号管理系统 文献综述
12-08
本文档对基于SpringBoot的医院门诊预约挂号管理系统进行了文献综述，探讨了这一系统的背景、架构和主要功能，同时也分析了Java和Vue两种技术在系统设计中的应用。 1. **系统背景与需求** 在传统医院门诊模式中，...
网络预约系统（医院预约挂号登记）源码
最新发布
03-20
《网络预约系统（医院预约挂号登记）源码详解》 在当今信息化社会，医疗资源的高效利用成为关注焦点，而网络预约系统正是解决这一问题的重要工具。本文将深入解析一个典型的网络预约系统——医院预约挂号登记的源码...
医院crm预约挂号系统_crm_预约挂号_预约系统_预约_
09-28
7. **数据分析**：收集和分析患者预约、就诊数据，为医院提供决策支持，如调整医生排班、优化预约策略等。 8. **隐私保护**：严格遵循医疗信息保护法规，确保患者信息安全，防止数据泄露。 9. **接口集成**：与...
医院预约挂号系统
04-11
随着5G、人工智能等技术的发展，未来的预约挂号系统可能会更加智能化，如通过大数据分析预测医生的热门时段，提供个性化推荐；结合AI助手提供在线咨询和初步诊断服务，进一步提高医疗服务的便捷性和效率。 综上所...
互联网医疗下患者持续线上咨询和线下就诊意愿影响因素研究.pdf
07-15
互联网医疗下患者持续线上咨询和线下就诊意愿影响因素研究.pdf
中国医院信息基本数据集.mdb
02-24
中国医院信息基本数据集.mdb
medical-no-show-appointment:分析医疗未就诊约会数据集
04-04
Udacity数据分析纳米学位项目 分析医疗未就诊约会数据集 介绍： 该数据集从巴西的10万例医疗约会中收集信息，重点关注患者是否出现参加其约会的问题。 每行都包含有关患者的许多特征。 数据字典： 性别：男性或女性。 年龄：患者多大。 奖学金：表明患者是否已加入巴西福利计划BolsaFamília。 高血压：对错 糖尿病：对错 酒精中毒：对错 上限：对或错 SMS_received：向患者发送了1条或更多消息。 没出现：正确或错误。
Udacity-DAND
04-12
Udacity-DAND 这些项目是Udacity的Data Analyst Nanodegree的一部分
DAND-QA:DAND答疑材料。包括Python入门、数据分析入门及Tableau项目
05-10
QA基本内容 常见非课程问题答疑/提问的正确方法：见本页面，以及对应的项目页面。由于助教负责很多人的答疑，如果收到的提问没有提供足够背景信息，将很难处理，不利于提高答疑效率，敬请理解； 大部分课程及项目文件：见各项目对应文件夹（Python/数据分析/Tableau)； 常见课程内容答疑：各文件夹。 对应项目的问题，请看下图中对应的三个文件夹： 常见非课程内容答疑 声明 助教不是Udacity的工作人员，不对有关课程设置、课程内容和安排等事项做任何保证，任何在此QA页面提到的相关内容，可能由于各种原因并不是最新的情况，仅供参考。一切事项以Udacity工作人员在社群、论坛或者邮件发送的最新通知、公告为准。 【万能链接】咨询、退款、发票等请见 1. 什么是通关？如何通关？ 通过所在群的对应项目，即审阅页面显示“Meet Specifications” （如果显示“Requires Chang
java毕设课设基于Web在线预约挂号管理系统+sql数据库脚本
07-15
在线预约挂号：患者可以选择合适的就诊时间，预约指定医生。 就诊记录查询：患者可以在个人中心查看自己的就诊记录，包括预约信息、就诊状态等。 医生功能： 医生信息管理：医生可以查看和修改个人信息，包括姓名、...
【计算机毕业设计】45.医院挂号系统
卓怡学长的博客
11-26 2370
摘 要 伴随着社会以及科学技术的发展，互联网已经渗透在人们的身边，网络慢慢的变成了人们的生活必不可少的一部分，紧接着网络飞速的发展，管理系统这一名词已不陌生，越来越多的医院、公司等机构都会定制一款属于自己个性化的管理系统。 本毕业设计的内容是设计并且实现一个基于JSP技术的医院网上预约挂号系统。采用MYSQL为数据库开发平台，SSM框架，Tomcat网络信息服务作为应用服务器。医院网上预约挂号系统的功能已基本实现，主要用户、医生、就诊信息、挂号预约、行踪轨迹、异样报告、在线咨询、咨询回复、留言板等。
NoShowAppointments-Investigation:对于我们而言，重要的因素是我们必须知道，以便预测患者是否会出现在他们预定的约会中
03-11
NoShowAppointments-调查 调查未到诊就诊约会数据集：此数据集从巴西的10万次医疗约会中收集信息，重点关注患者是否出现参加其约会的问题。 此项目是埃及FWD的Advanced Data Analysis NanoDegree的一部分，（第一个项目） -项目状态：[已完成] 项目目标 一个人预约医生，接受所有指示，但没有出现。 谁惹的祸？ 因此，我们试图找出对于我们来说很重要的因素，以便预测患者是否会出现在他们预定的约会中。 使用方法 数据整理 探索性数据分析 数据可视化 技术领域 Python 熊猫，朱庇特 项目方向 该数据集包含有关患者的一些信息，例如： 性别 年龄 该患者是否参加了巴西福利计划“ BolsaFamília”。 其他有关约会的信息： 约会的日子 预约注册的日期 收到短信，发送给患者的消息以及患者患有的某些疾病： 高血压 糖尿病 酗酒 手帽 问
对预约挂号平台系统进行功能性分析及非功能性分析
03-27
4. 患者信息管理：患者可以在预约挂号平台系统中管理自己的个人信息和就诊记录，便于医生进行诊疗。 5. 就诊记录管理：预约挂号平台系统可以记录用户的就诊记录，方便用户查看自己的就诊历史和医生进行诊疗。 6. ...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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