CN109087691A - 一种基于深度学习的非处方药品推荐系统和推荐方法 - Google Patents
一种基于深度学习的非处方药品推荐系统和推荐方法 Download PDFInfo
- Publication number
- CN109087691A CN109087691A CN201810873485.3A CN201810873485A CN109087691A CN 109087691 A CN109087691 A CN 109087691A CN 201810873485 A CN201810873485 A CN 201810873485A CN 109087691 A CN109087691 A CN 109087691A
- Authority
- CN
- China
- Prior art keywords
- information
- drug
- data
- module
- library
- 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.)
- Pending
Links
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
- G16H50/70—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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Medicinal Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于深度学习的OTC药品推荐系统,包括疾病库、症状库、非处方药品库、数据采集模块、深度学习数据训练模块、用户信息接收模块和药品推荐模块,数据采集模块用于获取疾病库、症状库和非处方药品库中的数据信息,并对获取数据进行预处理并输出;深度学习数据训练模块用于根据数据采集模块输入的数据信息训练形成药品推荐模型;用户信息接收模块用于将接收的电子病历数据输入至药品推荐模块;药品推荐模块用于识别输出对应的药品推荐结果;与现有技术相比,本发明的有益效果是,可根据患者的症状特征识别出所患疾病的种类,并向患者推荐最合适的药品。
Description
技术领域
本发明涉及医药领域,尤其涉及一种基于深度学习的OTC药品推荐系统和推荐方法。
背景技术
随着生活水平的提高,人们更加关注自身身体健康。然而各地现有的医疗资源匮乏,医院、药店、医生和执业药师的数量还远不能满足人们的健康需求。而且各地、各医院、各药店的医生或执业药师的技能水平参差不齐,无法根据病人症状准确诊断所患病种,造成医患关系紧张。现有的药品推荐系统无法根据病人所患疾病种类和疾病对应的症状特征主动推荐药品,无法起到辅助医生开药方、辅助药店执业药师推荐药品或辅助患者进行自我诊断的作用。
发明内容
鉴于上述存在的技术问题,本发明提供一种基于深度学习的OTC药品推荐系统和推荐方法,以根据患者的症状特征识别患者所患疾病的种类,并向患者推荐最合适的药品。
本发明解决其技术问题采取的技术方案为,提供一种基于深度学习的非处方药品推荐系统,包括:
疾病库,用于预先保存多种疾病信息;
症状库,用于保存每一种所述疾病信息对应的多个症状特征;
非处方药品库,用于保存多种药品信息,每种所述药品信息对应于至少一种所述疾病信息,于所述非处方药品库中还保存所述药品信息与所述疾病信息之间的关联信息;
数据采集模块,用于采集得到经过核验的电子病历中的用户信息,对用户信息进行预处理并输出;
深度学习数据训练模块,分别与所述数据采集模块、所述疾病库、所述症状库和所述非处方药品库连接,用于将所述数据采集模块经过处理后的输出的所述用户信息、所述疾病信息、所述症状特征以及所述药品信息作为训练数据,预先训练得到一药品推荐模型并保存;
用户信息接收模块,用于获取输入的所述电子病历,并解析得到所述电子病历中的用户信息;
药品推荐模块,分别连接所述深度学习数据训练模块和所述用户信息接收模块,用于将所述用户信息作为输入数据输入至所述药品推荐模型中,并获取所述药品推荐模型的输出结果,以作为关联于所述电子病历的药品推荐结果。
作为本发明的一种优选方案,所述数据采集模块具体包括:
数据清洗单元,用于对所述用户信息进行数据清洗,并输出经过清洗的所述用户信息;
数据处理单元,连接所述数据清洗单元,用于将经过清洗的所述用户信息和所述药品信息进行标准化处理和归一化处理,并输出经过处理的所述用户信息以作为所述训练数据的一部分。
作为本发明的一种优选方案,所述非处方药品推荐模块还包括:
反馈获取模块,用于获取用户对所述药品推荐结果的反馈评分;
筛选模块,连接所述反馈获取模块,于所述筛选模块中预设一评分阈值,所述筛选模块用于筛选出所述反馈评分低于所述评分阈值的所述药品推荐结果并输出;
调整模块,分别连接所述筛选模块和所述深度学习数据训练模块,用于对筛选储的所述药品推荐结果进行调整,并将调整后的所述药品推荐结果以及相关联的所述用户信息作为新的训练数据,所述深度学习数据训练模块根据新的所述训练数据对所述药品推荐模型进行更新。
作为本发明的一种优选方案,所述用户信息包括用户的性别信息、年龄信息、妊娠状态信息、诊断疾病信息、诊断症状信息、既往病史信息、既往用药史信息以及药物过敏史信息;
于所述非处方药品推荐系统中,所述用户信息被转换形成对应的特征向量X=[X1,X2,X3,X4,X5,X6,X7,X8],,其中x1用于表示所述性别信息,x2用于表示所述年龄信息,x3用于表示所述妊娠状态信息,x4用于表示所述诊断疾病信息,x5用于表示所述诊断症状信息,x6用于表示所述既往病史信息,x7用于表示所述既往用药史信息,x8用于表示所述药物过敏史信息;
m用于表示单一电子病历中记载的所述诊断疾病信息的最大的种类数量;
n用于表示单一电子病历中记载的所述诊断症状信息的最大的种类数量;
o用于表示单一电子病历中记载的所述既往病史信息的最大的种类数量;
p用于表示单一电子病历中记载的所述既往用药史信息的最大的种类数量;
q用于表示单一电子病历中记载的所述药物过敏史信息的最大的种类数量。
作为本发明的一种优选方案,所述数据处理单元采用一第一预设策略对所述用户信息进行归一化处理;
所述第一预设策略为:
当所述性别信息为男性时,所述性别信息被表示为:当所述性别信息为女性时,所述性别信息被表示为:
对所述年龄信息进行归一化处理后表示为:其中age用于表示用户的真实年龄;
当所述妊娠状态信息为未妊娠时,所述妊娠状态信息被表示为:当所述妊娠状态信息为妊娠时,所述妊娠状态信息被表示为:
对所述诊断疾病信息进行归一化处理后表示为:
其中,I用于表示所述疾病库中保存的所述疾病信息的种类总数;
对所述诊断症状信息进行归一化处理后表示为:
其中,J用于表示所述症状库中保存的所述症状特征的种类总数;
对所述既往病史信息进行归一化处理后表示为:
其中,K用于表示所述疾病库中保存的所述既往病史的疾病种类总数;
对所述既往用药史信息进行归一化处理后表示为:
其中,L用于表示所述疾病库中保存的所述既往用药史的用药种类总数
对所述药物过敏史信息进行归一化处理后表示为:
其中,G用于表示所述所述疾病库中保存所述药物过敏史的过敏药物种类总数。
作为本发明的一种优选方案,所述数据处理单元采用一第二预设策略对所述用药信息进行归一化处理;
所述第二预设策略为:
于所述非处方药品推荐系统中,所述非处方药品库中的所有所述的药品信息被转换形成对应的药品特征向量M=[M1,M2,…,Ml];所述非处方药品库中预存的单一电子病历上记载的药品信息被转换形成对应的药品特征向量其中r等于所述单一电子病历上记载的药品数量;
对所述用药信息通过以下公式进行归一化处理后表示为:Y=[y1,y2,…,yl];
其中:
作为本发明的一种优选方案,所述药品推荐模型为三层神经网络结构,包括依次连接的输入层、隐藏层和输出层;
所述药品推荐模型通过以下公式收敛训练结果:
其中,N表示训练数据的数目,K表示所述输出层的神经元的数目,表示第i个训练数据的标签矩阵的第j个数据,表示第i个训练数据对应的输出层实际输出的向量的第j个数据,ω表示神经网络中所有训练数据对应的权重数据集中的每一个权重数据。
作为本发明的一种优选方案,所述药品推荐模块根据一第三预设策略输出药品推荐结果;
所述第三预设策略为:
所述药品推荐模块根据所述用户信息接收模块输入的所述用户信息对应的用户特征矩阵U识别输出对应所述非处方药品库中对应K个药品标签的分类概率为其中t=1,2,3;
则将所述分类概率为转换形成对应的分类概率特征向量P=[P1,P2,…,PK]T,所述分类概率特征向量与所述非处方药品库中的所有所述的药品信息对应的所述药品特征向量M中的元素一一对应;
当Pi≥μi=1,2,…,K,则所述药品推荐模块输出Pi对应Mi(i=1,2,…,K)作为药品推荐结果,其中μ为药品筛选阈值,0<μ<1;
所述药品推荐模块将输出的所述药品推荐结果按照概率从大到小排列后输出最终的药品推荐结果。
本发明还提供一种应用所述的非处方药品推荐系统推荐非处方药品的方法,于所述非处方药品推荐系统中预先保存有多种疾病信息、每一种所述疾病信息对应的多个症状特征以及多种药品信息,每种所述药品信息对应于至少一种所述疾病信息,于所述非处方药品推荐系统中还保存所述药品信息与所述疾病信息之间的关联信息;
所述非处方药品推荐方法中包括一预先训练形成药品推荐模型的过程,具体包括:
步骤A1,所述非处方药品推荐系统采集得到经过核验的电子病历中的用户信息,对用户信息进行预处理并输出;
步骤A2,所述非处方药品推荐系统将经过处理后的输出的所述用户信息、所述疾病信息、所述症状特征以及所述药品信息作为训练数据,预先训练得到一药品推荐模型并保存;
所述非处方药品推荐方法中还包括一依据所述药品推荐模型进行药品推荐的过程,具体包括:
步骤B1,所述非处方药品推荐系统获取输入的所述电子病历,并解析得到所述电子病历中的用户信息;
步骤B2,所述非处方药品推荐系统将所述用户信息作为输入数据输入至所述药品推荐模型中,并获取所述药品推荐模型的输出结果,以作为关联于所述电子病历的药品推荐结果。
与现有技术相比,本发明的有益效果是,所述基于深度学习的OTC药品推荐系统可以通过分析病患的病历信息,推荐出适合患者使用的药品,并将推荐的药品按照匹配度从高到底进行排序,方便医生或执业药师向患者推荐药品,同时方便了用户根据自身情况选择最为合适的药品。
附图说明
图1为本发明提供的基于深度学习的非处方药品推荐系统的结构示意图;
图2位本发明提供的基于深度学习的非处方药品推荐系统中的数据采集模块的结构示意图;
图3为本发明提供的基于深度学习的非处方药品推荐系统中的所述深度学习数据训练模块训练药品推荐模型的神经网络结构示意图;
图4为应用本发明提供的基于深度学习的非处方药品推荐系统训练药品推荐模型的方法流程图;
图5为应用本发明提供的基于深度学习的非处方药品推荐系统推荐药品的方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的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。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
请参照图1,本发明提供的一种基于深度学习的OTC药品推荐系统,包括:
疾病库1,用于预先保存多种疾病信息;
症状库2,用于保存每一种所述疾病信息对应的多个症状特征;
非处方药品库3,用于保存多种药品信息,每种所述药品信息对应于至少一种所述疾病信息,于所述非处方药品库中还保存所述药品信息与所述疾病信息之间的关联信息;
数据采集模块4,用于采集得到经过核验的电子病历中的用户信息,对用户信息进行预处理并输出;
深度学习数据训练模块5,分别与所述数据采集模块4、所述疾病库1、所述症状库2和所述非处方药品库3连接,用于将所述数据采集模块4经过处理后的输出的所述用户信息、所述疾病信息、所述症状特征以及所述药品信息作为训练数据,预先训练得到一药品推荐模型并保存;
用户信息接收模块6,用于获取输入的所述电子病历,并解析得到所述电子病历中的用户信息;
药品推荐模块7,分别连接所述深度学习数据训练模块5和所述用户信息接收模块6,用于将所述用户信息作为输入数据输入至所述药品推荐模型中,并获取所述药品推荐模型的输出结果,以作为关联于所述电子病历的药品推荐结果。
本发明所构建的所述疾病库1、所述症状库2和所述非处方药品库3的数据信息来自国际疾病分类系统、国家食品药品监督管理总局、美国食品药品监督管理局等权威网站或相关数据库以及来自医院、实体药店、网上药店等。
请参照图2,所述数据采集模块4具体包括:
数据清洗单元41,用于对所述用户信息进行数据清洗,并输出经过清洗的所述用户信息;
数据处理单元42,连接所述数据清洗单元41,用于将经过清洗的所述用户信息和所述药品信息进行标准化处理和归一化处理,并输出经过处理的所述用户信息以作为所述训练数据的一部分。
所述非处方药品推荐系统还包括:
反馈获取模块8,用于获取用户对所述药品推荐结果的反馈评分;
筛选模块9,连接所述反馈获取模块8,于所述筛选模块9中预设一评分阈值,所述筛选模块9用于筛选出所述反馈评分低于所述评分阈值的所述药品推荐结果并输出;
调整模块10,分别连接所述筛选模块9和所述深度学习数据训练模块5,用于对筛选出的所述药品推荐结果进行调整,并将调整后的所述药品推荐结果以及相关联的所述用户信息作为新的训练数据,所述深度学习数据训练模块5根据新的所述训练数据对所述药品推荐模型进行更新。
所述用户信息包括用户的性别信息、年龄信息、妊娠状态信息、诊断疾病信息、诊断症状信息、既往病史信息、既往用药史信息和药物过敏史信息八个数据信息;
于所述非处方药品推荐系统中,所述用户信息被转换形成对应的特征向量X=[X1,X2,X3,X4,X5,X6,X7,X8],,其中x1用于表示所述性别信息,x2用于表示所述年龄信息,x3用于表示所述妊娠状态信息,x4用于表示所述诊断疾病信息,x5用于表示所述诊断症状信息,x6用于表示所述既往病史信息,x7用于表示所述既往用药史信息,x8用于表示所述药物过敏史信息;
m用于表示单一电子病历中记载的所述诊断疾病信息的最大的种类数量;
n用于表示单一电子病历中记载的所述诊断症状信息的最大的种类数量;
o用于表示单一电子病历中记载的所述既往病史信息的最大的种类数量;
p用于表示单一电子病历中记载的所述既往用药史信息的最大的种类数量;
q用于表示单一电子病历中记载的所述药物过敏史信息的最大的种类数量。
所述数据采集模块4的所述数据处理单元42采用一第一预设策略对所述用户信息进行归一化处理;
所述第一预设策略为:
当所述性别信息为男性时,所述性别信息被表示为:当所述性别信息为女性时,所述性别信息被表示为:
对所述年龄信息进行归一化处理后表示为:其中age用于表示用户的真实年龄;
当所述妊娠状态信息为未妊娠时,所述妊娠状态信息被表示为:当所述妊娠状态信息为妊娠时,所述妊娠状态信息被表示为:
对所述诊断疾病信息进行归一化处理后表示为:
其中,I用于表示所述疾病库中保存的所述疾病信息的种类总数;
对所述诊断症状信息进行归一化处理后表示为:
其中,J用于表示所述症状库中保存的所述症状特征的种类总数;
对所述既往病史信息进行归一化处理后表示为:
其中,K用于表示所述疾病库中保存的所述既往病史的疾病种类总数;
对所述既往用药史信息进行归一化处理后表示为:
其中,L用于表示所述疾病库中保存的所述既往用药史的用药种类总数
对所述药物过敏史信息进行归一化处理后表示为:
其中,G用于表示所述所述疾病库中保存所述药物过敏史的过敏药物种类总数。
其中di为诊断疾病在所述疾病库1中的序号,sj为症状特征在所述症状库2中的序号,hl为既往用药史的药品在所述非处方药品库3中的序号;为0的,相应的di、sj、hl;为0。
所述数据采集模块4的所述数据处理单元42对所述采用一第二预设策略对所述用药信息进行归一化处理;
所述第二预设策略为:
于所述非处方药品推荐系统中,所述非处方药品库中的所有所述的药品信息被转换形成对应的药品特征向量M=[M1,M2,…,Ml];所述非处方药品库中预存的单一电子病历上记载的药品信息被转换形成对应的药品特征向量其中r等于所述单一电子病历上记载的药品数量;
对所述用药信息通过以下公式进行归一化处理后表示为:Y=[y1,y2,…,yl];
所述公式为:
需要说明的是,所述公式(1)中的数值l与所述药品特征向量中的数值l相同。
请参照图3,所述药品推荐模型为三层神经网络结构,包括依次连接的输入层100、隐藏层200和输出层300;所述的三层神经网络结构为现有技术,神经网络中采用的激活函数σ为sigmoid函数,该激活函数和神经网络中采用的相关算法均为现有技术,在此不再赘述。
所述药品推荐模型通过以下公式收敛训练结果:
其中,N表示训练数据的数目,K表示所述输出层的神经元的数目,表示第i个训练数据的标签矩阵的第j个数据,表示第i个训练数据对应的输出层实际输出的向量的第j个数据,ω表示神经网络中所有训练数据对应的权重数据集中的每一个权重数据。
所述药品推荐模块8根据一第三预设策略输出药品推荐结果;
所述第三预设策略为:
所述药品推荐模块8根据所述用户信息接收模块7输入的所述用户信息对应的用户特征矩阵U识别输出对应所述非处方药品库3中对应K个药品标签的分类概率为其中t=1,2,3;
所述分类概率为转换形成对应的特征向量P=[P1,P2,…,PK]T,所述特征向量P与所述非处方药品库3中的所有所述的药品信息对应的所述特征向量M中的元素一一对应;
当Pi≥μi=1,2,…,K,则所述药品推荐模块8输出Pi对应Mi(i=1,2,…,K)作为药品推荐结果,其中μ为药品筛选阈值,0<μ<1;
所述药品推荐模块8将输出的所述药品推荐结果按照概率从大到小排列后输出最终的药品推荐结果。
需要说明的是,所述隐藏层又分为三层神经网络结构,所述隐藏层200中的每一层的神经元数目为Vt(t=1,2,3), 其中参数at根据训练结果调整设定;
本发明还提供一种应用所述的非处方药品推荐系统推荐非处方药品的方法,于所述非处方药品推荐系统中预先保存有多种疾病信息、每一种所述疾病信息对应的多个症状特征以及多种药品信息,每种所述药品信息对应于至少一种所述疾病信息,于所述非处方药品推荐系统中还保存所述药品信息与所述疾病信息之间的关联信息;
所述非处方药品推荐方法中包括一预先训练形成药品推荐模型的过程,具体包括:
步骤A1,所述非处方药品推荐系统采集得到经过核验的电子病历中的用户信息,对用户信息进行预处理并输出;
步骤A2,所述非处方药品推荐系统将经过处理后的输出的所述用户信息、所述疾病信息、所述症状特征以及所述药品信息作为训练数据,预先训练得到一药品推荐模型并保存;
所述非处方药品推荐方法中还包括一依据所述药品推荐模型进行药品推荐的过程,具体包括:
步骤B1,所述非处方药品推荐系统获取输入的所述电子病历,并解析得到所述电子病历中的用户信息;
步骤B2,所述非处方药品推荐系统将所述用户信息作为输入数据输入至所述药品推荐模型中,并获取所述药品推荐模型的输出结果,以作为关联于所述电子病历的药品推荐结果。
以上所述仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (9)
1.一种基于深度学习的非处方药品推荐系统,其特征在于,包括:
疾病库,用于预先保存多种疾病信息;
症状库,用于保存每一种所述疾病信息对应的多个症状特征;
非处方药品库,用于保存多种药品信息,每种所述药品信息对应于至少一种所述疾病信息,于所述非处方药品库中还保存所述药品信息与所述疾病信息之间的关联信息;
数据采集模块,用于采集得到经过核验的电子病历中的用户信息,对用户信息进行预处理并输出;
深度学习数据训练模块,分别与所述数据采集模块、所述疾病库、所述症状库和所述非处方药品库连接,用于将所述数据采集模块经过处理后的输出的所述用户信息、所述疾病信息、所述症状特征以及所述药品信息作为训练数据,预先训练得到一药品推荐模型并保存;
用户信息接收模块,用于获取输入的所述电子病历,并解析得到所述电子病历中的用户信息;
药品推荐模块,分别连接所述深度学习数据训练模块和所述用户信息接收模块,用于将所述用户信息作为输入数据输入至所述药品推荐模型中,并获取所述药品推荐模型的输出结果,以作为关联于所述电子病历的药品推荐结果。
2.如权利要求1所述的一种非处方药品推荐系统,其特征在于,所述数据采集模块具体包括:
数据清洗单元,用于对所述用户信息进行数据清洗,并输出经过清洗的所述用户信息;
数据处理单元,连接所述数据清洗单元,用于将经过清洗的所述用户信息和所述药品信息进行标准化处理和归一化处理,并输出经过处理的所述用户信息以作为所述训练数据的一部分。
3.如权利要求1所述的一种非处方药品推荐系统,其特征在于,还包括:
反馈获取模块,用于获取用户对所述药品推荐结果的反馈评分;
筛选模块,连接所述反馈获取模块,于所述筛选模块中预设一评分阈值,所述筛选模块用于筛选出所述反馈评分低于所述评分阈值的所述药品推荐结果并输出;
调整模块,分别连接所述筛选模块和所述深度学习数据训练模块,用于对筛选出的所述药品推荐结果进行调整,并将调整后的所述药品推荐结果以及相关联的所述用户信息作为新的训练数据,所述深度学习数据训练模块根据新的所述训练数据对所述药品推荐模型进行更新。
4.如权利要求2所述的一种非处方药品推荐系统,其特征在于,所述用户信息包括用户的性别信息、年龄信息、妊娠状态信息、诊断疾病信息、诊断症状信息、既往病史信息、既往用药史信息以及药物过敏史信息;
于所述非处方药品推荐系统中,所述用户信息被转换形成对应的特征向量X=[X1,X2,X3,X4,X5,X6,X7,X8],,其中x1用于表示所述性别信息,x2用于表示所述年龄信息,x3用于表示所述妊娠状态信息,x4用于表示所述诊断疾病信息,x5用于表示所述诊断症状信息,x6用于表示所述既往病史信息,x7用于表示所述既往用药史信息,x8用于表示所述药物过敏史信息;
m用于表示单一电子病历中记载的所述诊断疾病信息的最大的种类数量;
n用于表示单一电子病历中记载的所述诊断症状信息的最大的种类数量;
o用于表示单一电子病历中记载的所述既往病史信息的最大的种类数量;
p用于表示单一电子病历中记载的所述既往用药史信息的最大的种类数量;
q用于表示单一电子病历中记载的所述药物过敏史信息的最大的种类数量。
5.如权利要求4所述的一种非处方药品推荐系统,其特征在于,所述数据处理单元采用一第一预设策略对所述用户信息进行归一化处理;
所述第一预设策略为:
当所述性别信息为男性时,所述性别信息被表示为:当所述性别信息为女性时,所述性别信息被表示为:
对所述年龄信息进行归一化处理后表示为:其中age用于表示用户的真实年龄;
当所述妊娠状态信息为未妊娠时,所述妊娠状态信息被表示为:当所述妊娠状态信息为妊娠时,所述妊娠状态信息被表示为:
对所述诊断疾病信息进行归一化处理后表示为:
其中,I用于表示所述疾病库中保存的所述疾病信息的种类总数;
对所述诊断症状信息进行归一化处理后表示为:
其中,J用于表示所述症状库中保存的所述症状特征的种类总数;
对所述既往病史信息进行归一化处理后表示为:
其中,K用于表示所述疾病库中保存的所述既往病史的疾病种类总数;
对所述既往用药史信息进行归一化处理后表示为:
其中,L用于表示所述疾病库中保存的所述既往用药史的用药种类总数
对所述药物过敏史信息进行归一化处理后表示为:
其中,G用于表示所述所述疾病库中保存所述药物过敏史的过敏药物种类总数。
6.如权利要求5所述的一种非处方药品推荐系统,其特征在于,所述数据处理单元采用一第二预设策略对所述用药信息进行归一化处理;
所述第二预设策略为:
于所述非处方药品推荐系统中,所述非处方药品库中的所有所述的药品信息被转换形成对应的药品特征向量M=[M1,M2,…,Ml];所述非处方药品库中预存的单一电子病历上记载的药品信息被转换形成对应的药品特征向量其中r等于所述单一电子病历上记载的药品数量;
对所述用药信息通过以下公式进行归一化处理后表示为:Y=[y1,y2,…,yl];
其中:
7.如权利要求1所述的一种非处方药品推荐系统,其特征在于,所述药品推荐模型为三层神经网络结构,包括依次连接的输入层、隐藏层和输出层;
所述药品推荐模型通过以下公式收敛训练结果:
其中,N表示训练数据的数目,K表示所述输出层的神经元的数目,表示第i个训练数据的标签矩阵的第j个数据,表示第i个训练数据对应的输出层实际输出的向量的第j个数据,ω表示神经网络中所有训练数据对应的权重数据集中的每一个权重数据。
8.如权利7所述的一种非处方药品推荐系统,其特征在于,所述药品推荐模块根据一第三预设策略输出药品推荐结果;
所述第三预设策略为:
所述药品推荐模块根据所述用户信息接收模块输入的所述用户信息对应的用户特征矩阵U识别输出对应所述非处方药品库中对应K个药品标签的分类概率为其中t=1,2,3;
则将所述分类概率为转换形成对应的分类概率特征向量P=[P1,P2,…,PK]T,所述分类概率特征向量与所述非处方药品库中的所有所述的药品信息对应的所述药品特征向量中的元素一一对应;
当Pi≥μi=1,2,…,K,则所述药品推荐模块输出Pi对应Mi(i=1,2,…,K)作为药品推荐结果,其中μ为药品筛选阈值,0<μ<1;
所述药品推荐模块将输出的所述药品推荐结果按照概率从大到小排列后输出最终的药品推荐结果。
9.一种非处方药品推荐方法,其特征在于,应用于如权利要求1-8中任意一项所述的非处方药品推荐系统,于所述非处方药品推荐系统中预先保存有多种疾病信息、每一种所述疾病信息对应的多个症状特征以及多种药品信息,每种所述药品信息对应于至少一种所述疾病信息,于所述非处方药品推荐系统中还保存所述药品信息与所述疾病信息之间的关联信息;
所述非处方药品推荐方法中包括一预先训练形成药品推荐模型的过程,具体包括:
步骤A1,所述非处方药品推荐系统采集得到经过核验的电子病历中的用户信息,对用户信息进行预处理并输出;
步骤A2,所述非处方药品推荐系统将经过处理后的输出的所述用户信息、所述疾病信息、所述症状特征以及所述药品信息作为训练数据,预先训练得到一药品推荐模型并保存;
所述非处方药品推荐方法中还包括一依据所述药品推荐模型进行药品推荐的过程,具体包括:
步骤B1,所述非处方药品推荐系统获取输入的所述电子病历,并解析得到所述电子病历中的用户信息;
步骤B2,所述非处方药品推荐系统将所述用户信息作为输入数据输入至所述药品推荐模型中,并获取所述药品推荐模型的输出结果,以作为关联于所述电子病历的药品推荐结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810873485.3A CN109087691A (zh) | 2018-08-02 | 2018-08-02 | 一种基于深度学习的非处方药品推荐系统和推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810873485.3A CN109087691A (zh) | 2018-08-02 | 2018-08-02 | 一种基于深度学习的非处方药品推荐系统和推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109087691A true CN109087691A (zh) | 2018-12-25 |
Family
ID=64833781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810873485.3A Pending CN109087691A (zh) | 2018-08-02 | 2018-08-02 | 一种基于深度学习的非处方药品推荐系统和推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109087691A (zh) |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109935290A (zh) * | 2019-03-20 | 2019-06-25 | 杭州卓健信息科技有限公司 | 一种基于大数据分析的药品匹配系统及其匹配方法 |
CN110232960A (zh) * | 2019-05-16 | 2019-09-13 | 武汉市西贝智诚科技有限公司 | 一种基于大数据的智能荐药系统及其取药柜 |
CN110297908A (zh) * | 2019-07-01 | 2019-10-01 | 中国医学科学院医学信息研究所 | 诊疗方案预测方法及装置 |
CN110444288A (zh) * | 2019-07-24 | 2019-11-12 | 卓尔智联(武汉)研究院有限公司 | 基于复杂网络的辅助诊断装置、方法及可读存储介质 |
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 |
CN110729037A (zh) * | 2019-09-29 | 2020-01-24 | 重庆药点通医药科技有限公司 | 医药erp管理系统 |
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 |
CN110837565A (zh) * | 2019-11-14 | 2020-02-25 | 中山大学 | 实现药品推荐的模型训练方法、装置及计算计设备 |
CN111191020A (zh) * | 2019-12-27 | 2020-05-22 | 江苏省人民医院(南京医科大学第一附属医院) | 基于机器学习和知识图谱的处方推荐方法和系统 |
CN111260448A (zh) * | 2020-02-13 | 2020-06-09 | 平安科技(深圳)有限公司 | 基于人工智能的药品推荐方法及相关设备 |
CN111508579A (zh) * | 2020-06-30 | 2020-08-07 | 平安国际智慧城市科技股份有限公司 | 电子处方可持续流转的方法、装置、设备及存储介质 |
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 |
CN111816305A (zh) * | 2020-08-05 | 2020-10-23 | 沈国忠 | 一种基于人工智能的感冒中成药推荐方法 |
WO2020215675A1 (zh) * | 2019-09-18 | 2020-10-29 | 平安科技(深圳)有限公司 | 医疗数据库的构建方法、装置、计算机设备和存储介质 |
CN111863181A (zh) * | 2020-07-15 | 2020-10-30 | 至本医疗科技(上海)有限公司 | 药品推荐方法、装置、计算机设备和存储介质 |
CN112151141A (zh) * | 2020-09-23 | 2020-12-29 | 康键信息技术(深圳)有限公司 | 医疗数据处理方法、装置、计算机设备和存储介质 |
CN112309567A (zh) * | 2020-11-06 | 2021-02-02 | 浙江大学 | 临床药师工作站智能化管理系统及方法 |
CN113436746A (zh) * | 2021-06-30 | 2021-09-24 | 平安科技(深圳)有限公司 | 基于排序算法的用药推荐方法、装置、设备及存储介质 |
CN113593669A (zh) * | 2021-08-05 | 2021-11-02 | 深圳市易点药健康服务有限公司 | 智能用药推荐方法、系统及装置 |
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 |
CN113764090A (zh) * | 2021-09-10 | 2021-12-07 | 大连东软信息学院 | 一种具有推荐医生功能的智慧云医院系统及使用方法 |
CN114595380A (zh) * | 2022-02-14 | 2022-06-07 | 北京三快在线科技有限公司 | 药品推荐方法、装置、电子设备及存储介质 |
WO2022247549A1 (zh) * | 2021-05-24 | 2022-12-01 | 康键信息技术(深圳)有限公司 | 药品预测方法、装置、设备及存储介质 |
US11961605B2 (en) | 2019-11-29 | 2024-04-16 | Kpn Innovations, Llc | Methods and systems for informing self-treatment remedy selection |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6658396B1 (en) * | 1999-11-29 | 2003-12-02 | Tang Sharon S | Neural network drug dosage estimation |
CN104200069A (zh) * | 2014-08-13 | 2014-12-10 | 周晋 | 一种基于症状分析和机器学习的用药推荐系统和方法 |
CN104951665A (zh) * | 2015-07-22 | 2015-09-30 | 浙江大学 | 一种推荐药品的方法和系统 |
CN105678066A (zh) * | 2015-12-31 | 2016-06-15 | 天津迈沃医药技术有限公司 | 基于用户反馈信息完成数据训练的疾病自诊方法及系统 |
CN107092797A (zh) * | 2017-04-26 | 2017-08-25 | 广东亿荣电子商务有限公司 | 一种基于深度学习的药品推荐算法 |
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 |
CN107591189A (zh) * | 2017-08-29 | 2018-01-16 | 科大智能科技股份有限公司 | 一种基于otc药品的推荐系统 |
CN107833629A (zh) * | 2017-10-25 | 2018-03-23 | 厦门大学 | 基于深度学习的辅助诊断方法及系统 |
-
2018
- 2018-08-02 CN CN201810873485.3A patent/CN109087691A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6658396B1 (en) * | 1999-11-29 | 2003-12-02 | Tang Sharon S | Neural network drug dosage estimation |
CN104200069A (zh) * | 2014-08-13 | 2014-12-10 | 周晋 | 一种基于症状分析和机器学习的用药推荐系统和方法 |
CN104951665A (zh) * | 2015-07-22 | 2015-09-30 | 浙江大学 | 一种推荐药品的方法和系统 |
CN105678066A (zh) * | 2015-12-31 | 2016-06-15 | 天津迈沃医药技术有限公司 | 基于用户反馈信息完成数据训练的疾病自诊方法及系统 |
CN107092797A (zh) * | 2017-04-26 | 2017-08-25 | 广东亿荣电子商务有限公司 | 一种基于深度学习的药品推荐算法 |
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 |
CN107591189A (zh) * | 2017-08-29 | 2018-01-16 | 科大智能科技股份有限公司 | 一种基于otc药品的推荐系统 |
CN107833629A (zh) * | 2017-10-25 | 2018-03-23 | 厦门大学 | 基于深度学习的辅助诊断方法及系统 |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109935290A (zh) * | 2019-03-20 | 2019-06-25 | 杭州卓健信息科技有限公司 | 一种基于大数据分析的药品匹配系统及其匹配方法 |
CN110232960A (zh) * | 2019-05-16 | 2019-09-13 | 武汉市西贝智诚科技有限公司 | 一种基于大数据的智能荐药系统及其取药柜 |
CN110297908A (zh) * | 2019-07-01 | 2019-10-01 | 中国医学科学院医学信息研究所 | 诊疗方案预测方法及装置 |
CN110444288A (zh) * | 2019-07-24 | 2019-11-12 | 卓尔智联(武汉)研究院有限公司 | 基于复杂网络的辅助诊断装置、方法及可读存储介质 |
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 |
WO2020215675A1 (zh) * | 2019-09-18 | 2020-10-29 | 平安科技(深圳)有限公司 | 医疗数据库的构建方法、装置、计算机设备和存储介质 |
CN110729037A (zh) * | 2019-09-29 | 2020-01-24 | 重庆药点通医药科技有限公司 | 医药erp管理系统 |
CN110837565A (zh) * | 2019-11-14 | 2020-02-25 | 中山大学 | 实现药品推荐的模型训练方法、装置及计算计设备 |
CN110837565B (zh) * | 2019-11-14 | 2022-08-12 | 中山大学 | 实现药品推荐的模型训练装置及计算机设备 |
US11961605B2 (en) | 2019-11-29 | 2024-04-16 | Kpn Innovations, Llc | Methods and systems for informing self-treatment remedy selection |
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 |
CN111191020A (zh) * | 2019-12-27 | 2020-05-22 | 江苏省人民医院(南京医科大学第一附属医院) | 基于机器学习和知识图谱的处方推荐方法和系统 |
CN111191020B (zh) * | 2019-12-27 | 2023-09-22 | 江苏省人民医院(南京医科大学第一附属医院) | 基于机器学习和知识图谱的处方推荐方法和系统 |
CN111260448A (zh) * | 2020-02-13 | 2020-06-09 | 平安科技(深圳)有限公司 | 基于人工智能的药品推荐方法及相关设备 |
WO2021159640A1 (zh) * | 2020-02-13 | 2021-08-19 | 平安科技(深圳)有限公司 | 基于人工智能的药品推荐方法及相关设备 |
CN111260448B (zh) * | 2020-02-13 | 2023-10-20 | 平安科技(深圳)有限公司 | 基于人工智能的药品推荐方法及相关设备 |
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 |
CN111508579A (zh) * | 2020-06-30 | 2020-08-07 | 平安国际智慧城市科技股份有限公司 | 电子处方可持续流转的方法、装置、设备及存储介质 |
CN111863181A (zh) * | 2020-07-15 | 2020-10-30 | 至本医疗科技(上海)有限公司 | 药品推荐方法、装置、计算机设备和存储介质 |
CN111816305A (zh) * | 2020-08-05 | 2020-10-23 | 沈国忠 | 一种基于人工智能的感冒中成药推荐方法 |
CN112151141A (zh) * | 2020-09-23 | 2020-12-29 | 康键信息技术(深圳)有限公司 | 医疗数据处理方法、装置、计算机设备和存储介质 |
CN112309567B (zh) * | 2020-11-06 | 2021-06-01 | 浙江大学 | 临床药师工作站智能化管理系统及方法 |
CN112309567A (zh) * | 2020-11-06 | 2021-02-02 | 浙江大学 | 临床药师工作站智能化管理系统及方法 |
WO2022247549A1 (zh) * | 2021-05-24 | 2022-12-01 | 康键信息技术(深圳)有限公司 | 药品预测方法、装置、设备及存储介质 |
CN113436746A (zh) * | 2021-06-30 | 2021-09-24 | 平安科技(深圳)有限公司 | 基于排序算法的用药推荐方法、装置、设备及存储介质 |
CN113436746B (zh) * | 2021-06-30 | 2024-04-12 | 平安科技(深圳)有限公司 | 基于排序算法的用药推荐方法、装置、设备及存储介质 |
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 |
CN113593669A (zh) * | 2021-08-05 | 2021-11-02 | 深圳市易点药健康服务有限公司 | 智能用药推荐方法、系统及装置 |
CN113764090A (zh) * | 2021-09-10 | 2021-12-07 | 大连东软信息学院 | 一种具有推荐医生功能的智慧云医院系统及使用方法 |
CN114595380A (zh) * | 2022-02-14 | 2022-06-07 | 北京三快在线科技有限公司 | 药品推荐方法、装置、电子设备及存储介质 |
CN114595380B (zh) * | 2022-02-14 | 2024-03-26 | 北京三快在线科技有限公司 | 药品推荐方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109087691A (zh) | 一种基于深度学习的非处方药品推荐系统和推荐方法 | |
US20210106265A1 (en) | Real time biometric recording, information analytics, and monitoring systems and methods | |
CN104200069B (zh) | 一种基于症状分析和机器学习的用药推荐系统和方法 | |
CN110880361B (zh) | 一种个性化精准用药推荐方法及装置 | |
Tsao et al. | Mechanisms of face perception | |
CN107092797A (zh) | 一种基于深度学习的药品推荐算法 | |
CN111613291B (zh) | 一种药物管理、分类、医护人员与患者关联系统 | |
CN108009198A (zh) | 基于用户行为推荐药品方法、系统、电子设备及存储介质 | |
Kour et al. | Usage and implementation of neuro-fuzzy systems for classification and prediction in the diagnosis of different types of medical disorders: a decade review | |
CN107945847B (zh) | 一种非处方药品的推荐系统及方法 | |
CN110459328A (zh) | 一种评估心脏骤停的临床决策支持系统 | |
CN105447299A (zh) | 自助问诊并产生结构化主诉病历的系统及方法 | |
CN113168919A (zh) | 一种利用个性化指标进行健康分析的系统及其使用方法 | |
CN113314226A (zh) | 一种过敏反应智能分析的系统、方法和设备 | |
CN114420279A (zh) | 一种医疗资源推荐方法、装置、设备及存储介质 | |
CN109920504A (zh) | 一种云平台远程医疗系统 | |
CN108735286B (zh) | 一种个人终生综合保健治疗管理系统 | |
JP2019113949A (ja) | 処方探索システム及び方法、処方探索プログラム | |
CN111312358A (zh) | 一种基于自助药品超市的购药引导方法、系统及可读存储介质 | |
CN110517764B (zh) | 用于提供冠心病延续性护理的远程医疗系统及方法 | |
Quellec et al. | Multimedia medical case retrieval using decision trees | |
CN112233806A (zh) | 一种全信息辅助诊疗方法及系统 | |
CN113299403A (zh) | 一种医疗服务替代分析方法及系统 | |
JP2021060932A (ja) | 傷病名推論システム、傷病名推論方法、傷病名推論プログラム、及びデータ構造 | |
Agarwal et al. | Diseases Prediction and Diagnosis System for Healthcare Using IoT and Machine Learning |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181225 |
|
RJ01 | Rejection of invention patent application after publication |