CN112037880B - 用药推荐方法、装置、设备及存储介质 - Google Patents

用药推荐方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112037880B
CN112037880B CN202010896613.3A CN202010896613A CN112037880B CN 112037880 B CN112037880 B CN 112037880B CN 202010896613 A CN202010896613 A CN 202010896613A CN 112037880 B CN112037880 B CN 112037880B
Authority
CN
China
Prior art keywords
medicine
inquiry
recommendation
drug
list
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.)
Active
Application number
CN202010896613.3A
Other languages
English (en)
Other versions
CN112037880A (zh
Inventor
侯永帅
王垂新
赵建双
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kangjian Information Technology Shenzhen Co Ltd
Original Assignee
Kangjian Information Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Kangjian Information Technology Shenzhen Co Ltd filed Critical Kangjian Information Technology Shenzhen Co Ltd
Priority to CN202010896613.3A priority Critical patent/CN112037880B/zh
Publication of CN112037880A publication Critical patent/CN112037880A/zh
Priority to PCT/CN2021/084656 priority patent/WO2022041729A1/zh
Application granted granted Critical
Publication of CN112037880B publication Critical patent/CN112037880B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

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

Abstract

本发明涉及数据处理领域，公开了一种用药推荐方法、装置、设备及存储介质，应用于智慧医疗领域。该方法通过将诊断结果输入到药品推荐模型中进行药品的匹配，得到候选药品列表，基于候选药品列表结合问诊数据进行筛选，得到推荐药品，最后基于患者的实际情况来选择符合条件的药品，并保存在问诊单中，以供后续的使用查阅；这样的方式不仅实现了药品的自动推荐，还是避免了医生由于对药品药性的错误记忆而导致无用药品的现象，在开具药方时，医师根据问诊单中的推荐药品可以快速确定对应的治疗药方，从而提高了医师的诊断效率。此外，本发明还涉及区块链技术，诊断结果、候选药品列表和药品推荐结果可存储于区块链中。

Description

用药推荐方法、装置、设备及存储介质
技术领域
本申请涉及数据处理领域，具体涉及一种用药推荐方法、装置、设备及存储介质。
背景技术
随着人工智能技术的不断发展，该技术在各个领域得到关注和使用，各领域针对不同的应用场景，基于人工智能技术开发了对应的智能***来帮助人们提升工作效率，在医院的医疗***也不例外。由于医院中的药品存储是以万级的数量来计算的，而每次医生在选择满足患者情况和诊断结果的药品时，需要在大规模的药品库中找出满足患者当前治疗需求的药品以及药品的药名、说明、库存情况等信息，对此，为了帮助医生从药品库中查询药品，当前使用的方法是依据药品的关键词在药品管理***中查询药品相关信息，该查询功能只能依据药品名称或者特定关键词来查询，查询过程全凭医生的经验和记忆，对此在如此大规模的药品库中，医生很难记清楚每个药品的药名、药效、用量等药品信息，医生采用这种依据药名或者关键词查询的方法选药，开药的效率低，开药的针对性和准确性也难以保证。
发明内容
本发明的主要目的是为了解决现有的医疗***中，由于医生查询药品困难，而导致开药效率较低的技术问题。
本发明第一方面提供了一种用药推荐方法，所述用药推荐方法包括：
通过数据爬虫工具从多个医疗数据库中获取历史药方，并采用机器学习算法对所述历史药方进行药性和用药规则的学习，构建药品推荐模型；
获取当前患者的问诊单，并提取所述问诊单中的诊断结果和问诊数据；
将所述诊断结果输入至所述药品推荐模型中进行药品匹配，生成候选药品列表；
根据所述问诊数据对所述候选药品列表中的药品进行排序筛选过滤，得到最终的药品推荐结果；
根据接收到的药品使用请求，从所述药品推荐结果中，选择满足患者的药品，并生成药方保存至所述问诊单中。
可选地，在本发明第一方面的第一种实现方式中，所述提取所述问诊单中的诊断结果和问诊数据包括：
利用文字识别算法提取所述问诊单中所记载的患者信息、就诊科室、主诉信息、医生患者间的问诊对话内容和医生的诊断结果；
按照预设的优先级划分条件，将所述患者信息、就诊科室、主诉信息、医生患者间的问诊对话内容和医生的诊断结果进行优先级划分，得到查询条件列表；
将所述查询条件列表中除了所述诊断结果之外的条件，按照优先级级别进行组合，得到所述特征词组。
可选地，在本发明第一方面的第二种实现方式中，所述根据所述问诊数据对所述候选药品列表中的药品进行排序筛选过滤，得到最终的药品推荐结果包括：
根据所述特征词组中条件对所述候选药品列表进行筛选过滤，剔除药品不满足所述患者信息的药品，得到新药品序列；
根据药品与问诊单的匹配情况对所述新药品序列中的每个药品进行打分排序，得到候选药品序列；
从所述候选药品序列中选择排序靠前的N个药品，得到药品推荐结果。
可选地，在本发明第一方面的第三种实现方式中，在所述按照预设的优先级划分条件，将所述患者信息、就诊科室、主诉信息、医生患者间的问诊对话内容和医生的诊断结果进行优先级划分，得到查询条件列表之前，还包括：
根据所述患者信息从医院诊断***的诊断数据库中，查询对应的患者诊断历史记录；
根据所述诊断历史记录，确定所述患者的过敏史和禁忌信息。
可选地，在本发明第一方面的第四种实现方式中，所述根据药品与问诊单的匹配情况对所述新药品序列中的每个药品进行打分排序，得到候选药品序列包括：
根据所述过敏史和禁忌信息对所述新药品序列进行二次筛选过滤，得到第二药品序列；
利用预置的打分模型对所述第二药品序列中的每个药品的匹配度进行打分，并按照分数从高到低进行排序，得到候选药品序列。
可选地，在本发明第一方面的第五种实现方式中，所述通过数据爬虫工具从多个医疗数据库中获取历史药方，并采用机器学习算法对所述历史药方进行药性和用药规则的学习，构建药品推荐模型包括：
通过数据爬虫工具从多个医疗数据库中获取医生的历史问诊数据，并从所述历史问诊数据中提取历史药方，构建推药数据集；
提取所述推药数据集中的药品以及药品对应的药品特征信息，生成训练集；
利用机器学习算法对所述训练集中的药品以及药品对应的药品特征信息进行深度学习，构建药品推荐模型。
可选地，在本发明第一方面的第六种实现方式中，在所述根据接收到的药品使用请求，从所述药品推荐结果中，选择满足患者的药品，并生成药方保存至所述问诊单中之后，还包括：
随机抽取若干张所述问诊单，并提取每张所述问诊单中对所述药品推荐结果的使用情况；
若所述使用情况不满足预设的采纳率，读取所有未被采用药品推荐结果中的药品的问诊单，并基于所述问诊单对所述药品推荐模型进行重新训练，得到迭代优化后的药品推荐模型。
本发明第二方面提供了一种用药推荐装置，所述用药推荐装置包括：
训练模块，用于通过数据爬虫工具从多个医疗数据库中获取历史药方，并采用机器学习算法对所述历史药方进行药性和用药规则的学习，构建药品推荐模型；
提取模块，用于获取当前患者的问诊单，并提取所述问诊单中的诊断结果和问诊数据；
匹配模块，用于将所述诊断结果输入至所述药品推荐模型中进行药品匹配，生成候选药品列表；
筛选模块，用于根据所述问诊数据对所述候选药品列表中的药品进行排序筛选过滤，得到最终的药品推荐结果；
推荐模块，用于根据接收到的药品使用请求，从所述药品推荐结果中，选择满足患者的药品，并生成药方保存至所述问诊单中。
可选地，在本发明第二方面的第一种实现方式中，所述提取模块包括：
识别单元，用于利用文字识别算法提取所述问诊单中所记载的患者信息、就诊科室、主诉信息、医生患者间的问诊对话内容和医生的诊断结果；
配置单元，用于按照预设的优先级划分条件，将所述患者信息、就诊科室、主诉信息、医生患者间的问诊对话内容和医生的诊断结果进行优先级划分，得到查询条件列表；
组合单元，用于将所述查询条件列表中除了所述诊断结果之外的条件，按照优先级级别进行组合，得到所述特征词组。
可选地，在本发明第二方面的第二种实现方式中，所述筛选模块包括：
过滤单元，用于根据所述特征词组中条件对所述候选药品列表进行筛选过滤，剔除药品不满足所述患者信息的药品，得到新药品序列；
排序单元，用于根据药品与问诊单的匹配情况对所述新药品序列中的每个药品进行打分排序，得到候选药品序列；
选择单元，用于从所述候选药品序列中选择排序靠前的N个药品，得到药品推荐结果。
可选地，在本发明第二方面的第三种实现方式中，所述用药推荐装置还包括查询模块，其具体用于：
根据所述患者信息从医院诊断***的诊断数据库中，查询对应的患者诊断历史记录；
根据所述诊断历史记录，确定所述患者的过敏史和禁忌信息。
可选地，在本发明第二方面的第四种实现方式中，所述排序单元具体用于：
根据所述过敏史和禁忌信息对所述新药品序列进行二次筛选过滤，得到第二药品序列；
利用预置的打分模型对所述第二药品序列中的每个药品的匹配度进行打分，并按照分数从高到低进行排序，得到候选药品序列。
可选地，在本发明第二方面的第五种实现方式中，所述训练模块具体用于：
通过数据爬虫工具从多个医疗数据库中获取医生的历史问诊数据，并从所述历史问诊数据中提取历史药方，构建推药数据集；
提取所述推药数据集中的药品以及药品对应的药品特征信息，生成训练集；
利用机器学习算法对所述训练集中的药品以及药品对应的药品特征信息进行深度学习，构建药品推荐模型。
可选地，在本发明第二方面的第六种实现方式中，所述用药推荐装置还包括优化模块，其具体用于：
随机抽取若干张所述问诊单，并提取每张所述问诊单中对所述药品推荐结果的使用情况；
若所述使用情况不满足预设的采纳率，读取所有未被采用药品推荐结果中的药品的问诊单，并基于所述问诊单对所述药品推荐模型进行重新训练，得到迭代优化后的药品推荐模型。
本发明第三方面提供了一种用药推荐设备，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，以使得所述用药推荐设备执行上述的用药推荐方法。
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用药推荐方法。
本发明提供的技术方案中，通过模型来实现药品推荐，以提高医生的开药效率，具体是通过获取医生对患者的诊断数据，将诊断数据输入到药品推荐模型中，由药品推荐模型基于诊断数据推荐针对性的药品给医生进行选择使用，这样的方式不仅实现了药品的自动推荐，还是避免了医生由于对药品药性的错误记忆而导致无用药品的现象
附图说明
图1为本发明实施例中用药推荐方法的第一个实施例示意图；
图2为本发明实施例中用药推荐方法的第二个实施例示意图；
图3为本发明实施例中用药推荐方法的第三个实施例示意图；
图4为本发明实施例中用药推荐方法的第四个实施例示意图；
图5为本发明实施例中用药推荐装置的一个实施例示意图；
图6为本发明实施例中用药推荐装置的另一个实施例示意图；
图7为本发明实施例中用药推荐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，本申请提出了一种具有自学习能力的智能用药推荐方法，在医生开药过程中，能够根据患者的个人信息、主诉内容、医生患者的问诊对话内容、医生的诊断结果等信息自动为医生推荐适合患者当前用药需求候选药品；本方法通过为医生推荐候选药品，帮助医生减少药品查询过程消耗的时间，提高医生开药的效率；该方法在推荐药品时，从患者个人信息、患者主诉、问诊对话和医生诊断结果中抽取问诊单的特征信息，用事先训练好的智能推药模型推荐候选药品，推荐的药品考虑了患者的个人信息、主诉内容和诊断结果，与患者当前就诊场景更匹配，帮助医生提高了开药的针对性；同时由于推药方法在推荐候选药品时考虑了患者的年龄、性别、孕育、过敏、禁忌等情况，帮助医生避免开出与患者情况有冲突的药品，提高了医生开药的安全性。
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，本发明实施例中用药推荐方法的第一个实施例包括：
101、通过数据爬虫工具从多个医疗数据库中获取历史药方，并采用机器学习算法对历史药方进行药性和用药规则的学习，构建药品推荐模型；
该步骤中，具体可以通过数据爬虫工具从多个医疗数据库中获取医生的历史问诊数据，并从所述历史问诊数据中提取历史药方，构建推药数据集；
提取所述推药数据集中的药品以及药品对应的药品特征信息，生成训练集；
利用机器学习算法对所述训练集中的药品以及药品对应的药品特征信息进行深度学习，构建药品推荐模型。
在实际应用中，该药品推荐模型具体可以采用XGBOOST算法、神经网络深度学习算法来实现构建，具体的实现步骤包括：
首先通过诊断单的填写模板来提取药方，例如通过模板中规定的药方填写字段来识别历史问诊数据中诊断单的药方填写字段，基于药方填写字段与内容位置的对应关系来读取信息，生成历史药方；
然后，采用TextRank关键词提取算法提取药方中的关键词，例如药品名称以及药品中的用法和用量；在实际应用中，具体在提取药品名称时，还可以结合药品的知识图谱，基于知识图谱中记载的实体对历史药方中的药品名称的实体命名进行比对识别，从而提取出药品的名称；
进一步的，基于关键词提取算法提取历史药方对应的病种以及该病案的患者的发病症状，形成病症特征库；
构建病症特征库与药品之间的对应关系；
基于对应关系，利用机器学习算法对所述对应关系进行学习，得到药品推荐模型。
进一步的，在进行对应关系的学习时，具体包括：
将所述对应关系划分为训练数据集和验证数据集；
基于训练数据集，利用机器学习算法，如神经网络深度学习算法进行药品和用药规则的学习，得到药品推荐模型；
利用验证数据集对药品推荐模型进行验证，在验证通过后，输出最终的药品推荐模型；若不通过，则将训练数据集和验证数据集打乱，重新分配进行再次训练。
102、获取当前患者的问诊单，并提取问诊单中的诊断结果和问诊数据；
在该步骤中，该问诊单指的是患者在就医时由医生开具的疾病诊断回执单，而该问诊单中至少包括患者信息、问诊数据和诊断结果，而患者信息包括患者的性别、年龄、过敏史、禁忌和怀孕情况(女性患者)等信息，问诊数据为患者在就医时医生向用户询问的一些症状信息、患病历史，以及患者主动向医生陈述的发病信息等等。
在实际应用中，在获取问诊单时，具体是通过监控每个医生的开药界面上的操作信息和输入信息，并基于监控到的信息生成对应的问诊单，然后再对问诊单中的内容进行指定提取。
当然，在提取问诊单中的诊断结果和问诊数据时，除了上述提供的从问诊单中提取诊断结果和问诊数据的方式之外，还可以是通过对医生的开药页面进行监控提取，具体是通过监控特定项目上的信息，例如，只对诊断结果项目的位置上的输入框进行监控识别和对医生提问项目的位置上的输入框进行监控识别。
在实际应用中，对于问诊数据的提取，除了从问诊单中获取到之外，还可以是实时提取，具体是从医生与患者之间的对话来提取得到。
103、将诊断结果输入至药品推荐模型中进行药品匹配，生成候选药品列表；
在本实施例中，在进行药品匹配时，所述药品推荐模型根据输入的诊断结果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，然后再逐一计算所述查询的药品与所述诊断结果之间的匹配度，基于匹配度来选择匹配度大于预设百分比的药品作为药品推荐模型的数据结构，生成候选药品列表。
在实际应用中，在生成候选药品列表的同时还包括对选择的药品按照匹配度从大到小进行排序，以便于后续对药品的选择使用。
进一步的，该步骤在生成候选药品列表之后，还包括对候选药品列表中的每个药品的药性进行提取，并判断每个药性在使用过程的危险等级，然后根据危险等级进行标注，以便后续对药品的使用选择。
在实际应用中，由于药品存在多种药性，而每种药性都可能对应一种或者多种疾病的治疗使用，而所述危险等级的判定具体是根据当前的诊断结果来确定，也即是说根据具体的疾病来确定其化学反应对人体产生的影响程度，从而确定对应的危险等级。
104、根据问诊数据对候选药品列表中的药品进行排序筛选过滤，得到最终的药品推荐结果；
在实际应用中，该步骤可以通过提取问诊数据中的特征词组来匹配筛选实现，具体可以采用模型来实现筛选过滤，例如：使用药品匹配模型，药品匹配模型包括各种药品特征的映射关系，该映射关系可以但不限于为从各种药品的药名、药品编号、使用对象、用法、功能、用量和禁忌等信息中提取的药品特征词组成，通过映射关系可以唯一确定对应的药品。通过药品匹配模型可以实现特征词组与药品特征的特征匹配，其可以根据输入的特征词组进行药品匹配，输出匹配的药品。具体的，药品匹配模型可以为基于贝叶斯算法得到的朴素贝叶斯概率模型，其可以根据输入的特征词组统计各药品的概率，并输出概率最高的药品。
在另一实施例中，药品匹配模型也可以基于人工神经网络算法得到的药品匹配神经网络，药品匹配神经网络可以为多层架构，如可以按照特征词组的优先级划分进行神经网络层结构划分，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，各医院职能科室对应的药品匹配模型可能不同，此时，可以先查询与医院职能科室对应的药品匹配模型后，再将特征词组输入进行特征匹配，得到相应输出结果。
105、根据接收到的药品使用请求，从药品推荐结果中，选择满足患者的药品，并生成药方保存至问诊单中。
在本实施例中，将得到的药品推荐结果在医生的开药界面中的药方位置上展示出来，医生通过对展示出来的药品进行选择，基于选择的药品生成药方，并添加到问诊单中，以便于后续的药品打包。
在实际应用中，该步骤的药方还可以理解是处方药单，也可以是非处方药单，而处方药单是医生为患者开具的药品清单，为医生对当前患者用药的书面文件，是药剂人员调配药品的依据，处方推荐可以为作为医生开具处方时的参考，特别地，若处方推荐中药品清单合适，则可以直接作为处方。药品匹配模型根据输入的特征词组进行特征匹配后，输出的匹配结果中包括各种药品，根据该药品生成药品清单，得到处方推荐，具体的这里的推荐的处方可能存在多张，而在推荐给医生后，医生根据实际情况选择其中的一张，最后***自动保存至问诊单中进行记录。
通过对上述方法的实施例，通过获取医生对患者的诊断数据，将诊断数据输入到药品推荐模型中，由药品推荐模型基于诊断数据推荐针对性的药品给医生进行选择使用，这样的方式不仅实现了药品的自动推荐，还避免了医生由于对药品药性的错误记忆而导致无用药品的现象；
进一步的，推荐的药品可供医生开具处方时参考，使处方生成过程无需医生综合考虑多方面因素进行繁杂的操作，简化了医疗处方的生成过程，同时避免了因医生失误导致处方反复修改的问题，提高了处方的生成效率。
请参阅图2，本发明实施例中用药推荐方法的第二个实施例包括：
201、利用文字识别算法提取问诊单中所记载的患者信息、就诊科室、主诉信息、医生患者间的问诊对话内容和医生的诊断结果；
该步骤中，在使用文字识别算法进行识别时，具体可以通过获取问诊单的模板来实现，在模板中设置有多个字段信息，不同的字段信息设置对应的设置填写内容，如命名字段对应填写名字，身份字段对应填写身份证号，诊断内容字段对应填写的是诊断数据和问诊数据。
基于模板中的字段信息，利用文字识别算法识别出问诊单中的每个字段，然后根据字段与填写内容的对应位置关系，提取出问诊单中对应的字段的属性值，基于属性值确定患者信息、就诊科室、主诉信息、医生与患者之间的问诊对话内容和诊断结果。
在实际应用中，对于医生与患者之间的问诊对话内容和诊断结果具体可以是利用病症知识图谱来进行匹配识别，具体是提取对应字段信息上的其中多个关键特征，基于关键特征与疾病知识图谱中记载的实体进行配对识别，然后根据识别的结果，选择出对应的病症，并根据病症与字段信息对应的内容继续比对，从而得到最后的结果，例如问诊对话内容，首先从其中提取出几个关键特征后，从知识图谱中匹配出与几个关键特征组成的病种的所有病症，然后基于所有病症返回问诊对话内容进行全文匹配，从而得到有效的完整问诊对话内容。
202、按照预设的优先级划分条件，将所述患者信息、就诊科室、主诉信息、医生患者间的问诊对话内容和医生的诊断结果进行优先级划分，得到查询条件列表；
203、将查询条件列表中除了诊断结果之外的条件，按照优先级级别进行组合，得到特征词组；
在实际应用中，在提取问诊单中的条件信息是，具体可以基于TextRank关键词提取算法对问诊单中记载的信息进行病理特征词提取。例如，若问诊单中包括“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，通过从问诊中提取病理特征词，可以有效清除冗余、无用数据，以便确保后续药方生成的处理效率及准确度。
进一步的，在提取问诊单中的问诊数据，即是医生提问或者患者陈述的内容，例如“是否在本医院就医或者手术”、“是否存在过敏史或者有没有药物过敏”，通过TextRank关键词提取算法将其中的“本医院就医”、“手术”、“过敏史”和“过敏药”提取出来，甚至还包括患者信息、就诊科室、诊断医师等等关键词提取处理，按照预设的关键词对这些关键词进行排序组合得到特征词组。
204、将诊断结果输入至所述药品推荐模型中进行药品匹配，生成候选药品列表；
该步骤中，具体的所述药品推荐模型根据输入的诊断结果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，然后再逐一计算所述查询的药品与所述诊断结果之间的匹配度，基于匹配度来选择匹配度大于预设百分比的药品作为药品推荐模型的数据结构，生成候选药品列表。
205、根据特征词组中条件对候选药品列表进行筛选过滤，剔除药品不满足所述患者信息的药品，得到新药品序列；
在该步骤中，首先根据所述特征词组中的条件按照优先级对所述候选药品列表进行筛选过滤，具体是筛选掉其药品中对于诊断结果的匹配度不是很高的一部分，然后再对筛选后的候选药品按照患者信息来做进一步的剔除，剔除药理不满足患者使用药品，留下最后的药品形成新药品序列，这时的药品序列是以患者信息为最高优先级，特征词组中的条件为次优先级进行排序得到。
206、根据药品与问诊单的匹配情况对新药品序列中的每个药品进行打分排序，得到候选药品序列；
在实际应用中，所述匹配情况指的是药品的使用对象、用法、功能、用量和禁忌等信息与患者的具体信息的匹配程度，其中所述患者信息包括年龄、性别、孕育情况、过敏史和禁忌，通过比对新药品序列中的药品的使用对象、用法、功能、用量和禁忌与患者信息中的年龄、性别、孕育情况、过敏史和禁忌的匹配度是否满足预设阈值，将该匹配的情况输入到打分模型中进行推荐预测的评分，得到评分分值，基于评分分值对新药品序列进行排序，得到候选药品序列。
207、从候选药品序列中选择排序靠前的N个药品，得到药品推荐结果；
在实际应用中，在根据排序选择药品时，还包括检测每个药品的库存数量是否足够，若不足够，则排序下一位的药品进行补全，直到补全N个药品的数量，当然在选择N个药品的同时，除了考虑库存量之外，还包括判断该药品是否有特别的药理副作用，比如存在抗生素较高或者是止疼成分比较高，进一步的，还可以是根据优先选择中成药为主，西药次之的规则选择，最后输出满足上述所有条件的药品。
208、根据接收到的药品使用请求，从药品推荐结果中，选择满足患者的药品，并生成药方保存至问诊单中。
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，而模型匹配药品的范围是上述提供的药品推荐结果这个范围进行匹配。
通过对上述方法的实施，通过将诊断结果输入到药品推荐模型中进行药品的匹配，得到候选药品列表，基于候选药品列表结合问诊数据进行筛选，得到推荐药品，最后基于患者的实际情况来选择符合条件的药品，并保存在问诊单中，以供后续的使用查阅；这样的方式不仅实现了药品的自动推荐，还是避免了医生由于对药品药性的错误记忆而导致无用药品的现象，在开具药方时，医师根据问诊单中的推荐药品可以快速确定对应的治疗药方，从而提高了医师的诊断效率。
请参阅图3，本发明实施例中用药推荐方法的第三个实施例包括：
301、获取当前患者的问诊单，并提取问诊单中的诊断结果和问诊数据；
302、将诊断结果输入至所述药品推荐模型中进行药品匹配，生成候选药品列表；
303、根据患者信息从医院诊断***的诊断数据库中，查询对应的患者诊断历史记录；
304、根据诊断历史记录，确定患者的过敏史和禁忌信息；
在本实施例中，过敏源的筛选主要是保证开具药方的安全性和保证患者的生命安全，具体是通过历史诊断记录中查询。
具体地，通过识别诊断数据中是否存在在本医院就医的特征词来启动该诊断数据库查询就医历史的流程，若识别到诊断数据中存在在本医院就医的特征词时，则根据患者的身份证信息或者是医保卡信息从医院***的诊断数据库中查询出对应的就医历史记录，从就医历史记录中提取出医生的备注项的信息，基于该备注项的信息中确定对应的注意事项，即是过敏史和禁忌信息，甚至还可以是历史就医的诊断结果，基于该查询结果对候选药品序列做进一步的筛选。
305、根据特征词组中条件对所述候选药品列表进行筛选过滤，剔除药品不满足患者信息的药品，得到新药品序列；
306、根据过敏史和禁忌信息对新药品序列进行二次筛选过滤，得到第二药品序列；
307、利用预置的打分模型对第二药品序列中的每个药品的匹配度进行打分，并按照分数从高到低进行排序，得到候选药品序列；
具体地，从就医历史记录中提取病理特征词和从患者的个人档案信息中提取的档案特征词涉及的类别众多，各类别的特征词对于最终药方生成的影响权重并不同，如对于年龄未满18岁的未成年患者而言，针对成人的药物并不适用，此时患者的年龄对于药方药品的影响大，优先级高；又如对于性别为男的患者而言，则针对妇科疾病的药物也不适用，此时患者的性别优先级高；再如，患者病症部位为胃时，则针对大脑或肾等器官的药物也不适用作为对应的药方药品。本实施例中，将病理特征词和档案特征词进行优先级划分，可以区分出各类别特征词在药方生成时的所占权重，以提高药品匹配时的效率和准确度。
在其中一个实施例中，病理特征词还可以包括疾病部位、疾病名称和症状表现，档案特征词包括病患对象、过敏源和既往病史；将病理特征词和档案特征词进行优先级划分的步骤包括：将病患对象和过敏源划分为高优先级的特征词；将疾病部位和疾病名称划分为中优先级的特征词；将症状表现和既往病史划分为低优先级的特征词。
308、从所述候选药品序列中选择排序靠前的N个药品，得到药品推荐结果；
309、根据接收到的药品使用请求，从药品推荐结果中，选择满足患者的药品，并生成药方保存至问诊单中。
综上，本实施例的方法通过自动从医生历史用药数据中学习药品推荐模型；从患者个人信息、主诉、问诊对话内容、医生的诊断结果等问诊信息中抽取问诊单特征信息，用已训练的药品推荐模型为医生推荐候选药品；药品推荐过程考虑患者的性别、年龄、禁忌、怀孕等信息，避免推荐的药品与患者自身情况冲突；该药品推荐方法实现了药品的自动推荐，帮助医生提高了开方效率，同时还能够帮助医生避免由于对药品药性的错误记忆而导致的用药失误的情况，提高用药的准确率性和安全性。
在实际应用中，除了通过上述的方式来实现向医师推荐药品之外，还可以通过训练出模型的方式进行推荐，模型的方式更加能快速进行识别，请参阅图4，本发明实施例中用药推荐方法的第四个实施例包括：
401、通过数据爬虫工具从多个医疗数据库中获取医生的历史问诊数据，并从所述历史问诊数据中提取历史药方，构建推药数据集；
402、提取所述推药数据集中的药品以及药品对应的药品特征信息，生成训练集；
403、利用机器学习算法对所述训练集中的药品以及药品对应的药品特征信息进行深度学习，构建药品推荐模型；
在本实施例中，历史问诊数据可以医生的手写诊断单，也可以是利用该方法得到问诊单，具体是可以通过以下步骤实现：
步骤1，特征抽取：从问诊的患者信息(包含年龄，性别，孕育情况，过敏史，禁忌)、就诊科室、主诉内容、问诊对话内容、医生的诊断结果等信息中抽取问诊的特征；
步骤2，模型训练：模型的输入是问诊的特征，预测目标是针对目标问诊单的候选药品。模型训练模块的任务是用历史问诊单及其开药结果作为训练数据，采用机器学习算法训练构建预测候选药品的药品推荐模型；
进一步的，测试药品推荐模型是否达到指定上线条件，如果达到指定上线条件，上线得到的药品推荐模型；
然后，基于上线的药品推荐模型进行药品推荐：对给定的问诊数据，使用训练好的药品预测模型预测适合该问诊单的候选药品列表；具体的通过该收集输入问诊单的患者信息(包含年龄，性别，孕育情况，过敏史，禁忌)、就诊科室、主诉信息、医生患者间的问诊对话内容、医生的诊断结果等信息，使用步骤1的方法抽取问诊单的特征；然后将特诊输入到药品推荐模型中进行预测，得到预测结果。
进一步的，候选药品筛选及排序：根据问诊单中患者的年龄、性别、孕育情况、过敏史、禁忌等条件，筛选药品推荐模块推荐的候选药品，然后根据药品与问诊单的匹配情况对筛选后的候选药品打分排序；
最后，根据打分结果推送给医生进行药品的使用选择，并记录医生对推荐结果的使用情况。
404、获取当前患者的问诊单，并提取问诊单中的诊断结果和问诊数据；
405、将诊断结果输入至所述药品推荐模型中进行药品匹配，生成候选药品列表；
406、根据问诊数据对候选药品列表中的药品进行排序筛选过滤，得到最终的药品推荐结果；
407、根据接收到的药品使用请求，从药品推荐结果中，选择满足患者的药品，并生成药方保存至问诊单中；
408、随机抽取若干张问诊单，并提取每张问诊单中对药品推荐结果的使用情况；
409、若使用情况不满足预设的采纳率，读取所有未被采用药品推荐结果中的药品的问诊单，并基于问诊单对药品推荐模型进行重新训练，得到迭代优化后的药品推荐模型。
在本实施例中，对于药物的使用可能会根据患者阶段性的医疗会有不同的真多结果和药方的配比，对此为了实时适应药品的推荐，还包括：
随机抽取若干张所述问诊单，并提取每张所述问诊单中对所述药品推荐结果的使用情况；
若所述使用情况不满足预设的采纳率，读取所有未被采用药品推荐结果中的药品的问诊单，并基于所述问诊单对所述药品推荐模型进行重新训练，得到迭代优化后的药品推荐模型。
即是记录每次医生药品推荐模型推荐的药品的使用情况，如果医生没有采纳推荐结果，保存问诊单信息，当保存的未采纳的问诊单数量达到给定的条件时，重新执行阶段一进行模型训练，迭代优化药品推荐模型。
通过上述方案的实施，在医生开药过程中，能够根据患者的个人信息、主诉内容、医生患者的问诊对话内容、医生的诊断结果等信息自动为医生推荐适合患者当前用药需求候选药品；本方法通过为医生推荐候选药品，帮助医生减少药品查询过程消耗的时间，提高医生开药的效率；该方法在推荐药品时，从患者个人信息、患者主诉、问诊对话和医生诊断结果中抽取问诊单的特征信息，用事先训练好的智能推药模型推荐候选药品，推荐的药品考虑了患者的个人信息、主诉内容和诊断结果，与患者当前就诊场景更匹配，帮助医生提高了开药的针对性；同时由于推药方法在推荐候选药品时考虑了患者的年龄、性别、孕育、过敏、禁忌等情况，帮助医生避免开出与患者情况有冲突的药品，提高了医生开药的安全性。
上面对本发明实施例中用药推荐方法进行了描述，下面对本发明实施例中用药推荐装置进行描述，请参阅图5，本发明实施例中用药推荐装置的第一个实施例包括：
训练模块501，用于通过数据爬虫工具从多个医疗数据库中获取历史药方，并采用机器学习算法对所述历史药方进行药性和用药规则的学习，构建药品推荐模型；
提取模块502，用于获取当前患者的问诊单，并提取所述问诊单中的诊断结果和问诊数据；
匹配模块503，用于将所述诊断结果输入至所述药品推荐模型中进行药品匹配，生成候选药品列表；
筛选模块504，用于根据所述问诊数据对所述候选药品列表中的药品进行排序筛选过滤，得到最终的药品推荐结果；
推荐模块505，用于根据接收到的药品使用请求，从所述药品推荐结果中，选择满足患者的药品，并生成药方保存至所述问诊单中。
在本实施例中，所述用药推荐装置运行上述用药推荐方法，该方法通过将诊断结果输入到药品推荐模型中进行药品的匹配，得到候选药品列表，基于候选药品列表结合问诊数据进行筛选，得到推荐药品，最后基于患者的实际情况来选择符合条件的药品，并保存在问诊单中，以供后续的使用查阅；这样的方式不仅实现了药品的自动推荐，还是避免了医生由于对药品药性的错误记忆而导致无用药品的现象，在开具药方时，医师根据问诊单中的推荐药品可以快速确定对应的治疗药方，从而提高了医师的诊断效率。
请参阅图6，本发明实施例中用药推荐装置的第二个实施例，该用药推荐装置具体包括：
训练模块501，用于通过数据爬虫工具从多个医疗数据库中获取历史药方，并采用机器学习算法对所述历史药方进行药性和用药规则的学习，构建药品推荐模型；
提取模块502，用于获取当前患者的问诊单，并提取所述问诊单中的诊断结果和问诊数据；
匹配模块503，用于将所述诊断结果输入至所述药品推荐模型中进行药品匹配，生成候选药品列表；
筛选模块504，用于根据所述问诊数据对所述候选药品列表中的药品进行排序筛选过滤，得到最终的药品推荐结果；
推荐模块505，用于根据接收到的药品使用请求，从所述药品推荐结果中，选择满足患者的药品，并生成药方保存至所述问诊单中。
可选地，所述提取模块502包括：
识别单元5021，用于利用文字识别算法提取所述问诊单中所记载的患者信息、就诊科室、主诉信息、医生患者间的问诊对话内容和医生的诊断结果；
配置单元5022，用于按照预设的优先级划分条件，将所述患者信息、就诊科室、主诉信息、医生患者间的问诊对话内容和医生的诊断结果进行优先级划分，得到查询条件列表；
组合单元5023，用于将所述查询条件列表中除了所述诊断结果之外的条件，按照优先级级别进行组合，得到所述特征词组。
可选地，所述筛选模块504包括：
过滤单元5041，用于根据所述特征词组中条件对所述候选药品列表进行筛选过滤，剔除药品不满足所述患者信息的药品，得到新药品序列；
排序单元5042，用于根据药品与问诊单的匹配情况对所述新药品序列中的每个药品进行打分排序，得到候选药品序列；
选择单元5043，用于从所述候选药品序列中选择排序靠前的N个药品，得到药品推荐结果。
其中，所述用药推荐装置还包括查询模块506，其具体用于：
根据所述患者信息从医院诊断***的诊断数据库中，查询对应的患者诊断历史记录；
根据所述诊断历史记录，确定所述患者的过敏史和禁忌信息。
可选地，所述排序单元5042具体用于：
根据所述过敏史和禁忌信息对所述新药品序列进行二次筛选过滤，得到第二药品序列；
利用预置的打分模型对所述第二药品序列中的每个药品的匹配度进行打分，并按照分数从高到低进行排序，得到候选药品序列。
在本实施例中，所述训练模块501，其具体用于：
通过数据爬虫工具从多个医疗数据库中获取医生的历史问诊数据，并从所述历史问诊数据中提取历史药方，构建推药数据集；
提取所述推药数据集中的药品以及药品对应的药品特征信息，生成训练集；
利用机器学习算法对所述训练集中的药品以及药品对应的药品特征信息进行深度学习，构建药品推荐模型。
在本实施例中，所述用药推荐装置还包括优化模块507，其具体用于：
随机抽取若干张所述问诊单，并提取每张所述问诊单中对所述药品推荐结果的使用情况；
若所述使用情况不满足预设的采纳率，读取所有未被采用药品推荐结果中的药品的问诊单，并基于所述问诊单对所述药品推荐模型进行重新训练，得到迭代优化后的药品推荐模型。
上面图5和图6从模块化功能实体的角度对本发明实施例中的用药推荐装置进行详细描述，下面从硬件处理的角度对本发明实施例中用药推荐设备进行详细描述，而用药推荐装置可以插件的形式设置与所述用药推荐设备实现为医师在诊断完成后，为医师快速提供相关药品的推荐。
图7是本发明实施例提供的一种用药推荐设备的结构示意图，该用药推荐设备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(centralprocessing 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用药推荐设备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，在用药推荐设备600上执行存储介质630中的一系列指令操作,以实现上述用药推荐方法的步骤。
用药推荐设备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7示出的用药推荐设备结构并不构成对本申请提供的用药推荐设备的限定，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用药推荐方法的步骤。
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 (8)

1.一种用药推荐方法，其特征在于，所述用药推荐方法包括：
通过数据爬虫工具从多个医疗数据库中获取历史药方，并采用机器学习算法对所述历史药方进行药性和用药规则的学习，构建药品推荐模型；其中，所述通过数据爬虫工具从多个医疗数据库中获取历史药方，并采用机器学习算法对所述历史药方进行药性和用药规则的学习，构建药品推荐模型包括：通过数据爬虫工具从多个医疗数据库中获取医生的历史问诊数据，并从所述历史问诊数据中提取历史药方，基于关键词提取算法提取历史药方对应的病种以及该病种 的患者的发病症状，形成病症特征库；构建病症特征库与药品之间的对应关系；基于对应关系，利用机器学习算法对所述对应关系进行学习，得到药品推荐模型；
获取当前患者的问诊单，并提取所述问诊单中的诊断结果和问诊数据；
将所述诊断结果输入至所述药品推荐模型中进行药品匹配，生成候选药品列表；
根据所述问诊数据对所述候选药品列表中的药品进行排序筛选过滤，得到最终的药品推荐结果；
根据接收到的药品使用请求，从所述药品推荐结果中，选择满足患者的药品，并生成药方保存至所述问诊单中；
随机抽取若干张所述问诊单，并提取每张所述问诊单中对所述药品推荐结果的使用情况；
若所述使用情况不满足预设的采纳率，读取所有未被采用药品推荐结果中的药品的问诊单，并基于所述问诊单对所述药品推荐模型进行重新训练，得到迭代优化后的药品推荐模型。
2.根据权利要求1所述的用药推荐方法，其特征在于，所述提取所述问诊单中的诊断结果和问诊数据包括：
利用文字识别算法提取所述问诊单中所记载的患者信息、就诊科室、主诉信息、医生患者间的问诊对话内容和医生的诊断结果；
按照预设的优先级划分条件，将所述患者信息、就诊科室、主诉信息、医生患者间的问诊对话内容和医生的诊断结果进行优先级划分，得到查询条件列表；
将所述查询条件列表中除了所述诊断结果之外的条件，按照优先级级别进行组合，得到特征词组。
3.根据权利要求2所述的用药推荐方法，其特征在于，所述根据所述问诊数据对所述候选药品列表中的药品进行排序筛选过滤，得到最终的药品推荐结果包括：
根据所述特征词组中条件对所述候选药品列表进行筛选过滤，剔除药品不满足所述患者信息的药品，得到新药品序列；
根据药品与问诊单的匹配情况对所述新药品序列中的每个药品进行打分排序，得到候选药品序列；
从所述候选药品序列中选择排序靠前的N个药品，得到药品推荐结果。
4.根据权利要求3所述的用药推荐方法，其特征在于，在所述按照预设的优先级划分条件，将所述患者信息、就诊科室、主诉信息、医生患者间的问诊对话内容和医生的诊断结果进行优先级划分，得到查询条件列表之前，还包括：
根据所述患者信息从医院诊断***的诊断数据库中，查询对应的患者诊断历史记录；
根据所述诊断历史记录，确定所述患者的过敏史和禁忌信息。
5.根据权利要求4所述的用药推荐方法，其特征在于，所述根据药品与问诊单的匹配情况对所述新药品序列中的每个药品进行打分排序，得到候选药品序列包括：
根据所述过敏史和禁忌信息对所述新药品序列进行二次筛选过滤，得到第二药品序列；
利用预置的打分模型对所述第二药品序列中的每个药品的匹配度进行打分，并按照分数从高到低进行排序，得到候选药品序列。
6.一种用药推荐装置，其特征在于，所述用药推荐装置包括：
训练模块，用于通过数据爬虫工具从多个医疗数据库中获取历史药方，并采用机器学习算法对所述历史药方进行药性和用药规则的学习，构建药品推荐模型；其中，所述通过数据爬虫工具从多个医疗数据库中获取历史药方，并采用机器学习算法对所述历史药方进行药性和用药规则的学习，构建药品推荐模型包括：通过数据爬虫工具从多个医疗数据库中获取医生的历史问诊数据，并从所述历史问诊数据中提取历史药方，基于关键词提取算法提取历史药方对应的病种以及该病 种 的患者的发病症状，形成病症特征库；构建病症特征库与药品之间的对应关系；基于对应关系，利用机器学习算法对所述对应关系进行学习，得到药品推荐模型；
提取模块，用于获取当前患者的问诊单，并提取所述问诊单中的诊断结果和问诊数据；
匹配模块，用于将所述诊断结果输入至所述药品推荐模型中进行药品匹配，生成候选药品列表；
筛选模块，用于根据所述问诊数据对所述候选药品列表中的药品进行排序筛选过滤，得到最终的药品推荐结果；
推荐模块，用于根据接收到的药品使用请求，从所述药品推荐结果中，选择满足患者的药品，并生成药方保存至所述问诊单中；
优化模块，用于随机抽取若干张所述问诊单，并提取每张所述问诊单中对所述药品推荐结果的使用情况；若所述使用情况不满足预设的采纳率，读取所有未被采用药品推荐结果中的药品的问诊单，并基于所述问诊单对所述药品推荐模型进行重新训练，得到迭代优化后的药品推荐模型。
7.一种用药推荐设备，其特征在于，所述用药推荐设备包括：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，以使得所述用药推荐控设备执行如权利要求1-5中任一项所述的用药推荐方法。
8.一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1-5中任一项所述的用药推荐方法。
CN202010896613.3A 2020-08-31 2020-08-31 用药推荐方法、装置、设备及存储介质 Active CN112037880B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010896613.3A CN112037880B (zh) 2020-08-31 2020-08-31 用药推荐方法、装置、设备及存储介质
PCT/CN2021/084656 WO2022041729A1 (zh) 2020-08-31 2021-03-31 用药推荐方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010896613.3A CN112037880B (zh) 2020-08-31 2020-08-31 用药推荐方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112037880A CN112037880A (zh) 2020-12-04
CN112037880B true CN112037880B (zh) 2022-07-15

Family

ID=73586007

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010896613.3A Active CN112037880B (zh) 2020-08-31 2020-08-31 用药推荐方法、装置、设备及存储介质

Country Status (2)

Country Link
CN (1) CN112037880B (zh)
WO (1) WO2022041729A1 (zh)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112037880B (zh) * 2020-08-31 2022-07-15 康键信息技术（深圳）有限公司 用药推荐方法、装置、设备及存储介质
CN112568879B (zh) * 2020-12-09 2023-07-28 中国人民解放军海军军医大学第一附属医院 血流动力学监测及用药指导***
CN114765075A (zh) * 2021-01-13 2022-07-19 京东方科技集团股份有限公司 药品推荐方法、装置及***、电子设备及存储介质
TWI780608B (zh) * 2021-02-26 2022-10-11 華碩電腦股份有限公司 藥物推薦系統與方法
CN112802575B (zh) * 2021-04-10 2021-09-03 浙江大学 基于图形状态机的用药决策支持方法、装置、设备、介质
CN113241194B (zh) * 2021-04-30 2022-09-09 上海市儿童医院 一种智能医疗问答的方法、***、终端以及存储介质
CN113284577B (zh) * 2021-05-24 2023-08-11 康键信息技术（深圳）有限公司 药品预测方法、装置、设备及存储介质
CN113257383B (zh) * 2021-06-16 2021-11-02 腾讯科技（深圳）有限公司 匹配信息确定方法、显示方法、装置、设备及存储介质
CN113436746B (zh) * 2021-06-30 2024-04-12 平安科技（深圳）有限公司 基于排序算法的用药推荐方法、装置、设备及存储介质
CN113628717B (zh) * 2021-08-11 2024-02-09 广东省第二人民医院（广东省卫生应急医院） 医用品管理数据计算方法及装置
CN113782144A (zh) * 2021-09-10 2021-12-10 江西中医药大学 一种中药制剂推荐定制方法、电子设备及存储介质
CN114038550A (zh) * 2021-09-26 2022-02-11 武汉联影医疗科技有限公司 扫描方案确定方法、装置、计算机设备和存储介质
CN114300127A (zh) * 2021-12-30 2022-04-08 北京京东拓先科技有限公司 问诊处理方法、装置、设备及存储介质
CN114595380B (zh) * 2022-02-14 2024-03-26 北京三快在线科技有限公司 药品推荐方法、装置、电子设备及存储介质
CN114661995A (zh) * 2022-03-28 2022-06-24 北京泽桥医疗科技股份有限公司 一种医疗信息的智能检索推荐方法
CN115171836B (zh) * 2022-09-07 2023-03-10 南京诺源医疗器械有限公司 适用于医疗信息的数据处理方法及***
CN116741407B (zh) * 2023-05-30 2024-02-20 广东省中医院（广州中医药大学第二附属医院、广州中医药大学第二临床医学院、广东省中医药科学院） 用于中药选用的方法、***及存储介质
CN116701561B (zh) * 2023-06-09 2024-04-26 读书郎教育科技有限公司 与词典笔匹配的学习资源搜集方法及其***
CN116453646A (zh) * 2023-06-15 2023-07-18 山东志诚普惠健康科技有限公司 一种基于医疗信息***的自动化处方填写方法和装置
CN116612852B (zh) * 2023-07-20 2023-10-31 青岛美迪康数字工程有限公司 一种实现药物推荐的方法、装置和计算机设备

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190259482A1 (en) * 2018-02-20 2019-08-22 Mediedu Oy System and method of determining a prescription for a patient
CN108766561B (zh) * 2018-05-31 2023-12-08 平安医疗科技有限公司 病症信息处理方法、装置、计算机设备和存储介质
CN108986879B (zh) * 2018-05-31 2024-04-05 平安医疗科技有限公司 药品推荐方法、装置、计算机设备和存储介质
CN108899070B (zh) * 2018-05-31 2024-02-02 平安医疗科技有限公司 处方推荐生成方法、装置、计算机设备和存储介质
CN110289068A (zh) * 2019-06-20 2019-09-27 北京百度网讯科技有限公司 药品推荐方法及设备
CN111191020B (zh) * 2019-12-27 2023-09-22 江苏省人民医院（南京医科大学第一附属医院） 基于机器学习和知识图谱的处方推荐方法和***
CN112037880B (zh) * 2020-08-31 2022-07-15 康键信息技术（深圳）有限公司 用药推荐方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN112037880A (zh) 2020-12-04
WO2022041729A1 (zh) 2022-03-03

Similar Documents

Publication Publication Date Title
CN112037880B (zh) 用药推荐方法、装置、设备及存储介质
CN111986770B (zh) 药方用药审核方法、装置、设备及存储介质
CN111191020B (zh) 基于机器学习和知识图谱的处方推荐方法和***
US20200381087A1 (en) Systems and methods of clinical trial evaluation
US10818397B2 (en) Clinical content analytics engine
Huang et al. Integrating data mining with case-based reasoning for chronic diseases prognosis and diagnosis
US20180011980A1 (en) Differential medical diagnosis apparatus adapted in order to determine an optimal sequence of diagnostic tests for identifying a pathology by adopting diagnostic appropriateness criteria
US10936962B1 (en) Methods and systems for confirming an advisory interaction with an artificial intelligence platform
CN115565670A (zh) 用于医疗诊断的方法
US20210391075A1 (en) Medical Literature Recommender Based on Patient Health Information and User Feedback
Markatou et al. Case-based reasoning in comparative effectiveness research
Ahmad Mining health data for breast cancer diagnosis using machine learning
Rijo et al. Decision Support System to Diagnosis and Classification of Epilepsy in Children.
John et al. Medication recommendation system based on clinical documents
Khaleghi et al. A tree based approach for multi-class classification of surgical procedures using structured and unstructured data
Prabhakar et al. Neural language modeling of unstructured clinical notes for automated patient phenotyping
Kakulapati et al. Machine learning analysis of topic modeling re-ranking of clinical records
Huang et al. Temporal sequence alignment in electronic health records for computable patient representation
Coelho et al. Automated Identification of Fall-Related Injuries in Unstructured Clinical Notes
US20240054139A1 (en) Systems and methods for multi-dimensional ranking of experts
US20230197220A1 (en) Systems and methods for model-assisted data processing to predict biomarker status and testing dates
Chiarini-Tremblay et al. Utilizing text mining techniques to identify fall related injuries
Johnson Addressing Highly Imbalanced Big Data Challenges for Medicare Fraud Classification
Haboubi et al. Similarity of patients in predictive models using medical data: case of auto-prescription drugs for diabetic patients
Fartaj Using Natural Language Processing and Machine Learning to Analyze Admission Criteria of a General Internal Medicine Short Stay Unit

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
GR01 Patent grant
GR01 Patent grant