本发明专利技术提供一种药品用法用量推荐方法、装置、电子设备及存储介质，所述方法包括：响应于处方单上输入的药品名称，获取所述处方单上的用户信息和所述用户的用药信息；基于所述用户信息和所述用药信息预测出所述药品的用法用量，所述用法用量包括：给药方式、单次用量和用药频次；推荐预测的所述药品的用法用量。由此可知，本发明专利技术实施例中，基于患者用户的用户信息和所述患者用户的用药信息，可以预测出该药品的用法用量，并自动推荐该药品的用法用量到处方单界面上，以便于医生参考该药品的用法用量，提高了推荐药品用法用量的准确性。提高了推荐药品用法用量的准确性。提高了推荐药品用法用量的准确性。
【技术实现步骤摘要】
药品用法用量推荐方法、装置、电子设备及存储介质
[0001]本专利技术涉及互联网
，尤其涉及一种药品用法用量推荐方法、装置、电子设备、及计算机可读存储介质。
技术介绍
[0002]目前，多数医生在给用户看诊后，通常会根据经验去开处方药品，而医生在开处方药品时，针对不同的用户，药品的用法用量需要手动输入开多少，有可能存在开错的风险。
[0003]所以，如何为医生推荐药品的用法用量，是目前有待解决的技术问题。
技术实现思路
[0004]本专利技术提供一种药品用法用量推荐方法、装置、电子设备及计算机可读存储介质，以至少解决相关技术不能根据药品名称自动为用户推荐药品的用法用量，需要手动输入药品的用法用量，导致输入的药品的用法用量的准确度较低的技术问题。本专利技术的技术方案如下：
[0005]根据本专利技术实施例的第一方面，提供一种药品用法用量的推荐方法，包括：
[0006]响应于处方单界面上输入的药品名称，获取所述处方单界面上的用户信息和所述用户的用药信息；
[0007]基于所述用户信息和所述用药信息预测出所述药品的用法用量，所述用法用量包括：给药方式、单次用量和用药频次；
[0008]推荐预测的所述药品的用法用量。
[0009]可选的，所述基于所述用户信息和所述用药信息预测所述药品的用法用量，包括：
[0010]根据所述用户信息获取所述药品的给药方式；
[0011]获取开药历史数据；
[0012]基于所述开药历史数据构造用量推荐样本；
[0013]根据所述用量推荐样本预测所述药品的单次用量；基于所述开药历史数据和所述药品的单次用量预测药品的用药频次；或者，根据所述用量推荐样本预测所述药品的用药频次；基于所述开药历史数据和所述药品的用药频次预测药品的单次用量。
[0014]可选的，所述基于所述开药历史数据构造用量推荐样本，包括：
[0015]提取所述开药历史数据中的信息特征，所述信息特征包括：用户的年龄、性别、诊断、药品名称、药品规格、药品成分、药品类别和药品给药方式；并将所述信息特征作为所述用量推荐样本的特征；
[0016]获取所述开药历史数据中每种药的药品规格，并将每种药的药品规格转换成统一剂量单位；
[0017]将所述开药历史数据中每种药品的单次剂量均按照统一剂量单位转换成对应的数值，并将每种药品对应的数值作为用量推荐样本的标签。
[0018]可选的，所述根据所述用量推荐样本预测所述药品的单次剂量，包括：
[0019]获取预先训练的深度学习模型或者机器学习模型，其中，所述深度学习模型或者机器学习模型是基于用量推荐训练样本训练得到的；
[0020]将所述用量推荐样本作为所述深度学习模型或者机器学习模型的输入，预测出药品的单次用量。
[0021]可选的，所述深度学习模型或者机器学习模型通过如下方式训练得到：
[0022]将用量推荐训练样本的特征作为所述深度学习模型或者机器学习模型的输入，经过多层神经网络的处理，并将处理结果经过softmax层进行处理，得到向量；
[0023]获取所述向量中最大值的索引；
[0024]将所述最大值的索引所对应的用量作为药品的单次用量的预测训练结果。
[0025]可选的，所述基于所述开药历史数据和所述药品的单次用量预测药品用药频次，包括：
[0026]基于历史处方数据和所述药品的单次用量构造用药频次推荐样本；
[0027]根据所述用药频次推荐样本预测药品的用药频次。
[0028]可选的，所述基于历史处方数据和所述药品的单次用量构造用药频次推荐样本，包括：
[0029]提取所述开药历史数据中信息特征，所述信息特征包括：用户的年龄、性别、诊断、药品名称、药品规格、药品成分、药品类别和药品给药方式；
[0030]将所述信息特征和药品单次剂量作为用药频次推荐样本的特征；
[0031]将所述历史数据中的用药频次以天为单位的药品频次作为用药频次推荐样本的标签。
[0032]可选的，所述根据所述用药频次推荐样本预测药品的用药频次，包括：
[0033]获取预先训练的深度学习模型或者机器学习模型，其中，所述深度学习模型或者机器学习模型是基于用药频次推荐样本训练得到的；
[0034]将所述用药频次推荐样本作为所述深度学习模型或者机器学习模型的输入，预测出用药频次。
[0035]可选的，在推荐所述药品的用法用量之前，所述方法还包括：
[0036]判断预测的所述药品的单次用量和用药频次是否均满足预设药品用法用量的使用范围时，如果满足，则执行推荐所述药品的用法用量的步骤。
[0037]可选的，所述方法还包括：
[0038]在判定预测的所述药品的用法用量中的所述单次用量和/或所述用药频次不满足预设药品用法用量的使用范围时，将所述单次用量和/或所述用药频次替换为所述预设药品用法用量的使用范围的最大值或最小值，以使预测的预测的所述单次用量和/或用药频次满足预设药品的使用范围；
[0039]推荐替换后的所述药品的用法用量。
[0040]根据本专利技术实施例的第二方面，提供一种药品用法用量的推荐装置，包括：
[0041]获取模块，用于响应于处方单界面上输入的药品名称，获取所述处方单界面上的用户信息和所述用户的用药信息；
[0042]预测模块，用于基于所述用户信息和所述用药信息预测出所述药品的用法用量，所述用法用量包括：给药方式、单次用量和用药频次；
[0043]第一推荐模块，用于推荐所述预测模块预测的所述药品的用法用量。
[0044]可选的，所述预测模块包括：给药方式获取模块，历史数据获取模块，第一构造模块，第一用量预测模块和第一频次预测模块；或者给药方式获取模块，历史数据获取模块，第一构造模块第二频次预测模块和第二用量预测模块；其中，
[0045]给药方式获取模块，用于根据所述用户信息获取所述药品的给药方式；
[0046]历史数据获取模块，用于获取开药历史数据；
[0047]第一构造模块，用于基于所述开药历史数据构造用量推荐样本；
[0048]第一用量预测模块，用于根据所述用量推荐样本预测所述药品的单次用量；
[0049]第一频次预测模块，用于基于所述开药历史数据和所述药品的单次用量预测药品的用药频次；
[0050]第二频次预测模块，用于根据所述用量推荐样本预测所述药品的用药频次；
[0051]第二用量预测模块，用于基于所述开药历史数据和所述药品的用药频次预测药品的用单词用量。
[0052]可选的，所述第一构造模块包括：
[0053]第一提取模块，用于提取所述开药历史数据中的信息特征，所述信息特征包括：用户的年龄、性别、诊断、药品名称、药品规格、药品成分、药品类别和药品给药方式；
[0054]第一特征确定模块，用于将所述提取模块提取的所述信息特征作为所述用本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种药品用法用量的推荐方法，其特征在于，包括：响应于处方单界面上输入的药品名称，获取所述处方单界面上的用户信息和所述用户的用药信息；基于所述用户信息和所述用药信息预测出所述药品的用法用量，所述用法用量包括：给药方式、单次用量和用药频次；推荐预测的所述药品的用法用量。2.根据权利要求1所述的药品用法用量的推荐方法，其特征在于，所述基于所述用户信息和所述用药信息预测所述药品的用法用量，包括：根据所述用户信息获取所述药品的给药方式；获取开药历史数据；基于所述开药历史数据构造用量推荐样本；根据所述用量推荐样本预测所述药品的单次用量；基于所述开药历史数据和所述药品的单次用量预测药品的用药频次；或者，根据所述用量推荐样本预测所述药品的用药频次；基于所述开药历史数据和所述药品的用药频次预测药品的单次用量。3.根据权利要求2所述的药品用法用量的推荐方法，其特征在于，所述基于所述开药历史数据构造用量推荐样本，包括：提取所述开药历史数据中的信息特征，所述信息特征包括：用户的年龄、性别、诊断、药品名称、药品规格、药品成分、药品类别和药品给药方式；并将所述信息特征作为所述用量推荐样本的特征；获取所述开药历史数据中每种药的药品规格，并将每种药的药品规格转换成统一剂量单位；将所述开药历史数据中每种药品的单次剂量均按照统一剂量单位转换成对应的数值，并将每种药品对应的数值作为用量推荐样本的标签。4.根据权利要求3所述的药品用法用量的推荐方法，其特征在于，所述根据所述用量推荐样本预测所述药品的单次剂量，包括：获取预先训练的深度学习模型或者机器学习模型，其中，所述深度学习模型或者机器学习模型是基于用量推荐训练样本训练得到的；将所述用量推荐样本作为所述深度学习模型或者机器学习模型的输入，预测出药品的单次用量。5.根据权利要求4所述的药品用法用量的推荐方法，其特征在于，所述深度学习模型或者机器学习模型通过如下方式训练得到：将用量推荐训练样本的特征作为所述深度学习模型或者机器学习模型的输入，经过多层神经网络的处理，并将处理结果经过softmax层进行处理，得到向量；获取所述向量中最大值的索引；将所述最大值的索引所对应的用量作为药品的单次用量的预测训练结果。6.根据权利要求4所述的药品用法用量的推荐方法，其特征在于，所述基于所述开药历史数据和所述药品的单次用量预测药品用药频次，包括：基于历史处方数据和所述药品的单次用量构造用药频次推荐样本；根据所述...
【专利技术属性】
技术研发人员：刘大海，霍华荣，杨涛，张玉梅，
申请(专利权)人：北京左医科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。