CN103488890A

CN103488890A - 一种基于朴素贝叶斯的患者药物不良反应预警方法和系统

Info

Publication number: CN103488890A
Application number: CN201310429691.2A
Authority: CN
Inventors: 邓梦龙; 陈诚; 李光亚
Original assignee: WANDA INFORMATION CO Ltd
Current assignee: WANDA INFORMATION CO Ltd
Priority date: 2013-09-18
Filing date: 2013-09-18
Publication date: 2014-01-01

Abstract

本发明提供了一种基于朴素贝叶斯的患者药物不良反应预警方法和系统。其特征在于基于医院已有的信息化系统和及系统中既有的患者基本情况、临床诊断、用药情况、病理体征、检查检验情况等数据，以及药物临床试验数据和药物不良反应病例报告数据，使用特定算法进行概率计算，对可能发生的高概率不良反应时间进行提醒。本发明能够帮助临床医生和药师进行用药安全性分析，调整用药方案，提高医疗服务水平。

Description

一种基于朴素贝叶斯的患者药物不良反应预警方法和系统

技术领域

本发明涉及一种基于朴素贝叶斯的患者药物不良反应预警方法和系统。

背景技术

药品不良反应(Adverse Drug Reaction，ADR)是指合格药品在正常用法用量下出现的与用药目的无关的或意外的有害反应，药物不良事件的诊断评价的主体一般为临床医师，但是由临床药师单独进行可疑药物不良事件的诊断评价对临床药师的知识结构和临床实践经验要求很高，而且主要依靠评判者的知识和经验，因而人为因素干扰较大。而当前医疗机构信息化系统中已含有大量患者用药诊疗数据，充分利用信息化系统的数据做一些统计分析可以帮助临床医生和药师进行用药提醒和安全性分析。

发明内容

本发明的目的是在医院现有的信息系统的基础上建立患者药物不良反应预警方法及系统，帮助临床医生和药师进行用药安全性分析，调整用药方案，提高医疗服务水平。

为了达到上述目的，本发明的一个技术方案是提供了一种基于朴素贝叶斯的患者药物不良反应预警方法，其特征在于，步骤为：

步骤1、将医院现有的信息化系统中的药品信息数据与药物不良反应病例报告数据在系统初始化时导入数据库；

步骤2、收集目标患者的特征信息：从医院现有的信息系统中收集目标患者当前的各项特征信息，至少包括年龄、性别、现病史、各项临床症状和检查结果，以T₁，T₂，……，T_n表示；

步骤3、分析目标患者用药信息和相关药物信息：从医院现有的信息系统中查出目标患者的历史用药信息，并依据可靠的药物临床试验数据和药品信息库获取目标药物发生不良反应的先验概率，以p(D)表示；

步骤4、检索药物不良反应病例报告库，从相同药物的不良反应病例中计算各个特征项T₁，T₂，……，T_n出现的似然概率，第i个特征项T_i的似然概率表示为p(T_i|D)；

步骤5、使用与步骤4相同的方法从医院现有的信息系统中统计出各个特征项T₁，T₂，……，T_n出现的先验概率，第i个特征项T_i的先验概率表示为p(T_i)；

步骤6、应用朴素贝叶斯方法统计患者发生药物不良反应的概率：目标患者在各个特征项T₁，T₂，……，T_n的条件下发生药物不良反应的概率表示为p(D|T₁，T₂，……，T_n)，

p (D | T_{1}, T_{2}, \cdot \cdot \cdot \cdot \cdot \cdot, T_{n}) = \frac{1}{1 + Π_{i = 1}^{n} (\frac{1}{p (D | T_{i})} - 1) \cdot {(\frac{p (D)}{1 - p (D)})}^{n - 1}},

其中，当p(D|T₁，T₂，……，T_n)超过指定的阈值时，医院的信息系统将向使用医生给出预警。

优选地，在所述步骤4中，第i个特征项T_i的似然概率p(T_i|D)的计算方法为：若第i个特征项T_i为分类属性，则p(T_i|D)是药物不良反应病例报告库中具有T_i属性的目标药物不良反应病例数除以总的目标药物不良反应病例数；若第i个特征项T_i为连续值属性，则：

p (T_{i} | D) = \frac{1}{σ_{D} \sqrt{2 π}} \exp (- \frac{{(x - μ_{D})}^{2}}{2 {σ_{D}}^{2}}),

其中，μ_D及σ_D分别是总目标药物不良反应病例的T_i属性的平均值和标准差。

本发明的另一个技术方案是提供了一种基于朴素贝叶斯的患者药物不良反应预警系统，其特征在于：基于医院已有的信息化系统及系统中既有的患者数据，以及药物临床试验数据和药物不良反应病例报告数据，使用上述的方法进行概率计算，对可能发生的高概率不良反应及时进行提醒。

本发明提供了一种以流行病学研究资料为背景，在医院现有的信息系统使用朴素贝叶斯方法实现的患者药物不良反应预警方法及系统，本发明将检索医院现有的信息系统中患者基本情况(年龄、性别等)、临床诊断、用药情况、病理体征、检查检验情况等数据，以及药物临床试验数据和药物不良反应病例报告数据，并基于朴素贝叶斯方法分析出目标患者出现药物不良反应的概率并在概率超过阈值时给出预警。

本发明能够帮助临床医生和药师进行用药安全性分析，调整用药方案，提高医疗服务水平。

具体实施方式

为使本发明更明显易懂，兹以优选实施例作详细说明如下。

本发明提供了一种基于朴素贝叶斯的患者药物不良反应预警方法，其步骤为：

步骤2、收集目标患者的特征信息：从医院现有的信息系统中收集目标患者当前的各项特征信息，包括年龄、性别、现病史、各项临床症状和检查结果等，以T₁，T₂，……，T_n表示；

步骤4、检索药物不良反应病例报告库，从相同药物的不良反应病例中计算各个特征项T₁，T₂，……，T_n出现的似然概率，第i个特征项T_i的似然概率表示为p(T_i|D)，若第i个特征项T_i为如现病史、临床症状等之类的分类属性，则p(T_i|D)是药物不良反应病例报告库中具有T_i属性的目标药物不良反应病例数除以总的目标药物不良反应病例数；若第i个特征项T_i为如一些生化检测指标的数值之类的连续值属性，则：

p (T_{i} | D) = \frac{1}{σ_{D} \sqrt{2 π}} \exp (- \frac{{(x - μ_{D})}^{2}}{2 {σ_{D}}^{2}}),

其中，μ_D及σ_D分别是总目标药物不良反应病例的T_i属性的平均值和标准差；

p (D | T_{1}, T_{2}, \cdot \cdot \cdot \cdot \cdot \cdot, T_{n}) = \frac{1}{1 + Π_{i = 1}^{n} (\frac{1}{p (D | T_{i})} - 1) \cdot {(\frac{p (D)}{1 - p (D)})}^{n - 1}},

其中，

上述公式的推导过程为(在下列推导过程中，

表示药物未发生不良反应)：

根据贝叶斯定理有：

p (D | T_{1}, T_{2}, \cdot \cdot \cdot \cdot \cdot \cdot, T_{n}) = \frac{p (D) p (T_{1}, T_{2}, \cdot \cdot \cdot \cdot \cdot \cdot, T_{n} | D)}{p (T_{1}, T_{2}, \cdot \cdot \cdot \cdot \cdot \cdot, T_{n})}

= \frac{p (D) p (T_{1}, T_{2}, \cdot \cdot \cdot \cdot \cdot \cdot, T_{n} | D)}{p (T_{1}, T_{2}, \cdot \cdot \cdot \cdot \cdot \cdot, T_{n} | D) p (D) + p (T_{1}, T_{2}, \cdot \cdot \cdot \cdot \cdot \cdot, T_{n} | \overset{&OverBar;}{D}) p (\overset{&OverBar;}{D})}

= \frac{1}{1 + \frac{p (T_{1}, T_{2}, \cdot \cdot \cdot \cdot \cdot \cdot, T_{n} | \overset{&OverBar;}{D})}{p (T_{1}, T_{2}, \cdot \cdot \cdot \cdot \cdot \cdot, T_{n} | D)} \cdot \frac{p (\overset{&OverBar;}{D})}{p (D)}};

而这里使用朴素贝叶斯方法假定各个特征项之间是类条件独立，即：

p (T_{1}, T_{2}, \cdot \cdot \cdot \cdot \cdot \cdot, T_{n} | D) = Π_{i = 0}^{n} p (T_{i} | D)

p (T_{1}, T_{2}, \cdot \cdot \cdot \cdot \cdot \cdot, T_{n} | \overset{&OverBar;}{D}) = Π_{i = 0}^{n} p (T_{i} | \overset{&OverBar;}{D});

则得到以下公式：

p (D | T_{1}, T_{2}, \cdot \cdot \cdot \cdot \cdot \cdot, T_{n}) = \frac{1}{1 + [Π_{i = 1}^{n} \frac{p (T_{i} | \overset{&OverBar;}{D})}{p (T_{i} | D)}] \cdot \frac{p (\overset{&OverBar;}{D})}{p (D)}};

而对于每项特征项应用贝叶斯定理可得：

p (D | T_{i}) = \frac{p (D) p (T_{i} | D)}{p (T_{i})}

= \frac{p (D) p (T_{i} | D)}{p (T_{i} | D) p (D) + p (T_{i} | \overset{&OverBar;}{D}) p (\overset{&OverBar;}{D})}

= \frac{1}{1 + \frac{p (T_{i} | \overset{&OverBar;}{D})}{p (T_{i} | D)} \cdot \frac{p (\overset{&OverBar;}{D})}{p (D)}};

由此可导出：

\frac{p (Ti | \overset{&OverBar;}{D})}{p (Ti | D)} = (\frac{1}{p (D | Ti)} - 1) \cdot \frac{p (D)}{p (\overset{&OverBar;}{D})}

则最终可得到：

p (D | T_{1}, T_{2}, \cdot \cdot \cdot \cdot \cdot \cdot, T_{n}) = \frac{1}{1 + Π_{i = 1}^{n} (\frac{1}{p (D | T_{i})} - 1) \cdot {(\frac{p (D)}{1 - p (D)})}^{n - 1}};

当p(D|T₁，T₂，……，T_n)超过指定的阈值时，医院的信息系统将向使用医生给出预警。

Claims

1.一种基于朴素贝叶斯的患者药物不良反应预警方法，其特征在于，步骤为：

p (D | T_{1}, T_{2}, \cdot \cdot \cdot \cdot \cdot \cdot, T_{n}) = \frac{1}{1 + Π_{i = 1}^{n} (\frac{1}{p (D | T_{i})} - 1) \cdot {(\frac{p (D)}{1 - p (D)})}^{n - 1}},

其中，当p(D|T₁，T₂，……，T_n)超过指定的阈值时，医院的信息系统将向使用医生给出预警。

2.如权利要求1所述的一种基于朴素贝叶斯的患者药物不良反应预警方法，其特征在于，在所述步骤4中，第i个特征项T_i的似然概率p(T_i|D)的计算方法为：若第i个特征项T_i为分类属性，则p(T_i|D)是药物不良反应病例报告库中具有T_i属性的目标药物不良反应病例数除以总的目标药物不良反应病例数；若第i个特征项T_i为连续值属性，则：

p (T_{i} | D) = \frac{1}{σ_{D} \sqrt{2 π}} \exp (- \frac{{(x - μ_{D})}^{2}}{2 {σ_{D}}^{2}}),

其中，μ_D及σ_D分别是总目标药物不良反应病例的T_i属性的平均值和标准差。

3.一种基于朴素贝叶斯的患者药物不良反应预警系统，其特征在于：基于医院已有的信息化系统及系统中既有的患者数据，以及药物临床试验数据和药物不良反应病例报告数据，使用如权利要求1所述的方法进行概率计算，对可能发生的高概率不良反应及时进行提醒。