CN106845052B - 医疗信息处理方法和医疗信息处理装置 - Google Patents
医疗信息处理方法和医疗信息处理装置 Download PDFInfo
- Publication number
- CN106845052B CN106845052B CN201510883894.8A CN201510883894A CN106845052B CN 106845052 B CN106845052 B CN 106845052B CN 201510883894 A CN201510883894 A CN 201510883894A CN 106845052 B CN106845052 B CN 106845052B
- Authority
- CN
- China
- Prior art keywords
- disease
- drug
- correlation
- patient
- diseases
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 27
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 239000003814 drug Substances 0.000 claims abstract description 442
- 229940079593 drug Drugs 0.000 claims abstract description 327
- 201000010099 disease Diseases 0.000 claims abstract description 246
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 246
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 abstract description 8
- 206010012601 diabetes mellitus Diseases 0.000 description 49
- 239000003826 tablet Substances 0.000 description 34
- 238000003745 diagnosis Methods 0.000 description 27
- 239000000243 solution Substances 0.000 description 15
- 230000000694 effects Effects 0.000 description 13
- 206010020772 Hypertension Diseases 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 239000008354 sodium chloride injection Substances 0.000 description 5
- 241000723353 Chrysanthemum Species 0.000 description 4
- 235000007516 Chrysanthemum Nutrition 0.000 description 4
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Chemical compound OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 229940093181 glucose injection Drugs 0.000 description 4
- BSYNRYMUTXBXSQ-UHFFFAOYSA-N Aspirin Chemical compound CC(=O)OC1=CC=CC=C1C(O)=O BSYNRYMUTXBXSQ-UHFFFAOYSA-N 0.000 description 3
- 239000008882 Tang Maikang Substances 0.000 description 3
- 229960001138 acetylsalicylic acid Drugs 0.000 description 3
- 239000008187 granular material Substances 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 239000002662 enteric coated tablet Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000003276 anti-hypertensive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000001647 drug administration Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 239000006187 pill Substances 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提出了一种医疗信息处理方法和医疗信息处理装置，其中，所述医疗信息处理方法包括：获取患有任一疾病的n0名患者使用药物的信息和未患有所述任一疾病的n1名患者使用药物的信息，其中，在n0名患者中有n2名患者使用任一药物，在n1名患者中有n3名患者使用所述任一药物；根据n0名患者使用药物的信息和n1名患者使用药物的信息，计算所述任一疾病与所述任一药物的第一相关度；根据所述第一相关度确定所述任一药物对应于所述任一疾病的类型。通过本发明的技术方案，可以方便、快捷地确定疾病与药物之间的相关度，以及准确地确定药物对应于疾病的类别。
Description
技术领域
本发明涉及医疗信息处理技术领域，具体而言，涉及一种医疗信息处理方法和一种医疗信息处理装置。
背景技术
目前，面向医疗健康领域的计算机辅助技术的研究一直是医疗卫生领域相关研究的重要组成部分。近年来，随着我国医院信息化的不断完善，大部分医院已经积累了大量的电子病历(Electronic Medical Record，EMR)数据；另一方面，随着大数据技术的兴起，对海量数据的挖掘技术逐渐成熟。将数据挖掘技术应用于EMR数据，挖掘其中蕴含的诊疗知识，为医生的诊疗提供决策辅助，将能够在医疗健康领域产生极大价值。
典型的EMR数据由多类异构数据组成，记录了病人在医院过程中的完整诊疗过程，一般包括了诊断记录，检验检查记录，用药记录，手术护理记录等。其中诊断记录包含了医生给每一位病人所得疾病的具体诊断结果，是EMR数据中的核心，其他的记录如检验检查，用药等需以诊断记录为依据。而药物作为医院医疗服务和营收的关键部分，医院需要对各类疾病的用药情况进行监控，对年轻医生给患者的开药给予指导。EMR数据中的药物使用数据蕴含了大量的过往药物的使用记录，因此对EMR中药物数据进行分析具有重大价值。
目前可用于构建疾病与药物的相关性的技术有以下几种缺陷：
一，通过将现有的医生经验和医学知识进行电子化，构建疾病与其相关药物的模型。由于医学相关知识的庞杂，人工构建疾病与相关药物的模型需要大量的人工劳动对医学知识和专家经验的整理，并且随着医疗知识和经验的增加需要不断更新疾病与其药物的模型。这样就导致对疾病与药物的模型更新非常繁琐。
二，还可以将每一种疾病和每一种药物分别用两个向量进行表示，进而可以计算出这两个向量间的相关性，但是无法对药物和对应于的疾病进行类别区分，例如，格华止片、拜阿司匹林肠溶片和氯化钠注射液均可以用于对糖尿病患者进行治疗，但是并不能反映这三者药物中那个药物对治疗糖尿病发挥关键治疗的作用。
因此，如何方便、快捷地确定疾病与药物之间的相关度，以及准确地确定药物对应于疾病的类别成为亟待解决的问题。
发明内容
本发明正是基于上述问题，提出了一种新的技术方案，可以方便、快捷地确定疾病与药物之间的相关度，以及准确地确定药物对应于疾病的类别。
有鉴于此，本发明的一方面提出了一种医疗信息处理方法，包括：获取患有任一疾病的n0名患者使用药物的信息和未患有所述任一疾病的n1名患者使用药物的信息，其中，在n0名患者中有n2名患者使用任一药物，在n1名患者中有n3名患者使用所述任一药物；根据n0名患者使用药物的信息和n1名患者使用药物的信息，计算所述任一疾病与所述任一药物的第一相关度；根据所述第一相关度确定所述任一药物对应于所述任一疾病的类型。
在该技术方案中，通过计算任一疾病与任一药物之间的第一相关度，根据第一相关度确定任一药物对应于任一疾病的类型，例如，任一药物对应于任一疾病的类型为特效药、辅助药或者通用药，其中，特效药通常治疗任一疾病而不治疗其他疾病，即特效药对治疗任一疾病具有关键作用，例如，格华止片对糖尿病来说是特效药，辅助药可以治疗多种类型的疾病，例如拜阿司匹林肠溶片为辅助药，可以用于治疗高血压也可以治疗糖尿病，通用药指在对患者进行疾病治疗时通常都需要用到该药，例如，葡萄糖注射液和氯化钠注射液均为通用药。因此，根据任一药物对应于任一疾病的类别可以为医生在给患者开药时提供一定的参考，特别是经验不足的医生。另外，为了计算得到的任一疾病与任一药物的第一相关度更加准确，患有任一疾病的n0名患者使用药物的信息和未患有所述任一疾病的n1名患者使用药物的信息为随机在医疗信息数据库中获取的信息。
在上述技术方案中，优选地，所述计算所述任一疾病与所述任一药物的第一相关度的步骤，具体包括：通过以下公式计算所述任一疾病与所述任一药物的三项所述第一相关度：
其中，n4表示在n0名患者中患有指定诊断类型的所述任一疾病的人数，n5表示在n4名患者中使用所述任一药物的人数，P0、P1和P2分别为三项所述第一相关度。
在该技术方案中，通过上述公式计算得到任一药物与任一疾病的三项第一相关
度，即n0名患者中任一疾病为指定诊断类型的且使用任一药物的人数占n0名患者中任一疾
病为指定诊断类型的人数的比例P0，n0名患者中使用任一药物的人数占n0名患者人数的比
例P1，在n1名患者中使用任一药物的人数占n1名患者人数n1的比例P2。例如，患有糖尿病的患
者人数n0为10000人，在10000名糖尿病患者中有7000名患者使用“格华止片”药物，且在该
患有糖尿病的10000名患者中有5000名患者的糖尿病为主诊断类型(指定诊断类型)，在
5000名主诊断类型的糖尿病患者中有4000名患者使用“格华止片”药物，另外，未患有糖尿
病的n1名患者人数为50000人，在50000名为患有糖尿病的患者中有1000名患者使用“格华
止片”药物，则
因此，通过
上述公式，可以比较准确地计算出任一药物与任一疾病之间的第一相关度，从而根据第一
相关度准确地确定任一药物对应任一疾病的类型。
在上述任一技术方案中，优选地，在所述根据所述第一相关度确定所述任一药物对应于所述任一疾病的类型的步骤之后，包括：通过以下公式计算所述任一药物与所述任一疾病之间的第二相关度：
其中，f表示所述任一药物与所述任一疾病之间的第二相关度，γ为预设系数；以及获取治疗所述任一疾病的其他药物与所述任一疾病之间的第二相关度，并根据所述任一药物与所述任一疾病之间的第二相关度以及所述其他药物与所述任一疾病之间的第二相关度，对所述任一药物和所述其他药物进行排序。
在该技术方案中，通过上述公式再次计算任一疾病与任一药物之间的最终的第二相关度，若获取到治疗该任一疾病的其他药物与任一疾病之间的第二相关度，其中，通过上述方案，同理，可以计算出其他药物与任一疾病之间的第二相关度，从而对治疗任一疾病的多种药物(包括任一药物和其他药物)进行排序，从而可以根据排序结果达到辅助诊疗的目的。
在上述任一技术方案中，优选地，所述任一药物对应于所述任一疾病的类型和所述其他药物对应于所述任一疾病的类型一致。
在该技术方案中，治疗任一疾病的其他药物和任一药物的类型一致，例如，任一药物和其他药物对治疗糖尿病来说均是特效药或者辅助药，从而实现了对治疗任一疾病的多种药物进行更加准确地排序。当然，任一药物对应于任一疾病的类型和其他药物对应于任一疾病的类型也可以不一致，例如，对治疗糖尿病的特效药、辅助药和通用药进行排序。
在上述任一技术方案中，优选地，所述根据所述第一相关度确定所述任一药物对应于所述任一疾病的类型的步骤，具体包括：判断P1是否小于所述任一药物对应的第一阈值；若判定P1小于所述第一阈值，则确定所述任一药物对应于所述任一疾病为第一类型的药物，否则，判断P1和P2的比值是否大于第二阈值；若判定P1和P2的比值大于所述第二阈值，确定所述任一药物对应于所述任一疾病为第二类型的药物，否则，确定所述任一药物对应于所述任一疾病为第三类型的药物。
在该技术方案中，若判定P1小于任一药物对应的第一阈值，则确定任一药物对应于任一疾病为第一类型的药物(即通用药)，然后判断P1和P2的比值(即P1比P2)是否大于第二阈值，若是，则确定任一药物对应于任一疾病为第二类型的药物(即特效药)，否则，任一药物对应于任一疾病为第三类型的药物(即辅助药)，因此，通过上述技术方案，实现了对任一药物对应于任一疾病的分类细化，以供医生在给患者开始时提供参考。
本发明的另一方面提出了一种医疗信息处理装置，包括：获取单元，用于获取患有任一疾病的n0名患者使用药物的信息和未患有所述任一疾病的n1名患者使用药物的信息，其中，在n0名患者中有n2名患者使用任一药物，在n1名患者中有n3名患者使用所述任一药物；第一计算单元，用于根据n0名患者使用药物的信息和n1名患者使用药物的信息，计算所述任一疾病与所述任一药物的第一相关度；确定单元，用于根据所述第一相关度确定所述任一药物对应于所述任一疾病的类型。
在该技术方案中，通过计算任一疾病与任一药物之间的第一相关度，根据第一相关度确定任一药物对应于任一疾病的类型，例如，任一药物对应于任一疾病的类型为特效药、辅助药或者通用药，其中，特效药通常治疗任一疾病而不治疗其他疾病，即特效药对治疗任一疾病具有关键作用，例如，格华止片对糖尿病来说是特效药，辅助药可以治疗多种类型的疾病，例如拜阿司匹林肠溶片为辅助药，可以用于治疗高血压也可以治疗糖尿病，通用药指在对患者进行疾病治疗时都需要用到该药，例如，葡萄糖注射液和氯化钠注射液均为通用药。因此，根据任一药物对应于任一疾病的类别可以为医生在给患者开药时提供一定的参考，特别是经验不足的医生。另外，为了计算得到的任一疾病与任一药物的第一相关度更加准确，患有任一疾病的n0名患者使用药物的信息和未患有所述任一疾病的n1名患者使用药物的信息为随机在医疗信息数据库中获取的信息。
在上述技术方案中，优选地，所述第一计算单元具体用于，通过以下公式计算所述任一疾病与所述任一药物的三项所述第一相关度：
其中，n4表示在n0名患者中患有指定诊断类型的所述任一疾病的人数，n5表示在n4名患者中使用所述任一药物的人数，P0、P1和P2分别为三项所述第一相关度。
在该技术方案中，通过上述公式计算得到任一药物与任一疾病的三项第一相关
度，即n0名患者中任一疾病为指定诊断类型的且使用任一药物的人数占n0名患者中任一疾
病为指定诊断类型的人数的比例P0，n0名患者中使用任一药物的人数占n0名患者人数的比
例P1，在n1名患者中使用任一药物的人数占n1名患者人数n1的比例P2。例如，患有糖尿病的患
者人数n0为10000人，在10000名糖尿病患者中有7000名患者使用“格华止片”药物，且在该
患有糖尿病的10000名患者中有5000名患者的糖尿病为主诊断类型(指定诊断类型)，在
5000名主诊断类型的糖尿病患者中有4000名患者使用“格华止片”药物，另外，未患有糖尿
病的n1名患者人数为50000人，在50000名为患有糖尿病的患者中有1000名患者使用“格华
止片”药物，则
因此，通过
上述公式，可以比较准确地计算出任一药物与任一疾病之间的第一相关度，从而根据第一
相关度准确地确定任一药物对应任一疾病的类型。
在上述任一技术方案中，优选地，所述第一计算单元还用于，通过以下公式计算所述任一药物与所述任一疾病之间的第二相关度：
其中，f表示所述任一药物与所述任一疾病之间的第二相关度，γ为预设系数；以及还包括：排序单元，用于获取治疗所述任一疾病的其他药物与所述任一疾病之间的第二相关度，并根据所述任一药物与所述任一疾病之间的第二相关度以及所述其他药物与所述任一疾病之间的第二相关度，对所述任一药物和所述其他药物进行排序。
在该技术方案中，通过上述公式再次计算任一疾病与任一药物之间的最终的第二相关度，若获取到治疗该任一疾病的其他药物与任一疾病之间的第二相关度，其中，通过上述方案，同理，可以计算出其他药物与任一疾病之间的第二相关度，从而对治疗任一疾病的多种药物(包括任一药物和其他药物)进行排序，从而可以根据排序结果达到辅助诊疗的目的。
在上述任一技术方案中，优选地，所述任一药物对应于所述任一疾病的类型和所述其他药物对应于所述任一疾病的类型一致。
在该技术方案中，治疗任一疾病的其他药物和任一药物的类型一致，例如，任一药物和其他药物对治疗糖尿病来说均是特效药或者辅助药，从而实现了对治疗任一疾病的多种药物进行更加准确地排序。当然，任一药物对应于任一疾病的类型和其他药物对应于任一疾病的类型也可以不一致，例如，对治疗糖尿病的特效药、辅助药和通用药进行排序。
在上述任一技术方案中，优选地，所述确定单元包括：第二计算单元，用于判断P1是否小于所述任一药物对应的第一阈值；所述确定单元具体用于，若判定P1小于所述第一阈值，则确定所述任一药物对应于所述任一疾病为第一类型的药物；所述第二计算单元还用于，若判定P1大于或等于所述第一阈值，判断P1和P2的比值是否大于第二阈值；所述确定单元具体用于，若判定P1和P2的比值大于所述第二阈值，确定所述任一药物对应于所述任一疾病为第二类型的药物，否则，确定所述任一药物对应于所述任一疾病为第三类型的药物。
在该技术方案中，若判定P1小于任一药物对应的第一阈值，则确定任一药物对应于任一疾病为第一类型的药物(即通用药)，然后判断P1和P2的比值(即P1比P2)是否大于第二阈值，若是，则确定任一药物对应于任一疾病为第二类型的药物(即特效药)，否则，任一药物对应于任一疾病为第三类型的药物(即辅助药)，因此，通过上述技术方案，实现了对任一药物对应于任一疾病的分类细化，以供医生在给患者开始时提供参考。
通过本发明的技术方案，可以方便、快捷地确定疾病与药物之间的相关度，以及准确地确定药物对应于疾病的类别。
附图说明
图1示出了根据本发明的一个实施例的医疗信息处理方法的流程示意图；
图2示出了根据本发明的另一个实施例的医疗信息处理方法的流程示意图；
图3示出了根据本发明的一个实施例的医疗信息处理装置的结构示意图。
具体实施方式
为了可以更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了根据本发明的一个实施例的医疗信息处理方法的流程示意图。
如图1所示，根据本发明的一个实施例的医疗信息处理方法，包括：
步骤102，获取患有任一疾病的n0名患者使用药物的信息和未患有所述任一疾病的n1名患者使用药物的信息，其中，在n0名患者中有n2名患者使用任一药物，在n1名患者中有n3名患者使用所述任一药物；
步骤104，根据n0名患者使用药物的信息和n1名患者使用药物的信息，计算所述任一疾病与所述任一药物的第一相关度；
步骤106，根据所述第一相关度确定所述任一药物对应于所述任一疾病的类型。
在该技术方案中，通过计算任一疾病与任一药物之间的第一相关度，根据第一相关度确定任一药物对应于任一疾病的类型，例如，任一药物对应于任一疾病的类型为特效药、辅助药或者通用药，其中，特效药通常治疗任一疾病而不治疗其他疾病，即特效药对治疗任一疾病具有关键作用，例如，格华止片对糖尿病来说是特效药，辅助药可以治疗多种类型的疾病，例如拜阿司匹林肠溶片为辅助药，可以用于治疗高血压也可以治疗糖尿病，通用药指在对患者进行疾病治疗时通常都需要用到该药，例如，葡萄糖注射液和氯化钠注射液均为通用药。因此，根据任一药物对应于任一疾病的类别可以为医生在给患者开药时提供一定的参考，特别是经验不足的医生。另外，为了计算得到的任一疾病与任一药物的第一相关度更加准确，患有任一疾病的n0名患者使用药物的信息和未患有所述任一疾病的n1名患者使用药物的信息为随机在医疗信息数据库中获取的信息。
在上述技术方案中，优选地，所述计算所述任一疾病与所述任一药物的第一相关度的步骤，具体包括：通过以下公式计算所述任一疾病与所述任一药物的三项所述第一相关度：
其中，n4表示在n0名患者中患有指定诊断类型的所述任一疾病的人数，n5表示在n4名患者中使用所述任一药物的人数，P0、P1和P2分别为三项所述第一相关度。
在该技术方案中，通过上述公式计算得到任一药物与任一疾病的三项第一相关
度，即n0名患者中任一疾病为指定诊断类型的且使用任一药物的人数占n0名患者中任一疾
病为指定诊断类型的人数的比例P0，n0名患者中使用任一药物的人数占n0名患者人数的比
例P1，在n1名患者中使用任一药物的人数占n1名患者人数n1的比例P2。例如，患有糖尿病的患
者人数n0为10000人，在10000名糖尿病患者中有7000名患者使用“格华止片”药物，且在该
患有糖尿病的10000名患者中有5000名患者的糖尿病为主诊断类型(指定诊断类型)，在
5000名主诊断类型的糖尿病患者中有4000名患者使用“格华止片”药物，另外，未患有糖尿
病的n1名患者人数为50000人，在50000名为患有糖尿病的患者中有1000名患者使用“格华
止片”药物，则
因此，通过
上述公式，可以比较准确地计算出任一药物与任一疾病之间的第一相关度，从而根据第一
相关度准确地确定任一药物对应任一疾病的类型。
在上述任一技术方案中，优选地，在步骤106之后，包括：通过以下公式计算所述任一药物与所述任一疾病之间的第二相关度：
其中，f表示所述任一药物与所述任一疾病之间的第二相关度，γ为预设系数；以及获取治疗所述任一疾病的其他药物与所述任一疾病之间的第二相关度，并根据所述任一药物与所述任一疾病之间的第二相关度以及所述其他药物与所述任一疾病之间的第二相关度，对所述任一药物和所述其他药物进行排序。
在该技术方案中，通过上述公式再次计算任一疾病与任一药物之间的最终的第二相关度，若获取到治疗该任一疾病的其他药物与任一疾病之间的第二相关度，其中，通过上述方案，同理，可以计算出其他药物与任一疾病之间的第二相关度，从而对治疗任一疾病的多种药物(包括任一药物和其他药物)进行排序，从而可以根据排序结果达到辅助诊疗的目的。
在上述任一技术方案中，优选地，所述任一药物对应于所述任一疾病的类型和所述其他药物对应于所述任一疾病的类型一致。
在该技术方案中，治疗任一疾病的其他药物和任一药物的类型一致，例如，任一药物和其他药物对治疗糖尿病来说均是特效药或者辅助药，从而实现了对治疗任一疾病的多种药物进行更加准确地排序。当然，任一药物对应于任一疾病的类型和其他药物对应于任一疾病的类型也可以不一致，例如，对治疗糖尿病的特效药、辅助药和通用药进行排序。
在上述任一技术方案中，优选地，步骤106具体包括：判断P1是否小于所述任一药物对应的第一阈值；若判定P1小于所述第一阈值，则确定所述任一药物对应于所述任一疾病为第一类型的药物，否则，判断P1和P2的比值是否大于第二阈值；若判定P1和P2的比值大于所述第二阈值，确定所述任一药物对应于所述任一疾病为第二类型的药物，否则，确定所述任一药物对应于所述任一疾病为第三类型的药物。
在该技术方案中，若判定P1小于任一药物对应的第一阈值，则确定任一药物对应于任一疾病为第一类型的药物(即通用药)，然后判断P1和P2的比值(即P1比P2)是否大于第二阈值，若是，则确定任一药物对应于任一疾病为第二类型的药物(即特效药)，否则，任一药物对应于任一疾病为第三类型的药物(即辅助药)，因此，通过上述技术方案，实现了对任一药物对应于任一疾病的分类细化，以供医生在给患者开始时提供参考。
图2示出了根据本发明的另一个实施例的医疗信息处理方法的流程示意图。
如图2所示，根据本发明的另一个实施例的医疗信息处理方法，包括：
步骤202，建立疾病与药物的矩阵，例如：
X1表示糖尿病，X2高
血压，Y1表示格华止片，Y2表示珍菊降压片。
步骤204，计算矩阵中疾病与药物之间的主诊断指标(P0)、正向指标(P1)和负向指标(P2)的三项指标(即三项第一相关度)，例如，计算糖尿病与格华止片之间的三项指标、糖尿病与珍菊降压片之间的三项指标、高血压与格华止片之间的三项指标、高血压与珍菊降压片之间的三项指标。具体地，获取患有该疾病的n0名患者使用药物的信息和未患有该疾病的n1名患者使用药物的信息，其中，在n0名患者中有n2名患者使用有一药物，在n1名患者中有n3名患者使用该一药物，根据n0名患者使用药物的信息和n1名患者使用药物的信息计算疾病与药物之间的三项指标。
步骤206，根据三项指标对药物对应于疾病进行分类。例如，根据糖尿病与珍菊降压片之间的三项指标确定两者之间没有关联，以及根据高血压与格华止片之间的三项指标确定两者之间没有关联，根据糖尿病与格华止片之间的三项指标确定格华止片是治疗糖尿病的特效药，根据高血压与珍菊降压片之间的三项指标确定珍菊降压片是治疗高血压的特效药。
步骤208，基于类别对治疗疾病的多种药物进行排序。具体地，根据药物与疾病的三项指标确定药物对应于疾病的类别，并计算药物与疾病之间的相关度(即第二相关度)，然后获取治疗该疾病的其他药物与该疾病之间的相关度，其中，其他药物对应于该疾病的类别与该药物对应于疾病的类别一致，最后按照该药物与疾病之间的相关度和其他药物与疾病之间的相关度，对该药物和其他药物进行排序。例如，确定格华止片对应于糖尿病为特效药，获取治疗糖尿病的其他特效药，如糖脉康颗粒，若糖尿病与格华止片的相关度大于糖尿病与糖脉康颗粒的相关度，则将格华止片排序在糖脉康颗粒的前面，以供医生为糖尿病患者开药时做出一定的参考。
图3示出了根据本发明的一个实施例的医疗信息处理装置的结构示意图。
如图3所示，根据本发明的一个实施例的医疗信息处理装置300，包括：获取单元302、第一计算单元304和确定单元306，所述获取单元302用于获取患有任一疾病的n0名患者使用药物的信息和未患有所述任一疾病的n1名患者使用药物的信息，其中，在n0名患者中有n2名患者使用任一药物，在n1名患者中有n3名患者使用所述任一药物；所述第一计算单元304，用于根据n0名患者使用药物的信息和n1名患者使用药物的信息，计算所述任一疾病与所述任一药物的第一相关度；所述确定单元306，用于根据所述第一相关度确定所述任一药物对应于所述任一疾病的类型。
在该技术方案中，通过计算任一疾病与任一药物之间的第一相关度，根据第一相关度确定任一药物对应于任一疾病的类型，例如，任一药物对应于任一疾病的类型为特效药、辅助药或者通用药，其中，特效药通常治疗任一疾病而不治疗其他疾病，即特效药对治疗任一疾病具有关键作用，例如，格华止片对糖尿病来说是特效药，辅助药可以治疗多种类型的疾病，例如拜阿司匹林肠溶片为辅助药，可以用于治疗高血压也可以治疗糖尿病，通用药指在对患者进行疾病治疗时都需要用到该药，例如，葡萄糖注射液和氯化钠注射液均为通用药。因此，根据任一药物对应于任一疾病的类别可以为医生在给患者开药时提供一定的参考，特别是经验不足的医生。另外，为了计算得到的任一疾病与任一药物的第一相关度更加准确，患有任一疾病的n0名患者使用药物的信息和未患有所述任一疾病的n1名患者使用药物的信息为随机在医疗信息数据库中获取的信息。
在上述技术方案中，优选地，所述第一计算单元304具体用于，通过以下公式计算所述任一疾病与所述任一药物的三项所述第一相关度：
其中，n4表示在n0名患者中患有指定诊断类型的所述任一疾病的人数，n5表示在n4名患者中使用所述任一药物的人数，P0、P1和P2分别为三项所述第一相关度。
在该技术方案中，通过上述公式计算得到任一药物与任一疾病的三项第一相关
度，即n0名患者中任一疾病为指定诊断类型的且使用任一药物的人数占n0名患者中任一疾
病为指定诊断类型的人数的比例P0，n0名患者中使用任一药物的人数占n0名患者人数的比
例P1，在n1名患者中使用任一药物的人数占n1名患者人数n1的比例P2。例如，患有糖尿病的患
者人数n0为10000人，在10000名糖尿病患者中有7000名患者使用“格华止片”药物，且在该
患有糖尿病的10000名患者中有5000名患者的糖尿病为主诊断类型(指定诊断类型)，在
5000名主诊断类型的糖尿病患者中有4000名患者使用“格华止片”药物，另外，未患有糖尿
病的n1名患者人数为50000人，在50000名为患有糖尿病的患者中有1000名患者使用“格华
止片”药物，则
因此，通过
上述公式，可以比较准确地计算出任一药物与任一疾病之间的第一相关度，从而根据第一
相关度准确地确定任一药物对应任一疾病的类型。
在上述任一技术方案中，优选地，所述第一计算单元304还用于，通过以下公式计算所述任一药物与所述任一疾病之间的第二相关度：
其中，f表示所述任一药物与所述任一疾病之间的第二相关度，γ为预设系数；以及还包括：排序单元308，用于获取治疗所述任一疾病的其他药物与所述任一疾病之间的第二相关度，并根据所述任一药物与所述任一疾病之间的第二相关度以及所述其他药物与所述任一疾病之间的第二相关度，对所述任一药物和所述其他药物进行排序。
在该技术方案中，通过上述公式再次计算任一疾病与任一药物之间的最终的第二相关度，若获取到治疗该任一疾病的其他药物与任一疾病之间的第二相关度，其中，通过上述方案，同理，可以计算出其他药物与任一疾病之间的第二相关度，从而对治疗任一疾病的多种药物(包括任一药物和其他药物)进行排序，从而可以根据排序结果达到辅助诊疗的目的。
在上述任一技术方案中，优选地，所述任一药物对应于所述任一疾病的类型和所述其他药物对应于所述任一疾病的类型一致。
在该技术方案中，治疗任一疾病的其他药物和任一药物的类型一致，例如，任一药物和其他药物对治疗糖尿病来说均是特效药或者辅助药，从而实现了对治疗任一疾病的多种药物进行更加准确地排序。当然，任一药物对应于任一疾病的类型和其他药物对应于任一疾病的类型也可以不一致，例如，对治疗糖尿病的特效药、辅助药和通用药进行排序。
在上述任一技术方案中，优选地，所述确定单元306包括：第二计算单元3062，用于判断P1是否小于所述任一药物对应的第一阈值；所述确定单元306具体用于，若判定P1小于所述第一阈值，则确定所述任一药物对应于所述任一疾病为第一类型的药物；所述第二计算单元3062还用于，若判定P1大于或等于所述第一阈值，判断P1和P2的比值是否大于第二阈值；所述确定单元306具体用于，若判定P1和P2的比值大于所述第二阈值，确定所述任一药物对应于所述任一疾病为第二类型的药物，否则，确定所述任一药物对应于所述任一疾病为第三类型的药物。
在该技术方案中，若判定P1小于任一药物对应的第一阈值，则确定任一药物对应于任一疾病为第一类型的药物(即通用药)，然后判断P1和P2的比值(即P1比P2)是否大于第二阈值，若是，则确定任一药物对应于任一疾病为第二类型的药物(即特效药)，否则，任一药物对应于任一疾病为第三类型的药物(即辅助药)，因此，通过上述技术方案，实现了对任一药物对应于任一疾病的分类细化，以供医生在给患者开始时提供参考。
以上结合附图详细说明了本发明的技术方案，可以方便、快捷地确定疾病与药物之间的相关度，以及准确地确定药物对应于疾病的类别。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种医疗信息处理方法，其特征在于，包括：
获取患有任一疾病的n0名患者使用药物的信息和未患有所述任一疾病的n1名患者使用药物的信息，其中，在n0名患者中有n2名患者使用任一药物，在n1名患者中有n3名患者使用所述任一药物；
根据n0名患者使用药物的信息和n1名患者使用药物的信息，计算所述任一疾病与所述任一药物的第一相关度；
根据所述第一相关度确定所述任一药物对应于所述任一疾病的类型；
所述计算所述任一疾病与所述任一药物的第一相关度的步骤，具体包括：
通过以下公式计算所述任一疾病与所述任一药物的三项所述第一相关度：
其中，n4表示在n0名患者中患有指定诊断类型的所述任一疾病的人数，n5表示在n4名患者中使用所述任一药物的人数，P0、P1和P2分别为三项所述第一相关度；
所述根据所述第一相关度确定所述任一药物对应于所述任一疾病的类型的步骤，具体包括：
判断P1是否小于所述任一药物对应的第一阈值；
若判定P1小于所述第一阈值，则确定所述任一药物对应于所述任一疾病为第一类型的药物，否则，判断P1和P2的比值是否大于第二阈值；
若判定P1和P2的比值大于所述第二阈值，确定所述任一药物对应于所述任一疾病为第二类型的药物，否则，确定所述任一药物对应于所述任一疾病为第三类型的药物。
2.根据权利要求1所述的医疗信息处理方法，其特征在于，在所述根据所述第一相关度确定所述任一药物对应于所述任一疾病的类型的步骤之后，包括：
通过以下公式计算所述任一药物与所述任一疾病之间的第二相关度：
其中，f表示所述任一药物与所述任一疾病之间的第二相关度，γ为预设系数；以及
获取治疗所述任一疾病的其他药物与所述任一疾病之间的第二相关度，并根据所述任一药物与所述任一疾病之间的第二相关度以及所述其他药物与所述任一疾病之间的第二相关度，对所述任一药物和所述其他药物进行排序。
3.根据权利要求2所述的医疗信息处理方法，其特征在于，所述任一药物对应于所述任一疾病的类型和所述其他药物对应于所述任一疾病的类型一致。
4.一种医疗信息处理装置，其特征在于，包括：
获取单元，用于获取患有任一疾病的n0名患者使用药物的信息和未患有所述任一疾病的n1名患者使用药物的信息，其中，在n0名患者中有n2名患者使用任一药物，在n1名患者中有n3名患者使用所述任一药物；
第一计算单元，用于根据n0名患者使用药物的信息和n1名患者使用药物的信息，计算所述任一疾病与所述任一药物的第一相关度；
确定单元，用于根据所述第一相关度确定所述任一药物对应于所述任一疾病的类型；
所述第一计算单元具体用于，
通过以下公式计算所述任一疾病与所述任一药物的三项所述第一相关度：
其中，n4表示在n0名患者中患有指定诊断类型的所述任一疾病的人数，n5表示在n4名患者中使用所述任一药物的人数，P0、P1和P2分别为三项所述第一相关度；
所述确定单元包括：
第二计算单元，用于判断P1是否小于所述任一药物对应的第一阈值；
所述确定单元具体用于，若判定P1小于所述第一阈值，则确定所述任一药物对应于所述任一疾病为第一类型的药物；
所述第二计算单元还用于，若判定P1大于或等于所述第一阈值，判断P1和P2的比值是否大于第二阈值；
所述确定单元具体用于，若判定P1和P2的比值大于所述第二阈值，确定所述任一药物对应于所述任一疾病为第二类型的药物，否则，确定所述任一药物对应于所述任一疾病为第三类型的药物。
5.根据权利要求4所述的医疗信息处理装置，其特征在于，
所述第一计算单元还用于，通过以下公式计算所述任一药物与所述任一疾病之间的第二相关度：
其中，f表示所述任一药物与所述任一疾病之间的第二相关度，γ为预设系数；以及还包括：
排序单元，用于获取治疗所述任一疾病的其他药物与所述任一疾病之间的第二相关度，并根据所述任一药物与所述任一疾病之间的第二相关度以及所述其他药物与所述任一疾病之间的第二相关度，对所述任一药物和所述其他药物进行排序。
6.根据权利要求5所述的医疗信息处理装置，其特征在于，所述任一药物对应于所述任一疾病的类型和所述其他药物对应于所述任一疾病的类型一致。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510883894.8A CN106845052B (zh) | 2015-12-04 | 2015-12-04 | 医疗信息处理方法和医疗信息处理装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510883894.8A CN106845052B (zh) | 2015-12-04 | 2015-12-04 | 医疗信息处理方法和医疗信息处理装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106845052A CN106845052A (zh) | 2017-06-13 |
| CN106845052B true CN106845052B (zh) | 2020-08-25 |
Family
ID=59150337
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510883894.8A Active CN106845052B (zh) | 2015-12-04 | 2015-12-04 | 医疗信息处理方法和医疗信息处理装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106845052B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102110192A (zh) * | 2011-04-02 | 2011-06-29 | 中国医学科学院医学信息研究所 | 基于诊断要素数据关联的疾病辅助判断方法 |
| WO2012014082A2 (en) * | 2010-07-28 | 2012-02-02 | Purapharm International (Hk) Limited | Artificial intelligence and methods for relating herbal ingredients with illnesses in traditional chinese medicine |
| CN104487972A (zh) * | 2014-09-29 | 2015-04-01 | 曹庆恒 | 一种多维度用药信息处理方法、系统和设备 |
| CN104598740A (zh) * | 2015-01-26 | 2015-05-06 | 曹庆恒 | 一种智能用药指导的方法、系统和设备 |
| CN104765947A (zh) * | 2015-03-02 | 2015-07-08 | 大连理工大学 | 一种面向大数据的潜在药物不良反应数据挖掘方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9530095B2 (en) * | 2013-06-26 | 2016-12-27 | International Business Machines Corporation | Method and system for exploring the associations between drug side-effects and therapeutic indications |
-
2015
- 2015-12-04 CN CN201510883894.8A patent/CN106845052B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012014082A2 (en) * | 2010-07-28 | 2012-02-02 | Purapharm International (Hk) Limited | Artificial intelligence and methods for relating herbal ingredients with illnesses in traditional chinese medicine |
| CN102110192A (zh) * | 2011-04-02 | 2011-06-29 | 中国医学科学院医学信息研究所 | 基于诊断要素数据关联的疾病辅助判断方法 |
| CN104487972A (zh) * | 2014-09-29 | 2015-04-01 | 曹庆恒 | 一种多维度用药信息处理方法、系统和设备 |
| CN104598740A (zh) * | 2015-01-26 | 2015-05-06 | 曹庆恒 | 一种智能用药指导的方法、系统和设备 |
| CN104765947A (zh) * | 2015-03-02 | 2015-07-08 | 大连理工大学 | 一种面向大数据的潜在药物不良反应数据挖掘方法 |
Non-Patent Citations (2)
| Title |
|---|
| Identifying fall-related injuries:Text mining the electronic medical record;Monica Chiarini Tremblay;《information technology and management》;20091124(第10期);全文 * |
| 基于关联规则的电子病历挖掘的应用研究;曾勇;《中国优秀硕士学位论文全文数据库信息科技辑》;20120115(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106845052A (zh) | 2017-06-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hanif et al. | Phenotypic spectrum of pentosan polysulfate sodium–associated maculopathy: a multicenter study | |
| Kanagasingam et al. | Evaluation of artificial intelligence–based grading of diabetic retinopathy in primary care | |
| Redelmeier et al. | Assessing the clinical importance of symptomatic improvements: an illustration in rheumatology | |
| Wong et al. | Cerebral white matter lesions, retinopathy, and incident clinical stroke | |
| Landi et al. | Pain management in frail, community-living elderly patients | |
| CN104200069B (zh) | 一种基于症状分析和机器学习的用药推荐系统和方法 | |
| US20220359050A1 (en) | System and method for digital therapeutics implementing a digital deep layer patient profile | |
| Bliddal et al. | Psychotropic medication use and psychiatric disorders during the COVID-19 pandemic among Danish children, adolescents, and young adults | |
| De Cuyper et al. | Determinants of methotrexate adherence in rheumatoid arthritis patients | |
| US20150248537A1 (en) | Personalized Health Score Generator | |
| US20200245925A1 (en) | Smart multidosing | |
| Feinstein et al. | Parent-reported symptoms and medications used among children with severe neurological impairment | |
| CN114416967A (zh) | 智能推荐医生的方法、装置、设备及存储介质 | |
| Chen et al. | Using data mining strategies in clinical decision making: a literature review | |
| Moeil Tabaghdehi et al. | Designing a minimum data set for major thalassemia patients: Towards electronic personal health record | |
| Viernes et al. | Characterizing VA users with the OMOP common data model | |
| Tenforde et al. | Telehealth in PM&R: Past, present, and future in clinical practice and opportunities for translational research | |
| Derevitskii et al. | Analysis course of the disease of type 2 diabetes patients using Markov chains and clustering methods. | |
| White et al. | Interventions for fatigue in peripheral neuropathy | |
| CN111933245A (zh) | 超说明书用药信息处理方法、装置及相关设备 | |
| Jung et al. | Use of EHR data to identify factors affecting the time to fall | |
| CN106845052B (zh) | 医疗信息处理方法和医疗信息处理装置 | |
| Heaney | Bone mass, bone fragility, and the decision to treat | |
| CN114582459B (zh) | 基于诊疗数据的信息处理方法、装置、设备及存储介质 | |
| Labig et al. | Factors affecting students' medicine-taking habits |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PP01 | Preservation of patent right |
Effective date of registration: 20240202 Granted publication date: 20200825 |
|
| PP01 | Preservation of patent right |