CN109920508B - 处方审核方法及系统 - Google Patents

Abstract

本发明公开了一种处方审核方法及系统，其中方法包括：提取病患的用药指征信息，并识别处方信息；根据所述用药指征信息以及预先训练的用药推荐模型，得到推荐药品信息；根据所述推荐药品信息、所述用药指征信息以及预设的专家规则库和医疗本体知识库，对所述处方信息中的用药医嘱进行合理性审核。本发明能够协助审方药师和医生在用药上更趋科学性、合理性，减少病患医疗费用和卫生资源的浪费，还能够及时发现不合理的药物使用情况，最大程度上减缓甚至解决药物滥用的问题。

Description

处方审核方法及系统

技术领域

本发明涉及智能医疗技术领域，尤其涉及一种处方审核方法及系统。

背景技术

鉴于医疗资源的分配及供给落差，以及对于医务活动的监督和管理尚缺乏完善的机制，目前对于处方药物的使用还是存在用药指征判断不明、品种遴选不合理、频繁更换药物以及诸如用药不规范、用药疗程不合理等现象。处方药物的不合理使用现象已经成为当代医学必须正视的问题之一，例如对抗菌药物的使用过于频繁，导致细菌耐药能力的发展速度远超过药物的研发速度，致使细菌耐药问题迅速成为一个全球性的公共卫生问题。为了提高药物应用水平、降低药物滥用率并减少病患药品费用负担等，各级医院乃至医务药品监管机构，亟需建立一套科学、有效、可靠的审方机制，即对一线医生所开具的处方(本发明中所称处方至少包括开具的药品名称和药品的用法用量)进行评审，从而能够起到指导、纠偏、监管等作用，而且还可以作为医生执业能力的重要评定指标之一。

但是，目前已有的审方机制面临着各种挑战：由人工进行审方，即由专家药师对医生开具的处方进行合理性审核，但药师人力有限，导致工作量巨大，多数情况下只能对处方进行“抽验”，因而人工审方的弊端较为明显；现在已有通过计算机技术开发出的药物审核软件，主要依赖由专家梳理的规则库，通过规则匹配来进行对比分析，实现对药品使用合理性的审核。

但即使采用非人工方式，现有的这种审方技术还是存在如下不足：一方面，对医生诊断、病患信息的数据结构化要求高，当采用非规范表达时，可能会导致识别准确率大幅下降，尤其是病患信息多是问诊记录中的自然语言表述，导致诊断关键信息难以准确提取；另一方面，仅仅依赖专家人工梳理，使得不同的医院之间规则存在差异，并且在实际操作中发现，合理用药中的很多逻辑是由多个条件融合推理得到的，而单纯依赖规则库则无法全面覆盖、有效解决。

发明内容

本发明提出了一种处方审核方法及系统，以克服上述现有的审方机制的缺陷。

本发明采用的技术方案如下：

一种处方审核方法，包括：

提取病患的用药指征信息，并识别处方信息；

根据所述用药指征信息以及预先训练的用药推荐模型，得到推荐药品信息；

根据所述推荐药品信息、所述用药指征信息以及预设的专家规则库和医疗本体知识库，对所述处方信息中的用药医嘱进行合理性审核。

可选地，所述根据所述推荐药品信息、所述用药指征信息以及预设的专家规则库和医疗本体知识库，对所述处方信息中的用药医嘱进行合理性审核包括：

根据所述推荐药品信息、所述用药指征信息以及所述专家规则库，对所述处方信息中的药品名称进行用药遴选审核；

通过用药遴选审核后，根据所述用药指征信息以及所述医疗本体知识库，对所述处方信息中的药品用法用量进行用法用量审核；

结合所述用药遴选审核的结果以及所述用法用量审核的结果，确定用药医嘱的合理性结果。

可选地，所述根据所述推荐药品信息、所述用药指征信息以及所述专家规则库，对所述处方信息中的药品名称进行用药遴选审核包括：

根据所述用药指征信息，从所述专家规则库中获取相应的用药规则；

结合所述处方信息中的药品名称，判断选用的药品是否符合所述用药规则；

若否，则确定用药遴选审核未通过；

若是，则将所述处方信息中的药品名称与所述推荐药品信息进行匹配；

若不匹配，则确定用药遴选审核未通过；

若匹配，则确定用药遴选审核通过。

可选地，所述根据所述用药指征信息以及所述医疗本体知识库，对所述处方信息中的药品用法用量进行用法用量审核包括：

基于所述处方信息中的药品名称以及所述用药指征信息，获取所述医疗本体知识库中相应的知识图谱；

将所述知识图谱与所述处方信息中的药品用法用量进行比对；

根据比对结果，确定所述用法用量审核的结果。

可选地，所述提取病患的用药指征信息包括：

利用预先训练的命名实体识别模型，从病患的个性化医疗数据中获取候选指征信息；

根据所述医疗本体知识库，对所述候选指征信息进行过滤和/或纠正，得到所述用药指征信息。

可选地，所述用药推荐模型的训练方法包括：

将采集到的用药指征样本数据分为结构化数据和非结构化数据；

直接提取所述结构化数据的第一文本特征；

对所述非结构化数据按照预设类别进行标注，并分别提取各类别的非结构化数据的第二文本特征；

将第一文本特征与第二文本特征组合为整体特征；

基于所述整体特征，对所述用药推荐模型进行多标签任务训练。

可选地，所述医疗本体知识库的构建方法包括：

获取与医疗相关的本体信息，构建候选本体知识库；

将所述候选本体知识库与预设的专家知识相融合，得到医疗本体知识库。

一种处方审核系统，包括：

信息获取模块，用于提取病患的用药指征信息，并识别处方信息；

用药推荐模块，用于根据所述用药指征信息以及预先训练的用药推荐模型，得到推荐药品信息；

审核模块，用于根据所述推荐药品信息、所述用药指征信息以及预设的专家规则库和医疗本体知识库，对所述处方信息中的用药医嘱进行合理性审核。

可选地，所述审核模块具体包括：

用药遴选审核子模块，用于根据所述推荐药品信息、所述用药指征信息以及所述专家规则库，对所述处方信息中的药品名称进行用药遴选审核；

用法用量审核子模块，用于通过用药遴选审核后，根据所述用药指征信息以及所述医疗本体知识库，对所述处方信息中的药品用法用量进行用法用量审核；

终审确定子模块，用于结合所述用药遴选审核的结果以及所述用法用量审核的结果，确定用药医嘱的合理性结果。

可选地，所述用药遴选审核子模块具体包括：

用药规则获取单元，用于根据所述用药指征信息，从所述专家规则库中获取相应的用药规则；

用药合规判定第一单元，用于结合所述处方信息中的药品名称，判断选用的药品是否符合所述用药规则；

用药合规判定第二单元，用于在所述用药合规判定第一单元输出为是时，将所述处方信息中的药品名称与所述推荐药品信息进行匹配；

用药遴选审核单元，用于当药品名称与所述推荐药品信息匹配时，确定用药遴选审核通过，以及在所述用药合规判定第一单元输出为否或者当药品名称与所述推荐药品信息不匹配时，确定用药遴选审核未通过。

可选地，所述用法用量审核子模块具体包括：

知识图谱获取单元，用于基于所述处方信息中的药品名称以及所述用药指征信息，获取所述医疗本体知识库中相应的知识图谱；

比对单元，用于将所述知识图谱与所述处方信息中的药品用法用量进行比对；

用法用量审核审核单元，用于根据比对结果，确定所述用法用量审核的结果。

可选地，所述信息获取模块具体包括：

候选指征信息获取单元，用于利用预先训练的命名实体识别模型，从病患的个性化医疗数据中获取候选指征信息；

用药指征信息确定单元，用于根据所述医疗本体知识库，对所述候选指征信息进行过滤和/或纠正，得到所述用药指征信息。

可选地，所述系统还包括所述用药推荐模型的训练模块；

所述训练模块具体包括：

数据划分单元，用于将采集到的用药指征样本数据分为结构化数据和非结构化数据；

第一文本特征提取单元，用于直接提取所述结构化数据的第一文本特征；

第二文本特征提取单元，用于对所述非结构化数据按照预设类别进行标注，并分别提取各类别的非结构化数据的第二文本特征；

特征整合单元，用于将第一文本特征与第二文本特征组合为整体特征；

训练单元，用于基于所述整体特征，对所述用药推荐模型进行多标签任务训练。

可选地，所述系统还包括所述医疗本体知识库的构建模块；

所述构建模块具体包括：

候选本体知识库构建单元，用于获取与医疗相关的本体信息，构建候选本体知识库；

医疗本体知识库构建单元，用于将所述候选本体知识库与预设的专家知识相融合，得到医疗本体知识库。

本发明结合病患个体的用药指征信息对处方中的用药进行智能审核，具体是通过提取病患的用药指征信息，并识别处方信息；再根据所述用药指征信息以及预先训练的用药推荐模型，得到推荐药品信息；最后由所述推荐药品信息、所述用药指征信息以及预设的专家规则库和医疗本体知识库，对所述处方信息中的用药医嘱进行合理性审核。本发明可以借助自然语言理解、深度学习以及专家系统，实现多种条件下联合对处方用药合理性进行评估，一方面能够协助审方药师和医生在用药上更趋科学性、合理性，减少病患医疗费用和卫生资源的浪费；另一方面，能够及时发现不合理的药物使用情况，最大程度上减缓甚至解决药物滥用的问题。

附图说明

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步描述，其中：

图1为本发明提供的处方审核方法的实施例的流程图；

图1A为本发明提供的医疗本体知识库中疾病本体信息的示例图；

图1B为本发明提供的医疗本体知识库中药品本体信息的示例图；

图2为本发明提供的用药医嘱合理性审核方法的具体实施例的流程图；

图3为本发明提供的用药遴选审核方法的具体实施例的流程图；

图4为本发明提供的用法用量审核方法的具体实施例的流程图；

图5为本发明提供的用药指征信息提取方法的具体实施例的流程图；

图6为本发明提供的系统的处方审核系统实施例的方框示意图。

附图标记说明：

1信息获取模块 2用药推荐模块 3审核模块

具体实施方式

下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本发明提供的处方审核方法，在实际操作中可以借助现有的机器学习算法，从医学教科书、电子病历、医学指南等大数据中构建药品、疾病、病原体和病患的医疗本体知识库；接着可以利用自然语言理解技术，从病患的病历、检查检验和医嘱处方中提取出用药指征信息；然后可以借助深度学习算法构建用药推荐模型，用来预测病患应使用的药物；再综合本体知识库、用药指征、模型输出结果进行分析、决策，实现对药品使用合理性的有效审核。这里需先做说明，本发明虽然提及处方，但实质上并不对医嘱用药记录的载体进行限定，由于地区、标准以及实操的差异性，医生在提供用药医嘱时，可能仅记录在病历中或者记录在病程记录单，而非记录在标准的处方单上，但对于本发明而言，无论记录用药医嘱的载体为何，皆视为本发明所称处方。

具体而言，如图1所示，本发明提供了一种处方审核方法的实施例，包括如下步骤：

步骤S1、提取病患的用药指征信息，并识别处方信息；

药品的选择和使用，一方面是根据医生诊断，另一方面则需要根据病患的个体信息来作为用药依据，这些用药依据可以来源于与病患姓名相关的电子病历数据、检查历史、检验报告单等。借助现有的关键信息提取技术，可以从电子病历、检查报告、化验单、体温记录表等等已存储的文本数据中提取到用药指征，为下一步用药合理性审核做准备。本发明将在下文中介绍了一种能够实现快速、准确获取用药指征信息的优选方案。

再者，关于识别处方信息，是指从用药医嘱中识别出医生所开具的药品名称以及相应的医嘱用法用量；而且，为了获取到病患的用药指征信息，还可以从处方信息中提取到病患姓名，并由该病患姓名关联到该病患的个性化的医疗数据。当然，本发明并不限定通过处方获取病患的用药指征信息，实际操作中可以采用其他现有方式获取病患个性化的医疗数据。

步骤S2、根据用药指征信息以及预先训练的用药推荐模型，得到推荐药品信息；

本领域技术人员可以理解的是，用药审核的关键即是对用药遴选的合理性以及药品用法用量的合理性进行审核。因此本实施例强调的逻辑是，为了开展后续审核操作，需知晓处方中的药品是否选对，并在选对的基础上进一步审查该药品的医嘱用法用量是否合理。据此逻辑，在本步骤中需要提供判定药品是否选对的基础信息，因而采取将上述用药指征信息与用药推荐模型相结合的方案，从而能够获得可靠的用药推荐信息。

关于用药预测模型可以采用现有的深度神经网络结构，并且训练、测试方法可以借鉴现有技术手段，但需指出的是，针对本发明技术领域的特定性，在对模型进行训练时可以考虑如下步骤：

1)将采集到的用药指征样本数据分为结构化数据和非结构化数据；

2)直接提取所述结构化数据的第一文本特征；

3)对所述非结构化数据按照预设类别进行标注，并分别提取各类别的非结构化数据的第二文本特征；

4)将第一文本特征与第二文本特征组合为整体特征；

5)基于所述整体特征，对所述用药推荐模型进行多标签任务训练。

由实际经验可知，医疗数据中通常包含两大类数据，一种是诸如病患的基本信息、医生的诊断结论、检查化验报告等结构化信息；另一种是非结构化信息，例如患者的入院记录、每日病程记录等，包括在电子病历中对病患的现病史、症状、特殊人群、疾病发展趋势等的记载，这些都属于非结构化数据(本发明为便于说明，将半结构化数据列入相对应“结构化数据”而言的非结构化数据之内)。

对于结构化数据，可以使用诸如one hot方法进行特征向量化，并直接利用特征向量参与该用药预测模型的训练；对于非结构化数据，在模型训练阶段，可以将其按照预设类别进行标注，例如现病史数据、检查数据、主诉数据和既往史数据等，并可以针对所述各类别分别使用一个独立的 BiLSTM进行建模。这里可以补充的是，为了提升模型输出效果，在各类别的BiLSTM之上还可以增加Highway和self-attention机制，Highway类似于GRU中的更新门，利于长文本的建模，而诸如电子病历此类文本相对较长，因此能够获得明显的效果提升；而self-attention的作用能够较大提升模型的语义表达能力。对此皆可参考现有技术，本发明不作赘述。

接着，在获得上述第一文本特征和第二文本特征后，还可以通过 self-attention机制，将结构化和非结构化数据所提供的特征整合成一个整体特征；而对于药品的推荐本质是一个分类任务，并且考虑到一种疾病可能会使用多种药品，所以此模型的最终任务是要处理一个多标签的预测问题。据此，训练的过程可以视作基于前述整体特征的多标签分类过程。当然，前文所述模型训练仅是侧重说明用药指征数据，而根据国家相关规定，药品的使用具有严格的限制条件，在诸如《药物临床应用指导原则》、《国家抗微生物治疗指南》等资料中都有明确的规定，即针对特定的疾病和病患条件，推荐该病患应该使用何种药是有先验可依的，因此还可以结合深度学习算法从指导原则、使用指南、药品说明书、医疗权威文献、电子病历等数据中学习专家经验知识用以训练和测试该模型。

总之，在由上述方法训练完成后获得用药推荐模型，当输入无论是结构化或非结构化的用药指征信息，即可以输出针对病患个体的推荐药品信息；当然，在其他实施例中，还可以根据推荐用药的得分或其他依据，进行推荐排序，从中再按照置信度门限挑选最优的TopN结果，从而为后续审核提供了准确可靠的基础数据。

步骤S3、根据推荐药品信息、用药指征信息以及预设的专家规则库和医疗本体知识库，对处方信息中的用药医嘱进行合理性审核。

最后，利用所获取的上述各个维度的信息以及预先设定的规则和数据，对处方信息中的用药医嘱进行合理性审核，下文将对基于上述条件的具体审核实施例进行说明，此处不予赘述，但需要指出的是，本发明不对审核后的结论如何利用进行限定，可以用于对药品滥用的监管，可以是对医生的辅助指导，还可以用于评价医生的执业水平等。

关于专家规则库，则如前文提及的是由专业药师、医生结合历史实际经验和医疗领域的科研成果梳理出的用药规范和指导意见的数据总集。本发明并不排斥该专家规则库，但重点在于，不以该专家规则库作为唯一的依赖标准，因此本实施例中还提及了预设的医疗本体知识库作为后续审核依据之一，将医学领域的知识等梳理成特定的医疗本体知识库，审核阶段则可以基于至少两个条件进行分析判断。

关于医疗本体知识库的建立可以利用自然语言处理技术中的命名实体识别、关系抽取和属性抽取等技术方案，并可以采用“数据挖掘+专家审核”相结合的半自动化构建方案，实现医疗本体知识库的持续更新构建。建立该医疗本体知识库的过程可以是：

1)获取与医疗相关的本体信息，构建候选本体知识库；

2)将候选本体知识库与预设的专家知识相融合，得到医疗本体知识库。

可见，本发明所用的建库策略主要包含了“信息抽取”和“知识融合”两个阶段。

一、信息抽取：

可采用数据挖掘技术，从大量与医疗相关的结构化、非结构化的文本数据中提取到本体、关系和属性等本体信息。例如，借助实体发现技术，从医学书籍、指南、药品说明书等文本数据中，挖掘出药物、病症、特殊人群、病原体等本体；进一步通过关联发现技术挖掘各实体之间的关系，本体和关系分类可基于《药物临床应用指导原则》、《国家抗微生物治疗指南》、权威文献、药品说明书、电子病例等大规模的本领域数据，以此构建出候选本体知识库。

二、知识融合：

之所以强调先构建出候选本体知识库，是考虑到医疗领域的特殊性，基于该候选结果进一步提出了对候选本体知识库进行专家评估的思路，以确保作为后续审核基础的参考数据能够最大限度地保持准确性和有效性。具体可以是基于梳理的专家知识(如：同类的实体，其属性和关系也是类似的)，在通过知识推理来确定本体的属性及与其它本体关系的同时，结合专家系统对候选本体知识库中的各信息进行质量评估和修正，从中舍弃无效或错误知识，在不断积累的数据上，持续地迭代更新入库的有效知识。这样，经由大数据抽取以及不同知识角度的融合，即能够得到覆盖常见疾病和常见药品，并且更加完善、可靠的医疗本体知识库。

以抗生素为例，由本发明上述构建医疗本体知识库的方法能够得到诸如图1A和图1B示出的本体参考，其中图1A为疾病本体信息示例，图1B 为药品本体信息示例。

上述实施例结合病患个体的用药指征信息对处方中的用药进行智能审核，实现多种条件下联合对处方用药合理性进行评估，上述实施例一方面能够协助审方药师和医生在用药上更趋科学性、合理性，减少病患医疗费用和卫生资源的浪费；另一方面，能够及时发现不合理的药物使用情况，最大程度上减缓甚至解决药物滥用的问题。

前文提及，用药审核的关键即是对用药遴选的合理性以及药品用法用量的合理性进行审核，据此本发明提供了一种较佳的对用药医嘱进行合理性审核的实施示例，其中对多种条件分别进行组合用以对两种角度的审核提供依据参考，如图2所示，该方法可以包括如下步骤：

步骤S31、根据推荐药品信息、用药指征信息以及专家规则库，对处方信息中的药品名称进行用药遴选审核；

用药遴选审核是指可以根据病患个性化的用药指征，判断出医生为病患所开具的药品是否出现选药不合理的错误。比如：一位病患因“绝经8 个月后阴道出血40天”住院，诊断为：子宫内膜癌，子宫肌瘤，并进行腹腔镜下全子宫双附件切除术+腹膜后淋巴结清扫术；对于术后感染预防用药，医生开具的处方中记载的药品名称为头孢地嗪(第三代头孢菌素)，但由前述步骤中提及的预测机制所推荐使用的则是第一代头孢菌素、第二代头孢菌素以及头霉素类药，由专家规则库中的规则数据也给出“第三代头孢菌素存在凝血功能障碍副作用，可能会导致出血”，因而据上述条件审核出该医生发生用药遴选不合理的错误。

关于如何具体采用推荐药品信息以及专家规则库，对医嘱中的药品名称进行审核，则可以指定不同的评判策略，本发明仅以下述具体实施例做为示意性说明，如图3所示，包括如下步骤：

步骤S311、根据用药指征信息，从专家规则库中获取相应的用药规则；

步骤S312、结合处方信息中的药品名称，判断选用的药品是否符合用药规则；

若否，则执行步骤S315、确定用药遴选审核未通过；

若是，则步骤S313、将处方信息中的药品名称与推荐药品信息进行匹配；

若匹配，则步骤S314、确定用药遴选审核通过；

若不匹配，则执行步骤S315、确定用药遴选审核未通过。

对于全结构化的病历数据、检查检验报告等，系统可以准确提取到用药指征信息，然后从专家规则库中检索到与用药指征信息相关的所有用药的规则，这些规则某药品适应症是否满足、是否存在药品禁忌症、是否违反配伍禁忌(药物在体外配伍，直接发生物理性的或化学性的相互作用会影响药物疗效或发生毒性反应，一般将配伍禁忌分为物理性的和化学性的两类)，这样结合处方信息中的药品名称，即可以快速识别出处方用药是否与上述用药规则相悖，若是则可以确定用药遴选审核未通过。如前例中该病患的用药指征信息包含“绝经8个月后阴道出血40天住院，诊断为：子宫内膜癌，子宫肌瘤，并进行腹腔镜下全子宫双附件切除术+腹膜后淋巴结清扫术”，因此据该用药指征信息至少能够从专家规则库中获取到“术后避免采用导致凝血功能障碍的预防感染类药品”或者“术后不建议采用第三代头孢菌素”或者“术后禁用头孢地嗪......”等此类用药规则，这样，结合该医生的处方信息中的药品名称“头孢地嗪”，则能够判定出该处方在用药遴选审核环节未通过。

可见，专家规则库可以是一种较为严格的遴选评估依据，但也导致在实际操作中，专家规则库能够解决的问题更适用面向信息明确、规则明显的少部分确定性问题。但由于真实电子病历、检验结果等信息不全，或者信息抽取错误等均会导致后续判定效果降低，另外，现有的专家规则是由较高层面的日常医疗经验总结出的段落文本，对于规则本身的描述和分析不足，容易出现以偏概全的片面性。因此，本发明才在前述步骤中提出使用深度学习方法，并基于神经网络模型来进行用药推荐，目的是对由专家规则库初筛后的用药合理性做进一步判断，因而能够提升遴选审核的可靠性。

具体来说，假设前述医生采用的术后药品并未违反专家用药规则，也即是从“大方向上”该医生用药是合格的，但为了确保最终的审核结果准确有效，本实施例提出将处方信息中的药品名称与前述步骤中获得的推荐药品信息进行匹配。举例而言，推荐药品信息为“第一代头孢菌素、第二代头孢菌素以及头霉素类药”，若该医生处方中采用的是三者之一，则可以确定该处方在用药遴选审核环节通过；但若该医生采用的是三者之外的药品，依然判定该处方在用药遴选审核环节未通过。这样处理不仅具有上述技术效果，还有如下额外的优势：在由前步专家规则从较高层面即判定出用药不合格后，无需再进行后续运算，即可以得出审核结果，因此本实施例还可以在一定程度上提升审核效率、减少不必要的运算量。

接续前文，在通过用药遴选审核后，执行步骤S32、根据用药指征信息以及医疗本体知识库，对所述处方信息中的药品用法用量进行用法用量审核；

本发明不仅仅考虑到药品的选择，还进一步提出对药品的用法和用量进行审核。本领域技术人员可以理解，用药方案与病患的个性化身体状况、病症等紧密相关，并且决定一个药品的用法用量是否正确的条件也很多，例如服用方式是口服还是静脉滴注、用药频次和时机、单次用量、疗程期等等，可见如果不能获取到病患个性化的全面信息以及全面的药品信息，仅通过简单的病患基本信息或药品说明书是无法准确判断药品的用法用量是否合理的。基于此，本发明提供了一个较佳的关于药品用法用量审核方法的实施参考，如图4所示，具体包括如下步骤：

步骤S321、基于处方信息中的药品名称以及用药指征信息，获取医疗本体知识库中相应的知识图谱；

这里所称知识图谱包含了针对该药品以及病患个性化的用药指征的推荐用法用量，具体而言，可以从医疗本体知识库中检索到对应药品的本体信息，并根据病患的用药指征信息从药品信息所展示的多重属性和分支节点关系中获得具有针对性的知识图谱。本方案与传统技术手段有较大区别，传统的审核方法对病患的个性化信息使用较少，其并不是根据每个病患的全面的用药指征信息进行审核；而在本实施例中，在结合医疗本体知识库时还综合考虑到病患的个性化的用药指征信息，例如除了病患年龄、体温、体重等基本信息外，还会使用更为复杂的信息，例如检查、检验、病症描述等信息。

例如在医嘱中使用的是头孢地嗪，本发明会由病患的年龄，判断病患是成人还是小儿或者其它的年龄段，同时可以根据用药指征信息中提取到医生诊断，判断病患用于治疗用药还是手术预防用药，另外还会根据病患检查信息中的肌酐以及病患性别、年龄等考察病患肌酐清除率，最终在医疗本体知识库中获得相应于病患此时此刻状态的特定的用药知识图谱。

并且可见，对于病患的用药指征信息的提取，在本发明中也发挥着至关重要的基础作用，对此本发明将在下文中进行具体说明。

步骤S322、将知识图谱与处方信息中的药品用法用量进行比对；

在获得了前述相应的知识图谱后，即可以将处方中的医嘱用法用量与之进行比对，比对方式可参考现有的相关度、相似性等方法，本发明对此不作限定。

步骤S323、根据比对结果，确定用法用量审核的结果。

这里可以说明的是，当比对出明显的用法错误、频次错误、用量超疗程等情况，均可以确定出用法用量审核未通过；但还可以考虑的是，用法可能是多样的，且用量也会出现范围数据，因此对于前述比对结果，则可以采用计分制，根据接近程度并按照预定的标准对处方中的用法用量进行打分，再根据设定的分数阈值进行审核通过与否的判定。

接续前文，在完成了前述两项审核环节后，则执行步骤S33、结合用药遴选审核的结果以及用法用量审核的结果，确定处方的用药合理性结果。

这里所称的用药合理性结果是指终审结果，即是根据上述的遴选和用法用量审核结果，判断整个处方的用药是否合理。例如，可以是两者都通过才判定最终的用药合理性审核通过，否则为不通过；或者还可以采用计分制，分别为用药遴选和用法用量两个环节打分，并将二者的分数进行融合(例如求二者加权和或者计算均值等)，最后将融合后的分值作为审核结果输出，当然，该方式相对而言更为适用对医生的执业水平进行评测的场景。对此，本发明不作限定。

在一个更为优选的实施例中，还可以考虑利用最终审核结果为医生提供指导性建议：例如，如果药品遴选处于推荐药品信息TopN的末位，则可以据此推荐出最优的药品供医生参考；如果药品用法用量虽然合格但分数偏低，则可以提供更佳的用法用量的纠正意见。

最后，关于对病患的用药指征信息的提取，在前文中已经提及进行处方审核的过程中需综合利用病患的各种数据来作为用药依据，其中包括但不限于病患的基本信息、每日病程记录、检查、检验和护理信息等等，用药指征信息即是来自于前述各种医疗数据。这里还需要说明的是，如前文所述，通常医疗数据包括结构化文本数据和非结构化文本数据，因此，在提取用药指征信息时可采用不同的策略：

对于结构化数据，例如医生的诊断结论、检查报告等结构化信息，可通过梳理文本数据中各个字段的含义，建立字段与指征信息的映射关系(如： age字段与年龄对应)，即形成一种特定的信息提取规则，提取时按照该规则处理，即可实现对于结构化数据中的用药指征信息的准确提取。

对于非结构化数据(包括半结构化数据)，例如病患的入院记录、每日病程记录以及现病史、症状、特殊人群、疾病发展趋势等数据，则可以优选通过自然语言理解技术提取出关键信息，本发明提供了如图5所示的基于统计模型的提取方案，但这里需指出，该下述方案同样适用于结构化数据。

步骤S11、利用预先训练的命名实体识别模型，从病患的个性化医疗数据中获取候选指征信息；

步骤S12、根据医疗本体知识库，对候选指征信息进行过滤和/或纠正，得到用药指征信息。

具体可以采用序列标注BiLSTM+CRF算法，训练命名体识别模型，并且标注过程可以借助专家知识或经验所建立的用于发现用药指征的规则，从而统计出各医疗数据中的候选指征信息。此处所称候选，与前文基于同理，针对医疗领域的特殊性，应尽可能确保信息获取的精准度。因此，对于候选指征信息，可进一步根据前文所称的医疗本体知识库中的本体信息等，通过对比、匹配来过滤和/或纠正候选中的无用和/或错误信息。最终，从即从病患的个性化的大量医疗数据中捕获到可用于后续审核处理基础的用药指征信息。

综上所述，本发明可以借助自然语言理解、深度学习以及专家系统，实现多种条件下联合对处方用药合理性进行评估，一方面能够协助审方药师和医生在用药上更趋科学性、合理性，减少病患医疗费用和卫生资源的浪费；另一方面，能够及时发现不合理的药物使用情况，最大程度上减缓甚至解决药物滥用的问题。

相应于前述各实施例及优选方案，本发明还提供了一种处方审核系统的实施例，如图6所示，该系统可以包括至少一个用于存储相关指令的存储器以及至少一个与所述存储器连接并用于执行下述各模块的处理器(在其他实施例中一个或多个处理器也可以直接执行相应的步骤动作，而无需通过下述模块执行，例如处理器直接执行信息提取、信息识别、获取推荐、用药审核等操作)：

信息获取模块1，用于提取病患的用药指征信息，并识别处方信息；

用药推荐模块2，用于根据所述用药指征信息以及预先训练的用药推荐模型，得到推荐药品信息；

审核模块3，用于根据所述推荐药品信息、所述用药指征信息以及预设的专家规则库和医疗本体知识库，对所述处方信息中的用药医嘱进行合理性审核。

可选地，所述审核模块具体包括：

用药遴选审核子模块，用于根据所述推荐药品信息、所述用药指征信息以及所述专家规则库，对所述处方信息中的药品名称进行用药遴选审核；

用法用量审核子模块，用于通过用药遴选审核后，根据所述用药指征信息以及所述医疗本体知识库，对所述处方信息中的药品用法用量进行用法用量审核；

终审确定子模块，用于结合所述用药遴选审核的结果以及所述用法用量审核的结果，确定用药医嘱的合理性结果。

可选地，所述用药遴选审核子模块具体包括：

用药规则获取单元，用于根据所述用药指征信息，从所述专家规则库中获取相应的用药规则；

用药合规判定第一单元，用于结合所述处方信息中的药品名称，判断选用的药品是否符合所述用药规则；

用药合规判定第二单元，用于在所述用药合规判定第一单元输出为是时，将所述处方信息中的药品名称与所述推荐药品信息进行匹配；

用药遴选审核单元，用于当药品名称与所述推荐药品信息匹配时，确定用药遴选审核通过，以及在所述用药合规判定第一单元输出为否或者当药品名称与所述推荐药品信息不匹配时，确定用药遴选审核未通过。

可选地，所述用法用量审核子模块具体包括：

知识图谱获取单元，用于基于所述处方信息中的药品名称以及所述用药指征信息，获取所述医疗本体知识库中相应的知识图谱；

比对单元，用于将所述知识图谱与所述处方信息中的药品用法用量进行比对；

用法用量审核审核单元，用于根据比对结果，确定所述用法用量审核的结果。

可选地，所述信息获取模块具体包括：

候选指征信息获取单元，用于利用预先训练的命名实体识别模型，从病患的个性化医疗数据中获取候选指征信息；

用药指征信息确定单元，用于根据所述医疗本体知识库，对所述候选指征信息进行过滤和/或纠正，得到所述用药指征信息。

可选地，所述系统还包括所述用药推荐模型的训练模块；

所述训练模块具体包括：

数据划分单元，用于将采集到的用药指征样本数据分为结构化数据和非结构化数据；

第一文本特征提取单元，用于直接提取所述结构化数据的第一文本特征；

第二文本特征提取单元，用于对所述非结构化数据按照预设类别进行标注，并分别提取各类别的非结构化数据的第二文本特征；

特征整合单元，用于将第一文本特征与第二文本特征组合为整体特征；

训练单元，用于基于所述整体特征，对所述用药推荐模型进行多标签任务训练。

可选地，所述系统还包括所述医疗本体知识库的构建模块；

所述构建模块具体包括：

候选本体知识库构建单元，用于获取与医疗相关的本体信息，构建候选本体知识库；

医疗本体知识库构建单元，用于将所述候选本体知识库与预设的专家知识相融合，得到医疗本体知识库。

在实际操作中，上述系统可以是基于认知计算的药物智能审核系统，借助数据挖掘技术，构建病症、药品、特殊人群、病原体等医疗本体知识库；其次，借助自然语言理解AI技术，分析电子病历、检验、检查报告、处方等病患数据，得到病患病症、诊断、检查检验等用药指征；然后，以医疗卫生部分指定的用药规则以及审方药师、临床医生等总结的专家知识为指导，借助深度学习模型技术来预测用药，并借助疾病、药品及专家知识库来罗列推荐药品，能够实现实时审查处方中的用药合理性；在其他实施例中，系统也可以针对审核结果为不合理的医嘱提供指导性建议。

虽然上述系统实施例及优选方案的工作方式以及技术原理皆记载于前文，但仍需指出的是，本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，也可以把它们分成多个子模块或子单元或子组件予以实施。

以及，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统实施例仅仅是示意性的，其中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劳动的情况下，即可以理解并实施。

以上依据图式所示的实施例详细说明了本发明的构造、特征及作用效果，但以上仅为本发明的较佳实施例，需要言明的是，上述实施例及其优选方式所涉及的技术特征，本领域技术人员可以在不脱离、不改变本发明的设计思路以及技术效果的前提下，合理地组合搭配成多种等效方案；因此，本发明不以图面所示限定实施范围，凡是依照本发明的构想所作的改变，或修改为等同变化的等效实施例，仍未超出说明书与图示所涵盖的精神时，均应在本发明的保护范围内。

Claims (13)

1.一种处方审核方法，其特征在于，包括：

提取病患的用药指征信息，并识别处方信息；

根据所述用药指征信息以及预先训练的用药推荐模型，得到推荐药品信息；

根据所述推荐药品信息、所述用药指征信息以及预设的专家规则库和医疗本体知识库，对所述处方信息中的用药医嘱进行合理性审核，包括：根据所述推荐药品信息、所述用药指征信息以及所述专家规则库，对所述处方信息中的药品名称进行用药遴选审核；通过用药遴选审核后，根据所述用药指征信息以及所述医疗本体知识库，对所述处方信息中的药品用法用量进行用法用量审核；结合所述用药遴选审核的结果以及所述用法用量审核的结果，确定用药医嘱的合理性结果。

2.根据权利要求1所述的处方审核方法，其特征在于，所述根据所述推荐药品信息、所述用药指征信息以及所述专家规则库，对所述处方信息中的药品名称进行用药遴选审核包括：

根据所述用药指征信息，从所述专家规则库中获取相应的用药规则；

结合所述处方信息中的药品名称，判断选用的药品是否符合所述用药规则；

若否，则确定用药遴选审核未通过；

若是，则将所述处方信息中的药品名称与所述推荐药品信息进行匹配；

若不匹配，则确定用药遴选审核未通过；

若匹配，则确定用药遴选审核通过。

3.根据权利要求1所述的处方审核方法，其特征在于，所述根据所述用药指征信息以及所述医疗本体知识库，对所述处方信息中的药品用法用量进行用法用量审核包括：

基于所述处方信息中的药品名称以及所述用药指征信息，获取所述医疗本体知识库中相应的知识图谱；

将所述知识图谱与所述处方信息中的药品用法用量进行比对；

根据比对结果，确定所述用法用量审核的结果。

4.根据权利要求1所述的处方审核方法，其特征在于，所述提取病患的用药指征信息包括：

利用预先训练的命名实体识别模型，从病患的个性化医疗数据中获取候选指征信息；

根据所述医疗本体知识库，对所述候选指征信息进行过滤和/或纠正，得到所述用药指征信息。

5.根据权利要求1~4任一项所述的处方审核方法，其特征在于，所述用药推荐模型的训练方法包括：

将采集到的用药指征样本数据分为结构化数据和非结构化数据；

直接提取所述结构化数据的第一文本特征；

对所述非结构化数据按照预设类别进行标注，并分别提取各类别的非结构化数据的第二文本特征；

将第一文本特征与第二文本特征组合为整体特征；

基于所述整体特征，对所述用药推荐模型进行多标签任务训练。

6.根据权利要求1~4任一项所述的处方审核方法，其特征在于，所述医疗本体知识库的构建方法包括：

获取与医疗相关的本体信息，构建候选本体知识库；

将所述候选本体知识库与预设的专家知识相融合，得到医疗本体知识库。

7.一种处方审核系统，其特征在于，包括：

信息获取模块，用于提取病患的用药指征信息，并识别处方信息；

用药推荐模块，用于根据所述用药指征信息以及预先训练的用药推荐模型，得到推荐药品信息；

审核模块，用于根据所述推荐药品信息、所述用药指征信息以及预设的专家规则库和医疗本体知识库，对所述处方信息中的用药医嘱进行合理性审核，包括：根据所述推荐药品信息、所述用药指征信息以及所述专家规则库，对所述处方信息中的药品名称进行用药遴选审核；通过用药遴选审核后，根据所述用药指征信息以及所述医疗本体知识库，对所述处方信息中的药品用法用量进行用法用量审核；结合所述用药遴选审核的结果以及所述用法用量审核的结果，确定用药医嘱的合理性结果。

8.根据权利要求7所述的处方审核系统，其特征在于，所述审核模块具体包括：

用药遴选审核子模块，用于根据所述推荐药品信息、所述用药指征信息以及所述专家规则库，对所述处方信息中的药品名称进行用药遴选审核；

用法用量审核子模块，用于通过用药遴选审核后，根据所述用药指征信息以及所述医疗本体知识库，对所述处方信息中的药品用法用量进行用法用量审核；

终审确定子模块，用于结合所述用药遴选审核的结果以及所述用法用量审核的结果，确定用药医嘱的合理性结果。

9.根据权利要求8所述的处方审核系统，其特征在于，所述用药遴选审核子模块具体包括：

用药规则获取单元，用于根据所述用药指征信息，从所述专家规则库中获取相应的用药规则；

用药合规判定第一单元，用于结合所述处方信息中的药品名称，判断选用的药品是否符合所述用药规则；

用药合规判定第二单元，用于在所述用药合规判定第一单元输出为是时，将所述处方信息中的药品名称与所述推荐药品信息进行匹配；

用药遴选审核单元，用于当药品名称与所述推荐药品信息匹配时，确定用药遴选审核通过，以及在所述用药合规判定第一单元输出为否或者当药品名称与所述推荐药品信息不匹配时，确定用药遴选审核未通过。

10.根据权利要求8所述的处方审核系统，其特征在于，所述用法用量审核子模块具体包括：

知识图谱获取单元，用于基于所述处方信息中的药品名称以及所述用药指征信息，获取所述医疗本体知识库中相应的知识图谱；

比对单元，用于将所述知识图谱与所述处方信息中的药品用法用量进行比对；

用法用量审核单元，用于根据比对结果，确定所述用法用量审核的结果。

11.根据权利要求7所述的处方审核系统，其特征在于，所述信息获取模块具体包括：

候选指征信息获取单元，用于利用预先训练的命名实体识别模型，从病患的个性化医疗数据中获取候选指征信息；

用药指征信息确定单元，用于根据所述医疗本体知识库，对所述候选指征信息进行过滤和/或纠正，得到所述用药指征信息。

12.根据权利要求7~11任一项所述的处方审核系统，其特征在于，所述系统还包括所述用药推荐模型的训练模块；

所述训练模块具体包括：

数据划分单元，用于将采集到的用药指征样本数据分为结构化数据和非结构化数据；

第一文本特征提取单元，用于直接提取所述结构化数据的第一文本特征；

第二文本特征提取单元，用于对所述非结构化数据按照预设类别进行标注，并分别提取各类别的非结构化数据的第二文本特征；

特征整合单元，用于将第一文本特征与第二文本特征组合为整体特征；

训练单元，用于基于所述整体特征，对所述用药推荐模型进行多标签任务训练。

13.根据权利要求7~11任一项所述的处方审核系统，其特征在于，所述系统还包括所述医疗本体知识库的构建模块；

所述构建模块具体包括：

候选本体知识库构建单元，用于获取与医疗相关的本体信息，构建候选本体知识库；

医疗本体知识库构建单元，用于将所述候选本体知识库与预设的专家知识相融合，得到医疗本体知识库。

Images