CN117438071A - 一种临床药学信息交互控制方法 - Google Patents
一种临床药学信息交互控制方法 Download PDFInfo
- Publication number
- CN117438071A CN117438071A CN202311304369.7A CN202311304369A CN117438071A CN 117438071 A CN117438071 A CN 117438071A CN 202311304369 A CN202311304369 A CN 202311304369A CN 117438071 A CN117438071 A CN 117438071A
- Authority
- CN
- China
- Prior art keywords
- data
- medicine
- clinical
- information
- drug
- 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
- 238000000034 method Methods 0.000 title claims abstract description 76
- 230000003993 interaction Effects 0.000 title claims abstract description 20
- 239000003814 drug Substances 0.000 claims abstract description 360
- 238000005457 optimization Methods 0.000 claims abstract description 100
- 230000011218 segmentation Effects 0.000 claims abstract description 59
- 238000010801 machine learning Methods 0.000 claims abstract description 16
- 230000000694 effects Effects 0.000 claims abstract description 13
- 229940079593 drug Drugs 0.000 claims description 109
- 238000012360 testing method Methods 0.000 claims description 105
- 238000004422 calculation algorithm Methods 0.000 claims description 32
- 230000000857 drug effect Effects 0.000 claims description 26
- 201000010099 disease Diseases 0.000 claims description 25
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 25
- 239000008280 blood Substances 0.000 claims description 21
- 210000004369 blood Anatomy 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 21
- 238000005516 engineering process Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 18
- 238000012544 monitoring process Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 238000003745 diagnosis Methods 0.000 claims description 14
- 238000003058 natural language processing Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000013136 deep learning model Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 11
- 231100000027 toxicology Toxicity 0.000 claims description 11
- 238000004140 cleaning Methods 0.000 claims description 10
- 238000007418 data mining Methods 0.000 claims description 10
- 230000002787 reinforcement Effects 0.000 claims description 10
- 238000011160 research Methods 0.000 claims description 10
- 238000003066 decision tree Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 208000024891 symptom Diseases 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000012217 deletion Methods 0.000 claims description 6
- 230000037430 deletion Effects 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000006467 substitution reaction Methods 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 5
- 230000006399 behavior Effects 0.000 claims description 4
- 239000003795 chemical substances by application Substances 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 238000000546 chi-square test Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000037213 diet Effects 0.000 claims description 3
- 235000005911 diet Nutrition 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 239000013583 drug formulation Substances 0.000 claims description 3
- 230000036541 health Effects 0.000 claims description 3
- 238000010832 independent-sample T-test Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000008506 pathogenesis Effects 0.000 claims description 3
- 230000003449 preventive effect Effects 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims 5
- 238000013473 artificial intelligence Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 229940121657 clinical drug Drugs 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000000586 desensitisation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002547 new drug Substances 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003285 pharmacodynamic effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000009101 premedication Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000007704 transition 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Medicinal Chemistry (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Pharmacology & Pharmacy (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Toxicology (AREA)
- Evolutionary Biology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明属于临床药学信息交互控制技术领域，公开了一种临床药学信息交互控制方法。本发明通过对药物药效进行优化方法能够根据患者的临床检验检查结果，通过机器学习的方法智能预测出实用性更强的药物临床医药药效优化方案，无须根据不同的人群制定相应地预测模型，解决了复杂情况患者的用药问题，实现个体化临床医药药效优化，优化效果好；同时，通过构建药物知识图谱方法根据所述临床医药知识词典分别进行前向词典最大匹配以及后向词典最大匹配，根据匹配结果进行初步分词，将前向最大匹配的分词结果和后向最大匹配的分词结果进行比较；构建的临床医药知识图谱根据专业。
Description
技术领域
本发明属于临床药学信息交互控制技术领域，尤其涉及一种临床药学信息交互控制方法。
背景技术
临床是指直接接触病人，对病人进行实际的观察。如内科学、外科学、妇产科学、儿科学等学科属于临床医学。从医院内部分工来说，则分为临床、医技、行政、工勤等部门。临床科室是医院的主体，它直接担负着对病人的收治、诊断、治疗等任务；临床人员包括直接参与治疗、护理病人的医生、护士；医技科室为临床诊断、治疗直接提供服务。临床药学(Clinical Pharmacy)以提高临床用药质量为目的，以药物与机体相互作用为核心，研究和实践药物临床合理应用方法的综合性应用技术学科；然而，现有临床药学信息交互控制方法对临床医药药效优化效果差；同时，现有临床医药知识图谱缺乏对临床医药行业知识的考虑。
现有技术的两个主要问题是：(1)临床药学信息交互控制方法对临床医药药效优化效果差；(2)现有临床医药知识图谱缺乏对临床医药行业知识的考虑。
对于第一个问题，现有的临床药学信息交互控制方法往往只注重对药物信息的收集和存储，而忽视了药物与机体相互作用的核心要素。因此，这些方法不能有效地提高临床用药质量，也不能实现药物药效的优化。
对于第二个问题，现有的临床医药知识图谱缺乏对临床医药行业知识的考虑。这使得这些知识图谱在提供临床决策支持方面的能力受到了限制。因此，急需解决的技术问题是如何将临床医药行业知识有效地整合到临床医药知识图谱中。
发明内容
针对现有技术存在的问题，本发明提供了一种临床药学信息交互控制方法。
本发明是这样实现的，一种临床药学信息交互控制方法，这种临床药学信息交互控制方法可以通过利用人工智能(AI)和机器学习(ML)技术进行优化。这种智能化的改进方案主要包括以下几个步骤：
步骤一：利用AI进行诊断辅助
AI可以通过分析大量的医学文献和病例数据，辅助医生进行疾病诊断。例如，深度学习模型可以通过学习病例信息的特征，预测患者可能的疾病，以帮助医生做出决定。
步骤二：云存储和数据挖掘
将获取的药物信息数据进行云存储，并利用数据挖掘技术，从大量的药物理化性质、药理、药化、药效、毒理以及临床研究信息数据中提取有价值的信息，为后续的药物优化提供依据。
步骤三：利用机器学习进行药物优化
通过机器学习算法，例如强化学习，可以对现有的药物药效进行优化。强化学习可以通过不断地试验和错误，找到最优化的药物配方和使用方案。
步骤四：构建药物知识图谱
通过自然语言处理(NLP)技术，可以从大量的药物信息数据中提取出关键的信息，构建出药物知识图谱。这种知识图谱可以有效地帮助医生和研究人员理解药物之间的关系，以及药物对疾病的影响。
在处理信号和数据的过程中，可以利用深度学习模型进行特征提取和分类。具体的处理流程可能包括数据预处理(例如，数据清洗和标准化)、特征提取、模型训练和评估等步骤。其中，模型训练和评估是通过使用一部分数据(例如，80％)进行训练，然后使用剩余的数据(例如，20％)进行测试和评估，以验证模型的效果。
进一步，还包括：
步骤一，医生根据患者的症状进行诊断，并生成病例信息，然后根据病例信息使用相应的药物；
步骤二，获取药物理化性质、药理、药化、药效、毒理以及临床研究信息数据；将获取的药物信息数据进行云存储；
步骤三，对药物药效进行优化；并构建药物知识图谱。
进一步，所述对药物药效进行优化方法如下：
(1)建立临床医药药效优化样本数据库，所述临床医药药效优化样本数据库中的每个样本包括药物血药浓度正常时的用药医嘱信息和用药前时间距离最近的检验项数据；
(2)对所述临床医药药效优化样本数据库进行缺失值处理和显著性检验，获得经过预处理的临床医药药效优化样本数据库；
(3)根据所述经过预处理的临床医药药效优化样本数据库，利用XGBoost算法进行监督学习，构建药物临床医药药效优化模型；将待预测的检验项数据输入所述药物临床医药药效优化模型，得到与所述待预测的检验项数据相对应的临床医药药效优化方案；
其中，所述建立临床医药药效优化样本数据库的步骤，具体为：
获取使用血药浓度监测药物的患者临床数据并进行数据清洗；
将经过数据清洗后的所述患者临床数据按时间排序，从中提取第一次用药后血药浓度监测结果为正常的用药医嘱信息及用药前时间距离最近的检验项数据，构成初始方案数据库；
提取药物血药浓度监测次数超过一次且最后一次药物血药浓度监测结果正常的用药医嘱信息及用药前时间距离最近的检验项数据，构成调整方案数据库，其中所述调整方案数据库加入药物血药浓度监测次数变量；
其中，所述对所述临床医药药效优化样本数据库进行缺失值处理和显著性检验，获得经过预处理的临床医药药效优化样本数据库的步骤，具体为：
删除所述临床医药药效优化样本数据库中数据缺失率大于预设阈值的检验项，并对剩余的检验项利用相似病例方法插补缺失的数据；
采用统计学方法从经过缺失数据插补后的所述剩余的检验项中筛选出影响药物临床医药药效的显著变量，获得经过预处理的临床医药药效优化样本数据库。
进一步，所述对剩余的检验项利用相似病例方法插补缺失的数据的步骤，具体为：
对于所述剩余的检验项中每个存在数据缺失的检验项，将所述剩余的检验项所构成的数据集，以该检验项所对应的样本数据是否存在缺失为依据，划分为检验项无数据缺失子集和检验项数据缺失子集；
计算所述检验项数据缺失子集中的每个样本与所述检验项无数据缺失子集中各个样本间的欧氏距离，从所述检验项无数据缺失子集中挑选距离最近的前k个相似样本；
判断该检验项的类型，若该检验项为连续变量，则以每个所述相似样本的欧氏距离的倒数作为权重，对所述k个相似样本进行加权平均，得到缺失值的替代值；或者，若该检验项为分类变量，则采用所述k个相似样本中该检验项对应的所占比重最大的取值作为缺失值的替代值。
进一步，所述采用统计学方法从经过缺失数据插补后的所述剩余的检验项中筛选出影响药物临床医药药效的显著变量的步骤，具体为：
判断经过缺失数据插补后的所述剩余的检验项中各个检验项的类型；
若检验项为连续型变量，将检验项与目标变量进行独立样本t检验，保留与目标变量关系显著的检验项；或者，
若检验项为分类型变量，将检验项与目标变量进行卡方检验，保留与目标变量关系显著的检验项；
其中，所述目标变量为经过编码的药物血药浓度正常时的用药医嘱信息。进一步，所述根据所述经过预处理的临床医药药效优化样本数据库，利用XGBoost算法进行监督学习，构建药物临床医药药效优化模型的步骤，具体为：
初始化XGBoost算法参数，所述算法参数包括：最大决策树数量、学习率、最大规则层深、决策树生长所需达到的最小增益值和决策树复杂度衡量参数；
基于所述初始方案数据库，利用XGBoost算法筛选影响药物初始临床医药药效的重要变量，并根据所述影响药物初始临床医药药效的重要变量构建初始临床医药药效优化模型；
基于所述调整方案数据库，利用XGBoost算法筛选影响药物调整临床医药药效的重要变量，并根据所述影响药物调整临床医药药效的重要变量构建调整临床医药药效优化模型；
将所述初始临床医药药效优化模型与所述调整临床医药药效优化模型进行组合，生成药物临床医药药效优化模型。
进一步，所述将待预测的检验项数据输入所述药物临床医药药效优化模型，得到与所述待预测的检验项数据相对应的临床医药药效优化方案的步骤，具体为：
将待预测的检验项数据输入所述初始临床医药药效优化模型，获得初始临床医药药效优化方案，将待预测的检验项数据输入所述调整临床医药药效优化模型，获得调整临床医药药效优化方案。
进一步，所述构建药物知识图谱方法如下：
1)获取临床医药的相关临床医药知识信息，并对临床医药信息内容进行解析；完成对解析内容的数据清洗；利用基于词典的切分算法对解析内容进行切分处理；设计临床医药知识图谱实体关系，并进行基于临床医药知识图谱的语义表示；
2)基于注意力机制进行知识图谱网络的构建，并进行基于知识图谱的临床医药问答；将基于知识图谱的临床医药问答过程建模为排序问题，采用逐点训练的方式进行计算，得到问答之间的匹配分数，并根据匹配分数的分布特征进行参数精调，实现少样本下的知识图谱训练。
进一步，所述对临床医药信息内容进行解析，包括：
解析出疾病的基本信息、发病原因、预防措施、检查项目、治疗信息、饮食保健信息和用药信息；
其中，单条数据的存储格式为:{‘url’:‘data’,‘basic_info’:‘data’,‘cause_info’:‘data’,‘prevent_info’:‘data’,‘symptom_info’:‘data’,‘inspect_info’:‘data’‘treat_info’:‘data’,‘food_info’:‘data’,‘drug_info’:‘data’}；
将所有的疾病名称和网站中医生评论模块中评论者姓名单独抓取存储为文本格式。
进一步，所述对所解析内容进行数据清洗，包括：
通过设置停用词表来过滤“症状信息”中包含的错误信息，停用词表的设置采用数据抓取阶段保存的网站医生评论区医生姓名信息、基本字母表“a-z”和数字表“0-9”共同构成停用词表；
对于原始信息中“检查信息”中只保存了二级页面的url和页面的html文本内容，通过调用Python的Parse软件包重新解析html内容，从html中解析出“检查名称”和“检查描述”信息以{‘name’:‘data’,‘desc’:‘data’}的格式更新数据库相关信息。
进一步，所述基于词典的切分算法的流程为：
根据所述临床医药知识词典分别进行前向词典最大匹配以及后向词典最大匹配，根据匹配结果进行初步分词；
将前向最大匹配的分词结果和后向最大匹配的分词结果进行比较，采用启发式规则，若正反向分词结果词数不同，那么取分词数量少的分词结果作为最终结果；若分词结果数相同，说明正反向分词结果没有歧义，返回任意分词结果。
结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：
第一、本发明通过对药物药效进行优化方法能够根据患者的临床检验检查结果，通过机器学习的方法智能预测出实用性更强的药物临床医药药效优化方案，无须根据不同的人群制定相应地预测模型，解决了复杂情况患者的用药问题，实现个体化临床医药药效优化，优化效果好；同时，通过构建药物知识图谱方法根据所述临床医药知识词典分别进行前向词典最大匹配以及后向词典最大匹配，根据匹配结果进行初步分词，将前向最大匹配的分词结果和后向最大匹配的分词结果进行比较，采用启发式规则返回字数较少的分词结果，通过对分词结果进行分析，本发明构建7种知识图谱实体类型以及7种知识图谱属性类型以完成临床医药知识图谱实体关系的设计；构建的临床医药知识图谱根据专业。
第二，本发明通过对药物药效进行优化方法能够根据患者的临床检验检查结果，通过机器学习的方法智能预测出实用性更强的药物临床医药药效优化方案，无须根据不同的人群制定相应地预测模型，解决了复杂情况患者的用药问题，实现个体化临床医药药效优化，优化效果好；同时，通过构建药物知识图谱方法根据所述临床医药知识词典分别进行前向词典最大匹配以及后向词典最大匹配，根据匹配结果进行初步分词，将前向最大匹配的分词结果和后向最大匹配的分词结果进行比较，采用启发式规则返回字数较少的分词结果，通过对分词结果进行分析，本发明构建7种知识图谱实体类型以及7种知识图谱属性类型以完成临床医药知识图谱实体关系的设计；构建的临床医药知识图谱根据专业。
第三，本发明使用深度学习模型进行诊断辅助可以显著提高诊断的准确性和效率。通过机器学习的方法，可以从大量的病例数据中发现复杂的模式和关系，这是通过人工方式难以实现的。
通过自动化的方式进行初步诊断，可以减轻医生的工作负担，让他们有更多的时间专注于复杂病例的处理和患者的护理。
通过自然语言处理技术提取药物信息，可以自动化地从大量的数据中获取关键信息，大大提高了信息提取的效率和准确性。
药物知识图谱可以直观地展示药物之间的关系和药物对疾病的影响，使得医生和研究人员可以更快地获取信息，更好地理解药物的作用机理。
通过知识图谱，可以发现新的药物组合和治疗方案，有助于推动临床药学的研究和发展。
总的来说，这两个实施例都利用了人工智能和机器学习的技术，显著提高了诊断和药物研究的效率，也提高了医疗服务的质量。同时，这些技术还为未来的医疗研究和服务提供了新的可能性和方向。
附图说明
图1是本发明实施例提供的临床药学信息交互控制方法流程图。
图2是本发明实施例提供的对药物药效进行优化方法流程图。
图3是本发明实施例提供的构建药物知识图谱方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
这种临床药学信息交互控制方法可以通过利用人工智能(AI)和机器学习(ML)技术进行优化。这种智能化的改进方案主要包括以下几个步骤：
步骤一：利用AI进行诊断辅助
AI可以通过分析大量的医学文献和病例数据，辅助医生进行疾病诊断。例如，深度学习模型可以通过学习病例信息的特征，预测患者可能的疾病，以帮助医生做出决定。
步骤二：云存储和数据挖掘
将获取的药物信息数据进行云存储，并利用数据挖掘技术，从大量的药物理化性质、药理、药化、药效、毒理以及临床研究信息数据中提取有价值的信息，为后续的药物优化提供依据。
步骤三：利用机器学习进行药物优化
通过机器学习算法，例如强化学习，可以对现有的药物药效进行优化。强化学习可以通过不断地试验和错误，找到最优化的药物配方和使用方案。
步骤四：构建药物知识图谱
通过自然语言处理(NLP)技术，可以从大量的药物信息数据中提取出关键的信息，构建出药物知识图谱。这种知识图谱可以有效地帮助医生和研究人员理解药物之间的关系，以及药物对疾病的影响。
在处理信号和数据的过程中，可以利用深度学习模型进行特征提取和分类。具体的处理流程可能包括数据预处理(例如，数据清洗和标准化)、特征提取、模型训练和评估等步骤。其中，模型训练和评估是通过使用一部分数据(例如，80％)进行训练，然后使用剩余的数据(例如，20％)进行测试和评估，以验证模型的效果。
如图1所示，本发明提供一种临床药学信息交互控制方法包括以下步骤：
S101，医生根据患者的症状进行诊断，并生成病例信息，然后根据病例信息使用相应的药物；
S102，获取药物理化性质、药理、药化、药效、毒理以及临床研究信息数据；将获取的药物信息数据进行云存储；
S103，对药物药效进行优化；并构建药物知识图谱。
作为本发明的提供的一个优化方案，临床药学信息交互控制方法的智能化改进方案，在步骤一中，利用深度学习模型进行诊断辅助，模型的训练数据包括医学文献和病例数据，预测结果可以为医生提供决策参考。
在步骤二中，采用分布式云存储技术，将药物信息数据进行分布式存储，以提供高并发、低延迟的数据访问；同时利用数据挖掘技术，从药物理化性质、药理、药化、药效、毒理以及临床研究信息数据中提取有价值的信息，为后续的药物优化提供依据。
在步骤三中，通过强化学习算法进行药物优化，该算法可以自动探索药物优化的可能性空间，并通过试错学习找到最优化的药物配方和使用方案，提高药物的疗效和安全性。
在步骤四中，采用自然语言处理技术构建药物知识图谱，可以从大量的药物信息数据中提取出关键的信息，并以图的形式展示药物之间的关系以及药物对疾病的影响，帮助医生和研究人员更好地理解药物知识。
作为本发明的提供的一个优化方案，智能化方案的详细的信号和数据处理过程如下：
在步骤一中，利用深度学习模型进行疾病预测时，首先从医学文献和病例数据中提取特征，然后通过模型进行预测，得到可能的疾病结果。
在步骤二中，采用分布式云存储技术，将药物信息数据进行分布式存储，以提供高并发、低延迟的数据访问；同时利用数据挖掘技术，从药物理化性质、药理、药化、药效、毒理以及临床研究信息数据中提取有价值的信息，为后续的药物优化提供依据。具体过程包括数据预处理、特征提取、模型训练和结果输出等环节。
在步骤三中，通过强化学习算法进行药物优化时，首先定义环境状态、行为和奖励函数，然后通过智能体不断地探索和试错，更新策略参数，最终找到最优化的药物配方和使用方案。具体过程包括环境状态初始化、智能体行为选择、环境状态转移、奖励函数计算、策略参数更新等环节。
在步骤四中，采用自然语言处理技术构建药物知识图谱时，首先从药物信息数据中提取出关键信息，然后构建药物之间的关联关系，形成药物知识图谱。具体过程包括文本预处理、命名实体识别、关系抽取、图谱构建等环节。
如图2所示，本发明提供的对药物药效进行优化方法如下：
S201，建立临床医药药效优化样本数据库，所述临床医药药效优化样本数据库中的每个样本包括药物血药浓度正常时的用药医嘱信息和用药前时间距离最近的检验项数据；
S202，对所述临床医药药效优化样本数据库进行缺失值处理和显著性检验，获得经过预处理的临床医药药效优化样本数据库；
S203，根据所述经过预处理的临床医药药效优化样本数据库，利用XGBoost算法进行监督学习，构建药物临床医药药效优化模型；将待预测的检验项数据输入所述药物临床医药药效优化模型，得到与所述待预测的检验项数据相对应的临床医药药效优化方案；
其中，所述建立临床医药药效优化样本数据库的步骤，具体为：
获取使用血药浓度监测药物的患者临床数据并进行数据清洗；
将经过数据清洗后的所述患者临床数据按时间排序，从中提取第一次用药后血药浓度监测结果为正常的用药医嘱信息及用药前时间距离最近的检验项数据，构成初始方案数据库；
提取药物血药浓度监测次数超过一次且最后一次药物血药浓度监测结果正常的用药医嘱信息及用药前时间距离最近的检验项数据，构成调整方案数据库，其中所述调整方案数据库加入药物血药浓度监测次数变量；
其中，所述对所述临床医药药效优化样本数据库进行缺失值处理和显著性检验，获得经过预处理的临床医药药效优化样本数据库的步骤，具体为：
删除所述临床医药药效优化样本数据库中数据缺失率大于预设阈值的检验项，并对剩余的检验项利用相似病例方法插补缺失的数据；
采用统计学方法从经过缺失数据插补后的所述剩余的检验项中筛选出影响药物临床医药药效的显著变量，获得经过预处理的临床医药药效优化样本数据库。
本发明提供的对剩余的检验项利用相似病例方法插补缺失的数据的步骤，具体为：
对于所述剩余的检验项中每个存在数据缺失的检验项，将所述剩余的检验项所构成的数据集，以该检验项所对应的样本数据是否存在缺失为依据，划分为检验项无数据缺失子集和检验项数据缺失子集；
计算所述检验项数据缺失子集中的每个样本与所述检验项无数据缺失子集中各个样本间的欧氏距离，从所述检验项无数据缺失子集中挑选距离最近的前k个相似样本；
判断该检验项的类型，若该检验项为连续变量，则以每个所述相似样本的欧氏距离的倒数作为权重，对所述k个相似样本进行加权平均，得到缺失值的替代值；或者，若该检验项为分类变量，则采用所述k个相似样本中该检验项对应的所占比重最大的取值作为缺失值的替代值。
本发明提供的采用统计学方法从经过缺失数据插补后的所述剩余的检验项中筛选出影响药物临床医药药效的显著变量的步骤，具体为：
判断经过缺失数据插补后的所述剩余的检验项中各个检验项的类型；
若检验项为连续型变量，将检验项与目标变量进行独立样本t检验，保留与目标变量关系显著的检验项；或者，
若检验项为分类型变量，将检验项与目标变量进行卡方检验，保留与目标变量关系显著的检验项；
其中，所述目标变量为经过编码的药物血药浓度正常时的用药医嘱信息。
本发明提供的根据所述经过预处理的临床医药药效优化样本数据库，利用XGBoost算法进行监督学习，构建药物临床医药药效优化模型的步骤，具体为：
初始化XGBoost算法参数，所述算法参数包括：最大决策树数量、学习率、最大规则层深、决策树生长所需达到的最小增益值和决策树复杂度衡量参数；
基于所述初始方案数据库，利用XGBoost算法筛选影响药物初始临床医药药效的重要变量，并根据所述影响药物初始临床医药药效的重要变量构建初始临床医药药效优化模型；
基于所述调整方案数据库，利用XGBoost算法筛选影响药物调整临床医药药效的重要变量，并根据所述影响药物调整临床医药药效的重要变量构建调整临床医药药效优化模型；
将所述初始临床医药药效优化模型与所述调整临床医药药效优化模型进行组合，生成药物临床医药药效优化模型。
本发明提供的将待预测的检验项数据输入所述药物临床医药药效优化模型，得到与所述待预测的检验项数据相对应的临床医药药效优化方案的步骤，具体为：
将待预测的检验项数据输入所述初始临床医药药效优化模型，获得初始临床医药药效优化方案，将待预测的检验项数据输入所述调整临床医药药效优化模型，获得调整临床医药药效优化方案。
如图3所示，本发明提供的构建药物知识图谱方法如下：
S301，获取临床医药的相关临床医药知识信息，并对临床医药信息内容进行解析；完成对解析内容的数据清洗；利用基于词典的切分算法对解析内容进行切分处理；设计临床医药知识图谱实体关系，并进行基于临床医药知识图谱的语义表示；
S302，基于注意力机制进行知识图谱网络的构建，并进行基于知识图谱的临床医药问答；将基于知识图谱的临床医药问答过程建模为排序问题，采用逐点训练的方式进行计算，得到问答之间的匹配分数，并根据匹配分数的分布特征进行参数精调，实现少样本下的知识图谱训练。
本发明提供的对临床医药信息内容进行解析，包括：
解析出疾病的基本信息、发病原因、预防措施、检查项目、治疗信息、饮食保健信息和用药信息；
其中，单条数据的存储格式为:{‘url’:‘data’,‘basic_info’:‘data’,‘cause_info’:‘data’,‘prevent_info’:‘data’,‘symptom_info’:‘data’,‘inspect_info’:‘data’‘treat_info’:‘data’,‘food_info’:‘data’,‘drug_info’:‘data’}；
将所有的疾病名称和网站中医生评论模块中评论者姓名单独抓取存储为文本格式。
本发明提供的对所解析内容进行数据清洗，包括：
通过设置停用词表来过滤“症状信息”中包含的错误信息，停用词表的设置采用数据抓取阶段保存的网站医生评论区医生姓名信息、基本字母表“a-z”和数字表“0-9”共同构成停用词表；
对于原始信息中“检查信息”中只保存了二级页面的url和页面的html文本内容，通过调用Python的Parse软件包重新解析html内容，从html中解析出“检查名称”和“检查描述”信息以{‘name’:‘data’,‘desc’:‘data’}的格式更新数据库相关信息。
本发明提供的基于词典的切分算法的流程为：
根据所述临床医药知识词典分别进行前向词典最大匹配以及后向词典最大匹配，根据匹配结果进行初步分词；
将前向最大匹配的分词结果和后向最大匹配的分词结果进行比较，采用启发式规则，若正反向分词结果词数不同，那么取分词数量少的分词结果作为最终结果；若分词结果数相同，说明正反向分词结果没有歧义，返回任意分词结果。
本发明通过对药物药效进行优化方法能够根据患者的临床检验检查结果，通过机器学习的方法智能预测出实用性更强的药物临床医药药效优化方案，无须根据不同的人群制定相应地预测模型，解决了复杂情况患者的用药问题，实现个体化临床医药药效优化，优化效果好；同时，通过构建药物知识图谱方法根据所述临床医药知识词典分别进行前向词典最大匹配以及后向词典最大匹配，根据匹配结果进行初步分词，将前向最大匹配的分词结果和后向最大匹配的分词结果进行比较，采用启发式规则返回字数较少的分词结果，通过对分词结果进行分析，本发明构建7种知识图谱实体类型以及7种知识图谱属性类型以完成临床医药知识图谱实体关系的设计；构建的临床医药知识图谱根据专业。
实施例一：利用AI进行诊断辅助
1.利用深度学习模型，例如卷积神经网络(CNN)，训练一个模型来识别患者的症状和病例信息。这可能包括对医学图像(如X光、CT、MRI等)的解析、病历笔记的自然语言处理等。
2.在模型训练完成后，通过输入新的患者症状和病例信息，模型可以生成一份潜在的诊断报告，辅助医生进行决策。
实施例二：构建药物知识图谱
1.利用自然语言处理技术，例如BERT或Transformer模型，从大量的药物信息数据(包括药物理化性质、药理、药化、药效、毒理以及临床研究信息数据)中提取关键信息。
2.使用图数据库(如Neo4j)或专业的知识图谱构建工具，将提取的信息转换为图形表示，包括节点(代表药物或疾病)和边(代表药物和疾病之间的关系)。
3.通过查询知识图谱，医生和研究人员可以快速获取药物之间的关系，以及药物对疾病的可能影响，进而制定更有效的治疗方案。
以上两种实施例都需要一个强大的计算平台，例如云计算平台，来进行大规模的数据处理和模型训练。同时，为了保护患者的隐私，所有的数据都需要进行适当的脱敏和加密处理，以确保数据的安全性。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
本发明通过对药物药效进行优化方法能够根据患者的临床检验检查结果，通过机器学习的方法智能预测出实用性更强的药物临床医药药效优化方案，无须根据不同的人群制定相应地预测模型，解决了复杂情况患者的用药问题，实现个体化临床医药药效优化，优化效果好；同时，通过构建药物知识图谱方法根据所述临床医药知识词典分别进行前向词典最大匹配以及后向词典最大匹配，根据匹配结果进行初步分词，将前向最大匹配的分词结果和后向最大匹配的分词结果进行比较，采用启发式规则返回字数较少的分词结果，通过对分词结果进行分析，本发明构建7种知识图谱实体类型以及7种知识图谱属性类型以完成临床医药知识图谱实体关系的设计；构建的临床医药知识图谱根据专业。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种临床药学信息交互控制方法，其特征在于，包括：
在步骤一中，利用深度学习模型进行诊断辅助，模型的训练数据包括医学文献和病例数据，预测结果可以为医生提供决策参考；
在步骤二中，采用分布式云存储技术，将药物信息数据进行分布式存储，以提供高并发、低延迟的数据访问；同时利用数据挖掘技术，从药物理化性质、药理、药化、药效、毒理以及临床研究信息数据中提取有价值的信息，为后续的药物优化提供依据；
在步骤三中，通过强化学习算法进行药物优化，该算法可以自动探索药物优化的可能性空间，并通过试错学习找到最优化的药物配方和使用方案，提高药物的疗效和安全性；
在步骤四中，采用自然语言处理技术构建药物知识图谱，可以从大量的药物信息数据中提取出关键的信息，并以图的形式展示药物之间的关系以及药物对疾病的影响，帮助医生和研究人员更好地理解药物知识。
2.如权利要求1所述临床药学信息交互控制方法，其特征在于，包括的智能化方案的详细的信号和数据处理过程如下：
在步骤一中，利用深度学习模型进行疾病预测时，首先从医学文献和病例数据中提取特征，然后通过模型进行预测，得到可能的疾病结果；
在步骤二中，采用分布式云存储技术，将药物信息数据进行分布式存储，以提供高并发、低延迟的数据访问；同时利用数据挖掘技术，从药物理化性质、药理、药化、药效、毒理以及临床研究信息数据中提取有价值的信息，为后续的药物优化提供依据；具体过程包括数据预处理、特征提取、模型训练和结果输出环节；
在步骤三中，通过强化学习算法进行药物优化时，首先定义环境状态、行为和奖励函数，然后通过智能体不断地探索和试错，更新策略参数，最终找到最优化的药物配方和使用方案；具体过程包括环境状态初始化、智能体行为选择、环境状态转移、奖励函数计算、策略参数更新环节；
在步骤四中，采用自然语言处理技术构建药物知识图谱时，首先从药物信息数据中提取出关键信息，然后构建药物之间的关联关系，形成药物知识图谱；具体过程包括文本预处理、命名实体识别、关系抽取、图谱构建环节。
3.如权利要求1所述临床药学信息交互控制方法，其特征在于，包括：
步骤一：利用AI进行诊断辅助
AI可以通过分析大量的医学文献和病例数据，辅助医生进行疾病诊断；例如，深度学习模型可以通过学习病例信息的特征，预测患者可能的疾病，以帮助医生做出决定；
步骤二：云存储和数据挖掘
将获取的药物信息数据进行云存储，并利用数据挖掘技术，从大量的药物理化性质、药理、药化、药效、毒理以及临床研究信息数据中提取有价值的信息，为后续的药物优化提供依据；
步骤三：利用机器学习进行药物优化
通过强化学习，可以对现有的药物药效进行优化；强化学习可以通过不断地试验和错误，找到最优化的药物配方和使用方案；
步骤四：构建药物知识图谱
通过自然语言处理技术，可以从大量的药物信息数据中提取出关键的信息，构建出药物知识图谱；这种知识图谱可以有效地帮助医生和研究人员理解药物之间的关系，以及药物对疾病的影响。
4.如权利要求3所述临床药学信息交互控制方法，其特征在于，还包括以下步骤：
步骤一，医生根据患者的症状进行诊断，并生成病例信息，然后根据病例信息使用相应的药物；
步骤二，获取药物理化性质、药理、药化、药效、毒理以及临床研究信息数据；将获取的药物信息数据进行云存储；
步骤三，对药物药效进行优化；并构建药物知识图谱。
5.如权利要求3所述临床药学信息交互控制方法，其特征在于，所述对药物药效进行优化方法如下：
(1)建立临床医药药效优化样本数据库，所述临床医药药效优化样本数据库中的每个样本包括药物血药浓度正常时的用药医嘱信息和用药前时间距离最近的检验项数据；
(2)对所述临床医药药效优化样本数据库进行缺失值处理和显著性检验，获得经过预处理的临床医药药效优化样本数据库；
(3)根据所述经过预处理的临床医药药效优化样本数据库，利用XGBoost算法进行监督学习，构建药物临床医药药效优化模型；将待预测的检验项数据输入所述药物临床医药药效优化模型，得到与所述待预测的检验项数据相对应的临床医药药效优化方案；
其中，所述建立临床医药药效优化样本数据库的步骤，具体为：
获取使用血药浓度监测药物的患者临床数据并进行数据清洗；
将经过数据清洗后的所述患者临床数据按时间排序，从中提取第一次用药后血药浓度监测结果为正常的用药医嘱信息及用药前时间距离最近的检验项数据，构成初始方案数据库；
提取药物血药浓度监测次数超过一次且最后一次药物血药浓度监测结果正常的用药医嘱信息及用药前时间距离最近的检验项数据，构成调整方案数据库，其中所述调整方案数据库加入药物血药浓度监测次数变量；
其中，所述对所述临床医药药效优化样本数据库进行缺失值处理和显著性检验，获得经过预处理的临床医药药效优化样本数据库的步骤，具体为：
删除所述临床医药药效优化样本数据库中数据缺失率大于预设阈值的检验项，并对剩余的检验项利用相似病例方法插补缺失的数据；
采用统计学方法从经过缺失数据插补后的所述剩余的检验项中筛选出影响药物临床医药药效的显著变量，获得经过预处理的临床医药药效优化样本数据库；
所述对剩余的检验项利用相似病例方法插补缺失的数据的步骤，具体为：
对于所述剩余的检验项中每个存在数据缺失的检验项，将所述剩余的检验项所构成的数据集，以该检验项所对应的样本数据是否存在缺失为依据，划分为检验项无数据缺失子集和检验项数据缺失子集；
计算所述检验项数据缺失子集中的每个样本与所述检验项无数据缺失子集中各个样本间的欧氏距离，从所述检验项无数据缺失子集中挑选距离最近的前k个相似样本；
判断该检验项的类型，若该检验项为连续变量，则以每个所述相似样本的欧氏距离的倒数作为权重，对所述k个相似样本进行加权平均，得到缺失值的替代值；或者，若该检验项为分类变量，则采用所述k个相似样本中该检验项对应的所占比重最大的取值作为缺失值的替代值。
6.如权利要求5所述临床药学信息交互控制方法，其特征在于，所述采用统计学方法从经过缺失数据插补后的所述剩余的检验项中筛选出影响药物临床医药药效的显著变量的步骤，具体为：
判断经过缺失数据插补后的所述剩余的检验项中各个检验项的类型；
若检验项为连续型变量，将检验项与目标变量进行独立样本t检验，保留与目标变量关系显著的检验项；或者，
若检验项为分类型变量，将检验项与目标变量进行卡方检验，保留与目标变量关系显著的检验项；其中，所述目标变量为经过编码的药物血药浓度正常时的用药医嘱信息；
所述根据所述经过预处理的临床医药药效优化样本数据库，利用XGBoost算法进行监督学习，构建药物临床医药药效优化模型的步骤，具体为：
初始化XGBoost算法参数，所述算法参数包括：最大决策树数量、学习率、最大规则层深、决策树生长所需达到的最小增益值和决策树复杂度衡量参数；
基于所述初始方案数据库，利用XGBoost算法筛选影响药物初始临床医药药效的重要变量，并根据所述影响药物初始临床医药药效的重要变量构建初始临床医药药效优化模型；
基于所述调整方案数据库，利用XGBoost算法筛选影响药物调整临床医药药效的重要变量，并根据所述影响药物调整临床医药药效的重要变量构建调整临床医药药效优化模型；
将所述初始临床医药药效优化模型与所述调整临床医药药效优化模型进行组合，生成药物临床医药药效优化模型；
所述将待预测的检验项数据输入所述药物临床医药药效优化模型，得到与所述待预测的检验项数据相对应的临床医药药效优化方案的步骤，具体为：将待预测的检验项数据输入所述初始临床医药药效优化模型，获得初始临床医药药效优化方案，将待预测的检验项数据输入所述调整临床医药药效优化模型，获得调整临床医药药效优化方案。
7.如权利要求3所述临床药学信息交互控制方法，其特征在于，所述构建药物知识图谱方法如下：
1)获取临床医药的相关临床医药知识信息，并对临床医药信息内容进行解析；完成对解析内容的数据清洗；利用基于词典的切分算法对解析内容进行切分处理；设计临床医药知识图谱实体关系，并进行基于临床医药知识图谱的语义表示；
2)基于注意力机制进行知识图谱网络的构建，并进行基于知识图谱的临床医药问答；将基于知识图谱的临床医药问答过程建模为排序问题，采用逐点训练的方式进行计算，得到问答之间的匹配分数，并根据匹配分数的分布特征进行参数精调，实现少样本下的知识图谱训练。
8.如权利要求7所述临床药学信息交互控制方法，其特征在于，所述对临床医药信息内容进行解析，包括：
解析出疾病的基本信息、发病原因、预防措施、检查项目、治疗信息、饮食保健信息和用药信息；
其中，单条数据的存储格式为:{‘url’:‘data’,‘basic_info’:‘data’,‘cause_info’:‘data’,‘prevent_info’:‘data’,‘symptom_info’:‘data’,‘inspect_info’:‘data’‘treat_info’:‘data’,‘food_info’:‘data’,‘drug_info’:‘data’}；
将所有的疾病名称和网站中医生评论模块中评论者姓名单独抓取存储为文本格式。
9.如权利要求7所述临床药学信息交互控制方法，其特征在于，所述对所解析内容进行数据清洗，包括：
通过设置停用词表来过滤“症状信息”中包含的错误信息，停用词表的设置采用数据抓取阶段保存的网站医生评论区医生姓名信息、基本字母表“a-z”和数字表“0-9”共同构成停用词表；
对于原始信息中“检查信息”中只保存了二级页面的url和页面的html文本内容，通过调用Python的Parse软件包重新解析html内容，从html中解析出“检查名称”和“检查描述”信息以{‘name’:‘data’,‘desc’:‘data’}的格式更新数据库相关信息。
10.如权利要求7所述临床药学信息交互控制方法，其特征在于，所述基于词典的切分算法的流程为：
根据所述临床医药知识词典分别进行前向词典最大匹配以及后向词典最大匹配，根据匹配结果进行初步分词；
将前向最大匹配的分词结果和后向最大匹配的分词结果进行比较，采用启发式规则，若正反向分词结果词数不同，那么取分词数量少的分词结果作为最终结果；若分词结果数相同，说明正反向分词结果没有歧义，返回任意分词结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311304369.7A CN117438071A (zh) | 2023-10-10 | 2023-10-10 | 一种临床药学信息交互控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311304369.7A CN117438071A (zh) | 2023-10-10 | 2023-10-10 | 一种临床药学信息交互控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117438071A true CN117438071A (zh) | 2024-01-23 |
Family
ID=89554466
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311304369.7A Pending CN117438071A (zh) | 2023-10-10 | 2023-10-10 | 一种临床药学信息交互控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117438071A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118039062A (zh) * | 2024-04-12 | 2024-05-14 | 四川省肿瘤医院 | 一种基于大数据分析的个体化化疗剂量远程控制方法 |
| CN118039070A (zh) * | 2024-04-11 | 2024-05-14 | 四川省肿瘤医院 | 一种用于介入手术的临床护理系统 |
-
2023
- 2023-10-10 CN CN202311304369.7A patent/CN117438071A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118039070A (zh) * | 2024-04-11 | 2024-05-14 | 四川省肿瘤医院 | 一种用于介入手术的临床护理系统 |
| CN118039062A (zh) * | 2024-04-12 | 2024-05-14 | 四川省肿瘤医院 | 一种基于大数据分析的个体化化疗剂量远程控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7008772B2 (ja) | 電子診療レコードからの医学的状態および事実の自動的特定および抽出 | |
| CN113871003B (zh) | 一种基于含因果性医学知识图谱的疾病辅助鉴别诊断系统 | |
| EP3734604A1 (en) | Method and system for supporting medical decision making | |
| Gianfrancesco et al. | Potential biases in machine learning algorithms using electronic health record data | |
| US20200388396A1 (en) | System and method of using machine learning for extraction of symptoms from electronic health records | |
| CN117438071A (zh) | 一种临床药学信息交互控制方法 | |
| JP2023123711A (ja) | 健康情報に基づく予後スコア | |
| Dai et al. | Recognition and Evaluation of Clinical Section Headings in Clinical Documents Using Token‐Based Formulation with Conditional Random Fields | |
| JP2016516231A (ja) | 医療意志決定時の支援としての医療提案のスコアを計算する方法 | |
| Bardak et al. | Improving clinical outcome predictions using convolution over medical entities with multimodal learning | |
| KR101926632B1 (ko) | 규칙 최적화를 통한 임상 병리 검사에 대한 전문가 경험 지식 학습 및 소견 생성 방법 | |
| CN114664463A (zh) | 一种全科医生诊疗辅助系统 | |
| Chu et al. | Knowledge representation and retrieval using conceptual graphs and free text document self-organisation techniques | |
| CN117409919A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
| Pagad et al. | Clinical XLNet-based End-to-End Knowledge Discovery on Clinical Text Data using Natural Language Processing | |
| CN112071431B (zh) | 基于深度学习和知识图谱的临床路径自动生成方法及系统 | |
| CN112530602A (zh) | 药品副作用分析方法、装置、电子设备及计算机存储介质 | |
| Chen et al. | Automatically structuring on Chinese ultrasound report of cerebrovascular diseases via natural language processing | |
| KR102492685B1 (ko) | 인공지능을 이용한 데이터 융합 방법 및 이를 위한 장치 | |
| Basha et al. | Deep learning neural network (DLNN)-based classification and optimization algorithm for organ inflammation disease diagnosis | |
| Liu et al. | Clinical quantitative information recognition and entity-quantity association from Chinese electronic medical records | |
| Kumar et al. | NATURAL LANGUAGE PROCESSING: HEALTHCARE ACHIEVING BENEFITS VIA NLP | |
| CN112669961A (zh) | 一种基于大数据推理的智能分诊方法 | |
| Yang et al. | Modeling Clinical Thinking Based on Knowledge Hypergraph Attention Network and Prompt Learning for Disease Prediction | |
| Eisman et al. | Clinical Note Section Detection Using a Hidden Markov Model of Unified Medical Language System Semantic Types |
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 |