CN116779094A - 检查药物相互作用的方法和电子装置 - Google Patents

检查药物相互作用的方法和电子装置 Download PDF

Info

Publication number
CN116779094A
CN116779094A CN202210665946.4A CN202210665946A CN116779094A CN 116779094 A CN116779094 A CN 116779094A CN 202210665946 A CN202210665946 A CN 202210665946A CN 116779094 A CN116779094 A CN 116779094A
Authority
CN
China
Prior art keywords
medication
combination
topic
combinations
score
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.)
Pending
Application number
CN202210665946.4A
Other languages
English (en)
Inventor
陈陪蓉
蔡宗宪
陈亮恭
萧斐元
黄世宗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Acer Inc
Original Assignee
Acer Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Acer Inc filed Critical Acer Inc
Publication of CN116779094A publication Critical patent/CN116779094A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Medicinal Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Toxicology (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)

Abstract

本发明提供一种检查药物相互作用的方法和电子装置。方法包含：根据多个病历产生第一用药组合以及住院事件之间的第一比值比、第二用药组合以及住院事件之间的第二比值比以及第三用药组合以及住院事件之间的第三比值比；根据第二比值比产生对应于第一药物的第一分数；根据第三比值比产生对应于第二药物的第二分数；以及响应于第一比值比大于第一阈值，第一分数与第二分数的总和大于第二阈值，并且第一分数与第二分数的商数小于第三阈值，输出第一用药组合。

Description

检查药物相互作用的方法和电子装置
技术领域
本发明涉及一种检查药物相互作用的方法和电子装置。
背景技术
病患时常需要在同一段时间内服用多种药物。这些药物之间可能会产生交互作用导致严重的不良反应，致使病患非预期住院。为了避免上述的情况发生，须对各种用药组合进行相互作用的检查。然而，用药组合的数量庞大，逐一检查各种用药组合是非常没有效率的。因此，如何提出一种能快速地检查出具有高风险的用药组合的方法，是本领域人员致力的目标之一。
发明内容
本发明提供一种检查药物相互作用的方法和电子装置，可输出具有高风险的用药组合以供用户参考。
本发明的一种检查药物相互作用的方法，包含：取得多个病历，其中多个病历的至少其中之一指示服用第一用药组合的病患是否发生住院事件；根据多个病历产生用药组合集合，其中用药组合集合包含第一用药组合、第二用药组合以及第三用药组合，其中第一用药组合与第二用药组合均包含第一药物，并且第一用药组合与第三用药组合均包含第二药物；根据多个病历产生第一用药组合以及住院事件之间的第一比值比、第二用药组合以及住院事件之间的第二比值比以及第三用药组合以及住院事件之间的第三比值比；根据第二比值比产生对应于第一药物的第一分数，其中第一分数与第二比值比负相关；根据第三比值比产生对应于第二药物的第二分数，其中第二分数与第三比值比负相关，其中第一分数大于或等于第二分数；以及响应于第一比值比大于第一阈值，第一分数与第二分数的总和大于第二阈值，并且第一分数与第二分数的商数小于第三阈值，输出第一用药组合。
在本发明的一实施例中，上述的根据第二比值比产生对应于第一药物的第一分数的步骤包含：响应于第二比值比大于风险阈值而标记第二用药组合；根据标记的第二用药组合产生第三分数，其中第三分数等于用药组合集合中包含第一药物但不包含第二药物且被标记的用药组合的数量除以用药组合集合中包含第一药物但不包含第二药物的用药组合的数量；以及根据第三分数计算第一分数，其中第一分数与第三分数的总和等于一。
在本发明的一实施例中，上述的根据多个病历产生用药组合集合的步骤包含：执行筛选流程以产生第一独有用药组合集合，包含：根据多个病历以及隐含狄利克雷分布模型产生包含第一主题向量的K个主题向量，其中K为第一主题数量，其中K个主题向量分别对应于K个主题，其中K个主题包含对应于第一主题向量的第一主题，其中第一主题向量包含所有用药组合的机率分布；自具有最大机率的用药组合开始，从第一主题向量中选出多个重要用药组合以产生第一重要用药组合集合；以及根据第一重要用药组合集合决定第一独有用药组合集合；以及根据第一独有用药组合集合产生用药组合集合。
在本发明的一实施例中，上述的K个主题包含第二主题，其中根据第一重要用药组合集合决定第一独有用药组合集合的步骤包含：响应于第一重要用药组合包含于与第一主题相对应的第一重要用药组合集合以及与第二主题相对应的第二重要用药组合集合，将第一重要用药组合自第一重要用药组合集合删除以产生第一独有用药组合集合。
在本发明的一实施例中，上述的根据第一独有用药组合集合产生用药组合集合的步骤包含：重复执行多次筛选流程以产生包含第一独有用药组合集合的多个独有用药组合集合；响应于多个独有用药组合集合中的第一用药组合的数量大于数量阈值，根据第一用药组合以产生对应于第一主题的第一稳定用药组合集合；以及根据第一稳定用药组合集合产生用药组合集合。
在本发明的一实施例中，上述的根据第一稳定用药组合集合产生用药组合集合的步骤包含：根据多个病历以及隐含狄利克雷分布模型产生分别对应于多个病历的多个病历向量，其中多个病历向量的每一者包含K个主题的机率分布；根据K个主题的机率分布判断多个病历中与第一主题相对应的病历集合；计算病历集合中的至少一病历占病历集合的比率，其中至少一病历指示第一稳定用药组合集合中的至少一用药组合；以及响应于比率大于比率阈值，根据第一稳定用药组合集产生用药组合集合，其中用药组合集合包含第一稳定用药组合集中的多个用药组合。
在本发明的一实施例中，上述的病历集合中的第一病历对应于K个主题的第一机率分布，其中根据K个主题的机率分布判断多个病历中与第一主题相对应的病历集合的步骤包含：响应于第一机率分布中的最大机率对应于第一主题，判断第一病历对应于第一主题。
在本发明的一实施例中，上述的方法还包含：根据多个病历以及隐含狄利克雷分布模型产生对应于第一主题数量的第一指标以及对应于第二主题数量的第二指标；以及比较第一指标与第二指标以从第一主题数量与第二主题数量中选出第一主题数量以作为K。
在本发明的一实施例中，上述的产生对应于第一主题数量的第一指标的步骤包含：根据多个病历、隐含狄利克雷分布模型以及第一主题数量产生K个主题向量；以及计算K个主题向量的所有2-组合的平均相似度以作为第一指标。
在本发明的一实施例中，上述的产生对应于第一主题数量的第一指标的步骤包含：根据多个病历、隐含狄利克雷分布模型以及第一主题数量产生分别对应于多个病历的多个病历向量，其中多个病历向量的每一者包含K个主题的机率分布；根据K个主题的机率分布判断多个病历中与第一主题相对应的至少一病历；以及根据至少一病历的个数与多个病历的总数计算比率以作为第一指标。
在本发明的一实施例中，上述的根据K个主题的机率分布判断多个病历中与第一主题相对应的至少一病历的步骤包含：自多个病历向量取得对应于至少一病历的K个主题的第一机率分布；以及响应于第一机率分布中的最大机率对应于第一主题且大于机率阈值，判断至少一病历对应于第一主题。
在本发明的一实施例中，上述的产生对应于第一主题数量的第一指标的步骤包含：根据多个病历、隐含狄利克雷分布模型以及第一主题数量产生分别对应于多个病历的多个病历向量，其中多个病历向量的每一者包含K个主题的机率分布；根据K个主题的机率分布将多个病历分为K个群组，其中K个群组分别对应于K个主题；根据K个群组计算群组间距离的第一统计值；根据K个群组计算群组内距离的第二统计值；以及计算第一统计值与第二统计值的比率以作为第一指标。
在本发明的一实施例中，上述的根据K个群组计算群组间距离的第一统计值的步骤包含：计算K个主题向量之间的多个距离；以及将多个距离相加以求得第一统计值。
在本发明的一实施例中，上述的K个群组包含第一群组以及第二群组，其中根据K个群组计算群组内距离的第二统计值的步骤包含：计算第一群组中的多个元素之间的多个距离以产生对应于第一群组的第一群组内距离总和；以及将对应于第一群组的第一群组内距离总和与对应于第二群组的第二群组内距离总和相加以求得第二统计值。
本发明的一种检查药物相互作用的电子装置，包含处理器以及收发器。处理器耦接收发器并且经配置以执行：通过收发器取得多个病历，其中多个病历的至少其中之一指示服用第一用药组合的病患是否发生住院事件；根据多个病历产生用药组合集合，其中用药组合集合包含第一用药组合、第二用药组合以及第三用药组合，其中第一用药组合与第二用药组合均包含第一药物，并且第一用药组合与第三用药组合均包含第二药物；根据多个病历产生第一用药组合以及住院事件之间的第一比值比、第二用药组合以及住院事件之间的第二比值比以及第三用药组合以及住院事件之间的第三比值比；根据第二比值比产生对应于第一药物的第一分数，其中第一分数与第二比值比负相关；根据第三比值比产生对应于第二药物的第二分数，其中第二分数与第三比值比负相关，其中第一分数大于或等于第二分数；以及响应于第一比值比大于第一阈值，第一分数与第二分数的总和大于第二阈值，并且第一分数与第二分数的商数小于第三阈值，通过收发器输出第一用药组合。
基于上述，本发明可从众多的用药组合中筛选出具有高风险的用药组合，并可确认所述用药组合成为高风险的原因并非来自于用药组合中的药物本身，而是来自于药物的交互作用。
附图说明
图1根据本发明的一实施例示出一种检查药物交互作用的电子装置的示意图；
图2根据本发明的一实施例示出主题之间的平均相似度与主题数量K的关系的示意图；
图3根据本发明的一实施例示出具有偏重主题的病历的比率与主题数量K的关系的示意图；
图4根据本发明的一实施例示出分群效能指标与主题数量K的关系的示意图；
图5根据本发明的一实施例示出利用手肘法找出重要用药组合的示意图；
图6根据本发明的一实施例示出一种检查药物交互作用的方法的流程图。
附图标记说明
100：电子装置；
110：处理器；
120：存储介质；
130：收发器；
50：曲线；
S601、S602、S603、S604、S605、S606：步骤。
具体实施方式
现将详细地参考本发明的示范性实施例，示范性实施例的实例说明于附图中。只要有可能，相同元件符号在附图和描述中用来表示相同或相似部分。
图1根据本发明的一实施例示出一种检查药物交互作用的电子装置100的示意图。电子装置100可包含处理器110、存储介质120以及收发器130。
处理器110例如是中央处理单元(central processing unit，CPU)，或是其他可程序化的一般用途或特殊用途的微控制单元(micro control unit，MCU)、微处理器(microprocessor)、数字信号处理器(digital signal processor，DSP)、可程序化控制器、特殊应用集成电路(application specific integrated circuit，ASIC)、图形处理器(graphics processing unit，GPU)、图像信号处理器(image signal processor，ISP)、图像处理单元(image processing unit，IPU)、算数逻辑单元(arithmetic logic unit，ALU)、复杂可程序逻辑装置(complex programmable logic device，CPLD)、现场可程序化逻辑门阵列(field programmable gate array，FPGA)或其他类似组件或上述组件的组合。处理器110可耦接至存储介质120以及收发器130，并且存取和执行存储于存储介质120中的多个模块和各种应用程序。
存储介质120例如是任何型态的固定式或可移动式的随机存取内存(randomaccess memory，RAM)、只读存储器(read-only memory，ROM)、闪存(flash memory)、硬盘(hard disk drive，HDD)、固态硬盘(solid state drive，SSD)或类似组件或上述组件的组合，而用于存储可由处理器110执行的多个模块或各种应用程序。
收发器130以无线或有线的方式传送及接收信号。收发器130还可以执行例如低噪声放大、阻抗匹配、混频、向上或向下频率转换、滤波、放大以及类似的操作。
处理器110可通过收发器130取得分别对应于N位病患的N个病历，其中N为正整数。病历可指示病患曾经服用过的用药组合，其中一用药组合可包含两种药物。举例来说，用药组合(α,β)可包含药物α以及药物β。病历还可指示病患是否发生非预期的住院事件。表1为N个病历的示意图。以病历#1为例，病历#1指示对应于病历#1的病患曾经服用过药物A和药物B的组合(A,B)、药物X和药物Y的组合(X,Y)以及药物U和药物W的组合(U,W)。病历#1还指示对应于病历#1的病患曾经发生非预期的住院事件。也就是说，病患曾经服用过的用药组合可能导致非预期的住院事件发生。以病历#N为例，病历#N指示对应于病历#N的病患曾经服用过药物C和药物D的组合(C,D)以及药物O和药物P的组合(O,P)。病历#N还指示对应于病历#N的病患未曾发生非预期的住院事件。也就是说，病患曾经服用过的用药组合并未导致非预期的住院事件发生。病历上的用药组合例如是以解剖学治疗学及化学分类(anatomical therapeutic chemical，ATC)代码的形式记载的。
表1
病历 用药组合 住院事件
#1 (A,B),(X,Y),(U,W) 是
#2 (G,H) 是
… … …
#N (C,D),(O,P) 否
在本实施例中，假设N个病历共记载了M个用药组合，其中M为正整数。以表1为例，M个用药组合至少包含用药组合(A,B)、(X,Y)、(U,W)、(G,H)、(C,D)以及(O,P)。M个用药组合即为N个病例中的所有用药组合的联集。
处理器110可根据N个病历产生包含多个用药组合的用药组合集合，进而从用药组合集合挑选出具有高风险交互作用的用药组合以供用户参考。首先，处理器110可使用隐含狄利克雷分布(Latent Dirichlet allocation，LDA)模型分析N个病历。LDA模型的参数可包含主题数量K，其中K为正整数。K可决定LDA模型所产生的输出与K个主题有关。处理器110可先决定最佳主题数量Kopt的值。
具体来说，LDA模型的输出可关联于主题(topic)和词语(word)。处理器110可将N个病历输入至LDA模型以产生分别对应于K个主题(或称为用药模式)的K个主题向量。每一个主题向量可包含所有用药组合(即：M个用药组合)的机率分布。用药组合即为LDA模型的词语。主题向量包含所有词语的机率分布(word distribution)。换句话说，主题向量可以是包含M个机率的向量，其中M个机率分别对应于M个用药组合。
表2为K个主题向量的范例。以对应于主题#1的主题向量为例，主题向量可至少包含对应于用药组合(A,B)的机率值“0.20”、对应于用药组合(C,D)的机率值“0.05”以及对应于用药组合(X,Y)的机率值“0.20”。主题向量中的所有元素(即：M个机率)的总和等于“1”。
表2
编号 用药组合 主题#1 主题#2 … 主题#K
#1 (A,B) 0.20 0.00 … 0.10
#2 (C,D) 0.05 0.10 … 0.20
… … … … … …
#M (X,Y) 0.20 0.15 … 0.05
另一方面，LDA模型还可根据N个病历产生分别对应于N个病历的N个病历向量。每一个病历向量可包含K个主题的机率分布(topic distribution)。换句话说，病历向量可以是包含K个机率的向量，其中K个机率分别对应于K个主题。表3为N个病历向量的范例。以对应于病历#1的病历向量为例，病历向量可至少包含对应于主题#1的机率值“0.20”、对应于主题#2的机率值“0.00”以及对应于主题#K的机率值“0.10”。病历向量中的所有元素(即：K个机率)的总和等于“1”。
表3
病历 主题#1 主题#2 … 主题#K
#1 0.20 0.00 … 0.10
#2 0.05 0.10 … 0.20
… … … … …
#N 0.00 0.05 … 0.15
处理器110可根据主题之间的相似度、具有偏重主题(即：具有偏重用药模式)的病历的比率以及分群效能指标等因素来决定最佳主题数量Kopt的值。
为了找出各种不同的用药模式，主题与主题之间的差异越大越好。也就是说，主题与主题之间的相似度越低越好。在一实施例中，处理器110可计算K个主题向量的所有2-组合(2-combination，总共有个)的平均相似度以作为决定最佳主题数量Kopt的指标。相似度例如是余弦(cosine)相似度或雅卡尔(Jaccard)相似度，但本公开不限于此。以表2为例，假设K等于“3”。处理器110可计算对应于主题#1的主题向量[0.20 0.05 … 0.20]与对应于主题#2的主题向量[0.00 0.10 … 0.15]之间的相似度、对应于主题#1的主题向量[0.200.05 … 0.20]与对应于主题#3的主题向量[0.10 0.20 … 0.05]之间的相似度以及对应于主题#2的主题向量[0.00 0.10 … 0.15]与对应于主题#3的主题向量[0.10 0.20 …0.05]之间的相似度等三个相似度，并且计算三个相似度的平均以取得平均相似度，如表4所示。
表4
图2根据本发明的一实施例示出主题之间的平均相似度与主题数量K的关系的示意图。比较各个主题数量K所对应的平均相似度后可发现，当K值越大时，主题之间的平均相似度越小。因此，若以平均相似度作为决定最佳主题数量Kopt的指标，则处理器110可选择较大的值以作为最佳主题数量Kopt。
为了使每一个不同的病历(或病人)被归类在具有代表性的用药模式，具有偏重主题的病历的比率越大越好。在一实施例中，处理器110可根据与特定主题相对应的病历的个数与所有病历的总数(即：N)计算比率以作为决定最佳主题数量Kopt的指标。具体来说，处理器110可根据病历向量中的K个主题的机率分布判断所述病历向量是否偏重于特定的主题。若机率分布中的最大机率对应于一特定主题且所述最大机率大于机率阈值，则处理器110可判断所述病历向量(或病历)偏重于所述特定主题。
表5
主题 病历#1 病历#2 病历#3 病历#4 病历#5
#1 0.60 0.05 0.40 0.10 0.35
#2 0.30 0.70 0.25 0.20 0.30
#3 0.10 0.25 0.35 0.70 0.35
表5为多个病历向量的范例，其中假设N等于“5”，K等于“3”，并且机率阈值等于“0.50”。以病历#1为例，处理器110可响应于病历#1中的最大机率“0.60”对应于主题#1且大于机率阈值“0.50”而判断病历#1偏重于主题#1。以病历#3为例，处理器110可响应于病历#3中的最大机率“0.40”小于或等于“0.50”而判断病历#3并未偏重于任何主题。依此类推，处理器110可根据表5的数据取得所有病历的每一者所偏重的主题，如表6所示。
表6
病历#1 病历#2 病历#3 病历#4 病历#5
偏重主题 主题#1 主题#2 无 主题#3 无
在取得每一个病历所偏重的主题后，处理器110可计算与特定主题相对应的病历的个数与所有病历的总数的比率以作为指标。以表6为例，与特定主题相对应的病历(即：病历#1、病历#2和病历#4)的个数等于“3”并且所有病历的总数N等于“5”。处理器110可计算出比率“3/5”以作为用以决定最佳主题数量Kopt的指标。
图3根据本发明的一实施例示出具有偏重主题的病历的比率与主题数量K的关系的示意图。比较各个主题数量K所对应的比率后可发现，当K值越小时，具有偏重主题的病历的比率越大。因此，若以具有偏重主题的病历的比率作为决定最佳主题数量Kopt的指标，则处理器110可选择较小的值以作为最佳主题数量Kopt。
在一实施例中，处理器110可以分群效能指标作为决定最佳主题数量Kopt的指标。首先，处理器110可将病历分配至特定主题的群组。具体来说，处理器110可根据对应于病历的病例向量中的K个主题的机率分布将所述病历分配至K个群组的其中之一，其中K个群组分别对应于K个主题。处理器110例如可将病历分配至对应于病历例向量中的最大机率的主题的群组。以表5为例，处理器110可将病历#1分配至对应于主题#1的群组，将病历#2分配至对应于主题#2的群组，将病历#3分配至对应于主题#1的群组，并且将病历#4分配至对应于主题#3的群组。若病历向量中存在复数个最大机率，则处理器110可根据默认规则或随机地将病历分配至对应于复数个最大机率的其中之一的主题。以表5为例，处理器110可根据默认规则或随机地将病历#5分配至对应于主题#1和主题#3的其中之一的群组。
在为N个病例分配好群组后，处理器110可根据K个群组计算对应于群组间距离的第一统计值以及对应于群组内距离的第二统计值。分群效能指标可等于第一统计值与第二统计值的比率。
第一统计值例如是K个主题向量之间的多个距离的总和。具体来说，第一统计值可为K个群组的所有2-组合的距离的总和。举例来说，假设K等于“3”且K个群组包含群组#1、群组#2和群组#3。处理器110可计算群组#1与群组#2之间的距离、群组#1与群组#3之间的距离以及群组#2与群组#3之间的距离等三个距离，并且计算三个距离的总和以取得第一统计值。距离可根据主题向量之间的距离计算。举例来说，对应于主题#1的群组#1和对应于主题#2的群组#2之间的距离可等于对应于主题#1的主题向量(例如：表2的[0.20 0.05…0.20])与对应于主题#2的主题向量(例如：表2的[0.00 0.10…0.15])等两个主题向量之间的距离。群组之间的距离越大，代表分群的效能越好。因此，第一统计值可与分群效能指标呈正比。
第二统计值例如是分别对应于K个群组的K个群组内距离的总和。每一个群组的群组内距离可等于群组中的多个元素之间的多个距离的总和。更详细来说，对应于群组的群组内距离可为所述群组中的所有元素的所有2-组合的距离的总和。以对应于主题#1的群组#1为例，假设群组#1包含病历#1、病历#2和病例#3等三个元素(即：N个病例中有三个病例与主题#1相对应)，处理器110可计算病历#1和病历#2之间的距离、病历#1和病历#3之间的距离以及病历#2和病历#3之间的距离等三个距离，并且将三个距离相加以取得群组#1的群组内距离。
在一实施例中，处理器110可将病历中记载的用药组合向量化以计算病历之间的距离。以表1的病历#1和病历#2为例，若处理器110欲计算病历#1和病历#2之间的距离，处理器110可将病历#1的用药组合“(A,B),(X,Y),(U,W)”转换为一向量并可将病历#2的用药组合“(G,H)”转换为另一向量。处理器110可计算两个向量之间的距离以作为病历#1和病历#2之间的距离。群组内的元素之间的距离越小，代表分群的效能越好。因此，第二统计值可与分群效能指标呈反比。
图4根据本发明的一实施例示出分群效能指标与主题数量K的关系的示意图。比较各个主题数量K所对应的比率后可发现，当K值越大时，分群效能指标越大。因此，若以分群效能指标作为决定最佳主题数量Kopt的指标，则处理器110可选择较大的值以作为最佳主题数量Kopt。
处理器110可根据图2、图3和图4来决定最佳主题数量Kopt。在决定好最佳主题数量Kopt后，处理器110可将最佳主题数量Kopt设为LDA模型参数中的主题数量K。接着，处理器110可根据主题数量K、LDA模型和N个病例产生分别对应于K个主题的K个主题向量(如表2的范例)和分别对应于N个病例的N个病例向量(如表3的范例)。
处理器110可执行筛选流程以为K个主题的每一者产生对应的独有用药组合集合。具体来说，处理器110可根据主题向量中所有用药组合(即：M个用药组合)的机率分布选出一或多个重要用药组合以产生对应于所述主题向量的重要用药组合集合。在一实施例中，处理器110可使用手肘法(elbow method)以自具有最大机率的用药组合开始，从主题向量中选出多个重要用药组合以产生重要用药组合集合。
表7为重要用药组合集合的范例。以主题#1为例，处理器110可根据对应于主题#1的主题向量将用药组合依据机率的大小排列。具有越大机率的用药组合排在越前面。接着，处理器110可利用手肘法找出经过排列的用药组合的拐点(inflection point)，并且选出排列在拐点之前的用药组合以作为重要用药组合。图5根据本发明的一实施例示出利用手肘法找出重要用药组合的示意图。处理器110可将特定主题(例如：主题#1)中的用药组合依据机率的大小排列以画出曲线50。若拐点为第四个用药组合(即：具有第四大机率的用药组合)，处理器110可从M个用药组合中选出排列在前四个的用药组合(即：具有前四大机率的用药组合)以产生重要用药组合集合。主题#1的主题向量中，用药组合(A,B)具有最大机率，用药组合(C,D)具有次大机率，用药组合(E,F)具有第三大机率，并且用药组合(G,H)具有第四大机率。若用药组合(G,H)对应于拐点，则处理器110可挑选排列在用药组合(G,H)之前的用药组合以产生重要用药组合集合。
表7
主题 重要用药组合集合
#1 (A,B),(C,D),(E,F),(G,H)
#2 (G,H),(I,J),(X,Y),(S；W)
… …
#K (S；W),(O,P),(Q,R)
在取得分别对应于K个主题的K个重要用药组合集合后，处理器110可根据K个重要用药组合集合产生分别对应于K个主题的K个独有用药组合集合。具体来说，处理器110可将重复出现于不同重要用药组合集合的用药组合删除以产生独有用药组合集合。以表7为例，处理器110可响应于用药组合(G,H)包含于与主题#1相对应的重要用药组合集合且包含于与主题#2相对应的重要用药组合而将用药组合(G,H)自主题#1的重要用药组合集合中删除，并且将用药组合(G,H)自主题#2的重要用药组合集合中删除，藉以产生独有用药组合集合，如表8所示。表8可为处理器110执行第一次筛选流程所产生的结果。
表8
由于LDA算法具有机率性，故前述的筛选流程中选出的重要且独有的用药组合可能仅是偶然出现在这次的筛选流程中。为了确保筛选出的用药组合是稳定的，处理器110可重复执行多次筛选流程。具体来说，处理器110可执行多次筛选流程以产生多个独有用药组合集合。处理器110可响应于多个独有用药组合集合中的特定用药组合的数量大于数量阈值而根据所述特定用药组合产生稳定用药组合集合，其中所述稳定用药组合集合与所述特定用药组合对应于相同的主题。
以对应于主题#1的独有用药组合集合中的用药组合(A,B)为例，假设处理器110执行10次筛选流程且数量阈值为“6”。若用药组合(A,B)出现的筛选流程如表9所示，则处理器110可响应于用药组合(A,B)在10次筛选流程中出现的次数(即：7次)大于数量阈值而判断用药组合(A,B)是稳定的。据此，处理器110可根据用药组合(A,B)产生对应于主题#1的稳定用药组合集合，其中对应于主题#1的稳定用药组合集合例如是表8中的用药组合(A,B)、(C,D)和(E,F)。
表9
筛选流程 #1 #2 #3 #4 #5 #6 #7 #8 #9 #10
(A,B)存在？ 是 是 是 否 是 否 是 是 否 是
表10为各个主题的稳定用药组合的范例。在产生分别对应于K个主题的K个稳定用药组合集合后，处理器110可验证各个稳定用药组合集合是否符合足够多人的用药模式。具体来说，处理器110可根据病历向量中K个主题的机率分布中的最大机率判断病例所对应的主题。若病历的病历向量中的最大机率对应于特定主题，则处理器110可判断所述病例对应于所述特定主题。若病历向量中包含复数个最大机率，则处理器110可根据默认规则或随机地判断对应于复数个最大机率的其中之一的主题与病历相对应。在完成判断后，每个主题可对应于包含至少一病例的病历集合。举例来说，若N个病例中共有10个病例对应于主题#1，则代表主题#1所对应的病历集合包含10个病例。
表10
主题 稳定用药组合集合
#1 (A,B),(C,D),(E,F)
#2 (I,J),(X,Y)
… …
#K (O,P),(Q,R)
处理器110可计算病历集合中的至少一病例占病历集合的比率，其中所述至少一病例指示稳定用药组合集合中的至少一用药组合。若比率大于比率阈值，代表符合稳定用药组合集合所对应的主题(即：用药模式)的病历的样本数足够。据此，处理器110可根据稳定用药组合集合产生最终的用药组合集合。举例来说，假设比率阈值为50％。若在N个病例中，有60％的病历包含主题#1所对应的稳定用药组合集合中的至少一用药组合，代表符合主题#1的用药模式的样本(即：病历)足够。因此，处理器110可根据主题#1所对应的稳定用药组合集合产生最终的用药组合集合。表11为主题#1所对应的病历集合的范例。相对来说，若在N个病例中，仅有40％的病历包含主题#1所对应的稳定用药组合集合中的至少一用药组合，代表符合主题#1的用药模式的样本不足够。因此，处理器110可不根据主题#1所对应的稳定用药组合集合产生最终的用药组合集合。
假设主题#1对应的病历集合至少包含病历#10、#11和#12(即：病历#10、#11和#12的偏重主题为主题#1)。参考表10和表11，由于病历#10记载的用药组合(C,D)出现在主题#1的稳定用药组合集合中，故处理器110可判断病历#10为上述至少一病例的其中之一。由于病历#11记载的用药组合(E,F)出现在主题#1的稳定用药组合集合中，故处理器110可判断病历#11为上述至少一病例的其中之一。由于病历#12记载的用药组合(X,Y)并未出现在主题#1的稳定用药组合集合中，故处理器110可判断病历#12非为上述至少一病例的其中之一。
表11
处理器110可根据上述的步骤检查K个稳定用药组合集合中的每一者是否符合足够多人的用药模式。若稳定用药组合集合符合足够多人的用药模式，则处理器110可保留所述稳定用药组合集合。若稳定用药组合集合不符合足够多人的用药模式，则处理器110可删除所述稳定用药组合集合。据此，处理器110可从分别对应于K个主题的K个稳定用药组合集合选出k个稳定用药组合集合，其中k为小于或等于K的正整数。处理器110可取k个稳定用药组合集合的联集以取得最终的用药组合集合，其中所述用药组合集合可包含多个用药组合。最终的用药组合集合中的每一个用药组合具有高重要性、高独特性和高稳定性等特性，且符合大量病人的用药模式。
在取得最终的用药组合集合后，处理器110可为用药组合集合中的用药组合标记风险等级。具体来说，处理器110可根据N个病例为特定的用药组合计算比值比(oddsratio，OR)，如方程式(1)和表12的混淆矩阵所示，其中e1y1代表N个病例中曾经服用用药组合且曾发生住院事件的病历的数量，e1y0代表N个病例中曾经服用用药组合但未曾发生住院事件的病历的数量，e0y1代表N个病例中未曾服用用药组合但曾发生住院事件的病历的数量，并且e0y0代表N个病例中未曾服用用药组合且未曾发生住院事件的病历的数量。
表12
N个病例 曾发生住院事件 未曾发生住院事件
曾经服用该用药组合 e1y1 e1y0
未曾服用该用药组合 e0y1 e0y0
在计算完用药组合集合中的每一个用药组合的比值比后，处理器110可根据用药组合的比值比为用药组合标记风险等级。若用药组合的比值比大于风险阈值，代表所述用药组合非常可能是导致住院事件发生的原因。据此，处理器110可将所述用药组合标记为高风险。相对来说，若用药组合的比值比小于或等于风险阈值，代表所述用药组合与住院事件发生较不相关。据此，处理器110可将所述用药组合标记为低风险。表13为用药组合的风险等级标记的范例。假设风险阈值为“1.3”，则处理器110可将比值比大于“1.3”的用药组合标记为高风险，并且将比值比小于或等于“1.3”的用药组合标记为低风险。
表13
用药组合 比值比 标记
(A,C) 1.5 高风险
(A,D) 0.9 低风险
(A,E) 1.1 低风险
(A,F) 2.7 高风险
(B,G) 2.7 高风险
(B,H) 0.8 低风险
(B,I) 6.1 高风险
(B,J) 3.0 高风险
在取得用药组合集合中的每一个用药组合的标记后，处理器110可根据标记的用药组合的产生对应于所述用药组合中的一药物的风险组合分数(risk combinationfraction，RCF)。以用药组合(α,β)为例，为了确认用药组合(α,β)中的药物α与用药组合集合中的其他药物(即：除了药物β以外的药物)的组合是安全的，处理器110可根据方程式(2)计算对应于药物α的风险组合分数RCF(或称为“第三分数”)，其中S(α，β)为用药组合集合中包含药物α但不包含药物β的用药组合的数量，并且S′(α，β)为用药组合集合中包含药物α但不包含药物β且被标记为高风险的用药组合的数量。
在取得药物α的RCF后，处理器110可根据方程式(3)计算药物α的正常组合分数(normal combination fraction，NCF)(或称为“第一分数”或“第二分数”)。药物α的正常组合分数越高，代表药物α与除了药物β的其他药物的用药组合的风险越低。药物α的NCF可与用药组合中包含药物α但不包含药物β的用药组合的比值比负相关。以表13为例，药物A的NCF可与用药组合(A,C)、(A,D)、(A,E)或(A,F)的比值比负相关。
NCF＝1-RCF…(3)
以表13的药物A为例，假设表13包含了用药组合集合中除了用药组合(A,B)以外的所有用药组合，其中包含药物A且被标记为高风险的用药组合共有两个，分别为用药组合(A,C)和(A,F)。据此，处理器110可根据方程式(2)和(3)计算出药物A的RCF等于“0.5”且药物A的NCF等于“0.5”。以表13的药物B为例，表13中包含药物B且被标记为高风险的用药组合共有三个，分别为用药组合(B,G)、(B,I)和(B,J)。据此，处理器110可根据方程式(2)和(3)计算出药物B的RCF等于“0.75”且药物B的NCF等于“0.25”。
假设药物α的NCF大于或等于药物β的NCF，在取得药物α的NCF和药物β的NCF后，处理器110可计算药物α的NCF和药物β的NCF的商数(或比值)Q(α,β)，如方程式(4)所示，其中NCF(α)为药物α的NCF且NCF(β)为药物β的NCF。Q(α,β)的数值大于或等于1，且该数值越低代表药物α与除了药物β的其他药物的用药组合的风险以及药物β与除了药物α的其他药物的用药组合的风险越相近。
处理器110可根据以下三个条件判断特定用药组合是否具有高风险的相互作用。以用药组合(α,β)为例，若用药组合(α,β)的比值比大于第一阈值，药物α的NCF(α)与药物β的NCF(β)的总和(或称为NCF总和)大于第二阈值，并且药物α的NCF(α)与药物β的NCF(β)的商数(或称为NCF商数)小于第三阈值，则处理器110可判断用药组合(α,β)具有高风险的交互作用。处理器110可通过收发器130输出用药组合(α,β)以供使用者参考。
表14为多个用药组合的比值比和NCF的相关参数。假设第一阈值为“2.0”，第二阈值为“1.2”，且第三阈值为“1.8”。由于用药组合(E,F)的比值比大于第一阈值，NCF总和大于第二阈值，且NCF商数小于第三阈值，故处理器110可判断用药组合(E,F)完全符合三个条件。据此，处理器110可输出用药组合(E,F)。由于用药组合(G,H)的比值比小于第一阈值，故处理器110可判断用药组合(G,H)并未完全符合三个条件。据此，处理器110可不输出用药组合(G,H)。由于用药组合(A,B)的NCF总和小于第二阈值或NCF商数大于第三阈值，故处理器110可判断用药组合(A,B)并未完全符合三个条件。据此，处理器110可不输出用药组合(A,B)。由于用药组合(C,D)的NCF商数大于第三阈值，故处理器110可判断用药组合(C,D)并未完全符合三个条件。据此，处理器110可不输出用药组合(C,D)。
表14
图6根据本发明的一实施例示出一种检查药物交互作用的方法的流程图，其中所述方法可由如图1所示的电子装置100实施。在步骤S601中，取得多个病历，其中多个病历的至少其中之一指示服用第一用药组合的病患是否发生住院事件。在步骤S602中，根据多个病历产生用药组合集合，其中用药组合集合包含第一用药组合、第二用药组合以及第三用药组合，其中第一用药组合与第二用药组合均包含第一药物，并且第一用药组合与第三用药组合均包含第二药物。在步骤S603中，根据多个病历产生第一用药组合以及住院事件之间的第一比值比、第二用药组合以及住院事件之间的第二比值比以及第三用药组合以及住院事件之间的第三比值比。在步骤S604中，根据第二比值比产生对应于第一药物的第一分数，其中第一分数与第二比值比负相关。在步骤S605中，根据第三比值比产生对应于第二药物的第二分数，其中第二分数与第三比值比负相关，其中第一分数大于或等于第二分数。在步骤S606中，响应于第一比值比大于第一阈值，第一分数与第二分数的总和大于第二阈值，并且第一分数与第二分数的商数小于第三阈值，输出第一用药组合。
综上所述，本发明的电子装置可通过隐含狄利克雷分布模型对多个病历进行分析，基于用药模式的相似度、病人偏重用药模式或分群效能指标的因素选出用以对用药组合群组的最佳数量。在根据最佳数量将各个用药组合群组至特定的用药模式后，电子装置可根据用药组合的重要性、独特性、稳定性和样本数量等因素筛选出最具有代表性的多个用药组合。若特定用药组合中的两种安全药物容易产生不良的交互作用，则输出特定用药组合的信息供用户参考。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。

Claims (15)

1.一种检查药物相互作用的方法，其特征在于，包括：
取得多个病历，其中所述多个病历的至少其中之一指示服用第一用药组合的病患是否发生住院事件；
根据所述多个病历产生用药组合集合，其中所述用药组合集合包括所述第一用药组合、第二用药组合以及第三用药组合，其中所述第一用药组合与所述第二用药组合均包括第一药物，并且所述第一用药组合与所述第三用药组合均包括第二药物；
根据所述多个病历产生所述第一用药组合以及所述住院事件之间的第一比值比、所述第二用药组合以及所述住院事件之间的第二比值比以及所述第三用药组合以及所述住院事件之间的第三比值比；
根据所述第二比值比产生对应于所述第一药物的第一分数，其中所述第一分数与所述第二比值比负相关；
根据所述第三比值比产生对应于所述第二药物的第二分数，其中所述第二分数与所述第三比值比负相关，其中所述第一分数大于或等于所述第二分数；以及
响应于所述第一比值比大于第一阈值，所述第一分数与所述第二分数的总和大于第二阈值，并且所述第一分数与所述第二分数的商数小于第三阈值，输出所述第一用药组合。
2.根据权利要求1所述的方法，其中根据所述第二比值比产生对应于所述第一药物的所述第一分数的步骤包括：
响应于所述第二比值比大于风险阈值而标记所述第二用药组合；
根据标记的所述第二用药组合产生第三分数，其中所述第三分数等于所述用药组合集合中包括所述第一药物但不包含所述第二药物且被标记的用药组合的数量除以所述用药组合集合中包括所述第一药物但不包括所述第二药物的用药组合的数量；以及
根据所述第三分数计算所述第一分数，其中所述第一分数与所述第三分数的总和等于一。
3.根据权利要求1所述的方法，其中根据所述多个病历产生所述用药组合集合的步骤包括：
执行筛选流程以产生第一独有用药组合集合，包括：
根据所述多个病历以及隐含狄利克雷分布模型产生包括第一主题向量的K个主题向量，其中K为第一主题数量，其中所述K个主题向量分别对应于K个主题，其中所述K个主题包括对应于所述第一主题向量的第一主题，其中所述第一主题向量包括所有用药组合的机率分布；
自具有最大机率的用药组合开始，从所述第一主题向量中选出多个重要用药组合以产生第一重要用药组合集合；以及
根据所述第一重要用药组合集合决定所述第一独有用药组合集合；以及
根据所述第一独有用药组合集合产生所述用药组合集合。
4.根据权利要求3所述的方法，其中所述K个主题包括第二主题，其中根据所述第一重要用药组合集合决定所述第一独有用药组合集合的步骤包括：
响应于第一重要用药组合包含于与所述第一主题相对应的所述第一重要用药组合集合以及与所述第二主题相对应的第二重要用药组合集合，将所述第一重要用药组合自所述第一重要用药组合集合删除以产生所述第一独有用药组合集合。
5.根据权利要求3所述的方法，其中根据所述第一独有用药组合集合产生所述用药组合集合的步骤包括：
重复执行多次所述筛选流程以产生包括所述第一独有用药组合集合的多个独有用药组合集合；
响应于所述多个独有用药组合集合中的所述第一用药组合的数量大于数量阈值，根据所述第一用药组合以产生对应于所述第一主题的第一稳定用药组合集合；以及
根据所述第一稳定用药组合集合产生所述用药组合集合。
6.根据权利要求5所述的方法，其中根据所述第一稳定用药组合集合产生所述用药组合集合的步骤包括：
根据所述多个病历以及所述隐含狄利克雷分布模型产生分别对应于所述多个病历的多个病历向量，其中所述多个病历向量的每一者包括所述K个主题的机率分布；
根据所述K个主题的所述机率分布判断所述多个病历中与所述第一主题相对应的病历集合；
计算所述病历集合中的至少一病历占所述病历集合的比率，其中所述至少一病历指示所述第一稳定用药组合集合中的至少一用药组合；以及
响应于所述比率大于比率阈值，根据所述第一稳定用药组合集产生所述用药组合集合，其中所述用药组合集合包括所述第一稳定用药组合集中的多个用药组合。
7.根据权利要求6所述的方法，其中所述病历集合中的第一病历对应于所述K个主题的第一机率分布，其中根据所述K个主题的所述机率分布判断所述多个病历中与所述第一主题相对应的所述病历集合的步骤包括：
响应于所述第一机率分布中的最大机率对应于所述第一主题，判断所述第一病历对应于所述第一主题。
8.根据权利要求3所述的方法，还包括：
根据所述多个病历以及所述隐含狄利克雷分布模型产生对应于所述第一主题数量的第一指标以及对应于第二主题数量的第二指标；以及
比较所述第一指标与所述第二指标以从所述第一主题数量与所述第二主题数量中选出所述第一主题数量以作为K。
9.根据权利要求8所述的方法，其中产生对应于所述第一主题数量的所述第一指标的步骤包括：
根据所述多个病历、所述隐含狄利克雷分布模型以及所述第一主题数量产生所述K个主题向量；以及
计算所述K个主题向量的所有2-组合的平均相似度以作为所述第一指标。
10.根据权利要求8所述的方法，其中产生对应于所述第一主题数量的所述第一指标的步骤包括：
根据所述多个病历、所述隐含狄利克雷分布模型以及所述第一主题数量产生分别对应于所述多个病历的多个病历向量，其中所述多个病历向量的每一者包括所述K个主题的机率分布；
根据所述K个主题的所述机率分布判断所述多个病历中与所述第一主题相对应的至少一病历；以及
根据所述至少一病历的个数与所述多个病历的总数计算比率以作为所述第一指标。
11.根据权利要求10所述的方法，其中根据所述K个主题的所述机率分布判断所述多个病历中与所述第一主题相对应的所述至少一病历的步骤包括：
自所述多个病历向量取得对应于所述至少一病历的所述K个主题的第一机率分布；以及
响应于所述第一机率分布中的最大机率对应于所述第一主题且大于机率阈值，判断所述至少一病历对应于所述第一主题。
12.根据权利要求8所述的方法，其中产生对应于所述第一主题数量的所述第一指标的步骤包括：
根据所述多个病历、所述隐含狄利克雷分布模型以及所述第一主题数量产生分别对应于所述多个病历的多个病历向量，其中所述多个病历向量的每一者包括所述K个主题的机率分布；
根据所述K个主题的所述机率分布将所述多个病历分为K个群组，其中所述K个群组分别对应于所述K个主题；
根据所述K个群组计算群组间距离的第一统计值；
根据所述K个群组计算群组内距离的第二统计值；以及
计算所述第一统计值与所述第二统计值的比率以作为所述第一指标。
13.根据权利要求12所述的方法，其中根据所述K个群组计算所述群组间距离的所述第一统计值的步骤包括：
计算所述K个主题向量之间的多个距离；以及
将所述多个距离相加以求得所述第一统计值。
14.根据权利要求12所述的方法，其中所述K个群组包括第一群组以及第二群组，其中根据所述K个群组计算所述群组内距离的所述第二统计值的步骤包括：
计算所述第一群组中的多个元素之间的多个距离以产生对应于所述第一群组的第一群组内距离总和；以及
将对应于所述第一群组的所述第一群组内距离总和与对应于所述第二群组的第二群组内距离总和相加以求得所述第二统计值。
15.一种检查药物相互作用的电子装置，其特征在于，包括：
收发器；以及
处理器，耦接所述收发器并且经配置以执行：
通过所述收发器取得多个病历，其中所述多个病历的至少其中之一指示服用第一用药组合的病患是否发生住院事件；
根据所述多个病历产生用药组合集合，其中所述用药组合集合包括所述第一用药组合、第二用药组合以及第三用药组合，其中所述第一用药组合与所述第二用药组合均包括第一药物，并且所述第一用药组合与所述第三用药组合均包括第二药物；
根据所述多个病历产生所述第一用药组合以及所述住院事件之间的第一比值比、所述第二用药组合以及所述住院事件之间的第二比值比以及所述第三用药组合以及所述住院事件之间的第三比值比；
根据所述第二比值比产生对应于所述第一药物的第一分数，其中所述第一分数与所述第二比值比负相关；
根据所述第三比值比产生对应于所述第二药物的第二分数，其中所述第二分数与所述第三比值比负相关，其中所述第一分数大于或等于所述第二分数；以及
响应于所述第一比值比大于第一阈值，所述第一分数与所述第二分数的总和大于第二阈值，并且所述第一分数与所述第二分数的商数小于第三阈值，通过所述收发器输出所述第一用药组合。
CN202210665946.4A 2022-03-10 2022-06-14 检查药物相互作用的方法和电子装置 Pending CN116779094A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
TW111108870 2022-03-10
TW111108870A TWI812056B (zh) 2022-03-10 2022-03-10 檢查藥物相互作用的方法和電子裝置

Publications (1)

Publication Number Publication Date
CN116779094A true CN116779094A (zh) 2023-09-19

Family

ID=87932276

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210665946.4A Pending CN116779094A (zh) 2022-03-10 2022-06-14 检查药物相互作用的方法和电子装置

Country Status (3)

Country Link
US (1) US20230290520A1 (zh)
CN (1) CN116779094A (zh)
TW (1) TWI812056B (zh)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
BR112013003331A2 (pt) * 2010-08-13 2017-07-11 l kraft Daniel sistemas e métodos para a produção de produtos de fármacos personalizados
ES2720999T3 (es) * 2013-08-19 2019-07-26 Cipherome Inc Método y sistema para seleccionar un fármaco sobre la base de la información del daño de proteína individual para prevenir los efectos secundarios de un fármaco
CN105886609B (zh) * 2015-02-17 2020-02-21 陈沛隆 药物不良反应风险评估方法及其装置
CN104765947B (zh) * 2015-03-02 2017-12-26 大连理工大学 一种面向大数据的潜在药物不良反应数据挖掘方法
WO2016191340A1 (en) * 2015-05-22 2016-12-01 Georgetown University Discovery and analysis of drug-related side effects
CN108831563B (zh) * 2018-03-29 2021-09-28 南京邮电大学 一种用于判别药品不良反应信号分类检测的决策方法
CN112309585A (zh) * 2020-08-26 2021-02-02 国家药品监督管理局药品评价中心(国家药品不良反应监测中心) 一种不良反应信号检测方法和装置

Also Published As

Publication number Publication date
TW202336779A (zh) 2023-09-16
US20230290520A1 (en) 2023-09-14
TWI812056B (zh) 2023-08-11

Similar Documents

Publication Publication Date Title
Chen et al. A comparison of methods for clustering 16S rRNA sequences into OTUs
US9600673B2 (en) Method and device for risk evaluation
US20130254202A1 (en) Parallelization of synthetic events with genetic surprisal data representing a genetic sequence of an organism
US20160379011A1 (en) Anonymization apparatus, and program
CN107247873B (zh) 一种差异甲基化位点识别方法
CN110362829B (zh) 结构化病历数据的质量评估方法、装置及设备
US20200302117A1 (en) Method and apparatus for extracting diagnosis object from medical document
CN112214515A (zh) 数据自动匹配方法、装置、电子设备及存储介质
WO2022222942A1 (zh) 问答记录生成方法、装置、电子设备及存储介质
Fellner et al. The frequent network neighborhood mapping of the human hippocampus shows much more frequent neighbor sets in males than in females
Darvish et al. Needle: a fast and space-efficient prefilter for estimating the quantification of very large collections of expression experiments
CN116779094A (zh) 检查药物相互作用的方法和电子装置
Ostropolets et al. Characterizing database granularity using SNOMED-CT hierarchy
CN111177356B (zh) 一种酸碱指标医疗大数据分析方法及系统
Wang et al. Hybrid density-and partition-based clustering algorithm for data with mixed-type variables
CN107194143A (zh) 药品信息数据处理方法及系统
CN109102845B (zh) 医疗单据审核方法、装置、计算机设备和存储介质
JP5440235B2 (ja) オントロジーの類似性行列の効率的な計算
CN105988980A (zh) 信息处理设备和数据管理方法
CN111667023B (zh) 获取目标类别的文章的方法和装置
CN105468743B (zh) 一种智能诊断手术编码检索方法
Jin et al. A simple 2D non-parametric resampling statistical approach to assess confidence in species identification in DNA barcoding—an alternative to Likelihood and Bayesian approaches
US20190221284A1 (en) Information processing apparatus, information processing system, information processing method, and storage medium
CN107103046A (zh) 药品信息数据存取方法及系统
Falter et al. Using Natural Language Processing for Automated Classification of Disease and to Identify Misclassified ICD Codes in Cardiac Disease

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