CN111986770A

CN111986770A - 药方用药审核方法、装置、设备及存储介质

Info

Publication number: CN111986770A
Application number: CN202010894675.0A
Authority: CN
Inventors: 刘坤
Original assignee: Ping An Medical and Healthcare Management Co Ltd
Current assignee: Shenzhen Ping An Medical Health Technology Service Co Ltd
Priority date: 2020-08-31
Filing date: 2020-08-31
Publication date: 2020-11-24
Anticipated expiration: 2040-08-31
Also published as: CN111986770B

Abstract

本发明涉及数据处理领域，公开了一种药方用药审核方法、装置、设备及存储介质，应用于智慧医疗领域。该方法通过从患者的医疗数据中提取出药方信息和诊断信息，基于药方信息提取药品特征信息，基于药品特征信息和诊断信息利用适应症识别模块计算出药品与诊断信息的匹配度，基于匹配度集合专家规则库和医疗本体知识库，对药方信息中的用药进行审核，从而得到药方中用药的审核结果，这样的方式极大提高了药品与适应症不匹配的检出率和准确率，减少假阴性和假阳性提醒，降低对医师正常诊疗行为的影响，满足医院复杂临床场景，提高用户满意度，降低用药差错，保障患者用药安全。此外，本发明还涉及区块链技术，药品特征信息可存储于区块链中。

Description

药方用药审核方法、装置、设备及存储介质

技术领域

本申请涉及数据处理领域，具体涉及一种药方用药审核方法、装置、设备及存储介质。

背景技术

随着人工智能技术的发展和普及使用，尤其是在医疗方面的智能应用上还比较落后，特别是医务活动的监督和管理尚缺乏完善的智能监控机制，目前对于处方药物的使用还是存在用药指征判断不明、品种遴选不合理、频繁更换药物以及诸如用药不规范、用药疗程不合理等现象。处方药物的不合理使用现象已经成为当代医学必须正视的问题之一。

对此，目前对于医药品的审核规则，主要是根据医师在开处方时填写的ICD10疾病诊断来进行判断，但是这样的处方填写会给医师带来比较繁琐的工作，逐渐被临床弃用，对此，则很难实现对用药的审核，即使是按照这样的方式填写，采用临床诊断(ICD10编码)与产品知识库中药品适应症(ICD10编码)进行判断识别，如若临床诊断超出药品限定适应症范围，即为不合理。该审核逻辑不符合医院实际情况，实用性较差。

发明内容

本发明的主要目的是为了解决现有的用药审核方法中过于依赖ICD10编码的识别，并且该种识别方式受限与药物的适用范围，难以适应临床场景使用的技术问题。

本发明第一方面提供了一种药方用药审核方法，所述药方用药审核方法包括：

获取患者的医疗数据，并从所述医疗数据中提取药方信息和诊断信息；

提取所述药方信息中的药品特征信息；

将所述药品特征信息和诊断信息输入至预置适应症识别模型中，计算所述药品与诊断信息之间的匹配度；

根据所述匹配度以及预设的专家规则库和医疗本体知识库，对所述药方信息中的用药进行审核，得到审核结果。

可选地，在本发明第一方面的第一种实现方式中，所述将所述药品特征信息和诊断信息输入至预置适应症识别模型中，计算所述药品与诊断信息之间的匹配度包括：

将所述药品特征信息输入至所述适应症识别模型中进行适应症的识别，得到所述药品的适应症；

提取所述诊断信息中的诊断结果，并将所述诊断结果输入至所述适应症识别模型中进行标准化转换，得到所述诊断结果的标准化的命名实体；

计算所述适应症和命名实体之间的相似度，基于所述相似度确定药品与诊断结果之间的匹配度。

可选地，在本发明第一方面的第二种实现方式中，所述计算所述适应症和命名实体之间的相似度，基于所述相似度确定药品与诊断结果之间的匹配度包括：

利用自然语言处理技术分别提取所述适应症和命名实体中的病症关键词，并基于所述辩证关键词构建对应的同义词和近义词；

以所述适应症的病症关键词和所述命名实体的病症关键词作为纵向字段和和横向字段，构建适应症词库，其中所述适应症和命名实体对应的同义词和近义词作为所述适应症词库的基本元素；

通过编辑距离算法，计算所述适应症的病症关键词相对于所述命名实体的同义词和近义词的第一编辑距离，以及所述命名实体的病症关键词相对于所述适应症的同义词和近义词的第二编辑距离；

根据所述第一编辑距离和第二编辑距离，确定所述适应症和命名实体之间的相似度，得到所述药品与所述诊断结果之间的匹配度。

可选地，在本发明第一方面的第三种实现方式中，所述根据所述匹配都以及预设的专家规则库和医疗本体知识库，对所述药方信息中的用药进行审核，得到审核结果包括：

提取所述诊断信息中的用药医嘱；

根据所述诊断结果以及所述专家规则库，对所述药方信息中的药品名称进行用药遴选审核；

通过用药遴选审核后，根据所述匹配度以及所述医疗本体知识库，对所述药方信息中的药品用法用量进行用法用量审核；

结合所述用药遴选审核的结果以及所述用法用量审核的结果，对所述用药医嘱的合理性，得到审核结果。

可选地，在本发明第一方面的第四种实现方式中，所述药方用药审核方法还包括：

获取真实医疗处方数据，并提取所述医疗处方数据中的用药信息和诊断数据；

根据所述用药信息，获取对应药品的说明书以及所述药品对应的临床数据；

根据所述临床数据确定对应药品的适应症的调整范围；

利用标注工具，识别所述说明书中的病症实体，并进行摘取标注，得到适应症数据集；

利用NLP技术，对所述适应症数据集中的适应症以及对应的调整范围进行深度学习，得到所述适应症识别模型。

可选地，在本发明第一方面的第五种实现方式中，在所述利用NLP技术，对所述适应症数据集中的适应症以及对应的调整范围进行深度学习，得到所述适应症识别模型之后，还包括：

从所述真实医疗处方数据中随机选择若干个数据作为验证集；

将所述验证集输入至所述适应症识别模型中进行用药的匹配，得到匹配结果；

利用预置损失函数和优化器，计算所述验证集中的预审核结果与所述匹配计算之间的差距，得到评价结果；

根据所述评价结果对所述适应症识别模型进行调整，并对调整后的适应症识别模型进行二次选训练。

本发明第二方面提供了一种药方用药审核装置，所述药方用药审核装置包括：

采集模块，用于获取患者的医疗数据，并从所述医疗数据中提取药方信息和诊断信息；

特征提取模块，用于提取所述药方信息中的药品特征信息；

计算模块，用于将所述药品特征信息和诊断信息输入至预置适应症识别模型中，计算所述药品与诊断信息之间的匹配度；

审核模块，用于根据所述匹配度以及预设的专家规则库和医疗本体知识库，对所述药方信息中的用药进行审核，得到审核结果。

可选地，在本发明第二方面的第一种实现方式中，所述计算模块包括：

识别单元，用于将所述药品特征信息输入至所述适应症识别模型中进行适应症的识别，得到所述药品的适应症；

转换单元，用于提取所述诊断信息中的诊断结果，并将所述诊断结果输入至所述适应症识别模型中进行标准化转换，得到所述诊断结果的标准化的命名实体；

匹配单元，用于计算所述适应症和命名实体之间的相似度，基于所述相似度确定药品与诊断结果之间的匹配度。

可选地，在本发明第二方面的第二种实现方式中，所述匹配单元具体用于：

可选地，在本发明第二方面的第三种实现方式中，所述审核模块包括：

提取单元，用于提取所述诊断信息中的用药医嘱；

遴选单元，用于根据所述诊断结果以及所述专家规则库，对所述药方信息中的药品名称进行用药遴选审核；

第一审核单元，用于通过用药遴选审核后，根据所述匹配度以及所述医疗本体知识库，对所述药方信息中的药品用法用量进行用法用量审核；

第二审核单元，用于结合所述用药遴选审核的结果以及所述用法用量审核的结果，对所述用药医嘱的合理性，得到审核结果。

可选地，在本发明第二方面的第四种实现方式中，所述药方用药审核装置还包括模型训练模块，其具体用于：

根据所述临床数据确定对应药品的适应症的调整范围；

可选地，在本发明第二方面的第五种实现方式中，所述药方用药审核装置还包括验证模块，其具体用于：

本发明第三方面提供了一种药方用药审核设备，包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；

所述至少一个处理器调用所述存储器中的所述指令，以使得所述药方用药审核设备执行上述的药方用药审核方法。

本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，当其在计算机上运行时，使得计算机执行上述的药方用药审核方法。

本发明提供的技术方案中，通过结合了药品临床应用场景的适用症识别模型对患者的医疗数据进行审核，解决了受药品的适应症限制而无法进行用药医嘱审核的问题，大大提高了医药的使用率，以及增加药品的药性扩展。

附图说明

图1为本发明实施例中药方用药审核方法的第一个实施例示意图；

图2为本发明实施例中药方用药审核方法的第二个实施例示意图；

图3为本发明实施例中药方用药审核方法的第三个实施例示意图；

图4为本发明实施例中药方用药审核方法的第四个实施例示意图；

图5为本发明实施例中诊断结果标准化转换的示例图；

图6为本发明实施例中提取适应症数据集的流程示意图；

图7为本发明实施例中药方用药审核装置的一个实施例示意图；

图8为本发明实施例中药方用药审核装置的另一个实施例示意图；

图9为本发明实施例中药方用药审核设备的一个实施例示意图。

具体实施方式

针对于现有技术中的缺陷，本申请提出了一种通过NLP技术构建适应症识别模型来对用药审核的方法，以提高用药审核对临床场景的适用性，具体是通过“适应症智能识别模型”，拓宽了智能审方云平台中“药品非适应症”审核规则维度，能够适应不同类客户的需求，不依赖或强制要求医院医师按照某单一行为开处方,能够极大提高“药品非适应症”审核规则检出率，以及审核规则的准确率，减少***假阴性和假阳性提醒，降低对医师正常诊疗行为的影响，满足医院复杂临床场景，提高用户满意度，降低用药差错，保障患者用药安全。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中药方用药审核方法的第一个实施例包括：

101、获取患者的医疗数据，并从医疗数据中提取药方信息和诊断信息；

该步骤中，所述医疗数据是在用户就诊过程中所采集的数据，具体包括药方信息和诊断信息。诊断数信息是用于表征诊断结果的数据，比如感冒、发热、咽痛。处方数据包括推荐药品的药品标识，以及各药品标识对应的用法和用量等药品推荐信息。药品标识用于唯一标识药品，可以由数字、字母和符号等字符中的至少一种组成的字符串，具体可以是药品的名称、编号或代码等。

所述诊断信息至少包括问诊信息、诊断结果和用药医嘱，而用药医嘱是医师根据临床场景对药物的调整使用标注，基于该备注可以使用药物适用症与当前诊断结果匹配度不是很高的药品，从而提高了药品的适应性使用，提高了医疗资源的利用率。

102、提取药方信息中的药品特征信息；

该步骤中，提取药品特征信息具体是通过医疗知识图谱对药方信息中的药品信息进行提取，然后基于药品信息调取出对应的药品使用说明书，然后对说明书中的关键词进行提取，具体可以采用医疗知识图谱来实现。

在实际应用中，通过多个线程基于各自相应的关键词集并行的从药方信息中提取药品的数据，以及药品对应的适用病症数据等信息。

其中，病症数据是存在于药品说明书中的药品适应症字段位置上，病症数据包括中医病名、中医症状、中医证型和西医病名等中的至少一种，比如发热、咽痛、外感风寒、感冒。

本实施例中，所述药方信息包括处方信息和药品特征信息，而药品特征信息是药品使用的一种参考，其获取可以通过用药指征信息来确定，也可以是直接根据医疗数据中医师执行的药品来确定，而当通过用药指征信息来确定时，则可以从以下几方面来确定：一方面是根据医生诊断，另一方面则需要根据病患的个体信息来作为用药依据，这些用药依据可以来源于与病患姓名相关的电子病历数据、检查历史、检验报告单等。借助现有的关键信息提取技术，可以从电子病历、检查报告、化验单、体温记录表等等已存储的文本数据中提取到用药指征，为下一步用药合理性审核做准备。

进一步的，处方信息是指从用药医嘱中识别出医生所开具的药品名称以及相应的医嘱用法用量；而且，为了获取到病患的用药指征信息，还可以从处方信息中提取到病患姓名，并由该病患姓名关联到该病患的个性化的医疗数据。当然，本发明并不限定通过处方获取病患的用药指征信息，实际操作中可以采用其他现有方式获取病患个性化的医疗数据。

103、将药品特征信息和诊断信息输入至预置适应症识别模型中，计算药品与诊断信息之间的匹配度；

本实施例中，适应症识别模型是通过NLP技术训练得到的，其可以实现对医疗数据中的处方“疾病诊断”与“药品适应症”的相似度分析。

具体的，适应症识别模型根据输入的药品特征信息，分析出药品特征信息对应的适应症，得到适应症集合；

然后，计算诊断信息中记载的诊断病症数据与适应症集合中的相似度，得到按照相似度从达到小排序的适应症序列，从而得到该药品与诊断信息的匹配度，具体是指药品与诊断出来的疾病的药物适应匹配度。

104、根据匹配度以及预设的专家规则库和医疗本体知识库，对药方信息中的用药进行审核，得到审核结果。

该步骤中，关于专家规则库，则如前文提及的是由专业药师、医生结合历史实际经验和医疗领域的科研成果梳理出的用药规范和指导意见的数据总集。本发明并不排斥该专家规则库，但重点在于，不以该专家规则库作为唯一的依赖标准，因此本实施例中还提及了预设的医疗本体知识库作为后续审核依据之一，将医学领域的知识等梳理成特定的医疗本体知识库，审核阶段则可以基于至少两个条件进行分析判断。

关于医疗本体知识库的建立可以利用自然语言处理技术中的命名实体识别、关系抽取和属性抽取等技术方案，并可以采用“数据挖掘+专家审核”相结合的半自动化构建方案，实现医疗本体知识库的持续更新构建。建立该医疗本体知识库的过程可以是：

1)获取与医疗相关的本体信息，构建候选本体知识库；

2)将候选本体知识库与预设的专家知识相融合，得到医疗本体知识库。

可见，本发明所用的建库策略主要包含了“信息抽取”和“知识融合”两个阶段。

一、信息抽取：

可采用数据挖掘技术，从大量与医疗相关的结构化、非结构化的文本数据中提取到本体、关系和属性等本体信息。例如，借助实体发现技术，从医学书籍、指南、药品说明书等文本数据中，挖掘出药物、病症、特殊人群、病原体等本体；进一步通过关联发现技术挖掘各实体之间的关系，本体和关系分类可基于《药物临床应用指导原则》、《国家抗微生物治疗指南》、权威文献、药品说明书、电子病例等大规模的本领域数据，以此构建出候选本体知识库。

二、知识融合：

之所以强调先构建出候选本体知识库，是考虑到医疗领域的特殊性，基于该候选结果进一步提出了对候选本体知识库进行专家评估的思路，以确保作为后续审核基础的参考数据能够最大限度地保持准确性和有效性。具体可以是基于梳理的专家知识(如：同类的实体，其属性和关系也是类似的)，在通过知识推理来确定本体的属性及与其它本体关系的同时，结合专家***对候选本体知识库中的各信息进行质量评估和修正，从中舍弃无效或错误知识，在不断积累的数据上，持续地迭代更新入库的有效知识。这样，经由大数据抽取以及不同知识角度的融合，即能够得到覆盖常见疾病和常见药品，并且更加完善、可靠的医疗本体知识库。

在本实施例中，所述药方信息中还包括用药医嘱，而这里的审核实际上是通过适应症识别模型结合的药品的临床用药场景来计算药品与诊断结果的匹配，而临床用药场景指的是药品的扩展使用，对此，根据匹配度结合专家规则来确定了药品是否可以被应用到当前的诊断结果中，若是可以，则进一步审核用药的量是否满足匹配情况，即是用药医嘱是否符合匹配情况。

基于上述的实施，通过结合了药品临床应用场景的适用症识别模型对患者的医疗数据进行审核，解决了受药品的适应症限制而无法进行用药医嘱审核的问题，大大提高了医药的使用率，以及增加药品的药性扩展。

请参阅图2，本发明实施例中药方用药审核方法的第二个实施例包括：

201、获取患者的医疗数据，并从医疗数据中提取药方信息和诊断信息；

202、提取药方信息中的药品特征信息；

该步骤中，具体可以基于TextRank关键词提取算法对医疗数据中记载的数据进行病理特征词提取。例如，若医疗数据中包括“受凉导致感冒，引发发烧，出现头痛、鼻塞”的表述，则可以将动词“导致”、“引发”、“出现”等冗余数据剔除，提取出“受凉”、“感冒”、“发烧”、“头痛”和“鼻塞”等核心的病理特征词，基于该病例特征词确定问诊单中的诊断结果。

进一步的，提取药方信息中的药品特征信息也可以通过药品识别模型根据输入的药品名称从药品存储库中查询其药理或者药性符合所述诊断结果使用的所有药品，然后从药品的说明书中提取对应的药品特征信息。

203、将药品特征信息输入至适应症识别模型中进行适应症的识别，得到所述药品的适应症；

204、提取诊断信息中的诊断结果，并将诊断结果输入至适应症识别模型中进行标准化转换，得到诊断结果的标准化的命名实体；

205、计算适应症和命名实体之间的相似度，基于相似度确定药品与诊断结果之间的匹配度；

在实际应用中，所述适应症识别模型在进行适应症的识别时，具体是可以通过预先构建的因子体系来查询识别，其实现如下：

将药品特征信息输入到模型中药品说明书的查询，具体是在模型中首先根据药品特征信息确定药品的关键字，基于关键字从药品数据库中调取对应的说明书，基于说明书来进行适用症状的提取，优选的采用医疗知识图谱来对说明书中的症状实体进行识别标注，基于标注到的症状实体进行筛选，得到该药物的主要适用症状和扩展适用症状。

同理，对于诊断结果的命名实体识别，首先是通过适应症识别模型对诊断结果中的文本命名进行标准化实体的转换，然后再进行相似度的计算，从而得到匹配度。

在实际应用中，其相似度的计算具体可以采用以下方式计算得到：利用爬取词库、Synonyms工具以及编辑距离方式中的一种或多种筛选适应症的关键词，基于关键词计算相似度。

206、根据匹配度以及预设的专家规则库和医疗本体知识库，对药方信息中的用药进行审核，得到审核结果。

本实施例中，选择合适患者的药品具体可以通过药品匹配模型来实现，具体的药品匹配模型是基于人工神经网络算法得到的药品匹配模型，药品匹配模型可以为多层架构，如可以按照特征词组的优先级划分进行模型结构划分，例如，若特征词组分为高、中和低三个优先级别，则药品匹配神经网络可以对应设置为三层隐藏层的结构，以与特征词组的优先级划分对应。

在具体实现时，各患者对应的药品匹配模型可能不同，此时，可以先查询与患者的病种对应的药品匹配模型后，再将提取到的病种的特征词组输入进行特征匹配，得到相应输出结果，然后基于输出结果与药方信息中的药品和用药进行比对，若比对一致，则确定药方的用药准确，反之则提示进行药方信息的修改。

通过对上述方法的实施，通过“适应症智能识别模型”，拓宽了智能审方云平台中“药品非适应症”审核规则维度，能够适应不同类客户的需求，不依赖或强制要求医院医师按照某单一行为开处方,能够极大提高“药品非适应症”审核规则检出率，以及审核规则的准确率，减少***假阴性和假阳性提醒，降低对医师正常诊疗行为的影响，满足医院复杂临床场景，提高用户满意度，降低用药差错，保障患者用药安全。

请参阅图3，本发明实施例中药方用药审核方法的第三个实施例包括：

301、获取患者的医疗数据，并从医疗数据中提取药方信息和诊断信息；

302、提取药方信息中的药品特征信息；

303、将药品特征信息输入至适应症识别模型中进行适应症的识别，得到所述药品的适应症；

304、提取诊断信息中的诊断结果，并将诊断结果输入至适应症识别模型中进行标准化转换，得到诊断结果的标准化的命名实体；

本实施例中，对于上述步骤301-304的具体实现与上述实施例的步骤201-204的具体实现相同，这里不再赘述。

305、利用自然语言处理技术分别提取适应症和命名实体中的病症关键词，并基于辩证关键词构建对应的同义词和近义词；

306、以适应症的病症关键词和所述命名实体的病症关键词作为纵向字段和和横向字段，构建适应症词库；

该步骤中，所述适应症和命名实体对应的同义词和近义词作为所述适应症词库的基本元素；

307、通过编辑距离算法，计算适应症的病症关键词相对于命名实体的同义词和近义词的第一编辑距离，以及命名实体的病症关键词相对于适应症的同义词和近义词的第二编辑距离；

308、根据第一编辑距离和第二编辑距离，确定适应症和命名实体之间的相似度，得到药品与所述诊断结果之间的匹配度；

在实际应用中，编辑距离算法基本实现原理为：

(1)构造行数为m+1列数为n+1的矩阵,用来保存完成某个转换需要执行的操作的次数，将串s[1..n]转换到串t[1…m]所需要执行的操作次数为matrix[n][m]的值；

(2)初始化matrix第一行为0到n，第一列为0到m。

Matrix[0][j]表示第1行第j-1列的值，这个值表示将串s[1…0]转换为t[1..j]所需要执行的操作的次数，很显然将一个空串转换为一个长度为j的串，只需要j次的add操作，所以matrix[0][j]的值应该是j，其他值以此类推。

(3)检查每个从1到n的s[i]字符；

(4)检查每个从1到m的s[i]字符；

(5)将串s和串t的每一个字符进行两两比较，如果相等，则让cost为0，如果不等，则让cost为1(这个cost后面会用到)；

a、如果我们可以在k个操作里面将s[1..i-1]转换为t[1..j]，那么我们就可以将s[i]移除，然后再做这k个操作，所以总共需要k+1个操作。

b、如果我们可以在k个操作内将s[1…i]转换为t[1…j-1]，也就是说d[i，j-1]＝k，那么我们就可以将t[j]加上s[1..i]，这样总共就需要k+1个操作。

c、如果我们可以在k个步骤里面将s[1…i-1]转换为t[1…j-1]，那么我们就可以将s[i]转换为t[j]，使得满足s[1..i]＝＝t[1..j]，这样总共也需要k+1个操作。(这里加上cost，是因为如果s[i]刚好等于t[j]，那么就不需要再做替换操作，即可满足，如果不等，则需要再做一次替换操作，那么就需要k+1次操作)

因为我们要取得最小操作的个数，所以我们最后还需要将这三种情况的操作个数进行比较，取最小值作为d[i，j]的值；

d、然后重复执行3，4，5，6的步骤，最后的结果就在d[n，m]中；

基于上述的原理依次对适应症库中的近义词和同义词进行距离的计算，得到得到药品中的适应症以及临床使用药品的适应症与诊断结果中的疾病症状之间的相似度，从而得到匹配度。

进一步的，还可以是将适应症识别模型训练为同时包含症状识别和相似度计算功能的模型，这时可以直接通过建立的适应症识别模型，加上Levenshtein算法，最终计算出医师开具处方“疾病诊断”与“药品适应症”相似度。主要步骤：

1.适应症识别模型：通过模型中“修饰词，部位词、疾病异名库、疾病与症状关系库”等把非标化结果，转换成标化结果，再进行最终相似度计算。

2.Levenshtein算法：利用转换后标化结果进行最终相似度计算。

具体的，如图5的示例，急性B淋巴细胞血癌＝急性淋巴细胞白血病，在对数据进行标准化处理过程中，首先去除冗余的词语，如修饰词，然后进行上位词表的处理，得到上位概念，进一步的进行同义词表的推算，最后筛选出合适的标准化表述。

309、根据匹配度以及预设的专家规则库和医疗本体知识库，对药方信息中的用药进行审核，得到审核结果。

综上，本实施例的方法通过结合了药品临床应用场景的适用症识别模型对患者的医疗数据进行审核，解决了受药品的适应症限制而无法进行用药医嘱审核的问题，大大提高了医药的使用率，以及增加药品的药性扩展。

请参阅图4，本发明实施例中药方用药审核方法的第四个实施例包括：

401、获取患者的医疗数据，并从医疗数据中提取药方信息和诊断信息；

402、提取药方信息中的药品特征信息；

403、将药品特征信息和诊断信息输入至预置适应症识别模型中，计算药品与诊断信息之间的匹配度；

404、提取诊断信息中的用药医嘱；

405、根据诊断结果以及所述专家规则库，对药方信息中的药品名称进行用药遴选审核；

406、通过用药遴选审核后，根据匹配度以及医疗本体知识库，对所述药方信息中的药品用法用量进行用法用量审核；

407、结合用药遴选审核的结果以及所述用法用量审核的结果，对用药医嘱的合理性，得到审核结果。

在实际应用中，根据诊断结果对药方中的药品进行遴选验证是否合适，若合适，则执行匹配度以及医疗本体知识库的审核处理，而这里的用药遴选审核是指可以根据病患个性化的用药指征，判断出医生为病患所开具的药品是否出现选药不合理的错误。比如：一位病患因“绝经8个月后***出血40天”住院，诊断为：子宫内膜癌，子宫肌瘤，并进行腹腔镜下全子宫双附件切除术+腹膜后***清扫术；

对于术后感染预防用药，医生开具的处方中记载的药品名称为头孢地嗪(第三代头孢菌素)，但由前述步骤中提及的预测机制所推荐使用的则是第一代头孢菌素、第二代头孢菌素以及头霉素类药，由专家规则库中的规则数据也给出“第三代头孢菌素存在凝血功能障碍副作用，可能会导致出血”，因而据上述条件审核出该医生发生用药遴选不合理的错误。

进一步的，在本实施例中还包括对适应症识别模型的训练流程，具体可以通过以下方式训练得到：

根据所述临床数据确定对应药品的适应症的调整范围；

进一步的，在所述利用NLP技术，对所述适应症数据集中的适应症以及对应的调整范围进行深度学习，得到所述适应症识别模型之后，还包括：

下面以具体是数据对上述训练过程进行说明，如图6所示：

收集数据源：

收集和整理上市17万“药品说明书”内容，重点关注“药品适应症”字段

数据源分词：

由于药品说明书中“适应症”不是简单单词组成，而是由句子组成。因此必须把句子切分成单独词语，便于后续相似度计算。

医疗术语提取：

通用的分词工具只能对日常简单的词汇进行分词，而对于专业领域的很多名词就无法准确的进行分词。我们通过把“ICD10、ICD9、诊疗术语集、解剖结构树”导入分词字典中，能够对药品适应症字段分词更加精准，进一步提高后续适应症相似度计算结果。

建立适应症识别模型：

通过实体识别、多模型结合(回归模型、决策树模型、支持向量机、流行学习、人工神经网络、卷积神经网络)等技术手段，用真实医疗处方数据训练，人工校正等步骤，不断循环反复，不断更新迭代“诊疗术语库、疾病关系库、疾病与症状关系库”等因子关系库，调整各因子权重系数，为后续相似度计算奠定基础。主要步骤如下：

准备数据：利用标注工具对适应症术语库数据进行标注

划分数据集：准备训练集、测试集数据

配置模型：配置多模型(回归模型、决策树模型、人工神经网络、卷积神经网络等)

训练模型：重点关注“损失函数和优化器”指标，损失函数是评价训练输出与本来的标签之间差距的指标评估依据，优化器是影响网络训练快慢与训练梯度下降优劣及是否会陷入鞍点等。

评估优化：利用测试集评估模型泛化能力。

通过上述方案的实施，通过“适应症智能识别模型”，拓宽了智能审方云平台中“药品非适应症”审核规则维度，能够适应不同类客户的需求，不依赖或强制要求医院医师按照某单一行为开处方,能够极大提高“药品非适应症”审核规则检出率，以及审核规则的准确率，减少***假阴性和假阳性提醒，降低对医师正常诊疗行为的影响，满足医院复杂临床场景，提高用户满意度，降低用药差错，保障患者用药安全。

上面对本发明实施例中药方用药审核方法进行了描述，下面对本发明实施例中药方用药审核装置进行描述，请参阅图7，本发明实施例中药方用药审核装置的第一个实施例包括：

采集模块701，用于获取患者的医疗数据，并从所述医疗数据中提取药方信息和诊断信息；

特征提取模块702，用于提取所述药方信息中的药品特征信息；

计算模块703，用于将所述药品特征信息和诊断信息输入至预置适应症识别模型中，计算所述药品与诊断信息之间的匹配度；

审核模块704，用于根据所述匹配度以及预设的专家规则库和医疗本体知识库，对所述药方信息中的用药进行审核，得到审核结果。

在本实施例中，所述药方用药审核装置运行上述药方用药审核方法，该方法通过从患者的医疗数据中提取出药方信息和诊断信息，基于药方信息提取药品特征信息，基于药品特征信息和诊断信息利用适应症识别模块计算出药品与诊断信息的匹配度，基于匹配度集合专家规则库和医疗本体知识库，对药方信息中的用药进行审核，从而得到药方中用药的审核结果，这样的方式极大提高“药品非适应症”审核规则检出率，以及审核规则的准确率，减少***假阴性和假阳性提醒，降低对医师正常诊疗行为的影响，满足医院复杂临床场景，提高用户满意度，降低用药差错，保障患者用药安全。

请参阅图8，本发明实施例中药方用药审核装置的第二个实施例，该药方用药审核装置具体包括：

在本实施例中，所述计算模块703包括：

识别单元7031，用于将所述药品特征信息输入至所述适应症识别模型中进行适应症的识别，得到所述药品的适应症；

转换单元7032，用于提取所述诊断信息中的诊断结果，并将所述诊断结果输入至所述适应症识别模型中进行标准化转换，得到所述诊断结果的标准化的命名实体；

匹配单元7033，用于计算所述适应症和命名实体之间的相似度，基于所述相似度确定药品与诊断结果之间的匹配度。

可选的，所述匹配单元7033具体用于：

在本实施例中，所述审核模块703包括：

提取单元7041，用于提取所述诊断信息中的用药医嘱；

遴选单元7042，用于根据所述诊断结果以及所述专家规则库，对所述药方信息中的药品名称进行用药遴选审核；

第一审核单元7043，用于通过用药遴选审核后，根据所述匹配度以及所述医疗本体知识库，对所述药方信息中的药品用法用量进行用法用量审核；

第二审核单元7044，用于结合所述用药遴选审核的结果以及所述用法用量审核的结果，对所述用药医嘱的合理性，得到审核结果。

在本实施例中，所述药方用药审核装置还包括模型训练模块705，其具体用于：

根据所述临床数据确定对应药品的适应症的调整范围；

在本实施例中，所述药方用药审核装置还包括验证模块706，其具体用于：

上面图7和图8从模块化功能实体的角度对本发明实施例中的药方用药审核装置进行详细描述，下面从硬件处理的角度对本发明实施例中药方用药审核设备进行详细描述，而药方用药审核装置可以插件的形式设置与所述药方用药审核设备实现对药方信息的识别和药方信息中用药的审核。

图9是本发明实施例提供的一种药方用药审核设备的结构示意图，该药方用药审核设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)610(例如，一个或一个以上处理器)和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对药方用药审核设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在药方用药审核设备600上执行存储介质630中的一系列指令操作,以实现上述药方用药审核方法的步骤。

药方用药审核设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作***631，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图9示出的药方用药审核设备结构并不构成对本申请提供的药方用药审核设备的限定，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。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行上述各实施例提供的药方用药审核方法的步骤。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims

1.一种药方用药审核方法，其特征在于，所述药方用药审核方法包括：

提取所述药方信息中的药品特征信息；

2.根据权利要求1所述的药方用药审核方法，其特征在于，所述将所述药品特征信息和诊断信息输入至预置适应症识别模型中，计算所述药品与诊断信息之间的匹配度包括：

3.根据权利要求2所述的药方用药审核方法，其特征在于，所述计算所述适应症和命名实体之间的相似度，基于所述相似度确定药品与诊断结果之间的匹配度包括：

4.根据权利要求3所述的药方用药审核方法，其特征在于，所述根据所述匹配都以及预设的专家规则库和医疗本体知识库，对所述药方信息中的用药进行审核，得到审核结果包括：

提取所述诊断信息中的用药医嘱；

5.根据权利要求1-4中任一项所述的药方用药审核方法，其特征在于，所述药方用药审核方法还包括：

根据所述临床数据确定对应药品的适应症的调整范围；

6.根据权利要求5所述的药方用药审核方法，其特征在于，在所述利用NLP技术，对所述适应症数据集中的适应症以及对应的调整范围进行深度学习，得到所述适应症识别模型之后，还包括：

7.一种药方用药审核装置，其特征在于，所述药方用药审核装置包括：

特征提取模块，用于提取所述药方信息中的药品特征信息；

8.根据权利要求7所述的药方用药审核装置，其特征在于，所述药方用药审核装置还包括，：

模型训练模块，用于获取真实医疗处方数据，并提取所述医疗处方数据中的用药信息和诊断数据；根据所述用药信息，获取对应药品的说明书以及所述药品对应的临床数据；根据所述临床数据确定对应药品的适应症的调整范围；利用标注工具，识别所述说明书中的病症实体，并进行摘取标注，得到适应症数据集；利用NLP技术，对所述适应症数据集中的适应症以及对应的调整范围进行深度学习，得到所述适应症识别模型。

9.一种药方用药审核设备，其特征在于，所述药方用药审核设备包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；

所述至少一个处理器调用所述存储器中的所述指令，以使得所述药方用药审核设备执行如权利要求1-6中任一项所述的药方用药审核方法。

10.一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，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的药方用药审核方法。