CN112309565A - 用于匹配药品信息和病症信息的方法、装置、电子设备和介质 - Google Patents
用于匹配药品信息和病症信息的方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN112309565A CN112309565A CN202010884321.8A CN202010884321A CN112309565A CN 112309565 A CN112309565 A CN 112309565A CN 202010884321 A CN202010884321 A CN 202010884321A CN 112309565 A CN112309565 A CN 112309565A
- Authority
- CN
- China
- Prior art keywords
- information
- matched
- disease
- medicine
- 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.)
- Pending
Links
- 239000003814 drug Substances 0.000 title claims abstract description 289
- 229940079593 drug Drugs 0.000 title claims abstract description 141
- 238000000034 method Methods 0.000 title claims abstract description 61
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 211
- 201000010099 disease Diseases 0.000 claims abstract description 186
- 239000013598 vector Substances 0.000 claims abstract description 96
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000011524 similarity measure Methods 0.000 claims abstract description 16
- 238000005259 measurement Methods 0.000 claims abstract description 14
- 208000024891 symptom Diseases 0.000 claims description 33
- 238000012550 audit Methods 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010845 search algorithm Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000005295 random walk Methods 0.000 claims description 4
- 208000011580 syndromic disease Diseases 0.000 claims description 4
- 238000012552 review Methods 0.000 claims description 3
- 208000035475 disorder Diseases 0.000 description 22
- 238000010586 diagram Methods 0.000 description 10
- 239000003795 chemical substances by application Substances 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 208000004998 Abdominal Pain Diseases 0.000 description 2
- 206010011224 Cough Diseases 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 206010019233 Headaches Diseases 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 206010057190 Respiratory tract infections Diseases 0.000 description 1
- 206010046306 Upper respiratory tract infection Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 206010016256 fatigue Diseases 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
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
- 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
-
- 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
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Pharmacology & Pharmacy (AREA)
- Toxicology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本公开的实施例公开了用于匹配药品信息和病症信息的方法、装置、电子设备和介质。该方法的一具体实施方式包括：获取待匹配药品信息和对应的待匹配病症信息；利用预先训练的向量生成模型提取该待匹配药品信息和该待匹配病症信息分别对应的待匹配药品向量和待匹配病症向量，其中，该向量生成模型基于训练样本训练得到，该训练样本包括由药品信息以及与该药品信息相关联的病症信息组成的序列；确定该待匹配药品向量和该待匹配病症向量之间的相似性度量；根据该相似性度量，生成用于指示该待匹配药品信息和该待匹配病症信息是否匹配的匹配结果。该实施方式提升了匹配方法的泛化能力和效率。
Description
技术领域
本公开的实施例涉及计算机技术领域，具体涉及用于匹配药品信息和病症信息的方法、装置、电子设备和介质。
背景技术
随着互联网技术的发展，人工智能技术在智慧医疗领域的应用也越来越广泛。针对海量的药品信息以及病症信息，现有技术通常是基于人工维护的匹配规则或药品的说明书中对适应证的描述与待匹配的病症信息进行匹配。
然而，随着医疗技术的发展，仅仅依靠上述方式并不能解决诸如超说明书范围但仍然合理的药症匹配关系的确定、药品说明书中未涵盖新的病症术语、病症同义词等问题。并且依靠人工来维护匹配规则需要耗费大量人力，效率不高。
发明内容
本公开的实施例提出了用于匹配药品信息和病症信息的方法、装置、电子设备和介质。
第一方面，本公开的实施例提供了一种用于匹配药品信息和病症信息的方法，该方法包括：获取待匹配药品信息和对应的待匹配病症信息；利用预先训练的向量生成模型提取待匹配药品信息和待匹配病症信息分别对应的待匹配药品向量和待匹配病症向量，其中，向量生成模型基于训练样本训练得到，训练样本包括由药品信息以及与药品信息相关联的病症信息组成的序列；确定待匹配药品向量和待匹配病症向量之间的相似性度量；根据相似性度量，生成用于指示待匹配药品信息和待匹配病症信息是否匹配的匹配结果。
第二方面，本公开的实施例提供了一种用于匹配药品信息和病症信息的装置，该装置包括：获取单元，被配置成获取待匹配药品信息和对应的待匹配病症信息；提取单元，被配置成利用预先训练的向量生成模型提取待匹配药品信息和待匹配病症信息分别对应的待匹配药品向量和待匹配病症向量，其中，向量生成模型基于训练样本训练得到，训练样本包括由药品信息以及与药品信息相关联的病症信息组成的序列；确定单元，被配置成确定待匹配药品向量和待匹配病症向量之间的相似性度量；第一生成单元，被配置成根据相似性度量，生成用于指示待匹配药品信息和待匹配病症信息是否匹配的匹配结果。
第三方面，本公开的实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开的实施例提供的用于匹配药品信息和病症信息的方法、装置、电子设备和介质，通过预先训练的向量生成模型提取待匹配药品信息和待匹配病症信息分别对应的待匹配药品向量和待匹配病症向量，并通过向量之间的相似性度量确定待匹配药品信息和对应的待匹配病症信息之间是否匹配。由于向量生成模型通过由药品信息以及与药品信息相关联的病症信息组成的序列训练得到，因而能够学习到药品信息与病症信息之间的匹配关系。实现了利用历史数据而非机械地照搬药品说明书对药品信息和病症信息进行匹配，从而提升了匹配方法的泛化能力。并且，通过对历史数据的学习不断优化向量生成模型，也减少了人工维护成本，提高了药品信息和病症信息的匹配效率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：
图1是本公开的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本公开的用于匹配药品信息和病症信息的方法的一个实施例的流程图；
图3是根据本公开的实施例的用于匹配药品信息和病症信息的方法的一个应用场景的示意图；
图4是根据本公开的用于匹配药品信息和病症信息的方法的又一个实施例的流程图；
图5是根据本公开的用于匹配药品信息和病症信息的装置的一个实施例的结构示意图；
图6是适于用来实现本公开的实施例的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的用于匹配药品信息和病症信息的方法或用于匹配药品信息和病症信息的装置的示例性架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、数据库类应用、处方审核类应用等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏并且支持人机交互的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如为终端设备101、102、103上处方审核类应用提供支持的后台服务器。后台服务器可以对接收到的待匹配药品信息和对应的待匹配病症信息进行分析处理，并生成用于指示待匹配药品信息和待匹配病症信息是否匹配的匹配结果，还可以将生成的匹配结果反馈给终端设备。
需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本公开的实施例所提供的用于匹配药品信息和病症信息的方法一般由服务器105执行，相应地，用于匹配药品信息和病症信息的装置一般设置于服务器105中。可选地，在满足计算能力的条件下，本申请实施例所提供的用于匹配药品信息和病症信息的方法也可以由终端设备101、102、103执行，相应地，用于匹配药品信息和病症信息的装置也可以设置于终端设备101、102、103中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本公开的用于匹配药品信息和病症信息的方法的一个实施例的流程200。该用于匹配药品信息和病症信息的方法包括以下步骤：
步骤201，获取待匹配药品信息和对应的待匹配病症信息。
在本实施例中，用于匹配药品信息和病症信息的方法的执行主体(如图1所示的服务器105)可以通过有线连接方式或者无线连接方式获取待匹配药品信息和对应的待匹配病症信息。作为示例，上述执行主体可以从本地或通信连接的电子设备(例如数据库服务器或图1所示的终端设备101、102、103)获取上述待匹配药品信息和对应的待匹配病症信息。其中，上述待匹配药品信息可以包括各种用于标识药品的信息。其可以包括但不限于以下至少一项：药品的名称，药品的简称、药品标识型代码(例如国家药品编码)。上述待匹配病症信息可以包括各种用于标识病症的信息。其可以包括但不限于以下至少一项：病症的名称，病症的简称，病症的俗称，病症的代号。
步骤202，利用预先训练的向量生成模型提取待匹配药品信息和待匹配病症信息分别对应的待匹配药品向量和待匹配病症向量。
在本实施例中，上述执行主体可以利用预先训练的向量生成模型提取步骤201所获取的待匹配药品信息和待匹配病症信息分别对应的待匹配药品向量和待匹配病症向量。具体地，上述执行主体可以分别将步骤201所获取的待匹配药品信息和待匹配病症信息输入至上述预先训练的向量生成模型，得到与上述输入的待匹配药品信息和待匹配病症信息分别对应的待匹配药品向量和待匹配病症向量。其中，上述向量生成模型可以基于训练样本训练得到。上述训练样本可以包括由药品信息以及与上述药品信息相关联的病症信息组成的序列。其中，上述相关联可以包括存在治疗关系，也可以包括在历史处方中同时出现过，还可以包括根据预设规则而生成的关系。作为示例，上述训练样本可以包括“疾病1，药品x，药品y，疾病3”，“药品m，疾病8，药品y，疾病4，疾病2”。
在本实施例中，用于训练上述向量生成模型的方法的执行主体可以首先获取初始向量生成模型。其中，上述初始向量生成模型可以包括各种用于向量生成的深度神经网络(Deep Neural Networks,DNN)。而后，上述执行主体可以获取如前所述的训练样本。之后，上述执行主体可以采用机器学习方式，利用上述训练样本对上述初始向量生成模型的网络参数进行调整，并在满足训练结束条件的情况下结束训练，从而将参数调整后所得到的模型确定为上述向量生成模型。作为示例，上述初始向量生成模型可以是word2vec模型。从而，上述执行主体可以利用上述训练样本采用CBOW(Continuous Bag-of-Words Model，连续词袋模型)或Skip-gram(Continuous Skip-gram Model，连续跳字模型)方式训练得到上述向量生成模型。
在本实施例的一些可选的实现方式中，上述由药品信息以及与上述药品信息相关联的病症信息组成的序列通过以下步骤得到：
第一步，获取预设的药症图结构。
在这些实现方式中，用于得到上述序列的方法的执行主体可以通过有线或无线连接的方式从本地或通信连接的电子设备获取上述预设的药症图结构。其中，上述药症图结构中可以包括药品信息节点、病症信息节点和表征节点之间关联程度的边。其中，上述关联程度可以用于指示所连接的节点实体之间的关联性。
可选地，上述节点之间关联程度可以包括以下至少一项：药品信息节点对应的药品分类编码之间的相似性度量，病症信息节点对应的病症分类编码之间的相似性度量，病症信息节点所指示的病症与药品信息节点所指示的药品的适应证之间的匹配关系。其中，上述药品分类编码可以包括但不限于以下至少一项：国际医学统计学会的(AnatomicalClassification，AC)，化学药品(原料、制剂)分类与代码(YY0252-97)。上述病症分类编码可以包括但不限于以下至少一项：中医疾病编码，GB/T14396-2016疾病分类与代码，中医病证编码。上述相似性度量通常可以与上述分类编码相适应。上述药品分类编码和病症分类编码还可以包括通过各种词向量生成模型所得到的向量。作为示例，上述相似性度量可以包括编辑距离、余弦相似度、余弦距离等等。可选地，上述相似性度量可以是进行归一化后的值，例如0～1之间的值。
基于上述可选的实现方式，上述执行主体可以根据相似性度量和匹配关系确定节点之间的关联程度，从而使上述药症图结构能够表示更为丰富的关联信息。
可选地，上述药品分类编码可以包括ATC(Anatomical Therapeutic Chemical，解剖学、治疗学及化学分类)编码。
可选地，上述病症分类编码可以包括ICD编码。其中，上述ICD编码可以包括但不限于以下至少一项：ICD-10疾病编码，ICD-11疾病编码。
可选地，上述病症信息节点所指示的病症与药品信息节点所指示的药品的适应证之间的匹配关系通过以下步骤得到：
S1、获取历史处方信息。
在这些实现方式中，上述执行主体可以通过有线连接或无线连接的方式从本地或通信连接的电子设备(例如数据库服务器)获取历史处方信息。其中，上述历史处方信息中可以包括历史药品信息和至少一个历史病症信息。其中，上述历史药品信息和历史病症信息的数目不做具体限定。作为示例，上述历史处方信息例如可以是“感冒、咳嗽，A药、B药、C药”。
S2、获取历史药品信息对应的药品说明书记载的至少一个适应证分别对应的病症分类编码。
在这些实现方式中，上述执行主体可以通过各种方式获取上述步骤S1所获取的历史药品信息对应的药品说明书记载的至少一个适应证分别对应的病症分类编码。具体地，上述执行主体根据预设的药品信息与药品说明书记载的适应证之间的对应关系表确定历史药品信息对应的药品说明书记载的至少一个适应证。之后，上述执行主体可以根据上述病症分类编码规则获取上述至少一个适应证分别对应的病症分类编码。作为示例，上述A药的药品说明书记载的适应证例如可以为发热、头痛、乏力、上呼吸道感染。上述适应证对应的病症分类编码例如可以是“B99.X02”、“G43.001”、“R53.X02”、“J06.903”(ICD-10疾病编码)。
S3、获取历史处方信息包括的至少一个历史病症信息分别对应的病症分类编码。
在这些实现方式中，上述执行主体可以通过各种方式获取步骤S1所获取的历史触发信息包括的至少一个历史病症信息分别对应的病症分类编码。其中，上述病症分类编码通常与上述适应证对应的病症分类编码的编码规则一致。作为示例，上述感冒、咳嗽对应的病症分类编码例如可以是“J00.X03”、“R05.X01”(ICD-10疾病编码)。
S4、按照最长前缀匹配规则，从所获取的至少一个历史病症信息分别对应的病症分类编码中选取与至少一个适应证分别对应的病症分类编码匹配的历史病症信息作为目标信息。
在这些实现方式中，上述执行主体可以按照最长前缀匹配规则，从步骤S3所获取的至少一个历史病症信息分别对应的病症分类编码中选取与至少一个适应证分别对应的病症分类编码匹配的历史病症信息作为目标信息。作为示例，上述执行主体可以确定“R05.X01”与“R53.X02”的前缀匹配数目为1，“J00.X03”与“J06.903”的前缀匹配数目为2。从而，上述执行主体可以选取“感冒”作为目标信息。
可选地，若最长前缀匹配数目为0，上述执行主体可以确定该历史药品信息与上述至少一个历史病症信息之间不具备匹配关系。
S5、将目标信息与历史药品信息之间的关系确定为病症信息节点所指示的病症与药品信息节点所指示的药品的适应证之间的匹配关系。
在这些实现方式中，上述执行主体可以将上述步骤S4所确定的目标信息与历史药品信息之间的关系确定为病症信息节点所指示的病症与药品信息节点所指示的药品的适应证之间的匹配关系。作为示例，上述执行主体可以确定表征感冒的病症信息节点与表征A药的药品信息节点之间具备上述匹配关系。
基于上述可选的实现方式，上述执行主体可以从历史处方中提取出历史药品信息与历史病症信息之间的匹配关系，从而可以通过大量的历史处方确定出大量的病症信息节点所指示的病症与药品信息节点所指示的药品的适应证之间是否具备匹配关系，进而为药症图的生成提供数据基础。
第二步，根据药症图结构中的边所指示的关联程度，利用图搜索算法生成药症图结构对应的至少一条路径。
在这些实现方式中，根据药症图结构中的边所指示的关联程度，上述执行主体各种利用图搜索算法生成药症图结构对应的至少一条路径。其中，上述图搜索算法例如可以包括深度优先遍历(Depth First Search,DFS)、广度优先遍历(Breath First Search，BFS)等。可选地，上述路径也可以是上述遍历算法所得到的路径的子集。
可选地，根据药症图结构中的边所指示的关联程度，上述执行主体还可以通过以下步骤利用图搜索算法生成药症图结构对应的至少一条路径：
S1、获取预设序列长度。
在这些实现方式中，上述执行主体可以从本地或通信连接的电子设备获取预设序列长度。其中，上述预设序列长度可以是技术人员所预先设定的数值，例如5。可选地，上述所生成的路径的数目也可以预先设定，例如100。
S2、利用随机游走算法生成药症图结构对应的至少一条路径。
在这些实现方式中，上述执行主体可以利用随机游走算法生成药症图结构对应的至少一条路径。其中，上述至少一条路径中的路径所包括的节点的数目与上述预设序列长度一致。作为示例，上述执行主体可以首先随机选取上述药症图结构中的一个节点，并将上述药症图结构中的边所指示的关联程度作为权重挑选下一个节点，以此类推，得到与药症图结构对应的路径。重复上述步骤，可以生成药症图结构对应的多条路径。
第三步，根据所生成的至少一条路径，生成由药症图结构中包括的药品信息节点所指示的药品信息以及与药品信息节点相关联的病症信息节点所指示的病症信息组成的序列。
在这些实现方式中，根据所生成的至少一条路径，上述执行主体可以生成由药症图结构中包括的药品信息节点所指示的药品信息以及与药品信息节点相关联的病症信息节点所指示的病症信息组成的序列。其中，上述序列中所包括的节点的数目通常与上述步骤S1所获取的预设序列长度一致。
需要说明的是，用于得到上述序列的方法的执行主体、用于匹配药品信息和病症信息的方法的执行主体以及用于训练上述向量生成模型的执行主体可以相同或不同，此处不作限定。
步骤203，确定待匹配药品向量和待匹配病症向量之间的相似性度量。
在本实施例中，上述执行主体可以通过各种方式确定上述步骤202所提取的待匹配药品向量和待匹配病症向量之间的相似性度量。其中，上述相似性度量可以包括但不限于以下至少一项：余弦相似度，余弦距离。
步骤204，根据相似性度量，生成用于指示待匹配药品信息和待匹配病症信息是否匹配的匹配结果。
在本实施例中，根据步骤203所确定的相似性度量，上述执行主体可以通过各种方式生成用于指示待匹配药品信息和待匹配病症信息是否匹配的匹配结果。作为示例，响应于确定上述相似性度量所指示的相似性大于预设阈值，生成用于指示上述待匹配药品信息和待匹配病症信息匹配的匹配结果。作为又一示例，响应于确定上述相似性度量所指示的相似性不大于预设阈值，生成用于指示上述待匹配药品信息和待匹配病症信息不匹配的匹配结果。
继续参见图3，图3是根据本公开的实施例的用于匹配药品信息和病症信息的方法的应用场景的一个示意图。在图3的应用场景中，用户301使用终端302向后台服务器303发送“XX药”和“腹痛”304作为待匹配药品信息和待匹配病症信息。后台服务器303获取上述“XX药”和“腹痛”304之后，利用预先训练的向量生成模型提取药品向量和病症向量305作为待匹配药品信息和待匹配病症信息分别对应的待匹配药品向量和待匹配病症向量。接下来，后台服务器303可以确定所生成的药品向量和病症向量305之间的相似度作为相似性度量，例如0.83(如图3中306所示)。之后，后台服务器303可以根据上述相似度大于预设阈值(例如0.75)，生成用于指示药品信息和病症信息匹配的匹配结果307。可选地，后台服务器303还可以将上述匹配结果307发送至终端设备302，以使用户301获知上述匹配结果。
目前，现有技术之一通常是基于人工维护的匹配规则或药品的说明书中对适应证的描述与待匹配的病症信息进行匹配，往往由于匹配规则维护复杂，难以及时更新而导致匹配准确度不高。而本公开的上述实施例提供的方法，通过预先训练的向量生成模型提取待匹配药品信息和待匹配病症信息分别对应的待匹配药品向量和待匹配病症向量，并通过向量之间的相似性度量确定待匹配药品信息和对应的待匹配病症信息之间是否匹配。实现了利用历史数据而非机械地照搬药品说明书对药品信息和病症信息进行匹配，从而提升了匹配方法的泛化能力。并且，通过对历史数据的学习不断优化向量生成模型，也减少了人工维护成本，提高了药品信息和病症信息的匹配效率。
进一步参考图4，其示出了用于匹配药品信息和病症信息的方法的又一个实施例的流程400。该用于匹配药品信息和病症信息的方法的流程400，包括以下步骤：
步骤401，获取待审核的处方信息。
在本实施例中，用于匹配药品信息和病症信息的方法的执行主体(例如图1所示的服务器105)可以通过有线连接方式或者无线连接方式获取待审核的处方信息。其中，上述处方信息中可以包括待匹配药品信息和待匹配病症信息。作为示例，上述执行主体可以从本地或通信连接的电子设备(例如医师所使用的终端设备)获取上述待审核的处方信息。上述待审核的处方信息可以包括至少一个待匹配药品信息和至少一个待匹配病症信息。
步骤402，利用预先训练的向量生成模型提取待匹配药品信息和待匹配病症信息分别对应的待匹配药品向量和待匹配病症向量。
步骤403，确定待匹配药品向量和待匹配病症向量之间的相似性度量。
步骤404，根据相似性度量，生成用于指示待匹配药品信息和待匹配病症信息是否匹配的匹配结果。
上述步骤402、步骤403、步骤404分别与前述实施例中的步骤202、步骤203、步骤204及其可选的实现方式一致，上文针对步骤202、步骤203、步骤204及其可选的实现方式的描述也适用于步骤402、步骤403和步骤404，此处不再赘述。
在本实施例的一些可选的实现方式中，上述执行主体可以继续执行以下步骤：
第一步，对于待审核的处方信息中包括的各待匹配药品信息，生成该待匹配的药品信息与待审核的处方信息中包括的各待匹配病症信息之间的匹配结果。
在这些实现方式中，对于待审核的处方信息中包括的各待匹配药品信息，上述执行主体可以重复执行前述用于匹配药品信息和病症信息的方法，从而生成各待匹配的药品信息与待审核的处方信息中包括的各待匹配病症信息之间的匹配结果。
可选地，上述执行主体还可以针对每个待匹配药品信息仅选取表征相似度最大的相似性度量与预设阈值进行比较。若大于上述预设阈值，上述执行主体可以生成表征该待匹配药品信息与所选取的相似性度量对应的待匹配病症信息匹配的匹配结果。若不大于上述预设阈值，上述执行主体可以生成表征该待匹配药品信息与所选取的相似性度量对应的待匹配病症信息不匹配的匹配结果。
第二步，根据所生成的匹配结果，生成表征处方审核是否通过的信息。
在这些实现方式中，根据所生成的匹配结果，上述执行主体可以通过各种方式生成表征处方审核是否通过的信息。作为示例，上述执行主体可以确定表征待匹配药品信息与所选取的相似性度量对应的待匹配病症信息匹配的匹配结果的数目。而后，上述执行主体可以确定上述数目与所生成的匹配结果的总数目之间的比值。之后，响应于确定上述比值大于预设比例阈值，上述执行主体可以生成表征处方审核通过的信息。响应于确定上述比值不大于预设比例阈值，上述执行主体可以生成表征处方审核不通过的信息。
基于上述可选的实现方式，上述执行主体可以根据药品信息和病症信息之间的匹配确定处方审核是否通过，从而减少了处方审核的人力成本，提升了审核效率。
可选地，根据所生成的匹配结果，上述执行主体还可以通过以下步骤生成表征上述待审核的处方信息是否审核通过的信息：
S1、对于待审核的处方信息中包括的各待匹配药品信息，响应于确定该待匹配药品信息与待审核的处方信息中包括的各待匹配病症信息之间的匹配结果中存在指示匹配的匹配结果，生成表征该待匹配药品信息与指示匹配的匹配结果对应的待匹配病症信息之间存在治疗关系的指示信息。
在这些实现方式中，对于待审核的处方信息中包括的各待匹配药品信息，上述执行主体可以首先从上述第一步获取待审核的处方信息中包括的各待匹配药品信息对应的匹配结果。而后，响应于确定该待匹配药品信息与待审核的处方信息中包括的各待匹配病症信息之间的匹配结果中存在指示匹配的匹配结果，上述执行主体可以生成表征该待匹配药品信息与指示匹配的匹配结果对应的待匹配病症信息之间存在治疗关系的指示信息。
S2、响应于确定待审核的处方信息中包括的待匹配药品信息的数目不大于所生成的指示信息的数目，生成表征待审核的处方信息审核通过的信息。
在这些实现方式中，响应于确定待审核的处方信息中包括的待匹配药品信息的数目不大于上述步骤S2所生成的指示信息的数目，上述执行主体可以生成表征待审核的处方信息审核通过的信息。
基于上述可选的实现方式，可以尽可能地保证在待审核的处方信息中的药品信息所指示的药品与病症信息所指示的病症之间存在治疗关系，从而提升处方审核的准确性。
从图4中可以看出，本实施例中的用于匹配药品信息和病症信息的方法的流程400体现了获取包括待匹配药品信息和待匹配病症信息的待审核的处方信息的步骤。由此，本实施例描述的方案可以自动审核处方中的药品与病症是否匹配，从而提升了处方审核的效率。
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了用于匹配药品信息和病症信息的装置的一个实施例，该装置实施例与图2或图4所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例提供的用于匹配药品信息和病症信息的装置500包括获取单元501、提取单元502、确定单元503和第一生成单元504。其中，获取单元501，被配置成获取待匹配药品信息和对应的待匹配病症信息；提取单元502，被配置成利用预先训练的向量生成模型提取待匹配药品信息和待匹配病症信息分别对应的待匹配药品向量和待匹配病症向量，其中，向量生成模型基于训练样本训练得到，训练样本包括由药品信息以及与药品信息相关联的病症信息组成的序列；确定单元，被配置成确定待匹配药品向量和待匹配病症向量之间的相似性度量；第一生成单元，被配置成根据相似性度量，生成用于指示待匹配药品信息和待匹配病症信息是否匹配的匹配结果。
在本实施例中，用于匹配药品信息和病症信息的装置500中：获取单元501、提取单元502、确定单元503和第一生成单元504的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，上述提取单元502可以包括获取子单元(图中未示出)、第一生成子单元(图中未示出)、第二生成子单元(图中未示出)。其中，上述获取子单元，可以被配置成获取预设的药症图结构。其中，上述药症图结构中可以包括药品信息节点、病症信息节点和表征节点之间关联程度的边。上述第一生成子单元，可以被配置成根据药症图结构中的边所指示的关联程度，利用图搜索算法生成药症图结构对应的至少一条路径。上述第二生成子单元，可以被配置成根据所生成的至少一条路径，生成由药症图结构中包括的药品信息节点所指示的药品信息以及与药品信息节点相关联的病症信息节点所指示的病症信息组成的序列。
在本实施例的一些可选的实现方式中，上述节点之间关联程度可以包括以下至少一项：药品信息节点对应的药品分类编码之间的相似性度量，病症信息节点对应的病症分类编码之间的相似性度量，病症信息节点所指示的病症与药品信息节点所指示的药品的适应证之间的匹配关系。
在本实施例的一些可选的实现方式中，上述药品分类编码可以包括ATC编码。
在本实施例的一些可选的实现方式中，上述病症分类编码可以包括ICD编码。
在本实施例的一些可选的实现方式中，上述获取子单元可以包括：第一获取模块(图中未示出)、第二获取模块(图中未示出)、第三获取模块(图中未示出)、选取模块(图中未示出)、确定模块(图中未示出)。其中，上述第一获取模块，可以被配置成获取历史处方信息。其中，上述历史处方信息中可以包括历史药品信息和至少一个历史病症信息。上述第二获取模块，可以被配置成获取历史药品信息对应的药品说明书记载的至少一个适应证分别对应的病症分类编码。上述第二获取模块，可以被配置成获取历史处方信息包括的至少一个历史病症信息分别对应的病症分类编码。上述选取模块，可以被配置成按照最长前缀匹配规则，从所获取的至少一个历史病症信息分别对应的病症分类编码中选取与至少一个适应证分别对应的病症分类编码匹配的历史病症信息作为目标信息。上述确定模块，可以被配置成将目标信息与历史药品信息之间的关系确定为病症信息节点所指示的病症与药品信息节点所指示的药品的适应证之间的匹配关系。
在本实施例的一些可选的实现方式中，上述第一生成子单元可以包括：第四获取模块(图中未示出)、生成模块(图中未示出)。其中，上述第四获取模块可以被配置成获取预设序列长度。上述生成模块可以被配置成利用随机游走算法生成药症图结构对应的至少一条路径。其中，上述至少一条路径中的路径所包括的节点的数目可以与上述预设序列长度一致。
在本实施例的一些可选的实现方式中，上述获取单元501可以被进一步配置成：获取待审核的处方信息。其中，上述处方信息中可以包括待匹配药品信息和待匹配病症信息。
在本实施例的一些可选的实现方式中，上述用于匹配药品信息和病症信息的装置500还可以包括：第二生成单元(图中未示出)、第三生成单元(图中未示出)。其中，上述第二生成单元，可以被配置成对于待审核的处方信息中包括的各待匹配药品信息，生成该待匹配的药品信息与待审核的处方信息中包括的各待匹配病症信息之间的匹配结果。上述第三生成单元，可以被配置成根据所生成的匹配结果，生成表征待审核的处方信息是否审核通过的信息。
在本实施例的一些可选的实现方式中，上述第三生成单元可以包括：第三生成子单元(图中未示出)、第四生成子单元(图中未示出)。其中，上述第三生成子单元，可以被配置成对于待审核的处方信息中包括的各待匹配药品信息，响应于确定该待匹配药品信息与待审核的处方信息中包括的各待匹配病症信息之间的匹配结果中存在指示匹配的匹配结果，生成表征该待匹配药品信息与指示匹配的匹配结果对应的待匹配病症信息之间存在治疗关系的指示信息。上述第四生成子单元，被配置成响应于确定待审核的处方信息中包括的待匹配药品信息的数目不大于所生成的指示信息的数目，生成表征待审核的处方信息审核通过的信息。
本公开的上述实施例提供的装置，提取单元502利用预先训练的向量生成模型提取获取单元501获取的待匹配药品信息和待匹配病症信息分别对应的待匹配药品向量和待匹配病症向量，并通过生成单元504根据确定单元503确定的向量之间的相似性度量生成表征待匹配药品信息和对应的待匹配病症信息之间是否匹配的匹配结果。由于向量生成模型通过由药品信息以及与药品信息相关联的病症信息组成的序列训练得到，因而能够学习到药品信息与病症信息之间的匹配关系。从而实现了利用历史数据而非机械地照搬药品说明书对药品信息和病症信息进行匹配，从而提升了匹配方法的泛化能力。并且，通过对历史数据的学习不断优化向量生成模型，也减少了人工维护成本，提高了药品信息和病症信息的匹配效率。
下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器)600的结构示意图。本公开的实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD，LiquidCrystal Display)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。
需要说明的是，本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(Radio Frequency，射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取待匹配药品信息和对应的待匹配病症信息；利用预先训练的向量生成模型提取待匹配药品信息和待匹配病症信息分别对应的待匹配药品向量和待匹配病症向量，其中，向量生成模型基于训练样本训练得到，训练样本包括由药品信息以及与药品信息相关联的病症信息组成的序列；确定待匹配药品向量和待匹配病症向量之间的相似性度量；根据相似性度量，生成用于指示待匹配药品信息和待匹配病症信息是否匹配的匹配结果。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开的各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器，包括获取单元、提取单元、确定单元、第一生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取待匹配药品信息和对应的待匹配病症信息的单元”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (13)
1.一种用于匹配药品信息和病症信息的方法，包括：
获取待匹配药品信息和对应的待匹配病症信息；
利用预先训练的向量生成模型提取所述待匹配药品信息和所述待匹配病症信息分别对应的待匹配药品向量和待匹配病症向量，其中，所述向量生成模型基于训练样本训练得到，所述训练样本包括由药品信息以及与所述药品信息相关联的病症信息组成的序列；
确定所述待匹配药品向量和所述待匹配病症向量之间的相似性度量；
根据所述相似性度量，生成用于指示所述待匹配药品信息和所述待匹配病症信息是否匹配的匹配结果。
2.根据权利要求1所述的方法，其中，所述由药品信息以及与所述药品信息相关联的病症信息组成的序列通过以下步骤得到：
获取预设的药症图结构，其中，所述药症图结构中包括药品信息节点、病症信息节点和表征节点之间关联程度的边；
根据所述药症图结构中的边所指示的关联程度，利用图搜索算法生成所述药症图结构对应的至少一条路径；
根据所生成的至少一条路径，生成由所述药症图结构中包括的药品信息节点所指示的药品信息以及与所述药品信息节点相关联的病症信息节点所指示的病症信息组成的序列。
3.根据权利要求2所述的方法，其中，所述节点之间关联程度包括以下至少一项：药品信息节点对应的药品分类编码之间的相似性度量，病症信息节点对应的病症分类编码之间的相似性度量，病症信息节点所指示的病症与药品信息节点所指示的药品的适应证之间的匹配关系。
4.根据权利要求3所述的方法，其中，所述药品分类编码包括ATC编码。
5.根据权利要求3所述的方法，其中，所述病症分类编码包括ICD编码。
6.根据权利要求3所述的方法，其中，所述病症信息节点所指示的病症与药品信息节点所指示的药品的适应证之间的匹配关系通过以下步骤得到：
获取历史处方信息，其中，所述历史处方信息中包括历史药品信息和至少一个历史病症信息；
获取所述历史药品信息对应的药品说明书记载的至少一个适应证分别对应的病症分类编码；
获取所述历史处方信息包括的至少一个历史病症信息分别对应的病症分类编码；
按照最长前缀匹配规则，从所获取的至少一个历史病症信息分别对应的病症分类编码中选取与所述至少一个适应证分别对应的病症分类编码匹配的历史病症信息作为目标信息；
将所述目标信息与所述历史药品信息之间的关系确定为所述病症信息节点所指示的病症与药品信息节点所指示的药品的适应证之间的匹配关系。
7.根据权利要求2所述的方法，其中，所述根据所述药症图结构中的边所指示的关联程度，利用图搜索算法生成所述药症图结构对应的至少一条路径，包括：
获取预设序列长度；
利用随机游走算法生成所述药症图结构对应的至少一条路径，其中，所述至少一条路径中的路径所包括的节点的数目与所述预设序列长度一致。
8.根据权利要求1-7之一所述的方法，其中，所述获取待匹配药品信息和对应的待匹配病症信息，包括：
获取待审核的处方信息，其中，所述处方信息中包括待匹配药品信息和待匹配病症信息。
9.根据权利要求8所述的方法，其中，所述方法还包括：
对于所述待审核的处方信息中包括的各待匹配药品信息，生成该待匹配的药品信息与所述待审核的处方信息中包括的各待匹配病症信息之间的匹配结果；
根据所生成的匹配结果，生成表征所述待审核的处方信息是否审核通过的信息。
10.根据权利要求9所述的方法，其中，所述根据所生成的匹配结果，生成表征所述待审核的处方信息是否审核通过的信息，包括：
对于所述待审核的处方信息中包括的各待匹配药品信息，响应于确定该待匹配药品信息与所述待审核的处方信息中包括的各待匹配病症信息之间的匹配结果中存在指示匹配的匹配结果，生成表征该待匹配药品信息与所述指示匹配的匹配结果对应的待匹配病症信息之间存在治疗关系的指示信息；
响应于确定所述待审核的处方信息中包括的待匹配药品信息的数目不大于所生成的指示信息的数目，生成表征所述待审核的处方信息审核通过的信息。
11.一种用于匹配药品信息和病症信息的装置，包括：
获取单元，被配置成获取待匹配药品信息和对应的待匹配病症信息；
提取单元，被配置成利用预先训练的向量生成模型提取所述待匹配药品信息和所述待匹配病症信息分别对应的待匹配药品向量和待匹配病症向量，其中，所述向量生成模型基于训练样本训练得到，所述训练样本包括由药品信息以及与所述药品信息相关联的病症信息组成的序列；
确定单元，被配置成确定所述待匹配药品向量和所述待匹配病症向量之间的相似性度量；
第一生成单元，被配置成根据所述相似性度量，生成用于指示所述待匹配药品信息和所述待匹配病症信息是否匹配的匹配结果。
12.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-10中任一所述的方法。
13.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-10中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010884321.8A CN112309565A (zh) | 2020-08-28 | 2020-08-28 | 用于匹配药品信息和病症信息的方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010884321.8A CN112309565A (zh) | 2020-08-28 | 2020-08-28 | 用于匹配药品信息和病症信息的方法、装置、电子设备和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112309565A true CN112309565A (zh) | 2021-02-02 |
Family
ID=74483715
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010884321.8A Pending CN112309565A (zh) | 2020-08-28 | 2020-08-28 | 用于匹配药品信息和病症信息的方法、装置、电子设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112309565A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114119253A (zh) * | 2021-09-27 | 2022-03-01 | 平安国际智慧城市科技股份有限公司 | 特药赔付处理方法、装置、终端及存储介质 |
| CN115662647A (zh) * | 2022-12-27 | 2023-01-31 | 北京大学第三医院（北京大学第三临床医学院） | 一种相似疾病挖掘的方法和应用 |
| CN116631573A (zh) * | 2023-07-25 | 2023-08-22 | 讯飞医疗科技股份有限公司 | 一种处方用药审核方法、装置、设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103186717A (zh) * | 2013-01-18 | 2013-07-03 | 中国科学院合肥物质科学研究院 | 一种基于启发式宽度优先搜索肿瘤相关基因的方法 |
| CN108231153A (zh) * | 2018-02-08 | 2018-06-29 | 康美药业股份有限公司 | 一种药品推荐方法、电子设备和存储介质 |
| CN109616173A (zh) * | 2018-10-15 | 2019-04-12 | 平安科技（深圳）有限公司 | 药品管理方法、装置、计算机设备及存储介质 |
| CN110837565A (zh) * | 2019-11-14 | 2020-02-25 | 中山大学 | 实现药品推荐的模型训练方法、装置及计算计设备 |
| CN111180086A (zh) * | 2019-12-12 | 2020-05-19 | 平安医疗健康管理股份有限公司 | 数据匹配方法、装置、计算机设备和存储介质 |
| CN111429991A (zh) * | 2018-12-24 | 2020-07-17 | 深圳市优必选科技有限公司 | 药品预测方法、装置、计算机设备及存储介质 |
-
2020
- 2020-08-28 CN CN202010884321.8A patent/CN112309565A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103186717A (zh) * | 2013-01-18 | 2013-07-03 | 中国科学院合肥物质科学研究院 | 一种基于启发式宽度优先搜索肿瘤相关基因的方法 |
| CN108231153A (zh) * | 2018-02-08 | 2018-06-29 | 康美药业股份有限公司 | 一种药品推荐方法、电子设备和存储介质 |
| CN109616173A (zh) * | 2018-10-15 | 2019-04-12 | 平安科技（深圳）有限公司 | 药品管理方法、装置、计算机设备及存储介质 |
| CN111429991A (zh) * | 2018-12-24 | 2020-07-17 | 深圳市优必选科技有限公司 | 药品预测方法、装置、计算机设备及存储介质 |
| CN110837565A (zh) * | 2019-11-14 | 2020-02-25 | 中山大学 | 实现药品推荐的模型训练方法、装置及计算计设备 |
| CN111180086A (zh) * | 2019-12-12 | 2020-05-19 | 平安医疗健康管理股份有限公司 | 数据匹配方法、装置、计算机设备和存储介质 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114119253A (zh) * | 2021-09-27 | 2022-03-01 | 平安国际智慧城市科技股份有限公司 | 特药赔付处理方法、装置、终端及存储介质 |
| CN115662647A (zh) * | 2022-12-27 | 2023-01-31 | 北京大学第三医院（北京大学第三临床医学院） | 一种相似疾病挖掘的方法和应用 |
| CN115662647B (zh) * | 2022-12-27 | 2024-03-12 | 北京大学第三医院（北京大学第三临床医学院） | 一种相似疾病挖掘的方法和应用 |
| CN116631573A (zh) * | 2023-07-25 | 2023-08-22 | 讯飞医疗科技股份有限公司 | 一种处方用药审核方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3451328B1 (en) | Method and apparatus for verifying information | |
| US20190392258A1 (en) | Method and apparatus for generating information | |
| CN112309565A (zh) | 用于匹配药品信息和病症信息的方法、装置、电子设备和介质 | |
| CN111488995B (zh) | 用于评估联合训练模型的方法、装置和系统 | |
| CN110265099B (zh) | 用于输出病历的方法和装置 | |
| CN106455056B (zh) | 定位方法和装置 | |
| CN110765280B (zh) | 地址识别方法和装置 | |
| CN108121699A (zh) | 用于输出信息的方法和装置 | |
| CN110070076B (zh) | 用于选取训练用样本的方法和装置 | |
| CN107958247A (zh) | 用于人脸图像识别的方法和装置 | |
| CN110597946A (zh) | 一种案例存储方法、装置、设备及存储介质 | |
| CN108182472A (zh) | 用于生成信息的方法和装置 | |
| CN110097936B (zh) | 用于输出病历的方法和装置 | |
| CN110414613B (zh) | 区域聚类的方法、装置、设备和计算机可读存储介质 | |
| CN117290477A (zh) | 一种基于二次检索增强的生成式建筑知识问答方法 | |
| CN112182255A (zh) | 用于存储媒体文件和用于检索媒体文件的方法和装置 | |
| CN115620886B (zh) | 一种数据审核方法和装置 | |
| CN109840072B (zh) | 信息处理方法和装置 | |
| CN110991661A (zh) | 用于生成模型的方法和装置 | |
| CN112397194A (zh) | 用于生成患者病情归因解释模型的方法、装置和电子设备 | |
| CN107483595A (zh) | 信息推送方法和装置 | |
| CN111949860B (zh) | 用于生成相关度确定模型的方法和装置 | |
| CN111859985B (zh) | Ai客服模型测试方法、装置、电子设备及存储介质 | |
| CN113053531B (zh) | 医疗数据处理方法、装置、计算机可读存储介质及设备 | |
| CN113220896A (zh) | 多来源知识图谱生成方法、装置、终端设备 |
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 |