CN110534168A - 药嘱风险提示方法、装置、电子设备及存储介质 - Google Patents
药嘱风险提示方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110534168A CN110534168A CN201910812596.8A CN201910812596A CN110534168A CN 110534168 A CN110534168 A CN 110534168A CN 201910812596 A CN201910812596 A CN 201910812596A CN 110534168 A CN110534168 A CN 110534168A
- Authority
- CN
- China
- Prior art keywords
- information
- knowledge
- concept
- preset
- risk
- 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.)
- Pending
Links
- 239000003814 drug Substances 0.000 title claims abstract description 237
- 229940079593 drug Drugs 0.000 title claims abstract description 178
- 238000000034 method Methods 0.000 title claims abstract description 85
- 230000015654 memory Effects 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 16
- 206010020751 Hypersensitivity Diseases 0.000 claims description 11
- 208000026935 allergic disease Diseases 0.000 claims description 11
- 230000007815 allergy Effects 0.000 claims description 9
- 238000003745 diagnosis Methods 0.000 claims description 9
- 208000024891 symptom Diseases 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000002483 medication Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000013461 design Methods 0.000 description 30
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- UCSJYZPVAKXKNQ-HZYVHMACSA-N streptomycin Chemical compound CN[C@H]1[C@H](O)[C@@H](O)[C@H](CO)O[C@H]1O[C@@H]1[C@](C=O)(O)[C@H](C)O[C@H]1O[C@@H]1[C@@H](NC(N)=N)[C@H](O)[C@@H](NC(N)=N)[C@H](O)[C@H]1O UCSJYZPVAKXKNQ-HZYVHMACSA-N 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- LSQZJLSUYDQPKJ-NJBDSQKTSA-N amoxicillin Chemical compound C1([C@@H](N)C(=O)N[C@H]2[C@H]3SC([C@@H](N3C2=O)C(O)=O)(C)C)=CC=C(O)C=C1 LSQZJLSUYDQPKJ-NJBDSQKTSA-N 0.000 description 3
- 229960003022 amoxicillin Drugs 0.000 description 3
- 230000008030 elimination Effects 0.000 description 3
- 238000003379 elimination reaction Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- LSQZJLSUYDQPKJ-UHFFFAOYSA-N p-Hydroxyampicillin Natural products O=C1N2C(C(O)=O)C(C)(C)SC2C1NC(=O)C(N)C1=CC=C(O)C=C1 LSQZJLSUYDQPKJ-UHFFFAOYSA-N 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 206010013700 Drug hypersensitivity Diseases 0.000 description 2
- 238000012550 audit Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000001647 drug administration Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 229960005322 streptomycin Drugs 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 206010000060 Abdominal distension Diseases 0.000 description 1
- 206010011224 Cough Diseases 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- BALXUFOVQVENIU-KXNXZCPBSA-N pseudoephedrine hydrochloride Chemical compound [H+].[Cl-].CN[C@@H](C)[C@@H](O)C1=CC=CC=C1 BALXUFOVQVENIU-KXNXZCPBSA-N 0.000 description 1
- 238000013058 risk prediction model Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
- 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
-
- 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)
- Public Health (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Pharmacology & Pharmacy (AREA)
- Toxicology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请公开了药嘱风险提示方法、装置、电子设备及存储介质，涉及医疗大数据技术。具体实现方案为：通过先获取患者的临床信息，再将临床信息与预设药物知识图谱中的概念节点进行对应，以获得对应的概念节点集合，然后再根据概念节点集合以及概念节点集合中各概念节点之间的关系信息确定风险提示信息。本申请公开的药嘱风险提示方法，可以实现对药嘱中的药品使用进行风险提示。
Description
技术领域
本申请涉及数据处理技术领域，尤其涉及一种医疗大数据技术。
背景技术
随着药物科技的快速发展，药物知识爆炸对医师的工作提出了严峻的挑战。
现有技术中，为了保证对患者的用药安全，在医师开出药嘱之后，通常还需要通过药剂师进行审核，以判断是否存在药物风险，例如：药物过敏、药物冲突以及剂量误用等。
但是，由于药物品种数量繁多，并且每种药物又会包括多个维度的用药注意事项，因此，依靠人为进行对药嘱进行风险排除，效率低下，且可靠性较低。
申请内容
本申请提供一种药嘱风险提示方法、装置、电子设备及存储介质，以解决依靠人为进行对药嘱进行风险排除，效率低下，且可靠性较低的技术问题。
第一方面，本申请提供了一种药嘱风险提示方法，包括：
获取患者的临床信息，所述临床信息包括药嘱信息与诊断信息；获取所述临床信息在预设药物知识图谱中对应的概念节点集合，所述药物知识图谱包括概念节点信息以及各个概念节点之间的关系信息；根据所述概念节点集合以及所述概念节点集合中各概念节点之间的关系信息确定风险提示信息，所述风险提示信息用于标识所述药嘱信息中的药物使用风险。
在本实施例中，通过先获取患者的临床信息，再将临床信息与预设药物知识图谱中的概念节点进行对应，以获得对应的概念节点集合，然后再根据概念节点集合以及概念节点集合中各概念节点之间的关系信息确定风险提示信息，从而对药嘱中的药品使用进行风险提示。并且，利用药物知识图谱进行风险提示的方法，可以与患者临床信息的进行更好的匹配，优化风险提示触发率，并且通过根据关系信息生成风险提示信息的方式，增强了风险提示的可解释性。
在一种可能的设计中，所述获取所述临床信息在药物知识图谱中对应的概念节点集合，包括：根据预设分类规则确定所述临床信息所对应的实体类型集合，所述实体类型集合中的实体类型用于表征患者属性和/或药物属性；根据预设匹配规则以及所述实体类型集合确定所述概念节点集合。
在本实施例中，通过预设分类规则确定所述临床信息所对应的实体类型集合，并根据实体类型集合确定概念节点集合，从而建立临床信息与药物知识图谱之间的关系。
在一种可能的设计中，所述根据预设匹配规则以及所述实体类型集合确定所述概念节点集合，包括：根据所述预设匹配规则以及所述实体类型集合确定实例化概念节点集合；根据所述实例化概念节点集合以及所述药物知识图谱确定概念延伸节点集合，所述概念节点集合包括所述实例化节点集合以及所述概念延伸节点集合。
在本实施例中，通过利用实例化概念节点集合以及根据实例化概念节点集合进行扩展得到的概念延伸节点集合，可以进行多维度的用药风险判断。
在一种可能的设计中，所述根据所述实例化概念节点集合以及所述药物知识图谱确定概念延伸节点集合，包括：根据所述实例化概念节点集合中的实例化概念节点以及对应的关系信息获取概念延伸节点，以生成所述概念延伸节点集合，其中，所述概念延伸节点与所述实例化概念节点之间的所述关系信息为从属关系或者包含关系。
在一种可能的设计中，所述根据所述概念节点集合以及所述概念节点集合中各概念节点之间的关系信息确定风险提示信息，包括：根据所述概念节点集合以及所述概念节点集合中各概念节点之间的关系信息确定实例知识子图；获取所述实例知识子图中的风险关系信息，其中，所述风险关系信息为禁用关系或慎用关系；根据所述风险关系信息确定所述风险提示信息。
在本实施例中，通过风险关系信息确定风险提示信息，提高了风险提示的可解释性。
在一种可能的设计中，在所述根据所述风险关系信息确定所述风险提示信息之后，还包括：根据所述风险关系信息、所述风险关系信息对应的概念节点以及预设话术映射表输出所述风险提示信息。
在一种可能的设计中，所述临床信息还包括患者生理信息、症状信息以及患者过敏史信息中的至少一种。
在一种可能的设计中，在所述获取所述临床信息在预设药物知识图谱中对应的概念节点集合之前，还包括：根据医疗数据源生成所述预设药物知识图谱。
在一种可能的设计中，所述根据医疗数据源生成所述预设药物知识图谱，包括：根据预设知识格式获取所述医疗数据源中的概念关键词以及各个概念关键词之间的关系关键词；根据所述概念关键词以及所述关系关键词生成所述预设药物知识图谱，其中，所述概念节点信息包括所述概念关键词，所述关系信息包括所述关系关键词。
在一种可能的设计中，所述根据预设知识格式获取所述医疗数据源中的概念关键词以及各个概念关键词之间的关系关键词，包括：根据所述预设知识格式从第一类数据库中获取所述概念关键词；根据所述预设知识格式从所述第一类数据库以及第二类数据库中获取所述关系关键词，其中，所述第一类数据库的预设第一置信度大于所述第二类数据库的预设第二置信度。
在本实施例中，通过选取置信度符合要求的知识信息并入药物知识图谱，可以提高药物知识图谱中信息的可信度。
在一种可能的设计中，在所述根据所述概念关键词以及所述关系关键词生成所述预设药物知识图谱之后，还包括：确定所述预设药物知识图谱中知识信息的置信度，其中，所述知识信息为所述概念节点信息或所述关系信息；将第一知识信息并入所述预设药物知识图谱，其中，所述第一知识信息为知识置信度大于或等于预设知识置信度的知识信息。
在一种可能的设计中，在所述确定所述预设药物知识图谱中知识信息的置信度之后，还包括：获取评价信息，所述评价信息用于评价第二知识信息的可靠性，所述第二知识信息为知识置信度小于所述预设知识置信度的知识信息；根据所述评价信息确定是否将所述第二知识信息并入所述预设药物知识图谱。
在一种可能的设计中，所述确定所述预设药物知识图谱中知识信息的知识置信度，包括：根据所述知识信息所来源的数据库的预设置信度以及所述知识信息所来源的数据库的数量确定所述知识置信度。
在一种可能的设计中，所述的药嘱风险提示方法，还包括：获取待校验知识信息集合，所述待校验知识信息集合的待校验知识信息为所述第二知识信息；根据所述待校验知识信息集合中的待校验知识信息确定集合整体准确率；将所述集合整体准确率大于或等于预设准确率的待校验知识信息集合并入所述预设药物知识图谱。
在一种可能的设计中，在所述根据所述待校验知识信息集合中的待校验知识信息确定集合整体准确率之后，还包括：将所述集合整体准确率小于所述预设准确率的待校验知识信息集合拆分为多个待校验知识信息子集合；根据所述待校验知识信息子集合中的待校验知识信息确定子集合整体准确率；将所述子集合整体准确率大于或等于预设准确率的待校验知识信息子集合并入所述预设药物知识图谱。
在本实施例中，可以将整体准确率小于预设准确率的大集合在进行分段验证，以将子集合整体准确率大于预设准确率子集合并入预设药物知识图谱，从而保证药物知识图谱中知识信息的可靠性。
在一种可能的设计中，在所述根据所述概念节点集合以及所述概念节点集合中各概念节点之间的关系信息确定风险提示信息之后，还包括：获取反馈指令，所述反馈指令为接受指令或者拒绝指令，所述接受指令用于接受所述风险提示信息，所述拒绝指令用于拒绝所述风险提示信息。
在一种可能的设计中，在所述获取反馈指令之后，还包括：当所述反馈指令为接受指令时，将知识信息的知识置信度增加第一数值，当所述反馈指令为拒绝指令时，将知识信息的知识置信度减少第二数值；若所述知识信息的知识置信度小于预设知识置信度时，则无效所述知识信息，若所述知识信息的知识置信度大于或等于所述预设知识置信度时，则激活所述知识信息。
在本实施例中，通过获取医生的反馈，进一步提升可信度较高的知识信息的置信度，降低可信度较低的知识信息的置信度，从而保证药物知识图谱的中知识信息的可靠性。
第二方面，本申请还提供一种药嘱风险提示装置，包括：信息获取模块，用于获取患者的临床信息，所述临床信息包括药嘱信息与诊断信息；信息连接模块，用于获取所述临床信息在预设药物知识图谱中对应的概念节点集合，所述药物知识图谱包括概念节点信息以及各个概念节点之间的关系信息；风险提示模块，用于根据所述概念节点集合以及所述概念节点集合中各概念节点之间的关系信息确定风险提示信息，所述风险提示信息用于标识所述药嘱信息中的药物使用风险。
第三方面，本申请还提供一种电子设备，包括：
处理器；以及
存储器，用于存储所述处理器的计算机程序；
其中，所述处理器被配置为通过执行所述计算机程序来实现第一方面中任意一种可能的方法。
第四方面，本申请还提供一种存储有计算机指令的非瞬时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第一方面中任意一种可能的方法。
上述申请中的一个实施例具有如下优点或有益效果：通过先获取患者的临床信息，再将临床信息与预设药物知识图谱中的概念节点进行对应，以获得对应的概念节点集合，然后再根据概念节点集合以及概念节点集合中各概念节点之间的关系信息确定风险提示信息，从而对药嘱中的药品使用进行风险提示。并且，利用药物知识图谱进行风险提示的方法，可以与患者临床信息的进行更好的匹配，优化风险提示触发率，并且通过根据关系信息生成风险提示信息的方式，增强了风险提示的可解释性。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是本申请实施例提供的药嘱风险提示方法的应用场景示意图；
图2是本申请实施例提供的药物知识图谱信息来源场景示意图；
图3是本申请第一实施例示出的药嘱风险提示方法的流程示意图；
图4是图3所示实施例中临床信息数据结构示意图；
图5是本申请第二实施例示出的概念节点集合获取方式的流程示意图；
图6是本申请第三实施例示出的风险提示信息确定方式的流程示意图；
图7是本申请第四实施例示出的药物知识图谱生成方式的流程示意图；
图8是本申请第五实施例示出的关键词获取方式的流程示意图；
图9是本申请第六实施例示出的实例知识子图的数据结构示意图；
图10是本申请第七实施例示出的药嘱风险提示方法的流程示意图；
图11是本申请第八实施例示出的药嘱风险提示装置的流程示意图；
图12是本申请第九实施例示出的药嘱风险提示装置的流程示意图；
图13是本申请第十实施例示出的药嘱风险提示装置的流程示意图；
图14是本申请第十一实施例示出的药嘱风险提示装置的流程示意图；
图15是用来实现本申请实施例的药嘱风险提示方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
在现有技术中，为了保证对患者的用药安全，在医师开出药嘱之后，通常还需要通过药剂师进行审核，以判断是否存在药物风险，例如：药物过敏、药物冲突以及剂量误用等。但是，由于药物品种数量繁多，并且每种药物又会包括多个维度的用药注意事项，因此，依靠人为进行对药嘱进行风险排除，效率低下，且可靠性较低。
又或者，通过药剂师参考药典、药理书籍、药品说明书、文献以及自身经验，针对医院内部每种药品手工编写不同维度的用药提醒规则，然后在触发到相关风险提示条件之后，进行合理用药提醒。但是，人工编写的方式，工作量巨大，需要针对每家上线医院的所有药品所有维度编辑提醒规则，而国家药品监督管理局批准自产或进口的药品达数十万种之多，每种药品又包括人群、病症、相互作用、配伍禁忌、溶媒、用法用量、交叉过敏等十多个维度的知识。此外，不同编辑人员在表达同一用药规则时存在话术规范、抽象程度的差异，编辑产生的规则在实际使用时不易触发、泛化性差。
此外，还可以通过黑盒模型方法进行用药风险提示，其中，可以分为有指导和无指导方式。有指导方式，可以是以医院内临床产生的电子病历与医嘱数据作为训练数据，其中，药剂师人工拦截、修改处方为风险阳性样本，执行通过处方为风险阴性样本，采用有指导的机器学习方法(如：贝叶斯、决策树、神经网络等)训练出用药风险预测模型。而无指导的方式，则是主要利用不同药品之间包含成分维度、患者特征维度(生理、病历特征)，通过相似度计算方式(如：主题模型、协同过滤等)，以类似推荐系统的方式实现用药风险提示。但是，黑盒模型方案，最大的问题在于不可解释性，临床应用不能给出风险提示原因，很难实现临床辅助决策。此外，训练数据较为稀疏，在实际的训练过程中，很难获取大批量高质量用药风险阳性数据，阴性数据与阳性数据比例相差巨大，同时，由于药剂师难以对所有处方进行一一人工点评，因此，导致了阴性历史数据中可能存在大量的阳性数据。并且，黑盒模型实现的提醒维度也非常有限。
针对上述存在的各个问题，本申请实施例提供一种药嘱风险提示方法，通过先获取患者的临床信息，再将临床信息与预设药物知识图谱中的概念节点进行对应，以获得对应的概念节点集合，然后再根据概念节点集合以及概念节点集合中各概念节点之间的关系信息确定风险提示信息，从而对药嘱中的药品使用进行风险提示。并且，利用药物知识图谱进行风险提示的方法，可以与患者临床信息的进行更好的匹配，优化风险提示触发率，并且通过根据关系信息生成风险提示信息的方式，增强了风险提示的可解释性。下面通过几个具体实现方式对该药嘱风险提示方法进行详细说明。
图1是本申请实施例提供的药嘱风险提示方法的应用场景示意图。如图1所示，本实施提供的药嘱风险提示方法可以应用于医疗场景，在医生对患者进行诊断，并通过医疗终端200为患者开出药嘱之后，服务器100获取患者的临床信息，其中，临床信息包括药嘱信息与诊断信息。
而在服务器100中预设有药物知识图谱，通过将临床信息与预设药物知识图谱中的概念节点相对应，从而确定与临床信息相对应的概念节点集合，值得说明的，药物知识图谱中包括概念节点信息以及各个概念节点之间的关系信息。
图2是本申请实施例提供的药物知识图谱信息来源场景示意图。如图2所示，药物知识图谱的信息来源可以是多个医疗数据源，其中，可以包括结构化数据源300、半结构化数据源400以及无结构化数据源500。值得说明的，对于结构化数据源300，例如可以为：药监局批准上市的药品目录、卫健委发布的国际疾病分类(International Classification ofDiseases，简称ICD)术语标准等；而对于半结构化数据源400，例如可以为：药典目录、数据目录、权威文献标题与关键词、以及药品说明书部分字段等；而对于无结构化数据源500可以为临床指南或者路径等数据。
此外，对于结构化数据源300可以是从多个结构化子数据源310中抽取获得，而对于半结构化数据源400可以是从多个半结构化子数据源410中抽取获得，而对于无结构化数据源500可以是从多个无结构化子数据源510中抽取获得。而在本实施例中，并不对医疗数据源的具体形式和数量进行限定，上述数据源的分类只是为了进行示例性说明。
图3是本申请第一实施例示出的药嘱风险提示方法的流程示意图。如图3所示，本实施例提供的药嘱风险提示方法，包括：
步骤101、获取患者的临床信息。
值得说明的，临床信息可以包括药嘱信息与诊断信息。可以是在医生对患者开出药嘱之后，将药嘱信息与诊断信息共同作为临床信息。而为了对患者的用药风险进行更多维度的判断，患者的临床信息可以包括更多的信息类型。
其中，图4是图3所示实施例中临床信息数据结构示意图。如图4所示，患者的临床信息，可以包括：患者的生理信息(例如：年龄、性别等)、症状信息(例如：症状1、症状2等)，过敏史信息(例如：药物3、药物4等)，药嘱信息(例如：药品1、药品2等)，诊断信息(例如：疾病1、疾病2等)。此外，针对每种症状，还可以具有进一步的属性信息，例如：持续时间以及诱因等信息；而针对药品，可以具有进一步的属性信息，例如：单次剂量以及诱因等信息；而针对疾病，同样可以具有进一步的属性信息，例如：诊断类型以及性质等。
此外，临床信息还可以包括：患者体征信息、遗传病史信息、生活史信息、检查检验信息等。值得说明的，在本实施例中，并不对患者的临床信息的具体形式以及所包括的具体项目进行限定，临床信息可以包括是用于表征患者的相关特性或者所接受的相关检查、治疗以及药物等信息。
步骤102、获取临床信息在预设药物知识图谱中对应的概念节点集合。
在获取到患者的临床信息之后，可以获取临床信息在预设药物知识图谱中对应的概念节点集合，其中，药物知识图谱包括概念节点信息以及各个概念节点之间的关系信息。其中，药物知识图谱包括概念节点信息可以是用于表征患者的相关特性或者所接受的相关检查、治疗以及药物等信息，而概念节点之间的关系信息则可以是两项药物之间的药物关系，例如二者共用会导致过敏等。
图5是本申请第二实施例示出的概念节点集合获取方式的流程示意图。如图5所示，本实施例中的概念节点集合获取方式，可以具体包括：
步骤1021、根据预设分类规则确定临床信息所对应的实体类型集合。
步骤1022、根据预设匹配规则以及实体类型集合确定概念节点集合。
具体的，可以是根据预设分类规则确定临床信息所对应的实体类型集合，实体类型集合中的实体类型用于表征患者属性和/或药物属性，然后，再根据预设匹配规则以及实体类型集合确定概念节点集合。
值得说明的，预设分类规则可以是分词规则，从临床信息中获取到的实体类型集合为关键词的集合，例如：男性、感冒、咳嗽、阿莫西林等关键词所构成的集合。而匹配规则，可以是将实体类型集合中的各个关键词与预设药物知识图谱中的各个概念节点进行一一对应的规则，可以是通过寻找相同或者相似的词语进行对应。
此外，在进行概念节点简单对应之后，还可以根据预设匹配规则以及实体类型集合确定实例化概念节点集合，根据实例化概念节点集合以及药物知识图谱确定概念延伸节点集合，其中，概念节点集合包括实例化节点集合以及概念延伸节点集合。
其中，对于上述概念延伸节点集合的确定，可以是根据实例化概念节点集合中的实例化概念节点以及对应的关系信息获取概念延伸节点，以生成概念延伸节点集合，其中，概念延伸节点与实例化概念节点之间的关系信息为从属关系或者包含关系。图9是本申请第六实施例示出的实例知识子图的数据结构示意图。如图9所示，黑色的节点为实例化概念节点集合，而白色的节点为概念延伸节点集合。
步骤103、根据概念节点集合以及概念节点集合中各概念节点之间的关系信息确定风险提示信息。
在获取临床信息在预设药物知识图谱中对应的概念节点集合之后，可以根据概念节点集合以及概念节点集合中各概念节点之间的关系信息确定风险提示信息，其中，风险提示信息用于标识药嘱信息中的药物使用风险。
图6是本申请第三实施例示出的风险提示信息确定方式的流程示意图。如图6所示，本实施例提供的风险提示信息确定方式，可以包括：
步骤1031、根据概念节点集合以及概念节点集合中各概念节点之间的关系信息确定实例知识子图。
步骤1032、获取实例知识子图中的风险关系信息。
步骤1033、根据风险关系信息确定风险提示信息。
继续参照图9，可以根据概念节点集合以及概念节点集合中各概念节点之间的关系信息确定实例知识子图，然后，获取实例知识子图中的风险关系信息，其中，风险关系信息为禁用关系或慎用关系，从而根据风险关系信息确定风险提示信息。
具体的，可以是概念节点集合中的每个概念节点在药物知识图谱中是否存在联通路径(不区分边的方向)，若存在联通路径，并且该路径对应禁用关系或慎用关系，这输出对应概念节点的慎用、禁用风险提示，而若联通路径中只存在从属关系或者包含关系，可还可以输出对应概念节点与药嘱类别以及成分重复的提醒。
此外，在确定风险提示信息之后，还可以根据风险关系信息、风险关系信息对应的概念节点以及预设话术映射表输出风险提示信息。具体的，可以是根据输出的风险提示信息，以及相应属性、路径节点、关系类型，通过查询事先制订的话术映射表生成风险提示话术。继续参照图9，就可以根据药嘱信息中的药品1与过敏史信息中的药物1的关系路径生成风险提示话术：“药嘱药品1包含药物成分与过敏史药物1为同类药物，故可能存在交叉过敏”。
在本实施例中，通过先获取患者的临床信息，再将临床信息与预设药物知识图谱中的概念节点进行对应，以获得对应的概念节点集合，然后再根据概念节点集合以及概念节点集合中各概念节点之间的关系信息确定风险提示信息，从而对药嘱中的药品使用进行风险提示。并且，利用药物知识图谱进行风险提示的方法，可以与患者临床信息的进行更好的匹配，优化风险提示触发率，并且通过根据关系信息生成风险提示信息的方式，增强了风险提示的可解释性。
在上述实施例的基础上，对于药物知识图谱的生成，可以是根据医疗数据源生成预设药物知识图谱，下面通过示例性的实施例进行说明。
图7是本申请第四实施例示出的药物知识图谱生成方式的流程示意图。如图7所示，本实施例中药物知识图谱生成方式，包括：
步骤201、根据预设知识格式获取医疗数据源中的概念关键词以及各个概念关键词之间的关系关键词。
具体的，可以通过预设的分词方法，先将医疗数据源中的语句进行分词，然后通过获取医疗数据源中的概念关键词以及各个概念关键词之间的关系关键词。例如，获取到的概念关键词为“发烧”、“头痛”、“腹胀”、“阿莫西林”以及“链霉素”等，而概念关键词“阿莫西林”以及“链霉素”之间的关系关键词可以为“慎用”。
图8是本申请第五实施例示出的关键词获取方式的流程示意图。如图8所示，本实施例中关键词获取方式，包括：
步骤2011、根据预设知识格式从第一类数据库中获取概念关键词。
步骤2012、根据预设知识格式从第一类数据库以及第二类数据库中获取关系关键词。
值得理解的，根据预设知识格式从第一类数据库中获取概念关键词，根据预设知识格式从第一类数据库以及第二类数据库中获取关系关键词，其中，第一类数据库的预设第一置信度大于第二类数据库的预设第二置信度。
具体的，第一类数据库可以为权威度较高的数据库，如结构化数据，例如：药监局批准上市的药品目录、卫健委发布的ICD术语标准等。而第二类数据可以为半结构化数据或者无结构化数据，例如：药典目录、数据目录、权威文献标题与关键词、以及药品说明书部分字段等。
由于第一类数据库数据结构简单，并且权威性高，用词规范，因此，大部分类型可通过简单的规则就可以配置成抽取和更新流程，适合用于获取概念关键词。而第二类数据库数据源繁多，可以增加数据的来源，更加适合用于获取关系关键词。
步骤202、根据概念关键词以及关系关键词生成预设药物知识图谱。
而在生成药物知识图谱之后，还可以确定预设药物知识图谱中知识信息的置信度，其中，知识信息为概念节点信息或关系信息，将第一知识信息并入预设药物知识图谱，其中，第一知识信息为知识置信度大于或等于预设知识置信度的知识信息，例如，将知识置信度大于或等于0.95的知识信息并入预设药物知识图谱。值得说明的，根据知识信息所来源的数据库的预设置信度以及知识信息所来源的数据库的数量确定知识置信度。对于知识信息所来源的数据源都预设有数据源置信度值，而权威性越高的数据库，所预设的置信度也越高，此外，对于知识信息所来源的数据库的数量，来源越多，则说明该知识信息置信度越高，即可以基于来源权威性和多源交叉验证的方式进行置信度的确定。
此外，在确定预设药物知识图谱中知识信息的置信度之后，还可以获取评价信息，其中，评价信息用于评价第二知识信息的可靠性，第二知识信息为知识置信度小于预设知识置信度的知识信息，根据评价信息确定是否将第二知识信息并入预设药物知识图谱。
获取待校验知识信息集合，待校验知识信息集合的待校验知识信息为第二知识信息，根据待校验知识信息集合中的待校验知识信息确定集合整体准确率，将集合整体准确率大于或等于预设准确率的待校验知识信息集合并入预设药物知识图谱。值得理解的，可以是针对为并入药物知识图谱的待校验知识信息集合进行校验。其中，可以针对该集合进行整体校验，从而得到针对该集合的整体准确率，若整体准确率大于0.95，则认为该集合检验通过，从而将该集合并入预设药物知识图谱。
但是，若集合整体准确率小于预设准确率，例如小于0.95，则将集合整体准确率小于预设准确率的待校验知识信息集合拆分为多个待校验知识信息子集合，再根据待校验知识信息子集合中的待校验知识信息确定子集合整体准确率，然后，将子集合整体准确率大于或等于预设准确率的待校验知识信息子集合并入预设药物知识图谱。值得理解的，可以将整体准确率小于预设准确率的大集合在进行分段验证，以将子集合整体准确率大于预设准确率子集合并入预设药物知识图谱，从而保证药物知识图谱中知识信息的可靠性。
此外，在上述实施例的基础上，在根据概念节点集合以及概念节点集合中各概念节点之间的关系信息确定风险提示信息之后，还可以为医生输出风险提示信息，例如：“药嘱药品1包含药物成分与过敏史药物1为同类药物，故可能存在交叉过敏”。而在医生获取到风险提示信息之后，可以选择“接收”以修改自己所开的药嘱，也可以进行确认后选择“拒绝”以继续提交之前所开的药嘱。
在医生进行反馈之后，可以获取反馈指令，反馈指令为接受指令或者拒绝指令，接受指令用于接受风险提示信息，拒绝指令用于拒绝风险提示信息。
而当反馈指令为接受指令时，将知识信息的知识置信度增加第一数值，例如，可以是增加0.01，当反馈指令为拒绝指令时，将知识信息的知识置信度减少第二数值，例如，也可以是减少0.01。若知识信息的知识置信度小于预设知识置信度时，则无效知识信息，若知识信息的知识置信度大于或等于预设知识置信度时，则激活知识信息。
通过本实施例中对于药物知识图谱的构建方式，可以较少用药知识构建工作，通过知识图谱中的概念层级、包含关系的构建，将大规模、低密度的知识关系构建转换成小规模、高密度的知识关系构建，增加自动校验机制，降低人工审核成本。并且，结合药物知识图谱中知识信息的多源挖掘，可以实现知识的跨数更新。此外，相较于规则匹配方法，通过构建药物知识图谱可以通过多层分类的概念关系与实例连接的方案，可以与患者临床信息的进行更好的匹配，优化风险提示触发率，并且通过根据关系信息生成风险提示信息的方式，增强了风险提示的可解释性。
为了对本申请所提供的药嘱风险提示方法在实际的应用场景中进行说明，下面可以通过将药嘱风险提示方法应用到一个示例性的场景中进行说明。
可以应用于医疗场景，在医生对患者进行诊断，并通过医疗终端为患者开出药嘱之后，服务器获取患者的临床信息。图10是本申请第七实施例示出的药嘱风险提示方法的流程示意图。如图10所示，本实施例提供的药嘱风险提示方法，包括：
步骤301、对医疗数据源数据进行知识信息挖掘。
步骤302、知识信息校验以及审核。
步骤303、生成知识图谱。
步骤304、获取患者的临床信息。
步骤305、对应概念节点集合。
步骤306、确定实例知识子图。
步骤307、确定风险提示信息。
步骤308、生成提示话术信息。
步骤309、获取反馈指令。
图11是本申请第八实施例示出的药嘱风险提示装置的流程示意图。如图11所示，本实施例提供的药嘱风险提示装置400，包括：
信息获取模块401，用于获取患者的临床信息，所述临床信息包括药嘱信息与诊断信息；
信息连接模块402，用于获取所述临床信息在预设药物知识图谱中对应的概念节点集合，所述药物知识图谱包括概念节点信息以及各个概念节点之间的关系信息；
风险提示模块403，用于根据所述概念节点集合以及所述概念节点集合中各概念节点之间的关系信息确定风险提示信息，所述风险提示信息用于标识所述药嘱信息中的药物使用风险。
在一种可能的设计中，所述信息连接模块402，具体用于：
根据预设分类规则确定所述临床信息所对应的实体类型集合，所述实体类型集合中的实体类型用于表征患者属性和/或药物属性；
根据预设匹配规则以及所述实体类型集合确定所述概念节点集合。
在一种可能的设计中，所述信息连接模块402，具体用于：
根据所述预设匹配规则以及所述实体类型集合确定实例化概念节点集合；
根据所述实例化概念节点集合以及所述药物知识图谱确定概念延伸节点集合，所述概念节点集合包括所述实例化节点集合以及所述概念延伸节点集合。
在一种可能的设计中，所述信息连接模块402，具体用于：
根据所述实例化概念节点集合中的实例化概念节点以及对应的关系信息获取概念延伸节点，以生成所述概念延伸节点集合，其中，所述概念延伸节点与所述实例化概念节点之间的所述关系信息为从属关系或者包含关系。
在一种可能的设计中，所述风险提示模块403，具体用于：
根据所述概念节点集合以及所述概念节点集合中各概念节点之间的关系信息确定实例知识子图；
获取所述实例知识子图中的风险关系信息，其中，所述风险关系信息为禁用关系或慎用关系；
根据所述风险关系信息确定所述风险提示信息。
在图11所示实施例的基础上，图12是本申请第九实施例示出的药嘱风险提示装置的流程示意图。如图12所示，本实施例提供的药嘱风险提示装置400，还包括：
话术输出模块405，用于根据所述风险关系信息、所述风险关系信息对应的概念节点以及预设话术映射表输出所述风险提示信息。
在一种可能的设计中，所述临床信息还包括患者生理信息、症状信息以及患者过敏史信息中的至少一种。
在一种可能的设计中，所述装置，还包括：
图谱生成模块404，用于根据医疗数据源生成所述预设药物知识图谱。
在一种可能的设计中，所述图谱生成模块404，还用于：
根据预设知识格式获取所述医疗数据源中的概念关键词以及各个概念关键词之间的关系关键词；
根据所述概念关键词以及所述关系关键词生成所述预设药物知识图谱，其中，所述概念节点信息包括所述概念关键词，所述关系信息包括所述关系关键词。
在一种可能的设计中，所述图谱生成模块404，具体用于：
根据所述预设知识格式从第一类数据库中获取所述概念关键词；
根据所述预设知识格式从所述第一类数据库以及第二类数据库中获取所述关系关键词，其中，所述第一类数据库的预设第一置信度大于所述第二类数据库的预设第二置信度。
在一种可能的设计中，所述图谱生成模块404，具体用于：
确定所述预设药物知识图谱中知识信息的置信度，其中，所述知识信息为所述概念节点信息或所述关系信息；
将第一知识信息并入所述预设药物知识图谱，其中，所述第一知识信息为知识置信度大于或等于预设知识置信度的知识信息。
在图12所示实施例的基础上，图13是本申请第十实施例示出的药嘱风险提示装置的流程示意图。如图13所示，本实施例提供的药嘱风险提示装置400，还包括：评价获取模块406；
所述评价获取模块406，具体用于：
获取评价信息，所述评价信息用于评价第二知识信息的可靠性，所述第二知识信息为知识置信度小于所述预设知识置信度的知识信息；
根据所述评价信息确定是否将所述第二知识信息并入所述预设药物知识图谱。
在一种可能的设计中，所述图谱生成模块404，还用于：
根据所述知识信息所来源的数据库的预设置信度以及所述知识信息所来源的数据库的数量确定所述知识置信度。
在一种可能的设计中，所述装置，还包括：知识校验模块407；
所述知识校验模块407，具体用于：
获取待校验知识信息集合，所述待校验知识信息集合的待校验知识信息为所述第二知识信息；
根据所述待校验知识信息集合中的待校验知识信息确定集合整体准确率；
将所述集合整体准确率大于或等于预设准确率的待校验知识信息集合并入所述预设药物知识图谱。
在一种可能的设计中，所述知识校验模块407，还用于：
将所述集合整体准确率小于所述预设准确率的待校验知识信息集合拆分为多个待校验知识信息子集合；
根据所述待校验知识信息子集合中的待校验知识信息确定子集合整体准确率；
将所述子集合整体准确率大于或等于预设准确率的待校验知识信息子集合并入所述预设药物知识图谱。
在图13所示实施例的基础上，图14是本申请第十一实施例示出的药嘱风险提示装置的流程示意图。如图14所示，本实施例提供的药嘱风险提示装置，还包括：反馈获取模块408；
所述反馈获取模块408，用于获取反馈指令，所述反馈指令为接受指令或者拒绝指令，所述接受指令用于接受所述风险提示信息，所述拒绝指令用于拒绝所述风险提示信息。
在一种可能的设计中，所述装置，还包括：知识评价模块409；
所述知识评价模块409，具体用于：
当所述反馈指令为接受指令时，将知识信息的知识置信度增加第一数值，当所述反馈指令为拒绝指令时，将知识信息的知识置信度减少第二数值；
若所述知识信息的知识置信度小于预设知识置信度时，则无效所述知识信息，若所述知识信息的知识置信度大于或等于所述预设知识置信度时，则激活所述知识信息。
值得说明的，图11-图14所示实施例提供的药嘱风险提示装置，可用于执行上述任意实施例所提供的方法，具体实现方式和技术效果类似，这里不再进行赘述。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
图15是用来实现本申请实施例的药嘱风险提示方法的电子设备的框图。如图15所示，电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图15所示，该电子设备包括：一个或多个处理器501、存储器502，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图15中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的药嘱风险提示方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的药嘱风险提示方法。
存储器502作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的药嘱风险提示方法对应的程序指令/模块(例如，附图11所示的信息获取模块401、信息连接模块402以及风险提示模块403)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的药嘱风险提示方法。
存储器502可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据本申请实施例提供的电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至本申请实施例提供电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例提供电子设备还可以包括：输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接，图15中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息，以及产生与本申请实施例提供电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，通过先获取患者的临床信息，再将临床信息与预设药物知识图谱中的概念节点进行对应，以获得对应的概念节点集合，然后再根据概念节点集合以及概念节点集合中各概念节点之间的关系信息确定风险提示信息，从而对药嘱中的药品使用进行风险提示。并且，利用药物知识图谱进行风险提示的方法，可以与患者临床信息的进行更好的匹配，优化风险提示触发率，并且通过根据关系信息生成风险提示信息的方式，增强了风险提示的可解释性。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (20)
1.一种药嘱风险提示方法，其特征在于，包括：
获取患者的临床信息，所述临床信息包括药嘱信息与诊断信息；
获取所述临床信息在预设药物知识图谱中对应的概念节点集合，所述药物知识图谱包括概念节点信息以及各个概念节点之间的关系信息；
根据所述概念节点集合以及所述概念节点集合中各概念节点之间的关系信息确定风险提示信息，所述风险提示信息用于标识所述药嘱信息中的药物使用风险。
2.根据权利要求1所述的药嘱风险提示方法，其特征在于，所述获取所述临床信息在药物知识图谱中对应的概念节点集合，包括：
根据预设分类规则确定所述临床信息所对应的实体类型集合，所述实体类型集合中的实体类型用于表征患者属性和/或药物属性；
根据预设匹配规则以及所述实体类型集合确定所述概念节点集合。
3.根据权利要求2所述的药嘱风险提示方法，其特征在于，所述根据预设匹配规则以及所述实体类型集合确定所述概念节点集合，包括：
根据所述预设匹配规则以及所述实体类型集合确定实例化概念节点集合；
根据所述实例化概念节点集合以及所述药物知识图谱确定概念延伸节点集合，所述概念节点集合包括所述实例化节点集合以及所述概念延伸节点集合。
4.根据权利要求3所述的药嘱风险提示方法，其特征在于，所述根据所述实例化概念节点集合以及所述药物知识图谱确定概念延伸节点集合，包括：
根据所述实例化概念节点集合中的实例化概念节点以及对应的关系信息获取概念延伸节点，以生成所述概念延伸节点集合，其中，所述概念延伸节点与所述实例化概念节点之间的所述关系信息为从属关系或者包含关系。
5.根据权利要求4所述的药嘱风险提示方法，其特征在于，所述根据所述概念节点集合以及所述概念节点集合中各概念节点之间的关系信息确定风险提示信息，包括：
根据所述概念节点集合以及所述概念节点集合中各概念节点之间的关系信息确定实例知识子图；
获取所述实例知识子图中的风险关系信息，其中，所述风险关系信息为禁用关系或慎用关系；
根据所述风险关系信息确定所述风险提示信息。
6.根据权利要求5所述的药嘱风险提示方法，其特征在于，在所述根据所述风险关系信息确定所述风险提示信息之后，还包括：
根据所述风险关系信息、所述风险关系信息对应的概念节点以及预设话术映射表输出所述风险提示信息。
7.根据权利要求1-6中任意一项所述的药嘱风险提示方法，其特征在于，所述临床信息还包括患者生理信息、症状信息以及患者过敏史信息中的至少一种。
8.根据权利要求1-6中任意一项所述的药嘱风险提示方法，其特征在于，在所述获取所述临床信息在预设药物知识图谱中对应的概念节点集合之前，还包括：
根据医疗数据源生成所述预设药物知识图谱。
9.根据权利要求8所述的药嘱风险提示方法，其特征在于，所述根据医疗数据源生成所述预设药物知识图谱，包括：
根据预设知识格式获取所述医疗数据源中的概念关键词以及各个概念关键词之间的关系关键词；
根据所述概念关键词以及所述关系关键词生成所述预设药物知识图谱，其中，所述概念节点信息包括所述概念关键词，所述关系信息包括所述关系关键词。
10.根据权利要求9所述的药嘱风险提示方法，其特征在于，所述根据预设知识格式获取所述医疗数据源中的概念关键词以及各个概念关键词之间的关系关键词，包括：
根据所述预设知识格式从第一类数据库中获取所述概念关键词；
根据所述预设知识格式从所述第一类数据库以及第二类数据库中获取所述关系关键词，其中，所述第一类数据库的预设第一置信度大于所述第二类数据库的预设第二置信度。
11.根据权利要求10所述的药嘱风险提示方法，其特征在于，在所述根据所述概念关键词以及所述关系关键词生成所述预设药物知识图谱之后，还包括：
确定所述预设药物知识图谱中知识信息的置信度，其中，所述知识信息为所述概念节点信息或所述关系信息；
将第一知识信息并入所述预设药物知识图谱，其中，所述第一知识信息为知识置信度大于或等于预设知识置信度的知识信息。
12.根据权利要求11所述的药嘱风险提示方法，其特征在于，在所述确定所述预设药物知识图谱中知识信息的置信度之后，还包括：
获取评价信息，所述评价信息用于评价第二知识信息的可靠性，所述第二知识信息为知识置信度小于所述预设知识置信度的知识信息；
根据所述评价信息确定是否将所述第二知识信息并入所述预设药物知识图谱。
13.根据权利要求12所述的药嘱风险提示方法，其特征在于，所述确定所述预设药物知识图谱中知识信息的知识置信度，包括：
根据所述知识信息所来源的数据库的预设置信度以及所述知识信息所来源的数据库的数量确定所述知识置信度。
14.根据权利要求13所述的药嘱风险提示方法，其特征在于，还包括：
获取待校验知识信息集合，所述待校验知识信息集合的待校验知识信息为所述第二知识信息；
根据所述待校验知识信息集合中的待校验知识信息确定集合整体准确率；
将所述集合整体准确率大于或等于预设准确率的待校验知识信息集合并入所述预设药物知识图谱。
15.根据权利要求14所述的药嘱风险提示方法，其特征在于，在所述根据所述待校验知识信息集合中的待校验知识信息确定集合整体准确率之后，还包括：
将所述集合整体准确率小于所述预设准确率的待校验知识信息集合拆分为多个待校验知识信息子集合；
根据所述待校验知识信息子集合中的待校验知识信息确定子集合整体准确率；
将所述子集合整体准确率大于或等于预设准确率的待校验知识信息子集合并入所述预设药物知识图谱。
16.根据权利要求13所述的药嘱风险提示方法，其特征在于，在所述根据所述概念节点集合以及所述概念节点集合中各概念节点之间的关系信息确定风险提示信息之后，还包括：
获取反馈指令，所述反馈指令为接受指令或者拒绝指令，所述接受指令用于接受所述风险提示信息，所述拒绝指令用于拒绝所述风险提示信息。
17.根据权利要求16所述的药嘱风险提示方法，其特征在于，在所述获取反馈指令之后，还包括：
当所述反馈指令为接受指令时，将知识信息的知识置信度增加第一数值，当所述反馈指令为拒绝指令时，将知识信息的知识置信度减少第二数值；
若所述知识信息的知识置信度小于预设知识置信度时，则无效所述知识信息，若所述知识信息的知识置信度大于或等于所述预设知识置信度时，则激活所述知识信息。
18.一种药嘱风险提示装置，其特征在于，包括：
信息获取模块，用于获取患者的临床信息，所述临床信息包括药嘱信息与诊断信息；
信息连接模块，用于获取所述临床信息在预设药物知识图谱中对应的概念节点集合，所述药物知识图谱包括概念节点信息以及各个概念节点之间的关系信息；
风险提示模块，用于根据所述概念节点集合以及所述概念节点集合中各概念节点之间的关系信息确定风险提示信息，所述风险提示信息用于标识所述药嘱信息中的药物使用风险。
19.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-17中任一项所述的方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-17中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910812596.8A CN110534168A (zh) | 2019-08-30 | 2019-08-30 | 药嘱风险提示方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910812596.8A CN110534168A (zh) | 2019-08-30 | 2019-08-30 | 药嘱风险提示方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110534168A true CN110534168A (zh) | 2019-12-03 |
Family
ID=68665459
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910812596.8A Pending CN110534168A (zh) | 2019-08-30 | 2019-08-30 | 药嘱风险提示方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110534168A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111125373A (zh) * | 2019-12-17 | 2020-05-08 | 东软集团股份有限公司 | 一种概念节点的生成方法、装置及相关产品 |
| CN111145845A (zh) * | 2019-12-20 | 2020-05-12 | 四川大学华西第二医院 | 基于区块链抗肿瘤药物分级管理及追踪用药依从性系统 |
| CN111192652A (zh) * | 2019-12-30 | 2020-05-22 | 北京左医健康技术有限公司 | 用药随访方法及用药随访装置 |
| CN112053760A (zh) * | 2020-08-12 | 2020-12-08 | 北京左医健康技术有限公司 | 用药指导方法、用药指导装置及计算机可读存储介质 |
| CN112402258A (zh) * | 2020-10-29 | 2021-02-26 | 阿里健康科技(杭州)有限公司 | 一种用药提醒方法和装置 |
| CN112541043A (zh) * | 2020-12-24 | 2021-03-23 | 北京明略软件系统有限公司 | 用于检测知识图谱节点连通性的方法及装置、设备 |
| CN112613313A (zh) * | 2020-12-28 | 2021-04-06 | 北京百度网讯科技有限公司 | 医嘱质控的方法、装置、设备、存储介质以及程序产品 |
| WO2022160614A1 (zh) * | 2021-01-29 | 2022-08-04 | 北京百度网讯科技有限公司 | 构建医学实体关系图的方法及装置、医嘱质控的方法及装置、设备、介质 |
| CN115101164A (zh) * | 2022-06-24 | 2022-09-23 | 杭州华卓信息科技有限公司 | 一种药物推荐方法和系统 |
| CN116978511A (zh) * | 2023-09-25 | 2023-10-31 | 字节星球科技(成都)有限公司 | 基于大语言模型的用药风险识别方法、装置及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106355627A (zh) * | 2015-07-16 | 2017-01-25 | 中国石油化工股份有限公司 | 一种用于生成知识图谱的方法及系统 |
| CN107341345A (zh) * | 2017-06-22 | 2017-11-10 | 厦门大学 | 一种基于电子病历大数据的临床合理用药风险评估方法 |
| CN108073988A (zh) * | 2017-06-21 | 2018-05-25 | 北京华宇元典信息服务有限公司 | 一种基于强化学习的法律认知方法、装置和介质 |
| CN108630322A (zh) * | 2018-04-27 | 2018-10-09 | 厦门大学 | 药物相互作用建模与风险评估方法、终端设备及存储介质 |
| CN108681811A (zh) * | 2018-05-09 | 2018-10-19 | 北京慧听科技有限公司 | 一种去中心化的数据生态系统 |
| CN109271531A (zh) * | 2018-11-16 | 2019-01-25 | 苏州友教习亦教育科技有限公司 | 基于运维知识图谱的数据管理中心 |
-
2019
- 2019-08-30 CN CN201910812596.8A patent/CN110534168A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106355627A (zh) * | 2015-07-16 | 2017-01-25 | 中国石油化工股份有限公司 | 一种用于生成知识图谱的方法及系统 |
| CN108073988A (zh) * | 2017-06-21 | 2018-05-25 | 北京华宇元典信息服务有限公司 | 一种基于强化学习的法律认知方法、装置和介质 |
| CN107341345A (zh) * | 2017-06-22 | 2017-11-10 | 厦门大学 | 一种基于电子病历大数据的临床合理用药风险评估方法 |
| CN108630322A (zh) * | 2018-04-27 | 2018-10-09 | 厦门大学 | 药物相互作用建模与风险评估方法、终端设备及存储介质 |
| CN108681811A (zh) * | 2018-05-09 | 2018-10-19 | 北京慧听科技有限公司 | 一种去中心化的数据生态系统 |
| CN109271531A (zh) * | 2018-11-16 | 2019-01-25 | 苏州友教习亦教育科技有限公司 | 基于运维知识图谱的数据管理中心 |
Non-Patent Citations (1)
| Title |
|---|
| 李德毅: "《中国科学技术出版社》", 31 August 2018 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111125373B (zh) * | 2019-12-17 | 2023-08-08 | 东软集团股份有限公司 | 一种概念节点的生成方法、装置及相关产品 |
| CN111125373A (zh) * | 2019-12-17 | 2020-05-08 | 东软集团股份有限公司 | 一种概念节点的生成方法、装置及相关产品 |
| CN111145845A (zh) * | 2019-12-20 | 2020-05-12 | 四川大学华西第二医院 | 基于区块链抗肿瘤药物分级管理及追踪用药依从性系统 |
| CN111192652A (zh) * | 2019-12-30 | 2020-05-22 | 北京左医健康技术有限公司 | 用药随访方法及用药随访装置 |
| CN112053760A (zh) * | 2020-08-12 | 2020-12-08 | 北京左医健康技术有限公司 | 用药指导方法、用药指导装置及计算机可读存储介质 |
| CN112402258A (zh) * | 2020-10-29 | 2021-02-26 | 阿里健康科技(杭州)有限公司 | 一种用药提醒方法和装置 |
| CN112402258B (zh) * | 2020-10-29 | 2023-10-27 | 阿里健康科技(杭州)有限公司 | 一种用药提醒方法和装置 |
| CN112541043A (zh) * | 2020-12-24 | 2021-03-23 | 北京明略软件系统有限公司 | 用于检测知识图谱节点连通性的方法及装置、设备 |
| CN112613313A (zh) * | 2020-12-28 | 2021-04-06 | 北京百度网讯科技有限公司 | 医嘱质控的方法、装置、设备、存储介质以及程序产品 |
| CN112613313B (zh) * | 2020-12-28 | 2024-03-12 | 北京百度网讯科技有限公司 | 医嘱质控的方法、装置、设备、存储介质以及程序产品 |
| WO2022160614A1 (zh) * | 2021-01-29 | 2022-08-04 | 北京百度网讯科技有限公司 | 构建医学实体关系图的方法及装置、医嘱质控的方法及装置、设备、介质 |
| CN115101164A (zh) * | 2022-06-24 | 2022-09-23 | 杭州华卓信息科技有限公司 | 一种药物推荐方法和系统 |
| CN116978511A (zh) * | 2023-09-25 | 2023-10-31 | 字节星球科技(成都)有限公司 | 基于大语言模型的用药风险识别方法、装置及存储介质 |
| CN116978511B (zh) * | 2023-09-25 | 2023-12-12 | 字节星球科技(成都)有限公司 | 基于大语言模型的用药风险识别方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110534168A (zh) | 药嘱风险提示方法、装置、电子设备及存储介质 | |
| Jagannatha et al. | Overview of the first natural language processing challenge for extracting medication, indication, and adverse drug events from electronic health record notes (MADE 1.0) | |
| CN111753543B (zh) | 药物推荐方法、装置、电子设备及存储介质 | |
| US10755804B2 (en) | Health information system for searching, analyzing and annotating patient data | |
| US8700589B2 (en) | System for linking medical terms for a medical knowledge base | |
| Liu et al. | A research framework for pharmacovigilance in health social media: identification and evaluation of patient adverse drug event reports | |
| Degoulet et al. | Introduction to clinical informatics | |
| JP2021007031A (ja) | 電子診療レコードからの医学的状態および事実の自動的特定および抽出 | |
| Ball et al. | TextHunter–a user friendly tool for extracting generic concepts from free text in clinical research | |
| US11847411B2 (en) | Obtaining supported decision trees from text for medical health applications | |
| US20150324547A1 (en) | Methods and systems for pharmaceutical prescription authorization rules generation | |
| Deleger et al. | Preparing an annotated gold standard corpus to share with extramural investigators for de-identification research | |
| Park et al. | Automatically detecting failures in natural language processing tools for online community text | |
| US12106054B2 (en) | Multi case-based reasoning by syntactic-semantic alignment and discourse analysis | |
| CN112528660A (zh) | 处理文本的方法、装置、设备、存储介质和程序产品 | |
| Dynomant et al. | Word embedding for the French natural language in health care: comparative study | |
| Tang et al. | Detecting adverse drug reactions in discharge summaries of electronic medical records using Readpeer | |
| Collen | Computer medical databases: the first six decades (1950–2010) | |
| CN114765075A (zh) | 药品推荐方法、装置及系统、电子设备及存储介质 | |
| CN114139546A (zh) | 使用语法树集合之间的差异和语义树集合之间的差异制定问题 | |
| Schmidt et al. | A novel tool for the identification of correlations in medical data by faceted search | |
| Fairie et al. | Categorising patient concerns using natural language processing techniques | |
| CN112115697A (zh) | 用于确定目标文本的方法、装置、服务器以及存储介质 | |
| Weng et al. | Clinical text summarization with syntax-based negation and semantic concept identification | |
| Li et al. | A scoping review of using Large Language Models (LLMs) to investigate Electronic Health Records (EHRs) |
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 |