CN115295118A - 用于患者配药的配药数据处理系统 - Google Patents
用于患者配药的配药数据处理系统 Download PDFInfo
- Publication number
- CN115295118A CN115295118A CN202211223997.8A CN202211223997A CN115295118A CN 115295118 A CN115295118 A CN 115295118A CN 202211223997 A CN202211223997 A CN 202211223997A CN 115295118 A CN115295118 A CN 115295118A
- Authority
- CN
- China
- Prior art keywords
- dispensing
- text information
- historical
- obtaining
- target
- 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
Links
- 238000012545 processing Methods 0.000 title claims abstract description 36
- 239000003814 drug Substances 0.000 claims abstract description 90
- 229940079593 drug Drugs 0.000 claims abstract description 40
- 238000012795 verification Methods 0.000 claims abstract description 25
- 230000007246 mechanism Effects 0.000 claims abstract description 22
- 239000013598 vector Substances 0.000 claims description 53
- 201000010099 disease Diseases 0.000 claims description 17
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 17
- 238000002483 medication Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 238000013329 compounding Methods 0.000 claims 1
- 238000011946 reduction process Methods 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 23
- 230000008569 process Effects 0.000 abstract description 11
- 230000002159 abnormal effect Effects 0.000 abstract description 8
- 230000006399 behavior Effects 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000003672 processing method Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 239000008187 granular material Substances 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000006187 pill Substances 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 244000061520 Angelica archangelica Species 0.000 description 1
- 206010011224 Cough Diseases 0.000 description 1
- 235000001287 Guettarda speciosa Nutrition 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000857 drug effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 235000008216 herbs Nutrition 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000144 pharmacologic effect Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Medicinal Chemistry (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及数据处理技术领域，具体涉及一种用于患者配药的配药数据处理系统。该系统将目标配药机构中的目标历史配药文本信息与其他配药机构的其他历史配药文本信息集合进行联合分析，获得目标历史配药文本信息的经验因子。通过经验因子对目标配药机构中的历史配药文本信息进行进一步的分类分析，获得核验因子。通过核验因子与实时配药文本信息在数据库中对应的实时近邻可达密度的比值，获得提醒指标，根据提醒指标判断异常配药行为。本发明通过基于医疗数据库的数据处理方法，实现对配药过程中的异常配药行为的有效分析及提醒。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种用于患者配药的配药数据处理系统。
背景技术
医院或者药店中中药药剂师人工配药效率低下，直接影响配药机构的持续健康发展，影响了患者的取药效率以及医院的管理形象。且药剂师在配药时需要人工去多个药箱中秤药取药然后逐个核对，劳动力较大，且人工容易出现差错。中医治疗方式的恢复时间较长，面对一些病症的患者需要在配药机构频繁取药，为了防止人工抓药取药造成的错误，现在配药机构会采用数字化管理，通过人工阅读、人工执行、数字化出入库登记进行实现。但是在取药过程中仍会因为数据处理传递过程中产生错误数据，产生异常配药行为，如果不及时识别出异常配药行为，则会产生不可忽略的影响。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种用于患者配药的配药数据处理系统，所采用的技术方案具体如下：
本发明提出了一种用于患者配药的配药数据处理系统，所述系统包括：
药方数据分析模块用于获得目标疾病类别的多个配药文本信息；对所述配药文本信息基于词袋模型的文本词频统计，获得所述配药文本中每个词特征，构成医嘱语义特征向量；构建所述配药文本信息中每个药物名称对应的键值；统计每个所述键值对应的日服用剂量，构建高维特征向量，对所述高维特征向量降维处理，获得药物配比关系特征向量；根据医嘱所述语义特征向量的差异和所述药物配比关系特征向量的差异获得特征差异，根据所述特征差异对不同所述配药文本信息分类，获得多个配药子类；
历史药方数据处理模块用于获得每个配药机构一日内目标疾病类别的历史配药文本信息；以目标配药机构中所述目标疾病类别中任意一个所述历史配药文本信息作为目标历史配药文本信息；获得所述目标历史配药文本信息在其他配药机构中的其他历史配药文本信息集合中的所述配药子类，并根据所述目标历史配药文本信息与所属配药子类中其他历史配药文本信息的所述特征差异获得所述目标历史配药文本信息的经验因子；获得所述配药结构中每个所述历史配药文本信息的所述经验因子；根据所述经验因子差异对所述历史配药文本信息分类，并根据每个所述经验因子在所属类别中与其他所述经验因子的差异获得对应的所述历史配药文本信息的近邻可达密度，获得近邻可达密度集合；根据所述近邻可达密度集合中的元素均值、标准差和元素数量获得核验因子；
异常提醒模块用于获得所述目标配药机构的实时配药文本信息，并基于历史数据库获得所述实时配药文本信息的实时近邻可达密度；以所述核验因子与所述实时近邻可达密度的的比值作为提醒指标；若所述提醒指标大于预设提醒阈值，则发出预警信号。
进一步地，所述对所述高维特征向量降维处理，获得药物配比关系特征向量包括：
利用基于RBF核函数的核主成分分析法处理所述高维特征向量，将所述高维特征向量降维至预设维度，获得所述药物配比关系特征向量。
进一步地，所述根据医嘱所述语义特征向量的差异和所述药物配比关系特征向量的差异获得特征差异包括：
获得所述语义特征向量之间的第一余弦相似度，获得所述药物配比关系特征向量的第二余弦相似度；以所述第一余弦相似度和所述第二余弦相似度的乘积作为特征相似度；一减去所述特征相似度获得所述特征差异。
进一步地，所述根据所述特征差异对不同所述配药文本信息分类，获得多个配药子类包括：
利用密度聚类算法对所述配药文本信息进行分类，获得所述配药子类别。
进一步地，所述根据所述目标历史配药文本信息与所属配药子类中其他历史配药文本信息的所述特征差异获得所述目标历史配药文本信息的经验因子包括：
获得所述目标历史配药文本信息与所属配药子类中其他历史配药文本信息的所述特征差异的第一累加值；以所述目标历史配药文本信息所述配药子类中的样本数量与所述第一累加值的比值作为所述经验因子。
进一步地，所述根据每个所述经验因子在所属类别中与其他所述经验因子的差异获得对应的所述历史配药文本信息的近邻可达密度包括：
获得所述经验因子在所属类别中与其他所述经验因子的差值绝对值的第二累加值；以所述经验因子所述类别中的样本数量与所述第二累加值的比值作为所述近邻可达密度。
进一步地，所述根据所述近邻可达密度集合中的元素均值、标准差和元素数量获得核验因子包括：
根据核验因子公式获得所述核验因子，所述核验因子公式包括：
其中，
为所述核验因子，
为所述近邻可达密度集合，
为平均值计算函数，
为标准差计算函数，
为数据敏感系数，
为所述近邻可达密度集合中的样本数量。
本发明具有如下有益效果：
本发明实施例根据配药文本信息中的词特征和词频信息进行特征提取，通过提取特征寻找出复杂的配药文本信息中与其他配药文本信息中共同存在的特征信息。对历史数据库中目标配药机构中的目标历史配药文本信息与其他机构的其他历史配药文本信息进行分类整合，获得核验因子。基于核验因子对实时配药文本信息展现的特征进行判断，确定异常行为。本发明实施例通过结合大数据中的不同样本之间的特征相似关系对实时配药文本信息进行异常判断，能够及时有效的识别出异常配药行为。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它附图。
图1为本发明一个实施例所提供的一种用于患者配药的配药数据处理系统框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种用于患者配药的配药数据处理系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
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发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种用于患者配药的配药数据处理系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种用于患者配药的配药数据处理系统框图，该系统包括：药方数据分析模块101、历史药方数据处理模块102和异常提醒模块103。
药方数据分析模块101用于提供一种对数据库中的多个配药文本信息的特征提取方法和分类方法。在本发明实施例中，选用呼吸道疾病类别作为目标疾病类别。获得目标疾病类别的多个配药文本信息。
因为中药的配药的组合式多种多样，且疗程较长，剂量较大，一般患者需要多次取药，经过一个疗程后由医师复诊后继续进行下一批取药，为了提高取药效率，降低配药难度，在现有的配药机构中，常见的配药文本信息由传统中药材和中药饮片等中成药联合搭配组成，避免了传统药方的复杂信息使得配药效率降低。
对于中成药的类型一般在对应的词条末尾存在区别，例如丸剂、散剂、冲剂等等。同一种药材的不同中成药类型会使用不同的制药方法，所展现出的疗效也不同。另外配药文本信息中还包含医嘱及服用方式文本词条，同样对疗效有重要影响。因此需要对配药文本信息中的各个词条进行统计并提取特征。为了避免不需要的词条信息对特征的影响，需要准确提取出常用的有效的词条特征，例如中成药的关键词：丸、片等；服用方式的关键词：冲服、外敷等。
采用基于词袋模型的文本词频统计获得每个配药文本中的每个词特征，构成该配药文本信息的医嘱语义特征向量。
需要说明的是，词袋模型构建方式为本领域技术人员熟知的现有技术，在此仅简述本发明实施例中词袋模型的处理过程：
根据系统内存储的所有配药文本信息构建医嘱语义资料库，并基于词袋模型进行文本词频统计，根据统计结果获得配药文本信息中需要的词条及其词频。使用CountVectorizer函数整合词特征，构成医嘱语义特征向量。
医嘱语义特征向量表示配药文本信息中词条的类别和内容，为了进一步描述配药文本信息还需要提取配药文本信息每个药物的服用剂量信息。构建配药文本信息中每个药物名称对应的键值，以键值代表对应的药物名称，例如当归冲剂设置键值为A1。统计每个键值对应的日服用量，构建高维特征向量。在本发明实施例中，日服用量的单位设置为克/日。
根据先验知识可知，不同中成药状态的药效也会不同，例如冲剂即使经过浓缩提高含药量还是不如煎剂效果好。因此根据词频统计能够得到每个药方的中成药状态，需要说明的是中成药为医院或者药行按照固定配方固定工艺制成的药剂，因此对于同一疾病下的不同患者使用的配方只有中成药状态和剂量的差距，因此中成药的状态和剂量可作为配药文本信息的特征数据，经过药方数据分析模块的特征提取后能够提取出同一疾病下不同患者的配药特征。配药特征能够体现当前患者的患病程度，例如咳嗽而言，若某个患者的配药特征包括“片”“口含”，则说明该患者的症状较轻，若某个患者的配药特征包括“煎剂”“口服”则说明该患者相较于上个患者症状较重。因此通过配药特征的提取，使得不同高维特征向量之间存在关联性及差异性，并且对于一个疾病领域的高纬特征向量而言是存在同类性分布。
需要说明的是，为了方便数据存储，在获得每个配药文本信息对应键值的日服用量后，基于数据库获得所有配药文本信息中的平均日服用剂量，并基于平均日服用计量对每个日服用量进行归一化处理。
由于一个配药文本信息中包含大量的药物名称，即存在多个键值，因此高维特征向量的维数极高，维数过高难以体现剂量关系，且容易造成样本稀疏的情况，所以需要对高维特征向量进行降维处理，降维的目的在于找出不同维度之间的正交基。药物相对剂量之间的正交基能够表示药物剂量搭配的组合关系，通俗可理解为药物配比。因此降维后的药物配比关系特征向量更能体现剂量特征、药物配比关系特征。
优选地，利用基于RBF核函数的核主成分分析法处理高维特征向量，将高维特征向量降维至预设维度，获得药物配比关系特征向量。在本发明实施例中，预设维度设置为7。
需要说明的是，基于RBF核函数的核主成分分析法为本领域技术人员熟知的现有技术，在此不做赘述，仅简述本发明实施例中的处理过程：
（1）对于高维特征向量
，
到
为某一维度的不同键值的日服用剂量，得到N维环境特征向量矩阵
。
（2）计算RBF核矩阵
，并中心化为
；其中
和
的具体计算方法为：计算RBF核矩阵
，并中心化为
。具体包括：
式中
是元素为1/i的i*i矩阵，
为核参数；
（3）计算
的特征值核特征向量，将
的特征值
进行降序排列，取特征值序列前E个特征值
和对应的特征向量
。其中E为7。
（4）利用核矩阵和上述过程选出的特征值、特征向量计算降维结果
。
经过降维处理后，每个配药文本信息对应一个7维的药物配比关系特征向量，通过降维处理不仅保留了药物配比特征还简化了后续的处理时间，使得后续特征分析过程中对药物配比关系更敏感。
存在不同配药文本信息中拥有相似的配药特征，因此可根据医嘱所述语义特征向量的差异和所述药物配比关系特征向量的差异获得特征差异，具体包括：
获得语义特征向量之间的第一余弦相似度，第一余弦相似度越大，说明两个配药文本信息中的语义信息越接近，针对的病症越相似；获得药物配比关系特征向量的第二余弦相似度，第二余弦相似度越大，说明药物配比关系越接近，药理作用越相似。以第一余弦相似度和第二余弦相似度的乘积作为特征相似度；一减去特征相似度获得特征差异。即特征差异与语义特征向量之间的相似度和药物配比关系特征向量之间的相似度呈反比。
根据特征差异可对不同配药文本信息进行分类，获得多个配药子类。具体分类方法包括：
根据特征差异将每个配药特征信息映射至样本空间中，在样本空间中利用密度聚类算法对配药文本信息进行分类，获得配药子类别。配药子类别中每个配药文本信息拥有相似的疗效。
历史药方数据处理模块102用于整合目标配药机构和其他配药机构中数据库中的历史数据。以目标配药机构中目标疾病类别中任意一个历史配药文本信息作为目标历史配药文本信息。获得目标历史配药文本信息在其他配药机构中的其他历史配药文本信息集合中的配药子类，即将目标历史配药文本信息置于其他历史配药文本信息集合中，利用药方数据分析模块101中的方法对集合中的样本进行分类，获得多个配药子类，后续分析过程中仅对包含目标历史配药文本信息的配药子类进行分析。在本发明实施例中，将其他历史配药文本信息集合分为50个聚类簇。
根据目标历史配药文本信息与所属配药子类中其他历史配药文本信息的特征差异获得目标历史配药文本信息的经验因子，具体包括：
获得目标历史配药文本信息与所属配药子类中其他历史配药文本信息的特征差异的第一累加值；以目标历史配药文本信息配药子类中的样本数量与第一累加值的比值作为经验因子。
经验因子越大，说明目标历史配药本信息在所属配药子类中越处于中心位置，数据越符合经验，数据越准确，且所属配药子类的样本数越大，配药信息更具有参考性。
通过改变目标历史配药文本信息，即可获得目标机构中目标疾病类别的所有历史配药文本信息的经验因子。
进一步可利用目标机构中不同历史配药文本信息之间的经验因子差异对历史配药文本信息进行分类。分类过程与配药子类分类方法相似，即以经验因子的差异作为聚类距离进行密度聚类算法处理。
根据每个经验因子在所属类别中与其他经验因子的差异获得对应的历史配药文本信息的近邻可达密度，具体包括：
获得经验因子在所属类别中与其他经验因子的差值绝对值的第二累加值；以经验因子类别中的样本数量与第二累加值的比值作为近邻可达密度。
近邻可达密度越小，说明对应的类别中的样本数量越少，如果其他历史配药文本信息的近邻可达密度也比较小，则说明当前目标机构的目标疾病类别中存在多个配药文本信息类别，则当前目标机构在执行配药时越容易出错。
每个历史配药文本信息都对应一个近邻可达密度，因此可构成近邻可达密度集合。统计近邻可达密度集合中的数据信息，根据近邻可达密度集合中的元素均值、标准差和元素数量获得核验因子，具体包括：
根据核验因子公式获得核验因子，核验因子公式包括：
其中，
为核验因子，
为近邻可达密度集合，
为平均值计算函数，
为标准差计算函数，
为数据敏感系数，
为近邻可达密度集合中的样本数量。
核验因子为一种下置信界限，可作为配药过程中需要提醒的阈值。
异常提醒模块103用于获得目标配药机构的实时配药文本信息，并基于历史数据库获得实时配药文本信息的实时近邻可达密度。需要说明的是，实时近邻可达密度的获取方法与上述描述过程相同，在此不做赘述。以核验因子与实时近邻可达密度的的比值作为提醒指标。若提醒指标大于预设提醒阈值，则发出预警信号。在本发明实施例中，提醒阈值设置为1，即当提醒指标大于1时发出预警信号。医师在接收到预警信号后需要对发出预警的药方进行针对性的检查和抓药，避免医师出于配药经验从而导致配药错误的现象，保证最后药品的准确。
需要说明的是，通过改变目标配药机构和目标疾病类别即可实现对所有机构所有配药文本信息的异常判断。
综上所述，本发明实施例将目标配药机构中的目标历史配药文本信息与其他配药机构的其他历史配药文本信息集合进行联合分析，获得目标历史配药文本信息的经验因子。通过经验因子对目标配药机构中的历史配药文本信息进行进一步的分类分析，获得核验因子。通过核验因子与实时配药文本信息在数据库中对应的实时近邻可达密度的比值，获得提醒指标，根据提醒指标判断异常配药行为。本发明实施例通过基于医疗数据库的数据处理方法，实现对配药过程中的异常配药行为的有效分析及提醒。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种用于患者配药的配药数据处理系统，其特征在于，所述系统包括：
药方数据分析模块用于获得目标疾病类别的多个配药文本信息；对所述配药文本信息基于词袋模型的文本词频统计，获得所述配药文本中每个词特征，构成医嘱语义特征向量；构建所述配药文本信息中每个药物名称对应的键值；统计每个所述键值对应的日服用剂量，构建高维特征向量，对所述高维特征向量降维处理，获得药物配比关系特征向量；根据医嘱所述语义特征向量的差异和所述药物配比关系特征向量的差异获得特征差异，根据所述特征差异对不同所述配药文本信息分类，获得多个配药子类;
历史药方数据处理模块用于获得每个配药机构一日内目标疾病类别的历史配药文本信息；以目标配药机构中所述目标疾病类别中任意一个所述历史配药文本信息作为目标历史配药文本信息；获得所述目标历史配药文本信息在其他配药机构中的其他历史配药文本信息集合中的所述配药子类，并根据所述目标历史配药文本信息与所属配药子类中其他历史配药文本信息的所述特征差异获得所述目标历史配药文本信息的经验因子；获得所述配药结构中每个所述历史配药文本信息的所述经验因子；根据所述经验因子差异对所述历史配药文本信息分类，并根据每个所述经验因子在所属类别中与其他所述经验因子的差异获得对应的所述历史配药文本信息的近邻可达密度，获得近邻可达密度集合；根据所述近邻可达密度集合中的元素均值、标准差和元素数量获得核验因子；
异常提醒模块用于获得所述目标配药机构的实时配药文本信息，并基于历史数据库获得所述实时配药文本信息的实时近邻可达密度；以所述核验因子与所述实时近邻可达密度的的比值作为提醒指标；若所述提醒指标大于预设提醒阈值，则发出预警信号。
2.根据权利要求1所述的一种用于患者配药的配药数据处理系统，其特征在于，所述对所述高维特征向量降维处理，获得药物配比关系特征向量包括：
利用基于RBF核函数的核主成分分析法处理所述高维特征向量，将所述高维特征向量降维至预设维度，获得所述药物配比关系特征向量。
3.根据权利要求1所述的一种用于患者配药的配药数据处理系统，其特征在于，所述根据医嘱所述语义特征向量的差异和所述药物配比关系特征向量的差异获得特征差异包括：
获得所述语义特征向量之间的第一余弦相似度，获得所述药物配比关系特征向量的第二余弦相似度；以所述第一余弦相似度和所述第二余弦相似度的乘积作为特征相似度；一减去所述特征相似度获得所述特征差异。
4.根据权利要求1所述的一种用于患者配药的配药数据处理系统，其特征在于，所述根据所述特征差异对不同所述配药文本信息分类，获得多个配药子类包括：
利用密度聚类算法对所述配药文本信息进行分类，获得所述配药子类别。
5.根据权利要求1所述的一种用于患者配药的配药数据处理系统，其特征在于，所述根据所述目标历史配药文本信息与所属配药子类中其他历史配药文本信息的所述特征差异获得所述目标历史配药文本信息的经验因子包括：
获得所述目标历史配药文本信息与所属配药子类中其他历史配药文本信息的所述特征差异的第一累加值；以所述目标历史配药文本信息所述配药子类中的样本数量与所述第一累加值的比值作为所述经验因子。
6.根据权利要求1所述的一种用于患者配药的配药数据处理系统，其特征在于，所述根据每个所述经验因子在所属类别中与其他所述经验因子的差异获得对应的所述历史配药文本信息的近邻可达密度包括：
获得所述经验因子在所属类别中与其他所述经验因子的差值绝对值的第二累加值；以所述经验因子所述类别中的样本数量与所述第二累加值的比值作为所述近邻可达密度。
7.根据权利要求1所述的一种用于患者配药的配药数据处理系统，其特征在于，所述根据所述近邻可达密度集合中的元素均值、标准差和元素数量获得核验因子包括：
根据核验因子公式获得所述核验因子，所述核验因子公式包括：
其中，
为所述核验因子，
为所述近邻可达密度集合，
为平均值计算函数，
为标准差计算函数，
为数据敏感系数，
为所述近邻可达密度集合中的样本数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211223997.8A CN115295118A (zh) | 2022-10-09 | 2022-10-09 | 用于患者配药的配药数据处理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211223997.8A CN115295118A (zh) | 2022-10-09 | 2022-10-09 | 用于患者配药的配药数据处理系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115295118A true CN115295118A (zh) | 2022-11-04 |
Family
ID=83833470
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211223997.8A Pending CN115295118A (zh) | 2022-10-09 | 2022-10-09 | 用于患者配药的配药数据处理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115295118A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118398113A (zh) * | 2024-06-26 | 2024-07-26 | 中南大学湘雅医院 | 一种基于大数据分析的医药成分配比控制方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111489822A (zh) * | 2020-04-02 | 2020-08-04 | 首都医科大学附属北京安定医院 | 一种治疗药物监测结果解释系统 |
| CN111613289A (zh) * | 2020-05-07 | 2020-09-01 | 浙江大学医学院附属第一医院 | 个体化药物剂量预测方法、装置、电子设备及存储介质 |
| CN114722816A (zh) * | 2022-06-09 | 2022-07-08 | 深圳市顺源科技有限公司 | 一种模拟信号隔离器智能装配方法及系统 |
-
2022
- 2022-10-09 CN CN202211223997.8A patent/CN115295118A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111489822A (zh) * | 2020-04-02 | 2020-08-04 | 首都医科大学附属北京安定医院 | 一种治疗药物监测结果解释系统 |
| CN111613289A (zh) * | 2020-05-07 | 2020-09-01 | 浙江大学医学院附属第一医院 | 个体化药物剂量预测方法、装置、电子设备及存储介质 |
| CN114722816A (zh) * | 2022-06-09 | 2022-07-08 | 深圳市顺源科技有限公司 | 一种模拟信号隔离器智能装配方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 袁剑锋等: "医药信息文本分类系统中特征选择模块的研究", 《电脑知识与技术》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118398113A (zh) * | 2024-06-26 | 2024-07-26 | 中南大学湘雅医院 | 一种基于大数据分析的医药成分配比控制方法 |
| CN118398113B (zh) * | 2024-06-26 | 2024-09-24 | 中南大学湘雅医院 | 一种基于大数据分析的医药成分配比控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108630322B (zh) | 药物相互作用建模与风险评估方法、终端设备及存储介质 | |
| Ferreira et al. | Medication regimen complexity in adults and the elderly in a primary healthcare setting: determination of high and low complexities | |
| CN109147198B (zh) | 自助售药方法和系统 | |
| CN109524125B (zh) | 基于医疗大数据的药品库存分析方法、存储介质及设备 | |
| WO2016049795A1 (zh) | 一种多维度用药信息处理方法、系统和设备 | |
| US20240096500A1 (en) | Identification of patient sub-cohorts and corresponding quantitative definitions of subtypes as a classification system for medical conditions | |
| CN115295118A (zh) | 用于患者配药的配药数据处理系统 | |
| Tan et al. | A hybrid residual network and long short-term memory method for peptic ulcer bleeding mortality prediction | |
| US20160292366A1 (en) | System and method of combining medicinal product information of medicaments | |
| CN114822872A (zh) | 风险信号识别模型的训练、药物风险信号挖掘方法、装置 | |
| CN114913956A (zh) | 基于知识图谱的重复用药提醒方法、装置以及电子设备 | |
| Silpa et al. | Drug recommendation system in medical emergencies using machine learning | |
| CN113903423A (zh) | 用药方案推荐方法、装置、设备及介质 | |
| US11664120B1 (en) | Apparatuses, systems, and methods for reducing return of prescriptions to stock | |
| Hogan et al. | Free-text fields change the meaning of coded data. | |
| Shah et al. | An algorithm to derive a numerical daily dose from unstructured text dosage instructions | |
| CN111951980A (zh) | 一种中药饮片致肝功能异常药物不良反应警戒系统 | |
| CN112258135A (zh) | 处方数据的审核方法、装置和计算机可读存储介质 | |
| US20240249843A1 (en) | Precision medicine systems and methods | |
| Hartge et al. | A similarity measure for case based reasoning modeling with temporal abstraction based on cross-correlation | |
| Coste et al. | Indicators for the automated analysis of drug prescribing quality | |
| CN116246753A (zh) | 一种用药检测方法、装置、电子设备及存储介质 | |
| Wu et al. | Dosage prediction in pediatric medication leveraging prescription big data | |
| CN108573010A (zh) | 关联异构系统同义数据的方法、装置、电子设备及介质 | |
| TWI783172B (zh) | 用於處理處方之裝置及方法 |
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 |