CN112447286A - 一种自动判别治疗线的方法以及装置 - Google Patents

Abstract

本发明适用于医疗数据挖掘技术领域，提供了一种自动判别治疗线的方法及装置，该方法包括：根据患者的临床医疗数据，获取临床医疗数据涉及的治疗方案；根据用药密度对治疗方案进行聚合，获得第一聚合治疗方案；根据方案周期对第一聚合治疗方案进行聚合，获得第二聚合治疗方案；根据第二聚合治疗方案，判别治疗线是否发生改变。本实施例采用自动方式对治疗线进行判别，用药密度对所述治疗方案进行聚合，并根据方案周期对所述第一聚合治疗方案进行聚合，避免了人工判别治疗线容易存在误判的情况，极大提高了治疗线的判断准确率。

Description

一种自动判别治疗线的方法以及装置

技术领域

本发明属于医疗数据挖掘技术领域，尤其涉及一种自动判别治疗线的方法以及装置。

背景技术

患者在治疗过程中，通常随着治疗过程的进行，治疗方案也会相应进行调整。例如，对于实体瘤的治疗，可能一开始采用的是一线治疗(即经过循证医学验证的、全部专家认同的治疗方式)，而当在治疗过程中发现一线治疗方式无效时，可能会采取二线治疗方式或三线治疗方式(少部分专家认同的治疗方式)，即在治疗过程中可能涉及到治疗线的变更。

目前在进行治疗线的判别时，通常采用的是人工判别的方式，即通过常规的数据挖掘方式抽取患者各个时间段的医疗数据，根据《中国临床肿瘤学会诊疗指南》及医疗数据人工判别治疗方案，并根据人工判别的治疗方案时间分布进行人工判别治疗线。然而，采用人工判别治疗线的方式容易存在误判的情形，从而导致无法正确判别治疗线。

发明内容

有鉴于此，本发明实施例提供了一种自动判别治疗线的方法，以解决现有技术中存在的人工判别治疗线时容易发生误判的技术问题。

本发明实施例的第一方面提供了一种自动判别治疗线的方法，包括：

根据患者的临床医疗数据，获取所述临床医疗数据涉及的治疗方案；

根据用药密度对所述治疗方案进行聚合，获得第一聚合治疗方案；

根据方案周期对所述第一聚合治疗方案进行聚合，获得第二聚合治疗方案；

根据所述第二聚合治疗方案，判别治疗线是否发生改变。

本发明实施例的第二方面提供了一种自动判别治疗线的装置，包括：

初始方案获取模块，用于根据患者的临床医疗数据，获取所述临床医疗数据涉及的治疗方案；

第一方案获取模块，用于根据用药密度对所述治疗方案进行聚合，获得第一聚合治疗方案；

第二方案获取模块，用于根据方案周期对所述第一聚合治疗方案进行聚合，获得第二聚合治疗方案；

判别模块，用于根据所述第二聚合治疗方案，判别治疗线是否发生改变。

本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的自动判别治疗线的方法。

本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的自动判别治疗线的方法。

本发明实施例与现有技术相比存在的有益效果至少在于：

(1)本实施例采用自动方式对治疗线进行判别，避免了人工判别治疗线容易存在误判的情况，极大提高了治疗线的判断准确率。

(2)本实施例通过用药密度对所述治疗方案进行聚合，获得第一聚合治疗方案，从而可以覆盖绝大部分治疗方案的聚合生成，避免了人工识别治疗方案时容易遗漏的问题，可以对治疗方案进行有效区分。

(3)本实施例根据方案周期对所述第一聚合治疗方案进行聚合，获得第二聚合治疗方案，从而避免了人工识别过程中将治疗周期设定为一个固定值时导致治疗线发生误判的情况，有助于提高治疗线的判断准确率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例提供的自动判别治疗线的方法的实现流程示意图一；

图2是本发明实施例提供的自动判别治疗线的方法的实现流程示意图二；

图3是本发明实施例提供的自动判别治疗线的方法中根据用药密度对所述治疗方案进行聚合步骤的实现流程图一；

图4是本发明实施例提供的自动判别治疗线的方法中处方数据的时间轴陈列及聚合示意图；

图5是本发明实施例提供的自动判别治疗线的方法中根据用药密度对所述治疗方案进行聚合步骤的实现流程图二；

图6是本发明实施例提供的自动判别治疗线的方法中不同就诊区间下初步治疗方案的拆分示意图；

图7是本发明实施例提供的自动判别治疗线的方法中根据用药密度对所述治疗方案进行聚合步骤的实现流程图三；

图8是本发明实施例提供的自动判别治疗线的方法中根据用药密度对所述治疗方案进行聚合步骤的实现流程图四；

图9是本发明实施例提供的自动判别治疗线的方法中根据方案周期对所述第一聚合治疗方案进行聚合步骤的实现流程图；

图10是本发明实施例提供的自动判别治疗线的方法中一种医院治疗方案周期分布示意图；

图11是图10经过时间窗增强过滤获得的医院治疗方案周期分布示意图；

图12是本发明实施例提供的自动判别治疗线的方法中另一种医院治疗方案周期分布示意图；

图13是本发明实施例提供的自动判别治疗线的方法的实现流程示意图三；

图14是本发明实施例提供的自动判别治疗线的装置的示意图一；

图15是本发明实施例提供的自动判别治疗线的装置的示意图二；

图16是本发明实施例提供的自动判别治疗线的装置中第一方案获取模块的示意图；

图17是本发明实施例提供的自动判别治疗线的装置中第二方案获取模块的示意图；

图18是本发明实施例提供的自动判别治疗线的装置的示意图三；

图19是本发明实施例提供的终端设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

请参阅图1，本实施例提供了一种自动判别治疗线的方法，包括：

步骤S10：根据患者的临床医疗数据，获取所述临床医疗数据涉及的治疗方案。

获取的医疗数据可以来源于患者的电子病历，其中记载了患者就医的记录等信息。患者每次就诊，都会形成一次就诊记录，其中至少记载了一条治疗方案，每条治疗方案中至少包含了一种处方药物。

请参阅图2，在一个实施例中，步骤S10前还包括获取患者的临床医疗数据，其具体包括如下步骤：

步骤S001：确定所要研究的处方药物集合。

在本实施例中，处方药物集合至少包含一种处方药物，处方药物的数量和类型可以根据需要进行选择。以结直肠癌为例，处方药物集合中包括所要研究的所有用于治疗结直肠癌的化疗药物，包括氟尿嘧啶、伊立替康、亚叶酸、雷替曲塞以及卡培他滨等化疗药物。当然，当所要治疗的疾病变化时，其对应的处方药物也会发生变化。

步骤S002：根据所述处方药物集合，通过数据挖掘获取患者的初始临床医疗数据，所述初始临床医疗数据至少包括诊号、处方日期以及处方药物。

在确认了所要研究的处方药物集合后，可以通过数据挖掘的方式获取确诊的结直肠癌患者的医疗数据，该部分数据还未经过处理，因此记为初始临床医疗数据，提取的初始临床医疗数据的信息可以根据需要进行选择，其每一条医疗数据至少应该包括诊号(VSN)、处方日期以及处方药物，还可以包括其他信息，例如PSN码、本次就诊所有处方药物等。其中，每一条医疗数据中涉及的处方药物构成了一条治疗方案。

步骤S003：根据所述处方日期的先后顺序对所述初始临床医疗数据进行排序，获得临床医疗数据。

由于初始获取的医疗数据并未进行整理，因此整体排列无序。为了便于后续进行数据处理，需要对初始医疗数据进行排序。在本实施例中，根据处方日期的先后顺序对初始临床医疗数据进行排序，处方日期越靠前，则对应的医疗数据排列越靠前，从而可以从时间顺序上反映出治疗方案的变化。经过整理的临床医疗数据如表1所示。

表1

在获取了治疗方案后，需要对治疗方案进行进一步的处理，以便判别治疗线是否发生改变。

请参阅图1，步骤S30：根据用药密度对所述治疗方案进行聚合，获得第一聚合治疗方案。

在本实施例中，用药密度指的是给定的时间段内每天处方药物去重数量之和与该时间段长度的比值。例如，给定的时间段通常以天为单位，可以是一天、两天或三天以上。在计算每天处方药物的数量时，需要将重复的处方药物去除。例如，如表1所示，处方日期为2013年11月1日的医疗数据中，处方药物为氟尿嘧啶，此时无重复的处方药物，因此第一天的用药密度为1；到处方日期为2013年11月2日时，处方药物为伊立替康，前两天无重复处方药物，因此前两天的用药密度为2/2＝1；2013年11月3日类似，此处不再赘述；到2013年11月4日时，处方药物包括氟尿嘧啶、亚叶酸、伊立替康、氟尿嘧啶，可见氟尿嘧啶有重复，因此应将重复的处方药物去除，因此前四天的用药密度为(1+1+1+3)/4＝1.5；以此类推。

请参阅图3，在一个实施例中，步骤S30可以包括如下步骤：

步骤S31：获取所述处方药物的用药密度，用药密度的获取方式如上文所述，此处不再赘述，可以获得如图4所示的处方药物对应的药物密度的时间轴陈列图。在本实例中，考虑到处方日期连续的化疗药处方大概率归属于同一治疗方案，因此基准用药密度被设置为1，如果连续多次处方化疗药的用药密度大于1，则意味着连续多次的化疗药将被聚合为同一治疗方案。

步骤S32：判断所述处方药物的用药密度是否单调增长。

用药密度的变化趋势反映了治疗方案是否发生变更。当处方药物的用药密度随着时间单调增长时，意味着该时间段内治疗方案为同一治疗方案，从而可以对该时间段内的处方药物进行聚合，此时可以进行下述步骤S33：

步骤S33：将单调增长区间内的所述处方药物聚合为一个治疗方案。

当用药密度发生下降时，意味着在用药密度发生下降的时间点对应的治疗方案可能发生了变化，此时则无法将处方药物进行聚合，可以进行下述步骤S34：

步骤S34：将用药密度下降对应的处方药物的处方日期作为另一个治疗方案的起始时间。

例如，从2013年11月1日至2013年11月7日，药物密度成单调增长的趋势，而从2013年11月7日至2013年11月22日，药物密度从2.3下降到了0.9，即从2013年11月1日至2013年11月22日，药物密度不成单调增长，因此可以将2013年11月1日至2013年11月7日的处方药物聚合为一个治疗方案，而将2013年11月22日作为另一个治疗方案的起始时间。

在将2013年11月22日作为另一个治疗方案的起始时间时，其对应的药物密度为3，同时可以获知2013年11月22日至2013年12月20日该时间段内的用药密度为0.2，因此在该时间段内用药密度下降，所以将2013年11月22日的处方药物作为一个单独的治疗方案，以此类推。

通过进行上述聚合过程，可以得到初步的治疗方案，初步聚合的治疗方案如图表2所示。考虑到部分治疗方案可能分布在多次就诊区间中，本实施例在获得初步治疗方案后还要考虑是否对这部分治疗方案进行拆分。

表2

请参阅图5，进一步地，步骤34后还包括：

步骤S401：判断同一个治疗方案是否对应多个诊号。

若同一个所述治疗方案对应多个诊号，则：

步骤S402：根据诊号对所述治疗方案进行拆分，获得经过拆分的治疗方案。

例如，如表2所示，以就诊区间为诊号13036221～13230665为例，出现一种治疗方案出现在多个(两个及两个以上)就诊区间一般可能是三种情况导致：(1)数据质量问题，例如同一就诊中的处方药物发生重复；(2)医院各个信息系统不兼容，导致数据整合出现重复；(3)医师在开具处方药物过程中存在重复开具处方药物。无论是何种原因导致，在数据挖掘以及机器学习过程中均需要对其进行处理。在本实施例中，在对治疗方案进行拆分时，根据初步聚合的治疗方案所在区间内不同就诊时间的起止时间，作为尝试聚合的时间区间进行处方药物的二次聚合(对应拆分过程)，如果所有二次聚合的治疗方和初步聚合的治疗方案相同，那么就保留二次聚合的结果。上述初步聚合的治疗方案可以拆分为诊号13036221和诊号13230665的两个治疗方案(如图6所示)。再如，如表2所示，就诊区间为诊号12500747～12668225对应同一个治疗方案，也可以采用上述方式拆分为诊号12500747和12668225两个治疗方案，拆分结果如表3所示。

表3

在本实施例中，考虑到超级治疗方案的情形，本实施例在获得初步治疗方案后还要考虑是否对超级治疗方案进行拆分。超级治疗方案指的是初步聚合在时间序列上呈现为某个治疗方案为前后两个治疗方案的相加之和。出现情况一般对应的是患者出现身体不耐受、病情有恶化等情况导致在同一次就诊中被迫切换治疗方案。

请参阅图7，进一步地，步骤S34后还包括：

步骤S411：判断一治疗方案是否为该治疗方案前后两个治疗方案的相加之和。

若该治疗方案不为前后两个治疗方案的相加之和，也不需要进行拆分。

若该治疗方案为前后两个治疗方案的相加之和，则该治疗方案为超级治疗方案，进行下述步骤S412。

步骤S412：将该治疗方案拆分为至少两个治疗方案。

步骤S413：判断经过拆分的至少两个治疗方案与前后两个治疗方案是否保持一致；

若经过拆分的至少两个治疗方案与所述前后两个治疗方案保持一致，则进行下述步骤S414：保留该拆分结果。

若经过拆分的至少两个治疗方案与所述前后两个治疗方案不一致，则扔保留拆分前的治疗方案。

以表2中诊号为16204560的治疗方案为例进行说明。诊号16204560的诊疗方案中包括的处方药物为氟尿嘧啶、雷替曲塞和卡培他滨，其前一个诊号为15968579的治疗方案中包括的处方药物为氟尿嘧啶和雷替曲塞，其后一个诊号为16661186的治疗方案中包括的处方药物为卡培他滨，因此16204560的治疗方案为其前后两个治疗方案之和，属于超级治疗方案，因此可以将其拆分为分别包含氟尿嘧啶和雷替曲塞的治疗方案以及包含卡培他滨的治疗方案，拆分结果如表3所示。

在本实施例中，考虑到初步聚合的治疗方案中经常会出现中间的治疗方案是前后两个治疗方案的子集的情况，此时可以根据情况对爱治疗方案进行进一步聚合。

请参阅图8，进一步地，步骤S34后还包括：

步骤S421：判断任一治疗方案是否为紧邻该治疗方案的两治疗方案的子集。

其中，若选定的治疗方案为时间序列上首个治疗方案，则其紧邻的两治疗方案为其后的连续两个治疗方案；若选定的治疗方案为时间序列上位于中间的治疗方案，则其紧邻的两治疗方案为其相邻的两个治疗方案；若选定的治疗方案为时间序列上最后一个治疗方案，则其紧邻的两治疗方案为其前的连续两个治疗方案。

若该治疗方案仅是其中一个治疗方案的子集或者不是人一个治疗方案的子集，则不考虑进行进一步聚合。

若该治疗方案为其紧邻的两治疗方案的子集，则：

步骤S422：判断其紧邻的两治疗方案是否一致，即看这两个治疗方案所包含的处方药物是否相同。

若其紧邻的两治疗方案一致，则：

步骤S423：使得该治疗方案与其紧邻的治疗方案保持一致，从而聚合为同一治疗方案。

若其紧邻的两治疗方案不一致，则不考虑进行进一步聚合。

以表2中诊号为15063214的治疗方案为例进行说明。诊号为15063214的治疗方案包括氟尿嘧啶，其前一个诊号为14790208的治疗方案包括氟尿嘧啶和雷替曲塞，其后一个诊号为15266468的治疗方案包括氟尿嘧啶和雷替曲塞，即该治疗方案为其前后两个治疗方案的子集，且这两个治疗方案一致，因此将诊号为15063214的治疗方案替换为诊号为14790208的治疗方案，从而使得诊号为14790208、诊号为15063214以及诊号为15266468的治疗方案相一致。其结果参照表3所示。

通过上述步骤，可以获得第一聚合治疗方案。

步骤S50：根据方案周期对所述第一聚合治疗方案进行聚合，获得第二聚合治疗方案。

根据上述的表3可知，在获得的第一聚合治疗方案中，每一治疗方案对应的数据至少包括诊号、处方起止时间、执行时长以及方案周期，其中方案周期对应两个相邻方案之间的间隔时间。本实施例可根据方案周期对治疗方案进一步进行聚合，主要基于以下两个方面的原因：(1)统计初步聚合的治疗方案周期分布，可以对不同医院的治疗方案的周期偏好进行区分，动态划分治疗方案周期；(2)为后续的治疗方案判别进行数据清洗。

请参阅图9，在本实施例中，步骤S50可以包括如下步骤：

步骤S51：根据各治疗方案的方案周期，获取同一治疗方案具有同一方案周期的次数。此步骤可以对各治疗方案的方案周期的次数进行统计，从而可以获得方案周期对应的次数。应当理解的是，此处的方案周期对应某一相同的治疗方案。

步骤S52：根据时间窗增强过滤对各治疗方案的方案周期进行聚合，获得所述第二聚合治疗方案。时间窗增强过滤指的是在各时间段对应日期的数值向峰值进行聚合，其具体可以包括如下步骤：

步骤S521：确定各治疗方案下次数最多的方案周期为主峰。

步骤S522：判断所述主峰两侧的方案周期是否满足窗口长度，其中窗口长度是根据需要预先设置的窗口长度，其在聚合的过程中也可以根据需要进行实时调整。

若所述主峰两侧的日期满足窗口长度，则：

步骤S523：根据预设时间窗长度，对所述主峰对应的时间窗范围内其他方案周期的次数进行处理，这里的处理可以是将所述主峰对应的时间窗范围内次高峰的取值聚合至所述主峰，然后记录经过聚合后的主峰对应的方案周期和次数，并将所述主峰对应的时间窗范围内的数据清除，以使得该部分数据在后续迭代的过程中不能再次被使用。

若所述主峰一侧的方案周期不满足窗口长度，而另一侧的方案周期满足窗口长度，则：

步骤S524：对所述主峰对应的方案周期进行偏移，并返回步骤S522，重复上述过程，直到根据步骤S523对所述主峰对应的时间窗范围内其他方案周期的次数进行处理。

若所述主峰两侧的方案周期不满足窗口长度，则意味着窗口长度不符合进行聚合的要求，因此进行下述步骤：

步骤S525：采用自适应窗口方式调整所述窗口长度的取值，并返回步骤S522，重复上述过程，直到根据步骤S523对所述主峰对应的时间窗范围内其他方案周期的次数进行处理。

以图10为例进行说明。图10给出了治疗方案“亚叶酸、伊立替康、氟尿嘧啶”方案周期分布图，图中横坐标为不同方案周期，纵坐标为对应的次数。首先在指定治疗方案的整个时间轴序列上寻找主峰(该治疗方案下次数最多的方案周期为主峰)，即进行主峰锚定(图10对应的主峰方案周期为21天)。以主峰对应的方案周期进行时间窗长度探测，在本实施例中将时间窗长度设置为7天，即窗口长度为7。当然，在其他实施例中，窗口长度也可以根据需要设置为其他值，此处不做限制。当主峰锚定后，以主峰的方案周期为基准在其两侧进行时间窗铺展(左右两侧的铺展程度均为3)。如图10所示，对应方案周期为18的次高峰将被聚合至主峰并被过滤，并将主峰对应的窗口长度范围内(方案周期为18～24)的数据进行清除(此部分数据在后续的迭代过程中不能再次被使用)，然后进行迭代，即返回至步骤S521，在第二轮聚合时发现对应的新的主峰的方案周期为25，但是此时方案周期25左侧的数据已经被清除，使得方案周期25左侧的方案周期数据已经不满足窗口长度，因此进行“质心偏移”操作，即将原本对应方案周期25的主峰偏移值方案周期28，以此满足窗口长度要求。如果经过多次主峰锚定后剩余窗口长度已经不足7，此时将采用自适应窗口原理对窗口长度的取值进行调整，最大限度地满足窗口长度的要求，并将主峰尽可能落在窗口长度的中间位置。例如图10中虽然在方案周期为2的位置数值为0，但是经过自适应窗口调整后出现了峰值，此时窗口长度范围已经自适应调整为对应方案周期1～3。根据时间窗增强过滤对指定治疗方案的方案周期进行聚合后的结果参考图11。

进一步地，对步骤S50获得的结果进行数据统计，可以得到表4，其记载了不同治疗方案对应的不同方案周期的次数。

表4

当然，对于不同的医院，其可以获得不同的结果。例如图12和表5分别对应另一个医院治疗方案“亚叶酸、伊立替康、氟尿嘧啶”方案周期分布图以及治疗方案周期表。

表5

治疗方案	方案周期	次数
			卡培他滨	21	1076
卡培他滨	28	565
			卡培他滨,奥沙利铂	21	1713
卡培他滨,奥沙利铂	28	476
			亚叶酸,伊立替康,氟尿嘧啶	14	1270
亚叶酸,伊立替康,氟尿嘧啶	21	475
			亚叶酸,奥沙利铂,氟尿嘧啶	14	886
亚叶酸,奥沙利铂,氟尿嘧啶	21	368
			亚叶酸,伊立替康,氟尿嘧啶,贝伐珠单抗	14	980
亚叶酸,伊立替康,氟尿嘧啶,贝伐珠单抗	21	330

在获得了第二聚合治疗方案后，需要对换线与否进行判别。

步骤S70：根据所述第二聚合治疗方案，判别治疗线是否发生改变。

此处治疗线即对应不同的治疗方案，其判别过程可以包括如下步骤。

步骤S71：判断任一治疗方案是否与其紧邻的治疗方案相同，此处紧邻可以是与其相邻的治疗方案。

若该治疗方案与其紧邻的治疗方案不同，则：

步骤S72：判断该治疗方案的方案周期距离上一个治疗方案的距离是否大于预设条件，此处预设条件可以是该治疗方案的方案周期的预设倍数，例如可以是三倍或者其他值。

若该治疗方案的方案周期距离上一个治疗方案的距离大于预设条件，则：

步骤S73：确认治疗线发生改变.

若该治疗方案的方案周期距离上一个治疗方案的距离不大于预设条件，则：

步骤S74：认为治疗线未发生改变。

表6涉及孤儿数据二次融合及最终判线。以表6中诊号为6336255的治疗方案为例进行说明。该治疗方案包括亚叶酸和氟尿嘧啶，其与前一个诊号为6177432的治疗方案不同，也与后一个诊号为8654370的治疗方案不同，从而进一步考察期方案周期，其下一个治疗方案距离该治疗方案为351天(大于3倍方案周期)，超过了治疗方案“亚叶酸、奥沙利铂、氟尿嘧啶”的最大概率方案周期，所以可以判定实际换线是发生在诊号为8654370的治疗方案，而诊号为6336255的治疗方案需通过孤儿数据二次融合变换成为治疗方案“亚叶酸、奥沙利铂、氟尿嘧啶”。再如诊号为9912699的治疗方案，其距离上一个治疗方案的时间间隔为85，超过了方案周期的3倍，因此判别为换线，因此不应进行孤儿数据二次融合。

表6

请参阅图13，进一步地，在进行治疗线的判别后，还可以包括：

步骤S90：输出治疗线判别结果，输出结果可如表7所示，可以看到诊号为8654370和9912699的治疗方案发生了换线，其余诊号的治疗方案则未发生换线。

表7

本实施例提供的自动判别治疗线的方法的有益效果至少包括：

(1)本实施例采用自动方式对治疗线进行判别，避免了人工判别治疗线容易存在误判的情况，极大提高了治疗线的判断准确率。

(2)本实施例通过用药密度对所述治疗方案进行聚合，获得第一聚合治疗方案，从而可以覆盖绝大部分治疗方案的聚合生成，避免了人工识别治疗方案时容易遗漏的问题，可以对治疗方案进行有效区分。

(3)本实施例根据方案周期对所述第一聚合治疗方案进行聚合，获得第二聚合治疗方案，从而避免了人工识别过程中将治疗周期设定为一个固定值时导致治疗线发生误判的情况，有助于提高治疗线的判断准确率。

(4)本实施例进一步采用时间增强过滤来过滤聚合生成的治疗方案在时间轴序列上的噪声数据，通过主峰锚定来优化聚合生成的治疗方案在时间轴序列上的实际分布，并通过质心偏移实现治疗方案的时间窗自适应调整，有助于对治疗方案进行进一步聚合，进而有助于提高治疗线的判断准确率。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

请参阅图14，本实施例的目的还在于提供一种自动判别治疗线的装置，包括初始方案获取模块51、第一方案获取模块52、第二方案获取模块53以及判别模块54，其中初始方案获取模块51用于根据患者的临床医疗数据，获取所述临床医疗数据涉及的治疗方案；第一方案获取模块52用于根据用药密度对所述治疗方案进行聚合，获得第一聚合治疗方案；第二方案获取模块53用于根据方案周期对所述第一聚合治疗方案进行聚合，获得第二聚合治疗方案；判别模块54用于根据所述第二聚合治疗方案，判别治疗线是否发生改变。

请参阅图15，进一步地，自动判别治疗线的装置还包括医疗数据获取模块50，用于获取患者的临床医疗数据。

请参阅图16，进一步地，第一方案获取模块52包括用药密度获取单元521、单调增长判断单元522以及第一聚合单元523，其中用药密度获取单元521用于获取所述处方药物的用药密度，单调增长判断单元522用于判断所述处方药物的用药密度是否单调增长，第一聚合单元523用于对处方药物进行聚合。

请参阅图17，进一步地，第二方案获取模块53包括方案周期获取单元531以及第二聚合单元532，其中方案周期获取单元531用于根据各治疗方案的方案周期，获取同一治疗方案具有同一方案周期的次数，第二聚合单元532用于根据时间窗增强过滤对各治疗方案的方案周期进行聚合，获得所述第二聚合治疗方案。

请参阅图18，进一步地，自动判别治疗线的装置还包括数据输出模块55，用于输出所述治疗线判别结果。

图19是本发明一实施例提供的终端设备的示意图。如图19所示，该实施例的终端设备6包括：处理器60、存储器61以及存储在存储器61中并可在处理器60上运行的计算机程序62。处理器60执行计算机程序62时实现上述各个自动判别治疗线的方法实施例中的步骤，例如图1所示的步骤S10至步骤S70。

示例性的，计算机程序62可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器61中，并由处理器60执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序62在终端设备6中的执行过程。

终端设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备6可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图19仅仅是终端设备6的示例，并不构成对终端设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端设备6还可以包括输入输出设备、网络接入设备、总线等。

处理器60可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器61可以是终端设备6的内部存储单元，例如终端设备6的硬盘或内存。存储器61也可以是终端设备6的外部存储设备，例如终端设备6上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器61还可以既包括终端设备6的内部存储单元也包括外部存储设备。存储器61用于存储计算机程序以及终端设备6所需的其它程序和数据。存储器61还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

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单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的模块/单元如果以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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (15)

1.一种自动判别治疗线的方法，其特征在于，包括：

根据患者的临床医疗数据，获取所述临床医疗数据涉及的治疗方案；

根据用药密度对所述治疗方案进行聚合，获得第一聚合治疗方案；

根据方案周期对所述第一聚合治疗方案进行聚合，获得第二聚合治疗方案；

根据所述第二聚合治疗方案，判别治疗线是否发生改变。

2.如权利要求1所述的自动判别治疗线的方法，其特征在于，所述根据患者的临床医疗数据，获取所述临床医疗数据涉及的治疗方案步骤前，还包括：

确定所要研究的处方药物集合；

根据所述处方药物集合，通过数据挖掘获取患者的初始临床医疗数据，所述初始临床医疗数据至少包括诊号、处方日期以及处方药物；

根据所述处方日期的先后顺序对所述初始临床医疗数据进行排序，获得临床医疗数据。

3.如权利要求1所述的自动判别治疗线的方法，其特征在于，所述根据用药密度对所述治疗方案进行聚合，获得第一聚合治疗方案，包括：

获取处方药物的用药密度，所述用药密度为时间段内每天处方药物的去重数量之和与时间段长度的比值；

判断所述处方药物的用药密度是否单调增长；

若所述处方药物的用药密度单调增长，则将单调增长区间内的所述处方药物聚合为一个治疗方案；

若所述处方药物的用药密度下降，则将用药密度下降对应的处方药物的处方日期作为另一个治疗方案的起始时间。

4.如权利要求3所述的自动判别治疗线的方法，其特征在于，所述根据用药密度对所述治疗方案进行聚合，获得第一聚合治疗方案步骤和所述根据方案周期对所述第一聚合治疗方案进行聚合，获得第二聚合治疗方案步骤间，还包括：

判断同一个治疗方案是否对应多个诊号；

若同一个所述治疗方案对应多个诊号，则根据诊号对所述治疗方案进行拆分，获得经过拆分的治疗方案。

5.如权利要求3所述的自动判别治疗线的方法，其特征在于，所述根据用药密度对所述治疗方案进行聚合，获得第一聚合治疗方案步骤和所述根据方案周期对所述第一聚合治疗方案进行聚合，获得第二聚合治疗方案步骤间，还包括：

判断一治疗方案是否为该治疗方案前后两个治疗方案的相加之和；

若该治疗方案为前后两个治疗方案的相加之和，则将该治疗方案拆分为至少两个治疗方案；

判断经过拆分的至少两个治疗方案与所述前后两个治疗方案是否保持一致；

若经过拆分的至少两个治疗方案与所述前后两个治疗方案保持一致，则保留该拆分结果。

6.如权利要求5所述的自动判别治疗线的方法，其特征在于，所述判断经过拆分的至少两个治疗方案与所述前后两个治疗方案是否保持一致步骤后，还包括：

若经过拆分的至少两个治疗方案与所述前后两个治疗方案不保持一致，则保留拆分前的治疗方案。

7.如权利要求3所述的自动判别治疗线的方法，其特征在于，所述根据用药密度对所述治疗方案进行聚合，获得第一聚合治疗方案步骤和所述根据方案周期对所述第一聚合治疗方案进行聚合，获得第二聚合治疗方案步骤间，还包括：

判断任一治疗方案是否为紧邻该治疗方案的两治疗方案的子集；

若该治疗方案为其紧邻的两治疗方案的子集，则判断其紧邻的两治疗方案是否一致；

若其紧邻的两治疗方案一致，则使得该治疗方案与其紧邻的治疗方案保持一致。

8.如权利要求1所述的自动判别治疗线的方法，其特征在于，所述根据方案周期对所述第一聚合治疗方案进行聚合，获得第二聚合治疗方案，包括：

根据各治疗方案的方案周期，获取同一治疗方案具有同一方案周期的次数；

根据时间窗增强过滤对各治疗方案的方案周期进行聚合，获得所述第二聚合治疗方案。

9.如权利要求8所述的自动判别治疗线的方法，其特征在于，所述根据时间窗增强过滤对各治疗方案的方案周期进行聚合，包括：

确定各治疗方案下次数最多的方案周期为主峰；

判断所述主峰两侧的方案周期是否满足窗口长度；

若所述主峰两侧的日期满足窗口长度，则根据预设时间窗长度，对所述主峰对应的时间窗范围内其他方案周期的次数进行处理；

若所述主峰一侧的方案周期不满足窗口长度，则对所述主峰对应的方案周期进行偏移，并返回至判断所述主峰两侧的日期是否满足窗口长度步骤。

10.如权利要求9所述的自动判别治疗线的方法，其特征在于，所述判断所述主峰两侧的方案周期是否满足窗口长度步骤后，还包括：

若所述主峰两侧的方案周期不满足窗口长度，则采用自适应窗口方式调整所述窗口长度的取值，并返回至判断所述主峰两侧的日期是否满足窗口长度步骤。

11.如权利要求9所述的自动判别治疗线的方法，其特征在于，所述根据预设时间窗长度，对所述主峰对应的时间窗范围内其他方案周期的次数进行处理，包括：

将所述主峰对应的时间窗范围内次高峰的取值聚合至所述主峰；

记录经过聚合后的主峰对应的方案周期和次数；

将所述主峰对应的时间窗范围内的数据清除。

12.如权利要求1至11任一项所述的自动判别治疗线的方法，其特征在于，所述根据所述第二聚合治疗方案，判别治疗线是否发生改变，包括：

判断任一治疗方案是否与其紧邻的治疗方案相同；

若该治疗方案与其紧邻的治疗方案不同，则判断该治疗方案的方案周期距离上一个治疗方案的距离是否大于预设条件；

若该治疗方案的方案周期距离上一个治疗方案的距离大于预设条件，则确认治疗线发生改变；

若该治疗方案的方案周期距离上一个治疗方案的距离不大于预设条件，则认为治疗线未发生改变。

13.一种自动判别治疗线的装置，其特征在于，包括：

初始方案获取模块，用于根据患者的临床医疗数据，获取所述临床医疗数据涉及的治疗方案；

第一方案获取模块，用于根据用药密度对所述治疗方案进行聚合，获得第一聚合治疗方案；

第二方案获取模块，用于根据方案周期对所述第一聚合治疗方案进行聚合，获得第二聚合治疗方案；

判别模块，用于根据所述第二聚合治疗方案，判别治疗线是否发生改变。

14.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至12任一项所述的自动判别治疗线的方法。

15.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至12任一项所述的自动判别治疗线的方法。

Images