[发明专利]基于人工智能的用药推荐方法、装置、设备及存储介质

权利要求书

1.一种基于人工智能的用药推荐方法，其特征在于，包括：

获取用药推荐请求，所述用药推荐请求包括病症类型、当前病症数据和用户画像数据；

根据所述病症类型对应的原始用药推荐模型的目标分析结果，获取所述目标分析结果较好的至少两个目标用药推荐模型；

采用至少两个所述目标用药推荐模型对所述当前病症数据进行分析处理，获取至少两个原始推荐用药；

对所述原始推荐用药进行特征分析，获取至少两个待分析特征对应的特征分析值；

基于所述用户画像数据确定推荐倾向类型，根据所述推荐倾向类型，获取至少两个待分析特征对应的特征权重；

基于至少两个所述待分析特征对应的所述特征分析值和所述特征权重，获取至少两个所述原始推荐用药的推荐评估值，将所述推荐评估值最大的所述原始推荐用药确定为目标推荐用药。

2.如权利要求1所述的基于人工智能的用药推荐方法，其特征在于，在所述获取用药推荐请求之前，所述基于人工智能的用药推荐方法还包括：

获取与所述病症类型相对应的回顾性数据，所述回顾性数据包括历史病症数据和实际用药数据；

采用与所述病症类型相对应的原始用药推荐模型对所述历史病症数据进行分析处理，获取历史推荐用药数据，对所述历史推荐用药数据与所述实际用药数据进行匹配处理，获取匹配结果，基于所述匹配结果将所述回顾性数据划分为符合模型推荐的第一数据集和不符合模型推荐的第二数据集；

对所述第一数据集和所述第二数据集中的回顾性数据，分别统计短期有效性指标达标率和长期并发症发生率，并进行显著性校验，获取效果分析结果；

若所述效果分析结果满足预设分析条件，则对所述第一数据集和所述第二数据集中的回顾性数据进行差异分析，获取目标短期混杂因素和目标长期混杂因素；

基于所述目标短期混杂因素和所述目标短期混杂因素，对所述第一数据集和所述第二数据集中的回顾性数据进行倾向性分析，获取并存储所述原始用药推荐模型的目标分析结果。

3.如权利要求2所述的基于人工智能的用药推荐方法，其特征在于，所述对所述历史推荐用药数据与所述实际用药数据进行匹配处理，获取匹配结果，包括：

基于所述历史推荐用药数据获取至少一个推荐用药类别，并基于所述实际用药数据获取至少一个实际用药类别；

若所有所述推荐用药类别与所有所述实际用药类别均匹配，则所述匹配结果为符合模型推荐；

若存在至少一个所述推荐用药类别与所述实际用药类别不匹配，则所述匹配结果为不符合模型推荐。

4.如权利要求2所述的基于人工智能的用药推荐方法，其特征在于，所述回顾性数据还包括短期效果数据和长期效果数据；

所述对所述第一数据集和所述第二数据集中的回顾性数据，分别统计短期有效性指标达标率和长期并发症发生率，并进行显著性校验，获取效果分析结果，包括：

基于所述第一数据集中的回顾性数据，获取第一短期有效性指标达标率和第一长期并发症发生率；

基于所述第二数据集中的回顾性数据，获取第二短期有效性指标达标率和第二长期并发症发生率；

对所述第一短期有效性指标达标率、所述第一长期并发症发生率、所述第二短期有效性指标达标率和所述第二长期并发症发生率进行显著性校验，获取效果分析结果。

5.如权利要求2所述的基于人工智能的用药推荐方法，其特征在于，所述对所述第一数据集和所述第二数据集中的回顾性数据进行差异分析，获取目标短期混杂因素和目标长期混杂因素，包括：

确定待分析混杂因素；

基于所述待分析混杂因素，从所述第一数据集和所述第二数据集中的回顾性数据中，筛选出与所述待分析混杂因素相对应的第一分析子集和第二分析子集；

对所述第一分析子集和所述第二分析子集中的回顾性数据，分别统计短期有效性指标达标率和长期并发症发生率，并进行显著性校验，将获取的效果分析结果确定为所述待分析混杂因素对应的混杂分析结果；

根据所述待分析混杂因素对应的混杂分析结果，获取目标短期混杂因素和目标长期混杂因素。