CN107799160B - 用药辅助决策方法及装置、存储介质、电子设备 - Google Patents
用药辅助决策方法及装置、存储介质、电子设备 Download PDFInfo
- Publication number
- CN107799160B CN107799160B CN201711021937.7A CN201711021937A CN107799160B CN 107799160 B CN107799160 B CN 107799160B CN 201711021937 A CN201711021937 A CN 201711021937A CN 107799160 B CN107799160 B CN 107799160B
- Authority
- CN
- China
- Prior art keywords
- medication
- data
- diagnosis
- effective
- patient
- 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
Images
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本公开是关于一种用药辅助决策方法及装置,属于数据处理技术领域。该方法包括:根据医疗数据中的患者基础信息对医疗数据进行聚类,并根据医疗数据中的出院诊断确定患者各时段内的主诊断;根据医疗数据中的用药数据确定对应各时段主诊断的有效用药数据并将多个有效用药数据根据主诊断聚类生成有效用药数据簇;对有效用药数据簇的有效用药数据进行数据清洗从而确定推荐用药;获取当前患者主诊断,并在推荐用药中确定并反馈与当前患者主诊断匹配的用药数据。本公开一方面可以准确锁定主诊断,明确诊断疾病与用药数据的对应关系,另一方面可以提高有效用药数据的准确度,从而提高用药效果评估准确性,再一方面可以帮助医师扩大用药范围。
Description
技术领域
本公开涉及数据处理技术领域,具体而言,涉及一种用药辅助决策方法、用药辅助决策装置、计算机可读存储介质以及电子设备。
背景技术
在医疗领域,医师给患者用药多数是凭借自身的知识储备及同行之间的知识交流,而一般的用药推荐系统也仅仅集中在对相似病历的研究,并不能有效地给出用药效果,导致很多医师给患者用药时,只能凭借经验使用大众药品及自己比较有把握的药品,而一般都不会考虑超出自己知识覆盖范围的药物。而随着计算机网络技术的发展,在工作中能够及时获取信息进行参照已经渗透到各个领域,同样在医疗领域,很多医师和科研人员期望能够拥有一个用药辅助推荐系统,以此扩大用药范围,提前感知用药效果,提高用药准确性。
目前现有技术方案主要是通过对相似病历中用药列表的各种机器学习进行用药推荐,但存在缺乏用药数据清洗、用药数据效果评估以及同业医师用药偏好等精确数据。
因此,需要提供一种新的用药辅助决策方法及装置。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种用药辅助决策方法、用药辅助决策装置、计算机可读存储介质以及电子设备,进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
根据本公开的一个方面,提供一种用药辅助决策方法,所述用药辅助决策方法包括:
根据医疗数据中的患者基础信息对所述医疗数据进行聚类,并根据医疗数据中的出院诊断确定患者各时段内的主诊断;
根据医疗数据中的用药数据确定对应各时段所述主诊断的有效用药数据,将多个所述有效用药数据根据所述主诊断聚类生成有效用药数据簇;
对所述有效用药数据簇的有效用药数据进行数据清洗从而确定推荐用药;
获取当前患者主诊断,并在推荐用药中确定并反馈与当前患者主诊断匹配的用药数据。
在本公开的一种示例性实施例中,所述医疗数据包括患者基础信息、住院病案数据、出院数据、门诊数据、用药数据、检验数据以及检查数据中的一种或多种。
在本公开的一种示例性实施例中,所述患者基础信息包括患者标示。
在本公开的一种示例性实施例中,所述用药数据包括用药名称、用药次数、用药剂量中的一种或多种。
在本公开的一种示例性实施例中,所述根据医疗数据中的用药数据确定对应各时段所述主诊断的有效用药数据,将多个所述有效用药数据根据所述主诊断聚类生成有效用药数据簇包括:
对医疗数据中的用药数据根据患者标示及就诊标示进行聚合,同时按照各所述就诊标示对应的时间顺序进行排序;
根据所述主诊断划分时间窗,并根据处于各所述主诊断时间窗内的对应各就诊标示的用药数据确定有效用药数据;
将多个所述有效用药数据根据各所述主诊断时间窗聚类生成有效用药数据簇。
在本公开的一种示例性实施例中,所述根据处于各所述主诊断时间窗内的对应各就诊标示的用药数据确定有效用药数据包括:
在各所述主诊断时间窗内,将对应各就诊标示的末次就诊没有用药、以及末次就诊与前次就诊用药数据相同的用药数据确定为有效用药数据。
在本公开的一种示例性实施例中,所述对所述有效用药数据簇的有效用药数据进行数据清洗从而确定推荐用药包括:
对所述有效用药数据簇的有效用药数据根据TF-IDF算法进行数据清洗从而确定推荐用药。
根据本公开的一个方面,提供一种用药辅助决策装置,所述用药辅助决策装置包括:
主诊断确定模块,用于根据医疗数据中的患者基础信息对所述医疗数据进行聚类,并根据医疗数据中的出院诊断确定患者各时段内的主诊断;
有效用药聚类模块,用于根据医疗数据中的用药数据确定对应各时段所述主诊断的有效用药数据,将多个所述有效用药数据根据所述主诊断聚类生成有效用药数据簇;
推荐用药确定模块,对所述有效用药数据簇的有效用药数据进行数据清洗从而确定推荐用药;
推荐用药匹配模块,用于获取当前患者主诊断,并在推荐用药中确定并反馈与当前患者主诊断匹配的用药数据。
根据本公开的一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述的用药辅助决策方法。
根据本公开的一个方面,提供一种电子设备,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的用药辅助决策方法。
由上述技术方案可知,本公开提供的一种用药辅助决策方法及装置,其优点和积极效果在于:
本公开提供的一种用药辅助决策方法,包括将医疗数据以患者维度进行聚类并根据医疗数据确定患者各时段内的主诊断,根据主诊断确定有效用药数据并将多个有效用药数据根据主诊断聚类生成有效用药数据簇,以及对有效用药数据簇进行数据清洗进一步确定推荐用药并根据当前患者主诊断匹配合适的推荐用药。本用药辅助决策方法一方面以患者维度及主诊断疾病维度对医疗数据进行聚合并确定有效用药数据,可以准确限定相应的病程范围,准确锁定主诊断的疾病;另一方面还可以对有效用药数据进行数据清洗,以排除干扰数据,可以提高有效用药数据的准确度,进一步明确诊断疾病与有效用药数据的对应关系,提高用药数据效果评估准确性;再一方面还可以帮助医师更准确地感知用药效果,扩大用药范围。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示意性示出本公开示例性实施例中一种用药辅助决策方法的流程示意图;
图2示意性示本公开示例性实施例中用药辅助决策方法使用的基础医疗数据中的患者基础信息表;
图3示意性示本公开示例性实施例中用药辅助决策方法使用的基础医疗数据中的住院病案首页表;
图4示意性示本公开示例性实施例中用药辅助决策方法使用的基础医疗数据中的出院/门诊记录表;
图5示意性示本公开示例性实施例中用药辅助决策方法使用的基础医疗数据中的药品类医嘱表;
图6示意性示本公开示例性实施例中用药辅助决策方法使用的基础医疗数据中的检验记录表;
图7示意性示本公开示例性实施例中用药辅助决策方法使用的基础医疗数据中的检查记录表;
图8示意性示本公开示例性实施例中用药辅助决策方法的根据患者标示及就诊标示聚类示意图;
图9示意性示本公开示例性实施例中用药辅助决策方法的某患者在一段时间内的主要就诊信息;
图10示意性示本公开示例性实施例中用药辅助决策方法的用药数据过滤示意图;
图11示意性示出本公开示例性实施例中用药辅助决策装置的模拟框图;
图12示意性示出一种用于实现上述用药辅助决策方法的电子设备;
图13示意性示出一种用于实现上述用药辅助决策方法的计算机可读存储介质。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本示例实施方式中首先提供了一种用药辅助决策方法。参照图1所示,该用药辅助决策方法可以包括以下步骤:
步骤S10.根据医疗数据中的患者基础信息对所述医疗数据进行聚类,并根据医疗数据中的出院诊断确定患者各时段内的主诊断;
步骤S20.根据医疗数据中的用药数据确定对应各时段所述主诊断的有效用药数据,将多个所述有效用药数据根据所述主诊断聚类生成有效用药数据簇;
步骤S30.对所述有效用药数据簇的有效用药数据进行数据清洗从而确定推荐用药;
步骤S40.获取当前患者主诊断,并在推荐用药中确定并反馈与当前患者主诊断匹配的用药数据。
由上述技术方案可知,本公开提供的一种用药辅助决策方法,包括将医疗数据以患者维度进行聚类并根据医疗数据确定患者各时段内的主诊断,根据主诊断确定有效用药数据并将多个有效用药数据根据主诊断聚类生成有效用药数据簇,以及对有效用药数据簇进行数据清洗进一步确定推荐用药并根据当前患者主诊断匹配合适的推荐用药。本用药辅助决策方法首先锁定患者住院或门诊的主诊断时间窗并提取主诊断用药;其次在主诊断疾病确定后,确定有效用药数据并对有效用药数据进行数据清洗,以排除干扰数据。本用药辅助决策方法一方面以患者维度及主诊断疾病维度对医疗数据进行聚合并确定有效用药数据,可以准确限定相应的病程范围,准确锁定主诊断的疾病;另一方面还可以对有效用药数据进行数据清洗,以排除干扰数据,可以提高有效用药数据的准确度,进一步明确诊断疾病与有效用药数据的对应关系,提高用药数据效果评估准确性;再一方面还可以帮助医师更准确地感知用药效果,扩大用药范围。
下面,将对本示例实施方式中上述用药辅助决策方法中的各步骤进行详细的解释以及说明。
在步骤S10中,可以根据医疗数据中的患者基础信息对所述医疗数据进行聚类;其中,参照图2~图7所示,所述医疗数据可以包括患者基础信息、住院病案数据、出院数据、门诊数据、用药数据、检验数据以及检查数据中的一种或多种,且在图2以及其他所有医疗数据对应的图3~图7中均包括患者基础信息中用于区分本患者与其他患者的唯一标示如患者标示patient_sn,并使用患者标示patient_sn将上述医疗数据以患者维度进行聚类。
进一步的,为了准确限定相应的病程范围,进一步锁定主诊断疾病;还可以根据医疗数据中的出院诊断确定患者各时段内的主诊断;其中主诊断确定方法包括可以按以下优先级进行提取:
a.提取“病案首页表”中出院诊断,条件:“诊断状态”字段为“主要诊断”;
b.提取“出院记录表”中出院诊断,条件:“诊断顺位”字段为1;
c.提取“病案首页表”中出院诊断,条件:“诊断顺位”字段为1;
d.提取“门诊诊断表”中门诊诊断,条件:“诊断顺位”字段为1;
e.提取“门诊诊断表”中的门诊诊断。
其中,病案首页表、出院记录表、门诊诊断表等包括出院诊断以及门诊诊断等信息,可以参照图2~图7提取。所述主诊断可以根据上述优先级依次提取,直到可以确定患者在某一时段的主诊断,以此确定患者的主要疾病。
在步骤S20中,可以根据医疗数据中的用药数据确定对应各时段所述主诊断的有效用药数据;其中所述用药数据可以包括用药名称、用药次数、用药剂量中的一种或多种。
详细而言,为了提高有效用药数据的准确度,明确诊断疾病与有效用药数据的对应关系,首先可以对医疗数据中的用药数据例如用药名称、用药次数、用药剂量等根据患者标示patient_sn及就诊标示visit_sn进行聚合,其中所述就诊标示visit_sn表示该患者单次就诊对应的唯一标识,同时按照各所述就诊标示对应的时间顺序进行排序,参照图8所示。其次,根据所述主诊断划分时间窗,并在各主诊断时间窗内,将对应各就诊标示visit_sn的末次就诊没有用药、以及末次就诊与前次就诊用药数据相同的用药数据确定为有效用药数据;其中末次就诊没有用药或者末次就诊与前次就诊用药相同表示该患者“复查”不需要用药,或该患者连续使用同样药品使得当前主诊断疾病可能治愈的情况。再者,可以将上述多个有效用药数据根据主诊断聚类生成有效用药数据簇;参照图9所示,即可以将医疗数据库中的多个相同主诊断患者的有效用药数据以主诊断维度进行聚类,生成有效用药数据簇。
在步骤S30中,可以对所述有效用药数据簇的有效用药数据进行数据清洗从而确定推荐用药。由于在就诊过程中,很大一部分药品是由患者要求使用,但是此类药品并不是针对当前诊断疾病的,这一部分数据在现有方案中没有得到过滤,为了排除干扰数据,进一步明确诊断疾病与有效用药数据的对应关系,提高用药数据效果评估准确性,以便可以帮助医师更准确地感知用药效果,可以对所述有效用药数据簇中的用药数据进行过滤。
详细而言,可以对所述有效用药数据簇的有效用药数据根据TF-IDF(TermFrequency–Inverse Document Frequency,词频与逆向文件频率)算法进行数据清洗从而确定推荐用药,清洗结果参照图10所示,其中TF-IDF是一种用于信息检索与数据挖掘的常用加权技术。举例而言,根据TF-IDF原理提取主诊断有效用药,包括依据下述公式计算:
药品出现频率(TF)=该类别中某字段出现的次数/该类别字段总数
有效药品频率(IDF)=log(主诊断总量/(出现对应药品名的主诊断数量+1)
进一步的,在检测经过数据清洗后生成的推荐用药数量较少时,为了进一步扩大推荐药品范围,还可以根据国际疾病分类树(ICD,International Classification ofdiseases)对多个相似主诊断疾病对应的所述推荐用药进行聚合,即在ICD树中处于同一父结点下的多个子结点的疾病的推荐用药进行聚合。其中所述ICD是依据疾病的某些特征,按照规则将疾病分门别类,并用编码的方法来表示的系统,现在通常采用第10次修订本ICD-10。
此外,针对个性化使用,例如相似患者快速检索、相似患者用药推荐及同行医师用药习惯提取,提高个性化使用体验,在过滤用药数据时,还可以基于相似患者、同行医师以及用药列表上述三者协同过滤,如下:
a.相似患者聚合:通过患者主诊断、诊断列表及ICD树的疾病名称进行相似患者聚合;
b.同行医师聚合:根据患者主诊断、诊断科室、主治医师等信息进行聚合,提取同行医师对相同主诊断的用药偏好;
c.用药列表簇构建:通过主诊断及TF-IDF清洗后的用药列表进行构建对应主诊断的药品。
d.协同过滤:根据患者以及/或者医师对应的主诊断的用药列表进行相似度匹配从而实现用药推荐。
在步骤S40中,可以获取当前患者主诊断,并在推荐用药中确定并反馈与当前患者主诊断匹配的用药数据;详细而言,在获取当前患者主诊断后,系统可以优先通过主诊断及ICD树进行药物推荐,即当确定主诊断及诊断列表后进行时间窗内数据匹配,进而选取相似度最高的用药列表。
本用药辅助决策方法一方面以患者维度及主诊断疾病维度对医疗数据进行聚合并确定有效用药数据,可以准确限定相应的病程范围,准确锁定主诊断的疾病;另一方面还可以对有效用药数据进行数据清洗,以排除干扰数据,可以提高有效用药数据的准确度,进一步明确诊断疾病与有效用药数据的对应关系,提高用药数据效果评估准确性,可以帮助医师更准确地感知用药效果,提高用药准确性、扩大用药范围;再一方面还可以针对多样化需求进行相似患者快速检索及用药推荐以及同行医师用药习惯提取,提高个性化使用体验。
本公开还提供了一种用药辅助决策装置。参照图11所示,该相似病例检索装置可以包括聚类模块110、提取转化模块120以及病例搜索模块130。其中:
主诊断确定模块410,用于根据医疗数据中的患者基础信息对所述医疗数据进行聚类,并根据医疗数据中的出院诊断确定患者各时段内的主诊断;
有效用药聚类模块420,用于根据医疗数据中的用药数据确定对应各时段所述主诊断的有效用药数据,将多个所述有效用药数据根据所述主诊断聚类生成有效用药数据簇;
推荐用药确定模块430,对所述有效用药数据簇的有效用药数据进行数据清洗从而确定推荐用药;
推荐用药匹配模块440,用于获取当前患者主诊断,并在推荐用药中确定并反馈与当前患者主诊断匹配的用药数据。
上述用药辅助决策装置中各模块的具体细节已经在对应的用药辅助决策方法中进行了详细想描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图12来描述根据本发明的这种实施方式的电子设备600。图12显示的电子设备600仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图12所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元610执行,使得所述处理单元610执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元610可以执行如图1中所示的步骤S10:根据医疗数据中的患者基础信息对所述医疗数据进行聚类,并根据医疗数据中的出院诊断确定患者各时段内的主诊断;步骤S20:根据医疗数据中的用药数据确定对应各时段所述主诊断的有效用药数据,将多个所述有效用药数据根据所述主诊断聚类生成有效用药数据簇;步骤S30:对所述有效用药数据簇的有效用药数据进行数据清洗从而确定推荐用药;步骤S40:获取当前患者主诊断,并在推荐用药中确定并反馈与当前患者主诊断匹配的用药数据。
存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器660通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图13所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品800,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
Claims (6)
1.一种用药辅助决策方法,其特征在于,所述用药辅助决策方法包括:
根据医疗数据中的患者基础信息对所述医疗数据进行聚类,所述患者基础信息包括患者标识;
所述根据医疗数据中的患者基础信息对所述医疗数据进行聚类包括:根据所述患者标识对所述医疗数据以患者维度进行聚类;
并根据医疗数据中的出院诊断确定患者各时段内的主诊断,其中,所述主诊断的确定方法可以按照以下优先级进行提取:
提取“病案首页表”中出院诊断,条件:“诊断状态”字段为“主要诊断”;
提取“出院记录表”中出院诊断,条件:“诊断顺位”字段为1;
提取“病案首页表”中出院诊断,条件:“诊断顺位”字段为1;
提取“门诊诊断表”中门诊诊断,条件:“诊断顺位”字段为1;
对医疗数据中的用药数据根据患者标识及就诊标识进行聚合,同时按照各所述就诊标识对应的时间顺序进行排序;
根据所述主诊断划分时间窗,并根据处于各所述主诊断时间窗内的对应各就诊标识的用药数据确定有效用药数据,其中,所述有效用药数据是指各所述主诊断时间窗内,对应各所述就诊标识的末次就诊没有用药、以及末次就诊与前次就诊用药数据相同的用药数据;
将多个所述有效用药数据根据各所述主诊断聚类生成有效用药数据簇;
对所述有效用药数据簇的有效用药数据进行数据清洗从而确定推荐用药,包括:对所述有效用药数据簇的有效用药数据根据TF-IDF算法进行数据清洗从而确定推荐用药;及通过患者主诊断、诊断列表及国际疾病分类树的疾病名称进行相似患者聚合以确定相似患者的用药推荐;根据患者主诊断、诊断科室、主治医师进行聚合以提取同行医师对相同主诊断的用药偏好;根据国际疾病分类树对多个相似主诊断疾病对应的所述推荐用药进行聚合;其中,在对所述有效用药数据簇的有效用药数据根据TF-IDF算法进行数据清洗从而确定推荐用药时,药品出现频率和有效药品频率通过以下公式计算得到:药品出现频率(TF)=有效用药数据簇的类别中某字段出现的次数/有效用药数据簇的类别字段总数;有效药品频率(IDF)=log(主诊断总量/(出现对应药品名的主诊断数量+1));
获取当前患者主诊断,并在推荐用药中确定并反馈与当前患者主诊断匹配的用药数据。
2.根据权利要求1所述的用药辅助决策方法,其特征在于,所述医疗数据包括患者基础信息、住院病案数据、出院数据、门诊数据、用药数据、检验数据以及检查数据中的一种或多种。
3.根据权利要求1所述的用药辅助决策方法,其特征在于,所述用药数据包括用药名称、用药次数、用药剂量中的一种或多种。
4.一种用药辅助决策装置,其特征在于,所述用药辅助决策装置包括:
主诊断确定模块,用于根据医疗数据中的患者基础信息对所述医疗数据进行聚类,并根据医疗数据中的出院诊断确定患者各时段内的主诊断;所述患者基础信息包括患者标识;所述主诊断确定模块通过下述方法实现根据医疗数据中的患者基础信息对所述医疗数据进行聚类:根据所述患者标识对所述医疗数据以患者维度进行聚类;并根据医疗数据中的出院诊断确定患者各时段内的主诊断,其中,所述主诊断的确定方法可以按照以下优先级进行提取:提取“病案首页表”中出院诊断,条件:“诊断状态”字段为“主要诊断”;提取“出院记录表”中出院诊断,条件:“诊断顺位”字段为1;提取“病案首页表”中出院诊断,条件:“诊断顺位”字段为1;提取“门诊诊断表”中门诊诊断,条件:“诊断顺位”字段为1;
有效用药聚类模块,用于对医疗数据中的用药数据根据患者标识及就诊标识进行聚合,同时按照各所述就诊标识对应的时间顺序进行排序;根据所述主诊断划分时间窗,并根据处于各所述主诊断时间窗内的对应各就诊标识的用药数据确定有效用药数据,其中,所述有效用药数据是指各所述主诊断时间窗内,对应各所述就诊标识的末次就诊没有用药、以及末次就诊与前次就诊用药数据相同的用药数据;将多个所述有效用药数据根据各所述主诊断聚类生成有效用药数据簇;
推荐用药确定模块,用于对所述有效用药数据簇的有效用药数据进行数据清洗从而确定推荐用药;
所述推荐用药确定模块,具体用于对所述有效用药数据簇的有效用药数据根据TF-IDF算法进行数据清洗从而确定推荐用药;及通过患者主诊断、诊断列表及国际疾病分类树的疾病名称进行相似患者聚合以确定相似患者的用药推荐;根据患者主诊断、诊断科室、主治医师进行聚合以提取同行医师对相同主诊断的用药偏好;根据国际疾病分类树对多个相似主诊断疾病对应的所述推荐用药进行聚合;其中,在对所述有效用药数据簇的有效用药数据根据TF-IDF算法进行数据清洗从而确定推荐用药时,药品出现频率和有效药品频率通过以下公式计算得到:药品出现频率(TF)=有效用药数据簇的类别中某字段出现的次数/有效用药数据簇的类别字段总数;有效药品频率(IDF)=log(主诊断总量/(出现对应药品名的主诊断数量+1));
推荐用药匹配模块,用于获取当前患者主诊断,并在推荐用药中确定并反馈与当前患者主诊断匹配的用药数据。
5.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1~3任一项所述的用药辅助决策方法。
6.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1~3任一项所述的用药辅助决策方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711021937.7A CN107799160B (zh) | 2017-10-26 | 2017-10-26 | 用药辅助决策方法及装置、存储介质、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711021937.7A CN107799160B (zh) | 2017-10-26 | 2017-10-26 | 用药辅助决策方法及装置、存储介质、电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107799160A CN107799160A (zh) | 2018-03-13 |
CN107799160B true CN107799160B (zh) | 2021-12-31 |
Family
ID=61547957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711021937.7A Active CN107799160B (zh) | 2017-10-26 | 2017-10-26 | 用药辅助决策方法及装置、存储介质、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107799160B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108806799B (zh) * | 2018-06-12 | 2020-10-27 | 天津开心生活科技有限公司 | 治疗模式分类模型的建立方法、装置、介质及电子设备 |
CN109378074A (zh) * | 2018-10-31 | 2019-02-22 | 平安医疗健康管理股份有限公司 | 基于人工智能的慢性病管理方法及相关装置 |
CN109524069B (zh) * | 2018-11-09 | 2021-09-10 | 南京医渡云医学技术有限公司 | 医疗数据处理方法、装置、电子设备和存储介质 |
CN109637615B (zh) * | 2018-11-30 | 2022-10-14 | 平安医疗健康管理股份有限公司 | 异常医疗处方的判断方法、装置、设备及可读存储介质 |
CN111383726B (zh) * | 2018-12-28 | 2023-06-27 | 国家食品药品监督管理总局药品评价中心 | 电子病历数据处理方法、装置、电子设备及可读介质 |
CN111382275A (zh) * | 2018-12-28 | 2020-07-07 | 医渡云(北京)技术有限公司 | 医疗知识图谱的构建方法、装置、介质及电子设备 |
CN109948806A (zh) * | 2019-03-28 | 2019-06-28 | 医渡云(北京)技术有限公司 | 决策模型优化方法、装置、存储介质及设备 |
CN110289068A (zh) * | 2019-06-20 | 2019-09-27 | 北京百度网讯科技有限公司 | 药品推荐方法及设备 |
CN110689939A (zh) * | 2019-08-27 | 2020-01-14 | 天津开心生活科技有限公司 | 一种用药序列的推荐方法、装置、可读介质及电子设备 |
CN110544533A (zh) * | 2019-08-28 | 2019-12-06 | 张玲 | 依据医嘱进行健康监控的系统 |
CN112447286B (zh) * | 2019-09-05 | 2023-02-03 | 天津新开心生活科技有限公司 | 一种自动判别治疗线的方法以及装置 |
CN110970103A (zh) * | 2019-10-09 | 2020-04-07 | 北京雅丁信息技术有限公司 | 一种寻找电子病历中诊断与药品相关性的方法 |
CN110827951A (zh) * | 2019-12-24 | 2020-02-21 | 陕西省中医医院 | 一种临床智能决策平台 |
CN111627515B (zh) * | 2020-05-29 | 2023-07-18 | 上海商汤智能科技有限公司 | 药物推荐方法、装置、电子设备及介质 |
CN112635072A (zh) * | 2020-12-31 | 2021-04-09 | 大连东软教育科技集团有限公司 | 基于相似度计算的icu相似病例检索方法、系统及存储介质 |
CN113611401A (zh) * | 2021-08-26 | 2021-11-05 | 中国医学科学院阜外医院 | 一种围术期血液管理的系统和方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934235A (zh) * | 2017-03-09 | 2017-07-07 | 中国科学院软件研究所 | 一种基于迁移学习的疾病领域间病人相似性度量迁移系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU768102C (en) * | 1996-07-12 | 2004-07-29 | First Opinion Corporation | Computerized medical diagnostic and treatment advice system including network access |
US8447738B1 (en) * | 2003-11-17 | 2013-05-21 | Medco Health Solutions, Inc. | Computer system and method for de-identification of patient and/or individual health and/or medical related information, such as patient micro-data |
US20090164247A1 (en) * | 2007-12-21 | 2009-06-25 | Siemens Aktiengesellschaft | Data and Display Protocols |
NZ588741A (en) * | 2008-03-26 | 2014-04-30 | Theranos Inc | Methods and systems for assessing clinical outcomes |
CN104820775A (zh) * | 2015-04-17 | 2015-08-05 | 南京大学 | 一种中药方剂核心药物的发现方法 |
CN105868531B (zh) * | 2016-03-23 | 2019-05-17 | 遵义医学院 | 一种基于医疗大数据的自动辅助处方系统 |
-
2017
- 2017-10-26 CN CN201711021937.7A patent/CN107799160B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934235A (zh) * | 2017-03-09 | 2017-07-07 | 中国科学院软件研究所 | 一种基于迁移学习的疾病领域间病人相似性度量迁移系统 |
Non-Patent Citations (2)
Title |
---|
MaLDA:基于LDA的用药分析;周靖等;《计算机工程与应用》;20160915;第8-13页 * |
上次医生开的药有效果但没好,下次我可以直接去医院拿相同的药吗?;海的女儿女儿8;《百度知道》;20150121;第1页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107799160A (zh) | 2018-03-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107799160B (zh) | 用药辅助决策方法及装置、存储介质、电子设备 | |
Wagner et al. | PTB-XL, a large publicly available electrocardiography dataset | |
CN107610779B (zh) | 疾病评价及患病风险评估方法及装置 | |
JP6915282B2 (ja) | オープンデータ及び臨床医の入力を用いて患者の治療リスクを評価するシステム及び方法 | |
Waitman et al. | Expressing observations from electronic medical record flowsheets in an i2b2 based clinical data repository to support research and quality improvement | |
CN110291555B (zh) | 用于促进对健康状况的计算分析的系统和方法 | |
CN111382275A (zh) | 医疗知识图谱的构建方法、装置、介质及电子设备 | |
JP2018060529A (ja) | コンテキストベースの患者類似性の方法及び装置 | |
CN110827941A (zh) | 电子病历信息校正方法及系统 | |
US20140297317A1 (en) | Extracting key action patterns from patient event data | |
WO2014052921A2 (en) | Patient health record similarity measure | |
CN112786140A (zh) | 基于用药数据的慢病管理方法、装置与电子设备 | |
WO2017017554A1 (en) | Reliability measurement in data analysis of altered data sets | |
CN111061835B (zh) | 查询方法及装置、电子设备和计算机可读存储介质 | |
CN112786131A (zh) | 识别就诊信息的方法及装置、电子设备和存储介质 | |
CN110471941B (zh) | 自动定位判断依据的方法、装置及电子设备 | |
JP2017134694A (ja) | 属性付与制御プログラム、情報処理装置および属性付与制御方法 | |
Nair et al. | Automated clinical concept-value pair extraction from discharge summary of pituitary adenoma patients | |
Khare et al. | Exploiting semantic structure for mapping user-specified form terms to SNOMED CT concepts | |
CN110993116A (zh) | 诊疗数据提取方法及装置、电子设备、存储介质 | |
Chirila et al. | Improving the prescription process information support with structured medical prospectuses using neural networks | |
EP4191599A1 (en) | Information determination method and apparatus | |
CN109522422A (zh) | 医疗文献推送方法、系统、设备及存储介质 | |
CN112652400A (zh) | 基于专病视图相似分析病情参考方法、系统、设备和介质 | |
Chen et al. | Cognitive computing-based CDSS in medical practice |
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 |