基于深度学习的文拉法辛剂量个体化推荐方法及装置制造方法及图纸

本发明专利技术提供一种基于深度学习的文拉法辛剂量个体化推荐方法及装置，属于信息处理技术领域，包括：获取个体特征信息，其中，所述个体特征信息包括以下维度特征信息中的至少一项：人体体征信息、用药历史剂量信息和综合用药信息；将所述个体特征信息输入到xDeepFM剂量预测模型，输出文拉法辛剂量预测信息，其中，所述xDeepFM剂量预测模型包括压缩交互网络和深度神经网络；其中，所述xDeepFM剂量预测模型是基于携带有文拉法辛剂量标签的个体特征样本信息训练得到的。息训练得到的。息训练得到的。

【技术实现步骤摘要】
基于深度学习的文拉法辛剂量个体化推荐方法及装置


[0001]本专利技术涉及信息处理
，尤其涉及一种基于深度学习的文拉法辛剂量个体化推荐方法及装置。

技术介绍

[0002]在一些情况下，患者服用文拉法辛时需要进行治疗性药物监测，即通过测量文拉法辛的活性部分，来监测特定剂量下文拉法辛产生的效果，但即使在治疗性药物监测下，不同患者用同一剂量的文拉法辛进行治疗时，文拉法辛产生的效果存在较大的差异，导致无法确定文拉法辛对于不同个体的有效剂量。
[0003]因此，如何解决难以确定文拉法辛对于不同个体的有效剂量的缺陷，是当前业界亟待解决的问题。

技术实现思路

[0004]本专利技术提供一种基于深度学习的文拉法辛剂量个体化推荐方法及装置，用以解决现有技术中由于不同患者用同一剂量的文拉法辛进行治疗时，文拉法辛产生的效果存在较大的差异，导致无法确定文拉法辛对于不同个体的有效剂量的缺陷，实现准确、快速地确定文拉法辛对于个体的有效剂量。
[0005]本专利技术提供一种基于深度学习的文拉法辛剂量个体化推荐方法，包括：
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的文拉法辛剂量个体化推荐方法，其特征在于，包括：获取个体特征信息，其中，所述个体特征信息包括以下维度特征信息中的至少一项：人体体征信息、用药历史剂量信息和综合用药信息；将所述个体特征信息输入到xDeepFM剂量预测模型，输出文拉法辛剂量预测信息，其中，所述xDeepFM剂量预测模型包括压缩交互网络和深度神经网络；其中，所述xDeepFM剂量预测模型是基于携带有文拉法辛剂量标签的个体特征样本信息训练得到的。2.根据权利要求1所述的基于深度学习的文拉法辛剂量个体化推荐方法，其特征在于，所述将所述个体特征信息输入到xDeepFM剂量预测模型，输出文拉法辛剂量预测信息，包括：对个体特征信息中的各个所述维度特征信息进行嵌入，得到各个所述维度特征信息的嵌入向量；将各个所述维度特征信息的所述嵌入向量输入到所述压缩交互网络，输出压缩交互网络的输出向量；将各个所述维度特征信息的所述嵌入向量输入到所述深度神经网络，输出最后一层所述深度神经网络层的输出向量；将所有所述维度特征信息的嵌入向量、压缩交互网络的输出向量以及最后一层所述深度神经网络层的输出向量进行加权，输出文拉法辛剂量预测信息。3.根据权利要求2所述的基于深度学习的文拉法辛剂量个体化推荐方法，其特征在于，所述将各个所述维度特征信息的所述嵌入向量输入到所述压缩交互网络，输出压缩交互网络的输出向量，包括：将各个所述维度特征信息的所述嵌入向量输入到所述压缩交互网络，所述压缩交互网络对各个所述维度特征信息的所述嵌入向量利用哈达玛积，得到各层压缩交互网络层对应的特征交互矩阵；对每层所述压缩交互网络层对应的特征交互矩阵进行池化，得到每层所述压缩交互网络层对应的输出向量；将各层所述压缩交互网络层对应的输出向量进行横向连接，输出所述压缩交互网络的输出向量。4.根据权利要求2所述的基于深度学习的文拉法辛剂量个体化推荐方法，其特征在于，所述将各个所述维度特征信息的所述嵌入向量输入到所述深度神经网络，输出最后一层所述深度神经网络层的输出向量，包括：将各个所述维度特征信息的所述嵌入向量输入到所述深度神经网络，所述深度神经网络对各个所述维度特征信息的嵌入向量进行拼接，作为初始深度神经网络层的输入向量；将所述初始深度神经网络层的输入向量与所述初始深度神经网络层对应的权重矩阵，经过相乘和非线性变换处理，得到所述初始深度神经网络层的输出向量；每层所述深度神经网络层结合上一层所述深度神经网络层的输出向量，与各层所述深度神经网络层对应的权重矩阵，经过相乘和非线性变换处理，得到各层所述深度神经网络层的输出向量；输出最后一层所述深度神经网络层的输出向量。
5.根据权利要求1所述的基于深度学习的文拉法辛剂量个体化推荐方法，其特征在于，在所述将所述个体特征信息输入到xDeepFM剂量预测模型之前，还包括：获取多个初始个体特...

【专利技术属性】
技术研发人员：张津源，于泽，高飞，周春华，于静，
申请(专利权)人：河北医科大学第一医院，
类型：发明
国别省市：