CN116741334B - 一种基于神经网络预测模型的用药监测方法 - Google Patents
一种基于神经网络预测模型的用药监测方法 Download PDFInfo
- Publication number
- CN116741334B CN116741334B CN202311019192.6A CN202311019192A CN116741334B CN 116741334 B CN116741334 B CN 116741334B CN 202311019192 A CN202311019192 A CN 202311019192A CN 116741334 B CN116741334 B CN 116741334B
- Authority
- CN
- China
- Prior art keywords
- neural network
- layer
- prediction model
- output
- network prediction
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 78
- 239000003814 drug Substances 0.000 title claims abstract description 33
- 229940079593 drug Drugs 0.000 title claims abstract description 29
- 238000012544 monitoring process Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 title claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 34
- 238000011156 evaluation Methods 0.000 claims description 33
- 238000000605 extraction Methods 0.000 claims description 12
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 230000009191 jumping Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims 1
- 238000013145 classification model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect 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
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Medicinal Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供了一种基于神经网络预测模型的用药监测方法,属于数据处理技术领域,本发明中收集医院用药数据,构建训练集,采用训练集对神经网络预测模型进行训练,在每训练一次时,根据神经网络预测模型的输出,计算评估值,从而选出评估值高于评估阈值的神经网络预测模型,提高用药监测精度。
Description
技术领域
本发明涉及数据处理技术领域,具体而言,涉及一种基于神经网络预测模型的用药监测方法。
背景技术
医生通常根据经验治病救人,没有考虑到用药的药量和药品是否有效或者是否对患者造成伤害,且不同医生工作年限不同,知识水平不同,造成医生用药情况不同,严重的医疗事故,对病人的生命安全构成巨大威胁。
建立用药监测,以解决医院对各类药物使用情况掌握不详细,所导致用药不合理的问题。现有用药监测方法采用分类模型对用药数据进行分类,得到其是否合理的评价指标,但是各个分类模型分类精度较低,导致监测精度较低。
发明内容
本发明的目的在于提供一种基于神经网络预测模型的用药监测方法,其解决了用药监测精度较低的问题。
本发明的实施例通过以下技术方案实现:一种基于神经网络预测模型的用药监测方法,包括以下步骤:
S1、收集医院用药数据;
S2、对医院用药数据进行预处理,构建训练集;
S3、采用训练集对神经网络预测模型进行训练,对训练的神经网络预测模型进行评估,得到评估值,在评估值高于评估阈值时,神经网络预测模型训练完成;
S4、采用训练完成的神经网络预测模型处理待监测用药数据,得到监测结果。
进一步地,所述S2中预处理包括:数据清洗、去除异常值和数据归一化。
进一步地,所述S3中神经网络预测模型包括:第一层循环神经网络、第二层循环神经网络、第三层特征提取子模型和第四层输出子模型;所述第一层循环神经网络的输入端作为神经网络预测模型的输入端,其输出端与第二层循环神经网络的输入端连接;所述第三层特征提取子模型的输入端与第二层循环神经网络的输出端连接,其输出端与第四层输出子模型的输入端连接;所述第四层输出子模型的输出端作为神经网络预测模型的输出端。
进一步地,所述第三层特征提取子模型的表达式为:
其中,为第三层特征提取子模型的输出,/>为以自然常数为底的指数函数,/>为第二层循环神经网络输出的第/>个特征,/>为第/>个特征/>的权重,/>为第/>个特征/>的偏置,/>为第二层循环神经网络的输出特征的数量。
进一步地,所述第四层输出子模型的表达式为:
其中,为第四层输出子模型的输出,/>为对数函数,/>为第四层输出子模型的权重,/>为第四层输出子模型的偏置。
进一步地,所述S3包括以下分步骤:
S31、将训练集中样本输入神经网络预测模型;
S32、根据神经网络预测模型的输出,计算评估值;
S33、判断评估值是否高于评估阈值,若是,神经网络预测模型训练完成,结束分步骤,若否,则跳转至步骤S34;
S34、根据评估值,对神经网络预测模型的权重和偏置进行更新,并跳转至步骤S31。
进一步地,所述S32中计算评估值的公式为:
其中,为评估值,/>为比例系数,/>为第/>次训练时神经网络预测模型的输出,/>为第/>次训练时标签,/>为S型激活函数。
进一步地,所述比例系数的公式为:
其中,为以/>为当前训练次数的临近训练总次数,/>为正整数,/>为临近训练总次数中神经网络预测模型的输出与标签相等的次数。
本发明实施例的技术方案至少具有如下优点和有益效果:本发明中收集医院用药数据,构建训练集,采用训练集对神经网络预测模型进行训练,在每训练一次时,根据神经网络预测模型的输出,计算评估值,从而选出评估值高于评估阈值的神经网络预测模型,提高用药监测精度。
附图说明
图1为一种基于神经网络预测模型的用药监测方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
如图1所示,一种基于神经网络预测模型的用药监测方法,包括以下步骤:
S1、收集医院用药数据;
S2、对医院用药数据进行预处理,构建训练集;
所述S2中预处理包括:数据清洗、去除异常值和数据归一化。
S3、采用训练集对神经网络预测模型进行训练,对训练的神经网络预测模型进行评估,得到评估值,在评估值高于评估阈值时,神经网络预测模型训练完成;
所述S3中神经网络预测模型包括:第一层循环神经网络、第二层循环神经网络、第三层特征提取子模型和第四层输出子模型;所述第一层循环神经网络的输入端作为神经网络预测模型的输入端,其输出端与第二层循环神经网络的输入端连接;所述第三层特征提取子模型的输入端与第二层循环神经网络的输出端连接,其输出端与第四层输出子模型的输入端连接;所述第四层输出子模型的输出端作为神经网络预测模型的输出端。
所述第三层特征提取子模型的表达式为:
其中,为第三层特征提取子模型的输出,/>为以自然常数为底的指数函数,/>为第二层循环神经网络输出的第/>个特征,/>为第/>个特征/>的权重,/>为第/>个特征/>的偏置,/>为第二层循环神经网络的输出特征的数量。
所述第四层输出子模型的表达式为:
其中,为第四层输出子模型的输出,/>为对数函数,/>为第四层输出子模型的权重,/>为第四层输出子模型的偏置。
所述S3包括以下分步骤:
S31、将训练集中样本输入神经网络预测模型;
S32、根据神经网络预测模型的输出,计算评估值;
S33、判断评估值是否高于评估阈值,若是,神经网络预测模型训练完成,结束分步骤,若否,则跳转至步骤S34;
S34、根据评估值,对神经网络预测模型的权重和偏置进行更新,并跳转至步骤S31。
所述S32中计算评估值的公式为:
其中,为评估值,/>为比例系数,/>为第/>次训练时神经网络预测模型的输出,/>为第/>次训练时标签,/>为S型激活函数。
所述比例系数的公式为:
其中,为以/>为当前训练次数的临近训练总次数,/>为正整数,/>为临近训练总次数中神经网络预测模型的输出与标签相等的次数。
S4、采用训练完成的神经网络预测模型处理待监测用药数据,得到监测结果。
本发明中收集医院用药数据,构建训练集,采用训练集对神经网络预测模型进行训练,在每训练一次时,根据神经网络预测模型的输出,计算评估值,从而选出评估值高于评估阈值的神经网络预测模型,提高用药监测精度。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种基于神经网络预测模型的用药监测方法,其特征在于,包括以下步骤:
S1、收集医院用药数据;
S2、对医院用药数据进行预处理,构建训练集;
S3、采用训练集对神经网络预测模型进行训练,对训练的神经网络预测模型进行评估,得到评估值,在评估值高于评估阈值时,神经网络预测模型训练完成;
S4、采用训练完成的神经网络预测模型处理待监测用药数据,得到监测结果;
所述S2中预处理包括:数据清洗、去除异常值和数据归一化;
所述S3中神经网络预测模型包括:第一层循环神经网络、第二层循环神经网络、第三层特征提取子模型和第四层输出子模型;所述第一层循环神经网络的输入端作为神经网络预测模型的输入端,其输出端与第二层循环神经网络的输入端连接;所述第三层特征提取子模型的输入端与第二层循环神经网络的输出端连接,其输出端与第四层输出子模型的输入端连接;所述第四层输出子模型的输出端作为神经网络预测模型的输出端;
所述第三层特征提取子模型的表达式为:
其中,为第三层特征提取子模型的输出,/>为以自然常数为底的指数函数,/>为第二层循环神经网络输出的第/>个特征,/>为第/>个特征/>的权重,/>为第/>个特征/>的偏置,/>为第二层循环神经网络的输出特征的数量;
所述第四层输出子模型的表达式为:
其中,为第四层输出子模型的输出,/>为对数函数,/>为第四层输出子模型的权重,/>为第四层输出子模型的偏置;
所述S3包括以下分步骤:
S31、将训练集中样本输入神经网络预测模型;
S32、根据神经网络预测模型的输出,计算评估值;
S33、判断评估值是否高于评估阈值,若是,神经网络预测模型训练完成,结束分步骤,若否,则跳转至步骤S34;
S34、根据评估值,对神经网络预测模型的权重和偏置进行更新,并跳转至步骤S31;
所述S32中计算评估值的公式为:
其中,为评估值,/>为比例系数,/>为第/>次训练时神经网络预测模型的输出,/>为第次训练时标签,/>为S型激活函数;
所述比例系数的公式为:
其中,为以/>为当前训练次数的临近训练总次数,/>为正整数,/>为临近训练总次数中神经网络预测模型的输出与标签相等的次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311019192.6A CN116741334B (zh) | 2023-08-14 | 2023-08-14 | 一种基于神经网络预测模型的用药监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311019192.6A CN116741334B (zh) | 2023-08-14 | 2023-08-14 | 一种基于神经网络预测模型的用药监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116741334A CN116741334A (zh) | 2023-09-12 |
CN116741334B true CN116741334B (zh) | 2023-10-24 |
Family
ID=87902974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311019192.6A Active CN116741334B (zh) | 2023-08-14 | 2023-08-14 | 一种基于神经网络预测模型的用药监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116741334B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109524083A (zh) * | 2018-10-30 | 2019-03-26 | 平安科技(深圳)有限公司 | 基于医疗大数据监测辅助用药合理性的方法及相关产品 |
CN114049970A (zh) * | 2021-11-10 | 2022-02-15 | 重庆大学 | 一种基于多端数据共享的用药管理方法及系统 |
WO2022077587A1 (zh) * | 2020-10-14 | 2022-04-21 | 深圳大学 | 一种数据预测方法、装置及终端设备 |
CN115249541A (zh) * | 2022-07-29 | 2022-10-28 | 复旦大学附属中山医院 | 一种基于深度学习的动态血糖预测模型构建方法 |
CN116504259A (zh) * | 2023-06-30 | 2023-07-28 | 中汇丰(北京)科技有限公司 | 一种基于自然语言处理的语义识别方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933841B (zh) * | 2015-04-30 | 2018-04-10 | 重庆三峡学院 | 一种基于自组织神经网络的火灾预测方法 |
CN109145288A (zh) * | 2018-07-11 | 2019-01-04 | 西安电子科技大学 | 基于变分自编码模型的文本深度特征提取方法 |
KR102521303B1 (ko) * | 2020-03-23 | 2023-04-14 | 주식회사 뷰노 | 약물의 작용 기전을 예측하는 신경망의 기계학습 방법 및 신경망을 이용한 약물의 작용 기전 예측 방법 |
CN116188946B (zh) * | 2023-04-24 | 2023-07-11 | 简阳市人民医院 | 一种基于神经网络的血糖浓度预测系统 |
-
2023
- 2023-08-14 CN CN202311019192.6A patent/CN116741334B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109524083A (zh) * | 2018-10-30 | 2019-03-26 | 平安科技(深圳)有限公司 | 基于医疗大数据监测辅助用药合理性的方法及相关产品 |
WO2022077587A1 (zh) * | 2020-10-14 | 2022-04-21 | 深圳大学 | 一种数据预测方法、装置及终端设备 |
CN114049970A (zh) * | 2021-11-10 | 2022-02-15 | 重庆大学 | 一种基于多端数据共享的用药管理方法及系统 |
CN115249541A (zh) * | 2022-07-29 | 2022-10-28 | 复旦大学附属中山医院 | 一种基于深度学习的动态血糖预测模型构建方法 |
CN116504259A (zh) * | 2023-06-30 | 2023-07-28 | 中汇丰(北京)科技有限公司 | 一种基于自然语言处理的语义识别方法 |
Non-Patent Citations (4)
Title |
---|
Data Mining to Generate Adverse Drug Events Detection Rules;Emmanuel Chazard等;《IEEE Transactions on Information Technology in Biomedicine》;第15卷(第6期);823-830 * |
Development and validation of an overdose risk prediction tool using prescription drug monitoring program data;Walid F. Gellad等;《Drug and alcohol dependence》;第246卷;1-14 * |
基于知识图谱的中成药用药监测系统设计与实现;刘世雄等;《现代信息科技》;第7卷(第13期);145-148+152 * |
薛义增等著.《基于深度学习的人工智能机器探索与实践》.中国原子能出版社,2021,139-141. * |
Also Published As
Publication number | Publication date |
---|---|
CN116741334A (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021120934A1 (zh) | 一种基于卷积神经网络的DRGs自动分组方法 | |
CN111540471B (zh) | 一种基于用户健康数据的健康状态跟踪及预警方法和系统 | |
CN111951975B (zh) | 一种基于深度学习模型gpt-2的脓毒症早期预警方法 | |
CN110379522B (zh) | 一种疾病流行趋势预测系统及方法 | |
CN111611297B (zh) | 顾及参数时变性的传播模型建立方法及其预测方法 | |
CN111081379B (zh) | 一种疾病概率决策方法及其系统 | |
CN110739076A (zh) | 一种医疗人工智能公共训练平台 | |
CN112509696A (zh) | 基于卷积自编码器高斯混合模型的健康数据检测方法 | |
CN113526282B (zh) | 一种电梯中长期老化故障诊断方法、装置、介质和设备 | |
CN113744877A (zh) | 一种带有疾病相关因素提取模块的慢性病评估及干预系统 | |
CN113627091A (zh) | 一种用于预测能源负荷的装置及方法 | |
CN110706822A (zh) | 基于逻辑回归模型和决策树模型的健康管理方法 | |
CN113571199A (zh) | 医疗数据分类分级方法、计算机设备及存储介质 | |
CN113744878A (zh) | 一种基于移动互联网的慢性病风险指数评估及干预系统 | |
CN116741334B (zh) | 一种基于神经网络预测模型的用药监测方法 | |
CN113420946B (zh) | 一种新闻媒体的评价方法 | |
CN109119155A (zh) | 基于深度学习的icu死亡危险性评估系统 | |
CN117423455A (zh) | 一种基于数据分析的用户健康管理系统及方法 | |
CN110364255B (zh) | 一种基于自编码器的肝病评估方法 | |
CN111466877B (zh) | 一种基于lstm网络的氧减状态预测方法 | |
CN110427367A (zh) | 基于评残参数的定损方法、装置、设备及存储介质 | |
CN115660871A (zh) | 医学临床过程无监督建模方法、计算机设备、存储介质 | |
CN115907461A (zh) | 一种基于机理推导方程的电力工程方法 | |
CN115565639A (zh) | 一种锻炼心率的预测方法、装置以及设备 | |
CN110223771B (zh) | 基于nhpp的消化内科电子数据分析方法 |
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 |