CN110689939A - 一种用药序列的推荐方法、装置、可读介质及电子设备 - Google Patents
一种用药序列的推荐方法、装置、可读介质及电子设备 Download PDFInfo
- Publication number
- CN110689939A CN110689939A CN201910798203.2A CN201910798203A CN110689939A CN 110689939 A CN110689939 A CN 110689939A CN 201910798203 A CN201910798203 A CN 201910798203A CN 110689939 A CN110689939 A CN 110689939A
- Authority
- CN
- China
- Prior art keywords
- data
- medication
- sequence
- historical
- medicine
- 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 559
- 229940079593 drug Drugs 0.000 title claims abstract description 401
- 238000000034 method Methods 0.000 title claims abstract description 57
- 206010067484 Adverse reaction Diseases 0.000 claims abstract description 101
- 230000006838 adverse reaction Effects 0.000 claims abstract description 101
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 64
- 201000010099 disease Diseases 0.000 claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 12
- 208000030453 Drug-Related Side Effects and Adverse reaction Diseases 0.000 claims description 31
- 238000012795 verification Methods 0.000 claims description 27
- 206010061623 Adverse drug reaction Diseases 0.000 claims description 26
- 238000012360 testing method Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 12
- 238000010200 validation analysis Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 description 29
- 208000031226 Hyperlipidaemia Diseases 0.000 description 27
- 239000003524 antilipemic agent Substances 0.000 description 19
- 238000007689 inspection Methods 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 14
- 238000007418 data mining Methods 0.000 description 12
- 230000002159 abnormal effect Effects 0.000 description 11
- 208000024891 symptom Diseases 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 201000005577 familial hyperlipidemia Diseases 0.000 description 7
- 230000002411 adverse Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 6
- 239000002184 metal Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000002483 medication Methods 0.000 description 4
- 208000008964 Chemical and Drug Induced Liver Injury Diseases 0.000 description 3
- 206010072268 Drug-induced liver injury Diseases 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 201000008865 drug-induced hepatitis Diseases 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 208000030507 AIDS Diseases 0.000 description 2
- 108090000340 Transaminases Proteins 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 150000002632 lipids Chemical class 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 230000003908 liver function Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 102000014898 transaminase activity proteins Human genes 0.000 description 2
- 102100036475 Alanine aminotransferase 1 Human genes 0.000 description 1
- 108010082126 Alanine transaminase Proteins 0.000 description 1
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 208000026350 Inborn Genetic disease Diseases 0.000 description 1
- 206010057190 Respiratory tract infections Diseases 0.000 description 1
- 206010046306 Upper respiratory tract infection Diseases 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000000202 analgesic effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000586 desensitisation Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000000890 drug combination Substances 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 208000016361 genetic disease Diseases 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000002440 hepatic effect Effects 0.000 description 1
- 208000006454 hepatitis Diseases 0.000 description 1
- 231100000283 hepatitis Toxicity 0.000 description 1
- 208000024557 hepatobiliary disease Diseases 0.000 description 1
- 230000000055 hyoplipidemic effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 208000020029 respiratory tract infectious disease Diseases 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 210000002700 urine Anatomy 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
- 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)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Medicinal Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种用药序列的推荐方法、装置、可读介质及电子设备，方法包括：确定特定疾病的历史患者对应的历史用药数据；根据所述历史用药数据，确定所述历史用药数据对应的第一用药序列及所述第一用药序列对应的不良药物集；根据所述历史用药数据及所述第一用药序列进行训练，建立用药序列模型，并将当前患者的待预测数据代入所述用药序列模型中，获得所述当前患者的第二用药序列；根据所述第一用药序列对应的不良反应药物集对所述当前患者的第二用药序列进行处理，以确定推荐用药序列。通过本发明的技术方案，考虑当前患者的实际数据及历史患者的不良反应药物集，能够得到更具有医学价值的推荐用药序列。
Description
技术领域
本发明涉及医疗数据挖掘技术领域，尤其涉及一种用药序列的推荐方法、装置、可读介质及电子设备。
背景技术
在实际医院诊疗过程中，对于同一患者，医生为患者开药时多属于尝试用药的状态，如果患者用药后发生了相应的不良反应，医生再为患者更换药物，但是，由于医院存在患者多医生少的情况，可能导致每次为患者开药的医生不同，导致为患者开药的医生很难及时掌握患者的用药及换药情况，而随着大数据技术及“互联网+”的迅速发展，利用计算机技术手段建立用药推荐系统，以便辅助用药决策及推荐用药已经引起关注。
目前，用药推荐系统主要根据患者症状的权重，药物与患者症状之间的匹配关系，为患者推荐药物。
但是，上述用药推荐系统的过程中未使用患者的历史用药数据，也没有考虑患者的药物不良反应(药物不良反应(Adverse Drug Reactions,简称ADR)是指在使用常用剂量的药物过程中，因药物本身的作用或药物之间的相互作用产生的与用药目的无关的而又不利于病人的各种反应)，导致为患者推荐的药物不能更为有效的治疗患者的疾病。
发明内容
本发明提供了一种用药序列的推荐方法、装置、可读介质及电子设备，考虑当前患者的实际数据及历史患者的不良反应药物集，能够得到更具有医学价值的推荐用药序列。
第一方面，本发明提供了一种用药序列的推荐方法，包括：
确定特定疾病的历史患者对应的历史用药数据；
根据所述历史用药数据，确定所述历史用药数据对应的第一用药序列及所述第一用药序列对应的不良药物集；
根据所述历史用药数据及所述第一用药序列进行训练，建立用药序列模型，并将当前患者的待预测数据代入所述用药序列模型中，获得所述当前患者的第二用药序列；
根据所述第一用药序列对应的不良反应药物集对所述当前患者的第二用药序列进行处理，以确定推荐用药序列。
优选地，
所述确定特定疾病的历史患者对应的历史用药数据，包括：
根据历史患者的患者标识，对结构化医疗数据进行数据归类；
从所述归类的结构化医疗数据中确定特定疾病的历史患者对应的历史用药数据。
优选地，
所述历史用药数据包括历史患者对应的基础信息、诊断数据、检查数据、检验数据、药物信息及用药时间。
优选地，
所述根据所述历史用药数据，确定所述历史用药数据对应的第一用药序列及所述第一用药序列对应的不良药物集，包括：
获取所述历史用药数据对应的第一用药序列；
根据所述历史用药数据，确定至少一个用药更换时间点，并确定每个所述用药更换时间点之前的预设时段的验证数据；
根据各个所述验证数据，确定所述历史用药数据中第一用药序列对应的不良反应药物集。
优选地，
所述验证数据集包括诊断数据、检查数据及检验数据中任意一类或多类。
优选地，
当所述验证数据与预设药物说明书中的药物不良反应内容匹配时，将所述验证数据对应的药物确定为第一类不良反应药物，并将所述第一类不良反应药物加入所述不良反应药物集中；
当所述验证数据与预设药物说明书中的药物不良反应内容不匹配时，将所述验证数据对应的药物确定为第二类不良反应药物，并将所述第二类不良反应药物加入所述不良反应药物集中。
优选地，
所述根据所述历史用药数据及所述第一用药序列进行训练，建立用药序列模型，包括：
训练所述历史用药数据及所述第一用药序列，以获得所述历史用药数据与所述第一用药序列之间的函数关系，通过所述函数关系建立用药序列模型。
第二方面，本发明提供了一种用药序列的推荐装置，包括：
数据确定模块，用于确定特定疾病的历史患者对应的历史用药数据；
药物集确定模块，用于根据所述历史用药数据，确定所述历史用药数据对应的第一用药序列及所述第一用药序列对应的不良药物集；
第一序列确定模块，用于根据所述历史用药数据及所述第一用药序列进行训练，建立用药序列模型，并将当前患者的待预测数据代入所述用药序列模型中，获得所述当前患者的第二用药序列；
第二序列确定模块，用于根据所述第一用药序列对应的不良反应药物集对所述当前患者的第二用药序列进行处理，以确定推荐用药序列。
第三方面，本发明提供了一种可读介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述处理器执行如第一方面中任一所述的方法。
第四方面，本发明提供了一种电子设备，包括处理器以及存储有执行指令的存储器，当所述处理器执行所述存储器存储的所述执行指令时，所述处理器执行如第一方面中任一所述的方法。
本发明提供了一种用药序列的推荐的方法、装置、可读介质及电子设备，该方法通过确定特定疾病的历史患者的历史用药数据，并确定历史用药数据对应的第一用药序列及第一用药序列对应的不良反应药物集，以便于后续的分析研究，基于数据挖掘技术，对历史用药数据及第一用药序列进行分析训练，获得用药序列模型，该用药序列模型能够结合当前患者实际的身体指标数据，获得当前患者的第二用药序列，此时，得到的第二用药序列未考虑当前患者的不良反应，具有的医学价值较小，通过历史患者的第一用药序列对应的不良反应药物集对当前患者的第二用药序列进行处理，以确定当前患者的推荐用药序列，得到的推荐用药序列结合了当前患者的实际数据及历史患者的不良反应药物集，能够更为准确的反映出当前患者对于治疗特定疾病的各个药物的使用顺序，以便科学的辅助用药决策。可见，本实施例中有效的利用了历史患者对应的历史用药数据，考虑当前患者的实际数据及历史患者的不良反应药物集，相较于传统的用药推荐系统，能够得到更具有医学价值的推荐用药序列。
上述的非惯用的优选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
为了更清楚地说明本发明实施例或现有的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种用药序列的推荐方法的流程示意图；
图2为本发明一实施例提供的又一种用药序列的推荐方法的流程示意图；
图3为本发明一实施例提供的一种用药序列的推荐装置的结构示意图；
图4为本发明一实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
前述已知，传统医学领域利用用药推荐系统为患者推荐用药，往往是根据药物与患者症状之间的匹配关系，或/和患者症状的权重，更多的关注患者症状与药物之间的关系。本发明则基于数据挖掘技术进行建模及挖掘历史患者的不良反应，并利用模型预测当前患者的第二用药序列，通过挖掘历史患者的第一用药序列对应的不良反应药物集对当前患者的第二用药序列进行处理，从而确定更具有医学价值的推荐用药序列。所以相对于传统方法，本发明的用药序列的推荐方法结合了当前患者的待预测数据及历史患者的第一用药序列及不良反应药物集，能够为当前患者确定医学价值更高的推荐用药序列。
参照图1所示，为本发明所述用药序列的推荐方法的一个具体实施例。本实施例中所述方法包括以下步骤：
101、确定特定疾病的历史患者对应的历史用药数据。
随着计算机技术的发展，医疗数据的数量呈现爆发式的增长，急需将海量的医疗数据快速而准确的转变成有用的医学知识及可用信息，从而可将获取的医学知识及可用信息广泛的应用于各类医学应用实践中，而数据挖掘作为数据库与人工智能交叉融合的高端信息处理技术，逐渐引起医学领域的关注，而随着医学信息技术的不断成熟，现代医疗与数据挖掘的结合越来越紧密，通过借助现代信息处理技术，获得隐藏在医疗数据中有价值的医学知识，并以该医学知识为基础以辅助用药决策越来越重要，信息的数字化及自动化已经成为推荐用药的重要工具。
特定疾病具体指的是当前患者患有的疾病。基于数据挖掘技术，确定特定疾病的历史患者对应的历史用药数据，可快速准确的挖掘与当前患者有关的用药信息，以便确定当前患者的推荐用药序列以辅助用药决策。显而易见地，数据量是保证数据挖掘精度的基础，历史患者为多个，这些历史患者为患有特定疾病的患者，当然，当前患者也可能在以前患有该特定疾病，此时的当前患者的历史用药数据是非常具有参考价值的，不可忽略。
历史用药数据具体指的是历史患者的医疗数据及医药数据，通过综合分析历史患者的医疗数据及医药数据，能够更为准确的挖掘历史患者的医学知识，确保分析结果的准确合理。在这里，历史患者的身体指标数据发生变化时，通过医疗机构的设备或者医生可以检查、检验及诊断当前患者的身体指标数据，因此，历史用药数据集反映出历史患者实际的身体指标数据。
102、根据所述历史用药数据，确定所述历史用药数据对应的第一用药序列及所述第一用药序列对应的不良药物集。
第一用药序列包括特定疾病对应的多个药物和多个药物的使用顺序。在这里，考虑到药物的多样性及各个历史患者的患病原因的复杂性，为了更为全面挖掘特定疾病的有用信息，特定疾病对应的多个药物应当包括能够治疗该特定疾病的所有药物或者大部分药物，且第一用药序列中的特定疾病对应的多个药物不改变，考虑到各个历史患者的身体指标数据的差异，每个历史患者对应的第一用药序列中的用药顺序存在差异，可通过经验丰富的医者确定各个历史患者对应的用药顺序。综上，通过考虑治疗特定疾病的多个药物及历史患者的用药顺序的差异，能够更为准确的挖掘隐藏在历史用药数据中的有价值的用药信息。
而随着药物种类的增加及计算机技术的发展，医疗机构等卫生机构通常建立药物管理系统，药物管理系统中通常会记录药物种类、药物功效、药物位置、药物数量等信息。考虑到医者掌握的医学知识的有限性，通过医者人工的选择特定疾病的多个药物可能不够全面，可通过确定治疗特定疾病的药物的功效，在医院药物管理系统中查询该功效对应的药物集，即可将该药物集中的多个药物确定为特定疾病的多个药物，通过医药管理系统能够更为全面的确定特定疾病对应的药物集。
当历史患者患有特定疾病时，通常需要服用药物以治疗该特定疾病，实际上，由于当前患者自身的情况(比如，身高、体重、性别、年龄、遗传基因、环境、食物、吸烟、合并用药、病程长短、器官功能)不同及治疗特定疾病的不同药物的药物成分的差异，历史患者对于治疗特定疾病的不同药物的敏感性可能存在较大的差异，若历史患者服用的药物不合理，则很容易引起不良反应，因此，在为当前患者推荐用药序列，即治疗特定疾病的多个药物的用药顺序时，需要结合历史患者实际的身体指标数据及历史患者对应的不良反应，以便为当前患者确定医学价值更高的推荐用药序列。在这里，结合历史患者的用药数据，确定历史患者的不良反应，并将该不良反应对应药物加入不良反应药物集中即可。
103、根据所述历史用药数据及所述第一用药序列进行训练，建立用药序列模型，并将当前患者的待预测数据代入所述用药序列模型中，获得所述当前患者的第二用药序列。
对各个历史患者对应的第一用药序列及对应的历史用药数据进行训练，可建立用药序列模型，该用药序列模型综合考虑了各个历史患者的历史用药数据，以使该用药序列模型可更为准确的确定当前患者的第二用药序列。
将当前患者的待预测数据代入用药序列模型，在一种可能的实现方式中，该用药序列模型能够根据当前患者的待预测数据，挖掘出与当前患者的待预测数据最接近的历史用药数据，并将该历史用药数据对应的第一用药序列作为第二用药序列输出；在另一种可能的实现的方式中，该用药序列模型能够根据当前患者的待预测数据，挖掘出与当前患者的待预测数据最接近的多个历史用药数据，并对这些历史用药数据及其对应的第一用药序列进行分许比较，以重新确定第二用药序列。
104、根据所述第一用药序列对应的不良反应药物集对所述当前患者的第二用药序列进行处理，以确定推荐用药序列。
通过用药序列模型获得的当前患者的第二用药推荐序列，该第二用药推荐序列分析比较了历史患者的历史用药数据，未考虑历史患者的不良反应，导致第二用药推荐序列的参考价值较低，此时，根据各个第一用药序列对应的不良反应药物集对当前患者的第二用药序列进行处理，以确定推荐用药序列，确定的推荐用药序列因综合考虑了当前患者的待预测数据与历史患者的历史用药数据及历史患者的药物不良反应，而具有较高的医学价值，可通过该推荐用药序列的辅助医生进行用药决策。
结合步骤3的用药序列模型的挖掘方法，当前患者的第二用药序列与某一历史患者的第一用药序列相同时，根据该第一用药序列对应的不良反应药物集对第二用药序列进行处理即可，比如，删除第二用药序列中存在的第一用药序列对应的不良反应药物集中的药物。当前患者的第二用药序列为分析比较了多个历史患者的第一用药序列时，可根据多个第一用药序列对应的不良反应药物集对第二用药序列进行处理。
通过以上技术方案可知，本实施例所述方法具备的有益效果是：通过确定特定疾病的历史患者的历史用药数据，以便于后续分析，结合历史患者的历史用药数据，较为准确的确定历史患者对应的第一用药序列，基于数据挖掘技术，挖掘历史患者的历史用药数据，以确定历史患者的不良反应集，之后，结合历史用药数据及其对应的第一用药序列，确定精度较高的特定疾病的用药数据模型，将当前患者的待预测数据代入该用药序列模型中，通过对历史用药数据的分析比较，获得当前患者的第二用药序列。为了科学合理的用药，综合考虑历史患者的历史用药数据及不良反应药物集，通过第一用药序列对应的不良反应药物集对第二用药序列进行处理，得到医学价值较高的推荐用药序列，以便辅助医生科学合理进行用药决策。
图1所示仅为本发明所述方法的基础实施例，在其基础上进行一定的优化和拓展，还能够得到所述方法的其他优选实施例。
如图2所示，为本发明用药序列的推荐方法的另一个具体实施例。本实施例将在图1所示实施例的基础上，进行更为详细的公开和扩展。为便于解释和说明，本实施例将结合以下的具体场景进行阐述。当然应该认为，在其他有关的场景下，本实施例所述方法亦同样适用。
本实施例所结合的具体场景为：根据高血脂患者的待预测数据，确定该高血脂患者的推荐用药序列，高血脂患者的待预测数据包括高血脂患者的基础信息、检查数据、检验数据、诊断数据。本实施例所述方法的目的在于，结合患者实际的身体指标数据，自动挖掘药物不良反应，确定患者的推荐用药序列。
步骤201、根据历史患者的患者标识，对结构化医疗数据进行数据归类。
随着医疗系统信息化的建立和完善，越来越多的非结构化医疗数据(手写病历、检查检验报告、医嘱等)经电子录入转化为结构化医疗数据(数据结构明确、内容经整理可有效存储和处理的医学数据)，由于非结构化医疗数据中通常包含敏感信息(姓名、手机号码、身份证号、家庭住址等)，为了防止敏感信息泄露，在对非结构化数据进行结构化处理时，需要对非结构化医疗数据进行脱敏处理。结构化医疗数据包括但不限于患者基础信息、诊断病例、病史、大量检验检查结果、临床信息及用药信息，结构化医疗数据包括海量的历史患者，这些历史患者患有不同的疾病。
结构化医疗数据拥有海量的历史患者的历史用药数据，为了后续对结构化医疗数据进行分析处理，需要将结构化医疗数据进行归类，具体通过历史患者的患者标识来对历史患者的结构化医疗数据进行归类，即将同一历史患者的结构化医疗数据划为一类，患者标识可以根据实际需要进行选择，例如可以是患者的身份证号码、医院识别号码、电子病历等。由于上述患者标识均是唯一的，因此可以将与同一患者标识相对应的患者的结构化医疗数据进行归类。
步骤202、从所述归类的结构化医疗数据中确定特定疾病的历史患者对应的历史用药数据。
结构化医疗数据的数据量庞大，为了更为快速准确的对特定疾病进行用药序列的推荐研究，减少不必要的数据影响，通过从归类的海量的结构化医疗数据中确定特定疾病的历史患者的用药数据，从而保证了特定疾病的历史用药数据的数据量，进而减少数据分析过程中出现偏差的概率，保证分析结果的准确合理，同时，通过对多维度的历史用药数据进行系统整合、比较和分析，从而能够对用药序列的推荐具有更为深入的了解。
历史用药数据包括但不限于历史患者对应的患者基础信息、诊断数据、检查数据、检验数据、药物信息(比如，药物说明书)、用药时间等，需要说明的是，历史用药数据来自用于记录患者的基础信息的患者信息表，用于记录患者检查结果的检查表，用于记录患者检验结果的检验表，用于记录患者诊断结果的诊断表，用于记录患者用药信息的用药医嘱表，药物说明书。患者基础信息来自患者信息表中若干个项目(比如，身高、体重、家族遗传病史等)及其对应的数据，，检查数据来自检查表中若干个检查项目(比如，妇科检查、腹部检查等)及其对应的数据，检验数据来自检验表中若干个检验项目(比如，尿常规检验、肝功能检验等)及其对应的数据，诊断数据来自诊断表中的诊断结果及其对应的数据，诊断结果对应的数据记录了患者的病症、疾病的类型、患病原因及治疗方法等，用药时间来自用药医嘱表记录的患者服用药物时的用药开始时间，如果用药医嘱表中记录有药物的用药结束时间，用药时间也包含患者服用药物时的用药结束时间。
举例来说，从归类的结构化医疗数据集中确定历史高血脂患者的历史用药数据，历史用药数据包括历史高血脂患者的基础信息、检查表中的检查指标对应的检查数据、检验表中的检验指标对应的检验数据、诊断表中对应的诊断数据、医生为高血脂患者开药的用药时间、高血脂患者服用药物的药物说明书，这里，历史用药数据对应的历史高血脂患者在治疗疾病的过程中，可能会多次去医院开药检查以随时确定历史高血脂患者的身体情况，因此，历史用药数据之间存在时间关联。当前患者也可能存在历史用药数据。
步骤203、获取所述历史用药数据对应的第一用药序列。
举例来说，治疗高血脂疾病的药物为降血脂药物，有经验的医者通过分析历史高血脂患者对应的历史用药数据及用药习惯，为历史高血脂患者确定了多个降血脂药物对应的用药顺序，将多个降血脂药物对应的用药顺序确定为该历史患者对应的第一用药序列即可。
步骤204、根据所述历史用药数据，确定至少一个用药更换时间点，并确定每个所述用药更换时间点之前的预设时段的验证数据。
历史患者在患有特定疾病时，历史患者会到医疗机构进行检查、检验等以确定身体指标数据，医生会根据历史患者的症状、检查结果、检验结果以确定诊断结果，为历史患者推荐药物以治疗特定疾病时，历史患者在服用药物期间，如果未产生较好的疾病治疗效果、身体不适或者产生其他异常症状，历史患者通常会更换药物以更好的治疗疾病，因此，可以以用药更换时间点为界限，判断药物更换原因，以此来确定历史患者是否在服用药物期间发生了不良反应。
根据历史用药数据中的药物名称及用药时间，可确定若干个用药更换时间点，用药更换时间点具体指的是在历史患者在连续治疗过程中，历史患者使用的同一功效的药物从一种药物变为另一种药物的时间点。
举例来说，以一个历史高血脂患者为例，历史高血脂患者在ti时刻之前服用降血脂药物A，在ti时刻之后服用了降血脂药物B，而降血脂药物A和降血脂药物B的药物名称不同，则可确定ti时刻为历史高血脂患者的用药更换时间点。若历史高血脂患者在tn时刻之前服用降血脂药物C，在tn+m时刻之后服用降血脂药物D，降血脂药物C和降血脂药物D的药物名称不同，考虑到患者不是连续用药，在tn时刻及tn+m时刻之间的历史高血脂患者的身体指标数据可能会发生较大的改变，因此无法断定历史高血脂患者的药物更换原因，因此，为了更为准确的确定历史高血脂患者的药物更换原因，以便确保推荐用药序列的准确性及合理性，则tn时刻不作为历史高血脂患者的用药更换时间点。
基于数据挖掘技术，针对每个历史患者进行同样的操作，以挖掘每个历史患者对应的不良反应集，以一个历史患者为例，历史患者在治疗特定疾病的疗程中时，可能会多次更换药物以更好的治疗特定疾病，因此，一个历史患者对应若干个用药更换时间点，历史患者的患病原因的复杂性及治疗过程中实际的身体指标数据的变化均为影响药物功效，导致历史患者每次更换药物的原因均可能不同，因此，需要确定历史患者每次更换药物的药物更换原因，以便更为准确的确定历史患者是否再服用药物期间发生了不良反应。
若历史患者在服用药物期间发生了不良反应，历史患者在身体指标数据会在服用药物期间发生相应的改变，通过医疗机构的设备或/和医生能够检查、检验或/和诊断出历史患者的异常身体指标，即检查指标对应的检查数据及检验指标对应的检验数据可能超过正常值，诊断数据中可能存在异常标识，比如，药物性，药物所致等标识，导致检查数据、检验数据及诊断结果存在异常，因此，合理设置用药更换时间点之前的预设时段，将该预设时段的患者的身体指标数据确定为验证数据，可更为准确的判断患者用药更换的原因。对于历史患者的每个用药更换时间点，可将用药更换时间点之前的预设时段(比如，一个月)对应的历史用药数据，确定为验证数据，或者，从用药更换时间点之前的预设时段(比如，一个月)对应的历史用药数据中，针对的选择数据(比如，检查数据、检验数据、诊断数据等)确定为验证数据，验证数据通常包括验证数据包括检查数据、检验数据及诊断数据中任意一类或多类，显而易见的，检查数据、检验数据及诊断数据是不同类别的数据。
举例来说，预设时段为一个月，历史高血脂患者对应有三个用药更换时间点，三个用药更换时间点分别为T1、T2、T3，为方便区分，将T1之前一个月的检查数据、检验数据及诊断数据确定为第一验证数据集，将T2之前一个月的检查数据、检验数据及诊断数据确定为第二验证数据集，将T3之前一个月的检查数据、检验数据及诊断数据确定为第三验证数据集。
步骤205a、当所述验证数据与预设药物说明书中的药物不良反应内容匹配时，将所述验证数据对应的药物确定为第一类不良反应药物，并将所述第一类不良反应药物加入所述不良反应药物集中。
历史患者在服用药物的期间产生的身体不适或者其他症状，可认为患者在服用药物期间发生了不良反应。适应证、药理、病理复杂，导致写在药物说明书中的不良反应可能跟药物或者药物治疗的特定疾病没有关系，对于特定疾病而言，患者服用药物期间可能会产生和特定疾病本身表现不相符的不良反应(比如，治疗艾滋病的药物具有“上呼吸道感染”的不良反应事件，但实际上艾滋病患者本身就特别容易患此病)，还可能由于历史患者自身的情况，导致不良反应的产生(一种止痛药的不良反应中出现了“乳腺癌”，可能是由于患者本身就具有该疾病，和药物本身没有任何关系)，考虑到上述情况，不良反应的产生可能跟历史患者服用的药物有关，也可能和历史患者自身的情况有关。
通过验证数据与预设药物说明书的药物不良反应内容之间的匹配关系可确定历史患者的用药更换的原因，药物说明书中记录有多个类别(比如，药物名称、成份、功能主治、注意事项、禁忌、不良反应等)分别对应的内容，这些类别中的不良反应对应的内容即为药物不良反应内容，具体地，通过检测检查数据和/或检验数据是否满足预设阈值以及检测诊断数据中是否含有预设标识(预设标识包括但不限于药物性和/或药物所致等文字，预设标识主要根据药物说明书中的不良反应内容确定的，举例来说，治疗高血脂的降血脂药物说明书中的药物不良反应内容中出现了肝炎，则预设标识可以包括药物性肝炎)，以判断历史患者是否在服用药物期间发生了异常情况，如果是，则判断历史患者在服用药物期间发生了不良反应，进一步，需要确定历史患者发生不良反应的类型及原因，在这里，通过将检查数据对应的异常检查指标、检验数据对应异常检验指标及包含预设标识的诊断数据与预设药物说明书中的药物不良反应内容进行匹配，匹配规则已经设定，以便确定不良反应的类型及不良反应产生的原因，对于能够与预设药物说明书中的药物不良反应内容匹配的，则可确定历史患者因服用药物而产生了药物不良反应，将不良反应的类型确定为第一类不良反应，将历史患者服用的药物确定为第一类不良反应药物，并将第一类不良反应药物加入该历史患者对应的不良反应药物集，否则，可认为患者可能因为自身原因或者其他不明原因产生了不良反应，不能准确地确定历史患者的药物更换原因，将不良反应的类型确定为第二类不良反应，将历史患者服用的药物确定为历史患者的第二类不良反应药物，并将第二类不良反应药物加入历史患者对应的不良反应药物集中。第一类不良反应为确定不良反应，第一类不良反应药物为确定不良反应药物。第二类不良反应为疑似不良反应，第二类不良反应药物为疑似不良反应药物。
举例来说，历史高血脂患者在T时刻更换降血脂药物A为降血脂药物B，将T时刻之前一个月历史高血脂患者对应的检查数据、检验数据及诊断数据确定为验证数据，之后，检测检查数据和/或检验数据是否满足其对应的正常阈值，和/或诊断数据中是否含有药物性肝炎和/或药物所致等预设标识，当检测到肝功检测的丙氨酸氨基转移酶大于正常阈值，可确定历史高血脂患者因服用降血脂药物A而产生了不良反应，当这一异常检验指标能够与降血脂药物A的预设药物说明书的药物不良反应内容(比如，药物说明书中不良反应对应的内容包括肝胆系统疾病(肝转氨酶升高))匹配，则可确定历史高血脂患者因为服用降血脂药物A而产生了确定的不良反应，将该类不良反应确定为第一类不良反应，则确定降血脂药物A为历史高血脂患者对应的第一类不良反应药物，并将第一类不良反应药物加入到该历史高血脂患者对应的不良反应药物集中。
步骤205b、当所述验证数据与预设药物说明书中的药物不良反应内容不匹配时，将所述验证数据对应的药物确定为第二类不良反应药物，并将所述第二类不良反应药物加入所述不良反应药物集中。
举例来说，历史高血脂患者在t时刻更换降血脂药物C为降血脂药物D，将t时刻之前一个月历史高血脂患者对应的检查数据、检验数据及诊断数据确定为验证数据，之后，检测检查数据和/或检验数据是否满足其对应的正常阈值，和/或诊断数据中是否含有药物性肝炎和/或药物所致等预设标识，当检测到指标X对应的检验数据大于正常阈值，则判断历史高血脂患者因服用了降血脂药物C而产生了不良反应，当这一异常检验指标X未能与降血脂药物C的预设药物说明书的药物不良反应内容(比如，药物说明书中不良反应对应的内容包括肝胆系统疾病(肝转氨酶升高))匹配，则不能准确的确定历史高血脂患者产生不良反应的原因，将该类不良反应确定为第二类不良反应，则降血脂药物 C为历史高血脂患者对应的第二类不良反应药物，并将第二类不良反应药物加入到该历史高血脂患者对应的不良反应药物集中。
步骤206、训练所述历史用药数据及所述第一用药序列，以获得所述历史用药数据与所述第一用药序列之间的函数关系，通过所述函数关系建立用药序列模型。
历史用药数据背后隐藏着大量有价值的用药信息，随着数据挖掘技术及计算机技术的普及，通过对特定疾病的历史用药数据进行数据挖掘，能够获取有价值的用药信息。
具体地，以特定疾病的多个药物对应的用药顺序作为目标值，历史用药数据中的患者基础信息、检查数据、检验数据、诊断数据作为特征，输入到机器学习模型中进行训练，训练好的模型即为用药序列模型。比如，训练每个历史高血脂患者分别对应的基础信息、检查数据、检验数据、诊断数据及第一用药序列，以获取高血脂疾病对应的用药序列模型。
步骤207、将当前患者的待预测数据代入所述用药序列模型中，获得所述当前患者的第二用药序列。
举例来说，将当前高血脂患者的基础信息、检查数据、检验数据、诊断数据输入到用药序列模型中，用药序列模型自动输出当前高血脂患者的第二用药序列，在这里，用药序列模型能够挖掘与当前高血脂患者的基础信息、检查数据、检验数据、诊断数据最为接近的历史用药数据，并将该历史用药数据对应的第一用药序列确定为当前患者的第二用药序列。
步骤208、根据所述第一用药序列对应的不良反应药物集对所述当前患者的第二用药序列进行处理，以确定推荐用药序列。
举例来说，用药序列中药物按照使用概率最高到使用概率最低进行排序，排序越靠前的药物对当前患者的疾病治疗效果越好，确定第二用药序列对应的不良反应药物集，不良反应药物集包括第一类不良反应药物及第二类不良反应药物，第一类不良反应药物为确定不良反应药物，第二类不良反应药物为疑似不良反应药物，将第二用药序列中的第一类不良反应药物(确定不良反应药物)删除，将第二类不良反应药物(疑似不良反应药物)移至用药序列最后，即降低第二类不良反应药物的使用概率，以确定推荐用药序列，可将用药推荐序列排序靠前的药物输出。
基于与本发明方法实施例相同的构思，请参考图3，本发明实施例还提供了一种用药序列的推荐装置，包括：
数据确定模块301，用于确定特定疾病的历史患者对应的历史用药数据；
药物集确定模块302，用于根据所述历史用药数据，确定所述历史用药数据对应的第一用药序列及所述第一用药序列对应的不良药物集；
第一序列确定模块303，用于根据所述历史用药数据及所述第一用药序列进行训练，建立用药序列模型，并将当前患者的待预测数据代入所述用药序列模型中，获得所述当前患者的第二用药序列；
第二序列确定模块304，用于根据所述第一用药序列对应的不良反应药物集对所述当前患者的第二用药序列进行处理，以确定推荐用药序列。
通过以上技术方案可知，本实施例所述装置存在的有益效果是：本实施例所述方法具备的有益效果是：通过确定特定疾病的历史患者的历史用药数据，以便于后续分析，结合历史患者的历史用药数据，较为准确的确定历史患者对应的第一用药序列，基于数据挖掘技术，挖掘历史患者的历史用药数据，以确定历史患者的不良反应集，之后，结合历史用药数据及其对应的第一用药序列，确定精度较高的特定疾病的用药数据模型，将当前患者的待预测数据代入该用药序列模型中，通过对历史用药数据的分析比较，获得当前患者的第二用药序列。为了科学合理的用药，综合考虑历史患者的历史用药数据及不良反应药物集，通过第一用药序列对应的不良反应药物集对第二用药序列进行处理，得到医学价值较高的推荐用药序列，以便辅助医生科学合理进行用药决策。
图4是本发明实施例提供的一种电子设备的结构示意图。在硬件层面，该电子设备包括处理器401以及存储有执行指令的存储器402，可选地还包括内部总线403及网络接口404。其中，存储器402可能包含内存4021，例如高速随机存取存储器(Random-AccessMemory，RAM)，也可能还包括非易失性存储器4022(non-volatile memory)，例如至少1个磁盘存储器等；处理器401、网络接口404和存储器402可以通过内部总线403相互连接，该内部总线403 可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、 PCI(Peripheral Component Interconnect，外设部件互连标准)总线或 EISA(ExtendedIndustry StandardArchitecture，扩展工业标准结构)总线等；内部总线403可以分为地址总线、数据总线、控制总线等，为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。当然，该电子设备还可能包括其他业务所需要的硬件。当处理器401执行存储器402 存储的执行指令时，处理器401执行本发明任意一个实施例中的方法，并至少用于执行如图1或图2所示的方法。
在一种可能实现的方式中，处理器从非易失性存储器中读取对应的执行指令到内存中然后运行，也可从其它设备上获取相应的执行指令，以在逻辑层面上形成一种用药序列的推荐装置。处理器执行存储器所存放的执行指令，以通过执行的执行指令实现本发明任一实施例中提供的一种用药序列的推荐方法。
处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本发明实施例还提供了一种可读介质，包括执行指令，当电子设备的处理器执行执行指令时，所述处理器执行本发明任意一个实施例中提供的方法。该电子设备具体可以是如图4所示的电子设备；执行指令是一种用药序列的推荐装置所对应计算机程序。
本领域内的技术人员应明白，本发明的实施例可提供为方法或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例，或软件和硬件相结合的形式。
本发明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，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者锅炉不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者锅炉所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者锅炉中还存在另外的相同要素。
以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。
Claims (10)
1.一种用药序列的推荐方法，其特征在于，包括：
确定特定疾病的历史患者对应的历史用药数据；
根据所述历史用药数据，确定所述历史用药数据对应的第一用药序列及所述第一用药序列对应的不良药物集；
根据所述历史用药数据及所述第一用药序列进行训练，建立用药序列模型，并将当前患者的待预测数据代入所述用药序列模型中，获得所述当前患者的第二用药序列；
根据所述第一用药序列对应的不良反应药物集对所述当前患者的第二用药序列进行处理，以确定推荐用药序列。
2.根据权利要求1所述的方法，其特征在于，所述确定特定疾病的历史患者对应的历史用药数据，包括：
根据历史患者的患者标识，对结构化医疗数据进行数据归类；
从所述归类的结构化医疗数据中确定特定疾病的历史患者对应的历史用药数据。
3.根据权利要求2所述的方法，其特征在于，所述历史用药数据包括历史患者对应的基础信息、诊断数据、检查数据、检验数据、药物信息及用药时间。
4.根据权利要求1所述的方法，其特征在于，所述根据所述历史用药数据，确定所述历史用药数据对应的第一用药序列及所述第一用药序列对应的不良药物集，包括：
获取所述历史用药数据对应的第一用药序列；
根据所述历史用药数据，确定至少一个用药更换时间点，并确定每个所述用药更换时间点之前的预设时段的验证数据；
根据各个所述验证数据，确定所述历史用药数据中第一用药序列对应的不良反应药物集。
5.根据权利要求4所述的方法，其特征在于，所述验证数据集包括诊断数据、检查数据及检验数据中任意一类或多类。
6.根据权利要求5所述的方法，其特征在于，当所述验证数据与预设药物说明书中的药物不良反应内容匹配时，将所述验证数据对应的药物确定为第一类不良反应药物，并将所述第一类不良反应药物加入所述不良反应药物集中；
当所述验证数据与预设药物说明书中的药物不良反应内容不匹配时，将所述验证数据对应的药物确定为第二类不良反应药物，并将所述第二类不良反应药物加入所述不良反应药物集中。
7.根据权利要求1至6中任一所述的方法，其特征在于，所述根据所述历史用药数据及所述第一用药序列进行训练，建立用药序列模型，包括：
训练所述历史用药数据及所述第一用药序列，以获得所述历史用药数据与所述第一用药序列之间的函数关系，通过所述函数关系建立用药序列模型。
8.一种用药序列的推荐装置，其特征在于，包括：
数据确定模块，用于确定特定疾病的历史患者对应的历史用药数据；
药物集确定模块，用于根据所述历史用药数据，确定所述历史用药数据对应的第一用药序列及所述第一用药序列对应的不良药物集；
第一序列确定模块，用于根据所述历史用药数据及所述第一用药序列进行训练，建立用药序列模型，并将当前患者的待预测数据代入所述用药序列模型中，获得所述当前患者的第二用药序列；
第二序列确定模块，用于根据所述第一用药序列对应的不良反应药物集对所述当前患者的第二用药序列进行处理，以确定推荐用药序列。
9.一种可读介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述处理器执行如权利要求1至7中任一所述的方法。
10.一种电子设备，包括处理器以及存储有执行指令的存储器，当所述处理器执行所述存储器存储的所述执行指令时，所述处理器执行如权利要求1至7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910798203.2A CN110689939A (zh) | 2019-08-27 | 2019-08-27 | 一种用药序列的推荐方法、装置、可读介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910798203.2A CN110689939A (zh) | 2019-08-27 | 2019-08-27 | 一种用药序列的推荐方法、装置、可读介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110689939A true CN110689939A (zh) | 2020-01-14 |
Family
ID=69108622
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910798203.2A Pending CN110689939A (zh) | 2019-08-27 | 2019-08-27 | 一种用药序列的推荐方法、装置、可读介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110689939A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111489820A (zh) * | 2020-03-13 | 2020-08-04 | 上海洛书医药科技有限公司 | 基于人工智能的辅助诊疗系统 |
| CN111863181A (zh) * | 2020-07-15 | 2020-10-30 | 至本医疗科技（上海）有限公司 | 药品推荐方法、装置、计算机设备和存储介质 |
| CN112366003A (zh) * | 2020-10-20 | 2021-02-12 | 武汉华大基因科技有限公司 | 一种基于临床真实世界时间序列要素的不良反应监测方法 |
| CN112420153A (zh) * | 2020-11-26 | 2021-02-26 | 济南浪潮高新科技投资发展有限公司 | 一种基于gan的中药方剂改进的方法 |
| CN112447270A (zh) * | 2020-11-30 | 2021-03-05 | 泰康保险集团股份有限公司 | 一种用药推荐方法、装置、设备及存储介质 |
| CN112786140A (zh) * | 2020-12-31 | 2021-05-11 | 医渡云（北京）技术有限公司 | 基于用药数据的慢病管理方法、装置与电子设备 |
| CN113657970A (zh) * | 2021-08-30 | 2021-11-16 | 平安医疗健康管理股份有限公司 | 基于人工智能的药品推荐方法、装置、设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107799160A (zh) * | 2017-10-26 | 2018-03-13 | 医渡云（北京）技术有限公司 | 用药辅助决策方法及装置、存储介质、电子设备 |
| CN109859851A (zh) * | 2018-12-27 | 2019-06-07 | 平安科技（深圳）有限公司 | 一种治疗方案推荐方法和装置 |
-
2019
- 2019-08-27 CN CN201910798203.2A patent/CN110689939A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107799160A (zh) * | 2017-10-26 | 2018-03-13 | 医渡云（北京）技术有限公司 | 用药辅助决策方法及装置、存储介质、电子设备 |
| CN109859851A (zh) * | 2018-12-27 | 2019-06-07 | 平安科技（深圳）有限公司 | 一种治疗方案推荐方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 张璐等: "基于隐性反馈与交叉推荐的癫痫药物推荐系统", 《集成技术》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111489820A (zh) * | 2020-03-13 | 2020-08-04 | 上海洛书医药科技有限公司 | 基于人工智能的辅助诊疗系统 |
| CN111489820B (zh) * | 2020-03-13 | 2023-07-21 | 上海洛书医药科技有限公司 | 基于人工智能的辅助诊疗系统 |
| CN111863181A (zh) * | 2020-07-15 | 2020-10-30 | 至本医疗科技（上海）有限公司 | 药品推荐方法、装置、计算机设备和存储介质 |
| CN112366003A (zh) * | 2020-10-20 | 2021-02-12 | 武汉华大基因科技有限公司 | 一种基于临床真实世界时间序列要素的不良反应监测方法 |
| CN112420153A (zh) * | 2020-11-26 | 2021-02-26 | 济南浪潮高新科技投资发展有限公司 | 一种基于gan的中药方剂改进的方法 |
| CN112420153B (zh) * | 2020-11-26 | 2022-11-15 | 山东浪潮科学研究院有限公司 | 一种基于gan的中药方剂改进的方法 |
| CN112447270A (zh) * | 2020-11-30 | 2021-03-05 | 泰康保险集团股份有限公司 | 一种用药推荐方法、装置、设备及存储介质 |
| CN112786140A (zh) * | 2020-12-31 | 2021-05-11 | 医渡云（北京）技术有限公司 | 基于用药数据的慢病管理方法、装置与电子设备 |
| WO2022142720A1 (zh) * | 2020-12-31 | 2022-07-07 | 医渡云（北京）技术有限公司 | 基于用药数据的慢病管理方法、装置与电子设备 |
| CN113657970A (zh) * | 2021-08-30 | 2021-11-16 | 平安医疗健康管理股份有限公司 | 基于人工智能的药品推荐方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110689939A (zh) | 一种用药序列的推荐方法、装置、可读介质及电子设备 | |
| CN109920508B (zh) | 处方审核方法及系统 | |
| JP6915282B2 (ja) | オープンデータ及び臨床医の入力を用いて患者の治療リスクを評価するシステム及び方法 | |
| Simmons et al. | Text mining for precision medicine: bringing structure to EHRs and biomedical literature to understand genes and health | |
| JP7035314B2 (ja) | 患者の診断を支援するシステムおよび方法 | |
| CN109346145B (zh) | 一种药物不良反应的主动监测方法和系统 | |
| JP6907831B2 (ja) | コンテキストベースの患者類似性の方法及び装置 | |
| EP3223179A1 (en) | A healthcare risk extraction system and method | |
| EP3223180A1 (en) | A system and a method for assessing patient risk using open data and clinician input | |
| US20120101846A1 (en) | Computer-Implemented Method For Displaying Patient-Related Diagnoses Of Chronic Illnesses | |
| JP7010946B2 (ja) | 健康状態の計算解析を容易化するシステム及び方法 | |
| US8548827B2 (en) | Computer-implemented method for medical diagnosis support | |
| RU2662205C2 (ru) | Расширение клинических руководств на основе рекомендаций клинических экспертов | |
| EP3276570A1 (en) | Computer system and information processing method | |
| EP3016060A1 (en) | Medical care process analysis system | |
| CN112447270A (zh) | 一种用药推荐方法、装置、设备及存储介质 | |
| Sahoo et al. | Scientific reproducibility in biomedical research: provenance metadata ontology for semantic annotation of study description | |
| Schlosser et al. | Visual acuity prediction on real-life patient data using a machine learning based multistage system | |
| CN112071431B (zh) | 基于深度学习和知识图谱的临床路径自动生成方法及系统 | |
| Reinecke et al. | Assessment and improvement of drug data structuredness from electronic health records: algorithm development and validation | |
| GB2548627A (en) | A system and a method for assessing patient treatment risk using open data and clinician input | |
| CN112331355B (zh) | 病种评估表的生成方法、装置、电子设备及存储介质 | |
| Fortin et al. | Interventions for improving adherence to iron chelation therapy in people with sickle cell disease or thalassaemia | |
| CN114582459A (zh) | 基于诊疗数据的信息处理方法、装置、设备及存储介质 | |
| CN112331356A (zh) | 推荐治疗方案的方法、装置、电子设备及存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200114 |