CN112712904A - 基于嵌套-配对设计的多信息系统不良反应前置预测方法及系统 - Google Patents
基于嵌套-配对设计的多信息系统不良反应前置预测方法及系统 Download PDFInfo
- Publication number
- CN112712904A CN112712904A CN202011547397.8A CN202011547397A CN112712904A CN 112712904 A CN112712904 A CN 112712904A CN 202011547397 A CN202011547397 A CN 202011547397A CN 112712904 A CN112712904 A CN 112712904A
- Authority
- CN
- China
- Prior art keywords
- target
- drug
- similarity
- patient
- physiological characteristic
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 206010067484 Adverse reaction Diseases 0.000 title claims abstract description 30
- 230000006838 adverse reaction Effects 0.000 title claims abstract description 30
- 238000013461 design Methods 0.000 title claims abstract description 30
- 239000003814 drug Substances 0.000 claims abstract description 181
- 229940079593 drug Drugs 0.000 claims abstract description 153
- 208000030453 Drug-Related Side Effects and Adverse reaction Diseases 0.000 claims abstract description 41
- 206010061623 Adverse drug reaction Diseases 0.000 claims abstract description 14
- 230000004044 response Effects 0.000 claims description 25
- 230000002411 adverse Effects 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 239000008280 blood Substances 0.000 claims description 6
- 210000004369 blood Anatomy 0.000 claims description 6
- 230000036772 blood pressure Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000172 allergic effect Effects 0.000 description 2
- 208000010668 atopic eczema Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000005182 global health Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003068 static effect Effects 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Toxicology (AREA)
- Evolutionary Biology (AREA)
- Medicinal Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pharmacology & Pharmacy (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请提供了一种基于嵌套‑配对设计的多信息系统不良反应前置预测方法及系统。该方法包括：获取目标患者的第一生理特征信息以及目标药物；查询针对目标药物的第一数据库以得到多个第一参考患者；获取每一第一参考患者的参考生理特征信息并计算所述第一生理特征信息与每一第一参考生理特征信息的相似度；若存在大于第一预设阈值的相似度，则初步判断目标药物会可能对目标患者造成不良药物反应；根据第一生理特征信息查询第二数据库以得到相似度大于第二预设阈值的多个第二参考患者；若第二参考患者对应的多个第二参考药物存在与目标药物的相似度大于第三预设阈值的参考药物，则判断目标药物会对目标患者造成不良药物反应。
Description
技术领域
本申请涉及计算机网络技术领域，具体而言，涉及一种基于嵌套-配对设计的多信息系统不良反应前置预测方法及系统。
背景技术
根据世界卫生组织国际药物监测合作中心的定义，药物不良反应是指在预防、诊断、资料或者调解生理机能过程中，人体接受正常剂量的药物时出现的任何有害的和用药目的无关的反应。药物不良反应是发病率和死亡率增高的重要原因之一，给全球卫生系统造成了巨大的经济负担。目前针对药物不良反应，往往是在发生再进行补救，很难进行主动和准确的预测。
针对上述问题，目前尚未有有效的技术解决方案。
发明内容
本申请实施例的目的在于提供一种基于嵌套-配对设计的多信息系统不良反应前置预测方法、系统、电子设备及存储介质，可以提高效率和准确率。
第一方面，本申请实施例提供了一种基于嵌套-配对设计的多信息系统不良反应前置预测方法，包括以下步骤：
获取目标患者的第一生理特征信息以及其将要使用的目标药物；
查询针对所述目标药物的第一数据库以得到多个第一参考患者，所述第一参考患者会对所述目标药物产生不良药物反应；
获取每一所述第一参考患者的参考生理特征信息并计算所述第一生理特征信息与每一所述第一参考生理特征信息的相似度；
若存在大于第一预设阈值的相似度，则初步判断所述目标药物会可能对所述目标患者造成不良药物反应；
根据第一生理特征信息查询第二数据库以得到相似度大于第二预设阈值的多个第二参考患者，每一所述第二参考患者均对至少一种第二参考药物产生不良药物反应；
若所述第二参考患者对应的多个第二参考药物存在与所述目标药物的相似度大于第三预设阈值的参考药物，则判断所述目标药物会对所述目标患者造成不良药物反应。
可选地，在本申请实施例所述的基于嵌套-配对设计的多信息系统不良反应前置预测方法中，所述第二预设阈值大于所述第一预设阈值；
所述根据第一生理特征信息查询第二数据库以得到相似度大于第二预设阈值的多个第二参考患者，包括：
分别计算所述目标患者的第一生理特征信息与所述第二数据库中的部分满足预设条件的多个参考患者的第二参考生理特征信息的相似度；其中，预设条件是指年龄差距小于第一预设值、性别相同、既往病史相似度大于第二预设值；
从所述多个参考患者中筛选出多个相似度大于第二预设阈值的参考患者作为第二参考患者。
可选地，在本申请实施例所述的基于嵌套-配对设计的多信息系统不良反应前置预测方法中，所述若所述第二参考患者对应的多个第二参考药物存在与所述目标药物的相似度大于第三预设阈值的参考药物，则判断所述目标药物会对所述目标患者造成不良药物反应，包括：
分别计算所述目标药物与所述第二参考患者的每一所述第二参考药物的相似度；
判断所述多个第二参考患者的第二参考药物中是否存在相似度大于第三预设阈值的参考药物；
若存在，则判断所述目标药物会对所述目标患者造成不良药物反应。
可选地，在本申请实施例所述的基于嵌套-配对设计的多信息系统不良反应前置预测方法中，所述分别计算所述目标药物与所述第二参考患者的每一所述第二参考药物的相似度，包括：
计算所述目标药物的药物成分与每一所述第二参考药物的药物成分的成分相似度；
计算所述目标药物的药物反应与每一所述第二参考药物的药物反应的反应相似度；
根据所述成分相似度以及所述反应相似度计算所述目标药物与对应所述第二参考药物的相似度。
可选地，在本申请实施例所述的基于嵌套-配对设计的多信息系统不良反应前置预测方法中，所述获取目标患者的第一生理特征信息，包括；
获取目标患者的年龄信息、性别信息、血压曲线图谱、心率曲线图谱、血型信息、既往病史信息以及体重信息。
可选地，在本申请实施例所述的基于嵌套-配对设计的多信息系统不良反应前置预测方法中，所述相似度为余弦相似度。
可选地，在本申请实施例所述的基于嵌套-配对设计的多信息系统不良反应前置预测方法中，所述判断所述目标药物会对所述目标患者造成不良药物反应之后，还包括：
根据所述目标药物对所述目标患者的不良药物反应的判断结果更新所述第一数据库以及所述第二数据库。
第二方面，本申请实施例还提供了一种基于嵌套-配对设计的多信息系统不良反应前置预测系统，包括：
第一获取模块，用于获取目标患者的第一生理特征信息以及其将要使用的目标药物；
第一查询模块，用于查询针对所述目标药物的第一数据库以得到多个第一参考患者，所述第一参考患者会对所述目标药物产生不良药物反应；
第二获取模块，用于获取每一所述第一参考患者的参考生理特征信息并计算所述第一生理特征信息与每一所述第一参考生理特征信息的相似度；
第一判断模块，用于若存在大于第一预设阈值的相似度，则初步判断所述目标药物会可能对所述目标患者造成不良药物反应；
第二判断模块，用于根据第一生理特征信息查询第二数据库以得到相似度大于第二预设阈值的多个第二参考患者，每一所述第二参考患者均对至少一种第二参考药物产生不良药物反应；
若所述第二参考患者对应的多个第二参考药物存在与所述目标药物的相似度大于第三预设阈值的参考药物，则判断所述目标药物会对所述目标患者造成不良药物反应。
第三方面，本申请实施例提供一种电子设备，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如上述第一方面提供的所述方法中的步骤。
第四方面，本申请实施例提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时运行如上述第一方面提供的所述方法中的步骤。
由上可知，本申请实施例提供的基于嵌套-配对设计的多信息系统不良反应前置预测方法及预测系统通过获取目标患者的第一生理特征信息以及其将要使用的目标药物；查询针对所述目标药物的第一数据库以得到多个第一参考患者，所述第一参考患者会对所述目标药物产生不良药物反应；获取每一所述第一参考患者的参考生理特征信息并计算所述第一生理特征信息与每一所述第一参考生理特征信息的相似度；若存在大于第一预设阈值的相似度，则初步判断所述目标药物会可能对所述目标患者造成不良药物反应，通过基于第一数据库以及第二数据库来进行双重判断，可以快速判断某一目标药物是否对引起目标患者发送药物不良反应，具有效率高、准确率高的有益效果。
本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。
图1为本申请实施例提供的一种基于嵌套-配对设计的多信息系统不良反应前置预测方法的一种流程图。
图2为本申请实施例提供的基于嵌套-配对设计的多信息系统不良反应前置预测系统的第一种结构示意图。
图3为本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
请参照图1，图1是本申请一些实施例中的一种基于嵌套-配对设计的多信息系统不良反应前置预测方法的流程图，该基于嵌套-配对设计的多信息系统不良反应前置预测方法，包括以下步骤：
S101、获取目标患者的第一生理特征信息以及其将要使用的目标药物。
S102、查询针对所述目标药物的第一数据库以得到多个第一参考患者，所述第一参考患者会对所述目标药物产生不良药物反应。
S103、获取每一所述第一参考患者的参考生理特征信息并计算所述第一生理特征信息与每一所述第一参考生理特征信息的相似度。
S104、若存在大于第一预设阈值的相似度，则初步判断所述目标药物会可能对所述目标患者造成不良药物反应。
S105、根据第一生理特征信息查询第二数据库以得到相似度大于第二预设阈值的多个第二参考患者，每一所述第二参考患者均对至少一种第二参考药物产生不良药物反应。
S106、若所述第二参考患者对应的多个第二参考药物存在与所述目标药物的相似度大于第三预设阈值的参考药物，则判断所述目标药物会对所述目标患者造成不良药物反应。
其中，在该步骤S101中，该目标患者的第一生理特征信息可以包括目标患者的年龄信息、性别信息、血压曲线图谱、心率曲线图谱、血型信息、既往病史信息以及体重信息，当然，其并不限于此。
其中，在该步骤S102中，第一数据库中存储有多个第一参考患者及对应的参考生理特征信息。每一第一参考患者均为对该目标药物过敏的患者。参考生理特征信息可以包括第一参考患者的年龄信息、性别信息、血压曲线图谱、心率曲线图谱、血型信息、既往病史信息以及体重信息，当然，其并不限于此。
其中，在该步骤S103中，可以采用预设的神经网络模型来提取参考生理特征信息参考特征向量，并提取该第一生理特征信息的第一特征向量。然后计算第一特征向量与每一参考特征向量的余弦相似度。
其中，在该步骤S104中，其中，该第一预设阈值为采用多次试验得出的经验值。经过第一次初步判断的筛选可以筛选出不会产生不良药物反应的目标患者。但是初步判断后，其中还可能有误判，因此需要后续步骤的进一步确认。
其中，在该步骤S105中，第二数据库中存储有各个生理特征的第二参考患者以及与每一第二参考患者对应的第二参考药物，第二参考药物会对对应的第二患者产生不良药物反应。其中，在该步骤中的相似度为余弦相似度，在此不过多描述。第二预设阈值大于该第一预设阈值。例如，该第二预设阈值为1.2乘以第一预设阈值。
其中，在该步骤S106中，可以采用以下步骤实现：计算所述目标药物的药物成分与每一所述第二参考药物的药物成分的成分相似度；计算所述目标药物的药物反应与每一所述第二参考药物的药物反应的反应相似度；根据所述成分相似度以及所述反应相似度计算所述目标药物与对应所述第二参考药物的相似度。其中，可以基于成分相似度以及反应相似度对应的权重比例来设置该目标药物与对应所述第二参考药物的相似度。其中，在该步骤S106中，可以包括以下子步骤：S1061、分别计算所述目标药物与所述第二参考患者的每一所述第二参考药物的相似度；S1062、判断所述多个第二参考患者的第二参考药物中是否存在相似度大于第三预设阈值的参考药物；S1063、若存在，则判断所述目标药物会对所述目标患者造成不良药物反应。
可以理解地，在一些实施例中，该步骤S105可以包括以下子步骤：
S1051、分别计算所述目标患者的第一生理特征信息与所述第二数据库中的部分满足预设条件的多个参考患者的第二参考生理特征信息的相似度；其中，预设条件是指年龄差距小于第一预设值、性别相同、既往病史相似度大于第二预设值；S1052、从所述多个参考患者中筛选出多个相似度大于第二预设阈值的参考患者作为第二参考患者。
其中，在该步骤S1051中，为了减小计算量，可以先基于某一预设条件来从该多个患者中筛选出多个参考患者。例如，基于患者的年龄、性别以及既往病史等条件，但是其并不限于此。其中，在该步骤S1052中，该相似度是指该目标患者的第一生理特征信息与该参考患者的生理特征信息的余弦相似度。该第二预设阈值大于该第一预设阈值，该第二预设值以及该第一预设值均为基于试验得出的经验数据。
其中，在一些实施例中，判断所述目标药物会对所述目标患者造成不良药物反应之后，还包括：
S107、根据所述目标药物对所述目标患者的不良药物反应的判断结果更新所述第一数据库以及所述第二数据库。
由上可知，本申请实施例提供的基于嵌套-配对设计的多信息系统不良反应前置预测方法通过获取目标患者的第一生理特征信息以及其将要使用的目标药物；查询针对所述目标药物的第一数据库以得到多个第一参考患者，所述第一参考患者会对所述目标药物产生不良药物反应；获取每一所述第一参考患者的参考生理特征信息并计算所述第一生理特征信息与每一所述第一参考生理特征信息的相似度；若存在大于第一预设阈值的相似度，则初步判断所述目标药物会可能对所述目标患者造成不良药物反应，通过基于第一数据库以及第二数据库来进行双重判断，可以快速判断某一目标药物是否对引起目标患者发送药物不良反应，具有效率高、准确率高的有益效果。
如图2所示，图2是本申请一些实施例中的一种基于嵌套-配对设计的多信息系统不良反应前置预测系统的结构示意图，基于嵌套-配对设计的多信息系统不良反应前置预测系统，包括：第一获取模块201、第一查询模块202、第二获取模块203、第一判断模块204、第二查询模块205以及第二判断模块206。
其中，该第一获取模块201用于获取目标患者的第一生理特征信息以及其将要使用的目标药物；该目标患者的第一生理特征信息可以包括目标患者的年龄信息、性别信息、血压曲线图谱、心率曲线图谱、血型信息、既往病史信息以及体重信息，当然，其并不限于此。
其中，该第一查询模块202用于查询针对所述目标药物的第一数据库以得到多个第一参考患者，所述第一参考患者会对所述目标药物产生不良药物反应；第一数据库中存储有多个第一参考患者及对应的参考生理特征信息。每一第一参考患者均为对该目标药物过敏的患者。参考生理特征信息可以包括第一参考患者的年龄信息、性别信息、血压曲线图谱、心率曲线图谱、血型信息、既往病史信息以及体重信息，当然，其并不限于此。
其中，该第二获取模块203用于获取每一所述第一参考患者的参考生理特征信息并计算所述第一生理特征信息与每一所述第一参考生理特征信息的相似度；可以采用预设的神经网络模型来提取参考生理特征信息参考特征向量，并提取该第一生理特征信息的第一特征向量。然后计算第一特征向量与每一参考特征向量的余弦相似度。
其中，该第一判断模块204用于若存在大于第一预设阈值的相似度，则初步判断所述目标药物会可能对所述目标患者造成不良药物反应；其中，该第一预设阈值为采用多次试验得出的经验值。经过第一次初步判断的筛选可以筛选出不会产生不良药物反应的目标患者。但是初步判断后，其中还可能有误判，因此需要后续步骤的进一步确认。
其中，该第二查询模块205用于根据第一生理特征信息查询第二数据库以得到相似度大于第二预设阈值的多个第二参考患者，每一所述第二参考患者均对至少一种第二参考药物产生不良药物反应；第二数据库中存储有各个生理特征的第二参考患者以及与每一第二参考患者对应的第二参考药物，第二参考药物会对对应的第二患者产生不良药物反应。其中，在该步骤中的相似度为余弦相似度，在此不过多描述。第二预设阈值大于该第一预设阈值。例如，该第二预设阈值为1.2乘以第一预设阈值。
其中，该第二判断模块206用于若所述第二参考患者对应的多个第二参考药物存在与所述目标药物的相似度大于第三预设阈值的参考药物，则判断所述目标药物会对所述目标患者造成不良药物反应。可以采用以下步骤实现：计算所述目标药物的药物成分与每一所述第二参考药物的药物成分的成分相似度；计算所述目标药物的药物反应与每一所述第二参考药物的药物反应的反应相似度；根据所述成分相似度以及所述反应相似度计算所述目标药物与对应所述第二参考药物的相似度。其中，可以基于成分相似度以及反应相似度对应的权重比例来设置该目标药物与对应所述第二参考药物的相似度。其中，该第二判断模块206用于分别计算所述目标药物与所述第二参考患者的每一所述第二参考药物的相似度；判断所述多个第二参考患者的第二参考药物中是否存在相似度大于第三预设阈值的参考药物；若存在，则判断所述目标药物会对所述目标患者造成不良药物反应。
可以理解地，在一些实施例中，该该第二查询模块205用于：分别计算所述目标患者的第一生理特征信息与所述第二数据库中的部分满足预设条件的多个参考患者的第二参考生理特征信息的相似度；其中，预设条件是指年龄差距小于第一预设值、性别相同、既往病史相似度大于第二预设值；从所述多个参考患者中筛选出多个相似度大于第二预设阈值的参考患者作为第二参考患者。其中，为了减小计算量，可以先基于某一预设条件来从该多个患者中筛选出多个参考患者。例如，基于患者的年龄、性别以及既往病史等条件，但是其并不限于此。其中，该相似度是指该目标患者的第一生理特征信息与该参考患者的生理特征信息的余弦相似度。该第二预设阈值大于该第一预设阈值，该第二预设值以及该第一预设值均为基于试验得出的经验数据。
由上可知，本申请实施例提供的基于嵌套-配对设计的多信息系统不良反应前置预测系统通过获取目标患者的第一生理特征信息以及其将要使用的目标药物；查询针对所述目标药物的第一数据库以得到多个第一参考患者，所述第一参考患者会对所述目标药物产生不良药物反应；获取每一所述第一参考患者的参考生理特征信息并计算所述第一生理特征信息与每一所述第一参考生理特征信息的相似度；若存在大于第一预设阈值的相似度，则初步判断所述目标药物会可能对所述目标患者造成不良药物反应，通过基于第一数据库以及第二数据库来进行双重判断，可以快速判断某一目标药物是否对引起目标患者发送药物不良反应，具有效率高、准确率高的有益效果。
请参照图3，图3为本申请实施例提供的一种电子设备的结构示意图，本申请提供一种电子设备3，包括：处理器301和存储器302，处理器301和存储器302通过通信总线303和/或其他形式的连接机构(未标出)互连并相互通讯，存储器302存储有处理器301可执行的计算机程序，当计算设备运行时，处理器301执行该计算机程序，以执行时执行上述实施例的任一可选的实现方式中的方法。
本申请实施例提供一种存储介质，所述计算机程序被处理器执行时，执行上述实施例的任一可选的实现方式中的方法。其中，存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(Static Random AccessMemory,简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead-Only Memory,简称EEPROM)，可擦除可编程只读存储器(Erasable ProgrammableRead Only Memory,简称EPROM)，可编程只读存储器(Programmable Red-Only Memory,简称PROM)，只读存储器(Read-Only Memory,简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
在本申请所提供的实施例中，应该理解到，所揭露系统和方法，可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，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，又例如，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信连接可以是通过一些通信接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，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。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于嵌套-配对设计的多信息系统不良反应前置预测方法，其特征在于，包括以下步骤：
获取目标患者的第一生理特征信息以及其将要使用的目标药物；
查询针对所述目标药物的第一数据库以得到多个第一参考患者，所述第一参考患者会对所述目标药物产生不良药物反应；
获取每一所述第一参考患者的参考生理特征信息并计算所述第一生理特征信息与每一所述第一参考生理特征信息的相似度；
若存在大于第一预设阈值的相似度，则初步判断所述目标药物会可能对所述目标患者造成不良药物反应；
根据第一生理特征信息查询第二数据库以得到相似度大于第二预设阈值的多个第二参考患者，每一所述第二参考患者均对至少一种第二参考药物产生不良药物反应；
若所述第二参考患者对应的多个第二参考药物存在与所述目标药物的相似度大于第三预设阈值的参考药物，则判断所述目标药物会对所述目标患者造成不良药物反应。
2.根据权利要求1所述的基于嵌套-配对设计的多信息系统不良反应前置预测方法，其特征在于，所述第二预设阈值大于所述第一预设阈值；
所述根据第一生理特征信息查询第二数据库以得到相似度大于第二预设阈值的多个第二参考患者，包括：
分别计算所述目标患者的第一生理特征信息与所述第二数据库中的部分满足预设条件的多个参考患者的第二参考生理特征信息的相似度；其中，预设条件是指年龄差距小于第一预设值、性别相同、既往病史相似度大于第二预设值；
从所述多个参考患者中筛选出多个相似度大于第二预设阈值的参考患者作为第二参考患者。
3.根据权利要求1所述的基于嵌套-配对设计的多信息系统不良反应前置预测方法，其特征在于，所述若所述第二参考患者对应的多个第二参考药物存在与所述目标药物的相似度大于第三预设阈值的参考药物，则判断所述目标药物会对所述目标患者造成不良药物反应，包括：
分别计算所述目标药物与所述第二参考患者的每一所述第二参考药物的相似度；
判断所述多个第二参考患者的第二参考药物中是否存在相似度大于第三预设阈值的参考药物；
若存在，则判断所述目标药物会对所述目标患者造成不良药物反应。
4.根据权利要求3所述的基于嵌套-配对设计的多信息系统不良反应前置预测方法，其特征在于，所述分别计算所述目标药物与所述第二参考患者的每一所述第二参考药物的相似度，包括：
计算所述目标药物的药物成分与每一所述第二参考药物的药物成分的成分相似度；
计算所述目标药物的药物反应与每一所述第二参考药物的药物反应的反应相似度；
根据所述成分相似度以及所述反应相似度计算所述目标药物与对应所述第二参考药物的相似度。
5.根据权利要求1所述的基于嵌套-配对设计的多信息系统不良反应前置预测方法，其特征在于，所述获取目标患者的第一生理特征信息，包括；
获取目标患者的年龄信息、性别信息、血压曲线图谱、心率曲线图谱、血型信息、既往病史信息以及体重信息。
6.根据权利要求1所述的基于嵌套-配对设计的多信息系统不良反应前置预测方法，其特征在于，所述相似度为余弦相似度。
7.根据权利要求1所述的基于嵌套-配对设计的多信息系统不良反应前置预测方法，其特征在于，所述判断所述目标药物会对所述目标患者造成不良药物反应之后，还包括：
根据所述目标药物对所述目标患者的不良药物反应的判断结果更新所述第一数据库以及所述第二数据库。
8.一种基于嵌套-配对设计的多信息系统不良反应前置预测系统，其特征在于，包括：
第一获取模块，用于获取目标患者的第一生理特征信息以及其将要使用的目标药物；
第一查询模块，用于查询针对所述目标药物的第一数据库以得到多个第一参考患者，所述第一参考患者会对所述目标药物产生不良药物反应；
第二获取模块，用于获取每一所述第一参考患者的参考生理特征信息并计算所述第一生理特征信息与每一所述第一参考生理特征信息的相似度；
第一判断模块，用于若存在大于第一预设阈值的相似度，则初步判断所述目标药物会可能对所述目标患者造成不良药物反应；
第二判断模块，用于根据第一生理特征信息查询第二数据库以得到相似度大于第二预设阈值的多个第二参考患者，每一所述第二参考患者均对至少一种第二参考药物产生不良药物反应；
若所述第二参考患者对应的多个第二参考药物存在与所述目标药物的相似度大于第三预设阈值的参考药物，则判断所述目标药物会对所述目标患者造成不良药物反应。
9.一种电子设备，其特征在于，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如权利要求1-7任一所述方法中的步骤。
10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时运行如权利要求1-7任一所述方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011547397.8A CN112712904B (zh) | 2020-12-24 | 2020-12-24 | 基于嵌套-配对设计的多信息系统不良反应前置预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011547397.8A CN112712904B (zh) | 2020-12-24 | 2020-12-24 | 基于嵌套-配对设计的多信息系统不良反应前置预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112712904A true CN112712904A (zh) | 2021-04-27 |
| CN112712904B CN112712904B (zh) | 2023-10-27 |
Family
ID=75544100
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011547397.8A Active CN112712904B (zh) | 2020-12-24 | 2020-12-24 | 基于嵌套-配对设计的多信息系统不良反应前置预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112712904B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116864074A (zh) * | 2023-09-05 | 2023-10-10 | 四川省医学科学院·四川省人民医院 | 一种药品进院遴选管理系统 |
| CN116913456A (zh) * | 2023-09-12 | 2023-10-20 | 四川省医学科学院·四川省人民医院 | 一种基于临床指标的介入诊疗评价方法和系统 |
| CN117789989A (zh) * | 2024-02-27 | 2024-03-29 | 贵州省畜牧兽医研究所 | 一种家禽疫病治疗效果量化评价方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012021899A2 (en) * | 2010-08-13 | 2012-02-16 | Intellimedicine, Inc. | System and methods for the production of personalized drug products |
| CN107169281A (zh) * | 2017-05-11 | 2017-09-15 | 杭州逸曜信息技术有限公司 | 药品不良反应信息获取方法 |
| US20180060508A1 (en) * | 2016-08-26 | 2018-03-01 | International Business Machines Corporation | Personalized tolerance prediction of adverse drug events |
| CN110287889A (zh) * | 2019-06-26 | 2019-09-27 | 银河水滴科技（北京）有限公司 | 一种身份识别的方法及装置 |
| CN110322944A (zh) * | 2019-05-31 | 2019-10-11 | 浙江大学 | 药物不良反应智能监测方法、装置、系统和计算机设备 |
| CN110752002A (zh) * | 2019-10-17 | 2020-02-04 | 清华大学 | 一种药物用量预测装置 |
| CN111966838A (zh) * | 2020-08-25 | 2020-11-20 | 上海梅斯医药科技有限公司 | 一种不良事件和用药关联性判断方法和系统 |
-
2020
- 2020-12-24 CN CN202011547397.8A patent/CN112712904B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012021899A2 (en) * | 2010-08-13 | 2012-02-16 | Intellimedicine, Inc. | System and methods for the production of personalized drug products |
| US20180060508A1 (en) * | 2016-08-26 | 2018-03-01 | International Business Machines Corporation | Personalized tolerance prediction of adverse drug events |
| CN107169281A (zh) * | 2017-05-11 | 2017-09-15 | 杭州逸曜信息技术有限公司 | 药品不良反应信息获取方法 |
| CN110322944A (zh) * | 2019-05-31 | 2019-10-11 | 浙江大学 | 药物不良反应智能监测方法、装置、系统和计算机设备 |
| CN110287889A (zh) * | 2019-06-26 | 2019-09-27 | 银河水滴科技（北京）有限公司 | 一种身份识别的方法及装置 |
| CN110752002A (zh) * | 2019-10-17 | 2020-02-04 | 清华大学 | 一种药物用量预测装置 |
| CN111966838A (zh) * | 2020-08-25 | 2020-11-20 | 上海梅斯医药科技有限公司 | 一种不良事件和用药关联性判断方法和系统 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116864074A (zh) * | 2023-09-05 | 2023-10-10 | 四川省医学科学院·四川省人民医院 | 一种药品进院遴选管理系统 |
| CN116864074B (zh) * | 2023-09-05 | 2023-11-07 | 四川省医学科学院·四川省人民医院 | 一种药品进院遴选管理系统 |
| CN116913456A (zh) * | 2023-09-12 | 2023-10-20 | 四川省医学科学院·四川省人民医院 | 一种基于临床指标的介入诊疗评价方法和系统 |
| CN116913456B (zh) * | 2023-09-12 | 2023-12-12 | 四川省医学科学院·四川省人民医院 | 一种基于临床指标的介入诊疗评价方法和系统 |
| CN117789989A (zh) * | 2024-02-27 | 2024-03-29 | 贵州省畜牧兽医研究所 | 一种家禽疫病治疗效果量化评价方法及系统 |
| CN117789989B (zh) * | 2024-02-27 | 2024-04-30 | 贵州省畜牧兽医研究所 | 一种家禽疫病治疗效果量化评价方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112712904B (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112712904B (zh) | 基于嵌套-配对设计的多信息系统不良反应前置预测方法及系统 | |
| US20200258608A1 (en) | Medical database and system | |
| JP6066826B2 (ja) | 分析システム及び保健事業支援方法 | |
| CN110752035A (zh) | 健康数据处理方法、装置、计算机设备及存储介质 | |
| US8736453B2 (en) | Preemptive notification of patient fall risk condition | |
| CN109524125B (zh) | 基于医疗大数据的药品库存分析方法、存储介质及设备 | |
| US20170199965A1 (en) | Medical system and method for predicting future outcomes of patient care | |
| CN109461482A (zh) | 健康计划生成方法、装置、计算机设备和存储介质 | |
| CN111667890A (zh) | 基于人工智能的用药推荐方法、装置、设备及存储介质 | |
| CN112132624A (zh) | 医疗理赔数据预测系统 | |
| US20180210925A1 (en) | Reliability measurement in data analysis of altered data sets | |
| WO2009063285A1 (en) | Method and system for active patient management | |
| CN109671476A (zh) | 无关用药的识别方法、装置、终端及计算机可读存储介质 | |
| CN112585693A (zh) | 减少冗余警报 | |
| CN112201360A (zh) | 慢病随访记录收集方法、装置、设备及存储介质 | |
| CN116831523A (zh) | 基于健康监测的报警方法、装置、设备及存储介质 | |
| CN111899874A (zh) | 基于用户模型的健康管理系统及方法 | |
| CN109545319B (zh) | 基于知识关系分析的处方告警方法及终端设备 | |
| CN112562868B (zh) | 基于患者个体化特征的高灵敏度、高特异性前置药物不良反应预测方法及系统 | |
| CN113657550A (zh) | 基于分层计算的患者标记方法、装置、设备及存储介质 | |
| US20200395125A1 (en) | Method and apparatus for monitoring a human or animal subject | |
| CN111933246A (zh) | 医疗处方分析方法、系统、电子设备及存储介质 | |
| US20230005316A1 (en) | Managing server, managing method and computer program for operating biometric information-based access management system | |
| CN110781222A (zh) | 异常医保申请检测方法、装置、计算机设备和存储介质 | |
| US20210391048A1 (en) | Care plan assignment based on clustering |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |