CN116779096B - 一种用药策略确定方法、装置、设备和存储介质 - Google Patents
一种用药策略确定方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN116779096B CN116779096B CN202310776198.1A CN202310776198A CN116779096B CN 116779096 B CN116779096 B CN 116779096B CN 202310776198 A CN202310776198 A CN 202310776198A CN 116779096 B CN116779096 B CN 116779096B
- Authority
- CN
- China
- Prior art keywords
- target
- medication
- information
- blood concentration
- user
- 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 489
- 229940079593 drug Drugs 0.000 title claims abstract description 455
- 238000000034 method Methods 0.000 title claims abstract description 57
- 235000005911 diet Nutrition 0.000 claims abstract description 91
- 230000037213 diet Effects 0.000 claims abstract description 91
- 238000010521 absorption reaction Methods 0.000 claims abstract description 58
- 230000000694 effects Effects 0.000 claims abstract description 57
- 238000004088 simulation Methods 0.000 claims abstract description 41
- 239000008280 blood Substances 0.000 claims description 104
- 210000004369 blood Anatomy 0.000 claims description 104
- 230000006870 function Effects 0.000 claims description 64
- 238000004590 computer program Methods 0.000 claims description 16
- 230000009471 action Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 230000002787 reinforcement Effects 0.000 claims description 9
- 231100000816 toxic dose Toxicity 0.000 claims description 8
- 230000004060 metabolic process Effects 0.000 claims description 7
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 claims description 6
- 230000029142 excretion Effects 0.000 claims description 6
- 210000003484 anatomy Anatomy 0.000 claims description 5
- 230000035479 physiological effects, processes and functions Effects 0.000 claims description 5
- 102100036475 Alanine aminotransferase 1 Human genes 0.000 claims description 3
- 108010082126 Alanine transaminase Proteins 0.000 claims description 3
- 102000009027 Albumins Human genes 0.000 claims description 3
- 108010088751 Albumins Proteins 0.000 claims description 3
- 108010003415 Aspartate Aminotransferases Proteins 0.000 claims description 3
- 102000004625 Aspartate Aminotransferases Human genes 0.000 claims description 3
- 102000001554 Hemoglobins Human genes 0.000 claims description 3
- 108010054147 Hemoglobins Proteins 0.000 claims description 3
- 230000036772 blood pressure Effects 0.000 claims description 3
- 230000036760 body temperature Effects 0.000 claims description 3
- 229940109239 creatinine Drugs 0.000 claims description 3
- 238000005534 hematocrit Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 239000003795 chemical substances by application Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000033228 biological regulation Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 235000012054 meals Nutrition 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000003242 anti bacterial agent Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 235000005686 eating Nutrition 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003285 pharmacodynamic effect Effects 0.000 description 2
- 230000036470 plasma concentration Effects 0.000 description 2
- 231100000572 poisoning Toxicity 0.000 description 2
- 230000000607 poisoning effect Effects 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- 231100000331 toxic Toxicity 0.000 description 2
- 230000002588 toxic effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010067482 No adverse event Diseases 0.000 description 1
- 229940088710 antibiotic agent Drugs 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003115 biocidal effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000857 drug effect Effects 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000001965 increasing effect Effects 0.000 description 1
- 239000003112 inhibitor Substances 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 231100000252 nontoxic Toxicity 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 230000008288 physiological mechanism Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001839 systemic circulation Effects 0.000 description 1
- 230000000007 visual 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Medicinal Chemistry (AREA)
- Public Health (AREA)
- Crystallography & Structural Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种用药策略确定方法、装置、设备和存储介质。该方法包括:获取目标用户的目标饮食信息、目标用药信息和目标用药效果;将目标饮食信息、目标用药信息和目标用药效果输入至目标用药策略预测模型中进行药物吸收模拟和用药策略预测;基于目标用药策略预测模型的输出,获得目标用户对应的目标用药策略。通过本公开实施例的技术方案,可以准确地确定出单个用户对应的用药策略。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种用药策略确定方法、装置、设备和存储介质。
背景技术
随着计算机技术的发展,用户越来越注重用药安全性和用药合理性。血药浓度曲线是药物进入体循环的浓度随时间的变化曲线。血药浓度曲线可以用于反映用药安全性和用药合理性。
目前,通常仅是针对一类用户的共同特征预测一类用户对应的血药浓度曲线。其中,一类用户可以针对不同特征分类,例如体重、身高、年龄等。然而,由于每个用户对药物的吸收能力、代谢能力不同,在药物的吸收、分布、代谢、排泄过程中受到诸多个体差异的影响,即使同属某一个体重区间的用户,但针对同一种药物的实际血药浓度曲线仍会存在差异。可见,通过针对一类人确定出的血药浓度曲线来调整单个用户自身的用药剂量是不准确的。
发明内容
本发明提供了一种用药策略确定方法、装置、设备和存储介质,以准确地确定出单个用户对应的用药策略。
根据本发明的一方面,提供了一种用药策略确定方法,该方法包括:
获取目标用户的目标饮食信息、目标用药信息和目标用药效果;
将所述目标饮食信息、所述目标用药信息和所述目标用药效果输入至目标用药策略预测模型中进行药物吸收模拟和用药策略预测;
基于所述目标用药策略预测模型的输出,获得所述目标用户对应的目标用药策略
根据本发明的另一方面,提供了一种用药策略确定装置,该装置包括:
信息获取模块,用于获取目标用户的目标饮食信息、目标用药信息和目标用药效果;
模型预测模块,用于将所述目标饮食信息、所述目标用药信息和所述目标用药效果输入至目标用药策略预测模型中进行药物吸收模拟和用药策略预测;
目标用药策略确定模块,用于基于所述目标用药策略预测模型的输出,获得所述目标用户对应的目标用药策略。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的用药策略确定方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的用药策略确定方法。
本发明实施例的技术方案,通过获取目标用户的目标饮食信息、目标用药信息和目标用药效果;将所述目标饮食信息、所述目标用药信息和所述目标用药效果输入至目标用药策略预测模型中进行药物吸收模拟和用药策略预测;基于所述目标用药策略预测模型的输出,获得所述目标用户对应的目标用药策略,从而可以基于针对目标用户的目标用药策略预测模型,准确地确定出目标饮食信息、目标用药信息和目标用药效果对应的目标用药策略,即可以根据用户的个人需求确定出最符合用户期望的用药策略,提高用户体验。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种用药策略确定方法的流程图;
图2是根据本发明实施例二提供的另一种用药策略确定方法的流程图;
图3是根据本发明实施例三提供的一种用药策略确定装置的结构示意图;
图4是实现本发明实施例的用药策略确定方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,本公开的技术方案中,所涉及的用户个人信息的采集/收集、更新、分析、使用、传输、存储等方面,均符合相关法律法规的规定,被用于合法且合理的用途,不在这些合法使用等方面之外共享、泄露或出售,并且接受国家监管部门的监督管理。应当对用户个人信息采取必要措施,选择性地阻止使用或访问个人信息数据,以防止对此类个人信息数据的非法访问,确保有权访问个人信息数据的人员遵守相关法律法规的规定,确保用户个人信息安全。此外,一旦不再需要这些用户个人信息数据,应当通过限制甚至禁止数据收集和/或删除数据的方式将风险降至最低。
实施例一
图1为本发明实施例一提供了一种用药策略确定方法的流程图,本实施例可适用于确定单个用户对应的最佳用药策略,该方法可以由用药策略确定装置来执行,该用药策略确定装置可以采用硬件和/或软件的形式实现,该用药策略确定装置可配置于电子设备中。如图1所示,该方法包括:
S110、获取目标用户的目标饮食信息、目标用药信息和目标用药效果。
其中,目标用户可以是指想要知道按照某种药物使用方式使用药物后,药物吸收情况的单个用户。例如,目标用户可以是指医生、药房药师、药物咨询用户或药师使用用户。目标用户可以不是药物的直接使用者。目标饮食信息可以是指目标用户每天与饮食习惯相关的信息。例如,目标饮食信息可以包括但不限于每一餐的吃饭时间段或每天食用水果的时间段。目标用药信息可以是指目标用户每天与使用药物相关的信息。例如,目标用药信息可以包括但不限于每次用药的时间段、药物信息或每次用药的剂量。目标用药效果可以是指目标用户想要达到的用药效果。目标用药效果可以是但不限于单次用药量最少、无毒害效果、用药时间间隔最长等。例如,目标用药效果可以是目标用户在移动终端的显示界面中从已有用药效果选项中选择的至少一种用药效果。已有用药效果可以是指经过强化学习后的模型能够确定出的最佳用药策略对应的用药效果。每种用药效果对应一个奖励函数。
具体地,不同的饮食信息和不同的用药信息,会使同一药物在同一用户体内的药效起效时间不同,也会使药物起作用的时长存在差异。为了反映目标用户使用药物后药物的吸收情况,可以获取目标用户的目标饮食信息和目标用药信息。为了更准确地反映药物的吸收情况,可以获取更精确的目标饮食信息和目标用药信息。例如,可以将目标饮食信息中用餐时间段精确到分钟,或将用药时间段精确到分钟。
S120、将目标饮食信息、目标用药信息和目标用药效果输入至目标用药策略预测模型中进行药物吸收模拟和用药策略预测。
其中,目标用药策略预测模型用于预测出目标用户对应的最佳用药策略。具体地,将目标饮食信息、目标用药信息和目标用药效果输入至目标用药策略预测模型,在目标用药策略预测模型中基于目标饮食信息和目标用药信息进行药物吸收模拟,获得目标用户对应的目标血药浓度曲线;基于目标血药浓度曲线和目标用药效果进行最佳用药策略预测,获得目标用户对应的目标用药策略。
S130、基于目标用药策略预测模型的输出,获得目标用户对应的目标用药策略。
其中,目标用药策略可以是指根据目标用户的自身状况和用户期望的用药效果确定出的一个最符合当下条件的最优用药策略。当目标用户改变了目标用药效果后,最优用药策略也会发生改变。
本发明实施例的技术方案,通过获取目标用户的目标饮食信息、目标用药信息和目标用药效果;将目标饮食信息、目标用药信息和目标用药效果输入至目标用药策略预测模型中进行药物吸收模拟和用药策略预测;基于目标用药策略预测模型的输出,获得目标用户对应的目标用药策略,从而可以基于针对目标用户的目标用药策略预测模型,准确地确定出目标饮食信息、目标用药信息和目标用药效果对应的目标用药策略,即可以根据用户的个人需求确定出最符合用户期望的用药策略,提高用户体验。
实施例二
图2为本发明实施例二提供的另一种用药策略确定方法的流程图,本实施例在上述实施例的基础上,对在目标用药策略预测模型中进行药物吸收模拟和用药策略预测的过程进行了详细描述。其中与上述各实施例相同或相应的术语的解释在此不再赘述。如图2所示,该方法包括:
S210、获取目标用户的目标饮食信息、目标用药信息和目标用药效果。
S220、将目标饮食信息和目标用药信息输入至目标用户对应的目标人体子模型中进行药物吸收模拟,获得目标用户对应的目标血药浓度曲线;目标人体子模型是基于目标用户对应的目标体征信息和预设生理药代动力学模型进行构建获得的;预设生理药代动力学模型是基于生理学、生物化学和解剖学构建的用于模拟药物在体内的吸收、分布、代谢和排泄过程的模型。
其中,目标用药策略预测模型包括:目标人体子模型和目标用药策略预测子模型。可以理解为人体子模型是将智能技术(如AI)应用于药物动力学的同时,结合了符合生理学、解剖学、药代动力学、药效动力学等专业知识,使得构建的人体子模型符合生理机理,更加贴合实际个人生理情况。具体地,根据目标用户自己输入的与自身身体状况相关的信息和预设生理药代动力学模型,构建出可以模拟目标用户真实的药物在体内的吸收、分布、代谢和排泄过程的模型,获得目标用户对应的目标人体子模型。将目标饮食信息和目标用药信息输入至目标用户对应的目标人体子模型中进行药物吸收模拟,从而可以针对目标用户,构建出符合目标用户身体状况的模型,并通过目标饮食信息、目标用药信息和构建出的目标人体子模型实现针对目标用户的药物吸收模拟,进而能够将各种药物在人体内的变化或吸收过程进行模拟,真正实现个性化用药而非群体用药。
S230、将目标血药浓度曲线和目标用药效果输入至目标用药策略预测子模型进行最佳用药策略预测,获得目标用户对应的目标用药策略。
其中,目标血药浓度曲线可以是指目标用户按照目标饮食信息和目标用药信息进行用药后,目标用户的药物吸收情况对应的曲线。血药浓度曲线可用于反映疗效考核结果和药物毒副作用的监测结果。目标血药浓度曲线可用于反映目标用户按照目标饮食信息和目标用药信息进行用药后,该药物在目标用户体内药物起效时长和药物毒副作用的监测结果。
具体地,将目标血药浓度曲线和目标用药效果输入至目标用药策略预测子模型,在目标用药策略预测子模型基于目标用药效果确定出相应的奖励函数,并基于目标血药浓度曲线和确定出的奖励函数进行最佳用药策略预测,获得目标用户对应的目标用药策略。
S240、基于目标用药策略预测模型的输出,获得目标用户对应的目标用药策略。
本发明实施例的技术方案,通过将目标饮食信息和目标用药信息输入至目标用户对应的目标人体子模型中进行药物吸收模拟,获得目标用户对应的目标血药浓度曲线,从而可以基于针对目标用户的目标人体子模型,准确地确定出按照目标饮食信息和目标用药信息使用药物时目标用户对应的目标血药浓度曲线。将目标血药浓度曲线和目标用药效果输入至目标用药策略预测子模型进行最佳用药策略预测,获得目标用户对应的目标用药策略,从而可以根据用户的个人需求确定出最符合用户期望的用药策略,即准确地确定出单个用户对应的用药策略,提高用户体验。
在上述技术方案的基础上,S220可以包括:将目标用药信息中的目标药物名称输入至药物吸收模拟层中进行药物吸收模拟,获得目标用户使用目标药物后的多个基础血药浓度曲线;将目标饮食信息、目标用药信息中的目标用药时间和目标用药剂量以及各个基础血药浓度曲线输入至曲线调整层中进行基础血药浓度曲线的调整,获得目标用户对应的目标血药浓度曲线。
其中,目标用药信息中可以包含目标药物名称。目标人体子模型包括:药物吸收模拟层和曲线调整层。基础血药浓度曲线可以是基于常规饮食信息、常规用药信息和目标药物名称共同确定出的目标用户在每个常规饮食信息和每个常规用药信息下对应的血药浓度曲线。例如,目标用药时间可以是但不限于中午13点10分至13点13分。目标用药剂量可以是但不限于0.4克。
具体地,可以将目标用药信息中的目标药物名称输入至药物吸收模拟层中进行药物吸收模拟,获得目标用户使用目标药物后的多个基础血药浓度曲线,并将所有基础血药浓度曲线作为目标人体子模型输出的一部分结果。将目标饮食信息、目标用药信息中的目标用药时间和目标用药剂量以及各个基础血药浓度曲线输入至曲线调整层中,确定出与目标饮食信息、目标用药时间和目标用药剂量相同的常规信息对应的基础血药浓度曲线,并将该基础血药浓度曲线确定为目标用户对应的目标血药浓度曲线,其中,常规信息可以是指常规饮食信息、常规用药信息中的常规用药时间和常规用药剂量。若不存在与目标饮食信息、目标用药时间和目标用药剂量相同的常规信息对应的基础血药浓度曲线,则确定出最接近目标饮食信息、目标用药时间和目标用药剂量的常规信息对应的基础血药浓度曲线,并多该基础血药浓度曲线进行调整,并将调整后的血药浓度曲线,作为目标用户对应的目标血药浓度曲线。
示例性地,目标用户选取常规饮食信息中符合自身饮食情况的饮食信息,并将该饮食信息确定为目标用户对应的目标饮食信息;目标用户选取常规用药信息中符合自身用药情况的用药信息,并将该用药信息确定为目标用户对应的目标用药信息;将目标用药信息中的目标药物名称输入至药物吸收模拟层中进行药物吸收模拟,获得目标用户使用目标药物后的多个基础血药浓度曲线,其中,由于目标饮食信息包含在所有常规饮食信息中,且目标用药信息包含在所有常规用药信息中,故确定出的所有基础血药浓度曲线中存在一条目标用户的目标饮食信息和目标用药信息共同对应的血药浓度曲线;将目标饮食信息、目标用药信息中的目标用药时间和目标用药剂量以及各个基础血药浓度曲线输入至曲线调整层中进行血药浓度曲线筛选,确定出目标饮食信息和目标用药信息共同对应的血药浓度曲线,并将该血药浓度曲线确定为目标用户对应的目标血药浓度曲线。
在上述技术方案的基础上,S230可以包括:将目标用药效果输入至奖励函数确定层中进行奖励函数的确定,获得目标用户对应的目标奖励函数;奖励函数是基于血药浓度曲线下的面积、药峰浓度、最低有效浓度之上的面积和超过最低中毒浓度之上的面积进行构建的;将目标奖励函数和目标血药浓度曲线输入至用药策略预测层中进行用药策略预测,获得目标用户对应的目标用药策略。其中,目标用药策略预测子模型包括:奖励函数确定层和用药策略预测层。
示例性地,该方法还包括:将目标血药浓度曲线输入至用药策略预测层中进行曲线调整;用药策略预测层是预先基于目标奖励函数进行强化学习获得的,目标奖励函数是基于第一奖励函数和第二奖励函数构建的;基于用药策略预测层的输出,获得目标用户对应的理想血药浓度曲线;基于预先标定对应关系和理想血药浓度曲线,确定目标用户对应的理想饮食信息和理想用药信息;其中,预先标定对应关系是基于血药浓度曲线与饮食信息和用药信息之间的对应关系进行构建的。目标用药策略可以包括理想饮食信息和理想用药信息。
其中,理想血药浓度曲线可以是针对目标用户的目标体征信息,确定出的目标用户使用目标用药信息中的药物对应的最优血药浓度曲线。血药浓度曲线的横坐标为时间,纵坐标为血药浓度。血药浓度曲线还被称为血药浓度-时间曲线。
在上述技术方案的基础上,基于第一奖励函数和第二奖励函数构建目标奖励函数,包括:对有效浓度之上持续时长和曲线面积进行多项式函数线性组合,构建出第一奖励函数;对药峰浓度和最低中毒浓度之上的面积进行多项式函数线性组合,构建出第二奖励函数;最低中毒浓度之上的面积对应的权重为负值;将第一奖励函数和第二奖励函数进行加权求和,构建出目标奖励函数。例如,针对于抗生素类药物,有效浓度之上持续时长可以理解为抑菌时长。
其中,第一奖励函数是基于有效浓度之上持续时长和曲线面积进行构建的。有效浓度为药物对使用者产生有效作用的浓度。曲线面积为血药浓度曲线下面积。第二奖励函数是基于药峰浓度和最低中毒浓度之上的面积进行构建的。有效浓度之上持续时长对应的权重和曲线面积对应的权重为正值。
需要说明的是,可以通过强化学习对待训练的用药策略预测层进行用药策略预测的训练,以使待训练的用药策略预测层可以输出针对目标用户的最优用药策略,即理想用药策略。其中,强化学习可以由智能体(Agent)、环境(Environment)、状态(State)、动作(Action)和奖励(Reward)组成。血药浓度曲线下的面积(Area Under Curve,AUC)、药峰浓度(Peak Concentration,Cmax)、最低有效浓度之上的面积和超过最低中毒浓度之上的面积等可以作为评价状态的因素。目标饮食信息、目标用药信息中的目标用药时间和目标用药剂量可以作为动作或是动作集合。目标奖励函数可将状态与用药策略作为自变量,目标奖励值作为因变量。其中,状态由多个不同因素组成。对于不同特征的药物纳入不同的因素作为奖励函数。例如,时间依赖性抗生素类药物基于抑菌浓度以上所维持的时间(T>MIC)与血药浓度-时间曲线下面积(AUC)的多项式函数线性组合为奖励函数,且两者对应的权重是可调节的;共价结合类抑制剂基于药峰浓度(Cmax)与超过最低中毒浓度之上的面积的多项式函数线性组合为奖励函数,其中超过最低中毒浓度之上的面积的权重可以为负值。还可以利用已知药物需要关注的所有因素,构建更加全面的目标奖励函数。在某些药物考虑重点不是目标奖励函数中全部因素时,可以将目标奖励函数中不需要重点考虑的因素对应的权重定义为零。
示例性地,目标奖励函数可以用于确定用药策略预测层采取某个动作后,如按照每种目标饮食信息、目标用药信息中的目标用药时间和目标用药剂量,获得的目标奖励值。智能体执行了某个动作后,环境将会转换到一个新的状态,对于该新的状态环境会给出奖励信息(正奖励或者负奖励),然后智能体根据新的状态和环境反馈的奖励信息,确定新的动作。智能体通过强化学习,可以知道自己在什么状态下,应该采取什么样的动作使得自身获得最大奖励。
需要说明的是,在目标奖励函数构建完毕后,我们可以和环境进行在线交互,将得到的数据使用强化学习的算法对策略进行更新。示例性地,该过程可以使用柔性行动者-评论家(Soft Actor-Critic,SAC)、近端策略优化(Proximal Policy Optimization,PPO)等算法。以PPO为例,该算法利用梯度上升的方法最大化更新后的模型与当前模型之间的优势函数。由于计算环境转移累积奖励的优化目标时,PPO使用当前模型的转移数据分布近似更新后模型的转移数据分布,因而要求每次迭代更新后的模型与当前模型的转移分布较为接近。该过程在最大化累积奖励的同时限制更新后的模型与当前模型之间的距离,每一步的训练结果具有单调提升的性质。在使用PPO后,生成模型的优化目标计算方式如下:
其中,是当前策略,Mθ是当前步更新后的策略,A(s,a,s')是强化学习中的优势函数,clip函数保证了更新后的策略与当前策略之间的距离较小,因而保证进行的是近端策略优化。
在上述技术方案的基础上,基于目标用户提供的目标体征信息和预设生理药代动力学模型构建获得目标人体子模型,包括:获取目标用户提供的目标体征信息,目标体征信息包括:必要体征信息和非必要体征信息;将必要体征信息输入至预设生理药代动力学模型中进行初次人体子模型构建,获得目标用户对应的基础人体子模型;将非必要体征信息输入至基础人体子模型中进行再次人体子模型构建,获得目标用户对应的目标人体子模型。
其中,目标体征信息可以是指目标用户的身体特征信息。必要体征信息可以是指构建基础人体子模型所必须的用户身体特征信息。例如,必要体征信息可以包括但不限于性别、年龄、身高和体重中的至少一项。通过目标用户全部的必要体征信息可以构建出能准确模拟目标用户药物吸收情况的基础人体子模型。非必要体征信息可以是指为了使构建的基础人体子模型能更加准确地模拟目标用户药物吸收情况,所需可选填的用户身体特征信息。例如,非必要体征信息可以包括但不限于体温、心率、血压、红细胞比容、血红蛋白、谷丙转氨酶、谷草转氨酶、肌酐和白蛋白中的至少一项。通过目标用户全部的必要体征信息和非必要体征信息,可以构建出能更加准确地模拟目标用户药物吸收情况的目标人体子模型,从而可以将针对部分人群的基础人体子模型更加精准地优化为针对单个用户的目标人体子模型,进而利用目标人体子模型准确地确定出单个用户对应的血药浓度曲线。
在上述技术方案的基础上,该方法还包括:若检测到目标用户提供的目标体征信息中存在空值信息,则获取包含目标体征信息中非空信息的历史体征信息,历史体征信息是各个历史用户提供的特征信息;基于目标体征信息中非空信息和历史体征信息,对目标体征信息中空值信息进行赋值,获得不存在空值信息的目标体征信息。
其中,空值信息可以是指用户没有填写的信息,或是用户填写为空值(如0或null)的信息。非空信息可以是指用户填写正确,且完整的信息。历史体征信息可以是指历史用户所填写过的有效的身体特征信息。
具体地,若检测到目标用户提供的目标体征信息中存在空值信息,直接利用存在空值信息的目标体征信息构建出人体子模型可能是不准确的,则需要获取包含目标体征信息中非空信息的历史体征信息,历史体征信息是各个历史用户提供的特征信息;确定所有非空信息对应的备选历史体征信息,并确定出空值信息对应的所有备选历史体征信息中历史非空信息,将每种历史非空信息中所有非空信息值进行求平均处理,获得备选非空信息。利用各个备选非空信息对目标体征信息中空值信息进行赋值,从而获得不存在空值信息的目标体征信息,进而基于完整的体征信息,构建出针对单个用户的人体子模型,并准确地确定出单个用户对应的血药浓度曲线。
以下是本发明实施例提供的用药策略确定装置的实施例,该装置与上述各实施例的用药策略确定方法属于同一个发明构思,在用药策略确定装置的实施例中未详尽描述的细节内容,可以参考上述用药策略确定方法的实施例。
实施例三
图3为本发明实施例三提供的一种用药策略确定装置的结构示意图。如图3所示,该装置包括:信息获取模块310、模型预测模块320和目标用药策略确定模块330。
其中,信息获取模块310,用于获取目标用户的目标饮食信息、目标用药信息和目标用药效果;模型预测模块320,用于将目标饮食信息、目标用药信息和目标用药效果输入至目标用药策略预测模型中进行药物吸收模拟和用药策略预测;目标用药策略确定模块330,基于目标用药策略预测模型的输出,获得目标用户对应的目标用药策略。
本发明实施例的技术方案,通过获取目标用户的目标饮食信息、目标用药信息和目标用药效果;将目标饮食信息、目标用药信息和目标用药效果输入至目标用药策略预测模型中进行药物吸收模拟和用药策略预测;基于目标用药策略预测模型的输出,获得目标用户对应的目标用药策略,从而可以基于针对目标用户的目标用药策略预测模型,准确地确定出目标饮食信息、目标用药信息和目标用药效果对应的目标用药策略,即可以根据用户的个人需求确定出最符合用户期望的用药策略,提高用户体验。
可选地,目标用药策略预测模型包括:目标人体子模型和目标用药策略预测子模型;
模型预测模块320可以包括:
药物吸收模拟子模块,用于将目标饮食信息和目标用药信息输入至目标用户对应的目标人体子模型中进行药物吸收模拟,获得目标用户对应的目标血药浓度曲线;目标人体子模型是基于目标用户对应的目标体征信息和预设生理药代动力学模型进行构建获得的;预设生理药代动力学模型是基于生理学、生物化学和解剖学构建的用于模拟药物在体内的吸收、分布、代谢和排泄过程的模型;
用药策略预测子模块,用于将目标血药浓度曲线和目标用药效果输入至目标用药策略预测子模型进行最佳用药策略预测,获得目标用户对应的目标用药策略。
可选地,目标用药策略预测子模型包括:奖励函数确定层和用药策略预测层;
用药策略预测子模块具体用于:将目标用药效果输入至奖励函数确定层中进行奖励函数的确定,获得目标用户对应的目标奖励函数;奖励函数是基于血药浓度曲线下的面积、药峰浓度、最低有效浓度之上的面积和超过最低中毒浓度之上的面积进行构建的;将目标奖励函数和目标血药浓度曲线输入至用药策略预测层中进行用药策略预测,获得目标用户对应的目标用药策略。
可选地,目标人体子模型包括:药物吸收模拟层和曲线调整层;
药物吸收模拟子模块具体用于:将目标用药信息中的目标药物名称输入至药物吸收模拟层中进行药物吸收模拟,获得目标用户使用目标药物后的多个基础血药浓度曲线;将目标饮食信息、目标用药信息中的目标用药时间和目标用药剂量以及各个基础血药浓度曲线输入至曲线调整层中进行基础血药浓度曲线的调整,获得目标用户对应的目标血药浓度曲线。
可选地,该装置还包括:
目标人体子模型构建模块,用于基于目标用户提供的目标体征信息和预设生理药代动力学模型构建获得目标人体子模型;
目标人体子模型构建模块具体用于:获取目标用户提供的目标体征信息,目标体征信息包括:必要体征信息和非必要体征信息;将必要体征信息输入至预设生理药代动力学模型中进行初次人体子模型构建,获得目标用户对应的基础人体子模型;将非必要体征信息输入至基础人体子模型中进行再次人体子模型构建,获得目标用户对应的目标人体子模型。
可选地,该装置还包括:
历史体征信息确定模块,用于若检测到目标用户提供的目标体征信息中存在空值信息,则获取包含目标体征信息中非空信息的历史体征信息,历史体征信息是各个历史用户提供的特征信息;
目标体征信息确定模块,用于基于目标体征信息中非空信息和历史体征信息,对目标体征信息中空值信息进行赋值,获得不存在空值信息的目标体征信息。
可选地,必要体征信息包括:性别、年龄、身高和体重中的至少一项;非必要体征信息包括:体温、心率、血压、红细胞比容、血红蛋白、谷丙转氨酶、谷草转氨酶、肌酐和白蛋白中的至少一项。
本发明实施例所提供的用药策略确定装置可执行本发明任意实施例所提供的用药策略确定方法,具备执行用药策略确定方法相应的功能模块和有益效果。
值得注意的是,上述用药策略确定装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如用药策略确定方法。
在一些实施例中,用药策略确定方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的用药策略确定方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行用药策略确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (7)
1.一种用药策略确定方法,其特征在于,包括:
获取目标用户的目标饮食信息、目标用药信息和目标用药效果;其中,所述目标用药效果为所述目标用户期望达到的用药效果;
将所述目标饮食信息、所述目标用药信息和所述目标用药效果输入至目标用药策略预测模型中进行药物吸收模拟和用药策略预测;
基于所述目标用药策略预测模型的输出,获得所述目标用户对应的目标用药策略;
其中,所述目标用药策略预测模型包括:目标人体子模型和目标用药策略预测子模型;
所述将所述目标饮食信息、所述目标用药信息和所述目标用药效果输入至目标用药策略预测模型中进行药物吸收模拟和用药策略预测,包括:
将所述目标饮食信息和所述目标用药信息输入至所述目标用户对应的目标人体子模型中进行药物吸收模拟,获得所述目标用户对应的目标血药浓度曲线;所述目标人体子模型是基于所述目标用户对应的目标体征信息和预设生理药代动力学模型进行构建获得的;所述预设生理药代动力学模型是基于生理学、生物化学和解剖学构建的用于模拟药物在体内的吸收、分布、代谢和排泄过程的模型;所述目标血药浓度曲线为所述目标用户按照所述目标饮食信息和所述目标用药信息进行用药后,所述目标用户的药物吸收情况对应的曲线;
将所述目标血药浓度曲线和所述目标用药效果输入至所述目标用药策略预测子模型进行最佳用药策略预测,获得所述目标用户对应的目标用药策略;
其中,所述目标人体子模型包括:药物吸收模拟层和曲线调整层;
所述将所述目标饮食信息和所述目标用药信息输入至所述目标用户对应的目标人体子模型中进行药物吸收模拟,获得所述目标用户对应的目标血药浓度曲线,包括:
将所述目标用药信息中的目标药物名称输入至所述药物吸收模拟层中进行药物吸收模拟,获得所述目标用户使用目标药物后的多个基础血药浓度曲线;其中,所述基础血药浓度曲线是基于常规饮食信息、常规用药信息和所述目标药物名称共同确定出的所述目标用户在每个常规饮食信息和每个常规用药信息下对应的血药浓度曲线;
将所述目标饮食信息、所述目标用药信息中的目标用药时间和目标用药剂量以及各个所述基础血药浓度曲线输入至所述曲线调整层中,确定出与所述目标饮食信息、所述目标用药时间和所述目标用药剂量相同的常规信息对应的基础血药浓度曲线,并将该基础血药浓度曲线确定为目标用户对应的目标血药浓度曲线,其中,所述常规信息包括常规饮食信息、常规用药信息中的常规用药时间和常规用药剂量;若不存在与所述目标饮食信息、所述目标用药时间和所述目标用药剂量相同的常规信息对应的基础血药浓度曲线,则确定出最接近所述目标饮食信息、所述目标用药时间和所述目标用药剂量的常规信息对应的基础血药浓度曲线,并对该基础血药浓度曲线进行调整,将调整后的基础血药浓度曲线作为目标用户对应的目标血药浓度曲线;
其中,所述目标用药策略预测子模型包括:奖励函数确定层和用药策略预测层;
所述将所述目标血药浓度曲线和所述目标用药效果输入至所述目标用药策略预测子模型进行最佳用药策略预测,获得所述目标用户对应的目标用药策略,包括:
将所述目标用药效果输入至所述奖励函数确定层中进行奖励函数的确定,获得所述目标用户对应的目标奖励函数;所述奖励函数是基于血药浓度曲线下的面积、药峰浓度、最低有效浓度之上的面积和超过最低中毒浓度之上的面积进行构建的;
将所述目标奖励函数和所述目标血药浓度曲线输入至所述用药策略预测层中进行用药策略预测,获得所述目标用户对应的目标用药策略;其中,所述用药策略预测层是预先基于所述目标奖励函数进行强化学习获得的,所述目标奖励函数用于确定所述用药策略预测层采取特定动作后获得的目标奖励值,所述特定动作包括所述目标饮食信息、所述目标用药信息中的目标用药时间和所述目标用药剂量;
其中,所述目标用药策略包括理想饮食信息和理想用药信息;目标用户对应的理想饮食信息和理想用药信息基于预先标定对应关系和目标用户对应的理想血药浓度曲线确定,预先标定对应关系是基于血药浓度曲线与饮食信息和用药信息之间的对应关系进行构建的,目标用户对应的理想血药浓度曲线是基于用药策略预测层的输出获得的。
2.根据权利要求1所述的方法,其特征在于,基于所述目标用户对应的目标体征信息和预设生理药代动力学模型进行构建获得目标人体子模型,包括:
获取所述目标用户提供的目标体征信息,所述目标体征信息包括:必要体征信息和非必要体征信息;
将所述必要体征信息输入至预设生理药代动力学模型中进行初次人体子模型构建,获得所述目标用户对应的基础人体子模型;
将所述非必要体征信息输入至所述基础人体子模型中进行再次人体子模型构建,获得所述目标用户对应的目标人体子模型。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
若检测到目标用户提供的目标体征信息中存在空值信息,则获取包含目标体征信息中非空信息的历史体征信息,所述历史体征信息是各个历史用户提供的特征信息;
基于目标体征信息中非空信息和历史体征信息,对目标体征信息中空值信息进行赋值,获得不存在空值信息的目标体征信息。
4.根据权利要求2所述的方法,其特征在于,所述必要体征信息包括:性别、年龄、身高和体重中的至少一项;
所述非必要体征信息包括:体温、心率、血压、红细胞比容、血红蛋白、谷丙转氨酶、谷草转氨酶、肌酐和白蛋白中的至少一项。
5.一种用药策略确定装置,其特征在于,包括:
信息获取模块,用于获取目标用户的目标饮食信息、目标用药信息和目标用药效果;其中,所述目标用药效果为所述目标用户期望达到的用药效果;
模型预测模块,用于将所述目标饮食信息、所述目标用药信息和所述目标用药效果输入至目标用药策略预测模型中进行药物吸收模拟和用药策略预测;
目标用药策略确定模块,用于基于所述目标用药策略预测模型的输出,获得所述目标用户对应的目标用药策略;
其中,所述目标用药策略预测模型包括:目标人体子模型和目标用药策略预测子模型;
所述模型预测模块包括:
药物吸收模拟子模块,用于将所述目标饮食信息和所述目标用药信息输入至所述目标用户对应的目标人体子模型中进行药物吸收模拟,获得所述目标用户对应的目标血药浓度曲线;所述目标人体子模型是基于所述目标用户对应的目标体征信息和预设生理药代动力学模型进行构建获得的;所述预设生理药代动力学模型是基于生理学、生物化学和解剖学构建的用于模拟药物在体内的吸收、分布、代谢和排泄过程的模型;所述目标血药浓度曲线为所述目标用户按照所述目标饮食信息和所述目标用药信息进行用药后,所述目标用户的药物吸收情况对应的曲线;
用药策略预测子模块,用于将所述目标血药浓度曲线和所述目标用药效果输入至所述目标用药策略预测子模型进行最佳用药策略预测,获得所述目标用户对应的目标用药策略;
所述目标人体子模型包括:药物吸收模拟层和曲线调整层;
所述药物吸收模拟子模块具体用于:
将所述目标用药信息中的目标药物名称输入至所述药物吸收模拟层中进行药物吸收模拟,获得所述目标用户使用目标药物后的多个基础血药浓度曲线;其中,所述基础血药浓度曲线是基于常规饮食信息、常规用药信息和所述目标药物名称共同确定出的所述目标用户在每个常规饮食信息和每个常规用药信息下对应的血药浓度曲线;
将所述目标饮食信息、所述目标用药信息中的目标用药时间和目标用药剂量以及各个所述基础血药浓度曲线输入至所述曲线调整层中,确定出与所述目标饮食信息、所述目标用药时间和所述目标用药剂量相同的常规信息对应的基础血药浓度曲线,并将该基础血药浓度曲线确定为目标用户对应的目标血药浓度曲线,其中,所述常规信息包括常规饮食信息、常规用药信息中的常规用药时间和常规用药剂量;若不存在与所述目标饮食信息、所述目标用药时间和所述目标用药剂量相同的常规信息对应的基础血药浓度曲线,则确定出最接近所述目标饮食信息、所述目标用药时间和所述目标用药剂量的常规信息对应的基础血药浓度曲线,并对该基础血药浓度曲线进行调整,将调整后的基础血药浓度曲线作为目标用户对应的目标血药浓度曲线;
其中,所述目标用药策略预测子模型包括:奖励函数确定层和用药策略预测层;
所述用药策略预测子模块具体用于:
将所述目标用药效果输入至所述奖励函数确定层中进行奖励函数的确定,获得所述目标用户对应的目标奖励函数;所述奖励函数是基于血药浓度曲线下的面积、药峰浓度、最低有效浓度之上的面积和超过最低中毒浓度之上的面积进行构建的;
将所述目标奖励函数和所述目标血药浓度曲线输入至所述用药策略预测层中进行用药策略预测,获得所述目标用户对应的目标用药策略;其中,所述用药策略预测层是预先基于所述目标奖励函数进行强化学习获得的,所述目标奖励函数用于确定所述用药策略预测层采取特定动作后获得的目标奖励值,所述特定动作包括所述目标饮食信息、所述目标用药信息中的目标用药时间和所述目标用药剂量;
其中,所述目标用药策略包括理想饮食信息和理想用药信息;目标用户对应的理想饮食信息和理想用药信息基于预先标定对应关系和目标用户对应的理想血药浓度曲线确定,预先标定对应关系是基于血药浓度曲线与饮食信息和用药信息之间的对应关系进行构建的,目标用户对应的理想血药浓度曲线是基于用药策略预测层的输出获得的。
6.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够实现权利要求1-4中任一项所述的用药策略确定方法。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-4中任一项所述的用药策略确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310776198.1A CN116779096B (zh) | 2023-06-28 | 2023-06-28 | 一种用药策略确定方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310776198.1A CN116779096B (zh) | 2023-06-28 | 2023-06-28 | 一种用药策略确定方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116779096A CN116779096A (zh) | 2023-09-19 |
CN116779096B true CN116779096B (zh) | 2024-04-16 |
Family
ID=88007753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310776198.1A Active CN116779096B (zh) | 2023-06-28 | 2023-06-28 | 一种用药策略确定方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116779096B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336902A (zh) * | 2013-06-27 | 2013-10-02 | 西安交通大学 | 一种基于模拟分布平衡血药浓度的药物绝对生物利用度检测方法 |
CN107845411A (zh) * | 2017-12-04 | 2018-03-27 | 青岛大学附属医院 | 临床用药决策支持系统 |
CN109859815A (zh) * | 2019-01-24 | 2019-06-07 | 西安交通大学 | 一种辅助用药决策方法及智能辅助用药系统 |
CN111753543A (zh) * | 2020-06-24 | 2020-10-09 | 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 |
CN112331261A (zh) * | 2021-01-05 | 2021-02-05 | 北京百度网讯科技有限公司 | 药物预测方法及模型的训练方法、装置、电子设备及介质 |
CN113076486A (zh) * | 2021-04-29 | 2021-07-06 | 平安科技(深圳)有限公司 | 药物信息推送方法、装置、计算机设备及存储介质 |
CN113255735A (zh) * | 2021-04-29 | 2021-08-13 | 平安科技(深圳)有限公司 | 患者用药方案的确定方法及确定装置 |
CN115547511A (zh) * | 2021-06-29 | 2022-12-30 | 广州静远医药研究有限公司 | 一种个体化辅助给药策略制定方法、系统及存储介质 |
WO2023285622A1 (en) * | 2021-07-15 | 2023-01-19 | F. Hoffmann-La Roche Ag | Prediction of pharmacokinetic curves |
CN116230108A (zh) * | 2023-03-01 | 2023-06-06 | 天津云检医学检验所有限公司 | 一种基于tdm和ai技术的智能用药决策方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3748553A1 (en) * | 2019-06-06 | 2020-12-09 | Assistance Publique, Hopitaux De Paris | Method for determining an optimal drug dosing regimen |
-
2023
- 2023-06-28 CN CN202310776198.1A patent/CN116779096B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336902A (zh) * | 2013-06-27 | 2013-10-02 | 西安交通大学 | 一种基于模拟分布平衡血药浓度的药物绝对生物利用度检测方法 |
CN107845411A (zh) * | 2017-12-04 | 2018-03-27 | 青岛大学附属医院 | 临床用药决策支持系统 |
CN109859815A (zh) * | 2019-01-24 | 2019-06-07 | 西安交通大学 | 一种辅助用药决策方法及智能辅助用药系统 |
CN111753543A (zh) * | 2020-06-24 | 2020-10-09 | 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 |
CN112331261A (zh) * | 2021-01-05 | 2021-02-05 | 北京百度网讯科技有限公司 | 药物预测方法及模型的训练方法、装置、电子设备及介质 |
CN113076486A (zh) * | 2021-04-29 | 2021-07-06 | 平安科技(深圳)有限公司 | 药物信息推送方法、装置、计算机设备及存储介质 |
CN113255735A (zh) * | 2021-04-29 | 2021-08-13 | 平安科技(深圳)有限公司 | 患者用药方案的确定方法及确定装置 |
CN115547511A (zh) * | 2021-06-29 | 2022-12-30 | 广州静远医药研究有限公司 | 一种个体化辅助给药策略制定方法、系统及存储介质 |
WO2023285622A1 (en) * | 2021-07-15 | 2023-01-19 | F. Hoffmann-La Roche Ag | Prediction of pharmacokinetic curves |
CN116230108A (zh) * | 2023-03-01 | 2023-06-06 | 天津云检医学检验所有限公司 | 一种基于tdm和ai技术的智能用药决策方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116779096A (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2011006006A2 (en) | Modifying a patient adherence score | |
US20180122517A1 (en) | Methods and apparatus related to electronic display of a human avatar with display properties particularized to health risks of a patient | |
CN111414641A (zh) | 一种基于采样的个性化差分隐私保护方法及系统 | |
CN109524083A (zh) | 基于医疗大数据监测辅助用药合理性的方法及相关产品 | |
CN111667890A (zh) | 基于人工智能的用药推荐方法、装置、设备及存储介质 | |
CN107146160A (zh) | 投保客户健康状况分析方法及服务器 | |
US20220245495A1 (en) | Information processing method and apparatus, and computer-readable storage medium | |
CN117558460B (zh) | 基于小样本学习和大语言模型的慢性病管理方法及系统 | |
CN116779096B (zh) | 一种用药策略确定方法、装置、设备和存储介质 | |
WO2021179694A1 (zh) | 药物推荐方法、装置、计算机设备及存储介质 | |
EP4087198A1 (en) | Communication method, device, and system based on model training | |
US10691776B1 (en) | Methods and systems for predicting adherence to Multiple Sclerosis treatment | |
CN116129988B (zh) | 一种模型构建方法、装置、设备和介质 | |
US20220115145A1 (en) | Method, device, and equipment for user grouping, and computer-readable storage medium | |
CN113408817B (zh) | 流量分发方法、装置、设备及存储介质 | |
CN113076486B (zh) | 药物信息推送方法、装置、计算机设备及存储介质 | |
CN113707262A (zh) | 药品使用推荐方法、装置、计算机设备及存储介质 | |
CN114327802A (zh) | 区块链访问链外数据的方法、装置、设备和介质 | |
CN109711857A (zh) | 保费优惠额度计算方法、设备、装置及可读存储介质 | |
CN109493240A (zh) | 基于医疗大数据监测辅助用药合理性的方法及相关产品 | |
KR102517147B1 (ko) | 금융 상담 데이터에 대한 인공지능 학습을 통한 금융 상품 추천 시스템 및 방법 | |
CN109411060A (zh) | 基于处方的评价方法、装置、电子设备及存储介质 | |
WO2014117566A1 (en) | Ranking method and system | |
WO2022134252A1 (zh) | 一种基因关联程度确定方法及相关设备 | |
CN114224696B (zh) | 一种按摩器控制方法及其相关设备 |
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 |