CN109637619A - 违规开具抗菌药行为的识别方法、装置、服务器及介质 - Google Patents
违规开具抗菌药行为的识别方法、装置、服务器及介质 Download PDFInfo
- Publication number
- CN109637619A CN109637619A CN201811526944.7A CN201811526944A CN109637619A CN 109637619 A CN109637619 A CN 109637619A CN 201811526944 A CN201811526944 A CN 201811526944A CN 109637619 A CN109637619 A CN 109637619A
- Authority
- CN
- China
- Prior art keywords
- diagnosis
- treatment
- antimicrobial
- treatment data
- patient
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000000845 anti-microbial effect Effects 0.000 title claims abstract description 134
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000033228 biological regulation Effects 0.000 title abstract description 23
- 238000003745 diagnosis Methods 0.000 claims abstract description 350
- 230000002547 anomalous effect Effects 0.000 claims abstract description 118
- 230000006399 behavior Effects 0.000 claims abstract description 61
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 239000013598 vector Substances 0.000 claims description 38
- 230000003115 biocidal effect Effects 0.000 claims description 36
- 230000007170 pathology Effects 0.000 claims description 32
- 230000015654 memory Effects 0.000 claims description 21
- 239000003814 drug Substances 0.000 claims description 18
- 230000000844 anti-bacterial effect Effects 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 5
- 238000007906 compression Methods 0.000 claims description 5
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 230000036541 health Effects 0.000 abstract description 7
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000010801 machine learning Methods 0.000 abstract description 5
- 239000002699 waste material Substances 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 12
- 229940079593 drug Drugs 0.000 description 11
- 238000001228 spectrum Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 241000894006 Bacteria Species 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000002457 bidirectional effect Effects 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000000843 anti-fungal effect Effects 0.000 description 2
- 229940088710 antibiotic agent Drugs 0.000 description 2
- 229940121375 antifungal agent Drugs 0.000 description 2
- 150000002460 imidazoles Chemical class 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 239000004475 Arginine Substances 0.000 description 1
- 206010059866 Drug resistance Diseases 0.000 description 1
- WHUUTDBJXJRKMK-UHFFFAOYSA-N Glutamic acid Natural products OC(=O)C(N)CCC(O)=O WHUUTDBJXJRKMK-UHFFFAOYSA-N 0.000 description 1
- HTTJABKRGRZYRN-UHFFFAOYSA-N Heparin Chemical compound OC1C(NC(=O)C)C(O)OC(COS(O)(=O)=O)C1OC1C(OS(O)(=O)=O)C(O)C(OC2C(C(OS(O)(=O)=O)C(OC3C(C(O)C(O)C(O3)C(O)=O)OS(O)(=O)=O)C(CO)O2)NS(O)(=O)=O)C(C(O)=O)O1 HTTJABKRGRZYRN-UHFFFAOYSA-N 0.000 description 1
- ODKSFYDXXFIFQN-BYPYZUCNSA-P L-argininium(2+) Chemical compound NC(=[NH2+])NCCC[C@H]([NH3+])C(O)=O ODKSFYDXXFIFQN-BYPYZUCNSA-P 0.000 description 1
- WHUUTDBJXJRKMK-VKHMYHEASA-N L-glutamic acid Chemical compound OC(=O)[C@@H](N)CCC(O)=O WHUUTDBJXJRKMK-VKHMYHEASA-N 0.000 description 1
- 229930182555 Penicillin Natural products 0.000 description 1
- UIIMBOGNXHQVGW-DEQYMQKBSA-M Sodium bicarbonate-14C Chemical compound [Na+].O[14C]([O-])=O UIIMBOGNXHQVGW-DEQYMQKBSA-M 0.000 description 1
- FQPFAHBPWDRTLU-UHFFFAOYSA-N aminophylline Chemical compound NCCN.O=C1N(C)C(=O)N(C)C2=C1NC=N2.O=C1N(C)C(=O)N(C)C2=C1NC=N2 FQPFAHBPWDRTLU-UHFFFAOYSA-N 0.000 description 1
- 229960003556 aminophylline Drugs 0.000 description 1
- 239000004599 antimicrobial Substances 0.000 description 1
- ODKSFYDXXFIFQN-UHFFFAOYSA-N arginine Natural products OC(=O)C(N)CCCNC(N)=N ODKSFYDXXFIFQN-UHFFFAOYSA-N 0.000 description 1
- 229960003121 arginine Drugs 0.000 description 1
- 244000052616 bacterial pathogen Species 0.000 description 1
- 230000003385 bacteriostatic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002845 discoloration Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229960002989 glutamic acid Drugs 0.000 description 1
- 235000013922 glutamic acid Nutrition 0.000 description 1
- 239000004220 glutamic acid Substances 0.000 description 1
- 229960002897 heparin Drugs 0.000 description 1
- 229920000669 heparin Polymers 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003907 kidney function Effects 0.000 description 1
- 230000003908 liver function Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 125000000449 nitro group Chemical group [O-][N+](*)=O 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 150000002960 penicillins Chemical class 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 150000007660 quinolones Chemical class 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- GOLXNESZZPUPJE-UHFFFAOYSA-N spiromesifen Chemical compound CC1=CC(C)=CC(C)=C1C(C(O1)=O)=C(OC(=O)CC(C)(C)C)C11CCCC1 GOLXNESZZPUPJE-UHFFFAOYSA-N 0.000 description 1
- 230000001954 sterilising effect Effects 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
- G16H20/13—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients delivered from dispensers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Finance (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Medicinal Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Medical Informatics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种违规开具抗菌药行为的识别方法、装置、服务器及介质，所述方法包括步骤：获取用户上传的诊疗数据，并将所述诊疗数据作为预设数据识别模型的输入进行预测识别，以获得诊疗数据标签；获取预设抗菌药指南对应的诊疗异常识别条件；通过嵌套循环算法，将诊疗数据标签与所述诊疗异常识别条件进行比对，以将比对结果作为用户违规开具抗菌药行为的识别结果。本发明在获取了抗菌药指南对应的诊疗异常识别条件的基础上，通过基于机器学习的数据识别模型获取诊疗数据标签，再利用嵌套循环算法识别检测出了用户违规开具抗菌药的行为，帮助第三方机构进行智能决策，快速解决了医疗机构违规开具抗菌药影响患者健康，浪费了社会医疗资源的问题。
Description
技术领域
本发明涉及计算机领域，尤其涉及一种违规开具抗菌药行为的识别方法、装置、服务器及计算机可读存储介质。
背景技术
抗菌药是指具有杀菌或抑菌活性的药物，包括各种抗生素、磺胺类、咪唑类、硝基咪唑类以及喹诺酮类等化学合成药物。由于每种抗菌药的抗菌范围不同，在治疗时有可能在杀灭或抑制致病菌的同时，将有益的菌群也一同消灭或抑制，因此需要额外重视和注意抗菌药物的使用。但在实际医疗诊断过程中，有部分医疗机构为了牟取利益给患者虚假或错误地使用了抗菌药，这不仅关系到患者的健康，也造成了社会医疗资源的浪费。
发明内容
本发明的主要目的在于提供一种违规开具抗菌药行为的识别方法、装置、服务器及计算机可读存储介质，旨在解决医疗机构违规开具抗菌药影响患者健康，浪费了社会医疗资源的问题。
为实现上述目的，本发明提供一种违规开具抗菌药行为的识别方法，所述方法包括步骤：
获取用户上传的诊疗数据，并将所述诊疗数据作为预设数据识别模型的输入进行预测识别，以获得诊疗数据标签；
获取预设抗菌药指南对应的诊疗异常识别条件；
通过嵌套循环算法，将所述诊疗数据标签与所述诊疗异常识别条件进行比对，以将比对结果作为所述用户违规开具抗菌药行为的识别结果。
可选地，所述将所述诊疗数据作为预设数据识别模型的输入进行预测识别，以获得诊疗数据标签的步骤包括：
根据预设数据识别模型中的预设噪声实体字典，筛除所述诊疗数据中的噪声文本数据，以获得标准诊疗数据；
对所述标准诊疗数据进行分词，得到多个诊疗文本分词，并将每个诊疗文本分词转换为对应的词向量；
获取所有词向量的序列，并根据每个词向量的序列，通过预设数据识别模型中的双向循环神经网络RNN模型将所有词向量进行编码，形成文本矩阵；
在将所述文本矩阵压缩为诊疗文本向量后，通过所述预设数据识别模型中的预测网络进行预测，得到所述诊疗文本向量对应的诊疗数据标签。
可选地，所述通过嵌套循环算法，将所述诊疗数据标签与所述诊疗异常识别条件进行比对，以将比对结果作为所述用户违规开具抗菌药行为的识别结果的步骤包括：
根据所述诊疗数据标签建立所述嵌套循环算法的外层驱动表，并根据所述诊疗异常识别条件建立所述嵌套循环算法的内层被驱动表；
按照所述外层驱动表中诊疗数据产生时间从早到晚的顺序依次选择诊疗数据标签，并将选择的诊疗数据标签与所述内层被驱动表中的每个诊疗异常识别条件进行比对；
当所有诊疗数据标签与所述内层被驱动表中的每个诊疗异常识别条件比对完成后，将所有比对结果作为所述用户违规开具抗菌药行为的识别结果。
可选地，所述将选择的诊疗数据标签与所述内层被驱动表中的每个诊疗异常识别条件进行比对的步骤包括：
按照预设顺序依次从所述内层被驱动表中选择诊疗异常识别条件；
根据选择的诊疗数据标签，确定当前选择的诊疗异常识别条件是否成立；
当根据选择的诊疗数据标签确定当前选择的诊疗异常识别条件成立时，将当前选择的诊疗数据标签与该诊疗异常识别条件间的映射关系数据保存至所述嵌套循环算法的比对结果表，并继续从所述内层被驱动表中选择下一个诊疗异常识别条件，直至选择完所述内层被驱动表中的诊疗异常识别条件时，继续选择下一个诊疗数据标签；
当根据选择的诊疗数据标签确定当前选择的诊疗异常识别条件不成立时，继续从所述内层被驱动表中选择下一个诊疗异常识别条件，直至选择完所述内层被驱动表中的诊疗异常识别条件时，继续选择下一个诊疗数据标签。
可选地，所述根据选择的诊疗数据标签，确定当前选择的诊疗异常识别条件是否成立的步骤包括：
当选择的诊疗异常识别条件为所述用户在单位时间内为同一患者开具的包括抗菌药的处方中存在抗菌药配伍禁忌时，根据选择的诊疗数据标签，获取所述用户单位时间内为同一患者开具的包括抗菌药的处方信息；
根据包括抗菌药的所述处方信息，判断单位时间内所述用户为该患者开具的处方中是否存在抗菌药配伍禁忌；
当单位时间内所述用户为该患者开具的处方中存在抗菌药配伍禁忌时，确定当前选择的诊疗异常识别条件成立。
可选地，所述根据选择的诊疗数据标签，确定当前选择的诊疗异常识别条件是否成立的步骤包括：
当选择的诊疗异常识别条件为特殊病理患者和/或生理状况患者使用了对应特殊病理和/或生理状况禁止使用的抗菌药时，根据选择的诊疗数据标签，获取该诊疗数据标签对应的所有患者的诊断报告信息；
根据所述诊断报告信息，从该诊疗数据标签对应的所有患者中筛选出特殊病理患者和/或生理状况患者，并根据选择的诊疗数据标签，获取所述用户为所述特殊病理患者和/或生理状况患者开具的对应的抗菌药处方；
根据抗菌药处方，确定特殊病理患者和/或生理状况患者是否使用了对应特殊病理和/或生理状况禁止使用的抗菌药；
当特殊病理患者和/或生理状况患者使用了对应特殊病理和/或生理状况禁止使用的抗菌药时，确定当前选择的诊疗异常识别条件成立。
可选地，所述根据选择的诊疗数据标签，确定当前选择的诊疗异常识别条件是否成立的步骤包括：
当选择的诊疗异常识别条件为所述用户为患者开具了广谱抗菌药，且该患者使用所述广谱抗菌药的天数超过预设时间阈值时，根据选择的诊疗数据标签，从该诊疗数据标签对应的所有患者中筛选出使用了广谱抗菌药的患者；
获取筛选出的患者分别使用广谱抗菌药的天数；
当任一筛选出的患者使用广谱抗菌药的天数超过预设时间阈值时，确定当前选择的诊疗异常识别条件成立。
为实现上述目的，本发明还提供一种违规开具抗菌药行为的识别装置，包括：
预测识别模块，用于获取用户上传的诊疗数据，并将所述诊疗数据作为预设数据识别模型的输入进行预测识别，以获得诊疗数据标签；
获取模块，用于获取预设抗菌药指南对应的诊疗异常识别条件；
比对模块，用于通过嵌套循环算法，将所述诊疗数据标签与所述诊疗异常识别条件进行比对，以将比对结果作为所述用户违规开具抗菌药行为的识别结果。
为实现上述目的，本发明还提供一种服务器，包括：通信模块、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的违规开具抗菌药行为的识别方法的步骤。
为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的违规开具抗菌药行为的识别方法的步骤。
本发明通过获取用户上传的诊疗数据，并将所述诊疗数据作为预设数据识别模型的输入进行预测识别，以获得诊疗数据标签；获取预设抗菌药指南对应的诊疗异常识别条件；通过嵌套循环算法，将所述诊疗数据标签与所述诊疗异常识别条件进行比对，以将比对结果作为所述用户违规开具抗菌药行为的识别结果。从而在获取了抗菌药指南对应的诊疗异常识别条件的基础上，通过基于机器学习的数据识别模型获取诊疗数据标签，再利用嵌套循环算法识别检测出了用户违规开具抗菌药的行为，帮助第三方机构进行智能决策，快速解决了医疗机构违规开具抗菌药影响患者健康，浪费了社会医疗资源的问题。
附图说明
图1是本发明实施例方案涉及的服务器的结构示意图；
图2为本发明违规开具抗菌药行为的识别方法第一实施例的流程示意图；
图3为本发明违规开具抗菌药行为的识别方法第二实施例中步骤S10的细化流程示意图；
图4为本发明违规开具抗菌药行为的识别方法第三实施例中步骤S30的细化流程示意图；
图5为本发明违规开具抗菌药行为的识别装置一功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请参看图1，图1为本发明所提供的服务器的硬件结构示意图。所述服务器可以是基于计算机设备的云服务器，也可以是本地服务器，包括通信模块10、存储器20以及处理器30等部件。在所述服务器中，所述处理器30分别与所述存储器20以及所述通信模块10连接，所述存储器20上存储有计算机程序，所述计算机程序同时被处理器30执行。
通信模块10，可通过网络与外部通讯设备连接。通信模块10可以接收外部通讯设备发出的请求，还可以发送请求、指令及信息至所述外部通讯设备。所述外部通讯设备可以是其他服务器和/或用户使用的终端。需要说明的是，在本方案中，终端可以是医疗机构专用的结算终端，计算机，平板电脑和/或手机，用户则表示医疗机构，或者医疗机构的医生或工作人员。
存储器20，可用于存储软件程序以及各种数据。存储器20可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序(比如获取诊疗异常识别条件)等；存储数据区可包括数据库，存储数据区可存储根据服务器的使用所创建的数据或信息等。此外，存储器20可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。在本方案中，存储器20中可以包括预设抗菌药指南以及对应的诊疗异常识别条件，还可以包括基于机器学习的数据识别模型。
处理器30，是服务器的控制中心，利用各种接口和线路连接整个服务器的各个部分，通过运行或执行存储在存储器20内的软件程序和/或模块，以及调用存储在存储器20内的数据，执行服务器的各种功能和处理数据，从而对服务器进行整体监控。处理器30可包括一个或多个处理单元；可选地，处理器30可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作***、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器30中。
尽管图1未示出，但上述服务器还可以包括电路控制模块，用于与电源连接，保证其他部件的正常工作。上述服务器还可以包括显示模块，用于提取存储器20中的数据，并显示为服务器的前端显示界面，所述前端显示界面可以显示有用户是否违规开具抗菌药行为的识别结果。本领域技术人员可以理解，图1中示出的服务器结构并不构成对服务器的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
基于上述硬件结构，提出本发明方法各个实施例。
参见图2，在本发明违规开具抗菌药行为的识别方法的第一实施例中，包括：
步骤S10，获取用户上传的诊疗数据，并将所述诊疗数据作为预设数据识别模型的输入进行预测识别，以获得诊疗数据标签；
本实施例应用于对诊疗数据进行检测的第三方机构，所述第三方机构例如可以是社会医疗保险管理局。
上述用户代表医疗机构执行上传操作。例如可以是当患者在医疗机构就诊或检查完成进行结算时，由用户通过医疗机构的结算终端将具有参保资格的患者诊疗数据上传至第三方机构的服务器。上述诊疗数据是具有参保资格的患者在医疗机构进行门诊和/或住院时产生的就诊数据，可以包括患者的疾病诊断数据、治疗期间的花销明细、开具检查检验项目和/或药品的清单以及医疗机构的医生开具的处方。
在获得诊疗数据后，可以通过存储器中的预设数据识别模型将诊疗数据识别匹配到对应的标准化字段中，以得到诊疗数据标签，该诊疗数据标签可以是一个实数值、一个向量或一种类别标签等等，只要能通过该诊疗数据标签识别出诊疗数据对应的内容即可。其中预设数据识别模型是基于机器学习构建的，涉及到了神经网络、自然语言处理和注意力机制等技术。
步骤S20，获取预设抗菌药指南对应的诊疗异常识别条件；
预设的抗菌药指南是各地第三方机构规定的抗菌药使用规范，包括广谱抗菌药指南和窄谱抗菌药指南。需要说明的是，广谱抗菌药是指抗菌谱广的抗菌药，窄谱抗菌药是指抗菌谱窄的抗菌药。在进行识别用户是否存在违规使用抗菌药之前，可以由第三方机构的工作人员按照抗菌药指南预先设定诊疗异常识别条件，或者也可以由服务器利用深度学习算法学习预设抗菌药指南，以获得诊疗异常识别条件。可选地，每个地区设定的抗菌药指南不同，因此对应的诊疗异常识别条件也可以根据不同地区的抗菌药指南进行设定。
需要说明的是，当诊疗异常识别条件成立时，表示用户存在违规使用抗菌药的行为，与违规行为相关的数据则可以通过诊疗异常识别条件找到。例如，诊疗异常识别条件是患者使用广谱抗菌药的天数超过了预设时间阈值，若该诊疗异常识别条件成立，则该患者就诊的医疗机构即存在违规开具抗菌药的行为，该行为异常点对应的数据可以是患者对应时间内开具的抗菌药处方。或者，也可以是诊疗异常识别条件不成立时，表示用户存在违规使用抗菌药的行为，具体可以根据用户需要进行统一设置。
步骤S30，通过嵌套循环算法，将所述诊疗数据标签与所述诊疗异常识别条件进行比对，以将比对结果作为所述用户违规开具抗菌药行为的识别结果。
嵌套循环算法运行所需的数据集合包括诊疗数据标签集合以及诊疗异常识别条件集合。在算法运行时会将运行所需存储器的缓存空间分为两半，一半存储诊疗数据标签，另一半存储诊疗异常识别条件。此外处理器还会按照诊疗数据标签的个数和诊疗异常识别条件的条数分别将对应集合拆分成若干个逻辑块，然后将逻辑块按照所述集合归类存储在对应缓存空间中。可以选择一半缓存空间作为循环外层，另一半作为循环内层，然后将循环外层的逻辑块逐个与循环内层的逻辑块进行比对，以得到识别结果。通过嵌套循环算法避免了索引结构的构建，能够改善输入输出效率。
本实施例通过获取用户上传的诊疗数据，并将所述诊疗数据作为预设数据识别模型的输入进行预测识别，以获得诊疗数据标签；获取预设抗菌药指南对应的诊疗异常识别条件；通过嵌套循环算法，将所述诊疗数据标签与所述诊疗异常识别条件进行比对，以将比对结果作为所述用户违规开具抗菌药行为的识别结果。从而在获取了抗菌药指南对应的诊疗异常识别条件的基础上，通过基于机器学习的数据识别模型获取诊疗数据标签，再利用嵌套循环算法识别检测出了用户违规开具抗菌药的行为，帮助第三方机构进行了智能决策，快速解决了医疗机构违规开具抗菌药影响患者健康，浪费了社会医疗资源的问题。
进一步地，参见图3，基于本发明违规开具抗菌药行为的识别方法的第一实施例提出本发明违规开具抗菌药行为的识别方法的第二实施例，在本实施例中，所述步骤S10包括：
步骤S11，获取用户上传的诊疗数据；
本实施例中获取用户上传的诊疗数据的实现过程与第一实施例中一致，在此不进行赘述。
步骤S12，根据预设数据识别模型中的预设噪声实体字典，筛除所述诊疗数据中的噪声文本数据，以获得标准诊疗数据；
预设噪声实体字典是预先通过训练得到的，其中存储有噪声文本数据，例如包括标记符号、注释文字以及JS(JavaScript)代码。根据噪声实体字典迭代诊疗数据以消除诊疗数据中的噪声文本数据，即可输出无噪声文本数据的标准诊疗数据，实现对诊疗数据的标准文本字段匹配。
步骤S13，对所述标准诊疗数据进行分词，得到多个诊疗文本分词，并将每个诊疗文本分词转换为对应的词向量；
标准诊疗数据是除噪后的诊疗文本，通过分词可以将诊疗文本切分成若干个诊疗文本分词，所有的诊疗文本分词构成了诊疗文本分词集合。对标准诊疗数据进行分词的方法可以参考现有的分词工具和分词算法执行，在此不进行赘述。
在将标准诊疗数据分词后，还可以将诊疗文本分词进行词变体归类。词变体归类是指将一个诊疗文本分词的所有差异转成标准化格式。例如可以利用预设标准语义字典，通过正则表达式或人工编写字典字段，将标准语义字典中不存在的单词或词语从所有诊疗文本分词中查找出来并进行删除或校正。通过对所有诊疗文本分词进行词变体归类帮助更好更快地识别诊疗数据的语义，实现文本标准化。
在本实施例中，可以将诊疗文本分词向量化，得到每个诊疗文本分词对应的词向量(Word embedding)。所述词向量是诊疗文本分词被映射到实数的向量，既能够表示词本身，又可以考虑语义距离。
步骤S14，获取所有词向量的序列，并根据每个词向量的序列，通过预设数据识别模型中的双向循环神经网络RNN模型将所有词向量进行编码，形成文本矩阵；
词向量的序列可以类比于排列顺序，在本方案中是利用双向RNN(RecurrentNeural Network，循环神经网络)模型，以诊疗文本中句子的序列为参考，将拆分转化后的词向量重新编码组合形成文本矩阵。这个文本矩阵的每一行表示每个词语在上下文中所表达的意思，相当于词向量。
上述双向RNN模型是处理序列数据的神经网络，可以在层之间的神经元间建立权连接，在通过双向RNN模型进行每一行词向量的正向计算和逆向计算后，可以根据原本诊疗文本分词对应词向量的序列顺序拼接组合词向量，以得到完整的文本矩阵，或者叫句子向量矩阵。
步骤S15，在将所述文本矩阵压缩为诊疗文本向量后，通过所述预设数据识别模型中的预测网络进行预测，得到所述诊疗文本向量对应的诊疗数据标签。
可以先将文本矩阵压缩成一个诊疗文本向量，然后将诊疗文本向量送入预测网络中进行预测，从而学习得到诊疗数据标签。需要说明的是，诊疗数据标签可以是模型理解诊疗文本后得到的一系列数据，这些数据可以以数据产生时间的形式分成每个诊疗数据标签，还可以结合用户以及病患等信息进行排序。
其中，预测网络可以采用标准前馈神经网络结构和递归神经网络结构等。以标准前馈神经网络对本方案的简单预测过程进行说明，可以是将标准化字段输入至LTSM(LongShort-Term Memory，长短记忆网络)中，以输出连续的标签特征，这些连续的标签特征通过前馈神经网络运行；同时将诊疗文本向量也传送至前馈神经网络，以提取向量特征，然后将向量特征与标签特征级联起来形成向量-标签特征；最后将向量-标签结合特征结合用于预测输出的诊疗数据标签。
本方案通过噪声去除，诊疗数据分词并向量化后，按照词向量的序列通过神经网络进行编码以及预测得到诊疗数据标签，给出了如何通过预设数据识别模型进行预测识别得到诊疗数据标签的过程，也帮助将包括医生出具的处方、开具的检验检查项目和/或药品的清单等内容的诊疗数据匹配到相应的标准化字段中，反映了诊疗数据中的词语在文中的意义。
进一步地，参见图4，基于本发明违规开具抗菌药行为的识别方法的第一实施例提出本发明违规开具抗菌药行为的识别方法的第三实施例，在本实施例中，所述步骤S30包括：
步骤S31，根据所述诊疗数据标签建立所述嵌套循环算法的外层驱动表，并根据所述诊疗异常识别条件建立所述嵌套循环算法的内层被驱动表；
本实施例将诊疗数据标签为代表的标准化字段用作嵌套循环算法的外层驱动表，以驱动内层被驱动表。其中外层驱动表中包括具有数据产生时间标记的诊疗数据标签，内层被驱动表中包括所有的诊疗异常诊断条件。
步骤S32，按照所述外层驱动表中诊疗数据产生时间从早到晚的顺序依次选择诊疗数据标签，并将选择的诊疗数据标签与所述内层被驱动表中的每个诊疗异常识别条件进行比对；
服务器可以参照每条诊疗数据标签携带的数据产生时间标记，以诊疗数据产生时间从早到晚的顺序依次排列选择，或选择诊疗数据标签，然后将选择的诊疗数据标签与内层被驱动表中的诊疗异常识别条件进行逐一比对。可选地，可以按照内层驱动表的排列顺序依次进行比对。当查找到与驱动表中当前选择的诊疗数据标签匹配时，可以认为比对结果为用户产生了违规使用抗菌药的行为，接着将当前选择的诊疗数据标签与匹配的诊疗异常识别条件连接起来，然后根据当前选择的诊疗数据标签与匹配的异常识别条件生成映射关系数据保存在嵌套循环算法的比对结果表中。
可选地，上述步骤S32进行比对的过程可以包括：
步骤S321，按照预设顺序依次从所述内层被驱动表中选择诊疗异常识别条件；
其中预设顺序可以是随机，也可以从内层被驱动表的表头或某一条诊疗异常识别条件开始进行顺序选择。
步骤S322，根据选择的诊疗数据标签，确定当前选择的诊疗异常识别条件是否成立；若是，则执行步骤S323；若否，则执行步骤S324；
步骤S323，将当前选择的诊疗数据标签与该诊疗异常识别条件间的映射关系数据保存至所述嵌套循环算法的比对结果表，并继续从所述内层被驱动表中选择下一个诊疗异常识别条件，直至选择完所述内层被驱动表中的诊疗异常识别条件时，继续选择下一个诊疗数据标签；
本实施例是以当前选择的诊疗异常识别条件成立表示用户存在违规开具抗菌药的行为为基准执行的。如果根据选择的诊疗数据标签确定诊疗异常识别条件成立，则保存异常识别条件和数据来源(即当前选择的诊疗数据标签)的映射关系数据至比对结果表。
步骤S324，继续从所述内层被驱动表中选择下一个诊疗异常识别条件，直至选择完所述内层被驱动表中的诊疗异常识别条件时，继续选择下一个诊疗数据标签。
需要说明的是，当诊疗数据标签选择完时，比对结果表中存储有用户存在违规开具抗菌药行为时所有的异常识别条件和对应数据来源间的映射关系数据，因此可以直接将比对结果表中的数据作为比对结果，即用户违规开具抗菌药行为的识别结果。通过内外层循环执行比对，将比对次数最小化，改善了输出效率，也避免了索引结构的建立，十分方便。
步骤S33，当所有诊疗数据标签与所述内层被驱动表中的每个诊疗异常识别条件比对完成后，将所有比对结果作为所述用户违规开具抗菌药行为的识别结果。
当驱动表中所有的诊疗数据标签选择完成后，可以将比对结果表的数据输出作为用户违规开具抗菌药行为的识别结果。通过嵌套循环算法输出用户违规开具抗菌药行为的相关数据，能快速帮助医保管理局在内的第三方机构查找出用户的违规行为，方便要求用户进行赔偿整改，以防止用户继续违规开具抗菌药危害用户健康，也加强了社会医疗机构的管理和社会医疗资源的合理利用。
可选地，在其他实施例中，上述根据选择的诊疗数据标签，确定当前选择的诊疗异常识别条件是否成立的过程可以根据实际需要进行选择设置。例如，可以是下列确定过程中的至少一种。
当选择的诊疗异常识别条件为所述用户在单位时间内为同一患者开具的包括抗菌药的处方中存在抗菌药配伍禁忌时，根据选择的诊疗数据标签，获取所述用户单位时间内为同一患者开具的包括抗菌药的处方信息；根据包括抗菌药的所述处方信息，判断单位时间内所述用户为该患者开具的处方中是否存在抗菌药配伍禁忌；当单位时间内所述用户为该患者开具的处方中存在抗菌药配伍禁忌时，确定当前选择的诊疗异常识别条件成立。
配伍禁忌是指药物在体外配伍，直接发生物理性的或化学性的相互作用会影响药物疗效或发生毒性反应，一般将配伍禁忌分为物理性的和化学性的两类。例如青霉素类与能量合剂、碳酸氢钠、氨茶碱、肝素、谷氨酸以及精氨酸配伍会出现变色、浑浊以及抗菌素失活的情况。
在进行配伍禁忌的判断过程中，可以查看单位时间内，例如一天或半天，用户为同一患者开具的包括抗菌药的处方信息。如果处方信息中的抗菌药与处方信息中的其他药存在配伍禁忌，则认为诊疗异常识别条件成立，用户在该方面存在违规开具抗菌药行为。
当选择的诊疗异常识别条件为特殊病理患者和/或生理状况患者使用了对应特殊病理和/或生理状况禁止使用的抗菌药时，根据选择的诊疗数据标签，获取该诊疗数据标签对应的所有患者的诊断报告信息；根据所述诊断报告信息，从该诊疗数据标签对应的所有患者中筛选出特殊病理患者和/或生理状况患者，并根据选择的诊疗数据标签，获取所述用户为所述特殊病理患者和/或生理状况患者开具的对应的抗菌药处方；根据抗菌药处方，确定特殊病理患者和/或生理状况患者是否使用了对应特殊病理和/或生理状况禁止使用的抗菌药；当特殊病理患者和/或生理状况患者使用了对应特殊病理和/或生理状况禁止使用的抗菌药时，确定当前选择的诊疗异常识别条件成立。
特殊病理例如可以包括肾功能减退、肝功能减退，可以查看抗菌药处方明细中是否开具了会对肝/肾功能造成影响的抗菌药，或者是否减少了对其造成影响的抗菌药的使用量，若否，则认为违规使用抗菌药。生理状况患者例如包括新生儿、孕妇以及哺乳期患者，可以确定是否在抗菌药使用明细中开具了对应生理状况特殊患者禁用的药物，如果是，则确定违规使用抗菌药。
当选择的诊疗异常识别条件为所述用户为患者开具了广谱抗菌药，且该患者使用所述广谱抗菌药的天数超过预设时间阈值时，根据选择的诊疗数据标签，从该诊疗数据标签对应的所有患者中筛选出使用了广谱抗菌药的患者；获取筛选出的患者分别使用广谱抗菌药的天数；当任一筛选出的患者使用广谱抗菌药的天数超过预设时间阈值时，确定当前选择的诊疗异常识别条件成立。
由于广谱抗菌药的抗菌谱广，容易在杀死有害菌的同时将患者体内有益菌群也杀害，长期使用更是严重影响患者的健康。因此可以监控使用广谱抗菌药的患者的使用天数，如果使用广谱抗菌药的天数超过了预设时间阈值，则确认诊疗异常识别条件成立，用户存在违规使用抗菌药的行为。预设时间阈值例如可以是38天。
可选地，还可以根据当前选择的诊疗数据标签，获取患者的疾病诊断数据、处方信息、患者就诊医疗机构的广谱抗菌药库存以及窄谱抗菌药库存；并确定患者所患疾病是否能够使用窄谱抗菌药进行治疗，如果可以但处方中使用的是广谱抗菌药，可以进一步查询就诊医疗机构药物库存，如果没有治疗患者所患疾病的窄谱抗菌药，可以排除用户存在违规使用抗菌药情况的情况。如果库存中有治疗患者所患疾病的窄谱抗菌药，则认为用户违规使用抗菌药的行为。
还可以根据当前选择的诊疗数据标签，确定患者是否属于危重病患；当患者为危重病患，可以查看患者查出病原菌以及药敏结果的前后，该患者的诊断报告书中是否有疗效不佳等诊断词语，如果有，则进一步确认抗菌药是否有调整，如果没有调整，则认为用户有违规开具抗菌药的行为。
还可以根据选择的诊疗数据标签，获取患者的送检标本检测数据以及抗菌药物使用明细，确定患者的药敏试验结果(包括敏感、中介和耐药)。当患者抗菌药物明细的使用量超过了患者药敏试验结果所限制的单日/单月最大用量，确定用户存在违规使用抗菌药的行为。
通过设置不同维度的多种诊疗异常识别条件，帮助第三方机构能多方面检测用户异常，全面了解用户使用抗菌药的情况，快速从中发现问题行为。
参见图5，本发明还提供一种违规开具抗菌药行为的识别装置，所述装置可以是本地服务器或基于计算机设备的云服务器，包括：
预测识别模块10，用于获取用户上传的诊疗数据，并将所述诊疗数据作为预设数据识别模型的输入进行预测识别，以获得诊疗数据标签；
获取模块20，用于获取预设抗菌药指南对应的诊疗异常识别条件；
比对模块30，用于通过嵌套循环算法，将所述诊疗数据标签与所述诊疗异常识别条件进行比对，以将比对结果作为所述用户违规开具抗菌药行为的识别结果。
可选地，在另一实施例中，所述预测识别模块包括：
筛除单元，用于根据预设数据识别模型中的预设噪声实体字典，筛除所述诊疗数据中的噪声文本数据，以获得标准诊疗数据；
分词转换单元，用于对所述标准诊疗数据进行分词，得到多个诊疗文本分词，并将每个诊疗文本分词转换为对应的词向量；
编码单元，用于获取所有词向量的序列，并根据每个词向量的序列，通过预设数据识别模型中的双向循环神经网络RNN模型将所有词向量进行编码，形成文本矩阵；
预测单元，用于在将所述文本矩阵压缩为诊疗文本向量后，通过所述预设数据识别模型中的预测网络进行预测，得到所述诊疗文本向量对应的诊疗数据标签。
可选地，在又一实施例中，所述比对模块包括：
建立单元，用于根据所述诊疗数据标签建立所述嵌套循环算法的外层驱动表，并根据所述诊疗异常识别条件建立所述嵌套循环算法的内层被驱动表；
选择比对单元，用于按照所述外层驱动表中诊疗数据产生时间从早到晚的顺序依次选择诊疗数据标签，并将选择的诊疗数据标签与所述内层被驱动表中的每个诊疗异常识别条件进行比对；
执行单元，用于当所有诊疗数据标签与所述内层被驱动表中的每个诊疗异常识别条件比对完成后，将所有比对结果作为所述用户违规开具抗菌药行为的识别结果。
可选地，在又一实施例中，所述选择比对单元包括：
选择子单元，用于按照预设顺序依次从所述内层被驱动表中选择诊疗异常识别条件；
确定子单元，用于根据选择的诊疗数据标签，确定当前选择的诊疗异常识别条件是否成立；
保存子单元，用于当根据选择的诊疗数据标签确定当前选择的诊疗异常识别条件成立时，将当前选择的诊疗数据标签与该诊疗异常识别条件间的映射关系数据保存至所述嵌套循环算法的比对结果表，并触发所述选择子单元继续从所述内层被驱动表中选择下一个诊疗异常识别条件，直至选择完所述内层被驱动表中的诊疗异常识别条件时，触发继续选择下一个诊疗数据标签；
触发子单元，用于当根据选择的诊疗数据标签确定当前选择的诊疗异常识别条件不成立时，触发所述选择子单元继续从所述内层被驱动表中选择下一个诊疗异常识别条件，直至选择完所述内层被驱动表中的诊疗异常识别条件时，继续选择下一个诊疗数据标签。
可选地，在又一实施例中，所述确定子单元还用于当选择的诊疗异常识别条件为所述用户在单位时间内为同一患者开具的包括抗菌药的处方中存在抗菌药配伍禁忌时，根据选择的诊疗数据标签，获取所述用户单位时间内为同一患者开具的包括抗菌药的处方信息；根据包括抗菌药的所述处方信息，判断单位时间内所述用户为该患者开具的处方中是否存在抗菌药配伍禁忌；当单位时间内所述用户为该患者开具的处方中存在抗菌药配伍禁忌时，确定当前选择的诊疗异常识别条件成立。
可选地，在又一实施例中，所述确定子单元还用于当选择的诊疗异常识别条件为特殊病理患者和/或生理状况患者使用了对应特殊病理和/或生理状况禁止使用的抗菌药时，根据选择的诊疗数据标签，获取该诊疗数据标签对应的所有患者的诊断报告信息；根据所述诊断报告信息，从该诊疗数据标签对应的所有患者中筛选出特殊病理患者和/或生理状况患者，并根据选择的诊疗数据标签，获取所述用户为所述特殊病理患者和/或生理状况患者开具的对应的抗菌药处方；根据抗菌药处方，确定特殊病理患者和/或生理状况患者是否使用了对应特殊病理和/或生理状况禁止使用的抗菌药；当特殊病理患者和/或生理状况患者使用了对应特殊病理和/或生理状况禁止使用的抗菌药时，确定当前选择的诊疗异常识别条件成立。
可选地，在又一实施例中，所述确定子单元还用于当选择的诊疗异常识别条件为所述用户为患者开具了广谱抗菌药，且该患者使用所述广谱抗菌药的天数超过预设时间阈值时，根据选择的诊疗数据标签，从该诊疗数据标签对应的所有患者中筛选出使用了广谱抗菌药的患者；获取筛选出的患者分别使用广谱抗菌药的天数；当任一筛选出的患者使用广谱抗菌药的天数超过预设时间阈值时，确定当前选择的诊疗异常识别条件成立。
本发明还提出一种计算机可读存储介质，其上存储有计算机程序。所述计算机可读存储介质可以是图1的服务器中的存储器20，也可以是如ROM(Read-Only Memory，只读存储器)/RAM(Random Access Memory，随机存取存储器)、磁碟、光盘中的至少一种，所述计算机可读存储介质包括若干指令用以使得一台具有处理器的终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者服务端不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者服务端所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者服务端中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种违规开具抗菌药行为的识别方法，其特征在于，包括步骤：
获取用户上传的诊疗数据，并将所述诊疗数据作为预设数据识别模型的输入进行预测识别，以获得诊疗数据标签；
获取预设抗菌药指南对应的诊疗异常识别条件；
通过嵌套循环算法，将所述诊疗数据标签与所述诊疗异常识别条件进行比对，以将比对结果作为所述用户违规开具抗菌药行为的识别结果。
2.根据权利要求1所述的违规开具抗菌药行为的识别方法，其特征在于，所述将所述诊疗数据作为预设数据识别模型的输入进行预测识别，以获得诊疗数据标签的步骤包括：
根据预设数据识别模型中的预设噪声实体字典，筛除所述诊疗数据中的噪声文本数据，以获得标准诊疗数据；
对所述标准诊疗数据进行分词，得到多个诊疗文本分词，并将每个诊疗文本分词转换为对应的词向量；
获取所有词向量的序列，并根据每个词向量的序列，通过预设数据识别模型中的双向循环神经网络RNN模型将所有词向量进行编码，形成文本矩阵；
在将所述文本矩阵压缩为诊疗文本向量后，通过所述预设数据识别模型中的预测网络进行预测，得到所述诊疗文本向量对应的诊疗数据标签。
3.根据权利要求1所述的违规开具抗菌药行为的识别方法，其特征在于，所述通过嵌套循环算法，将所述诊疗数据标签与所述诊疗异常识别条件进行比对，以将比对结果作为所述用户违规开具抗菌药行为的识别结果的步骤包括：
根据所述诊疗数据标签建立所述嵌套循环算法的外层驱动表，并根据所述诊疗异常识别条件建立所述嵌套循环算法的内层被驱动表；
按照所述外层驱动表中诊疗数据产生时间从早到晚的顺序依次选择诊疗数据标签，并将选择的诊疗数据标签与所述内层被驱动表中的每个诊疗异常识别条件进行比对；
当所有诊疗数据标签与所述内层被驱动表中的每个诊疗异常识别条件比对完成后，将所有比对结果作为所述用户违规开具抗菌药行为的识别结果。
4.根据权利要求3所述的违规开具抗菌药行为的识别方法，其特征在于，所述将选择的诊疗数据标签与所述内层被驱动表中的每个诊疗异常识别条件进行比对的步骤包括：
按照预设顺序依次从所述内层被驱动表中选择诊疗异常识别条件；
根据选择的诊疗数据标签，确定当前选择的诊疗异常识别条件是否成立；
当根据选择的诊疗数据标签确定当前选择的诊疗异常识别条件成立时，将当前选择的诊疗数据标签与该诊疗异常识别条件间的映射关系数据保存至所述嵌套循环算法的比对结果表，并继续从所述内层被驱动表中选择下一个诊疗异常识别条件，直至选择完所述内层被驱动表中的诊疗异常识别条件时，继续选择下一个诊疗数据标签；
当根据选择的诊疗数据标签确定当前选择的诊疗异常识别条件不成立时，继续从所述内层被驱动表中选择下一个诊疗异常识别条件，直至选择完所述内层被驱动表中的诊疗异常识别条件时，继续选择下一个诊疗数据标签。
5.根据权利要求4所述的违规开具抗菌药行为的识别方法，其特征在于，所述根据选择的诊疗数据标签，确定当前选择的诊疗异常识别条件是否成立的步骤包括：
当选择的诊疗异常识别条件为所述用户在单位时间内为同一患者开具的包括抗菌药的处方中存在抗菌药配伍禁忌时，根据选择的诊疗数据标签，获取所述用户单位时间内为同一患者开具的包括抗菌药的处方信息；
根据包括抗菌药的所述处方信息，判断单位时间内所述用户为该患者开具的处方中是否存在抗菌药配伍禁忌；
当单位时间内所述用户为该患者开具的处方中存在抗菌药配伍禁忌时，确定当前选择的诊疗异常识别条件成立。
6.根据权利要求4所述的违规开具抗菌药行为的识别方法，其特征在于，所述根据选择的诊疗数据标签，确定当前选择的诊疗异常识别条件是否成立的步骤包括：
当选择的诊疗异常识别条件为特殊病理患者和/或生理状况患者使用了对应特殊病理和/或生理状况禁止使用的抗菌药时，根据选择的诊疗数据标签，获取该诊疗数据标签对应的所有患者的诊断报告信息；
根据所述诊断报告信息，从该诊疗数据标签对应的所有患者中筛选出特殊病理患者和/或生理状况患者，并根据选择的诊疗数据标签，获取所述用户为所述特殊病理患者和/或生理状况患者开具的对应的抗菌药处方；
根据抗菌药处方，确定特殊病理患者和/或生理状况患者是否使用了对应特殊病理和/或生理状况禁止使用的抗菌药；
当特殊病理患者和/或生理状况患者使用了对应特殊病理和/或生理状况禁止使用的抗菌药时，确定当前选择的诊疗异常识别条件成立。
7.根据权利要求4所述的违规开具抗菌药行为的识别方法，其特征在于，所述根据选择的诊疗数据标签，确定当前选择的诊疗异常识别条件是否成立的步骤包括：
当选择的诊疗异常识别条件为所述用户为患者开具了广谱抗菌药，且该患者使用所述广谱抗菌药的天数超过预设时间阈值时，根据选择的诊疗数据标签，从该诊疗数据标签对应的所有患者中筛选出使用了广谱抗菌药的患者；
获取筛选出的患者分别使用广谱抗菌药的天数；
当任一筛选出的患者使用广谱抗菌药的天数超过预设时间阈值时，确定当前选择的诊疗异常识别条件成立。
8.一种违规开具抗菌药行为的识别装置，其特征在于，包括：
预测识别模块，用于获取用户上传的诊疗数据，并将所述诊疗数据作为预设数据识别模型的输入进行预测识别，以获得诊疗数据标签；
获取模块，用于获取预设抗菌药指南对应的诊疗异常识别条件；
比对模块，用于通过嵌套循环算法，将所述诊疗数据标签与所述诊疗异常识别条件进行比对，以将比对结果作为所述用户违规开具抗菌药行为的识别结果。
9.一种服务器，其特征在于，所述服务器包括：通信模块、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的违规开具抗菌药行为的识别方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的违规开具抗菌药行为的识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811526944.7A CN109637619A (zh) | 2018-12-13 | 2018-12-13 | 违规开具抗菌药行为的识别方法、装置、服务器及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811526944.7A CN109637619A (zh) | 2018-12-13 | 2018-12-13 | 违规开具抗菌药行为的识别方法、装置、服务器及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109637619A true CN109637619A (zh) | 2019-04-16 |
Family
ID=66073675
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811526944.7A Pending CN109637619A (zh) | 2018-12-13 | 2018-12-13 | 违规开具抗菌药行为的识别方法、装置、服务器及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109637619A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024098513A1 (zh) * | 2022-11-07 | 2024-05-16 | 上海维小美网络科技有限公司 | 一种用于口腔管理***的诊疗记录合规化管理方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104615904A (zh) * | 2015-02-28 | 2015-05-13 | 领智控股有限公司 | 抗菌药物临床应用决策支持***及其构建方法 |
| CN107133456A (zh) * | 2017-04-24 | 2017-09-05 | 中国人民解放军第七五医院 | 基于his的智能化治疗药物监测全程管理***及其方法 |
| CN108648792A (zh) * | 2018-05-04 | 2018-10-12 | 河北省人民医院 | 用药信息管理***、方法及终端设备 |
| CN108648810A (zh) * | 2018-05-11 | 2018-10-12 | 平安医疗健康管理股份有限公司 | 医学审核的数据处理方法、装置、及计算机可读存储介质 |
-
2018
- 2018-12-13 CN CN201811526944.7A patent/CN109637619A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104615904A (zh) * | 2015-02-28 | 2015-05-13 | 领智控股有限公司 | 抗菌药物临床应用决策支持***及其构建方法 |
| CN107133456A (zh) * | 2017-04-24 | 2017-09-05 | 中国人民解放军第七五医院 | 基于his的智能化治疗药物监测全程管理***及其方法 |
| CN108648792A (zh) * | 2018-05-04 | 2018-10-12 | 河北省人民医院 | 用药信息管理***、方法及终端设备 |
| CN108648810A (zh) * | 2018-05-11 | 2018-10-12 | 平安医疗健康管理股份有限公司 | 医学审核的数据处理方法、装置、及计算机可读存储介质 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024098513A1 (zh) * | 2022-11-07 | 2024-05-16 | 上海维小美网络科技有限公司 | 一种用于口腔管理***的诊疗记录合规化管理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210193320A1 (en) | Machine-learning based query construction and pattern identification for hereditary angioedema | |
| US10818397B2 (en) | Clinical content analytics engine | |
| CN109920508A (zh) | 处方审核方法及*** | |
| US20200111565A1 (en) | Method of personalizing, individualizing, and automating the management of healthcare fraud-waste-abuse to unique individual healthcare providers | |
| CN109599185A (zh) | 疾病数据处理方法、装置、电子设备及计算机可读介质 | |
| CN110223751A (zh) | 基于医疗知识图谱的处方评价方法、***及计算机设备 | |
| CN107480131A (zh) | 中文电子病历症状语义提取方法及其*** | |
| Tiwari et al. | A knowledge infused context driven dialogue agent for disease diagnosis using hierarchical reinforcement learning | |
| Chen et al. | AIoT Used for COVID‐19 Pandemic Prevention and Control | |
| CN109698016A (zh) | 疾病自动编码方法及装置 | |
| CN110363090A (zh) | 智能心脏疾病检测方法、装置及计算机可读存储介质 | |
| CN109544376A (zh) | 一种基于数据分析的异常病例识别方法及计算设备 | |
| CN109545387A (zh) | 一种基于神经网络的异常病例识别方法及计算设备 | |
| CN112635053A (zh) | 基于大数据的居民健康预警方法、装置、设备和*** | |
| CN112201359A (zh) | 基于人工智能的重症问诊数据识别方法及装置 | |
| CN113130085A (zh) | 一种基于大数据的5g智能感控预测*** | |
| Guo et al. | PaCAR: COVID-19 pandemic control decision making via large-scale agent-based modeling and deep reinforcement learning | |
| CN107436997A (zh) | 一种生理数据的分析***及方法 | |
| CN109637619A (zh) | 违规开具抗菌药行为的识别方法、装置、服务器及介质 | |
| Vu et al. | Identifying patients with pain in emergency departments using conventional machine learning and deep learning | |
| CN113657550A (zh) | 基于分层计算的患者标记方法、装置、设备及存储介质 | |
| CN109493931A (zh) | 一种病历文件的编码方法、服务器及计算机可读存储介质 | |
| CN109636648A (zh) | 社保违规检测方法、装置、设备及计算机存储介质 | |
| CN116978522A (zh) | 对象分配方法、装置、电子设备、存储介质及程序产品 | |
| CN103198204A (zh) | 一种救援方舱his*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190416 |
|
| RJ01 | Rejection of invention patent application after publication |