CN110957017A - 化疗药物方案智能制定方法及系统 - Google Patents
化疗药物方案智能制定方法及系统 Download PDFInfo
- Publication number
- CN110957017A CN110957017A CN201811533662.XA CN201811533662A CN110957017A CN 110957017 A CN110957017 A CN 110957017A CN 201811533662 A CN201811533662 A CN 201811533662A CN 110957017 A CN110957017 A CN 110957017A
- Authority
- CN
- China
- Prior art keywords
- data
- patient
- module
- medication
- chemotherapy
- 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
- 238000000034 method Methods 0.000 title claims abstract description 18
- 239000003814 drug Substances 0.000 claims abstract description 126
- 229940079593 drug Drugs 0.000 claims abstract description 107
- 238000002512 chemotherapy Methods 0.000 claims abstract description 60
- 208000024891 symptom Diseases 0.000 claims abstract description 27
- 238000003745 diagnosis Methods 0.000 claims abstract description 22
- 201000010099 disease Diseases 0.000 claims description 42
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 42
- 230000005540 biological transmission Effects 0.000 claims description 12
- 230000000973 chemotherapeutic effect Effects 0.000 claims description 4
- 229940044683 chemotherapy drug Drugs 0.000 abstract description 6
- 239000002246 antineoplastic agent Substances 0.000 abstract description 3
- FBOZXECLQNJBKD-ZDUSSCGKSA-N L-methotrexate Chemical compound C=1N=C2N=C(N)N=C(N)C2=NC=1CN(C)C1=CC=C(C(=O)N[C@@H](CCC(O)=O)C(O)=O)C=C1 FBOZXECLQNJBKD-ZDUSSCGKSA-N 0.000 description 12
- 229960000485 methotrexate Drugs 0.000 description 10
- 238000010253 intravenous injection Methods 0.000 description 6
- 230000003902 lesion Effects 0.000 description 6
- 239000008354 sodium chloride injection Substances 0.000 description 6
- 238000009472 formulation Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 239000000203 mixture Substances 0.000 description 5
- 208000025321 B-lymphoblastic leukemia/lymphoma Diseases 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 4
- 238000002347 injection Methods 0.000 description 4
- 239000007924 injection Substances 0.000 description 4
- 229940090044 injection Drugs 0.000 description 4
- 208000017426 precursor B-cell acute lymphoblastic leukemia Diseases 0.000 description 4
- UHDGCWIWMRVCDJ-CCXZUQQUSA-N Cytarabine Chemical compound O=C1N=C(N)C=CN1[C@H]1[C@@H](O)[C@H](O)[C@@H](CO)O1 UHDGCWIWMRVCDJ-CCXZUQQUSA-N 0.000 description 3
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Chemical compound OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 3
- 229960000684 cytarabine Drugs 0.000 description 3
- 229940093181 glucose injection Drugs 0.000 description 3
- HOMGKSMUEGBAAB-UHFFFAOYSA-N ifosfamide Chemical compound ClCCNP1(=O)OCCCN1CCCl HOMGKSMUEGBAAB-UHFFFAOYSA-N 0.000 description 3
- 229960001101 ifosfamide Drugs 0.000 description 3
- 238000007913 intrathecal administration Methods 0.000 description 3
- OGWKCGZFUXNPDA-XQKSVPLYSA-N vincristine Chemical compound C([N@]1C[C@@H](C[C@]2(C(=O)OC)C=3C(=CC4=C([C@]56[C@H]([C@@]([C@H](OC(C)=O)[C@]7(CC)C=CCN([C@H]67)CC5)(O)C(=O)OC)N4C=O)C=3)OC)C[C@@](C1)(O)CC)CC1=C2NC2=CC=CC=C12 OGWKCGZFUXNPDA-XQKSVPLYSA-N 0.000 description 3
- 229960004528 vincristine Drugs 0.000 description 3
- OGWKCGZFUXNPDA-UHFFFAOYSA-N vincristine Natural products C1C(CC)(O)CC(CC2(C(=O)OC)C=3C(=CC4=C(C56C(C(C(OC(C)=O)C7(CC)C=CCN(C67)CC5)(O)C(=O)OC)N4C=O)C=3)OC)CN1CCC1=C2NC2=CC=CC=C12 OGWKCGZFUXNPDA-UHFFFAOYSA-N 0.000 description 3
- 208000011691 Burkitt lymphomas Diseases 0.000 description 2
- 206010025323 Lymphomas Diseases 0.000 description 2
- 238000009104 chemotherapy regimen Methods 0.000 description 2
- UREBDLICKHMUKA-CXSFZGCWSA-N dexamethasone Chemical compound C1CC2=CC(=O)C=C[C@]2(C)[C@]2(F)[C@@H]1[C@@H]1C[C@@H](C)[C@@](C(=O)CO)(O)[C@@]1(C)C[C@@H]2O UREBDLICKHMUKA-CXSFZGCWSA-N 0.000 description 2
- 229960003957 dexamethasone Drugs 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003907 kidney function Effects 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 230000003908 liver function Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- 208000036647 Medication errors Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 208000026935 allergic disease Diseases 0.000 description 1
- 230000007815 allergy Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004138 cluster model Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 229940097957 dexamethasone 2 mg Drugs 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 229940030859 methotrexate 5 mg Drugs 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000002271 resection Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000001356 surgical procedure Methods 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
- 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)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Pharmacology & Pharmacy (AREA)
- Toxicology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本专利申请涉及辅助诊疗技术领域，公开了一种化疗药物方案智能制定方法及系统，该方法，包括如下步骤：S1：建立病灶因素与危险度关系库，获取病人的诊断信息和病灶因素，以及所述病灶因素对应的临床症状，在病灶因素与危险度关系库中进行数据匹配以确定病人的危险度；S2：根据S1中确定的危险度，结合病人的临床数据，在处方库中匹配化疗计划；S3：根据S2中匹配的化疗计划，结合病人的生理数据，计算生成病人用药方案；S4：根据S3中的用药方案，从医院的药品列表中获取适用药品以及所述适用药品的用法用量形成每日用药医嘱。本专利意在整合利用历史数据来辅助决策，帮助医生快速准确地给出化疗药物方案，克服人工决策的局限性。
Description
技术领域
本发明涉及辅助诊疗技术领域，具体涉及一种化疗药物方案智能制定方法及系统。
背景技术
化疗是针对癌症和肿瘤等病症的一种有效治疗方法，在化疗计划制定的过程中，化疗药物的多样性和患者不同的病理特点使化疗药物和化疗方案的选择复杂化，多种影响因素都可以对用药选择和化疗方案选择产生影响，如化疗计划的选择受病人的疾病、危险程度以及病人的临床信息影响，而化疗药物的用量受到病人身高、体重、年龄等多种因素影响，另外还要考虑病人的其他临床信息，如病人的检验、检查数据等。化疗给药过程的复杂和繁琐，使得单纯依靠医师的个人判断力去制定用药和化疗方案往往效果不理想，主要体现在因为经验不够而很难快速精准的给出化疗医嘱，以及可能会出现由于信息采集不全或者个人知识储备不足导致用药错误的情况。由此可见，提出一种智能制定化疗药物方案的方法不仅可以提高医疗质量、节省医疗成本，而且能及时、准确、完整的为医生提供专业的诊疗辅助，有助于医生更快速准确地给出化疗医嘱，同时也让病人享受更加安全可靠的医疗服务。
发明内容
本发明的目的在于提供一种化疗药物方案智能制定方法及系统，通过整合分析历史数据来辅助决策，帮助医生快速准确地给出化疗药物方案，克服人工决策的局限性。
为达到上述目的，本发明的基础方案如下：
化疗用药方案智能制定方法，包括如下步骤：
S1：建立病灶因素与危险度关系库，获取病人的诊断信息和病灶因素，以及所述病灶因素对应的临床症状，在病灶因素与危险度关系库中通过数据匹配确定病人的危险度；
S2：根据S1中确定的危险度，结合病人的临床数据，在处方库中匹配化疗计划；
S3：根据S2中匹配的化疗计划，结合病人的生理数据，计算生成病人用药方案；
S4：根据S3中的用药方案，从医院的药品列表中获取适用药品以及所述适用药品的用法用量形成每日用药医嘱；
其中，S4中的每日用药医嘱根据病人每日的临床数据进行调整。
为达到上述目的，本发明还提出一种化疗用药方案智能制定系统，包括：数据端，用于存储数据，包括病历信息数据库、病灶因素与危险度关系数据库和处方数据库，所述病历信息数据库，用于存储病人的个人信息、诊断信息、病灶因素、所述病灶因素对应的临床症状以及临床数据；所述病灶因素与危险度关系数据库，将病灶因素以及病灶因素对应的临床症状与危险度进行关联存储；所述处方数据库，用于存储化疗计划，所述化疗计划包括化疗方案和用药方案；
应用端，包括医嘱生成模块和显示模块；医嘱生成模块，用于生成用药医嘱；所述显示模块用于显示化疗计划和病人的危险度；
服务端，用于进行数据处理，包括数据获取模块、数据处理模块和数据传输模块，所述数据获取模块用于与所述数据端进行交互，以获取数据；所述数据处理模块，用于确定病人危险度，并根据不同疾病和不同危险度配置化疗计划；所述数据传输模块，用于与所述应用端交互。
作为进一步改进，该系统还包括药品数据库，用于存储医院所有药品种类以及各类药品的用法用量。
作为进一步改进，该系统还包括缓存模块，所述缓存模块用于提高从所述数据服务端获取数据的效率，所述缓存模块连接所述数据获取模块和所述数据端。
作为进一步地改进，该系统还包括警示提醒模块，所述警示提醒模块还连接所述药品数据库，所述警示提醒模块用于检验并提醒医生用药医嘱生成时或调整用药医嘱时的失误和不合理信息。
本发明具有以下有益效果：整合病人的病历信息形成病历信息数据库，从历史病历资料中整合数据建立病灶因素与危险度关系数据库，根据病人的病灶因素以及对应的临床症状，从病灶因素与危险度关系数据库中查找匹配度最高的病灶因素和对应的临床症状，以确定危险度；整合历史处方数据建立处方数据库，将病人的危险度和临床数据在处方库中进行比对，确定与该危险度及临床数据最匹配的化疗计划，从而为现有治疗提供化疗计划的参考，根据选择的化疗计划结合病人生理数据智能计算出每日用药医嘱，基于每日用药医嘱，可以从药品数据库中自动获取适用药品的用法用量，智能提供药品服用或使用指导，辅助医生开具医嘱；并且针对不合理的用药医嘱具有提醒功能。
附图说明
图1是本发明化疗药物方案智能制定方法的流程示意图；
图2是本发明化疗药物方案智能制定系统的系统框图。
具体实施方式
下面通过具体实施方式对本发明作进一步详细的说明：
化疗用药方案智能制定方法，基本如图1所示，包括如下步骤：
S1：建立病灶因素与危险度关系库，获取病人的诊断信息和病灶因素，以及所述病灶因素对应的临床症状，在病灶因素与危险度关系库中通过数据匹配确定病人的危险度；
S2：根据S1中确定的危险度，结合病人的临床数据，在处方库中匹配化疗计划；
S3：根据S2中匹配的化疗计划，结合病人的生理数据，计算生成病人用药方案；
S4：根据S3中的用药方案，从医院的药品列表中获取适用药品以及所述适用药品的用法用量形成每日用药医嘱；
其中，S4中的每日用药医嘱根据病人每日的临床数据进行调整。
上述方法的各步骤具体为：S1：整理统计历史的病历数据，将危险度与危险度对应的诊断信息、病灶因素以及病灶因素对应的临床症状进行关联记录，从而建立病灶因素与危险度关系库，病人在医院就诊，医生会为病人出具诊断信息（疾病种类）和排查病灶因素，通过检查、检验确定病灶因素对应的临床症状，这些信息将作为数据基础；使用该基础数据在病灶因素与危险度关系库中进行病灶因素和临床症状的匹配，确定不同层次危险度，当该基础数据在病灶因素与危险度关系库中找到匹配数据，就将该匹配数据关联的危险度作为该病人的危险度；
S2：基于病人的危险度以及临床数据，在处方库中做比对，当病人的危险度和临床数据与处方库中记载的危险度和临床数据相符时，选择该危险度和临床数据对应的化疗计划，该化疗计划包括化疗方案和用药方案，而处方库将针对多种疾病以及不同危险度和临床数据存储多种用药方案，其中，临床数据为检查报告内披露的影像数据及检验报告内披露的非影像数据；
S3：根据S2选择的化疗计划结合病人治疗天数和病人的生理数据，所述生理数据为年龄、性别、身高和体重，通过计算得到病人每日用药方案；
S4：根据所述S3中的用药方案，从医院的药品列表中获取适用药品以及所述适用药品的用法用量形成每日用药医嘱，为此，需要整合医院的所有药品及所有药品的用法用量，形成药品数据库，使得确定每日用药医嘱时可以从该药品库获取药品信息；
其中，S4中的每日用药医嘱根据病人每日的临床数据由医生进行适应性调整。
其中病灶因素与危险度关系库和处方库的建立方法具体为：通过数据抽取工具（dip），从疾病种类的维度分别抽取近三年的临床数据，该临床数据包括不同病人的诊断信息、医嘱信息、处方信息、过敏史信息、检验报告信息、检查报告信息；然后除去治疗过程不完整的数据、筛选冗余数据后进行集成保存，最后对临床数据进行NLP语义分析，提取不同疾病的病灶因素与该病灶因素在不同危险度下的临床症状，通过建立聚类模型，利用SVM分类器进行分类，从而得到不同疾病下，病人处于不同危险度时关联的病灶因素以及该病灶因素对应的临床表现，从而建立病灶因素与危险度关系库；同时也可采用整理医学教科书中关于根据相关病灶因素的不同临床表现划分危险度的规则，或行业惯用的疾病危险度判断规则建立病灶因素与危险度关系库。对临床数据进行进行NLP语义分析，提取不同疾病、不同危险度以及不同检查检验数据对应的处方信息和医嘱信息，通过对不同疾病、不同危险度以及不同检查检验数据对应的处方信息和医嘱信息等数据进行机器学习，具体采用监督学习算法中的回归和分类，得到不同疾病、不同危险度以及不同检查检验数据所关联的化疗计划，该化疗计划包括化疗方案和用药方案，从而建立处方库。
本发明还提供的化疗用药方案智能制定系统，如图2所示，包括：数据端，用于提供数据支持，包括病历信息数据库、病灶因素与危险度关系数据库和处方数据库，所述病历信息数据库，用于存储病人的个人信息、诊断信息、病灶因素、所述病灶因素对应的临床症状以及临床检查数据、临床检验数据，在此采用通过API接入HIS数据库的方式获取病人上述相关信息；所述病灶因素与危险度关系数据库，用于存储病灶因素与危险度关联信息；所述处方数据库，用于存储化疗计划，所述化疗计划包括治疗方案和用药方案，所述处方数据库和所述病灶因素与危险度关系数据库按照上述病灶因素与危险度关系库和处方库的建立方法建立，其中涉及的临床数据及处方数据从EMR数据库中获取；
应用端，包括医嘱生成模块和显示模块；医嘱生成模块，用于生成用药医嘱；所述显示模块用于在医生的PC上显示化疗计划、病人的危险度，以及为医生提供修改医嘱的界面；
服务端，用于执行数据处理操作，包括数据获取模块、数据处理模块和数据传输模块，所述数据获取模块用于与所述数据端进行交互，以获取待处理的数据；所述数据处理模块，用于确定病人危险度，并根据特定疾病的不同危险度配置化疗计划、依据化疗计划结合病人的生理数据计算得出病人的用药方案，所述数据获取模块、所述数据处理模块、所述数据传输模块依次连接；所述数据传输模块，用于与所述应用端交互，即所述数据传输模块连接所述应用端的医嘱生成模块和显示模块。
依据化疗计划并结合病人的生理数据计算得出病人的用药方案，主要提取病人的年龄、性别、身高和体重生理数据以在数据处理模块中计算出体表面积，再依据该体表面积计算出用药方案中各药品的适用剂量，体表面积（bsa）计算公式如下：
0-14 岁:bsa = sqrt(weight * height) / 60；
大于14岁:
男性:bsa = 0.00607 * height + 0.0127 * weight - 0.0698；
女性:bsa = 0.00586 * height + 0.0126 * weight - 0.0461；
该系统还包括药品数据库，用于存储医院的所有药品种类以及各类药品对应的用法用量。
在本发明的另一实施例中，病历信息数据库、病灶因素与危险度关系数据库、处方数据库和药品数据库均采用ORACLE数据库进行数据存储。
使用该化疗用药方案智能制定系统制定每日医嘱时，服务端的数据获取模块从数据库端的病历信息数据库（HIS数据库）中，获取病人的生理数据、诊断信息、病灶因素以及病灶因素对应的临床症状，在数据处理模块中，将诊断信息、病灶因素以及病灶因素对应的临床症状与病灶因素与危险度关系数据存储中的诊断信息（疾病种类）、病灶因素以及病灶因素对应的临床症状进行比对，从而得到该诊断信息、病灶因素以及病灶因素对应的临床症状所关联的危险度，再根据疾病种类和确定的危险度以及从病历信息数据库中获取的临床信息，在处方库中进行信息比对，得到该危险度和临床信息关联的化疗计划，该化疗计划包括化疗方案和用药方案，将病人的危险度和该化疗计划通过数据传输模块发送到应用端的显示模块进行显示，在数据处理模块中结合生理数据和化疗计划的用药方案计算出用药方案，所述用药方案通过数据传输模块发送到医嘱生成模块，该医嘱生成模块基于用药方案从药品数据库获取所述用药方案中涉及的适用药品的用法用量，生成用药医嘱，医生在医嘱生成模块根据临床检查数据和临床检验数据调整适用药品的用法用量，最后进行保存生成当日用药医嘱。
在本发明的另一个实施例中，该系统还包括缓存模块，该缓存模块用于提高从所述数据服务端获取数据的效率，所述缓存模块分别连接所述数据获取模块和所述数据端，所述数据端设置Redis数据库为缓冲模块的工作提供支持。
在本发明的另一个实施例中，该系统还包括警示提醒模块，所述警示提醒模块用于检验并提醒医生智能生成用药医嘱时或调整用药医嘱时的失误和不合理信息，所述警示提醒模块还连接所述药品数据库，能获取药品的标准用法用量与生成的每日用药医嘱进行比对，当每日用药医嘱的用量大于药品的标准用量或用药方案的推荐用量时，生成警示信息，并将该警示信息发送到显示模块进行显示，使得医生能得知用药不合理，并及时进行调整。
以伯基特淋巴瘤为例，对上述化疗用药方案智能制定系统的流程进行简要说明：
病人的生理数据：年龄3岁，女，身高90cm，体重15kg。
病人的诊断信息为：伯基特淋巴瘤。
病人的病灶因素及病灶因素对应的临床症状为：腹部；Ⅲ期、Ⅳ期和成熟B-ALL且LDH＞1000 U/L，CNS(+)。
临床信息为：肝肾功能正常。
每日用药医嘱的制定流程为：服务端的数据获取模块从数据库端的病历信息数据库（HIS数据库）中获取上述生理数据、诊断信息、病灶因素及病灶因素对应的临床症状，通过数据处理模块与病灶因素与危险度关系数据库中的诊断信息（疾病种类）、病灶因素以及病灶因素对应的临床症状进行比对。
本例中淋巴瘤的危险度与病灶因素及病灶因素对应的临床症状的关联规则为：
极低危：手术完整切除的Ⅰ期和Ⅱ期，PET/CT阴性。
低危：不能手术切除的Ⅰ期和Ⅱ期，Ⅲ期伴LDH＜500（U/L）。
中危：Ⅲ期伴LDH≥500（U/L）但＜1000（U/L）；Ⅳ期成熟B-ALL，且LDH＜1000（U/L），CNS（-）。
高危：Ⅲ期、Ⅳ期和成熟B-ALL伴LDH＞1000（U/L），CNS（+）。
将病人的病灶因素对应的临床症状：Ⅲ期、Ⅳ期和成熟B-ALL且LDH＞1000 U/L，CNS(+)在病灶因素与危险度关系数据库中进行匹配，确定危险度为高危。
此处淋巴瘤的危险度与病灶因素及临床症状的关联规则，基于《癌症化疗手册》制定，并存储病灶因素与危险度数据库中，因疾病种类和危险度情形多样，其他疾病的危险度与病灶因素及临床症状的关联规则，在此不作一一介绍，具体可以参照《癌症化疗手册》（解学出版社，原书第八版）第500页至第503页的内容，需要明确危险度与病灶因素及临床症状的关联规则属于本领域公知常识。
结合临床信息，得知肝肾功能正常，再通过数据处理模块将该危险度和诊断信息在处方数据库中进行比对，得到该危险度和诊断信息关联的化疗计划，该化疗计划包含的化疗方案为V+(A+CF1)+(B+CF1)+ (A+CF1)+(B+CF1)，用药方案为：
DAY1鞘内注射：甲氨喋呤15.0mg、阿糖胞苷30.0mg、地塞米松4.0mg，1次/日；
DAY1静脉注射：甲氨喋呤1000.0mg/m²、葡萄糖注射液500.0ml，1次/日（甲氨喋呤MTX总量持续注射6h，18hCF解放）；
长春新碱1.5mg/m²、0.9%氯化钠注射液5.0ml，1次/日；
DAY1-5静脉注射：异环磷酰胺800.0 mg/m²、0.9%氯化钠注射液100.0ml ，1h/日。
将上述化疗计划和危险度通过数据传输模块传输到应用端，通过显示模块进行显示给医生。
由病人个人信息得知该病人的年龄为3岁，属于0-14岁范围，身高90cm、体重15kg，获取该生理数据，在数据处理模块中通过体表面积计算公式计算得到该病人的体表面积为：0.6124，从而计算调整用药方案为：
DAY1鞘内注射：甲氨喋呤9mg、阿糖胞苷18mg、地塞米松2mg，1次/日；
DAY1静脉注射：甲氨喋呤612mg、葡萄糖注射液500ml，1次/日（甲氨喋呤MTX总量持续注射6h，18hCF解放）；
长春新碱0.915mg、0.9%氯化钠注射液5ml，1次/日；
DAY1-5静脉注射：异环磷酰胺489 mg、0.9%氯化钠注射液100ml ，1h/日。
上述调整后的用药方案经数据传输模块传输给应用端的医嘱生成模块，医嘱生成模块从药品数据库中获取用药方案中涉及的药品和所述药品的用法用量，并结合用药方案中的用药剂量生成每日用药医嘱，生成的每日用药医嘱如下：
DAY1鞘内注射（1次/日）：甲氨喋呤5mg/支，2瓶，10mg；
阿糖胞苷100ml/瓶，1瓶18mg；
地塞米松片0.75mg/片，3片，2mg；
DAY1静脉注射（1次/日）：①甲氨喋呤1g/瓶，1瓶，612mg；
葡萄糖注射液500ml/瓶，1瓶，500ml；
-甲氨喋呤MTX总量持续注射6h，18hCF解放；
②长春新碱1mg/瓶，1瓶，0.915mg；
0.9%氯化钠注射液10ml/支，1支，5mg；
DAY1-5静脉注射（1h/日）：注射用异环磷酰胺500mg/支，1支，489 mg；0.9%氯化钠注射液100ml/瓶，1瓶，100ml。
此时警示提醒模块，将生成的每日用药医嘱与上述用药方案、以及药品数据库存储的药品标准用量进行比对，发现甲氨喋呤的每日用量大于上述用药方案的推荐用量，即每日用药医嘱里的甲氨喋呤的每日用量为10.0mg大于用药方案中的推荐用量9.0mg，从而生成警示信息，并在显示模块进行显示，使得医生能得知用药不合理，并由医生及时进行调整。
以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (6)
1.一种化疗用药方案智能制定方法，其特征在于，包括如下步骤：
S1：建立病灶因素与危险度关系库，获取病人的诊断信息和病灶因素，以及所述病灶因素对应的临床症状，在病灶因素与危险度关系库中通过数据匹配确定病人的危险度；
S2：根据S1中确定的危险度，结合病人的临床数据，在处方库中匹配化疗计划；
S3：根据S2中匹配的化疗计划，结合病人的生理数据，计算生成病人用药方案；
S4：根据S3中的用药方案，从医院的药品列表中获取适用药品以及所述适用药品的用法用量形成每日用药医嘱；
其中，S4中的每日用药医嘱根据病人每日的临床数据进行调整。
2.一种化疗用药方案智能制定系统，其特征在于，包括：
数据端，用于存储数据，包括病历信息数据库、病灶因素与危险度关系数据库和处方数据库，所述病历信息数据库，用于存储病人的个人信息、诊断信息、病灶因素、所述病灶因素对应的临床症状以及临床数据；所述病灶因素与危险度关系数据库，将病灶因素以及病灶因素对应的临床症状与危险度进行关联存储；所述处方数据库，用于存储化疗计划，所述化疗计划包括化疗方案和用药方案；
应用端，包括医嘱生成模块和显示模块；医嘱生成模块，用于生成用药医嘱；所述显示模块用于显示化疗计划和病人的危险度；
服务端，用于进行数据处理，包括数据获取模块、数据处理模块和数据传输模块，所述数据获取模块用于与所述数据端进行交互，以获取数据；所述数据处理模块，用于确定病人危险度，并根据不同疾病和不同危险度配置化疗计划；所述数据传输模块，用于与所述应用端交互。
3.根据权利要求2所述的化疗用药方案智能制定系统，其特征在于，还包括药品数据库，用于存储医院所有药品种类以及各类药品的用法用量。
4.根据权利要求2或3所述的化疗用药方案智能制定系统，其特征在于，还包括缓存模块，所述缓存模块用于提高所述数据服务端获取数据的效率，所述缓存模块连接所述数据获取模块和所述数据端。
5.根据权利要求1所述的化疗用药方案智能制定系统，其特征在于，还包括警示提醒模块，所述警示模块连接所述药品数据库，所述警示提醒模块用于检验并提醒医生用药医嘱生成时或调整用药医嘱时的失误和不合理信息。
6.根据权利要求4所述的化疗用药方案智能制定系统，其特征在于，还包括警示提醒模块，所述警示模块连接所述药品数据库，所述警示提醒模块用于检验并提醒医生用药医嘱生成时或调整用药医嘱时的失误和不合理信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811533662.XA CN110957017A (zh) | 2018-12-14 | 2018-12-14 | 化疗药物方案智能制定方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811533662.XA CN110957017A (zh) | 2018-12-14 | 2018-12-14 | 化疗药物方案智能制定方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110957017A true CN110957017A (zh) | 2020-04-03 |
Family
ID=69975352
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811533662.XA Pending CN110957017A (zh) | 2018-12-14 | 2018-12-14 | 化疗药物方案智能制定方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110957017A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111986809A (zh) * | 2020-08-10 | 2020-11-24 | 武汉麦咚健康科技有限公司 | 一种用于医生辅助判断的高血压药物推荐系统和方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105664293A (zh) * | 2016-01-12 | 2016-06-15 | 杨晓梅 | 一种药物供给控制系统 |
| CN106407662A (zh) * | 2016-08-31 | 2017-02-15 | 杭州逸曜信息技术有限公司 | 基于警示信息的用药信息处理方法 |
| CN107169279A (zh) * | 2017-05-11 | 2017-09-15 | 杭州逸曜信息技术有限公司 | 医用信息展示界面的生成方法 |
| CN107395675A (zh) * | 2017-06-16 | 2017-11-24 | 康美健康云服务有限公司 | 一种基于互联网的肿瘤病患反馈方法及系统 |
| CN108447536A (zh) * | 2018-03-19 | 2018-08-24 | 杭州逸曜信息技术有限公司 | 基于疾病特征和疾病程度信息的用药信息处理方法 |
-
2018
- 2018-12-14 CN CN201811533662.XA patent/CN110957017A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105664293A (zh) * | 2016-01-12 | 2016-06-15 | 杨晓梅 | 一种药物供给控制系统 |
| CN106407662A (zh) * | 2016-08-31 | 2017-02-15 | 杭州逸曜信息技术有限公司 | 基于警示信息的用药信息处理方法 |
| CN107169279A (zh) * | 2017-05-11 | 2017-09-15 | 杭州逸曜信息技术有限公司 | 医用信息展示界面的生成方法 |
| CN107395675A (zh) * | 2017-06-16 | 2017-11-24 | 康美健康云服务有限公司 | 一种基于互联网的肿瘤病患反馈方法及系统 |
| CN108447536A (zh) * | 2018-03-19 | 2018-08-24 | 杭州逸曜信息技术有限公司 | 基于疾病特征和疾病程度信息的用药信息处理方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111986809A (zh) * | 2020-08-10 | 2020-11-24 | 武汉麦咚健康科技有限公司 | 一种用于医生辅助判断的高血压药物推荐系统和方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bledzhyants et al. | The Effectiveness of the Medical Decision-Making Support System" Electronic Clinical Pharmacologist" In the Management Of Patients Therapeutic Profile | |
| CN107169279B (zh) | 医用信息展示界面的生成方法 | |
| CN106383993B (zh) | 医用信息的处理方法 | |
| Mothi et al. | Pimozide for schizophrenia or related psychoses | |
| CN106407662A (zh) | 基于警示信息的用药信息处理方法 | |
| CN110289095A (zh) | 一种股骨颈骨折临床智能辅助决策方法及系统 | |
| CN113140281B (zh) | 一种血液肿瘤患者化疗用药的管理方法和管理系统 | |
| CN111933247A (zh) | 一种药物相互作用智能管理的方法、系统和设备 | |
| Yang et al. | National opioid prescribing trends in emergency departments by provider type: 2005–2015 | |
| CN117558464B (zh) | 老年患者adr预测模型构建方法、预测系统和存储介质 | |
| CN110957017A (zh) | 化疗药物方案智能制定方法及系统 | |
| CN106971083A (zh) | 基于检验指标的用药信息处理方法 | |
| Sun et al. | Variability in discharge opioid prescribing practices for children: a historical cohort study | |
| CN114974500A (zh) | 基于tpn管控系统的肠癌患者营养治疗与预后预测评价模型 | |
| CN114064764A (zh) | 一种医疗多数据展示方法、系统、装置及存储介质 | |
| CN113468138A (zh) | 一种医疗数据库规则完善的方法、系统和计算机介质 | |
| Lacarbonara et al. | Development and Content Validity of the Self-Care of Oral Anticancer Agents Index (SCOAAI) | |
| Xia et al. | Progress and perspective of artificial intelligence and machine learning of prediction in anesthesiology | |
| Leo et al. | Tardive dyskinesia: epidemiological trends in US populations based on cross-sectional analysis of retrospective claims data | |
| CN106845052B (zh) | 医疗信息处理方法和医疗信息处理装置 | |
| Thorneloe et al. | Medication non-adherence: the hidden problem in clinical practice. | |
| Ford et al. | Measuring and improving quality of life | |
| Vidović | ICD-10 classification of the most common inquiries made by general practitioners to pharmacists via electronic consultation platform Health. net PRO | |
| CN116343985A (zh) | 处方信息处理方法和装置 | |
| Morais et al. | EE29 Cost-Effectiveness Analysis and Budgetary Impact of Telescopic Rods for Treatment of Fractures and Correction of Bone Deformities in Children with Osteogenesis Imperfecta in the Brazilian Public Health System |
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: 20200403 |