CN117423427A - 一种临床决策模型的重抽样检测方法 - Google Patents
一种临床决策模型的重抽样检测方法 Download PDFInfo
- Publication number
- CN117423427A CN117423427A CN202311431327.XA CN202311431327A CN117423427A CN 117423427 A CN117423427 A CN 117423427A CN 202311431327 A CN202311431327 A CN 202311431327A CN 117423427 A CN117423427 A CN 117423427A
- Authority
- CN
- China
- Prior art keywords
- medication
- patient
- doctor
- drug
- medicine
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000012952 Resampling Methods 0.000 title claims abstract description 11
- 239000003814 drug Substances 0.000 claims abstract description 629
- 229940079593 drug Drugs 0.000 claims abstract description 497
- 208000024891 symptom Diseases 0.000 claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 34
- 230000036541 health Effects 0.000 claims abstract description 33
- 238000011282 treatment Methods 0.000 claims abstract description 27
- 239000000090 biomarker Substances 0.000 claims abstract description 23
- 230000008859 change Effects 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000006243 chemical reaction Methods 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims abstract description 7
- 201000010099 disease Diseases 0.000 claims description 37
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 37
- 238000003066 decision tree Methods 0.000 claims description 33
- 230000000694 effects Effects 0.000 claims description 23
- 238000003745 diagnosis Methods 0.000 claims description 20
- 238000013058 risk prediction model Methods 0.000 claims description 18
- 210000004369 blood Anatomy 0.000 claims description 15
- 239000008280 blood Substances 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 15
- 238000004128 high performance liquid chromatography Methods 0.000 claims description 14
- 230000003993 interaction Effects 0.000 claims description 14
- 230000008030 elimination Effects 0.000 claims description 11
- 238000003379 elimination reaction Methods 0.000 claims description 11
- 210000002700 urine Anatomy 0.000 claims description 11
- 230000036267 drug metabolism Effects 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 10
- 206010013700 Drug hypersensitivity Diseases 0.000 claims description 8
- 238000009825 accumulation Methods 0.000 claims description 8
- 201000005311 drug allergy Diseases 0.000 claims description 8
- 230000003907 kidney function Effects 0.000 claims description 8
- 230000003908 liver function Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 206010059866 Drug resistance Diseases 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000037323 metabolic rate Effects 0.000 claims description 7
- 206010020751 Hypersensitivity Diseases 0.000 claims description 6
- 208000026935 allergic disease Diseases 0.000 claims description 6
- 230000007815 allergy Effects 0.000 claims description 6
- 229940126675 alternative medicines Drugs 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 238000002483 medication Methods 0.000 claims description 5
- 206010061818 Disease progression Diseases 0.000 claims description 4
- 230000005750 disease progression Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000001727 in vivo Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012502 risk assessment Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000013475 authorization Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000002035 prolonged effect Effects 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 238000011269 treatment regimen Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims 1
- 238000007670 refining Methods 0.000 claims 1
- 238000004904 shortening Methods 0.000 claims 1
- 230000000153 supplemental effect Effects 0.000 claims 1
- 208000002193 Pain Diseases 0.000 description 6
- 230000036772 blood pressure Effects 0.000 description 6
- 239000002220 antihypertensive agent Substances 0.000 description 5
- 229940127088 antihypertensive drug Drugs 0.000 description 5
- 206010011224 Cough Diseases 0.000 description 4
- 206010036790 Productive cough Diseases 0.000 description 4
- 206010037660 Pyrexia Diseases 0.000 description 4
- 235000021152 breakfast Nutrition 0.000 description 4
- 210000002966 serum Anatomy 0.000 description 4
- 239000013589 supplement Substances 0.000 description 4
- 206010067484 Adverse reaction Diseases 0.000 description 3
- 206010020772 Hypertension Diseases 0.000 description 3
- 230000006838 adverse reaction Effects 0.000 description 3
- 230000004060 metabolic process Effects 0.000 description 3
- 230000001225 therapeutic effect Effects 0.000 description 3
- YRMCBQLZVBXOSJ-PCFSSPOYSA-N (e)-3-[(6r,6as)-4-hydroxy-6-methoxy-3-methyl-11-oxo-5,6,6a,7-tetrahydropyrrolo[2,1-c][1,4]benzodiazepin-8-yl]prop-2-enamide Chemical compound CO[C@H]1NC2=C(O)C(C)=CC=C2C(=O)N2C=C(\C=C\C(N)=O)C[C@@H]12 YRMCBQLZVBXOSJ-PCFSSPOYSA-N 0.000 description 2
- 206010013710 Drug interaction Diseases 0.000 description 2
- 208000001953 Hypotension Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 230000008485 antagonism Effects 0.000 description 2
- 239000003242 anti bacterial agent Substances 0.000 description 2
- 229940088710 antibiotic agent Drugs 0.000 description 2
- 230000006735 deficit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001647 drug administration Methods 0.000 description 2
- 239000002359 drug metabolite Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 208000024794 sputum Diseases 0.000 description 2
- 210000003802 sputum Anatomy 0.000 description 2
- 239000005541 ACE inhibitor Substances 0.000 description 1
- 206010000087 Abdominal pain upper Diseases 0.000 description 1
- 206010027654 Allergic conditions Diseases 0.000 description 1
- 208000010201 Exanthema Diseases 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 206010028813 Nausea Diseases 0.000 description 1
- 206010033296 Overdoses Diseases 0.000 description 1
- 229940044094 angiotensin-converting-enzyme inhibitor Drugs 0.000 description 1
- 230000003556 anti-epileptic effect Effects 0.000 description 1
- 239000001961 anticonvulsive agent Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000000857 drug effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 201000005884 exanthem Diseases 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 230000036543 hypotension Effects 0.000 description 1
- 208000021822 hypotensive Diseases 0.000 description 1
- 230000001077 hypotensive effect Effects 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008693 nausea Effects 0.000 description 1
- 206010037844 rash Diseases 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000003442 weekly 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
- 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
-
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medicinal Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Pharmacology & Pharmacy (AREA)
- Toxicology (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请提供一种临床决策模型的重抽样检测方法，包括：根据患者个人信息和病情信息，获取医生的用药方案和就诊医生信息，记录医生的变动频率；若患者因为预约不上或医院安排导致医生无法跟进病患而变动，根据电子健康记录系统，判断不同医生的用药内容和症状描述准确性；根据就医过程中医生变动的频率，判断是否存在医生用药分歧，若存在，对于用药种类分歧，判断与患者最匹配的药物；根据所述患者个人信息、病情信息和用药方案，预测所述存在用药分歧的药物是否存在过度用药风险；若判断存在过度用药风险，通过生物标记物抽样检测，确认药物在体内的浓度和反应，并调整检测频率、用药剂量或用药间隔。
Description
技术领域
本发明涉及信息技术领域，尤其涉及一种临床决策模型的重抽样检测方法。
背景技术
随着医疗技术的不断更新，患者的治疗方案日益复杂，药物的种类和剂量不断增加。在这种情况下，患者的用药情况和用药副作用的监测变得尤为重要。然而，由于看病时往往不是一次就能治疗完成，因此一次治疗后，可能会有二次复诊的情况。而复诊时，因为预约不上医生或者医院的安排，不一定是原来的医生长期跟进，在换了医生的情况下，医生可能对前期的治疗方案不够关注，而继续开了严重治疗的方案。医疗人员的繁忙和信息获取的不便利，往往难以对患者的用药情况进行系统化的监测和评估，容易出现用药过度的情况。同时，药品说明书中的信息比较复杂，不易于医护人员理解和应用，也容易出现用药不当的情况。这些问题导致患者的用药风险增加，对治疗效果和患者的健康产生不良影响。此外，医生病历记录的完整性对于患者的诊断和治疗非常重要。如果病历记录不完整，可能会导致信息缺失、误诊或延误治疗。因此，如何实现有效的用药监测方法，避免用药过度的情况，成为了当前医疗领域面临的一个重要的问题和挑战。
发明内容
本发明提供了一种临床决策模型的重抽样检测方法，主要包括：
根据患者个人信息和病情信息，获取医生的用药方案和就诊医生信息，记录医生的变动频率；若患者因为预约不上或医院安排导致医生无法跟进病患而变动，根据电子健康记录系统，判断不同医生的用药内容和症状描述准确性；根据就医过程中医生变动的频率，判断是否存在医生用药分歧，若存在，对于用药种类分歧，判断与患者最匹配的药物；根据所述患者个人信息、病情信息和用药方案，预测所述存在用药分歧的药物是否存在过度用药风险；若判断存在过度用药风险，通过生物标记物抽样检测，确认药物在体内的浓度和反应，并调整检测频率、用药剂量或用药间隔；对用药风险进行归档记录，当判断出医生用药描述不完整时，生成补充性患者描述和用药细节内容的记录，完善电子健康记录系统的内容；根据判断与患者最匹配的药物和过度用药的风险预测，自动生成用药报告，进一步生成实时的医生用药预警信号，推荐给医生进行用药替换。
在一种实施方式中，所述根据患者个人信息和病情信息，获取医生的用药方案和就诊医生信息，记录医生的变动频率，包括：
在患者授权同意下，获取患者个人信息，所述个人信息包括患者的姓名、年龄、性别、身高、体重和联系方式；获取病情信息，确定患者目前所处的病情状态，所述病情信息包括疾病诊断、病情描述和就诊记录；根据所述就诊记录，获取医生的用药方案和就诊医生信息，所述用药方案包括用药种类、用药剂量、用药频率和用药时间，所述就诊医生信息包括就诊医生姓名和就诊时间；通过对比所述就诊医生信息，判断患者是否针对相同病情状态换过医生，记录医生的变动次数和变动频率。
在一种实施方式中，所述若患者因为预约不上或医院安排导致医生无法跟进病患而变动，根据电子健康记录系统，判断不同医生的用药内容和症状描述准确性，包括：
通过电子健康记录系统，获取医生的用药记录和症状描述数据；使用条件随机场序列标注算法对用药记录和症状描述进行文本分析，对用药记录进行匹配，检查是否包含药物名称、剂量、频率和用药途径信息，如果有缺失或错误，标记为不准确；对症状描述进行匹配，检查是否包含症状的出现时间、持续时间、程度和伴随症状信息，如果有缺失或错误，标记为不准确；比对患者的用药信息和用药指示，判断用药记录的完整性，如果有漏掉的药物或指示，标记为不完整；比对患者的所有症状信息和重要症状描述，判断症状描述的完整性，如果有漏掉的症状或描述，标记为不完整；根据判断结果生成准确性和完整性评估报告，标注医生的用药内容和症状描述是否准确无误。
在一种实施方式中，所述根据就医过程中医生变动的频率，判断是否存在医生用药分歧，若存在，对于用药种类分歧，判断与患者最匹配的药物，包括：
当监测到就医过程中医生频率的变动，获取所述医生的用药方案，对比不同医生之间用药方案的差异，判断是否存在用药分歧；若存在医生用药分歧，对于用药种类分歧，获取所述存在用药分歧的药物属性数据，所述存在用药分歧的药物属性数据包括成分、相互作用、适应症、副作用和禁忌症数据；对比所述存在用药分歧的药物属性数据，判断与患者最匹配的药物，所述判断与患者最匹配的药物包括，根据药物的的成分，确定不同药物的作用机制，判断与患者最匹配的药物；根据药物的相互作用，确定药物间的相互增效、相互拮抗或相互影响的效应，判断与患者最匹配的药物；根据药物的适应症，确定药物适用的疾病或症状，判断与患者最匹配的药物；根据药物的副作用，确定使用药物产生的不良反应，判断与患者最匹配的药物；根据药物的禁忌症，明确禁止使用该药物的患者或情况，判断与患者最匹配的药物；结合所述存在用药分歧的药物属性数据和患者特殊情况数据，使用决策树算法，判断与患者最匹配的药物，所述患者特殊情况包括药物过敏、孕妇或哺乳期妇女、儿童或老年人、肝功能或肾功能损害和患者的其他疾病或病史；还包括：结合所述用药分歧的药物属性数据和患者特殊情况数据，使用决策树算法，判断与患者最匹配的药物。
所述结合所述用药分歧的药物属性数据和患者特殊情况数据，使用决策树算法，判断与患者最匹配的药物，具体包括：
在患者授权同意下，获取患者特殊情况属性，并将所述患者特殊情况数据作为决策树的根节点，所述患者特殊情况数据包括药物过敏、孕妇或哺乳期妇女、儿童或老年人、肝功能或肾功能损害。对于每个所述患者特殊情况数据，根据所述患者特殊情况数据的取值的是或否，判断是否继续构建决策树的内部节点。如果所述患者特殊情况数据的取值为是，则进一步构建决策树的内部节点；如果所述患者特殊情况数据的取值为否，则将该节点定义为叶节点，并确定最适合患者的药物。在每个内部节点，获取所述存在用药分歧的药物属性数据，并将所述存在用药分歧的药物属性数据作为判断条件，所述存在用药分歧的药物属性数据包括成分、相互作用、适应症、副作用和禁忌症数据。对于每个药物属性，根据所述存在用药分歧的药物属性数据的取值的高、中或低程度，判断是否继续构建决策树的内部节点。如果所述存在用药分歧的药物属性数据的取值大于或等于两个，根据所述存在用药分歧的药物属性数据取值的不同构建不同的子节点。在叶节点，根据药物属性数据，确定最适合患者的药物。根据决策树的构建过程，得到一个完整的决策树模型，使用该模型来判断与患者最匹配的药物。
在一种实施方式中，所述根据所述患者个人信息、病情信息和用药方案，预测所述存在用药分歧的药物是否存在过度用药风险，包括：
在患者授权同意下，获取所述患者个人信息、病情信息和用药方案，对所述患者个人信息、病情信息和用药方案进行预处理，包括数据清洗、缺失值处理；从所述患者个人信息、病情信息和用药方案中提取特征，包括年龄、性别、身高、体重、疾病诊断、病情描述、就诊历史、用药种类、用药剂量、用药频率和用药时间；对连续型特征进行标准化或归一化处理，包括年龄、身高、体重、用药种类、用药剂量、用药频率和用药时间；对离散型特征进行独热编码或使用嵌入方式进行编码，包括性别、疾病诊断、病情描述和就诊历史；将数据集划分为训练集和测试集，使用梯度提升树算法进行过度用药风险预测模型训练，并调整梯度提升树算法的超参数，包括学习率、树的数量和最大深度；在测试集上对所述过度用药风险预测模型进行评估，计算预测准确率、召回率、精确率和F1分数指标；根据模型的预测结果绘制ROC曲线，并根据ROC曲线计算AUC值，评估所述过度用药风险预测模型的性能；使用SHAP工具对所述过度用药风险预测模型进行解释，确定影响预测结果的因素；使用训练好的所述过度用药风险预测模型，将新的年龄、性别、身高、体重、疾病诊断、病情描述、就诊历史、用药种类、用药剂量、用药频率和用药时间作为输入，进行预测；根据所述过度用药风险预测模型预测结果，判断所述存在用药分歧的药物是否存在过度用药风险。
在一种实施方式中，所述若判断存在过度用药风险，通过生物标记物抽样检测，确认药物在体内的浓度和反应，并调整检测频率、用药剂量或用药间隔，包括：
根据药物的特性，选择生物标记物监测药物在体内的浓度和反应，所述生物标记物包括药物代谢产物、血清中的药物浓度或患者的生理指标；获取通过HPLC对血液或尿液样本进行采集和化验得到的数据，获取生物标记物样本中药物的浓度信息，计算患者的药物代谢速率，再次判断是否存在过度用药风险；若判断存在过度用药过度风险，选择增加检测频率；如果药物浓度过高或反应异常，选择减少剂量、延长给药间隔或寻找替代治疗方案；如果药物浓度过低或反应不足，选择增加剂量或缩短给药间隔；还包括：获取通过HPLC对血液或尿液样本进行采集和化验得到的数据，获取生物标记物样本中药物的浓度信息，计算患者的药物代谢速率，再次判断是否存在过度用药风险。
所述获取通过HPLC对血液或尿液样本进行采集和化验得到的数据，获取生物标记物样本中药物的浓度信息，计算患者的药物代谢速率，再次判断是否存在过度用药风险，具体包括：
根据患者血液或尿液样本，采集药物的浓度信息。通过HPLC技术对样本进行化验，确定药物在生物标记物样本中的浓度变化。获取药物的半衰期值，根据药物的浓度变化和半衰期值，计算出药物的消除速率。根据药物的消除速率、药物的清除率和药代动力学参数，确定药物的代谢速率。判断药物的Cmax是否过高，导致药物过度积累的风险。判断药物的T1/2是否过长，导致药物在体内滞留时间过长。判断药物的CL是否过低，导致药物在体内积累。
在一种实施方式中，所述对用药风险进行归档记录，当判断出医生用药描述不完整时，生成补充性患者描述和用药细节内容的记录，完善电子健康记录系统的内容，包括：
在患者授权同意下，获取患者个体耐药性数据和用药方案数据；根据根据医生开具的药物和用药风险，录入患者描述和记录；根据患者的个人信息、病史、用药历史和过敏史，进行用药风险评估，确定医生用药描述不完整之处；采用大模型CHATGLM补充患者描述，包括症状、疾病发展和用药效果方面的描述；生成用药细节内容，包括药物的名称、剂量、频率和用法信息；提醒医生验证生成的信息，验证通过后，将补充性患者描述和用药细节内容记录到电子健康记录系统中；当描述不完整时，通过电子健康记录系统向医生发送提示消息，提醒其进行用药描述的完善；医生根据提示消息重新评估用药方案，并完善用药描述；将重新评估后的用药方案和完善后的用药描述记录到电子健康记录系统中。
在一种实施方式中，所述根据判断与患者最匹配的药物和过度用药的风险预测，自动生成用药报告，进一步生成实时的医生用药预警信号，推荐给医生进行用药替换，包括：
根据判断与患者最匹配的药物和过度用药的风险预测，自动生成用药报告；根据用药报告中的风险信息，生成实时的医生用药预警信号，包括替代药物或调整用药方案；根据预警信号中的内容，推荐替代药物或调整用药方案，包括提供替代药物或调整用药方案的内容和执行方式。
本发明实施例提供的技术方案可以包括以下有益效果：
本发明公开了一种临床决策模型的重抽样检测方法。可以判断医生变更前的用药内容和症状描述准确性，并监测就医过程中医生变动的频率，以判断是否存在医生用药分歧。对于存在用药分歧的情况，可以判断与患者最匹配的药物种类，并预测存在过度用药风险的药物。如果存在过度用药风险，可以通过生物标记物抽样检测药物在体内的浓度和反应，并调整检测频率、用药剂量或用药间隔。根据患者个体耐药性数据和用药方案数据，可以确定药物的有效性和用药风险，并根据医生的用药记录，自动生成补充性患者描述和记录，完善电子健康记录系统。通过融合以上所有技术，可以实现更准确的用药方案和更好的医生用药预警效果。
附图说明
图1为本发明的一种临床决策模型的重抽样检测方法的流程图。
图2为本发明的一种临床决策模型的重抽样检测方法的示意图。
图3为本发明的一种临床决策模型的重抽样检测方法的又一示意图。
具体实施方式
下面将结合实施例对本发明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它实施例，都属于本发明保护的范围。
本实施例一种临床决策模型的重抽样检测方法具体可以包括：
步骤S101，根据患者个人信息和病情信息，获取医生的用药方案和就诊医生信息，记录医生的变动频率。
在患者授权同意下，获取患者个人信息，所述个人信息包括患者的姓名、年龄、性别、身高、体重和联系方式。获取病情信息，确定患者目前所处的病情状态，所述病情信息包括疾病诊断、病情描述和就诊记录。根据所述就诊记录，获取医生的用药方案和就诊医生信息，所述用药方案包括用药种类、用药剂量、用药频率和用药时间，所述就诊医生信息包括就诊医生姓名和就诊时间。通过对比所述就诊医生信息，判断患者是否针对相同病情状态换过医生，记录医生的变动次数和变动频率。例如，在患者授权同意下，获取患者个人信息时，可以得到患者的姓名为张三，年龄为30岁，性别为男，身高为175cm，体重为70kg，联系方式为手机号码13812345678。获取病情信息时，可以得到患者的疾病诊断为高血压，病情描述为血压经常超过正常范围，就诊记录为在2019年1月1日、2019年2月15日和2019年3月20日三次就诊。根据就诊记录，可以得到医生的用药方案和就诊医生信息。第一次就诊医生姓名为李四医生，用药种类为降压药A，用药剂量为10mg，用药频率为每天一次，用药时间为早餐后。第二次就诊医生姓名为王五医生，用药种类为降压药B，用药剂量为20mg，用药频率为每天两次，用药时间为早餐和晚餐后。第三次就诊医生姓名为李四医生，用药种类为降压药A，用药剂量为10mg，用药频率为每天一次，用药时间为早餐后。通过对比就诊医生信息，可以发现患者针对相同病情状态换过医生一次，因为第一次就诊医生和第三次就诊医生是同一个医生，而第二次就诊医生是另外一个医生。
步骤S102，若患者因为预约不上或医院安排导致医生无法跟进病患而变动，根据电子健康记录系统，判断不同医生的用药内容和症状描述准确性。
具体的，通过电子健康记录系统，例如获取医生的用药记录和症状描述数据。使用条件随机场序列标注算法对用药记录和症状描述进行文本分析，例如对用药记录进行匹配，检查是否包含药物名称、剂量、频率和用药途径信息。有100个用药记录，其中有10个记录缺失或错误，那么准确率为90％。对症状描述进行匹配，检查是否包含症状的出现时间、持续时间、程度和伴随症状信息。有50个症状描述，其中有5个描述缺失或错误，那么准确率为90％。比对患者的用药信息和用药指示，判断用药记录的完整性。患者应该用药5次，但只记录了4次，那么完整性为80％。比对患者的所有症状信息和重要症状描述，判断症状描述的完整性。患者应该有10个症状，但只记录了8个，那么完整性为80％。根据判断结果生成准确性和完整性评估报告。医生的用药内容准确无误的评估报告为90％，症状描述准确无误的评估报告为90％。通过电子健康记录系统，例如获取医生的用药记录和症状描述数据。使用条件随机场序列标注算法对用药记录和症状描述进行文本分析，例如对用药记录进行匹配，检查是否包含药物名称、剂量、频率和用药途径信息。有100个用药记录，其中有10个记录缺失或错误，那么准确率为90％。对症状描述进行匹配，检查是否包含症状的出现时间、持续时间、程度和伴随症状信息。有50个症状描述，其中有5个描述缺失或错误，那么准确率为90％。比对患者的用药信息和用药指示，判断用药记录的完整性。患者应该用药5次，但只记录了4次，那么完整性为80％。比对患者的所有症状信息和重要症状描述，判断症状描述的完整性。患者应该有10个症状，但只记录了8个，那么完整性为80％。根据判断结果生成准确性和完整性评估报告。医生的用药内容准确无误的评估报告为90％，症状描述准确无误的评估报告为90％。
步骤S103，根据就医过程中医生变动的频率，判断是否存在医生用药分歧，若存在，对于用药种类分歧，判断与患者最匹配的药物。
当监测到就医过程中医生频率的变动，获取所述医生的用药方案，对比不同医生之间用药方案的差异，判断是否存在用药分歧。若存在医生用药分歧，对于用药种类分歧，获取所述存在用药分歧的药物属性数据，所述存在用药分歧的药物属性数据包括成分、相互作用、适应症、副作用和禁忌症数据。对比所述存在用药分歧的药物属性数据，判断与患者最匹配的药物，所述判断与患者最匹配的药物包括，根据药物的的成分，确定不同药物的作用机制，判断与患者最匹配的药物；根据药物的相互作用，确定药物间的相互增效、相互拮抗或相互影响的效应，判断与患者最匹配的药物；根据药物的适应症，确定药物适用的疾病或症状，判断与患者最匹配的药物；根据药物的副作用，确定使用药物产生的不良反应，判断与患者最匹配的药物；根据药物的禁忌症，明确禁止使用该药物的患者或情况，判断与患者最匹配的药物。结合所述存在用药分歧的药物属性数据和患者特殊情况数据，使用决策树算法，判断与患者最匹配的药物，所述患者特殊情况包括药物过敏、孕妇或哺乳期妇女、儿童或老年人、肝功能或肾功能损害和患者的其他疾病或病史。例如，有两位医生对患者的用药方案存在分歧。医生A建议患者使用药物X，而医生B建议患者使用药物Y。接下来，将比较药物X和药物Y的药物属性数据，并根据患者的特殊情况使用决策树算法判断与患者最匹配的药物。药物X的主要成分是A，药物Y的主要成分是B。根据研究表明，成分A具有更好的治疗效果和安全性。因此，在成分方面，药物X可能更适合患者。药物X与患者同时使用的其他药物没有明显的相互作用，而药物Y可能与患者正在使用的药物C产生不良相互作用。在相互作用方面，药物X可能更适合患者。药物X适用于患者的疾病或症状，而药物Y适应症不够明确或不适用于患者。在适应症方面，药物X可能更适合患者。药物X可能引起轻微的头痛和恶心作为副作用，而药物Y可能引起严重的皮疹和胃痛作为副作用。由于患者的特殊情况，药物X的副作用相对较轻，可能更适合患者。根据患者的病史和其他情况，药物Y可能存在禁忌症，而药物X没有禁忌症。在禁忌症方面，药物X可能更适合患者。综合考虑上述药物属性数据和患者的特殊情况，可以使用决策树算法来判断与患者最匹配的药物。通过对患者的药物过敏情况、是否为孕妇或哺乳期妇女、是否为儿童或老年人、肝功能或肾功能损害以及其他疾病或病史进行评估和分析，可以确定最合适的用药方案。如果患者是一位孕妇，决策树算法可能会考虑到药物X在孕妇中的安全性更高，因此推荐使用药物X。
结合所述用药分歧的药物属性数据和患者特殊情况数据，使用决策树算法，判断与患者最匹配的药物。
在患者授权同意下，获取患者特殊情况属性，并将所述患者特殊情况数据作为决策树的根节点，所述患者特殊情况数据包括药物过敏、孕妇或哺乳期妇女、儿童或老年人、肝功能或肾功能损害。对于每个所述患者特殊情况数据，根据所述患者特殊情况数据的取值的是或否，判断是否继续构建决策树的内部节点。如果所述患者特殊情况数据的取值为是，则进一步构建决策树的内部节点；如果所述患者特殊情况数据的取值为否，则将该节点定义为叶节点，并确定最适合患者的药物。在每个内部节点，获取所述存在用药分歧的药物属性数据，并将所述存在用药分歧的药物属性数据作为判断条件，所述存在用药分歧的药物属性数据包括成分、相互作用、适应症、副作用和禁忌症数据。对于每个药物属性，根据所述存在用药分歧的药物属性数据的取值的高、中或低程度，判断是否继续构建决策树的内部节点。如果所述存在用药分歧的药物属性数据的取值大于或等于两个，根据所述存在用药分歧的药物属性数据取值的不同构建不同的子节点。在叶节点，根据药物属性数据，确定最适合患者的药物。根据决策树的构建过程，得到一个完整的决策树模型，使用该模型来判断与患者最匹配的药物。例如，在患者授权同意下获取患者信息，有一个患者特殊情况属性为药物过敏、孕妇或哺乳期妇女、儿童或老年人、肝功能或肾功能损害。对于每个属性，可以将其取值设为是或否。该患者的特殊情况属性为，药物过敏为是、孕妇或哺乳期妇女为否、儿童或老年人为是、肝功能或肾功能损害为是。根据该患者的特殊情况属性，可以构建决策树的根节点，并进一步构建内部节点。在根节点上，可以判断药物过敏属性的取值。因为该患者的药物过敏属性取值为是，需要进一步构建决策树的内部节点。在药物过敏内部节点上，可以获取存在用药分歧的药物属性数据，包括成分、相互作用、适应症、副作用和禁忌症数据。对于每个药物属性，可以根据其取值的高、中或低程度来判断是否继续构建决策树的内部节点。以药物的适应症属性为判断条件，而存在用药分歧的药物属性数据中有三个不同取值，药物A为高、药物B为中、药物C为低。根据这些药物属性数据的取值不同，可以构建不同的子节点。如果适应症属性为高，可以构建一个子节点，该节点继续判断其他药物属性数据。如果适应症属性为中或低，可以分别构建另外两个子节点。最终，在叶节点上，可以根据药物属性数据确定最适合患者的药物。通过以上的决策树构建过程，可以得到一个完整的决策树模型，该模型可以用来判断最匹配患者需求的药物。
步骤S104，根据所述患者个人信息、病情信息和用药方案，预测所述存在用药分歧的药物是否存在过度用药风险。
在患者授权同意下，获取所述患者个人信息、病情信息和用药方案，对所述患者个人信息、病情信息和用药方案进行预处理，包括数据清洗、缺失值处理。从所述患者个人信息、病情信息和用药方案中提取特征，包括年龄、性别、身高、体重、疾病诊断、病情描述、就诊历史、用药种类、用药剂量、用药频率和用药时间。对连续型特征进行标准化或归一化处理，包括年龄、身高、体重、用药种类、用药剂量、用药频率和用药时间；对离散型特征进行独热编码或使用嵌入方式进行编码，包括性别、疾病诊断、病情描述和就诊历史。将数据集划分为训练集和测试集，使用梯度提升树算法进行过度用药风险预测模型训练，并调整梯度提升树算法的超参数，包括学习率、树的数量和最大深度。在测试集上对所述过度用药风险预测模型进行评估，计算预测准确率、召回率、精确率和F1分数指标。根据模型的预测结果绘制ROC曲线，并根据ROC曲线计算AUC值，评估所述过度用药风险预测模型的性能。使用SHAP工具对所述过度用药风险预测模型进行解释，确定影响预测结果的因素。使用训练好的所述过度用药风险预测模型，将新的年龄、性别、身高、体重、疾病诊断、病情描述、就诊历史、用药种类、用药剂量、用药频率和用药时间作为输入，进行预测。根据所述过度用药风险预测模型预测结果，判断所述存在用药分歧的药物是否存在过度用药风险。例如，在患者授权同意下获取患者信息，患者个人信息中的年龄为45岁，性别为女性，身高为165cm，体重为65kg。病情信息中的疾病诊断为高血压，病情描述为血压持续升高，就诊历史为在过去一年内曾3次就诊过高血压。用药方案中的用药种类为降压药，用药剂量为每天1片，用药频率为每天1次，用药时间为早餐后。针对这些信息，进行数据预处理时，可能需要进行数据清洗和处理缺失值。如果患者的身高和体重信息缺失，则可以使用平均值填充缺失值。如果病情描述和就诊历史信息缺失，则可以将缺失值标记为未知。如果用药方案中的用药种类、用药剂量、用药频率和用药时间缺失，则可能需要进一步了解患者的具体情况，或者咨询医生来获取这些信息。在提取特征时，可以将年龄、身高、体重、用药种类、用药剂量、用药频率和用药时间作为连续型特征，进行标准化处理。将年龄、身高和体重使用z-score标准化，将用药剂量和用药频率使用min-max归一化处理。性别、疾病诊断、病情描述和就诊历史可以使用独热编码或嵌入方式进行编码。将数据集划分为训练集和测试集后，可以使用梯度提升树算法进行过度用药风险预测模型的训练。在训练过程中，可以调整梯度提升树算法的超参数，如学习率、树的数量和最大深度，以获得更好的预测性能。在测试集上对过度用药风险预测模型进行评估时，可以计算预测准确率、召回率、精确率和F1分数指标，以评估模型的性能。预测结果中有100个样本，其中75个样本被正确预测为过度用药风险，20个样本被错误地预测为过度用药风险，5个样本被错误地预测为非过度用药风险。则预测准确率为(75+5)/100＝0.8，召回率为75/(75+20)＝0.79，精确率为75/(75+5)＝0.94，F1分数为2*(0.79*0.94)/(0.79+0.94)＝0.86。根据模型的预测结果绘制ROC曲线，并根据ROC曲线计算AUC值，可以进一步评估过度用药风险预测模型的性能。ROC曲线下方的面积为85，表示模型的性能较好。使用SHAP工具对过度用药风险预测模型进行解释时，可以确定影响预测结果的因素。通过SHAP值分析，可以得出年龄、用药剂量和疾病诊断对预测结果的影响较大，而性别和身高对预测结果的影响较小。最后，使用训练好的过度用药风险预测模型，将新的年龄、性别、身高、体重、疾病诊断、病情描述、就诊历史、用药种类、用药剂量、用药频率和用药时间作为输入，进行预测。根据模型的预测结果，可以判断所述存在用药分歧的药物是否存在过度用药风险。
步骤S105，若判断存在过度用药风险，通过生物标记物抽样检测，确认药物在体内的浓度和反应，并调整检测频率、用药剂量或用药间隔。
根据药物的特性，选择生物标记物监测药物在体内的浓度和反应，所述生物标记物包括药物代谢产物、血清中的药物浓度或患者的生理指标。获取通过HPLC对血液或尿液样本进行采集和化验得到的数据，获取生物标记物样本中药物的浓度信息，计算患者的药物代谢速率，再次判断是否存在过度用药风险。若判断存在过度用药过度风险，选择增加检测频率。如果药物浓度过高或反应异常，选择减少剂量、延长给药间隔或寻找替代治疗方案。如果药物浓度过低或反应不足，选择增加剂量或缩短给药间隔。例如，某患者正在接受一种抗癫痫药物治疗。为了监测药物在体内的浓度和反应，可以选择血清中的药物浓度作为生物标记物。通过HPLC技术对患者的血液样本进行采集和化验，可以获得药物在血清中的浓度数据。检测结果显示药物浓度为10μg/mL。根据药物的代谢特性，该药物的半衰期为8小时。根据这些信息，可以计算患者的药物代谢速率。药物代谢速率可以通过计算药物的消除速率来获得。药物的消除速率为1μg/mL/h。则患者的药物代谢速率为1μg/mL/h。根据药物的治疗参考范围，正常治疗范围的下限为5μg/mL。根据以上计算，患者的药物浓度处于正常范围内。然而，如果药物浓度过高，可能存在过度用药的风险。在这种情况下，可以选择增加检测频率，每周进行血药浓度监测，以确保药物在适当的水平。另一方面，如果药物浓度过低，可能存在药物反应不足的风险。在这种情况下，可以选择增加剂量或缩短给药间隔，增加药物剂量至15μg/mL或将给药间隔缩短为6小时，以增加药物效果。
获取通过HPLC对血液或尿液样本进行采集和化验得到的数据，获取生物标记物样本中药物的浓度信息，计算患者的药物代谢速率，再次判断是否存在过度用药风险。
根据患者血液或尿液样本，采集药物的浓度信息。通过HPLC技术对样本进行化验，确定药物在生物标记物样本中的浓度变化。获取药物的半衰期值，根据药物的浓度变化和半衰期值，计算出药物的消除速率。根据药物的消除速率、药物的清除率和药代动力学参数，确定药物的代谢速率。判断药物的Cmax是否过高，导致药物过度积累的风险。判断药物的T1/2是否过长，导致药物在体内滞留时间过长。判断药物的CL是否过低，导致药物在体内积累。例如，某药物在患者体内的半衰期为4小时，通过HPLC技术对患者血液样本进行化验得到药物的浓度变化。根据半衰期值，可以计算药物的消除速率。以药物浓度从10mg/mL到5mg/mL的时间1小时为基准，可以得到消除速率为1mg/mL/h。进一步根据药物的消除速率、药物的清除率和药代动力学参数，可以确定药物的代谢速率。药物的清除率为2L/h/kg，患者体重为70kg。根据公式代谢速率＝清除率×体重，可以计算出药物的代谢速率为14L/h。接下来，可以评估药物的Cmax是否过高，导致药物过度积累的风险。药物在血液中的Cmax为15mg/mL，而治疗需要的有效药物浓度范围为2-10mg/mL。根据Cmax值，可以判断药物的浓度过高，可能会导致药物过度积累，增加药物的不良反应风险。同时，也可以评估药物的T1/2是否过长，导致药物在体内滞留时间过长。药物的T1/2为6小时，可以判断药物的滞留时间较长，可能需要调整给药方案或剂量。最后，还可以评估药物的CL是否过低，导致药物在体内积累。CL指的是单位时间内从体内排除药物的能力。药物的CL为10L/h，与代谢速率14L/h相比较低，可以判断药物的清除能力较差，可能会使药物在体内积累。
步骤S106，对用药风险进行归档记录，当判断出医生用药描述不完整时，生成补充性患者描述和用药细节内容的记录，完善电子健康记录系统的内容。
具体的，在患者授权同意下，假如获取了患者个体耐药性数据和用药方案数据。例如，根据医生开具的药物和用药风险，录入了患者描述和记录。根据患者的个人信息、病史、用药历史和过敏史，进行了用药风险评估，确定医生用药描述不完整之处。采用大模型CHATGLM补充患者描述，补充了症状、疾病发展和用药效果方面的描述。生成用药细节内容，药物的名称、剂量、频率和用法信息。提醒医生验证生成的信息，验证通过后，将补充性患者描述和用药细节内容记录到电子健康记录系统中。根据患者个体耐药性数据，发现患者对某种抗生素的耐药性较高，需要调整用药方案。患者描述了持续发热、咳嗽和咳痰的症状，且疾病发展速度较快，通过CHATGLM模型补充了症状的细节描述，例如发热持续时间为3天，咳嗽伴有黄痰等。根据医生的建议，生成了用药细节内容，给予抗生素A，剂量为每日500mg，频率为每6小时一次，口服。记录了补充性患者描述和用药细节内容，并通知医生进行验证。电子健康记录系统检测到患者描述中缺少疼痛程度的细节描述，系统向医生发送了提示消息，提醒其完善用药描述。医生根据提示消息重新评估用药方案，并完善了疼痛程度的描述，为轻度疼痛，持续时间为2小时。重新评估后的用药方案和完善后的用药描述被记录到电子健康记录系统中。在患者授权同意下，假如获取了患者个体耐药性数据和用药方案数据。例如，根据医生开具的药物和用药风险，录入了患者描述和记录。根据患者的个人信息、病史、用药历史和过敏史，进行了用药风险评估，确定医生用药描述不完整之处。采用大模型CHATGLM补充患者描述，补充了症状、疾病发展和用药效果方面的描述。生成用药细节内容，药物的名称、剂量、频率和用法信息。提醒医生验证生成的信息，验证通过后，将补充性患者描述和用药细节内容记录到电子健康记录系统中。根据患者个体耐药性数据，发现患者对某种抗生素的耐药性较高，需要调整用药方案。患者描述了持续发热、咳嗽和咳痰的症状，且疾病发展速度较快，通过CHATGLM模型补充了症状的细节描述，例如发热持续时间为3天，咳嗽伴有黄痰等。根据医生的建议，生成了用药细节内容，给予抗生素A，剂量为每日500mg，频率为每6小时一次，口服。记录了补充性患者描述和用药细节内容，并通知医生进行验证。电子健康记录系统检测到患者描述中缺少疼痛程度的细节描述，系统向医生发送了提示消息，提醒其完善用药描述。医生根据提示消息重新评估用药方案，并完善了疼痛程度的描述，为轻度疼痛，持续时间为2小时。重新评估后的用药方案和完善后的用药描述被记录到电子健康记录系统中。
步骤S107，根据判断与患者最匹配的药物和过度用药的风险预测，自动生成用药报告，进一步生成实时的医生用药预警信号，推荐给医生进行用药替换。
根据判断与患者最匹配的药物和过度用药的风险预测，自动生成用药报告。根据用药报告中的风险信息，生成实时的医生用药预警信号，包括替代药物或调整用药方案。根据预警信号中的内容，推荐替代药物或调整用药方案，包括提供替代药物或调整用药方案的内容和执行方式。例如，某个患者正在使用一种药物来治疗高血压，该药物的剂量为每天服用1片。可以获取以下属性，个人信息为，患者的年龄为60岁，性别为男性。用药信息为，患者每天服用1片药物，已经持续服用了3个月。药物相互作用为，该药物可能与患者正在使用的降压药产生相互作用。健康指标为，患者的血压指标为140/90mmHg。副作用风险评估为，根据药物说明书和患者的个人情况，评估该药物可能引起的副作用风险。根据患者的个人信息和健康指标，可以计算患者的年龄、性别和血压的数值，60岁、男性、140/90mmHg。
根据药物相互作用和副作用风险评估，可以评估该药物与其他药物的相互作用风险以及患者可能面临的副作用风险，例如与降压药相互作用的风险评估为中等，副作用风险评估为低。根据评估结果，可以分析患者使用该药物可能面临的风险，可能导致血压下降过快或出现低血压的风险。根据患者的用药信息和健康指标，可以统计该药物的使用情况和健康指标的变化趋势，每天平均服药量为1片，血压指标在过去3个月中平均下降了10mmHg。如果预警信号被触发，可以根据信号内容推荐替代药物或调整用药方案。同时，还可以推荐使用ACE抑制剂作为替代药物，建议患者在减少药物剂量前先咨询医生的意见。
以上实施例仅用以说明本发明的技术方案而非限定，仅仅参照较佳实施例对本发明进行了详细说明。本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种临床决策模型的重抽样检测方法，其特征在于，所述方法包括：
根据患者个人信息和病情信息，获取医生的用药方案和就诊医生信息，记录医生的变动频率；若患者因为预约不上或医院安排导致医生无法跟进病患而变动，根据电子健康记录系统，判断不同医生的用药内容和症状描述准确性；根据就医过程中医生变动的频率，判断是否存在医生用药分歧，若存在，对于用药种类分歧，判断与患者最匹配的药物；根据所述患者个人信息、病情信息和用药方案，预测所述存在用药分歧的药物是否存在过度用药风险；若判断存在过度用药风险，通过生物标记物抽样检测，确认药物在体内的浓度和反应，并调整检测频率、用药剂量或用药间隔；对用药风险进行归档记录，当判断出医生用药描述不完整时，生成补充性患者描述和用药细节内容的记录，完善电子健康记录系统的内容；根据判断与患者最匹配的药物和过度用药的风险预测，自动生成用药报告，进一步生成实时的医生用药预警信号，推荐给医生进行用药替换。
2.根据权利要求1所述的方法，其中，所述根据患者个人信息和病情信息，获取医生的用药方案和就诊医生信息，记录医生的变动频率，包括：
在患者授权同意下，获取患者个人信息，所述个人信息包括患者的姓名、年龄、性别、身高、体重和联系方式；通过病情信息收集，确定患者目前的病情状态，所述病情信息包括疾病诊断、病情描述和就诊记录；获取根据所述就诊记录提取出的医生用药方案和就诊医生信息，所述用药方案包括用药种类、剂量、频率和用药时间，所述就诊医生信息包括就诊医生姓名和就诊时间；通过分析医生信息变动，得到医生的变动频率。
3.根据权利要求1所述的方法，其中，所述若患者因为预约不上或医院安排导致医生无法跟进病患而变动，根据电子健康记录系统，判断不同医生的用药内容和症状描述准确性，包括：
利用电子健康记录系统获取医生的用药记录和症状描述；采用条件随机场序列标注算法对所述用药记录和症状描述进行文本分析，确定所述用药记录中是否包含药物名称、剂量、频率和用药途径信息，以及所述症状描述是否包含症状的出现时间、持续时间、程度和伴随症状信息；通过对记录和描述进行匹配检查，判断所述用药记录和症状描述的准确性和完整性；得到准确性和完整性评估报告。
4.根据权利要求1所述的方法，其中，所述根据就医过程中医生变动的频率，判断是否存在医生用药分歧，若存在，对于用药种类分歧，判断与患者最匹配的药物，包括：
通过监测医生变动频率，确定医生是否存在用药方案上的分歧；获取存在分歧的药物属性数据，所述药物属性数据包括成分、相互作用、适应症、副作用和禁忌症数据；对所述药物属性数据进行对比分析，以判断与患者病情最匹配的药物；还包括：结合所述用药分歧的药物属性数据和患者特殊情况数据，使用决策树算法，判断与患者最匹配的药物；
所述结合所述用药分歧的药物属性数据和患者特殊情况数据，使用决策树算法，判断与患者最匹配的药物，具体包括：在患者授权同意下，获取患者特殊情况属性，并将所述患者特殊情况数据作为决策树的根节点，所述患者特殊情况数据包括药物过敏、孕妇或哺乳期妇女、儿童或老年人、肝功能或肾功能损害；对于每个所述患者特殊情况数据，根据所述患者特殊情况数据的取值的是或否，判断是否继续构建决策树的内部节点；如果所述患者特殊情况数据的取值为是，则进一步构建决策树的内部节点；如果所述患者特殊情况数据的取值为否，则将该节点定义为叶节点，并确定最适合患者的药物；在每个内部节点，获取所述存在用药分歧的药物属性数据，并将所述存在用药分歧的药物属性数据作为判断条件，所述存在用药分歧的药物属性数据包括成分、相互作用、适应症、副作用和禁忌症数据；对于每个药物属性，根据所述存在用药分歧的药物属性数据的取值的高、中或低程度，判断是否继续构建决策树的内部节点；如果所述存在用药分歧的药物属性数据的取值大于或等于两个，根据所述存在用药分歧的药物属性数据取值的不同构建不同的子节点；在叶节点，根据药物属性数据，确定最适合患者的药物；根据决策树的构建过程，得到一个完整的决策树模型，使用该模型来判断与患者最匹配的药物。
5.根据权利要求1所述的方法，其中，所述根据所述患者个人信息、病情信息和用药方案，预测所述存在用药分歧的药物是否存在过度用药风险，包括：
通过患者授权，获取所述患者个人信息、病情信息和用药方案；对所获取的信息和方案进行预处理，得到经过数据清洗和缺失值处理后的数据集；从所述数据集中提取包括年龄、性别、身高、体重特征，并对连续型特征进行标准化或归一化处理，对离散型特征进行编码，以形成可供模型训练的特征集；采用梯度提升树算法对所述特征集进行学习，得到过度用药风险预测模型，并通过调整学习率、树的数量和最大深度等超参数来优化所述模型；通过在测试集上对所述模型进行评估，得到准确率、召回率、精确率和F1分数等评估指标，并据此绘制ROC曲线，确定所述模型的预测性能；使用SHAP工具对所述模型的预测结果进行解释，以确定影响过度用药风险预测的关键因素，将新的患者数据输入所述模型，得到该患者的用药风险预测结果。
6.根据权利要求1所述的方法，其中，所述若判断存在过度用药风险，通过生物标记物抽样检测，确认药物在体内的浓度和反应，并调整检测频率、用药剂量或用药间隔，包括：
根据药物特性，选择生物标记物以监测药物在体内的浓度和反应；获取通过HPLC技术对血液或尿液样本进行采集和化验的数据，得到所述生物标记物样本中的药物浓度信息；通过所得数据计算患者的药物代谢速率，并据此判断患者是否存在过度用药风险；若确定存在过度用药风险，则根据药物代谢数据调整检测频率、用药剂量或用药间隔，得到优化后的治疗方案；若所述药物浓度过高或反应异常，则减少剂量和延长给药间隔，或结合替代治疗方案；若所述药物浓度过低或反应不足，则增加剂量或缩短给药间隔，以确保治疗效果；还包括：获取通过HPLC对血液或尿液样本进行采集和化验得到的数据，获取生物标记物样本中药物的浓度信息，计算患者的药物代谢速率，再次判断是否存在过度用药风险；
所述获取通过HPLC对血液或尿液样本进行采集和化验得到的数据，获取生物标记物样本中药物的浓度信息，计算患者的药物代谢速率，再次判断是否存在过度用药风险，具体包括：根据患者血液或尿液样本，采集药物的浓度信息；通过HPLC技术对样本进行化验，确定药物在生物标记物样本中的浓度变化；获取药物的半衰期值，根据药物的浓度变化和半衰期值，计算出药物的消除速率；根据药物的消除速率、药物的清除率和药代动力学参数，确定药物的代谢速率；判断药物的Cmax是否过高，导致药物过度积累的风险；判断药物的T1/2是否过长，导致药物在体内滞留时间过长；判断药物的CL是否过低，导致药物在体内积累。
7.根据权利要求1所述的方法，其中，所述对用药风险进行归档记录，当判断出医生用药描述不完整时，生成补充性患者描述和用药细节内容的记录，完善电子健康记录系统的内容，包括：
在患者授权同意下，获取患者个体耐药性数据和用药方案数据；根据根据医生开具的药物和用药风险，录入患者描述和记录；根据患者的个人信息、病史、用药历史和过敏史，进行用药风险评估，确定医生用药描述不完整之处；采用大模型CHATGLM补充患者描述，包括症状、疾病发展和用药效果方面的描述；生成用药细节内容，包括药物的名称、剂量、频率和用法信息；提醒医生验证生成的信息，验证通过后，将补充性患者描述和用药细节内容记录到电子健康记录系统中；当描述不完整时，通过电子健康记录系统向医生发送提示消息，提醒其进行用药描述的完善；医生根据提示消息重新评估用药方案，并完善用药描述；将重新评估后的用药方案和完善后的用药描述记录到电子健康记录系统中。
8.根据权利要求1所述的方法，其中，所述根据判断与患者最匹配的药物和过度用药的风险预测，自动生成用药报告，进一步生成实时的医生用药预警信号，推荐给医生进行用药替换，包括：
根据判断与患者最匹配的药物和过度用药的风险预测，自动生成用药报告；根据用药报告中的风险信息，生成实时的医生用药预警信号，包括替代药物或调整用药方案；根据预警信号中的内容，推荐替代药物或调整用药方案，包括提供替代药物或调整用药方案的内容和执行方式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311431327.XA CN117423427A (zh) | 2023-10-31 | 2023-10-31 | 一种临床决策模型的重抽样检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311431327.XA CN117423427A (zh) | 2023-10-31 | 2023-10-31 | 一种临床决策模型的重抽样检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117423427A true CN117423427A (zh) | 2024-01-19 |
Family
ID=89532282
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311431327.XA Pending CN117423427A (zh) | 2023-10-31 | 2023-10-31 | 一种临床决策模型的重抽样检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117423427A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117877667A (zh) * | 2024-03-13 | 2024-04-12 | 吉林大学 | 一种基于互联网的医护配药信息管理系统 |
| CN117877667B (zh) * | 2024-03-13 | 2024-06-04 | 吉林大学 | 一种基于互联网的医护配药信息管理系统 |
-
2023
- 2023-10-31 CN CN202311431327.XA patent/CN117423427A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117877667A (zh) * | 2024-03-13 | 2024-04-12 | 吉林大学 | 一种基于互联网的医护配药信息管理系统 |
| CN117877667B (zh) * | 2024-03-13 | 2024-06-04 | 吉林大学 | 一种基于互联网的医护配药信息管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Butler et al. | Validation of the revised Screener and Opioid Assessment for Patients with Pain (SOAPP-R) | |
| Butler et al. | Development and validation of the current opioid misuse measure | |
| Saunders et al. | Development of the alcohol use disorders identification test (AUDIT): WHO collaborative project on early detection of persons with harmful alcohol consumption‐II | |
| Schieffer et al. | Pain medication beliefs and medication misuse in chronic pain | |
| Lejoyeux et al. | Alcohol-use disorders and depression: results from individual patient data meta-analysis of the acamprosate-controlled studies | |
| Beyer et al. | Combined calcium, magnesium and potassium supplementation for the management of primary hypertension in adults | |
| Guénette et al. | Measures of adherence based on self-report exhibited poor agreement with those based on pharmacy records | |
| Van De Steeg et al. | Drug‐adherence questionnaires not valid for patients taking blood‐pressure‐lowering drugs in a primary health care setting | |
| Prisciandaro et al. | Impact of depressive symptoms on future alcohol use in patients with co‐occurring bipolar disorder and alcohol dependence: a prospective analysis in an 8‐week randomized controlled trial of acamprosate | |
| Kennedy et al. | Antipsychotic medication for childhood‐onset schizophrenia | |
| US20230187067A1 (en) | Use of clinical parameters for the prediction of sirs | |
| CN111627516A (zh) | 一种慢性阻塞性肺病患者药物治疗管理系统及方法 | |
| EP3314489A1 (en) | Methods, systems and tools for selecting subjects suffering from neurodegenerative disease | |
| R. Charlier et al. | Association between glycemic control and risk of venous thromboembolism in diabetic patients: a nested case–control study | |
| Ding et al. | The validity of self-reported primary adherence among Medicaid patients discharged from the emergency department with a prescription medication | |
| CN111489822A (zh) | 一种治疗药物监测结果解释系统 | |
| CN117423427A (zh) | 一种临床决策模型的重抽样检测方法 | |
| DK2533768T3 (en) | METHODS FOR NORMALIZATION OF MEASURED oxycodone AND TESTING OF DISAGREEMENT WITH A TREATMENT PLAN | |
| Al-Qerem et al. | Validating a tool to measure quality of life among type 2 diabetics and exploring variables associated with it | |
| US20210158923A1 (en) | Distributed user monitoring system | |
| Poireau et al. | Predictors of abstinence maintenance after cocaine inpatient detoxification: A prospective study | |
| CN104137109B (zh) | 用于人工数据录入系统的结构化测试依从性管理 | |
| Scott | The Role of Dose, Neurocognitive Functioning, and Psychosocial Factors on Medication Adherence in Patients Receiving Opioid Agonist Treatment | |
| Bosworth et al. | Methods for determining medication adherence | |
| Potukuchi | Renal and Cardiovascular Outcomes Associated with Cannabis Use in Veterans with Advanced Chronic Kidney Disease Transitioning to Dialysis |
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 |