CN112216364A - 一种基于人工智能的用药处方推送方法和系统 - Google Patents

Abstract

本发明提供了一种基于人工智能的用药处方推送方法和系统，所述方法包括以下步骤：S1：第一用户终端向服务器发送开处方请求，开处方请求包含患者标识信息和患者当前病情信息；S2：服务器接收开处方请求，根据患者标识信息获取患者病历信息，对患者病历信息和患者当前病情信息进行特征向量计算，生成处方建议信息，并将处方建议信息推送给第二用户终端；S3：第二用户终端接收处方建议信息并确定是否对其进行调整，若是则将调整后的处方建议信息发送给第一用户终端，否则将从服务器接收到的处方建议信息发送给第一用户终端，从而实现了不同用户终端的跨地域协作，极大减少时间空间对治疗患者的限制；并且通过对处方建议的调整，减轻了医生的工作量。

Description

一种基于人工智能的用药处方推送方法和系统

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的用药处方推送方法和系统。

背景技术

在传统糖尿病中医治疗过程中，医生针对病人的五官、舌苔、脉搏等，结合其适应症和基础体检指标，对病人进行证候分析。根据证候分析结果，结合八方辩证标准，判断病人所属类型。然后再依据该类型下标准基础中药方及医生个人的经验，为患者开具中药处方。

现有的中药开方方式主要是医生与患者面对面完成中药开方。由于受时间、地点、中医师个人经验等限制，这种开方方式的个人主观性极大，处方效果也不能得到保证，中医师无法持续跟踪和了解病人历史病情和用药情况，无法及时准确地调整用药。并且，每个患者用药效果无法形成其他中医师的共同经验。另一方面，特定的面诊时间和地点，提高了医患沟通的门槛，造成了开方的效率低下，同时，医生需要不断重复输入相同的处方，在操作上也极其不便。

因此，有必要提出一种新的技术方案，以解决上述现有糖尿病中药开方中受时间、地点、中医师个人经验等限制，用药效果无法形成其他中医师的共同经验，以及医患沟通受客观条件约束等技术问题。

发明内容

为此，需要提供一种基于人工智能的用药处方建议推送的技术方案，用以解决现有技术中糖尿病中医开方效率低下，中医师无法准确调整用药、难以形成共同的用药经验等问题。

为实现上述目的，本发明的第一方面提供了一种基于人工智能的用药处方建议推送方法，所述方法包括以下步骤：

S1：第一用户终端向服务器发送开处方请求，所述开处方请求包含患者标识信息和患者当前病情信息；

S2：服务器接收所述开处方请求，根据所述患者标识信息获取患者病历信息，对所述患者病历信息和所述患者当前病情信息进行特征向量计算，生成处方建议信息，并将所述处方建议信息推送给第二用户终端；

S3：第二用户终端接收处方建议信息并确定是否对其进行调整，若是则将调整后的处方建议信息发送给第一用户终端，否则将从服务器接收到的处方建议信息发送给第一用户终端。

作为一种可选的实施例，所述开处方请求还包含用药反馈信息，所述患者病历信息包括患者身份信息和历史处方信息；所述“对所述患者病历信息和所述患者当前病情信息进行特征向量计算，生成相应的处方建议信息”包括：

根据所述历史处方信息、所述患者当前病情信息以及所述用药反馈信息，生成多个特征向量；

对所述多个特征向量进行计算，不断调整所述历史处方信息中的药物配伍和各药物的用量，生成处方建议信息。

作为一种可选的实施例，“对所述多个特征向量进行计算，不断调整所述历史处方信息中的药物配伍和各药物的用量”包括：

检测调整后的各药物的用量是否符合预设标准值，若是则生成处方建议信息，否则发出提示信息；

其中，“检测调整后的各药物的用量是否符合预设标准值”具体包括：判断调整后的处方建议信息中各个药物的用量是否位于预设标准用量范围之内。

作为一种可选的实施例，“根据所述患者标识信息获取患者病历信息”之前还包括：

对所述患者标识信息进行预处理，所述预处理包括：筛选排除不符合预设基础信息标准范围的患者标识信息。

作为一种可选的实施例，“对所述患者病历信息和所述患者当前病情信息进行特征向量计算”包括：

根据患者病历信息，生成基础特征向量；

判断所述基础特征向量是否在某一药物的所有用药约束条件，若是则将该药物信息加入所述处方建议信息中。

进一步地，所述方法还包括：

遍历所有药物，记录所有基础特征向量符合用药约束条件对应的药物，并将权重值排名靠前的预设数量的药物信息加入所述处理建议信息中。

进一步地，所述方法还包括：

判断所述排名靠前的预设数量的药物信息是否存在禁忌冲突用药，若是则从所述处理建议信息中删除所述禁忌冲突用药，并保留删除后剩下的权重值排名靠前的进一步地，药物信息的权重值根据以下方式确定：

每一药物信息配置有相对应的基础权重值，当某一药物被加入到处理建议信息时，则按梯度增大当前药物信息对应的权重值；或者，接收所述第二用户终端发出的权重调整指令，调整当前药物信息对应的权重值。

本发明的第二方面提供了一种基于人工智能的用药处方建议推送系统，所述系统用于执行如本发明第一方面所述的方法。

区别于现有技术，上述技术方案提供了一种基于人工智能的用药处方建议推送方法和系统，所述方法包括以下步骤：S1：第一用户终端向服务器发送开处方请求，所述开处方请求包含患者标识信息和患者当前病情信息；S2：服务器接收所述开处方请求，根据所述患者标识信息获取患者病历信息，对所述患者病历信息和所述患者当前病情信息进行特征向量计算，生成处方建议信息，并将所述处方建议信息推送给第二用户终端；S3：第二用户终端接收处方建议信息并确定是否对其进行调整，若是则将调整后的处方建议信息发送给第一用户终端，否则将从服务器接收到的处方建议信息发送给第一用户终端。该技术方案借助互联网工具，实现了不同用户终端的跨地域协作，共同服务患者，极大减少时间空间对治疗患者的限制；基于人工智能算法(AI)和服务器中存储的大量患者病历信息，根据患者当前病情信息，自动为医生提供用药处方建议；并且，第二用户终端可以对服务器生成的处方建议进行调整、审核，快速转化为患者实际执行处方，减轻了医生重新思考处方、重复输入处方的工作。

附图说明

图1是本发明一实施例涉及的基于人工智能的用药处方建议推送方法的流程图。

具体实施方式

为详细说明技术方案的技术内容、构造特征、所实现目的及效果，以下结合具体实施例并配合附图详予说明。

如图1所示，为本发明一实施例涉及的基于人工智能的用药处方建议推送方法的流程图。

首先进入步骤S1：第一用户终端向服务器发送开处方请求，所述开处方请求包含患者标识信息和患者当前病情信息。

所述第一用户终端可以但不限于是个人计算机(Personal Computer，PC)、个人数字助理(Personal DigitalAssistant，PDA)、工业装备用计算机、笔记本电脑、无线手持设备、智能手机、平板电脑(Tablet Computer)、和便携式可穿戴设备。所述患者标识信息主要是为了用于标识患者的身份，并提供相应患者的基础信息。所述患者标识信息包括患者身份信息、患者身体质量指数信息(Body Mass Index，BMI)、患者用药信息等患者基础信息，所述患者标识信息包括但不限于患者身份信息、患者BMI信息、患者用药信息、饮食习惯信息。其中，所述患者身份信息包括但不限于姓名、性别、出生年月日、孕周、是否有糖尿病史、遗传史等信息；所述患者BMI信息包括身高、体重；所述患者用药信息包括但不限于历史服药药品、单次服药量、单位、给药途径、频次、天数、用药理由等。所述患者当前病情信息包括但不限于患者当前的糖尿病指标(糖尿病类型、血糖、用药、C肽等)、糖尿病并发症部位及其严重程度等。

而后进入步骤S2：服务器接收所述开处方请求，根据所述患者标识信息获取患者病历信息，对所述患者病历信息和所述患者当前病情信息进行特征向量计算，生成处方建议信息，并将所述处方建议信息推送给第二用户终端。

所述第一用户终端可以但不限于是个人计算机(Personal Computer，PC)、个人数字助理(Personal DigitalAssistant，PDA)、工业装备用计算机、笔记本电脑、无线手持设备、智能手机、平板电脑(Tablet Computer)、和便携式可穿戴设备。所述服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。所述服务器中存储有中药信息知识库，包括：糖尿病通用症状处方，并发症加减方，各症状/患者的历史处方，煎煮方式，服药方式，服药频次，以及不同中药的药理毒理信息，包括：药物活性成分、炮制、制剂、适用症、功效、替代性药物、增效性药物、配伍关系、药物相互作用、用法用量、不良反应、禁忌(配伍禁忌、证候禁忌、妊娠禁忌、服药的饮食禁忌等)、注意事项、孕妇及哺乳期用药、儿童用药、老年用药、药物过量、药理毒理。服务器接收所述开处方请求，根据所述患者标识信息获取患者病历信息，并基于中药信息知识库内存储的内容，对所述患者病历信息和所述患者当前病情信息进行特征向量计算，生成处方建议信息，并将所述处方建议信息推送给第二用户终端。

在实际糖尿病治疗开方过程中，下级主治医师通过所述第一用户终端向服务器提交第一次开处方请求时，提交患者标识信息和患者当前病情信息，服务器采集并记录患者标识信息和患者当前病情信息，并将这些信息存储为患者病历信息。在下一次提交开处方请求时，若患者的相关数据未发生变化，则无需重复采集和提交，只需提交患者的识别号(例如手机号码、身份证号码、授权ID等)及有变化的信息即可，用于更新前一次存储的患者病历信息。患者可以通过事先提供手机号码、身份证号码、生日或者具有用户特殊意义的英文字符串等来生成授权ID。

而后进入步骤S3：第二用户终端接收处方建议信息并确定是否对其进行调整，若是则将调整后的处方建议信息发送给第一用户终端，否则将从服务器接收到的处方建议信息发送给第一用户终端。

在实际糖尿病治疗开方过程中，上级专家通过第二用户终端对处方建议进行确认是否对其进行调整，将调整/确认好的处方建议信息发送给第一用户终端，从而有效提高了处方建议的准确性和医生的工作效率，实现了上下级医生的协同合作，经验共享。当处方建议信息被上级专家调整后，服务器将对调整后的处方建议信息进行记录。服务器记录每一次上级专家对处方建议信息的调整，若上级专家对处方建议信息的调整越少，说明服务器的计算越接近上级专家的处方诊断，反之亦然。

在某些实施例中，所述开处方请求还包含用药反馈信息，所述患者病历信息包括历史处方信息；步骤“对所述患者病历信息和所述患者当前病情信息进行特征向量计算，生成相应的处方建议信息”包括：根据所述历史处方信息、所述患者当前病情信息以及所述用药反馈信息，生成多个特征向量；对所述多个特征向量进行计算，不断调整所述历史处方信息中的药物配伍和各药物的用量，生成处方建议信息。

所述服务器中存储有中药信息知识库，包括：糖尿病通用症状处方，并发症加减方，各症状/患者的历史处方，煎煮方式，服药方式，服药频次，以及不同中药的药理毒理信息，包括：药物活性成分、炮制、制剂、适用症、功效、替代性药物、增效性药物、配伍关系、药物相互作用、用法用量、不良反应、禁忌(配伍禁忌、证候禁忌、妊娠禁忌、服药的饮食禁忌等)、注意事项、孕妇及哺乳期用药、儿童用药、老年用药、药物过量、药理毒理。

例如，其中的糖尿病通用症状处方是通过临床经验简单总结八方辨证得出的，根据患者糖尿病数据及其症状，分为：(1)、清热泻火、生津止渴法(上消症状明显)；(2)、滋阴增液、清胃泻火法(中消症状明显)；(3)、滋补肾阴法(下消症状明显)；(4)、温阳滋肾法；(5)、健脾益肾法；(6)、健脾益肾法；(7)、疏肝解郁法；(8)、活血化瘀、滋阴生津法；(9)、泄热护阴、清热解毒法等多种情况，每一种情况都有基础的通用症状处方。

再例如，其中的并发症加减方，是针对糖尿病的一些兼症和并发症，在辨证论治的基础上，适当加入如下药物：

腰疼：可选用金毛狗脊、炒杜仲、破故纸、桑寄生、独活；

四肢麻木：可选用豨莶草、鸡血藤、桑枝、姜黄或选用黄芪桂枝五物汤；

肢节厥冷兼疼痛：可选用当归、羌活、细辛、五加皮；

腿足挛急：可选用白芍、甘草；

泄泻：可选用生山药、芡实、米壳(脾肾两虚)；黄连、木香(湿热)；防风、细辛、紫苏(外感)；

便干：肺有积热者，可选用全栝蒌、杏仁；阳明腑实者，可选用大黄、枳实、芒硝；肝肾虚者，可选用大云、女贞子；血虚者，可选用当归、桃仁；气虚者，可重用黄芪、玉竹。

因此，基于服务器中存储的中药信息知识库，服务器可以根据患者具体反馈的用药反馈信息、所述历史处方信息以及所述患者当前病情信息，生成多个特征向量，并对所述多个特征向量进行计算，不断调整所述历史处方信息中的药物配伍，进而推荐最佳的处方建议信息。

在实际糖尿病治疗开方过程中，根据患者主述及其中医特征，下级主治医师判断患者的糖尿病类型(八方辩证)，通过第一用户终端提交开处方请求，开处方请求中包含了患者标识信息、患者当前病情信息以及用药反馈信息；服务器采集开处方请求中的各类信息，并根据患者标识信息调取患者在服务器中存储的患者病历信息，作为后续计算的基础参数。患者病历信息包括患者的历史处方信息，历史处方信息中详细记载了患者身份信息、患者历史病征、病程、历史处方、患者BMI、患者用药情况以及饮食习惯信息等病历信息。接着，服务器根据所述历史处方信息、所述患者当前病情信息以及所述用药反馈信息，生成多个特征向量，以形成多维特征向量矩阵，并对所述多维特征向量矩阵进行计算，不断调整所述历史处方信息中的药物配伍和各药物的用量，生成处方建议信息。接着，服务器将所述处方建议信息推送至第二用户终端，由专家医生对所述处方建议信息进行调整和审核，并将最终的实际处方推送至第一用户终端。下级主治医师嘱咐患者根据实际处方进行用药，并通过患者的反馈情况，详细记录用药过程中患者的数据变化及主观反馈，以形成用药反馈信息。优选的，所述用药反馈信息可以随同下一次的开处方请求一同提交；也可以将该用药反馈信息录入处方使用反馈系统，服务器采集处方使用反馈系统中的用药反馈信息，并将该用药反馈信息存储到对应患者的患者病历信息中，作为后续计算的基础参数。根据用药反馈信息，服务器可以进一步地调整推荐的处方建议，并预测上一次推荐的处方建议信息针对一种或多种糖尿病症状或并发症的有效性，以此进一步提高服务器输出的处方建议信息的准确性，并且优先推荐使用效果较好、副作用较少的用药组合，以提升服务器的算法准确性。

由于处方用药往往需要经历一个时间段，而这个过程患者的主观行为(运动、饮食、情绪等)都会对药物效果造成影响，因此在整个过程中，下级主治医师需要不断跟踪、记录患者的生活状态，并详细记录患者主观感受的变化，尽可能提升用药反馈的准确性。例如，在患者整个康复过程中，主治医师嘱咐患者每天测量血糖，通过患者的主动反馈，主治医师将该用药反馈信息录入处方使用反馈系统，服务器自动同步数据。患者还需要做简单的问卷随访，对其睡眠、情绪、关键部位疼痛或不适、排便等情况进行反馈。通过持续记录，主治医生可以掌握病人整体状态。例如，对于病人的睡眠、情绪等，主要以其主观判断为主，如睡眠：很好、一般、失眠、噩梦、其他(填写)来做评估和反馈。此外，由于患者可能具有多个并发症或多个主述不适的症状，每一个并发症或症状将对应处方中一味或多味中药的组合，故下级主治医师在提交用药反馈信息时，需要在用药反馈信息中加入患者具体症状的变化情况和/或最新的检测结果，从而辅助服务器更加精准地根据具体特定情况，计算并生成对症下药的处方建议。

优选的，在下级主治医师通过所述第一用户终端向服务器提交开处方请求(包括患者标识信息、患者当前病情信息以及用药反馈信息)时，服务器可以根据患者标识信息，获取本院或由其他医院实时同步上传的患者的个人基础信息、各项检查数据等信息。在服务器中，这些信息以符合医疗数据规范的方式存储并输出为初始参数。

在实际糖尿病治疗开方过程中，由于患者的糖尿病病征、并发症部位及并发症严重程度、患者身体感知的主观数据、患者中医特征数据、体重变化、血糖值变化等都会随着对患者的持续性治疗，而动态变化。因此，系统在对所述患者病历信息和所述患者当前病情信息进行特征向量计算，生成相应的处方建议信息时，优选根据最近一次更新的数据作为算法的基础参数。

优选的，当下级主治医师提交的患者糖尿病的辨证信息或病征不明确时，服务器对所提交的辨证信息或病征进行检查，判断是否符合预设标准格式，若否，向第二用户终端发出“信息不符合预设标准格式”的提示信息，提醒下级主治医师完善和补充特定信息说明。在实际糖尿病治疗开方过程中，上级专家在综合了解患者情况，也可以对下级主治医师录入的可能存在的错误信息进行确认和纠正，以避免由于数据源的错误，引起处方过大的偏差。

优选的，上级专家通过第二用户终端对处方建议进行确认时，服务器将自动向第二用户终端发出“请上级专家查看最新的患者标识信息、患者当前病情信息以及患者用药反馈信息”的提示信息，提醒上级专家查看最新的患者信息，从而辅助上级医生对实际的处方建议做出更精准的判断。

在上述实施例中，步骤“根据所述历史处方信息、所述患者当前病情信息以及所述用药反馈信息，生成多个特征向量”是为了方便服务器的运算。具体的，服务器可以把每个患者信息，包括历史处方信息、患者当前病情信息以及用药反馈信息，进行特征编码并转换为相应的特征向量。例如，针对患者病历信息(根据提交的最新患者标识信息、患者当前病情信息以及患者用药反馈信息进行实时更新)中的患者基础信息，例如性别、年龄、BMI信息，根据预设的排序规则和取值规则，可以生成相应的基础信息的特征向量(性别，年龄，BMI)，例如(1,65,28)。该(1,65,28)向量描述一个65岁男性，BMI为28，体重超标的患者。在服务器中，已事先对每一个特征值在向量中的位置及含义进行了设定，且每个患者信息均对应于一个预设好的数值和顺序，从而保证了服务器计算过程的准确性。

在某些实施例中，步骤“对所述多个特征向量进行计算，不断调整所述历史处方信息中的药物配伍和各药物的用量”包括：检测调整后的各药物的用量是否符合预设标准值，若是则生成处方建议信息，否则发出提示信息；其中，步骤“检测调整后的各药物的用量是否符合预设标准值”具体包括：判断调整后的处方建议信息中各个药物的用量是否位于预设标准用量范围之内。

在所述服务器中存储的中药信息知识库中包括了糖尿病通用症状处方、并发症加减方和症状/患者的历史处方中各药物的用法用量，以及其他糖尿病治疗药物的用法用量。基于中药信息知识库，服务器可以检测调整后的各药物的用量是否位于中药信息知识库中各中药药物的标准用量范围之内，若是则生成处方建议信息，否则发出提示信息。

在某些实施例中，如果经过上述服务器计算，由于输入的患者信息的数据错误或中药信息知识库中该类症候信息的缺失，输出的处方建议经过检测，总是无法符合预设的标准格式或标准用量，则服务器向第二用户终端发送“由于该类症候系统数据不足，无法生成建议处方，请直接开具处方”的提示。上级专家根据各类患者信息直接开具处方后，通过第二用户终端将该处方上传到服务器中。服务器采集并将该处方更新到中药信息知识库中，作为知识的更新和积累；同时，服务器提醒系统管理员，对中药信息知识库进行进一步的检查和完善。

在某些实施例中，步骤“根据所述患者标识信息获取患者病历信息”之前还包括：对所述患者标识信息进行预处理，所述预处理包括：筛选排除不符合预设基础信息标准范围的患者标识信息。例如，BMI值1.0，年龄120等不符合预设基础信息标准范围的信息，通过对这些错误信息进行筛选和排除，从而降低服务器计算过程中发送错误的可能性。

优选的，在所述预处理完成后，服务器对患者标识信息、患者当前病情信息、患者用药反馈信息以及患者病历信息等多种患者信息分别进行特征选择。特征选择是指去掉无关或无效的特征，保留相关且有效特征的过程，也可以认为是从所有的特征中选择一个最好的特征子集。服务器可以使用卡方检验、信息增益法等方法在患者标识信息、患者当前病情信息、患者用药反馈信息以及患者病历信息等患者信息中分别选择特征。通过特征选择，可以得到多种特征，包括年龄、性别、BMI、病程、糖尿病类型、糖尿病指标、生化指标等。在完成特征选择后，服务器再将每个特征进行特征编码，转换为相应的特征向量。例如，针对患者病历信息(根据提交的最新患者标识信息、患者当前病情信息以及患者用药反馈信息进行实时更新)中的患者基础信息，例如性别、年龄、BMI信息，根据预设的排序规则和取值规则，可以生成相应的基础信息的特征向量(性别，年龄，BMI)，例如(1,65,28)。该(1,65,28)向量描述一个65岁男性，BMI为28，体重超标的患者。在服务器中，已事先对每一个特征值在向量中的位置及含义进行了设定，且每个患者信息均对应于一个预设好的数值和顺序，从而保证了服务器计算过程的准确性。

由于服务器采集患者多个维度的信息，由此可能导致在对采集到的患者信息进行特征向量处理后，所得到的多维特征向量矩阵的数据过大，从而会降低运算速度。在某些实施例中，为了有效提高处方建议的预测效率，在对所述多维特征向量矩阵进行计算生成处方建议之前，服务器还可以对多维向量矩阵进行降维处理，再基于降维后的向量矩阵进行运算，从而得到相应的处方建议。通过降维处理，可以有效地减少待处理多维特征向量矩阵的数据量，由此提高针对该多维特征向量矩阵的计算效率，同时降低针对该多维特征向量矩阵的处理消耗。

降维是机器学习中很重要的一种思想。在机器学习中经常会碰到一些高维的数据集，而在高维数据情形下会出现数据样本稀疏，距离计算等困难，这类问题是所有机器学习方法共同面临的严重问题，称之为“维度灾难”。另外在高维特征中容易出现特征之间的线性相关，这也就意味着有的特征是冗余存在的。基于这些问题，降维思想就出现了。降维处理实际上就是降低随机变量(特征)的个数，将维数减少到两(或三)维后，可以加快训练速度，在某些情况下，减少训练数据的维数还可以过滤掉一些噪音和不必要的细节，从而得到更好的性能。在本发明的实施例中，可以采用主成分分析、偏最小二乘回归、Sammon映射、多维标度(multidimensional scaling)、投影寻踪等方法进行降维处理。

在某些实施例中，步骤“对所述患者病历信息和所述患者当前病情信息进行特征向量计算”包括：

根据患者病历信息，生成基础特征向量；

判断所述基础特征向量是否在某一药物的所有用药约束条件，若是则将该药物信息加入所述处方建议信息中。

进一步地，所述方法还包括：

遍历所有药物，记录所有基础特征向量符合用药约束条件对应的药物，并将权重值排名靠前的预设数量的药物信息加入所述处理建议信息中。

进一步地，所述方法还包括：

判断所述排名靠前的预设数量的药物信息是否存在禁忌冲突用药，若是则从所述处理建议信息中删除所述禁忌冲突用药，并保留删除后剩下的权重值排名靠前的进一步地，药物信息的权重值根据以下方式确定：

每一药物信息配置有相对应的基础权重值，当某一药物被加入到处理建议信息时，则按梯度增大当前药物信息对应的权重值；或者，接收所述第二用户终端发出的权重调整指令，调整当前药物信息对应的权重值。

下面结合具体的患者实例进行举例说明。

患者病历信息如下：

姓名：秦XX

职业：xxx

性别：男

出生地：山西

年龄：46

现住址：北京

民族：汉。

患者于半年前无明显诱因渐出现口干、多尿，小便8-10次/日，体重迅速减轻，当时测血糖15mmol/l，医院诊断为胰腺坏死，后予以注射胰岛素60各单位分3次/日降糖，未能按时按量服药，血糖控制情况不详，未予以系统治疗及定期监测血糖。半月前感上述症状进一步加重伴四肢麻木、乏力，继续在家注射胰岛素60各单位分3次/日降糖治疗，症状无明显缓解，昨日患者在当地医院测得随机血糖为16mmol/L、餐后18.7mmol/L，建议其住院治疗。查空腹血糖15mmol/L，餐后两小时血糖18.7mmol/L。患者舌质淡，苔白润，脉沉细，观其脉证，此属脾肾两虚之证。患者每天注射60个单位胰岛素，血糖依旧得不到控制。

根据以上患者病历，可以生成关键信息如下：

基础信息：男，46岁，BMI 30

血糖指标：2型，空腹15，餐后18.7

用药量：口服0，胰岛素60单位，非孕妇

问诊信息：舌质淡，苔白润，脉沉细，四肢麻木、乏力。

将以上生成的关键信息中的症状信息进行数字化，可以得到以下信息：

脉象(A)：浮脉(a1)，沉脉(a2)，迟脉(a3)，数脉(a4)，虚脉(a5)，实脉(a6)，滑脉(a7)，洪脉(a8)，细脉(a9)，弦脉(a10)，促脉(a11)，结脉(a12)，代脉(a13)；

舌苔(B)：薄白苔(b1)、舌苔变厚(b2)、舌苔黄(b3)、舌边尖红(b4)、舌苔棕黑(b5)、舌苔深红(b6)、舌苔白厚腻(b7)、舌苔黄厚腻(b8)、舌苔红紫(b9)、舌红无苔(b10)、舌苔光剥舌质淡(b11)。

疼痛(C)：头痛(c1)、胸痛(c2)、胁痛(c3)...

肢体(D)：四肢麻木(d1)、四肢冰冷(d2)、乏力(d3)...

小便(E)：排尿困难(e1)、小便黄(e2)、小便清长(e3)...

大便(F)：便秘(f1)、大便糖稀(f2)、大便干结(f3)...

其他症状也均按上述相似格式组织数据，此处不再一一列出。

将上述症状信息对应的用药信息进行数字化，可以得到以下信息：

以药物为大黄为例，从药典中可以得到大黄功能主治为：主寒热，消食，泻热毒，破积滞，行瘀血。治实热便秘，利水肿，淋浊，溲亦，痈疡肿毒，疔疮，汤火伤。泻热通肠，凉血解毒，逐瘀通经。用于实热便秘、积滞腹痛、泻痢不爽、湿热黄疸。

从以上描述和中医专家指导中，可以总结出：大黄适应症对应的症状数字为：

浮脉(a1)，沉脉(a2)，迟脉(a3)，细脉(a9)，弦脉(a10)，舌苔棕黑(b5)、舌苔深红(b6)、舌苔白厚腻(b7)，舌苔光剥舌质淡(b11)，头痛(c1)，四肢麻木(d1)，乏力(d3)，大便干结(f3)。

大黄适应人群为：男女均可，BMI【16至30】，年龄不超过79岁，1型2型糖尿病均可，空腹血糖不超过16，餐后血糖不超过20，糖尿病用药不限，孕妇禁止使用。

禁忌：孕妇、服用维生素B类、茶碱(茶碱片)、咖啡因。

用量建议：5g

将上述案例中的患者的关键信息进行数字化处理，得到一组向量值，换算成对应向量(B表示基础向量，Sy为中医相关症状向量)，可以得到以下信息：

Sy＝|b11，b7，a2，a9，d1，d3|

根据药物大黄的适用症状，对该药物信息进行数字化处理，可以得到大黄的用药约束条件如下：

基于初始化数据以及后续调整后，对大黄适应症的权重数(权重初始化是值系统刚开始时候，认为大黄适合治疗的症状，数字越大，权重越大。后续每次成功输出一个对应案例，若有使用大黄，则该案例的每一个症状，在大黄这边权重数+1)：

W(a1)＝23

W(a2)＝24

W(a3)＝45

W(a9)＝34

W(a10)＝6

W(b5)＝90

W(b6)＝10

W(b7)＝22

W(b11)＝1

W(c1)＝102

W(d1)＝3

W(f3)＝134

至此，我们可以对这个患者案例，进行大黄适应度计算，具体步骤如下：

第一步，接收患者基础向量B，将基础向量B与大黄的用药约束条件(即B大黄)进行特征向量比较，由于基础向量B(即表征当前患者基础症状信息)均位于所述B大黄向量的约束条件范围内，因而在本次处理建议信息中可以加入大黄作为用药之一。

第二步，计算大黄在这个患者案例中的权重值(即匹配度)。根据患者症状向量Sy中列举的症状对应大黄权重量表(若没有，则权重为0)，得到权重加和：

Sy＝|b11，b7，a2，a9，d1，d3|

W(b11)+W(b7)+W(a2)+W(a9)+W(d1)+W(d3)＝1+22+24+34+3+0＝84

第三步，遍历系统库中的所有中药信息，每一中药信息都按照前两步计算，筛选出符合条件的药物信息(筛选条件为该药物的用药约束条件符合当前患者基础信息)，然后按照权重排序，得到权重最高的12种(在其他实施例中，筛选的药物数量还可以为其他数字)中药。

第四步，在12种中药中，系统会继续判断当前药物处理信息中是否存在禁忌冲突的中药，若存在，则去掉权重较低的中药，保留权重较高的中药。禁忌冲突用药可以根据患者信息，事先存储于系统数据库中，例如孕妇禁忌大黄，当患者信息为孕妇时，则大黄为禁忌用药。

第五步，各个中药确定后，可以调取数据库中存储的各中药对应的建议用量信息，结合所述建议用量信息生成处理建议得到基础方，并将所述基础方发送给第二用户终端所在的上级医生。

第六步，上级医生在察看所述基础方后进行调整，输出调整后得到的最终处方，根据所述最终处方上的药物信息，结合本次案例的患者症状，在用药的适应症权重上加1。例如，假设本次最终处方中有大黄，则系统认为大黄适应该患者所有症状，则大黄的症状权重变化为：

W(b11)+1＝1+1＝2

W(b7)+1＝22+1＝23

W(a2)+1＝24+1＝25

W(a9)+1＝34+1＝35

W(d1)+1＝3+1＝4

W(d3)+1＝0+1＝1

由于权重值的增加，在下一次案例推荐时，将提升大黄在这类案例中权重，有助于优先输出大黄。

人工智能(Artificial Intelligence，AI)的发展异常迅速，理论和技术日益成熟，应用领域也不断扩大。人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。机器学习是人工智能的实现方法，它是研究如何使用机器来模拟人类学习活动的一门学科。机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务、硬编码的软件程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。

下面结合具体的患者实例进行举例说明。

患者实例：

患者姓名：秦某某；职业：xx；性别：男；出生地：山西；年龄：46；现住址：北京；民族：汉。

该患者于半年前无明显诱因渐出现口干、多尿，小便8-10次/日，体重迅速减轻，当时测血糖15mmol/L，医院诊断为胰腺坏死，后予以注射胰岛素60各单位分3次/日降糖，未能按时按量服药，血糖控制情况不详，未予以系统治疗及定期监测血糖。半月前患者感觉上述症状进一步加重，伴四肢麻木、乏力，继续在家注射胰岛素60各单位分3次/日降糖治疗，症状无明显缓解

在使用本发明实施例提供的基于人工智能的用药处方建议推送方法对该患者开具用药处方建议的前一日，患者在当地医院测得随机血糖为16mmol/L、餐后18.7mmol/L，建议其住院治疗。查空腹血糖15mmol/L，餐后两小时血糖18.7mmol/L。患者舌质淡，苔白润，脉沉细，观其脉证，此属脾肾两虚之证。并且，该患者此前每天注射60个单位胰岛素，血糖依旧得不到控制。

根据该患者主述及其中医特征，下级主治医师判断患者的糖尿病类型(八方辩证)，通过第一用户终端提交开处方请求，开处方请求中包含了上述患者标识信息以及患者当前病情信息；服务器采集并记录开处方请求中的各类信息，并将这些信息存储为患者病历信息。

其中，患者标识信息以及患者当前病情信息如下：

基础信息：男，46岁，BMI 30；

血糖指标：2型，空腹15，餐后18.7；

用药量：胰岛素60单位/每天；

病症信息：舌质淡，苔白润，脉沉细，四肢麻木、乏力。

由于该患者患有2型糖尿病，且病症为舌质淡，苔白润，脉沉细，四肢麻木、乏力，在八方辩证中，属于第一类：清热泻火、生津止渴法(上消症状明显)。基于中药信息知识库内存储的内容，服务器对上述患者标识信息、患者当前病情信息进行特征向量计算，生成处方建议信息，并将所述处方建议信息推送给第二用户终端。其中，服务器推荐的主要方药为：石膏、知母、甘草、粳米。由于该患者同时具有四肢麻木的情况，服务器推荐可选用豨莶草、鸡血藤、桑枝、姜黄或选用黄芪桂枝五物汤。因此，生成的处方建议信息中的第一个处方建议为石膏、知母、甘草、粳米、黄芪桂枝五物汤。

以上患者案例中，服务器输出的处方建议信息为：

诊断：消渴症，脾肾阳虚；

第一个处方建议：石膏、知母、甘草、粳米、黄芪桂枝五物汤；

第一个备选处方建议：石膏、知母、甘草、粳米、豨莶草；

第二个备选处方建议：石膏、知母、甘草、粳米、鸡血藤；

第三个备选处方建议：石膏、知母、甘草、粳米、桑枝；

第四个备选处方建议：石膏、知母、甘草、粳米、姜黄；

中药：七味白术散合金匮肾气丸加减；

饮食建议：合理膳食及山高汤标准食疗。

接着，通过第二用户终端，专家医生收到该处方建议信息并进行审核，未作调整，故将该处方建议信息推送至第一用户终端。

接着，下级主治医师通过第一用户终端获得上述处方建议，并嘱咐患者根据上述处方建议信息中的第一个处方建议进行用药，并通过患者的反馈情况，详细记录用药过程中患者的数据变化及主观反馈，以形成用药反馈信息。

患者服药3天后，患者反馈四肢麻木有所好转，不过腰疼加重，且经检测患者的血糖值有明显下降。下级主治医师将该用药反馈信息随同第二次开处方请求一并提交。

服务器对患者的历史处方信息、患者当前病情信息以及用药反馈信息进行特征向量计算，调整历史处方信息中的药物配伍和各药物的用量，生成处方建议信息。调整后的处方建议为：石膏、知母、甘草、粳米、破故纸、桑寄生、独活(由于患者的血糖值有明显下降，故相比于历史处方建议，该处方建议中石膏、知母的用量相应减少)。

在上述案例中，由于患者反馈四肢麻木有所好转，表明“黄芪桂枝五物汤”在“2型糖尿病，四肢麻木”的清热泻火、生津止渴法(上消症状明显)的病人具有较好的效果。因此，基于该用药反馈信息，服务器强化了“黄芪桂枝五物汤”在算法中的权重，而备选处方建议中的其他治疗“四肢麻木”的用药，如豨莶草、鸡血藤、桑枝，的权重不变。

此外，假设该患者在根据第一个处方建议用药后，反馈的是“四肢麻木”等症状未见明显减轻或者加重。那么，基于该用药反馈信息，服务器将调整处方建议，尝试使用第一备选处方建议中的豨莶草，同时降低“黄芪桂枝五物汤”在后续这类患者的用药权重。

本发明另一实施例还提供了一种基于人工智能的用药处方建议推送系统。所述系统包括第一用户终端、第二用户终端以及服务器，第一用户终端和第二用户终端与服务器之间通过无线通信连接，形成一个基于人工智能的用药处方建议推送的网络系统，用于执行如前文实施例所述的方法。

具体的，第一用户终端包括第一存储介质，第一存储介质中有第一计算机程序，第一计算机程序被处理器执行时实现以下步骤：向服务器发送开处方请求，所述开处方请求包含患者标识信息和患者当前病情信息。

在某些实施例中，第一计算机程序被处理器执行步骤“根据所述患者标识信息获取患者病历信息”之前，还包括执行以下步骤：

对所述患者标识信息进行预处理，所述预处理包括：筛选排除不符合预设基础信息标准范围的患者标识信息。

服务器包括第二存储介质，第二存储介质中有第二计算机程序，第二计算机程序被处理器执行时实现以下步骤：

根据所述患者标识信息获取患者病历信息；

对所述患者病历信息和所述患者当前病情信息进行特征向量计算，生成处方建议信息；

将所述处方建议信息推送给第二用户终端。

在某些实施例中，第二计算机程序被处理器执行步骤“对所述患者病历信息和所述患者当前病情信息进行特征向量计算，生成相应的处方建议信息”时，包括执行以下步骤：

根据所述历史处方信息、所述患者当前病情信息以及所述用药反馈信息，生成多个特征向量；

对所述多个特征向量进行计算，不断调整所述历史处方信息中的药物配伍和各药物的用量，生成处方建议信息。

在某些实施例中，第二计算机程序被处理器执行时，还实现以下步骤：检查所述患者当前病情信息和所述用药反馈信息是否符合预设标准格式，若否，向第二用户终端发出“信息不符合预设标准格式”的提示信息。

在某些实施例中，第二计算机程序被处理器执行时，还实现以下步骤：向第二用户终端发出“请上级专家查看最新患者信息”的提示信息。所述最新患者信息包括最近更新的患者标识信息、患者当前病情信息以及患者用药反馈信息。

在某些实施例中，第二计算机程序被处理器执行步骤“对所述多个特征向量进行计算，不断调整所述历史处方信息中的药物配伍和各药物的用量”时，包括执行以下步骤：

检测调整后的各药物的用量是否符合预设标准值，若是则生成处方建议信息，否则发出提示信息；其中，步骤“检测调整后的各药物的用量是否符合预设标准值”具体包括：判断调整后的处方建议信息中各个药物的用量是否位于预设标准用量范围之内。

在某些实施例中，第二计算机程序被处理器执行步骤“判断调整后的处方建议信息中各个药物的用量是否位于预设标准用量范围之内”时，包括执行以下步骤：当判断结果总是为“无法符合预设标准用量”时，向第二用户终端发送“由于该类症候系统数据不足，无法生成建议处方，请直接开具处方”的提示。

在某些实施例中，第二计算机程序被处理器执行步骤“对所述多个特征向量进行计算，不断调整所述历史处方信息中的药物配伍和各药物的用量，生成处方建议信息”之前，还包括执行以下步骤：

对多个特征向量进行降维处理，再基于降维后形成的向量矩阵进行计算，不断调整所述历史处方信息中的药物配伍和各药物的用量，生成处方建议信息。

第二用户终端包括第三存储介质，第三存储介质中有第三计算机程序，第三计算机程序被处理器执行时实现以下步骤：接收处方建议信息并确定是否对其进行调整，若是则将调整后的处方建议信息发送给第一用户终端，否则将从服务器接收到的处方建议信息发送给第一用户终端。

在某些实施例中，第三计算机程序被处理器执行时，还实现以下步骤：采集上传的专家处方，并发送给服务器。

在某些实施例中，第二计算机程序被处理器执行时，还实现以下步骤：接收第第二用户终端发送的所述专家处方，并将所述专家处方存储至第二存储介质中。

上述技术方案，借助互联网工具，可以实现不同用户终端的跨地域协作，共同服务患者，极大减少时间空间对治疗患者的限制；基于人工智能算法(AI)和服务器中存储的大量患者病历信息以及中药信息知识库，根据患者当前病情信息，可以自动为医生提供用药处方建议；并且，第二用户终端可以对服务器生成的处方建议进行调整、审核，快速转化为患者实际执行处方，减轻了医生重新思考处方、重复输入处方的工作。并且，在上级专家的远程协助下，下级主治医师可以极大的提升治疗患者的能力和效率，从而大大减轻专家医生的工作量；同时，根据每一次处方的患者反馈信息，可以逐步提高服务器推荐处方的准确率和处方的实际疗效。

需要说明的是，虽然若干具体实现方式的细节在上面的讨论中被包含，但是这些不应被解释为对本发明的范围的任何限制，而是特征的描述仅是针对具体实施例。在分离的一些实施例中描述的某些特征也可以在单个实施例中组合地执行。相反的，在单个实施例中描述的各种特征也可以在多个实施例中分离地实施或是以任何合适的子组合的方式实施。

除上述以外，还需要说明的是在本说明书中所谈到的“一实施例”、“某些实施例”、“实施例”等，指的是结合该实施例描述的具体特征、结构或者特点包括在本申请概括性描述的至少一个实施例中。在说明书中多个地方出现同种表述不是一定指的是同一个实施例。进一步来说，结合任一实施例描述一个具体特征、结构或者特点时，所要主张的是结合其他实施例来实现这种特征、结构或者特点也落在本发明的范围内。

最后需要说明的是，尽管在本文中已经对上述各实施例进行了描述，但并非因此限制本发明的专利保护范围。因此，基于本发明的创新理念，对本文所述实施例进行的变更和修改，或利用本发明说明书及附图内容所作的等效结构或等效流程变换，直接或间接地将以上技术方案运用在其他相关的技术领域，均包括在本发明的专利保护范围之内。

Claims (9)

1.一种基于人工智能的用药处方建议推送方法，其特征在于，所述方法包括以下步骤：

S1：第一用户终端向服务器发送开处方请求，所述开处方请求包含患者标识信息和患者当前病情信息；

S2：服务器接收所述开处方请求，根据所述患者标识信息获取患者病历信息，对所述患者病历信息和所述患者当前病情信息进行特征向量计算，生成处方建议信息，并将所述处方建议信息推送给第二用户终端；

S3：第二用户终端接收处方建议信息并确定是否对其进行调整，若是则将调整后的处方建议信息发送给第一用户终端，否则将从服务器接收到的处方建议信息发送给第一用户终端。

2.如权利要求1所述的基于人工智能的用药处方建议推送方法，其特征在于，所述开处方请求还包含用药反馈信息，所述患者病历信息包括历史处方信息；所述“对所述患者病历信息和所述患者当前病情信息进行特征向量计算，生成相应的处方建议信息”包括：

根据所述历史处方信息、所述患者当前病情信息以及所述用药反馈信息，生成多个特征向量；

对所述多个特征向量进行计算，不断调整所述历史处方信息中的药物配伍和各药物的用量，生成处方建议信息。

3.如权利要求2所述的基于人工智能的用药处方建议推送方法，其特征在于，“对所述多个特征向量进行计算，不断调整所述历史处方信息中的药物配伍和各药物的用量”包括：

检测调整后的各药物的用量是否符合预设标准值，若是则生成处方建议信息，否则发出提示信息；

其中，“检测调整后的各药物的用量是否符合预设标准值”具体包括：判断调整后的处方建议信息中各个药物的用量是否位于预设标准用量范围之内。

4.如权利要求2所述的基于人工智能的用药处方建议推送方法，其特征在于，“根据所述患者标识信息获取患者病历信息”之前还包括：

对所述患者标识信息进行预处理，所述预处理包括：筛选排除不符合预设基础信息标准范围的患者标识信息。

5.如权利要求1至4任一项所述的基于人工智能的用药处方建议推送方法，其特征在于，“对所述患者病历信息和所述患者当前病情信息进行特征向量计算”包括：

根据患者病历信息，生成基础特征向量；

判断所述基础特征向量是否在某一药物的所有用药约束条件，若是则将该药物信息加入所述处方建议信息中。

6.如权利要求5所述的基于人工智能的用药处方建议推送方法，其特征在于，所述方法还包括：

遍历所有药物，记录所有基础特征向量符合用药约束条件对应的药物，并将权重值排名靠前的预设数量的药物信息加入所述处理建议信息中。

7.如权利要求6所述的基于人工智能的用药处方建议推送方法，其特征在于，所述方法还包括：

判断所述排名靠前的预设数量的药物信息是否存在禁忌冲突用药，若是则从所述处理建议信息中删除所述禁忌冲突用药，并保留删除后剩下的权重值排名靠前的。

8.如权利要求6或7所述的基于人工智能的用药处方建议推送方法，其特征在于，药物信息的权重值根据以下方式确定：

每一药物信息配置有相对应的基础权重值，当某一药物被加入到处理建议信息时，则按梯度增大当前药物信息对应的权重值；或者，接收所述第二用户终端发出的权重调整指令，调整当前药物信息对应的权重值。

9.一种基于人工智能的用药处方建议推送系统，其特征在于，所述系统用于执行如权利要求1至8任一项所述的方法。

Images