Page 121 - 《中国药房》2026年5期

表2 模型评价相关指标结果
模型评价相关指标内容 数值
MAE/min 4.28，95%CI[4.01，4.56]
RMSE/min 5.91
MAPE/min 0.272 2
A.系统界面 B. TV界面 C.报到小票
R 2 0.882，95%CI[0.852，0.904]
图5 中药房智能调剂取药系统性能示例 Shapiro-Wilk正态性检验 W＝0.9575，P＜0.001
Breusch-Pagan异方差检验 LMP＜0.001，P＜0.001
2.4 患者取药等待时间预测模型评价
Durbin-Watson自相关统计量 2.020
本研究基于 stacking 集成学习框架，采用 GBR、 KS两样本检验（真实值 vs. 预测值） KS＝0.086，P＝0.003 547
LightGBM、RF模型为基学习器，RidgeCV模型为元学习 CI：置信区间（confidence interval）。
器，对患者取药等待时间进行预测，结果如图6所示。由 2.5 满意度调查结果
图6可知，取药等待时间真实值与预测值在参考线附近 2.5.1 药师满意度
药师满意度调查结果（表 3）显示，药师对传统法和
的分布趋势较为一致，说明模型的整体拟合效果良好；
系统法的综合满意度分别为（70.99±1.74）、（90.02±
残差分布虽呈一定偏度，但整体近似钟形，说明构建的
1.30）分（P＜0.01），表明药师更认可系统法。该结果还
模型对预测结果稳定性影响较小。
显示，系统法可简化流程环节、缩短调剂时间，能准确预
120
100 100 测患者取药等待时间并协助药师快速找到目标药品，方
预测等待时间/min 60 频数 60 法操作简便且考虑全面，可减轻药师工作强度。
80
80
40
40
表3 药师满意度调查结果（x±s，n＝20，分）
20
0 20 0 传统法 系统法
0 20 40 60 80 100 －20 －10 0 10 20 30 满意度层面 题项
真实等待时间/min 残差 满意度 综合满意度 满意度 综合满意度
A.真实等待时间 vs. 预测等待时间 B.残差分布 流程效率 流程简化 73.65±4.17 91.00±4.76 a
图6 预测等待时间与真实等待时间对比 时间节省 65.50±3.94 85.90±4.22 a
工作准度 时效预测 60.50±3.27 90.55±2.37 a
由特征与目标的互信息分析结果（图 7）可见，每剂 药品定位 66.85±4.36 70.99±1.74 96.25±2.75 a 90.02±1.30 a
方法质量 操作便捷 83.65±3.01 85.80±3.87 a
质量、处方总质量、上一位患者等待时间、前3位平均调
环节完备 77.75±3.34 91.25±3.19 a
剂效率及前3位平均等待时间等是影响取药等待时长的 药师体验 强度降低 74.00±4.47 86.65±2.35 a
沟通高效 66.00±4.40 92.75±2.55 a
关键特征，符合中药调剂流程的业务逻辑。
a：与传统法比较，P＜0.01。
log_每剂质量
每剂质量 2.5.2 患者满意度
log_处方总质量
处方总质量
上一位等待时间 由患者满意度调查结果（表 4）可知，患者对传统法
前3位平均调剂效率
past30m_等待均值
前3位平均等待时间 和系统法的综合满意度分别为（73.58±1.98）、（88.61±
一日中的分钟数
分钟_sin 2.08）分（P＜0.01），表明患者更接受系统法。该结果也
负载强度
log_调剂积压量
调剂积压量 表明，系统法可通过提高药师工作效率来缩短患者取药
分钟_cos
特征 复杂度指数 等待时间，并消除患者在“调剂状态及等待时间”获取上
报到小时
报到小时_sin
报到小时_cos 的“信息黑洞”。
药品种数
剂数
是否午休时间 表4 患者满意度调查结果（x±s，n＝50，分）
报到星期
在岗人数
past30m_间隔均值 满意度层面 题项 传统法 系统法
是否高峰时段
past30m_到达人数 满意度 综合满意度 满意度 综合满意度
是否周末 a
与前一位报到时间差 流程效率 流程顺畅 73.60±3.92 86.48±3.50
是否夜间时段 等候缩短 80.10±4.57 92.60±3.23 a
0 0.05 0.10 0.15 0.20 0.25 0.30
互信息 沟通交流 信息获取 56.30±4.93 92.20±3.93 a
图7 特征与目标的互信息分析图 服务咨询 77.20±5.55 73.58±1.98 86.30±4.38 a 88.61±2.08 a
方法质量 实用性能 79.16±5.15 91.00±3.78 a
模型评价相关指标结果（表 2）显示，本预测模型的 接受程度 74.24±4.46 86.10±3.95 a
患者体验 取药环境 71.00±3.91 84.64±4.58 a
主要性能指标 MAE 为 4.28 min，R 为 0.882；通过 Boot‐ 取药体验 77.00±4.74 89.54±4.21 a
2
strap 法计算得到 95%CI 分别为[4.01，4.56]和[0.852， a：与传统法比较，P＜0.01。
0.904]，表明模型的拟合能力与泛化性能良好；残差诊断 3 讨论
结果显示，模型不存在显著自相关，预测误差结构可接 本研究表明，基于数智驱动开发的中药房智能调剂
受，从而支持其在真实中药房场景下的应用可行性。 取药系统，在实际应用中流程优化效果显著。通过价值
中国药房 2026年第37卷第5期 China Pharmacy 2026 Vol. 37 No. 5 · 663 ·