一种药品推荐系统及构建方法技术方案

本发明专利技术涉及医药信息处理技术领域，具体涉及一种药品推荐系统及构建方法，该构建方法包括：S1、将预先输入的数据进行分类组合，构建特征参数组合，根据预设的特征参数类型，将预先输入的数据分解成特征参数组合，并根据所述特征参数组合构建特征向量，形成训练集；S2、使用所述训练集，对预设的多个初始分类模型进行训练；S3、将训练后的初始分类模型融合成目标分类模型，所述目标分类模型根据输入的待推荐特征参数，输出药品品类。本发明专利技术通过将多个初始分类模型融合成一个目标分类模型的方式，能够结合不同初始分类模型的长处，从而实现准确推荐药品品类的目的。荐药品品类的目的。荐药品品类的目的。

【技术实现步骤摘要】
一种药品推荐系统及构建方法


[0001]本专利技术涉及医疗辅助
，尤其涉及一种药品推荐系统及构建方法。

技术介绍

[0002]在患者进行增强CT和增强MR检查时，需要通过使用造影对比剂让医生能够更好地判断组织器官的异常变化。但是造影对比剂带来的过敏及外渗情况不仅给患者带来身体和心理的伤害，也为科室增添了很多纠纷。
[0003]目前，在造影对比剂的选用上，需要医生考虑多种因素及海量的医学、药学数据，基于当前科技发展，人工智能已广泛应用于辅助医生进行部位识别和病灶的识别，需要一种基于人工智能的药品推荐系统为医师选择提供可靠的参考。

技术实现思路

[0004]针对上述技术问题，本专利技术提供一种药品推荐系统及构建方法，通过将多个初始分类模型融合成一个目标分类模型的方式，能够结合不同初始分类模型的长处，从而辅助医生实现准确推荐药品品类的目的。
[0005]第一方面，本专利技术提供一种药品推荐系统的构建方法，包括：S1、将预先输入的数据进行分类组合，构建特征参数组合，根据预设的特征参数类型，将预先输入的数据分解成特征参数组合，并根据所述特征参数组合构建特征向量，形成训练集；S2、使用所述训练集，对预设的多个初始分类模型进行训练；S3、将训练后的初始分类模型融合成目标分类模型，所述目标分类模型根据输入的待推荐特征参数，输出药品品类。
[0006]可选地，所述步骤S2具体包括：S21、初始化所述训练集中的每个样本的权值分布，作为当前训练集；S22、使用当前训练集对当前初始分类模型进行训练；S23、计算训练后的当前初始分类模型的分类误差率；S24、根据所述训练后的当前初始分类模型的分类误差率，计算所述当前分类模型在目标分类模型中所占的权重；S25、根据计算的所述当前分类模型的权重，更新所述当前分类模型对应的当前训练集中样本的权重分布，得到新的训练集；S26、判断所有的初始分类模型是否都进行训练，是则结束，否则将所述新的训练集作为当前训练集，选择未训练的初始分类模型作为当前初始分类模型，返回步骤S22。
[0007]可选地，所述步骤S23中，所述训练后的当前初始分类模型的分类误差率e
m
的计算公式为：
其中，w
m,i
为第m个初始分类模型G
m
(x)对应的训练集中第i个样本的权重，x
i
为训练集中第i个样本的特征向量，y
i
为特征向量x
i
所对应的药品品类结果；I为指数损失函数，。
[0008]可选地，所述步骤S24中，计算当前分类模型在目标分类模型中所占的权重α
m
，具体公式为：。
[0009]可选地，所述步骤S25中，更新所述当前分类模型对应的当前训练集中样本的权重分布，具体公式为：分布，具体公式为：其中，i=1,2
……
N，z
m
是归一化因子，w
m+1,i
为更新后的训练集中第i个样本的权重。
[0010]可选地，所述步骤S3中，将多个初始分类模型融合形成目标分类模型，具体包括：其中，sign(x)为符号函数，x>0输出1，x<0输出
‑
1，α
m
表示第m个初始分类模型G
m
(x) 在目标分类模型中的权重。
[0011]可选地，所述方法还包括：S4、将物品品类加入到所述特征参数类型，形成第二特征参数组合；S5、根据所述第二特征参数组合，组成第二特征向量；S6、根据所述第二特征向量，将所述样本集构建成第二样本集；S7、根据所述第二特征向量构建线性回归模型，并使用梯度下降优化所述模型，得到所述线性回归模型的最优参数；S8、根据所述最优参数构建优化后的线性回归模型，所述优化后的线性回归模型根据待推荐第二特征参数，输出对应的药品的剂量，其中，所述待推荐第二特征参数为所述输入的待推荐特征参数和所述步骤S3输出的对应的药品品类形成的第二特征参数。
[0012]可选地，所述特征参数包括患者年龄、过敏史和检查部位，所述第二特征参数包括：患者年龄、过敏史、检查部位和药品品类。
[0013]第二方面，本专利技术还提供一种药品推荐系统，使用上述的药品推荐系统的构建方法构建而成，所述系统包括：输入模块,用于输入待推荐特征参数；计算模块，用于根据所述待推荐特征参数，得到对应的药品品类；输出模块，用于将得到的药品品类输出；其中，所述计算模块包括目标分类模型，所述目标分类模型由多个初始分类模型
通过训练后融合而成，所述目标分类模型根据输入的待推荐特征参数，计算得到对应的药品品类。
[0014]可选地，所述系统还包括：待推荐第二特征参数生辰模块，用于根据待推荐的特征参数和计算模块得到的对应的药品品类，生成待推荐第二特征参数；第二计算模块，用于根据待推荐第二特征参数数，计算对应的药品剂量；其中，所述第二计算模块包括优化的线性回归模型，所述优化的线性回归模型根据所述待推荐第二特征参数，计算得到对应的药品剂量。
[0015]本专利技术的药品推荐系统及构建方法，通过将多个初始分类模型融合成一个目标分类模型的方式，能够结合不同初始分类模型的长处，从而实现准确推荐药品品类的目的，并通过构建线性回归模型，结合输入的特征参数和生成的药品品类，能够对对应的药品剂量进行推荐，从而给出相对准确、客观地药品品类及剂量的推荐，辅助医生实现准确推荐药品品类的目的，提高药品推荐的准确度。
附图说明
[0016]通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：图1为本专利技术的药品推荐系统的构建方法的流程图。
[0017]图2为本专利技术的药品推荐系统的结构框图。
具体实施方式
[0018]下面结合附图和具体实施例对本专利技术作进一步详细描述，应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0019]在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本专利技术的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。
[0020]实施例一本专利技术实施例提供一种药品推荐系统的构建方法，如图1所示，该方法具体包括：S1、将预先输入的数据进行分类组合，构建特征参数组合，根据预设的特征参数类型，将预先输入的数据分解成特征参数组合，并根据所述特征参数组合构建特征向量，形成训练集。
[0021]本实施例中，针对CT、MR检查中使用药物涉及到的患者信息，构成特征参数，本实施例中按照患者年龄、过敏史、检查部位组合成3个不同特征参数，将不同的特征用数字表示离散变量，最终组合成一组特征向量。在构建过程中，将录入的临床医疗数据作为原始数据，通过对原始数据分解解析，按照特征向量生成数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种药品推荐系统的构建方法，其特征在于，所述方法包括：S1、将预先输入的数据进行分类组合，构建特征参数组合，根据预设的特征参数类型，将预先输入的数据分解成特征参数组合，并根据所述特征参数组合构建特征向量，形成训练集；S2、使用所述训练集，对预设的多个初始分类模型进行训练；S3、将训练后的初始分类模型融合成目标分类模型，所述目标分类模型根据输入的待推荐特征参数，输出药品品类。2.如权利要求1所述的构建方法，其特征在于，所述步骤S2具体包括：S21、初始化所述训练集中的每个样本的权值分布，作为当前训练集；S22、使用当前训练集对当前初始分类模型进行训练；S23、计算训练后的当前初始分类模型的分类误差率；S24、根据所述训练后的当前初始分类模型的分类误差率，计算所述当前分类模型在目标分类模型中所占的权重；S25、根据计算的所述当前分类模型的权重，更新所述当前分类模型对应的当前训练集中样本的权重分布，得到新的训练集；S26、判断所有的初始分类模型是否都进行训练，是则结束，否则将所述新的训练集作为当前训练集，选择未训练的初始分类模型作为当前初始分类模型，返回步骤S22。3.如权利要求2所述的构建方法，其特征在于，所述步骤S23中，所述训练后的当前初始分类模型的分类误差率e
m
的计算公式为：其中，w
m,i
为第m个初始分类模型G
m
(x)对应的训练集中第i个样本的权重，x
i
为训练集中第i个样本的特征向量，y
i
为特征向量x
i
所对应的药品品类结果，α
m
为当前分类模型在目标分类模型中所占的权重。4.如权利要求3所述的构建方法，其特征在于，所述步骤S24中，计算当前分类模型在目标分类模型中所占的权重α
m
，具体公式为：。5.如权利要求4所述的构建方法，其特征在于，所述步骤S25中，更新所述当前分类模型对应的当前训练集中样本的权重分布，具体公式为：对应的当前训练集中样本的权重分布，具体公式为：
其中，i=1,2,
……
N，z
m
是归一化...

【专利技术属性】
技术研发人员：赖永航，陈栋栋，陈海生，冯健，
申请(专利权)人：青岛美迪康数字工程有限公司，
类型：发明
国别省市：