一种基于深度学习的智能配药制药方法技术

本发明专利技术公开了一种基于深度学习的智能配药制药方法。该方法对智能设备端所采集的病患者病情数据进行数据预处理，将处理后的数据传输给配制药品控制服务器，配制药品控制服务器采用基于深度学习的智能配药制药算法进行训练学习，经过训练的网络模型，用于对后续时刻未知的数据采用精准化分析，输出不同病患者所需药品的药量的配比表，配制药品控制服务器定期接收预处理后的病患者数据，及时跟踪和调整病患者所需药品的药量的配比表，从而对病患者实现差异化和定制化的药品配置服务，同时，为厂商提升了配制药品的受众范围，并实现配制药品的智能差异化管理。

【技术实现步骤摘要】
一种基于深度学习的智能配药制药方法
本专利技术涉及医学智能配药制药领域，尤其涉及药品生产和配置过程结合人工智能技术实现配置药品成分的智能控制和差异化管理的方法。
技术介绍
目前，国内的制药厂商通常是预先制定某种药物的药量配比表，并按照此表提取药物的各种成分，在机器上加工制成。这种由专业配药师预先定制药量配比表的方法，通常是按照专业知识进行配置，缺乏差异化、个性化的配置，专业配药师实地大范围的考察病患者的病因、病理和病方，这在现实中存在很多挑战；若长期跟踪病患者的病情，也会耗费很大的人力物力和财力，加之，病患者的病患情况，因人、因时而异，配药师与病患者的直接交流，了解病情的概率，在现实中也不多见。按照需求引领市场的原则，厂商制配药物应该以用户需求为导向，差异化的配制药品，实现智能化配制药品，定制化服务。随着人工智能、物联网等科技的迅猛发展，一些智能化配置的应用也广泛地被普及。结合智能设备和人工智能技术，对配药制药地药量控制实现“私人定制”和差异化管理，这对未来智能化、差异化和动态化的服务在医学应用中有着重要的市场价值。专利本文档来自技高网...

【技术保护点】
1.一种基于深度学习的智能配药制药方法，包括以下步骤：/n步骤A1：智能设备采集当前病患者病情数据，将数据预处理后，传输给配制药品控制服务器；所述数据预处理是将病情数据归档，整理成有结构化的数据；所述结构化的数据依据病患者姓名、性别、年龄、病史情况、体测数据、病因、治疗数据、药物使用情况、持续时间和现状进行分类记录和归档；/n步骤A2：配制药品控制服务器采用基于深度学习的智能配药制药算法输出不同病患者所需药品的药量的配比表；/n步骤A3：配制药品控制服务器定期通过智能设备实时对病患者采集数据预处理后的病情数据，采用本专利技术提出的一种基于深度学习的智能配药制药算法对病患者的所需药品的药量配比进...

【技术特征摘要】
1.一种基于深度学习的智能配药制药方法，包括以下步骤：
步骤A1：智能设备采集当前病患者病情数据，将数据预处理后，传输给配制药品控制服务器；所述数据预处理是将病情数据归档，整理成有结构化的数据；所述结构化的数据依据病患者姓名、性别、年龄、病史情况、体测数据、病因、治疗数据、药物使用情况、持续时间和现状进行分类记录和归档；
步骤A2：配制药品控制服务器采用基于深度学习的智能配药制药算法输出不同病患者所需药品的药量的配比表；
步骤A3：配制药品控制服务器定期通过智能设备实时对病患者采集数据预处理后的病情数据，采用本发明提出的一种基于深度学习的智能配药制药算法对病患者的所需药品的药量配比进行变更，并将变更后的药量配比表传输给病患者或者医生。


2.根据权利要求1所述一种基于深度学习的智能配药制药方法，其特征在于：所述的基于深度学习的智能配药制药算法包括以下步骤：
步骤B1：随机分别初始化Actor网络和Critic网络的参数w和θ；
步骤B2：判断当前时刻t是否小于预设的迭代周期T，若是，则转步骤B3，否则转步骤B10；
步骤B3：初始化状态集S，经过数据预处理后，得到其特征向量φ(S)；
步骤B4：Actor网络用φ(S)作为数据输入，输出当前时刻相应的行为集A，基于行为集A得到下一时刻状态S′和Critic网络的立即奖赏R；
步骤B5：Critic网络分别使用φ(S)，φ(S′)作为数据输入，得到输出的当前状态的总累计奖赏V(S)和后续状态的总累计奖赏V(S′)，其中，依据式(1)和式(2)分别计算V(S)和V(S’)：



V(S′)＝R(t)+βV[S′，argmaxA′V(S′，A′|w|θ)](2)
其中，R(t)表示t...

【专利技术属性】
技术研发人员：赵杰，翟运开，李砺锋，薛文华，宋晓琴，余利，沈志博，孙东旭，
申请(专利权)人：郑州大学第一附属医院，
类型：发明
国别省市：河南;41