CN117198512A - 给药量预测方法及相关装置、设备和存储介质 - Google Patents

Abstract

本申请公开了一种给药量预测方法及相关装置、设备和存储介质，其中，给药量预测方法包括：获取目标对象本次使用目标药物之前最新的病历数据和样本对象历史使用目标药物之前最新的样本病历数据；基于样本病历数据，提取多个第一预设种类的样本属性特征和多个第二预设种类的样本时变特征；基于此训练第一给药预测模型直至收敛，得到第一预设种类的第一重要度和第二预设种类的第二重要度，以此选择第一目标种类和第二目标种类；基于病历数据，提取属于第一目标种类的属性特征和属于第二目标种类的时变特征，进而据此进行预测，得到目标对象本次使用目标药物的预测给药量。上述方案，能够降低给药量预测的人力成本，并提升给药量预测的精度。

Description

给药量预测方法及相关装置、设备和存储介质

技术领域

本申请涉及数据处理技术领域，特别是涉及一种给药量预测方法及相关装置、设备和存储介质。

背景技术

给药量预测在诸如持续血糖监测与胰岛素给药反馈系统等众多场景中，具有极大的应用前景。

但是，现有技术中通常需要经验丰富的专业人员确定给药量，一方面存在一定技术门槛，同时也加重人力成本。此外，人工确定给药量也存在受到专业人员的精力等因素影响而可能降低精度的可能性。有鉴于此，如何降低给药量预测的人力成本，并提升给药量预测的精度，成为亟待解决的问题。

发明内容

本申请主要解决的技术问题是提供一种给药量预测方法及相关装置、设备和存储介质，能够降低给药量预测的人力成本，并提升给药量预测的精度。

为了解决上述技术问题，本申请第一方面提供了一种给药量预测方法，包括：获取目标对象本次使用目标药物之前最新的病历数据，并获取样本对象历史使用目标药物之前最新的样本病历数据；基于样本病历数据，提取多个第一预设种类的样本属性特征和多个第二预设种类的样本时变特征；基于样本属性特征和样本时变特征训练第一给药预测模型直至收敛，得到各个第一预设种类的第一重要度和各个第二预设种类的第二重要度；基于各个第一预设种类的第一重要度，选择至少一个第一预设种类作为第一目标种类，并基于各个第二预设种类的第二重要度，选择至少一个第二预设种类作为所述第二目标种类；基于病历数据，提取属于第一目标种类的属性特征和属于第二目标种类的时变特征；基于属性特征和时变特征进行预测，得到目标对象本次使用目标药物的预测给药量。

为了解决上述技术问题，本申请第二方面提供了一种给药量预测装置，包括：数据获取模块、样本提取模块、重要度量模块、种类选择模块、特征提取模块和药量预测模块，数据获取模块，用于获取目标对象本次使用目标药物之前最新的病历数据，并获取样本对象历史使用目标药物之前最新的样本病历数据；样本提取模块，用于基于样本病历数据，提取多个第一预设种类的样本属性特征和多个第二预设种类的样本时变特征，重要度量模块，用于基于样本属性特征和样本时变特征训练第一给药预测模型直至收敛，得到各个第一预设种类的第一重要度和各个第二预设种类的第二重要度，种类选择模块，用于基于各个第一预设种类的第一重要度，选择至少一个第一预设种类作为第一目标种类，并基于各个第二预设种类的第二重要度，选择至少一个第二预设种类作为所述第二目标种类，特征提取模块，用于基于病历数据，提取属于第一目标种类的属性特征和属于第二目标种类的时变特征；药量预测模块，用于基于属性特征和时变特征进行预测，得到目标对象本次使用目标药物的预测给药量。

为了解决上述技术问题，本申请第三方面提供了一种电子设备，包括相互耦接的存储器和处理器，存储器中存储有程序指令，处理器用于执行程序指令以实现上述第一方面中的给药量预测方法。

为了解决上述技术问题，本申请第四方面提供了一种计算机可读存储介质，存储有能够被处理器运行的程序指令，程序指令用于实现上述第一方面的给药量预测方法。

上述方案，获取目标对象本次使用目标药物之前最新的病历数据，并获取样本对象历史使用目标药物之前最新的样本病历数据，再基于样本病历数据，提取多个第一预设种类的样本属性特征和多个第二预设种类的样本时变特征，以基于样本属性特征和样本时变特征训练第一给药预测模型直至收敛，得到各个第一预设种类的第一重要度和各个第二预设种类的第二重要度，从而基于各个第一预设种类的第一重要度，选择至少一个第一预设种类作为第一目标种类，并基于各个第二预设种类的第二重要度，选择至少一个第二预设种类作为所述第二目标种类，进而基于病历数据，提取属于第一目标种类的属性特征和属于第二目标种类的时变特征，再基于属性特征和时变特征进行预测，得到目标对象本次使用目标药物的预测给药量。一方面由于在给药量预测过程中，无需依赖于专业人员，故能够降低给药量预测的人力成本，且由于减少人为因素对给药量预测的干扰，一定程度上也能够提升给药量预测的精度，另一方面通过以为第一给药预测模型训练的方式确定各种特征类别的重要度，以从中甄选出应用阶段用于特征提取的目标种类，有助于为后续应用阶段尽可能排除无关特征信息或无助于给药预测的特征信息所干扰，又一方面由于在给药量预测过程中，结合“静态”的属性特征和“动态”的时变特征共同预测给药量，进而大大提升特征信息的全面性和丰富性，有助于提升给药量预测的精度。故此，能够降低给药量预测的人力成本，并提升给药量预测的精度。

附图说明

图1是本申请给药量预测方法一实施例的流程示意图；

图2是本申请给药量预测装置一实施例的框架示意图；

图3是本申请电子设备一实施例的框架示意图；

图4是本申请计算机可读存储介质一实施例的框架示意图。

具体实施方式

下面结合说明书附图，对本申请实施例的方案进行详细说明。

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本申请。

本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”，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，同时存在A和B，单独存在B这三种情况。另外，本文中片段“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。

请参阅图1，图1是本申请给药量预测方法一实施例的流程示意图。具体而言，可以包括如下步骤：

步骤S11：获取目标对象本次使用目标药物之前最新的病历数据，并获取样本对象历史使用目标药物之前最新的样本病历数据。

本公开实施例中，目标药物具体可以根据应用场景进行设置，在此不做限定。例如，以持续血糖监测这一应用场景为例，目标药物具体可以设置为胰岛素；或者，以持续血压监测这一应用场景为例，目标药物具体可以设置为硝苯地平。其他情况可以以此类推，在此不再一一举例。

在一个实施场景中，每次使用目标药物之前，可以获取目标对象最新的病历数据。具体地，病历数据可以包含但不限于：目标对象的身高、体重、年龄、性别等基础信息，以及目标药物的历史用药信息、关于目标指标的监测信息等等，在此不做限定。需要说明的是，目标指标为目标药物相关的医学指标。示例性地，仍以持续血糖监测这一应用场景为例，如前所述，目标药物可以设置为胰岛素，目标指标可以设置为血糖（如，空腹血糖）；或者，仍以持续血压监测这一应用场景为例，如前所述，目标药物可以设置为硝苯地平，目标指标可以设置为血压。其他情况可以以此类推，在此不再一一举例。

在一个实施场景中，前述目标指标可以由目标仪器检测得到，且目标仪器可以与用户终端通信连接，以使目标仪器将检测得到的目标指标发送至用户终端。需要说明的是，用户终端可以记录有病历数据，如用户终端可以接收用户输入信息（如前述基础信息等），并接收目标仪器检测得到的目标指标，从而将上述信息进行存储，以更新病历数据；或者用户终端可以从云端获取病历数据，如用户终端可以接收用户输入信息（如前述基础信息等），并接收目标仪器检测得到的目标指标，从而将上述信息上传云端。在此基础上，用户终端可以响应于预测请求，获取最新的病历数据，并开始执行本公开实施例中后续步骤。示例性地，每次使用目标药物时，可以在用户终端通过实体按键、虚拟按键等发起预测请求。当然，用户终端的具体形态在此不做限定。例如，用户终端可以包括但不限于：智能手机、平板电脑、注射泵（如胰岛素泵）等，在此不做限定。

在一个实施场景中，样本病历数据的具体含义，可以参阅前述关于病历数据的具体描述。此外，样本病历数据可以标注有样本对象历史使用目标药物的真实给药量。示例性地，仍以持续血糖监测为例，可以获取样本对象A在某次早餐之前最新的病历数据，作为样本病历数据，并获取样本对象A在该次早餐之前真实注入胰岛素剂量，作为样本病历数据的真实给药量。其他情况可以以此类推，在此不再一一举例。

步骤S12：基于样本病历数据，提取多个第一预设种类的样本属性特征和多个第二预设种类的样本时变特征。

本公开实施例中，样本属性特征可以包含与样本对象的属性相关的特征信息，如可以包括但不限于身高、体重、年龄、性别、职业、籍贯等多个第一预设种类，样本时变特征可以包含目标药物和/或目标指标与随时间变化而发生变化相关的特征信息，如可以包括但不限于距入院时间天数、在本次使用之前一定时间内的目标指标、本次使用的时间信息、在本次使用之前一定时间内目标药物的使用信息、距上次服药时间间隔等多个第二预设种类。此外，属性特征、时变特征和参考特征具体可以以向量形式进行表征。当然，也可以不限于此。例如，属性特征、时变特征和参考特征还可以以数组等其他形式进行表征，在此不做限定。样本属性特征和样本时变特征的具体内涵以及提取方式，可以参阅下述关于属性特征和时变特征的相关描述，在此暂不赘述。

步骤S13：基于样本属性特征和样本时变特征训练第一给药预测模型直至收敛，得到各个第一预设种类的第一重要度和各个第二预设种类的第二重要度。

具体地，第一给药预测模型可以包括但不限于随机森林等，在此对第一给药预测模型的模型架构不做限定。以第一给药预测模型为随机森林为例，样本病历数据可以标注有历史使用目标药物的真实给药量，从而在将多种样本属性特征和多种样本时变特征输入随机森林之后，可以得到随机森林输出的历史使用目标药物的预测给药量，进而可以基于历史使用目标药物的真实给药量和预测给药量之间的差异，优化随机森林，在此训练过程中，可以提取各种第一预设类别的第一重要度和各种第二预设类别的第二重要度。经多轮上述训练过程之后即可训练收敛。此时，即可保留各个第一预设种类的第一重要度和各个第二预设种类的第二重要度，以备后续选择预设种类之用。

步骤S14：基于各个第一预设种类的第一重要度，选择至少一个第一预设种类作为第一目标种类，并基于各个第二预设种类的第二重要度，选择至少一个第二预设种类作为所述第二目标种类。

具体地，在得到各个第一预设类别的第一重要度之后，可以按照第一重要度由高到低的顺序，选择位于预设序位之前（如前4位、前5位等）或预设比例之前（如，前10%、前20%等）的第一预设类别作为第一目标类别。类似地，在得到各个第二预设类别的第二重要度之后，可以按照第二重要度由高到低的顺序，选择位于前预设序位之前（如，前4位、前5位）或预设比例之前（如，前10%、前20%等）的第二预设类别作为第二目标类别。

步骤S15：基于病历数据，提取属于第一目标种类的属性特征和属于第二目标种类的时变特征。

本公开实施例中，属性特征可以包含与目标对象的属性相关的特征信息，时变特征可以包含目标药物和/或目标指标与随时间变化而发生变化相关的特征信息。此外，属性特征、时变特征具体可以以向量形式进行表征。当然，也可以不限于此。例如，属性特征、时变特征还可以以数组等其他形式进行表征，在此不做限定。

在一个实施场景中，属于第一目标种类的属性特征可以包含但不限于如下特征信息：身高、体重、年龄、性别等。仍以持续血糖监测这一应用场景为例，在属性特征中包含身高和体重的特征信息，能够结合身高和体重的特征信息，估测目标对象的体表面积，从而有助于提升后续给药量预测的准确性；或者，在属性特征中包含体重的特征信息，能够有助于辅助确定目标药物（如，胰岛素）的起始剂量；或者，在属性特征中包含年龄的特征信息，能够有助于在年龄维度区分不同目标对象对目标药物（如，胰岛素）的需求量，如区分儿童和青少年对目标药物（如，胰岛素）的需求量相对较少，如区分青春期对目标药物（如，胰岛素）的需求量开始增加，如区分老年人对目标药物（如，胰岛素）的需求量有所减少；或者，在属性特征包含性别的特征信息，能够有助于在性别维度区分不同目标对象对目标药物（如，胰岛素）的需求量。当然，属性特征除了可以包含上述特征信息之外，还可以其他与目标对象的属性相关的特征信息，仍以持续血糖监测这一应用场景为例，属性特征还可以包括入组糖化等特征信息，以区分目标对象入组时的糖化血红蛋白（HbA1c）水平。需要说明的是，糖化血红蛋白是一个重要的长期血糖控制指标，可以反映过去2-3个月内的平均血糖水平。其他应用场景可以以此类推，在此对属性特征不再一一举例。

在一个实施场景中，属于第二目标种类的时变特征可以包含但不限于如下特征信息：距入院时间天数、在本次使用之前一定时间内的目标指标、本次使用的时间信息、在本次使用之前一定时间内目标药物的使用信息等。仍以持续血糖监测这一应用场景为例，本次使用可以是早餐前、午餐前、晚餐前等，在此不做限定。在时变特征中包含距入院时间天数的特征信息，能够有效反映目标对象在给药过程中的进展，有助于体现目标药物的给药效果和目标对象的适应情况；或者，以本次使用为早餐前为例，在时变特征中包含血糖值_空腹的特征信息，能够有助于评估夜间和清晨的血糖控制情况；或者，以本次使用为早餐前为例，在时变特征中包含前一天血糖值_空腹和前一天血糖值_早餐后的特征信息，能够有助于分析血糖的日常波动和趋势；或者，以本次使用为早餐前为例，时变特征中本次使用的时间信息具体可以设置为“早餐”，以体现本次使用是早餐前；或者，以本次使用为早餐前为例，时变特征中包含前一天目标药物（如胰岛素）_早的特征信息，能够体现目标对象在前一天早餐前所注射目标药物剂量，有助于表征目标药物如何影响目标对象的目标指标。需要说明的是，在本次使用为午餐前或晚餐前的情况下，时变特征具体所含的特征信息，可以以此类推，在此不再一一举例。此外，本次使用除了可以是上述早餐前、午餐前、晚餐前等餐时使用，还可以是基础使用。关于餐时使用和基础使用的具体含义或区别，可以参阅餐时胰岛素和基础胰岛素的相关细节，在此不再赘述。

在一个实施场景中，为了进一步提升给药预测的准确性，还可以基于病历数据提取至少一种参考特征，且参考特征可以包含与影响目标药物使用相关的特征信息。参考特征可以包含但不限于如下特征信息：检查检验、体质指数、其他用药、并发症状等，在此不做限定。与前述属性特征和时变特征类似地，参考特征也可以以向量形式进行表征。当然，也可以以数组形式进行表征，在此不做限定。利用参考特征进一步提升给药预测精度的具体过程，可以参阅下述相关描述，在此暂不赘述。

在一个实施场景中，还可能存在缺失至少一种特征的情况，在此情况下，可以获取目标对象初次使用目标药物的实际给药量，再基于目标对象本次使用目标药物之前最新的医学指标，对实际给药量进行调整，得到目标对象本次使用目标药物的预测给药量。上述方式，在存在至少一种特征缺失的情况下，通过结合目标对象本次使用目标药物之前最新的医学指标和目标对象初次使用目标药物的实际给药量，能够在即使特征缺失的情况下，也能够进行给药量预测，有助于提升给药量预测的适用范围。

在一个具体的实施场景中，为了获取目标对象初次使用目标药物的实际给药量，可以获取各个数值区间分别对应的映射关系，并获取目标对象的体质指数所在的数值区间作为目标区间，且数值区间对应的映射关系表征：在体质指数处于数值区间内时体重与初次使用目标药物的预测给药量之间的对应关系。仍以持续血糖监测为例，体质指数的数值区间可以包括大于24 kg/m²和低于或等于24 kg/m²，对于前者其映射关系可以表示为：

……（1）

上述公式（1）中，dose0表示初次使用目标药物的预测给药量，对于后者其映射关系可以表示为：

……（2）

当然，上述映射关系的两种举例仅仅是实际应用过程中的可能实施方式，并不因此而限定映射关系的具体设置。在此基础上，基于目标对象的体重和目标区间对应的映射关系，得到目标对象初次使用目标药物的预测给药量，再基于目标对象初次使用目标药物的预测给药量进行校正，得到目标对象初次使用目标药物的实际给药量。需要说明的是，对预测给药量进行校正的具体过程，可以参阅后续相关描述，在此暂不赘述。上述方式，通过体质指数所在的数值区间对应的映射关系，得到初次使用目标药物的预测给药量，并基于此进行校正，得到实际给药量，能够有助于降低初次给药量的度量复杂度。

在一个具体的实施场景中，在得到目标对象初次使用目标药物的实际给药量，即可基于医学指标对其进行调整，得到本次使用目标药物的预测给药量。仍以持续血糖监测为例，医学指标可以包括但不限于V1空腹血糖。对于体质指数大于18的目标对象而言，可以根据V1空腹血糖所在数值范围，确定实际给药量的调整系数，以根据实际给药量的调整系数对实际给药量进行调整，得到本次使用目标药物的预测给药量。当然，在其他应用场景下，亦可以以此类推，在此不再一一举例。示例性地，若V1空腹血糖小于4.4mmol/L，则调整系数可以设置为其中的加权系数为1且幅度系数为-2，即预测给药量dose1=dose0-2，或者，若V1空腹血糖在4.4mmol/L~6.1mmol/L之间，则调整系数可以设置为其中的加权系数为0.95且幅度系数设置为0，即预测给药量dose1=0.95*dose0，或者，若V1空腹血糖在6.1mmol/L~10.0mmol/L之间，则调整系数可以设置为其中的加权系数为1且幅度系数设置为2，即预测给药量dose1=dose0+2；或者，若V1空腹血糖大于10.0mmol/L，则调整系数可以设置为其中的加权系数为1且幅度系数设置为4，即预测给药量dose1=dose0+4。当然，上述关于调整系数的具体举例，仅仅是实际应用过程中几种可能示例，并不因此而限定调整系数的具体数值。

在另一个实施场景中，如前所述，还可能存在缺失至少一种特征的情况，区别于前述实施方式，还可以通过诸如填充0值、利用病历过去数值计算填充等方式，以补全缺失特征。以前者为例，对于某些测试或参数，如果没有记录或缺失，可以假定其值为0。这种方法快速而简单，但前提是这种0填充在医学上具有实际意义，而不会引入误导性的信息。或者，以后者为例，如果目标对象过去有相应的病历记录，可以考虑使用之前的数值来填充当前的缺失值。这种方法是基于一个假设，即目标对象的某些健康指标可能在短时间内相对稳定。例如，目标对象的过去几次空腹血糖测量都在一个相近的范围内，那么当有一次测量缺失时，可以用过去的平均值或最近的值来填充。当然，上述两种仅仅是缺失补齐的几种可能方式，并不因此而限定补全缺失特征的具体方式。

此外，为了尽可能地降低特征数据分布对于后续基于特征进行给药量预测而造成影响，可以对特征数据进行立方根变换。需要说明的是，立方根变换可以将特征数据中非常大的值和非常小的值转化为一个中等范围的数值，从而能够降低数据的偏斜度。在实际应用中，经试验能够为后续基于特征数据进行给药量预测的准确性提升近20%以上。

步骤S16：基于属性特征和时变特征进行预测，得到目标对象本次使用目标药物的预测给药量。

在一个实施场景中，为了提升给药量预测的效率，可以预先训练第二给药预测模型，第二给药预测模型可以包括但不限于卷积神经网络等，在此对第二给药预测模型的模型架构不做限定。在此基础上，可以将提取得到的属性特征和时变特征输入至第二给药预测模型，得到目标对象本次使用目标药物的预测给药量。

在另一个实施场景中，如前所述，为了提升给药预测的效率，可以预先训练第二给药预测模型，区别在于，作为另一种可能的实施方式，第二给药预测模型可以包括多个基模型和一个元模型。需要说明的是，多个基模型可以包括但不限于：随机森林回归器、支持向量回归器、XGBoost回归器等，在此对基模型的模型架构不做限定。此外，元模型可以包括但不限于：线性回归网络等，在此对元模型的模型架构不做限定。在此基础上，可以将前述提取得到的属性特征和时变特征输入至第二给药预测模型中的各个基模型，得到对应基模型输出的候选给药量，再将各个基模型输出的候选给药量输入至第二给药预测模型中的元模型进行处理，得到目标药物的预测给药量。上述方式，先由第二给药预测模型中各个基模型预测得到候选给药量，再由第二给药预测模型中元模型对各个候选给药量进行处理，得到目标药物的预测给药量，故能够综合各个基模型的模型优势，有助于进一步提升给药量预测的精度。

在一个具体的实施场景中，对于预先采集的样本病历数据，可以先按照一定比例（如，8：2）分为训练集和验收集。其中，训练集用于模型训练，验收集用于在模型训练之后验证模型性能。特别地，仍以持续血糖监测这一应用场景为例，如前所述，给药量预测可以分为餐时给药量预测和基础给药量预测，则可以分别训练用于预测餐时给药量的第二给药预测模型以及用于预测基础给药量的第二给药预测模型。当然，为了进一步提升餐时给药预测和基础给药预测的精度，可以区分餐时给药预测所使用的特征信息以及基础给药预测所使用的特征信息。

在一个具体的实施场景中，对于第二给药预测模型，可以先训练第二给药预测模型中各个基模型，再训练第二给药预测模型中元模型。具体地，与前述提取属性特征和时变特征类似地，可以基于样本病历数据，提取样本属性特征和样本时变特征，再将提取到的样本属性特征和样本时变特征输入至各个基模型，得到对应基模型输出的预测给药量。在此基础上，对于每个基模型，可以基于其输出的预测给药量和样本病历数据标注的真实给药量之间的差异，优化基模型。在此之后，可以获取前述提取的样本属性特征和样本时变特征经各个基模型分别输出的预测给药量，再将这些预测给药量输入至元模型，得到元模型输出的预测给药量，从而可以基于元模型输出的预测给药量与样本病历数据标注的真实给药量之间的差异，优化元模型。

在一个具体的实施场景中，以多个基模型包含随机森林回归器为例，随机森林回归器构建多个决策树，并将各个决策树的预测结果组合在一起。在此应用过程中，随机森林回归器可以考虑所有输入特征并识别对给药量预测起到关键性作用的特征。示例性地，仍以持续血糖监测这一应用场景为例，经随机森林回归器验证，包含特征信息“前一天的胰岛素值”的时变特征相对重要，从而随机森林回归器将赋予其较高的重要性。需要说明的是，由于随机森林回归器的每个决策树都在训练集的一个随机子集上进行训练，有助于增强模型多样性，且由于随机森林回归器采用集成学习方法，故对于异常值和噪声具有较强的鲁棒性。此外，如前所述，随机森林回归器能够为每个特征提供重要性分数，有助于特征选择，且与单一决策树相比，随机森林能够降低发生过拟合的可能性。仍以持续血糖监测这一应用场景为例，通过构建多棵决策树并取其平均值来进行预测，每棵树都会尝试找到最佳的特征组合以准确预测胰岛素剂量。示例性地，某些特征，如前一天的血糖值或体重，可能与患者的胰岛素需求有很强的相关性。随机森林可以识别和利用这些特征之间的非线性关系，从而为不同的患者提供个性化的剂量建议。

在一个具体的实施场景中，以多个基模型包含支持向量回归器为例，支持向量回归器用于寻找超平面，使得所有数据点的预测误差都在一个确定的容忍范围内。仍以持续血糖监测这一应用场景为例，支持向量回归器主要用于寻找一个平衡，使得大部分的预测误差都较小。需要说明的是，由于支持向量回归器主要用于寻找一个超平面，故使得数据点与这个超平面的距离最大化，能够有助于模型泛化，且由于支持向量回归器其损失函数只关心位于决策边界附近的点，故其对异常值具有较好的鲁棒性。仍以持续血糖监测这一应用场景为例，由于糖尿病患者的体内胰岛素反应可能因人而异，支持向量回归器可以找到那些“异常”的病例并为它们提供合适的剂量，而不是简单地根据大多数患者的数据进行预测。

在一个具体的实施场景中，以多个基模型包含XGBoost回归器为例，XGBoost回归器是一种梯度增强算法，其构建并组合多个决策树来提高预测精度。与随机森林回归器相比，XGBoost回归器在每一步都更关心之前步骤中的预测误差，并尝试减小这些误差，特别是当某些对象对目标药物的需求量明显异于其他对象时，XGBoost回归器具有更为突出效果。需要说明的是，由于与标准的梯度增强算法相比，XGBoost回归器包括L1（Lasso回归）和L2（岭回归）正则化，有助于尽可能防止过拟合，且XGBoost回归器可以并行地构建树，有助于加快处理速度。此外，XGBoost回归器由于允许用户自定义优化目标和评价标准，故能够提升灵活性，且其内置方法可以处理缺失值。进一步地，由于XGBoost回归器采用深度优先方法，并在达到最大深度之后停止分裂，并进行剪枝操作，且允许用户在每一轮的增强过程中使用交叉验证，从而能够方便地得到最优的提升轮数。XGBoost回归器通过逐渐优化预测误差来构建决策树。它会给那些之前预测不好的数据点更多的注意，试图在下一个决策树中减少这些误差。仍以持续血糖监测这一应用场景为例，如果某个病人昨天的胰岛素剂量导致了血糖异常，XGBoost会在今天的预测中尝试修正这个问题，从而更好地调整胰岛素剂量。

在一个具体的实施场景中，以元模型设置为线性回归网络为例，线性回归网络主要目标是找到最佳拟合直线，使得真实观测值和通过此线性方程预测值之间的差异（如，差的平方和）最小。线性回归网络能够为前述各个基模型分配权重，来进行最终预测。仍以持续血糖监测为例，由于每个基模型都有其独特的优点，所以通过元模型组合这些基模型的预测可以为患者提供更准确和稳定的胰岛素剂量建议。

在一个具体的实施场景中，下面试以持续血糖监测这一应用场景为例，具体说明结合多个基模型和元模型进行给药量预测的具体过程。假设目标对象昨天的胰岛素剂量略有不足，导致今天早晨的血糖值略高。则对于多个基模型中的随机森林回归器来说，可能会识别到目标对象在昨天与其他特征组合的背景下的高血糖趋势，因此建议增加剂量，而对于多个基模型中的支持向量回归器来说，可能会观察到目标对象与其他对象相比是一个异常案例，并可能建议增加更多的胰岛素，对于多个基模型中的XGBoost回归器而言，可能会特别关注到目标对象昨天的预测误差，并尝试为今天的剂量提供修改建议，最后元模型综合上述三个基模型的预测给药量，给出一个权衡后的预测给药量。特别地，假设随机森林回归器输出的候选给药量为10单位，支持向量回归器输出的候选给药量为12单位，XGBoost回归器输出的候选给药量为11单位，作为一种可能的实施情况，元模型可能发现随机森林回归器在此类情况的预测更为准确，故给予其更高的权重，最终预测给药量可以是10.5单位。当然，上述举例仅仅是实际应用过程中一种可能的实施方式，并不因此而限定预测给药量的具体数值。

此外，如前所述，为了进一步提升给药预测精度，还可以基于病历数据，提取至少一种参考特征。在此基础上，可以基于至少一种参考特征对预测给药量进行校正，得到目标对象本次使用目标药物的目标给药量。

在一个实施场景中，可以基于至少一种参考特征，确定预测给药量的校正系数，在基于校正系数对预测给药量进行加权，得到目标对象本次使用目标药物的目标给药量。上述方式，通过参考特征确定校正系数，再利用校正系数对预测给药量进行加权，得到目标给药量，有助于尽可能减少其他可能因素对给药量预测的影响，进一步提升给药量预测的准确性。

在一个具体的实施场景中，如前所述，为了提升给药预测的效率，可以预先训练一个第二给药预测模型。此外，第二给药预测模型还可以包括权重预测网络，从而参考特征可以输入至权重预测网络，得到权重预测网络输出校正系数，进而可以基于校正系数对预测给药量进行加权，得到目标给药量。需要说明的是，权重预测网络可以包括但不限于卷积神经网络等，在此对权重预测网络的网络结构不做限定。

在一个具体的实施场景中，区别于前述实施方式，也可以预先设置校正规则，并结合校正规则对参考特征进行分析，以得到校正系数。示例性地，仍以持续血糖监测为例，对于参考特征中与检查检验相关的特征信息为例，可以设置校正规则：（1）胃镜检查：检查前一天的校正系数为1.0（即正常使用胰岛素），检查当天的校正系数为0（即停用当餐胰岛素），恢复正常饮食后的校正系数为1.0（即恢复使用胰岛素）；（2）肠镜检查：若前一天晚餐后服用泻药时校正系数为0.8（即目标给药量=预测给药量*0.8），检查当天的校正系数为0（即停用当餐胰岛素），恢复正常饮食后的校正系数为1.0（即恢复使用胰岛素），如内镜检查后续进流质（如，有息肉切除）时校正系数为0.8（即目标给药量=预测给药量*0.8），恢复正常饮食后的校正系数为1.0（即恢复使用胰岛素）。或者，对于参考特征中与体质指数相关的特征信息，可以设置校正规则：在体质指数小于18时的校正系数为0.97。或者，对于参考特征中与其他用药的特征信息，可以设置校正规则：目标对象当天正在使用SGLT2（如：恩格列净、达格列净、卡格列净、坎格列净等）、GLP-1RA（如：利拉鲁肽、艾塞那肽）、二甲双胍等时当天晚餐使用目标药物的校正系数为0.5，第二天早餐和中餐时的校正系数为0.8。或者，对于参考特征中与并发症状相关的特征信息，可以设置校正规则：对于年龄大于65岁且有严重并发症或合并症（如，曾患有冠心病、支架置入、脑梗）或低血糖高风险的目标对象其校正系数应使加权后的目标给药量处于5-7mmol/L为宜。当然，上述关于校正规则的具体示例，仅仅是实际应用过程中几种可能的实施方式，并不因此而限定校正规则的具体内容。

在另一个实施场景中，作为另一种可能的实施方式，基于提取得到的至少一种参考特征，除了可以确定预测给药量的校正系数，还可以确定校正系数的有效期，且有效期至少涵盖本次使用。在此基础上，可以在校正系数的有效期内，基于校正系数对有效期内各次使用目标药物的预测给药量进行加权，得到目标对象在有效期内各次使用目标药物的目标给药量。示例性地，校正系数的有效期可以包括但不限于以下几种：本次使用、本次使用所在日期、本次使用所在日期以及之后至少一天等，在此不做限定。此外，可以采用预先训练的有效期预测网络对参考特征进行预测，得到校正系数的有效期，或者可以结合预先设置的有效期规则和参考特征，确定校正系数的有效期，具体可以参阅前述校正系数的确定方式，在此不再赘述。上述方式，基于至少一种参考特征，确定校正系数的有效期，且有效期至少涵盖本次使用，再在校正系数的有效期内，基于校正系数对有效期内各次使用目标药物的预测给药量进行加权，得到目标对象在有效期内各次使用目标药物的目标给药量，能够进一步提升给药量预测的准确性。

在一个实施场景中，在得到目标给药量之后，即可按照目标给药量对目标对象施以目标药物。当然，也可以先对目标给药量进行约束，以确保目标给药量处于安全阈值之内。仍以持续血糖监测这一应用场景为例，可以设置表征目标对象的单日胰岛素总剂量的第一安全阈值、上述总剂量与目标对象的体重之比的第二安全阈值中至少一者。在此基础上，在得到胰岛素的目标给药量之后，可以计算目标对象的单日胰岛素总剂量及其与目标对象的体重之比，并分别与第一安全阈值、第二安全阈值进行比较，若两者均不超过相应安全阈值，可以提示可按照目标给药量施以目标药物，否则可以发出关于超出安全阈值的提示信息。

上述方案，获取目标对象本次使用目标药物之前最新的病历数据，并获取样本对象历史使用目标药物之前最新的样本病历数据，再基于样本病历数据，提取多个第一预设种类的样本属性特征和多个第二预设种类的样本时变特征，以基于样本属性特征和样本时变特征训练第一给药预测模型直至收敛，得到各个第一预设种类的第一重要度和各个第二预设种类的第二重要度，从而基于各个第一预设种类的第一重要度，选择至少一个第一预设种类作为第一目标种类，并基于各个第二预设种类的第二重要度，选择至少一个第二预设种类作为所述第二目标种类，进而基于病历数据，提取属于第一目标种类的属性特征和属于第二目标种类的时变特征，再基于属性特征和时变特征进行预测，得到目标对象本次使用目标药物的预测给药量。一方面由于在给药量预测过程中，无需依赖于专业人员，故能够降低给药量预测的人力成本，且由于减少人为因素对给药量预测的干扰，一定程度上也能够提升给药量预测的精度，另一方面通过以为第一给药预测模型训练的方式确定各种特征类别的重要度，以从中甄选出应用阶段用于特征提取的目标种类，有助于为后续应用阶段尽可能排除无关特征信息或无助于给药预测的特征信息所干扰，又一方面由于在给药量预测过程中，结合“静态”的属性特征和“动态”的时变特征共同预测给药量，进而大大提升特征信息的全面性和丰富性，有助于提升给药量预测的精度。故此，能够降低给药量预测的人力成本，并提升给药量预测的精度。

请参阅图2，图2是本申请给药量预测装置20一实施例的框架示意图。给药量预测装置20包括数据获取模块21、样本提取模块22、重要度量模块23、种类选择模块24、特征提取模块25、药量预测模块26，数据获取模块21，用于获取目标对象本次使用目标药物之前最新的病历数据，并获取样本对象历史使用目标药物之前最新的样本病历数据；样本提取模块22，用于基于样本病历数据，提取多个第一预设种类的样本属性特征和多个第二预设种类的样本时变特征，重要度量模块23，用于基于样本属性特征和样本时变特征训练第一给药预测模型直至收敛，得到各个第一预设种类的第一重要度和各个第二预设种类的第二重要度，种类选择模块24，用于基于各个第一预设种类的第一重要度，选择至少一个第一预设种类作为第一目标种类，并基于各个第二预设种类的第二重要度，选择至少一个第二预设种类作为所述第二目标种类，特征提取模块25，用于基于病历数据，提取属于第一目标种类的属性特征和属于第二目标种类的时变特征；药量预测模块26，用于基于属性特征和时变特征进行预测，得到目标对象本次使用目标药物的预测给药量。

上述方案，药量预测装置20获取目标对象本次使用目标药物之前最新的病历数据，并获取样本对象历史使用目标药物之前最新的样本病历数据，再基于样本病历数据，提取多个第一预设种类的样本属性特征和多个第二预设种类的样本时变特征，以基于样本属性特征和样本时变特征训练第一给药预测模型直至收敛，得到各个第一预设种类的第一重要度和各个第二预设种类的第二重要度，从而基于各个第一预设种类的第一重要度，选择至少一个第一预设种类作为第一目标种类，并基于各个第二预设种类的第二重要度，选择至少一个第二预设种类作为所述第二目标种类，进而基于病历数据，提取属于第一目标种类的属性特征和属于第二目标种类的时变特征，再基于属性特征和时变特征进行预测，得到目标对象本次使用目标药物的预测给药量。一方面由于在给药量预测过程中，无需依赖于专业人员，故能够降低给药量预测的人力成本，且由于减少人为因素对给药量预测的干扰，一定程度上也能够提升给药量预测的精度，另一方面通过以为第一给药预测模型训练的方式确定各种特征类别的重要度，以从中甄选出应用阶段用于特征提取的目标种类，有助于为后续应用阶段尽可能排除无关特征信息或无助于给药预测的特征信息所干扰，又一方面由于在给药量预测过程中，结合“静态”的属性特征和“动态”的时变特征共同预测给药量，进而大大提升特征信息的全面性和丰富性，有助于提升给药量预测的精度。故此，能够降低给药量预测的人力成本，并提升给药量预测的精度。

在一些公开实施例中，药量预测装置20还包括参考提取模块，用于基于样本病历数据，提取至少一种参考特征，药量预测装置20还包括药量校正模块，用于基于所述至少一种参考特征对所述预测给药量进行校正，得到所述目标对象本次使用所述目标药物的目标给药量。

因此，通过提取至少一种参考特征，并进一步基于至少一种参考特征对预测给药量进行校正，能够充分考虑到其他因素对给药预测的可能影响，有助于进一步提升给药预测的精度。

在一些公开实施例中，预测给药量由第二给药预测模型预测得到，药量预测模块26包括第一预测子模块，用于将至少一种属性特征和至少一种时变特征输入至第二给药预测模型中的各个基模型，得到对应基模型输出的候选给药量；药量预测模块26包括第二预测子模块，用于将各个基模型输出的候选给药量输入至第二给药预测模型中的元模型进行处理，得到目标药物的预测给药量。

因此，先由第二给药预测模型中各个基模型预测得到候选给药量，再由第二给药预测模型中元模型对各个候选给药量进行处理，得到目标药物的预测给药量，故能够综合各个基模型的模型优势，有助于进一步提升给药量预测的精度。

在一些公开实施例中，药量校正模块包括系数预测子模块，用于基于至少一种参考特征，确定预测给药量的校正系数；药量校正模块包括药量加权子模块，用于基于校正系数对预测给药量进行加权，得到目标对象本次使用目标药物的目标给药量。

因此，通过参考特征确定校正系数，再利用校正系数对预测给药量进行加权，得到目标给药量，有助于尽可能减少其他可能因素对给药量预测的影响，进一步提升给药量预测的准确性。

在一些公开实施例中，药量校正模块包括有效期预测子模块，用于基于至少一种参考特征，确定校正系数的有效期；其中，有效期至少涵盖本次使用；药量加权子模块具体用于在校正系数的有效期内，基于校正系数对有效期内各次使用目标药物的预测给药量进行加权，得到目标对象在有效期内各次使用目标药物的目标给药量。

因此，基于至少一种参考特征，确定校正系数的有效期，且有效期至少涵盖本次使用，再在校正系数的有效期内，基于校正系数对有效期内各次使用目标药物的预测给药量进行加权，得到目标对象在有效期内各次使用目标药物的目标给药量，能够进一步提升给药量预测的准确性。

在一些公开实施例中，药量预测装置20还包括初次获取模块，用于响应于缺失至少一种特征，获取目标对象初次使用目标药物的实际给药量；药量预测装置20还包括药量调整模块，用于基于目标对象本次使用目标药物之前最新的医学指标，对实际给药量进行调整，得到目标对象本次使用目标药物的预测给药量。

因此，在存在至少一种特征缺失的情况下，通过结合目标对象本次使用目标药物之前最新的医学指标和目标对象初次使用目标药物的实际给药量，能够在即使特征缺失的情况下，也能够进行给药量预测，有助于提升给药量预测的适用范围。

在一些公开实施例中，初次获取模块包括关系获取子模块，用于获取各个数值区间分别对应的映射关系，初次获取模块包括区间确定子模块，用于获取目标对象的体质指数所在的数值区间作为目标区间；其中，数值区间对应的映射关系表征：在体质指数处于数值区间内时体重与初次使用目标药物的预测给药量之间的对应关系；初次获取模块包括药量映射子模块，用于基于目标对象的体重和目标区间对应的映射关系，得到目标对象初次使用目标药物的预测给药量；初次获取模块包括药量校正子模块，用于基于目标对象初次使用目标药物的预测给药量进行校正，得到目标对象初次使用目标药物的实际给药量。

因此，通过体质指数所在的数值区间对应的映射关系，得到初次使用目标药物的预测给药量，并基于此进行校正，得到实际给药量，能够有助于降低初次给药量的度量复杂度。

请参阅图3，图3是本申请电子设备30一实施例的框架示意图。电子设备30包括存储器31和处理器32，存储器31中存储有程序指令，处理器32用于执行程序指令以实现上述任一给药量预测方法实施例中的步骤。具体而言，电子设备30可以包括但不限于：手机、平板电脑、笔记本电脑、服务器等，在此不做限定。

具体而言，处理器32用于控制其自身以及存储器31以实现上述任一给药量预测方法实施例中的步骤。处理器32还可以称为CPU（Central Processing Unit，中央处理单元）。处理器32可能是一种集成电路芯片，具有信号的处理能力。处理器32还可以是通用处理器、数字信号处理器（Digital Signal Processor, DSP）、专用集成电路（ApplicationSpecific Integrated Circuit, ASIC）、现场可编程门阵列（Field-Programmable GateArray, FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外，处理器32可以由集成电路芯片共同实现。

上述方案，电子设备30获取目标对象本次使用目标药物之前最新的病历数据，并获取样本对象历史使用目标药物之前最新的样本病历数据，再基于样本病历数据，提取多个第一预设种类的样本属性特征和多个第二预设种类的样本时变特征，以基于样本属性特征和样本时变特征训练第一给药预测模型直至收敛，得到各个第一预设种类的第一重要度和各个第二预设种类的第二重要度，从而基于各个第一预设种类的第一重要度，选择至少一个第一预设种类作为第一目标种类，并基于各个第二预设种类的第二重要度，选择至少一个第二预设种类作为所述第二目标种类，进而基于病历数据，提取属于第一目标种类的属性特征和属于第二目标种类的时变特征，再基于属性特征和时变特征进行预测，得到目标对象本次使用目标药物的预测给药量。一方面由于在给药量预测过程中，无需依赖于专业人员，故能够降低给药量预测的人力成本，且由于减少人为因素对给药量预测的干扰，一定程度上也能够提升给药量预测的精度，另一方面通过以为第一给药预测模型训练的方式确定各种特征类别的重要度，以从中甄选出应用阶段用于特征提取的目标种类，有助于为后续应用阶段尽可能排除无关特征信息或无助于给药预测的特征信息所干扰，又一方面由于在给药量预测过程中，结合“静态”的属性特征和“动态”的时变特征共同预测给药量，进而大大提升特征信息的全面性和丰富性，有助于提升给药量预测的精度。故此，能够降低给药量预测的人力成本，并提升给药量预测的精度。

请参阅图4，图4是本申请计算机可读存储介质40一实施例的框架示意图。计算机可读存储介质40存储有能够被处理器运行的程序指令41，程序指令41用于实现上述任一给药量预测方法实施例中的步骤。

上述方案，计算机可读存储介质40获取目标对象本次使用目标药物之前最新的病历数据，并获取样本对象历史使用目标药物之前最新的样本病历数据，再基于样本病历数据，提取多个第一预设种类的样本属性特征和多个第二预设种类的样本时变特征，以基于样本属性特征和样本时变特征训练第一给药预测模型直至收敛，得到各个第一预设种类的第一重要度和各个第二预设种类的第二重要度，从而基于各个第一预设种类的第一重要度，选择至少一个第一预设种类作为第一目标种类，并基于各个第二预设种类的第二重要度，选择至少一个第二预设种类作为所述第二目标种类，进而基于病历数据，提取属于第一目标种类的属性特征和属于第二目标种类的时变特征，再基于属性特征和时变特征进行预测，得到目标对象本次使用目标药物的预测给药量。一方面由于在给药量预测过程中，无需依赖于专业人员，故能够降低给药量预测的人力成本，且由于减少人为因素对给药量预测的干扰，一定程度上也能够提升给药量预测的精度，另一方面通过以为第一给药预测模型训练的方式确定各种特征类别的重要度，以从中甄选出应用阶段用于特征提取的目标种类，有助于为后续应用阶段尽可能排除无关特征信息或无助于给药预测的特征信息所干扰，又一方面由于在给药量预测过程中，结合“静态”的属性特征和“动态”的时变特征共同预测给药量，进而大大提升特征信息的全面性和丰富性，有助于提升给药量预测的精度。故此，能够降低给药量预测的人力成本，并提升给药量预测的精度。

在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。

上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）或处理器（processor）执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

若本申请技术方案涉及个人信息，应用本申请技术方案的产品在处理个人信息前，已明确告知个人信息处理规则，并取得个人自主同意。若本申请技术方案涉及敏感个人信息，应用本申请技术方案的产品在处理敏感个人信息前，已取得个人单独同意，并且同时满足“明示同意”的要求。例如，在摄像头等个人信息采集装置处，设置明确显著的标识告知已进入个人信息采集范围，将会对个人信息进行采集，若个人自愿进入采集范围即视为同意对其个人信息进行采集；或者在个人信息处理的装置上，利用明显的标识/信息告知个人信息处理规则的情况下，通过弹窗信息或请个人自行上传其个人信息等方式获得个人授权；其中，个人信息处理规则可包括个人信息处理者、个人信息处理目的、处理方式以及处理的个人信息种类等信息。

Claims (10)

1.一种给药量预测方法，其特征在于，包括：

获取目标对象本次使用目标药物之前最新的病历数据，并获取样本对象历史使用目标药物之前最新的样本病历数据；

基于所述样本病历数据，提取多个第一预设种类的样本属性特征和多个第二预设种类的样本时变特征；

基于所述样本属性特征和所述样本时变特征训练第一给药预测模型直至收敛，得到各个所述第一预设种类的第一重要度和各个所述第二预设种类的第二重要度；

基于各个所述第一预设种类的第一重要度，选择至少一个所述第一预设种类作为第一目标种类，并基于各个所述第二预设种类的第二重要度，选择至少一个所述第二预设种类作为所述第二目标种类；

基于所述病历数据，提取属于所述第一目标种类的属性特征和属于所述第二目标种类的时变特征；

基于所述属性特征和所述时变特征进行预测，得到所述目标对象本次使用所述目标药物的预测给药量。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

基于所述样本病历数据，提取至少一种参考特征；

在所述基于所述属性特征和所述时变特征进行预测，得到所述目标对象本次使用所述目标药物的预测给药量之后，所述方法还包括：

基于所述至少一种参考特征对所述预测给药量进行校正，得到所述目标对象本次使用所述目标药物的目标给药量。

3.根据权利要求2所述的方法，其特征在于，所述基于所述至少一种参考特征对所述预测给药量进行校正，得到所述目标对象本次使用所述目标药物的目标给药量，包括：

基于所述至少一种参考特征，确定所述预测给药量的校正系数；

基于所述校正系数对所述预测给药量进行加权，得到所述目标对象本次使用所述目标药物的目标给药量。

4.根据权利要求3所述的方法，其特征在于，所述基于所述校正系数对所述预测给药量进行加权，得到所述目标对象本次使用所述目标药物的目标给药量之前，所述方法还包括：

基于所述至少一种参考特征，确定所述校正系数的有效期；其中，所述有效期至少涵盖所述本次使用；

所述基于所述校正系数对所述预测给药量进行加权，得到所述目标对象本次使用所述目标药物的目标给药量，包括：

在所述校正系数的有效期内，基于所述校正系数对所述有效期内各次使用所述目标药物的预测给药量进行加权，得到所述目标对象在所述有效期内各次使用所述目标药物的目标给药量。

5.根据权利要求1所述的方法，其特征在于，所述预测给药量由第二给药预测模型预测得到，所述基于所述属性特征和所述时变特征进行预测，得到所述目标对象本次使用所述目标药物的预测给药量，包括：

将所述属性特征和所述时变特征输入至所述第二给药预测模型中的各个基模型，得到对应所述基模型输出的候选给药量；

将各个所述基模型输出的候选给药量输入至所述第二给药预测模型中的元模型进行处理，得到所述目标药物的预测给药量。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

响应于缺失至少一种特征，获取所述目标对象初次使用所述目标药物的实际给药量；

基于所述目标对象本次使用所述目标药物之前最新的医学指标，对所述实际给药量进行调整，得到所述目标对象本次使用所述目标药物的预测给药量。

7.根据权利要求6所述的方法，其特征在于，所述获取所述目标对象初次使用所述目标药物的实际给药量，包括：

获取各个数值区间分别对应的映射关系，并获取所述目标对象的体质指数所在的数值区间作为目标区间；其中，所述数值区间对应的映射关系表征：在所述体质指数处于所述数值区间内时体重与初次使用所述目标药物的预测给药量之间的对应关系；

基于所述目标对象的体重和所述目标区间对应的映射关系，得到所述目标对象初次使用所述目标药物的预测给药量；

基于所述目标对象初次使用所述目标药物的预测给药量进行校正，得到所述目标对象初次使用所述目标药物的实际给药量。

8.一种给药量预测装置，其特征在于，包括：

数据获取模块，用于获取目标对象本次使用目标药物之前最新的病历数据，并获取样本对象历史使用目标药物之前最新的样本病历数据；

样本提取模块，用于基于所述样本病历数据，提取多个第一预设种类的样本属性特征和多个第二预设种类的样本时变特征；

重要度量模块，用于基于所述样本属性特征和所述样本时变特征训练第一给药预测模型直至收敛，得到各个所述第一预设种类的第一重要度和各个所述第二预设种类的第二重要度；

种类选择模块，用于基于各个所述第一预设种类的第一重要度，选择至少一个所述第一预设种类作为第一目标种类，并基于各个所述第二预设种类的第二重要度，选择至少一个所述第二预设种类作为所述第二目标种类；

特征提取模块，用于基于所述病历数据，提取属于第一目标种类的属性特征和属于第二目标种类的时变特征；

药量预测模块，用于基于所述属性特征和所述时变特征进行预测，得到所述目标对象本次使用所述目标药物的预测给药量。

9.一种电子设备，其特征在于，包括相互耦接的存储器和处理器，所述存储器中存储有程序指令，所述处理器用于执行所述程序指令以实现权利要求1至7任一项所述的给药量预测方法。

10.一种计算机可读存储介质，其特征在于，存储有能够被处理器运行的程序指令，所述程序指令用于实现权利要求1至7任一项所述的给药量预测方法。