CN115867978A - 用于提供智能型药物警戒平台的方法以及装置 - Google Patents
用于提供智能型药物警戒平台的方法以及装置 Download PDFInfo
- Publication number
- CN115867978A CN115867978A CN202280003044.2A CN202280003044A CN115867978A CN 115867978 A CN115867978 A CN 115867978A CN 202280003044 A CN202280003044 A CN 202280003044A CN 115867978 A CN115867978 A CN 115867978A
- Authority
- CN
- China
- Prior art keywords
- artificial intelligence
- user
- job
- intelligence model
- input data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 239000003814 drug Substances 0.000 title description 25
- 229940079593 drug Drugs 0.000 title description 21
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 148
- 238000012800 visualization Methods 0.000 claims abstract description 59
- 238000012545 processing Methods 0.000 claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims description 36
- 238000012552 review Methods 0.000 claims description 29
- 238000003058 natural language processing Methods 0.000 claims description 28
- 238000003908 quality control method Methods 0.000 claims description 26
- 238000012015 optical character recognition Methods 0.000 claims description 18
- 230000000694 effects Effects 0.000 claims description 17
- 230000002411 adverse Effects 0.000 claims description 8
- 238000012790 confirmation Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 201000010099 disease Diseases 0.000 claims description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000011017 operating method Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 14
- 230000006870 function Effects 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 12
- 238000007726 management method Methods 0.000 description 12
- 230000009471 action Effects 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002547 new drug Substances 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 206010067484 Adverse reaction Diseases 0.000 description 1
- 208000030453 Drug-Related Side Effects and Adverse reaction Diseases 0.000 description 1
- 238000012351 Integrated analysis Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006838 adverse reaction Effects 0.000 description 1
- 239000002246 antineoplastic agent Substances 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013502 data validation Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/40—Processing or translation of natural language
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/18—Extraction of features or characteristics of the image
- G06V30/1801—Detecting partial patterns, e.g. edges or contours, or configurations, e.g. loops, corners, strokes or intersections
- G06V30/18019—Detecting partial patterns, e.g. edges or contours, or configurations, e.g. loops, corners, strokes or intersections by matching or filtering
- G06V30/18038—Biologically-inspired filters, e.g. difference of Gaussians [DoG], Gabor filters
- G06V30/18048—Biologically-inspired filters, e.g. difference of Gaussians [DoG], Gabor filters with interaction between the responses of different filters, e.g. cortical complex cells
- G06V30/18057—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
- G06V30/19133—Interactive pattern learning with a human teacher
-
- 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- 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
- G16H50/70—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
-
- 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
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Medicinal Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Biodiversity & Conservation Biology (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Pharmacology & Pharmacy (AREA)
- Toxicology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种用于提供药物警戒(pharmacovilgilance,PV)平台的方法以及装置,服务器的工作方法,可以包括:从使用者装置接收输入数据的步骤;利用为了对所述输入数据进行处理而选择的第一人工智能模型,从所述输入数据生成至少一个指令集的步骤;判断提供所述输入数据的使用者是否具有用于执行所述至少一个指令集的权限的步骤;在所述使用者具有所述权限的情况下,利用为了执行与所述至少一个指令集相关的作业而选择的第二人工智能模型,生成所述作业的结果的步骤;利用为了对所述作业结果进行可视化(visualization)而选择的可视化模块,生成用于表示所述作业结果的输出数据的步骤;以及,将所述输出数据发送至所述使用者装置的步骤。
Description
技术领域
本发明涉及一种智能型药物警戒(pharmacovilgilance,PV)平台,尤其涉及一种用于提供利用人工智能算法执行药物警戒步骤的平台的方法以及装置。
背景技术
药物警戒(pharmacovilgilance,PV)是指对新型药物的效果和副作用等临床试验结果以及市售之后的安全性信息进行监测的作业。药物警戒还包括对市售之后以及临床试验过程中发生的药物异常反应等进行监测并向相关政府部门报告的业务。
开发以及销售药品的制药公司必须执行药物警戒步骤。在成为国际医药法规协合会(International Conference on Harmonisation,ICH)正式成员国之后,制药产业应在制造以及临床等各个领域都需要遵守国际医药法规协合会准则(ICH Guideline)。尤其是自2012年以来,从欧洲开始强化药物警戒规定,因此对于需要建立自身药物警戒体系的制药企业来讲,药物警戒已经成为了非常重要的一项业务。
药物警戒步骤要求执行如收集各种来源的数据、分析非结构化数据以及适用法规等多种作业。此外,在药物警戒步骤中,通常来讲不同的成员具有不同的权限,而且需要执行的作业内容以及范围也将根据权限而不同。因此,药物警戒步骤具有非常复杂的结构,而且在运营过程中需要耗费大量的人力以及成本。
发明内容
本发明的目的在于提供一种用于有效地执行药物警戒(pharmacovilgilance,PV)步骤的方法以及装置。
本发明的目的在于提供一种用于基于人工智能算法执行药物警戒步骤的方法以及装置。
本发明的目的在于提供一种用于提供利用人工智能算法执行药物警戒步骤的平台的方法以及装置。
本发明拟达成的技术课题并不限定于在上述内容中提及的技术课题,具有本发明所属技术领域之一般知识的人员将可以通过下述记载进一步明确理解未被提及的其他技术课题。
适用本发明之一实施例的提供药物警戒(pharmacovilgilance,PV)平台的服务器的工作方法,可以包括:从使用者装置接收输入数据的步骤;利用为了对所述输入数据进行处理而选择的第一人工智能模型,从所述输入数据生成至少一个指令集的步骤;判断提供所述输入数据的使用者是否具有用于执行所述至少一个指令集的权限的步骤;在所述使用者具有所述权限的情况下,利用为了执行与所述至少一个指令集相关的作业而选择的第二人工智能模型,生成所述作业的结果的步骤;利用为了对所述作业结果进行可视化(visualization)而选择的可视化模块,生成用于表示所述作业结果的输出数据的步骤;以及,将所述输出数据发送至所述使用者装置的步骤。
在适用本发明的一实施例中,所述第一人工智能模型以及所述第二人工智能模型,可以从存储在人工智能模型存储库的多个人工智能模型中基于所述使用者以及所述作业进行选择。
在适用本发明的一实施例中,所述可视化模块,可以从存储在可视化模块存储库的多个可视化模块中基于所述使用者以及所述作业进行选择。
在适用本发明的一实施例中,所述输入数据,可以采用图像化的文档、电子邮件以及使用者输入中的至少一种形态,所述第一人工智能模型,可以执行对所述输入数据的光学字符识别(OCR,optical character recognition)以及自然语言处理(NLP,naturallanguage processing)中的至少一个。
在适用本发明的一实施例中,所述人工智能模型存储库,可以包括多个人工智能模型,并采用可根据平台管理员的命令向人工智能模型存储库添加或删除人工智能模型的结构。
在适用本发明的一实施例中,所述作业,可以是连续执行的多个作业中的一个,所述多个作业,可以包括案例登录(case entry,CE)、质量控制(QC,quality control)、医学综述(MR,medical review)以及案例结案(case lock,CL),所述作业结果,可以传递给所述使用者的后序使用者。
在适用本发明的一实施例中,所述方法,还可以包括:接收与所述作业结果相关的所述使用者的检讨结果的步骤;以及,利用第三人工智能模型对所述检讨结果进行分析以及存储的步骤。
在适用本发明的一实施例中,所述方法,还可以包括:利用所述检讨结果,执行对所述第二人工智能模型的再学习的步骤。
在适用本发明的一实施例中,所述生成作业结果的步骤,还可以包括:通过人工智能模型学习将所述输入数据中所包含的包括不良事件、患者病例以及基础疾病在内的临床信息以及品目信息转换成结构化数据的步骤。
在适用本发明的一实施例中,所述输出数据,可以包括所述输入数据、所述作业结果、所述输入数据中包含的项目以及包含在所述作业结果中的项目之间的匹配相关信息,所述输入数据以及所述作业结果,可以与用于表示相同项目之间的匹配关系的第一指示符以及用于表示包含在所述输入数据中但没有输入到所述作业结果的项目的第二指示符一起显示在所述使用者装置中。
在适用本发明的一实施例中,所述方法,还可以包括:根据所述输入数据中所包含的不良事件所呈现出的副作用的程度,在与所述作业相关的一系列步骤中适用例外处理的步骤。
在适用本发明的一实施例中,所述例外处理,可以包括分配额外的作业。
适用本发明之一实施例的提供药物警戒(pharmacovilgilance,PV)平台的系统,可以包括:接收部,从使用者装置接收输入数据;输入处理部,利用为了对所述输入数据进行处理而选择的第一人工智能模型,从所述输入数据生成至少一个指令集;权限确认模块,判断提供所述输入数据的使用者是否具有用于执行所述至少一个指令集的权限;人工智能分析模块,在所述使用者具有所述权限的情况下,利用为了执行与所述至少一个指令集相关的作业而选择的第二人工智能模型,生成所述作业的结果;可视化模块,利用为了对所述作业结果进行可视化(visualization)而选择的可视化模块,生成用于表示所述作业结果的输出数据;以及,发送部,将所述输出数据发送至所述使用者装置的步骤。
在适用本发明的一实施例中,所述接收部,可以接收与所述作业结果相关的所述使用者的检讨结果,所述人工智能分析模块,可以利用第三人工智能模型对所述检讨结果进行分析以及存储。
在适用本发明的一实施例中,所述系统,还可以包括:学习模块,利用所述检讨结果,执行对所述人工智能模型的再学习。
在适用本发明的一实施例中,所述人工智能分析模块,可以根据所述输入数据中所包含的不良事件所呈现出的副作用的程度,在与所述作业相关的一系列步骤中适用例外处理。
在上述内容中对本发明做出简要概括的特征只是本发明之详细说明的示例性形态,并不是为了对本发明的范围做出限制。
在本发明中,可以更加一致且准确地在如因果性等医学侧面对药物警戒(pharmacovilgilance,PV)业务进行评估以及处理,而且可以快速地检测安全性信息以及风险。
本发明可达成的效果并不限定于在上述内容中提及的效果,具有本发明所属技术领域之一般知识的人员将可以通过下述记载进一步明确理解未被提及的其他效果。
在上述内容中对本发明做出简要概括的特征只是本发明之详细说明的示例性形态,并不是为了对本发明的范围做出限制。
附图说明
图1中对适用本发明之一实施例的提供药物警戒平台的系统结构进行了图示。
图2中对可在适用本发明之一实施例的系统中使用的人工神经网络的结构进行了图示。
图3中对适用本发明之一实施例的服务器的功能构成进行了图示。
图4中对适用本发明之一实施例的药物警戒平台中用于对使用者输入进行处理的步骤的实例进行了图示。
图5中对适用本发明之一实施例的药物警戒平台中用于基于使用者的权限等级执行作业的步骤的实例进行了图示。
图6中对适用本发明之一实施例的药物警戒平台中用于生成输出数据的步骤的实例进行了图示。
图7中对适用本发明之一实施例的药物警戒平台中用于在系统之间共享数据的步骤的实例进行了图示。
具体实施方式
接下来,为了便于具有本发明所属技术领域之一般知识的人员可以轻易地实施本发明,将参阅附图对本发明的实施例进行详细的说明。但是,本发明可以通过多种不同的形态实现,并不限定于在此进行说明的实施例。
在对本发明的实施例进行说明的过程中,当判定对公知构成或功能的具体说明可能会导致本发明的要旨变得不清晰时,将省略与其相关的详细说明。此外,在附图中对与本发明的说明无关的部分进行了省略,而且对于类似的部分分配了类似的附图编号。
本发明提供一种用于利用智能化人工智能平台执行药物警戒(pharmacovilgilance,PV)步骤的技术。具体来讲,本发明的目的在于提供一种可以在如云环境以及本地环境等多种环境下支持药物警戒步骤的平台。
药物的副作用报告数据的规模正在急速增加,但是对其进行分析、评估以及处理的过程却都是通过手动作业完成。因此,本发明提供一种可以通过对副作用报告书适用光学字符识别(OCR,optical character recognition)以及自然语言处理(NLP,naturallanguage processing)技术而提升准确度,并从所收集到的副作用大数据中根据统一的国际规定获取不良事件名称、患者病例、基础疾病以及基础疾病等临床信息以及品目信息等,进而将副作用大数据转换并存储成结构化数据的技术。
图1中对适用本发明之一实施例的提供药物警戒平台的系统结构进行了图示。
参阅图1,系统包括连接到通信网络的使用者装置110a、使用者装置110b以及服务器120。在图1中对两个使用者装置110a、110b进行了例示,但是也可以有三个以上的使用者装置存在。
使用者装置110a以及使用者装置110b由需要利用适用本发明之实施例的平台参与药物警戒步骤的使用者使用。使用者装置110a以及使用者装置110b可以获取输入数据(例如:电子邮件、文档图像以及使用者的输入)并通过通信网络将输入数据发送至服务器120,还可以与服务器120进行交互。使用者装置110a、110b可以分别包括用于进行通信的通信部、用于存储数据以及程序的存储部、用于显示信息的显示部、用于使用者输入的输入部以及用于进行控制的处理器。例如,使用者装置110a110b可以分别是安装有用于连接到平台的应用软件或程序的通用装置(例如:智能手机、平板电脑、笔记本电脑以及台式电脑)或平台专用连接终端。
服务器120提供适用本发明之实施例的平台。服务器120可以提供用于药物警戒平台的各种功能,还可以使用人工智能模型。关于可适用于本发明的人工神经网络的一实例,将在后续的内容中参阅图2进行说明。此外,服务器120可以利用学习数据执行用于人工智能模型的学习。在适用本发明的多个实施例中,服务器120对用于执行药物警戒步骤中所包含的各种分析业务的多个人工智能模型进行存储,并根据需要选择性地使用人工智能模型中的至少一个。此外,服务器120还对用于将分析结果显示给使用者的多个可视化(visualization)工具(tool)进行存储,并根据需要选择性地使用可视化工具中的至少一个。此外,服务器120还对包含多个使用者相关权限的档案信息进行存储,并基于权限对所请求的业务的输入数据进行处理。其中,服务器120可以是存在于本地网络中的本地服务器,也可以是通过外部网络连接的远程连接服务器(例如:云服务器)。服务器120可以包括用于执行通信的通信部、用于存储数据以及程序的存储部以及用于进行控制的处理器。
图2中对可在适用本发明之一实施例的系统中使用的人工神经网络的结构进行了图示。如图2所示的人工神经网络,可以理解为是存储在服务器120中的人工智能模型的结构。参阅图2,人工神经网络由输入层(input layer)210、至少一个隐藏层(hiddel layer)220以及输出层(output layer)230构成。各个层210、220、230分别由多个节点(node)构成,而各个节点分别与属于上一层的至少一个节点的输出连接。各个节点可以在计算出对上一层的各个节点的输出值以及与其对应的连接加权值(weight)进行内积(inner product)的值之后,将与非线性(non-linear)的激活函数(activation function)相乘的输出值传递至下一层的至少一个神经元。
如图2所示的人工神经网络可以通过学习(例如:机器学习(machine learning)以及深度学习(deep learning)等)形成。此外,在适用本发明的多个实施例中使用的人工神经网络模型可以包含全卷积神经网络(fully convolutional neural network)、卷积神经网络(convolutional neural network)、循环神经网络(recurrent neural network)、受限玻尔兹曼机(restricted Boltzmann machine,RBM)以及深度信念神经网络(deepbelief neural network,DBN)中的至少一个,但是并不限定于此。或者,除了深度学习之外还可以包含机器学习方法。或者,也可以包含对深度学习以及机器学习进行结合的混合形态的模型。例如,可以通过适用基于深度学习的模型而提取出影像的特征,而在以所述提取出的特征为基础对影像进行分类或识别时可以适用基于机器学习的模型。基于机器学习的模型可以包含如支持向量机(Support Vector Machine,SVM)以及自适应增强(AdaBoost)等,但是并不限定于此。
图3中对适用本发明之一实施例的服务器的功能构成进行了图示。图3中对图1的服务器120的功能构成进行了例示。
参阅图3,服务器包含光学字符识别(OCR,optical character recognition)模块310、自然语言处理(NLP,natural language processing)模块320、人工智能模型存储库330a、可视化模块存储库330b、使用者以及权限存储库330c、输入处理部340、数据库(database,DB)350、权限确认模块360、人工智能分析模块370、可视化模块380以及学习模块390。
光学字符识别(OCR)模块310可以识别出输入数据中的图像格式的文档中所包含的文本。在适用本发明的一实施例中,光学字符识别(OCR)模块310可以利用存储在人工智能模型存储库330a中的用于执行文本识别的人工智能模型中的一个对文本进行识别。通过光学字符识别(OCR)模块310识别出的文本相关数据将被提供至自然语言处理(NLP)模块320。
自然语言处理(NLP)模块320将对经过数字化的文本数据所表达的自然语言进行分析以及处理。其中,文本数据可以包含如通过光学字符识别(OCR)模块310识别出的文本相关数据、电子邮件、网页以及电子文档等利用文本代码编写的数据中的至少一个。自然语言处理(NLP)模块320可以执行对文本数据的词法分析(morphological analysis)、句法分析(syntactic analysis)、语义分析(semantic analysis)以及语用分析(pragmaticanalysis)中的至少一个。在适用本发明的一实施例中,自然语言处理(NLP)模块320可以根据药物警戒步骤所需要的作业的执行目的对文本数据进行处理。此外,在适用本发明的多个实施例中,自然语言处理(NLP)模块320可以利用存储在人工智能模型存储库330a中的用于执行自然语言处理的人工智能模型中的一个对文本数据进行分析以及处理。
人工智能模型存储库330a对与提供至药物警戒平台的功能相关的各种人工智能模型进行存储。所存储的人工智能模型可以在其他模块发出请求时提供。人工智能模型存储库330a还可以对包括如与各个人工智能模型相关的索引、对应的作业分类、允许使用的模块以及允许使用的使用者权限级别等在内的人工智能模型管理信息进行存储。借此,人工智能模型存储库330a可以从其他模块接收与特定人工智能模型相关的请求,并在基于人工智能模型管理信息为基础判断是否可以提供所请求的人工智能模型之后,在判断为可以提供时提供所请求的人工智能模型。
可视化模块存储库330b对用于显示利用人工智能模型获取到的分析结果的可视化工具进行存储。所存储的可视化工具可以在其他模块(例如:可视化模块380)发出请求时提供。可视化模块存储库330b还可以对包括如与各个可视化模块相关的索引、对应的作业分类、允许使用的模块以及允许使用的使用者权限级别等在内的可视化模块管理信息进行存储。借此,可视化模块存储库330b可以从其他模块接收与特定可视化模块相关的请求,并在基于可视化模块管理信息为基础判断是否可以提供所请求的可视化模块之后,在判断为可以提供时提供所请求的可视化模块。
使用者以及权限存储库330c对可连接到系统中的使用者的账户相关信息以及权限级别相关信息进行存储。使用者可以根据所分配的业务或能力具有不同的权限级别,而与权限级别相关的信息将被存储在使用者以及权限存储库330c中。此外,使用者以及权限存储库330c可以对如各个使用者的连接记录以及业务记录等日志(log)信息进行存储。使用者以及权限存储库330c还可以根据其他模块(例如:权限确认模块360)的请求提供所存储的信息。
输入处理部340从输入数据生成至少一个指令集(command set)。至少一个指令集包含用于执行药物警戒步骤中可执行的至少一个作业的至少一个指令以及相关数据。例如,至少一个指令集可以包含数据查看、数据修正、数据确认、数据存储以及数据生成等多种目的的指令。提供至输入处理部340的输入数据可以是经过自然语言处理(NPL)模块320的数据,或从使用者装置接收到的数据,或经过自然语言处理(NPL)模块320的数据以及从使用者装置接收到的数据的组合。例如,输入处理部340可以基于从自然语言处理(NLP)模块320提供的自然语言处理结果,为了执行与从使用者装置提供的使用者输入对应的作业而对输入数据进行处理。为此,使用者可以利用显示在使用者装置中的药物警戒平台的用户界面向指令输入相关信息。此时,信息可以由使用者实时地进行输入,或按照预先设定的事件条件进行输入。此外,在适用本发明的多个实施例中,输入处理部340可以利用存储在人工智能模型存储库330a中的用于执行输入处理的人工智能模型中的一个对输入数据进行处理。
数据库350对通过药物警戒平台管理的信息进行存储。此外,数据库350执行与通过输入处理部340生成的至少一个指令集对应的动作。例如,数据库350可以提供通过至少一个指令集请求的信息,或修改通过至少一个指令集指示的信息。
权限确认模块360可以基于使用者的权限级别判断是否可以执行所请求的作业。权限确认模块360可以向使用者以及权限存储库330c请求与生成至少一个指令集的使用者的权限级别相关的信息,而且可以从使用者以及权限存储库330c接收与使用者的权限级别相关的信息。此外,权限确认模块360可以基于权限级别,判断是否允许相应的使用者执行与至少一个指令集对应的作业。
人工智能分析模块370利用人工智能算法执行与至少一个指令集对应的作业。为此,在适用本发明的多个实施例中,人工智能分析模块370可以请求使用存储在人工智能模型存储库330a中的用于执行作业的人工智能模型中的一个。借此,人工智能分析模块370可以在从人工智能模型存储库330a接收与人工智能模型相关的信息(例如:神经网络结构以及加权值信息)之后,利用人工智能模型执行推理动作,或向人工智能模型存储库330a提供用于执行推理的输入数据并接收推理结果。
可视化模块380生成用于将作业结果显示给使用者的输出数据。为此,在适用本发明的多个实施例中,可视化模块380可以请求使用存储在可视化模块存储库330b中的可视化工具中的一个。输出数据被发送至请求作业的使用者装置或与作业相关的其他使用者装置。输出数据可以基于接收输出数据的装置的硬件性能生成。此时,可视化模块380将判断为了生成输出数据而使用哪一种可视化工具,为此,可以使用存储在人工智能模型存储库330a的人工智能模型中的至少一个。
学习模块390用于执行存储在人工智能模型存储库330a的人工智能模型的学习或再学习。即,学习模块390基于学习数据执行学习。此时,学习模块390不仅可以使用在初期获取到的学习数据,还可以使用在系统运营的过程中基于使用者的反馈生成的学习数据。对人工智能模型分析结果的使用者的检讨结果,可以包含对分析结果的任何或对至少一部分的不认可。在包含不认可的情况下,相应的检讨结果可以作为标记的学习数据进行反馈,从而应用于再学习。此时,因为使用者的判断同样可能存在错误,因此可以在累积一定量以上的包含不认可的检讨结果之后执行再学习。为此,可以使用用于判断使用者的检讨结果是否包含不认可以及所述不认可的水准达到哪种程度的人工智能模型。
在图3的实例中,以人工智能模型存储库330a以及可视化模块存储库330b为服务器的一部分的情况为例进行了说明。即,人工智能模型存储库330a以及可视化模块存储库330b可以以包含在服务器中的至少一个存储器的集合实现。但是,在其他实施例中,人工智能模型存储库330a以及可视化模块存储库330b中的至少一个也可以以不在服务器内部的单独的装置实现。在如上所述的情况下,服务器可以通过网络与人工智能模型存储库330a以及可视化模块存储库330b执行通信,并对用于执行推理动作的数据进行发送以及接收。
如参阅图3进行的说明,人工智能模型存储库330a可以对多个人工智能模型进行存储。此时,在人工智能模型存储库330a中,可以根据平台管理员的指令对人工智能模型进行添加以及删除。进而,还可以按照规定的协议,执行不同系统之间的人工智能模型的交换、共享以及复制等。
在一实施例中,可以通过系统之间的信令对人工智能模型进行共享。例如,在系统#1向系统#2请求与关联到特定功能的人工智能模型相关的信息时,系统#2可以在获得管理员的批准之后向系统#1提供所关联的人工智能模型的列表。其中,列表可以包含人工智能模型的输入/输出结构、学习进行信息、与使用历史等相关的信息以及推理结果的样本等。接下来,系统#1可以向管理员提供人工智能模型的列表,并根据管理员的指令请求至少一个人工智能模型。借此,系统#2可以在获得系统#2的管理员的批准时共享所请求的人工智能模型。
如上所述的人工智能模型的共享步骤,也可以适用于可视化工具。
图4中对适用本发明之一实施例的药物警戒平台中用于对使用者输入进行处理的步骤的实例进行了图示。图4对服务器(例如:服务器120)的工作方法进行了例示。
参阅图4,在步骤S401中,服务器从使用者装置接收数据。从使用者装置接收的数据,包含用于指示执行作业的指令以及执行作业所需要的数据中的至少一个。例如,数据可以包含文档图像、含有文本信息的电子文档以及通过药物警戒平台的用户界面输入的使用者输入中的至少一个。数据可以包含新业务请求、正在执行中的业务的进展相关报告(例如:不良事件)、数据更新相关信息以及使用者管理相关信息(例如:添加新使用者以及修改权限等)中的至少一个。
在步骤S403中,服务器选择以及载入用于执行输入处理的人工智能模型。此时,将选择用于执行文本识别、自然语言处理以及生成指令集中的至少一个的人工智能模型。所选择的人工智能模型将从相应的存储库(例如:人工智能模型存储库330a)载入到存储器中。
在步骤S405中,服务器将利用人工智能模型对数据进行处理。即,服务器可以从文档图像中识别出文本,或对文本信息进行自然语言处理。此外,服务器将基于所获取到的数据生成用于执行作业的指令集。
在步骤S407中,服务器对经过处理的数据进行分析以及存储。即,服务器将对指令集中所包含的数据执行用于完成指令集所指示的作业的动作。根据作业内容,可以从指令集中所包含的数据生成新数据,或对数据进行修改,或对已存储的数据进行检索。此外,也可以根据作业内容,要求使用者介入或在没有使用者介入的情况下执行。
按照如图4所示的步骤,可以将从使用者输入的数据处理成可在药物警戒平台中使用的形态并生成指令集。药物警戒平台可以基于指令集执行用于药物警戒步骤的各种作业。
在一实施例中,当输入与在相关规定以及行业内所使用的术语的变更相关的数据时,药物警戒平台可以对已生成的数据中与变更的术语对应的值进行检索并将所检索到的值修改成新的术语。因为药物警戒步骤需要在相应品目产品市售/授权被撤销之前持续进行,因此也需要对相关数据进行持续更新。国际医学术语的变化是需要更新的代表性的一实例,而通过如上所述的作业可以快速地对庞大的数据进行更新。
在一实施例中,在输入与不良事件相关的信息时,可以通过第一人工智能模型判断出需要对不良事件进行分类以及原因分析,进而通过为了连续进行事件分析而定义的第二人工智能模型执行事件分类以及原因分析。第二人工智能模型的分析结果可以被传递到具有相应结果的检讨权限的使用者,而使用者可以通过各种形式(例如:文档、电子邮件以及文本等)将检讨结果输入到平台中。借此,平台可以将使用者的检讨结果重新转换成数据并进行存储,进而传递至执行后续步骤的作业的后序使用者。此外,通过利用人工智能模型执行分析,可以获取到均等品质的分析结果。品质的优秀性取决于人工智能模型的学习量,通过执行充分的学习,将可以确保较高品质的分析结果。借此,可以解决药物警戒领域的专业人力不足的问题。
其中,可以在基于初期提供的学习数据执行学习之后,再基于使用者的检讨结果进一步执行学习。对人工智能模型分析结果的使用者的检讨结果,可以包含对分析结果的任何或对至少一部分的不认可。在包含不认可的情况下,相应的检讨结果可以作为标记的学习数据进行反馈,从而执行再学习。此时,因为使用者的判断同样可能存在错误,因此可以在累积一定量以上的包含不认可的检讨结果之后执行再学习。为此,可以使用用于判断使用者的检讨结果是否包含不认可以及所述不认可的水准达到哪种程度的人工智能模型。
此外,通过利用平台执行药物警戒步骤,可以更加快速且准确地输入需要体现在数据库中的大量类型的数据。例如,通过利用人工智能模型对输入数据进行处理,可以节省在按照传统的方式输入数据时所消耗的人力资源以及时间。例如,对于因果性较低或只相当于单纯报告的数据,只需要使用者最小限度地介入或在没有使用者介入的情况下完成输入。
例如,在需要单纯地输入电子邮件中所包含的信息的情况下,可以通过设定与电子邮件相关的事件条件,在没有使用者介入的情况下随时且实时地输入数据。在一实施例中,与电子邮件相关的事件条件可以基于电子邮件的标题以及附件做出定义。具体来讲,平台需要具有可以访问使用者的电子邮件收件箱的权限,并在从电子邮件的标题、发件人、正文以及附件等中检测到与主体(例如:合作企业以及机构)对应的名称以及内容相关的关键词(例如:安全报告(Safety Report))之后将电子邮件按照主体以及关键词进行分类。接下来,平台可以利用与所分类的主体以及关键词对应的分析模型从电子邮件的标题、正文以及附件等提取出信息并对所提取出的信息进行存储。
药物警戒步骤需要多种作业。多种作业可以具有不同的处理步骤或特性。例如,某一些作业可以要求使用者依次进行处理。此时,多个使用者可以具有不同的权限级别,而权限级别可以被称之为案例登录(case entry,CE)、质量控制(QC,quality control)、医学综述(MR,medical review)以及案例结案(case lock,CL)。按照案例登录(CE)、质量控制(QC)、医学综述(MR)以及案例结案(CL)的顺序代表更高的权限。即,案例登录(CE)代表最低的权限,而案例结案(CL)代表最高的权限。此外,案例登录(CE)、质量控制(QC)、医学综述(MR)以及案例结案(CL)可以理解为是药物警戒(PV)作业的步骤。具体来讲,案例登录(CE)是允许输入与案例相关数据的级别或对案例进行输入的步骤。质量控制(QC)是允许对案例相关品质进行管理的级别或执行品质管理的步骤。医学综述(MR)是可以提交与案例相关的医学检讨的级别或执行医学检讨的步骤。案例结案(CL)是具有可以终结相应案例的批准权限的级别或最终批准以及结案步骤。
根据权限级别,可执行的行为(action)也将有所不同。例如,可以根据报告的形态(例如:临床试验以及消费者主动报告等)、副作用的严重程度(例如:死亡、生命威胁或严重的副作用等)以及医药品的类型(例如:新药以及新产品),对基于使用者权限级别的可执行的行为进行细分。
根据如上所述的权限级别,执行需要依次进行处理的作业的实施例如下述图5所示。
图5中对适用本发明之一实施例的药物警戒平台中用于基于使用者的权限等级执行作业的步骤的实例进行了图示。图5对服务器(例如:服务器120)的工作方法进行了例示。图5对用于执行需要由多个使用者依次进行处理的作业的动作进行了例示。
参阅图5,在步骤S501中,服务器对业务处理的路径进行确认。其中,路径是指一系列使用者的集合,路径中所包含的使用者可以具有彼此不同的权限级别并以前后关系进行关联。即,服务器可以对与由第一使用者请求的作业执行相关的使用者进行确认,并进一步对使用者之间的前后关系进行确认。
在步骤S503中,服务器对使用者是否具有业务访问权限进行判断。服务器将对处理所请求的作业时所需要的权限级别进行确认,并对所需要的权限级别与使用者的权限级别进行比较。此时,所需要的权限级别不仅与作业相关,还会根据作业的进展程度发生变化。当使用者不具有业务访问权限时,服务器将结束本步骤。
与此相反,当使用者具有业务访问权限时,在步骤S505中,服务器将判断路径上的前序使用者的处理是否已完成。即,因为所请求的作业需要依次进行处理,因此在路径上的前序使用者的处理没有完成的情况下,将无法执行后序使用者的作业。因此,服务器将对前序使用者的处理完成与否进行确认,并对前序使用者的处理的权限合规性进行检查。当前序使用者没有完成处理时,服务器将结束本步骤。
与此相反,当前序使用者已完成处理时,在步骤S507中,服务器将选择以及载入用于执行作业的人工智能模型。其中,所选择的人工智能模型将用于执行所请求的作业或用于执行辅助所请求的作业的动作。作为作业辅助的实例,人工智能模型可以用于收集和提供使用者的作业所需要的资料。在如上所述的情况下,人工智能模型可以基于使用者的权限级别以及需要执行的作业步骤进行选择。所选择的人工智能模型将从相应的存储库(例如:人工智能模型存储库330a)载入到存储器中。
在步骤S509中,服务器将执行作业并对作业结果进行存储。即,服务器可以利用所在如的人工智能模型执行对输入数据的推理动作并获得推理结果。例如,在作为用于作业辅助的人工智能模型使用收集并提供使用者的作业所需要的资料的人工智能模型的情况下,输入数据可以包含使用者的权限级别、需要执行的作业步骤、使用者的以往作业历史、后序使用者的级别以及后序使用者的以往作业历史。此外,包含推理结果的输出数据,可以包含辅助资料以及对辅助资料内的使用者所需要的信息位置进行标记的信息。推理结果可以被存储到数据库(例如:数据库350)中。此外,虽然在图5中并没有进行图示,但是可以基于推理结果生成需要提供至使用者的输出数据并将输出数据发送至使用者装置。此时,输出数据也可以被发送至后序使用者,而发送至后序使用者的输出数据可以包含当前使用者的作业已完成的通知消息。
在参阅图5进行说明的实施例中,在权限级别不充分或前序使用者的处理没有完成的情况下将结束步骤。此时,在其他实施例中,服务器可以向使用者装置发送作业处理被中断的通知消息。此外,通知可以包含对中断原因进行说明的信息以及用于解决所述原因的所需措施相关信息中的至少一个。
在如图5所示的实施例中,药物警戒平台可以支持需要由多个使用者依次进行处理的作业。此时,适用本发明之实施例的药物警戒平台可以支持例外处理。例如,在一般的情况下,是按照案例输入(CE,级别1)→质量控制(QC,级别2)→医学综述(MR,级别3)→案例结案(CL,级别4)的路径对作业进行处理,但是在例外处理的情况下,可以在路径中排除一个级别或添加一个级别。此外,在其他例外处理的情况下,各个级别的进展方式相同,但是可以允许具有相应级别的其他使用者替代路径。例外处理可以根据不同的品目或与案例相关的副作用的严重程度进行定义。
在一实施例中,可以在副作用的严重程度较高时适用额外的管理步骤。具体来讲,在严重不良事件(SAE,serious adverse event)或如死亡等非预期严重不良反应(SUSAR,suspected unexpected serious adverse drug reaction)等不良事件分类的严重程度较高的情况下,可以适用如新药/抗癌剂等对非预期或严重适应症进行特殊监控的异常处理。
在一实施例中,可以根据业务的紧急性对一部分步骤进行合并、省略或简化。业务的紧急性与否可以由用于判断紧急性与否的人工智能模型进行判断。例如,在通过电子邮件对业务请求进行确认的情况下,平台将选择以及调用用于判断紧急性的人工智能模型。此外,平台可以在提取出电子邮件中所包含的关键词之后作为输入数据提供,从而利用人工智能模型对业务的紧急性进行推理。在紧急性程度超出临界级别的情况下,平台可以通过例外处理按照非一般步骤的简化步骤对业务进行处理。此时,简化的类型以及步骤可以根据紧急性的程度以及业务的类型发生变化。例如,在包含案例登录(CE)、质量控制(QC)、医学综述(MR)以及案例结案(CL)的一系列步骤中排除一部分或执行所有步骤时,可以将处理特定步骤的使用者替代成可更快速地执行相应步骤的其他使用者(以下称之为“替代使用者”)。其中,为了替代成其他使用者,平台可以在考虑到作业步骤所需要的权限、以往作业执行历史以及与相应业务的关联性等的情况下,设定可起到作为替代使用者的作用的条件(例如:在具有相应使用者以上的权限级别并具有同类型的作业执行历史),并在对符合条件的使用者进行检索之后发送询问是否立即执行业务的请求消息。接下来,平台可以将对请求消息做出相应的使用者中的某一个设定为替代使用者。
图6中对适用本发明之一实施例的药物警戒平台中用于生成输出数据的步骤的实例进行了图示。图6中对服务器(例如:服务器120)的工作方法进行了例示。
参阅图6,在步骤S601中,服务器将获取利用人工智能模型的分析结果。即,服务器获取利用人工智能模型执行的作业的结果产物。此时,利用人工智能模型的推理动作可以在服务器中执行或在其他装置中执行。
在步骤S603中,服务器选择以及载入用于执行可视化的可视化模块。其中,可视化模块可以基于作业的类型、使用者装置的硬件性能以及使用者的请求等进行选择。在需要时,也可以选择两个以上的可视化模块。所选择的至少一个可视化模块将从相应的存储库(例如:可视化模块存储库330b)载入到存储器中。
在步骤S605中,服务器将利用可视化模块执行数据的可视化。即,服务器决定用于将利用人工智能模型获取到的推理的结果进行视觉表达的输出数据。推理结果的视觉表达,可以利用如文本、图形以及图像生成。此时,输出数据可以在考虑到需要使用输出数据的使用者装置的硬件性能的情况下生成。
在步骤S607中,服务器将对输出数据进行发送。输出数据将被发送至请求分析结果的使用者装置中。此外,输出数据除了请求分析结果的使用者装置之外,还可以发送至其他相关的使用者装置。此时,输出数据可以包含根据使用者装置的权限级别进行差异化的信息。
在参阅图6进行说明的实施例中,可以向使用者提供多种形式的格式化信息。通过对可视化模块进行适当设计,可以对医药品目进行整体的副作用管理以及监测,进而,适用本发明之实施例的平台可以提供便于进行风险(risk)监测以及跟踪(tracking)的用户界面。
例如,通过在登记(book-in)步骤中输入最小限度的信息(例如:医药品名称以及不良事件名称),还可以对无效案例(invalid case)进行累积管理。对于作为市售后风险管理计划(risk management plan,RMP)提交对象的医药品,平台可以对是否检测到具有预先设定的风险(risk)的不良事件进行监测,并向相关的风险警戒(PV)人员提示需要在接下来执行的任务(action taken)。此外,平台可以设定定期安全性报告提交日期以及数据的结案时间点(lock point)并实时地对所累积的数据进行整合分析。
在参阅图6进行说明的实施例中,可以向使用者提供多种形式的格式化信息。此时,所提供的可视化功能可以根据使用者的权限级别发生变化。例如,在执行数据输入作业的情况下,可以向权限级别为质量控制(QC)的使用者提供用于检查输入结果是否正确的形式。在一实施例中,输出数据可以包含输入数据(例如:电子邮件以及图像等)、作业的结果(例如:在结构化的样式中输入信息的结果)以及输入数据中所包含的项目与作业结果中所包含的项目之间的匹配相关信息。在如上所述的情况下,可以在使用者装置中同时显示输入数据以及所述作业结果,而使用者可以借此对两者进行比较。进而,为了便于比较判断,在使用者装置中还可以将用于表示相同项目之间的匹配关系的第一指示符(例如:相同颜色的色彩框)以及用于表示包含在输入数据中心但没有输入到作业结果中的项目的第二指示符(例如:在作业结果的空白输入栏中的显示色彩框)与输入数据以及作业结果一起进行显示。
图7中对适用本发明之一实施例的药物警戒平台中用于在系统之间共享数据的步骤的实例进行了图示。图7中对用于实现不同系统700a以及700b之间的数据共享的信号交换进行了例示。其中,系统#1 700a以及系统#2 700b是指在不同的主体(例如:企业)中使用的系统。在图7中,工作主体是以系统#1 700a以及系统#2 700b为例进行了说明,但是这可以理解为是各个系统的服务器或为了在系统之间进行信息交换而设计的中间装置。
参阅图7,在步骤S701中,系统#1 700a以及系统#2 700b将执行用于实现数据共享的设定步骤。为了实现数据共享,系统#1 700a以及系统#2 700b可以在彼此之间对至少一个消息进行发送以及接收。例如,至少一个消息可以包含共享请求消息以及共享相应消息。共享可以是双向共享或单向共享中的一个,而提供数据的系统可以将与对方系统相关的信息注册到内部数据库中。在如图7所示的情况下,将执行从系统#2 770b向系统#1 770a提供数据的共享设定。
在步骤S703中,系统#1 770a将向系统#2 770b发送数据请求消息。数据请求消息可以周期性地进行发送或在满足所设定的条件时进行发送。
在步骤S705中,系统#2 770b将向系统#1 770a发送数据。即,系统#2 770b将作为对请求的响应向系统#1 770a发送数据。此时,系统#2 770b可以在确认是否具有系统#1770a所请求的数据的访问权限之后对数据进行发送。在数据共享时需要获得具有特定权限级别的使用者批准的情况下,系统#2 770b可以在获得相应使用者的批准之后对数据进行发送。
在步骤S707中,系统#2 770b将对用于执行数据共享的事件的发生进行监测。其中,可以以多种不同的方式对事件进行定义。例如,事件可以基于共享对象即数据的修改、最后共享时间点以及数据相关安全级别中的至少一个进行定义。在因为发生事件而对数据进行共享的情况下,不需要从系统#1 770a发出请求。
在步骤S709中,系统#2 770b将向系统#1 770a发送数据。在数据共享时需要获得具有特定权限级别的使用者批准的情况下,系统#2 770b可以在获得相应使用者的批准之后对数据进行发送。
通过参阅图7进行说明的实施例,可以在不同的系统之间对数据进行共享。借助于适用本发明之实施例的药物警戒平台所提供的的数据共享功能,在属于药物警戒步骤的多个作业中,不仅可以向相关监管部门提交报告,还可以为了维持药物警戒系统的整体运营而与关联的合作企业实现有机实务合作(例如:副作用案例共享以及数据统一化作业等)。即,适用本发明之实施例的平台可以起到安全控制塔(safety control tower)的作用,具体来讲,可以通过形成数据库之间的网络而实现数据交换,还可以在进行全球多国临床试验或合作企业较多的品目中通过数据库一目了然地掌握全世界的信息。与其相关地,药物警戒平台还可以支持如数据交换(data exchange)日程设定以及负责人业务分配等功能。
在一实施例中,可以基于数据库以及网络的特性,将多个系统针对特定品目作为一个系统进行应用。即,可以将多个合作企业的系统整合成单一团队(team)的状态使用。具体来讲,可以通过对多个互联的系统的功能进行协调(alignment)而实现可在一个系统内进行设定的功能。
在具体的实施例中,可以在多个不同企业的系统之间分担案例登录(CE)步骤、质量控制(QC)步骤、医学综述(MR)步骤以及案例结案(CL)步骤。例如,可以在由国家A的合作企业的系统#1收集国家A的案例并执行登记以及案例登录(CE,case entry)步骤之后,发送至起到控制塔(control tower)作用的国家B的合作企业的系统#2中。接下来,系统#2可以在执行质量控制(QC)步骤、医学综述(MR)步骤以及案例结案(CL)步骤之后将结果发送至系统#1。即,系统#2可以将监管部门报告案例分配到系统#1的提交(submission)页面中。
在具体的实施例中,可以在三个以上的系统之间分担业务。例如,在采用由控制塔即国家A的总公司承担国家B的分公司的风险警戒(PV)活动的结构的情况下,在包括国家A设立的企业总公司的系统#1、在国家B设立的分公司的系统#2以及在国家B设立的合作企业的系统#3的情况下,可以在由系统#3收集案例并执行登记以及案例登录(CE)步骤之后传送至系统#2。接下来,系统#2可以在执行质量控制(QC)步骤以及医学综述(MR)步骤之后将结果发送至系统#1。系统#1可以在执行案例结案(CL)步骤并生成最终报告书之后发送至系统#2,而系统#2可以将最终报告书发送至监管部门的系统中。也可以与在其他国家设立的分公司的系统执行类似的步骤。
如上所述的通多对多个系统的功能进行协调(alignment)而执行的步骤,可以在确保多个系统之间的人工智能模型的性能以及特性的类似性的环境下执行。为此,可以通过学习数据共享、迁移学习(transfer learning)以及人工神经网路结构的同步等方式,使得彼此连动的多个系统具有类似的性能以及兼容特性。
在一实施例中,可以实时执行根据数据交换日程设定、负责人业务分配、监管部门报告管理以及不同国家公休日/休假/灾害状况等执行的业务连续性计划(businesscontinuity plan,BCP)管理等,借此可以提升药物警戒的品质。其中,为了业务连续性计划管理,平台可以基于不同使用者的休假计划以及日历信息确定公休日期,并基于由管理员输入的灾害信息等确定不同使用者的业务执行的预期中断时间点,从而决定以及联系可以对相应业务进行后备(back-up)的其他使用者(以下称之为“后备使用者”)。为了选择后备使用者,平台可以生成对可能发生业务中断的使用者的后备条件并对符合所生成的条件的后备使用者进行检索,然后向所检索到的后备使用者发送请求消息。此外,平台还可以向与可能发生业务中断的使用者的业务相关的相关使用者提供与所检索到的后备使用者相关的信息。
在后备使用者执行后备业务的期间内,平台可以暂时向后备使用者分配执行后备业务所需要的权限。为了暂时分配权限,平台可以设定独立于当前权限的二级权限,并对二级权限的期限限制进行设定。此时,不仅可以对使用者的权限进行限制,还可以对在后备业务期间内查看、下载以及生成的数据的访问权限设定相同的期限限制。即,即使是由后备使用者生成的数据,在超过权限期限之后也可以禁止后备使用者访问相应的数据。
为了确保说明的明确性,将本发明的示例性的方法以动作序列的方式进行了说明,但是这并不是为了对执行步骤的顺序进行限制,在需要的情况下,可以同时或按照不同的顺序执行各个步骤。为了实现适用本发明的方法,可以在示例性的步骤中包括其他步骤、只包括除一部分步骤之外的剩余步骤或除一部分步骤并包括额外的其他步骤。
本发明的多个实施例并没有对所有可能的组合进行了列举,只是用于对本发明的代表性形态进行说明,在多个实施例中进行说明的事项可以独立适用或以两个以上的组合适用。
此外,本发明的各个实施例可以通过如硬件、固件(firmware)、软件或所述之结合等实现。在通过硬件实现的情况下,可以利用如一个或多个专用集成电路(ASICs,Application Specific Integrated Circuits)、数字信号处理器(DSPs,Digital SignalProcessors)、数字信号处理装置(DSPDs(Digital Signal Processing Devices)、可编程逻辑设备(PLDs,Programmable Logic Devices)、场可编程门阵列(FPGAs,FieldProgrammable Gate Arrays)、通用处理器(general processor)、控制器、微控制器以及微处理器等实现。
本发明的范围包括可以使得适用多个实施例的动作在装置或计算机上执行的软件或设备可执行的指令(例如:操作系统、应用程序、固件以及程序等)、以及存储有所述软件或指令等的装置或可在计算机中运行的非易失性计算机可读介质(non-transitorycomputer-readable medium)。
Claims (24)
1.一种提供药物警戒(pharmacovilgilance,PV)平台的服务器的工作方法,包括:
从使用者装置接收输入数据的步骤;
利用为了对所述输入数据进行处理而选择的第一人工智能模型,从所述输入数据生成至少一个指令集的步骤;
判断提供所述输入数据的使用者是否具有用于执行所述至少一个指令集的权限的步骤;
在所述使用者具有所述权限的情况下,利用为了执行与所述至少一个指令集相关的作业而选择的第二人工智能模型,生成所述作业的结果的步骤;
利用为了对所述作业结果进行可视化(visualization)而选择的可视化模块,生成用于表示所述作业结果的输出数据的步骤;以及,
将所述输出数据发送至所述使用者装置的步骤。
2.根据权利要求1所述的方法,
所述第一人工智能模型以及所述第二人工智能模型,从存储在人工智能模型存储库的多个人工智能模型中基于所述使用者以及所述作业进行选择。
3.根据权利要求1所述的方法,
所述可视化模块,从存储在可视化模块存储库的多个可视化模块中基于所述使用者以及所述作业进行选择。
4.根据权利要求1所述的方法,
所述输入数据,采用图像化的文档、电子邮件以及使用者输入中的至少一种形态,
所述第一人工智能模型,执行对所述输入数据的光学字符识别(OCR,opticalcharacter recognition)以及自然语言处理(NLP,natural language processing)中的至少一个。
5.根据权利要求4所述的方法,
所述人工智能模型存储库,包括多个人工智能模型,并采用可根据平台管理员的命令向人工智能模型存储库添加或删除人工智能模型的结构。
6.根据权利要求1所述的方法,
所述作业,是连续执行的多个作业中的一个,
所述多个作业,包括案例登录(case entry,CE)、质量控制(QC,quality control)、医学综述(MR,medical review)以及案例结案(case lock,CL),
所述作业结果,传递给所述使用者的后序使用者。
7.根据权利要求1所述的方法,还包括:
接收与所述作业结果相关的所述使用者的检讨结果的步骤;以及,
利用第三人工智能模型对所述检讨结果进行分析以及存储的步骤。
8.根据权利要求7所述的方法,还包括:
利用所述检讨结果,执行对所述第二人工智能模型的再学习的步骤。
9.根据权利要求1所述的方法,
所述生成作业结果的步骤,包括:
通过人工智能模型学习将所述输入数据中所包含的包括不良事件、患者病例以及基础疾病在内的临床信息以及品目信息转换成结构化数据的步骤。
10.根据权利要求9所述的方法,
所述输出数据,包括所述输入数据、所述作业结果、所述输入数据中包含的项目以及包含在所述作业结果中的项目之间的匹配相关信息,
所述输入数据以及所述作业结果,与用于表示相同项目之间的匹配关系的第一指示符以及用于表示包含在所述输入数据中但没有输入到所述作业结果的项目的第二指示符一起显示在所述使用者装置中。
11.根据权利要求1所述的方法,还包括:
根据所述输入数据中所包含的不良事件所呈现出的副作用的程度,在与所述作业相关的一系列步骤中适用例外处理的步骤。
12.根据权利要求11所述的方法,
所述例外处理,包括分配额外的作业。
13.一种提供药物警戒(pharmacovilgilance,PV)平台的系统,包括:
接收部,从使用者装置接收输入数据;
输入处理部,利用为了对所述输入数据进行处理而选择的第一人工智能模型,从所述输入数据生成至少一个指令集;
权限确认模块,判断提供所述输入数据的使用者是否具有用于执行所述至少一个指令集的权限;
人工智能分析模块,在所述使用者具有所述权限的情况下,利用为了执行与所述至少一个指令集相关的作业而选择的第二人工智能模型,生成所述作业的结果;
可视化模块,利用为了对所述作业结果进行可视化(visualization)而选择的可视化模块,生成用于表示所述作业结果的输出数据;以及,
发送部,将所述输出数据发送至所述使用者装置的步骤。
14.根据权利要求13所述的系统,
所述第一人工智能模型以及所述第二人工智能模型,从存储在人工智能模型存储库的多个人工智能模型中基于所述使用者以及所述作业进行选择。
15.根据权利要求13所述的系统,
所述可视化模块,从存储在可视化模块存储库的多个可视化模块中基于所述使用者以及所述作业进行选择。
16.根据权利要求13所述的系统,
所述输入数据,采用图像化的文档、电子邮件以及使用者输入中的至少一种形态,
所述第一人工智能模型,执行对所述输入数据的光学字符识别(OCR,opticalcharacter recognition)以及自然语言处理(NLP,natural language processing)中的至少一个。
17.根据权利要求16所述的系统,
所述人工智能模型存储库,包括多个人工智能模型,并采用可根据平台管理员的命令向人工智能模型存储库添加或删除人工智能模型的结构。
18.根据权利要求13所述的系统,
所述作业,是连续执行的多个作业中的一个,
所述多个作业,包括案例登录(case entry,CE)、质量控制(QC,quality control)、医学综述(MR,medical review)以及案例结案(case lock,CL),
所述作业结果,传递给所述使用者的后序使用者。
19.根据权利要求13所述的系统,
所述接收部,接收与所述作业结果相关的所述使用者的检讨结果,
所述人工智能分析模块,利用第三人工智能模型对所述检讨结果进行分析以及存储。
20.根据权利要求19所述的系统,还包括:
学习模块,利用所述检讨结果,执行对所述第二人工智能模型的再学习。
21.根据权利要求13所述的系统,
所述人工智能分析模块,通过人工智能模型学习将所述输入数据中所包含的包括不良事件、患者病例以及基础疾病在内的临床信息以及品目信息转换成结构化数据。
22.根据权利要求21所述的系统,
所述输出数据,包括所述输入数据、所述作业结果、所述输入数据中包含的项目以及包含在所述作业结果中的项目之间的匹配相关信息,
所述输入数据以及所述作业结果,与用于表示相同项目之间的匹配关系的第一指示符以及用于表示包含在所述输入数据中但没有输入到所述作业结果的项目的第二指示符一起显示在所述使用者装置中。
23.根据权利要求13所述的系统,
所述人工智能分析模块,根据所述输入数据中所包含的不良事件所呈现出的副作用的程度,在与所述作业相关的一系列步骤中适用例外处理。
24.根据权利要求21所述的系统,
所述例外处理,包括分配额外的作业。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2021-0081339 | 2021-06-23 | ||
KR1020210081339A KR102410415B1 (ko) | 2021-06-23 | 2021-06-23 | 지능형 약물감시 플랫폼을 제공하기 위한 방법 및 장치 |
PCT/KR2022/007100 WO2022270768A1 (ko) | 2021-06-23 | 2022-05-18 | 지능형 약물감시 플랫폼을 제공하기 위한 방법 및 장치 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115867978A true CN115867978A (zh) | 2023-03-28 |
Family
ID=84542494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280003044.2A Pending CN115867978A (zh) | 2021-06-23 | 2022-05-18 | 用于提供智能型药物警戒平台的方法以及装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220415467A1 (zh) |
EP (1) | EP4362037A1 (zh) |
CN (1) | CN115867978A (zh) |
-
2022
- 2022-05-18 EP EP22760641.5A patent/EP4362037A1/en active Pending
- 2022-05-18 CN CN202280003044.2A patent/CN115867978A/zh active Pending
- 2022-09-06 US US17/929,983 patent/US20220415467A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20220415467A1 (en) | 2022-12-29 |
EP4362037A1 (en) | 2024-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mahdavi-Hezavehi et al. | A systematic literature review on methods that handle multiple quality attributes in architecture-based self-adaptive systems | |
Benatallah et al. | Process analytics: concepts and techniques for querying and analyzing process data | |
Zhao et al. | Ontology classification for semantic-web-based software engineering | |
US8195709B2 (en) | Comparison of models of a complex system | |
US11699120B2 (en) | System to facilitate guided navigation of direct-access databases for advanced analytics | |
Knox Clarke et al. | Decision-making at the sharp end: a survey of literature related to decision-making in humanitarian contexts | |
US20180012181A1 (en) | Method of collaborative software development | |
Park et al. | Action-oriented process mining: bridging the gap between insights and actions | |
Wang et al. | Guidelines for business rule modeling decisions | |
Rodrigues et al. | Enhancing context specifications for dependable adaptive systems: A data mining approach | |
Abd Rahman et al. | Critical device reliability assessment in healthcare services | |
Mattioli et al. | Towards a holistic approach for AI trustworthiness assessment based upon aids for multi-criteria aggregation | |
KR102410415B1 (ko) | 지능형 약물감시 플랫폼을 제공하기 위한 방법 및 장치 | |
CN115867978A (zh) | 用于提供智能型药物警戒平台的方法以及装置 | |
Smith | Defining real world problems: a conceptual language | |
Sutcliffe | Domain analysis for software reuse | |
Kapetanakis | Intelligent monitoring of business processes using case-based reasoning | |
Akbar et al. | AUTOMATIC GENERATION OF TEMPORAL DATA PROVENANCE FROM BIODIVERSITY INFORMATION SYSTEMS. | |
Lupafya | A conceptual framework for uncertainty in software systems and its application to software architectures | |
Mayr-Dorn et al. | ProCon: An automated process-centric quality constraints checking framework | |
Amin | Handling instance spanning constraints in compliance management | |
Udroiu et al. | Integrated Information System for the Management of Activities in the Organization | |
Bērziša et al. | Capability as a service in digital enterprises | |
Ryan Conmy et al. | What's my role? Modelling responsibility for AI-based safety-critical systems | |
Conmy et al. | What's my role? Modelling responsibility for AI-based safety-critical systems |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40087005 Country of ref document: HK |