[发明专利]基于孪生神经网络的用药方案推荐系统及方法

说明书

本发明提供了一种基于孪生神经网络的用药方案推荐系统及方法，获取患者的个人信息，利用训练后的孪生神经网络模型，依据患者的个人信息，得到推荐用药方案；孪生神经网络模型的训练过程包括：获取每个参与模型训练的患者的个人信息及用药方案表征向量；根据各个患者与药物之间的连接关系，构建异构医学信息网络；基于元路径计算每对患者用药方案之间的相似度，分配相应的相似性标签；构建并训练孪生神经网络模型，直到模型的总体相似性损失小于设定阈值。本发明有效地解决了数据集中正负样本类别不均衡的问题，同时淡化了类别标签，依据患者身体状况的特异性，为医生提供可靠的用药建议，增强了推荐的效率，提高了推荐的可靠性。

技术领域

本发明属于信息推荐技术领域，具体涉及一种基于孪生神经网络的用药方案推荐系统及方法。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

据《中国心血管健康与疾病报告2019》报告，中国现有3.3亿人罹患心血管疾病，且致病率和致死率仍旧在不断增加。由于这类疾病患病周期很长，难以完全治愈，采取有效的用药方案能够帮助缓解病情的进展，因此，如何合理地对心血管疾病患者的用药方案进行控制，为医生提供可靠的用药建议，从而改善患者的临床症状，防止患者疾病复发，是非常重要的。

患者与用药方案之间存在潜在的关联，通过挖掘大量患者历史诊疗记录中潜在的相似性关联，能够为医生提供可靠的临床决策支持，有助于医生实现个性化的精准医疗。

用药方案的推荐问题可以映射成为患者分类问题。传统的分类算法需要首先确切的知道每个样本从属于哪个类别，每个样本都要有确切的类别标签。由于不同患者的临床特征不同，患者的用药方案没有固定的分类标准，因而无法确切地划分用药方案的种类。

传统推荐方法可以通过先行对患者进行聚类，然后为临床相似的患者类簇群体推荐相同的用药方案，这种追求通用性的做法忽略了患者身体状况的特异性。此外，传统的推荐算法还可以根据患者罹患疾病的相似性来推荐，但是针对单一疾病，患者的诊断存在很大重复性，区分难度高。

发明内容

本发明为了解决上述问题，提出了一种基于孪生神经网络的用药方案推荐系统及方法，本发明有效地解决了数据集中正负样本类别不均衡的问题，同时淡化了类别标签，使模型具有很强的可扩展性；依据患者身体状况的特异性，能够实现患者诊疗个性化，为医生提供可靠的用药建议，既提升了推荐的效率，亦提高了推荐信息的准确性。

根据一些实施例，本发明采用如下技术方案：

一种基于孪生神经网络的用药方案推荐方法，包括以下步骤：

获取患者的个人信息，所述个人信息包括体检信息和诊断信息；

利用训练后的孪生神经网络模型，依据患者的个人信息，得到推荐用药方案；

所述孪生神经网络模型的训练过程包括：

获取每个参与模型训练的患者的个人信息及用药方案表征向量；

根据各个患者与药物之间的连接关系，构建不同患者和药品之间元路径，形成异构医学信息网络；

基于元路径计算每对患者用药方案之间的相似度，分配相应的相似性标签；

构建孪生神经网络模型，利用患者的个人信息以及相似性标签，对模型进行训练，直到模型的总体相似性损失小于设定阈值。

作为可选择的实施方式，获取每个参与模型训练的患者的个人信息及用药方案表征向量的具体过程包括：采用词袋模型来获取每个参与模型训练患者的个人信息及用药方案表征向量，用药方案包含该患者在住院期间服用的所有药物信息；

每位患者住院期间的用药方案均被表示为一个无序药物集合，患者的用药方案表征向量中的药物之间相互独立。