CN116612852B - 一种实现药物推荐的方法、装置和计算机设备 - Google Patents
一种实现药物推荐的方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN116612852B CN116612852B CN202310889739.1A CN202310889739A CN116612852B CN 116612852 B CN116612852 B CN 116612852B CN 202310889739 A CN202310889739 A CN 202310889739A CN 116612852 B CN116612852 B CN 116612852B
- Authority
- CN
- China
- Prior art keywords
- medication
- drug
- feature vector
- scheme
- patient
- 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.)
- Active
Links
- 239000003814 drug Substances 0.000 title claims abstract description 291
- 229940079593 drug Drugs 0.000 title claims abstract description 274
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000013598 vector Substances 0.000 claims abstract description 95
- 238000011282 treatment Methods 0.000 claims abstract description 74
- 206010067484 Adverse reaction Diseases 0.000 claims abstract description 57
- 230000006838 adverse reaction Effects 0.000 claims abstract description 57
- 230000035945 sensitivity Effects 0.000 claims abstract description 56
- 201000010099 disease Diseases 0.000 claims abstract description 47
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 47
- 230000000694 effects Effects 0.000 claims abstract description 46
- 238000003745 diagnosis Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 12
- 238000013135 deep learning Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 206010067482 No adverse event Diseases 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012417 linear regression Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims 3
- 230000003115 biocidal effect Effects 0.000 description 11
- 230000008029 eradication Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 235000012054 meals Nutrition 0.000 description 4
- 206010059866 Drug resistance Diseases 0.000 description 3
- 239000003242 anti bacterial agent Substances 0.000 description 3
- 229910052797 bismuth Inorganic materials 0.000 description 3
- JCXGWMGPZLAOME-UHFFFAOYSA-N bismuth atom Chemical compound [Bi] JCXGWMGPZLAOME-UHFFFAOYSA-N 0.000 description 3
- 241000894006 Bacteria Species 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- GSDSWSVVBLHKDQ-JTQLQIEISA-N Levofloxacin Chemical compound C([C@@H](N1C2=C(C(C(C(O)=O)=C1)=O)C=C1F)C)OC2=C1N1CCN(C)CC1 GSDSWSVVBLHKDQ-JTQLQIEISA-N 0.000 description 2
- 229940088710 antibiotic agent Drugs 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 229960003376 levofloxacin Drugs 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 206010019375 Helicobacter infections Diseases 0.000 description 1
- 241000590002 Helicobacter pylori Species 0.000 description 1
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- 206010066901 Treatment failure Diseases 0.000 description 1
- 238000005411 Van der Waals force Methods 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 208000026935 allergic disease Diseases 0.000 description 1
- 230000000172 allergic effect Effects 0.000 description 1
- 230000007815 allergy Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 208000010668 atopic eczema Diseases 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 229940079552 combination of different antibiotic Drugs 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000890 drug combination Substances 0.000 description 1
- 238000012377 drug delivery Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- PLHJDBGFXBMTGZ-WEVVVXLNSA-N furazolidone Chemical compound O1C([N+](=O)[O-])=CC=C1\C=N\N1C(=O)OCC1 PLHJDBGFXBMTGZ-WEVVVXLNSA-N 0.000 description 1
- 229960001625 furazolidone Drugs 0.000 description 1
- 229940037467 helicobacter pylori Drugs 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 239000003112 inhibitor Substances 0.000 description 1
- 238000011221 initial treatment Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- VAOCPAMSLUNLGC-UHFFFAOYSA-N metronidazole Chemical compound CC1=NC=C([N+]([O-])=O)N1CCO VAOCPAMSLUNLGC-UHFFFAOYSA-N 0.000 description 1
- 229960000282 metronidazole Drugs 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medicinal Chemistry (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Pharmacology & Pharmacy (AREA)
- Toxicology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及智慧医疗技术领域，提供一种实现药物推荐的方法、装置和计算机设备，该方法包括：根据目标患者的患者信息和用于目标疾病的药物使用信息生成第一特征向量；将第一特征向量输入到药物敏感性预测模型，预测目标患者使用用于目标疾病的各种待选药物的药物敏感性；从预设的用药方案组合中选取一种用药方案，将其与目标患者的患者信息、药物敏感性以及目标患者的目标疾病诊断数据生成第二特征向量；将第二特征向量输入用药推荐模型，输出当前用药方案的治疗效果预测数据和不良反应预测数据；根据各用药方案的治疗效果预测数据和不良反应预测数据更加准确地选取最优的用药方案，以在保障用药安全的前提下提高治疗效率及成功率。
Description
技术领域
本发明涉及智慧医疗技术领域，尤其涉及一种实现药物推荐的方法、装置和计算机设备。
背景技术
随着大数据分成、人工智能深度学习算法的发展，基于神经网络的药品推荐越来越受到广大研究学者的重视。
然而，现有的药品推荐系统，多根据患者诊断、性别、年龄、历史处方、过敏史等进行合理用药、配伍禁忌相应提醒，旨在安全用药，保障用药安全。尤其是涉及抗生素药物的使用，不具有针对性的抗生素用药方案，很容易增加治病菌的耐药性，导致其难以根除。
因此，如何提高用药方案的推荐准确率以在保障用药安全的前提下提高治疗效率及成功率仍是目前亟待解决的技术问题。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题的一种实现药物推荐的方法、装置和计算机设备。
本发明的一个方面，提供了一种实现药物推荐的方法，所述方法包括：
根据目标患者的患者信息和用于目标疾病的药物使用信息生成用于药物敏感性预测的第一特征向量；
将所述第一特征向量输入到预设的药物敏感性预测模型，以预测出目标患者使用用于所述目标疾病的各种待选药物的药物敏感性；
依次从预设的用药方案组合中选取一种用药方案，并将选取的用药方案与所述目标患者的患者信息、目标患者使用用于所述目标疾病的各种待选药物的药物敏感性以及目标患者的目标疾病诊断数据生成用于药物推荐的第二特征向量；
将所述第二特征向量输入到预设的用药推荐模型，以输出当前用药方案的治疗效果预测数据和不良反应预测数据；
根据所述用药方案组合中各个用药方案的治疗效果预测数据和不良反应预测数据选取与所述目标患者匹配的最优的用药方案。
进一步地，所述根据所述用药方案组合中各个用药方案的治疗效果预测数据和不良反应预测数据选取与所述目标患者匹配的最优的用药方案，包括：
对每一用药方案对应的治疗效果预测数据和不良反应预测数据进行离散归一化处理，将归一化处理后的治疗效果预测数据作为引力，将归一化处理后的不良反应预测数据作为斥力，计算每一用药方案对应的引力值和斥力值的合力值；
选取合力最大的用药方案作为与所述目标患者匹配的最优的用药方案。
进一步地，所述计算每一用药方案对应的引力值和斥力值的合力值的计算模型如下所示：
合力值=引力值-预设的调节算子×斥力值。
进一步地，所述调节算子的计算方法包括：
将斥力值设置为两种类型，其中，没有不良反应和轻度不良反应对应的斥力值设为0，中度不良反应和重度不良对应的斥力值设为1；
将引力值设置为两种类型，其中，治疗没有效果对应的引力值设为0，治疗有效果对应的引力值设为1；
根据所述引力值和斥力值的取值标准将预设的历史数据集D中的用药方案划分为可接受的治疗方案和不接受的治疗方案；
计算引力值和斥力值对用药方案划分事件的信息增益；
分别对所述引力值和斥力值对应的信息增益进行归一化处理，并将当引力值的信息增益取值为1时按照相同比例计算出的斥力值的信息增益作为所述调节算子。
进一步地，所述方法还包括：
基于预设的第一数据库资源提取用于训练药物敏感性预测模型的第一特征向量集，所述第一特征向量集中的特征向量包括患者信息、用于目标疾病的药物使用信息和药物敏感性信息；
根据所述第一特征向量集训练药物敏感性的线性回归模型，得到药物敏感性预测模型。
进一步地，所述根据所述第一特征向量集采用深度学习算法训练药物敏感性的线性回归模型之前，所述方法还包括：
对所述第一特征向量集中每一特征向量的各个组成信息进行归一化处理；
采用主成分分析法对归一化处理后的各个特征向量进行降维处理。
进一步地，所述方法还包括：
基于预设的第二数据库资源提取用于训练用药推荐模型的第二数据集，所述第二数据集包括第二特征向量集和结果向量集，所述第二特征向量集中的特征向量包括患者信息、患者使用用于所述目标疾病的待选药物的药物敏感性、患者的目标疾病诊断数据以及患者的用药方案，所述结果向量集中包括与所述第二特征向量集中每一特征向量对应的结果数据，所述结果数据包括治疗效果数据和不良反应数据；
将所述第二特征向量集中各个特征向量作为深度学习神经网络模型的输入数据，并将所述结果向量集中与第二特征向量集中各个特征向量对应的结果数据作为深度学习神经网络模型输出数据，训练用药推荐模型。
进一步地，所述方法还包括：
生成与所述最优的用药方案对应的用药交代信息，并将所述用药交代信息推送到与所述目标患者绑定的用户终端，以提醒用户所述用药方案中各种药物的服药方式及禁忌。
本发明的另一个方面，提供了一种实现药物推荐的装置，所述装置包括用于实现如上任一项所述的实现药物推荐的方法的功能模块。
本发明的另一个方面，提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述计算机程序被所述处理器执行时，实现如上任一项所述的实现药物推荐的方法的步骤。
本发明实施例提供的一种实现药物推荐的方法、装置和计算机设备，在进行药物推荐时考虑到患者使用用于目标疾病的各种待选药物的药物敏感性，将从预设的用药方案组合中选取的用药方案与目标患者的患者信息、目标患者使用用于目标疾病的各种待选药物的药物敏感性以及目标患者的目标疾病诊断数据生成用于药物推荐的特征向量，并将特征向量输入到预设的用药推荐模型，以输出当前用药方案的治疗效果预测数据和不良反应预测数据，进而根据各用药方案的治疗效果预测数据和不良反应预测数据更加准确地实现最优的用药方案的推荐，有效地提高了用药方案的推荐准确率，能够在保障用药安全的前提下提高治疗效率及成功率。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。在附图中：
图1为本发明实施例的一种实现药物推荐的方法的流程图；
图2为本发明实施例的一种实现药物推荐的装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语（包括技术术语和科学术语），具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非被特定定义，否则不会用理想化或过于正式的含义来解释。
实施例一
本发明实施例提供了一种实现药物推荐的方法，如图1所示，本发明实现药物推荐的方法，包括以下步骤：
S1、根据目标患者的患者信息和用于目标疾病的药物使用信息生成用于药物敏感性预测的第一特征向量。
本实施例中，以幽门螺杆菌（Hp）感染作为目标疾病为例进行技术方案的解释说明，可理解的本申请技术方案同样适用于其他疾病的药物推荐。其中，患者信息包括如性别、年龄等基础数据；用于目标疾病的药物使用信息包括用于目标疾病的多种抗生素药品的真实使用情况，如用药频次、用药剂量、用药时长及药物敏感性等数据。
S2、将所述第一特征向量输入到预设的药物敏感性预测模型，以预测出目标患者使用用于所述目标疾病的各种待选药物的药物敏感性。
本实施例中，药物敏感性预测模型用于根据目标患者的性别、年龄等患者信息和用于目标疾病的药物使用信息预测出目标患者使用用于目标疾病的各种待选药物的药物敏感性。其中，药物敏感性分为：敏感、中介和耐药三个分类。
S3、依次从预设的用药方案组合中选取一种用药方案，并将选取的用药方案与所述目标患者的患者信息、目标患者使用用于所述目标疾病的各种待选药物的药物敏感性以及目标患者的目标疾病诊断数据生成用于药物推荐的第二特征向量。
其中，目标患者的目标疾病诊断数据包括医疗检查时Hp的数值。
本实施例中的用药方案组合包括实际应用中针对Hp感染专业医护人员常用的经验性治疗根除Hp的用药方案。包括《第五次全国幽门螺杆菌感染处理共识报告》推荐的铋剂四联方案，即抑酸药＋铋剂＋两种抗生素的组合。其中，抗生素的选择多种多样，不同的用药方案是不同抗生素的两两组合。根据Hp抗药性的特点，可以推荐7 种抗生素组合用于Hp根除，除包含“左氧氟沙星”的方案不推荐作为初次治疗使用外，其他方案均具有较高的首次根除成功率。因为，在根据病患历史病历情况考虑病患的用药禁忌之外，采用本发明提供的技术方案能够基于患者信息、药物敏感性以及医疗检查时Hp的数值从各个用药方案中推荐出与目标患者匹配的最优的用药方案。
S4、将所述第二特征向量输入到预设的用药推荐模型，以输出当前用药方案的治疗效果预测数据和不良反应预测数据。
具体的，本发明将包括患者信息、药物敏感性以及医疗检查时Hp的数值的特征向量输入到预设的用药推荐模型，通过用药推荐模型预测各个用药方案的治疗效果预测数据和不良反应预测数据。其中，治疗效果预测数据包括初次检查时Hp的数值跟用药一段时间后复诊时检查的Hp数值的减少量，不良反应预测数据包括没有不良反应设为，轻度不良反应设为，中度不良反应设为，重度不良反应设为。
S5、根据所述用药方案组合中各个用药方案的治疗效果预测数据和不良反应预测数据选取与所述目标患者匹配的最优的用药方案。
本发明实施例提供的一种实现药物推荐的方法，在进行药物推荐时考虑到患者使用用于目标疾病的各种待选药物的药物敏感性，将从预设的用药方案组合中选取的用药方案与目标患者的患者信息、目标患者使用用于目标疾病的各种待选药物的药物敏感性以及目标患者的目标疾病诊断数据生成用于药物推荐的特征向量，并将特征向量输入到预设的用药推荐模型，以输出当前用药方案的治疗效果预测数据和不良反应预测数据，进而根据各用药方案的治疗效果预测数据和不良反应预测数据更加准确地实现最优的用药方案的推荐，有效地提高了用药方案的推荐准确率，能够在保障用药安全的前提下提高治疗效率及成功率。
在本发明的一个实施例中，步骤S5中的根据所述用药方案组合中各个用药方案的治疗效果预测数据和不良反应预测数据选取与所述目标患者匹配的最优的用药方案，具体包括如下步骤：
S51、对每一用药方案对应的治疗效果预测数据和不良反应预测数据进行离散归一化处理，将归一化处理后的治疗效果预测数据作为引力，将归一化处理后的不良反应预测数据作为斥力，计算每一用药方案对应的引力值和斥力值的合力值；
S52、选取合力最大的用药方案作为与所述目标患者匹配的最优的用药方案。
本实施例中，计算每一用药方案对应的引力值和斥力值的合力值的计算模型如下所示：
合力值=引力值-预设的调节算子×斥力值。
其中，所述调节算子的计算方法包括：将斥力值设置为两种类型，其中，没有不良反应和轻度不良反应对应的斥力值设为0，中度不良反应和重度不良对应的斥力值设为1；将引力值设置为两种类型，其中，治疗没有效果对应的引力值设为0，治疗有效果对应的引力值设为1；根据所述引力值和斥力值的取值标准将预设的历史数据集D中的用药方案划分为可接受的治疗方案和不接受的治疗方案；计算引力值和斥力值对用药方案划分事件的信息增益；分别对所述引力值和斥力值对应的信息增益进行归一化处理，并将当引力值的信息增益取值为1时按照相同比例计算出的斥力值的信息增益作为所述调节算子。
本发明实施例中引入了调节算子，通过计算得出的以治疗为主，不良反应为辅的自适应调节算子，调节对引力、斥力因素考虑的重视程度。实现方式如下行：对历史数据集D进行划分，计算引力值和斥力值的信息增益，然后做归一化处理得到斥力值的调节算子。
具体如下：对历史数据集D进行划分，将斥力值分为两种类型，没有不良反应和轻度不良反应设为0，中度不良反应和重度不良设为1，对引力值分为两种类型，治疗没有效果设为0，治疗有效果设为1。用药方案划分结果为：可接受的用药方案，不接受的用药方案。引用信息熵的计算方法，计算历史数据集中可接受的用药方案比例p1和不接受的用药方案的比例p2。则信息熵定义为：
其中，k为用药方案划分结果的种类数，本实施例中K=2，本实施例中分别使用引力值和斥力值来对历史数据集D进行划分，则会产生2个子集，也即两种划分结果，设属性a={a1,a2}，a1表示引力值属性，a2表示斥力值属性。
用属性a对样本集D进行划分所获得的信息增益的计算方式如下：
其中，Dv表示第v个子集，其中包含了D中所有在属性a上取值为av的样本。av表示离散属性a有V个可能的取值{a1，a2……av}。
具体到本实施例中，V的取值为2，因为每个属性的可能取值包括2种类型，对于斥力值：没有不良反应和轻度不良反应设为0，中度不良反应和重度不良设为1，对于引力值：治疗没有效果设为0，治疗有效果设为1。
Ent(Dv)表示Dv的信息熵，在计算出Dv的信息熵之后，考虑到不同的子集所包含的
样本数不同，可通过给子集赋予权重，即样本数越多的子集的影响越大，于是可以计算
出用属性a对样本集D进行划分所获得的信息增益：
在本实施例中，假定样本集D上第j个属性aj(1≤j≤K)其中，K为数据集中每个数据具备的属性数量，本实施例中K取值为2，也即本实施例中的属性只有斥力值和引力值2个属性，可以计算出每个属性aj在训练数据集D下的信息增益Gain(D，aj)，(1≤j≤K)，于是得到K个信息增益值，对其做归一化处理，可以得到每个属性所占的权重：
通过上述方法可以计算得到引力值和斥力值的信息增益，再将引力值的信息增益设为1，等比例计算出斥力值的信息增益，即为斥力值的调节算子。
在本发明的一个实施例中，所述方法还包括预先训练药物敏感性预测模型的步骤，具体实现方式如下：基于预设的第一数据库资源提取用于训练药物敏感性预测模型的第一特征向量集，所述第一特征向量集中的特征向量包括患者信息、用于目标疾病的药物使用信息和药物敏感性信息；根据所述第一特征向量集训练药物敏感性的线性回归模型，得到药物敏感性预测模型。进一步地，所述根据所述第一特征向量集采用深度学习算法训练药物敏感性的线性回归模型之前，所述方法还包括：对所述第一特征向量集中每一特征向量的各个组成信息进行归一化处理；采用主成分分析法对归一化处理后的各个特征向量进行降维处理。
在实际应用中，可通过采集多家医院的数据作为第一数据库资源，对纳入第一数据库资源的用药患者的基础信息如性别、年龄，多种抗生素药品真实使用情况如用药频次、用药剂量、用药时长及药物敏感性等数据制作自定义特征向量，使用主成分分析法进行数据清洗，排除掉影响小的特征值。
主成分分析（Principal Component Analysis，PCA）以降维方式，在尽量损失较少信息的前提下，通过正交变换，将一组可能存在相关性的多个变量转换为一组线性不相关的少数变量，转换生成的综合指标称之为主成分特征向量。本发明实施例中，各种待选药物包括抗生素药物，首先对数据进行归一化处理，性别转换成离散数字：男是1，女是0；年龄、药物种类不同转换成离散数字，用药频次、用药剂量、用药时长依据分段划分成离散归一化的数字，药物敏感性分为：敏感、中介和耐药三个分类，经过PCA降维处理后，排除掉性别特征组合成精简后的特征向量。训练抗生素药物敏感性的线性回归模型，得到抗生素药物敏感性预测模型。
在本发明的一个实施例中，所述方法还包括预先训练用药推荐模型的步骤，具体实现方式如下：基于预设的第二数据库资源提取用于训练用药推荐模型的第二数据集，所述第二数据集包括第二特征向量集和结果向量集，所述第二特征向量集中的特征向量包括患者信息、患者使用用于所述目标疾病的待选药物的药物敏感性、患者的目标疾病诊断数据以及患者的用药方案，所述结果向量集中包括与所述第二特征向量集中每一特征向量对应的结果数据，所述结果数据包括治疗效果数据和不良反应数据；将所述第二特征向量集中各个特征向量作为深度学习神经网络模型的输入数据，并将所述结果向量集中与第二特征向量集中各个特征向量对应的结果数据作为深度学习神经网络模型输出数据，训练用药推荐模型。
本发明实施例中，通过深度解析并转换患者全景数据，结合检查、检验、药物过敏史、诊断等相关数据，引入范德华力即分子间的作用力理论，将治疗效果数据即初次检查时Hp的数值跟用药一段时间后复诊时检查的Hp数值的减少量作为引力，将治疗后的不良反应作为斥力，引力为正值，斥力为负值，引力和斥力的合力即为分子间的作用力。本发明通过计算所得的分子间的作用力，选取力值最大的用药方案即“药物组合分子”为药物推荐方案。据此可为患者提供有效、依从性好、副作用小的抗生素治疗方案。
具体操作如下：收集历史数据，将患者基础信息组合成特征向量作为第一模型输入参数，特征向量包含患者性别，年龄，Hp值，各类药物敏感性；将该名患者的治疗方案组合成特征向量作为第二模型输入参数，计算该名患者初次检查时Hp的数值跟用药一段时间后复诊时检查的Hp数值的减少量作为引力，计算治疗后的不良反应作为斥力，其中不良反应结果进行离散归一化处理，可选地，没有不良反应设为0，轻度不良反应设为0.1-0.3，中度不良反应设为0.4-0.7，重度不良反应设为0.8-1.0；将引力和斥力作为模型的输出结果，训练用药推荐的深度学习神经网络模型。其中，第一模型输入参数和第二模型输入参数即可以组合成第二特征向量，引力和斥力的取值可以组合为结果向量集。
进一步地，本发明提供的药物推荐实现方法，还能生成与所述最优的用药方案对应的用药交代信息，并将所述用药交代信息推送到与所述目标患者绑定的用户终端，以提醒用户所述用药方案中各种药物的服药方式及禁忌。
下面通过一个具体实施例对本发明进行详细说明。
输入患者的基础信息，组合成第一特征向量，调用预先训练的药物敏感性预测模型，得到各种抗生素药物的敏感性预测。在收集的历史治疗方案集合中过滤掉抗生素药物敏感性为中介和耐药的方案，将剩余的治疗方案依次调用预先训练的用药推荐模型，得到分子间的作用力的引力值和斥力值，引力和斥力的合力通过引力值-斥力值的调节算子×斥力值计算得出，计算所得的分子间的作用力，力值最大的用药方案即为与患者匹配的最优的药物方案。
本发明还能够将上述模型输出结果进行关联分析，形成Hp管理的全流程解决方案。同时，该系统会根据患者基础信息，自动生成用药交代，如：PPI、铋剂餐前半小时口服，抗菌药物餐后口服；甲硝唑、呋喃唑酮用药期间及停药后1周内禁用含乙醇的食物和药物；服用左氧氟沙星“躲着太阳走”等，推送给患者。用药期间，建议患者在网站或公众号进行服药、用餐打卡，系统根据患者打卡及用餐时间规律，适时提醒患者服药以及禁忌；在用药结束一个月后，自动发送信息提醒患者及时到医院复查呼气试验判断根除的效果。通过督促患者及时、适时服药以保证用药效益最大化，及时复查以确认患者Hp根除效果判断的有效性。
对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
实施例二
本发明另一实施例还提供了一种实现药物推荐的装置，所述装置包括用于实现如上任一项所述的实现药物推荐的方法的功能模块。图2示意性的示出了本发明实施例提供一种实现药物推荐的装置的结构示意图，参照图2，本发明实施例的一种实现药物推荐的装置具体包括第一特征生成模块201、第一预测模块202、第二特征生成模块203、第二预测模块204和选取模块205，其中：
第一特征生成模块201，用于根据目标患者的患者信息和用于目标疾病的药物使用信息生成用于药物敏感性预测的第一特征向量；
第一预测模块202，用于将所述第一特征向量输入到预设的药物敏感性预测模型，以预测出目标患者使用用于所述目标疾病的各种待选药物的药物敏感性；
第二特征生成模块203，用于依次从预设的用药方案组合中选取一种用药方案，并将选取的用药方案与所述目标患者的患者信息、目标患者使用用于所述目标疾病的各种待选药物的药物敏感性以及目标患者的目标疾病诊断数据生成用于药物推荐的第二特征向量；
第二预测模块204，用于将所述第二特征向量输入到预设的用药推荐模型，以输出当前用药方案的治疗效果预测数据和不良反应预测数据；
选取模块205，用于根据所述用药方案组合中各个用药方案的治疗效果预测数据和不良反应预测数据选取与所述目标患者匹配的最优的用药方案。
本申请实施例提供的一种实现药物推荐的装置，在进行药物推荐时考虑到患者使用用于目标疾病的各种待选药物的药物敏感性，将从预设的用药方案组合中选取的用药方案与目标患者的患者信息、目标患者使用用于目标疾病的各种待选药物的药物敏感性以及目标患者的目标疾病诊断数据生成用于药物推荐的特征向量，并将特征向量输入到预设的用药推荐模型，以输出当前用药方案的治疗效果预测数据和不良反应预测数据，进而根据各用药方案的治疗效果预测数据和不良反应预测数据更加准确地实现最优的用药方案的推荐，有效地提高了用药方案的推荐准确率，能够在保障用药安全的前提下提高治疗效率及成功率。
实施例三
本发明实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在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上述各个实现药物推荐的方法实施例中的步骤，例如图1所示的步骤S1-S5。或者，所述处理器执行所述计算机程序时实现上述各实现药物推荐的装置实施例中各模块的功能，例如图2所示的第一特征生成模块201、第一预测模块202、第二特征生成模块203、第二预测模块204和选取模块205。
本发明实施例提供的实现药物推荐的方法、装置和计算机设备，在进行药物推荐时考虑到患者使用用于目标疾病的各种待选药物的药物敏感性，将从预设的用药方案组合中选取的用药方案与目标患者的患者信息、目标患者使用用于目标疾病的各种待选药物的药物敏感性以及目标患者的目标疾病诊断数据生成用于药物推荐的特征向量，并将特征向量输入到预设的用药推荐模型，以输出当前用药方案的治疗效果预测数据和不良反应预测数据，进而根据各用药方案的治疗效果预测数据和不良反应预测数据更加准确地实现最优的用药方案的推荐，有效地提高了用药方案的推荐准确率，能够在保障用药安全的前提下提高治疗效率及成功率。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，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。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。
Claims (6)
1.一种实现药物推荐的方法，其特征在于，所述方法包括：
根据目标患者的患者信息和用于目标疾病的药物使用信息生成用于药物敏感性预测的第一特征向量；
将所述第一特征向量输入到预设的药物敏感性预测模型，以预测出目标患者使用用于所述目标疾病的各种待选药物的药物敏感性；
依次从预设的用药方案组合中选取一种用药方案，并将选取的用药方案与所述目标患者的患者信息、目标患者使用用于所述目标疾病的各种待选药物的药物敏感性以及目标患者的目标疾病诊断数据生成用于药物推荐的第二特征向量；
将所述第二特征向量输入到预设的用药推荐模型，以输出当前用药方案的治疗效果预测数据和不良反应预测数据；
根据所述用药方案组合中各个用药方案的治疗效果预测数据和不良反应预测数据选取与所述目标患者匹配的最优的用药方案，包括：对每一用药方案对应的治疗效果预测数据和不良反应预测数据进行离散归一化处理，将归一化处理后的治疗效果预测数据作为引力，将归一化处理后的不良反应预测数据作为斥力，计算每一用药方案对应的引力值和斥力值的合力值；选取合力最大的用药方案作为与所述目标患者匹配的最优的用药方案；
所述计算每一用药方案对应的引力值和斥力值的合力值的计算模型如下所示：合力值=引力值-预设的调节算子×斥力值，其中，调节算子用于调节引力值和斥力值在计算合力值时的重视程度，以保证合力值的计算是以治疗效果为主，不良反应为辅；
所述方法还包括：基于预设的第一数据库资源提取用于训练药物敏感性预测模型的第一特征向量集，所述第一特征向量集中的特征向量包括患者信息、用于目标疾病的药物使用信息和药物敏感性信息；根据所述第一特征向量集训练药物敏感性的线性回归模型，得到药物敏感性预测模型；
所述方法还包括：基于预设的第二数据库资源提取用于训练用药推荐模型的第二数据集，所述第二数据集包括第二特征向量集和结果向量集，所述第二特征向量集中的特征向量包括患者信息、患者使用用于所述目标疾病的待选药物的药物敏感性、患者的目标疾病诊断数据以及患者的用药方案，所述结果向量集中包括与所述第二特征向量集中每一特征向量对应的结果数据，所述结果数据包括治疗效果数据和不良反应数据；将所述第二特征向量集中各个特征向量作为深度学习神经网络模型的输入数据，并将所述结果向量集中与第二特征向量集中各个特征向量对应的结果数据作为深度学习神经网络模型输出数据，训练用药推荐模型。
2.根据权利要求1所述的方法，其特征在于，所述调节算子的计算方法包括：
将斥力值设置为两种类型，其中，没有不良反应和轻度不良反应对应的斥力值设为0，中度不良反应和重度不良对应的斥力值设为1；
将引力值设置为两种类型，其中，治疗没有效果对应的引力值设为0，治疗有效果对应的引力值设为1；
根据所述引力值和斥力值的取值标准将预设的历史数据集D中的用药方案划分为可接受的治疗方案和不接受的治疗方案；
计算引力值和斥力值对用药方案划分事件的信息增益；
分别对所述引力值和斥力值对应的信息增益进行归一化处理，并将当引力值的信息增益取值为1时按照相同比例计算出的斥力值的信息增益作为所述调节算子。
3.根据权利要求2所述的方法，其特征在于，所述根据所述第一特征向量集采用深度学习算法训练药物敏感性的线性回归模型之前，所述方法还包括：
对所述第一特征向量集中每一特征向量的各个组成信息进行归一化处理；
采用主成分分析法对归一化处理后的各个特征向量进行降维处理。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述方法还包括：
生成与所述最优的用药方案对应的用药交代信息，并将所述用药交代信息推送到与所述目标患者绑定的用户终端，以提醒用户所述用药方案中各种药物的服药方式及禁忌。
5.一种实现药物推荐的装置，其特征在于，所述装置包括用于实现如权利要求1-4任一项所述方法的功能模块。
6.一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序；
所述计算机程序被所述处理器执行时实现如权利要求1-4任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310889739.1A CN116612852B (zh) | 2023-07-20 | 2023-07-20 | 一种实现药物推荐的方法、装置和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310889739.1A CN116612852B (zh) | 2023-07-20 | 2023-07-20 | 一种实现药物推荐的方法、装置和计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116612852A CN116612852A (zh) | 2023-08-18 |
| CN116612852B true CN116612852B (zh) | 2023-10-31 |
Family
ID=87682228
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310889739.1A Active CN116612852B (zh) | 2023-07-20 | 2023-07-20 | 一种实现药物推荐的方法、装置和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116612852B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118197535A (zh) * | 2024-05-17 | 2024-06-14 | 首都医科大学附属北京友谊医院 | 一种抗生素联合用药推荐模型及其应用 |
| CN118315015B (zh) * | 2024-06-11 | 2024-09-24 | 中日友好医院(中日友好临床医学研究所) | 一种适用于呼吸疾病患者的用药指导与监测系统及方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6000828A (en) * | 1997-08-22 | 1999-12-14 | Power Med Incorporated | Method of improving drug treatment |
| WO2016180127A1 (zh) * | 2015-09-16 | 2016-11-17 | 中兴通讯股份有限公司 | 一种网络性能的评估方法及系统 |
| CN111863181A (zh) * | 2020-07-15 | 2020-10-30 | 至本医疗科技（上海）有限公司 | 药品推荐方法、装置、计算机设备和存储介质 |
| CN112447270A (zh) * | 2020-11-30 | 2021-03-05 | 泰康保险集团股份有限公司 | 一种用药推荐方法、装置、设备及存储介质 |
| WO2021073277A1 (zh) * | 2019-10-16 | 2021-04-22 | 平安科技（深圳）有限公司 | 一种个性化精准用药推荐方法及装置 |
| CN112760391A (zh) * | 2020-09-21 | 2021-05-07 | 南开大学 | 口腔中幽门螺杆菌耐药性分型检测的方法和试剂盒 |
| CN113657970A (zh) * | 2021-08-30 | 2021-11-16 | 平安医疗健康管理股份有限公司 | 基于人工智能的药品推荐方法、装置、设备及存储介质 |
| WO2022041729A1 (zh) * | 2020-08-31 | 2022-03-03 | 康键信息技术（深圳）有限公司 | 用药推荐方法、装置、设备及存储介质 |
| WO2022252402A1 (zh) * | 2021-05-31 | 2022-12-08 | 之江实验室 | 一种融合患者画像信息的药物新适应症发现方法及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021211881A1 (en) * | 2020-04-17 | 2021-10-21 | Cipherome, Inc. | Prediction of adverse drug reaction based on machine-learned models using protein function scores and clinical factors |
| EP4139936A1 (en) * | 2020-04-22 | 2023-03-01 | Institut National de la Santé et de la Recherche Médicale (INSERM) | Methods for diagnosing and/or predicting the risk of having an acute rejection (ar) in a kidney transplant recipient |
| CN111753543B (zh) * | 2020-06-24 | 2024-03-12 | 北京百度网讯科技有限公司 | 药物推荐方法、装置、电子设备及存储介质 |
-
2023
- 2023-07-20 CN CN202310889739.1A patent/CN116612852B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6000828A (en) * | 1997-08-22 | 1999-12-14 | Power Med Incorporated | Method of improving drug treatment |
| WO2016180127A1 (zh) * | 2015-09-16 | 2016-11-17 | 中兴通讯股份有限公司 | 一种网络性能的评估方法及系统 |
| WO2021073277A1 (zh) * | 2019-10-16 | 2021-04-22 | 平安科技（深圳）有限公司 | 一种个性化精准用药推荐方法及装置 |
| CN111863181A (zh) * | 2020-07-15 | 2020-10-30 | 至本医疗科技（上海）有限公司 | 药品推荐方法、装置、计算机设备和存储介质 |
| WO2022041729A1 (zh) * | 2020-08-31 | 2022-03-03 | 康键信息技术（深圳）有限公司 | 用药推荐方法、装置、设备及存储介质 |
| CN112760391A (zh) * | 2020-09-21 | 2021-05-07 | 南开大学 | 口腔中幽门螺杆菌耐药性分型检测的方法和试剂盒 |
| CN112447270A (zh) * | 2020-11-30 | 2021-03-05 | 泰康保险集团股份有限公司 | 一种用药推荐方法、装置、设备及存储介质 |
| WO2022252402A1 (zh) * | 2021-05-31 | 2022-12-08 | 之江实验室 | 一种融合患者画像信息的药物新适应症发现方法及系统 |
| CN113657970A (zh) * | 2021-08-30 | 2021-11-16 | 平安医疗健康管理股份有限公司 | 基于人工智能的药品推荐方法、装置、设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 《843例患者幽门螺杆菌感染及耐药情况分析》;沈雄荣，秦基取，张军，杨水新;药物流行病学杂志(第12期);733-735 * |
| 《The dilemma of antibiotic susceptibility and clinical decision-making in a multi-drug-resistant Pseudomonas aeruginosa bloodstream infection》;Long Chen等;frontiers;第14卷;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116612852A (zh) | 2023-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116612852B (zh) | 一种实现药物推荐的方法、装置和计算机设备 | |
| EP3649933A1 (en) | Pain determination using trend analysis, medical device incorporating machine learning, economic discriminant model, and iot, tailormade machine learning, and novel brainwave feature quantity for pain determination | |
| CN118609834A (zh) | 用于评估发育状况并提供覆盖度和可靠性控制的方法和装置 | |
| CN109036545A (zh) | 医疗信息处理方法、装置、计算机设备和存储介质 | |
| CN106845147A (zh) | 医学经验总结模型的建立方法、装置及数据评估方法 | |
| CN111933291A (zh) | 医疗信息推荐装置、方法、系统、设备及可读存储介质 | |
| US12020818B1 (en) | Cross care matrix based care giving intelligence | |
| CN113658662B (zh) | 基于用药大数据的配药方法、装置、设备及存储介质 | |
| CN116910172B (zh) | 基于人工智能的随访量表生成方法及系统 | |
| KR20200022106A (ko) | 한방 진단 처방 서비스 시스템 및 방법 | |
| KR20200022113A (ko) | 한방 진단 처방 및 건강 코디네이터 서비스 시스템 및 방법 | |
| Tootooni et al. | CCMapper: An adaptive NLP-based free-text chief complaint mapping algorithm | |
| CN110473636B (zh) | 基于深度学习的智能医嘱推荐方法及系统 | |
| CN106803022A (zh) | 一种基于电子病历的合理用药监测方法 | |
| CN112259243A (zh) | 一种基于双向GRUs的单病种临床路径构建方法及系统 | |
| WO2022229964A1 (en) | Method of generating a diseases database, usage of the diseases database, and system therefor | |
| Horn et al. | Practice-based evidence for clinical practice improvement: an alternative study design for evidence-based medicine | |
| CN113689928A (zh) | 保养及预防患病方案的推荐方法、装置、设备及存储介质 | |
| KR20200022110A (ko) | 한의학 임상데이터 수집 및 딥러닝 기반 데이터 분석 시스템 | |
| Wang et al. | Predicting clinical visits using recurrent neural networks and demographic information | |
| CN115253009B (zh) | 一种睡眠多维度干预方法及系统 | |
| CN115579153A (zh) | 问诊评价方法、问诊评价装置、电子设备和可读存储介质 | |
| Amadi et al. | Case-Based Reasoning System for the Diagnosis and Treatment of Breast, Cervical and Prostate Cancer | |
| CN112354042A (zh) | 一种镇痛泵流量控制方法和装置 | |
| Sapna et al. | Integration of Fuzzy Clustering Technique with Big Data for Disease Diagnosis |
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 |