CN113657970A - 基于人工智能的药品推荐方法、装置、设备及存储介质 - Google Patents
基于人工智能的药品推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113657970A CN113657970A CN202111005893.5A CN202111005893A CN113657970A CN 113657970 A CN113657970 A CN 113657970A CN 202111005893 A CN202111005893 A CN 202111005893A CN 113657970 A CN113657970 A CN 113657970A
- Authority
- CN
- China
- Prior art keywords
- medicine
- user
- recommendation
- information
- target
- 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 554
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 36
- 229940079593 drug Drugs 0.000 claims abstract description 252
- 230000036541 health Effects 0.000 claims abstract description 58
- 238000012216 screening Methods 0.000 claims abstract description 15
- 201000010099 disease Diseases 0.000 claims description 63
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 63
- 238000012549 training Methods 0.000 claims description 53
- 238000004590 computer program Methods 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 9
- 230000006378 damage Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 6
- 239000013598 vector Substances 0.000 description 5
- 208000027418 Wounds and injury Diseases 0.000 description 4
- 208000014674 injury Diseases 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 208000012260 Accidental injury Diseases 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请为人工智能技术领域，本申请提供了一种基于人工智能的药品推荐方法、装置、设备及存储介质，其中，所述方法包括：获取用户在预设时间段内的健康保险理赔信息；根据健康保险理赔信息确定用户的患病信息，并根据患病信息查询治疗用户的疾病所对应药品的药品成分信息；将患病信息及药品成分信息输入预先训练好的药品推荐模型，输出多种药品推荐方案；根据健康保险理赔信息推算用户的用户用药时间；从多种药品推荐方案中筛选出符合用户用药时间的目标药品推荐方案，将目标药品推荐方案推荐给用户。本申请基于用户的健康保险理赔信息通过人工智能的方式自动生成符合用户的药品推荐方案，无需用户填写大量的信息，推荐效率更高。
Description
技术领域
本申请涉及人工智能技术领域，具体而言，本申请涉及一种基于人工智能的药品推荐方法、装置、设备及存储介质。
背景技术
随着人们生活质量的提升，人们对自身的健康状况也更加关注，其中，当人们需要用药时，希望得到更加精准的用药推荐。
传统技术中，系统在向用户推送药品时，需要用户输入详尽的用户信息，包括身体状况、病例、病历单、用药史等等，才能进行匹配，从而为人们推荐药品，操作方式不便，药品推荐效率较低。
发明内容
本申请的主要目的为提供一种基于人工智能的药品推荐方法、装置、设备及存储介质，以提高药品推荐效率。
为了实现上述发明目的，本申请提供一种基于人工智能的药品推荐方法，其包括以下步骤：
获取用户在预设时间段内的健康保险理赔信息；
根据所述健康保险理赔信息确定所述用户的患病信息，并根据所述患病信息查询治疗所述用户的疾病所对应药品的药品成分信息；
将所述患病信息及药品成分信息输入预先训练好的药品推荐模型，输出多种药品推荐方案；其中，所述药品推荐模型用于根据所述患病信息推荐药品推荐方案，且每种药品推荐方案中药品之间的相互影响程度低于预设值，所述药品推荐方案包括每种药品的用药时间；
根据所述健康保险理赔信息推算所述用户的用户用药时间；
从所述多种药品推荐方案中筛选出符合所述用户用药时间的目标药品推荐方案，将所述目标药品推荐方案推荐给所述用户。
优选地，所述目标药品推荐方案包括多个药品的药品信息，所述将所述目标药品推荐方案推荐给所述用户，包括：
根据所述药品信息为每个药品设置对应的药品标签画像；
根据所述健康保险理赔信息为每个用户设置用户标签画像；
根据所述用户标签画像和所述药品标签画像从所述多个药品中筛选出目标药品；
将所述目标药品推荐给所述用户。
优选地，所述根据所述用户标签画像和所述药品标签画像从所述多个药品中筛选出目标药品，包括：
计算所述用户标签画像与每个药品的药品标签画像的匹配度；
根据所述匹配度的大小对所述多个药品进行排序；
将匹配度排在前N位的药品作为目标药品；其中，所述N为正整数。
优选地，所述将所述目标药品推荐方案推荐给所述用户，包括：
获取所述目标药品推荐方案的所有药品，得到目标药品；
查询每种所述目标药品的库存数量是否大于预设数量；
若是，将所述目标药品推荐方案推荐给所述用户。
进一步地，所述将所述目标药品推荐方案推荐给所述用户之后，还包括：
收集所述用户使用所述药品推荐方案预设时间后的调查问卷；其中，所述调查问卷用于调查所述用户使用所述药品推荐方案后的治疗效果；
从所述调查问卷中提取效果调查信息；
根据所述效果调查信息更新所述目标药品推荐方案。
进一步地，所述将所述患病信息及药品成分信息输入预先训练好的药品推荐模型之前，还包括：
获取训练数据集；其中，所述训练数据集包括患病信息样本、药品成分信息样本及已确定的药品推荐方案；
将所述训练数据集输入到初始药品推荐模型中进行迭代训练；
当检测到所述初始药品推荐模型输出的训练结果满足要求时，将最后一次训练得到的初始药品推荐模型作为所述药品推荐模型。
优选地，所述将所述训练数据集输入到初始药品推荐模型中进行迭代训练，包括：
对所述训练数据集进行预处理，得到预处理后的目标训练数据集；其中，所述预处理包括归一化处理和数据清洗；
将所述目标训练数据集输入到所述初始药品推荐模型中进行迭代训练。
本申请还提供一种基于人工智能的药品推荐装置，其包括：
获取模块，用于获取用户在预设时间段内的健康保险理赔信息；
确定模块，用于根据所述健康保险理赔信息确定所述用户的患病信息，并根据所述患病信息查询治疗所述用户的疾病所对应药品的药品成分信息；
输入模块，用于将所述患病信息及药品成分信息输入预先训练好的药品推荐模型，输出多种药品推荐方案；其中，所述药品推荐模型用于根据所述患病信息推荐药品推荐方案，且每种药品推荐方案中药品之间的相互影响程度低于预设值，所述药品推荐方案包括每种药品的用药时间；
推算模块，用于根据所述健康保险理赔信息推算所述用户的用户用药时间；
推荐模块，用于从所述多种药品推荐方案中筛选出符合所述用户用药时间的目标药品推荐方案，将所述目标药品推荐方案推荐给所述用户。
本申请还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请还提供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任一项所述方法的步骤。
本申请所提供的一种基于人工智能的药品推荐方法、装置、设备及存储介质，通过获取用户在预设时间段内的健康保险理赔信息，根据健康保险理赔信息确定用户的患病信息，并根据患病信息查询治疗用户的疾病所对应药品的药品成分信息，然后将患病信息及药品成分信息输入预先训练好的药品推荐模型，输出多种药品推荐方案，最后从多种药品推荐方案中筛选出符合用户用药时间的目标药品推荐方案，将目标药品推荐方案推荐给用户，从而基于用户的健康保险理赔信息通过人工智能的方式自动生成符合用户的药品推荐方案，无需用户填写大量的信息，推荐效率更高；同时通过输入药品推荐模型中的药品成分信息，确保推荐的每种药品推荐方案中药品之间的相互影响程度都低于预设值，避免药品之间的相互影响而失效或对用户身体造成伤害，提高推荐精度；此外，通过筛选出符合用户用药时间的目标药品推荐方案，确保推荐的目标药品推荐方案符合用户的用药习惯，实现智能化、个性化推荐。
附图说明
图1为本申请一实施例的基于人工智能的药品推荐方法的流程示意图；
图2为本申请一实施例的基于人工智能的药品推荐装置的结构示意框图；
图3为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，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。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
参考图1，本申请提出一种基于人工智能的药品推荐方法，以服务器为执行主体，服务器可以是独立的服务器，也可以是提供云服务、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、内容分发网络(Content DeliveryNetwork，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。
本申请中，该基于人工智能的药品推荐方法用于解决当前系统在向用户推送药品时，需要用户输入详尽的用户信息，才能进行匹配、推荐药品，操作方式不便，导致药品推荐效率较低的技术问题，参照图1，其中一个实施例中，该基于人工智能的药品推荐方法包括如下步骤：
S11、获取用户在预设时间段内的健康保险理赔信息；
S12、根据所述健康保险理赔信息确定所述用户的患病信息，并根据所述患病信息查询治疗所述用户的疾病所对应药品的药品成分信息；
S13、将所述患病信息及药品成分信息输入预先训练好的药品推荐模型，输出多种药品推荐方案；其中，所述药品推荐模型用于根据所述患病信息推荐药品推荐方案，且每种药品推荐方案中药品之间的相互影响程度低于预设值，所述药品推荐方案包括每种药品的用药时间；
S14、根据所述健康保险理赔信息推算所述用户的用户用药时间；
S15、从所述多种药品推荐方案中筛选出符合所述用户用药时间的目标药品推荐方案，将所述目标药品推荐方案推荐给所述用户。
如上述步骤S11所述，本申请可应用于电商平台，用户可在电商平台发起药品推荐请求，电商平台响应于用户的药品推荐请求，向用户推荐适合该用户的药品；当然，电商平台也可定期主动向用户推荐药品。
电商平台可与保险系统预先建立连接，以从保险系统中获取用户在预设时间内的健康保险理赔信息；其中，健康保险，是以人的身体为保险标的，以被保险人因疾病或意外伤害而导致的伤、病风险为保险责任，使被保险人因伤、病发生的费用或损失得到补偿的保险；健康保险理赔信息具体可包括用户的身份信息、疾病诊断史、用药史、理赔金额等等。
其中，预设时间段可根据用户自定义设置。优选地，预设时间段越短，则获取的健康保险理赔信息更符合当前用户的实际情况，药品推荐精准度也越高，例如，可获取用户在一个月内的健康保险理赔信息，从而精准地确定当前用户所患的、可能性最高的疾病，以基于该疾病自动推荐治疗该疾病的药品。
如上述步骤S12所述，从健康保险理赔信息中提取用户所有的历史疾病信息，并基于各历史疾病信息的患病时间确定当前用户的患病信息。其中，患病信息包括疾病的名称、类型。同时确定疾病之间的相关信息，相关信息包括疾病之间对应药品的相互影响关系，具体可基于药品的药品成分信息进行分析确定。例如，当用户因疾病A使用过药品A1，因疾病B使用过药品B1，由于药品A1与药品B1由于成分的关系无法同时使用，则疾病A与疾病B的相关信息可以标记为“治疗疾病A的药品A1与治疗疾病B的药品B1无法同时使用”，并分别提取出药品A1与药品B1的药品成分信息。
如上述步骤S13所述，本实施例将患病信息及药品成分信息输入预先训练好的药品推荐模型，利用药品推荐模型生成多种药品推荐方案；其中，药品推荐方案中包括疾病对应的所有药品以及每种药品的用药时间，且由于基于药品成分信息生成，因此每种药品推荐方案中都不包括无法同时使用的两种药品，即每种药品推荐方案中药品之间的相互影响程度低于预设值。其中，药品之间的相互影响程度可根据药品之间的药品成分信息是否会发生化学反应确定。
优选地，药品推荐模型可以由初始深度神经网络推荐模型训练得到，初始深度神经网络推荐模型为5层的神经网络模型，其包括全连接层，所述全连接层包含256个神经元、128个神经元以及64个神经元，并在全连接层都加入Dropout层。初始深度神经网络推荐模型通过反向传播算法求偏导，求偏导遵循链式法则；并通过TensorFlow深度学习框架进行持续的网络训练和调参，最终获得优化后的深度神经网络推荐模型。训练时，可获取训练数据，将训练数据输入到初始深度神经网络推荐模型，初始深度神经网络推荐模型通过自带的feature importance进行进一步的特征因子重要性排序，并筛除权重较低的因子，最终获得优化后的药品推荐模型。
如上述步骤S14所述，本实施例结合用户的用户用药时间，根据健康保险理赔信息预测所述用户的用户用药时间。具体的，根据健康保险理赔信息获取用户的历史疾病，根据历史疾病查询对应药品的标准用药时间，将该标准用药时间作为所述用户的用户用药时间。此外，还可获取用户使用的所有药品的历史用药时间，对所有药品的历史用药时间进行聚类分析，将历史用药时间最聚集的作为该用户的用户用药时间，以了解用户的用药习惯。
如上述步骤S15所述，本实施例根据用户用药时间对多种药品推荐方案的用药时间进行比对，根据比对结果筛选出与用户用药时间一致的药品推荐方案，得到目标药品推荐方案，将目标药品推荐方案推荐给所述用户，从而进一步筛选出符合用户的用户用药时间的药品推荐方案，并确保药品推荐方案中的药品可同时使用，提高药品的推荐精度。
本申请所提供的一种基于人工智能的药品推荐方法，通过获取用户在预设时间段内的健康保险理赔信息，根据健康保险理赔信息确定用户的患病信息，并根据患病信息查询治疗用户的疾病所对应药品的药品成分信息，然后将患病信息及药品成分信息输入预先训练好的药品推荐模型，输出多种药品推荐方案，最后从多种药品推荐方案中筛选出符合用户用药时间的目标药品推荐方案，将目标药品推荐方案推荐给用户，从而基于用户的健康保险理赔信息通过人工智能的方式自动生成符合用户的药品推荐方案，无需用户填写大量的信息，推荐效率更高；同时通过输入药品推荐模型中的药品成分信息，确保推荐的每种药品推荐方案中药品之间的相互影响程度都低于预设值，避免药品之间的相互影响而失效或对用户身体造成伤害，提高推荐精度；此外，通过筛选出符合用户用药时间的目标药品推荐方案，确保推荐的目标药品推荐方案符合用户的用药习惯，实现智能化、个性化推荐。
在一实施例中，所述目标药品推荐方案包括多个药品的药品信息，在步骤S15中，所述将所述目标药品推荐方案推荐给所述用户，可具体包括：
S151、根据所述药品信息为每个药品设置对应的药品标签画像；
S152、根据所述健康保险理赔信息为每个用户设置用户标签画像；
S153、根据所述用户标签画像和所述药品标签画像从所述多个药品中筛选出目标药品；
S154、将所述目标药品推荐给所述用户。
在本实施例中，药品标签画像包括至少一个药品标签。药品标签根据药品信息设置，由于商品ID是每个药品商品的唯一标识，因此可根据商品ID设置标签画像，每个药品商品只有一个标签画像。
需要说明的是，本发明实例中的药品标签画像不同于一般的商品画像，还应包括对应的药品信息特征。比如：成份、性状、功能主治、禁忌等所生成的药品特征标签。以及包括对应的商品信息特征，除开基本商品信息特征之外，还可以包括比如：是否正品联盟、是否处方药、是否冷链等药品商品特有的商品属性特征。
用户标签画像包括至少一个用户标签，用户标签可根据用户信息设置。用户信息包括用户历史操作信息和用户个人信息。用户标签具体包括用户历史操作信息标签和用户个人信息标签。用户历史操作信息标签根据用户历史操作信息设置，用户个人信息标签根据用户个人信息设置。其中，用户个人信息又包括以下参数中的至少一种：用户性别、年龄、病史数据、访问偏好数据、理赔数据和行为偏好数据等。
本实施例通过将目标药品推荐方案的目标药品推荐给用户，由于该目标药品是通过药品标签画像和用户标签画像针对对应的用户生成的，因此推荐结果较精确，且符合药品使用特性。其中，推荐的目标药品可通过药品推荐列表的形式展现给用户。
在一实施例中，在步骤S153中，所述根据所述用户标签画像和所述药品标签画像从所述多个药品中筛选出目标药品，可具体包括：
S1531、计算所述用户标签画像与每个药品的药品标签画像的匹配度；
S1532、根据所述匹配度的大小对所述多个药品进行排序；
S1533、将匹配度排在前N位的药品作为目标药品；其中，所述N为正整数。
本实施例可将用户标签画像及每个药品的药品标签画像都分别转换为词向量，得到用户标签画像对应的第一词向量、每个药品的药品标签画像对应的第二词向量，然后计算第一词向量与第二词向量的相似度，将相似度作为所述用户标签画像与每个药品的药品标签画像的匹配度。
然后按照匹配度从大到小的顺序对多个药品分别进行排序，根据排序结果筛选出排在前N位的药品作为目标药品，将目标药品推荐给用户，以进一步提高药品推荐的精确度。例如，当目标药品推荐方案包括A、B、C三种药品时，其对应的匹配度分别为80％、50％及90％时，则排序结果为C-A-B，则可将排在最前列的C推荐给用户，以进一步筛选出适合用户的药品。
在另一实施例中，在步骤S15中，所述将所述目标药品推荐方案推荐给所述用户，可具体包括：
获取所述目标药品推荐方案的所有药品，得到目标药品；
查询每种所述目标药品的库存数量是否大于预设数量；
若是，将所述目标药品推荐方案推荐给所述用户。
在本实施例中，在向用户推荐目标药品推荐方案时，需提取目标药品推荐方案中的所有药品，并依次查询每种药品的库存是否充足，若是，则将符合所述用户用药时间的目标药品推荐方案推荐给所述用户。其中，预设数量可根据用户的需求或用药周期确定，例如，当用户需要使用药品A三天，每天使用三片时，则药品A的预设数量需大于九片。
当检测到任意一种目标药品的库存数量小于预设值时，则查询与该目标药品药效相近的药品，且该药品的库存数量大于预设值，将该药品替换库存数量小于预设值的目标药品，实现药品的灵活推荐。
在一实施例中，所述将所述目标药品推荐方案推荐给所述用户之后，还可包括：
收集所述用户使用所述药品推荐方案预设时间后的调查问卷；其中，所述调查问卷用于调查所述用户使用所述药品推荐方案后的治疗效果；
从所述调查问卷中提取效果调查信息；
根据所述效果调查信息更新所述目标药品推荐方案。
本实施例通过推送管理平台进行效果评测，向用户发送调查问卷，并收集所述用户采用所述药品推荐方案后的调查问卷，提取调查问卷中的效果调查信息，并生成推荐值，当推荐值低于预设值时，则查询推荐值低于预设值的原因，确定目标药品推荐方案中的无效药品，并更新所述目标药品推荐方案，对药品推荐方案的无效药品进行替换。此外，如果没有达到推送目标，还可执行策略迭代，重新测算用药时间与药品推荐方案，以确保药品推荐方案的有效性。
在一实施例中，所述将所述患病信息及药品成分信息输入预先训练好的药品推荐模型之前，还可包括：
获取训练数据集；其中，所述训练数据集包括患病信息样本、药品成分信息样本及已确定的药品推荐方案；
将所述训练数据集输入到初始药品推荐模型中进行迭代训练；
当检测到所述初始药品推荐模型输出的训练结果满足要求时，将最后一次训练得到的初始药品推荐模型作为所述药品推荐模型。
在本实施例中，在使用药品推荐模型之前，一般需要对药品推荐模型进行训练，在获取训练数据集时，需要对大量患者采集患病信息，例如对2000个以上的患者采集患病信息。此外，采集完大量患者采集训练数据之后，还需确定患病信息中每两种疾病的相关信息样本，相关信息样本中包括药品成分信息样本，利用训练数据集对药品推荐模型进行M次训练，一般来说，训练数据集的数据越丰富，对药品推荐模型的训练效果就越好。
此外，在一实施例中，在对初始药品推荐模型每次训练之后，利用预设的损失函数评估当前初始药品推荐模型的损失值，并判断损失值是否低于预设损失值，若否，则调整当前初始药品推荐模型的参数，对当前初始药品推荐模型进行再次训练，直至损失值低于预设损失值时为止，以得到训练合格的药品推荐模型。
在本实施例中，由于利用了丰富的训练数据集对初始药品推荐模型进行了训练，因此最终得到的药品推荐模型具有良好的性能。
在一实施例中，所述将所述训练数据集输入到初始药品推荐模型中进行迭代训练，包括：
对所述训练数据集进行预处理，得到预处理后的目标训练数据集；其中，所述预处理包括归一化处理和数据清洗；
将所述目标训练数据集输入到所述初始药品推荐模型中进行迭代训练。
在本申请实施例中，在获取该训练数据集之后，需要对训练数据集中的数据进行归一化和数据清洗。归一化方法有两种形式，一种是把数变为0到1之间的小数，一种是把有量纲表达式变为无量纲表达式。数据清洗主要用于发现并纠正训练数据集中可识别的错误，一般包括检查数据一致性，处理无效值和缺失值等。经过归一化处理和数据清洗后的数据才可以被输入到初始药品推荐模型中。
在本申请实施例中，通过设置归一化处理和数据清洗操作，使最终输入到初始药品推荐模型中的数据更加准确，避免了因为数据不准确导致的训练失败的结果，提高了训练初始药品推荐模型的效率。
参照图2，本申请实施例中还提供一种基于人工智能的药品推荐装置，包括：
获取模块11，用于获取用户在预设时间段内的健康保险理赔信息；
确定模块12，用于根据所述健康保险理赔信息确定所述用户的患病信息，并根据所述患病信息查询治疗所述用户的疾病所对应药品的药品成分信息；
输入模块13，用于将所述患病信息及药品成分信息输入预先训练好的药品推荐模型，输出多种药品推荐方案；其中，所述药品推荐模型用于根据所述患病信息推荐药品推荐方案，且每种药品推荐方案中药品之间的相互影响程度低于预设值，所述药品推荐方案包括每种药品的用药时间；
推算模块14，用于根据所述健康保险理赔信息推算所述用户的用户用药时间；
推荐模块15，用于从所述多种药品推荐方案中筛选出符合所述用户用药时间的目标药品推荐方案，将所述目标药品推荐方案推荐给所述用户。
本申请可应用于电商平台，用户可在电商平台发起药品推荐请求，电商平台响应于用户的药品推荐请求，向用户推荐适合该用户的药品；当然，电商平台也可定期主动向用户推荐药品。
电商平台可与保险系统预先建立连接，以从保险系统中获取用户在预设时间内的健康保险理赔信息；其中，健康保险，是以人的身体为保险标的，以被保险人因疾病或意外伤害而导致的伤、病风险为保险责任，使被保险人因伤、病发生的费用或损失得到补偿的保险；健康保险理赔信息具体可包括用户的身份信息、疾病诊断史、用药史、理赔金额等等。
其中，预设时间段可根据用户自定义设置。优选地，预设时间段越短，则获取的健康保险理赔信息更符合当前用户的实际情况，药品推荐精准度也越高，例如，可获取用户在一个月内的健康保险理赔信息，从而精准地确定当前用户所患的、可能性最高的疾病，以基于该疾病自动推荐治疗该疾病的药品。
从健康保险理赔信息中提取用户所有的历史疾病信息，并基于各历史疾病信息的患病时间确定当前用户的患病信息。其中，患病信息包括疾病的名称、类型。同时确定疾病之间的相关信息，相关信息包括疾病之间对应药品的相互影响关系，具体可基于药品的药品成分信息进行分析确定。例如，当用户因疾病A使用过药品A1，因疾病B使用过药品B1，由于药品A1与药品B1由于成分的关系无法同时使用，则疾病A与疾病B的相关信息可以标记为“治疗疾病A的药品A1与治疗疾病B的药品B1无法同时使用”，并分别提取出药品A1与药品B1的药品成分信息。
本实施例将患病信息及药品成分信息输入预先训练好的药品推荐模型，利用药品推荐模型生成多种药品推荐方案；其中，药品推荐方案中包括疾病对应的所有药品以及每种药品的用药时间，且由于基于药品成分信息生成，因此每种药品推荐方案中都不包括无法同时使用的两种药品，即每种药品推荐方案中药品之间的相互影响程度低于预设值。其中，药品之间的相互影响程度可根据药品之间的药品成分信息是否会发生化学反应确定。
优选地，药品推荐模型可以由初始深度神经网络推荐模型训练得到，初始深度神经网络推荐模型为5层的神经网络模型，其包括全连接层，所述全连接层包含256个神经元、128个神经元以及64个神经元，并在全连接层都加入Dropout层。初始深度神经网络推荐模型通过反向传播算法求偏导，求偏导遵循链式法则；并通过TensorFlow深度学习框架进行持续的网络训练和调参，最终获得优化后的深度神经网络推荐模型。训练时，可获取训练数据，将训练数据输入到初始深度神经网络推荐模型，初始深度神经网络推荐模型通过自带的feature importance进行进一步的特征因子重要性排序，并筛除权重较低的因子，最终获得优化后的药品推荐模型。
本实施例结合用户的用户用药时间，根据健康保险理赔信息预测所述用户的用户用药时间。具体的，根据健康保险理赔信息获取用户的历史疾病，根据历史疾病查询对应药品的标准用药时间，将该标准用药时间作为所述用户的用户用药时间。此外，还可获取用户使用的所有药品的历史用药时间，对所有药品的历史用药时间进行聚类分析，将历史用药时间最聚集的作为该用户的用户用药时间，以了解用户的用药习惯。
本实施例根据用户用药时间对多种药品推荐方案的用药时间进行比对，根据比对结果筛选出与用户用药时间一致的药品推荐方案，得到目标药品推荐方案，将目标药品推荐方案推荐给所述用户，从而进一步筛选出符合用户的用户用药时间的药品推荐方案，并确保药品推荐方案中的药品可同时使用，提高药品的推荐精度。
如上所述，可以理解地，本申请中提出的所述基于人工智能的药品推荐装置的各组成部分可以实现如上所述基于人工智能的药品推荐方法任一项的功能，具体结构不再赘述。
参照图3，本申请实施例中还提供一种计算机设备，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括存储介质、内存储器。该存储介质存储有操作系统、计算机程序和数据库。该内存器为存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储健康保险理赔信息、药品成分信息等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于人工智能的药品推荐方法。
上述处理器执行上述的基于人工智能的药品推荐方法，包括：
获取用户在预设时间段内的健康保险理赔信息；
根据所述健康保险理赔信息确定所述用户的患病信息，并根据所述患病信息查询治疗所述用户的疾病所对应药品的药品成分信息；
将所述患病信息及药品成分信息输入预先训练好的药品推荐模型，输出多种药品推荐方案；其中，所述药品推荐模型用于根据所述患病信息推荐药品推荐方案，且每种药品推荐方案中药品之间的相互影响程度低于预设值，所述药品推荐方案包括每种药品的用药时间；
根据所述健康保险理赔信息推算所述用户的用户用药时间；
从所述多种药品推荐方案中筛选出符合所述用户用药时间的目标药品推荐方案，将所述目标药品推荐方案推荐给所述用户。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种基于人工智能的药品推荐方法，包括步骤：
获取用户在预设时间段内的健康保险理赔信息；
根据所述健康保险理赔信息确定所述用户的患病信息，并根据所述患病信息查询治疗所述用户的疾病所对应药品的药品成分信息；
将所述患病信息及药品成分信息输入预先训练好的药品推荐模型，输出多种药品推荐方案；其中，所述药品推荐模型用于根据所述患病信息推荐药品推荐方案，且每种药品推荐方案中药品之间的相互影响程度低于预设值，所述药品推荐方案包括每种药品的用药时间；
根据所述健康保险理赔信息推算所述用户的用户用药时间；
从所述多种药品推荐方案中筛选出符合所述用户用药时间的目标药品推荐方案，将所述目标药品推荐方案推荐给所述用户。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上所述，本申请的最大有益效果在于：
本申请所提供的一种基于人工智能的药品推荐方法、装置、设备及存储介质，通过获取用户在预设时间段内的健康保险理赔信息，根据健康保险理赔信息确定用户的患病信息，并根据患病信息查询治疗用户的疾病所对应药品的药品成分信息，然后将患病信息及药品成分信息输入预先训练好的药品推荐模型，输出多种药品推荐方案，最后从多种药品推荐方案中筛选出符合用户用药时间的目标药品推荐方案，将目标药品推荐方案推荐给用户，从而基于用户的健康保险理赔信息通过人工智能的方式自动生成符合用户的药品推荐方案，无需用户填写大量的信息，推荐效率更高；同时通过输入药品推荐模型中的药品成分信息，确保推荐的每种药品推荐方案中药品之间的相互影响程度都低于预设值，避免药品之间的相互影响而失效或对用户身体造成伤害，提高推荐精度；此外，通过筛选出符合用户用药时间的目标药品推荐方案，确保推荐的目标药品推荐方案符合用户的用药习惯，实现智能化、个性化推荐。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种基于人工智能的药品推荐方法，其特征在于，包括：
获取用户在预设时间段内的健康保险理赔信息；
根据所述健康保险理赔信息确定所述用户的患病信息，并根据所述患病信息查询治疗所述用户的疾病所对应药品的药品成分信息；
将所述患病信息及药品成分信息输入预先训练好的药品推荐模型，输出多种药品推荐方案；其中，所述药品推荐模型用于根据所述患病信息推荐药品推荐方案，且每种药品推荐方案中药品之间的相互影响程度低于预设值，所述药品推荐方案包括每种药品的用药时间；
根据所述健康保险理赔信息推算所述用户的用户用药时间；
从所述多种药品推荐方案中筛选出符合所述用户用药时间的目标药品推荐方案，将所述目标药品推荐方案推荐给所述用户。
2.根据权利要求1所述的方法，其特征在于，所述目标药品推荐方案包括多个药品的药品信息，所述将所述目标药品推荐方案推荐给所述用户，包括：
根据所述药品信息为每个药品设置对应的药品标签画像；
根据所述健康保险理赔信息为每个用户设置用户标签画像；
根据所述用户标签画像和所述药品标签画像从所述多个药品中筛选出目标药品；
将所述目标药品推荐给所述用户。
3.根据权利要求2所述的方法，其特征在于，所述根据所述用户标签画像和所述药品标签画像从所述多个药品中筛选出目标药品，包括：
计算所述用户标签画像与每个药品的药品标签画像的匹配度；
根据所述匹配度的大小对所述多个药品进行排序；
将匹配度排在前N位的药品作为目标药品；其中，所述N为正整数。
4.根据权利要求1所述的方法，其特征在于，所述将所述目标药品推荐方案推荐给所述用户，包括：
获取所述目标药品推荐方案的所有药品，得到目标药品；
查询每种所述目标药品的库存数量是否大于预设数量；
若是，将所述目标药品推荐方案推荐给所述用户。
5.根据权利要求1所述的方法，其特征在于，所述将所述目标药品推荐方案推荐给所述用户之后，还包括：
收集所述用户使用所述药品推荐方案预设时间后的调查问卷；其中，所述调查问卷用于调查所述用户使用所述药品推荐方案后的治疗效果；
从所述调查问卷中提取效果调查信息；
根据所述效果调查信息更新所述目标药品推荐方案。
6.根据权利要求1所述的方法，其特征在于，所述将所述患病信息及药品成分信息输入预先训练好的药品推荐模型之前，还包括：
获取训练数据集；其中，所述训练数据集包括患病信息样本、药品成分信息样本及已确定的药品推荐方案；
将所述训练数据集输入到初始药品推荐模型中进行迭代训练；
当检测到所述初始药品推荐模型输出的训练结果满足要求时，将最后一次训练得到的初始药品推荐模型作为所述药品推荐模型。
7.根据权利要求6所述的方法，其特征在于，所述将所述训练数据集输入到初始药品推荐模型中进行迭代训练，包括：
对所述训练数据集进行预处理，得到预处理后的目标训练数据集；其中，所述预处理包括归一化处理和数据清洗；
将所述目标训练数据集输入到所述初始药品推荐模型中进行迭代训练。
8.一种基于人工智能的药品推荐装置，其特征在于，包括：
获取模块，用于获取用户在预设时间段内的健康保险理赔信息；
确定模块，用于根据所述健康保险理赔信息确定所述用户的患病信息，并根据所述患病信息查询治疗所述用户的疾病所对应药品的药品成分信息；
输入模块，用于将所述患病信息及药品成分信息输入预先训练好的药品推荐模型，输出多种药品推荐方案；其中，所述药品推荐模型用于根据所述患病信息推荐药品推荐方案，且每种药品推荐方案中药品之间的相互影响程度低于预设值，所述药品推荐方案包括每种药品的用药时间；
推算模块，用于根据所述健康保险理赔信息推算所述用户的用户用药时间；
推荐模块，用于从所述多种药品推荐方案中筛选出符合所述用户用药时间的目标药品推荐方案，将所述目标药品推荐方案推荐给所述用户。
9.一种计算机设备，其特征在于，包括：
处理器；
存储器；
计算机程序，其中所述计算机程序被存储在所述存储器中并被配置为由所述处理器执行，所述计算机程序配置用于执行根据权利要求1至7任一项所述的基于人工智能的药品推荐方法。
10.一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上存储有计算机程序，该计算机程序被处理器执行时实现权利要求1-7任一项所述的基于人工智能的药品推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111005893.5A CN113657970B (zh) | 2021-08-30 | 2021-08-30 | 基于人工智能的药品推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111005893.5A CN113657970B (zh) | 2021-08-30 | 2021-08-30 | 基于人工智能的药品推荐方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113657970A true CN113657970A (zh) | 2021-11-16 |
| CN113657970B CN113657970B (zh) | 2024-06-28 |
Family
ID=78493257
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111005893.5A Active CN113657970B (zh) | 2021-08-30 | 2021-08-30 | 基于人工智能的药品推荐方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113657970B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114678104A (zh) * | 2022-05-25 | 2022-06-28 | 浙江迪谱诊断技术有限公司 | 一种高血压用药推荐系统 |
| CN116612852A (zh) * | 2023-07-20 | 2023-08-18 | 青岛美迪康数字工程有限公司 | 一种实现药物推荐的方法、装置和计算机设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109636494A (zh) * | 2017-10-09 | 2019-04-16 | 耀方信息技术(上海)有限公司 | 药品推荐方法及系统 |
| CN110689939A (zh) * | 2019-08-27 | 2020-01-14 | 天津开心生活科技有限公司 | 一种用药序列的推荐方法、装置、可读介质及电子设备 |
| CN110827951A (zh) * | 2019-12-24 | 2020-02-21 | 陕西省中医医院 | 一种临床智能决策平台 |
| CN111260448A (zh) * | 2020-02-13 | 2020-06-09 | 平安科技（深圳）有限公司 | 基于人工智能的药品推荐方法及相关设备 |
-
2021
- 2021-08-30 CN CN202111005893.5A patent/CN113657970B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109636494A (zh) * | 2017-10-09 | 2019-04-16 | 耀方信息技术(上海)有限公司 | 药品推荐方法及系统 |
| CN110689939A (zh) * | 2019-08-27 | 2020-01-14 | 天津开心生活科技有限公司 | 一种用药序列的推荐方法、装置、可读介质及电子设备 |
| CN110827951A (zh) * | 2019-12-24 | 2020-02-21 | 陕西省中医医院 | 一种临床智能决策平台 |
| CN111260448A (zh) * | 2020-02-13 | 2020-06-09 | 平安科技（深圳）有限公司 | 基于人工智能的药品推荐方法及相关设备 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114678104A (zh) * | 2022-05-25 | 2022-06-28 | 浙江迪谱诊断技术有限公司 | 一种高血压用药推荐系统 |
| CN116612852A (zh) * | 2023-07-20 | 2023-08-18 | 青岛美迪康数字工程有限公司 | 一种实现药物推荐的方法、装置和计算机设备 |
| CN116612852B (zh) * | 2023-07-20 | 2023-10-31 | 青岛美迪康数字工程有限公司 | 一种实现药物推荐的方法、装置和计算机设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113657970B (zh) | 2024-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108766512B (zh) | 健康数据管理方法、装置、计算机设备和存储介质 | |
| CN111883228B (zh) | 基于知识图谱的健康信息推荐方法、装置、设备及介质 | |
| CN111784455B (zh) | 一种物品推荐方法及推荐设备 | |
| US20210133970A1 (en) | System to collect and identify skin conditions from images and expert knowledge | |
| WO2020220545A1 (zh) | 基于长短期记忆模型的疾病预测方法、装置和计算机设备 | |
| US8660857B2 (en) | Method and system for outcome based referral using healthcare data of patient and physician populations | |
| US10943676B2 (en) | Healthcare information technology system for predicting or preventing readmissions | |
| CN109492191B (zh) | 计算投保概率的方法、装置、计算机设备和存储介质 | |
| WO2021151327A1 (zh) | 分诊数据处理方法、装置、设备及介质 | |
| CN113657970B (zh) | 基于人工智能的药品推荐方法、装置、设备及存储介质 | |
| CN112132624A (zh) | 医疗理赔数据预测系统 | |
| CN109036508B (zh) | 一种中医医疗信息处理方法、装置、计算机设备和存储介质 | |
| CN112035611B (zh) | 目标用户推荐方法、装置、计算机设备和存储介质 | |
| CN113689943B (zh) | 基于人工智能的就诊医院推荐方法、装置、设备及介质 | |
| US11355243B2 (en) | Medication recommendation system and method for treating migraine | |
| CN113722371B (zh) | 一种基于决策树的药品推荐方法、装置、设备及存储介质 | |
| CN114628001B (zh) | 基于神经网络的处方推荐方法、系统、设备及存储介质 | |
| Alharbi et al. | Prediction of dental implants using machine learning algorithms | |
| CN111387938A (zh) | 一种基于特征重排一维卷积神经网络的病人心衰死亡风险预测系统 | |
| WO2023178970A1 (zh) | 医疗数据处理方法、装置、设备及存储介质 | |
| CN112447270A (zh) | 一种用药推荐方法、装置、设备及存储介质 | |
| CN110473636B (zh) | 基于深度学习的智能医嘱推荐方法及系统 | |
| Paranjay et al. | A neural network aided real-time hospital recommendation system | |
| CN113724823B (zh) | 医疗健康服务的线上管理方法、装置、设备及存储介质 | |
| CN113689928A (zh) | 保养及预防患病方案的推荐方法、装置、设备及存储介质 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220520 Address after: 518000 China Aviation Center 2901, No. 1018, Huafu Road, Huahang community, Huaqiang North Street, Futian District, Shenzhen, Guangdong Province Applicant after: Shenzhen Ping An medical and Health Technology Service Co.,Ltd. Address before: Room 12G, Block H, 666 Beijing East Road, Huangpu District, Shanghai 200000 Applicant before: PING AN MEDICAL AND HEALTHCARE MANAGEMENT Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |