基于机器学习辅助的住院期间药物跟进管理系统技术方案

本发明专利技术涉及人工智能技术领域，提供一种基于机器学习辅助的住院期间药物跟进管理系统，包括：一个或多个数据获取或储存模块，一个或多个分析模块、一个或多个报警模块以及一个或多个管理平台，所述报警模块至少包括有一个药物相关问题发生风险等级确定单元，所述分析模块中部署有用户个体化标签确定模型，能够对患者术后康复在住院期间产生的用户数据及时做出智能化分析以及时调整用户用药方案，能对患者用户的住院期间用药进行有效跟进管理。

【技术实现步骤摘要】

本专利技术涉及人工智能，尤其涉及基于机器学习辅助的住院期间药物跟进管理系统。

技术介绍

1、快速康复(enhanced recovery after surgery，eras)是一种区别于传统的全新的康复模式和贯穿整个治疗过程的康复理念，最早在1997年由丹麦外科医师kehlet首次提出。

2、快速是eras路径的最大特点之一，这样区别于传统术后康复的理念和模式更容易引起患者及家属的质疑，导致患者配合度降低。在一些区域中，eras路径的实施正面临困境。一方面是因为多学科团队的临床协作概念并未得到广泛推广；另一方面是因为无法对患者术后康复在住院期间产生的用户数据及时做出智能化分析以及时调整用户用药方案，也就无法对患者用户的住院期间进行有效跟进管理。

技术实现思路

1、鉴于以上内容，有必要提供一种基于机器学习辅助的住院期间药物跟进管理系统，旨在解决现有技术中无法对患者术后康复在住院期间产生的用户数据及时做出智能化分析以及时调整用户用药方案，也就无法对患者用户的住院期间进行有效跟进管理的问题。

<本文档来自技高网...

【技术保护点】

1.一种基于机器学习辅助的住院期间药物跟进管理系统，其特征在于，包括：一个或多个数据获取或储存模块，一个或多个分析模块、一个或多个报警模块以及一个或多个管理平台，所述报警模块至少包括有一个药物相关问题发生风险等级确定单元，所述分析模块中部署有用户个体化标签确定模型；

2.如权利要求1所述的基于机器学习辅助的住院期间药物跟进管理系统，其特征在于，所述分析模块包括信号预处理分析单元、特征融合单元和预测结果输出单元；其中，所述数据切割策略部署于所述信号预处理分析单元；所述特征融合单元中部署有第一卷积神经网络模型、长短时记忆网络模型和第二卷积神经网络模型和多源特征深度神经网络模型；所...

【技术特征摘要】

1.一种基于机器学习辅助的住院期间药物跟进管理系统，其特征在于，包括：一个或多个数据获取或储存模块，一个或多个分析模块、一个或多个报警模块以及一个或多个管理平台，所述报警模块至少包括有一个药物相关问题发生风险等级确定单元，所述分析模块中部署有用户个体化标签确定模型；

2.如权利要求1所述的基于机器学习辅助的住院期间药物跟进管理系统，其特征在于，所述分析模块包括信号预处理分析单元、特征融合单元和预测结果输出单元；其中，所述数据切割策略部署于所述信号预处理分析单元；所述特征融合单元中部署有第一卷积神经网络模型、长短时记忆网络模型和第二卷积神经网络模型和多源特征深度神经网络模型；所述预测结果输出单元输出的所述目标用户标签预测结果值在0-1之间。

3.如权利要求2所述的基于机器学习辅助的住院期间药物跟进管理系统，其特征在于，所述信号预处理分析单元，用于基于预先设置的数据切割策略对所述目标用户初始数据进行数据分割和筛选得到目标分割后数据；其中，所述数据切割策略中与所述目标用户对应的筛选时间段以所述目标用户的入院日期为起始日期、且以所述目标用户的出院日期为终止日期；

4.如权利要求3所述的基于机器学习辅助的住院期间药物跟进管理系统，其特征在于，所述用户个体化标签确定模型对应的公式为：

5.如权利要求4所述的基于机器学习辅助的住院期间药物跟进管理系统，其特征在于，所述目标用户标签预测结果值所属的0-1的取值区间中包括第一预设取值区间和第二预设取值区间；当目标用户标签预测结果值取值属于所述第一预设取值区间时对应于第一用户评估风险等级，当目标用户标签预测结果值取值属于所述第二预设取值区间时对应于第二用户评估风险等级。

6.如权利要求3所述的基于机器学习辅助的住院期间药物跟进管理系统，其特...

【专利技术属性】
技术研发人员：谢静文，黎小妍，高旻，覃利，王颐婷，郑卓玲，戴春梅，梁智坤，
申请(专利权)人：中山大学附属第六医院，
类型：发明
国别省市：