CN110880361A - 一种个性化精准用药推荐方法及装置 - Google Patents

Abstract

本发明实施例提供了一种个性化精准用药推荐方法及装置，本发明涉及基架运维技术领域，方法包括：获取患同一疾病的多个病患的病历数据，包括结构化数据、文本数据及影像数据；从文本数据中得到病患的用药信息；从多个历史病患的用药信息中筛选得到目标病患的第一药品推荐结果；将病患的病历数据进行合并处理，得到病患的病情特征信息；从多个历史病患中筛选出与目标病患的当前病情特征信息相似的至少一个相似病患；根据相似病患的用药信息生成第二药品推荐结果；根据第一药品推荐结果及第二药品推荐结果得到目标病患的个性化药品推荐结果。本发明实施例提供的技术方案能够解决现有技术中病患用药精准度低的问题。

Description

一种个性化精准用药推荐方法及装置

【技术领域】

本发明涉及基架运维技术领域，尤其涉及一种个性化精准用药推荐方法及装置。

【背景技术】

精准用药是精准医疗的核心构成。在疾病诊疗过程中，准确的用药方案，按时、按量的用药过程对提升病患的治疗效果起到了决定性作用。而要做到对症下药，需要因人、因病而异，综合考虑病患的当前情况、过往病史用药史及家族病史。

现有智能系统对病患EHR(Electronic Health Record)数据的使用，一般限于对其中数值型、结构化部分的利用。而对于个体病患，尤其是患有慢性病的个体病患，其诊疗医疗记录具有跨度时间长，仅靠结构化数值型EHR数据来进行药品推荐，用药的精准度低，难以满足病患的个性化用药需求。

【发明内容】

有鉴于此，本发明实施例提供了一种个性化精准用药推荐方法及装置，用以解决现有技术中病患用药的精准度低，难以满足病患的个性化用药需求的问题。

为了实现上述目的，根据本发明的一个方面，提供了一种个性化精准用药推荐方法，所述方法包括：

获取患同一疾病的多个病患的病历数据，所述病历数据包括结构化数据、文本数据及影像数据，其中，所述病患包括历史病患及当前需要被推荐用药的目标病患；利用命名实体识别算法从每个所述病患的文本数据中得到所述病患的用药信息；基于药品的协同过滤算法从多个所述历史病患的用药信息中筛选得到所述目标病患的第一药品推荐结果；将所述病患的病历数据进行合并处理，得到所述病患的病情特征信息；基于病患的协同过滤算法从多个所述历史病患中筛选出与所述目标病患的当前病情特征信息相似的至少一个相似病患；根据所述相似病患的用药信息生成第二药品推荐结果；将所述第一药品推荐结果及所述第二药品推荐结果进行融合处理，得到所述目标病患的个性化药品推荐结果。

可选地，所述将所述病患的病历数据进行合并处理，得到所述病患的病情特征信息的步骤，包括：

根据预设的映射表将识别到的每个所述病患的用药信息转变为对应的数值型数据；将每个所述病患的病历数据中的结构化数据根据时间顺序形成稀疏矩阵；利用变分自编码器对所述数值型数据、所述稀疏矩阵进行压缩编码处理，得到所述病患的第一编码及第二编码；利用预设的卷积神经网络将所述影像数据进行池化处理，得到所述病患的第三编码；将所述第一编码、所述第二编码及所述第三编码进行合并处理，得到每个所述病患的病情特征信息。

可选地，所述第一编码包括来源于所述文本数据的第一特征信息及时间维度信息，所述第二编码包括来源于所述结构化数据的第二特征信息及所述时间维度信息，所述第三编码包括来源于所述影像数据的第三特征信息及所述时间维度信息；所述将所述第一编码、所述第二编码及所述第三编码进行合并处理，得到每个所述病患的病情特征信息的步骤，包括：

以所述时间维度信息为基准将每个所述病患的所述第一特征信息、所述第二特征信息及所述第三特征信息合并处理，得到每个所述病患的病情特征信息，所述病情特征信息是一条多维记录数据。

可选地，所述基于病患的协同过滤算法从多个所述历史病患中筛选出与所述目标病患的当前病情特征信息相似的至少一个相似病患的步骤，包括：

将每个所述病患的病情特征信息输入预设的词向量表示模型，得到每个所述病患的特征信息向量；计算每个所述历史病患的特征信息向量与所述目标病患的特征信息向量之间的欧式距离；将所述欧式距离确认为所述历史病患与所述目标病患的病情相似度；根据所述病情相似度从多个所述历史病患中筛选出至少一个相似病患，其中，所述相似病患与所述目标病患的病情相似度大于预设阈值。

可选地，所述根据所述相似病患的用药信息生成第二药品推荐结果的步骤，包括：

从预设的疾病-药品的有向连接图中查找所述疾病的关联疾病；根据所述有向连接图获取所述关联疾病及所述疾病的用药信息；根据所述关联疾病、所述疾病的用药信息及所述相似病患的用药信息生成第二药品推荐结果。

可选地，所述将所述第一药品推荐结果及所述第二药品推荐结果进行融合处理，得到所述目标病患的个性化药品推荐结果的步骤，包括：

将所述第一药品推荐结果与所述第二药品推荐结果进行融合处理，得到融合药品推荐结果；将所述融合药品推荐结果与预设的互斥药品组进行比对，以判断所述融合药品推荐结果中是否存在互斥药品组；如存在，采用同药性药品替换策略调整所述融合药品推荐结果，以消除所述互斥药品组；根据调整后的所述融合药品推荐结果生成所述目标病患的个性化药品推荐结果。

可选地，所述利用预设的卷积神经网络将所述影像数据进行池化处理，得到所述病患的第三编码的步骤，包括：

获取所述影像数据中的每个像素点的三原色值；利用预设的卷积神经网络并根据所有所述像素点的三原色值提取特征部分，形成所述病患的第三编码。

为了实现上述目的，根据本发明的一个方面，提供了一种个性化精准用药推荐装置，所述装置包括：

获取单元，用于获取患同一疾病的多个病患的病历数据，所述病历数据包括结构化数据、文本数据及影像数据，其中，所述病患包括历史病患及当前需要被推荐用药的目标病患；识别单元，用于利用命名实体识别算法从每个所述病患的文本数据中得到所述病患的用药信息；第一筛选单元，用于基于药品的协同过滤算法从多个所述历史病患的用药信息中筛选得到所述目标病患的第一药品推荐结果；处理单元，用于将所述病患的病历数据进行合并处理，得到所述病患的病情特征信息；第二筛选单元，用于基于病患的协同过滤算法从多个所述历史病患中筛选出与所述目标病患的当前病情特征信息相似的至少一个相似病患；生成单元，用于根据所述相似病患的用药信息生成第二药品推荐结果；融合单元，用于将所述第一药品推荐结果及所述第二药品推荐结果进行融合处理，得到所述目标病患的个性化药品推荐结果。

可选地，所述处理单元包括：

转变子单元，用于根据预设的映射表将识别到的每个所述病患的用药信息转变为对应的数值型数据；处理子单元，用于将每个所述病患的病历数据中的结构化数据根据时间顺序形成稀疏矩阵；压缩子单元，用于利用变分自编码器对所述数值型数据、所述稀疏矩阵进行压缩编码处理，得到所述病患的第一编码及第二编码；池化子单元，用于利用预设的卷积神经网络将所述影像数据进行池化处理，得到所述病患的第三编码；合并子单元，用于将所述第一编码、所述第二编码及所述第三编码进行合并处理，得到每个所述病患的病情特征信息。

为了实现上述目的，根据本发明的一个方面，提供了一种计算机非易失性存储介质，所述存储介质包括存储的程序，在所述程序运行时控制所述存储介质所在设备执行上述任意一项所述的个性化精准用药推荐方法。

为了实现上述目的，根据本发明的一个方面，提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述的个性化精准用药推荐方法的步骤。

在本方案中，通过将同一疾病的病患的病历数据进行合并处理，筛选出与目标病患的当前病情特征信息相似的病患，并进一步根据相似病患的用药记录得到第二药品推荐结果，最后将第一药品推荐结果与第二药品推荐结果进行融合，相比于现有的仅利用第一药品推荐系结果来给病患提供用药推荐，更加综合全面的考虑病患病情的动态变化过程，提供用药的精准度，满足病患的个性化用药需求。

【附图说明】

为了更清楚地说明本发明实施例的技术方案，下面将对实施例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它的附图。

图1是本发明实施例提供的一种可选的个性化精准用药推荐方法的流程图；

图2是本发明实施例提供的一种可选的个性化精准用药推荐装置的示意图；

图3是本发明实施例提供的一种可选的计算机设备的示意图。

【具体实施方式】

为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。

应当明确，所描述的实施例仅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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

应当理解，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述终端，但这些终端不应限于这些术语。这些术语仅用来将终端彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一终端也可以被称为第二终端，类似地，第二终端也可以被称为第一终端。

取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。

图1是根据本发明实施例的一种个性化精准用药推荐方法的流程图，如图1所示，该方法包括：

步骤S01，获取患同一疾病的多个病患的病历数据，病历数据包括结构化数据、文本数据及影像数据，其中，病患包括历史病患及当前需要被推荐用药的目标病患；

步骤S02，利用命名实体识别算法从每个病患的文本数据中得到病患的用药信息；

步骤S03，基于药品的协同过滤算法从多个历史病患的用药信息中筛选得到目标病患的第一药品推荐结果；

步骤S04，将病患的病历数据进行合并处理，得到病患的病情特征信息；

步骤S05，基于病患的协同过滤算法从多个历史病患中筛选出与目标病患的当前病情特征信息相似的至少一个相似病患；

步骤S06，根据相似病患的用药信息生成第二药品推荐结果；

步骤S07，将第一药品推荐结果及第二药品推荐结果进行融合处理，得到目标病患的个性化药品推荐结果。

在本方案中，通过将同一疾病的病患的病历数据进行合并处理，筛选出与目标病患的当前病情特征信息相似的病患，并进一步根据相似病患的用药记录得到第二药品推荐结果，最后将第一药品推荐结果与第二药品推荐结果进行融合，相比于现有的仅利用第一药品推荐系结果来给病患提供用药推荐，更加综合全面的考虑病患病情的动态变化过程，提供用药的精准度，满足病患的个性化用药需求。

下面对本实施例提供的图像处理方法的具体技术方案进行详细的说明。

步骤S01，获取患同一疾病的多个病患的病历数据，病历数据包括结构化数据、文本数据及影像数据，其中，病患包括历史病患及当前需要被推荐用药的目标病患。

其中，历史病患是指曾经患上述疾病的病患，目标病患是当前正在患病的病患，目标病患是用药推荐的目标对象。具体地，结构化数据为病患的电子健康档案(ElectronicHealth Record，EHR)中的数值型数据，例如：心率、血压、血糖、尿量等各项检验数据，其以数值形式存储在电子健康档案中。文本数据例如用药记录、出院总结、护理记录、查房记录等，其以文本形式存储在电子健康档案中，影像数据例如CT图像、MRI图像、X光影像等，其以图片形式存储在电子健康档案中。

步骤S02，利用命名实体识别算法从每个病患的文本数据中得到病患的用药信息。

其中，文本数据例如可以是用药记录，其可能是扫描图档或文本格式。具体包括：将每个病患的文本数据进行分词处理，得到多个词汇；利用命名实体识别算法从多个词汇中识别得到每个病患的用药信息。在本实施方式中，每个病患的用药信息以病患-药品编码矩阵的形式表达。命名实体识别(Named Entity Recognition；以下简称：NER)是指识别文本中具有特定意义的实体，主要包括人名、疾病名、药品名和/或专有名词等。其中，可以利用命名实体识别获取病患的社保卡号，例如社保卡号：6123456，由于社保卡号是病患的唯一身份识别码，将病患的社保卡号用来表示所述病患，药品编码是根据药品知识库中记录的药品及编码的映射关系，通过将识别到的药品名输入药品知识库，可以查询得到药品编码。

例如，病患的社保卡号：6123456，识别得到药品(药品a：D120；药品b：D130；)，那么信息整合得到病患A的用药信息为{6123456,D120，D130}。

在其他实施方式中，也可以用关键词识别等手段从文本数据中获取用药信息，在此不做限定。

步骤S03，基于药品的协同过滤算法从多个历史病患的用药信息中筛选得到目标病患的第一药品推荐结果。

其中，基于药品的协同过滤算法是指，通过查找药品和药品之间的相似度，找到历史病患对某些药品的评分，进而将评分最高的若干个相似药品推荐给目标病患。第一药品推荐结果至少包括一种药品。在一种实施方式中，第一药品推荐结果中包括的药品是根据患有相同疾病的多个历史病患的用药信息中过滤得到评分高于预设值的药品。历史病患是指与目标病患患有相同疾病的已就诊的病患。

可以理解地，协同过滤是通过收集来自很多病患的用药信息来预测目标病患的用药的方法。例如药品a用来治疗某疾病的评分很高，那么系统就会认为药品a适用于该疾病的治疗应用。

步骤S04，将病患的病历数据进行合并处理，得到病患的病情特征信息。

其中，病患的病情特征信息包括第一特征信息、第二特征信息及第三特征信息。病情特征信息是一条多维记录数据，是以时间维度信息为基准将每个病患的第一特征信息、第二特征信息及第三特征信息合并处理得到的。第一特征信息是从病历数据的文本数据中提取得到的，第二特征信息是从病历数据的结构化数据中提取得到的，第三特征性是从病历数据的影像数据中提取得到的。

进一步地，步骤S04具体包括：

步骤S041，根据预设的映射表将识别到的每个病患的用药信息转变为对应的数值型数据。可以理解地，将药品映射为一个数值，方便后续计算处理，例如将“硝苯地平”映射为“D130”，将“苯磺酸左旋氨氯地平”映射为“D131”等等。

步骤S042，将每个病患的病历数据中的结构化数据根据时间顺序形成稀疏矩阵。具体地，利用变分自编码器(Variational Autoencoder，VAE)来处理结构化数据，使其按照时序信息压缩成稀疏矩阵。VAE是一种自编码器，VAE的编码结果可以将高维数据进行降维。每个病患的结构化数据例如Xvae＝{x1,x2,…xi,…xn}，X中的每一个变量代表一个输入向量，向量的元素是与病患相关的因子，如心率、血压、实验检验肌酐、血糖、尿素，X表示一种疾病。

步骤S043，利用变分自编码器对数值型数据、稀疏矩阵进行压缩编码处理，得到病患的第一编码及第二编码。第一编码包括来源于文本数据的第一特征信息及时间维度信息，同样地，第二编码包括来源于结构化数据的第二特征信息及时间维度信息。

进一步地，这里时间维度信息不仅仅是治疗日期，而是用于表示病程的时间，例如初诊时间，第一次复诊时间，第二次复诊时间，从而判断病患的病情所处的阶段。

步骤S044，利用预设的卷积神经网络将影像数据进行池化处理，得到病患的第三编码。

池化处理时，先获取影像数据中的每个像素点的三原色值；再利用预设的卷积神经网络并根据所有像素点的三原色值提取特征部分，形成病患的第三编码。

具体地，通过卷积神经网络将其池化，突出其中的重点信息，例如肺炎的区域，卷积神经网络输出第三编码，第三编码包括来源于影像数据的第三特征信息及时间维度信息。例如，病患a于2019-9-30的肺部X光片中的右下肺斑片状模糊面积为1cm*2cm；病患a于2019-10-02的肺部X光片中的右下肺斑片状模糊面积为0.5cm*0.5cm。病患的第三编码包括来源于影像数据的第三特征信息及时间维度信息。

步骤S045，将第一编码、第二编码及第三编码进行合并处理，得到每个病患的病情特征信息。具体地，以时间维度信息为基准将每个病患的第一特征信息、第二特征信息及第三特征信息合并处理，得到每个病患的病情特征信息，病情特征信息是一条多维记录数据。

步骤S05，基于病患的协同过滤算法从多个历史病患中筛选出与目标病患的当前病情特征信息相似的至少一个相似病患。

其中，基于病患的协同过滤算法是指，通过查找病患和病患之间的病情特征信息的相似度，进而将病情特征信息的相似度最高的病患确认为相似病患。例如，多个历史病患中有一个病患某一阶段的病情特征信息与目标病患当前病情特征信息的相似度为92％，大于预设阈值90％，那么该病患就是相似病患。

可以理解地，通过筛选相似病患，突显目标病患当前病情的特征重点，更加综合全面地考虑病人病情的动态变化过程，使得用药推荐更加精准，更加贴合病患当前的病情。

步骤S05的具体步骤包括：

步骤S051，将每个病患的病情特征信息输入预设的词向量表示模型，得到每个病患的特征信息向量。在本实施方式中，预设的词向量表示模型例如可以是Word2vea模型，在其他实施方式中，也可以采用其他的词向量表示模型，使得多维记录数据转变为词向量，方便后续的相似度计算。

步骤S052，计算每个历史病患的特征信息向量与目标病患的特征信息向量之间的欧式距离。可以理解地，通过计算各个病患的病情相似度，从而找到与目标病患的当前病情相似的病患，因为每个人的病程变化、体质等都不相同，因此在给予用药推荐时，应该充分考虑个体的差异性。

步骤S053，将欧式距离确认为历史病患与目标病患的病情相似度。

具体计算公式为：

其中，x表示历史病患的病情的特征信息向量；y表示目标病患的病情的特征信息向量；d(x，y)表示向量x与向量y之间的欧式距离，n表示向量的维度总数。

在其他实施方式中，也可以采取其他的相似度计算方法来计算历史病患与目标病患之间病情的相似度，例如余弦距离、编辑距离等，在此不做限定。

步骤S054，根据病情相似度从多个历史病患中筛选出至少一个相似病患，其中，相似病患与目标病患的病情相似度大于预设阈值。

例如预设阈值为90％，如果历史病患贾某与目标病患的病情相似度为92％，那么就可以将历史病患贾某确认为是目标病患的相似病患。

步骤S06，根据相似病患的用药信息生成第二药品推荐结果。

在一种实施方式中，先从预设的数据库中获取相似病患的用药记录，将相似病患的用药记录进行分词处理，得到多个词汇；利用命名实体识别算法从多个词汇中识别得到相似病患的用药信息。这里的数据库可以是医院的病例数据库。例如，相似病患B的用药信息{6123457，D120，D130}，那么第二药品推荐结果为D120及D130。

步骤S06具体包括：

步骤S061，从预设的疾病-药品的有向连接图中查找疾病的关联疾病；步骤S062，根据有向连接图获取关联疾病及疾病的用药信息；步骤S063，根据关联疾病、疾病的用药信息及相似病患的用药信息生成第二药品推荐结果。

在本实施方式中，疾病-药品的有向连接图，是通过NER挖掘标注出疾病与对应药物制剂的关联(如他汀可用于降低血脂)，形成点和边，和疾病VS疾病图网络进行融合，最终形成以疾病、对应药物为顶点，之间关联为边的有向连接图，以记录疾病之间的关联，例如并发症等。

步骤S07，将第一药品推荐结果及第二药品推荐结果进行融合处理，得到目标病患的个性化药品推荐结果。

在一种实施方式中，第一药品推荐结果先与第二药品推荐结果进行合并，然后在合并后的多个药品中删除重复的药品，得到个性化药品推荐结果。

例如，第一药品推荐结果为(x1，x2)，第二药品推荐结果为(x2，y1，z1)，融合得到(x1，x2，x2，y1，z1)，删除一个重复的x2，最后个性化药品推荐结果为(x1，x2，y1，z1)。

步骤S07具体步骤包括：

步骤S071，将第一药品推荐结果与第二药品推荐结果进行融合处理，得到融合药品推荐结果；步骤S072，将融合药品推荐结果与预设的互斥药品组进行比对，以判断融合药品推荐结果中是否存在互斥药品组；步骤S073，如存在，采用同药性药品替换策略调整融合药品推荐结果，以消除互斥药品组；步骤S074，根据调整后的融合药品推荐结果生成目标病患的个性化药品推荐结果。

例如抗生素中的“氯霉素”与磺脲类降血糖药，合用会引起低血糖。因此是互斥药品组，不能同时服用；阿司匹林与消炎痛也是互斥药品组。

进一步地，在步骤S072之后，还包括步骤S075，如不存在，根据所述融合药品推荐结果生成所述目标病患的个性化药品推荐结果。

在本方案中，通过将同一疾病的病患的病历数据进行合并处理，筛选出与目标病患的当前病情特征信息相似的病患，并进一步根据相似病患的用药记录得到第二药品推荐结果，最后将第一药品推荐结果与第二药品推荐结果进行融合，相比于现有的仅利用第一药品推荐系结果来给病患提供用药推荐，更加综合全面的考虑病患病情的动态变化过程，提供用药的精准度，满足病患的个性化用药需求。

本发明实施例提供了一种个性化精准用药推荐装置，该装置用于执行上述个性化精准用药推荐方法，如图2所示，该装置包括：获取单元10、识别单元20、第一筛选单元30、处理单元40、第二筛选单元50、生成单元60及融合单元70。

获取单元10，用于获取患同一疾病的多个病患的病历数据，所述病历数据包括结构化数据、文本数据及影像数据，其中，所述病患包括历史病患及当前需要被推荐用药的目标病患。

其中，历史病患是指曾经患上述疾病的病患，目标病患是当前正在患病的病患，目标病患是用药推荐的目标对象。具体地，结构化数据为病患的电子健康档案(ElectronicHealth Record，EHR)中的数值型数据，例如：心率、血压、血糖、尿量等各项检验数据，其以数值形式存储在电子健康档案中。文本数据例如用药记录、出院总结、护理记录、查房记录等，其以文本形式存储在电子健康档案中，影像数据例如CT图像、MRI图像、X光影像等，其以图片形式存储在电子健康档案中。

识别单元20，用于利用命名实体识别算法从每个所述病患的文本数据中得到所述病患的用药信息。

其中，文本数据例如可以是用药记录，其可能是扫描图档或文本格式。具体包括：将每个病患的文本数据进行分词处理，得到多个词汇；利用命名实体识别算法从多个词汇中识别得到每个病患的用药信息。在本实施方式中，每个病患的用药信息以病患-药品编码矩阵的形式表达。命名实体识别(Named Entity Recognition；以下简称：NER)是指识别文本中具有特定意义的实体，主要包括人名、疾病名、药品名和/或专有名词等。其中，可以利用命名实体识别获取病患的社保卡号，例如社保卡号：6123456，由于社保卡号是病患的唯一身份识别码，将病患的社保卡号用来表示所述病患，药品编码是根据药品知识库中记录的药品及编码的映射关系，通过将识别到的药品名输入药品知识库，可以查询得到药品编码。

例如，病患的社保卡号：6123456，识别得到药品(药品a：D120；药品b：D130；)，那么信息整合得到病患A的用药信息为{6123456,D120，D130}。

在其他实施方式中，也可以用关键词识别等手段从文本数据中获取用药信息，在此不做限定。

第一筛选单元30，用于基于药品的协同过滤算法从多个所述历史病患的用药信息中筛选得到所述目标病患的第一药品推荐结果。其中，基于药品的协同过滤算法是指，通过查找药品和药品之间的相似度，找到历史病患对某些药品的评分，进而将评分最高的若干个相似药品推荐给目标病患。第一药品推荐结果至少包括一种药品。在一种实施方式中，第一药品推荐结果中包括的药品是根据患有相同疾病的多个历史病患的用药信息中过滤得到评分高于预设值的药品。历史病患是指与目标病患患有相同疾病的已就诊的病患。

可以理解地，协同过滤是通过收集来自很多病患的用药信息来预测目标病患的用药的方法。例如药品a用来治疗某疾病的效果评分很高，那么系统就会认为药品a适用于该疾病的治疗应用。例如，适用于高血压的药物疗效较好的降压药。

处理单元40，用于将所述病患的病历数据进行合并处理，得到所述病患的病情特征信息。其中，病患的病情特征信息包括第一特征信息、第二特征信息及第三特征信息。病情特征信息是一条多维记录数据，是以时间维度信息为基准将每个病患的第一特征信息、第二特征信息及第三特征信息合并处理得到的。第一特征信息是从病历数据的文本数据中提取得到的，第二特征信息是从病历数据的结构化数据中提取得到的，第三特征性是从病历数据的影像数据中提取得到的。

第二筛选单元50，用于基于病患的协同过滤算法从多个所述历史病患中筛选出与所述目标病患的当前病情特征信息相似的至少一个相似病患。其中，基于病患的协同过滤算法是指，通过查找病患和病患之间的病情特征信息的相似度，进而将病情特征信息的相似度最高的病患确认为相似病患。例如，多个历史病患中有一个病患某一阶段的病情特征信息与目标病患当前病情特征信息的相似度为92％，大于预设阈值90％，那么该病患就是相似病患。

可以理解地，通过筛选相似病患，突显目标病患当前病情的特征重点，更加综合全面地考虑病人病情的动态变化过程，使得用药推荐更加精准，更加贴合病患当前的病情。

生成单元60，用于根据所述相似病患的用药信息生成第二药品推荐结果。

在一种实施方式中，先从预设的数据库中获取相似病患的用药记录，将相似病患的用药记录进行分词处理，得到多个词汇；利用命名实体识别算法从多个词汇中识别得到相似病患的用药信息。这里的数据库可以是医院的病例数据库。例如，相似病患B的用药信息{6123457，D120，D130}，那么第二药品推荐结果为D120及D130。

融合单元70，用于将所述第一药品推荐结果及所述第二药品推荐结果进行融合处理，得到所述目标病患的个性化药品推荐结果。

在一种实施方式中，第一药品推荐结果先与第二药品推荐结果进行合并，然后在合并后的多个药品中删除重复的药品，得到个性化药品推荐结果。

例如，第一药品推荐结果为(x1，x2)，第二药品推荐结果为(x2，y1，z1)，融合得到(x1，x2，x2，y1，z1)，删除一个重复的x2，最后个性化药品推荐结果为(x1，x2，y1，z1)。

在本方案中，通过将同一疾病的病患的病历数据进行合并处理，筛选出与目标病患的当前病情特征信息相似的病患，并进一步根据相似病患的用药记录得到第二药品推荐结果，最后将第一药品推荐结果与第二药品推荐结果进行融合，相比于现有的仅利用第一药品推荐系结果来给病患提供用药推荐，更加综合全面的考虑病患病情的动态变化过程，提供用药的精准度，满足病患的个性化用药需求。

可选地，处理单元40包括转换子单元、处理子单元、压缩子单元、池化子单元及合并子单元。

转变子单元，用于根据预设的映射表将识别到的每个病患的用药信息转变为对应的数值型数据。可以理解地，将药品映射为一个数值，方便后续计算处理，例如将“硝苯地平”映射为“D130”，将“苯磺酸左旋氨氯地平”映射为“D131”等等。

处理子单元，用于将每个病患的病历数据中的结构化数据根据时间顺序形成稀疏矩阵。具体地，利用变分自编码器(Variational Autoencoder，VAE)来处理结构化数据，使其按照时序信息压缩成稀疏矩阵。VAE是一种自编码器，VAE的编码结果可以将高维数据进行降维。每个病患的结构化数据例如Xvae＝{x1,x2,…xi,…xn}，X中的每一个变量代表一个输入向量，向量的元素是与病患相关的因子，如心率、血压、实验检验肌酐、血糖、尿素，X表示一种疾病。

压缩子单元，用于利用变分自编码器对数值型数据、稀疏矩阵进行压缩编码处理，得到病患的第一编码及第二编码。第一编码包括来源于文本数据的第一特征信息及时间维度信息，同样地，第二编码包括来源于结构化数据的第二特征信息及时间维度信息。

进一步地，这里时间维度信息不仅仅是治疗日期，而是用于表示病程的时间，例如初诊时间，第一次复诊时间，第二次复诊时间，从而判断病患的病情所处的阶段。

池化子单元，用于利用预设的卷积神经网络将影像数据进行池化处理，得到病患的第三编码。

池化处理时，先获取影像数据中的每个像素点的三原色值；再利用预设的卷积神经网络并根据所有像素点的三原色值提取特征部分，形成病患的第三编码。

具体地，通过卷积神经网络将其池化，突出其中的重点信息，例如肺炎的区域，卷积神经网络输出第三编码，第三编码包括来源于影像数据的第三特征信息及时间维度信息。例如，病患a于2019-9-30的肺部X光片中的右下肺斑片状模糊面积为1cm*2cm；病患a于2019-10-02的肺部X光片中的右下肺斑片状模糊面积为0.5cm*0.5cm。病患的第三编码包括来源于影像数据的第三特征信息及时间维度信息。

合并子单元，用于将第一编码、第二编码及第三编码进行合并处理，得到每个病患的病情特征信息。具体地，以时间维度信息为基准将每个病患的第一特征信息、第二特征信息及第三特征信息合并处理，得到每个病患的病情特征信息，病情特征信息是一条多维记录数据。

可选地，第二筛选单元50包括预处理子单元、第一计算子单元、确认子单元及筛选子单元。

预处理子单元，用于将每个病患的病情特征信息输入预设的词向量表示模型，得到每个病患的特征信息向量。在本实施方式中，预设的词向量表示模型例如可以是Word2vea模型，在其他实施方式中，也可以采用其他的词向量表示模型，使得多维记录数据转变为词向量，方便后续的相似度计算。

第一计算子单元，用于计算每个历史病患的特征信息向量与目标病患的特征信息向量之间的欧式距离。可以理解地，通过计算各个病患的病情相似度，从而找到与目标病患的当前病情相似的病患，因为每个人的病程变化、体质等都不相同，因此在给予用药推荐时，应该充分考虑个体的差异性。

确认子单元，用于将欧式距离确认为历史病患与目标病患的病情相似度。

具体计算公式为：

其中，x表示历史病患的病情的特征信息向量；y表示目标病患的病情的特征信息向量；d(x，y)表示向量x与向量y之间的欧式距离，n表示向量的维度总数。

在其他实施方式中，也可以采取其他的相似度计算方法来计算历史病患与目标病患之间病情的相似度，例如余弦距离、编辑距离等，在此不做限定。

筛选子单元，用于根据病情相似度从多个历史病患中筛选出至少一个相似病患，其中，相似病患与目标病患的病情相似度大于预设阈值。

例如预设阈值为90％，如果历史病患贾某与目标病患的病情相似度为92％，那么就可以将历史病患贾某确认为是目标病患的相似病患。

可选地，生成单元60包括查找子单元、获取子单元、第一生成子单元。

查找子单元，用于从预设的疾病-药品的有向连接图中查找疾病的关联疾病；获取子单元，用于根据有向连接图获取关联疾病及疾病的用药信息；第一生成子单元，用于根据关联疾病、疾病的用药信息及相似病患的用药信息生成第二药品推荐结果。

在本实施方式中，疾病-药品的有向连接图，是通过NER挖掘标注出疾病与对应药物制剂的关联(如他汀可用于降低血脂)，形成点和边，和疾病VS疾病图网络进行融合，最终形成以疾病、对应药物为顶点，之间关联为边的有向连接图，以记录疾病之间的关联，例如并发症等。

可选地，融合单元70包括融合子单元、比对子单元、调整子单元、第二生成子单元。

融合子单元，用于将第一药品推荐结果与第二药品推荐结果进行融合处理，得到融合药品推荐结果；比对子单元，用于将融合药品推荐结果与预设的互斥药品组进行比对，以判断融合药品推荐结果中是否存在互斥药品组；调整子单元，用于如存在，采用同药性药品替换策略调整融合药品推荐结果，以消除互斥药品组；第二生成子单元，用于根据调整后的融合药品推荐结果生成目标病患的个性化药品推荐结果。

例如抗生素中的“氯霉素”与磺脲类降血糖药，合用会引起低血糖。因此是互斥药品组，不能同时服用；阿司匹林与消炎痛也是互斥药品组。

融合单元70还包括第三生成单元，用于如不存在，根据所述融合药品推荐结果生成所述目标病患的个性化药品推荐结果。

在本方案中，通过将同一疾病的病患的病历数据进行合并处理，筛选出与目标病患的当前病情特征信息相似的病患，并进一步根据相似病患的用药记录得到第二药品推荐结果，最后将第一药品推荐结果与第二药品推荐结果进行融合，相比于现有的仅利用第一药品推荐系结果来给病患提供用药推荐，更加综合全面的考虑病患病情的动态变化过程，提供用药的精准度，满足病患的个性化用药需求。

本发明实施例提供了一种计算机非易失性存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行以下步骤：

获取患同一疾病的多个病患的病历数据，病历数据包括结构化数据、文本数据及影像数据，其中，病患包括历史病患及当前需要被推荐用药的目标病患；利用命名实体识别算法从每个病患的文本数据中得到病患的用药信息；基于药品的协同过滤算法从多个历史病患的用药信息中筛选得到目标病患的第一药品推荐结果；将病患的病历数据进行合并处理，得到病患的病情特征信息；基于病患的协同过滤算法从多个历史病患中筛选出与目标病患的当前病情特征信息相似的至少一个相似病患；根据相似病患的用药信息生成第二药品推荐结果；将第一药品推荐结果及第二药品推荐结果进行融合处理，得到目标病患的个性化药品推荐结果。

可选地，在程序运行时控制存储介质所在设备执行将病患的病历数据进行合并处理，得到病患的病情特征信息的步骤，包括：

根据预设的映射表将识别到的每个病患的用药信息转变为对应的数值型数据；将每个病患的病历数据中的结构化数据根据时间顺序形成稀疏矩阵；利用变分自编码器对数值型数据、稀疏矩阵进行压缩编码处理，得到病患的第一编码及第二编码；利用预设的卷积神经网络将影像数据进行池化处理，得到病患的第三编码；将第一编码、第二编码及第三编码进行合并处理，得到每个病患的病情特征信息。

可选地，第一编码包括来源于文本数据的第一特征信息及时间维度信息，第二编码包括来源于结构化数据的第二特征信息及时间维度信息，第三编码包括来源于影像数据的第三特征信息及时间维度信息；在程序运行时控制存储介质所在设备执行将第一编码、第二编码及第三编码进行合并处理，得到每个病患的病情特征信息的步骤，包括：

以时间维度信息为基准将每个病患的第一特征信息、第二特征信息及第三特征信息合并处理，得到每个病患的病情特征信息，病情特征信息是一条多维记录数据。

可选地，在程序运行时控制存储介质所在设备执行基于病患的协同过滤算法从多个历史病患中筛选出与目标病患的当前病情特征信息相似的至少一个相似病患的步骤，包括：

将每个病患的病情特征信息输入预设的词向量表示模型，得到每个病患的特征信息向量；计算每个历史病患的特征信息向量与目标病患的特征信息向量之间的欧式距离；将欧式距离确认为历史病患与目标病患的病情相似度；根据病情相似度从多个历史病患中筛选出至少一个相似病患，其中，相似病患与目标病患的病情相似度大于预设阈值。

可选地，在程序运行时控制存储介质所在设备执行根据相似病患的用药信息生成第二药品推荐结果的步骤，包括：

从预设的疾病-药品的有向连接图中查找疾病的关联疾病；根据有向连接图获取关联疾病及疾病的用药信息；根据关联疾病、疾病的用药信息及相似病患的用药信息生成第二药品推荐结果。

图3是本发明实施例提供的一种计算机设备的示意图。如图3所示，该实施例的计算机设备100包括：处理器101、存储器102以及存储在存储器102中并可在处理器101上运行的计算机程序103，处理器101执行计算机程序103时实现实施例中的个性化精准用药推荐方法，为避免重复，此处不一一赘述。或者，该计算机程序被处理器101执行时实现实施例中个性化精准用药推荐装置中各模型/单元的功能，为避免重复，此处不一一赘述。

计算机设备100可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备可包括，但不仅限于，处理器101、存储器102。本领域技术人员可以理解，图3仅仅是计算机设备100的示例，并不构成对计算机设备100的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如计算机设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器101可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、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 Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。

存储器102可以是计算机设备100的内部存储单元，例如计算机设备100的硬盘或内存。存储器102也可以是计算机设备100的外部存储设备，例如计算机设备100上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器102还可以既包括计算机设备100的内部存储单元也包括外部存储设备。存储器102用于存储计算机程序以及计算机设备所需的其他程序和数据。存储器102还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

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单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是个人计算机，服务器，或者网络装置等)或处理器(Processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (10)

1.一种个性化精准用药推荐方法，其特征在于，所述方法包括：

获取患同一疾病的多个病患的病历数据，所述病历数据包括结构化数据、文本数据及影像数据，其中，所述病患包括历史病患及当前需要被推荐用药的目标病患；

利用命名实体识别算法从每个所述病患的文本数据中得到所述病患的用药信息；

基于药品的协同过滤算法从多个所述历史病患的用药信息中筛选得到所述目标病患的第一药品推荐结果；

将所述病患的病历数据进行合并处理，得到所述病患的病情特征信息；

基于病患的协同过滤算法从多个所述历史病患中筛选出与所述目标病患的当前病情特征信息相似的至少一个相似病患；

根据所述相似病患的用药信息生成第二药品推荐结果；

将所述第一药品推荐结果及所述第二药品推荐结果进行融合处理，得到所述目标病患的个性化药品推荐结果。

2.根据权利要求1所述的方法，其特征在于，所述将所述病患的病历数据进行合并处理，得到所述病患的病情特征信息的步骤，包括：

根据预设的映射表将识别到的每个所述病患的用药信息转变为对应的数值型数据；

将每个所述病患的病历数据中的结构化数据根据时间顺序形成稀疏矩阵；

利用变分自编码器对所述数值型数据、所述稀疏矩阵进行压缩编码处理，得到所述病患的第一编码及第二编码；

利用预设的卷积神经网络将所述影像数据进行池化处理，得到所述病患的第三编码；

将所述第一编码、所述第二编码及所述第三编码进行合并处理，得到每个所述病患的病情特征信息。

3.根据权利要求2所述的方法，其特征在于，所述第一编码包括来源于所述文本数据的第一特征信息及时间维度信息，所述第二编码包括来源于所述结构化数据的第二特征信息及所述时间维度信息，所述第三编码包括来源于所述影像数据的第三特征信息及所述时间维度信息；所述将所述第一编码、所述第二编码及所述第三编码进行合并处理，得到每个所述病患的病情特征信息的步骤，包括：

以所述时间维度信息为基准将每个所述病患的所述第一特征信息、所述第二特征信息及所述第三特征信息合并处理，得到每个所述病患的病情特征信息，所述病情特征信息是一条多维记录数据。

4.根据权利要求1所述的方法，其特征在于，所述基于病患的协同过滤算法从多个所述历史病患中筛选出与所述目标病患的当前病情特征信息相似的至少一个相似病患的步骤，包括：

将每个所述病患的病情特征信息输入预设的词向量表示模型，得到每个所述病患的特征信息向量；

计算每个所述历史病患的特征信息向量与所述目标病患的特征信息向量之间的欧式距离；

将所述欧式距离确认为所述历史病患与所述目标病患的病情相似度；

根据所述病情相似度从多个所述历史病患中筛选出至少一个相似病患，其中，所述相似病患与所述目标病患的病情相似度大于预设阈值。

5.根据权利要求1所述的方法，其特征在于，所述根据所述相似病患的用药信息生成第二药品推荐结果的步骤，包括：

从预设的疾病-药品的有向连接图中查找所述疾病的关联疾病；

根据所述有向连接图获取所述关联疾病及所述疾病的用药信息；

根据所述关联疾病、所述疾病的用药信息及所述相似病患的用药信息生成第二药品推荐结果。

6.根据权利要求1所述的方法，其特征在于，所述将所述第一药品推荐结果及所述第二药品推荐结果进行融合处理，得到所述目标病患的个性化药品推荐结果的步骤，包括：

将所述第一药品推荐结果与所述第二药品推荐结果进行融合处理，得到融合药品推荐结果；

将所述融合药品推荐结果与预设的互斥药品组进行比对，以判断所述融合药品推荐结果中是否存在互斥药品组；

如存在，采用同药性药品替换策略调整所述融合药品推荐结果，以消除所述互斥药品组；

根据调整后的所述融合药品推荐结果生成所述目标病患的个性化药品推荐结果。

7.根据权利要求2中任意一项所述的方法，其特征在于，所述利用预设的卷积神经网络将所述影像数据进行池化处理，得到所述病患的第三编码的步骤，包括：

获取所述影像数据中的每个像素点的三原色值；

利用预设的卷积神经网络并根据所有所述像素点的三原色值提取特征部分，形成所述病患的第三编码。

8.一种个性化精准用药推荐装置，其特征在于，所述装置包括：

获取单元，用于获取患同一疾病的多个病患的病历数据，所述病历数据包括结构化数据、文本数据及影像数据，其中，所述病患包括历史病患及当前需要被推荐用药的目标病患；

识别单元，用于利用命名实体识别算法从每个所述病患的文本数据中得到所述病患的用药信息；

第一筛选单元，用于基于药品的协同过滤算法从多个所述历史病患的用药信息中筛选得到所述目标病患的第一药品推荐结果；

处理单元，用于将所述病患的病历数据进行合并处理，得到所述病患的病情特征信息；

第二筛选单元，用于基于病患的协同过滤算法从多个所述历史病患中筛选出与所述目标病患的当前病情特征信息相似的至少一个相似病患；

生成单元，用于根据所述相似病患的用药信息生成第二药品推荐结果；

融合单元，用于将所述第一药品推荐结果及所述第二药品推荐结果进行融合处理，得到所述目标病患的个性化药品推荐结果。

9.一种计算机非易失性存储介质，所述存储介质包括存储的程序，其特征在于，在所述程序运行时控制所述存储介质所在设备执行权利要求1至7任意一项所述的个性化精准用药推荐方法。

10.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任意一项所述的个性化精准用药推荐方法的步骤。

Images