[發明專利]一種基于知識庫對院內真實世界不良用藥的評估方法

在審

• 申請號: 202011125971.0
• 申請日: 2020-10-20
• 公開（公告）號: CN112366002A
• 公開（公告）日: 2021-02-12
• 發明（設計）人: 張奧萌;王雷;劉宇云;呂龍挺;李濤;呂翰林;方歡
• 申請（專利權）人: 武漢華大基因科技有限公司
• 主分類號: G16H80/00
• 分類號: G16H80/00;G16H20/10;G16H50/50;G16H50/70;G06F40/284;G06N3/04;G06N3/08
• 代理公司: 武漢大楚知識產權代理事務所(普通合伙) 42257
• 代理人: 徐楊松;付倩

本發明涉及一種基于知識庫對院內真實世界不良用藥的評估方法。其包括：獲取多位患者的指標數據、大文本數據以及不良用藥標識數據，其中，指標數據包括生化指標，大文本數據包括病例文本；從大文本數據中提取其中的指標數據，作為顯性特征；基于藥品知識庫，根據大文本數據獲取指示不良用藥反應特征的隱性特征；按照時間序列對指標數據、顯性特征和隱性特征進行拼接，獲得標準化特征；將標準化特征作為樣本，不良用藥標識數據作為標簽，對預設的機器學習模型進行訓練，獲得不良用藥評估模型。本發明的技術方案可以對患者在換藥后，以及新患者初次用藥后是否會發生不良反應進行較為準確的預測，從而提前做好相應準備，保證患者的健康。

技術領域

本發明涉及計算機應用技術領域，具體而言，涉及一種基于知識庫對院內真實世界不良用藥的評估方法。

背景技術

據統計，住院患者有5％左右是由于用藥不當而入院的，而全世界非意外死亡人員中，則約有1/7是不合理用藥導致的。合理用藥不僅需要重視處方、醫囑制度的管理，同時也取決于對藥物知識的了解、狀況的認知以及應對方式等。

目前對不良用藥的監測過程中，由于真實事件數據的復雜性與多樣性，以及每個藥品的不良反應特征的不一致，對不良用藥推斷的數據處理不夠全面，使得對真實世界數據監測結果不準確，且缺乏實用性。并且，在對不良用藥的監測過程中，脫離指南的不良事件往往是偶發、小概率事件，傳統統計算法對這種事件的敏感性很低，很難納入不良用藥的標準。另外，聯合用藥導致的不良事件較于上述單一不良用藥情況更甚，但也更難監測。

發明內容

針對現有技術的不足，本發明提出一種基于知識庫對院內真實世界不良用藥的評估模型構建及預測方法。

第一方面，本發明提供了一種基于知識庫對院內真實世界不良用藥的評估模型構建方法，該方法包括如下步驟：

獲取多位患者的指標數據、大文本數據以及不良用藥標識數據，其中，所述指標數據包括生化指標，所述大文本數據包括病例文本，且所述大文本數據包括至少部分所述指標數據；

從所述大文本數據中提取其中的所述指標數據，作為顯性特征；

基于藥品知識庫，根據所述大文本數據獲取指示不良用藥反應特征的隱性特征；

按照時間序列對所述指標數據、所述顯性特征和所述隱性特征進行拼接，獲得標準化特征；

將所述標準化特征作為樣本，所述不良用藥標識數據作為標簽，對預設的機器學習模型進行訓練，獲得基于知識庫對院內真實世界不良用藥的評估模型。

進一步，所述不良用藥標識數據包括指示所述患者是否發生不良反應的事件數據；所述基于藥品知識庫，根據所述大文本數據獲取指示不良用藥反應特征的隱性特征包括：

基于所述藥品知識庫獲取指示不良反應相關術語的多個特征詞；

確定所述大文本數據中各所述特征詞的TF-IDF信息；

根據所述TF-IDF信息確定所述特征詞的差值特征；

將所述差值特征作為樣本，所述事件數據作為標簽，對預設的神經網絡進行訓練，獲得預訓練模型；

將所述預訓練模型的標定層數的神經元輸出作為所述隱性特征。

進一步，所述根據所述TF-IDF信息確定所述特征詞的差值特征包括：

根據所述TF-IDF信息確定所述特征詞在已知不良事件樣本中的均值；

確定待預測樣本中所述特征詞的詞頻；

將所述詞頻和所述均值的標準差作為所述差值特征。

進一步，所述按照時間序列對所述指標數據、所述顯性特征和所述隱性特征進行拼接，獲得標準化特征包括：