CN113674858B - 在线医疗处方用药智能检查方法、装置、设备及存储介质 - Google Patents
在线医疗处方用药智能检查方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113674858B CN113674858B CN202111006926.8A CN202111006926A CN113674858B CN 113674858 B CN113674858 B CN 113674858B CN 202111006926 A CN202111006926 A CN 202111006926A CN 113674858 B CN113674858 B CN 113674858B
- Authority
- CN
- China
- Prior art keywords
- prescription
- detected
- medicine
- information
- medication
- 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
Links
- 239000003814 drug Substances 0.000 title claims abstract description 230
- 229940079593 drug Drugs 0.000 title claims abstract description 129
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000007689 inspection Methods 0.000 title claims abstract description 38
- 238000003860 storage Methods 0.000 title claims description 15
- 239000000955 prescription drug Substances 0.000 claims abstract description 80
- 238000001514 detection method Methods 0.000 claims abstract description 40
- 229940126532 prescription medicine Drugs 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 70
- 230000006870 function Effects 0.000 claims description 20
- 208000026935 allergic disease Diseases 0.000 claims description 14
- 206010020751 Hypersensitivity Diseases 0.000 claims description 13
- 230000007815 allergy Effects 0.000 claims description 13
- 238000012552 review Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000012550 audit Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 229930182555 Penicillin Natural products 0.000 description 9
- 229940049954 penicillin Drugs 0.000 description 9
- JGSARLDLIJGVTE-MBNYWOFBSA-N Penicillin G Chemical compound N([C@H]1[C@H]2SC([C@@H](N2C1=O)C(O)=O)(C)C)C(=O)CC1=CC=CC=C1 JGSARLDLIJGVTE-MBNYWOFBSA-N 0.000 description 8
- 230000000172 allergic effect Effects 0.000 description 7
- 208000010668 atopic eczema Diseases 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000006651 lactation Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010013700 Drug hypersensitivity Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001647 drug administration Methods 0.000 description 1
- 201000005311 drug allergy Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 230000000007 visual 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
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Medicinal Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及人工智能及数字医疗技术领域,揭露一种在线医疗处方用药智能检查方法,包括:通过待检测处方药品信息查询预设药品知识库,得到所述待检测处方药品信息的用药条件,判断所述用药条件与患者问诊信息是否冲突,若有冲突则待检测处方不通过,若无冲突,则通过预设训练完成的处方用药智能检测模型对所述患者问诊信息进行预测,得到预测处方各药品分值,通过所述预测处方各药品分值对所述待检测处方进行打分,根据待检测处方得分判断所述待检测处方的决策结果。本发明还提出一种在线医疗***处方用药智能检查装置、设备以及介质。本发明可以提升在线医疗***中处方用药检查的准确率。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种在线医疗处方用药智能检查方法、装置、电子设备及计算机可读存储介质。
背景技术
随着科技的发展和互联网的普及,特别是移动互联网技术的普及应用,人们的生产生活方式也随之发生巨大变化。在医疗健康领域,在线医疗问诊方式被越来越多的人接受和使用,在线医疗方式已经可以提供基于患者问诊内容给出诊断结果、开出处方等服务。
患者在实体医院就诊过程中,医生与患者是面对面形式问诊,医生掌握患者的情况更加详细,医生开出的处方针对性更强;在取药阶段,患者需要到医院药房取药,药房的医生会对开出处方用药做出审核,保障患者用药的安全性。而在在线医疗问诊场景中,只能进行诊断、开处方,患者在取药环节有多项选择:可以通过互联网药房、实体药店等多种途径取药,从而缺少药房药剂医生对处方审核这一环节,导致患者用药风险提高,所以对在线医疗场景中处方用药检查尤为重要。
目前针对在线医疗场景中处方用药检查方式为人工检查,并且药房医生在检查处方时,更多关注的是处方中的药品搭配情况,由于缺少对患者具体情况的了解,很少检查处方中药品与患者病情的匹配情况。因此目前在线医疗场景中处方用药检查方式准确率低。
发明内容
本发明提供一种在线医疗处方用药智能检查方法、装置及计算机可读存储介质,其主要目的在于提升在线医疗***中处方用药检查的准确率。
为实现上述目的,本发明提供的一种在线医疗处方用药智能检查方法,包括:
获取待检测处方及患者问诊信息,并根据所述待检测处方查询预设药品知识库,得到所述待检测处方的用药条件;
计算所述用药条件与所述患者问诊信息的匹配得分;
通过所述匹配得分判断所述待检测处方是否与所述患者问诊信息冲突;
当所述待检测处方与所述患者问诊信息冲突,则发送所述待检测处方不通过的提示信息;
当所述待检测处方与所述患者问诊信息不冲突,则利用处方用药智能检测模型对所述患者问诊信息进行处方的预测,得到预测处方中的每种药品名的分值;
利用所述预测处方中的每种药品名的分值,计算所述待检测处方得分;
根据所述待检测处方得分及预设阈值判断所述待检测处方的决策结果。
可选地,计算所述用药条件与所述患者问诊信息的匹配得分,包括:
对所述用药条件与所述患者问诊信息分别进行分词,得到用药条件序列与患者问诊信息序列;
利用预设的词向量模型分别将所述用药条件序列与所述患者问诊信息序列得进行量化,分别得到用药条件向量序列与患者问诊信息向量序列;
计算所述用药条件向量序列与所述患者问诊信息向量序列之间的词向量相似度,得到相似度矩阵;
对所述相似度矩阵分别按行和列进行归一化加权处理,得到注意力权重;
利用所述注意力权重分别对所述用药条件向量序列与所述患者问诊信息向量序列进行加权处理,分别得到加权后的用药条件向量序列与加权后的患者问诊信息向量序列;
拼接所述加权后的用药条件向量序列与加权后的患者问诊信息向量序列,并通过softmax函数计算得到所述用药条件与所述患者问诊信息的匹配得分。
可选地,所述利用处方用药智能检测模型对所述患者问诊信息进行预测,得到预测处方药品名分值之前,所述方法还包括:
获取历史患者问诊信息、每种药品的功效信息、医生审核通过处方药品名,并对所述历史患者问诊信息和每种药品的功效信息进行分词处理得到训练集;
利用预构建的处方用药智能检测模型中的BERT网络对所述训练集进行分析运算,得到所述历史患者问诊信息和所述每种药品的功效信息中每个词的词嵌入表示数据;
利用预构建的处方用药智能检测模型中的编码器对所述历史患者问诊信息和所述每种药品的功效信息的词嵌入表示数据进行编码,分别得到所述历史患者问诊信息对应的数据信息编码和所述每种药品的功效信息对应的数据信息编码;
对所述历史患者问诊信息对应的数据信息编码及所述每种药品的功效信息对应的数据信息编码进行比较,得到所述历史患者问诊信息及所述每种药品的功效信息之间的相同匹配特征;
利用预构建的处方用药智能检测模型中的卷积神经网络对所述相同匹配特征进行卷积、池化及激活操作,得到预测处方药品名;
计算预测处方药品名与所述医生审核通过处方药品名之间的损失值,并根据所述损失值调整所述处方用药智能检测模型的模型参数后,返回上述的利用预构建的处方用药智能检测模型中的BERT网络对所述训练集进行分析运算的步骤,直到所述损失值小于预设的损失阈值,得到训练完成的处方用药智能检测模型。
可选地,所述计算预测处方药品名与所述医生审核通过处方药品名之间的损失值,包括:
对所述预测处方药品名与所述医生审核通过处方药品名分别进行分词、并分别进行向量化处理,得到所述预测处方药品名向量和所述医生审核通过处方药品名向量;
根据所述预测处方药品名向量和所述医生审核通过处方药品名向量,计算所述预测处方药品名与所述医生审核通过处方药品名之间的损失值。
可选地,所述根据所述预测处方药品名向量和所述医生审核通过处方药品名向量,计算所述预测处方药品名与所述医生审核通过处方药品名之间的损失值,包括:
利用如下交叉熵损失函数计算所述预测处方药品名与所述医生审核通过处方药品名之间的损失值:
其中,N表示所述预测处方药品名的向量总数,ln表示所述预测处方药品名中的第n个向量与所述医生审核通过处方药品名第n个向量之间的差异值,xn表示所述预测处方药品名第n个向量值,yn表示所述医生审核通过处方药品名第n个向量值,t表示训练过程中的迭代次数。
可选地,所述根据所述待检测处方查询预设药品知识库,得到所述待检测处方的用药条件,包括:
根据所述待检测处方查询年龄药品库、禁忌症药品库以及过敏史药品库,得到所述待检测处方中药品的适用年龄、禁忌信息以及过敏信息;
根据所述年龄信息、所述禁忌信息以及所述过敏信息,组合得到所述待检测处方药品信息的用药条件。
可选地,所述根据所述待检测处方得分及预设阈值判断所述待检测处方的决策结果,包括:
当所述待检测处方得分大于等于预设阈值τ2时,得到所述待检测处方通过的结果;
当所述待检测处方得分小于等于预设阈值τ1时,得到所述待检测处方不通过的结果;
当述待检测处方得分在预设阈值τ1和τ2之间时,得到所述待检测处方待确认的结果;
为了解决上述问题,本发明还提供一种在线医疗处方用药智能检查装置,所述装置包括:
信息提取模块,用于获取待检测处方及患者问诊信息,并根据所述待检测处方查询预设药品知识库,得到所述待检测处方的用药条件;
文本匹配模块,用于利用预设的文本匹配模型,计算所述用药条件与所述患者问诊信息的匹配得分,并通过所述匹配得分判断所述待检测处方是否与所述患者问诊信息冲突;
处方药品名分值预测模块,用于当所述待检测处方与所述患者问诊信息不冲突,则利用处方用药智能检测模型对所述患者问诊信息进行处方的预测,得到预测处方中的每种药品名的分值;
综合打分模块,用于利用所述预测处方中的每种药品名的分值,计算待检测处方得分;
决策模块,用于根据所述待检测处方得分及预设阈值判断所述待检测处方的决策结果。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述所述的在线医疗处方用药智能检查方法。
为了解决上述问题,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中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的在线医疗处方用药智能检查方法。
本发明申请通过所述待检测处方药品信息查询预设药品知识库,得到所述待检测处方药品信息的用药条件,判断所述用药条件与患者问诊信息是否冲突,若有冲突则待检测处方不通过,若无冲突,则通过处方用药智能检测模型对所述患者问诊信息进行预测,得到预测处方各药品分值,通过所述预测处方各药品分值对所述待检测处方进行打分,根据待检测处方得分判断所述待检测处方通过、不通过还是待确认,从而提升在线医疗***中处方用药检查的准确率。
附图说明
图1为本发明一实施例提供的在线医疗处方用药智能检查方法的流程示意图;
图2为图1所示在线医疗处方用药智能检查方法中其中一个步骤的详细实施流程示意图;
图3为图1所示在线医疗处方用药智能检查方法中其中一个步骤的详细实施流程示意图;
图4为本发明一实施例提供的在线医疗处方用药智能检查装置的功能模块图;
图5为本发明一实施例提供的实现所述在线医疗处方用药智能检查方法的电子设备的结构示意图。
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用以解释本发明,并不用于限定本发明。
本申请实施例提供一种在线医疗处方用药智能检查方法。所述在线医疗处方用药智能检查方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述在线医疗处方用药智能检查方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDeliveryNetwork,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的在线医疗处方用药智能检查方法的流程示意图。在本实施例中,所述在线医疗处方用药智能检查方法包括:
S1、获取待检测处方及患者问诊信息,并根据所述待检测处方查询预设药品知识库,得到所述待检测处方的用药条件;
本发明实施例中,所述检测处方为在线医疗***中医生开具的处方,包括药品名、用法、用量等。
本发明实施例中,所述患者问诊信息为在线医疗***中患者问诊信息,包括性别、年龄、怀孕情况、哺乳情况、用药情况、禁忌症、过敏史、问诊内容、诊断结果等。
本发明实施例中,所述预设药品知识库为经过医生检查校验过的用药知识库,包括处方库、年龄药品库、禁忌症药品库、过敏史药品库、药品药效冲突库等,其中所述处方库中包含药品的功效信息等。
本发明实施例中,所述用药条件指药品使用条件,包含但不限于适用年纪、禁忌信息、过敏信息。
详细地,所述S1,包括:
根据所述待检测处方查询所述年龄药品库、所述禁忌症药品库以及过敏史药品库,得到药品适用年龄、禁忌信息以及过敏信息;
根据所述年龄信息、所述禁忌信息以及所述过敏信息,组合得到所述待检测处方药品信息的用药条件。
本发明实施例,例如:从预设药品知识库中查询得知:A药品适应年龄信息:无年龄限制;禁忌信息:婴儿、肝、肾功能减退者慎用,妊娠末期产妇慎用,哺乳期妇女忌用;过敏信息:对青霉素或其他青霉素类药过敏者禁用,用药前应询问患者有无过敏史,对24h未应用过青霉素者,应做皮内敏感试验,试验结果阳性者,应禁用,对青霉素或其他青霉素类药物过敏者、有过敏性疾患及过敏状态者禁用。
S2、计算所述用药条件与所述患者问诊信息的匹配得分;
本发明实施例中,可以利用预设的文本匹配模型,计算所述用药条件与所述患者问诊信息的匹配得分。其中,所述文本匹配模型包含卷积表示层、相似度匹配层、全连接层,其中所述卷积表示层可以将所述文本信息进行处理得到文本信息的向量表示;其中所述相似度匹配层可对待匹配文本进行外积,得到相似度矩阵;其中所述全连接层可以通过softmax归一化二维向量得到匹配得分。
详细地,参阅图2所示,所述S2,包括:
S21、对所述用药条件与所述患者问诊信息分别进行分词,得到用药条件序列与患者问诊信息序列;
S22、利用预设的词向量模型分别将所述用药条件序列与所述患者问诊信息序列进行量化,分别得到用药条件向量序列与患者问诊信息向量序列;
S23、计算所述用药条件向量序列与所述患者问诊信息向量序列之间的词向量相似度,得到相似度矩阵;
S24、对所述相似度矩阵分别按行和列进行归一化加权处理,得到注意力权重;
S25、利用所述注意力权重分别对所述用药条件向量序列与所述患者问诊信息向量序列进行加权处理,分别得到加权后的用药条件向量序列与加权后的患者问诊信息向量序列;
S26、拼接所述加权后的用药条件向量序列与加权后的患者问诊信息向量序列,并通过softmax函数计算得到所述用药条件与所述患者问诊信息的匹配得分。
本发明实施例通过所述注意力权重提高所述用药条件与所述对应患者问诊信息匹配准确度,提升了待检测处方的检查准确率。
S3、通过所述匹配得分判断所述待检测处方是否与所述患者问诊信息冲突;
详细地,本发明实施例通过比较预设的阈值与所述匹配得分的大小,来判断所述待检测处方是否与所述患者问诊信息冲突。
S4、当所述待检测处方与所述患者问诊信息冲突,则发送所述待检测处方不通过的提示信息;
本发明实施例,当所述匹配得分小于预设的阈值,所述待检测处方与所述对应患者问诊信息冲突,则给出所述待检测处方决策结果,发送所述待检测处方不通过的提示信息。例如:所述用药条件中包含:对青霉素或其他青霉素类药过敏者禁用,所述患者问诊信息包含:对青霉素过敏,则发送待检测处方不通过的提示信息。
S5、当所述待检测处方与所述患者问诊信息不冲突,则利用处方用药智能检测模型对所述患者问诊信息进行处方的预测,得到预测处方中的每种药品名的分值;
本发明实施例中,当所述匹配得分大于等于预设的阈值,所述述待检测处方与所述患者问诊信息不冲突,例如:所述用药条件中包含对青霉素或其他青霉素类药过敏者禁用,哺乳期禁用,所述患者问诊信息包含:无过敏药物、男性,表示所述用药条件与所述患者问诊信息相匹配。
本发明实施例中,所述处方用药智能检测模型包含BERT模型,编码器、CNN模型,其中所述BERT模型为基于双向Transformer的大规模预训练语言模型,拥有强大的语言表征能力和特征提取能力,可提取文本中每个词的特征并进行匹配;其中所述CNN模型是深度神经网络模型,由多层卷积层组成。
本发明其中一个实施例中,参阅图3所示,所述S5中所述处方用药智能检测模型的训练过程,包括:
S51、获取历史患者问诊信息、每种药品的功效信息、医生审核通过处方药品名,并对所述历史患者问诊信息和每种药品的功效信息进行分词处理得到训练集;
S52、利用预构建的处方用药智能检测模型中的BERT网络对所述训练集进行分析运算,得到所述历史患者问诊信息和所述每种药品的功效信息中每个词的词嵌入表示数据;
S53、利用预构建的处方用药智能检测模型中的编码器对所述历史患者问诊信息和所述每种药品的功效信息的词嵌入表示数据进行编码,分别得到所述历史患者问诊信息对应的数据信息编码和所述每种药品的功效信息对应的数据信息编码;
S54、对所述历史患者问诊信息对应的数据信息编码及所述每种药品的功效信息对应的数据信息编码进行比较,得到所述历史患者问诊信息及所述每种药品的功效信息之间的相同匹配特征;
S55、利用预构建的处方用药智能检测模型中的卷积神经网络对所述相同匹配特征进行卷积、池化及激活操作,得到预测处方药品名;
S56、利用非线性激活函数计算所述预测处方药品名分值;
S57、计算预测处方药品名与所述医生审核通过处方药品名之间的损失值,
S58、利用所述损失值对处方用药智能检测模型进行参数调整,得到训练完成的处方用药智能检测模型。
详细地,本发明实施例通过对所述预测处方药品名与所述医生审核通过处方药品名分别进行分词、并分别进行向量化处理,得到所述预测处方药品名向量和所述医生审核通过处方药品名向量;根据所述预测处方药品名向量和所述医生审核通过处方药品名向量计算预测处方药品名与所述医生审核通过处方药品名之间的损失值。
详细地,本发明实施例中所述预测处方药品名向量可表示为:(x1,x2,…,xn),所述医生审核通过处方药品名向量可表示为:(y1,y2,…,yn)。
进一步地,本发明实施例利用如下交叉熵损失函数计算所述预测处方药品名与所述医生审核通过处方药品名之间的损失值L(x,y):
其中,N表示所述预测处方药品名的向量总数,ln表示所述预测处方药品名中的第n个向量与所述医生审核通过处方药品名第n个向量之间的差异值,xn表示所述预测处方药品名第n个向量值,yn表示所述医生审核通过处方药品名第n个向量值,t表示训练过程中的迭代次数。
进一步地,本发明实施例中,所述损失值对处方用药智能检测模型进行参数调整,得到训练完成的处方用药智能检测模型,包括:
当所述损失函数的损失值大于预设的损失阈值,则利用优化算法对所述处方用药智能检测模型的参数进行优化;
当所述损失函数的损失值小于或等于所述损失阈值,得到训练完成的处方用药智能检测模型。
本发明实施例中,当所述损失函数的损失值大于预设的损失阈值,使用Adadelta优化算法对处方用药智能检测模型的参数进行优化,Adadelta优化算法可自适应调节处方用药智能检测模型训练过程中的学习率,使得处方用药智能模型更加精确,提升预测处方药品名准确性。
S6、利用所述预测处方药品名分值,计算待检测处方得分;
具体地,根据预设加权函数计算待检测处方得分,例如:所述预测处方药品名分别为:药x1、药x2、药x3、药x4,所述药x1、药x2、药x3、药x4的匹配分值分别为:X1、X2、X3、X4,所述待检测处方药品名分别为:药x1、药x2;所述预设函数公式为:
其中S表示所述待检测处方分值,Xi表示所述待检测处方药品名与所述预测处方药品名相同的药品名分值;i为Xi的个数。
S7、根据所述待检测处方得分及预设阈值判断所述待检测处方的决策结果。
本发明实施例中,所述决策结果包含:所述待检测处方通过的结果、所述待检测处方不通过的结果、所述待检测处方待确认的结果;其中所述待检测处方待确认的结果表示所述待检测处方需要人工进一步确认,并发送所述待检测处方需要进一步确认的提示信息给医生。
本发明实施例中,当S≥τ2时,得到所述待检测处方通过的结果;当S≤τ1时,得到所述待检测处方不通过的结果;当τ1<S<τ2时,得到所述待检测处方待确认的结果;其中S表示所述待检测处方得分,τ1、τ2表示预设阈值。
本发明实施例,本发明申请通过所述待检测处方药品信息查询预设药品知识库,得到所述待检测处方药品信息的用药条件,判断所述用药条件与患者问诊信息是否冲突,若有冲突则待检测处方不通过,若无冲突,则通过处方用药智能检测模型对所述患者问诊信息进行预测,得到预测处方各药品分值,通过所述预测处方各药品分值对所述待检测处方进行打分,根据待检测处方得分判断所述待检测处方通过、不通过还是待确认,从而提升在线医疗***中处方用药检查的准确率。
如图4所示,是本发明一实施例提供的在线医疗处方用药智能检查装置的功能模块图。
本发明所述在线医疗处方用药智能检查装置100可以安装于电子设备中。根据实现的功能,所述在线医疗处方用药智能检查装置100可以包括:信息提取模块101、文本匹配模块102、处方药品名分值预测模块103、综合打分模块104、决策模块105。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
信息提取模块101,用于获取待检测处方及患者问诊信息,并根据所述待检测处方查询预设药品知识库,得到所述待检测处方的用药条件;
文本匹配模块102,用于利用预设的文本匹配模型,计算所述用药条件与所述患者问诊信息的匹配得分,并通过所述匹配得分判断所述待检测处方是否与所述患者问诊信息冲突;
处方药品名分值预测模块103,用于当所述待检测处方与所述患者问诊信息不冲突,则利用处方用药智能检测模型对所述患者问诊信息进行处方的预测,得到预测处方中的每种药品名的分值;
综合打分模块104,用于利用所述预测处方中的每种药品名的分值,计算待检测处方得分;
决策模块105,用于根据所述待检测处方得分及预设阈值判断所述待检测处方的决策结果。
详细地,本发明实施例中所述在线医疗处方用药智能检查装置100中的各个模块在使用时采用与上述的附图中的流程图所述的在线医疗处方用药智能检查方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图5所示,是本发明一实施例提供的实现在线医疗处方用药智能检查方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如在线医疗处方用药智能检查程序。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如在线医疗处方用药智能检查程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如在线医疗处方用药智能检查程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图5仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图5示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的在线医疗处方用药智能检查程序是多个指令的组合,在所述处理器10中运行时,可以实现:
获取待检测处方及患者问诊信息,并根据所述待检测处方查询预设药品知识库,得到所述待检测处方的用药条件;
计算所述用药条件与所述患者问诊信息的匹配得分;
通过所述匹配得分判断所述待检测处方是否与所述患者问诊信息冲突;
当所述待检测处方与所述患者问诊信息冲突,则发送所述待检测处方不通过的提示信息;
当所述待检测处方与所述患者问诊信息不冲突,则利用处方用药智能检测模型对所述患者问诊信息进行处方的预测,得到预测处方中的每种药品名的分值;
利用所述预测处方中的每种药品名的分值,计算所述待检测处方得分;
根据所述待检测处方得分及预设阈值判断所述待检测处方的决策结果。
具体地,所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/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存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取待检测处方及患者问诊信息,并根据所述待检测处方查询预设药品知识库,得到所述待检测处方的用药条件;
计算所述用药条件与所述患者问诊信息的匹配得分;
通过所述匹配得分判断所述待检测处方是否与所述患者问诊信息冲突;
当所述待检测处方与所述患者问诊信息冲突,则发送所述待检测处方不通过的提示信息;
当所述待检测处方与所述患者问诊信息不冲突,则利用处方用药智能检测模型对所述患者问诊信息进行处方的预测,得到预测处方中每种药品名的分值;
利用所述预测处方中每种药品名的分值,计算所述待检测处方得分;
根据所述待检测处方得分及预设阈值判断所述待检测处方的决策结果。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
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。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (9)
1.一种在线医疗处方用药智能检查方法,其特征在于,所述方法包括:
获取待检测处方及患者问诊信息,并根据所述待检测处方查询预设药品知识库,得到所述待检测处方的用药条件;
计算所述用药条件与所述患者问诊信息的匹配得分;
通过所述匹配得分判断所述待检测处方是否与所述患者问诊信息冲突;
当所述待检测处方与所述患者问诊信息冲突,则发送所述待检测处方不通过的提示信息;
当所述待检测处方与所述患者问诊信息不冲突,则利用处方用药智能检测模型对所述患者问诊信息进行处方的预测,得到预测处方中的每种药品名的分值;
利用所述预测处方中的每种药品名的分值,计算所述待检测处方得分;
根据所述待检测处方得分及预设阈值判断所述待检测处方的决策结果;
其中,所述处方用药智能检测模型的训练过程包括:
获取历史患者问诊信息、每种药品的功效信息、医生审核通过处方药品名,并对所述历史患者问诊信息和每种药品的功效信息进行分词处理得到训练集;
利用预构建的处方用药智能检测模型中的BERT网络对所述训练集进行分析运算,得到所述历史患者问诊信息和所述每种药品的功效信息中每个词的词嵌入表示数据;
利用预构建的处方用药智能检测模型中的编码器对所述历史患者问诊信息和所述每种药品的功效信息的词嵌入表示数据进行编码,分别得到所述历史患者问诊信息对应的数据信息编码和所述每种药品的功效信息对应的数据信息编码;
对所述历史患者问诊信息对应的数据信息编码及所述每种药品的功效信息对应的数据信息编码进行比较,得到所述历史患者问诊信息及所述每种药品的功效信息之间的相同匹配特征;
利用预构建的处方用药智能检测模型中的卷积神经网络对所述相同匹配特征进行卷积、池化及激活操作,得到预测处方药品名;
计算预测处方药品名与所述医生审核通过处方药品名之间的损失值,并根据所述损失值调整所述处方用药智能检测模型的模型参数后,返回所述利用预构建的处方用药智能检测模型中的BERT网络对所述训练集进行分析运算的步骤,直到所述损失值小于预设的损失阈值,得到训练完成的处方用药智能检测模型。
2.如权利要求1所述的在线医疗处方用药智能检查方法,其特征在于,所述计算所述用药条件与所述患者问诊信息的匹配得分,包括:
对所述用药条件与所述患者问诊信息分别进行分词,得到用药条件序列与患者问诊信息序列;
利用预设的词向量模型分别将所述用药条件序列与所述患者问诊信息序列进行量化,分别得到用药条件向量序列与患者问诊信息向量序列;
计算所述用药条件向量序列与所述患者问诊信息向量序列之间的词向量相似度,得到相似度矩阵;
对所述相似度矩阵分别按行和列进行归一化加权处理,得到注意力权重;
利用所述注意力权重分别对所述用药条件向量序列与所述患者问诊信息向量序列进行加权处理,分别得到加权后的用药条件向量序列与加权后的患者问诊信息向量序列;
拼接所述加权后的用药条件向量序列与加权后的患者问诊信息向量序列,并通过softmax函数计算得到所述用药条件与所述患者问诊信息的匹配得分。
3.如权利要求1所述的在线医疗处方用药智能检查方法,其特征在于,所述计算预测处方药品名与所述医生审核通过处方药品名之间的损失值,包括:
对所述预测处方药品名与所述医生审核通过处方药品名分别进行分词、并分别进行向量化处理,得到所述预测处方药品名向量和所述医生审核通过处方药品名向量;
根据所述预测处方药品名向量和所述医生审核通过处方药品名向量,计算所述预测处方药品名与所述医生审核通过处方药品名之间的损失值。
4.如权利要求3所述的在线医疗处方用药智能检查方法,其特征在于,所述根据所述预测处方药品名向量和所述医生审核通过处方药品名向量,计算所述预测处方药品名与所述医生审核通过处方药品名之间的损失值,包括:
利用如下交叉熵损失函数计算所述预测处方药品名与所述医生审核通过处方药品名之间的损失值L(x,y):
其中,N表示所述预测处方药品名的向量总数,ln表示所述预测处方药品名中的第n个向量与所述医生审核通过处方药品名第n个向量之间的差异值,xn表示所述预测处方药品名第n个向量值,yn表示所述医生审核通过处方药品名第n个向量值,t表示训练过程中的迭代次数。
5.如权利要求1所述的在线医疗处方用药智能检查方法,其特征在于,所述根据所述待检测处方查询预设药品知识库,得到所述待检测处方的用药条件,包括:
根据所述待检测处方查询年龄药品库、禁忌症药品库以及过敏史药品库,得到所述待检测处方中药品的适用年龄、禁忌信息以及过敏信息;
根据所述年龄信息、所述禁忌信息以及所述过敏信息,组合得到所述待检测处方药品信息的用药条件。
6.如权利要求1所述的在线医疗处方用药智能检查方法,其特征在于,所述根据所述待检测处方得分及预设阈值判断所述待检测处方的决策结果,包括:
当所述待检测处方得分大于等于预设阈值τ2时,得到所述待检测处方通过的结果;
当所述待检测处方得分小于等于预设阈值τ1时,得到所述待检测处方不通过的结果;
当述待检测处方得分在预设阈值τ1和τ2之间时,得到所述待检测处方待确认的结果。
7.一种在线医疗处方用药智能检查装置,用于实现如权利要求1至6任一项所述的在线医疗处方用药智能检查方法,其特征在于,所述装置包括:
信息提取模块,用于获取待检测处方及患者问诊信息,并根据所述待检测处方查询预设药品知识库,得到所述待检测处方的用药条件;
文本匹配模块,计算所述用药条件与所述患者问诊信息的匹配得分;通过所述匹配得分判断所述待检测处方是否与所述患者问诊信息冲突;
处方药品名分值预测模块,用于当所述待检测处方与所述患者问诊信息不冲突,则利用处方用药智能检测模型对所述患者问诊信息进行处方的预测,得到预测处方中的每种药品名的分值;
综合打分模块,用于利用所述预测处方中的每种药品名的分值,计算所述待检测处方得分;
决策模块,根据所述待检测处方得分及预设阈值判断所述待检测处方的决策结果。
8.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至6中任意一项所述的在线医疗处方用药智能检查方法。
9.一种计算机可读存储介质,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至6中任意一项所述的在线医疗处方用药智能检查方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111006926.8A CN113674858B (zh) | 2021-08-30 | 2021-08-30 | 在线医疗处方用药智能检查方法、装置、设备及存储介质 |
PCT/CN2022/087816 WO2023029511A1 (zh) | 2021-08-30 | 2022-04-20 | 在线医疗处方用药智能检查方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111006926.8A CN113674858B (zh) | 2021-08-30 | 2021-08-30 | 在线医疗处方用药智能检查方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113674858A CN113674858A (zh) | 2021-11-19 |
CN113674858B true CN113674858B (zh) | 2023-12-01 |
Family
ID=78547461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111006926.8A Active CN113674858B (zh) | 2021-08-30 | 2021-08-30 | 在线医疗处方用药智能检查方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113674858B (zh) |
WO (1) | WO2023029511A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113674858B (zh) * | 2021-08-30 | 2023-12-01 | 康键信息技术(深圳)有限公司 | 在线医疗处方用药智能检查方法、装置、设备及存储介质 |
CN116631573A (zh) * | 2023-07-25 | 2023-08-22 | 讯飞医疗科技股份有限公司 | 一种处方用药审核方法、装置、设备及存储介质 |
CN116662375B (zh) * | 2023-08-02 | 2023-10-10 | 湖南远跃科技发展有限公司 | 一种基于his的处方数据校验方法及*** |
CN116936021A (zh) * | 2023-09-18 | 2023-10-24 | 万链指数(青岛)信息科技有限公司 | 一种基于区块链的医疗电子病历信息管理方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111986770A (zh) * | 2020-08-31 | 2020-11-24 | 平安医疗健康管理股份有限公司 | 药方用药审核方法、装置、设备及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108986908B (zh) * | 2018-05-31 | 2023-04-18 | 平安医疗科技有限公司 | 问诊数据处理方法、装置、计算机设备和存储介质 |
CN109920508B (zh) * | 2018-12-28 | 2022-11-01 | 安徽省立医院 | 处方审核方法及*** |
US20210104326A1 (en) * | 2019-10-04 | 2021-04-08 | International Business Machines Corporation | Detecting prescription drug abuse using a distributed ledger and machine learning |
CN113674858B (zh) * | 2021-08-30 | 2023-12-01 | 康键信息技术(深圳)有限公司 | 在线医疗处方用药智能检查方法、装置、设备及存储介质 |
-
2021
- 2021-08-30 CN CN202111006926.8A patent/CN113674858B/zh active Active
-
2022
- 2022-04-20 WO PCT/CN2022/087816 patent/WO2023029511A1/zh unknown
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111986770A (zh) * | 2020-08-31 | 2020-11-24 | 平安医疗健康管理股份有限公司 | 药方用药审核方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113674858A (zh) | 2021-11-19 |
WO2023029511A1 (zh) | 2023-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113674858B (zh) | 在线医疗处方用药智能检查方法、装置、设备及存储介质 | |
WO2023178978A1 (zh) | 基于人工智能的处方审核方法、装置、设备及介质 | |
WO2021151273A1 (zh) | 疾病预测方法、装置、电子设备及存储介质 | |
CN116884612A (zh) | 疾病风险等级的智能分析方法、装置、设备及存储介质 | |
CN117393109B (zh) | 场景自适应的饮食监控方法、装置、设备及存储介质 | |
CN114420279A (zh) | 一种医疗资源推荐方法、装置、设备及存储介质 | |
CN116705345A (zh) | 医疗实体标注方法、装置、设备及存储介质 | |
CN112258135A (zh) | 处方数据的审核方法、装置和计算机可读存储介质 | |
CN116910360A (zh) | 推荐模型训练方法、装置、电子设备及存储介质 | |
CN116737933A (zh) | 文本分类方法、装置、电子设备及计算机可读存储介质 | |
CN116702776A (zh) | 基于跨中西医的多任务语义划分方法、装置、设备及介质 | |
CN116719891A (zh) | 中医信息分组聚类方法、装置、设备及计算机存储介质 | |
CN113689924B (zh) | 相似病历检索方法、装置、电子设备及可读存储介质 | |
CN112613313A (zh) | 医嘱质控的方法、装置、设备、存储介质以及程序产品 | |
US20240152990A1 (en) | Provider search and matching | |
CN113688319B (zh) | 医疗产品推荐方法及相关设备 | |
CN117809841B (zh) | 一种基于大模型技术的皮肤专病患者管理方法及*** | |
CN116831527A (zh) | 糖尿病并发症风险预测方法、装置、设备及存储介质 | |
CN116364300A (zh) | 中医体质辨识方法、装置、设备及存储介质 | |
CN116663544A (zh) | 基于长度优化的文本分析方法、装置、设备及存储介质 | |
CN116860944A (zh) | 对话生成方法、装置、电子设备及介质 | |
CN116487059A (zh) | 患者医疗费用的分析方法、装置、电子设备及介质 | |
CN116663503A (zh) | 基于自注意力权重图的句子纠错方法、装置、设备及介质 | |
CN116612898A (zh) | 疾病因子的相关性权重分析方法、装置、设备及存储介质 | |
CN118097345A (zh) | 医学影像识别方法、装置、电子设备及存储介质 |
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 |