CN110739038B - 基于医嘱的药品分发系统 - Google Patents

Abstract

本发明涉及一种基于医嘱的药品分发系统，包括医生端、医护人员端以及医院服务器端以及用户端，医生在定制医嘱后，将医嘱信息发送到医院服务器端，服务器读取医嘱信息后，经过信息处理发送药品分配指令，药品分发系统自动进行药品分配，可选地，医护人员接收药品分配指令，进行药品核实。将药品分发给用户后，对用户执行医嘱的情况进行反馈和监督。本发明的药品分发系统，执行度和自动化程度都较好，可以提高医疗工作者的效率以及进行有效地反馈。

Description

基于医嘱的药品分发系统

技术领域

本发明涉及一种基于健康管理系统，尤其涉及一种基于医嘱的药品分发系统。

背景技术

随着现在社会的进步，医疗条件也相应进步，但是在病人到医院进行就诊时，仍然需要按照挂号、看诊、付费、取药的流程。

这种复杂的流程，每一步都需要花费大量时间，尤其是用户取药过程较为麻烦，需要先交费，而且在交费完成后需要等待药房配药。药房的配药是工作人员的手工执行过程，工作人员每天都要发放大量的药品，而且同时会有多名病人同时等待取药，容易造成混乱和误差，而药品的分发是一个需要谨慎和细心的工作，一旦出现失误，可能危及生命。

而且，现有的药品分配过程，都是需要人工手动完成，执行度和自动化程度不高，医疗工作者的效率不高，容易造成患者的就医体验差。而且，有些药品，比如抗生素等，其使用有限制，过度使用会造成抗生素泛滥，药品分配过程中不能直接实现对抗生素等药物的监控以及合理规划；在药品分发给用户后，也不能结合药物使用情况对用户执行医嘱的情况进行反馈和监督。

因此，有必要提供一种基于医嘱的药品分发系统，可以根据药品分配指令自动进行药品分配，提高用户就医体验；而且为了避免出现错误，可选地，医护人员可以介入进行药品核实。同时，根据配发的药品，可以追踪药物的使用情况，避免病人过度使用某些药物或者避免医生过度为病人分配某些药物，防止药物滥用以及非适应治疗检查等过度医疗行为，对药物的使用进行监控以及合理规划；在药品分发给用户后，结合药物使用情况对用户执行遗嘱的情况进行实时监督，有效进行反馈。

发明内容

本发明提供了一种基于医嘱的药品分发系统，包括医生端、医护人员端以及医院服务器端以及用户端；医生在定制医嘱后，将医嘱信息发送到医院服务器端，服务器读取医嘱信息后，经过信息处理发送药品分配指令，药品分发系统自动进行药品分配；医生、医护人员、病人分别接收药品分配指令，进行药品核实。

医嘱信息被发送到医院服务器，医院服务器读取医嘱信息，并根据患者的电子病历建立一条针对该患者的特异记录，生成药品分配指令，以及与该记录对应的标识符，标识符通过患者的证件号码、电话号码、邮箱中的至少一项进行建立，标识符中还包含患者的用药信息，其采用条形码和/或登录账户名及密码的形式；医院服务器将该标识符通过有线或者无线网络传送到医生端、医护人员端以及用户端。

进一步地，病人接收到的医院服务器发送的标识符后，在用户端通过标识符登陆，直接在用户端进行相关费用的缴纳，同时医院服务器会将缴纳信息结合到患者的特异记录中，药品分发系统根据电子病历自动进行配药。

优选地，医院服务器统筹接收到的各个科室的医生发送的医嘱信息，权衡各个科室距离配药系统的配药仓的距离以及患者医嘱的等级、缴纳费用的顺序，生成药品分配指令；

药品分配指令包含当前要进行分配的药品的患者信息、药品名称以及药品的数量、盛放药品的盒子；

当药品分配完成后，在盛放药品的盒子上生成一个标识码，该标识码与先前服务器发送给患者的标识符中的标识信息中的特异记录相同，但加入了所配送药品的生产日期、批号、生产成家、成分信息；配送药品是通过自动化机器人自动完成的，配药仓接收到服务器发送的配药指令，则自动化机器人开始工作，通过机械臂和导轨、以及机械手完成配药工作。

当药品分配完成后，配药仓会发送配药完成指令到用户端，病人接收到配药仓发送的完成指令后，根据接收到的地图指引到指定地点领取药品；

当药品配送完成后，配药完成指令会同时发送到医生端、医护人员端进行药品核实；用户在拿到盛放药品的盒子后，通过在用户端读取盒子上的标识信息，与医嘱中的标识符或者缴纳费用的药品进行核对，以确定所领取药品的准确性。

优选地，盛放药品的盒子，不仅包括标识信息，还包括药品的服用情况的信息，医院服务器在得到药品配送完毕并且病人已经成功领取药品后，会生成提醒指令，发送到用户端；所述的提醒指令在提醒时间到达时，提醒用户按时服用药物；用户终端可以监控病人的服药情况。

优选地，服务器通过追踪医嘱中的药品分配，以及患者的服药情况，建立反应病人的药物服用情况的指数，该指数的计算采用人工神经网络，其计算过程如下：

神经网络的左边为输入层，该层是影响该指数的各种因素，相对应的权值为(w₁,w₂…w_n)；

中间部分为隐藏层，主要是公式

的运算，

其中w为权值，x为输入的变量，f为传递函数，i＝1,2,…n，θ为误差项，其中根据经验判定值，函数f由具体对应的指标来变化，神经网络的右边为最后的输出结果y，给定一个相应的取值区间，如果y输出结果在该区间说明权值、阀值不需要调整，可以直接使用这些权值求出药物服用情况的安全指数，反之，则说明需要调整；

具体流程为：

(1)求出激励函数，激励函数为

也可以根据具体需要做出调整；

(2)输入层误差信号：该层次的误差信号是由期望输出与实际输出的差，然后得到的值与激励函数求积；

(3)中间层误差信号：

使用公式

f’为f的一阶导数，其中k为迭代次数；

(4)估计函数，增加神经网络的学习率，学习率则依靠经验得出，使误差信息越来越小，最终能达到要求；

通过步骤(1)-(4)得到最终的权值结果，使用权值计算药物服用情况的指数；其中，输入的变量包括药品的种类、生产厂家、服药时间、服药次数、以及是否联合服用了其他药物，有无使用相克的食物，以及会引发过敏的药物，可以根据患者的实际情况自动调整输入变量，从而评价患者服用情况安全的指数。

优选地，对于慢性疾病的病人，不仅执行服药药物的医嘱，还执行定时汇报生理参数变化的医嘱，生理参数以及药物服用情况通过用户端发送到医院服务器的患者记录中，医院服务器实时接收动态的生理数据和服药数据，服务器基于接收到的数据进行初步的诊断，并将结果反馈给病人，对病人进行提醒，使病人在病情变化时及时就诊。

进一步地，通过卷积神经网络从生理参数和服药数据中提取特征来进行病情预测，模型的输入为生理参数、服药数据的记录，输出是患某种疾病的概率；

对于每个输入的记录，首先通过连接其内容，形成一个完整的段落S；

对每个段落S，用矩阵x∈R^N×D，如方程(1)所示，其中第i行表示段落S中的第i个词语，每个词语用被随机初始化的D维向量表示，即：

使X_i:j表示组成从第i个语句到第j个语句的语句向量，即：

卷积层包含有多个尺寸的卷积核，每个尺寸的卷积核有多个；所有卷积核的宽度和输入矩阵的宽度一致；

假设第k个卷积核的高度是H，则该卷积核可以表示为W^K∈R^H×D，即：

卷积操作是对输入矩阵局部区域进行特征提取的过程；

当

与x_1,1重合，由卷积核X_1:H处提取到的特征

为：

其中，权值

表示的是第i个语句的语句向量中第j个元素的重要程度，

是偏置项，f是非线性函数，本发明选用ReLu函数，定义为：

y＝ReLu(x)＝max(0,x) (5)

卷积的过程是将卷积核从输入矩阵X的顶部以一确定的步长T1从上往下滑动，并在每个局部区域提取应的特征；

最终，输入记录被卷积核W^k提取到的特征为：

在每一个卷积操作后跟一个池化操作，假设池化核的高度是H_p，步长是T_p，则池化层的输出是：

其中，

上述卷积核池化过程是一个卷积核W^k抽取一个特征M^k的过程；当所有的卷积和池化操作结束之后，所有抽取的特征都首尾连接得到待检测的记录的特征向量，可以表示为：

其中F_i＝Mⁱ，l表示抽取到的特征的个数；

全连接层进一步融合抽取到的特征并提取更高层次特征，通过定义一个矩阵W_F，计算所有抽取到的特征的加权和，得到输入待检测段落S的最终特征表达：

y＝W_F·F+b_f (11)

其中W_F和b_f是需要通过学习得到的权重矩阵和偏置，矩阵W_F中的值反映各个特征的重要程度，输出向量y的维度是L，L是预测到的疾病的种类数目；

将向量y作为Softmax分类器的输入并得到该记录患有每种疾病的概率：

其中P_i表示对应于输入的生理参数记录的患有第i中疾病的可能性；

当P_i＞0.7时，服务器发送提醒消息到病人或者其亲属，提醒患者去医院进行针对性的检查。

本发明提供的基于医嘱的药品分发系统，则是一种自动的分发系统，其不需要患者花费很多时间去等候缴费、排队取药，也可以自动地进行取药，提高了用户就医体验的同时减轻医护人员的负担，并且，本发明的系统可以进行多级核对，避免造成药物混乱、误食，有效地提高了患者的生命安全。

同时，本发明还利用所分配的药品进行追踪，基于神经网络的反应病人的服用药物情况的指数的方法，可以分析患者所服药药物的安全性，避免对某种药物的过度使用，或者某些医生在医嘱中对某些药物的过度使用，规范了医疗行为，同时也规范了患者行为，也规范了生产厂家的生产行为的安全，使得基于医嘱的药品分发系统分配得到的药品的使用更为安全、规范。

在通常的执行医嘱的过程中，患者不仅仅是进行服用药物，还会执行进行生理参数监控、反馈的医嘱，以便在药品分发给用户后，结合药物使用情况对用户执行遗嘱的情况进行实时监督，有效进行反馈，并且及时了解自身健康状态。本发明基于此，进一步提出了一种基于卷积神经网络的结合服用药物、反馈的生理参数值组成一条段落记录，而预测患者患有某种或某几种疾病的概率，及时发现病人患有某种或某几种疾病的风险，或者现在正在康复治疗中的疾病的变化，当发现病情恶化或者患有其他疾病风险程度较高时，可以及时提醒患者对医院进行针对性的检查，有效帮助患者的生命安全。

附图说明

图1为现有技术中的药品配送过程的示意图；

图2为基于医嘱的药品分发系统的示意图；

图3为人工神经网络是智能数学算法模型的示意图。

具体实施方式

图1为现有技术中的药品配送过程，医生建立医嘱，收费完成后，发药的窗口"配药人员按照处方信息把药调配好，交给发药窗口：发药人核对配药,同时确认发药，完成药品的发放过程。

在这个过程中，所有的工作都基于病人进行缴费完成后，再进行发药，病人在缴费过程中需要排队等候，在排队等候完成缴费后需要再次排队去取药窗口拿药，不仅浪费时间，而且有可能造成混乱，取药窗口的人可能在发送数量大、工作强度大的情况下，造成误差，而病人又没有意识到这种错误，而拿到药品，这种情况下进行的药品服用有可能危及生命或造成后遗症。

而本发明提供的基于医嘱的药品分发系统，则是一种自动的分发系统，其不需要患者花费很多时间去等候缴费、排队取药，也可以自动地进行取药，提高了用户就医体验的同时减轻医护人员的负担，并且，本发明的系统可以进行多级核对，避免造成药物混乱、误食，有效地提高了患者的生命安全。

如图2所示，本发明的基于医嘱的药品分发系统，包括医生端、医护人员端以及医院服务器端以及用户端。在患者进行就诊时，医生在医生端通过电子病历建立医嘱，电子病历包括患者有效证件号码、姓名、性别、年龄、电话号码、邮箱、家庭住址、就医记录、过往医嘱、临时医嘱、长期医嘱、本次医嘱等，医嘱信息包括医嘱内容，比如医嘱下达和执行人、执行时间、对象、病患症状、需要进行的检查、取用的药物、注意事项等。医嘱信息被发送到医院服务器，医院服务器读取医嘱信息，并根据患者的电子病历建立一条针对该患者的特异记录，生成药品分配指令，以及与该记录对应的标识符。标识符可以通过患者的证件号码、电话号码、邮箱等这些特异性信息中的至少一项进行建立，其包含患者的用药信息，其可以为一组条形码、二维码、一组登陆账号及对应的密码等。医院服务器将该标识符通过有线或者无线网络传送到医生端、医护人员端以及用户端。

病人可以在医生面诊中医生建立医嘱后，通过接收到的医院服务器发送的标识符，在用户端通过标识符登陆医嘱项，直接在用户端进行相关费用的缴纳，同时医院服务器会将缴纳信息结合到患者的特异记录中，同时配药仓端会根据电子病历自动进行配药，医院服务器统筹接收到的各个科室的医生发送的医嘱信息，综合权衡各个科室距离配药仓的距离以及患者医嘱的等级、缴纳费用的顺序，生成药品分配指令，药品分配指令包含当前要进行分配的药品的患者信息、药品名称以及药品的数量、盛放药品的盒子，当药品分配完成后，会在盛放药品的盒子上生成一个标识码，该标识码与先前服务器发送给患者的标识符中的标识信息相同，但加入了所配送药品的生产日期、批号、生产成家、成分信息。配药是通过自动化机器人自动完成的，当配药仓一接收到服务器发送的配药指令，则自动化机器人开始工作，通过其机械臂和导轨等完成配药工作。

由于一家医院可能存在多个配药仓，医院服务器在生成配药指令时，考虑各个科室距离配药仓的距离，可以避免有些不适宜走动的病人多走路等，省时省力。而且生成配药指令时，考虑患者医嘱的等级，可以使有些重症患者或者情况比较紧急的患者，可以优先配药，提高了用户的体验；生成配药指令时，考虑患者的缴费顺序，可以使患者的缴费与配药几乎同步完成，无需额外花费时间等待配药。

当药品分配完成后，配药仓会发送配药完成指令到用户端，用户接收到配药仓发送的完成指令后，根据接收到的地图指引到指定地点领取药品。当药品配送完成后，配药完成指令会同时发送到医生端、医护人员端，在医生端，医生可以通过阅读标识码中包含的信息，以确保自动配药的准确；如果是需要进行静脉输注等，在配药完成后，医护人员可以在医护人员端阅读标识码中包含的信息，确定所需要输注的药物是否准确；在用户端，用户可以在拿到盛放药品的盒子后，通过用户端读取盒子上的标识信息，与医嘱中的标识符或者缴纳费用的药品进行核对，以确定所领取药品的准确性。通过不同维度地进行核实，可以使药品的使用更为规范、严禁。

需要说明的是，医生端和医护人员端可以不总是进行核实，例如，如果病人需要留在医院进行输液或者住院等，则在医生端或者医护人员端其中一个或者两个可以进行核实；若患者在领取药品时通过其二维码扫描等发现药品存在不符合情况时，医生端和医护人员等需要进行相应地核实。本发明的医生端和医护人员端是为了进行相应区分的，医护人员端指的是护理人员端，比如护士端。

盛放药品的盒子即药品盒，不仅包括标识信息，还包括药品的服用情况，比如如何服用(是否需要空腹服用等)、何时服用等，医院服务器在得到药品配送完毕并且病人已经成功领取药品后，会生成提醒指令，发送到用户终端，该提醒指令在提醒时间到达时，提醒用户按时服用药物，用户终端可以通过一定的手段监控病人对医嘱的执行情况，并将其反馈到医院服务器，医院服务器可以将该反馈情况发送给主治医生等。用户终端例如可以通过人机交互页面，在提醒时间到达时，提醒病人进行服药，再过一段时间，例如十五分钟后，再次提醒，并出现确认页面，让用户确认是否确实服用药物。或者，用户终端以交互界面的形式请用户输入所剩余的药片的数量，用户终端可以基于开始时领取到的药片的数量以及药品的服用规则，自动计算病人是否按时服用药物。

同时，根据配发的药品，由于标识信息中包括药品的名称、生产日期、批号、生产成家、成分信息，可以追踪药物的使用情况。由于不同医生的医学知识、医学习惯、用药情况都存在差异，某些药物，尤其是抗生素的使用或者某些药物的过度使用，会给患者造成负担。通过追踪多个病人配发的药品的这些信息，可以对医生或者病人的药品使用情况进行监控以及合理规划。

本发明引入智能算法来建立一个可以反应病人的药物服用情况的指数。

人工神经网络是智能数学算法模型，其应用如下图3所示：左边为输入层，该层是影响该指数的各种因素，包括动态的、静态的、主观的、客观的等，相对应的权值为(w₁,w₂…w_n)；中间部分为隐藏层，该层主要是公式

的运算，

其中w为权值，x为输入的变量，f为传递函数，i＝1,2,…n，θ为误差项，其中根据经验判定值，函数f由具体对应的指标来变化，右边为最后的输出结果y，给定一个相应的取值区间，如果y输出结果在该区间说明权值、阀值不需要调整，可以直接使用这些权值求出药物服用情况的安全指数，反之，则说明需要调整。

人工神经网络有两种过程，分为：正向学习过程和反向学习过程。正向学习过程用于判定权值和阀值是否需要调整，反向学习过程则根据误差结果修正权值或阀值。具体流程如下，(1)求出激励函数，一般情况下激励函数为

也可以根据具体需要做出调整；(2)输入层误差信号，该层次的误差信号主要是由期望输出与实际输出的差，然后得到的值与激励函数求积；(3)中间层误差信号，使用公式

f’为f的一阶导数，其中k为迭代次数，通过增加迭代运算的次数，能得到符合需要的值；(4)估计函数，增加神经网络的学习率，学习率则依靠经验得出，这能使误差信息越来越小，最终能达到要求。通过步骤(1)-(4)得到最终的权值结果，使用这些权值计算药物服用情况的指数。其中，输入的变量包括药品的种类、生产厂家、服药时间、服药次数、以及是否联合服用了其他药物，有无使用相克的食物，以及会引发过敏的药物等，可以根据患者的实际情况自动调整输入变量，从而评价患者服用情况安全的指数。

医院服务器可以通过一个病人的数据利用上述方法评价该病人在遵从医嘱时服药安全情况，也可以评价某种药物的使用安全情况，还可以评价医生分配药物的安全情况，或者评价某个厂家某种批次药品的使用安全情况，综合利用这些情况，可以生成医疗安全情况，避免病人过度使用某些药物或者避免医生过度为病人分配某些药物，防止药物滥用以及非适应治疗检查等过度医疗行为，对药物的使用进行监控以及合理规划。

同时，对于有些慢性病人，可能医嘱中会要求病人报告患者的生理参数，比如血压、心率、血糖等，即在执行医嘱中，不仅需要执行服用药物的医嘱，还需要执行定时汇报生理参数变化的医嘱，并将这些生理参数通过用户端记录在患者的电子病历中，医院服务器可以实时接收这些动态的生理变化(即动态的数据)，服务器可以基于接收到的数据进行初步的诊断，并将结果反馈给病人，使病人在诊断结果变差或者病情急速变化时及时就诊。服务器可以通过神经网络的算法根据患者的生理参数对患者的情况进行诊断，具体过程如下：

通过卷积神经网络从生理参数中提取特征来进行病情预测，模型的输入为生理参数的记录，输出是患某种疾病的概率。本发明的最终输出结构为:隐含层、具有几种不同尺度卷积核函的卷积层、池化层和具有softmax分类器的全连接层。隐含层将输入的生理参数记录转换为适合进行卷积运算的二维矩阵，卷积层从输入矩阵提取特征，不同尺度的卷积核可以学习不同的特征相关的内容。池化层对特征进行下采样，这种操作可以增强模型的鲁棒性，提高模型的执行性。全连接层用于混合这些特征，将它们传递给softmax分类器，用于病情预测。在训练过程中，softmax分类器的参数已经进行过学习，可以计算输入特征向量和不同疾病之间的相关性，最终确定每种疾病的概率值。医院服务器存储有不同疾病的相关特征参数。

对于每个输入的生理参数的记录，比如病人的病例等，首先通过连接其内容，形成一个完整的段落。对每个段落S，用矩阵x∈R^N×D，如下面方程(1)所述的，其中第i行表示段落S中的第i个词语，每个词语可以用被随机初始化的D维向量表示，即：

使X_i:j表示组成从第i个语句到第j个语句的语句向量，即：

卷积层包含有多个尺寸的卷积核，每个尺寸的卷积核有多个。所有卷积核的宽度和输入矩阵的宽度一致。假设第k个卷积核的高度是H，则该卷积核可以表示为W^K∈R^H×D，即：

卷积操作是对输入矩阵局部区域进行特征提取的过程。当

与x_1,1重合，由卷积核X_1:H处提取到的特征

为：

其中，权值

表示的是第i个语句的语句向量中第j个元素的重要程度，

是偏置项，f是非线性函数，本发明选用ReLu函数，其定义为：

y＝ReLu(x)＝max(0,x) (5)

卷积的过程是将卷积核从输入矩阵X的顶部以一确定的步长T1从上往下滑动，并在每个局部区域提取应的特征。最终输入文本被卷积核W^k提取到的特征为：

池化层可以减少神经网络训练时的参数，可以有效降低模型过拟合的风险并提升模型鲁棒性。池化操作非常类似于卷积操作，唯一的区别在于它只计算局部区域的平均值或者最大值。在每一个卷积操作后跟一个池化操作，假设池化核的高度是H_p，步长是T_p，则池化层的输出是：

其中，

上述过程是一个卷积核W^k抽取一个特征M^k的过程。当所有的卷积和池化操作结束之后，所有抽取的特征都首尾连接得到待检测的生理参数记录的特征向量，可以表示为：

其中F_i＝Mⁱ，l表示抽取到的特征的个数。

全连接层用来进一步融合抽取到的特征并提取更高层次特征。通过定义一个矩阵W_F，计算所有抽取到的特征的加权和，得到输入待检测段落S的最终特征表达：

y＝W_F·F+b_f (11)

其中W_F和b_f是需要通过学习得到的权重矩阵和偏置，矩阵W_F中的值反映各个特征的重要程度。输出向量y的维度是L，对应标签的数量。在本发明中，L是预测到的疾病的种类数目。然后将向量y作为Softmax分类器的输入并得到该生理参数的记录(即该段落)患有每种疾病的概率：

其中P_i表示对应于输入的生理参数记录的患有第i种疾病的可能性；

当P_i＞0.7时，表明患第i种疾病的可能性高，服务器发送提醒消息到病人或者其亲属，提醒患者去医院进行针对性的检查。

通过病人执行医嘱中的生理参数记录，以及服药药物记录，病人或者家属通过用户端设备将这些记录传送到医院服务器，医院服务器会将病人的这些记录形成一个完整的语段(即段落)，服务器会根据语段，利用本发明的卷积神经网络从生理参数中提取特征来进行病情预测，当预测到病人患有某种疾病的概率很大，而病人却没有感知时，服务器发送短信、微信消息、拨打语音电话等到病人或者亲属持有的用户端，使病人可以及时就诊，避免发生危险。慢性疾病会有逐渐恶化的趋势，比如心血管疾病或者中风等疾病，往往是隐藏性的，在没有爆发时，患者往往不自知，会进行激烈运动、情绪激动等，而通过本发明中执行医嘱过程中的药品分发系统，患者不仅可以服用药物进行康复的恢复，而且还可以执行生理参数监控的医嘱，并将生理参数记录发送到医院服务器，医院服务器会每隔一段时间，比如三天、五天、一个星期等，对病人的记录进行处理，及时发现病人患有某种或某几种疾病的风险，或者现在正在康复治疗中的疾病的变化，当发现病情恶化或者患有其他疾病风险程度较高时，可以及时提醒患者去医院进行针对性的检查，有效帮助患者的生命安全。

本发明提供的基于医嘱的药品分发系统，则是一种自动的分发系统，其不需要患者花费很多时间去等候缴费、排队取药，也可以自动地进行取药，提高了用户就医体验的同时减轻医护人员的负担，并且，本发明的系统可以进行多级核对，避免造成药物混乱、误食，有效地提高了患者的生命安全。

同时，本发明还提出了一种利用所分配的药品进行追踪，基于神经网络的反应病人的服用药物情况的指数的方法，可以分析患者所服药药物的安全性，避免对某种药物的过度使用，或者某些医生在医嘱中对某些药物的过度使用，规范了医疗行为，同时也规范了患者行为，也规范了生产厂家的生产行为的安全，使得基于医嘱的药品分发系统分配得到的药品的使用更为安全、规范。

在通常的执行医嘱的过程中，患者不仅仅是进行服用药物，还会执行进行生理参数监控、反馈的医嘱，以便在药品分发给用户后，结合药物使用情况对用户执行遗嘱的情况进行实时监督，有效进行反馈，并且及时了解自身健康状态。本发明基于此，进一步提出了一种基于卷积神经网络的结合服用药物、反馈的生理参数值组成一条段落记录，而预测患者患有某种或某几种疾病的概率，及时发现病人患有某种或某几种疾病的风险，或者现在正在康复治疗中的疾病的变化，当发现病情恶化或者患有其他疾病风险程度较高时，可以及时提醒患者对医院进行针对性的检查，有效帮助患者的生命安全。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本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，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (5)

1.一种基于医嘱的药品分发系统，其特征在于，包括医生端、医护人员端以及医院服务器端以及用户端；

医生在定制医嘱后，将医嘱信息发送到医院服务器端，服务器读取医嘱信息后，经过信息处理发送药品分配指令，药品分发系统自动进行药品分配；

医生、医护人员、病人分别接收药品分配指令，进行药品核实；

医嘱信息被发送到医院服务器，医院服务器读取医嘱信息，并根据患者的电子病历建立一条针对该患者的特异记录，生成药品分配指令，以及与该记录对应的标识符，标识符通过患者的证件号码、电话号码、邮箱中的至少一项进行建立，标识符中还包含患者的用药信息，其采用条形码和/或登录账户名及密码的形式；医院服务器将该标识符通过有线或者无线网络传送到医生端、医护人员端以及用户端；

医院服务器统筹接收到的各个科室的医生发送的医嘱信息，权衡各个科室距离配药系统的配药仓的距离以及患者医嘱的等级、缴纳费用的顺序，生成药品分配指令；

药品分配指令包含当前要进行分配的药品的患者信息、药品名称以及药品的数量、盛放药品的盒子；

当药品分配完成后，在盛放药品的盒子上生成一个标识码，该标识码与先前服务器发送给患者的标识符中的标识信息中的特异记录相同，但加入了所配送药品的生产日期、批号、生产成家、成分信息；配送药品是通过自动化机器人自动完成的，配药仓接收到服务器发送的配药指令，则自动化机器人开始工作，通过机械臂和导轨、以及机械手完成配药工作；

当药品分配完成后，配药仓会发送配药完成指令到用户端，病人接收到配药仓发送的完成指令后，根据接收到的地图指引到指定地点领取药品；

当药品配送完成后，配药完成指令会同时发送到医生端、医护人员端进行药品核实；用户在拿到盛放药品的盒子后，通过在用户端读取盒子上的标识信息，与医嘱中的标识符或者缴纳费用的药品进行核对，以确定所领取药品的准确性；

盛放药品的盒子，不仅包括标识信息，还包括药品的服用情况的信息，医院服务器在得到药品配送完毕并且病人已经成功领取药品后，会生成提醒指令，发送到用户端；所述的提醒指令在提醒时间到达时，提醒用户按时服用药物；用户终端可以监控病人的服药情况；

服务器通过追踪医嘱中的药品分配，以及患者的服药情况，建立反应病人的药物服用情况的指数，该指数的计算采用人工神经网络，其计算过程如下：

神经网络的左边为输入层，该层是影响该指数的各种因素，相对应的权值为(w₁,w₂…w_n)；

中间部分为隐藏层，主要是公式

的运算，

其中w为权值，x为输入的变量，f为传递函数，i＝1,2,…n，θ为误差项，其中根据经验判定值，函数f由具体对应的指标来变化，神经网络的右边为最后的输出结果y，给定一个相应的取值区间，如果y输出结果在该区间说明权值、阀值不需要调整，可以直接使用这些权值求出药物服用情况的安全指数，反之，则说明需要调整；

具体流程为：

(1)求出激励函数，激励函数为

也可以根据具体需要做出调整；

(2)输入层误差信号：该输入层层次的误差信号是由期望输出与实际输出的差，然后得到的值与激励函数求积；

(3)中间层误差信号：

使用公式

f’为f的一阶导数，其中k为迭代次数；

(4)估计函数，增加神经网络的学习率，学习率则依靠经验得出，使误差信息越来越小，最终能达到要求；

通过步骤(1)-(4)得到最终的权值结果，使用权值计算药物服用情况的指数；其中，输入的变量包括药品的种类、生产厂家、服药时间、服药次数、以及是否联合服用了其他药物，有无使用相克的食物，以及会引发过敏的药物，可以根据患者的实际情况自动调整输入变量，从而评价患者服用情况安全的指数。

2.根据权利要求1所述的系统，其特征在于，病人接收到的医院服务器发送的标识符后，在用户端通过标识符登陆，直接在用户端进行相关费用的缴纳，同时医院服务器会将缴纳信息结合到患者的特异记录中，药品分发系统根据电子病历自动进行配药。

3.根据权利要求2所述的系统，其特征在于，慢性疾病的病人，不仅执行服药药物的医嘱，还执行定时汇报生理参数变化的医嘱，生理参数以及药物服用情况通过用户端发送到医院服务器的患者记录中，医院服务器实时接收动态的生理数据和服药数据，服务器基于接收到的数据进行初步的诊断，并将结果反馈给病人，对病人进行提醒，使病人在病情变化时及时就诊。

4.根据权利要求2所述的系统，其特征在于，通过卷积神经网络从生理参数和服药数据中提取特征来进行病情预测，模型的输入为生理参数、服药数据的记录，输出是患某种疾病的概率；

对于每个输入的记录，首先通过连接其内容，形成一个完整的段落S；

对每个段落S，用矩阵x∈R^N×D，如方程(1)所示，其中第i行表示段落S中的第i个词语，每个词语用被随机初始化的D维向量表示，即：

使X_i:j表示组成从第i个语句到第j个语句的语句向量，即：

卷积层包含有多个尺寸的卷积核，每个尺寸的卷积核有多个；所有卷积核的宽度和输入矩阵的宽度一致；

假设第k个卷积核的高度是H，则该卷积核可以表示为W^K∈R^H×D，即：

卷积操作是对输入矩阵局部区域进行特征提取的过程；

当

与x_1,1重合，由卷积核X_1:H处提取到的特征

为：

其中，权值

表示的是第i个语句的语句向量中第j个元素的重要程度，

是偏置项，f是非线性函数，本发明选用ReLu函数，定义为：

y＝ReLu(x)＝max(0,x) (5)

卷积的过程是将卷积核从输入矩阵X的顶部以一确定的步长T1从上往下滑动，并在每个局部区域提取应的特征；

最终，输入记录被卷积核W^k提取到的特征为：

在每一个卷积操作后跟一个池化操作，假设池化核的高度是H_p，步长是T_p，则池化层的输出是：

其中，

上述卷积核池化过程是一个卷积核W^k抽取一个特征M^k的过程；当所有的卷积和池化操作结束之后，所有抽取的特征都首尾连接得到待检测的记录的特征向量，可以表示为：

其中F_i＝Mⁱ，l表示抽取到的特征的个数；

全连接层进一步融合抽取到的特征并提取更高层次特征，通过定义一个矩阵W_F，计算所有抽取到的特征的加权和，得到输入待检测段落S的最终特征表达：

y＝W_F·F+b_f (11)

其中W_F和b_f是需要通过学习得到的权重矩阵和偏置，矩阵W_F中的值反映各个特征的重要程度，输出向量y的维度是L，L是预测到的疾病的种类数目；

将向量y作为Softmax分类器的输入并得到该记录患有每种疾病的概率：

其中P_i表示对应于输入的生理参数记录的患有第i中疾病的可能性；

当P_i>0.7时，服务器发送提醒消息到病人或者其亲属，提醒患者去医院进行针对性的检查。

5.根据权利要求1-4任一项所述的系统，其特征在于，医生端和医护人员端选择性地进行药品核实：当病人留院治疗时，医生端或者医护人员端的至少一个进行核实；当患者在领取药品时通过发现药品存在不符时，医生端和医护人员断需要进行相应地核实。

Images