CN116110533A - 基于事件图谱的药物种类和用量推荐系统及方法 - Google Patents

Abstract

本发明公开了一种基于事件图谱的药物种类和用量推荐系统及方法，本发明联合使用患者事件图谱和药物知识图谱进行用药推荐，能够利用患者的病情动态变化过程中的信息，与患者相关的各种事件之间复杂的关联信息，以及事件和药物属性的关联信息，这样推荐使用的药物更契合患者实际身体状况和病情。使用大量患者诊疗数据对患者和药物的关联程度进行修正，充分利用了医生在临床诊疗过程中产生的经验性知识。在事件图谱中针对特定药物识别出主要事件路径，利用主要事件路径上的信息在药物用量专家知识的指导下计算精确的药物用量，使得药物用量模型在利用患者特定信息的同时又不脱离权威指导，确保药物用量推荐结果在正常范围内尽量做到精准和个性化。

Description

基于事件图谱的药物种类和用量推荐系统及方法

技术领域

本发明属于用药推荐及临床决策支持系统技术领域，尤其涉及一种基于事件图谱的药物种类和用量推荐系统及方法。

背景技术

在临床诊疗过程中，医生需要综合考虑患者的临床表现、检查结果、年龄、性别等因素，基于自身的专业知识和经验给出准确的诊断结果和治疗方案（例如用药推荐、手术治疗等）。由于临床表现和疾病之间复杂的关系以及患者之间的个体差异，即使同一种疾病，不同患者所需的治疗方案也会有差异。随着就诊患者的增多和工作时间的累积，医生自身的判断力难以长期保持在较高的水平，犯错的可能性也在增加。因此研发准确的临床决策支持系统是医疗信息化改革的一项重要任务。临床决策支持系统的目标是使用计算机模型和算法学习通用的医学知识，协助医生发现和分析问题，针对患者信息推荐诊断结果和治疗方案，以促进临床决策，更好地提高医疗质量和保护患者安全。

用药推荐是大部分疾病的治疗方案的重要组成部分，因此也是临床决策支持系统的一项重要功能。用药推荐包含药物种类和药物用量推荐两方面，目前的用药推荐方法通常致力于推荐药物种类，药物用量则采用每种药物默认的或者最常见的用量。现有的用药推荐方法主要包括两类，第一类方法是基于机器学习算法，从临床指南和病历文本中提取一定的特征，基于这些特征构建药物的分类或推荐模型。常用的机器学习算法包括逻辑回归、支持向量机、人工神经网络等。第二类方法是基于知识推理的技术，需要医学专家从临床指南和专家共识中学习和发现医学知识的逻辑规则，形成结构化的医学知识库。近年来随着知识图谱技术的发展，有些研究人员通过构建临床表现、疾病和药物关联的知识图谱，在知识图谱中构建用药推荐的推理路径。但是现有技术存在如下问题：

1.无法利用患者病情动态发展的知识。在真实情况下患者病情往往经过一段时间的动态发展，在每个阶段可能有不同的致病因素和临床表现形式。而现有的用药推荐方法中，基于机器学习的用药推荐方法通常是从患者的病历中提取若干并列的特征，统一输入到机器学习模型，基于知识推理的技术主要是将专家知识构建为静态的结构化知识库或知识图谱，因此均无法根据患者病情动态发展的情况制定个性化的用药推荐方案，导致推荐结果的准确率受到影响。

2.无法针对每位患者的身体情况精准地推荐药物用量。用药推荐包含药物种类和药物用量推荐两个方面。在真实情况下，即使使用同一种药物，患者的身体状态、疾病具体的诱因、症状的严重程度、疾病的演变过程和阶段等信息都会影响到患者身体实际需要的药物剂量，药物用量过多或过少都会影响到患者的康复。现有的用药推荐方法使用的知识库或知识图谱无法有效地存储与利用上述的与患者相关的复杂信息，因此只能停留在推荐使用药物的种类这一步。

发明内容

本发明的目的在于针对目前用药推荐方案的缺点，提出一种基于事件图谱的药物种类和用量推荐系统及方法。

本发明的目的是通过以下技术方案来实现的：本发明首先从病历中提取患者的发病原因、症状的演变过程、做过的医学检查及检查结果等复杂的事件，并通过机器学习算法推断不同事件之间的逻辑关系，构建患者的事件图谱。然后对于给定患者的事件图谱，基于药物的适应症、不良反应和药物相互作用等信息计算每种药物与该患者的匹配程度，给出推荐的药物种类。在计算过程中利用了患者病程中所有与当前病情相关的复杂事件以及事件之间的逻辑关系，并且使用大量患者的诊断结果和治疗方案对推荐结果进行修正，充分利用临床诊疗过程中的经验性知识，更全面的信息保证了药物种类推荐结果的准确性。最后在患者的事件图谱中识别出与推荐的药物种类的关联程度最高的一条事件路径，则可认为该路径上的事件在药物种类推荐过程中起到了主要作用，进一步使用该路径上的事件包含的患者信息，在药物用量专家知识的指导下计算药物每日使用频次和每次使用的量，最终形成精确的药物用量推荐。

本发明一方面公开了一种基于事件图谱的药物种类和用量推荐系统，包括：

患者的事件图谱构建模块：从患者的病历中提取事件并推断事件之间的关系，构建事件图谱；

药物知识图谱模块：设计药物的本体结构，在药物数据资源中进行药物知识挖掘，融合药物的本体结构与药物知识构建药物知识图谱，提供药物种类、药物种类自身的属性、药物种类之间的关联属性；

药物种类推荐模块：基于事件图谱内各个事件之间的关系以及事件和药物种类的属性之间的关系，获取针对特定患者推荐使用的药物种类；

药物用量推荐模块：在事件图谱中识别出在推荐药物种类的过程中发挥主要作用的一系列事件组成主要事件路径，基于主要事件路径上的患者信息和药物用量专家知识的指导，获得针对特定患者的药物用量推荐。

进一步地，所述患者的事件图谱构建模块中，事件提取具体为：定义与患者相关的事件类型，对每种事件类型定义局部编码和全局编码为多维向量，通过随机初始化并训练更新局部编码和全局编码，结合病历中每个句子的编码计算各句子包含每种事件类型的概率。

进一步地，所述患者的事件图谱构建模块中，事件关系推断具体为：定义与患者相关的事件关系类型，对于同一患者的病历中的两个事件，分别计算文档级别编码和事件级别编码，使用两个级别编码的拼接结果，计算两个事件之间事件关系类型的概率分布。

进一步地，所述药物知识图谱模块中，药物知识图谱的构建具体为：

结合药物数据规范和实际临床应用的需求，设计药物的本体结构；从非结构化文本信息和结构化数据中进行药物知识的提取和规范化；

融合药物的本体结构与药物知识构建药物知识图谱，药物知识图谱中以药物种类为中心节点，与药物种类连接的节点代表不同类型的属性，在不同的药物种类之间建立相互作用和配伍禁忌的关联属性。

进一步地，所述药物种类推荐模块中，药物种类的推荐具体为：

使用语言模型计算事件图谱中每个事件的初始向量表示，基于事件之间的关系计算事件之间的关联程度，基于事件之间的关联程度和事件的初始向量表示计算事件的最终向量表示；

基于事件的最终向量表示以及药物种类的属性的向量表示，计算每个事件和某药物种类的关联程度；计算事件图谱中所有事件与该药物种类的关联程度的总和，得到事件图谱和该药物种类的初始关联程度；使用该药物种类的特异性系数计算事件图谱和该药物种类的修正关联程度，选取修正关联程度最高的若干药物种类作为推荐结果。

进一步地，所述药物种类的特异性系数计算方式为：从医院中随机抽样批量患者病历构建修正集，病历中包含疾病诊断结果和药物治疗方案，基于修正集计算某药物种类对于事件图谱的特异性系数，即有特定疾病诊断结果的患者使用该药物种类的次数在随机抽样的批量患者使用该药物种类的次数中所占的比例。

进一步地，所述药物用量推荐模块中，主要事件路径的识别具体为：对于某推荐药物种类，将事件图谱中的事件与该药物种类的关联程度降序排列，将降序排列后的10%分位数记为c₁并设定关联程度阈值c₂，将关联程度大于c₁和c₂中较小值的事件组成主要事件集合，将主要事件集合中的事件按照发生的时间依次排列，得到主要事件路径。

进一步地，所述药物用量推荐模块中，药物用量的推荐具体为：从药物知识图谱中获取药物用量的专家知识；将主要事件路径上的事件和推荐药物种类的属性的向量表示作为初始状态输入基于深度学习的药物用量模型；通过药物用量模型计算特定患者对推荐药物种类的每日使用频次和每次使用量在药物用量专家知识基础上的差值，获得药物用量推荐。

进一步地，所述药物用量推荐模块中，所述药物用量模型的初始状态的元素排序为：主要事件路径上按照发生的时间排列的事件的向量表示、推荐药物种类的属性的向量表示；药物用量模型的每一层的某元素状态由前一层的该元素状态的自注意力机制计算得到；将最后一层的首个元素的状态输入线性回归模型，分别得到推荐药物种类的每日使用频次的差值和每次使用量的差值，结合药物用量专家知识获得药物用量推荐。

本发明另一方面公开了一种基于事件图谱的药物种类和用量推荐方法，包括以下步骤：

(1)从患者的病历中提取事件并推断事件之间的关系，构建事件图谱；

(2)从设计药物的本体结构，在药物数据资源中进行药物知识挖掘，融合药物的本体结构与药物知识构建药物知识图谱，提供药物种类、药物种类自身的属性、药物种类之间的关联属性；

(3)基于事件图谱内各个事件之间的关系以及事件和药物种类的属性之间的关系，获取针对特定患者推荐使用的药物种类；

(4)在事件图谱中识别出在推荐药物种类的过程中发挥主要作用的一系列事件组成主要事件路径，基于主要事件路径上的患者信息和药物用量专家知识的指导，获得针对特定患者的药物用量推荐。

与现有技术相比，本发明的有益效果是：本发明联合使用患者的事件图谱和药物知识图谱进行用药推荐，能够利用患者的病情动态变化过程中的信息，与患者相关的各种事件之间复杂的关联信息，以及患者的事件和药物属性的关联信息，这样推荐使用的药物种类会更契合患者实际的身体状况和病情。使用大量患者的诊疗数据对患者和药物的关联程度进行修正，充分利用了医生在临床诊疗过程中产生的经验性知识。在患者事件图谱中针对特定的药物识别出主要事件路径，利用主要事件路径上的患者信息，在药物用量专家知识的指导下计算精确的药物用量，使得药物用量模型在利用患者特定信息的同时又不脱离权威指导，确保药物用量推荐结果在正常范围内尽量做到精准和个性化。

附图说明

图1为本发明实施例提供的基于事件图谱的药物种类和用量推荐系统结构图。

图2为本发明实施例提供的事件关系推断示意图。

图3为本发明实施例提供的事件图谱示意图。

图4为本发明实施例提供的药物知识图谱构建流程图。

图5为本发明实施例提供的药物知识图谱示意图。

图6为本发明实施例提供的药物用量推荐流程图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其它不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

本发明中事件图谱指：事件是文本中包含的一种特殊的知识，表达了特定的人、物、事在特定的时间和特定的地点相互作用的客观事实。事件图谱指的是以事件为中心，用来描述事件信息以及事件之间各种关系的图谱。在事件图谱中，节点代表事件，节点之间的边代表事件之间的时序、因果、共指、包含等关系。与侧重于实体知识和实体之间静态关系的知识图谱相比，事件图谱能够学习到真实世界中的事件的动态演变过程，以及事件之间的关系随时间变化的过程，因此在许多应用场景下事件图谱能够发挥更有效的作用。

本发明实施例提供一种基于事件图谱的药物种类和用量推荐系统，如图1所示，该系统包括以下模块：

一、患者的事件图谱构建模块，用于从患者的病历中提取事件并推断事件之间的关系，构建事件图谱，主要包括以下步骤：

(1)事件提取。首先定义与患者相关的事件类型，然后对每种事件类型定义局部编码和全局编码为多维向量，通过随机初始化并训练更新局部编码和全局编码，最后结合病历中每个句子的编码计算各句子包含每种事件类型的概率。

(2)事件关系推断。首先定义与患者相关的事件关系类型，然后对于同一患者的病历中的两个事件，分别计算它们的文档级别编码和事件级别编码，最后使用文档级别编码和事件级别编码的拼接结果，计算两个事件之间事件关系类型的概率分布。

(3)事件图谱的构建。基于事件提取结果和事件关系推断结果，构建事件图谱。事件图谱的节点为与患者相关的事件，节点之间为有向边，代表事件之间的关系。

二、药物知识图谱模块：用于构建药物知识图谱并为其他模块提供药物种类、药物种类自身的属性、药物种类之间的关联属性。药物种类自身的属性中包含药物用量的专家知识。药物知识图谱的构建过程包括以下步骤：(1)结合权威的药物数据规范和实际临床应用的需求，设计药物的本体结构；(2)从非结构化文本信息和结构化数据中进行药物知识的提取和规范化，并融合药物的本体结构与药物知识构建药物知识图谱。

三、药物种类推荐模块：基于事件图谱内各个事件之间的关系以及事件和药物种类的属性之间的关系，获取针对特定患者推荐使用的药物种类。主要包括以下步骤：

(1)事件图谱中的事件的最终向量表示的计算。首先使用语言模型计算事件图谱中每个事件的初始向量表示；然后基于事件之间的关系计算事件相互之间的关联程度；最后基于事件之间的关联程度和事件的初始向量表示计算得到事件的最终向量表示。

(2)药物种类的推荐。首先基于事件的最终向量表示以及药物种类的属性的向量表示，计算每个事件和某药物种类的关联程度；然后计算事件图谱中所有事件与该药物种类的关联程度的总和，得到事件图谱和该药物种类的初始关联程度；之后使用该药物种类的特异性系数计算事件图谱和该药物种类的修正关联程度，其中药物种类的特异性系数定义为有特定疾病诊断结果的患者使用某药物种类的次数在随机抽样的批量患者使用该药物种类的次数中所占的比例；最后选取修正关联程度最高的若干药物种类作为推荐结果。

四、药物用量推荐模块：基于患者的事件图谱和药物用量专家知识的指导，计算精确的药物用量。对于本系统推荐使用的某药物种类，该模块主要包括以下步骤：

(1)主要事件路径的识别。在事件图谱中识别出在推荐药物种类的过程中发挥主要作用的一系列事件，按照发生的时间依次排列，组成主要事件路径。

(2)药物用量的推荐。首先从药物知识图谱中获取该药物用量的专家知识，包括每日默认使用频次、每日最高使用频次、每次默认使用量、每次最高使用量；然后将主要事件路径上的事件和该药物种类的属性的向量表示作为初始状态输入基于深度学习的药物用量模型；最后将药物用量模型最后一层的状态输入线性回归模型，计算特定患者对该药物种类的每日使用频次和每次使用量在药物用量专家知识基础上的差值，得到完整的药物用量推荐。

下面详细说明每个模块的实现过程：

一、患者的事件图谱构建模块

(1.1)事件提取

针对药物种类和用量推荐的问题，将患者病历中出现的事件类型定义为以下六种：①临床表现事件，包括患者出现的所有症状、不适和因外力受到的伤害，例如“患者2天前无明显诱因下出现咽喉部不适”、“患者因背树摔倒后不能弯腰”；②医学检查事件，包括患者做过的所有医学检查项目及其结果，例如“查泌尿系彩超提示右肾内实质性占位病变”；③疾病诊断事件，指的是在当前就诊过程中医生对患者做出的诊断结果，例如“门诊拟肺结节（原因待查）收住入院”；④患病史事件，包括以前各次就诊过程中患者的疾病确诊结果，例如“患者既往糖尿病病史20年”；⑤用药史事件，包括患者过去或当前使用的药物以及用药的效果，例如“服用厄贝沙坦片降压治疗，血压控制可。”；⑥治疗史事件，包括患者接受过的除药物以外的其他治疗方案，例如“患者21年前因左肺血管瘤行手术治疗（具体不详）”。

基于上述定义的事件类型，对患者的病历中每个句子计算其属于每种事件类别的概率。设病历中某个句子S包含词序列，其中N为句子S包含词的个数，将其中每个词随机初始化为词向量，输入循环神经网络，得到循环神经网络最后一层在每个位置的隐藏状态。本实施例中使用的循环神经网络为多层LSTM网络。对于任意的事件类型，定义它的局部编码和全局编码分别为M维向量，M通常取512，随机初始化局部编码和全局编码，则基于事件类型的局部编码得到句子S的编码为：

其中为事件类型的局部编码对第i个词的权重，计算方法为。基于事件类型的局部编码和全局编码得到句子S包含事件类型的概率，计算方式为：

其中为训练得到的权重参数。使概率最大的事件类型即可认为是从句子S中提取到的事件类型。事件提取过程的训练目标是最小化如下损失函数：

其中为符号函数，若句子S真实包含的事件类型为，则，否则。

(1.2)事件关系推断

针对步骤(1.1)中描述的与患者相关的事件类型，定义事件之间的关系类型，包含以下五种：①共指关系，指的是患者病历文本中的两个事件描述的是同一种现象或指向同一个事件实例，例如事件“患者出现发热症状”和“患者体温38.0度”为共指关系；②因果关系，指的是在逻辑上或实际临床操作过程中，一个事件是另一个事件的原因，例如事件“患者接受胰岛素及卡博平治疗”和“血糖控制较好”，前者是后者的原因；③时序关系，指的是两个事件先后发生，但是不一定有内在的逻辑关系，例如事件“患者昨天上午出现解稀便”和“昨日下午无明显诱因呕吐一次”为时序关系；④转折关系，指两个事件之间形成对立，例如事件“患者口服泰诺林后体温有下降”和“但体温未能降至正常”为转折关系；⑤共现关系，指的是患者在同一时间发生的多个事件，例如事件“患者1天前出现畏寒发热”和“同时伴有胸闷气急”为共现关系。

基于上述定义的事件关系类型，通过如图2所示的方法进行事件关系推断。对于从同一个患者的病历中提取的任意两个事件和，首先分别计算它们的文档级别编码和事件级别编码，然后使用文档级别编码和事件级别编码的拼接结果，计算两个事件之间事件关系类型的概率分布。

设事件和所在的患者病历被切分为词序列，事件包含的词序列为，事件包含的词序列为，其中n和m分别为事件和包含的词序列的长度。将患者病历的词序列随机初始化为词向量，输入循环神经网络，则循环神经网络的最后一层在和位置的隐藏状态分别为事件和的文档级别编码，分别记为和。单独将事件包含的词序列输入循环神经网络，则循环神经网络的最后一层在位置的隐藏状态为事件的事件级别编码，记为。用类似的方法得到事件的事件级别编码，记为。本实施例中采用的循环神经网络为多层LSTM网络。事件和之间存在各种事件关系的概率为：

其中代表事件和之间为第j种事件关系的概率，s为事件关系类型数量，本实施例中取，为softmax函数，和均为训练得到的参数，为文档级别编码和事件级别编码的拼接，即。在中概率最大的事件关系即为和之间事件关系的推断结果。通过最小化如下的损失函数来训练事件关系推断过程包含的参数：

其中为符号函数，若事件和的真实事件关系为第j种事件关系，则，否则。

(1.3)事件图谱的构建

基于步骤(1.1)得到的事件提取结果和步骤(1.2)得到的事件关系推断结果，构建如图3所示的事件图谱。其中节点为与患者相关的事件，节点之间为有向边，代表事件之间的关系，边的方向的含义和具体的事件关系类型有关：①因果关系，边的箭头出发的事件是箭头指向的事件的原因；②时序关系，边的箭头出发的事件先发生，箭头指向的事件后发生；③对于共指关系、转折关系和共现关系，均通过双向箭头连接两个事件。

二、药物知识图谱模块

药物知识图谱的构建流程如图4所示，具体包括以下步骤：

(2.1)结合权威的药物数据规范和实际临床应用的需求，针对相关药物种类的属性及不同药物种类之间的关系类型，进行药物的本体结构的设计。

(2.2)基于药物的本体结构，在相关的药物数据资源中进行药物知识的挖掘。药物数据资源主要包括两类：(1)对于非结构化文本信息，基于信息提取算法进行药物知识的提取和规范化处理，非结构化文本信息包括权威的专家共识、临床指南和《国家基本药物临床应用指南》；(2)对于结构化数据，需要在原始数据和药物的本体结构之间建立关联关系，以便将原始的数据结构融合到药物知识图谱中，结构化数据包括医院内信息系统和公开数据集。

(2.3)融合药物的本体结构与药物知识构建药物知识图谱。药物知识图谱的结构如图5所示，以药物种类为中心节点，与药物种类连接的节点代表不同类型的属性，包括基本信息、相关临床发现、药物作用和用法用量，并且每类属性下有若干类细分的属性。在不同的药物种类之间建立相互作用和配伍禁忌的关联属性。药物知识图谱覆盖的药物种类超过23000种。

三、药物种类推荐模块

(3.1)事件图谱中的事件的最终向量表示的计算

将就诊患者的病历通过患者的事件图谱构建模块构建为事件图谱，对于事件图谱中的事件，用表示事件图谱中与事件之间存在关系的事件的集合，即对于任意的，在事件图谱中存在从到的有向边，它们的事件关系类型记作。使用预训练的语言模型计算事件的初始向量表示，本实施例中使用的语言模型为BERT模型。基于中的事件及事件自身的初始向量表示，计算得到事件的最终向量表示，计算方式如下：

其中为权重参数，代表事件和事件的关联程度，具体计算方式如下：

其中分别代表事件关系类型的矩阵转换参数，通过训练得到。

为权重参数，代表事件与其自身的关联程度，具体计算方式如下：

(3.2)药物种类的推荐

首先计算事件图谱中的每个事件和药物知识图谱中某药物种类的关联程度，然后计算患者的整个事件图谱与该药物种类的关联程度，最后得到药物种类推荐结果。从药物知识图谱中获取能够影响到药物种类推荐的属性类型集合，记为A，具体地。对于药物知识图谱中的药物种类，它的类型的属性的内容记作，其中。使用预训练的语言模型计算的向量表示，则事件和药物种类的关联程度的计算方式为：

其中是针对属性类型的矩阵转换参数，通过训练得到。整个患者的事件图谱和药物种类的初始关联程度为事件图谱中所有事件与药物种类的关联程度的总和，即：

为了充分利用医生在临床诊疗过程中产生的经验性知识，首先从医院中随机抽样批量患者病历构建修正集，病历中包含疾病诊断结果和药物治疗方案，然后基于修正集计算药物种类对于事件图谱的特异性系数。设特定患者的事件图谱中的疾病诊断事件的疾病诊断结果为，则的计算方式如下：

其中为疾病诊断结果为的患者使用药物种类的次数，为修正集中的某个患者病历对应的事件图谱，为修正集中的所有患者使用药物种类的次数。

利用上述特异性系数计算事件图谱和药物种类的修正关联程度，计算方式如下：

按照事件图谱和药物种类的修正关联程度对药物知识图谱中所有药物种类进行排序，排名前的药物种类就是本系统为该患者推荐使用的药物种类列表。本实施例中取。

四、药物用量推荐模块

药物用量推荐模块的详细流程如图6所示，具体包括以下步骤：

(4.1)主要事件路径的识别

在事件图谱中识别出在推荐药物种类的过程中发挥主要作用的一系列事件，组成主要事件路径。对于步骤(3.2)中得到的推荐使用的药物种类列表中的某种药物，将事件图谱中的事件与药物种类的关联程度降序排列，用代表降序排列后的10%分位数，即10%的事件与药物种类的关联程度大于。则针对药物种类的主要事件集合定义为：

其中是人为设定的关联程度阈值，本实施例中取。将中的事件按照发生的时间顺序依次排列，即可得到针对药物种类的主要事件路径为，其中是主要事件路径的长度。

(4.2)药物用量的推荐

基于主要事件路径上的患者信息，在药物用量专家知识的指导下，计算精确的每日使用频次和每次使用量。从药物知识图谱中获取药物种类的药物用量的专家知识，主要包括4个指标：每日默认使用频次、每日最高使用频次、每次默认使用量、每次最高使用量。其中每日默认使用频次和每次默认使用量是一定存在的指标，其他的指标则可以不存在。下面构建基于深度学习的药物用量模型，计算特定患者的药物用量在和础上的差值，从而得到完整的药物用量推荐。

药物种类在药物知识图谱中的属性的列表记为，其中，为前述的从药物知识图谱中获取的药物种类的属性类型集合。利用前述的方法分别计算和中各元素的向量表示，得到药物用量模型的初始状态为，其中

分别为事件的最终向量表示和药物种类的属性的向量表示。药物用量模型的第层的状态由第层的状态的自注意力机制计算得到，计算方式为：

其中为对的注意力的权重，计算方式为：

其中为根据事件之间的关系类型分别进行初始化的参数：

其中、和为分别随机初始化并参与药物用量模型训练的矩阵参数。若药物用量模型一共有L层，经过上述计算得到最后一层的状态为。在的基础上经过线性回归模型分别得到药物种类的每日使用频次的差值和每次使用量的差值：

其中均为训练得到的参数。若药物用量的专家知识中存在每日最高使用频次，则药物用量模型最终推荐的每日使用频次为，否则，其中表示向下取整运算。类似地，若药物用量的专家知识中存在每次最高使用量，则药物用量模型最终推荐的每次使用量为，否则

。本实施例中，药物用量模型的损失函数使用平方损失函数。

本发明实施例还提供一种基于事件图谱的药物种类和用量推荐方法，该方法包括以下步骤：

(1)从患者的病历中提取事件并推断事件之间的关系，构建患者的事件图谱，主要包括以下步骤：

(1.1)事件提取。首先定义与患者相关的事件类型，然后对每种事件类型定义局部编码和全局编码为多维向量，通过随机初始化并训练更新局部编码和全局编码，最后结合病历中每个句子的编码计算各句子包含每种事件类型的概率。

(1.2)事件关系推断。首先定义与患者相关的事件关系类型，然后对于同一患者的病历中的两个事件，分别计算它们的文档级别编码和事件级别编码，最后使用文档级别编码和事件级别编码的拼接结果，计算两个事件之间事件关系类型的概率分布。

(1.3)事件图谱的构建。基于事件提取结果和事件关系推断结果，构建事件图谱。事件图谱的节点为与患者相关的事件，节点之间为有向边，代表事件之间的关系。

该步骤的实现可参照前述患者的事件图谱构建模块。

(2)构建药物知识图谱，提供药物种类、药物种类自身的属性、药物种类之间的关联属性。药物种类自身的属性中包含药物用量的专家知识。药物知识图谱的构建过程具体包括以下步骤：

(2.1)结合权威的药物数据规范和实际临床应用的需求，设计药物的本体结构。

(2.2)从非结构化文本信息和结构化数据中进行药物知识的提取和规范化，并融合药物的本体结构与药物知识构建药物知识图谱。

该步骤的实现可参照前述药物知识图谱模块。

(3)基于事件图谱内各个事件之间的关系以及事件和药物种类的属性之间的关系，获取针对特定患者推荐使用的药物种类。主要包括以下步骤：

(3.1)事件图谱中的事件的最终向量表示的计算。首先使用语言模型计算事件图谱中每个事件的初始向量表示；然后基于事件之间的关系计算事件相互之间的关联程度；最后基于事件之间的关联程度和事件的初始向量表示计算得到事件的最终向量表示。

(3.2)药物种类的推荐。首先基于事件的最终向量表示以及药物种类的属性的向量表示，计算每个事件和某药物种类的关联程度；然后计算事件图谱中所有事件与该药物种类的关联程度的总和，得到事件图谱和该药物种类的初始关联程度；之后使用该药物种类的特异性系数计算事件图谱和该药物种类的修正关联程度，其中药物种类的特异性系数定义为有特定疾病诊断结果的患者使用某药物种类的次数在随机抽样的批量患者使用该药物种类的次数中所占的比例；最后选取修正关联程度最高的若干药物种类作为推荐结果。

该步骤的实现可参照前述药物种类推荐模块。

(4)基于患者的事件图谱和药物用量专家知识的指导，计算精确的药物用量，对于步骤(3)推荐使用的某药物种类，药物用量推荐过程主要包括以下步骤：

(4.1)主要事件路径的识别。在事件图谱中识别出在推荐药物种类的过程中发挥主要作用的一系列事件，按照发生的时间依次排列，组成主要事件路径。

(4.2)药物用量的推荐。首先从药物知识图谱中获取该药物用量的专家知识，包括每日默认使用频次、每日最高使用频次、每次默认使用量、每次最高使用量；然后将主要事件路径上的事件和该药物种类的属性的向量表示作为初始状态输入基于深度学习的药物用量模型；最后将药物用量模型最后一层的状态输入线性回归模型，计算特定患者对该药物种类的每日使用频次和每次使用量在药物用量专家知识基础上的差值，得到完整的药物用量推荐。

该步骤的实现可参照前述药物用量推荐模块。

本发明设计了综合考虑事件上下文信息和句法依从特征的事件关系推断方法；针对患者的病历和用药推荐的应用场景制定了事件和事件关系的分类标准，并基于此标准构建患者的事件图谱；结合权威的药物数据规范和实际临床应用的需求，针对相关药物种类的属性及不同药物种类之间的关系类型，设计了药物的本体结构，并在此基础上构建覆盖超过23000种药物的药物知识图谱；设计了联合使用患者事件图谱和药物知识图谱的药物种类推荐方法，通过综合考虑事件图谱内部的关系，以及事件和药物知识图谱中属性的关系，并且使用大量患者的诊疗数据对患者和药物的关联程度进行修正，使得药物种类推荐结果具有良好的准确率；针对特定的药物种类，设计了利用主要事件路径和药物用量专家知识计算精确药物用量的方法，使得在计算药物用量的过程中使用的信息更加精准。

以上所述仅是本发明的优选实施方式，虽然本发明已以较佳实施例披露如上，然而并非用以限定本发明。任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何的简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。

Claims (10)

1.一种基于事件图谱的药物种类和用量推荐系统，其特征在于，包括：

患者的事件图谱构建模块：从患者的病历中提取事件并推断事件之间的关系，构建事件图谱；

药物知识图谱模块：设计药物的本体结构，在药物数据资源中进行药物知识挖掘，融合药物的本体结构与药物知识构建药物知识图谱，提供药物种类、药物种类自身的属性、药物种类之间的关联属性；

药物种类推荐模块：基于事件图谱内各个事件之间的关系以及事件和药物种类的属性之间的关系，获取针对特定患者推荐使用的药物种类；

药物用量推荐模块：在事件图谱中识别出在推荐药物种类的过程中发挥主要作用的一系列事件组成主要事件路径，基于主要事件路径上的患者信息和药物用量专家知识的指导，获得针对特定患者的药物用量推荐。

2.根据权利要求1所述的系统，其特征在于，所述患者的事件图谱构建模块中，事件提取具体为：定义与患者相关的事件类型，对每种事件类型定义局部编码和全局编码为多维向量，通过随机初始化并训练更新局部编码和全局编码，结合病历中每个句子的编码计算各句子包含每种事件类型的概率。

3.根据权利要求1所述的系统，其特征在于，所述患者的事件图谱构建模块中，事件关系推断具体为：定义与患者相关的事件关系类型，对于同一患者的病历中的两个事件，分别计算文档级别编码和事件级别编码，使用两个级别编码的拼接结果，计算两个事件之间事件关系类型的概率分布。

4.根据权利要求1所述的系统，其特征在于，所述药物知识图谱模块中，药物知识图谱的构建具体为：

结合药物数据规范和实际临床应用的需求，设计药物的本体结构；从非结构化文本信息和结构化数据中进行药物知识的提取和规范化；

融合药物的本体结构与药物知识构建药物知识图谱，药物知识图谱中以药物种类为中心节点，与药物种类连接的节点代表不同类型的属性，在不同的药物种类之间建立相互作用和配伍禁忌的关联属性。

5.根据权利要求1所述的系统，其特征在于，所述药物种类推荐模块中，药物种类的推荐具体为：

使用语言模型计算事件图谱中每个事件的初始向量表示，基于事件之间的关系计算事件之间的关联程度，基于事件之间的关联程度和事件的初始向量表示计算事件的最终向量表示；

基于事件的最终向量表示以及药物种类的属性的向量表示，计算每个事件和某药物种类的关联程度；计算事件图谱中所有事件与该药物种类的关联程度的总和，得到事件图谱和该药物种类的初始关联程度；使用该药物种类的特异性系数计算事件图谱和该药物种类的修正关联程度，选取修正关联程度最高的若干药物种类作为推荐结果。

6.根据权利要求5所述的系统，其特征在于，所述药物种类的特异性系数计算方式为：从医院中随机抽样批量患者病历构建修正集，病历中包含疾病诊断结果和药物治疗方案，基于修正集计算某药物种类对于事件图谱的特异性系数，即有特定疾病诊断结果的患者使用该药物种类的次数在随机抽样的批量患者使用该药物种类的次数中所占的比例。

7.根据权利要求1所述的系统，其特征在于，所述药物用量推荐模块中，主要事件路径的识别具体为：对于某推荐药物种类，将事件图谱中的事件与该药物种类的关联程度降序排列，将降序排列后的10%分位数记为c₁并设定关联程度阈值c₂，将关联程度大于c₁和c₂中较小值的事件组成主要事件集合，将主要事件集合中的事件按照发生的时间依次排列，得到主要事件路径。

8.根据权利要求1所述的系统，其特征在于，所述药物用量推荐模块中，药物用量的推荐具体为：从药物知识图谱中获取药物用量的专家知识；将主要事件路径上的事件和推荐药物种类的属性的向量表示作为初始状态输入基于深度学习的药物用量模型；通过药物用量模型计算特定患者对推荐药物种类的每日使用频次和每次使用量在药物用量专家知识基础上的差值，获得药物用量推荐。

9.根据权利要求8所述的系统，其特征在于，所述药物用量推荐模块中，所述药物用量模型的初始状态的元素排序为：主要事件路径上按照发生的时间排列的事件的向量表示、推荐药物种类的属性的向量表示；药物用量模型的每一层的某元素状态由前一层的该元素状态的自注意力机制计算得到；将最后一层的首个元素的状态输入线性回归模型，分别得到推荐药物种类的每日使用频次的差值和每次使用量的差值，结合药物用量专家知识获得药物用量推荐。

10.一种基于事件图谱的药物种类和用量推荐方法，其特征在于，包括以下步骤：

(1)从患者的病历中提取事件并推断事件之间的关系，构建事件图谱；

(2)从设计药物的本体结构，在药物数据资源中进行药物知识挖掘，融合药物的本体结构与药物知识构建药物知识图谱，提供药物种类、药物种类自身的属性、药物种类之间的关联属性；

(3)基于事件图谱内各个事件之间的关系以及事件和药物种类的属性之间的关系，获取针对特定患者推荐使用的药物种类；

(4)在事件图谱中识别出在推荐药物种类的过程中发挥主要作用的一系列事件组成主要事件路径，基于主要事件路径上的患者信息和药物用量专家知识的指导，获得针对特定患者的药物用量推荐。

Images