[发明专利]一种针对慢病的阶段性动态用药匹配系统

说明书

本发明通过信息技术领域的方法，实现了一种针对慢病的阶段性动态用药匹配系统。系统整体结构分为三部分：患者指标编码单元、患者指标编码与药物关系图融合单元、计算输出单元，并采用神经网络方法进行训练后实现；患者指标编码单元应用自注意力机制将其形成患者指标编码，接着利用图卷积神经网络方法将电子健康记录图、药物间相互作用图、药物间序列关系图进行预处理得到药物关系图，结合上两部分的输出结果，将患者指标编码与药物关系图进行融合，将生成结果与患者当前的用药输出至所述计算输出单元运算后，得到最终的当前用药对患者状态的匹配程度。本发明结合病人的编码、历史用药信息以及药物的相关性图，最终形成指标对应下的用药匹配系统。

技术领域

本发明涉及信息技术领域，尤其涉及一种针对慢病的阶段性动态用药匹配系统。

背景技术

慢性病是对通过长期积累形成且治疗周期长的疾病的总称。据一项统计调查显示，在我国，因慢性病死亡的人数占总死亡人数的80％以上，慢性病防控形势严峻复杂。慢性病的治疗需要根据病人的基本体征、药物间的相互作用等信息，此外，慢性病患者通常有治疗周期长，病情随时间变化的特点，因此医生需要根据病人的病情变化长期来动态调整用药方案。近年来，随着人工智能技术的不断发展，越来越多的为医生提供用药辅助的决策系统应运而生。对于医院及医生而言，用药辅助系统能够充分利用病人的电子病历，结合病人的就诊记录和各项化验指标，学习医生历史的用药策略，进而帮助医生检查用药的合规性、安全性和策略性是否符合历史的经验，规避用药冲突或新型用药组合导致的风险，并能随时跟踪患者长期的病情变化；对于患者而言，能够根据患者状态变化判断当前的用药是否适合，及时调整用药；对于国家而言，能够一定程度减少地域间医疗水平差距，促进国家医疗水平整体的提升。然而，当前很多用药系统仍存在一些局限性：

1.缺乏针对患者状态的动态调整机制，无法根据病人的动态指标等信息进行阶段性用药选择。例如，只根据当前病症数据以及化验信息通过机器学习模型进行用药选择，缺少对病人历史数据的建模，不适用于慢性病长期用药的场景。

2.缺乏关于药物间相互作用对病人治疗效果及安全性的考虑。多数用药决策系统只关注了从输入病人的相关数据到输出用药建议列表的这一过程，而没有关注药物间相互作用的影响。部分药物同时使用可能会降低疗效，甚至可能产生冲突，对病人健康造成不良影响。

3.缺乏对慢性病患者的长期状态跟踪，目前很多的用药辅助系统只关注患者短期内或者当前的状态，而慢性病患者的治疗周期长，病情随着时间发生变化，当前的患者治疗方案会依赖于患者的历史状态与治疗情况，因此对于用药决策系统需要对慢性病患者长期的病情变化来提供治疗决策。

神经网络常微分方程(Neural ODE)通过将含有隐藏状态的神经网络的训练问题转化为常微分方程的求解问题，实现了对诸如时间序列等的动态信息的编码。使用神经网络常微分方程可以实现对病人的动态信息进行表征，从而实现针对慢性病治疗的阶段性动态用药决策系统。

注意力机制(Attention Mechanism)是一种表征学习的方法，其通过对输入序列的不同部分赋予不同的注意力权重，从输入中提取重要信息，实现对输入的编码。通过注意力机制，我们对病人的信息进行表征，由此进行计算患者用药是否匹配患者当前的状态，提高模型的可迁移性和可扩展性。

如上所述，为了医生就行用药，改善患者的就医体验，并克服目前用药系统的一些局限性，我们提出一种针对慢病治疗的阶段性用药匹配系统。

发明内容

为此，本发明首先提出一种针对慢病的阶段性动态用药匹配系统，系统用于学习医生历史的用药策略，进而帮助医生检查用药的合规性、安全性和策略性是否符合历史的经验，规避用药冲突或新型用药组合导致的风险。本发明所述