CN113257383B - 匹配信息确定方法、显示方法、装置、设备及存储介质 - Google Patents
匹配信息确定方法、显示方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113257383B CN113257383B CN202110664086.8A CN202110664086A CN113257383B CN 113257383 B CN113257383 B CN 113257383B CN 202110664086 A CN202110664086 A CN 202110664086A CN 113257383 B CN113257383 B CN 113257383B
- Authority
- CN
- China
- Prior art keywords
- information
- target
- disease
- target patient
- entity
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 119
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 239000003814 drug Substances 0.000 claims abstract description 463
- 201000010099 disease Diseases 0.000 claims abstract description 423
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 423
- 229940079593 drug Drugs 0.000 claims description 382
- 238000012545 processing Methods 0.000 claims description 32
- 230000004044 response Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 abstract description 32
- 230000000875 corresponding effect Effects 0.000 description 65
- 239000013598 vector Substances 0.000 description 39
- 230000006870 function Effects 0.000 description 27
- 239000000047 product Substances 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 11
- 230000002093 peripheral effect Effects 0.000 description 10
- 230000003993 interaction Effects 0.000 description 8
- 238000010187 selection method Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 239000013589 supplement Substances 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 239000003826 tablet Substances 0.000 description 4
- 239000002775 capsule Substances 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000002779 inactivation Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- NIJJYAXOARWZEE-UHFFFAOYSA-N di-n-propyl-acetic acid Natural products CCCC(C(O)=O)CCC NIJJYAXOARWZEE-UHFFFAOYSA-N 0.000 description 2
- CJOFXWAVKWHTFT-XSFVSMFZSA-N fluvoxamine Chemical compound COCCCC\C(=N/OCCN)C1=CC=C(C(F)(F)F)C=C1 CJOFXWAVKWHTFT-XSFVSMFZSA-N 0.000 description 2
- 229960004038 fluvoxamine Drugs 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 208000024714 major depressive disease Diseases 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 229940084026 sodium valproate Drugs 0.000 description 2
- AEQFSUDEHCCHBT-UHFFFAOYSA-M sodium valproate Chemical compound [Na+].CCCC(C([O-])=O)CCC AEQFSUDEHCCHBT-UHFFFAOYSA-M 0.000 description 2
- 239000007939 sustained release tablet Substances 0.000 description 2
- 208000007848 Alcoholism Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 201000007930 alcohol dependence Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003908 liver function Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000002123 temporal 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
- 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
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- 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
- 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)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Animal Behavior & Ethology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Toxicology (AREA)
- Pharmacology & Pharmacy (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请公开了一种匹配信息确定方法、显示方法、装置、设备及存储介质,属于计算机技术领域。在本申请实施例中,通过目标患者的历史描述信息来确定目标患者的描述特征,描述特征也就能够反映目标患者的历史患病情况和历史用药情况。基于目标患者的描述特征、当前疾病信息以及目标药信息来进行预测,能够得到目标用药信息与目标患者之间的匹配信息,预测过程不借助于规则,能够降低辅助决策成本。
Description
技术领域
本申请涉及计算机技术领域,特别涉及一种匹配信息确定方法、显示方法、装置、设备及存储介质。
背景技术
随着计算机技术的发展,计算机设备能够在多个领域中辅助用户做出决策,也即是预测决策与状态是否匹配。比如在药物推荐的场景下,计算机设备能够输出推荐的药物与患者的身体情况是否匹配,在这种情况下,推荐的药物也就是决策,患者的身体情况也就是状态。
相关技术中,计算机设备往往是基于一些预设规则来进行预测,比如在药物推荐场景下,技术人员会将一些权威医学资料或者临床用药指南编写成用药规则,计算机设备基于用药规则来进行预测。
但是,由于规则的制定较为繁琐,基于规则来预测的方案需要耗费大量的人力和物力,导致决策辅助的成本较高。
发明内容
本申请实施例提供了一种匹配信息确定方法、显示方法、装置、设备及存储介质,能够降低决策辅助的成本。所述技术方案包括下述内容。
一方面,提供了一种匹配信息确定方法,所述方法包括:
获取目标患者的当前疾病信息和针对所述当前疾病信息的目标用药信息;
基于所述目标患者的历史描述信息,确定所述目标患者的描述特征,所述历史描述信息包括所述目标患者的历史疾病信息和针对所述历史疾病信息的历史用药信息;
基于所述目标患者的描述特征、所述当前疾病信息以及所述目标用药信息,确定匹配信息,所述匹配信息用于表示所述目标用药信息与所述目标患者之间的匹配程度。
一方面,提供了一种匹配信息显示方法,所述方法包括:
显示匹配信息显示页面,所述匹配信息显示页面用于获取目标患者的当前疾病信息和针对所述当前疾病信息的目标用药信息;
响应于在所述匹配信息显示页面上的操作,在所述匹配信息显示页面上显示匹配信息,所述匹配信息用于表示所述目标用药信息与所述目标患者之间的匹配程度,所述匹配信息是基于所述目标患者的描述特征、所述当前疾病信息以及所述目标用药信息确定的,所述目标患者的描述特征是基于所述目标患者的历史描述信息确定的,所述历史描述信息包括所述目标患者的历史疾病信息和所述目标患者的历史用药信息。
一方面,提供了一种匹配信息确定装置,所述装置包括:
信息获取模块,用于获取目标患者的当前疾病信息和针对所述当前疾病信息的目标用药信息;
描述特征确定模块,用于基于所述目标患者的历史描述信息,确定所述目标患者的描述特征,所述历史描述信息包括所述目标患者的历史疾病信息和针对所述历史疾病信息的历史用药信息;
匹配信息确定模块,用于基于所述目标患者的描述特征、所述当前疾病信息以及所述目标用药信息,确定匹配信息,所述匹配信息用于表示所述目标用药信息与所述目标患者之间的匹配程度。
在一种可能的实施方式中,所述描述特征确定模块,用于基于所述目标患者的历史疾病信息,确定所述目标患者在疾病知识图谱中对应的多个目标疾病实体,所述疾病知识图谱用于描述多个疾病实体之间的关联关系;基于所述目标患者的历史用药信息,确定所述目标患者在药物知识图谱中对应的多个目标药物实体,所述药物知识图谱用于描述多个药物实体之间的关联关系;基于所述多个目标疾病实体和所述多个目标药物实体,确定所述目标患者的描述特征。
在一种可能的实施方式中,所述描述特征确定模块,用于将多个第一特征和多个第二特征进行融合,得到所述目标患者的描述特征,所述第一特征为所述目标疾病实体对应的特征,所述第二特征为所述目标药物实体对应的特征。
在一种可能的实施方式中,所述装置还包括:
图卷积处理模块,用于对所述疾病知识图谱进行图卷积处理,得到所述疾病知识图谱中多个疾病实体的特征;对所述药物知识图谱进行图卷积处理,得到所述药物知识图谱中多个药物实体的特征。
在一种可能的实施方式中,所述描述特征确定模块,用于从所述目标患者的历史疾病信息中,获取至少一个第一实体信息,所述第一实体信息包括第一目标实体的名称、所述第一目标实体与所述历史疾病信息中其他实体的关系信息、所述第一目标实体的文本属性信息以及所述第一目标实体对应的图像数据中的至少一项;
基于所述第一实体信息,确定所述目标患者在所述疾病知识图谱中对应的多个目标疾病实体。
在一种可能的实施方式中,所述描述特征确定模块,用于基于所述第一实体信息,确定所述第一目标实体的名称嵌入特征、关系嵌入特征、文本属性嵌入特征以及图像嵌入特征中的至少一项;基于所述名称嵌入特征、所述关系嵌入特征、所述文本属性嵌入特征以及所述图像嵌入特征中的至少一项,获取所述目标患者的第一目标嵌入特征;将所述第一目标嵌入特征与所述疾病知识图谱中的多个疾病实体的嵌入特征进行比较,从所述多个疾病实体中确定出所述多个目标疾病实体,所述目标疾病实体的嵌入特征与所述第一目标嵌入特征之间的相似度符合相似度条件。
在一种可能的实施方式中,所述描述特征确定模块,用于从所述目标患者的历史用药信息中,获取至少一个第二实体信息,所述第二实体信息包括第二目标实体的名称、所述第二目标实体与所述历史用药信息中其他实体的关系信息、所述第二目标实体的文本属性信息以及所述第二目标实体对应的图像数据中的至少一项;
基于所述第二实体信息,确定所述目标患者在所述药物知识图谱中对应的多个目标药物实体。
在一种可能的实施方式中,所述描述特征确定模块,用于基于所述第二实体信息,确定所述第二目标实体的名称嵌入特征、关系嵌入特征、文本属性嵌入特征以及图像嵌入特征中的至少一项;基于所述名称嵌入特征、所述关系嵌入特征、所述文本属性嵌入特征以及所述图像嵌入特征中的至少一项,获取所述目标患者的第二目标嵌入特征;将所述第二目标嵌入特征与所述药物知识图谱中的多个药物实体的嵌入特征进行比较,从所述多个药物实体中确定出所述多个目标药物实体,所述目标药物实体的嵌入特征与所述第二目标嵌入特征之间的相似度符合相似度条件。
在一种可能的实施方式中,所述匹配信息确定模块,用于获取所述目标患者的描述特征与所述当前疾病信息之间的第一权重;获取所述目标患者的描述特征与所述目标用药信息之间的第二权重;基于所述第一权重和所述第二权重对所述当前疾病信息与所述目标用药信息进行融合,得到所述目标患者的用药特征。基于所述目标患者的描述特征与所述目标患者的用药特征,确定所述匹配信息。
在一种可能的实施方式中,所述匹配信息确定模块,用于基于所述当前疾病信息,确定所述目标患者在疾病知识图谱中对应的至少一个参考疾病实体;基于所述目标患者的描述特征与第三特征之间的点积,获取所述第一权重,所述第三特征为所述参考疾病实体对应的特征。
一方面,提供了一种匹配信息显示装置,所述装置包括:
页面显示模块,用于显示匹配信息显示页面,所述匹配信息显示页面用于获取目标患者的当前疾病信息和针对所述当前疾病信息的目标用药信息;
信息显示模块,用于响应于在所述匹配信息显示页面上的操作,在所述匹配信息显示页面上显示匹配信息,所述匹配信息用于表示所述目标用药信息与所述目标患者之间的匹配程度,所述匹配信息是基于所述目标患者的描述特征、所述当前疾病信息以及所述目标用药信息确定的,所述目标患者的描述特征是基于所述目标患者的历史描述信息确定的,所述历史描述信息包括所述目标患者的历史疾病信息和所述目标患者的历史用药信息。
一方面,提供了一种计算机设备,所述计算机设备包括一个或多个处理器和一个或多个存储器,所述一个或多个存储器中存储有至少一条计算机程序,所述计算机程序由所述一个或多个处理器加载并执行以实现所述匹配信息确定方法或匹配信息显示方法。
一方面,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中存储有至少一条计算机程序,所述计算机程序由处理器加载并执行以实现所述匹配信息确定方法或匹配信息显示方法。
一方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括程序代码,该程序代码存储在计算机可读存储介质中,计算机设备的处理器从计算机可读存储介质读取该程序代码,处理器执行该程序代码,使得该计算机设备执行上述匹配信息确定方法或匹配信息显示方法。
在本申请实施例中,通过目标患者的历史描述信息来确定目标患者的描述特征,描述特征也就能够反映目标患者的历史患病情况和历史用药情况。基于目标患者的描述特征、当前疾病信息以及目标药信息来进行预测,能够得到目标用药信息与目标患者之间的匹配信息,预测过程不借助于规则,能够降低辅助决策成本。
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的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种匹配信息确定方法的实施环境的示意图;
图2是本申请实施例提供的一种页面示意图;
图3是本申请实施例提供的一种匹配信息确定方法的流程图;
图4是本申请实施例提供的一种匹配信息确定方法的流程图;
图5是本申请实施例提供的一种匹配信息确定方法的流程图;
图6是本申请实施例提供的一种匹配信息显示方法的流程图;
图7是本申请实施例提供的一种匹配信息确定装置结构示意图;
图8是本申请实施例提供的一种匹配信息显示装置结构示意图;
图9是本申请实施例提供的一种终端的结构示意图;
图10是本申请实施例提供的一种服务器的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
本申请中术语“第一”“第二”等字样用于对作用和功能基本相同的相同项或相似项进行区分,应理解,“第一”、“第二”、“第n”之间不具有逻辑或时序上的依赖关系,也不对数量和执行顺序进行限定。
本申请中术语“至少一个”是指一个或多个,“多个”的含义是指两个或两个以上,例如,多个人脸图像是指两个或两个以上的人脸图像。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
本申请实施例提供的技术方案还能够与云技术相结合,例如,将训练得到的图像识别模型部署在云端服务器。云技术(Cloud Technology)是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来,实现数据的计算、储存、处理和共享的一种托管技术。
其中,云技术中的医疗云(Medical Cloud)是指在云计算、移动技术、多媒体、4G通信、大数据、以及物联网等新技术基础上,结合医疗技术,使用“云计算”来创建医疗健康服务云平台,实现了医疗资源的共享和医疗范围的扩大。因为云计算技术的运用于结合,医疗云提高医疗机构的效率,方便居民就医。像现在医院的预约挂号、电子病历、医保等都是云计算与医疗领域结合的产物,医疗云还具有数据安全、信息共享、动态扩展、布局全局的优势。示例性的,本申请实施例提供的图像识别模型部署在医疗健康服务云平台上。
区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层。
垂域知识图谱:更强调知识覆盖度和知识准确性,与通用知识图谱不同,垂域知识图谱通常覆盖的知识范围相对较少但是知识的准确性更高。
知识图谱表示学习:旨在将知识图谱嵌入到低维向量空间,将实体和关系都表示为低维向量。
注意力机制(Attention Mechanism):可以粗略地理解为一个可以专注于输入内容的某一个子集(或某一部分特征)的神经网络,这使得神经网络在预测时可以更多关注输入中的相关部分,更少关注不相关的部分。
合理用药:是指患者收到的药物适合其临床需求,其剂量满足其个体需求,持续适当时间,且对患者本人及其社区的成本最低。
归一化处理:将取值范围不同的数列映射到(0,1)区间上,便于数据的处理。在一些情况下,归一化后的数值可以直接被实现为概率。
随机失活(Dropout):是对具有深度结构的人工神经网络进行优化的方法,在学习过程中通过将隐含层的部分权重或输出随机归零,降低节点间的相互依赖性从而实现神经网络的标准化,降低其结构风险。例如在模型训练过程中,存在一个向量(1,2,3,4),将该向量输入随机失活层后,随机失活层可以随机将向量(1,2,3,4)中的一个数字转化为0,比如将2转化为0,那么向量就变成了(1,0,3,4)。
学习率(Learning Rate):用于控制模型的学习进度,学习率可以指导模型在梯度下降法中,如何使用损失函数的梯度调整网络权重。学习率如果过大,可能会使损失函数直接越过全局最优点,此时表现为损失过大;学习率如果过小,损失函数的变化速度很慢,会大大增加网络的收敛复杂度,并且很容易被困在局部最小值或者鞍点。
嵌入编码(Embedded Coding):嵌入编码在数学上表示一个对应关系,即通过一个函数F将X空间上的数据映射到Y空间上,其中该函数F是单射函数,映射的结果是结构保存,单射函数表示映射后的数据与映射前的数据唯一对应,结构保存表示映射前数据的大小关系后映射后数据的大小关系相同,例如映射前存在数据X1以及X2,映射后得到X1对应的Y1以及X2对应的Y2。若映射前的数据X1>X2,那么相应的,映射后的数据Y1大于Y2。对于词语来说,就是将词语映射到另外一个空间,便于后续的机器学习和处理。
注意力权重:可以表示训练或预测过程中某个数据的重要性,重要性表示输入的数据对输出数据影响的大小。重要性高的数据其对应的注意力权重的值较高,重要性低的数据其对应的注意力权重的值较低。在不同的场景下,数据的重要性并不相同,模型的训练注意力权重的过程也即是确定数据重要性的过程。
可选地,本申请实施例提供的计算机设备可以实现为终端或者服务器,下面对由终端和服务器构成的实施环境进行介绍。
图1是本申请实施例提供的一种匹配信息确定方法的实施环境示意图,参见图1,该实施环境中可以包括终端110和服务器140。
终端110通过无线网络或有线网络与服务器140相连。可选地,终端110是智能手机、平板电脑、笔记本电脑、台式计算机、智能手表等,但并不局限于此。终端110安装和运行有支持匹配信息显示的应用程序。
可选地,服务器是独立的物理服务器,或者是多个物理服务器构成的服务器集群或者分布式系统,或者是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
可选地,终端110泛指多个终端中的一个,本申请实施例仅以终端110来举例说明。
本领域技术人员可以知晓,上述终端的数量可以更多或更少。比如上述终端仅为一个,或者上述终端为几十个或几百个,或者更多数量,此时上述实施环境中还包括其他终端。本申请实施例对终端的数量和设备类型不加以限定。
在一些实施例中,上述终端110和服务器140能够作为区块链系统中的节点。
在介绍完本申请实施例提供的匹配信息确定方法的实施环境之后,下面对匹配信息确定方法的应用场景进行介绍,在下述说明过程中,终端也即是上述实施环境中的终端110,服务器也即是上述实施环境中的服务器140。
本申请实施例提供的匹配信息确定方法能够应用在药物推荐的场景下。
在药物推荐场景下,用户可以在终端上输入目标患者的历史描述信息,也即是目标患者的历史疾病信息和历史用药信息,再输入目标患者的当前疾病信息和目标用药信息,终端就能够输出目标用药信息与目标患者之间的匹配信息,用户能够根据匹配信息,来对目标用药信息进行调整。对于终端来说,在获取目标患者的历史描述信息、目标患者当前疾病信息和目标用药信息之后,能够将目标患者的历史描述信息、目标患者当前疾病信息和目标用药信息上传至服务器,由服务器基于目标患者的历史描述信息、目标患者当前疾病信息和目标用药信息进行处理,得到目标用药信息与目标患者之间的匹配信息。服务器将该匹配信息发送给终端,由终端将匹配信息展示给用户。比如,参见图2,终端能够显示匹配显示页面201,用户能够在匹配信息显示页面201中输入目标患者的历史描述信息,在匹配信息页面201中输入目标患者的当前疾病信息和目标用药信息。响应于在匹配信息页面201中的操作,终端能够在匹配信息页面201中显示匹配信息。
在介绍完本申请实施例提供的匹配信息的确定方法之后,下面对本申请实施例提供的匹配信息确定方法进行说明。需要注意的是,在下述对本申请提供的技术方案进行说明的过程中,是以终端作为执行主体为例进行的。在其他可能的实施方式中,也可以由服务器作为执行主体来执行本申请提供的技术方案,本申请实施例对于执行主体的类型不做限定。
图3是本申请实施例提供的一种匹配信息确定方法的流程图,参见图3,方法包括下述步骤。
301、终端获取目标患者的当前疾病信息和针对当前疾病信息的目标用药信息。
其中,目标患者的当前疾病信息也即是目标患者当前患有疾病的相关信息,目标用药信息也即是用于治疗目标患者当前患有疾病的药物的相关信息。
302、终端基于目标患者的历史描述信息,确定目标患者的描述特征,历史描述信息包括目标患者的历史疾病信息和针对历史疾病信息的历史用药信息。
其中,目标患者的历史疾病信息也即是目标患者历史患有疾病的相关信息,历史用药信息也即是目标患者历史使用药物的相关信息。目标患者的描述特征能够反映目标患者的历史疾病情况和历史用药情况。
303、终端基于目标患者的描述特征、当前疾病信息以及目标用药信息,确定匹配信息,匹配信息用于表示目标用药信息与目标患者之间的匹配程度。
其中,匹配程度越高,表示目标药物信息对应的药物越适用于目标患者,匹配程度越低,表示目标药物信息对应的药物越不适用于目标患者。
在本申请实施例中,通过目标患者的历史描述信息来确定目标患者的描述特征,描述特征也就能够反映目标患者的历史患病情况和历史用药情况。基于目标患者的描述特征、当前疾病信息以及目标药信息来进行预测,能够得到目标用药信息与目标患者之间的匹配信息,预测过程不借助于规则,能够降低辅助决策成本。
上述步骤301-303是对本申请实施例提供的匹配信息确定方法的简单说明,下面将结合一些例子,对本申请实施例提供的匹配信息确定方法进行更加详细的说明,参见图4,方法包括下述步骤。
401、终端获取目标患者的当前疾病信息和针对当前疾病信息的目标用药信息。
其中,目标患者的当前疾病信息也即是目标患者当前患有疾病的相关信息,比如包括目标患者当前患有疾病的名称等,目标患者当前患有疾病的数量可以为一个,也可以为多个,本申请实施例对此不做限定;目标用药信息也即是用于治疗目标患者当前患有疾病的药物的相关信息,比如包括目标药物的名称、用量等信息,目标药物的数量可以为一个,也可以为多个,本申请实施例对此不做限定。
在一种可能的实施方式中,终端从服务器获取目标患者的电子病历 (ElectronicHealth Record,EHR),电子病历中携带有目标患者的当前疾病信息和针对当前疾病信息的目标用药信息。在一些实施例中,电子病历存储在服务器上,电子病历中存储有目标患者最近一次就医的记录,最近一次就医的记录包括目标患者的当前疾病信息和目标用药信息,其中,目标患者的电子病历经过患者许可后,能够被不同的用户查看。在这种情况下,比如目标患者在A医院就医后,还可能去B医院就医。在A医院就医的过程中,A医院的医生能够将目标患者的当前疾病信息和目标用药信息上传至目标患者的电子病历中,这样当目标患者去B医院就医时,B医院的医生就能够直接从目标患者的电子病例中调用A医院的医生上传的当前疾病信息和目标用药信息。
在这种实施方式下,终端能够从目标患者的电子病历中直接获取目标患者的当前疾病信息和目标用药信息,效率较高。
举例来说,终端向服务器发送电子病历获取请求,电子病历获取请求中携带有目标患者的标识。响应于接收到电子病历获取请求,服务器从电子病历获取请求中获取目标患者的标识。服务器基于目标患者的标识在电子病历数据库中进行查询,获取目标患者的电子病历,其中,电子病历数据库也即是服务器对应维护的数据库,电子病历数据库中存储有多个患者的电子病历。服务器将目标患者的电子病历发送给终端,终端接收目标患者的电子病历,从目标患者的电子病例中获取目标患者的当前疾病信息和针对当前疾病信息的目标用药信息。
在一些实施例中,终端显示匹配信息显示页面,匹配信息显示页面包括患者选择区域。响应于在患者选择区域中选择了目标患者,终端向服务器发送电子病历获取请求,电子病历获取请求中携带有目标患者的标识。响应于接收到电子病历获取请求,服务器从电子病历获取请求中获取目标患者的标识。服务器基于目标患者的标识在电子病历数据库中进行查询,获取目标患者的电子病历。服务器将目标患者的电子病历发送给终端,终端接收目标患者的电子病历,从目标患者的电子病例中获取目标患者的当前疾病信息和针对当前疾病信息的目标用药信息。终端将目标患者的当前疾病信息和目标用药信息显示在匹配信息显示页面上。
在这种实施方式下,用户能够通过匹配信息显示页面来选择目标患者,并通过匹配信息显示页面来查看终端获取的当前疾病信息和目标用药信息,人机交互的效率较高。
在一种可能的实施方式中,终端显示匹配信息显示页面,通过匹配信息显示页面获取目标患者的当前疾病信息和针对当前疾病信息的目标用药信息。也即是,用户能够在匹配信息显示页面上输入目标患者的当前疾病信息和针对当前疾病信息的目标用药信息,在这种情况下,目标患者的当前疾病信息也即是用户对目标患者的诊断,目标用药信息也即是用户基于目标患者的诊断开出的药品信息。
在这种实施方式下,用户能够实时将对目标患者的诊断和用药输入终端,以便于终端对用药和目标患者的匹配情况进行预测。
举例来说,匹配信息显示页面包括第一区域和第二区域,第一区域用于输入当前疾病信息,第二区域用于输入目标用药信息,用户能够在第一区域中输入目标患者的当前疾病信息,在第二区域输入目标患者的目标用药信息。
在一些实施例中,若目标患者的当前疾病信息为目标患者当前患有疾病的名称,第一区域上显示有疾病搜索控件,响应于对疾病搜索控件的点击操作,终端在匹配信息显示页面上显示疾病搜索弹窗,疾病搜索弹窗中显示有待选的多个疾病名称。响应于对多个疾病名称中至少一个第一目标疾病名称的选择操作,终端将至少一个第一目标疾病名称显示在第一区域中,终端也就获取了至少一个第一目标疾病名称,也即是获取了目标患者的当前疾病信息。在一些实施例中,疾病搜索弹窗中显示的多个疾病名称为存储在疾病名称数据库中的疾病名称,终端能够与疾病名称数据库进行数据交互,从疾病名称数据库中获取疾病名称。当然,疾病名称数据库能够进行实时更新,以补充最新的疾病名称。
在这种实施方式下,用户能够通过选择的方式来为目标患者选择当前疾病名称,相较于输入的方式来说,通过选择的方式选出的疾病名称具有更好的完整性和准确性,有助于终端后续的处理。
在一些实施例中,若目标患者的目标用药信息为目标药品的名称,第二区域上显示有药品搜索控件,响应于对药品搜索控件的点击操作,终端在匹配信息显示页面上显示药品搜索弹窗,药品搜索弹窗中显示有待选的多个药品名称。响应于对多个药品名称中至少一个第一目标药品名称的选择操作,终端将至少一个第一目标药品名称显示在第二区域中,终端也就获取了至少一个第一目标药品名称,也即是获取了目标患者的目标药品信息。在一些实施例中,药品搜索弹窗中显示的多个药品名称为存储在药品名称数据库中的药品病程,终端能够与药品名称数据库进行数据交互,从药品名称数据库中获取药品名称。当然,药品名称数据库能够进行实时更新,以补充最新的药品名称。
在这种实施方式下,用户能够通过选择的方式来为目标患者选择第一目标药品名称,相较于输入的方式来说,通过选择的方式选择的药品名称具有更好的完整性和准确性,有助于终端后续的处理。
402、终端获取目标患者的历史描述信息,历史描述信息包括目标患者的历史疾病信息和针对历史疾病信息的历史用药信息。
其中,目标患者的历史疾病信息也即是目标患者历史患有疾病的相关信息,比如包括目标患者历史患有疾病的名称等,目标患者历史患有疾病的数量可以为一个,也可以为多个,本申请实施例对此不做限定;历史用药信息也即是目标患者历史使用药物的相关信息,目标患者历史使用药物的数量可以为一种,也可以为多种,本申请实施例对此不做限定。目标患者的描述特征能够反映目标患者的历史疾病情况和历史用药情况。在一些实施例中,目标患者的历史疾病信息也可以被称为目标患者的既往病史,目标患者的历史用药信息也被称为目标患者的用药史。在一些实施例中,目标患者的历史疾病信息除了包括目标患者历史患有疾病之外,还可以包括目标患者的家族病史,遗传病史等,本申请实施例对此不做限定。
在一种可能的实施方式中,终端从服务器获取目标患者的电子病历,电子病历中携带有目标患者的历史疾病信息和针对历史疾病信息的历史用药信息,在一些实施例中,电子病历存储在服务器上,电子病历中存储有目标患者最近一次就医的记录,最近一次就医的记录包括目标患者的历史疾病信息和历史用药信息,其中,目标患者的电子病历经过患者许可后,能够被不同的用户查看。在这种情况下,比如目标患者在A医院就医后,还可能去B医院就医。在A医院就医的过程中,A医院的医生能够将目标患者的历史疾病信息和历史用药信息上传至目标患者的电子病历中,这样当目标患者去B医院就医时,B医院的医生就能够直接从目标患者的电子病例中调用A医院的医生上传的历史疾病信息和历史用药信息。
在这种实施方式下,终端能够从目标患者的电子病历中直接获取目标患者的历史疾病信息和历史用药信息,效率较高。
举例来说,终端向服务器发送电子病历获取请求,电子病历获取请求中携带有目标患者的标识。响应于接收到电子病历获取请求,服务器从电子病历获取请求中获取目标患者的标识。服务器基于目标患者的标识在电子病历数据库中进行查询,获取目标患者的电子病历,其中,电子病历数据库也即是服务器对应维护的数据库,电子病历数据库中存储有多个患者的电子病历。服务器将目标患者的电子病历发送给终端,终端接收目标患者的电子病历,从目标患者的电子病例中获取目标患者的历史疾病信息和针对历史疾病信息的历史用药信息。
在一些实施例中,终端显示匹配信息显示页面,匹配信息显示页面包括患者选择区域。响应于在患者选择区域中选择了目标患者,终端向服务器发送电子病历获取请求,电子病历获取请求中携带有目标患者的标识。响应于接收到电子病历获取请求,服务器从电子病历获取请求中获取目标患者的标识。服务器基于目标患者的标识在电子病历数据库中进行查询,获取目标患者的电子病历。服务器将目标患者的电子病历发送给终端,终端接收目标患者的电子病历,从目标患者的电子病例中获取目标患者的历史疾病信息和针对历史疾病信息的历史用药信息。终端将目标患者的历史疾病信息和历史用药信息显示在匹配信息显示页面上。
在这种实施方式下,用户能够通过匹配信息显示页面来选择目标患者,并通过匹配信息显示页面来查看终端获取的历史疾病信息和历史用药信息,人机交互的效率较高。
在一种可能的实施方式中,终端显示匹配信息显示页面,通过匹配信息显示页面获取目标患者的历史疾病信息和针对历史疾病信息的历史用药信息。也即是,在目标患者就医时,用户询问目标患者的历史疾病信息和历史用药信息,也即是询问目标患者的既往病史和用药史,用户在匹配信息显示页面上,输入目标患者的历史疾病信息和历史用药信息,在这种情况下,目标患者的历史疾病信息也即是对目标患者的历史诊断,历史用药信息也即是基于历史诊断开出的药品信息。
在这种实施方式下,用户能够实时将对目标患者的既往病史和用药史输入终端,以便于终端对用药和目标患者的匹配情况进行预测。
举例来说,匹配信息显示页面包括第三区域和第四区域,第三区域用于输入历史疾病信息,第四区域用于输入历史用药信息,用户能够在第三区域中输入目标患者的历史疾病信息,在第四区域输入目标患者的历史用药信息。
在一些实施例中,若目标患者的历史疾病信息为目标患者当前患有疾病的名称,第三区域上显示有疾病搜索控件,响应于对疾病搜索控件的点击操作,终端在匹配信息显示页面上显示疾病搜索弹窗,疾病搜索弹窗中显示有待选的多个疾病名称。响应于对多个疾病名称中至少一个第二目标疾病名称的选择操作,终端将至少一个第二目标疾病名称显示在第三区域中,终端也就获取了至少一个第二目标疾病名称,也即是获取了目标患者的历史疾病信息。在一些实施例中,疾病搜索弹窗中显示的多个疾病名称为存储在疾病名称数据库中的疾病名称,终端能够与疾病名称数据库进行数据交互,从疾病名称数据库中获取疾病名称。当然,疾病名称数据库能够进行实时更新,以补充最新的疾病名称。
在这种实施方式下,用户能够通过选择的方式来为目标患者选择当前疾病名称,相较于输入的方式来说,通过选择的方式选出的疾病名称具有更好的完整性和准确性,有助于终端后续的处理。
在一些实施例中,若目标患者的历史用药信息为目标药品的名称,第四区域上显示有药品搜索控件,响应于对药品搜索控件的点击操作,终端在匹配信息显示页面上显示药品搜索弹窗,药品搜索弹窗中显示有待选的多个药品名称。响应于对多个药品名称中至少一个第二目标药品名称的选择操作,终端将至少一个第二目标药品名称显示在第四区域中,终端也就获取了至少一个第二目标药品名称,也即是获取了目标患者的目标药品信息。在一些实施例中,药品搜索弹窗中显示的多个药品名称为存储在药品名称数据库中的药品病程,终端能够与药品名称数据库进行数据交互,从药品名称数据库中获取药品名称。当然,药品名称数据库能够进行实时更新,以补充最新的药品名称。
在这种实施方式下,用户能够通过选择的方式来为目标患者选择第二目标药品名称,相较于输入的方式来说,通过选择的方式选择的药品名称具有更好的完整性和准确性,有助于终端后续的处理。
403、终端基于目标患者的历史描述信息,确定目标患者的描述特征。
在一种可能的实施方式中,终端基于目标患者的历史疾病信息,确定目标患者在疾病知识图谱中对应的多个目标疾病实体,疾病知识图谱用于描述多个疾病实体之间的关联关系。终端基于目标患者的历史用药信息,确定目标患者在药物知识图谱中对应的多个目标药物实体,药物知识图谱用于描述多个药物实体之间的关联关系。终端基于多个目标疾病实体和多个目标药物实体,确定目标患者的描述特征。在一些实施例中,疾病知识图谱和药物知识图谱存储在区块链系统中,区块链系统中的各个节点均能够对疾病知识图谱和药物知识图谱进行查阅。或者,在一些情况下,如果用户想要对疾病知识图谱或药物知识图谱中的实体以及实体之间的关联关系进行补充,或者对疾病知识图谱或药物知识图谱中的实体以及实体之间的关联关系进行调整,也能够通过区块链系统来实现,比如用户在区块链系统中提出对疾病知识图谱中两个实体的关联关系进行调整,那么区块链系统中的多个节点能够对调整的内容进行投票。当区块链系统中的多个节点达成共识时,区块链系统能够对调整的内容进行存储。当然,若用户想要对疾病知识图谱中的实体进行补充时,区块链系统中的多个节点也能够对补充的内容进行投票。当区块链系统中的多个节点达成共识时,区块链系统能够对补充的内容进行存储。通过将疾病知识图谱和药物知识图谱存储在区块链系统,能够保证区块链系统中的每个节点使用相同的疾病知识图谱和药物知识图谱,在使用本申请实施例提供的匹配信息确定时,也就能够达到一个准确的结果。
其中,疾病知识图谱和药物知识图谱均为垂域知识图谱,疾病知识图谱为专门为疾病设置的图谱,在一些实施例中,疾病知识图谱为疾病预测知识图谱,疾病预测知识图谱中包括疾病名称、症状、临床所见、检验以及检查等疾病实体之间的关联关系。药物知识图谱包括药物名称、药物成分以及作用部位等药物实体之间的关联关系。
在这种实施方式下,终端能够将目标患者的历史疾病信息与疾病知识图谱进行关联,确定出与目标患者对应的多个目标疾病实体。终端将目标患者历史用药信息与药物知识图谱进行关联,确定出与目标患者对应的多个目标药物实体。终端基于确定出的多个目标疾病实体和多个目标药物实体确定的目标患者的描述特征,也就能够在一定程度上反映目标患者的身体状况,后续终端也就能够基于目标患者的描述特征来确定目标用药信息与目标患者之间的匹配程度。
为了对上述实施方式进行更加清楚的说明,下面将分为三个部分对上述实施方式进行说明。
第一部分、对终端基于目标患者的历史疾病信息,确定目标患者在疾病知识图谱中对应的多个目标疾病实体的方法进行说明。
在一种可能的实施方式中,终端从目标患者的历史疾病信息中,获取至少一个第一实体信息,第一实体信息包括第一目标实体的名称、第一目标实体与历史疾病信息中其他实体的关系信息、第一目标实体的文本属性信息以及第一目标实体对应的图像数据中的至少一项,其中,第一目标实体也即是与目标患者患有疾病对应的实体。终端基于第一实体信息,确定目标患者在疾病知识图谱中对应的多个目标疾病实体。在一些实施例中,第一目标实体和多个目标疾病实体也就构成了一个患者-疾病二分图,患者-疾病二分图中只有一种类型的边,即目标患者与哪些疾病有关系。
举例来说,终端对目标患者的历史疾病信息进行实体识别,从历史疾病信息中确定出至少一个第一目标实体,在一些实施例中,第一目标实体为目标患者历史患有疾病的名称。终端获取该第一目标实体的第一实体信息。终端基于第一实体信息,确定第一目标实体的名称嵌入特征、关系嵌入特征、文本属性嵌入特征以及图像嵌入特征中的至少一项。终端基于名称嵌入特征、关系嵌入特征、文本属性嵌入特征以及图像嵌入特征中的至少一项,获取目标患者的第一目标嵌入特征。终端将第一目标嵌入特征与疾病知识图谱中的多个疾病实体的嵌入特征进行比较,从多个疾病实体中确定出多个目标疾病实体,目标疾病实体的嵌入特征与第一目标嵌入特征之间的相似度符合相似度条件。在一些实施例中,终端能够采用向量的形式来表示嵌入特征,上述各个嵌入特征可以记作嵌入向量。
比如,终端采用疾病实体模板对目标患者的历史疾病信息进行匹配,从历史疾病信息中匹配出至少一个第一目标实体。终端将历史疾病信息中,与第一目标实体关联的信息确定为第一实体信息。终端对第一实体信息进行特征提取,得到第一目标实体的名称嵌入特征、关系嵌入特征、文本属性嵌入特征以及图像嵌入特征中的至少一项。其中,对于第一目标实体的名称嵌入(Embedding)特征来说,也即是终端对第一目标实体的名称进行嵌入编码后得到的名称嵌入特征。对于第一目标实体的关系嵌入特征来说,是终端对第一目标实体与历史疾病信息中其他实体之间的关系信息,进行嵌入编码,得到关系嵌入特征。在一些实施例中,终端基于TransE(Translating Embedding,知识图谱嵌入)模型对关系信息进行嵌入编码,得到关系嵌入特征。对于第一目标实体的文本属性嵌入特征来说,是终端对第一目标实体的文本属性信息进行卷积处理后得到的,在一些实施例中,终端能够通过CNN(Convolutional Neural Networks,卷积神经网络)来对第一目标实体的文本属性信息进行卷积处理,以得到第一目标实体的文本嵌入特征。对于第一目标实体的图像嵌入特征来说,是终端对第一目标实体对应的图像数据进行特征提取后的得到的,在一些实施例中,终端能够通过D-res-Net(Deep Residual Network,深度残差网络)来对图像数据进行特征提取,得到第一目标实体的图像嵌入特征。终端基于名称嵌入特征、关系嵌入特征、文本属性嵌入特征以及图像嵌入特征中的至少一项进行融合,得到目标患者的第一目标嵌入特征,其中,若只存在一个嵌入特征,那么终端能够直接将该嵌入特征作为目标患者的第一目标嵌入特征;若存在至少两个嵌入特征,那么终端能够将至少两个嵌入特征进行加权求和,得到目标患者的第一目标嵌入特征,权重由技术人员根据实际情况进行设置,本申请实施例对此不做限定。对于疾病知识图谱中的多个疾病实体来说,终端能够提前对多个疾病实体执行上述嵌入特征提取过程,也即是获取每个疾病实体的疾病实体信息,疾病实体信息包括每个疾病实体的名称、每个疾病实体与历史疾病信息中其他实体的关系信息、每个疾病实体的文本属性信息以及每个疾病实体对应的图像数据中的至少一项。终端对每个疾病实体的疾病实体进行特征提取,得到每个疾病实体的名称嵌入特征、关系嵌入特征、文本属性嵌入特征以及图像嵌入特征中的至少一项。终端基于每个疾病实体的名称嵌入特征、关系嵌入特征、文本属性嵌入特征以及图像嵌入特征中的至少一项,得到每个疾病实体的嵌入特征。终端确定第一目标嵌入特征与多个疾病实体的嵌入特征之间的余弦相似度,将余弦相似度大于或等于相似度阈值的疾病实体,确定为目标疾病实体。
第二部分、对终端基于目标患者的历史用药信息,确定目标患者在药物知识图谱中对应的多个目标药物实体的方法进行说明。
在一种可能的实施方式中,终端从目标患者的历史用药信息中,获取至少一个第二实体信息,第二实体信息包括第二目标实体的名称、第二目标实体与历史用药信息中其他实体的关系信息、第二目标实体的文本属性信息以及第二目标实体对应的图像数据中的至少一项。终端基于第二实体信息,确定目标患者在药物知识图谱中对应的多个目标药物实体,其中,第二目标实体也即是与目标患者使用药物对应的实体。在一些实施例中,第二目标实体和多个目标药物实体也就构成了一个患者-药物二分图,患者-药物二分图中只有一种类型的边,即目标患者与哪些药物有关系。
举例来说,终端对目标患者的历史用药信息进行实体识别,从历史用药信息中确定出至少一个第二目标实体,在一些实施例中,第二目标实体为目标患者历史使用药物的名称。终端获取该第二目标实体的第二实体信息。终端基于第二实体信息,确定第二目标实体的名称嵌入特征、关系嵌入特征、文本属性嵌入特征以及图像嵌入特征中的至少一项。基于名称嵌入特征、关系嵌入特征、文本属性嵌入特征以及图像嵌入特征中的至少一项,获取目标患者的第二目标嵌入特征。将第二目标嵌入特征与药物知识图谱中的多个药物实体的嵌入特征进行比较,从多个药物实体中确定出多个目标药物实体,目标药物实体的嵌入特征与第二目标嵌入特征之间的相似度符合相似度条件。在一些实施例中,终端能够采用向量的形式来表示嵌入特征,上述各个嵌入特征可以记作嵌入向量。
比如,终端采用药物实体模板对目标患者的历史用药信息进行匹配,从历史用药信息中匹配出至少一个第二目标实体。终端将历史用药信息中,与第二目标实体关联的信息确定为第二实体信息。终端对第二实体信息进行特征提取,得到第二目标实体的名称嵌入特征、关系嵌入特征、文本属性嵌入特征以及图像嵌入特征中的至少一项。其中,对于第二目标实体的名称嵌入(Embedding)特征来说,也即是终端对第二目标实体的名称进行嵌入编码后得到的名称嵌入特征。对于第二目标实体的关系嵌入特征来说,是终端对第二目标实体与历史用药信息中其他实体之间的关系信息,进行嵌入编码,得到关系嵌入特征。在一些实施例中,终端基于TransE模型对关系信息进行嵌入编码,得到关系嵌入特征。对于第二目标实体的文本属性嵌入特征来说,是终端对第二目标实体的文本属性信息进行卷积处理后得到的,在一些实施例中,终端能够通过CNN(Convolutional Neural Networks,卷积神经网络)来对第二目标实体的文本属性信息进行卷积处理,以得到第二目标实体的文本嵌入特征。对于第二目标实体的图像嵌入特征来说,是终端对第二目标实体对应的图像数据进行特征提取后的得到的,在一些实施例中,终端能够通过D-res-Net(Deep ResidualNetwork,深度残差网络)来对图像数据进行特征提取,得到第二目标实体的图像嵌入特征。终端基于名称嵌入特征、关系嵌入特征、文本属性嵌入特征以及图像嵌入特征中的至少一项进行融合,得到目标患者的第二目标嵌入特征,其中,若只存在一个嵌入特征,那么终端能够直接将该嵌入特征作为目标患者的第二目标嵌入特征;若存在至少两个嵌入特征,那么终端能够将至少两个嵌入特征进行加权求和,得到目标患者的第二目标嵌入特征,权重由技术人员根据实际情况进行设置,本申请实施例对此不做限定。对于药物知识图谱中的多个药物实体来说,终端能够提前对多个药物实体执行上述嵌入特征提取过程,也即是获取每个药物实体的药物实体信息,药物实体信息包括每个药物实体的名称、每个药物实体与历史用药信息中其他实体的关系信息、每个药物实体的文本属性信息以及每个药物实体对应的图像数据中的至少一项。终端对每个药物实体的药物实体进行特征提取,得到每个药物实体的名称嵌入特征、关系嵌入特征、文本属性嵌入特征以及图像嵌入特征中的至少一项。终端基于每个药物实体的名称嵌入特征、关系嵌入特征、文本属性嵌入特征以及图像嵌入特征中的至少一项,得到每个药物实体的嵌入特征。终端确定第二目标嵌入特征与多个药物实体的嵌入特征之间的余弦相似度,将余弦相似度大于或等于相似度阈值的药物实体,确定为目标药物实体。
第三部分、对终端基于多个目标疾病实体和多个目标药物实体,确定目标患者的描述特征的方法进行说明。
在一种可能的实施方式中,终端将多个第一特征和多个第二特征进行融合,得到目标患者的描述特征,第一特征为目标疾病实体对应的特征,第二特征为目标药物实体对应的特征。
举例来说,若终端采用向量的形式表示第一特征和第二特征,也即是采用第一向量表示第一特征,采用第二向量表示第二特征。终端获取多个第一向量的第一平均向量和多个第二向量的第二平均向量,将第一平均向量和第二平均向量相加,得到目标患者的描述向量,描述向量也就用于表示描述特征。比如,终端采用下述公式(1)来获取第一平均向量,采用下述公式(2)来获取第二平均向量。
在上述第三部分中,终端采用了第一特征和第二特征来获取目标患者的描述特征,而第一特征为目标疾病实体对应的特征,目标疾病实体属于疾病知识图谱。而第二特征为目标药物实体对应的特征,目标药物实体属于药物知识图谱。在一些实施例中,终端能够提前对疾病知识图谱中的多个疾病实体进行特征提取,得到每个疾病实体的特征。对药物知识图谱中的多个药物实体进行特征提取,得到每个药物实体的特征。在执行上述步骤时,终端就能够直接获取第一特征和第二特征,效率较高。下面对终端对疾病知识图谱中的多个疾病实体进行特征提取的方法,以及对药物知识图谱中的多个药物实体进行特征提取的方法进行说明。
在一种可能的实施方式中,终端对疾病知识图谱进行图卷积(GraphConvolutional)处理,得到疾病知识图谱中多个疾病实体的特征。终端对药物知识图谱进行图卷积处理,得到药物知识图谱中多个药物实体的特征。
举例来说,终端通过训练第一图卷积网络来对疾病知识图谱进行图卷积处理,以得到疾病知识图谱中多个疾病实体的特征。终端通过训练第二图卷积网络来对药物知识图谱进行图卷积处理,得到药物知识图谱中多个药物实体的特征。
下面先对终端训练第一图卷积网络的方法进行说明。
在一种可能的实施方式中,终端将疾病知识图谱中的多个节点输入第一图卷积网络,通过第一图卷积网络对多个节点进行图卷积处理,得到多个节点对应的节点特征,其中,一个节点对应于一个实体,节点之间存在连接关系。终端通过多个节点的节点特征,确定多个节点之间的连接关系。终端以疾病知识图谱中多个节点之间的实际连接关系为监督,对第一图卷积网络的模型参数进行调整,其中,以疾病知识图谱中多个节点之间的实际连接关系为监督,对第一图卷积网络的模型参数进行调整是指,以疾病知识图谱中多个节点之间的实际连接关系,与第一图卷积网络预测的连接关系之间的差异构建第一损失函数,基于第一损失函数来对第一图卷积网络的模型参数进行调整。在一些实施例中,终端能够采用接邻矩阵的方式来表示疾病知识图谱中多个节点之间的实际连接关系。
上述过程可以通过下述公式(3)和公式(4)来实现,其中,公式(3)是有公式(5)推导而来,公式(5)为图卷积的前向传播公式,公式(4)为第一损失函数。终端对第一图卷积网络训练完毕之后,能够采用训练后的图卷积网络对疾病知识图谱中的多个节点进行特征提取,得到多个节点特征,一个节点对应于一个疾病实体,节点特征也即是疾病实体的特征。
其中,为编号为的特征矩阵,编号为的特征矩阵,为Sigmoid(S型生长曲线)函数,为接邻矩阵,编号为的权重矩阵,为第一损失函数,为对比损失,为多个节点之间的实际连接关系,为第一图卷积网络预测的连接关系,为中编号为的节点特征,为中编号为的节点特征,为中编号为的节点特征,和为权重,为常数。
下面对终端训练第二图卷积网络的方法进行说明。
在一种可能的实施方式中,终端将药物知识图谱中的多个节点输入第二图卷积网络,通过第二图卷积网络对多个节点进行图卷积处理,得到多个节点对应的节点特征,其中,一个节点对应于一个实体,节点之间存在连接关系。终端通过多个节点的节点特征,确定多个节点之间的连接关系。终端以药物知识图谱中多个节点之间的实际连接关系为监督,对第二图卷积网络的模型参数进行调整,其中,以药物知识图谱中多个节点之间的实际连接关系为监督,对第二图卷积网络的模型参数进行调整是指,以药物知识图谱中多个节点之间的实际连接关系,与第二图卷积网络预测的连接关系之间的差异构建第二损失函数,基于第二损失函数来对第二图卷积网络的模型参数进行调整。在一些实施例中,终端能够采用接邻矩阵的方式来表示药物知识图谱中多个节点之间的实际连接关系。终端对第二图卷积网络训练完毕之后,能够采用训练后的图卷积网络对药物知识图谱中的多个节点进行特征提取,得到多个节点特征,一个节点对应于一个药物实体,节点特征也即是药物实体的特征。
需要说明的是,在上述说明过程中,是以终端采用图卷积网络来获取第一特征和第二特征为例进行说明的,在其他可能的实施方式中,终端也能够采用其他类型的网络来获取第一特征和第二特征,也即是采用其他类型的网络对疾病知识图谱和药物知识图谱进行建模,比如采用TransE/TransD/TransH/TransR等模型来对疾病知识图谱和药物知识图谱进行建模,本申请实施例对此不做限定,TransE/TransD/TransH/TransR均为知识图谱嵌入模型。
404、终端基于目标患者的描述特征、当前疾病信息以及目标用药信息,确定匹配信息,匹配信息用于表示目标用药信息与目标患者之间的匹配程度。
其中,匹配程度越高,表示目标药物信息对应的药物越适用于目标患者,匹配程度越低,表示目标药物信息对应的药物越不适用于目标患者。
在一种可能的实施方式中,终端获取目标患者的描述特征与当前疾病信息之间的第一权重。终端获取目标患者的描述特征与目标用药信息之间的第二权重。终端基于第一权重和第二权重对当前疾病信息与目标用药信息进行融合,得到目标患者的用药特征。终端基于目标患者的描述特征与目标患者的用药特征,确定匹配信息。
为了对上述实施方式进行更加清楚的说明,下面将分为四个部分对上述实施方式进行说明。
P1、对终端获取目标患者的描述特征与当前疾病信息之间的第一权重的方法进行说明。
在一种可能的实施方式中,终端基于当前疾病信息,确定目标患者在疾病知识图谱中对应的至少一个参考疾病实体。终端基于目标患者的描述特征与第三特征之间的点积,获取第一权重,第三特征为参考疾病实体对应的特征。在这种情况下,第一权重能够表示参考疾病实体表示的疾病与目标患者的相关性,第一权重与相关性正相关,第一权重越高,相关性越强;第一权重越低,相关性越弱。终端能够对第一权重进行可视化,以体现参考疾病实体表示的疾病与目标患者的相关性,比如终端在匹配信息显示页面上显示目标患者、参考疾病实体对应的疾病和第一权重,用户能够通过查看匹配信息显示页面,来确定参考疾病实体表示的疾病与目标患者的相关性。
举例来说,终端对目标患者的当前疾病信息进行实体识别,从当前疾病信息中确定出待对齐的至少一个疾病实体。终端基于待对齐的至少一个疾病实体,在疾病知识图谱中进行查询,从疾病知识图谱中确定出与待对齐的至少一个疾病实体对应的至少一个参考疾病实体。终端获取参考疾病实体的第三特征,将目标患者的描述特征与第三特征之间的点积,获取为第一权重,其中,对齐也即是将从当前疾病中识别出的实体对应到疾病知识图谱中的过程,该实现过程参见上述步骤403的相关描述,在此不再赘述。
比如,终端采用疾病实体模板对目标患者的当前疾病信息进行匹配,从当前疾病信息中匹配出待对齐的至少一个疾病实体。终端基于待对齐的至少一个疾病实体,在疾病知识图谱中进行查询,从疾病知识图谱中确定出与待对齐的至少一个疾病实体对应的至少一个参考疾病实体。通过上述步骤403的第三部分,终端采用第一图卷积网络对疾病知识图谱进行了建模,得到了疾病知识图谱中多个疾病实体的特征,那么终端能够直接从多个疾病实体的特征中获取第三特征。终端对目标患者的描述特征与第三特征之间的点积进行归一化处理,得到第一权重,也即是通过下述公式(6)获取第一权重。在一些实施例中,获取第一权重的过程也被称为注意力打分的过程,第一权重可以解释为,目标患者的描述特征对不同第三特征的关注程度。
P2、对终端获取目标患者的描述特征与目标用药信息之间的第二权重的方法进行说明。
在一种可能的实施方式中,终端基于目标用药信息,确定目标患者在药物知识图谱中对应的至少一个参考药物实体。终端基于目标患者的描述特征与第四特征之间的点积,获取第二权重,第四特征为参考药物实体对应的特征。在这种情况下,第二权重能够表示参考药物实体表示的药物与目标患者的相关性,第二权重与相关性正相关,第二权重越高,相关性越强;第二权重越低,相关性越弱。终端能够对第二权重进行可视化,以体现参考药物实体表示的药物与目标患者的相关性,比如终端在匹配信息显示页面上显示目标患者、参考药物实体对应的药物和第二权重,用户能够通过查看匹配信息显示页面,来确定参考药物实体表示的药物与目标患者的相关性。
举例来说,终端对目标患者的目标药物信息进行实体识别,从目标药物信息中确定出待对齐的至少一个药物实体。终端基于待对齐的至少一个药物实体,在药物知识图谱中进行查询,从药物知识图谱中确定出与待对齐的至少一个药物实体对应的至少一个参考药物实体。终端获取参考药物实体的第四特征,将目标患者的描述特征与第四特征之间的点积,获取为第二权重,其中,对齐也即是将从当前药物中识别出的实体对应到药物知识图谱中的过程,该实现过程参见上述步骤403的相关描述,在此不再赘述。
比如,终端采用药物实体模板对目标患者的目标药物信息进行匹配,从目标药物信息中匹配出待对齐的至少一个药物实体。终端基于待对齐的至少一个药物实体,在药物知识图谱中进行查询,从药物知识图谱中确定出与待对齐的至少一个药物实体对应的至少一个参考药物实体。通过上述步骤403的第三部分,终端采用第二图卷积网络对药物知识图谱进行了建模,得到了药物知识图谱中多个药物实体的特征,那么终端能够直接从多个药物实体的特征中获取第四特征。终端对目标患者的描述特征与第四特征之间的点积进行归一化处理,得到第二权重,也即是通过下述公式(7)获取第二权重。在一些实施例中,获取第二权重的过程也被称为注意力打分的过程,第二权重可以解释为,目标患者的描述特征对不同第四特征的关注程度。
P3、对终端基于第一权重和第二权重对当前疾病信息与目标用药信息进行融合,得到目标患者的用药特征的方法进行说明。
在一种可能的实施方式中,终端采用第一权重和第二权重,将至少一个参考疾病实体的第三特征和至少一个参考药物实体的第四特征进行加权求和,得到用药特征。也即是,终端将每个第一权重与对应的第三特征相乘,得到第一乘积。终端将每个第二权重与对应的第四特征相乘,得到第二乘积。终端将第一乘积和第二乘积相加,得到用药特征。比如,终端通过下述公式(8)来获取用药特征。在一些实施中,这种实施方式也被称为“软性”的信息选择机制。
P4、对终端基于目标患者的描述特征与目标患者的用药特征,确定匹配信息的方法进行说明。
在一种可能的实施方式中,终端确定目标患者的描述特征与目标患者的用药特征之间的相似度,将该相似度确定为匹配信息。比如,终端采用向量的形式来表示描述特征和用药特征,也即是采用描述向量来表示描述特征,采用用药向量来表示用药特征。终端能够获取描述向量与用药向量之间的余弦相似度,将该余弦相似度确定为匹配信息,余弦相似度的数值与匹配信息表示的匹配程度正相关,也即是余弦相似度越高,表示目标用药信息与目标患者之间的匹配程度越高,表示用药合理的概率越高;余弦相似度越低,表示目标用药信息与目标患者之间的匹配程度越低,表示用药合理的概率越低。
在一些实施例中,终端能够对匹配信息进行可视化,比如直接显示目标用药信息与目标患者之间的相似度的数值,或者基于相似度的数值来显示用药的合理程度,比如在相似度高于相似度阈值时,终端显示用药合理;相似度低于相似度阈值时,终端显示用药不合理,相似度阈值由技术人员根据实际情况进行设置,本申请实施例对此不做限定。
下面将结合图5以及上述步骤401-404中各个可选地实施例,对本申请实施例提供的匹配信息确定方法进行说明。
参见图5,终端获取疾病知识图谱501、药物知识图谱502以及目标患者的电子病历503,电子病历503中携带有目标患者的历史描述信息。终端基于目标患者的历史描述信息和疾病知识图谱501,构建疾病-患者二分图504,基于目标患者的历史描述信息和药物知识图谱502,构建药物-患者二分图505,其中,疾病-患者二分图504描述了疾病知识图谱中,与历史描述信息对应的目标疾病实体。药物-患者二分图505描述了药物知识图谱中,与历史描述信息对应的目标药物实体。疾病-患者二分图504中区域5041中的节点为疾病知识图谱501中的节点,疾病-患者二分图504中区域5041以外的其他节点为历史描述信息中的节点,节点对应于实体,节点之间的连接关系表示实体之间具有关联关系。药物-患者二分图505中区域5051中的节点为药物知识图谱502中的节点。终端基于多个目标疾病实体和多个目标药物实体,确定目标患者的描述特征506。终端采用第一图卷积网络对疾病知识图谱501进行建模,得到疾病知识图谱501中多个疾病实体的特征;采用第二图卷积网络对药物知识图谱502进行建模,得到药物知识图谱502中多个药物实体的特征。终端基于目标患者的描述特征506、多个疾病实体的特征以及多个药物实体的特征,确定匹配信息507,基于匹配信息507进行药物推荐。
上述所有可选技术方案,可以采用任意结合形成本申请的可选实施例,在此不再一一赘述。
本申请实施例提供的技术方案能够与多种业务规则进行结合,以得到带有解释的药物推荐结果,比如参见图2,其中在匹配信息显示页面201中输入的目标患者的历史描述信息以及当前疾病信息后,在图2中,目若标患者的当前疾病信息为重度抑郁发作,在匹配信息显示页面201中输入针对当前疾病的目标用药信息,也即是输入药品名称护肝胶囊、丙戊酸钠缓释片以及氟伏沙明片。之后对目标用药信息中的护肝胶囊、丙戊酸钠缓释片以及氟伏沙明片进行预测,可以在右侧显示预测结果,其中带有解释地输出了每种药物的可能风险:例如,对于护肝胶囊的适应症风险是不合理,因为其药品适应症在于肝功能欠佳和解酒防醉,而非重度抑郁发作。
在本申请实施例中,通过目标患者的历史描述信息来确定目标患者的描述特征,描述特征也就能够反映目标患者的历史患病情况和历史用药情况。基于目标患者的描述特征、当前疾病信息以及目标药信息来进行预测,能够得到目标用药信息与目标患者之间的匹配信息,预测过程不借助于规则,能够降低辅助决策成本。也即是本申请充分复用其他业务已构建的垂域知识图谱并构建出适合药物推荐二分图(Bipartite Graph),之后再利用表示学习和注意力机制等给出最后的药物推荐结果。
本申请实施例还提供了一种匹配信息显示方法,参见图6,方法包括下述步骤。
601、终端显示匹配信息显示页面,匹配信息显示页面用于获取目标患者的当前疾病信息和针对当前疾病信息的目标用药信息。
举例来说,匹配信息显示页面的一个示例参见图2。终端显示匹配信息显示页面201,匹配信息显示区域201包括信息获取区域202,用户能够在信息获取区域202中输入目标患者的历史描述信息以及目标患者的当前疾病信息和针对当前疾病信息的目标用药信息。
602、响应于在匹配信息显示页面上的操作,终端在匹配信息显示页面上显示匹配信息,匹配信息用于表示目标用药信息与目标患者之间的匹配程度,匹配信息是基于目标患者的描述特征、当前疾病信息以及目标用药信息确定的,目标患者的描述特征是基于目标患者的历史描述信息确定的,历史描述信息包括目标患者的历史疾病信息和目标患者的历史用药信息。
在一种可能的实施方式中,匹配信息显示页面上显示有匹配信息显示控件,响应于对匹配信息显示控件的操作,终端在匹配信息显示页面上显示匹配信息。
举例来说,参见图2,响应于对匹配信息显示控件204的点击操作,终端在匹配信息显示页面201的区域205中显示匹配信息。在一些实施例中,终端还能够在匹配信息显示页面上显示目标用药信息与目标患者之间的关联节点,也即是,参见图2,终端在匹配信息显示页面的区域203中显示多个参考实体与多个疾病实体之间的关联关系。通过查看多个参考实体与多个疾病实体之间的关联关系,用户就能够得知目标用药信息与目标患者之间的关联程度。
需要说明的是,上述步骤601和602是终端通过匹配信息显示页面来对匹配信息进行显示的过程,匹配信息的确定过程与上述步骤401-404属于同一发明构思,实现过程参见上述在步骤401-404的相关描述,在此不再赘述。
在本申请实施例中,通过目标患者的历史描述信息来确定目标患者的描述特征,描述特征也就能够反映目标患者的历史患病情况和历史用药情况。基于目标患者的描述特征、当前疾病信息以及目标药信息来进行预测,能够得到目标用药信息与目标患者之间的匹配信息,预测过程不借助于规则,能够降低辅助决策成本。终端在匹配信息页面上对匹配信息进行显示,用户能够通过查看匹配信息来确定目标用药信息与目标患者之间的匹配程度,便于用户在匹配程度不高时对目标用药信息进行及时调整,人机交互的效率较高。
图7是本申请实施例提供的一种匹配信息确定装置结构示意图,参见图7,装置包括:信息获取模块701、描述特征确定模块702以及匹配信息确定模块703。
信息获取模块701,用于获取目标患者的当前疾病信息和针对当前疾病信息的目标用药信息。
描述特征确定模块702,用于基于目标患者的历史描述信息,确定目标患者的描述特征,历史描述信息包括目标患者的历史疾病信息和针对历史疾病信息的历史用药信息。
匹配信息确定模块703,用于基于目标患者的描述特征、当前疾病信息以及目标用药信息,确定匹配信息,匹配信息用于表示目标用药信息与目标患者之间的匹配程度。
在一种可能的实施方式中,描述特征确定模块702,用于基于目标患者的历史疾病信息,确定目标患者在疾病知识图谱中对应的多个目标疾病实体,疾病知识图谱用于描述多个疾病实体之间的关联关系。基于目标患者的历史用药信息,确定目标患者在药物知识图谱中对应的多个目标药物实体,药物知识图谱用于描述多个药物实体之间的关联关系。基于多个目标疾病实体和多个目标药物实体,确定目标患者的描述特征。
在一种可能的实施方式中,描述特征确定模块702,用于将多个第一特征和多个第二特征进行融合,得到目标患者的描述特征,第一特征为目标疾病实体对应的特征,第二特征为目标药物实体对应的特征。
在一种可能的实施方式中,装置还包括:
图卷积处理模块,用于对疾病知识图谱进行图卷积处理,得到疾病知识图谱中多个疾病实体的特征。对药物知识图谱进行图卷积处理,得到药物知识图谱中多个药物实体的特征。
在一种可能的实施方式中,描述特征确定模块702,用于从目标患者的历史疾病信息中,获取至少一个第一实体信息,第一实体信息包括第一目标实体的名称、第一目标实体与历史疾病信息中其他实体的关系信息、第一目标实体的文本属性信息以及第一目标实体对应的图像数据中的至少一项。
基于第一实体信息,确定目标患者在疾病知识图谱中对应的多个目标疾病实体。
在一种可能的实施方式中,描述特征确定模块702,用于基于第一实体信息,确定第一目标实体的名称嵌入特征、关系嵌入特征、文本属性嵌入特征以及图像嵌入特征中的至少一项。基于名称嵌入特征、关系嵌入特征、文本属性嵌入特征以及图像嵌入特征中的至少一项,获取目标患者的第一目标嵌入特征。将第一目标嵌入特征与疾病知识图谱中的多个疾病实体的嵌入特征进行比较,从多个疾病实体中确定出多个目标疾病实体,目标疾病实体的嵌入特征与第一目标嵌入特征之间的相似度符合相似度条件。
在一种可能的实施方式中,描述特征确定模块702,用于从目标患者的历史用药信息中,获取至少一个第二实体信息,第二实体信息包括第二目标实体的名称、第二目标实体与历史用药信息中其他实体的关系信息、第二目标实体的文本属性信息以及第二目标实体对应的图像数据中的至少一项。
基于第二实体信息,确定目标患者在药物知识图谱中对应的多个目标药物实体。
在一种可能的实施方式中,描述特征确定模块702,用于基于第二实体信息,确定第二目标实体的名称嵌入特征、关系嵌入特征、文本属性嵌入特征以及图像嵌入特征中的至少一项。基于名称嵌入特征、关系嵌入特征、文本属性嵌入特征以及图像嵌入特征中的至少一项,获取目标患者的第二目标嵌入特征。将第二目标嵌入特征与药物知识图谱中的多个药物实体的嵌入特征进行比较,从多个药物实体中确定出多个目标药物实体,目标药物实体的嵌入特征与第二目标嵌入特征之间的相似度符合相似度条件。
在一种可能的实施方式中,匹配信息确定模块703,用于获取目标患者的描述特征与当前疾病信息之间的第一权重。获取目标患者的描述特征与目标用药信息之间的第二权重。基于第一权重和第二权重对当前疾病信息与目标用药信息进行融合,得到目标患者的用药特征。基于目标患者的描述特征与目标患者的用药特征,确定匹配信息。
在一种可能的实施方式中,匹配信息确定模块703,用于基于当前疾病信息,确定目标患者在疾病知识图谱中对应的至少一个参考疾病实体。基于目标患者的描述特征与第三特征之间的点积,获取第一权重,第三特征为参考疾病实体对应的特征。
需要说明的是:上述实施例提供的匹配信息确定装置在确定匹配信息时,仅以上述各功能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模块完成,即将计算机设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的匹配信息确定装置与匹配信息确定方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
在本申请实施例中,通过目标患者的历史描述信息来确定目标患者的描述特征,描述特征也就能够反映目标患者的历史患病情况和历史用药情况。基于目标患者的描述特征、当前疾病信息以及目标药信息来进行预测,能够得到目标用药信息与目标患者之间的匹配信息,预测过程不借助于规则,能够降低辅助决策成本。
图8是本申请实施例提供的一种匹配信息显示装置结构示意图,参见图8,装置包括:页面显示模块801以及信息显示模块802。
页面显示模块801,用于显示匹配信息显示页面,所述匹配信息显示页面用于获取目标患者的当前疾病信息和针对所述当前疾病信息的目标用药信息;
信息显示模块802,用于响应于在所述匹配信息显示页面上的操作,在所述匹配信息显示页面上显示匹配信息,所述匹配信息用于表示所述目标用药信息与所述目标患者之间的匹配程度,所述匹配信息是基于所述目标患者的描述特征、所述当前疾病信息以及所述目标用药信息确定的,所述目标患者的描述特征是基于所述目标患者的历史描述信息确定的,所述历史描述信息包括所述目标患者的历史疾病信息和所述目标患者的历史用药信息。
需要说明的是:上述实施例提供的匹配信息显示装置在显示匹配信息时,仅以上述各功能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模块完成,即将计算机设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的匹配信息显示装置与匹配信息显示方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
在本申请实施例中,通过目标患者的历史描述信息来确定目标患者的描述特征,描述特征也就能够反映目标患者的历史患病情况和历史用药情况。基于目标患者的描述特征、当前疾病信息以及目标药信息来进行预测,能够得到目标用药信息与目标患者之间的匹配信息,预测过程不借助于规则,能够降低辅助决策成本。终端在匹配信息页面上对匹配信息进行显示,用户能够通过查看匹配信息来确定目标用药信息与目标患者之间的匹配程度,便于用户在匹配程度不高时对目标用药信息进行及时调整,人机交互的效率较高。
本申请实施例提供了一种计算机设备,用于执行上述方法,该计算机设备可以实现为终端或者服务器,下面先对终端的结构进行介绍:
图9是本申请实施例提供的一种终端的结构示意图。该终端900可以是:智能手机、平板电脑、笔记本电脑或台式电脑。终端900还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
通常,终端900包括有:一个或多个处理器901和一个或多个存储器902。
处理器901可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器901可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器901也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器901可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器901还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器902可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器902还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器902中的非暂态的计算机可读存储介质用于存储至少一个计算机程序,该至少一个计算机程序用于被处理器901所执行以实现本申请中方法实施例提供的匹配信息确定方法或匹配信息显示方法。
在一些实施例中,终端900还可选包括有:外围设备接口903和至少一个外围设备。处理器901、存储器902和外围设备接口903之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口903相连。具体地,外围设备包括:射频电路904、显示屏905、摄像头组件906、音频电路907、定位组件908和电源909中的至少一种。
外围设备接口903可被用于将I/O(Input /Output,输入/输出)相关的至少一个外围设备连接到处理器901和存储器902。在一些实施例中,处理器901、存储器902和外围设备接口903被集成在同一芯片或电路板上;在一些其他实施例中,处理器901、存储器902和外围设备接口903中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
射频电路904用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路904通过电磁信号与通信网络以及其他通信设备进行通信。射频电路904将电信号转换为电磁信号进行发送,或者,将接收到的电磁信号转换为电信号。可选地,射频电路904包括:天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。
显示屏905用于显示UI(User Interface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏905是触摸显示屏时,显示屏905还具有采集在显示屏905的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器901进行处理。此时,显示屏905还可以用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。
摄像头组件906用于采集图像或视频。可选地,摄像头组件906包括前置摄像头和后置摄像头。通常,前置摄像头设置在终端的前面板,后置摄像头设置在终端的背面。
音频电路907可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波,并将声波转换为电信号输入至处理器901进行处理,或者输入至射频电路904以实现语音通信。
定位组件908用于定位终端900的当前地理位置,以实现导航或LBS(LocationBased Service,基于位置的服务)。
电源909用于为终端900中的各个组件进行供电。电源909可以是交流电、直流电、一次性电池或可充电电池。
在一些实施例中,终端900还包括有一个或多个传感器910。该一个或多个传感器910包括但不限于:加速度传感器911、陀螺仪传感器912、压力传感器913、指纹传感器914、光学传感器915以及接近传感器916。
加速度传感器911可以检测以终端900建立的坐标系的三个坐标轴上的加速度大小。
陀螺仪传感器912可以终端900的机体方向及转动角度,陀螺仪传感器912可以与加速度传感器911协同采集用户对终端900的3D动作。
压力传感器913可以设置在终端900的侧边框和/或显示屏905的下层。当压力传感器913设置在终端900的侧边框时,可以检测用户对终端900的握持信号,由处理器901根据压力传感器913采集的握持信号进行左右手识别或快捷操作。当压力传感器913设置在显示屏905的下层时,由处理器901根据用户对显示屏905的压力操作,实现对UI界面上的可操作性控件进行控制。
指纹传感器914用于采集用户的指纹,由处理器901根据指纹传感器914采集到的指纹识别用户的身份,或者,由指纹传感器914根据采集到的指纹识别用户的身份。
光学传感器915用于采集环境光强度。在一个实施例中,处理器901可以根据光学传感器915采集的环境光强度,控制显示屏905的显示亮度。
接近传感器916用于采集用户与终端900的正面之间的距离。
本领域技术人员可以理解,图9中示出的结构并不构成对终端900的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
上述计算机设备还可以实现为服务器,下面对服务器的结构进行介绍:
图10是本申请实施例提供的一种服务器的结构示意图,该服务器1000可因配置或性能不同而产生比较大的差异,可以包括一个或多个处理器(Central Processing Units,CPU)1001和一个或多个的存储器1002,其中,所述一个或多个存储器1002中存储有至少一条计算机程序,所述至少一条计算机程序由所述一个或多个处理器1001加载并执行以实现上述各个方法实施例提供的方法。当然,该服务器1000还可以具有有线或无线网络接口、键盘以及输入输出接口等部件,以便进行输入输出,该服务器1000还可以包括其他用于实现设备功能的部件,在此不做赘述。
在示例性实施例中,还提供了一种计算机可读存储介质,例如包括计算机程序的存储器,上述计算机程序可由处理器执行以完成上述实施例中的匹配信息确定方法或匹配信息显示方法。例如,该计算机可读存储介质可以是只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、只读光盘 (Compact Disc Read-OnlyMemory,CD-ROM)、磁带、软盘和光数据存储设备等。
在示例性实施例中,还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括程序代码,该程序代码存储在计算机可读存储介质中,计算机设备的处理器从计算机可读存储介质读取该程序代码,处理器执行该程序代码,使得该计算机设备执行上述匹配信息确定方法或匹配信息显示方法。
在一些实施例中,本申请实施例所涉及的计算机程序可被部署在一个计算机设备上执行,或者在位于一个地点的多个计算机设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个计算机设备上执行,分布在多个地点且通过通信网络互连的多个计算机设备可以组成区块链系统。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,该程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
上述仅为本申请的可选实施例,并不用以限制本申请,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 (13)
1.一种匹配信息确定方法,其特征在于,所述方法包括:
获取目标患者的当前疾病信息和针对所述当前疾病信息的目标用药信息;
基于所述目标患者的历史描述信息,确定所述目标患者的描述特征,所述历史描述信息包括所述目标患者的历史疾病信息和针对所述历史疾病信息的历史用药信息;
基于所述当前疾病信息,确定所述目标患者在疾病知识图谱中对应的至少一个参考疾病实体;基于所述目标患者的描述特征与第三特征之间的点积,获取第一权重,所述第三特征为所述至少一个参考疾病实体对应的特征;
基于所述目标用药信息,确定所述目标患者在药物知识图谱中对应的至少一个参考药物实体;基于所述目标患者的描述特征与第四特征之间的点积,获取第二权重,所述第四特征为所述至少一个参考药物实体对应的特征;
采用所述第一权重和所述第二权重,将所述至少一个参考疾病实体的第三特征和所述至少一个参考药物实体的第四特征进行加权求和,得到所述目标患者的用药特征;
基于所述目标患者的描述特征与所述目标患者的用药特征,确定匹配信息,所述匹配信息用于表示所述目标用药信息与所述目标患者之间的匹配程度。
2.根据权利要求1所述的方法,其特征在于,所述基于所述目标患者的历史描述信息,确定所述目标患者的描述特征包括:
基于所述目标患者的历史疾病信息,确定所述目标患者在所述疾病知识图谱中对应的多个目标疾病实体,所述疾病知识图谱用于描述多个疾病实体之间的关联关系;
基于所述目标患者的历史用药信息,确定所述目标患者在所述药物知识图谱中对应的多个目标药物实体,所述药物知识图谱用于描述多个药物实体之间的关联关系;
基于所述多个目标疾病实体和所述多个目标药物实体,确定所述目标患者的描述特征。
3.根据权利要求2所述的方法,其特征在于,所述基于所述多个目标疾病实体和所述多个目标药物实体,确定所述目标患者的描述特征包括:
将多个第一特征和多个第二特征进行融合,得到所述目标患者的描述特征,所述第一特征为所述目标疾病实体对应的特征,所述第二特征为所述目标药物实体对应的特征。
4.根据权利要求3所述的方法,其特征在于,所述将多个第一特征和多个第二特征进行融合,得到所述目标患者的描述特征之前,所述方法还包括:
对所述疾病知识图谱进行图卷积处理,得到所述疾病知识图谱中多个疾病实体的特征;
对所述药物知识图谱进行图卷积处理,得到所述药物知识图谱中多个药物实体的特征。
5.根据权利要求2所述的方法,其特征在于,所述基于所述目标患者的历史疾病信息,确定所述目标患者在所述疾病知识图谱中对应的多个目标疾病实体包括:
从所述目标患者的历史疾病信息中,获取至少一个第一实体信息,所述第一实体信息包括第一目标实体的名称、所述第一目标实体与所述历史疾病信息中其他实体的关系信息、所述第一目标实体的文本属性信息以及所述第一目标实体对应的图像数据中的至少一项;
基于所述第一实体信息,确定所述目标患者在所述疾病知识图谱中对应的多个目标疾病实体。
6.根据权利要求5所述的方法,其特征在于,所述基于所述第一实体信息,确定所述目标患者在所述疾病知识图谱中对应的多个目标疾病实体包括:
基于所述第一实体信息,确定所述第一目标实体的名称嵌入特征、关系嵌入特征、文本属性嵌入特征以及图像嵌入特征中的至少一项;
基于所述名称嵌入特征、所述关系嵌入特征、所述文本属性嵌入特征以及所述图像嵌入特征中的至少一项,获取所述目标患者的第一目标嵌入特征;
将所述第一目标嵌入特征与所述疾病知识图谱中的多个疾病实体的嵌入特征进行比较,从所述多个疾病实体中确定出所述多个目标疾病实体,所述目标疾病实体的嵌入特征与所述第一目标嵌入特征之间的相似度符合相似度条件。
7.根据权利要求2所述的方法,其特征在于,所述基于所述目标患者的历史用药信息,确定所述目标患者在所述药物知识图谱中对应的多个目标药物实体包括:
从所述目标患者的历史用药信息中,获取至少一个第二实体信息,所述第二实体信息包括第二目标实体的名称、所述第二目标实体与所述历史用药信息中其他实体的关系信息、所述第二目标实体的文本属性信息以及所述第二目标实体对应的图像数据中的至少一项;
基于所述第二实体信息,确定所述目标患者在所述药物知识图谱中对应的多个目标药物实体。
8.根据权利要求7所述的方法,其特征在于,所述基于所述第二实体信息,确定所述目标患者在所述药物知识图谱中对应的多个目标药物实体包括:
基于所述第二实体信息,确定所述第二目标实体的名称嵌入特征、关系嵌入特征、文本属性嵌入特征以及图像嵌入特征中的至少一项;
基于所述名称嵌入特征、所述关系嵌入特征、所述文本属性嵌入特征以及所述图像嵌入特征中的至少一项,获取所述目标患者的第二目标嵌入特征;
将所述第二目标嵌入特征与所述药物知识图谱中的多个药物实体的嵌入特征进行比较,从所述多个药物实体中确定出所述多个目标药物实体,所述目标药物实体的嵌入特征与所述第二目标嵌入特征之间的相似度符合相似度条件。
9.一种匹配信息显示方法,其特征在于,所述方法包括:
显示匹配信息显示页面,所述匹配信息显示页面用于获取目标患者的当前疾病信息和针对所述当前疾病信息的目标用药信息;
响应于在所述匹配信息显示页面上的操作,在所述匹配信息显示页面上显示匹配信息,所述匹配信息用于表示所述目标用药信息与所述目标患者之间的匹配程度,所述匹配信息是基于所述目标患者的描述特征与所述目标患者的用药特征确定的,所述目标患者的描述特征是基于所述目标患者的历史描述信息确定的,所述历史描述信息包括所述目标患者的历史疾病信息和所述目标患者的历史用药信息;
所述目标患者的用药特征是通过下述步骤确定的:
基于所述当前疾病信息,确定所述目标患者在疾病知识图谱中对应的至少一个参考疾病实体;基于所述目标患者的描述特征与第三特征之间的点积,获取第一权重,所述第三特征为所述至少一个参考疾病实体对应的特征;
基于所述目标用药信息,确定所述目标患者在药物知识图谱中对应的至少一个参考药物实体;基于所述目标患者的描述特征与第四特征之间的点积,获取第二权重,所述第四特征为所述至少一个参考药物实体对应的特征;
采用所述第一权重和所述第二权重,将所述至少一个参考疾病实体的第三特征和所述至少一个参考药物实体的第四特征进行加权求和,得到所述目标患者的用药特征。
10.一种匹配信息确定装置,其特征在于,所述装置包括:
信息获取模块,用于获取目标患者的当前疾病信息和针对所述当前疾病信息的目标用药信息;
描述特征确定模块,用于基于所述当前疾病信息,确定所述目标患者在疾病知识图谱中对应的至少一个参考疾病实体;基于所述目标患者的描述特征与第三特征之间的点积,获取第一权重,所述第三特征为所述至少一个参考疾病实体对应的特征;基于所述目标用药信息,确定所述目标患者在药物知识图谱中对应的至少一个参考药物实体;基于所述目标患者的描述特征与第四特征之间的点积,获取第二权重,所述第四特征为所述至少一个参考药物实体对应的特征;采用所述第一权重和所述第二权重,将所述至少一个参考疾病实体的第三特征和所述至少一个参考药物实体的第四特征进行加权求和,得到所述目标患者的用药特征;
匹配信息确定模块,用于基于所述目标患者的描述特征与所述目标患者的用药特征,确定匹配信息,所述匹配信息用于表示所述目标用药信息与所述目标患者之间的匹配程度。
11.一种匹配信息显示装置,其特征在于,所述装置包括:
页面显示模块,用于显示匹配信息显示页面,所述匹配信息显示页面用于获取目标患者的当前疾病信息和针对所述当前疾病信息的目标用药信息;
信息显示模块,用于响应于在所述匹配信息显示页面上的操作,在所述匹配信息显示页面上显示匹配信息,所述匹配信息用于表示所述目标用药信息与所述目标患者之间的匹配程度,所述匹配信息是基于所述目标患者的描述特征与所述目标患者的用药特征确定的,所述目标患者的描述特征是基于所述目标患者的历史描述信息确定的,所述历史描述信息包括所述目标患者的历史疾病信息和所述目标患者的历史用药信息;
所述目标患者的用药特征是通过下述步骤确定的:
基于所述当前疾病信息,确定所述目标患者在疾病知识图谱中对应的至少一个参考疾病实体;基于所述目标患者的描述特征与第三特征之间的点积,获取第一权重,所述第三特征为所述至少一个参考疾病实体对应的特征;
基于所述目标用药信息,确定所述目标患者在药物知识图谱中对应的至少一个参考药物实体;基于所述目标患者的描述特征与第四特征之间的点积,获取第二权重,所述第四特征为所述至少一个参考药物实体对应的特征;
采用所述第一权重和所述第二权重,将所述至少一个参考疾病实体的第三特征和所述至少一个参考药物实体的第四特征进行加权求和,得到所述目标患者的用药特征。
12.一种计算机设备,其特征在于,所述计算机设备包括一个或多个处理器和一个或多个存储器,所述一个或多个存储器中存储有至少一条计算机程序,所述计算机程序由所述一个或多个处理器加载并执行以实现如权利要求1至权利要求8任一项所述的匹配信息确定方法,或实现如权利要求9所述的匹配信息显示方法。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有至少一条计算机程序,所述计算机程序由处理器加载并执行以实现如权利要求1至权利要求8任一项所述的匹配信息确定方法,或实现如权利要求9所述的匹配信息显示方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110664086.8A CN113257383B (zh) | 2021-06-16 | 2021-06-16 | 匹配信息确定方法、显示方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110664086.8A CN113257383B (zh) | 2021-06-16 | 2021-06-16 | 匹配信息确定方法、显示方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113257383A CN113257383A (zh) | 2021-08-13 |
CN113257383B true CN113257383B (zh) | 2021-11-02 |
Family
ID=77188149
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110664086.8A Active CN113257383B (zh) | 2021-06-16 | 2021-06-16 | 匹配信息确定方法、显示方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113257383B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113792115B (zh) * | 2021-08-17 | 2024-03-22 | 北京百度网讯科技有限公司 | 实体相关性确定方法、装置、电子设备及存储介质 |
CN114491318B (zh) * | 2021-12-16 | 2023-09-01 | 北京百度网讯科技有限公司 | 目标信息的确定方法、装置、设备以及存储介质 |
CN114792571B (zh) * | 2022-03-09 | 2023-03-07 | 广州方舟信息科技有限公司 | 药品信息推送方法、装置、服务器及计算机可读存储介质 |
CN116153528B (zh) * | 2023-04-20 | 2023-07-14 | 武汉纺织大学 | 一种基于注意力机制和全局检索的药物推荐方法 |
CN117079762B (zh) * | 2023-09-25 | 2024-01-23 | 腾讯科技(深圳)有限公司 | 药物效果预测模型训练方法、药物效果预测方法及其装置 |
CN118098488A (zh) * | 2024-02-02 | 2024-05-28 | 山东卓业医疗科技有限公司 | 基于药品知识图谱推理的用药决策支持系统的构建方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109616176A (zh) * | 2018-12-04 | 2019-04-12 | 平安医疗健康管理股份有限公司 | 辅助医师开处方的方法、装置、设备及存储介质 |
CN110428910A (zh) * | 2019-06-18 | 2019-11-08 | 浙江大学 | 临床用药适应症分析系统、方法、计算机设备和存储介质 |
CN110825884A (zh) * | 2019-11-05 | 2020-02-21 | 腾讯科技(深圳)有限公司 | 基于人工智能的嵌入表示处理方法、装置及电子设备 |
CN111415719A (zh) * | 2020-03-24 | 2020-07-14 | 京东方科技集团股份有限公司 | 患者用药教育的推送方法及装置、电子设备及介质 |
CN111930964A (zh) * | 2020-09-17 | 2020-11-13 | 腾讯科技(深圳)有限公司 | 内容处理方法、装置、设备及存储介质 |
CN111986770A (zh) * | 2020-08-31 | 2020-11-24 | 平安医疗健康管理股份有限公司 | 药方用药审核方法、装置、设备及存储介质 |
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 |
CN112100406A (zh) * | 2020-11-11 | 2020-12-18 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、设备以及介质 |
CN112214613A (zh) * | 2020-10-15 | 2021-01-12 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的用药推荐方法、装置、电子设备及介质 |
CN112331298A (zh) * | 2020-11-13 | 2021-02-05 | 微医云(杭州)控股有限公司 | 开具药方的方法、装置、电子设备及存储介质 |
CN112700838A (zh) * | 2020-12-30 | 2021-04-23 | 平安科技(深圳)有限公司 | 基于大数据的用药方案推荐方法、装置及相关设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3223177A1 (en) * | 2016-03-24 | 2017-09-27 | Fujitsu Limited | System and method to aid diagnosis of a patient |
US11276494B2 (en) * | 2018-05-11 | 2022-03-15 | International Business Machines Corporation | Predicting interactions between drugs and diseases |
CN112951362A (zh) * | 2021-02-23 | 2021-06-11 | 上海商汤智能科技有限公司 | 药物推荐方法、装置、设备及存储介质 |
-
2021
- 2021-06-16 CN CN202110664086.8A patent/CN113257383B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109616176A (zh) * | 2018-12-04 | 2019-04-12 | 平安医疗健康管理股份有限公司 | 辅助医师开处方的方法、装置、设备及存储介质 |
CN110428910A (zh) * | 2019-06-18 | 2019-11-08 | 浙江大学 | 临床用药适应症分析系统、方法、计算机设备和存储介质 |
CN110825884A (zh) * | 2019-11-05 | 2020-02-21 | 腾讯科技(深圳)有限公司 | 基于人工智能的嵌入表示处理方法、装置及电子设备 |
CN111415719A (zh) * | 2020-03-24 | 2020-07-14 | 京东方科技集团股份有限公司 | 患者用药教育的推送方法及装置、电子设备及介质 |
CN111986770A (zh) * | 2020-08-31 | 2020-11-24 | 平安医疗健康管理股份有限公司 | 药方用药审核方法、装置、设备及存储介质 |
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 |
CN111930964A (zh) * | 2020-09-17 | 2020-11-13 | 腾讯科技(深圳)有限公司 | 内容处理方法、装置、设备及存储介质 |
CN112214613A (zh) * | 2020-10-15 | 2021-01-12 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的用药推荐方法、装置、电子设备及介质 |
CN112100406A (zh) * | 2020-11-11 | 2020-12-18 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、设备以及介质 |
CN112331298A (zh) * | 2020-11-13 | 2021-02-05 | 微医云(杭州)控股有限公司 | 开具药方的方法、装置、电子设备及存储介质 |
CN112700838A (zh) * | 2020-12-30 | 2021-04-23 | 平安科技(深圳)有限公司 | 基于大数据的用药方案推荐方法、装置及相关设备 |
Non-Patent Citations (2)
Title |
---|
《SMR:Medical Knowledge Graph Embedding for Safe Medicine Recommendation》;Fan Gong等;《arXiv:1710.05980v3[cs.IR]》;20201129;第1-17页 * |
《医学知识图谱构建关键技术及研究进展》;谭玲等;《大数据》;20210429;第80-104页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113257383A (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113257383B (zh) | 匹配信息确定方法、显示方法、装置、设备及存储介质 | |
Cai et al. | A survey on multimodal data-driven smart healthcare systems: approaches and applications | |
Vitabile et al. | Medical data processing and analysis for remote health and activities monitoring | |
CN110569909B (zh) | 基于区块链的故障预警方法、装置、设备及存储介质 | |
CN117238458B (zh) | 基于云计算的重症护理跨机构协同平台系统 | |
CN113610750B (zh) | 对象识别方法、装置、计算机设备及存储介质 | |
CN113674856B (zh) | 基于人工智能的医学数据处理方法、装置、设备及介质 | |
CN111598168B (zh) | 图像分类方法、装置、计算机设备及介质 | |
CN112749728A (zh) | 学生模型训练方法、装置、计算机设备及存储介质 | |
CN112669928A (zh) | 结构化信息构建方法、装置、计算机设备及存储介质 | |
CN111930964B (zh) | 内容处理方法、装置、设备及存储介质 | |
WO2022193973A1 (zh) | 图像处理方法、装置、电子设备、计算机可读存储介质及计算机程序产品 | |
Håkansson et al. | An infrastructure for individualised and intelligent decision-making and negotiation in cyber-physical systems | |
Mejia et al. | recent advances in a medical domain metaverse: Status, challenges, and perspective | |
CN112884770A (zh) | 图像分割处理方法、装置及计算机设备 | |
CN112989767A (zh) | 医学词语标注方法、医学词语映射方法、装置及设备 | |
Rahman et al. | Machine learning and deep learning-based approach in smart healthcare: Recent advances, applications, challenges and opportunities | |
CN113569042A (zh) | 文本信息分类方法、装置、计算机设备及存储介质 | |
CN113257412B (zh) | 信息处理方法、装置、计算机设备及存储介质 | |
CN113192639A (zh) | 信息预测模型的训练方法、装置、设备及存储介质 | |
KR102595904B1 (ko) | 의료상담 콘텐츠에 기초한 의료상담자 추천 방법 및 시스템 | |
CN112037305B (zh) | 对图像中的树状组织进行重建的方法、设备及存储介质 | |
CN105701330B (zh) | 健康信息处理方法及系统 | |
CN113705323B (zh) | 图像识别方法、装置、设备以及存储介质 | |
CN114330885A (zh) | 目标状态的确定方法、装置、设备以及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40050621 Country of ref document: HK |