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技术

本发明专利技术公开了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，方法具体包括如下步骤：S100：从病历数据、门诊病历数据以及TWOSIDES药物相互作用数据中进行异构特征提取操作；S200：根据提取的多源异构特征构建药物推荐序列生成模型；S300：在药物推荐序列生成模型中输入患者病历，模型计算输出推荐用药信息。本发明专利技术提供的基于病历数据和药物相互作用风险的药物推荐建模方法，通过自动从海量历史病例数据和药物相互作用信息中学习和建模，给出药物推荐信息，对临床药物合理联用提供准确有效的决策依据，同时降低药物不良反应的发生率，为用户的用药安全提供有效保障。

【技术实现步骤摘要】
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
本专利技术涉及一种信息处理领域，特别是涉及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。
技术介绍
经调查，我们发现疾病与症状并不是单纯的一对一关系，一种疾病的发生可能引发多种症状同时发生，因此医生必须通过多种药物的搭配使用来治愈患者。同样地，在个体患者中同时出现两种或多种慢性或急性疾病的情况也越来越普遍。因此如何针对患者的疾病情况选择最合适的治疗方案成为患者就医过程中最重要的一环。药品的搭配组合需要考虑患者的医疗状况，治疗的有效性以及治疗的潜在不利都影响着治疗的最终效果。医生通常根据自己的经验和直觉进行处方。但是，由于知识鸿沟或意料之外的偏见，这些临床决策通常可能不是最佳选择。随着大数据技术的发展，电子病历系统的建设和电子健康档案的广泛使用为利用医疗保健数据改善临床决策提供了一个绝佳的机会。在这种情况下，基于电子病历数据的计算机辅助治疗推荐系统可以提供有力帮助。本方法试图通过从历史病历数据中发现隐藏的临床知识并利用其形成有效且安全的用药建议来提供临床用药决策。
技术实现思路
本专利技术针对现有技术存在的技术问题，提供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，通过自动从海量历史病例数据和药物相互作用信息中学习和建模，给出药物推荐信息，对临床药物合理联用提供准确有效的决策依据，同时降低药物不良反应的发生率，为用户的用药安全提供有效保障。本专利技术解决其技术问题所采用的技术方案是：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，包括以下步骤：S100：从病历数据、门诊病历数据以及TWOSIDES药物相互作用数据中进行异构特征提取操作；S200：根据提取的多源异构特征构建药物推荐序列生成模型；S300：在药物推荐序列生成模型中输入患者病历，模型计算输出推荐用药信息。进一步的，步骤S100具体包括以下步骤：S110：从病历数据、门诊病历数据中提取患者的生理信息和诊断信息作为合理用药推荐的特征，其中生理信息为性别，年龄，体重三个特征，诊断信息为诊断序列特征。S120：从TWOSIDES药物相互作用数据中建立药物相互作用关系作为合理用药推荐的另一个特征。进一步的，步骤S110具体包括以下步骤：S111：历史病历数据集中患者的性别以F和M来区分，为了便于计算机处理，将其分别用0和1来表示。并对药品进行编码转化，使用ATC4编码来表示不同的药品。S112：针对数据集中所有的诊断和药品分别建立字典，在最终生成的数据集中使用整数来表示诊断和药品。进一步的，步骤S120具体包括以下步骤：S121：对于病历数据和MIMIC_III数据集来说，任意选择药品集合中的两个药品，假设编码值为i，j，然后将其的ATC4编码映射到CID分类中。S122：以CID编码为关键词在药物相互作用数据库中搜索这两类药品是否存在着不良的药物相互作用风险，若存在则Aij＝1，否则Aij＝0。依次遍历数据库中所有药品对，生成最终的药物相互作用图的邻接矩阵。S123：对药物相互作用图的邻接矩阵特征进行一维空间转换。建立一个具有两个GCN层的图神经网络，在特征聚合之后，将非线性置换如ReLU应用到生成的输出上，通过多层GCN的堆叠，图中的每个节点的最终隐藏表征从后续邻域获得信息。最后接入一个全连接网络得到一维的向量输出。进一步的，步骤S200具体包括以下步骤：S210：定义符号，让X代表诊断空间，Y代表药物治疗空间。R是一组处方记录，其中是一个诊断序列，以及是一个药品序列。|Xk|和|Yk|分别是Xk和Yk的序列长度。S220：构建一个两层的Transformer模型，通过线性变换将Query，Key，Value投影到不同的空间h次，然后通过计算得到h个self-attention矩阵。最后将h个矩阵进行拼接，并乘上一个权重矩阵，生成最终的注意力矩阵。S230：基于Transformer模型，将提取的特征拼接后作为输入序列，经过多步的编码与解码过程，对每个位置都选择概率分布中概率最大的元素作为我们对当前位置的预测结果，直到生成结束符或达到我们设定的最大序列长度，最终生成的序列即模型对当前患者的用药推荐方案。进一步的，步骤S210具体包括以下步骤：S211：处方记录R＝{(X1，Y1)，(X2，Y2)，…，(Xk，Yk)}S212：诊断序列S213：药品序列进一步的，步骤S220具体包括以下步骤：S221：当计算输入输出序列间的self-attention时，令Q＝K＝V，具体的计算过程如下所示：MultiHead(Q，K，V)＝Concat(head1，…，headh)W0headi＝Attention(QWiQ，KWiK，VWiV进一步的，步骤S300具体包括以下步骤：S310：读取患者病历，作为药物推荐序列生成模型的输入，并进行模型计算，最终输出推荐用药信息。相较于现有技术，本专利技术具有以下有益效果：1、本专利技术提出的基于病历数据和药物相互作用风险的药物推荐建模方法，能够自动从海量历史病例数据和药物相互作用信息中学习和构建药物推荐模型，且能够降低药物不良反应的发生率，较为灵活且合理地给出药物推荐信息，对临床药物合理联用提供准确有效的决策依据，为用户的用药安全提供有效保障。以下结合附图及实施例对本专利技术作进一步详细说明；但本专利技术的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不局限于实施例。附图说明图1是本专利技术的方法流程图。具体实施方式实施例，请参阅图1，本专利技术的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，包括下列步骤：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，包括以下步骤：S100：从病历数据、门诊病历数据以及TWOSIDES药物相互作用数据中进行异构特征提取操作；S200：根据提取的多源异构特征构建药物推荐序列生成模型；S300：在药物推荐序列生成模型中输入患者病历，模型计算输出推荐用药信息。进一步的，步骤S100具体包括以下步骤：S110：从病历数据、门诊病历数据中提取患者的生理信息和诊断信息作为合理用药推荐的特征，其中生理信息为性别，年龄，体重三个特征，诊断信息为诊断序列特征。S120：从TWOSIDES药物相互作用数据中建立药物相互作用关系作为合理用药推荐的另一个特征。进一步的，步骤S110具体包括以下步骤：S111：历史病历数据集中患者的性别以F和M来区分，为了便于计算机处理，将其分别用0和1来表示。并对药品进行编码转化，使用ATC4编码来表示不同的药品。S112：针对数据集中所有的诊断和药品分别建立字典，在最终生成的数据集中使用整数来表示诊断和药品。进一步的，步骤S120具体包括以下步骤本文档来自技高网...

【技术保护点】
1.一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，包括以下步骤：/nS100：从病历数据、门诊病历数据以及TWOSIDES药物相互作用数据中进行异构特征提取操作；/nS200：根据提取的多源异构特征构建药物推荐序列生成模型；/nS300：在药物推荐序列生成模型中输入患者病历，模型计算输出推荐用药信息。/n

【技术特征摘要】
1.一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，包括以下步骤：
S100：从病历数据、门诊病历数据以及TWOSIDES药物相互作用数据中进行异构特征提取操作；
S200：根据提取的多源异构特征构建药物推荐序列生成模型；
S300：在药物推荐序列生成模型中输入患者病历，模型计算输出推荐用药信息。


2.根据权利要求1所述的基于病历数据和药物相互作用风险的药物推荐建模方法，其特征在于，所述步骤S100具体包括以下步骤：
S110：从病历数据、门诊病历数据中提取患者的生理信息和诊断信息作为合理用药推荐的特征，其中生理信息为性别，年龄，体重三个特征，诊断信息为诊断序列特征。
S120：从TWOSIDES药物相互作用数据中建立药物相互作用关系作为合理用药推荐的另一个特征。


3.根据权利要求2所述的基于病历数据和药物相互作用风险的药物推荐建模方法，其特征在于，所述步骤S110具体包括以下步骤：
S111：历史病历数据集中患者的性别以F和M来区分，为了便于计算机处理,将其分别用0和1来表示。并对药品进行编码转化，使用ATC4编码来表示不同的药品。
S112：针对数据集中所有的诊断和药品分别建立字典，在最终生成的数据集中使用整数来表示诊断和药品。


4.根据权利要求2所述的基于病历数据和药物相互作用风险的药物推荐建模方法，其特征在于，所述步骤S120具体包括以下步骤：
S121：对于病历数据和MIMIC_III数据集来说，任意选择药品集合中的两个药品，假设编码值为i，j，然后将其的ATC4编码映射到CID分类中。
S122：以CID编码为关键词在药物相互作用数据库中搜索这两类药品是否存在着不良的药物相互作用风险，若存在则Aij＝1，否则Aij＝0。依次遍历数据库中所有药品对，生成最终的药物相互作用图的邻接矩阵。
S123：对药物相互作用图的邻接矩阵特征进行一维空间转换。建立一个具有两个GCN层的图神经网络，在特征聚合之后，将非线性置换如ReLU应用到生成的输出上，通过多层GCN的堆叠，...

【专利技术属性】
技术研发人员：陈龙彪，蔡晓海，邵云婷，游建议，林志铭，邵志宇，傅建强，黄艳，
申请(专利权)人：厦门大学，
类型：发明
国别省市：福建;35