【技术实现步骤摘要】
本专利技术涉及医药领域，尤其涉及药物组合生成与评估的方法和系统。
技术介绍
1、我国人口老龄化问题日益严重，对高质量医疗服务的需求也不断攀升。基层医疗机构的医疗水平有限，而高水平医疗机构则供不应求。因此，急需解决的一个重要问题是如何充分利用高水平医疗机构的诊疗经验，以协助提升基层医疗机构的医疗水平。
2、随着医疗机构数字化进程的加速推进，我国众多医疗机构，特别是三甲医院等高水平医疗机构，已经积累了丰富的电子病历(emr)数据。通过充分利用大数据和人工智能技术，我们有望挖掘这些数据中蕴含的相关知识，从而更好地理解这些高水平机构中医疗专家的诊疗方式和思想。这一努力将有望支持智慧复诊、医疗影像分析、慢性病随访等一系列智慧医疗应用，这些应用具有重要的意义和潜力。
3、近年来，机器学习的预测模型已经在临床决策领域展现了巨大的潜力，极大地提升了医疗决策的准确性和安全性水平。这些模型借助深度学习技术，通过分析大规模个人医疗数据，能够为医疗专业人员提供更为精确的疾病诊断和治疗建议。举例而言，通过深入分析和学习患者的电子健康记录，医疗专业人员能够根据患者的健康状况和病史，为每位患者提供更为个性化的诊断和治疗方案。通过采用基于数据驱动的方法，来研究各种药物与多种疾病之间的相互关系，可以协助医生更快速地做出患者用药的决策，从而降低了患者用药风险，同时也减少了国家疾病管理方面的开支。"组合药物推荐"是指根据患者的具体健康状况，为其推荐一个合适的药物组合作为最终的处方。这种方法的应用，无疑为个性化医疗带来了新的可能性和方向。组合药
4、这个问题在某些方面与序列推荐问题类似，因为本身都属于是推荐任务。然而，“组合药物推荐”存在三个方面的问题：
5、(1)药物推荐需要为患者推荐一个组合。传统推荐任务的给出的推荐结果是单个商品，而在药品推荐中医生往往需要一次为患者开出一组药品，如何结合包推荐系统进行药品推荐，是我们面临的第一个大挑战。
6、(2)药品推荐系统的第二个挑战是药品之间存在着多种多样的相互作用。有些药品之间存在药效互相促进的协同作用，有些药品间存在药效互相抵消的拮抗作用，甚至有些药品的合用会导致毒性或者其他副作用。如图1所示，病人是患有某种肾脏疾病，左边部分是医生为病人所开药品，其中部分药品存在协同作用，可以促进药效。右边部分是统计分析出来的对症高频药品。可以看到这些药品可能是由于一些拮抗作用而没有被选取，下面的药品可能是跟已有的某种药品产生了毒性，因此也没有被此患者使用。
7、(3)长尾药物学习不充分问题。经过统计数据分析，发现绝大部分患者使用的药物偏向于部分热门的药物，这将导致中长尾药物难以获得较多的监督信号，进而使得药物推荐的结果进一步偏向于部分热门药物，从而导致中长尾药物的推荐效果受到影响。
技术实现思路
1、针对组合药物推荐场景中需要为患者推荐一个药品组合的难题，本专利技术将组合药物推荐问题拆解为药物组合生成和药物组合评估的两阶段解法。针对药物间存在多种多样的相互作用的问题，本专利技术提出了一个药品相互作用图神经网络模块。针对中长尾药物学习不充分的问题，本专利技术提出了基于对比学习的表征增强网络。为了解决上述问题，本专利技术的目的在于提供药物组合生成与评估的方法和系统。
2、为此，本专利技术的一个方面提供药物组合生成与评估的方法，包括以下步骤：
3、步骤s1，对患者药物分别进行预训练，生成患者表征向量和药物表征向量，其中包括以下步骤：
4、步骤s1.1，建立第一患者编码器，以患者的入院记录、检验检查记录、手术记录作为输入，通过统一的医学预训练bert模型获得各部分表征，再进行异构表征的自适应融合；
5、步骤s1.2，建立第一药物编码器，以药物固有属性特征和药物说明书作为输入，并引入药物相互作用关系图，使用gat模型对其进行建模，再进行异构表征的自适应融合；
6、步骤s1.3，从患者编码器生成的患者表征向量和药物编码器生成的药物表征向量中获得正样本和负样本；
7、步骤s2，生成药物组合，其中包括以下步骤：
8、步骤s2.1，输入患者预训练表征，每个药物的预训练表征；
9、步骤s2.2，采用transformer的decoder作为生成器，逐个生成得到多个药物，从而得到药物组合；
10、步骤s2.3，采用beam-search优化，生成并选择最可能的多个药物，再基于当前生成的多个药物进一步寻找最优解，并输出多个药物组合；
11、步骤s3，药物组合评估，其中包括以下步骤：
12、步骤s3.1，建立第二患者编码器，融合患者的入院记录、检验检查记录、手术记录；
13、步骤s3.2，建立第二药物编码器，融合药物的文本特征和药物间相互作用关系图；
14、步骤s3.3，根据药物间相互作用关系矩阵，判定当前药物组合中相互作用程度。
15、步骤s3.4，以患者表征和药物组合中的每个药物表征进行拼接作为transformer的输入，实现listwise的集合建模，最终得到当前患者对当前药物组合的匹配程度。
16、步骤s3.5，输出当前患者对当前候选药物组合的得分。
17、进一步的，步骤s1中，采用pairwise损失函数进行模型训练，同时设计目标药物和邻居药物的辅助损失，通过药物相互作用图中的边分类任务作为辅助任务，以减缓推荐模型中的药物相互作用。
18、进一步的，在步骤1中，基于对比学习，对候选药品进行数据增强，设计in-batch辅助损失驱动模型提升长尾药品表征学习效果。
19、进一步的，步骤s1.1和步骤s1.2中所述自适应融合采用了gate fusion结构实现异构表征的自适应融合。
20、进一步的，步骤s1.3中，所述负样本是从全量候选药物中进行随机负采样得到的，并针对每个正样本，都从其同大类下随机采样药物以获得困难负样本。
21、本专利技术的另一个方面提供药物组合生成与评估的系统，包括以下模块：患者药物预训练模块，药物组合生成模块，药物组合评估模块，其中：
22、患者药物预训练模块用于对患者药物分别进行预训练，生成患者表征向量和药物表征向量，包括以下组件：
23、第一患者编码器，以患者的入院记录、检验检查记录、手术记录作为输入，用于通过统一的医学预训练bert模型获得各部分表征，再进行异构表征的自适应融合；
24、第一药物编码器，以药物固有属性特征和药物说明书作为输入，并引入药物相互作用关系图，用于使用gat模型对其进行建模，再进行异构表征的自适应融合；
25、预测层，用于从患者编码器生成的患者表征向量和药物编码器生成的药物表征向量中获得正样本和负样本；
26、药物组合生成模块，用于基于患者信息，生成药物组合本文档来自技高网...
【技术保护点】
1.药物组合生成与评估的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的药物组合生成与评估的方法，其特征在于，步骤S1中，采用Pairwise损失函数进行模型训练，同时设计目标药物和邻居药物的辅助损失，通过药物相互作用图中的边分类任务作为辅助任务，以减缓推荐模型中的药物相互作用。
3.根据权利要求1所述的药物组合生成与评估的方法，其特征在于，在步骤1中，基于对比学习，对候选药品进行数据增强，设计in-batch辅助损失驱动模型提升长尾药品表征学习效果。
4.根据权利要求1所述的药物组合生成与评估的方法，其特征在于，步骤S1.1和步骤S1.2中所述自适应融合采用了Gate Fusion结构实现异构表征的自适应融合。
5.根据权利要求1所述的药物组合生成与评估的方法，其特征在于，步骤S1.3中，所述负样本是从全量候选药物中进行随机负采样得到的，并针对每个正样本，都从其同大类下随机采样药物以获得困难负样本。
6.药物组合生成与评估的系统，其特征在于，包括以下模块：患者药物预训练模块，药物组合生成模块，药物组合评估模块
7.根据权利要求6所述的药物组合生成与评估的系统，其特征在于，所述患者药物预训练模块，采用Pairwise损失函数进行模型训练，同时设计目标药物和邻居药物的辅助损失，通过药物相互作用图中的边分类任务作为辅助任务，以减缓推荐模型中的药物相互作用。
8.根据权利要求6所述的药物组合生成与评估的系统，其特征在于，在患者药物预训练模块中，基于对比学习，对候选药品进行数据增强，设计in-batch辅助损失驱动模型提升长尾药品表征学习效果。
9.根据权利要求6所述的药物组合生成与评估的系统，其特征在于，第一患者编码器和第一药物编码器中所述自适应融合采用了Gate Fusion结构实现异构表征的自适应融合。
10.根据权利要求6所述的药物组合生成与评估的系统，其特征在于，所述预测层中，所述负样本是从全量候选药物中进行随机负采样得到的，并针对每个正样本，都从其同大类下随机采样药物以获得困难负样本。
...【技术特征摘要】
1.药物组合生成与评估的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的药物组合生成与评估的方法，其特征在于，步骤s1中，采用pairwise损失函数进行模型训练，同时设计目标药物和邻居药物的辅助损失，通过药物相互作用图中的边分类任务作为辅助任务，以减缓推荐模型中的药物相互作用。
3.根据权利要求1所述的药物组合生成与评估的方法，其特征在于，在步骤1中，基于对比学习，对候选药品进行数据增强，设计in-batch辅助损失驱动模型提升长尾药品表征学习效果。
4.根据权利要求1所述的药物组合生成与评估的方法，其特征在于，步骤s1.1和步骤s1.2中所述自适应融合采用了gate fusion结构实现异构表征的自适应融合。
5.根据权利要求1所述的药物组合生成与评估的方法，其特征在于，步骤s1.3中，所述负样本是从全量候选药物中进行随机负采样得到的，并针对每个正样本，都从其同大类下随机采样药物以获得困难负样本。
6.药物组合生成与评估的系统，其特征在...
【专利技术属性】
技术研发人员：黄飞跃，鲁维海，徐宇辰，朱立峰，
申请(专利权)人：上海交通大学医学院附属瑞金医院，
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。