【技术实现步骤摘要】
本专利技术涉及大数据和人工智能，尤其涉及一种面向2型糖尿病患者的用药推荐方法。
技术介绍
1、糖尿病作为一种慢性病，有着病程长、随着代谢控制变化及病程进展，慢性并发症风险逐渐增加的问题，为患者的健康带来了巨大风险，对医疗资源施加了巨大的压力，对社会医疗保障资金也造成巨大的损耗。因此，糖尿病人管理、降低患者并发症发病率、降低社会负担已经成为社会的长期且艰巨的任务。
2、中国糖尿病患者知晓率、治疗率、达标率均较低，而早期血糖达标对于慢性并发症的防控至关重要。而我国的医疗资源分布不均，医疗水平城乡差异大，基层医疗水平参差不齐。在我国的糖尿病患者中，低教育程度、低收入家庭、超重和肥胖者、有糖尿病家族史的人群的糖尿病和糖尿病前期的发病率较高。城乡居民之间的患病率没有明显差别，尽管城市患病率稍高，但农村地区存在预防措施及医疗条件落后等问题，使得患病率增长更快。现在优质的医疗资源以及患者管理资源往往都分布在一线城市，而三四线城市以及基层的医疗水平极大地限制了诊疗效果，大部分的患者不能得到正确、及时的诊疗。
3、因此，加强基层糖尿病防治，对于优化我国整体糖尿病防治效果亦是重中之重。
4、ai技术的赋能在改善糖尿病诊疗质量、提升诊疗效果、提升基层医生看诊质量和效率等领域是一个非常有价值的研究方向。通过互联网、移动互联网、5g高带宽低延时的新技术来更好地组成医疗大数据、通过ai技术挖掘大数据、利用大数据，将静态的数据变成有用的知识，将教条的规则与诊疗经验结合，变为更加符合患者个性化体征的诊疗方案，可以提高全社会慢
技术实现思路
1、为解决现有技术存在的问题，本专利技术的一个目的是提供一种智能血糖调节辅助系统，通过辅助基层医生问诊和用药决策，提高基层诊疗水平，帮助在基层医院看诊的患者来有效控糖、减轻患者痛苦、减轻社会医疗保障资金的压力。
2、本专利技术的另一目的是提供一种利用上述辅助系统调节血糖的方法。
3、为此，本专利技术采用以下技术方案：
4、一种面向2型糖尿病患者的用药推荐方法，包括以下步骤：
5、s1，构建患者的多级画像特征集合：计算不同的患者特征对于推荐药物准确性的增益，依据增益效果评估画像标签集的取舍，得到患者的多级画像特征集合和结构化的患者画像数据；
6、s2，问诊导航：对s1得到的多级画像特征集合，按部分患者特征进行分类；对分类后不同类别下的患者看诊特征与用药策略进行建模，得到不同类别下的患者看诊特征的权重；依据患者看诊特征的权重大小，按顺序引导基层医生进行问诊；
7、其中，所述部分患者特征选自地域、年龄、bmi是否达标、基础病和它不良习惯中的一种；所述患者看诊特征包括临床化验、近期不适症状、血糖状况；
8、s3，构建用药推荐算法，基于机器学习与深度学习模型生成用药推荐结果，包括：
9、s31，构建基于用户的协同过滤模型：将原协同过滤算法中“相似兴趣”的衡量改为患者自身“血糖场景与体征指标”的自我引证，再执行协同过滤算法的计算逻辑；
10、s32，构建diabetesnet模型用于用药推荐，完成药物的选择，开具药物列表，所述diabetes-net模型包括输入层、向量嵌入层、向量合并层、时间序列模型层、图卷积网络层和输出层其中：
11、所述输入层用于来自s1的画像特征以及相应的结构化的患者画像数据，该层包括四个输入分支：用户历史离散型体征数据输入分支、用户历史连续型体征数据输入分支、用户历史离散型诊断数据输入分支和用户历史离散型用药数据输入分支；
12、s33，建立基于bert模型的药量预测模型，建立用药分类模型进行用药量预测，输出用药量预测；其中：
13、所述用药分类模型基于bert模型进行改造，借鉴bert-mrc训练策略，将用药推荐信息代入输入部分，则输入形式为：
14、[cls]medicine[sep]m1,m2…[sep]patient_representation[sep]，
15、其中，medicine为当前待预测药量的药物，m1,m2,…为与当前待预测的药物联用的其它药物；patient_representation为患者当前以及历史特征向量序列；
16、判别好药量的升/降后，基于专家知识判别用量的具体升/降量；如果某药物是首次被开出，无法判别相对于历史用药应加量还是减量，则直接根据专家共识和权威文件给出保守的用量推荐，再由医生进行审核；
17、s34，构建diabetesnet的训练数据：使用不定长时间窗口，在s1得到的所述患者画像数据中进行滑动采样，将某患者在此时间窗口内的最后一次看诊被开出的药物作为样本真实标签；将时间窗口内的其它看诊时间点的数据作为diabetesnet模型的输入数据；将所述输入数据与所述真实标签按照<输入数据，真实标签>的格式整理成二元组，形成diabetesnet的训练数据；将多次采样得到的多组训练数据按比例分为两份，分别作为训练集和测试集；
18、s35，使用s34得到的训练集对diabetesnet模型进行训练；
19、s36，使用s34得到的测试集对s35训练好的diabetesnet模型进行测试，若由于训练失误导致测试不达标，则返回s35重新训练；若由于患者特征不合理导致测试不达标，则返回s1，重新整理特征；
20、s37，构建基于bert模型的药量预测模型所需的训练数据：
21、使用与s34相同的滑动采样方式采集数据，但将患者在该时间窗口内最后一次看诊使用药物的药量与倒数第二次看诊使用药物的药量作对比，得到药量的升/降/持平关系作为真实标签；同样以s34的形式构建二元组<输入数据，真实标签>，该二元组中输入数据部分的格式已在s33定义，并同样按比例划分训练集和测试集；
22、s38，用s37准备的训练集训练基于bert模型的药量预测模型；
23、s39，使用s37的测试集，对s38训练好的药量预测模型进行测评，若测评达标，则保存模型；若由于训练失误导致测评不达标，则返回s38重新训练；若由于患者特征不合理导致测评不达标，则返回s1，重新整理特征；
24、s4，线上用药推荐，包括：
25、s41，获取当前患者的看诊数据；基于s1得到的患者画像数据获取该患者的历史信息；若存在所述历史信息，则执行s43，若不存在，则执行s42；
26、s42，将所述看诊数据送入diabetesnet模型进行用药预测，对于diabetesnet中用于接收用户历史诊断与用房历史用药的分支给予空值，得到用药预测结果；根据专家共识和权威文件给出保守的用药量推荐，最后由专家知识判别用药量的具体用量数值并审核，完成用药推荐；
27、s43，同时进行协同过滤算法与diabetesnet模型的用药预测，将两本文档来自技高网...
【技术保护点】
1.一种面向2型糖尿病患者的用药推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的用药推荐方法，其特征在于，步骤S1包括：
3.根据权利要求1所述的用药推荐方法，其特征在于，步骤S2包括：
4.根据权利要求3所述的用药推荐方法，其特征在于：步骤S22中所述某个特征为地域、年龄、BMI是否达标、基础病或不良习惯。
5.根据权利要求1所述的用药推荐方法，其特征在于：步骤S32中，所述DiabetesNet模型的输入包括患者的历史血糖场景序列、历史诊断序列和历史用药信息序列，各序列按照时间顺序排序；将离散特征使用嵌入操作转为固定维度的连续值稠密向量，将连续特征向量与经过嵌入操作转换成连续值稠密向量的离散向量拼接后，得到患者的特征向量时间序列。
6.根据权利要求1所述的用药推荐方法，其特征在于：步骤S32中，所述向量嵌入层按照作用原理分为嵌入操作和映射操作，其中：
7.根据权利要求1所述的用药推荐方法，其特征在于：步骤S32中，所述向量合并层接受所述向量嵌入层转化完成的稠密向量，包括Pa、Pb、D、M，并
8.根据权利要求1所述的用药推荐方法，其特征在于：步骤S32中，所述时间序列模型层使用transformer体系的算法进行构建，该层接收所述向量合并层输出的时序向量序列并用其训练GPT模型，训练完成后，通过模型蒸馏进一步提高线上运行速度；GPT模型的输出是预测出该患者本次看诊的用药稠密向量，使用符号qT表示。
9.根据权利要求1所述的用药推荐方法，其特征在于：步骤S32中，所述图卷积网络层根据S1取得的数据中的用户历史用药数据，以邻接矩阵的形式构建药物联用邻接矩阵，其输出是蕴含了药物联用信息的药物联用矩阵，药物联用矩阵的计算公式如下：
10.根据权利要求9所述的用药推荐方法，其特征在于：所述图卷积网络层的可学习参数是药物嵌入矩阵与该层网络的参数矩阵，其中药物嵌入矩阵与向量嵌入层的药物嵌入分支共享参数，因此药物嵌入矩阵在该图卷积网络层中，一方面接受来自向量嵌入层的训练，另一方面也接受图卷积网络层的训练，其中既包含着药物信息，也包含着药物联用的上下文信息；
...【技术特征摘要】
1.一种面向2型糖尿病患者的用药推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的用药推荐方法，其特征在于，步骤s1包括：
3.根据权利要求1所述的用药推荐方法，其特征在于，步骤s2包括：
4.根据权利要求3所述的用药推荐方法，其特征在于：步骤s22中所述某个特征为地域、年龄、bmi是否达标、基础病或不良习惯。
5.根据权利要求1所述的用药推荐方法，其特征在于：步骤s32中，所述diabetesnet模型的输入包括患者的历史血糖场景序列、历史诊断序列和历史用药信息序列，各序列按照时间顺序排序；将离散特征使用嵌入操作转为固定维度的连续值稠密向量，将连续特征向量与经过嵌入操作转换成连续值稠密向量的离散向量拼接后，得到患者的特征向量时间序列。
6.根据权利要求1所述的用药推荐方法，其特征在于：步骤s32中，所述向量嵌入层按照作用原理分为嵌入操作和映射操作，其中：
7.根据权利要求1所述的用药推荐方法，其特征在于：步骤s32中，所述向量合并层接受所述向量嵌入层转化完成的稠密向量，包括p...
【专利技术属性】
技术研发人员：赵芃，周鸿峰，
申请(专利权)人：天津九安医疗电子股份有限公司，
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。