【技术实现步骤摘要】
本专利技术属于智慧医疗，尤其涉及一种基于知识图谱的个性化药物推荐方法与系统。
技术介绍
1、随着人工智能的发展，渐趋成熟的ai技术正逐步向医疗领域转向。智慧医疗就是将人工智能技术应用于疾病诊疗中，计算机能够进行诊断和治疗，可以帮助医生进行病理体检报告等统计，可以独立提供用药协助、分诊指导、健康咨询等服务。通过大数据和深度挖掘等技术，对病人的医疗数据进行分析和挖掘，自动识别病人的临床变量和指标。计算机通过“学习”相关的专业知识，模拟医生的思维和诊断推理，从而给出可靠诊断和治疗方案，即计算机成为具有医学知识的大脑，模拟医生的思维和诊断推理，为医生的诊断和治疗提供辅助决策。
2、深度学习技术在疾病诊断领域获取了一些突破性进展，其目的在于建立模型模拟人脑的神经连接结构，在处理实际问题时，由多重非线性变换构成的多个处理层进行数据处理。
3、然而，深度学习技术是一种依赖数据驱动建模的技术，需要用大规模样本来训练，才能取得较好的泛化能力，除了对数据数量有要求之外，数据质量也特别重要，尤其是涉及医疗领域的数据，大多需要经验丰富的专家手动整理出“标准答案”，才能提高深度学习预测的准确性。并且深度学习由于其“黑箱”的机制，导致其在对可解释性要求很高的医学领域的应用很难落地；具有改进的必要。
技术实现思路
1、本专利技术实施例的目的在于提供一种基于知识图谱的个性化药物推荐方法及系统，能够根据用户画像转化的高维向量，计算用户画像向量与用户特征向量空间中向量的相似度，并根据相似度最高
2、本专利技术实施例的一个目的是这样实现的，一种基于知识图谱的个性化药物推荐方法，所述方法包括以下步骤：
3、获取患者的疾病数据集，该疾病数据集包括诊断数据、疗法记录和用药记录；
4、利用大模型对诊断数据、疗法记录和用药记录中的每个医疗代码生成围绕该医疗代码的概念实体的三元组形式的知识；对这些知识进行节点和边聚类，以构成知识图谱；
5、根据不同患者的诊疗数据，结合所述的知识图谱推荐的知识为每位患者构建个性化的知识子图，并利用患者的诊疗数据中的时间信息进行数据标记；
6、对所述知识子图使用文本嵌入技术映射到词向量空间，获得特征融合矩阵；将所述特征融合矩阵输入双向注意力图神经网络进行预测，得到预测的药物推荐结果。
7、本专利技术实施例的另一个目的在于提供一种基于知识图谱的个性化药物推荐系统，所述系统包括：数据获取模块，大模型模块，个性化知识图谱构建模块，双向注意力图神经网络模块；
8、所述数据获取模块，用于获取患者的疾病数据集，该疾病数据集包括诊断数据、疗法记录和用药记录；
9、所述大模型模块，用于利用大模型对诊断数据、疗法记录和用药记录中的每个医疗代码生成围绕该医疗代码的概念实体的三元组形式的知识；对这些知识进行节点和边聚类，以构成知识图谱；
10、所述个性化知识图谱构建模块，用于根据不同患者的诊疗数据，结合所述的知识图谱推荐的知识为每位患者构建个性化的知识子图，并利用患者的诊疗数据中的时间信息进行数据标记；
11、所述双向注意力图神经网络模块，用于对所述知识子图使用文本嵌入技术映射到词向量空间，获得特征融合矩阵；将所述特征融合矩阵输入双向注意力图神经网络进行预测，得到预测的药物推荐结果。
12、本专利技术还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上所述的基于知识图谱的个性化药物推荐方法的步骤。
13、本专利技术实施例提供的一种基于知识图谱的个性化药物推荐方法，相比现有技术，取得了如下有益效果：该方法融合了数据驱动和知识驱动，不仅通过患者的诊疗记录，还通过引入知识图谱这一知识决策，可以挖掘出患者隐含的疾病信息，与目前主流的单一信息源进行药物推荐相比较可以获得更精准的预测结果，实现准确智能的辅助诊断；本专利技术使用了基于大模型生成的知识图谱，相较于传统基于知识图谱的辅助药物推荐，具有更丰富全面的患者个性化信息；再借助于深度学习的数据挖掘能力，能够为患者提供更符合他们身体状况的用药推荐，并具有更好的可解释性和可信度。
本文档来自技高网...【技术保护点】
1.一种基于知识图谱的个性化药物推荐方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的基于知识图谱的个性化药物推荐方法，其特征在于，所述方法还包括：
3.根据权利要求2所述的基于知识图谱的个性化药物推荐方法，其特征在于，所述利用大模型对诊断数据、疗法记录和用药记录中的每个医疗代码生成围绕该医疗代码的概念实体的三元组形式的知识；对这些知识进行节点和边聚类，以构成知识图谱的步骤，具体包括：
4.根据权利要求1所述的基于知识图谱的个性化药物推荐方法，其特征在于，所述根据不同患者的诊疗数据，结合所述的知识图谱推荐的知识为每位患者构建个性化的知识子图的步骤，具体包括：
5.根据权利要求1所述的基于知识图谱的个性化药物推荐方法，其特征在于，所述对所述知识子图使用文本嵌入技术映射到词向量空间，获得特征融合矩阵；将所述特征融合矩阵输入双向注意力图神经网络进行预测，得到预测的药物推荐结果的步骤，具体包括：
6.一种基于知识图谱的个性化药物推荐系统，其特征在于，所述系统包括：数据获取模块，大模型模块，个性化知识图谱构建模块，
7.根据权利要求6所述的基于知识图谱的个性化药物推荐系统，其特征在于，所述数据获取模块包括诊断记录模块、手术疗法记录模块和用药记录模块。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，其特征在于，处理器执行计算机程序时实现如权利要求1-5任一项所述的基于知识图谱的个性化药物推荐方法的步骤。
...【技术特征摘要】
1.一种基于知识图谱的个性化药物推荐方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的基于知识图谱的个性化药物推荐方法，其特征在于，所述方法还包括：
3.根据权利要求2所述的基于知识图谱的个性化药物推荐方法，其特征在于，所述利用大模型对诊断数据、疗法记录和用药记录中的每个医疗代码生成围绕该医疗代码的概念实体的三元组形式的知识；对这些知识进行节点和边聚类，以构成知识图谱的步骤，具体包括：
4.根据权利要求1所述的基于知识图谱的个性化药物推荐方法，其特征在于，所述根据不同患者的诊疗数据，结合所述的知识图谱推荐的知识为每位患者构建个性化的知识子图的步骤，具体包括：
5.根据权利要求1所述的基于知识图谱的个性化药物推荐方法，...
【专利技术属性】
技术研发人员：丁增辉，杨先军，陈焱焱，王辉，孙怡宁，姚志明，何子军，许杨，
申请(专利权)人：中科安徽智慧健康创新研究院有限公司，
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。