CN112233753A - 基于多源异质数据的临床用药推荐方法 - Google Patents

基于多源异质数据的临床用药推荐方法 Download PDF

Info

Publication number
CN112233753A
CN112233753A CN202010979686.9A CN202010979686A CN112233753A CN 112233753 A CN112233753 A CN 112233753A CN 202010979686 A CN202010979686 A CN 202010979686A CN 112233753 A CN112233753 A CN 112233753A
Authority
CN
China
Prior art keywords
information
data
sequence
source heterogeneous
representation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010979686.9A
Other languages
English (en)
Inventor
金博
安洋
魏小鹏
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.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
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 Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN202010979686.9A priority Critical patent/CN112233753A/zh
Publication of CN112233753A publication Critical patent/CN112233753A/zh
Pending legal-status Critical Current

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
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G16H50/70—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)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Computational Linguistics (AREA)
  • Pathology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Medicinal Chemistry (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开了一种基于多源异质数据的临床用药推荐方法，所述多源异质数据包括人信息数据包括患者年龄、性别、民族和教育，以及主要诊断信息；其中，所述主要诊断信息视作静态信息，所述序列性检查检验结果和治疗药物视为异构序列数据；所述临床用药智能推荐方法是将所得到的多源异质数据输入到模型融合网络中利用深度学习技术学习得到综合的病人表示信息。

Description

基于多源异质数据的临床用药推荐方法
技术领域
本发明涉及医学临床用药方法领域，更具体地说，涉及一种基于多源异质数据的临床用药推荐方法。
背景技术
基于健康医疗大数据的临床决策支持系统可为医务工作者、病人或任何个人提供知识、特定个体或人群信息，智能化的过滤和表达信息，为的是提供更好的健康、诊疗和公共卫生服务,使临床医疗达到最佳疗效。而治疗用药决策作为临床决策的重要组成部分，其可根据历史医疗健康大数据来辅助医生更加高效地选择和制定有益于病人的最佳治疗方案和用药组合，从而可更好的缓解医疗资源欠缺的现状。医疗大数据具有数据量大、实时性强、种类多样和潜在价值高四个大数据的特点，使得潜在价值挖掘的背后暗含着巨大的挑战。比如，医疗健康大数据(如电子病历数据)中包含着大量的多元异构以及多模态数据，比如电子病历数据中包含着病人个人信息、历史用药数据、历史检查检验等异质性数据。且此类数据又具有一定的相互关联性和时序复杂性。如何合理高效的通过智能决策算法方法对这些异质型的相关联的多源数据进行分析处理，并对临床用药规律进行智能化学习和判断，从而辅助医生为病人提供最有效的治疗方案或者治疗用药。基于以上问题，我们提出了基于多源异质数据的临床用药推荐方法。
发明内容
本发明针对如何合理高效的通过智能决策算法方法对这些异质型的相关联的多源数据进行分析处理，并对临床用药规律进行智能化学习和判断，从而辅助医生为病人提供最有效的治疗方案或者治疗用药的问题，提供一种基于多源异质数据的临床用药推荐方法。
为了达到上述目的，本发明提供了一种基于多源异质数据的临床用药推荐方法，所述多源异质数据包括人信息数据包括患者年龄、性别、民族和教育，以及主要诊断信息；其中，所述主要诊断信息视作静态信息，所述序列性检查检验结果和治疗药物视为异构序列数据；所述临床用药智能推荐方法是将所得到的多源异质数据输入到模型融合网络中利用深度学习技术学习得到综合的病人表示信息，具体步骤如下：
S1、通过双通道的长短时记忆网络分别对于实验检查序列和用药序列进行编码得到每个时刻的对应表示向量
Figure BDA0002687079520000021
和
Figure BDA0002687079520000022
S2、将S1中所述的表示向量
Figure BDA0002687079520000023
和
Figure BDA0002687079520000024
同时输入到元型网络AT-MetaNet中，得到带有双通道异质信息的元向量；
S3、根据S2中所述的表示信息对于未来用药推荐决策的重要程度，通过注意力机制得到药物表示和实验检查表示的上下文向量
Figure BDA0002687079520000025
和
Figure BDA0002687079520000026
通过多层感知机得到个人信息的表示向量hs，以及当前时刻的
Figure BDA0002687079520000027
和
Figure BDA0002687079520000028
S4、将S3中所述的表示信息结合到一起后，通过一个多层感知机网络得到病人的表示信息op；
S5、再通过分类函数Softmax获得病人未来需要的药物的概率。
优选的是，对多源数据进行融合的过程中，除了采取对长短时记忆网络设计动态参数的方法，还可以采取非动态参数的方法。
优选的是，所述多源异质时间序列数据用药序列和检查检验序列对于未来用药进行预测，可以用单一序列结合个人信息的方式替换。
本发明的其优点为：(1)可以将电子病历数据中的多源异质数据相融合；(2)设计出的基于元学习的算法动态更新双通道网络，可以实现基于时刻的个性化用药推荐；(3)通过多重注意力机制可以衡量历史信息对于未来药物推荐的重要性，以此可增强模型的可信度。(4)数据融合阶段采用了普通连接层，使得网络易于扩展融合其他异质信息。
附图说明
图1是本发明中所述电子病历中的异质相关序列数据示意图。
图2是本发明中基于多源异质数据融合的用药推荐方法示意图。
具体实施方式
如图1-图2所示，本发明一种基于多源异质数据的临床用药推荐方法，所述多源异质数据包括人信息数据包括患者年龄、性别、民族和教育，以及主要诊断信息；其中，所述主要诊断信息视作静态信息，所述序列性检查检验结果和治疗药物视为异构序列数据；所述临床用药智能推荐方法是将所得到的多源异质数据输入到模型融合网络中利用深度学习技术学习得到综合的病人表示信息，具体步骤如下：
S1、通过双通道的长短时记忆网络分别对于实验检查序列和用药序列进行编码得到每个时刻的对应表示向量
Figure BDA0002687079520000031
和
Figure BDA0002687079520000032
S2、将S1中所述的表示向量
Figure BDA0002687079520000033
和
Figure BDA0002687079520000034
同时输入到元型网络AT-MetaNet中，得到带有双通道异质信息的元向量；基于元向量，我们可以构建拥有动态参数的长短时记忆网络LSTM。从而学习到针对性更强的依赖于当前时刻的表示信息。
S3、根据S2中所述的表示信息对于未来用药推荐决策的重要程度，通过注意力机制得到药物表示和实验检查表示的上下文向量
Figure BDA0002687079520000035
和
Figure BDA0002687079520000036
通过多层感知机得到个人信息的表示向量hs，以及当前时刻的
Figure BDA0002687079520000037
和
Figure BDA0002687079520000038
S4、将S3中所述的表示信息结合到一起后，通过一个多层感知机网络得到病人的表示信息op；
S5、再通过分类函数Softmax获得病人未来需要的药物的概率。
对多源数据进行融合的过程中，除了采取对长短时记忆网络设计动态参数的方法，还可以采取非动态参数的方法。所述多源异质时间序列数据用药序列和检查检验序列对于未来用药进行预测，可以用单一序列结合个人信息的方式替换。本发明在对多源数据进行融合的过程中，除了采取对长短时记忆网络设计动态参数的方法，还可以采取非动态参数的方法。除了同时使用多源异质时间序列数据用药序列和检查检验序列，还可以只使用单一序列结合个人信息的方式对于未来用药进行预测。在数据融合阶段，采取了将多种异质数据进行合并的方式进行融合，还可以采取使用注意力机制的方式基于重要性程度再进行结合的方法。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (3)

1.一种基于多源异质数据的临床用药推荐方法，所述多源异质数据包括人信息数据包括患者年龄、性别、民族和教育，以及主要诊断信息；其中，所述主要诊断信息视作静态信息，所述序列性检查检验结果和治疗药物视为异构序列数据；其特征在于，所述临床用药智能推荐方法是将所得到的多源异质数据输入到模型融合网络中利用深度学习技术学习得到综合的病人表示信息，具体步骤如下：
S1、通过双通道的长短时记忆网络分别对于实验检查序列和用药序列进行编码得到每个时刻的对应表示向量
Figure FDA0002687079510000011
和
Figure FDA0002687079510000012
S2、将S1中所述的表示向量
Figure FDA0002687079510000013
和
Figure FDA0002687079510000014
同时输入到元型网络AT-MetaNet中，得到带有双通道异质信息的元向量；
S3、根据S2中所述的表示信息对于未来用药推荐决策的重要程度，通过注意力机制得到药物表示和实验检查表示的上下文向量
Figure FDA0002687079510000015
和
Figure FDA0002687079510000016
通过多层感知机得到个人信息的表示向量hs，以及当前时刻的
Figure FDA0002687079510000017
和
Figure FDA0002687079510000018
S4、将S3中所述的表示信息结合到一起后，通过一个多层感知机网络得到病人的表示信息op；
S5、再通过分类函数Softmax获得病人未来需要的药物的概率。
2.根据权利要求1所述的基于多源异质数据的临床用药推荐方法，其特征在于，对多源数据进行融合的过程中，除了采取对长短时记忆网络设计动态参数的方法，还可以采取非动态参数的方法。
3.根据权利要求1所述的基于多源异质数据的临床用药推荐方法，其特征在于，所述多源异质时间序列数据用药序列和检查检验序列对于未来用药进行预测，可以用单一序列结合个人信息的方式替换。
CN202010979686.9A 2020-09-17 2020-09-17 基于多源异质数据的临床用药推荐方法 Pending CN112233753A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010979686.9A CN112233753A (zh) 2020-09-17 2020-09-17 基于多源异质数据的临床用药推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010979686.9A CN112233753A (zh) 2020-09-17 2020-09-17 基于多源异质数据的临床用药推荐方法

Publications (1)

Publication Number Publication Date
CN112233753A true CN112233753A (zh) 2021-01-15

Family

ID=74107899

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010979686.9A Pending CN112233753A (zh) 2020-09-17 2020-09-17 基于多源异质数据的临床用药推荐方法

Country Status (1)

Country Link
CN (1) CN112233753A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113010783A (zh) * 2021-03-17 2021-06-22 华南理工大学 基于多模态心血管疾病信息的医疗推荐方法、系统及介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113010783A (zh) * 2021-03-17 2021-06-22 华南理工大学 基于多模态心血管疾病信息的医疗推荐方法、系统及介质

Similar Documents

Publication Publication Date Title
Xie et al. Multi-disease prediction based on deep learning: a survey
Sharma et al. A smart ontology-based IoT framework for remote patient monitoring
US20170147777A1 (en) Method and apparatus for predicting health data value through generation of health data pattern
Ng et al. The role of artificial intelligence in enhancing clinical nursing care: A scoping review
WO2017147552A9 (en) Multi-format, multi-domain and multi-algorithm metalearner system and method for monitoring human health, and deriving health status and trajectory
Vancea et al. Population aging in the European Information Societies: towards a comprehensive research Agenda in eHealth innovations for elderly
Chatterjee et al. Internet of things for a smart and ubiquitous ehealth system
Pal et al. Deep learning techniques for prediction and diagnosis of diabetes mellitus
Ali et al. Multitask deep learning for cost-effective prediction of patient's length of stay and readmission state using multimodal physical activity sensory data
Liu et al. Measuring depression severity based on facial expression and body movement using deep convolutional neural network
US20240138780A1 (en) Digital kiosk for performing integrative analysis of health and disease condition and method thereof
Shafqat et al. SmartHealth: IoT-enabled context-aware 5G ambient cloud platform
Zhang et al. Video based cocktail causal container for blood pressure classification and blood glucose prediction
Tenepalli et al. A systematic review on IoT and machine learning algorithms in e-healthcare
CN112233753A (zh) 基于多源异质数据的临床用药推荐方法
CN117316451A (zh) 基于多模态数据驱动的医疗风险评估与预警方法
Ivanovic et al. Influence of artificial intelligence on personalized medical predictions, interventions and quality of life issues
Sherimon et al. Ontology driven analysis and prediction of patient risk in diabetes
Rangareddy et al. Artificial intelligence and healthcare
Sarawgi Uncertainty-aware ensembling in multi-modal ai and its applications in digital health for neurodegenerative disorders
Ivanovic Role of artificial intelligence in medical predictions, interventions and quality of life
Poli et al. Cross-Domain Classification of Physical Activity Intensity: An EDA-Based Approach Validated by Wrist-Measured Acceleration and Physiological Data
Huang et al. Personalized disease treatment plan suggestion system based on big data and knowledge base
Wahab Sait et al. Ensemble Learning-Based Pain Intensity Identification Model Using Facial Expressions
Feng et al. Geriatric disease reasoning based on knowledge graph

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210115