基于机器学习和知识图谱的处方推荐方法和系统技术方案

本发明专利技术公开了一种基于机器学习和知识图谱的处方推荐方法和系统。所述推荐方法包括以下步骤：获取诊断信息并进行解析，得到一条或多条诊断明细，包括患者信息、医生信息及疾病诊断；将所述诊断明细输入预先构建的机器学习模型进行推理，得到针对所述诊断明细的初始推荐列表；根据所述初始推荐列表中包含的药品信息，从药品知识图谱中获取与所述药品相关联的关系图网络；根据所述关系图网络筛选并排除禁忌药品后给出最终推荐列表。本发明专利技术结合了机器学习的快速学习能力和知识图谱对数据的挖掘、关联展示能力，能够实现处方精确推荐，同时提高处方生成效率，可满足门诊医师开方需求，提高医生工作效率，减少医疗错误。

Prescription recommendation method and system based on machine learning and knowledge map

【技术实现步骤摘要】
基于机器学习和知识图谱的处方推荐方法和系统
本专利技术涉及医疗信息化
，具体涉及一种个性化处方推荐方法和系统。
技术介绍
医疗服务过程中，医生对患者病情进行诊断然后开具相应处方，在开具处方时需要综合考虑多方面的因素，如年龄、性别、体质特点等，即使同一种疾病，不同的患者个体需要的处方药品和剂量也会不同。而随着就诊患者增多，门诊医师的接诊压力随之增大，医师犯错的可能性也在增加，尤其是年轻经验较少的医生，在缺少强有力的医疗辅助决策手段的情况下，更容易出现反复修改的情况。
技术实现思路
专利技术目的：为了解决现有技术的问题，本专利技术提出一种基于机器学习和知识图谱的处方推荐方法和系统，实现处方精确推荐，同时提高处方生成效率。技术方案：根据本专利技术的第一方面，提供一种基于机器学习和知识图谱的处方推荐方法，包括以下步骤：获取诊断信息并进行解析，得到一条或多条诊断明细，包括患者信息、医生信息及疾病诊断；将所述诊断明细输入预先构建的机器学习模型进行推理，得到针对所述诊断明细的初始推荐列表；根据所述初始推荐列表中包含的药品信息，从药品知识图谱中获取与所述药品相关联的关系图网络；根据所述关系图网络筛选并排除禁忌药品后给出最终推荐列表。其中，所述预先构建的机器学习模型包括基于协同过滤的推荐模型、基于知识的推荐模型和基于神经网络的推荐模型，分别通过协同过滤算法、基于知识的推荐算法和神经网络学习算法进行训练，得到这三个基础推荐模型；所述初始推荐列表的获得方法为：将诊断明细信息分别输入三个基础推荐模型，得到各自推荐的处方药品，去掉重复项并根据预测的采纳概率排序，得到初始推荐列表。根据本专利技术的第二方面，提供一种基于机器学习和知识图谱的处方推荐系统，包括：诊断信息解析模块，用于获取诊断信息并进行解析，得到一条或多条诊断明细，包括患者信息、医生信息及疾病诊断；机器学习模块，用于将诊断明细数据输入机器学习模型进行训练，得到根据患者信息与疾病诊断进行处方推荐的推荐模型；药品关系图模块，用于根据药品信息从药品知识图谱中获取与所述药品相关联的关系图网络；处方推荐模块，用于根据输入的患者信息、医生信息及疾病诊断，推荐可选的处方；推荐结果筛选模块，用于根据所述关系图网络对推荐的可选处方进行禁忌药品的过滤和排除。有益效果：本专利技术提出一种基于机器学习和知识图谱的处方推荐方法和系统，实现处方精确推荐，同时提高处方生成效率。推荐系统采用模型融合的方法，结合协同过滤、基于知识的推荐和神经网络三种机器学习算法训练的模型进行处方推荐，并提供给门诊医师。本专利技术可满足门诊医师开方需求，提高医生工作效率，减少医疗错误。附图说明图1是本专利技术提供的处方推荐方法流程图；图2是根据本专利技术实施例的药品知识图谱示意图；图3是根据本专利技术实施例的从药品知识图谱获取的关系图网络；图4是本专利技术提供的处方推荐系统结构框图。具体实施方式下面结合附图对本专利技术的技术方案作进一步说明。参照图1，本专利技术提出一种基于机器学习和知识图谱的处方推荐方法，包括以下步骤：步骤S1，获取诊断信息并进行解析，得到一条或多条诊断明细。随着医疗信息化技术的快速发展，很多医院的电子信息系统中保存了海量的处方记录，可以通过医院信息系统(HIS)/电子病历(EMR)等系统的开放接口交换数据，获取电子病历中的诊断信息，通过自然语言处理技术解析，得到诊断明细。具体地，采集门诊电子病历文字数据，包括患者性别、出生日期、是否怀孕、是否哺乳期、身高、体重、支付方式这些基本字段以及过敏史的文字内容，利用关键字匹配方法，从过敏史字段提取患者有过敏反应的药物名，并通过预先获得的药品别名库查询，得到过敏反应药物的所有名称；同时取得门诊记录数据，通过诊断字段的ICD10编码进行分类，排除包含无效或错误编码的诊断，获得大量门诊记录的“疾病诊断<->处方药品”数据对，所述的大量指的是对每种临床诊断取得五百份以上的处方记录，以用于下面模型的训练。步骤S2，将诊断明细输入机器学习模型进行推理，得到得到针对诊断明细的初始推荐列表。机器学习模型需要先进行训练，获取的数据经过清洗整理之后，以疾病诊断和患者基本信息作为输入参数，以药品作为输出参数，分别使用协同过滤、基于知识的推荐和神经网络三种机器学习算法，训练得到三个原始模型；再使用模型融合技术，将三个原始模型进行融合，得到融合后的处方推荐模型。在门诊应用时，将患者信息及医生诊断作为输入参数提供给前述融合后的处方推荐模型，模型会返回多个推荐结果，并按照相似度从高到低排序，并将推荐结果返回至门诊医师。在进行原始模型训练时，使用的协同过滤算法步骤如下：S21、首先进行数据规范化处理，将患者基本信息中性别、诊断时的年龄、是否怀孕的字段值映射到16位数的空间(以下称为患者指纹)，并使用“与”关系计算患者的相对距离，如性别男，年龄10岁，怀孕否可以映射为0000000100010100，性别女，年龄11岁，怀孕否可以映射为；0000000000010110，两个数按位与计算得到0000000000010100即指纹值计算的相似距离，相似距离值越小说明相似度越高。S21、其次，按照患者指纹、处方药品、疾病诊断三元组的方式对数据进行整理，计算患者基本情况与疾病诊断的评分数据，然后以评分数据作为衡量患者疾病之间相似程度的指标，通过距离计算方法得到患者相似矩阵。进一步地，所述患者基本情况与疾病诊断的评分数据计算的步骤为：S21-1)读取存储的患者指纹、处方药品、疾病诊断(用户、物品、评分)三元组数据；S21-2)启动归并过程，提取处方药品编号作为主键，患者与疾病诊断作为值，将存储中具有相同处方药品编号的数据按照处方药品、疾病诊断、患者指纹序列对的格式进行归并；S21-3)对同一主键的数据进行归并操作，并输出最终结果，该结果以处方药品编号为主键，患者指纹、疾病诊断序列对为值，并保存在数据库中，作为处方药品评分数据。进一步地，所述患者相似度矩阵计算的步骤为：S21-a)读取本地存储的患者指纹与疾病诊断的评分数据；S21-b)以患者指纹对为主键，患者指纹与疾病诊断的评分对为值进行数据的重新整理，计算患者指纹之间患者与疾病诊断的评分距离，输出主键为患者指纹对，值为两两患者指纹对于相同疾病诊断的评分距离；其中评分距离以相同疾病诊断ICD10编码，患者指纹的相似距离作为评分距离；S21-c)启动归并过程，将相同患者指纹对的数据进行合并，得到两个患者指纹所有相同疾病诊断评分的距离值，归并结果的主键为待治疗患者，值为已治疗患者和其与待治疗患者之间的评分距离，保存归并结果，作为患者相似度矩阵数据。在使用时根据协同过滤模型推荐处方药品的步骤为：a)读取本地存储的处方药品评分数据和患者相似度矩阵数据，对处方药品评分数据进行整理，以患者指纹对作为主键，处方本文档来自技高网...

【技术保护点】
1.一种基于机器学习和知识图谱的处方推荐方法，其特征在于，包括以下步骤：/n获取诊断信息并进行解析，得到一条或多条诊断明细，包括患者信息、医生信息及疾病诊断；/n将所述诊断明细输入预先构建的机器学习模型进行推理，得到针对所述诊断明细的初始推荐列表；/n根据所述初始推荐列表中包含的药品信息，从药品知识图谱中获取与所述药品相关联的关系图网络；/n根据所述关系图网络筛选并排除禁忌药品后给出最终推荐列表。/n

【技术特征摘要】
1.一种基于机器学习和知识图谱的处方推荐方法，其特征在于，包括以下步骤：
获取诊断信息并进行解析，得到一条或多条诊断明细，包括患者信息、医生信息及疾病诊断；
将所述诊断明细输入预先构建的机器学习模型进行推理，得到针对所述诊断明细的初始推荐列表；
根据所述初始推荐列表中包含的药品信息，从药品知识图谱中获取与所述药品相关联的关系图网络；
根据所述关系图网络筛选并排除禁忌药品后给出最终推荐列表。


2.根据权利要求1所述的处方推荐方法，其特征在于，所述预先构建的机器学习模型包括基于协同过滤的推荐模型、基于知识的推荐模型和基于神经网络的推荐模型，分别通过协同过滤算法、基于知识的推荐算法和神经网络学习算法进行训练，得到这三个基础推荐模型；所述初始推荐列表的获得方法为：将诊断明细信息分别输入三个基础推荐模型，得到各自推荐的处方药品，去掉重复项并根据预测的采纳概率排序，得到初始推荐列表。


3.根据权利要求2所述的处方推荐方法，其特征在于，所述协同过滤算法进行原始模型的训练包括：
S21、将患者基本信息中性别、诊断时的年龄、是否怀孕的字段值映射到16位数的空间作为患者指纹，并使用“与”关系计算患者的相对距离；
S22、按照患者指纹、处方药品、疾病诊断三元组的方式对数据进行整理，计算患者基本情况与疾病诊断的评分数据，然后以评分数据作为衡量患者疾病之间相似程度的指标，通过距离计算方法得到患者相似矩阵。


4.根据权利要求3所述的处方推荐方法，其特征在于，所述患者基本情况与疾病诊断的评分数据的计算步骤为：
a)读取存储的患者指纹、处方药品、疾病诊断三元组数据；
b)启动归并过程，提取处方药品编号作为主键，患者与疾病诊断作为值，将存储中具有相同处方药品编号的数据按照处方药品、疾病诊断、患者指纹序列对的格式进行归并；
c)对同一主键的数据进行归并操作，并输出最终结果，该结果以处方药品编号为主键，患者指纹、疾病诊断序列对为值，并保存在数据库中，作为处方药品评分数据。


5.根据权利要求3所述的处方推荐方法，其特征在于，所述患者相似度矩阵计算的步骤为：
a)读取本地存储的患者指纹与疾病诊断的评分数据；
b)以患者指纹对为主键，患者指纹与疾病诊断的评分对为值进行数据的重新整理，计算患者指纹之间患者与疾病诊断的评分距离，输出主键为患者指纹对，值为两两患者指纹对于相同疾病诊断的评分距离；
c)启动归并过程，将相同患者指纹对的数据进行合并，得到两个患者指纹所有相同疾病诊断评分的距离值，归并结果的主键为待治疗患者，值为已治疗患者和其与待治疗患者之间的评分距离，保存归并结果，作为患者相似度矩阵数据。


6.根据权利要求2所述的处方推荐方法，其特征在于，所述基...

【专利技术属性】
技术研发人员：刘云，张小亮，王永庆，缪姝妹，叶欣，徐俊捷，柯善星，邱帅，景慎旗，单涛，卢姗，郭建军，王忠民，
申请(专利权)人：江苏省人民医院南京医科大学第一附属医院，南京如兴汇企业发展有限公司，
类型：发明
国别省市：江苏;32