CN117558400B - 一种基于反馈信息的处方审核方法及系统 - Google Patents

一种基于反馈信息的处方审核方法及系统 Download PDF

Info

Publication number
CN117558400B
CN117558400B CN202410049186.3A CN202410049186A CN117558400B CN 117558400 B CN117558400 B CN 117558400B CN 202410049186 A CN202410049186 A CN 202410049186A CN 117558400 B CN117558400 B CN 117558400B
Authority
CN
China
Prior art keywords
weight
audit
information
result
prescription
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.)
Active
Application number
CN202410049186.3A
Other languages
English (en)
Other versions
CN117558400A (zh
Inventor
李蒙
蓝高爽
彭龙希
袁恒杰
李正翔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin Medical University General Hospital
Original Assignee
Tianjin Medical University General Hospital
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin Medical University General Hospital filed Critical Tianjin Medical University General Hospital
Priority to CN202410049186.3A priority Critical patent/CN117558400B/zh
Publication of CN117558400A publication Critical patent/CN117558400A/zh
Application granted granted Critical
Publication of CN117558400B publication Critical patent/CN117558400B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/24—Reminder alarms, e.g. anti-loss alarms
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Medicinal Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Emergency Management (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本申请公开了一种基于反馈信息的处方审核方法及系统，涉及医疗信息化技术领域，包括将画像信息和处方信息输入处方审核模型得到第一审核子结果；根据画像信息和处方信息查询第一数据库以得到与目标患者的画像信息相同、处方信息相同的参考审核信息；获取第一权重、第二审核子结果和第二权重；根据第一审核子结果、第二审核子结果、第一权重和第二权重计算得到第一审核结果；若第一审核结果高于预设告警等级则获取第二审核结果，若第一审核结果与第二审核结果不一致，更新第一权重和第二权重，经过多次对第一权重和第二权重的修改使第一审核结果与第二审核结果一致，则不再产生告警提醒，实现根据科室、患者用药需求进行处方审核，降低虚警率。

Description

一种基于反馈信息的处方审核方法及系统
技术领域
本申请涉及医疗信息化技术领域，具体涉及一种基于反馈信息的处方审核方法及系统。
背景技术
随着医疗卫生事业的发展，尤其是医药产业领域的发展，目前市场上的药品种类、数量、适应症等种类繁多，这些药品间存在成分重叠、药物交叉过敏、不同适应症用量差异等问题，不合理用药可能导致病人严重的不良反应，严重情况可能导致死亡，对医生和药师的药品使用合理性提出了更高的要求，因此国家颁布了《关于印发医疗机构处方审核规范的通知》（国卫办医发〔2018〕14号），提出了通过信息系统为处方审核提供必要的信息。
目前，现有的处方审核系统，如专利号为CN115132336A的一种基于患者的前置处方及医嘱的审核系统及方法，其处方审核依据主要为药品说明书、专家临床指南、医药文献等标准化静态信息。而实际临床应用中，由于患者的生理特征和病程等不同，医师和药师会对应调整用药，这些符合科室、患者药品使用需求的用药方案可能被处方审核系统判定为不符合标准用药，产生虚警，从而导致在长期的实际应用中系统虚警率过高，造成告警疲劳，医师药师对系统审核产生的警示信息的重视程度降低，忽视处方中真实存在不符合标准用药的情况的概率增加，使前置处方审核难以达到预期。同时，在实际应用场景中，当处方审核系统产生虚警时，常采用医师药师双签等人工审核的形式予以审核通过，手续繁琐。由于系统虚警率高，通过双签手续的方式使处方审核通过的频率高，为避免过多使用双签手续等人工审核，医生会减少选择效果好但会触发系统虚警的药品，降低医疗效率。
发明内容
本发明的目的在于解决符合科室、患者药品实际使用需求但超说明用药的用药方案容易使系统产生虚警的技术问题，提供了一种基于反馈信息的处方审核方法及系统。
根据本发明的第一方面，本发明请求保护一种基于反馈信息的处方审核方法，包括：
获取目标患者的画像信息和其将要使用的处方信息；
将所述画像信息和所述处方信息输入处方审核模型，得到第一审核子结果，所述处方审核模型用于判断所述画像信息和所述处方信息对应的告警等级；
根据所述画像信息和所述处方信息查询第一数据库以得到与目标患者的所述画像信息相同、所述处方信息相同的参考审核信息；
根据所述参考审核信息获取所述第一审核子结果对应的第一权重、第二审核子结果和所述第二审核子结果对应的第二权重，所述第二审核子结果为所述参考审核信息中根据专家经验得到的告警等级；
根据所述第一审核子结果、所述第二审核子结果、所述第一权重和所述第二权重计算得到第一审核结果；
判断所述第一审核结果是否不高于预设告警等级，若所述第一审核结果不高于预设告警等级，则所述目标处方符合用药规范，若所述第一审核结果高于预设告警等级，则获取第二审核结果，所述第二审核结果为根据专家经验对目标处方审核得到的告警等级；
对比所述第一审核结果和所述第二审核结果，若所述第一审核结果与所述第二审核结果一致，则目标处方不符合用药规范，若所述第一审核结果与所述第二审核结果不一致，则更新所述第一权重和所述第二权重，使更新后的所述第一权重小于更新前的所述第一权重，使更新后的所述第二权重大于更新前的所述第二权重，判断所述第二审核结果是否不高于预设告警等级，若所述第二审核结果不高于预设告警等级，则所述目标处方符合用药规范，若所述第二审核结果高于预设告警等级，则所述目标处方不符合用药规范；
可选地，在本申请实施例所述的一种基于反馈信息的处方审核方法中，在更新所述第一权重和所述第二权重中，还包括修改后的所述第二权重和修改后的所述第一权重的计算方式为：
；
；
；
其中，为修改前的所述第二权重，/>为修改后的所述第二权重，/>为修改前的所述第一权重，/>为修改后的所述第一权重，/>为预设增量，所述预设增量小于所述第一权重的预设初始值；
可选地，在本申请实施例所述的一种基于反馈信息的处方审核方法中，在将所述画像信息和所述处方信息输入处方审核模型中，所述处方审核模型包括至少两个不同的子模型，每一所述子模型分别用于根据所述画像信息和所述处方信息对目标处方进行审核，得到第一审核子结果分量，根据所有所述第一审核子结果分量计算得到所述第一审核子结果；
可选地，在本申请实施例所述的一种基于反馈信息的处方审核方法中，所述子模型的训练方法包括：
获取至少两种预设证据和参考诊断信息；
根据不同的所述预设证据和预设分级标准建立对应的文本审核标准，所述预设分级标准包括所有所述告警等级和属于每一所述告警等级的处方特征；
根据每一所述文本审核标准得到所述参考诊断信息的第一标准告警等级；
根据所述参考诊断信息和对应的所述第一标准告警等级训练对应的所述子模型；
可选地，在本申请实施例所述的一种基于反馈信息的处方审核方法中，在根据所有所述第一审核子结果分量计算得到所述第一审核子结果中，还包括：
获取每一所述第一审核子结果的第一子权重；
根据所述第一子权重对所有所述第一审核子结果分量线性相加得到所述第一审核子结果；
其中，所述第一子权重为根据历史诊断信息训练全连接神经网络模型得到；
可选地，在本申请实施例所述的一种基于反馈信息的处方审核方法中，在根据所述参考审核信息获取所述第一审核子结果对应的第一权重、第二审核子结果和所述第二审核子结果对应的第二权重中，所述第二审核子结果的获取方法包括：
；
其中，为所述第二审核子结果，r为估算函数，m为所述参考审核信息中根据专家经验得到的不同告警等级的类别数，h为所述参考审核信息中根据专家经验得到的第k类告警等级，Nh为根据专家经验得到第h类告警等级的数量，N为所述参考审核信息的数量，Alerth为所述参考审核信息中根据专家经验得到的第h类告警等级对应的告警等级；
可选地，在本申请实施例所述的一种基于反馈信息的处方审核方法中，在更新所述第一权重和所述第二权重之前，还包括：
获取与所述目标处方的所述画像信息相同、所述处方信息相同的处方的权重修改次数；
判断所述权重修改次数是否大于第一预设阈值，若所述权重修改次数大于所述第一预设阈值，则将所述第一权重的取值设为0，将所述第二权重的取值设为1，若所述权重修改次数不大于所述第一预设阈值，则更新所述第一权重和所述第二权重，使更新后的所述第一权重小于更新前的所述第一权重，使更新后的所述第二权重大于更新前的所述第二权重；
可选地，在本申请实施例所述的一种基于反馈信息的处方审核方法中，在更新所述第一权重和所述第二权重之前，还包括：
对比所述第二权重和第二预设阈值，若所述第二权重不大于所述第二预设阈值，更新所述第一权重和所述第二权重，使更新后的所述第一权重小于更新前的所述第一权重，使更新后的所述第二权重大于更新前的所述第二权重，若所述第二权重大于所述第二预设阈值，则根据所述参考审核信息重新对所述处方审核模型进行训练；
可选地，在本申请实施例所述的一种基于反馈信息的处方审核方法中，当更新所述预设证据时，根据更新后的所述预设证据重新对所述子模型进行训练得到更新后的所述子模型，和/或重新训练所述全连接神经网络得到更新后的所述第一子权重，对所述第一权重和所述第二权重从预设初始值进行重新更新。
根据本发明的第二方面，本发明请求保护一种基于反馈信息的处方审核系统，包括：
第一获取模块，用于获取目标患者的画像信息和其将要使用的处方信息；
第一审核模块，用于将所述画像信息和所述处方信息输入处方审核模型，得到第一审核子结果，所述处方审核模型用于判断所述画像信息和所述处方信息对应的告警等级；
第一查询模块，根据所述画像信息和所述处方信息查询第一数据库以得到与目标患者的所述画像信息相同、所述处方信息相同的参考审核信息；根据所述参考审核信息获取所述第一审核子结果对应的第一权重、第二审核子结果和所述第二审核子结果对应的第二权重，所述第二审核子结果为所述参考审核信息中根据专家经验得到的告警等级；
第二审核模块，根据所述第一审核子结果、所述第二审核子结果、所述第一权重和所述第二权重计算得到第一审核结果；
第三审核模块，判断所述第一审核结果是否不高于预设告警等级，若所述第一审核结果不高于预设告警等级，则目标处方符合用药规范，若所述第一审核结果高于预设告警等级，则获取第二审核结果，所述第二审核结果为根据专家经验对目标处方审核得到的告警等级；对比所述第一审核结果和所述第二审核结果，若所述第一审核结果与所述第二审核结果一致，则所述目标处方不符合用药规范，若所述第一审核结果与所述第二审核结果不一致，则更新所述第一权重和所述第二权重，使更新后的所述第一权重小于更新前的所述第一权重，使更新后的所述第二权重大于更新前的所述第二权重，判断所述第二审核结果是否不高于预设告警等级，若所述第二审核结果不高于预设告警等级，则所述目标处方符合用药规范，若所述第二审核结果高于预设告警等级，则所述目标处方不符合用药规范。
可选地，在本申请实施例所述的一种基于反馈信息的处方审核系统中，在所述第三审核模块中，还包括修改后的所述第二权重和修改后的所述第一权重的计算方式为：
；
；
；
其中，为修改前的所述第二权重，/>为修改后的所述第二权重，/>为修改前的所述第一权重，/>为修改后的所述第一权重，/>为预设增量，所述预设增量小于所述第一权重的预设初始值。
可选地，在本申请实施例所述的一种基于反馈信息的处方审核系统中，在所述第一审核模块中，所述处方审核模型包括至少两个不同的子模型，每一所述子模型分别用于根据所述画像信息和所述处方信息对目标处方进行审核，得到第一审核子结果分量，根据所有所述第一审核子结果分量计算得到所述第一审核子结果。
可选地，在本申请实施例所述的一种基于反馈信息的处方审核系统中，所述子模型的训练方法包括：
获取至少两种预设证据和参考诊断信息；
根据不同的所述预设证据和预设分级标准建立对应的文本审核标准，所述预设分级标准包括所有所述告警等级和属于每一所述告警等级的处方特征；
根据每一所述文本审核标准得到所述参考诊断信息的第一标准告警等级；
根据所述参考诊断信息和对应的所述第一标准告警等级训练对应的所述子模型。
可选地，在本申请实施例所述的一种基于反馈信息的处方审核系统中，在根据所有所述第一审核子结果分量计算得到所述第一审核子结果中，还包括：
获取每一所述第一审核子结果的第一子权重；
根据所述第一子权重对所有所述第一审核子结果分量线性相加得到所述第一审核子结果；
其中，所述第一子权重为根据历史诊断信息训练全连接神经网络模型得到。
可选地，在本申请实施例所述的一种基于反馈信息的处方审核系统中，在根所述第一查询模块中，所述第二审核子结果的获取方法包括：
；
其中，为所述第二审核子结果，r为估算函数，m为所述参考审核信息中根据专家经验得到的不同告警等级的类别数，h为所述参考审核信息中根据专家经验得到的第k类告警等级，Nh为根据专家经验得到第h类告警等级的数量，N为所述参考审核信息的数量，Alerth为所述参考审核信息中根据专家经验得到的第h类告警等级对应的告警等级。
可选地，在本申请实施例所述的一种基于反馈信息的处方审核系统中，所述系统还包括：
第二获取模块，获取与所述目标处方的所述画像信息相同、所述处方信息相同的处方的权重修改次数；
所述第三审核模块在在更新所述第一权重和所述第二权重之前，还包括：
判断所述权重修改次数是否大于第一预设阈值，若所述权重修改次数大于所述第一预设阈值，则将所述第一权重的取值设为0，将所述第二权重的取值设为1，若所述权重修改次数不大于所述第一预设阈值，则更新所述第一权重和所述第二权重，使更新后的所述第一权重小于更新前的所述第一权重，使更新后的所述第二权重大于更新前的所述第二权重。
可选地，在本申请实施例所述的一种基于反馈信息的处方审核系统中，所述第三审核模块在更新所述第一权重和所述第二权重之前，还包括：
对比所述第二权重和第二预设阈值，若所述第二权重不大于所述第二预设阈值，更新所述第一权重和所述第二权重，使更新后的所述第一权重小于更新前的所述第一权重，使更新后的所述第二权重大于更新前的所述第二权重，若所述第二权重大于所述第二预设阈值，则根据所述参考审核信息重新对所述处方审核模型进行训练。
可选地，在本申请实施例所述的一种基于反馈信息的处方审核系统中，当更新所述预设证据时，根据更新后的所述预设证据重新对所述子模型进行训练得到更新后的所述子模型，和/或重新训练所述全连接神经网络得到更新后的所述第一子权重，对所述第一权重和所述第二权重从预设初始值进行重新更新。
本申请具有以下有益效果：
1、当符合科室、患者用药需求但超说明用药的情况出现时，系统审核结果高于所述预设告警等级，但由于该情况符合科室、患者用药需求，根据专家经验得到的所述第二审核结果不高于所述预设告警等级，通过多次权重更新迭代，降低所述第一权重的取值，提高所述第二权重的取值，直到系统审核不高于所述预设告警等级，则系统不再产生告警提醒，从而实现根据实际应用中的科室、患者用药需求对处方进行审核，降低系统虚警率。由此可知，通过多次权重的更新迭代，逐步减小所述第一审核结果与真实告警等级之间的差距，提供处方审核效率。
2、在实际应用场景中，可能由于误操作或主观差异等人为因素导致所述第二审核结果与所述目标处方的真实告警等级存在误差，从而使系统对后续的同类处方审核时产生错误，例如所述第一审核结果的告警等级为Alert3，但由于误操作得到所述第二审核结果为Alert0（目标处方的真实告警等级为Alert2），则后续出现当前种类的处方时会将不符合用药规范的处方错误判定为符合用药规范，不产生告警信息。因此，每次仅根据预设增量对所述第一权重和所述第二权重进行更新，仅仅当所述第一权重的取值为0，所述系统审核才会直接将历史审核信息中根据专家经验得到的审核结果作为系统审核结果，由于所述预设增量小于所述第一权重的预设初始值，至少需要修改两次才能使所述第一权重的取值为0，即需要至少经过两次根据专家经验对相同的所述画像信息和所述处方进行人工审核，从而降低由于主观因素导致后续处方审核不准确的影响，通过后续对此类的处方进行审核时可以通过再次人工审核和权重调整纠正人为因素导致的审核错误。
3、通过同时将所述画像信息和所述处方信息输入不同的所述子模型进行独立判断，一方面，由于不同所述子模型的审核准确度存在差异，当其中一个所述子模型的审核出现错误，则可以根据其他所述子模型的审核进行修正，审核结果的准确性大于准确率最高的所述子模型的准确率，提高容错率和准确率。另一方面通过至少两个不同的子模型对所述诊断信息进行审核，使所述第一审核子结果更加全面准确地反应所述诊断信息的特征。同时，由于多个模型的审核结果之间存在相互影响从而使最终的准确率大于每一所述子模型的准确率，因此在保证最终的审核准确率不变，从而降低提高系统审核准确率的难度，降低模型的设计难度。
4、由于模型用于处方审核的经验与所述参考诊断信息中数据分布特征相关，难以准确判断所述参考诊断信息与真实世界中此类数据分布特征是否相同或相似，若所述参考诊断信息中的数据分布特征与真实世界中此类数据分布特征存在差异，例如所述参考诊断信息中仅需要根据药品说明书就可得到与所述第一标准告警等级差距最小的审核经验，从而使模型忽略根据其他所述预设证据进行审核经验的学习，当模型训练完成进行实际应用时会仅根据药品说明书对处方进行审核，但在真实世界中存在部分仅根据药品说明书难以判断其是否符合用药规范时，采用此模型对其进行审核会出现不准确的情况。因此，根据不同的预设证据分别进行独立的模型训练，当对所述目标处方进行审核时，对所述目标处方的审核必然经过根据预设证据的判断，避免模型陷入局部最佳值，从而减小由于参考诊断信息与真实数据分布的差距造成的审核结果不准确，提高审核准确率。
5、在实际应用场景中，由于不同所述预设证据之间的权威性存在差异，不同医疗机构对同一所述预设证据的重视程度也存在差异，从而导致对所述第一子权重的具体预设值存在差异，需要经过大量试验才能准确的量化不同所述预设证据之间重视程度。因此，本发明通过所有所述子模型分别对所述历史诊断数据进行特征提取，利用全连接神经网络模型计算得到每一所述子模型对应的所述第一子权重，一方面降低人为主观因素对系统审核结果的影响，提高系统审核的客观性，另一方面采用集成学习的思想，提高系统审核结果的准确性。
6、在实际应用场景中，由于误操作、主观因素等人为因素导致所述第二审核结果与真实告警等级存在差距，若直接选择所述参考审核信息中根据专家经验得到的具体某一次的告警等级作为所述第二审核子结果参与当前所述目标处方的审核，难以保证所述第二审核子结果的准确性是否可靠，虽然通过更新所述第一权重和所述第二权重的取值能够增加人工审核目标处方的次数，从而纠正单次人工审核产生的误差，但是会增加权重修改次数，因此，通过统计所述参考审核信息中根据专家经验得到的告警等级的类别数，可以将所述参考审核信息中根据专家经验得到的告警等级视为投票数，当该类别的告警等级对应的所述参考审核信息的数量较多时，则意味着更多人认为所述画像信息和所述处方信息对应的告警等级为该类别的告警等级，从而实现根据专家经验对处方进行审核，使所述第二审核结果更加接近真实告警等级，避免误操作、主观因素等人为因素导致权重修改次数的增加，使系统审核结果更快靠近真实告警等级。
7、通过设置所述第一预设阈值，得到所述权重修改次数的上限，当所述权重修改次数达到上限时，根据专家经验对所述目标处方进行人工审核的次数也达到上限，即所述目标处方经过足够次数的人工审核，可以直接根据所述参考审核信息中根据专家经验得到的审核结果进行处方审核，从而实现在前期通过系统审核结果降低人工审核中的主观因素导致审核不准确的出现，提高处方审核的客观性，在后期当人工审核的次数足够时，直接根据所述参考审核信息中多次根据专家经验得到的审核结果进行打分，减少系统资源消耗。
8、通过对所述第二权重设置所述第二预设阈值的方式，限制所述第一审核结果与真实告警等级之间的差距，当所述第一审核结果与所述第二审核结果之间的差值较大时，通过多次权重修改仍然难以使所述第一审核结果与所述第二审核结果相同，例如所述第二审核子结果为8，所述第一审核子结果为1，即使所述第一权重从1逐次修改到0.2，所述第二权重从0.8，经过计算得到的所述第一审核结果为r（6.6）=7，即说明所述第一审核子结果与真实告警等级存在较大差异，应该对所述处方审核模型或所述子模型进行重新训练，将所述参考审核信息作为所述处方审核模型或所述子模型的训练数据集，使模型提高学习所述参考审核信息的审核经验的重视。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1为本申请实施例涉及的一种基于反馈信息的处方审核方法的流程图；
图2为本申请实施例涉及的获取第一审核子结果的流程图；
图3为本申请实施例涉及的一种基于反馈信息的处方审核系统的结构示意图；
图4为本申请实施例涉及的电子设备结构示意图；
图中标识：Aduit1~Audit4-第一审核子结果分量，w1~w4-第一子权重，Aduitd-第一审核子结果。
具体实施方式
本发明提供了一种基于反馈信息的处方审核方法及系统，将画像信息和处方信息输入处方审核模型得到第一审核子结果；根据画像信息和处方信息查询第一数据库以得到与目标患者的画像信息相同、处方信息相同的参考审核信息；获取第一权重、第二审核子结果和第二权重；根据第一审核子结果、第二审核子结果、第一权重和第二权重计算得到第一审核结果；若第一审核结果高于预设告警等级则获取第二审核结果；若所述第一审核结果与所述第二审核结果不一致，则更新所述第一权重和所述第二权重，若所述第二审核结果高于预设告警等级，则所述目标处方不符合用药规范，经过多次对第一权重和第二权重的修改使第一审核结果与第二审核结果一致，则不再产生告警提醒，实现根据科室、患者用药需求进行处方审核，降低虚警率。
为使本申请的上述目的、特征和优点能够更加明显易懂，下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，参考术语“一个实施例”、“一些实施例”、“实施方式”、“实施例”、“示意性实施例”、“示例”、“具体示例”或“一些示例”等，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示结合该实施例或示例描述的具体特征、结构或者特点包含于本发明的至少一个实施例或示例中。而且描述的具体特征、结构或者特点可以在任何一个或多个实施例或示例中以合适的方式结合。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等关系术语仅仅用于将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或顺序。
根据本发明的第一方面，本发明请求保护一种基于反馈信息的处方审核方法，参照附图1所示，包括：
S1：获取目标患者的画像信息和其将要使用的处方信息。
其中，所述画像信息为根据目标患者的生理信息得到的标签信息。
需要说明的是，所述生理信息包括药物过敏、肝功能不全、肾功能不全、高血压和是否属于特殊人群，但是其不限于此。所述特殊人群包括儿童、孕妇、哺乳期妇女和老人，但是其不限于此。例如，患者A的所述画像信息包括药物a过敏（是）、肝功能不全（是）、肾功能不全（否）、高血压（否）、儿童（否）、孕妇（否）、哺乳期妇女（否）、老人（否）。
其中，所述处方信息包括适应症、药品名称、单次用量、用药频次、用药开始时间和用药结束时间，但是其不限于此。
S2：将所述画像信息和所述处方信息输入处方审核模型，得到第一审核子结果，所述处方审核模型用于判断所述画像信息和所述处方信息对应的告警等级。
需要说明的是，所述处方审核模型可以选择神经网络模型对所述目标处方进行特征提取得到特征向量，根据特征向量得到所述第一审核子结果，或者是其他具体实现方式。
需要说明的是，所述告警等级为根据预设分级标准得到的，用于描述目标患者使用目标处方的风险等级。所述预设分级标准包括所有所述告警等级和属于每一所述告警等级的处方特征。
其中，所述预设分级标准为根据审核依据和实际应用要求预设的告警等级划分规则。所述审核依据包括文本审核标准和专家经验审核标准，但是其不限于此。
在本实施方式中，根据所述审核依据和实际应用要求得到k个所述告警等级，分别表示为Alert0，Alert1，……，Alertk-1。其中，Alert0为无风险，Alertk-1为最高的告警等级，指代具有致死性风险，风险等级从Alert0到Alertk-1逐渐提高。
S3：根据所述画像信息和所述处方信息查询第一数据库以得到与目标患者的所述画像信息相同、所述处方信息相同的参考审核信息。
需要说明的是，所述第一数据库用于存储历史审核信息，每一所述历史审核信息包括所述画像信息、所述处方信息、所述第一权重、所述第二审核子结果和所述第二权重，但是其不限于此。所述参考审核信息为与目标患者的所述画像信息和所述处方信息相同的所述历史审核信息。
S4：根据所述参考审核信息获取所述第一审核子结果对应的第一权重、第二审核子结果和所述第二审核子结果对应的第二权重，所述第二审核子结果为所述参考审核信息中根据专家经验得到的告警等级。
其中，所述专家经验用于根据实际临床需求对处方进行审核。所述第二审核子结果可以为根据专家经验进行人工审核得到的告警等级。
需要说明的是，根据所述画像信息和所述处方信息查询所述第一数据库，若所述参考审核信息存在，则所述第一审核子结果对应的所述第一权重的取值为所述参考审核信息中取值最小的所述第一权重，所述第二审核子结果的取值为所述参考审核信息中根据专家经验得到的告警等级，所述第二审核子结果对应的所述第二权重的取值为所述参考审核信息中取值最大的所述第二权重；若所述参考审核信息不存在，则所述第一审核子结果对应的所述第一权重、所述第二审核子结果和所述第二审核子结果对应的所述第二权重的取值均为对应的预设初始值。
在本实施方式中，所述第一权重的预设初始值为1，所述第二审核子结果的预设初始值为0，所述第二权重的预设初始值为0。
需要说明的是，所述第二审核子结果可以为所述参考审核信息中根据专家经验得到的最新的告警等级，或者是其他取值方式。
S5：根据所述第一审核子结果、所述第二审核子结果、所述第一权重和所述第二权重计算得到第一审核结果。
在本实施方式中，所述第一审核结果Auditout的计算方法为：
；
其中，round为估算函数，ws为所述第一权重，Audits为所述第一审核子结果，wd为所述第二权重，Auditd为所述第二审核子结果。
在本实施方式中，round为四舍五入函数，ws和wd需满足ws+wd=1。
S6：判断所述第一审核结果是否不高于预设告警等级，若所述第一审核结果不高于预设告警等级，则所述目标处方符合用药规范，若所述第一审核结果高于预设告警等级，则获取第二审核结果，所述第二审核结果为根据专家经验对目标处方审核得到的告警等级，执行步骤S7。
其中，所述预设告警等级根据所述审核依据和实际应用要求进行预设。
需要说明的是，若所述第一审核结果高于预设告警等级，则在获取第二审核结果之前，还包括获取审核身份，判断审核身份是否符合预设要求。所述审核身份用于区分进行人工审核时审核人的审核信息，可以选择面部识别、指纹识别、账号密码验证或其他身份验证方式。本发明不再进一步对具体的审核身份的具体方式进行限制。
在本实施例中，所述预设告警等级为所述画像信息和所述处方信息对应的所述告警等级为Alert0，即若所述第一审核结果为Alert0，则所述目标处方符合用药规范，若所述第一审核结果不为Alert0，则所述目标处方不符合用药规范，需要进一步根据专家经验对所述画像信息和所述处方信息进行审核，得到所述第二审核结果。
S7：对比所述第一审核结果和所述第二审核结果，若所述第一审核结果与所述第二审核结果一致，则目标处方不符合用药规范，需要对所述目标处方进行修改，处方审核结束，若所述第一审核结果与所述第二审核结果不一致，则更新所述第一权重和所述第二权重，使更新后的所述第一权重小于更新前的所述第一权重，使更新后的所述第二权重大于更新前的所述第二权重，执行步骤S8。
需要说明的是，将所述第二审核结果作为所述画像信息和所述处方信息对应的真实告警等级，当所述第一审核结果与所述第二审核结果一致，则表明系统审核结果无误，所述目标处方不符合用药规范，需要进行修改。对修改后的目标处方可以直接采用人工审核的方式进行审核，也可以将修改后的所述目标处方重新从步骤S1执行。本发明不对修改后的目标处方的审核方式进行进一步限定，在不脱离本发明的核心思想的前提下，均属于本发明的保护范围。当所述第一审核结果与所述第二审核结果不一致，则表明系统审核结果与真实告警等级存在误差，通过减小所述第一权重和增大所述第二权重的方式修正下一次对与所述目标患者的所述画像信息相同、所述处方信息相同的处方的系统审核结果，即下一次处方审核时的所述第一审核结果。
需要说明的是，根据修正后的所述第一权重和所述第二权重对后续与所述目标患者的所述画像信息相同、所述处方信息相同的处方进行系统审核，得到新的所述第一权重。当符合科室、患者用药需求但超说明用药的情况出现时，系统审核结果高于所述预设告警等级，但由于该情况符合科室、患者用药需求，根据专家经验得到的所述第二审核结果不高于所述预设告警等级，通过多次权重更新迭代，降低所述第一权重的取值，提高所述第二权重的取值，直到系统审核不高于所述预设告警等级，则系统不再产生告警提醒，从而实现根据实际应用中的科室、患者用药需求对处方进行审核，降低系统虚警率。由此可知，通过多次权重的更新迭代，逐步减小所述第一审核结果与真实告警等级之间的差距，提供处方审核效率。
在一个可行的实施方式中，在增大所述第二权重，减小所述第一权重中，还包括：
S71：修改后的所述第二权重和修改后的所述第一权重的计算方式为：
；
；
；
其中，为修改前的所述第二权重，/>为修改后的所述第二权重，/>为修改前的所述第一权重，/>为修改后的所述第一权重，/>为预设增量，所述预设增量小于所述第一权重的预设初始值。
在本实施方式中，的取值为0.01，若所述目标处方对应的所述第一审核结果不为Alert0，所述第一审核结果与所述第二审核结果不一致，根据预设增量对所述第一权重和所述第二权重进行修改，则更新后的所述第一权重为ws-0.01，更新后的所述第二权重为wd+0.01，当下一次对与所述目标患者的所述画像信息相同、所述处方信息相同的处方进行审核时，所述第一权重为ws-0.01，所述第二权重为wd+0.01。
需要说明的是，在实际应用场景中，可能由于误操作或主观差异等人为因素导致所述第二审核结果与所述目标处方的真实告警等级存在误差，从而使系统对后续的同类处方审核时产生错误，例如所述第一审核结果的告警等级为Alert3，但由于误操作得到所述第二审核结果为Alert0（目标处方的真实告警等级为Alert2），则后续出现当前种类的处方时会将不符合用药规范的处方错误判定为符合用药规范，不产生告警信息。因此，每次仅根据预设增量对所述第一权重和所述第二权重进行更新，仅仅当所述第一权重的取值为0，所述系统审核才会直接将历史审核信息中根据专家经验得到的审核结果作为系统审核结果，由于所述预设增量小于所述第一权重的预设初始值，至少需要修改两次才能使所述第一权重的取值为0，即需要至少经过两次根据专家经验对相同的所述画像信息和所述处方进行人工审核，从而降低由于主观因素导致后续处方审核不准确的影响，通过后续对此类的处方进行审核时可以通过再次人工审核和权重调整纠正人为因素导致的审核错误。
S8：判断所述第二审核结果是否不高于预设告警等级，若所述第二审核结果不高于预设告警等级，则所述目标处方符合用药规范，若所述第二审核结果高于预设告警等级，则所述目标处方不符合用药规范。
需要说明的是，当所述第一审核结果与所述第二审核结果不一致时，对所述第一权重和所述第二权重进行修改，需要重新判断所述第二审核结果是否符合所述第一预设条件，例如，当所述第一审核结果为Alert3，所述第二审核结果为Alert1，说明虽然所述目标处方的真实告警等级小于系统审核结果，但其仍然不符合用药规范需要对处方进行修改，需要对所述目标处方进行修改，处方审核结束。
在一个可行的实施方式中，参照附图2所示，在将所述画像信息和所述处方信息输入处方审核模型中，所述处方审核模型包括至少两个不同的子模型，每一所述子模型分别用于根据所述画像信息和所述处方信息对目标处方进行审核，得到第一审核子结果分量，根据所有所述第一审核子结果分量计算得到所述第一审核子结果。
需要说明的是，所述不同的子模型可以选择结构不同的神经网络模型，也可以选择根据不同的训练数据集训练的神经网络模型，或者其他选择方式。其目的在于使所述子模型分别独立的对目标处方进行审核。
在本实施方式中，步骤S2中还包括：
S21：每一所述子模型分别用于根据所述画像信息和所述处方信息对所述目标处方进行审核，得到第一审核子结果分量。
S22：根据所有所述第一审核子结果分量计算得到所述第一审核子结果。
需要说明的是，根据所有所述第一审核子结果分量计算得到所述第一审核子结果，可以对每一所述子模型设置权重，所述第一审核子结果为根据权重对所有所述第一审核子结果分量线性相加的结果。
在本实施方式中，将第t次权重修改后的第i个所述子模型对应的所述第一子权重记为，将第i个所述子模型对应的所述第一审核子结果分量记为Auditi，则所述第一审核子结果Audits的计算方法为：/>
；
其中，n为所述子模型的数量，。
需要说明的是，由于模型的训练是根据预先获取的数据集进行训练，模型用于对所述目标处方进行特征提取的经验与训练时的数据集中数据的分布特征有关，但在实际应用过程中，真实数据中的所述画像信息和所述处方信息可能符合训练时数据集的数据分布特征，也可能不符合训练时数据集的数据分布特征，从而导致模型的判断结果不准确，当对模型审核结果的准确率要求高时，单个模型的准确率提升较为困难，因此，通过将不同模型进行结合，由于不同所述子模型学习到用于处方审核的经验存在差异，先独立判断所述画像信息和所述处方信息的告警等级，得到的所述第一审核子结果分量可能不同，例如第一子模型对所述患者信息中禁忌症的关注度更高，第二子模型对所述患者信息中是否为特殊人群的关注度更高，则当所述画像信息中包含所述目标患者为不存在禁忌症的孕妇，则所述第一子模型对所述目标处方的告警等级可能更低，所述第二子模型对所述目标处方的告警等级可能更高。因此，通过同时将所述画像信息和所述处方信息输入不同的所述子模型进行独立判断，一方面，由于不同所述子模型的审核准确度存在差异，当其中一个所述子模型的审核出现错误，则可以根据其他所述子模型的审核进行修正，审核结果的准确性大于准确率最高的所述子模型的准确率，提高容错率和准确率。另一方面通过至少两个不同的子模型对所述诊断信息进行审核，使所述第一审核子结果更加全面准确地反应所述诊断信息的特征。同时，由于多个模型的审核结果之间存在相互影响从而使最终的准确率大于每一所述子模型的准确率，因此在保证最终的审核准确率不变，从而降低提高系统审核准确率的难度，降低模型的设计难度。
在一个可行的实施方式中，所述子模型的训练方法包括：
获取至少两种预设证据和参考诊断信息；
其中，所述预设证据包括说明书、专家共识、病理指南和医学学术论文，但是其不限于此。
其中，所述参考诊断信息包括参考处方信息和参考患者信息。所述参考诊断信息用于对每一所述子模型进行训练和验证。所述参考诊断信息可以为历史诊断数据中的部分或全部的处方信息和患者信息，也可以是用于训练所述子模型人为设计的处方信息和患者信息。
根据不同的所述预设证据和预设分级标准建立对应的文本审核标准，所述预设分级标准包括所有所述告警等级和属于每一所述告警等级的处方特征；
根据每一所述文本审核标准得到所述参考诊断信息的第一标准告警等级；
根据所述参考诊断信息和对应的所述第一标准告警等级训练对应的所述子模型。
在本实施方式中，所述预设证据包括药品说明书、专家共识、病例指南和医学学术论文，根据药品说明书、专家共识、病例指南和医学学术论文设置了4类所述文本审核标准，根据所述预设分级标准将药品说明书、专家共识、病理指南和医学学术论文中的内容进行映射，得到所述文本审核标准，从而实现根据不同的所述预设证据对所述目标处方进行审核时告警等级划分标准统一，避免由于不同所述子模型训练结果相互独立，导致不同模型对同一个处方的审核结果由于告警等级划分标准不统一造成误差，影响审核结果。例如当处方中同时出现药品A和药品B，药品A和药品B同时服用会降低药品A的疗效，第一子模型在学习区分Alert0和Alert1时，可能认为当目标患者使用目标处方后不存在风险，则告警等级为Alert0，当目标患者使用目标处方后存在的极小风险但不为0时，则告警等级为Alert1，由于处方中同时出现药品A和药品B，虽不会出现其他不良反应，但是应该提醒注意，则得到告警等级为Alert1，而第二子模型由于处方中出现的药物间相互作用除了降低药品A的疗效以外不存在其他使患者产生其他不良反应，则认为无需报警，则得到的告警等级为Alert0，因此虽然两个模型进行特征提取得到的结论相同，即处方存在相互作用的药品，但由于未统一对是否产生告警信息的标准、产生何种具体的告警等级等进行统一，得到的所述第一审核子结果分量不同。分别根据4种所述文本审核标准对所述参考诊断信息设置标签数据，即所述第一标准告警等级，将所述参考诊断信息和所述第一标准告警等级分别训练4个所述子模型。
需要说明的是，由于模型用于处方审核的经验与所述参考诊断信息中数据分布特征相关，难以准确判断所述参考诊断信息与真实世界中此类数据分布特征是否相同或相似，若所述参考诊断信息中的数据分布特征与真实世界中此类数据分布特征存在差异，例如所述参考诊断信息中仅需要根据药品说明书就可得到与所述第一标准告警等级差距最小的审核经验，从而使模型忽略根据其他所述预设证据进行审核经验的学习，当模型训练完成进行实际应用时会仅根据药品说明书对处方进行审核，但在真实世界中存在部分仅根据药品说明书难以判断其是否符合用药规范时，采用此模型对其进行审核会出现不准确的情况。因此，根据不同的预设证据分别进行独立的模型训练，当对所述目标处方进行审核时，对所述目标处方的审核必然经过根据预设证据的判断，避免模型陷入局部最佳值，从而减小由于参考诊断信息与真实数据分布的差距造成的审核结果不准确，提高审核准确率。
需要说明的是，可以根据不同预设证据之间的权威性对每一所述子模型设置权重，或根据每一所述子模型的准确率得到每一所述子模型的权重，或者其他方式对每一所述子模型设置权重。
在本实施方式中，用于训练每一所述子模型的数据集可以均为完整的所述参考诊断信息，也可以为部分所述参考诊断信息，用于训练不同的所述子模型的数据集之间可以存在相同的样本，也可以不存在相同的样本，本发明不再进一步限制用于训练不同所述子模型的数据集的具体获取方式。
在一个可行的实施方式中，在根据所有所述第一审核子结果分量计算得到所述第一审核子结果中，还包括：
获取每一所述第一审核子结果的第一子权重；
根据所述第一子权重对所有所述第一审核子结果分量线性相加得到所述第一审核子结果；
其中，所述第一子权重为根据历史诊断信息训练全连接神经网络模型得到。
其中，所述历史诊断信息包括历史诊断记录中的诊断信息和患者信息。
在本实施方式中，所述第一子权重的设置方式包括：
根据所述预设分级标准对每一所述历史诊断信息划分告警等级，得到第二标准告警等级；
将所述历史诊断信息分别输入训练好的每一所述子模型，得到历史第一审核子结果分量；
将所述历史第一审核子结果分量输入全连接神经网络模型，得到预测告警等级，根据所述第二标准告警等级和所述预测告警等级之间的距离构建损失函数，根据损失函数对全连接神经网络模型进行训练，使损失函数的取值最小。
其中，所述全连接神经网络模型包括一个输入层和一个全连接层，所述第一子权重为训练好的所述全连接神经网络模型的全连接层学习得到的权重。
需要说明的是，在实际应用场景中，由于不同所述预设证据之间的权威性存在差异，不同医疗机构对同一所述预设证据的重视程度也存在差异，从而导致对所述第一子权重的具体预设值存在差异，需要经过大量试验才能准确的量化不同所述预设证据之间重视程度。因此，本发明通过所有所述子模型分别对所述历史诊断数据进行特征提取，利用全连接神经网络模型计算得到每一所述子模型对应的所述第一子权重，一方面降低人为主观因素对系统审核结果的影响，提高系统审核的客观性，另一方面采用集成学习的思想，提高系统审核结果的准确性。
在本实施方式中，当更新所述预设证据时，根据更新后的所述预设证据重新对所述子模型进行训练得到更新后的所述子模型，和/或重新训练所述全连接神经网络得到更新后的所述第一子权重，对所述第一权重和所述第二权重从预设初始值进行重新更新。
需要说明的是，所述更新所述预设证据包括增删或修改当前某一所述预设证据中的部分内容和增加所述预设证据的种类等，对应需要对所述子模型进行修改后重新训练，例如，若需要对药品说明书中的部分内容进行修改时，重新根据修改后的所述说明书和所述预设分级规则得到新的所述文本审核标准，根据新的所述文本审核标准对所述参考诊断信息重新标注得到新的所述第一标准告警等级，根据所述参考诊断信息和新的所述第一标准告警等级重新训练得到所述子模型，若需要重新增加一种证据，则增加一个所述子模型。
在一个可行的实施方式中，在根据所述参考审核信息获取所述第一审核子结果对应的第一权重、第二审核子结果和所述第二审核子结果对应的第二权重中，所述第二审核子结果的获取方法包括：
；
其中，Aduitd为所述第二审核子结果，r为估算函数，m为所述参考审核信息中根据专家经验得到的不同告警等级的类别数，h为所述参考审核信息中根据专家经验得到的第k类告警等级，Nh为根据专家经验得到第h类告警等级的数量，N为所述参考审核信息的数量，Alerth为所述参考审核信息中根据专家经验得到的第h类告警等级对应的告警等级。
需要说明的是，例如，根据所述画像信息和所述处方信息查询到的所述参考审核信息的数量100，其中，60例根据专家审核经验得到的告警等级为3,15例根据专家经验得到的告警等级为2,15例根据专家经验得到的告警等级为4，8例根据专家经验得到的告警等级为6,2例根据专家经验得到的告警等级为0，则所述第二审核子结果的获取步骤包括：
S41：获取所述参考审核信息的数量，即N=100；
S42：根据所述参考审核信息中根据专家经验得到的告警等级对所有所述参考审核信息进行分类，得到不同告警等级的类别数，即m=5；
S43：获取第h类的告警等级，即Alerth的取值为0,2,3和4；
S44：统计每一类别对应的所述参考审核信息的数量，即N1的取值为2（告警等级为0对应的所述参考审核信息的数量为2），N2的取值为15（告警等级为2对应的所述参考审核信息的数量为15），N3的取值为60（告警等级为3对应的所述参考审核信息的数量为60），N4的取值为15（告警等级为4对应的所述参考审核信息的数量为15），N5的取值为8（告警等级为6对应的所述参考审核信息的数量为8）；
S44：计算得到所述第二审核子结果，即Aduitd=r（3.18）=3。
需要说明的是，在实际应用场景中，由于误操作、主观因素等人为因素导致所述第二审核结果与真实告警等级存在差距，若直接选择所述参考审核信息中根据专家经验得到的具体某一次的告警等级作为所述第二审核子结果参与当前所述目标处方的审核，难以保证所述第二审核子结果的准确性是否可靠，虽然通过更新所述第一权重和所述第二权重的取值能够增加人工审核目标处方的次数，从而纠正单次人工审核产生的误差，但是会增加权重修改次数，因此，通过统计所述参考审核信息中根据专家经验得到的告警等级的类别数，可以将所述参考审核信息中根据专家经验得到的告警等级视为投票数，当该类别的告警等级对应的所述参考审核信息的数量较多时，则意味着更多人认为所述画像信息和所述处方信息对应的告警等级为该类别的告警等级，从而实现根据专家经验对处方进行审核，使所述第二审核结果更加接近真实告警等级，避免误操作、主观因素等人为因素导致权重修改次数的增加，使系统审核结果更快靠近真实告警等级。
在一个可行的实施方式中，在更新所述第一权重和所述第二权重之前，还包括：
获取与所述目标处方的所述画像信息相同、所述处方信息相同的处方的权重修改次数；
判断所述权重修改次数是否大于第一预设阈值，若所述权重修改次数大于所述第一预设阈值，则将所述第一权重的取值设为0，将所述第二权重的取值设为1，对下一个与所述目标处方的所述画像信息相同、所述处方信息相同的处方审核时可以直接根据所述第一审核结果判断目标处方是否符合用药规范不再进行人工审核，若所述权重修改次数不大于所述第一预设阈值，则更新所述第一权重和所述第二权重，使更新后的所述第一权重小于更新前的所述第一权重，使更新后的所述第二权重大于更新前的所述第二权重。
需要说明的是，通过设置所述第一预设阈值，得到所述权重修改次数的上限，当所述权重修改次数达到上限时，根据专家经验对所述目标处方进行人工审核的次数也达到上限，即所述目标处方经过足够次数的人工审核，可以直接根据所述参考审核信息中根据专家经验得到的审核结果进行处方审核，从而实现在前期通过系统审核结果降低人工审核中的主观因素导致审核不准确的出现，提高处方审核的客观性，在后期当人工审核的次数足够时，直接根据所述参考审核信息中多次根据专家经验得到的审核结果进行打分，减少系统资源消耗。
在一个可行的实施方式中，在更新所述第一权重和所述第二权重之前，还包括：
对比所述第二权重和第二预设阈值，若所述第二权重不大于所述第二预设阈值，更新所述第一权重和所述第二权重，使更新后的所述第一权重小于更新前的所述第一权重，使更新后的所述第二权重大于更新前的所述第二权重，若所述第二权重大于所述第二预设阈值，则根据所述参考审核信息重新对所述处方审核模型进行训练。
需要说明的是，通过对所述第二权重设置所述第二预设阈值的方式，限制所述第一审核结果与真实告警等级之间的差距，当所述第一审核结果与所述第二审核结果之间的差值较大时，通过多次权重修改仍然难以使所述第一审核结果与所述第二审核结果相同，例如所述第二审核子结果为8，所述第一审核子结果为1，即使所述第一权重从1逐次修改到0.2，所述第二权重从0.8，经过计算得到的所述第一审核结果为r（6.6）=7，即说明所述第一审核子结果与真实告警等级存在较大差异，应该对所述处方审核模型或所述子模型进行重新训练，将所述参考审核信息作为所述处方审核模型或所述子模型的训练数据集，使模型提高学习所述参考审核信息的审核经验的重视。
根据本发明的第二方面，本发明请求保护一种基于反馈信息的处方审核系统，参照附图3所示，包括：
第一获取模块，用于获取目标患者的画像信息和其将要使用的处方信息；
第一审核模块，用于将所述画像信息和所述处方信息输入处方审核模型，得到第一审核子结果，所述处方审核模型用于判断所述画像信息和所述处方信息对应的告警等级；
第一查询模块，根据所述画像信息和所述处方信息查询第一数据库以得到与目标患者的所述画像信息相同、所述处方信息相同的参考审核信息；根据所述参考审核信息获取所述第一审核子结果对应的第一权重、第二审核子结果和所述第二审核子结果对应的第二权重，所述第二审核子结果为所述参考审核信息中根据专家经验得到的告警等级；
第二审核模块，根据所述第一审核子结果、所述第二审核子结果、所述第一权重和所述第二权重计算得到第一审核结果；
第三审核模块，判断所述第一审核结果是否不高于预设告警等级，若所述第一审核结果不高于预设告警等级，则目标处方符合用药规范，若所述第一审核结果高于预设告警等级，则获取第二审核结果，所述第二审核结果为根据专家经验对目标处方审核得到的告警等级；对比所述第一审核结果和所述第二审核结果，若所述第一审核结果与所述第二审核结果一致，则所述目标处方不符合用药规范，若所述第一审核结果与所述第二审核结果不一致，则更新所述第一权重和所述第二权重，使更新后的所述第一权重小于更新前的所述第一权重，使更新后的所述第二权重大于更新前的所述第二权重，判断所述第二审核结果是否不高于预设告警等级，若所述第二审核结果不高于预设告警等级，则所述目标处方符合用药规范，若所述第二审核结果高于预设告警等级，则所述目标处方不符合用药规范。
在一个可行的实施方式中，在所述第三审核模块中，还包括修改后的所述第二权重和修改后的所述第一权重的计算方式为：
；
；
；
其中，为修改前的所述第二权重，/>为修改后的所述第二权重，/>为修改前的所述第一权重，/>为修改后的所述第一权重，/>为预设增量，所述预设增量小于所述第一权重的预设初始值。
在一个可行的实施方式中，在所述第一审核模块中，所述处方审核模型包括至少两个不同的子模型，每一所述子模型分别用于根据所述画像信息和所述处方信息对目标处方进行审核，得到第一审核子结果分量，根据所有所述第一审核子结果分量计算得到所述第一审核子结果。
在一个可行的实施方式中，所述子模型的训练方法包括：
获取至少两种预设证据和参考诊断信息；
根据不同的所述预设证据和预设分级标准建立对应的文本审核标准，所述预设分级标准包括所有所述告警等级和属于每一所述告警等级的处方特征；
根据每一所述文本审核标准得到所述参考诊断信息的第一标准告警等级；
根据所述参考诊断信息和对应的所述第一标准告警等级训练对应的所述子模型。
在一个可行的实施方式中，在根据所有所述第一审核子结果分量计算得到所述第一审核子结果中，还包括：
获取每一所述第一审核子结果的第一子权重；
根据所述第一子权重对所有所述第一审核子结果分量线性相加得到所述第一审核子结果；
其中，所述第一子权重为根据历史诊断信息训练全连接神经网络模型得到。
在一个可行的实施方式中，在根所述第一查询模块中，所述第二审核子结果的获取方法包括：
；
其中，为所述第二审核子结果，r为估算函数，m为所述参考审核信息中根据专家经验得到的不同告警等级的类别数，h为所述参考审核信息中根据专家经验得到的第k类告警等级，Nh为根据专家经验得到第h类告警等级的数量，N为所述参考审核信息的数量，Alerth为所述参考审核信息中根据专家经验得到的第h类告警等级对应的告警等级。
在一个可行的实施方式中，所述系统还包括：
第二获取模块，获取与所述目标处方的所述画像信息相同、所述处方信息相同的处方的权重修改次数；
所述第三审核模块在在更新所述第一权重和所述第二权重之前，还包括：
判断所述权重修改次数是否大于第一预设阈值，若所述权重修改次数大于所述第一预设阈值，则将所述第一权重的取值设为0，将所述第二权重的取值设为1，若所述权重修改次数不大于所述第一预设阈值，则更新所述第一权重和所述第二权重，使更新后的所述第一权重小于更新前的所述第一权重，使更新后的所述第二权重大于更新前的所述第二权重。
在一个可行的实施方式中，所述第三审核模块在更新所述第一权重和所述第二权重之前，还包括：
对比所述第二权重和第二预设阈值，若所述第二权重不大于所述第二预设阈值，更新所述第一权重和所述第二权重，使更新后的所述第一权重小于更新前的所述第一权重，使更新后的所述第二权重大于更新前的所述第二权重，若所述第二权重大于所述第二预设阈值，则根据所述参考审核信息重新对所述处方审核模型进行训练。
在一个可行的实施方式中，当更新所述预设证据时，根据更新后的所述预设证据重新对所述子模型进行训练得到更新后的所述子模型，和/或重新训练所述全连接神经网络得到更新后的所述第一子权重，对所述第一权重和所述第二权重从预设初始值进行重新更新。
参照附图4所示，本申请实施例提供一种电子设备，包括：处理器和存储器，处理器和存储器通过通信总线和/或其他形式的连接机构（未标出）互连并相互通讯，存储器存储有处理器可执行的计算机程序，当计算设备运行时，处理器执行该计算机程序，以执行上述实施例的任一可选的实施方式中的系统。
本申请实施例提供一种存储介质，所述计算机程序被处理器执行时，执行上述实施例的任一可选的实施方式中的系统。其中，存储介质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（Static Random AccessMemory，简称SRAM），电可擦除可编程只读存储器（Electrically Erasable ProgrammableRead-Only Memory，简称EEPROM），可擦出可编程只读存储器（Erasable ProgrammableRead-Only Memory，简称EPROM），可编程只读存储器（Programmable Read-Only Memory，简称PROM），只读存储器（Read-Only Memory，简称ROM），磁存储器，快闪存储器，磁盘或光盘。
本申请所提供的实施例中，应该理解到，所揭露系统可以通过其他的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以由另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者，本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
本文中使用了流程图用来说明通过本公开的实施例的方法的步骤。应当理解的是，前面或后面的步骤不一定按照顺序来精确的进行。相反，可以按照倒序或同时评价各种步骤。同时，也可以将其他操作添加到这些过程中。
除非另有定义，这里使用的所有术语具有与本公开所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
以上对所提供的一种基于反馈信息的处方审核方法及系统进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明仅为本申请的实施例而已，只是用于帮助理解本申请的一种基于反馈信息的处方审核方法及系统，并不用于限制本申请的保护范围；同时，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的和精神和原则之内，所作的任何修改、等同替换，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于反馈信息的处方审核方法，其特征在于，包括：
获取目标患者的画像信息和其将要使用的处方信息；
将所述画像信息和所述处方信息输入处方审核模型，得到第一审核子结果，所述处方审核模型用于判断所述画像信息和所述处方信息对应的告警等级；
根据所述画像信息和所述处方信息查询第一数据库以得到与目标患者的所述画像信息相同、所述处方信息相同的参考审核信息；
根据所述参考审核信息获取所述第一审核子结果对应的第一权重、第二审核子结果和所述第二审核子结果对应的第二权重，所述第二审核子结果为所述参考审核信息中根据专家经验得到的告警等级；
其中，若所述参考审核信息存在，则所述第一审核子结果对应的所述第一权重的取值为所述参考审核信息中取值最小的所述第一权重，所述第二审核子结果的取值为所述参考审核信息中根据专家经验得到的告警等级，所述第二审核子结果对应的所述第二权重的取值为所述参考审核信息中取值最大的所述第二权重；若所述参考审核信息不存在，则所述第一审核子结果对应的所述第一权重、所述第二审核子结果和所述第二审核子结果对应的所述第二权重的取值均为对应的预设初始值；
根据所述第一审核子结果、所述第二审核子结果、所述第一权重和所述第二权重计算得到第一审核结果；所述第一审核结果Auditout的计算方法为：
；
其中，round为估算函数，ws为所述第一权重，Audits为所述第一审核子结果，wd为所述第二权重，Auditd为所述第二审核子结果；
判断所述第一审核结果是否不高于预设告警等级，若所述第一审核结果不高于预设告警等级，则目标处方符合用药规范，若所述第一审核结果高于预设告警等级，则获取第二审核结果，所述第二审核结果为根据专家经验对目标处方审核得到的告警等级；
对比所述第一审核结果和所述第二审核结果，若所述第一审核结果与所述第二审核结果一致，则所述目标处方不符合用药规范，若所述第一审核结果与所述第二审核结果不一致，则更新所述第一权重和所述第二权重，使更新后的所述第一权重小于更新前的所述第一权重，使更新后的所述第二权重大于更新前的所述第二权重，判断所述第二审核结果是否不高于预设告警等级，若所述第二审核结果不高于预设告警等级，则所述目标处方符合用药规范，若所述第二审核结果高于预设告警等级，则所述目标处方不符合用药规范。
2.根据权利要求1所述的一种基于反馈信息的处方审核方法，其特征在于，在更新所述第一权重和所述第二权重中，还包括修改后的所述第二权重和修改后的所述第一权重的计算方式为：
；
；
；
其中，为修改前的所述第二权重，/>为修改后的所述第二权重，/>为修改前的所述第一权重，/>为修改后的所述第一权重，/>为预设增量，所述预设增量小于所述第一权重的预设初始值。
3.根据权利要求1或2所述的一种基于反馈信息的处方审核方法，其特征在于，在将所述画像信息和所述处方信息输入处方审核模型中，所述处方审核模型包括至少两个不同的子模型，每一所述子模型分别用于根据所述画像信息和所述处方信息对目标处方进行审核，得到第一审核子结果分量，根据所有所述第一审核子结果分量计算得到所述第一审核子结果。
4.根据权利要求3所述的一种基于反馈信息的处方审核方法，其特征在于，所述子模型的训练方法包括：
获取至少两种预设证据和参考诊断信息；
根据不同的所述预设证据和预设分级标准建立对应的文本审核标准，所述预设分级标准包括所有所述告警等级和属于每一所述告警等级的处方特征；
根据每一所述文本审核标准得到所述参考诊断信息的第一标准告警等级；
根据所述参考诊断信息和对应的所述第一标准告警等级训练对应的所述子模型。
5.根据权利要求4所述的一种基于反馈信息的处方审核方法，其特征在于，在根据所有所述第一审核子结果分量计算得到所述第一审核子结果中，还包括：
获取每一所述第一审核子结果的第一子权重；
根据所述第一子权重对所有所述第一审核子结果分量线性相加得到所述第一审核子结果；
其中，所述第一子权重为根据历史诊断信息训练全连接神经网络模型得到。
6.根据权利要求2所述的一种基于反馈信息的处方审核方法，其特征在于，在根据所述参考审核信息获取所述第一审核子结果对应的第一权重、第二审核子结果和所述第二审核子结果对应的第二权重中，所述第二审核子结果的获取方法包括：
；
其中，为所述第二审核子结果，r为估算函数，m为所述参考审核信息中根据专家经验得到的不同告警等级的类别数，h为所述参考审核信息中根据专家经验得到的第k类告警等级，Nh为根据专家经验得到第h类告警等级的数量，N为所述参考审核信息的数量，Alerth为所述参考审核信息中根据专家经验得到的第h类告警等级对应的告警等级。
7.根据权利要求6所述的一种基于反馈信息的处方审核方法，其特征在于，在更新所述第一权重和所述第二权重之前，还包括：
获取与所述目标处方的所述画像信息相同、所述处方信息相同的处方的权重修改次数；
判断所述权重修改次数是否大于第一预设阈值，若所述权重修改次数大于所述第一预设阈值，则将所述第一权重的取值设为0，将所述第二权重的取值设为1，若所述权重修改次数不大于所述第一预设阈值，则更新所述第一权重和所述第二权重，使更新后的所述第一权重小于更新前的所述第一权重，使更新后的所述第二权重大于更新前的所述第二权重。
8.根据权利要求6所述的一种基于反馈信息的处方审核方法，其特征在于，在更新所述第一权重和所述第二权重之前，还包括：
对比所述第二权重和第二预设阈值，若所述第二权重不大于所述第二预设阈值，更新所述第一权重和所述第二权重，使更新后的所述第一权重小于更新前的所述第一权重，使更新后的所述第二权重大于更新前的所述第二权重，若所述第二权重大于所述第二预设阈值，则根据所述参考审核信息重新对所述处方审核模型进行训练。
9.根据权利要求5所述的一种基于反馈信息的处方审核方法，其特征在于，当更新所述预设证据时，根据更新后的所述预设证据重新对所述子模型进行训练得到更新后的所述子模型，和/或重新训练所述全连接神经网络得到更新后的所述第一子权重，对所述第一权重和所述第二权重从预设初始值进行重新更新。
10.一种基于反馈信息的处方审核系统，其特征在于，包括：
第一获取模块，用于获取目标患者的画像信息和其将要使用的处方信息；
第一审核模块，用于将所述画像信息和所述处方信息输入处方审核模型，得到第一审核子结果，所述处方审核模型用于判断所述画像信息和所述处方信息对应的告警等级；
第一查询模块，根据所述画像信息和所述处方信息查询第一数据库以得到与目标患者的所述画像信息相同、所述处方信息相同的参考审核信息；根据所述参考审核信息获取所述第一审核子结果对应的第一权重、第二审核子结果和所述第二审核子结果对应的第二权重，所述第二审核子结果为所述参考审核信息中根据专家经验得到的告警等级；其中，若所述参考审核信息存在，则所述第一审核子结果对应的所述第一权重的取值为所述参考审核信息中取值最小的所述第一权重，所述第二审核子结果的取值为所述参考审核信息中根据专家经验得到的告警等级，所述第二审核子结果对应的所述第二权重的取值为所述参考审核信息中取值最大的所述第二权重；若所述参考审核信息不存在，则所述第一审核子结果对应的所述第一权重、所述第二审核子结果和所述第二审核子结果对应的所述第二权重的取值均为对应的预设初始值；
第二审核模块，根据所述第一审核子结果、所述第二审核子结果、所述第一权重和所述第二权重计算得到第一审核结果；所述第一审核结果Auditout的计算方法为：
；
其中，round为估算函数，ws为所述第一权重，Audits为所述第一审核子结果，wd为所述第二权重，Auditd为所述第二审核子结果；
第三审核模块，判断所述第一审核结果是否不高于预设告警等级，若所述第一审核结果不高于预设告警等级，则目标处方符合用药规范，若所述第一审核结果高于预设告警等级，则获取第二审核结果，所述第二审核结果为根据专家经验对目标处方审核得到的告警等级；对比所述第一审核结果和所述第二审核结果，若所述第一审核结果与所述第二审核结果一致，则所述目标处方不符合用药规范，若所述第一审核结果与所述第二审核结果不一致，则更新所述第一权重和所述第二权重，使更新后的所述第一权重小于更新前的所述第一权重，使更新后的所述第二权重大于更新前的所述第二权重，判断所述第二审核结果是否不高于预设告警等级，若所述第二审核结果不高于预设告警等级，则所述目标处方符合用药规范，若所述第二审核结果高于预设告警等级，则所述目标处方不符合用药规范。
CN202410049186.3A 2024-01-12 2024-01-12 一种基于反馈信息的处方审核方法及系统 Active CN117558400B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410049186.3A CN117558400B (zh) 2024-01-12 2024-01-12 一种基于反馈信息的处方审核方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410049186.3A CN117558400B (zh) 2024-01-12 2024-01-12 一种基于反馈信息的处方审核方法及系统

Publications (2)

Publication Number Publication Date
CN117558400A CN117558400A (zh) 2024-02-13
CN117558400B true CN117558400B (zh) 2024-03-15

Family

ID=89811564

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410049186.3A Active CN117558400B (zh) 2024-01-12 2024-01-12 一种基于反馈信息的处方审核方法及系统

Country Status (1)

Country Link
CN (1) CN117558400B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110706811A (zh) * 2019-09-29 2020-01-17 北京一药良心信息科技有限公司 一种中医辅助开方系统及其控制方法
CN111986770A (zh) * 2020-08-31 2020-11-24 平安医疗健康管理股份有限公司 药方用药审核方法、装置、设备及存储介质
CN113707296A (zh) * 2021-08-25 2021-11-26 平安国际智慧城市科技股份有限公司 医疗方案数据处理方法、装置、设备及存储介质
CN113822601A (zh) * 2021-11-18 2021-12-21 阿里健康科技(杭州)有限公司 一种问诊结果处理方法、服务器和终端设备
CN114822753A (zh) * 2022-05-06 2022-07-29 北京左医科技有限公司 一种处方审核方法、装置、电子设备及存储介质
CN115762704A (zh) * 2022-11-18 2023-03-07 联仁健康医疗大数据科技股份有限公司 一种处方审核方法、装置、设备和存储介质
CN116092698A (zh) * 2022-12-19 2023-05-09 讯飞医疗科技股份有限公司 一种处方审核方法、装置、系统和存储介质
CN116721734A (zh) * 2023-08-03 2023-09-08 天津医科大学总医院 一种前置处方审核方法及系统
CN116994702A (zh) * 2023-07-04 2023-11-03 康键信息技术（深圳）有限公司 处方审核方法及装置、存储介质、计算机设备
CN117116416A (zh) * 2023-08-28 2023-11-24 讯飞医疗科技股份有限公司 医嘱用药审核方法、装置、电子设备及存储介质
CN117238440A (zh) * 2023-09-07 2023-12-15 浙江远图技术股份有限公司 智慧药品配送系统及方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110706811A (zh) * 2019-09-29 2020-01-17 北京一药良心信息科技有限公司 一种中医辅助开方系统及其控制方法
CN111986770A (zh) * 2020-08-31 2020-11-24 平安医疗健康管理股份有限公司 药方用药审核方法、装置、设备及存储介质
CN113707296A (zh) * 2021-08-25 2021-11-26 平安国际智慧城市科技股份有限公司 医疗方案数据处理方法、装置、设备及存储介质
CN113822601A (zh) * 2021-11-18 2021-12-21 阿里健康科技(杭州)有限公司 一种问诊结果处理方法、服务器和终端设备
CN114822753A (zh) * 2022-05-06 2022-07-29 北京左医科技有限公司 一种处方审核方法、装置、电子设备及存储介质
CN115762704A (zh) * 2022-11-18 2023-03-07 联仁健康医疗大数据科技股份有限公司 一种处方审核方法、装置、设备和存储介质
CN116092698A (zh) * 2022-12-19 2023-05-09 讯飞医疗科技股份有限公司 一种处方审核方法、装置、系统和存储介质
CN116994702A (zh) * 2023-07-04 2023-11-03 康键信息技术（深圳）有限公司 处方审核方法及装置、存储介质、计算机设备
CN116721734A (zh) * 2023-08-03 2023-09-08 天津医科大学总医院 一种前置处方审核方法及系统
CN117116416A (zh) * 2023-08-28 2023-11-24 讯飞医疗科技股份有限公司 医嘱用药审核方法、装置、电子设备及存储介质
CN117238440A (zh) * 2023-09-07 2023-12-15 浙江远图技术股份有限公司 智慧药品配送系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
中国互联网医疗监管：三重逻辑分析及实践策略选择;王玉荣;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20230315;正文第1-4章 *

Also Published As

Publication number Publication date
CN117558400A (zh) 2024-02-13

Similar Documents

Publication Publication Date Title
Nelson et al. Measures of agreement between many raters for ordinal classifications
US7725330B2 (en) Systems and methods for automated extraction and processing of billing information in patient records
US8670997B2 (en) Quality metric extraction and editing for medical data
US10552576B2 (en) System and method for machine based medical diagnostic code identification, accumulation, analysis and automatic claim process adjudication
Liu et al. Healthcare fraud detection: A survey and a clustering model incorporating geo-location information
CN109545317A (zh) 基于住院预测模型判定住院行为的方法及相关产品
US20050137910A1 (en) Systems and methods for automated extraction and processing of billing information in patient records
US11923094B2 (en) Monitoring predictive models
WO2021159761A1 (zh) 病理数据的分析方法、装置、计算机设备和存储介质
CN109859815A (zh) 一种辅助用药决策方法及智能辅助用药系统
US11250953B2 (en) Techniques for integrating proxy nodes into graph-model-based investigatory-event mappings
WO2016073776A1 (en) System for management of health resources
CN108682457A (zh) 患者长期预后定量预测和干预系统及方法
CN110085325A (zh) 关于中医经验数据的知识图谱的构建方法及装置
EP3329403A1 (en) Reliability measurement in data analysis of altered data sets
US20220005565A1 (en) System with retroactive discrepancy flagging and methods for use therewith
CN117558400B (zh) 一种基于反馈信息的处方审核方法及系统
US20220253592A1 (en) System with report analysis and methods for use therewith
Beachler et al. Development and validation of a predictive model algorithm to identify anaphylaxis in adults with type 2 diabetes in US administrative claims data
Hajage et al. Estimation of conditional and marginal odds ratios using the prognostic score
CN114203306A (zh) 医疗事件预测模型训练方法、医疗事件预测方法及装置
CN112613313A (zh) 医嘱质控的方法、装置、设备、存储介质以及程序产品
Agbanyo National health insurance, women’s autonomy and maternal healthcare utilisation in Ghana
CN109783583A (zh) 一种医保对象分类方法和装置
CN113658659B (zh) 医疗信息的处理方法、装置、计算机设备和存储介质

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