基于深度学习模型的药品风险识别方法、装置及终端设备制造方法及图纸

本申请适用于神经网络模型技术领域，提供了一种基于深度学习模型的药品风险识别方法、装置及终端设备，方法包括：获取待处理药品真实世界数据，将待处理药品真实世界数据输入至预训练的关键变量关系提取模型中进行处理，得到变量关系，确定与目标变量关系对应的目标变量，根据目标变量确定对应的不良反应名称，将不良反应名称与预存储不良反应名称进行匹配，基于匹配结果，确定待处理药品真实世界数据的风险类型。本申请基于预训练的关键变量关系提取模型准确识别出药品真实世界数据的变量关系，从而基于关键变量关系得到待处理药品真实世界数据的风险类型，提高药品风险识别的效率和精度，提高风险与药品相关性判定的准确性和可信度。可信度。可信度。

【技术实现步骤摘要】
基于深度学习模型的药品风险识别方法、装置及终端设备


[0001]本申请属于神经网络模型
，尤其涉及一种基于深度学习模型的药品风险识别方法、装置及终端设备。

技术介绍

[0002]在针对药品的使用情况、潜在获益以及风险的相关研究过程中，需要基于健康医学大数据采集大量的真实世界数据(来源于各种与患者健康状况和/或诊疗及保健有关的数据)，例如医院信息系统数据、医保支付数据、疾病登记数据、公共卫生监测数据(如药品安全性监测、死亡信息登记、院外健康监测)、自然人群队列数据，来自移动设备的个体健康监测数据等等，然而，由于真实世界的数据来源广泛，数量庞大，相关的药品风险识别方法的识别效率较低且准确性不高，影响药品风险研究效率。

技术实现思路

[0003]本申请实施例提供了一种基于深度学习模型的药品风险识别方法及装置，可以解决相关的药品风险识别方法的效率较低且准确性不高的问题。
[0004]第一方面，本申请实施例提供了一种基于深度学习模型的药品风险识别方法，包括：
[0005]获取待处理药品真实世界数据；
[0006]将所述待处理药品真实世界数据输入至预训练的关键变量关系提取模型中进行处理，得到变量关系；
[0007]确定与目标变量关系对应的目标变量，根据所述目标变量确定对应的不良反应名称；
[0008]将所述不良反应名称与预存储不良反应名称进行匹配，基于所述匹配结果，确定所述待处理药品真实世界数据的风险类型。
[0009]在一个实施例中，所述获取待处理药品真实世界数据之前，包括：
[0010]获取多个原始训练数据；
[0011]对所述原始训练数据进行预处理，基于预处理后的原始训练数据构建训练数据集，并将所述训练数据集输入至关键变量关系提取模型中进行预训练，得到所述预训练的关键变量关系提取模型。
[0012]在一个实施例中，所述关键变量关系提取模型由序列标注模型和运用季节自回归移动平均模型顺次连接构成；
[0013]所述对所述原始训练数据进行预处理，基于预处理后的原始训练数据构建训练数据集，并将所述训练数据集输入至关键变量关系提取模型中进行预训练，得到所述预训练的关键变量关系提取模型，包括：
[0014]通过预设数据处理方法对所述原始训练数据进行预处理，得到预处理后的原始训练数据；其中，所述预设数据处理方法包括去标志化处理、去重处理中的至少一种；
[0015]在检测到所述预处理后的原始训练数据为结构化数据时，基于所述预处理后的原始训练数据构建训练数据集；
[0016]在检测到所述预处理后的原始训练数据为非结构化数据时，为所述预处理后的原始训练数据添加对应的变量标签，基于携带变量标签的预处理后的原始训练数据构建训练数据集；
[0017]将所述训练数据集输入至关键变量关系提取模型中进行预训练，得到所述预训练的关键变量关系提取模型。
[0018]在一个实施例中，所述确定与目标变量关系对应的目标变量，根据所述目标变量确定对应的不良反应名称，包括：
[0019]确定符合预设条件的目标变量关系；
[0020]确定与所述目标变量关系对应的目标变量，通过预设编码转换方法对所述目标变量进行编码转换，得到与所述目标变量对应的不良反应名称；其中，所述预设编码转换方法包括MedDRA编码转换方法、WHOART编码转换方法、WHO
‑
DD编码转换方法或者ICD
‑
10编码转换方法。
[0021]在一个实施例中，所述将所述不良反应名称与预存储不良反应名称进行匹配，基于所述匹配结果，确定所述待处理药品真实世界数据的风险类型，包括：
[0022]将所述不良反应名称与预存储不良反应名称进行匹配；
[0023]在检测到与所述不良反应名称匹配的预存储不良反应名称时，确定所述待处理药品真实世界数据存在的风险类型为已识别风险。
[0024]在一个实施例中，所述将所述不良反应名称与预存储不良反应名称进行匹配之后，还包括：
[0025]未检测到与所述不良反应名称匹配的预存储不良反应名称时，确定所述待处理药品真实世界数据存在的风险类型为潜在风险。
[0026]第二方面，本申请实施例提供了一种基于深度学习模型的药品风险识别装置，包括：
[0027]原始数据获取模块，用于获取待处理药品真实世界数据；
[0028]模型处理模块，用于将所述待处理药品真实世界数据输入至预训练的关键变量关系提取模型中进行处理，得到变量关系；
[0029]不良反应确定模块，用于确定与目标变量关系对应的目标变量，根据所述目标变量确定对应的不良反应名称；
[0030]风险类型确定模块，用于将所述不良反应名称与预存储不良反应名称进行匹配，基于所述匹配结果，确定所述待处理药品真实世界数据的风险类型。
[0031]在一个实施例中，所述装置，还包括：
[0032]训练数据获取模块，用于获取多个原始训练数据；
[0033]预训练模块，用于对所述原始训练数据进行预处理，基于预处理后的原始训练数据构建训练数据集，并将所述训练数据集输入至关键变量关系提取模型中进行预训练，得到所述预训练的关键变量关系提取模型。
[0034]在一个实施例中，所述关键变量关系提取模型由序列标注模型和运用季节自回归移动平均模型顺次连接构成；
[0035]在一个实施例中，所述预训练模块，包括：
[0036]预处理单元，用于通过预设数据处理方法对所述原始训练数据进行预处理，得到预处理后的原始训练数据；其中，所述预设数据处理方法包括去标志化处理、去重处理中的至少一种；
[0037]第一训练集构建单元，用于在检测到所述预处理后的原始训练数据为结构化数据时，基于所述预处理后的原始训练数据构建训练数据集；
[0038]第二训练集构建单元，用于在检测到所述预处理后的原始训练数据为非结构化数据时，为所述预处理后的原始训练数据添加对应的变量标签，基于携带变量标签的预处理后的原始训练数据构建训练数据集；
[0039]预训练单元，用于将所述训练数据集输入至关键变量关系提取模型中进行预训练，得到所述预训练的关键变量关系提取模型。
[0040]在一个实施例中，所述不良反应确定模块，包括：
[0041]类别确定单元，用于确定符合预设条件的目标变量关系；
[0042]变量转换单元，用于确定与所述目标变量关系对应的目标变量，通过预设编码转换方法对所述目标变量进行编码转换，得到与所述目标变量对应的不良反应名称；其中，所述预设编码转换方法包括MedDRA编码转换方法、WHOART编码转换方法、WHO
‑
DD编码转换方法或者ICD
‑
10编码转换方法。
[0043]在一个实施例中，所述风险类型确定模块，包括：
[0044]匹配单元，用于将所述不良反应名称与预存储不良反应名称进行匹配；
[0045]第本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习模型的药品风险识别方法，其特征在于，包括：获取待处理药品真实世界数据；将所述待处理药品真实世界数据输入至预训练的关键变量关系提取模型中进行处理，得到变量关系；确定与目标变量关系对应的目标变量，根据所述目标变量确定对应的不良反应名称；将所述不良反应名称与预存储不良反应名称进行匹配，基于所述匹配结果，确定所述待处理药品真实世界数据的风险类型。2.如权利要求1所述的基于深度学习模型的药品风险识别方法，其特征在于，所述获取待处理药品真实世界数据之前，包括：获取多个原始训练数据；对所述原始训练数据进行预处理，基于预处理后的原始训练数据构建训练数据集，并将所述训练数据集输入至关键变量关系提取模型中进行预训练，得到所述预训练的关键变量关系提取模型。3.如权利要求2所述的基于深度学习模型的药品风险识别方法，其特征在于，所述关键变量关系提取模型由序列标注模型和运用季节自回归移动平均模型顺次连接构成；所述对所述原始训练数据进行预处理，基于预处理后的原始训练数据构建训练数据集，并将所述训练数据集输入至关键变量关系提取模型中进行预训练，得到所述预训练的关键变量关系提取模型，包括：通过预设数据处理方法对所述原始训练数据进行预处理，得到预处理后的原始训练数据；其中，所述预设数据处理方法包括去标志化处理、去重处理中的至少一种；在检测到所述预处理后的原始训练数据为结构化数据时，基于所述预处理后的原始训练数据构建训练数据集；在检测到所述预处理后的原始训练数据为非结构化数据时，为所述预处理后的原始训练数据添加对应的变量标签，基于携带变量标签的预处理后的原始训练数据构建训练数据集；将所述训练数据集输入至关键变量关系提取模型中进行预训练，得到所述预训练的关键变量关系提取模型。4.如权利要求1所述的基于深度学习模型的药品风险识别方法，其特征在于，所述确定与目标变量关系对应的目标变量，根据所述目标变量确定对应的不良反应名称，包括：确定符合预设条件的目标变量关系；确定与所述目标变量关系对应的目标变量，通过预设编码转换方法对所述目标变量进行编码转换，得到与所述目标变量对应的不良反应名称；其中，所述预设编码转换方法包括MedDRA编码转换方法、...

【专利技术属性】
技术研发人员：王登，郑园园，肖博文，谭敏慧，首智慧，
申请(专利权)人：长沙砝码柯数据科技有限责任公司，
类型：发明
国别省市：