CN113764067B - 药物推荐方法、系统、设备及存储介质 - Google Patents
药物推荐方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN113764067B CN113764067B CN202111049345.2A CN202111049345A CN113764067B CN 113764067 B CN113764067 B CN 113764067B CN 202111049345 A CN202111049345 A CN 202111049345A CN 113764067 B CN113764067 B CN 113764067B
- Authority
- CN
- China
- Prior art keywords
- information
- patient
- medication
- personal
- advice
- 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 341
- 229940079593 drug Drugs 0.000 title claims abstract description 227
- 238000000034 method Methods 0.000 title claims abstract description 53
- 201000010099 disease Diseases 0.000 claims abstract description 113
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 113
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 230000006399 behavior Effects 0.000 claims description 39
- 230000006854 communication Effects 0.000 claims description 20
- 235000005911 diet Nutrition 0.000 claims description 18
- 230000037213 diet Effects 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 17
- 230000000694 effects Effects 0.000 claims description 17
- 238000002372 labelling Methods 0.000 claims description 17
- 238000003062 neural network model Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000003542 behavioural effect Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000011835 investigation Methods 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 claims description 8
- 230000001537 neural effect Effects 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 3
- 235000021004 dietary regimen Nutrition 0.000 claims 1
- 230000010354 integration Effects 0.000 abstract description 4
- 238000012216 screening Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000002996 emotional effect Effects 0.000 description 3
- 238000000554 physical therapy Methods 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 208000032839 leukemia Diseases 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 241000287828 Gallus gallus Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000968 medical method and process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012549 training 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
- 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
- G16H20/13—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 delivered from dispensers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Finance (AREA)
- Epidemiology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medicinal Chemistry (AREA)
- Accounting & Taxation (AREA)
- Chemical & Material Sciences (AREA)
- Toxicology (AREA)
- Pharmacology & Pharmacy (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请涉及人工智能及数字医疗技术领域，公开了一种药物推荐方法、药物推荐系统、计算机设备以及计算机存储介质，所述药物推荐方法包括：通过所述药物推荐系统获取患者的第一个人信息；通过大数据中心平台获取所述患者的第二个人信息；获取医生基于所述患者的疾病严重情况提供的针对所述患者的医生建议信息；获取患者的理赔保险信息；至少基于所述患者的多维数据图谱、所述第二个人信息、所述医生建议信息以及所述理赔保险信息，利用预设药物推荐算法生成用户推荐用药。该推荐方法能够根据患者自身情况进行多维度分析患者信息，结合患者的经济情况以及医生端给出的合理意见综合性的进行数据整合与筛选，能够快速的推荐适合患者需求的药品。
Description
技术领域
本申请涉及人工智能技术领域，尤其涉及的是一种药物推荐方法、药物推荐系统、计算机设备以及计算机存储介质。
背景技术
互联网的出现和普及给用户带来了大量的信息，满足了用户在信息时代对信息的需求，但是随着互联网的迅速发展，信息量也在大幅增长，这会导致用户在面对大量信息时无法从中获得自己真正需要的信息，从而降低了对信息的使用效率。解决这一问题较好的办法就是推荐系统，它可以在大量的信息中为用户推荐合适的内容，以便用户从推荐的内容中获取自己喜好的信息。
目前的药物推荐系统在实施推荐过程中会遇到很多问题，比如有些仅仅简单的提供了大众化的推荐，有些则不能够形成作古的长尾效应，智能给出一些显而易见的结果，还有的会有异常推荐等问题，例如，推荐的药品与患者的症状不符、推荐的药品与用户的年龄不符、推荐的药品与用户的经济状况不符；即无法根据患者的症状及自身情况推荐出患者满意度高的药品。
因此，现有技术还有待改善。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种药物推荐方法、药物推荐系统、计算机设备以及计算机存储介质，旨在解决现有技术中药物推荐系统无法根据患者的自身情况和症状推荐出患者需求的药品的技术问题。
第一方面，本申请提供了一种药物推荐方法，所述药物推荐方法应用于药物推荐系统 ，所述方法包括：
通过所述药物推荐系统获取患者的第一个人信息，所述第一个人信息包括年龄、性别、居住地、所述患者所患疾病、所述患者的药物使用习惯中的一种或多种；
基于所述第一个人信息对所述患者进行多维数据分析得到所述患者的多维数据图谱；
通过大数据中心平台获取所述患者的第二个人信息，所述第二个人信息包括所述患者的日常消费信息、银行开支信息、活动范围信息、征信信息中的一种或多种；
获取医生基于所述患者的疾病严重情况提供的针对所述患者的医生建议信息，所述医生建议信息包括疾病治疗建议、药物使用建议、饮食建议、生活作息建议中的一种或多种；
获取患者的理赔保险信息，所述理赔保险信息包括所述患者所参与的理赔保险险种，所述理赔保险险种可理赔的所有疾病种类，所述所有疾病种类中各类疾病可理赔的额度百分比信息中的一种或多种；
至少基于所述患者的多维数据图谱、所述第二个人信息、所述医生建议信息以及所述理赔保险信息，利用预设药物推荐算法生成用户推荐用药。
可选的，所述方法还包括：通过互联网络获取互联网医疗数据，所述互联网医疗数据包括不同患者不同疾病的治疗方案、不同患者不同疾病的用药方案、不同患者不同疾病的治疗费用信息、不同患者不同疾病的用药费用信息；
所述至少基于所述患者的多维数据图谱、所述第二个人信息、所述医生建议信息以及所述理赔保险信息，利用预设药物推荐算法生成用户推荐用药，包括：
基于所述患者的多维数据图谱、所述第二个人信息、所述医生建议信息、所述理赔保险信息以及所述互联网医疗数据，利用预设药物推荐算法生成用户推荐用药。
可选的，所述方法还包括：
获取所述患者在所述药物推荐系统的第一行为信息，所述第一行为信息包括所述患者查看的药物信息，所述患者查看的药物种类数，其中，所述药物信息包括药物种类及药物价钱；
所述至少基于所述患者的多维数据图谱和所述第二个人信息，利用预设药物推荐算法生成用户推荐用药，包括：
基于所述患者的多维数据图谱、所述第二个人信息、所述医生建议信息、所述理赔保险信息，以及所述第一行为信息，利用预设药物推荐算法生成用户推荐用药；
以及在所述药物推荐系统的显示界面向所述患者推荐饮食方案以及医疗建议文章。
可选的所述方法还包括：
获取所述患者在所述药物推荐系统的第二行为信息，所述第二行为信息包括所述患者查看的药物信息，所述患者查看的药物种类数，所述患者在选择药物时的操作时间、所述患者在第一特定药物界面的停留时间、所述患者打开第二特定药物界面的次数； 其中，所述药物信息包括药物种类及药物价钱；
基于所述第二行为信息向所述患者发送是否启用远程药物选择帮助的提示信息，所述提示信息通过短信发送，或者所述提示信息通过在所述药物推荐系统的操作界面显示人工客服图标的方式发送。
可选的，所述基于所述第二行为信息向所述患者发送是否启用远程药物选择帮助的提示信息后，所述方法还包括：
获取患者基于所述提示信息反馈的操作信息，所述操作信息包括接收所述远程药物选择帮助或拒绝所述远程药物选择帮助；
在所述操作信息包括接收所述远程药物选择帮助的情况下，在所述药物推荐系统的操作界面显示对话框，以使所述患者通过所述对话框进行与系统客服人员进行沟通，或者向所述患者发送药物推荐短信与拨打所述患者的电话；
在所述操作信息包括拒绝所述远程药物选择帮助的情况下，关闭所述提示信息。
可选的，所述方法还包括：
获取样本数据集，所述样本数据集包括患者的多维数据图谱样本数据集、第二个人信息样本数据集、医生建议信息样本数据集以及理赔保险信息样本数据集；
获取与所述样本数据集对应的标注数据集，所述标注数据集中每一个标注数据分别对应一组样本数据，所述一组样本数据包括多维数据图谱样本数据集中的一个多维数据图谱样本数据，所二个人信息样本数据集中的一个第二个人样本数据，所述医生建议信息样本数据集中的一个医生建议信息样本数据以及所述理赔保险信息样本数据集中的一个理赔保险信息样本数据；
将所述样本数据集输入药物推荐系统神经网络模型得到药物推荐结果，所述药物推荐系统神经网络包括初始权重系数；
基于所述药物推荐结果与所述标注数据集之间的均方误差反向传播并调整所述药物推荐系统神经网络的权重系数得到训练后的所述药物推荐系统神经网络模型；
所述基于所述患者的多维数据图谱、所述第二个人信息、所述医生建议信息、所述理赔保险信息，以及所述第一行为信息，利用预设药物推荐算法生成用户推荐用药，包括：
基于所述患者的多维数据图谱、所述第二个人信息、所述医生建议信息、所述理赔保险信息，以及所述第一行为信息，利用训练后的所述药物推荐系统神经网络模型生成用户推荐用药。
可选的，所述方法还包括：
使用云数据库存储第一个人历史信息、第二个人历史信息、医生建议历史信息、理赔保险历史信息，并使用结构化处理算法对所述第一个人历史信息、所述第二个人历史信息、所述医生建议历史信息、所述理赔历史信息进行结构化处理得到所述第一个人结构化信息、所述第二个人结构化信息、所述医生建议结构化信息、所述理赔结构化信息并存储于网络结构化存储数据库，所述第一个人历史信息包括年龄、性别、居住地、历史疾病、历史药物使用习惯中的一种或多种，所述第二个人历史信息包括患者历史日常消费信息、银行开支信息、活动范围信息、征信信息中的一种或多种，所述医生建议历史信息包括疾病治疗建议、药物使用建议、饮食建议、生活作息建议中的一种或多种，所述理赔历史信息患者包括历史理赔保险险种、所述理赔保险险种可理赔的所有疾病种类、所述所有疾病种类中各类疾病可理赔的额度百分比信息中的一种或多种；
获取医生与患者沟通过程中的沟通信息，所述沟通信息包括所述患者的个人病史，所述患者的身体状况，所述患者的家族遗传病史，并对所述沟通信息进行结构化处理得到沟通结构化信息并存储于所述网络结构化存储数据库；
获取患者的疾病治疗历史信息，所述患者的疾病治疗历史信息包括历史疾病信息，历史疾病治疗方案信息、历史疾病用药信息、历史疾病费用信息，并对所述疾病治疗信息进行结构化处理得到疾病治疗结构化信息并存储于所述网络结构化存储数据库；
基于所述第一个人结构信息、所述第二个人结构化信息、所述医生建议结构化信息、所述理赔结构化信息、所述沟通结构化信息以及所述疾病治疗结构化信息对所述药物推荐系统神经网络进行优化得到优化后的药物推荐神经模型；
所述基于所述患者的多维数据图谱、所述第二个人信息、所述医生建议信息、所述理赔保险信息，以及所述第一行为信息，利用预设药物推荐算法生成用户推荐用药，包括：
基于所述患者的多维数据图谱、所述第二个人信息、所述医生建议信息、所述理赔保险信息，以及所述第一行为信息，利用优化后的所述药物推荐系统神经网络模型生成用户推荐用药。
第二方面，本申请还提供了一种药物推荐系统，包括：
第一获取模块，用于获取患者的第一个人信息，所述第一个人信息包括年龄、性别、居住地、所述患者所患疾病、所述患者的药物使用习惯中的一种或多种；
第一分析模块，用于基于所述第一个人信息对所述患者进行多维数据分析得到所述患者的多维数据图谱；
第二获取模块，用于通过大数据中心平台获取所述患者的第二个人信息，所述第二个人信息包括所述患者的日常消费信息、银行开支信息、活动范围信息、征信信息中的一种或多种；
第三获取模块，用于获取医生基于所述患者的疾病严重情况提供的针对所述患者的医生建议信息，所述医生建议信息包括疾病治疗建议、药物使用建议、饮食建议、生活作息建议中的一种或多种；
第四获取模块，用于获取患者的理赔保险信息，所述理赔保险信息包括所述患者所参与的理赔保险险种，所述理赔保险险种可理赔的所有疾病种类，所述所有疾病种类中各类疾病可理赔的额度百分比信息中的一种或多种；
推荐模块，用于至少基于所述患者的多维数据图谱、所述第二个人信息、所述医生建议信息以及所述理赔保险信息，利用预设药物推荐算法生成用户推荐用药。
第三方面，本申请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如上述任一技术方案所述药物推荐方法。
第四方面，本申请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上述任一技术方案所述的药物推荐方法。
有益效果：本发明提供了一种药物推荐方法，所述药物推荐方法应用于药物推荐系统 ，所述方法包括：通过所述药物推荐系统获取患者的第一个人信息，所述第一个人信息包括年龄、性别、居住地、所述患者所患疾病、所述患者的药物使用习惯中的一种或多种；基于所述第一个人信息对所述患者进行多维数据分析得到所述患者的多维数据图谱；通过大数据中心平台获取所述患者的第二个人信息，所述第二个人信息包括所述患者的日常消费信息、银行开支信息、活动范围信息、征信信息中的一种或多种；获取医生基于所述患者的疾病严重情况提供的针对所述患者的医生建议信息，所述医生建议信息包括疾病治疗建议、药物使用建议、饮食建议、生活作息建议中的一种或多种；获取患者的理赔保险信息，所述理赔保险信息包括所述患者所参与的理赔保险险种，所述理赔保险险种可理赔的所有疾病种类，所述所有疾病种类中各类疾病可理赔的额度百分比信息中的一种或多种；至少基于所述患者的多维数据图谱、所述第二个人信息、所述医生建议信息以及所述理赔保险信息，利用预设药物推荐算法生成用户推荐用药。该推荐方法能够根据患者自身情况进行多维度分析患者信息，并结合患者的经济情况和医生端给出的合理意见综合性的进行数据整合与筛选，能够准确的推荐适合患者需求的药品。
附图说明
为了更清楚地说明本申请实施例或背景技术中的技术方案，下面将对本申请实施例或背景技术中所需要使用的附图进行说明。
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本申请的实施例，并与说明书一起用于说明本申请的技术方案。
图1为本申请一种药物推荐方法的流程示意图；
图2为本申请一种药物推荐系统的原理框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
目前，智能推荐系统是人工智能领域重要的领域，以满足不同用户的不同推荐需求为目的，不同人可以获得不同推荐为重要特征的个性化推荐系统。
对于推荐系统来说，可能最大的问题就是需要大量的数据才能产生推荐结果。这也是为什么那些表现最突出的推荐系统都是来自于有数据的大公司，比如Google，Amazon，Netflix，Last.fm。正如Strands公司在他的演讲中提到的那样，一个好的推荐系统首先要获得内容数据，接着必须获得和分析用户数据（行为事件），最后才是算法的工作。内容和用户数据越多，获得好的推荐的比率就会越高。但是这也是一个“鸡和蛋”的问题——推荐系统的目的就是带来更多的用户点击和购买，而好的推荐系统需要大量的用户，你才能为推荐系统提供需要的数据。
对于用户变化的喜好以及无法预测的事物，在实施推荐系统过程中会遇到很多问题——比如有些仅仅简单了提供“大众化”的推荐；有些不能够形成作古的长尾效应，只能给出一些显而易见的结果；还有的会有异常推荐等问题。随着应用和技术的进步，我们还会发现其它的一些问题。
对于数据影响推荐质量的问题：为什么有大量数据的公司会做出效果更好的推荐服务，首先推荐系统本身需要数据，其次在海量数据引起的信息过载问题更加严重，需求更加迫切。因此推荐系统的作用更加明显。因此，用户数据的绝对数量并不是限制推荐系统实施的门槛，而用户数据的稀疏程度会直接影响推荐的效果。
基于此，本申请希望提供一种能够解决上述技术问题的方案，其详细内容将在后续实施例中得以阐述。
图1为一种药物推荐方法中的示意图,如图1所示，本发明实施例提供的药物推荐方法包括步骤：
S102、通过所述药物推荐系统获取患者的第一个人信息，所述第一个人信息包括年龄、性别、居住地、所述患者所患疾病、所述患者的药物使用习惯中的一种或多种；
具体的，第一个人信息为患者的基本情况信息，患者进入药物推荐系统入口后，获取系统中对应患者的年龄，性别，居住地，所患疾病（过往病史），特效药（使用习惯），等相关信息。
S104、基于所述第一个人信息对所述患者进行多维数据分析得到所述患者的多维数据图谱；
本实施列中，从患者的年龄，性别，居住地，所患疾病（过往病史），特效药（使用习惯）等多个维度对患者的个人情况进行分析，以呈现多维度的患者的多位数据图谱。
S106、通过大数据中心平台获取所述患者的第二个人信息，所述第二个人信息包括所述患者的日常消费信息、银行开支信息、活动范围信息、征信信息中的一种或多种；
本实施例中，通过第二个人信息可以反映出患者当前经济状况，具体的，可以通过接入大数据中心采用卫星数据，分析患者日常消费情况，银行开支、活动范围等以及征信等信息。
S108、获取医生基于所述患者的疾病严重情况提供的针对所述患者的医生建议信息，所述医生建议信息包括疾病治疗建议、药物使用建议、饮食建议、生活作息建议中的一种或多种；
具体的，医生建议信息为医生可以是基于患者当前所患疾病的情况给出的一些建议信息，这些建议主要包括药物使用建议、药物的价格、疾病治疗建议，也可以包括饮食和生活作息等各方面的建议等情况。
S110、获取患者的理赔保险信息，所述理赔保险信息包括所述患者所参与的理赔保险险种，所述理赔保险险种可理赔的所有疾病种类，所述所有疾病种类中各类疾病可理赔的额度百分比信息中的一种或多种；
具体的，理赔保险信息为患者所购买的关于医疗保险方面的信息，通过该理赔保险信息可以获得该医疗保险可以获得针对患者所患疾病可理赔的百分比信息。
S202、至少基于所述患者的多维数据图谱、所述第二个人信息、所述医生建议信息以及所述理赔保险信息，利用预设药物推荐算法生成用户推荐用药。
具体的，药物推荐算法是预先设定的，当获取到患者的多维数据图谱，第二个人信息、医生建议信息以及理赔保险信息后，可以基于获取的多维数据图谱，第二个人信息、医生建议信息以及理赔保险信息的内容为患者推荐不同的药物。
例如，当通过患者的多维数据图谱得知患者患有白血病后，而通过医生建议信息获得针对该白血病的相关药物信息以及疗效信息，通过理疗保险信息可以预算出理赔后购买相关药物信息需要实际支付的费用，又通过第二个人信息分析得知最近患者的经济状况，分析出患者所能承受的药物支出费用，从而可以根据患者的经济状况以及理赔信息来对患者筛选出患者在经济范围内所能承受的用药价格。又如，当通过第二个人信息得知患者的经济状况较好时，亦可无需获得理疗保险信息，直接通过患者的多维数据图谱、第二个人信息以及医生建议信息来推荐用药即可。
可见，本实施例中，至少基于所述患者的多维数据图谱、所述第二个人信息、所述医生建议信息以及所述理赔保险信息，利用预设药物推荐算法生成用户推荐用药。该推荐方法能够根据患者自身情况进行多维度分析患者信息，并结合患者的经济状况和医生端给出的合理意见综合性的进行数据整合与筛选，能够快速准确的推荐适合患者需求的药品。
另外，需要说明的是，本发明实施例中的所有步骤标号并非对其执行顺序进行限定。
作为一种可选的实施方式，所述方法还包括：
S112、通过互联网络获取互联网医疗数据，所述互联网医疗数据包括不同患者不同疾病的治疗方案、不同患者不同疾病的用药方案、不同患者不同疾病的治疗费用信息、不同患者不同疾病的用药费用信息；
本实施例中，获取的互联网数据为针对当前患者所患疾病相关的治疗方案、用药方案、治疗费用等信息，具体的，当获取到患者的多维数据图谱、所述第二个人信息、医生建议信息以及所述理赔保险信息后，如果未能给患者推荐出满意度高的药品，则会进一步根据患者所患的疾病以及使用习惯、经济状况、理赔保险方面的数据来获取互联网医疗数据，利用互联网搜寻可靠、权威的医疗数据来源，通过后续的算法设计，最后将结构化的数据推荐给患者，让患者选择更合理的治疗方案和用药方案。
所述步骤S202包括：
基于所述患者的多维数据图谱、所述第二个人信息、所述医生建议信息、所述理赔保险信息以及所述互联网医疗数据，利用预设药物推荐算法生成用户推荐用药。
在本实施方式中，获取了患者的多维数据图谱，第二个人信息、医生建议信息以及理赔保险信息后，即得到患者的基本情况以及经济状况和理赔保险信息之后，再通过互联网医疗数据，来筛选出适合患者当前疾病以及经济承受能力的用药方案，遮掩筛选出来的用药方法既能起到不错的治疗效果，又能避免患者的经济负担过重。
作为一种可选的实施方式，所述方法还包括：
S114、获取所述患者在所述药物推荐系统的第一行为信息，所述第一行为信息包括所述患者查看的药物信息，所述患者查看的药物种类数，其中，所述药物信息包括药物种类及药物价钱；
具体的，第一行为信息为患者操作药物推荐系统过程中的一些操作行为，这些操作行为可以是患者查看的药物种类，药物价格，停留时间等，这些信息能够从一定程度反映患者对药物信息的关注重点。
所述至少基于所述第一个人信息和所述第二个人信息，利用预设药物推荐算法生成用户推荐用药，包括：
基于所述患者的多维数据图谱、所述第二个人信息、所述医生建议信息、所述理赔保险信息，以及所述第一行为信息，利用预设药物推荐算法生成用户推荐用药；以及在所述药物推荐系统的显示界面向所述患者推荐饮食方案以及医疗建议文章。
通过患者查看药物种类以及药物价格信息，可以通过对患者的行为分析，判断出患者的用药意愿，例如，当患者查看某一药物的时间较长或者多次查看该药物价钱信息时，说明该患者有购买该药物的欲望。再结合上述患者的多维数据图谱、所述第二个人信息、所述医生建议信息、所述理赔保险信息来给患者推荐出合适的药品并在推荐系统的显示界面向患者推荐对应的饮食方案以及医疗建议。本实施例中，还通过第一行为信息对患者进行了行为分析，从而判断出患者对各种药物的喜好程度，来进行推荐用药，一般的，如果患者对某个药物停留时间长、或者经常关注该药物价格，则可判断患者对该药物的满意程度高，此时，可以优先推荐该药物给患者，并结合该药物的药性对患者给出针对性的饮食方案以及医疗建议方案，该饮食方案和医疗建议方案可以呈现在药物推荐系统的显示界面上。
作为一种可选的实施方式，所述方法还包括：
S116、获取所述患者在所述药物推荐系统的第二行为信息，所述第二行为信息包括所述患者查看的药物信息，所述患者查看的药物种类数，所述患者在选择药物时的操作时间、所述患者在第一特定药物界面的停留时间、所述患者打开第二特定药物界面的次数；其中，所述药物信息包括药物种类及药物价钱；
具体的，通过检测患者查看的药物信息和药物种类数，患者在选择药物时的操作时间、患者在第一特定药物界面的停留时间、患者打开第二特定药物界面的次数，对其进行行为分析，分析患者的心理变化，提取患者的感情状态，例如，当患者在第一特定药物界面的停留时间较长，说明患者很可能对该药物有兴趣或者有需要详细了解该药物的需求。
S118、基于所述第二行为信息向所述患者发送是否启用远程药物选择帮助的提示信息，所述提示信息通过短信发送，或者所述提示信息通过在所述药物推荐系统的操作界面显示人工客服图标的方式发送。
当对患者当前的行为进行分析，分析出患者的心理变化，提取患者的感情状态后，例如，当患者非常关注某一推荐药物的价格时，则说明该患心理上有购买该药品的意向，再根据患者的经济状况以及理赔保险的相关情况，来推断出患者是否能够承受该药物的价格，若该药物的价格超出了患者的经济水平时，则以分析患者此时的心理变化较大，此时向患者发送是否需要远程药物协助或者人工客服服务帮助，以便提供个性化用药需求服务，解决患者当前心理或情感上的困惑，满足不同患者的用药需求。
在上述实施方式的基础上，所述基于所述第二行为信息向所述患者发送是否启用远程药物选择帮助的提示信息后，所述方法还包括：
S120、获取患者基于所述提示信息反馈的操作信息，所述操作信息包括接收所述远程药物选择帮助或拒绝所述远程药物选择帮助；在所述操作信息包括接收所述远程药物选择帮助的情况下，在所述药物推荐系统的操作界面显示对话框，以使所述患者通过所述对话框进行与系统客服人员进行沟通，或者向所述患者发送药物推荐短信与拨打所述患者的电话；在所述操作信息包括拒绝所述远程药物选择帮助的情况下，关闭所述提示信息。
具体的，当基于所述第二行为信息向所述患者发送是否启用远程药物选择帮助的提示信息后，患者有可能需要帮助，也有可能无需帮助，当患者选择帮助的情况下，通过与工作人员对话的方式以便快速的解决患者的用药困惑，当患者选择无需帮助的情况下，说明对患者的当前心里变化误判，此时关闭提示信息。
作为一种可选的实施方式，所述方法还包括：
获取样本数据集，所述样本数据集包括患者的多维数据图谱样本数据集、第二个人信息样本数据集、医生建议信息样本数据集以及理赔保险信息样本数据集；
获取与所述样本数据集对应的标注数据集，所述标注数据集中每一个标注数据分别对应一组样本数据，所述一组样本数据包括多维数据图谱样本数据集中的一个多维数据图谱样本数据，所二个人信息样本数据集中的一个第二个人样本数据，所述医生建议信息样本数据集中的一个医生建议信息样本数据以及所述理赔保险信息样本数据集中的一个理赔保险信息样本数据；
将所述样本数据集输入药物推荐系统神经网络模型得到药物推荐结果，所述药物推荐系统神经网络包括初始权重系数；
基于所述药物推荐结果与所述标注数据集之间的均方误差反向传播并调整所述药物推荐系统神经网络的权重系数得到训练后的所述药物推荐系统神经网络模型；
所述基于所述患者的多维数据图谱、所述第二个人信息、所述医生建议信息、所述理赔保险信息，以及所述第一行为信息，利用预设药物推荐算法生成用户推荐用药，包括：
基于所述患者的多维数据图谱、所述第二个人信息、所述医生建议信息、所述理赔保险信息，以及所述第一行为信息，利用训练后的所述药物推荐系统神经网络模型生成用户推荐用药。
具体的，样本数据集包括多维数据图谱样本数据集、第二个人信息样本数据集、医生建议信息样本数据集以及理赔保险信息样本数据集；标注数据集与该数据集相对应，标注数据集中的每一个标注数据分别对应一组样本数据，将样本数据集以及对应的标注数据集输入到药物推荐系统神经网络模型中进行训练得到药物推荐结果，并基于药物推荐结构和标注数据集之间的均方误差方向传播调整药物推荐系统神经网络的权重系数，易得到训练后的药物推荐系统神经网络模型。
当药物推荐系统神经网络模型训练好后，只需要输入至少第一个人信息、第二个人信息、医生建议信息、理赔保险信息即可生成用户推荐用药。
作为一种可选的实施方式，所述方法还包括：使用云数据库存储第一个人历史信息、第二个人历史信息、医生建议历史信息、理赔保险历史信息，并使用结构化处理算法对所述第一个人历史信息、所述第二个人历史信息、所述医生建议历史信息、所述理赔历史信息进行结构化处理得到所述第一个人结构化信息、所述第二个人结构化信息、所述医生建议结构化信息、所述理赔结构化信息并存储于网络结构化存储数据库，所述第一个人历史信息包括年龄、性别、居住地、历史疾病、历史药物使用习惯中的一种或多种，所述第二个人历史信息包括患者历史日常消费信息、银行开支信息、活动范围信息、征信信息中的一种或多种，所述医生建议历史信息包括疾病治疗建议、药物使用建议、饮食建议、生活作息建议中的一种或多种，所述理赔历史信息患者历史包括理赔保险险种、所述理赔保险险种可理赔的所有疾病种类、所述所有疾病种类中各类疾病可理赔的额度百分比信息中的一种或多种；
获取医生与患者沟通过程中的沟通信息，所述沟通信息包括所述患者的个人病史，所述患者的身体状况，所述患者的家族遗传病史，并对所述沟通信息进行结构化处理得到沟通结构化信息并存储于所述网络结构化存储数据库；
获取患者的疾病治疗历史信息，所述患者的疾病治疗历史信息包括历史疾病信息，历史疾病治疗方案信息、历史疾病用药信息、历史疾病费用信息，并对所述疾病治疗信息进行结构化处理得到疾病治疗结构化信息并存储于所述网络结构化存储数据库；
基于所述第一个人结构信息、所述第二个人结构化信息、所述医生建议结构化信息、所述理赔结构化信息、所述沟通结构化信息以及所述疾病治疗结构化信息对所述药物推荐系统神经网络进行优化得到优化后的药物推荐神经模型；
所述基于所述患者的多维数据图谱、所述第二个人信息、所述医生建议信息、所述理赔保险信息，以及所述第一行为信息，利用预设药物推荐算法生成用户推荐用药，包括：
基于所述患者的多维数据图谱、所述第二个人信息、所述医生建议信息、所述理赔保险信息，以及所述第一行为信息，利用优化后的所述药物推荐系统神经网络模型生成用户推荐用药。
具体的，由于患者的多维数据图谱、第二个人信息、医生建议信息以及理赔保险信息随着时间的推移一直处于变化当中，因此，若不及时对药物推荐系统神经网络模型进行优化，易影响到推荐用药的准确性。
在本实施方式中，使用结构化处理算法对第一个人历史信息、第二个人历史信息、医生建议历史信息、理赔历史信息进行结构化处理得到第一个人结构化信息、第二个人结构化信息、医生建议结构化信息、理赔结构化信息更能反应出患者的整体情况，同时，还结合了沟通结构化信息、疾病治疗结构化信息对所述药物推荐系统神经网络进行优化得到优化后的药物推荐神经模型已便能够更准确的推荐满足患者需求的药品。
如图2所示，基于同样的发明构思，本发明实施例提供了一种药物推荐系统，包括：
第一获取模块10，用于获取患者的第一个人信息，所述第一个人信息包括年龄、性别、居住地、所述患者所患疾病、所述患者的药物使用习惯中的一种或多种；
第一分析模块20，用于基于所述第一个人信息对所述患者进行多维数据分析得到所述患者的多维数据图谱；
第二获取模块30，用于通过大数据中心平台获取所述患者的第二个人信息，所述第二个人信息包括所述患者的日常消费信息、银行开支信息、活动范围信息、征信信息中的一种或多种；
第三获取模块40，用于获取医生基于所述患者的疾病严重情况提供的针对所述患者的医生建议信息，所述医生建议信息包括疾病治疗建议、药物使用建议、饮食建议、生活作息建议中的一种或多种；
第四获取模块50，用于获取患者的理赔保险信息，所述理赔保险信息包括所述患者所参与的理赔保险险种，所述理赔保险险种可理赔的所有疾病种类，所述所有疾病种类中各类疾病可理赔的额度百分比信息中的一种或多种；
推荐模块60，用于至少基于所述患者的多维数据图谱、所述第二个人信息、所述医生建议信息以及所述理赔保险信息，利用预设药物推荐算法生成用户推荐用药。
在一些实施例中，所述药物推荐系统还包括：
第五获取模块，用于通过互联网络获取互联网医疗数据，所述互联网医疗数据包括不同患者不同疾病的治疗方案、不同患者不同疾病的用药方案、不同患者不同疾病的治疗费用信息、不同患者不同疾病的用药费用信息；
所述推荐模块还包括第一子推荐模块，用于基于所述患者的多维数据图谱、所述第二个人信息、所述医生建议信息、所述理赔保险信息以及所述互联网医疗数据，利用预设药物推荐算法生成用户推荐用药。
在一些实施例中，所述药物推荐系统还包括：
第六获取模块,获取所述患者在所述药物推荐系统的第一行为信息，所述第一行为信息包括所述患者查看的药物信息，所述患者查看的药物种类数，其中，所述药物信息包括药物种类及药物价钱；
所述推荐模块还包括第二子推荐模块：用于基于所述患者的多维数据图谱、所述第二个人信息、所述医生建议信息、所述理赔保险信息，以及所述第一行为信息，利用预设药物推荐算法生成用户推荐用药；以及在所述药物推荐系统的显示界面向所述患者推荐饮食方案以及医疗建议文章。
在一些实施例中，所述药物推荐系统还包括：
第七获取模块，获取所述患者在所述药物推荐系统的第二行为信息，所述第二行为信息包括所述患者查看的药物信息，所述患者查看的药物种类数，所述患者在选择药物时的操作时间、所述患者在第一特定药物界面的停留时间、所述患者打开第二特定药物界面的次数； 其中，所述药物信息包括药物种类及药物价钱；
发送模块，用于基于所述第二行为信息向所述患者发送是否启用远程药物选择帮助的提示信息，所述提示信息通过短信发送，或者所述提示信息通过在所述药物推荐系统的操作界面显示人工客服图标的方式发送。
在一些实施例中，所述药物推荐系统还包括：
第八获取模块，用于当发送模块基于所述第二行为信息向所述患者发送是否启用远程药物选择帮助的提示信息后，获取患者基于所述提示信息反馈的操作信息，所述操作信息包括接收所述远程药物选择帮助或拒绝所述远程药物选择帮助；
判断模块，用于在所述操作信息包括接收所述远程药物选择帮助的情况下，在所述药物推荐系统的操作界面显示对话框，以使所述患者通过所述对话框进行与系统客服人员进行沟通，或者向所述患者发送药物推荐短信与拨打所述患者的电话； 在所述操作信息包括拒绝所述远程药物选择帮助的情况下，关闭所述提示信息。
具体的，所述推荐系统执行时，实现本发明药物推荐方法的步骤，该药物推荐方法的具体步骤相在上文已经详细阐述，在此不再重复赘述。上述药物推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
基于同样的发明构思，本发明实施例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如上述任一技术方案所述药物推荐方法。
所述计算机设备可以采用笔记本电脑、平板电脑、桌面型计算机、手机或工作站。
处理器可以是中央处理器(CPU)、数字信号处理器(DSP)、专用集成电路(ASIC)或现成可编程门阵列(FPGA)。
对于本发明所述存储器，可以是笔记本电脑、平板电脑、桌面型计算机、手机或工作站的内部存储单元，如内存、硬盘；也可以采用外部存储单元，如移动硬盘、闪存卡。
处理器执行部分或全部计算可执行程序时能实现本发明所述药物推荐方法的部分步骤或所有步骤，存储器还用于存储患者的相关信息。
基于同样的发明构思，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一技术方案所述药物推荐方法。
计算机可读存储介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机可读存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、固态硬盘(SSD，Solid State Drives)或光盘等。其中，随机存取记忆体可以包括电阻式随机存取记忆体(ReRAM,Resistance Random Access Memory)和动态随机存取存储器(DRAM，Dynamic Random Access Memory)。
综上，本发明提供了一种药物推荐方法，所述药物推荐方法应用于药物推荐系统，所述方法包括：通过所述药物推荐系统获取患者的第一个人信息，所述第一个人信息包括年龄、性别、居住地、所述患者所患疾病、所述患者的药物使用习惯中的一种或多种； 基于所述第一个人信息对所述患者进行多维数据分析得到所述患者的多维数据图谱；通过大数据中心平台获取所述患者的第二个人信息，所述第二个人信息包括所述患者的日常消费信息、银行开支信息、活动范围信息、征信信息中的一种或多种；获取医生基于所述患者的疾病严重情况提供的针对所述患者的医生建议信息，所述医生建议信息包括疾病治疗建议、药物使用建议、饮食建议、生活作息建议中的一种或多种；获取患者的理赔保险信息，所述理赔保险信息包括所述患者所参与的理赔保险险种，所述理赔保险险种可理赔的所有疾病种类，所述所有疾病种类中各类疾病可理赔的额度百分比信息中的一种或多种；至少基于所述患者的多维数据图谱、所述第二个人信息、所述医生建议信息以及所述理赔保险信息，利用预设药物推荐算法生成用户推荐用药。该推荐方法能够根据挥着自身情况进行多维度分析患者信息，并结合患者的经济状况以及医生端给出的合理意见综合性的进行数据整合与筛选，能够快速准确的推荐适合患者需求的药品。
以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理，而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。
Claims (7)
1.一种药物推荐方法，所述药物推荐方法应用于药物推荐系统 ，其特征在于，所述方法包括：
通过所述药物推荐系统获取患者的第一个人信息，所述第一个人信息包括年龄、性别、居住地、所述患者所患疾病、所述患者的药物使用习惯中的一种或多种；
基于所述第一个人信息对所述患者进行多维数据分析得到所述患者的多维数据图谱；
通过大数据中心平台获取所述患者的第二个人信息，所述第二个人信息包括所述患者的日常消费信息、银行开支信息、活动范围信息、征信信息中的一种或多种；
获取医生基于所述患者的疾病严重情况提供的针对所述患者的医生建议信息，所述医生建议信息包括疾病治疗建议、药物使用建议、饮食建议、生活作息建议中的一种或多种；
获取患者的理赔保险信息，所述理赔保险信息包括所述患者所参与的理赔保险险种，所述理赔保险险种可理赔的所有疾病种类，所述所有疾病种类中各类疾病可理赔的额度百分比信息中的一种或多种；
至少基于所述患者的多维数据图谱、所述第二个人信息、所述医生建议信息以及所述理赔保险信息，利用预设药物推荐算法生成用户推荐用药；
获取所述患者在所述药物推荐系统的第一行为信息，所述第一行为信息包括所述患者查看的药物信息，所述患者查看的药物种类数，其中，所述药物信息包括药物种类及药物价钱；
所述至少基于所述患者的多维数据图谱和所述第二个人信息，利用预设药物推荐算法生成用户推荐用药，包括：
基于所述患者的多维数据图谱、所述第二个人信息、所述医生建议信息、所述理赔保险信息，以及所述第一行为信息，利用预设药物推荐算法生成用户推荐用药；
以及在所述药物推荐系统的显示界面向所述患者推荐饮食方案以及医疗建议文章；
获取样本数据集，所述样本数据集包括患者的多维数据图谱样本数据集、第二个人信息样本数据集、医生建议信息样本数据集以及理赔保险信息样本数据集；
获取与所述样本数据集对应的标注数据集，所述标注数据集中每一个标注数据分别对应一组样本数据，所述一组样本数据包括多维数据图谱样本数据集中的一个多维数据图谱样本数据，所二个人信息样本数据集中的一个第二个人样本数据，所述医生建议信息样本数据集中的一个医生建议信息样本数据以及所述理赔保险信息样本数据集中的一个理赔保险信息样本数据；
将所述样本数据集输入药物推荐系统神经网络模型得到药物推荐结果，所述药物推荐系统神经网络包括初始权重系数；
基于所述药物推荐结果与所述标注数据集之间的均方误差反向传播并调整所述药物推荐系统神经网络的权重系数得到训练后的所述药物推荐系统神经网络模型；
所述基于所述患者的多维数据图谱、所述第二个人信息、所述医生建议信息、所述理赔保险信息，以及所述第一行为信息，利用预设药物推荐算法生成用户推荐用药，包括：
基于所述患者的多维数据图谱、所述第二个人信息、所述医生建议信息、所述理赔保险信息，以及所述第一行为信息，利用训练后的所述药物推荐系统神经网络模型生成用户推荐用药；
使用云数据库存储第一个人历史信息、第二个人历史信息、医生建议历史信息、理赔保险历史信息，并使用结构化处理算法对所述第一个人历史信息、所述第二个人历史信息、所述医生建议历史信息、所述理赔保险历史信息进行结构化处理得到第一个人结构化信息、第二个人结构化信息、医生建议结构化信息、理赔结构化信息并存储于网络结构化存储数据库，所述第一个人历史信息包括年龄、性别、居住地、历史疾病、历史药物使用习惯中的一种或多种，所述第二个人历史信息包括患者历史日常消费信息、银行开支信息、活动范围信息、征信信息中的一种或多种，所述医生建议历史信息包括疾病治疗建议、药物使用建议、饮食建议、生活作息建议中的一种或多种，所述理赔保险历史信息包括患者历史理赔保险险种、所述理赔保险险种可理赔的所有疾病种类、所述所有疾病种类中各类疾病可理赔的额度百分比信息中的一种或多种；
获取医生与患者沟通过程中的沟通信息，所述沟通信息包括所述患者的个人病史，所述患者的身体状况，所述患者的家族遗传病史，并对所述沟通信息进行结构化处理得到沟通结构化信息并存储于所述网络结构化存储数据库；
获取患者的疾病治疗历史信息，所述患者的疾病治疗历史信息包括历史疾病信息，历史疾病治疗方案信息、历史疾病用药信息、历史疾病费用信息，并对所述疾病治疗信息进行结构化处理得到疾病治疗结构化信息并存储于所述网络结构化存储数据库；
基于所述第一个人结构信息、所述第二个人结构化信息、所述医生建议结构化信息、所述理赔结构化信息、所述沟通结构化信息以及所述疾病治疗结构化信息对所述药物推荐系统神经网络进行优化得到优化后的药物推荐神经模型；
所述基于所述患者的多维数据图谱、所述第二个人信息、所述医生建议信息、所述理赔保险信息，以及所述第一行为信息，利用预设药物推荐算法生成用户推荐用药，包括：
基于所述患者的多维数据图谱、所述第二个人信息、所述医生建议信息、所述理赔保险信息，以及所述第一行为信息，利用优化后的所述药物推荐系统神经网络模型生成用户推荐用药。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
通过互联网络获取互联网医疗数据，所述互联网医疗数据包括不同患者不同疾病的治疗方案、不同患者不同疾病的用药方案、不同患者不同疾病的治疗费用信息、不同患者不同疾病的用药费用信息；
所述至少基于所述患者的多维数据图谱、所述第二个人信息、所述医生建议信息以及所述理赔保险信息，利用预设药物推荐算法生成用户推荐用药，包括：
基于所述患者的多维数据图谱、所述第二个人信息、所述医生建议信息、所述理赔保险信息以及所述互联网医疗数据，利用预设药物推荐算法生成用户推荐用药。
3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
获取所述患者在所述药物推荐系统的第二行为信息，所述第二行为信息包括所述患者查看的药物信息，所述患者查看的药物种类数，所述患者在选择药物时的操作时间、所述患者在第一特定药物界面的停留时间、所述患者打开第二特定药物界面的次数； 其中，所述药物信息包括药物种类及药物价钱；
基于所述第二行为信息向所述患者发送是否启用远程药物选择帮助的提示信息，所述提示信息通过短信发送，或者所述提示信息通过在所述药物推荐系统的操作界面显示人工客服图标的方式发送。
4.根据权利要求3所述的方法，其特征在于，所述基于所述第二行为信息向所述患者发送是否启用远程药物选择帮助的提示信息后，所述方法还包括：
获取患者基于所述提示信息反馈的操作信息，所述操作信息包括接收所述远程药物选择帮助或拒绝所述远程药物选择帮助；
在所述操作信息包括接收所述远程药物选择帮助的情况下，在所述药物推荐系统的操作界面显示对话框，以使所述患者通过所述对话框进行与系统客服人员进行沟通，或者向所述患者发送药物推荐短信与拨打所述患者的电话；
在所述操作信息包括拒绝所述远程药物选择帮助的情况下，关闭所述提示信息。
5.一种药物推荐系统，其特征在于，用于实现如权利要求1-4任一项所述的药物推荐方法，所述药物推荐系统包括：
第一获取模块，用于获取患者的第一个人信息，所述第一个人信息包括年龄、性别、居住地、所述患者所患疾病、所述患者的药物使用习惯中的一种或多种；
第一分析模块，用于基于所述第一个人信息对所述患者进行多维数据分析得到所述患者的多维数据图谱；
第二获取模块，用于通过大数据中心平台获取所述患者的第二个人信息，所述第二个人信息包括所述患者的日常消费信息、银行开支信息、活动范围信息、征信信息中的一种或多种；
第三获取模块，用于获取医生基于所述患者的疾病严重情况提供的针对所述患者的医生建议信息，所述医生建议信息包括疾病治疗建议、药物使用建议、饮食建议、生活作息建议中的一种或多种；
第四获取模块，用于获取患者的理赔保险信息，所述理赔保险信息包括所述患者所参与的理赔保险险种，所述理赔保险险种可理赔的所有疾病种类，所述所有疾病种类中各类疾病可理赔的额度百分比信息中的一种或多种；
推荐模块，用于至少基于所述患者的多维数据图谱、所述第二个人信息、所述医生建议信息以及所述理赔保险信息，利用预设药物推荐算法生成用户推荐用药。
6.一种计算机设备，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4中任一项所述药物推荐方法。
7.一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4中任一项所述药物推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111049345.2A CN113764067B (zh) | 2021-09-08 | 2021-09-08 | 药物推荐方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111049345.2A CN113764067B (zh) | 2021-09-08 | 2021-09-08 | 药物推荐方法、系统、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113764067A CN113764067A (zh) | 2021-12-07 |
| CN113764067B true CN113764067B (zh) | 2023-09-08 |
Family
ID=78793907
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111049345.2A Active CN113764067B (zh) | 2021-09-08 | 2021-09-08 | 药物推荐方法、系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113764067B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109378045A (zh) * | 2018-09-26 | 2019-02-22 | 北京理工大学 | 基于药品知识图谱推理的用药决策支持方法 |
| CN109801694A (zh) * | 2018-12-18 | 2019-05-24 | 北京仁泽健康服务中心 | 一种疾病用药方案智能管控方法及系统 |
| CN111260448A (zh) * | 2020-02-13 | 2020-06-09 | 平安科技（深圳）有限公司 | 基于人工智能的药品推荐方法及相关设备 |
| CN112116978A (zh) * | 2020-09-17 | 2020-12-22 | 陕西师范大学 | 一种风湿免疫药物推荐方法、系统及装置 |
| 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190259482A1 (en) * | 2018-02-20 | 2019-08-22 | Mediedu Oy | System and method of determining a prescription for a patient |
-
2021
- 2021-09-08 CN CN202111049345.2A patent/CN113764067B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109378045A (zh) * | 2018-09-26 | 2019-02-22 | 北京理工大学 | 基于药品知识图谱推理的用药决策支持方法 |
| CN109801694A (zh) * | 2018-12-18 | 2019-05-24 | 北京仁泽健康服务中心 | 一种疾病用药方案智能管控方法及系统 |
| CN111260448A (zh) * | 2020-02-13 | 2020-06-09 | 平安科技（深圳）有限公司 | 基于人工智能的药品推荐方法及相关设备 |
| CN112116978A (zh) * | 2020-09-17 | 2020-12-22 | 陕西师范大学 | 一种风湿免疫药物推荐方法、系统及装置 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113764067A (zh) | 2021-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7814035B2 (en) | Large-scale information collection and mining | |
| US20230410166A1 (en) | Facilitating integrated behavioral support through personalized adaptive data collection | |
| US7647285B2 (en) | Tools for health and wellness | |
| Kusch et al. | How to meet patients’ individual needs for drug information-a scoping review | |
| US9990471B2 (en) | Systems and methods for facilitating integrated behavioral support | |
| US20200227172A1 (en) | Determining indicators of individual health | |
| CN109147198B (zh) | 自助售药方法和系统 | |
| US10733566B1 (en) | High fidelity clinical documentation improvement (CDI) smart scoring systems and methods | |
| Smith et al. | A marginalized two-part model for longitudinal semicontinuous data | |
| US20150254754A1 (en) | Methods and apparatuses for consumer evaluation of insurance options | |
| CN112000894A (zh) | 一种健康管理信息推送方法、装置、设备及存储介质 | |
| Sinaiko et al. | The impact of tiered physician networks on patient choices | |
| US11735300B2 (en) | Digital therapeutic systems and methods | |
| US20160371453A1 (en) | Analytical data processing for consumer health scores | |
| Gutknecht et al. | A systematic review on methods used to evaluate patient preferences in psoriasis treatments | |
| CN111667890A (zh) | 基于人工智能的用药推荐方法、装置、设备及存储介质 | |
| US20230410179A1 (en) | Generating skincare product recommendations for a user based on skincare product attributes and user location and demographic data | |
| US20100088111A1 (en) | System and method for obtaining, processing and evaluating individual blood type and ayurvedic core constitution (prakruti) to construct a personalized health risk assessment report | |
| Garcia et al. | Defining dimensions of patient satisfaction with telemedicine: An analysis of existing measurement instruments | |
| Hosken et al. | Informing the uninformed: How drug advertising affects check-up visits | |
| CN113436738A (zh) | 管理风险用户的方法、装置、设备及存储介质 | |
| US20230360754A1 (en) | Digital therapeutic systems and methods | |
| CN113764067B (zh) | 药物推荐方法、系统、设备及存储介质 | |
| US20220223246A1 (en) | Method and system for personalizing and standardizing cannabis, psychedelic and bioactive products | |
| CN113657970B (zh) | 基于人工智能的药品推荐方法、装置、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20221008 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. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |