CN114974501A - 基于人工智能的药品推荐方法、装置、设备及存储介质 - Google Patents

Abstract

本申请涉及人工智能技术领域，公开了一种基于人工智能的药品推荐方法、装置、设备及存储介质，包括：根据当前病人的历史推荐信息，判断病人当前问诊的症状是否已进行过药品推荐；如果已进行过药品推荐，则根据症状对应的已推荐药品信息，通过预设关联规则算法确定当前问诊对应的药品推荐信息；如果未进行过药品推荐，则根据当前医生的医生相关信息、病人的病人相关信息和当前问诊过程的问诊对话信息，生成当前问诊对应的会话上下文矩阵；根据会话上下文矩阵，调用预先训练的药品推荐模型确定当前问诊对应的药品推荐信息。本申请依据病人与医生之间的各种信息，自动生成药品推荐信息，提高医生问诊效率，加强医生间的学习交流，提高医生工作效率。

Description

基于人工智能的药品推荐方法、装置、设备及存储介质

技术领域

本申请涉及医疗信息化技术领域，尤其涉及一种基于人工智能的药品推荐方法、装置、设备及存储介质。

背景技术

随着在线问诊系统的逐步推广，受众人群不断增加。线上问诊开药过程中，医生会通过病人的个人信息和主要诉求了解到病人目前存在的问题，通过文字交流，图片查看，视频对话了解出目前病人的疑似症状，并且对病人提出良好的医学建议。

但由于在线问诊系统中可能存在大量的病人同时需要进行问诊，医生需要对每个病人的信息进行分析解读，安排出适合当前病人的解决方案，每个病人的问诊过程均需要较长时间，因此在线问诊的效率很低，每个病人的等待时间都较长，病人的线上问诊体验较差。

申请内容

本申请提供一种基于人工智能的药品推荐方法、装置、设备及存储介质，以解决在线问诊医生为病人情况进行分析并开药所需时间长，在线问诊效率低的技术问题。

第一方面，提供了一种基于人工智能的药品推荐方法，包括：

根据当前病人的历史推荐信息，判断所述病人当前问诊的症状是否已进行过药品推荐；

如果已进行过药品推荐，则根据所述症状对应的已推荐药品信息，通过预设关联规则算法确定当前问诊对应的药品推荐信息；

如果未进行过药品推荐，则根据当前医生的医生相关信息、所述病人的病人相关信息和当前问诊过程的问诊对话信息，生成当前问诊对应的会话上下文矩阵；

根据所述会话上下文矩阵，调用预先训练的药品推荐模型确定当前问诊对应的药品推荐信息。

第二方面，提供了一种基于人工智能的药品推荐装置，包括：

判断模块，用于根据当前病人的历史推荐信息，判断所述病人当前问诊的症状是否已进行过药品推荐；

第一确定模块，用于如果所述判断模块确定所述病人当前问诊的症状已进行过药品推荐，则根据所述症状对应的已推荐药品信息，通过预设关联规则算法确定当前问诊对应的药品推荐信息；

生成模块，用于如果所述判断模块确定所述病人当前问诊的症状未进行过药品推荐，则根据当前医生的医生相关信息、所述病人的病人相关信息和当前问诊过程的问诊对话信息，生成当前问诊对应的会话上下文矩阵；

第二确定模块，用于根据所述会话上下文矩阵，调用预先训练的药品推荐模型确定当前问诊对应的药品推荐信息。

第三方面，提供了一种计算机设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述第一方面提供的基于人工智能的药品推荐方法。

第四方面，提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述第一方面提供的基于人工智能的药品推荐方法的步骤。

上述基于人工智能的药品推荐方法、装置、计算机设备及存储介质所实现的方案中，当医生需要对病人进行药品推荐时，系统可首先针对该病人的年龄、孕哺情况、禁忌症、过敏史，诊断结果推荐出适合当前病人的用药建议，大幅提高了医生问诊效率。由于推荐系统会由于线上问诊案例的不断增加而进行更新迭代，所推荐的药品也适用于当前的问诊系统，降低医生换药的风险，从而最终提升了病人的问诊体验。药品推荐模型及预设关联规则算法拥有学习能力，可以提高医生问诊分配的效率，减少医生药品建议作废率。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请一实施例中基于人工智能的药品推荐方法的一应用环境示意图；

图2是本申请一实施例中基于人工智能的药品推荐方法的一流程示意图；

图3是图2中步骤S101的一具体实施方式流程示意图；

图4是图2中步骤S102的一具体实施方式流程示意图；

图5是本申请一实施例中训练药品推荐模型的流程示意图；

图6是图2中步骤S104的一具体实施方式流程示意图；

图7是本申请一实施例中基于人工智能的药品推荐方法的另一流程示意图；

图8是本申请一实施例中基于人工智能的药品推荐装置的一结构示意图；

图9是本申请一实施例中计算机设备的一结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

本申请实施例提供的基于人工智能的药品推荐方法，可应用在如图1的应用环境中，其中，病人的客户端、医生的客户端以及服务器均通过网络进行通信。本申请实施例所说的客户端为在线问诊的客户端，病人可以通过该客户端选择问诊的医生，与该医生的客户端之间建立会话连接，通过问诊会话将自己的个人信息以及症状等告知医生。医生依据病人的个人信息及症状为用户提供药品推荐信息。在此过程中，病人及医生的所有信息都会集中到在线问诊的服务器中。由服务器执行本申请实施例的药品推荐方法，来自动为该病人生成药品推荐信息。

在本申请中，若当前病人针对当前症状首次问诊，则利用该病人的病人相关信息、当前医生的医生相关信息以及当前问诊的问诊对话信息，调用训练好的药品推荐模型来自动为该病人生成药品推荐信息。若不是首次问诊，则根据该病人的历史推荐信息中为该症状推荐的药品信息，来自动为该病人生成药品推荐信息。如此实现自动根据用户的症状推荐合适的用药建议，提高线上问诊效率，而且对于不是首次问诊的情况根据病人的历史推荐信息来推荐合适的用药建议，能够降低医生换药的风险，提升用户的线上问诊体验。

其中，病人及医生的客户端可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。下面通过具体的实施例对本申请进行详细的描述。

请参阅图2所示，图2为本申请实施例提供的基于人工智能的药品推荐方法的一个流程示意图，包括如下步骤：

S101：根据当前病人的历史推荐信息，判断病人当前问诊的症状是否已进行过药品推荐，如果是，则执行步骤S102，如果否，则执行步骤S103。

本申请实施例的执行主体为服务器。在线问诊系统中，在同一时刻可能存在多个病人需要像同一医生进行问诊。服务器可以利用本申请实施例提供的方法自动为每位病人推荐合适的药品推荐信息，服务器可以依次对每位病人的情况进行分别并进行药品推荐，也可以同时分析多位病人的情况并进行药品推荐。

由于对每位病人的处理过程均相同，因此本申请实施例仅以当前病人为例进行详细说明。如图3示出了判断当前病人问诊的症状是否已进行过药品推荐的流程图，具体通过如下步骤S1011-S1015来进行判断，具体包括：

S1011：获取当前病人的历史推荐信息，历史推荐信息包括病人过去的症状信息与针对症状信息推荐的药品信息。

首先，服务器获取当前病人的历史推荐信息，该历史推荐信息为该病人过去在线问诊过程做好记录的所有信息，包括该病人过去问诊的症状信息与针对症状信息推荐的药品信息等。其中，针对症状信息推荐的药品信息中包括一种或多种药品的信息，药品的信息可以包括药品的名称、主治症状、用法用量、不良反应等信息中的一种或多种。

S1012：获取当前问诊过程的问诊对话信息，从问诊对话信息包括的病人主诉信息中提取病人当前的症状信息。

在问诊过程中通常刚开始由在线问诊的机器人程序向病人提问一些基本情况的信息，如向病人询问年龄、性别、过敏史、孕哺情况、家族遗传史、过往病史等。之后由医生与病人进行会话聊天，通过会话询问病人的当前症状，并针对用户的当前症状给出拟诊结果。该拟诊结果可以为医生针对病人的年龄、性别、过敏史、孕哺情况、家族遗传史、过往病史、当前症状等信息，作出的诊断结果。上述病人与医生的会话聊天中，病人所说的内容可以成为病人主诉信息。

服务器获取当前病人在此次问诊过程中与医生之间的问诊对话信息，该问诊对话信息包括当前病人与该医生当前的聊天记录，其中包括上述病人主诉信息。服务器获得该问诊对话信息后，从该问诊对话信息中提取该病人当前的症状信息。

具体地，服务器中可以预先构建有症状数据库，该症状数据库中包括多个描述症状的关键词，如头疼、头晕、发烧、流涕、咽干、咽痛，等等。服务器可以对问诊对话信息进行分词处理，得到该问诊对话信息的多个单词。分别确定每个单词是否存在于上述症状数据库中，若某个单词存在于上述症状数据库中，则将该单词确定为该病人当前的症状信息。通过该方式确定出的症状信息中可以包括一个或多个用于描述症状的单词。

本申请实施例并不限制上述上述步骤S1011和S1012的执行顺序，这两个步骤可以按照任意先后顺序依次执行，也可以同时执行这两个步骤。

S1013：判断历史推荐信息中是否包含病人当前的症状信息，如果是，则执行步骤S1014，如果否，则执行步骤S1015。

通过步骤S1011和S1012获得当前病人的历史推荐信息，以及确定出当前病人的症状信息后，服务器判断历史推荐信息中是否包含病人当前的症状信息。其中，历史推荐信息中包括多条症状信息与推荐的药品信息的映射关系。服务器分别计算每条映射关系中的症状信息与该病人当前的症状信息之间的相似度，若存在相似度大于预设数值的情况，则判断历史推荐信息中包含该病人当前的症状信息。若不存在相似度大于预设数值的情况，则判断该病人的历史推荐信息中不包含该病人当前的症状信息。

其中，上述预设数值可以为90％、95％或98％等，本申请实施例不对该预设数值进行特殊限制。

S1014：确定病人当前问诊的症状已进行过药品推荐。

若历史推荐信息中包括病人当前的症状信息，则确定病人当前的症状信息不是首次问诊，在过去已针对该病人的该症状进行过药品推荐了。

S1015：确定病人当前问诊的症状未进行过药品推荐。

若历史推荐信息中不包括病人当前的症状信息，则确定病人当前的症状信息是首次问诊，在过去未针对该病人的该症状进行过药品推荐。

本申请实施例根据病人的历史推荐信息和病人当前的症状，判断该病人的该症状是不是首次问诊。对于首次问诊和非首次问诊的情况进行区别处理，以便后续对于非首次问诊的情况，利用过去对该症状的药品推荐情况，快速确定出此次问诊过程的药品推荐信息，提高非首次问诊情况下药品推荐的速率，而且依据历史推荐信息中已推荐过的药品信息进行本次问诊的药品推荐，能够有效避免医生换药的风险，提高病人的线上问诊体验。

S102：根据症状对应的已推荐药品信息，通过预设关联规则算法确定当前问诊对应的药品推荐信息。

若通过步骤S101判断出当前病人的该症状不是首次问诊，则从当前病人的历史推荐信息中获取该病人当前的症状信息对应的已推荐药品信息。然后通过预设关联规则算法，基于该已推荐药品信息确定当前问诊对应的药品推荐信息。

在本申请实施例中，服务器中预先配置了预设药品推荐数据库，预设药品推荐数据库中包括多种药品信息以及每种药品信息对应的推荐频率。如图4所示，在当前病人的症状是非首次问诊的情况下，服务器具体通过步骤S1021-S1023的操作来确定对应的药品推荐信息，具体包括：

S1021：根据症状对应的已推荐药品信息，通过预设关联规则算法从预设药品推荐数据库中，确定出与已推荐药品信息的相似度大于预设相似阈值的候选药品信息。

上述预设关联规则算法可以为FP-Growth(Frequent Pattern-Growth)关联分析算法。本申请实施例对于FP-Growth的实现是基于大数据Spark，通过线下训练的模型来实现。

服务器根据该病人当前的症状对应的已推荐药品信息，通过预设关联规则算法从预设药品推荐数据库中确定出与该已推荐药品信息关联的相似药品信息，作为候选药品信息。具体地确定出与已推荐药品信息的相似度大于预设相似阈值的候选药品信息。该预设相似阈值可以为90％、95％或98％等，本申请实施例不对预设相似阈值的具体取值作特殊限制。

S1022：根据预设药品禁忌数据库和病人相关信息，从所有候选药品信息中剔除满足预设禁忌条件的候选药品信息。

通过步骤S1021确定出一个或多个候选药品信息，每个候选药品信息中包括一种或多种药品的信息。由于候选药品信息中涉及多种药品的情况下，多种药品之间可能存在药物相互反应，从而降低药效或产生严重的副作用。且候选药品信息中的每种药品也可能引发当前病人过敏或较严重的副作用等。因此确定出候选药品信息之后，还需要确定每种候选药品信息中包括的一种或多种药品是否满足预设禁忌条件。

具体地，服务器中预先配置了预设药品禁忌数据库，该预设药品禁忌数据库中记录了多种会产生药物反应的药品之间的映射关系。服务器还获取当前病人的病人相关信息，该病人相关信息中包括当前病人的过敏史、孕哺情况等。

对于每个候选药品信息，服务器在预设药品禁忌数据库中查询该候选药品信息涉及的药品之间是否存在药物反应，如果是，则确定该候选药品信息满足预设禁忌条件，从确定出的所有候选药品信息中剔除该候选药品信息。

如果确定出该候选药品信息涉及的药品之间不存在药物反应，则服务器进一步根据病人相关信息中当前病人的过敏史、孕哺情况等信息，判断该候选药品信息涉及的每种药品是否会引发病人过敏，或者是否不适合病人的孕哺情况等。若服务器判断出该候选药品信息中涉及能够引发病人过敏或不适合病人的孕哺情况等，则判断该候选药品信息满足预设禁忌条件，从确定出的所有候选药品信息中剔除该候选药品信息。

对于步骤S1021确定出的每个候选药品信息，都按照上述方式分别对每个候选药品信息进行判断，并剔除满足预设禁忌条件的候选药品信息。

通过剔除满足预设禁忌条件的候选药品信息，能够确保最终的药品推荐信息中涉及的药品之间不会发生药物反应，确保药品推荐信息所提供的药品方案的药效。同时能够确保最终的药品推荐信息中涉及的药品不会引发病人过敏，或者对病人的孕哺情况形成不良影响，减少最终的药品推荐信息中涉及的药品为病人带来不良反应的概率，提高线上问诊的安全性，进而提高病人线上问诊的满意度。

S1023：从剔除操作后剩余的候选药品信息中，选取推荐频率最大的候选药品信息作为当前问诊对应的药品推荐信息。

通过步骤S1022将满足预设禁忌条件的候选药品信息剔除后，由于预设药品推荐数据库中记录了每种候选药品信息的推荐频率，因此服务器从剩余的候选药品信息中选择推荐频率最大的候选药品信息作为当前问诊对应的药品推荐信息。

推荐频率最大，表明该药品推荐信息在过去已经被推荐给很多病人，因此该药品推荐信息涉及的药品的药效已经经过大量病人使用的检验，效果会更好，且用药安全性更高。

在步骤S102中，对于该病人的症状是非首次问诊的情况，通过预设关联规则算法，在该病人的该症状过去已推荐的药品信息的基础上，来确定此次问诊的药品推荐信息。无需调用药品推荐模型，能够快速地确定出此次问诊的药品推荐信息。而且此次问诊并不是直接将过去已推荐的药品信息作为本次问诊的药品推荐信息，能够有效避免病人长期服用相同的药品产生依赖而降低效果的情况。而是推荐与过去已推荐的药品信息相似，推荐频率高且不会产生药物反应或过敏等药物禁忌情况的药品信息，如此既能够提高线上问诊效率，又能够确保最终产生的药品推荐信息的疗效和安全性。

如果步骤S101中判断出当前病人的当前症状是首次问诊，则对于首次问诊本申请实施例通过训练好的药品推荐模型来预测向病人推荐的药品推荐信息。下面详细介绍该药品推荐模型的训练过程，如图5所示，模型的训练过程包括语料输入、文本分词、数据预处理、特征转换、特征抽取、模型训练。

具体地，服务器先获取训练集，该训练集中包括历史问诊过程的会话上下文矩阵和药品推荐信息。训练集的获取过程涵盖了图5中语料输入、文本分词、数据预处理和特征抽取等过程。模型的训练依赖于线上大量案例，收集线上医生在问诊过程中每个案例对应的病人相关信息、医生相关信息、病人与医生之间的问诊对话信息。其中，医生相关信息包括医生的姓名、主治病症信息及所在科室信息等。由专家医生确定这些案例中在线问诊的医生推荐的药品信息是否符合这些案例对应的病症，对于推荐的药品信息与病症相符合的案例进行标注，剔除推荐的药品信息与病症不符合的案例。

对于上述标注的所有案例对应的病人相关信息、医生相关信息、病人与医生之间的问诊对话信息，利用大数据spark进行数据清洗，同时进行特殊符号的过滤，如剔除数据中的@、#、&等特殊符号。然后对每个案例对应的这些信息进行分词处理，提取每个案例对应的关键词。对于每个案例对于的关键词，将关键词按照出现的次数将序排列，并为每个关键词分配编号。比如单词‘头痛’出现的次数最多，编号ID为0，依次类推，每个编号ID都可以使用N维的二进制(one-hot)表示，最后会生产一个矩阵M，该矩阵的行大小为词的个数N，列大小为词向量的维度(通常取128或300)，比如矩阵的第一行就是编号ID＝0，即‘头痛’对应的词向量。该矩阵即为案例对应的会话上下文矩阵。

将案例对应的会话上下文矩阵和标注的药品推荐信息组成训练集。构建用于进行药品推荐的深度学习模型的结构，该深度学习模型包括卷积神经网络模型或双向编码器BERT模型。

其中，卷积神经网络模型的结构可以分为3层：卷积层(Convolutional Layer)-主要作用是提取特征；池化层(Max Pooling Layer)-主要作用是下采样(downsampling)，却不会损坏识别结果；全连接层(Fully Connected Layer)-主要作用是分类。其中，卷积层与池化层配合，组成多个卷积组，逐层提取特征，最终通过若干个全连接层完成分类。

由于卷积神经网络模型对短距离的文本效果比较好，而在整个问诊会话上下文中存在大量的长距离文本，因此在后期可使用BERT预训练模型进行处理，对于语义特征的提取能力，BERT显著的优于卷积神经网络模型，并且在对于长距离特征的提取的性能上也是BERT比较优秀，且BERT和卷积神经网络模型一样有着不俗的并行计算能力，且BERT可以适用于各种自然语言处理的任务，普适性好，只是硬件上需要较多的资源。

服务器利用训练集对深度学习模型进行训练，得到训练好的药品推荐模型。在训练时，可以将训练集中的数据打乱，进行乱序处理，保证数据分布均匀，同时将数据分为训练数据和测试数据，以对模型的准确率进行测试。进行训练时为保持特征的多样性，可设置多个卷积核，同时为加快训练的效率，可使100batch(每个batch可设置20epoch)保持一次训练的模型，最后将训练得出的模型使用测试数据进行验证。

通过上述方式训练得到药品推荐模型，之后在检测到病人首次问诊某症状时，即可调用该药品推荐模型来自动生成药品推荐信息。

S103：根据当前医生的医生相关信息、病人的病人相关信息和当前问诊过程的问诊对话信息，生成当前问诊对应的会话上下文矩阵。

生成当前问诊对应的会话上下文矩阵的过程，与上文训练药品推荐模型过程中形成训练集时生成会话上下文矩阵的过程相同。具体地，服务器对当前医生的医生相关信息、病人的病人相关信息和当前问诊过程的问诊对话信息中的预设无效符号进行过滤，预设无效符号可以包括@、#、&等特殊符号。对过滤后的医生相关信息、病人相关信息和问诊对话信息进行分词处理，得到当前问诊对应的多个关键词。按照每个关键词的出现次数由多到少的顺序对多个关键词排序。根据排序后的多个关键词，生成当前问诊对应的会话上下文矩阵。

S104：根据会话上下文矩阵，调用预先训练的药品推荐模型确定当前问诊对应的药品推荐信息。

如图6所示，通过如下步骤S1041-S1045的操作来通过药品推荐模型来确定药品推荐信息，具体包括：

S1041：将会话上下文矩阵输入预先训练的药品推荐模型，输出药品概率分布集，该药品概率分布集中包括药品推荐模型预测的多种药品信息及每种药品信息对应的预测概率。

例如，输出的药品概率分布集可以为[(药品A，98％)，(药品B，95％)(药品C，90％)，(药品D，89％)]。

S1042：选取药品概率分布集中预测概率最大的预设数目种药品信息作为候选药品信息。

预设数目可以为2或3等，本申请实施例不对预设数目的具体取值作特殊限制。

例如，对于药品概率分布集[(药品A，98％)，(药品B，95％)(药品C，90％)，(药品D，89％)]，选取预测概率最大的3种预设数目种药品信息作为候选药品信息，即选取药品A、B和C的信息作为候选药品信息。

S1043：根据预设药品禁忌数据库和病人相关信息，判断候选药品信息是否满足预设禁忌条件，如果是，则执行步骤S1045，如果否，则执行步骤S1044。

判断该候选药品信息是否满足预设禁忌条件的具体过程以及所能达到的技术效果，均与上文步骤S1022中的判断过程及效果相同，在此不再赘述。

S1044：将候选药品信息确定为当前问诊对应的药品推荐信息。

若判断出该候选药品信息不满足预设禁忌条件，则将该候选药品信息确定为当前问诊对应的药品推荐信息。

S1045：从药品概率分布集中重新确定候选药品信息，返回步骤S1043。

若判断出该候选药品信息不满足预设禁忌条件，则从药品概率分布集中重新确定候选药品信息，并返回步骤S1043循环执行，直至确定出不满足预设禁忌条件的候选药品信息作为最终的药品推荐信息。

在本申请的另一些实施例中，在首次问诊的情况下，通过药品推荐模型对当前病人对应的会话上下文矩阵进行预测输出药品概率分布集之后，还可以先将药品概率分布集中最大的预测概率与预设阈值进行比较，若最大的预测概率大于或等于预设阈值，则按照上述方式来自动确定当前病人对应的药品推荐信息。

若药品概率分布集中最大的预测概率小于预设阈值，则表明该医生或该医生所在科室不太适合对当前病人的当前症状进行在线问诊，确定病人当前问诊的症状与当前医生不匹配。因此服务器从当前医生对应的主治病症信息中删除当前问诊的症状。如此后续再有该症状的病人出现时，可以优先将这些病人分配给其他更加合适的医生进行问诊，以提高线上问诊的准确性。

通过上述方式确定出本次问诊对应的药品推荐信息之后，还可以根据药品名称去商城中选择合适的药品为用户推荐。

为了便于理解本申请实施例提供的药品推荐方法，下面结合附图进行说明。如图7所示，对于当前病人的在线问诊过程，将当前病人的病人相关信息、医生的医生相关信息以及当前病人与医生之间的问诊对话信息作为数据进行输入，对输入的数据进行文本分词，过滤掉文本中的停用词(即前文中的预设特殊符号)。依据分词得到的关键词，进行特征转换，得到当前问诊对应的会话上下文矩阵。根据当前病人的历史推荐信息和当前病人问诊的当前症状，判断是否是首次问诊。如果是，则调用药品推荐模型得到预测结果。根据预设药品禁忌数据库和病人相关信息，对预测结果进行业务逻辑过滤，之后返回最终结果，避免出现药物反应或引发病人过敏等情况发生。如果判断出不是首次问诊，则基于过去已推荐的药品信息，调用预设关联规则算法生成候选药品信息，然后根据预设药品禁忌数据库和病人相关信息，对候选药品信息进行业务逻辑过滤，之后返回最终结果。

在本申请实施例中，当医生需要对病人进行药品推荐时，系统可首先针对该病人的年龄、孕哺情况、禁忌症、过敏史，诊断结果推荐出适合当前病人的用药建议，大幅提高了医生问诊效率。由于辅助系统会由于线上问诊案例的不断增加而进行更新迭代，所推荐的药品也适用于当前的问诊系统，降低医生换药的风险，从而最终提升了病人的问诊体验。

本申请实施例中的药品推荐模型及预设关联规则算法拥有学习能力，可以提高医生问诊分配的效率，减少医生药品建议作废率。同时对病人的个人信息进行脱敏处理后，也可以保证病人的隐私安全。而且本申请实施例还可以及时更新系统中的预设药品推荐数据库、预设药品禁忌数据库、症状数据库、案例数据库等数据库。并且可以对基于药品标注平台的数据需要在真实场景下进行验证和优化，通过数据进行分析科室覆盖度，给覆盖度比较高的科室进行资源实时调配。其中，药品标注平台即为专家医生对在线问诊系统中的案例进行标注的平台。

本申请实施例还对病人的主诉信息、拟诊标签等医生与病人之间的各种能收集到的信息进行整理，增强词库的不断更新。同时随着线上推荐系统的开展，医生对于药品标注的结果更加趋近于标准化建设，不仅加强了医生之间的学习交流，提高了医生的工作效率，同时更加推进于知识图谱的形成。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

在一实施例中，提供一种基于人工智能的药品推荐装置，该基于人工智能的药品推荐装置与上述实施例中基于人工智能的药品推荐方法一一对应。如图8所示，该智能问答处理装置包括判断模块201、第一确定模块202、生成模块203、第二确定模块204。各功能模块详细说明如下：

判断模块201，用于根据当前病人的历史推荐信息，判断病人当前问诊的症状是否已进行过药品推荐；

第一确定模块202，用于如果判断模块201确定病人当前问诊的症状已进行过药品推荐，则根据症状对应的已推荐药品信息，通过预设关联规则算法确定当前问诊对应的药品推荐信息；

生成模块203，用于如果判断模块201确定病人当前问诊的症状未进行过药品推荐，则根据当前医生的医生相关信息、病人的病人相关信息和当前问诊过程的问诊对话信息，生成当前问诊对应的会话上下文矩阵；

第二确定模块204，用于根据会话上下文矩阵，调用预先训练的药品推荐模型确定当前问诊对应的药品推荐信息。

判断模块201，具体用于获取当前病人的历史推荐信息，历史推荐信息包括病人过去的症状信息与针对症状信息推荐的药品信息；获取当前问诊过程的问诊对话信息，从问诊对话信息包括的病人主诉信息中提取病人当前的症状信息；判断历史推荐信息中是否包含病人当前的症状信息；如果历史推荐信息中包含所述病人当前的症状信息，则确定病人当前问诊的症状已进行过药品推荐；如果历史推荐信息中不包含所述病人当前的症状信息，则确定病人当前问诊的症状未进行过药品推荐。

第一确定模块202，具体用于根据症状对应的已推荐药品信息，通过预设关联规则算法从预设药品推荐数据库中，确定出与已推荐药品信息的相似度大于预设相似阈值的候选药品信息；根据预设药品禁忌数据库和病人相关信息，从所有候选药品信息中剔除满足预设禁忌条件的候选药品信息；从剔除操作后剩余的候选药品信息中，选取推荐频率最大的候选药品信息作为当前问诊对应的药品推荐信息。

生成模块203，具体用于对当前医生的医生相关信息、病人的病人相关信息和当前问诊过程的问诊对话信息中的预设无效符号进行过滤；对过滤后的医生相关信息、病人相关信息和问诊对话信息进行分词处理，得到当前问诊对应的多个关键词；按照每个关键词的出现次数由多到少的顺序对多个关键词排序；根据排序后的多个关键词，生成当前问诊对应的会话上下文矩阵。

第二确定模块204，具体用于将会话上下文矩阵输入预先训练的药品推荐模型，输出药品概率分布集，药品概率分布集中包括药品推荐模型预测的多种药品信息及每种药品信息对应的预测概率；选取药品概率分布集中预测概率最大的预设数目种药品信息作为候选药品信息；根据预设药品禁忌数据库和病人相关信息，判断候选药品信息是否满足预设禁忌条件；如果不满足预设禁忌条件，将候选药品信息确定为当前问诊对应的药品推荐信息；如果满足预设禁忌条件，则从药品概率分布集中重新确定候选药品信息，返回判断候选药品信息是否满足预设禁忌条件的步骤循环执行，直至确定出不满足预设禁忌条件的候选药品信息作为最终的药品推荐信息。

该装置还包括：模型训练模块，用于获取训练集，训练集中包括历史问诊过程的会话上下文矩阵和药品推荐信息；构建用于进行药品推荐的深度学习模型的结构，深度学习模型包括卷积神经网络模型或双向编码器BERT模型；利用训练集对深度学习模型进行训练，得到训练好的药品推荐模型。

该症状还包括：医生主治病症调整模块，用于若药品概率分布集中最大的预测概率小于预设阈值，则确定病人当前问诊的症状与当前医生不匹配；从当前医生对应的主治病症信息中删除当前问诊的症状。

本申请的上述实施例提供的基于人工智能的药品推荐装置与本申请实施例提供的基于人工智能的药品推荐方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。

关于基于人工智能的药品推荐装置的具体限定可以参见上文中对于基于人工智能的药品推荐方法的限定，在此不再赘述。上述基于人工智能的药品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。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性和/或易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的客户端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于人工智能的药品推荐方法。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：

根据当前病人的历史推荐信息，判断所述病人当前问诊的症状是否已进行过药品推荐；

如果已进行过药品推荐，则根据所述症状对应的已推荐药品信息，通过预设关联规则算法确定当前问诊对应的药品推荐信息；

如果未进行过药品推荐，则根据当前医生的医生相关信息、所述病人的病人相关信息和当前问诊过程的问诊对话信息，生成当前问诊对应的会话上下文矩阵；

根据所述会话上下文矩阵，调用预先训练的药品推荐模型确定当前问诊对应的药品推荐信息。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

根据当前病人的历史推荐信息，判断所述病人当前问诊的症状是否已进行过药品推荐；

如果已进行过药品推荐，则根据所述症状对应的已推荐药品信息，通过预设关联规则算法确定当前问诊对应的药品推荐信息；

如果未进行过药品推荐，则根据当前医生的医生相关信息、所述病人的病人相关信息和当前问诊过程的问诊对话信息，生成当前问诊对应的会话上下文矩阵；

根据所述会话上下文矩阵，调用预先训练的药品推荐模型确定当前问诊对应的药品推荐信息。

需要说明的是，上述关于计算机可读存储介质或计算机设备所能实现的功能或步骤，可对应参阅前述方法实施例中的相关描述，为避免重复，这里不再一一描述。

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，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例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同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于人工智能的药品推荐方法，其特征在于，包括：

根据当前病人的历史推荐信息，判断所述病人当前问诊的症状是否已进行过药品推荐；

如果已进行过药品推荐，则根据所述症状对应的已推荐药品信息，通过预设关联规则算法确定当前问诊对应的药品推荐信息；

如果未进行过药品推荐，则根据当前医生的医生相关信息、所述病人的病人相关信息和当前问诊过程的问诊对话信息，生成当前问诊对应的会话上下文矩阵；

根据所述会话上下文矩阵，调用预先训练的药品推荐模型确定当前问诊对应的药品推荐信息。

2.根据权利要求1所述的方法，其特征在于，所述根据当前病人的历史推荐信息，判断所述病人当前问诊的症状是否已进行过药品推荐，包括：

获取当前病人的历史推荐信息，所述历史推荐信息包括所述病人过去的症状信息与针对所述症状信息推荐的药品信息；

获取当前问诊过程的问诊对话信息，从所述问诊对话信息包括的病人主诉信息中提取所述病人当前的症状信息；

判断所述历史推荐信息中是否包含所述病人当前的症状信息；

如果所述历史推荐信息中包含所述病人当前的症状信息，则确定所述病人当前问诊的症状已进行过药品推荐；

如果所述历史推荐信息中不包含所述病人当前的症状信息，则确定所述病人当前问诊的症状未进行过药品推荐。

3.根据权利要求1所述的方法，其特征在于，所述根据所述症状对应的已推荐药品信息，通过预设关联规则算法确定当前问诊对应的药品推荐信息，包括：

根据所述症状对应的已推荐药品信息，通过预设关联规则算法从预设药品推荐数据库中，确定出与所述已推荐药品信息的相似度大于预设相似阈值的候选药品信息；

根据预设药品禁忌数据库和所述病人相关信息，从所有候选药品信息中剔除满足预设禁忌条件的候选药品信息；

从剔除操作后剩余的候选药品信息中，选取推荐频率最大的候选药品信息作为当前问诊对应的药品推荐信息。

4.根据权利要求1所述的方法，其特征在于，所述根据当前医生的医生相关信息、所述病人的病人相关信息和当前问诊过程的问诊对话信息，生成当前问诊对应的会话上下文矩阵，包括：

对当前医生的医生相关信息、所述病人的病人相关信息和当前问诊过程的问诊对话信息中的预设无效符号进行过滤；

对过滤后的所述医生相关信息、所述病人相关信息和所述问诊对话信息进行分词处理，得到当前问诊对应的多个关键词；

按照每个关键词的出现次数由多到少的顺序对所述多个关键词排序；

根据排序后的所述多个关键词，生成当前问诊对应的会话上下文矩阵。

5.根据权利要求1所述的方法，其特征在于，所述根据所述会话上下文矩阵，调用预先训练的药品推荐模型确定当前问诊对应的药品推荐信息，包括：

将所述会话上下文矩阵输入预先训练的药品推荐模型，输出药品概率分布集，所述药品概率分布集中包括所述药品推荐模型预测的多种药品信息及每种药品信息对应的预测概率；

选取所述药品概率分布集中预测概率最大的预设数目种药品信息作为候选药品信息；

根据预设药品禁忌数据库和所述病人相关信息，判断所述候选药品信息是否满足预设禁忌条件；

如果不满足预设禁忌条件，将所述候选药品信息确定为当前问诊对应的药品推荐信息；

如果满足预设禁忌条件，则从所述药品概率分布集中重新确定候选药品信息，返回所述判断所述候选药品信息是否满足预设禁忌条件的步骤循环执行，直至确定出不满足所述预设禁忌条件的候选药品信息作为最终的药品推荐信息。

6.根据权利要求1-5任一项所述的方法，其特征在于，所述根据所述会话上下文矩阵，调用预先训练的药品推荐模型确定当前问诊对应的药品推荐信息之前，还包括：

获取训练集，所述训练集中包括历史问诊过程的会话上下文矩阵和药品推荐信息；

构建用于进行药品推荐的深度学习模型的结构，所述深度学习模型包括卷积神经网络模型或双向编码器BERT模型；

利用所述训练集对所述深度学习模型进行训练，得到训练好的药品推荐模型。

7.根据权利要求5所述的方法，其特征在于，所述将所述会话上下文矩阵输入预先训练的药品推荐模型，输出药品概率分布集之后，还包括：

若所述药品概率分布集中最大的预测概率小于预设阈值，则确定所述病人当前问诊的症状与当前医生不匹配；

从所述当前医生对应的主治病症信息中删除所述当前问诊的症状。

8.一种基于人工智能的药品推荐装置，其特征在于，包括：

判断模块，用于根据当前病人的历史推荐信息，判断所述病人当前问诊的症状是否已进行过药品推荐；

第一确定模块，用于如果所述判断模块确定所述病人当前问诊的症状已进行过药品推荐，则根据所述症状对应的已推荐药品信息，通过预设关联规则算法确定当前问诊对应的药品推荐信息；

生成模块，用于如果所述判断模块确定所述病人当前问诊的症状未进行过药品推荐，则根据当前医生的医生相关信息、所述病人的病人相关信息和当前问诊过程的问诊对话信息，生成当前问诊对应的会话上下文矩阵；

第二确定模块，用于根据所述会话上下文矩阵，调用预先训练的药品推荐模型确定当前问诊对应的药品推荐信息。

9.一种计算机设备，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7任一项所述的方法。

10.一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7任一项所述的方法。

Images