CN110752002B - 一种药物用量预测装置 - Google Patents

一种药物用量预测装置 Download PDF

Info

Publication number
CN110752002B
CN110752002B CN201910989705.3A CN201910989705A CN110752002B CN 110752002 B CN110752002 B CN 110752002B CN 201910989705 A CN201910989705 A CN 201910989705A CN 110752002 B CN110752002 B CN 110752002B
Authority
CN
China
Prior art keywords
historical
preset
target object
biochemical characteristics
current
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
Application number
CN201910989705.3A
Other languages
English (en)
Other versions
CN110752002A (zh
Inventor
李春平
刘京铭
郭伟
龚明慧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Beijing Tiantan Hospital
Original Assignee
Tsinghua University
Beijing Tiantan Hospital
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University, Beijing Tiantan Hospital filed Critical Tsinghua University
Priority to CN201910989705.3A priority Critical patent/CN110752002B/zh
Publication of CN110752002A publication Critical patent/CN110752002A/zh
Application granted granted Critical
Publication of CN110752002B publication Critical patent/CN110752002B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G16H20/13—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 delivered from dispensers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Medicinal Chemistry (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明实施例提供一种药物用量预测装置，该装置包括：特征提取模块用于采集目标对象的当前参考特征；匹配模块用于将所述目标对象的当前生化特征与每一参考组进行相似度计算，将相似度最高的参考组作为目标参考组；药量预测模块用于对所述目标对象的当前参考特征输入到所述目标参考组对应的训练后的神经网络模型中，得到所述目标对象在所述当前时刻对应的下一次用药时所述目标药物用量。本发明实施例通过采集目标对象服药过程中的当前参考特征，并利用神经网络模型对目标对象下一次服药量进行预测，充分利用了患者在服药过程中指标的变化情况，提升了对患者及时有效的精细治疗水平。

Description

一种药物用量预测装置
技术领域
本发明涉及医疗器械技术领域，尤其涉及一种药物用量预测装置。
背景技术
危重病医学是现代医学的一门新兴学科，也是发展最为迅速的学科之一。对危重病患者的诊治水平直接影响到了治愈率和死亡率，因此它是评价一个国家健康医疗发展水平的重要参考指标之一。医院每个ICU病床单位都集合了患者各种生理指标的检测，每时每刻产生大量的指标数据为医生决策提供参考，各种生命支持和精细的治疗仪器为医生提供了便利的手段为患者提供全方位的生命支持和治疗保证。
但在我国，目前普遍存在的一个问题是专业医护人员的短缺。由于患者众多，医护人员往往长时间处于超负荷工作状态中。这一问题带来的后果是各种监护设备产生的海量数据往往不能被医护人员及时观察和提取有意义的信息，治疗仪器设备也不能及时进行调整，影响了对患者及时有效的精细化治疗。
血压是人体的基本生命体征之一。血压不稳定预示着患者病情的危重，但由于该指标会受到诸多因素影响，维持其稳定又需要调整不同的药物，因此对于一个血压不稳定的患者往往需要医护人员密切观察并及时进行调控。
针对血压的实时变化情况，亟需一种药物用量预测装置。
发明内容
针对上述问题，本发明实施例提供一种药物用量预测装置。
本发明实施例提供一种视频输出模式切换方法药物用量预测装置，包括：
特征提取模块，用于采集目标对象的当前参考特征，所述当前参考特征包括所述目标对象的基本特征和所述目标对象的当前生化特征，所述目标对象的基本特征包括所述目标对象的基本信息，所述目标对象的当前生化特征包括所述目标对象在预设时间段内的生理化验指标、所述目标对象在所述当前时刻对应的上一次用药时间、所述目标对象在所述当前时刻对应的下一次用药时间和目标药物在所述当前时刻对应的上一次的用量；
匹配模块，用于将所述目标对象的当前生化特征与每一参考组进行相似度计算，将相似度最高的参考组作为目标参考组，每一参考组通过对每一预设对象在每一预设历史子时间段内的历史生化特征进行聚类分析得到，对于任一预设对象在任一预设历史子时间段内的历史生化特征，所述历史生化特征包括所述任一预设对象在所述任一预设历史子时间段内的生理化验指标、所述目标对象在任一预设历史子时间段对应的上一次用药时间、所述目标对象在所述任一预设历史子时间段对应的下一次用药时间和所述目标药物在所述任一预设历史子时间段对应的上一次的用量；
药量预测模块，用于对所述目标对象的当前参考特征输入到所述目标参考组对应的训练后的神经网络模型中，得到所述目标对象在所述当前时刻对应的下一次用药时所述目标药物用量，所述目标参考组对应的训练后的神经网络模型通过对神经网络模型进行训练得到，对于所述目标参考组中任一预设对象的任一预设历史子时间段，所述任一预设对象的基本特征和所述任一预设对象在所述任一预设历史子时间段的历史生化特征作为所述神经网络的输入，所述目标药物在所述任一预设历史子时间段对应的下一次的用量作为标签。
优选地，所述特征提取模块还用于：
获取所述目标对象的初始当前生化特征，对所述初始当前生化特征进行归一化处理，将归一化后的初始当前生化特征作为所述目标对象的当前生化特征。
优选地，所述特征提取模块还用于：
获取每一预设对象在预设历史时间段内的初始历史生化特征，对于任一预设对象，对所述任一预设对象的初始历史生化特征进行归一化处理，将归一化处理之后的初始历史生化特征作为所述任一预设对象在所述预设历史时间段内的历史生化特征；
并对所述任一预设对象在所述预设历史时间段内的历史生化特征进行滑窗处理，获取所述任一预设对象在每一预设历史子时间段内的历史生化特征。
优选地，所述匹配模块还用于对每一预设对象在每一预设历史子时间段内的历史生化特征进行聚类，得到每一参考组。
优选地，所述匹配模块还用于对每一预设对象在每一预设历史子时间段内的历史生化特征进行聚类，得到每一参考组，具体包括：
通过误差平方和算法，从每一预设对象在每一预设历史子时间段内的历史生化特征中获取K个数据点作为质心；
对于任一数据点，将所述任一数据点归类到与其最相似的质心，获取K个参考组；
重新计算每一参考组的质心，直到每一参考组的质心变化在预设范围之内。
优选地，所述误差平方和算法具体为：
Figure BDA0002237847710000031
其中，K为参考组的数量，x为任一历史生化特征，Ci为第i个参考组，ci为第i个参考组的质心，dist为所述任一历史生化特征和第i个参考组的质心之间的DTW距离度量。
优选地，所述匹配模块对所述目标对象的当前生化特征与每一参考组进行相似度计算具体通过如下方式：
采用动态时间规整技术，对所述目标对象的当前生化特征与每一参考组进行相似度计算。
优选地，所述采用动态时间规整技术，对所述目标对象的当前生化特征与每一参考组进行相似度计算，具体为：
对于所述目标对象的当前生化特征和任一参考组中所包含的所有历史生化特征两个数据序列，计算两个数据序列之间的距离相异矩阵；
获取所述距离相异矩阵中所有弯曲路径，通过DTW算法获取每一弯曲路径的总长度；
将所有弯曲路径中总长度的平方根的最小值作为两个数据序列的相似度。
优选地，所述距离相异矩阵如下：
Figure BDA0002237847710000041
X＝x1，x2，…，xn，
Y＝y1,y2,…,ym，
其中，D表示所述距离相异矩阵，X表示所述目标对象的当前生化特征，Y表示所述任一参考组中所包含的所有历史生化特征。
优选地，所述通过DTW算法获取每一弯曲路径的总长度，具体包括：
Figure BDA0002237847710000042
其中，wp表示所述距离相异矩阵中的一个元素，其中p＝1,2,…,P，P为预设常数。
本发明实施例提供一种药物用量预测装置，通过采集目标对象服药过程中的当前参考特征，并利用神经网络模型对目标对象下一次服药量进行预测，充分利用了患者在服药过程中指标的变化情况，提升了对患者及时有效的精细治疗水平。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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为本发明实施例提供的一种药物用量预测装置的结构示意图；
图2为本发明实施例中所采用的神经网络模型的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
图1为本发明实施例提供的一种药物用量预测装置的结构示意图，如图1所示，该装置包括：特征提取模块101、匹配模块102和药量预测模块103，其中：
特征提取模块101用于采集目标对象的当前参考特征，所述当前参考特征包括所述目标对象的基本特征和所述目标对象的当前生化特征，所述目标对象的基本特征包括所述目标对象的基本信息，所述目标对象的当前生化特征包括所述目标对象在预设时间段内的生理化验指标、所述目标对象在所述当前时刻对应的上一次用药时间、所述目标对象在所述当前时刻对应的下一次用药时间和目标药物在所述当前时刻对应的上一次的用量；
匹配模块102用于将所述目标对象的当前生化特征与每一参考组进行相似度计算，将相似度最高的参考组作为目标参考组，每一参考组通过对每一预设对象在每一预设历史子时间段内的历史生化特征进行聚类分析得到，对于任一预设对象在任一预设历史子时间段内的历史生化特征，所述历史生化特征包括所述任一预设对象在所述任一预设历史子时间段内的生理化验指标、所述目标对象在任一预设历史子时间段对应的上一次用药时间、所述目标对象在所述任一预设历史子时间段对应的下一次用药时间和所述目标药物在所述任一预设历史子时间段对应的上一次的用量；
药量预测模块103用于对所述目标对象的当前参考特征输入到所述目标参考组对应的训练后的神经网络模型中，得到所述目标对象在所述当前时刻对应的下一次用药时所述目标药物用量，所述目标参考组对应的训练后的神经网络模型通过对神经网络模型进行训练得到，对于所述目标参考组中任一预设对象的任一预设历史子时间段，所述任一预设对象的基本特征和所述任一预设对象在所述任一预设历史子时间段的历史生化特征作为所述神经网络的输入，所述目标药物在所述任一预设历史子时间段对应的下一次的用量作为标签。
本发明实施例中目标对象可以是医院的患者，也可以是宠物医院的宠物，本发明实施例以医院的高血压患者为例进行说明，为了控制血压的波动，以服用去甲肾上腺素药物作为目标药物进行说明，也可以是其它为了控制血压的药物。
首先获取该患者的基本信息，本发明实施例中，基本信息包括患者的性别、年龄和体重中的一种或者多种，也可以根据影响实际病情的其它基本信息，相应的改变基本信息具体包含的内容。
然后获取该患者的当前生化特征，当前生化特征反应的是患者在预设时间段血液变化的生理指标和化验指标，简称生理化验指标，本发明实施例中的生理化验指标包括以下指标中的一种或多种，以下指标为：
格拉斯格评估指数、胆红素指数、动脉氧分压、氧浓度分数、肌酸酐指数、白细胞指数、平均动脉压、呼吸率、心率、体温、血氧饱和度和呼吸末正压通气指数。
预设时间段可以根据实际需要设定，可以是检测未来30分钟之内的生理化验指标，也可以是获取过去30分钟内的生理化验指标，也可以是过去15分钟到未来20分钟这段时间的生理化验指标。本发明实施例中以过去30分钟为例进行说明。
当前生化特征除了包含生理化验指标之外，还包括：
该患者在当前时刻对应的上一次用药时间，也就是该患者最近服用去甲肾上腺素的时间；该患者在当前时刻对应的下一次用药时间，也就是该患者接下来应该服药的时间；该患者在当前时刻对应的上一次的用量，也就是该患者最近一次服用去甲肾上腺素的用量。
将上述特征作为该患者的当前生化特征，为了获得当前生化特征，特征提取模块可以与相应的医疗器械直接连接，通过信号传输的方式，获取到当前生化特征，也可以通过使用者将当前生化特征的具体内容输入到特征提取模块中。
匹配模块中存储了很多不同类的参考组，每个参考组中包括了很多预设对象在预设历史子时间段内的历史生化特征，一个参考组中的历史生化特征相似度比较高，可以看作是同一类型的数据，因此将所有预设对象的预设历史子时间段内的历史特征按组进行划分。
在目标对象是人的情况下，预设对象可以是该医院以往的、服用去甲肾上腺素其它高血压患者，获取以往每个高血压患者的基本信息、在某个预设历史子时间段内的生理化验指标以及服用去甲肾上腺素的时间和用量等信息，组成以往高血压患者在该预设历史子时间段内的历史生化特征。
具体地，对于任意一个历史患者(以往高血压患者)，该历史患者在任意一个预设历史子时间段的历史生化特征包括：该历史患者在该预设历史子时间段的生理化验指标、该预设历史子时间段对应的上一次服用去甲肾上腺素的时间、该预设历史子时间段对应的下一次服用去甲肾上腺素的时间和该预设历史子时间段对应的上一次服用去甲肾上腺素的用量。
其中，预设历史子时间段对应的上一次服用去甲肾上腺素的时间，表示以该预设历史子时间段为基准，最近一次服用去甲肾上腺素的时间；该预设历史子时间段对应的下一次服用去甲肾上腺素的时间，表示以该预设历史子时间段为基准，下一次服用去甲肾上腺素的时间；该预设历史子时间段对应的上一次服用去甲肾上腺素的用量，表示以该预设历史子时间段为基准，上一次服用去甲肾上腺素的用量。
匹配模块102将当前生化特征与每个参考组中的历史生化特征进行相似度计算，将相似度最高的组作为目标参考组。每个参考组都对应一个神经网络模型，通过相应参考组中的数据对相应的神经网络模型进行训练，以目标参考组为例进行说明，以目标参考组中历史生化特征和对应预设对象的基本信息为神经网络模型的输入，以预设对象的下一次服药用量为标签对神经网络进行训练，得到训练后的神经网络模型。
药量预测模块103将当前参考特征输入到目标参考组对应的训练后的神经网络模型中，就可以预测出该患者在下一次服药时需要服用去甲肾上腺素的用量。
特征提取模块和匹配模块之间可以进行相互通信，匹配模块和药量预测模块也可以相互之间进行通信。特征提取模块将提取的历史患者的历史生化特征发送给匹配模块，匹配模块对历史患者的历史生化特征进行分类，并对每个参考组的神经网络模型进行训练，并将目标参考组对应的神经网络模型发送给药量预测模块。药量预测模块以实现对药物用量的预测。
本发明实施例通过使用人工智能技术实时分析患者血压波动状况，实现针对患者用药剂量进行自适应调节，为医生治疗患者提供辅助，以减轻医护人员的工作负担。
还需要说明的是，图2为本发明实施例中所采用的神经网络模型的结构示意图，如图2所示，该神经网络模型采用两个循环层结构的长短记忆模型(Long Short-TermMemory，简称LSTM)结构，并在两个循环层使用随机失活机制。图中x1、x2、……、xl表示神经网络的输入，y表示神经网络的输出，o1、o2、……、ol分别表示两个循环层结构的LSTM模型的输出。
综上，本发明实施例提供一种药物用量预测装置，通过采集目标对象服药过程中的当前参考特征，并利用神经网络模型对目标对象下一次服药量进行预测，充分利用了患者在服药过程中指标的变化情况，提升了对患者及时有效的精细治疗水平。
在上述实施例的基础上，优选地，所述特征提取模块还用于：
获取所述目标对象的初始当前生化特征，对所述初始当前生化特征进行归一化处理，将归一化后的初始当前生化特征作为所述目标对象的当前生化特征。
数据归一化处理是数据挖掘的一项基础工作，不同数据往往具有不同的量纲，数值间的差别可能很大，不进行处理可能会影响到数据分析的结果。为了消除指标之间的量纲和取值范围差异的影响，需要进行标准化处理，将数据按照比例进行缩放，使之落入一个特定的区域，便于进行综合分析。
具体地，特征提取模块在获得当前生化特征之前，还包括：获取目标对象的初始当前生化特征，初始当前生化特征是从患者医疗电子档案及电子设备采集的急重病临床数据，由于这些数据具有不同的量纲，因此需要对初始当前生化特征进行归一化处理，使得这些数据的值都位于[0,1]之间。
在上述实施例的基础上，优选地，所述特征提取模块还用于：
获取每一预设对象在预设历史时间段内的初始历史生化特征，对于任一预设对象，对所述任一预设对象的初始历史生化特征进行归一化处理，将归一化处理之后的初始历史生化特征作为所述任一预设对象在所述预设历史时间段内的历史生化特征；
并对所述任一预设对象在所述预设历史时间段内的历史生化特征进行滑窗处理，获取所述任一预设对象在每一预设历史子时间段内的历史生化特征。
具体地，对于历史患者在预设历史子时间段内的历史生化特征获取过程如下：
首先采集每个历史患者在预设历史时间段内的初始历史生化特征，对每个历史患者在预设历史时间段内的初始历史生化特征进行归一化处理，并将归一化处理之后的初始历史生化特征作为每个历史患者在预设历史时间段内的历史生化特征。
具体地，本发明实施例中，采用最大最小标准化方式进行归一化处理。最大最小标准化也称为离散标准化，是对原始数据的线性变换，将数据值映射到[0,1]之间。
接着对每个历史患者在预设历史时间段内的历史生化特征进行滑窗处理，得到每个历史患者在每个预设历史子时间段内的历史生化特征。
还需要说明的是，预设历史子时间段时对预设历史时间段进行窗口滑动得到的，以预设历史时间段为过去24小时为例进行说明，假设过去24小时为2019.9.20日00:00-24:00,获取以往高血压患者过去24小时的历史生化特征，对过去24小时进行滑窗处理，如果窗口的长度为30分钟，那么预设历史子时间段可以为00:01-00:30、00:31-01:00、01:01-01:30、……、23:31-24:00；也可以为00:01-00:30、00:15-00:44、00:30-00:59、……、23:30-23:59，具体可以根据实际情况确定，以第一种情况为例进行说明，对于任一历史患者，该历史患者的每一预设历史子时间段的历史生化特征包括：该历史患者在00:01-00:30时间段内的历史生化特征、该历史患者在00:31-01:00时间段内的历史生化特征、该历史患者在01:01-01:30时间段内的历史生化特征、……、该历史患者在23:31-24:00时间段内的历史生化特征。
在上述实施例的基础上，优选地，所述匹配模块还用于对每一预设对象在每一预设历史子时间段内的历史生化特征进行聚类，得到每一参考组。
具体地，匹配模块的功能还有将每个历史患者在每个预设历史子时间段内的历史生化特征进行聚类，就可以得到不同类型的参考组。
在上述实施例的基础上，优选地，所述匹配模块还用于对每一预设对象在每一预设历史子时间段内的历史生化特征进行聚类，得到每一参考组，具体包括：
通过误差平方和算法，从每一预设对象在每一预设历史子时间段内的历史生化特征中获取K个数据点作为质心；
对于任一数据点，将所述任一数据点归类到与其最相似的质心，获取K个参考组；
重新计算每一参考组的质心，直到每一参考组的质心变化在预设范围之内。
需要说明的是，误差平方和又称残差平方和、组内平方和等，根据n个观察值拟合适当的模型后，余下未能拟合部份称为残差，其中y平均表示n个观察值的平均值，所有n个残差平方之和称误差平方和。在回归分析中通常用SSE表示，其大小用来表明函数拟合的好坏。将残差平方和除以自由度可以作为误差方差的无偏估计，通常用来检验拟合的模型是否显著。
具体地，进行聚类分析，得到参考组的步骤具体如下：
通过误差平方和算法，对每个历史患者在每个预设历史子时间段内的历史生化特征中选取K个数据点作为质心，对于任一数据点，将所述任一数据点归类到与其最相似的质心，获取K个参考组；重新计算每一参考组的质心，直到每一参考组的质心变化在预设范围之内。
具体地，平方误差和算法的定义如下：
Figure BDA0002237847710000111
其中，K为参考组的数量，x为任一历史生化特征，Ci为第i个参考组，ci为第i个参考组的质心，dist为所述任一历史生化特征和第i个参考组的质心之间的DTW距离度量。
最终基于上述所提取指标特征数据，血压调控的患者被划分为K个不同聚簇，分别形成不同聚簇患者的血压波动时间序列模式。
在上述实施例的基础上，优选地，所述匹配模块对所述目标对象的当前生化特征与每一参考组进行相似度计算具体通过如下方式：
采用动态时间规整技术，对所述目标对象的当前生化特征与每一参考组进行相似度计算。
具体地，对于目标对象的当前生化特征和任一参考组中所包含的所有历史生化特征两个数据序列，计算两个数据序列之间的距离相异矩阵，相异矩阵的具体公式如下：
Figure BDA0002237847710000121
X＝x1，x2，…，xn，
Y＝y1,y2,…,ym，
其中，D表示所述距离相异矩阵，X表示所述目标对象的当前生化特征，Y表示所述任一参考组中所包含的所有历史生化特征。
获取距离相异矩阵中所有弯曲路径，通过DTW算法获取每一弯曲路径的总长度，具体计算公式如下：
Figure BDA0002237847710000122
其中，wp表示所述距离相异矩阵中的一个元素，其中p＝1,2,…,P，P为预设常数，满足约束max(m，n)≤P≤m+n-1，m表示所述距离相异矩阵的列数，n表示所述距离相异矩阵的行数。
将所有弯曲路径中总长度的平方根的最小值作为两个数据序列的相似度。
综上，本发明实施例提供的一种药物用量预测装置，包括特征提取模块、匹配模块和药量预测模块，当在临床用药调控血压过程中提取出某位患者上述当前生化特征，通过该装置，即能够预测下一时刻该患者用药剂量并进行自动调控。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种药物用量预测装置，其特征在于，包括：
特征提取模块，用于采集目标对象的当前参考特征，所述当前参考特征包括所述目标对象的基本特征和所述目标对象的当前生化特征，所述目标对象的基本特征包括所述目标对象的基本信息，所述目标对象的当前生化特征包括所述目标对象在预设时间段内的生理化验指标、所述目标对象在当前时刻对应的上一次用药时间、所述目标对象在所述当前时刻对应的下一次用药时间和目标药物在所述当前时刻对应的上一次的用量；
匹配模块，用于将所述目标对象的当前生化特征与每一参考组进行相似度计算，将相似度最高的参考组作为目标参考组，每一参考组通过对每一预设对象在每一预设历史子时间段内的历史生化特征进行聚类分析得到，对于任一预设对象在任一预设历史子时间段内的历史生化特征，所述历史生化特征包括所述任一预设对象在所述任一预设历史子时间段内的生理化验指标、所述目标对象在任一预设历史子时间段对应的上一次用药时间、所述目标对象在所述任一预设历史子时间段对应的下一次用药时间和所述目标药物在所述任一预设历史子时间段对应的上一次的用量；
药量预测模块，用于对所述目标对象的当前参考特征输入到所述目标参考组对应的训练后的神经网络模型中，得到所述目标对象在所述当前时刻对应的下一次用药时所述目标药物用量，所述目标参考组对应的训练后的神经网络模型通过对神经网络模型进行训练得到，对于所述目标参考组中任一预设对象的任一预设历史子时间段，所述任一预设对象的基本特征和所述任一预设对象在所述任一预设历史子时间段的历史生化特征作为所述神经网络的输入，所述目标药物在所述任一预设历史子时间段对应的下一次的用量作为标签。
2.根据权利要求1所述药物用量预测装置，其特征在于，所述特征提取模块还用于：
获取所述目标对象的初始当前生化特征，对所述初始当前生化特征进行归一化处理，将归一化后的初始当前生化特征作为所述目标对象的当前生化特征。
3.根据权利要求1所述药物用量预测装置，其特征在于，所述特征提取模块还用于：
获取每一预设对象在预设历史时间段内的初始历史生化特征，对于任一预设对象，对所述任一预设对象的初始历史生化特征进行归一化处理，将归一化处理之后的初始历史生化特征作为所述任一预设对象在所述预设历史时间段内的历史生化特征；
并对所述任一预设对象在所述预设历史时间段内的历史生化特征进行滑窗处理，获取所述任一预设对象在每一预设历史子时间段内的历史生化特征。
4.根据权利要求3所述药物用量预测装置，其特征在于，所述匹配模块还用于对每一预设对象在每一预设历史子时间段内的历史生化特征进行聚类，得到每一参考组。
5.根据权利要求4所述药物用量预测装置，其特征在于，所述匹配模块还用于对每一预设对象在每一预设历史子时间段内的历史生化特征进行聚类，得到每一参考组，具体包括：
通过误差平方和算法，从每一预设对象在每一预设历史子时间段内的历史生化特征中获取K个数据点作为质心；
对于任一数据点，将所述任一数据点归类到与其最相似的质心，获取K个参考组；
重新计算每一参考组的质心，直到每一参考组的质心变化在预设范围之内。
6.根据权利要求5所述药物用量预测装置，其特征在于，所述误差平方和算法具体为：
Figure FDA0002237847700000031
其中，K为参考组的数量，x为任一历史生化特征，Ci为第i个参考组，ci为第i个参考组的质心，dist为所述任一历史生化特征和第i个参考组的质心之间的DTW距离度量。
7.根据权利要求1所述药物用量预测装置，其特征在于，所述匹配模块对所述目标对象的当前生化特征与每一参考组进行相似度计算具体通过如下方式：
采用动态时间规整技术，对所述目标对象的当前生化特征与每一参考组进行相似度计算。
8.根据权利要求7所述药物用量预测装置，其特征在于，所述采用动态时间规整技术，对所述目标对象的当前生化特征与每一参考组进行相似度计算，具体为：
对于所述目标对象的当前生化特征和任一参考组中所包含的所有历史生化特征两个数据序列，计算两个数据序列之间的距离相异矩阵；
获取所述距离相异矩阵中所有弯曲路径，通过DTW算法获取每一弯曲路径的总长度；
将所有弯曲路径中总长度的平方根的最小值作为两个数据序列的相似度。
9.根据权利要求8所述药物用量预测装置，其特征在于，所述距离相异矩阵如下：
Figure FDA0002237847700000032
X＝x1，x2，…，xn，
Y＝y1,y2,…,ym，
其中，D表示所述距离相异矩阵，X表示所述目标对象的当前生化特征，Y表示所述任一参考组中所包含的所有历史生化特征。
10.根据权利要求8所述药物用量预测装置，其特征在于，所述通过DTW算法获取每一弯曲路径的总长度，具体包括：
Figure FDA0002237847700000041
其中，wp表示所述距离相异矩阵中的一个元素，其中p＝1,2,…,P，P为预设常数。
CN201910989705.3A 2019-10-17 2019-10-17 一种药物用量预测装置 Active CN110752002B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910989705.3A CN110752002B (zh) 2019-10-17 2019-10-17 一种药物用量预测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910989705.3A CN110752002B (zh) 2019-10-17 2019-10-17 一种药物用量预测装置

Publications (2)

Publication Number Publication Date
CN110752002A CN110752002A (zh) 2020-02-04
CN110752002B true CN110752002B (zh) 2022-07-05

Family

ID=69278720

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910989705.3A Active CN110752002B (zh) 2019-10-17 2019-10-17 一种药物用量预测装置

Country Status (1)

Country Link
CN (1) CN110752002B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112037932A (zh) * 2020-09-09 2020-12-04 平安科技（深圳）有限公司 患者用药行为干预方法及装置、服务器、存储介质
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
CN113317820B (zh) * 2021-05-14 2022-09-09 杭州医学院 一种基于人工智能技术的超促排卵治疗中卵泡发育预测系统
CN117198512B (zh) * 2023-11-07 2024-04-05 讯飞医疗科技股份有限公司 给药量预测方法及相关装置、设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104915560A (zh) * 2015-06-11 2015-09-16 万达信息股份有限公司 一种基于广义神经网络聚类的疾病病种诊疗方案预测方法
CN105844112A (zh) * 2016-04-12 2016-08-10 北京卓亚医药科技有限公司 一种药物个体化剂量调整方法及装置
EP3273373A1 (en) * 2016-07-18 2018-01-24 Fresenius Medical Care Deutschland GmbH Drug dosing recommendation
CN110021397A (zh) * 2019-02-01 2019-07-16 捷普科技（上海）有限公司 基于人体生理参数预测给药量的方法及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160335412A1 (en) * 2013-01-30 2016-11-17 Geoffrey Tucker Systems and methods for predicting and adjusting the dosage of medicines in individual patients

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104915560A (zh) * 2015-06-11 2015-09-16 万达信息股份有限公司 一种基于广义神经网络聚类的疾病病种诊疗方案预测方法
CN105844112A (zh) * 2016-04-12 2016-08-10 北京卓亚医药科技有限公司 一种药物个体化剂量调整方法及装置
EP3273373A1 (en) * 2016-07-18 2018-01-24 Fresenius Medical Care Deutschland GmbH Drug dosing recommendation
CN110021397A (zh) * 2019-02-01 2019-07-16 捷普科技（上海）有限公司 基于人体生理参数预测给药量的方法及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于人工神经网络的丙戊酸钠个体化给药设计;王军等;《中国临床药学杂志》;20130125;第22卷(第01期);全文 *
肾移植受者的环孢素剂量预测;余俊先等;《中国医院药学杂志》;20100915;第30卷(第17期);全文 *

Also Published As

Publication number Publication date
CN110752002A (zh) 2020-02-04

Similar Documents

Publication Publication Date Title
CN110752002B (zh) 一种药物用量预测装置
Clifton et al. Gaussian processes for personalized e-health monitoring with wearable sensors
US8388530B2 (en) Personalized monitoring and healthcare information management using physiological basis functions
Clifford et al. Robust parameter extraction for decision support using multimodal intensive care data
US20150248537A1 (en) Personalized Health Score Generator
US20060206013A1 (en) System and method for improving hospital patient care by providing a continual measurement of health
AU2016278356A1 (en) Method and system for assessing mental state
JP2008546117A (ja) 疾患予後の動的定量のためのシステムおよび方法
EP2638489A1 (en) Method of continuous prediction of patient severity of illness, mortality, and length of stay
US11580432B2 (en) System monitor and method of system monitoring to predict a future state of a system
CN113886407A (zh) 麻醉剂用药数据库的智能更新方法、装置、系统及介质
KR102598101B1 (ko) 딥 뉴럴 네트워크 기반 실시간 중환자실 환자 상태 분석 시스템 및 방법
US20220093229A1 (en) Apparatus and method for calculating an optimum medication dose
Dharmik et al. An IoT framework for healthcare monitoring system
CN116936134B (zh) 一种基于护理晨交班数据的并发症监测方法和系统
CN116884605B (zh) 一种手术麻醉信息智能管理系统
CN116453641B (zh) 一种中医辅助分析信息的数据处理方法及系统
Fisher et al. Monitoring health changes in congestive heart failure patients using wearables and clinical data
Zheng et al. Adaptive sedation monitoring from EEG in ICU patients with online learning
Tan et al. Remote patient monitoring system
CN116019429A (zh) 基于生理指标的健康监测方法、装置、设备及存储介质
García-Sáez et al. Mealtime blood glucose classifier based on fuzzy logic for the diabtel telemedicine system
US20230386676A1 (en) Systems and methods to detect a false alarm in a patient monitoring device
KR102382659B1 (ko) 당화혈색소 수치 추정을 위한 인공지능학습 모델의 학습 방법 및 그 시스템
Jenny Mortality Risk Prediction in the Intensive Care Unit using MIMIC-III Database

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