[发明专利]基于机器学习和知识图谱的处方推荐方法和系统

说明书

本发明公开了一种基于机器学习和知识图谱的处方推荐方法和系统。所述推荐方法包括以下步骤：获取诊断信息并进行解析，得到一条或多条诊断明细，包括患者信息、医生信息及疾病诊断；将所述诊断明细输入预先构建的机器学习模型进行推理，得到针对所述诊断明细的初始推荐列表；根据所述初始推荐列表中包含的药品信息，从药品知识图谱中获取与所述药品相关联的关系图网络；根据所述关系图网络筛选并排除禁忌药品后给出最终推荐列表。本发明结合了机器学习的快速学习能力和知识图谱对数据的挖掘、关联展示能力，能够实现处方精确推荐，同时提高处方生成效率，可满足门诊医师开方需求，提高医生工作效率，减少医疗错误。

技术领域

本发明涉及医疗信息化技术领域，具体涉及一种个性化处方推荐方法和系统。

背景技术

医疗服务过程中，医生对患者病情进行诊断然后开具相应处方，在开具处方时需要综合考虑多方面的因素，如年龄、性别、体质特点等，即使同一种疾病，不同的患者个体需要的处方药品和剂量也会不同。而随着就诊患者增多，门诊医师的接诊压力随之增大，医师犯错的可能性也在增加，尤其是年轻经验较少的医生，在缺少强有力的医疗辅助决策手段的情况下，更容易出现反复修改的情况。

发明内容

发明目的：为了解决现有技术的问题，本发明提出一种基于机器学习和知识图谱的处方推荐方法和系统，实现处方精确推荐，同时提高处方生成效率。

技术方案：根据本发明的第一方面，提供一种基于机器学习和知识图谱的处方推荐方法，包括以下步骤：

获取诊断信息并进行解析，得到一条或多条诊断明细，包括患者信息、医生信息及疾病诊断；

将所述诊断明细输入预先构建的机器学习模型进行推理，得到针对所述诊断明细的初始推荐列表；

根据所述初始推荐列表中包含的药品信息，从药品知识图谱中获取与所述药品相关联的关系图网络；

根据所述关系图网络筛选并排除禁忌药品后给出最终推荐列表。

其中，所述预先构建的机器学习模型包括基于协同过滤的推荐模型、基于知识的推荐模型和基于神经网络的推荐模型，分别通过协同过滤算法、基于知识的推荐算法和神经网络学习算法进行训练，得到这三个基础推荐模型；所述初始推荐列表的获得方法为：将诊断明细信息分别输入三个基础推荐模型，得到各自推荐的处方药品，去掉重复项并根据预测的采纳概率排序，得到初始推荐列表。

根据本发明的第二方面，提供一种基于机器学习和知识图谱的处方推荐系统，包括：

诊断信息解析模块，用于获取诊断信息并进行解析，得到一条或多条诊断明细，包括患者信息、医生信息及疾病诊断；

机器学习模块，用于将诊断明细数据输入机器学习模型进行训练，得到根据患者信息与疾病诊断进行处方推荐的推荐模型；

药品关系图模块，用于根据药品信息从药品知识图谱中获取与所述药品相关联的关系图网络；

处方推荐模块，用于根据输入的患者信息、医生信息及疾病诊断，推荐可选的处方；

推荐结果筛选模块，用于根据所述关系图网络对推荐的可选处方进行禁忌药品的过滤和排除。

有益效果：本发明提出一种基于机器学习和知识图谱的处方推荐方法和系统，实现处方精确推荐，同时提高处方生成效率。推荐系统采用模型融合的方法，结合协同过滤、基于知识的推荐和神经网络三种机器学习算法训练的模型进行处方推荐，并提供给门诊医师。本发明可满足门诊医师开方需求，提高医生工作效率，减少医疗错误。

附图说明

图1是本发明提供的处方推荐方法流程图；

图2是根据本发明实施例的药品知识图谱示意图；

图3是根据本发明实施例的从药品知识图谱获取的关系图网络；