基于人工智能的用药推荐方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开一种基于人工智能的用药推荐方法、装置、设备及存储介质。该方法包括：获取用药推荐请求，用药推荐请求包括病症类型、当前病症数据和用户画像数据；根据病症类型对应的原始用药推荐模型的目标分析结果，获取目标用药推荐模型；采用目标用药推荐模型对当前病症数据进行分析处理，获取原始推荐用药；对原始推荐用药进行特征分析，获取待分析特征对应的特征分析值；基于用户画像数据确定推荐倾向类型，根据推荐倾向类型，获取待分析特征对应的特征权重；基于待分析特征对应的特征分析值和特征权重，获取原始推荐用药的推荐评估值，将推荐评估值最大的原始推荐用药确定为目标推荐用药。该方法可以有效提高智能用药推荐的有效性和针对性。

【技术实现步骤摘要】
基于人工智能的用药推荐方法、装置、设备及存储介质
本专利技术涉及人工智能
，尤其涉及一种基于人工智能的用药推荐方法、装置、设备及存储介质。
技术介绍
临床决策支持系统(ClinicalDecisionSupportSystem，以下简称CDSS系统)，一般指凡能对临床决策提供支持的计算机系统，这个系统充分运用可供利用的、合适的计算机技术，针对半结构化或非结构化医学问题，通过人机交互方式改善和提高决策效率的系统。CDSS系统是提升医疗质量的重要手段，即通过CDSS系统来深入分析病历资料，从而做出最为恰当的诊疗决策，其根本目的是为了评估和提高医疗质量，减少医疗差错，从而控制医疗费用的支出。当前CDSS系统上集成的用药推荐模型是用于通过分析病症数据，以推荐用药的模型，主要分为基于知识驱动的用药推荐模型和基于数据驱动的用药推荐模型两种类型。基于知识驱动的用药推荐模型是基于各种医学指南和专家共识形成的用药推荐模型。基于数据驱动的用药推荐模型是集成各种机器学习和深度学习等人工智能技术所形成的用药推荐模型。当前评估用药推荐模型的好坏主要通过判断推荐用药与临床实际所开的处方用药是否匹配为标准，根据这种标准确定的用药推荐模型进行用药推荐，由于临床实际的水平参差不齐，临床实际所开的处方用药的治疗疗效不佳，会降低用药推荐模型的推荐精确度，即导致所获取的推荐用药的疗效有效性不高，影响用药推荐模型的推广。
技术实现思路
本专利技术实施例提供一种基于人工智能的用药推荐方法、装置、设备及存储介质，以解决当前用药推荐模型进行用药推荐时存在的推荐精确度不高的问题。一种基于人工智能的用药推荐方法，包括：获取用药推荐请求，所述用药推荐请求包括病症类型、当前病症数据和用户画像数据；根据所述病症类型对应的原始用药推荐模型的目标分析结果，获取所述目标分析结果较好的至少两个目标用药推荐模型；采用至少两个所述目标用药推荐模型对所述当前病症数据进行分析处理，获取至少两个原始推荐用药；对所述原始推荐用药进行特征分析，获取至少两个待分析特征对应的特征分析值；基于所述用户画像数据确定推荐倾向类型，根据所述推荐倾向类型，获取至少两个待分析特征对应的特征权重；基于至少两个所述待分析特征对应的所述特征分析值和所述特征权重，获取至少两个所述原始推荐用药的推荐评估值，将所述推荐评估值最大的所述原始推荐用药确定为目标推荐用药。一种基于人工智能的用药推荐装置，包括：推荐请求获取模块，用于获取用药推荐请求，所述用药推荐请求包括病症类型、当前病症数据和用户画像数据；推荐模型确定模块，用于根据所述病症类型对应的原始用药推荐模型的目标分析结果，获取所述目标分析结果较好的至少两个目标用药推荐模型；原始推荐用药获取模块，用于采用至少两个所述目标用药推荐模型对所述当前病症数据进行分析处理，获取至少两个原始推荐用药；特征分析值获取模块，用于对所述原始推荐用药进行特征分析，获取至少两个待分析特征对应的特征分析值；特征权重获取模块，用于基于所述用户画像数据确定推荐倾向类型，根据所述推荐倾向类型，获取至少两个待分析特征对应的特征权重；目标推荐用药获取模块，用于基于至少两个所述待分析特征对应的所述特征分析值和所述特征权重，获取至少两个所述原始推荐用药的推荐评估值，将所述推荐评估值最大的所述原始推荐用药确定为目标推荐用药。一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于人工智能的用药推荐方法。一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于人工智能的用药推荐方法。上述基于人工智能的用药推荐方法、装置、设备及存储介质，根据病症类型对应的原始用药推荐模型的目标分析结果，获取所述目标分析结果较好的至少两个目标用药推荐模型，再利用目标用药推荐模型对当前病症数据进行分析处理，以获取原始推荐用药，可以保证原始推荐用药的有效性和针对性；再对原始推荐用药进行特征分析，确定待分析特征对应的特征分析值，根据用户画像数据进行分析确定的推荐倾向类型，确定待分析特征对应的特征权重，基于待分析特征对应的特征分析值和对应的特征权重进行加权运算，以确定推荐评估值，使得该推荐评估值可以有效反映用药推荐的有效性和与用户画像数据的贴合度，提高智能用药推荐的有效性和针对性。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术一实施例中基于人工智能的用药推荐方法的一应用环境示意图；图2是本专利技术一实施例中基于人工智能的用药推荐方法的一流程图；图3是本专利技术一实施例中基于人工智能的用药推荐方法的另一流程图；图4是本专利技术一实施例中基于人工智能的用药推荐方法的另一流程图；图5是本专利技术一实施例中基于人工智能的用药推荐方法的另一流程图；图6是本专利技术一实施例中基于人工智能的用药推荐方法的另一流程图；图7是本专利技术一实施例中基于人工智能的用药推荐方法的另一流程图；图8是本专利技术一实施例中基于人工智能的用药推荐方法的另一流程图；图9是本专利技术一实施例中基于人工智能的用药推荐装置的一示意图；图10是本专利技术一实施例中计算机设备的一示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术实施例提供的基于人工智能的用药推荐方法，该基于人工智能的用药推荐方法可应用如图1所示的应用环境中。具体地，该基于人工智能的用药推荐方法应用在CDSS系统中，该CDSS系统包括如图1所示的客户端和服务器，客户端与服务器通过网络进行通信，用于实现根据客户端触发的用药推荐请求，对当前病症数据和用户画像数据进行智能分析，以使获取到的目标推荐用药，以保证推荐用药的准确性、效率性和针对性。其中，客户端又称为用户端，是指与服务器相对应,为客户提供本地服务的程序。客户端可安装在但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备上。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。在一实施例中，如图2所示，提供一种基于人工智能的用药推荐方法，以该方法应用在图1中的服务器为例进行说明，包括如下步骤：S201：获取用药推荐请求，用药推荐请求包括病症类型、当前病症数据和用户画像数据。其中，用药推荐请求是用于触发执行用药推荐服务的请求。作本文档来自技高网...

【技术保护点】
1.一种基于人工智能的用药推荐方法，其特征在于，包括：/n获取用药推荐请求，所述用药推荐请求包括病症类型、当前病症数据和用户画像数据；/n根据所述病症类型对应的原始用药推荐模型的目标分析结果，获取所述目标分析结果较好的至少两个目标用药推荐模型；/n采用至少两个所述目标用药推荐模型对所述当前病症数据进行分析处理，获取至少两个原始推荐用药；/n对所述原始推荐用药进行特征分析，获取至少两个待分析特征对应的特征分析值；/n基于所述用户画像数据确定推荐倾向类型，根据所述推荐倾向类型，获取至少两个待分析特征对应的特征权重；/n基于至少两个所述待分析特征对应的所述特征分析值和所述特征权重，获取至少两个所述原始推荐用药的推荐评估值，将所述推荐评估值最大的所述原始推荐用药确定为目标推荐用药。/n

【技术特征摘要】
1.一种基于人工智能的用药推荐方法，其特征在于，包括：
获取用药推荐请求，所述用药推荐请求包括病症类型、当前病症数据和用户画像数据；
根据所述病症类型对应的原始用药推荐模型的目标分析结果，获取所述目标分析结果较好的至少两个目标用药推荐模型；
采用至少两个所述目标用药推荐模型对所述当前病症数据进行分析处理，获取至少两个原始推荐用药；
对所述原始推荐用药进行特征分析，获取至少两个待分析特征对应的特征分析值；
基于所述用户画像数据确定推荐倾向类型，根据所述推荐倾向类型，获取至少两个待分析特征对应的特征权重；
基于至少两个所述待分析特征对应的所述特征分析值和所述特征权重，获取至少两个所述原始推荐用药的推荐评估值，将所述推荐评估值最大的所述原始推荐用药确定为目标推荐用药。


2.如权利要求1所述的基于人工智能的用药推荐方法，其特征在于，在所述获取用药推荐请求之前，所述基于人工智能的用药推荐方法还包括：
获取与所述病症类型相对应的回顾性数据，所述回顾性数据包括历史病症数据和实际用药数据；
采用与所述病症类型相对应的原始用药推荐模型对所述历史病症数据进行分析处理，获取历史推荐用药数据，对所述历史推荐用药数据与所述实际用药数据进行匹配处理，获取匹配结果，基于所述匹配结果将所述回顾性数据划分为符合模型推荐的第一数据集和不符合模型推荐的第二数据集；
对所述第一数据集和所述第二数据集中的回顾性数据，分别统计短期有效性指标达标率和长期并发症发生率，并进行显著性校验，获取效果分析结果；
若所述效果分析结果满足预设分析条件，则对所述第一数据集和所述第二数据集中的回顾性数据进行差异分析，获取目标短期混杂因素和目标长期混杂因素；
基于所述目标短期混杂因素和所述目标短期混杂因素，对所述第一数据集和所述第二数据集中的回顾性数据进行倾向性分析，获取并存储所述原始用药推荐模型的目标分析结果。


3.如权利要求2所述的基于人工智能的用药推荐方法，其特征在于，所述对所述历史推荐用药数据与所述实际用药数据进行匹配处理，获取匹配结果，包括：
基于所述历史推荐用药数据获取至少一个推荐用药类别，并基于所述实际用药数据获取至少一个实际用药类别；
若所有所述推荐用药类别与所有所述实际用药类别均匹配，则所述匹配结果为符合模型推荐；
若存在至少一个所述推荐用药类别与所述实际用药类别不匹配，则所述匹配结果为不符合模型推荐。


4.如权利要求2所述的基于人工智能的用药推荐方法，其特征在于，所述回顾性数据还包括短期效果数据和长期效果数据；
所述对所述第一数据集和所述第二数据集中的回顾性数据，分别统计短期有效性指标达标率和长期并发症发生率，并进行显著性校验，获取效果分析结果，包括：
基于所述第一数据集中的回顾性数据，获取第一短期有效性指标达标率和第一长期并发症发生率；
基于所述第二数据集中的回顾性数据，获取第二短期有效性指标达标率和第二长期并发症发生率；
对所述第一短期有效性指标达标率、所述第一长期并发症发生率、所述第二短期有效性指标达标率和所述第二长期并发症发生率进行显著性校验，获取效果分析结果。


5.如权利要求2所述的基于人工智能的用药推荐方法，其特征在于，所述对所述第一数据集和所述第二数据集...

【专利技术属性】
技术研发人员：赵惟，徐卓扬，左磊，孙行智，刘卓，赵婷婷，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44