基于关联规则的医疗器械预配货模板的设计与实现

贺紫珺

摘 要：随着医疗器械供应链管理朝着信息化和透明化的趋势发展，市面上出现了越来越多医疗器械供应链平台。但这些供应链平台的仓储模式比较繁琐，需要人工确认订单所需商品信息，大量订单产生后使仓库配货造成人工失误的几率越来越大。由于每笔订单中相同手术部位所需器械大部分相同，本系统分析了业务订单中客户长期搭配购买的医疗器械，通过使用Apriori算法和泊松分布计算商品之间和商品数量之间的关联关系，从而设计了多套预配货模板，这些模板使仓库人员可以提前准备与模板相匹配的预配货箱子，从而提高仓库的配货效率。

关键词：医疗器械供应链;预配货;关联规则;Apriori算法

文章编号：2095-2163（2019）04-0051-04 中图分类号：TP311.13 文献标志码：A

0 引 言

中国医疗器械产业整体发展势头迅猛，为医疗器械专业物流带来了广阔的发展机遇。但是，由于器械设备的专业性、产品以及流通渠道的特殊性，医疗器械物流一直未能受到广泛重视，专业的第三方医疗器械物流企业数量寥寥无几，主要原因在于行业监管松散和技术应用落后[1]。随着信息技术及互联网的飞速发展，各种信息数据正在快速的增长，电子商务也在经历飞速的发展，医疗器械电商配送渐成体系[2]，订单数量急剧增长。仓库中需要大量重复利用的订单使配货流程变得更加繁琐，急需一套能够帮助企业节省配货效率的方法。

本文利用数据挖掘相关技术设计一套企业预配货模板，利用关联规则分析器械之间的关联关系，而Apriori算法是数据挖掘中进行关联规则挖掘的经典算法。如文献[3]利用Apriori算法挖掘高校学生成绩，文献[4]利用该算法挖掘高校Web日志，文献[5]分析航空设备故障关联关系，文献[6]利用数据挖掘技术分析研究了电力系统二次设备缺陷等等。

利用关联规则挖掘技术可以发现许多隐藏在数据背后的信息，如发现订单的医疗器械之间相互关联关系。本文利用关联挖掘技术计算出订单中相关的预配货模板，使得系统管理员可以在供应链平台中添加预配货模板，从而使仓库人员提前通过预配货模板在仓库中装配好与预配货模板对应的多个预配货箱子，使得每次发货时直接将预配货箱子运送给客户，达到减少配货时间、提高发货效率的功能。

1 相关分析

1.1 关联规则

如果2个或多个变量的取值之间存在某种规律性，则称为关联。关联规则是寻找在同一个事件中出现不同项的相关性，在机器学习研究领域，学者們已经提出多种关联规则的挖掘算法，如Apriori、FP-growth、Eclat算法等，本文主要使用的是Apriori算法。

1.1.1 关联规则相关定义

定义3 关联规则的支持度。关联规则的支持度是指事务数据库D中，蕴含有X以及Y事务占据全部事务的百分比，即：

一般将其看成是最小置信度，记为min_conf。

定义5 频繁项集。满足最小支持度的项集即为频繁项集，记为Lk。

定义6 强关联规则。强关联规则指的是满足最小支持度和最小置信度的规则。关联规则挖掘过程分为2个步骤：找出事务数据库中所有频繁项集;由频繁项集产生强关联规则。

1.1.2 Apriori算法

Apriori算法[3]是关联规则中经典算法之一。要想获得频繁k项集，必须通过频繁k-1项集迭代得到，以此类推，得到全部项集。Apriori算法主要步骤如下：

（1）连接

（2）剪枝

（3）产生强关联规则

通过（1）和（2）步骤找出事务数据库D中的频繁项集Lk，通过以下步骤得到满足最小支持度和最小置信度的关联规则：

①计算出每个频繁项集l的所有非空子集;

1.2 泊松分布

2 基于关联规则的医疗器械预配货模板的设计

本功能模块通过分析大量相同手术部位的订单信息，发现大部分订单会搭配使用一些医疗器械。经过分析与整理每一笔订单里经常会搭配出现的医疗器械，将这些医疗器械组合起来，形成一个预配货模板。本文主要通过3个步骤设计企业预配货模板：

（1）给每种器械进行编号，通过关联规则计算出搭配使用的医疗器械的编号;

（2）通过泊松分布计算出相应器械数量存在于订单中的大概率区间;

（3）通过关联规则分析各器械数量的大概率区间是否相关，若相关则各器械取能够满足大部分订单的数量;若无关则取其中一个器械的大概率区间，分析出与之相关器械的取值区间，最后取这些区间里的中位数为预配货模板里对应器械的数量。

2.1 利用Apriori算法找出搭配使用的器械编号

2.2 [ZK（]利用泊松分布和Apriori算法得出每个模板中所有器械的数量

2.2.1 利用泊松分布计算出模板中器械数量的大概率分布区间

分别计算出当x，y和z这3种类型器械进行组合时，每种器械数量的概率分布：

3 实 现

3.1 基于关联规则的医疗器械预配货模板的实现

本文使用python实现Apriori算法计算预配货模板，主要代码如图1所示。

图1中有一个关键函数aprioriGen，主要用于生成候选项集，该函数主要功能为：

3.2 添加预配货模板的实现

得到预配货模板信息后，系统管理员将相应的信息录入系统，本部分功能主要是对预配货模板的增删改查，主要涉及的类见表4。

首先预配货模板汇总页面显示所有的预配货模板，该功能主要是通过PrematchTemplateInfoController类的findAllByPage方法实现，使用PC端创建新模板界面如图2所示。该页面保存模板的功能主要通过PrematchTemplateInfoController类的saveTemplate方法实现，查看模板信息是通过PrematchTemplateInfo Controller类的finddetail方法实现。

4 结束语

本文通过分析企业大量订单信息，为减少企业配货时间，提高企业配货效率，结合数据挖掘中关联挖掘的相关知识，利用Apriori算法和泊松分布为企业计算出与订单相匹配的预配货模板，使企业在下单之前通过该模板装配好对应器械和数量的预配货箱子，从而通过订单中商品信息直接进行发货操作。本方法经过用户的实际使用能够满足业务需求，并为其它类似系统的研发提供了借鉴。

参考文献

[1]崔忠付. 我国医疗器械物流发展问题与趋势分析[J]. 物流技术与应用， 2015， 20 （11） ：50-51.

[2]叶楠. 医疗器械电商转型的全渠道战略—康复之家案例研究 [D]. 北京：北京外国语大学，2017.

[3]吴小东，曾玉珠. 基于Apriori算法的高校学生成绩数据挖掘[J]. 廊坊师范学院学报（自然科学版），2019，19（1）：31-36.

[4]王春玲，李川，李想. 基于Apriori算法的高校Web日志挖掘系统构建[J]. 中国林业教育，2019，37（2）：22-26.

[5]陈秀秀，刘凯，马双涛，等. 基于Apriori算法的航空设备故障关联分析[J]. 山东师范大学学报（自然科学版），2019，34（1）：48-53.

[6]皇甫汉聪，肖招娣. 基于Apriori算法的电力系统二次设备缺陷数据挖掘与分析研究[J]. 电子设计工程，2019，27（5）：6-9，15.

[7]TAN Pangning， STEINBACH M， KUMAR V. 数据挖掘导论[M]. 范明， 范宏建， 译. 北京：人民邮电出版社，2010 .

[8]赵瑛. 关于泊松分布及其应用[J]. 辽宁省交通高等专科学校学报，2009，11（2）：77-78.