CN113314195A - 一种针对慢病的阶段性动态用药匹配*** - Google Patents
一种针对慢病的阶段性动态用药匹配*** Download PDFInfo
- Publication number
- CN113314195A CN113314195A CN202110589875.XA CN202110589875A CN113314195A CN 113314195 A CN113314195 A CN 113314195A CN 202110589875 A CN202110589875 A CN 202110589875A CN 113314195 A CN113314195 A CN 113314195A
- Authority
- CN
- China
- Prior art keywords
- patient
- medication
- relation
- drug
- graph
- 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.)
- Granted
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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Medicinal Chemistry (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Toxicology (AREA)
- Pharmacology & Pharmacy (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Medical Preparation Storing Or Oral Administration Devices (AREA)
Abstract
本发明通过信息技术领域的方法,实现了一种针对慢病的阶段性动态用药匹配***。***整体结构分为三部分:患者指标编码单元、患者指标编码与药物关系图融合单元、计算输出单元,并采用神经网络方法进行训练后实现;患者指标编码单元应用自注意力机制将其形成患者指标编码,接着利用图卷积神经网络方法将电子健康记录图、药物间相互作用图、药物间序列关系图进行预处理得到药物关系图,结合上两部分的输出结果,将患者指标编码与药物关系图进行融合,将生成结果与患者当前的用药输出至所述计算输出单元运算后,得到最终的当前用药对患者状态的匹配程度。本发明结合病人的编码、历史用药信息以及药物的相关性图,最终形成指标对应下的用药匹配***。
Description
技术领域
本发明涉及信息技术领域,尤其涉及一种针对慢病的阶段性动态用药匹配***。
背景技术
慢性病是对通过长期积累形成且治疗周期长的疾病的总称。据一项统计调查显示,在我国,因慢性病死亡的人数占总死亡人数的80%以上,慢性病防控形势严峻复杂。慢性病的治疗需要根据病人的基本体征、药物间的相互作用等信息,此外,慢性病患者通常有治疗周期长,病情随时间变化的特点,因此医生需要根据病人的病情变化长期来动态调整用药方案。近年来,随着人工智能技术的不断发展,越来越多的为医生提供用药辅助的决策***应运而生。对于医院及医生而言,用药辅助***能够充分利用病人的电子病历,结合病人的就诊记录和各项化验指标,学***差距,促进国家医疗水平整体的提升。然而,当前很多用药***仍存在一些局限性:
1.缺乏针对患者状态的动态调整机制,无法根据病人的动态指标等信息进行阶段性用药选择。例如,只根据当前病症数据以及化验信息通过机器学习模型进行用药选择,缺少对病人历史数据的建模,不适用于慢性病长期用药的场景。
2.缺乏关于药物间相互作用对病人治疗效果及安全性的考虑。多数用药决策***只关注了从输入病人的相关数据到输出用药建议列表的这一过程,而没有关注药物间相互作用的影响。部分药物同时使用可能会降低疗效,甚至可能产生冲突,对病人健康造成不良影响。
3.缺乏对慢性病患者的长期状态跟踪,目前很多的用药辅助***只关注患者短期内或者当前的状态,而慢性病患者的治疗周期长,病情随着时间发生变化,当前的患者治疗方案会依赖于患者的历史状态与治疗情况,因此对于用药决策***需要对慢性病患者长期的病情变化来提供治疗决策。
神经网络常微分方程(Neural ODE)通过将含有隐藏状态的神经网络的训练问题转化为常微分方程的求解问题,实现了对诸如时间序列等的动态信息的编码。使用神经网络常微分方程可以实现对病人的动态信息进行表征,从而实现针对慢性病治疗的阶段性动态用药决策***。
注意力机制(Attention Mechanism)是一种表征学习的方法,其通过对输入序列的不同部分赋予不同的注意力权重,从输入中提取重要信息,实现对输入的编码。通过注意力机制,我们对病人的信息进行表征,由此进行计算患者用药是否匹配患者当前的状态,提高模型的可迁移性和可扩展性。
如上所述,为了医生就行用药,改善患者的就医体验,并克服目前用药***的一些局限性,我们提出一种针对慢病治疗的阶段性用药匹配***。
发明内容
为此,本发明首先提出一种针对慢病的阶段性动态用药匹配***,***用于学习医生历史的用药策略,进而帮助医生检查用药的合规性、安全性和策略性是否符合历史的经验,规避用药冲突或新型用药组合导致的风险。本发明所述
***整体结构分为三部分:患者指标与用药历史编码单元、患者指标编码与药物关系图融合单元、计算输出单元,并采用神经网络方法进行训练后实现;所述患者指标与用药历史编码单元接收患者的静态指标、动态指标和历史用药记录,应用自注意力机制将其形成患者指标编码输入所述患者指标编码与药物关系图融合单元经过计算后输出根据医生历史用药计算出的用药组合,所述患者指标编码与药物关系图融合单元包括药物关系图处理和患者指标融合两个子模块,利用图卷积神经网络方法将无向的电子健康记录图无向的药物间相互作用图和有向的药物间序列关系图进行预先计算,应用于药物关系处理,节点集合εe,εd,εs均为由已知关系构造的边集合;
所述计算输出单元接收医生实际处方,并将所述患者指标编码与药物关系图融合单元的输出结果与患者当前用药进行运算后,得到根据医生历史用药经验而得出的最佳安全用药组合,进而与医生实际处方进行匹配计算出匹配程度。
所述应用自注意力机制将其形成患者指标编码的具体方法为:所述静态指标定义为: 为静态指标编码的集合的大小,动态指标定义为 为动态指标编码的集合的大小,用药历史定义为 为患者用药的集合的大小,首先分别通过一个编码网络进行编码,记使用的编码网络的权重矩阵分别为则编码后的结果分别为Ed,
然后,对于动态指标,使用Neural ODE模型进行编码,得到
对于患者用药历史,使用自注意力机制进行编码,得到
接下来,对Ed和Es进行拼接,对其应用注意力机制:
dk=dim([Ed,Es])=2d,将其结果记为Ep,则Ep即为患者指标编码。
所述预处理方法为:电子健康记录图、药物间相互作用图、药物间序列关系图的邻接矩阵分别定义为对于Ae,首先构造一个二部图,药物在一侧,药物的组合在另一侧,如果某项药物存在于药物组合中,那么从该药物对应的节点到药物组合对应的节点存在一条边,记该二部图的邻接矩阵为l为该二部图中药物组合的数量,则有对于Ad,只考虑两两药物间的关系,定义第i种药物和第j种药物存在相互作用,则令Ad[i,j]=1,As为有向图的邻接矩阵,表示药物之间的顺序关系,通过学习药物之间的序列关系来解决用药的动态策略问题,
在得到三个关系矩阵后,需要对起进行对称归一化操作,以满足拉普拉斯矩阵的条件,经过处理后的矩阵再经过两层的图卷积网络处理,最后将其加权求和,即得到药物关系图处理模块的输出值Eg。
所述患者指标编码与药物关系图融合的实现方式为:输入所述患者指标编码Ep并结合药物关系处理的输出值。
所述计算输出单元的所述运算过程为:
训练过程中采用使用损失函数
本发明所要实现的技术效果在于:
与传统的用药***的相比,慢病阶段性动态用药匹配的方法具有以下优势:
1.通过结合病人的编码、历史用药信息以及药物的相关性图,为医生提供阶段性动态用药参考。
2.通过***学习药物之间的相关性,构建药物的相关性图,并利用药物相关性图选择最佳组合,并避免药物冲突;
3.使用神经网络常微分方程对病人的动态指标进行编码,能够获取病人一段时间内各项指标的变化情况的提取;
4.通过使用注意力机制对病人的静态指标和动态指标编码进行整合,实现对慢性病病人阶段性病情的表征,通过表征学习的方法提高用药***的可迁移性和可扩展性;
附图说明
图1模型模块关系示意图;
图2患者指标编码过程图;
图3患者指标编码与药物关系图融合过程图;
图4模型整体框架图;
具体实施方式
以下是本发明的优选实施例并结合附图,对本发明的技术方案作进一步的描述,但本发明并不限于此实施例。
本发明提出了一种针对慢病的阶段性动态用药匹配***,***整体结构分为三部分,分别为患者指标与用药历史编码单元、患者状态编码与药物关系图融合单元、计算输出单元,如图1所示。
(1)患者指标的编码
本发明的问题设定中,患者指标分为静态指标和动态指标。
然后,对于动态指标,使用Neural ODE模型进行编码,得到:
对于患者用药历史,使用自注意力机制进行编码,得到:
接下来,对Ed和Es进行拼接,对其应用注意力机制:
dk=dim([Ed,Es])=2d,将其结果记为Ep,则Ep即为患者指标编码。患者指标编码过程如图2所示。
(2)患者指标编码与药物关系图的融合
该部分包括两个子模块,分别为药物关系图处理和患者指标编码融合两个模块。其中,药物关系图处理通过图卷积网络来处理得到的三个药物关系图的表征。设处理后药物关系图为Eg。首先对三个药物关系图的邻接矩阵Ae,Ad,As按照图卷积网络的要求进行预处理,即对其进行对称归一化操作,以满足拉普拉斯矩阵的条件,经过处理后的矩阵再经过两层的图卷积网络处理,最后将其加权求和,即得到记忆存储输出值Eg。
患者指标编码融合模块使用注意力机制方式来将患者指标编码与药物关系图进行融合,输入所述患者指标编码Ep并结合药物关系处理的输出值。
(3)输出用药匹配程度
(4)模型的训练
首先,可以将用药匹配问题视作多标签预测问题。在多标签预测问题中常使用的两类损失函数(loss function)为二值交叉熵损失(binary cross entropy loss)和多标签边缘损失(multi-label margin loss),分别定义为
所述训练过程最终采用的损失函数是上述两种损失函数的加权:
Claims (6)
1.一种针对慢病的阶段性动态用药匹配***,其特征在于:***整体结构分为三部分:患者指标与用药历史编码单元、患者指标编码与药物关系图融合单元、计算输出单元,并采用神经网络方法进行训练后实现;所述患者指标与用药历史编码单元接收患者的静态指标、动态指标和历史用药记录,应用自注意力机制将其形成患者指标编码输入所述患者指标编码与药物关系图融合单元经过计算后输出根据医生历史用药计算出的用药组合,所述患者指标编码与药物关系图融合单元包括药物关系图处理和患者指标融合两个子模块,利用图卷积神经网络方法将无向的电子健康记录图无向的药物间相互作用图 和有向的药物间序列关系图进行预先计算,应用于药物关系处理,节点集合εe,εd,εs均为由已知关系构造的边集合;
所述计算输出单元接收医生实际处方,并将所述患者指标编码与药物关系图融合单元的输出结果与患者当前用药进行运算后,得到根据医生历史用药经验而得出的最佳安全用药组合,进而与医生实际处方进行匹配计算出匹配程度。
2.如权利要求1所述的一种针对慢病的阶段性动态用药匹配***,其特征在于:所述应用自注意力机制将其形成患者指标编码的具体方法为:所述静态指标定义为: 为静态指标编码的集合的大小,动态指标定义为 为动态指标编码的集合的大小,用药历史定义为 为患者用药的集合的大小,首先分别通过一个编码网络进行编码,记使用的编码网络的权重矩阵分别为则编码后的结果分别为Ed,
然后,对于动态指标,使用Neural ODE模型进行编码,得到
对于患者用药历史,使用自注意力机制进行编码,得到
接下来,对Ed和Es进行拼接,对其应用注意力机制:
dk=dim([Ed,Es])=2d,将其结果记为Ep,则Ep即为患者指标编码。
3.如权利要求2所述的一种针对慢病的阶段性动态用药匹配***,其特征在于:所述预处理方法为:电子健康记录图、药物间相互作用图、药物间序列关系图的邻接矩阵分别定义为对于Ae,首先构造一个二部图,药物在一侧,药物的组合在另一侧,如果某项药物存在于药物组合中,那么从该药物对应的节点到药物组合对应的节点存在一条边,记该二部图的邻接矩阵为l为该二部图中药物组合的数量,则有对于Ad,只考虑两两药物间的关系,定义第i种药物和第j种药物存在相互作用,则令Ad[i,j]=1,As为有向图的邻接矩阵,表示药物之间的顺序关系,通过学习药物之间的序列关系来解决用药的动态策略问题,
在得到三个关系矩阵后,需要对起进行对称归一化操作,以满足拉普拉斯矩阵的条件,经过处理后的矩阵再经过两层的图卷积网络处理,最后将其加权求和,即得到药物关系图处理模块的输出值Eg。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110589875.XA CN113314195B (zh) | 2021-05-28 | 2021-05-28 | 一种针对慢病的阶段性动态用药匹配*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110589875.XA CN113314195B (zh) | 2021-05-28 | 2021-05-28 | 一种针对慢病的阶段性动态用药匹配*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113314195A true CN113314195A (zh) | 2021-08-27 |
CN113314195B CN113314195B (zh) | 2022-05-17 |
Family
ID=77375995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110589875.XA Active CN113314195B (zh) | 2021-05-28 | 2021-05-28 | 一种针对慢病的阶段性动态用药匹配*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113314195B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116013495A (zh) * | 2022-12-08 | 2023-04-25 | 广州视声健康科技有限公司 | 一种基于智慧病房的数据监控方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111192693A (zh) * | 2019-12-19 | 2020-05-22 | 山东大学 | 一种基于药物组合进行诊断编码纠正的方法及*** |
US20200242189A1 (en) * | 2019-01-29 | 2020-07-30 | Hewlett Packard Enterprise Development Lp | Generation of executable files corresponding to neural network models |
CN111798954A (zh) * | 2020-06-11 | 2020-10-20 | 西北工业大学 | 基于时间注意力机制和图卷积网络的药物组合推荐方法 |
CN111968715A (zh) * | 2020-06-30 | 2020-11-20 | 厦门大学 | 一种基于病历数据和药物相互作用风险的药物推荐建模方法 |
-
2021
- 2021-05-28 CN CN202110589875.XA patent/CN113314195B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200242189A1 (en) * | 2019-01-29 | 2020-07-30 | Hewlett Packard Enterprise Development Lp | Generation of executable files corresponding to neural network models |
CN111192693A (zh) * | 2019-12-19 | 2020-05-22 | 山东大学 | 一种基于药物组合进行诊断编码纠正的方法及*** |
CN111798954A (zh) * | 2020-06-11 | 2020-10-20 | 西北工业大学 | 基于时间注意力机制和图卷积网络的药物组合推荐方法 |
CN111968715A (zh) * | 2020-06-30 | 2020-11-20 | 厦门大学 | 一种基于病历数据和药物相互作用风险的药物推荐建模方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116013495A (zh) * | 2022-12-08 | 2023-04-25 | 广州视声健康科技有限公司 | 一种基于智慧病房的数据监控方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113314195B (zh) | 2022-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kannadasan et al. | Type 2 diabetes data classification using stacked autoencoders in deep neural networks | |
Kaul et al. | Deep learning in healthcare | |
US20190102670A1 (en) | Secure Broker-Mediated Data Analysis and Prediction | |
Sharma et al. | Prediction of diabetes disease using machine learning model | |
CN111798954A (zh) | 基于时间注意力机制和图卷积网络的药物组合推荐方法 | |
Mulani et al. | Deep reinforcement learning based personalized health recommendations | |
Wang et al. | Personalized prescription for comorbidity | |
Woodman et al. | A comprehensive review of machine learning algorithms and their application in geriatric medicine: present and future | |
CN112182168B (zh) | 病历文本分析方法、装置、电子设备及存储介质 | |
CN113674858A (zh) | 在线医疗处方用药智能检查方法、装置、设备及存储介质 | |
CN113314195B (zh) | 一种针对慢病的阶段性动态用药匹配*** | |
Ferri et al. | Deep ensemble multitask classification of emergency medical call incidents combining multimodal data improves emergency medical dispatch | |
Ursino et al. | Development of a Bayesian estimator for audio-visual integration: a neurocomputational study | |
CN114783603A (zh) | 基于多源图神经网络融合的患病风险预测方法及*** | |
Guo et al. | Learning dynamic treatment strategies for coronary heart diseases by artificial intelligence: real-world data-driven study | |
Maheshwari et al. | A comprehensive evaluation for the prediction of mortality in intensive care units with LSTM networks: patients with cardiovascular disease | |
Ellouze et al. | Artificial intelligence-based diabetes diagnosis with belief functions theory | |
Guerrero et al. | Use of neural networks for dosage individualisation of erythropoietin in patients with secondary anemia to chronic renal failure | |
CN113657086A (zh) | 词语处理方法、装置、设备及存储介质 | |
CN116110533B (zh) | 基于事件图谱的药物种类和用量推荐***及方法 | |
Shahin et al. | A robust deep neural network framework for the detection of diabetes | |
CN115631852B (zh) | 证型推荐方法、装置、电子设备及非易失性存储介质 | |
CN115565636A (zh) | 一种药物推荐模型构建方法、装置、设备及可读存储介质 | |
CN114649077A (zh) | 一种基于知识增强和预训练的慢性病用药推荐方法 | |
Zhu et al. | Application of a computerized decision support system to develop care strategies for elderly hemodialysis patients |
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 |