CN108899070A - 处方推荐生成方法、装置、计算机设备和存储介质 - Google Patents
处方推荐生成方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN108899070A CN108899070A CN201810546854.8A CN201810546854A CN108899070A CN 108899070 A CN108899070 A CN 108899070A CN 201810546854 A CN201810546854 A CN 201810546854A CN 108899070 A CN108899070 A CN 108899070A
- Authority
- CN
- China
- Prior art keywords
- prescription
- word
- feature
- drug
- matching
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000003814 drug Substances 0.000 claims abstract description 186
- 229940079593 drug Drugs 0.000 claims abstract description 167
- 230000001575 pathological effect Effects 0.000 claims abstract description 101
- 238000010827 pathological analysis Methods 0.000 claims abstract description 61
- 239000000284 extract Substances 0.000 claims abstract description 22
- 238000004590 computer program Methods 0.000 claims description 28
- 238000012795 verification Methods 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 13
- 238000007689 inspection Methods 0.000 claims description 11
- 238000013178 mathematical model Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 abstract description 15
- 230000015572 biosynthetic process Effects 0.000 abstract description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 35
- 201000010099 disease Diseases 0.000 description 34
- 208000024891 symptom Diseases 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 9
- 230000036541 health Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000007170 pathology Effects 0.000 description 6
- UGJMXCAKCUNAIE-UHFFFAOYSA-N Gabapentin Chemical compound OC(=O)CC1(CN)CCCCC1 UGJMXCAKCUNAIE-UHFFFAOYSA-N 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000001356 surgical procedure Methods 0.000 description 4
- 206010020751 Hypersensitivity Diseases 0.000 description 3
- 229930182555 Penicillin Natural products 0.000 description 3
- JGSARLDLIJGVTE-MBNYWOFBSA-N Penicillin G Chemical compound N([C@H]1[C@H]2SC([C@@H](N2C1=O)C(O)=O)(C)C)C(=O)CC1=CC=CC=C1 JGSARLDLIJGVTE-MBNYWOFBSA-N 0.000 description 3
- 208000026935 allergic disease Diseases 0.000 description 3
- 230000007815 allergy Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 229940049954 penicillin Drugs 0.000 description 3
- 210000002784 stomach Anatomy 0.000 description 3
- 206010019233 Headaches Diseases 0.000 description 2
- 206010028748 Nasal obstruction Diseases 0.000 description 2
- 206010028813 Nausea Diseases 0.000 description 2
- 206010037660 Pyrexia Diseases 0.000 description 2
- 238000012550 audit Methods 0.000 description 2
- 239000002775 capsule Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229960002870 gabapentin Drugs 0.000 description 2
- 231100000869 headache Toxicity 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 210000003734 kidney Anatomy 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000008693 nausea Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000006386 neutralization reaction Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000035935 pregnancy Effects 0.000 description 2
- 208000037921 secondary disease Diseases 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- BSYNRYMUTXBXSQ-UHFFFAOYSA-N Aspirin Chemical compound CC(=O)OC1=CC=CC=C1C(O)=O BSYNRYMUTXBXSQ-UHFFFAOYSA-N 0.000 description 1
- 241000193830 Bacillus <bacterium> Species 0.000 description 1
- 241000894006 Bacteria Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 208000000059 Dyspnea Diseases 0.000 description 1
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- 206010015856 Extrasystoles Diseases 0.000 description 1
- 208000009205 Tinnitus Diseases 0.000 description 1
- 229930003270 Vitamin B Natural products 0.000 description 1
- 229960001138 acetylsalicylic acid Drugs 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000890 antigenic effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000003163 gonadal steroid hormone Substances 0.000 description 1
- 210000005096 hematological system Anatomy 0.000 description 1
- 208000026278 immune system disease Diseases 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 210000000582 semen Anatomy 0.000 description 1
- 208000013220 shortness of breath Diseases 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 231100000886 tinnitus Toxicity 0.000 description 1
- 235000019156 vitamin B Nutrition 0.000 description 1
- 239000011720 vitamin B Substances 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medicinal Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Pharmacology & Pharmacy (AREA)
- Toxicology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请涉及一种处方推荐生成方法、装置、计算机设备和存储介质。所述方法包括:提取病理诊断数据中的病理特征词;获取病理诊断数据中对应患者的个人档案信息,并从个人档案信息中提取档案特征词;按照预设组合条件将病理特征词和档案特征词进行组合,得到特征词组;将特征词组输入至对应的药品匹配模型中进行特征匹配;根据匹配结果中的药品清单生成处方推荐。采用本方法得到的处方推荐可供医生开具处方时参考,使处方生成过程无需医生综合考虑多方面因素进行繁杂的操作,简化了医疗处方的生成过程,同时避免了因医生失误导致处方反复修改的问题,提高了处方的生成效率。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种处方推荐生成方法、装置、计算机设备和存储介质。
背景技术
传统的医疗服务过程中,医生在与患者进行多番沟通,了解患者的病情并给出诊断结果后,会进一步根据诊断结果开具相应处方。而医生在开具处方时需要考虑多个方面的因素。例如,即使对于同一种疾病,不同患者的年龄、性别、生理时期和体质特点的不同,医生需要开具不同的处方药品和剂量。
目前,医疗服务中处方的生成过程繁杂,容易出现因医生考虑不周而进行反复修改的情况,影响了处方的生成效率。
发明内容
基于此,有必要针对上述技术问题,提供一种能够简化医疗处方的生成过程,提高处方的生成效率的处方推荐生成方法、装置、计算机设备和存储介质。
一种处方推荐生成方法,所述方法包括:
提取病理诊断数据中的病理特征词;
获取病理诊断数据中对应患者的个人档案信息,并从个人档案信息中提取档案特征词;
按照预设组合条件将病理特征词和档案特征词进行组合,得到特征词组;
将特征词组输入至对应的药品匹配模型中进行特征匹配;
根据匹配结果中的药品清单生成处方推荐。
在其中一个实施例中,按照预设组合条件将病理特征词和档案特征词进行组合,得到特征词组的步骤包括:
按照预设的优先级划分条件,将病理特征词和档案特征词进行优先级划分;
将划分后的病理特征词和档案特征词,按照优先级级别进行组合,得到特征词组。
在其中一个实施例中,将特征词组输入至对应的药品匹配模型中进行特征匹配的步骤包括:
按照特征词组中病理特征词和档案特征词的优先级级别,从高优先级到低优先级,将特征词组中的病理特征词和档案特征词依次输入至对应的药品匹配模型中进行特征匹配。
在其中一个实施例中,在将特征词组输入至对应的药品匹配模型中进行特征匹配的步骤之前,还包括:
将特征词组中的病理特征词和档案特征词均设为相互独立的类别变量;
根据贝叶斯定理和链式法则,构建类别变量的条件分布数学模型;
确定条件分布数学模型中的常数,得到药品匹配模型。
在其中一个实施例中,在将特征词组输入至对应的药品匹配模型中进行特征匹配的步骤之前,还包括:
确定病理诊断数据所属的医院职能科室;
查询与医院职能科室对应的药品匹配模型;
将特征词组输入至对应的药品匹配模型中进行特征匹配的步骤,包括:
将特征词组输入至与医院职能科室对应的药品匹配模型进行特征匹配。
在其中一个实施例中,在根据匹配结果中的药品清单生成处方推荐的步骤之后,还包括:
生成处方检验请求,处方检验请求用于请求终端对处方推荐进行检验;
将处方推荐和处方检验请求发送至终端;
根据终端返回的检验结果更新处方推荐。
在其中一个实施例中,档案特征词包括患者所处的地理位置;在根据匹配结果中的药品清单生成处方推荐的步骤之后,还包括:
查询地理位置内的药品仓库;
当药品仓库包括处方推荐中的药品时,根据处方推荐和药品仓库生成处方订单。
一种处方推荐生成装置,所述装置包括:
病理特征词提取模块,用于提取病理诊断数据中的病理特征词;
档案特征词提取模块,用于获取病理诊断数据对应患者的个人档案信息,并从个人档案信息中提取档案特征词;
特征词组获取模块,用于按照预设组合条件将病理特征词和档案特征词进行组合,得到特征词组;
特征匹配模块,用于将特征词组输入对应预设的药品匹配模型中进行特征匹配;
处方推荐生成模块,用于根据匹配结果中的药品清单生成处方推荐。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
提取病理诊断数据中的病理特征词;
获取病理诊断数据中对应患者的个人档案信息,并从个人档案信息中提取档案特征词;
按照预设组合条件将病理特征词和档案特征词进行组合,得到特征词组;
将特征词组输入至对应的药品匹配模型中进行特征匹配;
根据匹配结果中的药品清单生成处方推荐。
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以下步骤:
提取病理诊断数据中的病理特征词;
获取病理诊断数据中对应患者的个人档案信息,并从个人档案信息中提取档案特征词;
按照预设组合条件将病理特征词和档案特征词进行组合,得到特征词组;
将特征词组输入至对应的药品匹配模型中进行特征匹配;
根据匹配结果中的药品清单生成处方推荐。
上述处方推荐生成方法、装置、计算机设备和存储介质,一方面从病理诊断数据中提取病理特征词,另一方面从患者的个人档案信息中提取档案特征词,进一步将由病理特征词和档案特征词按照预组合条件组合得到的特征词组输入至药品匹配模型中进行特征匹配,最后根据匹配结果中的药品清单生成处方推荐。处方推荐可供医生开具处方时参考,使处方生成过程无需医生综合考虑多方面因素进行繁杂的操作,简化了医疗处方的生成过程,同时避免了因医生失误导致处方反复修改的问题,提高了处方的生成效率。
附图说明
图1为一个实施例中处方推荐生成方法的应用场景图;
图2为一个实施例中处方推荐生成方法的流程示意图;
图3为另一个实施例中处方推荐生成方法的流程示意图;
图4为另一个实施例中处方推荐生成方法的流程示意图;
图5为一个实施例中处方推荐生成装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的处方推荐生成方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104通过网络进行通信。终端102从服务器104获取病理诊断数据,一方面从病理诊断数据中提取病理特征词,另一方面从病理诊断数据中对应患者的个人档案信息中提取档案特征词,进一步由病理特征词和档案特征词按照预组合条件组合得到的特征词组输入至药品匹配模型中进行特征匹配,最后根据匹配结果中的药品清单生成处方推荐,终端102可以将得到的处方推荐发送至服务器104进行发布。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种处方推荐生成方法,以该方法应用于图1中的终端102为例进行说明,包括以下步骤:
S201,提取病理诊断数据中的病理特征词。
其中,病理诊断是医疗服务过程中,医生通过与患者沟通、根据患者的相关检查数据,了解患者的病情后逐步分析排除疑似病例,给出诊断结果的过程。病理诊断数据可以包括病理诊断报告,其反映了医生对患者的诊断结果。病理诊断报告可以直接反映确切的病理诊断结果,具体包括疾病部位、疾病名称、ICD-10疾病编码和症状表现等信息。病理诊断数据由医生与患者沟通后存储至服务器104中,终端102从服务器104中获取相关病理诊断数据。病理诊断数据一般为医生基于自然语言表述的诊断结果,其中可能包括无用的冗余信息,此时需要对病理诊断数据进行清洗,提取核心的病理特征词。
具体地,可以基于TextRank关键词提取算法对病理诊断数据进行病理特征词提取。其中,TextRank关键词提取算法是一种用于文本的基于图的排序算法,其基本思想为通过把文本分割成若干组成单元(单词、句子)并建立图模型,利用投票机制对文本中的重要成分进行排序,仅利用单篇文档本身的信息即可实现关键词提取、文摘。在具体应用中,可以根据病理诊断数据中各词组的词性进行判断,例如代词、副词等可以初步判断为冗余数据;也可以基于对临床数据的大数据分析,根据各词组的语义进行判断,而提取出核心的病理特征词。病理特征词可以包括但不限于病症部位、症状表现和疾病名称等。例如,若病理诊断数据中包括“受凉导致感冒,引发发烧,出现头痛、鼻塞”的表述,则可以将动词“导致”“引发”“出现”等冗余数据剔除,提取出“受凉”“感冒”“发烧”“头痛”和“鼻塞”等核心的病理特征词。通过从病理诊断数据中提取病理特征词,可以有效清除冗余、无用数据,以便确保后续处方生成的处理效率及准确度。
S203,获取病理诊断数据中对应患者的个人档案信息,并从个人档案信息中提取档案特征词。
病理诊断数据是基于当次病理诊断过程中对应患者的病情得到的。个人档案信息为病理诊断数据中对应患者的个人信息,具体可以包括但不限于性别、年龄、地域、体质特点、过敏源和既往病史等。在具体实现时,患者的个人档案信息可以向服务器104发送请求,从患者的注册信息、系统的健康档案中直接获取,其中,注册信息可以为患者用于注册医疗系统时所预留的信息,一般包括年龄、性别等;健康档案是医疗服务系统为已注册患者所建立的档案数据,除了个人基本信息,如出生日期、年龄、性别外,健康档案还可以记录有用户的既往病史、过敏源等医疗健康信息。进一步地,可以在患者每次进行病理诊断时,从病理诊断过程中提取相关数据,存储更新至患者对应的健康档案中,以便及时更新健康档案,保证患者健康档案中个人档案信息的准确性。
获得患者的个人档案信息后,从中提取档案特征词,例如可以包括病患对象、过敏源和既往病史等档案特征词。其中,病患对象可以包括性别、年龄,例如“16岁”“男”,过敏源包括会导致患者引起变态反应的抗原物质,例如“青霉素”;既往病史包括患者历史的诊疗数据,具体可以包括历史问诊数据、历史诊断数据、历史治疗数据及用药效果等数据。
S205,按照预设组合条件病理特征词和档案特征词进行组合,得到特征词组。
得到病理特征词和档案特征词后,结合病理特征词和档案特征词进一步生成特征词组。特征词组为病理特征词和档案特征词按照预设的组合条件进行组合得到。例如,可以按照预设的优先级划分条件进行优先级划分后,优先级可以反映出重要程度,再按照优先级级别进行组合,得到该特征词组。
例如,若患者的病理特征词中包括“恶心”“干呕”,而其对应档案特征词包括“男性”,则可以确定档案特征词中表征性别的“男性”优先级高于病理特征词中表征症状表现的“恶心”“干呕”,以此可以直接排除与妊娠反应相关的判断,即排除与妊娠相关处方的判断。在具体实现时,病理特征词和档案特征词的组合条件可以由各医院智能科室进行对应设置。
S207,将特征词组输入至对应的药品匹配模型中进行特征匹配。
药品匹配模型包括各种药品特征的映射关系,该映射关系可以但不限于为从各种药品的药名、药品编号、使用对象、用法、功能、用量和禁忌等信息中提取的药品特征词组成,通过映射关系可以唯一确定对应的药品。通过药品匹配模型可以实现特征词组与药品特征的特征匹配,其可以根据输入的特征词组进行药品匹配,输出匹配的药品。具体的,药品匹配模型可以为基于贝叶斯算法得到的朴素贝叶斯概率模型,其可以根据输入的特征词组统计各药品的概率,并输出概率最高的药品。
药品匹配模型也可以基于人工神经网络算法得到的药品匹配神经网络,药品匹配神经网络可以为多层架构,如可以按照特征词组的优先级划分进行神经网络层结构划分,例如,若特征词组分为高、中和低三个优先级别,则药品匹配神经网络可以对应设置为三层隐藏层的结构,以与特征词组的优先级划分对应。
在具体实现时,各医院职能科室对应的药品匹配模型可能不同,此时,可以先查询与医院职能科室对应的药品匹配模型后,再将特征词组输入进行特征匹配,得到相应输出结果。
S209,根据匹配结果中的药品清单生成处方推荐。
其中,处方是医生为患者开具的药品清单,为医生对病人用药的书面文件,是药剂人员调配药品的依据,处方推荐可以为作为医生开具处方时的参考,特别地,若处方推荐中药品清单合适,则可以直接作为处方。药品匹配模型根据输入的特征词组进行特征匹配后,输出的匹配结果中包括各种药品,根据该药品生成药品清单,得到处方推荐。
上述处方推荐生成方法中,一方面从病理诊断数据中提取病理特征词,另一方面从患者的个人档案信息中提取档案特征词,进一步将由病理特征词和档案特征词按照预组合条件组合得到的特征词组输入至药品匹配模型中进行特征匹配,最后根据匹配结果中的药品清单生成处方推荐。处方推荐可供医生开具处方时参考,使处方生成过程无需医生综合考虑多方面因素进行繁杂的操作,简化了医疗处方的生成过程,同时避免了因医生失误导致处方反复修改的问题,提高了处方的生成效率。
在其中一个实施例中,按照预设组合条件将病理特征词和档案特征词进行组合,得到特征词组的步骤包括:按照预设的优先级划分条件,将病理特征词和档案特征词进行优先级划分;将划分后的病理特征词和档案特征词,按照优先级级别进行组合,得到特征词组。
特征词组由病理特征词和档案特征词按照预设的组合条件进行组合得到,组合条件可以以医院职能科室为单位进行划分,即为各医院职能科室分别设置对应的组合条件。本实施例中,按照优先级划分对病理特征词和档案特征词进行组合得到特征词组。
具体地,查询预设的优先级划分条件,并按照该优先级划分条件将病理特征词和档案特征词进行优先级划分。从病理诊断数据中提取病理特征词和从患者的个人档案信息中提取的档案特征词涉及的类别众多,各类别的特征词对于处方生成的影响权重并不同,如对于年龄未满18岁的未成年患者而言,针对成人的药物并不适用,此时患者的年龄对于处方药品的影响大,优先级高;又如对于性别为男的患者而言,则针对妇科疾病的药物也不适用,此时患者的性别优先级高;再如,患者病症部位为胃时,则针对大脑或肾等器官的药物也不适用作为对应的处方药品。本实施例中,将病理特征词和档案特征词进行优先级划分,可以区分出各类别特征词在处方生成时的所占权重,以提高药品匹配时的效率和准确度。
在将病理特征词和档案特征词划分后,按照优先级级别进行组合,得到特征词组。在具体应用时,按照优先级从高到低进行特征词组合,得到按照优先级高低排序的特征词组。也可以为每个优先级级别设定优先级标识,再为每个特征词添加优先级标识,根据特征词和对应的优先级标识得到特征词组,在后续使用该特征词组时,按照优先级标识选择对应的特征词进行操作。通过按照优先级条件进行特征词组合,可以反映出各类别特征词的重要程度,能够有效地提高处方生成时药品匹配的效率和匹配准确度。
在其中一个实施例中,病理特征词包括疾病部位、疾病名称和症状表现,档案特征词包括病患对象、过敏源和既往病史;将病理特征词和档案特征词进行优先级划分的步骤包括:将病患对象和过敏源划分为高优先级的特征词;将疾病部位和疾病名称划分为中优先级的特征词;将症状表现和既往病史划分为低优先级的特征词。
其中,疾病部位反映了疾病直接涉及的器官、系统等部位,如呼吸系统、胃、肾等;疾病名称可以为目前医疗服务系统中所采用的国家标准疾病分类中的疾病名称,如肠胃炎;症状表现包括但不限于患者所表述的症状、感受及临床中常用表达,如头晕、耳鸣、气短等。病患对象可以包括患者的性别、年龄、生理时期等,过敏源包括会导致患者引起过敏反应的物质,既往病史可以包括但不限于患者的历史问诊数据、历史诊断数据、历史治疗数据及用药效果等。
在将病理特征词和档案特征词进行优先划分时,可以将病患对象和过敏源划分为高优先级的特征词,例如,性别为女性,年龄为25岁,过敏源包括青霉素的患者,则可以优秀排除涉及青霉素及未成年人药物,特别的,某些男性专用药物,如涉及雄性激素等也可直接排除。进一步地,将疾病部位和疾病名称划分为中优先级的特征词;将症状表现和既往病史划分为低优先级的特征词。在具体应用时,可以按照优先级级别进行药品特征匹配,如按照先病患对象和过敏源,次疾病部位和疾病名称,末症状表现和既往病史的顺序进行药品特征匹配,以在确保药品用药效果即用药安全的前提下,提高药品匹配效率,从而提高了处方生成效率。
在其中一个实施例中,将特征词组输入至对应的药品匹配模型中进行特征匹配的步骤包括:按照特征词组中病理特征词和档案特征词的优先级级别,从高优先级到低优先级,将特征词组中的病理特征词和档案特征词依次输入至对应的药品匹配模型中进行特征匹配。
本实施例中,特征词组由病理特征词和档案特征词进行优先级划分后组合得到,可以按照特征词组中各特征词的优先级级别,如按照从高优先级到低优先级的顺序,将特征词组中的病理特征词和档案特征词依次输入至对应的药品匹配模型中,进行特征匹配。例如,按照先病患对象和过敏源,次疾病部位和疾病名称,末症状表现和既往病史的顺序将特征词组中的病理特征词和档案特征词输入至药品匹配模型中进行特征匹配,得到匹配结果。
在其中一个实施例中,在将特征词组输入至对应的药品匹配模型中进行特征匹配的步骤之前,还包括:将特征词组中的病理特征词和档案特征词均设为相互独立的类别变量;根据贝叶斯定理和链式法则,构建类别变量的条件分布数学模型;确定条件分布数学模型中的常数,得到药品匹配模型。
其中,药品匹配模型可以为基于贝叶斯算法构建的朴素贝叶斯概率模型,其为一个条件概率模型p(C|F1,...,Fn)。具体地,假定特征词组中的病理特征词和档案特征词为独立的类别变量,则独立的类别变量C有若干类别,条件依赖于若干特征变量F1,F2,...,Fn。当类别变量C的特征数量n较大或者每个特征能取大量值,即基于概率模型列出概率表变得不现实时,根据贝叶斯定理得到式(1):
式中,分母不依赖于C而且任意特征Fi的值是给定的,于是分母可以认为是一个常数,而分子就等价于联合分布模型,重复使用链式法则,可将该式(1)写成条件概率的形式,得到式(2):
p(Ck,x1,...,xn)=p(x1,...,xn,Ck)
=p(x1|x2,...,xn,Ck)p(x2,...,xn,Ck)
=p(x1|x2,...,xn,Ck)p(x2|x3,...,xn,Ck)p(x3,...,xn,Ck)
=...
=p(x1|x2,...,xnCk)p(x2|x3,...,xn,Ck)...p(xn-1|xn,Ck)p(xn|Ck)p(Ck)
(2)
此时,考虑到已假定特征词组中的病理特征词和档案特征词为独立的类别变量,即每个特征Fi对于其他特征Fj是条件独立的,即p(Fi|C,Fj)=p(Fi|C),则有式(3):
进一步地,类别变量C的条件分布可以表达为如下式:
其中Z是一个只依赖与F1,...,Fn等的缩放因子,当特征变量的值已知时是一个常数。由此,可以进一步得到朴素贝叶斯概率模型:
该朴素贝叶斯概率模型即为药品匹配模型,可以计算各病理特征词和档案特征词出现时,处方中需要某一药品的概率,最后从中选择满足预设概率阈值的药品作为匹配结果输出。
在另一个实施例中,药品匹配模型也可以为基于人工神经网络算法得到的药品匹配神经网络,药品匹配神经网络可以为多层架构,如可以按照特征词组的优先级划分进行神经网络层结构划分,例如,若特征词组分为高、中和低三个优先级别,则药品匹配神经网络可以对应设置为三层隐藏层的结构,以与特征词组的优先级划分对应。本实施例中,药品匹配神经网络为卷积神经网络,在训练时,可以包括正向求值和反向传播两方面。其中,正向求值是由神经网络从输入计算得到预测输出的过程;反向传播是通过对参数w和b计算梯度的过程。通过对正向求值的结果,不断计算真实值与预测值之间的损失结果,然后再使用反向传播的算法不断循环迭代,使达到对所有训练样本的损失函数结果最小,以确保匹配结果准确可信。
此外,药品匹配模型也可以为其他类型的匹配模型,如以Bernoulli(伯努利)分布为模型建模的Logistic分类器、以多项式分布为模型建模的Softmax分类器等。药品匹配模型可以根据特征词组中病理特征词和档案特征词的数目进行选择,在具体应用中,药品匹配模型可以以医院职能科室为单位进行划分,为各医院职能科室分别设置不同的、适合该科室的药品匹配模型,以确保药品特征匹配效率和匹配结果的可信度。
在其中一个实施例中,如图3所示,提供了一种处方推荐生成方法。本实施例相比于图1所示实施例,将特征词组输入至对应的药品匹配模型中进行特征匹配的步骤之前,还包括:
S301,确定病理诊断数据所属的医院职能科室。
其中,医院职能科室可以为按照医疗服务中疾病类型进行划分得到的,例如可以划分为内科(血液系统类疾病)、外科(外部疾病)、妇产科、传染科。其中,外科下属骨外科、肝胆外科、神经外科、五官科、皮肤科、泌尿外科、烧伤外科;内科下属分为呼吸病科、循环病科、消化病科、泌尿系统疾病科、血液病科、内分泌代谢病科、风湿免疫病科、神经系统科、儿科。在具体应用时,医院职能科室划分可以根据实际应用进行调整。一般的,在医疗服务过程中,均会细分到对应医院职能科室,而各医院职能科室所服务的疾病种类并不相同。
本实施例中,在得到特征词组后,进一步确定病理诊断数据所属的医院职能科室。各医院职能科室具体服务的疾病类型并不相同,其具体涉及的诊疗方法也不尽相同,所以其药品匹配模型也是依据本科室的特点进行针对性设计得到的。具体地,可以直接从病理诊断数据中确定其所属的医院职能科室,也可以根据得到的特征词组进行分析得到,还可以根据病理诊断数据中对应患者挂号信息确定其所属的医院职能科室。
S303,查询与医院职能科室对应的药品匹配模型。
确定病理诊断数据所属的医院职能科室后,查询该科室对应的药品匹配模型。各医院职能科室是依据本科室的特点进行针对性设计得到的,在确定病理诊断数据所属科室后,将其输入至对应科室的药品匹配模型中进行特征匹配,能够实现有针对性地药品匹配,有效提高匹配结果的可信度。
将特征词组输入至对应的药品匹配模型中进行特征匹配的步骤,包括:S305,将特征词组输入至与医院职能科室对应的药品匹配模型进行特征匹配。
药品匹配模型包括该医院职能科室下可能设计的各种药品特征的映射关系,该映射关系可以但不限于为从各种药品的药名、药品编号、使用对象、用法、功能、用量和禁忌等信息中提取的药品特征词组成,通过映射关系可以唯一确定对应的药品。通过药品匹配模型可以实现特征词组与药品特征的特征匹配,其可以根据输入的特征词组进行药品匹配,输出匹配的药品。
在其中一个实施例中,在根据匹配结果中的药品清单生成处方推荐的步骤之后,还包括:生成处方检验请求,处方检验请求用于请求终端对处方推荐进行检验;将处方推荐和处方检验请求发送至终端;根据终端返回的检验结果更新处方推荐。
处方推荐生成后,基于医学严谨性考虑,可以对生成的处方推荐进行校验、修改,进一步确保处方用药的安全性。具体地,在生成处方推荐后,可以进一步生成用于请求医生终端对处方推荐进行检验的处方检验请求。在具体应用时,可以生成处方检验请求,并将处方推荐和处方检验请求发送至服务器104,由服务器104转发至对应的医生终端进行审核及确认。当接收到医生终端返回的校验结果后,根据该校验结果更新处方推荐。例如,某一实施例中,生成的处方推荐中的药品清单包括:加巴喷丁胶囊、聚维酮碘溶液、小麦纤维素颗粒、枯草杆菌二联活菌颗粒;将处方推荐发送至医生终端进行检验后,接收到返回的检验结果为将加巴喷丁胶囊修改为维生素B,则根据该检验结果,对应修改处方推荐,得到检验后的处方推荐作为处方,再通过服务器104进行发布。
在其中一个实施例中,档案特征词包括患者所处的地理位置;在根据匹配结果中的药品清单生成处方推荐的步骤之后,还包括:查询地理位置内的药品仓库;当药品仓库包括处方推荐中的药品时,根据处方推荐和药品仓库生成处方订单。
随着互联网技术的不断发展,越来越多的人选择通过网络进行购物,甚至购药,基于此,可以根据生成的处方推荐进一步生成订单,以实现处方生成、处方订单一体化,有效提高目前医疗服务的效率。具体地,可以从档案特征词中提取到患者所处的地理位置,在根据匹配结果得到处方推荐后,查询该患者地理位置内的药品仓库,当药品仓库包括处方推荐中的药品时,根据处方推荐和药品仓库生成处方订单并下发。处方订单的生成考虑了患者所处的地理位置,能够有效避免一个上海的用户需要阿司匹林时,开具南昌药品仓库中库存的处方订单,导致药品寄达时错过用药有效期的问题。
在另一个实施例中,如图4所示,提供了一种处方推荐生成方法,包括以下步骤:
S401,提取病理诊断数据中的病理特征词。
其中,病理诊断数据可以为终端102由服务器104发送获得,包括病理诊断报告,其反映了医生对患者的诊断结果。病理特征词可以包括但不限于病症部位、症状表现和疾病名称等,其反映了病理诊断数据中与疾病最相关的核心词汇。
S402,获取病理诊断数据中对应患者的个人档案信息,并从个人档案信息中提取档案特征词。
个人档案信息为病理诊断数据中对应患者的个人信息,具体可以包括但不限于性别、年龄、地域、体质特点、过敏源和既往病史等。本实施例中,个人档案信息由终端102向服务器104发送档案信息获取请求从而得到。
S403,将病患对象和过敏源划分为高优先级的特征词;
S404,将疾病部位和疾病名称划分为中优先级的特征词;
S405,将症状表现和既往病史划分为低优先级的特征词。
本实施中,病理特征词包括疾病部位、疾病名称和症状表现,档案特征词包括病患对象、过敏源和既往病史。通过步骤S403~S405,按照病理特征词和档案特征词各类别的优先级进行划分。
S406,将划分后的病理特征词和档案特征词,按照优先级级别进行组合,得到特征词组。
将病理特征词和档案特征词划分后,按照各特征词的优先级级别进行组合得到特征词组。其中,通过对特征词中的各病理特征词和档案特征词添加对应的优先级标识以区别其优先级。
S407,确定病理诊断数据所属的医院职能科室;
S408,查询与医院职能科室对应的药品匹配模型;
S409,将特征词组输入至与医院职能科室对应的药品匹配模型进行特征匹配。
本实施例中,在得到特征词组后,进一步确定所述的医院职能科室,查询该科室对应的药品匹配模型,其药品匹配模型是依据本科室的特点进行针对性设计得到的,然后将特征词组输入至查询得到的药品匹配模型中进行特征匹配。
S410,根据匹配结果中的药品清单生成处方推荐。
药品匹配模型根据输入的特征词组进行特征匹配后,输出的匹配结果中包括各种药品,根据该药品生成药品清单,得到处方。
S411,生成处方检验请求,处方检验请求用于请求终端对处方推荐进行检验;
S412,将处方推荐和处方检验请求发送至终端;
S413,根据终端返回的检验结果更新处方推荐。
本实施例中,处方推荐生成后,对生成的处方推荐进行校验、修改,进一步确保处方用药的安全性。具体地,在生成处方推荐后,生成处方检验请求,并将处方推荐和处方检验请求发送至服务器104,由服务器104转发至对应的医生终端进行审核及确认。当接收到医生终端返回的校验结果后,根据该校验结果更新处方推荐,更新后的处方推荐可作为最终处方。
S414,查询地理位置内的药品仓库;
S415,当药品仓库包括处方推荐中的药品时,根据处方推荐和药品仓库生成处方订单。
本实施例支持根据处方在线生成处方订单,实现处方生成、处方订单一体化。具体地,从档案特征词中提取到患者所处的地理位置,在根据匹配结果得到处方推荐后,查询该患者地理位置内的药品仓库,当药品仓库包括处方推荐中的药品时,根据处方推荐和药品仓库生成处方订单并下发。
本实施例提供的处方推荐生成方法,一方面从病理诊断数据中提取病理特征词,另一方面从患者的个人档案信息中提取档案特征词,进一步将由病理特征词和档案特征词按照优先级级别进行组合得到的特征词组输入至药品匹配模型中进行特征匹配,最后根据匹配结果中的药品清单生成处方推荐。处方推荐可供医生开具处方时参考,使处方生成过程无需医生综合考虑多方面因素进行繁杂的操作,简化了医疗处方的生成过程,同时避免了因医生失误导致处方反复修改的问题,提高了处方的生成效率。
此外,本实施例中还将病理特征词和档案特征词按照优先级进行组合,为各类别的特征词提供设置不同的处方生成权重,确保了处方生成的效率和可信度。进一步地,按照医院职能科室为单位进行药品匹配模型设置,以适应各种科室的特点,提高处方的生成效率。更进一步地,在处方推荐生成,由医生终端进行审核修改,可以将更新后的处方推荐进行作为处方,并结合患者所处的地理位置生成对应处方订单,实现了处方生成、处方订单一体化,有效提高了目前医疗服务的效率。
应该理解的是,虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种处方推荐生成装置,包括:病理特征词提取模块501、档案特征词提取模块503、特征词组获取模块505、特征匹配模块507和处方推荐生成模块509,其中:
病理特征词提取模块501,用于提取病理诊断数据中的病理特征词;
档案特征词提取模块503,用于获取病理诊断数据对应患者的个人档案信息,并从个人档案信息中提取档案特征词;
特征词组获取模块505,用于按照预设组合条件将病理特征词和档案特征词进行组合,得到特征词组;
特征匹配模块507,用于将特征词组输入对应预设的药品匹配模型中进行特征匹配;
处方推荐生成模块509,用于根据匹配结果中的药品清单生成处方推荐。
上述处方推荐生成装置,一方面通过病理特征词提取模块从病理诊断数据中提取病理特征词,另一方面通过档案特征词提取模块从患者的个人档案信息中提取档案特征词,进一步通过特征匹配模块将由病理特征词和档案特征词按照预组合条件组合得到的特征词组输入至药品匹配模型中进行特征匹配,最后由处方生成模块根据匹配结果中的药品清单生成处方推荐。处方推荐可供医生开具处方时参考,使处方生成过程无需医生综合考虑多方面因素进行繁杂的操作,简化了医疗处方的生成过程,同时避免了因医生失误导致处方反复修改的问题,提高了处方的生成效率。
在一个实施例中,特征词组获取模块505包括特征词划分单元和特征词组合单元,其中:特征词划分单元,用于按照预设的优先级划分条件,将病理特征词和档案特征词进行优先级划分;特征词组合单元,用于将划分后的病理特征词和档案特征词,按照优先级级别进行组合,得到特征词组。
在一个实施例中,特征匹配模块507包括优先级匹配单元,用于按照特征词组的优先级级别,从高优先级到低优先级将特征词组依次输入至对应的药品匹配模型中进行特征匹配。
在一个实施例中,还包括类别变量模块、条件分布模块和常数确定模块,其中,类别变量模块,用于将特征词组中的病理特征词和档案特征词均设为相互独立的类别变量;条件分布模块,用于根据贝叶斯定理和链式法则,构建类别变量的条件分布数学模型;常数确定模块,用于确定条件分布数学模型中的常数,得到药品匹配模型。
在一个实施例中,还包括科室确定模块和匹配模型查询模块,其中:科室确定模块,用于确定病理诊断数据所属的医院职能科室;匹配模型查询模块,用于查询与医院职能科室对应的药品匹配模型;特征匹配模块包括科室特征匹配单元,用于将特征词组输入至与医院职能科室对应的药品匹配模型进行特征匹配。
在一个实施例中,还包括检验请求模块、请求发送模块和处方更新模块,其中:检验请求模块,用于生成处方检验请求,处方检验请求用于请求终端对处方推荐进行检验;请求发送模块,用于将处方推荐和处方检验请求发送至终端;处方更新模块,用于根据终端返回的检验结果更新处方推荐。
在一个实施例中,档案特征词包括患者所处的地理位置;处方推荐生成装置还包括仓库查询模块和处方订单生成模块,其中:仓库查询模块,用于查询地理位置内的药品仓库;处方订单生成模块,用于当药品仓库包括处方推荐中的药品时,根据处方推荐和药品仓库生成处方订单。
关于处方推荐生成装置的具体限定可以参见上文中对于处方推荐生成方法的限定,在此不再赘述。上述处方推荐生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种处方推荐生成方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
提取病理诊断数据中的病理特征词;
获取病理诊断数据中对应患者的个人档案信息,并从个人档案信息中提取档案特征词;
按照预设组合条件将病理特征词和档案特征词进行组合,得到特征词组;
将特征词组输入至对应的药品匹配模型中进行特征匹配;
根据匹配结果中的药品清单生成处方推荐。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
按照预设的优先级划分条件,将病理特征词和档案特征词进行优先级划分;将划分后的病理特征词和档案特征词,按照优先级级别进行组合,得到特征词组。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
按照特征词组中病理特征词和档案特征词的优先级级别,从高优先级到低优先级,将特征词组中的病理特征词和档案特征词依次输入至对应的药品匹配模型中进行特征匹配。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将特征词组中的病理特征词和档案特征词均设为相互独立的类别变量;根据贝叶斯定理和链式法则,构建类别变量的条件分布数学模型;确定条件分布数学模型中的常数,得到药品匹配模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
确定病理诊断数据所属的医院职能科室;查询与医院职能科室对应的药品匹配模型;将特征词组输入至与医院职能科室对应的药品匹配模型进行特征匹配。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
生成处方检验请求,处方检验请求用于请求终端对处方推荐进行检验;将处方推荐和处方检验请求发送至终端;根据终端返回的检验结果更新处方推荐。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
查询地理位置内的药品仓库;当药品仓库包括处方推荐中的药品时,根据处方推荐和药品仓库生成处方订单。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
提取病理诊断数据中的病理特征词;
获取病理诊断数据中对应患者的个人档案信息,并从个人档案信息中提取档案特征词;
按照预设组合条件将病理特征词和档案特征词进行组合,得到特征词组;
将特征词组输入至对应的药品匹配模型中进行特征匹配;
根据匹配结果中的药品清单生成处方推荐。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
按照预设的优先级划分条件,将病理特征词和档案特征词进行优先级划分;将划分后的病理特征词和档案特征词,按照优先级级别进行组合,得到特征词组。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
按照特征词组中病理特征词和档案特征词的优先级级别,从高优先级到低优先级,将特征词组中的病理特征词和档案特征词依次输入至对应的药品匹配模型中进行特征匹配。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将特征词组中的病理特征词和档案特征词均设为相互独立的类别变量;根据贝叶斯定理和链式法则,构建类别变量的条件分布数学模型;确定条件分布数学模型中的常数,得到药品匹配模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
确定病理诊断数据所属的医院职能科室;查询与医院职能科室对应的药品匹配模型;将特征词组输入至与医院职能科室对应的药品匹配模型进行特征匹配。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
生成处方检验请求,处方检验请求用于请求终端对处方推荐进行检验;将处方推荐和处方检验请求发送至终端;根据终端返回的检验结果更新处方推荐。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
查询地理位置内的药品仓库;当药品仓库包括处方推荐中的药品时,根据处方推荐和药品仓库生成处方订单。
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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上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申请的几种实施方式,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,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种处方推荐生成方法,所述方法包括:
提取病理诊断数据中的病理特征词;
获取所述病理诊断数据中对应患者的个人档案信息,并从所述个人档案信息中提取档案特征词;
按照预设组合条件将所述病理特征词和所述档案特征词进行组合,得到特征词组;
将所述特征词组输入至对应的药品匹配模型中进行特征匹配;
根据匹配结果中的药品清单生成处方推荐。
2.根据权利要求1所述的方法,其特征在于,所述按照预设组合条件将所述病理特征词和所述档案特征词进行组合,得到特征词组的步骤包括:
按照预设的优先级划分条件,将所述病理特征词和所述档案特征词进行优先级划分;
将划分后的所述病理特征词和所述档案特征词,按照优先级级别进行组合,得到所述特征词组。
3.根据权利要求2所述的方法,其特征在于,所述将所述特征词组输入至对应的药品匹配模型中进行特征匹配的步骤包括:
按照所述特征词组中所述病理特征词和所述档案特征词的优先级级别,从高优先级到低优先级,将所述特征词组中的所述病理特征词和所述档案特征词依次输入至对应的药品匹配模型中进行特征匹配。
4.根据权利要求1所述的方法,其特征在于,在所述将所述特征词组输入至对应的药品匹配模型中进行特征匹配的步骤之前,还包括:
将所述特征词组中的所述病理特征词和档案特征词均设为相互独立的类别变量;
根据贝叶斯定理和链式法则,构建所述类别变量的条件分布数学模型;
确定所述条件分布数学模型中的常数,得到所述药品匹配模型。
5.根据权利要求1所述的方法,其特征在于,在所述将所述特征词组输入至对应的药品匹配模型中进行特征匹配的步骤之前,还包括:
确定所述病理诊断数据所属的医院职能科室;
查询与所述医院职能科室对应的药品匹配模型;
所述将特征词组输入至对应的药品匹配模型中进行特征匹配的步骤,包括:
将所述特征词组输入至与所述医院职能科室对应的药品匹配模型进行特征匹配。
6.根据权利要求1至5任意一项所述的方法,其特征在于,在所述根据匹配结果中的药品清单生成处方推荐的步骤之后,还包括:
生成处方检验请求,所述处方检验请求用于请求终端对所述处方推荐进行检验;
将所述处方推荐和所述处方检验请求发送至所述终端;
根据所述终端返回的检验结果更新所述处方推荐。
7.根据权利要求6所述的方法,其特征在于,所述档案特征词包括所述患者所处的地理位置;在所述根据匹配结果中的药品清单生成处方推荐的步骤之后,还包括:
查询所述地理位置内的药品仓库;
当所述药品仓库包括所述处方推荐中的药品时,根据所述处方推荐和所述药品仓库生成处方订单。
8.一种处方推荐生成装置,其特征在于,所述装置包括:
病理特征词提取模块,用于提取病理诊断数据中的病理特征词;
档案特征词提取模块,用于获取所述病理诊断数据中对应患者的个人档案信息,并从所述个人档案信息中提取档案特征词;
特征词组获取模块,用于按照预设组合条件将所述病理特征词和所述档案特征词进行组合,得到特征词组;
特征匹配模块,用于将所述特征词组输入至对应的药品匹配模型中进行特征匹配;
处方推荐生成模块,用于根据匹配结果中的药品清单生成处方推荐。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一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至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810546854.8A CN108899070B (zh) | 2018-05-31 | 2018-05-31 | 处方推荐生成方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810546854.8A CN108899070B (zh) | 2018-05-31 | 2018-05-31 | 处方推荐生成方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108899070A true CN108899070A (zh) | 2018-11-27 |
CN108899070B CN108899070B (zh) | 2024-02-02 |
Family
ID=64343438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810546854.8A Active CN108899070B (zh) | 2018-05-31 | 2018-05-31 | 处方推荐生成方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108899070B (zh) |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109637658A (zh) * | 2018-12-10 | 2019-04-16 | 北京唐冠天朗科技开发有限公司 | 一种信息处理方法及系统 |
CN109785311A (zh) * | 2019-01-14 | 2019-05-21 | 深圳和而泰数据资源与云技术有限公司 | 一种疾病诊断方法及相关设备 |
CN109920508A (zh) * | 2018-12-28 | 2019-06-21 | 安徽省立医院 | 处方审核方法及系统 |
CN110033863A (zh) * | 2019-04-23 | 2019-07-19 | 科大讯飞股份有限公司 | 应用于临床决策支持系统的不合理疾病诊断检测方法、装置 |
CN110047584A (zh) * | 2019-04-23 | 2019-07-23 | 清华大学 | 基于深度学习的医院分诊方法、系统、装置及介质 |
CN110210018A (zh) * | 2019-05-14 | 2019-09-06 | 北京百度网讯科技有限公司 | 挂号科室的匹配方法和装置 |
CN110310737A (zh) * | 2018-12-07 | 2019-10-08 | 广州华久信息科技有限公司 | 一种中医体质养生的智能移动终端 |
CN110660482A (zh) * | 2019-09-29 | 2020-01-07 | 北京一药良心信息科技有限公司 | 一种基于大数据的中医处方智能推荐系统及其控制方法 |
CN110706811A (zh) * | 2019-09-29 | 2020-01-17 | 北京一药良心信息科技有限公司 | 一种中医辅助开方系统及其控制方法 |
CN110706788A (zh) * | 2019-09-29 | 2020-01-17 | 北京一药良心信息科技有限公司 | 一种远程中医诊疗方法和系统 |
CN110717096A (zh) * | 2019-09-06 | 2020-01-21 | 平安医疗健康管理股份有限公司 | 单据数据提取方法、装置、计算机设备和存储介质 |
CN110880361A (zh) * | 2019-10-16 | 2020-03-13 | 平安科技(深圳)有限公司 | 一种个性化精准用药推荐方法及装置 |
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 |
CN111104476A (zh) * | 2019-12-19 | 2020-05-05 | 用友网络科技股份有限公司 | 档案数据生成方法、档案数据生成装置和可读存储介质 |
CN111128376A (zh) * | 2019-11-21 | 2020-05-08 | 泰康保险集团股份有限公司 | 一种推荐评估表单的方法和装置 |
CN111599433A (zh) * | 2020-04-14 | 2020-08-28 | 北京决明科技有限公司 | 一种药材的辅助开方方法、装置、存储介质及终端 |
CN112307345A (zh) * | 2020-11-09 | 2021-02-02 | 上海明略人工智能(集团)有限公司 | 一种基于感官感知进行智能诊断的方法及系统 |
CN112509662A (zh) * | 2021-02-04 | 2021-03-16 | 阿里健康科技(杭州)有限公司 | 一种复方生成方法、购药方法和装置 |
CN113140281A (zh) * | 2021-03-29 | 2021-07-20 | 华中科技大学同济医学院附属协和医院 | 一种血液肿瘤患者化疗用药的管理方法和管理系统 |
CN113628716A (zh) * | 2021-08-05 | 2021-11-09 | 翼健(上海)信息科技有限公司 | 一种处方推荐系统 |
CN113707253A (zh) * | 2021-08-30 | 2021-11-26 | 平安国际智慧城市科技股份有限公司 | 医疗方案推荐方法、装置、设备及介质 |
CN113744836A (zh) * | 2021-09-08 | 2021-12-03 | 平安科技(深圳)有限公司 | 基于自然语言处理的处方生成方法、装置、设备及介质 |
WO2022041729A1 (zh) * | 2020-08-31 | 2022-03-03 | 康键信息技术(深圳)有限公司 | 用药推荐方法、装置、设备及存储介质 |
CN116453646A (zh) * | 2023-06-15 | 2023-07-18 | 山东志诚普惠健康科技有限公司 | 一种基于医疗信息系统的自动化处方填写方法和装置 |
WO2023178978A1 (zh) * | 2022-03-23 | 2023-09-28 | 康键信息技术(深圳)有限公司 | 基于人工智能的处方审核方法、装置、设备及介质 |
WO2023240846A1 (zh) * | 2022-06-16 | 2023-12-21 | 康键信息技术(深圳)有限公司 | 基于人工智能的药品推荐方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021302A (zh) * | 2014-06-18 | 2014-09-03 | 北京邮电大学 | 一种基于贝叶斯文本分类模型的辅助挂号方法 |
CN107247868A (zh) * | 2017-05-18 | 2017-10-13 | 深思考人工智能机器人科技(北京)有限公司 | 一种人工智能辅助问诊系统 |
CN107346369A (zh) * | 2017-05-11 | 2017-11-14 | 北京紫宸正阳科技有限公司 | 一种医疗信息处理方法及装置 |
CN108009198A (zh) * | 2017-10-26 | 2018-05-08 | 康美健康云服务有限公司 | 基于用户行为推荐药品方法、系统、电子设备及存储介质 |
-
2018
- 2018-05-31 CN CN201810546854.8A patent/CN108899070B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021302A (zh) * | 2014-06-18 | 2014-09-03 | 北京邮电大学 | 一种基于贝叶斯文本分类模型的辅助挂号方法 |
CN107346369A (zh) * | 2017-05-11 | 2017-11-14 | 北京紫宸正阳科技有限公司 | 一种医疗信息处理方法及装置 |
CN107247868A (zh) * | 2017-05-18 | 2017-10-13 | 深思考人工智能机器人科技(北京)有限公司 | 一种人工智能辅助问诊系统 |
CN108009198A (zh) * | 2017-10-26 | 2018-05-08 | 康美健康云服务有限公司 | 基于用户行为推荐药品方法、系统、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
叶跃祥 等: "基于贝叶斯网络的不确定环境下多属性决策方法", pages 108 - 113 * |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110310737A (zh) * | 2018-12-07 | 2019-10-08 | 广州华久信息科技有限公司 | 一种中医体质养生的智能移动终端 |
CN109637658A (zh) * | 2018-12-10 | 2019-04-16 | 北京唐冠天朗科技开发有限公司 | 一种信息处理方法及系统 |
CN109920508A (zh) * | 2018-12-28 | 2019-06-21 | 安徽省立医院 | 处方审核方法及系统 |
CN109785311A (zh) * | 2019-01-14 | 2019-05-21 | 深圳和而泰数据资源与云技术有限公司 | 一种疾病诊断方法及相关设备 |
CN110033863A (zh) * | 2019-04-23 | 2019-07-19 | 科大讯飞股份有限公司 | 应用于临床决策支持系统的不合理疾病诊断检测方法、装置 |
CN110047584A (zh) * | 2019-04-23 | 2019-07-23 | 清华大学 | 基于深度学习的医院分诊方法、系统、装置及介质 |
CN110033863B (zh) * | 2019-04-23 | 2021-06-04 | 科大讯飞股份有限公司 | 应用于临床决策支持系统的不合理疾病诊断检测方法、装置 |
CN110210018A (zh) * | 2019-05-14 | 2019-09-06 | 北京百度网讯科技有限公司 | 挂号科室的匹配方法和装置 |
CN110210018B (zh) * | 2019-05-14 | 2023-07-11 | 北京百度网讯科技有限公司 | 挂号科室的匹配方法和装置 |
CN110717096A (zh) * | 2019-09-06 | 2020-01-21 | 平安医疗健康管理股份有限公司 | 单据数据提取方法、装置、计算机设备和存储介质 |
CN110660482A (zh) * | 2019-09-29 | 2020-01-07 | 北京一药良心信息科技有限公司 | 一种基于大数据的中医处方智能推荐系统及其控制方法 |
CN110706811A (zh) * | 2019-09-29 | 2020-01-17 | 北京一药良心信息科技有限公司 | 一种中医辅助开方系统及其控制方法 |
CN110706788A (zh) * | 2019-09-29 | 2020-01-17 | 北京一药良心信息科技有限公司 | 一种远程中医诊疗方法和系统 |
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 |
CN110880361A (zh) * | 2019-10-16 | 2020-03-13 | 平安科技(深圳)有限公司 | 一种个性化精准用药推荐方法及装置 |
CN111128376B (zh) * | 2019-11-21 | 2023-06-16 | 泰康保险集团股份有限公司 | 一种推荐评估表单的方法和装置 |
CN111128376A (zh) * | 2019-11-21 | 2020-05-08 | 泰康保险集团股份有限公司 | 一种推荐评估表单的方法和装置 |
CN111104476B (zh) * | 2019-12-19 | 2023-06-20 | 用友网络科技股份有限公司 | 档案数据生成方法、档案数据生成装置和可读存储介质 |
CN111104476A (zh) * | 2019-12-19 | 2020-05-05 | 用友网络科技股份有限公司 | 档案数据生成方法、档案数据生成装置和可读存储介质 |
CN111599433A (zh) * | 2020-04-14 | 2020-08-28 | 北京决明科技有限公司 | 一种药材的辅助开方方法、装置、存储介质及终端 |
CN111599433B (zh) * | 2020-04-14 | 2023-11-03 | 崔何珊 | 一种药材的辅助开方方法、装置、存储介质及终端 |
WO2022041729A1 (zh) * | 2020-08-31 | 2022-03-03 | 康键信息技术(深圳)有限公司 | 用药推荐方法、装置、设备及存储介质 |
CN112307345A (zh) * | 2020-11-09 | 2021-02-02 | 上海明略人工智能(集团)有限公司 | 一种基于感官感知进行智能诊断的方法及系统 |
CN112509662A (zh) * | 2021-02-04 | 2021-03-16 | 阿里健康科技(杭州)有限公司 | 一种复方生成方法、购药方法和装置 |
CN113140281A (zh) * | 2021-03-29 | 2021-07-20 | 华中科技大学同济医学院附属协和医院 | 一种血液肿瘤患者化疗用药的管理方法和管理系统 |
CN113628716A (zh) * | 2021-08-05 | 2021-11-09 | 翼健(上海)信息科技有限公司 | 一种处方推荐系统 |
CN113707253B (zh) * | 2021-08-30 | 2023-06-27 | 深圳平安智慧医健科技有限公司 | 医疗方案推荐方法、装置、设备及介质 |
CN113707253A (zh) * | 2021-08-30 | 2021-11-26 | 平安国际智慧城市科技股份有限公司 | 医疗方案推荐方法、装置、设备及介质 |
CN113744836A (zh) * | 2021-09-08 | 2021-12-03 | 平安科技(深圳)有限公司 | 基于自然语言处理的处方生成方法、装置、设备及介质 |
WO2023178978A1 (zh) * | 2022-03-23 | 2023-09-28 | 康键信息技术(深圳)有限公司 | 基于人工智能的处方审核方法、装置、设备及介质 |
WO2023240846A1 (zh) * | 2022-06-16 | 2023-12-21 | 康键信息技术(深圳)有限公司 | 基于人工智能的药品推荐方法、装置、设备及存储介质 |
CN116453646A (zh) * | 2023-06-15 | 2023-07-18 | 山东志诚普惠健康科技有限公司 | 一种基于医疗信息系统的自动化处方填写方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108899070B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108899070A (zh) | 处方推荐生成方法、装置、计算机设备和存储介质 | |
CN109147198B (zh) | 自助售药方法和系统 | |
CN108766561B (zh) | 病症信息处理方法、装置、计算机设备和存储介质 | |
Neugut et al. | Nonadherence to medications for chronic conditions and nonadherence to adjuvant hormonal therapy in women with breast cancer | |
Kim et al. | Developing the inpatient sample for the National Health Insurance claims data | |
US20130197938A1 (en) | System and method for creating and using health data record | |
JP6245835B2 (ja) | 医療情報検索支援装置及び医療情報検索支援システム | |
US20080162496A1 (en) | System and method for centralized management and monitoring of healthcare services | |
CN108986879A (zh) | 药品推荐方法、装置、计算机设备和存储介质 | |
US20140324457A1 (en) | Integrated health care predicting system | |
US20090248445A1 (en) | Patient database | |
US20160042134A1 (en) | Method of calculating a score of a medical suggestion as a support in medical decision making | |
US20200234806A1 (en) | Method and system for intelligent completion of medical record based on big data analytics | |
CN109065172A (zh) | 病症信息获取方法、装置、计算机设备和存储介质 | |
French et al. | Rates of routine cataract surgery among medicare beneficiaries | |
Wang et al. | Toward a normalized clinical drug knowledge base in China—applying the RxNorm model to Chinese clinical drugs | |
US20160196408A1 (en) | Method for interfacing medical information between a medical information exchange and computing entities | |
Shafran et al. | The medical scribe: corpus development and model performance analyses | |
Strasser et al. | Changes in the clinical workforce providing contraception and abortion care in the US, 2019-2021 | |
Togun et al. | Association of 3 CDC opioid prescription guidelines for chronic pain and 2 payer pharmacy coverage changes on opioid initiation practices | |
Politi et al. | Addressing challenges to implementation of the contraceptive coverage guarantee of the affordable care act | |
CN105210105A (zh) | 用于解释医疗信息的系统和方法 | |
KR102371738B1 (ko) | 약품 코드 생성 장치 및 방법 | |
KR20120030706A (ko) | 처방 바코드정보를 이용한 정보 제공 장치 및 방법 | |
Rho et al. | Development common data model for adverse drug signal detection based on multi-center EMR systems |
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 |