CN113821641B - 基于权重分配的药品分类的方法、装置、设备及存储介质 - Google Patents
基于权重分配的药品分类的方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113821641B CN113821641B CN202111151709.8A CN202111151709A CN113821641B CN 113821641 B CN113821641 B CN 113821641B CN 202111151709 A CN202111151709 A CN 202111151709A CN 113821641 B CN113821641 B CN 113821641B
- Authority
- CN
- China
- Prior art keywords
- classification
- weight
- classified
- classification result
- medicine
- 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 284
- 229940079593 drug Drugs 0.000 title claims abstract description 148
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000011218 segmentation Effects 0.000 claims description 50
- 238000004422 calculation algorithm Methods 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 16
- 201000010099 disease Diseases 0.000 abstract description 21
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 21
- 238000013473 artificial intelligence Methods 0.000 abstract description 13
- 230000008569 process Effects 0.000 abstract description 12
- 238000005516 engineering process Methods 0.000 abstract description 11
- 208000030990 Impulse-control disease Diseases 0.000 description 26
- 238000002360 preparation method Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 239000002552 dosage form Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000002674 ointment Substances 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 208000009205 Tinnitus Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000013043 chemical agent Substances 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- CYDMQBQPVICBEU-UHFFFAOYSA-N chlorotetracycline Natural products C1=CC(Cl)=C2C(O)(C)C3CC4C(N(C)C)C(O)=C(C(N)=O)C(=O)C4(O)C(O)=C3C(=O)C2=C1O CYDMQBQPVICBEU-UHFFFAOYSA-N 0.000 description 1
- CYDMQBQPVICBEU-XRNKAMNCSA-N chlortetracycline Chemical compound C1=CC(Cl)=C2[C@](O)(C)[C@H]3C[C@H]4[C@H](N(C)C)C(O)=C(C(N)=O)C(=O)[C@@]4(O)C(O)=C3C(=O)C2=C1O CYDMQBQPVICBEU-XRNKAMNCSA-N 0.000 description 1
- 229960004475 chlortetracycline Drugs 0.000 description 1
- 235000019365 chlortetracycline Nutrition 0.000 description 1
- 230000007012 clinical effect Effects 0.000 description 1
- -1 compound aureomycin hydrochloride Chemical class 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 231100000886 tinnitus Toxicity 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- 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)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Chemical & Material Sciences (AREA)
- Databases & Information Systems (AREA)
- Medicinal Chemistry (AREA)
- Pharmacology & Pharmacy (AREA)
- Toxicology (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种基于权重分配的药品分类的方法、装置、设备及存储介质，属于人工智能技术领域。本申请通过对待分类药品的说明书信息进行文本分类，得到第一分类结果，并对待分类药品的结算记录信息进行聚类，得到第二分类结果，计算第一分类结果的权重，得到第一权重，以及计算第二分类结果，得到第二权重，基于第一权重和第二权重，对第一分类结果和第二分类结果进行加权求和，生成待分类药品的分类结果。此外，本申请还涉及区块链技术，结算记录信息可存储于区块链中。本申请在进行药品分类时，考虑药品本身特性，同时参考药品在各种疾病治疗疗程中的实际使用情况实现自动分类，降低了药品分类过程的人力投入，提高药品分类的效率和准确度。
Description
技术领域
本申请属于人工智能技术领域，具体涉及一种基于权重分配的药品分类的方法、装置、设备及存储介质。
背景技术
目前，业界没有统一的药品分类标准和代表品选择标准，同时由于药品的名目繁多，人工的审核分类耗时耗力，且较难保障分类的体系性和完整性，而药品的分类和代表品选择对支付标准至关重要，影响着临床医生的处方选择和患者的用药选择，进而影响着其在临床上发挥有效价值。例如，医疗制剂的分类，医疗制剂作为医疗机构根据临床需要自行配制的处方制剂，是市场上生物化学药品和中成药的补充，代表着具有医院特色、专科特色的临床经验积累。其中，中药制剂通常占较大比例，中药制剂为临床效果较好的中药处方研制而成，弥补着市场上中成药的缺口。医疗制剂的分类和代表品选择对支付标准至关重要，但目前市面上并没有一套分类体系完整且分类效率较高的制剂分类方案。
发明内容
本申请实施例的目的在于提出一种基于权重分配的药品分类的方法、装置、设备及存储介质，以解决现有药品分类存在的分类体系不完整以及分类效率较低的技术问题。
为了解决上述技术问题，本申请实施例提供一种基于权重分配的药品分类的方法，采用了如下所述的技术方案：
一种基于权重分配的药品分类的方法，包括：
接收药品分类指令，确定与所述药品分类指令对应的待分类药品；
获取所述待分类药品的说明书信息，并对所述说明书信息进行文本分类，得到第一分类结果；
获取所述待分类药品的结算记录信息，并对所述结算记录信息进行聚类，得到第二分类结果；
计算所述第一分类结果的权重，得到第一权重，以及计算所述第二分类结果，得到第二权重；
基于所述第一权重和所述第二权重，对所述第一分类结果和所述第二分类结果进行加权求和，生成所述待分类药品的分类结果。
进一步地，所述获取所述待分类药品的说明书信息，并对所述说明书信息进行文本分类，得到第一分类结果的步骤，具体包括：
获取所述待分类药品的说明书信息，并对所述说明书信息进行分词处理，得到文本分词；
计算所述文本分词的词频，以及计算所述文本分词的逆文档频率；
基于所述词频和所述逆文档频率，生成所述待分类药品对应的特征标签；
计算所述特征标签与预设分类标签的相似度，并基于所述相似度对所述待分类药品进行分类，生成所述第一分类结果。
进一步地，所述说明书信息包括若干个段落，所述计算所述文本分词的词频，以及计算所述文本分词的逆文档频率的步骤，具体包括：
确定所述文本分词所在的段落，得到目标段落；
统计所述文本分词在所述目标段落中的出现次数，得到第一分词数，以及统计所有文本分词在所述说明书信息中的出现次数总和，得到第二分词数；
基于所述第一分词数和所述第二分词数，计算所述所述文本分词的词频；
统计所述目标段落的数量，得到第一段落数量，以及统计所述说明书信息中的段落总数，得到第二段落数量；
基于所述第一段落数量和所述第二段落数量，计算所述文本分词的逆文档频率。
进一步地，所述获取所述待分类药品的结算记录信息，并对所述结算记录信息进行聚类，得到第二分类结果的步骤，具体包括：
对所述结算记录信息进行解析，获取所述待分类药品的ICD代码；
基于所述ICD代码确定所述待分类药品的聚类标签；
基于所述聚类标签对所述待分类药品进行聚类运算，得到所述第二分类结果。
进一步地，所述第一分类结果和第二分类结果均包含若干个分类子结果，所述计算所述第一分类结果的权重，得到第一权重，以及计算所述第二分类结果，得到第二权重的步骤，具体包括：
为每一个所述分类子结果赋予相同的初始权重；
基于预设的特征权重算法调整所述第一分类结果中分类子结果的初始权重，得到所述第一权重；以及
基于预设的特征权重算法调整所述第二分类结果中分类子结果的初始权重，得到所述第二权重。
进一步地，所述基于预设的特征权重算法调整所述第一分类结果中分类子结果的初始权重，得到所述第一权重的步骤，具体包括：
计算所述第一分类结果中分类子结果的相似度，得到第一相似度；
计算所述第一分类结果和所述第二分类结果之间的分类子结果的相似度，得到第二相似度；
基于所述第一相似度和所述第二相似度对所述第一分类结果中的分类子结果的初始权重进行调整，得到所述第一权重。
进一步地，所述基于预设的特征权重算法调整所述第二分类结果中分类子结果的初始权重，得到所述第二权重的步骤，具体包括：
计算所述第二分类结果中分类子结果的相似度，得到第三相似度；
基于所述第二相似度和所述第三相似度对所述第二分类结果中的分类子结果的初始权重进行调整，得到所述第二权重。
为了解决上述技术问题，本申请实施例还提供一种基于权重分配的药品分类的装置，采用了如下所述的技术方案：
一种基于权重分配的药品分类的装置，包括：
指令接收模块，用于接收药品分类指令，确定与所述药品分类指令对应的待分类药品；
第一分类模块，用于获取所述待分类药品的说明书信息，并对所述说明书信息进行文本分类，得到第一分类结果；
第二分类模块，用于获取所述待分类药品的结算记录信息，并对所述结算记录信息进行聚类，得到第二分类结果；
权重计算模块，用于计算所述第一分类结果的权重，得到第一权重，以及计算所述第二分类结果，得到第二权重；
药品分类模块，用于基于所述第一权重和所述第二权重，对所述第一分类结果和所述第二分类结果进行加权求和，生成所述待分类药品的分类结果。
为了解决上述技术问题，本申请实施例还提供一种设备，采用了如下所述的技术方案：
一种设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如上述所述的基于权重分配的药品分类的方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上述所述的基于权重分配的药品分类的方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请公开了一种基于权重分配的药品分类的方法、装置、设备及存储介质，属于人工智能技术领域。本申请对待分类药品的说明书信息进行文本分类，得到待分类药品的第一分类结果，通过对待分类药品的结算记录信息进行聚类，得到待分类药品的第二分类结果，通过特征权重算法计算第一分类结果和第二分类结果的权重，并通过计算得到的权重对第一分类结果和第二分类结果进行加权求和，生成待分类药品的最终分类结果。本申请通过考虑药品特性，并同时参考药品在各种疾病治疗疗程中的实际使用情况自动进行药品分类，降低了药品分类过程的人力投入，提高药品分类的效率和准确度。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了本申请可以应用于其中的示例性系统架构图；
图2示出了根据本申请的基于权重分配的药品分类的方法的一个实施例的流程图；
图3示出了根据本申请的基于权重分配的药品分类的装置的一个实施例的结构示意图；
图4示出了根据本申请的设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery 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。
需要说明的是，本申请实施例所提供的基于权重分配的药品分类的方法一般由服务器执行，相应地，基于权重分配的药品分类的装置一般设置于服务器中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的基于权重分配的药品分类的的方法的一个实施例的流程图。，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。所述的基于权重分配的药品分类的方法，包括以下步骤：
S201，接收药品分类指令，确定与所述药品分类指令对应的待分类药品。
药品代表品是同类商品中最具代表性的品种，常作为与同类商品中的其他品种进行合理比价的标准，建立医保药品的支付标准常需要对药品进行分类，并在同类药品中选择代表品。目前，业界没有统一的药品分类标准和对应的代表品选择标准。同时，由于药品的名目繁多，人工的审核分类预计耗时耗力，且较难保障分类的体系性和完整性。针对上述技术问题，本申请提供一种基于权重分配的药品分类的方法，旨在解决上述采用人工对药品进行分类存在的人力投入大，且效率较低，容易出错的技术问题。
具体的，当存在基于权重分配的药品分类需求时，服务器在接收药品分类指令，并确定与药品分类指令对应的待分类药品，其中，接收药品分类指令可以由需求方的服务端上传，例如，医院的医药室等。
在本实施例中，基于权重分配的药品分类的方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式接收药品分类指令。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
S202，获取所述待分类药品的说明书信息，并对所述说明书信息进行文本分类，得到第一分类结果。
其中，药品说明书中含有大量有利于药品分类的重要信息，然而，由于药品由不同的药企自行研制而成，不同药企的说明书描述差异较大，人工在这些含噪音的信息中提取出不同药品的一致信号非常繁琐耗时，且缺乏统一性，容易出错。
具体的，待分类药品的说明书信息为文本信息，服务器获取待分类药品的说明书信息，并对待分类药品的说明书信息进行预处理，其中预处理包括分词处理和去除停用词处理等等，利用自然语言处理的分词方法(如Python中的Jieba软件包)对药品说明书中的信息进行分词处理，如“复方盐酸金霉素软膏”可以分成“复方”+“盐酸”+“金霉素”+“软膏”，可以根据制剂的主要类别(中药制剂、化学制剂)分别提取不同的信息项作为制剂的分类标签。
待分类药品的说明书信息经过上述预处理后得到文本分词，然后基于词频-逆文本频率指数tf-idf(term frequency-inverse document frequency)方法对文本分词进行分类，得到待分类药品的第一分类结果。其中，tf-idf是一种统计方法，用以评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度。字词的重要性随着它在文件中出现的次数成正比增加，但同时会随着它在语料库中出现的频率成反比下降，tf-idf加权的各种形式常被搜索引擎应用，作为文件与用户查询之间相关程度的度量或评级。tf-idf实际上是：tf*idf，tf词频(term frequency)，idf逆向文件频率(inverse documentfrequency)。tf表示词条在文档d中出现的频率。idf的主要思想是：如果包含词条t的文档越少，也就是n越小，idf越大，则说明词条t具有很好的类别区分能力。
通过参考药品说明书计算标签向量的相似度，根据药品的主要类别提取不同的信息标签。例如，中药制剂的分类会结合制剂名称、功能、主治、剂型、诊断等。化学制剂的分类会综合考虑制剂名称、成分、剂型、科室等。相比于人工分类，上述分类方案更系统和全面的考虑每个药品的主要特性，同时忽略描述差异造成的信息噪音。
S203，获取所述待分类药品的结算记录信息，并对所述结算记录信息进行聚类，得到第二分类结果。
其中，医疗结算系统中每个药品的实际使用情况，尤其是每个药品对应的高频诊断和科室，对药品分类有很好的参考价值。在本申请具体的实施例中，在医疗结算数据中提取出近一年每个药品所对应的ICD10代码的前三位(如H93.1耳鸣)。对每个医疗机构药品，以处方量最多的诊断ICD代码前三位为标签进行聚类，同样ICD标签的药品为一类，若有大量单一的医疗机构药品有独特的ICD前三位代码，则对这些药品考虑根据ICD的前两位进行归类。
具体的，服务器获取预定的时间周期内待分类药品的结算记录信息，解析结算记录信息获得待分类药品对应的ICD代码，并基于ICD代码对待分类药品进行聚类，得到第二分类结果。其中，第二分类结果为根据每个药品的实际使用情况分类得到的待分类药品可用于治疗的疾病类型。ICD代码为国际疾病分类代码(International Classification ofDiseases,ICD)，是WHO制定的国际统一的疾病分类方法，它根据疾病的病因、病理、临床表现和解剖位置等特性，将疾病分门别类，使其成为一个有序的组合，并用编码的方法来表示的系统。全世界通用的是第10次修订本《疾病和有关健康问题的国际统计分类》，仍保留了ICD的简称，并被统称为ICD-10。
医疗结算记录中每个药品对应的高频ICD诊断也可以用于药品归类，尤其是对于部分药品说明书描述不清晰、不完整的药品分类起到重要的补充，选择高频的ICD既保留了诊断信息，也去除一部分原记录中可能由于人工输入错误所造成的噪音。
S204，计算所述第一分类结果的权重，得到第一权重，以及计算所述第二分类结果，得到第二权重。
其中，不同的药品特性和临床信息在分类中有不同的优先级，预先计算药品特性和药品临床信息的权重，可以在信息缺失、记录错误的情况下，仍能根据不同信息的权重选取制剂最适合的分类、根据不同信息的前后一致性选择重点参考的信息而忽略可能错误或缺失的信息。
具体的，服务器通过预设的特征权重算法计算第一分类结果的权重，得到第一权重，以及计算第二分类结果，得到第二权重。
S205，基于所述第一权重和所述第二权重，对所述第一分类结果和所述第二分类结果进行加权求和，生成所述待分类药品的分类结果。
具体的，服务器基于第一权重对第一分类结果进行加权求和以及基于第二权重对第二分类结果进行加权求和，得到待分类药品的分类结果。具体加权求和运算公式如下：
其中，St为加权求和结果，Spi为第一分类结果中第i个分类子结果，Cpi为第一分类结果中第i个分类子结果的权重，Sqi为第一分类结果中第i个分类子结果，Cqi为第一分类结果中第i个分类子结果的权重，m为第一分类结果中分类子结果的数量，n为第二分类结果中分类子结果的数量。
在本申请具体的实施例中，加权求和结果还可以用于确定两种药品是否属于同一类别，例如对药品a的第一分类结果和第二分类结果进行加权求和，得到药品a的加权求和结果对药品b的第一分类结果和第二分类结果进行加权求和，得到药品b的加权求和结果/>并比对药品a的加权求和结果/>和药品b的加权求和结果/>当药品a的加权求和结果/>和药品b的加权求和结果/>的差值大于预设阈值时，判定药品a和药品b属于同一类药物，反之，则判定药品a和药品b不属于同一类药物。
在自动分类结束之后，参照药品的使用量选取某一药品类别的代表品，考虑到不同药品的批准年份不同，药品的使用量会根据单位时间的使用量或者最近一段固定时间，如最近一年的使用量来做测算。此外，对于已批准使用时间较长的药品，如10年前批准且仍处在有效期的药品，会优先考虑近期的使用量。
在上述实施例中，本申请通过对待分类药品的说明书信息进行文本分类，得到待分类药品的第一分类结果，通过对待分类药品的结算记录信息进行聚类，得到待分类药品的第二分类结果，通过特征权重算法计算第一分类结果和第二分类结果的权重，并通过计算得到的权重对第一分类结果和第二分类结果进行加权求和，生成待分类药品的最终分类结果。本申请通过考虑药品特性，并同时参考药品在各种疾病治疗疗程中的实际使用情况自动进行药品分类，降低了药品分类过程的人力投入，提高药品分类的效率和准确度。
进一步地，所述获取所述待分类药品的说明书信息，并对所述说明书信息进行文本分类，得到第一分类结果的步骤，具体包括：
获取所述待分类药品的说明书信息，并对所述说明书信息进行分词处理，得到文本分词；
计算所述文本分词的词频，以及计算所述文本分词的逆文档频率；
基于所述词频和所述逆文档频率，生成所述待分类药品对应的特征标签；
计算所述特征标签与预设分类标签的相似度，并基于所述相似度对所述待分类药品进行分类，生成所述第一分类结果。
具体的，服务器通过获取待分类药品的说明书信息，并对说明书信息进行分词处理，得到文本分词，通过计算每一个文本分词的词频，可以采用自然语言处理的分词方法(如Python中的Jieba软件包)对药品说明书中的信息进行分词处理。然后计算每一个文本分词的逆文档频率，基于上述计算得到的词频和逆文档频率生成待分类药品对应的特征标签，并计算特征标签与预设分类标签的相似度，并基于相似度对待分类药品进行分类，生成第一分类结果。其中，第一分类结果为根据说明书信息分类得到的待分类药品可用于治疗的疾病类型。
在本申请一种具体的实施案例中，通过余弦相似度计算特征标签与预设分类标签的相似度，在根据相似度对待分类药品进行分类。例如，对化学制剂，基于化学成分的归类要求相似度大于99％，基于适应症的归类要求相似度大于95％。对中药制剂，基于功能主治的归类要求相似度大于95％，基于科室和剂型的分类要求相似度大于99％。
进一步地，所述说明书信息包括若干个段落，所述计算所述文本分词的词频，以及计算所述文本分词的逆文档频率的步骤，具体包括：
确定所述文本分词所在的段落，得到目标段落；
统计所述文本分词在所述目标段落中的出现次数，得到第一分词数，以及统计所有文本分词在所述说明书信息中的出现次数总和，得到第二分词数；
基于所述第一分词数和所述第二分词数，计算所述所述文本分词的词频；
统计所述目标段落的数量，得到第一段落数量，以及统计所述说明书信息中的段落总数，得到第二段落数量；
基于所述第一段落数量和所述第二段落数量，计算所述文本分词的逆文档频率。
具体的，词频TF的计算公式如下：
其中，tfi,j为文本分词ti的词频，ni,j为文本分词ti在某个文本dj中的出现次数，∑knk,j为k个文本分词在所有文档中的出现次数总和。服务器统计目标文档的数量，得到第一文档数量，以及统计训练样本中的文档总数，得到第二文档数量，基于第一文档数量和第二文档数量，计算文本分词的逆文档频率。
逆文本频率IDF的计算公式如下：
其中，idfi,j为文本分词ti的逆文本频率指数，|D|为训练样本中的文档总数，|{j:ti∈dj}|包含文本分词ti的文档数量。
在上述实施例中，本申请基于词频-逆文本频率指数tf-idf(term frequency-inverse document frequency)方法对说明书信息中的文本分词进行分类，生成第一分类结果，其中，第一分类结果为根据说明书信息分类得到的待分类药品可用于治疗的疾病类型。
进一步地，所述获取所述待分类药品的结算记录信息，并对所述结算记录信息进行聚类，得到第二分类结果的步骤，具体包括：
对所述结算记录信息进行解析，获取所述待分类药品的ICD代码；
基于所述ICD代码确定所述待分类药品的聚类标签；
基于所述聚类标签对所述待分类药品进行聚类运算，得到所述第二分类结果。
具体的，服务器对结算记录信息进行解析，获取待分类药品的ICD代码，基于ICD代码确定待分类药品的聚类标签，基于聚类标签对待分类药品进行聚类运算，得到第二分类结果，其中，第二分类结果为根据每个药品的实际使用情况分类得到的待分类药品可用于治疗的疾病类型。
在本申请一种具体的实施例中，可以通过ICD代码前三位来生成待分类药品的聚类标签，ICD代码前三位分别表征了人体系统、具体人体器官和疾病类型，若有大量单一的医疗机构药品有独特的ICD前三位代码，则对这些药品考虑根据ICD的前两位进行归类。
需要说明的是，对待分类药品进行聚类运算可以采用常规的统计聚类，如根据待分类药品在每种疾病中的使用频次或使用量进行聚类，也可以基于机器学习的聚类算法对待分类药品进行聚类运算，例如K均值聚类、均值漂移聚类、DBSCAN聚类等等。
在上述实施例中，本申请通过对待分类药品的结算记录信息进行聚类运算，得到第二分类结果，其中，第二分类结果为根据每个药品的实际使用情况分类得到的待分类药品可用于治疗的疾病类型。
进一步地，所述第一分类结果和第二分类结果均包含若干个分类子结果，所述计算所述第一分类结果的权重，得到第一权重，以及计算所述第二分类结果，得到第二权重的步骤，具体包括：
为每一个所述分类子结果赋予相同的初始权重；
基于预设的特征权重算法调整所述第一分类结果中分类子结果的初始权重，得到所述第一权重；以及
基于预设的特征权重算法调整所述第二分类结果中分类子结果的初始权重，得到所述第二权重。
其中，预设的特征权重算法可以是特征权值算法(Relief算法)，Relief算法从任意一个特征数据组合D中随机选择一个样本R，然后从D中寻找最近邻样本H，称为Near Hit，从其他特征数据组合中寻找最近邻样本M，称为NearMiss，然后根据以下规则更新每个特征的权重：如果R和Near Hit在某个特征上的距离小于R和Near Miss上的距离，这里的距离即两个特征数据之间的相似度，则说明该特征对区分同类和不同类的最近邻是有益的，则增加该特征的权重；反之，如果R和Near Hit在某个特征的距离大于R和Near Miss上的距离，说明该特征对区分同类和不同类的最近邻起负面作用，则降低该特征的权重。以上过程重复m次，最后得到各特征的平均权重，特征的权重越大，表示该特征的分类能力越强，反之，表示该特征分类能力越弱。Relief算法的运行时间随着样本的抽样次数m和原始特征个数N的增加线性增加，因而运行效率非常高。
具体的，第一分类结果和第二分类结果均包含若干个分类子结果，服务器先为每一个分类子结果赋予相同的初始权重，如“0.5”，再基于预设的特征权重算法，在初始权重的基础上计算第一分类结果中每一个分类子结果的权重，得到第一分类结果的第一权重，以及计算第二分类结果中每一个分类子结果的权重，得到第二分类结果的第二权重。
进一步地，所述基于预设的特征权重算法调整所述第一分类结果中分类子结果的初始权重，得到所述第一权重的步骤，具体包括：
计算所述第一分类结果中分类子结果的相似度，得到第一相似度；
计算所述第一分类结果和所述第二分类结果之间的分类子结果的相似度，得到第二相似度；
基于所述第一相似度和所述第二相似度对所述第一分类结果中的分类子结果的初始权重进行调整，得到所述第一权重。
进一步地，所述基于预设的特征权重算法调整所述第二分类结果中分类子结果的初始权重，得到所述第二权重的步骤，具体包括：
计算所述第二分类结果中分类子结果的相似度，得到第三相似度；
基于所述第二相似度和所述第三相似度对所述第二分类结果中的分类子结果的初始权重进行调整，得到所述第二权重。
具体的，服务器计算第一分类结果中两个分类子结果的相似度，得到第一相似度，并计算第二分类结果中两个分类子结果的相似度，得到第三相似度，再计算第一分类结果和第二分类结果之间的两个分类子结果的相似度，得到第二相似度，基于第一相似度和第二相似度对第一分类结果中分类子结果的初始权重进行调整，得到第一权重，基于第二相似度和第三相似度对第二分类结果中分类子结果的初始权重进行调整，得到第二权重。
在本申请具体的实施例中，初始权重根据相似度的差值进行调整，例如，第一分类结果中的分类子结果的初始权重的调整，通过计算得到第一分类结果中某一个分类子结果的第一相似度和第二相似度的差值，当其第一相似度和第二相似度的差值大于或等于预设阈值时，下调其初始权重，下调幅度可以提前预设，如“0.1”；当其第一相似度和第二相似度的差值小于预设阈值时，上调其初始权重。
在上述实施例中，本申请通过预设的特征权重算法分别计算第一分类结果的权重和第二分类结果的权重，以便于后续通过计算得到的权重对第一分类结果和第二分类结果进行加权求和，生成待分类药品的最终分类结果。
在本实施例中，本申请公开了一种基于权重分配的药品分类的方法，属于人工智能技术领域。本申请对待分类药品的说明书信息进行文本分类，得到待分类药品的第一分类结果，通过对待分类药品的结算记录信息进行聚类，得到待分类药品的第二分类结果，通过特征权重算法计算第一分类结果和第二分类结果的权重，并通过计算得到的权重对第一分类结果和第二分类结果进行加权求和，生成待分类药品的最终分类结果。本申请通过考虑药品特性，并同时参考药品在各种疾病治疗疗程中的实际使用情况自动进行药品分类，降低了药品分类过程的人力投入，提高药品分类的效率和准确度。
需要强调的是，为进一步保证上述结算记录信息的私密和安全性，上述结算记录信息还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种基于权重分配的药品分类的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图3所示，本实施例所述的基于权重分配的药品分类的装置包括：
指令接收模块301，用于接收药品分类指令，确定与所述药品分类指令对应的待分类药品；
第一分类模块302，用于获取所述待分类药品的说明书信息，并对所述说明书信息进行文本分类，得到第一分类结果；
第二分类模块303，用于获取所述待分类药品的结算记录信息，并对所述结算记录信息进行聚类，得到第二分类结果；
权重计算模块304，用于计算所述第一分类结果的权重，得到第一权重，以及计算所述第二分类结果，得到第二权重；
药品分类模块305，用于基于所述第一权重和所述第二权重，对所述第一分类结果和所述第二分类结果进行加权求和，生成所述待分类药品的分类结果。
进一步地，所述第一分类模块302具体包括：
分词处理单元，用于获取所述待分类药品的说明书信息，并对所述说明书信息进行分词处理，得到文本分词；
文本计算单元，用于计算所述文本分词的词频，以及计算所述文本分词的逆文档频率；
标签生成单元，用于基于所述词频和所述逆文档频率，生成所述待分类药品对应的特征标签；
文本分类单元，用于计算所述特征标签与预设分类标签的相似度，并基于所述相似度对所述待分类药品进行分类，生成所述第一分类结果。
进一步地，所述文本计算单元具体包括：
文本位置确认子单元，用于确定所述文本分词所在的段落，得到目标段落，其中，所述说明书信息包括若干个段落；
次数统计子单元，用于统计所述文本分词在所述目标段落中的出现次数，得到第一分词数，以及统计所有文本分词在所述说明书信息中的出现次数总和，得到第二分词数；
词频计算子单元，用于基于所述第一分词数和所述第二分词数，计算所述所述文本分词的词频；
段落统计子单元，用于统计所述目标段落的数量，得到第一段落数量，以及统计所述说明书信息中的段落总数，得到第二段落数量；
逆文档频率计算子单元，用于基于所述第一段落数量和所述第二段落数量，计算所述文本分词的逆文档频率。
进一步地，所述第二分类模块303具体包括：
信息解析单元，用于对所述结算记录信息进行解析，获取所述待分类药品的ICD代码；
聚类标签生成单元，用于基于所述ICD代码确定所述待分类药品的聚类标签；
聚类运算单元，用于基于所述聚类标签对所述待分类药品进行聚类运算，得到所述第二分类结果。
进一步地，所述权重计算模块304具体包括：
初始赋权单元，用于为每一个所述分类子结果赋予相同的初始权重；
第一权重调整单元，用于基于预设的特征权重算法调整所述第一分类结果中分类子结果的初始权重，得到所述第一权重；以及
第二权重调整单元，用于基于预设的特征权重算法调整所述第二分类结果中分类子结果的初始权重，得到所述第二权重。
进一步地，所述第一权重调整单元具体包括：
第一相似度计算子单元，用于计算所述第一分类结果中分类子结果的相似度，得到第一相似度；
第二相似度计算子单元，用于计算所述第一分类结果和所述第二分类结果之间的分类子结果的相似度，得到第二相似度；
第一权重调整子单元，用于基于所述第一相似度和所述第二相似度对所述第一分类结果中的分类子结果的初始权重进行调整，得到所述第一权重。
进一步地，所述第二权重调整单元具体包括：
第三相似度计算子单元，用于计算所述第二分类结果中分类子结果的相似度，得到第三相似度；
第二权重调整子单元，用于基于所述第二相似度和所述第三相似度对所述第二分类结果中的分类子结果的初始权重进行调整，得到所述第二权重。
本申请公开了一种基于权重分配的药品分类的装置，属于人工智能技术领域。本申请对待分类药品的说明书信息进行文本分类，得到待分类药品的第一分类结果，通过对待分类药品的结算记录信息进行聚类，得到待分类药品的第二分类结果，通过特征权重算法计算第一分类结果和第二分类结果的权重，并通过计算得到的权重对第一分类结果和第二分类结果进行加权求和，生成待分类药品的最终分类结果。本申请通过考虑药品特性，并同时参考药品在各种疾病治疗疗程中的实际使用情况自动进行药品分类，降低了药品分类过程的人力投入，提高药品分类的效率和准确度。
为解决上述技术问题，本申请实施例还提供设备。具体请参阅图4，图4为本实施例设备基本结构框图。
所述设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific IntegratedCircuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述设备4的内部存储单元，例如该设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述设备4的外部存储设备，例如该设备4上配备的插接式硬盘，智能存储卡(Smart MediaCard,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器41还可以既包括所述设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述设备4的操作系统和各类应用软件，例如基于权重分配的药品分类的方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述基于权重分配的药品分类的方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述设备4与其他电子设备之间建立通信连接。
本申请公开了一种设备，属于人工智能技术领域。本申请对待分类药品的说明书信息进行文本分类，得到待分类药品的第一分类结果，通过对待分类药品的结算记录信息进行聚类，得到待分类药品的第二分类结果，通过特征权重算法计算第一分类结果和第二分类结果的权重，并通过计算得到的权重对第一分类结果和第二分类结果进行加权求和，生成待分类药品的最终分类结果。本申请通过考虑药品特性，并同时参考药品在各种疾病治疗疗程中的实际使用情况自动进行药品分类，降低了药品分类过程的人力投入，提高药品分类的效率和准确度。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于权重分配的药品分类的方法的步骤。
本申请公开了一种存储介质，属于人工智能技术领域。本申请对待分类药品的说明书信息进行文本分类，得到待分类药品的第一分类结果，通过对待分类药品的结算记录信息进行聚类，得到待分类药品的第二分类结果，通过特征权重算法计算第一分类结果和第二分类结果的权重，并通过计算得到的权重对第一分类结果和第二分类结果进行加权求和，生成待分类药品的最终分类结果。本申请通过考虑药品特性，并同时参考药品在各种疾病治疗疗程中的实际使用情况自动进行药品分类，降低了药品分类过程的人力投入，提高药品分类的效率和准确度。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。
Claims (6)
1.一种基于权重分配的药品分类的方法，其特征在于，包括：
接收药品分类指令，确定与所述药品分类指令对应的待分类药品；
获取所述待分类药品的说明书信息，并对所述说明书信息进行文本分类，得到第一分类结果；
获取所述待分类药品的结算记录信息，并对所述结算记录信息进行聚类，得到第二分类结果；
计算所述第一分类结果的权重，得到第一权重，以及计算所述第二分类结果，得到第二权重；
基于所述第一权重和所述第二权重，对所述第一分类结果和所述第二分类结果进行加权求和，生成所述待分类药品的分类结果；
所述获取所述待分类药品的结算记录信息，并对所述结算记录信息进行聚类，得到第二分类结果的步骤，具体包括：
对所述结算记录信息进行解析，获取所述待分类药品的ICD代码；
基于所述ICD代码确定所述待分类药品的聚类标签；
基于所述聚类标签对所述待分类药品进行聚类运算，得到所述第二分类结果；
所述第一分类结果和第二分类结果均包含若干个分类子结果，所述计算所述第一分类结果的权重，得到第一权重，以及计算所述第二分类结果，得到第二权重的步骤，具体包括：
为每一个所述分类子结果赋予相同的初始权重；
基于预设的特征权重算法调整所述第一分类结果中分类子结果的初始权重，得到所述第一权重；以及
基于预设的特征权重算法调整所述第二分类结果中分类子结果的初始权重，得到所述第二权重；
所述基于预设的特征权重算法调整所述第一分类结果中分类子结果的初始权重，得到所述第一权重的步骤，具体包括：
计算所述第一分类结果中分类子结果的相似度，得到第一相似度；
计算所述第一分类结果和所述第二分类结果之间的分类子结果的相似度，得到第二相似度；
基于所述第一相似度和所述第二相似度对所述第一分类结果中的分类子结果的初始权重进行调整，得到所述第一权重；
所述基于预设的特征权重算法调整所述第二分类结果中分类子结果的初始权重，得到所述第二权重的步骤，具体包括：
计算所述第二分类结果中分类子结果的相似度，得到第三相似度；
基于所述第二相似度和所述第三相似度对所述第二分类结果中的分类子结果的初始权重进行调整，得到所述第二权重。
2.如权利要求1所述的基于权重分配的药品分类的方法，其特征在于，所述获取所述待分类药品的说明书信息，并对所述说明书信息进行文本分类，得到第一分类结果的步骤，具体包括：
获取所述待分类药品的说明书信息，并对所述说明书信息进行分词处理，得到文本分词；
计算所述文本分词的词频，以及计算所述文本分词的逆文档频率；
基于所述词频和所述逆文档频率，生成所述待分类药品对应的特征标签；
计算所述特征标签与预设分类标签的相似度，并基于所述相似度对所述待分类药品进行分类，生成所述第一分类结果。
3.如权利要求2所述的基于权重分配的药品分类的方法，其特征在于，所述说明书信息包括若干个段落，所述计算所述文本分词的词频，以及计算所述文本分词的逆文档频率的步骤，具体包括：
确定所述文本分词所在的段落，得到目标段落；
统计所述文本分词在所述目标段落中的出现次数，得到第一分词数，以及统计所有文本分词在所述说明书信息中的出现次数总和，得到第二分词数；
基于所述第一分词数和所述第二分词数，计算所述所述文本分词的词频；
统计所述目标段落的数量，得到第一段落数量，以及统计所述说明书信息中的段落总数，得到第二段落数量；
基于所述第一段落数量和所述第二段落数量，计算所述文本分词的逆文档频率。
4.一种基于权重分配的药品分类的装置，其特征在于，所述基于权重分配的药品分类的装置实现如权利要求1至3中任一项所述的基于权重分配的药品分类的方法的步骤，所述基于权重分配的药品分类的装置包括：
指令接收模块，用于接收药品分类指令，确定与所述药品分类指令对应的待分类药品；
第一分类模块，用于获取所述待分类药品的说明书信息，并对所述说明书信息进行文本分类，得到第一分类结果；
第二分类模块，用于获取所述待分类药品的结算记录信息，并对所述结算记录信息进行聚类，得到第二分类结果；
权重计算模块，用于计算所述第一分类结果的权重，得到第一权重，以及计算所述第二分类结果，得到第二权重；
药品分类模块，用于基于所述第一权重和所述第二权重，对所述第一分类结果和所述第二分类结果进行加权求和，生成所述待分类药品的分类结果。
5.一种设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至3中任一项所述的基于权重分配的药品分类的方法的步骤。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至3中任一项所述的基于权重分配的药品分类的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111151709.8A CN113821641B (zh) | 2021-09-29 | 2021-09-29 | 基于权重分配的药品分类的方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111151709.8A CN113821641B (zh) | 2021-09-29 | 2021-09-29 | 基于权重分配的药品分类的方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113821641A CN113821641A (zh) | 2021-12-21 |
| CN113821641B true CN113821641B (zh) | 2024-04-05 |
Family
ID=78921560
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111151709.8A Active CN113821641B (zh) | 2021-09-29 | 2021-09-29 | 基于权重分配的药品分类的方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113821641B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116955497A (zh) * | 2023-04-07 | 2023-10-27 | 广州标点医药信息股份有限公司 | 一种中成药数据的分类方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109659000A (zh) * | 2018-12-13 | 2019-04-19 | 平安医疗健康管理股份有限公司 | 违规处方的识别方法、装置、终端及计算机可读存储介质 |
| CN112597398A (zh) * | 2021-03-05 | 2021-04-02 | 南京云联数科科技有限公司 | 药品推荐模型应用方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110021439B (zh) * | 2019-03-07 | 2023-01-24 | 平安科技（深圳）有限公司 | 基于机器学习的医疗数据分类方法、装置和计算机设备 |
-
2021
- 2021-09-29 CN CN202111151709.8A patent/CN113821641B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109659000A (zh) * | 2018-12-13 | 2019-04-19 | 平安医疗健康管理股份有限公司 | 违规处方的识别方法、装置、终端及计算机可读存储介质 |
| CN112597398A (zh) * | 2021-03-05 | 2021-04-02 | 南京云联数科科技有限公司 | 药品推荐模型应用方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113821641A (zh) | 2021-12-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108492196B (zh) | 通过数据分析推断医疗保险违规行为的风控方法 | |
| US11670415B2 (en) | Data driven analysis, modeling, and semi-supervised machine learning for qualitative and quantitative determinations | |
| CN108876636B (zh) | 理赔智能风控方法、系统、计算机设备及存储介质 | |
| Heath et al. | Efficient Monte Carlo estimation of the expected value of sample information using moment matching | |
| Chou et al. | Integrating XBRL data with textual information in Chinese: A semantic web approach | |
| WO2014052921A2 (en) | Patient health record similarity measure | |
| Park et al. | Knowledge discovery with machine learning for hospital-acquired catheter-associated urinary tract infections | |
| CN111582932A (zh) | 场景间信息推送方法、装置、计算机设备及存储介质 | |
| WO2023178978A1 (zh) | 基于人工智能的处方审核方法、装置、设备及介质 | |
| CN115375177A (zh) | 用户价值评估方法、装置、电子设备及存储介质 | |
| CN111785383A (zh) | 数据处理方法及相关设备 | |
| CN113821641B (zh) | 基于权重分配的药品分类的方法、装置、设备及存储介质 | |
| WO2018082921A1 (en) | Precision clinical decision support with data driven approach on multiple medical knowledge modules | |
| CN114706985A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
| CN114756669A (zh) | 问题意图的智能分析方法、装置、电子设备及存储介质 | |
| CN115620886B (zh) | 一种数据审核方法和装置 | |
| US20150339602A1 (en) | System and method for modeling health care costs | |
| CN113706252B (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
| CN115631823A (zh) | 相似病例推荐方法及系统 | |
| Etzioni et al. | Statistics for health data science | |
| Roblin et al. | Development of a common data model for a multisite and multiyear study of virtual visit implementation: a case study | |
| CN113643783A (zh) | 亚健康人群药品推荐方法、系统、设备及存储介质 | |
| CN113436725A (zh) | 数据处理方法、系统、计算机设备及计算机可读存储介质 | |
| CN113312482A (zh) | 问题分类方法、装置、电子设备及可读存储介质 | |
| CN112750046A (zh) | 一种基于异常检测算法的医保控费方法和系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220520 Address after: 518000 China Aviation Center 2901, No. 1018, Huafu Road, Huahang community, Huaqiang North Street, Futian District, Shenzhen, Guangdong Province Applicant after: Shenzhen Ping An medical and Health Technology Service Co.,Ltd. Address before: Room 12G, Area H, 666 Beijing East Road, Huangpu District, Shanghai 200001 Applicant before: PING AN MEDICAL AND HEALTHCARE MANAGEMENT Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |