一种基于深度矩阵分解的药物推荐方法、系统、设备及介质技术方案

一种基于深度矩阵分解的药物推荐方法、系统、设备及介质，方法包括建立药物与疾病交互矩阵和进行药物预测任务；本发明专利技术通过构建一种双边分解方法，并引入注意力机制与药物相互反应阈值，使模型从疾病和药物两个角度进行分解，从而获得疾病和药物的潜在表征；引入的注意力机制区分了疾病对药物不同表征的关注度，以获取疾病更准确的偏好；而药物相互反应阈值对推荐的药物种类存在一定的制约，合理设计损失函数对药物相互反应阈值进行控制，避免药物不良反应发生，有效提升了药物推荐的安全性与实用性；另外，将深度学习应用于矩阵分解，在深度分解矩阵基础上，挖掘疾病与药物潜在因子，实现科学安全的药物推荐；进一步提高模型的表达能力和拟合能力。

【技术实现步骤摘要】

本专利技术属于电子病历数据处理与辅助决策，具体涉及一种基于深度矩阵分解的药物推荐方法、系统、设备及介质。

技术介绍

1、近十年来医疗数字化进程不断加快，大量高水平医疗机构积累了丰富的电子病历数据(electronic medical record，ehr)，结合不断发展的深度学习技术，电子病历数据已被广泛应用于死亡率预测、药物推荐和辅助决策等医疗相关下游任务。针对真实的临床诊断流程，一个医生通常对病人所患的疾病给出一系列药物用于治疗；药物推荐主要任务是采用深度学习技术挖掘电子病历数据中病人的健康情况、过往病史以及疾病与药物相对应关系能够帮助医生和医药相关工作人员针对病人具体情况快速制定符合当前症状的药物组合。但是相较于繁多的药品和疾病种类，药物和疾病之间的交互数据极度稀疏，此外药物同时使用时存在相互作用的可能性，目前的推荐模型只着重于推荐药物种类的准确性，而忽视可能出现的不良作用，不能满足药物推荐的安全性可靠性要求。

2、深度学习模型也在推荐系统中有了广泛的应用。矩阵分解作为推荐系统中最受关注的技术之一，其核心是将用户和物品评分矩阵映射进低秩空本文档来自技高网...

【技术保护点】

1.一种基于深度矩阵分解的药物推荐方法，具体包括以下步骤：

2.根据权利要求1所述的基于深度矩阵分解的药物推荐方法，其特征在于，所述步骤一具体方法为：

3.根据权利要求1所述的基于深度矩阵分解的药物推荐方法，其特征在于，所述步骤二的具体方法为：

4.基于权利要求1至3任一项所述方法的药物推荐系统，其特征在于，包括：

5.基于权利要求1至3任一项所述方法的药物推荐设备，其特征在于，一种基于深度矩阵分解的药物推荐设备，包括：

6.一种计算机可读存储介质，所述计算机可读存储介质用来存储计算机程序，其特征在于，所述计算机程序被处理器执行...

【技术特征摘要】

1.一种基于深度矩阵分解的药物推荐方法，具体包括以下步骤：

2.根据权利要求1所述的基于深度矩阵分解的药物推荐方法，其特征在于，所述步骤一具体方法为：

3.根据权利要求1所述的基于深度矩阵分解的药物推荐方法，其特征在于，所述步骤二的具体方法为：

4.基于权利要求1至3任一项所述方法的药物推荐系统，其特征...

【专利技术属性】
技术研发人员：龚铁梁，黄颖，吴佳伦，何忠江，宋双永，刘江，张未展，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：