CN112053760B - 用药指导方法、用药指导装置及计算机可读存储介质 - Google Patents
用药指导方法、用药指导装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112053760B CN112053760B CN202010807697.9A CN202010807697A CN112053760B CN 112053760 B CN112053760 B CN 112053760B CN 202010807697 A CN202010807697 A CN 202010807697A CN 112053760 B CN112053760 B CN 112053760B
- Authority
- CN
- China
- Prior art keywords
- data set
- information
- analysis
- guidance
- preset
- 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
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
- 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
- G06F16/33—Querying
- G06F16/332—Query formulation
-
- 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
- G06F16/35—Clustering; Classification
-
- 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
- G06N3/08—Learning methods
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Chemical & Material Sciences (AREA)
- Medicinal Chemistry (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种用药指导方法,所述指导方法包括:获取预设数据库;获取药品的第一分类信息和关键词信息;基于所述第一分类信息和所述关键词信息在所述预设数据库中进行检索,获得对应的用药指导信息。本发明还公开了一种用药指导装置。通过首先对药品的说明书进行智能化学习,并建立精准的数据库,在后续向用户进行用药指导时,根据该数据库快速、精确、完整地生成对药品的用药知识证据信息,从而辅助患者更好地复用药物,加快了患者查看用药指导信息的效率,提高了对患者的用药指导的精确性和完整性,提高了患者对推荐数据的信任程度。
Description
技术领域
本发明涉及用药管理技术领域,具体地涉及一种用药指导方法、用药指导装置及计算机可读存储介质。
背景技术
在现代医学的不断发展下,对患者的医治和用药也不断标准化,传统的零散包药或非定量包药被现代的标准配药所替代。
为了更好地知道患者用药,在患者购买的药品中往往附带使用说明书,而为了保证医学的严谨性,说明书往往被写的专业且详尽。然而对于普通患者来说,几百字甚至几千字的说明书对用户造成了极大的困扰。为了解决上述技术问题,技术人员通过人工标注或简单的数据挖掘的方法对说明书的用药信息进行提取或标注,然而在实际应用过程中存在如下技术问题:
一方面,人工标注可能存在人为偏差,导致标注信息不准确,且人工标注的信息往往过于简短,患者无法获取足够或完整的信息;另一方面,通过数据挖掘获取的数据无法保证数据的准确性,同时挖掘出的信息也可能有多种,为患者造成了更大的困扰,无法满足实际需求。
发明内容
为了克服现有技术中无法对患者进行快速、精确以及完整地进行用药指导的技术问题,本发明实施例提供一种用药指导方法、用药指导装置及计算机可读存储介质,通过建立精准的数据库,患者可以通过该数据库对获取到精准、完整的用药知识证据,从而提高对用药进行指导的用药指导安全性和完整性,提高了生成用药指导信息的速度,提高了患者对数据的信任度。
为了实现上述目的,本发明实施例提供一种用药指导方法,所述指导方法包括:获取预设数据库;获取药品的第一分类信息和关键词信息;基于所述第一分类信息和所述关键词信息在所述预设数据库中进行检索,获得对应的用药指导信息。
优选地,在所述获取预设数据库之前,所述指导方法还包括:获取学习样本,从所述学习样本提取第一数据集和第二数据集;对所述第二数据集进行处理,获得第三数据集;基于所述第三数据集获取预设分析模型,基于所述预设分析模型对所述第一数据集进行分析,获得分析后指导信息;基于所述分析后指导信息创建所述预设数据库。
优选地,所述对所述第二数据集进行处理,获得第三数据集,包括:对所述第二数据集执行随机提取操作,获得随机数据集;对所述随机数据集中的数据进行标注,获得所述第三数据集,所述第三数据集包括可证据数据集和非证据数据集。
优选地,所述基于所述第三数据集获取预设分析模型,包括:基于所述可证据数据集和所述非证据数据集生成第一样本和第二样本;按照第一比例抽取所述第一样本和所述第二样本,获得第一预抽取数据集;按照第二比例对所述第一预抽取数据集进行分组,获得分组后数据集;按照预设转换方法对所述分组后数据集进行转换,获得转换后数据集;按照预设训练算法对所述转换后数据集进行训练,获得所述预设分析模型,所述预设分析模型包括第一分析模型和第二分析模型。
优选地,所述基于所述预设分析模型对所述第一数据集进行分析,获得分析后指导信息,包括:基于所述第一分析模型对所述第一数据集进行证据性分析,获得证据分析后数据集;基于所述第二分析模型对所述证据分析后数据集进行类别性分析,获得分类后数据集,所述分类后数据集包括数据的第二分类信息和对应的得分信息;将所述分类后数据集作为所述分析后指导信息。
优选地,所述基于所述分析后指导信息创建所述预设数据库,包括:建立所述第二分类信息与药品名称之间的映射关系;基于所述映射关系和所述第二分类信息创建所述预设数据库。
优选地,所述基于所述第一分类信息和所述关键词信息在所述预设数据库中进行检索,获得对应的用药指导信息,包括:在所述预设数据库中获取与所述关键词信息相匹配的匹配药品名称;获取与所述第一分类信息相匹配的匹配第二分类信息;基于所述匹配第二分类信息获取与所述匹配药品名称对应的至少一个筛选后用药指导信息以及所述筛选后用药指导信息对应的筛选后得分信息;基于所述筛选后得分信息对所述筛选后用药指导信息进行排序,并将排序后的筛选后指导信息作为所述用药指导信息。
相应的,本发明还提供一种用药指导装置,所述指导装置包括:第一获取模块,用于获取预设数据库;第二获取模块,用于获取药品的第一分类信息和关键词信息;指导模块,用于基于所述第一分类信息和所述关键词信息在所述预设数据库中进行检索,获得对应的用药指导信息。
优选地,所述指导装置还包括数据库创建模块,所述数据库创建模块包括:提取单元,用于获取学习样本,从所述学习样本提取第一数据集和第二数据集;处理单元,用于对所述第二数据集进行处理,获得第三数据集;分析单元,用于基于所述第三数据集获取预设分析模型,基于所述预设分析模型对所述第一数据集进行分析,获得分析后指导信息;数据库获取单元,用于基于所述分析后指导信息创建所述预设数据库。
优选地,所述处理单元包括:提取子单元,用于对所述第二数据集执行随机提取操作,获得随机数据集;标注子单元,用于对所述随机数据集中的数据进行标注,获得所述第三数据集,所述第三数据集包括可证据数据集和非证据数据集。
优选地,所述分析单元包括:样本生成子单元,用于基于所述可证据数据集和所述非证据数据集生成第一样本和第二样本;抽取子单元,用于按照第一比例抽取所述第一样本和所述第二样本,获得第一预抽取数据集;分组子单元,用于按照第二比例对所述第一预抽取数据集进行分组,获得分组后数据集;转换子单元,用于按照预设转换方法对所述分组后数据集进行转换,获得转换后数据集;训练子单元,用于按照预设训练算法对所述转换后数据集进行训练,获得所述预设分析模型,所述预设分析模型包括第一分析模型和第二分析模型。
优选地,所述分析单元还包括:证据分析子单元,用于基于所述第一分析模型对所述第一数据集进行证据性分析,获得证据分析后数据集;类别分析子单元,用于基于所述第二分析模型对所述证据分析后数据集进行类别性分析,获得分类后数据集,所述分类后数据集包括数据的第二分类信息和对应的得分信息;确定子单元,用于将所述分类后数据集作为所述分析后指导信息。
优选地,所述数据库获取单元包括:映射子单元,用于建立所述第二分类信息与药品名称之间的映射关系;生成子单元,用于基于所述映射关系和所述第二分类信息创建所述预设数据库。
优选地,所述指导模块包括:匹配单元,用于在所述预设数据库中获取与所述关键词信息相匹配的匹配药品名称;第一获取单元,用于获取与所述第一分类信息相匹配的匹配第二分类信息;第二获取单元,用于基于所述匹配第二分类信息获取与所述匹配药品名称对应的至少一个筛选后用药指导信息以及所述筛选后用药指导信息对应的筛选后得分信息;排序单元,用于基于所述筛选后得分信息对所述筛选后用药指导信息进行排序,并将排序后的筛选后指导信息作为所述用药指导信息。
另一方面,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明提供的方法。
通过本发明提供的技术方案,本发明至少具有如下技术效果:
通过首先对药品的说明书进行智能化学习,并建立精准的数据库,在后续向用户进行用药指导时,根据该数据库快速、精确、完整地生成对药品的用药知识证据信息,从而辅助患者更好地复用药物,提高了患者查看用药指导信息的效率,提高了对患者的用药指导的精确性和完整性,提高了患者对推荐数据的信任程度。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施例,但并不构成对本发明实施例的限制。在附图中:
图1是本发明实施例提供的用药指导方法的具体实现流程图;
图2是本发明实施例提供的用药指导方法中获取预设数据库的具体实现流程图;
图3是本发明实施例提供的用药指导方法中获取预设分析模型的具体实现流程图;
图4是本发明实施例提供的用药指导方法中在预设数据库中检索获得用药指导信息的具体实现流程图;
图5是本发明实施例提供的用药指导装置的结构示意图。
具体实施方式
为了克服现有技术中无法对患者进行快速、精确以及完整地进行用药指导指导的技术问题,本发明实施例提供一种用药指导方法、用药指导装置及计算机可读存储介质,通过建立精准的数据库,患者可以通过该数据库对获取到精准、完整的用药知识证据,从而提高对用药进行指导的用药指导安全性和完整性,提高了生成用药指导信息的速度,提高了患者对数据的信任度。
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
本发明实施例中的术语“系统”和“网络”可被互换使用。“多个”是指两个或两个以上,鉴于此,本发明实施例中也可以将“多个”理解为“至少两个”。“和/或”,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,字符“/”,如无特殊说明,一般表示前后关联对象是一种“或”的关系。另外,需要理解的是,在本发明实施例的描述中,“第一”、“第二”等词汇,仅用于区分描述的目的,而不能理解为指示或暗示相对重要性,也不能理解为指示或暗示顺序。
请参见图1,本发明实施例提供一种用药指导方法,所述指导方法包括:
S10)获取预设数据库;
S20)获取药品的第一分类信息和关键词信息;
S30)基于所述第一分类信息和所述关键词信息在所述预设数据库中进行检索,获得对应的用药指导信息。
在一种可能的实施方式中,为了保证为患者提供的用药指导的精确性和完整性,首先根据对药品说明书以及相关资料的智能学习以生成预设数据库,在需要对患者进行用药指导时,首先调用该数据库,并根据获取到的药品的第一分类信息和关键词信息在该数据库中进行指导信息检索。
例如在本发明实施例中,可以通过患者的移动终端对特定区域,例如该特定区域为药品盒进行扫描,此时根据图像识别算法自动识别出药品盒上的药品名称信息以及注意类别信息,并将该药品名称信息作为关键词信息,以及将该注意类别信息作为第一分类信息。此时再根据上述药品名称信息在预设数据库中进行搜索,从而获得在该药品名称信息对应的上述注意类别信息下的相关指导信息,例如该指导信息为药品的用药知识证据信息,并将获得的指导信息反馈给患者查看。
需要说明的是,上述关键词信息和第一分类信息也可以通过医生或患者手动输入或撰写生成,也可以是医生或患者在移动终端进行搜索或选择以生成,对于本领域技术人员来说,都应该属于在本发明实施例的基础上容易想到的技术方案,属于本发明的保护范围,在此不做过多赘述。
在本发明实施例中,通过首先建立具有精准用药知识证据的预设数据库,从而保证为患者推荐的用药知识证据具有较高的精确性和完整性,同时在推荐过程中,还进一步根据获取到的关键词信息和分类信息对推荐的信息进行筛选,避免生成的大量推荐信息为用户造成困扰和误导,从而能够更好地指导患者进行合理的用药,提高了用户查看用药指导的效率,保障了患者的人身安全,提高了用户体验。
请参见图2,在本发明实施例中,在所述获取预设数据库之前,所述指导方法还包括:
S101)获取学习样本,从所述学习样本提取第一数据集和第二数据集;
S102)对所述第二数据集进行处理,获得第三数据集;
S103)基于所述第三数据集获取预设分析模型,基于所述预设分析模型对所述第一数据集进行分析,获得分析后指导信息;
S104)基于所述分析后指导信息创建所述预设数据库。
在本发明实施例中,所述对所述第二数据集进行处理以获得第三数据集,包括:对所述第二数据集执行随机提取操作,并获得随机数据集;对所述随机数据集中的数据进行标注,以获得所述第三数据集,所述第三数据集包括可证据数据集和非证据数据集。
为了解决现有技术中直接根据药品名称进行指导信息的检索导致检索信息精确性不足、检索信息杂乱的技术问题,本发明在向患者进行用药指导信息的推荐之前,首先建立包含精确的用药指导信息的预设数据库。在一种可能的实施方式中,首先获取学习样本,例如该学习样本为患者常用药物的说明书、国家用药指导标准以及相关参考资料等信息,此时对获取的药物说明书进行按句切分,并获得第一数据集。例如在本发明实施例中,获取到布洛芬缓释胶囊和阿司匹林肠溶片的说明书,因此对该说明书进行切分后获得如下数据集:
{
'布洛芬缓释胶囊':[('国药准字H20100041+注意事项','心动过缓、病窦综合征患者慎用'),('国药准字H20043430+禁忌','对阿司匹林过敏的哮喘患者禁用'),('国药准字H20023191+药品相互作用','本品与其他解热、镇痛、抗炎药物同用时可增加胃肠道不良反应,并可能导致溃疡')],
'阿司匹林肠溶片':[('H37023155+禁忌','禁用于冠状动脉搭桥手术(CABG)围手术期疼痛的治疗'),('国药准字H37023234+禁忌','已知对本品过敏的患者')]
}
在该第一数据集中按照以药物名称为键,以详细列表信息作为值的方式对说明书内的句子进行信息整理,其中详细列表中包括多个元素,每一个元素由说明书的句子以及句子来源组成,句子来源可以使用国家批准文号+段落名的形式构成。
进一步地,根据上述第一数据集,将第一数据集中抽取到的说明书中的句子提取出来并生成第二数据集,例如在本发明实施例中,该第二数据集为:
{
'心动过缓、病窦综合征患者慎用','对阿司匹林过敏的哮喘患者禁用','本品与其他解热、镇痛、抗炎药物同用时可增加胃肠道不良反应,并可能导致溃疡',
'禁用于冠状动脉搭桥手术(CABG)围手术期疼痛的治疗','已知对本品过敏的患者'
}
当获取的样本量达到一定程度后,进一步地对上述样本进行智能化学习。首先随机抽取生成的第二数据集中的部分句子进行类别标注,在本发明实施例中,可以按照“如何服药”、“不良反应”、“药品成份”、“药品禁慎用”、“药品相互作用”以及“非证据”6大类别对抽取的每个句子进行类别标注以生成第三数据集,并根据第三数据集进行后续的智能化学习;也可以按照“如何服药”、“不良反应”、“药品成份”、“药品禁慎用”、“药品相互作用”5大类别对上述抽取的每个句子进行类别标注以获得可证据数据集,并将抽取的句子中不适合作为上述分类的句子标注为非证据的类别,并获得非证据数据集,然后将上述可证据数据集和非证据数据集作为第三数据集进行后续的智能化学习。
请参见图3,在本发明实施例中,所述基于所述第三数据集获取预设分析模型,包括:
S1031)基于所述可证据数据集和所述非证据数据集生成第一样本和第二样本;
S1032)按照第一比例抽取所述第一样本和所述第二样本,获得第一预抽取数据集;
S1033)按照第二比例对所述第一预抽取数据集进行分组,获得分组后数据集;
S1034)按照预设转换方法对所述分组后数据集进行转换,获得转换后数据集;
S1035)按照预设训练算法对所述转换后数据集进行训练,获得所述预设分析模型,所述预设分析模型包括第一分析模型和第二分析模型。
进一步地,在本发明实施例中,所述基于所述预设分析模型对所述第一数据集进行分析,获得分析后指导信息,包括:基于所述第一分析模型对所述第一数据集进行证据性分析,获得证据分析后数据集;基于所述第二分析模型对所述证据分析后数据集进行类别性分析,获得分类后数据集,所述分类后数据集包括数据的第二分类信息和对应的得分信息;将所述分类后数据集作为所述分析后指导信息。
在对学习样本进行处理以获得第三数据集后,开始对样本数据进行智能化学习。在一种可能的实施方式中,首先构建第一分析模型,例如在本发明实施例中,将第三数据集中的非证据数据集作为第一样本,将可证据数据集作为第二样本,然后按照1:1的第一比例分别抽取第一样本和第二样本,例如非证据数据集中包括30个数据集,可证据数据集中包括310个数据集,此时抽取25个非证据数据集和25个可证据数据集,以获得第一预抽取数据集,然后按照6:2:2的第二比例对上述第一预抽取数据集进行分组,例如在本发明实施例中,将上述第一预抽取数据集按照第二比例分别分为训练集组、验证集组以及测试集组三个组,从而获得分组后数据集。
此时,为了更好地将上述分组后数据集带入智能学习算法中进行运算和管理,还对上述分组后数据集中的样本的表示方法进行转换,例如在本发明实施例中,将上述分组后数据集中的样本按照词频向量的方法进行表示,从而获得转换后数据集。最后,将上述转换后数据集带入贝叶斯网络中进行智能化学习,从而不断对当前模型进行训练和参数优化,并最终获得第一分析模型,例如该第一分析模型为二分类模型。
需要说明的是,还可以将上述分组后数据集中的样本按照词嵌入的方法进行表示,从而便于将上述分组后数据集引入深度学习模型中进行学习和分析。
在本发明实施例中,该二分类模型用于对待学习的样本是否可作为证据进行判断分析,以在后续的证据分类处理中提高对样本的分析和识别能力,提高对患者进行用药指导的精确性。例如在本发明实施例中,通过该二分类模型对第三数据集中的样本进行分析,从而获得证据分析后数据集,在该证据分析后数据集中仅包括第三数据集中可作为指导信息的数据集。
此时进一步构件第二分析模型。在本发明实施例中,在对第三数据集进行分析之前,首先对第三数据集进行分类,例如可以按照“如何服药”、“不良反应”、“药品成份”、“药品禁慎用”、“药品相互作用”5个大类对第三数据集进行分类,并获得分类后的数据集,然后依次将第三数据集中的一个分类数据集作为第一样本,将其他分类数据集作为第二样本,训练出5个二分类模型,例如分别为m1-m5的5个二分类模型,并将该5个二分类模型作为第二分析模型。
在本发明实施例中,该第二分析模型用于判断待学习的样本应该属于哪个类别进行分析和识别,获得每个样本属于某个类别的概率。例如在对证据分析后数据集中的样本分析的过程中,分析出每个样本的第二分类信息以及属于上述第二分类信息中某个分类信息的概率,将该概率作为该样本属于该分类的得分信息。例如在本发明实施例中,第二分类信息包括“如何服药”、“不良反应”、“药品成份”、“药品禁慎用”、“药品相互作用”,通过第二分析模块对布洛芬缓释胶囊的相关学习样本进行分析后,确定布洛芬缓释胶囊的说明书中“心动过缓、病窦综合征患者慎用”属于“药品禁慎用”分类的概率为95%,因此确定布洛芬缓释胶囊的“心动过缓、病窦综合征患者慎用”句子在“药品禁慎用”类别下的得分为0.95。
在本发明实施例中,通过在收录药品的用药指导信息时,一方面采用智能化学习的方法对多种多样的药品说明书样品进行学习,以不断提高模型识别的精确性,从而保证了预设数据库中的指导信息的精确性和完整性;另一方面通过构建第一分析模型和第二分析模型对样本进行可证据性和证据类别进行精确的分析和识别,将不适合作为指导信息的样本剔除,将可作为指导信息的样本精确分类并保存,从而进一步提高了预设数据库中指导数据可作为指导信息的精确性,提高了患者对推荐的指导信息的信任度。
在本发明实施例中,所述基于所述分析后指导信息创建所述预设数据库,包括:建立所述第二分类信息与药品名称之间的映射关系;基于所述映射关系和所述第二分类信息创建所述预设数据库。
在一种可能的实施方式中,在分析获得上述分析后指导信息后,进一步创建预设数据库。例如在本发明实施例中,首先通过分析后指导信息中的第二分类信息提取出对应的药品名称和类别,例如在本发明实施例中,在对阿司匹林肠溶片的说明书进行学习样本提取的过程中,自动识别出该药品的药品名称为阿司匹林肠溶片并存储起来,在完成对阿司匹林肠溶片的说明书的分析学习后,将分析出的第二分类信息与阿司匹林肠溶片建立映射关系,从而将上述第二分类信息保存在阿司匹林肠溶片的名下,生成每个药物的药品指导数据以形成预设数据库,例如在本发明实施例中,药品指导数据在预设数据库中的保存方式如下:
请参见图4,在本发明实施例中,所述基于所述第一分类信息和所述关键词信息在所述预设数据库中进行检索,获得对应的用药指导信息,包括:
S301)在所述预设数据库中获取与所述关键词信息相匹配的匹配药品名称;
S302)获取与所述第一分类信息相匹配的匹配第二分类信息;
S303)基于所述匹配第二分类信息获取与所述匹配药品名称对应的至少一个筛选后用药指导信息以及所述筛选后用药指导信息对应的筛选后得分信息;
S304)基于所述筛选后得分信息对所述筛选后用药指导信息进行排序,并将排序后的筛选后指导信息作为所述用药指导信息。
在一种可能的实施方式中,某患者为帕金森疾病患者,由于无法记住每种药物的确切用药方式,因此通过本发明实时获取准确的用药指导。例如某时刻患者需要获知苯甲托品的用药指导,因此通过手机扫描苯甲托品的药盒,手机自动识别出该药物的名称为苯甲托品,第一分类信息为“药品禁慎用”,此时自动在预设数据库中进行检索并获取到与苯甲托品相匹配的筛选后用药指导信息为“老年病人可能敏感”和“对3岁以上儿童剂量视病情而定”,以及进而获取到相对应的指导来源信息以及筛选后得分信息,此时按照上述筛选后得分信息对筛选后用药指导信息进行排序,并按照排序后的筛选后指导信息反馈给患者以供患者进行用药的参考使用。
在本发明实施例中,通过采用基于数据库的自动搜索用药知识证据的方式替代传统的人工标注或直接根据关键词检索用药知识证据的方式,大大提高了对患者进行用药指导的精确性,由于在指导信息中还加入了对用药知识的来源信息的详细标注,因此还提高了推荐的用药知识证据的全面性,避免了人为操作带来的偏差或误差,提高了证据的可信度以及患者对推荐数据的信任程度,同时在生成用药指导的过程中,还对生成的数据进行多维度多层次的筛选,从而进一步提高了数据的精确性,保障了患者的人身安全,提高了用户体验。
下面结合附图对本发明实施例所提供的用药指导装置进行说明。
请参见图5,基于同一发明构思,本发明实施例提供一种用药指导装置,所述指导装置包括:第一获取模块,用于获取预设数据库;第二获取模块,用于获取药品的第一分类信息和关键词信息;指导模块,用于基于所述第一分类信息和所述关键词信息在所述预设数据库中进行检索,获得对应的用药指导信息。
在本发明实施例中,所述指导装置还包括数据库创建模块,所述数据库创建模块包括:提取单元,用于获取学习样本,从所述学习样本提取第一数据集和第二数据集;处理单元,用于对所述第二数据集进行处理,获得第三数据集;分析单元,用于基于所述第三数据集获取预设分析模型,基于所述预设分析模型对所述第一数据集进行分析,获得分析后指导信息;数据库获取单元,用于基于所述第一数据集和所述分析后指导信息创建所述预设数据库。
在本发明实施例中,所述处理单元包括:提取子单元,用于对所述第二数据集执行随机提取操作,获得随机数据集;标注子单元,用于对所述随机数据集中的数据进行标注,获得所述第三数据集,所述第三数据集包括可证据数据集和非证据数据集。
在本发明实施例中,所述分析单元包括:样本生成子单元,用于基于所述可证据数据集和所述非证据数据集生成第一样本和第二样本;抽取子单元,用于按照第一比例抽取所述第一样本和所述第二样本,获得第一预抽取数据集;分组子单元,用于按照第二比例对所述第一预抽取数据集进行分组,获得分组后数据集;转换子单元,用于按照预设转换方法对所述分组后数据集进行转换,获得转换后数据集;训练子单元,用于按照预设训练算法对所述转换后数据集进行训练,获得所述预设分析模型,所述预设分析模型包括第一分析模型和第二分析模型。
在本发明实施例中,所述分析单元还包括:证据分析子单元,用于基于所述第一分析模型对所述第一数据集进行证据性分析,获得证据分析后数据集;类别分析子单元,用于基于所述第二分析模型对所述证据分析后数据集进行类别性分析,获得分类后数据集,所述分类后数据集包括数据的第二分类信息和对应的得分信息;确定子单元,用于将所述分类后数据集作为所述分析后指导信息。
在本发明实施例中,所述数据库获取单元包括:映射子单元,用于建立所述第二分类信息与药品名称之间的映射关系;生成子单元,用于基于所述映射关系和所述第二分类信息创建所述预设数据库。
在本发明实施例中,所述指导模块包括:匹配单元,用于在所述预设数据库中获取与所述关键词信息相匹配的匹配药品名称;第一获取单元,用于获取与所述第一分类信息相匹配的匹配第二分类信息;第二获取单元,用于基于所述匹配第二分类信息获取与所述匹配药品名称对应的至少一个筛选后用药指导信息以及所述筛选后用药指导信息对应的筛选后得分信息;排序单元,用于基于所述筛选后得分信息对所述筛选后用药指导信息进行排序,并将排序后的筛选后指导信息作为所述用药指导信息。
进一步地,本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明所述的方法。
以上结合附图详细描述了本发明实施例的可选实施方式,但是,本发明实施例并不限于上述实施方式中的具体细节,在本发明实施例的技术构思范围内,可以对本发明实施例的技术方案进行多种简单变型,这些简单变型均属于本发明实施例的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明实施例对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得单片机、芯片或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外,本发明实施例的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明实施例的思想,其同样应当视为本发明实施例所公开的内容。
Claims (11)
1.一种用药指导方法,其特征在于,所述指导方法包括:
获取预设数据库;
获取药品的第一分类信息和关键词信息;
基于所述第一分类信息和所述关键词信息在所述预设数据库中进行检索,获得对应的用药指导信息,所述指导信息为药品的用药知识证据信息;
在所述获取预设数据库之前,所述指导方法还包括:
获取学习样本,从所述学习样本提取第一数据集和第二数据集;
对所述第二数据集进行处理,获得第三数据集;
基于所述第三数据集获取预设分析模型,基于所述预设分析模型对所述第一数据集进行分析,获得分析后指导信息;
基于所述分析后指导信息创建所述预设数据库;
所述对所述第二数据集进行处理,获得第三数据集,包括:
对所述第二数据集执行随机提取操作,获得随机数据集;
对所述随机数据集中的数据进行标注,获得所述第三数据集,所述第三数据集包括可证据数据集和非证据数据集。
2.根据权利要求1所述的指导方法,其特征在于,所述基于所述第三数据集获取预设分析模型,包括:
基于所述可证据数据集和所述非证据数据集生成第一样本和第二样本;
按照第一比例抽取所述第一样本和所述第二样本,获得第一预抽取数据集;
按照第二比例对所述第一预抽取数据集进行分组,获得分组后数据集;
按照预设转换方法对所述分组后数据集进行转换,获得转换后数据集;
按照预设训练算法对所述转换后数据集进行训练,获得所述预设分析模型,所述预设分析模型包括第一分析模型和第二分析模型。
3.根据权利要求2所述的指导方法,其特征在于,所述基于所述预设分析模型对所述第一数据集进行分析,获得分析后指导信息,包括:
基于所述第一分析模型对所述第一数据集进行证据性分析,获得证据分析后数据集;
基于所述第二分析模型对所述证据分析后数据集进行类别性分析,获得分类后数据集,所述分类后数据集包括数据的第二分类信息和对应的得分信息;
将所述分类后数据集作为所述分析后指导信息。
4.根据权利要求3所述的指导方法,其特征在于,所述基于所述分析后指导信息创建所述预设数据库,包括:
建立所述第二分类信息与药品名称之间的映射关系;
基于所述映射关系和所述第二分类信息创建所述预设数据库。
5.根据权利要求4所述的指导方法,其特征在于,所述基于所述第一分类信息和所述关键词信息在所述预设数据库中进行检索,获得对应的用药指导信息,包括:
在所述预设数据库中获取与所述关键词信息相匹配的匹配药品名称;
获取与所述第一分类信息相匹配的匹配第二分类信息;
基于所述匹配第二分类信息获取与所述匹配药品名称对应的至少一个筛选后用药指导信息以及所述筛选后用药指导信息对应的筛选后得分信息;
基于所述筛选后得分信息对所述筛选后用药指导信息进行排序,并将排序后的筛选后指导信息作为所述用药指导信息。
6.一种用药指导装置,其特征在于,所述指导装置包括:
第一获取模块,用于获取预设数据库;
第二获取模块,用于获取药品的第一分类信息和关键词信息;
指导模块,用于基于所述第一分类信息和所述关键词信息在所述预设数据库中进行检索,获得对应的用药指导信息,所述指导信息为药品的用药知识证据信息;
所述指导装置还包括数据库创建模块,所述数据库创建模块包括:
提取单元,用于获取学习样本,从所述学习样本提取第一数据集和第二数据集;
处理单元,用于对所述第二数据集进行处理,获得第三数据集;
分析单元,用于基于所述第三数据集获取预设分析模型,基于所述预设分析模型对所述第一数据集进行分析,获得分析后指导信息;
数据库获取单元,用于基于所述分析后指导信息创建所述预设数据库;
所述处理单元包括:
提取子单元,用于对所述第二数据集执行随机提取操作,获得随机数据集;
标注子单元,用于对所述随机数据集中的数据进行标注,获得所述第三数据集,所述第三数据集包括可证据数据集和非证据数据集。
7.根据权利要求6所述的指导装置,其特征在于,所述分析单元包括:
样本生成子单元,用于基于所述可证据数据集和所述非证据数据集生成第一样本和第二样本;
抽取子单元,用于按照第一比例抽取所述第一样本和所述第二样本,获得第一预抽取数据集;
分组子单元,用于按照第二比例对所述第一预抽取数据集进行分组,获得分组后数据集;
转换子单元,用于按照预设转换方法对所述分组后数据集进行转换,获得转换后数据集;
训练子单元,用于按照预设训练算法对所述转换后数据集进行训练,获得所述预设分析模型,所述预设分析模型包括第一分析模型和第二分析模型。
8.根据权利要求7所述的指导装置,其特征在于,所述分析单元还包括:
证据分析子单元,用于基于所述第一分析模型对所述第一数据集进行证据性分析,获得证据分析后数据集;
类别分析子单元,用于基于所述第二分析模型对所述证据分析后数据集进行类别性分析,获得分类后数据集,所述分类后数据集包括数据的第二分类信息和对应的得分信息;
确定子单元,用于将所述分类后数据集作为所述分析后指导信息。
9.根据权利要求8所述的指导装置,其特征在于,所述数据库获取单元包括:
映射子单元,用于建立所述第二分类信息与药品名称之间的映射关系;
生成子单元,用于基于所述映射关系和所述第二分类信息创建所述预设数据库。
10.根据权利要求9所述的指导装置,其特征在于,所述指导模块包括:
匹配单元,用于在所述预设数据库中获取与所述关键词信息相匹配的匹配药品名称;
第一获取单元,用于获取与所述第一分类信息相匹配的匹配第二分类信息;
第二获取单元,用于基于所述匹配第二分类信息获取与所述匹配药品名称对应的至少一个筛选后用药指导信息以及所述筛选后用药指导信息对应的筛选后得分信息;
排序单元,用于基于所述筛选后得分信息对所述筛选后用药指导信息进行排序,并将排序后的筛选后指导信息作为所述用药指导信息。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-5中任一项权利要求所述的指导方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010807697.9A CN112053760B (zh) | 2020-08-12 | 2020-08-12 | 用药指导方法、用药指导装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010807697.9A CN112053760B (zh) | 2020-08-12 | 2020-08-12 | 用药指导方法、用药指导装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112053760A CN112053760A (zh) | 2020-12-08 |
CN112053760B true CN112053760B (zh) | 2021-07-27 |
Family
ID=73601653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010807697.9A Active CN112053760B (zh) | 2020-08-12 | 2020-08-12 | 用药指导方法、用药指导装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112053760B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113257436A (zh) * | 2021-06-16 | 2021-08-13 | 北京大学第三医院(北京大学第三临床医学院) | 一种帕金森病治疗的药物治疗管理方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104598740A (zh) * | 2015-01-26 | 2015-05-06 | 曹庆恒 | 一种智能用药指导的方法、系统和设备 |
CN109408631A (zh) * | 2018-09-03 | 2019-03-01 | 平安医疗健康管理股份有限公司 | 药品数据处理方法、装置、计算机设备和存储介质 |
CN110377755A (zh) * | 2019-07-03 | 2019-10-25 | 江苏省人民医院(南京医科大学第一附属医院) | 基于药品说明书的合理用药知识图谱构建方法 |
CN111198887A (zh) * | 2019-12-31 | 2020-05-26 | 北京左医健康技术有限公司 | 药品索引方法、药品检索方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005502937A (ja) * | 2001-05-15 | 2005-01-27 | サイコジェニックス・インコーポレーテッド | 行動情報工学を監視するシステムおよび方法 |
US20120096023A1 (en) * | 2010-10-15 | 2012-04-19 | Myungeun Park | Apparatus and method for providing pharmacy guide |
US20200005920A1 (en) * | 2016-09-12 | 2020-01-02 | National Health Coalition, Inc. | Processing Pharmaceutical Prescriptions in Real Time Using a Clinical Analytical Message Data File |
US20200151246A1 (en) * | 2018-11-13 | 2020-05-14 | International Business Machines Corporation | Labeling Training Set Data |
CN110534168A (zh) * | 2019-08-30 | 2019-12-03 | 北京百度网讯科技有限公司 | 药嘱风险提示方法、装置、电子设备及存储介质 |
-
2020
- 2020-08-12 CN CN202010807697.9A patent/CN112053760B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104598740A (zh) * | 2015-01-26 | 2015-05-06 | 曹庆恒 | 一种智能用药指导的方法、系统和设备 |
CN109408631A (zh) * | 2018-09-03 | 2019-03-01 | 平安医疗健康管理股份有限公司 | 药品数据处理方法、装置、计算机设备和存储介质 |
CN110377755A (zh) * | 2019-07-03 | 2019-10-25 | 江苏省人民医院(南京医科大学第一附属医院) | 基于药品说明书的合理用药知识图谱构建方法 |
CN111198887A (zh) * | 2019-12-31 | 2020-05-26 | 北京左医健康技术有限公司 | 药品索引方法、药品检索方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112053760A (zh) | 2020-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2022541199A (ja) | データテーブルの画像表現に基づいて構造化されたデータベースにデータ挿入するためのシステムおよび方法。 | |
CN105824959B (zh) | 舆情监控方法及系统 | |
CN110263248B (zh) | 一种信息推送方法、装置、存储介质和服务器 | |
CN104503998B (zh) | 针对用户查询句的类型识别方法及装置 | |
CN106919794B (zh) | 面向多数据源的药品类实体识别方法及装置 | |
CN112035675A (zh) | 医疗文本标注方法、装置、设备及存储介质 | |
CN110297893B (zh) | 自然语言问答方法、装置、计算机装置及存储介质 | |
WO2020237872A1 (zh) | 语义分析模型准确度的校验方法、装置、存储介质及设备 | |
CN111274239A (zh) | 试卷结构化处理方法、装置和设备 | |
Elayidom et al. | Text classification for authorship attribution analysis | |
CN111985241A (zh) | 医学信息查询方法、装置、电子设备及介质 | |
CN111597789A (zh) | 一种电子病历文本的评估方法及设备 | |
CN111145903A (zh) | 获取眩晕症问诊文本的方法、装置、电子设备及问诊系统 | |
CN114065756A (zh) | 一种电子病历阳性症状的提取方法及装置 | |
CN113111159A (zh) | 问答记录生成方法、装置、电子设备及存储介质 | |
CN107122582B (zh) | 面向多数据源的诊疗类实体识别方法及装置 | |
CN112053760B (zh) | 用药指导方法、用药指导装置及计算机可读存储介质 | |
CN113724830B (zh) | 基于人工智能的用药风险检测方法及相关设备 | |
CN113254651B (zh) | 一种裁判文书的分析方法、装置、计算机设备及存储介质 | |
CN117454217A (zh) | 一种基于深度集成学习的抑郁情绪识别方法、装置及系统 | |
EP3901875A1 (en) | Topic modelling of short medical inquiries | |
CN116913549A (zh) | 不良反应事件预警方法、装置、系统和电子设备 | |
KR102126911B1 (ko) | KeyplayerRank를 이용한 소셜 미디어상의 주제별 키플레이어 탐지 방법 | |
CN111859934A (zh) | 一种中文语句隐喻识别系统 | |
CN114842982B (zh) | 一种面向医疗信息系统的知识表达方法、装置及系统 |
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 |