CN107845411A - 临床用药决策支持*** - Google Patents

Abstract

本发明提供了一种临床用药决策支持***，包括患者基本信息预处理模块，用于需要决策***调整用药方案的患者生物学基本信息的收集和预处理；常规给药方案模块，用于一般患者给药方案的制定和调整；公式计算模块，用于符合公式计算条件的药物、人群给药方案的制定和调整；模型预测模块，用于特殊患者的初始方案的设定，治疗效果或血药浓度的预测；人工智能模块，为高级功能，用于个别关注患者整体治疗方案的预测。以上各功能模块级别从低到高，复杂度也逐渐提高，对参数的要求也逐渐增多，对于大多数患者使用低级别模块就可以达到预期的治疗目的，而对于复杂的、需特殊关注的患者则需要高级模块的支持。

Description

临床用药决策支持***

技术领域

本发明属于医疗器械技术领域，具体涉及一种临床用药决策支持***。

背景技术

随着时代的发展，知识***对医疗工作提出了严峻的挑战。医师们日益感到难以跟上突飞猛进的医学发展步伐。虽然临床分科有助于缓解这一矛盾，但绝非根本解决方法。因为即使是很专业的医学领域的知识更新和增长，也超出医师的学习和掌握限度，大量的信息和数据也让医师们无所适从。而借助电脑的巨大存储能力和处理能力有可能改变这一状况，于是临床用药决策支持***应运而生。药物的多样性和患者不同的病理特点使药物治疗复杂化，多种影响因素都可以对用药剂量产生影响，单纯依靠医师的个人判断力往往不够，可能由于信息采集不全或者个人知识储备不足导致用药错误，而信息***可以很好的解决这个问题，它可以帮助收集所需的信息，对于不全面的信息可以给予提示要求采集，后台数据库也可以提供更大范围的支持，这就使临床决策支持***成为药物治疗的有力工具。临床用药决策支持***是指利用患者的与疾病可能相关的信息，建立统计模型，对患者的用药初始剂量、血药浓度等进行预判，从而达到帮助医师设定给药剂量、预测治疗效果的目的。较好的用药决策支持***可以提高医疗质量、节省医疗成本，及时、准确、完整的为医师提供专业的用药决策支持，有助于医师作出正确有效的药物治疗决策，提高药物治疗的成功率。

传统的用药决策支持***功能主要集中在规范医师处方行为、修正医师错误医嘱以及规避用药差错方面，主要作用在处方后，对于给药方案的制定和优化起不到应有的作用。本发明提供一种新型的临床用药决策支持***，***建立的目标是应用于临床，在医生对患者诊治的过程中，能够基于患者本人的信息，通过后台的一系列分析和运算，为医生用药提供一个针对患者个体的具体的给药剂量指导或选药建议，实现临床用药个体化。相对于传统的临床用药决策支持***，本发明***更加具有针对性，主要针对给药方案的制定，将决策提前到医师处方前，而非传统决策支持***的处方后，本***在医师处方药物之前根据患者的相关信息给出给药方案作为医师的参考，从根本上降低医师处方的差错，尤其是剂量不准确。本发明是一个集成的平台，可以将各种与给药方案有关的信息统一纳入进来，全方位评估并优化患者的给药方案，当某个患者需要用药时，要求其基本信息的输入，然后通过***判断，得出参考意见。

发明内容

本发明所要解决的技术问题是提供一种有针对性的临床用药决策支持***，***建立的目标是应用于临床，在医生对患者诊治的过程中，能够基于循证医学证据以及患者本人的信息，通过后台的一系列分析和运算，为医生用药提供一个针对个人的具体的给药剂量指导，实现临床用药个体化。相对于传统的临床用药决策支持***，本发明***更加具有针对性，对于一些特殊药物建立相关预测模型，提高临床用药决策水平。

为克服上述技术问题，本发明提供一种临床用药决策支持***，其包括如下五个主要的模块：

所述患者生物学基本信息预处理模块，用于基本数据的采取和预处理；

所述常规给药方案模块对于治疗窗宽，安全性比较高的药物，剂量需要调整的，通过该模块进行；

所述公式计算模块对于符合传统药代动力学公式计算模块要求的患者给药时，可以通过该模块的算法得到药物的初始剂量、维持剂量等信息，通过传统药代动力学公式，对符合条件的患者给出参考的用药剂量；

所述模型预测模块采用群体药代动力学模型、回归模型等预测患者的初始剂量、给药方案；

所述人工智能模块利用人工智能技术对患者进行模式识别、用药决策判断等。

其中，患者生物学基本信息预处理模块，用于需要决策***调整用药方案的患者基本信息的收集和预处理，该模块为基础模块，用于***参数的入口，为后续模块的工作提供必要的数据支持，可以通过医院信息***对接获取部分数据，其余不能通过信息***获取的数据可以通过人工方式获得，该模块对获取的数据进行加工、整理，使之达到***要求，同时为进入***的患者进行分类，选择合适的运算模块和公式。

其中，常规给药方案模块用于一般患者给药方案的制定和调整，***通过患者的身高、体重、体表面积、年龄、肝肾功能、透析情况等计算得出基础治疗方案。

其中，公式计算模块用于符合公式计算条件的药物、人群给药方案的制定和调整，对于治疗窗窄、不良反应严重的药物，根据患者的基本参数，采用成熟模型计算该患者的给药方案，结合实验室血药浓度数据不断校正剂量，直到给出最佳给药方案。

其中，模型预测模块用于特殊患者的初始方案的设定，治疗效果或血药浓度的预测，对于符合模型要求的特殊患者，可以通过模型得出初始治疗方案、预测血药浓度趋势等。

其中，人工智能模块用于个别关注患者整体治疗方案的预测，对于符合要求的患者，可以通过人工智能算法，对患者给药方案、血药浓度趋势、甚至预后给出全面的评价。

本发明还提供了一种进行患者临床用药选择的方法，其包括：

第一步，对患者生物学基本信息进行预处理，通过医院信息***将所存储的患者部分生物学基础信息数据直接传递到临床决策支持***所依托的处理器上，其余的患者生物学基础信息通过输入设备输入到临床决策支持***所依托的处理器上，通过处理器对获取的数据进行加工、整理，使之达到所需要的要求，同时为进入临床用药决策支持***的患者进行分类，通过处理器选择后续合适的处理方式和公式；

第二步，通过处理器根据患者分类辨别一般患者，对一般患者给药方案的制定和调整，在处理器上通过患者的身高、体重、体表面积、年龄、肝肾功能、透析情况等参数的逻辑计算得出基础治疗方案；

第三步，对于第二步获得的一般患者的常规给药方案，对于符合公式计算条件的药物，在处理器上通过参数的公式运算进行给药方案的制定和调整；对于治疗窗窄、不良反应严重的药物，根据患者的基本参数，采用成熟模型计算该患者的给药方案，结合实验室血药浓度数据不断校正剂量，直到最佳给药方案；

第四步，通过处理器根据患者分类辨别特殊患者，实现特殊患者的初始方案的设定，治疗效果或血药浓度的预测，对于符合模型要求的特殊患者，可以通过模型得出初始治疗方案、预测血药浓度趋势等；

第五步，根据第四步获得的特殊患者的初始治疗方案信息，对于符合要求的患者，可以通过人工智能算法，对患者给药方案、血药浓度趋势、甚至预后给出全面的评价，获得特殊患者的整体治疗方案。

本发明还提供一种用于临床用药决策支持的装置/终端设备，其包括存储器、处理器以及存储在存储器中并可在所述处理器中运行的计算机程序，所述处理器执行的所述计算机程序的步骤如下：

第一步，对患者生物学基本信息进行预处理，通过医院信息***将所存储的患者部分生物学基础信息数据直接传递到临床决策支持***所依托的处理器上，其余的患者生物学基础信息通过输入设备输入到临床决策支持***所依托的处理器上，通过处理器对获取的数据进行加工、整理，使之达到所需要的要求，同时为进入临床用药决策支持***的患者进行分类，通过处理器选择后续合适的处理方式和公式；

第二步，通过处理器根据患者分类辨别一般患者，对一般患者给药方案的制定和调整，在处理器上通过患者的身高、体重、体表面积、年龄、肝肾功能、透析情况等逻辑计算得出基础治疗方案；

第三步，对于第二步获得的一般患者的常规给药方案，对于符合公式计算条件的药物，在处理器上通过参数的公式运算进行给药方案的制定和调整；对于治疗窗窄、不良反应严重的药物，根据患者的基本参数，采用成熟模型计算该患者的给药方案，结合实验室血药浓度数据不断校正剂量，直到最佳给药方案；

第四步，通过处理器根据患者分类辨别特殊患者，实现特殊患者的初始方案的设定，治疗效果或血药浓度的预测，对于符合模型要求的特殊患者，可以通过模型得出初始治疗方案、预测浓度趋势等；

第五步，根据第四步获得的特殊患者的初始治疗方案信息，对于符合要求的患者，可以通过人工智能算法，对患者给药方案、血药浓度趋势、甚至预后给出全面的评价，获得特殊患者的整体治疗方案。

有益的技术效果

本发明提供的临床用药决策支持***建立的目标是应用于临床，在医生对患者诊治的过程中，能够基于循证医学证据、患者本人的个体化信息，通过后台的一系列分析和运算，为医生用药提供一个针对个人的具体的选药建议、给药剂量指导甚至预后判断，实现临床用药个体化。相对于传统的临床用药决策支持***，本发明***更加具有针对性，对于一些特殊药物建立相关预测模型，提高临床用药决策水平。

附图说明

图1是本发明实施过程模式图。

具体实施方式

本发明提供一种临床用药决策支持***，其包括如下五个主要的模块：

患者生物学基本信息预处理模块，用于需要决策***调整用药方案的患者基本信息的收集和预处理，该模块为基础模块，用于***参数的入口，为后续模块的工作提供必要的数据支持，可以通过医院信息***对接获取部分数据，其余不能通过信息***获取的数据可以通过人工方式获得，该模块对获取的数据进行加工、整理，使之达到***要求，同时为进入***的患者进行分类，选择合适的运算模块和公式；

常规给药方案模块，用于一般患者给药方案的制定和调整，***通过患者的身高、体重、体表面积、年龄、肝肾功能、透析情况等计算得出基础治疗方案。

公式计算模块，用于符合公式计算条件的药物、人群给药方案的制定和调整，对于治疗窗窄、不良反应突出的药物，所述公式为本领域常用的计算公式，如体重-剂量、体表面积-剂量、年龄-剂量、肌酐清除率-剂量等临床常用的计算公式，根据患者的基本参数，采用药代动力学公式计算该患者的给药方案，结合实验室血药浓度数据不断校正剂量，直到最佳给药方案；

模型预测模块，用于特殊患者的初始方案的设定，治疗效果或血药浓度的预测，对于符合模型要求的特殊患者，可以通过模型得出初始治疗方案、预测血药浓度趋势等，所述模型可以为经典药代动力学模型，Bayes反馈模型，PPK模型等；

人工智能模块，为高级功能，用于个别关注患者整体治疗方案的预测，对于符合要求的患者，可以通过人工智能算法，对患者给药方案、血药浓度趋势、甚至预后给出全面的评价。

所述患者生物学基本信息预处理模块，用于基本数据的采取和预处理，这些数据包括人口学数据、基因检测数据、血药浓度监测数据、患者个人生物学信息数据等。预处理功能包括，患者基本情况评估，包括身高、体重、年龄等基本数据在人群分布，肝功能、肾功能评估，疾病严重程度评估，与用药相关的其他评估。预处理是指对患者的各项基础数据和评估情况，得出符合以下哪几种模块，并给出选用建议。

所述常规给药方案模块对于治疗窗宽，安全性比较高的药物，剂量需要调整的，可以通过该模块进行。根据患者的年龄、体重、体表面积、肝肾功能等调整用法用量。

所述公式计算模块对于符合传统药代动力学公式计算模块要求的患者给药时，可以通过该模块的算法得到药物的初始剂量、维持剂量等信息，通过传统药代动力学公式，对符合条件的患者给出参考的用药剂量。

所述模型预测模块采用群体药代动力学模型、回归模型等预测患者的初始剂量、给药方案。

所述人工智能模块利用人工智能技术对患者进行模式识别、用药决策判断等。

本发明还提供了一种进行患者临床用药选择的方法，其包括：

第一步，对患者生物学基本信息进行预处理，通过医院信息***将所存储的患者部分生物学基础信息数据直接传递到临床决策支持***所依托的处理器上，其余的患者生物学基础信息通过输入设备输入到临床决策支持***所依托的处理器上，通过处理器对获取的数据进行加工、整理，使之达到所需要的要求，同时为进入临床用药决策支持***的患者进行分类，通过处理器选择后续合适的处理方式和公式；

第二步，通过处理器根据患者分类辨别一般患者，对一般患者给药方案的制定和调整，在处理器上通过患者的身高、体重、体表面积、年龄、肝肾功能、透析情况等逻辑计算得出基础治疗方案；

第三步，对于第二步获得的一般患者的常规给药方案，对于符合公式计算条件的药物，在处理器上通过参数的公式运算进行给药方案的制定和调整；对于治疗窗窄、不良反应严重的药物，根据患者的基本参数，采用成熟模型计算该患者的给药方案，结合实验室血药浓度数据不断校正剂量，直到最佳给药方案；

第四步，通过处理器根据患者分类辨别特殊患者，实现特殊患者的初始方案的设定，治疗效果或血药浓度的预测，对于符合模型要求的特殊患者，可以通过模型得出初始治疗方案、预测血药浓度趋势等；

第五步，根据第四步获得的特殊患者的初始治疗方案信息，对于符合要求的患者，可以通过人工智能算法，对患者给药方案、血药浓度趋势、甚至预后给出全面的评价，获得特殊患者的整体治疗方案。

本发明还提供一种用于临床用药决策支持的装置/终端设备，其包括存储器、处理器以及存储在存储器中并可在所述处理器中运行的计算机程序，所述处理器执行的所述计算机程序的步骤如下：

第一步，对患者生物学基本信息进行预处理，通过医院信息***将所存储的患者部分生物学基础信息数据直接传递到临床决策支持***所依托的处理器上，其余的患者生物学基础信息通过输入设备输入到临床决策支持***所依托的处理器上，通过处理器对获取的数据进行加工、整理，使之达到所需要的要求，同时为进入临床用药决策支持***的患者进行分类，通过处理器选择后续合适的处理方式和公式；

第二步，通过处理器根据患者分类辨别一般患者，对一般患者给药方案的制定和调整，在处理器上通过患者的身高、体重、体表面积、年龄、肝肾功能、透析情况等逻辑计算得出基础治疗方案；

第三步，对于第二步获得的一般患者的常规给药方案，对于符合公式计算条件的药物，在处理器上通过参数的公式运算进行给药方案的制定和调整；对于治疗窗窄、不良反应严重的药物，根据患者的基本参数，采用成熟模型计算该患者的给药方案，结合实验室血药浓度数据不断校正剂量，直到最佳给药方案；

第四步，通过处理器根据患者分类辨别特殊患者，实现特殊患者的初始方案的设定，治疗效果或血药浓度的预测，对于符合模型要求的特殊患者，可以通过模型得出初始治疗方案、预测血药浓度趋势等；

第五步，根据第四步获得的特殊患者的初始治疗方案信息，对于符合要求的患者，可以通过人工智能算法，对患者给药方案、血药浓度趋势、甚至预后给出全面的评价，获得特殊患者的整体治疗方案。

以下采用实施例和附图来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。

以某患者为例，基本数据为55岁，男性，75kg，175cm，肝肾功正常，因肺栓塞入院，需要华法林治疗，无基因型检测数据。将患者基本信息填入本发明的临床用药决策支持***，可以计算得到初始的用药剂量。

图1显示了采用本发明提供的临床用药决策支持***进行临床用药决策的过程，第一步，通过患者生物学基本信息预处理模块对患者生物学基本信息进行预处理，通过医院信息***将所存储的患者部分生物学基础信息数据直接传递到临床决策支持***所依托的处理器上，其余的患者生物学基础信息通过输入设备输入到临床决策支持***所依托的处理器上，通过患者生物学基本信息预处理模块对获取的数据进行加工、整理，使之达到所需要的要求，同时为进入临床用药决策支持***的患者进行分类，通过处理器选择后续合适的模块和公式；

第二步，通过处理器根据患者分类辨别一般患者，通过常规给药方案模块，对一般患者给药方案的制定和调整，在处理器上通过患者的身高、体重、体表面积、年龄、肝肾功能、透析情况等逻辑计算得出基础治疗方案；

第三步对于第二步获得的一般患者的常规给药方案，对于符合公式计算条件的药物，在处理器上通过参数的公式运算进行给药方案的制定和调整；对于治疗窗窄、不良反应严重的药物，根据患者的基本参数，采用成熟模型计算该患者的给药方案，结合实验室血药浓度数据不断校正剂量，直到最佳给药方案；

第四步，通过处理器根据患者分类辨别特殊患者，通过模型预测模块实现特殊患者的初始方案的设定，治疗效果或血药浓度的预测，对于符合模型要求的特殊患者，可以通过模型得出初始治疗方案、预测浓度趋势等；

第五步，根据第四步获得的特殊患者的初始治疗方案信息，通过人工智能模块对于符合要求的患者，可以通过人工智能算法，对患者给药方案、血药浓度趋势、甚至预后给出全面的评价，获得特殊患者的整体治疗方案。

所有上述的首要实施这一知识产权，并没有设定限制其他形式的实施这种新产品和/或新方法。本领域技术人员将利用这一重要信息，上述内容修改，以实现类似的执行情况。但是，所有修改或改造基于本发明新产品属于保留的权利。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (8)

1.一种临床用药决策支持***，其特征在于，包括如下五个主要的模块：

所述患者生物学基本信息预处理模块，用于基本数据的采取和预处理；

所述常规给药方案模块对于治疗窗宽，安全性比较高的药物，剂量需要调整的，通过该模块进行；

所述公式计算模块对于符合传统药代动力学公式计算模块要求的患者给药时，可以通过该模块的算法得到药物的初始剂量、维持剂量等信息，通过传统药代动力学公式，对符合条件的患者给出参考的用药剂量；

所述模型预测模块采用群体药代动力学模型、回归模型等预测患者的初始剂量、给药方案；

所述人工智能模块利用人工智能技术对患者进行模式识别、用药决策判断等。

2.如权利要求1所述的临床用药决策支持***，其特征在于：患者生物学基本信息预处理模块，用于需要决策***调整用药方案的患者基本信息的收集和预处理，该模块为基础模块，用于***参数的入口，为后续模块的工作提供必要的数据支持，可以通过医院信息***对接获取部分数据，其余不能通过信息***获取的数据可以通过人工方式获得，该模块对获取的数据进行加工、整理，使之达到***要求，同时为进入***的患者进行分类，选择合适的运算模块和公式。

3.如权利要求1或2所述的临床用药决策支持***，其特征在于：常规给药方案模块用于一般患者给药方案的制定和调整，***通过患者的身高、体重、体表面积、年龄、肝肾功能、透析情况等计算得出基础治疗方案。

4.如权利要求1至3所述的临床用药决策支持***，其特征在于：公式计算模块用于符合公式计算条件的药物、人群给药方案的制定和调整，对于治疗窗窄、不良反应突出的药物，根据患者的基本参数，采用成熟模型计算该患者的给药方案，结合实验室血药浓度数据不断校正剂量，直到最佳给药方案。

5.如权利要求1至4所述的临床用药决策支持***，其特征在于：模型预测模块用于特殊患者的初始方案的设定，治疗效果或血药浓度的预测，对于符合模型要求的特殊患者，可以通过模型得出初始治疗方案、预测浓度趋势等。

6.如权利要求1至5所述的临床用药决策支持***，其特征在于：人工智能模块用于个别关注患者整体治疗方案的预测，对于符合要求的患者，可以通过人工智能算法，对患者给药方案、血药浓度趋势、甚至预后给出全面的评价。

7.一种进行患者临床用药选择的方法，其特征在于，包括：

第一步，对患者生物学基本信息进行预处理，通过医院信息***将所存储的患者部分生物学基础信息数据直接传递到临床决策支持***所依托的处理器上，其余的患者生物学基础信息通过输入设备输入到临床决策支持***所依托的处理器上，通过处理器对获取的数据进行加工、整理，使之达到所需要的要求，同时为进入临床用药决策支持***的患者进行分类，通过处理器选择后续合适的处理方式和公式；

第二步，通过处理器根据患者分类辨别一般患者，对一般患者给药方案的制定和调整，在处理器上通过患者的身高、体重、体表面积、年龄、肝肾功能、透析情况等逻辑计算得出基础治疗方案；

第三步，对于第二步获得的一般患者的常规给药方案，对于符合公式计算条件的药物，在处理器上通过参数的公式运算进行给药方案的制定和调整；对于治疗窗窄、不良反应严重的药物，根据患者的基本参数，采用成熟模型计算该患者的给药方案，结合实验室血药浓度数据不断校正剂量，直到最佳给药方案；

第四步，通过处理器根据患者分类辨别特殊患者，实现特殊患者的初始方案的设定，治疗效果或血药浓度的预测，对于符合模型要求的特殊患者，可以通过模型得出初始治疗方案、预测浓度趋势等；

第五步，根据第四步获得的特殊患者的初始治疗方案信息，对于符合要求的患者，可以通过人工智能算法，对患者给药方案、血药浓度趋势、甚至预后给出全面的评价，获得特殊患者的整体治疗方案。

8.一种用于临床用药决策支持的装置/终端设备，其特征在于，包括存储器、处理器以及存储在存储器中并可在所述处理器中运行的计算机程序，所述处理器执行的所述计算机程序的步骤如下：

第一步，对患者生物学基本信息进行预处理，通过医院信息***将所存储的患者部分生物学基础信息数据直接传递到临床决策支持***所依托的处理器上，其余的患者生物学基础信息通过输入设备输入到临床决策支持***所依托的处理器上，通过处理器对获取的数据进行加工、整理，使之达到所需要的要求，同时为进入临床用药决策支持***的患者进行分类，通过处理器选择后续合适的处理方式和公式；

第二步，通过处理器根据患者分类辨别一般患者，对一般患者给药方案的制定和调整，在处理器上通过患者的身高、体重、体表面积、年龄、肝肾功能、透析情况等逻辑计算得出基础治疗方案；

第三步，对于第二步获得的一般患者的常规给药方案，对于符合公式计算条件的药物，在处理器上通过参数的公式运算进行给药方案的制定和调整；对于治疗窗窄、不良反应严重的药物，根据患者的基本参数，采用成熟模型计算该患者的给药方案，结合实验室血药浓度数据不断校正剂量，直到最佳给药方案；

第四步，通过处理器根据患者分类辨别特殊患者，实现特殊患者的初始方案的设定，治疗效果或血药浓度的预测，对于符合模型要求的特殊患者，可以通过模型得出初始治疗方案、预测浓度趋势等；

第五步，根据第四步获得的特殊患者的初始治疗方案信息，对于符合要求的患者，可以通过人工智能算法，对患者给药方案、血药浓度趋势、甚至预后给出全面的评价，获得特殊患者的整体治疗方案。