CN117577264A - 给药信息确定方法、装置、电子设备及存储介质 - Google Patents
给药信息确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117577264A CN117577264A CN202311698903.7A CN202311698903A CN117577264A CN 117577264 A CN117577264 A CN 117577264A CN 202311698903 A CN202311698903 A CN 202311698903A CN 117577264 A CN117577264 A CN 117577264A
- Authority
- CN
- China
- Prior art keywords
- drug
- administration
- current
- sample
- prediction model
- 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
- 238000001647 drug administration Methods 0.000 title claims abstract description 207
- 238000000034 method Methods 0.000 title claims abstract description 118
- 239000003814 drug Substances 0.000 claims abstract description 234
- 229940079593 drug Drugs 0.000 claims abstract description 225
- 230000008569 process Effects 0.000 claims abstract description 74
- 238000012545 processing Methods 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims description 130
- 230000000857 drug effect Effects 0.000 claims description 97
- 230000003285 pharmacodynamic effect Effects 0.000 claims description 51
- 230000006870 function Effects 0.000 claims description 49
- 238000004590 computer program Methods 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 12
- 230000002787 reinforcement Effects 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000011282 treatment Methods 0.000 claims description 4
- 238000011269 treatment regimen Methods 0.000 claims 2
- 230000000694 effects Effects 0.000 abstract description 17
- 230000009471 action Effects 0.000 description 16
- 230000003068 static effect Effects 0.000 description 10
- 238000012937 correction Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000012377 drug delivery Methods 0.000 description 5
- 239000003795 chemical substances by application Substances 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 239000003193 general anesthetic agent Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 241000283973 Oryctolagus cuniculus Species 0.000 description 1
- 241000283984 Rodentia Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000001802 infusion Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 239000004081 narcotic agent Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000144 pharmacologic effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001356 surgical procedure Methods 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
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Medicinal Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种给药信息确定方法、装置、电子设备及存储介质,其中,该方法包括:获取目标药物作用于目标对象的给药过程数据;调取与目标药物对应的给药剂量预测模型,并基于给药剂量预测模型对给药过程数据进行处理,得到目标药物在当前给药时刻下作用于目标对象的给药推荐剂量,并基于预设处理方式对给药推荐剂量进行处理。本发明实施例的技术方案,实现了药物给药过程中的给药剂量辅助预测的效果,达到了在降低人力成本的同时,还可以提高药物给药剂量的预测准确率和预测效率的效果。
Description
技术领域
本发明涉及医疗行业技术领域,尤其涉及一种给药信息确定方法、装置、电子设备及存储介质。
背景技术
麻醉药物在医疗领域中扮演着至关重要的角色,用于实现手术、疼痛管理以及其他医学程序的成功进行。
目前,传统的麻醉药物给药方法中,医疗专业人员依赖于经验和患者的生理参数来决定药物的输注速率。
然而,这种方法的缺点在于:给药药量不准确,可能会存在用药不足或用药过量,导致用药效果较差的问题。
发明内容
本发明提供了一种给药信息确定方法、装置、电子设备及存储介质,以实现药物给药过程中的给药剂量辅助预测的效果,达到了在降低人力成本的同时,还可以提高药物给药剂量的预测准确率和预测效率的效果。
根据本发明的一方面,提供了一种给药信息确定方法,该方法包括:
获取目标药物作用于目标对象的给药过程数据,其中,所述给药过程数据包括目标对象在当前给药时刻和所述当前给药时刻之前至少一个历史给药时刻对应的生理特征参数序列、目标药物在所述当前给药时刻和所述至少一个历史给药时刻对应的药效参数序列以及所述目标药物在所述至少一个历史给药时刻对应的历史给药剂量序列;
调取与所述目标药物对应的给药剂量预测模型,并基于所述给药剂量预测模型对所述给药过程数据进行处理,得到所述目标药物在所述当前给药时刻下作用于所述目标对象的给药推荐剂量,并基于预设处理方式对所述给药推荐剂量进行处理,其中,所述给药剂量预测模型是基于强化学习算法确定的。
根据本发明的另一方面,提供了一种给药信息确定装置,该装置包括:
过程数据获取模块,用于获取目标药物作用于目标对象的给药过程数据,其中,所述给药过程数据包括目标对象在当前给药时刻和所述当前给药时刻之前至少一个历史给药时刻对应的生理特征参数序列、目标药物在所述当前给药时刻和所述至少一个历史给药时刻对应的药效参数序列以及所述目标药物在所述至少一个历史给药时刻对应的历史给药剂量序列;
数据处理模块,用于调取与所述目标药物对应的给药剂量预测模型,并基于所述给药剂量预测模型对所述给药过程数据进行处理,得到所述目标药物在所述当前给药时刻下作用于所述目标对象的给药推荐剂量,并基于预设处理方式对所述给药推荐剂量进行处理,其中,所述给药剂量预测模型是基于强化学习算法确定的。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的给药信息确定方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的给药信息确定方法。
本发明实施例的技术方案,通过获取目标药物作用于目标对象的给药过程数据,进一步的,调取与目标药物对应的给药剂量预测模型,并基于给药剂量预测模型对给药过程数据进行处理,得到目标药物在当前给药时刻下作用于目标对象的给药推荐剂量,并基于预设处理方式对给药推荐剂量进行处理,解决了相关技术中给药药量不准确,可能会存在用药不足或用药过量,导致用药效果较差的问题,实现了药物给药过程中的给药剂量辅助预测的效果,达到了在降低人力成本的同时,还可以提高药物给药剂量的预测准确率和预测效率的效果。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种给药信息确定方法的流程图;
图2是根据本发明实施例二提供的一种给药信息确定方法的流程图;
图3是根据本发明实施例三提供的一种给药信息确定装置的结构示意图;
图4是实现本发明实施例的给药信息确定方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1是本发明实施例一提供的一种给药信息确定方法的流程图,本实施例可适用于基于训练得到的给药剂量预测模型对给药推荐剂量进行预测的情况,该方法可以由给药信息确定装置来执行,该给药信息确定装置可以采用硬件和/或软件的形式实现,该给药信息确定装置可配置于终端和/或服务器中。如图1所示,该方法包括:
S110、获取目标药物作用于目标对象的给药过程数据。
在本实施例中,目标药物可以理解为待进行作用剂量预测的药物。目标药物可以是任意药物,可选的,目标药物可以是麻醉类药物。目标对象可以理解为接受药物的对象。目标对象可以是任意种类的生物体。可选的,目标对象的种类可以包括但不限于啮齿类、非人灵长类、犬类、兔类以及鱼类等。给药过程数据可以理解为在目标药物作用于目标对象的过程中所产生的数据。相应的,给药过程数据可以包括表征目标对象的生理特征的数据、表征目标药物作用于目标对象的作用剂量的数据以及表征目标药物的作用药效的数据等。一般情况下,给药过程数据可以是以给药时刻为节点的序列数据。其中,给药过程数据包括目标对象在当前给药时刻和当前给药时刻之前至少一个历史给药时刻对应的生理特征参数序列、目标药物在当前给药时刻和至少一个历史给药时刻对应的药效参数序列以及目标药物在至少一个历史给药时刻对应的历史给药剂量序列。
在本实施例中,对于目标药物作用于目标对象的整个过程,可以根据预先设置的划分规则对目标药物的作用过程进行划分,并得到多个给药时刻。进而,对于各个给药时刻,在确定到达当前给药时刻的情况下,即可将目标药物按照相应的剂量作用于目标对象。相应的,当前给药时刻以及至少一个历史给药时刻可以理解为目标药物作用于目标对象的时刻。需要说明的是,对于不同的目标药物,其对应的相邻两个给药时刻之间的间隔可以是不同的,即,给药时刻对应的划分步长可以与目标药物相对应。生理特征参数序列中包括各个给药时刻对应的生理特征参数。生理特征参数可以理解为表征对象生理学特征的参数。生理特征参数可以包括静态特征参数和动态特征参数。其中,静态特征参数可以是在目标药物的作用过程中不随时间和/或给药剂量变化而变化的特征参数,也可以理解为表征对象的新陈代谢特征和生长发育特征的特征参数。示例性的,静态特征参数可以包括年龄、身高、体重、身体质量指数或血常规等。动态特征参数可以在目标药物的作用过程中,随着时间和/或给药剂量变化而发生变化的特征参数。示例性的,动态特征参数可以包括心率或血压等。药效参数序列中包括各个给药时刻对应的药效参数。药效参数可以用于表征某一药物在用药后对机体产生一定强度的药理效应。一般情况下,对于不同的药物,其对应的药效参数也可以是不同的。示例性的,在目标药物为麻醉类药物的情况下,药效参数可以包括脑电双频指数(Bispectral Idex,BIS)或脑状态指数(Cerebral State Index,CSI)等。历史给药剂量序列中可以包括每个给药时刻对应的给药剂量。给药剂量可以理解为某一药物作用于任意对象的作用剂量。需要说明的是,对于给药剂量,在获取给药过程数据时对应的当前给药时刻下目标药物还未作用于目标对象,因此,目标药物在当前给药时刻下对应的给药剂量属于未知量,可以基于已获取的给药过程数据对当前给药时刻下对应的给药剂量进行预测。
在实际应用中,可以对目标药物的作用过程进行数据分析,以便基于数据分析结果对目标药物在各个给药时刻下作用于目标对象的给药剂量进行预测。因此,在目标药物作用于目标对象的过程中,可以获取目标药物作用于目标对象的给药过程数据,进而,可以基于已获取的给药过程数据对目标药物的给药剂量进行预测。
需要说明的是,对于生理特征参数,可以包括静态特征参数和动态特征参数,因此,在获取与目标对象对应的生理参数序列时,可以首先获取与目标对象对应的静态特征参数。进而,在目标药物作用于目标对象的过程中,对于各个给药时刻,可以对目标对象在当前给药时刻下的动态特征参数进行采集,并将预先获取的静态特征参数和采集到的当前给药时刻对应的动态特征参数作为当前给药时刻对应的生理特征参数。
可选的,生理特征参数序列中各生理特征参数包括静态特征参数和动态特征参数,确定生理特征参数序列,包括:获取与目标对象对应的静态特征参数;在目标药物作用于目标对象的过程中,对于各给药时刻,采集目标对象在当前给药时刻对应的动态特征参数,并将静态特征参数和动态特征参数作为当前给药时刻对应的生理特征参数。
在实际应用中,对于各个给药时刻对应的给药剂量和药效参数,在目标药物作用于目标对象的过程中,可以基于预先设置的剂量检测装置和药效检测装置分别对给药剂量和药效进行检测,并对各个给药时刻对应的给药剂量和药效参数进行采集。进而,可以得到目标药物在各个给药时刻对应的药效参数,并基于已采集的各药效参数构建药效参数序列;以及,可以得到目标药物在各个给药时刻对应的给药剂量,并基于已采集的各给药剂量构建历史给药剂量序列。
S120、调取与目标药物对应的给药剂量预测模型,并基于给药剂量预测模型对给药过程数据进行处理,得到目标药物在当前给药时刻下作用于目标对象的给药推荐剂量,并基于预设处理方式对给药推荐剂量进行处理。
其中,给药剂量预测模型是基于强化学习算法确定的。
在本实施例中,给药剂量预测模型可以理解为基于强化学习算法所确定的策略网络。本领域技术人员可以理解,策略网络可以是部署策略函数的深度神经网络模型,其对应的输入对象可以是智能体所处环境的状态,其对应的输出可以是根据所输入的状态所确定的决策动作。给药剂量预测模型可以是任意结构的神经网络模型。可选的,给药剂量预测模型的模型结构可以包括但不限于卷积神经网络(Convolutional Neural Network,CNN)和长短期记忆网络(Long Short-Term Memory network,LSTM)。给药推荐剂量可以理解为基于模型确定的给药预测剂量。需要说明的是,给药推荐剂量可以是目标药物在当前给药时刻下实际作用于目标对象的给药剂量;也可以不是目标药物在当前给药时刻下实际作用于目标对象的给药剂量,是在确定实际给药剂量时起到参考作用的推荐剂量,本实施例对此不作具体限定。
预设处理方式可以是预先设置的,对基于模型确定的给药推荐剂量进行处理的方式。预设处理方式可以是任意处理方式,可选的,可以是可视化显示。
在实际应用中,可以预先确定多个待测药物,并且,对于各个待测药物,可以预先训练得到与当前待测药物对应的药物剂量预测模型。进一步,可以获取各个待测药物对应的药物标识,并建立药物标识和药物剂量预测模型之间的映射关系。进而,可以将该映射关系和各药物剂量预测模型存储在数据库中。进一步的,在基于模型对目标药物的给药剂量进行预测时,可以根据目标药物对应的药物标识从预先存储的多个给药剂量预测模型中调取。
可选的,调取与目标药物对应的给药剂量预测模型,包括:确定目标药物对应的药物标识,并基于药物标识调取与目标药物对应的给药剂量预测模型。
在本实施例中,药物标识可以是用于识别相应药物的标识信息。药物标识可以是任意形式的标识信息,可选的,药物标识可以是药物名称、药物编号或药物图片等。
在实际应用中,在确定待进行剂量预测的目标药物之后,可以确定与目标药物对应的药物标识。进一步的,可以基于该药物标识和预先建立的映射关系确定与目标药物对应的药物剂量预测模型并调取。
进一步的,在调取与目标药物对应的药物剂量预测模型之后,即可将已获取的给药过程数据输入至调取到的药物剂量预测模型中。进而,可以基于药物剂量预测模型对给药过程数据进行处理,并得到目标药物在当前给药时刻下作用于目标对象的给药推荐剂量。之后,可以根据预设处理方式对给药推荐剂量进行处理。
在本实施例中,预设处理方式可以包括多种方式,可选的,可以包括可视化显示。可选的,基于预设处理方式对给药推荐剂量进行处理,包括:基于目标终端的显示界面对给药推荐剂量进行可视化显示。
在本实施例中,目标终端可以理解为用于处理给药过程数据的终端设备,也可以理解为用于部署给药剂量预测模型的设备,还可以理解为目标用户所属终端设备,本实施例对此不作具体限定。其中,目标用户可以是与目标药物的给药过程检测相关联的用户。可选的,目标终端可以是移动终端或者PC端等。
在实际应用中,在得到目标药物在当前给药时刻下作用于目标对象的给药推荐剂量之后,即可基于目标终端设备的显示界面对给药推荐剂量进行可视化显示。
本发明实施例的技术方案,通过获取目标药物作用于目标对象的给药过程数据,进一步的,调取与目标药物对应的给药剂量预测模型,并基于给药剂量预测模型对给药过程数据进行处理,得到目标药物在当前给药时刻下作用于目标对象的给药推荐剂量,并基于预设处理方式对给药推荐剂量进行处理,解决了相关技术中给药药量不准确,可能会存在用药不足或用药过量,导致用药效果较差的问题,实现了药物给药过程中的给药剂量辅助预测的效果,达到了在降低人力成本的同时,还可以提高药物给药剂量的预测准确率和预测效率的效果。
实施例二
图2是本发明实施例二提供的一种给药信息确定方法的流程图,在前述实施例的基础上,在基于给药剂量预测模型对给药过程数据进行处理之前,可以获取与各待测药物对应的在线训练样本和各待测药物对应的表征真实药效环境的预训练药效预测模型。进而,可以根据在线训练样本和预训练药效预测模型对待训练给药剂量预测模型进行训练,以得到各待测药物对应的给药剂量预测模型。其具体的实施方式可以参见本实施例技术方案。其中,与上述实施例相同或者相似的技术术语在此不再赘述。
如图2所示,该方法包括:
S210、对于各待测药物,获取与当前待测药物对应的多个在线训练样本,其中,各待测药物包括目标药物。
其中,在线训练样本包括样本对象在当前给药时刻和当前给药时刻之前至少一个历史给药时刻对应的样本生理特征参数序列、当前待测药物在当前给药时刻和至少一个历史给药时刻对应的样本药效参数序列、当前待测药物在至少一个历史给药时刻对应的历史给药剂量序列与至少一个历史给药时刻对应的历史给药反馈信息序列。
在本实施例中,待测药物可以是待进行测试的药物,该测试可以是基于模型确定给药剂量的测试。待测药物可以是任意药物。在线训练样本可以理解为在当前待测药物作用于样本对象的过程中实时采集的样本数据,也就是说,在线训练样本中所包括的数据为在线数据。样本对象即为接受当前待测药物的任意对象。当前给药时刻和至少一个历史给药时刻可以是与当前待测药物对应的给药时刻。样本生理特征参数序列中可以包括各个给药时刻对应的样本生理特征参数。需要说明的是,模型训练过程中所采用的样本生理特征参数的种类与模型应用过程中所采用的生理特征参数的种类相一致。可选的,样本生理特征参数可以包括静态特征参数和动态特征参数。样本药效参数序列中可以包括各个给药时刻对应的样本药效参数。历史给药剂量序列中可以包括各个给药时刻对应的给药剂量。历史给药反馈信息序列中可以包括各个给药时刻对应的给药反馈信息。
其中,给药反馈信息可以理解为给药反馈奖励,即,在执行给药动作之后,所得到的奖励。本领域技术人员可以理解,在强化学习领域,可以采用强化学习算法来对策略网络进行训练,以使训练完成的策略网络可以对智能体对应的当前时刻的状态进行判断,以得到当前时刻的目标决策动作。示例性的,可以采用柔性行动者-评论家算法对策略网络进行训练,对于柔性行动者-评论家算法,可以包括评判网络(如,状态价值网络和/或动作状态价值网络)和策略网络。其中,评判网络可以是一个“评论家”,并不直接采取动作,而是评价动作的好坏;策略网络可以是一个“行动者”,用于根据所输入的状态确定决策动作。所谓的策略网络,即建立一个神经网络模型,它可以通过观察环境状态,直接预测出目前最应该执行的策略,执行这个策略可以获得最大的期望收益,可以将该期望收益作为奖励。示例性的,在策略网络训练过程中,获取t时刻对应的状态st,将st输入至策略网络中,策略网络可以基于所输入的状态确定决策动作at,对st实施决策动作at,得到新状态,即为t+1时刻对应的状态st+1,并得到t时刻对应的奖励rt。进一步的,基于奖励rt可以对强化学习中的评判网络和策略网络进行参数修正,以得到训练完成的策略网络。
需要说明的是,在进行在线训练样本采集时,为了确保当前待测药物对样本对象作用过程的安全性,对于初始给药时刻,可以采用预设初始给药剂量作用于样本对象,并且,可以对样本对象在给药之后的药效参数进行检测,并得到初始给药时刻对应的药效参数。在本实施例中,给药剂量序列中首个给药时刻对应的样本给药剂量为预设初始给药剂量,样本药效参数序列中首个给药时刻对应的样本药效数据是基于预设初始给药剂量确定的。
可选的,首个给药时刻对应的样本药效数据的确定过程可以为:获取样本对象针对当前待测药物的预设初始给药剂量,并将预设初始给药剂量作为首个给药时刻对应的样本给药剂量;基于首个给药时刻对应的样本给药剂量和样本对象在首个给药时刻对应的样本生理特征参数,确定目标药物在首个给药时刻下对应的真实药效参数,并将真实药效参数作为首个给药时刻对应的样本药效参数。
在本实施例中,预设初始给药剂量可以是预先确定的初始给药剂量。预设初始给药剂量可以与样本对象相匹配,即,可以根据样本对象在当前情况下的生理特征参数和/或其他因素来确定与样本对象对应的预设初始给药剂量。
在实际应用中,可以获取样本对象针对当前待测药物的预设初始给药剂量,并将预设初始给药剂量作为首个给药时刻对应的样本给药剂量。进一步的,可以将首个给药时刻对应的样本给药剂量作用于样本对象,以基于样本对象在首个给药时刻对应的样本生理特征参数和样本给药剂量确定目标药物在首个给药时刻对应的真实药效参数。进而,可以将真实药效参数作为首个给药时刻对应的样本药效参数。
需要说明的是,由于很难或无法采集真实给药环境下各个给药时刻下对应的药效参数,因此,可以构建用于模拟真实给药环境的环境模型,该环境模型可以是药效预测模型。进而,可以基于药效预测模型对各个给药时刻下的样本给药剂量和样本生理特征参数进行处理,以得到各个给药时刻下对应的药效参数。在本实施例中,对于除首个给药时刻之外的其他给药时刻,可以基于预先构建的药效预测模型确定其他给药时刻下对应的药效参数。
S220、调取与当前待测药物对应的预训练药效预测模型。
在本实施例中,预训练药效预测模型可以理解为预训练阶段完成后得到的药效预测模型。在实际应用中,可以预先构建与当前待测药物相对应的,用于模拟当前待测药物的给药环境的环境模型,该环境模型可以是待训练药效预测模型。进一步,可以基于离线样本对待训练药效预测模型进行预训练,得到预训练药效预测模型,以使预训练药效预测模型可以初步模拟当前待测药物的药效参数。
可选的,预训练药效预测模型的预训练过程可以是:获取多个离线样本数据;对于各离线训练样本,将当前离线训练样本中的样本生理特征参数和样本给药剂量输入至待训练药效预测模型中,得到与当前离线训练样本对应的模型预测药效参数;基于当前离线训练样本对应的模型预测药效数据和当前离线训练样本中的理论药效参数,确定损失值;基于损失值对待训练药效预测模型中的模型参数进行调整,以得到与当前待测药物对应的预训练药效预测模型。
其中,离线训练样本包括样本对象在多个历史给药时刻对应的样本生理特征参数、当前待测药物在多个历史给药时刻下对应的样本给药剂量以及当前待测药物在预测时刻下对应的理论药效参数。
在本实施例中,离线训练样本可以理解为历史数据,即,已存储至数据库中的数据。理论药效参数可以理解为已存储的药效记录中所记录的真实药效参数。一般情况下,样本给药剂量和理论药效参数可以通过给药与药效的时间关系曲线来确定,即,药效-时间曲线。其中,可以将任意药物在对象体内的药效参数以及在每个给药时刻对应的给药剂量作为纵坐标,以该药物在对象体内的时间作为横坐标,来构建该药物对应的药效-时间曲线。待训练药效预测模型中的模型参数可以是默认值或初始值。通过训练样本对待训练药效预测模型中的模型参数进行修正,以得到预训练药效预测模型。模型预测药效参数可以是将离线训练样本输入至待训练药效预测模型后输出的药效预测结果。损失值可以理解为真实药效参数和模型预测药效参数之间的差异值。损失函数可以为基于损失值确定的,用于表征实际输出和理论输出之间差异程度的函数。
在实际应用中,可以在预先构建的数据库中获取与当前待测药物对应的多个样本对象的历史给药过程数据。进而,可以根据多个样本对象对应的历史给药过程数据构建与当前待测药物对应的多个离线训练样本。进一步的,针对各离线训练样本,可以将当前离线训练样本中的样本生理特征和样本给药剂量输入至待训练药效预测模型中,以基于待训练药效预测模型对样本生理特征和样本给药剂量进行处理,得到与当前离线训练样本对应的模型预测药效参数。
进一步的,可以将该模型预测药效参数和真实药效参数相比较,确定损失值。进而,可以根据损失值对待训练药效预测模型中的模型参数进行修正。之后,可以将待训练药效预测模型中的损失函数的训练误差,即损失参数,作为检测当前损失函数是否达到收敛的条件,例如,训练误差是否小于预设误差或误差变化趋势是否趋于稳定,或者当前的模型迭代次数是否等于预设次数等。若检测达到收敛条件,例如损失函数的训练误差小于预设误差或误差变化趋于稳定,表明当前待训练药效预测模型训练完成,此时可以停止迭代训练。若检测到当前未达到收敛条件,则可以进一步获取当前离线训练样本对待训练药效预测模型进行训练,直至损失函数的训练误差在预设范围之内。当损失函数的训练误差达到收敛时,可以将当前训练得到的待训练药效预测模型作为预训练药效预测模型。
S230、基于多个在线训练样本对预训练药效预测模型、待训练给药剂量预测模型和状态价值模型进行训练,以确定与当前待测药物对应的给药剂量预测模型和药效预测模型。
在本实施例中,待训练给药剂量预测模型可以是模型参数为初始值或默认值的神经网络模型。待训练给药剂量预测模型可以是强化学习中的待训练策略网络。状态价值模型即为强化学习中的待训练评判网络。状态价值模型可以理解为将当前时刻和下一时刻的状态作为输入对象,以对当前时刻的状态进行评价的深度神经网络。
在本实施例中,可以基于预训练药效预测模型模拟当前待测药物在各个给药时刻下对应的药效参数,进而,可以基于预训练药效预测模型所输出的药效参数和在线训练样本对待训练给药剂量预测模型和状态价值模型进行训练,并得到训练完成的药效预测模型、给药剂量预测模型和状态价值模型。从而,可以得到当前待测药物对应的给药剂量预测模型,并且可以将该给药剂量预测模型应用至真实给药环境中。
需要说明的是,预训练药效预测模型仅是起到模拟真实给药环境的作用,对于给药剂量预测模型的训练过程起到辅助作用。这样设置的好处在于:降低了给药剂量预测模型的训练成本,同时,提升了给药剂量预测模型的训练效率,提高了给药剂量预测模型的泛化能力。
在实际应用中,在得到多个在线训练样本和预训练药效预测模型之后,即可基于多个在线训练样本对预训练药效预测模型、待训练给药剂量预测模型和状态价值模型进行训练。进而,可以得到与当前待测药物对应的给药剂量预测模型。
可选的,基于多个在线训练样本对预训练药效预测模型、待训练给药剂量预测模型和状态价值模型进行训练,以确定给药剂量预测模型,包括:对于各在线训练样本,将当前在线训练样本中的样本生理特征参数序列、历史给药剂量序列、样本药效参数序列输入至待训练给药剂量预测模型中,得到样本对象在当前给药时刻对应的给药预测剂量和当前给药时刻对应的给药反馈信息;根据待训练给药剂量预测模型对应的第一损失函数对给药预测剂量和给药反馈信息进行处理,得到第一损失值,并基于第一损失值对待训练给药剂量预测模型中的参数进行修正;将当前在线训练样本中的生理特征参数序列、给药剂量序列、药效数据序列以及下一给药时刻对应的给药预测剂量输入至预训练药效预测模型中,得到目标药物在下一给药时刻对应的药效预测参数;根据预训练药效预测模型对应的第二损失函数对药效预测参数和给药反馈信息进行处理,得到第二损失值,并基于第二损失值对待训练给药剂量预测模型中的参数进行修正;将当前在线样本中的药效数据序列和下一给药时刻对应的药效预测数据输入至状态价值模型中,得到与当前给药时刻对应的状态价值;根据与状态价值网络对应的第三损失函数对状态价值和给药反馈信息进行处理,得到第三损失值,并基于第三损失值对状态价值模型中的参数进行修正;在检测到第一损失函数、第二损失函数和第三损失函数均收敛的情况下,得到与当前待测药物对应的药效预测模型和给药剂量预测模型,并基于给药剂量预测模型对当前待测药物在预测时刻下作用于目标对象的给药剂量进行预测,得到给药推荐剂量。
在本实施例中,第一损失函数可以是部署在待训练给药剂量预测模型中的损失函数,用于指示待训练给药剂量预测模型的模型输出与给药反馈信息之间差异程度的函数。在本实施例中,第一损失函数可以是柔性行动者-评论家算法中所包括的策略网络损失函数。需要说明的是,策略网络的训练依赖于评判网络针对策略网络的实际输出所做出的评价(即,状态价值网络的实际输出)。因此,第一损失函数可以与状态价值网络对应的实际输出相关联。
在本实施例中,第二损失函数可以是部署在预训练给药剂量预测模型中的损失函数,用于指示预训练给药剂量预测模型的模型输出与给药反馈信息之间差异程度的函数。
在本实施例中,第三损失函数可以预先设置的,用于表征状态价值网络的实际输出与给药反馈信息之间差异程度的函数。在本实施例中,第三损失函数可以是时序差分函数。
在实际应用中,对于各在线训练样本,可以将当前在线训练样本中的样本生理特征参数序列、历史给药剂量序列和样本药效参数序列输入至待训练给药剂量预测模型中,以基于待训练给药剂量预测模型对样本生理特征参数序列、历史给药剂量序列和样本药效参数序列进行处理,并输出当前待测药物在当前给药时刻对应的给药预测剂量和当前给药时刻对应的给药反馈信息。进一步的,可以根据待训练给药剂量预测模型对应的第一损失函数对给药预测剂量和给药反馈信息进行处理,得到第一损失值,并基于第一损失值对待训练给药剂量预测模型中的参数进行修正。之后,可以将当前在线训练样本中的样本生理特征参数序列、历史给药剂量序列、样本药效参数序列以及当前给药时刻对应的给药预测剂量输入至预训练药效预测模型中,得到当前待测药物在下一给药时刻对应的药效预测参数。之后,可以根据预训练药效预测模型对应的第二损失函数对药效预测数据和给药反馈信息进行处理,得到第二损失值,并基于第二损失值对待训练给药剂量预测模型中的参数进行修正。进一步的,将当前在线样本中的样本药效参数序列和下一给药时刻对应的药效预测参数输入至状态价值模型中,得到与当前给药时刻对应的状态价值。进而,可以根据与状态价值模型对应的第三损失函数对状态价值和给药反馈信息进行处理,得到第三损失值,并基于第三损失值对状态价值模型中的参数进行修正。
具体的,在利用损失值对各个模型中的模型参数进行修正时,可以将损失函数收敛作为训练目标,比如训练误差是否小于预设误差,或误差变化是否趋于稳定,或者当前的迭代次数是否等于预设次数。若检测达到收敛条件,比如损失函数的训练误差小于预设误差,或者误差变化趋势趋于稳定,表明该模型训练完成,此时可以停止迭代训练。若检测到当前未达到收敛条件,可以进一步获取其他在线训练样本以对该模型继续进行训练,直至损失函数的训练误差在预设范围之内。在检测到第一损失函数、第二损失函数和第三损失函数均收敛的情况下,得到与当前待测药物对应的药效预测模型和给药剂量预测模型,并基于给药剂量预测模型对当前待测药物在预测时刻下作用于目标对象的给药剂量进行预测,得到给药推荐剂量。
S240、获取目标药物作用于目标对象的给药过程数据。
S250、调取与目标药物对应的给药剂量预测模型,并基于给药剂量预测模型对给药过程数据进行处理,得到目标药物在当前给药时刻下作用于目标对象的给药推荐剂量,并基于预设处理方式对给药推荐剂量进行处理。
本发明实施例的技术方案,通过获取目标药物作用于目标对象的给药过程数据,进一步的,调取与目标药物对应的给药剂量预测模型,并基于给药剂量预测模型对给药过程数据进行处理,得到目标药物在当前给药时刻下作用于目标对象的给药推荐剂量,并基于预设处理方式对给药推荐剂量进行处理,解决了相关技术中给药药量不准确,可能会存在用药不足或用药过量,导致用药效果较差的问题,实现了药物给药过程中的给药剂量辅助预测的效果,达到了在降低人力成本的同时,还可以提高药物给药剂量的预测准确率和预测效率的效果。
实施例三
图3是本发明实施例三提供的一种给药信息确定装置的结构示意图。如图3所示,该装置包括:过程数据获取模块310和数据处理模块320。
其中,过程数据获取模块310,用于获取目标药物作用于目标对象的给药过程数据,其中,所述给药过程数据包括目标对象在当前给药时刻和所述当前给药时刻之前至少一个历史给药时刻对应的生理特征参数序列、目标药物在所述当前给药时刻和所述至少一个历史给药时刻对应的药效参数序列以及所述目标药物在所述至少一个历史给药时刻对应的历史给药剂量序列;数据处理模块320,用于调取与所述目标药物对应的给药剂量预测模型,并基于所述给药剂量预测模型对所述给药过程数据进行处理,得到所述目标药物在所述当前给药时刻下作用于所述目标对象的给药推荐剂量,并基于预设处理方式对所述给药推荐剂量进行处理,其中,所述给药剂量预测模型是基于强化学习算法确定的。
本发明实施例的技术方案,通过获取目标药物作用于目标对象的给药过程数据,进一步的,调取与目标药物对应的给药剂量预测模型,并基于给药剂量预测模型对给药过程数据进行处理,得到目标药物在当前给药时刻下作用于目标对象的给药推荐剂量,并基于预设处理方式对给药推荐剂量进行处理,解决了相关技术中给药药量不准确,可能会存在用药不足或用药过量,导致用药效果较差的问题,实现了药物给药过程中的给药剂量辅助预测的效果,达到了在降低人力成本的同时,还可以提高药物给药剂量的预测准确率和预测效率的效果。
可选的,数据处理模块320包括:模型调取单元。
模型调取单元,用于确定所述目标药物对应的药物标识,并基于所述药物标识调取与所述目标药物对应的给药剂量预测模型。
可选的,所述预设处理方式包括可视化显示,数据处理模块320包括:给药推荐剂量显示单元。
给药推荐剂量显示单元,用于基于目标终端的显示界面对所述给药推荐剂量进行可视化显示。
可选的,所述装置还包括:在线训练样本获取模块、预训练药效预测模型调取模块和模型训练模块。
在线训练样本获取模块,用于对于各待测药物,获取与当前待测药物对应的多个在线训练样本,其中,所述在线训练样本包括样本对象在当前给药时刻和所述当前给药时刻之前至少一个历史给药时刻对应的样本生理特征参数序列、当前待测药物在所述当前给药时刻和所述至少一个历史给药时刻对应的样本药效参数序列、所述当前待测药物在所述至少一个历史给药时刻对应的历史给药剂量序列以及给药反馈信息序列,所述给药剂量序列中首个给药时刻对应的样本给药剂量为预设初始给药剂量,所述样本药效参数序列中首个给药时刻对应的样本药效数据是基于所述预设初始给药剂量确定的,所述各待测药物包括目标药物;
预训练药效预测模型调取模块,用于调取与所述当前待测药物对应的预训练药效预测模型;
模型训练模块,用于基于所述多个在线训练样本对所述预训练药效预测模型、待训练给药剂量预测模型和状态价值模型进行训练,以确定与所述当前待测药物对应的给药剂量预测模型和药效预测模型。
可选的,所述装置还包括:预设初始给药剂量获取模块和样本药效参数确定模块。
预设初始给药剂量获取模块,用于获取样本对象针对当前待测药物的预设初始给药剂量,并将所述预设初始给药剂量作为首个给药时刻对应的样本给药剂量;
样本药效参数确定模块,用于基于所述首个给药时刻对应的样本给药剂量和所述样本对象在所述首个给药时刻对应的样本生理特征参数,确定所述当前待测药物在所述首个给药时刻下对应的真实药效参数,并将所述真实药效参数作为所述首个给药时刻对应的样本药效参数。
可选的,模型训练模块包括:给药预测剂量确定单元、模型参数修正第一单元、药效预测参数确定单元、模型参数修正第二单元、状态价值确定单元、模型参数修正第三单元和模型确定单元。
给药预测剂量确定单元,用于对于各在线训练样本,将当前在线训练样本中的样本生理特征参数序列、历史给药剂量序列和样本药效参数序列输入至待训练给药剂量预测模型中,得到所述当前待测药物在当前给药时刻对应的给药预测剂量和所述当前给药时刻对应的给药反馈信息;
模型参数修正第一单元,用于根据所述待训练给药剂量预测模型对应的第一损失函数对所述给药预测剂量和所述给药反馈信息进行处理,得到第一损失值,并基于所述第一损失值对所述待训练给药剂量预测模型中的参数进行修正;
药效预测参数确定单元,用于将所述当前在线训练样本中的样本生理特征参数序列、历史给药剂量序列、样本药效参数序列以及所述当前给药时刻对应的给药预测剂量输入至所述预训练药效预测模型中,得到所述当前待测药物在下一给药时刻对应的药效预测参数;
模型参数修正第二单元,用于根据所述预训练药效预测模型对应的第二损失函数对所述药效预测参数和所述给药反馈信息进行处理,得到第二损失值,并基于所述第二损失值对所述待训练给药剂量预测模型中的参数进行修正;
状态价值确定单元,用于将所述当前在线样本中的样本药效参数序列和所述下一给药时刻对应的药效预测参数输入至状态价值模型中,得到与所述当前给药时刻对应的状态价值;
模型参数修正第三单元,用于根据与所述状态价值模型对应的第三损失函数对所述状态价值和所述给药反馈信息进行处理,得到第三损失值,并基于所述第三损失值对所述状态价值模型中的参数进行修正;
模型确定单元,用于在检测到所述第一损失函数、所述第二损失函数和所述第三损失函数均收敛的情况下,得到与所述当前待测药物对应的药效预测模型和给药剂量预测模型,并基于所述给药剂量预测模型对所述当前待测药物在预测时刻下作用于目标对象的给药剂量进行预测,得到给药推荐剂量。
可选的,所述装置还包括:离线训练样本获取模块、离线训练样本处理模块、损失值确定模块和模型参数修正模块。
离线训练样本获取模块,用于对于各待测药物,获取与当前待测药物对应的多个离线训练样本,其中,所述离线训练样本包括样本对象在多个历史给药时刻对应的历史生理特征参数、样本药物在所述多个历史给药时刻下对应的历史给药剂量以及所述当前待测药物在预测时刻下对应的真实药效参数;
离线训练样本处理模块,用于对于各离线训练样本,将当前离线训练样本中的历史生理特征参数和历史给药剂量输入至待训练药效预测模型中,得到与所述当前离线训练样本对应的模型预测药效参数;
损失值确定模块,用于基于所述当前离线训练样本对应的模型预测药效参数和所述当前离线训练样本中的真实药效数据,确定损失值;
模型参数修正模块,用于基于所述损失值对所述待训练药效预测模型中的模型参数进行调整,以得到与所述当前待测药物对应的预训练药效预测模型。
本发明实施例所提供的给药信息确定装置可执行本发明任意实施例所提供的给药信息确定方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如给药信息确定方法。
在一些实施例中,给药信息确定方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的给药信息确定方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行给药信息确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种给药信息确定方法,其特征在于,包括:
获取目标药物作用于目标对象的给药过程数据,其中,所述给药过程数据包括目标对象在当前给药时刻和所述当前给药时刻之前至少一个历史给药时刻对应的生理特征参数序列、目标药物在所述当前给药时刻和所述至少一个历史给药时刻对应的药效参数序列以及所述目标药物在所述至少一个历史给药时刻对应的历史给药剂量序列;
调取与所述目标药物对应的给药剂量预测模型,并基于所述给药剂量预测模型对所述给药过程数据进行处理,得到所述目标药物在所述当前给药时刻下作用于所述目标对象的给药推荐剂量,并基于预设处理方式对所述给药推荐剂量进行处理,其中,所述给药剂量预测模型是基于强化学习算法确定的。
2.根据权利要求1所述的方法,其特征在于,所述调取与所述目标药物对应的给药剂量预测模型,包括:
确定所述目标药物对应的药物标识,并基于所述药物标识调取与所述目标药物对应的给药剂量预测模型。
3.根据权利要求1所述的方法,其特征在于,所述预设处理方式包括可视化显示,所述基于预设处理方式对所述给药推荐剂量进行处理,包括:
基于目标终端的显示界面对所述给药推荐剂量进行可视化显示。
4.根据权利要求1所述的方法,其特征在于,还包括:
对于各待测药物,获取与当前待测药物对应的多个在线训练样本,其中,所述在线训练样本包括样本对象在当前给药时刻和所述当前给药时刻之前至少一个历史给药时刻对应的样本生理特征参数序列、当前待测药物在所述当前给药时刻和所述至少一个历史给药时刻对应的样本药效参数序列、所述当前待测药物在所述至少一个历史给药时刻对应的历史给药剂量序列以及所述至少一个历史给药时刻对应的给药反馈信息序列,所述历史给药剂量序列中首个给药时刻对应的样本给药剂量为预设初始给药剂量,所述样本药效参数序列中首个给药时刻对应的样本药效数据是基于所述预设初始给药剂量确定的,所述各待测药物包括目标药物;
调取与所述当前待测药物对应的预训练药效预测模型;
基于所述多个在线训练样本对所述预训练药效预测模型、待训练给药剂量预测模型和状态价值模型进行训练,以确定与所述当前待测药物对应的给药剂量预测模型和药效预测模型。
5.根据权利要求4所述的方法,其特征在于,还包括:
获取样本对象针对当前待测药物的预设初始给药剂量,并将所述预设初始给药剂量作为首个给药时刻对应的样本给药剂量;
基于所述首个给药时刻对应的样本给药剂量和所述样本对象在所述首个给药时刻对应的样本生理特征参数,确定所述当前待测药物在所述首个给药时刻下对应的真实药效参数,并将所述真实药效参数作为所述首个给药时刻对应的样本药效参数。
6.根据权利要求4所述的方法,其特征在于,所述基于所述多个在线训练样本对所述预训练药效预测模型、待训练给药剂量预测模型和状态价值模型进行训练,以确定与所述当前待测药物对应的给药剂量预测模型和药效预测模型,包括:
对于各在线训练样本,将当前在线训练样本中的样本生理特征参数序列、历史给药剂量序列和样本药效参数序列输入至待训练给药剂量预测模型中,得到所述当前待测药物在当前给药时刻对应的给药预测剂量和所述当前给药时刻对应的给药反馈信息;
根据所述待训练给药剂量预测模型对应的第一损失函数对所述给药预测剂量和所述给药反馈信息进行处理,得到第一损失值,并基于所述第一损失值对所述待训练给药剂量预测模型中的参数进行修正;
将所述当前在线训练样本中的样本生理特征参数序列、历史给药剂量序列、样本药效参数序列以及所述当前给药时刻对应的给药预测剂量输入至所述预训练药效预测模型中,得到所述当前待测药物在下一给药时刻对应的药效预测参数;
根据所述预训练药效预测模型对应的第二损失函数对所述药效预测参数和所述给药反馈信息进行处理,得到第二损失值,并基于所述第二损失值对所述待训练给药剂量预测模型中的参数进行修正;
将所述当前在线样本中的样本药效参数序列和所述下一给药时刻对应的药效预测参数输入至状态价值模型中,得到与所述当前给药时刻对应的状态价值;
根据与所述状态价值模型对应的第三损失函数对所述状态价值和所述给药反馈信息进行处理,得到第三损失值,并基于所述第三损失值对所述状态价值模型中的参数进行修正;
在检测到所述第一损失函数、所述第二损失函数和所述第三损失函数均收敛的情况下,得到与所述当前待测药物对应的药效预测模型和给药剂量预测模型,并基于所述给药剂量预测模型对所述当前待测药物在预测时刻下作用于目标对象的给药剂量进行预测,得到给药推荐剂量。
7.根据权利要求4所述的方法,其特征在于,还包括:
对于各待测药物,获取与当前待测药物对应的多个离线训练样本,其中,所述离线训练样本包括样本对象在多个历史给药时刻对应的历史生理特征参数、样本药物在所述多个历史给药时刻下对应的历史给药剂量以及所述当前待测药物在预测时刻下对应的真实药效参数;
对于各离线训练样本,将当前离线训练样本中的历史生理特征参数和历史给药剂量输入至待训练药效预测模型中,得到与所述当前离线训练样本对应的模型预测药效参数;
基于所述当前离线训练样本对应的模型预测药效参数和所述当前离线训练样本中的真实药效参数,确定损失值;
基于所述损失值对所述待训练药效预测模型中的模型参数进行调整,以得到与所述当前待测药物对应的预训练药效预测模型。
8.一种给药信息确定装置,其特征在于,包括:
过程数据获取模块,用于获取目标药物作用于目标对象的给药过程数据,其中,所述给药过程数据包括目标对象在当前给药时刻和所述当前给药时刻之前至少一个历史给药时刻对应的生理特征参数序列、目标药物在所述当前给药时刻和所述至少一个历史给药时刻对应的药效参数序列以及所述目标药物在所述至少一个历史给药时刻对应的历史给药剂量序列;
数据处理模块,用于调取与所述目标药物对应的给药剂量预测模型,并基于所述给药剂量预测模型对所述给药过程数据进行处理,得到所述目标药物在所述当前给药时刻下作用于所述目标对象的给药推荐剂量,并基于预设处理方式对所述给药推荐剂量进行处理,其中,所述给药剂量预测模型是基于强化学习算法确定的。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的给药信息确定方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的给药信息确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311698903.7A CN117577264A (zh) | 2023-12-12 | 2023-12-12 | 给药信息确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311698903.7A CN117577264A (zh) | 2023-12-12 | 2023-12-12 | 给药信息确定方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117577264A true CN117577264A (zh) | 2024-02-20 |
Family
ID=89886292
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311698903.7A Pending CN117577264A (zh) | 2023-12-12 | 2023-12-12 | 给药信息确定方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117577264A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160300037A1 (en) * | 2015-04-09 | 2016-10-13 | Diane R. MOULD | Systems and methods for patient-specific dosing |
CN110827950A (zh) * | 2019-11-25 | 2020-02-21 | 四川大学华西医院 | 麻醉药物用量的确定方法、模型的训练方法以及模型 |
CN115444366A (zh) * | 2022-08-30 | 2022-12-09 | 广东工业大学 | 一种麻醉深度预测方法 |
CN115458175A (zh) * | 2022-09-29 | 2022-12-09 | 中国航天科工集团七三一医院 | 基于数字孪生的给药剂量评估系统及其应用 |
CN116129988A (zh) * | 2022-12-22 | 2023-05-16 | 南栖仙策(南京)高新技术有限公司 | 一种模型构建方法、装置、设备和介质 |
CN117198512A (zh) * | 2023-11-07 | 2023-12-08 | 讯飞医疗科技股份有限公司 | 给药量预测方法及相关装置、设备和存储介质 |
-
2023
- 2023-12-12 CN CN202311698903.7A patent/CN117577264A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160300037A1 (en) * | 2015-04-09 | 2016-10-13 | Diane R. MOULD | Systems and methods for patient-specific dosing |
CN110827950A (zh) * | 2019-11-25 | 2020-02-21 | 四川大学华西医院 | 麻醉药物用量的确定方法、模型的训练方法以及模型 |
CN115444366A (zh) * | 2022-08-30 | 2022-12-09 | 广东工业大学 | 一种麻醉深度预测方法 |
CN115458175A (zh) * | 2022-09-29 | 2022-12-09 | 中国航天科工集团七三一医院 | 基于数字孪生的给药剂量评估系统及其应用 |
CN116129988A (zh) * | 2022-12-22 | 2023-05-16 | 南栖仙策(南京)高新技术有限公司 | 一种模型构建方法、装置、设备和介质 |
CN117198512A (zh) * | 2023-11-07 | 2023-12-08 | 讯飞医疗科技股份有限公司 | 给药量预测方法及相关装置、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240164721A1 (en) | Method and apparatus for determining meal start and peak events in analyte monitoring systems | |
WO2020181805A1 (zh) | 糖尿病的预测方法及装置、存储介质、计算机设备 | |
CN112885481A (zh) | 病例分组方法、装置、电子设备及存储介质 | |
WO2023130598A1 (zh) | 胰岛素推荐方法和装置、监控血糖水平的系统 | |
CN112967803A (zh) | 基于集成模型的急诊患者早期死亡率预测方法及系统 | |
CN112447270A (zh) | 一种用药推荐方法、装置、设备及存储介质 | |
CN111128327B (zh) | 一种低血糖预警方法和装置 | |
US20200321082A1 (en) | Confidence evaluation to measure trust in behavioral health survey results | |
CN116719926B (zh) | 基于智慧医疗的先天性心脏病报告数据筛选方法及系统 | |
CN115905960B (zh) | 一种基于心室辅助装置的不良事件检测方法及装置 | |
CN117577264A (zh) | 给药信息确定方法、装置、电子设备及存储介质 | |
CN110097965A (zh) | 基于血液细胞分析仪的结果数据分析方法及装置 | |
CN112075930A (zh) | 基于散点图的分析预警装置、方法、系统和电子设备 | |
CN116327133A (zh) | 一种多生理指标检测方法、装置及相关设备 | |
CN114145738B (zh) | 分析物浓度数据生成方法和装置、监测分析物水平的系统 | |
WO2019084864A1 (zh) | 电子病历的评价方法及装置 | |
CN114424934A (zh) | 呼吸暂停事件筛查模型训练方法、装置和计算机设备 | |
CN210776809U (zh) | 一种望诊图像质量评价系统、设备及存储介质 | |
CN112754457A (zh) | 体脂健康状态获取方法、装置和系统 | |
CN113066580A (zh) | 一种医疗评分确定方法、装置、电子设备及存储介质 | |
CN112711579A (zh) | 医疗数据的质量检测方法及装置、存储介质及电子设备 | |
CN118016237A (zh) | 给药剂量确定方法、装置、电子设备及存储介质 | |
CN115966314B (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
CN115019969A (zh) | 一种健康状态评估方法、装置、设备及存储介质 | |
CN114334043A (zh) | 基于医保的对诊疗关键路径监测方法及装置 |
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 |