一种药物用量预测装置制造方法及图纸

本发明专利技术实施例提供一种药物用量预测装置，该装置包括：特征提取模块用于采集目标对象的当前参考特征；匹配模块用于将所述目标对象的当前生化特征与每一参考组进行相似度计算，将相似度最高的参考组作为目标参考组；药量预测模块用于对所述目标对象的当前参考特征输入到所述目标参考组对应的训练后的神经网络模型中，得到所述目标对象在所述当前时刻对应的下一次用药时所述目标药物用量。本发明专利技术实施例通过采集目标对象服药过程中的当前参考特征，并利用神经网络模型对目标对象下一次服药量进行预测，充分利用了患者在服药过程中指标的变化情况，提升了对患者及时有效的精细治疗水平。

A device for predicting drug dosage

【技术实现步骤摘要】
一种药物用量预测装置
本专利技术涉及医疗器械
，尤其涉及一种药物用量预测装置。
技术介绍
危重病医学是现代医学的一门新兴学科，也是发展最为迅速的学科之一。对危重病患者的诊治水平直接影响到了治愈率和死亡率，因此它是评价一个国家健康医疗发展水平的重要参考指标之一。医院每个ICU病床单位都集合了患者各种生理指标的检测，每时每刻产生大量的指标数据为医生决策提供参考，各种生命支持和精细的治疗仪器为医生提供了便利的手段为患者提供全方位的生命支持和治疗保证。但在我国，目前普遍存在的一个问题是专业医护人员的短缺。由于患者众多，医护人员往往长时间处于超负荷工作状态中。这一问题带来的后果是各种监护设备产生的海量数据往往不能被医护人员及时观察和提取有意义的信息，治疗仪器设备也不能及时进行调整，影响了对患者及时有效的精细化治疗。血压是人体的基本生命体征之一。血压不稳定预示着患者病情的危重，但由于该指标会受到诸多因素影响，维持其稳定又需要调整不同的药物，因此对于一个血压不稳定的患者往往需要医护人员密切观察并及时进行调控。针对血压的实时变化情况，亟需一种药物用量预测装置。
技术实现思路
针对上述问题，本专利技术实施例提供一种药物用量预测装置。本专利技术实施例提供一种视频输出模式切换方法药物用量预测装置，包括：特征提取模块，用于采集目标对象的当前参考特征，所述当前参考特征包括所述目标对象的基本特征和所述目标对象的当前生化特征，所述目标对象的基本特征包括所述目标对象的基本信息，所述目标对象的当前生化特征包括所述目标对象在预设时间段内的生理化验指标、所述目标对象在所述当前时刻对应的上一次用药时间、所述目标对象在所述当前时刻对应的下一次用药时间和目标药物在所述当前时刻对应的上一次的用量；匹配模块，用于将所述目标对象的当前生化特征与每一参考组进行相似度计算，将相似度最高的参考组作为目标参考组，每一参考组通过对每一预设对象在每一预设历史子时间段内的历史生化特征进行聚类分析得到，对于任一预设对象在任一预设历史子时间段内的历史生化特征，所述历史生化特征包括所述任一预设对象在所述任一预设历史子时间段内的生理化验指标、所述目标对象在任一预设历史子时间段对应的上一次用药时间、所述目标对象在所述任一预设历史子时间段对应的下一次用药时间和所述目标药物在所述任一预设历史子时间段对应的上一次的用量；药量预测模块，用于对所述目标对象的当前参考特征输入到所述目标参考组对应的训练后的神经网络模型中，得到所述目标对象在所述当前时刻对应的下一次用药时所述目标药物用量，所述目标参考组对应的训练后的神经网络模型通过对神经网络模型进行训练得到，对于所述目标参考组中任一预设对象的任一预设历史子时间段，所述任一预设对象的基本特征和所述任一预设对象在所述任一预设历史子时间段的历史生化特征作为所述神经网络的输入，所述目标药物在所述任一预设历史子时间段对应的下一次的用量作为标签。优选地，所述特征提取模块还用于：获取所述目标对象的初始当前生化特征，对所述初始当前生化特征进行归一化处理，将归一化后的初始当前生化特征作为所述目标对象的当前生化特征。优选地，所述特征提取模块还用于：获取每一预设对象在预设历史时间段内的初始历史生化特征，对于任一预设对象，对所述任一预设对象的初始历史生化特征进行归一化处理，将归一化处理之后的初始历史生化特征作为所述任一预设对象在所述预设历史时间段内的历史生化特征；并对所述任一预设对象在所述预设历史时间段内的历史生化特征进行滑窗处理，获取所述任一预设对象在每一预设历史子时间段内的历史生化特征。优选地，所述匹配模块还用于对每一预设对象在每一预设历史子时间段内的历史生化特征进行聚类，得到每一参考组。优选地，所述匹配模块还用于对每一预设对象在每一预设历史子时间段内的历史生化特征进行聚类，得到每一参考组，具体包括：通过误差平方和算法，从每一预设对象在每一预设历史子时间段内的历史生化特征中获取K个数据点作为质心；对于任一数据点，将所述任一数据点归类到与其最相似的质心，获取K个参考组；重新计算每一参考组的质心，直到每一参考组的质心变化在预设范围之内。优选地，所述误差平方和算法具体为：其中，K为参考组的数量，x为任一历史生化特征，Ci为第i个参考组，ci为第i个参考组的质心，dist为所述任一历史生化特征和第i个参考组的质心之间的DTW距离度量。优选地，所述匹配模块对所述目标对象的当前生化特征与每一参考组进行相似度计算具体通过如下方式：采用动态时间规整技术，对所述目标对象的当前生化特征与每一参考组进行相似度计算。优选地，所述采用动态时间规整技术，对所述目标对象的当前生化特征与每一参考组进行相似度计算，具体为：对于所述目标对象的当前生化特征和任一参考组中所包含的所有历史生化特征两个数据序列，计算两个数据序列之间的距离相异矩阵；获取所述距离相异矩阵中所有弯曲路径，通过DTW算法获取每一弯曲路径的总长度；将所有弯曲路径中总长度的平方根的最小值作为两个数据序列的相似度。优选地，所述距离相异矩阵如下：X＝x1，x2，…，xn，Y＝y1,y2,…,ym，其中，D表示所述距离相异矩阵，X表示所述目标对象的当前生化特征，Y表示所述任一参考组中所包含的所有历史生化特征。优选地，所述通过DTW算法获取每一弯曲路径的总长度，具体包括：其中，wp表示所述距离相异矩阵中的一个元素，其中p＝1,2,…,P，P为预设常数。本专利技术实施例提供一种药物用量预测装置，通过采集目标对象服药过程中的当前参考特征，并利用神经网络模型对目标对象下一次服药量进行预测，充分利用了患者在服药过程中指标的变化情况，提升了对患者及时有效的精细治疗水平。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的一种药物用量预测装置的结构示意图；图2为本专利技术实施例中所采用的神经网络模型的结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。图1为本专利技术实施例提供的一种药物用量预测装置的结构示意图，如图1所示，该装置包括：特征提取模块101、匹配模块102和药量预测模块103，其中：特征提取模块101用于采集目标对象的当前参考本文档来自技高网...

【技术保护点】
1.一种药物用量预测装置，其特征在于，包括：/n特征提取模块，用于采集目标对象的当前参考特征，所述当前参考特征包括所述目标对象的基本特征和所述目标对象的当前生化特征，所述目标对象的基本特征包括所述目标对象的基本信息，所述目标对象的当前生化特征包括所述目标对象在预设时间段内的生理化验指标、所述目标对象在所述当前时刻对应的上一次用药时间、所述目标对象在所述当前时刻对应的下一次用药时间和目标药物在所述当前时刻对应的上一次的用量；/n匹配模块，用于将所述目标对象的当前生化特征与每一参考组进行相似度计算，将相似度最高的参考组作为目标参考组，每一参考组通过对每一预设对象在每一预设历史子时间段内的历史生化特征进行聚类分析得到，对于任一预设对象在任一预设历史子时间段内的历史生化特征，所述历史生化特征包括所述任一预设对象在所述任一预设历史子时间段内的生理化验指标、所述目标对象在任一预设历史子时间段对应的上一次用药时间、所述目标对象在所述任一预设历史子时间段对应的下一次用药时间和所述目标药物在所述任一预设历史子时间段对应的上一次的用量；/n药量预测模块，用于对所述目标对象的当前参考特征输入到所述目标参考组对应的训练后的神经网络模型中，得到所述目标对象在所述当前时刻对应的下一次用药时所述目标药物用量，所述目标参考组对应的训练后的神经网络模型通过对神经网络模型进行训练得到，对于所述目标参考组中任一预设对象的任一预设历史子时间段，所述任一预设对象的基本特征和所述任一预设对象在所述任一预设历史子时间段的历史生化特征作为所述神经网络的输入，所述目标药物在所述任一预设历史子时间段对应的下一次的用量作为标签。/n...

【技术特征摘要】
1.一种药物用量预测装置，其特征在于，包括：
特征提取模块，用于采集目标对象的当前参考特征，所述当前参考特征包括所述目标对象的基本特征和所述目标对象的当前生化特征，所述目标对象的基本特征包括所述目标对象的基本信息，所述目标对象的当前生化特征包括所述目标对象在预设时间段内的生理化验指标、所述目标对象在所述当前时刻对应的上一次用药时间、所述目标对象在所述当前时刻对应的下一次用药时间和目标药物在所述当前时刻对应的上一次的用量；
匹配模块，用于将所述目标对象的当前生化特征与每一参考组进行相似度计算，将相似度最高的参考组作为目标参考组，每一参考组通过对每一预设对象在每一预设历史子时间段内的历史生化特征进行聚类分析得到，对于任一预设对象在任一预设历史子时间段内的历史生化特征，所述历史生化特征包括所述任一预设对象在所述任一预设历史子时间段内的生理化验指标、所述目标对象在任一预设历史子时间段对应的上一次用药时间、所述目标对象在所述任一预设历史子时间段对应的下一次用药时间和所述目标药物在所述任一预设历史子时间段对应的上一次的用量；
药量预测模块，用于对所述目标对象的当前参考特征输入到所述目标参考组对应的训练后的神经网络模型中，得到所述目标对象在所述当前时刻对应的下一次用药时所述目标药物用量，所述目标参考组对应的训练后的神经网络模型通过对神经网络模型进行训练得到，对于所述目标参考组中任一预设对象的任一预设历史子时间段，所述任一预设对象的基本特征和所述任一预设对象在所述任一预设历史子时间段的历史生化特征作为所述神经网络的输入，所述目标药物在所述任一预设历史子时间段对应的下一次的用量作为标签。


2.根据权利要求1所述药物用量预测装置，其特征在于，所述特征提取模块还用于：
获取所述目标对象的初始当前生化特征，对所述初始当前生化特征进行归一化处理，将归一化后的初始当前生化特征作为所述目标对象的当前生化特征。


3.根据权利要求1所述药物用量预测装置，其特征在于，所述特征提取模块还用于：
获取每一预设对象在预设历史时间段内的初始历史生化特征，对于任一预设对象，对所述任一预设对象的初始历史生化特征进行归一化处理，将归一化处理之后的初始历史生化特征作为所述任一预设对象在所述预设历史时间段内的历史生化特征；
并对所述任一预设对象在所述预设历史时间段内的历史生化特征进行滑窗处理，获取所述任一预设对象在每一预设历史子时间段内的历史生化特征。


...

【专利技术属性】
技术研发人员：李春平，刘京铭，郭伟，龚明慧，
申请(专利权)人：清华大学，首都医科大学附属北京天坛医院，
类型：发明
国别省市：北京;11