CN113744867B - 一种药物推荐循证支持方法、装置、设备及存储介质 - Google Patents
一种药物推荐循证支持方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113744867B CN113744867B CN202111007773.9A CN202111007773A CN113744867B CN 113744867 B CN113744867 B CN 113744867B CN 202111007773 A CN202111007773 A CN 202111007773A CN 113744867 B CN113744867 B CN 113744867B
- Authority
- CN
- China
- Prior art keywords
- patient
- recommended
- target patient
- prescription
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000003814 drug Substances 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 229940079593 drug Drugs 0.000 title claims description 38
- 238000007477 logistic regression Methods 0.000 claims abstract description 42
- 238000012163 sequencing technique Methods 0.000 claims abstract description 33
- 238000004393 prognosis Methods 0.000 claims abstract description 31
- 230000015654 memory Effects 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 14
- 230000001419 dependent effect Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 description 11
- 238000013473 artificial intelligence Methods 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 230000035622 drinking Effects 0.000 description 8
- 230000000391 smoking effect Effects 0.000 description 8
- 229960000201 isosorbide dinitrate Drugs 0.000 description 6
- MOYKHGMNXAOIAT-JGWLITMVSA-N isosorbide dinitrate Chemical compound [O-][N+](=O)O[C@H]1CO[C@@H]2[C@H](O[N+](=O)[O-])CO[C@@H]21 MOYKHGMNXAOIAT-JGWLITMVSA-N 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 208000005718 Stomach Neoplasms Diseases 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 206010017758 gastric cancer Diseases 0.000 description 5
- 201000011549 stomach cancer Diseases 0.000 description 5
- BSYNRYMUTXBXSQ-UHFFFAOYSA-N Aspirin Chemical compound CC(=O)OC1=CC=CC=C1C(O)=O BSYNRYMUTXBXSQ-UHFFFAOYSA-N 0.000 description 4
- 229960001138 acetylsalicylic acid Drugs 0.000 description 4
- 239000002876 beta blocker Substances 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 230000003143 atherosclerotic effect Effects 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000019622 heart disease Diseases 0.000 description 3
- 206010002388 Angina unstable Diseases 0.000 description 2
- 229940127291 Calcium channel antagonist Drugs 0.000 description 2
- SNIOPGDIGTZGOP-UHFFFAOYSA-N Nitroglycerin Chemical compound [O-][N+](=O)OCC(O[N+]([O-])=O)CO[N+]([O-])=O SNIOPGDIGTZGOP-UHFFFAOYSA-N 0.000 description 2
- 239000000006 Nitroglycerin Substances 0.000 description 2
- 208000007718 Stable Angina Diseases 0.000 description 2
- 208000007814 Unstable Angina Diseases 0.000 description 2
- 206010000891 acute myocardial infarction Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 239000000480 calcium channel blocker Substances 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 229960003711 glyceryl trinitrate Drugs 0.000 description 2
- 201000004332 intermediate coronary syndrome Diseases 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 229940126585 therapeutic drug Drugs 0.000 description 2
- FJLGEFLZQAZZCD-MCBHFWOFSA-N (3R,5S)-fluvastatin Chemical compound C12=CC=CC=C2N(C(C)C)C(\C=C\[C@@H](O)C[C@@H](O)CC(O)=O)=C1C1=CC=C(F)C=C1 FJLGEFLZQAZZCD-MCBHFWOFSA-N 0.000 description 1
- 239000005541 ACE inhibitor Substances 0.000 description 1
- 206010002383 Angina Pectoris Diseases 0.000 description 1
- 229940127398 Angiotensin 2 Receptor Antagonists Drugs 0.000 description 1
- XUKUURHRXDUEBC-KAYWLYCHSA-N Atorvastatin Chemical compound C=1C=CC=CC=1C1=C(C=2C=CC(F)=CC=2)N(CC[C@@H](O)C[C@@H](O)CC(O)=O)C(C(C)C)=C1C(=O)NC1=CC=CC=C1 XUKUURHRXDUEBC-KAYWLYCHSA-N 0.000 description 1
- XUKUURHRXDUEBC-UHFFFAOYSA-N Atorvastatin Natural products C=1C=CC=CC=1C1=C(C=2C=CC(F)=CC=2)N(CCC(O)CC(O)CC(O)=O)C(C(C)C)=C1C(=O)NC1=CC=CC=C1 XUKUURHRXDUEBC-UHFFFAOYSA-N 0.000 description 1
- 239000005552 B01AC04 - Clopidogrel Substances 0.000 description 1
- 206010008479 Chest Pain Diseases 0.000 description 1
- 229940121710 HMGCoA reductase inhibitor Drugs 0.000 description 1
- 206010019375 Helicobacter infections Diseases 0.000 description 1
- PCZOHLXUXFIOCF-UHFFFAOYSA-N Monacolin X Natural products C12C(OC(=O)C(C)CC)CC(C)C=C2C=CC(C)C1CCC1CC(O)CC(=O)O1 PCZOHLXUXFIOCF-UHFFFAOYSA-N 0.000 description 1
- 229910002651 NO3 Inorganic materials 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 1
- TUZYXOIXSAXUGO-UHFFFAOYSA-N Pravastatin Natural products C1=CC(C)C(CCC(O)CC(O)CC(O)=O)C2C(OC(=O)C(C)CC)CC(O)C=C21 TUZYXOIXSAXUGO-UHFFFAOYSA-N 0.000 description 1
- RYMZZMVNJRMUDD-UHFFFAOYSA-N SJ000286063 Natural products C12C(OC(=O)C(C)(C)CC)CC(C)C=C2C=CC(C)C1CCC1CC(O)CC(=O)O1 RYMZZMVNJRMUDD-UHFFFAOYSA-N 0.000 description 1
- 108010023197 Streptokinase Proteins 0.000 description 1
- 102000003978 Tissue Plasminogen Activator Human genes 0.000 description 1
- 108090000373 Tissue Plasminogen Activator Proteins 0.000 description 1
- 102000003990 Urokinase-type plasminogen activator Human genes 0.000 description 1
- 108090000435 Urokinase-type plasminogen activator Proteins 0.000 description 1
- YWXYYJSYQOXTPL-JGWLITMVSA-N [(3r,3ar,6s,6as)-3-hydroxy-2,3,3a,5,6,6a-hexahydrofuro[3,2-b]furan-6-yl] nitrate Chemical compound [O-][N+](=O)O[C@H]1CO[C@@H]2[C@H](O)CO[C@@H]21 YWXYYJSYQOXTPL-JGWLITMVSA-N 0.000 description 1
- 238000013019 agitation Methods 0.000 description 1
- 239000002170 aldosterone antagonist Substances 0.000 description 1
- 229940083712 aldosterone antagonist Drugs 0.000 description 1
- 239000002333 angiotensin II receptor antagonist Substances 0.000 description 1
- 229940125364 angiotensin receptor blocker Drugs 0.000 description 1
- 229940044094 angiotensin-converting-enzyme inhibitor Drugs 0.000 description 1
- 229940127217 antithrombotic drug Drugs 0.000 description 1
- 229960005370 atorvastatin Drugs 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229940097320 beta blocking agent Drugs 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- GKTWGGQPFAXNFI-HNNXBMFYSA-N clopidogrel Chemical compound C1([C@H](N2CC=3C=CSC=3CC2)C(=O)OC)=CC=CC=C1Cl GKTWGGQPFAXNFI-HNNXBMFYSA-N 0.000 description 1
- 229960003009 clopidogrel Drugs 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009509 drug development Methods 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 229960003765 fluvastatin Drugs 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000003112 inhibitor Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- YWXYYJSYQOXTPL-SLPGGIOYSA-N isosorbide mononitrate Chemical compound [O-][N+](=O)O[C@@H]1CO[C@@H]2[C@@H](O)CO[C@@H]21 YWXYYJSYQOXTPL-SLPGGIOYSA-N 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 229960004844 lovastatin Drugs 0.000 description 1
- PCZOHLXUXFIOCF-BXMDZJJMSA-N lovastatin Chemical compound C([C@H]1[C@@H](C)C=CC2=C[C@H](C)C[C@@H]([C@H]12)OC(=O)[C@@H](C)CC)C[C@@H]1C[C@@H](O)CC(=O)O1 PCZOHLXUXFIOCF-BXMDZJJMSA-N 0.000 description 1
- QLJODMDSTUBWDW-UHFFFAOYSA-N lovastatin hydroxy acid Natural products C1=CC(C)C(CCC(O)CC(O)CC(O)=O)C2C(OC(=O)C(C)CC)CC(C)C=C21 QLJODMDSTUBWDW-UHFFFAOYSA-N 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 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
- 230000002093 peripheral effect Effects 0.000 description 1
- 229940012957 plasmin Drugs 0.000 description 1
- 229960002965 pravastatin Drugs 0.000 description 1
- TUZYXOIXSAXUGO-PZAWKZKUSA-N pravastatin Chemical compound C1=C[C@H](C)[C@H](CC[C@@H](O)C[C@@H](O)CC(O)=O)[C@H]2[C@@H](OC(=O)[C@@H](C)CC)C[C@H](O)C=C21 TUZYXOIXSAXUGO-PZAWKZKUSA-N 0.000 description 1
- 229940126532 prescription medicine Drugs 0.000 description 1
- 230000036454 renin-angiotensin system Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 229960002855 simvastatin Drugs 0.000 description 1
- RYMZZMVNJRMUDD-HGQWONQESA-N simvastatin Chemical compound C([C@H]1[C@@H](C)C=CC2=C[C@H](C)C[C@@H]([C@H]12)OC(=O)C(C)(C)CC)C[C@@H]1C[C@@H](O)CC(=O)O1 RYMZZMVNJRMUDD-HGQWONQESA-N 0.000 description 1
- 208000010110 spontaneous platelet aggregation Diseases 0.000 description 1
- 229960005202 streptokinase Drugs 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 229960003425 tirofiban Drugs 0.000 description 1
- COKMIXFXJJXBQG-NRFANRHFSA-N tirofiban Chemical compound C1=CC(C[C@H](NS(=O)(=O)CCCC)C(O)=O)=CC=C1OCCCCC1CCNCC1 COKMIXFXJJXBQG-NRFANRHFSA-N 0.000 description 1
- 229960005356 urokinase Drugs 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种药物推荐循证支持方法、装置、设备及存储介质，包括：利用药物推荐模型获取目标患者的推荐处方列表；获取所述目标患者的N位相似患者，N为正整数；获取所述N位相似患者的特征信息、处方信息及预后信息；根据所述N位相似患者的特征信息、处方信息及预后信息构建逻辑回归模型；利用所述逻辑回归模型对所述目标患者的推荐处方列表中的各推荐处方进行排序，得各推荐处方的排序结果；推荐所述各推荐处方的排序结果，完成药物推荐循证，该方法、装置、设备及存储介质能够准确对患者进行处方的推荐。
Description
技术领域
本发明属于医药以及智慧医疗技术领域，涉及一种药物推荐循证支持方法、装置、设备及存储介质。
背景技术
机器学习技术已经应用到医疗领域的方方面面，如辅助诊断、智能影像、药物研发、电子病历生成和药物推荐等。在推动机器学习在医疗保健领域更深入的同时，越来越多的人要求在医疗保健领域对基于机器学习和人工智能的系统进行监管和问责。对于医生来说，机器学习模型就是一个黑盒，可解释的机器学习模型可以帮助保持机器学习系统的安全性及可靠性。目前存在的关于机器学习可解释性的内容大多是关于模型内部结构，或者是给出全局的特征重要性排序，这些方式不是以用户为中心的解释内容，当药物推荐系统推荐出若干处方时，医生不知道对于当前患者，哪一个处方是最好的，哪一个处方更适合当前的患者，因此不能有理有据的准确针对当前患者进行处方的推荐，预后效果较差，继而不能帮助医生做出最终的决策，严重影响了人工智能在医疗领域的推广及应用。
发明内容
本发明的目的在于克服上述现有技术的缺点，提供了一种药物推荐循证支持方法、装置、设备及存储介质，该方法、装置、设备及存储介质能够准确对患者进行处方的推荐，以支持药物推荐循证。
为达到上述目的，本发明采用如下技术方案：
本发明一方面，本发明提供了药物推荐循证支持方法包括：
利用药物推荐模型获取目标患者的推荐处方列表；
确定所述目标患者的N位相似患者，N为正整数；
获取所述N位相似患者的特征信息、处方信息及预后信息；
根据所述N位相似患者的特征信息、处方信息及预后信息构建逻辑回归模型；
利用所述逻辑回归模型对所述目标患者的推荐处方列表中的各推荐处方进行排序，得到各推荐处方的排序结果；
推荐所述各推荐处方的排序结果，完成药物推荐循证。
本发明所述药物推荐循证支持方法进一步的改进在于：
所述利用药物推荐模型获取目标患者的推荐处方列表，包括：
建立药物推荐模型；
获取目标患者的特征信息；
将所述目标患者的特征信息输入到所述药物推荐模型中，得目标患者的推荐处方列表。
所述获取目标患者的N位相似患者的具体过程为：
利用欧式距离衡量目标患者的特征信息与历史数据中各患者的特征信息之间的相似度，选取相似度最大的N位患者作为目标患者的N位相似患者。
目标患者与历史数据中患者之间的欧式距离d(X,X')为：
其中，X,X'分别表示目标患者与历史数据中患者的特征信息对应的向量表示，目标患者的特征信息中特征的个数与历史数据中患者的特征信息中特征的个数均为n，Xi为目标患者的特征信息中的第i个特征对应的向量表示，X'i为历史数据中患者的特征信息中的第i个特征对应的向量表示。
所述根据所述相似患者的特征、处方信息及预后信息构建逻辑回归模型，包括：
以相似患者的处方为自变量T，以相似患者的预后信息为因变量Y，以相似患者的特征信息为协调变量X，建立所述逻辑回归模型。
建立的所述逻辑回归模型为：
其中，Z为T与X的并集，β为回归系数。
所述利用所述逻辑回归模型对所述目标患者的推荐处方列表中的各推荐处方进行排序，包括：
将所述目标患者的特征信息以及所述目标患者的推荐处方列表中的各推荐处方分别输入到所述逻辑回归模型中，得所述目标患者的推荐处方列表中各推荐处方对应的因变量Y，按照所述因变量Y的大小对所述目标患者的推荐处方列表中各推荐处方进行排序。
本发明二方面，本发明提供了一种药物推荐循证支持装置，其特征在于，包括：
第一获取模块，用于利用药物推荐模型获取目标患者的推荐处方列表；
确定模块，用于确定目标患者的N位相似患者，N为正整数；
第二获取模块，用于获取所述N位相似患者的特征信息、处方信息及预后信息；
构建模块，用于根据所述N位相似患者的特征信息、处方信息及预后信息构建逻辑回归模型；
排序模块，用于利用所述逻辑回归模型对所述目标患者的推荐处方列表中的各推荐处方进行排序，得各推荐处方的排序结果；
推荐模块，用于推荐所述各推荐处方的排序结果，完成药物推荐循证支持。
本发明三方面，本发明提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述药物推荐循证支持方法的步骤。
本发明四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如所述药物推荐循证支持方法的步骤。
本发明具有以下有益效果：
本发明所述的药物推荐循证支持方法、装置、设备及存储介质在具体操作时，先获取目标患者的推荐处方列表，再确定目标患者的若干相似患者，然后根据相似患者的特征信息、处方信息及预后信息构建逻辑回归模型，最后利用所述逻辑回归模型对推荐处方列表中的各推荐处方进行排序，并推荐排序的结果，需要说明的是，本发明利用目标患者的相似患者的信息建立逻辑回归模型，并利用所述逻辑回归模型对推荐处方进行排序，使得医生能够根据排序结果针对目标患者更加准确的实现处方的选择，同时该处方的选择与相似患者的预后信息相对应，实现IA算法与医疗的相结合，提高处方推荐的准确性，以支持药物的推荐循证，操作简单、方便，实现人工智能学习与医疗的有机结合。
进一步，本发明利用欧式距离衡量目标患者与历史数据中各患者的特征信息之间的相似度，并以此确定目标患者的相似患者，操作方便、简单，并且可靠性较高。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明的原理图；
图2为本发明的流程图；
图3为本发明中利用药物推荐模型获取目标患者的推荐处方列表的流程图；
图4为本发明的结构示意图；
图5为本发明中第一获取模块1的结构示意图。
其中，1为第一获取模块、2为确定模块、3为第二获取模块、4为构建模块、5为推荐模块、6为排序模块、7为显示模块、11为建立模块、12为第三获取模块、13为运算模块。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面结合附图对本发明做进一步详细描述：
实施例一
参见图1及图2，本实施例中，提供了一种药物推荐循证支持方法，用于克服现有技术中仅依靠药物推荐模型推荐处方而造成的推荐不准确，以提高药物推荐的准确性，同时需要说明的是，本发明还解决了现有技术中不能进行药物推荐循证的问题，使得药物推荐有理有据，以提高药物推荐的准确性及预后效果，为此，提供一种依据相似患者的信息对药物推荐模型输出的推荐处方列表中的各推荐处方进行排序的药物推荐循证支持方法。
具体的，本发明所述的药物推荐循证支持方法，包括：
1)利用药物推荐模型获取目标患者的推荐处方列表；
2)确定目标患者的N位相似患者，N为正整数，且N大于等于2；
3)获取所述N位相似患者的特征信息、处方信息及预后信息；
相似患者的特征信息从历史数据或者医院电子病历中获取，所述相似患者的特征信息包括相似患者的性别、年龄、身高、体重、教育水平、吸烟史、饮酒史、既往病史、用药信息及主诉，其中，主诉即为患者向医生描述的自身状况，同时也可以包括患者通过检查得到的病灶状况以及医生观察患者得到的病灶状况。
4)根据所述N位相似患者的特征信息、处方信息及预后信息构建逻辑回归模型；
需要说明的是，logistic回归模型(逻辑回归模型)又称logistic回归分析模型，是一种广义的线性回归分析模型，常用于数据挖掘，疾病自动诊断，经济预测等领域。例如，探讨引发疾病的危险因素，并根据危险因素预测疾病发生的概率等。以胃癌病情分析为例，选择两组人群，一组是胃癌组，一组是非胃癌组，两组人群必定具有不同的体征与生活方式等。因此因变量就为是否胃癌，值为“是”或“否”，自变量就可以包括很多了，如年龄、性别、饮食习惯、幽门螺杆菌感染等。自变量既可以是连续的，也可以是分类的。然后通过logistic回归分析，可以得到自变量的权重，从而可以大致了解到底哪些因素是胃癌的危险因素。同时根据该权值可以根据危险因素预测一个人患癌症的可能性。
5)利用所述逻辑回归模型对所述目标患者的推荐处方列表中的各推荐处方进行排序，得各推荐处方的排序结果；
6)推荐各推荐处方的排序结果，完成药物推荐循证支持。
需要说明的是，本发明利用各相似患者的特征信息、处方信息及预后信息构建逻辑回归模型，再利用所述逻辑回归模型对目标患者的推荐处方列表中的各推荐处方进行排序，所述排序结果为进行排序后的推荐处方序列，为医生后续的处方选取提供循证，从而利用AI算法进行药物推荐，实现医疗与人工智能的相结合，以提高处方推荐的可靠性及准确性。
另外，本发明中循证的本意是基于证据的实践，其理念始于20世纪末发展起来的循证医学，指医生将当前所能获得的最佳研究证据与自身的专业技能及患者的价值观整合起来进行治疗。
例如，冠状动脉粥样硬化性心脏病，其治疗所用的药物包括：
a)硝酸酯类药物(硝酸甘油、硝酸异山梨酯、5-单硝酸异山梨酯、长效硝酸甘油制剂)；
b)抗血栓药物(阿司匹林、氯吡格雷(波立维)、替罗非班)；
c)纤溶药物(链激酶、尿激酶、组织型纤溶酶原激活剂)；
d)β-受体阻滞剂；
e)钙通道阻断剂；
f)肾素血管紧张素系统抑制剂(血管紧张素转换酶抑制剂(ACEI)、血管紧张素2受体拮抗剂(ARB)以及醛固酮拮抗剂)；
g)他汀类药物(洛伐他汀、普伐他汀、辛伐他汀、氟伐他汀、阿托伐他汀)。
针对冠状动脉粥样硬化性心脏病的患者，该目标患者的特征信息为男性、30岁、身高175cm、85kg、本科、无吸烟史、饮酒、无既往病史、无用药信息，该目标患者表示他经常在情绪激动时出现胸痛症状，偶尔出现急性心肌梗死及不稳定型心绞痛。
通过药物推荐模型获取该目标患者所需的推荐处方列表，针对冠状动脉粥样硬化性心脏病，所述推荐处方列表中包括β-受体阻滞剂、阿司匹林及硝酸异山梨酯；
通过历史数据或者医院电子病历获取四位相似患者，具体为：
第一位相似患者所用药为钙通道阻断剂，第一位患者的女性、60岁、身高160cm、70kg、本科、无吸烟史、无饮酒史、无既往病史及无用药信息，第一位相似患者表现出稳定型心绞痛，且治疗效果较好。
第二位相似患者所用药为β-受体阻滞剂，第二位相似患者的男性、35岁、身高170cm、80kg、本科、无吸烟史、饮酒、无既往病史及无用药信息，第二位相似患者表现出稳定型心绞痛，且治疗效果一般。
第三位相似患者所用药为阿司匹林，第三位相似患者的男性、70岁、身高180cm、65kg、小学学历、有吸烟史、饮酒、无既往病史及无用药信息，第二位相似患者表现出血小板聚集，且治疗效果较好。
第四位相似患者所用药为硝酸异山梨酯；第四位相似患者的男性、32岁、身高1650cm、70kg、专科学历、有吸烟史、有饮酒、无既往病史及无用药信息，第四位相似患者表现急性心肌梗死及不稳定型心绞痛，且治疗效果较好。
根据四位相似患者的特征信息、预后信息以及处方信息构建逻辑回归模型，再将当前患者(目标患者)的推荐处方列表中的各推荐处方输入到逻辑回归模型中，对推荐处方列表中的各推荐处方进行排序，最终的排序结果为硝酸异山梨酯、阿司匹林及β-受体阻滞剂；
最终医生根据排序的结果为目标患者推荐硝酸异山梨酯作为治疗药物，该结果显示处第四位相似患者与目标患者的特征信息最相近，其预后效果较好，因此能够预测到目标患者服用硝酸异山梨酯后，预后的效果应该是最好的，故医生推荐硝酸异山梨酯作为目标患者的治疗药物。
另外，向医生推荐处方的排序结果时，可以在处方的后面备注该处方对应相似患者的特征信息及预后信息，便于医生进行查阅及循证。
作为本实施例的优选方案：参考图3，步骤1)中，所述利用药物推荐模型获取目标患者的推荐处方列表的具体操作过程为：
11)建立药物推荐模型；
12)获取目标患者的特征信息；
其中，所述目标患者的特征信息包括目标患者的性别、年龄、身高、体重、教育水平、吸烟史、饮酒史、既往病史、用药信息及主诉，目标患者的特征信息通过目标患者的陈述、检查及医生的观察得到；
13)将目标患者的特征信息输入到药物推荐模型中，得目标患者的推荐处方列表。
所述药物推荐模型作为医疗领域与人工智能领域相结合的产物，建立的具体过程为：建立原始药物推荐模型，所述原始药物推荐模型可以为卷积神经网络模型，再利用多个患者的特征信息、处方信息及预后信息对原始药物推荐模型进行训练，然后将训练后的原始药物推荐模型作为最终的药物推荐模型，其中，药物推荐模型已经广泛应用于各大医院中，在使用时，医生只需将患者的特征信息输入到医院的药物推荐模型中，药物推荐模型即可向医生推荐针对该患者的多个处方药，以供医生参考。
作为本实施例的优选方案：步骤2)中，确定目标患者的N位相似患者的具体过程为：利用欧式距离衡量目标患者与历史数据中各患者的特征信息之间的相似度，选取相似度最大的N位患者作为目标患者的N位相似患者。
需要说明的是，欧几里得度量(euclidean metric)(也称欧氏距离)是指在m维空间中两个点之间的真实距离，或者向量的自然长度(即该点到原点的距离)，在二维和三维空间中的欧氏距离就是两点之间的实际距离。
本发明采用欧式距离来衡量目标患者与历史数据中各患者的特征信息之间的距离，其中，两个患者欧式距离d(X,X')为：
其中，X,X'分别表示目标患者与历史数据中患者的特征信息对应的向量表示，目标患者的特征信息中特征的个数与历史数据中患者的特征信息中特征的个数均为n，本发明中n具体可以为10，即包括性别、年龄、身高、体重、教育水平、吸烟史、饮酒史、既往病史、用药信息及主诉；Xi为目标患者的特征信息中的第i个特征对应的向量表示，X'i为历史数据中患者的特征信息中的第i个特征对应的向量表示。
即，在使用时，将目标患者与历史数据或者医院电子病历中各患者的具体特征向量相减后求平方，然后再累加后求根，得目标患者的特征信息与历史数据或者医院电子病历中各患者特征信息之间的欧式距离，选择欧式距离最小的N位患者最为目标患者的N位相似患者。
作为本实施例的优选方案：根据相似患者的特征信息、处方信息及预后信息构建逻辑回归模型，再利用逻辑回归模型对目标患者的推荐处方列表中的各推荐处方进行排序，得各推荐处方的排序结果，具体过程为：
以相似患者的处方信息为自变量T，以相似患者的预后信息为因变量Y，以相似患者的特征信息为协调变量X，建立逻辑回归模型，其中，所建立的逻辑回归模型为：
其中，Z为T与X的并集，β为回归系数。
再将所述目标患者的特征信息以及所述目标患者的推荐处方列表中的各推荐处方分别输入到所述逻辑回归模型中，得所述目标患者的推荐处方列表中各推荐处方对应的因变量Y，按照所述因变量Y的大小，由大到小对所述目标患者的推荐处方列表中各推荐处方进行排序，得各推荐处方的排序结果，然后将排序结果推荐给医生，随后进行显示，在显示时，自上到下根据排序结果依次显示各推荐处方，同时在各推荐处方所在行的后面显示各推荐处方对应的药效以及服用该处方的相似患者的特征信息及预后信息，以供医生参考，以支持药物的推荐循证。
最后需要说明的是，本发明可以支持任何一种基于机器学习的药物推荐模型，为药物推荐系统提供一种基于药物疗效的药物推荐排序方法，一方面能够作为可量化的排序指标，按照药物疗效从高到底排序，帮助医生做进一步选择；另一方面，可以作为评价指标验证药物推荐系统的结果，让医生能够衡量机器学习模型的推荐结果，从而决定是否采纳推荐系统的结果，当模型推荐的结果的药物疗效较吻合时，医生更有可能相信该推荐结果。
实施例二
参考图4，本发明所述的药物推荐循证支持装置，包括：
第一获取模块1，用于利用药物推荐模型获取目标患者的推荐处方列表；
确定模块2，用于获取目标患者的若干相似患者；
第二获取模块3，用于获取各相似患者的特征信息、处方信息及预后信息；
构建模块4，用于根据各相似患者的特征信息、处方信息及预后信息构建逻辑回归模型；
排序模块6，用于利用逻辑回归模型对目标患者的推荐处方列表中的各推荐处方进行排序，得各推荐处方的排序结果；
推荐模块5，用于推荐各推荐处方的排序结果，完成药物推荐循证支持。
参考图5，作为本实施例的优选方案：所述第一获取模块1包括：
建立模块11，用于建立药物推荐模型；
第三获取模块12，用于获取目标患者的特征信息；
运算模块13，用于将目标患者的特征信息输入到药物推荐模型中，得目标患者的推荐处方列表。
另外，本发明所述药物推荐循证支持装置还包括显示模块7，用于对推荐模块5推荐的各推荐处方的排序结果进行显示，以实现推荐结果的可视化，在显示时，自上到下根据排序结果依次显示各推荐处方，同时在各推荐处方所在行的后面显示各推荐处方对应的药效以及服用该推荐处方对应相似患者的特征信息及预后信息，以供医生参考，以支持药物的推荐循证。
作为本实施例的优选方案：确定模块2具体用于：
利用欧式距离衡量目标患者的特征信息与历史数据中各患者的特征信息之间的相似度，选取相似度最大的N位患者作为目标患者的N位相似患者。
其中，目标患者与历史数据中患者之间的欧式距离d(X,X')为：
其中，X,X'分别表示目标患者与历史数据中患者的特征信息对应的向量表示，目标患者的特征信息中特征的个数与历史数据中患者的特征信息中特征的个数均为n，Xi为目标患者的特征信息中的第i个特征对应的向量表示，X'i为历史数据中患者的特征信息中的第i个特征对应的向量表示。
作为本实施例的优选方案：构建模块4具体用于：
以相似患者的处方信息为自变量T，以相似患者的预后信息为因变量Y，以相似患者的特征信息为协调变量X，建立所述逻辑回归模型，其中，建立的所述逻辑回归模型为：
其中，Z为T与X的并集，β为回归系数。
作为本实施例的优选方案，排序模块6具体用于：
将所述目标患者的特征信息以及所述目标患者的推荐处方列表中的各推荐处方分别输入到所述逻辑回归模型中，得所述目标患者的推荐处方列表中各推荐处方对应的因变量Y，按照所述因变量Y的大小，由大到小对所述目标患者的推荐处方列表中各推荐处方进行排序，得各推荐处方的排序结果。
实施例三
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述药物推荐循证支持方法的步骤，其中，所述存储器可能包含内存，例如高速随机存储器，也可能还包括非易失性存储器，例如，至少一个磁盘存储器等；处理器、网络接口、存储器通过内部总线互相连接，该内部总线可以是工业标准体系结构总线、外设部件互连标准总线、扩展工业标准结构总线等，总线可以分为地址总线、数据总线、控制总线等。存储器用于存放程序，具体地，程序可以包括程序代码、所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
实施例四
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述药物推荐循证支持方法的步骤，具体地，所述计算机可读存储介质包括但不限于例如易失性存储器和/或非易失性存储器。所述易失性存储器可以包括随机存储存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器可以包括只读存储器(ROM)、硬盘、闪存、光盘、磁盘等。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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。
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(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (8)
1.一种药物推荐循证支持方法，其特征在于，包括：
利用药物推荐模型获取目标患者的推荐处方列表；
确定所述目标患者的N位相似患者，其中，N为正整数；
获取所述N位相似患者的特征信息、处方信息及预后信息；
根据所述N位相似患者的特征信息、处方信息及预后信息构建逻辑回归模型；
利用所述逻辑回归模型对所述目标患者的推荐处方列表中的各推荐处方进行排序，得到各推荐处方的排序结果；
推荐所述各推荐处方的排序结果，完成药物推荐循证；
所述利用药物推荐模型获取目标患者的推荐处方列表，包括：
建立药物推荐模型；
获取目标患者的特征信息；
将所述目标患者的特征信息输入到所述药物推荐模型中，得目标患者的推荐处方列表；
所述确定目标患者的N位相似患者的具体过程为：
利用欧式距离衡量目标患者的特征信息与历史数据中各患者的特征信息之间的相似度，选取相似度最大的N位患者作为目标患者的N位相似患者。
2.根据权利要求1所述的药物推荐循证支持方法，其特征在于，目标患者与历史数据中患者之间的欧式距离d(X,X')为：
其中，X,X'分别表示目标患者与历史数据中患者的特征信息对应的向量表示，目标患者的特征信息中特征的个数与历史数据中患者的特征信息中特征的个数均为n，Xi为目标患者的特征信息中的第i个特征对应的向量表示，X'i为历史数据中患者的特征信息中的第i个特征对应的向量表示。
3.根据权利要求1所述的药物推荐循证支持方法，其特征在于，所述根据所述N位相似患者的特征信息、处方信息及预后信息构建逻辑回归模型，包括：
以相似患者的处方信息为自变量T，以相似患者的预后信息为因变量Y，以相似患者的特征信息为协调变量X，建立所述逻辑回归模型。
4.根据权利要求3所述的药物推荐循证支持方法，其特征在于，建立的所述逻辑回归模型为：
其中，Z为T与X的并集，β为回归系数。
5.根据权利要求1所述的药物推荐循证支持方法，其特征在于，所述利用所述逻辑回归模型对所述目标患者的推荐处方列表中的各推荐处方进行排序，包括：
将所述目标患者的特征信息以及所述目标患者的推荐处方列表中的各推荐处方分别输入到所述逻辑回归模型中，得所述目标患者的推荐处方列表中各推荐处方对应的因变量Y，按照所述因变量Y的大小对所述目标患者的推荐处方列表中各推荐处方进行排序。
6.一种药物推荐循证支持装置，其特征在于，包括：
第一获取模块，用于利用药物推荐模型获取目标患者的推荐处方列表；
确定模块，用于确定目标患者的N位相似患者，N为正整数；
第二获取模块，用于获取所述N位相似患者的特征信息、处方信息及预后信息；
构建模块，用于根据所述N位相似患者的特征信息、处方信息及预后信息构建逻辑回归模型；
排序模块，用于利用所述逻辑回归模型对所述目标患者的推荐处方列表中的各推荐处方进行排序，得各推荐处方的排序结果；
推荐模块，用于推荐所述各推荐处方的排序结果，完成药物推荐循证支持；
所述利用药物推荐模型获取目标患者的推荐处方列表，包括：
建立药物推荐模型；
获取目标患者的特征信息；
将所述目标患者的特征信息输入到所述药物推荐模型中，得目标患者的推荐处方列表；
所述确定目标患者的N位相似患者的具体过程为：
利用欧式距离衡量目标患者的特征信息与历史数据中各患者的特征信息之间的相似度，选取相似度最大的N位患者作为目标患者的N位相似患者。
7.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述药物推荐循证支持方法的步骤。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述药物推荐循证支持方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111007773.9A CN113744867B (zh) | 2021-08-30 | 2021-08-30 | 一种药物推荐循证支持方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111007773.9A CN113744867B (zh) | 2021-08-30 | 2021-08-30 | 一种药物推荐循证支持方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113744867A CN113744867A (zh) | 2021-12-03 |
| CN113744867B true CN113744867B (zh) | 2024-03-08 |
Family
ID=78733987
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111007773.9A Active CN113744867B (zh) | 2021-08-30 | 2021-08-30 | 一种药物推荐循证支持方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113744867B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP4376022A1 (en) * | 2021-07-23 | 2024-05-29 | Kaohsiung Medical University | Clinical therapeutic drug prediction and recommendation system and method for evaluating efficacy of second-generation hormone drug in treatment of prostate cancer |
| CN114240699A (zh) * | 2021-12-22 | 2022-03-25 | 长春嘉诚信息技术股份有限公司 | 一种基于循征矫正的罪犯改造手段推荐方法 |
| CN114464269B (zh) * | 2022-04-07 | 2022-07-08 | 国家超级计算天津中心 | 一种虚拟药物生成方法、装置及计算机设备 |
| CN115691741B (zh) * | 2023-01-03 | 2023-03-14 | 四川大学华西医院 | 一种医疗信息化信息传递及信息合并方法 |
| CN116434975B (zh) * | 2023-06-14 | 2023-09-01 | 西安交通大学医学院第一附属医院 | 一种呼吸内科清肺排痰装置智能管理系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110880361A (zh) * | 2019-10-16 | 2020-03-13 | 平安科技（深圳）有限公司 | 一种个性化精准用药推荐方法及装置 |
| WO2020100019A1 (en) * | 2018-11-12 | 2020-05-22 | Healint Pte. Ltd. | Medication recommendation system and method for treating migraine |
| CN111191020A (zh) * | 2019-12-27 | 2020-05-22 | 江苏省人民医院（南京医科大学第一附属医院） | 基于机器学习和知识图谱的处方推荐方法和系统 |
| CN112015994A (zh) * | 2020-09-09 | 2020-12-01 | 平安科技（深圳）有限公司 | 药物推荐方法、装置、设备及介质 |
| CN112614578A (zh) * | 2020-12-29 | 2021-04-06 | 平安国际智慧城市科技股份有限公司 | 医生智能推荐方法、装置、电子设备及存储介质 |
| CN112614565A (zh) * | 2020-12-04 | 2021-04-06 | 杨茜 | 一种基于知识图谱技术的中药经典名方智能推荐方法 |
| CN113192626A (zh) * | 2021-04-13 | 2021-07-30 | 山东大学 | 基于孪生神经网络的用药方案推荐系统及方法 |
| CN113268511A (zh) * | 2021-04-21 | 2021-08-17 | 广东易生活信息科技有限公司 | 一种基于古籍古方的中医处方推荐方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11177025B2 (en) * | 2018-06-20 | 2021-11-16 | International Business Machines Corporation | Intelligent recommendation of useful medical actions |
-
2021
- 2021-08-30 CN CN202111007773.9A patent/CN113744867B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020100019A1 (en) * | 2018-11-12 | 2020-05-22 | Healint Pte. Ltd. | Medication recommendation system and method for treating migraine |
| CN110880361A (zh) * | 2019-10-16 | 2020-03-13 | 平安科技（深圳）有限公司 | 一种个性化精准用药推荐方法及装置 |
| WO2021073277A1 (zh) * | 2019-10-16 | 2021-04-22 | 平安科技（深圳）有限公司 | 一种个性化精准用药推荐方法及装置 |
| CN111191020A (zh) * | 2019-12-27 | 2020-05-22 | 江苏省人民医院（南京医科大学第一附属医院） | 基于机器学习和知识图谱的处方推荐方法和系统 |
| CN112015994A (zh) * | 2020-09-09 | 2020-12-01 | 平安科技（深圳）有限公司 | 药物推荐方法、装置、设备及介质 |
| CN112614565A (zh) * | 2020-12-04 | 2021-04-06 | 杨茜 | 一种基于知识图谱技术的中药经典名方智能推荐方法 |
| CN112614578A (zh) * | 2020-12-29 | 2021-04-06 | 平安国际智慧城市科技股份有限公司 | 医生智能推荐方法、装置、电子设备及存储介质 |
| CN113192626A (zh) * | 2021-04-13 | 2021-07-30 | 山东大学 | 基于孪生神经网络的用药方案推荐系统及方法 |
| CN113268511A (zh) * | 2021-04-21 | 2021-08-17 | 广东易生活信息科技有限公司 | 一种基于古籍古方的中医处方推荐方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113744867A (zh) | 2021-12-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113744867B (zh) | 一种药物推荐循证支持方法、装置、设备及存储介质 | |
| Tiwari et al. | Assessment of a machine learning model applied to harmonized electronic health record data for the prediction of incident atrial fibrillation | |
| CN104881463B (zh) | 基于结构化病历数据库的参考病历检索方法及装置 | |
| Breet et al. | Comparison of platelet function tests in predicting clinical outcome in patients undergoing coronary stent implantation | |
| Marewski et al. | Heuristic decision making in medicine | |
| CN105740626B (zh) | 一种基于机器学习的药物活性预测方法 | |
| CN108109692A (zh) | 一种治疗方案的选择方法和系统 | |
| CN106997421A (zh) | 个性化医疗信息采集和健康监测的智能系统和方法 | |
| Krikunov et al. | Complex data-driven predictive modeling in personalized clinical decision support for Acute Coronary Syndrome episodes | |
| Lu et al. | Understanding heart failure patients EHR clinical features via SHAP interpretation of tree-based machine learning model predictions | |
| Sabovčik et al. | Applying machine learning to detect early stages of cardiac remodelling and dysfunction | |
| Gellerstedt | The digitalization of health care paves the way for improved quality of life | |
| Kute et al. | Industry 4.0 challenges in e-healthcare applications and emerging technologies | |
| Gangwar et al. | Deep learning for analysis of electronic health records (EHR) | |
| CN113436738A (zh) | 管理风险用户的方法、装置、设备及存储介质 | |
| Bombardini et al. | Hemodynamic heterogeneity of reduced cardiac reserve unmasked by volumetric exercise echocardiography | |
| CN113434692B (zh) | 图神经网络模型构建、诊疗方案推荐方法、系统及设备 | |
| Gantenbein | Watson, come here! The role of intelligent systems in health care | |
| CN108784666B (zh) | 连续监测心血管的精准医疗系统及数据处理方法 | |
| Yasnitsky et al. | Robot-doctor: what can it be? | |
| Braunstein | Health care in the age of interoperability: Part 4 | |
| KR20220072050A (ko) | 인공지능 주치의 서비스 프로그램 기록매체 | |
| KR20220071331A (ko) | 건강 관리 인공지능 주치의 서비스 제공 방법 | |
| Huang et al. | Personalized disease treatment plan suggestion system based on big data and knowledge base | |
| Umoren et al. | Bioinformatic System for Classification of Patient Response to Traditional and Modern Medicine Therapy in Niger Delta Region: A Machine Learning Approach |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |