CN109817300B - 一种基于人工智能的用药规则生成方法 - Google Patents

Abstract

本发明实施例涉及一种基于人工智能的用药规则生成方法，包括：将样本训练集导入用药规则模型中；根据已编辑的用药规则信息中的判断类别信息、逻辑判断条件、警示信息和判断类别信息、逻辑判断条件的标记信息对用药规则模型进行训练，得到训练后的用药规则模型；将待编辑用药信息输入训练后的用药规则模型中；训练后的用药规则模型对待编辑用药信息进行标记，得到判断类别标记信息和逻辑判断条件标记信息；根据判断待编辑用药信息和类别标记信息、逻辑判断条件标记信息生成相对应的判断类别信息、逻辑判断条件和警示信息；根据生成的判断类别信息、逻辑判断条件和警示信息进行信息合成，得到待编辑用药信息的用药规则信息。

Description

一种基于人工智能的用药规则生成方法

技术领域

本发明涉及数据处理领域，尤其涉及一种基于人工智能的用药规则生成方法。

背景技术

随着科学社会的发展，人民群众对用药的认知度越来越深刻，合理用药的要求也日益增高。在医疗机构，由于药师专业能力所限以及基础调剂工作繁重，未能很好地将临床用药管控到位，因此，近年来医疗机构相继选择了各种相关的合理用药管控软件来协助医院药师完成合理用药管控的工作。而所有的合理用药管控软件最核心的知识库，就是将用药的各种标准通过一定逻辑的编辑形成规则来实现管控目的。

在合理用药的规则(知识)库体系建设中，可以作为用药参考的来源多种多样。比如权威参考书籍资料，像药品说明书、各类疾病的临床用药指南或专家共识、《中华人民共和国药典》、《中华人民共和国临床用药须知》或者政策法规等等，还有通过临床实践验证获得的各种循证医学证据等。这些资料在实际形成规则过程中，都需要经过专业药师理解、提取、总结、归纳然后进行逻辑编辑才能转化为规则形式。显然，审查涉及的药品使用所需的临床治疗及药物使用知识面广而且逻辑非常复杂，我国目前批准临床研究的新药共有5965种，国家批准的上市药品(材)品种158244种，我国自制中成药品种5781个(《中国药品实用手册》(2002年版))，如果加上中药方剂近10万条(中药大辞典近8万条)，中草药11000条，中药化学成份5000种……药品有如此之多，与之相关的用药参考更是海量，如果由专业药师一条一条的去进行规则编辑，实在是一个非常巨大且漫长的工作，更何况医疗的日新月异的发展速度需要不断的进行更新。

近年来，人工智能(Artificial Intelligence，AI)的发展异常迅速，理论和技术日益成熟，应用领域也不断扩大。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。机器学习是AI的实现方法，它是研究如何使用机器来模拟人类学习活动的一门学科。机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务、硬编码的软件程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。

因此，如何利用人工智能代替药师完成大量的用药规则的编辑工作，并保证用药规则编辑的标准一致性和准确性，是本发明所要解决的难题和挑战。

发明内容

本发明的目的是针对现有技术的缺陷，提供一种基于人工智能的用药规则生成方法，基于AI的应用，将大量的用药资源信息以及相对应的药师已编辑的用药规则信息导入用药规则模型中进行学习、训练，从而使模型能够模拟药师理解、分析药学参考资料将其转化为规则的思维过程和行为，可以读取资料自动编辑规则，从而代替药师完成大量的用药规则的编辑工作，并保证用药规则编辑的标准一致性和准确性。

有鉴于此，本发明实施例提供了一种基于人工智能的用药规则生成方法，包括：

将样本训练集导入用药规则模型中；所述样本训练集包括用药资源信息以及相对应的已编辑的用药规则信息；所述已编辑的用药规则信息包括判断类别信息、逻辑判断条件及相对应的警示信息；

所述用药规则模型根据所述用药规则信息对所述用药资源信息进行切分、标准化和标记，得到所述判断类别信息和逻辑判断条件相对应的标记信息；

根据所述已编辑的用药规则信息中的判断类别信息、逻辑判断条件、警示信息和所述判断类别信息、逻辑判断条件的标记信息对所述用药规则模型进行训练，得到训练后的用药规则模型；

将待编辑用药信息输入所述训练后的用药规则模型中；

所述训练后的用药规则模型对所述待编辑用药信息进行标记，得到判断类别标记信息和逻辑判断条件标记信息；

根据所述判断所述待编辑用药信息和所述类别标记信息、逻辑判断条件标记信息生成相对应的判断类别信息、逻辑判断条件和警示信息；

根据所述生成的判断类别信息、逻辑判断条件和警示信息进行信息合成，得到所述待编辑用药信息的用药规则信息。

优选的，所述判断类别信息包括用法用量、给药途径、配伍禁忌、相互作用、重复用药、溶媒选择、溶液浓度、过敏、肝肾功能、不良反应、检验值相关及孕产、儿童及老年人用药。

进一步优选的，所述判断类别信息具有属性信息，所述属性信息包括必要属性和非必要属性；

在所述将样本训练集导入用药规则模型中之前，所述方法还包括：导入必要属性的判断类别信息的判断标准。

优选的，所述警示信息包括警示来源信息、提示信息和用药建议信息。

优选的，在所述将样本训练集导入用药规则模型中之前，所述方法还包括：

将标准字典导入所述用药规则模型中；其中，所述标准字典中包括药品、年龄、性别、体重、肾功能、剂量单位、剂型、给药途径、给药方法、给药频率、资料来源和盐基的定义。

进一步优选的，所述根据所述已编辑的用药规则信息中的判断类别信息、逻辑判断条件、警示信息和所述判断类别信息、逻辑判断条件的标记信息对所述用药规则模型进行训练具体包括：

根据所述判断类别信息和所述判断类别信息的标记信息建立判断类别信息集；

建立所述判断类别信息、逻辑判断条件和警示信息之间的关联关系；

建立所述逻辑判断条件与所述逻辑判断条件的标记信息之间的关联关系。

进一步优选的，所述训练后的用药规则模型对所述待编辑用药信息进行标记，得到判断类别标记信息和逻辑判断条件标记信息具体包括：

所述训练后的用药规则模型对所述待编辑用药信息进行切分、标准化和标记，得到所述待编辑用药信息相对应的判断类别标记信息和逻辑判断条件标记信息。

进一步优选的，所述根据判断所述待编辑用药信息和所述类别标记信息、逻辑判断条件标记信息生成相对应的判断类别信息、逻辑判断条件和警示信息具体包括：

所述训练后的用药规则模型根据所述判断类别标记信息与所述判断类别信息集进行匹配，得到相匹配的所述判断类别信息。

优选的，所述已编辑的用药规则信息还包括编辑符号，用于连接所述已编辑的用药规则信息中的判断类别信息、逻辑判断条件及相对应的警示信息。

进一步优选的，所述用药规则模型还用于建立所述编辑符号与所述判断类别信息、逻辑判断条件及相对应的警示信息之间的关联关系；

所述根据所述生成的判断类别信息、逻辑判断条件和警示信息进行信息合成，得到所述待编辑用药信息的用药规则信息具体包括：

所述训练后的用药规则模型根据生成的判断类别信息、逻辑判断条件和警示信息进行信息获取相对应的编辑符号；

通过所述编辑符号将所述生成的判断类别信息、逻辑判断条件和警示信息进行连接，从而得到所述待编辑用药信息的用药规则信息。

本发明实施例提供的一种基于人工智能的用药规则生成方法，基于AI的应用，将大量的用药资源信息以及相对应的药师已编辑的用药规则信息导入用药规则模型中进行学习、训练，从而使模型能够模拟药师理解、分析药学参考资料将其转化为规则的思维过程和行为，可以读取资料自动编辑规则，从而代替药师完成大量的用药规则的编辑工作，并保证用药规则编辑的标准一致性和准确性。

附图说明

图1为本发明实施例提供的一种基于人工智能的用药规则生成方法流程图；

图2为本发明实施例提供的一种局部人工编辑的用药规则信息及相对应的用药资源信息的示意图；

图3为本发明实施例提供的一种孕产判断标准示意图。

具体实施方式

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

本发明实施例提供的一种基于人工智能的用药规则生成方法，基于AI实现，将大量的用药资源信息以及相对应的药师已编辑的用药规则信息导入用药规则模型中进行学习、训练，从而使模型能够模拟药师理解、分析新的大量的药学参考资料将其转化为规则的思维过程和行为，即生成新的药品的用药规则。图1为本发明实施例提供的一种基于人工智能的用药规则生成方法流程图，如图1所示，所述方法包括：

步骤101，将样本训练集导入用药规则模型中；

其中，用药规则模型是用于用药规则生成的模型。

样本训练集具体包括大量的用药资源信息以及相对应的已编辑的用药规则信息，可以理解的是，这里的用药资源信息可以包括药品说明书信息、药物学书籍信息、临床指南信息、专家共识和推荐意见信息、特殊领域用药信息、自定义合理用药信息等。这里的已编辑的用药规则信息是指由药师根据上述用药资源信息已经编辑完毕的用药规则信息。

具体的，在已编辑的用药规则信息中可以包括判断类别信息、逻辑判断条件及相对应的警示信息。其中，判断类别信息包括但不限于用法用量、给药途径、配伍禁忌、相互作用、重复用药、溶媒选择、溶液浓度、过敏、肝肾功能、不良反应、检验值相关及孕产、儿童及老年人用药，也就是说，本领域技术人员可以根据需要对所述判断类别信息进行扩展。需要说明的是，上述判断类别信息可以是独立的，也可以是从属的，比如儿童用药和用法用量可以是相互独立的判断，儿童用药也可以是用法用量的从属判断。

一个判断类别信息可以对应一个或多个逻辑判断条件，一个逻辑判断条件可以对应一个警示信息，在警示信息中包括警示来源信息、提示信息和用药建议信息。

步骤102，用药规则模型根据用药规则信息对用药资源信息进行切分、标准化和标记，得到判断类别信息和逻辑判断条件相对应的标记信息；

具体的，根据已编辑的用药规则信息中的判断类别信息和逻辑判断条件对用药资源信息进行切分、标准化和标记，得到判断类别信息和逻辑判断条件相对应的标记信息，切分的目的是将用药资源信息与判断类别信息和逻辑判断条件进行对应，标准化的目的是将从用药资源信息中的切分出来的信息进行标准化处理转换，用药规则标准相对应，标记的目的是将标准化后的信息与判断类别信息、逻辑判断条件相匹配。

为了更好的理解用药规则信息及相对应的用药资源信息，下面结合图2进行详细说明。

图2为本发明实施例提供的一种局部人工编辑的用药规则信息及相对应的用药资源信息的示意图，如图2所示，在图2中示出了阿那曲唑片的用药资源信息为“【用法用量】成人(包括老年人)：口服，每日一次，每次1片。儿童：尚未在儿童中确定本品的安全性和有效性，因此本品不推荐用于儿童；【禁忌】本品禁用一下情况：严重肾功能的病人(肌酐清除率小于30ml/min)”。

在药师已经编辑的用药规则信息中包括三个判断类别信息，分别是“用法用量”、“肾功能”和“给药途径”。其中判断类别信息“用法用量”对应五个逻辑判断条件，分别是“年龄不小于14岁”、“每次给药剂量<1mg”、“每次给药剂量>1mg”、“给药频率<1次/天”、“给药频率>1次/天”，这五个逻辑判断条件可以是单独的判断逻辑，也可以根据层级关系进行组合和合并，为了更清晰的展示判断逻辑，由于“每次给药剂量<1mg”、“每次给药剂量>1mg”、“给药频率<1次/天”、“给药频率>1次/天”属于同级，因此进行了合并，并且与“年龄不小于14岁”进行了组合。

逻辑判断条件“年龄不小于14岁”对应的警示信息为“依据来源：1个依据；有关阿那曲唑片安全性和有效性的实验尚未在儿童中进行，不推荐儿童使用；建议儿童避免使用”。

逻辑判断条件“每次给药剂量<1mg”和“每次给药剂量>1mg”对应的警示信息均为“依据来源：1个依据；每次给药剂量不合适；建议本品一次1mg给药”。

逻辑判断条件“给药频率<1次/天”、“给药频率>1次/天”对应的警示信息均为“依据来源：1个依据；给药频率不合适；建议本品宜一日1次给药”。

判断类别信息“肾功能”对应1个逻辑判断条件，为“内生肌酐清除率<30”，对应的警示信息为“依据来源：1个依据；严重肾功能的病人(肌酐清除率小于30ml/min)禁用，建议禁止使用”。

判断类别信息“给药途径”对应1个逻辑判断条件，为“给药途径不属于口服、鼻饲、造瘘管滴入”，对应的警示信息为“依据来源：1个依据；给药途径不合适；建议本品宜口服、鼻饲、造瘘管滴入给药”。

根据上述已编辑的用药规则信息中的判断类别信息、逻辑判断条件、警示信息对用药资源信息进行依次进行切分、标准化和标记，具体的，首先将用药资源信息进行切分得到“用法用量”、“成人(包括老年人)”、“口服”、“每日一次”、“每次1片”、“儿童”、“尚未在儿童中确定本品的安全性和有效性，因此本品不推荐用于儿童”、“肾功能”、“本品禁用一下情况：严重肾功能的病人(肌酐清除率小于30ml/min)”,然后依据标准字典判断切分后的信息是否标准化，如果不标准化则对切分后的信息进行标准化处理，比如依据标准字典中对年龄定义：新生儿为0-28天，婴儿是(含)28天-1岁，幼儿是(含)1-3岁，儿童是0-14岁，老年人是65岁及以上，高龄是80岁及以上等，由此将儿童转化为年龄小于14岁；再比如，1片阿那曲唑片对应的重量为1mg，因此将每次1片转化为每次1mg，最后对标准化的信息进行标注，得到判断类别信息和逻辑判断条件相对应的标记信息，即得到的类别信息的标记信息为“用法用量”、“肾功能”，逻辑判断条件的标记信息为“年龄小于14岁”、“口服、鼻饲、造瘘管滴入”、“每次1mg”、“每日一次”、“严重肾功能的病人(肌酐清除率小于30ml/min)”等。当然，除了标注判断类别信息的标记信息和逻辑判断条件的标记信息，还可以标注警示信息的标记信息，在标注时，有些信息可能既是逻辑判断条件的标记信息，又是标注警示信息的标记信息，可以标注两种标记信息。

需要说明的是，标准字典是预先导入用药规则模型中的，在标准字典中包括药品、年龄、性别、体重、肾功能、剂量单位、剂型、给药途径、给药方法、给药频率、资料来源和盐基的定义等等。

当然，为了得到标准、准确的用药规则信息，还可以预先导入判断类别信息的定义：即各部分资料内容的信息归属，如药品说明书中【用法用量】中给药剂量和给药频率都属于用法用量分支(类别)，而给药途径独立建立一条分支(类别)，孕妇和哺乳期妇女的信息属于孕产分支(类别)等等；还可以预先导入各个(分支)分类的内容描述要求以及逻辑判断要求：如配伍禁忌分支(类别)包含溶媒选用判断、药品配伍判断和药物浓度判断三个方面，在判断前首先要进行组号判断，因为同组才会存在配伍禁忌的问题；又如静脉注射给药分为静脉滴注、静脉推注、微泵注射，通过对说明书的深入解读并综合临床应用习惯，建立相应标准：确认为静脉滴注的，给药途径选择“静脉滴注+微泵注射+泵内注射”，确认为静脉推注的，给药途径选择“静脉推注+微泵注射”，确认为静脉注射的，给药途径选择“静脉注射”；等等。还可以预先导入严重等级的标准：如绝对禁忌(文字描述中一般存在禁用、忌用、不能、不得或发生严重不良反应或超过用药极量等情况)为最高等级5级，相对禁忌(文字描述一般存在避免、不宜、不推荐、不应、不适合使用或需权衡利弊使用等情况)一般设为4级，具体如图3所示。还可以预先导入标准的表达格式：包括判断路线及提示信息中的文字描述格式标准化表达，如给药剂量和给药频率需分别编辑上限和下限规则，提示语句一般为“给药剂量/频率不合适，建议……”等。还可以预先导入编辑器的应用，比如将圆圈设定为规则编辑的起点，菱形设定为条件判断框，椭圆设定为多条判断框等。需要说明的是，上述预先导入的信息也可以是模型根据大量导入的数据学习后生成的。

步骤103，根据已编辑的用药规则信息中的判断类别信息、逻辑判断条件、警示信息和判断类别信息、逻辑判断条件的标记信息对用药规则模型进行训练，得到训练后的用药规则模型；

具体的，根据判断类别信息和判断类别信息的标记信息建立判断类别信息集，在判断类别信息集中包括所有路段判断类别信息，比如用法用量、给药频率、给药计量、给药途径、相互作用、过敏、肾功能、孕产、儿童及老年人用药等等。并且建立判断类别信息、逻辑判断条件和警示信息之间的关联关系；建立逻辑判断条件与逻辑判断条件的标记信息之间的关联关系，对大量数据之间的关联关系进行学习。通过大量的数据对用药规则模型进行训练后，才能提高用药规则模型的准确性。

在优选的实施例中，所述判断类别信息具有属性信息，属性信息包括必要属性和非必要属性，必要属性是指必须要有的判断类别，比如用法用量、孕产等，非必要属性是指不是必须要有的判断类别，比如肾功能等，为了保证用药规则生成的准确性和标准化，在将样本训练集导入用药规则模型中之前，可以预先导入必要属性的判断类别信息的判断标准，具体可以如图3所示。

步骤104，将待编辑用药信息输入训练后的用药规则模型中；

这里的待编辑用药信息是指未进行人工编辑规则的用药信息，可以是新的药品说明书信息、药物学书籍信息、临床指南信息、专家共识和推荐意见信息、特殊领域用药信息、自定义合理用药信息等。

步骤105，训练后的用药规则模型对待编辑用药信息进行标记，得到判断类别标记信息和逻辑判断条件标记信息；

具体的，训练后的用药规则模型对待编辑用药信息进行切分、标准化和标记，得到待编辑用药信息相对应的判断类别标记信息和逻辑判断条件标记信息。

步骤106，根据判断待编辑用药信息和类别标记信息、逻辑判断条件标记信息生成相对应的判断类别信息、逻辑判断条件和警示信息；

具体的，训练后的用药规则模型根据判断类别标记信息与判断类别信息集进行匹配，得到相匹配的判断类别信息，并依据判断类别信息、逻辑判断条件和警示信息之间的关联关系，以及逻辑判断条件与逻辑判断条件的标记信息之间的关联关系生成逻辑判断条件和警示信息。

步骤107，根据生成的判断类别信息、逻辑判断条件和警示信息进行信息合成，得到待编辑用药信息的用药规则信息。

为了更好的对用药规则信息进行展示，在已编辑的用药规则信息还包括编辑符号，比如将圆圈设定为规则编辑的起点，菱形设定为条件判断框，椭圆设定为多条判断框等，用于连接已编辑的用药规则信息中的判断类别信息、逻辑判断条件及相对应的警示信息。

因此，用药规则模型还用于建立编辑符号与判断类别信息、逻辑判断条件及相对应的警示信息之间的关联关系，并进行学习；然后根据上述新生成的判断类别信息、逻辑判断条件和警示信息进行信息获取相对应的编辑符号；通过编辑符号将生成的判断类别信息、逻辑判断条件和警示信息进行连接，从而得到待编辑用药信息的用药规则信息。

本发明实施例提供的一种基于人工智能的用药规则生成方法，基于AI的应用，将大量的用药资源信息以及相对应的药师已编辑的用药规则信息导入用药规则模型中进行学习、训练，从而使模型能够模拟药师理解、分析药学参考资料将其转化为规则的思维过程和行为，可以读取资料自动编辑规则，从而代替药师完成大量的用药规则的编辑工作，并保证用药规则编辑的标准一致性和准确性。

专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RA基于人工智能的用药规则生成方法)、内存、只读存储器(RO基于人工智能的用药规则生成方法)、电可编程RO基于人工智能的用药规则生成方法、电可擦除可编程RO基于人工智能的用药规则生成方法、寄存器、硬盘、可移动磁盘、CD-RO基于人工智能的用药规则生成方法、或技术领域内所公知的任意其它形式的存储介质中。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于人工智能的用药规则生成方法，其特征在于，所述方法包括：

将样本训练集导入用药规则模型中；所述样本训练集包括用药资源信息以及相对应的已编辑的用药规则信息；所述已编辑的用药规则信息包括判断类别信息、逻辑判断条件及相对应的警示信息；

所述用药规则模型根据所述用药规则信息对所述用药资源信息进行切分、标准化和标记，得到所述判断类别信息相对应的标记信息和逻辑判断条件相对应的标记信息；所述标记信息为对标准化的信息进行标注后的信息，标记是用于将标准化后的信息与判断类别信息、逻辑判断条件相匹配；

根据所述已编辑的用药规则信息中的判断类别信息和所述判断类别信息的标记信息建立判断类别信息集，建立所述判断类别信息、所述逻辑判断条件和所述警示信息之间的关联关系，建立所述逻辑判断条件与所述逻辑判断条件的标记信息之间的关联关系，对所述判断类别信息、所述逻辑判断条件和所述警示信息之间的关联关系，以及所述逻辑判断条件与所述逻辑判断条件的标记信息之间的关联关系进行学习，得到训练后的用药规则模型；

将待编辑用药信息输入所述训练后的用药规则模型中；

所述训练后的用药规则模型对所述待编辑用药信息进行标记，得到待编辑用药信息的判断类别标记信息和逻辑判断条件标记信息；

根据所述待编辑用药信息的所述类别标记信息、所述待编辑用药信息的逻辑判断条件标记信息，生成相对应的判断类别信息、逻辑判断条件和警示信息；

根据所述生成的判断类别信息、逻辑判断条件和警示信息进行信息合成，得到所述待编辑用药信息的用药规则信息。

2.根据权利要求1所述的用药规则生成方法，其特征在于，所述判断类别信息包括用法用量、给药途径、配伍禁忌、相互作用、重复用药、溶媒选择、溶液浓度、过敏、肝肾功能、不良反应、检验值相关及孕产、儿童及老年人用药。

3.根据权利要求2所述的用药规则生成方法，其特征在于，所述判断类别信息具有属性信息，所述属性信息包括必要属性和非必要属性；

在所述将样本训练集导入用药规则模型中之前，所述方法还包括：导入必要属性的判断类别信息的判断标准。

4.根据权利要求1所述的用药规则生成方法，其特征在于，所述警示信息包括警示来源信息、提示信息和用药建议信息。

5.根据权利要求1所述的用药规则生成方法，其特征在于，在所述将样本训练集导入用药规则模型中之前，所述方法还包括：

将标准字典导入所述用药规则模型中；其中，所述标准字典中包括药品、年龄、性别、体重、肾功能、剂量单位、剂型、给药途径、给药方法、给药频率、资料来源和盐基的定义。

6.根据权利要求1所述的用药规则生成方法，其特征在于，所述训练后的用药规则模型对所述待编辑用药信息进行标记，得到判断类别标记信息和逻辑判断条件标记信息具体包括：

所述训练后的用药规则模型对所述待编辑用药信息进行切分、标准化和标记，得到所述待编辑用药信息相对应的判断类别标记信息和逻辑判断条件标记信息。

7.根据权利要求6所述的用药规则生成方法，其特征在于，所述根据所述待编辑用药信息的所述类别标记信息、所述待编辑用药信息的逻辑判断条件标记信息，生成相对应的判断类别信息、逻辑判断条件和警示信息具体包括：

所述训练后的用药规则模型根据所述待编辑用药信息的所述判断类别标记信息与所述判断类别信息集进行匹配，得到相匹配的所述判断类别信息。

8.根据权利要求1所述的用药规则生成方法，其特征在于，所述已编辑的用药规则信息还包括用于进行连接的编辑符号，所述编辑符号用于连接所述已编辑的用药规则信息中的判断类别信息、逻辑判断条件及相对应的警示信息。

9.根据权利要求8所述的用药规则生成方法，其特征在于，所述用药规则模型还用于建立所述编辑符号与所述判断类别信息、逻辑判断条件及相对应的警示信息之间的关联关系；

所述根据所述生成的判断类别信息、逻辑判断条件和警示信息进行信息合成，得到所述待编辑用药信息的用药规则信息具体包括：

所述训练后的用药规则模型根据生成的判断类别信息、逻辑判断条件和警示信息进行信息获取相对应的编辑符号；

通过所述编辑符号将所述生成的判断类别信息、逻辑判断条件和警示信息进行连接，从而得到所述待编辑用药信息的用药规则信息。

Images