CN109273098B - 一种基于智能决策的药品疗效预测方法和装置 - Google Patents
一种基于智能决策的药品疗效预测方法和装置 Download PDFInfo
- Publication number
- CN109273098B CN109273098B CN201811235389.2A CN201811235389A CN109273098B CN 109273098 B CN109273098 B CN 109273098B CN 201811235389 A CN201811235389 A CN 201811235389A CN 109273098 B CN109273098 B CN 109273098B
- Authority
- CN
- China
- Prior art keywords
- medicine
- target
- medical data
- components
- curative effect
- 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
- 239000003814 drug Substances 0.000 title claims abstract description 663
- 229940079593 drug Drugs 0.000 title claims abstract description 211
- 230000000694 effects Effects 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000013598 vector Substances 0.000 claims abstract description 81
- 239000000203 mixture Substances 0.000 claims abstract description 56
- 238000003745 diagnosis Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 25
- 239000000463 material Substances 0.000 claims description 23
- 208000024891 symptom Diseases 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 13
- 239000000470 constituent Substances 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003786 synthesis reaction Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 5
- YEHCICAEULNIGD-MZMPZRCHSA-N pergolide Chemical compound C1=CC([C@H]2C[C@@H](CSC)CN([C@@H]2C2)CCC)=C3C2=CNC3=C1 YEHCICAEULNIGD-MZMPZRCHSA-N 0.000 claims 1
- 229940088507 permax Drugs 0.000 claims 1
- 230000008569 process Effects 0.000 description 8
- BSYNRYMUTXBXSQ-UHFFFAOYSA-N Aspirin Chemical compound CC(=O)OC1=CC=CC=C1C(O)=O BSYNRYMUTXBXSQ-UHFFFAOYSA-N 0.000 description 6
- 229960001138 acetylsalicylic acid Drugs 0.000 description 6
- 206010061218 Inflammation Diseases 0.000 description 5
- 230000004054 inflammatory process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000001225 therapeutic effect Effects 0.000 description 3
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 229940126673 western medicines Drugs 0.000 description 2
- TVYLLZQTGLZFBW-ZBFHGGJFSA-N (R,R)-tramadol Chemical compound COC1=CC=CC([C@]2(O)[C@H](CCCC2)CN(C)C)=C1 TVYLLZQTGLZFBW-ZBFHGGJFSA-N 0.000 description 1
- SUBDBMMJDZJVOS-UHFFFAOYSA-N 5-methoxy-2-{[(4-methoxy-3,5-dimethylpyridin-2-yl)methyl]sulfinyl}-1H-benzimidazole Chemical compound N=1C2=CC(OC)=CC=C2NC=1S(=O)CC1=NC=C(C)C(OC)=C1C SUBDBMMJDZJVOS-UHFFFAOYSA-N 0.000 description 1
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 239000003242 anti bacterial agent Substances 0.000 description 1
- 229940088710 antibiotic agent Drugs 0.000 description 1
- 239000010836 blood and blood product Substances 0.000 description 1
- 229940125691 blood product Drugs 0.000 description 1
- 239000013064 chemical raw material Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000002552 dosage form Substances 0.000 description 1
- 238000009509 drug development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229940126601 medicinal product Drugs 0.000 description 1
- 229930014626 natural product Natural products 0.000 description 1
- 229960000381 omeprazole Drugs 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- VMXUWOKSQNHOCA-LCYFTJDESA-N ranitidine Chemical compound [O-][N+](=O)/C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-LCYFTJDESA-N 0.000 description 1
- 229960000620 ranitidine Drugs 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
- TVYLLZQTGLZFBW-GOEBONIOSA-N tramadol Natural products COC1=CC=CC([C@@]2(O)[C@@H](CCCC2)CN(C)C)=C1 TVYLLZQTGLZFBW-GOEBONIOSA-N 0.000 description 1
- 229960004380 tramadol Drugs 0.000 description 1
- 229960005486 vaccine Drugs 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
- 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
本发明实施例公开了一种基于智能决策的药品疗效预测方法和装置，其中基于智能决策的药品疗效预测方法包括：获取需要进行疗效预测的目标药品和目标药品的组成成分；从医疗数据库获取包含目标药品的组成成分的相似药品对应的医疗数据，对医疗数据进行特征提取，获取医疗数据的特征向量；根据医疗数据的特征向量建立药品疗效预测模型；将目标药品的组成成分输入药品疗效预测模型中，进行目标药品的疗效预测，获得目标药品的疗效预测结果。采用本发明，通过对目标药品的组成成分进行拆解，进而根据包含目标药品组成成分的相似药品建立药品疗效预测模型，对目标药品进行疗效预测，提升了药品疗效预测的效率和准确率。
Description
技术领域
本发明涉及数据处理领域，具体涉及一种基于智能决策的药品疗效预测方法和装置。
背景技术
在现代医学发展过程中，时刻都伴随着新药物的产生，在我国的医保目录中，记录的西药部分甲类品种有315个，乙类品种有818个；中成药部分的甲类品种有135个，乙类品种有792个。因此药品的种类是非常丰富的，而一种新药品的疗效也可以通过已有药品进行预测。
在现有的药品疗效预测过程中，通常是将药品运用到临床，然后根据患者的临床反应来确定。但是这有一个前提，药品必须在生产完成后才能进行疗效预测。这无疑大大降低了药品疗效预测的时效性，进而增加了药品研发的时间成本。并且在将药品进行临床疗效预测时，所验证的样本十分有限，这也降低了药品疗效预测的有效性，因此，亟待发现一种更高效和准确的药品疗效预测方法。
发明内容
本发明实施例提供一种基于智能决策的药品疗效预测方法和装置，能够通过对目标药品的组成成分进行拆解，进而根据包含目标药品组成成分的相似药品建立药品疗效预测模型，对目标药品进行疗效预测，提升了药品疗效预测的效率和准确率。
本发明实施例的第一方面提供了一种基于智能决策的药品疗效预测方法，所述基于智能决策的药品疗效预测方法包括：
获取需要进行疗效预测的目标药品和所述目标药品的组成成分；
从医疗数据库获取包含所述目标药品的组成成分的相似药品对应的医疗数据，对所述医疗数据进行特征提取，获取所述医疗数据的特征向量；
根据所述医疗数据的特征向量建立药品疗效预测模型；
将所述目标药品的组成成分输入药品疗效预测模型中，进行所述目标药品的疗效预测，获得所述目标药品的疗效预测结果。
在可选的情况下，所述获取需要进行疗效预测的目标药品和所述目标药品的组成成分包括：
获取需要进行疗效预测的目标药品并确定目标药品的药品类别，所述药品类别包括西药类别或中成药类别；
若所述目标药品为西药类别，则获取所述西药类别的化学合成成分作为所述目标药品的组成成分；
若所述目标药品为中成药类别，则获取所述重要类别的药材构成作为所述目标药品的组成成分。
在可选的情况下，所述从医疗数据库获取包含所述目标药品的组成成分的相似药品对应的医疗数据，对所述医疗数据进行特征提取，获取所述医疗数据的特征向量，包括：
从药品组成成分数据库中获取与目标药品的组成成分相似度超过第一预设阈值的药品，确定为相似药品；
从医疗数据库中获取包含所述相似药品的医疗数据，所述医疗数据包括患者的诊断结果和用药情况；
从所述诊断结果中提取与所述相似药品对应的目标症状，从所述用药情况中提取与所述相似药品相关的目标用药情况，所述目标用药情况包括用药剂量或给药途径；
将所述目标症状、相似药品和所述目标用药情况结合，生成所述医疗数据的特征向量。
在可选的情况下，所述根据所述医疗数据的特征向量建立药品疗效预测模型，包括：
从医疗数据库中获取包含所述相似药品的实验医疗数据，并将所述实验医疗数据按照存储时间顺序分为训练集数据和验证集数据；
获取所述训练集数据中的样本医疗数据对应的所述特征向量；
获取所述样本医疗数据的治疗结果，所述治疗结果包括有效或无效；
将所述特征向量中的所述目标诊断结果、所述相似药品和所述目标用药情况作为样本属性值，将所述治疗结果作为分类类型，进行贝叶斯预测模型训练，获得贝叶斯分类器；
将所述验证集数据输入所述贝叶斯分类器中，确定所述贝叶斯分类器的有效性，并将所述贝叶斯分类器作为所述药品疗效预测模型。
在可选情况下，所述将所述特征向量中的所述目标诊断结果和所述目标用药情况作为样本属性值，将所述治疗结果作为分类类型，进行贝叶斯预测模型训练，获得贝叶斯分类器，具体包括：
将所述治疗结果作为分类类型，确定所述分类类型对应的先验概率；
将所述目标诊断结果、所述相似药品和所述目标用药情况作为相互独立的属性值，统计并确定所述相互独立的属性值在不同分类类型情况下的条件概率；
根据所述先验概率和所述条件概率，计算确定后验概率，所述后验概率用于表征所述治疗结果的概率分布；
将样本医疗数据指派于后验概率最大的一组分类类型，获得贝叶斯分类器。
在可选的情况下，所述将所述目标药品的组成成分输入药品疗效预测模型中，进行所述目标药品的疗效预测，获得所述目标药品的疗效预测结果，包括：
将所述目标药品的组成成分和所述药品疗效预测模型中的相似药品的组成成分进行相似度匹配，确定两者的相似度；
根据所述药品疗效预测模型中所述相似药品的分类类型结果预测值，结合所述相似度，确定所述目标药品的分类类型结果预测值；
根据所述目标药品的分类类型结果预测值确定所述目标药品的疗效预测结果。
本发明实施例的第二方面提供了一种药品疗效预测装置，所述药品疗效预测装置包括：
获取单元，用于获取需要进行疗效预测的目标药品和所述目标药品的组成成分；
特征提取单元，用于从医疗数据库获取包含所述目标药品的组成成分的相似药品对应的医疗数据，对所述医疗数据进行特征提取，获取所述医疗数据的特征向量；
模型建立单元，用于根据所述医疗数据的特征向量建立药品疗效预测模型；
预测单元，用于将所述目标药品的组成成分输入药品疗效预测模型中，进行所述目标药品的疗效预测，获得所述目标药品的疗效预测结果。
本发明实施例第三方面提供了一种电子装置，包括处理器、存储器、通信接口，以及一个或多个程序，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述程序包括用于执行第一方面任一方法中的步骤的指令。
本发明实施例第四方面提供了一种计算机可读存储介质，存储用于电子数据交换的计算机程序，其中，所述计算机程序使得计算机执行第一方面任一方法所述的步骤的指令。
可见，本发明实施例所描述的基于智能决策的药品疗效预测方法中，首先获取需要进行疗效预测的目标药品和目标药品的组成成分；然后从医疗数据库获取包含目标药品的组成成分的相似药品对应的医疗数据，对医疗数据进行特征提取，获取医疗数据的特征向量；根据医疗数据的特征向量建立药品疗效预测模型；最后将目标药品的组成成分输入药品疗效预测模型中，进行目标药品的疗效预测，获得目标药品的疗效预测结果。在这个过程中，通过对目标药品的组成成分进行拆解，获取目标药品的相似药品，然后根据相似药品建立药品疗效预测模型，对目标药品进行疗效预测，这可以在药品生产完成前就进行药品疗效预测，提升了药品疗效预测的实时性，而海量的医疗数据获取的药品疗效预测模型，提升了药品疗效预测的效率和准确率。
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简单地介绍，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。
图1是本发明实施例提供的一种基于智能决策的药品疗效预测方法流程示意图；
图2是本发明实施例提供的另一种基于智能决策的药品疗效预测方法的流程示意图；
图3是本发明实施例提供的另一种基于智能决策的药品疗效预测方法的流程示意图；
图4是本发明实施例提供的另一种基于智能决策的药品疗效预测方法的流程示意图；
图5是本发明实施例提供的一种电子装置的结构示意图；
图6是本发明实施例提供的一种药品疗效预测装置的结构框图。
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做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。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置展示该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
下面对本发明实施例进行详细介绍。
请参阅图1，图1为本发明实施例中一种基于智能决策的药品疗效预测方法流程示意图，如图1所示，所述基于智能决策的药品疗效预测方法包括：
101、获取需要进行疗效预测的目标药品和所述目标药品的组成成分。
药品是指用于预防、治疗、诊断人的疾病，有目的地调节人的生理机能并规定有适应症或者功能主治、用法和用量的物质，包括中药材、中药饮片、中成药、化学原料药及其制剂、抗生素、生化药品、放射性药品、血清、疫苗、血液制品和诊断药品等。
可选的，获取需要进行疗效预测的目标药品和目标药品的组成成分包括：获取需要进行疗效预测的目标药品并确定目标药品的药品类别，药品类别包括西药类别或中成药类别；若目标药品为西药类别，则获取西药类别的化学合成成分作为目标药品的组成成分；若目标药品为中成药类别，则获取重要类别的药材构成作为目标药品的组成成分。
医院处方单中，最常用的即为西药和中成药。其中西药一般用化学合成方法制成或从天然产物提制而成，为有机化学药品，无机化学药品和生物制品。而中成药是以中药材为原料，在中医药理论指导下，为了预防及治疗疾病的需要，按规定的处方和制剂工艺将其加工制成一定剂型的中药制品。两种药品的组成成分如表1所示：
表1目标药品的组成成分
获取目标药品的组成成分后，执行步骤102。
102、从医疗数据库获取包含所述目标药品的组成成分的相似药品对应的医疗数据，对所述医疗数据进行特征提取，获取所述医疗数据的特征向量。
由于医疗数据库中的数据十分丰富，药品种类也十分丰富，需要有目的地获取特征向量并建立针对某类特定药品，即目标药品的药品疗效预测模型。而在建立药品疗效预测模型时，首先需要获取医疗数据的特征向量。
可选的，从医疗数据库获取包含目标药品的组成成分的相似药品对应的医疗数据，对医疗数据进行特征提取，获取医疗数据的特征向量，包括：从药品组成成分数据库中获取与目标药品的组成成分相似度超过第一预设阈值的药品，确定为相似药品；从医疗数据库中获取包含相似药品的医疗数据，医疗数据包括患者的诊断结果和用药情况；从诊断结果中提取与相似药品对应的目标症状，从用药情况中提取与相似药品相关的目标用药情况，目标用药情况包括用药剂量或给药途径；将目标症状、相似药品和目标用药情况结合，生成医疗数据的特征向量。
药品组成成分数据库中包含所有药品的名称和组成成分，将其与目标药品的组成成分进行匹配时，如果目标药品是西药，那么获取药品组成成分数据库中的西药，并且将获取的西药的分子式与目标药品的分子式进行匹配，包括分子式中各元素的顺序和元素原子数目，只有当获取的西药分子式的元素顺序和元素原子数目与目标药品分子式的完全相同时，才确定该元素匹配成功。例如奥美拉唑的分子式为C17H19N3O3S，雷尼替丁的分子式为C13H22N4O3S，两者都包含5个元素，前三个元素顺序相同但原子个数不同，匹配失败，后两个元素顺序相同且原子个数相同，匹配成功，因此两个分子式的相似度为2/5,那么获取的西药与目标药品的相似度公式为：组成成分相似度＝元素顺序和元素原子个数完全匹配个数/max(目标药品分子式的元素个数，获取的西药分子式的元素个数)。
而对于中成药来说，是由各种中药材组成的，但是在中成药的组成成本表中，药材剂量从前往后成递减趋势，因此，将获取到的中成药与目标药品进行匹配时，药材名称和顺序都相同时才能认为一个药材匹配成功。那么获取的中成药与目标药品的相似度公式为：组成成分相似度＝药材名称顺序完全匹配个数/max(目标药品药材组成个数，获取的中成药药材组成个数)。
当药品组成成分数据库中获取到的药品与目标药品的组成成分相似度超过第一预设阈值时，确定该药品为相似药品。其中，第一预设阈值可以是一个0.3～1之间的小数，例如0.8，也可以是一个30％的百分比，因为要根据获取的相似药品建立药品疗效模型，因此第一预设阈值不能太小，设置第一预设阈值的最小值为0.3或30％。
确定相似药品后，从医疗数据库中获取包含相似药品的医疗数据，包括患者的诊断结果和用药情况。然后从患者的诊断结果中提取与相似药品对应的目标症状，从用药情况中提取与相似药品相关的目标用药情况。例如，对于一个住院患者，其诊断症状中包括：被狗咬伤，大面积流血，轻微发炎。用药：曲马多，注射200ml；阿司匹林，口服3片。假设相似药品为阿司匹林，那么与阿司匹林对应的目标症状为：轻微发炎，目标用药情况为：口服，3片。
根据目标症状、相似药品和目标用药情况，生成医疗数据的特征向量，为：V＝[发炎，阿司匹林，口服，3]。根据同样的方法获取所有包含相似药品的医疗数据的特征向量。
103、根据所述医疗数据的特征向量建立药品疗效预测模型。
获取到医疗数据的特征向量后，即可建立药品疗效预测模型。可以根据贝叶斯模型或极端梯度提升(eXtreme Gradient Boosting，XGBoost)等模型工具建立预测模型。
可选的，根据医疗数据的特征向量建立药品疗效预测模型，包括：从医疗数据库中获取包含相似药品的实验医疗数据，并将实验医疗数据按照存储时间顺序分为训练集数据和验证集数据；获取训练集数据中的样本医疗数据对应的特征向量；获取样本医疗数据的治疗结果，治疗结果包括有效或无效；将特征向量中的目标诊断结果、相似药品和目标用药情况作为样本属性值，将治疗结果作为分类类型，进行贝叶斯预测模型训练，获得贝叶斯分类器；将验证集数据输入贝叶斯分类器中，确定贝叶斯分类器的有效性，并将贝叶斯分类器作为药品疗效预测模型。
在建立药品疗效预测模型时，需要对模型进行训练，获得模型，然后验证模型的准确性。因此，将获取到的包含相似药品的医疗数据作为实验医疗数据，按照时间存储顺序，将先存储的80％试验医疗数据作为训练集数据，记做G0，将后存储的20％试验医疗数据作为验证集数据，记做G1。然后获取G0中的样本医疗数据对应的特征向量，以及每条医疗样本数据对应的治疗结果，有效或者无效，有效记做1，无效记做0，然后将特征向量作为样本属性值，治疗结果作为分类类型，结合贝叶斯公式进行模型训练。各个特征向量作为样本属性值x1,x2,…xm相互独立，分类类型y1,y2构成互斥的完备群，即y1和y2只能出现一个结果，根据贝叶斯公式进行模型训练。
可选的，将特征向量中的目标诊断结果和目标用药情况作为样本属性值，将治疗结果作为分类类型，进行贝叶斯预测模型训练，获得贝叶斯分类器，具体包括：将治疗结果作为分类类型，确定分类类型对应的先验概率；将目标诊断结果、相似药品和目标用药情况作为相互独立的属性值，统计并确定相互独立的属性值在不同分类类型情况下的条件概率；根据先验概率和条件概率，计算确定后验概率，后验概率用于表征治疗结果的概率分布；将样本医疗数据指派于后验概率最大的一组分类类型，获得贝叶斯分类器。
在事件x1,x2,…xm已经出现的条件下，事件yj(j＝1或2)出现的概率为：
其中，P(yj)为先验概率，P(xi|yj)为条件概率，P(yj|x1x2…xm)为后验概率，且在本实施例中，n为2.
根据治疗结果的分布情况，可以设定先验概率P(yj)＝P(y1)＝P(y2)＝0.5，条件概率P(xi|xj)可以根据样本医疗数据中，每个特征向量对应的治疗效果有效个数和无效个数统计得出，因此结合公式(1)可计算得出后验概率，反应出各种特征向量情况下，相似药品的治疗效果为有效或无效的概率。将其中对应的后验概率最大的一组分类类型及其对应的特征向量作为药品疗效预测模型，用于后续对目标药品的疗效预测。
104、将所述目标药品的组成成分输入药品疗效预测模型中，进行所述目标药品的疗效预测，获得所述目标药品的疗效预测结果。
在已获得药品疗效预测模型的前提下，将需要进行预测的药品输入模型中，然后对目标药品的疗效进行预测。
可选的，将目标药品的组成成分输入药品疗效预测模型中，进行目标药品的疗效预测，获得目标药品的疗效预测结果，包括：将目标药品的组成成分和药品疗效预测模型中的相似药品的组成成分进行相似度匹配，确定两者的相似度；根据药品疗效预测模型中相似药品的分类类型结果预测值，结合相似度，确定目标药品的分类类型结果预测值；根据目标药品的分类类型结果预测值确定目标药品的疗效预测结果。
根据药品疗效预测模型，能得到结果是某个特征向量对应某个分类结果的概率，例如特征向量V＝[V＝[发炎，阿司匹林，口服，3]]，分类为“有效”的概率为0.9，那么有一个需要进行药品疗效预测的目标药品B，其药品成分与阿司匹林的相似度为0.8，那么预测该目标药品B的特征向量V’＝[发炎，目标药品B，口服，3]分类为“有效”的概率为0.8×0.9＝0.72，即目标药品B对应发炎这一症状，在口服3片的情况下，有效的概率为0.72，确定了目标药品的疗效预测结果。
可见，在本发明实施例中，首先获取需要进行疗效预测的目标药品和目标药品的组成成分；从医疗数据库获取包含目标药品的组成成分的相似药品对应的医疗数据，对医疗数据进行特征提取，获取医疗数据的特征向量；根据医疗数据的特征向量建立药品疗效预测模型；将目标药品的组成成分输入药品疗效预测模型中，进行目标药品的疗效预测，获得目标药品的疗效预测结果。在这个过程中，通过对目标药品的组成成分进行拆解，获取目标药品的相似药品，然后根据相似药品建立药品疗效预测模型，对目标药品进行疗效预测，这可以在药品生产完成前就进行药品疗效预测，提升了药品疗效预测的实时性，而海量的医疗数据获取的药品疗效预测模型，提升了药品疗效预测的效率和准确率。
请参阅图2，图2是本发明实施例提供的另一种基于智能决策的药品疗效预测方法的流程示意图，如图所示，本实施例中的基于智能决策的药品疗效预测方法包括：
201、获取需要进行疗效预测的目标药品并确定目标药品的药品类别，所述药品类别包括西药类别或中成药类别；
202、若所述目标药品为西药类别，则获取所述西药类别的化学合成成分作为所述目标药品的组成成分；
203、若所述目标药品为中成药类别，则获取所述重要类别的药材构成作为所述目标药品的组成成分；
204、从药品组成成分数据库中获取与目标药品的组成成分相似度超过第一预设阈值的药品，确定为相似药品；
205、从医疗数据库中获取包含所述相似药品的医疗数据，所述医疗数据包括患者的诊断结果和用药情况；
206、从所述诊断结果中提取与所述相似药品对应的目标症状，从所述用药情况中提取与所述相似药品相关的目标用药情况，所述目标用药情况包括用药剂量或给药途径；
207、将所述目标症状、相似药品和所述目标用药情况结合，生成所述医疗数据的特征向量；
208、根据所述医疗数据的特征向量建立药品疗效预测模型；
209、将所述目标药品的组成成分输入药品疗效预测模型中，进行所述目标药品的疗效预测，获得所述目标药品的疗效预测结果。
在本发明实施例中，通过获取需要进行疗效预测的目标药品的类别，对目标药品进行化学合成成分或药材构成的匹配，确定目标药品的相似药品，这样分类进行匹配，提高确定相似药品的效率和准确性，然后获取相似药品的医疗数据，并对其进行特征提取，生成医疗数据的特征向量，最后根据特征向量建立药品疗效预测模型，对目标药品进行疗效预测，提升了药品疗效预测的实时性，而海量的医疗数据获取的药品疗效预测模型，提升了药品疗效预测的效率和准确率。
请参阅图3，图3是本发明实施例提供的另一种基于智能决策的药品疗效预测方法的流程示意图，如图所示，本实施例中的基于智能决策的药品疗效预测方法包括：
301、获取需要进行疗效预测的目标药品和所述目标药品的组成成分；
302、从医疗数据库获取包含所述目标药品的组成成分的相似药品对应的医疗数据，对所述医疗数据进行特征提取，获取所述医疗数据的特征向量；
303、从医疗数据库中获取包含所述相似药品的实验医疗数据，并将所述实验医疗数据按照存储时间顺序分为训练集数据和验证集数据；
304、获取所述训练集数据中的样本医疗数据对应的所述特征向量；
305、获取所述样本医疗数据的治疗结果，所述治疗结果包括有效或无效；
306、将所述治疗结果作为分类类型，确定所述分类类型对应的先验概率；
307、将所述目标诊断结果、所述相似药品和所述目标用药情况作为相互独立的属性值，统计并确定所述相互独立的属性值在不同分类类型情况下的条件概率；
308、根据所述先验概率和所述条件概率，计算确定后验概率，所述后验概率用于表征所述治疗结果的概率分布；
309、将样本医疗数据指派于后验概率最大的一组分类类型，获得贝叶斯分类器；
310、将所述验证集数据输入所述贝叶斯分类器中，确定所述贝叶斯分类器的有效性，并将所述贝叶斯分类器作为所述药品疗效预测模型。
在本发明实施例中，通过贝叶斯公式结合样本医疗数据的特征向量和根据治疗结果确定的分类类型，建立贝叶斯预测模型作为药品疗效预测模型，在这个过程中，由于根据治疗结果确定的分类类型是比较明确的概率结论，将其作为先验概率有其优越性，而贝叶斯模型充分利用先验概率对分类结果进行预测，提升了药品疗效预测的概率和准确率。
请参阅图4，图4是本发明实施例提供的另一种基于智能决策的药品疗效预测方法的流程示意图，如图所示，本实施例中的基于智能决策的药品疗效预测方法包括：
401、获取需要进行疗效预测的目标药品和所述目标药品的组成成分；
402、从医疗数据库获取包含所述目标药品的组成成分的相似药品对应的医疗数据，对所述医疗数据进行特征提取，获取所述医疗数据的特征向量；
403、根据所述医疗数据的特征向量建立药品疗效预测模型；
404、将所述目标药品的组成成分和所述药品疗效预测模型中的相似药品的组成成分进行相似度匹配，确定两者的相似度；
405、根据所述药品疗效预测模型中所述相似药品的分类类型结果预测值，结合所述相似度，确定所述目标药品的分类类型结果预测值；
406、根据所述目标药品的分类类型结果预测值确定所述目标药品的疗效预测结果。
在本发明实施例中，通过获取目标药品的组成成分，然后从医疗数据库获取包含目标药品组成成分的相似药品的医疗数据，对医疗数据进行特征提取，获取特征向量，并根据特征向量建立药品疗效预测模型。最后，根据目标药品的组成成分与相似药品组成成分的相似度，结合药品疗效预测模型，确定目标药品的疗效预测结果。这个过程按照药品相似度进行药品疗效预测，提升了药品疗效预测的实时性和效率。
图5是本发明实施例提供的一种电子装置的结构示意图，如图5所示，该电子装置包括处理器、存储器、通信接口以及一个或多个程序，其中，上述一个或多个程序被存储在上述存储器中，并且被配置由上述处理器执行，上述程序包括用于执行以下步骤的指令：
获取需要进行疗效预测的目标药品和所述目标药品的组成成分；
从医疗数据库获取包含所述目标药品的组成成分的相似药品对应的医疗数据，对所述医疗数据进行特征提取，获取所述医疗数据的特征向量；
根据所述医疗数据的特征向量建立药品疗效预测模型；
将所述目标药品的组成成分输入药品疗效预测模型中，进行所述目标药品的疗效预测，获得所述目标药品的疗效预测结果。
可见，电子装置首先获取需要进行疗效预测的目标药品和目标药品的组成成分；然后从医疗数据库获取包含目标药品的组成成分的相似药品对应的医疗数据，对医疗数据进行特征提取，获取医疗数据的特征向量；根据医疗数据的特征向量建立药品疗效预测模型；最后将目标药品的组成成分输入药品疗效预测模型中，进行目标药品的疗效预测，获得目标药品的疗效预测结果。在这个过程中，通过对目标药品的组成成分进行拆解，获取目标药品的相似药品，然后根据相似药品建立药品疗效预测模型，对目标药品进行疗效预测，这可以在药品生产完成前就进行药品疗效预测，提升了药品疗效预测的实时性，而海量的医疗数据获取的药品疗效预测模型，提升了药品疗效预测的效率和准确率。
在一个可能的示例中，所述获取需要进行疗效预测的目标药品和所述目标药品的组成成分包括：
获取需要进行疗效预测的目标药品并确定目标药品的药品类别，所述药品类别包括西药类别或中成药类别；
若所述目标药品为西药类别，则获取所述西药类别的化学合成成分作为所述目标药品的组成成分；
若所述目标药品为中成药类别，则获取所述重要类别的药材构成作为所述目标药品的组成成分。
在一个可能的示例中，所述从医疗数据库获取包含所述目标药品的组成成分的相似药品对应的医疗数据，对所述医疗数据进行特征提取，获取所述医疗数据的特征向量，包括：
从药品组成成分数据库中获取与目标药品的组成成分相似度超过第一预设阈值的药品，确定为相似药品；
从医疗数据库中获取包含所述相似药品的医疗数据，所述医疗数据包括患者的诊断结果和用药情况；
从所述诊断结果中提取与所述相似药品对应的目标症状，从所述用药情况中提取与所述相似药品相关的目标用药情况，所述目标用药情况包括用药剂量或给药途径；
将所述目标症状、相似药品和所述目标用药情况结合，生成所述医疗数据的特征向量。
在一个可能的示例中，所述根据所述医疗数据的特征向量建立药品疗效预测模型，包括：
从医疗数据库中获取包含所述相似药品的实验医疗数据，并将所述实验医疗数据按照存储时间顺序分为训练集数据和验证集数据；
获取所述训练集数据中的样本医疗数据对应的所述特征向量；
获取所述样本医疗数据的治疗结果，所述治疗结果包括有效或无效；
将所述特征向量中的所述目标诊断结果、所述相似药品和所述目标用药情况作为样本属性值，将所述治疗结果作为分类类型，进行贝叶斯预测模型训练，获得贝叶斯分类器；
将所述验证集数据输入所述贝叶斯分类器中，确定所述贝叶斯分类器的有效性，并将所述贝叶斯分类器作为所述药品疗效预测模型。
在一个可能的示例中，所述将所述特征向量中的所述目标诊断结果和所述目标用药情况作为样本属性值，将所述治疗结果作为分类类型，进行贝叶斯预测模型训练，获得贝叶斯分类器，具体包括：
将所述治疗结果作为分类类型，确定所述分类类型对应的先验概率；
将所述目标诊断结果、所述相似药品和所述目标用药情况作为相互独立的属性值，统计并确定所述相互独立的属性值在不同分类类型情况下的条件概率；
根据所述先验概率和所述条件概率，计算确定后验概率，所述后验概率用于表征所述治疗结果的概率分布；
将样本医疗数据指派于后验概率最大的一组分类类型，获得贝叶斯分类器。
在一个可能的示例中，所述将所述目标药品的组成成分输入药品疗效预测模型中，进行所述目标药品的疗效预测，获得所述目标药品的疗效预测结果，包括：
将所述目标药品的组成成分和所述药品疗效预测模型中的相似药品的组成成分进行相似度匹配，确定两者的相似度；
根据所述药品疗效预测模型中所述相似药品的分类类型结果预测值，结合所述相似度，确定所述目标药品的分类类型结果预测值；
根据所述目标药品的分类类型结果预测值确定所述目标药品的疗效预测结果。
图6是本发明实施例中所涉及的药品疗效预测装置600的功能单元组成框图。该药品疗效预测装置600应用于电子装置，所述药品疗效预测装置包括：
获取单元601，用于获取需要进行疗效预测的目标药品和所述目标药品的组成成分；
特征提取单元602，用于从医疗数据库获取包含所述目标药品的组成成分的相似药品对应的医疗数据，对所述医疗数据进行特征提取，获取所述医疗数据的特征向量；
模型建立单元603，用于根据所述医疗数据的特征向量建立药品疗效预测模型；
预测单元604，用于将所述目标药品的组成成分输入药品疗效预测模型中，进行所述目标药品的疗效预测，获得所述目标药品的疗效预测结果。
在此，需要说明的是，上述获取单元601、特征提取单元602、模型建立单元603和预测单元604的具体工作过程参见上述步骤101-104的相关描述。在此不再赘述。
可以看出，在本发明实施例中，药品疗效预测装置首先获取需要进行疗效预测的目标药品和目标药品的组成成分；然后从医疗数据库获取包含目标药品的组成成分的相似药品对应的医疗数据，对医疗数据进行特征提取，获取医疗数据的特征向量；根据医疗数据的特征向量建立药品疗效预测模型；最后将目标药品的组成成分输入药品疗效预测模型中，进行目标药品的疗效预测，获得目标药品的疗效预测结果。在这个过程中，通过对目标药品的组成成分进行拆解，获取目标药品的相似药品，然后根据相似药品建立药品疗效预测模型，对目标药品进行疗效预测，这可以在药品生产完成前就进行药品疗效预测，提升了药品疗效预测的实时性，而海量的医疗数据获取的药品疗效预测模型，提升了药品疗效预测的效率和准确率。
在可选情况下，在所述获取需要进行疗效预测的目标药品和所述目标药品的组成成分方面，所述获取单元601具体用于：
获取需要进行疗效预测的目标药品并确定目标药品的药品类别，所述药品类别包括西药类别或中成药类别；
若所述目标药品为西药类别，则获取所述西药类别的化学合成成分作为所述目标药品的组成成分；
若所述目标药品为中成药类别，则获取所述重要类别的药材构成作为所述目标药品的组成成分。
在可选情况下，在所述从医疗数据库获取包含所述目标药品的组成成分的相似药品对应的医疗数据，对所述医疗数据进行特征提取，获取所述医疗数据的特征向量方面，所述特征提取单元602具体用于：
从药品组成成分数据库中获取与目标药品的组成成分相似度超过第一预设阈值的药品，确定为相似药品；
从医疗数据库中获取包含所述相似药品的医疗数据，所述医疗数据包括患者的诊断结果和用药情况；
从所述诊断结果中提取与所述相似药品对应的目标症状，从所述用药情况中提取与所述相似药品相关的目标用药情况，所述目标用药情况包括用药剂量或给药途径；
将所述目标症状、相似药品和所述目标用药情况结合，生成所述医疗数据的特征向量。
在可选情况下，在所述根据所述医疗数据的特征向量建立药品疗效预测模型方面，所述模型建立单元603具体用于：
从医疗数据库中获取包含所述相似药品的实验医疗数据，并将所述实验医疗数据按照存储时间顺序分为训练集数据和验证集数据；
获取所述训练集数据中的样本医疗数据对应的所述特征向量；
获取所述样本医疗数据的治疗结果，所述治疗结果包括有效或无效；
将所述特征向量中的所述目标诊断结果、所述相似药品和所述目标用药情况作为样本属性值，将所述治疗结果作为分类类型，进行贝叶斯预测模型训练，获得贝叶斯分类器；
将所述验证集数据输入所述贝叶斯分类器中，确定所述贝叶斯分类器的有效性，并将所述贝叶斯分类器作为所述药品疗效预测模型。
在可选情况下，在所述将所述特征向量中的所述目标诊断结果和所述目标用药情况作为样本属性值，将所述治疗结果作为分类类型，进行贝叶斯预测模型训练，获得贝叶斯分类器方面，所述模型建立单元603还具体用于：
将所述治疗结果作为分类类型，确定所述分类类型对应的先验概率；
将所述目标诊断结果、所述相似药品和所述目标用药情况作为相互独立的属性值，统计并确定所述相互独立的属性值在不同分类类型情况下的条件概率；
根据所述先验概率和所述条件概率，计算确定后验概率，所述后验概率用于表征所述治疗结果的概率分布；
将样本医疗数据指派于后验概率最大的一组分类类型，获得贝叶斯分类器。
在可选情况下，在所述将所述目标药品的组成成分输入药品疗效预测模型中，进行所述目标药品的疗效预测，获得所述目标药品的疗效预测结果方面，所述预测单元604具体用于：
将所述目标药品的组成成分和所述药品疗效预测模型中的相似药品的组成成分进行相似度匹配，确定两者的相似度；
根据所述药品疗效预测模型中所述相似药品的分类类型结果预测值，结合所述相似度，确定所述目标药品的分类类型结果预测值；
根据所述目标药品的分类类型结果预测值确定所述目标药品的疗效预测结果。
本发明实施例还提供一种计算机存储介质，其中，该计算机存储介质存储用于电子数据交换的计算机程序，该计算机程序使得计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤，上述计算机包括移动终端。
本发明实施例还提供一种计算机程序产品，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包，上述计算机包括移动终端。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
上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单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
上述集成的单元若以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、ROM、RAM、磁盘或光盘等。
以上对本发明实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种基于智能决策的药品疗效预测方法，其特征在于，所述方法包括：
获取需要进行疗效预测的目标药品和所述目标药品的组成成分；
若所述目标药品是西药，获取药品组成成分数据库中的西药；确定获取的西药分子式的元素顺序和元素原子数目与目标药品分子式的完全匹配的元素个数；基于元素顺序和元素原子数目与目标药品分子式的完全匹配个数以及目标药品分子式的元素个数，获取的西药分子式的元素个数中的最大值，确定获取的西药与目标药品的相似度，其中，该相似度满足以下公式：相似度=元素顺序和元素原子个数完全匹配个数/max（目标药品分子式的元素个数，获取的西药分子式的元素个数）；
若所述目标药品为中成药，确定获取到的中成药与目标药品的药材名称和顺序完全匹配的元素个数；基于药材名称和顺序都匹配的元素个数，以及目标药品药材组成个数，获取的中成药药材组成个数的最大值，确定获取的中成药与目标药品的相似度，该相似度满足以下公式：相似度=药材名称顺序完全匹配个数/max（目标药品药材组成个数，获取的中成药药材组成个数）；
从药品组成成分数据库中获取与目标药品的组成成分相似度超过第一预设阈值的药品，确定为相似药品；
从医疗数据库获取包含所述目标药品的组成成分的相似药品对应的医疗数据，对所述医疗数据进行特征提取，获取所述医疗数据的特征向量；
根据所述医疗数据的特征向量建立药品疗效预测模型；
将所述目标药品的组成成分输入药品疗效预测模型中，进行所述目标药品的疗效预测，获得所述目标药品的疗效预测结果。
2.根据权利要求1所述的方法，其特征在于，所述获取需要进行疗效预测的目标药品和所述目标药品的组成成分包括：
获取需要进行疗效预测的目标药品并确定目标药品的药品类别，所述药品类别包括西药类别或中成药类别；
若所述目标药品为西药类别，则获取所述西药类别的化学合成成分作为所述目标药品的组成成分；
若所述目标药品为中成药类别，则获取所述中成药类别的药材构成作为所述目标药品的组成成分。
3.根据权利要求2所述的方法，其特征在于，所述从医疗数据库获取包含所述目标药品的组成成分的相似药品对应的医疗数据，对所述医疗数据进行特征提取，获取所述医疗数据的特征向量，包括：
从医疗数据库中获取包含所述相似药品的医疗数据，所述医疗数据包括患者的诊断结果和用药情况；
从所述诊断结果中提取与所述相似药品对应的目标症状，从所述用药情况中提取与所述相似药品相关的目标用药情况，所述目标用药情况包括用药剂量或给药途径；
将所述目标症状、相似药品和所述目标用药情况结合，生成所述医疗数据的特征向量。
4.根据权利要求3所述的方法，其特征在于，所述根据所述医疗数据的特征向量建立药品疗效预测模型，包括：
从医疗数据库中获取包含所述相似药品的实验医疗数据，并将所述实验医疗数据按照存储时间顺序分为训练集数据和验证集数据；
获取所述训练集数据中的样本医疗数据对应的所述特征向量；
获取所述样本医疗数据的治疗结果，所述治疗结果包括有效或无效；
将所述特征向量中的所述目标症状、所述相似药品和所述目标用药情况作为样本属性值，将所述治疗结果作为分类类型，进行贝叶斯预测模型训练，获得贝叶斯分类器；
将所述验证集数据输入所述贝叶斯分类器中，确定所述贝叶斯分类器的有效性，并将所述贝叶斯分类器作为所述药品疗效预测模型。
5.根据权利要求4所述的方法，其特征在于，所述将所述特征向量中的所述目标症状、所述相似药品和所述目标用药情况作为样本属性值，将所述治疗结果作为分类类型，进行贝叶斯预测模型训练，获得贝叶斯分类器，具体包括：
将所述治疗结果作为分类类型，确定所述分类类型对应的先验概率；
将所述目标症状、所述相似药品和所述目标用药情况作为相互独立的属性值，统计并确定所述相互独立的属性值在不同分类类型情况下的条件概率；
根据所述先验概率和所述条件概率，计算确定后验概率，所述后验概率用于表征所述治疗结果的概率分布；
将样本医疗数据指派于后验概率最大的一组分类类型，获得贝叶斯分类器。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述将所述目标药品的组成成分输入药品疗效预测模型中，进行所述目标药品的疗效预测，获得所述目标药品的疗效预测结果，包括：
将所述目标药品的组成成分和所述药品疗效预测模型中的相似药品的组成成分进行相似度匹配，确定两者的相似度；
根据所述药品疗效预测模型中所述相似药品的分类类型结果预测值，结合所述相似度，确定所述目标药品的分类类型结果预测值；
根据所述目标药品的分类类型结果预测值确定所述目标药品的疗效预测结果。
7.一种药品疗效预测装置，其特征在于，所述药品疗效预测装置用于执行权利要求1-6任一项所述的方法，所述药品疗效预测装置包括：
获取单元，用于获取需要进行疗效预测的目标药品和所述目标药品的组成成分；
特征提取单元，用于从医疗数据库获取包含所述目标药品的组成成分的相似药品对应的医疗数据，对所述医疗数据进行特征提取，获取所述医疗数据的特征向量；
模型建立单元，用于根据所述医疗数据的特征向量建立药品疗效预测模型；
预测单元，用于将所述目标药品的组成成分输入药品疗效预测模型中，进行所述目标药品的疗效预测，获得所述目标药品的疗效预测结果。
8.根据权利要求7所述的装置，其特征在于，在所述获取需要进行疗效预测的目标药品和所述目标药品的组成成分方面，所述获取单元具体用于：
获取需要进行疗效预测的目标药品并确定目标药品的药品类别，所述药品类别包括西药类别或中成药类别；
若所述目标药品为西药类别，则获取所述西药类别的化学合成成分作为所述目标药品的组成成分；
若所述目标药品为中成药类别，则获取所述中成药类别的药材构成作为所述目标药品的组成成分。
9.一种电子装置，其特征在于，包括处理器、存储器、通信接口，以及一个或多个程序，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述程序包括用于执行权利要求1-6任一方法中的步骤的指令。
10.一种计算机可读存储介质，其特征在于，存储用于电子数据交换的计算机程序，其中，所述计算机程序使得计算机执行权利要求1-6中任一方法所述的步骤的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811235389.2A CN109273098B (zh) | 2018-10-23 | 2018-10-23 | 一种基于智能决策的药品疗效预测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811235389.2A CN109273098B (zh) | 2018-10-23 | 2018-10-23 | 一种基于智能决策的药品疗效预测方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109273098A CN109273098A (zh) | 2019-01-25 |
| CN109273098B true CN109273098B (zh) | 2024-05-14 |
Family
ID=65194833
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811235389.2A Active CN109273098B (zh) | 2018-10-23 | 2018-10-23 | 一种基于智能决策的药品疗效预测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109273098B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11482305B2 (en) | 2018-08-18 | 2022-10-25 | Synkrino Biotherapeutics, Inc. | Artificial intelligence analysis of RNA transcriptome for drug discovery |
| CN112116976A (zh) * | 2019-06-20 | 2020-12-22 | 上海智臻智能网络科技股份有限公司 | 药品信息的处理方法、装置及计算机可读存储介质 |
| CN111428930A (zh) * | 2020-03-24 | 2020-07-17 | 中电药明数据科技(成都)有限公司 | 一种基于gbdt的药品患者使用人数的预测方法及系统 |
| CN111640511B (zh) * | 2020-05-29 | 2023-08-04 | 北京百度网讯科技有限公司 | 医疗事实验证的方法、装置、电子设备及存储介质 |
| CN111834017A (zh) * | 2020-07-09 | 2020-10-27 | 上海市精神卫生中心（上海市心理咨询培训中心） | 一种精神药物治疗效果预测方法，系统和装置 |
| CN113707263B (zh) * | 2021-08-31 | 2023-09-12 | 平安科技（深圳）有限公司 | 基于群体划分的药物有效性评价方法、装置及计算机设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2239579A1 (en) * | 2009-04-10 | 2010-10-13 | PamGene B.V. | Method for the predicting of the response of non-small cell lung cancer patients to targeted pharmacotherapy |
| CN105993016A (zh) * | 2014-02-04 | 2016-10-05 | 奥普蒂马塔公司 | 用于预测医疗效果的方法和系统 |
| WO2017194431A1 (en) * | 2016-05-12 | 2017-11-16 | F. Hoffmann-La Roche Ag | System for predicting efficacy of a target-directed drug to treat a disease |
| CN107731309A (zh) * | 2017-08-31 | 2018-02-23 | 武汉百药联科科技有限公司 | 一种药物活性的预测方法及其应用 |
| CN108509761A (zh) * | 2018-03-26 | 2018-09-07 | 中山大学 | 一种基于梯度提升决策树和特征选择的药物靶标预测方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050216200A1 (en) * | 2004-03-29 | 2005-09-29 | The Govt. of U.S.A. Represented by the Secretary, Department of Health and Human Services | Neural network pattern recognition for predicting pharmacodynamics using patient characteristics |
| JP2014071592A (ja) * | 2012-09-28 | 2014-04-21 | Fujifilm Corp | 投薬効果予測システム及びその制御方法、並びに制御プログラム |
| US20180060483A1 (en) * | 2016-08-23 | 2018-03-01 | Standigm | Method for predicting therapeutic efficacy of combined drug by machine learning ensemble model |
-
2018
- 2018-10-23 CN CN201811235389.2A patent/CN109273098B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2239579A1 (en) * | 2009-04-10 | 2010-10-13 | PamGene B.V. | Method for the predicting of the response of non-small cell lung cancer patients to targeted pharmacotherapy |
| CN105993016A (zh) * | 2014-02-04 | 2016-10-05 | 奥普蒂马塔公司 | 用于预测医疗效果的方法和系统 |
| WO2017194431A1 (en) * | 2016-05-12 | 2017-11-16 | F. Hoffmann-La Roche Ag | System for predicting efficacy of a target-directed drug to treat a disease |
| CN107731309A (zh) * | 2017-08-31 | 2018-02-23 | 武汉百药联科科技有限公司 | 一种药物活性的预测方法及其应用 |
| CN108509761A (zh) * | 2018-03-26 | 2018-09-07 | 中山大学 | 一种基于梯度提升决策树和特征选择的药物靶标预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109273098A (zh) | 2019-01-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109273098B (zh) | 一种基于智能决策的药品疗效预测方法和装置 | |
| Hansen et al. | Bystander defibrillation for out-of-hospital cardiac arrest in public vs residential locations | |
| de Souto Barreto et al. | Association of long-term exercise training with risk of falls, fractures, hospitalizations, and mortality in older adults: a systematic review and meta-analysis | |
| Chang et al. | Effect of a single dose of oral opioid and nonopioid analgesics on acute extremity pain in the emergency department: a randomized clinical trial | |
| Naggie et al. | Effect of ivermectin vs placebo on time to sustained recovery in outpatients with mild to moderate COVID-19: a randomized clinical trial | |
| Lewis et al. | High-dosage ascorbic acid treatment in Charcot-Marie-Tooth disease type 1A: results of a randomized, double-masked, controlled trial | |
| Chatterjee et al. | New oral anticoagulants and the risk of intracranial hemorrhage: traditional and Bayesian meta-analysis and mixed treatment comparison of randomized trials of new oral anticoagulants in atrial fibrillation | |
| Hagihara et al. | Prehospital epinephrine use and survival among patients with out-of-hospital cardiac arrest | |
| CN108899070A (zh) | 处方推荐生成方法、装置、计算机设备和存储介质 | |
| Letterie et al. | Artificial intelligence in in vitro fertilization: a computer decision support system for day-to-day management of ovarian stimulation during in vitro fertilization | |
| Littrell et al. | Marked reduction of tardive dyskinesia with olanzapine | |
| CN108766561B (zh) | 病症信息处理方法、装置、计算机设备和存储介质 | |
| US10423758B2 (en) | Computer system and information processing method | |
| Salem et al. | Association of oral contraceptives with drug-induced QT interval prolongation in healthy nonmenopausal women | |
| Miller et al. | Pulsatile administration of low-dose gonadotropin-releasing hormone: Ovulation and pregnancy in women with hypothalamic amenorrhea | |
| Evans et al. | Antagonism of growth and sex hormones of the anterior hypophysis | |
| CN106383993B (zh) | 医用信息的处理方法 | |
| CN112331298A (zh) | 开具药方的方法、装置、电子设备及存储介质 | |
| Camacho et al. | Treatment of vitiligo with oral and topical phenylalanine: 6 years of experience | |
| CN109524083A (zh) | 基于医疗大数据监测辅助用药合理性的方法及相关产品 | |
| Weintraub et al. | Myocarditis or pericarditis following mRNA COVID-19 vaccination | |
| Prochaska | Nicotine replacement therapy as a maintenance treatment | |
| Jang et al. | BNT162b2 vaccine effectiveness against the SARS-CoV-2 omicron variant in children aged 5 to 11 years | |
| Nowakowska et al. | Association of second-generation antiandrogens with depression among patients with prostate cancer | |
| Stewart et al. | Higher-dose fluvoxamine and time to sustained recovery in outpatients with COVID-19: The ACTIV-6 randomized clinical trial |
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 |