[发明专利]目标疾病的药物组挖掘方法和装置、电子设备、存储介质

权利要求书

1.一种目标疾病的药物组挖掘方法，其特征在于，包括：

获取目标疾病的目标医疗数据；所述目标医疗数据包括患者的药物组数据、处方数据、健康数据、用药频率数据，其中，所述健康数据包括住院时长数据、出院状态数据，所述药物组数据为包括至少两种药物数据的组合；

对所述药物组数据进行向量转换处理，得到药物组向量；

根据所述处方数据、所述药物组向量得到每个患者对应的目标句向量；

根据所述用药频率数据对所述健康数据进行数据划分处理，得到住院时长频率分类数据；其中，所述住院时长频率分类数据包括高频率数据、低频率数据；

根据所述住院时长频率分类数据得到聚类参数信息；

根据所述聚类参数信息对所述目标句向量进行聚类处理，得到聚类结果数据；

根据所述聚类结果数据对每个所述药物组数据对应的所述住院时长频率分类数据进行生存分析处理，分别得到所述高频率数据和所述低频率数据对应的生存曲线信息；

根据所述生存曲线信息从所述药物组数据进行药物挖掘处理，得到针对所述目标疾病的目标药物组挖掘结果。

2.根据权利要求1所述的方法，其特征在于，所述获取目标疾病的目标医疗数据，包括：

获取所述目标疾病的原始医疗数据；

对所述原始医疗数据进行数据预处理，得到所述目标医疗数据；所述数据预处理包括针对同一出院状态病患数据的筛选处理、住院时长训练集划分处理、重复值处理、缺失值处理、异常值处理。

3.根据权利要求1所述的方法，其特征在于，所述对所述药物组数据进行向量转换处理，得到药物组向量，包括：

对所述药物组数据对应的至少两种所述药物数据进行编码处理，得到至少两个药物编码向量；所述药物编码向量至少包括第一药物向量、第二药物向量；

以所述第一药物向量为输入、并以所述第二药物向量为输出构建得到神经网络模型；

获取模型训练参数；所述模型训练参数包括数据箱大小、迭代次数、节点数目、向量维度；

根据所述模型训练参数和预设的损失函数对所述神经网络模型进行训练，以得到所述神经网络模型的权重矩阵；

根据所述权重矩阵和所述药物编码向量得到所述药物组向量。

4.根据权利要求1所述的方法，其特征在于，所述根据所述处方数据、所述药物组向量得到每个患者对应的目标句向量，包括：

以所述处方数据为段落、并以所述处方数据中的所述药物数据为句子进行平滑倒词频计算，得到每个所述药物组向量的加权系数；

根据所述加权系数对所述药物组向量进行加权处理，得到每个患者对应的患者句向量；

对所述患者句向量进行矩阵主成分去除处理，得到每个患者对应的所述目标句向量。

5.根据权利要求1所述的方法，其特征在于，所述根据所述住院时长频率分类数据得到聚类参数信息，包括：

根据所述住院时长频率分类数据得到生存分布差异数据；

对所述生存分布差异数据进行标准化处理，得到生存分布标准化差异数据；

根据所述生存分布标准化差异数据确定所述聚类参数信息；所述聚类参数信息包括聚类个数值。

6.根据权利要求1所述的方法，其特征在于，所述根据所述聚类结果数据对每个所述药物组数据对应的所述住院时长频率分类数据进行生存分析处理，包括：

根据所述用药频率数据，对每个所述药物组数据对应的所述聚类结果数据进行频率排序处理，得到频率排序列表；

根据所述频率排序列表依次对每个所述药物组数据对应的所述住院时长频率分类数据进行所述生存分析处理。

7.根据权利要求1至6任一项所述的方法，其特征在于，所述根据所述生存曲线信息从所述药物组数据进行药物挖掘处理，得到针对所述目标疾病的目标药物组挖掘结果，包括：

对所述生存曲线信息进行时序检验处理，得到生存分布差异结果；

若所述生存分布差异结果符合预设的生存分布差异标准，则将所述生存分布差异结果对应的药物组数据作为针对所述目标疾病的所述目标药物组挖掘结果。