CN114765075A - 药品推荐方法、装置及系统、电子设备及存储介质 - Google Patents

药品推荐方法、装置及系统、电子设备及存储介质 Download PDF

Info

Publication number
CN114765075A
CN114765075A CN202110040485.7A CN202110040485A CN114765075A CN 114765075 A CN114765075 A CN 114765075A CN 202110040485 A CN202110040485 A CN 202110040485A CN 114765075 A CN114765075 A CN 114765075A
Authority
CN
China
Prior art keywords
drug
medicine
patient
knowledge
graph
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.)
Pending
Application number
CN202110040485.7A
Other languages
English (en)
Inventor
张春会
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BOE Technology Group Co Ltd
Original Assignee
BOE Technology Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by BOE Technology Group Co Ltd filed Critical BOE Technology Group Co Ltd
Priority to CN202110040485.7A priority Critical patent/CN114765075A/zh
Priority to US17/462,623 priority patent/US20220223245A1/en
Publication of CN114765075A publication Critical patent/CN114765075A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • 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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Toxicology (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

一种药品推荐方法、药品推荐装置、药品推荐系统、电子设备及非瞬时性存储介质。该药品推荐方法包括：获取患者信息；基于药品知识图谱和患者信息，确定候选药品集合；对候选药品集合中的每个药品进行打分，根据打分结果确定目标推荐药品；以及提供目标推荐药品。该药品推荐方法可以对候选药品集合中的每个药品进行打分排序以确定目标推荐药品，从而，可以有效避免产生庞大的推荐结果，方便用户选择，同时还可以降低用药副作用发生概率。

Description

药品推荐方法、装置及系统、电子设备及存储介质
技术领域
本公开的实施例涉及一种药品推荐方法、药品推荐装置、药品推荐系统、电子设备和非瞬时性存储介质。
背景技术
深化医药卫生体制改革是一项涉及面广、难度大的系统工程。一方面，我国医疗资源紧缺，难以满足民众日益增长的医疗服务需求；另一方面，药物滥用、用药不规范等各种不合理用药问题越发严重，不仅直接影响医疗安全和质量，给患者带来健康危害，还给社会造成巨大的经济损失。
同时，随着科学的进步与时代的发展，知识爆炸对医师工作提出了严峻挑战，医学领域的知识更新和增长，也超出了医师的学习和掌握限度。药物的多样性和患者不同的病理特点使药物治疗复杂化，多种因素都会对用药种类和剂量产生影响，因此，在缺少有效的医疗辅助决策手段的情况下，单纯靠医师尤其是经验尚浅的实习医师的个人判断往往难以解决当前存在的用药问题。
发明内容
本公开至少一些实施例提供一种药品推荐方法，包括：获取患者信息；基于药品知识图谱和所述患者信息，确定候选药品集合；对所述候选药品集合中的每个药品进行打分，根据所述打分结果确定目标推荐药品；以及提供所述目标推荐药品。
例如，在本公开一些实施例提供的药品推荐方法中，所述药品知识图谱包括单药知识图谱，基于所述药品知识图谱和所述患者信息，确定所述候选药品集合，包括：基于所述单药知识图谱和所述患者信息，确定所述候选药品集合。
例如，在本公开一些实施例提供的药品推荐方法中，对所述候选药品集合中的每个药品进行打分，根据所述打分结果确定目标推荐药品，包括：基于所述患者信息确定患者疾病；基于所述单药知识图谱，确定所述候选药品集合中的每个药品对于所述患者疾病的匹配度得分，并根据所述匹配度得分对所述候选药品集合中的每个药品进行排序；以及将所述候选药品集合中的符合预定排序规则的药品作为所述目标推荐药品。
例如，在本公开一些实施例提供的药品推荐方法中，所述单药知识图谱包括药品-适应症-疾病三元组数据集，基于所述单药知识图谱，确定所述候选药品集合中的每个药品对于所述患者疾病的匹配度得分，包括：将所述单药知识图谱中的所有药品-适应症-疾病三元组数据集表示为二分图；以及基于随机游走算法在所述二分图中进行随机游走，以计算所述候选药品集合中的每个药品对于所述患者疾病的匹配度得分。
例如，在本公开一些实施例提供的药品推荐方法中，所述二分图包括对应于所述单药知识图谱中的所有药品的多个药品节点、对应于所述药品知识图谱中的所有疾病的多个疾病节点、以及连接具有适应症关系的任一药品节点和任一疾病节点的路径，基于所述随机游走算法在所述二分图中进行随机游走，以计算所述候选药品集合中的每个药品对于所述患者疾病的匹配度得分，包括：设置随机游走概率，并设置二分图中的所有节点的初始访问概率；在每次游走过程中，将所述患者疾病对应的疾病节点作为起点开始游走，在游走到任一节点时，按照随机游走概率决定是继续游走，还是停止本次游走过程，在停止本次游走过程时，根据以下迭代公式计算所述二分图中的所有节点的访问概率：
Figure BDA0002895644070000021
其中，PR(i)表示节点i的访问概率，α表示所述随机游走概率，in(i)代表指向节点i的所有节点的集合，节点j为in(i)中的任一节点，out(j)代表节点j指向的所有节点的集合；以及判断上述随机游走过程是否满足迭代终止条件，若不满足所述迭代终止条件，则重复执行上述随机游走过程，若满足所述迭代终止条件，则停止上述随机游走过程，并将所述候选药品集合中的每个药品对应的药品节点的访问概率作为所述候选药品集合中的每个药品对于所述患者疾病的匹配度得分。
例如，在本公开一些实施例提供的药品推荐方法中，所述患者疾病对应的疾病节点的初始访问概率设置为1，除所述患者疾病对应的疾病节点之外的其他节点的初始访问概率设置为0。
例如，在本公开一些实施例提供的药品推荐方法中，所述随机游走概率的取值范围为[0.8,0.9]。
例如，在本公开一些实施例提供的药品推荐方法中，所述单药知识图谱包括每种疾病对应的药品的使用权重，基于所述单药知识图谱，确定所述候选药品集合中的每个药品对于所述患者疾病的匹配度得分，包括：基于所述单药知识图谱，将所述候选药品集合中的每个药品相对于所述患者疾病的使用权重作为所述候选药品集合中的每个药品对于所述患者疾病的匹配度得分。
例如，本公开一些实施例提供的药品推荐方法，还包括：根据所述目标推荐药品的选用情况，调增所述单药知识图谱中的被选用的目标推荐药品相对于所述患者疾病的使用权重。
例如，在本公开一些实施例提供的药品推荐方法中，所述药品知识图谱包括联合用药知识图谱，基于所述药品知识图谱和所述患者信息，确定所述候选药品集合，包括：基于所述联合用药知识图谱和所述患者信息，确定所述候选药品集合。
例如，在本公开一些实施例提供的药品推荐方法中，所述患者信息包括患者的疾病，基于所述联合用药知识图谱和所述患者信息，确定所述候选药品集合，包括：在所述联合用药知识图谱中查询与所述患者的疾病具有适应症关系的所有联合处方，以得到所述候选药品集合。
例如，本公开一些实施例提供的药品推荐方法，还包括：基于所述患者信息，判断联合用药必要性，得到所述联合用药必要性的判断结果，其中，所述联合用药必要性的判断结果包括需要联合用药和不需要联合用药；其中，所述药品知识图谱包括单药知识图谱和联合用药知识图谱；基于所述药品知识图谱和所述患者信息，确定所述候选药品集合，包括：响应于所述联合用药必要性的判断结果为不需要联合用药，基于所述单药知识图谱和所述患者信息，确定所述候选药品集合，或者，响应于所述联合用药必要性的判断结果为需要联合用药，基于所述联合用药知识图谱和所述患者信息，确定所述候选药品集合。
例如，在本公开一些实施例提供的药品推荐方法中，基于所述患者信息，判断所述联合用药必要性，得到所述联合用药必要性的判断结果包括：基于所述患者信息，使用二分类模型判断所述联合用药必要性，以得到所述联合用药必要性的判断结果。
例如，在本公开一些实施例提供的药品推荐方法中，所述二分类模型是以电子病历作为训练数据，并结合用药指南，采用决策树算法构建的。
例如，在本公开一些实施例提供的药品推荐方法中，所述单药品知识图谱是以单一药品为核心节点构建的。
例如，在本公开一些实施例提供的药品推荐方法中，所述联合用药知识图谱是以联合处方为核心节点构建的，其中，所述联合处方包括至少两种药品。
例如，本公开一些实施例提供的药品推荐方法，还包括：基于所述药品知识图谱和所述患者信息对所述目标推荐药品进行安全性审核，以得到所述目标推荐药品的审核报告。
例如，在本公开一些实施例提供的药品推荐方法中，基于所述药品知识图谱和所述患者信息对所述目标推荐药品进行所述安全性审核，以得到所述目标推荐药品的审核报告，包括：通过查询所述药品知识图谱，确定所述目标推荐药品的禁用信息、慎用信息、过敏信息至少之一；以及将所述目标推荐药品的禁用信息、慎用信息、过敏信息至少之一与所述患者信息进行匹配，以得到所述目标推荐药品的审核报告，其中，在所述目标推荐药品的禁用信息、慎用信息、过敏信息至少之一能与所述患者信息进行成功匹配的情况下，所述目标推荐药品的审核报告包括相应的禁用提醒、慎用提醒、过敏提醒至少之一。
例如，在本公开一些实施例提供的药品推荐方法中，基于所述药品知识图谱和所述患者信息对所述目标推荐药品进行所述安全性审核，以得到所述目标推荐药品的审核报告，还包括：在所述目标推荐药品包括药品组合的情况下，通过查询所述药品知识图谱，确定所述药品组合中的各个药品的配伍禁忌信息，根据所述药品组合中的各个药品的配伍禁忌信息，判断所述药品组合中的各个药品之间是否存在配伍禁忌，并响应于所述药品组合中的各个药品之间存在配伍禁忌，给出配伍禁忌提醒，其中，所述目标推荐药品的审核报告还包括所述药品组合的配伍禁忌提醒。
例如，在本公开一些实施例提供的药品推荐方法中，基于所述药品知识图谱和所述患者信息对所述目标推荐药品进行所述安全性审核，以得到所述目标推荐药品的审核报告，还包括：在所述目标推荐药品包括药品组合的情况下，遍历电子病历大数据中出现的药品联用处方，以出现在所述药品联用处方中的各个药品为节点，将各个药品之间的初始边权值设为0，任意两个药品每在所述电子病历大数据中出现一次联用就增加该两个药品之间的边权值，以形成带权值的网络；以及根据所述带权值的网络，采用图搜索算法判定所述药品组合的安全性，其中，所述目标推荐药品的审核报告还包括所述药品组合的安全性判定结果。
例如，本公开一些实施例提供的药品推荐方法，还包括：在提供所述目标推荐药品的同时，提供所述目标推荐药品的审核报告。
例如，在本公开一些实施例提供的药品推荐方法中，提供所述目标推荐药品包括：提供多种用药方案，其中，每种用药方案包括至少一种药品。
例如，在本公开一些实施例提供的药品推荐方法中，所述患者信息包括以下内容中的一项或者多项：患者的病症、患者的人群属性、患者的伴发/潜在病症信息、患者的诊疗情况、患者从事的工作信息、患者的用药情况。
例如，本公开一些实施例提供的药品推荐方法，还包括：构建所述药品知识图谱。
例如，本公开一些实施例提供的药品推荐方法，还包括：根据所述目标推荐药品的选用情况，对所述药品知识图谱进行更新。
本公开至少一些实施例还提供一种药品推荐装置，包括：患者信息交互模块，被配置为获取患者信息；候选药品确定模块，被配置为基于药品知识图谱和所述患者信息，确定候选药品集合；候选药品打分模块，被配置为对所述候选药品集合中的每个药品进行打分，根据所述打分结果确定目标推荐药品；以及用户抉择模块，被配置为提供所述目标推荐药品。
例如，本公开一些实施例提供的药品推荐装置，还包括：联合用药必要性判定模块，被配置为基于所述患者信息，判断联合用药必要性，以得到所述联合用药必要性的判断结果，其中，所述联合用药必要性的判断结果包括需要联合用药和不需要联合用药；其中，所述药品知识图谱包括单药知识图谱和联合用药知识图谱，所述药品推荐模块被配置为基于所述药品知识图谱和所述患者信息，确定所述候选药品集合，包括：所述药品推荐模块被配置为：响应于所述联合用药必要性的判断结果为不需要联合用药，基于所述单药知识图谱和所述患者信息，确定所述候选药品集合，或者，响应于所述联合用药必要性的判断结果为需要联合用药，基于所述联合用药知识图谱和所述患者信息，确定所述候选药品集合者。
例如，本公开一些实施例提供的药品推荐装置，还包括：安全性审核模块，被配置为基于所述药品知识图谱和所述患者信息对所述目标推荐药品进行安全性审核，以得到所述目标推荐药品的审核报告。
例如，本公开一些实施例提供的药品推荐装置，还包括：知识图谱构建模块，被配置为构建所述药品知识图谱。
例如，在本公开一些实施例提供的药品推荐装置中，所述知识图谱构建模块还被配置为根据所述目标推荐药品的选用情况，对所述药品知识图谱进行更新。
本公开至少一些实施例还提供一种药品推荐系统，包括终端和药品推荐装置；其中，所述终端被配置为将请求数据发送给所述药品推荐装置；所述药品推荐装置被配置为：根据所述请求数据，获取患者信息；基于药品知识图谱和所述患者信息，确定候选药品集合；对所述候选药品集合中的每个药品进行打分，根据所述打分结果确定目标推荐药品；以及向所述终端提供所述目标推荐药品。
例如，本公开一些实施例提供的药品推荐系统，还包括：体检系统，被配置为向所述药品推荐装置提供所述患者信息。
本公开至少一些实施例还提供一种电子设备，包括：存储器，用于非暂时性存储计算机可读指令；以及处理器，用于运行所述计算机可读指令，其中，所述计算机可读指令被所述处理器运行时，执行本公开任一实施例提供的药品推荐方法。
本公开至少一些实施例还提供一种非瞬时可读存储介质，非暂时性地存储计算机可读指令，其中，当所述非暂时性计算机可读指令由计算机执行时，执行本公开任一实施例提供的药品推荐方法的指令。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例的附图作简单地介绍，显而易见地，下面描述的附图仅仅涉及本公开的一些实施例，而非对本公开的限制。
图1为本公开至少一些实施例提供的一种药品推荐方法的流程图；
图2为本公开至少一些实施例提供的另一种药品推荐方法的流程图；
图3为本公开至少一些实施例提供的再一种药品推荐方法的流程图；
图4为本公开至少一些实施例提供的一种对应于图1中所示的步骤S300的示例性流程图；
图5A为本公开至少一些实施例提供的一种药品-适应症-疾病三元组数据集的示意图；
图5B为根据图5A所示的药品-适应症-疾病三元组数据集构建的二分图；
图6为本公开至少一些实施例提供的又一种药品推荐方法的流程图；
图7为本公开至少一些实施例提供的一种对应于图6中所示的步骤S390的示例性流程图；
图8A为本公开至少一些实施例提供的一种交互界面的示意图；
图8B为本公开至少一些实施例提供的另一种交互界面的示意图；
图9为本公开至少一些实施例提供的一种药品推荐装置的示意框图；
图10A为本公开至少一些实施例提供的一种药品推荐系统的示意框图；
图10B为本公开至少一些实施例提供的一种终端的示意框图；
图10C为本公开至少一些实施例提供的另一种药品推荐系统的示意框图；
图11为本公开至少一些实施例提供的一种电子设备的示意框图；以及
图12为本公开至少一些实施例提供的一种非瞬时性存储介质的示意图。
具体实施方式
为了使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例的附图，对本公开实施例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公开的一部分实施例，而不是全部的实施例。基于所描述的本公开的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
除非另外定义，本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
下面通过几个具体的实施例对本公开进行说明。为了保持本公开实施例的以下说明清楚且简明，本公开省略了已知功能和已知部件的详细说明。当本公开实施例的任一部件在一个以上的附图中出现时，该部件在每个附图中由相同或类似的参考标号表示。
随着计算机技术和大数据技术的发展，基于知识图谱构建辅助药品推荐系统已经成为一个重要的研究方向。当前的基于知识图谱的用药推荐系统，多是针对患者信息生成推荐药品的清单，交由患者或医生进行抉择，而没有考虑联合用药的必要性及相应处方的生成。而在临床工作中，合理的联合用药能够增加药物疗效，减轻药物毒副作用，所以联合用药的情况越来越多。由于联合用药的复杂性和难度更高，且药物间的相互作用易引发药物不良反应，考虑联合用药往往会增加医生的工作难度，因此，需要有效的药品推荐手段辅助医生进行用药工作，以减轻医生的工作负担。
本公开至少一些实施例提供一种药品推荐方法。该药用指导方法包括：获取患者信息；基于药品知识图谱和患者信息，确定候选药品集合；对候选药品集合中的每个药品进行打分，根据打分结果确定目标推荐药品；以及提供目标推荐药品。
本公开至少一些实施例还提供对应于上述药品推荐方法的药品推荐装置、药品推荐系统、电子设备和非瞬时性存储介质。
本公开的实施例提供的药品推荐方法可以对候选药品集合中的每个药品进行打分排序以确定目标推荐药品，从而，可以有效避免产生庞大的推荐结果，方便用户选择，同时还可以降低用药副作用发生概率。
下面结合附图对本公开的一些实施例及其示例进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
图1为本公开至少一些实施例提供的一种药品推荐方法的流程图，图2为本公开至少一些实施例提供的另一种药品推荐方法的流程图，图3为本公开至少一些实施例提供的再一种药品推荐方法的流程图，图4为本公开至少一些实施例提供的一种对应于图1中所示的步骤S300的示例性流程图，图5A为本公开至少一些实施例提供的一种药品-适应症-疾病三元组数据集的示意图，图5B为根据图5A所示的药品-适应症-疾病三元组数据集构建的二分图，图6为本公开至少一些实施例提供的又一种药品推荐方法的流程图，图7为本公开至少一些实施例提供的一种对应于图6中所示的步骤S390的示例性流程图。
例如，本公开的实施例提供的药品推荐方法可以应用于医生根据患者信息开具处方、患者使用应用程序(例如，APP等)获得推荐处方等场景中。例如，本公开的实施例提供的药品推荐方法可以由计算设备执行，该计算设备包括具有计算功能的任何电子设备，例如可以为智能手机、笔记本电脑、平板电脑、台式计算机、服务器等，本公开的实施例对此不作限制。例如，该计算设备具有中央处理单元(Central Processing Unit，CPU)或图形处理单元(Graphics Processing Unit，GPU)，该计算设备还包括存储器。该存储器例如为非易失性存储器(例如只读存储器(Read Only Memory，ROM))，其上存储有操作系统的代码。例如，存储器上还存储有代码或指令，通过运行这些代码或指令，可以实现本公开的实施例提供的药品推荐方法。
例如，在本公开至少一些实施例中，如图1所示，药品推荐方法10可以包括以下步骤S100至步骤S400。
步骤S100：获取患者信息。
例如，在一些实施例中，在步骤S100中获取的患者信息通常可以包括以下内容中的一项或者多项：(1)患者的病症，例如包括问诊疾病、问诊症状、脉象等；(2)患者的人群属性，包括年龄、性别、身高、体重、生理阶段(妊娠、经期等)等；(3)患者的伴发/潜在病症信息，包括伴发疾病、伴发症状、个人病史、家族病史等；(4)患者的诊疗情况，包括当前/过往的手术、检查、检验、放疗、化疗等诊疗信息；(5)患者从事的工作信息，如运动员、驾驶员、机械操作员等；(6)患者的用药情况，包括药物过敏史、过往用药与效果等。
例如，在一些实施例中，上述患者信息可以由用户(例如医生)录入计算设备。例如，在另一些实施例中，上述患者信息可以由计算设备通过自然语言处理领域的相关技术(例如，光学字符识别技术等)从患者的体检报告和/或电子病历中提取。例如，在一些示例中，可以从患者的体检报告中提取异常的指标，并基于该异常的指标确定患者的病症、患者的伴发/潜在病症信息等信息。例如，在再一些实施例中，可以设置人机交互界面，由患者回答预先设置的若干问题(这些问题主要用于获取患者信息)，然后根据患者问答记录提取上述患者信息，当然，也可以由患者直接输入上述患者信息。需要说明的是，本公开的实施例对获取患者信息的方式不作限制。
例如，在一些实施例中，在步骤S100中，可以通过命名实体识别等方法基于患者信息提取各种标签作为患者特征，从而得到结构化的患者信息(即患者特征)。例如，在一些示例中，可以采用条件随机场(Conditional Random Field，CRF)模型和最大熵马尔科夫模型(Maximum Entropy Markov Model，MEMM)等基于统计的机器学习算法进行命名实体识别以提取标签；例如，在另一些示例中，可以采用长短期记忆网络(Long-Short Term Memory，LSTM)模型或者双向长短期记忆网络(Bi-directional Long-Short Term Memory，Bi-LSTM)模型等深度学习算法进行命名实体识别以提取标签；例如，在再一些示例中，还可以结合使用上述算法(例如结合CRF模型和Bi-LSTM模型等)进行命名实体识别以提取标签；本公开的实施例对此不作限制。
例如，在一些实施例中，在步骤S100中，与患者信息对应，患者特征通常包括以下六类：患者的病症、患者的人群属性、患者的伴发/潜在病症信息、患者的诊疗情况、患者从事的工作信息、患者的用药情况。应当理解的是，一部分患者特征可以直接从患者信息中读取到，另一部分患者特征则需要通过从患者信息中提取标签得到。例如，在一些示例中，可以直接读取患者的病症(例如，问诊疾病、问诊症状等)，从而直接得到患者的病症这一类的标签(例如，问诊疾病的具体类型、问诊症状的具体类型)。例如，在一些示例中，可以根据患者的年龄，将患者分为新生儿(出生28天以内人群)、婴儿(1岁以下)、幼儿(1-3岁)、儿童(14岁以下)、青少年(14-18岁)、青年(14-35岁)、中老年人(45-60岁)、老年人(60岁以上)等几大类，从而可以将患者与对应的年龄标签直接进行规则关联。例如，在一些示例中，可以根据患者的药物过敏史，确定第一级标签，例如“有药物过敏史”和“无药物过敏史”可以作为第一级标签；进一步地，在患者有药物过敏史的情况下，还可以确定第二级标签，例如，“青霉素过敏”、“头孢过敏”等可以作为第二级标签。例如，在一些示例中，可以直接读取例如高血压患者的疾病的第一级标签，例如“高血压”；同时，还可以进一步根据舒张压和收缩压的具体数值，确定其第二级标签，例如“一级高血压”、“二级高血压”、“三级高血压”等。应当理解的是，本公开的实施例对用户标签的具体规则不作限制，可以根据实际需求进行设置。应当理解的是，步骤S100中提取患者特征主要是为了对患者信息进行结构化和规范化处理，以便用于后续步骤的相关操作。
例如，步骤S100中提取的患者特征可以作为实际使用的患者信息用于后续步骤的相关操作。应当理解的是，后续的不同步骤中使用的患者特征并非必须完全相同，也就是说，后续的不同步骤可以根据需要对步骤S100中提取的患者特征进行选择性使用。需要说明的是，患者特征不限于上文中列举的特征，还可以包括其他特征，这可以根据实际需求而定，本公开的实施例对此不作限制。
步骤S200：基于药品知识图谱和患者信息，确定候选药品集合。
例如，在一些实施例中，步骤S200中的药品知识图谱包括单药知识图谱和联合用药知识图谱至少之一。
例如，在一些实施例中，可以使用自然语言处理(Natural Language Processing，NLP)技术，将药品说明书、用药指南等医疗文本中所包含的药品信息、用药信息提取出来并形成结构化的知识图谱(例如，上述单药知识图谱和联合用药知识图谱)，以用于支持智能药品推荐功能。
例如，在一些实施例中，可以以单一药品(简称“单药”)为核心节点构建单药知识图谱，也即围绕单药构建单药知识图谱。例如，在一些实施例中，可以通过命名实体识别、关系抽取、实体对齐等自然语言处理技术对药品说明书等进行提取，得到涵盖药品通用名称、药品商品名称、药品成份、适应症、过敏信息、禁用人群、慎用人群、禁用疾病、慎用疾病、禁用病史、慎用病史、禁用症状、慎用症状、禁用诊疗、慎用诊疗等多种实体和多种关系的单药知识图谱。例如，可以采用前述CRF模型、MEMM模型、LSTM模型、Bi-LSTM模型等算法进行命名实体识别。例如，可以采用基于规则(例如，基于触发词/字符串、基于依存句法)的方法、基于监督学习(例如，机器学习、深度学习)的方法、基于半监督/无监督学习(例如，基于bootstrapping)的方法等境内关系抽取。例如，可以采用下文中介绍的语义相似度算法等进行实体对齐。
例如，对于“清热解毒口服液”这种单药，通过自然语言处理技术从药品说明书文本中可以提取出涵盖“药物成份”、“适应症”、“禁用人群”、“慎用人群”、“过敏信息”等多种关系和实体的知识，以得到相应的知识图谱内容；同样地，对于“抗病毒口服液”这种单药，也可以得到相应的知识图谱内容；例如，清热解毒口服液和抗病毒口服液的适应症都包括“流感”，因此，这两种单药的药品实体之间可以通过疾病实体“流感”建立间接的连接关系。
例如，在一些实施例中，可以从医学指南、用药指南等医学专业书籍以及电子病历等中整理抽取联合处方，将包含至少两个药品的联合处方作为一种新药，以此为核心节点构建联合用药知识图谱，即围绕联合处方构建联合用药知识图谱。例如，在一些实施例中，联合用药知识图谱涵盖所含单药、适应症、适用人群、用药方法等多种实体和多种关系。例如，将包括至少两种药品的联合处方作为一种新药对待，可以有效提升知识图谱中信息的精准度。
例如，与单药知识图谱类似，通过医学指南、用药指南等专业医学数据，可以得知药品“缬沙坦”和药品“氢氯噻嗪”通常被联合使用(即作为一个联合处方)，以用于治疗中度高血压。在构建联合用药知识图谱时，将上述两种药品作为一个节点“缬沙坦+氢氯噻嗪”，通过自然语言处理技术从上述专业医学数据中提取出涵盖其“所含单药”、“适应症”、“适用人群”等关系和实体的知识，以得到相应的知识图谱内容。
例如，联合用药(以及联合处方)为为了治疗某一种疾病的而采用的两种或两种以上药品同时或先后应用的用药方法，其目的主要是为了提高疗效和/或减轻药物的毒副作用等。例如，上述由缬沙坦和氢氯噻嗪构成的联合处方，可以用来治疗中度高血压，其中的两种药品具有协同作用，缬沙坦可致使血钾轻微升高，而氢氯噻嗪可致血钾降低，而者联合使用可抵消互相的不良反应。在本公开的实施例中，联合处方属于药品组合的一种形式，而药品组合的另一种形式是其中包括的各个单一药品分别用于治疗患者的不同疾病(此种形式不同于联合处方)。
例如，联合用药也可以为药品组合，在此不做限定。
例如，在一些实施例中，如图2所示，药品推荐方法10还可以包括步骤S000：构建药品知识图谱。从而，步骤S000中构建的药品知识图谱可以用于后续步骤S200中的相关操作。
例如，在一些实施例中，药品知识图谱可以是提前构建的，提前构建的药品知识图谱可以预先存储在本地终端或远程服务器中；在此情况下，药品推荐方法可以省略步骤S000。例如，在另一些实施例中，药品知识图谱也可以是在实施该药品推荐方法10时构建的(例如由服务器构建的)，在此情况下，药品推荐方法可以包括步骤S000。当然，药品知识图谱还可以是从其他设备读取的，本公开的实施例对此不作具体限制。
例如，在一些实施例中，如图1所示，在药品知识图谱包括单药知识图谱的情况下，步骤S200可以包括步骤S210：基于单药知识图谱和患者信息，确定候选药品集合。
例如，在一些实施例中，可以采用知识图谱查询与搜索算法，基于前述患者特征，从单药知识图谱中确定用于对症治疗的候选药品。例如，在一些实施例中，候选药品集合通常包括多个候选药品，本公开的实施例包括但不限于此。应当理解的是，步骤S210中使用的患者特征与单药知识图谱所涵盖的至少部分患者特征一致。例如，在一些实施例中，步骤S210中使用的患者特征可以包括患者的病症等。本公开的实施例包括但不限于此。应当理解的是，在本公开的实施例中，在使用单药知识图谱确定候选药品集合的情况下，候选药品集合中的每个候选药品各自作为一种用药方案。
例如，可以在单药知识图谱中查询与患者的疾病具有适应症关系的所有药品，以得到候选药品集合。例如，可以通过实体链接算法将患者的病症信息链接到单药知识图谱中的正确目标实体(即患者的病症对应的疾病实体)上，若能链接到，则通过单药知识图谱查询与该目标实体具有“适应症”关系的所有药品实体，即可得到候选药品集合；若不能链接到，则当前的单药知识图谱暂未收录此病症，在此情况下，可以根据需求对单药知识图谱进行更新(即补充相应的疾病实体以及与之相关的各种实体和各种关系)。以患者的疾病为高血压为例，通过实体链接算法将其链接到知识图谱中正确的目标实体(即疾病实体“高血压”)上，然后通过单药知识图谱查询得到与该目标实体“高血压”具有“适应症”关系的所有药品实体，即得到候选药品集合。
应当理解的是，由于药品种类繁多，步骤S210生成的候选药品集合通常比较庞大(即包括较多的候选药品)，从而不利于用户作出选择。因此，在本公开的实施例中，可以通过步骤S300对步骤S210生成的候选药品集合进行优化和筛选，以便于用户更便捷地进行选择。
例如，在一些实施例中，如图1所示，在药品知识图谱包括联合用药知识图谱的情况下，步骤S200可以包括步骤S220：基于联合用药知识图谱和患者信息，确定候选药品集合。
例如，一些实施例中，可以采用知识图谱查询与搜索算法，基于上述患者特征，从联合用药知识图谱中确定候选联合处方。例如，在一些实施例中，候选药品集合通常包括一个或多个候选联合处方，本公开的实施例包括但不限于此应当理解的是，步骤S220中使用的患者特征与联合用药知识图谱所涵盖的至少部分患者特征一致。例如，在一些实施例中，步骤S220中使用的患者特征可以包括患者的病症和患者的人群属性等。本公开的实施例包括但不限于此。应当理解的是，在本公开的实施例中，在使用联合药用知识图谱确定候选药品集合的情况下，候选药品集合中的每个候选联合处方各自作为一种用药方案。
例如，可以在联合用药知识图谱中查询与患者的疾病具有适应症关系的所有联合处方，以得到候选药品集合。例如，可以通过实体链接算法将患者的病症信息链接到联合用药知识图谱中的正确目标实体(即患者的病症对应的疾病实体)上，若能链接到，则通过联合用药知识图谱查询与该目标实体具有“适应症”关系的所有药品实体(联合用药知识图谱中的药品实体为联合处方)，即可得到候选药品集合；若不能链接到，则当前的联合用药知识图谱暂未收录此病症，在此情况下，可以根据需求对联合用药知识图谱进行更新(即补充相应的疾病实体以及与之相关的各种实体和各种关系)。以患者的疾病为“中度高血压”为例，通过实体链接算法将其链接到知识图谱中正确的目标实体(即疾病实体“中度高血压”)上，然后通过知识图谱查询得到与该目标实体“中度高血压”具有“适应症”关系的所有联合处方实体，即得到候选药品集合。
应当理解的是，联合处方的可选择性通常较少，从而，可以将查询搜索得到的所有联合处方均加入候选药品集合，而不会加重用户选择的负担。因此，在本公开的实施例中，允许将步骤S220生成的候选药品集合直接提供给用户进行选择，也就是说，在此情况下，可以省略步骤S300的相关操作。
例如，在一些实施例中，如图3所示，在步骤S200之前，药品推荐方法还可以包括步骤S150：基于患者信息，判断联合用药必要性，得到联合用药必要性的判断结果，其中，联合用药必要性的判断结果包括需要联合用药和不需要联合用药。从而，步骤S200可以包括：响应于联合用药必要性的判断结果为不需要联合用药，基于单药知识图谱和患者信息，确定候选药品集合(即执行步骤S210中的相关操作)，或者，响应于联合用药必要性的判断结果为需要联合用药，基于联合用药知识图谱和患者信息，确定候选药品集合(即执行步骤S220中的相关操作)。
例如，在一些实施例中，可以基于患者信息，使用二分类模型判断联合用药必要性，以得到联合用药必要性的判断结果。例如，在一些实施例中，可以使用电子病历作为训练数据，并结合用药指南等专家知识，采用例如决策树算法构建二分类模型。例如，在一些实施例中，构建二分类模型时所考虑的患者特征包括：患者人群属性，患者的病症中的问诊疾病和问诊症状，患者的伴发/潜在病症信息中的伴发疾病、伴发症状和个人病史，患者的用药情况中的过敏史和过往用药与效果等；相应地，在步骤S150中判断联合用药必要性时，也需要使用这些患者特征。
例如，在一些实施例中，可以使用电子病历数据来进行决策树构建，并使用用药指南等专家知识来对决策树分类模型(即前述二分类模型)进行检验。例如，当训练数据(即电子病历数据)数量较少或者分布不均匀时，训练得到的决策树分类模型可能违背用药指南等专家知识，此时需调整训练数据与决策树构建过程，重新进行训练。例如，具体训练过程如下：
首先，对电子病历进行数据标注，标注出病历中的患者人群属性、问诊疾病、问诊症状、伴发疾病、伴发症状、病史、过敏史等患者特征信息，以及该病历中患者是否采用联合用药。然后，使用上述标注数据构建决策树分类模型：(1)构建根节点，所有训练数据看作一个根节点；(2)选取最优特征，遍历每种分类特征，选取可将训练数据较好分类的特征为最优特征；(3)生成决策树，重复步骤(2)，直至所有数据被完全分类。即可得到构建好的决策树分类模型。
例如，在上述决策树分类模型的构建步骤(2)中，最优特征就是在当前节点处的某一分类特征，其中，通过该分类特征可以将数据实现最好的分类。例如，在本公开的实施例中，分类特征可以包括患者的人群属性、问诊疾病、问诊症状、伴发疾病、伴发症状、病史、过敏史等患者特征信息。例如，根据决策树分类模型的不同，最好分类的评价指标也可以不同；例如，常用的决策树分类模型包括ID3模型、C4.5模型、CART模型等，上述每种模型都有对应的评价指标(也称为“特征选择指标”)。以CART模型为例，其对应的特征评价指标是基尼(Gini)指数，基尼指数反应的是：使用某分类特征a进行分类后，各类别中信息纯度的加权和。基尼指数越小纯度越高，该特征分类效果越优。例如，分类特征a的基尼指数定义如下：
Figure BDA0002895644070000161
其中，D表示待分类数据集合，Gini_index(D,a)表示分类特征a的基尼指数，V表示分类特征a的所有取值个数，经过分类特征a之后决策树会有V个分支，Dv表示第v个分支的数据集合，Gini(Dv)表示数据集合Dv的基尼值。基尼值反映了从数据集合中随机抽取两个样本，其类别标记不一致的概率，基尼值越小，数据集合的纯度越高。例如，在本公开的实施例中，类别标记包括两类，即需要联合用药和不需要联合用药两个类别。例如，基尼值计算公式如下：
Figure BDA0002895644070000162
其中Dv表示数据集合，K表示数据集合中类别的数目(在本公开的实施例中，K＝2)，Pk表示第k种分类占集合的比例。
例如，在一些实施例中，首先，可以对电子病历进行数据标注，标注出病历中的患者人群属性、问诊疾病、问诊症状、伴发疾病、伴发症状、病史、过敏史等患者特征信息，以及该病历中患者是否采用联合用药。然后，可以使用上述标注数据构建决策树分类模型：(1)构建根节点，把所有训练数据看作一个根节点；(2)选取最优特征，基于基尼系数这一指标，遍历每种分类特征，计算使用各特征进行分类后的基尼系数，选取使得基尼系数最小即使得数据实现最优分类的特征，作为最优特征；假设目前有年龄、血压等这些特征，年龄这一特征有大于60岁和小于60岁两个取值，血压这一特征有正常血压、轻度高血压、中度高血压、重度高血压这4个取值，假设使用年龄这一特征对数据集进行分类后，计算基尼指数为G1，而使用血压这一特征对数据集进行分类后，计算基尼指数为G2，则选择基尼指数较小的一个特征为当前节点的分类特征；(3)迭代上述步骤生成决策树；重复步骤(2)，直至所有数据被完全分类。即可得到构建好的决策树分类模型。
例如，在决策树分类模型训练好之后，将患者人群属性、问诊疾病、问诊症状、伴发疾病、伴发症状、病史、过敏史等患者特征信息输入到决策树分类模型中，模型即会输出对该患者的分类结果，即是否需要联合用药。
需要说明的是，在步骤S150的判断联合用药必要性的过程中，只需进行二分类，从而可以有效提高药品推荐的准确率和可行性。通过进行联合用药必要性的判断，可以使后续生成的候选药品集合对患者疾病的针对性更强，提高药品推荐的合理性和有效性。
步骤S300：对候选药品集合中的每个药品进行打分，根据打分结果确定目标推荐药品。
例如，在一些实施例中，在药品知识图谱包括单药知识图谱的情况下，可以根据单药知识图谱执行步骤S300中的相关操作。例如，在一些实施例中，可以基于图算法并结合药品自身特性，设计打分函数，对候选药品集合中的药品进行排序。例如，在一些实施例中，如图4所示，步骤S300可以包括以下步骤S310至步骤S330。
步骤S310：基于患者信息确定患者疾病。
例如，在一些实施例中，在步骤S310中，可以根据前述患者特征中的患者的病症，确定患者疾病。
步骤S320：基于单药知识图谱，确定候选药品集合中的每个药品对于患者疾病的匹配度得分，并根据匹配度得分对候选药品集合中的每个药品进行排序。
例如，在一些实施例中，单药知识图谱可以包括药品-适应症-疾病三元组数据集，在此情况下，步骤S320中的“基于单药知识图谱，确定候选药品集合中的每个药品对于患者疾病的匹配度得分”可以包括以下步骤S321和步骤S322。
步骤S321：将单药知识图谱中的所有药品-适应症-疾病三元组数据集表示为二分图。
例如，在一些实施例中，在步骤S321中，可以将单药知识图谱中的所有疾病实体D(disease)和药品实体U(drug)作为节点，疾病实体D(disease)和药品实体U(drug)之间存在的适应症关系作为边，构建二分图。也就是说，二分图包括对应于单药知识图谱中的所有药品的多个药品节点、对应于单药知识图谱中的所有疾病的多个疾病节点、以及连接具有适应症关系的任一药品节点和任一疾病节点的路径。
例如，示例性地，如图5A所示，当前的药品-适应症-疾病三元组数据集包括疾病实体D＝[D1，D2，D3]和药品实体U＝[U1，U2，U3，U4，U5]，其中，位于同一行的疾病实体和药品实体之间存在适应症关系，即位于某一行的药品可以用于治疗位于该行的疾病。例如，如图5A所示，药品U2、U3可以用于治疗疾病D1，药品U1、U3、U4、U5可以用于治疗疾病D2，药品U1、U4可以用于治疗疾病D3。图5A所示的药品-适应症-疾病三元组数据集可以表示为图5B所示的二分图G(V,E)。例如，V为疾病实体D和药品实体U组成的顶点集即[D1，D2，D3，U1，U2，U3，U4，U5]，E代表每一个二元组(Di，U)之间对应的边e(D，U)，若该二元组(D，U)之间存在适应症关系则E＝1(即二者之间存在实线连接，如图5B所示)，若该二元组(D，U)之间不存在适应症关系则E＝0(即二者之间不存在实线连接，如图5B所示)。
步骤S322：基于随机游走算法在二分图中进行随机游走，以计算候选药品集合中的每个药品对于患者疾病的匹配度得分。
例如，在实际应用中，一个药品面向的适应症越多，它产生副作用的概率就越大，产生的副作用可能就越严重。基于药品这样的自身特性，本公开的实施例对于药品实体和疾病实体之间的匹配度得分高有如下定义：(1)连接两个顶点(即表示药品实体的顶点和疾病实体顶点)的路径长度都相对较短；(2)两个顶点之间有很多路径相连；(3)连接两个顶点之间的路径不会经过出度较大(即从顶点直接引出的路径条数较多)的顶点。例如，综合考虑上述条件(1)-(3)，对上述条件(1)-(3)的符合程度越高，则匹配度得分越高。
例如，示例性地，在图5A和图5B所示的实施例中，假设患者疾病为D2，则候选药品集合中的多个候选药品包括U1、U3、U4、U5；在此情况下，在步骤S322中，可以采用基于随机游走的算法计算多个候选药品U1、U3、U4、U5对于患者疾病D2的匹配度得分，进而可以根据匹配度得分从高到低对多个候选药品U1、U3、U4、U5进行排序。例如，在一些实施例中，步骤S322可以包括以下步骤S322A至步骤S322C。
步骤S322A：设置随机游走概率，并设置二分图中的所有节点的初始访问概率。
例如，患者疾病对应的疾病节点的初始访问概率设置为1，除患者疾病对应的疾病节点之外的其他节点的初始访问概率设置为0；
步骤S322B：在每次游走过程中，将患者疾病对应的疾病节点作为起点开始游走，在游走到任一节点时，按照随机游走概率决定是继续游走，还是停止本次游走过程，在进行本次游走过程时，根据以下迭代公式计算二分图中的所有节点的访问概率：
Figure BDA0002895644070000191
其中，PR(i)表示节点i的访问概率，α表示所述随机游走概率，in(i)代表指向节点i的所有节点的集合，节点j为in(i)中的任一节点，out(j)代表节点j指向的所有节点的集合。
例如，上述公式用于计算每一次游走后，节点i被访问到的概率。等号右侧大括号中的上式表示，除患者疾病对应的疾病节点D(根据前述假设，D＝D2)以外的任意节点i的访问概率，即所有指向节点i的节点j被访问到的概率PR(j)乘以继续游走的概率α，除以与节点j相连的所有节点个数，即为节点i的访问概率；等号右侧大括号中的下式表示，患者疾病对应的疾病节点D(根据前述假设，D＝D2)的访问概率，除了上述概率外，还多了一部分停止本次游走的概率(1-α)。例如，随机游走概率α可以根据实际需要进行设置。例如，在一些实施例中，随机游走概率的取值范围为[0.8,0.9]。
步骤S322C：判断上述随机游走过程是否满足迭代终止条件；若不满足迭代终止条件，则重复执行上述随机游走过程；若满足迭代终止条件，则停止上述随机游走过程，并将候选药品集合中的每个药品对应的药品节点的访问概率作为候选药品集合中的每个药品对于患者疾病的匹配度得分。
例如，在一些示例中，上述迭代终止条件为连续多次随机游走后各节点的访问概率基本不变或者变化小于某一阈值，即各节点的访问概率收敛。例如，在另一些示例中，上述迭代终止条件为随机游走的次数或步数达到预定数目。本公开的实施例对此不作限制。
以下，以图5A和图5B所示的实施例为例对上述基于随机游走的算法进行说明，其中假设患者疾病为D2。
例如，对于图5A和图5B所示的实施例，可以从患者疾病对应的节点(即顶点)D2开始游走(即将患者疾病对应的节点D2作为随机游走的起始节点)，每到一个节点都以1-α的概率停止游走并从D2重新开始游走，或者以α(0＜α＜1)的概率继续游走，从当前节点指向的节点中按照均匀分布随机选择一个节点往下游走。这样经过很多轮游走之后，每个顶点被访问到的概率(即访问概率，用于表征匹配度得分)也会收敛趋于稳定，从而，可以根据上述访问概率来进行排序。
例如，在执行随机游走算法之前，需要初始化每个节点的初始访问概率值。例如，在需要对患者疾病对应的节点D2进行推荐的情况下，可以令节点D2的初始访问概率为1，其他节点的初始访问概率为0，然后再使用上述迭代公式计算。
例如，在图5A和图5B所示的实施例的一些示例中，设置为0.85，每次游走的起始节点始终是节点D2，PR(D2)的初始值为1，PR(i)的初始值为0(其中，i≠D2)，最大走动步数设置为100。在这100次游走中，每一次游走都是一次迭代，根据上述迭代公式，在每次游走后，二分图中的所有节点都能计算出一个访问概率值(即PR值)。经过100次迭代后，所有节点都能得到一个最终的PR值。例如，在一个具体示例中，根据上述条件迭代100次后，得到的结果为[D1：0.086，D2：0.269，D3：0.114，U1：0.186，U2：0.074，U3：0.152，U4：0.196，U5：0.167]，其中，每个节点的数值为该节点的PR值。例如，可以将节点U1、U3、U4、U5的PR值分别作为候选药品U1、U3、U4、U5对于患者疾病D2的匹配度得分，进而可以根据匹配度得分的大小对多个备选药品U1、U3、U4、U5进行排序，其排列次序依次为U4、U1、U5、U3。
应当理解的是，图5A和图5B所示的实施例是示例性的，在实际应用中，药品知识图谱中的所有药品-适应症-疾病三元组数据集远大于图5A和图5B所示的三元组数据集，但是打分排序的原理基本相同。还应当理解的是，上述α和迭代次数(即最大走动步数)的数值也是示例性的，其均可以根据实际需要进行设置。需要说明的是，迭代次数的设置通常需要兼顾计算精度和计算的时间复杂度；例如，若迭代次数太大，往往会增加计算的时间复杂度，若迭代次数太小，则往往会降低计算精度；在实际应用中，通常将迭代次数设置为一个适中的值(该值可以根据实际需求而确定)，即在减小计算的时间复杂度的同时允许损失一定的计算精度(只要不影响排序结果即可)。例如，在另一些实施例中，单药知识图谱可以用于记录每种疾病的用药习惯，从而，单药知识图谱可以包括每种疾病对应的药品的使用权重(例如，使用次数)；在此情况下，步骤S320中的“基于单药知识图谱，确定候选药品集合中的每个药品对于患者疾病的匹配度得分”可以包括以下步骤S323。
步骤S323：基于单药知识图谱，将候选药品集合中的每个药品相对于患者疾病的使用权重作为候选药品集合中的每个药品对于患者疾病的匹配度得分。
例如，在一些实施例中，在单药知识图谱中，在具有适应症关系的疾病实体D(disease)和药品实体U(drug)之间还收录了药品实体U用于治疗疾病实体D的使用次数(该使用次数即可用于表征药品实体U相对于疾病实体D的使用权重)，从而，可以将候选药品集合中的每个药品相对于患者疾病的使用次数作为候选药品集合中的每个药品对于患者疾病的匹配度得分，进而可以根据匹配度得分从高到低对候选药品集合中的多个候选药品进行排序。
例如，在步骤S320的“基于单药知识图谱，确定候选药品集合中的每个药品对于患者疾病的匹配度得分”包括步骤S323的情况下，药品推荐方法10还可以包括：根据目标推荐药品的选用情况，调增单药知识图谱中的被选用的目标推荐药品相对于患者疾病的使用权重。从而，可以对单药知识图谱进行更新和完善，有利于提高药品推荐的准确率和可行性。例如，在一些实施例中，在单药知识图谱中，在具有适应症关系的疾病实体D(disease)和药品实体U(drug)之间还收录了药品实体U用于治疗疾病实体D的使用次数(该使用次数即可用于表征药品实体U相对于疾病实体D的使用权重)，从而，可以根据目标推荐药品的选用情况，将单药知识图谱中的被选用的目标推荐药品相对于患者疾病的使用次数调增1次，即可实现调增单药知识图谱中的被选用的目标推荐药品相对于患者疾病的使用权重。
例如，在一些实施例中，联合用药知识图谱可以用于记录每种疾病的联合用药习惯(如有)，例如，将候选药品集合中的每个候选联合处方视作一种“药品”，基于上述步骤S310至步骤S320实现步骤S300的相关操作(当然，步骤S320中的“单药知识图谱”相应替换为“联合用药知识图谱”)。例如，药品推荐方法10还可以包括：根据目标推荐药品的选用情况，调增联合用药知识图谱中的被选用的目标推荐药品(即被选用的联合处方)相对于患者疾病的使用权重。从而，可以对联合用药知识图谱进行更新和完善，有利于提高药品推荐的准确率和可行性。
步骤S330：将候选药品集合中的符合预定排序规则的药品作为目标推荐药品。
例如，在一些实施例中，预定排序规则可以是按照匹配度得分从高到低进行排序(即在步骤S320中是按照匹配度得分从高到低对候选药品集合中的每个药品进行排序)，在此情况下，在步骤S330中，可以将候选药品集合中的排前N名的药品作为目标推荐药品，其中，N为大于0的整数，N的具体数值可以根据实际需要进行设置。例如，在另一些实施例中，预定排序规则可以是按照匹配度得分从低到高进行排序(即在步骤S320中是按照匹配度得分从低到高对候选药品集合中的每个药品进行排序)，在此情况下，在步骤S330中，可以将候选药品集合中的排后N名的药品作为目标推荐药品，其中，N为大于0的整数，N的具体数值可以根据实际需要进行设置。需要说明的是，本公开的实施例对预定排序规则不作限制。
例如，在一些实施例中，为了避免产生庞大的推荐结果，同时又确保用户有足够的选择余地，N的取值范围可以设置为例如[3,10]或[3,5]等，本公开的实施例对此不作限制。
步骤S400：提供目标推荐药品。
例如，在一些实施例中，步骤S400可以包括：提供多种用药方案，其中，每种用药方案包括至少一种药品。例如，每种用药方案可以为单一药品或者药品组合。例如，药品组合可以为联合处方(包含至少两个药品)；也可以包括多个单一药品，其中，每个单一药品用于治疗不同疾病。例如，在一些实施例中，每种用药方案还包括其中的各种药品的用法用量的提示，用于提醒用户如何使用各种药品。
例如，在一些实施例中，在步骤S400中，目标推荐药品可以以文本的形式呈现给用户。例如，在一些实施例中，用户(例如医生、患者等)可以基于自身的从业经验、用药习惯等，对目标推荐药品进行选择。
例如，在一些实施例中，如图6所示，在步骤S400之前，药品推荐方法还可以包括步骤S390：基于药品知识图谱和患者信息对目标推荐药品进行安全性审核，以得到目标推荐药品的审核报告。
例如，在一些实施例中，可以根据药品知识图谱(例如，单药知识图谱)执行步骤S390中的相关操作。例如，在一些实施例中，如图7所示，步骤S390可以包括以下步骤S391和步骤S392。
步骤S391：通过查询药品知识图谱，确定目标推荐药品的禁用信息、慎用信息、过敏信息至少之一；以及
步骤S392：将目标推荐药品的禁用信息、慎用信息、过敏信息至少之一与患者信息进行匹配，以得到目标推荐药品的审核报告，其中，在目标推荐药品的禁用信息、慎用信息、过敏信息至少之一能与患者信息进行成功匹配的情况下，目标推荐药品的审核报告包括相应的禁用提醒、慎用提醒、过敏提醒至少之一。
例如，在一些实施例中，可以采用知识图谱查询与搜索算法执行步骤S391的操作。
例如，在一些实施例中，步骤S392中使用的患者信息可以包括患者的人群属性、患者的伴发/潜在病症信息、患者的诊疗情况、患者的用药情况(例如，药物过敏史等)等患者特征。本公开的实施例包括但不限于此。
以下，为了说明的方便，将“目标推荐药品的禁用信息、慎用信息、过敏信息”统称为“第一类信息”，将步骤S392中使用的患者信息统称为“第二类信息”。
例如，在一些实施例中，可以采用语义相似度算法等对两类信息(即第一类信息和第二类信息)进行一一匹配。例如，在一些实施例中，首先，可以分别对第一类信息和第二类信息进行文字嵌入(Word Embedding)，以对应生成第一嵌入向量A(简称向量A)和第二嵌入向量B(简称向量B)，其中，向量A和向量B均属于数值向量。Word Embedding可以理解为是一种映射关系，能够将文本空间里的某个词语，通过一定的方法，映射或者嵌入到数值向量空间，也就是说，Word Embedding能够将词汇、完整句子用向量的形式表达出来。然后，可以将向量A和向量B输入至少一个相似度模型，每个相似度模型输出的是向量A与向量B之间的相似度特征，该相似度特征的数值越大，表示向量A对应的词句和向量B对应的词句之间越接近。例如，常用的相似度模型包括余弦相似度模型、杰卡德(Jaccard)相似度模型、编辑距离(Levenshtein)相似度模型、词移距离(Word Mover’s Distance，WMD)相似度模型和深度语义匹配相似度模型(Deep Structured Semantic Models，DSSM)等。需要说明的是，本公开的实施例对采用的相似度匹配模型的数量不作限制，例如，在一些示例中，可以采用5个相似度匹配模型，则向量A与向量B之间可以具有5个相似度特征。例如，在另一些示例中，可以采用3个相似度匹配模型，则向量A与向量B之间可以具有3个相似度特征。应当理解的是，在采用多个相似度模型的情况下，可以对该多个相似度模型输出的相似度特征进行加权求和(各自的权重可以根据实际需要进行设置)，作为最终使用的相似度特征；或者，可以采用分层设定阈值的方法来使用多个相似度模型，比如第一层使用相似度模型M1，其计算得到的相似度值大于本层设定阈值T1时，则直接认为匹配；否则进入第二层，使用相似度模型M2计算，以此类推。
下面简单介绍上面提及的几个相似度匹配模型。
(1)余弦相似度：余弦相似度用向量夹角的余弦值作为衡量两个个体间差异的大小。余弦值越接近1就表明两个向量A和B越相似。通常利用以下公式来计算余弦相似度(也称为余弦距离)。
Figure BDA0002895644070000241
(2)杰卡德(Jaccard)距离：杰卡德距离是用两个集合中不同元素站所有元素的比例来衡量两个集合的区分度。杰卡德(Jaccard)距离可以使用如下公式来表示，其中J(A,B)是杰卡德相似系数。
Figure BDA0002895644070000242
(3)编辑距离，又名Levenshtein距离，是指利用字符操作，把字符串A转换成字符串B所需要的最少操作数。许可的字符操作包括将修改一个字符、插入一个字符和删除一个字符。一般来说，两个字符串的编辑距离越小，则它们越相似。如果两个字符串相等，则它们的编辑距离为0。
(4)词移距离(WMD)，是指从文档整体上来考虑两个文档之间的相似性，通过寻找两个文档之间所有词最小距离之和的配对来度量文档的语义相似度。
(5)DSSM模型：DSSM是一种深度语义匹配模型，将匹配的两者映射到低维空间，相关性问题转化为低维空间向量的距离。该模型既可以用来预测两个句子的语义相似度，又可以获得句子的低维语义向量表达。
需要说明的是，本公开的实施例采用的相似度匹配模型可以不仅限于以上描述的相似度匹配模型，也可以采用其他相似度匹配模型，只要能实现相同或相似的技术效果，即，能计算两个向量之间的相似度即可，本公开的实施例对此不作具体限制。此外，本公开的实施例对采用的相似度匹配模型的数量也不作限制，可以根据实际需求来设置。
例如，在一些实施例中，在向量A和向量B之间的相似度特征满足一定的阈值条件的情况下，认为向量A和向量B可以成功匹配，在此情况下，可以对目标推荐药品中的相关药品提供例如疾病、病史、诊疗情况、年龄属性、生理阶段、从事工作等字段的禁慎用提醒以及过敏情况的提醒，即生成目标推荐药品中的相关药品的审核报告。例如，在一些示例中，在目标推荐药品中的某药品的禁慎用信息包括“孕妇禁慎用”的情况下，向量A可以对应于“孕妇”，如果同时患者特征中包括“孕妇”标签(即向量B也可以对应于“孕妇”)，则向量A和向量B可以成功匹配，从而，可以对目标推荐药品中的该药品进行禁慎用提醒(例如，生成“禁慎用”字样)。
例如，在一些实施例中，如图7所示，步骤S390还可以包括步骤S393：在目标推荐药品包括药品组合的情况下，通过查询药品知识图谱，确定药品组合中的各个药品的配伍禁忌信息，根据药品组合中的各个药品的配伍禁忌信息，判断药品组合中的各个药品之间是否存在配伍禁忌，并响应于药品组合中的各个药品之间存在配伍禁忌，给出配伍禁忌提醒，其中，目标推荐药品的审核报告还包括药品组合的配伍禁忌提醒。
例如，在一些实施例中，目标推荐药品包括药品组合的情况通常是指：该药品组合为联合处方(包含至少两个药品)；或者，该药品组合包括多个单一药品，每个单一药品用于治疗同一患者的不同疾病。例如，在一些实施例中，在步骤S393中，也可以采用语义相似度算法等对配伍禁忌信息和药品组合中的各个药品的命名实体进行一一匹配，以判断药品组合中的各个药品之间是否存在配伍禁忌，例如，可以采用前述语义相似度算法对药品组合中的任一药品的配伍禁忌信息和药品组合中的其他药品的命名实体进行一一匹配，当存在匹配成功的情况时，说明该任一药品与该匹配成功的对应药品之间存在配伍禁忌，否则，药品组合中的各个药品之间不存在配伍禁忌。。应当理解的是，联合用药知识图谱中的知识通常是正确可靠的，联合处方中的各个药品之间通常不存在配伍禁忌，因此，在药品组合为联合处方的情况下，步骤S393可以省略。
例如，在一些实施例中，步骤S390还可以包括：在目标推荐药品包括药品组合的情况下，利用电子病历等医疗大数据对药品组合进行安全性审核。例如，在一些实施例中，可以遍历这些数据中出现的药品联用处方(实际上也是联合处方，在此称为“药品联用处方”是为了区分于实际开出的联合处方即推荐处方)，以出现在药品联用处方中的各个药品为节点，各个药品之间的初始边权值设为0，任意两个药品每在数据中出现一次联用就增加相应的权值，从而形成一个带权值的复杂网络；然后，可以根据所述带权值的复杂网络，采用图搜索算法判定药品组合的合理性，其中，目标推荐药品的审核报告还包括药品组合的合理性判定结果。例如，若能查询到推荐处方对应的子图且推荐处方中的各个药品之间的边权值越大，例如大于某一阈值T，则表明该推荐处方安全性和合理性越高；若不能查询到推荐处方对应的子图且推荐处方中的各个药品之间的边权值越小，例如不大于上述阈值T，则表明该推荐处方安全性和合理性越低，应当给出相应的安全性和合理性提醒。利用本方案对作为目标推荐药品中的药品组合(尤其是联合处方)进行安全性审核，无需依赖药品知识图谱，同时所含信息真实、权威且具有实时性，评价指标可量化。
例如，在本公开的实施例中，将药品的禁用信息、慎用信息、过敏信息、配伍禁忌信息等不良用药信息高度结构化，形成知识图谱并结合自然语言处理领域的相关算法进行目标推荐药品的安全性审核，可以使审核工作更加高效、便捷。通过进行安全性审核，可以有效提高目标推荐药品的安全性，便于用户(例如医生)开具更加安全的处方，进而保障患者的用药安全。
例如，在一些实施例中，如图6所示，基于步骤S390，步骤S400还可以包括：在提供目标推荐药品的同时，提供目标推荐药品的审核报告。也就是说，同时提供目标推荐药品和目标推荐药品的审核报告。
例如，在一些实施例中，用户可以获取步骤S300中的目标推荐药品以及步骤S390中的审核报告。例如，在一些示例中，目标推荐药品和审核报告等可以以文本的形式(例如，用药报告)呈现给用户，也可以在文本的基础上增加一些图形、图表、缩略图等，以便于用户更加直观地获取信息。
例如，在一些实施例中，步骤S400还可以包括提供联合用药必要性的判断结果；从而，用户还可以获取步骤S150中的联合用药必要性的判断结果。例如，在一些实施例中，步骤S400还可以包括提供目标推荐药品的推荐理由等。
例如，在一些实施例中，用户可以根据审核报告对目标推荐药品作出选择。例如，在一些示例中，用户可以基于自身的从业经验，并参考上述审核报告，从目标推荐药品中的多个药品中选择一个最优的药品作为正式处方。例如，在另一些示例中，用户可以基于自身的从业经验，并参考上述审核报告，对目标推荐药品中的药品组合进行调整(例如，删除药品组合中的一种或多种药品，或者向药品组合中加入一种或多种药品)，并将调整后的药品组合作为正式处方。例如，在另一些实施例中，用户可以根据判断结果和审核报告对目标推荐药品作出选择。例如，在一些示例中，用户可以基于自身的从业经验，并综合考虑上述判断结果和审核报告，从目标推荐药品中的多个药品中选择一个最优的药品作为正式处方。例如，在另一些示例中，用户可以基于自身的从业经验，并综合考虑上述判断结果和审核报告，对目标推荐药品中的药品组合进行调整，并将调整后的药品组合作为正式处方。图8A为本公开至少一些实施例提供的一种交互界面的示意图。例如，在图8A所示的交互界面1中，提供了三种单药(即药品101、药品102和药品103)，用户可以通过点击每种单药，获取该种单药的用药报告(包括用法用量、审核报告等)。例如，用户还可以通过点击任一选择按钮将该选择按钮对应的单药作为正式处方。
图8B为本公开至少一些实施例提供的另一种交互界面的示意图。例如，在图8B所示的交互界面2中，提供了三种药品组合(即药品组合201、药品组合202和药品组合203)，用户可以通过点击每种药品组合，获取该种药品组合的用药报告(包括药品组合中的各种药品的用法用量、药品组合的审核报告等)。例如，用户还可以点击编辑按钮进入对应的药品组合的编辑模式，在编辑模式中，允许用户删除药品组合中的一种或多种药品，或者向药品组合中加入一种或多种药品。例如，用户还可以通过点击任一选择按钮将该选择按钮对应的药品组合作为正式处方。
例如，在一些实施例中，如图6所示，药品推荐方法10还可以包括步骤S500：根据目标推荐药品的选用情况，对药品知识图谱进行更新。
例如，在一些实施例中，步骤S500可以包括：根据目标推荐药品的选用情况，调增单药知识图谱中的被选用的目标推荐药品相对于患者疾病的使用权重。从而，可以对单药知识图谱进行更新和完善，有利于提高药品推荐的准确率和可行性。
例如，在一些实施例中，步骤S500还可以包括：在目标推荐药品中的药品组合被调整选用的情况下，基于患者信息和调整后的药品组合(即正式处方)，对药品知识图谱和联合用药知识图谱至少之一进行更新。例如，在一些实施例中，可以将当前的患者信息和正式处方作为一份电子病历，并基于该份电子病历对当前的药品知识图谱和联合用药知识图谱至少之一进行更新，例如更新方法可以参考相关知识图谱的构建方法，在此不再重复赘述。例如，在一些实施例中，还可以基于该份电子病历对步骤S150中使用的二分类模型进行更新，例如更新方法可以参考二分类模型的构建方法，在此不再重复赘述。从而，在药品推荐方法10的执行过程中，可以对药品推荐方法10依赖的知识库(例如，上述药品知识图谱、联合用药知识图谱和二分类模型等)进行修正、更新和完善，有利于提高药品推荐的准确率和可行性。
需要说明的是，在本公开的实施例中，上述各个步骤(例如，步骤S000、步骤S100、步骤S150、步骤S200、步骤S300、步骤S390、步骤S400和步骤S500等)可以顺序执行，也可以按调整后的其他次序执行，上述各个步骤中的部分或全部操作还可以并行执行，本公开的实施例对各个步骤的执行顺序不作限制，可以根据实际情况调整。例如，在本公开的实施例中，上述各个步骤可以在单独的服务器(例如，云服务器等)中执行，也可以在本地终端上执行，还可以一部分在本地终端上执行、另一部分在远程服务器上执行，本公开的实施例对此不做限制。例如，在一些实施例中，上述药品推荐方法10可以选择性地执行上述各个步骤中的部分步骤，也可以执行除了上述各个步骤以外的一些附加步骤，本公开的实施例对此不做具体限制。
本公开至少一些实施例还提供一种药品推荐装置。图9为本公开至少一些实施例提供的一种药品推荐装置的示意框图。
例如，在一些实施例中，如图9所示，药品推荐装置60可以包括知识图谱构建模块600、患者信息交互模块601、联合用药必要性判定模块602、候选药品确定模块803、候选药品打分模块604、安全性审核模块605、用户抉择模块606。
例如，在一些实施例中，知识图谱构建模块600被配置为构建药品知识图谱。也就是说，知识图谱构建模块600可以用于执行前述药品推荐方法10中的步骤S000。例如，知识图谱构建模块600的具体操作过程和细节可以参考前述步骤S000的相关描述，在此不再重复赘述。例如，在一些实施例中，知识图谱构建模块600还被配置为根据目标推荐药品的选用情况，对药品知识图谱进行更新。也就是说，知识图谱构建模块600还可以用于执行前述药品推荐方法10中的步骤S500。例如，知识图谱构建模块600的具体操作过程和细节可以参考前述步骤S500的相关描述，在此不再重复赘述。
例如，在一些实施例中，患者信息交互模块601被配置为获取患者信息。也就是说，患者信息交互模块601可以用于执行前述药品推荐方法10中的步骤S100。例如，患者信息交互模块601的具体操作过程和细节可以参考前述步骤S100的相关描述，在此不再重复赘述。
例如，在一些实施例中，联合用药必要性判定模块602被配置为基于患者信息，判断联合用药必要性，以得到联合用药必要性的判断结果，其中，联合用药必要性的判断结果包括需要联合用药和不需要联合用药。也就是说，联合用药必要性判定模块602可以用于执行前述药品推荐方法10中的步骤S150。例如，联合用药必要性判定模块602的具体操作过程和细节可以参考前述步骤S150的相关描述，在此不再重复赘述。
例如，在一些实施例中，候选药品确定模块603被配置为基于药品知识图谱和患者信息，确定候选药品集合。也就是说，候选药品确定模块603可以用于执行前述药品推荐方法10中的步骤S200。例如，在一些具体示例中，药品知识图谱包括单药知识图谱和联合用药知识图谱，候选药品确定模块803被配置为响应于联合用药必要性的判断结果为不需要联合用药，基于单药知识图谱和患者信息，确定候选药品集合(即执行步骤S210中的相关操作)，或者，响应于联合用药必要性的判断结果为需要联合用药，基于联合用药知识图谱和患者信息，确定候选药品集合(即执行步骤S220中的相关操作)。例如，候选药品确定模块603的具体操作过程和细节可以参考前述步骤S200的相关描述，在此不再重复赘述。
例如，在一些实施例中，候选药品打分模块604被配置为对候选药品集合中的每个药品进行打分，根据打分结果确定目标推荐药品。也就是说，候选药品打分模块604可以用于执行前述药品推荐方法10中的步骤S300。例如，候选药品打分模块604的具体操作过程和细节可以参考前述步骤S300的相关描述，在此不再重复赘述。
例如，在一些实施例中，安全性审核模块605被配置为基于药品知识图谱和患者信息对目标推荐药品进行安全性审核，以得到目标推荐药品的审核报告。也就是说，安全性审核模块605可以用于执行前述药品推荐方法10中的步骤S390。例如，用户抉择模块805的具体操作过程和细节可以参考前述步骤S390的相关描述，在此不再重复赘述。
例如，在一些实施例中，用户抉择模块606被配置为提供目标推荐药品。也就是说，用户抉择模块606可以用于执行前述药品推荐方法10中的步骤S400。例如，在一些实施例中，用户抉择模块606被配置为同时提供目标推荐药品和目标推荐药品的审核报告。例如，用户抉择模块606的具体操作过程和细节可以参考前述步骤S400的相关描述，在此不再重复赘述。
例如，用户抉择模块805的具体操作过程和细节可以参考前述步骤S500的相关描述，在此不再重复赘述。
需要说明的是，上述药品推荐装置60中的知识图谱构建模块600、患者信息交互模块601、联合用药必要性判定模块602、候选药品确定模块803、候选药品打分模块604、安全性审核模块605、用户抉择模块606等均可以通过软件、硬件、固件或它们的任意组合实现。例如，可以分别实现为知识图谱构建电路、患者信息交互电路、联合用药必要性判定电路、候选药品确定电路、候选药品打分电路、安全性审核电路、用户抉择电路等，需要说明的是，本公开的实施例对它们的具体实现方式不作限制。还需要说明的是，对应于本公开的实施例提供的药品推荐方法10，药品推荐装置根据实际需要可以省略上述模块中的部分模块，例如可以省略知识图谱构建模块600、联合用药必要性判定模块602和安全性审核模块605中的至少一个模块。
应当理解的是，本公开的实施例提供的药品推荐装置60可以用于实施前述药品推荐方法10，因此，也可以实现与前述药品推荐方法10相同的技术效果，在此不作赘述。
需要注意的是，在本公开的实施例中，药品推荐装置60可以包括更多或更少的软件、硬件、固件，并且各个软件、硬件、固件之间的连接关系不受限制，可以根据实际需求而定。各个软件、硬件、固件的具体构成方式不受限制，可以由数字芯片构成，也可以由处理器与存储器结合的方式构成，或者以其他适用的方式构成。
本公开至少一些实施例还提供一种药品推荐系统。图10A为本公开至少一些实施例提供的一种药品推荐系统的示意框图。例如，如图10A所示，药品推荐系统70包括终端710和药品推荐装置720，并且终端710和药品推荐装置720信号连接。
例如，上述方法可以在服务器侧执行，将结果发送给终端；也可以在终端执行。
例如，在一些实施例中，终端710被配置为将请求数据发送给药品推荐装置720。例如，在一些实施例中，请求数据可以包括患者信息数据或者患者信息数据的路径地址。例如，在一些实施例中，患者信息数据包括以下内容中的一项或者多项：体检报告、电子病历及患者问答记录。例如，在一些示例中，体检报告可以由体检系统中的各种体检设备发送给药品推荐装置720，在此情况下，终端710包括体检系统中的各种体检设备；例如，在另一些示例中，体检报告可以由用户通过终端710发送给药品推荐装置720，例如，电子版本的体检报告可以直接发送给药品推荐装置720，纸质版本的体检报告可以转换为电子版本后发送给药品推荐装置720。
例如，在一些实施例中，药品推荐装置720被配置为：根据请求数据，获取患者信息；基于药品知识图谱和患者信息，确定候选药品集合；对候选药品集合中的每个药品进行打分，根据打分结果确定目标推荐药品；以及向终端提供目标推荐药品。也就是说，药品推荐装置720可以用于执行本公开任一实施例提供的问题推荐方法10，在此不再赘述。例如，药品推荐装置720被配置为根据请求数据，获取患者信息，可以包括：药品推荐装置720被配置为根据请求数据中的患者信息数据或者患者信息数据的路径地址，获取患者信息。
例如，在一些示例中，药品推荐系统70包括的终端710可以实现为客户端(例如手机、电脑等)，药品推荐装置720可以实现为服务端(例如服务器等)。
例如，在一些实施例中，除了终端710和药品推荐装置720以外，药品推荐系统70还可以包括存储有药品知识图谱(例如包括单药知识图谱和/或联合用药知识图谱)的知识库服务器(图10A中未示出)。知识库服务器与药品推荐装置720信号连接，被配置为响应于药品推荐装置720的请求信息，将药品知识图谱中与请求信息对应的的数据返回给药品推荐装置720。需要说明的是，在药品推荐系统70不包括知识库服务器730时，药品知识图谱中的数据可以直接存储在药品推荐装置720上或存储在另行提供的其他存储设备中，也可以由药品推荐装置720自行建立药品知识图谱，然后存储在药品推荐装置720上或存储在另行提供的其他存储设备中，本公开的实施例对此不做具体限制。
例如，在一些实施例中，药品推荐系统70还可以包括体检系统(图10A中未示出)，体检系统被配置为向药品推荐装置720提供患者信息。例如，体检系统可以包括各种体检设备，这些体检设备可以生成体检报告(包括患者信息)并将其提供给药品推荐装置720。
图10B为本公开至少一些实施例提供的一种终端的示意框图。例如，在一些实施例中，该终端为显示终端900，例如可应用于本公开的实施例提供的问题推荐系统中。例如，该显示终端900可以向药品推荐装置发送请求数据，并向用户显示药品推荐装置提供的目标推荐药品。需要注意的是，图9示出的终端为显示终端900仅仅是一个示例，其不会对本公开实施例的功能和使用范围带来任何限制。
如图10B所示，显示终端900可以包括处理装置(例如中央处理器、图形处理器等)910，其可以根据存储在只读存储器(ROM)920中的程序或者从存储装置980加载到随机访问存储器(RAM)930中的程序而执行各种适当的动作和处理。在RAM 930中，还存储有显示终端900操作所需的各种程序和数据。处理装置910、ROM 920以及RAM 930通过总线940彼此相连。输入/输出(I/O)接口950也连接至总线940。
通常，以下装置可以连接至I/O接口950：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置960；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置970；包括例如磁带、硬盘等的存储装置980；以及通信装置990。通信装置990可以允许显示终端900与其他电子设备进行无线或有线通信以交换数据。虽然图10B示出了具有各种装置的显示终端900，但应理解的是，并不要求实施或具备所有示出的装置，显示终端900可以替代地实施或具备更多或更少的装置。
应当理解的是，在一些实施例中，上述终端也可以用于实施前述药品推荐方法10。
图10C为本公开至少一些实施例提供的另一种药品推荐系统的示意框图。例如，如图10C所示，问题推荐系统300可以包括用户终端310、网络320、药品推荐装置330以及数据库340。
例如，用户终端310可以是图10C中示出的电脑310-1、便携式终端310-2。可以理解的是，用户终端还可以是能够执行数据的接收、处理和显示的任何其他类型的电子设备，其可以包括但不限于台式电脑、笔记本电脑、平板电脑、智能家居设备、可穿戴设备、车载电子设备、医疗电子设备等。
例如，网络320可以是单个网络，或至少两个不同网络的组合。例如，网络320可以包括但不限于局域网、广域网、公用网络、专用网络、因特网、移动通信网络等中的一种或几种的组合。
例如，药品推荐装置330可以为一个单独的服务器，或者为一个服务器群组，服务器群组内的各个服务器通过有线网络或无线网络进行连接。有线网络例如可以采用双绞线、同轴电缆或光纤传输等方式进行通信，无线网络例如可以采用3G/4G/5G移动通信网络、蓝牙、Zigbee或者WiFi等通信方式。本公开对网络的类型和功能在此不作限制。该一个服务器群组可以是集中式的，例如数据中心，也可以是分布式的。服务器可以是本地的或远程的。例如，该药品推荐装置330可以为通用型服务器或专用型服务器，可以为虚拟服务器或云服务器等。
例如，数据库340可用于存储从用户终端310和药品推荐装置330工作中所利用、产生和输出的各种数据。数据库340可以经由网络320与药品推荐装置330或药品推荐装置330的一部分相互连接或通信，或直接与药品推荐装置330相互连接或通信，或者经由上述两种方式的结合实现与药品推荐装置330相互连接或通信。在一些实施例中，数据库340可以是独立的设备。在另一些实施例中，数据库340也可以集成在用户终端310和药品推荐装置330中的至少一个中。例如，数据库340可以设置在用户终端310上，也可以设置在药品推荐装置330上。又例如，数据库340也可以是分布式的，其一部分设置在用户终端310上，另一部分设置在药品推荐装置330上。
例如，在一些示例中，首先，用户终端310(例如，用户的手机)可以经由网络320或其它技术(例如，蓝牙通信、红外通信等)将请求数据发送至药品推荐装置330。接着，药品推荐装置330根据请求数据，获取患者信息，例如，请求数据包括患者信息数据或者患者信息数据的路径地址。然后，药品推荐装置330基于药品知识图谱和患者信息，确定候选药品集合。接着，药品推荐装置330对所述候选药品集合中的每个药品进行打分，根据打分结果确定目标推荐药品，然后将目标推荐药品发送至用户终端310。最后，用户终端310在接收到来自药品推荐装置330的目标推荐药品之后，进行显示。
例如，关于药品推荐方法的具体实现过程和细节的详细说明可以参考上述药品推荐方法10的实施例中的相关描述，重复之处在此不再赘述。
本公开的实施例提供的药品推荐系统可以实施前述实施例提供的药品推荐方法10，也可以实现与前述实施例提供的药品推荐方法10相似的技术效果，在此不作赘述。
本公开至少一些实施例还提供一种电子设备。图11为本公开至少一些实施例提供的一种电子设备的示意框图。例如，如图11所示，该电子设备100包括存储器110和处理器120。
例如，存储器110用于非暂时性存储计算机可读指令，处理器120用于运行该计算机可读指令。例如，该计算机可读指令被处理器120运行时，执行本公开任一实施例提供的药品推荐方法。
例如，存储器110和处理器120之间可以直接或间接地互相通信。例如，在一些示例中，如图11所示，该电子设备100还可以包括系统总线130，存储器110和处理器120之间可以通过系统总线130互相通信，例如，处理器120可以通过系统总线130访问存储器110。例如，在另一些示例中，存储器110和处理器120等组件之间可以通过网络连接进行通信。网络可以包括无线网络、有线网络、和/或无线网络和有线网络的任意组合。网络可以包括局域网、互联网、电信网、基于互联网和/或电信网的物联网(Internet of Things)、和/或以上网络的任意组合等。有线网络例如可以采用双绞线、同轴电缆或光纤传输等方式进行通信，无线网络例如可以采用3G/4G/5G移动通信网络、蓝牙、Zigbee或者WiFi等通信方式。本公开对网络的类型和功能在此不作限制。
例如，处理器120可以控制电子设备中的其它组件以执行期望的功能。处理器120可以是中央处理单元(CPU)、张量处理器(TPU)或者图形处理器GPU等具有数据处理能力和/或程序执行能力的器件。中央处理器(CPU)可以为X86或ARM架构等。GPU可以单独地直接集成到主板上，或者内置于主板的北桥芯片中。GPU也可以内置于中央处理器(CPU)上。
例如，存储器110可以包括一个或多个计算机程序产品的任意组合，计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器、闪存等。
例如，在存储器110上可以存储一个或多个计算机指令，处理器120可以运行所述计算机指令，以实现各种功能。在计算机可读存储介质中还可以存储各种应用程序和各种数据，例如药品知识图谱、联合用药知识图谱、二分类模型、推荐处方、正式处方以及应用程序使用和/或产生的各种数据等。
例如，存储器110存储的一些计算机指令被处理器120执行时可以执行根据上文所述的药品推荐方法中的一个或多个步骤。
例如，如图11所示，电子设备100还可以包括允许外部设备与电子设备100进行通信的输入接口140。例如，输入接口140可被用于从外部计算机设备、从用户等处接收指令。电子设备100还可以包括使电子设备100和一个或多个外部设备相互连接的输出接口150。例如，电子设备100可以通过输出接口150输出前述推荐处方和审核结果等。通过输入接口140和输出接口150与电子设备100通信的外部设备可被包括在提供任何类型的用户可与之交互的用户界面的环境中。用户界面类型的示例包括图形用户界面、自然用户界面等。例如，图形用户界面可接受来自用户采用诸如键盘、鼠标、遥控器等之类的输入设备的输入，以及在诸如显示器之类的输出设备上提供输出。此外，自然用户界面可使得用户能够以无需受到诸如键盘、鼠标、遥控器等之类的输入设备强加的约束的方式来与电子设备100交互。相反，自然用户界面可依赖于语音识别、触摸和指示笔识别、屏幕上和屏幕附近的手势识别、空中手势、头部和眼睛跟踪、语音和语义、视觉、触摸、手势、以及机器智能等。
另外，电子设备100尽管在图11中被示出为单个系统，但可以理解，电子设备100也可以是分布式系统，还可以布置为云设施(包括公有云或私有云)。因此，例如，若干设备可以通过网络连接进行通信并且可共同执行被描述为由电子设备100执行的任务。
例如，关于药品推荐方法的具体实现过程和细节的详细说明可以参考上述药品推荐方法10的实施例中的相关描述，重复之处在此不再赘述。
例如，在一些示例中，该电子设备可以包括但不限于智能手机、笔记本电脑、平板电脑、台式计算机等。
需要说明的是，本公开的实施例提供的电子设备是示例性的，而非限制性的，根据实际应用需要，该电子设备还可以包括其他常规部件或结构，例如，为实现电子设备的必要功能，本领域技术人员可以根据具体应用场景设置其他的常规部件或结构，本公开的实施例对此不作限制。
本公开的实施例提供的电子设备的技术效果可以参考上述实施例中关于药品推荐方法的相应描述，在此不再赘述。
本公开至少一些实施例还提供一种非瞬时性存储介质。图12为本公开至少一些实施例提供的一种非瞬时性存储介质的示意图。例如，如图12所示，该非瞬时性存储介质200非暂时性地存储计算机可读指令201，当非暂时性计算机可读指令201由计算机(包括处理器)执行时，可以执行本公开任一实施例提供的药品推荐方法的指令。
例如，在非瞬时性存储介质200上可以存储一个或多个计算机指令。非瞬时性存储介质200上存储的一些计算机指令可以是例如用于实现上述药品推荐方法中的一个或多个步骤的指令。
例如，非瞬时性存储介质可以包括智能手机的存储部件、平板电脑的存储部件、个人计算机的硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、光盘只读存储器(CD-ROM)、闪存、或者上述存储介质的任意组合，也可以为其他适用的存储介质。例如，该非瞬时性存储介质也可以为图11中所示的存储器110，相关描述可以参考前述内容，在此不再赘述。例如，该非瞬时性存储介质可以应用于问题推荐装置720，技术人员可以根据具体场景进行选择，在此不作限定。
本公开的实施例提供的非瞬时性存储介质的技术效果可以参考上述实施例中关于药品推荐方法的相应描述，在此不再赘述。
对于本公开，有以下几点需要说明：
(1)本公开实施例附图中，只涉及到与本公开实施例涉及到的结构，其他结构可参考通常设计。
(2)在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合以得到新的实施例。
以上，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。

Claims (28)

1.一种药品推荐方法，包括：
获取患者信息；
基于药品知识图谱和所述患者信息，确定候选药品集合；
对所述候选药品集合中的每个药品进行打分，根据所述打分结果确定目标推荐药品；以及
提供所述目标推荐药品。
2.根据权利要求1所述的药品推荐方法，其中，所述药品知识图谱包括单药知识图谱，
基于所述药品知识图谱和所述患者信息，确定所述候选药品集合，包括：
基于所述单药知识图谱和所述患者信息，确定所述候选药品集合。
3.根据权利要求2所述的药品推荐方法，对所述候选药品集合中的每个药品进行打分，根据所述打分结果确定目标推荐药品，包括：
基于所述患者信息确定患者疾病；
基于所述单药知识图谱，确定所述候选药品集合中的每个药品对于所述患者疾病的匹配度得分，并根据所述匹配度得分对所述候选药品集合中的每个药品进行排序；以及
将所述候选药品集合中的符合预定排序规则的药品作为所述目标推荐药品。
4.根据权利要求3所述的药品推荐方法，其中，所述单药知识图谱包括药品-适应症-疾病三元组数据集，
基于所述单药知识图谱，确定所述候选药品集合中的每个药品对于所述患者疾病的匹配度得分，包括：
将所述单药知识图谱中的所有药品-适应症-疾病三元组数据集表示为二分图；以及
基于随机游走算法在所述二分图中进行随机游走，以计算所述候选药品集合中的每个药品对于所述患者疾病的匹配度得分。
5.根据权利要求4所述的药品推荐方法，其中，所述二分图包括对应于所述单药知识图谱中的所有药品的多个药品节点、对应于所述药品知识图谱中的所有疾病的多个疾病节点、以及连接具有适应症关系的任一药品节点和任一疾病节点的路径，
基于所述随机游走算法在所述二分图中进行随机游走，以计算所述候选药品集合中的每个药品对于所述患者疾病的匹配度得分，包括：
设置随机游走概率，并设置二分图中的所有节点的初始访问概率；
在每次游走过程中，将所述患者疾病对应的疾病节点作为起点开始游走，在游走到任一节点时，按照随机游走概率决定是继续游走，还是停止本次游走过程，在停止本次游走过程时，根据以下迭代公式计算所述二分图中的所有节点的访问概率：
Figure FDA0002895644060000021
其中，PR(i)表示节点i的访问概率，α表示所述随机游走概率，in(i)代表指向节点i的所有节点的集合，节点j为in(i)中的任一节点，out(j)代表节点j指向的所有节点的集合；以及
判断上述随机游走过程是否满足迭代终止条件，
若不满足所述迭代终止条件，则重复执行上述随机游走过程，
若满足所述迭代终止条件，则停止上述随机游走过程，并将所述候选药品集合中的每个药品对应的药品节点的访问概率作为所述候选药品集合中的每个药品对于所述患者疾病的匹配度得分。
6.根据权利要求3所述的药品推荐方法，其中，所述单药知识图谱包括每种疾病对应的药品的使用权重，
基于所述单药知识图谱，确定所述候选药品集合中的每个药品对于所述患者疾病的匹配度得分，包括：
基于所述单药知识图谱，将所述候选药品集合中的每个药品相对于所述患者疾病的使用权重作为所述候选药品集合中的每个药品对于所述患者疾病的匹配度得分。
7.根据权利要求6所述的药品推荐方法，还包括：
根据所述目标推荐药品的选用情况，调增所述单药知识图谱中的被选用的目标推荐药品相对于所述患者疾病的使用权重。
8.根据权利要求1-7任一项所述的药品推荐方法，其中，所述药品知识图谱包括联合用药知识图谱，
基于所述药品知识图谱和所述患者信息，确定所述候选药品集合，包括：
基于所述联合用药知识图谱和所述患者信息，确定所述候选药品集合。
9.根据权利要求8所述的药品推荐方法，其中，所述患者信息包括患者的疾病，
基于所述联合用药知识图谱和所述患者信息，确定所述候选药品集合，包括：
在所述联合用药知识图谱中查询与所述患者的疾病具有适应症关系的所有联合处方，以得到所述候选药品集合。
10.根据权利要求1-9任一项所述的药品推荐方法，还包括：
基于所述患者信息，判断联合用药必要性，得到所述联合用药必要性的判断结果，其中，所述联合用药必要性的判断结果包括需要联合用药和不需要联合用药；
其中，所述药品知识图谱包括单药知识图谱和联合用药知识图谱；
基于所述药品知识图谱和所述患者信息，确定所述候选药品集合，包括：
响应于所述联合用药必要性的判断结果为不需要联合用药，基于所述单药知识图谱和所述患者信息，确定所述候选药品集合，或者，
响应于所述联合用药必要性的判断结果为需要联合用药，基于所述联合用药知识图谱和所述患者信息，确定所述候选药品集合。
11.根据权利要求10所述的药品推荐方法，其中，基于所述患者信息，判断所述联合用药必要性，得到所述联合用药必要性的判断结果包括：
基于所述患者信息，使用二分类模型判断所述联合用药必要性，以得到所述联合用药必要性的判断结果。
12.根据权利要求11所述的药品推荐方法，其中，所述二分类模型是以电子病历作为训练数据，并结合用药指南，采用决策树算法构建的。
13.根据权利要求2-12任一项所述的药品推荐方法，其中，所述单药品知识图谱是以单一药品为核心节点构建的。
14.根据权利要求8-12任一项所述的药品推荐方法，其中，所述联合用药知识图谱是以联合处方为核心节点构建的，其中，所述联合处方包括至少两种药品。
15.根据权利要求1-12任一项所述的药品推荐方法，还包括：
基于所述药品知识图谱和所述患者信息对所述目标推荐药品进行安全性审核，以得到所述目标推荐药品的审核报告。
16.根据权利要求15所述的推荐方法，其中，
基于所述药品知识图谱和所述患者信息对所述目标推荐药品进行所述安全性审核，以得到所述目标推荐药品的审核报告，包括：
通过查询所述药品知识图谱，确定所述目标推荐药品的禁用信息、慎用信息、过敏信息至少之一；以及
将所述目标推荐药品的禁用信息、慎用信息、过敏信息至少之一与所述患者信息进行匹配，以得到所述目标推荐药品的审核报告，其中，在所述目标推荐药品的禁用信息、慎用信息、过敏信息至少之一能与所述患者信息进行成功匹配的情况下，所述目标推荐药品的审核报告包括相应的禁用提醒、慎用提醒、过敏提醒至少之一。
17.根据权利要求16所述的推荐方法，其中，基于所述药品知识图谱和所述患者信息对所述目标推荐药品进行所述安全性审核，以得到所述目标推荐药品的审核报告，还包括：
在所述目标推荐药品包括药品组合的情况下，通过查询所述药品知识图谱，确定所述药品组合中的各个药品的配伍禁忌信息，根据所述药品组合中的各个药品的配伍禁忌信息，判断所述药品组合中的各个药品之间是否存在配伍禁忌，并响应于所述药品组合中的各个药品之间存在配伍禁忌，给出配伍禁忌提醒，其中，所述目标推荐药品的审核报告还包括所述药品组合的配伍禁忌提醒。
18.根据权利要求15所述的推荐方法，其中，基于所述药品知识图谱和所述患者信息对所述目标推荐药品进行所述安全性审核，以得到所述目标推荐药品的审核报告，还包括：
在所述目标推荐药品包括药品组合的情况下，遍历电子病历大数据中出现的药品联用处方，以出现在所述药品联用处方中的各个药品为节点，将各个药品之间的初始边权值设为0，任意两个药品每在所述电子病历大数据中出现一次联用就增加该两个药品之间的边权值，以形成带权值的网络；以及
根据所述带权值的网络，采用图搜索算法判定所述药品组合的安全性，其中，所述目标推荐药品的审核报告还包括所述药品组合的安全性判定结果。
19.根据权利要求15所述的药品推荐方法，还包括：
在提供所述目标推荐药品的同时，提供所述目标推荐药品的审核报告。
20.根据权利要求1-12任一项所述的药品推荐方法，其中，提供所述目标推荐药品包括：
提供多种用药方案，其中，每种用药方案包括至少一种药品。
21.根据权利要求1-12任一项所述的药品推荐方法，其中，所述患者信息包括以下内容中的一项或者多项：
患者的病症、患者的人群属性、患者的伴发/潜在病症信息、患者的诊疗情况、患者从事的工作信息、患者的用药情况。
22.根据权利要求1-12任一项所述的药品推荐方法，还包括：
构建所述药品知识图谱。
23.根据权利要求1-12任一项所述的药品推荐方法，还包括：
根据所述目标推荐药品的选用情况，对所述药品知识图谱进行更新。
24.一种药品推荐装置，包括：
患者信息交互模块，被配置为获取患者信息；
候选药品确定模块，被配置为基于药品知识图谱和所述患者信息，确定候选药品集合；
候选药品打分模块，被配置为对所述候选药品集合中的每个药品进行打分，根据所述打分结果确定目标推荐药品；以及
用户抉择模块，被配置为提供所述目标推荐药品。
25.一种药品推荐系统，包括终端和药品推荐装置；其中，
所述终端被配置为将请求数据发送给所述药品推荐装置；
所述药品推荐装置被配置为：
根据所述请求数据，获取患者信息；
基于药品知识图谱和所述患者信息，确定候选药品集合；
对所述候选药品集合中的每个药品进行打分，根据所述打分结果确定目标推荐药品；以及
向所述终端提供所述目标推荐药品。
26.根据权利要求25所述的药品推荐系统，还包括：
体检系统，被配置为向所述药品推荐装置提供所述患者信息。
27.一种电子设备，包括：
存储器，用于非暂时性存储计算机可读指令；以及
处理器，用于运行所述计算机可读指令，
其中，所述计算机可读指令被所述处理器运行时，执行根据权利要求1-23任一项所述的药品推荐方法。
28.一种非瞬时可读存储介质，非暂时性地存储计算机可读指令，其中，当所述非暂时性计算机可读指令由计算机执行时，执行根据权利要求1-23任一项所述的药品推荐方法的指令。
CN202110040485.7A 2021-01-13 2021-01-13 药品推荐方法、装置及系统、电子设备及存储介质 Pending CN114765075A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110040485.7A CN114765075A (zh) 2021-01-13 2021-01-13 药品推荐方法、装置及系统、电子设备及存储介质
US17/462,623 US20220223245A1 (en) 2021-01-13 2021-08-31 Drug recommendation method, apparatus and system, electronic device and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110040485.7A CN114765075A (zh) 2021-01-13 2021-01-13 药品推荐方法、装置及系统、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114765075A true CN114765075A (zh) 2022-07-19

Family

ID=82322970

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110040485.7A Pending CN114765075A (zh) 2021-01-13 2021-01-13 药品推荐方法、装置及系统、电子设备及存储介质

Country Status (2)

Country Link
US (1) US20220223245A1 (zh)
CN (1) CN114765075A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115292610A (zh) * 2022-09-28 2022-11-04 北京小成素问信息技术有限公司 基于大数据分析的智能诊疗系统
CN115982472A (zh) * 2023-03-21 2023-04-18 中化现代农业有限公司 农药用药推荐方法、装置和电子设备
CN117252664A (zh) * 2023-11-10 2023-12-19 浙江口碑网络技术有限公司 药品推荐理由生成方法、装置、介质及设备

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI800971B (zh) * 2021-11-03 2023-05-01 財團法人資訊工業策進會 失能等級自動判斷裝置及失能等級自動判斷方法
CN115719640B (zh) * 2022-11-02 2023-08-08 联仁健康医疗大数据科技股份有限公司 中医主次症状识别系统、装置、电子设备及其存储介质
CN116110533B (zh) * 2023-02-27 2023-09-01 之江实验室 基于事件图谱的药物种类和用量推荐系统及方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002197188A (ja) * 2000-12-26 2002-07-12 Jovy Co Ltd 医薬品適正使用モニタリングシステムおよび方法ならびに医薬品適正使用モニタリングプログラムを記録した機械読取可能な記録媒体
CN109215771B (zh) * 2018-05-29 2024-07-12 深圳平安医疗健康科技服务有限公司 医疗映射关系库建立方法、装置、计算机设备和存储介质
CN109978657A (zh) * 2019-03-07 2019-07-05 北京工业大学 一种面向众智平台的改进随机游走图模式推荐算法
CN110162696A (zh) * 2019-04-11 2019-08-23 北京三快在线科技有限公司 基于图的推荐方法、装置、电子设备及存储介质
CN111968756A (zh) * 2020-07-24 2020-11-20 北京索飞麦迪科技有限公司 药品说明书的知识图谱构建方法及装置
CN112037880B (zh) * 2020-08-31 2022-07-15 康键信息技术（深圳）有限公司 用药推荐方法、装置、设备及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115292610A (zh) * 2022-09-28 2022-11-04 北京小成素问信息技术有限公司 基于大数据分析的智能诊疗系统
CN115982472A (zh) * 2023-03-21 2023-04-18 中化现代农业有限公司 农药用药推荐方法、装置和电子设备
CN115982472B (zh) * 2023-03-21 2023-08-08 中化现代农业有限公司 农药用药推荐方法、装置和电子设备
CN117252664A (zh) * 2023-11-10 2023-12-19 浙江口碑网络技术有限公司 药品推荐理由生成方法、装置、介质及设备

Also Published As

Publication number Publication date
US20220223245A1 (en) 2022-07-14

Similar Documents

Publication Publication Date Title
US20200243175A1 (en) Health information system for searching, analyzing and annotating patient data
CN111753543B (zh) 药物推荐方法、装置、电子设备及存储介质
CN114765075A (zh) 药品推荐方法、装置及系统、电子设备及存储介质
Vinitha et al. Disease prediction using machine learning over big data
Degoulet et al. Introduction to clinical informatics
CN111666477B (zh) 一种数据处理方法、装置、智能设备及介质
US20200211709A1 (en) Method and system to provide medical advice to a user in real time based on medical triage conversation
WO2021237707A1 (zh) 问题推荐方法及装置、系统和电子设备、可读存储介质
US11847411B2 (en) Obtaining supported decision trees from text for medical health applications
US20230244869A1 (en) Systems and methods for classification of textual works
JP7260315B2 (ja) 服薬指導支援装置および服薬指導支援システム
CN111415719B (zh) 患者用药教育的推送方法及装置、电子设备及介质
CN113409907A (zh) 一种基于互联网医院的智能预问诊方法及系统
CN116383413B (zh) 基于医疗数据提取的知识图谱更新方法和系统
Davazdahemami et al. A deep learning approach for predicting early bounce-backs to the emergency departments
US20210134461A1 (en) Methods and systems for prioritizing comprehensive prognoses and generating an associated treatment instruction set
CN114139546A (zh) 使用语法树集合之间的差异和语义树集合之间的差异制定问题
CN116997974A (zh) 医疗的自动化个性化建议
CN113724830A (zh) 基于人工智能的用药风险检测方法及相关设备
US10832822B1 (en) Methods and systems for locating therapeutic remedies
Leng et al. Bi-level artificial intelligence model for risk classification of acute respiratory diseases based on Chinese clinical data
US12019635B2 (en) Methods and systems for arranging and displaying guided recommendations via a graphical user interface based on biological extraction
US11270800B1 (en) Specialized health care system for selecting treatment paths
Pradeepa et al. DEODORANT: a novel approach for early detection and prevention of polycystic ovary syndrome using association rule in hypergraph with the dominating set property
Yu et al. AKA-SafeMed: A safe medication recommendation based on attention mechanism and knowledge augmentation

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