一种药物不良反应的判断模型建立方法、判断方法技术

本发明专利技术提供了药物不良反应的判断模型建立方法、判断方法，属于判断模型技术领域。解决了现有判断方法不能快速获得结果的问题。本药物不良反应的判断模型建立方法包括以下步骤：S1：输入用于训练判断模型的病人皮疹症状图像数据；S2：识别病人皮疹症状图像中的皮损表现并进行深度学习；S3：获得能够识别病人皮疹症状的判断模型；S4：输入训练判断模型的病人影像学图像数据；S5：对病人影像学指标数据进行深度学习；S6：获得能够识别小叶间隔增厚征像的判断模型；S7：输入建立判断模型的病人数据指标类型；S8：输入判断模型中每一项病人数据指标类型的评分方法；S9：输入判断模型中评分结果相匹配的判断结果。本发明专利技术具有快速判断的优点。优点。优点。

【技术实现步骤摘要】
一种药物不良反应的判断模型建立方法、判断方法


[0001]本专利技术属于判断模型
，特别涉及一种抗幽门螺杆菌药物不良反应的判断模型建立方法、判断方法。

技术介绍

[0002]幽门螺杆菌是一种螺旋形、微厌氧、对生长条件要求十分苛刻的革兰氏阴性杆菌，主要定植于人体胃窦部黏膜上皮细胞表面，可引起慢性胃炎、消化道溃疡、淋巴增生性胃淋巴瘤等，同时幽门螺杆菌感染也是导致胃癌发生的独立危险因素。幽门螺杆菌感染的治疗主要病人采用四联方案，即一种质子泵抑制剂+一种铋剂+两种抗生素，疗程 14 天，或者采用大剂量二联方案，即双倍剂量质子泵抑制剂和每日大于等于 3g 剂量的阿莫西林，疗程 14 天。病人在治疗期间，病人一定要坚持按时用药，同时避免抽烟喝酒也不要饮用咖啡，坚持少食多餐，不要吃过硬的食物。
[0003]病人在使用抗幽门螺杆菌药物治疗后出现常见的不良反应主要是胃肠道不良反应，一般症状比较轻微，随着用药时间的延长病人一般都能自行耐受。而相对严重且限制病人继续用药的不良反应主要为两类，一类是发热，一类是皮疹。
[0004]但当病人在用药过程中出现发热、皮疹的症状大多不具备特异性，可由其他原因引起，并不完全是抗幽门螺杆菌药物诱导的，因此，当服用抗幽门螺杆菌药物的病人出现发热、皮疹症状后，需要评估是否由药物引起，还是其他原因引起，以指导后续的临床诊疗，但目前现有的判断方法并不能快速获得结果。

技术实现思路

[0005]本专利技术的目的是针对现有技术中存在的上述问题，提供了一种能够快速判断病因的抗幽门螺杆菌药物不良反应的判断模型建立方法、判断方法及装置。
[0006]本专利技术的第一个目的可通过下列技术方案来实现：一种药物不良反应的判断模型建立方法，其特征在于，包括以下步骤：步骤 S1：输入用于训练判断模型的病人皮疹症状图像数据；步骤 S2：识别病人皮疹症状图像数据中的皮损表现并进行深度学习；步骤 S3：获得能够识别病人皮疹症状的判断模型；步骤 S4：输入用于训练判断模型的病人影像学图像数据，包括正常影像数据和病变影像数据，正常影像数据为使用抗幽门螺杆菌药物之前的胸部 CT 扫描影像数据，病变影像数据为使用抗幽门螺杆菌药物之后的胸部 CT 扫描影像数据，病变影像数据包括小叶间隔增厚的征像；步骤 S5：对病人影像学指标数据进行深度学习：按照全肺的纵向高度进行分层，对比同一 CT 扫描层面中的正常影像数据和病变影像数据，识别病变影像数据中的小叶间隔增厚的征像并进行深度学习；步骤 S6：获得能够识别小叶间隔增厚征像的判断模型；
步骤 S7：输入用于建立判断模型的病人数据指标类型，所述的病人数据类型指标包括体征数据、病人用药组合情况数据、实验室检查数据；步骤 S8：输入判断模型中每一项病人数据指标类型的评分方法；步骤 S9：输入判断模型中评分结果相匹配的判断结果。
[0007]在上述的药物不良反应的判断模型建立方法中，所述的病变影像数据中标注有供深度学习的小叶间隔增厚的征像。
[0008]在上述的药物不良反应的判断模型建立方法中，所述的体征数据包括体温峰值、呼吸频率、心率、血压、症状指标、血气分析和肺功能检测结果。
[0009]本专利技术的第二个目的可通过下列技术方案来实现：一种药物不良反应的判断方法，其特征在于，基于上述的一种药物不良反应的判断模型建立方法，还包括以下步骤：步骤 S10：输入病人体征数据；步骤 S11：输入病人用药组合情况数据和实验室检查数据；步骤 S12：输入病人皮疹症状图像数据；步骤 S13：根据病人体症数据、用药组合情况数据、实验室检查数据、病人皮疹症状图像数据计算评分结果，输出与评分结果相匹配的判断结果，判断结果为抗幽门螺杆菌药物导致的不良反应的可能性判断；步骤 S14：输入用于判断的病人胸部 CT 扫描的影像图片数据；步骤 S15：识别并捕捉全肺所有 CT 扫描层面的小叶间隔增厚的征像，计算小叶间隔增厚征像的占比，根据占比的比例判断是否是由抗幽门螺杆菌药物导致的不良反应的概率；步骤 S16：输出抗幽门螺杆菌药物导致的症状的概率。
[0010]在上述的一种药物不良反应的判断方法，还包括以下步骤：步骤 S17：当判断为抗幽门螺杆菌药物导致的症状时，匹配预设的用药建议；步骤 S18：输出用药建议。
[0011]在上述的药物不良反应的判断方法中，步骤 S7 中，病人体症数据包括体温峰值、呼吸频率、心率、血压、症状指标、血气分析和肺功能检测，所述的症状指标包括肌肉酸痛指标、腹痛指标、腹泻指标、恶心指标、呕吐指标、头晕指标、乏力指标。
[0012]在上述的药物不良反应的判断方法中，步骤 S8 中，用药组合情况数据包括用药种类和用药时长，实验室检查数据包括白细胞计数、中性粒细胞计数、淋巴细胞计数、嗜酸性粒细胞计数、C 反应蛋白、超敏 C 反应蛋白、血沉、免疫球蛋白 IgE、病毒学抗原指标情况。
[0013]在上述的药物不良反应的判断方法中，步骤 S9 中，皮疹症状数据包括是否患有红色风团、水肿性红斑、丘疹、斑疹、丘疱疹、斑丘疹，皮疹症状数据还包括皮疹部位。
[0014]与现有技术相比，本专利技术具有能够快速判断是否为抗幽门螺杆菌药物导致的症状的优点。
附图说明
[0015]图 1 是本专利技术的流程示意图。
[0016]图 2 是本专利技术的一种药物不良反应的判断方法的流程示意图。
[0017]图 3 是病人胸部 CT 扫描的影像图片数据 1。
[0018]图 4 是病人胸部 CT 扫描的影像图片数据 2。
[0019]图 5 是病人胸部 CT 扫描的影像图片数据 3。
具体实施方式
[0020]以下是本专利技术的具体实施例并结合附图，对本专利技术的技术方案作进一步的描述，但本专利技术并不限于这些实施例。
[0021]如图 1
‑
5 所示，本药物不良反应的判断模型建立方法，包括以下步骤：步骤 S1：输入用于训练判断模型的病人皮疹症状图像数据；步骤 S2：识别病人皮疹症状图像数据中的皮损表现并进行深度学习；步骤 S3：获得能够识别病人皮疹症状的判断模型；步骤 S4：输入用于训练判断模型的病人影像学图像数据，包括正常影像数据和病变影像数据，正常影像数据为使用抗幽门螺杆菌药物之前的胸部 CT 扫描影像数据，病变影像数据为使用抗幽门螺杆菌药物之后的胸部 CT 扫描影像数据，病变影像数据包括小叶间隔增厚的征像；步骤 S5：对病人影像学指标数据进行深度学习：按照全肺的纵向高度进行分层，对比同一 CT 扫描层面中的正常影像数据和病变影像数据，识别病变影像数据中的小叶间隔增厚的征像并进行深度学习；步骤 S6：获得能够识别小叶间隔增厚征像的判断模型；步骤 S7：输入用于建立判断模型的病人数据指标类型，病人数据类型指标包括体征数据、病人用药组合情况数据、实验室检查数据；步骤 S8：输入判断模型中每一项病人数据指标类型的评分方法；步骤 S9：输入判断模型中评分结果相匹配的判断结果。
[0022]进一步细说，病变影本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种药物不良反应的判断模型建立方法，其特征在于，包括以下步骤：步骤S1：输入用于训练判断模型的病人皮疹症状图像数据；步骤S2：识别病人皮疹症状图像数据中的皮损表现并进行深度学习；步骤S3：获得能够识别病人皮疹症状的判断模型；步骤S4：输入用于训练判断模型的病人影像学图像数据，包括正常影像数据和病变影像数据，正常影像数据为使用抗幽门螺杆菌药物之前的胸部CT扫描影像数据，病变影像数据为使用抗幽门螺杆菌药物之后的胸部CT扫描影像数据，病变影像数据包括小叶间隔增厚的征像；步骤S5：对病人影像学指标数据进行深度学习：按照全肺的纵向高度进行分层，对比同一CT扫描层面中的正常影像数据和病变影像数据，识别病变影像数据中的小叶间隔增厚的征像并进行深度学习；步骤S6：获得能够识别小叶间隔增厚征像的判断模型；步骤S7：输入用于建立判断模型的病人数据指标类型，所述的病人数据类型指标包括体征数据、病人用药组合情况数据、实验室检查数据；步骤S8：输入判断模型中每一项病人数据指标类型的评分方法；步骤S9：输入判断模型中评分结果相匹配的判断结果。2.根据权利要求1所述的一种药物不良反应的判断模型建立方法，其特征在于，所述的病变影像数据中标注有供深度学习的小叶间隔增厚的征像。3.根据权利要求1所述的一种药物不良反应的判断模型建立方法，其特征在于，所述的体征数据包括体温峰值、呼吸频率、心率、血压、症状指标、血气分析和肺功能检测结果。4.一种药物不良反应的判断方法，其特征在于，基于权利要求1
‑
3任意一项所述的一种药物不良反应的判断模型建立方法，还包括以下步骤：步骤S10：输入病人体征数据；步骤S11：输...

【专利技术属性】
技术研发人员：吴圣洁，徐珊，吴晓虹，
申请(专利权)人：浙江大学，
类型：发明
国别省市：