CN116662375B - 一种基于his的处方数据校验方法及系统 - Google Patents
一种基于his的处方数据校验方法及系统 Download PDFInfo
- Publication number
- CN116662375B CN116662375B CN202310963308.5A CN202310963308A CN116662375B CN 116662375 B CN116662375 B CN 116662375B CN 202310963308 A CN202310963308 A CN 202310963308A CN 116662375 B CN116662375 B CN 116662375B
- Authority
- CN
- China
- Prior art keywords
- medical
- prescription
- data
- information
- medicine
- 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
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000013524 data verification Methods 0.000 title claims abstract description 44
- 239000003814 drug Substances 0.000 claims abstract description 317
- 238000012545 processing Methods 0.000 claims abstract description 200
- 238000012795 verification Methods 0.000 claims abstract description 158
- 238000005516 engineering process Methods 0.000 claims abstract description 136
- 229940079593 drug Drugs 0.000 claims abstract description 135
- 230000009467 reduction Effects 0.000 claims abstract description 128
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 89
- 238000012544 monitoring process Methods 0.000 claims abstract description 69
- 238000001514 detection method Methods 0.000 claims abstract description 47
- 230000005856 abnormality Effects 0.000 claims abstract description 42
- 230000005540 biological transmission Effects 0.000 claims abstract description 22
- 238000004088 simulation Methods 0.000 claims description 126
- 238000004458 analytical method Methods 0.000 claims description 109
- 230000006870 function Effects 0.000 claims description 92
- 229940126532 prescription medicine Drugs 0.000 claims description 57
- 238000012549 training Methods 0.000 claims description 51
- 230000002159 abnormal effect Effects 0.000 claims description 42
- 230000008569 process Effects 0.000 claims description 41
- 239000013598 vector Substances 0.000 claims description 32
- 238000012937 correction Methods 0.000 claims description 29
- 230000000007 visual effect Effects 0.000 claims description 29
- 238000009499 grossing Methods 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 28
- 239000000955 prescription drug Substances 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 15
- 238000013473 artificial intelligence Methods 0.000 claims description 14
- 238000004140 cleaning Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 12
- 238000003058 natural language processing Methods 0.000 claims description 11
- 238000007418 data mining Methods 0.000 claims description 10
- 125000004122 cyclic group Chemical group 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 6
- 230000000144 pharmacologic effect Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 230000001360 synchronised effect Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000013075 data extraction Methods 0.000 claims description 2
- 238000012800 visualization Methods 0.000 abstract description 7
- 238000012797 qualification Methods 0.000 abstract 1
- 238000005065 mining Methods 0.000 description 8
- 230000003993 interaction Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000036541 health Effects 0.000 description 6
- 206010020751 Hypersensitivity Diseases 0.000 description 5
- 208000026935 allergic disease Diseases 0.000 description 5
- 230000007815 allergy Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000013480 data collection Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000002547 new drug Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000001647 drug administration Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 206010013710 Drug interaction Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/242—Query formulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
- G06F16/2379—Updates performed during online database operations; commit processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- 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)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Computational Linguistics (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Mathematical Physics (AREA)
- Pharmacology & Pharmacy (AREA)
- Toxicology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及数据校验技术领域,尤其涉及一种基于HIS的处方数据校验方法及系统。所述方法包括以下步骤:利用无线传输技术和网络爬虫技术对HIS数据库进行网络配置日志抓取处理,并利用处方降噪算法进行降噪处理,得到医疗处方待校验降噪数据;基于预设的医疗信息药品库利用数据校验算法进行校验处理,并将校验处理结果的数据更新至医疗信息药品库中,得到医疗信息药品更新库;基于患者信息数据利用个性化匹配技术和自适应监测技术对医疗信息药品更新库进行模拟下单监测处理,并利用异常检测算法和可视化技术进行异常检测可视化处理以生成相应的医疗处方校验报告。本发明能够有效地检测和纠正处方数据,从而确保处方数据的准确性和合格性。
Description
技术领域
本发明涉及数据校验技术领域,尤其涉及一种基于HIS的处方数据校验方法及系统。
背景技术
医疗信息系统(HIS)用于管理和记录医院的各种数据,包括患者信息、医疗记录和处方数据等。另外,在医疗领域,准确和可靠的处方数据对患者的治疗和药物安全至关重要。然而,由于复杂的处方信息和潜在的人为错误,传统的处方数据校验方法容易导致处方数据的错误和不一致,影响患者的治疗效果和用药安全。
发明内容
基于此,本发明有必要提供一种基于HIS的处方数据校验方法,以解决至少一个上述技术问题。
为实现上述目的,一种基于HIS的处方数据校验方法,包括以下步骤:
步骤S1:利用无线传输技术对得到连接初始化配置信息;基于连接初始化配置信息利用网络爬虫技术对HIS数据库进行处方日志抓取处理,得到医疗处方待校验信息日志;
步骤S2:对医疗处方待校验信息日志进行数据采集处理,得到医疗处方待校验信息数据;利用处方降噪算法对医疗处方待校验信息数据进行降噪处理,得到医疗处方待校验降噪数据;
步骤S3:基于预设的医疗信息药品库利用数据校验算法对医疗处方待校验降噪数据进行校验处理,得到医疗处方药品校验结果;根据医疗处方药品校验结果进行判断分析处理,以得到待新增药品信息数据;并将待新增药品信息数据更新至预设的医疗信息药品库中,得到医疗信息药品更新库;
步骤S4:通过HIS数据库获取患者信息,得到患者信息数据;基于患者信息数据利用个性化匹配技术对医疗信息药品更新库进行模拟下单处理,得到医疗模拟处方数据;并利用自适应监测技术对医疗模拟处方数据进行自动化监测处理,得到医疗模拟处方监测结果;
步骤S5:利用异常检测算法对医疗模拟处方监测结果进行异常检测处理,得到医疗处方药品精确校验结果;并利用可视化技术将医疗处方药品精确校验结果以可视化的形式展示到云端服务器;根据医疗处方药品精确校验结果生成相应的医疗处方校验报告。
本发明通过使用无线传输技术对预设的HIS数据库和备份调剂中心库进行连接处理,能够建立起HIS数据库与备份调剂中心库的连接,并获取所需的连接初始化配置信息,这样可以确保数据的传输与交互能够顺利进行。同时,通过使用网络爬虫技术对HIS数据库进行处方日志抓取,能够获取待检验的医疗处方信息日志,以确保数据源和连接的稳定性,从而为后续的数据处理过程提供准确的原始数据来源。另外,通过对医疗处方待校验信息日志的数据采集处理,能够精确提取到需要校验的医疗处方信息数据。通过数据采集可以包括从不同数据源获取数据、抽取数据、清洗数据等操作,这样的数据采集过程能够确保有一个可用的数据集作为后续处理的基础,为进行后续的降噪处理提供数据支持。通过使用合适的处方降噪算法对医疗处方待校验信息数据进行降噪处理,能够降低或消除医疗处方待校验信息数据中的噪声和冗余信息,以得到清晰准确的医疗处方待校验降噪数据,通过降噪处理能够去除无关信息的干扰,从而为后续的校验和分析提供高质量的数据基础。然后,基于预设的医疗信息药品库,通过使用合适的数据校验算法对医疗处方待校验降噪数据进行校验处理,这样可以确保医疗处方中所含药品的准确性和合法性。根据校验结果进行判断分析处理,以判别潜在的错误、缺漏或异常情况,并得到待新增药品信息数据。通过将这些新增的药品信息数据更新至预设的医疗信息药品库中,实现医疗信息药品库的及时更新,提高医疗处方的准确性和合规性,保证医疗信息药品库的及时与准确。接下来,通过对HIS数据库进行分析处理以获取详细的患者信息数据,并通过患者信息数据和个性化匹配技术对医疗信息药品更新库进行模拟下单处理,其中个性化匹配技术可以根据患者的病情、健康状况、过敏史等个体特征,匹配合适的药品信息,以提供个性化的药品推荐和定制化的医疗服务,从而提高药品治疗的效果和安全性,同时增强患者的满意度和医疗体验。通过使用自适应监测技术对医疗模拟处方数据进行自动化监测处理,可以实现对医疗模拟处方数据的实时或定期监控,以便及时发现医疗模拟处方数据的异常情况、错误或潜在的问题。根据患者个体需求生成符合实际情况的医疗模拟处方,并通过自动化监测确保医疗模拟处方的合理性和安全性。最后,通过使用合适的异常检测算法对医疗模拟处方监测结果进行异常检测处理,以识别可能存在的异常情况或错误,从而得到精确的医疗处方药品校验结果。通过使用可视化技术将医疗处方精确校验结果以图表、图形或其他形式呈现在云端服务器上,可以使医疗处方精确校验结果更加直观和易于理解。通过可视化展示可以帮助医疗人员快速了解医疗处方的校验结果,发现异常情况或趋势,并进行进一步的分析和决策。这样的展示方式还可以通过远程访问和实时更新,确保医疗人员随时查看最新的校验结果,从而提高工作效率和准确性,以便于医疗人员快速了解医疗处方的准确性和安全性。并且根据医疗处方药品的精确校验结果生成相应的医疗处方校验报告,以提供决策的依据,能够加强医疗质量的监督和管理,从而确保患者的治疗效果和用药安全。
优选地,本发明还提供了一种基于HIS的处方数据校验系统,包括:
连接配置处方日志抓取模块,用于利用无线传输技术对预设的HIS数据库和备份调剂中心库进行连接处理,得到连接初始化配置信息;基于连接初始化配置信息利用网络爬虫技术对HIS数据库进行处方日志抓取处理,从而得到医疗处方待校验信息日志;
医疗处方信息数据处理模块,用于对医疗处方待校验信息日志进行数据采集处理,得到医疗处方待校验信息数据;利用处方降噪算法对医疗处方待校验信息数据进行降噪处理,从而得到医疗处方待校验降噪数据;
医疗处方校验判断更新模块,用于基于预设的医疗信息药品库利用数据校验算法对医疗处方待校验降噪数据进行校验处理,得到医疗处方药品校验结果;根据医疗处方药品校验结果进行判断分析处理,以得到待新增药品信息数据,并将待新增药品信息数据更新至预设的医疗信息药品库中,从而得到医疗信息药品更新库;
处方模拟备份监测处理模块,用于通过HIS数据库获取患者信息,得到患者信息数据;基于患者信息数据利用个性化匹配技术对医疗信息药品更新库进行模拟下单处理,得到医疗模拟处方数据;并利用自适应监测技术对医疗模拟处方数据进行自动化监测处理,从而得到医疗模拟处方监测结果;
异常检测可视化处理模块,用于利用异常检测算法对医疗模拟处方监测结果进行异常检测处理,得到医疗处方药品精确校验结果;并利用可视化技术将医疗处方药品精确校验结果以可视化的形式展示到云端服务器;根据医疗处方药品精确校验结果生成相应的医疗处方校验报告。
综上所述,本发明提供了一种基于HIS的处方数据校验系统,该系统由连接配置处方日志抓取模块、医疗处方信息数据处理模块、医疗处方校验判断更新模块、处方模拟备份监测处理模块以及异常检测可视化处理模块组成,能够实现本发明所述任意一种基于HIS的处方数据校验方法,用于联合各个模块上运行的计算机程序之间的操作实现一种基于HIS的处方数据校验方法,系统内部结构互相协作,该处方数据校验系统通过多种算法和技术对处方数据进行准确性和合规性的校验,能够自动检测和纠正处方数据错误,并确保处方数据的数据质量,可以大大减少重复工作和人力投入,能够快速有效地提供更精确、更高效的校验结果,从而简化了处方数据校验系统的操作流程。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明基于HIS的处方数据校验方法的步骤流程示意图;
图2为图1中步骤S1的详细步骤流程示意图;
图3为图2中步骤S13的详细步骤流程示意图。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图3,本发明提供了一种基于HIS的处方数据校验方法,所述方法包括以下步骤:
步骤S1:利用无线传输技术对预设的HIS数据库和备份调剂中心库进行连接处理,得到连接初始化配置信息;基于连接初始化配置信息利用网络爬虫技术对HIS数据库进行处方日志抓取处理,得到医疗处方待校验信息日志;
步骤S2:对医疗处方待校验信息日志进行数据采集处理,得到医疗处方待校验信息数据;利用处方降噪算法对医疗处方待校验信息数据进行降噪处理,得到医疗处方待校验降噪数据;
步骤S3:基于预设的医疗信息药品库利用数据校验算法对医疗处方待校验降噪数据进行校验处理,得到医疗处方药品校验结果;根据医疗处方药品校验结果进行判断分析处理,以得到待新增药品信息数据;并将待新增药品信息数据更新至预设的医疗信息药品库中,得到医疗信息药品更新库;
步骤S4:通过HIS数据库获取患者信息,得到患者信息数据;基于患者信息数据利用个性化匹配技术对医疗信息药品更新库进行模拟下单处理,得到医疗模拟处方数据;并利用自适应监测技术对医疗模拟处方数据进行自动化监测处理,得到医疗模拟处方监测结果;
步骤S5:利用异常检测算法对医疗模拟处方监测结果进行异常检测处理,得到医疗处方药品精确校验结果;并利用可视化技术将医疗处方药品精确校验结果以可视化的形式展示到云端服务器;根据医疗处方药品精确校验结果生成相应的医疗处方校验报告。
本发明实施例中,请参考图1所示,为本发明基于HIS的处方数据校验方法的步骤流程示意图,在本实例中,所述基于HIS的处方数据校验方法的步骤包括:
步骤S1:利用无线传输技术对预设的HIS数据库和备份调剂中心库进行连接处理,得到连接初始化配置信息;基于连接初始化配置信息利用网络爬虫技术对HIS数据库进行处方日志抓取处理,得到医疗处方待校验信息日志;
本发明实施例通过使用无线传输技术对预设的HIS数据库和备份调剂中心库进行连接处理,首先确定预设的HIS数据库和备份调剂中心库的网络参数如IP地址、端口号等,然后通过Wi-Fi或蓝牙的无线传输技术将连接设备与预设的HIS数据库和备份调剂中心库进行连接,并在连接设备上进行配置,确保连接成功和通信正常,以得到连接初始化配置信息。然后,根据连接初始化配置信息使用相应的网络爬虫技术访问HIS数据库的接口,遍历HIS数据库中的处方日志记录,提取所需字段,如处方号、药品名称、用药剂量、患者的基本信息、药品配方、医嘱等信息并保存到日志文件中,最终得到医疗处方待校验信息日志。
步骤S2:对医疗处方待校验信息日志进行数据采集处理,得到医疗处方待校验信息数据;利用处方降噪算法对医疗处方待校验信息数据进行降噪处理,得到医疗处方待校验降噪数据;
本发明实施例通过数据采集工具以自动抓取和提取医疗处方待校验信息的数据,并对提取得到的数据进行去除重复数据、异常数据和缺失值填充等处理过程,以得到医疗处方待校验信息数据。然后,通过构建一个合适的处方降噪算法对医疗处方待校验信息数据进行高斯分布降噪处理,以消除医疗处方待校验信息数据中噪声源的影响,最终得到医疗处方待校验降噪数据。
步骤S3:基于预设的医疗信息药品库利用数据校验算法对医疗处方待校验降噪数据进行校验处理,得到医疗处方药品校验结果;根据医疗处方药品校验结果进行判断分析处理,以得到待新增药品信息数据;并将待新增药品信息数据更新至预设的医疗信息药品库中,得到医疗信息药品更新库;
本发明实施例获取预设的医疗信息药品库,其中医疗信息药品库包含药品名称、剂量、用法等信息,然后通过构建一个合适的数据校验算法对医疗处方待校验降噪数据与医疗信息药品库中的数据进行对比,以得到医疗处方药品校验结果。然后,根据医疗处方药品校验结果进行判断分析,若分析结果为不符合要求时,则通过相应的策略识别出需要新增的药品信息,并提取待新增药品信息的相关数据将其添加或更新到预设的医疗信息药品库中,最终得到医疗信息药品更新库。
步骤S4:通过HIS数据库获取患者信息,得到患者信息数据;基于患者信息数据利用个性化匹配技术对医疗信息药品更新库进行模拟下单处理,得到医疗模拟处方数据;并利用自适应监测技术对医疗模拟处方数据进行自动化监测处理,得到医疗模拟处方监测结果;
本发明实施例通过选择适当的数据挖掘技术,如关联规则挖掘、分类算法、聚类分析等技术对HIS数据库进行患者信息挖掘处理,以得到患者信息数据。然后,通过使用个性化匹配技术将患者的病情、健康状况、过敏史等患者信息数据与医疗信息药品更新库中的药品信息进行模拟下单处理,以提供个性化的药品推荐和定制化的医疗服务,并推荐最合适患者的药品治疗处方,得到医疗模拟处方数据。最后,通过使用自适应监测技术设计合适的监测规则对医疗模拟处方数据进行监测合规性、准确性和完整性等方面的处理,以及时发现医疗模拟处方数据的异常情况、错误或潜在的问题,最终得到医疗模拟处方监测结果。
步骤S5:利用异常检测算法对医疗模拟处方监测结果进行异常检测处理,得到医疗处方药品精确校验结果;并利用可视化技术将医疗处方药品精确校验结果以可视化的形式展示到云端服务器;根据医疗处方药品精确校验结果生成相应的医疗处方校验报告。
本发明实施例通过构建一个合适的异常检测算法对医疗模拟处方监测结果进行异常检测处理,以捕捉医疗模拟处方监测结果的维度特征之间的差异度、时间变量的调和平滑参数以及特征之间的相关性等关键信息并对异常结果进行实时修正处理,其中修正处理可能包括根据异常值调整药品数量、更换药品、与医疗专业人员交互等操作,以提高医疗处方的准确性和合规性,得到医疗处方药品精确校验结果。然后,通过使用可视化技术将处理得到的医疗处方药品精确校验结果以图表、图形、列表等可视化的形式展示到云端服务器上。最后,根据医疗处方药品精确校验结果生成相应的医疗处方校验报告,其中医疗处方校验报告包括医疗处方的校验历史、异常情况的记录、修正处理的结果等信息。
本发明通过使用无线传输技术对预设的HIS数据库和备份调剂中心库进行连接处理,能够建立起HIS数据库与备份调剂中心库的连接,并获取所需的连接初始化配置信息,这样可以确保数据的传输与交互能够顺利进行。同时,通过使用网络爬虫技术对HIS数据库进行处方日志抓取,能够获取待检验的医疗处方信息日志,以确保数据源和连接的稳定性,从而为后续的数据处理过程提供准确的原始数据来源。另外,通过对医疗处方待校验信息日志的数据采集处理,能够精确提取到需要校验的医疗处方信息数据。通过数据采集可以包括从不同数据源获取数据、抽取数据、清洗数据等操作,这样的数据采集过程能够确保有一个可用的数据集作为后续处理的基础,为进行后续的降噪处理提供数据支持。通过使用合适的处方降噪算法对医疗处方待校验信息数据进行降噪处理,能够降低或消除医疗处方待校验信息数据中的噪声和冗余信息,以得到清晰准确的医疗处方待校验降噪数据,通过降噪处理能够去除无关信息的干扰,从而为后续的校验和分析提供高质量的数据基础。然后,基于预设的医疗信息药品库,通过使用合适的数据校验算法对医疗处方待校验降噪数据进行校验处理,这样可以确保医疗处方中所含药品的准确性和合法性。根据校验结果进行判断分析处理,以判别潜在的错误、缺漏或异常情况,并得到待新增药品信息数据。通过将这些新增的药品信息数据更新至预设的医疗信息药品库中,实现医疗信息药品库的及时更新,提高医疗处方的准确性和合规性,保证医疗信息药品库的及时与准确。接下来,通过对HIS数据库进行分析处理以获取详细的患者信息数据,并通过患者信息数据和个性化匹配技术对医疗信息药品更新库进行模拟下单处理,其中个性化匹配技术可以根据患者的病情、健康状况、过敏史等个体特征,匹配合适的药品信息,以提供个性化的药品推荐和定制化的医疗服务,从而提高药品治疗的效果和安全性,同时增强患者的满意度和医疗体验。通过使用自适应监测技术对医疗模拟处方数据进行自动化监测处理,可以实现对医疗模拟处方数据的实时或定期监控,以便及时发现医疗模拟处方数据的异常情况、错误或潜在的问题。根据患者个体需求生成符合实际情况的医疗模拟处方,并通过自动化监测确保医疗模拟处方的合理性和安全性。最后,通过使用合适的异常检测算法对医疗模拟处方监测结果进行异常检测处理,以识别可能存在的异常情况或错误,从而得到精确的医疗处方药品校验结果。通过使用可视化技术将医疗处方精确校验结果以图表、图形或其他形式呈现在云端服务器上,可以使医疗处方精确校验结果更加直观和易于理解。通过可视化展示可以帮助医疗人员快速了解医疗处方的校验结果,发现异常情况或趋势,并进行进一步的分析和决策。这样的展示方式还可以通过远程访问和实时更新,确保医疗人员随时查看最新的校验结果,从而提高工作效率和准确性,以便于医疗人员快速了解医疗处方的准确性和安全性。并且根据医疗处方药品的精确校验结果生成相应的医疗处方校验报告,以提供决策的依据,能够加强医疗质量的监督和管理,从而确保患者的治疗效果和用药安全。
优选地,步骤S1包括以下步骤:
步骤S11:利用无线传输技术对预设的HIS数据库和备份调剂中心库进行连接处理,得到连接初始化配置信息;
步骤S12:基于连接初始化配置信息利用网络爬虫技术对HIS数据库进行处方日志抓取处理,得到医疗处方信息日志;
步骤S13:利用人工智能技术对医疗处方信息日志进行合理性分析处理,得到医疗处方信息合理性日志;
步骤S14:对医疗处方信息合理性日志进行检索处理,得到医疗处方待校验信息日志。
作为本发明的一个实施例,参考图2所示,为图1中步骤S1的详细步骤流程示意图,在本实施例中步骤S1包括以下步骤:
步骤S11:利用无线传输技术对预设的HIS数据库和备份调剂中心库进行连接处理,得到连接初始化配置信息;
本发明实施例通过使用无线传输技术对预设的HIS数据库和备份调剂中心库进行连接处理,首先确定预设的HIS数据库和备份调剂中心库的网络参数如IP地址、端口号等,然后通过Wi-Fi或蓝牙的无线传输技术将连接设备与预设的HIS数据库和备份调剂中心库进行连接,并在连接设备上进行配置,输入预设的HIS数据库和备份调剂中心库的网络参数,确保连接成功和通信正常,以建立数据传输通道,最终得到连接初始化配置信息。
步骤S12:基于连接初始化配置信息利用网络爬虫技术对HIS数据库进行处方日志抓取处理,得到医疗处方信息日志;
本发明实施例根据连接初始化配置信息使用相应的网络爬虫软件编写网络爬虫程序访问HIS数据库的接口,遍历HIS数据库中的处方日志记录,提取所需字段,如处方号、药品名称、用药剂量、患者的基本信息、药品配方、医嘱等信息并保存到日志文件中,最终得到医疗处方信息日志。
步骤S13:利用人工智能技术对医疗处方信息日志进行合理性分析处理,得到医疗处方信息合理性日志;
本发明实施例通过使用合适的人工智能技术根据合理性标准和规则对医疗处方信息日志进行合理性分析处理,判断医疗处方信息日志中处方药品的合理性,如是否超出剂量限制、是否存在相互作用、是否存在禁忌症等,最终得到医疗处方信息合理性日志。
步骤S14:对医疗处方信息合理性日志进行检索处理,得到医疗处方待校验信息日志。
本发明实施例通过设计合适的检索规则和查询条件对医疗处方信息合理性日志进行检索处理,如根据药品名称、患者信息或医生信息等筛选待校验的医疗处方信息合理性日志,最终得到医疗处方待校验信息日志。
本发明首先通过使用无线传输技术对预设的HIS数据库和备份调剂中心库进行连接处理,可以实现数据的实时传输和更新,确保医疗处方信息的准确性和及时性。连接初始化配置信息的获取可以确保连接的稳定性和正确性,为后续步骤提供可靠的数据源。此外,该连接处理还能够方便数据库各个功能之间的协同工作,提高信息交流的效率和便利性,为医疗服务的优化和升级提供基础支持。然后,基于连接初始化配置信息通过使用网络爬虫技术对HIS数据库进行处方日志的抓取处理,可以获取到详细的医疗处方信息日志,这些日志记录了关键的医疗处方数据,包括患者的基本信息、药品配方、医嘱等信息。通过获取这些处方信息日志可以实现对医疗服务的全面分析和数据挖掘,为处方数据校验处理过程提供依据。接下来,通过使用人工智能技术对医疗处方信息日志进行合理性分析处理,可以检测潜在的异常、错误或不一致等情况。通过分析医疗处方信息日志中的药物配方、剂量、用法等关键要素,可以提高医疗处方信息日志的合理性,减少潜在的错误和风险。该合理性分析过程还可以帮助医疗人员发现潜在的问题和改进点,优化医疗流程和标准,提升患者安全和满意度。通过人工智能技术的支持,合理性分析能够高效且准确地评估医疗处方的质量,为医疗人员提供参考和决策依据。最后,通过对医疗处方信息合理性日志进行检索处理,可以筛选出需要进一步校验的医疗处方信息。这些待校验的信息可能包含了潜在的问题或需要医生或专业人士审核确认的处方。通过仔细检查这些信息,可以进一步提高医疗服务的质量和安全性。检索处理还有助于发现处方中的不一致性、错误或纰漏,及时修复和改进,避免潜在的医疗风险和健康问题。此外,对待校验信息的处理还可以帮助医疗机构进行统计分析,了解常见问题和改进方向,进而提升医疗处方数据校验的质量和效率。
优选地,步骤S13包括以下步骤:
步骤S131:利用人工智能技术对医疗处方信息日志进行合理性分析处理,其中人工智能技术包括自然语言处理技术、特征分析模型、知识图谱构建技术和合理性比对分析技术;
步骤S132:利用自然语言处理技术对医疗处方信息日志进行特征提取处理,得到医疗处方信息特征;
步骤S133:利用基于深度学习算法的特征分析模型对医疗处方信息特征进行深度优化处理,得到医疗处方信息关键特征;
步骤S134:通过知识图谱构建技术对医疗处方信息关键特征进行连接构建处理,得到医疗处方信息知识图谱;
步骤S135:利用合理性比对分析技术将医疗处方信息日志与医疗处方信息知识图谱中的药理规则进行比对分析处理,得到医疗处方信息合理性日志。
作为本发明的一个实施例,参考图3所示,为图2中步骤S13的详细步骤流程示意图,在本实施例中步骤S13包括以下步骤:
步骤S131:利用人工智能技术对医疗处方信息日志进行合理性分析处理,其中人工智能技术包括自然语言处理技术、特征分析模型、知识图谱构建技术和合理性比对分析技术;
本发明实施例通过使用由自然语言处理技术、特征分析模型、知识图谱构建技术和合理性比对分析技术组成的人工智能技术对医疗处方信息日志进行合理性分析处理,其中自然语言处理技术用于对医疗处方信息日志进行语义解析和文本处理,以提取出其中的特征信息。特征分析模型用于对提取到的特征信息进行特征优化处理,以提取出其中的关键特征信息。知识图谱构建技术用于对提取到的关键特征信息进行连接构建,并将已有的合理的医疗药理规则、药品相互作用、禁忌症等相关知识整合到一起,使其成为合理性分析的知识图谱。而合理性比对分析技术用于将处理后的医疗处方日志与构建的知识图谱中的相关知识进行比对和分析,以判断医疗处方日志的合理性。
步骤S132:利用自然语言处理技术对医疗处方信息日志进行特征提取处理,得到医疗处方信息特征;
本发明实施例通过使用自然语言处理技术对医疗处方信息日志进行语义解析和文本处理,以提取出与药品名称、剂量、频率、用途等相关的特征信息,最终得到医疗处方信息特征。
步骤S133:利用基于深度学习算法的特征分析模型对医疗处方信息特征进行深度优化处理,得到医疗处方信息关键特征;
本发明实施例通过使用相应的深度学习算法构建一个合适的特征分析模型对医疗处方信息特征进行深度优化处理,通过学习和挖掘医疗处方信息特征之间的复杂关联和潜在规律,进一步提取医疗处方信息的关键特征,最终得到医疗处方信息关键特征。
步骤S134:通过知识图谱构建技术对医疗处方信息关键特征进行连接构建处理,得到医疗处方信息知识图谱;
本发明实施例通过使用知识图谱构建技术对提取得到的医疗处方信息关键特征进行连接构建处理,以建立医疗处方信息与合理的医疗药理规则、药品相互作用、禁忌症等相关知识的关联关系,最终得到医疗处方信息知识图谱。
步骤S135:利用合理性比对分析技术将医疗处方信息日志与医疗处方信息知识图谱中的药理规则进行比对分析处理,得到医疗处方信息合理性日志。
本发明实施例通过使用合理性比对技术将合理性比对分析技术将医疗处方信息日志与医疗处方信息知识图谱中的药理规则进行比对和分析,通过对比医疗处方信息日志与医疗处方信息知识图谱中的药理规则之间的各项参数和限制条件,判断医疗处方信息日志的合理性,最终得到医疗处方信息合理性日志。
本发明通过使用由自然语言处理技术、特征分析模型、知识图谱构建技术和合理性比对分析技术组成的人工智能技术对抓取得到的医疗处方信息日志进行合理性分析处理,以提高医疗处方校验的质量和安全性。其中通过使用自然语言处理技术可以对医疗处方信息日志进行语义解析和文本处理,以提取出其中的特征信息,这些特征信息可能包括药品名称、剂量、频率、用途等重要信息,该特征提取的过程能够帮助将非结构化的文本转化为结构化的特征数据,为后续的处理和分析提供基础保障。同时,通过基于深度学习算法的特征分析模型对医疗处方信息特征进行深度优化处理,可以通过深度学习算法学习和挖掘处方信息之间的复杂关联和潜在规律,以获取其关键特征,通过优化处理过程可以提升特征的表示能力和准确性,使得后续的分析结果更可靠和有效。然后,通过使用知识图谱构建技术将医疗处方信息关键特征进行连接和组织,以形成一个结构化的知识图谱,其中知识图谱包含了合理的医疗药理规则、药品相互作用、禁忌症等相关知识,并且可以将处方信息的实体、属性和关系进行可视化展示,有助于更好地理解和分析处方信息之间的内在联系和规律,为后续的合理性对比分析提供了基础保障。最后,通过使用合理性比对分析技术将医疗处方信息日志与医疗处方信息知识图谱中的药理规则进行比对和分析,通过比对分析可以检测医疗处方中的潜在问题、错误或不一致等情况,另外,在该比对分析处理过程中,医疗处方信息知识图谱中的药理规则可以提供关于药品相互作用、剂量限制和禁忌症等方面的参考信息,并通过分析处理以评估医疗处方的合理性,能够为医疗人员提供参考和决策依据。
优选地,步骤S133包括以下步骤:
步骤S1331:对医疗处方信息特征进行数据清洗处理,得到医疗处方信息特征数据集;
本发明实施例通过对提取得到的医疗处方信息特征进行缺失值填充、去除重复特征、异常特征、无效特征等清洗过程后,最终得到医疗处方信息特征数据集。
步骤S1332:按照预设的划分规则将医疗处方信息特征数据集划分为特征训练数据集、特征验证数据集和特征测试数据集;
本发明实施例通过将医疗处方信息特征数据集按照一定的划分比例划分为特征训练数据集、特征验证数据集和特征测试数据集,根据预设的划分比例7:2:1将医疗处方信息特征数据集划分为70%的特征训练数据集、20%的特征验证数据集和10%的特征测试数据集。
步骤S1333:构建基于循环神经网络的特征分析模型,其中特征分析模型包括模型训练、模型验证和模型测试;
本发明实施例通过选择合适的神经网络层数、过滤器数量、激活函数、优化器和损失函数等关键参数的循环神经网络算法,并通过利用该循环神经网络算法构建一个合适的特征分析模型,该特征分析模型包括模型训练、模型验证和模型评估,其中通过特征训练数据集对特征分析模型进行模型训练,特征验证数据集对特征分析模型进行模型验证,同时利用特征测试数据集对特征分析模型进行模型测试,用来提高特征分析模型的泛化能力和鲁棒性。
步骤S1334:将特征训练数据集输入至基于循环神经网络的特征分析模型进行模型训练,并通过特征损失函数对模型参数进行调整优化处理,以生成验证模型;并将特征验证数据集输入至验证模型中进行模型验证,以生成测试模型;
本发明实施例通过将划分后的特征训练数据集输入至构建的基于循环神经网络的特征分析模型中进行模型训练,并在训练过程中通过设置一个由均方误差调和平滑项、积分调和平滑项、惩罚正则化项三个部分组成的特征损失函数对模型参数进行调整优化处理,以生成验证模型。然后,将划分后的特征验证数据集输入至经过参数优化后的验证模型中进行模型验证,确定最优的模型参数组合,最终生成测试模型。
其中,特征损失函数的公式如下所示:
;
式中,为特征损失函数,/>为特征分析模型参数,/>为特征训练数据集的训练样本数量,/>为特征训练数据集中第/>个训练样本对应的医疗处方信息特征,/>为特征训练数据集中第/>个训练样本对应的标签,/>为均方误差调和平滑参数,/>为基于循环神经网络的特征分析模型,/>为积分项调和平滑参数,/>为积分项变量,/>为特征分析模型平滑辅助函数,/>为模型惩罚正则化参数,/>为特征分析模型参数的L2范数,/>为特征损失函数的修正值。
本发明构建了一个特征损失函数的公式,用于对特征分析模型参数进行调整优化处理,在通过运用特征分析模型对特征训练数据集进行训练时,为了帮助特征分析模型尽可能地拟合数据,并且具有一定的平滑性和正则化能力,需要使用一个合适的特征损失函数作为模型参数优化的指标,该特征损失函数包括均方误差调和平滑项、积分调和平滑项、惩罚正则化项三个部分,其中通过均方误差调和平滑项衡量模型预测值与实际标签之间的差异,并通过平方的方式对误差进行惩罚,还使用调和平滑参数控制均方误差的影响程度,有助于模型在训练过程中更好地拟合训练样本的标签。通过积分调和平滑项对特征分析模型在连续特征空间上的平滑程度进行惩罚,并通过调和平滑参数控制积分项的影响程度,有助于使得特征分析模型在特征空间上具有良好的平滑性,减少预测结果的波动性,从而提高特征分析模型的稳定性。另外,还通过模型惩罚正则化项对特征分析模型的参数进行正则化,防止模型过拟合,该项通过对模型参数的绝对值进行惩罚,使得模型的参数趋向于较小的取值,有助于缓解过拟合问题,从而提高特征分析模型在验证集上的泛化能力。该函数公式充分考虑了特征损失函数,特征分析模型参数/>,特征训练数据集的训练样本数量/>,特征训练数据集中第/>个训练样本对应的医疗处方信息特征/>,特征训练数据集中第/>个训练样本对应的标签/>,均方误差调和平滑参数/>,基于循环神经网络的特征分析模型,积分项调和平滑参数/>,积分项变量/>,特征分析模型平滑辅助函数/>,模型惩罚正则化参数/>,特征分析模型参数的L2范数/>,特征损失函数的修正值/>,其中通过特征训练数据集中第/>个训练样本对应的医疗处方信息特征/>,特征训练数据集中第/>个训练样本对应的标签/>,均方误差调和平滑参数/>以及基于循环神经网络的特征分析模型/>构成了一种均方误差调和平滑项函数关系/>,通过特征训练数据集中第/>个训练样本对应的医疗处方信息特征/>,积分项调和平滑参数/>,特征分析模型参数/>,积分项变量/>以及特征分析模型平滑辅助函数/>构成了一种积分调和平滑项函数关系,还通过特征分析模型参数/>,模型惩罚正则化参数/>以及特征分析模型参数的L2范数/>构成了一种惩罚正则化项函数关系/>,根据特征损失函数/>与以上各参数之间的相互关联关系构成了一种函数关系,该函数公式能够实现对特征分析模型参数的调整优化处理,同时,通过特征损失函数的修正值/>的引入,可以针对在模型训练时出现的特殊情况进行调整,进一步提高特征损失函数的适用性和稳定性,从而提高特征分析模型的泛化能力和鲁棒性。
步骤S1335:将特征测试数据集输入至测试模型中进行模型测试,以得到优化的特征分析模型;并将医疗处方信息特征数据集重新输入至优化的特征分析模型中进行深度优化处理,得到医疗处方信息关键特征。
本发明实施例通过将划分后的特征测试数据集输入至测试模型中进行模型测试,通过计算模型的准确率、召回率、F1值等指标,对模型参数进一步检查和优化处理,以获得更高效、更准确的优化的特征分析模型,同时,将医疗处方信息特征数据集重新输入至优化的特征分析模型中进行深度优化处理,最终得到医疗处方信息关键特征。
本发明通过对医疗处方信息特征进行数据清洗处理,能够识别和处理医疗处方信息特征中潜在的错误、缺失或异常值,以确保数据的准确性和一致性。该数据清洗处理过程可能包括去除重复数据、填充缺失值、处理异常值等操作,以获得干净、可靠的特征数据集,从而提高后续分析和建模的准确性和可靠性。通过数据清洗处理过程还能够有效地处理数据质量问题,从而提升特征数据的可信度和完整性。然后,将清洗后的医疗处方信息特征数据集按照预设的规则进行划分,通常会将数据集划分为训练数据集、验证数据集和测试数据集。这样的划分可以用于后续的模型训练、验证和测试,并且可以通过训练数据集来训练模型,验证数据集用于调整模型超参数和选择最佳模型,同时,测试数据集用于评估模型在新数据上的性能。通过合理的数据划分,能够避免模型过度拟合,并确保模型对未见过数据的泛化能力。同时,通过使用循环神经网络构建特征分析模型,其中循环神经网络是一种适用于序列数据分析的神经网络模型,能够有效处理医疗处方信息特征。特征分析模型包括训练、验证和测试阶段。训练阶段用于学习模型参数,验证阶段用于调整模型的超参数和评估模型性能,测试阶段用于对优化的模型进行最终的验证和性能评估。这样的特征分析模型能够从医疗处方信息中提取出有用的特征,为后续的分析和决策提供基础。接下来,通过使用特征训练数据集对构建的循环神经网络的特征分析模型进行训练,并通过定义合理的特征损失函数,该特征损失函数能够对模型参数进行调整和优化,以提高模型对特征数据的拟合能力。通过训练得到的模型,可以生成验证模型,然后使用特征验证数据集对其进行验证,以评估模型在验证数据上的性能,并生成最终的测试模型。通过模型训练和验证,能够获得在特征数据分析任务中表现良好的模型。最后,通过使用特征测试数据集对测试模型进行测试,以评估其在新数据上的性能。通过模型测试,能够得到一个经过优化的特征分析模型,该模型能够更准确地对医疗处方信息进行分析。此外,还可以将医疗处方信息特征数据集重新输入到优化的特征分析模型中进行深度优化处理,以获取更准确、有价值的医疗处方信息关键特征,为医疗决策和研究提供更深入的洞察。
优选地,步骤S2包括以下步骤:
步骤S21:对医疗处方待校验信息日志进行数据采集处理,得到医疗处方待校验信息数据;
本发明实施例通过数据采集工具以自动抓取和提取医疗处方待校验信息的数据,并对提取得到的数据进行去除重复数据、异常数据和缺失值填充等处理过程,最终得到医疗处方待校验信息数据。
步骤S22:对医疗处方待校验信息数据进行标准化处理,得到医疗处方待校验标准化数据;
本发明实施例通过统一化数据格式、命名规范和数据转换等方法对医疗处方待校验信息数据进行标准化处理,以消除不同数据之间的量纲差异,最终得到医疗处方待校验标准化数据。
步骤S23:利用处方降噪算法对医疗处方待校验标准化数据进行降噪处理,得到医疗处方待校验降噪数据;
本发明实施例通过结合噪声频率阈值、噪声频率、噪声均值、噪声标准差、修正值以及相关参数构建一个合适的处方降噪算法对医疗处方待校验标准化数据进行高斯分布降噪处理,最终得到医疗处方待校验降噪数据。
其中,处方降噪算法的函数公式如下所示:
;
式中,为医疗处方待校验降噪数据,/>为医疗处方待校验标准化数据的噪声频率阈值,/>为医疗处方待校验标准化数据的数量,/>为第/>个医疗处方待校验标准化数据的噪声频率,/>为第/>个医疗处方待校验标准化数据的噪声均值,/>为第/>个医疗处方待校验标准化数据的噪声标准差,/>为医疗处方待校验降噪数据的修正值。
本发明构建了一个处方降噪算法的函数公式,用于对医疗处方待校验标准化数据进行降噪处理,为了消除医疗处方待校验标准化数据中的噪声源对后续的医疗处方数据校验处理过程的影响,需要对医疗处方待校验标准化数据进行降噪处理,以得到更加干净、准确的医疗处方待校验降噪数据,通过该处方降噪算法能够有效地去除医疗处方待校验标准化数据中的噪声源和干扰数据,从而提高医疗处方待校验标准化数据的准确性和可靠性。该算法函数公式充分考虑了医疗处方待校验降噪数据,医疗处方待校验标准化数据的噪声频率阈值/>,医疗处方待校验标准化数据的数量/>,第/>个医疗处方待校验标准化数据的噪声频率/>,第/>个医疗处方待校验标准化数据的噪声均值/>,第/>个医疗处方待校验标准化数据的噪声标准差/>,医疗处方待校验降噪数据的修正值/>,根据医疗处方待校验降噪数据与以上各参数之间的相互关联关系构成了一种函数关系/>,该算法函数公式能够实现对医疗处方待校验标准化数据的降噪处理过程,同时,通过医疗处方待校验降噪数据的修正值/>的引入可以根据实际情况进行调整,从而提高处方降噪算法的准确性和适用性。
本发明通过对医疗处方待校验信息日志的数据采集处理,能够获取到原始的医疗处方待校验信息数据。通过数据采集可以包括从不同数据源获取数据、抽取数据、清洗数据等操作,这样的数据采集过程能够确保有一个可用的数据集作为后续处理的基础,为进行后续的标准化和降噪处理提供数据支持。然后,通过对采集到的医疗处方待校验信息数据进行标准化处理,标准化是将数据转换为符合特定标准或范围的过程,使得数据具有可比性和可解释性。通过标准化处理,可以消除不同数据之间的量纲差异,从而提高数据的一致性和可比性,为后续的降噪处理做好准备。最后,通过使用合适的处方降噪算法对经过标准化处理的医疗处方待校验标准化数据进行降噪处理,该处方降噪算法是一种通过数学模型或算法减少医疗处方待校验降噪数据中的噪声成分的方法,在具体的函数公式中,通过利用噪声频率阈值、噪声频率、噪声均值、噪声标准差和修正值等参数,对标准化数据进行降噪处理,最终得到经过降噪的医疗处方待校验数据。该降噪处理过程有助于去除数据中的噪声干扰,提高数据的质量和准确性,为后续的校验和分析提供可靠的数据基础。
优选地,步骤S3包括以下步骤:
步骤S31:基于预设的医疗信息药品库利用数据校验算法对医疗处方待校验降噪数据进行校验处理,得到医疗处方药品校验结果;
本发明实施例获取预设的医疗信息药品库,其中医疗信息药品库包含药品名称、剂量、用法等信息,然后通过结合药品名称校验函数、药品规格校验函数、药品用量检查函数、药品频次检查函数、药品用药途径检查函数构建一个合适的数据校验算法对医疗处方待校验降噪数据与医疗信息药品库中的数据进行对比,最终得到医疗处方药品校验结果。
步骤S32:根据医疗处方药品校验结果进行判断分析处理,若医疗处方药品校验结果为校验成功时,则对医疗处方待校验降噪数据执行相应的同步HIS码策略;
本发明实施例根据医疗处方药品校验结果进行判断分析,若医疗处方药品校验结果为校验成功时,则执行同步HIS码策略,将医疗处方待校验降噪数据中的药品信息与医疗信息药品库中对应的HIS码进行同步匹配处理。
步骤S33:根据医疗处方药品校验结果进行判断分析处理,若医疗处方药品校验结果为校验失败时,则对医疗处方待校验降噪数据执行相应的新增药品信息策略,以得到待新增药品信息数据;
本发明实施例根据医疗处方药品校验结果进行判断分析,若医疗处方药品校验结果为校验失败时,则执行新增药品信息策略,以识别出需要新增的药品信息,并提取待新增药品信息的相关数据,如药品名称、剂量、用法等信息数据,最终得到待新增药品信息数据。
步骤S34:将待新增药品信息数据更新至预设的医疗信息药品库中,得到医疗信息药品更新库。
本发明实施例通过使用更新处理将得到的待新增药品信息数据添加或更新到预设的医疗信息药品库中,确保医疗信息药品库中包含最新的药品信息,最终得到医疗信息药品更新库。
本发明通过使用预设的医疗信息药品库和数据校验算法对经过降噪处理的医疗处方待校验降噪数据进行校验处理,数据校验算法会比较待校验的药品信息与医疗信息药品库中的数据进行匹配和验证,以检查药品的合法性、规范性或其他特定要求,校验结果将反映医疗处方待校验降噪数据是否符合预设标准或规范。然后,根据医疗处方药品校验结果的判断,如果校验成功,即医疗处方待校验降噪数据对应的处方药品在医疗信息药品库中能找到匹配的数据,可以执行相应的同步HIS码策略。该同步HIS码策略可以将经过校验成功的医疗处方待校验降噪数据与医疗信息系统(HIS)进行同步,以实现数据的整合和更新,确保医疗院信息系统中的药品信息与实际处方保持一致。同时,如果医疗处方药品校验结果为校验失败,即医疗处方待校验降噪数据对应的处方药品在医疗信息药品库中找不到匹配的数据,则需要执行相应的新增药品信息策略。该新增药品信息策略可以根据校验失败的药品信息,进行相关记录或处理,可能包括向药品库中添加新的药品信息,以确保医疗信息药品库的完整性和更新。最后,将经过新增药品信息策略处理后的待新增药品信息数据更新至预设的医疗信息药品库中,以得到医疗信息药品的更新库。更新库将包含经过校验成功的药品信息和通过新增药品信息策略新增的药品信息,保持药品信息库的更新和完整。
优选地,步骤S31中的数据校验算法的函数公式具体为:
;
;
;
;
;/>
;
式中,为数据校验算法,/>为医疗处方待校验降噪数据,/>为预设的医疗信息药品库,/>为药品名称校验函数,/>为药品名称校验函数的权重系数,/>为医疗处方待校验降噪数据中第/>条记录的药品名称,/>为医疗处方待校验降噪数据中第/>条记录的药品HIS码,/>为预设的医疗信息药品库中第/>条记录的药品名称,/>为编辑距离函数,为药品规格校验函数,/>为药品规格校验函数的权重系数,/>为医疗处方待校验降噪数据中第/>条记录的药品规格,/>为预设的医疗信息药品库中第/>条记录的药品规格,为药品用量检查函数,/>为药品用量检查函数的权重系数,/>为医疗处方待校验降噪数据中第/>条记录的药品用量,/>为预设的医疗信息药品库中第/>条记录的药品最小用量,/>为预设的医疗信息药品库中第/>条记录的药品最大用量,/>为药品频次检查函数,/>为药品频次检查函数的权重系数,/>为医疗处方待校验降噪数据中第/>条记录的药品常用频次,/>为预设的医疗信息药品库中第/>条记录的药品常用频次,/>为药品用药途径检查函数,/>为药品用药途径检查函数的权重系数,/>为医疗处方待校验降噪数据中第/>条记录的药品用药途径,/>为预设的医疗信息药品库中第/>条记录的药品用药途径,为其他用药途径,/>为数据校验算法积分变量,/>为数据校验算法的修正值。
本发明构建了一个数据校验算法的函数公式,用于对医疗处方待校验降噪数据进行校验处理,该数据校验算法通过比较待校验的药品信息与医疗信息药品库中的药品名称、药品规格、药品用量、药品频次以及药品用药途径等相关信息进行匹配和验证,以检查药品的合法性、规范性或其他特定要求。其中通过使用药品名称校验函数校验医疗处方待校验降噪数据中药品HIS码对应的药品名称是否与预设的医疗信息药品库中对应记录的药品名称一致,如果药品名称不一致就返回0,如果药品名称一致时,通过编辑距离函数比较两个药品名称之间的差异程度。并通过使用药品规格校验函数校验医疗处方待校验降噪数据中药品HIS码对应的药品规格是否与预设的医疗信息药品库中对应记录的药品规格一致,如果药品规格不一致则返回0,如果药品规格一致时,通过绝对误差计算两个药品规格并除以两者中的最大值。然后,通过使用药品用量检查函数检查医疗处方待校验降噪数据中药品HIS码对应的药品用量是否在预设的医疗信息药品库中规定的最小用量和最大用量之间,当药品用量在规定范围内时,则为1否则为0。接下来,通过使用药品频次检查函数检查医疗处方待校验降噪数据中药品HIS码对应的药品频次是否与预设的医疗信息药品库中对应记录的药品频次一致,当药品频次一致时则结果为1,当药品频次相差为1时则结果为0.5,否则为0。最后,通过使用药品用药途径检查函数检查医疗处方待校验降噪数据中药品HIS码对应的药品用药途径是否与预设的医疗信息药品库中对应记录的药品用药途径一致,当药品用药途径一致时则结果为1,当药品用品途径相同且多了其他用药途径时则结果为0.5,否则结果为0。结合以上函数通过使用相应的权重系数调整每个校验函数对最终校验结果的贡献度,并将它们的结果进行加权求和处理,从而得到准确的校验结果,以准确判断是否符合预设标准或规范。该算法函数公式充分考虑了数据校验算法,医疗处方待校验降噪数据/>,预设的医疗信息药品库/>,药品名称校验函数/>,药品名称校验函数的权重系数/>,医疗处方待校验降噪数据中第/>条记录的药品名称/>,医疗处方待校验降噪数据中第/>条记录的药品HIS码/>,预设的医疗信息药品库中第/>条记录的药品名称/>,编辑距离函数/>,药品规格校验函数/>,药品规格校验函数的权重系数/>,医疗处方待校验降噪数据中第/>条记录的药品规格/>,预设的医疗信息药品库中第/>条记录的药品规格/>,药品用量检查函数/>,药品用量检查函数的权重系数/>,医疗处方待校验降噪数据中第/>条记录的药品用量/>,预设的医疗信息药品库中第/>条记录的药品最小用量/>,预设的医疗信息药品库中第/>条记录的药品最大用量/>,药品频次检查函数,药品频次检查函数的权重系数/>,医疗处方待校验降噪数据中第/>条记录的药品常用频次/>,预设的医疗信息药品库中第/>条记录的药品常用频次/>,药品用药途径检查函数/>,药品用药途径检查函数的权重系数/>,医疗处方待校验降噪数据中第/>条记录的药品用药途径/>,预设的医疗信息药品库中第/>条记录的药品用药途径/>,其他用药途径/>,数据校验算法积分变量/>,数据校验算法的修正值/>,其中通过预设的医疗信息药品库/>,医疗处方待校验降噪数据中第/>条记录的药品名称/>,医疗处方待校验降噪数据中第/>条记录的药品HIS码/>,预设的医疗信息药品库中第/>条记录的药品名称/>以及编辑距离函数的相互关联关系构成了一种药品名称校验函数关系,通过预设的医疗信息药品库/>,医疗处方待校验降噪数据中第/>条记录的药品HIS码/>,医疗处方待校验降噪数据中第/>条记录的药品规格/>以及预设的医疗信息药品库中第/>条记录的药品规格/>的相互关联关系构成了一种药品规格校验函数关系/>,通过预设的医疗信息药品库/>,医疗处方待校验降噪数据中第/>条记录的药品HIS码/>,医疗处方待校验降噪数据中第/>条记录的药品用量/>,预设的医疗信息药品库中第/>条记录的药品最小用量/>以及预设的医疗信息药品库中第/>条记录的药品最大用量/>的相互关联关系构成了一种药品用量检查函数关系/>,通过预设的医疗信息药品库/>,医疗处方待校验降噪数据中第/>条记录的药品HIS码/>,医疗处方待校验降噪数据中第条记录的药品常用频次/>以及预设的医疗信息药品库中第/>条记录的药品常用频次/>的相关关联关系构成了一种药品频次检查函数关系,通过预设的医疗信息药品库/>,医疗处方待校验降噪数据中第/>条记录的药品HIS码/>,医疗处方待校验降噪数据中第/>条记录的药品用药途径/>,预设的医疗信息药品库中第/>条记录的药品用药途径/>以及其他用药途径/>的相关关联关系构成了一种药品用药途径检查函数关系,根据数据校验算法/>与以上各参数之间的相互关联关系构成了一种函数关系:
;
该算法函数公式能够实现对对医疗处方待校验降噪数据的校验处理过程,同时,通过数据校验算法的修正值的引入可以根据实际情况进行调整,从而提高数据校验算法的准确性和适用性。
优选地,步骤S4包括以下步骤:
步骤S41:通过数据挖掘技术对HIS数据库进行数据挖掘提取处理,得到患者信息待处理数据;
本发明实施例通过选择适当的数据挖掘技术,如关联规则挖掘、分类算法、聚类分析等技术对HIS数据库进行患者信息挖掘处理,以发现隐藏在患者信息中的有价值的模式和关联关系,最终得到患者信息待处理数据。
步骤S42:对患者信息待处理数据进行数据预处理,得到患者信息数据;
本发明实施例通过对提取得到的患者信息待处理数据进行缺失值填充、去除重复数据、异常数据等数据清洗过程以提高患者信息待处理数据的数据质量问题,然后通过数据转换处理将患者信息待处理数据转换为适合后续处理的格式和形式,并通过数据集成将多个类似的数据进行合并或整合处理,以获取完整的数据,最终得到患者信息数据。
步骤S43:基于患者信息数据利用个性化匹配技术对医疗信息药品更新库进行模拟下单处理,得到医疗模拟处方数据;
本发明实施例通过使用个性化匹配技术将患者的病情、健康状况、过敏史等患者信息数据与医疗信息药品更新库中的药品信息进行模拟下单处理,以提供个性化的药品推荐和定制化的医疗服务,并推荐最合适患者的药品治疗处方,最终得到医疗模拟处方数据。
步骤S44:利用数据备份技术将医疗模拟处方数据备份至备份调剂中心库中,得到医疗模拟处方备份数据;
本发明实施例通过使用数据备份技术将模拟下单得到的医疗模拟处方数据进行增量备份到备份调剂中心库中,以防止数据丢失或受到意外破坏,最终得到医疗模拟处方备份数据。
步骤S45:利用自适应监测技术对医疗模拟处方备份数据进行自动化监测处理,得到医疗模拟处方监测结果。
本发明实施例通过使用自适应监测技术设计合适的监测规则对医疗模拟处方备份数据进行监测合规性、准确性和完整性等方面的处理,以及时发现医疗模拟处方备份数据的异常情况、错误或潜在的问题,最终得到医疗模拟处方监测结果。
本发明通过使用数据挖掘技术对医院信息系统(HIS)数据库进行分析和挖掘,从中提取出包含患者信息的原始数据。数据挖掘技术可以应用各种算法和方法,如关联规则挖掘、分类和聚类分析等,以发现隐藏在数据中的有价值的模式和关联关系,这对于医疗决策、疾病预测和临床研究等方面具有重要意义。通过数据挖掘,可以识别和分析患者的就诊模式、疾病趋势、治疗效果等,为医疗机构提供更准确的数据支持和决策依据。同时,针对挖掘得到的患者信息待处理数据进行数据预处理操作,以清洗、转换和整理数据,使其符合后续处理的要求,并得到高质量的患者信息数据。该数据预处理过程包括数据清洗、缺失值处理、异常值处理和数据转换等步骤,旨在提高患者信息待处理数据的质量和可用性,以减少患者信息待处理数据中的噪声和错误。通过数据清洗和缺失值处理,可以消除患者信息待处理数据中的异常值和缺失值,提高数据的完整性和可靠性。数据转换和特征选择可以使数据更加规范化和有用,为后续的个性化匹配分析提供更好的基础。然后,通过使用患者信息数据和个性化匹配技术对医疗信息药品更新库进行模拟下单处理,个性化匹配技术可以根据患者的病情、健康状况、过敏史等个体特征,匹配合适的药品信息,以提供个性化的药品推荐和定制化的医疗服务。通过个性化匹配,医疗机构可以根据患者的病情和健康状态,为其推荐最合适的药品治疗方案,从而提高药品治疗的效果和安全性,同时增强患者的满意度和医疗体验。接下来,通过使用数据备份技术将医疗模拟处方数据进行备份,有助于保障医疗模拟处方数据的安全性和可靠性。该备份调剂中心库作为一个可靠的数据存储和恢复容器,可以提供持久化的数据保护,以防止数据丢失或受到意外破坏,从而保证医疗模拟处方数据的可用性和完整性。备份数据的存在还为后续的分析、审计和回溯提供了便利和保障。最后,通过使用自适应监测技术对医疗模拟处方备份数据进行自动化监测处理,可以实现对医疗模拟处方备份数据的实时或定期监控,以便及时发现医疗模拟处方备份数据的异常情况、错误或潜在的问题。通过数据监测,可以评估备份数据的完整性、一致性和可用性等方面,确保数据的质量和可靠性。监测结果能够为医疗机构提供了重要的参考信息,支持数据质量管理和数据安全保护。
优选地,步骤S5包括以下步骤:
步骤S51:利用异常检测算法对医疗模拟处方监测结果进行异常检测处理,得到医疗模拟处方异常值;
本发明实施例通过结合医疗模拟处方监测结果的维度特征、均值、标准差、异常检测的时间变量、时间调和平滑参数以及相关参数构建一个合适的异常检测算法对医疗模拟处方监测结果进行异常检测处理,通过构建的异常检测算法捕捉医疗模拟处方监测结果的维度特征之间的差异度、时间变量的调和平滑参数以及特征之间的相关性等关键信息进行累加求和计算,最终得到医疗模拟处方异常值。
其中,异常检测算法的函数公式如下所示:
;
式中,为医疗模拟处方异常值,/>为医疗模拟处方监测结果的/>维特征向量集,为/>维特征向量集的维度,/>为/>维特征向量集中第/>个维度特征,/>为/>维特征向量集中第/>个维度特征的均值,/>为/>维特征向量集中第/>个维度特征的标准差,/>为异常检测的时间变量,/>为/>维特征向量集中第/>个维度特征的时间调和平滑参数,/>为/>维特征向量集中第/>个维度特征,/>为医疗模拟处方异常值的修正值。
本发明构建了一个异常检测算法的函数公式,用于对医疗模拟处方监测结果进行异常检测处理,该异常检测算法综合考虑了多个因素,包括医疗模拟处方监测结果中每个特征的离散程度、相邻特征之间的关联性和特征的时间变化趋势。首先通过计算每个特征与其均值之间的差值和标准差之比的平均值,以衡量特征之间的离散程度。然后,通过计算医疗模拟处方监测结果中每个特征与时间变量的关系,利用相应的参数进行时间调和平滑,以近似描述特征的变化趋势。最后,通过使用对数函数来衡量相邻特征之间的相互作用,以确保有效识别和提取出异常值,从而为后续的处理和修正过程提供基础保障。该算法函数公式充分考虑了医疗模拟处方异常值,医疗模拟处方监测结果的/>维特征向量集/>,/>维特征向量集的维度/>,/>维特征向量集中第/>个维度特征/>,/>维特征向量集中第/>个维度特征的均值/>,/>维特征向量集中第/>个维度特征的标准差/>,异常检测的时间变量/>,维特征向量集中第/>个维度特征的时间调和平滑参数/>,/>维特征向量集中第/>个维度特征/>,医疗模拟处方异常值的修正值/>,其中通过/>维特征向量集的维度/>,/>维特征向量集中第/>个维度特征/>,/>维特征向量集中第/>个维度特征的均值/>以及/>维特征向量集中第/>个维度特征的标准差/>构成了一种离散差异函数关系/>,通过/>维特征向量集的维度/>,/>维特征向量集中第/>个维度特征/>,异常检测的时间变量/>以及/>维特征向量集中第/>个维度特征的时间调和平滑参数/>构成了一种时间调和平滑函数关系,还通过/>维特征向量集的维度/>,/>维特征向量集中第/>个维度特征/>以及/>维特征向量集中第/>个维度特征/>构成了一种对数关联函数关系,根据医疗模拟处方异常值/>与以上各参数之间的相互关联关系构成了一种函数关系:
;
该算法函数公式能够实现对医疗模拟处方监测结果的异常检测处理过程,同时,通过医疗模拟处方异常值的修正值的引入可以根据实际情况进行调整,从而提高异常检测算法的准确性和适用性。/>
步骤S52:按照从大到小的顺序对医疗模拟处方异常值进行排序,将排名靠前的医疗模拟处方异常值对应的医疗模拟处方监测结果进行实时修正处理,得到医疗处方药品精确校验结果;
本发明实施例按照大到小的顺序对计算得到的医疗模拟处方异常值进行排序,从排名靠前的医疗模拟处方异常值开始,将对应的医疗模拟处方监测结果进行实时修正处理,修正处理可能包括根据异常值调整药品数量、更换药品、与医疗专业人员交互等操作,以提高医疗处方的准确性和合规性,这样逐步处理完排名较高的医疗模拟处方异常值,最终得到医疗处方药品精确校验结果。
步骤S53:利用可视化技术将医疗处方药品精确校验结果以可视化的形式展示到云端服务器;
本发明实施例通过使用可视化技术将处理得到的医疗处方药品精确校验结果以图表、图形、列表等可视化的形式展示到云端服务器上。
步骤S54:云端服务器通过对医疗处方药品精确校验结果进行依次记录处理以生成相应的医疗处方校验报告。
本发明实施例通过使用云端服务器接收医疗处方药品精确校验结果,并对每个医疗处方药品精确校验结果进行依次记录处理,然后根据记录的信息生成相应的医疗处方校验报告,其中医疗处方校验报告包括医疗处方的校验历史、异常情况的记录、修正处理的结果等信息。
本发明通过使用合适的异常检测算法对医疗模拟处方监测结果进行异常检测处理,可以有效识别和提取出异常值,即可能存在错误或异常情况的数据点。通过异常检测算法对医疗模拟处方监测结果的特征向量进行分析和计算,可以捕捉特征之间的差异度、时间变量的调和平滑参数以及特征之间的相关性等关键信息,根据这些关键信息计算得到医疗模拟处方的异常值,能够用于后续的处理和校验。然后,通过对计算得到的医疗模拟处方异常值按照从大到小的顺序进行排序,可以确定医疗模拟处方异常值的严重程度,并优先处理排名靠前的异常情况,同时将排名靠前的医疗模拟处方对应的医疗模拟处方监测结果进行实时修正处理,可以纠正其中可能存在的异常数据,提高医疗处方的准确性和可信度,从而帮助保证医疗处方药品的质量和安全性,减少潜在的错误风险,并提供精确的校验结果。接下来,通过使用可视化技术将医疗处方精确校验结果以图表、图形或其他形式呈现在云端服务器上,可以使医疗处方精确校验结果更加直观和易于理解。通过可视化展示可以帮助医疗人员快速了解医疗处方的校验结果,发现异常情况或趋势,并进行进一步的分析和决策。这样的展示方式还可以通过远程访问和实时更新,确保医疗人员随时查看最新的校验结果,从而提高工作效率和准确性。最后,通过云端服务器对医疗处方药品精确校验结果进行记录和处理,可以生成详细的医疗处方校验报告。这个报告包括医疗处方的校验历史、异常情况的记录、修正处理的信息等。该医疗处方校验报告能够为医疗人员和管理人员提供了有关医疗处方质量评估、改进措施的指导以及决策的依据。这样的记录和报告能够对医疗服务进行监督、管理和质量控制,从而提升整体医疗质量并确保患者的安全。
优选地,本发明还提供了一种基于HIS的处方数据校验系统,包括:
连接配置处方日志抓取模块,用于利用无线传输技术对预设的HIS数据库和备份调剂中心库进行连接处理,得到连接初始化配置信息;基于连接初始化配置信息利用网络爬虫技术对HIS数据库进行处方日志抓取处理,从而得到医疗处方待校验信息日志;
医疗处方信息数据处理模块,用于对医疗处方待校验信息日志进行数据采集处理,得到医疗处方待校验信息数据;利用处方降噪算法对医疗处方待校验信息数据进行降噪处理,从而得到医疗处方待校验降噪数据;
医疗处方校验判断更新模块,用于基于预设的医疗信息药品库利用数据校验算法对医疗处方待校验降噪数据进行校验处理,得到医疗处方药品校验结果;根据医疗处方药品校验结果进行判断分析处理,以得到待新增药品信息数据,并将待新增药品信息数据更新至预设的医疗信息药品库中,从而得到医疗信息药品更新库;
处方模拟备份监测处理模块,用于通过HIS数据库获取患者信息,得到患者信息数据;基于患者信息数据利用个性化匹配技术对医疗信息药品更新库进行模拟下单处理,得到医疗模拟处方数据;并利用自适应监测技术对医疗模拟处方数据进行自动化监测处理,从而得到医疗模拟处方监测结果;
异常检测可视化处理模块,用于利用异常检测算法对医疗模拟处方监测结果进行异常检测处理,得到医疗处方药品精确校验结果;并利用可视化技术将医疗处方药品精确校验结果以可视化的形式展示到云端服务器;根据医疗处方药品精确校验结果生成相应的医疗处方校验报告。
综上所述,本发明提供了一种基于HIS的处方数据校验系统,该系统由连接配置处方日志抓取模块、医疗处方信息数据处理模块、医疗处方校验判断更新模块、处方模拟备份监测处理模块以及异常检测可视化处理模块组成,能够实现本发明所述任意一种基于HIS的处方数据校验方法,用于联合各个模块上运行的计算机程序之间的操作实现一种基于HIS的处方数据校验方法,系统内部结构互相协作,该处方数据校验系统通过多种算法和技术对处方数据进行准确性和合规性的校验,能够自动检测和纠正处方数据错误,并确保处方数据的数据质量,可以大大减少重复工作和人力投入,能够快速有效地提供更精确、更高效的校验结果,从而简化了处方数据校验系统的操作流程。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种基于HIS的处方数据校验方法,其特征在于,包括以下步骤:
步骤S1:利用无线传输技术对预设的HIS数据库和备份调剂中心库进行连接处理,得到连接初始化配置信息;基于连接初始化配置信息利用网络爬虫技术对HIS数据库进行处方日志抓取处理,得到医疗处方待校验信息日志;
步骤S2,包括:
步骤S21:对医疗处方待校验信息日志进行数据采集处理,得到医疗处方待校验信息数据;
步骤S22:对医疗处方待校验信息数据进行标准化处理,得到医疗处方待校验标准化数据;
步骤S23:利用处方降噪算法对医疗处方待校验标准化数据进行降噪处理,得到医疗处方待校验降噪数据;
其中,处方降噪算法的函数公式如下所示:
;
式中,为医疗处方待校验降噪数据,/>为医疗处方待校验标准化数据的噪声频率阈值,为医疗处方待校验标准化数据的数量,/>为第/>个医疗处方待校验标准化数据的噪声频率,/>为第/>个医疗处方待校验标准化数据的噪声均值,/>为第/>个医疗处方待校验标准化数据的噪声标准差,/>为医疗处方待校验降噪数据的修正值;
步骤S3,包括:
步骤S31:基于预设的医疗信息药品库利用数据校验算法对医疗处方待校验降噪数据进行校验处理,得到医疗处方药品校验结果;
其中,数据校验算法的函数公式具体为:
;
;
;
;
;
;
式中,为数据校验算法,/>为医疗处方待校验降噪数据,/>为预设的医疗信息药品库,/>为药品名称校验函数,/>为药品名称校验函数的权重系数,/>为医疗处方待校验降噪数据中第/>条记录的药品名称,/>为医疗处方待校验降噪数据中第/>条记录的药品HIS码,/>为预设的医疗信息药品库中第/>条记录的药品名称,/>为编辑距离函数,为药品规格校验函数,/>为药品规格校验函数的权重系数,/>为医疗处方待校验降噪数据中第/>条记录的药品规格,/>为预设的医疗信息药品库中第/>条记录的药品规格,为药品用量检查函数,/>为药品用量检查函数的权重系数,/>为医疗处方待校验降噪数据中第/>条记录的药品用量,/>为预设的医疗信息药品库中第/>条记录的药品最小用量,/>为预设的医疗信息药品库中第/>条记录的药品最大用量,/>为药品频次检查函数,/>为药品频次检查函数的权重系数,/>为医疗处方待校验降噪数据中第/>条记录的药品常用频次,/>为预设的医疗信息药品库中第/>条记录的药品常用频次,/>为药品用药途径检查函数,/>为药品用药途径检查函数的权重系数,/>为医疗处方待校验降噪数据中第/>条记录的药品用药途径,/>为预设的医疗信息药品库中第/>条记录的药品用药途径,为其他用药途径,/>为数据校验算法积分变量,/>为数据校验算法的修正值;
步骤S32:根据医疗处方药品校验结果进行判断分析处理,若医疗处方药品校验结果为校验成功时,则对医疗处方待校验降噪数据执行相应的同步HIS码策略;
步骤S33:根据医疗处方药品校验结果进行判断分析处理,若医疗处方药品校验结果为校验失败时,则对医疗处方待校验降噪数据执行相应的新增药品信息策略,以得到待新增药品信息数据;
步骤S34:将待新增药品信息数据更新至预设的医疗信息药品库中,得到医疗信息药品更新库;
步骤S4:通过HIS数据库获取患者信息,得到患者信息数据;基于患者信息数据利用个性化匹配技术对医疗信息药品更新库进行模拟下单处理,得到医疗模拟处方数据;并利用自适应监测技术对医疗模拟处方数据进行自动化监测处理,得到医疗模拟处方监测结果;
步骤S5,包括:
步骤S51:利用异常检测算法对医疗模拟处方监测结果进行异常检测处理,得到医疗模拟处方异常值;
其中,异常检测算法的函数公式如下所示:
;
式中,为医疗模拟处方异常值,/>为医疗模拟处方监测结果的/>维特征向量集,/>为维特征向量集的维度,/>为/>维特征向量集中第/>个维度特征,/>为/>维特征向量集中第/>个维度特征的均值,/>为/>维特征向量集中第/>个维度特征的标准差,/>为异常检测的时间变量,/>为/>维特征向量集中第/>个维度特征的时间调和平滑参数,/>为/>维特征向量集中第/>个维度特征,/>为医疗模拟处方异常值的修正值;
步骤S52:按照从大到小的顺序对医疗模拟处方异常值进行排序,将排名靠前的医疗模拟处方异常值对应的医疗模拟处方监测结果进行实时修正处理,得到医疗处方药品精确校验结果;
步骤S53:利用可视化技术将医疗处方药品精确校验结果以可视化的形式展示到云端服务器;
步骤S54:云端服务器通过对医疗处方药品精确校验结果进行依次记录处理以生成相应的医疗处方校验报告。
2.根据权利要求1所述的基于HIS的处方数据校验方法,其特征在于,步骤S1包括以下步骤:
步骤S11:利用无线传输技术对预设的HIS数据库和备份调剂中心库进行连接处理,得到连接初始化配置信息;
步骤S12:基于连接初始化配置信息利用网络爬虫技术对HIS数据库进行处方日志抓取处理,得到医疗处方信息日志;
步骤S13:利用人工智能技术对医疗处方信息日志进行合理性分析处理,得到医疗处方信息合理性日志;
步骤S14:对医疗处方信息合理性日志进行检索处理,得到医疗处方待校验信息日志。
3.根据权利要求2所述的基于HIS的处方数据校验方法,其特征在于,步骤S13包括以下步骤:
步骤S131:利用人工智能技术对医疗处方信息日志进行合理性分析处理,其中人工智能技术包括自然语言处理技术、特征分析模型、知识图谱构建技术和合理性比对分析技术;
步骤S132:利用自然语言处理技术对医疗处方信息日志进行特征提取处理,得到医疗处方信息特征;
步骤S133:利用基于深度学习算法的特征分析模型对医疗处方信息特征进行深度优化处理,得到医疗处方信息关键特征;
步骤S134:通过知识图谱构建技术对医疗处方信息关键特征进行连接构建处理,得到医疗处方信息知识图谱;
步骤S135:利用合理性比对分析技术将医疗处方信息日志与医疗处方信息知识图谱中的药理规则进行比对分析处理,得到医疗处方信息合理性日志。
4.根据权利要求3所述的基于HIS的处方数据校验方法,其特征在于,步骤S133包括以下步骤:
步骤S1331:对医疗处方信息特征进行数据清洗处理,得到医疗处方信息特征数据集;
步骤S1332:按照预设的划分规则将医疗处方信息特征数据集划分为特征训练数据集、特征验证数据集和特征测试数据集;
步骤S1333:构建基于循环神经网络的特征分析模型,其中特征分析模型包括模型训练、模型验证和模型测试;
步骤S1334:将特征训练数据集输入至基于循环神经网络的特征分析模型进行模型训练,并通过特征损失函数对模型参数进行调整优化处理,以生成验证模型;并将特征验证数据集输入至验证模型中进行模型验证,以生成测试模型;
其中,特征损失函数的公式如下所示:
;
式中,为特征损失函数,/>为特征分析模型参数,/>为特征训练数据集的训练样本数量,/>为特征训练数据集中第/>个训练样本对应的医疗处方信息特征,/>为特征训练数据集中第/>个训练样本对应的标签,/>为均方误差调和平滑参数,/>为基于循环神经网络的特征分析模型,/>为积分项调和平滑参数,/>为积分项变量,/>为特征分析模型平滑辅助函数,/>为模型惩罚正则化参数,/>为特征分析模型参数的L2范数,/>为特征损失函数的修正值;
步骤S1335:将特征测试数据集输入至测试模型中进行模型测试,以得到优化的特征分析模型;并将医疗处方信息特征数据集重新输入至优化的特征分析模型中进行深度优化处理,得到医疗处方信息关键特征。
5.根据权利要求1所述的基于HIS的处方数据校验方法,其特征在于,步骤S4包括以下步骤:
步骤S41:通过数据挖掘技术对HIS数据库进行数据挖掘提取处理,得到患者信息待处理数据;
步骤S42:对患者信息待处理数据进行数据预处理,得到患者信息数据;
步骤S43:基于患者信息数据利用个性化匹配技术对医疗信息药品更新库进行模拟下单处理,得到医疗模拟处方数据;
步骤S44:利用数据备份技术将医疗模拟处方数据备份至备份调剂中心库中,得到医疗模拟处方备份数据;
步骤S45:利用自适应监测技术对医疗模拟处方备份数据进行自动化监测处理,得到医疗模拟处方监测结果。
6.一种基于HIS的处方数据校验系统,其特征在于,用于执行如权利要求1所述的基于HIS的处方数据校验方法,该基于HIS的处方数据校验系统包括:
连接配置处方日志抓取模块,用于利用无线传输技术对预设的HIS数据库和备份调剂中心库进行连接处理,得到连接初始化配置信息;基于连接初始化配置信息利用网络爬虫技术对HIS数据库进行处方日志抓取处理,从而得到医疗处方待校验信息日志;
医疗处方信息数据处理模块,用于对医疗处方待校验信息日志进行数据采集处理,得到医疗处方待校验信息数据;利用处方降噪算法对医疗处方待校验信息数据进行降噪处理,从而得到医疗处方待校验降噪数据;
医疗处方校验判断更新模块,用于基于预设的医疗信息药品库利用数据校验算法对医疗处方待校验降噪数据进行校验处理,得到医疗处方药品校验结果;根据医疗处方药品校验结果进行判断分析处理,以得到待新增药品信息数据,并将待新增药品信息数据更新至预设的医疗信息药品库中,从而得到医疗信息药品更新库;
处方模拟备份监测处理模块,用于通过HIS数据库获取患者信息,得到患者信息数据;基于患者信息数据利用个性化匹配技术对医疗信息药品更新库进行模拟下单处理,得到医疗模拟处方数据;并利用自适应监测技术对医疗模拟处方数据进行自动化监测处理,从而得到医疗模拟处方监测结果;
异常检测可视化处理模块,用于利用异常检测算法对医疗模拟处方监测结果进行异常检测处理,得到医疗处方药品精确校验结果;并利用可视化技术将医疗处方药品精确校验结果以可视化的形式展示到云端服务器;根据医疗处方药品精确校验结果生成相应的医疗处方校验报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310963308.5A CN116662375B (zh) | 2023-08-02 | 2023-08-02 | 一种基于his的处方数据校验方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310963308.5A CN116662375B (zh) | 2023-08-02 | 2023-08-02 | 一种基于his的处方数据校验方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116662375A CN116662375A (zh) | 2023-08-29 |
CN116662375B true CN116662375B (zh) | 2023-10-10 |
Family
ID=87724672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310963308.5A Active CN116662375B (zh) | 2023-08-02 | 2023-08-02 | 一种基于his的处方数据校验方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116662375B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116932232B (zh) * | 2023-09-18 | 2024-01-05 | 湖南远跃科技发展有限公司 | 一种基于bs架构的开发平台的数据处理方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006313523A (ja) * | 2005-04-05 | 2006-11-16 | Yoshiro Mizuno | 処方箋、院内オーダー、調剤、レセプトにおける業務処理支援システム |
CN108172302A (zh) * | 2017-12-15 | 2018-06-15 | 广州市康软信息科技有限公司 | 合理用药信息监测方法及系统 |
CN111554371A (zh) * | 2020-03-30 | 2020-08-18 | 平安医疗健康管理股份有限公司 | 互联网数据的处理方法及装置、计算机设备、存储介质 |
CN111933246A (zh) * | 2020-08-31 | 2020-11-13 | 平安国际智慧城市科技股份有限公司 | 医疗处方分析方法、系统、电子设备及存储介质 |
CN113270201A (zh) * | 2021-05-27 | 2021-08-17 | 曹庆恒 | 一种医疗信息数据校验方法及系统、计算机可读存储介质 |
CN113488134A (zh) * | 2021-08-25 | 2021-10-08 | 四川省医学科学院·四川省人民医院 | 一种重大疾病医保药物审核与药物治疗管理系统 |
WO2022103380A1 (en) * | 2020-11-16 | 2022-05-19 | Limited Liability Company Astum (Llc Astum) | Methods for automated provision of patient with electronic prescription and medicines by means of information system of electronic prescriptions |
WO2023029511A1 (zh) * | 2021-08-30 | 2023-03-09 | 康键信息技术(深圳)有限公司 | 在线医疗处方用药智能检查方法、装置、设备及存储介质 |
CN115795330A (zh) * | 2021-09-09 | 2023-03-14 | 上海市徐汇区大华医院 | 一种基于ai算法的医疗信息异常检测方法及系统 |
CN116434266A (zh) * | 2023-06-14 | 2023-07-14 | 邹城市人民医院 | 一种医疗检验单的数据信息自动提取分析方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030018495A1 (en) * | 2001-07-11 | 2003-01-23 | Lester Sussman | System and method for medical drug prescription acquisition |
US20130282401A1 (en) * | 2011-02-16 | 2013-10-24 | Ltc Pharmacy Solutions, Llc | System and method for managing the tracking and dispensing of prescription medication |
WO2017116452A1 (en) * | 2015-12-31 | 2017-07-06 | Sole Guerra Alberto | System for acquisition, processing and visualization of clinical data of patients |
US11954738B2 (en) * | 2021-11-17 | 2024-04-09 | Genpact Usa, Inc. | System and method for machine learning based detection, reporting and correction of exceptions and variances impacting financial data |
-
2023
- 2023-08-02 CN CN202310963308.5A patent/CN116662375B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006313523A (ja) * | 2005-04-05 | 2006-11-16 | Yoshiro Mizuno | 処方箋、院内オーダー、調剤、レセプトにおける業務処理支援システム |
CN108172302A (zh) * | 2017-12-15 | 2018-06-15 | 广州市康软信息科技有限公司 | 合理用药信息监测方法及系统 |
CN111554371A (zh) * | 2020-03-30 | 2020-08-18 | 平安医疗健康管理股份有限公司 | 互联网数据的处理方法及装置、计算机设备、存储介质 |
CN111933246A (zh) * | 2020-08-31 | 2020-11-13 | 平安国际智慧城市科技股份有限公司 | 医疗处方分析方法、系统、电子设备及存储介质 |
WO2022103380A1 (en) * | 2020-11-16 | 2022-05-19 | Limited Liability Company Astum (Llc Astum) | Methods for automated provision of patient with electronic prescription and medicines by means of information system of electronic prescriptions |
CN113270201A (zh) * | 2021-05-27 | 2021-08-17 | 曹庆恒 | 一种医疗信息数据校验方法及系统、计算机可读存储介质 |
CN113488134A (zh) * | 2021-08-25 | 2021-10-08 | 四川省医学科学院·四川省人民医院 | 一种重大疾病医保药物审核与药物治疗管理系统 |
WO2023029511A1 (zh) * | 2021-08-30 | 2023-03-09 | 康键信息技术(深圳)有限公司 | 在线医疗处方用药智能检查方法、装置、设备及存储介质 |
CN115795330A (zh) * | 2021-09-09 | 2023-03-14 | 上海市徐汇区大华医院 | 一种基于ai算法的医疗信息异常检测方法及系统 |
CN116434266A (zh) * | 2023-06-14 | 2023-07-14 | 邹城市人民医院 | 一种医疗检验单的数据信息自动提取分析方法 |
Non-Patent Citations (1)
Title |
---|
合理用药监测系统的构建与实施;姬娜;;医疗卫生装备(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116662375A (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Özakıncı et al. | Early software defect prediction: A systematic map and review | |
Kahn et al. | A harmonized data quality assessment terminology and framework for the secondary use of electronic health record data | |
Niaksu | CRISP data mining methodology extension for medical domain | |
Huang et al. | Integrating data mining with case-based reasoning for chronic diseases prognosis and diagnosis | |
US6820070B2 (en) | Method and tool for data mining in automatic decision making systems | |
CN111145844A (zh) | 综合医疗监管平台 | |
CN108831556B (zh) | 一种连续性肾脏替代治疗过程中肝素剂量的预测方法 | |
US20140257846A1 (en) | Identifying potential audit targets in fraud and abuse investigations | |
CN116662375B (zh) | 一种基于his的处方数据校验方法及系统 | |
WO2015117056A1 (en) | Evaluating data quality of clinical trials | |
CN103370629B (zh) | 临床质量分析系统 | |
US20220005565A1 (en) | System with retroactive discrepancy flagging and methods for use therewith | |
CN115579104A (zh) | 一种基于人工智能的肝癌全病程数字化管理方法及系统 | |
US20220051114A1 (en) | Inference process visualization system for medical scans | |
CN117457192A (zh) | 智能远程诊断方法及系统 | |
CN117612707A (zh) | 一种基于人工智能的智能化外科手术风险评估系统 | |
Margret et al. | Implementation of Data mining in Medical fraud Detection | |
Yeon et al. | Visual imputation analytics for missing time-series data in bayesian network | |
CN111986815A (zh) | 基于共现关系的项目组合挖掘方法及相关设备 | |
CN114649071A (zh) | 一种基于真实世界数据的消化性溃疡治疗方案的预测系统 | |
CN117829291B (zh) | 一种全过程咨询知识集成管理系统及方法 | |
CN117688226B (zh) | 基于相似儿童患者匹配的智能诊前自助开单方法及系统 | |
CN117524434B (zh) | 基于静脉治疗数据平台的专家信息管理优化方法及系统 | |
DiazVasquez | DataGauge: a model-driven framework for systematically assessing the quality of clinical data for secondary use | |
Anandi et al. | Descriptive and Predictive Analytics on Electronic Health Records using Machine Learning |
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 |