LU102313B1 - Ein system zur analyse des verhaltens klinischer medikamente, das auf einem effizienten negativsequenz-mining-modell basiert, und seine arbeitsmethode - Google Patents

Abstract

Die Erfindung betrifft ein klinisches Medikationsverhaltensanalysesystem, das auf einem effizienten Negativsequenz-Mining-Modus und einem Arbeitsverfahren davon basiert. Das System umfasst ein Datenerfassungssystem und ein Verhaltensanalysesystem, das Datenerfassungssystem umfasst ein Datenerfassungsmodul und ein Datenübertragungsmodul, das Datenerfassungsmodul sammelt und kombiniert in Echtzeit Speichern Sie Daten zum klinischen Medikationsverhalten. Das Datenübertragungsmodul überträgt Verhaltensdaten für klinische Medikamente an das Verhaltensanalysesystem, das Verhaltensanalysesystem umfasst ein Datenverarbeitungsmodul, ein Datenanalysemodul und ein Datenverwaltungsmodul, das Datenverarbeitungsmodul führt eine Datenbereinigung und Datenklassifizierung für die Verhaltensdaten für klinische Medikamente durch; Das Datenanalysemodul führt Analysen und Vorhersagen durch, das Datenverwaltungsmodul speichert und zeigt die Analyseergebnisse an und empfiehlt das nächste Medikament. Die vorliegende Erfindung wendet den eNSP-IT-Algorithmus auf die Analyse des Verhaltens des klinischen Drogenkonsums an, kann die negative Sequenzbeziehung zwischen Drogen schneller herausfinden, den nächsten Drogenkonsum von Patienten besser vorhersagen und die klinische Entscheidungsfindung auf der Grundlage von Änderungen in den Drogenschemata unterstützen.

Description

Beschreibung Ein System zur Analyse des Verhaltens klinischer Medikamente, das auf einem effizienten Negativsequenz-Mining-Modell basiert, und seine Arbeitsmethode Technischer Bereich Die Erfindung betrifft ein klinisches Medikationsverhaltensanalysesystem, das auf einem effizienten Negativsequenz-Mining-Modus basiert, und seine Arbeitsmethode.

Die Erfindung gehört zum technischen Anwendungsbereich von Negativsequenz-Modi.

Hintergrundtechnik In den letzten Jahren, mit der rasanten Entwicklung der chinesischen Wirtschaft, achten die Menschen weiterhin auf körperliche Fitness, und auch die medizinische Versorgung hat immer mehr Aufmerksamkeit erhalten.

Mit der kontinuierlichen Weiterentwicklung der Informatisierung hat das medizinische Informationssystem auch beim Übergang von Papierkarten zu elektronischen Patientenakten erhebliche Fortschritte erzielt.

Derzeit hat das medizinische Informationssystem im Wesentlichen eine elektronische, digitale und mediale Entwicklung erreicht.

Diese Transformation Dies hat dazu geführt, dass sich im klinischen Data Warehouse eine große Datenmenge angesammelt hat, wodurch die medizinische Industrie über eine große Datenmenge verfügt.

Diese medizinischen und gesundheitlichen Daten umfassen klinische Diagnosedaten, Medikationsdaten von Patienten, Krankenversicherungsdaten von Patienten und natürliche Attributinformationen von Patienten usw.

Es ist zu einem sehr sozial wertvollen und dringend zu lösendem Problem geworden, wertvolle Informationen, Regeln oder Kenntnisse zu entdecken, Ärzten zu helfen, das klinische Wissen zu erweitern, medizinisches Personal bei Diagnose und Behandlung zu unterstützen und Entscheidungsinformationen für Krankenhausmanager bereitzustellen.

Beim Data Mining werden verborgene Kenntnisse in einem großen Informationsspeicher entdeckt, Data Mining-Techniken, die für den Einzelhandel oder andere Branchen entwickelt wurden, können auf die medizinische Versorgung angewendet werden.

Data Mining ist ein multidisziplinäres Forschungsfeld, das die neuesten Theorien und Forschungsmethoden wie Datenbanktechnologie, Mustererkennung, maschinelles Lernen, Fuzzy-Logik, künstliche Intelligenz, Informationsabruf, Statistik, Hochleistungsrechnen und neuronale Netze umfasst. 1

Als Grenzgebiet des Data Mining hat das sequentielle Pattern Mining immer mehr Aufmerksamkeit von Wissenschaftlern auf sich gezogen. Sequentielles Pattern Mining bezieht sich auf das Mining von relativ zeitlichen oder anderen Mustern mit hoher Häufigkeit. Es kann potenziell nützliche Informationen und Kenntnisse zwischen Transaktionen ermitteln, die Personen nicht im Voraus kennen. Auf dem Gebiet der Analyse von Gesundheitsdaten besteht eines der Probleme, die durch sequentielle Musteranalyse gelöst werden müssen, darin, dass, nachdem der Arzt dem Patienten ein Medikament verschrieben hat, welche Art von Medikamenten in einer bestimmten Zeit in der Zukunft verwendet wird, und die Beziehung zwischen dem Medikament und dem Medikament, dem Medikament und der Krankheit entdeckt wird. Der Prozess der regelmäßigen Beziehung zwischen den beiden ermöglicht es Ärzten, sich bei der Diagnose und Verabreichung von Medikamenten auf die früheren Arzneimittelverordnungen zu beziehen, um die nächsten Medikamente des Patienten genau zu bestimmen. Sein Hauptzweck ist es, die Abfolge der klinischen Medikamente zu untersuchen und die Regeln herauszufinden, dh es ist nicht nur erforderlich zu wissen, ob das Medikament verwendet wird, sondern auch die Reihenfolge der Verwendung des Medikaments und anderer Medikamente zu bestimmen, beispielsweise eine übliche Gastritis-Behandlung Die Reihenfolge der Medikamente besteht darin, eine Glukose-Injektionslösung zu verschreiben, Vitamin 6 zu verschreiben, dann eine Cephalosporin-Injektion zu verschreiben und schließlich eine Natriumchlorid-Injektion zu verschreiben, Daher kann der Sequenzmodus eine häufige Sequenz in einem bestimmten Zeitraum in der Datenbank finden, dh welche Medikamente in diesem Zeitraum von Ärzten verwendet werden, und der Standard von mehr oder weniger wird durch die minimale Unterstützung bestimmt. Jede Sequenz ist eine Gruppe von Kombinationen, die nach dem Zeitpunkt der Medikation angeordnet sind, und die minimale Unterstützung kann so eingestellt werden, dass Sequenzen abgebaut werden, die unterschiedliche Frequenzniveaus erfüllen, Bei der Anwendung von sequentiellen Mustern zur Analyse des klinischen Medikationsverhaltens und zur Vorhersage der nächsten Medikation von Patienten werden jedoch nur die aufgetretenen Ereignisse berücksichtigt, was auch als PSP-Mining (Positive Sequential Pattern, PSP) bezeichnet wird.

Mit der kontinuierlichen Vertiefung der Forschung stellten die Forscher fest, dass in nicht auftretenden Ereignissen viele nützliche Informationen verborgen sind, und diese Informationen sind im reinen positiven Sequenzmuster-Mining überhaupt nicht verfügbar. Daher begannen relevante Forscher, negative Sequenzmuster abzubauen ( Negative Sequential Pattern, NSP). Der Negativsequenzmodus umfasst nicht nur Ereignisse, die aufgetreten sind, sondern auch Ereignisse, die nicht aufgetreten sind. Er kann die 2 potenzielle Bedeutung der Daten genauer analysieren und verstehen, um schr wertvolle Informationen zu finden, die von Personen leicht ignoriert werden können. z.B.: a, b, ¢, d, <abred> stellt einen Medikamentensequenzmodus dar, der angibt, dass der Patient innerhalb eines bestimmten Zeitraums das Medikament d ohne das Medikament c verwendet, nachdem er die Medikamente a und b eingenommen hat.

Heutzutage wird der Wert des Negativsequenzmodells von Menschen immer mehr erkannt.

Es spielt eine unersetzliche Rolle beim Verständnis und der Verarbeitung vieler medizinischer Anwendungen, wic beispielsweise der Analyse des Medikationsverhaltens von Patienten,

Die Daten der Patientenmedikamente im Krankenhaus sind die Datenquelle für den Bergbau.

Nehmen Sie als Beispiel die Diagnose- und Behandlungsaufzeichnungen von 5 Patienten innerhalb von 2 Monaten.

Tabelle 1 ist eine Transaktionsdatenbank, sortiert nach Patienten-ID und Arzneimittelausgabezeit als Schlüsselwörter.

Eine Transaktionsdatenbank, eine Transaktion stellt eine Behandlungssituation dar, ein einzelnes Element stellt das verwendete Arzneimittel dar und der Buchstabe im einzelnen Attribut zeichnet die Arzneimittel-ID auf.

Führen Sie eine Datenvorverarbeitung durch und sortieren Sic die Transaktionsdatenbank in Tabelle | in die Sequenzdatenbank in Tabelle 2. Tabelle | Angelegenheiten Kunde-1D Behandlungszeit (ausgestellter Medikamente-1D)

1 20. Juli, 2013 c

1 25. Juli, 2013 i

2 9. Juli 9 2013 a b

2 20. Juli, 2013 Cc

2 14. August, 2013 ad fg

4 25. Juli, 2013 c

4 29, Juli, 2013 c.d, gh

4 2. August, 2013 i eww | 3

Tabelle 2 Die Reihenfolge der vom Kunde-ID Patienten verwendeten Medikamente mw Alle Medikationsaufzeichnungen eines Patienten in einem bestimmten Zeitraum bilden eine geordnete Sequenz, und die Sequenz wird durch <> dargestellt. In der Sequenz sind die Artikel / Artikelgruppen in der richtigen Reihenfolge, jeder Artikel stellt eine Art Arzneimittel dar und das Element bezieht sich auf alle Arzneimittel, die der Patient zu einem bestimmten Zeitpunkt verwendet, bezeichnet mit {} oder (). Der Patient kann dieselbe chinesische Medizin in verschiedenen Zeiträumen anwenden, d.h. cin Gegenstand kann in verschiedenen Elementen einer Sequenz auftreten. Beispielsweise ist die Arzneimittelsequenz mit der ID 2 in Tabelle 2 {a, b} {c} {a d, f. g} , wobei der Patient das Arzneimittel a während der ersten bzw. dritten Behandlung verwendete, wobei {a, b}, {c}. {a, d, f. g} Diese drei Elementmengen können als Elemente der Sequenz bezeichnet werden. a, b, c, d, f. g werden als Elemente bezeichnet. Wenn nur ein Element vorhanden ist, können die Klammern weggelassen werden. Beispielsweise kann das Element {c} in der Sequenz direkt als c geschrieben werden.

Derzeit gibt es nur wenige Forschungsergebnisse zu Negative Sequence Pattern Mining-Algorithmen wie NSPM. PNSP, Neg-GSP, e-NSP und f-NSP usw. Die meisten Methoden, selbst der fortschrittlichste Algorithmus f-NSP, sind jedoch nicht effizient genug, und die Anzahl der abgebauten negativen Sequenzmuster ist nicht groß. In der Praxis gibt es viele Faktoren, die die Effizienz und Menge des Negative-Sequence-Pattern-Mining beeinflussen, Die wichtigsten davon sind der Positive-Sequence-Pattern-Mining-Prozess und negative Einschränkungen. Da Benutzer hauptsächlich an negativen Sequenzmustern interessiert sind, denen einige häufige Elemente fehlen, beruhen die vorhandenen Negativsequenzmuster-Mining-Algorithmen zunächst auf der Identifizierung positiver Sequenzmuster, aber die meisten Algorithmen ignorieren negative Sequenzmuster beim Mining negativer 4

Sequenzmuster. Um den Zeitverbrauch des positiven Sequenzmusters zu ermitteln, führt dies zu höheren Zeitkosten des gesamten Abbauprozesses. Gleichzeitig beschränken alle Algorithmen für negative Sequenzmuster das Format, die Häufigkeit und die negativen Elemente unter allen Aspekten, um die Anzahl der negativen Kandidatensequenzen zu verringern und spezifische interessierende negative Sequenzmuster zu finden. Bis zu einem gewissen Grad können strenge negative Einschränkungen die Anzahl redundanter negativer Kandidatensequenzen verringern und die Recheneffizienz sicherstellen, führen jedoch dazu, dass viele interessante negative Sequenzmuster verloren gehen, insbesondere negative Sequenzmuster mit langer Länge (die viele Informationen enthalten). . Darüber hinaus wirken sich beim Mining negativer Sequenzmuster negative Bedingungsbedingungen in gewissem Maße auch auf die Auswahl der Methode zur Erzeugung negativer Kandidatensequenzen aus. Wenn sich die Bedingungsbedingungen ändern, sollte die Methode zur Erzeugung negativer Kandidatensequenzen entsprechend geändert werden. Inhalte der Erfindung Die vorliegende Erfindung zielt auf die Mängel des Standes der Technik ab, um die Effizienz des Abbaus negativer Sequenzen schneller zu erhöhen und interessantere negative Sequenzmuster zu entdecken. Die Erfindung stellt ein System zur Analyse des Verhaltens klinischer Medikamente bereit, das auf einem effizienten Negativsequenz-Mining-Modus basiert; Die Erfindung stellt auch ein Arbeitsverfahren des oben erwähnten Systems zur Analyse des Verhaltens der klinischen Arzneimittelanwendung bereit, das auf dem effizienten Negativsequenz-Mining-Modus basiert, Die vorliegende Erfindung schlägt einen effizienten Negativmuster-Mining-Algorithmus vor, der als eNSP-IT bezeichnet wird. Durch die Anwendung des eNSP-IT-Algorithmus auf die Analyse des klinischen Medikationsverhaltens kann die negative Sequenzbeziehung zwischen Medikamenten schnell herausgefunden werden, wodurch die nächste Medikation von Patienten besser vorhergesagt und die klinische Entscheidungsfindung auf der Grundlage von Änderungen im Medikationsschema unterstützt wird.

Begriffserklärung: I. Prefixspan-Algorithmus: Ein klassischer positiver Sequenzmuster-Mining-Algorithmus, der auf der Tiefensuche basiert. Seine Grundidee besteht darin, häufige Präfixe zu verwenden, um den Suchraum und die Projektionssequenzdatenbank zu unterteilen und nach verwandten häufigen Sequenzen zu suchen.

2. Datenbank: Data set, als DS bezeichnet, bezeichnet eine Sammlung, die alle Datensequenzen enthält.

3. Unterstützungsgrad: support, kurz sup, Es gibt an, dass die Häufigkeit einer Kandidatensequenz in der Datenbank als Unterstützungsgrad bezeichnet wird.

4, Minimales Unterstützungsgrad: minimum support, kurz min_sup, Es stellt die niedrigste Häufigkeit häufiger Muster in der Datenbank dar, die vom Benutzer festgelegt wird, Wenn die Unterstützung der Kandidatensequenz größer als die minimale Unterstützung ist, ist diese Kandidatensequenz ein häufiges Muster, 5 . Das Präfix bezieht sich auf die Annahme, dass es zwei Sequenzen a =<ejes...en> und f=<ei'c2’...em >(m<n} gibt. Wenn und nur wenn ei’=ei (i<m-1 ), em’ Sem», und alle aufeinanderfolgenden Elemente in (em—em*) in alphabetischer Reihenfolge in en’ angeordnet sind, dann ist B Ein Präfix von a. Für Laien ist das Präfix die Teilsequenz des vorherigen Teils der Sequenz. Zum Beispiel ist fur die Sequenz B=<a(abc)(ac)d(cf}>, und A=<afabc)a>. so ist A das Priifix von B. Entsprechend ist fur das Präfix B. dic Projektion von a ist @’=<em”em:1...€n>, darunter em” =(em-em’). Für Laien bezieht sich Projektion auf die größte Teilsequenz der Sequenz, die kein Präfix enthält. Zum Beispiel relativ zum Präfix A ist die Projektion der Sequenz B B'=<cd(cf)>.

Das technische Schema der vorliegenden Erfindung ist: Ein klinisches Arzneimittelverhaltensanalysesystem, das auf einem effizienten Negativsequenz-Mining-Modell basiert, einschließlich eines Datenerfassungssystems und eines Verhaltensanalysesystems, die über eine Übertragungsnetzkommunikation verbunden sind; Das Datenerfassungssystem umfasst ein Datenerfassungsmodul und ein Datenübertragungsmodul, die nacheinander verbunden sind; Das Datenerfassungsmodul wird verwendet, um die Daten des klinischen Medikationsverhaltens des Patienten in Echtzeit zu erfassen und zu speichern. Die Daten des klinischen Medikationsverhaltens umfassen die ID-Nummer des Patienten, den Zeitstempel (dh den Zeitpunkt der Diagnose und Behandlung), verschriebene Medikamente, Symptome. Krankheitsbild und die Abteilung, in der sich der Patient befindet.

Das Datenübertragungsmodul wird verwendet, um die Verhaltensdaten des Patienten für klinische Medikamente über ein Übertragungsnetz an das Verhaltensanalysesystem zu übertragen.

Das Verhaltensanalysesystem umfasst ein Datenverarbeitungsmodul, ein Datenanalysemodul und ein 6

Datenverwaltungsmodul, die nacheinander verbunden sind und in einem Cloud-Server festgelegt sind. Das Datenübertragungsmodul ist mit dem Datenverarbeitungsmodul verbunden; Das Datenverarbeitungsmodul wird verwendet, um eine Datenbereinigung für die gesammelten klinischen Medikationsverhaltensdaten des Patienten durchzuführen und die Daten nach der Abteilung und der Krankheit des Patienten zu klassifizieren. Das Datenanalysemodul wird verwendet, um das klinische Medikationsverhalten des Patienten gemäß dem Verarbeitungsergebnis des Datenverarbeitungsmoduls zu analysieren und vorherzusagen, Die Schritte sind wie folgt: Basierend auf den vom Datenverarbeitungsmodul verarbeiteten Daten zum klinischen Medikationsverhalten erstellt das Datenanalysemodul eine Medikamentenverhaltenssequenz, die der ID-Nummer des Patienten entspricht, und kombiniert die Methode zur Analyse des klinischen Medikationsverhaltens mit dem effizienten Negative Sequence Mining-Modus zur Analyse klinischer Medikamente Verhaltensanalyse und -vorhersage. Die klinischen Daten zum Medikationsverhalten von Patienten in der Abteilung und derselben Krankheit bilden eine Sequenzdatenbank. Die ID-Nummer jedes Patienten entspricht den Medikationsaufzeichnungen eines Patienten in einem bestimmten Zeitraum, um eine geordnete Sequenz zu bilden. Verwenden Sie ein effizientes Negativsequenz-Mining-Modell der klinischen Methode zur Analyse des Arzneimittelverhaltens, um die Sequenzdatenbank abzubauen und ein Negativsequenzmodell zu erhalten, das die Mindestanforderungen an die Unterstützung erfüllt, dh die häufig verwendeten Behandlungsmedikamente für diese Krankheit, die Reihenfolge der Medikamente, die Beziehung zwischen Medikamenten und Medikamenten, Die negativen Sequenzmuster, die zur Entscheidungsfindung verwendet werden können, werden herausgefiltert, und das Medikationsverhalten des Patienten wird unter Verwendung der Sequenzmuster zur Entscheidungsfindung analysiert. Das Datenverwaltungsmodul wird verwendet. um die Verarbeitungsergebnisse des Datenverarbeitungsmoduls und die vom Datenanalysemodul analysierten Ergebnisse des klinischen Medikationsverhaltens zu speichern und anzuzeigen. Wenn der Arzt das Medikament verschreibt, wird das nächste Medikament empfohlen. Das Datenverwaltungsmodul wird verwendet, um alle Aufzeichnungen zum Verhalten klinischer Medikamente und alle häufigen Verhaltensweisen klinischer Medikamente anzuzeigen. Wenn der Arzt den Patienten behandelt, stellt das System den allgemein verwendeten Behandlungsplan für diese Krankheit bereit, und wenn der erste Behandlungsplan nicht zufriedenstellend ist, stellt es einen alternativen Behandlungsplan bereit.

7

Gemäß der vorliegenden Erfindung ist das Übertragungsnetz vorzugsweise ein verdrahtetes öffentliches Netzwerk, ein lokales Netzwerk oder ein 3G / 4G-Netzwerk. Die Erfindung verwendet ein Cloud-Management-Plattform-Design (wie Alibaba Cloud Server, Huawei Cloud, JD Cloud usw.), und jedes Krankenhaus muss keinen Server konfigurieren. Das Krankenhaus mietet den Cloud-Management-Plattformserver dieses Systems, um dem Krankenhaus die Verbindung zu den verschiedenen Systemschnittstellen im Krankenhaus und den Import von Daten zu erleichtern. Sie können sich an jedem Ort mit entsprechenden Berechtigungen über das Internet am System anmelden, ohne einen Client zu installieren, und die Flexibilität des Sicherheitsmanagements nutzen. Dieses System kann auch in der lokalisierten privatisierten Cloud des Krankenhauses bereitgestellt werden und sich beim lokalen Netzwerk des Krankenhauses anmelden, um eine Verbindung herzustellen. Die Arbeitsmethode des oben genannten Systems zur Analyse des Verhaltens klinischer Medikamente, das auf dem effizienten Negativsequenz-Mining-Modell basiert, umfasst die folgenden Schritte: (1) Das Datenerfassungsmodul sammelt und speichert die Daten zum klinischen Medikationsverhalten des Patienten in Echtzeit. Die Daten zum klinischen Medikationsverhalten umfassen die ID-Nummer des Patienten, den Zeitstempel (d.h. den Zeitpunkt der Diagnose und Behandlung). verschriebene Medikamente, Symptome, Krankheitsbild und die Abteilung, in der sich der Patient befindet.

Stellen Sie die negative Kandidatenfolge ns ein ; Setzen Sie beispielsweise eine negative Kandidatensequenz auf < a—bc=d>, -b, —d bedeutet keine verwendete Medikamente b.d, asc bezieht sich auf verwendete Medikamente a, bs Das Einstellen m-size bezieht sich auf die m Elemente, die in der negativen Kandidatensequenz ns enthalten sind: z.B. ist < a—bc—d > eine Sequenz mit 4-size; Stellen Sie MPS (ns) so ein, dass es sich auf die größte positive Teilsequenz der negativen Kandidatensequenz ns bezieht, die aus allen positiven Elementen besteht, die in der negativen Kandidatenscquenz ns in der ursprünglichen Reihenfolge enthalten sind; z.B. : inns,-b, —d steht für nicht verwendete Medikamente, während a und c für gebrauchte Medikamente stehen, Die größte positive Folge ist MPS(< arbcrd >) = <ac> ; Das Setzen des positiven Paares P (ns) ist die Sequenz, nachdem alle negativen Elemente in einer negativen Kandidatensequenz ns, die aus dem vom Patienten verwendeten Arzneimittel besteht, in die entsprechenden positiven Elemente umgewandelt wurden; z.B., P(<a-be-d >)=<a bc d>; Angenommen, 1-negMSnsbezieht sich auf die Teilfolge der negativen Kandidatensequenz ns, und die 8

Teilfolge besteht aus MPS (ns) und einem negativen Element; Angenommen, 1-negMSSns bezieht sich auf den Satz von Teilsequenzen aller negativen Sequenzen einschließlich der negativen Kandidatensequenz ns; Angenommen, p(1-negMSns)bedeutet, dass das positive Element in der Sequenz 1-negMSns unverändert bleibt und das negative Element in das entsprechende positive Element umgewandelt wird: z.B. : p(<a—bc>)=<abc: Angenommen, ds bezieht sich auf eine Datensequenz in der Datenbank, ds enthält die von einem Patienten während dieser Behandlung verwendeten Medikamente und die Medikamente sind in der Reihenfolge der Medikamente angeordnet. Zusammenfassend erfüllt sie für eine Datensequenz ds und cine Sequenz, die alle Elemente m enthält, und eine Sequenz ns, die n negative Elemente enthält, die Elementbeschränkung, Formatbeschränkung und häufige Einschränkung und erfüllt die Bedingungen: MPS(ns) € dsund jeweils |- negMSns erfüllt p(1-negMS)æd, dann enthält ds ns: Elementbeschränkung bedeutet: Innerhalb des Elements sind keine negativen Elemente zulässig, nur Elemente in der Sequenz können negativ werden. Beispiel: <a” (ab}> erfüllt die Beschränkung und <a (—ab)> erfüllt die Beschränkung nicht. weil —a ist Negativer Term innerhalb des Elements (Tab); Die Formatbeschränkung bedeutet: Es gibt keine aufeinanderfolgenden 2 oder mehr negativen Elemente, zum Beispiel: <a— (ab) —c> erfüllt die Beschränkung nicht, weil das negative Element — (ab) —c zwei aufeinandertolgende negative Elemente ist: Häufige Einschränkung bedeutet: Negative Sequenz erfüllt 1-negMSns € 1-negMSS,s und p(1-negMS.)ePSP. PSP bezieht sich auf den positiven Sequenzmodus: Häufige Einschränkungen berücksichtigen die folgenden Aspekte: (1) Benutzer sind daran interessiert, dass bestimmte häufige Elemente in NSP fehlen. Daher sollten die in NSP berücksichtigten Elemente eine ausreichende Häufigkeit haben. ENSP-IT erfordert, dass jedes p (1-negMSns) zu PSP gehört, was die Anforderung erfüllt, dass jedes Element in NSP häufig vorhanden ist. (2) Benutzer erwarten, dass NSP nützlichere Informationen enthält. die ihnen helfen, bessere Entscheidungen zu treffen. (3) Wenn wir diese Einschränkung nicht implementieren, kann die Anzahl der negativen Kandidatensequenzen sehr groB oder sogar unbegrenzt sein, was zu einer sehr geringen Effizienz des NSP-Mining führt.

( 2 ) Das Datenübertragungsmodul überträgt die Verhaltensdaten des Patienten über ein Übertragungsnetzwerk an das Verhaltensanalysesystem, und das Verhaltensanalysesystem verwendet den 9 eNSP-IT-Algorithmus, um die Verhaltensdaten des klinischen Medikaments zu analysieren, einschließlich der folgenden Schritte:

a.

Das Datenverarbeitungsmodul führt eine Datenbereinigung für die gesammelten klinischen Medikationsverhaltensdaten des Patienten durch und klassifiziert die Daten nach der Abteilung und den Symptomen des Patienten. b.

Das Datenanalysemodul analysiert und prognostiziert das klinische Medikationsverhaiten des Patienten anhand des Verarbeitungsergebnisses des Datenverarbeitungsmoduls; C.

Das Datenverwaltungsmodul speichert und zeigt die Verarbeitungsergebnisse des Datenverarbeitungsmoduls und die vom Datenanalysemodul analysierten Ergebnisse des klinischen Medikationsverhaltens an.

Wenn der Arzt Medikamente verschreibt, wird das nichste Medikament empfohlen.

Vorzugsweise führt gemäß der vorliegenden Erfindung in Schritt a das Datenverarbeitungsmodul eine Datenbereinigung an den gesammelten klinischen Medikationsverhaltensdaten des Patienten durch und klassifiziert die Daten gemäß der Abteilung und Krankheit des Patienten, einschließlich der folgenden Schritte: Bei der Erfassung der Daten zum klinischen Medikationsverhalten des Patienten über das Datenerfassungssystem wird eine große Datenmenge generiert, und gleichzeitig können die Daten dupliziert oder unvollständige Dateninformationen vorliegen. d, Optimieren Sie die gesammelten Daten zum klinischen Medikationsverhalten von Patienten, um sie für eine spätere Analyse geeignet zu machen.

Die Datenoptimierung umfasst das Ausfüllen fehlender Daten und das Herausfiltern abnormaler Daten. e, Standardisicren Sie die optimierten Daten zum klinischen Medikationsverhalten von Patienten, Die standardisierte Verarbeitung bezieht sich auf die Integration von Daten, d.h. die Medikationsaufzeichnungen jeder Woche von Patienten mit derselben Patienten-ID-Nummer werden in einer sequentiellen Scquenz sortiert, um einen vollständigen Patienten zu bilden Daten zum klinischen Medikationsverhalten: Alle Medikationsaufzeichnungen cines Patienten in einem bestimmten Zeitraum stellen eine geordnete Sequenz dar.

In der Sequenz werden Artikel / Artikel bestellt, und jeder Artikel repräsentiert ein Medikament, und die Elemente sind Es bezieht sich auf alle Arzneimittel, die der Patient zu einem bestimmten Zeitpunkt verwendet, d.h. der Patient kann dieselbe chinesische Medizin zu unterschiedlichen Zeitpunkten verwenden, d.h. ein Gegenstand kann in verschiedenen Elementen ciner

Sequenz vorkommen. f. Gemäß den beiden Klassifizierungsmerkmalen der Abteilung und der Krankheit des Patienten werden die Daten des klinischen Medikationsverhaltens des Patienten klassifiziert und gemäß der ID-Nummer des Patienten, dem Zeitstempel (d.h. dem Zeitpunkt der Diagnose und Behandlung), den verschriebenen Arzneimitteln, Symptomen, Krankheitsbild und der Abteilung des Patienten in das Datenverwaltungsmodul gespeichert.

Gemäß der vorliegenden Erfindung analysiert und prognostiziert das Datenanalysemodul vorzugsweise in Schritt b das klinische Medikationsverhalten des Patienten gemäß dem Verarbeitungsergebnis des Datenverarbeitungsmoduls, einschließlich der folgenden Schritte: g. Verwenden Sie den modifizierten Positivsequenzmuster-Mining-Algorithmus Prefixspan, um alle positiven Sequenzmuster abzubauen, d.h.h die Reihenfolge der am häufigsten verwendeten Medikamente in der Patientenpopulation innerhalb eines bestimmten Zeitraums. Im modifizierten Positivsequenzmuster-Mining-Algorithmus Prefixspan jeweils Häufige positive Sequenzen verwenden Bitmaps. um die ID-Nummer der Datensequenz zu speichern, die sie enthält.

h. Das Verfahren zur Erzeugung einer negativen Kandidatensequenz von PNSP wird angewendet, um eine negative Kandidatensequenz (Negative Sequential Candidates, NSC) zu erzeugen, mit der bestimmt wird, welche Arzneimittel häufiger verwendet werden und welche Arzneimittel in einem bestimmten Zeitraum nicht verwendet werden; i. Verwenden Sie Bitmap-Operationen, um die Unterstützung negativer Kandidatensequenzen zu berechnen.

j+ Durchsuchen Sie negative Sequenzmuster, die die Mindestanforderungen an die Unterstützung durch negative Kandidatensequenzen erfüllen, und verwenden Sie geeignete Screening-Methoden, um negative Sequenzmuster herauszufiltern, die für die Entscheidungsfindung verwendet werden können, und verwenden Sie die Sequenzmuster für die Entscheidungsfindung, um das Medikationsverhalten des Patienten zu analysieren Ärzte prognostizieren den nächsten Behandlungsplan des Patienten auf der Grundlage der Analyseergebnisse und unterstützen klinische Entscheidungen auf der Grundlage von Änderungen im Arzneimittelplan. Zum Beispiel zwei negative Sequenzmuster Pı= <(Glucose)(Ceftriaxon)( Vitamin B6)(Natriumchloridlösung) — (Vitamin C)> A0 Pa=<(Ceftriaxon)( Vitamin B6) — (Vitamin C)(Cimetidin) — (Omeprazo!)>. Pl und P2 zeigen, dass Ärzte bei der Behandlung von Gastritis häufig die Verschreibungen in diesen beiden Sequenzen auswählen und die mögliche Beziehung 11 zwischen den Arzneimitteln in jeder Verschreibung durch diese beiden negativen Sequenzmuster entdeckt werden kann. P1 bedeutet, dass der Arzt nach der Verwendung von Glukose, Ceftriaxon, Vitamin B6 und Natriumchloridlösung kein Vitamin C verwendet. P2 bedeutet, dass der Arzt nach der Verschreibung von Ceftriaxon und Vitamin C kein Vitamin C verwendet und dann Cimetidin anstelle von Omeprazol verwendet. Daher kann die Verwendung der NSP-Mining-Methode Ärzten effektiv helfen, die nächsten Medikamente des Patienten genau vorherzusagen.

Gemäß der vorliegenden Erfindung wird in Schritt g, um die Zeiteffizienz des Mining negativer Sequenzmuster zu verbessern. der PrefixSpan-Algorithmus verwendet, um das positive Sequenzmuster abzubauen, und gleichzeitig wird die Bitmap-Strategie verwendet, um den PrefixSpan-Algorithmus weiter zu verbessern, um die Raumeffizienz zu verbessern. Im Gegensatz zu anderen Mining-Methoden, die Bitmap-Strukturen verwenden, verwendet der modifizierte PrefixSpan-Algorithmus einfache Bitmap-Strukturen und -Operationen, um sequentielle Muster zu erhalten, einschließlich der folgenden Schritte: k. hinzufügen ID zu jeder Datensequenz ds;

1. Scannen Sie die Datenbank (enthält die Sammlung aller Datensequenzen ds), um alle Elemente zu finden. Das Element bezieht sich auf jedes Medikament. Erstellen Sie eine Bitmap fiir jedes Element. Die Linge jeder Bitmap entspricht der Anzahl der Datensequenzen in der Datenbank. In der Datensequenz i wird die Bitmap des Elements an Position i auf | gesetzt, andernfalls wird die Bitmap des Elements an Position i auf 0 gesetzt, und die Bitmap wird durch B dargestellt; z.B.. Die Bitmap von Punkt b ist B(b}=| 1 | 1|1|0j0|, Fs ist in der ersten, zweiten und dritten Datenreihe enthalten. m. Berechnen Sie gemäß der Bitmap jedes Elements die Unterstützung jedes Elements, d.h. die Nummer 1 in der Bitmap, und bestimmen Sie, ob die Unterstützung des Elements die minimale Unterstützung min_sup erfüllt, Die minimale Unterstützung min_sup bezieht sich auf den Benutzersatz, häufig Die minimale Häufigkeit des Musters: Wenn die Unterstützung des Elements größer oder gleich der minimalen Unterstützung min_sup ist, ist das Element cine PSP der Länge |, und die PSP der Länge 1 wird als Präfix der Länge | angesehen, andernfalls ist es keine Länge von | PSP, lösche diesen Artikel; n. Führen Sie rekursives Mining für jedes Präfix mit der Länge i durch, das die Supportanforderungen erfüllt, i> 1, Suchen Sie anhand der Bitmap des Präfixes die Datensequenz, die das Präfix enthält, und speichern Sie die Projektion der Datensequenz, die dem Präfix entspricht, in der Projektionsdatenbank. z.B.. der Bitmap von Präfix <a> ist B(<a>)= | |1|1|1]0]> Dies bedeutet, dass es in der ersten, 12 zweiten, dritten und vierten Datensequenz enthalten ist, Die Projektionsdatenbank des Präfixes <a> enthält die Projektionen der ersten, zweiten, dritten und vierten Datenreihe relativ zum Präfix <a> und die ID der Datenreihe;

0. Durchsuchen Sie die Projektionsdatenbank, um alle Elemente zu finden, und erstellen Sie cine Bitmap gemäß der ID der entsprechenden Datensequenz. Berechnen Sie die Unterstützung jedes Elements, d.h.

dic Nummer | in der Bitmap. Wenn die Unterstützung aller Elemente niedriger als min_sup ist, kehren Sie rekursiv zurück Fahren Sie andernfalls mit Schritt p fort, p. Kombinieren Sie jedes Element, das die Unterstützungsanzahl erfüllt, mit dem aktuellen Präfix und führen Sie Bitoperationen für die Bitmaps der beiden aus, d.h. führen Sie die UND-Operation für die beiden Bitmaps aus, um das neue Präfix und seine Bitmap zu erhalten, Das neue Präfix ist die Länge, wenn die PSP eine PSP 1-size ist, speichern Sie ihre Unterstützung direkt. Andernfalls verwenden Sie weiterhin die Bitmap, um die Informationen zu speichern.

q. i plus | ist das Präfix jedes neue Präfix nach dem zusammengeführten Element, und die Schritte o bis q werden rekursiv ausgeführt, Gemäß der vorliegenden Erfindung lockert ENSP-IT in Schritt h, um die Anzahl der abgebauten NSPs zu erhöhen. die häufige Einschränkung und übernimmt gleichzeitig das PNSP-Verfahren zur Erzeugung negativer Kandidatensequenzen. Die Schritte sind wie folgt: r. Ein NSC mit 1-size wird aus einem PSP mit 1-size erzeugt, beispielsweise erzeugt ein PSP mit [-size einen NSC mit |-size.

s. Die Definitionsbeschränkung lautet: Kontinuierliche negative Elemente in NSP sind nicht zulässig, NSC mit 2-size wird durch die Anordnung von PSP mit 1-size und NSP mit I-size wie <—ab>. <a—b> erzeugt. Wenn das letzte Element von ns ein positives Element ist, fügen Sie PSP mit 1-size oder NSP mit |-size hinzu, andernfalls fügen Sie PSP mit |-size hinzu.

t. Fügen Sie (k-1) -size-Kandidatensequenz (NSC oder PSP) PSP |-size oder NSP I-size hinzu, um NSC k-size zu erzeugen: u. Wiederholen Sie die obigen Schritte r bis t, bis kein NSC generiert wird oder die Anzahl der NSC-Elemente größer als 21+] ist, lreprisentiert die Anzahl der Elemente in der größten Sequenz in PSP; Wenn die Anzahl der Elemente in der maximalen Sequenz in der PSP m beträgt, beträgt die maximale Anzahl der Elemente in der generierten NSP 2 m + 1: Ferner wird vorzugsweise der NSC mit k-size getrimmt, bevor seine Unterstiitzung berechnet wird. Das 13

Trimmverfahren ist: Wenn ¥ns ENSC und MPS(ns)& PSP, dann schneiden Sie die negative Kandidatenfolge ns aus.

Ferner wird vorzugsweise der NSC mit k-size getrimmt, bevor seine Unterstützung berechnet wird.

Das Trimmverfahren ist: Wenn Vns ENSC und Vp(1-negMS)€ PSP, dann schneiden Sie die negative Kandidatenfolge ns aus.

Gemäß der vorliegenden Erfindung bezieht sich der Schritt i. der den Unterstützungsgrad der negativen Kandidatensequenz berechnet, ist : Eine Folge von negativen Elementen der Größe m und n ns, für V1-negMS(Sequenz, die nur ein negatives Element enthält) € |-negMSS»s(Eine Sammlung von Sequenzen mit einem negativen Element), [<i<n, In der Datenbank ist dic Unterstützung von ns sup (ns) wie in Formel (I), Formel (ID und Formel (IM) gezeigt: Wenn die Größe von ns | ist und ns nur | negatives Element hat, lautet die Unterstützung von ns:

sup(ns) =sup(<7e> =|D|-sup(<e>) CD Wenn ns nur einen negativen Term enthält, ist der Unterstützungsgrad der Sequenz ns:

sup(ns) = sup(MPS(ns)-sup(p(ns}}) (1 Ansonsten ist die Unterstützung von ns:

sup(ns) = sup(MPS(ns))-N(OR_, {p(1-negMSi)}) (ID In Formel (1). Formel (11) und Formel (III) bezieht sich OR auf die UND-Operation in der Bitoperation, d.h. die Bitmap. die p (1-ncgMSi) entspricht, wird einzeln UND-verknüpft, und die UND-Operation bezieht sich auf mehrere Die Bitmap wird zusammengeführt, um eine neue Bitmap zu generieren.

Wenn dieselbe Position in der Bitmap alle 1 ist. ist die entsprechende Position in der neuen Bitmap |. andernfalls sind alle 0. N bezieht sich auf die Nummer | in der Bitmap.

Zum Beispiel eine negative Kandidatensequenz <-ace—f> . sup<ce>=5.entsprechende MPS(ns) = <ce> . p(l-negMSij) = <ace>,p(1-negMS:) = <cef>. Angenommen,B(<ace>) = | 0 |0|1]1]0(B(<cef>) =10|1(|1|110 ORY, {p(1-negMS}}= B(<ace>) OR B(<cef>) = | 0 1 | 1] 1]0 [.daher N(OR}, {p(1-neghMS))})= 3 und sup (<-ace-f >) = sup(<ce>)-|{ <ace> OR <cef>}|=2. Die vorteilhaften Wirkungen der vorliegenden Erfindung sind: |. Gegenwärtig gibt es nur wenige Algorithmen zum Mining negativer Sequenzmuster, aber diese Aigorithmen sind oft sehr ineffizient.

Wir haben einen effizienten

14

Negativsequenzmuster-Mining-Algorithnus —eNSP-[T-Algorithmus vorgeschlagen, mit dem die Benutzererfahrung in kürzerer Zeit ermittelt werden kann, Xings Sequenzmodus. Für Daten wie Daten zum klinischen Medikationsverhalten haben dichte Daten mit vielen Flementen und großen Sequenzlängen gute experimentelle Ergebnisse. und die Ergebnisse können relativ schnell erhalten werden. 2 . Im Vergleich zu anderen Negativsequenzmuster-Mining-Algorithmen sind die negativen Randbedingungen des eNSP-IT-Algorithmus entspannter, wodurch mehr Sequenzmuster abgebaut und Benutzer mit mehr Entscheidungsinformationen versorgt werden können,

3. Die Anwendung der vorliegenden Erfindung kann die positiven und negativen Sequenzmuster als Referenz im Prozess der klinischen Arzneimittelanalyse vollständig kombinieren, wodurch der am häufigsten verwendete Arzneimittelbehandlungsplan während der Behandlung einer bestimmten Krankheit entdeckt wird, so dass der Arzt den Patienten behandelt Gleichzeitig kann die vorliegende Erfindung ihm den vorherigen Behandlungsplan zur Verfügung stellen, um die nächste Medikation des Patienten besser vorherzusagen und die klinische Entscheidung basierend auf der Änderung des Medikationsplans zu unterstützen. Beschreibung der Zeichnungen Fig. 1 ist ein Strukturblockdiagramm eines Systems zur Analyse des Verhaltens klinischer Medikamente, das auf einem effizienten Negativsequenz-Mining-Modell der vorliegenden Erfindung basiert, Detaillierte Implementierung Im Folgenden ist die vorliegende Erfindung in Kombination mit den Zeichnungen und den Ausführungsformen der Beschreibung weiter beschränkt, aber nicht darauf beschränkt. Beispiel 1 Ein klinisches Medikationsverhaltensanalysesystem, das auf einem effizienten Negativsequenz-Mining-Model! basiert, wie in | gezeigt, umfasst ein Datenerfassungssystem und ein Verhaltensanalysesystem, die über eine Übertragungsnetzkommunikation verbunden sind; Das Datenerfassungssystem umfasst ein Datenerfassungsmodul und cin Datenübertragungsmodul, die nacheinander verbunden sind; Das Datenerfassungsmodul wird verwendet, um die Daten des klinischen Medikationsverhaltens des Patienten in Echtzeit zu erfassen und zu speichern. Die Daten des klinischen Medikationsverhaltens umfassen die ID-Nummer des Patienten, den Zeitstempel (d.h. den Zeitpunkt der Diagnose und

Behandlung). verschriebene Medikamente, Symptome, Krankheitsbild und die Abteilung, in der sich der Patient befindet.

Das Datenübertragungsmodul wird verwendet, um die Verhaltensdaten des Patienten für klinische Medikamente über das Übertragungsnetz an das Verhaltensanalysesystem zu übertragen.

Das Verhaltensanalysesystem umfasst ein Datenverarbeitungsmodul. ein Datenanalysemodul und ein Datenverwaltungsmodul, die nacheinander verbunden sind und auf dem Cloud-Server festgelegt sind.

Das Datenübertragungsmodul ist mit dem Datenverarbeitungsmodul verbunden; Das Datenverarbeitungsmodul wird verwendet, um die gesammelten klinischen Medikationsverhaltensdaten des Patienten zu bereinigen und die Daten nach der Abteilung und der Krankheit des Patienten zu klassifizieren.

Das Datenanalysemodul wird verwendet, um das klinische Medikationsverhalten von Patienten gemäß den Verarbeitungsergebnissen des Datenverarbeitungsmoduls zu analysieren und vorherzusagen.

Die Schritte sind wie folgt: Basierend auf den vom Datenverarbeitungsmodui verarbeiteten Daten zum klinischen Medikationsverhalten erstellt das Datenanalysemodul eine Medikamentenverhaltenssequenz, die der ID-Nummer des Patienten entspricht, und kombiniert die Methode zur Analyse des klinischen Medikationsverhaltens mit dem effizienten Negative Sequence Mining-Modus zur Analyse klinischer Medikamente Verhaltensanalyse und -vorhersage.

Die klinischen Daten zum Medikationsverhalten von Patienten in der Abteilung und derselben Krankheit bilden eine Sequenzdatenbank.

Die ID-Nummer jedes Patienten entspricht den Medikationsaufzeichnungen eines Patienten in einem bestimmten Zeitraum, um eine geordnete Sequenz zu bilden.

Verwenden Sie ein effizientes Negativsequenz-Mining-Model! der klinischen Methode zur Analyse des Arzneimittelverhaltens, um die Sequenzdatenbank abzubauen und ein Negativsequenzmodell zu erhalten, das die Mindestanforderungen an die Unterstützung erfüllt, d.h, die häufig verwendeten Behandlungsmedikamente für diese Krankheit, die Reihenfolge der Medikamente, die Beziehung zwischen Medikamenten und Medikamenten.

Die negativen Sequenzmuster, die zur Entscheidungsfindung verwendet werden können, werden herausgefiltert, und das Medikationsverhalten des Patienten wird unter Verwendung der Sequenzmuster zur Entscheidungsfindung analysiert.

Das Datenverwaltungsmodul wird zum Speichern und Anzeigen der Verarbeitungsergebnisse des Datenverarbeitungsmoduls und der vom Datenanalysemodul analysierten Ergebnisse des klinischen Medikationsverhaltens verwendet.

Wenn der Arzt Medikamente verschreibt, wird das nächste

16

Medikament empfohlen. Das Datenverwaltungsmodul wird verwendet, um alle Aufzeichnungen zum Verhalten klinischer Medikamente und alle häufigen Verhaltensweisen klinischer Medikamente anzuzeigen, Wenn der Arzt den Patienten behandelt, stellt das System den allgemein verwendeten Behandlungsplan für diese Krankheit bereit, und wenn der erste Behandlungsplan nicht zufriedenstellend ist. stellt es einen alternativen Behandlungsplan bereit. Das Übertragungsnetz ist ein drahtgebundenes öffentliches Netz, ein lokales Netz oder ein 3G / 4G-Netz. Die Erfindung verwendet ein Cloud-Management-Plattform-Design (wie Alibaba Cloud Server, Huawei Cloud. JD Cloud usw.), und jedes Krankenhaus muss keinen Server konfigurieren. Das Krankenhaus mietet den Cloud-Management-Plattformserver dieses Systems, um dem Krankenhaus die Verbindung zu den verschiedenen Systemschnittstellen im Krankenhaus und den Import von Daten zu erleichtern. Sie können sich an jedem Ort mit entsprechenden Berechtigungen über das Internet am System anmelden, ohne einen Client zu installieren, und die Flexibilität des Sicherheitsmanagements nutzen. Dieses System kann auch in der lokalisierten privatisierten Cloud des Krankenhauses bereitgestellt werden und sich beim lokalen Netzwerk des Krankenhauses anmelden, um eine Verbindung herzustellen. Beispiel 2 Das Arbeitsverfahren des klinischen Medikationsverhaltensanalysesystems basierend auf dem in Ausführungsform 1 beschriebenen effizienten Negativsequenz-Mining-Modell umfasst die folgenden Schritte: (1) Das Datenerfassungsmodul sammelt und speichert die Daten zum klinischen Medikationsverhalten des Patienten in Echtzeit. Die Daten zum klinischen Medikationsverhalten umfassen die ID-Nummer des Patienten. den Zeitstempel (d.h. den Zeitpunkt der Diagnose und Behandlung), verschriebene Medikamente, Symptome, Krankheitsbild und die Abteilung des Patienten.

Stellen Sie eine negative Kandidatensequenz ns ein, die aus vom Patienten verwendeten Arzneimitteln besteht. stellen Sie beispielsweise eine negative Kandidatensequenz ein, da <arbe-d>, —b, —d sich auf keine Arzneimittel b. d, a, c beziehen. Bezieht sich auf die verwendeten Medikamente a, b; Das Einstellen der m-size bezieht sich auf die m Elemente, die in der negativen Kandidatensequenz ns enthalten sind, zum Beispiel ist <a—bc~d> eine Sequenz der 4-size; Stellen Sie MPS (ns) als die größte positive Sequenz der negativen Kandidatensequenz ns ein, die aus den vom Patienten verwendeten Arzneimitteln besteht, Es besteht aus allen positiven Elementen, die in der negativen Kandidatensequenz ns in der ursprünglichen Reihenfolge enthalten sind, d.h. es besteht aus den 17

Arzneimitteln, die von allen Patienten in dieser negativen Kandidatensequenz verwendet werden; z.B. : In ns stellen —b und —d nicht verwendete Arzneimittel dar, während a und c verwendete Arzneimittel darstellen; die größte positive Teilsequenz ist MPS (<a—bc—d>) = <ac>; Das Setzen des positiven Paares P (ns) ist die Sequenz, nachdem alle negativen Elemente in einer negativen Kandidatensequenz ns, die aus dem vom Patienten verwendeten Arzneimittel besteht, in die entsprechenden positiven Elemente umgewandelt wurden; z.B., P(<arberd>)=<a bc d>; Stellen Sie 1-negMSns so ein, dass es sich auf die Teilsequenz der negativen Kandidatensequenz ns bezieht, und die Teilsequenz besteht aus MPS (ns) und einem negativen Element: Das Setzen von |-negMSSns bezieht sich auf den Satz von Teilsequenzen aller negativen Sequenzen einschließlich der negativen Kandidatensequenz ns; Das Setzen von p (l-negMSns) bedeutet, dass das positive Element in der Sequenz 1-negMSns unverändert bleibt und das negative Element in das entsprechende positive Element umgewandelt wird; 41: p(<a—hc>)=<abc; Die Einstellung ds bezieht sich auf eine Datensequenz in der Datenbank, ds enthält die von einem Patienten wihrend dieser Behandlung verwendeten Medikamente und die Medikamente sind in der Reihenfolge der Medikamente angeordnet.

Zusammenfassend erfüllt sie für eine Datensequenz ds und eine Sequenz ns mit allen in m und n negativen Elementen enthaltenen Elementen die Elementbeschränkung, Formatbeschränkung und häufige Beschränkung und erfüllt die Bedingung: MPS(ns)cdsund jeweils 1- negMSns erfüllt p(l-negMS)ad, dann enthält ds ns: Elementbeschränkung bedeutet: Innerhalb des Elements sind keine negativen Elemente zulässig.

Nur Elemente in der Sequenz können negativ werden.

Beispiel: <a” (ab)> erfüllt die Beschränkung und <a (—ab)> erfüllt die Beschränkung nicht, da —a ist Negativer Term innerhalb des Elements (Tab); Die Formatbeschränkung bedeutet, dass es keine aufeinanderfolgenden 2 oder mehr negativen Elemente gibt. zum Beispiel: <a” (ab) —c> erfüllt die Beschränkung nicht, weil das negative Element — (ab) —c zwei aufeinanderfolgende negative Elemente ist: Häufige Einschränkung bedeutet: Negative Sequenz erfüllt 1-negMSns € I1-negMSS1s und p(l-negMSn)ePSP, PSP bezieht sich auf den positiven Sequenzmodus;

(2) In dieser Ausführungsform werden die ambulanten Gastritisdaten in den Krankenversicherungsdaten als experimentelle Daten verwendet.

Tabelle 3 ist ein Teilergebnis der Vorverarbeitung der

18

Krankenversicherungsdaten in eine Sequenzdatenbank. Der eNSP-IT-Algorithmus wird verwendet, um das klinische Medikationsverhalten zu analysieren, und die minimale Unterstützung min_sup = 30% überträgt das Dateniibertragungsmodul die Verhaltensdaten des Patienten zu klinischen Medikamenten über das Übertragungsnetz an das Verhaltensanalysesystem. Das Verhaltensanalysesystem verwendet den eNSP-IT-Algorithmus zur Analyse der Verhaltensdaten zu klinischen Medikamenten, einschließlich der folgenden Schritte: Tabelle 3 <{Glucose)(Natriumchloridlôsung)(Cettriaxon)( Vitamin B6})(Cimetidin)(Domperidon)> <(Natriumchloridlösung)(Ceftriaxon)(Di'ac Xinxuekang Kapseln)(Sanjiu Weitai > Granulat)(Domperidon)> a. Das Datenverarbeitungsmodul bereinigt die gesammelten Klinischen Medikationsverhaltensdaten des Patienten und klassifiziert die Daten nach Abteilung und Krankheit des Patienten. Die Schritte sind wie folgt: Bei der Erfassung von Daten zum klinischen Medikationsverhalten des Patienten über das Datenerfassungssystem wird eine große Datenmenge generiert, und gleichzeitig können doppelte oder unvollständige Dateninformationen in den Daten enthalten sein. Daher ist d. Optimieren Sie die gesammelten Daten zum klinischen Medikationsverhalten von Patienten, um sie für eine spätere Analyse geeignet zu machen. Die Datenoptimierung umfasst das Ausfüllen fehlender Daten und das Herausfiltern abnormaler Daten.

ce. Standardisieren Sie die optimierten Daten zum klinischen Medikationsverhalten von Patienten. Die standardisierte Verarbeitung bezieht sich auf die Integration von Daten, d.h. die Medikationsaufzeichnungen jeder Woche von Patienten mit derselben Patienten-ID-Nummer werden in einer sequentiellen Sequenz sortiert, um einen vollständigen Patienten zu bilden Daten zum klinischen 19

Medikationsverhalten: Alle Medikationsaufzeichnungen eines Patienten in einem bestimmten Zeitraum stellen eine geordnete Sequenz dar. In der Sequenz werden Artikel / Artikel bestellt, und jeder Artikel repräsentiert ein Medikament, und die Elemente sind Es bezieht sich auf alle Arzneimittel, die der Patient zu einem bestimmten Zeitpunkt zur gleichen Zeit verwendet, d.h. der Patient kann dasselbe chinesische Arzneimittel in unterschiedlichen Zeiträumen anwenden, d.h. ein Gegenstand kann in verschiedenen Elementen einer Sequenz vorkommen.

f. Gemäß den beiden Klassifizierungsmerkmalen der Abteilung und der Krankheit des Patienten werden die Daten des klinischen Medikationsverhaltens des Patienten klassifiziert und gemäß der ID-Nummer des Patienten, dem Zeitstempel (d.h. dem Zeitpunkt der Diagnose und Behandlung), den verschriebenen Medikamenten, Symptomen, Symptomen und der Abteilung des Patienten gespeichert Das Datenverwaltungsmodul.

b. Das Datenanalysemodul analysiert und prognostiziert das klinische Medikationsverhalten von Patienten gemäß den Verarbeitungsergebnissen des Datenverarbeitungsmoduls; c. Das Datenverwaltungsmodul speichert und zeigt die Verarbeitungsergebnisse des Datenverarbeitungsmoduls und dic vom Datenanalysemodul analysierten Ergebnisse des klinischen Medikationsverhaltens an. Wenn der Arzt Medikamente verschreibt, wird das nächste Medikament empfohlen.

Schritt b: Das Datenanalysemodul analysiert und prognostiziert das klinische Medikationsverhalten des Patienten gemäß dem Verarbeitungsergebnis des Datenverarbeitungsmoduls, einschlieBlich der folgenden Schritte: g. Verwenden Sie den modifizierten Positivsequenzmuster-Mining-Algorithmus Prefixspan, um alle positiven Sequenzmuster abzubauen, d.h. die Reihenfolge der am häufigsten verwendeten Medikamente in der Patientenpopulation innerhalb eines bestimmten Zeitraums. Im modifizierten Positivsequenzmuster-Mining-Algorithmus Prefixspan jeweils Häufige positive Sequenzen verwenden Bitmaps, um die Datensequenz-ID-Nummern zu speichern, die sie enthalten. Tabelle 4 zeigt einige positive Sequenzmuster und ihre Bitmaps.

Tabelle 4

<(Omeprazol)(Zusammengesetzte große grüne [0/0J0/010J0[0]1]0]9]....../0]1]0] Blätter)> Le Ni h. Das Verfahren zur Erzeugung einer negativen Kandidatensequenz von PNSP wird verwendet, um eine negative Kandidatensequenz (Negative Sequential Candidates, NSC) zu erzeugen, mit der bestimmt wird. welche Arzneimittel häufiger verwendet werden und welche Arzneimittel in einem bestimmten Zeitraum nicht verwendet werden. Erzeugen Sie gemäß den experimentellen Daten die folgende negative Kandidatensequenz <(Glucose) —(Natriumchloridlôsung)>,<(Vitamin Bb} —(Vitamin C)>, <—(Natriumchtoridläsung)(Omeprazol)(Zusammengesetzte große grüne Blätter)>,<(Glucose)(Ceftriaxon) (Vitamin B6)(Natriumchloridlôsung) — (Vitamin C}>,<(Ceftriaxon)(Vitamin B6} — (Vitamin CXCimetidin) —{Omeprazol)>; i. Verwenden Sie Bitmap-Operationen, um die Unterstützung für negative Kandidatensequenzen zu berechnen: ij. Durchsuchen Sie negative Sequenzmuster. die die Mindestanforderungen an die Unterstiitzung durch negative Kandidatensequenzen erfüllen, und verwenden Sie geeignete Screening-Methoden, um negative Sequenzmuster herauszufiltern, die für die Entscheidungsfindung verwendet werden können, und verwenden Sie die Sequenzmuster für die Entscheidungsfindung, um das Medikationsverhalten des Patienten zu analysieren ; Der Arzt sagt den nächsten Behandlungsplan des Patienten basierend auf dem Analyseergebnis voraus und unterstützt die klinische Entscheidung basierend auf der Änderung des Arzneimittelpians. Tabelle 5 zeigt die partiellen negativen Sequenzmuster, die unter der minimalen Unterstiitzung min_sup = 30% abgebaut wurden.

Tabelle 5 <—(Natriumchloridlôsung)(Omeprazol)(Zusammengesetzle 45% große grüne Blätter)> 21

<(Glucose)(Ceftriaxon)(Vitamin B6)(Natriumchloridlösung) 47% —(VitaminC)> <(Ceftriaxon)(Vitamin B6) (Vitamin 79% C)(Cimetidin)(Omeprazol)> <(Cimetidin) —(Zusammengesetzte große grüne 36% Blätter)(Omeprazol)> Le | Zum Beispiel zwei negative Sequenzmuster P= <(Glucose)(Ceftriaxon)( Vitamin B6)(Natriumchloridlésung) — (Vitamin C)> und P:=<(Ceftriaxon)(Vitamin B6) — (Vitamin C)(Cimetidin) — (Omeprazol)>.P1 und P2 zeigen, dass Ärzte bei der Behandlung von Gastritis häufig die Verschreibungen in diesen beiden Sequenzen auswählen und die mögliche Beziehung zwischen den Arzneimitteln in jeder Verschreibung durch diese beiden negativen Sequenzmuster entdeckt werden kann, Pl bedeutet, dass der Arzt nach der Verwendung von Glukose, Ceftriaxon, Vitamin B6 und Natriumchloridiôsung kein Vitamin C verwendet. P2 bedeutet, dass der Arzt nach der Verschreibung von Ceftriaxon und Vitamin C kein Vitamin C verwendet und dann Cimetidin anstelle von Omeprazol verwendet. Daher kann die Verwendung von NSP-Mining-Methoden Arzten effektiv dabei helfen, die nächsten Medikamente des Patienten genau vorherzusagen.

Gemäß der in Schritt g beschriebenen Methode wird der PrefixSpan-Algorithmus verwendet, um positive Sequenzmuster abzubauen, um die Zeiteffizienz des Negative Sequence Pattern Mining zu verbessern. Gleichzeitig wird die Bitmap-Strategie verwendet, um den PrefixSpan-Algorithmus weiter zu verbessern und die Raumeffizienz zu verbessern. Im Gegensatz zu anderen Mining-Methoden, die Bitmap-Strukturen verwenden, verwendet der modifizierte PrefixSpan-Algorithmus einfache Bitmap-Strukturen und -Operationen, um sequentielle Muster zu erhalten, einschließlich der folgenden Schritte: k, ID zu jeder Datensequenz hinzufügen ds; |. Scannen Sie die Datenbank (enthält die Sammlung aller Datensequenzen ds), um alle Elemente zu finden. Das Element bezieht sich auf jedes Arzneimittel. Erstellen Sie eine Bitmap für jedes Element. Die Länge jeder Bitmap entspricht der Anzahl der Datensequenzen in der Datenbank, wenn ein Element in angezeigt wird In der Datensequenz i wird die Bitmap des Elements an Position i auf 1 gesetzt, 22 andernfalls wird die Bitmap des Elements an Position i auf 0 gesetzt, und die Bitmap wird durch B dargestellt; m. Berechnen Sie gemäß der Bitmap jedes Elements die Unterstützung jedes Elements, d.h. die Nummer | in der Bitmap, und bestimmen Sie, ob die Unterstützung des Elements die minimale Unterstützung min_sup erfüllt. Die minimale Unterstützung min_sup bezieht sich auf den Benutzersatz, häufig Die minimale Häufigkeit des Musters: Wenn die Unterstützung des Elements größer oder gleich der minimalen Unterstützung min_sup ist, ist das Element eine PSP der Länge |, und die PSP der Länge I wird als Präfix der Länge 1 angesehen, andernfalls ist es keine Länge von | PSP, lösche diesen Artikel; n + Führen Sie rekursives Mining für jedes Präfix mit der Länge i durch, das die Supportanforderungen erfüllt, i> 1, Suchen Sie anhand der Bitmap des Präfixes die Datensequenz, die das Präfix enthält, und speichern Sie die Projektion der Datensequenz, die dem Präfix entspricht, in der Projektionsdatenbank.

o. Durchsuchen Sie die Projektionsdatenbank, um alle Elemente zu finden, und erstellen Sie eine Bitmap gemäß der ID der entsprechenden Datensequenz. Berechnen Sie die Unterstützung jedes Elements, d.h. die Nummer 1 in der Bitmap. Wenn die Unterstiitzung aller Elemente niedriger als min_sup ist, kehren Sie rekursiv zurück Fahren Sie andernfalls mit Schritt p fort.

p. Kombinieren Sie jedes Element, das die Unterstützungsanzahl erfüllt, mit dem aktuellen Präfix und führen Sie Bitoperationen für die Bitmaps der beiden aus, d.h. führen Sie die UND-Operation für die beiden Bitmaps aus, um das neue Präfix und seine Bitmap zu erhalten. Das neue Präfix ist die Länge, wenn es sich bei der PSP um eine PSP mit !-size handelt, speichern Sie die Unterstützung direkt. Andernfalls verwenden Sie die Bitmap weiterhin zum Speichern von Informationen.

q. i plus I ist das Präfix jedes neue Präfix nach dem zusammengeführten Element, und die Schritte 0 bis q werden rekursiv ausgeführt.

Gemäß der in Schritt h beschriebenen Methode lockert ENSP-IT die häufige Einschränkung und übernimmt die Methode zur Erzeugung negativer PNSP-Kandidatenkandidatensequenzen, um die Anzahl der abgebauten NSPs zu erhöhen. Die Schritte sind wie folgt: r. 1-Size-PSP generiert aus |-Size-NSC; z.B, generiert NSC<7a> aus 1-size-PSP<a>.

s. Die Definitionsbeschränkung lautet: Kontinuierliche negative Elemente in NSP sind nicht zulässig, NSC mit 2-size wird durch die Anordnung von PSP mit I-size und NSP mit 1-size erzeugt, z.B. <—ab>. <a-b>. Wenn das letzte Element von ns ein positives Element ist, fügen Sie PSP mit 1-size oder NSP mit 23

1-size hinzu, andernfalls fügen Sie PSP mit 1-size hinzu.

t. Fügen Sie der (k-1)-size -Kandidatensequenz (NSC oder PSP) |-size-PSP oder |-size- NSP hinzu, um NSC k-size zu erzeugen; u, Wiederholen Sie die obigen Schritte r bis t, bis kein NSC generiert wird oder die Anzahl der NSC-Elemente größer als 21+1 ist, I stellt die Anzahl der Elemente in der größten Sequenz in PSP dar; wenn die Anzahl der Elemente in der größten Sequenz in PSP m ist, beträgt die maximale Anzahl von Elementen in dem erzeugten NSP 2 m + 1; k-size-NSC wird vor der Berechnung seiner Unterstützung zugeschnitten. Die Zuschneidemethode lautet: Wenn VV ns ENSC und MPS(ns)& PSP, dann schneiden Sie die negative Kandidatenfolge ns aus.

Ein Schnitt vor der Berechnung der Unterstützung von k-size-NSC ist die Schnittmethode: Wenn Vns ENSC und Vp(1-negMS)é PSP, dann schneiden Sie die negative Kandidatenfolge ns aus.

Gemäß dem in Schritt i beschriebenen Verfahren bezieht sich die Berechnung des Unterstützungsgrades der negativen Kandidatensequenz auf: Eine Folge von negativen Elementen der Größe m und n ns, für V 1-negMSi(Sequenz mit nur einem negativen Element) € !-negMSS,s(Eine Sammlung von Sequenzen mit einem negativen Element), 1<i<n, In der Datenbank ist die Unterstützung von ns sup (ns) wie in Formel (1), Formel (II) und Formel (III) gezeigt: Wenn die Größe von ns 1 ist und ns nur 1 negatives Element hat, lautet die Unterstützung von ns: sup(ns) =sup(<—e> =|D|-sup(<e>) CD Wenn ns nur einen negativen Term enthält, ist der Unterstützungsgrad der Sequenz ns: sup(ns) = sup(MPS(ns)-sup(p(ns))} (ID Ansonsten ist die Unterstützung von ns: sup(ns) = sup(MPS(ns))-N(OR; , {p(l-negMS}}} (ID In Formel (I), Formel (II) und Formel (III) bezieht sich OR auf die UND-Operation in der Bitoperation, dh die Bitmap, die p (1-negMSi) entspricht, wird einzeln UND-verknüpft, und die UND-Operation bezieht sich auf mehrere Die Bitmap wird zusammengeführt, um eine neue Bitmap zu generieren. Wenn dieselbe Position in der Bitmap alle 1 ist, ist die entsprechende Position in der neuen 24

Bitmap |. andernfalls sind beide 0. N bezieht sich auf die Anzahl der Einsen in der Bitmap.

Beispiel 2 Das Arbeitsverfahren des klinischen Medikationsverhaltensanalysesystems basierend auf dem in Ausführungsform | beschriebenen effizienten Negativsequenz-Mining-Modus umfasst die folgenden Schritte: ( 1 } Das Datenerfassungsmodul sammelt und speichert die Daten zum klinischen Medikationsverhalten des Patienten in Echtzeit. Die Daten zum klinischen Medikationsverhalten umfassen die ID-Nummer des Patienten, den Zeitstempel (dh den Zeitpunkt der Diagnose und Behandlung), verschriebene Medikamente, Symptome, Krankheitszeichen und die Abteilung des Patienten.

Stellen Sie die negative Kandidatensequenz ns ein, die aus den vom Patienten verwendeten Arzneimitteln besteht, und stellen Sie beispielsweise eine negative Kandidatensequenz als <a-bc-d>, —b, —d ein, was bedeutet, dass keine Arzneimittel b und d verwendet werden, a und c sind Bezieht sich auf die verwendeten Medikamente a, b; Das Einstellen der m-Größe bezieht sich auf die m Elemente, die in der negativen Kandidatensequenz ns enthalten sind. zum Beispiel ist <a—bc—d> eine Sequenz der 4-Größe; Angenommen, MPS (ns) ist die größte positive Teilsequenz der negativen Kandidatensequenz ns, die aus vom Patienten verwendeten Arzneimitteln besteht und sich aus allen positiven Elementen zusammensetzt, die in der negativen Kandidatensequenz ns in der ursprünglichen Reihenfolge enthalten sind, dh dieser negativen Kandidatensequenz Die Zusammensetzung der von allen Patienten in ns verwendeten Arzneimittel, zum Beispiel: =b und —d in ns stellen nicht verwendete Arzneimittel dar, und a und c stellen verwendete Arzneimittel dar; die größte positive Teilsequenz ist MPS (<a—bc—d>) = < ac>; Das gesetzte positive Paar P (ns) ist die Sequenz, nachdem alle negativen Elemente in einer negativen Kandidatensequenz ns, die aus dem vom Patienten verwendeten Arzneimittel besteht, in die entsprechenden positiven Elemente umgewandelt wurden; z.B., P(<a-be-d >)=<a bc d>; Stellen Sie 1-negMSns so ein, dass es sich auf die Teilsequenz der negativen Kandidatensequenz ns bezieht, und die Teilsequenz besteht aus MPS (ns) und einem negativen Element; Das Setzen von 1-negMSSns bezieht sich auf den Satz von Teilsequenzen aller negativen Sequenzen einschlieBlich der negativen Kandidatensequenz ns; Das Setzen von p (1-negMSns) bedeutet, dass das positive Element in der Sequenz 1-negMSns unverändert bleibt und das negative Element in das entsprechende positive Element umgewandelt wird; z.B.: p(<a-be>)=<abe; Die Einstellung ds bezieht sich auf eine Datensequenz in der Datenbank, ds enthält die von einem Patienten während dieser Behandlung verwendeten Medikamente und die Medikamente sind in der Reihenfolge der Medikamente angeordnet.

Zusammenfassend erfüllt sie für eine Datensequenz ds und eine Sequenz ns mit allen Elementen, die in m und n negativen Elementen enthalten sind, die Elementbeschränkung, Formatbeschränkung und häufige Einschränkung und erfüllt die Bedingung: MPS(ns)c ds und jeweils 1- negMSns 1-negMS1s erfüllt ptl-negMS)zd, dann enthält ds ns: Elementbeschränkung bedeutet: Innerhalb des Elements sind keine negativen Elemente zulässig. Nur Elemente in der Sequenz können negativ werden. Beispiel: <a— (ab)> erfüllt die Beschränkung und <a (—ab)> erfüllt die Beschränkung nicht. da —a ist Negativer Term innerhalb des Elements (Tab); Formatbeschränkung bedeutet: Es gibt keine aufeinanderfolgenden 2 oder mehr negativen Elemente, zum Beispiel: <a— (ab) —c> erfüllt die Beschränkung nicht, weil das negative Element — (ab) —c zwei aufeinanderfolgende negative Elemente ist ; Häufige Einschränkung bedeutet: Negative Sequenz erfüllt I-negMS,s € 1-negMSS,; und p(1-negMS.)ePSP, PSP bezieht sich auf den positiven Sequenzmodus: ( 2 ) In dieser Ausführungsform werden die Daten von Diabetikern in den Krankenversicherungsdaten als experimentelle Daten verwendet. Die folgende Tabelle 6 ist ein Teilergebnis der Vorverarbeitung der Krankenversicherungsdaten in eine Sequenzdatenbank. Der eNSP-IT-Algorithmus wird verwendet. um das klinische Medikationsverhalten zu analysieren. Die minimale Unterstützung beträgt min_sup = 30%, einschließlich der folgenden Schritte: Tabelle 6 <{Metformin, Simvastatin. Venlafaxin)(Aspirin,Glipizid)(Hydrochlorothiazid,Insulin)> 26

Ce a. Das Datenverarbeitungsmodul bereinigt die gesammelten klinischen Medikationsverhaltensdaten des Patienten und klassifiziert die Daten nach Abteilung und Krankheit des Patienten. Die Schritte sind wie folgt: Bei der Erfassung von Daten zum klinischen Medikationsverhalten des Patienten über das Datenerfassungssystem wird eine große Datenmenge generiert, und gleichzeitig können doppelte oder unvollstindige Dateninformationen in den Daten enthalten sein.

d. Optimieren Sie die gesammelten Daten zum klinischen Medikationsverhalten von Patienten, um sie fiir cine spätere Analyse geeignet zu machen. Die Datenoptimierung umfasst das Ausfüllen fehlender Daten und das Herausfiltern abnormaler Daten.

e. Standardisieren Sie die optimierten Daten zum klinischen Medikationsverhalten von Patienten, Die standardisierte Verarbeitung bezieht sich auf die Integration von Daten, dh die Medikationsaufzeichnungen jeder Woche von Patienten mit derselben Patienten-ID-Nummer werden in einer sequentiellen Sequenz sortiert, um einen vollständigen Patienten zu bilden Daten zum klinischen Medikationsverhalten: Alle Medikamentenaufzeichnungen eines Patienten in einem bestimmten Zeitraum stellen eine geordnete Sequenz dar. In der Sequenz werden Artikel / Artikel bestellt, und jeder Artikel stellt ein Medikament dar, und das Element bezieht sich auf die des Patienten Alle Arzneimittel, die zu einem bestimmten Zeitpunkt verwendet werden: Der Patient kann dasselbe chinesische Arzneimittel in unterschiedlichen Zeiträumen anwenden, dh ein Gegenstand kann in verschiedenen Elementen einer Sequenz vorkommen.

f. Gemäß den beiden Klassifizierungsmerkmalen der Abteilung und der Krankheit des Patienten werden die Daten des klinischen Medikationsverhaltens des Patienten klassifiziert und gemäß der ID-Nummer des Patienten, dem Zeitstempel (dh dem Zeitpunkt der Diagnose und Behandlung), den verschriebenen Medikamenten, Symptomen, Krankheitszeichen und der Abteilung des Patienten gespeichert Das Datenverwaltungsmodul.

b. Das Datenanalysemodul analysiert und prognostiziert das klinische Medikationsverhalten von Patienten anhand der Verarbeitungsergebnisse des Datenverarbeitungsmoduls; ¢ . Das Datenverwaltungsmodul speichert und zeigt die Verarbeitungsergebnisse des Datenverarbeitungsmoduls und die vom Datenanalysemodul analysierten Ergebnisse des klinischen 27

Medikationsverhaltens an. Wenn der Arzt Medikamente verschreibt, wird das nächste Medikament empfohlen.

Schritt b: Das Datenanalysemodul analysiert und prognostiziert das klinische Medikationsverhalten des Patienten gemäß dem Verarbeitungsergebnis des Datenverarbeitungsmoduls, einschließlich der folgenden Schritte: g. Verwenden Sie den modifizierten Positivsequenzmuster-Mining-Algorithmus Prefixspan, um alle positiven Sequenzmuster abzubauen, dh die Reihenfolge der am häufigsten verwendeten Medikamente in der Patientenpopulation innerhalb eines bestimmten Zeitraums. Im modifizierten Positivsequenzmuster-Mining-Algorithmus Prefixspan jeweils Häufige positive Sequenzen verwenden Bitmaps, um die Datensequenz-ID-Nummern zu speichern, die sie enthalten, Tabelle 7 zeigt einige positive Sequenzmuster und ihre Bitmaps.

Tabelle 7 ee h. Das Verfahren zur Erzeugung einer negativen Kandidatensequenz von PNSP wird verwendet, um eine negative Kandidatensequenz (Negative Sequential Candidates, NSC) zu erzeugen, mit der bestimmt wird, welche Arzneimittel häufiger verwendet werden und welche Arzneimittel in einem bestimmten Zeitraum nicht verwendet werden. Erzeugen Sie gemäß den experimentellen Daten die folgende negative Kandidatensequenz <(Metformin) —(Glipizid)>,<(Metformin) —(Acetohexanamid)>.

<—1(Sulfambutamid)(Metformin)(Alogliptin)(Peglitazon)(Exenatide}>,<(Metformin) —(Acetohexanamid)(Rosiglitazon) —(Saxagliptin)>.<(Sulfambutamid)(Metformin} (Sitagliptin) —(Peglitazon)(Exenatide) —(Insulin)>; i. Verwenden Sie Bitmap-Operationen, um die Unterstützung für negative Kandidatensequenzen zu berechnen; j+ Durchsuchen Sie negative Sequenzmuster, die die Mindestanforderungen an die Unterstützung 28 durch negative Kandidatensequenzen erfüllen, und verwenden Sie geeignete Screening-Methoden, um negative Sequenzmuster herauszufiltern, die für die Entscheidungsfindung verwendet werden können, und verwenden Sie die Sequenzmuster für die Entscheidungsfindung, um das Medikationsverhalten des Patienten zu analysieren ; Der Arzt sagt den nächsten Behandlungsplan des Patienten basierend auf dem Analyseergebnis voraus und unterstützt die klinische Entscheidung basierend auf der Änderung des Arzneimittelplans. Tabelle 8 zeigt das teilweise negative Sequenzmuster, das unter der minimalen Unterstützung min_sup = 30% abgebaut wurde.

Tabelle 8 <(Sulfambutamid)(Metformin) (Sitagliptin) —(Peglitazon)(Exenatide) 43% —(Insulin)> Led Zum Beispiel zwei negative Sequenzmuster P1= <— (Acetohexanamid)(Metformin) — (Alogliptin)> und P:=<(Metformin) — (Acetohexanamid)(Rosiglitazon) —(Saxagliptin}>. P1 und P2 zeigen, dass Ärzte bei der Behandlung von Diabetes häufig Rezepte in diesen beiden Sequenzen wählen und die mögliche Beziehung zwischen den Medikamenten in jedem Rezept durch diese beiden negativen Sequenzmuster entdeckt werden kann. P1 zeigt an, dass der Arzt Metformin und nicht Alogliptin verwendet hat. nachdem er kein Acetohexanamid verwendet hat. P2 bedeutet, dass der Arzt nach der Verschreibung von Metformin kein Acetohexanamid und dann Rosiglitazon anstelle von Saxagliptin verwendete. Daher kann die Verwendung von NSP-Mining-Methoden Ärzten effektiv dabei helfen. die nächsten Medikamente des Patienten genau vorherzusagen.

Gemäß der in Schritt g beschriebenen Methode wird zur Verbesserung der Zeiteffizienz des Mining negativer Sequenzmuster der PrefixSpan-Algorithmus verwendet, um das positive Sequenzmuster abzubauen. Gleichzeitig wird die Bitmap-Strategic verwendet, um den PrefixSpan-Algorithmus weiter zu 29 verbessern, um die Raumeffizienz zu verbessern. Im Gegensatz zu anderen Mining-Methoden, die Bitmap-Strukturen verwenden. verwendet der modifizierte PrefixSpan-Algorithmus einfache Bitmap-Strukturen und -Operationen, um sequentielle Muster zu erhalten, einschließlich der folgenden Schritte: k, ID zu jeder Datensequenz hinzufügen ds; |, Scannen Sie die Datenbank (enthält die Sammlung aller Datensequenzen ds), um alle Elemente zu finden. Das Element bezieht sich auf jedes Arzneimittel. Erstellen Sie eine Bitmap für jedes Element. Die Länge jeder Bitmap entspricht der Anzahl der Datensequenzen in der Datenbank, wenn ein Element in angezeigt wird In der Datensequenz i wird die Bitmap des Elements an Position i auf | gesetzt, andernfalls wird die Bitmap des Elements an Position i auf 0 gesetzt, und die Bitmap wird durch B dargestellt, beispielsweise die Bitmap des Elements der Natriumchloridlôsung B (b) =| 1| 1 1]0[0 | ist in der ersten. zweiten und dritten Datenreihe enthalten.

m . Berechnen Sie gemäß der Bitmap jedes Elements die Unterstützung jedes Elements, dh dic Nummer 1 in der Bitmap, und bestimmen Sie. ob die Unterstützung des Elements die minimale Unterstützung min_sup erfüllt. Die minimale Unterstützung min_sup bezieht sich auf den Benutzersaiz, häufig Die minimale Häufigkeit des Musters: Wenn die Unterstützung des Elements größer oder gleich der minimalen Unterstiitzung min_sup ist, ist das Element eine PSP der Linge 1, und dic PSP der Linge | wird als Präfix der Länge 1 angesehen, andernfalls ist es keine Länge von | PSP, lösche diesen Artikel; n. Führen Sie rekursives Mining für jedes Präfix mit der Länge i durch, das die Supportanforderungen erfüllt, i> 1, Suchen Sie anhand der Bitmap des Präfixes die Datensequenz, die dieses Präfix enthält, und speichern Sie die Projektion der diesem Präfix entsprechenden Datensequenz in der Projektionsdatenbank. Beispielsweise lautet die Bitmap des Präfixes <a> B (<a>) = |1111111101 was bedeutet. dass es in der ersten, zweiten, dritten und vierten Datenreihe enthalten ist. Die Projektionsdatenbank mit dem Präfix <a> enthält die erste, zweite, dritte und vierte Die Projektion jeder Datenreihe relativ zum Präfix <a> und der ID der Datenreihe; o. Durchsuchen Sie die Projektionsdatenbank, um alle Elemente zu finden, und erstellen Sie eine Bitmap gemäß der ID der entsprechenden Datensequenz. Berechnen Sie die Unterstützung jedes Elements, dh die Nummer 1 in der Bitmap. Wenn die Unterstützung aller Elemente niedriger als min_sup ist, kehren Sie rekursiv zurück Fahren Sie andernfalls mit Schritt p fort.

p. Kombinieren Sie jedes Element, das die Unterstützungsanzahl erfüllt, mit dem aktuellen Präfix und führen Sie Bitoperationen für die Bitmaps der beiden aus, dh führen Sie die UND-Operation für die beiden Bitmaps aus, um das neue Präfix und seine Bitmap zu erhalten. Das neue Präfix ist die Länge, wenn es sich bei der PSP um eine 1-size-PSP handelt, speichern Sie die Unterstützung direkt. Andernfalls verwenden Sie die Bitmap weiterhin zum Speichern von Informationen.

q- i plus | ist das Präfix jedes neue Präfix nach dem zusammengeführten Element, und die Schritte o bis q werden rekursiv ausgeführt.

Gemäß der in Schritt h beschriebenen Methode lockert ENSP-IT die häufige Einschränkung und übernimmt die Methode zur Erzeugung negativer PNSP-Kandidatenkandidatensequenzen, um die Anzahl der abgebauten NSPs zu erhöhen. Die Schritte sind wie folgt: r. Ein 1-size- NSC wird aus einem |-size-PSP erzeugt, beispielsweise erzeugt einl-size- PSP einen 1-size-NSC, s, Die Definitionsbeschränkung lautet: Kontinuierliche negative Elemente in NSP sind nicht zulässig, 2-size-NSC wird durch die Anordnung von |-size- PSP und |-size-NSP wie <ab>, <b> erzeugt. Wenn das letzte Element von ns ein positives Element ist, fügen Sie |-size-PSP oder |-size-NSP hinzu, andernfalls fügen Sie 1-size-PSP hinzu.

t. Fügen Sie der (k-1) -size-Kandidatensequenz (NSC oder PSP)1-size- PSP oder I-size- NSP hinzu, um k-size-NSC zu erzeugen; u. Wiederholen Sie die obigen Schritte 1 bis n, bis kein NSC generiert wird oder die Anzahl der NSC-Elemente größer als 21+1 ist, | stellt die Anzahl der Elemente in der größten Sequenz in der PSP dar; wenn die Anzahl der Elemente in der größten Sequenz in der PSP m ist, beträgt die maximale Anzahl von Elementen in der erzeugten NSP 2 m + 1; k-size-NSC wird vor der Berechnung seiner Unterstützung zugeschnitten. Die Zuschneidemethode lautet: Wenn Vns ENSC und MPS(ns)& PSP, dann schneiden Sie die negative Kandidatenfolge ns aus.

k-size-NSC wird vor der Berechnung seiner Unterstützung zugeschnitten. Die Zuschneidemethode lautet: Wenn Yns ENSC und Vp(l-negMS)# PSP, dann schneiden Sie die negative Kandidatenfolge ns aus.

Gemäß dem in Schritt i beschriebenen Verfahren bezieht sich die Berechnung des Unterstützungsgrades der negativen Kandidatensequenz auf: 31

Eine Folge ns der Größe m und n negativer Elemente, für V I-negMS;(Sequenz mit nur cinem negativen Element) € 1-negMSSAs(Eine Sammlung von Sequenzen mit einem negativen Element), 1<i<n, In der Datenbank wird der Unterstützungsgrad von ns sup (ns) in Formel (1), Formel (HI) und Formel (III) angezeigt: Wenn die Größe von ns | ist und ns nur | negatives Element hat, lautet die Unterstützung von ns: sup(ns) =sup(<Te> =|D|-sup(<e>) (nD Wenn ns nur einen negativen Term enthält, ist der Unterstützungsgrad der Sequenz ns: sup(ns) = sup(MPS(ns)-sup(p(ns))) (ID Ansonsten ist die Unterstiitzung von ns: sup(ns) = sup(MPS(ns))-N(OR"_ {p(l-negMSi)}y CI In Formel (I), Formel (II) und Formel (III) bezieht sich OR auf die UND-Operation in der Bitoperation. dh die Bitmap, die p (1-negMSi) entspricht, wird einzeln UND-verknüpft, und die UND-Operation bezieht sich auf mehrere Die Bitmap wird zusammengeführt, um eine neue Bitmap zu generieren.

Wenn dieselbe Position in der Bitmap alle | ist, ist die entsprechende Position in der neuen Bitmap |, andernfalls sind beide 0. N bezieht sich auf die Anzahl der Einsen in der Bitmap.

Zum Beispiel cine negative Kandidatensequenz <vace-f>, sup<ce>=5, entsprechend MPS(ns) = <ce>, p(1-negMS1) = <ace>, p(1-negMS2) = <cef>. Angenommen, B(<ace>) =]0|0[|1]1|0], B(<cef>)=[0[1[1]1]0], ORT, {p(1-negMS5:)}= B(<ace>) OR B(<cef=) = |0|1|1|1]0 |. Daher MORT_, {p(1-negMS,)}}= 3 und sup (<Tace-f >) = sup(<ce>)-|{ <ace> OR <cef>}|=2. Algorithmus Pseudocode Eingabe: Datenbank für klinische Medikamentenaufzeichnungssequenzen (D); Mindestunterstützung (min_sup); Ausgabe: Sequence Patiern Set (NSP) zur Analyse des Verhaltens klinischer Medikamente; (1) PSP is obtain from the modified PrefixSpan algorithm: (2) I-size NSP is generated from |-size PSP; (3) For(k=2; k < 2m+1;k++){ (4) /* k-size NSC is generated from (k-1)-size NSC and (k-1)-size PSP */ (5) For( each candidate sequence in (k-1)-size NSC){ (6) If (the last clement of candidate sequence is positive) then 32

(7) ns = candidate sequence append with |-size PSP;

(8) Else

(9) ns = candidate sequence append with 1-size NSP;

(10) If MPS(ns)ePSP||V p(1-negMS)ePSP then

(11) /* if ns satisfies two pruning strategies, ns is not stored in k-size NSC. */

(12) ns is stored in k-size NSC;

(13) }

(14) For( each candidate sequence in (k-1)-size PSP){

(15) ns = candidate sequence append with |-size NSP;

(16) If MPS(ns)ePSP|| V p(1-negMS)ePSP then

(17) ns is stored in k-size NSC;

(18) }

(19) }

(20) For(each nsc in NSC){//Calculating the support of nsc

(213 If (size(nsc)=1 && negsize(nsc)=1)

(22) sup(nsc) = |D|-sup(p(nse)};

(23) Else If (size(nsc)> | && negsize(nsc) ==1)

(24) sup(nsc) = sup(MPS(nsc)-sup{p(nse))):

(25) Else

(26) sup(nsc) = sup(MPS(nsc))-N(OR__ {p(1-negMS)}):

(27) [f{sup(nsc)/|D|= min_sup)

(28) nsc is stored in NSP;

(29) }

(30) Retum NSP

Schritt (1) besteht darin, den modifizierten PrefixSpan-Algorithmus zu verwenden, um alle positiven Sequenzmuster aus der Sequenzdatenbank auszugraben, und die Unterstützung aller positiven Kandidatensequenzen wird unter Verwendung von Bitmaps gespeichert;

Die Schritte (2) - (19) beziehen sich auf das Erzeugen negativer Kandidaten unter Verwendung eines Verfahrens zur Erzeugung negativer Kandidatensequenzen, wobei die Schritte (10) und (16) das

33

Beschneiden der negativen Kandidatensequenzen darstellen, die die Beschneidungsbedingungen erfüllen; Die Schritte (21) - (26) bedeuten die Verwendung der Formeln (I) - (HI) zur Berechnung der Unterstützung negativer Kandidatensequenzen, wobei sich die Schritte (21) - (24) auf die Berechnung der Unterstützung negativer Kandidaten beziehen, die nur ein negatives Element enthalten. Schritt (26) bezieht sich auf die Berechnung der Unterstützung von negativen Kandidaten, die mehrere negative Elemente enthalten; Die Schritte (27) - (28) bedeuten, dass, wenn die Unterstützung des negativen Kandidaten größer als die minimale Unterstützung ist, diese negative Kandidatensequenz ein negatives Sequenzmuster ist und dem Satz negativer Sequenzmuster hinzugefügt wird.

Schritt (30) besteht darin, die Ergebnisse zurückzugeben und dann geeignete Methoden zu verwenden, um die Sequenzmuster herauszufiltern, die für die Entscheidungsfindung verwendet werden können, und diese gescreenten Sequenzmuster zu verwenden, um das klinische Medikationsverhalten zu analysieren.

34

Claims (10)

1. \ del 1 . Ein klinisches Verhaltensanalysesystem für Medikamente, das auf einem effizienten Negativsequenz-Mining-Modell basiert und dadurch gekennzeichnet ist, dass cs ein Datenerfassungssystem und ein Verhaltensanalysesystem umfasst, die über ein Übertragungsnetz kommunikativ verbunden sind; Das Datenerfassungssystem umfasst ein Datenerfassungsmodul und ein Datenübertragungsmodul, die nacheinander verbunden sind. Das Datenerfassungsmodul wird verwendet, um die Daten des klinischen Medikationsverhaltens des Patienten in Echtzeit zu erfassen und zu speichern. Die Daten des klinischen Medikationsverhaltens umfassen die ID-Nummer, den Zeitstempel und die Ausgabe des Patienten Das Datenübertragungsmodul wird verwendet, um die klinischen Medikationsverhaltensdaten des Patienten über das Übertragungsnetz an das Verhaltensanalysesystem zu übertragen; Das Verhaltensanalysesystem umfasst ein Datenverarbeitungsmodul, ein Datenanalysemodul und ein Datenverwaltungsmodul, die nacheinander verbunden sind. Das Datenverarbeitungsmodul wird verwendet. um eine Datenbereinigung fiir die gesammelten klinischen Medikationsverhaltensdaten des Patienten durchzuführen und eine Datenverarbeitung gemäß der Abteilung und der Krankheit des Patienten durchzufiihren Datenklassifizierung: Das Datenanalysemodul wird verwendet. um das klinische Medikationsverhalten von Patienten gemäß den Verarbeitungsergebnissen des Datenverarbeitungsmoduls zu analysieren und vorherzusagen. Das Datenverwaltungsmodul wird verwendet, um die Verarbeitungsergebnisse und Daten des Datenverarbeitungsmoduls zu analysieren und vorherzusagen Die vom Analysemodul analysierten Ergebnisse des klinischen Medikationsverhaltens werden gespeichert und angezeigt. Wenn der Arzt das Medikament verschreibt, wird das nächste Medikament empfohlen.
2. 2, System zur Analyse des Verhaltens klinischer Medikamente basierend auf einem effizienten Negativsequenz-Mining-Modell nach Anspruch 1, wobei das Ubertragungsnetz ein drahtgebundenes öffentliches Netzwerk, ein lokales Netzwerk oder ein 3G / 4G-Netzwerk ist.
3. 3. Die Arbeitsmethode eines klinischen Systems zur Analyse des Verhaltens von Medikamenten, das auf einem effizienten Negativsequenz-Mining-Muster gemäß Anspruch 1 oder 2 basiert und dadurch gekennzeichnet ist. dass es die folgenden Schritte umfasst: ( 1 ) Das Datenerfassungsmodul sammelt und speichert die Daten zum klinischen 36

   Medikationsverhaiten des Patienten in Echtzeit. Die Daten zum klinischen Medikationsverhalten umfassen die ID-Nummer des Patienten, den Zeitstempel, verschriebene Medikamente, Symptome, Krankheitszeichen und die Abteilung des Patienten.

   Setze negative Kandidatenfolge ns; Das Einstellen von m-size bezieht sich auf die m Elemente, die in der negativen Kandidatensequenz ns enthalten sind: Stellen Sie MPS (ns) so ein, dass es sich auf die größte positive Teilsequenz der negativen Kandidatensequenz ns bezieht, die sich aus allen positiven Elementen zusammensetzt, die in der negativen Kandidatensequenz ns in der ursprünglichen Reihenfolge enthalten sind.

   Das Setzen des positiven Paares P (ns} ist die Sequenz, nachdem alle negativen Elemente in einer negativen Kandidatensequenz ns, die aus dem vom Patienten verwendeten Arzneimittel besteht, in die entsprechenden positiven Elemente umgewandelt wurden; Stellen Sie 1-negMSns so ein, dass es sich auf die Teilsequenz der negativen Kandidatensequenz ns bezieht, und die Teilsequenz besteht aus MPS (ns) und einem negativen Element; Das Setzen von 1-negMSSns bezieht sich auf den Satz von Teilsequenzen aller negativen Sequenzen einschließlich der negativen Kandidatensequenz ns; Das Setzen von p (1-negMSns) bedeutet, dass das positive Element in der Sequenz 1-negMSns unverändert bleibt und das negative Element in das entsprechende positive Element umgewandelt wird; Die Einstellung ds bezieht sich auf eine Datensequenz in der Datenbank, ds enthält die von einem Patienten während dieser Behandlung verwendeten Medikamente und die Medikamente sind in der Reihenfolge der Medikamente angeordnet, Zusammenfassend erfüllt sie für eine Datensequenz ds und eine Sequenz ns mit allen Elementen, die in m und n negativen Elementen enthalten sind, die Elementbeschränkung, Formatbeschränkung und häufige Einschränkung und erfüllt die Bedingung : MPS(ns) <= dsund jeweils 1- negMSns erfüllt p(1-negMS)zd, dann enthält ds ns: Elementbeschränkung bedeutet: Innerhalb des Elements sind keine negativen Elemente zulässig. Nur Elemente in der Sequenz können negativ werden.

   Die Formatbeschränkung bedeutet: Es gibt keine zwei oder mehr aufeinanderfolgenden negativen Elemente.

   Häufige Einschränkung bedeutet: Negative Sequenz erfüllt I-negMS. € I-negMSS„ und 37 p(1-negMS.s)ePSP, PSP bezicht sich auf den positiven Sequenzmodus; ( 2 ) Das Datenübertragungsmodul überträgt die Verhaltensdaten des Patienten über ein Übertragungsnetzwerk an das Verhaltensanalysesystem, und das Verhaltensanalysesystem verwendet den eNSP-IT-Algorithmus, um die Verhaltensdaten des klinischen Medikaments zu analysieren, einschließlich der folgenden Schritte: a, Das Datenverarbeitungsmodul führt eine Datenbereinigung für die gesammelten klinischen Medikationsverhaltensdaten des Patienten durch und klassifiziert die Daten nach der Abteilung und den Symptomen des Patienten.

   b. Das Datenanalysemodul analysiert und prognostiziert das klinische Medikationsverhalten des Patienten gemäß dem Verarbeitungsergebnis des Datenverarbeitungsmoduls; ¢ , Das Datenverwaltungsmodul speichert und zeigt die Verarbeitungsergebnisse des Datenverarbeitungsmoduls und die vom Datenanalysemodul analysierten Ergebnisse des klinischen Medikationsverhaltens an. Wenn der Arzt das Medikament verschreibt, wird das nächste Medikament empfohlen.
4. 4, Arbeitsverfahren eines klinischen Medikationsverhaltensanalysesystems basicrend auf einem effizienten Negativsequenz-Mining-Modell nach Anspruch 3, wobei in Schritt a das Datenverarbeitungsmodul eine Datenverarbeitung an den gesammelten klinischen Medikationsverhaltensdaten des Patienten durchführt Datenbereinigung und Datenklassifizierung nach Abteilung und Krankheit des Patienten, einschließlich der folgenden Schritte: d . Optimieren Sie die gesammelten Daten zum klinischen Medikationsverhalten von Patienten, einschließlich des Ausfüllens fehlender Daten und des Herausfilterns abnormaler Daten.

   es Standardisieren Sie die optimierten Daten zum klinischen Medikationsverhalten von Patienten. Die standardisierte Verarbeitung bezieht sich auf die Integration von Daten, dh die Medikationsaufzeichnungen jeder Woche von Patienten mit derselben Patienten-ID-Nummer werden in einer sequentiellen Sequenz sortiert, um einen vollständigen Patienten zu bilden Daten zum klinischen Medikationsverhalten; f. Gemäß den beiden Klassifizierungsmerkmalen der Abteilung und der Krankheit des Patienten werden die Daten des klinischen Medikationsverhaltens des Patienten klassifiziert und im Datenverwaltungsmodul gemäß der ID-Nummer des Patienten, dem Zeitstempel, den verschriebenen Medikamenten, den Symptomen, den Symptomen und der Abteilung des Patienten gespeichert .

   38
5. 5, Arbeitsverfahren eines klinischen Medikationsverhaltensanalysesystems basierend auf einem effizienten Negativsequenz-Mining-Modell nach Anspruch 3, wobei in Schritt b das Datenanalysemodul eine Analyse auf der Basis des Verarbeitungsergebnisses des Datenverarbeitungsmoduls durchführt Die Analyse und Vorhersage des klinischen Medikationsverhaltens des Patienten umfasst die folgenden Schritte: g. Verwenden Sie den modifizierten Positivsequenzmuster-Mining-Algorithmus Prefixspan, um alle positiven Sequenzmuster abzubauen, dh die Reihenfolge der am häufigsten verwendeten Medikamente in der Patientenpopulation innerhalb eines bestimmten Zeitraums. Im modifizierten Positivsequenzmuster-Mining-Algorithmus Prefixspan jeweils Häufige positive Sequenzen verwenden Bitmaps, um die ID-Nummer der Datensequenz zu speichern, die sie enthält.

   h. Das Verfahren zur Erzeugung einer negativen Kandidatensequenz von PNSP wird angewendet, um eine negative Kandidatensequenz (Negative Sequential Candidates, NSC) zu erzeugen, mit der bestimmt wird, welche Arzneimittel häufiger verwendet werden und welche Arzneimittel in einem bestimmten Zeitraum nicht verwendet werden; i. Verwenden Sie Bitmap-Operationen, um die Unterstützung für negative Kandidatensequenzen zu berechnen: j+ Durchsuchen Sie negative Sequenzmuster, die die Mindestanforderungen an die Unterstützung durch negative Kandidatensequenzen erfüllen, und verwenden Sie geeignete Screening-Methoden, um negative Sequenzmuster herauszufiltern, die für die Entscheidungsfindung verwendet werden können, und verwenden Sie die Sequenzmuster für die Entscheidungsfindung, um das Medikationsverhalten von Patienten zu analysieren Ärzte prognostizieren den nächsten Behandlungsplan des Patienten auf der Grundlage der Analyseergebnisse und unterstützen klinische Entscheidungen auf der Grundlage von Änderungen im Arzneimittelplan.
6. 6 . Arbeitsverfahren eines klinischen Medikationsverhaltensanalysesystems basierend auf einem effizienten Negativsequenz-Mining-Modell nach Anspruch 5, wobei der Schritt g die folgenden Schritte umfasst: k, ID zu jeder Datensequenz hinzufügen ds;

   1. Durchsuchen Sie die Datenbank, um alle Elemente zu finden. Das Element bezieht sich auf jedes Medikament, Für jedes Element wird eine Bitmap erstellt. Die Länge jeder Bitmap entspricht der Anzahl der Datensequenzen in der Datenbank. Wenn ein Element in der Datensequenz | angezeigt wird, wird die 39

   Die Bitmap wird an Position i auf | gesetzt, andernfalls wird die Bitmap des Elements an Position i ato gesetzt, und die Bitmap wird durch B dargestellt; m . Berechnen Sie gemäß der Bitmap jedes Elements die Unterstützung jedes Elements, dh die Nummer | in der Bitmap, und bestimmen Sie. ob die Unterstützung des Elements die minimale Unterstützung min_sup erfüllt. Die minimale Unterstützung min_sup bezieht sich auf den Benutzersatz, häufig Die minimale Häufigkeit des Musters: Wenn dic Unterstützung des Elements größer oder gleich der minimalen Unterstützung min_sup ist, ist das Element eine PSP der Länge |. und die PSP der Linge | wird als Präfix der Linge | angesehen, andernfalls ist cs keine Länge von 1 PSP, lösche diesen Artikel; n , Führen Sie rekursives Mining für jedes Präfix mit der Linge i durch, das die Supportanforderungen erfüllt, i = 1, Suchen Sie anhand der Bitmap des Präfixes die Datensequenz, die das Präfix enthält, und speichern Sie die Projektion der Datensequenz, die dem Präfix entspricht, in der Projektionsdatenbank.

   o. Durchsuchen Sie die Projektionsdatenbank, um alle Elemente zu finden, und erstellen Sie eine Bitmap gemäß der ID der entsprechenden Datensequenz. Berechnen Sie die Unterstützung jedes Elements, dh die Nummer | in der Bitmap. Wenn die Unterstützung aller Elemente nicdriger als min_sup ist, kehren Sie rekursiv zurück Fahren Sie andernfalls mit Schritt p fort.

   p. Kombinieren Sie jedes Element, das die Unterstützungsanzahl erfüllt, mit dem aktuellen Präfix und führen Sie Bitoperationen für die Bitmaps der beiden aus, dh führen Sie die UND-Operation für die beiden Bitmaps aus, um das neue Präfix und seine Bitmap zu erhalten. Das neue Präfix ist die Länge, wenn es sich bei der PSP um cine 1-size-PSP handelt, speichern Sie die Unterstützung direkt, Andernfalls verwenden Sie die Bitmap weiterhin zum Speichern von Informationen.

   q- i plus | ist das Präfix jedes neue Präfix nach dem zusammengeführten Element, und die Schritte o bis q werden rekursiv ausgeführt.
7. 7. Arbeitsverfahren cines klinischen Medikationsverhaltensanalysesystems basierend auf einem effizienten Negativsequenz-Mining-Modell nach Anspruch 5, wobei der Schritt h die folgenden Schritte umfasst: r, |-size-NSC generiert aus 1-size-PSP.

   s, Die Definitionsbeschränkung lautet: Kontinuierliche negative Elemente in NSP sind nicht zulässig,

   2.size-NSC wird durch die Anordnung von 1-size-PSP und 1-size-NSP erzeugt. Wenn das letzte Element von ns ein positives Element ist, addieren Sie 1-size-PSP oder I-size-NSP, andernfalls !-size-PSP 40 hinzufügen; t. Hinzufügen von 1-size-PSP oder 1-size-NSP zu der (k-1)-size- Kandidatensequenz, um k-size-NSC zu erzeugen; u. Wiederholen Sie die obigen Schritte r bis t, bis kein NSC generiert wird oder die Anzahl der NSC-Elemente größer als 2]+1 ist, Irepräsentiert die Anzahl der Elemente in der größten Sequenz in PSP: Wenn die Anzahl der Elemente in der maximalen Sequenz in der PSP m beträgt, beträgt die maximale Anzahl der Elemente in der generierten NSP2 m + 1.
8. 8. Das Arbeitsverfahren eines klinischen Medikationsverhaltensanalysesystems basierend auf einem effizienten Negativsequenz-Mining-Modell gemäß Anspruch 5, wobei das k-size-NSC vor der Berechnung seiner Unterstützung beschnitten wird und das Beschneidungsverfahren ist: Wenn ¥V ns ENSC und MPS(ns)& PSP, dann schneiden Sie die negative Kandidatenfolge ns aus.
9. 9. Das Arbeitsverfahren eines klinischen Medikationsverhaltensanalysesystems basierend auf einem effizienten Negativsequenz-Mining-Modell gemäß Anspruch 5, wobei das NSC der k-GrôfBe vor der Berechnung seiner Unterstützung beschnitten wird und das Beschneidungsverfahren ist: Wenn Yns ENSC und Vp(1-negMS)é PSP, dann schneiden Sie die negative Kandidatenfolge ns aus.
10. 10 . Das Arbeitsverfahren eines Systems zur Analyse des Verhaltens klinischer Medikamente basierend auf einem effizienten Negativsequenz-Mining-Muster gemäß einem der Ansprüche 5 bis 9, wobei der Schritt i, der die Unterstützung negativer Kandidatensequenzen berechnet, sich bezieht auf: Bine Folge von negativen Elementen der Größe m und n ns, für V 1-negMSi(Sequenz mit nur einem negativen Element) € 1-negMSS,;(Eine Sammlung von Sequenzen mit einem negativen Element), [<i<n, In der Datenbank ist die Unterstützung von ns sup (ns) wie in Formel (I), Formel (IT) und Formel (IIT) gezeigt: Wenn die Größe von ns | ist und ns nur | negatives Element hat, lautet die Unterstützung von ns: sup(ns} =sup(<—e> =|D|-sup(<c>) (1D Wenn ns nur einen negativen Term enthält, ist der Unterstützungsgrad der Sequenz ns: sup(ns) = sup(MPS(ns)-sup(p(ns))) (II) Ansonsten ist die Unterstützung von ns: sup(ns) = sup(MPS(ns))-N(OR;_, {p(1-negMS}) nn 41

    In Formel (I), Formel (II) und Formel (III} bezieht sich OR auf die UND-Operation in der Bitoperation, dh die Bitmap, die p (1-negMSi) entspricht, wird einzeln UND-verknüpft, und die UND-Operation bezieht sich auf mehrere Die Bitmap wird zusammengeführt, um eine neue Bitmap zu generieren.

    Wenn dieselbe Position in der Bitmap alle | ist, ist die entsprechende Position in der neuen Bitmap 1. andernfalls sind beide 0. N bezieht sich auf die Anzahl der Einsen in der Bitmap.