CN109273097A - 一种药物适应症的自动生成方法及装置 - Google Patents

一种药物适应症的自动生成方法及装置 Download PDF

Info

Publication number
CN109273097A
CN109273097A CN201811045268.1A CN201811045268A CN109273097A CN 109273097 A CN109273097 A CN 109273097A CN 201811045268 A CN201811045268 A CN 201811045268A CN 109273097 A CN109273097 A CN 109273097A
Authority
CN
China
Prior art keywords
medication information
medication
drug
indication
drug indication
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
Application number
CN201811045268.1A
Other languages
English (en)
Other versions
CN109273097B (zh
Inventor
张晓坚
王则远
孙佳星
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Nuodao Cognitive Medical Technology Co ltd
First Affiliated Hospital of Zhengzhou University
Original Assignee
Beijing Nuodao Cognitive Medical Technology Co ltd
First Affiliated Hospital of Zhengzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Nuodao Cognitive Medical Technology Co ltd, First Affiliated Hospital of Zhengzhou University filed Critical Beijing Nuodao Cognitive Medical Technology Co ltd
Priority to CN201811045268.1A priority Critical patent/CN109273097B/zh
Publication of CN109273097A publication Critical patent/CN109273097A/zh
Application granted granted Critical
Publication of CN109273097B publication Critical patent/CN109273097B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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)
  • Toxicology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Chemical & Material Sciences (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明实施例提供一种药物适应症的自动生成方法及装置，所述方法包括：获取用药信息；输入所述用药信息至预设模型，以生成与所述用药信息相对应的药物适应症；所述预设模型包括预设用药信息和预设药物适应症之间的对应关系，其中，每种预设用药信息至少对应一种预设药物适应症。所述装置执行上述方法。本发明实施例提供的药物适应症的自动生成方法及装置，通过输入用药信息至预设模型，生成与用药信息相对应的药物适应症，能够高效、全面地生成药物适应症。

Description

一种药物适应症的自动生成方法及装置
技术领域
本发明实施例涉及医疗技术领域，具体涉及一种药物适应症的自动生成方法及装置。
背景技术
药物适应症即指药物所适合运用的疾病范围等。现有的药物适应症是通过化学和生物学角度判断，从而生成药物适应症，例如瑞巴派特会促进角膜和结膜产生黏蛋白，从而致使眼内形成一层稳定水性层，因此可用于干眼症，然后再通过临床试验确定药物适应症。
现有的药物适应症的探究周期是很长的，需要长期的研究才能初步判断一种药物的可能药物适应症，这会导致药物适应症生成的效率较低；其次现有的药物适应症是基于化学和生物学的，这会导致药物适应症研究的过程受到化学和生物学的限制，不能保证全部的药物适应症均能找出，一些特殊的药物适应症会被遗漏。
因此，如何避免上述缺陷，能够高效、全面地生成药物适应症，成为亟须解决的问题。
发明内容
针对现有技术存在的问题，本发明实施例提供一种药物适应症的自动生成方法及装置。
第一方面，本发明实施例提供一种药物适应症的自动生成方法，所述方法包括：
获取用药信息；
输入所述用药信息至预设模型，以生成与所述用药信息相对应的药物适应症；所述预设模型包括预设用药信息和预设药物适应症之间的对应关系，其中，每种预设用药信息至少对应一种预设药物适应症。
第二方面，本发明实施例提供一种药物适应症的自动生成装置，所述装置包括：
获取单元，用于获取用药信息；
生成单元，用于输入所述用药信息至预设模型，以生成与所述用药信息相对应的药物适应症；所述预设模型包括预设用药信息和预设药物适应症之间的对应关系，其中，每种预设用药信息至少对应一种预设药物适应症。
第三方面，本发明实施例提供一种电子设备，包括：处理器、存储器和总线，其中，
所述处理器和所述存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如下方法：
获取用药信息；
输入所述用药信息至预设模型，以生成与所述用药信息相对应的药物适应症；所述预设模型包括预设用药信息和预设药物适应症之间的对应关系，其中，每种预设用药信息至少对应一种预设药物适应症。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，包括：
所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如下方法：
获取用药信息；
输入所述用药信息至预设模型，以生成与所述用药信息相对应的药物适应症；所述预设模型包括预设用药信息和预设药物适应症之间的对应关系，其中，每种预设用药信息至少对应一种预设药物适应症。
本发明实施例提供的药物适应症的自动生成方法及装置，通过输入用药信息至预设模型，生成与用药信息相对应的药物适应症，能够高效、全面地生成药物适应症。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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。
图1为本发明实施例药物适应症的自动生成方法流程示意图；
图2为本发明实施例药物适应症的自动生成装置结构示意图；
图3为本发明实施例提供的电子设备实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
图1为本发明实施例药物适应症的自动生成方法流程示意图，如图1所示，本发明实施例提供的一种药物适应症的自动生成方法，包括以下步骤：
S101：获取用药信息。
具体的，装置获取用药信息。用药信息可以包括用药名称等，不作具体限定。
S102：输入所述用药信息至预设模型，以生成与所述用药信息相对应的药物适应症；所述预设模型包括预设用药信息和预设药物适应症之间的对应关系，其中，每种预设用药信息至少对应一种预设药物适应症。
具体的，装置输入所述用药信息至预设模型，以生成与所述用药信息相对应的药物适应症；所述预设模型包括预设用药信息和预设药物适应症之间的对应关系，其中，每种预设用药信息至少对应一种预设药物适应症。预设模型可以是基于XGBoost算法建立的，结合具体的应用，该XGBoost算法的参数配置可以包括：最大决策树数量＝2000、学习率＝0.01、最大规则层深＝2、决策树生长所需达到的最小Gain值＝0、决策树复杂度衡量参数＝1。举例说明如下：用药信息为用药名称a，预设模型中包括的预设用药信息中的用药名称a对应的预设药物适应症为预设药物适应症A、预设药物适应症C和预设药物适应症D，即a与A、C和D存在对应关系，因此，生成的与用药名称a相对应的药物适应症为药物适应症A、药物适应症C和药物适应症D。
该方法还可以包括：
发送所述用药信息和所述药物适应症至第三方，以使所述第三方根据所述用药信息和所述药物适应症验证用药效果；所述用药效果是与每种药物适应症一一对应的；接收所述第三方返回的所有用药效果，将未达到预设条件的用药效果对应的目标药物适应症从所述预设模型中剔除。所述预设条件包括用药不良反应的第一指标数值和用药副作用的第二指标数值中的至少一个超过对应的预设指标数值，与第一指标数值对应的预设指标数值，以及与第二指标数值对应的预设指标数值可以根据实际情况自主设置。第三方可以是用于验证用药效果的专用设备，也可以是专业验证人员所使用的终端，例如PC机等，参照上述举例进行说明如下：药物适应症A、药物适应症C和药物适应症D分别对应的用药效果为用药效果aA、用药效果aC和用药效果aD，如果用药效果aA的用药不良反应的第一指标数值超标；如果用药效果aD的用药不良反应的第一指标数值超标，且用药副作用的第二指标数值也超标；则将与用药效果aA对应的药物适应症A，和与用药效果aD对应的药物适应症D从该预设模型中剔除，需要说明的是，如果用药名称a对应的所有药物适应症都被剔除，可以将用药名称a也从该预设模型中剔除，从而节省数据库的数据资源。
为了更全面的说明本发明实施例，再次说明如下：
1.建立药物适应症自动生成的数据库
根据药物适应症自动生成的方法要求，从患者病例中提取所需要的变量，其中需要患者病情是否好转信息作为目标变量，疾病诊断和用药信息为自变量，目标变量和自变量均为0-1二分变量。由是否好转(0表示未好转，1表示好转)、疾病诊断(0表示未患病，1表示未患病)、用药信息(0表示未使用，1表示使用)构建药物适应症自动生成数据库。
2.采用统计方法对用药信息进行变量筛选
通过对目标变量是否好转与自变量中的用药信息变量进行卡方检验，判断用药信息变量与目标变量的关系是否显著，卡方检验原假设为：分类型自变量与目标变量之间没有显著关系。如果拒绝原假设则认为分类型自变量与目标变量关系显著，保留该变量，否则剔除。
3.基于XGBoost算法挑选出给药规则
数据集中目标变量为是否好转，自变量为疾病信息和统计方法筛选后用药信息。
XGBoost算法的重要参数配置：最大决策树数量＝2000；学习率＝0.01；最大规则层深＝2；决策树生长所需达到的最小Gain值＝0；决策树复杂度衡量参数＝1。
挑选出XGBoost规则中同时包括患有疾病和使用药物的规则，并将提取出来对应的疾病和药物作为基于人工智能的药物适应症自动生成的结果。
XGBoost算法的具体流程如下：
(1)分别输入是否好转目标变量、疾病信息和用药信息自变量
(2)定义目标函数(损失+正则化项)
其中，损失＝上一颗树的误差(梯度)；正则化项＝树的复杂度
优化目标函数要求预测误差尽可能小，树的复杂度尽可能低。
(3)利用贪心法进行切分点查找，构建决策树
枚举所有不同的树结构，选取Gain值最大且超过阈值的方案。如果max(Gain)小于阈值则剪枝终止分裂。
(4)计算叶子结点的分数。
(5)更新决策树序列，保存构建好的所有决策树及其得分。
(6)梳理决策树中的所有规则路径及相应分数，保留得分为正的规则路径，并按分数降序排序。
(7)每条规则路径由两条规则组成，筛选出其中一条规则为患有某种疾病，另一条规则为使用某种药物的规则路径。
XGBoost规则提取的原理：
XGBoost是集成学习方法，集成学习方法是指将多个学习模型组合，XGBoost是很多CART树的集成，CART是基于最小距离的基尼系数估计函数生成的结构简洁的二叉树，CART树的叶子节点对应的值是一个实际的分数，而非一个确定的类别，通过各个CART的分数之和来对目标变量进行预测，分数越大则对目标变量的影响越大。XGBoost中决策树按得分为正抽取规则，并且将得分按降序排序，因此在排序靠前的同时有患有疾病信息和使用药物信息的规则，对病情好转有显著的影响，可以判断提取出的药物使用对提取出的疾病有显著的作用，以此借助XGBoost规则提取实现药物适应症的自动生成。
4.根据挑选出的所有疾病和药物规则，参考专业的医学知识确定最终的疾病与药物关系，得到基于人工智能的药物适应症自动生成结果。
本发明实施例提供的药物适应症的自动生成方法，通过输入用药信息至预设模型，生成与用药信息相对应的药物适应症，能够高效、全面地生成药物适应症。
在上述实施例的基础上，所述预设模型是基于XGBoost算法建立的。
具体的，装置中的所述预设模型是基于XGBoost算法建立的。可参照上述实施例，不再赘述。
本发明实施例提供的药物适应症的自动生成方法，通过基于XGBoost算法建立预设模型，进一步能够高效、全面地生成药物适应症。
在上述实施例的基础上，所述XGBoost算法的参数配置包括：
最大决策树数量＝2000、学习率＝0.01、最大规则层深＝2、决策树生长所需达到的最小Gain值＝0、决策树复杂度衡量参数＝1。
具体的，装置中的所述XGBoost算法的参数配置包括：最大决策树数量＝2000、学习率＝0.01、最大规则层深＝2、决策树生长所需达到的最小Gain值＝0、决策树复杂度衡量参数＝1。可参照上述实施例，不再赘述。
本发明实施例提供的药物适应症的自动生成方法，通过合理地为XGBoost算法配置参数，更加利于高效、全面地生成药物适应症。
在上述实施例的基础上，所述用药信息包括用药名称。
具体的，装置中的所述用药信息包括用药名称。可参照上述实施例，不再赘述。
本发明实施例提供的药物适应症的自动生成方法，通过用药名称能够简洁、高效地标识用药信息。
在上述实施例的基础上，所述生成与所述用药信息相对应的药物适应症的步骤之后，所述方法还包括：
发送所述用药信息和所述药物适应症至第三方，以使所述第三方根据所述用药信息和所述药物适应症验证用药效果；所述用药效果是与每种药物适应症一一对应的。
具体的，装置发送所述用药信息和所述药物适应症至第三方，以使所述第三方根据所述用药信息和所述药物适应症验证用药效果；所述用药效果是与每种药物适应症一一对应的。可参照上述实施例，不再赘述。
接收所述第三方返回的所有用药效果，将未达到预设条件的用药效果对应的目标药物适应症从所述预设模型中剔除。
具体的，装置接收所述第三方返回的所有用药效果，将未达到预设条件的用药效果对应的目标药物适应症从所述预设模型中剔除。可参照上述实施例，不再赘述。
本发明实施例提供的药物适应症的自动生成方法，通过将未达到预设条件的用药效果对应的目标药物适应症从预设模型中剔除，能够有效维护预设模型。
在上述实施例的基础上，所述预设条件包括用药不良反应的第一指标数值和用药副作用的第二指标数值中的至少一个超过对应的预设指标数值。
具体的，装置中的所述预设条件包括用药不良反应的第一指标数值和用药副作用的第二指标数值中的至少一个超过对应的预设指标数值。可参照上述实施例，不再赘述。
本发明实施例提供的药物适应症的自动生成方法，通过将用药不良反应和/或用药副作用作为预设条件，进一步能够有效维护预设模型。
图2为本发明实施例药物适应症的自动生成装置结构示意图，如图2所示，本发明实施例提供了一种药物适应症的自动生成装置，包括获取单元201和生成单元202，其中：
获取单元201用于获取用药信息；生成单元202用于输入所述用药信息至预设模型，以生成与所述用药信息相对应的药物适应症；所述预设模型包括预设用药信息和预设药物适应症之间的对应关系，其中，每种预设用药信息至少对应一种预设药物适应症。
具体的，获取单元201用于获取用药信息；生成单元202用于输入所述用药信息至预设模型，以生成与所述用药信息相对应的药物适应症；所述预设模型包括预设用药信息和预设药物适应症之间的对应关系，其中，每种预设用药信息至少对应一种预设药物适应症。
本发明实施例提供的药物适应症的自动生成装置，通过输入用药信息至预设模型，生成与用药信息相对应的药物适应症，能够高效、全面地生成药物适应症。
本发明实施例提供的药物适应症的自动生成装置具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。
图3为本发明实施例提供的电子设备实体结构示意图，如图3所示，所述电子设备包括：处理器(processor)301、存储器(memory)302和总线303；
其中，所述处理器301、存储器302通过总线303完成相互间的通信；
所述处理器301用于调用所述存储器302中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：获取用药信息；输入所述用药信息至预设模型，以生成与所述用药信息相对应的药物适应症；所述预设模型包括预设用药信息和预设药物适应症之间的对应关系，其中，每种预设用药信息至少对应一种预设药物适应症。
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取用药信息；输入所述用药信息至预设模型，以生成与所述用药信息相对应的药物适应症；所述预设模型包括预设用药信息和预设药物适应症之间的对应关系，其中，每种预设用药信息至少对应一种预设药物适应症。
本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：获取用药信息；输入所述用药信息至预设模型，以生成与所述用药信息相对应的药物适应症；所述预设模型包括预设用药信息和预设药物适应症之间的对应关系，其中，每种预设用药信息至少对应一种预设药物适应症。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的电子设备等实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上各实施例仅用以说明本发明的实施例的技术方案，而非对其限制；尽管参照前述各实施例对本发明的实施例进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明的各实施例技术方案的范围。

Claims (9)

1.一种药物适应症的自动生成方法，其特征在于，包括：
获取用药信息；
输入所述用药信息至预设模型，以生成与所述用药信息相对应的药物适应症；所述预设模型包括预设用药信息和预设药物适应症之间的对应关系，其中，每种预设用药信息至少对应一种预设药物适应症。
2.根据权利要求1所述的方法，其特征在于，所述预设模型是基于XGBoost算法建立的。
3.根据权利要求2所述的方法，其特征在于，所述XGBoost算法的参数配置包括：
最大决策树数量＝2000、学习率＝0.01、最大规则层深＝2、决策树生长所需达到的最小Gain值＝0、决策树复杂度衡量参数＝1。
4.根据权利要求1所述的方法，其特征在于，所述用药信息包括用药名称。
5.根据权利要求1至4任一所述的方法，其特征在于，所述生成与所述用药信息相对应的药物适应症的步骤之后，所述方法还包括：
发送所述用药信息和所述药物适应症至第三方，以使所述第三方根据所述用药信息和所述药物适应症验证用药效果；所述用药效果是与每种药物适应症一一对应的；
接收所述第三方返回的所有用药效果，将未达到预设条件的用药效果对应的目标药物适应症从所述预设模型中剔除。
6.根据权利要求5所述的方法，其特征在于，所述预设条件包括用药不良反应的第一指标数值和用药副作用的第二指标数值中的至少一个超过对应的预设指标数值。
7.一种药物适应症的自动生成装置，其特征在于，包括：
获取单元，用于获取用药信息；
生成单元，用于输入所述用药信息至预设模型，以生成与所述用药信息相对应的药物适应症；所述预设模型包括预设用药信息和预设药物适应症之间的对应关系，其中，每种预设用药信息至少对应一种预设药物适应症。
8.一种电子设备，其特征在于，包括：处理器、存储器和总线，其中，
所述处理器和所述存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至6任一所述的方法。
9.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至6任一所述的方法。
CN201811045268.1A 2018-09-07 2018-09-07 一种药物适应症的自动生成方法、装置、设备及存储介质 Active CN109273097B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811045268.1A CN109273097B (zh) 2018-09-07 2018-09-07 一种药物适应症的自动生成方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811045268.1A CN109273097B (zh) 2018-09-07 2018-09-07 一种药物适应症的自动生成方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN109273097A true CN109273097A (zh) 2019-01-25
CN109273097B CN109273097B (zh) 2021-04-13

Family

ID=65187445

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811045268.1A Active CN109273097B (zh) 2018-09-07 2018-09-07 一种药物适应症的自动生成方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN109273097B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110297839A (zh) * 2019-06-25 2019-10-01 中国人民解放军军事科学院军事医学研究院 药物适应症的查询方法、装置、计算机设备和存储介质
CN110459330A (zh) * 2019-06-27 2019-11-15 四川省人民医院 药物适应症预测方法及装置
CN110767320A (zh) * 2019-10-31 2020-02-07 北京东软望海科技有限公司 数据处理方法、装置、电子设备及可读存储介质
CN110782998A (zh) * 2019-10-12 2020-02-11 平安医疗健康管理股份有限公司 数据审核方法、装置、计算机设备和存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107391927A (zh) * 2017-07-20 2017-11-24 京东方科技集团股份有限公司 一种预测药物和疾病对应关系的方法和电子设备
CN107403069A (zh) * 2017-07-31 2017-11-28 京东方科技集团股份有限公司 一种药物‑疾病关联关系分析系统及方法
CN107582037A (zh) * 2017-09-30 2018-01-16 深圳前海全民健康科技有限公司 基于脉搏波设计医疗产品的方法
US20180102190A1 (en) * 2016-07-25 2018-04-12 Viviphi Ltd. Generating customizable personal healthcare treatment plans
CN108109700A (zh) * 2017-12-19 2018-06-01 中国科学院深圳先进技术研究院 一种慢性病药物疗效评价方法和装置
CN108231153A (zh) * 2018-02-08 2018-06-29 康美药业股份有限公司 一种药品推荐方法、电子设备和存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20180102190A1 (en) * 2016-07-25 2018-04-12 Viviphi Ltd. Generating customizable personal healthcare treatment plans
CN107391927A (zh) * 2017-07-20 2017-11-24 京东方科技集团股份有限公司 一种预测药物和疾病对应关系的方法和电子设备
CN107403069A (zh) * 2017-07-31 2017-11-28 京东方科技集团股份有限公司 一种药物‑疾病关联关系分析系统及方法
CN107582037A (zh) * 2017-09-30 2018-01-16 深圳前海全民健康科技有限公司 基于脉搏波设计医疗产品的方法
CN108109700A (zh) * 2017-12-19 2018-06-01 中国科学院深圳先进技术研究院 一种慢性病药物疗效评价方法和装置
CN108231153A (zh) * 2018-02-08 2018-06-29 康美药业股份有限公司 一种药品推荐方法、电子设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
雷太龙: "基于机器学习方法的药物毒性的理论预测研究", 《中国博士学位论文全文数据库 医药卫生科技辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110297839A (zh) * 2019-06-25 2019-10-01 中国人民解放军军事科学院军事医学研究院 药物适应症的查询方法、装置、计算机设备和存储介质
CN110297839B (zh) * 2019-06-25 2022-04-12 中国人民解放军军事科学院军事医学研究院 药物适应症的查询方法、装置、计算机设备和存储介质
CN110459330A (zh) * 2019-06-27 2019-11-15 四川省人民医院 药物适应症预测方法及装置
CN110782998A (zh) * 2019-10-12 2020-02-11 平安医疗健康管理股份有限公司 数据审核方法、装置、计算机设备和存储介质
CN110767320A (zh) * 2019-10-31 2020-02-07 北京东软望海科技有限公司 数据处理方法、装置、电子设备及可读存储介质

Also Published As

Publication number Publication date
CN109273097B (zh) 2021-04-13

Similar Documents

Publication Publication Date Title
CN109273097A (zh) 一种药物适应症的自动生成方法及装置
CN111613289B (zh) 个体化药物剂量预测方法、装置、电子设备及存储介质
US11120552B2 (en) Crop grading via deep learning
CN109243620B (zh) 基于血药浓度监测的药效优化方法及装置
WO2020181805A1 (zh) 糖尿病的预测方法及装置、存储介质、计算机设备
CN107785057B (zh) 医疗数据处理方法、装置、存储介质和计算机设备
CN104636631B (zh) 一种利用糖尿病系统大数据预测糖尿病的装置
CN109637663A (zh) 一种基于机器学习的经皮冠状动脉介入治疗心血管不良事件的预测装置
WO2014186387A1 (en) Context-aware prediction in medical systems
CN110363226A (zh) 基于随机森林的眼科病种分类识别方法、装置及介质
CN109801705A (zh) 治疗推荐方法、系统、装置及存储介质
Banerjee et al. Case based reasoning in the detection of retinal abnormalities using decision trees
CN109243546B (zh) 抗凝药药效优化模型的建立方法及装置
CN109544373A (zh) 基于人工智能的医保违规行为检测方法及相关装置
CN111785366B (zh) 患者治疗方案的确定方法、装置及计算机设备
CN109918498A (zh) 一种问题入库方法和装置
CN108364025A (zh) 基于深度学习的胃镜图像识别方法、装置、设备及介质
Kayyum et al. Data analysis on myocardial infarction with the help of machine learning algorithms considering distinctive or non-distinctive features
CN112017789A (zh) 分诊数据处理方法、装置、设备及介质
Movahedi et al. Sequential pattern mining of longitudinal adverse events after Left Ventricular Assist Device implant
CN113326733A (zh) 一种眼动点数据分类模型的构建方法及系统
Karakoyun et al. Data clustering with shuffled leaping frog algorithm (SFLA) for classification
CN111897857A (zh) 主动脉夹层心脏手术后icu时长预测方法
Kamath et al. Modeling fetal morphologic patterns through cardiotocography data: decision tree-based approach
Selvakumar et al. Machine learning based classification of diseased mango leaves

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