CN118016237A - 给药剂量确定方法、装置、电子设备及存储介质 - Google Patents

给药剂量确定方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN118016237A
CN118016237A CN202410089621.5A CN202410089621A CN118016237A CN 118016237 A CN118016237 A CN 118016237A CN 202410089621 A CN202410089621 A CN 202410089621A CN 118016237 A CN118016237 A CN 118016237A
Authority
CN
China
Prior art keywords
target
drug
time curve
sample
medicine
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202410089621.5A
Other languages
English (en)
Inventor
杜兴豪
刘天硕
张智龙
韩璐瑶
陈香
俞扬
余果
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.)
Nanqi Xiance Nanjing High Tech Co ltd
Original Assignee
Nanqi Xiance Nanjing High Tech Co ltd
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 Nanqi Xiance Nanjing High Tech Co ltd filed Critical Nanqi Xiance Nanjing High Tech Co ltd
Priority to CN202410089621.5A priority Critical patent/CN118016237A/zh
Publication of CN118016237A publication Critical patent/CN118016237A/zh
Pending legal-status Critical Current

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
    • G16H20/13—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients delivered from dispensers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Medicinal Chemistry (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开了一种给药剂量确定方法、装置、电子设备及存储介质。其中，该方法包括：获取与目标对象对应的待处理特征向量和目标对象针对目标药物的至少一个候选给药剂量；基于与目标药物对应的药时曲线预测模型分别对待处理特征向量和各候选给药剂量进行处理，得到与目标药物对应的至少一条预测药时曲线；基于至少一条预测药时曲线，从至少一个候选给药剂量中确定出将目标药物作用于目标对象的目标推荐剂量。本发明实施例的技术方案，实现了对药物作用于对象上的药效情况进行预先预测，并基于所得到的药效预测结果辅助确定药物给药剂量的效果，达到了在降低人力成本的同时，还可以提高治疗方案的制定效率和稳定性的效果。

Description

给药剂量确定方法、装置、电子设备及存储介质
技术领域
本发明涉及医疗行业技术领域，尤其涉及一种给药剂量确定方法、装置、电子设备及存储介质。
背景技术
目前，在制定就诊对象的治疗方案时，通常是依赖人工进行。基于就诊对象的综合信息，接诊对象根据其专业经验制定初步治疗方案。在治疗过程中，接诊对象需根据就诊对象各项指标的变化随时调整治疗计划，包括调整药物剂量和改变治疗方法，以期获得最佳疗效。
然而，由于信息量庞大、范围广泛，存在治疗方案效果不佳的情况。另外，由于复诊周期性和偶发事件的出现，需要调整的治疗计划可能无法及时发现和更新，导致就诊对象的健康无法即时得到保障。
发明内容
本发明提供了一种给药剂量确定方法、装置、电子设备及存储介质，以实现对药物作用于对象上的药效情况进行预先预测，并基于所得到的药效预测结果辅助确定药物给药剂量的效果，达到了在降低人力成本的同时，还可以提高治疗方案的制定效率和稳定性的效果。
根据本发明的一方面，提供了一种给药剂量确定方法，该方法包括：
获取与目标对象对应的待处理特征向量和所述目标对象针对目标药物的至少一个候选给药剂量，其中，所述待处理特征向量是基于与所述目标对象对应的就诊文本信息确定的；
基于与所述目标药物对应的药时曲线预测模型分别对所述待处理特征向量和各所述候选给药剂量进行处理，得到与所述目标药物对应的至少一条预测药时曲线，其中，所述药时曲线预测模型是基于在线样本对象对应的样本特征向量、样本给药剂量以及与所述样本给药剂量对应的真实药时曲线对与所述目标药物对应的预训练模型训练得到；
基于所述至少一条预测药时曲线，从所述至少一个候选给药剂量中确定出将所述目标药物作用于所述目标对象的目标推荐剂量。
根据本发明的另一方面，提供了一种给药剂量确定装置，该装置包括：
特征向量获取模块，用于获取与目标对象对应的待处理特征向量和所述目标对象针对目标药物的至少一个候选给药剂量，其中，所述待处理特征向量是基于与所述目标对象对应的就诊文本信息确定的；
药时曲线确定模块，用于基于与所述目标药物对应的药时曲线预测模型分别对所述待处理特征向量和各所述候选给药剂量进行处理，得到与所述目标药物对应的至少一条预测药时曲线，其中，所述药时曲线预测模型是基于在线样本对象对应的样本特征向量、样本给药剂量以及与所述样本给药剂量对应的真实药时曲线对与所述目标药物对应的预训练模型训练得到；
推荐剂量确定模块，用于基于所述至少一条预测药时曲线，从所述至少一个候选给药剂量中确定出将所述目标药物作用于所述目标对象的目标推荐剂量。
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剂量确定方法。
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剂量确定方法。
本发明实施例的技术方案，通过获取与目标对象对应的待处理特征向量和目标对象针对目标药物的至少一个候选给药剂量，进一步的，基于与目标药物对应的药时曲线预测模型分别对待处理特征向量和各候选给药剂量进行处理，得到与目标药物对应的至少一条预测药时曲线，最后，基于至少一条预测药时曲线，从至少一个候选给药剂量中确定出将目标药物作用于目标对象的目标推荐剂量，解决了相关技术中仅依赖于专家经验制定治疗方案，导致治疗方案效果不佳，影响就诊对象健康的问题，实现了对药物作用于对象上的药效情况进行预先预测，并基于所得到的药效预测结果辅助确定药物给药剂量的效果，达到了在降低人力成本的同时，还可以提高治疗方案的制定效率和稳定性的效果。
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剂量确定方法的流程图；
图2是根据本发明实施例二提供的一种给药剂量确定方法的流程图；
图3是根据本发明实施例三提供的一种给药剂量确定装置的结构示意图；
图4是实现本发明实施例的给药剂量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剂量确定方法的流程图，本实施例可适用于基于目标对象的就诊文本信息和目标药物候选给药剂量对目标药物在目标对象体内的药物浓度数据进行预测，并基于预测结果确定给药推荐剂量的情况，该方法可以由给药剂量确定装置来执行，该给药剂量确定装置可以采用硬件和/或软件的形式实现，该给药剂量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、获取与目标对象对应的待处理特征向量和目标对象针对目标药物的至少一个候选给药剂量。
在本实施例中，目标对象可以是接受药物的对象。目标对象可以是任意类型的生物体。可选的，目标对象的种类可以包括但不限于啮齿类、犬类、兔类以及鱼类等。其中，待处理特征向量是基于与目标对象对应的就诊文本信息确定的。待处理特征向量可以理解为待进行处理的，能够表征就诊文本信息的向量。待处理特征向量可以是与就诊文本信息对应的嵌入向量。就诊文本信息可以理解为目标对象从开始就诊到结束就诊所记录的就诊文本。目标药物可以理解为作用于目标对象的药物。目标药物可以是基于目标对象的就诊文本信息所确定的药物。候选给药剂量可以理解为待进行选择的，任意药物作用于任意对象的作用剂量。
需要说明的是，目标对象的就诊文本信息是文本形式的信息，直接采用就诊文本信息来执行后续的步骤，可能会存在无法识别或理解就诊文本信息中的信息，进而，导致最终得到的结果不准确，甚至可能无法得到最终结果的问题。因此，在得到目标对象的就诊文本信息之后，可以对就诊文本信息进行处理，以将就诊文本信息处理成便于被识别或理解的特征向量。进而，可以基于特征向量继续执行后续步骤。
基于此，在上述各技术方案的基础上，还包括：获取与目标对象对应的就诊文本信息；基于预设编码方式对就诊文本信息进行编码，得到与目标对象对应的待处理特征向量。
在本实施例中，预设编码方式可以是能够将文本信息编码成嵌入向量的任意方式。可选的，预设编码方式可以是基于神经网络模型实现。
在实际应用中，可以获取与目标对象对应的就诊文本信息。之后，可以基于预设编码方式对就诊文本信息进行编码，以将就诊文本信息转化成向量。进而，可以得到与目标对象对应的待处理特征向量。
进一步的，可以对目标对象所对应的就诊文本信息进行分析，或者，对目标对象所对应的待处理特征向量进行特征分析，以确定目标对象针对目标药物的至少一个候选给药剂量。进而，可以得到与目标对象对应的待处理特征向量和目标对象针对目标药物的至少一个候选给药剂量。
S120、基于与目标药物对应的药时曲线预测模型分别对待处理特征向量和各候选给药剂量进行处理，得到与目标药物对应的至少一条预测药时曲线。
其中，药时曲线预测模型是基于在线样本对象对应的在线样本特征向量、在线样本给药剂量以及与在线样本给药剂量对应的真实药时曲线对与目标药物对应的预训练模型训练得到。
在本实施例中，药时曲线预测模型可以理解为将目标对象对应的待处理特征向量和候选给药剂量作为输入对象，以基于待处理特征向量和候选给药剂量确定药时曲线的神经网络模型。药时曲线预测模型可以是任意结构的神经网络模型。在线样本对象可以是接受目标药物的任意对象。在线样本特征向量可以理解为基于在线样本对象对应的就诊文本信息确定的向量。真实药时曲线可以用于指示在线样本给药剂量的目标药物在在线样本对象体内的代谢情况。一般情况下，将预设剂量的药物作用于任意对象之后，药物会在该对象体内维持一段时间，可以基于这段时间内药物在对象体内的浓度变化规律来构建药时曲线。可以将任意药物在对象体内的血药浓度数据作为纵坐标，将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时曲线。预训练模型可以理解为预训练阶段完成后得到的药时曲线预测模型。
在本实施例中，预测药时曲线用于表征将候选给药剂量的目标药物作用于目标对象之后预设时长内的药物浓度变化规律。预测药时曲线可以理解为基于模型确定的药时曲线。
需要说明的是，针对不同的药物，可以对应不同的药时曲线预测模型。可以预先确定多个候选药物，并且，对于各个候选药物，可以预先训练得到与当前候选药物对应的药时曲线预测模型。进而，可以将各候选药物对应的药时曲线预测模型进行关联存储。
在实际应用中，在得到目标对象所对应的待处理特征向量以及目标对象针对目标药物的至少一个候选给药剂量之后，为了可以对各个候选给药剂量的目标药物对应的药时曲线进行预测，可以获取与目标药物对应的药时曲线预测模型。进而，可以根据该药时曲线预测模型分别对待处理特征向量和各候选给药剂量进行处理，以得到与各候选给药剂量对应的预测药时曲线。
可选的，基于与目标药物对应的药时曲线预测模型分别对待处理特征向量和各候选给药剂量进行处理，得到与目标药物对应的至少一条预测药时曲线，包括：调取与目标药物相对应的药时曲线预测模型；针对各候选给药剂量，将当前候选给药剂量和待处理特征向量输入至药时曲线预测模型，并得到与当前候选给药剂量相对应的预测药时曲线。
在本实施例中，调取与目标药物对应的药时曲线预测模型可以存在多种实现方式。可选的，确定目标药物的药物标识，并基于药物标识调取与目标药物对应的药时曲线预测模型。其中，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、药物编码或药物图片等。
在实际应用中，可以预先确定多个候选药物，并且，对于各个候选药物，可以预先训练得到与当前候选药物对应的药时曲线预测模型。进一步，可以获取各个候选药物对应的药物标识，并建立药物标识和药时曲线预测模型之间的映射关系。进而，可以将该映射关系和各药时曲线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在候选给药剂量下的药时曲线进行预测时，可以根据目标药物对应的药物标识从预先存储的多个药时曲线预测模型中调取。
在实际应用中，在确定目标对象所需的目标药物之后，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时曲线预测模型并调取。
进一步的，在调取与目标药物对应的药时曲线预测模型，并获取与目标对象对应的待处理特征向量和目标对象针对目标药物的至少一个候选给药剂量之后，针对各候选给药剂量，将当前候选给药剂量和待处理特征向量输入至药时曲线预测模型中，以基于药时曲线预测模型对当前候选给药剂量和待处理特征向量进行处理。进而，可以得到与当前候选给药剂量对应的预测药时曲线。
S130、基于至少一条预测药时曲线，从至少一个候选给药剂量中确定出将目标药物作用于目标对象的目标推荐剂量。
在本实施例中，目标推荐剂量可以是目标药物实际作用于目标对象的给药剂量；也可以不是目标药物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。
在实际应用中，在得到与各候选给药剂量对应的预测药时曲线之后，可以对各预测药时曲线进行分析，以在各预测药时曲线中确定出满足需求的目标预测药时曲线。进而，可以将目标预测药时曲线对应的候选给药剂量作为目标推荐剂量。
可选的，基于至少一条预测药时曲线，从至少一个候选给药剂量中确定出将目标药物作用于目标对象的目标推荐剂量，包括：针对各预测药时曲线，若确定当前预测药时曲线满足预设药时曲线标准，则将当前预测药时曲线对应的候选给药剂量作为目标推荐剂量。
在本实施例中，预设药时曲线标准可以是预先确定的药物浓度变化规律标准。
在实际应用中，针对各预测药时曲线，可以将当前预测药时曲线与预设药时曲线标准进行比较，以确定当前预测药时曲线是否满足预设药时曲线标准。进一步的，若确定当前预测药时曲线满足预设药时曲线标准，则可以确定当前预测药时曲线对应的候选给药剂量，并将该候选给药剂量作为目标推荐剂量。
本发明实施例的技术方案，通过获取与目标对象对应的待处理特征向量和目标对象针对目标药物的至少一个候选给药剂量，进一步的，基于与目标药物对应的药时曲线预测模型分别对待处理特征向量和各候选给药剂量进行处理，得到与目标药物对应的至少一条预测药时曲线，最后，基于至少一条预测药时曲线，从至少一个候选给药剂量中确定出将目标药物作用于目标对象的目标推荐剂量，解决了相关技术中仅依赖于专家经验制定治疗方案，导致治疗方案效果不佳，影响就诊对象健康的问题，实现了对药物作用于对象上的药效情况进行预先预测，并基于所得到的药效预测结果辅助确定药物给药剂量的效果，达到了在降低人力成本的同时，还可以提高治疗方案的制定效率和稳定性的效果。
实施例二
图2是本发明实施例二提供的一种给药剂量确定方法的流程图，在前述实施例的基础上，在基于药时曲线预测模型对待处理特征向量和候选给药剂量进行处理之前，可以调取与目标药物对应的预训练模型，并获取多个在线训练样本。进而，基于多个在线训练样本对预训练模型进行训练，以得到目标药物对应的药时曲线预测模型。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、调取与目标药物对应的预训练模型。
在本实施例中，预训练模型可以是已完成预训练阶段的药时曲线预测模型。在实际应用中，可以预先构建与目标药物对应的，用于模拟目标药物的药效浓度环境的环境，该环境模型可以是待训练药时曲线预测模型。进一步的，可以基于历史数据对待训练药时曲线预测模型进行预训练，以得到与目标药物对应的预训练模型，以使预训练模型可以初步模拟目标药物的药时曲线。
可选的，预训练模型的预训练过程可以是：获取多个离线训练样本；针对各离线训练样本，将当前离线训练样本中的历史样本特征向量和历史给药剂量输入至预先构建的神经网络模型中，得到与当前离线训练样本对应的模型预测药时曲线；基于模型预测药时曲线和历史药时曲线确定离线损失值，并基于离线损失值对神经网络模型的模型参数进行修正，以得到与目标药物对应的预训练模型。
其中，离线训练样本包括与离线样本对象对应的历史样本特征向量、将目标药物作用于离线样本对象的历史给药剂量以及与历史给药剂量对应的历史药时曲线。
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。离线样本对象可以是已完成就诊，且在就诊期间接受过目标药物的对象。历史样本特征向量可以是基于离线样本对象的历史就诊文本信息确定的。历史给药剂量可以是从历史就诊文本信息中所获取的目标药物的给药剂量。模型预测药时曲线可以是将离线训练样本输入至模型后输出的药时曲线预测结果。离线损失值可以理解为历史药时曲线和模型预测药时曲线之间的差异值。
在实际应用中，可以在存储历史就诊记录的数据库中获取与目标药物对应的多个离线样本对象的历史就诊文本信息。之后，可以根据多个离线样本对象对应的历史就诊文本信息构建多个离线训练样本。进一步的，针对各离线训练样本，可以将当前训练样本中的历史样本特征向量和历史给药剂量输入至预先构建的神经网络模型中，得到与当前离线训练样本对应的模型预测药时曲线。进一步的，可以将该模型预测药时曲线和当前离线训练样本中的真实药时曲线相比较，确定离线损失值。进而，可以根据离线损失值对神经网络模型中的模型参数进行修正。之后，可以将神经网络模型中的损失函数的训练误差，即损失函数，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，表明神经网络模型训练完成，此时可以停止迭代训练。若检测到当前未达到收敛条件，则可以进一步获取离线训练样本对神经网络模型进行训练，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神经网络模型作为与目标药物对应的预训练模型。
S220、获取多个在线训练样本。
其中，在线训练样本包括与在线样本对象对应的样本特征向量、将目标药物作用于在线样本对象的样本给药剂量以及与样本给药剂量对应的真实药时曲线。
在本实施例中，在线训练样本可以理解为在目标药物作用于样本对象的过程中所构建的样本数据，也就是说，在线训练样本中所包括的数据为在线数据。在线样本对象即为当前正在就诊且接受目标药物的任意对象。样本特征向量可以是基于在线样本对象对应的就诊文本信息确定的。样本给药剂量可以理解为基于就诊文本信息初步确定的给药剂量。在确定在线样本对象和将目标药物作用于在线样本对象的样本给药剂量之后，可以将样本给药剂量的目标药物作用于在线样本对象，之后，可以采集在线样本对象在预设时长内的药效参数，并基于药效参数构建与样本给药剂量对应的真实药时曲线。
在实际应用中，可以获取多个在线样本对象对应的样本特征向量，并确定目标药物作用于在线样本对象的样本给药剂量。之后，针对各在线样本对象，可以将相应的样本给药剂量的目标药物作用于当前在线样本对象，以得到当前在线样本对象在相应样本给药剂量的目标药物下对应的真实药时曲线。进一步的，可以根据当前在线样本对象的样本特征向量、目标药物作用于当前在线样本对象的样本给药剂量以及与样本给药剂量对应的真实药时曲线构建在线训练样本。进而，可以得到多个在线训练样本。
S230、基于多个在线训练样本对预训练模型进行训练，得到与目标药物对应的药时曲线预测模型。
在本实施例中，在得到多个在线训练样本之后，即可基于多个在线训练样本对预训练模型进行训练，以得到与目标药物对应的药时曲线预测模型。
可选的，基于多个在线训练样本对预训练模型进行训练，得到与目标药物对应的药时曲线预测模型，包括：针对各在线训练样本，将当前在线训练样本中的样本特征向量和样本给药剂量输入至预训练模型中，得到与当前在线训练样本对应的模型预测药时曲线；基于真实药时曲线和模型预测药时曲线确定在线损失值，并基于在线损失值对预训练模型的模型参数进行修正，以得到与目标药物对应的药时曲线预测模型。
在本实施例中，在线损失值可以是表征预测输出和真实输出之间差异程度的数值。
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特征向量和样本给药剂量输入至预训练模型中，得到与当前在线训练样本对应的模型预测药时曲线。进一步的，可以将模型预测药时曲线和当前在线训练样本中的真实药时曲线相比较，以确定在线损失值。进而，可以根据在线损失值对预训练模型中的模型参数进行修正。之后，可以将预训练模型中的损失函数的训练误差，即，损失函数，作为检测当前损失函数是否达到收敛的条件。若检测到当前达到收敛条件，表明预训练模型训练完成，此时，可以停止迭代训练。若检测到当前未达到收敛条件，则可以进一步获取其他在线训练样本对预训练模型进行训练，直至损失函数的训练误差在预设范围内。当损失函数的训练误差达到收敛时，即可得到训练完成的与目标药物对应的药时曲线预测模型。
S240、获取与目标对象对应的待处理特征向量和目标对象针对目标药物的至少一个候选给药剂量。
S250、基于与目标药物对应的药时曲线预测模型分别对待处理特征向量和各候选给药剂量进行处理，得到与目标药物对应的至少一条预测药时曲线。
S260、基于至少一条预测药时曲线，从至少一个候选给药剂量中确定出将目标药物作用于目标对象的目标推荐剂量。
本发明实施例的技术方案，通过获取与目标对象对应的待处理特征向量和目标对象针对目标药物的至少一个候选给药剂量，进一步的，基于与目标药物对应的药时曲线预测模型分别对待处理特征向量和各候选给药剂量进行处理，得到与目标药物对应的至少一条预测药时曲线，最后，基于至少一条预测药时曲线，从至少一个候选给药剂量中确定出将目标药物作用于目标对象的目标推荐剂量，解决了相关技术中仅依赖于专家经验制定治疗方案，导致治疗方案效果不佳，影响就诊对象健康的问题，实现了对药物作用于对象上的药效情况进行预先预测，并基于所得到的药效预测结果辅助确定药物给药剂量的效果，达到了在降低人力成本的同时，还可以提高治疗方案的制定效率和稳定性的效果。
实施例三
图3是本发明实施例三提供的一种给药剂量确定装置的结构示意图。如图3所示，该装置包括：特征向量获取模块310、药时曲线确定模块320和推荐剂量确定模块330。
其中，特征向量获取模块310，用于获取与目标对象对应的待处理特征向量和所述目标对象针对目标药物的至少一个候选给药剂量，其中，所述待处理特征向量是基于与所述目标对象对应的就诊文本信息确定的；药时曲线确定模块320，用于基于与所述目标药物对应的药时曲线预测模型分别对所述待处理特征向量和各所述候选给药剂量进行处理，得到与所述目标药物对应的至少一条预测药时曲线，其中，所述药时曲线预测模型是基于在线样本对象对应的样本特征向量、样本给药剂量以及与所述样本给药剂量对应的真实药时曲线对与所述目标药物对应的预训练模型训练得到；推荐剂量确定模块330，用于基于所述至少一条预测药时曲线，从所述至少一个候选给药剂量中确定出将所述目标药物作用于所述目标对象的目标推荐剂量。
本发明实施例的技术方案，通过获取与目标对象对应的待处理特征向量和目标对象针对目标药物的至少一个候选给药剂量，进一步的，基于与目标药物对应的药时曲线预测模型分别对待处理特征向量和各候选给药剂量进行处理，得到与目标药物对应的至少一条预测药时曲线，最后，基于至少一条预测药时曲线，从至少一个候选给药剂量中确定出将目标药物作用于目标对象的目标推荐剂量，解决了相关技术中仅依赖于专家经验制定治疗方案，导致治疗方案效果不佳，影响就诊对象健康的问题，实现了对药物作用于对象上的药效情况进行预先预测，并基于所得到的药效预测结果辅助确定药物给药剂量的效果，达到了在降低人力成本的同时，还可以提高治疗方案的制定效率和稳定性的效果。
可选的，所述装置还包括：就诊文本获取模块和文本编码模块。
就诊文本获取模块，用于获取与目标对象对应的就诊文本信息；
文本编码模块，用于基于预设编码方式对所述就诊文本信息进行编码，得到与所述目标对象对应的待处理特征向量。
可选的，药时曲线确定模块320包括：模型调取单元和药时曲线确定单元。
模型调取单元，用于调取与所述目标药物相对应的药时曲线预测模型；
药时曲线确定单元，用于针对各所述候选给药剂量，将当前候选给药剂量和所述待处理特征向量输入至所述药时曲线预测模型，并得到与所述当前候选给药剂量相对应的预测药时曲线。
可选的，推荐剂量确定模块330，具体用于针对各预测药时曲线，若确定当前预测药时曲线满足预设药时曲线标准，则将所述当前预测药时曲线对应的候选给药剂量作为目标推荐剂量。
可选的，所述装置还包括：预训练模型调取模块、在线训练样本获取模块和模型训练模块。
预训练模型调取模块，用于调取与目标药物对应的预训练模型；
在线训练样本获取模块，用于获取多个在线训练样本，其中，所述在线训练样本包括与在线样本对象对应的样本特征向量、将所述目标药物作用于所述在线样本对象的样本给药剂量以及与所述样本给药剂量对应的真实药时曲线；
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模型进行训练，得到与所述目标药物对应的药时曲线预测模型。
可选的，模型训练模块包括：模型预测药时曲线确定单元和模型确定单元。
模型预测药时曲线确定单元，用于针对各在线训练样本，将当前在线训练样本中的样本特征向量和样本给药剂量输入至所述预训练模型中，得到与所述当前在线训练样本对应的模型预测药时曲线；
模型确定单元，用于基于所述真实药时曲线和所述模型预测药时曲线确定在线损失值，并基于所述在线损失值对所述预训练模型的模型参数进行修正，以得到与所述目标药物对应的药时曲线预测模型。
可选的，所述装置还包括：离线训练样本获取模块、模型预测药时曲线确定模块和预训练模型确定模块。
离线训练样本获取模块，用于获取多个离线训练样本，其中，所述离线训练样本包括与离线样本对象对应的历史样本特征向量、将所述目标药物作用于所述离线样本对象的历史给药剂量以及与所述历史给药剂量对应的历史药时曲线；
模型预测药时曲线确定模块，用于针对各离线训练样本，将当前离线训练样本中的历史样本特征向量和所述历史给药剂量输入至预先构建的神经网络模型中，得到与所述当前离线训练样本对应的模型预测药时曲线；
预训练模型确定模块，用于基于所述模型预测药时曲线和所述历史药时曲线确定离线损失值，并基于所述离线损失值对所述神经网络模型的模型参数进行修正，以得到与所述目标药物对应的预训练模型。
本发明实施例所提供的给药剂量确定装置可执行本发明任意实施例所提供的给药剂量确定方法，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，例如给药剂量确定方法。
在一些实施例中，给药剂量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剂量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剂量确定方法。
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)

1.一种给药剂量确定方法，其特征在于，包括：
获取与目标对象对应的待处理特征向量和所述目标对象针对目标药物的至少一个候选给药剂量，其中，所述待处理特征向量是基于与所述目标对象对应的就诊文本信息确定的；
基于与所述目标药物对应的药时曲线预测模型分别对所述待处理特征向量和各所述候选给药剂量进行处理，得到与所述目标药物对应的至少一条预测药时曲线，其中，所述药时曲线预测模型是基于在线样本对象对应的样本特征向量、样本给药剂量以及与所述样本给药剂量对应的真实药时曲线对与所述目标药物对应的预训练模型训练得到；
基于所述至少一条预测药时曲线，从所述至少一个候选给药剂量中确定出将所述目标药物作用于所述目标对象的目标推荐剂量。
2.根据权利要求1所述的方法，其特征在于，还包括：
获取与目标对象对应的就诊文本信息；
基于预设编码方式对所述就诊文本信息进行编码，得到与所述目标对象对应的待处理特征向量。
3.根据权利要求1所述的方法，其特征在于，所述基于与所述目标药物对应的药时曲线预测模型分别对所述待处理特征向量和各所述候选给药剂量进行处理，得到与所述目标药物对应的至少一条预测药时曲线，包括：
调取与所述目标药物相对应的药时曲线预测模型；
针对各所述候选给药剂量，将当前候选给药剂量和所述待处理特征向量输入至所述药时曲线预测模型，并得到与所述当前候选给药剂量相对应的预测药时曲线。
4.根据权利要求1所述的方法，其特征在于，所述基于所述至少一条预测药时曲线，从所述至少一个候选给药剂量中确定出将所述目标药物作用于所述目标对象的目标推荐剂量，包括：
针对各预测药时曲线，若确定当前预测药时曲线满足预设药时曲线标准，则将所述当前预测药时曲线对应的候选给药剂量作为目标推荐剂量。
5.根据权利要求1所述的方法，其特征在于，还包括：
调取与目标药物对应的预训练模型；
获取多个在线训练样本，其中，所述在线训练样本包括与在线样本对象对应的样本特征向量、将所述目标药物作用于所述在线样本对象的样本给药剂量以及与所述样本给药剂量对应的真实药时曲线；
基于所述多个在线训练样本对所述预训练模型进行训练，得到与所述目标药物对应的药时曲线预测模型。
6.根据权利要求5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模型进行训练，得到与所述目标药物对应的药时曲线预测模型，包括：
针对各在线训练样本，将当前在线训练样本中的样本特征向量和样本给药剂量输入至所述预训练模型中，得到与所述当前在线训练样本对应的模型预测药时曲线；
基于所述真实药时曲线和所述模型预测药时曲线确定在线损失值，并基于所述在线损失值对所述预训练模型的模型参数进行修正，以得到与所述目标药物对应的药时曲线预测模型。
7.根据权利要求5所述的方法，其特征在于，还包括：
获取多个离线训练样本，其中，所述离线训练样本包括与离线样本对象对应的历史样本特征向量、将所述目标药物作用于所述离线样本对象的历史给药剂量以及与所述历史给药剂量对应的历史药时曲线；
针对各离线训练样本，将当前离线训练样本中的历史样本特征向量和所述历史给药剂量输入至预先构建的神经网络模型中，得到与所述当前离线训练样本对应的模型预测药时曲线；
基于所述模型预测药时曲线和所述历史药时曲线确定离线损失值，并基于所述离线损失值对所述神经网络模型的模型参数进行修正，以得到与所述目标药物对应的预训练模型。
8.一种给药剂量确定装置，其特征在于，包括：
特征向量获取模块，用于获取与目标对象对应的待处理特征向量和所述目标对象针对目标药物的至少一个候选给药剂量，其中，所述待处理特征向量是基于与所述目标对象对应的就诊文本信息确定的；
药时曲线确定模块，用于基于与所述目标药物对应的药时曲线预测模型分别对所述待处理特征向量和各所述候选给药剂量进行处理，得到与所述目标药物对应的至少一条预测药时曲线，其中，所述药时曲线预测模型是基于在线样本对象对应的样本特征向量、样本给药剂量以及与所述样本给药剂量对应的真实药时曲线对与所述目标药物对应的预训练模型训练得到；
推荐剂量确定模块，用于基于所述至少一条预测药时曲线，从所述至少一个候选给药剂量中确定出将所述目标药物作用于所述目标对象的目标推荐剂量。
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剂量确定方法。
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剂量确定方法。
CN202410089621.5A 2024-01-22 2024-01-22 给药剂量确定方法、装置、电子设备及存储介质 Pending CN118016237A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410089621.5A CN118016237A (zh) 2024-01-22 2024-01-22 给药剂量确定方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410089621.5A CN118016237A (zh) 2024-01-22 2024-01-22 给药剂量确定方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN118016237A true CN118016237A (zh) 2024-05-10

Family

ID=90951079

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410089621.5A Pending CN118016237A (zh) 2024-01-22 2024-01-22 给药剂量确定方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN118016237A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101871930A (zh) * 2009-04-23 2010-10-27 霍夫曼-拉罗奇有限公司 基于患者至少一种生理参数的系列测量确定活性成分剂量的推荐的方法和设备
WO2020185699A1 (en) * 2019-03-08 2020-09-17 Mould Diane R Systems and methods for drug-agnostic patient-specific dosing regimens
CN113270203A (zh) * 2021-04-20 2021-08-17 郑州大学第一附属医院 药物剂量预测方法、装置、电子设备及存储介质
CN116779096A (zh) * 2023-06-28 2023-09-19 南栖仙策(南京)高新技术有限公司 一种用药策略确定方法、装置、设备和存储介质
CN117198457A (zh) * 2023-09-25 2023-12-08 中南大学湘雅三医院 药物剂量预测方法、装置、设备及存储介质
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
CN117292847A (zh) * 2023-10-11 2023-12-26 南栖仙策(南京)高新技术有限公司 模型构建方法、装置、电子设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101871930A (zh) * 2009-04-23 2010-10-27 霍夫曼-拉罗奇有限公司 基于患者至少一种生理参数的系列测量确定活性成分剂量的推荐的方法和设备
WO2020185699A1 (en) * 2019-03-08 2020-09-17 Mould Diane R Systems and methods for drug-agnostic patient-specific dosing regimens
CN113270203A (zh) * 2021-04-20 2021-08-17 郑州大学第一附属医院 药物剂量预测方法、装置、电子设备及存储介质
CN116779096A (zh) * 2023-06-28 2023-09-19 南栖仙策(南京)高新技术有限公司 一种用药策略确定方法、装置、设备和存储介质
CN117198457A (zh) * 2023-09-25 2023-12-08 中南大学湘雅三医院 药物剂量预测方法、装置、设备及存储介质
CN117292847A (zh) * 2023-10-11 2023-12-26 南栖仙策(南京)高新技术有限公司 模型构建方法、装置、电子设备及存储介质
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
牛喜英;吴敬敬;葛广波;徐少贤;王顺钦;杨凌;: "基于生理药代动力学模型在药物评价中的应用进展", 中国药理学与毒理学杂志, no. 06, 15 December 2015 (2015-12-15), pages 993 - 1000 *

Similar Documents

Publication Publication Date Title
WO2023169274A1 (zh) 数据处理方法、装置、存储介质以及处理器
CN113345577A (zh) 诊疗辅助信息的生成方法、模型训练方法、装置、设备以及存储介质
CN116110566A (zh) 一种数据处理方法、装置及设备
CN113409884B (zh) 排序学习模型的训练方法及排序方法、装置、设备及介质
CN116340831B (zh) 一种信息分类方法、装置、电子设备及存储介质
CN117292847A (zh) 模型构建方法、装置、电子设备及存储介质
CN117076610A (zh) 一种数据敏感表的识别方法、装置、电子设备及存储介质
CN118016237A (zh) 给药剂量确定方法、装置、电子设备及存储介质
CN114461078B (zh) 一种基于人工智能的人机交互方法
CN116011677A (zh) 时序数据的预测方法、装置、电子设备及存储介质
CN113807413B (zh) 对象的识别方法、装置、电子设备
CN115497633B (zh) 一种数据处理方法、装置、设备及存储介质
CN117577264A (zh) 给药信息确定方法、装置、电子设备及存储介质
CN116011599B (zh) 一种生物实验室智能预约方法及系统
CN116089459B (zh) 数据检索方法、装置、电子设备及存储介质
CN117649933B (zh) 在线问诊辅助方法、装置、电子设备和存储介质
CN114443988B (zh) 一种信息展示方法、装置、电子设备和存储介质
CN113782178B (zh) 在线就诊的方法、装置、设备以及存储介质
CN118467403B (zh) 一种数据库检测方法、装置、设备及存储介质
CN117493514B (zh) 文本标注方法、装置、电子设备和存储介质
CN113420227B (zh) 点击率预估模型的训练方法、预估点击率的方法、装置
CN117292843B (zh) 电信号数据处理方法、装置、设备和存储介质
CN117746109A (zh) 一种病理等级确定方法、装置、设备及存储介质
CN117064369A (zh) 人体脂肪含量的预测方法、装置、电子设备及存储介质
CN116245853A (zh) 血流储备分数确定方法、装置、电子设备及存储介质

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