[发明专利]一种基于处方数据挖掘的药物推荐方法

说明书

本发明公开了一种基于处方数据挖掘的药物推荐方法，属于计算机技术领域，本发明直接使用病人的处方药物日志，具有较高的完备性且容易获得，与传统方法直接在医嘱指令级粒度进行推荐不同，本发明首先在较高粒度级预测翌日可能的诊疗主题组合，再结合各个诊疗主题下的药物分布预测各个药物的服用概率，得到的预测结果具有较好的可解释性；本发明使用概率后缀树进行医疗诊治过程的建模和服用药物的预测，该模型更加接近诊疗过程的实际情况，基于概率后缀树得到的药物推荐结果准确率较传统方法有较高的提升。

技术领域

本发明属于计算机技术领域，具体涉及一种基于处方数据挖掘的药物推荐方法。

背景技术

科学用药对于提高疾病治疗效果具有重要作用，然而，药物处方的开具当前主要依赖于医师个人的专业知识和经验。实际上，医疗信息系统积累有大量历史病患的处方日志，而且，同一病种所需的药物功效、用药模式通常有一定的规律可循。基于处方数据对所需药物及用药模式进行挖掘分析、进而为医生制定用药方案时提供药物推荐功能具有重要意义。但是现有的推荐方法要么粒度过细、模型复杂，得到的结果解释性差，要么推荐的准确性差，应用性不强。

发明内容

针对现有技术中存在的上述技术问题，本发明提出了一种基于处方数据挖掘的药物推荐方法，设计合理，克服了现有技术的不足，具有良好的效果。

为了实现上述目的，本发明采用如下技术方案：

一种基于处方数据挖掘的药物推荐方法，首先进行如下假设：

(1)假设特定病种治疗所需的药物功效分为多个主题，患者每日所服药物按照多项分布服务于部分功效主题，且每个功效主题下需要采用的药物也服从多项分布，在此假定下借助LDA模型从服药日志中训练患者每个诊疗日的功效主题分布以及每个功效主题下的药物分布；(2)根据功效主题分布的相似性对不同的诊疗日进行聚类，同一簇中各个诊疗日用药具有类似的功效组合，用相同的标签对其进行标注，将每个患者的用药流程转换为一个功效组合标签序列；(3)假设每日用药的功效组合服从变阶马尔科夫模型，基于历史患者的功效组合标签序列构造概率后缀树，基于此概率后缀树对处于诊疗过程中的患者进行逐日用药推荐；

所述的基于处方数据挖掘的药物推荐方法，具体包括如下步骤：

步骤1：获取数据；通过医院信息系统获取往届病人的处方药物信息，并进行脱敏处理，包括病人编号、病人确诊病种、病人用药开始、结束时间以及药物名称，最终整理成所需的日志格式；

步骤2：数据预处理；为保证原始数据的准确可靠，选择以药物治疗为主要治疗手段的病症为研究对象，通过诊断结论筛选某一病种病人，过滤住院时间过长或者过短的病人日志，此外，剔除处方中出现总次数少于或者多于某一阈值的药物，保留的记录包括病人ID和服药时间信息、药物名称；

步骤3：类比LDA主题模型中词、文档、文档集的概念，将患者单日所服药物的总和类比为一个文档，每种药物类比为一个词，借助LDA主题模型对药物进行聚类，每个类实际对应一个药物功效主题，同时得到各个患者各个诊疗日的药物功效主题分布以及各个功效主题下药物的多项式分布；

步骤4：使用K-means++算法对功效主题分布相似的诊疗日进行聚类，聚类标签作为这些诊疗日药物功效组合的标识；

步骤5：结合患者历史用药信息构建各个患者的每日用药功效组合标签序列，以这些序列为输入训练出该类病症药物治疗过程的概率后缀树模型；