CN116978511B - 基于大语言模型的用药风险识别方法、装置及存储介质 - Google Patents
基于大语言模型的用药风险识别方法、装置及存储介质 Download PDFInfo
- Publication number
- CN116978511B CN116978511B CN202311237870.6A CN202311237870A CN116978511B CN 116978511 B CN116978511 B CN 116978511B CN 202311237870 A CN202311237870 A CN 202311237870A CN 116978511 B CN116978511 B CN 116978511B
- Authority
- CN
- China
- Prior art keywords
- medication
- chinese medicinal
- traditional chinese
- consultation
- language model
- 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 247
- 229940079593 drug Drugs 0.000 title claims abstract description 203
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000000463 material Substances 0.000 claims abstract description 147
- 238000012549 training Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 2
- 241000411851 herbal medicine Species 0.000 claims 2
- 241001522129 Pinellia Species 0.000 description 12
- 235000003181 Panax pseudoginseng Nutrition 0.000 description 10
- 244000131316 Panax pseudoginseng Species 0.000 description 10
- 241000173529 Aconitum napellus Species 0.000 description 9
- 229940023019 aconite Drugs 0.000 description 9
- 238000013461 design Methods 0.000 description 7
- 239000007858 starting material Substances 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 235000003143 Panax notoginseng Nutrition 0.000 description 4
- 241000180649 Panax notoginseng Species 0.000 description 4
- 229940126680 traditional chinese medicines Drugs 0.000 description 4
- 241000202807 Glycyrrhiza Species 0.000 description 3
- 235000001453 Glycyrrhiza echinata Nutrition 0.000 description 3
- 235000006200 Glycyrrhiza glabra Nutrition 0.000 description 3
- 235000017382 Glycyrrhiza lepidota Nutrition 0.000 description 3
- 229930013930 alkaloid Natural products 0.000 description 3
- 150000003797 alkaloid derivatives Chemical class 0.000 description 3
- 229940010454 licorice Drugs 0.000 description 3
- 206010067484 Adverse reaction Diseases 0.000 description 2
- 230000006838 adverse reaction Effects 0.000 description 2
- 230000008485 antagonism Effects 0.000 description 2
- 229940126678 chinese medicines Drugs 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 235000008216 herbs Nutrition 0.000 description 2
- 238000009966 trimming Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001225 therapeutic 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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Medicinal Chemistry (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Epidemiology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Toxicology (AREA)
- Pharmacology & Pharmacy (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Medical Preparation Storing Or Oral Administration Devices (AREA)
Abstract
本发明公开了一种基于大语言模型的用药风险识别方法、装置及存储介质，涉及用药风险识别技术领域。方法包括将中药药方中的中药材名称两两组合，得到多组中药材组合；基于预定义的prompt模板和多组中药材组合，生成与多组中药材组合一一对应的且用于咨询中药材组合所对应的两种中药材是否存在用药冲突风险的多个咨询文本；将多个咨询文本输入预先训练的且用于识别中药材是否存在用药冲突风险的大语言模型进行运算，得到与各咨询文本对应的用药冲突风险识别结果；基于与各咨询文本对应的用药冲突风险识别结果，生成用药风险识别结果。本发明公开的方法、装置及存储介质可准确识别出中药药方中的中药材之间是否存在用药冲突，避免用药风险。
Description
技术领域
本发明属于用药风险识别技术领域，具体涉及一种基于大语言模型的用药风险识别方法、装置及存储介质。
背景技术
中医用药时不同药物之间可能产生相互影响，这些作用可分为增效、协同和拮抗作用等。例如，某些药物的联合使用可能增强疗效，提高药物的吸收或降低不良反应。然而，一些中药组合可能出现相互拮抗作用，导致疗效下降或产生不良反应，例如中医常见的十八反十九畏，其中附片与半夏曲配伍，乌头类生物碱含量升高，会对患者生命造成危险。因此，在中医用药过程中，应谨慎选择药物组合，避免可能出现的用药冲突，确保疗效和安全性。
目前，对于出现不良反应的中药组合方法大多依靠医生的经验，然而采用这样的方法容易出现遗漏的情况，给中医问诊和患者带来很大的风险。
发明内容
本发明的目的是提供一种基于大语言模型的用药风险识别方法、装置及存储介质，用以解决现有技术中存在的上述问题。
为了实现上述目的，本发明采用以下技术方案：
第一方面，本发明提供了一种基于大语言模型的用药风险识别方法，包括：
将中药药方中的中药材名称两两组合，得到多组中药材组合；
基于预定义的prompt模板和所述多组中药材组合，生成与所述多组中药材组合一一对应的且用于咨询中药材组合所对应的两种中药材是否存在用药冲突风险的多个咨询文本；
分别将所述多个咨询文本输入预先训练的且用于识别中药材是否存在用药冲突风险的大语言模型进行运算，得到与所述多个咨询文本中各咨询文本对应的用药冲突风险识别结果；
基于与所述多个咨询文本中各咨询文本对应的用药冲突风险识别结果，生成所述中药药方的用药风险识别结果；
其中，所述大语言模型是以用于咨询样本中药材组合所对应的两种中药材是否存在用药冲突风险的样本咨询文本为样本输入，样本中药材组合所对应的两种中药材是否存在用药冲突风险为样本输出进行训练得到的。
基于上述公开的内容，本发明通过将中药药方中的中药材名称两两组合，得到多组中药材组合；并基于预定义的prompt模板和多组中药材组合，生成与多组中药材组合一一对应的且用于咨询中药材组合所对应的两种中药材是否存在用药冲突风险的多个咨询文本；然后分别将多个咨询文本输入预先训练的且用于识别中药材是否存在用药冲突风险的大语言模型进行运算，得到与多个咨询文本中各咨询文本对应的用药冲突风险识别结果；最后基于与多个咨询文本中各咨询文本对应的用药冲突风险识别结果，生成中药药方的用药风险识别结果。如此，可通过将中药药方中的中药材名称两两组合，并通过大语言模型识别中药材组合所对应的两种中药材是否存在用药冲突风险，从而能够准确识别出中药药方中的中药材之间是否存在用药冲突，能够为医生和患者提供更加安全可靠的用药指导，提高临床用药的安全性和准确性，避免用药风险，具有广泛的应用前景和市场价值。同时，采用大语言模型能够更准确的识别中医领域专业术语，进一步确保用药风险的识别准确性。
通过上述的设计，本发明可准确识别出中药药方中的中药材之间是否存在用药冲突，能够为医生和患者提供更加安全可靠的用药指导，提高临床用药的安全性和准确性，避免用药风险，具有广泛的应用前景和市场价值，便于实际应用和推广。
在一个可能的设计中，所述基于与所述多个咨询文本中各咨询文本对应的用药冲突风险识别结果，生成所述中药药方的用药风险识别结果，包括：
如果所述多个咨询文本中有至少一个咨询文本所对应的用药冲突风险识别结果为存在用药冲突风险，则生成表征存在用药风险的第一用药风险识别结果；
如果所述多个咨询文本中有所有咨询文本所对应的用药冲突风险识别结果均为不存在用药冲突风险，则生成表征不存在用药风险的第二用药风险识别结果。
在一个可能的设计中，所述第一用药风险识别结果中包括存在用药冲突风险的至少两种中药材的名称。
在一个可能的设计中，所述方法还包括：
获取用于咨询样本中药材组合所对应的两种中药材是否存在用药冲突风险的样本咨询文本；
将用于咨询样本中药材组合所对应的两种中药材是否存在用药冲突风险的样本咨询文本作为大语言模型的样本输入，样本中药材组合所对应的两种中药材是否存在用药冲突风险的识别结果作为大语言模型的样本输出进行训练，得到训练后的大语言模型。
在一个可能的设计中，所述大语言模型为ChatGLM-6B模型。
在一个可能的设计中，所述大语言模型为GPT-4模型。
在一个可能的设计中，在将中药药方中的中药材名称两两组合之前，所述方法还包括：
通过关键词识别提取出所述中药药方中的中药材名称。
第二方面，本发明提供了一种基于大语言模型的用药风险识别装置，包括：
组合单元，用于将中药药方中的中药材名称两两组合，得到多组中药材组合；
第一生成单元，用于基于预定义的prompt模板和所述多组中药材组合，生成与所述多组中药材组合一一对应的且用于咨询中药材组合所对应的两种中药材是否存在用药冲突风险的多个咨询文本；
运算单元，用于分别将所述多个咨询文本输入预先训练的且用于识别中药材是否存在用药冲突风险的大语言模型进行运算，得到与所述多个咨询文本中各咨询文本对应的用药冲突风险识别结果；
第二生成单元，用于基于与所述多个咨询文本中各咨询文本对应的用药冲突风险识别结果，生成所述中药药方的用药风险识别结果；
其中，所述大语言模型是以用于咨询样本中药材组合所对应的两种中药材是否存在用药冲突风险的样本咨询文本为样本输入，样本中药材组合所对应的两种中药材是否存在用药冲突风险为样本输出进行训练得到的。
第三方面，本发明提供了一种基于大语言模型的用药风险识别装置，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如上述第一方面所述的基于大语言模型的用药风险识别方法。
第四方面，本发明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上存储有指令，当所述指令在计算机上运行时，执行第一方面所述的基于大语言模型的用药风险识别方法。
第五方面，本发明提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面所述的基于大语言模型的用药风险识别方法。
有益效果：
基于大语言模型的用药风险识别方法、装置及存储介质可准确识别出中药药方中的中药材之间是否存在用药冲突，能够为医生和患者提供更加安全可靠的用药指导，提高临床用药的安全性和准确性，避免用药风险，具有广泛的应用前景和市场价值，便于实际应用和推广。同时，采用大语言模型能够更准确的识别中医领域专业术语，进一步确保用药风险的识别准确性。
附图说明
图1为本申请实施例提供的基于大语言模型的用药风险识别方法的流程图；
图2为本申请实施例提供的基于大语言模型的用药风险识别装置的结构示意图；
图3为本申请实施例提供的另一基于大语言模型的用药风险识别装置的结构示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将结合附图和实施例或现有技术的描述对本发明作简单地介绍，显而易见地，下面关于附图结构的描述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。在此需要说明的是，对于这些实施例方式的说明用于帮助理解本发明，但并不构成对本发明的限定。
应当理解，尽管本文可能使用术语第一、第二等等来描述各种单元，但是这些单元不应当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。例如可以将第一单元称作第二单元,并且类似地可以将第二单元称作第一单元，同时不脱离本发明的示例实施例的范围。
应当理解，对于本文中可能出现的术语“和/或”，其仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，单独存在B，同时存在A和B三种情况；对于本文中可能出现的术语“/和”，其是描述另一种关联对象关系，表示可以存在两种关系，例如，A/和B，可以表示：单独存在A，单独存在A和B两种情况；另外，对于本文中可能出现的字符“/”，一般表示前后关联对象是一种“或”关系。
为了避免患者出现用药冲突，本申请实施例提供了一种基于大语言模型的用药风险识别方法、装置及存储介质，该基于大语言模型的用药风险识别方法、装置及存储介质可准确识别出中药药方中的中药材之间是否存在用药冲突，能够为医生和患者提供更加安全可靠的用药指导，避免用药风险。
本申请实施例提供的基于大语言模型的用药风险识别方法可应用于用户终端和服务器，所述用户终端可以是，但不限于智能手机、个人电脑（personal computer，PC）、平板电脑、个人数字助理（personal digital assistant，PDA）等。
下面将对本申请实施例提供的基于大语言模型的用药风险识别方法进行详细说明。可以理解的，所述执行主体并不构成对本申请实施例的限定。
如图1所示，是本申请实施例第一方面提供的基于大语言模型的用药风险识别方法的流程图，该基于大语言模型的用药风险识别方法可以但不限于包括如下步骤S101-S104。
步骤S101.将中药药方中的中药材名称两两组合，得到多组中药材组合。
本申请实施例中，中药药方可以是医生开具的电子版药方，也可以是通过扫描得到的电子版药方。在用药风险识别时可先将中药药方中的中药材名称两两组合，得到多组中药材组合。
举例某个中药药方中包括的中药材名称包括有三七、附片、甘草和半夏曲，则将该中药药方中的中药材名称两两组合，可得到6组中药材组合，该6组中药材组合可分别表示为[三七，附片]、[三七，甘草]、[三七，半夏曲]、[附片，甘草]、[附片，半夏曲]以及[甘草，半夏曲]。
本申请实施例中，可通过现有的关键词识别技术来提取中药药方中的中药材名称，其具体过程于此不再赘述。
步骤S102.基于预定义的prompt模板和多组中药材组合，生成与多组中药材组合一一对应的且用于咨询中药材组合所对应的两种中药材是否存在用药冲突风险的多个咨询文本。
本申请实施例中，预先定义有用于生成咨询文本的prompt模板（prompt模板是研究者们为下游任务设计的一种模板或者范式，这种范式能够帮助预训练模型回忆起自己预训练学到的知识）。
在将中药药方中的中药材名称两两组合，得到多组中药材组合后，可将预定义的prompt模板分别与多组中药材组合相结合，生成与多组中药材组合一一对应的且用于咨询中药材组合所对应的两种中药材是否存在用药冲突风险的多个咨询文本。
举例prompt模板的格式为“你是一个具备丰富经验的中医药用药专家，现在给定两个中药{TCM_A}和{TCM_B}，请输出这两个中药是否能够合用”，其中{TCM_A}和{TCM_B}为用于录入中药材名称的位置。对于[三七，附片]这一中药材组合，则可生成用于咨询三七与附片是否存在用药冲突风险的咨询文本，该询文本可以是“你是一个具备丰富经验的中医药用药专家，现在给定两个中药三七和附片，请输出这两个中药是否能够合用”。
步骤S103.分别将多个咨询文本输入预先训练的且用于识别中药材是否存在用药冲突风险的大语言模型进行运算，得到与多个咨询文本中各咨询文本对应的用药冲突风险识别结果。
本申请实施例中，可预先训练有用于识别中药材是否存在用药冲突风险的大语言模型（Large Language Model，LLM），该大语言模型可以是以用于咨询样本中药材组合所对应的两种中药材是否存在用药冲突风险的样本咨询文本为样本输入，样本中药材组合所对应的两种中药材是否存在用药冲突风险为样本输出进行训练得到的。
其中，所述大语言模型可以但不限于采用ChatGLM-6B模型或GPT-4模型，本申请实施例中不做具体限定。
在生成与多组中药材组合一一对应的且用于咨询中药材组合所对应的两种中药材是否存在用药冲突风险的多个咨询文本后，可分别将多个咨询文本输入预先训练的且用于识别中药材是否存在用药冲突风险的大语言模型进行运算，得到与多个咨询文本中各咨询文本对应的用药冲突风险识别结果。用药冲突风险识别结果可以是存在用药冲突风险或不存在用药冲突风险。
举例对于[附片，半夏曲]这一中药材组合所对应的咨询文本，由于附片与半夏曲配伍，乌头类生物碱含量升高，会对患者生命造成危险，因此将[附片，半夏曲]这一中药材组合所对应的咨询文本输入大语言模型进行运算，得到的用药冲突风险识别结果为存在用药冲突风险。而对于[三七，附片]这一中药材组合所对应的咨询文本，由于三七与附片可同时服用，因此将[三七，附片]这一中药材组合所对应的咨询文本输入大语言模型进行运算，得到的用药冲突风险识别结果为不存在用药冲突风险。
所述大语言模型的训练过程可以如下：
首先，获取用于咨询样本中药材组合所对应的两种中药材是否存在用药冲突风险的样本咨询文本，然后将用于咨询样本中药材组合所对应的两种中药材是否存在用药冲突风险的样本咨询文本作为大语言模型的样本输入，样本中药材组合所对应的两种中药材是否存在用药冲突风险的识别结果（该识别结果可预先人为识别出）作为大语言模型的样本输出进行训练，得到训练后的大语言模型。
本申请实施例中，大语言模型采用清华大学开源的ChatGLM-6B模型，此模型相比于国外开源模型已经具备了很好的中文基础以及能够在消费级显卡上进行微调和推理。微调架构可基于微软的deepspeed（DeepSpeed 是一个深度学习优化库，它可以使分布式训练变得容易、高效和有效，能够加快模型的微调效率）。微调方法参考ChatGLM官方给出的ptuning微调代码，可以跟基座模型很好的结合。ptuning可以保持基座模型形状，通过修改基座模型少量参数达到适配特定任务的目的，具有广泛的实用性和可调节性。
步骤S104.基于与多个咨询文本中各咨询文本对应的用药冲突风险识别结果，生成中药药方的用药风险识别结果。
具体的，如果多个咨询文本中有至少一个咨询文本所对应的用药冲突风险识别结果为存在用药冲突风险，则生成表征存在用药风险的第一用药风险识别结果，该第一用药风险识别结果中可包括存在用药冲突风险的至少两种中药材的名称（如附片与半夏曲）。如果多个咨询文本中有所有咨询文本所对应的用药冲突风险识别结果均为不存在用药冲突风险，则生成表征不存在用药风险的第二用药风险识别结果。
仍基于前述步骤S101中的例子，中药药方中包括的中药材名称包括有三七、附片、甘草和半夏曲，将该中药药方中的中药材名称两两组合可得到[三七，附片]、[三七，甘草]、[三七，半夏曲]、[附片，甘草]、[附片，半夏曲]以及[甘草，半夏曲]共计6组中药材组合。基于prompt模板和该6组中药材组合可得到6个咨询文本。其中，对于[附片，半夏曲]这一中药材组合所对应的咨询文本，由于附片与半夏曲配伍，乌头类生物碱含量升高，会对患者生命造成危险，因此将[附片，半夏曲]这一中药材组合所对应的咨询文本输入大语言模型进行运算，得到的用药冲突风险识别结果为存在用药冲突风险。因此，最终可生成表征存在用药风险的第一用药风险识别结果。举例该表征存在用药风险的第一用药风险识别结果可以是“附片与半夏曲合用有风险”。
本申请实施例提供的基于大语言模型的用药风险识别方法，通过将中药药方中的中药材名称两两组合，得到多组中药材组合；并基于预定义的prompt模板和多组中药材组合，生成与多组中药材组合一一对应的且用于咨询中药材组合所对应的两种中药材是否存在用药冲突风险的多个咨询文本；然后分别将多个咨询文本输入预先训练的且用于识别中药材是否存在用药冲突风险的大语言模型进行运算，得到与多个咨询文本中各咨询文本对应的用药冲突风险识别结果；最后基于与多个咨询文本中各咨询文本对应的用药冲突风险识别结果，生成中药药方的用药风险识别结果。如此，可通过将中药药方中的中药材名称两两组合，并通过大语言模型识别中药材组合所对应的两种中药材是否存在用药冲突风险，从而能够准确识别出中药药方中的中药材之间是否存在用药冲突，能够为医生和患者提供更加安全可靠的用药指导，提高临床用药的安全性和准确性，避免用药风险，具有广泛的应用前景和市场价值，便于实际应用和推广。同时，采用大语言模型能够更准确的识别中医领域专业术语，进一步确保用药风险的识别准确性。
请参阅图2，本申请实施例第二方面提供了一种基于大语言模型的用药风险识别装置，该基于大语言模型的用药风险识别装置包括：
组合单元，用于将中药药方中的中药材名称两两组合，得到多组中药材组合；
第一生成单元，用于基于预定义的prompt模板和所述多组中药材组合，生成与所述多组中药材组合一一对应的且用于咨询中药材组合所对应的两种中药材是否存在用药冲突风险的多个咨询文本；
运算单元，用于分别将所述多个咨询文本输入预先训练的且用于识别中药材是否存在用药冲突风险的大语言模型进行运算，得到与所述多个咨询文本中各咨询文本对应的用药冲突风险识别结果；
第二生成单元，用于基于与所述多个咨询文本中各咨询文本对应的用药冲突风险识别结果，生成所述中药药方的用药风险识别结果；
其中，所述大语言模型是以用于咨询样本中药材组合所对应的两种中药材是否存在用药冲突风险的样本咨询文本为样本输入，样本中药材组合所对应的两种中药材是否存在用药冲突风险为样本输出进行训练得到的。
本实施例第二方面提供的装置的工作过程、工作细节和技术效果，可以参见实施例第一方面，于此不再赘述。
如图3所示，本申请实施例第三方面提供了另一种基于大语言模型的用药风险识别装置，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如实施例第一方面所述的基于大语言模型的用药风险识别方法。
具体举例的，所述存储器可以但不限于包括随机存取存储器（RAM）、只读存储器（ROM）、闪存（Flash Memory）、先进先出存储器（FIFO）和/或先进后出存储器（FILO）等等；所述处理器可以不限于采用型号为STM32F105系列的微处理器、ARM（Advanced RISCMachines）、X86等架构处理器或集成NPU（neural-network processing units）的处理器；所述收发器可以但不限于为WiFi（无线保真）无线收发器、蓝牙无线收发器、通用分组无线服务技术（General Packet Radio Service，GPRS）无线收发器、紫蜂协议（基于IEEE802.15.4标准的低功耗局域网协议，ZigBee）无线收发器、3G收发器、4G收发器和/或5G收发器等。
本实施例第三方面提供的装置的工作过程、工作细节和技术效果，可以参见实施例第一方面，于此不再赘述。
本实施例第四方面提供了一种存储包含有实施例第一方面所述的基于大语言模型的用药风险识别方法的指令的计算机可读存储介质，即所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面所述的基于大语言模型的用药风险识别方法。其中，所述计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
本实施例第五方面提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如实施例第一方面所述的基于大语言模型的用药风险识别方法，其中，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明的保护范围。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 (8)
1.一种基于大语言模型的用药风险识别方法，其特征在于，包括：
将中药药方中的中药材名称两两组合，得到多组中药材组合；
基于预定义的prompt模板和所述多组中药材组合，生成与所述多组中药材组合一一对应的且用于咨询中药材组合所对应的两种中药材是否存在用药冲突风险的多个咨询文本；
分别将所述多个咨询文本输入预先训练的且用于识别中药材是否存在用药冲突风险的大语言模型进行运算，得到与所述多个咨询文本中各咨询文本对应的用药冲突风险识别结果；
基于与所述多个咨询文本中各咨询文本对应的用药冲突风险识别结果，生成所述中药药方的用药风险识别结果；
其中，所述大语言模型是以用于咨询样本中药材组合所对应的两种中药材是否存在用药冲突风险的样本咨询文本为样本输入，样本中药材组合所对应的两种中药材是否存在用药冲突风险为样本输出进行训练得到的；
所述基于与所述多个咨询文本中各咨询文本对应的用药冲突风险识别结果，生成所述中药药方的用药风险识别结果，包括：
如果所述多个咨询文本中有至少一个咨询文本所对应的用药冲突风险识别结果为存在用药冲突风险，则生成表征存在用药风险的第一用药风险识别结果；
如果所述多个咨询文本中有所有咨询文本所对应的用药冲突风险识别结果均为不存在用药冲突风险，则生成表征不存在用药风险的第二用药风险识别结果；
所述方法还包括：
获取用于咨询样本中药材组合所对应的两种中药材是否存在用药冲突风险的样本咨询文本；
将用于咨询样本中药材组合所对应的两种中药材是否存在用药冲突风险的样本咨询文本作为大语言模型的样本输入，样本中药材组合所对应的两种中药材是否存在用药冲突风险的识别结果作为大语言模型的样本输出进行训练，得到训练后的大语言模型。
2.根据权利要求1所述的基于大语言模型的用药风险识别方法，其特征在于，所述第一用药风险识别结果中包括存在用药冲突风险的至少两种中药材的名称。
3.根据权利要求1所述的基于大语言模型的用药风险识别方法，其特征在于，所述大语言模型为ChatGLM-6B模型。
4.根据权利要求1所述的基于大语言模型的用药风险识别方法，其特征在于，所述大语言模型为GPT-4模型。
5.根据权利要求1所述的基于大语言模型的用药风险识别方法，其特征在于，在将中药药方中的中药材名称两两组合之前，所述方法还包括：
通过关键词识别提取出所述中药药方中的中药材名称。
6.一种基于大语言模型的用药风险识别装置，其特征在于，包括：
组合单元，用于将中药药方中的中药材名称两两组合，得到多组中药材组合；
第一生成单元，用于基于预定义的prompt模板和所述多组中药材组合，生成与所述多组中药材组合一一对应的且用于咨询中药材组合所对应的两种中药材是否存在用药冲突风险的多个咨询文本；
运算单元，用于分别将所述多个咨询文本输入预先训练的且用于识别中药材是否存在用药冲突风险的大语言模型进行运算，得到与所述多个咨询文本中各咨询文本对应的用药冲突风险识别结果；
第二生成单元，用于基于与所述多个咨询文本中各咨询文本对应的用药冲突风险识别结果，生成所述中药药方的用药风险识别结果；
其中，所述大语言模型是以用于咨询样本中药材组合所对应的两种中药材是否存在用药冲突风险的样本咨询文本为样本输入，样本中药材组合所对应的两种中药材是否存在用药冲突风险为样本输出进行训练得到的；
第二生成单元在用于基于与所述多个咨询文本中各咨询文本对应的用药冲突风险识别结果，生成所述中药药方的用药风险识别结果时，具体用于：
如果所述多个咨询文本中有至少一个咨询文本所对应的用药冲突风险识别结果为存在用药冲突风险，则生成表征存在用药风险的第一用药风险识别结果；
如果所述多个咨询文本中有所有咨询文本所对应的用药冲突风险识别结果均为不存在用药冲突风险，则生成表征不存在用药风险的第二用药风险识别结果；
所述基于大语言模型的用药风险识别装置还包括：
获取单元，用于获取用于咨询样本中药材组合所对应的两种中药材是否存在用药冲突风险的样本咨询文本；
训练单元，用于将用于咨询样本中药材组合所对应的两种中药材是否存在用药冲突风险的样本咨询文本作为大语言模型的样本输入，样本中药材组合所对应的两种中药材是否存在用药冲突风险的识别结果作为大语言模型的样本输出进行训练，得到训练后的大语言模型。
7.一种基于大语言模型的用药风险识别装置，其特征在于，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如权利要求1～5任意一项所述的基于大语言模型的用药风险识别方法。
8.一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上存储有指令，当所述指令在计算机上运行时，执行如权利要求1～5任意一项所述的基于大语言模型的用药风险识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311237870.6A CN116978511B (zh) | 2023-09-25 | 2023-09-25 | 基于大语言模型的用药风险识别方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311237870.6A CN116978511B (zh) | 2023-09-25 | 2023-09-25 | 基于大语言模型的用药风险识别方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116978511A CN116978511A (zh) | 2023-10-31 |
| CN116978511B true CN116978511B (zh) | 2023-12-12 |
Family
ID=88483582
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311237870.6A Active CN116978511B (zh) | 2023-09-25 | 2023-09-25 | 基于大语言模型的用药风险识别方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116978511B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009067699A2 (en) * | 2007-11-21 | 2009-05-28 | Accentia Biopharmaceuticals, Inc. | Methods for providing a system of care for an oxazaphosphorine drug regimen |
| CN110534168A (zh) * | 2019-08-30 | 2019-12-03 | 北京百度网讯科技有限公司 | 药嘱风险提示方法、装置、电子设备及存储介质 |
| CN111785344A (zh) * | 2020-06-04 | 2020-10-16 | 河南中医药大学 | 基于中医药领域专业词向量的中药处方用药安全检测方法 |
| CN111986770A (zh) * | 2020-08-31 | 2020-11-24 | 平安医疗健康管理股份有限公司 | 药方用药审核方法、装置、设备及存储介质 |
| CN112259181A (zh) * | 2020-11-03 | 2021-01-22 | 陈军 | 一种用药记录的方法及系统 |
| CN114005507A (zh) * | 2021-09-23 | 2022-02-01 | 厦门大学 | 一种基于知识图谱的临床用药风险评估方法和系统 |
| CN114818716A (zh) * | 2022-05-25 | 2022-07-29 | 中国建设银行股份有限公司 | 一种风险主体的识别方法、装置、存储介质及设备 |
| CN115017894A (zh) * | 2022-05-30 | 2022-09-06 | 建信金融科技有限责任公司 | 一种舆情风险识别方法及装置 |
| CN116303980A (zh) * | 2023-05-19 | 2023-06-23 | 无码科技（杭州）有限公司 | 一种大语言模型知识增强方法、系统、电子设备及介质 |
| CN116341899A (zh) * | 2023-02-16 | 2023-06-27 | 浙江责联科技有限公司 | 基于失责、尽责的风险指标智能管理系统及方法 |
| CN116631573A (zh) * | 2023-07-25 | 2023-08-22 | 讯飞医疗科技股份有限公司 | 一种处方用药审核方法、装置、设备及存储介质 |
| CN116775879A (zh) * | 2023-06-29 | 2023-09-19 | 浙江中控技术股份有限公司 | 大语言模型的微调训练方法、合同风险评审方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11177040B2 (en) * | 2017-05-01 | 2021-11-16 | Health Solutions Research, Inc. | Risk identification and response |
| JP2022509876A (ja) * | 2018-11-30 | 2022-01-24 | ハイムバイオ カンパニー、リミテッド | 酸症誘発薬剤の併用投与用薬学組成物 |
-
2023
- 2023-09-25 CN CN202311237870.6A patent/CN116978511B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009067699A2 (en) * | 2007-11-21 | 2009-05-28 | Accentia Biopharmaceuticals, Inc. | Methods for providing a system of care for an oxazaphosphorine drug regimen |
| CN110534168A (zh) * | 2019-08-30 | 2019-12-03 | 北京百度网讯科技有限公司 | 药嘱风险提示方法、装置、电子设备及存储介质 |
| CN111785344A (zh) * | 2020-06-04 | 2020-10-16 | 河南中医药大学 | 基于中医药领域专业词向量的中药处方用药安全检测方法 |
| CN111986770A (zh) * | 2020-08-31 | 2020-11-24 | 平安医疗健康管理股份有限公司 | 药方用药审核方法、装置、设备及存储介质 |
| CN112259181A (zh) * | 2020-11-03 | 2021-01-22 | 陈军 | 一种用药记录的方法及系统 |
| CN114005507A (zh) * | 2021-09-23 | 2022-02-01 | 厦门大学 | 一种基于知识图谱的临床用药风险评估方法和系统 |
| CN114818716A (zh) * | 2022-05-25 | 2022-07-29 | 中国建设银行股份有限公司 | 一种风险主体的识别方法、装置、存储介质及设备 |
| CN115017894A (zh) * | 2022-05-30 | 2022-09-06 | 建信金融科技有限责任公司 | 一种舆情风险识别方法及装置 |
| CN116341899A (zh) * | 2023-02-16 | 2023-06-27 | 浙江责联科技有限公司 | 基于失责、尽责的风险指标智能管理系统及方法 |
| CN116303980A (zh) * | 2023-05-19 | 2023-06-23 | 无码科技（杭州）有限公司 | 一种大语言模型知识增强方法、系统、电子设备及介质 |
| CN116775879A (zh) * | 2023-06-29 | 2023-09-19 | 浙江中控技术股份有限公司 | 大语言模型的微调训练方法、合同风险评审方法及系统 |
| CN116631573A (zh) * | 2023-07-25 | 2023-08-22 | 讯飞医疗科技股份有限公司 | 一种处方用药审核方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116978511A (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10496749B2 (en) | Unified semantics-focused language processing and zero base knowledge building system | |
| CN107368547A (zh) | 一种基于深度学习的智能医疗自动问答方法 | |
| CN111125309A (zh) | 自然语言处理方法、装置及计算设备、存储介质 | |
| CN107357772A (zh) | 表单填写方法、装置和计算机设备 | |
| CN106600428A (zh) | 保单生成方法及装置 | |
| CN107480450A (zh) | 一种智能分诊方法和系统 | |
| CN111159369B (zh) | 多轮智能问诊方法、装置及计算机可读存储介质 | |
| CN114153994A (zh) | 医保信息问答方法及装置 | |
| CN111882203A (zh) | 一种中医药云服务实验系统 | |
| CN116978511B (zh) | 基于大语言模型的用药风险识别方法、装置及存储介质 | |
| Park | Real-time monitoring electronic triage tag system for improving survival rate in disaster-induced mass casualty incidents | |
| Quaresma et al. | Event extraction and representation: a case study for the Portuguese language | |
| CN113724830A (zh) | 基于人工智能的用药风险检测方法及相关设备 | |
| Swain et al. | Healthcare chatbot system: A survey | |
| CN107705849A (zh) | 远程会诊意见整合方法和装置 | |
| CN116469546A (zh) | 基于注意力机制的疾病辅助识别方法和装置、设备及介质 | |
| CN106383865B (zh) | 基于人工智能的推荐数据的获取方法及装置 | |
| CN109685590A (zh) | 一种智能购药的系统及方法 | |
| CN115357697A (zh) | 数据处理方法、装置、终端设备以及存储介质 | |
| CN111046666B (zh) | 事件识别方法及装置、计算机可读存储介质、电子设备 | |
| CN113362964A (zh) | 一种药品数据的处理方法、系统及其存储介质 | |
| CN103870712A (zh) | 中医知识数据智能响应方法与设备 | |
| CN106897266A (zh) | 用于智能机器人的文本处理方法及系统 | |
| CN117668162A (zh) | 基于名词与动词的需求文档的查重方法、装置及存储介质 | |
| US20230394239A1 (en) | Determining concept relationships in document collections utilizing a sparse graph recovery machine-learning model |
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 |