基于人工智能的互联网医院合理用药引擎构建方法技术

基于人工智能的互联网医院合理用药引擎构建方法，其特征在于，包括如下步骤：S1:构建药品通用名为中心的知识图谱；S2:根据知识图谱，设计合理用药规则模型；S3:获取既往数据形成训练集，以训练集为基础进行AI训练模型；符合设定的指标要求后将用药规则模型应用于业务；S4:医学人工审核、订正规则，重复S3步骤。此方法以知识图谱为基础，设计合理用药的规则模型，将合理用药规则模型和既往处方反复进行医学审核，优化智能合理用药规则，与单纯以药品说明书结构化合理用药规则相比，更加具有临床基础，临床实际效果更佳，更贴近医生临床实际用药习惯。同时可以大大提高处方质量、降低处方驳回率、提高处方审核效率。提高处方审核效率。提高处方审核效率。

【技术实现步骤摘要】
基于人工智能的互联网医院合理用药引擎构建方法


[0001]本专利技术涉及互联网医疗
，尤其涉及用于互联网医院的合理用药引擎构建方法。

技术介绍

[0002]合理用药是指根据疾病种类、患者状况和药理学理论选择最佳的药物及其制剂，制定或调整给药方案，以期有效、安全、经济地防治和治愈疾病的措施。
[0003]随着互联网医疗服务的兴起，互联网药方的安全性问题是互联网医疗服务的重要课题，如何安全、高效地对互联网医院的用药进行规范是互联网医疗服务必须面对且必须解决的问题。
[0004]一种比较常规的想法是：根据药品说明书结构化合理用药规则，并开发成智能审方产品，但是这种方法往往忽视了临床实际情况的偏差，不能真正贴近医生临床用药习惯。且由于不同医生的诊疗水平差异，导致处方质量参差不齐，药师审方驳回率高、处方审核效率不高。

技术实现思路

[0005]本专利技术的目的在于提供一种基于人工智能的互联网医院合理用药引擎构建方法。
[0006]第一方面，基于人工智能的互联网医院合理用药引擎构建方法，其特征在于，包括如下步骤：S1:构建药品通用名为中心的知识图谱；S2:根据知识图谱，设计合理用药规则模型；S3:获取既往数据形成训练集，以训练集为基础进行AI训练模型；符合设定的指标要求后将用药规则模型应用于业务；S4:医学人工审核、订正规则，重复S3步骤。此方法以知识图谱为基础，设计合理用药的规则模型，将合理用药规则模型和既往处方反复进行医学审核，优化智能合理用药规则，与单纯以药品说明书结构化合理用药规则相比，更加具有临床基础，临床实际效果更佳，更贴近医生临床实际用药习惯。同时可以大大提高处方质量、降低处方驳回率、提高处方审核效率；同时，S4步骤中，医学人工审核、订正规则，可以有效避免纯粹由AI训练造成的可能成为纯统计的结果。
[0007]结合第一方面，在第一方面的第一种可能的实施例中，在符合设定的指标要求后，将合理用药规则模型应用于业务，汇总业务应用过程中产生的问题数据集，进入S4步骤。在此实施例中，汇总业务应用过程中产生的问题数据集，再经过人工审核、修订规则，进入AI训练模型，可以不断改进合理用药规则模型。
[0008]结合第一方面或第一方面的第一种实施例，在第一方面的第二种可能的实施例中，S3步骤过程中，获取既往数据包括如下步骤：S31:问诊数据、处方数据提取；S32:问诊数据、处方数据的数据清洗及结构化处理。在此实施例中，问诊数据、处方数据进行结构化处理可以有利于AI训练模型的处理。
[0009]结合第一方面的第二种实施例，在第一方面的第三种可能的实施例中，S31步骤中，获取处方数据、诊断数据后对数据进行打标，问诊数据标签包括性别、年龄、地区、症状、
药物过敏、肝功能不全、肾功能不全、妊娠、哺乳；处方数据标签包括疾病诊断、科室、药品通用名、商品名、用法、用量、频次、开方天数、处方量、同处方其他药品。在此实施例中，获取数据后对相关数据根据临床经验进行打标，且标签涵盖了可能影响合理用药的所有因素，更为科学。
[0010]结合第一方面的第三种实施例，在第一方面的第四种可能的实施例中，对处方药品品类进行二级分类打标。
[0011]结合第一方面，在第一方面的第五种可能的实施例中，对药品分类进行合理用药规则模型制作，合理用药规则模型涵盖适应症、用法、给药频率(上限/下限)、异常剂量、极量、性别用药、特殊人群、配伍禁忌、禁忌症、重复用药。
[0012]结合第一方面第二种实施例，在第一方面的第六种可能的实施例中，利用合理用药规则模型，对既往处数据进行撞库实现问诊数据、处方数据的提取。在此实施例中，通过撞库实现问诊数据、处方数据的提取，在数据提取方面具有较好的科学性。
[0013]结合第一方面的第六种实施例，在第一方面的第七种可能的实施例中，每次人工修订规则后再次进行AI训练的训练集与修订前进行AI训练的训练集不一致。人工修订规则是在训练集进行AI训练模型后针对性进行修改，若修订后仍以之前的训练集进行AI训练模型，则AI训练模型得到的结果更容易提高相应的指标，不符合科学性的要求，因此，本实施例中，每次人工修订规则后再次进行AI训练的训练集与修订前进行AI训练的训练集不一致。
[0014]结合第一方面，在第一方面的第八中可能的实施例中，S3步骤中，利用AI训练模型对合理用药规则模型进行训练，适用症规则判别采用自然语言处理技术；用量及处方天数规则判别采用规格解析模型；药物相互作用采用自然语言处理技术。在此实施例中，根据合理用药规则的特定项目采用不同的AI方法进行处理，可以得到更为理想的效果。
附图说明
[0015]图1是基于人工智能的互联网医院合理用药引擎构建方法的流程图。
[0016]图2是药品通用名为中心的知识图谱的示意图。
具体实施方式
[0017]现在参考附图详细描述具体实施例。
[0018]图1示意了一种基于人工智能的互联网医院合理用药引擎构建方法的流程图。
[0019]图1所示的基于人工智能的互联网医院合理用药引擎构建方法，包括如下步骤：
[0020]S1:构建药品通用名为中心的知识图谱，如图2所示；
[0021]S2:根据知识图谱，设计合理用药规则模型；
[0022]S3:获取既往数据形成训练集，以训练集为基础进行AI训练模型；符合设定的指标要求后将用药规则模型应用于业务；
[0023]S4:医学人工审核、订正规则，重复S3步骤。
[0024]在符合设定的指标要求后，将合理用药规则模型应用于业务，汇总业务应用过程中产生的问题数据集，进入S4步骤。
[0025]S2步骤中，合理用药规则模型涵盖适应症、用法、给药频率(上限/下限)、异常剂
量、极量、性别用药、特殊人群、配伍禁忌、禁忌症、重复用药。
[0026]S3步骤过程中，获取既往数据包括如下步骤：
[0027]S31:问诊数据、处方数据提取。获取处方数据、诊断数据后对数据进行打标，问诊数据标签包括性别、年龄、地区、症状、药物过敏、肝功能不全、肾功能不全、妊娠、哺乳。处方数据标签包括疾病诊断、科室、药品通用名、商品名、用法、用量、频次、开方天数、处方量、同处方其他药品。对处方药品品类进行二级分类打标，比如抗生素处方类别下包括头孢类等二级类别。利用合理用药规则模型，对既往处数据进行撞库实现问诊数据、处方数据的提取。
[0028]S32:问诊数据、处方数据的数据清洗及结构化处理。
[0029]S3步骤中，每次人工修订规则后再次进行AI训练的训练集与修订前进行AI训练的训练集不一致。利用AI训练模型对合理用药规则模型进行训练，适用症规则判别采用自然语言处理技术；用量及处方天数规则判别采用规格解析模型；药物相互作用采用自然语言处理技术。
[0030]此方法以知识图谱为基础，设计合理用药的规则模型，将合理用药规则模型和既往处方反复进行医学审核，优化智能合理用药规则，与单纯以药品说本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于人工智能的互联网医院合理用药引擎构建方法，其特征在于，包括如下步骤：S1:构建药品通用名为中心的知识图谱；S2:根据知识图谱，设计合理用药规则模型；S3:获取既往数据形成训练集，以训练集为基础进行AI训练模型；符合设定的指标要求后将用药规则模型应用于业务；S4:医学人工审核、订正规则，重复S3步骤。2.根据权利要求1所述的基于人工智能的互联网医院合理用药引擎构建方法，其特征在于，在符合设定的指标要求后，将合理用药规则模型应用于业务，汇总业务应用过程中产生的问题数据集，进入S4步骤。3.根据权利要求1或2所述的基于人工智能的互联网医院合理用药引擎构建方法，其特征在于，S3步骤过程中，获取既往数据包括如下步骤：S31:问诊数据、处方数据提取；S32:问诊数据、处方数据的数据清洗及结构化处理。4.根据权利要求3所述的基于人工智能的互联网医院合理用药引擎构建方法，其特征在于，S31步骤中，获取处方数据、诊断数据后对数据进行打标，问诊数据标签包括性别、年龄、地区、症状、药物过敏、肝功能不全、肾功能不全、妊娠、哺乳；处方数据标签包括疾病诊断、科室、药品通用名、商品名、用...

【专利技术属性】
技术研发人员：刘红樱，张洁林，汤佳，匡明，
申请(专利权)人：杭州康晟健康管理咨询有限公司，
类型：发明
国别省市：