CN111933302A - 药物推荐方法、装置、计算机设备及存储介质 - Google Patents

药物推荐方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN111933302A
CN111933302A CN202011070302.8A CN202011070302A CN111933302A CN 111933302 A CN111933302 A CN 111933302A CN 202011070302 A CN202011070302 A CN 202011070302A CN 111933302 A CN111933302 A CN 111933302A
Authority
CN
China
Prior art keywords
medication
target
attribute information
medication index
user attribute
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.)
Granted
Application number
CN202011070302.8A
Other languages
English (en)
Other versions
CN111933302B (zh
Inventor
徐卓扬
赵惟
左磊
孙行智
胡岗
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202011070302.8A priority Critical patent/CN111933302B/zh
Publication of CN111933302A publication Critical patent/CN111933302A/zh
Priority to PCT/CN2020/132479 priority patent/WO2021179694A1/zh
Application granted granted Critical
Publication of CN111933302B publication Critical patent/CN111933302B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Physics & Mathematics (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Biomedical Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Toxicology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本申请公开了一种药物推荐方法、装置、计算机设备及存储介质，该方法包括：获取目标用户的至少两种目标用户属性信息，将至少两种目标用户属性信息输入用药指标预测模型；基于用药指标预测模型中的各用药指标预测网络确定目标用户的各目标用户属性信息在各药物作用下的用药指标；基于用药指标预测模型确定出任一药物作用下至少两种目标用户属性信息对应的目标用药指标以得到多种药物对应的多个目标用药指标；从多个目标用药指标中确定出最大目标用药指标，并将具有最大目标用药指标的目标药物推送给目标用户。采用本申请，可以对用户精准推荐药物，提高了模型药物推荐的精确度，也提高了药物推荐的用户粘性。

Description

药物推荐方法、装置、计算机设备及存储介质
技术领域
本申请涉及计算机技术领域，尤其涉及一种药物推荐方法、装置、计算机设备及存储介质。
背景技术
目前，可以通过神经网络模型或者统计模型对患者推荐药物。在通过神经网络模型对患者推荐药物时，神经网络模型可以根据患者的所有特征预测需要向该患者推荐的药物，但是由于神经网络共享神经元的特性，只能对患者的所有特征进行解释，而不能对患者的某个特征进行解释，导致了患者可能不会接受上述模型所推荐的药物，由此可见，上述神经网络模型缺乏足够的可解释性，适用性差。另外，在通过统计模型对患者推荐药物时，虽然统计模型具有足够的可解释性，但模型精确度低。
发明内容
本申请提供一种药物推荐方法、装置、计算机设备及存储介质，可以对用户精准推荐药物，提高了模型药物推荐的精确度，也提高了药物推荐的用户粘性。
第一方面，本申请提供了一种药物推荐方法，该方法包括：
获取目标用户的至少两种目标用户属性信息，将至少两种目标用户属性信息输入用药指标预测模型，用药指标预测模型中包含至少两个用药指标预测网络，一个用药指标预测网络用于输出用户的一种用户属性信息在多种药物作用下的多个用药指标；
基于用药指标预测模型中的各用药指标预测网络确定目标用户的各目标用户属性信息在各药物作用下的用药指标，一种目标用户属性信息在一种药物作用下对应一个用药指标；
基于用药指标预测模型确定出任一药物作用下至少两种目标用户属性信息对应的目标用药指标以得到多种药物对应的多个目标用药指标；
从多个目标用药指标中确定出最大目标用药指标，并将具有最大目标用药指标的目标药物推送给目标用户。
结合第一方面，在一种可能的实施方式中，多种药物包括目标药物以及目标药物之外的至少一种其它药物，目标用户属性信息在目标药物作用下的用药指标为第一用药指标，目标用户属性信息在其它药物作用下的用药指标为第二用药指标；
上述方法还包括：
基于第一用药指标和第二用药指标确定优化用药指标，并将优化用药指标展示给目标用户。
结合第一方面，在一种可能的实施方式中，方法还包括：
获取至少两个用户的样本数据，一个用户的样本数据包括用户的至少两种用户属性信息和用户在样本药物作用下的目标样本用药指标；
将至少两个用户的样本数据输入用药指标预测模型，通过用药指标预测模型中的各用药指标预测网络对各用药指标预测网络对应的用户属性信息进行联合学习以获取预测任一用户的各用户属性信息在各药物作用下的用药指标的能力。
结合第一方面，在一种可能的实施方式中，用药指标预测模型包含各药物对应的偏置参数，一种药物对应一个偏置参数；
基于用药指标预测模型确定出任一药物作用下至少两种目标用户属性信息对应的目标用药指标，包括：
基于用药指标预测模型对各目标用户属性信息在任一药物作用下的各用药指标和任一药物对应的偏置参数进行累加，得到任一药物作用下至少两种目标用户属性信息对应的目标用药指标。
结合第一方面，在一种可能的实施方式中，至少两种目标用户属性信息包括目标用户的年龄、性别以及针对目标疾病的健康指标中的至少一种。
第二方面，本申请提供了一种药物推荐装置，该装置包括：
第一获取模块，用于获取目标用户的至少两种目标用户属性信息，将至少两种目标用户属性信息输入用药指标预测模型，用药指标预测模型中包含至少两个用药指标预测网络，一个用药指标预测网络用于输出用户的一种用户属性信息在多种药物作用下的多个用药指标；
第一确定模块，用于基于用药指标预测模型中的各用药指标预测网络确定目标用户的各目标用户属性信息在各药物作用下的用药指标，一种目标用户属性信息在一种药物作用下对应一个用药指标；
第二确定模块，用于基于用药指标预测模型确定出任一药物作用下至少两种目标用户属性信息对应的目标用药指标以得到多种药物对应的多个目标用药指标；
推送模块，用于从多个目标用药指标中确定出最大目标用药指标，并将具有最大目标用药指标的目标药物推送给目标用户。
结合第二方面，在一种可能的实施方式中，多种药物包括目标药物以及目标药物之外的至少一种其它药物，目标用户属性信息在目标药物作用下的用药指标为第一用药指标，目标用户属性信息在其它药物作用下的用药指标为第二用药指标；
上述装置还包括：
展示模块，用于基于第一用药指标和第二用药指标确定优化用药指标，并将优化用药指标展示给目标用户。
结合第二方面，在一种可能的实施方式中，装置还包括：
第二获取模块，用于获取至少两个用户的样本数据，一个用户的样本数据包括用户的至少两种用户属性信息和用户在样本药物作用下的目标样本用药指标；
第三获取模块，用于将至少两个用户的样本数据输入用药指标预测模型，通过用药指标预测模型中的各用药指标预测网络对各用药指标预测网络对应的用户属性信息进行联合学习以获取预测任一用户的各用户属性信息在各药物作用下的用药指标的能力。
结合第二方面，在一种可能的实施方式中，用药指标预测模型包含各药物对应的偏置参数，一种药物对应一个偏置参数；
第二确定模块包括：
累加单元，用于基于用药指标预测模型对各目标用户属性信息在任一药物作用下的各用药指标和任一药物对应的偏置参数进行累加，得到任一药物作用下至少两种目标用户属性信息对应的目标用药指标。
结合第二方面，在一种可能的实施方式中，至少两种目标用户属性信息包括目标用户的年龄、性别以及针对目标疾病的健康指标中的至少一种。
第三方面，本申请提供了一种计算机设备，包括：处理器、存储器、网络接口；
该处理器与存储器、网络接口相连，其中，网络接口用于提供数据通信功能，该存储器用于存储计算机程序，该处理器用于调用该计算机程序，执行本申请中上述第一方面中的药物推荐方法。
第四方面，本申请提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序包括程序指令，该程序指令当被处理器执行时，执行本申请中上述第一方面中的药物推荐方法。
在本申请中，计算机设备可以通过用药指标预测模型中的各用药指标预测网络确定目标用户的各目标用户属性信息在各药物作用下的各用药指标，进而基于用药指标预测模型确定出任一药物作用下至少两种目标用户属性信息对应的目标用药指标，这里通过各用药指标预测网络确定出各用药指标，进一步根据各用药指标确定目标用药指标，从而提高了模型预测目标用药指标的精确度。进一步地，计算机设备可以基于用药指标预测模型确定出多种药物作用下对应的多个目标用药指标，并将具有最大目标用药指标的目标药物推送给目标用户，从而可以向用户精准推荐用药，提高了模型药物推荐的精确度，同时也提高了药物推荐的用户粘性，适用性强。
附图说明
为了更清楚地说明本申请中的技术方案，下面将对实施例描述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申请的一些实施例，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是本申请提供的网络架构的结构示意图；
图2是本申请提供的药物推荐方法的流程示意图；
图3是本申请提供的用药指标预测模型的结构示意图；
图4是本申请提供的药物推荐装置的结构示意图；
图5是本申请提供的计算机设备的结构示意图。
具体实施方式
下面将结合本申请中的附图，对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
请参见图1，图1是本申请提供的网络架构的结构示意图。如图1所示，该网络架构可以包括服务器10和用户终端集群，该用户终端集群可以包括多个用户终端，如图1所示，具体可以包括用户终端100a、用户终端100b、用户终端100c、…、用户终端100n。
其中，服务器10可以为独立的物理服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络（content delivery network，CDN）、大数据以及人工智能平台等基础云计算服务的云服务器。用户终端集群中的每个用户终端均可以包括但不限于：智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等智能终端。
可以理解的是，本申请中的计算机设备可以为具有药物推荐功能的实体终端，该实体终端可以为如图1所示的服务器10，也可以为用户终端，在此不做限定。
如图1所示，用户终端100a、用户终端100b、用户终端100c、…、用户终端100n可以分别与上述服务器10进行网络连接，以便于每个用户终端可以通过该网络连接与服务器10进行数据交互。例如，服务器10可以将目标药物推送给目标用户的用户终端（或简称目标用户终端）的用户界面，这时目标用户可以在该用户界面上查看该目标药物，其中，目标用户终端可以为用户终端集群中的任意一个用户终端（如用户终端100a）。本申请可以将基于用药指标预测模型确定的用于向目标用户推荐的药物称之为目标药物，本申请还可以将具有预测目标用户在多种药物作用下的目标用药指标的功能的模型称之为用药指标预测模型。
本申请提供的药物推荐方法可适用于针对任一疾病的药物推荐场景，比如糖尿病药物推荐场景、高血压药物推荐场景或者其它疾病的药物推荐场景。假设目标用户为医生，医生可以将患者的基本信息输入至临床决策支持系统（clinical decision supportsystem，CDSS），且CDSS中包含上述用药指标预测模型，可以基于患者的基本信息将推荐的目标药物输出至CDSS的用户界面，这时医生可以在该用户界面上查看该目标药物（这里的目标药物可以作为初步诊断结果），再结合自己对患者的进一步诊断结果确定适合该患者的药物（如上述目标药物）。假设目标用户为患者，患者可以将自己的基本信息输入至医院、卫生站或者社康等医疗机构提供的自助终端（或简称自助机等），该自助机中包含上述用药指标预测模型，可以基于患者的基本信息将推荐的目标药物输出至该自助机的用户界面。患者可以在该自助机的用户界面中查看该目标药物，后续患者可以直接购买该目标药物，也可以让医生进一步诊断确定适合该患者的药物（如上述目标药物）。
为方便描述，下面将以糖尿病药物推荐场景为例进行说明，以下不再赘述。下面将结合图2至图5对本申请的药物推荐方法、药物推荐装置以及计算机设备进行说明。
请参见图2，图2是本申请提供的药物推荐方法的流程示意图。如图2所示，该方法可以包括以下步骤S101-步骤S104：
步骤S101，获取目标用户的至少两种目标用户属性信息，将至少两种目标用户属性信息输入用药指标预测模型。
可以理解，在执行步骤S101之前，计算机设备可以先通过至少两个用户的样本数据对用药指标预测模型（如神经加性模型（neural additive models，NAM））中的各用药指标预测网络进行训练，从而得到用于输出任一用户的各用户属性信息在多种药物作用下的用药指标的各用药指标预测网络。其中，用药指标预测模型中用药指标预测网络的个数与用户的用户属性信息的个数相同，假设用药指标预测模型对应一个神经网络，该神经网络中可以包含多个子神经网络，该用药指标预测网络可以为子神经网络。
在一些可行的实施方式中，计算机设备可以获取至少两个用户的样本数据。其中，至少两个用户的样本数据用于训练用药指标预测模型，一个用户对应一个样本数据，一个样本数据中可以包括至少两种用户属性信息和用户在药物作用下的目标样本用药指标，这里的目标样本用药指标可以为用户在药物作用下的实际用药指标。不同用户针对目标疾病使用的药物可以相同，也可以不同，具体可根据实际应用场景确定，在此不作限制。进一步地，计算机设备可以将至少两个用户的样本数据输入用药指标预测模型，通过用药指标预测模型中的各用药指标预测网络对各用药指标预测网络对应的用户属性信息进行联合学习以获取预测任一用户的各用户属性信息在各药物作用下的用药指标的能力。
可以理解，计算机设备在获取到至少两个用户的样本数据之后，对至少两个用户的样本数据进行数据清洗、特征筛选，最终形成关于预测任一用户的各用户属性信息在各药物作用下的用药指标的一些特征数据。这里的特征数据可以包括但不限于用户的年龄、性别以及针对目标疾病（如糖尿病）的健康指标（如糖化血红蛋白值和肌酐值）等多个维度的特征数据，在此不做限制。进一步地，计算机设备可以将至少两个用户的样本数据输入用药指标预测模型，通过用药指标预测模型中的各用药指标预测网络，以预测任一用户的各用户属性信息在各药物作用下的用药指标为学习任务，对各用药指标预测网络对应的用户属性信息进行联合学习，以获得各用药指标预测网络对应的各网络参数并基于各网络参数确定出任一用户的各用户属性信息在各药物作用下的用药指标的能力。换句话说，计算机设备可以基于各用药指标预测网络对上述特征数据进行数据特征学习以获取预测任一用户的各用户属性信息在各药物作用下的用药指标的能力。
在用药指标预测模型中的各用药指标预测网络的联合学习过程中，计算机设备可以通过损失函数（如二元交叉熵损失函数）计算每个样本数据对应的损失值。进一步地，计算机设备可以根据每个样本数据对应的损失值迭代更新各用药指标预测网络对应的各网络参数，在损失值基本不变时停止训练，并将迭代更新后的各网络参数作为各用药指标预测网络最终的网络参数。这时也表明了各用药指标预测网络具有预测任一用户的各用户属性信息在各药物作用下的用药指标的能力，同时，用药指标预测模型具有预测任一用户（如目标用户）在各药物作用下的目标用药指标的能力。
为便于理解，请参见图3，图3是本申请提供的用药指标预测模型的结构示意图。如图3所示，用药指标预测模型1中可以包含至少两个用药指标预测网络（如图3中的用药指标预测网络1至用药指标预测网络n，n为正整数），为方便描述，下面将以至少两个用药指标预测网络为用药指标预测网络1至用药指标预测网络n为例对用药指标预测模型的模型训练过程进行说明，在此不再赘述。
假设上述目标疾病为糖尿病，一个用户的样本数据中可以包含至少两个用户属性 信息（如用户属性信息
Figure 41525DEST_PATH_IMAGE001
至用户属性信息
Figure 385919DEST_PATH_IMAGE002
），且用户属性信息
Figure 415055DEST_PATH_IMAGE001
至用户属性信息
Figure 186702DEST_PATH_IMAGE002
可以包含但不限于用户的年龄、性别、糖化血红蛋白值、肌酐值以及针对糖尿病的其它健康 指标，并将上述样本数据中用户针对糖尿病使用的药物分别作为上述用药指标预测网络1 至用药指标预测网络n的输出维度，这里的所有用户针对糖尿病使用的药物可以包含多种 药物（如两种药物，药物a（如双胍）和药物b（如磺脲）），同时以目标用药指标（如药物a作用 下的目标用药指标
Figure 934078DEST_PATH_IMAGE003
以及药物b作用下的目标用药指标
Figure 82162DEST_PATH_IMAGE004
）作为用药指标预测模型1的输 出对用药指标预测网络1至用药指标预测网络n进行模型训练。这里的目标用药指标可以为 目标用户在一种药物作用下的预期糖化达标率。
计算机设备可以将上述样本数据输入至用药指标预测模型1，这时，可以对样本数 据中的各用户属性信息（用户属性信息
Figure 965805DEST_PATH_IMAGE001
至用户属性信息
Figure 173932DEST_PATH_IMAGE002
）分别与用药指标预测网络1 至用药指标预测网络n进行匹配，并将匹配到的用药指标预测网络作为输入用户属性信息 的用药指标预测网络，如用户属性信息
Figure 143025DEST_PATH_IMAGE001
与用药指标预测网络1匹配，用户属性信息
Figure 829221DEST_PATH_IMAGE005
与用药指标预测网络2匹配，…，用药指标预测网络n与用户属性信息
Figure 567370DEST_PATH_IMAGE006
匹配。
可以理解，计算机设备在将上述样本数据输入至用药指标预测模型1时，会将用户 属性信息
Figure 468372DEST_PATH_IMAGE001
输入其匹配的用药指标预测网络1，将用户属性信息
Figure 659182DEST_PATH_IMAGE005
输入其匹配的用药指 标预测网络2，…，将用户属性信息
Figure 414648DEST_PATH_IMAGE006
输入其匹配的用药指标预测网络n。进一步地，计算机 设备可以通过用药指标预测网络1至用药指标预测网络n对用户属性信息
Figure 7303DEST_PATH_IMAGE001
至用户属性信 息
Figure 822813DEST_PATH_IMAGE006
进行联合学习，以获取预测任一用户的各用户属性信息（如目标用户的目标用户属性 信息
Figure 766498DEST_PATH_IMAGE001
至目标用户属性信息
Figure 325655DEST_PATH_IMAGE006
）在药物a作用下的用药指标（如
Figure 38396DEST_PATH_IMAGE007
、
Figure 759228DEST_PATH_IMAGE008
、…、
Figure 691674DEST_PATH_IMAGE009
）以及在药物b作用下的用药指标（如
Figure 788943DEST_PATH_IMAGE010
、
Figure 90611DEST_PATH_IMAGE011
、…、
Figure 247923DEST_PATH_IMAGE012
）的能力。其 中，
Figure 166200DEST_PATH_IMAGE007
为任一用户的用户属性信息
Figure 801581DEST_PATH_IMAGE001
（如目标用户属性信息
Figure 488914DEST_PATH_IMAGE001
）在药物a作用下的 用药指标，
Figure 551548DEST_PATH_IMAGE010
为用户属性信息
Figure 691543DEST_PATH_IMAGE001
在药物b作用下的用药指标。
Figure 645461DEST_PATH_IMAGE013
为任一用户 的用户属性信息
Figure 921722DEST_PATH_IMAGE005
（如目标用户属性信息
Figure 420836DEST_PATH_IMAGE005
）在药物a作用下的用药指标，
Figure 782547DEST_PATH_IMAGE014
为用 户属性信息
Figure 740489DEST_PATH_IMAGE005
在药物b作用下的用药指标。以此类推，
Figure 995890DEST_PATH_IMAGE009
为任一用户的用户属性信 息
Figure 964108DEST_PATH_IMAGE006
（如目标用户属性信息
Figure 78695DEST_PATH_IMAGE006
）在药物a作用下的用药指标，
Figure 184536DEST_PATH_IMAGE012
为用户属性信息
Figure 700967DEST_PATH_IMAGE006
在药物b作用下的用药指标。这里的用药指标可以为任一用户的一种用户属性信息在一种 药物作用下的预期糖化达标率。
同时，计算机设备在对用药指标预测网络1至用药指标预测网络n的联合学习（这 里的联合学习也可以称为联合训练）过程中，通过上述
Figure 276305DEST_PATH_IMAGE007
、
Figure 376723DEST_PATH_IMAGE015
、…、
Figure 226867DEST_PATH_IMAGE009
以 及药物a对应的偏置参数
Figure 332227DEST_PATH_IMAGE016
进行累加得到
Figure 344045DEST_PATH_IMAGE017
，以及通过上述
Figure 902065DEST_PATH_IMAGE010
、
Figure 123878DEST_PATH_IMAGE014
、…、
Figure 83744DEST_PATH_IMAGE012
以及药物b对应的偏置参数
Figure 764999DEST_PATH_IMAGE018
进行累加得到
Figure 341474DEST_PATH_IMAGE019
。在得到
Figure 267842DEST_PATH_IMAGE017
和
Figure 347793DEST_PATH_IMAGE019
之后，计算机设 备可以采用二元交叉熵损失函数对
Figure 966993DEST_PATH_IMAGE020
（或者
Figure 499606DEST_PATH_IMAGE019
）以及上述样本数据中的目标样本用药指 标对应的标签参数（如糖化血红蛋白值达标为1，糖化血红蛋白值未达标为0）进行计算，得 到该样本数据对应的损失值。此时，计算机设备可以根据所有样本数据对应的损失值迭代 更新各药物对应的偏置参数（如药物a对应的偏置参数
Figure 229664DEST_PATH_IMAGE016
和药物b对应的偏置参数
Figure 196746DEST_PATH_IMAGE018
）以 及用药指标预测网络1至用药指标预测网络n对应的各网络参数。
在上述损失值基本不变时停止联合训练，计算机设备可以确定迭代更新后的偏置 参数
Figure 721268DEST_PATH_IMAGE016
和偏置参数
Figure 741176DEST_PATH_IMAGE021
以及各网络参数。此时，用药指标预测网络1至用药指标预测网络n 可以基于迭代更新后的各网络参数预测任一用户的各用户属性信息在药物a和药物b作用 下的各用药指标（如上述
Figure 540505DEST_PATH_IMAGE022
、
Figure 595049DEST_PATH_IMAGE013
、…、
Figure 290472DEST_PATH_IMAGE023
以及
Figure 63256DEST_PATH_IMAGE010
、
Figure 135118DEST_PATH_IMAGE014
、…、
Figure 778588DEST_PATH_IMAGE024
）。同时，用药指标预测模型1也可以基于迭代更新后的偏置参数
Figure 409028DEST_PATH_IMAGE016
和偏置参数
Figure 137949DEST_PATH_IMAGE021
以及各网络参数预测任一用户（如目标用户）在各药物（如上述药物a和药物b）作用下的各 目标用药指标（如上述
Figure 10572DEST_PATH_IMAGE017
和
Figure 39708DEST_PATH_IMAGE019
）。
在训练得到用药指标预测模型之后，计算机设备可以获取目标用户的至少两种目 标用户属性信息，其中，至少两种目标用户属性信息（如目标用户属性信息
Figure 608092DEST_PATH_IMAGE001
至目标用户 属性信息
Figure 355468DEST_PATH_IMAGE006
）包括目标用户的年龄、性别以及针对目标疾病的健康指标（如上述糖化血红 蛋白值和肌酐值）中的一种或者多种。
在获取目标用户的至少两种目标用户属性信息之后，计算机设备可以将至少两种 目标用户属性信息输入上述用药指标预测模型（如上述用药指标预测模型1），可以将各目 标用户属性信息分别与用药指标预测网络1至用药指标预测网络n进行匹配，并将匹配到的 用药指标预测网络作为输入目标用户属性信息的用药指标预测网络。比如，目标用户属性 信息
Figure 769132DEST_PATH_IMAGE001
与用药指标预测网络1匹配，目标用户属性信息
Figure 950977DEST_PATH_IMAGE005
与用药指标预测网络2匹 配，…，目标用药指标预测网络n与用户属性信息
Figure 159104DEST_PATH_IMAGE002
匹配。可以理解，在将目标用户属性信 息
Figure 862618DEST_PATH_IMAGE001
至目标用户属性信息
Figure 79973DEST_PATH_IMAGE002
输入用药指标预测模型1时，计算机设备可以将目标用户属 性信息
Figure 552543DEST_PATH_IMAGE001
输入至用药指标预测网络1，将目标用户属性信息
Figure 197151DEST_PATH_IMAGE005
输入至用药指标预测网络 2，…，将目标用户属性信息
Figure 387960DEST_PATH_IMAGE002
输入至用药指标预测网络n，进一步可以通过用药指标预测 网络1至用药指标预测网络n确定目标用户的各目标用户属性信息在各药物作用下的用药 指标。
步骤S102，基于用药指标预测模型中的各用药指标预测网络确定目标用户的各目标用户属性信息在各药物作用下的用药指标。
可以理解，假设各用药指标预测网络为上述用药指标预测网络1至用药指标预测 网络n，计算机设备可以通过上述用药指标预测网络1确定目标用户的目标用户属性信息
Figure 189432DEST_PATH_IMAGE001
在药物a作用下的用药指标
Figure 782088DEST_PATH_IMAGE007
和药物b作用下的用药指标
Figure 597597DEST_PATH_IMAGE010
，通过上述用药 指标预测网络2确定目标用户的目标用户属性信息
Figure 10124DEST_PATH_IMAGE005
在药物a作用下的用药指标
Figure 520346DEST_PATH_IMAGE025
和药物b作用下的用药指标
Figure 233087DEST_PATH_IMAGE026
。以此类推，计算机设备通过上述用药指标预测网络n 确定目标用户的目标用户属性信息
Figure 953918DEST_PATH_IMAGE002
在药物a作用下的用药指标
Figure 384900DEST_PATH_IMAGE027
和药物b作用下 的用药指标
Figure 482169DEST_PATH_IMAGE012
，其中，一种用户属性信息在一种药物作用下对应一个用药指标。
步骤S103，基于用药指标预测模型确定出任一药物作用下至少两种目标用户属性信息对应的目标用药指标以得到多种药物对应的多个目标用药指标。
在一些可行的实施方式中，用药指标预测模型对应的模型参数中可以包含各药物 （如上述药物a和药物b）对应的偏置参数（如上述偏置参数
Figure 783837DEST_PATH_IMAGE016
和偏置参数
Figure 941149DEST_PATH_IMAGE028
），一种药物对 应一个偏置参数（如上述药物a对应偏置参数
Figure 328268DEST_PATH_IMAGE016
和药物b对应偏置参数
Figure 730693DEST_PATH_IMAGE021
）。计算机设备可 以基于用药指标预测模型对各目标用户属性信息在任一药物作用下的各用药指标和任一 药物对应的偏置参数进行累加，得到任一药物作用下至少两种目标用户属性信息对应的目 标用药指标。假设目标用药指标为目标用户在上述药物a作用下的目标用药指标
Figure 418026DEST_PATH_IMAGE017
，可以 用下述公式（1）确定
Figure 11818DEST_PATH_IMAGE017
：
Figure 151813DEST_PATH_IMAGE029
，（1）
其中，
Figure 856463DEST_PATH_IMAGE007
可以表示目标用户的目标用户属性信息
Figure 398303DEST_PATH_IMAGE001
在药物a作用下的用药指 标，
Figure 897418DEST_PATH_IMAGE013
可以表示目标用户的目标用户属性信息
Figure 23243DEST_PATH_IMAGE005
在药物a作用下的用药指标，…，
Figure 406951DEST_PATH_IMAGE009
可以表示目标用户的目标用户属性信息
Figure 803297DEST_PATH_IMAGE006
在药物a作用下的用药指标，
Figure 260865DEST_PATH_IMAGE016
可以 表示药物a对应的偏置参数。
假设目标用药指标为目标用户在上述药物b作用下的目标用药指标
Figure 109872DEST_PATH_IMAGE019
，可以用下 述公式（2）确定
Figure 156326DEST_PATH_IMAGE019
：
Figure 654DEST_PATH_IMAGE030
，（2）
其中，
Figure 841571DEST_PATH_IMAGE010
可以表示目标用户的目标用户属性信息
Figure 912295DEST_PATH_IMAGE001
在药物b作用下的用药指 标，
Figure 998325DEST_PATH_IMAGE011
可以表示目标用户的目标用户属性信息
Figure 369264DEST_PATH_IMAGE005
在药物b作用下的用药指标，…，
Figure 115503DEST_PATH_IMAGE024
可以表示目标用户的目标用户属性信息
Figure 939102DEST_PATH_IMAGE006
在药物b作用下的用药指标，
Figure 61779DEST_PATH_IMAGE021
可以表 示药物b对应的偏置参数。
可以理解，计算机设备可以通过用药指标预测模型输出目标用户在多种药物作用 下对应的多个目标用药指标（如上述药物a作用下的目标用药指标
Figure 287224DEST_PATH_IMAGE017
或者药物b作用下的 目标用药指标
Figure 469944DEST_PATH_IMAGE019
），其中，目标用户在一种药物作用下对应一个目标用药指标。
步骤S104，从多个目标用药指标中确定出最大目标用药指标，并将具有最大目标用药指标的目标药物推送给目标用户。
在一些可行的实施方式中，计算机设备可以对用药指标预测模型输出的多个目标用药指标进行排序（比如从大到小排序或者从小到大排序），得到目标用药指标序列，并将目标用药指标序列中的第一个或者最后一个目标用药指标作为最大目标用药指标。此时，计算机设备可以将具有最大目标用药指标的目标药物推送给目标用户终端的用户界面（如上述CDSS的用户界面或者自助机器的用户界面），这时目标用户可以该用户界面上查看该目标药物。
在一些可行的实施方式中，多种药物包括目标药物以及目标药物之外的至少一种其它药物，目标用户属性信息在目标药物作用下的用药指标为第一用药指标，目标用户属性信息在其它药物作用下的用药指标为第二用药指标。计算机设备可以基于第一用药指标和第二用药指标确定优化用药指标，并将优化用药指标以可视化的形式（比如，图和/或表）展示给目标用户的用户界面，便于目标用户在该用户界面上查看优化用药指标。其中，优化用药指标可以为第一用药指标和第二用药指标之间的用药指标差值，该优化用药指标用于指示目标用户在一种目标用户属性信息下使用目标药物相对于使用第二药物的优势。由此可见，计算机设备可以将优化用药指标以可视化的形式展示给目标用户，目标用户可以直观的看到推荐目标药物的理由，从而提高了模型的可解释性，进而提高了用药推荐的安全性和用户粘性。
在本申请中，计算机设备可以通过用药指标预测模型中的各用药指标预测网络确定目标用户的各目标用户属性信息在各药物作用下的各用药指标，进而基于用药指标预测模型确定出任一药物作用下至少两种目标用户属性信息对应的目标用药指标，这里通过各用药指标预测网络确定出各用药指标，进一步根据各用药指标确定目标用药指标，从而提高了模型预测目标用药指标的精确度。进一步地，计算机设备可以基于用药指标预测模型确定出多种药物作用下对应的多个目标用药指标，并将具有最大目标用药指标的目标药物推送给目标用户，从而可以向用户精准推荐用药，提高了模型药物推荐的精确度，同时提高了药物推荐的用户粘性，适用性强。
进一步地，请参见图4，图4是本申请提供的药物推荐装置的结构示意图。该药物推荐装置可以是运行于计算机设备中的一个计算机程序（包括程序代码），例如，该药物推荐装置为一个应用软件；该药物推荐装置可以用于执行本申请提供的方法中的相应步骤。如图4所示，该药物推荐装置1可以包括：第二获取模块10、第三获取模块20、第一获取模块30、第一确定模块40、第二确定模块50、推送模块60以及展示模块70。
第一获取模块30，用于获取目标用户的至少两种目标用户属性信息，将至少两种目标用户属性信息输入用药指标预测模型，用药指标预测模型中包含至少两个用药指标预测网络，一个用药指标预测网络用于输出用户的一种用户属性信息在多种药物作用下的多个用药指标；
第一确定模块40，用于基于用药指标预测模型中的各用药指标预测网络确定目标用户的各目标用户属性信息在各药物作用下的用药指标，一种目标用户属性信息在一种药物作用下对应一个用药指标；
第二确定模块50，用于基于用药指标预测模型确定出任一药物作用下至少两种目标用户属性信息对应的目标用药指标以得到多种药物对应的多个目标用药指标；
推送模块60，用于从多个目标用药指标中确定出最大目标用药指标，并将具有最大目标用药指标的目标药物推送给目标用户。
在一些可行的实施方式中，至少两种目标用户属性信息包括目标用户的年龄、性别以及针对目标疾病的健康指标中的至少一种。
在一些可行的实施方式中，多种药物包括目标药物以及目标药物之外的至少一种其它药物，目标用户属性信息在目标药物作用下的用药指标为第一用药指标，目标用户属性信息在其它药物作用下的用药指标为第二用药指标；
上述药物推荐装置1还包括：
展示模块70，用于基于第一用药指标和第二用药指标确定优化用药指标，并将优化用药指标展示给目标用户。
在一些可行的实施方式中，上述药物推荐装置1还包括：
第二获取模块10，用于获取至少两个用户的样本数据，一个用户的样本数据包括用户的至少两种用户属性信息和用户在样本药物作用下的目标样本用药指标；
第三获取模块20，用于将至少两个用户的样本数据输入用药指标预测模型，通过用药指标预测模型中的各用药指标预测网络对各用药指标预测网络对应的用户属性信息进行联合学习以获取预测任一用户的各用户属性信息在各药物作用下的用药指标的能力。
在一些可行的实施方式中，用药指标预测模型包含各药物对应的偏置参数，一种药物对应一个偏置参数；
第二确定模块50包括：累加单元501。
累加单元501，用于基于用药指标预测模型对各目标用户属性信息在任一药物作用下的各用药指标和任一药物对应的偏置参数进行累加，得到任一药物作用下至少两种目标用户属性信息对应的目标用药指标。
其中，该累加单元501的具体实现方式可以参见上述图2所对应实施例中对步骤S103的描述，这里将不再继续进行赘述。
其中，该第二获取模块10、第三获取模块20、第一获取模块30、第一确定模块40、第二确定模块50、推送模块60以及展示模块70的具体实现方式可以参见上述图2所对应实施例中对步骤S101-步骤S104的描述，这里将不再继续进行赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。
进一步地，请参见图5，图5是本申请提供的计算机设备的结构示意图。如图5所示，该计算机设备1000可以为上述图1对应实施例中的服务器10，该计算机设备1000可以包括：至少一个处理器1001，例如CPU，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。其中，用户接口1003可以包括显示屏（display）、键盘（keyboard），网络接口1004可选地可以包括标准的有线接口、无线接口（如WI-FI接口）。存储器1005可以是高速随机存储记忆体（randomaccess memory，RAM）存储器，也可以是非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。存储器1005可选地还可以是至少一个位于远离前述处理器1001的存储装置。如图5所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及设备控制应用程序。
在图5所示的计算机设备1000中，网络接口1004主要用于与用户终端进行网络通信；而用户接口1003主要用于为用户提供输入的接口；而处理器1001可以用于调用存储器1005中存储的设备控制应用程序，以实现：
获取目标用户的至少两种目标用户属性信息，将至少两种目标用户属性信息输入用药指标预测模型，用药指标预测模型中包含至少两个用药指标预测网络，一个用药指标预测网络用于输出用户的一种用户属性信息在多种药物作用下的多个用药指标；
基于用药指标预测模型中的各用药指标预测网络确定目标用户的各目标用户属性信息在各药物作用下的用药指标，一种目标用户属性信息在一种药物作用下对应一个用药指标；
基于用药指标预测模型确定出任一药物作用下至少两种目标用户属性信息对应的目标用药指标以得到多种药物对应的多个目标用药指标；
从多个目标用药指标中确定出最大目标用药指标，并将具有最大目标用药指标的目标药物推送给目标用户。
应当理解，本申请中所描述的计算机设备1000可执行前文图2所对应实施例中对该药物推荐方法的描述，也可执行前文图4所对应实施例中对该药物推荐装置1的描述，在此不再赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。
此外，这里需要指出的是：本申请还提供了一种计算机可读存储介质，且该计算机可读存储介质中存储有前文提及的药物推荐装置1所执行的计算机程序，且该计算机程序包括程序指令，当该处理器执行该程序指令时，能够执行前文图2所对应实施例中对该药物推荐方法的描述，因此，这里将不再进行赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。对于本申请所涉及的计算机可读存储介质实施例中未披露的技术细节，请参照本申请方法实施例的描述。作为示例，程序指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行，分布在多个地点且通过通信网络互连的多个计算设备可以组成区块链系统。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，上述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，上述计算机可读存储介质可以是前述任一实施例提供的药物推荐装置或者上述设备的内部存储单元，例如电子设备的硬盘或内存。该计算机可读存储介质也可以是该电子设备的外部存储设备，例如该电子设备上配备的插接式硬盘，智能存储卡（smart media card，SMC），安全数字（securedigital，SD）卡，闪存卡（flash card）等。上述计算机可读存储介质还可以包括磁碟、光盘、只读存储记忆体（read-only memory，ROM）或RAM等。进一步地，该计算机可读存储介质还可以既包括该电子设备的内部存储单元也包括外部存储设备。该计算机可读存储介质用于存储该计算机程序以及该电子设备所需的其它程序和数据。该计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本发明的权利要求书和说明书及附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置展示该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。

Claims (10)

1.一种药物推荐方法，其特征在于，包括：
获取目标用户的至少两种目标用户属性信息，将所述至少两种目标用户属性信息输入用药指标预测模型，所述用药指标预测模型中包含至少两个用药指标预测网络，一个用药指标预测网络用于输出用户的一种用户属性信息在多种药物作用下的多个用药指标；
基于所述用药指标预测模型中的各用药指标预测网络确定所述目标用户的各目标用户属性信息在各药物作用下的用药指标，一种目标用户属性信息在一种药物作用下对应一个用药指标；
基于所述用药指标预测模型确定出任一药物作用下所述至少两种目标用户属性信息对应的目标用药指标以得到多种药物对应的多个目标用药指标；
从所述多个目标用药指标中确定出最大目标用药指标，并将具有所述最大目标用药指标的目标药物推送给所述目标用户。
2.根据权利要求1所述的方法，其特征在于，所述多种药物包括所述目标药物以及所述目标药物之外的至少一种其它药物，所述目标用户属性信息在所述目标药物作用下的用药指标为第一用药指标，所述目标用户属性信息在所述其它药物作用下的用药指标为第二用药指标；
所述方法还包括：
基于所述第一用药指标和所述第二用药指标确定优化用药指标，并将所述优化用药指标展示给所述目标用户。
3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
获取至少两个用户的样本数据，一个用户的样本数据包括所述用户的至少两种用户属性信息和所述用户在样本药物作用下的目标样本用药指标；
将所述至少两个用户的样本数据输入所述用药指标预测模型，通过所述用药指标预测模型中的各用药指标预测网络对所述各用药指标预测网络对应的用户属性信息进行联合学习以获取预测任一用户的各用户属性信息在各药物作用下的用药指标的能力。
4.根据权利要求3所述的方法，其特征在于，所述用药指标预测模型包含所述各药物对应的偏置参数，一种药物对应一个偏置参数；
所述基于所述用药指标预测模型确定出任一药物作用下所述至少两种目标用户属性信息对应的目标用药指标，包括：
基于所述用药指标预测模型对各目标用户属性信息在任一药物作用下的各用药指标和所述任一药物对应的偏置参数进行累加，得到所述任一药物作用下所述至少两种目标用户属性信息对应的目标用药指标。
5.根据权利要求1所述的方法，其特征在于，所述至少两种目标用户属性信息包括所述目标用户的年龄、性别以及针对目标疾病的健康指标中的至少一种。
6.一种药物推荐装置，其特征在于，包括：
第一获取模块，用于获取目标用户的至少两种目标用户属性信息，将所述至少两种目标用户属性信息输入用药指标预测模型，所述用药指标预测模型中包含至少两个用药指标预测网络，一个用药指标预测网络用于输出用户的一种用户属性信息在多种药物作用下的多个用药指标；
第一确定模块，用于基于所述用药指标预测模型中的各用药指标预测网络确定所述目标用户的各目标用户属性信息在各药物作用下的用药指标，一种目标用户属性信息在一种药物作用下对应一个用药指标；
第二确定模块，用于基于所述用药指标预测模型确定出任一药物作用下所述至少两种目标用户属性信息对应的目标用药指标以得到多种药物对应的多个目标用药指标；
推送模块，用于从所述多个目标用药指标中确定出最大目标用药指标，并将具有所述最大目标用药指标的目标药物推送给所述目标用户。
7.根据权利要求6所述的装置，其特征在于，所述多种药物包括所述目标药物以及所述目标药物之外的至少一种其它药物，所述目标用户属性信息在所述目标药物作用下的用药指标为第一用药指标，所述目标用户属性信息在所述其它药物作用下的用药指标为第二用药指标；
所述装置还包括：
展示模块，用于基于所述第一用药指标和所述第二用药指标确定优化用药指标，并将所述优化用药指标展示给所述目标用户。
8.根据权利要求6所述的装置，其特征在于，所述装置还包括：
第二获取模块，用于获取至少两个用户的样本数据，一个用户的样本数据包括所述用户的至少两种用户属性信息和所述用户在样本药物作用下的目标样本用药指标；
第三获取模块，用于将所述至少两个用户的样本数据输入所述用药指标预测模型，通过所述用药指标预测模型中的各用药指标预测网络对所述各用药指标预测网络对应的用户属性信息进行联合学习以获取预测任一用户的各用户属性信息在各药物作用下的用药指标的能力。
9.一种计算机设备，其特征在于，包括：处理器、存储器以及网络接口；
所述处理器与存储器、网络接口相连，其中，网络接口用于提供数据通信功能，所述存储器用于存储程序代码，所述处理器用于调用所述程序代码，执行权利要求1-5任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时，执行权利要求1-5任一项所述的方法。
CN202011070302.8A 2020-10-09 2020-10-09 药物推荐方法、装置、计算机设备及存储介质 Active CN111933302B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011070302.8A CN111933302B (zh) 2020-10-09 2020-10-09 药物推荐方法、装置、计算机设备及存储介质
PCT/CN2020/132479 WO2021179694A1 (zh) 2020-10-09 2020-11-27 药物推荐方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011070302.8A CN111933302B (zh) 2020-10-09 2020-10-09 药物推荐方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN111933302A true CN111933302A (zh) 2020-11-13
CN111933302B CN111933302B (zh) 2021-01-05

Family

ID=73334892

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011070302.8A Active CN111933302B (zh) 2020-10-09 2020-10-09 药物推荐方法、装置、计算机设备及存储介质

Country Status (2)

Country Link
CN (1) CN111933302B (zh)
WO (1) WO2021179694A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113076486A (zh) * 2021-04-29 2021-07-06 平安科技（深圳）有限公司 药物信息推送方法、装置、计算机设备及存储介质
WO2021179694A1 (zh) * 2020-10-09 2021-09-16 平安科技（深圳）有限公司 药物推荐方法、装置、计算机设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106295877A (zh) * 2016-08-09 2017-01-04 四川大学 一种智能电网电能使用量预测方法
CN107545151A (zh) * 2017-09-01 2018-01-05 中南大学 一种基于低秩矩阵填充的药物重定位方法
CN109102855A (zh) * 2018-07-03 2018-12-28 北京康夫子科技有限公司 药物推荐方法
US10262107B1 (en) * 2013-03-15 2019-04-16 Bao Tran Pharmacogenetic drug interaction management system
CN109754316A (zh) * 2018-12-29 2019-05-14 深圳Tcl新技术有限公司 产品推荐方法、产品推荐系统及存储介质
CN110289068A (zh) * 2019-06-20 2019-09-27 北京百度网讯科技有限公司 药品推荐方法及设备
CN110310703A (zh) * 2019-06-25 2019-10-08 中国人民解放军军事科学院军事医学研究院 药物的预测方法、装置及计算机设备

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190221303A1 (en) * 2016-08-12 2019-07-18 Good Measures, Llc Personalized nutritional recommendations using biomarker data
CN110880361B (zh) * 2019-10-16 2023-02-28 平安科技（深圳）有限公司 一种个性化精准用药推荐方法及装置
CN111933302B (zh) * 2020-10-09 2021-01-05 平安科技（深圳）有限公司 药物推荐方法、装置、计算机设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10262107B1 (en) * 2013-03-15 2019-04-16 Bao Tran Pharmacogenetic drug interaction management system
CN106295877A (zh) * 2016-08-09 2017-01-04 四川大学 一种智能电网电能使用量预测方法
CN107545151A (zh) * 2017-09-01 2018-01-05 中南大学 一种基于低秩矩阵填充的药物重定位方法
CN109102855A (zh) * 2018-07-03 2018-12-28 北京康夫子科技有限公司 药物推荐方法
CN109754316A (zh) * 2018-12-29 2019-05-14 深圳Tcl新技术有限公司 产品推荐方法、产品推荐系统及存储介质
CN110289068A (zh) * 2019-06-20 2019-09-27 北京百度网讯科技有限公司 药品推荐方法及设备
CN110310703A (zh) * 2019-06-25 2019-10-08 中国人民解放军军事科学院军事医学研究院 药物的预测方法、装置及计算机设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021179694A1 (zh) * 2020-10-09 2021-09-16 平安科技（深圳）有限公司 药物推荐方法、装置、计算机设备及存储介质
CN113076486A (zh) * 2021-04-29 2021-07-06 平安科技（深圳）有限公司 药物信息推送方法、装置、计算机设备及存储介质
CN113076486B (zh) * 2021-04-29 2023-07-25 平安科技（深圳）有限公司 药物信息推送方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
WO2021179694A1 (zh) 2021-09-16
CN111933302B (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
US10103947B2 (en) Processing of portable device data
CN111949890B (zh) 基于医学领域的数据推荐方法、设备、服务器及存储介质
CN111696675A (zh) 基于物联网数据的用户数据分类方法、装置及计算机设备
CN110197724A (zh) 预测糖尿病患病阶段的方法、装置及计算机设备
CN111933302B (zh) 药物推荐方法、装置、计算机设备及存储介质
CN112017785B (zh) 一种疾病风险预测系统、方法、装置、设备及介质
US20190237192A1 (en) Personal health operating system
US11177041B1 (en) Method and system for cardiac risk assessment of a patient using historical and real-time data
US11450434B2 (en) Implementation of machine-learning based query construction and pattern identification through visualization in user interfaces
CN111785371A (zh) 医疗服务方法、装置、计算机设备及存储介质
CN109598302B (zh) 就诊费用预测方法、装置、设备及计算机可读存储介质
CN109255721A (zh) 基于费用预测的保险推荐方法、设备、服务器及可读介质
Gowsalya et al. Predicting the risk of readmission of diabetic patients using MapReduce
CN112447270A (zh) 一种用药推荐方法、装置、设备及存储介质
CN114255837A (zh) 数据查询方法、装置、计算机可读存储介质及电子设备
CN112016760A (zh) 多维度信息的组合预测方法、装置、计算机设备及介质
CN113076486B (zh) 药物信息推送方法、装置、计算机设备及存储介质
CN111128329A (zh) 个性化健康摘要的动态生成方法、装置、介质及电子设备
CN112016979B (zh) 用户分群方法、装置、设备和计算机可读存储介质
CN112037918B (zh) 一种融合并发症风险的慢病医保费用预测方法及相关设备
CN109741835B (zh) 基于大数据的慢性肾病监管方法、装置、设备及存储介质
CN113707262A (zh) 药品使用推荐方法、装置、计算机设备及存储介质
CN112037932A (zh) 患者用药行为干预方法及装置、服务器、存储介质
CN112435757A (zh) 一种急性肝炎的预测装置及系统
CN110766559A (zh) 标签配置方法及装置

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