CN107341338B - 药品不良反应率处理方法、装置、计算机设备和存储介质 - Google Patents
药品不良反应率处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN107341338B CN107341338B CN201710408293.0A CN201710408293A CN107341338B CN 107341338 B CN107341338 B CN 107341338B CN 201710408293 A CN201710408293 A CN 201710408293A CN 107341338 B CN107341338 B CN 107341338B
- Authority
- CN
- China
- Prior art keywords
- monitoring
- patient
- drug
- information
- taking
- 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
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及一种药品不良反应率处理方法、装置、计算机设备和存储介质,其方法包括以下步骤:获取医院信息系统中患者信息和监测药品信息,根据监测患者信息筛选模板对患者基础信息进行匹配,筛选出符合标准的监测患者;将监测药品信息与符合标准的监测患者的服用药品信息进行匹配确定服用监测药品的监测患者的总人数;根据监测药品不良反应筛选模板对服用监测药品的监测患者中进行分析确定服用监测药品发生不良反应的监测患者总人数;根据服用监测药品发生不良反应的监测患者总人数和服用监测药品的监测患者的总人数确定监测药品的不良反应率。上述方法减少了患者数据,提高了运算速度;排除不符合条件的数据,提高了计算结果的准确性。
Description
技术领域
本发明涉及数据整合处理领域,特别是涉及一种药品不良反应率处理方法、装置、计算机设备和存储介质。
背景技术
药品不良反应(Adverse Drug Reaction,简称ADR)是指在按规定剂量正常应用药品的过程中产生的有害而非所期望的、与药品应用有因果关系的反应。药品不良反应一般可分为副作用、毒性反应、过敏反应和继发感染四大类,在现实生活中,药品不良反应的发生率极高,尤其是在长期使用药物或用药量较大时,药品不良反应会危害人类监控,情况严重时甚至危及人类性命。因此检测药品不良反应率对确保药品安全、保障公众健康具有意义重大。
目前,药品不良反应率的检测方法主要有三种:自发呈报系统(SpontaneousReporting System,简称SRS)、处方事件检测(Prescription-Event Monitoring,简称PEM)及医院集中检测系统方法,其中医院集中监测系统方式是最为常用的方法。
医院集中监测系统方法,是对一定的时间(数月或数年)或一定的范围内,例如对某一医院或某一地区内,药物的使用以及所发生不良反应情况作详细记录,然后计算相应的不良反应率,但是医院集中监测方法收集的数据量大,一方面计算过程非常复杂;另一方面,在计算不良反应率过程中未对数据进行分析处理,计算得到的不良反应率结果误差大。
发明内容
基于此,有必要针对现有药物不良反应率计算过程复杂、计算结果误差大问题,提供一种基于医院信息系统的药品不良反应率处理方法、装置、计算机设备和存储介质。
一种基于医院信息系统的药品不良反应率处理方法,包括以下步骤:
获取医院信息系统中患者信息和监测药品信息,其中患者信息包括各个患者的基础信息和服用药品信息;
根据预先存储的监测患者信息筛选模板对所述患者基础信息进行匹配分析,筛选出符合标准的监测患者;
将所述监测药品信息与符合标准的监测患者的服用药品信息进行匹配分析,识别出服用监测药品的监测患者,并确定服用监测药品的监测患者的总人数;
根据预先存储的监测药品不良反应筛选模板从所述服用监测药品的监测患者中筛选出服用监测药品发生不良反应的监测患者,并确定服用监测药品发生不良反应的监测患者总人数;
根据所述服用监测药品发生不良反应的监测患者总人数和所述服用监测药品的监测患者的总人数确定监测药品的不良反应率。
一种药品不良反应率处理装置,包括:
获取医院信息系统中患者信息和监测药品信息,其中患者信息包括各个患者的基础信息和服用药品信息;
信息获取模块,用于获取医院信息系统中患者信息和监测药品信息,其中患者信息包括各个患者的基础信息和服用药品信息;
监测患者获取模块,用于根据预先存储的监测患者信息筛选模板对所述患者基础信息进行匹配分析,筛选出符合标准的监测患者;
监测患者总人数确定模块,用于将所述监测药品信息与符合标准的监测患者的服用药品信息进行匹配分析,识别出服用监测药品的监测患者,并确定服用监测药品的监测患者的总人数;
不良反应患者总人数确定模块,用于根据预先存储的监测药品不良反应筛选模板从所述服用监测药品的监测患者中筛选出服用监测药品发生不良反应的监测患者,并确定服用监测药品发生不良反应的监测患者总人数;
不良反应率确定模块,根据所述服用监测药品发生不良反应的监测患者总人数和所述服用监测药品的监测患者的总人数确定监测药品的不良反应率。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
获取医院信息系统中患者信息和监测药品信息,其中患者信息包括各个患者的基础信息和服用药品信息;
根据预先存储的监测患者信息筛选模板对所述患者基础信息进行匹配分析,筛选出符合标准的监测患者;
将所述监测药品信息与符合标准的监测患者的服用药品信息进行匹配分析,识别出服用监测药品的监测患者,并确定服用监测药品的监测患者的总人数;
根据预先存储的监测药品不良反应筛选模板从所述服用监测药品的监测患者中筛选出服用监测药品发生不良反应的监测患者,并确定服用监测药品发生不良反应的监测患者总人数;
根据所述服用监测药品发生不良反应的监测患者总人数和所述服用监测药品的监测患者的总人数确定监测药品的不良反应率。
一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤:
获取医院信息系统中患者信息和监测药品信息,其中患者信息包括各个患者的基础信息和服用药品信息;
根据预先存储的监测患者信息筛选模板对所述患者基础信息进行匹配分析,筛选出符合标准的监测患者;
将所述监测药品信息与符合标准的监测患者的服用药品信息进行匹配分析,识别出服用监测药品的监测患者,并确定服用监测药品的监测患者的总人数;
根据预先存储的监测药品不良反应筛选模板从所述服用监测药品的监测患者中筛选出服用监测药品发生不良反应的监测患者,并确定服用监测药品发生不良反应的监测患者总人数;
根据所述服用监测药品发生不良反应的监测患者总人数和所述服用监测药品的监测患者的总人数确定监测药品的不良反应率。
本发明中在对药品不良反应率计算过程中,首先根据监测患者信息筛选模板筛选出符合监测标准的患者,然后根据患者服用监测药品信息,筛选出服用监测药品并且符合监测标准的患者,再从服用监测药品并且符合监测标准的患者中根据预先存储的监测药品不良反应筛选模板筛选出服用监测药品发生不良反应的患者,然后根据服用监测药品发生不良反应的患者总人数与服用监测药品的监测患者的总人数确定监测药品的不良反应率。在选择监测患者和发生药品不良反应的患者时,都采用了相应的筛选模板,排除不符合筛选模板(特定条件)的患者,一方面减少了假阳性患者数据,进而提高了运算速度;另一方面,排除不符合条件的数据,提高了计算结果的准确性。
附图说明
图1为本发明的药品不良反应率处理方法在一个实施例中流程示意图;
图2为本发明的基于医院信息系统的药品不良反应率分析计算流程示意图;
图3为筛选符合标准的监测患者流程图;
图4为本发明的药品不良反应率处理方法在其中一个实施例中流程示意图;
图5为本发明的药品不良反应率处理方法在其中一个实施例中流程示意图;
图6为本发明的药品不良反应率处理方法在其中一个实施例中流程示意图;
图7为本发明的药品不良反应率处理装置在一个实施例中结果示意图;
图8为本发明的药品不良反应率处理装置在其中一个实施例中结果示意图;
图9为本发明的药品不良反应率处理装置在其中一个实施例中结果示意图;
图10为本发明的计算机设备在一个实施例中的结构示意图。
具体实施方式
下面将结合较佳实施例及附图对本发明的内容作进一步详细描述。显然,下文所描述的实施例仅用于解释本发明,而非对本发明的限定。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。应当说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部内容。
图1为本发明的基于医院信息系统的药品不良反应率处理方法在一个实施例中的流程示意图,如图1所示,本发明实施例中的基于医院信息系统的药品不良反应率处理方法,包括以下步骤:
步骤S110,获取医院信息系统中患者信息和监测药品信息,其中患者信息包括各个患者基础信息和患者服用药品信息。
具体而言医院信息系统(Hospital Information System,简称HIS)是医院管理和医疗活动中进行信息管理和联机操作的计算机应用系统,该系统利用电子计算机和通讯设备,为医院所属各部门提供患者诊疗信息(Patient Care Information)和行政管理信息(Administration Information)的收集(Collect)、存储(Store)、处理(Process)、提取(Retrieve)和数据交换(Communicate)。,如图2所示,医院信息系统中存储着大量的患者基础信息(例如患者姓名、编号、年龄、身体、体重、所属科室、各器官的健康状况)、患者病历信息、处方医嘱信息、患者检验及化验信息以及药品信息等,其中这些信息可以是动态信息,即是可以实时变化更新的信息。另外,患者基础信息与患者病历信息、处方医嘱信息、患者检验及化验信息以及药品信息之间有相关的对应关系,即可以根据患者基础信息(例如姓名、编号(即ID)等)查询到患者的病历信息、处方医嘱信息、患者检验及化验信息以及患者服用药品的信息。
步骤S120,根据预先存储的监测患者信息筛选模板对患者基础信息进行匹配分析,筛选出符合标准的监测患者。
具体而言,医院信息系统中存储着所有患者的相关信息,在对某一监测药品(例如苯扎托品)的不良反应进行监测计算时,并不是选取所有的患者作为监测(或者研究)对象,即并不是将所有患者信息数据作为研究的基础数据。而是可以根据医疗工作者或者研究人员的需求,选择特定患者人群,将特定患者人群相关信息数据作为研究的基础数据。在实际过程中,可以根据医疗工作者或者研究人员的需求建立筛选模板,利用该筛选模板从所有的患者中筛选出特定患者人群。在本实施例中,将用于研究监测药品不良反应的患者称为监测患者。首选采用预先存储的监测患者信息筛选模板对患者基础信息进行匹配,筛选出符合标准的监测患者。
在其中一种实施例中,如图3所示,所述患者的基础信息包括患者的入院时间信息、患者的性别信息、患者的年龄信息、患者的体重信息、患者的各器官的健康状况信息、患者的妊娠状况信息以及患者的所属科室信息;
在根据预先存储的监测患者信息筛选模板对所述患者基础信息进行匹配分析,筛选出符合标准的监测患者的步骤之前,还包括:
步骤S160,在接收到用户操作指令时,获取用户设置的入院时间信息、性别信息、年龄信息、体重信息、各器官的健康状况信息、妊娠状况信息或/和所属科室信息,并根据用户设置的入院时间信息、性别信息、年龄信息、体重信息、各器官的健康状况信息、妊娠状况信息或/和所属科室信息建立监测患者信息筛选模板。
具体地,可选择根据患者的所属科室信息,选择多科室、单科室、全科室的患者;可根据患者入院时间设置监测时间范围,根据监测时间范围筛选入院时间在某范围内的患者;可根据患者的年龄信息设置监测某个年龄段的患者;可根据患者的体重信息可设置监测体重指数(IBM)在一定范围的患者;可根据患者各器官的健康状况信息筛选出某器官功能不全的患者,例如筛选肝功能不全(正常、1级、2级、3级、4级、5级)、肾功能不全(正常、1级、2级、3级、4级、5级)的患者;可以根据患者妊娠状况信息筛选处于不同妊娠阶段的患者,例如选择妊娠三个月以内、妊娠三个月以上或无妊娠的患者;可以根据患者的哺乳状况信息筛选出处于哺乳期或者非哺乳期的患者等。
另外,应当理解筛选信息不限于上述列举的患者基本信息,也可以是其他基本信息(例如患者性别),医疗工作者或者科研人员可以根据研究需求进行设置。其中,在建立监测患者信息筛选模板时,可以选择一个患者信息,也可以选择多个患者信息。
步骤S130,将监测药品信息与符合标准的监测患者的服用药品信息进行匹配分析,识别出服用监测药品的监测患者,并确定服用监测药品的监测患者的总人数。
具体而言,监测药品可以为一种或多种。当要对某一种监测药品(例如苯扎托品)不良反应情况进行统计分析时,首选要从符合标准的监测患者筛选出服用该监测药品(例如苯扎托品)的监测患者。具体步骤可参照图4,首先监测患者信息筛选模板从各患者筛选出符合标准的监测患者,再从符合标准的监测患者中根据监测药品信息,筛选出服用监测药品的监测患者。
步骤S140,根据预先存储的监测药品不良反应筛选模板从服用监测药品的监测患者中筛选出服用监测药品发生不良反应的监测患者,并确定服用监测药品发生不良反应的监测患者总人数。
具体而言,要对某一种监测药品(例如苯扎托品)不良反应率进行统计计算,在确定了服用该监测药品(例如苯扎托品)的监测患者总人数后,还要确定服用该监测药品(例如苯扎托品)的监测患者中发生不良反应总人数,即确定服用该监测药品(例如苯扎托品)发生不良反应的监测患者总人数。在实际过程中,可以根据患者服用监测药品(例如苯扎托品)常见的不良反应情况建立不良反应筛选模板,利用该筛选模板从服用监测药品的监测患者中筛选出服用监测药品发生不良反应的监测患者。在本实施例中,采用预先存储的监测药品不良反应筛选模板从服用监测药品的监测患者中筛选出服用监测药品发生不良反应的监测患者,并确定服用监测药品发生不良反应的监测患者总人数。
在其中一个实施例中,如图3所示,在根据预先存储的监测药品不良反应筛选模板从所述服用监测药品的监测患者中筛选出服用监测药品发生不良反应的监测患者,并确定服用监测药品发生不良反应的监测患者总人数的步骤之前,还包括:
步骤S170,建立监测药品不良反应筛选模板,如图5所示,其中在建立监测药品不良反应筛选模板的步骤中,在接受到用户的操作指令时,包括:
步骤S171,获得用户设置的干扰筛选监测药品不良反应的疾病信息,根据疾病信息建立疾病排除筛选模板;
步骤S172,获得用户设置的干扰筛选监测药品生不良反应的联合用药信息,根据联合用药信息建立药物排除筛选模板;
步骤S173,获得用户设置的与监测药品发生不良反应相关的检验项信息,根据检验项信息建立检验项筛选模板;
步骤S174,获得用户设置的与监测药品发生不良反应相关的症状信息,根据症状信息建立症状筛选模板;
步骤S175,获得用户设置的与监测药品发生不良反应相关的缓解药信息,根据缓解药信息建立缓解药筛选模板。
具体地,在建立监测药品不良反应筛选模板时,结合实际药品(即监测药品)安全性评价要求,创建相应的筛选标砖,包含:创建疾病排除信息、联合用药信息、与不良反应相关检验项信息、与不良反应相关症状信息、与不良反应相关缓解药物等信息,用于筛选使用了监测药品后导致ADR(不良反应)事件的监测患者,主要创建步骤包括:
(1)设置疾病排除信息,为了排除患者自身所患疾病对ADR筛选的干扰(即排除发生不良反应是因为患者本身的某种疾病造成的,而不是由于服用了监测药品的监测患者),可通过设置一组疾病排除信息,排除患者原患疾病对判断监测ADR事件的影响,如:在监测药品性肝损害时,排除:“急性肝病、肝炎”等疾病。
(2)设置联合用药信息,可通过设置联合用药信息,排除患者在使用监测药品时,同时联合使用了另一种药品。从而排除导致该ADR事件是由合并药品所导致的,而并不是监测药品所导致的可能。
(3)设置用药后检验项信息(即与不良反应相关检验项信息),设置一组与监测ADR事件相关的用药后检验,从而筛选满足检验条件的患者。
(4)设置用药后症状信息(与不良反应相关症状信息),设置一组与监测ADR事件相关的用药后症状,从而筛选满足症状条件的患者。
(5)设置缓解药物信息(与不良反应相关缓解药物等信息),设置一组与监测ADR事件相关的缓解药物信息,从而筛选满足临床症状条件的患者。
可选地,还可以设置特殊排除词信息,为了排除患者病历描述中带ADR否定前缀的描述,可设置一组特殊排除词,如:“未见、无、不、否认、少见、未见、非”等,在搜索症状词:“头痛、皮疹、瘙痒、瘙痒”时,将自动排除病历中出现如:“未见头痛、无皮疹、少见瘙痒、未见红肿”等描述的病历,从而避免这些否定表达的病历对搜索结果的影响。
可选地,还可以设置事件程度信息,定义“轻微、中度、严重、威胁生命”等事件程度,可计算不同事件程度的ADR发生率,如:计算轻微药物性肝损害的发生率。
通过上述的不良反应筛选模板,排除了患者自身疾病、联合用药、ADR否定前缀对判断ADR事件的影响,同时依据检验项、症状、缓解药物等信息的ADR事件判定标准,可实现ADR事件准确的判定与定位,大大的减少了假阳性ADR事件结果,从而有效地确保ADR发生率计算的准确性。
另外,在根据预先存储的监测药品不良反应筛选模板从服用监测药品的监测患者中筛选出服用监测药品发生不良反应的监测患者的具体步骤与从预先存储的监测患者信息筛选模板筛选出符合标准的监测患者类似。
另外,应该理解,上述对步骤进行编号只是为了描述方便,其中步骤S171~步骤S175的顺序可以互换。
步骤S150,根据服用监测药品发生不良反应的监测患者总人数和服用监测药品的监测患者的总人数确定监测药品的不良反应率。
具体而言,目前国内外药物ADR(即不良反应)率计算方法主要是:ADR发生率=(发生ADR的患者数量/纳入研究的患者)×100,该方法中纳入研究的患者不包括不服用药物的患者。
上述的药品不良反应率处理方法,在对药品不良反应率计算过程中,首先根据监测患者信息筛选模板筛选出符合监测标准的患者,然后根据患者服用监测药品信息,筛选出服用监测药品并且符合监测标准的患者,再从服用监测药品并且符合监测标准的患者中根据预先存储的监测药品不良反应筛选模板筛选出服用监测药品发生不良反应的患者,然后根据服用监测药品发生不良反应的患者总人数与服用监测药品的监测患者的总人数确定监测药品的不良反应率。在选择监测患者和发生药品不良反应的患者时,都采用了相应的筛选模板,排除不符合筛选模板(特定条件)的患者,一方面减少了患者数据,进而提高了运算速度;另一方面,排除不符合条件的数据,提高了计算结果的准确性。
在其中一个实施例中,如图6所示,所述患者信息还包括患者的病历信息、患者的处方信息、患者的检验项信息、患者的症状信息和患者的服用缓解药信息;所述监测药品不良反应筛选模板包括疾病排除筛选模板、药物排除筛选模板、检验项筛选模板、症状筛选模板以及缓解药筛选模板;
在根据预先存储的监测药品不良反应筛选模板从服用监测药品的监测患者中筛选出服用监测药品发生不良反应的监测患者的步骤中,包括:
步骤S141,根据疾病排除筛选模板对服用监测药品的监测患者的病历信息进行匹配分析。
具体而言,监测患者病历信息中包含患者的所患疾病的所有信息,将疾病排除筛选模板对服用监测药品的监测患者病历信息进行匹配,可以排除患有对ADR事件产生影响的疾病的监测患者,可以有效减少患者自身疾病对ADR事件的干扰。
步骤S142,根据药物排除筛选模板对服用监测药品的监测患者的处方信息进行匹配分析。
具体而言,监测患者处方信息中包含患者的所有用药信息,将药物排除筛选模板对服用监测药品的监测患者处方信息进行匹配,可以排除使用了联合药物的监测患者,减少了联合药物(即其他药物)对监测药品的影响。
步骤S143,根据检验项筛选模板对服用监测药品的监测患者的检验项信息进行匹配分析。
步骤S144,根据症状筛选模板对服用监测药品的监测患者的症状信息进行匹配分析。
步骤S145,根据缓解药筛选模板对服用监测药品的监测患者的服用缓解药信息进行匹配分析。
步骤S146,在服用监测药品的监测患者的病历信息满足疾病排除筛选模板、服用监测药品的监测患者的处方信息满足药物排除筛选模板、服用监测药品的监测患者检验项信息满足检验项筛选模板、服用监测药品的监测患者症状信息满足症状筛选模板以及服用监测药品的监测患者服用缓解药信息满足缓解药筛选模板时,判定服用监测药品的监测患者属于服用监测药品发生不良反应的监测患者。
具体地,在根据监测药品不良反应筛选模板从服用监测药品的监测患者中筛选出服用监测药品发生不良反应的监测患者时就是根据疾病排除筛选模板、药物排除筛选模板、检验项筛选模板、症状筛选模板以及缓解药筛选模板对监测患者相应信息进行匹配,筛选出符合上述所有标准的监测患者,根据上述的筛选模板可实现ADR事件准确的判定与定位,大大的减少了假阳性ADR事件结果,从而有效地确保ADR发生率计算的准确性。
在其中一个实施例中,在根据预先存储的监测药品不良反应筛选模板从服用监测药品的监测患者中筛选出服用监测药品发生不良反应的监测患者的步骤中,还包括:
步骤S147,在服用监测药品的监测患者检验项信息满足检验项筛选模板时,计算服用监测药品的监测患者的检验项权重值;在服用监测药品的监测患者症状信息满足症状筛选模板时,计算服用监测药品的监测患者的症状权重值;在服用监测药品的监测患者服用缓解药信息满足缓解药筛选模板时,计算服用监测药品的监测患者的缓解药权重值;根据服用监测药品的监测患者的检验项权重值、服用监测药品的监测患者的症状权重值和服用监测药品的监测患者的缓解药权重值,计算服用监测药品的监测患者最终权重值。
步骤S148,在服用监测药品的监测患者的病历信息满足疾病排除筛选模板、服用监测药品的监测患者的处方信息满足药物排除筛选模板以及服用监测药品的监测患者最终权重值大于预设值时,判定服用监测药品的监测患者属于服用监测药品发生不良反应的监测患者。
计算服用监测药品的监测患者综合权重值,根据权重值来判断服用监测药品的监测患者是否满足发生不良反应的条件,利用定量分析法(即计算综合权重值),使得获得的服用监测药品发生不良反应的监测患者更加准确,减少假阳性监测患者,进而使得后期计算的监测药品不良反应率更加准确。
在其中一个实施例中,所述患者检验项信息包括检验数据和检验时间;在计算服用监测药品的监测患者的检验项权重值的步骤中,包括:
步骤S1471,基于检验项筛选模板建立第一对象标记格式的树,从第一对象标记树中读取各检验项的检验数据和检验时间,通过解析器将检验项筛选模板中检验项解析成搜索语句,根据搜索语句搜索出满足检验项筛选模板的监测患者,并根据检验数据和检验时间计算监测患者的检验项权重值,监测患者的检验项权重值的表达为:
W1=fi(x,y,z)×ft(u,v)
fi(x,y,z)表示检验项权重值,其检验项权重值表达式为:
x表示理论检验数据的下限值、y表示理论数据的上限值、z表示监测患者检验数据,ft(u,v)表示时间权重值,其中时间权重值的表达式为:
u表示监测患者服用监测药品时间、v-u表示检验时间与服用监测药品时间的时间差值。
具体而言,检索满足检验项筛选模板患者,首先将“检验项筛选模板”解析成JSON(JavaScript Object Notation,Java脚本对象标记)格式的树结构,然后将检验项解析成搜索语句,最后输出满足条件的患者集合,并计算满足条件患者的检验项权重值,并根据权重值的大小进行相应的顺序输出排序。
在计算检验项权重时,主要依据的是检验数据的权重(检验数据与理论数据偏差值)以及检验时间的权重(检验时间与用药时间的偏差值),权重计算公式为:
W1=fi(x,y,z)×ft(u,v)其中,表示检验值的权重,其中x表示理论检验数据的下限值、y表示理论数据的上限值、z表示监测患者检验数据,当fi(x,y,z)<=0时,表示表示检验值正常,该患者不是目标检索对象,否则该患者为目标检索对象并纳入至患者集合中。
(v!=u)表示检验时间的权重,其中u表示用药时间,v表示检验时间,v-u表示检验时间与用药时间相差的时间,单位为天,当ft(u,v)<0时,表示检验异常数据发生于用药时间之前,该患者不是监测药品的监测对象,否则将该患者纳入患者集合中。
综上分析,只有W1>0时,该患者才是真正满足检验条件的患者。
在其中一个实施例中,在在计算服用监测药品的监测患者的症状权重值的步骤中,包括:
步骤S1481,基于症状筛选模板构建第二对象标记格式的树,从第二对象标记树结构中读取监测患者所有症状数据,通过解析器将症状筛选模板中症状解析成症状搜索语句,根据症状搜索语句搜索出满足症状筛选模板的监测患者,并根据向量空间模型理论计算监测患者的症状权重值,其中监测患者的症状权重值的达式为:
V(d)表示监测患者第d个症状的多维向量,将症状搜索语句转化为多维向量,V(q)表示第q个症状搜索语句的多维向量。
具体而言,检索满足症状筛选模板患者与检索满足检验项筛选模板患者的实现过程类似,先将症状筛选模板中症状解析成JSON格式的树结构,将症状解析成搜索语句,由搜索引擎输出满足症状筛选模板的患者集合,最后再对输出的集合进行权重的计算,对症状的检索主要是基于对患者病历记录文本关键词的全文搜索实现的,其搜索结果权重的计算涉及基于全文检索的搜索引擎相似度计算应用。
计算患者症状权重的方法依据是向量空间模型理论,每一条病历记录(即症状)被搜索引擎的分词功能转换成由许多词汇组成的n维向量V(d)(其中,d是指第d条病历记录,n是指一条病历记录转化的词汇总量),这样一个病历记录集合构成了n维空间,计算两个病历记录的相似度就是计算两个向量的相似度。症状筛选模板中症状转换为搜索语句后,搜索引擎同样也会将搜索语句转换为n维向量V(q)(其中,q是指第q个搜索语句变量),执行搜索的过程就是计算向量空间内的所有向量[V(d1),V(d2)….V(dn)]与搜索语句向量V(q)的相似度计算过程,两向量间相似度计算公式:
即为两向量的余弦值,只有向量空间中与搜索语句向量不正交的向量才会被返回输出。在本实施例中,将向量相似度值记为患者的症状权重值,只有在患者症状与搜索语句的向量不正交时,患者才满足症状筛选模板。
在其中一个实施例中,在计算服用监测药品的监测患者的缓解药权重值的步骤中,包括:
步骤S1491,基于缓解药筛选模板构建第三对象标记格式的树,从第三对象标记树结构中读取缓解药物数据,并通过解析器将缓解药筛选模板中缓解药物解析成缓解药的搜索语句,搜索出满足缓解药筛选模板的监测患者,并计算监测患者缓解药物权重值,所述监测患者缓解药物权重值的表达式为:
f(m)=m+1
m表示监测患者服用缓解药物次数。
具体而言,检索满足缓解药筛选模板患者与检索满足症状筛选模板患者的实现过程类似,先将缓解药筛选模板解析成JSON树,将缓解药解筛选标注中缓解药解析成搜索语句,由搜索引擎输出满足缓解药筛选模板的患者集合,最后再对输出的集合进行权重的计算,其中权重表达式为f(m)=m+1,m表示监测患者服用缓解药物次数,使用次数越多则权重越大。
在其中一个实施例中,在根据服用监测药品的监测患者的检验项权重值、服用监测药品的监测患者的症状权重值和服用监测药品的监测患者的缓解药权重值,计算服用监测药品的监测患者最终权重值的步骤中,还包括:
步骤S1412,根据服用监测药品的监测患者的症状权重值和服用监测药品的监测患者的缓解药权重值,计算服用监测药品的监测患者症状及缓解药综合权重值,症状及缓解药物综合权重值的表达式为:
W2=S(q,d)×f(m)
具体地,一般将症状和缓解药作为同步考察的筛选模板,即考虑症状和缓解药的综合权重值,综合权重值的表达式为:W2=S(q,d)×f(m),在W2>0时,该患者才是真正满足检索条件的患者。
步骤S1413,根据所述服用监测药品的监测患者的检验项权重值和所述服用监测药品的监测患者症状及缓解药综合权重值计算服用监测药品的监测患者最终权重值,所述监测患者最终权重值的计算公式为:W=αW1+βW2,其中,α表示监测患者的检验项权重值的系数,W1表示监测患者的检验项权重值,β表示监测患者症状和缓解药物综合权重值的系数,W2表示监测患者症状和缓解药物综合权重值。
具体地,影响搜索结果的权重主要有检验权重、症状及缓解药物综合权重,这两者的权重最终要转化成目标患者的综合输出结果权重值,患者的综合权重值输出结果中,基于定量化指标的检验项权重值要大于基于定性描述的症状及缓解药物的权重值,最终综合权重的计算公式可定义为:W=αW1+βW2,其中,α表示监测患者的检验项权重值的系数,W1表示监测患者的检验项权重值,β表示监测患者症状和缓解药物综合权重值的系数,W2表示监测患者症状和缓解药物综合权重值,α、β为大于0的自然数。
可选地,为确保基于检验项搜索的输出结果排序一定高于基于症状及缓解药物搜索的输出结果,则相应的权重系数比可定义为α/β>20,具体操作时,可根据专家经验通过调整权重系数来改变检验权重与症状及缓解药物综合权重的相关比例,搜索结果最终依据W完成对患者的输出排序。
通过上述步骤最终可自动分析搜索出与监测药品相关性较强的发生ADR的患者集合,去除部分假阳性事件的患者,即可获得医院发生ADR的患者数量。
可选地,在根据服用监测药品的监测患者的检验项权重值、服用监测药品的监测患者的症状权重值和服用监测药品的监测患者的缓解药权重值,计算服用监测药品的监测患者最终权重值时,还可以根据检验项权重值、症状权重值以及缓解药权重值各自所占权重,来计算监测患者最终权重值。
在其中一个实施例中,如图3所示,在根据服用监测药品发生不良反应的监测患者总人数和服用监测药品的监测患者的总人数确定监测药品的不良反应率的步骤中之后,还包括:
步骤S200,根据监测患者的基础信息、服用药物信息以及对监测药品发送不良反应的情况生成监测患者的病历报告,并采用统一的加密编码方法对病历报告中监测患者基础信息中敏感隐私数据进行加密。
步骤S201,将加密处理后的监测患者病历报告转化成可扩展标记语言格式,并发送至区域药品不良反应研究中心。
具体而言,在完成对监测药品不良反应率计算之后,可以根据监测患者的基础信息,服用药品信息以及对监测药品发生不良反应情况生成监测患者的病历报告,其中监测患者的基础信息包括医院、科室、患者姓名、病历号、身份证号、手机号、地址等敏感信息等敏感词汇涉及到患者的隐私,可以采用统一的加密编码方法对病历报告中监测患者基础信息中敏感隐私数据进行加密。然后将经过加密编码处理后的隐私数据连同患者病历报告表中的其它数据转化成可扩展标记语言标准格式(例如,XML,即eXtensible MarkupLanguage),并发生到区域药品不良反应研究中心,从而实现区域多中心药品不良反应发生率的计算,形成区域数据共享(如图2所示)。
根据上述本发明的药品不良反应率处理方法,本发明还提供一种药品不良反应率处理装置,下面结合附图及较佳实施例对本发明的药品不良反应率处理装置进行详细说明。
图为7本发明的药品不良反应率处理装置在一个实施例中的结构示意图。如图7所示,该实施例中的药品不良反应率处理装置,包括:
信息获取模块10,用于获取医院信息系统中患者信息和监测药品信息,其中患者信息包括各个患者的基础信息和服用药品信息;
监测患者获取模块20,用于根据预先存储的监测患者信息筛选模板对患者基础信息进行匹配分析,筛选出符合标准的监测患者;
监测患者总人数确定模块30,用于将监测药品信息与符合标准的监测患者的服用药品信息进行匹配分析,识别出服用监测药品的监测患者,并确定服用监测药品的监测患者的总人数;
不良反应患者总人数确定模块40,用于根据预先存储的监测药品不良反应筛选模板从服用监测药品的监测患者中筛选出服用监测药品发生不良反应的监测患者,并确定服用监测药品发生不良反应的监测患者总人数;
不良反应率确定模块50,根据服用监测药品发生不良反应的监测患者总人数和服用监测药品的监测患者的总人数确定监测药品的不良反应率。
在其中一个实施例中,如图8所示,还包括:
监测患者信息筛选模板建立模块60,用于在接收到用户操作指令时,获取用户设置的入院时间信息、性别信息、年龄信息、体重信息、各器官的健康状况信息、妊娠状况信息或/和所属科室信息,并根据用户设置的入院时间信息、性别信息、年龄信息、体重信息、各器官的健康状况信息、妊娠状况信息或/和所属科室信息建立监测患者信息筛选模板。
在其中一个实施例中,如图9所示,还包括:
不良反应筛选模板建立模块70,用于建立监测药品不良反应筛选模板,其中不良反应筛选模板建立模块,还包括:
疾病排除筛选模板建立模块71,用于在接受到用户的操作指令时,获得用户设置的干扰筛选监测药品不良反应的疾病信息,根据疾病信息建立疾病排除筛选模板。
药物排除筛选模板建立模块72,用于在接受到用户的操作指令时,获得用户设置的干扰筛选监测药品生不良反应的联合用药信息,根据联合用药信息建立药物排除筛选模板。
检验项筛选模板建立模块73,用于在接受到用户的操作指令时,获得用户设置的与监测药品发生不良反应相关的检验项信息,根据检验项信息建立检验项筛选模板。
症状筛选模板建立模块74,用于在接受到用户的操作指令时,获得用户设置的与监测药品发生不良反应相关的症状信息,根据症状信息建立症状筛选模板。
缓解药筛选模板建立模块75,用于在接受到用户的操作指令时,获得用户设置的与监测药品发生不良反应相关的缓解药信息,根据缓解药信息建立缓解药筛选模板。
在其中一个实施例中,患者信息还包括患者的病历信息、患者的处方信息、患者的检验项信息、患者的症状信息和患者的服用缓解药信息;监测药品不良反应筛选模板包括疾病排除筛选模板、药物排除筛选模板、检验项筛选模板、症状筛选模板以及缓解药筛选模板;
疾病排除模块51,用于根据疾病排除筛选模板对服用监测药品的监测患者的病历信息进行匹配分析。
药品排除模块52,用于根据药物排除筛选模板对服用监测药品的监测患者的处方信息进行匹配分析。
验项筛匹配模块53,用于根据检验项筛选模板对服用监测药品的监测患者的检验项信息进行匹配分析。
症状匹配模块54,用于根据症状筛选模板对服用监测药品的监测患者的症状信息进行匹配分析。
缓解药匹配模块55,用于根据缓解药筛选模板对服用监测药品的监测患者的服用缓解药信息进行匹配分析。
不良反应患者确定模块56,用于在服用监测药品的监测患者的病历信息满足疾病排除筛选模板、服用监测药品的监测患者的处方信息满足药物排除筛选模板、服用监测药品的监测患者检验项信息满足检验项筛选模板、服用监测药品的监测患者症状信息满足症状筛选模板以及服用监测药品的监测患者服用缓解药信息满足缓解药筛选模板时,判定服用监测药品的监测患者属于服用监测药品发生不良反应的监测患者。
在其中一个实施例中,还包括:
检验项权重值计算模块57,用于计算服用监测药品的监测患者的检验项权重值。
症状权重值计算模块58,用于计算服用监测药品的监测患者的症状权重值。
缓解药权重计算模块59,用于计算服用监测药品的监测患者的缓解药权重值。
最终权重计算模块510,用于根据服用监测药品的监测患者的检验项权重值、服用监测药品的监测患者的症状权重值和服用监测药品的监测患者的缓解药权重值,计算服用监测药品的监测患者最终权重值。
不良反应患者确定模块56,用于在服用监测药品的监测患者的病历信息满足疾病排除筛选模板、服用监测药品的监测患者的处方信息满足药物排除筛选模板以及服用监测药品的监测患者最终权重值大于预设值时,判定服用监测药品的监测患者属于服用监测药品发生不良反应的监测患者。
在其中一个实施例中,所述患者检验项信息包括检验数据和检验时间;检验项权重值计算模块57,用于基于检验项筛选模板建立第一对象标记格式的树,从第一对象标记树中读取各检验项的检验数据和检验时间,通过解析器将检验项筛选模板中检验项解析成搜索语句,根据搜索语句搜索出满足检验项筛选模板的监测患者,并根据检验数据和检验时间计算监测患者的检验项权重值,监测患者的检验项权重值的表达为:
W1=fi(x,y,z)×ft(u,v)
fi(x,y,z)表示检验项权重值,其检验项权重值表达式为:
x表示理论检验数据的下限值、y表示理论数据的上限值、z表示监测患者检验数据,ft(u,v)表示时间权重值,其中时间权重值的表达式为:
u表示监测患者服用监测药品时间、v-u表示检验时间与服用监测药品时间的时间差值。
在其中一个实施例中,症状权重值计算模块58,用于基于症状筛选模板构建第二对象标记格式的树,从第二对象标记树结构中读取监测患者所有症状数据,通过解析器将症状筛选模板中症状解析成症状搜索语句,根据症状搜索语句搜索出满足症状筛选模板的监测患者,并根据向量空间模型理论计算监测患者的症状权重值,其中监测患者的症状权重值的达式为:
V(d)表示监测患者第d个症状的多维向量,将症状搜索语句转化为多维向量,V(q)表示第q个症状搜索语句的多维向量。
在其中一个实施例中,缓解药权重计算模块59,用于基于缓解药筛选模板构建第三对象标记格式的树,从第三对象标记树结构中读取缓解药物数据,并通过解析器将缓解药筛选模板中缓解药物解析成缓解药的搜索语句,搜索出满足缓解药筛选模板的监测患者,并计算监测患者缓解药物权重值,所述监测患者缓解药物权重值的表达式为:
f(m)=m+1
m表示监测患者服用缓解药物次数。
在其中一个实施例中,还包括:
症状及缓解药综合权重值511,用于根据服用监测药品的监测患者的症状权重值和服用监测药品的监测患者的缓解药权重值,计算服用监测药品的监测患者症状及缓解药综合权重值,症状及缓解药物综合权重值的表达式为:
W2=S(q,d)×f(m)
在其中一个实施例中,最终权重计算模块510,用于根据服用监测药品的监测患者的检验项权重值和服用监测药品的监测患者症状及缓解药综合权重值计算服用监测药品的监测患者最终权重值,监测患者最终权重值的计算公式为:W=αW1+βW2,其中,α表示监测患者的检验项权重值的系数,W1表示监测患者的检验项权重值,β表示监测患者症状和缓解药物综合权重值的系数,W2表示监测患者症状和缓解药物综合权重值。
在其中一个实施例中,如图8所示,还包括:
病历报告生成模块80,用于根据监测患者的基础信息、服用药物信息以及对监测药品发送不良反应的情况生成监测患者的病历报告,并采用统一的加密编码方法对病历报告中监测患者基础信息中敏感隐私数据进行加密。
病历发送模块90,用于将加密处理后的监测患者病历报告转化成可扩展标记语言格式,并发送至区域药品不良反应研究中心。
上述药品不良反应率处理装置可执行本发明实施例所提供的药品不良反应率处理方法,具备执行方法相应的功能模块和有益效果。至于其中各个功能模块所执行的处理方法,例如信息获取模块10、监测患者获取模块20、监测患者总人数确定模块30、不良反应患者总人数确定模块40、不良反应率确定模块50等,可参照上述方法实施例中的描述,此处不再进行赘述。
根据上述本发明的药品不良反应率处理方法和装置,本发明还提供一种计算机设备,下面结合附图及较佳实施例对本发明的计算机设备进行详细说明。
图10为本发明的计算机设备在一个实施例中的结构示意图。如图10所示,该实施例中的计算机设备100,包括存储器101、处理器102及存储在存储器上并可在处理器上运行的计算机程序,其中处理器执行程序时可实现本发明方法实施例中的所有方法步骤。
上述计算机设备100中处理器102可执行本发明实施例所提供的药品不良反应率处理方法,具备执行方法相应的有益效果,具体有益效果可参照上述方法实施例中的描述,此处不再进行赘述。
根据上述本发明的药品不良反应率处理方法、装置和计算机设备,本发明还提供一种计算机可读存储介质,下面结合附图及较佳实施例对本发明的计算机可读存储介质进行详细说明。
本发明实施例中的计算机存储介质,其上存储有计算机程序,该程序被处理器执行时可以实现本发明方法实施例中的所有方法步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
上述计算机可读存储介质用于存储本发明实施例所提供的药品不良反应率处理方法的程序(指令),其中执行该程序可以执行本发明实施例所提供的药品不良反应率处理方法,具备执行方法相应有益效果。可参照上述方法实施例中的描述,此处不再进行赘述。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种药品不良反应率处理方法,其特征在于,包括以下步骤:
获取医院信息系统中患者信息和监测药品信息,其中患者信息包括各个患者的基础信息和服用药品信息;所述患者信息还包括患者的病历信息、患者的处方信息、患者的检验项信息、患者的症状信息和患者的服用缓解药信息;
根据预先存储的监测患者信息筛选模板对所述患者基础信息进行匹配分析,筛选出符合标准的监测患者;
将所述监测药品信息与符合标准的监测患者的服用药品信息进行匹配分析,识别出服用监测药品的监测患者,并确定服用监测药品的监测患者的总人数;
根据预先存储的监测药品不良反应筛选模板从所述服用监测药品的监测患者中筛选出服用监测药品发生不良反应的监测患者,其中,所述监测药品不良反应筛选模板包括疾病排除筛选模板、药物排除筛选模板、检验项筛选模板、症状筛选模板以及缓解药筛选模板:
根据所述疾病排除筛选模板对服用监测药品的监测患者的病历信息进行匹配分析,根据所述药物排除筛选模板对服用监测药品的监测患者的处方信息进行匹配分析,根据所述检验项筛选模板对服用监测药品的监测患者的检验项信息进行匹配分析,根据所述症状筛选模板对服用监测药品的监测患者的症状信息进行匹配分析,根据所述缓解药筛选模板对服用监测药品的监测患者的服用缓解药信息进行匹配分析;
在所述服用监测药品的监测患者的病历信息满足所述疾病排除筛选模板、所述服用监测药品的监测患者的处方信息满足所述药物排除筛选模板、所述服用监测药品的监测患者检验项信息满足所述检验项筛选模板、所述服用监测药品的监测患者症状信息满足所述症状筛选模板以及服用监测药品的监测患者服用缓解药信息满足所述缓解药筛选模板时,判定所述服用监测药品的监测患者属于服用监测药品发生不良反应的监测患者;
确定服用监测药品发生不良反应的监测患者总人数;
根据所述服用监测药品发生不良反应的监测患者总人数和所述服用监测药品的监测患者的总人数确定监测药品的不良反应率。
2.根据权利要求1所述的药品不良反应率处理方法,其特征在于,在根据预先存储的监测药品不良反应筛选模板从所述服用监测药品的监测患者中筛选出服用监测药品发生不良反应的监测患者的步骤中,还包括:
在所述服用监测药品的监测患者检验项信息满足所述检验项筛选模板时,计算服用监测药品的监测患者的检验项权重值;
在所述服用监测药品的监测患者症状信息满足所述症状筛选模板时,计算服用监测药品的监测患者的症状权重值;
在所述服用监测药品的监测患者服用缓解药信息满足所述缓解药筛选模板时,计算服用监测药品的监测患者的缓解药权重值;
根据所述服用监测药品的监测患者的检验项权重值、症状权重值和缓解药权重值,计算服用监测药品的监测患者的最终权重值;
在所述服用监测药品的监测患者的病历信息满足所述疾病排除筛选模板、所述服用监测药品的监测患者的处方信息满足所述药物排除筛选模板以及所述服用监测药品的监测患者最终权重值大于预设值时,判定所述服用监测药品的监测患者属于服用监测药品发生不良反应的监测患者。
3.根据权利要求2所述的药品不良反应率处理方法,其特征在于,所述患者检验项信息包括检验数据和检验时间;
在计算服用监测药品的监测患者的检验项权重值的步骤中,包括:
基于所述检验项筛选模板建立第一对象标记格式的树,从第一对象标记树中读取各检验项的检验数据和检验时间,通过解析器将检验项筛选模板中检验项解析成搜索语句,根据搜索语句搜索出满足检验项筛选模板的监测患者,并根据所述检验数据和所述检验时间计算监测患者的检验项权重值,所述监测患者的检验项权重值的表达式为:
W1=fi(x,y,z)×ft(u,v)
fi(x,y,z)表示检验数据权重值,其检验数据权重值表达式为:
x表示理论检验数据的下限值、y表示理论检验数据的上限值、z表示监测患者检验数据,ft(u,v)表示检验时间权重值,其中检验时间权重值的表达式为:
u表示监测患者服用监测药品时间、v表示检验时间,v-u表示检验时间与服用监测药品时间的时间差值。
4.根据权利要求3所述的药品不良反应率处理方法,其特征在于,在计算服用监测药品的监测患者的症状权重值的步骤中,包括:
基于所述症状筛选模板构建第二对象标记格式的树,从第二对象标记树结构中读取监测患者所有症状数据,通过解析器将症状筛选模板中症状解析成症状搜索语句,根据症状搜索语句搜索出满足症状筛选模板的监测患者,并根据向量空间模型理论计算监测患者的症状权重值,其中所述监测患者的症状权重值的表达式为:
V(d)表示监测患者第d个症状的多维向量,将症状搜索语句转化为多维向量,V(q)表示第q个症状搜索语句的多维向量。
5.根据权利要求4所述的药品不良反应率处理方法,其特征在于,在计算服用监测药品的监测患者的缓解药权重值的步骤中,包括:
基于所述缓解药筛选模板构建第三对象标记格式的树,从第三对象标记树结构中读取缓解药物数据,并通过解析器将缓解药筛选模板中缓解药物解析成缓解药的搜索语句,搜索出满足缓解药筛选模板的监测患者,并计算监测患者缓解药物权重值,所述监测患者缓解药物权重值的表达式为:
f(m)=m+1
m表示监测患者服用缓解药物次数。
6.根据权利要求5所述的药品不良反应率处理方法,其特征在于,在根据所述服用监测药品的监测患者的检验项权重值、所述服用监测药品的监测患者的症状权重值和所述服用监测药品的监测患者的缓解药权重值,计算服用监测药品的监测患者最终权重值的步骤中,还包括:
根据服用监测药品的监测患者的症状权重值和所述服用监测药品的监测患者的缓解药权重值,计算所述服用监测药品的监测患者症状及缓解药综合权重值,所述症状及缓解药物综合权重值的表达式为:
W2=S(q,d)×f(m)
根据所述服用监测药品的监测患者的检验项权重值和所述服用监测药品的监测患者症状及缓解药综合权重值计算服用监测药品的监测患者最终权重值,所述监测患者最终权重值的计算公式为:W=αW1+βW2,其中,α表示监测患者的检验项权重值的系数,W1表示监测患者的检验项权重值,β表示监测患者症状和缓解药物综合权重值的系数,W2表示监测患者症状和缓解药物综合权重值。
7.一种药品不良反应率处理装置,其特征在于,包括:
信息获取模块,用于获取医院信息系统中患者信息和监测药品信息,其中患者信息包括各个患者的基础信息和服用药品信息;患者信息还包括患者的病历信息、患者的处方信息、患者的检验项信息、患者的症状信息和患者的服用缓解药信息;
监测患者获取模块,用于根据预先存储的监测患者信息筛选模板对所述患者基础信息进行匹配分析,筛选出符合标准的监测患者;
监测患者总人数确定模块,用于将所述监测药品信息与符合标准的监测患者的服用药品信息进行匹配分析,识别出服用监测药品的监测患者,并确定服用监测药品的监测患者的总人数;
不良反应患者总人数确定模块,用于根据预先存储的监测药品不良反应筛选模板从所述服用监测药品的监测患者中筛选出服用监测药品发生不良反应的监测患者,并确定服用监测药品发生不良反应的监测患者总人数;监测药品不良反应筛选模板包括疾病排除筛选模板、药物排除筛选模板、检验项筛选模板、症状筛选模板以及缓解药筛选模板;
不良反应率确定模块,根据所述服用监测药品发生不良反应的监测患者总人数和所述服用监测药品的监测患者的总人数确定监测药品的不良反应率;
不良反应患者总人数确定模块包括:
疾病排除模块,用于根据疾病排除筛选模板对服用监测药品的监测患者的病历信息进行匹配分析;
药品排除模块,用于根据药物排除筛选模板对服用监测药品的监测患者的处方信息进行匹配分析;
验项筛匹配模块,用于根据检验项筛选模板对服用监测药品的监测患者的检验项信息进行匹配分析;
症状匹配模块,用于根据症状筛选模板对服用监测药品的监测患者的症状信息进行匹配分析;
缓解药匹配模块,用于根据缓解药筛选模板对服用监测药品的监测患者的服用缓解药信息进行匹配分析;
不良反应患者确定模块,用于在服用监测药品的监测患者的病历信息满足疾病排除筛选模板、服用监测药品的监测患者的处方信息满足药物排除筛选模板、服用监测药品的监测患者检验项信息满足检验项筛选模板、服用监测药品的监测患者症状信息满足症状筛选模板以及服用监测药品的监测患者服用缓解药信息满足缓解药筛选模板时,判定服用监测药品的监测患者属于服用监测药品发生不良反应的监测患者。
8.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1-6所述方法的步骤。
9.一种计算机存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-6所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710408293.0A CN107341338B (zh) | 2017-06-02 | 2017-06-02 | 药品不良反应率处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710408293.0A CN107341338B (zh) | 2017-06-02 | 2017-06-02 | 药品不良反应率处理方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107341338A CN107341338A (zh) | 2017-11-10 |
CN107341338B true CN107341338B (zh) | 2019-09-06 |
Family
ID=60221232
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710408293.0A Active CN107341338B (zh) | 2017-06-02 | 2017-06-02 | 药品不良反应率处理方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107341338B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109003682A (zh) * | 2018-06-25 | 2018-12-14 | 广州市品毅信息科技有限公司 | 基于领域本体知识库的药品不良反应智能监测方法 |
CN109285590B (zh) * | 2018-08-07 | 2021-12-17 | 广州火龙果信息科技有限公司 | 一种住院患者药品不良事件主动监测与评估警示系统 |
CN109346145B (zh) * | 2018-10-16 | 2022-03-11 | 国家食品药品监督管理总局药品评价中心(国家药品不良反应监测中心) | 一种药物不良反应的主动监测方法和系统 |
CN111383761B (zh) * | 2018-12-28 | 2023-05-12 | 医渡云(北京)技术有限公司 | 医疗数据分析方法、装置、电子设备及计算机可读介质 |
CN111383725B (zh) * | 2018-12-28 | 2023-04-28 | 国家食品药品监督管理总局药品评价中心 | 不良反应数据鉴别方法、装置、电子设备及可读介质 |
CN110444267A (zh) * | 2019-07-24 | 2019-11-12 | 卓尔智联(武汉)研究院有限公司 | 基于电子病例系统的药物监测装置、方法及可读存储介质 |
CN111079420B (zh) * | 2019-12-19 | 2023-04-07 | 天津新开心生活科技有限公司 | 文本识别方法、装置、计算机可读介质及电子设备 |
CN111223571A (zh) * | 2020-01-06 | 2020-06-02 | 中国人民解放军总医院 | 药品不良反应监测方法及装置、计算机设备及存储介质 |
CN111540435A (zh) * | 2020-05-06 | 2020-08-14 | 杭州市妇产科医院 | 基于妇女用药数据管理方法及系统 |
CN112349432A (zh) * | 2020-11-23 | 2021-02-09 | 温州市人民医院 | 药品不良反应处理方法及药品存储介质装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8473315B1 (en) * | 2012-08-17 | 2013-06-25 | Ronald Lucchino | Detection of adverse reactions to medication using a communications network |
CN105279393A (zh) * | 2015-10-12 | 2016-01-27 | 厦门大学 | 一种基于权重网络评估药物不良反应的方法 |
CN105760698A (zh) * | 2016-03-18 | 2016-07-13 | 华中科技大学同济医学院附属协和医院 | 一种药品不良反应预警分析系统及方法 |
-
2017
- 2017-06-02 CN CN201710408293.0A patent/CN107341338B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8473315B1 (en) * | 2012-08-17 | 2013-06-25 | Ronald Lucchino | Detection of adverse reactions to medication using a communications network |
CN105279393A (zh) * | 2015-10-12 | 2016-01-27 | 厦门大学 | 一种基于权重网络评估药物不良反应的方法 |
CN105760698A (zh) * | 2016-03-18 | 2016-07-13 | 华中科技大学同济医学院附属协和医院 | 一种药品不良反应预警分析系统及方法 |
Non-Patent Citations (3)
Title |
---|
Efficacy of an Adverse Drug Reaction Electronic Reporting System Integrated into a Hospital Information System;Ana Ortega et.al;《The Annals of Pharmacotherapy》;20081031(第42期);全文 |
医院药品不良反应集中监测与评价系统的研发与应用;周克雄;《中国优秀硕士学位论文全文数据库医药卫生科技辑》;20141015(第10期);第E079-44页 |
基于HIS的药品不良反应快速上报与智能搜索系统研究与应用;邓剑雄 等;《中国药物警戒》;20151230;第12卷(第12期);全文 |
Also Published As
Publication number | Publication date |
---|---|
CN107341338A (zh) | 2017-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107341338B (zh) | 药品不良反应率处理方法、装置、计算机设备和存储介质 | |
Mardani et al. | A novel extended approach under hesitant fuzzy sets to design a framework for assessing the key challenges of digital health interventions adoption during the COVID-19 outbreak | |
US11586613B2 (en) | Managing data objects for graph-based data structures | |
CN107133437B (zh) | 监控药品使用的方法及装置 | |
Saccilotto et al. | San Francisco Syncope Rule to predict short-term serious outcomes: a systematic review | |
CN109346145B (zh) | 一种药物不良反应的主动监测方法和系统 | |
CN110415831A (zh) | 一种医疗大数据云服务分析平台 | |
Vanbrabant et al. | Quality of input data in emergency department simulations: Framework and assessment techniques | |
US20090299766A1 (en) | System and method for optimizing medical treatment planning and support in difficult situations subject to multiple constraints and uncertainties | |
WO2011024163A1 (en) | Method and system for selecting, retrieving, visualizing and exploring time-oriented data in multiple subject records. | |
CN111640475A (zh) | 一种临床试验的管理系统 | |
CN107480433A (zh) | 具有统计分析功能的输血闭环信息管理系统 | |
Combi et al. | Mining approximate temporal functional dependencies with pure temporal grouping in clinical databases | |
US20210174968A1 (en) | Visualization of Social Determinants of Health | |
US7742933B1 (en) | Method and system for maintaining HIPAA patient privacy requirements during auditing of electronic patient medical records | |
CN105335606B (zh) | 用于确定临床事件之间的相关性的方法和系统 | |
Mancini et al. | Marked point process models for the admissions of heart failure patients | |
Antoniades et al. | Linked2Safety: A secure linked data medical information space for semantically-interconnecting EHRs advancing patients' safety in medical research | |
CN113903423A (zh) | 用药方案推荐方法、装置、设备及介质 | |
US10311979B2 (en) | Case management system and method for mediating anomaly notifications in health data to health alerts | |
US20110035233A1 (en) | System for Clinical Research and Clinical Management of Cardiovascular Risk Using Ambulatory Blood Pressure Monitoring and Actigraphy | |
Liu et al. | A risk model to predict the mental health of older people in Chinese communities based on machine learning | |
Santos et al. | Enabling ubiquitous data mining in intensive care-features selection and data pre-processing | |
CN107680690A (zh) | 一种基于元数据的临床信息系统 | |
WO2022141929A1 (zh) | 一种健康自测系统、服务器及健康检测系统 |
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 |