CN113724830A - 基于人工智能的用药风险检测方法及相关设备 - Google Patents
基于人工智能的用药风险检测方法及相关设备 Download PDFInfo
- Publication number
- CN113724830A CN113724830A CN202111014482.2A CN202111014482A CN113724830A CN 113724830 A CN113724830 A CN 113724830A CN 202111014482 A CN202111014482 A CN 202111014482A CN 113724830 A CN113724830 A CN 113724830A
- Authority
- CN
- China
- Prior art keywords
- information
- medication
- risk
- recommended
- 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 444
- 229940079593 drug Drugs 0.000 title claims abstract description 299
- 238000001514 detection method Methods 0.000 title claims abstract description 126
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 38
- 208000024891 symptom Diseases 0.000 claims abstract description 84
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000013058 risk prediction model Methods 0.000 claims abstract description 22
- 230000011218 segmentation Effects 0.000 claims description 51
- 238000012545 processing Methods 0.000 claims description 30
- 230000015654 memory Effects 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 16
- 230000006978 adaptation Effects 0.000 claims description 14
- 238000012512 characterization method Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000002372 labelling Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 10
- 238000013139 quantization Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000012549 training Methods 0.000 description 12
- 238000003745 diagnosis Methods 0.000 description 11
- 238000013475 authorization Methods 0.000 description 10
- 238000010276 construction Methods 0.000 description 10
- 238000012795 verification Methods 0.000 description 8
- 201000010099 disease Diseases 0.000 description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 7
- 206010020772 Hypertension Diseases 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000036541 health Effects 0.000 description 5
- HEFNNWSXXWATRW-UHFFFAOYSA-N Ibuprofen Chemical compound CC(C)CC1=CC=C(C(C)C(O)=O)C=C1 HEFNNWSXXWATRW-UHFFFAOYSA-N 0.000 description 4
- 229960001680 ibuprofen Drugs 0.000 description 4
- 230000035935 pregnancy Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 206010067484 Adverse reaction Diseases 0.000 description 2
- 230000006838 adverse reaction Effects 0.000 description 2
- 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 2
- 229960003022 amoxicillin Drugs 0.000 description 2
- 239000002775 capsule Substances 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 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 2
- 230000008569 process Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001647 drug administration Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive 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
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- 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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Medicinal Chemistry (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Epidemiology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Toxicology (AREA)
- Pharmacology & Pharmacy (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及人工智能，提供一种基于人工智能的用药风险检测方法及相关设备。该方法能够根据风险检测请求获取用户患者的患者信息，根据风险检测请求获取待推荐用药；根据患者信息及待推荐用药在药品知识库中进行知识推理，得到与用户患者对应的目标信息；基于风险预测模型分析目标信息，得到待推荐用药的用药风险度；若用药风险度小于预设风险度，接收对待推荐用药的用药推荐量；根据待推荐用药解析患者信息，得到用户患者的目标症状信息；根据待推荐用药、用药风险度、用药推荐量及目标症状信息生成用户患者的提示信息。本发明能够提高用药风险检测的准确性。此外，本发明还涉及区块链技术，所述提示信息可存储于区块链中。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的用药风险检测方法及相关设备。
背景技术
随着人工智能的发展，医疗平台可以支持疾病辅助诊断、健康管理、远程会诊等功能。然而，由于医疗用药在不同维度上的用药禁忌有所不同，而不同患者在不同维度上的表征信息也有所不同，导致在目前的医疗平台中无法准确的为患者用药进行风险检测，造成无法准确进行相应的风险提示。
发明内容
鉴于以上内容，有必要提供一种基于人工智能的用药风险检测方法及相关设备，能够提高用药风险检测的准确性。
一方面，本发明提出一种基于人工智能的用药风险检测方法，所述基于人工智能的用药风险检测方法包括：
当接收到风险检测请求时，根据所述风险检测请求获取用户患者的患者信息，并根据所述风险检测请求获取待推荐用药；
根据所述患者信息及所述待推荐用药在预先构建好的药品知识库中进行知识推理，得到与所述用户患者对应的目标信息；
基于预先训练好的风险预测模型分析所述目标信息，得到所述待推荐用药的用药风险度；
若所述用药风险度小于预设等级，接收对所述待推荐用药的用药推荐量；
根据所述待推荐用药解析所述患者信息，得到所述用户患者的目标症状信息；
根据所述待推荐用药、所述用药风险度、所述用药推荐量及所述目标症状信息生成所述用户患者的用药风险提示信息。
根据本发明优选实施例，在根据所述患者信息及所述待推荐用药在预先构建好的药品知识库中进行知识推理，得到与所述用户患者对应的目标信息之前，所述方法还包括：
获取药品说明文本，并从所述药品说明文本中提取待分析药名；
对所述药品说明文本进行分句处理，得到多个文本语句，并对每个文本语句进行分词处理，得到每个文本语句的语句分词；
计算每个语句分词与预设关键词汇的词汇相似度；
将所述词汇相似度大于预设相似度阈值的语句分词确定为目标分词，并将所述目标分词所在的文本语句确定为目标语句；
根据所述目标语句中的语句分词生成所述目标语句的表征向量；
将所述表征向量输入至预先训练好的类别检测模型，得到所述待分析药名在多个类别标签上的检测结果；
根据所述待分析药名、所述多个类别标签及多个所述检测结果构建所述药品知识库。
根据本发明优选实施例，所述根据所述患者信息及所述待推荐用药在预先构建好的药品知识库中进行知识推理，得到与所述用户患者对应的目标信息包括：
从所述药品知识库中筛选出所述待推荐用药的药品信息；
根据所述药品信息所对应的属性标签提取所述患者信息的特征信息；
对所述特征信息进行知识推理，得到所述用户患者的推理信息；
将所述推理信息与所述药品信息进行对比，并将与所述推理信息匹配成功的药品信息作为目标信息。
根据本发明优选实施例，所述多个类别标签包括所述属性标签，所述根据所述药品信息所对应的属性标签提取所述患者信息的特征信息包括：
分析所述药品信息在每个类别标签上的类别语义；
计算所述类别语义与预设语义的语义匹配度；
将所述语义匹配度大于预设匹配度阈值的类别语义所对应的类别标签确定为所述属性标签；
将所述属性标签及所述属性标签的相似标签确定为目标标签；
基于所述目标标签从所述患者信息中提取所述特征信息。
根据本发明优选实施例，在基于预先训练好的风险预测模型分析所述目标信息，得到所述待推荐用药的用药风险度之前，所述方法还包括：
基于多个预设卷积层及预设全连接层构建预测学习器；
获取药品禁忌数据及所述药品禁忌数据的禁忌标注等级；
根据所述药品禁忌数据及所述禁忌标注等级调整所述预测学习器，直至所述预测学习器的第一损失函数不再降低，得到预测初始模型；
从所述预测初始模型中获取所有模型卷积层，并基于灰色关联分析算法对所述所有模型卷积层进行重要度的量化处理，得到每个模型卷积层的重要度量化值；
根据所述重要度量化值对所述预测初始模型进行裁剪，得到裁剪模型；
根据所述药品禁忌数据及所述禁忌标注等级调整所述裁剪模型，直至所述裁剪模型的第二损失函数不再降低，得到所述风险预测模型。
根据本发明优选实施例，所述根据所述待推荐用药解析所述患者信息，得到所述用户患者的目标症状信息包括：
解析所述患者信息，得到所述用户患者的多个症状信息；
获取所述待推荐用药的适应症状；
比较所述适应症状与每个症状信息，并将与所述适应症状匹配成功的症状信息确定为所述目标症状信息。
根据本发明优选实施例，所述根据所述待推荐用药、所述用药风险度、所述用药推荐量及所述目标症状信息生成所述用户患者的用药风险提示信息包括：
将所述用药推荐量及所述目标症状信息输入至预先训练好的药量风险检测模型中，得到药量风险度；
根据预设权值对所述用药风险度及所述药量风险度进行处理，得到风险等级；
根据所述风险等级从模板库中获取目标模板；
将所述待推荐用药及所述用药推荐量写入所述目标模板中，得到所述用药风险提示信息。
另一方面，本发明还提出一种基于人工智能的用药风险检测装置，所述基于人工智能的用药风险检测装置包括：
获取单元，用于当接收到风险检测请求时，根据所述风险检测请求获取用户患者的患者信息，并根据所述风险检测请求获取待推荐用药；
推理单元，用于根据所述患者信息及所述待推荐用药在预先构建好的药品知识库中进行知识推理，得到与所述用户患者对应的目标信息；
分析单元，用于基于预先训练好的风险预测模型分析所述目标信息，得到所述待推荐用药的用药风险度；
接收单元，用于若所述用药风险度小于预设等级，接收对所述待推荐用药的用药推荐量；
解析单元，用于根据所述待推荐用药解析所述患者信息，得到所述用户患者的目标症状信息；
生成单元，用于根据所述待推荐用药、所述用药风险度、所述用药推荐量及所述目标症状信息生成所述用户患者的用药风险提示信息。
另一方面，本发明还提出一种电子设备，所述电子设备包括：
存储器，存储计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现所述基于人工智能的用药风险检测方法。
另一方面，本发明还提出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计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现所述基于人工智能的用药风险检测方法。
由以上技术方案可以看出，本发明结合所述患者信息及所述待推荐用药在所述药品知识库中进行推理，能够准确的获取到所述目标信息，进而基于所述风险预测模型分析所述目标信息，由于无需对所有患者信息进行分析，不仅提高了所述用药风险度的生成效率，还避免了其余无关信息对所述用药风险度的干扰，提高了所述用药风险度的生成准确性，进一步地，在所述用药风险度小于所述预设风险度时，结合所述目标症状信息对所述用药推荐量进行进一步的分析，能够从所述用户患者的症状及属性上准确的进行用药风险检测。
附图说明
图1是本发明基于人工智能的用药风险检测方法的较佳实施例的流程图。
图2是本发明基于人工智能的用药风险检测装置的较佳实施例的功能模块图。
图3是本发明实现基于人工智能的用药风险检测方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，是本发明基于人工智能的用药风险检测方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
所述基于人工智能的用药风险检测方法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。
所述基于人工智能的用药风险检测方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的计算机可读指令，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(Application SpecificIntegrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字信号处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能穿戴式设备等。
所述电子设备可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算(CloudComputing)的由大量主机或网络电子设备构成的云。
所述电子设备所处的网络包括，但不限于：互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
S10，当接收到风险检测请求时，根据所述风险检测请求获取用户患者的患者信息，并根据所述风险检测请求获取待推荐用药。
在本发明的至少一个实施例中，所述风险检测请求中携带的信息包括：数据信息及地址信息等。
所述患者信息包括所述用户患者的基础信息及诊断信息，所述基础信息是指所述用户患者的客观事实信息，例如，所述基础信息可以包括：性别、年龄等，所述诊断信息是指医护人员对所述用户患者进行诊断后所得到的信息，例如，所述诊断信息可以包括：高血压。
所述待推荐用药是指医护人员对所述用户患者进行诊断后所提供的药品。
在本发明的至少一个实施例中，所述电子设备根据所述风险检测请求获取用户患者的患者信息包括：
解析所述风险检测请求的报文，得到所述报文携带的数据信息；
从所述数据信息中提取所述用户患者的绑定设备信息及患者识别码；
根据所述患者识别码及预设标签生成信息获取请求，并将所述信息获取请求发送至所述绑定设备信息所对应的目标设备中；
在预设时间间隔后，若接收到所述目标设备基于所述信息获取请求的授权结果，从所述授权结果中提取授权密钥，并基于所述授权密钥从预设区块链中获取所述患者信息。
其中，所述报文是指所述风险检测请求的主体部分。
所述数据信息包括，但不限于：所述绑定设备信息、所述患者识别码等。
所述绑定设备信息用于指示与所述用户患者具有绑定关系的目标设备所对应的设备信息。例如，所述用户患者为小明，所述绑定设备信息可以是大明的手机号码，所述绑定设备信息也可以是小明的手机号码。
所述患者识别码用于唯一指示所述用户患者，本发明对所述患者识别码的具体表现形式不作限定。例如，所述患者识别码可以是所述用户患者的身份证号，所述患者识别码还可以是所述用户患者的就诊医院、就诊科室、就诊日期及就诊编号生成的识别码。
所述预设标签用于指示所述用户患者的基础信息及诊断信息。
所述预设时间间隔是根据多个设备接收请求并生成反馈结果的平均时间确定的。例如，该平均时间为10分钟，则所述预设时间间隔是指10分钟后。
所述预设区块链中存储有多个不同密钥与不同信息的映射关系。
通过上述实施方式，通过向所述目标设备发送生成的所述信息获取请求，能够确保所述患者信息的获取合法性，进一步地，通过所述授权密钥从所述预设区块链中获取所述患者信息，不仅能够避免所述患者信息被盗取，还能提高所述患者信息的获取准确性。
在本发明的至少一个实施例中，所述电子设备根据所述风险检测请求获取待推荐用药包括：
解析所述风险检测请求的报文头，得到所述报文头携带的地址信息；
从所述地址信息中提取所述风险检测请求的生成地址，并将与所述生成地址所对应的系统确定为所述风险检测请求的生成系统；
获取所述风险检测请求的发送时间及请求标识；
根据所述发送时间及所述请求标识从所述生成系统的日志库中筛选出目标日志，并从所述目标日志中提取生成所述风险检测请求的界面编码；
基于预设药品标签从与所述界面编码所对应的界面中获取所述待推荐用药。
其中，所述地址信息包括所述风险检测请求的生成地址、所述风险检测请求的发送地址、所述风险检测请求的接收地址。
所述发送时间是指所述生成系统将所述风险检测请求发送给所述电子设备的时间。
所述请求标识用于唯一指示所述风险检测请求。
所述目标日志中记录了所述生成系统向所述电子设备发送所述风险检测请求的事件。
所述预设药品标签是指所述生成界面中与用药对应的标签。例如。所述预设药品标签可以是药品名称。
通过所述发送时间及所述请求标识能够从所述日志库中准确的筛选出所述目标日志，从而根据所述目标信息提高了所述待推荐用户的获取准确性。
S11，根据所述患者信息及所述待推荐用药在预先构建好的药品知识库中进行知识推理，得到与所述用户患者对应的目标信息。
在本发明的至少一个实施例中，所述药品知识库中存储有不同药品在多个类别标签上的检测结果，例如，药品A：【年龄禁忌标签-老年人禁用，人群禁忌标签-孕妇慎用，疾病禁忌标签-高血压禁用】。
所述目标信息是指与所述患者信息匹配成功的药品信息。例如，所述药品信息为药品A：【年龄禁忌标签-老年人禁用，人群禁忌标签-孕妇慎用，疾病禁忌标签-高血压禁用】，所述推理信息为：该患者属于老年人，则所述目标信息为：年龄禁忌标签-老年人禁用。
在本发明的至少一个实施例中，在根据所述患者信息及所述待推荐用药在预先构建好的药品知识库中进行知识推理，得到与所述用户患者对应的目标信息之前，所述方法还包括：
获取药品说明文本，并从所述药品说明文本中提取待分析药名；
对所述药品说明文本进行分句处理，得到多个文本语句，并对每个文本语句进行分词处理，得到每个文本语句的语句分词；
计算每个语句分词与预设关键词汇的词汇相似度；
将所述词汇相似度大于预设相似度阈值的语句分词确定为目标分词，并将所述目标分词所在的文本语句确定为目标语句；
根据所述目标语句中的语句分词生成所述目标语句的表征向量；
将所述表征向量输入至预先训练好的类别检测模型，得到所述待分析药名在多个类别标签上的检测结果；
根据所述待分析药名、所述多个类别标签及多个所述检测结果构建所述药品知识库。
其中，所述药品说明文本可以是任意药品的药品说明书。
所述待分析药品是指所述药品说明文本中所描述的药品。本发明对所述待分析药品不作限制，例如，所述待分析药品可以是阿莫西林胶囊。
所述预设关键词汇用于指示文本中需要重点关注的词汇，例如，所述预设关键词汇可以包括：禁忌、用法用量、不良反应等。
所述预设相似度阈值可以根据需求设定，所述预设相似度阈值一般设置为60％-90％。例如，所述预设相似度阈值可以设置为80％。
所述类别检测模型包括类别全连接网络及激活层网络。
所述类别标签包括，但不限于：年龄类别、人群类别、疾病类别等。
通过上述实施方式，能够选取出与所述预设关键词汇相似的语句分词作为所述目标分词，提高所述目标分词的全面性，从而提高所述药品知识库的构建全面性，同时，能够从所述多个文本语句中筛选出所述目标语句，避免对所述药品说明文本中所有文本语句进行分析，提高所述药品知识库的构建效率。此外，通过所述类别检测模型能够准确的检测出所述待分析药品在所述多个类别标签上的检测结果，提高所述药品知识库的构建准确性。
具体地，所述电子设备对所述药品说明文本进行分句处理，得到多个文本语句包括：
从所述药品说明文本中提取多个文本符号，并将与预设符匹配成功的文本符号确定为目标符号；
根据所述目标符号切分所述药品说明文本，得到所述多个文本语句。
其中，所述预设符可以包括：“。”、“！”等表示句子终结的标识。
具体地，所述电子设备对每个文本语句进行分词处理，得到每个文本语句的语句分词包括：
根据预设词典切分所述文本语句，得到多个切分路径及每个切分路径的路径分词；
根据所述路径分词在所述预设词典中的词汇权值计算每个切分路径的路径分数；
将所述路径分数最高的切分路径确定为目标路径，并将所述目标路径所对应的路径分词确定为所述语句分词。
其中，所述预设词典中存储有多个自定义词汇及每个自定义词汇的权值，该权值是根据每个词汇在多个文本中的词频确定的。
通过上述实施方式，能够准确的确定出所述路径分数，从而提高所述文本语句的切分准确性。
在本发明的至少一个实施例中，在将所述表征向量输入至预先训练好的类别检测模型，得到所述待分析药名在多个类别标签上的检测结果之前，所述方法还包括：
获取历史文本数据；
将所述历史文本数据输入到遗忘门层进行遗忘处理，得到文本表征数据；
划分所述文本表征数据，得到训练文本数据及验证文本数据；
训练所述训练文本数据，得到学习器；
根据所述验证文本数据调整所述学习器，直至所述学习器的损失值不再降低，得到所述类别检测模型。
其中，所述文本表征数据用于表征所述历史文本数据。
所述损失值是根据所述学习器对所述验证文本数据的预测结果与所述验证文本数据的标注结果确定的。
通过所述历史文本数据进行全量训练，能够提高所述类别检测模型的准确性。
在本发明的至少一个实施例中，所述电子设备根据所述患者信息及所述待推荐用药在预先构建好的药品知识库中进行知识推理，得到与所述用户患者对应的目标信息包括：
从所述药品知识库中筛选出所述待推荐用药的药品信息；
根据所述药品信息所对应的属性标签提取所述患者信息的特征信息；
对所述特征信息进行知识推理，得到所述用户患者的推理信息；
将所述推理信息与所述药品信息进行对比，并将与所述推理信息匹配成功的药品信息作为目标信息。
其中，所述药品信息是指所述药品知识库中与所述待推荐用药相对应的信息。
所述属性标签是指所述待分析药品中具有禁忌的类别标签。
所述特征信息是指与所述属性标签及所述属性标签的相似标签相对应的患者信息。
所述推理信息是指与所述特征信息中的实体对象相关联，且包含有所述特征信息的实体信息。
通过所述药品信息所对应的属性标签提取到所述特征信息，由于无需对所有患者信息进行分析，因此，能够提高所述特征信息的推理效率，从而提高所述目标信息的生成效率。此外，通过对所述特征信息进行知识推理，能够提高所述推理信息对所述用户患者在所述属性标签上的表征准确性，从而能够准确的生成所述目标信息。
具体地，所述电子设备从所述药品知识库中筛选出所述待推荐用药的药品信息包括：
获取所述待推荐用药的药品编码；
从所述药品知识库中获取与所述药品编码对应的信息作为所述药品信息。
具体地，所述多个类别标签包括所述属性标签，所述电子设备根据所述药品信息所对应的属性标签提取所述患者信息的特征信息包括：
分析所述药品信息在每个类别标签上的类别语义；
计算所述类别语义与预设语义的语义匹配度；
将所述语义匹配度大于预设匹配度阈值的类别语义所对应的类别标签确定为所述属性标签；
将所述属性标签及所述属性标签的相似标签确定为目标标签；
基于所述目标标签从所述患者信息中提取所述特征信息。
其中，所述预设语义用于指示文本在该类别标签上没有禁忌。
所述语义匹配度可以是指所述类别语义与所述预设语义的相似度。
所述相似标签是指与所述属性标签语义相近的标签。
通过对所述药品信息的类别语义的分析，进而基于所述类别语义确定所述属性标签，能够提高所述属性标签的准确性，同时，通过在所述目标标签中加入所述相似标签，避免与所述相似标签对应的患者信息无法被提取，从而提高所述特征信息的提取全面性。
具体地，所述特征信息包括所述用户患者的基础信息及诊断信息，所述电子设备对所述特征信息进行知识推理，得到所述用户患者的推理信息包括：
提取所述特征信息中的实体对象；
从预设图谱中获取所述实体对象的关联实体，并获取所述关联实体的实体信息；
将与所述特征信息匹配的实体信息确定为所述推理信息。
其中，所述实体对象是指所述特征信息中的具体对象，例如，所述实体对象可以是：孕中期。
所述预设图谱中存储有多个实体的实体关系。
所述关联实体是指与所述实体对象相关联的实体，例如，所述实体对象为：孕中期，则所述关联实体可以为：孕妇。
所述实体信息是指表征所述关联实体的信息。
例如，所述实体对象是：75岁，从预设图谱中获取到关联实体为：年龄，所述关联实体“年龄”的实体信息为：年龄大于65岁属于老年，年龄小于14岁属于儿童，则所述推理信息为：该患者属于老年人。
通过上述实施方式，能够快速获取到所述关联实体，进而根据所述关联实体的实体信息与所述特征信息的比较，能够准确的确定出所述推理信息。
S12，基于预先训练好的风险预测模型分析所述目标信息，得到所述待推荐用药的用药风险度。
在本发明的至少一个实施例中，所述风险预测模型用于结合所述目标信息对所述待推荐用药的风险影响程度的预测。
所述用药风险度是指所述待推荐用药对所述用户患者的风险影响程度。
在本发明的至少一个实施例中，在基于预先训练好的风险预测模型分析所述目标信息，得到所述待推荐用药的用药风险度之前，所述方法还包括：
基于多个预设卷积层及预设全连接层构建预测学习器；
获取药品禁忌数据及所述药品禁忌数据的禁忌标注等级；
根据所述药品禁忌数据及所述禁忌标注等级调整所述预测学习器，直至所述预测学习器的第一损失函数不再降低，得到预测初始模型；
从所述预测初始模型中获取所有模型卷积层，并基于灰色关联分析算法对所述所有模型卷积层进行重要度的量化处理，得到每个模型卷积层的重要度量化值；
根据所述重要度量化值对所述预测初始模型进行裁剪，得到裁剪模型；根据所述药品禁忌数据及所述禁忌标注等级调整所述裁剪模型，直至所述裁剪模型的第二损失函数不再降低，得到所述风险预测模型。
其中，所述多个预设卷积层中的卷积核大小都是预先设定好的。
S13，若所述用药风险度小于预设风险度，接收对所述待推荐用药的用药推荐量。
在本发明的至少一个实施例中，所述预设风险度是根据实际风险容忍度确定的。所述用药推荐量可以是医护人员针对所述待推荐用药所开处的用药量。
本实施例中，在所述用药风险度小于所述预设风险度时，结合所述用药推荐量对所述待推荐用药的风险进行分析，能够提高用药提示的准确性。
在本发明的至少一个实施例中，若所述用药风险度大于所述预设风险度，根据所述用药风险度生成警告信息。
S14，根据所述待推荐用药解析所述患者信息，得到所述用户患者的目标症状信息。
在本发明的至少一个实施例中，所述目标症状信息是指所述患者信息中与所述待推荐用药匹配的症状信息。
在本发明的至少一个实施例中，所述电子设备根据所述待推荐用药解析所述患者信息，得到所述用户患者的目标症状信息包括：
解析所述患者信息，得到所述用户患者的多个症状信息；
获取所述待推荐用药的适应症状；
比较所述适应症状与每个症状信息，并将与所述适应症状匹配成功的症状信息确定为所述目标症状信息。
其中，所述适应症状是指与所述待推荐用药相匹配的症状信息。
通过所述待推荐用药对所述患者信息进行解析，能够提高所述目标症状信息的解析准确性。
具体地，所述电子设备解析所述患者信息，得到所述用户患者的多个症状信息包括：
根据配置标签生成正则表达式；
基于所述正则表达式遍历所述患者信息，得到所述多个症状信息。
其中，所述配置标签用于指示症状。
通过所述配置标签能够准确的解析出所述多个症状信息。
S15，根据所述待推荐用药、所述用药风险度、所述用药推荐量及所述目标症状信息生成所述用户患者的用药风险提示信息。
在本发明的至少一个实施例中，所述用药风险提示信息用于提示所述用户患者对所述待推荐用药的使用情况。
需要强调的是，为进一步保证上述用药风险提示信息的私密和安全性，上述用药风险提示信息还可以存储于一区块链的节点中。
在本发明的至少一个实施例中，所述电子设备根据所述待推荐用药、所述用药风险度、所述用药推荐量及所述目标症状信息生成所述用户患者的用药风险提示信息包括：
将所述用药推荐量及所述目标症状信息输入至预先训练好的药量风险检测模型中，得到药量风险度；
根据预设权值对所述用药风险度及所述药量风险度进行处理，得到风险等级；
根据所述风险等级从模板库中获取目标模板；
将所述待推荐用药及所述用药推荐量写入所述目标模板中，得到所述用药风险提示信息。
其中，所述药量风险检测模型用于结合所述目标症状信息分析所述用药推荐量是否合理。所述药量风险检测模型是根据长短期记忆网络(Long Short-Term Memory，LSTM)训练生成的。
所述预设权值是根据药品及药量对风险提示的影响程度确定的，例如，药品对风险提示的影响程度越高，则药品所对应的预设权值也越高。
所述风险等级用于指示所述用户患者使用所述待推荐用药的提示程度。所述风险等级与所述目标模板的模板颜色相对应。例如，所述风险等级为：高，则所述目标模型的颜色为：红色。
所述模板库中存储有不同等级所对应的模板。
例如，所述用药风险度为60，所述药量风险度为40，所述用药风险度所对应的预设权值为0.8，则所述药量风险度所对应的预设权值为0.2，经计算，目标风险分数：60*0.8+40*0.2＝56，根据所述目标风险分数56确定出风险等级为中级，根据中级从模板库中获取到带黄色的目标模板，该目标模板可以为：()对您的健康具有一定幅度的影响，风险等级为中级。若所述待推荐用药为：布洛芬，用药推荐量为：每天三颗，则所述用药风险提示信息可以是：(布洛芬每天三颗)对您的健康具有一定幅度的影响，风险等级为中级。
通过所述预设权值能够准确的确定出所述风险等级，进而通过所述风险等级获取所述目标模板，能够提高所述用药风险提示信息的直观性。
由以上技术方案可以看出，本发明结合所述患者信息及所述待推荐用药在所述药品知识库中进行推理，能够准确的获取到所述目标信息，进而基于所述风险预测模型分析所述目标信息，由于无需对所有患者信息进行分析，不仅提高了所述用药风险度的生成效率，还避免了其余无关信息对所述用药风险度的干扰，提高了所述用药风险度的生成准确性，进一步地，在所述用药风险度小于所述预设风险度时，结合所述目标症状信息对所述用药推荐量进行进一步的分析，能够从所述用户患者的症状及属性上准确的进行用药风险检测。
如图2所示，是本发明基于人工智能的用药风险检测装置的较佳实施例的功能模块图。所述基于人工智能的用药风险检测装置11包括获取单元110、推理单元111、分析单元112、接收单元113、解析单元114、生成单元115、处理单元116、计算单元117、确定单元118、输入单元119、构建单元120、训练单元121、调整单元122、划分单元123及裁剪单元124。本发明所称的模块/单元是指一种能够被处理器13所获取，并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
当接收到风险检测请求时，获取单元110根据所述风险检测请求获取用户患者的患者信息，并根据所述风险检测请求获取待推荐用药。
在本发明的至少一个实施例中，所述风险检测请求中携带的信息包括：数据信息及地址信息等。
所述患者信息包括所述用户患者的基础信息及诊断信息，所述基础信息是指所述用户患者的客观事实信息，例如，所述基础信息可以包括：性别、年龄等，所述诊断信息是指医护人员对所述用户患者进行诊断后所得到的信息，例如，所述诊断信息可以包括：高血压。
所述待推荐用药是指医护人员对所述用户患者进行诊断后所提供的药品。
在本发明的至少一个实施例中，所述获取单元110根据所述风险检测请求获取用户患者的患者信息包括：
解析所述风险检测请求的报文，得到所述报文携带的数据信息；
从所述数据信息中提取所述用户患者的绑定设备信息及患者识别码；
根据所述患者识别码及预设标签生成信息获取请求，并将所述信息获取请求发送至所述绑定设备信息所对应的目标设备中；
在预设时间间隔后，若接收到所述目标设备基于所述信息获取请求的授权结果，从所述授权结果中提取授权密钥，并基于所述授权密钥从预设区块链中获取所述患者信息。
其中，所述报文是指所述风险检测请求的主体部分。
所述数据信息包括，但不限于：所述绑定设备信息、所述患者识别码等。
所述绑定设备信息用于指示与所述用户患者具有绑定关系的目标设备所对应的设备信息。例如，所述用户患者为小明，所述绑定设备信息可以是大明的手机号码，所述绑定设备信息也可以是小明的手机号码。
所述患者识别码用于唯一指示所述用户患者，本发明对所述患者识别码的具体表现形式不作限定。例如，所述患者识别码可以是所述用户患者的身份证号，所述患者识别码还可以是所述用户患者的就诊医院、就诊科室、就诊日期及就诊编号生成的识别码。
所述预设标签用于指示所述用户患者的基础信息及诊断信息。
所述预设时间间隔是根据多个设备接收请求并生成反馈结果的平均时间确定的。例如，该平均时间为10分钟，则所述预设时间间隔是指10分钟后。
所述预设区块链中存储有多个不同密钥与不同信息的映射关系。
通过上述实施方式，通过向所述目标设备发送生成的所述信息获取请求，能够确保所述患者信息的获取合法性，进一步地，通过所述授权密钥从所述预设区块链中获取所述患者信息，不仅能够避免所述患者信息被盗取，还能提高所述患者信息的获取准确性。
在本发明的至少一个实施例中，所述获取单元110根据所述风险检测请求获取待推荐用药包括：
解析所述风险检测请求的报文头，得到所述报文头携带的地址信息；
从所述地址信息中提取所述风险检测请求的生成地址，并将与所述生成地址所对应的系统确定为所述风险检测请求的生成系统；
获取所述风险检测请求的发送时间及请求标识；
根据所述发送时间及所述请求标识从所述生成系统的日志库中筛选出目标日志，并从所述目标日志中提取生成所述风险检测请求的界面编码；
基于预设药品标签从与所述界面编码所对应的界面中获取所述待推荐用药。
其中，所述地址信息包括所述风险检测请求的生成地址、所述风险检测请求的发送地址、所述风险检测请求的接收地址。
所述发送时间是指所述生成系统将所述风险检测请求发送给所述电子设备的时间。
所述请求标识用于唯一指示所述风险检测请求。
所述目标日志中记录了所述生成系统向所述电子设备发送所述风险检测请求的事件。
所述预设药品标签是指所述生成界面中与用药对应的标签。例如。所述预设药品标签可以是药品名称。
通过所述发送时间及所述请求标识能够从所述日志库中准确的筛选出所述目标日志，从而根据所述目标信息提高了所述待推荐用户的获取准确性。
推理单元111根据所述患者信息及所述待推荐用药在预先构建好的药品知识库中进行知识推理，得到与所述用户患者对应的目标信息。
在本发明的至少一个实施例中，所述药品知识库中存储有不同药品在多个类别标签上的检测结果，例如，药品A：【年龄禁忌标签-老年人禁用，人群禁忌标签-孕妇慎用，疾病禁忌标签-高血压禁用】。
所述目标信息是指与所述患者信息匹配成功的药品信息。例如，所述药品信息为药品A：【年龄禁忌标签-老年人禁用，人群禁忌标签-孕妇慎用，疾病禁忌标签-高血压禁用】，所述推理信息为：该患者属于老年人，则所述目标信息为：年龄禁忌标签-老年人禁用。
在本发明的至少一个实施例中，在根据所述患者信息及所述待推荐用药在预先构建好的药品知识库中进行知识推理，得到与所述用户患者对应的目标信息之前，所述获取单元110获取药品说明文本，并从所述药品说明文本中提取待分析药名；
处理单元116对所述药品说明文本进行分句处理，得到多个文本语句，并对每个文本语句进行分词处理，得到每个文本语句的语句分词；
计算单元117计算每个语句分词与预设关键词汇的词汇相似度；
确定单元118将所述词汇相似度大于预设相似度阈值的语句分词确定为目标分词，并将所述目标分词所在的文本语句确定为目标语句；
生成单元115根据所述目标语句中的语句分词生成所述目标语句的表征向量；
输入单元119将所述表征向量输入至预先训练好的类别检测模型，得到所述待分析药名在多个类别标签上的检测结果；
构建单元120根据所述待分析药名、所述多个类别标签及多个所述检测结果构建所述药品知识库。
其中，所述药品说明文本可以是任意药品的药品说明书。
所述待分析药品是指所述药品说明文本中所描述的药品。本发明对所述待分析药品不作限制，例如，所述待分析药品可以是阿莫西林胶囊。
所述预设关键词汇用于指示文本中需要重点关注的词汇，例如，所述预设关键词汇可以包括：禁忌、用法用量、不良反应等。
所述预设相似度阈值可以根据需求设定，所述预设相似度阈值一般设置为60％-90％。例如，所述预设相似度阈值可以设置为80％。
所述类别检测模型包括类别全连接网络及激活层网络。
所述类别标签包括，但不限于：年龄类别、人群类别、疾病类别等。
通过上述实施方式，能够选取出与所述预设关键词汇相似的语句分词作为所述目标分词，提高所述目标分词的全面性，从而提高所述药品知识库的构建全面性，同时，能够从所述多个文本语句中筛选出所述目标语句，避免对所述药品说明文本中所有文本语句进行分析，提高所述药品知识库的构建效率。此外，通过所述类别检测模型能够准确的检测出所述待分析药品在所述多个类别标签上的检测结果，提高所述药品知识库的构建准确性。
具体地，所述处理单元116对所述药品说明文本进行分句处理，得到多个文本语句包括：
从所述药品说明文本中提取多个文本符号，并将与预设符匹配成功的文本符号确定为目标符号；
根据所述目标符号切分所述药品说明文本，得到所述多个文本语句。
其中，所述预设符可以包括：“。”、“！”等表示句子终结的标识。
具体地，所述处理单元116对每个文本语句进行分词处理，得到每个文本语句的语句分词包括：
根据预设词典切分所述文本语句，得到多个切分路径及每个切分路径的路径分词；
根据所述路径分词在所述预设词典中的词汇权值计算每个切分路径的路径分数；
将所述路径分数最高的切分路径确定为目标路径，并将所述目标路径所对应的路径分词确定为所述语句分词。
其中，所述预设词典中存储有多个自定义词汇及每个自定义词汇的权值，该权值是根据每个词汇在多个文本中的词频确定的。
通过上述实施方式，能够准确的确定出所述路径分数，从而提高所述文本语句的切分准确性。
在本发明的至少一个实施例中，在将所述表征向量输入至预先训练好的类别检测模型，得到所述待分析药名在多个类别标签上的检测结果之前，所述获取单元110获取历史文本数据；
所述输入单元119将所述历史文本数据输入到遗忘门层进行遗忘处理，得到文本表征数据；
划分单元123划分所述文本表征数据，得到训练文本数据及验证文本数据；
训练单元121训练所述训练文本数据，得到学习器；
调整单元122根据所述验证文本数据调整所述学习器，直至所述学习器的损失值不再降低，得到所述类别检测模型。
其中，所述文本表征数据用于表征所述历史文本数据。
所述损失值是根据所述学习器对所述验证文本数据的预测结果与所述验证文本数据的标注结果确定的。
通过所述历史文本数据进行全量训练，能够提高所述类别检测模型的准确性。
在本发明的至少一个实施例中，所述推理单元111根据所述患者信息及所述待推荐用药在预先构建好的药品知识库中进行知识推理，得到与所述用户患者对应的目标信息包括：
从所述药品知识库中筛选出所述待推荐用药的药品信息；
根据所述药品信息所对应的属性标签提取所述患者信息的特征信息；
对所述特征信息进行知识推理，得到所述用户患者的推理信息；
将所述推理信息与所述药品信息进行对比，并将与所述推理信息匹配成功的药品信息作为目标信息。
其中，所述药品信息是指所述药品知识库中与所述待推荐用药相对应的信息。
所述属性标签是指所述待分析药品中具有禁忌的类别标签。
所述特征信息是指与所述属性标签及所述属性标签的相似标签相对应的患者信息。
所述推理信息是指与所述特征信息中的实体对象相关联，且包含有所述特征信息的实体信息。
通过所述药品信息所对应的属性标签提取到所述特征信息，由于无需对所有患者信息进行分析，因此，能够提高所述特征信息的推理效率，从而提高所述目标信息的生成效率。此外，通过对所述特征信息进行知识推理，能够提高所述推理信息对所述用户患者在所述属性标签上的表征准确性，从而能够准确的生成所述目标信息。
具体地，所述推理单元111从所述药品知识库中筛选出所述待推荐用药的药品信息包括：
获取所述待推荐用药的药品编码；
从所述药品知识库中获取与所述药品编码对应的信息作为所述药品信息。
具体地，所述多个类别标签包括所述属性标签，所述推理单元111根据所述药品信息所对应的属性标签提取所述患者信息的特征信息包括：
分析所述药品信息在每个类别标签上的类别语义；
计算所述类别语义与预设语义的语义匹配度；
将所述语义匹配度大于预设匹配度阈值的类别语义所对应的类别标签确定为所述属性标签；
将所述属性标签及所述属性标签的相似标签确定为目标标签；
基于所述目标标签从所述患者信息中提取所述特征信息。
其中，所述预设语义用于指示文本在该类别标签上没有禁忌。
所述语义匹配度可以是指所述类别语义与所述预设语义的相似度。
所述相似标签是指与所述属性标签语义相近的标签。
通过对所述药品信息的类别语义的分析，进而基于所述类别语义确定所述属性标签，能够提高所述属性标签的准确性，同时，通过在所述目标标签中加入所述相似标签，避免与所述相似标签对应的患者信息无法被提取，从而提高所述特征信息的提取全面性。
具体地，所述特征信息包括所述用户患者的基础信息及诊断信息，所述推理单元111对所述特征信息进行知识推理，得到所述用户患者的推理信息包括：
提取所述特征信息中的实体对象；
从预设图谱中获取所述实体对象的关联实体，并获取所述关联实体的实体信息；
将与所述特征信息匹配的实体信息确定为所述推理信息。
其中，所述实体对象是指所述特征信息中的具体对象，例如，所述实体对象可以是：孕中期。
所述预设图谱中存储有多个实体的实体关系。
所述关联实体是指与所述实体对象相关联的实体，例如，所述实体对象为：孕中期，则所述关联实体可以为：孕妇。
所述实体信息是指表征所述关联实体的信息。
例如，所述实体对象是：75岁，从预设图谱中获取到关联实体为：年龄，所述关联实体“年龄”的实体信息为：年龄大于65岁属于老年，年龄小于14岁属于儿童，则所述推理信息为：该患者属于老年人。
通过上述实施方式，能够快速获取到所述关联实体，进而根据所述关联实体的实体信息与所述特征信息的比较，能够准确的确定出所述推理信息。
分析单元112基于预先训练好的风险预测模型分析所述目标信息，得到所述待推荐用药的用药风险度。
在本发明的至少一个实施例中，所述风险预测模型用于结合所述目标信息对所述待推荐用药的风险影响程度的预测。
所述用药风险度是指所述待推荐用药对所述用户患者的风险影响程度。
在本发明的至少一个实施例中，在基于预先训练好的风险预测模型分析所述目标信息，得到所述待推荐用药的用药风险度之前，所述构建单元120基于多个预设卷积层及预设全连接层构建预测学习器；
所述获取单元110获取药品禁忌数据及所述药品禁忌数据的禁忌标注等级；
所述调整单元122根据所述药品禁忌数据及所述禁忌标注等级调整所述预测学习器，直至所述预测学习器的第一损失函数不再降低，得到预测初始模型；
所述处理单元116从所述预测初始模型中获取所有模型卷积层，并基于灰色关联分析算法对所述所有模型卷积层进行重要度的量化处理，得到每个模型卷积层的重要度量化值；
裁剪单元124根据所述重要度量化值对所述预测初始模型进行裁剪，得到裁剪模型；
所述调整单元122根据所述药品禁忌数据及所述禁忌标注等级调整所述裁剪模型，直至所述裁剪模型的第二损失函数不再降低，得到所述风险预测模型。
其中，所述多个预设卷积层中的卷积核大小都是预先设定好的。
若所述用药风险度小于预设风险度，接收单元113接收对所述待推荐用药的用药推荐量。
在本发明的至少一个实施例中，所述预设风险度是根据实际风险容忍度确定的。所述用药推荐量可以是医护人员针对所述待推荐用药所开处的用药量。
本实施例中，在所述用药风险度小于所述预设风险度时，结合所述用药推荐量对所述待推荐用药的风险进行分析，能够提高用药提示的准确性。
在本发明的至少一个实施例中，若所述用药风险度大于所述预设风险度，根据所述用药风险度生成警告信息。
解析单元114根据所述待推荐用药解析所述患者信息，得到所述用户患者的目标症状信息。
在本发明的至少一个实施例中，所述目标症状信息是指所述患者信息中与所述待推荐用药匹配的症状信息。
在本发明的至少一个实施例中，所述解析单元114根据所述待推荐用药解析所述患者信息，得到所述用户患者的目标症状信息包括：
解析所述患者信息，得到所述用户患者的多个症状信息；
获取所述待推荐用药的适应症状；
比较所述适应症状与每个症状信息，并将与所述适应症状匹配成功的症状信息确定为所述目标症状信息。
其中，所述适应症状是指与所述待推荐用药相匹配的症状信息。
通过所述待推荐用药对所述患者信息进行解析，能够提高所述目标症状信息的解析准确性。
具体地，所述解析单元114解析所述患者信息，得到所述用户患者的多个症状信息包括：
根据配置标签生成正则表达式；
基于所述正则表达式遍历所述患者信息，得到所述多个症状信息。
其中，所述配置标签用于指示症状。
通过所述配置标签能够准确的解析出所述多个症状信息。
所述生成单元115根据所述待推荐用药、所述用药风险度、所述用药推荐量及所述目标症状信息生成所述用户患者的用药风险提示信息。
在本发明的至少一个实施例中，所述用药风险提示信息用于提示所述用户患者对所述待推荐用药的使用情况。
需要强调的是，为进一步保证上述用药风险提示信息的私密和安全性，上述用药风险提示信息还可以存储于一区块链的节点中。
在本发明的至少一个实施例中，所述生成单元115根据所述待推荐用药、所述用药风险度、所述用药推荐量及所述目标症状信息生成所述用户患者的用药风险提示信息包括：
将所述用药推荐量及所述目标症状信息输入至预先训练好的药量风险检测模型中，得到药量风险度；
根据预设权值对所述用药风险度及所述药量风险度进行处理，得到风险等级；
根据所述风险等级从模板库中获取目标模板；
将所述待推荐用药及所述用药推荐量写入所述目标模板中，得到所述用药风险提示信息。
其中，所述药量风险检测模型用于结合所述目标症状信息分析所述用药推荐量是否合理。所述药量风险检测模型是根据长短期记忆网络(Long Short-Term Memory，LSTM)训练生成的。
所述预设权值是根据药品及药量对风险提示的影响程度确定的，例如，药品对风险提示的影响程度越高，则药品所对应的预设权值也越高。
所述风险等级用于指示所述用户患者使用所述待推荐用药的提示程度。所述风险等级与所述目标模板的模板颜色相对应。例如，所述风险等级为：高，则所述目标模型的颜色为：红色。
所述模板库中存储有不同等级所对应的模板。
例如，所述用药风险度为60，所述药量风险度为40，所述用药风险度所对应的预设权值为0.8，则所述药量风险度所对应的预设权值为0.2，经计算，目标风险分数：60*0.8+40*0.2＝56，根据所述目标风险分数56确定出风险等级为中级，根据中级从模板库中获取到带黄色的目标模板，该目标模板可以为：()对您的健康具有一定幅度的影响，风险等级为中级。若所述待推荐用药为：布洛芬，用药推荐量为：每天三颗，则所述用药风险提示信息可以是：(布洛芬每天三颗)对您的健康具有一定幅度的影响，风险等级为中级。
通过所述预设权值能够准确的确定出所述风险等级，进而通过所述风险等级获取所述目标模板，能够提高所述用药风险提示信息的直观性。
由以上技术方案可以看出，本发明结合所述患者信息及所述待推荐用药在所述药品知识库中进行推理，能够准确的获取到所述目标信息，进而基于所述风险预测模型分析所述目标信息，由于无需对所有患者信息进行分析，不仅提高了所述用药风险度的生成效率，还避免了其余无关信息对所述用药风险度的干扰，提高了所述用药风险度的生成准确性，进一步地，在所述用药风险度小于所述预设风险度时，结合所述目标症状信息对所述用药推荐量进行进一步的分析，能够从所述用户患者的症状及属性上准确的进行用药风险检测。
如图3所示，是本发明实现基于人工智能的用药风险检测方法的较佳实施例的电子设备的结构示意图。
在本发明的一个实施例中，所述电子设备1包括，但不限于，存储器12、处理器13，以及存储在所述存储器12中并可在所述处理器13上运行的计算机可读指令，例如基于人工智能的用药风险检测程序。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，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。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，所述处理器13是所述电子设备1的运算核心和控制中心，利用各种接口和线路连接整个电子设备1的各个部分，及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
示例性的，所述计算机可读指令可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该计算机可读指令段用于描述所述计算机可读指令在所述电子设备1中的执行过程。例如，所述计算机可读指令可以被分割成获取单元110、推理单元111、分析单元112、接收单元113、解析单元114、生成单元115、处理单元116、计算单元117、确定单元118、输入单元119、构建单元120、训练单元121、调整单元122、划分单元123及裁剪单元124。
所述存储器12可用于存储所述计算机可读指令和/或模块，所述处理器13通过运行或执行存储在所述存储器12内的计算机可读指令和/或模块，以及调用存储在存储器12内的数据，实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。存储器12可以包括非易失性和易失性存储器，例如：硬盘、内存、插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地，所述存储器12可以是具有实物形式的存储器，如内存条、TF卡(Trans-flash Card)等等。
所述电子设备1集成的模块/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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一计算机可读存储介质中，该计算机可读指令在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机可读指令包括计算机可读指令代码，所述计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机可读指令代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)。
本发明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。
结合图1，所述电子设备1中的所述存储器12存储计算机可读指令实现一种基于人工智能的用药风险检测方法，所述处理器13可执行所述计算机可读指令从而实现：
当接收到风险检测请求时，根据所述风险检测请求获取用户患者的患者信息，并根据所述风险检测请求获取待推荐用药；
根据所述患者信息及所述待推荐用药在预先构建好的药品知识库中进行知识推理，得到与所述用户患者对应的目标信息；
基于预先训练好的风险预测模型分析所述目标信息，得到所述待推荐用药的用药风险度；
若所述用药风险度小于预设风险度，接收对所述待推荐用药的用药推荐量；
根据所述待推荐用药解析所述患者信息，得到所述用户患者的目标症状信息；
根据所述待推荐用药、所述用药风险度、所述用药推荐量及所述目标症状信息生成所述用户患者的用药风险提示信息。
具体地，所述处理器13对上述计算机可读指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，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，所述模块的划分，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。
所述计算机可读存储介质上存储有计算机可读指令，其中，所述计算机可读指令被处理器13执行时用以实现以下步骤：
当接收到风险检测请求时，根据所述风险检测请求获取用户患者的患者信息，并根据所述风险检测请求获取待推荐用药；
根据所述患者信息及所述待推荐用药在预先构建好的药品知识库中进行知识推理，得到与所述用户患者对应的目标信息；
基于预先训练好的风险预测模型分析所述目标信息，得到所述待推荐用药的用药风险度；
若所述用药风险度小于预设风险度，接收对所述待推荐用药的用药推荐量；
根据所述待推荐用药解析所述患者信息，得到所述用户患者的目标症状信息；
根据所述待推荐用药、所述用药风险度、所述用药推荐量及所述目标症状信息生成所述用户患者的用药风险提示信息。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块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，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。所述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于人工智能的用药风险检测方法，其特征在于，所述基于人工智能的用药风险检测方法包括：
当接收到风险检测请求时，根据所述风险检测请求获取用户患者的患者信息，并根据所述风险检测请求获取待推荐用药；
根据所述患者信息及所述待推荐用药在预先构建好的药品知识库中进行知识推理，得到与所述用户患者对应的目标信息；
基于预先训练好的风险预测模型分析所述目标信息，得到所述待推荐用药的用药风险度；
若所述用药风险度小于预设风险度，接收对所述待推荐用药的用药推荐量；
根据所述待推荐用药解析所述患者信息，得到所述用户患者的目标症状信息；
根据所述待推荐用药、所述用药风险度、所述用药推荐量及所述目标症状信息生成所述用户患者的用药风险提示信息。
2.如权利要求1所述的基于人工智能的用药风险检测方法，其特征在于，在根据所述患者信息及所述待推荐用药在预先构建好的药品知识库中进行知识推理，得到与所述用户患者对应的目标信息之前，所述方法还包括：
获取药品说明文本，并从所述药品说明文本中提取待分析药名；
对所述药品说明文本进行分句处理，得到多个文本语句，并对每个文本语句进行分词处理，得到每个文本语句的语句分词；
计算每个语句分词与预设关键词汇的词汇相似度；
将所述词汇相似度大于预设相似度阈值的语句分词确定为目标分词，并将所述目标分词所在的文本语句确定为目标语句；
根据所述目标语句中的语句分词生成所述目标语句的表征向量；
将所述表征向量输入至预先训练好的类别检测模型，得到所述待分析药名在多个类别标签上的检测结果；
根据所述待分析药名、所述多个类别标签及多个所述检测结果构建所述药品知识库。
3.如权利要求2所述的基于人工智能的用药风险检测方法，其特征在于，所述根据所述患者信息及所述待推荐用药在预先构建好的药品知识库中进行知识推理，得到与所述用户患者对应的目标信息包括：
从所述药品知识库中筛选出所述待推荐用药的药品信息；
根据所述药品信息所对应的属性标签提取所述患者信息的特征信息；
对所述特征信息进行知识推理，得到所述用户患者的推理信息；
将所述推理信息与所述药品信息进行对比，并将与所述推理信息匹配成功的药品信息作为目标信息。
4.如权利要求3所述的基于人工智能的用药风险检测方法，其特征在于，所述多个类别标签包括所述属性标签，所述根据所述药品信息所对应的属性标签提取所述患者信息的特征信息包括：
分析所述药品信息在每个类别标签上的类别语义；
计算所述类别语义与预设语义的语义匹配度；
将所述语义匹配度大于预设匹配度阈值的类别语义所对应的类别标签确定为所述属性标签；
将所述属性标签及所述属性标签的相似标签确定为目标标签；
基于所述目标标签从所述患者信息中提取所述特征信息。
5.如权利要求1所述的基于人工智能的用药风险检测方法，其特征在于，在基于预先训练好的风险预测模型分析所述目标信息，得到所述待推荐用药的用药风险度之前，所述方法还包括：
基于多个预设卷积层及预设全连接层构建预测学习器；
获取药品禁忌数据及所述药品禁忌数据的禁忌标注等级；
根据所述药品禁忌数据及所述禁忌标注等级调整所述预测学习器，直至所述预测学习器的第一损失函数不再降低，得到预测初始模型；
从所述预测初始模型中获取所有模型卷积层，并基于灰色关联分析算法对所述所有模型卷积层进行重要度的量化处理，得到每个模型卷积层的重要度量化值；
根据所述重要度量化值对所述预测初始模型进行裁剪，得到裁剪模型；
根据所述药品禁忌数据及所述禁忌标注等级调整所述裁剪模型，直至所述裁剪模型的第二损失函数不再降低，得到所述风险预测模型。
6.如权利要求1所述的基于人工智能的用药风险检测方法，其特征在于，所述根据所述待推荐用药解析所述患者信息，得到所述用户患者的目标症状信息包括：
解析所述患者信息，得到所述用户患者的多个症状信息；
获取所述待推荐用药的适应症状；
比较所述适应症状与每个症状信息，并将与所述适应症状匹配成功的症状信息确定为所述目标症状信息。
7.如权利要求1所述的基于人工智能的用药风险检测方法，其特征在于，所述根据所述待推荐用药、所述用药风险度、所述用药推荐量及所述目标症状信息生成所述用户患者的用药风险提示信息包括：
将所述用药推荐量及所述目标症状信息输入至预先训练好的药量风险检测模型中，得到药量风险度；
根据预设权值对所述用药风险度及所述药量风险度进行处理，得到风险等级；
根据所述风险等级从模板库中获取目标模板；
将所述待推荐用药及所述用药推荐量写入所述目标模板中，得到所述用药风险提示信息。
8.一种基于人工智能的用药风险检测装置，其特征在于，所述基于人工智能的用药风险检测装置包括：
获取单元，用于当接收到风险检测请求时，根据所述风险检测请求获取用户患者的患者信息，并根据所述风险检测请求获取待推荐用药；
推理单元，用于根据所述患者信息及所述待推荐用药在预先构建好的药品知识库中进行知识推理，得到与所述用户患者对应的目标信息；
分析单元，用于基于预先训练好的风险预测模型分析所述目标信息，得到所述待推荐用药的用药风险度；
接收单元，用于若所述用药风险度小于预设等级，接收对所述待推荐用药的用药推荐量；
解析单元，用于根据所述待推荐用药解析所述患者信息，得到所述用户患者的目标症状信息；
生成单元，用于根据所述待推荐用药、所述用药风险度、所述用药推荐量及所述目标症状信息生成所述用户患者的用药风险提示信息。
9.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储有计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现如权利要求1至7中任意一项所述的基于人工智能的用药风险检测方法。
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中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的基于人工智能的用药风险检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111014482.2A CN113724830B (zh) | 2021-08-31 | 2021-08-31 | 基于人工智能的用药风险检测方法及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111014482.2A CN113724830B (zh) | 2021-08-31 | 2021-08-31 | 基于人工智能的用药风险检测方法及相关设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113724830A true CN113724830A (zh) | 2021-11-30 |
| CN113724830B CN113724830B (zh) | 2024-04-30 |
Family
ID=78679983
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111014482.2A Active CN113724830B (zh) | 2021-08-31 | 2021-08-31 | 基于人工智能的用药风险检测方法及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113724830B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114822877A (zh) * | 2022-06-21 | 2022-07-29 | 阿里健康科技(杭州)有限公司 | 信息显示方法、问诊装置 |
| CN115631871A (zh) * | 2022-12-22 | 2023-01-20 | 北京大学第三医院（北京大学第三临床医学院） | 一种药物相互作用等级的确定方法和装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107341345A (zh) * | 2017-06-22 | 2017-11-10 | 厦门大学 | 一种基于电子病历大数据的临床合理用药风险评估方法 |
| CN109637612A (zh) * | 2018-10-31 | 2019-04-16 | 北京春雨天下软件有限公司 | 一种用药禁忌提示方法、服务器、终端、设备及可读介质 |
| CN110377755A (zh) * | 2019-07-03 | 2019-10-25 | 江苏省人民医院（南京医科大学第一附属医院） | 基于药品说明书的合理用药知识图谱构建方法 |
| CN110647990A (zh) * | 2019-09-18 | 2020-01-03 | 无锡信捷电气股份有限公司 | 基于灰色关联分析的深度卷积神经网络模型的裁剪方法 |
| CN111695033A (zh) * | 2020-04-29 | 2020-09-22 | 平安科技（深圳）有限公司 | 企业舆情分析方法、装置、电子设备及介质 |
| CN111968715A (zh) * | 2020-06-30 | 2020-11-20 | 厦门大学 | 一种基于病历数据和药物相互作用风险的药物推荐建模方法 |
| 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 |
| CN112735566A (zh) * | 2020-12-28 | 2021-04-30 | 武汉联影医疗科技有限公司 | 医学影像的管理方法、装置、计算机设备和存储介质 |
-
2021
- 2021-08-31 CN CN202111014482.2A patent/CN113724830B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107341345A (zh) * | 2017-06-22 | 2017-11-10 | 厦门大学 | 一种基于电子病历大数据的临床合理用药风险评估方法 |
| CN109637612A (zh) * | 2018-10-31 | 2019-04-16 | 北京春雨天下软件有限公司 | 一种用药禁忌提示方法、服务器、终端、设备及可读介质 |
| CN110377755A (zh) * | 2019-07-03 | 2019-10-25 | 江苏省人民医院（南京医科大学第一附属医院） | 基于药品说明书的合理用药知识图谱构建方法 |
| CN110647990A (zh) * | 2019-09-18 | 2020-01-03 | 无锡信捷电气股份有限公司 | 基于灰色关联分析的深度卷积神经网络模型的裁剪方法 |
| CN111695033A (zh) * | 2020-04-29 | 2020-09-22 | 平安科技（深圳）有限公司 | 企业舆情分析方法、装置、电子设备及介质 |
| CN111968715A (zh) * | 2020-06-30 | 2020-11-20 | 厦门大学 | 一种基于病历数据和药物相互作用风险的药物推荐建模方法 |
| CN112735566A (zh) * | 2020-12-28 | 2021-04-30 | 武汉联影医疗科技有限公司 | 医学影像的管理方法、装置、计算机设备和存储介质 |
| 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 (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114822877A (zh) * | 2022-06-21 | 2022-07-29 | 阿里健康科技(杭州)有限公司 | 信息显示方法、问诊装置 |
| CN115631871A (zh) * | 2022-12-22 | 2023-01-20 | 北京大学第三医院（北京大学第三临床医学院） | 一种药物相互作用等级的确定方法和装置 |
| CN115631871B (zh) * | 2022-12-22 | 2023-03-24 | 北京大学第三医院（北京大学第三临床医学院） | 一种药物相互作用等级的确定方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113724830B (zh) | 2024-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112700838A (zh) | 基于大数据的用药方案推荐方法、装置及相关设备 | |
| CN112015917A (zh) | 基于知识图谱的数据处理方法、装置及计算机设备 | |
| CN110289068A (zh) | 药品推荐方法及设备 | |
| CN111798941A (zh) | 用于生成临床查询的预测系统 | |
| CN113724830B (zh) | 基于人工智能的用药风险检测方法及相关设备 | |
| CN113707253B (zh) | 医疗方案推荐方法、装置、设备及介质 | |
| CN113707300A (zh) | 基于人工智能的搜索意图识别方法、装置、设备及介质 | |
| CN111985241A (zh) | 医学信息查询方法、装置、电子设备及介质 | |
| CN111883251A (zh) | 医疗误诊检测方法、装置、电子设备及存储介质 | |
| CN111986793A (zh) | 基于人工智能的导诊处理方法、装置、计算机设备及介质 | |
| CN113889074A (zh) | 语音生成方法、装置、设备及介质 | |
| US20220068443A1 (en) | Systems and Methods for Identifying Candidates for Clinical Trials | |
| WO2023029510A1 (zh) | 基于人工智能的远程问诊方法、装置、设备及介质 | |
| JP2022504508A (ja) | モデル支援型事象予測のためのシステム及び方法 | |
| CN113657086A (zh) | 词语处理方法、装置、设备及存储介质 | |
| CN112214588A (zh) | 多意图识别方法、装置、电子设备及存储介质 | |
| CN112435745A (zh) | 就诊策略推荐方法、装置、电子设备及存储介质 | |
| CN112258135A (zh) | 处方数据的审核方法、装置和计算机可读存储介质 | |
| CN116468043A (zh) | 嵌套实体识别方法、装置、设备及存储介质 | |
| CN113470775B (zh) | 信息采集方法、装置、设备及存储介质 | |
| CN115775635A (zh) | 基于深度学习模型的药品风险识别方法、装置及终端设备 | |
| CN115658858A (zh) | 基于人工智能的对话推荐方法及相关设备 | |
| CN112561714B (zh) | 基于nlp技术的核保风险预测方法、装置及相关设备 | |
| CN111967235B (zh) | 表单处理方法、装置、计算机设备及存储介质 | |
| EP4226383A1 (en) | A system and a way to automatically monitor clinical trials - virtual monitor (vm) and a way to record medical history |
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 |
Effective date of registration: 20220921 Address after: Room 2601 (Unit 07), Qianhai Free Trade Building, No. 3048, Xinghai Avenue, Nanshan Street, Qianhai Shenzhen-Hong Kong Cooperation Zone, Shenzhen, Guangdong 518000 Applicant after: Shenzhen Ping An Smart Healthcare Technology Co.,Ltd. Address before: 1-34 / F, Qianhai free trade building, 3048 Xinghai Avenue, Mawan, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong 518000 Applicant before: Ping An International Smart City Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |