CN116092698A - 一种处方审核方法、装置、系统和存储介质 - Google Patents
一种处方审核方法、装置、系统和存储介质 Download PDFInfo
- Publication number
- CN116092698A CN116092698A CN202211635072.4A CN202211635072A CN116092698A CN 116092698 A CN116092698 A CN 116092698A CN 202211635072 A CN202211635072 A CN 202211635072A CN 116092698 A CN116092698 A CN 116092698A
- Authority
- CN
- China
- Prior art keywords
- prescription
- score
- checked
- knowledge
- representation
- 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
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/194—Calculation of difference between files
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Economics (AREA)
- Epidemiology (AREA)
- Educational Administration (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Pharmacology & Pharmacy (AREA)
- Toxicology (AREA)
- Animal Behavior & Ethology (AREA)
- Medicinal Chemistry (AREA)
- Game Theory and Decision Science (AREA)
- Pathology (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请公开了一种处方审核方法、装置、系统和存储介质,所述方法包括以下步骤:获取待审核处方以及与所述待审核处方相关联的文书;基于药品知识图谱和所述文书对所述待审核处方进行打分,得到所述待审核处方的第一得分;基于所述文书获取与所述待审核处方相关联的临床用药知识,并基于所述临床用药知识对所述待审核处方进行打分,得到所述待审核处方的第二得分;基于所述第一得分和所述第二得分,得到所述待审核处方的最终得分。本申请具有提升处方审核的准确率与合理性的效果。
Description
技术领域
本申请涉及智慧医疗技术领域,更具体地涉及一种处方审核方法、装置、系统和存储介质。
背景技术
处方审核一直是医护场景下十分重要的功能。现实场景下,医生根据患者病情开具用药处方后,药师会对医生处方进行二次审核。一旦发现处方存在不规范或者不适宜的情况,药师将拒绝发药。相对于等级医院,基层医院往往存在处方不规范、抗菌药滥用、特殊人群(老人、儿童、孕妇等)处方剂量不适宜等问题,为药师的审方工作带来了很大困难。
相关技术中的审核方法多是基于药品知识图谱构建推理规则进行处方审核,或者基于药品知识图谱获取推荐药品集合,再根据推荐药品与待审核处方中药品的相似性对待审核处方打分,从而实现处方审核。
目前的处方审核方法,虽然能够对处方进行审核,但是忽略了海量临床用药经验知识的挖掘和其在处方审核中的作用,审核维度单一,很难覆盖处方审核所需知识,难以从大量特征中筛选出与最终任务相关的关键病情特征,其评估效果难以满足真实场景需求,并且容易造成人力资源的浪费。因此需要提出一种处方审核方法,以解决上述问题中的至少一个。
发明内容
为了解决上述问题而提出了本申请。根据本申请一方面,提供了一种处方审核方法,所述方法包括以下步骤:
获取待审核处方以及与所述待审核处方相关联的文书;基于药品知识图谱和所述文书对所述待审核处方进行打分,得到所述待审核处方的第一得分;基于所述文书获取与所述待审核处方相关联的临床用药知识,并基于所述临床用药知识对所述待审核处方进行打分,得到所述待审核处方的第二得分;基于所述第一得分和所述第二得分,得到所述待审核处方的最终得分。
在本申请的一个实施例中,所述基于所述文书获取与所述待审核处方相关联的临床用药知识,包括:基于所述文书构建患者画像;根据所述患者画像对医院历史处方数据进行挖掘,获取相似患者处方;基于所述相似患者处方得到与所述待审核处方相关联的临床用药知识。
在本申请的一个实施例中,所述根据所述患者画像对医院历史处方数据进行挖掘,获取相似患者处方,包括:根据所述患者画像对医院历史处方数据进行挖掘,获取相关患者病情画像;计算所述患者画像和所述相关患者病情画像的相似度,并将所述相似度高于阈值的相关患者病情画像对应的处方作为相似患者处方。
在本申请的一个实施例中,所述基于所述相似患者处方得到与所述待审核处方相关联的临床用药知识,包括:针对所述相似患者处方中的每个处方,计算所述每个处方的处方文本;基于所述每个处方的处方文本,得到与所述待审核处方相关联的临床用药知识的知识表示。
在本申请的一个实施例中,所述计算所述每个处方的处方文本,包括:计算所述每个处方中不同药品的初始处方文本;将所述每个处方中不同药品的初始处方文本进行拼接,得到所述每个处方的处方文本;所述基于所述每个处方的处方文本,得到与所述待审核处方相关联的临床用药知识的知识表示,包括:将所述每个处方的处方文本输入到文本编码模型中,得到与所述待审核处方相关联的临床用药知识的知识表示。
在本申请的一个实施例中,基于所述临床用药知识对所述待审核处方进行打分,得到所述待审核处方的第二得分,包括:计算所述待审核处方的处方表示和所述临床用药知识的知识表示;计算所述处方表示和所述知识表示的相似度,并基于所述相似度得到所述待审核处方的第二得分。
在本申请的一个实施例中,所述计算所述待审核处方的处方表示,包括:计算所述待审核处方中不同药品的初始处方文本;将所述待审核处方中不同药品的初始处方文本进行拼接,得到所述待审核处方的处方文本;将所述待审核处方的处方文本输入到文本编码模型中,得到所述待审核处方的处方表示。
在本申请的一个实施例中,所述不同药品的初始处方文本是通过如下方式得到的:对于每种药品,将所述药品的药品信息拼接,得到所述初始处方文本。
在本申请的一个实施例中,所述基于药品知识图谱和所述文书对所述待审核处方进行打分,得到所述待审核处方的第一得分,包括:基于所述药品知识图谱得到所述待审核处方的药品知识表示;对所述文书进行识别,得到病情关键信息,基于所述病情关键信息得到病情文本表示;计算所述药品知识表示和所述病情文本表示的相似度,并基于所述相似度得到所述待审核处方的第一得分。
在本申请的一个实施例中,基于所述第一得分和所述第二得分,得到所述待审核处方的最终得分,包括:将所述第一得分和所述第二得分进行加权求和,得到所述待审核处方的最终得分。
在本申请的一个实施例中,在将所述第一得分和所述第二得分进行加权求和之前,所述方法还包括:计算所述第一得分和所述第二得分各自的注意力权重,以用于进行所述加权求和;其中,所述第一得分的注意力权重是基于所述药品知识表示和所述病情文本表示的相似度计算得到的;所述第二得分的注意力权重是基于所述患者画像和所述相关患者病情画像的相似度计算得到的。
根据本申请另一方面,本申请提供了一种处方审核装置,所述装置包括:信息获取模块,用于获取待审核处方以及与所述待审核处方相关联的文书;第一评分模块,用于根据所述药品知识图谱和所述文书对所述待审核处方进行打分,得到所述待审核处方的第一得分;第二评分模块,用于根据所述文书获取与所述待审核处方相关联的临床用药知识,并基于所述临床用药知识对所述待审核处方进行打分,得到所述待审核处方的第二得分;综合评分模块,用于根据所述第一得分和所述第二得分,得到所述待审核处方的最终得分。
根据本申请又一方面,本申请提供了一种处方审核系统,所述系统包括存储器和处理器,所述存储器上存储有由所述处理器运行的计算机程序,所述计算机程序在被所述处理器运行时,使得所述处理器执行上述的处方审核的方法。
根据本申请又一方面,本申请提供了一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序在运行时,执行如权利要求上述的处方审核的方法。
根据本申请实施例的处方审核方法,基于药品知识图谱进行了第一个维度的审核与评分,基于临床用药知识进行了第二个维度的审核与评分,并最终通过综合第一得分与第二得分的方式得到最终得分完成对处方的审核。通过本方法进行处方的审核,考虑了不同的审核维度,保证了药品知识的覆盖度和处方审核的准确率,提升了处方审核的准确率与合理性。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为本申请实施例中处方审核方法的流程图。
图2为药品知识图谱的示例图。
图3为本申请实施例中第一次打分的流程图。
图4为本申请实施例中第一次打分过程的示意图。
图5为本申请实施例中第二次打分的流程图。
图6为本申请实施例中第二次打分过程的示意图。
图7为本申请实施例中处方审核装置的结构示意图。
图8为本申请实施例中处方审核系统的结构示意图。
具体实施方式
为了使得本申请的目的、技术方案和优点更为明显,下面将参照附图详细描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。基于本申请中描述的本申请实施例,本领域技术人员在没有付出创造性劳动的情况下所得到的所有其他实施例都应落入本申请的保护范围之内。
请参照图1,本申请实施例提供了一种处方审核方法,本方法包括以下步骤:
S11、获取待审核处方以及与待审核处方相关联的文书。
S12、基于药品知识图谱和文书对待审核处方进行打分,得到待审核处方的第一得分。
S13、基于文书获取与待审核处方相关联的临床用药知识,并基于临床用药知识对待审核处方进行打分,得到待审核处方的第二得分。
S14、基于第一得分和所述第二得分,得到待审核处方的最终得分。
根据本申请实施例的处方审核方法,基于药品知识图谱进行了第一个维度的审核与评分,基于临床用药知识进行了第二个维度的审核与评分,并最终通过综合第一得分与第二得分的方式得到最终得分完成对处方的审核。通过本方法进行处方的审核,考虑了不同的审核维度,保证了药品知识的覆盖度和处方审核的准确率,提升了处方审核的准确率与合理性。
下面对本方法进行示例性地说明。
第一次打分的过程是基于知识图谱推理的打分,其输入是用药知识和文书,输出的结果为第一得分。如图2所示,为单个药品知识图谱的示例图,对于药品说明书、药典、药品相关文献等用药知识,首先对用药知识进行结构化解析,获取每种药品的结构化药品知识图谱,再对获取的药品知识图谱进行审核和补充,得到最终的药品知识图谱。示例性地,对用药知识进行结构化解析是通过基于范围(span)标注的命名实体识别(Named EntityRecognition,简称为NER)模型等关系来实现的。图2中示例了药品奥美拉唑的药品知识图谱,在药品知识图谱中包括了药品的用药方案、基本信息以及适应症,其中基本信息包括了通用名称、编码、规格以及生产厂商等信息,用药方案包括给药时机、疗程、频次以及剂量等信息。适应症包括本药品针对的症状,如胃溃疡、十二指肠溃疡等。从大量的知识图谱中进行检索可以获得所需药品的药品知识图谱。
如图3所示,图3为对待审核处方进行第一次打分的流程图,进行第一次打分的过程包括:
S31、基于药品知识图谱得到待审核处方的药品知识表示。
S32、对文书进行识别,得到病情关键信息,基于病情关键信息得到文书表示。
S33、计算药品知识表示和文书表示的相似度,基于相似度得到待审核处方的第一得分。
如图4所示,图4示出了对待审核处方进行第一次打分的过程。通过药品知识图谱得到药品知识表示,通过对患者病历进行关键信息抽取得到病历关键信息,对病历关键信息进行编码得到病情文本表示。之后再通过病情文本表示和药品知识表示来进行相似度计算,以得到第一得分。
示例性地,对于待审核处方中的每个药品,在药品知识图谱中检索到相关的药品图谱,并将药品知识图谱中的实体进行拼接得到药品知识图谱知识文本x1。示例性地,药品知识图谱中的实体指的是用药方案、基本信息以及适应症状等知识信息。将x1输入到文本编码模型中进行编码,得到药品知识图谱中待审核处方的药品知识表示y1。示例性地,文本编码模型为基于变换器的双向编码器(Bidirectional Encoder Representations fromTransformer,简称为Bert)模型,对于x1的编码过程如下式所示:
y1=Encoder(x1)(1)
其中,Encoder(·)表示任意的编码函数。
之后,获取待审核处方以及与待审核处方相关联的文书,示例性地,文书可以是病情文书,包括病历、检测报告单、检测报告单等。通过实体识别和关系识别模型对文书进行识别,抽取病情相关的关键信息,将关键信息进行拼接得到文书的关键信息文本x2,通过文本编码模型对x2进行编码得到病情文本表示y2,示例性地,编码过程如下式所示:
y2=Encoder(x2)(2)
其中,Encoder(·)表示任意的编码函数。
在得到了药品知识表示y1与病情文本表示y2之后,进行y1与y2的相似度计算,可以得到单个药品的计算相似度结果s'1,之后再通过计算待审核处方中每一个药品的计算结果s'1以得到第一次得分。基于y1和y2得到计算结果s'1如下式所示:
s'1=α1·S(y1,y2)(3)
其中,S表示任意度量函数,α1表示可训练的参数。
基于上述的过程,通过药品知识图谱获取了药品知识表示,通过患者病历等文书获得了文书表示,继而通过药品知识表示和文书表示进行计算得到了第一得分,完成了第一次评分审核的过程。
如图5所示,为基于临床用药知识进行第二次打分的流程图。根据临床用药知识进行第二次打分的过程包括:
S51、根据文书获取与待审核处方关联的临床用药知识。
S52、计算待审核处方的处方表示。
S53、根据临床用药知识的知识表示和待审核处方的处方表示之间的相似度来计算第二得分。
如图6所示,图6示出了第二次打分的过程,首先需要获取临床用药知识,此过程包括:基于患者病历等文书构建患者画像,对患者画像进行画像编码并根据患者画像对医院历史处方数据进行挖掘,获取相似患者处方;基于相似患者处方得到与待审核处方相关联的临床用药知识的知识表示。之后,根据待审核处方进行处方编码得到待审核处方的处方表示,根据处方表示和临床用药知识的知识表示来计算第二得分。
示例性地,获取相似患者处方的过程如下:
首先,根据患者画像对医院历史处方数据进行挖掘,获取相关患者病情画像;计算患者画像和相关患者病情画像的相似度,并将相似度高于阈值的相关患者病情画像对应的处方作为相似患者处方。
在构建患者画像之后,根据患者画像的画像标签构建患者画像特征por。通过关键信息抽取模型来挖掘医院历史处方数据得到相关患者病情画像,根据相关患者病情画像的特征来构建相关画像特征,通过相关画像特征与患者画像特征por可以进行相似度计算,通过计算可以筛选出相似度高于阈值的相关患者病情画像对应的处方,将该处方作为相似患者处方。示例性地,计算相似患者处方的画像特征的平均值作为平均患者画像特征por'。
示例性地,基于相似患者处方得到与待审核处方相关联的临床用药知识的过程包括:
首先,计算相似患者处方中每个处方的处方文本。对处方中的每种药品,将该药品的药品信息拼接,得到初始处方文本。示例性地,药品信息包括药品名称、频次、用药途径以及用药疗程。将相似患者处方中单个药品的药品名称a1、频次a2、用药途径a3以及用药疗程a4进行拼接,得到初始处方文本b1。将每个处方中不同药品的初始处方文本b1进行拼接,得到每个处方的处方文本x3。
计算初始处方文本b1以及每个处方的处方文本x3的过程如下式所示:
b1=a1||a2||a3||a4(4)
x3=b1||…||bn(5)
其中||表示文本拼接方式,其中b1,bn表示同一处方中不同药品的初始处方文本,n表示同一处方中的药品个数。
之后,将每个处方的处方文本x3输入到文本编码模型之后得到临床用药知识的知识表示z1,过程如下式所示:
z1=Encoder(x3)(6)
其中,Encoder(·)表示任意的编码函数。
为了计算第二次得分,还需要计算待审核处方表示,通过待审核处方表示z2和临床用药知识的知识表示z1来计算第二得分。示例性地,计算待审核处方表示z2的过程如下:
首先,将待审核处方中单个药品的药品信息进行拼接,得到初始处方文本b1’,将待审核处方中不同药品的初始处方文本进行拼接,得到待审核处方的处方文本x4,将待审核处方的处方文本输入到文本编码模型中,得到待审核处方的处方表示z2,如下式所示:
z2=Encoder(x4)(7)
其中,Encoder(·)表示任意的编码函数。
在得到临床用药知识的知识表示z1和待审核处方的处方表示z2之后,通过相似度计算来得到第二得分。示例性地,计算z1和z2的相似度,通过相似度来得到第二得分。如下式所示:
s2=α2·S(z1,z2)(8)
其中,S表示任意度量函数,α2表示可训练的参数,在计算得到z1与z2的相似度之后将其与α2的乘积作为第二得分。
示例性地,在得到第一得分和第二得分后,将第一得分和第二得分进行加权求和,得到待审核处方的最终得分。进行加权求和之前,需要计算第一得分与第二得分各自的注意力权重,以用于进行加权求和。
示例性地,第一得分与第二得分各自的注意力权重计算过程如下:
对于第一得分的注意力权重,是基于药品知识表示和病情文本表示的相似度计算得到的。通过药品知识图谱中待审核处方的药品知识表示y1与病情文本表示y2的相似性计算第一得分的注意力权重att1。首先计算y1与y2的相似度,将相似度计算结果代入到注意力计算函数中来得到第一得分的注意力权重,如下式所示:
att1=ATT(S(y1,y2))(9)
其中,S表示任意度量函数,ATT表示任意注意力计算函数,att1表示第一得分对应的注意力权重。
对于第二得分的注意力权重,是基于患者画像和相关患者病情画像的相似度计算得到的。在前文中得到了患者画像特征por和平均患者画像特征por'。通过por和por'来计算第二得分的注意力权重att2。首先计算por和por'的相似度,将相似度的计算结构代入到注意力计算函数中得到第二得分的注意力权重,如下式所示:
att2=ATT(S(por,por'))(10)
其中,S表示任意度量函数,ATT表示任意注意力计算函数,att2表示第二得分对应的注意力权重。
在得到第一得分、第二得分、第一得分和第二得分各自的注意力权重之后,通过加权求和的方式来计算得到最终得分,如下式所示:
s=pool(att1·s1,att2·s2)(11)
其中,pool(·)表示任意池化函数,s表示待审核处方的最终得分。
基于第一得分、第二得分及其各注意力权重得到了最终得分,完成了对待审核处方的审核。
基于上面的描述,本申请实施例提供的一种处方审核方法,先基于药品知识图谱和文书对待审核处方进行打分得到第一得分,再基于临床用药知识进行打分得到第二得分。之后计算第一得分以及第二得分各自的注意力权重,最后再根据第一得分、第二得分及其各自的权重来得到最终得分。覆盖了不同的知识维度,解决处方审核过程中药品知识不足的问题,并且通过不同维度及不同权重得到的最终得分,能够尽可能地最大程度反映处方的合理性,较大程度地提升处方审核的效果。
本申请实施例还提供了一种处方审核装置,如图7所示,处方审核装置700包括:信息获取模块701,用于获取待审核处方以及与待审核处方相关联的文书。
第一评分模块702,用于根据药品知识图谱和文书对待审核处方进行打分,得到待审核处方的第一得分。
第二评分模块703,用于根据文书获取与待审核处方相关联的临床用药知识,并基于临床用药知识对待审核处方进行打分,得到待审核处方的第二得分。
综合评分模块704,用于根据第一得分和第二得分,得到待审核处方的最终得分。
本申请实施例提供的一种处方审核装置,基于药品知识图谱进行了第一个维度的审核与评分,基于临床用药知识进行了第二个维度的审核与评分,并最终通过综合第一得分与第二得分的方式得到最终得分完成对处方的审核。通过本方法进行处方的审核,考虑了不同的审核维度,保证了药品知识的覆盖度和处方审核的准确率,尽可能地最大程度反映处方的合理性,较大程度地提升处方审核的效果。
本申请实施例还提供了一种处方审核系统,如图8所示,处方审核系统800包括存储器802和处理器801,存储器802上存储有处理器运行的计算机程序,计算机程序在被处理器运行时,使得处理器801执行上述的处方审核方法。
本申请实施例还提供了一种存储介质,该存储介质上存储有计算机程序,计算机程序在运行时,执行上述的处方审核方法。
尽管这里已经参考附图描述了示例实施例,应理解上述示例实施例仅仅是示例性的,并且不意图将本申请的范围限制于此。本领域普通技术人员可以在其中进行各种改变和修改,而不偏离本申请的范围和精神。所有这些改变和修改意在被包括在所附权利要求所要求的本申请的范围之内。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其他的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个设备,或一些特征可以忽略,或不执行。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本申请并帮助理解各个发明方面中的一个或多个,在对本申请的示例性实施例的描述中,本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该本申请的方法解释成反映如下意图:即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如相应的权利要求书所反映的那样,其发明点在于可以用少于某个公开的单个实施例的所有特征的特征来解决相应的技术问题。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本申请的单独实施例。
本领域的技术人员可以理解,除了特征之间相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其他实施例中所包括的某些特征而不是其他特征,但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如,在权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本申请的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的一些模块的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的装置程序(例如,计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上所述,仅为本申请的具体实施方式或对具体实施方式的说明,本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。本申请的保护范围应以权利要求的保护范围为准。
Claims (14)
1.一种处方审核方法,其特征在于,所述方法包括以下步骤:
获取待审核处方以及与所述待审核处方相关联的文书;
基于药品知识图谱和所述文书对所述待审核处方进行打分,得到所述待审核处方的第一得分;
基于所述文书获取与所述待审核处方相关联的临床用药知识,并基于所述临床用药知识对所述待审核处方进行打分,得到所述待审核处方的第二得分;
基于所述第一得分和所述第二得分,得到所述待审核处方的最终得分。
2.根据权利要求1所述的方法,其特征在于,所述基于所述文书获取与所述待审核处方相关联的临床用药知识,包括:
基于所述文书构建患者画像;
根据所述患者画像对医院历史处方数据进行挖掘,获取相似患者处方;
基于所述相似患者处方得到与所述待审核处方相关联的临床用药知识。
3.根据权利要求2所述的方法,其特征在于,所述根据所述患者画像对医院历史处方数据进行挖掘,获取相似患者处方,包括:
根据所述患者画像对医院历史处方数据进行挖掘,获取相关患者病情画像;
计算所述患者画像和所述相关患者病情画像的相似度,并将所述相似度高于阈值的相关患者病情画像对应的处方作为相似患者处方。
4.根据权利要求2所述的方法,其特征在于,所述基于所述相似患者处方得到与所述待审核处方相关联的临床用药知识,包括:
针对所述相似患者处方中的每个处方,计算所述每个处方的处方文本;
基于所述每个处方的处方文本,得到与所述待审核处方相关联的临床用药知识的知识表示。
5.根据权利要求4所述的方法,其特征在于,所述计算所述每个处方的处方文本,包括:
计算所述每个处方中不同药品的初始处方文本;将所述每个处方中不同药品的初始处方文本进行拼接,得到所述每个处方的处方文本;
所述基于所述每个处方的处方文本,得到与所述待审核处方相关联的临床用药知识的知识表示,包括:将所述每个处方的处方文本输入到文本编码模型中,得到与所述待审核处方相关联的临床用药知识的知识表示。
6.根据权利要求1-5中的任一项所述的方法,其特征在于,基于所述临床用药知识对所述待审核处方进行打分,得到所述待审核处方的第二得分,包括:
计算所述待审核处方的处方表示和所述临床用药知识的知识表示;
计算所述处方表示和所述知识表示的相似度,并基于所述相似度得到所述待审核处方的第二得分。
7.根据权利要求6所述的方法,其特征在于,所述计算所述待审核处方的处方表示,包括:
计算所述待审核处方中不同药品的初始处方文本;
将所述待审核处方中不同药品的初始处方文本进行拼接,得到所述待审核处方的处方文本;
将所述待审核处方的处方文本输入到文本编码模型中,得到所述待审核处方的处方表示。
8.根据权利要求5或7所述的方法,其特征在于,所述不同药品的初始处方文本是通过如下方式得到的:
对于每种药品,将所述药品的药品信息拼接,得到所述初始处方文本。
9.根据权利要求3所述的方法,其特征在于,所述基于药品知识图谱和所述文书对所述待审核处方进行打分,得到所述待审核处方的第一得分,包括:
基于所述药品知识图谱得到所述待审核处方的药品知识表示;
对所述文书进行识别,得到病情关键信息,基于所述病情关键信息得到病情文本表示;
计算所述药品知识表示和所述病情文本表示的相似度,并基于所述相似度得到所述待审核处方的第一得分。
10.根据权利要求9所述的方法,其特征在于,基于所述第一得分和所述第二得分,得到所述待审核处方的最终得分,包括:
将所述第一得分和所述第二得分进行加权求和,得到所述待审核处方的最终得分。
11.根据权利要求10所述的方法,其特征在于,在将所述第一得分和所述第二得分进行加权求和之前,所述方法还包括:
计算所述第一得分和所述第二得分各自的注意力权重,以用于进行所述加权求和;
其中,所述第一得分的注意力权重是基于所述药品知识表示和所述病情文本表示的相似度计算得到的;
所述第二得分的注意力权重是基于所述患者画像和所述相关患者病情画像的相似度计算得到的。
12.一种处方审核装置,其特征在于,所述装置包括:
信息获取模块,用于获取待审核处方以及与所述待审核处方相关联的文书;
第一评分模块,用于根据所述药品知识图谱和所述文书对所述待审核处方进行打分,得到所述待审核处方的第一得分;
第二评分模块,用于根据所述文书获取与所述待审核处方相关联的临床用药知识,并基于所述临床用药知识对所述待审核处方进行打分,得到所述待审核处方的第二得分;
综合评分模块,用于根据所述第一得分和所述第二得分,得到所述待审核处方的最终得分。
13.一种处方审核系统,其特征在于,所述系统包括存储器和处理器,所述存储器上存储有由所述处理器运行的计算机程序,所述计算机程序在被所述处理器运行时,使得所述处理器执行如权利要求1-11中任一项所述的处方审核的方法。
14.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序在运行时,执行如权利要求1-11中任一项所述的处方审核的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211635072.4A CN116092698A (zh) | 2022-12-19 | 2022-12-19 | 一种处方审核方法、装置、系统和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211635072.4A CN116092698A (zh) | 2022-12-19 | 2022-12-19 | 一种处方审核方法、装置、系统和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116092698A true CN116092698A (zh) | 2023-05-09 |
Family
ID=86209396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211635072.4A Pending CN116092698A (zh) | 2022-12-19 | 2022-12-19 | 一种处方审核方法、装置、系统和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116092698A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117558400A (zh) * | 2024-01-12 | 2024-02-13 | 天津医科大学总医院 | 一种基于反馈信息的处方审核方法及系统 |
-
2022
- 2022-12-19 CN CN202211635072.4A patent/CN116092698A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117558400A (zh) * | 2024-01-12 | 2024-02-13 | 天津医科大学总医院 | 一种基于反馈信息的处方审核方法及系统 |
CN117558400B (zh) * | 2024-01-12 | 2024-03-15 | 天津医科大学总医院 | 一种基于反馈信息的处方审核方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | “Brilliant AI doctor” in rural clinics: Challenges in AI-powered clinical decision support system deployment | |
El-Kareh et al. | Use of health information technology to reduce diagnostic errors | |
Ross et al. | The HMO research network virtual data warehouse: a public data model to support collaboration | |
US20170109477A1 (en) | System and Method for Identifying Inconsistent and/or Duplicate Data in Health Records | |
CN110910976A (zh) | 病历检测方法、装置、设备和存储介质 | |
CN112259246B (zh) | 一种融合医学概念层级结构的疾病预测方法及相关设备 | |
CN109637612A (zh) | 一种用药禁忌提示方法、服务器、终端、设备及可读介质 | |
CN113724848A (zh) | 基于人工智能的医疗资源推荐方法、装置、服务器及介质 | |
CN109448841A (zh) | 建立数据模型方法及装置、临床辅助决策方法及装置 | |
Morozov et al. | Clinical acceptance of software based on artificial intelligence technologies (radiology) | |
CN112216361A (zh) | 基于人工智能的随访计划单生成方法、装置、终端及介质 | |
CN115206512B (zh) | 基于物联网的医院信息管理方法及装置 | |
Verma et al. | Developing and validating natural language processing algorithms for radiology reports compared to ICD-10 codes for identifying venous thromboembolism in hospitalized medical patients | |
CN116092698A (zh) | 一种处方审核方法、装置、系统和存储介质 | |
Gao et al. | Documentation of patient problems and strengths in electronic health records | |
CN113724830B (zh) | 基于人工智能的用药风险检测方法及相关设备 | |
JP2022504508A (ja) | モデル支援型事象予測のためのシステム及び方法 | |
CN112258135A (zh) | 处方数据的审核方法、装置和计算机可读存储介质 | |
Burkhart et al. | Mapping parish nurse documentation into the nursing interventions classification: a research method | |
US20220189641A1 (en) | Opioid Use Disorder Predictor | |
Gellad et al. | Development and validation of an overdose risk prediction tool using prescription drug monitoring program data | |
Keikavousi et al. | Development of inflammatory bowel diseases registry software | |
Machado et al. | Applying Business Intelligence to Clinical and Healthcare Organizations | |
CN112530585A (zh) | 基于医疗机构的数据处理方法、装置、计算机设备及介质 | |
KR102530430B1 (ko) | 지능형 처방 가이드 시스템 및 이의 고시 룰 생성 방법 |
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 |