CN110322944B - 药物不良反应智能监测方法、装置、系统和计算机设备 - Google Patents
药物不良反应智能监测方法、装置、系统和计算机设备 Download PDFInfo
- Publication number
- CN110322944B CN110322944B CN201910468699.7A CN201910468699A CN110322944B CN 110322944 B CN110322944 B CN 110322944B CN 201910468699 A CN201910468699 A CN 201910468699A CN 110322944 B CN110322944 B CN 110322944B
- Authority
- CN
- China
- Prior art keywords
- data
- patient
- abnormal
- adverse
- output result
- 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
- 208000030453 Drug-Related Side Effects and Adverse reaction Diseases 0.000 title claims abstract description 183
- 206010061623 Adverse drug reaction Diseases 0.000 title claims abstract description 126
- 238000012544 monitoring process Methods 0.000 title claims abstract description 121
- 238000000034 method Methods 0.000 title claims abstract description 59
- 239000003814 drug Substances 0.000 claims abstract description 236
- 229940079593 drug Drugs 0.000 claims abstract description 187
- 238000001514 detection method Methods 0.000 claims abstract description 124
- 238000003745 diagnosis Methods 0.000 claims abstract description 118
- 206010067484 Adverse reaction Diseases 0.000 claims abstract description 62
- 230000006838 adverse reaction Effects 0.000 claims abstract description 62
- 230000002159 abnormal effect Effects 0.000 claims description 245
- 208000024891 symptom Diseases 0.000 claims description 132
- 230000002411 adverse Effects 0.000 claims description 39
- 239000000463 material Substances 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 23
- 238000005516 engineering process Methods 0.000 claims description 17
- 238000010801 machine learning Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000012806 monitoring device Methods 0.000 claims description 14
- 238000003058 natural language processing Methods 0.000 claims description 12
- 238000001647 drug administration Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 230000005856 abnormality Effects 0.000 claims description 8
- 239000003795 chemical substances by application Substances 0.000 claims description 7
- 238000005065 mining Methods 0.000 claims description 6
- 238000013479 data entry Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 2
- 201000010099 disease Diseases 0.000 description 14
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 102100031830 Afadin- and alpha-actinin-binding protein Human genes 0.000 description 4
- 101710182459 Afadin- and alpha-actinin-binding protein Proteins 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- ZZUFCTLCJUWOSV-UHFFFAOYSA-N furosemide Chemical compound C1=C(Cl)C(S(=O)(=O)N)=CC(C(O)=O)=C1NCC1=CC=CO1 ZZUFCTLCJUWOSV-UHFFFAOYSA-N 0.000 description 3
- 229960003883 furosemide Drugs 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 239000012567 medical material Substances 0.000 description 3
- 210000002966 serum Anatomy 0.000 description 3
- 239000003154 D dimer Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000036760 body temperature Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 108010052295 fibrin fragment D Proteins 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- BHPQYMZQTOCNFJ-UHFFFAOYSA-N Calcium cation Chemical compound [Ca+2] BHPQYMZQTOCNFJ-UHFFFAOYSA-N 0.000 description 1
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 1
- 201000001431 Hyperuricemia Diseases 0.000 description 1
- 206010021036 Hyponatraemia Diseases 0.000 description 1
- 206010028813 Nausea Diseases 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 206010047700 Vomiting Diseases 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 229910001424 calcium ion Inorganic materials 0.000 description 1
- 239000000460 chlorine Substances 0.000 description 1
- 229910052801 chlorine Inorganic materials 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008693 nausea Effects 0.000 description 1
- 201000008383 nephritis Diseases 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 238000012113 quantitative test Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000002747 voluntary effect Effects 0.000 description 1
- 230000008673 vomiting Effects 0.000 description 1
Images
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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Infusion, Injection, And Reservoir Apparatuses (AREA)
Abstract
本申请涉及一种药物不良反应智能监测方法、装置、系统和计算机设备。所述方法包括：获取终端的病患诊疗数据；所述病患诊疗数据包括病患体征数据和病患检测数据；将所述病患体征数据和所述病患检测数据输入至药物不良反应预警器；获取所述药物不良反应预警器的输出结果；所述输出结果为所述药物不良反应预警器根据所述病患体征数据和所述病患检测数据分析得到的药物结果；将所述输出结果发送至所述终端，供所述终端展示所述输出结果。采用本方案，不仅能够提高药物不良反应智能监测的准确率，还能够完善药物不良反应智能监测系统的全面性。
Description
技术领域
本申请涉及药物不良反应监测技术领域，特别是涉及一种药物不良反应智能监测方法、装置、系统、计算机设备和存储介质。
背景技术
目前，药物不良反应(Adverse Drug Reaction，ADR)的监测研究因许多药源性灾难应运而生。我国虽已初步建成了以国家、省、地市为基础的药品不良反应监测和管理组织体系，但是在专业队伍建设、规章制度和资源上仍处于起步阶段。
现有的药物不良反应智能监测方法，主要是通过医生临床经验、主观发现和自愿呈报系统等方式进行监测，漏报较多，检测结果可靠性较弱。同时，现有的药物不良反应智能监测系统，往往只考虑关键指标分析，未考虑动态指标分析、病程文书记录或一词多义等影像因此，致使监测结果准确性较低。
因此，现有的药物不良反应智能监测方法存在监测准确率低的问题。
发明内容
基于此，有必要针对上述药物不良反应智能监测方法存在着监测准确率低的技术问题，提供一种能够合理解决上述技术问题的药物不良反应智能监测方法、装置、系统、计算机设备和存储介质。
一种药物不良反应智能监测方法，包括如下步骤：
获取终端的病患诊疗数据；所述病患诊疗数据包括病患体征数据和病患检测数据；
将所述病患体征数据和所述病患检测数据输入至药物不良反应预警器；
获取所述药物不良反应预警器的输出结果；所述输出结果为所述药物不良反应预警器根据所述病患体征数据和所述病患检测数据分析得到的药物结果；
将所述输出结果发送至所述终端，供所述终端展示所述输出结果。
在其中一个实施例中，在所述将所述病患体征数据和所述病患检测数据输入至药物不良反应预警器之后，还包括：
在所述药物不良反应预警器中，确定预设的不良体征阈值和不良检测阈值；
将所述病患体征数据与所述不良体征阈值进行匹配，以及，将所述病患检测数据与所述不良检测阈值进行匹配；
当所述病患体征数据达到所述不良体征阈值时，和/或当所述病患检测数据达到所述不良检测阈值时，执行所述获取所述药物不良反应预警器的输出结果的步骤。
在其中一个实施例中，所述获取所述药物不良反应预警器的输出结果，包括：
在所述药物不良反应预警器中，确定预存的多种用药异常症状；所述多种用药异常症状分别具有对应的异常指向药物；
将所述病患体征数据和所述病患检测数据分别与所述多种用药异常症状进行匹配；
确定目标异常症状；所述目标异常症状为与所述病患体征数据和/或与所述病患检测数据相匹配的用药异常症状；
提取所述目标异常症状的异常指向药物，作为所述药物不良反应预警器的输出结果。
在其中一个实施例中，在所述确定目标异常症状之后，还包括：
提取所述病患诊疗数据中的医嘱数据；
当所述医嘱数据包括有异常缓解药物时，提取所述异常缓解药物的适应症；
当所述适应症与所述目标异常症状相匹配时，确定所述异常缓解药物，作为所述药物不良反应预警器的输出结果。
在其中一个实施例中，还包括：
当所述医嘱数据未包括有异常缓解药物，或当所述医嘱数据所包括异常缓解药物的适应症与所述目标异常症状不匹配时，根据所述目标异常症状，获取异常缓解药物；所述异常缓解药物的适应症与所述目标异常症状相匹配；
确定所述异常缓解药物，作为所述药物不良反应预警器的输出结果。
一种药物不良反应智能监测方法，包括如下步骤：
显示药物不良反应智能监测页面；所述药物不良反应智能监测页面包括数据输入入口；
接收针对所述数据输入入口的病患诊疗数据；
将所述病患诊疗数据发送至服务器；
接收并显示所述服务器的输出结果；所述输出结果为所述服务器根据所述病患诊疗数据查询到的、当所述病患诊疗数据分析出现异常时的输出结果。
一种药物不良反应智能监测装置，所述装置包括：
诊疗数据获取模块，用于获取终端的病患诊疗数据；所述病患诊疗数据包括病患体征数据和病患检测数据；
病患数据输入模块，用于将所述病患体征数据和所述病患检测数据输入至药物不良反应预警器；
输出结果获取模块，用于获取所述药物不良反应预警器的输出结果；所述输出结果为所述药物不良反应预警器根据所述病患体征数据和所述病患检测数据分析得到的药物结果；
输出结果发送模块，用于将所述输出结果发送至所述终端，供所述终端展示所述输出结果。
一种药物不良反应智能监测装置，所述装置包括：
监测页面显示模块，用于显示药物不良反应智能监测页面；所述药物不良反应智能监测页面包括数据输入入口；
诊疗数据接收模块，用于接收针对所述数据输入入口的病患诊疗数据；
诊疗数据发送模块，用于将所述病患诊疗数据发送至服务器；
输出结果显示模块，用于接收并显示所述服务器的输出结果；所述输出结果为所述服务器根据所述病患诊疗数据查询到的、当所述病患诊疗数据分析出现异常时的输出结果。
一种药物不良反应智能监测系统，所述系统包括：
终端和服务器；
所述服务器，用于获取终端的病患诊疗数据，并将所述病患诊疗数据包括的病患体征数据和病患检测数据输入至药物不良反应预警器，以获取所述药物不良反应预警器的输出结果，进而将所述输出结果发送至所述终端，供所述终端展示所述输出结果；所述输出结果为所述药物不良反应预警器根据所述病患体征数据和所述病患检测数据分析得到的药物结果；
所述终端，用于显示药物不良反应智能监测页面，并接收针对所述药物不良反应智能监测页面所包括数据输入入口的病患诊疗数据，进而将所述病患诊疗数据发送至服务器，以接收并显示所述服务器的输出结果；所述输出结果为所述服务器根据所述病患诊疗数据查询到的、当所述病患诊疗数据分析出现异常时的输出结果。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取终端的病患诊疗数据；所述病患诊疗数据包括病患体征数据和病患检测数据；
将所述病患体征数据和所述病患检测数据输入至药物不良反应预警器；
获取所述药物不良反应预警器的输出结果；所述输出结果为所述药物不良反应预警器根据所述病患体征数据和所述病患检测数据分析得到的药物结果；
将所述输出结果发送至所述终端，供所述终端展示所述输出结果。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取终端的病患诊疗数据；所述病患诊疗数据包括病患体征数据和病患检测数据；
将所述病患体征数据和所述病患检测数据输入至药物不良反应预警器；
获取所述药物不良反应预警器的输出结果；所述输出结果为所述药物不良反应预警器根据所述病患体征数据和所述病患检测数据分析得到的药物结果；
将所述输出结果发送至所述终端，供所述终端展示所述输出结果。
上述药物不良反应智能监测方法、装置、系统、计算机设备和存储介质，服务器可通过获取终端的病患诊疗数据获取病患体征数据和病患检测数据，进而将病患体征数据和病患检测数据输入至药物不良反应预警器，以此获取药物不良反应预警器的输出结果，最后将该输出结果发送至终端展示。其中，药物不良反应预警器分析得到的输出结果为根据病患体征数据和病患检测数据分析得到的药物结果。采用本方案，不仅能够提高药物不良反应智能监测的准确率，还能够完善药物不良反应智能监测系统的全面性。
附图说明
图1为一个实施例中药物不良反应智能监测方法的应用环境图；
图2为一个实施例中药物不良反应智能监测方法的流程示意图；
图3为一个实施例中药物不良反应预警器的软件架构框图；
图4为另一个实施例中药物不良反应智能监测方法的流程示意图；
图5为一个实施例中药物不良反应智能监测方法的界面示意图；
图6为一个实施例中药物不良反应智能监测装置的结构框图；
图7为另一个实施例中药物不良反应智能监测装置的结构框图；
图8为一个实施例中药物不良反应智能监测系统的结构框图；
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
首先需要说明的是，本申请提供的药物不良反应智能监测方法，是基于预先建立的药物不良反应智能监测系统实现监测功能的，该系统采用先进的微服务架构和Redis数据缓存技术，在较大并发量的情况下，可实现秒级别分析提醒功能。具体地，药物不良反应智能监测系统的构建步骤包括：采用自然语言处理技术(Nature Language Processing，NLP)，从药品说明书、中国医师药师临床用药指南等权威的循证医学素材中提取出药品信息，包括药品说明书的不良反应和适应症等信息，进而采用人工审核的方式对已提取内容进行人工审核修正，之后设定体征症状和指标监测触发值、预警值及对应的应急处理规则，形成结构化知识库素材，将结构化素材存储数据库，形成不良反应知识库，该不良反应知识库可结合本申请所提出的药物不良反应预警器，作为其输出结果来源。
更具体地，本申请提出在完成药物不良反应智能监测系统构建的基础上，还可对系统进行智能迭代优化更新，即采用NLP技术，通过对医院历史所有不良反应上报的数据进行阳性症状及相关药品结构化提取，进而采用人工审核方式对提取的数据进行错误修正，再设定体征症状或指标监测触发值、预警值及其对应的应急处理规则，形成结构化知识库素材，最终利用结构化知识库素材迭代优化构建基于历史数据的知识词库。
同时，利用机器学习技术(Machine Learning，ML)进行新词发掘生成待优化词库，进而通过人工审核对待优化词库进行错误修正，形成新的词库素材。对于新词库素材，将结合审核后的词库优化原有NLP底层词库，以提高NLP结构化提取的准确度。最终，可对系统启用后的数据进行抽取，经专业人员评价后删除假阳性数据，对于剔除假阳性数据之后的内容，再次利用NLP技术和ML技术对历史词库和知识库进行迭代优化，逐步提高知识库准确度。
在一个实施例中，如图1所示，提供了一种药物不良反应智能监测方法，可以应用在药物不良反应智能监测系统中，该系统包括服务器102和终端104，服务器102可以用独立的服务器，或者是多个服务器组成的服务器集群来实现，终端104可以但不限于是各种具有显示屏的个人计算机、笔记本电脑、智能手机以及平板电脑。
在一个实施例中，如图2所示，提供了一种药物不良反应智能监测方法，以该方法应用于图1中的服务器102为例进行说明，包括以下步骤：
步骤S210，获取终端的病患诊疗数据；所述病患诊疗数据包括病患体征数据和病患检测数据。
其中，病患诊疗数据包括病人煮熟、查体、诊断、检验、检查、医嘱、治疗、护理、随访等医疗数据；病患体征数据包括病患体温、脉搏、呼吸、血压等数据；病患检测数据包括量化检测指标与关键阳性指标，例如“D-二聚体”、“血清/血浆物质浓度”等。
具体实现中，终端104上可运行有基于药物不良反应智能监测方法开发设计的特定应用程序，服务器102可通过终端104运行的特定应用程序获取病患诊疗数据，该病患诊疗数据存在实时性，即该特定应用程序可被广泛应用于医疗工作站中的各个科室，病患入院诊断之后在各科室所产生的数据均可由该特定应用程序进行统计获取，进而供服务器102分析。由此，病患诊疗数据可作为某个病人的链路诊断数据，该链路诊断数据的关联性特征为该病患的身份标识，例如身份证号、个人照片、姓名等。
步骤S220，将所述病患体征数据和所述病患检测数据输入至药物不良反应预警器。
其中，药物不良反应预警器是指本申请预先建立的药物不良反应智能监测系统，其软件架构可参阅图3。该预警器的软件架构具体包括应用层、分布式微服务层以及数据服务层。
具体地，微服务(Micro service Architecture)是一种软件架构，具体而言是一种将软件应用程序设计为可独立部署的服务套件的特定方式，即将单个应用程序作为一套小型服务开发的方法，每种应用程序都在自己的进程中运行，并与轻量级机制进行通信，该轻量级机制通常是HTTP(Hyper Text Transfer Protocol)资源API(ApplicationProgramming Interface)。这些服务是围绕业务功能构建的，可以通过全自动部署机制独立部署。并且，这些服务的集中管理最少，可以用不同的编程语言编写，并使用不同的数据存储技术。
更具体地，应用层是指前端业务应用场景，根据监测引擎服务实时监测，给医生实时提醒药物不良反应，并提供对应的评价审核机制能力，为已经发生的不良反应推荐应急解救药物。分布式微服务层：是一套负载均衡的服务系统，分别包括不良反应知识库的生成和优化管理服务，自然语言处理后结构化服务，机器学习知识库及词库迭代优化服务，数据高速缓存服务及不良反应智能监测预警引擎服务，引擎服务根据知识库规则实时监测不良反应。数据服务层是为整套系统运作提供所有需要的数据，包括药品说明书、中国医师药师临床用药指南等权威的循证医学素材，用于生成不良反应基础知识库；业务数据接口用于对病患诊疗数据全面实时获取，参与实时监测分析；不良反应历史数据，用于配合机器学习技术实现知识库及词库的迭代优化。
具体实现中，服务器102获取到终端104发送的病患诊疗数据后，可将该数据输入至药物不良反应预警器，以使药物不良反应预警器根据病患诊疗数据解析造成不良反应的异常药物，或是应对不良反应的推荐药物。
步骤S230，获取所述药物不良反应预警器的输出结果；所述输出结果为所述药物不良反应预警器根据所述病患体征数据和所述病患检测数据分析得到的药物结果。
其中，药物不良反应预警器的输出结果是药物不良反应预警器利用病患体征数据和病患检测数据分析得到的结果，该结果可以是针对病患当前存在的不良反应追踪分析得到的怀疑药品，也可以是针对该不良反应进行药物治疗推荐的推荐药品。
具体实现中，服务器102将病患体征数据和病患检测数据输入至药物不良反应预警器，由药物不良反应预警器根据其内存数据库所存储的资源，对病患体征数据和病患检测数据进行关联性分析，解析出该病患体征数据和病患检测数据对应存在的怀疑药物或推荐药物结果，结果输出形式可以是药物名称，也可以是预先编制的药物编号，由服务器102根据药物编号解码出药品名称。
步骤S240，将所述输出结果发送至所述终端，供所述终端展示所述输出结果。
具体实现中，服务器102获取到药物不良反应预警器输出的结果后，由于服务器102余终端104之间的通信连接，可将该输出结果通过网络发送至终端104，供终端104展示该输出结果，促使对药物不良反应智能监测有监测需求的医护人员能够获取监测信息。
上述药物不良反应智能监测方法，服务器可通过获取终端的病患诊疗数据获取病患体征数据和病患检测数据，进而将病患体征数据和病患检测数据输入至药物不良反应预警器，以此获取药物不良反应预警器的输出结果，最后将该输出结果发送至终端展示。其中，药物不良反应预警器分析得到的输出结果为根据病患体征数据和病患检测数据分析得到的药物结果。采用本方案，不仅能够提高药物不良反应智能监测的准确率，还能够完善药物不良反应智能监测系统的全面性。
在一个实施例中，在所述步骤S220之后，还包括：
在所述药物不良反应预警器中，确定预设的不良体征阈值和不良检测阈值；将所述病患体征数据与所述不良体征阈值进行匹配，以及，将所述病患检测数据与所述不良检测阈值进行匹配；当所述病患体征数据达到所述不良体征阈值时，和/或当所述病患检测数据达到所述不良检测阈值时，执行所述获取所述药物不良反应预警器的输出结果的步骤。
其中，不良体征阈值是指体征数据判定为异常的临界值，例如，体温阈值为38℃；不良检测阈值是指检测数据判定为异常的临界值，例如，血清或血浆的钙离子浓度阈值为0.875mmol/L、D-二聚体浓度阈值为1mg/L等。
具体实现中，服务器102将病患体征数据和病患检测数据输入至药物不良反应预警器之后，药物不良反应预警器首先要判断病患体征数据和病患检测数据是否存在异常，即将预设的不良体征阈值和不良检测阈值分别与病患体征数据和病患检测数据对应进行数据匹配，判断外界数值是否达到了阈值，若达到则表示患者出现不良反应，该不良反应有可能是药物导致，可追踪引发该不良反应的具体药物，即随后获取药物不良反应预警器针对不良反应引发药物来源的输出结果。
例如，服用药物“呋塞米”之后有可能出现的不良反应包括恶心、呕吐、心律失常、低钠血症、高尿酸血症、间歇性肾炎等症状，还有可能出现血清/血浆的钙、氯、钾浓度升高超过正常值，因此，当病患诊疗数据中的病患体征数据和病患检测数据被分析出符合上述特征中的至少一项时，表示该病患所存在的不良反应有可能是“呋塞米”造成，则药物不良反应预警器输出的结果可能是“呋塞米”。
在一个实施例中，所述步骤S230，包括：
在所述药物不良反应预警器中，确定预存的多种用药异常症状；所述多种用药异常症状分别具有对应的异常指向药物；将所述病患体征数据和所述病患检测数据分别与所述多种用药异常症状进行匹配；确定目标异常症状；所述目标异常症状为与所述病患体征数据和/或与所述病患检测数据相匹配的用药异常症状；提取所述目标异常症状的异常指向药物，作为所述药物不良反应预警器的输出结果。
其中，多种用药异常症状是指存储在药物不良反应预警器中，多类循证医学素材所包括多种药品的服用后不良反应症状。
具体实现中，服务器102通过药物不良反应预警器获取的输出结果，首先在药物不良反应预警器中确定预存的多种用药异常症状，然后将终端104发送的病患体征数据和病患检测数据分别与该多种用药异常症状进行匹配，进而确定相匹配的目标异常症状，该目标异常症状为预警器中预存的、与外界数据相匹配的用药异常症状，最后由目标异常症状的确定数量，提取匹配度最高的异常指向药物作为输出结果。
需要说明的是，一种药品可能存在多种不良反应，药物不良反应预警器在根据病患体征数据和病患检测数据匹配过程中，即有可能存在病患身体出现的一种不良反应匹配出一项用药异常症状，但该用药异常症状对应指向多个药品的情况，在此情况下，药物不良反应预警器将综合匹配病患体征数据和病患检测数据中尽可能多的不良反应，综合不良反应的权值或比例输出匹配度最高的药物作为该不良反应的输出结果。
在一个实施例中，在所述确定目标异常症状之后，还包括：
提取所述病患诊疗数据中的医嘱数据；当所述医嘱数据包括有异常缓解药物时，提取所述异常缓解药物的适应症；当所述适应症与所述目标异常症状相匹配时，确定所述异常缓解药物，作为所述药物不良反应预警器的输出结果。
其中，医嘱数据就是医生根据病情和治疗的需要对病人在饮食、用药、化验等方面的指示数据。
其中，异常缓解药物是指能够针对不良反应进行缓解的推荐用药，异常缓解药物的适应症与病患诊疗数据中的不良反应相匹配。
具体实现中，服务器102在药物不良反应预警器中确定了目标异常症状之后，需对医嘱数据中是否存有针对该目标异常症状进行治疗的异常缓解药物进行确认，若已存在异常缓解用药，则需对已存在异常缓解用药的适应症与当前的不良反应作匹配处理，匹配一致则表示该医嘱数据中具备的异常缓解药物是有效药物。
在一个实施例中，在所述确定目标异常症状之后，还包括：
当所述医嘱数据未包括有异常缓解药物，或当所述医嘱数据所包括异常缓解药物的适应症与所述目标异常症状不匹配时，根据所述目标异常症状，获取异常缓解药物；所述异常缓解药物的适应症与所述目标异常症状相匹配；确定所述异常缓解药物，作为所述药物不良反应预警器的输出结果。
具体实现中，在上述实施例的基础上，若医嘱数据中不存在医生开具的异常缓解用药，或者医嘱数据中已存在的异常缓解用药无效时，服务器102需再次通过药物不良反应预警器获取与目标异常症状相匹配的异常缓解药物，即通过获取药物不良反应预警器中已存储药物的适应症信息，将适应症信息与目标异常症状相匹配，确定出匹配度最高的药物作为异常缓解药物。
根据本发明实施例提供的方案，服务器可通过药物不良反应预警器监测出病患诊疗数据中存在不良反应的异常数据，并通过这一监测实现对异常指向药物的查询预警，同时还可检测医嘱数据中针对不良反应开具的药物是否有效，或是另外匹配出能够有效治疗该不良反应的异常缓解药物。采用本方案，不仅能够提高药物不良反应智能监测的准确率，还能够完善药物不良反应智能监测系统的全面性。同时，本申请实施例中提出对药物不良反应智能监测系统进行迭代优化，即根据具体情况实施更新系统存储数据信息，因此，还具有完善药物不良反应智能监测系统安全性、实时性以及专业性的有益效果。
在一个实施例中，如图4所示，提供了一种药物不良反应智能监测方法，以该方法应用于图1中的终端104为例进行说明，包括以下步骤：
步骤S410，显示药物不良反应智能监测页面；所述药物不良反应智能监测页面包括数据输入入口。
其中，药物不良反应智能监测页面显示于终端104，利用该页面提供的数据输入入口，可实现医务人员对药物不良反应的监控、查询和预警。
具体实现中，可参阅图5，为一个实施例中药物不良反应智能监测方法的界面示意图。终端104显示药物不良反应智能监测页面，该页面具有数据输入入口，入口可以是输入框，也可以是支持数据上传的文件选择案件，选择输入某个文件。
步骤S420，接收针对所述数据输入入口的病患诊疗数据。
具体实现中，医护人员可通过药物不良反应智能监测页面所显示的数据输入入口输入病患诊疗数据，则终端104将接收到病患诊疗数据，用以发送至服务器102，供服务器102进行存储、分析数据是否存在客观异常。
步骤S430，将所述病患诊疗数据发送至服务器。
具体实现中，终端104通过药物不良反应智能监测页面的数据输入入口接收到病患诊疗数据之后，将通过网络将病患诊疗数据发送至服务器102，服务器102接收到病患诊疗数据之后的处理过程，可参考上述实施例所述的逻辑过程，在此不再赘述。
步骤S440，接收并显示所述服务器的输出结果；所述输出结果为所述服务器根据所述病患诊疗数据查询到的、当所述病患诊疗数据分析出现异常时的输出结果。
具体实现中，终端104将病患诊疗数据发送至服务器102，服务器102将针对病患诊疗数据进行分析，并通过药物不良反应预警器得到输出结果，该输出结果可以是引发病患诊疗数据中不良反应的异常指向药物，也可以是缓解不良反应的异常缓解药物。
上述药物不良反应智能监测方法，终端通过显示药物不良反应智能监测页面，利用页面包括数据输入入口接收病患诊疗数据，进而将病患诊疗数据发送至服务器，以使服务器对病患诊疗数据进行分析监测，最后接收并显示服务器发送的输出结果。采用本方法，不仅能够提高药物不良反应智能监测的准确率，还能够完善药物不良反应智能监测系统的全面性。
应该理解的是，虽然图2和图4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2和图4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种药物不良反应智能监测装置，包括：诊疗数据获取模块610、病患数据输入模块620、输出结果获取模块630以及输出结果发送模块640，其中：
诊疗数据获取模块610，用于获取终端的病患诊疗数据；所述病患诊疗数据包括病患体征数据和病患检测数据；
病患数据输入模块620，用于将所述病患体征数据和所述病患检测数据输入至药物不良反应预警器；
输出结果获取模块630，用于获取所述药物不良反应预警器的输出结果；所述输出结果为所述药物不良反应预警器根据所述病患体征数据和所述病患检测数据分析得到的药物结果；
输出结果发送模块640，用于将所述输出结果发送至所述终端，供所述终端展示所述输出结果。
上述药物不良反应智能监测装置，服务器可通过获取终端的病患诊疗数据获取病患体征数据和病患检测数据，进而将病患体征数据和病患检测数据输入至药物不良反应预警器，以此获取药物不良反应预警器的输出结果，最后将该输出结果发送至终端展示。其中，药物不良反应预警器分析得到的输出结果为根据病患体征数据和病患检测数据分析得到的药物结果。采用本方案，不仅能够提高药物不良反应智能监测的准确率，还能够完善药物不良反应智能监测系统的全面性。
在一个实施例中，所述装置还包括：
阈值确定模块，用于在所述药物不良反应预警器中，确定预设的不良体征阈值和不良检测阈值；阈值匹配模块，用于将所述病患体征数据与所述不良体征阈值进行匹配，以及，将所述病患检测数据与所述不良检测阈值进行匹配；结果输出模块，用于当所述病患体征数据达到所述不良体征阈值时，和/或当所述病患检测数据达到所述不良检测阈值时，执行所述获取所述药物不良反应预警器的输出结果的步骤。
在一个实施例中，所述输出结果获取模块630，包括：
用药异常症状确定子模块，用于在所述药物不良反应预警器中，确定预存的多种用药异常症状；所述多种用药异常症状分别具有对应的异常指向药物；用药异常症状匹配子模块，用于将所述病患体征数据和所述病患检测数据分别与所述多种用药异常症状进行匹配；目标异常症状确定子模块，用于确定目标异常症状；所述目标异常症状为与所述病患体征数据和/或与所述病患检测数据相匹配的用药异常症状；异常指向药物提取子模块，用于提取所述目标异常症状的异常指向药物，作为所述药物不良反应预警器的输出结果。
在一个实施例中，所述输出结果获取模块630，还包括：
医嘱数据提取子模块，用于提取所述病患诊疗数据中的医嘱数据；适应症提取子模块，用于当所述医嘱数据包括有异常缓解药物时，提取所述异常缓解药物的适应症；输出结果确定子模块，用于当所述适应症与所述目标异常症状相匹配时，确定所述异常缓解药物，作为所述药物不良反应预警器的输出结果。
在一个实施例中，所述输出结果获取模块630，还包括：
异常缓解药物获取子模块，用于当所述医嘱数据未包括有异常缓解药物，或当所述医嘱数据所包括异常缓解药物的适应症与所述目标异常症状不匹配时，根据所述目标异常症状，获取异常缓解药物；所述异常缓解药物的适应症与所述目标异常症状相匹配；确定所述异常缓解药物，作为所述药物不良反应预警器的输出结果。
根据本发明实施例提供的方案，服务器可通过药物不良反应预警器监测出病患诊疗数据中存在不良反应的异常数据，并通过这一监测实现对异常指向药物的查询预警，同时还可检测医嘱数据中针对不良反应开具的药物是否有效，或是另外匹配出能够有效治疗该不良反应的异常缓解药物。采用本方案，不仅能够提高药物不良反应智能监测的准确率，还能够完善药物不良反应智能监测系统的全面性。同时，本申请实施例中提出对药物不良反应智能监测系统进行迭代优化，即根据具体情况实施更新系统存储数据信息，因此，还具有完善药物不良反应智能监测系统安全性、实时性以及专业性的有益效果。
在一个实施例中，如图7所示，提供了一种药物不良反应智能监测装置，包括：监测页面显示模块710、诊疗数据接收模块720以及输出结果显示模块730，其中：
监测页面显示模块710，用于显示药物不良反应智能监测页面；所述药物不良反应智能监测页面包括数据输入入口；
诊疗数据接收模块720，用于接收针对所述数据输入入口的病患诊疗数据；
诊疗数据发送模块730，用于将所述病患诊疗数据发送至服务器；
输出结果显示模块740，用于接收并显示所述服务器的输出结果；所述输出结果为所述服务器根据所述病患诊疗数据查询到的、当所述病患诊疗数据分析出现异常时的输出结果。
上述药物不良反应智能监测装置，终端通过显示药物不良反应智能监测页面，利用页面包括数据输入入口接收病患诊疗数据，进而将病患诊疗数据发送至服务器，以使服务器对病患诊疗数据进行分析监测，最后接收并显示服务器发送的输出结果。采用本方案，不仅能够提高药物不良反应智能监测的准确率，还能够完善药物不良反应智能监测系统的全面性。
关于药物不良反应智能监测装置的具体限定可以参见上文中对于药物不良反应智能监测方法的限定，在此不再赘述。上述药物不良反应智能监测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，如图8所示，提供了一种药物不良反应智能监测系统，包括：服务器810和终端820；
服务器810，用于获取终端的病患诊疗数据，并将所述病患诊疗数据包括的病患体征数据和病患检测数据输入至药物不良反应预警器，以获取所述药物不良反应预警器的输出结果，进而将所述输出结果发送至所述终端，供所述终端展示所述输出结果；所述输出结果为所述药物不良反应预警器根据所述病患体征数据和所述病患检测数据分析得到的药物结果；
终端820，用于显示药物不良反应智能监测页面，并接收针对所述药物不良反应智能监测页面所包括数据输入入口的病患诊疗数据，进而将所述病患诊疗数据发送至服务器，以接收并显示所述服务器的输出结果；所述输出结果为所述服务器根据所述病患诊疗数据查询到的、当所述病患诊疗数据分析出现异常时的输出结果。
上述药物不良反应智能监测系统，服务器可通过获取终端的病患诊疗数据获取病患体征数据和病患检测数据，进而将病患体征数据和病患检测数据输入至药物不良反应预警器，以此获取药物不良反应预警器的输出结果，最后将该输出结果发送至终端展示。其中，药物不良反应预警器分析得到的输出结果为根据病患体征数据和病患检测数据分析得到的药物结果。采用本方案，不仅能够提高药物不良反应智能监测的准确率，还能够完善药物不良反应智能监测系统的全面性。
关于药物不良反应智能监测系统的具体限定可以参见上文中对于药物不良反应智能监测方法的限定，在此不再赘述。上述药物不良反应智能监测系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储第三方通讯设备的账户信息。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种药物不良反应智能监测方法。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取终端的病患诊疗数据；所述病患诊疗数据包括病患体征数据和病患检测数据；
将所述病患体征数据和所述病患检测数据输入至药物不良反应预警器；
获取所述药物不良反应预警器的输出结果；所述输出结果为所述药物不良反应预警器根据所述病患体征数据和所述病患检测数据分析得到的药物结果；
将所述输出结果发送至所述终端，供所述终端展示所述输出结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
在所述药物不良反应预警器中，确定预设的不良体征阈值和不良检测阈值；将所述病患体征数据与所述不良体征阈值进行匹配，以及，将所述病患检测数据与所述不良检测阈值进行匹配；当所述病患体征数据达到所述不良体征阈值时，和/或当所述病患检测数据达到所述不良检测阈值时，执行所述获取所述药物不良反应预警器的输出结果的步骤。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
在所述药物不良反应预警器中，确定预存的多种用药异常症状；所述多种用药异常症状分别具有对应的异常指向药物；将所述病患体征数据和所述病患检测数据分别与所述多种用药异常症状进行匹配；确定目标异常症状；所述目标异常症状为与所述病患体征数据和/或与所述病患检测数据相匹配的用药异常症状；提取所述目标异常症状的异常指向药物，作为所述药物不良反应预警器的输出结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
提取所述病患诊疗数据中的医嘱数据；当所述医嘱数据包括有异常缓解药物时，提取所述异常缓解药物的适应症；当所述适应症与所述目标异常症状相匹配时，确定所述异常缓解药物，作为所述药物不良反应预警器的输出结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
当所述医嘱数据未包括有异常缓解药物，或当所述医嘱数据所包括异常缓解药物的适应症与所述目标异常症状不匹配时，根据所述目标异常症状，获取异常缓解药物；所述异常缓解药物的适应症与所述目标异常症状相匹配；确定所述异常缓解药物，作为所述药物不良反应预警器的输出结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
显示药物不良反应智能监测页面；所述药物不良反应智能监测页面包括数据输入入口；接收针对所述数据输入入口的病患诊疗数据；将所述病患诊疗数据发送至服务器；接收并显示所述服务器的输出结果；所述输出结果为所述服务器根据所述病患诊疗数据查询到的、当所述病患诊疗数据分析出现异常时的输出结果。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取终端的病患诊疗数据；所述病患诊疗数据包括病患体征数据和病患检测数据；
将所述病患体征数据和所述病患检测数据输入至药物不良反应预警器；
获取所述药物不良反应预警器的输出结果；所述输出结果为所述药物不良反应预警器根据所述病患体征数据和所述病患检测数据分析得到的药物结果；
将所述输出结果发送至所述终端，供所述终端展示所述输出结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
在所述药物不良反应预警器中，确定预设的不良体征阈值和不良检测阈值；将所述病患体征数据与所述不良体征阈值进行匹配，以及，将所述病患检测数据与所述不良检测阈值进行匹配；当所述病患体征数据达到所述不良体征阈值时，和/或当所述病患检测数据达到所述不良检测阈值时，执行所述获取所述药物不良反应预警器的输出结果的步骤。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
在所述药物不良反应预警器中，确定预存的多种用药异常症状；所述多种用药异常症状分别具有对应的异常指向药物；将所述病患体征数据和所述病患检测数据分别与所述多种用药异常症状进行匹配；确定目标异常症状；所述目标异常症状为与所述病患体征数据和/或与所述病患检测数据相匹配的用药异常症状；提取所述目标异常症状的异常指向药物，作为所述药物不良反应预警器的输出结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
提取所述病患诊疗数据中的医嘱数据；当所述医嘱数据包括有异常缓解药物时，提取所述异常缓解药物的适应症；当所述适应症与所述目标异常症状相匹配时，确定所述异常缓解药物，作为所述药物不良反应预警器的输出结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
当所述医嘱数据未包括有异常缓解药物，或当所述医嘱数据所包括异常缓解药物的适应症与所述目标异常症状不匹配时，根据所述目标异常症状，获取异常缓解药物；所述异常缓解药物的适应症与所述目标异常症状相匹配；确定所述异常缓解药物，作为所述药物不良反应预警器的输出结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
显示药物不良反应智能监测页面；所述药物不良反应智能监测页面包括数据输入入口；接收针对所述数据输入入口的病患诊疗数据；将所述病患诊疗数据发送至服务器；接收并显示所述服务器的输出结果；所述输出结果为所述服务器根据所述病患诊疗数据查询到的、当所述病患诊疗数据分析出现异常时的输出结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种药物不良反应智能监测方法，其特征在于，包括如下步骤：
获取终端的病患诊疗数据；所述病患诊疗数据包括病患体征数据和病患检测数据；
将所述病患体征数据和所述病患检测数据输入至药物不良反应预警器；
获取所述药物不良反应预警器的输出结果；所述输出结果为所述药物不良反应预警器根据所述病患体征数据和所述病患检测数据分析得到的药物结果；
将所述输出结果发送至所述终端，供所述终端展示所述输出结果；
其中，所述病患体征数据和所述病患检测数据包括针对病患当前存在的不良反应的数据；所述药物结果包括针对病患当前存在的不良反应追踪分析得到的异常指向药物；
所述获取所述药物不良反应预警器的输出结果，包括：
在所述药物不良反应预警器中，确定预存的多种用药异常症状；所述多种用药异常症状分别具有对应的异常指向药物；所述预存的多种用药异常症状为所述药物不良反应预警器的知识库中的数据；所述知识库根据结构化知识库素材迭代构建；所述结构化知识库素材通过对医院历史所有不良反应上报的数据进行阳性症状及相关药品结构化提取后得到；所述结构化知识库素材采用新词库素材进行优化；所述新词库素材基于机器学习技术进行新词发掘后得到；所述结构化知识库素材和所述知识库通过自然语言处理技术和机器学习技术迭代优化；
将所述病患体征数据和所述病患检测数据分别与所述多种用药异常症状进行匹配；
确定目标异常症状；所述目标异常症状为与所述病患体征数据和/或与所述病患检测数据相匹配的用药异常症状；
提取所述目标异常症状的异常指向药物，作为所述药物不良反应预警器的输出结果；
在所述确定目标异常症状之后，还包括：
提取所述病患诊疗数据中的医嘱数据；
当所述医嘱数据包括有异常缓解药物时，提取所述异常缓解药物的适应症；
当所述适应症与所述目标异常症状相匹配时，确定所述异常缓解药物，作为所述药物不良反应预警器的输出结果。
2.根据权利要求1所述的方法，其特征在于，在所述将所述病患体征数据和所述病患检测数据输入至药物不良反应预警器之后，还包括：
在所述药物不良反应预警器中，确定预设的不良体征阈值和不良检测阈值；
将所述病患体征数据与所述不良体征阈值进行匹配，以及，将所述病患检测数据与所述不良检测阈值进行匹配；
当所述病患体征数据达到所述不良体征阈值时，和/或当所述病患检测数据达到所述不良检测阈值时，执行所述获取所述药物不良反应预警器的输出结果的步骤。
3.根据权利要求1所述的方法，其特征在于，还包括：
当所述医嘱数据未包括有异常缓解药物，或当所述医嘱数据所包括异常缓解药物的适应症与所述目标异常症状不匹配时，根据所述目标异常症状，获取异常缓解药物；所述异常缓解药物的适应症与所述目标异常症状相匹配；
确定所述异常缓解药物，作为所述药物不良反应预警器的输出结果。
4.一种药物不良反应智能监测方法，其特征在于，包括如下步骤：
显示药物不良反应智能监测页面；所述药物不良反应智能监测页面包括数据输入入口；
接收针对所述数据输入入口的病患诊疗数据；
将所述病患诊疗数据发送至服务器；
接收并显示所述服务器的输出结果；所述输出结果为所述服务器根据所述病患诊疗数据查询到的、当所述病患诊疗数据分析出现异常时的输出结果；
其中，所述病患诊疗数据包括病患体征数据和病患检测数据；所述病患体征数据和所述病患检测数据包括针对病患当前存在的不良反应的数据；所述输出结果包括针对病患当前存在的不良反应追踪分析得到的异常指向药物；
所述服务器具体用于：
在药物不良反应预警器中，确定预存的多种用药异常症状；所述多种用药异常症状分别具有对应的异常指向药物；将所述病患体征数据和所述病患检测数据分别与所述多种用药异常症状进行匹配；确定目标异常症状；所述目标异常症状为与所述病患体征数据和/或与所述病患检测数据相匹配的用药异常症状；提取所述目标异常症状的异常指向药物，作为所述药物不良反应预警器的输出结果；
所述服务器还用于：提取所述病患诊疗数据中的医嘱数据；当所述医嘱数据包括有异常缓解药物时，提取所述异常缓解药物的适应症；当所述适应症与所述目标异常症状相匹配时，确定所述异常缓解药物，作为所述药物不良反应预警器的输出结果；
所述预存的多种用药异常症状为所述药物不良反应预警器的知识库中的数据；所述知识库根据结构化知识库素材迭代构建；所述结构化知识库素材通过对医院历史所有不良反应上报的数据进行阳性症状及相关药品结构化提取后得到；所述结构化知识库素材采用新词库素材进行优化；所述新词库素材基于机器学习技术进行新词发掘后得到；所述结构化知识库素材和所述知识库通过自然语言处理技术和机器学习技术迭代优化。
5.一种药物不良反应智能监测装置，其特征在于，所述装置包括：
诊疗数据获取模块，用于获取终端的病患诊疗数据；所述病患诊疗数据包括病患体征数据和病患检测数据；
病患数据输入模块，用于将所述病患体征数据和所述病患检测数据输入至药物不良反应预警器；
输出结果获取模块，用于获取所述药物不良反应预警器的输出结果；所述输出结果为所述药物不良反应预警器根据所述病患体征数据和所述病患检测数据分析得到的药物结果；
输出结果发送模块，用于将所述输出结果发送至所述终端，供所述终端展示所述输出结果；
其中，所述病患体征数据和所述病患检测数据包括针对病患当前存在的不良反应的数据；所述药物结果包括针对病患当前存在的不良反应追踪分析得到的异常指向药物；
所述输出结果获取模块，包括：
用药异常症状确定子模块，用于在所述药物不良反应预警器中，确定预存的多种用药异常症状；所述多种用药异常症状分别具有对应的异常指向药物；用药异常症状匹配子模块，用于将所述病患体征数据和所述病患检测数据分别与所述多种用药异常症状进行匹配；目标异常症状确定子模块，用于确定目标异常症状；所述目标异常症状为与所述病患体征数据和/或与所述病患检测数据相匹配的用药异常症状；异常指向药物提取子模块，用于提取所述目标异常症状的异常指向药物，作为所述药物不良反应预警器的输出结果；
其中，所述预存的多种用药异常症状为所述药物不良反应预警器的知识库中的数据；所述知识库根据结构化知识库素材迭代构建；所述结构化知识库素材通过对医院历史所有不良反应上报的数据进行阳性症状及相关药品结构化提取后得到；所述结构化知识库素材采用新词库素材进行优化；所述新词库素材基于机器学习技术进行新词发掘后得到；所述结构化知识库素材和所述知识库通过自然语言处理技术和机器学习技术迭代优化；
所述输出结果获取模块，还包括：
医嘱数据提取子模块，用于提取所述病患诊疗数据中的医嘱数据；适应症提取子模块，用于当所述医嘱数据包括有异常缓解药物时，提取所述异常缓解药物的适应症；输出结果确定子模块，用于当所述适应症与所述目标异常症状相匹配时，确定所述异常缓解药物，作为所述药物不良反应预警器的输出结果。
6.根据权利要求5所述的装置，其特征在于，所述输出结果获取模块，还包括：
异常缓解药物获取子模块，用于当所述医嘱数据未包括有异常缓解药物，或当所述医嘱数据所包括异常缓解药物的适应症与所述目标异常症状不匹配时，根据所述目标异常症状，获取异常缓解药物；所述异常缓解药物的适应症与所述目标异常症状相匹配；确定所述异常缓解药物，作为所述药物不良反应预警器的输出结果。
7.一种药物不良反应智能监测装置，其特征在于，所述装置包括：
监测页面显示模块，用于显示药物不良反应智能监测页面；所述药物不良反应智能监测页面包括数据输入入口；
诊疗数据接收模块，用于接收针对所述数据输入入口的病患诊疗数据；
诊疗数据发送模块，用于将所述病患诊疗数据发送至服务器；
输出结果显示模块，用于接收并显示所述服务器的输出结果；所述输出结果为所述服务器根据所述病患诊疗数据查询到的、当所述病患诊疗数据分析出现异常时的输出结果；
其中，所述病患诊疗数据包括病患体征数据和病患检测数据；所述病患体征数据和所述病患检测数据包括针对病患当前存在的不良反应的数据；所述输出结果包括针对病患当前存在的不良反应追踪分析得到的异常指向药物；
所述服务器具体用于：
在药物不良反应预警器中，确定预存的多种用药异常症状；所述多种用药异常症状分别具有对应的异常指向药物；将所述病患体征数据和所述病患检测数据分别与所述多种用药异常症状进行匹配；确定目标异常症状；所述目标异常症状为与所述病患体征数据和/或与所述病患检测数据相匹配的用药异常症状；提取所述目标异常症状的异常指向药物，作为所述药物不良反应预警器的输出结果；
所述服务器还用于：提取所述病患诊疗数据中的医嘱数据；当所述医嘱数据包括有异常缓解药物时，提取所述异常缓解药物的适应症；当所述适应症与所述目标异常症状相匹配时，确定所述异常缓解药物，作为所述药物不良反应预警器的输出结果；
其中，所述预存的多种用药异常症状为所述药物不良反应预警器的知识库中的数据；所述知识库根据结构化知识库素材迭代构建；所述结构化知识库素材通过对医院历史所有不良反应上报的数据进行阳性症状及相关药品结构化提取后得到；所述结构化知识库素材采用新词库素材进行优化；所述新词库素材基于机器学习技术进行新词发掘后得到；所述结构化知识库素材和所述知识库通过自然语言处理技术和机器学习技术迭代优化。
8.一种药物不良反应智能监测系统，其特征在于，所述系统包括：
终端和服务器；
所述服务器，用于获取终端的病患诊疗数据，并将所述病患诊疗数据包括的病患体征数据和病患检测数据输入至药物不良反应预警器，以获取所述药物不良反应预警器的输出结果，进而将所述输出结果发送至所述终端，供所述终端展示所述输出结果；所述输出结果为所述药物不良反应预警器根据所述病患体征数据和所述病患检测数据分析得到的药物结果；
所述终端，用于显示药物不良反应智能监测页面，并接收针对所述药物不良反应智能监测页面所包括数据输入入口的病患诊疗数据，进而将所述病患诊疗数据发送至服务器，以接收并显示所述服务器的输出结果；所述输出结果为所述服务器根据所述病患诊疗数据查询到的、当所述病患诊疗数据分析出现异常时的输出结果；
其中，所述病患体征数据和所述病患检测数据包括针对病患当前存在的不良反应的数据；所述药物结果包括针对病患当前存在的不良反应追踪分析得到的异常指向药物；
所述服务器具体用于：
在所述药物不良反应预警器中，确定预存的多种用药异常症状；所述多种用药异常症状分别具有对应的异常指向药物；将所述病患体征数据和所述病患检测数据分别与所述多种用药异常症状进行匹配；确定目标异常症状；所述目标异常症状为与所述病患体征数据和/或与所述病患检测数据相匹配的用药异常症状；提取所述目标异常症状的异常指向药物，作为所述药物不良反应预警器的输出结果；
所述服务器还用于：提取所述病患诊疗数据中的医嘱数据；当所述医嘱数据包括有异常缓解药物时，提取所述异常缓解药物的适应症；当所述适应症与所述目标异常症状相匹配时，确定所述异常缓解药物，作为所述药物不良反应预警器的输出结果；
其中，所述预存的多种用药异常症状为所述药物不良反应预警器的知识库中的数据；所述知识库根据结构化知识库素材迭代构建；所述结构化知识库素材通过对医院历史所有不良反应上报的数据进行阳性症状及相关药品结构化提取后得到；所述结构化知识库素材采用新词库素材进行优化；所述新词库素材基于机器学习技术进行新词发掘后得到；所述结构化知识库素材和所述知识库通过自然语言处理技术和机器学习技术迭代优化。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910468699.7A CN110322944B (zh) | 2019-05-31 | 2019-05-31 | 药物不良反应智能监测方法、装置、系统和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910468699.7A CN110322944B (zh) | 2019-05-31 | 2019-05-31 | 药物不良反应智能监测方法、装置、系统和计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110322944A CN110322944A (zh) | 2019-10-11 |
| CN110322944B true CN110322944B (zh) | 2020-11-13 |
Family
ID=68119246
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910468699.7A Active CN110322944B (zh) | 2019-05-31 | 2019-05-31 | 药物不良反应智能监测方法、装置、系统和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110322944B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111429992B (zh) * | 2020-02-25 | 2022-11-04 | 广州七乐康药业连锁有限公司 | 一种基于医疗特征数据监测的智能化用药预警方法及系统 |
| CN111599481A (zh) * | 2020-04-22 | 2020-08-28 | 国家药品监督管理局药品评价中心(国家药品不良反应监测中心) | 药品不良反应的监测方法、装置及可读介质 |
| CN111986770B (zh) * | 2020-08-31 | 2022-11-29 | 深圳平安医疗健康科技服务有限公司 | 药方用药审核方法、装置、设备及存储介质 |
| CN112349432A (zh) * | 2020-11-23 | 2021-02-09 | 温州市人民医院 | 药品不良反应处理方法及药品存储介质装置 |
| CN112562868B (zh) * | 2020-12-24 | 2023-10-27 | 四川省人民医院 | 基于患者个体化特征的高灵敏度、高特异性前置药物不良反应预测方法及系统 |
| CN112712904B (zh) * | 2020-12-24 | 2023-10-27 | 四川省人民医院 | 基于嵌套-配对设计的多信息系统不良反应前置预测方法及系统 |
| CN112820418A (zh) * | 2021-02-23 | 2021-05-18 | 四川大学华西第二医院 | 一种基于大数据的药物不良反应快速识别处置方法及系统 |
| CN113130034A (zh) * | 2021-03-03 | 2021-07-16 | 曹庆恒 | 一种药物不良反应智能分析的方法、系统和设备 |
| CN114639458A (zh) * | 2022-03-15 | 2022-06-17 | 杭州卓健信息科技股份有限公司 | 一种基于人工智能的药物警戒系统访问系统及方法 |
| CN117133476B (zh) * | 2023-07-24 | 2024-03-08 | 盐城市食品药品监督检验中心 | 一种药物不良反应的主动监测方法及系统 |
| CN117457215B (zh) * | 2023-12-20 | 2024-03-08 | 深圳市尼罗河移动互联科技有限公司 | 儿科药物并发症监控系统 |
| CN117558464B (zh) * | 2024-01-12 | 2024-04-26 | 四川大学华西医院 | 老年患者adr预测模型构建方法、预测系统和存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102004863A (zh) * | 2010-12-15 | 2011-04-06 | 中国人民解放军第四军医大学 | 临床安全合理用药决策支持方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8099298B2 (en) * | 2007-02-14 | 2012-01-17 | Genelex, Inc | Genetic data analysis and database tools |
| CN102737165B (zh) * | 2012-06-07 | 2016-02-24 | 北京太元通软件科技有限公司 | 临床用药决策支持系统 |
| CN103488890A (zh) * | 2013-09-18 | 2014-01-01 | 万达信息股份有限公司 | 一种基于朴素贝叶斯的患者药物不良反应预警方法和系统 |
| CN109346145B (zh) * | 2018-10-16 | 2022-03-11 | 国家食品药品监督管理总局药品评价中心(国家药品不良反应监测中心) | 一种药物不良反应的主动监测方法和系统 |
-
2019
- 2019-05-31 CN CN201910468699.7A patent/CN110322944B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102004863A (zh) * | 2010-12-15 | 2011-04-06 | 中国人民解放军第四军医大学 | 临床安全合理用药决策支持方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110322944A (zh) | 2019-10-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110322944B (zh) | 药物不良反应智能监测方法、装置、系统和计算机设备 | |
| US11410760B2 (en) | Medical evaluation system and method for use therewith | |
| CN111863267B (zh) | 数据信息获取方法、数据分析方法、装置以及存储介质 | |
| JP7035314B2 (ja) | 患者の診断を支援するシステムおよび方法 | |
| EP3223178A1 (en) | A system and a method for assessing patient treatment risk using open data and clinician input | |
| US8214224B2 (en) | Patient data mining for quality adherence | |
| EP3223180A1 (en) | A system and a method for assessing patient risk using open data and clinician input | |
| JP2020149711A5 (zh) | ||
| US11978541B2 (en) | Medical information translation system | |
| US20160042134A1 (en) | Method of calculating a score of a medical suggestion as a support in medical decision making | |
| VanHouten et al. | Machine learning for risk prediction of acute coronary syndrome | |
| US20220044809A1 (en) | Systems and methods for using deep learning to generate acuity scores for critically ill or injured patients | |
| Lu et al. | Understanding heart failure patients EHR clinical features via SHAP interpretation of tree-based machine learning model predictions | |
| CN112447270A (zh) | 一种用药推荐方法、装置、设备及存储介质 | |
| CN110289069A (zh) | 临床数据的分析方法、装置、计算机设备和存储介质 | |
| Pérez del Barrio et al. | A deep learning model for prognosis prediction after intracranial hemorrhage | |
| CN113963773A (zh) | 诊断报告展示方法、装置、电子设备及存储介质 | |
| Unlu et al. | Retrieval Augmented Generation Enabled Generative Pre-Trained Transformer 4 (GPT-4) Performance for Clinical Trial Screening | |
| US20240203588A1 (en) | Diagnostic disease prediction and therapeutic plan recommendation system through artificial intelligence questionnaire analysis and method thereof | |
| Williams et al. | Process mining in primary care: avoiding adverse events due to hazardous prescribing | |
| US20210350933A1 (en) | General and personal patient risk prediction | |
| Choi et al. | Pre-test probability for coronary artery disease in patients with chest pain based on machine learning techniques | |
| Bernstorff et al. | Development and validation of a machine learning model for prediction of type 2 diabetes in patients with mental illness | |
| CN111063452A (zh) | 药物匹配方法、计算机设备 | |
| CN115547483A (zh) | 用于监测患慢性炎症性疾病的患者的远程监测方法和系统 |
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 |