CN112435761A - 一种信息推荐方法和装置 - Google Patents
一种信息推荐方法和装置 Download PDFInfo
- Publication number
- CN112435761A CN112435761A CN202011413614.4A CN202011413614A CN112435761A CN 112435761 A CN112435761 A CN 112435761A CN 202011413614 A CN202011413614 A CN 202011413614A CN 112435761 A CN112435761 A CN 112435761A
- Authority
- CN
- China
- Prior art keywords
- medical record
- record data
- grade
- acquiring
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000011282 treatment Methods 0.000 claims abstract description 81
- 239000003814 drug Substances 0.000 claims abstract description 70
- 238000013507 mapping Methods 0.000 claims abstract description 33
- 238000002372 labelling Methods 0.000 claims abstract description 29
- 229940126585 therapeutic drug Drugs 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 32
- 229940079593 drug Drugs 0.000 claims description 26
- 208000024891 symptom Diseases 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 5
- 238000007418 data mining Methods 0.000 claims description 4
- 206010039073 rheumatoid arthritis Diseases 0.000 claims description 4
- 238000002483 medication Methods 0.000 claims description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 11
- 201000010099 disease Diseases 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 239000002184 metal Substances 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000011269 treatment regimen Methods 0.000 description 3
- 108010074051 C-Reactive Protein Proteins 0.000 description 2
- 102100032752 C-reactive protein Human genes 0.000 description 2
- 230000009266 disease activity Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 210000003743 erythrocyte Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004062 sedimentation Methods 0.000 description 2
- 230000008961 swelling Effects 0.000 description 2
- 241000205585 Aquilegia canadensis Species 0.000 description 1
- 241000132012 Atractylodes Species 0.000 description 1
- 241001233914 Chelidonium majus Species 0.000 description 1
- 241000931705 Cicada Species 0.000 description 1
- 241000212948 Cnidium Species 0.000 description 1
- 240000000774 Cunila origanoides Species 0.000 description 1
- 235000018274 Cunila origanoides Nutrition 0.000 description 1
- 244000301850 Cupressus sempervirens Species 0.000 description 1
- 241000110637 Cuscuta chinensis Species 0.000 description 1
- 235000014866 Dictamnus albus Nutrition 0.000 description 1
- 244000303040 Glycyrrhiza glabra Species 0.000 description 1
- 235000006200 Glycyrrhiza glabra Nutrition 0.000 description 1
- 235000017443 Hedysarum boreale Nutrition 0.000 description 1
- 235000007858 Hedysarum occidentale Nutrition 0.000 description 1
- 101150100035 MTX1 gene Proteins 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 244000007853 Sarothamnus scoparius Species 0.000 description 1
- 241000304432 Sedum sarmentosum Species 0.000 description 1
- 240000009022 Smilax rotundifolia Species 0.000 description 1
- 235000003205 Smilax rotundifolia Nutrition 0.000 description 1
- 241001369613 Stephania tetrandra Species 0.000 description 1
- 238000001467 acupuncture Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000001947 glycyrrhiza glabra rhizome/root Substances 0.000 description 1
- 229940127554 medical product Drugs 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 229940126680 traditional chinese medicines Drugs 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
- 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
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Pharmacology & Pharmacy (AREA)
- Toxicology (AREA)
- Medicinal Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请提供了一种信息推荐方法和装置。所述方法包括：采集用户的病历数据，所述病历数据包括：中医病历数据和西医病历数据；根据所述病历数据确定所述病历数据对应的等级；并基于第一映射关系获取确定的等级对应的治疗方案；其中，所述第一映射关系为等级与治疗方案的对应关系；基于预设序列标注模型获取所述病历数据中的实体；并基于预设知识图谱获取所述实体对应的治疗药物；输出获取的治疗方案和治疗药物。该方法能够客观、准确地推荐治疗方案，以及治疗药物。
Description
技术领域
本发明涉及数据处理技术领域，特别涉及一种信息推荐方法和装置。
背景技术
随着科技的发展，人们迫切期望将大数据技术和人工智能技术引入医疗领域，为医疗行业赋能。现阶段针对专病研发相应的智能医疗产品具有更切实的意义，通过收集专家知识、构建智能系统，即可以提升专病的医疗水平，也可以进一步促进相关研究。
如何基于用户的病历数据客观、准确地确定治疗方案，以及治疗药物，是目前急需解决的技术问题。
发明内容
有鉴于此，本申请提供信息推荐方法和装置，能够客观、准确地推荐治疗方案，以及治疗药物。
为解决上述技术问题，本申请的技术方案是这样实现的：
在一个实施例中，提供了一种信息推荐方法，所述方法包括：
采集用户的病历数据，所述病历数据包括：中医病历数据和西医病历数据；
根据所述病历数据确定所述病历数据对应的等级；并基于第一映射关系获取确定的等级对应的治疗方案；其中，所述第一映射关系为等级与治疗方案的对应关系；
基于预设序列标注模型获取所述病历数据中的实体；并基于预设知识图谱获取所述实体对应的治疗药物；
输出获取的治疗方案和治疗药物。
在另一个实施例中，提供了一种信息推荐装置，所述装置包括：采集单元、第一确定单元、第二确定单元和输出单元；
所述采集单元，用于采集用户的病历数据，所述病历数据包括：中医病历数据和西医病历数据；
所述第一确定单元，用于根据所述采集单元采集的病历数据确定所述病历数据对应的等级；并基于第一映射关系获取确定的等级对应的治疗方案；其中，所述第一映射关系为等级与治疗方案的对应关系；
所述第二确定单元，用于基于预设序列标注模型获取所述采集单元采集的病历数据中的实体；并基于预设知识图谱获取所述实体对应的治疗药物；
所述输出单元，用于输出所述第一确定单元获取的治疗方案和所述第二确定单元确定的治疗药物。
在另一个实施例中，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述信息推荐方法的步骤。
在另一个实施例中，提供了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所述信息推荐方法的步骤。
由上面的技术方案可见，上述实施例中通过融合用户的中医病历数据和西医病历数据来确定治疗方案和治疗药物，并推荐输出，能够客观、准确地推荐治疗方案，以及治疗药物。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。
图1为确定第一映射关系流程示意图；
图2为等级确定流程示意图；
图3为获取预设序列标注模型流程示意图；
图4为本申请实施例中获取预设知识图谱流程示意图；
图5为本申请实施例中信息推荐流程示意图；
图6为本申请实施例中应用于上述技术的装置结构示意图；
图7为本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其他步骤或单元。
下面以具体实施例对本发明的技术方案进行详细说明。下面几个具体实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
本申请实施例中提供一种信息推荐方法，应用于信息推荐装置上，通过融合用户的中医病历数据和西医病历数据来确定治疗方案和治疗药物，并推荐输出，用于客观、准确地推荐治疗方案，以及治疗药物。
下面结合附图，详细描述本申请实施例中信息推荐过程。
本申请实施例中需要预先获取并存储第一映射关系、预设序列标注模型、预设知识图谱。
其中，获取第一映射关系，具体实现如下：
参见图1，图1为确定第一映射关系流程示意图。具体步骤为：
步骤101，采集第一训练数据。
采集的第一训练数据为多个用户的中医病历数据和西医病历数据；这里的中医病历数据为所述用户看中医时所生成的中医病历数据，所述西医病历数据为所述用户看西医或进行西医检验检查时所生成的西医病历数据。
即针对每个用户获取其中医病历数据和西医病历数据，如果该用户没有西医病历数据或中医病历数据，则获取该用户的病历数据时只获取该用户对应的病历数据即可。针对用户可以根据需要确诊的疾病获取所述用户的相关病例。
这里的用户是存在病历的用户，可以为患者，也可以为非患者。
病历数据若不为电子数据时，可以将非电子数据转换为电子数据。
步骤102，确定所述第一训练数据中的每一个用户的病历数据对应的等级。
确定任一用户的病历数据对应的等级时，针对不同疾病可以使用对应的确定方式，本申请实施例中以类风湿关节炎疾病为例给出确定病历数据对应的等级，具体如下：
参见图2，图2为等级确定流程示意图。具体步骤为：
步骤201，使用DAS28算法计算所述病历数据对应的分值。
临床常用基于肿胀关节数、压痛关节数、红细胞沉降率或C反应蛋白数值计算得出的DAS28评分，是对患者疾病活动度的整体评价。得分越高，提示疾病活动度越高。
步骤202，根据配置的第二映射关系确定所述分值对应的等级；其中，所述第二映射关系为分值范围与等级的对应关系。
本申请实施例中将分值划分为四个分值范围，对应四个等级，具体参见表1，表1为第二映射关系对应的内容。
| 等级 | 分值 |
| 1级 | DAS28＝<2.6(缓解期) |
| 2级 | 2.6<DAS28＝<3.2(低度活动期) |
| 3级 | 3.2<DAS28＝<5.1(中度活动期) |
| 4级 | DAS28>5.1(高度活动期) |
表1
步骤103，基于数据挖掘算法针对每个等级对应的病历数据分别获取对应的治疗方案，并将获取的治疗方案对应的等级存储为第一映射关系。
在获取第一训练数据中每个用户的病历数据的等级时，将所述第一训练数据中的用户的病历数据按照等级划分为4份，并使用每个等级的数据作为训练样本，基于数据挖掘算法确定每个等级对应的治疗方案。
这样针对4个等级获取对应4种治疗方案。采用的治疗方案不同，进行多等级划分之后，能够提高系统的精细化诊断水平，做到更好的对症施药。
获取预设序列标注模型，具体如下：
参见图3，图3为获取预设序列标注模型流程示意图。具体步骤为：
步骤301，采集第二训练数据。
采集的第二训练数据为多个用户的中医病历数据和西医病历数据；这里的中医病历数据为所述用户看中医时所生成的中医病历数据，所述西医病历数据为所述用户看西医或进行西医检验检查时所生成的西医病历数据。
这里的用户是存在病历的用户，可以为患者，也可以为非患者。
第二训练数据与第一训练数据可以相同，也可以不同。
病历数据若不为电子数据时，可以将非电子数据转换为电子数据。
步骤302，对所述第二训练数据中的病历数据中的实体，以及实体关系进行标注。
这里对实体，以及实体关系的标注可以是根据实际情况进行的人工标注。
步骤303，基于标注的病历数据对初始序列标注模型进行训练，获取预设序列标注模型。
初始序列标注模型为基于序列标注算法建立的初始模型，序列标注算法可以为：CRF、HMM等。
获取预设知识图谱，具体实现如下：
参见图4，图4为本申请实施例中获取预设知识图谱流程示意图。具体步骤为：
步骤401，配置预设知识图谱的模式层；其中，所述模式层包括实体，以及实体与实体的关系。
实体如：疾病、症状、治法、处方等；实体关系如：疾病-包含-症状、药物-治疗-症状等；其中，“疾病”和“症状”为实体，“包含”为实体“疾病”和“症状”之间的关系，“处方”和“症状”为实体，“治疗”为实体“药物”和“症状”之间的关系。
这些实体，以及实体关系构成预设知识图谱的模式层。
步骤402，采集第三训练数据，使用预设序列标注模型对所述第三训练数据进行标注。
采集的第三训练数据为多个用户的中医病历数据和西医病历数据；这里的中医病历数据为所述用户看中医时所生成的中医病历数据，所述西医病历数据为所述用户看西医或进行西医检验检查时所生成的西医病历数据。
这里的用户是存在病历的用户，可以为患者，也可以为非患者。
第三训练数据与第一训练数据和第二训练数据可以相同，也可以不同。
病历数据若不为电子数据时，可以将非电子数据转换为电子数据。
步骤403，将标注的实体，以及实体与实体的关系作为预设知识图谱的数据层。
步骤404，使用所述数据层和所述模式层生成所述预设知识图谱。
下面给出信息推荐实现过程：
参见图5，图5为本申请实施例中信息推荐流程示意图。具体步骤为：
步骤501，采集用户的病历数据，所述病历数据包括：中医病历数据和西医病历数据。
采集用户的病历数据，可以是从电子系统中直接导出的，也可以是非电子的病历数据；针对非电子的病历数据可以通过人工输入转换为电子病历数据，或者通过电子扫描，文字识别等将非电子的病历数据转换为电子病历数据。
步骤502，根据所述病历数据确定所述病历数据对应的等级；并基于第一映射关系获取确定的等级对应的治疗方案；其中，所述第一映射关系为等级与治疗方案的对应关系。执行步骤504。
在具体实现时，根据病历数据对应的疾病确定所述病历数据对应的等级，如针对类风湿关节炎疾病可以使用DAS28算法计算所述病历数据对应的分值，并根据所述分值确定对应的等级。
步骤503，基于预设序列标注模型获取所述病历数据中的实体；并基于预设知识图谱获取所述实体对应的治疗药物。
步骤504，输出获取的治疗方案和治疗药物。
其中，治疗方案可以为下述方案之一或任意组合：手术、针灸、处方。
具体实现时，治疗方案不限于上述举例，根据具体的疾病确定具体的治疗方案。
下面以一病历数据为例，给出推荐的治疗方案：
病历数据：患者的肿胀关节数为1、压痛关节数为2、红细胞沉降率为1、C反应蛋白为1.5mg/L；
基于DAS28算法计算上述病例数据的分值为2.5，基于表1，查找到分值2.5对应的等级为缓解期。确定缓解期的治疗方案为处方，处方对应的相关药物如下：
1、mobic*2盒；
2、MTX*1盒；
3、中药15剂：土茯苓30g,金银花15g，炙甘草6g，地肤子15g，徐长卿12g，蜂房6g,白藓皮15g，蛇床子10g，炒白术12g，青风藤15g，蝉衣6g，菟丝子12g，防己15g，垂盆草10g，生米仁30g。
确定的治疗药物中若存在治疗同一症状的药物，则按照配置的权重值选择权重值大的药物进行输出。
如某个实体对应的治疗药物A权重为WA，治疗药物B权重为WB，且配置的WA>WB,则推荐治疗药物A。
权重的配置根据实际应用情况进行配置，不限于具体配置的值。在实际应用中可以根据使用该方案的医用人员，如专家等实际诊疗数据分析获得。
如采集所述专家诊疗的病历数据，确定针对相关实体对应的药物的使用比例，来确定该实体对应的治疗药物对应的权重。
在具体实现时，若确定的治疗方案中包括处方，且处方对应的药物与确定的治疗药物有重复，则去重后输出。
由于本申请实施例中涉及到中药，可能会一份药方对应多种药，不会由于某一种药相同则去重，而是针对相同的一份药有相同的，才会去重。
推荐的药物中可以包括下述之一或任一组合：中药、医药。
本申请实施例中推荐治疗药物和治疗方案，仅是一种推荐，医生可以根据经验等进行适应性调整，也可以通过用户的治疗过程进行反馈来进一步进行调整。具体实现过程如下：
接收到对推荐的治疗药物的更新信息，或，根据用户的病历数据中更新的数据对所述权重进行调整。
具体实现可以使用修正过的病历数据更新第一映射关系、预设序列标注模型、预设知识图谱。
本申请实施例中通过对中医病历数据和西医病历数据进行融合，分别建立模型获取待推荐的治疗方案和治疗药物，并通过设置的权重值对应输出，给医生以治疗信息的推荐。该方案能够在全面考虑用户的病历数据的前提下，客观、准确地进行治疗方案和治疗药物的推荐。
基于同样的发明构思，本申请实施例中还提供一种信息推荐装置。参见图6，图6为本申请实施例中应用于上述技术的装置结构示意图。所述装置包括：采集单元601、第一确定单元602、第二确定单元603和输出单元604；
采集单元601，用于采集用户的病历数据，所述病历数据包括：中医病历数据和西医病历数据；
第一确定单元602，用于根据采集单元601采集的病历数据确定所述病历数据对应的等级；并基于第一映射关系获取确定的等级对应的治疗方案；其中，所述第一映射关系为等级与治疗方案的对应关系；
第二确定单元603，用于基于预设序列标注模型获取采集单元601采集的病历数据中的实体；并基于预设知识图谱获取所述实体对应的治疗药物；
输出单元604，用于输出第一确定单元602获取的治疗方案和第二确定单元603确定的治疗药物。
优选地，
第一确定单元602，进一步用于获取所述第一映射关系，具体包括：采集第一训练数据；确定所述第一训练数据中的每一个用户的病历数据对应的等级；基于数据挖掘算法针对每个等级对应的病历数据分别获取对应的治疗方案，并将获取的治疗方案对应的等级存储为第一映射关系。
优选地，
第二确定单元603，进一步用于获取所述预设序列标注模型，具体包括：采集第二训练数据；对所述第二训练数据中的病历数据中的实体，以及实体关系进行标注；基于标注的病历数据对初始序列标注模型进行训练，获取预设序列标注模型。
优选地，
第二确定单元603，进一步用于生成所述预设知识图谱，具体包括：配置预设知识图谱的模式层；其中，所述模式层包括实体，以及实体与实体的关系；采集第三训练数据，使用预设序列标注模型对所述第三训练数据进行标注；并将标注的实体，以及实体与实体的关系作为预设知识图谱的数据层；使用所述数据层和所述模式层生成所述预设知识图谱。
优选地，
输出单元604，进一步用于确定的治疗药物中若存在治疗同一症状的药物，则按照配置的权重值选择权重值大的药物进行输出。
优选地，
输出单元604，进一步用于接收到对推荐的治疗药物的更新信息，或，根据用户的病历数据中更新的数据对所述权重进行调整。
优选地，
第一确定单元602，具体用于当所述病历数据为类风湿关节炎疾病对应的病历数据时，使用DAS28算法计算所述病历数据对应的分值；根据配置的第二映射关系确定所述分值对应的等级；其中，所述第二映射关系为分值范围与等级的对应关系。
上述实施例的单元可以集成于一体，也可以分离部署；可以合并为一个单元，也可以进一步拆分成多个子单元。
在另一个实施例中，还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述信息推荐方法的步骤。
在另一个实施例中，还提供一种计算机可读存储介质，其上存储有计算机指令，所述指令被处理器执行时可实现所述信息推荐方法中的步骤。
图7为本发明实施例提供的一种电子设备的实体结构示意图。如图7所示，该电子设备可以包括：处理器(Processor)710、通信接口(Communications Interface)720、存储器(Memory)730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令，以执行如下方法：
采集用户的病历数据，所述病历数据包括：中医病历数据和西医病历数据；
根据所述病历数据确定所述病历数据对应的等级；并基于第一映射关系获取确定的等级对应的治疗方案；其中，所述第一映射关系为等级与治疗方案的对应关系；
基于预设序列标注模型获取所述病历数据中的实体；并基于预设知识图谱获取所述实体对应的治疗药物；
输出获取的治疗方案和治疗药物。
此外，上述的存储器730中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明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。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
Claims (10)
1.一种信息推荐方法，其特征在于，所述方法包括：
采集用户的病历数据，所述病历数据包括：中医病历数据和西医病历数据；
根据所述病历数据确定所述病历数据对应的等级；并基于第一映射关系获取确定的等级对应的治疗方案；其中，所述第一映射关系为等级与治疗方案的对应关系；
基于预设序列标注模型获取所述病历数据中的实体；并基于预设知识图谱获取所述实体对应的治疗药物；
输出获取的治疗方案和治疗药物。
2.根据权利要求1所述方法，其特征在于，获取所述第一映射关系，包括：
采集第一训练数据；
确定所述第一训练数据中的每一个用户的病历数据对应的等级；
基于数据挖掘算法针对每个等级对应的病历数据分别获取对应的治疗方案，并将获取的治疗方案对应的等级存储为第一映射关系。
3.根据权利要求1所述的方法，其特征在于，获取所述预设序列标注模型，包括：
采集第二训练数据；
对所述第二训练数据中的病历数据中的实体，以及实体关系进行标注；
基于标注的病历数据对初始序列标注模型进行训练，获取预设序列标注模型。
4.根据权利要求1所述的方法，其特征在于，生成所述预设知识图谱，包括：
配置预设知识图谱的模式层；其中，所述模式层包括实体，以及实体与实体的关系；
采集第三训练数据，使用预设序列标注模型对所述第三训练数据进行标注；
并将标注的实体，以及实体与实体的关系作为预设知识图谱的数据层；
使用所述数据层和所述模式层生成所述预设知识图谱。
5.根据权利要求1所述的方法，其特征在于，所述输出时，所述输出获取的治疗方案和治疗药物时，所述方法进一步包括：
确定的治疗药物中若存在治疗同一症状的药物，则按照配置的权重值选择权重值大的药物进行输出。
6.根据权利要求5所述的方法，其特征在于，所述方法进一步包括：
接收到对推荐的治疗药物的更新信息，或，根据用户的病历数据中更新的数据对所述权重进行调整。
7.根据权利要求2-6任一项所述的方法，其特征在于，当所述病历数据为类风湿关节炎疾病对应的病历数据时，所述根据所述病历数据确定所述病历数据对应的等级，包括：
使用DAS28算法计算所述病历数据对应的分值；
根据配置的第二映射关系确定所述分值对应的等级；其中，所述第二映射关系为分值范围与等级的对应关系。
8.一种信息推荐装置，其特征在于，所述装置包括：采集单元、第一确定单元、第二确定单元和输出单元；
所述采集单元，用于采集用户的病历数据，所述病历数据包括：中医病历数据和西医病历数据；
所述第一确定单元，用于根据所述采集单元采集的病历数据确定所述病历数据对应的等级；并基于第一映射关系获取确定的等级对应的治疗方案；其中，所述第一映射关系为等级与治疗方案的对应关系；
所述第二确定单元，用于基于预设序列标注模型获取所述采集单元采集的病历数据中的实体；并基于预设知识图谱获取所述实体对应的治疗药物；
所述输出单元，用于输出所述第一确定单元获取的治疗方案和所述第二确定单元确定的治疗药物。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的方法。
10.一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1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011413614.4A CN112435761A (zh) | 2020-12-04 | 2020-12-04 | 一种信息推荐方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011413614.4A CN112435761A (zh) | 2020-12-04 | 2020-12-04 | 一种信息推荐方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112435761A true CN112435761A (zh) | 2021-03-02 |
Family
ID=74691306
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011413614.4A Pending CN112435761A (zh) | 2020-12-04 | 2020-12-04 | 一种信息推荐方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112435761A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013076586A2 (en) * | 2011-11-21 | 2013-05-30 | Advanced Biological Laboratories Sa | Systems, methods, and computer program products for guiding the selection of therapeutic treatment regiments |
| CN106372439A (zh) * | 2016-09-21 | 2017-02-01 | 北京大学 | 基于病例库的疾病症状及其权重知识的获取和处理方法 |
| CN110297908A (zh) * | 2019-07-01 | 2019-10-01 | 中国医学科学院医学信息研究所 | 诊疗方案预测方法及装置 |
| CN111191020A (zh) * | 2019-12-27 | 2020-05-22 | 江苏省人民医院（南京医科大学第一附属医院） | 基于机器学习和知识图谱的处方推荐方法和系统 |
| CN111883256A (zh) * | 2020-07-22 | 2020-11-03 | 杭州市红十字会医院 | 基于电子病历数据的肺结核患者预警系统及预警方法 |
| US20200350073A1 (en) * | 2019-05-02 | 2020-11-05 | Closed Loop Medicine Ltd. | Methods and Systems for Providing Personalised Medicine to a Patient |
-
2020
- 2020-12-04 CN CN202011413614.4A patent/CN112435761A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013076586A2 (en) * | 2011-11-21 | 2013-05-30 | Advanced Biological Laboratories Sa | Systems, methods, and computer program products for guiding the selection of therapeutic treatment regiments |
| CN106372439A (zh) * | 2016-09-21 | 2017-02-01 | 北京大学 | 基于病例库的疾病症状及其权重知识的获取和处理方法 |
| US20200350073A1 (en) * | 2019-05-02 | 2020-11-05 | Closed Loop Medicine Ltd. | Methods and Systems for Providing Personalised Medicine to a Patient |
| CN110297908A (zh) * | 2019-07-01 | 2019-10-01 | 中国医学科学院医学信息研究所 | 诊疗方案预测方法及装置 |
| CN111191020A (zh) * | 2019-12-27 | 2020-05-22 | 江苏省人民医院（南京医科大学第一附属医院） | 基于机器学习和知识图谱的处方推荐方法和系统 |
| CN111883256A (zh) * | 2020-07-22 | 2020-11-03 | 杭州市红十字会医院 | 基于电子病历数据的肺结核患者预警系统及预警方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dueck et al. | Validity and reliability of the US National Cancer Institute’s patient-reported outcomes version of the common terminology criteria for adverse events (PRO-CTCAE) | |
| US20210398675A1 (en) | Method and system for medical suggestion search | |
| KR102237449B1 (ko) | 환자 진단 학습 방법, 서버 및 프로그램 | |
| KR20170061222A (ko) | 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치 | |
| CN110516161A (zh) | 一种推荐方法及装置 | |
| CN104537592A (zh) | 自我诊疗及预防保健引导系统 | |
| CN106599553A (zh) | 疾病预警方法及装置 | |
| CN110391021A (zh) | 一种基于医学知识图谱的疾病推理系统 | |
| CN108198603A (zh) | 一种基于个人体检信息的营养饮食推荐方法 | |
| CN108109692A (zh) | 一种治疗方案的选择方法和系统 | |
| US20080154894A1 (en) | System for cross-acquisition of physiological and psychological information | |
| CN105069729A (zh) | 癫痫发作记录与管理患者设备、服务器、医生设备及系统 | |
| CN111785366A (zh) | 患者治疗方案的确定方法、装置及计算机设备 | |
| CN112863694A (zh) | 一种信息推荐方法和装置 | |
| EP3796226A1 (en) | Data conversion/symptom scoring | |
| KR20210052122A (ko) | 사용자 맞춤형 식품 정보 서비스 제공 시스템 및 그 방법 | |
| CN109585014A (zh) | 一种决策结果确定方法、装置、设备及可读存储介质 | |
| CN115376648A (zh) | 一种智能处方生成装置和智能处方生成系统 | |
| Ullah et al. | A fully connected quantum convolutional neural network for classifying ischemic cardiopathy | |
| CN107273705A (zh) | 人体植入式医疗装置参数确定、设置方法及设备 | |
| US20200373015A1 (en) | Computer implemented method for classifying a patient based on codes of at least one predetermined patient classification and computerized system to carry it out | |
| CN112435761A (zh) | 一种信息推荐方法和装置 | |
| CN107066816A (zh) | 基于临床数据的就医指导方法、装置及服务器 | |
| Hernandez et al. | The future of patient education: AI-driven guide for type 2 diabetes | |
| CN113782146B (zh) | 基于人工智能的全科用药推荐方法、装置、设备及介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210302 |
|
| RJ01 | Rejection of invention patent application after publication |