CN111753543B - 药物推荐方法、装置、电子设备及存储介质 - Google Patents

药物推荐方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111753543B
CN111753543B CN202010589770.XA CN202010589770A CN111753543B CN 111753543 B CN111753543 B CN 111753543B CN 202010589770 A CN202010589770 A CN 202010589770A CN 111753543 B CN111753543 B CN 111753543B
Authority
CN
China
Prior art keywords
model
information
patient
training
drug
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
CN202010589770.XA
Other languages
English (en)
Other versions
CN111753543A (zh
Inventor
夏源
施振辉
陆超
黄海峰
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202010589770.XA priority Critical patent/CN111753543B/zh
Publication of CN111753543A publication Critical patent/CN111753543A/zh
Priority to US17/108,367 priority patent/US20210407642A1/en
Application granted granted Critical
Publication of CN111753543B publication Critical patent/CN111753543B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/216—Parsing using statistical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/237—Lexical tools
    • G06F40/242—Dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Medicinal Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Toxicology (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Animal Behavior & Ethology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Pathology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本申请公开了药物推荐方法、装置、电子设备及存储介质，涉及人工智能技术深度学习、智能推荐和知识图谱领域。具体实现方案为：获取目标对象的相关信息；基于所述目标对象的相关信息以及第一模型，确定针对所述目标对象的药物推荐信息；其中，所述药物推荐信息中包含有至少一个药物；其中，所述第一模型为基于与第二模型的输出信息进行迭代处理得到的模型；所述第二模型用于在迭代处理中对第一模型输出的药物推荐信息进行评估得到针对药物推荐信息的评估结果。

Description

药物推荐方法、装置、电子设备及存储介质
技术领域
本申请涉及计算机技术领域，尤其涉及人工智能技术深度学习、智能推荐和知识图谱领域。
背景技术
在相关技术中，在信息社会的时代，每一个传统领域都受到新兴技术的冲击，机器学习和人工智能的技术在各个领域都有里程碑的突破。如今随着大数据和人工智能时代的来临，越来越多的大型公司和研究机构都开始进军互联网医疗和智能用药推荐的领域。然而，在智能治疗推荐和用药推荐领域，如何给出精准的用药处方的问题并没有得到解决。
发明内容
本公开提供了一种药物推荐方法、装置、电子设备及存储介质。
根据本公开的第一方面，提供了一种药物推荐方法，包括：
获取目标对象的相关信息；
基于所述目标对象的相关信息以及第一模型，确定针对所述目标对象的药物推荐信息；其中，所述药物推荐信息中包含有至少一个药物；
其中，所述第一模型为基于与第二模型的输出信息进行迭代处理得到的模型；所述第二模型用于在迭代处理中对第一模型输出的药物推荐信息进行评估得到针对药物推荐信息的评估结果。
根据本公开的第二方面，提供了一种药物推荐装置，包括：
信息获取模块，用于获取目标对象的相关信息；
药物推荐模块，用于基于所述目标对象的相关信息以及第一模型，确定针对所述目标对象的药物推荐信息；其中，所述药物推荐信息中包含有至少一个药物；
其中，所述第一模型为基于与第二模型的输出信息进行迭代处理得到的模型；所述第二模型用于在迭代处理中对第一模型输出的药物推荐信息进行评估得到针对药物推荐信息的评估结果。
根据本公开的第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述方法。
根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行上述方法。
根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如上所述的方法。
根据本申请的技术基于第一模型根据目标对象的相关信息，进行药物推荐；并且第一模型为与第二模型进行迭代处理得到的，其中第二模型的作用就是对药物推荐信息进行评估。如此，由于在第一模型的训练中结合了药物推荐信息的评估，从而能够使得最终推荐的药物更加精准。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请实施例的药物推荐方法流程示意图；
图2是根据本申请实施例的一种处理架构示意图；
图3是根据本申请实施例的模型预训练的流程示意图；
图4是根据本申请实施例的另一种处理架构示意图；
图5是根据本申请实施例的模型迭代处理的流程示意图；
图6是根据本申请实施例的药物推荐装置组成结构示意图一；
图7是根据本申请实施例的药物推荐装置组成结构示意图二；
图8是用来实现本申请实施例的药物推荐方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
随着AlphaGo在围棋领域的突破，越来越多的领域使用基于强化学习(reinforcement learning)的模型和方法，尤其是考虑到人机交互的领域，强化学习有着其天然的优势。考虑针对医疗智能用药推荐，药物推荐一方面要考虑所推荐药物对症治疗和对因治疗的效果，同时需要考虑到药物的配伍禁忌以及药物之间作用，而强化学习模型可以让系统学习到最优的药物推荐逻辑，并准确地给出药物推荐结果。因此，本申请同时考虑药物推荐组合的准确性和合理性，并将智能药物组合推荐的问题转化为强化模型的训练，以对模型进行优化。本申请根据目标对象(比如患者或用户)的病历医嘱数据，以及从医学文献、国家药典、海量药物说明书的数据，提出的智能用药推荐的方法。
具体来说，本发明实施例提供了一种药物推荐方法，如图1所示，包括：
S101：获取目标对象的相关信息；
S102：基于所述目标对象的相关信息以及第一模型，确定针对所述目标对象的药物推荐信息；其中，所述药物推荐信息中包含有至少一个药物；
其中，所述第一模型为基于与第二模型的输出信息进行迭代处理得到的模型；所述第二模型用于在迭代处理中对第一模型输出的药物推荐信息进行评估得到针对药物推荐信息的评估结果。
上述方案涉及人工智能技术深度学习、智能推荐和知识图谱领域。另外，本实施例的上述可以应用于电子设备中，比如可以为终端设备，个人电脑PC，笔记本电脑等等。当然，上述方案还可以应用于服务器，如果应用于服务器，那么获取目标对象的相关信息可以为从终端设备接收到的目标对象的相关信息，另外，在处理得到最终的药物推荐信息之后，可以存储该信息，进一步还可以将药物推荐信息推送给终端设备，由终端设备进行展示。
使用训练完成的第一模型进行药物推荐的处理中，S101中，所述目标对象可以为任意一名用户，或患者。所述目标对象的相关信息可以为用户，也就是目标对象的症状、诉求、诊断结果、历史病历中至少之一。
相应的，S102中，所述基于所述目标对象的相关信息以及第一模型，确定针对所述目标对象的药物推荐信息，包括：
对所述目标对象的相关信息进行分词处理，得到分词处理后的相关信息；
将所述分词处理后的相关信息进行向量化处理，得到向量化的相关信息；
基于所述向量化的相关信息以及所述第一模型，确定针对目标对象的药物推荐信息。
具体来说，对目标对象的相关信息进行分词处理，可以为利用医疗实体库进行分词处理。与传统文本的分词不同，本申请由于是针对医疗领域的文本，因此先建立一个专门的医学实体库，然后基于医学实体库进行句子切分得到医疗实体分词，这样不仅可以将句子切分成相应的词语，同时，与医疗相关的词语会被标记上相应的类别，比如“呕吐”会被标记为“症状”，“肺炎”会被标记为“疾病”。这里取分词的处理可以理解为从输入的大量词语中进行过滤，得到与目标对象(用户或患者)的症状等信息。
将所述分词处理后的相关信息进行向量化处理，得到向量化的相关信息，也就是在取分词之后，使用词向量化的技术(Word2Vec，GloVe)将词语映射到向量的表达。最终将患者的相关信息，比如症状等信息，表示成Vemr(e1,e2,...,en),其中ei代表一个医疗实体的向量化表示。
结合图2对上述处理提供一种示例性说明：获取目标对象的相关信息，也就是获取当前需要获取药物推荐的任意一患者的主诉、病历、诊断等至少之一；对患者的相关信息进行医疗实体分词处理，得到分词处理后的患者的相关信息；基于分词处理后的患者的相关信息进行词向量化处理，得到患者病历的向量化信息；将患者病历的向量化信息输入至第一模型，确定针对所述目标对象也就是患者的药物推荐信息，也就是推荐的药物组合。
上述S102中还指出，所述第一模型为基于与第二模型的输出信息进行迭代处理得到的模型；所述第二模型用于在迭代处理中对第一模型输出的药物推荐信息进行评估得到针对药物推荐信息的评估结果。也就是说，本申请实施例通过Actor-Critic的强化学习模型来进行模型的迭代处理，最终得到的第一模型为能够输出最优并且相互之间不存在禁忌的药物组合。
在迭代处理中，主要包括Actor(用于执行用药推荐策略)和Critic(用于评判用药策略的合理性)两个部分，分别来说:
第一部分为，基于强化学习的Actor模型，也就是第一模型。通过训练一个深度语义排序模型作为第一模型来进行药物推荐。
第二部分为，基于强化学习Critic模型(也就是第二模型)。通过训练另外一个深度网络模型结合知识图谱来作为强化学习网络中的Critic模型，即第二模型；该第二模型用于评估当前Actor推荐的药物组合所得的评估结果(即，如果存在药物的负向关系或者禁忌，Critic会给出负向的reward)。
第一模型可以为基于强化学习的Actor模型。另外，第一模型(或称为Actor模型)可以基于深度语义排序网络BERT模型构建的，是进行药物推荐排序的模型。基于BERT的深度学习方法被广泛运用于自然语言处理的各个领域，包括文本自动分类，情感分析以机器翻译等，这里不再赘述。
一种示例中，第一模型的预训练过程，如图3所示，可以包括：
S201：从历史病历数据库中获取待训练的患者病历信息及其对应的医疗处方数据；其中，所述医疗处方数据中包含至少一种药物；
S202：将所述待训练的患者病历信息以及医疗处方数据进行向量化处理，得到待训练的患者的病历向量以及至少一个药物向量；
S203：基于所述待训练的患者的病历向量以及至少一个药物向量，得到预训练后的第一模型。
在第一模型的预训练或构建中，基于深度语义排序的模型(BERT)，根据大量的医嘱病历数据进行学习。在训练过程中，根据患者电子病历(EMR，Electronic MedicalRecord)信息和医嘱药物构建排序二元模型(即构建第一模型或训练第一模型)。
S201中，历史病历数据库可以理解为样本数据库，待训练的患者病历信息可以为历史病历数据库中的任意一个患者的EMR信息。需要理解的是，所述历史病历数据库中可以存在一个或多个待训练的患者病历信息。在预训练第一模型的处理中，可以多次提取不同的待训练的患者病历信息进行每一次的训练处理，直至得到预训练后的第一模型位置。由于每次可以根据不同的待训练的患者病历信息进行第一模型预训练的处理过程是相同的，因此不再重复说明。
S202中，将所述待训练的患者病历信息以及医疗处方数据进行向量化处理，得到患者的病历向量以及医疗处方数据对应的至少一个药物向量，具体来说，可以包括：
将待训练的患者病历信息进行分词处理，得到患者的医疗相关类型的分词；然后基于分词处理后的患者的医疗相关类型的分词进行向量化处理，得到患者的病历向量；
将待训练的医疗处方数据进行向量化处理，得到至少一个药物向量。
其中，将待训练的医疗处方数据进行向量化处理还可以包括：对医疗处方数据进行分词处理得到医疗处方分词；再对医疗处方分词进行向量化处理。
需要指出的是，上述对医疗处方数据的向量化处理，可以在进行基于分词处理后的患者的医疗相关类型的分词进行向量化处理的同时执行，或者，可以在基于分词处理后的患者的医疗相关类型的分词进行向量化处理之后执行，当然，也可以在基于分词处理后的患者的医疗相关类型的分词进行向量化处理之前执行，只要能够得到至少一个药物向量即可，不对其在流程中的处理时序进行限定。
具体的，将待训练的患者EMR信息(可以包括主诉+现病史+诊断等)的内容首先进行分词处理；这里，与传统文本的分词不同，本申请由于是针对医疗领域的文本，因此先建立一个专门的医学实体库，然后基于医学实体库进行句子切分得到医疗实体分词，这样不仅可以将句子切分成相应的词语，同时，与医疗相关的词语会被标记上相应的类别，比如“呕吐”会被标记为“症状”，“肺炎”会被标记为“疾病”。这里取分词的处理可以理解为从输入的大量词语中进行过滤，得到与患者的症状等信息相关的待训练的患者病历信息。
取分词之后，使用词向量化的技术(Word2Vec，GloVe)将词语映射到向量的表达。最终将患者的EMR表示成Vemr(e1,e2,...,en),其中ei代表一个医疗实体的向量化表示。用相同的方式，也就是使用词向量化处理，将EMR对应的医嘱处方数据，解析为多个药物(e.g阿司匹林，利巴韦林等)药物的向量，Vdrug(d1,d2,...dn),其中di代表一个药物的向量表达。
S203中，关于第一模型的构建，可以使用深度学习的框架，搭建基于pairwise的BERT深度语义排序模型。
其中，基于BERT的深层网络模型，相比传统的神经网络(DNN,RNN)的框架，一方面考虑到了句子中词与词之间的顺序关系，更加符合自然语言处理的基本假设(语序影响语义的表达)，另一方面，BERT内部基于Transformer结构实现，具有自注意力机制(self-attention)，考虑患者实体词信息之间相互的关系。因此，本申请实施例提供的一种优选示例采用BERT模型来构建第一模型，但是，实际处理中不排除还可以使用其他的模型来构建本申请的第一模型，只是这里不进行穷举。
进一步地，BERT模型(也就是第一模型或称为Actor模型)基于患者EMR向量和对应的医嘱处方向量为输入，输出单个组合的优先级，用药组合最终取topk的药物。
在第一模型的构建中，可以对于某个患者i，设置正样本为患者信息状态为Spos＝<Viemr,dk∈Vidrug>,负样本的信息状态 并且，正样本的奖励reward＝+ra,负样本的奖励reward＝-ra。
其中，负样本的构建基于患者EMR，随机获取不在该EMR医嘱处方下的药物。正样本以及负样本的奖励可以理解为正样本以及负样本的标签，可以为预先根据实际情况预设的，ra的值也可以根据实际情况预设，比如可以设置为1。
Actor模型预训练完成之后，可以获得根据患者推荐药物组合的策略Q(Semr,Adrug),可以在训练集上获得最优的Q*(Semr,Adrug)。其中，选取最优的药物组合的方式可以基于policy gradient的方式，这里不再赘述。
一种示例中，结合图4，对构建或预训练第一模型进行说明，基于历史病历数据库，也就是图中的EMR病历数据库，获得某一个待训练的患者病历信息及其对应的医疗处方数据，其中，患者病历数据可以包括图中所示的患者主诉、病史、诊断等信息中至少之一，所述医疗处方数据即为图中的医疗处方数据。
将患者病历数据进行医疗实体分词处理得到分词处理后的患者病历数据，对分词处理后的患者病历数据也就是患者EMR进行词向量化处理，得到患者的病历向量；采用同样的方式对医疗处方数据进行处理，比如可以包括基于医疗实体分词处理以及医疗处方的词向量化处理，最终得到至少一个药物向量；
基于所述患者的病历向量以及至少一个药物向量，对第一模型进行预训练。如此重复得到预训练后的第一模型，其中，预训练第一模型是否完成可以根据对应的损失函数的反向传播来确定；关于第一模型对应的损失函数的设计这里不做赘述。
前述第一模型也就是Actor模型预训练完成之后，可以基于第二模型与第一模型进行迭代处理，强化学习得到最终使用的第一模型。
基于预训练好的深度语义排序模型(第一模型或称为Actor模型)，当系统获取到患者的诊断和临床表现以及人群信息后，基于强化学习的第一模型(或Actor模块)基于患者EMR信息完成药物的组合推荐。与此同时，基于强化学习的第二模型(或称为Critic模型或模块)，对当前的药物组合推荐进行评估，评估当前用药组合是否存在药物配伍禁忌或者存在药物之间的负向关系，并将所得的reward(+rc，-rc)反馈给强化学习的智能体(Agent)；如果强化学习的Actor模块部分推荐的药物组合存在禁忌，第二模型(或称为Critic模型或模块)将会给出负向的reward，来促使强化学习智能体(agent)更新策略函数。如此迭代，直到最终Actor推荐的用药组合在Critic模块的评估下，每次给出的药物组合推荐不存在禁忌。
上述强化学习智能体可以为上述第一模型以及第二模型组成。
实验证明，基于强化学习的智能问诊方法，在训练过程中通过奖励函数显示的考虑到了药物之间的作用，避免了组合药物推荐的禁忌问题，在保证对症治疗和对因治疗的情况下，同时还降低了药物组合之间副作用的概率，使得药物推荐的效果更加符合医生的预期。
具体的，在一示例中，关于第一模型以及第二模型的强化学习，即迭代处理，可以如图5所示，包括：
S301：基于待训练的患者病历信息以及预训练后的第一模型，得到针对患者的药物推荐信息；
S302：基于第二模型得到针对所述患者的药物推荐信息的评估结果；其中，所述评估结果用于表征所述患者的药物推荐信息是否存在禁忌；
S303：基于所述评估结果，确定所述第一模型是否训练完成。
S301中，待训练的患者病历信息中仅包含有患者的病历数据，比如患者的症状、主诉、病历、诊断结果中至少之一。也就是说，在第一模型构建成功之后，可以采用第二模型对第一模型内的权重(或特征参数)进一步进行调整，此时，第一模型的输入为患者的病历数据。第一模型的输出为针对患者的药物推荐信息。
传统的智能药物推荐的方法，由于没有对药物组合的合理性(药物之间的关系和配伍禁忌)做限制，生成的药物组合虽然可以对症治疗，但是可能存在禁忌。因此，本申请提供第二模型，即基于强化学习的Critic模块(或模型)进行进一步的约束，S302中，可以理解为通过训练一个第二模型(Critic的模块)来评估药物的合理性，对药物组合的合理性进行打分，获取额外的reward(rc)。
S302中，所述基于第二模型得到针对所述患者的药物推荐信息的评估结果，包括：
基于第二模型对预训练后的第一模型输出的药物组合进行评估，得到药物组合对应的第一奖励值、以及所述药物组合之间存在禁忌的概率值；将第一奖励值以及所述概率值作为评估结果。
具体的，第二模型结合规则获取药物相互作用知识图谱G(di,dj)给出药物评分，作为前述评估结果。第二模型(Critic的模块)可以基于药物关系图谱G构建的关系，通过神经网络(e.g.DNN)进行学习，去判断药物是否存在禁忌关系。
在药物关系矩阵G中，如果药物i和药物j存在配伍禁忌，则G(di,dj)＝-a,否则为G(di,dj)＝a，其中a为可以设置的奖励值，比如，可以设置为1，当然还可以根据实际情况设置为0.5、2等等，不做穷举。
在强化学习训练阶段，第二模型根据第一模型的药物输出的评估得到的奖励值和DNN的概率综合，给出reward(rc)＝G(di,dj)+rp；
其中，rp为Critic判断是否有药物禁忌的概率,其中rp＝DNN(Adrug)。
S303中，所述基于所述评估结果，确定所述第一模型是否训练完成，包括：
若所述评估结果表征所述患者的药物推荐信息存在禁忌，则更新训练第一模型以及更新训练所述第二模型；
采用更新训练后的第一模型以及待训练的患者病历信息，重新得到针对患者的药物推荐信息，以及重新基于更新训练后的第二模型得到针对所述患者的药物推荐信息的评估结果；
直至所述评估结果表征针对所述患者的药物推荐信息不存在禁忌，确定所述第一模型训练完成。
也就是说，如果第二模型评估结果表征药物推荐信息之间存在禁忌，那么需要重新对第一模型进行调整，使得第一模型能够输出不存在禁忌的药物推荐信息；同时，也会对第二模型进行相应调整。
这里需要理解的是，更新训练后的第一模型输入的待训练的患者病历信息与S301中的待训练患者病历信息可以相同也可以不同，均可以理解为从历史病历数据库中获取的。
又一示例，同样结合图4来对第一模型以及第二模型的强化学习，也就是迭代处理进行说明。预训练完成后进行强化学习的第一模型的输入可以为待训练的患者病历信息，这里，待训练的患者病历信息可以仅包含有词向量后的患者的病历向量，也就是图中从EMR病历数据库划分出来的左边的分支；
根据第一模型以及患者的病历向量，得到针对患者的药物推荐信息，所述药物推荐信息中包含有至少一个药物组成的药物组合；
基于第二模型得到针对所述患者的药物推荐信息的评估结果；其中，所述评估结果用于表征所述患者的药物推荐信息是否存在禁忌；
若所述评估结果表征所述患者的药物推荐信息存在禁忌，则更新训练所述第一模型，此时还可以包括基于更新训练后的第一模型更新训练所述第二模型；
采用更新训练后的第一模型以及待训练的患者病历信息，重新得到针对患者的药物推荐信息，以及重新基于更新后的第二模型得到针对所述患者的药物推荐信息的评估结果；
直至所述评估结果表征针对所述患者的药物推荐信息不存在禁忌，确定所述第一模型训练完成。
进一步地，所述基于待训练的患者病历信息以及预训练后的第一模型，得到针对患者的药物推荐信息时，所述方法还包括：得到针对患者的药物推荐信息所对应的第二奖励值；
相应的，所述方法还包括：
基于所述第二奖励值以及所述评估结果确定奖励函数结果；
基于所述奖励函数结果训练所述第一模型，直至所述第一模型训练完成。
具体来说，最终强化学习第二模型的评估结果(reward(rc))和第一模型的第二奖励值(表示为reward(ra))加权，作为最终的奖励函数结果(Rf＝rc+ra)。
上述处理中，通过强化学习Actor模块和Critic模块的相互迭代，以及最终的奖励Rf，生成最优的Q*F(Semr,Adrug),给出最优的智能药物组合推荐的结果。
本申请的方法可以应用到多个场景中，包括但不限于：临床辅助决策系统处方推荐；智能用药推荐助理；医疗合理用药与解决方案药师处方教学，教导实习医生如何根据患者情况开具处方等等。
医疗智能用药推荐不同于的电商领域的商品推荐，它不仅是根据已知病人的诊断和临床表现进行药物推荐，而且同时需要考虑药物之间的关系，以及药物和患者情况，综合患者主诉现病史过敏史等一系列信息，给出最合适的处方用药推荐方案。这个在整个智能医疗领域都是十分困难的，但又非常重要。理想化的智能问诊的方法，应该是既能保证推荐的药物能够治疗患者所表现的临床表现对症治疗，同时还需要能够根据诊断对因治疗。此外，药物的推荐还是考虑到配伍禁忌，考虑到药物的副作用。但是，这些往往不容易同时具备。
在相关技术中，基于大数据深度学习病历挖掘推荐和基于药物知识图谱的概率图用药推荐方法无法给出令人满意的结果。一方面，基于大数据深度学习(CNN，LSTM，BERT等)的方法，在病历医嘱数据足够多的情况下，且医嘱数据完成正确的情况下，模型可以给出对症治疗和对因治疗，但是通常情况下，无法获取大量的医嘱数据，且每个医院的医嘱数据质量层次不齐，且基于大数据深度学习的病历挖掘的方法可能推荐的药物存在配伍禁忌，这在实际使用过程中是十分严重的问题。另一方面，基于知识图谱的概率图模型(PGM)的方法，可以通过药物-适应症(诊断+临床表现)的转移概率矩阵进行有效的问诊，但基于概率图模型的方法往往在模型推理(inference)部分计算复杂度比较高，同时，概率图模型的药物-适应症转移矩阵往往需要专业的医生标注，或者通过人机合作的方式挖掘(图谱挖掘+人工迭代评估)，这种类似专家系统的模型，在不同医院和多样化的患者情况扩展方面面临极大的挑战。因此，在智能用药推荐领域需要一种新的方法来进行突破。
而本申请提供的方案，可以基于第一模型根据目标对象的相关信息，进行药物推荐；并且第一模型为与第二模型进行迭代处理得到的，其中第二模型的作用就是对药物推荐信息进行评估。如此，由于在第一模型的训练中结合了药物推荐信息的评估，从而能够使得最终推荐的药物更加精准。
另外，本申请提供的方案，由于在迭代处理中结合了药物是否存在禁忌的评估结果对第一模型进行训练(或强化)，并且，本申请提供的方案在模型训练以及强化学习的处理中，还可以尽量避免人工干预，最终能够保证第一模型推荐的药物为能够避免存在禁忌的问题并且最优的方案。
本申请实施例还提供一种药物推荐装置，如图6所示，包括：
信息获取模块61，用于获取目标对象的相关信息；
药物推荐模块62，用于基于所述目标对象的相关信息以及第一模型，确定针对所述目标对象的药物推荐信息；其中，所述药物推荐信息中包含有至少一个药物；
其中，所述第一模型为基于与第二模型的输出信息进行迭代处理得到的模型；所述第二模型用于在迭代处理中对第一模型输出的药物推荐信息进行评估得到针对药物推荐信息的评估结果。
如图7所示，所述装置还包括：
第一模块63，用于基于待训练的患者病历信息以及预训练后的第一模型，得到针对患者的药物推荐信息；基于所述评估结果，确定所述第一模型是否训练完成；
第二模块64，用于基于第二模型得到针对所述患者的药物推荐信息的评估结果；其中，所述评估结果用于表征所述患者的药物推荐信息是否存在禁忌。
所述第一模块63，用于若所述评估结果表征所述患者的药物推荐信息存在禁忌，则更新训练第一模型；采用更新训练后的第一模型以及待训练的患者病历信息，重新得到针对患者的药物推荐信息；直至所述评估结果表征针对所述患者的药物推荐信息不存在禁忌，确定所述第一模型训练完成；
所述第二模块64，用于更新训练所述第二模型；以及重新基于更新训练后的第二模型得到针对所述患者的药物推荐信息的评估结果。
所述第二模块64，用于基于第二模型对预训练后的第一模型输出的药物组合进行评估，得到药物组合对应的第一奖励值、以及所述药物组合之间存在禁忌的概率值；将第一奖励值以及所述概率值作为评估结果。
所述第一模块63，用于得到针对患者的药物推荐信息所对应的第二奖励值；基于所述第二奖励值以及所述评估结果确定奖励函数结果；基于所述奖励函数结果训练所述第一模型，直至所述第一模型训练完成。
所述装置还包括：
预训练模块65，用于从历史病历数据库中获取待训练的患者病历信息及其对应的医疗处方数据；其中，所述医疗处方数据中包含至少一种药物；将所述待训练的患者病历信息以及医疗处方数据进行向量化处理，得到患者的病历向量以及至少一个药物向量；基于所述患者的病历向量以及至少一个药物向量，得到预训练后的第一模型。
所述药物推荐模块62，用于对所述目标对象的相关信息进行分词处理，得到分词处理后的相关信息；将所述分词处理后的相关信息进行向量化处理，得到向量化的相关信息；基于所述向量化的相关信息以及所述第一模型，确定针对目标对象的药物推荐信息。
这里需要指出的是，第一模块可以在第一模型训练完成后，将第一模型发送或保存至药物推荐模块中，以使得药物推荐模块可以执行后续的药物推荐处理。
另外，药物推荐装置中各个模块的具体功能在前述方法实施例均有相应说明，因此这里不再进行赘述。
根据本申请的实施例，本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
如图8所示，是根据本申请实施例的药物推荐方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图8所示，该电子设备包括：一个或多个处理器801、存储器802，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图8中以一个处理器801为例。
存储器802即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的药物推荐方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的药物推荐方法。
存储器802作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的药物推荐方法对应的程序指令/模块(例如，附图7所示的信息获取模块、药物推荐模块、第一模块、第二模块、预训练模块)。处理器801通过运行存储在存储器802中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的药物推荐方法。
存储器802可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器802可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器802可选包括相对于处理器801远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
药物推荐方法的电子设备还可以包括：输入装置803和输出装置804。处理器801、存储器802、输入装置803和输出装置804可以通过总线或者其他方式连接，图8中以通过总线连接为例。
输入装置803可接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置804可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
本申请实施例涉及人工智能技术深度学习、智能推荐和知识图谱领域。根据本申请实施例的技术方案，基于第一模型根据目标对象的相关信息，进行药物推荐；并且第一模型为与第二模型进行迭代处理得到的，其中第二模型的作用就是对药物推荐信息进行评估。如此，由于在第一模型的训练中结合了药物推荐信息的评估，从而能够使得最终推荐的药物更加精准。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (10)

1.一种药物推荐方法，包括：
获取目标对象的相关信息；
基于所述目标对象的相关信息以及第一模型，确定针对所述目标对象的药物推荐信息；其中，所述药物推荐信息中包含有至少一个药物；
其中，所述第一模型为基于与第二模型的输出信息进行迭代处理得到的模型；所述第二模型用于在迭代处理中对第一模型输出的药物推荐信息进行评估得到针对药物推荐信息的评估结果；
其中，所述方法还包括：
基于待训练的患者病历信息以及预训练后的第一模型，得到针对患者的药物推荐信息；
基于第二模型得到针对所述患者的药物推荐信息的评估结果；其中，所述评估结果用于表征所述患者的药物推荐信息是否存在禁忌，其中，所述基于第二模型得到针对所述患者的药物推荐信息的评估结果，包括：基于第二模型对预训练后的第一模型输出的药物组合进行评估，得到药物组合对应的第一奖励值、以及所述药物组合之间存在禁忌的概率值；将第一奖励值以及所述概率值作为评估结果；
基于所述评估结果，确定所述第一模型是否训练完成；
其中，所述基于待训练的患者病历信息以及预训练后的第一模型，得到针对患者的药物推荐信息时，所述方法还包括：得到针对患者的药物推荐信息所对应的第二奖励值；
相应的，所述方法还包括：基于所述第二奖励值以及所述评估结果确定奖励函数结果，基于所述奖励函数结果训练所述第一模型，直至所述第一模型训练完成。
2.根据权利要求1所述的方法，所述基于所述评估结果，确定所述第一模型是否训练完成，包括：
若所述评估结果表征所述患者的药物推荐信息存在禁忌，则更新训练第一模型以及更新训练所述第二模型；
采用更新训练后的第一模型以及待训练的患者病历信息，重新得到针对患者的药物推荐信息，以及重新基于更新训练后的第二模型得到针对所述患者的药物推荐信息的评估结果；
直至所述评估结果表征针对所述患者的药物推荐信息不存在禁忌，确定所述第一模型训练完成。
3.根据权利要求1所述的方法，其中，所述方法还包括：
从历史病历数据库中获取待训练的患者病历信息及其对应的医疗处方数据；其中，所述医疗处方数据中包含至少一种药物；
将所述待训练的患者病历信息以及医疗处方数据进行向量化处理，得到患者的病历向量以及至少一个药物向量；
基于所述患者的病历向量以及至少一个药物向量，得到预训练后的第一模型。
4.根据权利要求1所述的方法，其中，所述基于所述目标对象的相关信息以及第一模型，确定针对所述目标对象的药物推荐信息，包括：
对所述目标对象的相关信息进行分词处理，得到分词处理后的相关信息；
将所述分词处理后的相关信息进行向量化处理，得到向量化的相关信息；
基于所述向量化的相关信息以及所述第一模型，确定针对目标对象的药物推荐信息。
5.一种药物推荐装置，包括：
信息获取模块，用于获取目标对象的相关信息；
药物推荐模块，用于基于所述目标对象的相关信息以及第一模型，确定针对所述目标对象的药物推荐信息；其中，所述药物推荐信息中包含有至少一个药物；
其中，所述第一模型为基于与第二模型的输出信息进行迭代处理得到的模型；所述第二模型用于在迭代处理中对第一模型输出的药物推荐信息进行评估得到针对药物推荐信息的评估结果；
其中，所述装置还包括：
第一模块，用于基于待训练的患者病历信息以及预训练后的第一模型，得到针对患者的药物推荐信息；基于所述评估结果，确定所述第一模型是否训练完成，所述第一模块，用于得到针对患者的药物推荐信息所对应的第二奖励值； 基于所述第二奖励值以及所述评估结果确定奖励函数结果；基于所述奖励函数结果训练所述第一模型，直至所述第一模型训练完成；
第二模块，用于基于第二模型得到针对所述患者的药物推荐信息的评估结果；其中，所述评估结果用于表征所述患者的药物推荐信息是否存在禁忌，所述第二模块，用于基于第二模型对预训练后的第一模型输出的药物组合进行评估，得到药物组合对应的第一奖励值、以及所述药物组合之间存在禁忌的概率值；将第一奖励值以及所述概率值作为评估结果。
6.根据权利要求5所述的装置，其中，所述第一模块，用于若所述评估结果表征所述患者的药物推荐信息存在禁忌，则更新训练第一模型；采用更新训练后的第一模型以及待训练的患者病历信息，重新得到针对患者的药物推荐信息；直至所述评估结果表征针对所述患者的药物推荐信息不存在禁忌，确定所述第一模型训练完成；
所述第二模块，用于更新训练所述第二模型；以及重新基于更新训练后的第二模型得到针对所述患者的药物推荐信息的评估结果。
7.根据权利要求5所述的装置，其中，所述装置还包括：
预训练模块，用于从历史病历数据库中获取待训练的患者病历信息及其对应的医疗处方数据；其中，所述医疗处方数据中包含至少一种药物；将所述待训练的患者病历信息以及医疗处方数据进行向量化处理，得到患者的病历向量以及至少一个药物向量；基于所述患者的病历向量以及至少一个药物向量，得到预训练后的第一模型。
8.根据权利要求5所述的装置，其中，所述药物推荐模块，用于对所述目标对象的相关信息进行分词处理，得到分词处理后的相关信息；将所述分词处理后的相关信息进行向量化处理，得到向量化的相关信息；基于所述向量化的相关信息以及所述第一模型，确定针对目标对象的药物推荐信息。
9. 一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-4中任一项所述的方法。
CN202010589770.XA 2020-06-24 2020-06-24 药物推荐方法、装置、电子设备及存储介质 Active CN111753543B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010589770.XA CN111753543B (zh) 2020-06-24 2020-06-24 药物推荐方法、装置、电子设备及存储介质
US17/108,367 US20210407642A1 (en) 2020-06-24 2020-12-01 Drug recommendation method and device, electronic apparatus, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010589770.XA CN111753543B (zh) 2020-06-24 2020-06-24 药物推荐方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111753543A CN111753543A (zh) 2020-10-09
CN111753543B true CN111753543B (zh) 2024-03-12

Family

ID=72677137

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010589770.XA Active CN111753543B (zh) 2020-06-24 2020-06-24 药物推荐方法、装置、电子设备及存储介质

Country Status (2)

Country Link
US (1) US20210407642A1 (zh)
CN (1) CN111753543B (zh)

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI818203B (zh) * 2020-10-23 2023-10-11 國立臺灣大學醫學院附設醫院 基於病患病情的分類模型建立方法
US20220165359A1 (en) 2020-11-23 2022-05-26 Peptilogics, Inc. Generating anti-infective design spaces for selecting drug candidates
CN112528160B (zh) * 2020-12-25 2024-02-20 北京百度网讯科技有限公司 智能推荐、模型训练方法、装置、电子设备及存储介质
CN112802612B (zh) * 2021-01-23 2023-10-31 广州医科大学附属脑科医院 基于精神分裂症的用药分析方法、装置、设备及存储介质
CN112735585B (zh) * 2021-04-02 2021-08-03 刘思佳 基于神经网络和机器学习的关节炎康复诊疗方法及系统
CN113241193A (zh) * 2021-06-01 2021-08-10 平安科技（深圳）有限公司 药物推荐模型训练方法、推荐方法、装置、设备及介质
CN113707264A (zh) * 2021-08-31 2021-11-26 平安科技（深圳）有限公司 基于机器学习的药物推荐方法、装置、设备及介质
CN113782146B (zh) * 2021-09-16 2023-08-22 平安科技（深圳）有限公司 基于人工智能的全科用药推荐方法、装置、设备及介质
CN114386528B (zh) * 2022-01-18 2024-05-14 平安科技（深圳）有限公司 模型的训练方法和装置、计算机设备、存储介质
CN114520831A (zh) * 2022-02-16 2022-05-20 平安国际智慧城市科技股份有限公司 处方推送方法、装置、终端及存储介质
CN114783571A (zh) * 2022-04-06 2022-07-22 北京交通大学 基于深度强化学习的中医动态诊疗方案优化方法及系统
US20240038352A1 (en) * 2022-07-26 2024-02-01 Shafaat Pirani Method and apparatus for prescription management
CN115295116B (zh) * 2022-08-04 2023-09-19 上海康黎医学检验所有限公司 一种用药点评方法、系统和电子设备
CN115658877B (zh) * 2022-12-27 2023-03-21 神州医疗科技股份有限公司 基于强化学习的药物推荐方法、装置、电子设备和介质
CN115858876B (zh) * 2023-02-21 2023-05-26 杭州华卓信息科技有限公司 一种基于疾病知识图谱的随访内容智能推送方法及系统
CN116189847B (zh) * 2023-05-05 2023-07-14 武汉纺织大学 一种基于注意力机制的lstm-cnn策略的安全药物推荐方法
CN116779096B (zh) * 2023-06-28 2024-04-16 南栖仙策(南京)高新技术有限公司 一种用药策略确定方法、装置、设备和存储介质
CN116612852B (zh) * 2023-07-20 2023-10-31 青岛美迪康数字工程有限公司 一种实现药物推荐的方法、装置和计算机设备
CN116913459B (zh) * 2023-09-12 2023-12-15 神州医疗科技股份有限公司 基于深度卷积网络控制门模型的用药推荐方法及系统
CN116994704B (zh) * 2023-09-22 2023-12-15 北斗云方(北京)健康科技有限公司 基于临床多模态数据深度表示学习的合理用药判别方法
CN117035087B (zh) * 2023-10-09 2023-12-26 北京壹永科技有限公司 用于医疗推理的事理图谱生成方法、装置、设备及介质
CN117216407B (zh) * 2023-10-24 2024-04-02 北京同仁堂互联网医院管理有限公司 一种中药饮片的辅助开立方法、装置、设备及可读介质
CN117198513B (zh) * 2023-11-07 2024-03-29 北京烔凡科技有限公司 一种针对高血压患者的健康指导方法及系统
CN117438104B (zh) * 2023-12-21 2024-03-22 成都市第一人民医院 一种智能药品预警方法、电子设备以及计算机存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108597621A (zh) * 2018-07-09 2018-09-28 中国中医科学院中医药信息研究所 基于中医理论的健康状态监控装置、系统及方法
CN110678931A (zh) * 2017-03-17 2020-01-10 伯尔尼大学 用于改进药物治疗管理的系统和方法
CN111191020A (zh) * 2019-12-27 2020-05-22 江苏省人民医院（南京医科大学第一附属医院） 基于机器学习和知识图谱的处方推荐方法和系统

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015070011A1 (en) * 2013-11-07 2015-05-14 Quintiles Transnational Corporation Electrical computing devices providing personalized patient drug dosing regimens
GB201319681D0 (en) * 2013-11-07 2013-12-25 Imp Innovations Ltd System and method for drug delivery
US11062797B2 (en) * 2014-10-10 2021-07-13 Continuous Precision Medicine Method and system for obtaining and using pharmacokinetic data in drug administration
CN107729710B (zh) * 2016-08-11 2021-04-13 宏达国际电子股份有限公司 医学系统及非暂态计算机可读取媒体
JP7390711B2 (ja) * 2017-05-12 2023-12-04 ザ・リージェンツ・オブ・ザ・ユニバーシティ・オブ・ミシガン 個体およびコホートの薬理学的表現型予測プラットフォーム
US10881463B2 (en) * 2017-08-30 2021-01-05 International Business Machines Corporation Optimizing patient treatment recommendations using reinforcement learning combined with recurrent neural network patient state simulation
CN107908635B (zh) * 2017-09-26 2021-04-16 百度在线网络技术（北京）有限公司 建立文本分类模型以及文本分类的方法、装置
US11481629B2 (en) * 2017-10-27 2022-10-25 Deepmind Technologies Limited Distributional reinforcement learning for continuous control tasks
KR20190065128A (ko) * 2017-12-01 2019-06-11 한국과학기술원 약물의 구조 정보를 이용한 약물-약물 또는 약물-음식 상호작용 예측 방법
EP3734604A4 (en) * 2017-12-29 2021-08-11 Obshchestvo S Ogranichennoj Otvetstvennostyu "Intellodzhik" MEDICAL DECISION-MAKING PROCESS AND SYSTEM
US11568236B2 (en) * 2018-01-25 2023-01-31 The Research Foundation For The State University Of New York Framework and methods of diverse exploration for fast and safe policy improvement
US11593646B2 (en) * 2018-02-05 2023-02-28 Deepmind Technologies Limited Distributed training using actor-critic reinforcement learning with off-policy correction factors
TWI778289B (zh) * 2018-08-16 2022-09-21 宏達國際電子股份有限公司 控制方法以及醫學系統
WO2020146356A1 (en) * 2019-01-07 2020-07-16 President And Fellows Of Harvard College Machine learning techniques for determining therapeutic agent dosages
US20200342968A1 (en) * 2019-04-24 2020-10-29 GE Precision Healthcare LLC Visualization of medical device event processing
US20200372410A1 (en) * 2019-05-23 2020-11-26 Uber Technologies, Inc. Model based reinforcement learning based on generalized hidden parameter markov decision processes
US11017902B2 (en) * 2019-10-25 2021-05-25 Wise IOT Solutions System and method for processing human related data including physiological signals to make context aware decisions with distributed machine learning at edge and cloud
CN115428090A (zh) * 2020-01-30 2022-12-02 99Andbeyond股份有限公司 用于学习生成具有期望特性的化学化合物的系统和方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110678931A (zh) * 2017-03-17 2020-01-10 伯尔尼大学 用于改进药物治疗管理的系统和方法
CN108597621A (zh) * 2018-07-09 2018-09-28 中国中医科学院中医药信息研究所 基于中医理论的健康状态监控装置、系统及方法
CN111191020A (zh) * 2019-12-27 2020-05-22 江苏省人民医院（南京医科大学第一附属医院） 基于机器学习和知识图谱的处方推荐方法和系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
dynamic control of stochastic evolution: a deep reinforcement learning approach to adaptively targeting emergent drug resistance;Engelhardt D等;arXiv;全文 *
Supervised Reinforcement Learning with Recurrent Neural Network for Dynamic Treatment Recommendation;Wang L 等;arXiv;全文 *
基于深度强化学习的中医序贯诊疗方案优化方法研究;胡晓晨;中国优秀硕士学位论文全文数据库;全文 *

Also Published As

Publication number Publication date
CN111753543A (zh) 2020-10-09
US20210407642A1 (en) 2021-12-30

Similar Documents

Publication Publication Date Title
CN111753543B (zh) 药物推荐方法、装置、电子设备及存储介质
Zhang et al. Shifting machine learning for healthcare from development to deployment and from models to data
Shameer et al. Machine learning in cardiovascular medicine: are we there yet?
Shi et al. Semantic health knowledge graph: semantic integration of heterogeneous medical knowledge and services
CN111681726B (zh) 电子病历数据的处理方法、装置、设备和介质
US20150324547A1 (en) Methods and systems for pharmaceutical prescription authorization rules generation
JP2021512444A (ja) コミュニケーション用談話ツリーを用いる、説明の要求の検出
US11847411B2 (en) Obtaining supported decision trees from text for medical health applications
Ferdousi et al. Digital twins for well-being: An overview
CN110517767B (zh) 辅助诊断方法、装置、电子设备及存储介质
US20220114346A1 (en) Multi case-based reasoning by syntactic-semantic alignment and discourse analysis
CN112786144B (zh) 知识图谱的方法、医嘱质控的方法、装置、设备和介质
CN114765075A (zh) 药品推荐方法、装置及系统、电子设备及存储介质
CN110444261A (zh) 序列标注网络训练方法、电子病历处理方法及相关装置
Kubassova et al. History, current status, and future directions of artificial intelligence
Hu et al. A novel neural network model fusion approach for improving medical named entity recognition in online health expert question-answering services
Kocakoç The role of artificial intelligence in health care
Shivers et al. Enhancing narrative clinical guidance with computer-readable artifacts: authoring FHIR implementation guides based on WHO recommendations
Oberste et al. User-centric explainability in healthcare: A knowledge-level perspective of informed machine learning
Miloski Opportunities for artificial intelligence in healthcare and in vitro fertilization
CN114139546A (zh) 使用语法树集合之间的差异和语义树集合之间的差异制定问题
Jia et al. Dkdr: An approach of knowledge graph and deep reinforcement learning for disease diagnosis
Malgieri Ontologies, Machine Learning and Deep Learning in Obstetrics
Jayaratna et al. HL7 v3 message extraction using semantic web techniques
US20230043849A1 (en) Answer generation using machine reading comprehension and supported decision trees

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