CN113436746A - 基于排序算法的用药推荐方法、装置、设备及存储介质 - Google Patents
基于排序算法的用药推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113436746A CN113436746A CN202110734631.6A CN202110734631A CN113436746A CN 113436746 A CN113436746 A CN 113436746A CN 202110734631 A CN202110734631 A CN 202110734631A CN 113436746 A CN113436746 A CN 113436746A
- Authority
- CN
- China
- Prior art keywords
- information data
- characteristic information
- medicine
- patient
- medicines
- 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
- 239000003814 drug Substances 0.000 title claims abstract description 471
- 229940079593 drug Drugs 0.000 title claims abstract description 319
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 58
- 201000010099 disease Diseases 0.000 claims abstract description 78
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 78
- 238000004590 computer program Methods 0.000 claims description 18
- 238000012163 sequencing technique Methods 0.000 claims description 17
- 238000012216 screening Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 6
- 239000006187 pill Substances 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 9
- 239000013598 vector Substances 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 206010020751 Hypersensitivity Diseases 0.000 description 2
- 208000026935 allergic disease Diseases 0.000 description 2
- 230000007815 allergy Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012549 training Methods 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
- 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
- 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
- G06F16/31—Indexing; Data structures therefor; Storage structures
- G06F16/316—Indexing structures
- G06F16/319—Inverted lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Databases & Information Systems (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- Algebra (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请属于人工智能技术领域,本申请提供了一种基于排序算法的用药推荐方法、装置、计算机设备及计算机可读存储介质。本申请通过获取患者的患者特征信息数据,患者特征信息数据包括患者的疾病特征信息数据,根据疾病特征信息数据,基于倒排索引算法,从预设药品数据库,筛选出疾病特征信息数据对应的候选药品集合,根据候选药品集合,获取候选药品集合包含的药品对应的预设药品特征信息数据,根据患者特征信息数据与药品特征信息数据,基于预设排序算法,将候选药品集合包含的药品进行排序,得到药品排序队列,根据药品排序队列确定目标推荐药品,并将目标推荐药品进行推荐,以便医生从推荐的药品中选择用药,能够提高药品推荐的准确性。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及智能决策技术领域,具体涉及一种基于排序算法的用药推荐方法、装置、计算机设备及计算机可读存储介质。
背景技术
推荐系统现在已经广泛应用到各个领域上,并且取得了令人瞩目的效果。在现代医疗领域,目前人工智能已经在医疗的很多领域成功落地,但是,传统技术中,实现最多的是根据病人的基本信息对疾病进行判断,或者说根据CT结果来进行病情诊断,例如,机器CT诊断新冠肺炎,CT诊断或者电子病历生成等领域,因此,传统技术中,实现最多的是疾病诊断。
传统技术中,对于医疗领域的用药推荐,很大程度上还是依靠医生的经验和判断,但是医生的判断容易受到固定思维的影响,例如,对于某种疾病,医生总是习惯性的开出一种药,而忽视了其实可能还有更优的选择,同时,医生用药时,可能只是针对这个疾病而忽视了病人的其他信息,例如病人的过敏史及家庭经济状况等信息,因此,传统技术中,对于医药领域的用药推荐,还存在准确性较低的问题。
发明内容
本申请提供了一种基于排序算法的用药推荐方法、装置、计算机设备及计算机可读存储介质,能够解决传统技术中由于对病人的多种因素考虑不全面而导致的用药推荐准确性较低的技术问题。
第一方面,本申请提供了一种基于排序算法的用药推荐方法,包括:获取患者的患者特征信息数据,所述患者特征信息数据包括患者的疾病特征信息数据;根据所述疾病特征信息数据,基于倒排索引算法,从预设药品数据库,筛选出所述疾病特征信息数据对应的候选药品集合;根据所述候选药品集合,获取所述候选药品集合包含的药品对应的预设药品特征信息数据;根据所述患者特征信息数据与所述药品特征信息数据,基于预设排序算法,将所述候选药品集合包含的药品进行排序,得到药品排序队列;根据所述药品排序队列确定目标推荐药品,并将所述目标推荐药品进行显示以推荐。
第二方面,本申请还提供了一种基于排序算法的用药推荐装置,包括:第一获取单元,用于获取患者的患者特征信息数据,所述患者特征信息数据包括患者的疾病特征信息数据;第一筛选单元,用于根据所述疾病特征信息数据,基于倒排索引算法,从预设药品数据库,筛选出所述疾病特征信息数据对应的候选药品集合;第二获取单元,用于根据所述候选药品集合,获取所述候选药品集合包含的药品对应的预设药品特征信息数据;第一排序单元,用于根据所述患者特征信息数据与所述药品特征信息数据,基于预设排序算法,将所述候选药品集合包含的药品进行排序,得到药品排序队列;推荐单元,用于根据所述药品排序队列确定目标推荐药品,并将所述目标推荐药品进行显示以推荐。
第三方面,本申请还提供了一种计算机设备,其包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现所述基于排序算法的用药推荐方法的步骤。
第四方面,本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时使所述处理器执行所述基于排序算法的用药推荐方法的步骤。
本申请提供了一种基于排序算法的用药推荐方法、装置、计算机设备及计算机可读存储介质。本申请通过获取患者的患者特征信息数据,所述患者特征信息数据包括患者的疾病特征信息数据,根据所述疾病特征信息数据,基于倒排索引算法,从预设药品数据库,筛选出所述疾病特征信息数据对应的候选药品集合,实现对药品召回,能够提高药品推荐的效率,根据所述候选药品集合,获取所述候选药品集合包含的药品对应的预设药品特征信息数据,根据所述患者特征信息数据与所述药品特征信息数据,基于预设排序算法,将所述候选药品集合包含的药品进行排序,得到药品排序队列,根据所述药品排序队列确定目标推荐药品,并将所述目标推荐药品进行推荐,以便医生从所推荐的药品中选择用药,最终由医生确定给患者采用哪些药,能够提高药品推荐的准确性,且能够实现对推荐药品迅速而全面的推荐,由于充分而全面的衡量了患者的各种影响因素,从而可以避免医生由于习惯等主观因素的影响在用药时导致的偏差问题。
附图说明
为了更清楚地说明本申请实施例技术方案,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为本申请实施例提供的基于排序算法的用药推荐方法的一个流程示意图;
图2为本申请实施例提供的基于排序算法的用药推荐方法的系统整体流程示意图;
图3为本申请实施例提供的基于排序算法的用药推荐方法的第一个子流程示意图;
图4为本申请实施例提供的基于排序算法的用药推荐方法的第二个子流程示意图;
图5为本申请实施例提供的基于排序算法的用药推荐方法的药品与患者的疾病之间的匹配程度计算流程示意图;
图6为本申请实施例提供的基于排序算法的用药推荐方法的第三个子流程示意图;
图7为本申请实施例提供的基于排序算法的用药推荐方法的第四个子流程示意图;
图8为本申请实施例提供的基于排序算法的用药推荐装置的一个示意性框图;以及
图9为本申请实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
请参阅图1与图2,图1为本申请实施例提供的基于排序算法的用药推荐方法的一个流程示意图,图2为本申请实施例提供的基于排序算法的用药推荐方法的系统整体流程示意图。如图1与图2所示,该方法包括以下步骤S11-S15:
S11、获取患者的患者特征信息数据,所述患者特征信息数据包括患者的疾病特征信息数据。
具体地,医生针对患者的疾病选择药品时,一般均先了解患者的病情等患者相关情况,患者相关情况对应的信息数据即为患者特征信息数据,医生可将患者的患者特征信息数据输入计算机设备,计算机设备接收患者的患者特征信息数据,所述患者特征信息数据包括患者的疾病特征信息数据,所述疾病特征信息数据包括患者的疾病名称和/或疾病关键词,疾病名称,例如感冒、高血压等疾病名称,也可以称为患者的疾病主症,疾病关键词,例如感冒、发烧或者无力等,所述患者特征信息数据还可以包括患者的年龄、性别、职业、过敏史、过往疾病、历史用药以及过往病例信息等。
S12、根据所述疾病特征信息数据,基于倒排索引算法,从预设药品数据库,筛选出所述疾病特征信息数据对应的候选药品集合。
其中,倒排索引,英文原名Inverted index,又可以称为转置索引,是将单词或记录作为索引,将文档ID作为记录,通过单词或记录查找到其所在的文档的索引方法。
具体地,预设药品数据库里面可能存在海量的药品,如果一个一个的去计算相似度,那时间将会非常的长。请参阅图2,预先根据每个药品适合的疾病名称或者疾病关键词等关键疾病信息,构建药品库中所有药品的倒排索引。获取到患者的疾病名称对应的疾病特征信息数据后,可以根据所述疾病特征信息数据,例如根据每个药品的疾病或者关键词等疾病关键信息,基于倒排索引算法,从预设药品数据库大量的药品中,筛选出与所述疾病特征信息数据有关的主要药品,组成所述疾病特征信息数据对应的候选药品集合,实现药品召回(召回,英文为Candidate),例如,可以根据患者疾病的大类来先进行粗略的筛选,将候选药品集合包含的药品数量控制在20~50种药品之间,从而在后续推荐用药时,缩小药品的筛选范围,提高用药推荐的效率。其中,召回,是从海量药品数据中筛选出符合目的的推荐药品,把推荐的药品量级从百万级降低到几十个。
S13、根据所述候选药品集合,获取所述候选药品集合包含的药品对应的预设药品特征信息数据。
具体地,获取到所述候选药品集合后,根据所述候选药品集合包含的药品,获取每种药品的预设药品信息,所述预设药品信息包括药品的价格、名称、主要成分、使用病症、保质期及禁忌症等用药过程中需要关注的主要药品信息,从而得到所述药品对应的预设药品特征信息数据。
S14、根据所述患者特征信息数据与所述药品特征信息数据,基于预设排序算法,将所述候选药品集合包含的药品进行排序,得到药品排序队列。
具体地,获取所述候选药品集合包含的药品对应的预设药品特征信息数据后,根据所述患者特征信息数据与所述药品特征信息数据,基于预设排序算法,将所述患者特征信息数据与所述药品特征信息数据进行特征融合,从而对所述候选药品集合包含的所有药品进行排序,得到药品排序队列。
S15、根据所述药品排序队列确定目标推荐药品,并将所述目标推荐药品进行显示以推荐。
具体地,得到药品排序队列后,可以根据所述药品排序队列中药品的顺序,确定所述药品排序队列中的全部药品或者部分药品为目标推荐药品,并将所述目标推荐药品进行显示,以推荐给用户,从而结合所述患者特征信息数据与所述药品特征信息数据,实现对患者用药的准确推荐。
本申请实施例,通过获取患者的患者特征信息数据,所述患者特征信息数据包括患者的疾病特征信息数据,根据所述疾病特征信息数据,基于倒排索引算法,从预设药品数据库,筛选出所述疾病特征信息数据对应的候选药品集合,实现对药品召回,能够提高药品推荐的效率,根据所述候选药品集合,获取所述候选药品集合包含的药品对应的预设药品特征信息数据,根据所述患者特征信息数据与所述药品特征信息数据,基于预设排序算法,将所述候选药品集合包含的药品进行排序,得到药品排序队列,根据所述药品排序队列确定目标推荐药品,并将所述目标推荐药品进行推荐,以便医生从所推荐的药品中选择用药,最终由医生确定给患者采用哪些药,能够提高药品推荐的准确性,且能够实现对推荐药品迅速而全面的推荐,由于充分而全面的衡量了患者的各种影响因素,从而可以避免医生由于习惯等主观因素的影响在用药时导致的偏差问题。
请参阅图3,图3为本申请实施例提供的基于排序算法的用药推荐方法的第一个子流程示意图。如图3所示,在该实施例中,所述根据所述患者特征信息数据与所述药品特征信息数据,基于预设排序算法,将所述候选药品集合包含的药品进行排序,得到药品排序队列的步骤包括:
S141、根据所述患者特征信息数据与所述药品特征信息数据,计算所述药品与所述患者特征信息数据对应的疾病之间的匹配程度的匹配值;
S142、根据所述匹配值由大到小的顺序,将所有所述匹配值及所述匹配值对应的药品进行排序,得到药品排序队列。
具体地,获取到患者特征信息数据及多种药品各自对应的预设药品特征信息数据后,可以根据所述患者特征信息数据与所述药品特征信息数据,计算所述药品特征信息数据对应的药品与所述患者特征信息数据对应的疾病之间的匹配程度的匹配值,例如,通过将所述患者特征信息数据转换成对应的患者特征向量,将所述药品特征信息数据转换成对应的药品特征向量,通过计算所述患者特征向量与每种药品对应的药品特征向量之间的向量相似度,得到所述药品特征信息数据对应的药品与所述患者特征信息数据对应的疾病之间的匹配程度的匹配值,即所述药品在多大程度上适合该患者。然后根据所述匹配值由大到小的顺序,将所有所述匹配值及所述匹配值对应的药品进行排序,从而得到药品排序队列,所述药品排序队列为与患者疾病相匹配的程度为由高到低的顺序。
请参阅图4,图4为本申请实施例提供的基于排序算法的用药推荐方法的第二个子流程示意图。如图4所示,在该实施例中,所述根据所述患者特征信息数据与所述药品特征信息数据,计算所述药品与所述患者特征信息数据对应的疾病之间的匹配程度的匹配值的步骤包括:
S1411、基于预设Embedding层,将所述药品特征信息数据与所述患者特征信息数据由稀疏特征转换为各自对应的稠密特征;
S1412、基于预设DeepFM模型包含的FM层,将所有所述稠密特征进行特征学习,以得到第一组合目标特征;
S1413、基于所述预设DeepFM模型包含的DEEP层,将所有所述稠密特征进行特征学习,以得到第二组合目标特征;
S1414、根据所述第一组合目标特征与所述第二组合目标特征,基于预设激活函数,计算所述药品特征信息数据对应的药品与所述患者特征信息数据对应的疾病之间的匹配程度的匹配值。
具体地,请参阅图5,图5为本申请实施例提供的基于排序算法的用药推荐方法的药品与患者的疾病之间的匹配程度计算流程示意图,如图5所示,图5中Embedding层,用于运行Embedding方法,用于将离散特征(又可以称为稀疏特征)向量变为对应的稠密向量。获取所述患者特征信息数据与所述药品特征信息数据后,将所述患者特征信息数据与所述药品特征信息数据转换成各自对应的特征向量,此时所述患者特征信息数据与所述药品特征信息数据转换成各自对应的特征向量为稀疏特征,基于预设Embedding层,将所述药品特征信息数据与所述患者特征信息数据由稀疏特征转换为各自对应的稠密特征,例如,可以通过Transformer模型对所述患者特征信息数据与所述药品特征信息数据各自对应的特征向量进行编码,将所述药品特征信息数据与所述患者特征信息数据由稀疏特征转换为各自对应的稠密特征。
针对预设DeepFM模型,训练数据来自医生的标注信息,根据药品的特征和患者的特征,医生标注出最后给患者选用了哪些药品。在使用预设DeepFM模型时,将所述患者特征信息数据与所述药品特征信息数据各自对应的稠密特征输入至预设DeepFM模型,基于预设DeepFM模型包含的FM层,将所有所述稠密特征做特征间低阶组合,并进行特征学习,以得到第一组合目标特征,其中,FM即Factor Machine,因子分解机,用于解决特征组合以及高维稀疏矩阵问,FM的公式可以如下所示:
yFM为第一组合目标特征,w为预设权重,x为所述患者特征信息数据与所述药品特征信息数据的特征组成的矩阵,Vi与Vj为学习的权重,xj1与xj2为学习的交叉项特征,从公式可以看出,FM在进行特征交叉的时候通过可学习的权重Vi,Vj确保在数据稀疏的情况下依然可以进行特征学习。
同时,基于所述预设DeepFM模型包含的DEEP层,其中,DeepFM模型包含的DEEP层,即为DeepFM模型包含的深度学习部分(又可以称为深度部分),如图2所示,模型右边的深度学习部分是由两层全链接网络构建而成,用来学习更深层次的特征组合以及提升模型泛化能力,将所有所述稠密特征做特征间高阶组合,并进行特征学习,以得到第二组合目标特征,从而通过并行的方式组合两种方法。
然后将所述第一组合目标特征与所述第二组合目标特征输入至预设激活函数,根据所述第一组合目标特征与所述第二组合目标特征,基于预设激活函数,计算所述药品特征信息数据对应的药品与所述患者特征信息数据对应的疾病之间的匹配程度的匹配值,例如,Deep和FM两个部分的结果经过拼接后在最后经过一个sigmoid函数,采用sigmoid的输出的是事件概率,值域在0和1之间,得到最后的结果,从而根据根据所述患者特征信息数据与所述药品特征信息数据,判断当前药品和患者的匹配程度,也就是一个0~1的值,实现使用DeepFM对所述候选药品集合包含的药品进行精确排序,公式如下:
在一实施例中,所述根据所述药品排序队列确定目标推荐药品,并将所述目标推荐药品进行显示以推荐的步骤包括:
将所述候选药品集合包含的所有药品作为目标推荐药品,并根据所述匹配值由大到小的顺序,将所述匹配值对应的药品进行显示以推荐。
具体地,获取所述候选药品集合中的每种药品与患者的疾病之间的匹配值后,可以将所有匹配值及所述匹配值对应的药品按照所述匹配值由大到小的顺序进行排序,然后按照匹配值由大到小的顺序,将每个匹配值对应的药品进行显示,从而将药品进行推荐。
本申请实施例,通过获取患者的患者特征信息数据,所述患者特征信息数据包括患者的疾病特征信息数据,根据所述疾病特征信息数据,基于倒排索引算法,从预设药品数据库,筛选出所述疾病特征信息数据对应的候选药品集合,从而实现对药品进行召回,根据所述候选药品集合,获取所述候选药品集合包含的药品对应的预设药品特征信息数据,根据所述患者特征信息数据与所述药品特征信息数据,计算所述药品与所述患者特征信息数据对应的疾病之间的匹配程度的匹配值,根据所述匹配值由大到小的顺序,从而实现对药品进行精确排序,并将所述匹配值对应的药品进行显示,从而通过召回阶段与精确排序的两段式设计解决了药品推荐中的速度问题,使得能够实现毫秒级的药品推荐,然后经过融合所述患者特征信息数据与所述药品特征信息数据,将深度学习与机器学习进行了有效的结合,既保留了机器学习的记忆能力也囊括了深度学习的泛化能力,成功的将患者以及药品稀疏的特征进行有效的交叉和融合,完成了准确的用药推荐。
进一步地,所述根据所述匹配值由大到小的顺序,将所述匹配值对应的药品进行显示以推荐的步骤包括:
根据所述匹配值由大到小的顺序,筛选出预设数量的药品作为目标药品,并将所述目标药品进行显示以推荐。
具体地,由于所述候选药品集合仍然包含数量较多的药品,可能包含几十种不同的药品,可以根据所述匹配值由大到小的顺序,筛选出匹配值最大的预设数量的药品,作为目标药品,,然后将所述目标药品进行推荐,显示相应的药品信息给医生,然后由医生从推荐的药品中进行进一步选择,最终确定使用的药品。
请参阅图6,图6为本申请实施例提供的基于排序算法的用药推荐方法的第三个子流程示意图。如图6所示,在该实施例中,所述根据所述匹配值由大到小的顺序,将所述匹配值对应的药品进行显示的步骤包括:
S1511、根据所述匹配值由大到小的顺序,获取所述匹配值对应的药品;
S1512、获取所述患者特征信息数据所包含的患者标识;
S1513、将所述患者标识与所述药品关联起来,并将所述患者标识与所述药片进行显示以推荐。
具体地,根据所述匹配值由大到小的顺序,确定所述匹配值对应的药品后,还可以进一步获取所述患者的患者特征信息数据包含的患者标识,例如患者的姓名、患者的就诊编号或者社保卡号等患者标识,并将所述患者标识与所述药品关联起来,并将所述患者标识与所述药片进行显示以推荐给医生,让医生进一步选择以确定采用的药品,从而便于医生提高获取推荐药品的效率。
请参阅图7,图7为本申请实施例提供的基于排序算法的用药推荐方法的第四个子流程示意图。如图7所示,在该实施例中,所述根据所述匹配值由大到小的顺序,将所述匹配值对应的药品进行显示的步骤包括:
S154、判断所述匹配值对应药品的药品品种数量是否大于或者等于两个;
S155、若所述匹配值对应药品的药品品种数量大于或者等于两个,将所述匹配值对应的药品作为再排序药品,并获取每种所述再排序药品的使用数量;
S156、根据所述使用数量由大到小的顺序,将所有所述再排序药品进行排序并显示以推荐;
S157、若所述匹配值对应药品的药品品种数量小于两个,按照所述匹配值由大到小的顺序将药品进行排序显示以推荐。
具体地,在根据所述匹配值由大到小的顺序,将所述匹配值对应的药品进行显示时,若每种药品的匹配值均不相同,直接按照所述匹配值由大到小的顺序将药品进行排序显示即可,若存在多种药品与所述疾病之间的匹配值相同,可以再获取每种药品的使用数量,根据所述使用数量由大到小的顺序,将匹配值相同的多种药品进行排序,使用数量大的药品,一般表明该药品更大程度上被医生认可,更适合该种疾病,因此,可以优先将使用数量大的药品进行优先推荐。例如,若存在ABCDEF五种药品,A的匹配值为0.2,B的匹配值为0.4,C的匹配值为0.2,D的匹配值为0.8,E的匹配值为0.9,F的匹配值为0.2,其中,ACF三种药品的匹配值均为0.2,按匹配值由大到小的顺序将所有药品进行排序时,对于ACF三种药品,可以再根据ACF三种药品各自的使用数量将ACF进行排序,从而实现在按照匹配值由大到小排序的基础上,再按照药品的使用数量将药品进行排序,从而实现尽可能优化的药品推荐。
需要说明的是,上述各个实施例所述的基于排序算法的用药推荐方法,可以根据需要将不同实施例中包含的技术特征重新进行组合,以获取组合后的实施方案,但都在本申请要求的保护范围之内。
请参阅图8,图8为本申请实施例提供的基于排序算法的用药推荐装置的一个示意性框图。对应于上述所述基于排序算法的用药推荐方法,本申请实施例还提供一种基于排序算法的用药推荐装置。如图8所示,该基于排序算法的用药推荐装置包括用于执行上述所述基于排序算法的用药推荐方法的单元,该基于排序算法的用药推荐装置可以被配置于计算机设备中。具体地,请参阅图8,该基于排序算法的用药推荐装置80包括第一获取单元801第一筛选单元802、第二获取单元803、第一排序单元804及推荐单元805。
其中,第一获取单元801,用于获取患者的患者特征信息数据,所述患者特征信息数据包括患者的疾病特征信息数据;
第一筛选单元802,用于根据所述疾病特征信息数据,基于倒排索引算法,从预设药品数据库,筛选出所述疾病特征信息数据对应的候选药品集合;
第二获取单元803,用于根据所述候选药品集合,获取所述候选药品集合包含的药品对应的预设药品特征信息数据;
第一排序单元804,用于根据所述患者特征信息数据与所述药品特征信息数据,基于预设排序算法,将所述候选药品集合包含的药品进行排序,得到药品排序队列;
推荐单元805,用于根据所述药品排序队列确定目标推荐药品,并将所述目标推荐药品进行显示以推荐。
在一实施例中,所述第一排序单元804包括:
第一计算子单元,用于根据所述患者特征信息数据与所述药品特征信息数据,计算所述药品与所述患者特征信息数据对应的疾病之间的匹配程度的匹配值;
排序子单元,用于根据所述匹配值由大到小的顺序,将所有所述匹配值及所述匹配值对应的药品进行排序,得到药品排序队列。
在一实施例中,所述计算子单元包括:
转换子单元,用于基于预设Embedding层,将所述药品特征信息数据与所述患者特征信息数据由稀疏特征转换为各自对应的稠密特征;
第一学习子单元,用于基于预设DeepFM模型包含的FM层,将所有所述稠密特征进行特征学习,以得到第一组合目标特征;
第二学习子单元,用于基于所述预设DeepFM模型包含的DEEP层,将所有所述稠密特征进行特征学习,以得到第二组合目标特征;
第二计算子单元,用于根据所述第一组合目标特征与所述第二组合目标特征,基于预设激活函数,计算所述药品特征信息数据对应的药品与所述患者特征信息数据对应的疾病之间的匹配程度的匹配值。
在一实施例中,所述推荐单元805,具体用于将所述候选药品集合包含的所有药品作为目标推荐药品,并根据所述匹配值由大到小的顺序,将所述匹配值对应的药品进行显示以推荐。
在一实施例中,所述推荐单元805,具体用于根据所述匹配值由大到小的顺序,筛选出预设数量的药品作为目标药品,并将所述目标药品进行显示以推荐。
在一实施例中,所述推荐单元805包括:
第一获取子单元,用于根据所述匹配值由大到小的顺序,获取所述匹配值对应的药品;
第二获取子单元,用于获取所述患者特征信息数据所包含的患者标识;
关联子单元,用于将所述患者标识与所述药品关联起来,并将所述患者标识与所述药片进行显示以推荐。
在一实施例中,所述推荐单元805包括:
判断子单元,用于判断所述匹配值对应药品的药品品种数量是否大于或者等于两个;
再排序子单元,用于若所述匹配值对应药品的药品品种数量大于或者等于两个,将所述匹配值对应的药品作为再排序药品,并获取每种所述再排序药品的使用数量;
显示子单元,用于根据所述使用数量由大到小的顺序,将所有所述再排序药品进行排序并显示以推荐。
需要说明的是,所属领域的技术人员可以清楚地了解到,上述基于排序算法的用药推荐装置和各单元的具体实现过程,可以参考前述方法实施例中的相应描述,为了描述的方便和简洁,在此不再赘述。
同时,上述基于排序算法的用药推荐装置中各个单元的划分和连接方式仅用于举例说明,在其他实施例中,可将基于排序算法的用药推荐装置按照需要划分为不同的单元,也可将基于排序算法的用药推荐装置中各单元采取不同的连接顺序和方式,以完成上述基于排序算法的用药推荐装置的全部或部分功能。
上述基于排序算法的用药推荐装置可以实现为一种计算机程序的形式,该计算机程序可以在如图9所示的计算机设备上运行。
请参阅图9,图9是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是台式机电脑或者服务器等计算机设备,也可以是其他设备中的组件或者部件。
参阅图9,该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504,所述存储器也可以为易失性存储介质。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时,可使得处理器502执行一种上述基于排序算法的用药推荐方法。
该处理器502用于提供计算和控制能力,以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行一种上述基于排序算法的用药推荐方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。例如,在一些实施例中,计算机设备可以仅包括存储器及处理器,在这样的实施例中,存储器及处理器的结构及功能与图9所示实施例一致,在此不再赘述。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现如下步骤:获取患者的患者特征信息数据,所述患者特征信息数据包括患者的疾病特征信息数据;根据所述疾病特征信息数据,基于倒排索引算法,从预设药品数据库,筛选出所述疾病特征信息数据对应的候选药品集合;根据所述候选药品集合,获取所述候选药品集合包含的药品对应的预设药品特征信息数据;根据所述患者特征信息数据与所述药品特征信息数据,基于预设排序算法,将所述候选药品集合包含的药品进行排序,得到药品排序队列;根据所述药品排序队列确定目标推荐药品,并将所述目标推荐药品进行显示以推荐。
在一实施例中,所述处理器502在实现所述根据所述患者特征信息数据与所述药品特征信息数据,基于预设排序算法,将所述候选药品集合包含的药品进行排序,得到药品排序队列的步骤时,具体实现以下步骤:
根据所述患者特征信息数据与所述药品特征信息数据,计算所述药品与所述患者特征信息数据对应的疾病之间的匹配程度的匹配值;
根据所述匹配值由大到小的顺序,将所有所述匹配值及所述匹配值对应的药品进行排序,得到药品排序队列。
在一实施例中,所述处理器502在实现所述根据所述患者特征信息数据与所述药品特征信息数据,计算所述药品与所述患者特征信息数据对应的疾病之间的匹配程度的匹配值的步骤时,具体实现以下步骤:
基于预设Embedding层,将所述药品特征信息数据与所述患者特征信息数据由稀疏特征转换为各自对应的稠密特征;
基于预设DeepFM模型包含的FM层,将所有所述稠密特征进行特征学习,以得到第一组合目标特征;
基于所述预设DeepFM模型包含的DEEP层,将所有所述稠密特征进行特征学习,以得到第二组合目标特征;
根据所述第一组合目标特征与所述第二组合目标特征,基于预设激活函数,计算所述药品特征信息数据对应的药品与所述患者特征信息数据对应的疾病之间的匹配程度的匹配值。
在一实施例中,所述处理器502在实现所述根据所述药品排序队列确定目标推荐药品,并将所述目标推荐药品进行显示以推荐的步骤时,具体实现以下步骤:
将所述候选药品集合包含的所有药品作为目标推荐药品,并根据所述匹配值由大到小的顺序,将所述匹配值对应的药品进行显示以推荐。
在一实施例中,所述处理器502在实现所述根据所述匹配值由大到小的顺序,将所述匹配值对应的药品进行显示以推荐的步骤时,具体实现以下步骤:
根据所述匹配值由大到小的顺序,筛选出预设数量的药品作为目标药品,并将所述目标药品进行显示以推荐。
在一实施例中,所述处理器502在实现所述根据所述匹配值由大到小的顺序,将所述匹配值对应的药品进行显示以推荐的步骤时,具体实现以下步骤:
根据所述匹配值由大到小的顺序,获取所述匹配值对应的药品;
获取所述患者特征信息数据所包含的患者标识;
将所述患者标识与所述药品关联起来,并将所述患者标识与所述药片进行显示以推荐。
在一实施例中,所述处理器502在实现所述根据所述匹配值由大到小的顺序,将所述匹配值对应的药品进行显示以推荐的步骤时,具体实现以下步骤:
判断所述匹配值对应药品的药品品种数量是否大于或者等于两个;
若所述匹配值对应药品的药品品种数量大于或者等于两个,将所述匹配值对应的药品作为再排序药品,并获取每种所述再排序药品的使用数量;
根据所述使用数量由大到小的顺序,将所有所述再排序药品进行排序并显示以推荐。
应当理解,在本申请实施例中,处理器502可以是中央处理单元(CentralProcessingUnit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程,是可以通过计算机程序来完成,该计算机程序可存储于一计算机可读存储介质。该计算机程序被该计算机系统中的至少一个处理器执行,以实现上述方法的实施例的流程步骤。
因此,本申请还提供一种计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质,也可以为易失性的计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时使处理器执行如下步骤:
一种计算机程序产品,当其在计算机上运行时,使得计算机执行以上各实施例中所描述的所述基于排序算法的用药推荐方法的步骤。
所述计算机可读存储介质可以是前述设备的内部存储单元,例如设备的硬盘或内存。所述计算机可读存储介质也可以是所述设备的外部存储设备,例如所述设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述计算机可读存储介质还可以既包括所述设备的内部存储单元也包括外部存储设备。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的设备、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述存储介质为实体的、非瞬时性的存储介质,例如可以是U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、磁碟或者光盘等各种可以存储计算机程序的实体存储介质。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的。例如,各个单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本申请实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台电子设备(可以是个人计算机,终端,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。
以上所述,仅为本申请的具体实施方式,但本申请明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于排序算法的用药推荐方法,包括:
获取患者的患者特征信息数据,所述患者特征信息数据包括患者的疾病特征信息数据;
根据所述疾病特征信息数据,基于倒排索引算法,从预设药品数据库,筛选出所述疾病特征信息数据对应的候选药品集合;
根据所述候选药品集合,获取所述候选药品集合包含的药品对应的预设药品特征信息数据;
根据所述患者特征信息数据与所述药品特征信息数据,基于预设排序算法,将所述候选药品集合包含的药品进行排序,得到药品排序队列;
根据所述药品排序队列确定目标推荐药品,并将所述目标推荐药品进行显示以推荐。
2.根据权利要求1所述基于排序算法的用药推荐方法,其特征在于,所述根据所述患者特征信息数据与所述药品特征信息数据,基于预设排序算法,将所述候选药品集合包含的药品进行排序,得到药品排序队列的步骤包括:
根据所述患者特征信息数据与所述药品特征信息数据,计算所述药品与所述患者特征信息数据对应的疾病之间的匹配程度的匹配值;
根据所述匹配值由大到小的顺序,将所有所述匹配值及所述匹配值对应的药品进行排序,得到药品排序队列。
3.根据权利要求2所述基于排序算法的用药推荐方法,其特征在于,所述根据所述患者特征信息数据与所述药品特征信息数据,计算所述药品与所述患者特征信息数据对应的疾病之间的匹配程度的匹配值的步骤包括:
基于预设Embedding层,将所述药品特征信息数据与所述患者特征信息数据由稀疏特征转换为各自对应的稠密特征;
基于预设DeepFM模型包含的FM层,将所有所述稠密特征进行特征学习,以得到第一组合目标特征;
基于所述预设DeepFM模型包含的DEEP层,将所有所述稠密特征进行特征学习,以得到第二组合目标特征;
根据所述第一组合目标特征与所述第二组合目标特征,基于预设激活函数,计算所述药品特征信息数据对应的药品与所述患者特征信息数据对应的疾病之间的匹配程度的匹配值。
4.根据权利要求2所述基于排序算法的用药推荐方法,其特征在于,所述根据所述药品排序队列确定目标推荐药品,并将所述目标推荐药品进行显示以推荐的步骤包括:
将所述候选药品集合包含的所有药品作为目标推荐药品,并根据所述匹配值由大到小的顺序,将所述匹配值对应的药品进行显示以推荐。
5.根据权利要求4所述基于排序算法的用药推荐方法,其特征在于,所述根据所述匹配值由大到小的顺序,将所述匹配值对应的药品进行显示以推荐的步骤包括:
根据所述匹配值由大到小的顺序,筛选出预设数量的药品作为目标药品,并将所述目标药品进行显示以推荐。
6.根据权利要求4所述基于排序算法的用药推荐方法,其特征在于,所述根据所述匹配值由大到小的顺序,将所述匹配值对应的药品进行显示以推荐的步骤包括:
根据所述匹配值由大到小的顺序,获取所述匹配值对应的药品;
获取所述患者特征信息数据所包含的患者标识;
将所述患者标识与所述药品关联起来,并将所述患者标识与所述药片进行显示以推荐。
7.根据权利要4所述基于排序算法的用药推荐方法,其特征在于,所述根据所述匹配值由大到小的顺序,将所述匹配值对应的药品进行显示以推荐的步骤包括:
判断所述匹配值对应药品的药品品种数量是否大于或者等于两个;
若所述匹配值对应药品的药品品种数量大于或者等于两个,将所述匹配值对应的药品作为再排序药品,并获取每种所述再排序药品的使用数量;
根据所述使用数量由大到小的顺序,将所有所述再排序药品进行排序并显示以推荐。
8.一种基于排序算法的用药推荐装置,其特征在于,包括:
第一获取单元,用于获取患者的患者特征信息数据,所述患者特征信息数据包括患者的疾病特征信息数据;
第一筛选单元,用于根据所述疾病特征信息数据,基于倒排索引算法,从预设药品数据库,筛选出所述疾病特征信息数据对应的候选药品集合;
第二获取单元,用于根据所述候选药品集合,获取所述候选药品集合包含的药品对应的预设药品特征信息数据;
第一排序单元,用于根据所述患者特征信息数据与所述药品特征信息数据,基于预设排序算法,将所述候选药品集合包含的药品进行排序,得到药品排序队列;
推荐单元,用于根据所述药品排序队列确定目标推荐药品,并将所述目标推荐药品进行显示以推荐。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器以及与所述存储器相连的处理器;所述存储器用于存储计算机程序;所述处理器用于运行所述计算机程序,以执行如权利要求1-7任一项所述方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时可实现如权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110734631.6A CN113436746B (zh) | 2021-06-30 | 2021-06-30 | 基于排序算法的用药推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110734631.6A CN113436746B (zh) | 2021-06-30 | 2021-06-30 | 基于排序算法的用药推荐方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113436746A true CN113436746A (zh) | 2021-09-24 |
CN113436746B CN113436746B (zh) | 2024-04-12 |
Family
ID=77758215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110734631.6A Active CN113436746B (zh) | 2021-06-30 | 2021-06-30 | 基于排序算法的用药推荐方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113436746B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116913459A (zh) * | 2023-09-12 | 2023-10-20 | 神州医疗科技股份有限公司 | 基于深度卷积网络控制门模型的用药推荐方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108986879A (zh) * | 2018-05-31 | 2018-12-11 | 平安医疗科技有限公司 | 药品推荐方法、装置、计算机设备和存储介质 |
CN109087691A (zh) * | 2018-08-02 | 2018-12-25 | 科大智能机器人技术有限公司 | 一种基于深度学习的非处方药品推荐系统和推荐方法 |
CN110444288A (zh) * | 2019-07-24 | 2019-11-12 | 卓尔智联(武汉)研究院有限公司 | 基于复杂网络的辅助诊断装置、方法及可读存储介质 |
WO2020048264A1 (zh) * | 2018-09-03 | 2020-03-12 | 平安医疗健康管理股份有限公司 | 药品数据处理方法、装置、计算机设备和存储介质 |
CN110880361A (zh) * | 2019-10-16 | 2020-03-13 | 平安科技(深圳)有限公司 | 一种个性化精准用药推荐方法及装置 |
CN111191020A (zh) * | 2019-12-27 | 2020-05-22 | 江苏省人民医院(南京医科大学第一附属医院) | 基于机器学习和知识图谱的处方推荐方法和系统 |
CN111310056A (zh) * | 2020-03-11 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 基于人工智能的信息推荐方法、装置、设备及存储介质 |
CN111312359A (zh) * | 2020-02-03 | 2020-06-19 | 广东省第二人民医院(广东省卫生应急医院) | 用药方案智能化推荐方法及装置 |
CN111339433A (zh) * | 2020-05-21 | 2020-06-26 | 腾讯科技(深圳)有限公司 | 基于人工智能的信息推荐方法、装置、电子设备 |
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 |
CN112069396A (zh) * | 2020-08-20 | 2020-12-11 | 苏州浪潮智能科技有限公司 | 一种推荐系统推荐方法、设备、推荐系统及存储介质 |
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
- 2021-06-30 CN CN202110734631.6A patent/CN113436746B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108986879A (zh) * | 2018-05-31 | 2018-12-11 | 平安医疗科技有限公司 | 药品推荐方法、装置、计算机设备和存储介质 |
CN109087691A (zh) * | 2018-08-02 | 2018-12-25 | 科大智能机器人技术有限公司 | 一种基于深度学习的非处方药品推荐系统和推荐方法 |
WO2020048264A1 (zh) * | 2018-09-03 | 2020-03-12 | 平安医疗健康管理股份有限公司 | 药品数据处理方法、装置、计算机设备和存储介质 |
CN110444288A (zh) * | 2019-07-24 | 2019-11-12 | 卓尔智联(武汉)研究院有限公司 | 基于复杂网络的辅助诊断装置、方法及可读存储介质 |
CN110880361A (zh) * | 2019-10-16 | 2020-03-13 | 平安科技(深圳)有限公司 | 一种个性化精准用药推荐方法及装置 |
CN111191020A (zh) * | 2019-12-27 | 2020-05-22 | 江苏省人民医院(南京医科大学第一附属医院) | 基于机器学习和知识图谱的处方推荐方法和系统 |
CN111312359A (zh) * | 2020-02-03 | 2020-06-19 | 广东省第二人民医院(广东省卫生应急医院) | 用药方案智能化推荐方法及装置 |
CN111310056A (zh) * | 2020-03-11 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 基于人工智能的信息推荐方法、装置、设备及存储介质 |
CN111339433A (zh) * | 2020-05-21 | 2020-06-26 | 腾讯科技(深圳)有限公司 | 基于人工智能的信息推荐方法、装置、电子设备 |
CN112069396A (zh) * | 2020-08-20 | 2020-12-11 | 苏州浪潮智能科技有限公司 | 一种推荐系统推荐方法、设备、推荐系统及存储介质 |
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 |
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 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116913459A (zh) * | 2023-09-12 | 2023-10-20 | 神州医疗科技股份有限公司 | 基于深度卷积网络控制门模型的用药推荐方法及系统 |
CN116913459B (zh) * | 2023-09-12 | 2023-12-15 | 神州医疗科技股份有限公司 | 基于深度卷积网络控制门模型的用药推荐方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113436746B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111696675B (zh) | 基于物联网数据的用户数据分类方法、装置及计算机设备 | |
CN111191020B (zh) | 基于机器学习和知识图谱的处方推荐方法和系统 | |
US11829914B2 (en) | Medical scan header standardization system and methods for use therewith | |
US9997260B2 (en) | Retrieval of similar patient cases based on disease probability vectors | |
RU2533500C2 (ru) | Система и способ для объединения клинических признаков и признаков изображений для диагностики с применением компьютера | |
AU2011247830B2 (en) | Method and system for generating text | |
EP2700049A2 (en) | Predictive modeling | |
CN112259245B (zh) | 待检查项确定方法、装置、设备及计算机可读存储介质 | |
CN110299209B (zh) | 相似病历查找方法、装置、设备及可读存储介质 | |
US20190237192A1 (en) | Personal health operating system | |
CN111415760B (zh) | 医生推荐方法、系统、计算机设备及存储介质 | |
CN114783580B (zh) | 一种医疗数据质量评估方法及系统 | |
CN113724858A (zh) | 基于人工智能的疾病检查项目推荐设备、方法及装置 | |
CN113948168A (zh) | 医疗数据评价实际应用系统及医疗数据评价实际应用方法 | |
CN112447270A (zh) | 一种用药推荐方法、装置、设备及存储介质 | |
CN116312934A (zh) | 医疗服务推荐方案生成方法、装置、设备及可读存储介质 | |
CN113436746B (zh) | 基于排序算法的用药推荐方法、装置、设备及存储介质 | |
WO2018082921A1 (en) | Precision clinical decision support with data driven approach on multiple medical knowledge modules | |
CN111145846A (zh) | 临床试验患者招募方法及装置、电子设备和存储介质 | |
CN113592662B (zh) | 数据信息智能化处理方法、装置、设备及介质 | |
CN114840767A (zh) | 基于人工智能的业务推荐方法及相关设备 | |
CN113688206A (zh) | 基于文本识别的趋势分析方法、装置、设备及介质 | |
CN113688854A (zh) | 数据处理方法、装置及计算设备 | |
CN113724883A (zh) | 医疗费用预测方法、装置、存储介质及计算机设备 | |
CN110033835B (zh) | 用于患者记录识别的装置 |
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 |