CN107256426B - 一种基于智能算法的药品安全信心指数系统及构建方法 - Google Patents
一种基于智能算法的药品安全信心指数系统及构建方法 Download PDFInfo
- Publication number
- CN107256426B CN107256426B CN201710464878.4A CN201710464878A CN107256426B CN 107256426 B CN107256426 B CN 107256426B CN 201710464878 A CN201710464878 A CN 201710464878A CN 107256426 B CN107256426 B CN 107256426B
- Authority
- CN
- China
- Prior art keywords
- index
- evaluation
- safety
- weight
- medicine
- 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
- 239000003814 drug Substances 0.000 title claims abstract description 414
- 229940079593 drug Drugs 0.000 title claims abstract description 289
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 43
- 238000010276 construction Methods 0.000 title abstract description 13
- 238000011156 evaluation Methods 0.000 claims abstract description 214
- 238000013528 artificial neural network Methods 0.000 claims abstract description 48
- 238000013210 evaluation model Methods 0.000 claims abstract description 45
- 238000004458 analytical method Methods 0.000 claims abstract description 28
- 238000011160 research Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims description 114
- 239000002245 particle Substances 0.000 claims description 55
- 238000007689 inspection Methods 0.000 claims description 48
- 238000012797 qualification Methods 0.000 claims description 48
- 238000013278 delphi method Methods 0.000 claims description 27
- 238000011835 investigation Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000012544 monitoring process Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 21
- 238000005070 sampling Methods 0.000 claims description 21
- 206010067484 Adverse reaction Diseases 0.000 claims description 17
- 230000006838 adverse reaction Effects 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 12
- 230000008901 benefit Effects 0.000 claims description 11
- 206010061623 Adverse drug reaction Diseases 0.000 claims description 9
- 208000030453 Drug-Related Side Effects and Adverse reaction Diseases 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000002483 medication Methods 0.000 claims description 8
- 230000003247 decreasing effect Effects 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 238000002360 preparation method Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 238000012854 evaluation process Methods 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 4
- 239000003962 counterfeit drug Substances 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000000630 rising effect Effects 0.000 claims description 4
- 238000013077 scoring method Methods 0.000 claims description 4
- 231100000817 safety factor Toxicity 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims 2
- 230000000844 anti-bacterial effect Effects 0.000 claims 1
- 230000002708 enhancing effect Effects 0.000 claims 1
- 230000003313 weakening effect Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 7
- 230000000875 corresponding effect Effects 0.000 description 34
- 239000010410 layer Substances 0.000 description 28
- 238000002474 experimental method Methods 0.000 description 8
- 230000006872 improvement Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 238000004445 quantitative analysis Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000001308 synthesis method Methods 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000010234 longitudinal analysis Methods 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000000845 anti-microbial effect Effects 0.000 description 1
- 229940124350 antibacterial drug Drugs 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000002775 capsule Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003255 drug test Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 239000002346 layers by function Substances 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000013173 literature analysis Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 239000000825 pharmaceutical preparation Substances 0.000 description 1
- 229940127557 pharmaceutical product Drugs 0.000 description 1
- 239000002574 poison Substances 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 102000037983 regulatory factors Human genes 0.000 description 1
- 108091008025 regulatory factors Proteins 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Analysis (AREA)
- Finance (AREA)
- Algebra (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Fuzzy Systems (AREA)
- Automation & Control Theory (AREA)
- Accounting & Taxation (AREA)
- Computational Mathematics (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
Abstract
本发明属于医药学数据处理技术领域,公开了一种基于智能算法的药品安全信心指数系统及构建方法,构建方法包括:采集调研数据:对调研数据进行分析,通过相应的德尔菲法算法,得到综合评价指标;药品安全评估指标体系的构建,对PSO‑BP神经网络药品安全性评估模型进行改进;系统包括目标层,项目层,因素层,指标层。本发明在未来的药品安全指数分析中,需要构建相应的评价模型,从评价的结果中分析药品安全指数的整个算法、数据、各种因素权重比等等,使选取的数据源更准确,所用的算法更能符合实际情况,让构建的药品安全指数能立足科学、为民、求是、严谨、创新。
Description
技术领域
本发明属于医药学数据处理技术领域,尤其涉及一种基于智能算法的药品安全信心指数系统及构建方法。
背景技术
药品安全联系着每个人的生命健康,本发明以更好地评价和监督药品安全为目标,研究国内外现有的药品安全评价方式,致力于为我国药品安全监督管理评价理论体系的完善做出尝试。
近年来,国家对于药品安全性问题越来越重视,其监管力度也是逐年加大。然而,相较于美国食品药品监督管理局(FDA),我国食品药品监督管理总局(CFDA)对药品安全方面的监管起步较晚。相关的政策及法律法规尚不完善,对于药品安全性评估指标的分类及各级指标的权重设定也比较复杂,无法满足实时、动态、全面的对药品安全性进行评估的需求。
随着人民生活水平的日益提高及药品质量安全监督的网络信息化、管理科学化等,安全用药越来越受到人民群众的重视,药品安全问题也成为了人民群众关注的最大社会问题。从国家食品药品监督管理总局的建立可以看到党和政府对药品安全监管的决心。在政治方面解决药品质量安全问题刻不容缓,药品安全一直被当作头等大事来抓;在经济方面药品的安全问题关系到“保增长、保民生、保稳定”及经济发展的需要;在民生方面药品安全已经成为重大的基本民生问题,每次药品安全的重大事件都造成恶劣地社会影响等等。因此,研究药品安全问题有重大现实意义。
在最近这些年来我国药品安全保障水平稳步提高,形势总体稳定向好,没有出现区域性、系统性质量安全问题。但同时也要看到药品安全领域存在的问题和潜在隐患不可低估,特别是药品安全重大事件时有发生,有的涉嫌严重违法犯罪,性质严重、手段恶劣,社会影响极坏。在药品安全问题上,衡量药品安全指标一般把药检系统抽验的药品合格率作为药品安全的评价标准。但这种方法存在一定问题,例如:抽验药品不全面;抽验得到的合格率不能反应药品整体的安全性;抽验率是一个静态值,不能实时反应社会对药品的安全信心等。本项目的研究是通过对药品安全信心指数模型的构建与评价可以让公众实实在在地看到从多方面、多状态地获取到的药品的安全指数,比单一的药品抽验合格率更生动、具体、实时。能提高公众对药品的信心,维护社会稳定,更为药品管理的决策者提供重要的参考依据。
药品安全信心指数是对社会稳定、人民的身体健康有广泛意义的研究,但目前该研究大部分是以药品抽验合格率为根本依据,缺乏了严谨性与科学性,而且相当片面。目前国内外的研究涉及较少,研究点匮乏。
山东省食品药品检验所孙等人对2008-2010年山东省药品首批抽验情况作了分析,得到的合格率为98.6%,但是存在抽验的药品不一定全检,抽验中一定比率的药并不能反映真是社会的状况。山西省药品检验所的游等人提出药品抽样是药品监督检验部门的一个焦点问题,但还存在一定问题如:上市药品种类繁多,全面质检不实际也不可取,随机抽样能不能真正科学有效;提出了药品抽验是技术性很强的工作决不能拘泥取样。广元市食品药品检验所的田华分析了2011年广元市药品抽验的质量情况,认为药品抽验命中率不搞,存在质量问题较多的环节为基层药店和诊所,不合格品种为中药饮片和中成药。福建省药品检验所的林等发现药品抽验平均合格率来衡量药品质量由于渠道不同,而且种类繁多,从不同渠道与种类抽验的药品合格率差异很大,这样容易造成错觉。他认为采用直接法进行标准化使评价结果比较合格与科学。林等对我国基于药品安全责任主体视角情况的研究,她认为药品安全监管应覆盖“事前、事中、事后”的全过程安全监管。但目前的监管在这些方面存在一定的问题,因此,我国的药品安全立法、监管、创新等还有很大的提升空间,提出了消费者是药品安全最直接的利益相关者,要充分调动消费者的积极性,使之主动参与到药品安全管理事务中,另外,医疗保险机构、媒体也有重大影响。荀等提出了基于结构方程模型的消费者食品安全信心评价,她在文中通过对中国部分省市居民的调查,从总体层面出发,实证分析了中国消费者的食品安全信心状况,并从消费者食品安全信心影响因素的角度出发,构建消费者食品安全信心的实证模型。该文能为提供相应的药品模型构建带来一定的参考意义。
综上所述,现有技术存在的问题是:
从现有技术参考文献中,药品安全信心指数方面的研究在我国几乎为空白,涉及时也仅仅是浅尝即止,采用的方法也是很模糊地涉及,说明在该领域有很大的研究空间;
现有技术中,对于药品安全性评估指标的分类及各级指标的权重设定也比较复杂,无法满足实时、动态、全面的对药品安全性进行评估的需求;
现有技术中,针对BP神经网络药品安全性评估模型在药品安全性评估过程中,容易陷入局部最优解而导致对药品安全性评估的正确率不够高,以及PSO-BP神经网络药品安全性评估模型中,收敛速度慢、需要较长训练时间等问题。
发明内容
针对现有技术存在的问题,本发明提供了一种基于智能算法的药品安全信心指数系统及构建方法。
本发明是这样实现的,一种基于智能算法的药品安全信心指数系统的构建方法,包括:
采集调研数据:药品安全评价指标为:一级指标五个,包括:药品机构检验合格率指标、医院制剂与不良反应指标、药品安全突发事件指标、药品安全信息指标、药品安全主观意识指标;二级指标为二十四个与之对应;
对调研数据进行分析,通过相应的德尔菲法算法,得到综合评价指标;从药品安全评价指标体系的建立、指标权重的确定、药品安全综合评价指数的计算三个部分逐步进行的药品安全综合评价与指标分析;
进行药品安全评价指标体系的建立,对PSO-BP神经网络药品安全性评估模型进行改进,PSO-BP神经网络药品安全性评估模型在对药品安全性进行评估过程中,将线性递减策略的惯性权重,使用余弦函数对其进行动态控制处理,并使用种群中所有粒子的个体最优位置的平均值代替粒子个体的最优解。
进一步,所述药品安全评价指标体系的建立,包括:从药品的生命周期出发,建立一个囊括药品生命周期每个环节、涉及所有可能安全因素的药品安全评价指标体系;根据实际研究背景对德尔菲法进行改进,最终通过专家调研构建药品安全评价指标体系;
所述建立指标体系后的工作是指标权重的确定,包括:分别从主观和客观两个角度确定指标权重,最后组合起来生成综合权重;其中客观权重的确定包括数据收集、数据处理,然后结合算法求出权重,指标数据收集分为客观数据和主观数据两个部分,分别通过查询药检院文件和线下问卷调查的方式获得,接着根据算法需要处理数据,使用熵权法确定指标客观权重;主观权重使用线上调查问卷系统的方式收集初始指标权重数据,然后使用改良德尔菲法修正完善;最终通过博弈论思想构建合适的比例模型将主客观权重组合成综合权重;
所述药品安全综合评价指数的确定与分析,包括:
望通过指标数据以及指标权重得到一个科学反映某个时间段里某个地区药品安全状况的综合评价指数;在学习并对比各种综合评价方式优点和局限性的基础上,选择模糊综合评价法确定综合评价指数,最后将近几年的药品安全综合评价指数与一级指标安全评价指数进行对比分析,在分析结果的基础上,给出保持药品安全综合指数稳步上升的建议。
进一步,所述熵权法包括:
计算每个指标下每一年的数据所占特征比重,如式(1);
式(1)中,Wij表示第i个指标下第j年对应数据所占的特征比重,aij表示第i个指标下第j年对应的数据;
计算每个指标的熵值,如式(2);
式(2)中,ei表示第i个指标的熵值;
计算每个指标的熵权,如式(3);
式(3)中,si表示第i个指标的熵权,熵权为二级指标相对于整体评价的权值。
进一步,所述通过博弈论思想构建合适的比例模型将主客观权重组合成综合权重,包括:
如果有m种方式得到指标权重,得到权重向量集为W={w1,w2,…,wm},综合权重的可能值为W中各权重向量的线性组合,如式(4);
式(4)中,αi权重系数值,wi是某种方法得到的权重向量;
确定满足纳什均衡的综合权重:
对权重系数αi的优化,优化模型如式(5);
进一步,对优化模型的求解步骤包括:
根据矩阵函数的导数定义及性质,得到导数方程,如式(6),
(6)式展开成线性方程组,如式(7),
根据克莱姆法则求解式(7),得到(α1,α2,…,αm);
对权重系数归一化处理;
根据权重系数确定综合权重。
进一步,所述选择模糊综合评价法确定综合评价指数包括:
一),建立评价因素集:
构建药品安全指标体系中划分的一级指标和二级指标建立评价因素集:
F=(I1,I2,I3,I4,I5)=(药品抽验合格率指标,药品风险监测与评价指标,药品不良反应与突发安全事件指标,药品安全科普教育与网络信息规范指标,医生配伍与患者合理用药主观意识指标);
F1=(I11,I12,I13,I14,I15,I16)=(年度监督抽验合格率,日常监督抽验合格率,飞行检查问题发现率,快检车筛查合格率,专项检查抽验合格率,问题投诉处理率);
F2=(I21,I22,I23,I24)=(风险监测与评价抽验合格率,药品安全风险监测等级,药品标准监测项目、限度等设置合理性评价);
F3=(I31,I32,I33,I34,I35,I36)=(产生不良反应病例百分比,严重不良反应占所有不良反应百分比,药品不良反应监测报告达标率,药品突发性群体不良反应事件发生数,突发事件发生后,应急预案成功实施率);
F4=(I41,I42,I43)(药品安全科普教育频次及覆盖百分比,药品安全知识网络信息点击百分比,百度药品安全搜索指数);
F5=(F51,F52,F53,F54,F55,F56,F57,F58,F59,F510)=(将合理用药纳入医生、护士和药剂师继续教育的医疗机构百分比,药剂师完全按照处方调配药品的百分比,不按处方取药的患者百分比,了解药品正确用法的患者百分比,用药前查询药品说明书的患者百分比,关心药品生产、有效日期的患者百分比,自行改变药品使用方法的患者百分比,未经医生指导自行使用抗菌类药物的患者百分比,不正规渠道购买和使用药品公众百分比,购买假药的公众百分比);
二),建立评价评语集;
三),确定指标的隶属度矩阵:
根据每个指标对应的数据和量值划分范围确定隶属度矩阵,得出F1=(I11,I12,I13,I14,I15,I16)=(年度监督抽验合格率,日常监督抽验合格率,飞行检查问题发现率,快检车筛查合格率,专项检查抽验合格率,问题投诉处理率)的隶属度矩阵如下式,
四),根据指标级数分级评价:
构建的药品安全评价指标体系为二级指标体系,共有2级评价;包括:
一级评价:
在隶属度矩阵的基础上结合各二级指标权重进行一级评价;F1=(I11,I12,I13,I14,I15,I16)=(年度监督抽验合格率,日常监督抽验合格率,飞行检查问题发现率,快检车筛查合格率,专项检查抽验合格率,问题投诉处理率)的二级评价结果如下式,然后依次求出其他一级指标对应的评价结果;
二级评价:
根据一级评价求出的所有一级指标对应的评价结果结合各一级指标对应权重进行二级评价,求出所有指标的评价矩阵;求出总体评价矩阵如下式,
五),确定综合评价指数:
根据药品安全状况等级分值和二级评价结果进行综合评价,求出药品安全综合评价指数如下式,
进一步,所述使用余弦函数动态调整惯性权重,计算公式如下所示:
其中,T表示当前迭代次数,Tmax表示最大迭代次数;ωmax和ωmin分别表示设置的最大惯性权重值和最小惯性权重值;
所述使用种群中所有粒子的个体最优位置的平均值代替粒子个体的最优解,包括:
采用种群中的所有粒子个体搜索到的最优位置的平均值Pbestt avg来代替粒子个体寻找到的最优位置Pbestt id;使得粒子个体在飞行寻优的过程中,能对其他粒子寻优的经验进行学习之后,对自身的寻优方向、速度进行调整;改进后的速度更新公式如下所示:
在公式中,Gbestt id为向其他粒子学习的值,i,d,t分别表示的含义为:第i个粒子、粒子所在的维度、迭代的次数;vt id表示粒子的速度,xt id表示粒子的当前位置。c1,c2是加速因子
(Acceleration Constants)也称为学习因子,设值为2;学习因子的存在使得单独飞行的粒子个体具备学习自身经验并向其它粒子个体学习经验的能力;r1,r2是[0,1]之间的随机数;ω表示惯性权重,为增强或减弱上次飞行速度对自身寻找最优位置的影响。
本发明另一目的在于提供一种基于智能算法的药品安全信心指数系统,从上到下依次为:
目标层,用于构建一个药品安全指数模型;
项目层,用于分析各种项目,包括:药品合格率、不良反应监测情况、网络关注度、药品突发事件、药品安全监督体系、药品安全历史数据信息;还通过专家评价法、德尔菲法、综合评分法、深度访谈法、文献分析,用于把各种项目与药品安全指数模型的相关度、重要度排列出来,并通过横向分析对比之间的关系得到各项目之间的关联性,以此分配相应的系数和基础指数;
因素层,用于分析项目层每种项目与之相关的各种因素,所述各种因素包括:客观因素、主观因素、内部因素、外部因素、人为因素、技术因素、社会因素、区域因素、经济因素、监管因素、媒体因素;根据每种项目的相关因素,通过专家评价法、指数法、加权系数法、权重估计法、加权秩和比法得出每种因素在相关项目中的重要度;
指标层,根据因素层的各种因素确定每种因素评价的指标,指标的参数用人工神经网络进行评估。
本发明的优点及积极效果为:
本发明从药品安全指数的背景和重大意义出发,提出了药品安全指数是一个受多种因素影响的综合指数,其数据来源要多方位、多渠道、动态、实时,并根据数据的具体情况使用相应的算法或模型用于构建指数项目,最后通过系数与加权得到药品安全指数。
在未来的药品安全指数分析中,需要构建相应的评价模型,从评价的结果中分析药品安全指数的整个算法、数据、各种因素权重比等等,使选取的数据源更准确,所用的算法更能符合实际情况,让构建的药品安全指数能立足科学——为民、求是、严谨、创新。
附图说明
图1是本发明实施例提供的基于智能算法的药品安全信心指数系统的构建方法流程图。
图2是本发明实施例提供的得到综合评价指标方法流程图。
图3是本发明实施例提供的确定综合权重后,以指标编号为横坐标,指标权重为纵坐标画出主观权重、客观权重和综合权重的对比折线图。
图4是本发明实施例提供的基于智能算法的药品安全信心指数系统示意图。
图中:1、目标层;2、项目层;3、因素层;4、指标层。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明目的就是为了建立一个基于智能算法的药品安全信心指数的数学模型并评价该模型。通过各种途径采集药品的各种信息,例如:药品抽验不合格率、药品信息网络平台、医院试剂与制剂的不良反应等,这些信息通过分析工具spss和lisrel软件等进行统计与分析,依据统计与分析的结果,基于贝叶斯经典公式构建相应的药品安全信心指数模型,并依据模型得出对应的药品安全信心指数。再使用马尔科夫链对构建的药品安全信心指数模型的评价,评价结果作为对药品安全信心指数模型改进的依据。最终达到为公众提供科学客观的、适时更新的药品安全信心指数,为政府提供药品安全决策的基础数据。
下面结合附图对本发明的应用原理作详细描述。
如图1所示,本发明实施例提供的基于智能算法的药品安全信心指数系统的构建方法,包括:
S101:采集调研数据:药品安全评价指标为:一级指标五个,包括:药品机构检验合格率指标、医院制剂与不良反应指标、药品安全突发事件指标、药品安全信息指标、药品安全主观意识指标;二级指标为二十四个与之对应;
S102:对调研数据进行分析,通过相应的德尔菲法算法,得到综合评价指标;从药品安全评价指标体系的建立、指标权重的确定、药品安全综合评价指数的计算三个部分逐步进行的药品安全综合评价与指标分析;
S103:药品安全评估指标体系的构建,对PSO-BP神经网络药品安全性评估模型进行改进,包括:使用PSO算法来对BP神经网络中各层节点间的权重、阈值进行优化设置;使用试凑法确定PSO-BP神经网络药品安全性评估模型中最优学习效率及隐含层的最优单元节点个数;对PSO-BP神经网络药品安全性评估模型在对药品安全性进行评估过程中,将线性递减策略的惯性权重,使用余弦函数对其进行动态控制处理,并使用种群中所有粒子的个体最优位置的平均值代替粒子个体的最优解;使用2014年度、2015年度、2016年度的数据代入模型分别计算这些年度的指数模型。
下面结合具体实施例对本发明作进一步描述。
1)设计调研问卷,采集调研数据;
药品安全评价指标暂定为:一级指标五个,包括:药品机构检验合格率指标、医院制剂与不良反应指标、药品安全突发事件指标、药品安全信息指标、药品安全主观意识指标;二级指标为二十四个与之对应。
以指标数来加权计算整个药品安全指数,如果认为该指标应占比例高,请给与高的数值;如果认为该指标比例低,请给与低的数值;如果认为该指标不合理请划去;如果认为还有些指标没考虑进去请在“未列入的建议指标及权重排序”中添加。所有权重值相加,比例可以超过100%。如下表1:
表1一级、二级指标权重排序
2)对调研数据进行分析,通过相应的德尔菲法算法,得到综合评价指标;具体包括:
2.1)从药品安全评价指标体系的建立、指标权重的确定、药品安全综合评价指数的计算三个部分逐步实现湖北地区的药品安全综合评价与指标分析。
首先是药品安全评价指标体系的建立,本发明从药品的生命周期出发,建立一个囊括药品生命周期每个环节、涉及所有可能安全因素的药品安全评价指标体系。在这一部分的研究过程中,本发明首先学习药品生命周期和国内外药品安全评价相关资料,再根据我国监管体系实际情况构建初始指标体系。然后学习德尔菲法相关理论,根据本发明的实际研究背景对德尔菲法进行改进,最终通过专家调研构建药品安全评价指标体系。
建立指标体系后的工作是指标权重的确定,由于药品安全的评价不仅是客观数据的对比分析,还有许多人为因素的参与,本发明决定分别从主观和客观两个角度确定指标权重,最后组合起来生成综合权重。其中客观权重的确定包括数据收集、数据处理,然后结合算法求出权重,指标数据收集分为客观数据和主观数据两个部分,分别通过查询药检院文件和线下问卷调查的方式获得,接着根据算法需要处理数据,使用熵权法确定指标客观权重;主观权重使用线上调查问卷系统的方式收集初始指标权重数据,然后使用改良德尔菲法修正完善。最终通过博弈论思想构建合适的比例模型将主客观权重组合成综合权重。
最后是药品安全综合评价指数的确定与分析,本发明希望通过指标数据以及指标权重得到一个能够科学反映某个时间段里某个地区药品安全状况的综合评价指数。在学习并对比各种综合评价方式优点和局限性的基础上,选择了最适合本发明内容的模糊综合评价法确定综合评价指数,最后将湖北近5年的药品安全综合评价指数与一级指标安全评价指数进行对比分析,在分析结果的基础上,给出保持药品安全综合指数稳步上升的建议。
如图2所示,得到综合评价指标方法中,为了让公众更好地参与到药品安全评价的过程中来,本发明从药品的生命周期出发,在保证药品生产、检验和销售环节相关指标结构完整的基础上,首次在药品安全评价体系中增加了必要的购药用药相关的主观指标,并使用改良德尔菲法完善及确定该体系结构,构建出药品安全评价指标体系。
为了让指标权重符合客观规律的同时也不违背实际生活,本发明采用线上线下调查相结合的方法获取湖北地区药品安全评价指标数据、结合主观和客观两个方面确定指标权重。并且,首次在药品安全评价模型的构建过程中使用博弈论的思想,设计适合的比例将主客观权重组合成较为合理的综合权重。
为了总结出一个能够科学反映某年某地药品安全状况的综合评价指数,本发明选择模糊综合评价法计算湖北地区每年的药品安全综合评价指数,分析5年来湖北地区药品安全状况的总体趋势,并且对指数背后的因素通过图表的形式挖掘分析。
2.2)德尔菲法原理:
德尔菲法是由组织者按照规定的程序制作调查表,接着使用函件的方式向特定领域的决策专家发送调查表,一定时间后决策专家将意见返回给调查组织者。如此循环,直到各位决策专家的意见趋于一致。德尔菲法一般流程:
选择决策专家组成员:
组织者根据特定需求,选择并联系在特定领域有一定研究的专家人员。
制作调查表:
组织者根据需要,设计较为开放的问题并制作相关的调查表。
第一次调研:
组织者向决策专家发送开放式的调查表,待决策者反馈意见后,由组织者收集、整理汇总所有意见。得到统计结果后,按照第一次的分析结果,针对性地制作。
第二次调研的调查表。
第二次调研:
组织者向决策者发送新的调查表,并且附上第一次调研的结果。如此反复,直到各位决策者意见相差不大。
总结
等决策者意见基本一致时,宣布调研结束,总结专家意见,形成结论。
德尔菲法优点:
德尔菲法限制条件较少,因此能够适用于多种领域;德尔菲法的决策对象基本由在特定领域有一定研究的专家组成,因而专业性较强;德尔菲法的决策对象之间没有直接交流,相较于其他的群体决策方法,突出了公正性的特征。
针对传统德尔菲法周期长的缺点,首次调研会向决策者提供相应的背景资料和初始数据,让决策者赋值,并对初始数据给出意见,删除不适合的数据,添加遗漏的数据,这样可以从整体上缩短调研周期,整个调研也不再是以一张白纸开始。
调查表中,让决策者以数据的形式描述自己的判断(对定性的难以用数值表现的意见采用区间估计的方式),对决策者返回的意见进行定量处理,通过数据分析结果判断何时停止调研,使得结果更为客观。
2.3)本发明在传统德尔菲法的基础上,根据药品安全评价指标体系的需求对德尔菲法从数据统计分析和初始资料方面进行改良,通过3轮调研,各位参与调研的专家决策者意见基本一致,得到覆盖药品生命周期的较为完善的药品安全评价指标体系。
2.4)药品安全评价指标体系权重确定:
从主观和客观两个方面对各级指标组合赋权,最终确定指标综合权重。其中主观权重使用线上问卷调查结合改良德尔菲法进行确定,客观权重通过熵权法分析确定。
a)主观权重计算
在通过线上问卷调查获取药品安全评价体系各级指标的初始主观权重值,然后使用改良德尔菲法在初始权重基础上逐步完善,最终确定药品安全评价体系各级指标的主观权重。
a.1)初始权重收集:
由于药品安全指标权重值的调查对专业性要求较高,调查对象一般都是在医药学领域有一定研究的专家学者,线下实体的问卷调查可操作性不强,所以调查选择线上问卷作为调查工具。
本发明调查旨在以网站的形式采集影响药品安全的各级指标所占主观权重,并且通过专家个人信息调查问卷填写的真实性来作为指标调查问卷内容是否可靠的一个参考标准。专家填写完毕后由管理员登录并审核相应问卷,在保证数据可靠的前提下又不影响调查广度。
在处理后的指标数据基础上,使用熵权法分析计算各级指标的客观权重。
熵权法实现步骤:
(1)计算每个指标下每一年的数据所占特征比重,如式(1)。
式(3-1)中,Wij表示第i个指标下第j年对应数据所占的特征比重,aij表示第i个指标下第j年对应的数据。
(2)计算每个指标的熵值,如式(2);
式(2)中,ei表示第i个指标的熵值。
(3)计算每个指标的熵权,如式(3)。
式(3-3)中,si表示第i个指标的熵权(即二级指标相对于整体评价的权值)。
(4)客观权重结果:
对各个一级指标下属的每个二级指标的熵权求和可以得到相应一级指标的目标客观权重;二级指标的熵权与一级指标权重之比即是该二级指标相对于所属一级指标的目标权重。
b)综合权重计算:
主观权重虽然由专业领域深有研究的专家共同合作探讨得到,可是评价结果常常因人而异,难免具有主观随意性;客观权重根据数据处理分析得到,避免了主观不足,但是过度依赖数据,结果容易受到数据波动的干扰,而且忽视人为因素在药品安全评价过程中的作用。本发明旨在以科学的方式组合主观权重和客观权重,得到能够兼顾决策者主观性以及数据客观性的综合权重,实现组合赋权。
b.1)博弈论与组合赋权:
博弈论与纳什均衡:
博弈论就是N(N大于等于2)个对象之间的对抗,博弈论基于一个假设条件:每个对象的绝对理性,即所做的决策应该使自己获得利益最大化。对于每个参与博弈的对象,当其选择的策略是其他参与对象所选择策略的最优对策时,达到纳什平衡。
纳什平衡有2个性质:(1)若把其他参与对象的行为看成不变的,任何一个参与对象都不会改变策略(因为改变策略不会使自己获得更大的收益)。(2)所有参与对象都想保持纳什均衡状态。
组合赋权的博弈化:
对一个指标体系,可以通过多种不同的方式确定相应的指标权重,组合赋权即考虑每种方式所占比例,组合成综合权重。从博弈论的角度看这个问题,就可以把组合赋权过程看做每种权重方法的博弈过程,他们作为参与对象没有思想,可以当成是绝对理性的,此外这些参与对象的需求都是使得最终的综合权重结果跟自己所设置的权重结果尽可能接近。因而,最终的综合权重可以等价为不同定权方法的博弈过程产生的纳什均衡状态,根据纳什均衡理论可以归纳出组合赋权步骤如下:
描述综合权重:
如果有m种方式得到指标权重,可以得到权重向量集为W={w1,w2,...,wm},综合权重的可能值就是W中各权重向量的线性组合,如式(4)。
式(4)中,αi权重系数值,wi是某种方法得到的权重向量。
确定满足纳什均衡的综合权重:
根据纳什均衡理论,要确定综合权重,寻找一种比例分配方式,使得每种方式的权重同时妥协,只有当综合权重与每个基本权重向量的整体偏差最小的时候,才可能达到这种状态。所以问题就转化为对权重系数αi的优化问题,优化模型如式(5)。
对式(5)的求解步骤如下:
a.根据矩阵函数的导数定义及性质,得到导数方程,如式(6)
b.式展开成线性方程组,如式(7)
c.根据克莱姆法则可以求解式(7),得到(α1,α2,…,αm)。
d.对权重系数归一化处理。
e.根据权重系数确定综合权重。
c)药品安全评价指标综合权重确定:
本发明权重向量集由主观权重和客观权重组成,根据各一级指标和二级指标的主客观权重值,根据式(7)展开成线性方程组,使用MATLAB求解方程组,处理后得到综合权重结果,见表2。
表2综合权重表
确定综合权重后,以指标编号为横坐标,指标权重为纵坐标画出主观权重、客观权重和综合权重的对比折线图,见图3。
观察折线图可以发现一级指标中指标3和二级指标中指标1.3、指标1.5、指标2.1、指标5.1的3个权重几乎重合;一级指标中指标2、指标5和二级指标中指标3.3、指标4.3对应的主观权重和客观权重差距较大;其余指标的各权重之间有较小偏差。此外,使用基于纳什均衡的组合赋权法确定的综合权重均介于主观权重和客观权重之间,一共32个指标之间的差距有明显的缩小,达到了均衡优化药品安全指标主客观权重的效果,有较好的解释性。
本发明基于近5年湖北地区药品安全评价指标数据,从主客观两个方面描述了确定药品安全评价指标体系中各级指标权重的过程,其中主观权重主要依赖线上问卷调查的方式获取原始权重,然后使用改良德尔菲法进行完善;客观权重主要由指标数据经过熵权分析得到。在得到主客观权重后,以博弈论为指导思想,确定主客观权重组合赋权的比例,最终确定药品安全评价指标体系的综合权重。
2.5)药品安全综合评价指数确定及分析:
本发明以药品安全评价指标体系和确定的各级指标综合权重为基础,选择合适的综合评价指数模型构建方法,结合湖北地区近5年的药品安全相关指标数据,计算相应的综合评价指数,并对结果进行分析。
1)综合评价指数模型构建方法选择:
常用的综合评价指数模型构建方法:
线性加权综合法:
应用线性模型进行评价的方法,指数模型如式(4-1)。
式(4-1)中,m代表指标个数,si代表第i个指标的权重,ai代表第i个指标数据。
该方法主要优点是计算简单,操作性较强;各指标之间此消彼涨等量补偿;该方法主要局限性是仅适用于各指标之间相互独立的情形,若是指标之间也有一定的关联,指标之间的重叠信息会导致评价结果丧失部分准确性。
非线性加权综合法:
应用非线性模型进行评价的方法,指数模型如式(4-2)。
式(4-2)中,m代表指标个数,si代表第i个指标的权重,ai代表第i个指标数据。
该方法主要优点是相比于线性加权法,指标数据对评价结果的影响增大,淡化了权重的作用,而且对较小数值的变化反应敏感;该方法主要局限性是计算复杂,且对数据要求较高。
逼近理想点:
每个指标都有一个理想的数值,每个理想指标共同构成了整个指标体系对应的理想点,若某个待评价对象的指标数据最接近理想点,就可以说该对象的评价结果最理想。逼近理想点的思路就是求各待评价对象距离理想点之间的距离,距离越近越理想。假设评价对象是(a1、a2、...、am),理想点是(x1、x2、...、xm),定义加权距离公式,指数模型如式(4-3)。
式(4-3)中,m代表指标个数;si代表第i个指标的权重;ai代表第i个指标数据;xi代表第i个指标的理想数据。
该方法主要优点是对数据没有要求;可以对每个待评价对象进行排序;该方法主要局限性是只适用于对每个待评价对象进行排序、比较的情形,不能代替具体的评价指数;当有2个或2个以上的对象相对于理想点对称时,距离相同,但是无法比较。
模糊综合评价法:
模糊综合评价法源于模糊数学,使用其中的模糊集合论以及最大隶属度原则将模糊概念定量化。计算得到的模糊结果可以用来评判事物的优劣。
该方法主要优点是不仅可以计算得到具体的结果对待评价对象进行比较和排序,还能根据隶属度矩阵划分和确定对象的等级,适合一切不确定性问题;
本发明所构建的药品安全评价指标体系中,主观指标和客观指标比重相当,各指标之间存在一定的关联性,由于线性加权综合法不适合指标之间相互关联的体系,所以排除;本发明旨在通过综合评价得到药品安全指数,而逼近理想点法只能对指标排序,无法得到最后的指数,所以排除;本发明构建指标体系时所采用的德尔菲法和确定主观权重时的问卷调查法都带有很强的主观性,不满足非线性加权综合评价法中对数据高要求的条件,因此本发明选择模糊综合评价法在指标体系及指标权重确定的基础上,计算药品安全综合评价指数。模糊
综合评价法原理
模糊综合评价法中的模糊思想来源于模糊数学,所谓模糊就是属于和不属于之间的一种特殊存在,模糊数学可以理解为专门分析此类现象的数学理论,在经典数学中,某个对象与某个集合之间的关系只有属于和不属于,但是,在我们的生活中有许多对象并不能简单用属于或者不属于某种集合明确描述,本发明所研究的药品就是这样,无法明确区别安全与不安全,只能评价其安全程度。模糊数学就是用属于某集合的程度来取代经典数学中属于或不属于某集合的理论。一般用隶属度描述某一对象隶属于某一集合的程度,在经典数学中,隶属度只有0与1两种取值;在模糊数学理论中,隶属度取值范围是[0,1]。
模糊综合评价法计算评价指数步骤:
(1)建立评价因素集;
根据本发明构建的药品安全指标体系中划分的一级指标和二级指标建立评价因素集:
F=(I1,I2,I3,I4,I5)=(药品抽验合格率指标,药品风险监测与评价指标,药品不良反应与突发安全事件指标,药品安全科普教育与网络信息规范指标,医生配伍与患者合理用药主观意识指标);
F1=(I11,I12,I13,I14,I15,I16)=(年度监督抽验合格率,日常监督抽验合格率,飞行检查问题发现率,快检车筛查合格率,专项检查抽验合格率,问题投诉处理率);
F2=(I21,I22,I23,I24)=(风险监测与评价抽验合格率,药品安全风险监测等级,药品标准监测项目、限度等设置合理性评价);
F3=(I31,I32,I33,I34,I35,I36)=(产生不良反应病例百分比,严重不良反应占所有不良反应百分比,药品不良反应监测报告达标率,药品突发性群体不良反应事件发生数,突发事件发生后,应急预案成功实施率);
F4=(I41,I42,I43)(药品安全科普教育频次及覆盖百分比,药品安全知识网络信息点击百分比,百度药品安全搜索指数);
F5=(F51,F52,F53,F54,F55,F56,F57,F58,F59,F510)=(将合理用药纳入医生、护士和药剂师继续教育的医疗机构百分比,药剂师完全按照处方调配药品的百分比,不按处方取药的患者百分比,了解药品正确用法的患者百分比,用药前查询药品说明书的患者百分比,关心药品生产、有效日期的患者百分比,自行改变药品使用方法的患者百分比,未经医生指导自行使用抗菌类药物的患者百分比,不正规渠道购买和使用药品公众百分比,购买假药的公众百分比)。
(2)建立评价评语集;
本发明根据国内外文献归纳总结,将待评价对象分为5个等级,药品安全等级划分如表3。
表3药品安全等级划分表
药品安全等级 | I级 | II级 | III级 | IV级 | V级 |
安全状况描述 | 极差 | 差 | 不理想 | 一般 | 良好 |
根据模糊综合评价法的实施步骤,需要将最底层的指标按照待评价对象等级划分情况归类,二级指标分级情况如表4。
表4二级指标分级情况
(3)确定指标的隶属度矩阵;
根据每个指标对应的数据和量值划分范围确定隶属度矩阵,例如2011年的年度监督抽验合格率是97.86%,因此,年度监督抽验合格率隶属于评价等级向量(0,0,0,0,1),可以得出2011年F1=(I11,I12,I13,I14,I15,I16)=(年度监督抽验合格率,日常监督抽验合格率,飞行检查问题发现率,快检车筛查合格率,专项检查抽验合格率,问题投诉处理率)的隶属度矩阵如式(4-4),其他年度和其他指标隶属度矩阵以此类推。
(4)根据指标级数分级评价;
由于本文构建的药品安全评价指标体系是二级指标体系,所以共有2级评价。
(1)一级评价
在隶属度矩阵的基础上结合各二级指标权重进行一级评价。例如2011年F1=(I11,I12,I13,I14,I15,I16)=(年度监督抽验合格率,日常监督抽验合格率,飞行检查问题发现率,快检车筛查合格率,专项检查抽验合格率,问题投诉处理率)的二级评价结果如式(4-5),然后依次求出2011年其他一级指标对应的评价结果。
(2)二级评价:
根据一级评价求出的所有一级指标对应的评价结果结合各一级指标对应权重进行二级评价,求出所有指标的评价矩阵。例如可以求出2011年总体评价矩阵如式(4-6)。
(5)确定综合评价指数。
根据药品安全状况等级分值和二级评价结果进行综合评价,求出2011年的药品安全综合评价指数如式(4-7),同样可以求出2012年至2015年的药品安全综合评价指数,见表5。
表5各年度药品安全综合评价指数
年份 | 2011 | 2012 | 2013 | 2014 | 2015 |
指数 | 74.73 | 74.42 | 77.30 | 78.86 | 83.55 |
安全等级 | IV级 | IV级 | IV级 | IV级 | V级 |
从表5的数据可以看出,除了2012年的药品安全综合指数相比于2011年略有下降,其余各年份的药品安全综合指数呈平稳上升趋势,结合国家的政策以及人民安全意识的提高,湖北省药品安全水平越来越高,也说明本文所确定的药品安全综合指数符合实际情况,有一定的解释性。
3)药品安全评估指标体系的构建,进行基于BP神经网络的药品安全性评估模型的构建;包括:
本发明针对如何定义药品的安全性、如何确定药品安全性评估指标、如何合理,快速的对药品安全性进行有效评估等问题,建立了BP神经网络药品安全性评估模型。并针对BP神经网络药品安全性评估模型在药品安全性评估过程中,容易陷入局部最优解而导致对药品安全性评估的正确率不够高,以及PSO-BP神经网络药品安全性评估模型中,收敛速度慢、需要较长训练时间等问题,提出将改进的PSO算法对BP神经网络药品安全性评估模型的权重、阈值设置进行优化。并使用本发明设计的药品安全性评估调查问卷收集到的实际数据对三个药品安全性评估模型进行对比实验,证明了改进的PSO-BP神经网络药品安全性评估模型在药品安全性评估中的有效性。本发明主要工作如下:
(1)通过文献分析法总结了关于药品安全性评估的四个关键一级指标,分别为:药品研发安全影响因素指标、药品经营安全影响因素指标、药品生产安全影响因素指标、药品使用安全影响因素指标。在此基础上,总结提出药品安全性评估指标体系,并制作出相应的药品安全性评估调查问卷。使用该问卷对药品相关从业人员进行匿名问卷调查,为后续的药品安全性评估模型实验提供实验数据。
(2)针对BP神经网络药品安全性评估模型在对药品安全性进行评估的过程中,容易陷入局部最优解的问题,提出使用PSO算法来对BP神经网络中各层节点间的权重、阈值进行优化设置。使用试凑法确定了PSO-BP神经网络药品安全性评估模型中最优学习效率及隐含层的最优单元节点个数,并通过实验证明PSO-BP神经网络药品安全性评估模型在药品安全性评估中的有效性。
(3)针对PSO-BP神经网络药品安全性评估模型在对药品安全性进行评估过程中,收敛速度不够理想、训练时间较长等问题,将线性递减策略的惯性权重,使用余弦函数对其进行动态控制处理,并使用种群中所有粒子的个体最优位置的平均值代替粒子个体的最优解。改善该模型在迭代前、后期的寻优能力及容易陷入局部最优解的问题。在保持其评估准确率的前提下,提高其收敛速度。
通过药品安全性评估实验证明改进的PSO-BP神经网络药品安全性评估模型的有效性。
3.1)PSO算法自1995年提出至今,经历了二十几年的发展,其自身所具有的诸如:算法原理简单,容易实现、所需调节参数少、全局寻找最优解能力强等优点,一直为相关研究人员所青睐。尽管PSO算法在参数寻找最优解的问题中,其实用性已经得到了广泛验证与应用,但其自身的局限性始终存在,主要表现在以下两个方面。
(1)PSO算法参数的设置具有不确定性。在使用PSO算法对BP神经网络
药品安全性评估模型进行参数优化的过程中,需要对公式4-1中的惯性权重ω、加速因子c1,c2等参数分别进行初始设置操作。然而到目前为止,对这些参数的设置尚没有确定的理论依据进行证明,主要依靠实验人员的经验对其进行设定。
(2)惯性权重ω通常采用惯性递减策略对粒子的个体飞行速度vt id进行调节,使得PSO算法在寻优过程的前期过早收敛,种群多样性消失、寻优过程后期收敛速度慢、寻优能力减弱,容易陷入局部最优解。
虽然使用PSO-BP神经网络药品安全性评估模型,在药品安全性评估的准确率方面较BP神经网络药品安全性评估模型得到提高。但却是以牺牲一定运行效率为前提。为了保持PSO算法在迭代前期对全局寻优的能力及较快的收敛速度,并在迭代后期能够保持一定跳出局部最优解及对局部范围进行搜索寻优的能力。分别从两个方面对PSO算法进行改进。
1)使用余弦函数动态调整惯性权重
(在公式中,Gbestt id为向其他粒子学习的值,i,d,t分别表示的含义为:第i个粒子、粒子所在的维度、迭代的次数。vt id表示粒子的速度,xt id表示粒子的当前位置。c1,c2是加速因子(Acceleration Constants)也称为学习因子,通常将其设值为2。学习因子的存在使得单独“飞行”的粒子个体具备了学习自身经验并向其它粒子个体学习经验的能力。r1,r2是[0,1]之间的随机数。ω表示惯性权重,其作用为增强或减弱上次“飞行”速度对自身寻找最优位置的影响)进行分析可知,惯性权重ω对PSO算法的收敛能力(收敛速度)有着比较大的影响。为了使PSO算法在迭代的前、后期都能够保持一定的寻优能力及较快的收敛速度,以此来提高药品安全性评估模型的评估效率。本发明提出采用余弦函数来对惯性权重ω进行动态控制处理。计算公式如5-1所示:
其中,T表示当前迭代次数,Tmax表示最大迭代次数;ωmax和ωmin分别表示设置的最大惯性权重值和最小惯性权重值。
(2)使用种群中个体平均最优位置Pbestt avg代替个体最优位置Pbestt id在使用余弦函数对惯性权重ω进行动态调整的过程中,种群前、后期都能够保持有较好的搜索寻优能力。但是,在其“飞行”寻优的过程中,有可能因为其“飞行”的速度过快而飞过全局最优解的范围,从而影响其对最优解的搜索操作。考虑到这方面对寻优结果的影响,并结合对公式4-1的分析,决定采用种群中的所有粒子个体搜索到的最优位置的平均值Pbestt avg来代替粒子个体寻找到的最优位置Pbestt id。使得粒子个体在“飞行”寻优的过程中,能够对其他粒子寻优的经验进行学习之后,对自身的寻优方向、速度等进行调整。改进后的速度更新公式如5-2所示:
通过分别对惯性权重ω及速度更新公式进行修改,改进的PSO算法能够在寻找最优解的过程中,前、后期均保持较好的搜索寻优的能力,并且针对容易陷入局部最优解的问题有一定的改善效果。为了验证改进的PSO-BP神经网络药品安全性评估模型能够在保持药品安全性评估准确率的前提下,有较快的运行效率,将使用与PSO-BP神经网络药品安全性评估模型相同的实验数据对其进行实验。
3.2)改进的PSO-BP药品安全性评估实验及分析:
根据对PSO-BP神经网络药品安全性评估模型的实验经验,将改进的PSO-BP神经网络药品安全性评估模型的隐含层节点个数确定为10,迭代次数设为200,学习因子c1,c2都设为2.05,惯性权重ωmax设为0.8,ωmin设为0.3,飞行速度v设为0.8,最小误差精度设为0.0001。
通过对改进的PSO-BP神经网络药品安全评估的实验发现,改进的PSO-BP神经网络药品安全性评估模型在寻找最优解的过程中,只需迭代123次便达到自身最小误差精度。
为了验证改进的PSO-BP药品安全评估模型在PSO-BP神经网络药品安全性评估模型的基础上提高了评估效率。在对改进的PSO-BP神经网络药品安全性评估模型进行实验的过程中,仍使用与之前实验相同的数据进行训练和测试。将改进的PSO-BP神经网络药品安全性评估模型的实验结果与BP神经网络药品安全性评估模型的实验结果以及PSO-BP神经网络药品安全性评估模型的实验结果进行对比分析。改进的PSO-BP神经网络药品安全性评估模型正确分类的个数有29个,占全部药品安全性评估测试样本的96.7%。相较于BP神经网络药品安全性评估模型在药品安全性评估的准确率上有较大提升,相较于PSO-BP神经网络药品安全性评估模型在评估的准确率方面略有提升。
改进的PSO-BP药品安全评估模型进与PSO-BP神经网络药品安全性评估模型相比,在未降低评估准确率的情况下,有着更短的运行时间。其原因在于,在其对药品安全进行评估的过程中,惯性权重ω采用的是余弦函数来动态控制其变化的策略。该策略能够在前期保持较好的在整个搜索范围内进行搜索的能力,在后期也保有一定的在一定范围内进行寻优搜索的能力,其收敛速度较PSO-BP神经网络药品安全性评估模型的收敛速度要快。并通过使用种群中各个粒子的最优解的平均值代替粒子个体的最优解,增强了自身的鲁棒性及容错能力,在一定程度上改善其容易陷入局部最优解的情况。因此,相较于PSO-BP神经网络药品安全性评估模型,拥有相同收敛精度及更快收敛速度的改进PSO-BP神经网络药品安全性评估模型更适合应用于实际生活中。
如图4所示,本发明实施例提供了一种基于智能算法的药品安全信心指数系统,包括:
第一层为目标层1,构建一个药品安全指数模型,这是最终要达到的目的;
第二层为项目层2,分析各种项目,比如:药品合格率、不良反应监测情况、网络关注度、药品突发事件、药品安全监督体系、药品安全历史数据信息等等,在该层中需要用到专家评价法、德尔菲法、综合评分法、深度访谈法、文献分析等,把各种项目与药品安全指数模型的相关度、重要度排列出来,并通过横向分析对比之间的关系得到各项目之间的关联性,以此分配相应的系数和基础指数;
第三层,因素层3,是每种项目与之相关的各种因素,其因素分析包括:药品安全指数需要根据药品的特点,体现出实时性、预测性、稳定性、连续性、多状态、多类型、多渠道等等。这种指数既是一个综合性的指数,也是一个具体地、完整的指数。这样构建的指数模型比较复杂而且存在着很多不确定性,需要将能影响该指数的各种因素都包括在内。
药品安全指数关联到药品的方方面面,其影响因素有:客观因素、主观因素、内部因素、外部因素、人为因素、技术因素、社会因素、区域因素、经济因素、监管因素、媒体因素等等都可能导致药品安全指数数值的升高或降低。但在众多因素中,需要选取以数值为基础的因素作为指数模型的指标。项目组通过调研问卷、专家咨询、深度访谈、文献归纳、数理统计等方法总结出能度量的药品安全指数的指标主要有以下几种:药检机构实验室检验检测的药品抽验合格率、药品不良反应监测数据、药品快检车检验检测数据、医院制剂的监测数据、药品安全突发事件、媒体和公众对药品安全的关注度,还有历年药品安全相关的数据、药品安全政策的公布、假药伪劣等信息的曝光等等都可以作为指标用于支撑药品安全指数。根据每种项目的相关因素,通过专家评价法、指数法、加权系数法、权重估计法、加权秩和比法等方法得出每种因素在相关项目中的重要度;
第四层,指标层4,根据第三层的各种因素确定每种因素可以评价的指标,指标参数用人工神经网络、决策树、遗传算法、概率暴漏评估模型法、马尔可夫链、贝叶斯网络、非线性回归法等等使之更具有操作性、客观性、科学性、便捷性、可靠性等等。
下面结合影响药品安全指数的因素对本发明作进一步描述。
1)影响因素的量化分析
在确定这些影响因素的基础上,需要对各种因素进行横向和纵向分析,横向分析为比较各种影响因素相对于药品安全指数的影响力度,并分析出各种影响因素之间的联系,纵向分析则是限定于对该因素本身的相关指标的定义、层次级别。通过应用定性分析与定量分析对这些因素进行数字化建模,其中定性分析确定每种因素所具有的属性,并且把这些属性概括为能用指标描述的性质,而定量分析是用数字公式和采集到的数据对这些指标的性质进行描述,以确保得到的药品安全指数科学、严谨、客观、公正等。比如:药品抽验合格率可以是客观因素,也可以是技术因素,其具体分析可以有送检抽验合格率、注册抽验合格率、委托抽验合格率、生产企业抽验合格率、经营企业抽验合格率等等,其影响度可以按照抽验数量、抽验质量、抽验方式等等做不同的权重比例。
2)数据来源的获取
药品安全指数的维持需要有稳定的数据来源,一旦数据来源不够准确或者时有时无,必然会造成指数模型反映的数值失真,接着偏离度会变大,直接导致药品安全指数的公信力下降。因此,稳定的数据来源是药品安全指数能持续下去的保证。
(1)历史数据的创新:
药检机构存储了几十年的检验检测数据,这些检验检测的抽验合格率、药品批号、生产厂家、生产时间、检验报告书等等都可以作为基础数据,还有药品安全的重大事件,比如:“齐二事件”、“毒胶囊事件”等等。这些数据可以使用挖掘工具进行创新,使之成为药品安全指数的一个重要参考。
(2)实时的检验检测数据:
这些数据主要是药检机构实时的检验检测数据,药品监督抽样、国评、省抽、有目的的样本选取(风险抽验),医院制剂的监测数据,快检车检验检测数据等等。
(3)药品安全的大数据:
大数据的各种技术应用构建基于Hadoop集群的基础层——平台层——功能层——业务层的四层药品安全大数据,填充与药品安全关联的海量数据。运用MapReduce并行处理技术对药品安全指数所需的任务进行映射(Map)与化简(Reduce),能根据药品安全指数的需要从药品安全的大数据中挖掘分析相应的数值。
(4)各种平台提供的数据:
各种平台如新闻媒体、网站、微信、微博、云存储端、数据中心、论坛及百度搜索指数、关注度等与药品安全相关的各种信息,作为药品安全指数构建内容的重要补充。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于智能算法的药品安全信心指数系统,其特征在于,所述基于智能算法的药品安全信心指数系统从上到下依次为:
目标层,用于构建一个药品安全指数模型;进行药品安全评价指标体系的建立,对PSO-BP神经网络药品安全性评估模型进行改进;PSO-BP神经网络药品安全性评估模型在对药品安全性进行评估过程中,将线性递减策略的惯性权重,使用余弦函数对其进行动态控制处理,并使用种群中所有粒子的个体最优位置的平均值代替粒子个体的最优解;
所述将线性递减策略的惯性权重,使用余弦函数对其进行动态控制处理,计算公式如下所示:
其中,T表示当前迭代次数,Tmax表示最大迭代次数;ωmax和ωmin分别表示设置的最大惯性权重值和最小惯性权重值;
所述使用种群中所有粒子的个体最优位置的平均值代替粒子个体的最优解,包括:
采用种群中的所有粒子个体搜索到的最优位置的平均值Pbestt avg来代替粒子个体寻找到的最优位置Pbestt id;使得粒子个体在飞行寻优的过程中,能对其他粒子寻优的经验进行学习之后,对自身的寻优方向、速度进行调整;改进后的速度更新公式如下所示:
在公式中,Gbestt id为向其他粒子学习的值,i,d,t分别表示的含义为:第i个粒子、粒子所在的维度、迭代的次数;vt id表示粒子的速度,xt id表示粒子的当前位置;c1,c2是加速因子也称为学习因子,设值为2;学习因子的存在使得单独飞行的粒子个体具备学习自身经验并向其它粒子个体学习经验的能力;r1,r2是[0,1]之间的随机数;ω表示惯性权重,为增强或减弱上次飞行速度对自身寻找最优位置的影响;
项目层,用于分析各种项目,包括:药品合格率、不良反应监测情况、网络关注度、药品突发事件、药品安全监督体系、药品安全历史数据信息;还通过专家评价法、德尔菲法、综合评分法、深度访谈法、文献分析,用于把各种项目与药品安全指数模型的相关度、重要度排列出来,并通过横向分析对比之间的关系得到各项目之间的关联性,以此分配相应的系数和基础指数;对调研数据进行分析,通过相应的德尔菲法算法,得到综合评价指标;从药品安全评价指标体系的建立、指标权重的确定、药品安全综合评价指数的计算三个部分逐步进行的药品安全综合评价与指标分析;所述药品安全评价指标体系的建立,包括:从药品的生命周期出发,建立一个囊括药品生命周期每个环节、涉及所有可能安全因素的药品安全评价指标体系;根据实际研究背景对德尔菲法进行改进,最终通过专家调研构建药品安全评价指标体系;
所述建立指标体系后的工作是指标权重的确定,包括:分别从主观和客观两个角度确定指标权重,最后组合起来生成综合权重;其中客观权重的确定包括数据收集、数据处理,然后结合算法求出权重,指标数据收集分为客观数据和主观数据两个部分,分别通过查询药检院文件和线下问卷调查的方式获得,接着根据算法需要处理数据,使用熵权法确定指标客观权重;主观权重使用线上调查问卷系统的方式收集初始指标权重数据,然后使用改良德尔菲法修正完善;最终通过博弈论思想构建合适的比例模型将主客观权重组合成综合权重;
所述药品安全综合评价指数的确定与分析,包括:
通过指标数据以及指标权重得到一个科学反映某个时间段里某个地区药品安全状况的综合评价指数;在学习并对比各种综合评价方式优点和局限性的基础上,选择模糊综合评价法确定综合评价指数,最后将药品安全综合评价指数与一级指标安全评价指数进行对比分析,在分析结果的基础上,给出保持药品安全综合指数稳步上升的建议;
因素层,用于分析项目层每种项目与之相关的各种因素,所述各种因素包括:客观因素、主观因素、内部因素、外部因素、人为因素、技术因素、社会因素、区域因素、经济因素、监管因素、媒体因素;根据每种项目的相关因素,通过专家评价法、指数法、加权系数法、权重估计法、加权秩和比法得出每种因素在相关项目中的重要度;
指标层,根据因素层的各种因素确定每种因素评价的指标,指标的参数用人工神经网络进行评估;采集调研数据:药品安全评价指标为:一级指标五个,包括:药品机构检验合格率指标、医院制剂与不良反应指标、药品安全突发事件指标、药品安全信息指标、药品安全主观意识指标;二级指标为二十四个与一级指标对应。
5.如权利要求1所述的基于智能算法的药品安全信心指数系统,其特征在于,所述选择模糊综合评价法确定综合评价指数包括:
一),建立评价因素集:
构建药品安全指标体系中划分的一级指标和二级指标建立评价因素集:
F=(I1,I2,I3,I4,I5)=(药品抽验合格率指标,药品风险监测与评价指标,药品不良反应与突发安全事件指标,药品安全科普教育与网络信息规范指标,医生配伍与患者合理用药主观意识指标);
F1=(I11,I12,I13,I14,I15,I16)=(年度监督抽验合格率,日常监督抽验合格率,飞行检查问题发现率,快检车筛查合格率,专项检查抽验合格率,问题投诉处理率);
F2=(I21,I22,I23,I24)=(风险监测与评价抽验合格率,药品安全风险监测等级,药品标准监测项目,限度等设置合理性评价);
F3=(I31,I32,I33,I34,I35,I36)=(产生不良反应病例百分比,严重不良反应占所有不良反应百分比,药品不良反应监测报告达标率,药品突发性群体不良反应事件发生数,突发事件发生后,应急预案成功实施率);
F4=(I41,I42,I43)(药品安全科普教育频次及覆盖百分比,药品安全知识网络信息点击百分比,百度药品安全搜索指数);
F5=(F51,F52,F53,F54,F55,F56,F57,F58,F59,F510)=(将合理用药纳入医生、护士和药剂师继续教育的医疗机构百分比,药剂师完全按照处方调配药品的百分比,不按处方取药的患者百分比,了解药品正确用法的患者百分比,用药前查询药品说明书的患者百分比,关心药品生产、有效日期的患者百分比,自行改变药品使用方法的患者百分比,未经医生指导自行使用抗菌类药物的患者百分比,不正规渠道购买和使用药品公众百分比,购买假药的公众百分比);
二),建立评价评语集;
三),确定指标的隶属度矩阵:
根据每个指标对应的数据和量值划分范围确定隶属度矩阵,得出F1=(I11,I12,I13,I14,I15,I16)=(年度监督抽验合格率,日常监督抽验合格率,飞行检查问题发现率,快检车筛查合格率,专项检查抽验合格率,问题投诉处理率)的隶属度矩阵如下式,
四),根据指标级数分级评价:
构建的药品安全评价指标体系为二级指标体系,共有2级评价;包括:
一级评价:
在隶属度矩阵的基础上结合各二级指标权重进行一级评价;F1=(I11,I12,I13,I14,I15,I16)=(年度监督抽验合格率,日常监督抽验合格率,飞行检查问题发现率,快检车筛查合格率,专项检查抽验合格率,问题投诉处理率)的二级评价结果如下式,然后依次求出其他一级指标对应的评价结果;
二级评价:
根据一级评价求出的所有一级指标对应的评价结果结合各一级指标对应权重进行二级评价,求出所有指标的评价矩阵;求出总体评价矩阵如下式,
五),确定综合评价指数:
根据药品安全状况等级分值和二级评价结果进行综合评价,求出药品安全综合评价指数如下式,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710464878.4A CN107256426B (zh) | 2017-06-19 | 2017-06-19 | 一种基于智能算法的药品安全信心指数系统及构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710464878.4A CN107256426B (zh) | 2017-06-19 | 2017-06-19 | 一种基于智能算法的药品安全信心指数系统及构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107256426A CN107256426A (zh) | 2017-10-17 |
CN107256426B true CN107256426B (zh) | 2020-09-29 |
Family
ID=60023156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710464878.4A Active CN107256426B (zh) | 2017-06-19 | 2017-06-19 | 一种基于智能算法的药品安全信心指数系统及构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107256426B (zh) |
Families Citing this family (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108022635A (zh) * | 2017-11-01 | 2018-05-11 | 平安科技(深圳)有限公司 | 违规单据评分方法、违规单据评分装置及计算机可读存储介质 |
CN107871157B (zh) * | 2017-11-08 | 2020-06-09 | 广东工业大学 | 基于bp和pso的数据预测方法、系统及相关装置 |
CN108269014A (zh) * | 2018-01-18 | 2018-07-10 | 安徽聚润互联信息技术有限公司 | 一种远程教育学生学习状况评估方法 |
CN110542835B (zh) * | 2018-05-29 | 2021-11-02 | 上海海拉电子有限公司 | 一种用于车辆电弧故障的检测方法、检测系统及试验系统 |
CN109325649A (zh) * | 2018-07-16 | 2019-02-12 | 重庆铁马工业集团有限公司 | 一种复杂精密装备总装车间关键装配工序质量损失评估及预警方法 |
CN110929968A (zh) * | 2018-09-19 | 2020-03-27 | 中国电力科学研究院有限公司 | 一种智慧城市多能源联合供给综合调控方法及系统 |
CN109409541A (zh) * | 2018-10-29 | 2019-03-01 | 上海第二工业大学 | 实现报废汽车蓄电池逆向物流可行性评价的方法 |
CN109740896A (zh) * | 2018-12-21 | 2019-05-10 | 上海瑞涯信息科技有限公司 | 一种基于神经网络技术的食品安全精准监管方法 |
CN109696827B (zh) * | 2018-12-28 | 2021-11-09 | 西安邮电大学 | 惯性权重余弦调整粒子群优化算法的pid参数整定方法 |
CN111489046A (zh) * | 2019-01-29 | 2020-08-04 | 广东省公共卫生研究院 | 一种基于供应链和bp神经网络的区域性食品安全评价模型 |
CN110120267B (zh) * | 2019-04-24 | 2022-07-12 | 江苏医药职业学院 | 一种智能药学创新管理服务系统及方法 |
CN110136845A (zh) * | 2019-05-23 | 2019-08-16 | 四川省肿瘤医院 | 一种抗肿瘤药物综合评价系统 |
CN110298564A (zh) * | 2019-06-17 | 2019-10-01 | 迪普佰奥生物科技(上海)有限公司 | 基于人工智能的生物医药产品评价方法、装置、介质、终端 |
CN112001058A (zh) * | 2020-06-30 | 2020-11-27 | 同恩(上海)工程技术有限公司 | 一种用于监测结构整体安全性评估的综合评价模型及方法 |
CN111785023A (zh) * | 2020-07-14 | 2020-10-16 | 山东派蒙机电技术有限公司 | 一种车辆碰撞风险预警方法及系统 |
CN111914810A (zh) * | 2020-08-19 | 2020-11-10 | 浙江养生堂天然药物研究所有限公司 | 食品的检验方法、装置和非易失性计算机可读存储介质 |
CN112258069B (zh) * | 2020-10-30 | 2021-07-30 | 中国农业科学院农业质量标准与检测技术研究所 | 一种基于风险熵的农产品安全评价方法与系统 |
CN112836937A (zh) * | 2021-01-11 | 2021-05-25 | 合肥中科加点智能科技有限公司 | 基于熵权与bp神经网络技术的洪涝灾害损失评估方法 |
CN113095680A (zh) * | 2021-04-13 | 2021-07-09 | 国网北京市电力公司 | 电力大数据模型的评价指标体系与构建方法 |
US20230098966A1 (en) * | 2021-09-28 | 2023-03-30 | Parata Systems, Llc | Methods, systems, and computer program product for validating drug product package content using tiered evaluation factors |
CN114363004B (zh) * | 2021-12-09 | 2024-01-23 | 上海浦东发展银行股份有限公司 | 风险评估方法、装置、计算机设备和存储介质 |
CN114611945B (zh) * | 2022-03-15 | 2024-02-02 | 中国民用航空飞行学院 | 一种基于多维数据的飞行学员胜任力画像方法 |
CN114705838B (zh) * | 2022-04-06 | 2022-11-04 | 东莞市财州纸制品有限公司 | 一种基于大数据的抗菌生态纸抗菌质量全流程跟踪系统 |
CN115759861B (zh) * | 2022-11-30 | 2023-07-14 | 杭州凯棉科技有限公司 | 制药生产工艺评分方法、装置、电子设备及存储介质 |
CN117575858A (zh) * | 2023-11-21 | 2024-02-20 | 深圳市二一教育科技有限责任公司 | 一种智能排课系统的管理方法、系统及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103577676A (zh) * | 2012-08-02 | 2014-02-12 | 西安元朔科技有限公司 | 污水处理工艺综合评价的灰色加权法 |
CN105279608A (zh) * | 2015-10-22 | 2016-01-27 | 国家电网公司 | 基于序关系法-熵权法的县域电网评估方法 |
CN105373967A (zh) * | 2015-11-19 | 2016-03-02 | 许昌许继软件技术有限公司 | 一种基于博弈论组合赋权的光伏电站性能评估方法 |
CN106097094A (zh) * | 2016-06-12 | 2016-11-09 | 桂林电子科技大学 | 一种面向中小企业的人机结合信贷评估新模型 |
-
2017
- 2017-06-19 CN CN201710464878.4A patent/CN107256426B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103577676A (zh) * | 2012-08-02 | 2014-02-12 | 西安元朔科技有限公司 | 污水处理工艺综合评价的灰色加权法 |
CN105279608A (zh) * | 2015-10-22 | 2016-01-27 | 国家电网公司 | 基于序关系法-熵权法的县域电网评估方法 |
CN105373967A (zh) * | 2015-11-19 | 2016-03-02 | 许昌许继软件技术有限公司 | 一种基于博弈论组合赋权的光伏电站性能评估方法 |
CN106097094A (zh) * | 2016-06-12 | 2016-11-09 | 桂林电子科技大学 | 一种面向中小企业的人机结合信贷评估新模型 |
Non-Patent Citations (5)
Title |
---|
Mean particle swarm optimisation for function optimisation;Kusum Deep等;《Int. J. Computational Intelligence Studies》;20090131;第1卷(第1期);全文 * |
湖北省药品安全指数策略的研究;俞华等;《医药前沿》;20151231;第5卷(第34期);第1-2页 * |
科技型中小企业知识共享程度评价指标体系设计及实证研究;刘超;《中国优秀硕士学位论文全文数据库经济与管理科学辑》;20150715;第4章 * |
药品安全指数构建方法研究;罗震钧等;《中国药事》;20151031;第29卷(第10期);第3-4页 * |
采用扰动加速因子的自适应粒子群优化算法;姜建国等;《西安电子科技大学学报(自然科学版)》;20120831;第39卷(第4期);摘要,第3页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107256426A (zh) | 2017-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107256426B (zh) | 一种基于智能算法的药品安全信心指数系统及构建方法 | |
Harder et al. | Propensity score techniques and the assessment of measured covariate balance to test causal associations in psychological research. | |
Şchiopu | Applying TwoStep cluster analysis for identifying bank customers' profile | |
Tripathy et al. | A framework for intelligent medical diagnosis using rough set with formal concept analysis | |
Beach et al. | The taxometrics of marriage: Is marital discord categorical? | |
US20080294459A1 (en) | Health Care Derivatives as a Result of Real Time Patient Analytics | |
Calders et al. | What is data mining and how does it work? | |
Mather | Assessing the world's forests | |
Harris | Local indices of segregation with application to social segregation between London's secondary schools, 2003–08/09 | |
CN109935337A (zh) | 一种基于相似性度量的病案查找方法及系统 | |
Lu et al. | A survey of group decision making methods in Healthcare Industry 4.0: bibliometrics, applications, and directions | |
CN110033191B (zh) | 一种商业人工智能的分析方法及系统 | |
Hryhoruk et al. | Using non-metric multidimensional scaling for assessment of regions' economy in the context of their sustainable development. | |
Kasemthaweesab et al. | Association analysis of diabetes mellitus (DM) with complication states based on association rules | |
Hu | Analysis and research on the integrated English teaching effectiveness of internet of things based on stochastic forest algorithm | |
CN107666439A (zh) | 一种无线传感器路由方法及系统 | |
Yan et al. | Non-additive multi-attribute fuzzy target-oriented decision analysis | |
Kangas | Incorporating risk attitude into comparison of reforestation alternatives | |
Li et al. | [Retracted] Identification Method of Influencing Factors of Hospital Catering Service Satisfaction Based on Decision Tree Algorithm | |
Kim et al. | Volume‐based ranking method for a ranked voting system | |
Huber | Statistical models to identify stand development stages by means of stand characteristics | |
Wang et al. | The research of doctors recommendation algorithm based on clustering and collaborative filtering | |
Garuti | New advances of the compatibility index" G" in weighted environments | |
Zhou | Evaluation research on data processing of mental health of college students based on decision tree algorithm | |
Ponomarev et al. | The development of the forecasting information system of HIV and tuberculosis coinfection’s outcome in inmates |
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 |