CN117334292A - 一种药品销售管理系统 - Google Patents
一种药品销售管理系统 Download PDFInfo
- Publication number
- CN117334292A CN117334292A CN202311303877.3A CN202311303877A CN117334292A CN 117334292 A CN117334292 A CN 117334292A CN 202311303877 A CN202311303877 A CN 202311303877A CN 117334292 A CN117334292 A CN 117334292A
- Authority
- CN
- China
- Prior art keywords
- medicine
- prescription
- state
- probability
- 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.)
- Granted
Links
- 239000003814 drug Substances 0.000 title claims abstract description 143
- 229940079593 drug Drugs 0.000 title claims abstract description 57
- 238000001514 detection method Methods 0.000 claims abstract description 37
- 230000003993 interaction Effects 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 44
- 238000000034 method Methods 0.000 claims description 42
- 230000007704 transition Effects 0.000 claims description 33
- 239000013598 vector Substances 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000012795 verification Methods 0.000 claims description 18
- 230000000694 effects Effects 0.000 claims description 10
- 239000012634 fragment Substances 0.000 claims description 10
- 230000000172 allergic effect Effects 0.000 claims description 7
- 208000010668 atopic eczema Diseases 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 239000000825 pharmaceutical preparation Substances 0.000 claims description 6
- 229940127557 pharmaceutical product Drugs 0.000 claims description 6
- 239000000955 prescription drug Substances 0.000 claims description 6
- 206010020751 Hypersensitivity Diseases 0.000 claims description 4
- 230000007815 allergy Effects 0.000 claims description 4
- 208000026935 allergic disease Diseases 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims 1
- 206010013710 Drug interaction Diseases 0.000 abstract description 7
- 238000007689 inspection Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 19
- 230000008569 process Effects 0.000 description 10
- 206010067484 Adverse reaction Diseases 0.000 description 3
- 230000006838 adverse reaction Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 241000135164 Timea Species 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005802 health problem Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 206010027654 Allergic conditions Diseases 0.000 description 1
- 206010051841 Exposure to allergen Diseases 0.000 description 1
- 241000764238 Isis Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003776 cleavage reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000000890 drug combination Substances 0.000 description 1
- 238000009510 drug design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000002117 illicit drug Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000000302 molecular modelling Methods 0.000 description 1
- 229940126532 prescription medicine Drugs 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000007017 scission Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000009466 transformation 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
- G16H20/13—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 delivered from dispensers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medicinal Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Pharmacology & Pharmacy (AREA)
- Toxicology (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种药品销售管理系统，涉及药品管理技术领域，所述系统包括：合规性检测部分，配置用于对处方进行合规性检测，得到合规性检测结果；药品交互作用检查部分，配置用于在用户请求购买处方药的情况下且合规性检测结果通过，进行药品交互作用检查，得到药品交互作用检查结果；安全分析部分，配置用于在药品交互作用检查结果通过时，进行安全分析，以判断处方中的药品对于该用户是否安全。本发明通过合规性检测和药物交互作用检查，提高用药安全性，确保个性化治疗，防伪措施，促进信息共享，实现更安全、高效的药品销售。
Description
技术领域
本发明涉及药品管理技术领域，特别涉及一种药品销售管理系统。
背景技术
药品销售与管理一直是医药行业中的重要环节。药品销售的安全性和合规性对患者的健康至关重要，因此，药品销售管理系统的开发和不断改进一直备受关注。传统的药品销售管理系统在处理处方药品时可能存在一些不足之处，例如无法有效检测药品交互作用，无法充分考虑患者的年龄和过敏情况等。因此，需要一种更智能、更安全、更合规的药品销售管理系统来解决这些问题。传统的药品销售管理系统主要基于药店或药房的业务需求设计，通常包括药品库存管理、销售记录跟踪、库存补充等功能。这些系统通常涉及到处方药品的销售，但其功能主要集中在管理和销售记录方面，缺乏足够的智能化和安全性。
传统系统缺乏对处方中药品之间潜在交互作用的全面检查。患者可能同时使用多种药物，而这些药物之间的相互作用可能导致不良反应或药效降低。然而，传统系统往往无法有效地检测到这些潜在的问题，因此可能存在患者用药安全性的风险。对于不同年龄段的患者，药物的使用剂量和安全性可能存在差异。传统系统通常未能充分考虑患者的年龄信息，导致可能出现过量用药或用药不足的情况。此外，患者的过敏情况也未能充分纳入考虑，可能导致对过敏原的暴露，引发不适或更严重的健康问题。对于某些药物，特别是处方药，存在法律法规和监管要求，例如年龄限制、数量限制等。传统系统未能有效地检测和确保这些合规性要求的满足，可能导致不当销售或违反法规的情况。
发明内容
本发明的目的是提供一种药品销售管理系统，本发明通过合规性检测和药物交互作用检查，提高用药安全性，确保个性化治疗，防伪措施，促进信息共享，实现更安全、高效的药品销售。
为解决上述技术问题，本发明提供一种药品销售管理系统，所述系统包括：合规性检测部分，配置用于在用户请求购买处方药的情况下，获取用户的处方和用户数据，对处方进行合规性检测，得到合规性检测结果；所述用户数据包括：用户年龄和过敏药物；药品交互作用检查部分，配置用于在用户请求购买处方药的情况下且合规性检测结果通过，或在用户请求购买处方药的情况下，进行药品交互作用检查，得到药品交互作用检查结果，具体包括：提取用户处方中的药品中每个药品对应的分子指纹，将分子指纹使用核函数的方法投影到高维空间，每个药品的分子指纹对应高维空间中的一个点，在高维空间中，计算每个点与其他点之间的距离，若每个点与其他点的距离均在设定的阈值范围内，则得到药品作用检查结果为通过，否则得到药品作用检查结果为不通过；安全分析部分，配置用于在药品交互作用检查结果通过时，进行安全分析，以判断处方中的药品对于该用户是否安全，具体包括：结合用户数据和处方中的药品的说明书，判断用户年龄所对应的适用量是否符合要求、判断处方中的药品是否为过敏药物，若用户年龄所对应的适用量符合要求且处方中的药品不是过敏药物，则通过该患者的购买请求，完成药品销售。
进一步的，所述合规性检测部分，对处方进行合规性检测，得到合规性检测结果的
方法包括：获取处方图像；将处方图像切分成多个块像素，每个块像素表示为矩阵，其
中和分别表示行和列索引；定义状态空间，其中每个状态对应于一个可能的字形
片段，所述字形片段的种类包括：笔画、笔画的一部分或笔画的组合；为每个状态初始化概
率分布，表示初始状态的概率；定义状态转移概率矩阵，其中转移概率矩阵中的元素表示从状态转移到状态的概率；为每个状态定义观测概率分布，表示给
定状态时观测到的概率；使用前向算法来计算处方图像的联合概率；使用Baum-
Welch算法，结合前向算法的结果，来更新模型参数，以最大化处方图像的似然性；使用
Viterbi解码算法，找到最可能的隐藏状态序列，即处方图像的最可能路径；基于Viterbi解
码的结果，识别处方图像，得到识别结果；根据识别结果，进行信息验证，包括：根据识别结
果，得到处方图像中的医生姓名和文字验证标识，根据医生姓名和文字验证标识进行合规
性检测，得到合规性检测结果；所述文字验证标识为预设的防伪文字。
进一步的，所述每个状态初始化概率分布使用如下公式计算得到：
；
其中，为状态的特征值；为状态的特征值；所述转移概率矩阵中的元素，
转移概率使用如下公式计算：
。
进一步的，使用Viterbi解码算法，找到最可能的隐藏状态序列，即处方图像的最
可能路径的方法包括：定义一个动态规划矩阵，其中表示在时刻处于状态的最大
概率，还定义一个回溯矩阵，其中表示在时刻处于状态时的前一个状态：
其中，；
且，；对于每个时刻，计算和；在最后一个时刻，找到最终的最大概率和最可能的最后一个状态：
；
；
从开始，根据回溯矩阵回溯得到最可能的隐藏状态序列，作为最可能路径。
进一步的，对于每个时刻，使用如下公式进行计算：
；
对于每个时刻，使用如下公式进行计算：
；
其中，是状态转移概率，是观测概率分布。
进一步的，使用如下公式，从开始，根据回溯矩阵回溯得到最可能的隐藏状态
序列：
；
其中，代表的是在时刻处于的最可能的隐藏状态。
进一步的，所述药品交互作用检查部分提取用户处方中的药品中每个药品对应的
分子指纹的方法包括：将用户处方中的药品的药品分子结构表示为一个图形，其中包含个原子，每个原子具有一组属性，包括：原子类型、电荷和电负性，为下标，表
示为：
；
基于原子类型、电荷和电负性使用分子力场计算原子的部分电荷，基
于原子类型和电荷使用分子力场计算原子的键级别，为下标；使用以下公式，
将原子特征合并为第一分子级特征向量：
；
使用药品分子的三维几何结构信息编码分子的构象，计算药品分子的二阶、三阶
和四阶惯性矩阵，进而计算药品分子的二阶、三阶和四阶惯性矩阵的特征值和特征向量；将
惯性矩阵的特征值合并为第二分子级特征向量；将第一第一分子级特征向量和第二
分子级特征向量使用如下公式进行融合：
；
其中，表示特征向量融合操作；为分子指纹。
进一步的，部分电荷使用如下公式计算得到：
。
进一步的，键级别使用如下公式计算得到：
；
其中，为下标。
本发明的一种药品销售管理系统，具有以下有益效果：本发明通过合规性检测和药品交互作用检查，确保患者购买的处方药物与其个人情况相符合。这大大降低了不当用药的风险，尤其是对于老年患者和对药物过敏的人群，有助于减少药物引发的不良反应和副作用。通过检查药品交互作用，本发明可帮助医生和药剂师识别处方中不相容的药物组合，减少了药物相互作用引发的潜在医疗事故风险。这对于多疾病患者和多药物治疗的患者尤为重要。本发明引入了文字验证标识，以防止虚假处方的出现，从而有效地阻止了非法药物交易和滥用。这有助于维护药品市场的正常秩序，保障了患者的权益。
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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种药品销售管理系统的系统结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，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。
实施例1：一种药品销售管理系统，所述系统包括：合规性检测部分，配置用于在用户请求购买处方药的情况下，获取用户的处方和用户数据，对处方进行合规性检测，得到合规性检测结果；所述用户数据包括：用户年龄和过敏药物；药品交互作用检查部分，配置用于在用户请求购买处方药的情况下且合规性检测结果通过，或在用户请求购买处方药的情况下，进行药品交互作用检查，得到药品交互作用检查结果，具体包括：提取用户处方中的药品中每个药品对应的分子指纹，将分子指纹使用核函数的方法投影到高维空间，每个药品的分子指纹对应高维空间中的一个点，在高维空间中，计算每个点与其他点之间的距离，若每个点与其他点的距离均在设定的阈值范围内，则得到药品作用检查结果为通过，否则得到药品作用检查结果为不通过；安全分析部分，配置用于在药品交互作用检查结果通过时，进行安全分析，以判断处方中的药品对于该用户是否安全，具体包括：结合用户数据和处方中的药品的说明书，判断用户年龄所对应的适用量是否符合要求、判断处方中的药品是否为过敏药物，若用户年龄所对应的适用量符合要求且处方中的药品不是过敏药物，则通过该患者的购买请求，完成药品销售。
具体的，从用户处方中的每种药品中提取分子指纹。分子指纹是一种描述药物分子结构的数学表示，通常使用一系列分子特性或描述符来表示。接下来，使用核函数的方法将每个药品的分子指纹投影到高维空间。核函数通常用于将低维数据映射到高维空间，以便更好地进行数据分析。在这里，核函数的作用是将分子指纹从原始描述的低维空间映射到高维空间中，使得药品之间的相互作用更容易检测。在高维空间中，计算每个药品分子指纹对应的点与其他点之间的距离。这些距离可能代表了药物之间的相似性或差异性。一种常见的距离度量是欧氏距离，但也可以使用其他度量方法，具体取决于应用场景和数据的性质。根据预先设定的阈值，判断每个药品与其他药品之间的距离是否在可接受的范围内。如果所有药品之间的距离都在设定的阈值范围内，则认为药品之间的相互作用是安全的。否则，如果有任何一对药品之间的距离超出阈值，则可能存在不安全的相互作用。药品交互作用检查的主要作用是确保患者所购药品之间不会产生危险的相互作用。这有助于防止药物相互作用导致不良反应或健康问题的发生。核函数用于将药品的分子指纹投影到高维空间。核函数在机器学习领域中用于将数据从低维空间映射到高维空间，以便更好地进行分析。在这种情况下，核函数的作用是将每个药品的分子指纹映射为高维空间中的一个点，从而使得药品之间的相互作用更容易检测。
需要准备分子指纹的数据，这些数据通常以向量的形式表示每个分子的特征。这
些特征可以包括原子的类型、连接性质、电荷分布等信息。每个分子都对应一个特征向量，
构成了数据集。在核方法中，核函数是关键。核函数是一种用于衡量两个数据点之间相似性
的函数。常见的核函数包括线性核、多项式核、高斯核（径向基函数核）等。选择合适的核函
数取决于数据的性质和任务的要求。使用所选的核函数，计算数据集中每对数据点之间的
相似性得分。这些得分构成了一个核矩阵，通常是一个对称矩阵，其元素表示第个和第个数据点之间的相似性得分。核矩阵的计算可以使用以下公式：
；
其中，表示将输入数据点投影到高维空间的映射函数。通过计算核矩阵，实
际上已经将原始数据点隐式地映射到了高维空间，而无需显式计算映射函数。这是核
方法的关键优势之一，因为在高维空间中进行内积运算等操作可以更容易地处理非线性关
系。
实施例2：所述合规性检测部分，对处方进行合规性检测，得到合规性检测结果的
方法包括：获取处方图像；将处方图像切分成多个块像素，每个块像素表示为矩阵，其
中和分别表示行和列索引；定义状态空间，其中每个状态对应于一个可能的字形
片段，所述字形片段的种类包括：笔画、笔画的一部分或笔画的组合；为每个状态初始化概
率分布，表示初始状态的概率；定义状态转移概率矩阵，其中转移概率矩阵中的元素表示从状态转移到状态的概率；为每个状态定义观测概率分布，表示给
定状态时观测到的概率；使用前向算法来计算处方图像的联合概率；使用Baum-
Welch算法，结合前向算法的结果，来更新模型参数，以最大化处方图像的似然性；使用
Viterbi解码算法，找到最可能的隐藏状态序列，即处方图像的最可能路径；基于Viterbi解
码的结果，识别处方图像，得到识别结果；根据识别结果，进行信息验证，包括：根据识别结
果，得到处方图像中的医生姓名和文字验证标识，根据医生姓名和文字验证标识进行合规
性检测，得到合规性检测结果；所述文字验证标识为预设的防伪文字。
具体的，这个合规性检测方法基于图像处理和隐马尔可夫模型（HMM）的有机结合。首先，从用户提供的处方中获取处方图像，然后将图像分割成多个块像素，每个块像素表示为矩阵。接着，定义了一个状态空间，其中每个状态对应于可能的字形片段，包括笔画、笔画的一部分或笔画的组合。每个状态都有一个初始概率分布和一个状态转移概率矩阵，描述了字形片段之间的概率转移关系。此外，为每个状态定义了观测概率分布，表示在给定状态下观测到特定块像素的概率。在计算过程中，首先使用前向算法来计算处方图像的联合概率，这个概率表示了观测数据（图像块像素）与隐藏状态序列（字形片段序列）之间的联合概率。接着，使用Baum-Welch算法，结合前向算法的结果，来不断更新模型的参数，以最大化处方图像的似然性，即找到与实际观测数据最匹配的状态序列。随后，使用Viterbi解码算法，从所有可能的状态序列中找到最可能的隐藏状态序列，这个序列代表了对处方图像的最佳解释，包括了字形片段的识别。根据Viterbi解码的结果，可以识别处方图像，得到医生姓名和文字验证标识。最后，进行信息验证，比如验证医生姓名的合法性和检查文字验证标识是否符合预设的防伪文字。根据验证结果，进行合规性检测，从而得出处方的合规性检测结果，决定是否可以继续销售相关药物。将图像处理与HMM相结合，允许从处方图像中自动提取医生姓名和验证信息，实现了合规性的检测和识别。它有助于确保处方的合法性、安全性，并防止患者获得不合格或伪造的处方药物。
实施例3：所述每个状态初始化概率分布使用如下公式计算得到：
；
其中，为状态的特征值；为状态的特征值；所述转移概率矩阵中的元素，
转移概率使用如下公式计算：
。
具体的，初始化概率分布中，首先，对状态的特征值进行了对数变换（以的形式），这是为了将特征值的范围从任意实数映射到非负实数。接着，在特征值上
加上了一个常数1，即。这个常数加法可以确保概率分布的分母不为零，从而避免
了除以零的情况。最后，将上述结果除以所有状态的特征值经过相同处理后的和，以归一
化概率分布。这意味着每个状态的初始化概率分布都是非负数，并且它们的总和等于1。
初始化概率分布的作用在于指定在模型初始时刻（t=0）系统处于每个可能的状态的概
率。这对于HMM模型的开始状态至关重要，因为它决定了在序列开始时系统可能处于哪个状
态。
使用状态的特征值，即，来分配初始概率。这意味着特征值越高的状态在初始时
刻具有更高的概率，而特征值较低的状态具有较低的概率。通过使用特征值，这个方法可以
根据状态的性质和重要性来动态分配初始概率。如果某些状态在任务中具有更大的重要性
或出现的可能性更高，它们的特征值将更高，从而导致更高的初始概率。通过添加一个常数
1到特征值的对数结果，公式确保了分母不会变成零。这是非常重要的，因为分母为零将导
致概率分布无法计算。
转移概率的公式中，首先，对状态的特征值进行了对数变换，即，这
是为了将特征值的范围从任意实数映射到非负实数。接着，对上述结果进行了幂运算，即。这个幂运算可能会增大特征值的影响，使得特征值较高的状态具有更高的转
移概率。最后，将上述结果除以所有状态的特征值经过相同处理后的和，以归一化转
移概率。这确保了所有状态到状态的转移概率之和为1。
转移概率矩阵的作用在于描述状态之间的转移概率。这对于HMM模型中的状态
转移过程至关重要，因为它决定了在不同时间步骤系统从一个状态转移到另一个状态的概
率。使用状态的特征值来分配状态到状态的转移概率。这意味着特征值越高的
状态具有更高的转移概率，从而更有可能转移到其他状态。通过使用特征值，这个方法可以
根据状态的性质和重要性来动态分配转移概率。如果某些状态在任务中具有更大的重要性
或出现的可能性更高，它们的特征值将更高，从而导致更高的转移概率。
实施例4：使用Viterbi解码算法，找到最可能的隐藏状态序列，即处方图像的最可
能路径的方法包括：定义一个动态规划矩阵，其中表示在时刻处于状态的最大概
率，还定义一个回溯矩阵，其中表示在时刻处于状态时的前一个状态：
其中，；
且，；对于每个时刻，计算和；在最后一个时刻，找到最终的最大概率和最可能的最后一个状态：
；
；
从开始，根据回溯矩阵回溯得到最可能的隐藏状态序列，作为最可能路径。
具体的，Viterbi解码算法的作用是在HMM模型中找到观测序列的最可能路径，即
最可能的隐藏状态序列。它的原理基于动态规划，通过计算在每个时刻处于每个状态的最
大概率来实现：在初始化步骤中，根据初始状态的概率和观测概率初始化和。在每个时
刻，根据前一个时刻的最大概率和状态转移概率，计算当前时刻的最大概率和对应的前一
个状态。在最后一个时刻，找到最大的值和相应的最可能状态，以及总的最大概率。
最后，根据回溯矩阵回溯，找到观测数据的最可能路径。
Viterbi解码算法是一种用于隐马尔可夫模型（HMM）的状态估计的经典方法，其原理和作用可以通过以下方式解释：
在HMM中，有一系列观测数据和一组隐藏状态，这些状态之间通过概率进行转移，同时每个状态生成相应的观测数据。Viterbi算法的目标是找到最可能的隐藏状态序列，以解释观测数据。
算法的核心思想是利用动态规划来递归计算在每个时间步骤和每个可能的状态下的最大概率值，以及导致这些最大概率值的前一个状态。具体来说，算法执行以下步骤：
初始化：首先，在初始时刻（通常是第一个时刻），计算每个可能的状态在初始时刻生成第一个观测数据的概率，并将这些概率作为起始点。同时，为了后续的回溯过程，记录每个最大概率值对应的前一个状态为“None”。
递推：从第二个时间步骤开始，通过递归计算每个时间步骤和每个可能的状态下的最大概率值。这是通过考虑前一个时间步骤的最大概率值和状态转移概率，以及当前状态生成当前观测数据的概率来实现的。对于每个时间步骤和每个状态，选择最大的概率值作为当前时间步骤的最大概率，并记录导致这个最大概率值的前一个状态。
终止：在最后一个时间步骤，找到具有最大概率值的状态，这将是最可能的最后一个状态。同时，计算总的最大概率值，表示在整个观测序列下最可能的状态路径。
回溯：从最后一个状态开始，根据记录的前一个状态，依次回溯到初始时刻，得到最可能的隐藏状态序列。这个序列代表了观测数据的最可能生成路径。
Viterbi算法的原理基于动态规划的思想，它通过构建一个动态规划矩阵来保存中间结果，从而避免了对所有可能路径的穷举搜索，提高了计算效率。算法的关键在于利用局部的最大概率值来构建全局最可能的路径，同时通过记录前一个状态来回溯到起始点，找到了隐藏状态序列的最可能路径。
实施例5：对于每个时刻，使用如下公式进行计算：
；
从前一个时刻的所有可能状态中选择一个状态，使得在当前时刻处于状态的
概率最大。这是通过乘以前一个时刻的最大概率值、状态转移概率以及观测
概率来实现的。表示在时刻处于状态的最大概率值。这个值代表了在考虑
之前的所有可能状态路径的情况下，在当前时刻选择状态的最佳概率。通过逐个时间步骤
计算，算法构建了一个动态规划矩阵，记录了在每个时刻每个可能状态的最大概率。
这个矩阵在后续的回溯过程中用于找到最可能的状态序列。最终目标是找到观测数据的最
可能生成路径，也就是隐藏状态序列的最可能路径。通过计算和比较每个时刻的值，
可以找到最可能的隐藏状态序列，这是Viterbi算法的核心任务。计算的公式原理基
于动态规划，它在每个时刻计算在状态的最大概率值，以确定最可能的状态路径，从而实
现了对观测数据的最可能解释。这是Viterbi解码算法的关键步骤，用于状态估计和序列解
码。
对于每个时刻，使用如下公式进行计算：
；
其中，是状态转移概率，是观测概率分布。
从前一个时刻的所有可能状态中选择一个状态，使得在当前时刻处于状态时
的概率最大。选择的状态将成为在最可能的隐藏状态序列中状态的前一个状态。记录了在时刻处于状态时的前一个状态。这个信息对于回溯过程非常关键，因为
它帮助在找到最大概率值后，能够追溯到最可能的隐藏状态序列的前一个状态，从而还原
整个序列。和一样，也是在动态规划过程中计算的值，记录了在每个时刻和每
个可能的状态下前一个状态的选择。在找到最可能的隐藏状态序列的最大概率值后，通过
回溯矩阵，可以从最后一个状态开始，依次追溯前一个状态，从而得到完整的最可能路
径，即观测数据的最可能生成路径。
具体的，这两个公式的原理基于动态规划的思想，它们在每个时刻中，通过考虑
前一个时刻的最大概率和状态转移概率、观测概率，来计算在当前时刻选择状态的最大概
率以及前一个最可能的状态。这个过程在整个观测序列上递归执行，最终帮助找到最可能
的隐藏状态序列，从而解释观测数据的生成路径。这是Viterbi解码算法的关键原理，用于
在HMM模型中实现状态估计。
实施例6：使用如下公式，从开始，根据回溯矩阵回溯得到最可能的隐藏状态
序列：
；
其中，代表的是在时刻处于的最可能的隐藏状态。
具体的，在Viterbi解码算法中，一旦找到了在时刻处于的最可能的隐藏状态，
可以使用回溯矩阵来回溯到前一个时刻的最可能状态，然后继续回溯到前
一个时刻的最可能状态，依此类推，一直回溯到初始时刻，从而得到完整
的最可能的隐藏状态序列。
具体的回溯过程如下所示：：从最后一个时刻的最可能状态
开始，通过回溯矩阵找到时刻的最可能状态。：
继续回溯到时刻的最可能状态。依此类推，一直回溯到初始时刻，得到
最可能的隐藏状态序列。回溯过程的主要作用是从最后的最可能状态开始，还原整个观
测数据的最可能生成路径，也就是最可能的隐藏状态序列。
通过回溯，能够确定观测数据中每个时刻对应的最可能的隐藏状态。这对于了解
数据生成的真实过程非常重要，尤其在语音识别、文本识别等领域。最可能的隐藏状态序列可以帮助解释观测数据的生成方式，即哪些状态组合生成了观测数据的序列，从而提供了
对数据的理解和解释。
实施例7：所述药品交互作用检查部分提取用户处方中的药品中每个药品对应的
分子指纹的方法包括：将用户处方中的药品的药品分子结构表示为一个图形，其中包含个原子，每个原子具有一组属性，包括：原子类型、电荷和电负性，为下标，表
示为：
；
基于原子类型、电荷和电负性使用分子力场计算原子的部分电荷，基
于原子类型和电荷使用分子力场计算原子的键级别，为下标；使用以下公式，
将原子特征合并为第一分子级特征向量：
；
使用药品分子的三维几何结构信息编码分子的构象，计算药品分子的二阶、三阶
和四阶惯性矩阵，进而计算药品分子的二阶、三阶和四阶惯性矩阵的特征值和特征向量；将
惯性矩阵的特征值合并为第二分子级特征向量；将第一第一分子级特征向量和第二
分子级特征向量使用如下公式进行融合：
；
其中，表示特征向量融合操作；为分子指纹。
具体的，二阶惯性矩阵描述了分子绕其质心的旋转惯量，通常以一个的矩阵
表示。计算二阶惯性矩阵的步骤如下：首先，需要确定分子的质心（CenterofMass，COM），它
是各个原子的质量加权平均位置。对于每个原子，计算其相对于质心的位置矢量。然后，计算每个原子的质量加权的位置张量：
；
其中，是原子的质量。
最后，将所有原子的位置张量相加，得到二阶惯性矩阵：
；
计算药品分子的三阶和四阶惯性矩阵涉及到更高阶的位置矢量的组合。三阶惯性
矩阵的计算可能涉及到位置矢量的三次乘积和求和：
；
其中，表示位置矢量的三次乘积。
四阶惯性矩阵的计算可能涉及到位置矢量的四次乘积和求和：
；
其中，表示位置矢量的四次乘积。
首先，对于每个用户处方中的药物，将其分子结构表示为一个图形，该图形包含了
一系列原子。每个原子都具有特定的属性，包括原子类型（）、电荷（）和电负性（）。
这些属性用于描述每个原子的特征。
接下来，使用分子力场来计算每个原子的部分电荷（）和原子之间的键级别（）。部分电荷表示了每个原子的电荷分布情况，而键级别表示了原子之间的相互作用强
度。这些计算基于原子的类型和电荷属性以及分子力场的参数，以捕获原子之间的相互作
用。
然后，将这些原子特征合并成一个称为第一分子级特征向量（）的向量。这个特
征向量包括了所有原子的部分电荷和键级别的信息，用于描述整个药物分子的特性。这样，
得到了一个分子级的表示，反映了药物分子的电荷分布和原子之间的键连接。
接下来，考虑了药物分子的三维几何结构，以编码其构象信息。通过计算药物分子的二阶、三阶和四阶惯性矩阵，可以得到关于分子形状和构象的信息。这些惯性矩阵的特征值和特征向量反映了分子的构象。
然后，将这些构象特征合并成第二分子级特征向量（）。这个特征向量包含了分
子的构象信息，使能够比较不同构象之间的相似性和差异性。
最后，将第一分子级特征向量（）和第二分子级特征向量（）通过特征融合操
作（）结合起来，得到最终的分子指纹（）。这个分子指纹包含了药物分子的结构、电
荷分布、键级别、构象等多方面信息，是一个综合的数值表示。这个分子指纹可以用于比较
不同药物分子之间的相似性，从而用于药物交互作用检查。特征融合操作（）将两个特征
向量连接或拼接在一起，形成一个更长的特征向量。这种方式增加了特征的维度，可以用于
将不同类型的信息合并在一起。例如，将两个向量按列连接，得到一个更大的向量。
实施例8：部分电荷使用如下公式计算得到：
。
具体的，首先，公式的第一部分涉及到电荷和电负性。它使用了这两个属性
的平方之比，经过一些数学运算，得到一个值。这个部分的计算考虑了原子的电荷量和其吸
引电子的能力，这两个因素对电荷分布起着重要作用。通过这种方式，公式捕捉了原子电荷
分布的一部分信息。
接下来，公式的第二部分涉及到原子类型。它涉及了一个求和操作，其中对所有
原子类型进行了处理。在这部分计算中，原子类型之间的差异性得到了考虑，尤其是原子类
型的相似性度量。这部分的计算有助于捕捉不同原子类型之间电荷分布的变化。
整个公式的作用在于估计每个原子的部分电荷，这对于理解分子的电荷分布和相互作用非常重要。部分电荷信息可用于预测原子之间的相互作用，例如在分子中化学键的形成和断裂过程中，以及分子之间的吸引力或排斥力。此外，它还有助于药物设计和分子模拟，使研究人员能够更好地理解分子的性质和反应机制。
实施例9：键级别使用如下公式计算得到：
；
其中，为下标。
具体的，这个公式用于计算两个药物分子中不同原子之间的键级别，以量化
它们之间的化学键强度或相互作用。这个计算基于多个原子属性，其中包括电荷和，
表示两个原子的电荷；原子类型和，表示两个原子的种类或元素；以及总原子数量。
该公式的计算过程相对复杂，涉及多个数学运算步骤，以综合考虑这些属性的影响。
首先，公式中的第一部分是两个原子电荷之和的平方的倒数。这部分表达了电荷的叠加效应，即两个原子的电荷越大，其电荷相互作用越弱。通过平方和倒数运算，这一项强调了电荷对键级别的贡献。
第二部分涉及到对不同原子类型之间的相对性质的计算。它使用了一个差值的立
方运算，其中包括了原子类型和之间的差异以及其他原子的电荷对计算的影响。
这一项的目的是考虑不同原子类型之间的相互作用，因为不同元素或原子类型之间的键强
度可能会有所不同。
总的来说，这个公式的原理在于将多个原子属性考虑在内，综合计算了两个原子之间的键级别，以反映它们之间的相互作用强度。电荷和原子类型是决定键级别的关键因素，通过这个公式的计算，可以为分子中不同原子之间的键提供有用的信息，有助于深入了解分子的结构和性质。
以上对本发明进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (9)
1.一种药品销售管理系统，其特征在于，所述系统包括：合规性检测部分，配置用于在用户请求购买处方药的情况下，获取用户的处方和用户数据，对处方进行合规性检测，得到合规性检测结果；所述用户数据包括：用户年龄和过敏药物；药品交互作用检查部分，配置用于在用户请求购买处方药的情况下且合规性检测结果通过，或在用户请求购买处方药的情况下，进行药品交互作用检查，得到药品交互作用检查结果，具体包括：提取用户处方中的药品中每个药品对应的分子指纹，将分子指纹使用核函数的方法投影到高维空间，每个药品的分子指纹对应高维空间中的一个点，在高维空间中，计算每个点与其他点之间的距离，若每个点与其他点的距离均在设定的阈值范围内，则得到药品作用检查结果为通过，否则得到药品作用检查结果为不通过；安全分析部分，配置用于在药品交互作用检查结果通过时，进行安全分析，以判断处方中的药品对于该用户是否安全，具体包括：结合用户数据和处方中的药品的说明书，判断用户年龄所对应的适用量是否符合要求、判断处方中的药品是否为过敏药物，若用户年龄所对应的适用量符合要求且处方中的药品不是过敏药物，则通过该患者的购买请求，完成药品销售。
2.如权利要求1所述的药品销售管理系统，其特征在于，所述合规性检测部分，对处方进行合规性检测，得到合规性检测结果的方法包括：获取处方图像；将处方图像切分成多个块像素，每个块像素表示为矩阵/>，其中/>和/>分别表示行和列索引；定义状态空间/>，其中每个状态/>对应于一个可能的字形片段，所述字形片段的种类包括：笔画、笔画的一部分或笔画的组合；为每个状态/>初始化概率分布/>，表示初始状态的概率；定义状态转移概率矩阵/>，其中转移概率矩阵/>中的元素/>表示从状态/>转移到状态/>的概率；为每个状态/>定义观测概率分布/>，表示给定状态/>时观测到/>的概率；使用前向算法来计算处方图像/>的联合概率/>；使用Baum-Welch算法，结合前向算法的结果，来更新模型参数，以最大化处方图像的似然性；使用Viterbi解码算法，找到最可能的隐藏状态序列，即处方图像的最可能路径；基于Viterbi解码的结果，识别处方图像，得到识别结果；根据识别结果，进行信息验证，包括：根据识别结果，得到处方图像中的医生姓名和文字验证标识，根据医生姓名和文字验证标识进行合规性检测，得到合规性检测结果；所述文字验证标识为预设的防伪文字。
3.如权利要求2所述的药品销售管理系统，其特征在于，所述每个状态初始化概率分布/>使用如下公式计算得到：
；
其中，为状态/>的特征值；/>为状态/>的特征值；所述转移概率矩阵/>中的元素，转移概率/>使用如下公式计算：
。
4.如权利要求3所述的药品销售管理系统，其特征在于，使用Viterbi解码算法，找到最可能的隐藏状态序列，即处方图像的最可能路径的方法包括：定义一个动态规划矩阵，其中/>表示在时刻/>处于状态/>的最大概率，还定义一个回溯矩阵/>，其中/>表示在时刻/>处于状态/>时的前一个状态：
其中，；
且，；对于每个时刻/>，计算/>和；在最后一个时刻/>，找到最终的最大概率和最可能的最后一个状态：
；
；
从开始，根据回溯矩阵/>回溯得到最可能的隐藏状态序列/>，作为最可能路径。
5.如权利要求4所述的药品销售管理系统，其特征在于，对于每个时刻，/>使用如下公式进行计算：
；
对于每个时刻，/>使用如下公式进行计算：
；
其中，是状态转移概率，/>是观测概率分布。
6.如权利要求5所述的药品销售管理系统，其特征在于，使用如下公式，从开始，根据回溯矩阵/>回溯得到最可能的隐藏状态序列/>：
；
其中，代表的是在时刻/>处于的最可能的隐藏状态。
7.如权利要求6所述的药品销售管理系统，其特征在于，所述药品交互作用检查部分提取用户处方中的药品中每个药品对应的分子指纹的方法包括：将用户处方中的药品的药品分子结构表示为一个图形，其中包含/>个原子，每个原子具有一组属性，包括：原子类型、电荷/>和电负性/>，/>为下标，/>表示为：
；
基于原子类型、电荷/>和电负性/>使用分子力场计算原子的部分电荷/>，基于原子类型/>和电荷/>使用分子力场计算原子的键级别/>，/>为下标；使用以下公式，将原子特征合并为第一分子级特征向量/>：
；
使用药品分子的三维几何结构信息编码分子的构象，计算药品分子的二阶、三阶和四阶惯性矩阵，进而计算药品分子的二阶、三阶和四阶惯性矩阵的特征值和特征向量；将惯性矩阵的特征值合并为第二分子级特征向量；将第一第一分子级特征向量/>和第二分子级特征向量/>使用如下公式进行融合：
；
其中，表示特征向量融合操作；/>为分子指纹。
8.如权利要求7所述的药品销售管理系统，其特征在于，部分电荷使用如下公式计算得到：
。
9.如权利要求8所述的药品销售管理系统，其特征在于，键级别使用如下公式计算得到：
；
其中，为下标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311303877.3A CN117334292B (zh) | 2023-10-10 | 2023-10-10 | 一种药品销售管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311303877.3A CN117334292B (zh) | 2023-10-10 | 2023-10-10 | 一种药品销售管理系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117334292A true CN117334292A (zh) | 2024-01-02 |
| CN117334292B CN117334292B (zh) | 2024-04-05 |
Family
ID=89278770
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311303877.3A Active CN117334292B (zh) | 2023-10-10 | 2023-10-10 | 一种药品销售管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117334292B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110120267A (zh) * | 2019-04-24 | 2019-08-13 | 江苏医药职业学院 | 一种智能药学创新管理服务系统及方法 |
| US20190272908A1 (en) * | 2018-03-02 | 2019-09-05 | Tommy Lee Hill | System and method for detecting pharmaceutical counterfeit and fraudulent prescription |
| WO2019244188A1 (en) * | 2018-06-20 | 2019-12-26 | Prima3 Srl | Innovative detector for "secure authentication" of valuables |
| CN115293161A (zh) * | 2022-08-19 | 2022-11-04 | 广州中康资讯股份有限公司 | 基于自然语言处理和药品知识图谱的合理用药系统及方法 |
| WO2023134063A1 (zh) * | 2022-01-11 | 2023-07-20 | 平安科技（深圳）有限公司 | 基于对比学习的药物分子性质预测方法、装置及设备 |
| CN116741333A (zh) * | 2023-07-05 | 2023-09-12 | 山东资略信息技术有限公司 | 一种医药营销管理系统 |
-
2023
- 2023-10-10 CN CN202311303877.3A patent/CN117334292B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190272908A1 (en) * | 2018-03-02 | 2019-09-05 | Tommy Lee Hill | System and method for detecting pharmaceutical counterfeit and fraudulent prescription |
| WO2019244188A1 (en) * | 2018-06-20 | 2019-12-26 | Prima3 Srl | Innovative detector for "secure authentication" of valuables |
| CN110120267A (zh) * | 2019-04-24 | 2019-08-13 | 江苏医药职业学院 | 一种智能药学创新管理服务系统及方法 |
| WO2023134063A1 (zh) * | 2022-01-11 | 2023-07-20 | 平安科技（深圳）有限公司 | 基于对比学习的药物分子性质预测方法、装置及设备 |
| CN115293161A (zh) * | 2022-08-19 | 2022-11-04 | 广州中康资讯股份有限公司 | 基于自然语言处理和药品知识图谱的合理用药系统及方法 |
| CN116741333A (zh) * | 2023-07-05 | 2023-09-12 | 山东资略信息技术有限公司 | 一种医药营销管理系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117334292B (zh) | 2024-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mason et al. | An investigation of biometric authentication in the healthcare environment | |
| Zeng et al. | Parkinson's disease classification using gait analysis via deterministic learning | |
| Kastaniotis et al. | A framework for gait-based recognition using Kinect | |
| Porwal et al. | Credit card fraud detection in e-commerce: An outlier detection approach | |
| Liu et al. | Adaptive cascade regression model for robust face alignment | |
| CN112035610B (zh) | 医疗领域问答对的生成方法、装置、计算机设备和介质 | |
| Karami et al. | Neuroimaging computer‐aided diagnosis systems for Alzheimer's disease | |
| JP2022518286A (ja) | 被訓練モデルへの母集団記述子の関連付け | |
| WO2021217906A1 (zh) | 基于步态特征的体态检测方法、装置、设备及存储介质 | |
| CN110188357A (zh) | 对象的行业识别方法及装置 | |
| Hung et al. | Predicting gastrointestinal bleeding events from multimodal in-hospital electronic health records using deep fusion networks | |
| CN113724830A (zh) | 基于人工智能的用药风险检测方法及相关设备 | |
| Tong et al. | Putative ratios of facial attractiveness in a deep neural network | |
| CN115775635A (zh) | 基于深度学习模型的药品风险识别方法、装置及终端设备 | |
| CN117334292B (zh) | 一种药品销售管理系统 | |
| CN116741333B (zh) | 一种医药营销管理系统 | |
| Ayus et al. | A novel hybrid ensemble based Alzheimer’s identification system using deep learning technique | |
| Niu et al. | Driver fatigue features extraction | |
| Kumar et al. | Deep learning for healthcare biometrics | |
| Hayashi et al. | Patient deterioration detection using one-class classification via cluster period estimation subtask | |
| Chang et al. | The analysis from nonlinear distance metric to kernel-based prescription prediction system | |
| Sun et al. | Deep dynamic patient similarity analysis: model development and validation in ICU | |
| Crisóstomo et al. | Robotics services at home support | |
| Chai et al. | Robust facial landmark detection based on initializing multiple poses | |
| Mohtarami et al. | Prediction of naloxone dose in opioids toxicity based on machine learning techniques (artificial intelligence) |
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 |