[发明专利]一种基于深度学习的用药决策方法和系统

说明书

本发明提供了一基于深度学习的用药决策方法和系统，通过收集患者相关信息、用药方案相关信息和用药方案对患者的实际疗效效果的实际疗效评估信息，以获取分析数据集，并通过构建的疗效预测模型来分析处理所述分析数据集，以预测各个所述用药方案对不同的所述患者治疗效果的预测疗效评估信息，并根据所述预测疗效评估信息给所述患者推荐适合所述患者个性化要求的所述用药方案。所述用药决策方法和系统在进行用药方案的推荐时具有较高的准确性和稳定性，适用于医学临床应用。

技术领域

本发明属于医疗人工智能辅助诊断技术领域，具体是涉及到一种基于深度学习的用药决 策方法和系统。

背景技术

在医疗人工智能研究中，智能化的辅助诊断系统可以帮助医生做出病情的分析和诊断， 有助于提高患者就医的效率，缩短病人的诊疗时间和周期，同时有效的减少了医生的工作量， 可缓当前社会医疗资源不足的问题。

药物的多样性和患者不同的病理特点使药物治疗复杂化，多种影响因素都可以对用药剂 量产生影响，单纯依靠医师的个人判断力往往不够，可能由于信息采集不全或者个人知识储 备不足导致用药错误，例如对于非小细胞肺癌患者而言，需要为他们提供合理适用于他们自身个性化的靶向药的用药方案是医生诊断中最关键的环节，这就要求医生具备非常丰富的经 验。智能化的用药决策方法和系统可以通过采集患者以及与患者相关的历史用药信息，再通 过用药决策模型进行相应的计算和处理为为患者的用药提供预测性的决策，以供医生参考。 因此，这种智能化的用药决策系统可以较好提高医疗质量、节省医疗成本，及时、准确、完整的为医师提供专业的用药决策支持，有助于医师作出正确有效的药物治疗决策，提高药物 治疗的成功率。

现有的用药决策方法一般仅通过患者历史用药记录的分析来给患者推荐下一次的用药方 案，这种方法依赖于医生用药的偏向性，即依赖于隐式反馈给患者提供用药方案的推荐决策。 但是，由于用药记录的稀疏性，仅仅凭着医生用药经验性偏好的隐式反馈的方法限制了疗效预测模型的性能，从而影响了用药决策的准确性。因此，现有的基于机器学习的用药决策系 统并不能在实际临床中得到广泛应用。

发明内容

有鉴于此，本发明提供了一种基于深度学习的用药决策方法和系统，以提高用药方案推 荐的准确性。

一种基于深度学习的用药决策方法，包括：

收集患者相关信息、用药方案相关信息和用药方案对患者的实际疗效效果的实际疗效评 估信息，以获取分析数据集，

构建疗效预测模型，以根据所述分析数据集分析各个所述患者之间的关系、所述用药方 案之间的关系，并结合所述实际疗效评估信息预测各个所述用药方案对不同的所述患者治疗 效果的预测疗效评估信息，

根据所述预测疗效评估信息给所述患者推荐适合所述患者个性化要求的所述用药方案。

优选地，所述预测模型获取所述预测疗效评估信息的步骤包括：

获取表征所述患者和所述用药方案之间关系的关系矩阵，所述关系矩阵中的关系元素表 征所述患者与所述用药方案之间的关系，若所述患者使用过所述用药方案，则对应的所述关 系元素表示为所述用药方案对所述患者的实际疗效评估值，若所述患者未使用过所述用药方案，则对应的所述关系元素设置为第一固定值，

根据所述关系矩阵获取患者潜在向量和所述药物潜在向量，每一个所述一个患者潜在向 量的表示一个患者和不同的用药方案之间的关系，每一个所述药物潜在向量表示一个用药方 案和不同的患者之间的关系，

根据所述患者相关信息和所述用药方案相关信息分别获取患者辅助信息矩阵和用药方案 辅助信息矩阵，所述患者辅助信息矩阵中的元素表示包含所述患者相关的信息，所述用药方 案辅助信息矩阵中的元素表示所述用药方案相关的信息，