CN117216407B - 一种中药饮片的辅助开立方法、装置、设备及可读介质 - Google Patents

Abstract

本发明公开了一种中药饮片的辅助开立方法、装置、计算机设备和可读存储介质，涉及互联网医疗领域。方法包括：基于中药饮片数据通过卷积神经网络和长短期记忆模型训练生成中药饮片预测模型；响应于接收到医生开立信息，将开立信息输入到中药饮片预测模型，通过预测模型进行相关中药饮片的条件概率计算，以得到推荐饮片及其推荐概率；基于推荐饮片及其推荐概率通过预设布局策略计算得到布局方式，将推荐饮片及其推荐概率以布局方式在移动终端的显示器展示给医生；持续接收医生输入的中药饮片信息，并在每次接收到中药饮片信息时将其输入到中药饮片预测模型中，直到中药饮片开立完成。本发明实现快速完成复杂饮片处方开立，有效提升医生的工作效率。

Description

一种中药饮片的辅助开立方法、装置、设备及可读介质

技术领域

本发明涉及互联网医疗技术领域，尤其涉及一种中药饮片的辅助开立方法、装置、设备及可读介质。

背景技术

随着中医互联网医疗的发展，医生需要利用碎片时间使用手机在线开立饮片处方。中西成药处方药品条目较少，通常一个处方包含1到5个药品。但中药饮片处方包含的药品条目较多，通常处方包含15到30味饮片。

在传统医疗中医生使用PC界面进行开立饮片处方，PC的界面大、键盘输入效率高，医生工作效率影响不大，但限制了使用场景，放弃了互联网移动应用的优势，无法充分利用医生碎片时间为患者服务。

而受手机界面、输入等限制，医生使用手机开立饮片处方过程繁琐、耗费时间长、容易误触，开立中药饮片处方的效率低。

公开于本申请背景技术部分的信息仅旨在加深对本申请的一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

发明内容

有鉴于此，本发明实施例的目的在于提出一种中药饮片的辅助开立方法、装置、设备及可读介质，通过使用中药饮片预测模型和布局策略优化医生在移动终端开立中药饮片处方的操作，使得医生可以动态获取智能推荐，在较小的手机屏幕上也能实现快速完成复杂的饮片处方开立工作，有效提升医生的工作效率。

基于上述目的，本发明实施例的一方面提供了一种中药饮片的辅助开立方法，包括以下步骤：基于中药饮片数据通过卷积神经网络和长短期记忆模型训练生成中药饮片预测模型；响应于接收到医生开立信息，将所述开立信息输入到所述中药饮片预测模型，通过所述预测模型进行相关中药饮片的条件概率计算，以得到推荐饮片及其推荐概率；基于所述推荐饮片及其推荐概率通过预设布局策略计算得到布局方式，将所述推荐饮片及其推荐概率以所述布局方式在移动终端的显示器展示给医生；以及持续接收医生输入的中药饮片信息，并在每次接收到所述中药饮片信息时将其输入到所述中药饮片预测模型中，重复上述两个步骤，直到中药饮片开立完成。

在一些实施方式中，基于中药饮片数据通过卷积神经网络和长短期记忆模型生成中药饮片预测模型包括：将中药饮片数据输入卷积神经网络，依次经过所述卷积神经网络的输入层、卷积层和池化层，以生成中药饮片序列信息；将所述中药饮片序列信息输入长短期记忆模型进行编码，并通过多个卷积层和池化层进行特征抽取，以得到模型学习得分；基于饮片的药性得分、归经得分、配伍得分及其权重计算饮片特性得分；基于所述模型学习得分和所述饮片特性得分得到预测得分。

在一些实施方式中，通过所述预测模型进行相关饮片的条件概率计算包括：基于公式P(Dn|D1:Dn-1)＝f(D1,D2,...,Dn-1)计算相关饮片的条件概率，其中，Dn表示第n个药品，D1:Dn-1表示前n-1个被选取的药品，P(Dn|D1:Dn-1)表示在已知前n-1个药品的情况下，选取第n个药品的概率，f()是通过所述预测模型学习到的复杂概率分布函数。

在一些实施方式中，基于所述推荐饮片及其推荐概率通过预设布局策略计算得到布局方式包括：通过以下公式计算布局评分：S[i]＝P[i]*Freq[i]*α-T1[i]-T2[i]，T1[i]＝a+b*log2(D[i]/W[i]+1)，T2[i]＝c*log2(N+1)，W[i]＝(κ*P[i]+λ)*W_total，N＝Count(P[i]>θ)；其中，P[i]是所述推荐饮片对应的推荐概率，Freq[i]是推荐饮片的出现频率，T1[i]是完成动作所需时间，T2[i]是作出反应所需时间，α、a、b、c、κ、λ和θ是调节因子，D[i]是推荐饮片键位的位置，W[i]是推荐饮片键位的宽度，W_total是键盘的总宽度，N是推荐饮片的展示数量；通过梯度下降法进行机器学习，得到所述布局评分最大条件下所述调节因子的最优解；将得到的所述调节因子带入上述公式，以确定所述推荐饮片键位的位置、所述推荐饮片键位的宽度和所述推荐饮片的展示数量；基于所述推荐饮片键位的位置、所述推荐饮片键位的宽度和所述推荐饮片的展示数量确定布局方式。

在一些实施方式中，通过梯度下降法进行机器学习，得到所述布局评分最大条件下所述调节因子的最优解包括：随机初始化所述调节因子的值，计算对应布局评分；通过梯度下降法根据所述布局评分关于每个调节因子的偏导数，并计算对应布局评分；重复上述步骤直到所述布局评分收敛，得到所述调节因子的最优解。

在一些实施方式中，方法还包括：基于处方基础数据建立处方模板库，并生成处方模板接口；响应于接收到使用处方模板的指令，则调用所述处方模板接口选择对应的处方模板。

在一些实施方式中，调用所述处方模板接口选择对应的处方模板包括：基于处方名称筛选对应名称的处方模板；和/或基于患者信息筛选历史诊疗的处方模板；和/或基于医生信息筛选医生常用处方模板；将筛选出的处方模板提供给医生，并由医生选择需要调用的处方模板。

在一些实施方式中，方法还包括：将开立完成的中药饮片处方存储到所述处方模板库。

在一些实施方式中，方法还包括：调用中药用药安全系统对开立完成的中药饮片处方进行风险评估，并进行风险提醒。

在一些实施方式中，将所述饮片及其推荐概率以所述布局方式在移动终端的显示器展示给医生包括：通过饮片名称和/或快捷码和/或首字母的方式将饮片展示在移动终端上供医生选择；持续接收医生输入的中药饮片信息包括：接收医生语音输入和/或键盘输入和/或键盘辅助补全输入的中药饮片。

在一些实施方式中，方法还包括：调用中药饮片库存查询饮片可用量，并将开立完成的中药饮片处方发送给药房进行辅助配药。

本发明实施例的另一方面，还提供了一种中药饮片的辅助开立装置，包括：预测模型生成模块，配置用于基于中药饮片数据通过卷积神经网络和长短期记忆模型训练生成中药饮片预测模型；预测模块，配置用于响应于接收到医生开立信息，将所述开立信息输入到所述中药饮片预测模型，通过所述预测模型进行相关中药饮片的条件概率计算，以得到推荐饮片及其推荐概率；展示模块，配置用于基于所述推荐饮片及其推荐概率通过预设布局策略计算得到布局方式，将所述推荐饮片及其推荐概率以所述布局方式在移动终端的显示器展示给医生；以及中药饮片开立模块，配置用于持续接收医生输入的中药饮片信息，并在每次接收到所述中药饮片信息时将其输入到所述中药饮片预测模型中，重复所述预测模块和所述展示模块的步骤，直到中药饮片开立完成。

本发明实施例的再一方面，还提供了一种计算机设备，包括：至少一个处理器；以及存储器，存储器存储有可在处理器上运行的计算机指令，指令由处理器执行时实现上述方法的步骤。

本发明实施例的再一方面，还提供了一种计算机可读存储介质，计算机可读存储介质存储有被处理器执行时实现如上方法步骤的计算机程序。

本发明至少具有以下有益技术效果：通过使用中药饮片预测模型和布局策略优化医生在移动终端开立中药饮片处方的操作，使得医生可以动态获取智能推荐，在较小的手机屏幕上也能实现快速完成复杂的饮片处方开立工作，有效提升医生的工作效率。

附图说明

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，下面将对实施例或现有技术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实施例。

图1为本发明提供的中药饮片的辅助开立方法的实施例的示意图；

图2为本发明提供的中药饮片的辅助开立方法的实施例的流程图；

图3为本发明提供的中药饮片的辅助开立装置的实施例的示意图；

图4为本发明提供的计算机设备的实施例的示意图；

图5为本发明提供的中药饮片的辅助开立设备的实施例的示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例中的附图，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公开一部分实施例，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，都属于本发明保护的范围。

本发明实施例中所使用的所有“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别相同名称非相同的实体或者非相同的参量，可见“第一”、“第二”、“第三”、“第四”等(如果存在)仅为了表述的方便，不应理解为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。

需要说明的是，在本发明的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

需要说明的是，在本发明中，“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，在本发明中，“多个”是指两个或两个以上。“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，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。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含，“包含A、B或C”是指包含A、B、C三者之一，“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。

需要说明的是，在本发明中，“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”，表示B与A相关联，根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。A与B的匹配，是A与B的相似度大于或等于预设的阈值。

取决于语境，如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。

下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。

基于上述目的，本发明实施例的第一个方面，提出了中药饮片的辅助开立方法的实施例。图1示出的是本发明提供的中药饮片的辅助开立方法的实施例的示意图。如图1所示，本发明实施例的中药饮片的辅助开立方法包括如下步骤：

001、基于中药饮片数据通过卷积神经网络和长短期记忆模型训练生成中药饮片预测模型；

在本实施例中，使用卷积神经网络(CNN)和长短期记忆(LSTM)的药品预测模型，中药饮片预测模型采用智能算法排序，依据使用频率、与处方中其它饮片配伍概率高低等因素进行排序，依照排序高低推荐饮片列表。使用频率的初始数据来自行业统计及本单位经验积累，随后在本系统使用中产生的数据不断自我学习，动态优化。饮片配伍概率则由中医药领域大量经方数据，根据大数据分析算法，得到优先级排序。

002、响应于接收到医生开立信息，将开立信息输入到中药饮片预测模型，通过预测模型进行相关中药饮片的条件概率计算，以得到推荐饮片及其推荐概率；

003、基于推荐饮片及其推荐概率通过预设布局策略计算得到布局方式，将推荐饮片及其推荐概率以布局方式在移动终端的显示器展示给医生；以及

在本实施例中，基于HCI(人机交互模型)设置布局策略，得到饮片的键盘布局方式。在医生端APP，优化医生端饮片处方开立界面，在一个界面内高度集成处方明细，方便医生一目了然看到处方全貌。当医生进入饮片输入栏目，手机端APP调用“饮片输入软键盘”，替代手机本身的软键盘，医生输入快捷码，医生手机端通过调用服务器端“饮片检索接口”、“饮片库存可用量接口”，接口返回药品推荐列表，医生端将饮片列表按顺序依次显示在软键盘上。由于返回的饮片列表是依照药品使用频率、与其它饮片匹配度、库存可用性等原则排序，医生可以在软键盘快速找到自己所需要的饮片，同时了解到饮片是否有足够库存，可以快速选择使用。

004、持续接收医生输入的中药饮片信息，并在每次接收到中药饮片信息时将其输入到中药饮片预测模型中，重复上述两个步骤，直到中药饮片开立完成。

在本发明的一些实施例中，基于中药饮片数据通过卷积神经网络和长短期记忆模型生成中药饮片预测模型包括：将中药饮片数据输入卷积神经网络，依次经过卷积神经网络的输入层、卷积层和池化层，以生成中药饮片序列信息；将中药饮片序列信息输入长短期记忆模型进行编码，并通过多个卷积层和池化层进行特征抽取，以得到模型学习得分；基于饮片的药性得分、归经得分、配伍得分及其权重计算饮片特性得分；基于模型学习得分和饮片特性得分得到预测得分。

在本实施例中，通过CNN层处理数据库数据，生成序列信息。其中，输入层接收向量化的药品相关特性(如药性、归经、配伍等)和病人的基本信息(如年龄、性别、基础疾病等)；卷积层含有多个卷积神经元，设定一定数量的卷积核进行特征提取；池化层对所提取的特征进行池化操作，减少参数数量，降低过拟合的风险。通过LSTM层处理序列信息，对药品的选择进行预测。其中，输入层输入的参数为药品名称的首字母，数据范围是A-Z，总共26个字符；隐藏层包含M个神经元，这个M根据具体问题和数据进行选择，比如可以设置为50，即隐藏层有50个LSTM神经元；输出层输出的是一次性输出所有可能药品的概率分布，数据范围为(0,1)，所以神经元个数为N，N为药品的种类数。

考虑与药品相关的各种特性，如饮片之间的相互作用，饮片对疾病的有效性，以及饮片剂量的确定。同时，生成一个特性得分，它表征了药品的重要性和疾病的相关性。此得分用于优化最终预测的药品列表，以此生成最有利于医生判断和选择的动态软键盘布局。特性得分T＝w*chem_struct+x*action_mech+y*pharmacokinetic_param，其中,chem_struct为药品的药性得分，action_mech为药品的归经得分，pharmacokinetic_param为药品的配伍得分，w，x，y为每个特性的权重，可以根据实际数据进行调整。预测得分P＝LSTM_output*beta+T*alpha，其中alpha，beta为两部分输出的权重。最后，模型的输出则是预测的饮片选择以及其剂量，能够用全部的信息来进行最佳药物的选择。

在本发明的一些实施例中，通过预测模型进行相关饮片的条件概率计算包括：基于公式P(Dn|D1:Dn-1)＝f(D1,D2,...,Dn-1)计算相关饮片的条件概率，其中，Dn表示第n个药品，D1:Dn-1表示前n-1个被选取的药品，P(Dn|D1:Dn-1)表示在已知前n-1个药品的情况下，选取第n个药品的概率，f()是通过预测模型学习到的复杂概率分布函数。

在本发明的一些实施例中，基于推荐饮片及其推荐概率通过预设布局策略计算得到布局方式包括：通过以下公式计算布局评分：S[i]＝P[i]*Freq[i]*α-T1[i]-T2[i]，T1[i]＝a+b*log2(D[i]/W[i]+1)，T2[i]＝c*log2(N+1)，W[i]＝(κ*P[i]+λ)*W_total，N＝Count(P[i]>θ)；其中，P[i]是所述推荐饮片对应的推荐概率，Freq[i]是推荐饮片的出现频率，T1[i]是完成动作所需时间，T2[i]是作出反应所需时间，α、a、b、c、κ、λ和θ是调节因子，D[i]是推荐饮片键位的位置，W[i]是推荐饮片键位的宽度，W_total是键盘的总宽度，N是推荐饮片的展示数量；通过梯度下降法进行机器学习，得到布局评分最大条件下调节因子的最优解；将得到的调节因子带入上述公式，以确定推荐饮片键位的位置、推荐饮片键位的宽度和推荐饮片的展示数量；基于推荐饮片键位的位置、推荐饮片键位的宽度和推荐饮片的展示数量确定布局方式。

在本实施例中，使用HCI策略对药品与键盘位置建立敏感性匹配，其主要约束条件包含下面两个策略：Fitts'Law策略和Hick's Law策略。Fitts'Law策略约束T1＝a+b*log2(D/W+1)，其中T1为完成动作所需的时间，D是目标与起点的距离，W是目标的宽度，a和b是调节因子。优先级高的饮片(预测概率上，或者常用程度上)的键位位置更靠近手指的初始位置，使得margin＝log2(D/W+1)尽可能小。Hick's Law策略约束T2＝c*log2(N+1)，其中T2是做出反应所需的时间，N是提示的等效数量，c是调节因子。用户面对的药品选项尽可能精简，使得log2(N+1)的值尽可能小，以降低用户做出选择所需的时间。为计算键盘布局的动态变换，定义一个布局评分S[i]，用于量化药品名称和键的相关性，S[i]＝P[i]*Freq[i]*α-T1[i]-T2[i]，其中，T1[i]＝a+b*log2(D[i]/W[i]+1)，T2[i]＝c*log2(N+1)，W[i]＝(κ*P[i]+λ)*W_total，N＝Count(P[i]>θ)；其中，P[i]是所述推荐饮片对应的推荐概率，Freq[i]是推荐饮片的出现频率，T1[i]是完成动作所需时间，T2[i]是作出反应所需时间，α、a、b、c、κ、λ和θ是调节因子，D[i]是推荐饮片键位的位置，W[i]是推荐饮片键位的宽度，W_total是键盘的总宽度，N是推荐饮片的展示数量，将上述参数带入得到布局评分的公式为：S[i]＝P[i]*Freq[i]*α-(a+b*log2(D[i]/((κ*P[i]+λ)*W_total)+1))-(c*log2(N＝Count(P[i]>θ)+1))，通过梯度下降法进行机器学习，得到布局评分最大条件下调节因子的最优解；将得到的调节因子带入上述公式，以确定推荐饮片键位的位置、推荐饮片键位的宽度和推荐饮片的展示数量；基于推荐饮片键位的位置、推荐饮片键位的宽度和推荐饮片的展示数量确定布局方式，按照饮片的推荐概率有效地引导键盘布局的动态调整，使得高频、高概率推荐的键位更容易被选中，从而降低医生的反应和操作时间，从而提高了使用的效率。

在本发明的一些实施例中，通过梯度下降法进行机器学习，得到布局评分最大条件下调节因子的最优解包括：随机初始化调节因子的值，计算对应布局评分；通过梯度下降法根据布局评分关于每个调节因子的偏导数，并计算对应布局评分；重复上述步骤直到布局评分收敛，得到调节因子的最优解。

在本实施例中，随机初始化这些因子的值，然后逐步调整这些值，每次调整后都会重新计算布局评分S值，直到找到使布局评分S值最大化的一组值。随机初始化调节因子的值，计算对应布局评分；通过梯度下降法根据布局评分关于每个调节因子的偏导数，核心思想是沿着使函数值下降最快的方向调整变量的值，并计算对应布局评分；重复上述步骤直到布局评分收敛，得到调节因子的最优解。需要注意的是，优化过程可能会陷入局部最优解而非全局最优解，因此需要尝试不同的初始值，以找到全局最优解。此外，应当注意防止过拟合，即模型过于复杂引起的训练数据拟合度高，但预测新数据的能力低的问题。对此通常通过增加正则化项或者对模型复杂度进行限制等方法来防止。

在本发明的一些实施例中，方法还包括：基于处方基础数据建立处方模板库，并生成处方模板接口；响应于接收到使用处方模板的指令，则调用处方模板接口选择对应的处方模板。

在本实施例中，在服务器端存储饮片及处方基础数据，其中饮片方面包括饮片基本信息、快捷码、使用频度权重值等信息。处方方面包括中药经典方剂、常用方、名医名方、患者历史处方、医生自定义处方模板等，基于处方基础数据建立处方模板库，并生成处方模板接口。接口输入特定的指令，则选择对应的处方模板。

在本发明的一些实施例中，调用处方模板接口选择对应的处方模板包括：基于处方名称筛选对应名称的处方模板；和/或基于患者信息筛选历史诊疗的处方模板；和/或基于医生信息筛选医生常用处方模板；将筛选出的处方模板提供给医生，并由医生选择需要调用的处方模板。

在本实施例中，在处方模板库中包含了中药饮片的经方、协定方等基础数据，接口输入为处方的名称，输出为该饮片处方完整的内容。

在本实施例中，在处方模板库中，还包含了患者历史诊疗的完整处方信息，接口输入患者身份证号，返回患者近期历史诊疗的处方。

在本实施例中，在处方库中还包括医生个人常用方模板，输入为医生工号和处方模板名称，输出为处方模板明细。

在本实施例中，在医生端APP，医生可以选择使用处方模板。医生根据需要，可以选择中药饮片经典处方、协定方、自己常用的方剂、患者历史处方等作为模板。医生APP端调用服务器端“智能处方模板接口”，发送模板名称，返回处方明细。医生端将处方明细自动填充到处方开立界面，医生只需要在处方模板基础上进行少量修改，即可形成正式的处方。

在本发明的一些实施例中，方法还包括：将开立完成的中药饮片处方存储到处方模板库。

在本实施例中，将开立完成的中药饮片处方基于处方名称/患者信息/医生信息创建新的处方模板，并将所述处方模板及对应的映射关系更新到处方模板库。医生也可以新建、更新自己常用的处方模板，供以后使用。

在本发明的一些实施例中，方法还包括：调用中药用药安全系统对开立完成的中药饮片处方进行风险评估，并进行风险提醒。

在本实施例中，基于中药用药安全基础数据建立中药用药安全模型，在服务器端存储所述中药用药安全模型及所述中药用药安全基础数据，建立服务和监听程序，以对互联网医疗应用软件提供服务；通过医生端接口获取患者病历和处方，将所述患者病历和处方输入到所述中药用药安全模型对中药饮片处方进行风险评估，并将所述用药风险提示通过所述医生端接口返回给医生，进行风险提醒。

在本发明的一些实施例中，将饮片及其推荐概率以布局方式在移动终端的显示器展示给医生包括：通过饮片名称和/或快捷码和/或首字母的方式将饮片展示在移动终端上供医生选择；持续接收医生输入的中药饮片信息包括：接收医生语音输入和/或键盘输入和/或键盘辅助补全输入的中药饮片。

在本实施例中，使用医生普遍线下医院已经习惯的药品快捷码展示在移动终端，比如党参使用DS、人参使用RS，医生也可以通过语音或键盘输入药品快捷码进行交互操作。

在本发明的一些实施例中，方法还包括：调用中药饮片库存查询饮片可用量，并将开立完成的中药饮片处方发送给药房进行辅助配药。

在本实施例中，调用中药饮片库存查询饮片可用量，接口输入饮片名称，系统通过接口调用库存系统，查询此饮片的实时可用量，输出为可用量，可用量查询主要是提示医生开立的药品是否有库存。

下面根据具体实施例进一步阐述本发明的具体实施方式。图2示出的是本发明提供的中药饮片的辅助开立方法的实施例的流程图。

如图2所示，医生进入中药饮片处方开立界面，选择是否用处方模板，是则调用服务器端只能处方模板接口，根据医生选择的处方模板自动生成处方，并进入饮片选择/修改界面；否则直接进入饮片选择/修改界面。医生使用饮片输入软键盘进行饮片处方的开立，饮片输入软键盘通过服务器端饮片检索接口进行中药饮片预测推荐饮片并计算对应的推荐概率，以向医生进行智能推荐。医生手机端APP开立中药饮片处方操作优化，包括将操作集成在一个界面，使用专用软键盘等；通过服务器端算法支撑，使得医生在APP端开立饮片处方操作时，动态获取智能推荐，以大幅度加快医生工作效率。饮片处方开立的便捷性，使得更多医生能接受互联网诊疗业务，脱离时间和IT设备限制，利用碎片时间为患者服务。

需要特别指出的是，上述中药饮片的辅助开立方法的各个实施例中的各个步骤均可以相互交叉、替换、增加、删减，因此，这些合理的排列组合变换之于中药饮片的辅助开立方法也应当属于本发明的保护范围，并且不应将本发明的保护范围局限在实施例之上。

基于上述目的，本发明实施例的第二个方面，提出了一种中药饮片的辅助开立装置。图3示出的是本发明提供的中药饮片的辅助开立装置的实施例的示意图。如图3所示，本发明实施例的中药饮片的辅助开立装置包括如下模块：预测模型生成模块011，配置用于基于中药饮片数据通过卷积神经网络和长短期记忆模型训练生成中药饮片预测模型；预测模块012，配置用于响应于接收到医生开立信息，将开立信息输入到中药饮片预测模型，通过预测模型进行相关中药饮片的条件概率计算，以得到推荐饮片及其推荐概率；展示模块013，配置用于基于推荐饮片及其推荐概率通过预设布局策略计算得到布局方式，将推荐饮片及其推荐概率以布局方式在移动终端的显示器展示给医生；以及中药饮片开立模块014，配置用于持续接收医生输入的中药饮片信息，并在每次接收到中药饮片信息时将其输入到中药饮片预测模型中，重复预测模块和展示模块的步骤，直到中药饮片开立完成。

在一些实施例中，本发明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。

基于上述目的，本发明实施例的第三个方面，提出了一种计算机设备。图4示出的是本发明提供的计算机设备的实施例的示意图。如图4所示，本发明实施例的计算机设备包括如下装置：至少一个处理器820；以及存储器804，存储器804存储有可在处理器上运行的计算机指令，指令由处理器执行时实现以上方法的步骤。

在本实施例中，设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端设备。设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出接口812，传感器组件814，以及通信组件816。

处理组件802通常控制设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在设备800的操作。这些数据的示例包括用于在设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边缘，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

输入/输出接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为设备800提供各个方面的状态评估。例如，传感器组件814可以检测到设备800的打开/关闭状态，组件的相对定位，例如所述组件为设备800的显示器和小键盘，传感器组件814还可以检测设备800或设备800一个组件的位置改变，用户与设备800接触的存在或不存在，设备800方位或加速/减速和设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于设备800和其他设备之间有线或无线方式的通信。设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

本发明还提供了一种计算机可读存储介质。计算机可读存储介质存储有被处理器执行时执行如上方法的计算机程序。

图5示出根据本公开实施例的一种中药饮片的辅助开立设备1900的示意图。例如，电子设备1900可以被提供为一服务器或终端。参照图5，电子设备1900包括处理单元1922，其进一步包括一个或多个处理器，以及由存储单元1932所代表的存储器资源，用于存储可由处理单元1922的执行的指令，例如应用程序。存储单元1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理单元1922被配置为执行指令，以执行上述方法。

电子设备1900还可以包括一个电源单元1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出接口1958。电子设备1900可以操作基于存储在存储单元1932的操作系统，例如WindowsServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储单元1932，上述计算机程序指令可由电子设备1900的处理单元1922执行以完成上述方法。

最后需要说明的是，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关硬件来完成，中药饮片的辅助开立方法的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，程序的存储介质可为磁碟、光盘、只读存储记忆体(ROM)或随机存储记忆体(RAM)等。上述计算机程序的实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。

此外，根据本发明实施例公开的方法还可以被实现为由处理器执行的计算机程序，该计算机程序可以存储在计算机可读存储介质中。在该计算机程序被处理器执行时，执行本发明实施例公开的方法中限定的上述功能。

此外，上述方法步骤以及系统单元也可以利用控制器以及用于存储使得控制器实现上述步骤或单元功能的计算机程序的计算机可读存储介质实现。

本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性，已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个系统的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现的功能，但是这种实现决定不应被解释为导致脱离本发明实施例公开的范围。

在一个或多个示例性设计中，功能可以在硬件、软件、固件或其任意组合中实现。如果在软件中实现，则可以将功能作为一个或多个指令或代码存储在计算机可读介质上或通过计算机可读介质来传送。计算机可读介质包括计算机存储介质和通信介质，该通信介质包括有助于将计算机程序从一个位置传送到另一个位置的任何介质。存储介质可以是能够被通用或专用计算机访问的任何可用介质。作为例子而非限制性的，该计算机可读介质可以包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储设备、磁盘存储设备或其它磁性存储设备，或者是可以用于携带或存储形式为指令或数据结构的所需程序代码并且能够被通用或专用计算机或者通用或专用处理器访问的任何其它介质。此外，任何连接都可以适当地称为计算机可读介质。例如，如果使用同轴线缆、光纤线缆、双绞线、数字用户线路(DSL)或诸如红外线、无线电和微波的无线技术来从网站、服务器或其它远程源发送软件，则上述同轴线缆、光纤线缆、双绞线、DSL或诸如红外线、无线电和微波的无线技术均包括在介质的定义。如这里所使用的，磁盘和光盘包括压缩盘(CD)、激光盘、光盘、数字多功能盘(DVD)、软盘、蓝光盘，其中磁盘通常磁性地再现数据，而光盘利用激光光学地再现数据。上述内容的组合也应当包括在计算机可读介质的范围内。

以上是本发明公开的示例性实施例，但是应当注意，在不背离权利要求限定的本发明实施例公开的范围的前提下，可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外，尽管本发明实施例公开的元素可以以个体形式描述或要求，但除非明确限制为单数，也可以理解为多个。

应当理解的是，在本文中使用的，除非上下文清楚地支持例外情况，单数形式“一个”旨在也包括复数形式。还应当理解的是，在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。

上述本发明实施例公开实施例序号仅仅为了描述，不代表实施例的优劣。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子；在本发明实施例的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上的本发明实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。

Claims (12)

1.一种中药饮片的辅助开立方法，其特征在于，包括以下步骤：

基于中药饮片数据通过卷积神经网络和长短期记忆模型训练生成中药饮片预测模型；

响应于接收到医生开立信息，将所述开立信息输入到所述中药饮片预测模型，通过所述预测模型进行相关中药饮片的条件概率计算，以得到推荐饮片及其推荐概率；

基于所述推荐饮片及其推荐概率通过预设布局策略计算得到布局方式，将所述推荐饮片及其推荐概率以所述布局方式在移动终端的显示器展示给医生；以及

持续接收医生输入的中药饮片信息，并在每次接收到所述中药饮片信息时将其输入到所述中药饮片预测模型中，重复上述两个步骤，直到中药饮片开立完成；

其中，中药饮片预测模型包括：

将中药饮片数据输入卷积神经网络，依次经过所述卷积神经网络的输入层、卷积层和池化层，以生成中药饮片序列信息；

将所述中药饮片序列信息输入长短期记忆模型进行编码，并通过多个卷积层和池化层进行特征抽取，以得到模型学习得分；

基于饮片的药性得分、归经得分、配伍得分及其权重计算饮片特性得分；

基于所述模型学习得分和所述饮片特性得分得到预测得分；

其中，通过所述预测模型进行相关饮片的条件概率计算包括：

基于公式P(Dn|D1:Dn-1)＝f(D1,D2,...,Dn-1)计算相关饮片的条件概率，其中，Dn表示第n个药品，D1:Dn-1表示前n-1个被选取的药品，P(Dn|D1:Dn-1)表示在已知前n-1个药品的情况下，选取第n个药品的概率，f()是通过所述预测模型学习到的复杂概率分布函数。

2.根据权利要求1所述的中药饮片的辅助开立方法，其特征在于，基于所述推荐饮片及其推荐概率通过预设布局策略计算得到布局方式包括：

通过以下公式计算布局评分：

S[i]＝P[i]*Freq[i]*α-T1[i]-T2[i]，T1[i]＝a+b*log2(D[i]/W[i]+1)，T2[i]＝c*log2(N+1)，

W[i]＝(κ*P[i]+λ)*W_total，N＝Count(P[i]>θ)；

其中，P[i]是所述推荐饮片对应的推荐概率，Freq[i]是推荐饮片的出现频率，T1[i]是完成动作所需时间，T2[i]是作出反应所需时间，α、a、b、c、κ、λ和θ是调节因子，D[i]是推荐饮片键位的位置，W[i]是推荐饮片键位的宽度，W_total是键盘的总宽度，N是推荐饮片的展示数量；

通过梯度下降法进行机器学习，得到所述布局评分最大条件下所述调节因子的最优解；

将得到的所述调节因子带入上述公式，以确定所述推荐饮片键位的位置、所述推荐饮片键位的宽度和所述推荐饮片的展示数量；

基于所述推荐饮片键位的位置、所述推荐饮片键位的宽度和所述推荐饮片的展示数量确定布局方式。

3.根据权利要求2所述的中药饮片的辅助开立方法，其特征在于，通过梯度下降法进行机器学习，得到所述布局评分最大条件下所述调节因子的最优解包括：

随机初始化所述调节因子的值，计算对应布局评分；

通过梯度下降法根据所述布局评分关于每个调节因子的偏导数，并计算对应布局评分；

重复上述步骤直到所述布局评分收敛，得到所述调节因子的最优解。

4.根据权利要求1所述的中药饮片的辅助开立方法，其特征在于，还包括：

基于处方基础数据建立处方模板库，并生成处方模板接口；

响应于接收到使用处方模板的指令，则调用所述处方模板接口选择对应的处方模板。

5.根据权利要求4所述的中药饮片的辅助开立方法，其特征在于，调用所述处方模板接口选择对应的处方模板包括：

基于处方名称筛选对应名称的处方模板；和/或

基于患者信息筛选历史诊疗的处方模板；和/或

基于医生信息筛选医生常用处方模板；

将筛选出的处方模板提供给医生，并由医生选择需要调用的处方模板。

6.根据权利要求4所述的中药饮片的辅助开立方法，其特征在于，还包括：

将开立完成的中药饮片处方存储到所述处方模板库。

7.根据权利要求1所述的中药饮片的辅助开立方法，其特征在于，还包括：

调用中药用药安全系统对开立完成的中药饮片处方进行风险评估，并进行风险提醒。

8.根据权利要求1所述的中药饮片的辅助开立方法，其特征在于，将所述推荐饮片及其推荐概率以所述布局方式在移动终端的显示器展示给医生包括：

通过饮片名称和/或快捷码和/或首字母的方式将推荐饮片展示在移动终端上供医生选择；

持续接收医生输入的中药饮片信息包括：

接收医生语音输入和/或键盘输入和/或键盘辅助补全输入的中药饮片。

9.根据权利要求1所述的中药饮片的辅助开立方法，其特征在于，还包括：

调用中药饮片库存查询饮片可用量，并将开立完成的中药饮片处方发送给药房进行辅助配药。

10.一种中药饮片的辅助开立装置，其特征在于，包括：

预测模型生成模块，配置用于基于中药饮片数据通过卷积神经网络和长短期记忆模型训练生成中药饮片预测模型；

预测模块，配置用于响应于接收到医生开立信息，将所述开立信息输入到所述中药饮片预测模型，通过所述预测模型进行相关中药饮片的条件概率计算，以得到推荐饮片及其推荐概率；

展示模块，配置用于基于所述推荐饮片及其推荐概率通过预设布局策略计算得到布局方式，将所述推荐饮片及其推荐概率以所述布局方式在移动终端的显示器展示给医生；以及

中药饮片开立模块，配置用于持续接收医生输入的中药饮片信息，并在每次接收到所述中药饮片信息时将其输入到所述中药饮片预测模型中，重复所述预测模块和所述展示模块的步骤，直到中药饮片开立完成；

其中，中药饮片预测模型包括：

将中药饮片数据输入卷积神经网络，依次经过所述卷积神经网络的输入层、卷积层和池化层，以生成中药饮片序列信息；

将所述中药饮片序列信息输入长短期记忆模型进行编码，并通过多个卷积层和池化层进行特征抽取，以得到模型学习得分；

基于饮片的药性得分、归经得分、配伍得分及其权重计算饮片特性得分；

基于所述模型学习得分和所述饮片特性得分得到预测得分；

其中，通过所述预测模型进行相关饮片的条件概率计算包括：

基于公式P(Dn|D1:Dn-1)＝f(D1,D2,...,Dn-1)计算相关饮片的条件概率，其中，Dn表示第n个药品，D1:Dn-1表示前n-1个被选取的药品，P(Dn|D1:Dn-1)表示在已知前n-1个药品的情况下，选取第n个药品的概率，f()是通过所述预测模型学习到的复杂概率分布函数。

11.一种计算机设备，其特征在于，包括：

至少一个处理器；以及

存储器，所述存储器存储有可在所述处理器上运行的计算机指令，所述指令由所述处理器执行时实现权利要求1-9任意一项所述方法的步骤。

12.一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程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-9任意一项所述方法的步骤。