CN113658662A - 基于用药大数据的配药方法、装置、设备及存储介质 - Google Patents
基于用药大数据的配药方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113658662A CN113658662A CN202111013074.5A CN202111013074A CN113658662A CN 113658662 A CN113658662 A CN 113658662A CN 202111013074 A CN202111013074 A CN 202111013074A CN 113658662 A CN113658662 A CN 113658662A
- Authority
- CN
- China
- Prior art keywords
- medication
- current
- dispensing
- model
- data
- 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 290
- 229940079593 drug Drugs 0.000 title claims abstract description 195
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000003745 diagnosis Methods 0.000 claims description 71
- 238000012549 training Methods 0.000 claims description 64
- 230000006870 function Effects 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 19
- 238000006243 chemical reaction Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 10
- 230000002829 reductive effect Effects 0.000 abstract description 8
- 239000002699 waste material Substances 0.000 abstract description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 29
- 201000010099 disease Diseases 0.000 description 22
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 22
- 239000003607 modifier Substances 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 208000024891 symptom Diseases 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 5
- 230000036772 blood pressure Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- PPKXEPBICJTCRU-XMZRARIVSA-N (R,R)-tramadol hydrochloride Chemical compound Cl.COC1=CC=CC([C@]2(O)[C@H](CCCC2)CN(C)C)=C1 PPKXEPBICJTCRU-XMZRARIVSA-N 0.000 description 1
- 206010067484 Adverse reaction Diseases 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 208000009205 Tinnitus Diseases 0.000 description 1
- 206010067584 Type 1 diabetes mellitus Diseases 0.000 description 1
- 230000006838 adverse reaction Effects 0.000 description 1
- 229960003022 amoxicillin Drugs 0.000 description 1
- LSQZJLSUYDQPKJ-NJBDSQKTSA-N amoxicillin Chemical compound C1([C@@H](N)C(=O)N[C@H]2[C@H]3SC([C@@H](N3C2=O)C(O)=O)(C)C)=CC=C(O)C=C1 LSQZJLSUYDQPKJ-NJBDSQKTSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003115 biocidal effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- QYIYFLOTGYLRGG-GPCCPHFNSA-N cefaclor Chemical compound C1([C@H](C(=O)N[C@@H]2C(N3C(=C(Cl)CS[C@@H]32)C(O)=O)=O)N)=CC=CC=C1 QYIYFLOTGYLRGG-GPCCPHFNSA-N 0.000 description 1
- 229960005361 cefaclor Drugs 0.000 description 1
- 235000012000 cholesterol Nutrition 0.000 description 1
- 229960002227 clindamycin Drugs 0.000 description 1
- KDLRVYVGXIQJDK-AWPVFWJPSA-N clindamycin Chemical compound CN1C[C@H](CCC)C[C@H]1C(=O)N[C@H]([C@H](C)Cl)[C@@H]1[C@H](O)[C@H](O)[C@@H](O)[C@@H](SC)O1 KDLRVYVGXIQJDK-AWPVFWJPSA-N 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 239000002552 dosage form Substances 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- LSQZJLSUYDQPKJ-UHFFFAOYSA-N p-Hydroxyampicillin Natural products O=C1N2C(C(O)=O)C(C)(C)SC2C1NC(=O)C(N)C1=CC=C(O)C=C1 LSQZJLSUYDQPKJ-UHFFFAOYSA-N 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000001314 paroxysmal effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000002435 tendon Anatomy 0.000 description 1
- 231100000886 tinnitus Toxicity 0.000 description 1
- 229960003107 tramadol hydrochloride Drugs 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- Medicinal Chemistry (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请实施例属于人工智能领域，应用于智慧医疗领域中，涉及一种基于用药大数据的配药方法，包括预处理采集到的医疗数据集中的医疗数据得到训练数据集，将训练数据集输入至预构建的初始配药模型中进行训练，获得目标配药模型，将获取的当前患者的当前诊断信息输入至目标配药模型，输出当前患者对应的当前用药方案，获取当前患者的最新诊断信息，根据最新诊断信息确定是否需要调整当前用药方案，当需要调整时，推送最新用药方案。本申请还提供一种基于用药大数据的配药装置、设备及存储介质。此外，本申请还涉及区块链技术，当前诊断信息和最新诊断信息可存储于区块链中。本申请可以提高开药的效率，提高用药的精准度，有效减少药品的浪费。
Description
技术领域
本申请涉及人工智能技术领域及数字医疗技术领域，尤其涉及一种基于用药大数据的配药方法、装置、设备及存储介质。
背景技术
随着人们生活水平的提高，人们对自身健康的要求越来越高。当人们的身体出现不适时，人们经常前往诊所或者医院就诊，以获得医生的救助。目前患者在看病过程中，患者通过医生的诊断以及部分化验结果等综合因素由医生给患者开药，一般情况是医生的医嘱是先开2周的药品，患者回家服药，服药完成后再来医院复诊，并获取医生根据复诊情况做出的药品，从而实现用药方案的调整，存在调整不及时以及繁琐等问题。
而且，从目前的就医流程，以及患者的治疗流程上，医生在给患者开具处方时，每一个医生在配药上的科学依据依然很少，大部分依赖医生自己的经验以及少部分患者的综合个体情况，比如区分了成人、儿童、婴儿、老人、男性、女性等，但是在人群的划分上还是非常粗粒度的。这就导致了对于同一种疾病，针对不同的患者，医生只能更粗粒度的统一给用户配药，配药的周期也比较长，因此患者也常常出现一个现象，患者在没有吃完一个周期的药品时，病情已经好了，造成大量药品浪费。
发明内容
本申请实施例的目的在于提出一种基于用药大数据的配药方法、装置、设备及存储介质，以解决相关技术中用药方案调整不及时和造成药品浪费的问题。
为了解决上述技术问题，本申请实施例提供一种基于用药大数据的、装置、设备及存储介质方法，采用了如下所述的技术方案：
采集医疗数据集，预处理所述医疗数据集中的医疗数据得到训练数据集；
将所述训练数据集输入至预构建的初始配药模型中进行训练，获得目标配药模型；
获取当前患者的当前诊断信息，并将所述当前诊断信息输入至所述目标配药模型，输出所述当前患者对应的当前用药方案；
获取所述当前患者按照所述当前用药方案用药后的最新诊断信息，根据所述最新诊断信息确定是否需要调整所述当前用药方案；
当确定所述当前用药方案需要调整时，推送最新用药方案给所述当前患者。
进一步的，所述初始配药模型包括输入层、隐藏层和输出层，所述将所述训练数据集输入至预构建的初始配药模型中进行训练，获得目标配药模型的步骤包括：
将所述训练数据集输入所述初始配药模型，通过所述输入层对所述训练数据集进行向量特征转换处理，获得特征数据；
将所述特征数据输入所述隐藏层，计算出所述隐藏层的隐藏层状态；
将所述隐藏层状态输入至所述输出层中进行计算，得到输出结果；
根据所述输出结果对所述初始配药模型进行迭代更新，得到目标配药模型。
进一步的，所述通过所述输入层对所述训练数据集进行向量特征转换处理，获得特征数据的步骤包括：
通过所述输入层将所述医疗数据进行分类，得到分类结果，并根据所述分类结果进行标签提取；
根据提取到的所述标签进行数据转换处理，生成与所述训练数据集对应的特征数据。
进一步的，所述将所述特征数据输入所述隐藏层，计算出所述隐藏层的隐藏层状态的步骤包括：
获取所述输入层到输出层的第一权重矩阵和上一个隐藏层状态传入到当前隐藏层的第二权重矩阵；
采用激活函数，根据所述特征数据、所述第一权重矩阵和所述第二权重矩阵计算出所述隐藏层状态。
进一步的，所述根据所述输出结果对所述初始配药模型进行迭代更新，得到目标配药模型的步骤包括：
根据所述输出结果计算损失函数；
基于所述损失函数更新所述初始配药模型的模型参数，直至模型收敛，输出目标配药模型。
进一步的，所述获取所述当前患者按照所述当前用药方案用药后的最新诊断信息，根据所述最新诊断信息确定是否需要调整所述当前用药方案的步骤包括：
采集所述当前患者按照所述当前用药方案进行用药的用药情况，根据所述用药情况得到最新诊断信息；
将所述最新诊断信息输入至所述目标配药模型中，得到与所述最新诊断信息匹配的最新用药方案；
比较所述最新用药方案与所述当前用药方案的匹配度，根据所述匹配度确定所述当前用药方案是否需要调整。
进一步的，在所述根据所述最新诊断信息确定是否需要调整所述当前用药方案的步骤之后还包括：
将所述最新诊断信息输入至所述目标配药模型中，更新所述目标配药模型。
为了解决上述技术问题，本申请实施例还提供一种基于用药大数据的配药装置，采用了如下所述的技术方案：
预处理模块，用于采集医疗数据集，预处理所述医疗数据集中的医疗数据得到训练数据集；
模型训练模块，用于将所述训练数据集输入至预构建的初始配药模型中进行训练，获得目标配药模型；
配药模块，用于获取当前患者的当前诊断信息，并将所述当前诊断信息输入至所述目标配药模型，输出所述当前患者对应的当前用药方案；
获取模块，用于获取所述当前患者按照所述当前用药方案用药后的最新诊断信息，根据所述最新诊断信息确定是否需要调整所述当前用药方案；
推送模块，用于当确定所述当前用药方案需要调整时，推送最新用药方案给所述当前患者。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
该计算机设备包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如上所述的基于用药大数据的配药方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上所述的基于用药大数据的配药方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请通过采集医疗数据集，预处理医疗数据集中的医疗数据得到训练数据集，将训练数据集输入至预构建的初始配药模型中进行训练，获得目标配药模型，获取当前患者的当前诊断信息，并将当前诊断信息输入至目标配药模型，输出当前患者对应的当前用药方案，获取当前患者按照当前用药方案用药后的最新诊断信息，根据最新诊断信息确定是否需要调整当前用药方案，当确定当前用药方案需要调整时，推送最新用药方案给当前患者；本申请通过基于用药大数据训练完成的目标配药模型得到患者对应的当前用药方案，可以辅助医生给患者开具药方，提高开药的效率，并对患者的用药安全提供保障；同时根据用药后最新诊断信息确定是否需要调整当前用药方案，可以为患者就诊后的治疗过程进行实时动态跟踪，使医生可以远程了解患者治疗过程的病症反馈，更加综合全面考虑患者病情的动态变化过程，给患者更加个性化的配药用药指导，提高用药的精准度，有效减少药品的浪费。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，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是本申请可以应用于其中的示例性系统架构图；
图2根据本申请的基于用药大数据的配药方法的一个实施例的流程图；
图3是图2中步骤S202的一种具体实施方式的流程图；
图4是根据本申请的基于用药大数据的配药装置的一个实施例的结构示意图；
图5是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
本申请提供了一种基于用药大数据的配药方法，可以应用于如图1所示的系统架构100中，系统架构100可以包括终端设备101、102、103，网络 104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器 (Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、 103上显示的页面提供支持的后台服务器。
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。
需要说明的是，本申请实施例所提供的基于用药大数据的用药管理推荐方法一般由服务器执行，相应地，基于用药大数据的用药管理推荐装置一般设置于服务器中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的基于用药大数据的配药方法的一个实施例的流程图。所述的基于用药大数据的配药方法，包括以下步骤：
步骤S201，采集医疗数据集，预处理医疗数据集中的医疗数据得到训练数据集。
医疗数据包括诊疗数据和治疗数据，可以从多个医疗数据库中获取历史诊疗数据和历史治疗数据，还可以实时采集患者的诊疗数据和治疗数据。诊疗数据包括患者的基本信息、检验数据、检查数据以及诊断数据，其中，基本信息包括年龄、性别、身高和体重等；检验数据为用于指示患者的各个检验项目的检验结果，可以包括血糖值、胆固醇值等；检查数据为用于指示患者的各个检查项目的检查结果，可以包括心电图、血压值等；诊断数据用于指示医生对于患者的病情诊断结果，例如可以包括I型糖尿病、高血压三期或者冠心病等。治疗数据包括用药名称、用药类型、用药剂量、用药频次以及用药周期等。
对医疗数据集中的医疗数据进行预处理，预处理可以包括数据转换处理、归一化处理等处理过程，还可以包括合并数据、过滤数据、拼接数据等，并将预处理后的医疗数据按照百分比随机分为训练数据集、验证数据集、测试数据集，例如训练数据集80％、验证数据集10％和测试数据集10％。
步骤S202，将训练数据集输入至预构建的初始配药模型中进行训练，获得目标配药模型。
在本实施例中，初始配药模型在医院诊疗系统上构建，初始配药模型基于循环神经网络(Recurrent Neural Network，RNN)进行深度学习，RNN是一类以序列数据为输入，在序列的演进方向进行递归且所有循环单元按链式连接形成闭合回路的归神经网络，这种网络的内部状态可以展示动态时序行为，RNN可以利用它内部的记忆来处理任意时序的输入序列。医疗领域中患者的医疗数据具有很高的维度和时间序列特征，因此，RNN特别适用于进行用药配药学习。
循环神经网络层的类型可选地为LSTM(Long-short term memory，长短期记忆网络)、或GRU(Gated Recurrent Unit，门控循环单元，为LSTM的一种变体)神经网络，当然，在具体实施时，还可以选用其他可处理序列化数据、并能改进传统循环神经网络的梯度消失和梯度爆炸问题的模型。
在本实施例中，初始配药模型至少包括输入层、隐藏层和输出层，将训练数据集输入初始配药模型中进行训练，获得目标配药模型，目标配药模型用于帮助医生针对患者进行个性化配药，并辅助医生通过人工智能的手段借助大数据的来完成科学的个性化配药建议。
步骤S203，获取当前患者的当前诊断信息，并将当前诊断信息输入至目标配药模型，输出当前患者对应的当前用药方案。
在本实施例中，患者去医院就医，医生对患者进行疾病诊断，以及相应的各项指标的检查，得到当前患者的当前诊断信息。诊断信息可以包括患者基本信息、疾病种类、症状要素、对应所述症状要素的修饰词，其中，症状要素可包括头痛、头晕、耳鸣、感冒、发烧等症状，症状要素的修饰词包括程度修饰词、时间修饰词与频次修饰词，程度修饰词可以为轻度、严重、重度等词，时间修饰词可以为凌晨、上午、半夜等词，频次修饰词可以为间歇性、阵发、偶尔、反复等词。
将当前诊断信息通过医院的诊疗系统输入至目标配药模型，输出当前患者对应的用药方案，用药方案可以包括药物名称、单剂次量、用药频率、给药方式、用药时长、副作用、不良反应及禁忌等信息，还可以包括各个药物的包装规格、剂型和厂家等信息。
需要说明的是，通过配药模型得到用药方案后，医生可以进一步对用药方案进行判断，确定是否满足当前患者的需要，保证患者用药的安全性以及有效性。
步骤S204，获取当前患者按照当前用药方案用药后的最新诊断信息，根据最新诊断信息确定是否需要调整当前用药方案。
具体地，采集当前患者按照当前用药方案进行用药的用药情况，根据用药情况得到最新诊断信息，将最新诊断信息输入至目标配药模型中，得到与最新诊断信息匹配的最新用药方案，比较最新用药方案与当前用药方案的匹配度，根据匹配度确定当前用药方案是否需要调整。
本实施例中，用药情况可以包括当前患者所服用的药品对应的药品标识、药品类型、药品服用量、药品服用频率、药品间隔服用时长以及药品服用时间，以及每次用药后的症状表现情况等。
当前患者的用药情况可以通过安装在手机上的私人健康助理APP，或者公众号、小程序等进行采集，私人健康助理APP、公众号、小程序等与医院诊疗系统连接，这样，主治医生可以实时跟进患者的治疗过程，还可以收集大量的同病种的治疗用药数据。同时患者也可以通过私人健康助理APP、公众号、小程序等接收医院推送的用药提醒闹钟、用药提醒注意事项、用药剂量方法等，帮助患者科学用药。
在本实施例中，比较最新用药方案与当前用药方案的匹配度是比较用药方案中每种药品的匹配度。匹配度即为最新用药方案与当前用药方案之间的相似度，可以采用余弦相似度、Jaccard系数等进行计算。
需要强调的是，为进一步保证当前诊断信息和最新诊断信息的私密和安全性，上述当前诊断信息和最新诊断信息还可以存储于一区块链的节点中。
本申请所指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等。
步骤S205，当确定当前用药方案需要调整时，推送最新用药方案给当前患者。
具体地，当匹配度小于预设匹配度阈值时，确定当前用药方案需要调整。
在本实施例中，预设匹配度阈值设定可以根据不同药品进行设定，具体的，对人群、年龄段几乎没有限制的药品，例如：钙片类的药品，其预设匹配度阈值可以设置为较低的值，例如：75％，而对人群和/或年龄段有限制的药品，例如：抗生素类的药品(如克林霉素、阿莫西林、头孢克洛等)，其预设匹配度阈值可以设置为较高的值，例如：90％。特别的，对于有特别限制的药品，例如：精神类的药品(如：盐酸曲马多片等)，其预设匹配度阈值为100％。这样根据不同的药品，设置不同的预设匹配度阈值，既能够实现用药方案中药品的匹配度的判断，又能够减少因药品为有限制要求的药品而采用较低匹配度阈值而导致用药方案的调整出错的可能性。
将最新用药方案发送给当前患者，当前患者按照最新用药方案进行用药，可以给患者更个性化的用药指导和建议，同时，由于针对不同患者施行了个性化的配药，用药指导，能有效减少药品的浪费。
本申请通过基于用药大数据训练完成的目标配药模型得到患者对应的当前用药方案，可以辅助医生给患者开具药方，提高开药的效率，并对患者的用药安全提供保障；同时根据用药后最新诊断信息确定是否需要调整当前用药方案，可以为患者就诊后的治疗过程进行实时动态跟踪，使医生可以远程了解患者治疗过程的病症反馈，更加综合全面考虑患者病情的动态变化过程，给患者更加个性化的配药用药指导，提高用药的精准度，有效减少药品的浪费。
在本实施例的一些可选的实现方式中，参见图3所示，上述将训练数据集输入至预构建的初始配药模型中进行训练，获得目标配药模型的步骤包括：
步骤S301，将训练数据集输入初始配药模型，通过输入层对训练数据集进行向量特征转换处理，获得特征数据。
在本实施例中，初始配药模型至少包括输入层、隐藏层和输出层，输入层中设置有向量转换端口，直接将训练数据集导入到向量转换端口进行向量特征转换处理，得到训练数据集对应的初始向量集合，将得到初始向量集合作为特征数据输入到初始配药模型的隐藏层中。
具体地，通过输入层将医疗数据进行分类，得到分类结果，并根据分类结果进行标签提取，根据提取到的标签进行数据转换处理，生成与训练数据集对应的特征数据。
在本实施例中，每条医疗数据对应一个患者。将医疗数据进行分类，可以按照疾病种类，患者性别，患者年龄，患者体重，患者血压，患者体质等进行分类。具体地，可以按照疾病种类将医疗数据分类，并进行同种疾病种类的标签提取，标签包括疾病种类、疾病深度、生病天数、患者年龄、患者体重、患者性别以及患者血压范围等。
需要说明的是，人体的疾病深度分为皮、肉、经、筋、骨、血及五脏六腑，有些疾病，即使表面上看一样的，但是，不同的疾病深度，却有着天壤之别。
在本实施例中，每个标签都有其对应的标签编号，根据标签查询到对应的标签编号，将标签经过数据转换处理成对应的标签编号，根据标签编号生成每个患者对应的特征向量，将特征向量集合作为特征数据输入到初始配药模型的隐藏层中。
应当理解，特征数据是序列数据，每条特征数据代表一个完整的病例案件。举例说明，假设生成的特征数据为{45,1,2,30,70,0,90,…}，其中，45代表疾病种类，1代表疾病深度，2代表生病天数，30代表患者年龄，70代表患者体重，0代表患者性别，90代表患者血压范围等。
步骤S302，将特征数据输入隐藏层，计算出隐藏层的隐藏层状态。
具体地，获取输入层到输出层的第一权重矩阵和上一个隐藏层状态传入到当前隐藏层的第二权重矩阵，采用激活函数，根据特征数据、第一权重矩阵和第二权重矩阵计算出隐藏层状态。
RNN网络的循环体现在隐藏层，隐藏层能够捕捉序列的信息。隐藏层可以为一个，也可以为多个，所有隐藏层都有相同数量的隐藏单元，将上一时刻的状态与当前时刻的输入拼接成一个大的向量作为隐藏层的输入，即隐藏层的输入不仅包括输入层的输出还包括上一时刻隐藏层的输出。
隐藏层状态采用如下计算公式：
St＝f(U*xt+W*St-1+b)
其中，U、W、b为模型需要学习更新的参数，U为输入层到隐藏层的第一权重矩阵，W为上一个隐藏层状态传入到当前隐藏层的第二权重矩阵，b 为偏置；x为向量，表示输入层输入的特征数据，标记为{x1,x2,……xt……}， xt代表时刻为t时刻的输入；S为隐藏层的隐藏层状态，标记为 {S1,S2,……St……}，St为t时刻的隐含层状态，作为下一层的输入，也就是模型每一层的输入有两个，一个是xt，一个是上一层的状态St-1，第一个隐含层状态初始化为0；f为非线性的激活函数tanh。
步骤S303，将隐藏层状态输入至所述输出层中进行计算，得到输出结果。
具体的，输出结果采用如下计算公式：
Ot＝σ(V*St+c)
其中，V、c为模型需要学习更新的参数，V为是隐藏层到输出层的权重矩阵，Ot代表时刻t的输出结果，不仅仅取决于xt，还取决于St-1；σ为激活函数softmax，用于预测分类。
步骤S304，根据输出结果对初始配药模型进行迭代更新，得到目标配药模型。
具体地，根据输出结果计算损失函数，基于损失函数更新初始配药模型的模型参数，直至模型收敛，输出目标配药模型。
在本实施例中，损失函数的计算公式如下：
其中，N表示输入数据数目，xt代表时刻为t时刻的输入，Ot代表时刻t 的输出。
在本实施例中，配药模型训练到一定程度，此时，配药模型的性能达到最优状态，损失函数无法继续下降，即收敛。而判断收敛的方式只需要计算前后两轮迭代中的损失函数值，若损失函数值仍在变化，则可以继续选择训练数据集输入至配药模型中以对配药模型继续进行迭代训练；若损失函数值没有显著变化，则可认为模型收敛，此时确定配药模型训练完成，则停止训练，并输出得到的目标配药模型。
具体地，在训练过程中，通过对历史的病例进行不断的倒序送入RNN网络进行配药模型训练，每增加一条该病例的任务，都会产生一个新的配药方案或者在原有配药方案上增加权重，如果是增加新的配药方案则进行标记，并进行权重配置，一次类推随着病例数据的数量越来越多，产生的差异化推荐方案也就越来越多，每一个推荐方案的权重会随着治疗效果的符合进行验证，同时反馈到配药方案的权重上，权重越高证明该方案越有效果，个性化的治疗用药方案也就越来越精确，针对该病种的治疗也越来越个性化。
本实施例通过对初始配药模型进行训练直到获得目标配药模型，可以提高配药模型开具用药处方的准确性。
在一些可选的实现方式中，在步骤204之后，还可以执行以下步骤：
将最新诊断信息输入至目标配药模型中，更新目标配药模型。
患者根据用药方案用药后，实时反馈用药的治疗过程数据给医院，医院根据治疗过程数据得到诊断信息，将诊断信息作为训练数据输入至配药模型中进行训练，更新配药系统，这样可以更加完善优化配药模型给出的用药建议。
需要说明，本申请实施例后续可以扩展到更多常规疾病种类的治疗上，同时，可以扩展到自我治疗，机器诊疗，互联网医院等场景中。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本申请可应用于智慧医疗领域中，从而推动智慧城市的建设。
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，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体 (Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体 (Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图4，作为对上述图2所示方法的实现，本申请提供了一种基于用药大数据的用药管理推荐装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图4所示，本实施例所述的基于用药大数据的配药装置400包括：预处理模块401、模型训练模块402、配药模块403、获取模块404以及推送模块405。其中：
预处理模块401用于采集医疗数据集，预处理所述医疗数据集中的医疗数据得到训练数据集；
模型训练模块402用于将所述训练数据集输入至预构建的初始配药模型中进行训练，获得目标配药模型；
配药模块403用于获取当前患者的当前诊断信息，并将所述当前诊断信息输入至所述目标配药模型，输出所述当前患者对应的当前用药方案；
获取模块404用于获取所述当前患者按照所述当前用药方案用药后的最新诊断信息，根据所述最新诊断信息确定是否需要调整所述当前用药方案；
推送模块405用于当确定所述当前用药方案需要调整时，推送最新用药方案给所述当前患者。
需要强调的是，为进一步保证当前诊断信息和最新诊断信息的私密和安全性，上述当前诊断信息和最新诊断信息还可以存储于一区块链的节点中。
上述基于用药大数据的配药装置，通过基于用药大数据训练完成的目标配药模型得到患者对应的当前用药方案，可以辅助医生给患者开具药方，提高开药的效率，并对患者的用药安全提供保障；同时根据用药后最新诊断信息确定是否需要调整当前用药方案，可以为患者就诊后的治疗过程进行实时动态跟踪，使医生可以远程了解患者治疗过程的病症反馈，更加综合全面考虑患者病情的动态变化过程，给患者更加个性化的配药用药指导，提高用药的精准度，有效减少药品的浪费。
在本实施例的一些可选的实现方式中，模型训练模块402包括转换子模块、隐藏层计算子模块、输出层计算子模块和迭代更新子模块，转换子模块用于将所述训练数据集输入所述初始配药模型，通过所述输入层对所述训练数据集进行向量特征转换处理，获得特征数据；隐藏层计算子模块用于将所述特征数据输入所述隐藏层，计算出所述隐藏层的隐藏层状态；输出层计算子模块用于将所述隐藏层状态输入至所述输出层中进行计算，得到输出结果；迭代更新子模块用于根据所述输出结果对所述初始配药模型进行迭代更新，得到目标配药模型。
本实施例通过对初始配药模型进行训练直到获得目标配药模型，可以提高配药模型开具用药处方的准确性。
在本实施例中，转换子模块进一步用于：通过所述输入层将所述医疗数据进行分类，得到分类结果，并根据所述分类结果进行标签提取；根据提取到的所述标签进行数据转换处理，生成与所述训练数据集对应的特征数据。
在本实施例中，隐藏层计算子模块进一步用于：获取所述输入层到输出层的第一权重矩阵和上一个隐藏层状态传入到当前隐藏层的第二权重矩阵；采用激活函数，根据所述特征数据、所述第一权重矩阵和所述第二权重矩阵计算出所述隐藏层状态。
在本实施例中，输出层计算子模块进一步用于：根据所述输出结果计算损失函数；基于所述损失函数更新所述初始配药模型的模型参数，直至模型收敛，输出目标配药模型。
在本实施例的一些可选的实现方式中，获取模块404进一步用于：
采集所述当前患者按照所述当前用药方案进行用药的用药情况，根据所述用药情况得到最新诊断信息；
将所述最新诊断信息输入至所述目标配药模型中，得到与所述最新诊断信息匹配的最新用药方案；
比较所述最新用药方案与所述当前用药方案的匹配度，根据所述匹配度确定所述当前用药方案是否需要调整。
本实施例通过根据按照当前用药方案用药后的最新诊断信息确定是否调整当前用药方案，可以为患者就诊后的治疗过程进行实时动态跟踪，使医生可以远程了解患者治疗过程的病症反馈，更加综合全面考虑患者病情的动态变化过程，给患者更加个性化的配药用药指导，帮助患者科学用药。
在本实施例的一些可选的实现方式中，基于用药大数据的配药装置400 还包括更新模块，用于将所述最新诊断信息输入至所述目标配药模型中，更新所述目标配药模型。
本实施例通过将最新诊断信息作为训练数据输入至配药模型中进行训练，更新配药系统，这样可以更加完善优化配药模型给出的用药建议。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图5，图5为本实施例计算机设备基本结构框图。
所述计算机设备5包括通过系统总线相互通信连接存储器51、处理器52、网络接口53。需要指出的是，图中仅示出了具有组件51-53的计算机设备5，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器51至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器51可以是所述计算机设备5的内部存储单元，例如该计算机设备5的硬盘或内存。在另一些实施例中，所述存储器51也可以是所述计算机设备5的外部存储设备，例如该计算机设备5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(FlashCard)等。当然，所述存储器 51还可以既包括所述计算机设备5的内部存储单元也包括其外部存储设备。本实施例中，所述存储器51通常用于存储安装于所述计算机设备5的操作系统和各类应用软件，例如基于用药大数据的配药方法的计算机可读指令等。此外，所述存储器51还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器52在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器52 通常用于控制所述计算机设备5的总体操作。本实施例中，所述处理器52用于运行所述存储器51中存储的计算机可读指令或者处理数据，例如运行所述基于用药大数据的配药方法的计算机可读指令。
所述网络接口53可包括无线网络接口或有线网络接口，该网络接口53 通常用于在所述计算机设备5与其他电子设备之间建立通信连接。
本实施例通过处理器执行存储在存储器的计算机可读指令时实现如上述实施例基于用药大数据的用药管理推荐方法的步骤，通过基于用药大数据训练完成的目标配药模型得到患者对应的当前用药方案，可以辅助医生给患者开具药方，提高开药的效率，并对患者的用药安全提供保障；同时根据用药后最新诊断信息确定是否需要调整当前用药方案，可以为患者就诊后的治疗过程进行实时动态跟踪，使医生可以远程了解患者治疗过程的病症反馈，更加综合全面考虑患者病情的动态变化过程，给患者更加个性化的配药用药指导，提高用药的精准度，有效减少药品的浪费。
本申请还提供了另一种实施方式，即提供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可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于用药大数据的配药方法的步骤，通过基于用药大数据训练完成的目标配药模型得到患者对应的当前用药方案，可以辅助医生给患者开具药方，提高开药的效率，并对患者的用药安全提供保障；同时根据用药后最新诊断信息确定是否需要调整当前用药方案，可以为患者就诊后的治疗过程进行实时动态跟踪，使医生可以远程了解患者治疗过程的病症反馈，更加综合全面考虑患者病情的动态变化过程，给患者更加个性化的配药用药指导，提高用药的精准度，有效减少药品的浪费。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。
Claims (10)
1.一种基于用药大数据的配药方法，其特征在于，包括下述步骤：
采集医疗数据集，预处理所述医疗数据集中的医疗数据得到训练数据集；
将所述训练数据集输入至预构建的初始配药模型中进行训练，获得目标配药模型；
获取当前患者的当前诊断信息，并将所述当前诊断信息输入至所述目标配药模型，输出所述当前患者对应的当前用药方案；
获取所述当前患者按照所述当前用药方案用药后的最新诊断信息，根据所述最新诊断信息确定是否需要调整所述当前用药方案；
当确定所述当前用药方案需要调整时，推送最新用药方案给所述当前患者。
2.根据权利要求1所述的基于用药大数据的配药方法，其特征在于，所述初始配药模型包括输入层、隐藏层和输出层，所述将所述训练数据集输入至预构建的初始配药模型中进行训练，获得目标配药模型的步骤包括：
将所述训练数据集输入所述初始配药模型，通过所述输入层对所述训练数据集进行向量特征转换处理，获得特征数据；
将所述特征数据输入所述隐藏层，计算出所述隐藏层的隐藏层状态；
将所述隐藏层状态输入至所述输出层中进行计算，得到输出结果；
根据所述输出结果对所述初始配药模型进行迭代更新，得到目标配药模型。
3.根据权利要求2所述的基于用药大数据的配药方法，其特征在于，所述通过所述输入层对所述训练数据集进行向量特征转换处理，获得特征数据的步骤包括：
通过所述输入层将所述医疗数据进行分类，得到分类结果，并根据所述分类结果进行标签提取；
根据提取到的所述标签进行数据转换处理，生成与所述训练数据集对应的特征数据。
4.根据权利要求2所述的基于用药大数据的配药方法，其特征在于，所述将所述特征数据输入所述隐藏层，计算出所述隐藏层的隐藏层状态的步骤包括：
获取所述输入层到输出层的第一权重矩阵和上一个隐藏层状态传入到当前隐藏层的第二权重矩阵；
采用激活函数，根据所述特征数据、所述第一权重矩阵和所述第二权重矩阵计算出所述隐藏层状态。
5.根据权利要求2所述的基于用药大数据的配药方法，其特征在于，所述根据所述输出结果对所述初始配药模型进行迭代更新，得到目标配药模型的步骤包括：
根据所述输出结果计算损失函数；
基于所述损失函数更新所述初始配药模型的模型参数，直至模型收敛，输出目标配药模型。
6.根据权利要求1所述的基于用药大数据的配药方法，其特征在于，所述获取所述当前患者按照所述当前用药方案用药后的最新诊断信息，根据所述最新诊断信息确定是否需要调整所述当前用药方案的步骤包括：
采集所述当前患者按照所述当前用药方案进行用药的用药情况，根据所述用药情况得到最新诊断信息；
将所述最新诊断信息输入至所述目标配药模型中，得到与所述最新诊断信息匹配的最新用药方案；
比较所述最新用药方案与所述当前用药方案的匹配度，根据所述匹配度确定所述当前用药方案是否需要调整。
7.根据权利要求1所述的基于用药大数据的配药方法，其特征在于，在所述根据所述最新诊断信息确定是否需要调整所述当前用药方案的步骤之后还包括：
将所述最新诊断信息输入至所述目标配药模型中，更新所述目标配药模型。
8.一种基于用药大数据的配药装置，其特征在于，包括：
预处理模块，用于采集医疗数据集，预处理所述医疗数据集中的医疗数据得到训练数据集；
模型训练模块，用于将所述训练数据集输入至预构建的初始配药模型中进行训练，获得目标配药模型；
配药模块，用于获取当前患者的当前诊断信息，并将所述当前诊断信息输入至所述目标配药模型，输出所述当前患者对应的当前用药方案；
获取模块，用于获取所述当前患者按照所述当前用药方案用药后的最新诊断信息，根据所述最新诊断信息确定是否需要调整所述当前用药方案；
推送模块，用于当确定所述当前用药方案需要调整时，推送最新用药方案给所述当前患者。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于用药大数据的配药方法的步骤。
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可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于用药大数据的配药方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111013074.5A CN113658662B (zh) | 2021-08-31 | 2021-08-31 | 基于用药大数据的配药方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111013074.5A CN113658662B (zh) | 2021-08-31 | 2021-08-31 | 基于用药大数据的配药方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113658662A true CN113658662A (zh) | 2021-11-16 |
| CN113658662B CN113658662B (zh) | 2024-07-26 |
Family
ID=78482552
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111013074.5A Active CN113658662B (zh) | 2021-08-31 | 2021-08-31 | 基于用药大数据的配药方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113658662B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114210597A (zh) * | 2022-02-22 | 2022-03-22 | 深圳市正和兴电子有限公司 | 一种半导体器件的导电胶推荐方法、系统和可读存储介质 |
| CN114520831A (zh) * | 2022-02-16 | 2022-05-20 | 平安国际智慧城市科技股份有限公司 | 处方推送方法、装置、终端及存储介质 |
| CN114758745A (zh) * | 2022-04-08 | 2022-07-15 | 天津航旭科技发展有限公司 | 基于处方推荐的医师奖励方法、计算机设备及存储介质 |
| WO2023165123A1 (zh) * | 2022-03-04 | 2023-09-07 | 康键信息技术（深圳）有限公司 | 线上问诊方法、装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111063413A (zh) * | 2019-12-30 | 2020-04-24 | 广州享药户联优选科技有限公司 | 基于用药情况调整用药方案的方法及装置 |
| 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 |
| 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 |
-
2021
- 2021-08-31 CN CN202111013074.5A patent/CN113658662B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111063413A (zh) * | 2019-12-30 | 2020-04-24 | 广州享药户联优选科技有限公司 | 基于用药情况调整用药方案的方法及装置 |
| 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 |
| 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 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114520831A (zh) * | 2022-02-16 | 2022-05-20 | 平安国际智慧城市科技股份有限公司 | 处方推送方法、装置、终端及存储介质 |
| CN114520831B (zh) * | 2022-02-16 | 2024-07-12 | 平安国际智慧城市科技股份有限公司 | 处方推送方法、装置、终端及存储介质 |
| CN114210597A (zh) * | 2022-02-22 | 2022-03-22 | 深圳市正和兴电子有限公司 | 一种半导体器件的导电胶推荐方法、系统和可读存储介质 |
| WO2023165123A1 (zh) * | 2022-03-04 | 2023-09-07 | 康键信息技术（深圳）有限公司 | 线上问诊方法、装置、设备及存储介质 |
| CN114758745A (zh) * | 2022-04-08 | 2022-07-15 | 天津航旭科技发展有限公司 | 基于处方推荐的医师奖励方法、计算机设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113658662B (zh) | 2024-07-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gong et al. | SMR: medical knowledge graph embedding for safe medicine recommendation | |
| CN113658662B (zh) | 基于用药大数据的配药方法、装置、设备及存储介质 | |
| Degoulet et al. | Introduction to clinical informatics | |
| US9536052B2 (en) | Clinical predictive and monitoring system and method | |
| CN111048167B (zh) | 一种层级式病例结构化方法及系统 | |
| Talati | AI in healthcare domain | |
| CN112331298B (zh) | 开具药方的方法、装置、电子设备及存储介质 | |
| CN107578797A (zh) | 一种基于云计算的健康诊疗方案推荐的方法及其系统 | |
| US20140089003A1 (en) | Patient health record similarity measure | |
| CN113674858A (zh) | 在线医疗处方用药智能检查方法、装置、设备及存储介质 | |
| CN114765075A (zh) | 药品推荐方法、装置及系统、电子设备及存储介质 | |
| Prasanth et al. | Big data applications on health care | |
| Chen | Smart health and wellbeing [Trends & Controversies] | |
| CN116578704A (zh) | 文本情感分类方法、装置、设备及计算机可读介质 | |
| CN116383413A (zh) | 基于医疗数据提取的知识图谱更新方法和系统 | |
| Mehta et al. | Big Data Analytics Cloud based Smart IoT Healthcare Network | |
| Lei et al. | COVID-19 smart chatbot prototype for patient monitoring | |
| Bhagat | Artificial Intelligence in Healthcare | |
| Parmar et al. | 5G-enabled deep learning-based framework for healthcare mining: State of the art and challenges | |
| Sun et al. | Personalized vital signs control based on continuous action-space reinforcement learning with supervised experience | |
| CN113096795A (zh) | 多源数据辅助的临床决策支持系统及方法 | |
| CN114743647A (zh) | 医疗数据处理方法、装置、设备及存储介质 | |
| CN114334179A (zh) | 一种数字化医疗管理方法和系统 | |
| Bansal et al. | Introduction to computational health informatics | |
| Sharma et al. | Artificial Intelligence in Health Care Sector and Future Scope |
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: 20220523 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, Area H, 666 Beijing East Road, Huangpu District, Shanghai 200001 Applicant before: PING AN MEDICAL AND HEALTHCARE MANAGEMENT Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |