在线医疗处方用药智能检查方法、装置、设备及存储介质制造方法及图纸

本发明专利技术涉及人工智能及数字医疗技术领域，揭露一种在线医疗处方用药智能检查方法，包括：通过待检测处方药品信息查询预设药品知识库，得到所述待检测处方药品信息的用药条件，判断所述用药条件与患者问诊信息是否冲突，若有冲突则待检测处方不通过，若无冲突，则通过预设训练完成的处方用药智能检测模型对所述患者问诊信息进行预测，得到预测处方各药品分值，通过所述预测处方各药品分值对所述待检测处方进行打分，根据待检测处方得分判断所述待检测处方的决策结果。本发明专利技术还提出一种在线医疗系统处方用药智能检查装置、设备以及介质。本发明专利技术可以提升在线医疗系统中处方用药检查的准确率。的准确率。的准确率。

【技术实现步骤摘要】
在线医疗处方用药智能检查方法、装置、设备及存储介质


[0001]本专利技术涉及人工智能
，尤其涉及一种在线医疗处方用药智能检查方法、装置、电子设备及计算机可读存储介质。

技术介绍

[0002]随着科技的发展和互联网的普及，特别是移动互联网技术的普及应用，人们的生产生活方式也随之发生巨大变化。在医疗健康领域，在线医疗问诊方式被越来越多的人接受和使用，在线医疗方式已经可以提供基于患者问诊内容给出诊断结果、开出处方等服务。
[0003]患者在实体医院就诊过程中，医生与患者是面对面形式问诊，医生掌握患者的情况更加详细，医生开出的处方针对性更强；在取药阶段，患者需要到医院药房取药，药房的医生会对开出处方用药做出审核，保障患者用药的安全性。而在在线医疗问诊场景中，只能进行诊断、开处方，患者在取药环节有多项选择：可以通过互联网药房、实体药店等多种途径取药，从而缺少药房药剂医生对处方审核这一环节，导致患者用药风险提高，所以对在线医疗场景中处方用药检查尤为重要。
[0004]目前针对在线医疗场景中处方用药检查方式为人工检查，并且药房医生在检查处方时，更多关注的是处方中的药品搭配情况，由于缺少对患者具体情况的了解，很少检查处方中药品与患者病情的匹配情况。因此目前在线医疗场景中处方用药检查方式准确率低。

技术实现思路

[0005]本专利技术提供一种在线医疗处方用药智能检查方法、装置及计算机可读存储介质，其主要目的在于提升在线医疗系统中处方用药检查的准确率。
[0006]为实现上述目的，本专利技术提供的一种在线医疗处方用药智能检查方法，包括：
[0007]获取待检测处方及患者问诊信息，并根据所述待检测处方查询预设药品知识库，得到所述待检测处方的用药条件；
[0008]计算所述用药条件与所述患者问诊信息的匹配得分；
[0009]通过所述匹配得分判断所述待检测处方是否与所述患者问诊信息冲突；
[0010]当所述待检测处方与所述患者问诊信息冲突，则发送所述待检测处方不通过的提示信息；
[0011]当所述待检测处方与所述患者问诊信息不冲突，则利用预设训练完成的处方用药智能检测模型对所述患者问诊信息进行处方的预测，得到预测处方中的每种药品名的分值；
[0012]利用所述预测处方中的每种药品名的分值，计算所述待检测处方得分；
[0013]根据所述待检测处方得分及预设阈值判断所述待检测处方的决策结果。
[0014]可选地，计算所述用药条件与所述患者问诊信息的匹配得分，包括：
[0015]对所述用药条件与所述患者问诊信息分别进行分词，得到用药条件序列与患者问诊信息序列；
[0016]利用预设的词向量模型分别将所述用药条件序列与所述患者问诊信息序列得进行量化，分别得到用药条件向量序列与患者问诊信息向量序列；
[0017]计算所述用药条件向量序列与所述患者问诊信息向量序列之间的词向量相似度，得到相似度矩阵；
[0018]对所述相似度矩阵分别按行和列进行归一化加权处理，得到注意力权重；
[0019]利用所述注意力权重分别对所述用药条件向量序列与所述患者问诊信息向量序列进行加权处理，分别得到加权后的用药条件向量序列与加权后的患者问诊信息向量序列；
[0020]拼接所述加权后的用药条件向量序列与加权后的患者问诊信息向量序列，并通过softmax函数计算得到所述用药条件与所述患者问诊信息的匹配得分。
[0021]可选地，所述利用预设训练完成的处方用药智能检测模型对所述患者问诊信息进行预测，得到预测处方药品名分值之前，所述方法还包括：
[0022]获取历史患者问诊信息、每种药品的功效信息、医生审核通过处方药品名，并对所述历史患者问诊信息和每种药品的功效信息进行分词处理得到训练集；
[0023]利用预构建的处方用药智能检测模型中的BERT网络对所述训练集进行分析运算，得到所述历史患者问诊信息和所述每种药品的功效信息中每个词的词嵌入表示数据；
[0024]利用预构建的处方用药智能检测模型中的编码器对所述历史患者问诊信息和所述每种药品的功效信息的词嵌入表示数据进行编码，分别得到所述历史患者问诊信息对应的数据信息编码和所述每种药品的功效信息对应的数据信息编码；
[0025]对所述历史患者问诊信息对应的数据信息编码及所述每种药品的功效信息对应的数据信息编码进行比较，得到所述历史患者问诊信息及所述每种药品的功效信息之间的相同匹配特征；
[0026]利用预构建的处方用药智能检测模型中的卷积神经网络对所述相同匹配特征进行卷积、池化及激活操作，得到预测处方药品名；
[0027]计算预测处方药品名与所述医生审核通过处方药品名之间的损失值，并根据所述损失值调整所述处方用药智能检测模型的模型参数后，返回上述的利用预构建的处方用药智能检测模型中的BERT网络对所述训练集进行分析运算的步骤，直到所述损失值小于预设的损失阈值，得到训练完成的处方用药智能检测模型。
[0028]可选地，所述计算预测处方药品名与所述医生审核通过处方药品名之间的损失值，包括：
[0029]对所述预测处方药品名与所述医生审核通过处方药品名分别进行分词、并分别进行向量化处理，得到所述预测处方药品名向量和所述医生审核通过处方药品名向量；
[0030]根据所述预测处方药品名向量和所述医生审核通过处方药品名向量，计算所述预测处方药品名与所述医生审核通过处方药品名之间的损失值。
[0031]可选地，所述根据所述预测处方药品名向量和所述医生审核通过处方药品名向量，计算所述预测处方药品名与所述医生审核通过处方药品名之间的损失值，包括：
[0032]利用如下交叉熵损失函数计算所述预测处方药品名与所述医生审核通过处方药品名之间的损失值：
[0033][0034]其中，N表示所述预测处方药品名的向量总数，l
n
表示所述预测处方药品名中的第n个向量与所述医生审核通过处方药品名第n个向量之间的差异值，x
n
表示所述预测处方药品名第n个向量值，y
n
表示所述医生审核通过处方药品名第n个向量值，t表示训练过程中的迭代次数。
[0035]可选地，所述根据所述待检测处方查询预设药品知识库，得到所述待检测处方的用药条件，包括：
[0036]根据所述待检测处方查询年龄药品库、禁忌症药品库以及过敏史药品库，得到所述待检测处方中药品的适用年龄、禁忌信息以及过敏信息；
[0037]根据所述年龄信息、所述禁忌信息以及所述过敏信息，组合得到所述待检测处方药品信息的用药条件。
[0038]可选地，所述根据所述待检测处方得分及预设阈值判断所述待检测处方的决策结果，包括：
[0039]当所述待检测处方得分大于等于预设阈值τ2时，得到所述待检测处方通过的结果；
[0040]当所述待检测处方得分小于等于预设阈值τ1时，得到所述待检测处方不通过的结果；
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种在线医疗处方用药智能检查方法，其特征在于，所述方法包括：获取待检测处方及患者问诊信息，并根据所述待检测处方查询预设药品知识库，得到所述待检测处方的用药条件；计算所述用药条件与所述患者问诊信息的匹配得分；通过所述匹配得分判断所述待检测处方是否与所述患者问诊信息冲突；当所述待检测处方与所述患者问诊信息冲突，则发送所述待检测处方不通过的提示信息；当所述待检测处方与所述患者问诊信息不冲突，则利用预设训练完成的处方用药智能检测模型对所述患者问诊信息进行处方的预测，得到预测处方中的每种药品名的分值；利用所述预测处方中的每种药品名的分值，计算所述待检测处方得分；根据所述待检测处方得分及预设阈值判断所述待检测处方的决策结果。2.如权利要求1所述的在线医疗处方用药智能检查方法，其特征在于，所述计算所述用药条件与所述患者问诊信息的匹配得分，包括：对所述用药条件与所述患者问诊信息分别进行分词，得到用药条件序列与患者问诊信息序列；利用预设的词向量模型分别将所述用药条件序列与所述患者问诊信息序列进行量化，分别得到用药条件向量序列与患者问诊信息向量序列；计算所述用药条件向量序列与所述患者问诊信息向量序列之间的词向量相似度，得到相似度矩阵；对所述相似度矩阵分别按行和列进行归一化加权处理，得到注意力权重；利用所述注意力权重分别对所述用药条件向量序列与所述患者问诊信息向量序列进行加权处理，分别得到加权后的用药条件向量序列与加权后的患者问诊信息向量序列；拼接所述加权后的用药条件向量序列与加权后的患者问诊信息向量序列，并通过softmax函数计算得到所述用药条件与所述患者问诊信息的匹配得分。3.如权利要求1所述的在线医疗处方用药智能检查方法，其特征在于，所述利用预设训练完成的处方用药智能检测模型对所述患者问诊信息进行处方的预测，得到预测处方中的每种药品名的分值之前，所述方法还包括：获取历史患者问诊信息、每种药品的功效信息、医生审核通过处方药品名，并对所述历史患者问诊信息和每种药品的功效信息进行分词处理得到训练集；利用预构建的处方用药智能检测模型中的BERT网络对所述训练集进行分析运算，得到所述历史患者问诊信息和所述每种药品的功效信息中每个词的词嵌入表示数据；利用预构建的处方用药智能检测模型中的编码器对所述历史患者问诊信息和所述每种药品的功效信息的词嵌入表示数据进行编码，分别得到所述历史患者问诊信息对应的数据信息编码和所述每种药品的功效信息对应的数据信息编码；对所述历史患者问诊信息对应的数据信息编码及所述每种药品的功效信息对应的数据信息编码进行比较，得到所述历史患者问诊信息及所述每种药品的功效信息之间的相同匹配特征；利用预构建的处方用药智能检测模型中的卷积神经网络对所述相同匹配特征进行卷积、池化及激活操作，得到预测处方药品名；
计算预测处方药品名与所述医生审核通过处方药品名之间的损失值，并根据所述损失值调整所述处方用药智能检测模型的模型参数后，返回所述利用预构建的处方用药智能检测模型中的BERT网络对所述训练集进行分析运算的步骤，直到所述损失值小于预设的损失阈值，得到训练完成的处方用药智能检测模型。4.如权利要求3所述的在线医疗处方用药智能检查方法，其特征在于，所述计算预测处方药品名与所述医生审核通过处方药品名之间的损失值...

【专利技术属性】
技术研发人员：侯永帅，吴汉，
申请(专利权)人：康键信息技术深圳有限公司，
类型：发明
国别省市：