CN112802575A - 基于图形状态机的用药决策支持方法、装置、设备、介质 - Google Patents

基于图形状态机的用药决策支持方法、装置、设备、介质 Download PDF

Info

Publication number
CN112802575A
CN112802575A CN202110385599.5A CN202110385599A CN112802575A CN 112802575 A CN112802575 A CN 112802575A CN 202110385599 A CN202110385599 A CN 202110385599A CN 112802575 A CN112802575 A CN 112802575A
Authority
CN
China
Prior art keywords
information
medication
entity
emotion
state machine
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
Application number
CN202110385599.5A
Other languages
English (en)
Other versions
CN112802575B (zh
Inventor
洪东升
张建华
倪剑
卢晓阳
刘晓健
陈敬
陈婷婷
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202110385599.5A priority Critical patent/CN112802575B/zh
Publication of CN112802575A publication Critical patent/CN112802575A/zh
Application granted granted Critical
Publication of CN112802575B publication Critical patent/CN112802575B/zh
Priority to PCT/CN2022/070480 priority patent/WO2022213690A1/zh
Priority to US17/841,688 priority patent/US20220328156A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/237—Lexical tools
    • G06F40/242—Dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/237—Lexical tools
    • G06F40/247—Thesauruses; Synonyms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Epidemiology (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Medicinal Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Toxicology (AREA)
  • Biomedical Technology (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明提供一种基于图形状态机的用药决策支持方法及装置。获取用户用药咨询语句；通过分词和语义识别提取所述用药咨询语句中的症状信息实体、过敏信息实体以及发病信息实体；通过三个独立的图形状态机，形成一个对目标事件响应速度较快的图形状态机集；利用神经网络模型和情感分词词典，分析用户用药咨询语句中的病发程度信息，与用户所说的病发程度信息做比对，得到病发程度的修正值；利用修正值去除用户情感因素导致的对病发程度的过度判断，或者低估判断，得到准确的病发程度信息；通过用药决策支持装置实现针对准确病发程度信息的用药决策支持。本发明可实现与患者个体认知水平无关的对病发程度的智能判断，提高用药准确性。

Description

基于图形状态机的用药决策支持方法、装置、设备、介质
技术领域
本发明涉及合理用药领域，更具体的涉及一种基于图形状态机的用药决策支持方法及装置。
背景技术
药品是指用于预防、治疗、诊断人的疾病，有目的地调节人的生理机能并规定有适应症或功能主治、用法和用量的物质，包括中药材、中药饮片、中成药、化学原料药及其制剂、抗生素、生化药品、放射性药品、血清、疫苗、血液制品和诊断药品等。众所周知，药品的应用对于提高人民的健康水平起到了积极的作用，但是也必须认识到药品具有两面性，其中药品的使用方法、数量、时间等多种因素在很大程度上决定其治疗效果，误用不仅不能“治病”，还可能“致病”，甚至危及患者生命安全。
随着我国药品可及性、质量与疗效的逐步提高，药品已经变得越来越容易获得，因此在其使用环节是否安全合理，已经成为影响公众用药安全的关键因素。针对如何安全、合理的使用药品，现有技术已经开发了多种临床用药辅助决策系统。专利号：ZL201110452960.8公开了一种临床合理用药决策支持方法，包括了一种临床合理用药规范数据库和多种判别单元，其以控件的形式嵌入到HIS（医院管理信息系统）中，实现自动给出治疗方案、自动监测可能过敏的药品、自动审查药品配伍禁忌及相互作用等功能，起到帮助医生优化用药方案的作用。但是该决策支持方法是以“临床合理用药规范数据库”为基础，是一个静态数据库的架构，在实际使用过程可能存在响应慢（卡顿）的问题；此外，该专利方法包括了多种判别单元，构成复杂，往往会在医嘱界面弹出很多信息，过多的信息反而容易干扰医生判断，也不适合公众进行辨别使用。另一方面，现有的临床合理用药决策支持方法通过静态数据库的方式采用群体水平的证据，提供基于概率的证据等级，容易造成多个同质患者推送一种用药方案的情况，缺乏对患者个体水平的智能评估。
因此，随着人工智能技术的发展，有必要对现有技术进行改进，实现在合理用药领域患者个体水平的智能判断，突破群体证据的限制，为临床提供充分考虑患者个性化用药参考方案的信息支持。
发明内容
为了解决上述合理用药的技术问题，本发明提供一种基于图形状态机的用药决策支持方法及装置，实现患者用户疾病严重程度的智能判断，并关联具体的给药剂量和服药频率，使得合理用药系统仅给出与用药最为关键的信息：如何吃药、怎么吃药，从而避免繁杂信息造成用户的选择障碍。
图形状态机通过将非结构化的文本信息和编码后的数据融合到一个结构化的叙述性图谱模型，通过图形编辑的形式能实现合理用药规则的更新，而摆脱医护人员不擅于代码编辑的困扰，有效提高了合理用药知识的更新效率。
从发明点来看：首先，本发明采用图形状态机模型形成适用于用药推荐的指示用药决策的图形状态机集，通过图形机之间的联动提高用药推荐的靶点和效率；其次，引入情感判别和神经网络模型以分别针对不同患者的病情描述情况进行情感得分，从而纠正患者的情感表述误差。
为此，本发明的关键在于：
（1）本发明的图形状态机与现有技术不同，本发明所述图形状态机集通过三个串联的图形状态机，实现不同年龄层次、体重、身高、发病时间点、发病症状与用药推荐的关联，其中用药推荐包括了具体的用药频次、用药剂量和服药的时间点，进而得到准确的决策，提高用药推荐的准确性，三个串联图形状体机的设计提高了用药推荐的靶点和系统运行效率。
（2）本发明提出了一种基于患者咨询语句的情感得分判别方法，通过情感得分与患者病发严重程度的关联，实现在患者个体水平病发严重程度的智能判断。
（3）本发明利用定制的神经网络模型，来分析用户输入语句的病发程度，进而与用户所说的病发程度做比对，得到病发程度的修正值，利用该修正值去除用户感情因素导致的对病发程度的过度判断或低估判断，实现对患者病情描述的准确判断。
根据本发明的一方面，提供了一种基于图形状态机的用药决策支持方法，包括：
获取用户用药咨询语句；
通过分词和语义识别提取所述用药咨询语句中的症状信息实体、过敏信息实体以及发病信息实体；
基于预设的指示用药决策的图形状态机集，利用所述症状信息实体、所述过敏信息实体以及所述发病信息实体生成用药决策信息；所述指示用药决策图形状态机集包含至少一个指示用药决策的图形状态机；
根据所述用药决策信息为用户提供初选的可用药品；
其中，所述过敏信息实体包括过敏药物实体、过敏食物实体；
所述发病信息实体包括年龄层次实体、体重实体、身高实体、发病时间实体以及发病严重程度实体；
所述用药决策信息包括药品名称信息、药品剂量信息以及用药频次信息。
在优选的实施方式中，所述指示用药决策图形状态机集包括：第一指示用药决策图形状态机、第二指示用药决策图形状态机以及第三指示用药决策图形状态机；
所述第一指示用药决策图形状态机包括症状信息实体、诊断实体、药品适应症实体，以及症状-诊断-药品适应症的关联关系；
所述第二指示用药决策图形状态机包括过敏药物实体、过敏食物实体、药物与药物之间交叉过敏的关联关系、药物与食物之间交叉过敏的关联关系；
所述第三指示用药决策图形状态机包括年龄层次实体、体重实体、身高实体、发病时间实体、发病严重程度实体以及年龄层次、体重、身高、发病时间、发病程度与剂量、用药频次之间的关联关系；
所述第一指示用药决策图形状态机、所述第二指示用药决策图形状态机以及所述第三指示用药决策图形状态机具有多个共同实体；其中，用药决策图形状态机包括对不同临床事件实体的定义、实体多个属性的定义以及实体之间的关联，用药决策图形状态机预设通用医学逻辑模块，每个通用医学逻辑模块均含有适用的逻辑，基于适用的逻辑可以对用药决策图形状态机中实体与实体之间的关系进行关系推理，进一步根据实体多属性定义的个体输入可以获得用药推荐结果。
在优选的实施方式中，所述发病信息实体包括病发严重程度信息，所述方法还包括：
基于情感分词词典分析所述用户用药咨询语句，生成所述咨询语句的情感得分，所述情感得分划分为不同的情感倾向等级，具体如下：
基于情感分词词典对所述用户用药咨询语句划分为情感动词
Figure 499311DEST_PATH_IMAGE002
和情感副词
Figure 806796DEST_PATH_IMAGE004
，将当前情感动词
Figure 884342DEST_PATH_IMAGE005
与情感词典进行匹配，若为积极词，则情感值为1，若为消极词，则情感值为-1；同样将情感副词
Figure 884659DEST_PATH_IMAGE006
与情感词典进行匹配，若为积极词，则情感值为1，若为消极词，则情感值为-1；
计算每个情感动词
Figure 178981DEST_PATH_IMAGE007
的累积倾向分：
Figure 555736DEST_PATH_IMAGE009
（1）
其中，
Figure 504100DEST_PATH_IMAGE010
表示动作情感倾向为正反馈型（positive-
Figure 659007DEST_PATH_IMAGE011
），
Figure 958401DEST_PATH_IMAGE012
表示动作情感倾向为负反馈型（negative-
Figure 358421DEST_PATH_IMAGE011
），
Figure 426871DEST_PATH_IMAGE013
表示动作情感倾向为无偏向型（neutral-
Figure 752679DEST_PATH_IMAGE011
）。
计算每个情感副词
Figure 539369DEST_PATH_IMAGE014
的累积倾向分：
Figure 992347DEST_PATH_IMAGE016
（2）
其中，
Figure 663107DEST_PATH_IMAGE017
表示动作情感倾向为正反馈型（positive-
Figure 176128DEST_PATH_IMAGE018
），
Figure 168223DEST_PATH_IMAGE019
表示动作情感倾向为负反馈型（negative-
Figure 424892DEST_PATH_IMAGE018
），
Figure 218667DEST_PATH_IMAGE021
表示动作情感倾向为无偏向型（neutral-
Figure 637010DEST_PATH_IMAGE018
）。
所述情感得分根据情感动词词
Figure 381981DEST_PATH_IMAGE022
和情感副词
Figure 176762DEST_PATH_IMAGE023
的表达情况，生成具体的情感倾向等级以及情感得分，具体如下：
Figure 74310DEST_PATH_IMAGE024
利用所述情感得分修正所述病发严重程度信息。
在优选的实施方式中，所述利用所述情感得分修正所述病发严重程度信息，包括：
根据所述情感得分生成预估的病发严重程度信息；其中，包括：采用近N年医院电子病例的历史诊断数据计算预估的病发严重程度信息，所述预估的病发严重程度信息包括轻症、中症、重症、危重症，各预估的病发严重程度信息是通过相关诊断的电子病例数据生成的决策树获得，进一步的决策树节点通过情感倾向等级完成区分；
比对所述预估的病发严重程度信息与用户用药咨询语句中的病发严重程度信息，生成情感修正值；
根据所述情感修正值修正所述病发严重程度信息。
在优选的实施方式中，所述比对所述预估的病发严重程度信息与用户用药咨询语句中的病发严重程度信息，生成情感修正值，包括：
比对所述预估的病发严重程度信息中和用户用药咨询语句中的病发严重程度信息，生成差异得分；
基于所述差异得分以及用户用药咨询语句中的病发严重程度信息的病发程度，生成所述情感修正值。
在优选的实施方式中，所述根据所述情感修正值修正所述病发严重程度信息，包括：
将所述情感修正值修和所述用户用药咨询语句中的病发严重程度信息输入至与目标用户对应的神经网络模型，所述神经网络模型的输出为所述预估的病发严重程度信息；
其中，所述神经网络模型是利用该用户相同诊断患者的历史咨询语句以及实际病发严重程度信息训练得到；所述并发严重程度信息包括轻度、中度、重度、危重度；所述相同诊断患者包括相同诊断、相同年龄层次和相同文化程度的患者。
在优选的实施方式中，所述利用该用户的历史咨询语句以及实际病发严重程度信息训练得到所述神经网络模型的步骤包括：
对目标用户相同诊断、年龄层次和文化程度患者的历史咨询语句进行去噪处理；
基于情感词典对去噪后的所述历史咨询语句进行情感分析，得到对应的情感得分；其中，所述情感词典是在知网HOWNET情感词典和简体中文的NTUSD词典的基础上，结合基础情感词典进行扩充，扩充情感词典的方法主要基于语义相似度和同义词方法获得；
用所述情感得分标注对应的所述历史咨询语句，并结合实际病发严重程度信息形成训练数据；
利用包括多个所述训练数据的训练集训练所述神经网络模型。
本发明的第二方面是提供一种基于图形状态机的用药决策支持装置，其特征在于，包括：
用户用药咨询语句获取模块，获取用户用药咨询语句；
语义分析模块，通过分词和语义识别提取所述用药咨询语句中的症状信息实体、过敏信息实体以及发病信息实体；
用药决策信息生成模块，基于预设的指示用药决策图形状态机集，利用所述症状信息实体、所述过敏信息实体以及所述发病信息实体生成用药决策信息；所述指示用药决策图形状态机集包含至少一个指示用药决策图形状态机；
用药支持模块，根据所述用药决策支持信息为用户提供初选的可用药品；
其中，所述过敏信息实体包括过敏药物实体、过敏食物实体；
所述发病信息实体包括年龄层次实体、体重实体、身高实体、发病时间实体以及发病严重程度实体；
所述用药决策信息包括药品名称信息、药品剂量信息以及用药频次信息。
本发明的第三方面是提供一种基于图形状态机用药决策支持装置的运行方法，包括：
通过语音输入或者图文输入，获取用户用药咨询语句，进而通过语义分析模块转化为实体分词，并通过情感得分和神经网络模型修正，以此为输入，利用第一指示用药决策图形状态机确定出多种可用药品的药物名称，输入至第二指示用药决策图形状态机，根据患者过敏实体信息优化用药药品品种，再进一步输入至第三指示用药决策图形状态机，从而得到用药决策信息；所述决策信息包括：药品名称、用药剂量和用药频次。
本发明的第四方面提供一种电子设备，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的基于图形状态机的用药决策支持方法。
本发明第四方面提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的基于图形状态机的用药决策支持方法。
本发明的有益效果包括：提供一种基于图形状态机的用药决策支持方法、装置、设备及介质，通过三个独立的第一指示用药决策图形状态机、第二指示用药决策图形状态机和第三指示用药决策图形状态机的关联，形成一个对目标事件响应速度较快的图形状态机集，图形状态机通过图形编辑的形式完成合理用药领域知识的更新，不需要代码更新，这也使得医护人员不通过程序员自行就能编辑合理用药的推理规则，提高了系统的适应性和响应的及时性；此外，构建的图形状态机集通过情感得分能充分考虑发病信息对药物剂量和用药频次的影响，从而提高用药推荐的精准性；进一步采用本发明所述的方法及设备能利用情感判别和定制的神经网络模型，来分析用户输入语句的病发程度，进而与用户所说的病发程度做比对，得到病发程度的修正值，利用该修正值去除用户感情因素导致的对病发程度的过度判别或低估判别，实现与患者个体认知水平无关的对病发程度的智能判断。
附图说明
为了更清楚地说明本发明实施方式或现有技术中的技术方案，下面将对实施方式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方式，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的附图。
图1为本发明实施方式中指示用药决策图形状态机集的结构示意图；
图2 为本发明实施方式中一种基于图形状态机用药决策支持装置的结构示意图；
图3 为本发明实施方式中一种基于图形状态机用药决策支持装置电子设备的结构示意图。
具体实施方式
下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。
目前，随着我国药品可及性的基本解决、药品质量与疗效的逐步提高，药品使用环节是否安全合理，已经成为影响公众用药安全的重要因素。因此，如何用好药品是解决公众用药安全问题的关键。
基于此，本发明的第一方面是提供一种基于图形状态机的用药决策支持方法，包括：
S01：获取用户用药咨询语句；
S02：通过分词和语义识别提取所述用药咨询语句中的症状信息实体、过敏信息实体以及发病信息实体；
S03：基于预设的指示用药决策图形状态机集，利用所述症状信息实体、所述过敏信息实体以及所述发病信息实体生成用药决策信息；所述指示用药决策图形状态机集包含至少一个指示用药决策图形状态机。
在本实施例中，用药决策图形状态机是一种将非结构化的文本信息和编码后的数据融合到一个结构化的实体属性叙述模型中，通过图形编辑的形式就能实现用药规则的更新，从而避免烦杂的代码操作，图形状态机技术在合理用药领域的引入，能有效提高合理用药领域知识更新的速度和响应效率。在临床医学知识表示的图形状态机中，它包括对不同临床事件实体的定义、实体多个属性的定义以及实体之间的关联，此外图形状态机可以预设通用的医学逻辑模块，具体到本申请用药决策的图形状态机可以预设基于临床指南和药品说明书的通用医学逻辑模块，每个通用医学逻辑模块均含有适用的医学逻辑，基于适用的医学逻辑可以对图形状态机中实体与实体之间的关系进行关系推理，进一步根据实体多属性定义的个体输入可以获得用药推荐结果。
S04：根据所述用药决策信息为用户提供初选的可用药品；
其中，所述过敏信息实体包括过敏药物实体、过敏食物实体以及药物和药物之间的相互作用实体分词；
所述发病信息实体包括年龄层次实体、体重实体、身高实体、发病时间实体以及发病严重程度实体；
所述用药决策信息包括药品名称信息、药品剂量信息以及用药频次信息。
本发明基于预设的用药决策图形状态机集，利用获取的症状信息实体、过敏信息实体以及发病信息实体生成用药决策信息，充分考虑发病信息对药物剂量和用药频次的影响，从而提高用药推荐的精准性，能够更好的支持用户用药，同时提高了药品的治疗效果。
具体地，在获取到所述用药咨询语句后，将所述用药咨询语句进行分词，切分出与词库匹配的所有可能的词，再运用统计语言模型决定最优的切分结果，再进行词性标注，生成症状信息实体、过敏信息实体以及发病信息实体，根据这些信息生成用药决策信息。症状信息实体包括发热、疼痛、眩晕、呼吸困难等，过敏信息实体包括过敏药物、食物或者过敏境遇（如精神、情绪激动或曝露阳光）等，发病信息实体包括年龄、身高、体重、发病时间、既往病史以及家族病史等，指示用药决策图形状态机包括非结构化、半结构化、结构化药品知识以及各种病症的相关诊断、用药资料，药品知识包括药品名称、成份、性状、适应症、功能主治、规格、用法用量、不良反应、禁忌、注意事项、药物相互作用、药物毒理等信息。
在一些优选的实施方式中，如图1所示，所述指示用药决策图形状态机集包括：第一指示用药决策图形状态机、第二指示用药决策图形状态机以及第三指示用药决策图形状态机；
所述第一指示用药决策图形状态机包括症状信息实体、诊断实体、药品适应症实体，以及症状-诊断-药品适应症的关联关系；
所述第二指示用药决策图形状态机包括过敏药物实体、过敏食物实体、药物与药物之间交叉过敏的关联关系、药物与食物之间交叉过敏的关联关系；
所述第三指示用药决策图形状态机包括年龄层次实体、体重实体、身高实体、发病时间实体、发病严重程度实体以及年龄层次、体重、身高、发病时间、发病程度与剂量、用药频次之间的关联关系；
所述第一指示用药决策图形状态机、所述第二指示用药决策图形状态机以及所述第三指示用药决策图形状态机具有多个共同实体。
具体地，所述指示用药决策图形状态机的构建，通过知识提取技术，从最原始的数据（包括结构化、半结构化、非结构化数据）出发，将各类药物知识、药物与药物之间的作用关系、各类病症信息、各类病症与各类药物之间的相互关系等与用药决策的相关知识要素提取出来，然后通过一定有效手段对用药决策的相关知识要素进一步处理，并通过知识融合以及知识推理，进一步拓展用药决策的相关知识要素，形成高质量的指示用药决策图形状态机。
另外，通过多个共同实体的设置，可以从多个状态机的共同属性快速找到图和实体，避免逐一进行单一状态机的图检索，从而提高检索效率和检索靶点。
例如：一个青霉素皮试阳性的人，要给他推荐抗生素时，通过图谱，先找到一个类别属性，抗生素类。然后再从抗生素匹配权重找到头孢而不是青霉素，因为青霉素图谱里面有青霉素皮试阳性不可用的属性。
然后通过状态机工作流就能找到可推荐的药品列表。
在一些具体实施方式中，所述发病信息实体包括病发严重程度信息，所述方法还包括：
基于情感分词词典分析所述用户用药咨询语句，生成所述咨询语句的情感得分，所述情感得分划分为不同的情感倾向等级，具体如下：
基于情感分词词典对所述用户用药咨询语句划分为情感动词
Figure 880199DEST_PATH_IMAGE026
和情感副词，将当前情感动词
Figure 378045DEST_PATH_IMAGE027
与情感词典进行匹配，若为积极词，则情感值为1，若为消极词，则情感值为-1；同样将情感副词
Figure 710938DEST_PATH_IMAGE029
与情感词典进行匹配，若为积极词，则情感值为1，若为消极词，则情感值为-1；
计算每个情感动词
Figure 462993DEST_PATH_IMAGE030
的累积倾向分：
Figure 505030DEST_PATH_IMAGE032
（1）
其中，
Figure 709746DEST_PATH_IMAGE033
表示动作情感倾向为正反馈型（positive-
Figure 95597DEST_PATH_IMAGE011
）；
Figure 702159DEST_PATH_IMAGE034
表示动作情感倾向为负反馈型（negative-
Figure 646587DEST_PATH_IMAGE011
）；表示动作情感倾向为无偏向型（neutral-
Figure 338600DEST_PATH_IMAGE011
）。
计算每个情感副词
Figure DEST_PATH_IMAGE035
的累积倾向分：
Figure DEST_PATH_IMAGE037
（2）
其中，
Figure DEST_PATH_IMAGE038
表示动作情感倾向为正反馈型（positive-
Figure 357503DEST_PATH_IMAGE018
）；
Figure DEST_PATH_IMAGE039
表示动作情感倾向为负反馈型（negative-
Figure 536680DEST_PATH_IMAGE018
）；
Figure DEST_PATH_IMAGE041
表示动作情感倾向为无偏向型（neutral-
Figure 589693DEST_PATH_IMAGE018
）。
所述情感得分根据情感动词词
Figure 503423DEST_PATH_IMAGE030
和情感副词
Figure DEST_PATH_IMAGE042
的表达情况，生成具体的情感倾向等级以及对应的情感得分，具体如下：
Figure 434339DEST_PATH_IMAGE024
利用所述情感得分修正所述病发严重程度信息。
在一些其它实施方式中，利用所述情感得分修正所述病发严重程度信息，包括：
根据所述情感得分生成预估的病发严重程度信息；
比对所述预估的病发严重程度信息与用户用药咨询语句中的病发严重程度信息，生成情感修正值；
根据所述情感修正值修正所述病发严重程度信息。
在一些其它实施方式中，根据所述情感得分生成预估的病发严重程度信息，包括：采用近N年（如近3年）医院电子病例的历史诊断数据计算预估的病发严重程度信息，所述预估的病发严重程度信息包括轻症、中症、重症、危重症，各预估的病发严重程度信息是通过相关诊断的电子病例数据生成的决策树获得，进一步的决策树节点通过情感倾向等级完成区分。
在一些其它实施方式中，所述比对所述预估的病发严重程度信息与用户用药咨询语句中的病发严重程度信息，生成情感修正值，包括：
比对所述预估的病发严重程度信息中和用户用药咨询语句中的病发严重程度信息，生成差异得分；
基于所述差异得分以及用户用药咨询语句中的病发严重程度信息的病发程度，生成所述情感修正值。
具体地，所述用户用药咨询语句中的病发严重程度信息包括的体温、心率、脉搏、血压以及病情描述情感等信息，通过这些信息与用户用药咨询语句中的病症的正常值比对，可以推理得出用户用药咨询语句中的病发程度，将用户用药咨询语句中的病发程度与预估的病发严重程度信息进行比对，生成差异得分，差异得分越小说明，用户用药咨询语句中的病发程度与预估的病发程度差异越小，反之，差异得分越大说明，用户用药咨询语句中的病发程度与预估的病发程度差异越大，需要进一步了解信息，再次比对。
在一些其它实施方式中，所述根据所述情感修正值修正所述病发严重程度信息，包括：
将所述情感修正值和所述用户用药咨询语句中的病发严重程度信息输入至与目标用户对应的神经网络模型，所述神经网络模型的输出为所述预估的病发严重程度信息；
其中，所述神经网络模型是利用该用户相同诊断患者的历史咨询语句以及实际病发严重程度信息训练得到；所述并发严重程度信息包括轻度、中度、重度、危重度；所述相同诊断患者包括相同诊断、相同年龄层次和相同文化程度的患者。
具体地，所述神经网络模型是由大量的、简单的神经元广泛地互相连接而形成的复杂网络系统，神经元接收到所述情感得分的输入信号，这些输入信号通过代权重的连接进行传递，神经元接收到的总输入值将与神经元的阈值进行比较，通过“激活函数”处理产生神经元的输出，输出所述预估的病发严重程度信息。
在一些其它实施方式中，所述利用该用户的历史咨询语句以及实际病发严重程度信息训练得到所述神经网络模型的步骤包括：
对目标用户相同诊断、年龄层次和文化程度患者的历史咨询语句进行去噪处理；
基于情感词典对去噪后的所述历史咨询语句进行情感分析，得到对应的情感得分；
用所述情感得分标注对应的所述历史咨询语句，并结合实际病发严重程度信息形成训练数据；
利用包括多个所述训练数据的训练集训练所述神经网络模型。
具体地，所述情感词典是在知网HOWNET情感词典和简体中文的NTUSD词典的基础上，结合基础情感词典进行扩充，扩充情感词典的方法主要基于语义相似度和同义词方法获得。
具体地，目标用户相同诊断、年龄层次和文化程度患者的的历史咨询语句中与情感词无关的分词属于噪音数据，将历史咨询语句输入去噪自动编码器，将得到的输出与原始输入信号之间计算误差，采用随机梯度下降算法，对权值进行调整，使误差达到最小，输出去噪后的历史咨询语句，再对其进行情感分析，得到预估的病发严重程度信息，形成一组训练数据，多次输入不同的咨询语句形成多组不同的训练数据。
本发明第二方面提供一种基于图形状态机的用药决策支持装置，如图2所示，包括：
用户用药咨询语句获取模块01，获取用户用药咨询语句；
语义分析模块02，通过分词和语义识别提取所述用药咨询语句中的症状信息实体、过敏信息实体以及发病信息实体；
用药决策信息生成模块03，基于预设的指示用药决策图形状态机集，利用所述症状信息实体、所述过敏信息实体以及所述发病信息实体生成用药决策信息；所述指示用药决策图形状态机集包括至少一个指示用药决策图形状态机；
用药支持模块04，根据所述药品用药决策信息为用户提供初选的可用药品；
其中，所述过敏信息实体包括过敏药物实体、过敏食物实体；
所述发病信息实体包括年龄层次实体、体重实体、身高实体、发病时间实体以及发病严重程度实体；
所述用药决策信息包括药品名称信息、药品剂量信息以及用药频次信息。
具体地，该装置通过语音输入或者图文输入，获取用户用药咨询语句，将语音或者图片转化为用户用药咨询语句的文本信息，将用药咨询语句的文本信息进行分词，切分出与词库匹配的所有可能的词，再运用统计语言模型决定最优的切分结果，再进行词性标注，生成症状信息实体、过敏信息实体以及发病信息实体，将这些信息输入用药决策信息生成模块，根据指示用药决策图形状态机集生成用药决策信息，用药支持模块可以根据用药频次定时提醒用户用药，包括药品名称和用药剂量。
另一方面，该装置也可以通过语音输入或者图文输入，获取用户用药咨询语句，进而通过语义分析模块转化为实体分词，并通过情感得分和神经网络模型修正，以此为输入，利用第一指示用药决策图形状态机确定出多种可用药品的药物名称，输入至第二指示用药决策图形状态机，根据患者过敏实体信息优化用药药品品种，再进一步输入至第三指示用药决策图形状态机，从而得到用药决策信息；所述决策信息包括：药品名称、用药剂量和用药频次。
请参阅图3，图3为本申请实施例的基于图形状态机的用药决策支持设备9600（以下称电子设备9600）的系统构成的示意框图。如图3所示，该电子设备9600可以包括中央处理器9100和存储器9140；存储器9140耦合到中央处理器9100。值得注意的是，该图3是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。
一实施例中，用药决策功能可以被集成到中央处理器9100中。例如，中央处理器9100可以被配置为进行如下控制：
S01：获取用户用药咨询语句；
S02：通过分词和语义识别提取所述用药咨询语句中的症状信息实体、过敏信息实体以及发病信息实体；
S03：基于预设的指示用药决策图形状态机集，利用所述症状信息实体、所述过敏信息实体以及所述发病信息实体生成用药决策信息；所述指示用药决策图形状态机集包括至少一个指示用药决策图形状态机；
S04：根据所述用药决策支持信息为用户提供初选的可用药品。
从上述描述可知，本申请的实施例提供的电子设备，基于预设的指示用药决策图形状态机集，利用获取的症状信息实体、过敏信息实体以及发病信息实体生成用药决策信息，并根据用药时间级时提醒按规范用药，避免错服或者漏服药品，能够更好的支持用户用药，保证了用户用药安全，同时提高了药品的治疗效果。
在另一个实施方式中，用药决策支持装置可以与中央处理器9100分开配置，例如可以将用药决策支持装置为与中央处理器9100连接的芯片，通过中央处理器的控制来实现用药决策。
如图3所示，该电子设备9600还可以包括：通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是，电子设备9600也并不是必须要包括图3中所示的所有部件；此外，电子设备9600还可以包括图3中没有示出的部件，可以参考现有技术。
如图3所示，中央处理器9100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
其中，存储器9140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序，以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。
该存储器9140可以是固态存储器，例如，只读存储器（ROM）、随机存取存储器（RAM）、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141（有时被称为缓冲器）。存储器9140可以包括应用/功能存储部9142，该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143，该数据存储部9143用于存储数据，例如用户信息、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能（如消息传送应用、通讯录应用等）的各种驱动程序。
通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块（发送机/接收机）9110耦合到中央处理器9100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块9110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块（发送机/接收机）9110还经由音频处理器9130耦合到扬声器9131和麦克风9132，以经由扬声器9131提供音频输出，并接收来自麦克风9132的音频输入，从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器9130还耦合到中央处理器9100，从而使得可以通过麦克风9132能够在本机上录音，且使得可以通过扬声器9131来播放本机上存储的声音。
本申请的实施例还提供能够实现上述实施例中的执行主体可以为服务器的用药决策支持方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或客户端的用药决策支持方法的全部步骤。
从上述描述可知，本申请的实施例提供的计算机可读存储介质，基于预设的指示用药决策图形状态机集，利用获取的症状信息实体、过敏信息实体以及发病信息实体生成用药决策信息，其中，通过三个独立的第一指示用药决策图形状态机、第二指示用药决策图形状态机和第三指示用药决策状态机的关联，形成一个对目标事件响应速度较快的图形状态机集；此外，构建的图形状态机集通过情感得分充分考虑发病信息对药物剂量和用药频次的影响，从而提高用药推荐的准确性；最终利用情感判别和定制的神经网络模型，来分析用户输入语句的病发程度，进而与用户所说的病发程度做对比，得到病发程度的修正值，利用该修正值去除用户感情因素导致的对病发程度的过度判别，或者低估判别，能够更好的支持用户用药，保证了用户用药安全，同时提高了药品的治疗效果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（装置）、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图的一个流程或多个流程和/或方框图的一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于图形状态机的用药决策支持方法，其特征在于，包括：获取用户用药咨询语句；
通过分词和语义识别提取所述用药咨询语句中的症状信息实体、过敏信息实体以及发病信息实体；
基于预设的指示用药决策图形状态机集，利用所述症状信息实体、所述过敏信息实体以及所述发病信息实体生成用药决策信息；所述指示用药决策图形状态机集包含至少一个指示用药决策图形状态机；
根据所述用药决策信息为用户提供初选的可用药品；
其中，所述过敏信息实体包括过敏药物实体、过敏食物实体；
所述发病信息实体包括年龄层次实体、体重实体、身高实体、发病时间实体以及发病严重程度实体；
所述用药决策信息包括药品名称信息、药品剂量信息以及用药频次信息。
2.根据权利要求1所述的用药决策支持方法，其特征在于，
所述指示用药决策图形状态机集包括：第一指示用药决策图形状态机、第二指示用药决策图形状态机以及第三指示用药决策图形状态机；
所述第一指示用药决策图形状态机包括症状信息实体、诊断实体、药品适应症实体，以及症状-诊断-药品适应症的关联关系；
所述第二指示用药决策图形状态机包括过敏药物实体、过敏食物实体、药物与药物之间交叉过敏的关联关系、药物与食物之间交叉过敏的关联关系；
所述第三指示用药决策图形状态机包括年龄层次实体、体重实体、身高实体、发病时间实体、发病严重程度实体以及年龄层次、体重、身高、发病时间、发病程度与剂量、用药频次之间的关联关系；
所述第一指示用药决策图形状态机、所述第二指示用药决策图形状态机以及所述第三指示用药决策图形状态机具有多个共同实体；
其中，用药决策图形状态机包括对不同临床事件实体的定义、实体多个属性的定义以及实体之间的关联，图形状态机预设通用医学逻辑模块，每个通用医学逻辑模块均含有适用的逻辑，基于适用的逻辑可以对用药决策图形状态机中实体与实体之间的关系进行关系推理，进一步根据实体多属性定义的个体输入可以获得用药推荐结果。
3.根据权利要求1所述的用药决策支持方法，其特征在于，所述发病信息实体包括病发严重程度信息，所述方法还包括：
基于情感分词词典分析所述用户用药咨询语句，生成所述咨询语句的情感得分，所述情感得分划分为不同的情感倾向等级，具体如下：
基于情感分词词典对所述用户用药咨询语句划分为情感动词
Figure 864666DEST_PATH_IMAGE001
和情感副词
Figure 823264DEST_PATH_IMAGE002
，将当前情感动词
Figure 446006DEST_PATH_IMAGE003
与情感词典进行匹配，若为积极词，则情感值为1，若为消极词，则情感值为-1；同样将情感副词
Figure 220190DEST_PATH_IMAGE004
与情感词典进行匹配，若为积极词，则情感值为1，若为消极词，则情感值为-1；
计算每个情感动词
Figure 697307DEST_PATH_IMAGE001
的累积倾向分：
Figure 856500DEST_PATH_IMAGE005
（1）
其中，
Figure 887910DEST_PATH_IMAGE006
表示动作情感倾向为正反馈型，记为positive-
Figure 246210DEST_PATH_IMAGE007
；
Figure 407195DEST_PATH_IMAGE008
表示动作情感倾向为负反馈型，记为negative-
Figure 786224DEST_PATH_IMAGE007
；
Figure 649138DEST_PATH_IMAGE009
表示动作情感倾向为无偏向型，即为neutral-
Figure 325975DEST_PATH_IMAGE007
；
计算每个情感副词
Figure 528418DEST_PATH_IMAGE010
的累积倾向分：
Figure 498254DEST_PATH_IMAGE011
（2）
其中，
Figure 114044DEST_PATH_IMAGE012
表示动作情感倾向为正反馈型，记为positive-
Figure 328993DEST_PATH_IMAGE013
；
Figure 182680DEST_PATH_IMAGE014
表示动作情感倾向为负反馈型，记为negative-
Figure 326347DEST_PATH_IMAGE013
；
Figure 491749DEST_PATH_IMAGE016
表示动作情感倾向为无偏向型，记为neutral-
Figure 995543DEST_PATH_IMAGE013
；
所述情感得分根据情感动词
Figure 749741DEST_PATH_IMAGE001
和情感副词
Figure 251261DEST_PATH_IMAGE002
的表达情况，生成具体的情感倾向等级以及对应的情感得分；
利用所述情感得分修正所述病发严重程度信息。
4.根据权利要求3所述的用药决策支持方法，其特征在于，所述利用情感得分修正病发严重程度信息，包括：
根据所述情感得分生成预估的病发严重程度信息；其中，包括：采用近N年医院电子病例的历史诊断数据计算预估的病发严重程度信息，所述预估的病发严重程度信息包括轻症、中症、重症、危重症，各预估的病发严重程度信息是通过相关诊断的电子病例数据生成的决策树获得，进一步的决策树节点通过情感倾向等级完成区分；
比对所述预估的病发严重程度信息与用户用药咨询语句中的病发严重程度信息，生成情感修正值；
根据所述情感修正值修正所述病发严重程度信息。
5.根据权利要求4所述的用药决策支持方法，其特征在于，所述比对预估的病发严重程度信息与用户用药咨询语句中的病发严重程度信息，生成情感修正值，包括：
比对所述预估的病发严重程度信息和用户用药咨询语句中的病发严重程度信息，生成差异得分；
基于所述差异得分以及用户用药咨询语句中的病发严重程度信息的病发程度，生成所述情感修正值。
6.根据权利要求4所述的用药决策支持方法，其特征在于，所述根据所述情感修正值修正所述病发严重程度信息，包括：
将所述情感修正值和所述用户用药咨询语句中的病发严重程度信息输入至与目标用户对应的神经网络模型，所述神经网络模型的输出为所述预估的病发严重程度信息；
其中，所述神经网络模型是利用该用户相同诊断患者的历史咨询语句以及实际病发严重程度信息训练得到；所述病发严重程度信息包括轻度、中度、重度、危重度；所述相同诊断患者包括相同诊断、相同年龄层次和相同文化程度的患者。
7.根据权利要求6所述的用药决策支持方法，其特征在于，利用该用户相同诊断患者的历史咨询语句以及实际病发严重程度信息训练得到所述神经网络模型的步骤包括：
对目标用户相同诊断、年龄层次和文化程度患者的历史咨询语句进行去噪处理；
基于情感词典对去噪后的所述历史咨询语句进行情感分析，得到对应的情感得分；其中，所述情感词典是在知网hownet情感词典和简体中文NTUSD词典的基础上，结合基础情感词典进行扩充，扩充情感词典的方法主要基于语义相似度和同义词方法获得；
用所述情感得分标注对应的所述历史咨询语句，并结合实际病发严重程度信息形成训练数据；
利用包括多个所述训练数据的训练集训练所述神经网络模型。
8.一种基于图形状态机的用药决策支持装置，其特征在于，包括：
用户用药咨询语句获取模块，获取用户用药咨询语句；
语义分析模块，通过分词和语义识别提取所述用药咨询语句中的症状信息实体、过敏信息实体以及发病信息实体；
用药决策信息生成模块，基于预设的指示用药决策图形状态机集，利用所述症状信息实体、所述过敏信息实体以及所述发病信息实体生成用药决策信息；所述指示用药决策图形状态机集包含至少一个指示用药决策图形状态机；
用药支持模块，根据所述用药决策信息为用户提供初选的可用药品；
其中，所述过敏信息实体包括过敏药物实体、过敏食物实体；
所述发病信息实体包括年龄层次实体、体重实体、身高实体、发病时间实体以及发病严重程度实体；
所述用药决策信息包括药品名称信息、药品剂量信息以及用药频次信息。
9.一种基于图形状态机的用药决策支持设备，包括存储器、处理器、通信模块、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权利要求1至7任一项所述的基于图形状态机的用药决策支持方法。
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，该计算机程序被处理器执行时实现权利要求1至7任一项所述的基于图形状态机的用药决策支持方法。
CN202110385599.5A 2021-04-10 2021-04-10 基于图形状态机的用药决策支持方法、装置、设备、介质 Active CN112802575B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110385599.5A CN112802575B (zh) 2021-04-10 2021-04-10 基于图形状态机的用药决策支持方法、装置、设备、介质
PCT/CN2022/070480 WO2022213690A1 (zh) 2021-04-10 2022-01-06 基于图形状态机的用药决策支持方法、装置、设备、介质
US17/841,688 US20220328156A1 (en) 2021-04-10 2022-06-16 Method, apparatus, device and medium for medication decision support based on graphics state machine

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110385599.5A CN112802575B (zh) 2021-04-10 2021-04-10 基于图形状态机的用药决策支持方法、装置、设备、介质

Publications (2)

Publication Number Publication Date
CN112802575A true CN112802575A (zh) 2021-05-14
CN112802575B CN112802575B (zh) 2021-09-03

Family

ID=75816680

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110385599.5A Active CN112802575B (zh) 2021-04-10 2021-04-10 基于图形状态机的用药决策支持方法、装置、设备、介质

Country Status (2)

Country Link
CN (1) CN112802575B (zh)
WO (1) WO2022213690A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113297314A (zh) * 2021-07-28 2021-08-24 深圳市永达电子信息股份有限公司 一种数据可视化方法及装置、存储介质
CN113435823A (zh) * 2021-08-26 2021-09-24 中核凯利(深圳)餐饮管理有限公司 一种数字化餐饮采购安全性校验方法、装置、系统及介质
CN113539414A (zh) * 2021-07-30 2021-10-22 中电药明数据科技(成都)有限公司 一种抗生素用药合理性预测方法及系统
WO2022213690A1 (zh) * 2021-04-10 2022-10-13 浙江大学 基于图形状态机的用药决策支持方法、装置、设备、介质
CN118197534A (zh) * 2024-05-14 2024-06-14 吉林大学 用于移动查房的辅助系统及其方法

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116383405B (zh) * 2023-03-20 2023-09-19 华中科技大学同济医学院附属协和医院 基于动态图序列的病历知识图谱构建方法及系统
CN116467468B (zh) * 2023-05-05 2024-01-05 国网浙江省电力有限公司 基于知识图谱技术的电力管理系统异常信息处置方法
CN117504062B (zh) * 2023-11-11 2024-07-12 深圳医和家智慧医疗科技有限公司 一种自动计量定量给药的智能化雾化用药器的给药设备
CN117438104B (zh) * 2023-12-21 2024-03-22 成都市第一人民医院 一种智能药品预警方法、电子设备以及计算机存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268197A (zh) * 2013-09-22 2015-01-07 中科嘉速(北京)并行软件有限公司 一种行业评论数据细粒度情感分析方法
JP2017220005A (ja) * 2016-06-07 2017-12-14 株式会社リコー 情報処理装置、情報処理方法、プログラムおよび情報処理システム
CN107993126A (zh) * 2017-11-30 2018-05-04 武汉理工大学 一种基于挖掘评论修正用户评分的改进协同过滤方法
CN109378045A (zh) * 2018-09-26 2019-02-22 北京理工大学 基于药品知识图谱推理的用药决策支持方法
CN109658208A (zh) * 2019-01-15 2019-04-19 京东方科技集团股份有限公司 药品的推荐方法、装置、介质和电子设备
CN109935290A (zh) * 2019-03-20 2019-06-25 杭州卓健信息科技有限公司 一种基于大数据分析的药品匹配系统及其匹配方法
CN111046272A (zh) * 2019-10-31 2020-04-21 九次方大数据信息集团有限公司 一种基于医疗知识图谱的智能问答系统
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
CN111199784A (zh) * 2019-12-30 2020-05-26 北京左医健康技术有限公司 基于微信小程序的用药指导推送方法、装置及设备
CN112037880A (zh) * 2020-08-31 2020-12-04 康键信息技术（深圳）有限公司 用药推荐方法、装置、设备及存储介质
CN112053763A (zh) * 2020-08-19 2020-12-08 北京左医健康技术有限公司 在线用药咨询方法、在线用药咨询装置及智能终端
CN112309579A (zh) * 2020-11-26 2021-02-02 微医云(杭州)控股有限公司 推荐治疗方案的方法、装置、电子设备及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112182252B (zh) * 2020-11-09 2021-08-31 浙江大学 基于药品知识图谱的智能用药问答方法及其设备
CN112802575B (zh) * 2021-04-10 2021-09-03 浙江大学 基于图形状态机的用药决策支持方法、装置、设备、介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268197A (zh) * 2013-09-22 2015-01-07 中科嘉速(北京)并行软件有限公司 一种行业评论数据细粒度情感分析方法
JP2017220005A (ja) * 2016-06-07 2017-12-14 株式会社リコー 情報処理装置、情報処理方法、プログラムおよび情報処理システム
CN107993126A (zh) * 2017-11-30 2018-05-04 武汉理工大学 一种基于挖掘评论修正用户评分的改进协同过滤方法
CN109378045A (zh) * 2018-09-26 2019-02-22 北京理工大学 基于药品知识图谱推理的用药决策支持方法
CN109658208A (zh) * 2019-01-15 2019-04-19 京东方科技集团股份有限公司 药品的推荐方法、装置、介质和电子设备
CN109935290A (zh) * 2019-03-20 2019-06-25 杭州卓健信息科技有限公司 一种基于大数据分析的药品匹配系统及其匹配方法
CN111046272A (zh) * 2019-10-31 2020-04-21 九次方大数据信息集团有限公司 一种基于医疗知识图谱的智能问答系统
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
CN111199784A (zh) * 2019-12-30 2020-05-26 北京左医健康技术有限公司 基于微信小程序的用药指导推送方法、装置及设备
CN112053763A (zh) * 2020-08-19 2020-12-08 北京左医健康技术有限公司 在线用药咨询方法、在线用药咨询装置及智能终端
CN112037880A (zh) * 2020-08-31 2020-12-04 康键信息技术（深圳）有限公司 用药推荐方法、装置、设备及存储介质
CN112309579A (zh) * 2020-11-26 2021-02-02 微医云(杭州)控股有限公司 推荐治疗方案的方法、装置、电子设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
丁雅琴: "基于知识图谱的医疗问答系统研究与开发", 《中国优秀硕士论文全文数据库 医药卫生科技辑》 *
洪东升等: "互联网医院互联网处方的发展", 《团结》 *
郑值等: "基于多源情境协同感知的药品推荐", 《计算机研究与发展》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022213690A1 (zh) * 2021-04-10 2022-10-13 浙江大学 基于图形状态机的用药决策支持方法、装置、设备、介质
CN113297314A (zh) * 2021-07-28 2021-08-24 深圳市永达电子信息股份有限公司 一种数据可视化方法及装置、存储介质
CN113297314B (zh) * 2021-07-28 2021-11-02 深圳市永达电子信息股份有限公司 一种数据可视化方法及装置、存储介质
CN113539414A (zh) * 2021-07-30 2021-10-22 中电药明数据科技(成都)有限公司 一种抗生素用药合理性预测方法及系统
CN113435823A (zh) * 2021-08-26 2021-09-24 中核凯利(深圳)餐饮管理有限公司 一种数字化餐饮采购安全性校验方法、装置、系统及介质
CN118197534A (zh) * 2024-05-14 2024-06-14 吉林大学 用于移动查房的辅助系统及其方法
CN118197534B (zh) * 2024-05-14 2024-07-09 吉林大学 用于移动查房的辅助系统及其方法

Also Published As

Publication number Publication date
CN112802575B (zh) 2021-09-03
WO2022213690A1 (zh) 2022-10-13

Similar Documents

Publication Publication Date Title
CN112802575B (zh) 基于图形状态机的用药决策支持方法、装置、设备、介质
Fanni et al. Natural language processing
Wang et al. Deep learning in medicine—promise, progress, and challenges
US10748644B2 (en) Systems and methods for mental health assessment
CN111316281B (zh) 基于机器学习的自然语言情境中数值数据的语义分类方法以及系统
Stein et al. Evaluation of an algorithm for identifying ocular conditions in electronic health record data
WO2019246239A1 (en) Systems and methods for mental health assessment
US11031133B2 (en) Analysing text-based messages sent between patients and therapists
CN110675951A (zh) 智能化的疾病诊断方法及装置、计算机设备与可读介质
US20200030568A1 (en) Systems and methods for treating memory impairment
CN112331298A (zh) 开具药方的方法、装置、电子设备及存储介质
Bulla et al. A review of AI based medical assistant chatbot
CN110931137A (zh) 机器辅助对话系统、方法及装置
CN113380234A (zh) 基于语音识别生成表单的方法、装置、设备及介质
Romero‐Córdoba et al. An application of fuzzy prototypes to the diagnosis and treatment of fuzzy diseases
Belciug et al. Era of intelligent systems in healthcare
KR20220095104A (ko) 빅데이터 및 클라우드 시스템 기반 인공지능 응급의료 의사결정 및 응급환자 이송 시스템과 그 방법
Pylieva et al. Improving automatic categorization of technical vs. laymen medical words using fasttext word embeddings
CN113724830B (zh) 基于人工智能的用药风险检测方法及相关设备
US20230053474A1 (en) Medical care system for assisting multi-diseases decision-making and real-time information feedback with artificial intelligence technology
Cuffy et al. Measuring the quality of patient–physician communication
US20220328156A1 (en) Method, apparatus, device and medium for medication decision support based on graphics state machine
Lenert et al. Automated linkage of free-text descriptions of patients with a practice guideline.
WO2017149443A1 (en) Device, system, and method for classification of cognitive bias in microblogs relative to healthcare-centric evidence
WO2023084254A1 (en) Diagnosic method and system

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