CN109599189B - 用药异常反应监测的方法、装置、电子设备和存储介质 - Google Patents

Abstract

本发明公开了一种用药异常反应监测的方法、装置、电子设备和存储介质，涉及机器学习领域，该方法包括：接收医生输入的患者的诊断信息，所述诊断信息包括诊断出的疾病和给出的用药建议；在接收医生输入的患者的诊断信息后每隔预定时间周期，接收患者佩戴或家庭中放置的各测量设备测量并上报的各生理指标值；将诊断出的疾病、用药建议、接收的各生理指标值、以及从接收诊断信息的时间到接收各生理指标值的时间之间的时间差输入第一机器学习模型,获取患者是否出现用药异常反应的判断结果。此方法下，提出了一种自动化的判断患者用药异常反应的技术。

Description

用药异常反应监测的方法、装置、电子设备和存储介质

技术领域

本发明涉及机器学习领域，特别涉及一种用药异常反应监测的方法、装置、电子设备及存储介质。

背景技术

近年来，我国人口老龄化规模持续增长，空巢老人现象日益严重。同时，糖尿病、高血压、心脏病等慢性病患者人数也不断增加，在这些患者漫长地治疗过程中经常会出现一些用药异常反应和相关疾病的并发症，出现用药异常反应如不及时发现并调整治疗方案，将会加重患者的病情，严重时甚至可能导致患者死亡。此外，大部分患者往往不会住在医院接受长期治疗，其往往是周期性返回医院进行检查，这样很可能延误治疗时机，同时也会大量消耗患者的财力和体力，甚至可能加重患者的精神负担。

在现有技术中，对患者用药异常反应监测往往通过用户佩戴的带有测量用户生理指标值功能的智能装备，当测量出的用户生理指标值超出或低于一定的生理指标值，则提醒用户。

现有技术的缺陷在于，患者佩戴的具有测量用户生理指标值功能的智能装备只能测量出用户的生理指标值，但这些生理指标值是否是异常反应要去医院询问医生。

发明内容

本发明的目的在于解决相关技术中无法自动化判断患者用药反应是否异常的技术问题，本发明提供了一种用药异常反应监测的方法、装置、介质及电子设备。

根据本申请的一方面，提供了一种用药异常反应监测的方法，所述方法包括：

接收医生输入的患者的诊断信息，所述诊断信息包括诊断出的疾病和给出的用药建议；

在接收医生输入的患者的诊断信息后每隔预定时间周期，接收患者佩戴或家庭中放置的各测量设备测量并上报的各生理指标值；

将诊断出的疾病、用药建议、接收的各生理指标值、以及从接收诊断信息的时间到接收各生理指标值的时间之间的时间差输入第一机器学习模型,获取患者是否出现用药异常反应的判断结果。

在本公开的一示例性实施例中，所述第一机器学习模型通过以下方式训练：

针对样本患者集合中的每个样本患者，接收医生为该样本患者输入的诊断信息，所述诊断信息包括诊断出的疾病和给出的用药建议，在接收医生输入的样本患者的诊断信息后随机一段时间后的时间点，接收样本患者佩戴或家庭中放置的各测量设备测量并上报的各生理指标值，接收在该时间点医生给出的该样本患者是否出现用药异常反应的判断结果，将诊断出的疾病、用药建议、接收的各生理指标值、以及从接收诊断信息的时间到接收各生理指标值的时间之间的时间差输入第一机器学习模型，由第一机器学习模型给出是否出现用药异常反应的判断结果，将第一机器学习模型给出的判断结果与医生给出的判断结果进行比较，如不一致，则调整第一机器学习模型，使第一机器学习模型给出的判断结果与医生给出的判断结果一致。

在本公开的一示例性实施例中，在接收患者佩戴或家庭中放置的各测量设备测量并上报的各生理指标值后，包括：

将诊断出的疾病、用药建议、接收的各生理指标值、以及从接收诊断信息的时间到接收各生理指标值的时间之间的时间差输入第二机器学习模型，由第二机器学习模型给出是否出现并发症和何种并发症的判断结果。

在本公开的一示例性实施例中，所述第二机器学习模型通过以下方式训练：

针对样本患者集合中的每个样本患者，接收医生为该样本患者输入的诊断信息，所述诊断信息包括诊断出的疾病和给出的用药建议，在接收医生输入的样本患者的诊断信息后随机一段时间后的时间点，接收样本患者佩戴或家庭中放置的各测量设备测量并上报的各生理指标值，接收在该时间点医生给出的该样本患者是否出现并发症和何种并发症的判断结果，将诊断出的疾病、用药建议、接收的各生理指标值、以及从接收诊断信息的时间到接收各生理指标值的时间之间的时间差输入第二机器学习模型，由第二机器学习模型给出是否出现并发症和何种并发症的判断结果，将第二机器学习模型给出的判断结果与医生给出的判断结果进行比较，如不一致，则调整第二机器学习模型，使第二机器学习模型给出的判断结果与医生给出的判断结果一致。

在本公开的一示例性实施例中，在接收患者佩戴或家庭中放置的各测量设备测量并上报的各生理指标值后，还包括：

将诊断出的疾病、用药建议、接收的各生理指标值、以及从接收诊断信息的时间到接收各生理指标值的时间之间的时间差输入第三机器学习模型，由第三机器学习模型给出是否出现并发症的判断结果；

如果第三机器学习模型给出出现并发症的判断结果，将诊断出的疾病、用药建议、接收的各生理指标值、以及从接收诊断信息的时间到接收各生理指标值的时间之间的时间差输入第四机器学习模型，由第四机器学习模型给出并发症的判断结果。

在本公开的一示例性实施例中，所述第三机器学习模型通过以下方式训练：

针对样本患者集合中的每个样本患者，接收医生为该样本患者输入的诊断信息，所述诊断信息包括诊断出的疾病和给出的用药建议，在接收医生输入的样本患者的诊断信息后随机一段时间后的时间点，接收样本患者佩戴或家庭中放置的各测量设备测量并上报的各生理指标值，接收在该时间点医生给出的该样本患者是否出现并发症的判断结果，将诊断出的疾病、用药建议、接收的各生理指标值、以及从接收诊断信息的时间到接收各生理指标值的时间之间的时间差输入第三机器学习模型，由第三机器学习模型给出是否出现并发症的判断结果，将第三机器学习模型给出的判断结果与医生给出的判断结果进行比较，如不一致，则调整第三机器学习模型，使第三机器学习模型给出的判断结果与医生给出的判断结果一致。

在本公开的一示例性实施例中，所述第四机器学习模型预先通过以下方式训练：

针对样本患者集合中的每个样本患者，接收医生为该样本患者输入的诊断信息，所述诊断信息包括诊断出的疾病和给出的用药建议，在接收医生输入的样本患者的诊断信息后随机一段时间后的时间点，接收样本患者佩戴或家庭中放置的各测量设备测量并上报的各生理指标值，接收在该时间点医生给出的并发症的判断结果，将诊断出的疾病、用药建议、接收的各生理指标值、以及从接收诊断信息的时间到接收各生理指标值的时间之间的时间差输入第四机器学习模型，由第四机器学习模型给出并发症的判断结果，将第四机器学习模型给出的判断结果与医生给出的判断结果进行比较，如不一致，则调整第四机器学习模型，使第四机器学习模型给出的判断结果与医生给出的判断结果一致。

根据本公开的第二方面，提供了一种用药异常反应监测的装置，包括：

第一接收单元：配置为接收医生输入的患者的诊断信息；

第二接收单元，配置为接收在接收医生输入的患者的诊断信息后每隔预定时间周期，接收患者佩戴或家庭中放置的各测量设备测量并上报的各生理指标值；

用药异常反应判断单元，配置为将诊断出的疾病、用药建议、接收的各生理指标值、以及从接收诊断信息的时间到接收各生理指标值的时间之间的时间差输入第一机器学习模型，从而判断患者是否出现用药异常反应。

根据本公开的第三方面，提供了一种用药异常反应监测的电子设备，包括：

存储器，配置为存储可执行指令。

处理器，配置为执行所述存储器中存储的可执行指令，以执行以上所述的方法。

根据本公开的第四方面，提供一种计算机可读存储介质，其存储有计算机程序指令，当所述计算机指令被计算机执行时，使计算机执行以上所述的方法。

与现有技术中仅仅通过患者佩戴的具有测量用户生理指标功能的智能装备通过测量用户的生理指标值然后让医生根据生理指标值判断用户是否有用药反应不同，本公开方案通过将诊断出的疾病、用药建议、接收的各生理指标值、以及从接收诊断信息的时间到接收各生理指标值的时间之间的时间差输入机器学习模型,由机器学习模型判断患者是否出现用药异常反应，提出了一种自动化的判断患者用药反应的技术。另外，由于在判断过程中，不但考虑到测得的各生理指标值，还考虑到诊断出的疾病、用药建议、以及从接收诊断信息的时间到接收各生理指标值的时间之间的时间差，也提高了确定用药反应的准确性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。

附图说明

图1是根据一示例性实施例示出的用药异常反应监测的系统架构图。

图2是根据一示例性实施例示出的一种用药异常反应监测方法的流程示意图。

图3是根据一示例性实施例示出的一种用药异常反应监测方法的的流程图。

图4是根据一示例性实施例示出的一种用药异常反应监测方法的的流程图。

图5是根据一示例性实施例示出的用药异常反应监测的装置。

图6是根据一示例性实施例示出的用药异常反应监测的电子设备图。

图7是根据一示例性实施例示出的用药异常反应监测的计算机可读存储介质图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

本公开的目的在于从技术方面提高判断患者是否出现用药异常反应的准确性。根据本公开一个实施例的用药异常反应监测的方法，包括：接收医生输入的患者的诊断信息，所述诊断信息包括诊断出的疾病和给出的用药建议；在接收医生输入的患者的诊断信息后每隔预定时间周期，接收患者佩戴或家庭中放置的各测量设备测量并上报的各生理指标值；将诊断出的疾病、用药建议、接收的各生理指标值、以及从接收诊断信息的时间到接收各生理指标值的时间之间的时间差输入第一机器学习模型,获取患者是否出现用药异常反应的判断结果。与现有技术中通过患者佩戴的具有测量用户生理指标功能的智能装备通过测量用户的生理指标值然后让医生根据生理指标值判断用户是否有用药反应不同，本公开方案通过将诊断出的疾病、用药建议、接收的各生理指标值、以及从接收诊断信息的时间到接收各生理指标值的时间之间的时间差输入机器学习模型,由机器学习模型判断患者是否出现用药异常反应，提出了一种自动化的判断患者用药反应的技术。

图1是根据一示例性实施例示出的用药异常反应监测的系统架构图。所述系统架构包括：医生终端310、测量设备320、服务器330。服务器330接收医生通过医生终端310输入患者的诊断信息，所述诊断信息包括诊断出的疾病和给出的用药建议，服务器330在接收医生通过医生终端310输入的患者的诊断信息后每隔预定时间周期，接收患者佩戴或家庭中放置的测量设备320测量并上报的各生理指标值，服务器330依据接收到的诊断的疾病、用药建议、患者的生理指标值、以及从接收诊断信息的时间到接收各生理指标值的时间之间的时间差，输出患者是否出现用药异常反应的结果。

本公开首先提供了一种用药异常反应监测的方法。用药异常反应是指用药过程中产生的与用药目的无关而又不利于患者的各种反应。图2是根据一示例性实施例示出的一种用药异常反应监测方法的流程示意图。如图2所示，此方法包括以下步骤：

步骤S100：接收医生输入的患者的诊断信息，所述诊断信息包括诊断出的疾病和给出的用药建议；

步骤S110：在接收医生输入的患者的诊断信息后每隔预定时间周期，接收患者佩戴或家庭中放置的各测量设备测量并上报的各生理指标值；

步骤S120：将诊断出的疾病、用药建议、接收的各生理指标值、以及从接收诊断信息的时间到接收各生理指标值的时间之间的时间差输入第一机器学习模型,获取患者是否出现用药异常反应的判断结果。

下面，将结合附图对本示例实施方式中上述作的药异常反应监测的各步骤进行详细的解释以及说明。

步骤S100：接收医生输入的患者的诊断信息，所述诊断信息包括诊断出的疾病和给出的用药建议。

因患者所患疾病有很多种，不同疾病的治疗方案也具有很大的差异，同样的不同疾病在治疗过程中可能会出现的用药异常反应情况和并发症也不近相同，通过获取患者主治医师输入的患者所患疾病和用药建议，使得在判断患者治疗过程中是否出现用药异常反应、更有针对性的针对患者所患疾病及用药可能出现的用药异常反应情况，避免将患者其他疾病的用药正常情况或患者因突发情况而导致患者的部分生理指标值超常的情况判定为本疾病的用药异常反应，进而提高判断患者是否出现用药异常反应的准确性。

在一实施例中，接收医生输入的患者的诊断信息，除由医生输入外，还包括通过扫描患者ID的方式，在服务器中调取患者的诊断信息，所述患者ID为根据患者在服务器中的注册信息生成的代表患者身份的标识。

在一实施例中，患者主治医师输入的患者的诊断信息为：诊断出的疾病为：糖尿病，用药建议为：达美康，则在患者通过服用达美康治疗糖尿病的过程中，可针对患者通过服用达美康治疗糖尿病的过程中可能出现的用药异常反应，如服用达美康可能会导致糖尿病患者出现低血糖、白血球减少症、血小板减少症；肝酶水平增高等不良反应，若用户因短跑导致心跳加速，则不会因为用户的心率超常而判定用户出现用药异常反应。

步骤S110：在接收医生输入的患者的诊断信息后每隔预定时间周期，接收患者佩戴或家庭中放置的各测量设备测量并上报的各生理指标值。

其中所述预定时间周期可由医生根据患者的诊断信息输入，也可使用服务器默认设定的时间周期，如在医生未输入预定时间周期的情况下，默认将预定时间周期设定为一天。

因用户在治疗所患疾病过程的不同时间段呈现的生理指标值也不近相同，通过用户治疗过程中不同时间段呈现的生理指标值判断用户是否出现用药异常反应，可避免将用户在一治疗过程时间段为正常的生理指标值(在另一过程时间段为非正常的生理指标值)，判定为非正常生理指标值，从而提高依据用户生理指标值判断用户是否出现用药异常反应的准确性。

在一实施例中，接收患者佩戴或家庭中放置的各测量设备测量并上报的各生理指标值之前还包括，将患者佩戴或家庭中放置的测量设备与服务器配对，其中与服务器配对的测量设备由患者医生根据患者的诊断信息指定，患者通过医生指定的测量设备向服务器发送配对请求，所述配对请求中包含患者ID(患者ID为服务器根据患者注册信息生成的代表患者身份的标识)，服务器根据配对请求中包含的患者ID，将患者佩戴或家庭中放置的测量设备与患者相对应。

在一实施例中，接收患者佩戴或家庭中放置的各测量设备测量并上报的各生理指标值之前还包括，患者佩戴或家庭中放置的测量设备每隔预定周期向服务器发送生理指标值和患者ID，服务器接收到所述生理指标值和患者ID后，保留需要的生理指标值和患者ID，其中所述需要的生理指标值可以由患者医生输入患者诊断信息时输入服务器也可根据服务器中存储的疾病与所需生理指标值对照表、依据患者ID查询的患者所患疾病、根据患者所患疾病在疾病与所需生理指标值对照表中匹配所需生理指标值，再依据患者的ID将保留的生理指标值与患者相对应。

在一实施例中，预定接收患者生理指标值的时间周期为2天，根据患者医生依据患者诊断信息选定的与服务器配对的测量设备为血压计，患者通过血压计发送配对请求给服务器，其中所述配对请求包换患者ID(患者ID为服务器根据患者注册信息生成的代表患者身份的标识)，服务器根据接收的配对请求中包含的患者ID与服务器中存储的患者ID进行比对，若经比对患者ID相同则配对成功，配对成功后血压计每隔2天向服务器发送患者的血压值，其中患者的血压收缩压值为：1～2天为116Hg、117Hg，3～4天为119Hg、120Hg，5～6天为116Hg、117Hg。

患者在治疗的1～2天、3～4天、5～6天呈现的正常血压收缩压值范围应为：115Hg～118Hg、118Hg～121Hg、115Hg～118Hg。其中若将患者在1～2天的血压收缩压值116Hg、117Hg，依据患者在治疗的3～4天的正常血压收缩压值范围判断，则患者在1～2天的血压收缩压值明显异常，而实际上患者在1～2天的血压收缩压值为正常的。故应当依据用户治疗过程的不同时间段呈现的不同的生理指标值来判断在所述时间段是否为正常的生理指标值，即患者的血压收缩压值：1～2天为116Hg、117Hg，3～4天为119Hg、120Hg，5～6天为116Hg、117Hg应分别依据患者在治疗的1～2天呈现的正常血压收缩压值范围115Hg～118Hg，3～4天呈现的正常血压收缩压值范围118Hg～121Hg、5～6天呈现的正常血压收缩压值范围115Hg～118Hg来判断。

步骤S120：将诊断出的疾病、用药建议、接收的各生理指标值、以及从接收诊断信息的时间到接收各生理指标值的时间之间的时间差输入第一机器学习模型,获取患者是否出现用药异常反应的判断结果。

其中所述从接收诊断信息的时间到接收各生理指标值的时间之间的时间差可通过下述方式获得：当接收到医生通过医生终端录入的患者的诊断信息时会将接收到所述患者诊断信息的时间记录下来，同样的当服务器接收到测量设备发送的各生理指标值时也会记录接收到所述生理指标值的时间，将记录的接收到所述生理指标值的时间减去接收到所述患者诊断信息的时间就可得到所述从接收诊断信息的时间到接收各生理指标值的时间之间的时间差。

因医生的从业时间、知识阅历等不近相同，故每个医生的医疗水平也具有较大的差异，对同一病情的判断也有一定的差异，尤其是对一些从业时间较短的医生，其对病情的判断有时会存在错误的情形，进而贻误患者疾病的治疗时机，通过机器学习模型判断患者在治疗过程中是否出现用药异常反应，不但可使判断患者是否出现用药异常反应更加准确也节省了医生的大量时间和精力。

在一实施例中，医生诊断出的疾病为高血压，用药建议为：尼卡地平，医生输入患者诊断信息的时间为，2017年10月1日6时，时间周期为1天，接收到患者生理指标值的时间及对应的生理指标值分别为，2017年10月2日6时血压收缩压：124Hg血压舒张压：81Hg，2017年10月3日6时血压收缩压：123Hg血压舒张压：80Hg，2017年10月4日6时血压收缩压：125Hg血压舒张压：82Hg，2017年10月5日6时血压收缩压：124Hg血压舒张压：81Hg，

根据以上信息可得接收的各生理指标值、以及从接收诊断信息的时间到接收各生理指标值的时间之间的时间差为：

将医生诊断出的疾病为高血压，用药建议为：尼卡地平，接收的各生理指标值、以及从接收诊断信息的时间到接收各生理指标值的时间之间的时间差输入第一机器学习模型，经第一机器学习模型判断患者在1、2、3、4日并未出现用药异常反应。

在一实施例中所述第一机器学习模型，通过以下方式进行训练：

针对样本患者集合中的每个样本患者，接收医生为该样本患者输入的诊断信息，所述诊断信息包括诊断出的疾病和给出的用药建议，在接收医生输入的样本患者的诊断信息后随机一段时间后的时间点，接收样本患者佩戴或家庭中放置的各测量设备测量并上报的各生理指标值，接收在该时间点医生给出的该样本患者是否出现用药异常反应的判断结果，将诊断出的疾病、用药建议、接收的各生理指标值、以及从接收诊断信息的时间到接收各生理指标值的时间之间的时间差输入第一机器学习模型，由第一机器学习模型给出是否出现用药异常反应的判断结果，将第一机器学习模型给出的判断结果与医生给出的判断结果进行比较，如不一致，则调整第一机器学习模型，使第一机器学习模型给出的判断结果与医生给出的判断结果一致。

在一实施例中，如图3所示，在步骤S110后包括：

步骤S130′：将诊断出的疾病、用药建议、接收的各生理指标值、以及从接收诊断信息的时间到接收各生理指标值的时间之间的时间差输入第二机器学习模型，由第二机器学习模型给出是否出现并发症和何种并发症的判断结果。

通过第二机器学习模型可在患者治疗疾病过程中判断用户是否出现并发症和何种并发症，可使患者主治医生在患者治疗过程及时发现并治疗出现的并发症，挽救患者的生命。

在一实施例中，医生诊断出的疾病为糖尿病，用药建议为：达美康

接收的患者生理指标值、以及从接收诊断信息的时间到接收各生理指标值的时间之间的时间差为：

将医生诊断出的疾病为糖尿病，用药建议为：达美康，接收的各生理指标值、以及从接收诊断信息的时间到接收各生理指标值的时间之间的时间差输入第二机器学习模型，经第二机器学习模型判断患者在2、3、4日出现并发症，该并发症为高血压。

在一实施例中，所述第二机器学习模型通过以下方式进行训练：

针对样本患者集合中的每个样本患者，接收医生为该样本患者输入的诊断信息，所述诊断信息包括诊断出的疾病和给出的用药建议，在接收医生输入的样本患者的诊断信息后随机一段时间后的时间点，接收样本患者佩戴或家庭中放置的各测量设备测量并上报的各生理指标值，接收在该时间点医生给出的该样本患者是否出现并发症和何种并发症的判断结果，将诊断出的疾病、用药建议、接收的各生理指标值、以及从接收诊断信息的时间到接收各生理指标值的时间之间的时间差输入第二机器学习模型，由第二机器学习模型给出是否出现并发症和何种并发症的判断结果，将第二机器学习模型给出的判断结果与医生给出的判断结果进行比较，如不一致，则调整第二机器学习模型，使第二机器学习模型给出的判断结果与医生给出的判断结果一致。

在一实施例中，如图4所示，步骤S110后还包括：

步骤S140′：将诊断出的疾病、用药建议、接收的各生理指标值、以及从接收诊断信息的时间到接收各生理指标值的时间之间的时间差输入第三机器学习模型，由第三机器学习模型给出是否出现并发症的判断结果；

步骤S150′：如果第三机器学习模型给出出现并发症的判断结果，将诊断出的疾病、用药建议、接收的各生理指标值、以及从接收诊断信息的时间到接收各生理指标值的时间之间的时间差输入第四机器学习模型，由第四机器学习模型给出并发症的判断结果。

通过第三机器学习模型判断判断是否出现并发症，第四机器学习模型判断出现何种并发症，可提高判断患者是否出现并发症的效率，当患者没有出现并发症时不必去判断患者出现何种并发症。

在一实施例中，医生诊断出的疾病为糖尿病，用药建议为：达美康

接收的患者生理指标值、以及从接收诊断信息的时间到接收各生理指标值的时间之间的时间差为：

将医生诊断出的疾病为糖尿病，用药建议为：达美康，接收的各生理指标值、以及从接收诊断信息的时间到接收各生理指标值的时间之间的时间差输入第二机器学习模型，经第二机器学习模型判断患者在第1日未出现并发症，因第三机器学习模型输出的是未出现并发症的结果，则不用再启用第四机器学习模型判断患者出现何种并发症，在第2、3、4日出现并发症，该并发症为高血压。

在一实施例中，所述第三机器学习模型通过以下方式进行训练：

针对样本患者集合中的每个样本患者，接收医生为该样本患者输入的诊断信息，所述诊断信息包括诊断出的疾病和给出的用药建议，在接收医生输入的样本患者的诊断信息后随机一段时间后的时间点，接收样本患者佩戴或家庭中放置的各测量设备测量并上报的各生理指标值，接收在该时间点医生给出的该样本患者是否出现并发症的判断结果，将诊断出的疾病、用药建议、接收的各生理指标值、以及从接收诊断信息的时间到接收各生理指标值的时间之间的时间差输入第三机器学习模型，由第三机器学习模型给出是否出现并发症的判断结果，将第三机器学习模型给出的判断结果与医生给出的判断结果进行比较，如不一致，则调整第三机器学习模型，使第三机器学习模型给出的判断结果与医生给出的判断结果一致。

在一实施例中，所述第四机器学习模型通过以下方式进行训练：

针对样本患者集合中的每个样本患者，接收医生为该样本患者输入的诊断信息，所述诊断信息包括诊断出的疾病和给出的用药建议，在接收医生输入的样本患者的诊断信息后随机一段时间后的时间点，接收样本患者佩戴或家庭中放置的各测量设备测量并上报的各生理指标值，接收在该时间点医生给出的并发症的判断结果，将诊断出的疾病、用药建议、接收的各生理指标值、以及从接收诊断信息的时间到接收各生理指标值的时间之间的时间差输入第四机器学习模型，由第四机器学习模型给出并发症的判断结果，将第四机器学习模型给出的判断结果与医生给出的判断结果进行比较，如不一致，则调整第四机器学习模型，使第四机器学习模型给出的判断结果与医生给出的判断结果一致。

本公开还提供了一种用药异常反应监测的装置。参考图5所示，所述用药异常反应监测的装置200包括：第一接收单元210、第二接收单元220、用药反应判断单元230。其中：

第一接收单元210：配置为接收医生输入的患者的诊断信息；

第二接收单元220，配置为接收在接收医生输入的患者的诊断信息后每隔预定时间周期，接收患者佩戴或家庭中放置的各测量设备测量并上报的各生理指标值；

用药异常反应判断单元230，配置为将诊断出的疾病、用药建议、接收的各生理指标值、以及从接收诊断信息的时间到接收各生理指标值的时间之间的时间差输入第一机器学习模型，从而判断患者是否出现用药异常反应。

上述用药异常反应监测的装置中各模块的具体细节已经在对应的方法中进行了详细的描述，因此此处不再赘述。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照所述特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，所述软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。

在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图6来描述根据本发明的这种实施方式的电子设备400。图6显示的电子设备400仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图6所示，电子设备400以通用计算设备的形式表现。电子设备400的组件可以包括但不限于：上述至少一个处理单元410、上述至少一个存储单元420、连接不同系统组件(包括存储单元420和处理单元410)的总线430。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元410执行，使得所述处理单元410执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元410可以执行如图1中所示步骤S100：接收医生输入的患者的诊断信息，所述诊断信息包括诊断出的疾病和给出的用药建议；步骤S110：在接收医生输入的患者的诊断信息后每隔预定时间周期，接收患者佩戴或家庭中放置的各测量设备测量并上报的各生理指标值；步骤S120：将诊断出的疾病、用药建议、接收的各生理指标值、以及从接收诊断信息的时间到接收各生理指标值的时间之间的时间差输入第一机器学习模型,获取患者是否出现用药异常反应的判断结果。

存储单元420可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)4201和/或高速缓存存储单元4202，还可以进一步包括只读存储单元(ROM)4203。

存储单元420还可以包括具有一组(至少一个)程序模块4205的程序/实用工具4204，这样的程序模块4205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线430可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备400也可以与一个或多个外部设备500(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备400交互的设备通信，和/或与使得该电子设备400能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口450进行。并且，电子设备400还可以通过网络适配器460与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器460通过总线430与电子设备400的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备400使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。

参考图7所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品600，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

Claims (9)

1.一种用药异常反应监测的方法,其特征在于，所述方法包括：

接收医生输入的患者的诊断信息，所述诊断信息包括诊断出的疾病和给出的用药建议；

在接收医生输入的患者的诊断信息后每隔预定时间周期，接收患者佩戴或家庭中放置的各测量设备测量并上报的各生理指标值；

将诊断出的疾病、用药建议、接收的各生理指标值、以及从接收诊断信息的时间到接收各生理指标值的时间之间的时间差输入第一机器学习模型,获取患者是否出现用药异常反应的判断结果；

所述第一机器学习模型通过以下方式训练：

针对样本患者集合中的每个样本患者，接收医生为该样本患者输入的诊断信息，所述诊断信息包括诊断出的疾病和给出的用药建议，在接收医生输入的样本患者的诊断信息后随机一段时间后的时间点，接收样本患者佩戴或家庭中放置的各测量设备测量并上报的各生理指标值，接收在该时间点医生给出的该样本患者是否出现用药异常反应的判断结果，将诊断出的疾病、用药建议、接收的各生理指标值、以及从接收诊断信息的时间到接收各生理指标值的时间之间的时间差输入第一机器学习模型，由第一机器学习模型给出是否出现用药异常反应的判断结果，将第一机器学习模型给出的判断结果与医生给出的判断结果进行比较，如不一致，则调整第一机器学习模型，使第一机器学习模型给出的判断结果与医生给出的判断结果一致。

2.根据权利要求1所述的方法，其特征在于，在接收患者佩戴或家庭中放置的各测量设备测量并上报的各生理指标值后，所述方法还包括：

将诊断出的疾病、用药建议、接收的各生理指标值、以及从接收诊断信息的时间到接收各生理指标值的时间之间的时间差输入第二机器学习模型，由第二机器学习模型给出是否出现并发症和何种并发症的判断结果。

3.根据权利要求2所述的方法，其特征在于，所述第二机器学习模型预先通过以下方式训练：

针对样本患者集合中的每个样本患者，接收医生为该样本患者输入的诊断信息，所述诊断信息包括诊断出的疾病和给出的用药建议，在接收医生输入的样本患者的诊断信息后随机一段时间后的时间点，接收样本患者佩戴或家庭中放置的各测量设备测量并上报的各生理指标值，接收在该时间点医生给出的该样本患者是否出现并发症和何种并发症的判断结果，将诊断出的疾病、用药建议、接收的各生理指标值、以及从接收诊断信息的时间到接收各生理指标值的时间之间的时间差输入第二机器学习模型，由第二机器学习模型给出是否出现并发症和何种并发症的判断结果，将第二机器学习模型给出的判断结果与医生给出的判断结果进行比较，如不一致，则调整第二机器学习模型，使第二机器学习模型给出的判断结果与医生给出的判断结果一致。

4.根据权利要求1所述的方法，其特征在于，在接收患者佩戴或家庭中放置的各测量设备测量并上报的各生理指标值后，所述方法还包括：

将诊断出的疾病、用药建议、接收的各生理指标值、以及从接收诊断信息的时间到接收各生理指标值的时间之间的时间差输入第三机器学习模型，由第三机器学习模型给出是否出现并发症的判断结果；

如果第三机器学习模型给出出现并发症的判断结果，将诊断出的疾病、用药建议、接收的各生理指标值、以及从接收诊断信息的时间到接收各生理指标值的时间之间的时间差输入第四机器学习模型，由第四机器学习模型给出并发症的判断结果。

5.根据权利要求4所述的方法，其特征在于，所述第三机器学习模型通过以下方式训练：

针对样本患者集合中的每个样本患者，接收医生为该样本患者输入的诊断信息，所述诊断信息包括诊断出的疾病和给出的用药建议，在接收医生输入的样本患者的诊断信息后随机一段时间后的时间点，接收样本患者佩戴或家庭中放置的各测量设备测量并上报的各生理指标值，接收在该时间点医生给出的该样本患者是否出现并发症的判断结果，将诊断出的疾病、用药建议、接收的各生理指标值、以及从接收诊断信息的时间到接收各生理指标值的时间之间的时间差输入第三机器学习模型，由第三机器学习模型给出是否出现并发症的判断结果，将第三机器学习模型给出的判断结果与医生给出的判断结果进行比较，如不一致，则调整第三机器学习模型，使第三机器学习模型给出的判断结果与医生给出的判断结果一致。

6.根据权利要求4所述的方法，其特征在于，所述第四机器学习模型预先通过以下方式训练：

针对样本患者集合中的每个样本患者，接收医生为该样本患者输入的诊断信息，所述诊断信息包括诊断出的疾病和给出的用药建议，在接收医生输入的样本患者的诊断信息后随机一段时间后的时间点，接收样本患者佩戴或家庭中放置的各测量设备测量并上报的各生理指标值，接收在该时间点医生给出的并发症的判断结果，将诊断出的疾病、用药建议、接收的各生理指标值、以及从接收诊断信息的时间到接收各生理指标值的时间之间的时间差输入第四机器学习模型，由第四机器学习模型给出并发症的判断结果，将第四机器学习模型给出的判断结果与医生给出的判断结果进行比较，如不一致，则调整第四机器学习模型，使第四机器学习模型给出的判断结果与医生给出的判断结果一致。

7.一种用药异常反应监测装置，其特征在于，所述装置包括：

第一接收单元：配置为接收医生输入的患者的诊断信息；

第二接收单元，配置为接收在接收医生输入的患者的诊断信息后每隔预定时间周期，接收患者佩戴或家庭中放置的各测量设备测量并上报的各生理指标值；

用药异常反应判断单元，配置为将诊断出的疾病、用药建议、接收的各生理指标值、以及从接收诊断信息的时间到接收各生理指标值的时间之间的时间差输入第一机器学习模型，从而判断患者是否出现用药异常反应；

所述第一机器学习模型通过以下方式训练：

针对样本患者集合中的每个样本患者，接收医生为该样本患者输入的诊断信息，所述诊断信息包括诊断出的疾病和给出的用药建议，在接收医生输入的样本患者的诊断信息后随机一段时间后的时间点，接收样本患者佩戴或家庭中放置的各测量设备测量并上报的各生理指标值，接收在该时间点医生给出的该样本患者是否出现用药异常反应的判断结果，将诊断出的疾病、用药建议、接收的各生理指标值、以及从接收诊断信息的时间到接收各生理指标值的时间之间的时间差输入第一机器学习模型，由第一机器学习模型给出是否出现用药异常反应的判断结果，将第一机器学习模型给出的判断结果与医生给出的判断结果进行比较，如不一致，则调整第一机器学习模型，使第一机器学习模型给出的判断结果与医生给出的判断结果一致。

8.一种用药异常反应监测的电子设备，其特征在于，包括：

存储器，配置为存储可执行指令；

处理器，配置为执行权利要求1-6中任一个所述的方法。

9.一种计算机可读程序介质，其特征在于，其存储有计算机程序指令，当所述计算机程序指令被计算机执行时，使计算机执行根据权利要求1-6中任一个所述的方法。