CN116246762A - 基于人工智能的处方剂量优化方法、装置、设备及介质 - Google Patents

基于人工智能的处方剂量优化方法、装置、设备及介质 Download PDF

Info

Publication number
CN116246762A
CN116246762A CN202310529553.5A CN202310529553A CN116246762A CN 116246762 A CN116246762 A CN 116246762A CN 202310529553 A CN202310529553 A CN 202310529553A CN 116246762 A CN116246762 A CN 116246762A
Authority
CN
China
Prior art keywords
prescription
target
dose
user
information
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.)
Granted
Application number
CN202310529553.5A
Other languages
English (en)
Other versions
CN116246762B (zh
Inventor
王再见
李双双
廖勇帆
陈国锦
李会霞
王强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Huiyi Bida Medical Technology Co ltd
Original Assignee
Shenzhen Huiyi Bida Medical Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Huiyi Bida Medical Technology Co ltd filed Critical Shenzhen Huiyi Bida Medical Technology Co ltd
Priority to CN202310529553.5A priority Critical patent/CN116246762B/zh
Publication of CN116246762A publication Critical patent/CN116246762A/zh
Application granted granted Critical
Publication of CN116246762B publication Critical patent/CN116246762B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G16H40/20—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 management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • 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
    • G16H20/13—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 delivered from dispensers
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Epidemiology (AREA)
  • Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本申请适用于人工智能技术领域，尤其涉及一种基于人工智能的处方剂量优化方法、装置、设备及介质。该方法根据用户输入的病症信息匹配K个目标在库病症及对应的在库处方信息，用户对K个在库处方信息进行选取得到目标在库处方，根据用户已开具的历史处方以及对应历史处方的历史病症匹配到与病症信息相同的目标历史病症及对应的目标历史处方，确定目标在库处方和目标历史处方中表征相同药材的药材名称为目标药材，计算两种处方中目标药材的剂量比，使用剂量比对目标在库处方中的剂量进行优化，得到优化后的剂量，能够有效地参考用户的选择进行处方的输出且参考用户的习惯进行处方中剂量的调节，从而可以辅助用户准确地给出处方，提高了用户的效率。

Description

基于人工智能的处方剂量优化方法、装置、设备及介质
技术领域
本申请适用于人工智能技术领域，尤其涉及一种基于人工智能的处方剂量优化方法、装置、设备及介质。
背景技术
随着人工智能技术的不断发展，该技术在各个领域得到关注和使用，各领域针对不同的应用场景，基于人工智能技术开发了对应的智能系统来帮助人们提升工作效率，在医疗辅助的场景下，人工智能也能够在一定情况下辅助医生进行诊疗且辅助患者进行看病。
由于中医药材有5767种，药方组合是以万级数量来计算的，而每次医生在结合患者症状和诊断病名开具处方时，需要在大规模的中药库中找出满足患者当前治疗需求的中药材以及中药材的药名、功效、推荐剂量等信息。目前，为了辅助中医药的医生快速高效的诊断病症及开具处方，一般是对现有的处方与病症进行映射对应，从而在确定病症后通过映射得到对应的处方以及剂量，但是由于不同医生在对于用药剂量上有一定的认知差异，因而导致直接映射得到的处方、剂量等无法满足不同医生的使用需求，使用上述辅助可能会对效率造成一定影响。因此，如何优化处方剂量，以改善辅助诊疗的准确性成为亟待解决的问题。
发明内容
有鉴于此，本申请实施例提供了一种基于人工智能的处方剂量优化方法、装置、设备及介质，以解决如何有优化处方剂量，以改善辅助诊疗的准确性的问题。
第一方面，本申请实施例提供一种基于人工智能的处方剂量优化方法，所述处方剂量优化方法包括：
获取用户输入的病症信息，从数据库中匹配到与所述病症信息相似的K个目标在库病症，确定每个目标在库病症对应的在库处方信息，K为大于零的整数；
将K个在库处方信息反馈给所述用户，获取所述用户从所述K个在库处方信息中选取的目标在库处方，提取所述目标在库处方中的药材名称与对应每个药材名称的第一剂量；
获取所述用户已开具的历史处方以及对应历史处方的历史病症，检测所有的历史病症中是否存在与所述病症信息完全匹配的目标历史病症，若检测到存在与所述病症信息完全匹配的目标历史病症，则确定目标历史病症对应的历史处方为目标历史处方；
提取所述目标历史处方中药材名称与对应每个药材名称的第二剂量，确定所述目标在库处方和所述目标历史处方中表征相同药材的药材名称为目标药材，计算所述目标药材对应的第一剂量与第二剂量的剂量比；
使用所述剂量比对所述目标在库处方中所有的药材名称对应的第一剂量进行优化，得到每个药材名称对应的优化后的剂量，使用所述优化后的剂量更新所述目标在库处方，得到更新的目标在库处方。
第二方面，本申请实施例提供一种基于人工智能的处方剂量优化装置，所述处方剂量优化装置包括：
库信息匹配模块，用于获取用户输入的病症信息，从数据库中匹配到与所述病症信息相似的K个目标在库病症，确定每个目标在库病症对应的在库处方信息，K为大于零的整数；
用户选择获取模块，用于将K个在库处方信息反馈给所述用户，获取所述用户从所述K个在库处方信息中选取的目标在库处方，提取所述目标在库处方中的药材名称与对应每个药材名称的第一剂量；
历史信息匹配模块，用于获取所述用户已开具的历史处方以及对应历史处方的历史病症，检测所有的历史病症中是否存在与所述病症信息完全匹配的目标历史病症，若检测到存在与所述病症信息完全匹配的目标历史病症，则确定目标历史病症对应的历史处方为目标历史处方；
剂量计算模块，用于提取所述目标历史处方中药材名称与对应每个药材名称的第二剂量，确定所述目标在库处方和所述目标历史处方中表征相同药材的药材名称为目标药材，计算所述目标药材对应的第一剂量与第二剂量的剂量比；
处方优化模块，用于使用所述剂量比对所述目标在库处方中所有的药材名称对应的第一剂量进行优化，得到每个药材名称对应的优化后的剂量，使用所述优化后的剂量更新所述目标在库处方，得到更新的目标在库处方。
第三方面，本申请实施例提供一种计算机设备，所述计算机设备包括处理器、存储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，所述处理器执行所述计算机程序时实现如第一方面所述的处方剂量优化方法。
第四方面，本申请实施例提供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，所述计算机程序被处理器执行时实现如第一方面所述的处方剂量优化方法。
本申请实施例与现有技术相比存在的有益效果是：本申请获取用户输入的病症信息，从数据库中匹配到与病症信息相似的K个目标在库病症，确定每个目标在库病症对应的在库处方信息，将K个在库处方信息反馈给用户，获取用户从K个在库处方信息中选取的目标在库处方，提取目标在库处方中的药材名称与对应每个药材名称的第一剂量，获取用户已开具的历史处方以及对应历史处方的历史病症，检测所有的历史病症中是否存在与病症信息完全匹配的目标历史病症，若检测到存在与病症信息完全匹配的目标历史病症，则确定目标历史病症对应的历史处方为目标历史处方，提取目标历史处方中药材名称与对应每个药材名称的第二剂量，确定目标在库处方和目标历史处方中表征相同药材的药材名称为目标药材，计算目标药材对应的第一剂量与第二剂量的剂量比，使用剂量比对目标在库处方中所有的药材名称对应的第一剂量进行优化，得到每个药材名称对应的优化后的剂量，使用优化后的剂量更新目标在库处方，得到更新的目标在库处方，从而实现对处方中药材剂量的优化，能够有效地参考用户的选择进行处方的输出，并参考用户的习惯进行处方中剂量的调节，从而可以辅助用户准确地给出处方，提高了用户的效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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是本申请实施例一提供的一种基于人工智能的处方剂量优化方法的一应用环境示意图；
图2是本申请实施例二提供的一种基于人工智能的处方剂量优化方法的流程示意图；
图3是本申请实施例三提供的一种基于人工智能的处方剂量优化方法的流程示意图；
图4是本申请实施例四提供的一种基于人工智能的处方剂量优化装置的结构示意图；
图5是本申请实施例五提供的一种计算机设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
应理解，以下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。
为了说明本申请的技术方案，下面通过具体实施例来进行说明。
本申请实施例一提供的一种基于人工智能的处方剂量优化方法，可应用在如图1的应用环境中，其中，客户端与服务端进行通信。其中，客户端包括但不限于掌上电脑、桌上型计算机、笔记本电脑、超级移动个人计算机（ultra-mobile personal computer，UMPC）、上网本、云端计算机设备、个人数字助理（personal digital assistant，PDA）等计算机设备。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。
参见图2，是本申请实施例二提供的一种基于人工智能的处方剂量优化方法的流程示意图，上述基于人工智能的处方剂量优化方法应用于图1中的服务端，服务端对应的计算机设备连接相应的数据库，以获取数据库中相应的数据。上述计算机设备还可以连接相应的客户端，客户端为用户所操作，用户可以通过客户端向服务端提供相应的病症信息、选择指令和配置信息等。如图2所示，该基于人工智能的处方剂量优化方法可以包括以下步骤：
步骤S201，获取用户输入的病症信息，从数据库中匹配到与病症信息相似的K个目标在库病症，确定每个目标在库病症对应的在库处方信息。
本申请中，病症信息为用户所输入，此处的用户可以为医生等客户端的持有者，病症信息可以是指针对一诊疗对象的病症的描述，病症是疾病名称，应是症状描述，症状分为主证、次症、伴随症状。例如，症状描述可以为病痛位置、疼痛程度、范围、频次等，又如，也可以为基于AI自动分析出的舌象、脉象、舌底象、手掌内侧、面象等信息。
数据库为预先设置好的库，该数据库中记录有通过专业人士审核并描述出的病症信息，同时，该数据库还可以记载与病症信息形成映射相关的诊疗信息、对症处方等。当然，上述的映射相关的诊疗信息和对症处方也可以存储于其他数据库。
存储在数据库中的病症信息可以称之为在库病症，通过病症信息的之间的相似度可以确定数据库中相似的在库病症，该相似的在库病症即为目标在库病症。其中，目标在库病症的个数可以为1个，也可以为多个，也即K为大于零的整数。上述相似度的表征可以是对病症信息对应的文字表达进行向量编码，计算向量编码之间的欧氏距离或者余弦相似度等。
在确定目标的在库病症之后，可以通过相应的映射关系，映射得到对应的处方信息，也即存储在库中的在库处方。进一步地，在库病症映射得到在库处方的过程中，还可以根据治疗的规则对在库病症生成治则结果，并根据治则结果来映射到对应的在库处方。
可选的是，在确定每个目标在库病症对应的在库处方信息之前，还包括：
获取用户配置的处方生成规则；
相应地，确定每个目标在库病症对应的在库处方信息包括：
根据处方生成规则，预测每个目标在库病症的治则结果；
使用训练好的处方推荐模型对每个治则结果分别进行处方推荐，得到对应目标在库病症的在库处方信息。
其中，为了提高用户的参与度，可以获取用户配置的处方生成规则，该处方生成规则可以是指根据用户的治疗习惯等制定的规则，以提升病症与处方的映射准确程度。例如，通过客户端采集患者主症症状、次症症状及病情状况描述，通过智能推荐匹配，得出患者对应的证型，根据证型与治则数据库系统智能推荐匹配出治则结果，将治则结果对应到中医药方剂推荐模型中得到对应的中医处方及剂量。
步骤S202，将K个在库处方信息反馈给用户，获取用户从K个在库处方信息中选取的目标在库处方，提取目标在库处方中的药材名称与对应每个药材名称的第一剂量。
本申请中，针对上述的目标在库病症而言，均对应一个在库处方信息，该在库处方信息包括处方内容，处方内容包括药材名称和对应的剂量。将在库处方信息反馈给用户，即，将在库处方信息发送给用户所使用的客户端，进而在客户端展示在库处方信息。
用户在客户端上操作能够从K个在库处方信息中选取至少一个在库处方信息作为目标在库处方。具体可以是，客户端上运行有相应的选择交互界面，在该选择交互界面上展示有上述的K个在库处方信息，用户触发选择，并将选择结果发给服务端。
用户可以选择一个或者多个在库处方信息，当用户选择多个在库处方信息时，可将多个在库处方信息进行融合，得到目标在库处方。随后，对目标在库处方进行药材名称提取和对应剂量的提取，得到药材名称和第一剂量。
步骤S203，获取用户已开具的历史处方以及对应历史处方的历史病症，检测所有的历史病症中是否存在与病症信息完全匹配的目标历史病症，若检测到存在与病症信息完全匹配的目标历史病症，则确定目标历史病症对应的历史处方为目标历史处方。
本申请中，对用户在当前时间之前的所有历史信息进行获取，历史信息包括历史处方和对应的病症，其中，用户所使用的客户端能够在每次进行开具处方时，记录对应的处方，同时，还要求用户输入对应的病症，与处方和用户形成映射，得到映射信息，并将映射信息发送给服务端进行存储。服务端根据用户来匹配到对应用户已开具的历史处方和历史病症。
历史病症中可能存在或者不存在与步骤S201获取的病症信息完全匹配的病症，如果存在，则本次可以参考历史病症，如果不存在，则本次可能无法参考历史病症。
在检测所有的历史病症中是否存在与病症信息完全匹配的目标历史病症之后，若检测到不存在与病症信息完全匹配的目标历史病症，则可以生成相应地提示信息并发送给用户，该提示信息用于提示用户对目标在库处方中的药材名称与对应每个药材名称的第一剂量进行自主修改和优化，得到最终的处方。
步骤S204，提取目标历史处方中药材名称与对应每个药材名称的第二剂量，确定目标在库处方和目标历史处方中表征相同药材的药材名称为目标药材，计算目标药材对应的第一剂量与第二剂量的剂量比。
本申请中，针对目标历史处方而言，可以提取到其中的药材名称和对应每个药材名称的剂量。将目标历史处方中的药材名称与目标在库处方中的药材名称进行比较，确定表征相同药材的药材名称，针对该表征相同药材的药材名称而言，通过比较对应的第一剂量和第二剂量得到剂量比。
通过目标历史处方中的剂量大小与目标在库处方中的剂量大小的比较，可以得到用户历史用药的剂量情况，从而修正目标在库处方中的剂量，能够较好地学习到用户在历史开具处方中的处方习惯和用药剂量习惯，使得后续的优化更加贴合用户。
进一步地，如果表征相同药材的药材名称为多个，则可以得到每个药材名称对应的剂量比，通过加权求和的方式来得到平均的剂量比。
可选的是，若目标药材包括两种及以上的药材，则计算目标药材对应的第一剂量与第二剂量的剂量比包括：
针对目标药材中的任一药材，获取药材在目标在库处方中的第一剂量，以及药材在目标历史处方中的第二剂量，将两者做比得到对应药材的剂量比；
对所有药材的剂量比进行加权求和，得到加权求和结果，确定加权求和结果为目标药材对应的第一剂量与第二剂量的剂量比。
其中，如果存在两种及以上的相同的药材，则对每个药材的剂量比进行计算，通过加权的方式对所有的剂量比进行求和，得到求和结果为最终的剂量比。例如，如果为两个药材，则可以采用0.5和0.5的权重，即对两个剂量比进行求平均。
步骤S205，使用剂量比对目标在库处方中所有的药材名称对应的第一剂量进行优化，得到每个药材名称对应的优化后的剂量，使用优化后的剂量更新目标在库处方，得到更新的目标在库处方。
本申请中，得到剂量比之后，针对上述目标在库处方中的剂量进行调节优化，得到其中药材的剂量，形成对目标在库处方的更新。
目标在库处方为用户所选择的数据库中存储的处方，有用户的选择和数据库的支撑，因此，具备一定的有效性和可用性。
可选的是，在使用优化后的剂量更新目标在库处方，得到更新的目标在库处方之后，还包括：
检测目标在库处方中的药材名称对应的药材是否为预设规范内的药材；
若检测到目标在库处方中的药材名称对应的药材中存在预设规范内的药材，则将更新的目标在库处方发送给用户；
获取用户针对更新的目标在库处方的修改操作，根据修改操作修改更新的目标在库处方，得到最终的处方。
其中，用户还可以在客户端中设定一预设的范围内的药材，例如，具有一定微弱毒性的药材，该药材的使用需要用户进行慎重选择。因此，如果目标在库处方中存在预设的药材，可以将该目标在库处方发送给用户，用户可以对该目标在库处方进行修改操作，即得到最终的处方。
本申请实施例获取用户输入的病症信息，从数据库中匹配到与病症信息相似的K个目标在库病症，确定每个目标在库病症对应的在库处方信息，将K个在库处方信息反馈给用户，获取用户从K个在库处方信息中选取的目标在库处方，提取目标在库处方中的药材名称与对应每个药材名称的第一剂量，获取用户已开具的历史处方以及对应历史处方的历史病症，检测所有的历史病症中是否存在与病症信息完全匹配的目标历史病症，若检测到存在与病症信息完全匹配的目标历史病症，则确定目标历史病症对应的历史处方为目标历史处方，提取目标历史处方中药材名称与对应每个药材名称的第二剂量，确定目标在库处方和目标历史处方中表征相同药材的药材名称为目标药材，计算目标药材对应的第一剂量与第二剂量的剂量比，使用剂量比对目标在库处方中所有的药材名称对应的第一剂量进行优化，得到每个药材名称对应的优化后的剂量，使用优化后的剂量更新目标在库处方，得到更新的目标在库处方，从而实现对处方中药材剂量的优化，能够有效地参考用户的选择进行处方的输出，并参考用户的习惯进行处方中剂量的调节，从而可以辅助用户准确地给出处方，提高了用户的效率。
参见图3，是本申请实施例三提供的一种基于人工智能的处方剂量优化方法的流程示意图，若病症信息包括问诊数据、舌面诊数据、左右脉诊数据、面诊数据、舌底诊数据和手掌内侧数据，则如图3所示，该基于人工智能的处方剂量优化方法可以包括以下步骤：
步骤S301，获取用户输入的问诊数据，从数据库中匹配到与问诊数据相似的至少一个第一目标在库病症，确定每个第一目标在库病症对应的第一在库处方信息。
步骤S302，获取用户输入的舌面诊数据，从数据库中匹配到与舌面诊数据相似的至少一个第二目标在库病症，确定每个第二目标在库病症对应的第二在库处方信息。
步骤S303，获取用户输入的左右脉诊数据，从数据库中匹配到与左右脉诊数据相似的至少一个第三目标在库病症，确定每个第三目标在库病症对应的第三在库处方信息。
步骤S304，获取用户输入的面诊数据，从数据库中匹配到与面诊数据相似的至少一个第四目标在库病症，确定每个第四目标在库病症对应的第四在库处方信息。
步骤S305，获取用户输入的舌底诊数据，从数据库中匹配到与舌底诊数据相似的至少一个第五目标在库病症，确定每个第五目标在库病症对应的第五在库处方信息。
步骤S306，获取用户输入的手掌内侧数据，从数据库中匹配到与手掌内侧数据相似的至少一个第六目标在库病症，确定每个第六目标在库病症对应的第六在库处方信息。
本申请中，上述步骤S301至步骤S306分别是针对问诊数据、舌面诊数据、左右脉诊数据、面诊数据、舌底诊数据和手掌内侧数据进行分别处理，以得到对应的病症，更加符合中医看病的逻辑，也能够更加准确地确定病症。
步骤S307，将第一在库处方信息、第二在库处方信息、第三在库处方信息、第四在库处方信息、第五在库处方信息和第六在库处方信息反馈给用户，获取用户从第一在库处方信息、第二在库处方信息、第三在库处方信息、第四在库处方信息、第五在库处方信息和第六在库处方信息中选取的目标在库处方，提取目标在库处方中的药材名称与对应每个药材名称的第一剂量。
本申请中，将所有诊断信息对应在库处方反馈给用户，用户可以选择其中的一个或者多个作为目标在库处方，具体选取的过程可参考上述步骤S202的操作内容。
可选的是，将K个在库处方信息反馈给用户，获取用户从K个在库处方信息中选取的目标在库处方包括：
将所有的第一在库处方信息反馈给用户，获取用户从所有的第一在库处方信息中选取的第一在库处方；
将所有的第二在库处方信息反馈给用户，获取用户从所有的第二在库处方信息中选取的第二在库处方；
将所有的第三在库处方信息反馈给用户，获取用户从所有的第三在库处方信息中选取的第三在库处方；
将所有的第四在库处方信息反馈给用户，获取用户从所有的第四在库处方信息中选取的第四在库处方；
将所有的第五在库处方信息反馈给用户，获取用户从所有的第五在库处方信息中选取的第五在库处方；
将所有的第六在库处方信息反馈给用户，获取用户从所有的第六在库处方信息中选取的第六在库处方；
对第一在库处方、第二在库处方、第三在库处方、第四在库处方、第五在库处方和第六在库处方进行融合，得到融合结果，确定融合结果为目标在库处方。
其中，用户选择了第一在库处方、第二在库处方、第三在库处方、第四在库处方、第五在库处方和第六在库处方，对于这六个处方可以采用一定的规则进行融，融合结果为目标在库处方。
可选的是，对第一在库处方、第二在库处方、第三在库处方、第四在库处方、第五在库处方和第六在库处方进行融合，得到融合结果，确定融合结果为目标在库处方包括：
提取第一在库处方、第二在库处方、第三在库处方、第四在库处方、第五在库处方和第六在库处方中所有的药材名称及对应的剂量，形成融合处方；
确定融合处方中所有药材名称对应的药材功效，对所有药材名称进行聚类，得到M个聚类结果，其中，药材功效相同的药材名称聚为一类；
针对任一聚类结果，若聚类结果中存在两个及以上的药材名称，则从聚类结果中所有药材名称对应的剂量相加，得到总剂量，从聚类结果中所有药材名称选取任一个药材名称并与总剂量形成映射，得到一映射结果；
针对任一聚类结果，若聚类结果中存在一个药材名称，则将聚类结果中的药材名称与对应的剂量形成映射，得到一映射结果；
遍历所有的聚类结果，得到所有的映射结果，确定所有的映射结果为目标在库处方。
其中，对于第一在库处方、第二在库处方、第三在库处方、第四在库处方、第五在库处方和第六在库处方中所有的药材名称进行聚类，得到对应的聚类结果，即表征相同的功效的药材聚为一类，从一个聚类结果中选取一个药材即可，避免多种相同功效药材的混用，也避免患者在取药、煮药时出现错误。药材与计量形成映射，得到对应的映射结果，最终所有映射结果形成一个处方即为目标在库处方。
步骤S308，获取用户已开具的历史处方以及对应历史处方的历史病症，检测所有的历史病症中是否存在与病症信息完全匹配的目标历史病症，若检测到存在与病症信息完全匹配的目标历史病症，则确定目标历史病症对应的历史处方为目标历史处方。
步骤S309，提取目标历史处方中药材名称与对应每个药材名称的第二剂量，确定目标在库处方和目标历史处方中表征相同药材的药材名称为目标药材，计算目标药材对应的第一剂量与第二剂量的剂量比。
步骤S310，使用剂量比对目标在库处方中所有的药材名称对应的第一剂量进行优化，得到每个药材名称对应的优化后的剂量，使用优化后的剂量更新目标在库处方，得到更新的目标在库处方。
其中，步骤S308至步骤S310的内容与上述步骤S203至步骤S205的部分内容相同，可参考步骤S203至步骤S205的描述，在此不再赘述。
本申请实施例获取用户输入的问诊数据、舌面诊数据、左右脉诊数据、面诊数据、舌底诊数据和手掌内侧数据，每个数据均从数据库中匹配到对应的在库处方信息，将在库处方信息反馈给用户，获取用户从在库处方信息中选取的目标在库处方，提取目标在库处方中的药材名称与对应每个药材名称的第一剂量，获取用户已开具的历史处方以及对应历史处方的历史病症，检测所有的历史病症中是否存在与病症信息完全匹配的目标历史病症，若检测到存在与病症信息完全匹配的目标历史病症，则确定目标历史病症对应的历史处方为目标历史处方，提取目标历史处方中药材名称与对应每个药材名称的第二剂量，确定目标在库处方和目标历史处方中表征相同药材的药材名称为目标药材，计算目标药材对应的第一剂量与第二剂量的剂量比，使用剂量比对目标在库处方中所有的药材名称对应的第一剂量进行优化，得到每个药材名称对应的优化后的剂量，使用优化后的剂量更新目标在库处方，得到更新的目标在库处方，从而实现对处方中药材剂量的优化，能够有效地参考用户的选择进行处方的输出，并参考用户的习惯进行处方中剂量的调节，从而可以辅助用户准确地给出处方，提高了用户的效率，并且更加贴合中医诊疗过程，有助于提高处方优化的准确度。
对应于上文实施例的基于人工智能的处方剂量优化方法，图4示出了本申请实施例四提供的基于人工智能的处方剂量优化装置的结构框图，上述处方剂量优化装置应用于图1中的服务端，服务端对应的计算机设备连接相应的数据库，以获取数据库中相应的数据。上述计算机设备还可以连接相应的客户端，客户端为用户所操作，用户可以通过客户端向服务端提供相应的病症信息、选择指令和配置信息等。为了便于说明，仅示出了与本申请实施例相关的部分。
参见图4，该处方剂量优化装置包括：
库信息匹配模块41，用于获取用户输入的病症信息，从数据库中匹配到与病症信息相似的K个目标在库病症，确定每个目标在库病症对应的在库处方信息，K为大于零的整数；
用户选择获取模块42，用于将K个在库处方信息反馈给用户，获取用户从K个在库处方信息中选取的目标在库处方，提取目标在库处方中的药材名称与对应每个药材名称的第一剂量；
历史信息匹配模块43，用于获取用户已开具的历史处方以及对应历史处方的历史病症，检测所有的历史病症中是否存在与病症信息完全匹配的目标历史病症，若检测到存在与病症信息完全匹配的目标历史病症，则确定目标历史病症对应的历史处方为目标历史处方；
剂量计算模块44，用于提取目标历史处方中药材名称与对应每个药材名称的第二剂量，确定目标在库处方和目标历史处方中表征相同药材的药材名称为目标药材，计算目标药材对应的第一剂量与第二剂量的剂量比；
处方优化模块45，用于使用剂量比对目标在库处方中所有的药材名称对应的第一剂量进行优化，得到每个药材名称对应的优化后的剂量，使用优化后的剂量更新目标在库处方，得到更新的目标在库处方。
可选的是，病症信息包括问诊数据、舌面诊数据、左右脉诊数据、面诊数据、舌底诊数据和手掌内侧数据；库信息匹配模块41包括：
第一匹配单元，用于从数据库中匹配到与问诊数据相似的至少一个第一目标在库病症，确定每个第一目标在库病症对应的第一在库处方信息；
第二匹配单元，用于从数据库中匹配到与舌面诊数据相似的至少一个第二目标在库病症，确定每个第二目标在库病症对应的第二在库处方信息；
第三匹配单元，用于从数据库中匹配到与左右脉诊数据相似的至少一个第三目标在库病症，确定每个第三目标在库病症对应的第三在库处方信息；
第四匹配单元，用于从数据库中匹配到与面诊数据相似的至少一个第四目标在库病症，确定每个第四目标在库病症对应的第四在库处方信息；
第五匹配单元，用于从数据库中匹配到与舌底诊数据相似的至少一个第五目标在库病症，确定每个第五目标在库病症对应的第五在库处方信息；
第六匹配单元，用于从数据库中匹配到与手掌内侧数据相似的至少一个第六目标在库病症，确定每个第六目标在库病症对应的第六在库处方信息。
可选的是，用户选择获取模块42包括：
第一选择获取单元，用于将所有的第一在库处方信息反馈给用户，获取用户从所有的第一在库处方信息中选取的第一在库处方；
第二选择获取单元，用于将所有的第二在库处方信息反馈给用户，获取用户从所有的第二在库处方信息中选取的第二在库处方；
第三选择获取单元，用于将所有的第三在库处方信息反馈给用户，获取用户从所有的第三在库处方信息中选取的第三在库处方；
第四选择获取单元，用于将所有的第四在库处方信息反馈给用户，获取用户从所有的第四在库处方信息中选取的第四在库处方；
第五选择获取单元，用于将所有的第五在库处方信息反馈给用户，获取用户从所有的第五在库处方信息中选取的第五在库处方；
第六选择获取单元，用于将所有的第六在库处方信息反馈给用户，获取用户从所有的第六在库处方信息中选取的第六在库处方；
目标处方确定单元，用于对第一在库处方、第二在库处方、第三在库处方、第四在库处方、第五在库处方和第六在库处方进行融合，得到融合结果，确定融合结果为目标在库处方。
可选的是，目标处方确定单元包括：
融合子单元，用于提取第一在库处方、第二在库处方、第三在库处方、第四在库处方、第五在库处方和第六在库处方中所有的药材名称及对应的剂量，形成融合处方；
聚类子单元，用于确定融合处方中所有药材名称对应的药材功效，对所有药材名称进行聚类，得到M个聚类结果，其中，药材功效相同的药材名称聚为一类；
第一映射子单元，用于针对任一聚类结果，若聚类结果中存在两个及以上的药材名称，则从聚类结果中所有药材名称对应的剂量相加，得到总剂量，从聚类结果中所有药材名称选取任一个药材名称并与总剂量形成映射，得到一映射结果；
第二映射子单元，用于针对任一聚类结果，若聚类结果中存在一个药材名称，则将聚类结果中的药材名称与对应的剂量形成映射，得到一映射结果；
目标处方确定子单元，用于遍历所有的聚类结果，得到所有的映射结果，确定所有的映射结果为目标在库处方。
可选的是，若目标药材包括两种及以上的药材，则剂量计算模块44包括：
剂量比计算单元，用于针对目标药材中的任一药材，获取药材在目标在库处方中的第一剂量，以及药材在目标历史处方中的第二剂量，将两者做比得到对应药材的剂量比；
剂量比确定单元，用于对所有药材的剂量比进行加权求和，得到加权求和结果，确定加权求和结果为目标药材对应的第一剂量与第二剂量的剂量比。
可选的是，该处方剂量优化装置还包括：
检测模块，用于在使用优化后的剂量更新目标在库处方，得到更新的目标在库处方之后，检测目标在库处方中的药材名称对应的药材是否为预设规范内的药材；
发送模块，用于若检测到目标在库处方中的药材名称对应的药材中存在预设规范内的药材，则将更新的目标在库处方发送给用户；
修改模块，用于获取用户针对更新的目标在库处方的修改操作，根据修改操作修改更新的目标在库处方，得到最终的处方。
可选的是，该处方剂量优化装置还包括：
规则获取模块，用于在确定每个目标在库病症对应的在库处方信息之前，获取用户配置的处方生成规则；
相应地，库信息匹配模块41包括：
治则结果确定单元，用于根据处方生成规则，预测每个目标在库病症的治则结果；
处方匹配单元，用户使用训练好的处方推荐模型对每个治则结果分别进行处方推荐，得到对应目标在库病症的在库处方信息。
需要说明的是，上述模块之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
图5为本申请实施例五提供的一种计算机设备的结构示意图。如图5所示，该实施例的计算机设备包括：至少一个处理器（图5中仅示出一个）、存储器以及存储在存储器中并可在至少一个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任意各个基于人工智能的处方剂量优化方法实施例中的步骤。
该计算机设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，图5仅仅是计算机设备的举例，并不构成对计算机设备的限定，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括网络接口、显示屏和输入装置等。
所称处理器可以是CPU，该处理器还可以是其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific IntegratedCircuit，ASIC）、现成可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器包括可读存储介质、内存储器等，其中，内存储器可以是计算机设备的内存，内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。可读存储介质可以是计算机设备的硬盘，在另一些实施例中也可以是计算机设备的外部存储设备，例如，计算机设备上配备的插接式硬盘、智能存储卡（Smart Media Card，SMC）、安全数字（Secure Digital，SD）卡、闪存卡（Flash Card）等。进一步地，存储器还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器用于存储操作系统、应用程序、引导装载程序（BootLoader）、数据以及其他程序等，该其他程序如计算机程序的程序代码等。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
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。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、计算机存储器、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
本申请实现上述实施例方法中的全部或部分流程，也可以通过一种计算机程序产品来完成，当计算机程序产品在计算机设备上运行时，使得计算机设备执行时实现可实现上述方法实施例中的步骤。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
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。
在本申请所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或单元的划分，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系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上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处方剂量优化方法，其特征在于，所述处方剂量优化方法包括：
获取用户输入的病症信息，从数据库中匹配到与所述病症信息相似的K个目标在库病症，确定每个目标在库病症对应的在库处方信息，K为大于零的整数；
将K个在库处方信息反馈给所述用户，获取所述用户从所述K个在库处方信息中选取的目标在库处方，提取所述目标在库处方中的药材名称与对应每个药材名称的第一剂量；
获取所述用户已开具的历史处方以及对应历史处方的历史病症，检测所有的历史病症中是否存在与所述病症信息完全匹配的目标历史病症，若检测到存在与所述病症信息完全匹配的目标历史病症，则确定目标历史病症对应的历史处方为目标历史处方；
提取所述目标历史处方中药材名称与对应每个药材名称的第二剂量，确定所述目标在库处方和所述目标历史处方中表征相同药材的药材名称为目标药材，计算所述目标药材对应的第一剂量与第二剂量的剂量比；
使用所述剂量比对所述目标在库处方中所有的药材名称对应的第一剂量进行优化，得到每个药材名称对应的优化后的剂量，使用所述优化后的剂量更新所述目标在库处方，得到更新的目标在库处方。
2.根据权利要求1所述的处方剂量优化方法，其特征在于，所述病症信息包括问诊数据、舌面诊数据、左右脉诊数据、面诊数据、舌底诊数据和手掌内侧数据；从数据库中匹配到与所述病症信息相似的K个目标在库病症，确定每个目标在库病症对应的在库处方信息包括：
从数据库中匹配到与所述问诊数据相似的至少一个第一目标在库病症，确定每个第一目标在库病症对应的第一在库处方信息；
从所述数据库中匹配到与所述舌面诊数据相似的至少一个第二目标在库病症，确定每个第二目标在库病症对应的第二在库处方信息；
从所述数据库中匹配到与所述左右脉诊数据相似的至少一个第三目标在库病症，确定每个第三目标在库病症对应的第三在库处方信息；
从所述数据库中匹配到与所述面诊数据相似的至少一个第四目标在库病症，确定每个第四目标在库病症对应的第四在库处方信息；从所述数据库中匹配到与所述舌底诊数据相似的至少一个第五目标在库病症，确定每个第五目标在库病症对应的第五在库处方信息；
从所述数据库中匹配到与所述手掌内侧数据相似的至少一个第六目标在库病症，确定每个第六目标在库病症对应的第六在库处方信息。
3.根据权利要求2所述的处方剂量优化方法，其特征在于，将K个在库处方信息反馈给所述用户，获取所述用户从所述K个在库处方信息中选取的目标在库处方包括：
将所有的第一在库处方信息反馈给所述用户，获取所述用户从所有的第一在库处方信息中选取的第一在库处方；
将所有的第二在库处方信息反馈给所述用户，获取所述用户从所有的第二在库处方信息中选取的第二在库处方；
将所有的第三在库处方信息反馈给所述用户，获取所述用户从所有的第三在库处方信息中选取的第三在库处方；
将所有的第四在库处方信息反馈给所述用户，获取所述用户从所有的第四在库处方信息中选取的第四在库处方；
将所有的第五在库处方信息反馈给所述用户，获取所述用户从所有的第五在库处方信息中选取的第五在库处方；
将所有的第六在库处方信息反馈给所述用户，获取所述用户从所有的第六在库处方信息中选取的第六在库处方；
对所述第一在库处方、所述第二在库处方、所述第三在库处方、所述第四在库处方、所述第五在库处方和所述第六在库处方进行融合，得到融合结果，确定所述融合结果为目标在库处方。
4.根据权利要求3所述的处方剂量优化方法，其特征在于，对所述第一在库处方、所述第二在库处方、所述第三在库处方、所述第四在库处方、第五在库处方和第六在库处方进行融合，得到融合结果，确定所述融合结果为目标在库处方包括：
提取所述第一在库处方、所述第二在库处方、所述第三在库处方、所述第四在库处方、所述第五在库处方和所述第六在库处方中所有的药材名称及对应的剂量，形成融合处方；
确定所述融合处方中所有药材名称对应的药材功效，对所有药材名称进行聚类，得到M个聚类结果，其中，药材功效相同的药材名称聚为一类；
针对任一聚类结果，若所述聚类结果中存在两个及以上的药材名称，则从所述聚类结果中所有药材名称对应的剂量相加，得到总剂量，从所述聚类结果中所有药材名称选取任一个药材名称并与所述总剂量形成映射，得到一映射结果；
针对任一聚类结果，若所述聚类结果中存在一个药材名称，则将所述聚类结果中的药材名称与对应的剂量形成映射，得到一映射结果；
遍历所有的聚类结果，得到所有的映射结果，确定所有的映射结果为目标在库处方。
5.根据权利要求1所述的处方剂量优化方法，其特征在于，若所述目标药材包括两种及以上的药材，则计算所述目标药材对应的第一剂量与第二剂量的剂量比包括：
针对所述目标药材中的任一药材，获取所述药材在所述目标在库处方中的第一剂量，以及所述药材在所述目标历史处方中的第二剂量，将两者做比得到对应所述药材的剂量比；
对所有药材的剂量比进行加权求和，得到加权求和结果，确定所述加权求和结果为所述目标药材对应的第一剂量与第二剂量的剂量比。
6.根据权利要求1所述的处方剂量优化方法，其特征在于，在使用所述优化后的剂量更新所述目标在库处方，得到更新的目标在库处方之后，还包括：
检测所述目标在库处方中的药材名称对应的药材是否为预设规范内的药材；
若检测到所述目标在库处方中的药材名称对应的药材中存在预设规范内的药材，则将所述更新的目标在库处方发送给所述用户；
获取所述用户针对所述更新的目标在库处方的修改操作，根据所述修改操作修改所述更新的目标在库处方，得到最终的处方。
7.根据权利要求1至6任一项所述的处方剂量优化方法，其特征在于，在确定每个目标在库病症对应的在库处方信息之前，还包括：
获取所述用户配置的处方生成规则；
相应地，确定每个目标在库病症对应的在库处方信息包括：
根据所述处方生成规则，预测每个目标在库病症的治则结果；
使用训练好的处方推荐模型对每个治则结果分别进行处方推荐，得到对应目标在库病症的在库处方信息。
8.一种基于人工智能的处方剂量优化装置，其特征在于，所述处方剂量优化装置包括：
库信息匹配模块，用于获取用户输入的病症信息，从数据库中匹配到与所述病症信息相似的K个目标在库病症，确定每个目标在库病症对应的在库处方信息，K为大于零的整数；
用户选择获取模块，用于将K个在库处方信息反馈给所述用户，获取所述用户从所述K个在库处方信息中选取的目标在库处方，提取所述目标在库处方中的药材名称与对应每个药材名称的第一剂量；
历史信息匹配模块，用于获取所述用户已开具的历史处方以及对应历史处方的历史病症，检测所有的历史病症中是否存在与所述病症信息完全匹配的目标历史病症，若检测到存在与所述病症信息完全匹配的目标历史病症，则确定目标历史病症对应的历史处方为目标历史处方；
剂量计算模块，用于提取所述目标历史处方中药材名称与对应每个药材名称的第二剂量，确定所述目标在库处方和所述目标历史处方中表征相同药材的药材名称为目标药材，计算所述目标药材对应的第一剂量与第二剂量的剂量比；
处方优化模块，用于使用所述剂量比对所述目标在库处方中所有的药材名称对应的第一剂量进行优化，得到每个药材名称对应的优化后的剂量，使用所述优化后的剂量更新所述目标在库处方，得到更新的目标在库处方。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器、存储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，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任一项所述的处方剂量优化方法。
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任一项所述的处方剂量优化方法。
CN202310529553.5A 2023-05-11 2023-05-11 基于人工智能的处方剂量优化方法、装置、设备及介质 Active CN116246762B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310529553.5A CN116246762B (zh) 2023-05-11 2023-05-11 基于人工智能的处方剂量优化方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310529553.5A CN116246762B (zh) 2023-05-11 2023-05-11 基于人工智能的处方剂量优化方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN116246762A true CN116246762A (zh) 2023-06-09
CN116246762B CN116246762B (zh) 2023-07-21

Family

ID=86624585

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310529553.5A Active CN116246762B (zh) 2023-05-11 2023-05-11 基于人工智能的处方剂量优化方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN116246762B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116894768A (zh) * 2023-09-11 2023-10-17 成都航空职业技术学院 一种基于人工智能的目标检测优化方法和系统

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5845255A (en) * 1994-10-28 1998-12-01 Advanced Health Med-E-Systems Corporation Prescription management system
US20100161353A1 (en) * 1994-10-26 2010-06-24 Cybear, Llc Prescription management system
US20110184756A1 (en) * 2010-01-22 2011-07-28 Medimpact Healthcare Systems, Inc. Maintaining Patient Medication Lists
CN103786474A (zh) * 2014-01-28 2014-05-14 中国人民解放军第三〇二医院 一种个体化调整中医处方药物用量的卡片及其应用
CN109102899A (zh) * 2018-07-20 2018-12-28 四川好医生云医疗科技有限公司 基于机器学习与大数据的中医智能辅助系统及方法
CN109637615A (zh) * 2018-11-30 2019-04-16 平安医疗健康管理股份有限公司 异常医疗处方的判断方法、装置、设备及可读存储介质
CN109785975A (zh) * 2018-12-04 2019-05-21 平安科技（深圳）有限公司 辅助用户自主购药的方法、装置、设备及存储介质
CN111028914A (zh) * 2019-12-04 2020-04-17 北京连心医疗科技有限公司 人工智能引导的剂量预测方法与系统
CN111859888A (zh) * 2020-07-22 2020-10-30 北京致医健康信息技术有限公司 一种诊断辅助方法、装置、电子设备和存储介质
CN112331298A (zh) * 2020-11-13 2021-02-05 微医云(杭州)控股有限公司 开具药方的方法、装置、电子设备及存储介质
CN115120891A (zh) * 2022-06-13 2022-09-30 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） 一种剂量透射评估装置、计算机可读存储介质及系统
CN115148321A (zh) * 2022-08-03 2022-10-04 创智和宇信息技术股份有限公司 处方平台及其处方监管方法
CN115376648A (zh) * 2022-08-25 2022-11-22 京东方科技集团股份有限公司 一种智能处方生成装置和智能处方生成系统
CN115424695A (zh) * 2022-11-03 2022-12-02 首都医科大学附属北京安贞医院 给药剂量预测模型的确定方法及给药剂量预测方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100161353A1 (en) * 1994-10-26 2010-06-24 Cybear, Llc Prescription management system
US5845255A (en) * 1994-10-28 1998-12-01 Advanced Health Med-E-Systems Corporation Prescription management system
US20110184756A1 (en) * 2010-01-22 2011-07-28 Medimpact Healthcare Systems, Inc. Maintaining Patient Medication Lists
CN103786474A (zh) * 2014-01-28 2014-05-14 中国人民解放军第三〇二医院 一种个体化调整中医处方药物用量的卡片及其应用
CN109102899A (zh) * 2018-07-20 2018-12-28 四川好医生云医疗科技有限公司 基于机器学习与大数据的中医智能辅助系统及方法
CN109637615A (zh) * 2018-11-30 2019-04-16 平安医疗健康管理股份有限公司 异常医疗处方的判断方法、装置、设备及可读存储介质
CN109785975A (zh) * 2018-12-04 2019-05-21 平安科技（深圳）有限公司 辅助用户自主购药的方法、装置、设备及存储介质
CN111028914A (zh) * 2019-12-04 2020-04-17 北京连心医疗科技有限公司 人工智能引导的剂量预测方法与系统
CN111859888A (zh) * 2020-07-22 2020-10-30 北京致医健康信息技术有限公司 一种诊断辅助方法、装置、电子设备和存储介质
CN112331298A (zh) * 2020-11-13 2021-02-05 微医云(杭州)控股有限公司 开具药方的方法、装置、电子设备及存储介质
CN115120891A (zh) * 2022-06-13 2022-09-30 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） 一种剂量透射评估装置、计算机可读存储介质及系统
CN115148321A (zh) * 2022-08-03 2022-10-04 创智和宇信息技术股份有限公司 处方平台及其处方监管方法
CN115376648A (zh) * 2022-08-25 2022-11-22 京东方科技集团股份有限公司 一种智能处方生成装置和智能处方生成系统
CN115424695A (zh) * 2022-11-03 2022-12-02 首都医科大学附属北京安贞医院 给药剂量预测模型的确定方法及给药剂量预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
尹楚欧等: "调强放疗中剂量引导的自适应处方剂量优化方法", 中国医学物理学杂志, vol. 38, no. 12, pages 1460 - 1463 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116894768A (zh) * 2023-09-11 2023-10-17 成都航空职业技术学院 一种基于人工智能的目标检测优化方法和系统
CN116894768B (zh) * 2023-09-11 2023-11-21 成都航空职业技术学院 一种基于人工智能的目标检测优化方法和系统

Also Published As

Publication number Publication date
CN116246762B (zh) 2023-07-21

Similar Documents

Publication Publication Date Title
CN111191020B (zh) 基于机器学习和知识图谱的处方推荐方法和系统
CN111798941A (zh) 用于生成临床查询的预测系统
US20180210925A1 (en) Reliability measurement in data analysis of altered data sets
CN116246762B (zh) 基于人工智能的处方剂量优化方法、装置、设备及介质
CN110413751B (zh) 药品搜索方法、装置、终端设备以及存储介质
Xiang et al. Knowledge graph-based clinical decision support system reasoning: a survey
CN114765075A (zh) 药品推荐方法、装置及系统、电子设备及存储介质
US20180330061A1 (en) Treatment Recommendation System And Method
CN113724814B (zh) 一种分诊方法、装置、计算设备及存储介质
CN113724830B (zh) 基于人工智能的用药风险检测方法及相关设备
CN112214588B (zh) 多意图识别方法、装置、电子设备及存储介质
Singh et al. Leveraging hierarchy in medical codes for predictive modeling
CN116578704A (zh) 文本情感分类方法、装置、设备及计算机可读介质
CN110473636B (zh) 基于深度学习的智能医嘱推荐方法及系统
CN113066531B (zh) 风险预测方法、装置、计算机设备及存储介质
CN116738064A (zh) 一种基于大数据的专病和症状的常用药品推荐方法和系统
US20130253892A1 (en) Creating synthetic events using genetic surprisal data representing a genetic sequence of an organism with an addition of context
CN116150690A (zh) DRGs决策树构建方法及装置、电子设备、存储介质
EP3230907B1 (en) System and method for uniformly correlating unstructured entry features to associated therapy features
CN111986815B (zh) 基于共现关系的项目组合挖掘方法及相关设备
CN114218378A (zh) 一种基于知识图谱的内容推送方法、装置、设备及介质
Crisóstomo et al. Robotics services at home support
CN114400090A (zh) 问诊辅助方法、问诊辅助装置、设备及存储介质
Zomorodi et al. RECOMED: A Comprehensive Pharmaceutical Recommendation System
CN113707344A (zh) 基于ai的患者康复跟踪方法、装置、服务器及介质

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
GR01 Patent grant
GR01 Patent grant