CN108806799B - 治疗模式分类模型的建立方法、装置、介质及电子设备 - Google Patents
治疗模式分类模型的建立方法、装置、介质及电子设备 Download PDFInfo
- Publication number
- CN108806799B CN108806799B CN201810600629.8A CN201810600629A CN108806799B CN 108806799 B CN108806799 B CN 108806799B CN 201810600629 A CN201810600629 A CN 201810600629A CN 108806799 B CN108806799 B CN 108806799B
- Authority
- CN
- China
- Prior art keywords
- treatment
- clustering
- chains
- chain
- units
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明实施例提供了一种治疗模式分类模型的建立方法、装置、介质及电子设备,该方法包括:获取多名患者的疾病治疗信息;根据所述疾病治疗信息,获取至少一个治疗单元,每个所述治疗单元包括所述患者标识、所使用的药品标识和对应于所述药品标识的用药时间信息;根据所述至少一个治疗单元中包含的患者标识,确定各个患者对应的治疗链条,所述治疗链条包括按所述用药时间信息排序的至少一个所述药品标识;对所述多名患者对应的所述治疗链条进行聚类,以得到所述治疗模式分类模型。本发明实施例的技术方案,具有较高的治疗效率并节省人力物力。同时,能够实现患者的疾病进行针对性的治疗,有利于提高治疗效果。
Description
技术领域
本发明涉及数据处理技术领域,具体而言,涉及一种治疗模式分类模型的建立方法、装置、介质及电子设备。
背景技术
医疗部门对于前来就诊的患者,一般是诊断出疾病后,根据医学经验或者查阅医学指南给用户开药,以达到治疗疾病的目的。
由于患者数量不断增加,并且不同的患者可能有相同的病症,所以利用现有技术中治疗方法,即医疗部门需对前来就诊的每个患者均需基于医学经验或医学指南等开出治疗方案,导致治疗效率低且浪费了大量的人力物力。
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发明的背景的理解,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
本发明实施例的目的在于提供一种治疗模式分类模型的建立方法、装置、介质及电子设备,进而至少在一定程度上克服了现有技术的疾病治疗方式导致治疗效率低且浪费了大量的人力物力的问题。
本发明的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本发明的实践而习得。
根据本发明实施例的第一方面,提供了一种治疗模式分类模型的建立方法,其特征在于,包括:获取多名患者的疾病治疗信息;根据所述疾病治疗信息,获取至少一个治疗单元,每个所述治疗单元包括所述患者标识、所使用的药品标识和对应于所述药品标识的用药时间信息;根据所述至少一个治疗单元中包含的患者标识,确定各个患者对应的治疗链条,所述治疗链条包括按所述用药时间信息排序的至少一个所述药品标识;对所述多名患者对应的所述治疗链条进行聚类,以得到所述治疗模式分类模型。
在本发明的一种实施例中,根据所述疾病治疗信息,获取至少一个治疗单元,包括:对所述多名患者的疾病治疗信息提取关键词,根据所述关键词确定所述获取治疗单元。
在本发明的一种实施例中,对所述治疗链条进行聚类,包括:针对于每个所述治疗链条,确定是否存在至少三个连续相同的治疗单元;若所述治疗链条中不存在所述至少三个连续相同的治疗单元,则将所述治疗链条聚类为用药不稳定类。
在本发明的一种实施例中,若所述治疗链条存在所述至少三个连续相同的治疗单元,则确定所述至少三个连续相同的治疗单元是否处于所述治疗链条的起始端;若所述至少三个连续相同的治疗单元处于所述治疗链条的起始端,则将所述治疗链条聚类为用药稳定类;否则,将所述治疗链条聚类为用药转换类。
在本发明的一种实施例中,对所述治疗链条进行聚类,包括:根据预设频次,获取所述治疗单元的频繁项集;按照所述治疗链条中包含的治疗单元个数从小至大的顺序,依次将所述治疗链条聚类至所述频繁项集中。
在本发明的一种实施例中,所述频繁项集包括一阶频繁项集和二阶频繁项集,按照所述治疗链条中包含的治疗单元个数从小至大的顺序,依次将所述治疗链条聚类至所述频繁项集中,包括:对于包含一个所述治疗单元的治疗链条,聚类至所述一阶频繁项集;对于包含两个所述治疗单元的治疗链条,聚类至所述二阶频繁项集;对于包含N个所述治疗单元的治疗链条,随N值的增加,依次聚类至与治疗链条中结束端的N-1个治疗单元对应的治疗链条所在的频繁项集;其中,N为大于2 的正整数。
在本发明的一种实施例中,所述治疗单元包括至少一种药品标识;所述治疗单元包括对应于每一种所述药品标识的用药量。
根据本发明实施例的第二方面,提供了一种治疗模式分类模型的建立装置,包括:第一获取模块、第二获取模块、确定模块和聚类模块;其中,所述第一获取模块用于:获取多名患者的疾病治疗信息;所述第二获取模块用于:根据所述疾病治疗信息,获取至少一个治疗单元,每个所述治疗单元包括所述患者标识、所使用的药品标识和对应于所述药品标识的用药时间信息;所述确定模块用于:根据所述至少一个治疗单元中包含的患者标识,确定各个患者对应的治疗链条,所述治疗链条包括按所述用药时间信息排序的至少一个所述药品标识;所述聚类模块用于:对所述多名患者对应的所述治疗链条进行聚类,以得到所述治疗模式分类模型。
根据本发明实施例的第三方面,提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现如上述实施例第一方面中所述的治疗模式分类模型的建立方法。
根据本发明实施例的第四方面,提供一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述实施例第一方面所述的治疗模式分类模型的建立方法。
本发明实施例提供的技术方案可以包括以下有益效果:
一方面,通过获取多名患者的疾病治疗信息建立针对此疾病的治疗模式分类模型,可以基于大数据的治疗信息来提高治疗模式分类模型的可靠性,进而能够通过治疗模式分类模型实现自动化解决疾病治疗模式分类的问题,从而提高了治疗效率并节省人力物力。同时,根据分类后的治疗模式信息,能够实现对患者的疾病进行针对性的治疗,有利于提高治疗效果。
另一方面,通过获取至少一个治疗单元,并基于治疗单元来确定代表每一位患者治疗模式的治疗链条,使得数据统计更加合理,有利于提高治疗模式分类模型的精准性。
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,并不能限制本发明。
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,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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。在附图中:
图1示出了根据本发明的实施例的一个实施例的治疗模式分类模型的建立方法的流程示意图;
图2示出了根据本发明的实施例的另一个实施例的治疗模式分类模型的建立方法的流程示意图;
图3示出了根据本发明的实施例的又一个实施例的治疗模式分类模型的建立方法的流程示意图;
图4示出了根据本发明的实施例的实施例的治疗模式分类模型的建立装置的结构示意图;
图5示出了适于用来实现本发明实施例的电子设备的计算机系统的结构示意图。
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发明将更加全面和完整,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。
此外,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例中。在下面的描述中,提供许多具体细节从而给出对本发明的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本发明的技术方案而没有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方法、装置、实现或者操作以避免模糊本发明的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,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。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
疾病种类多种多样,而对于每一种疾病的不同时期,治疗方法也不同。可见,医疗部门对前来就诊的每个患者均需基于医学经验或医学指南等开出治疗方案的治疗方式,并不能满足患者需求。为了提高治疗效率,可以针对于每一种疾病(例如:慢阻肺病、哮喘病等)的治疗方式进行分类,每一类包括不同的治疗方式,以针对性的对此类患者进行治疗。鉴于此,本发明提出一种治疗模型分类模型的建立方法、装置、介质及电子设备。下面以对肺阻病、哮喘病的治疗模型分类模型的建立为例进行说明。
图1示出了根据本发明的实施例的一个实施例的治疗模式分类模型的建立方法的流程示意图,参考图1,该方法包括–:
步骤S101,获取多名患者的疾病治疗信息;
步骤S102,根据所述疾病治疗信息,获取至少一个治疗单元,每个所述治疗单元包括所述患者标识、所使用的药品标识和对应于所述药品标识的用药时间信息;
步骤S103,根据所述至少一个治疗单元中包含的患者标识,确定各个患者对应的治疗链条,所述治疗链条包括按所述用药时间信息排序的至少一个所述药品标识;
步骤S104,对所述多名患者对应的所述治疗链条进行聚类,以得到所述治疗模式分类模型。
在图1所示实施例的技术方案中,通过获取多名患者的疾病治疗信息建立针对此疾病的治疗模式分类模型,可以基于大数据的治疗信息来提高治疗模式分类模型的可靠性,进而能够通过治疗模式分类模型实现自动化解决疾病治疗模式分类的问题,从而提高治疗效率并节省人力物力。同时,根据分类后的治疗模式信息,能够实现患者的疾病进行针对性的治疗,有利于提高治疗效果。并且,通过获取至少一个治疗单元,并基于治疗单元来确定代表每一位患者治疗模式的治疗链条,使得数据统计更加合理,有利于提高治疗模式分类模型的精准性。
以下对图1中所示的各个步骤的实现细节进行详细阐述:
在示例性的实施例中,在步骤S101中,获取预设历史时间段的患者的疾病治疗信息。例如,收集2013年1月1日至2016年12月31日的M名慢阻肺病/哮喘病患者的治疗信息,包括每一位患者在此段时间内的用药信息和用药时间信息。示例性的,疾病治疗信息包括住院患者的治疗信息和门诊患者的治疗信息,获取患者治疗信息时,要求门诊患者的门诊次数须超过2次,并且时间跨度要超过3个月。另外,所述预设历史时间段尽量长,以保证治疗模式分类模型基于大数据建立,进而提供高质量的治疗模式的分类。
在步骤S102中,根据获取的疾病治疗信息获取至少一个治疗单元。为了便于数据统计,根据患者的用药过程将每一位患者的治疗信息分割为治疗单元的形式。具体的,治疗单元的格式可以为:“患者A- 药品H-2013年1月1日”,表示患者在某一时间点开始用了某种药品,例如,“患者A-药品H-2013年1月1日”表示:患者A在2013 年1月1日开始服用药品H,或“患者B-药品I&药品J药品&K-2013 年4月2日”表示:患者B在2013年4月2日开始服用药品I&药品J 药品&K等。其中,治疗单元包括至少一种药品标识,当治疗单元包括一种药品标识时,表示单独用药方式,当治疗单元中包括至少两种药品标识时,表示联合用药方式。
在一种实施方式中,治疗单元还包括对应于每一种所述药品标识的用药量,以进一步用于对患者用药量的研究。
在步骤S103中,对于M名慢阻肺病/哮喘病患者中的每一位患者,对其2013年1月1日至2016年12月31日阶段内的用药过程进行统计,以获得代表对每位患者治疗模式的治疗链条。示例性的,根据治疗单元中的患者标识,获取属于患者A的所有治疗单元,包括:“患者A-药品H-2013年1月1日”、“患者A-药品I-2013年7月1 日”、“患者A-药品J-2014年2月4日”、“患者A-药品H- 2014年8月12日”等。根据上述四个治疗单元中的时间信息,获得患者A按所述用药时间信息排序的治疗链条“药品H-药品I-药品J-药品H”。
可以理解的是,可以根据具体疾病状况设置所述治疗链条的时间跨度。例如,设置每个治疗链条的时间跨度为1年,则上述患者A的治疗链条为:治疗链条1:“药品H-药品I”和治疗链条2:“药品J-药品 H”。
在步骤S104中,对步骤S103中确定的M名慢阻肺病/哮喘病患者的治疗链条进行聚类,进而得到慢阻肺病/哮喘病的治疗模式分类模型。
图2示出了根据本发明的实施例的另一个实施例的治疗模式分类模型的建立方法的流程示意图,包括步骤S201-步骤S208。
在步骤S201中,获取多名患者的疾病治疗信息。
在示例性的实施例中,步骤S201的具体实施方式同步骤S101,在此不再赘述。
在步骤S202中,对所述多名患者的疾病治疗信息提取关键词,根据所述关键词确定所述获取治疗单元,每个所述治疗单元包括所述患者标识、所使用的药品标识和对应于所述药品标识的用药时间信息。
在示例性的实施例中,步骤S202的具体实施方式可以包括:从所述M名慢阻肺病/哮喘病患者的疾病治疗信息提取关键词,进而将治疗信息分为“住院类”和“门诊类”,以将住院患者的治疗模式和门诊患者的治疗模式分开统计,从而提高了对疾病治疗模式分类模型的适用性。
步骤S202的具体实施方式还可以包括:将治疗单元包含的信息 (患者标识、所使用的药品标识和对应于所述药品标识的用药时间信息等)以关键词的形式进行提取,以便于进一步获取治疗单元。例如,对药品标识对应的关键词的提取,治疗慢阻肺的药物众多,可以根据药品的主要成分进行关键词提取,将布地奈德、氟替卡松、泼尼松等提取关键词为“激素”,通过关键词的提取,剔除了不必要的治疗单元进而精简了治疗单元的数量,便于治疗模式分类模型的建立。
在步骤S203中,根据所述至少一个治疗单元中包含的患者标识,确定各个患者对应的治疗链条,所述治疗链条包括按所述用药时间信息排序的至少一个所述药品标识。
在示例性的实施例中,步骤S203的具体实施方式同步骤S103,在此不再赘述。需要说明的是,步骤S203获取的治疗链条分为住院类治疗链条和门诊类治疗链条。
在步骤S204中,针对于每个所述治疗链条,确定是否存在至少三个连续相同的治疗单元。
若所述治疗链条中不存在至少三个连续相同的治疗单元,则执行步骤S205;若所述治疗链条中存在至少三个连续相同的治疗单元,则执行步骤S206。
在步骤S205中,将所述治疗链条聚类为用药不稳定类。
在步骤S206中,确定所述至少三个连续相同的治疗单元是否处于所述治疗链条的起始端。
若所述至少三个连续相同的治疗单元不处于所述治疗链条的起始端,则执行步骤S207;若所述至少三个连续相同的治疗单元处于所述治疗链条的起始端,则执行步骤S208。
在步骤S207中,将所述治疗链条聚类为用药转换类。
在步骤S208中,将所述治疗链条聚类为用药稳定类。
在示例性的实施例中,步骤S204–步骤S208提供了一种治疗链条的聚类方式,尤其适合应用于门诊类治疗链条。具体的,执行步骤 S204–步骤S208之前,对步骤S203确定的治疗链条进行去重,以减少重复的聚类动作。执行步骤S204–步骤S208针对去重处理后的每一治疗链条进行。以任一治疗链条3:“药品1-药品2-药品3-药品4 –药品5”为例进行说明。由于治疗链条是按患者用药先后顺序进行排列的,因此,治疗链条3中可将“药品1”和“药品5”分别表示为治疗链条的起始端和结束端。
情况一:若药品1、药品2和药品3为同一药品,表示治疗链条3 中不仅存在三个连续相同的治疗单元,并且三个连续相同的治疗单元处于治疗链条3的起始端,因此,将治疗链条3聚类至稳定用药类,表示患者从开始接收治疗便稳定用药。
情况二、若药品2、药品3和药品4为同一药品,表示治疗链条3 中存在三个连续相同的治疗单元,同时此三个连续相同的治疗单元没有处于治疗链条3的起始端,因此,将治疗链条3聚类至用药转换类,表示患者接收一段时间的治疗后转为稳定用药。
情况三、若治疗链条3中不存在三个连续相同的治疗单元,则治疗链条3聚类为用药不稳定类,表示患者的疾病治疗过程中一直没有到达稳定用药的状态。
在图2所示实施例的技术方案中,通过对慢阻肺/哮喘患者的治疗信息进行提取关键词,通过对相关患者的用药方式进行合理处理,形成代表相应的治疗模式的治疗链条。然后根据医学知识进行分类,更加方便后续带有医学含义的统计分析,例如稳定用药类对应的药品、用药转换类中转为稳定用药中药品统计,以及用药不稳定类的原因的探究等。
图3示出了根据本发明的实施例的又一个实施例的治疗模式分类模型的建立方法的流程示意图。参考图3,该方法包括步骤S301-步骤 S305。
在步骤S301中,获取多名患者的疾病治疗信息。
在步骤S302中,对所述多名患者的疾病治疗信息提取关键词,根据所述关键词确定所述获取治疗单元,每个所述治疗单元包括所述患者标识、所使用的药品标识和对应于所述药品标识的用药时间信息。
在步骤S303中,根据所述至少一个治疗单元中包含的患者标识,确定各个患者对应的治疗链条,所述治疗链条包括按所述用药时间信息排序的至少一个所述药品标识。
在步骤S304中,根据预设频次,获取所述治疗单元的频繁项集。
在步骤S305中,按照所述治疗链条中包含的治疗单元个数从小至大的顺序,依次将所述治疗链条聚类至所述频繁项集中。
在示例性的实施例中,步骤S301–步骤S303的具体实施方式同步骤S201–步骤S203,在此不再赘述。
在示例性的实施例中,在步骤S304中,根据预设频次,通过 Apriori算法,挖掘满足最小支持度阈值的频繁项集。例如,根据步骤 S303中获取的治疗链条一般包括1~4个治疗单元,可具体挖掘一阶频繁项集和二阶频繁项集。进一步的,在步骤S305中,按照所述治疗链条中包含的治疗单元个数从小至大的顺序,依次将所述治疗链条聚类至所述频繁项集中。
在示例性的实施例中,对于包含1个所述治疗单元的治疗链条,聚类至所述一阶频繁项集。对于包含2个所述治疗单元的治疗链条,聚类至所述二阶频繁项集。对于包含3个所述治疗单元的治疗链条,聚类至与治疗链条中靠近结束端的2个治疗单元对应的治疗链条所在的频繁项集。对于包含4个所述治疗单元的治疗链条,聚类至与治疗链条中靠近结束端的3个治疗单元对应的治疗链条所在的频繁项集。
针对于慢阻肺病,分别列举包括1~4个治疗单元的治疗链条:治疗链条A:“茶碱”、治疗链条B:“茶碱-白三烯调节剂&&茶碱”、治疗链条C:“激素-茶碱-白三烯调节剂&&茶碱”以及治疗链条D:“抗胆碱药-激素-茶碱-白三烯调节剂&&茶碱”。各自聚类方式如下:治疗链条A聚类至“茶碱”一阶频繁项集中,治疗链条A聚类至“茶碱-白三烯调节剂&&茶碱”二阶频繁项集中,对于治疗链条C,根据靠近此治疗链条结束端的2个治疗单元进行聚类,具体的,治疗链条C聚类至此治疗链条结束端的2个治疗单元对应的治疗链条(即治疗链条B)所在的频繁项集,对于治疗链条D,根据靠近此治疗链条结束端的3个治疗单元进行聚类,具体的,治疗链条D聚类至此治疗链条结束端的3个治疗单元对应的治疗链条(即治疗链条C)所在的频繁项集。
可见,对于包含N个所述治疗单元的治疗链条,随N值的增加,依次聚类至与治疗链条中结束端的N-1个治疗单元对应的治疗链条所在的频繁项集;其中,N为大于2的正整数。
在图3所示实施例的技术方案中,通过对慢阻肺/哮喘患者信息进行合理处理,形成代表相应的治疗模式的治疗链条。然后根据Apriori算法挖掘频繁项集,对治疗链条进行聚类,使得分散、各式各样的治疗模式能够通过一定规则聚合到一起。从而产出了慢阻肺/哮喘患者治疗模式的分类模型。本实施例中建立的治疗模式分类模型,有助于相关医疗科研的发现,进一步的也可用于结合疗效,花费进行深层次的挖掘与分析,从而为患者提供更有针对性的治疗方式。
以下介绍本发明的装置实施例,可以用于执行本发明上述的治疗模式分类模型的建立方法。
图4示出了根据本发明的实施例的实施例的治疗模式分类模型的建立装置的结构示意图,参考图4,本实施例提供的治疗模式分类模型的建立装置,包括:第一获取模块401、第二获取模块402、确定模块 403和聚类模块404。
其中,所述第一获取模块401用于:获取多名患者的疾病治疗信息;所述第二获取模块402用于:根据所述疾病治疗信息,获取至少一个治疗单元,每个所述治疗单元包括所述患者标识、所使用的药品标识和对应于所述药品标识的用药时间信息;所述确定模块403用于:根据所述至少一个治疗单元中包含的患者标识,确定各个患者对应的治疗链条,所述治疗链条包括按所述用药时间信息排序的至少一个所述药品标识;所述聚类模块404用于:对所述多名患者对应的所述治疗链条进行聚类,以得到所述治疗模式分类模型。
在示例型的实施例中,第二获取模块402,包括:提取单元,所述提取单元用于:对所述多名患者的疾病治疗信息提取关键词,根据所述关键词确定所述获取治疗单元。
在示例型的实施例中,聚类模块404包括:第一判断单元和第一聚类单元。
其中,所述第一判断单元用于:针对于每个所述治疗链条,确定是否存在至少三个连续相同的治疗单元;所述第一聚类单元用于:若所述治疗链条中不存在所述至少三个连续相同的治疗单元,则将所述治疗链条聚类为用药不稳定类。
在示例型的实施例中,聚类模块404还包括:第二判断单元、第二聚类单元和第三聚类单元。
其中,若所述治疗链条存在所述至少三个连续相同的治疗单元,所述第二判断单元用于:确定所述至少三个连续相同的治疗单元是否处于所述治疗链条的起始端;所述第二聚类单元用于:若所述至少三个连续相同的治疗单元处于所述治疗链条的起始端,则将所述治疗链条聚类为用药稳定类;所述第三聚类单元用于:若所述至少三个连续相同的治疗单元没有处于所述治疗链条的起始端,将所述治疗链条聚类为用药转换类。
在示例型的实施例中,聚类模块404,包括:获取单元和第四聚类单元。
其中,所述获取单元用于:根据预设频次,获取所述治疗单元的频繁项集;所述第四聚类单元用于:按照所述治疗链条中包含的治疗单元个数从小至大的顺序,依次将所述治疗链条聚类至所述频繁项集中。
在示例型的实施例中,所述频繁项集包括一阶频繁项集和二阶频繁项集,所述第四聚类单元具体用于:对于包含一个所述治疗单元的治疗链条,聚类至所述一阶频繁项集;对于包含两个所述治疗单元的治疗链条,聚类至所述二阶频繁项集;对于包含N个所述治疗单元的治疗链条,随N值的增加,依次聚类至与治疗链条中结束端的N-1个治疗单元对应的治疗链条所在的频繁项集;其中,N为大于2的正整数。
在示例型的实施例中,所述治疗单元包括至少一种药品标识;所述治疗单元包括对应于每一种所述药品标识的用药量。
由于本发明的示例实施例的治疗模式分类模型的建立装置的各个功能模块与上述治疗模式分类模型的建立方法的示例实施例的步骤对应,因此对于本发明装置实施例中未披露的细节,请参照本发明上述的治疗模式分类模型的建立方法的实施例。
下面参考图5,其示出了适于用来实现本发明实施例的电子设备的计算机系统500的结构示意图。图5示出的电子设备的计算机系统500 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5所示,计算机系统500包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508 加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有系统操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出 (I/O)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分 506;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN 卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口 505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地,根据本发明的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本申请的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器 (ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机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。而在本发明中,计算机可读的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,其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、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。计算机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、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现如上述实施例中所述的治疗模式分类模型的建立方法。
例如,所述的电子设备可以实现如图1中所示的:步骤S101,获取多名患者的疾病治疗信息;步骤S102,根据所述疾病治疗信息,获取至少一个治疗单元,每个所述治疗单元包括所述患者标识、所使用的药品标识和对应于所述药品标识的用药时间信息;步骤S103,根据所述至少一个治疗单元中包含的患者标识,确定各个患者对应的治疗链条,所述治疗链条包括按所述用药时间信息排序的至少一个所述药品标识;步骤S104,对所述多名患者对应的所述治疗链条进行聚类,以得到所述治疗模式分类模型。
又如,所述的电子设备可以实现如图1所示的各个步骤。
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,根据本发明的实施方式,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。
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,根据本发明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、触控终端、或者网络设备等)执行根据本发明实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、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发明的一般性原理并包括本发明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,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (9)
1.一种治疗模式分类模型的建立方法,其特征在于,包括:
获取多名患者的疾病治疗信息;
根据所述疾病治疗信息,获取至少一个治疗单元,每个所述治疗单元包括所述患者标识、所使用的药品标识和对应于所述药品标识的用药时间信息;
根据所述至少一个治疗单元中包含的患者标识,确定各个患者对应的治疗链条,所述治疗链条包括按所述用药时间信息排序的至少一个所述药品标识;
对所述多名患者对应的所述治疗链条进行聚类,以得到所述治疗模式分类模型;
其中,对所述多名患者对应的所述治疗链条进行聚类,包括:
针对于每个所述治疗链条,确定是否存在至少三个连续相同的治疗单元;
若所述治疗链条中不存在所述至少三个连续相同的治疗单元,则将所述治疗链条聚类为用药不稳定类。
2.根据权利要求1所述的方法,其特征在于,根据所述疾病治疗信息,获取至少一个治疗单元,包括:
对所述多名患者的疾病治疗信息提取关键词,根据所述关键词确定所述治疗单元。
3.根据权利要求1所述的方法,其特征在于,若所述治疗链条存在所述至少三个连续相同的治疗单元,则确定所述至少三个连续相同的治疗单元是否处于所述治疗链条的起始端;
若所述至少三个连续相同的治疗单元处于所述治疗链条的起始端,则将所述治疗链条聚类为用药稳定类;
否则,将所述治疗链条聚类为用药转换类。
4.根据权利要求1所述的方法,其特征在于,对所述多名患者对应的所述治疗链条进行聚类,包括:
根据预设频次,获取所述治疗单元的频繁项集;
按照所述治疗链条中包含的治疗单元个数从小至大的顺序,依次将所述治疗链条聚类至所述频繁项集中。
5.根据权利要求4所述的方法,其特征在于,所述频繁项集包括一阶频繁项集和二阶频繁项集,
按照所述治疗链条中包含的治疗单元个数从小至大的顺序,依次将所述治疗链条聚类至所述频繁项集中,包括:
对于包含一个所述治疗单元的治疗链条,聚类至所述一阶频繁项集;
对于包含两个所述治疗单元的治疗链条,聚类至所述二阶频繁项集;
对于包含N个所述治疗单元的治疗链条,随N值的增加,依次聚类至与治疗链条中结束端的N-1个治疗单元对应的治疗链条所在的频繁项集;其中,N为大于2的正整数。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述治疗单元包括至少一种药品标识;所述治疗单元包括对应于每一种所述药品标识的用药量。
7.一种治疗模式分类模型的建立装置,其特征在于,包括:第一获取模块、第二获取模块、确定模块和聚类模块;其中,
所述第一获取模块用于:获取多名患者的疾病治疗信息;
所述第二获取模块用于:根据所述疾病治疗信息,获取至少一个治疗单元,每个所述治疗单元包括所述患者标识、所使用的药品标识和对应于所述药品标识的用药时间信息;
所述确定模块用于:根据所述至少一个治疗单元中包含的患者标识,确定各个患者对应的治疗链条,所述治疗链条包括按所述用药时间信息排序的至少一个所述药品标识;
所述聚类模块用于:对所述多名患者对应的所述治疗链条进行聚类,以得到所述治疗模式分类模型;
其中,所述聚类模块包括第一判断单元和第一聚类单元;
所述第一判断单元用于:针对于每个所述治疗链条,确定是否存在至少三个连续相同的治疗单元;
所述第一聚类单元用于:若所述治疗链条中不存在所述至少三个连续相同的治疗单元,则将所述治疗链条聚类为用药不稳定类。
8.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1至6中任一项所述的治疗模式分类模型的建立方法。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至6中任一项所述的治疗模式分类模型的建立方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810600629.8A CN108806799B (zh) | 2018-06-12 | 2018-06-12 | 治疗模式分类模型的建立方法、装置、介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810600629.8A CN108806799B (zh) | 2018-06-12 | 2018-06-12 | 治疗模式分类模型的建立方法、装置、介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108806799A CN108806799A (zh) | 2018-11-13 |
CN108806799B true CN108806799B (zh) | 2020-10-27 |
Family
ID=64085237
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810600629.8A Active CN108806799B (zh) | 2018-06-12 | 2018-06-12 | 治疗模式分类模型的建立方法、装置、介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108806799B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109830302B (zh) * | 2019-01-28 | 2021-04-06 | 北京交通大学 | 用药模式挖掘方法、装置和电子设备 |
CN110675958B (zh) * | 2019-08-31 | 2023-03-31 | 天津开心生活科技有限公司 | 一种肿瘤治疗方案判线方法及装置 |
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 |
CN116798646B (zh) * | 2023-08-17 | 2023-11-24 | 四川互慧软件有限公司 | 基于聚类算法的蛇伤预后预测方法、装置及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104835096A (zh) * | 2015-05-15 | 2015-08-12 | 北京胡杨众联科技有限公司 | 一种检索方法、装置及终端 |
CN106446527A (zh) * | 2016-08-31 | 2017-02-22 | 杭州逸曜信息技术有限公司 | 用药信息的标识处理方法 |
CN106874668A (zh) * | 2017-02-14 | 2017-06-20 | 复旦大学 | 一种基于全记忆事件序列挖掘模型的用药分析方法 |
CN107610779A (zh) * | 2017-10-25 | 2018-01-19 | 医渡云(北京)技术有限公司 | 疾病评价及患病风险评估方法及装置 |
CN107799160A (zh) * | 2017-10-26 | 2018-03-13 | 医渡云(北京)技术有限公司 | 用药辅助决策方法及装置、存储介质、电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050176089A1 (en) * | 2003-12-04 | 2005-08-11 | Ehrlich Michael S. | Methods and devices for retrieving a subject's physiological history from a biological sample analysis |
-
2018
- 2018-06-12 CN CN201810600629.8A patent/CN108806799B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104835096A (zh) * | 2015-05-15 | 2015-08-12 | 北京胡杨众联科技有限公司 | 一种检索方法、装置及终端 |
CN106446527A (zh) * | 2016-08-31 | 2017-02-22 | 杭州逸曜信息技术有限公司 | 用药信息的标识处理方法 |
CN106874668A (zh) * | 2017-02-14 | 2017-06-20 | 复旦大学 | 一种基于全记忆事件序列挖掘模型的用药分析方法 |
CN107610779A (zh) * | 2017-10-25 | 2018-01-19 | 医渡云(北京)技术有限公司 | 疾病评价及患病风险评估方法及装置 |
CN107799160A (zh) * | 2017-10-26 | 2018-03-13 | 医渡云(北京)技术有限公司 | 用药辅助决策方法及装置、存储介质、电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108806799A (zh) | 2018-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108806799B (zh) | 治疗模式分类模型的建立方法、装置、介质及电子设备 | |
Ross et al. | The HMO research network virtual data warehouse: a public data model to support collaboration | |
CN107799160B (zh) | 用药辅助决策方法及装置、存储介质、电子设备 | |
CN111813963B (zh) | 知识图谱构建方法、装置、电子设备及存储介质 | |
CN111290924B (zh) | 监控方法、装置及电子设备 | |
US20120047114A1 (en) | Enforcing query policies over resource description framework data | |
CN109634941B (zh) | 医疗数据处理方法、装置、电子设备及存储介质 | |
Hecht et al. | Male breast cancer. | |
Hill et al. | Stepwise distributed open innovation contests for software development: acceleration of genome-wide association analysis | |
Rinner et al. | A Clinical Data Warehouse Based on OMOP and i2b2 for Austrian Health Claims Data. | |
CN112328551A (zh) | 医疗数据解析方法、装置、介质及电子设备 | |
CN110246590A (zh) | 一种血液病知识图谱数据库的构建方法 | |
Rojas et al. | Characterization of drug use patterns using process mining and temporal abstraction digital phenotyping | |
Reska et al. | Integration of solutions and services for multi-omics data analysis towards personalized medicine | |
CN113850075A (zh) | 医疗信息数据项目名称的标准化方法、系统、设备及介质 | |
Harris et al. | i2b2t2: unlocking visualization for clinical research | |
CN111048165A (zh) | 试验样本的确定方法及装置、计算机介质和电子设备 | |
CN113220896B (zh) | 多来源知识图谱生成方法、装置、终端设备 | |
Levin et al. | On being better kidney doctors: understanding trajectories, probabilities, predictability, and people | |
CN109299475B (zh) | 一种医学文档的处理方法、装置、介质及电子设备 | |
CN116504414B (zh) | 医疗数据查询方法、装置、电子设备以及存储介质 | |
Linnarsson et al. | A shared computer-based problem-oriented patient record for the primary care team. | |
CN115147963B (zh) | 车辆数字钥匙数据变化分析方法、系统、设备及存储介质 | |
US20230395209A1 (en) | Development and use of feature maps from clinical data using inference and machine learning approaches | |
CN114496143B (zh) | 临床数据与文献的关联方法、装置、电子设备及存储介质 |
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 |