辅助用户自主购药的方法、装置、设备及存储介质与流程

本发明涉及医疗信息化技术领域，尤其涉及一种辅助用户自主购药的方法、装置、设备及存储介质。

背景技术：

随着就医人员的不断增加，大量以购药为主要目的的患者需要长时间停留在医疗机构排队购药。这种购药方式不仅导致患者需要花费大量的时间停留在医疗机构排队购药，同时还会导致医疗机构人流量剧增，严重影响医疗机构的运作效果。

为了能够将患者进行分流，减少医院的人流量，提高医院的运作效率，同时减少患者排队取药所需的时间，各种支持使用医疗保险基金(即支持使用医疗保险卡或社保卡)购药的购药软件应运而生。

虽然，这种线上购药方式，能够有效减少医院的人流量，提高医院的运作效率，同时减少患者排队取药所需的时间。但是，用户在使用上述方式购药时，由于缺乏相关医疗知识，经常会存在购买的药品不适用于当前病症，这样不仅无法及时缓解和治愈病情，还可能会影响用户身体健康，从而增加不必要的就医成本。

所以，亟需提供一种能够辅助用户自主购药的方法，以保证用户购买的药品适应于当前病症。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

技术实现要素：

本发明的主要目的在于提供一种辅助用户自主购药的方法、装置、设备及存储介质，旨在辅助用户自主购药，以保证用户购买的药品适应于当前病症。

为实现上述目的，本发明提供了一种辅助用户自主购药的方法，所述方法包括以下步骤:

接收用户触发的购药请求，根据所述购药请求获取用户提供的患者信息，所述患者信息包括患者的身份信息和当前病症信息；

根据所述身份信息，从健康档案管理平台获取所述患者的健康档案；

根据所述当前病症信息和所述健康档案，制定目标购药参考方案；

将所述目标购药参考方案推荐给用户，以辅助用户选购针对所述当前病症信息的药品。

优选地，所述根据所述当前病症信息和所述健康档案，制定目标购药参考方案之前，所述方法还包括：

根据所述身份信息和所述当前病症信息，从处方共享平台获取所述患者的第一历史病症信息及与所述第一历史病症信息对应的第一历史处方，所述第一历史病症信息与所述当前病症信息的匹配度大于第一阈值，所述第一历史处方由医师根据所述第一历史病症信息为所述患者开具；

其中，所述根据所述当前病症信息和所述健康档案，制定目标购药参考方案，具体包括：

根据所述当前病症信息、所述健康档案、所述第一历史病症信息和所述第一历史处方，制定所述目标购药参考方案。

优选地，所述根据所述当前病症信息、所述健康档案、所述第一历史病症信息和所述第一历史处方，制定所述目标购药参考方案之前，所述方法还包括：

基于关键词提取法，从所述当前病症信息中提取关键词；

根据所述关键词，确定所述当前病症信息对应的疾病类型；

从所述处方共享平台获取预设周期内，属于所述疾病类型的第二历史病症信息及与所述第二历史病症信息对应的第二历史处方，并统计所述第二历史处方的数量；

其中，所述根据所述当前病症信息、所述健康档案、所述第一历史病症信息和所述第一历史处方，制定所述目标购药参考方案，具体包括：

若所述第二历史处方的数量大于第二阈值，则根据所述当前病症信息、所述健康档案、所述第一历史病症信息、所述第一历史处方、所述第二历史病症信息和所述第二历史处方，制定所述目标购药参考方案。

优选地，所述根据所述当前病症信息、所述健康档案、所述第一历史病症信息、所述第一历史处方、所述第二历史病症信息和所述第二历史处方，制定所述目标购药参考方案，具体包括：

根据所述当前病症信息、所述健康档案、所述第一历史病症信息、所述第一历史处方、所述第二历史病症信息和所述第二历史处方，制定至少一个初始购药参考方案；

根据预设的权重分配标准，计算各初始购药参考方案的权重值；

根据各权重值的高低和预设的推荐规则，从各初始购药参考方案中选取符合所述推荐规则的初始购药参考方案作为所述目标购药参考方案。

优选地，所述将所述购药参考方案推荐给用户之后，所述方法还包括：

接收用户提交的购药订单，根据用户选择的支付方式，扣除所述购药订单对应的购药费用；

其中，若用户选择的支付方式为使用医疗保险卡支付，则所述根据用户选择的支付方式，扣除所述购药订单对应的购药费用，具体包括：

获取使用所述医疗保险卡的用户的第一生物特征信息和所述医疗保险卡的识别号；

根据所述识别号，从社会保障平台获取所述识别号对应的所述医疗保险卡的持有者的第二生物特征信息；

将所述第一生物特征信息与所述第二生物特征信息进行匹配；

若所述第一生物特征信息与所述第二生物特征信息匹配，则从所述医疗保险卡中扣除所述购药订单对应的购药费用。

优选地，所述第一生物特征信息为使用所述医疗保险卡的用户的第一人脸特征信息，所述第二生物特征信息为所述医疗保险卡的持有者的第二人脸特征信息；

所述获取使用所述医疗保险卡的用户的第一生物特征信息，具体包括：

采集包含有使用所述医疗保险卡的用户的第一人脸图像的实时流媒体文件；

根据预存的人脸检测模型，对所述实时流媒体文件中的每一帧流媒体数据进行人脸检测，得到所述第一人脸图像，所述人脸检测模型基于卷积神经网络算法对人脸样本数据进行卷积神经网络训练获得；

根据预存的人脸特征提取模型，对所述第一人脸图像进行人脸特征提取，得到所述第一人脸特征信息，所述人脸特征提取模型根据所述人脸样本数据中的人脸特征训练获得；

其中，所述将所述第一生物特征信息与所述第二生物特征信息进行匹配，具体包括：

将所述第一人脸特征信息与所述第二人脸特征信息进行匹配。

优选地，所述从所述医疗保险卡中扣除所述购药订单对应的购药费用之前，所述方法还包括：

确定所述医疗保险卡在预设周期内的使用情况；

根据预设的医疗保险卡使用规则和所述使用情况，判断所述医疗保险卡是否可以使用；

其中，所述从所述医疗保险卡中扣除所述购药订单对应的购药费用，具体包括：

若所述医疗保险卡可以使用，则从所述医疗保险卡中扣除所述购药订单对应的购药费用。

此外，为实现上述目的，本发明还提出一种辅助用户自主购药的装置，所述装置包括：

第一获取模块，用于接收用户触发的购药请求，根据所述购药请求获取用户提供的患者信息，所述患者信息包括患者的身份信息和当前病症信息；

第二获取模块，用于根据所述身份信息，从健康档案管理平台获取所述患者的健康档案；

制定模块，用于根据所述当前病症信息和所述健康档案，制定目标购药参考方案；

推荐模块，用于将所述目标购药参考方案推荐给用户，以辅助用户选购针对所述当前病症信息的药品。

此外，为实现上述目的，本发明还提出一种辅助用户自主购药的设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的辅助用户自主购药的程序，所述辅助用户自主购药的程序配置为实现如上文所述的辅助用户自主购药的方法的步骤。

此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有辅助用户自主购药的程序，所述辅助用户自主购药的程序被处理器执行时实现如上文所述的辅助用户自主购药的方法的步骤。

本发明提供的辅助用户自主购药的方案，在接收到用户触发的购药请求时，通过根据购药请求获取用户提供的患者信息，并根据用户提供的患者信息中的身份信息从健康档案管理平台获取所述患者的健康档案，然后根据获取到的健康档案和患者信息中的当前病症信息，制定供用户参考的目标购药参考方案，在辅助用户顺利购买到适用于患者当前病症信息的药品同时，也可以帮助用户提前规避掉不适合患者服用的药品，从而保证患者的身体健康，并减少不必要的就医消费，有效提升了用户的自主购药体验。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的辅助用户自主购药的设备的结构示意图；

图2为本发明辅助用户自主购药的方法第一实施例的流程示意图；

图3为本发明辅助用户自主购药的方法第二实施例的流程示意图；

图4为本发明辅助用户自主购药的装置第一实施例的结构框图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

参照图1，图1为本发明实施例方案涉及的硬件运行环境的辅助用户自主购药的设备结构示意图。

如图1所示，该辅助用户自主购药的设备可以包括：处理器1001，例如中央处理器(centralprocessingunit，cpu)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(wireless-fidelity，wi-fi)接口)。存储器1005可以是高速的随机存取存储器(randomaccessmemory，ram)存储器，也可以是稳定的非易失性存储器(non-volatilememory，nvm)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的结构并不构成对辅助用户自主购药的设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及辅助用户自主购药的程序。

在图1所示的辅助用户自主购药的设备中，网络接口1004主要用于与健康档案管理平台、处方共享平台、医院信息系统等进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明辅助用户自主购药的设备中的处理器1001、存储器1005可以设置在辅助用户自主购药的设备中，所述辅助用户自主购药的设备通过处理器1001调用存储器1005中存储的辅助用户自主购药的程序，并执行本发明实施例提供的辅助用户自主购药的方法。

本发明实施例提供了一种辅助用户自主购药的方法，参照图2，图2为本发明一种辅助用户自主购药的方法第一实施例的流程示意图。

本实施例中，所述辅助用户自主购药的方法包括以下步骤：

步骤s10：接收用户触发的购药请求，根据所述购药请求获取用户提供的患者信息。

具体的说，本实施例中的执行主体具体为能够与用户进行交互的终端设备。

应当理解的是，在实际应用中，上述所说的终端设备可以是智能手机、平板电脑、个人计算机等任意可以访问网络的终端设备，此处不再一一列举，对此也不做任何限制。

操作终端设备，并触发购药请求的用户具体可以是患者本人，也可以是患者的家属、朋友等。

比如，在患者为老人或者儿童时，则触发购药请求的用户可能是老人的子女，儿童的父母等。

此外，值得一提的是，在本实施例中，获取到的用户提供的患者信息具体可以包括患者的身份信息和当前病症信息。

应当理解的是，上述所说的身份信息，具体可以是标识患者身份唯一性的身份证号码、医疗保险卡号或社保卡号。

进一步地，为了解决医疗保险卡的盗刷、代刷等违规使用医疗保险卡的问题，上述身份信息还可以是患者的生物特征信息，比如患者的人脸特征信息、虹膜特征信息、声纹特征信息等，此处不再一一列举，对此也不做任何限制。

以生物特征信息为人脸特征信息为例，上述获取身份信息的方式可以是利用图像采集设备拍摄就诊患者的人脸图像，然后根据人脸特征提取技术从拍摄的人脸图像中提取人脸特征信息，然后将提取到的人脸特征信息作为就诊患者的身份信息。

通过上述描述不难发现，在身份信息为患者的生物特征信息时，获取身份信息的过程为实时的，因而能够有效防止他人使用参保人的医疗保险卡冒名就医。

进一步地，在具体实现中，在获取上述生物特征信息时，终端设备还可以播放随机的动作指令，比如要求患者做出一个随机动作，朗读随机内容等，从而可以有效的防止他人使用参保人的人脸图像或者录音蒙混过关。

此外，应当理解的是，上述所说的当前病症信息，具体可以是根据患者当前的身体状况描述的信息，比如在患者患有的为突发性基本，如感冒时，当前病症信息可以是：轻微发热、无汗、头痛身痛、鼻塞流清涕等。对于患有慢性病的患者的当前病症信息，具体可以是通过用户提交的医师开具的处方中描述的病症信息。

值得一提的是，本实施例中所说的慢性病全称是慢性非传染性疾病，不是特指某种疾病，而是对一类起病隐匿，病程长且病情迁延不愈，缺乏确切的传染性生物病因证据，病因复杂，且有些尚未完全被确认的疾病的概括性总称。

目前，常见的慢性病主要有心脑血管疾病、癌症、糖尿病、慢性呼吸系统疾病、慢性肾病等，其中心脑血管疾病包含高血压、脑卒中和冠心病。

需要说明的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体实现中，在用户处方购药请求时，需要获取的患者信息可以由本领域的技术人员根据需要设置，此处不做限制。

步骤s20：根据所述身份信息，从健康档案管理平台获取所述患者的健康档案。

具体的说，上述所说的健康档案可以包括：患者的个人基本信息(如身份证号码、联系方式、医疗保险卡号/社保卡号、生物特征(人脸特征、虹膜特征、声纹特征等)、年龄、性别、是否为孕妇等)、健康体检数据、就诊数据、过往病史、手术信息、历史药品处方信息、医嘱信息、过敏禁忌药品等，此处不再一一列举，对此也不做任何限制。

此外，本实施例中所说的健康档案管理平台具体可以是一个接入互联网的第三方服务器，该服务器可以是物理服务器，也可以是虚拟云服务器。

并且该平台有专门的管理人员进行管理和维护，比如由社区卫生服务中心和医疗机构对居民的健康档案进行完善，由医疗保险基金管理部门和社会保障部门进行监管。

步骤s30：根据所述当前病症信息和所述健康档案，制定目标购药参考方案。

具体的说，在制定目标购药参考方案时，会根据患者的当前病症信息和健康档案以及相关机构制定的各项标准，比如用药与用量的标准、配伍禁忌、药品相互作用、药品适应症状等来制定，从而保证制定的目标购药参考方案中推荐用户购买的药品不存在会导致患者过敏、诱发患者历史疾病的药品，并且购买的多种药品之间不会产生副作用，推荐的用量符合患者。

应当理解的是，为了保证制定的目标购药参考方案相对准确且有参考价值，在执行步骤s30之前，可以先根据所述身份信息和所述当前病症信息，从处方共享平台获取所述患者的第一历史病症信息及与所述第一历史病症信息对应的第一历史处方。

需要说明的是，上述从处方共享平台获取到的第一历史病症信息为与所述当前病症信息的匹配度大于第一阈值的第一历史病症信息。

具体的，上述所说的第一阈值可以根据需要设置，比如设置为80％。即，在获取到的当前病症信息中记录的感冒症状与第一历史病症信息中记录的感冒症状有80％相似时，则认为该第一历史病症信息具有参考价值，需要从处方共享平台获取到终端设备本地，并将该第一历史病症信息对应的第一历史处方也获取到终端设备本地。

此外，关于获取与第一历史病症信息对应的第一历史处方的操作，具体可以如下：

根据预设的映射关系表，从处方共享平台查找所述历史病症信息对应的历史处方。

应当理解的是，上述所说的映射关系表为各历史病症信息与各历史处方之间的对应关系。

此外，上述所说的第一历史处方是由医师根据所述第一历史病症信息为所述患者开具。即，该第一历史处方具体是由注册的执业医师和执业助理医师(以下简称医师)在诊疗活动中为患者开具，作为患者用药凭证的医疗文书。

通过上述描述不难发现，在从处方共享平台获取到所述患者的第一历史病症信息及与所述第一历史病症信息对应的第一历史处方后，上述步骤s30中制定所述目标购药参考方案的具体操作，应该适应性的调整为：根据所述当前病症信息、所述健康档案、所述第一历史病症信息和所述第一历史处方，制定所述目标购药参考方案。

进一步地，在具体实现中，经常会存在用户提供的当前病症信息过于简单，从而导致制定的目标购药参考方案中推荐用户购买的药品并不适合患者的病症。因而，为了解决这一问题，在根据所述当前病症信息、所述健康档案、所述第一历史病症信息和所述第一历史处方，制定所述目标购药参考方案之前，还可以进行如下操作：

首先，基于关键词提取法，从所述当前病症信息中提取关键词。

具体的说，在本实施例中，关于基于关键词提取法，从所述当前病症信息中提取关键词的操作，具体可以通过如下方式实现：

(1)对所述当前病症信息进行文本预处理。

具体的说，在从所述当前病症信息中获取关键词时，为了提高获取到的关键词的有效性，需要先对当前病症信息进行预处理。

比如说，去停用词，即去掉当前病症信息中含有的如：呢、吗、啊等没有实际意义的词。

还比如说，去掉无效特殊字符，如表情符号、各种标点符号等。

还比如说，将当前病症信息中的数字转为汉字或相应的英文，如将阿拉伯数字1、2、3转换为汉字一、二、三，或one、two、three等。

还比如说，在执行完上述几种处理操作后，将文本内容合并成一行。

需要说明的是，以上仅为举例说明，在实际应用中，对当前病症信息的预处理并不局限与上述几种操作，本领域的技术人员可以根据需要选取合适的预处理标准，对当前病症信息进行文本预处理，此处不做限制。

(2)对所述预处理后的当前病症信息进行构词划分，得到多个词语

在对当前病症信息进行上述预处理操作后，对通过预处理操作后的当前病症信息进行构词划分，即根据构词成分进行划分，从而实现对当前病症信息中词语的有效组合、拆分。

关于构词划分操作，具体可以根据单个汉字或英文单词的词性、出现的次数、出现的位置(比如是出现在段首、段中，还是段尾，亦或是出现在标题处)等参考因素进行划分。

进一步地，在本实施例中可以采用汉语词法分析系统(instituteofcomputingtechnologychineselexicalanalysissystem，ictclas)对各汉字进行词性标注，采用斯坦福大学提供的corenlp英文词性标注工具对各英文单词进行词性标注，从而可以确保在根据汉字或英文单词的词性更加合理、准确的进行构词划分。

(3)根据语义词典，计算任意两个词语之间的语义相似度。

需要说明的是，本实施例中选取的词义词典，主要是目前较为成熟，使用相对广泛的知网(hownet)词典、英语词典(wordne)和同义词词林。

由于各种语义词典的应用已经是本领域的公知常识，本领域的技术人员可以根据各语义词典的使用手册，实现计算任意两个词语之间的语义相似度，因而此处不再赘述。

(4)根据各词语的语义相似度，计算各词语的居间度。

具体的说，由于居间度是将相识度矩阵抽象成图像，然后根据抽象得到图像进行计算获得的，因此在具体实现中，在根据各词语的语义相似度，计算各词语的居间度时，需要先构建语义相似度矩阵，然后对得到的语义相似度矩阵进行抽象出来，从而得到表示任意两个词语之间的连接关系的词语分布图，然后根据得到的词语分布图进行计算获得各词语的居间度。

为了便于理解，以下给出一种采用最短路径算法计算各词语的居间度的具体实现方式，大致如下：

(4-1)根据各词语的语义相似度，构建语义相似度矩阵。

(4-2)对所述语义相似度矩阵进行抽象处理，得到词语分布图，所述词语分布图为任意两个词语之间的连接关系图。

具体的说，此处进行的抽象出来为把语义相似度矩阵中所有相似度大于0.5的均设为1，所有相似度小于0.5的均设为0，这样就可以把语义相似度矩阵抽象为一个仅由顶点(词语)和边(点与点之间的路径)的词性分布图。

(4-3)采用最短路径算法，计算任意两个词语之间的最短路径。

具体的说，为了方便计算，本实施例中优选迪杰斯特拉算法(dijkstra算法)来计算任意两个词语之间的最短路径。

由于dijkstra算法的使用已经较为成熟，本领域的技术人员可以通过查找相关资料自行实现，此处不再赘述。

(4-4)根据各最短路径经过各词语的频率，确定各词语的居间度。

具体的说，由于各词语的居间度与各最短路径经过各词语的频率有关，即频率越高，居间度越大，该词语的重要度也越高，因此通过根据各最短路径经过各词语的频率，确定各词语的居间度，在保证获得各词语的居间度的精确度的同时，也可以方便计算。

需要说明的是，以上给出的仅仅为一种计算词语的居间度的具体实现方式，对本发明的技术方案并不构成任何限定，在具体实现中，本领域的技术人员可以根据需要设置，此处不做限制。

(5)根据预设的权重值计算规则，计算各词语的语义权重值、居间度权重值、词性权重值、词频权重值和词长权重值。

具体的说，此处所说的权重值计算规则，主要用于存储上述各权重值计算项的权重比例，以及每一项的预设分值。

(6)根据各词语的语义权重值、居间度权重值、词性权重值、词频权重值和词长权重值，确定各词语的总得分。

(7)选取得分最高的词语作为所述当前病症信息中的关键词。

需要说明的是，以上给出的仅仅为一种基于关键词提取法，从所述当前病症信息中提取关键词的具体实现方式，对本发明的技术方案并不构成任何限定，在具体实现中，本领域的技术人员可以根据需要设置，比如采用基于统计特征的关键词抽取算法、基于词图模型的关键词抽取算法、基于主题模型的关键词抽取算法等不同方式的关键词提取算法从所述当前病症信息中提取关键词，此处不再一一列举，对此也不做让任何限制。

另外，关于各种关键词提取算法的实现方式，本领域的技术人员可以通过查找相关资料自行实现，此处不再赘述。

然后，根据所述关键词，确定所述当前病症信息对应的疾病类型。

具体的说，为了保证能够根据得到的关键词，确定所述当前病症信息的对应的疾病类型，可以预先建立关键词与疾病类型之间的对应关系。

假设，疾病类型有感冒、咳嗽、高血压、糖尿病等类别。则可以通过机器学习法，对各大数据平台上存储的海量数据进行训练，来建立不同关键词与疾病类型的对应关系。

比如，设置“浑身酸痛”、“鼻塞流涕”、“咳嗽有痰”等关键词对应感冒类型；设置“咽痒声重”、“鼻流清涕”、“恶寒无汗”、“发热头痛”、“舌淡红，苔薄白”、“脉浮紧”等关键词对应咳嗽类型。

需要说明的是，以上仅为举例说明，对本发明的技术方案并不构成限定，在具体实现中，本领域的技术人员可以根据国际疾病分类(internationalclassificationofdiseases，icd)来划分基本类型，然后根据各疾病对应的症状特征来决定对应的关键词，此处不做限制。

此外，上述所说的icd具体是指依据疾病的某些特征，按照规则将疾病分门别类，并用编码的方法来表示的一个现有系统，关于其构建和使用此处不再赘述。

最后，从所述处方共享平台获取预设周期内，属于所述疾病类型的第二历史病症信息及与所述第二历史病症信息对应的第二历史处方，并统计所述第二历史处方的数量。

具体的说，由于某些突发性疾病，比如流行性感冒、咳嗽等，在某一时间内，可能会大范围的出现，因而在用户提供的当前病症信息仅仅是感冒、咳嗽等字眼时，可以获取预设周期内，比如近一周、一个月内所有病症对应的疾病类型为根据用户提供的当前病症信息确定的疾病类型(如感冒)的第二历史病症信息及与所述第二历史病症信息对应的第二历史处方。

也就是说，上述所说的第二历史病症信息和第二历史处方并不一定是患者自己的历史病症和历史处方，而是当前时间段任意患者的。

相应地，在完成上述操作后，通过判断所述第二历史处方的数量是否大于第二阈值，若所述第二历史处方的数量大于第二阈值，则根据所述当前病症信息、所述健康档案、所述第一历史病症信息、所述第一历史处方、所述第二历史病症信息和所述第二历史处方，制定所述目标购药参考方案。

比如近一周有80％，甚至更多的患者患有的是病毒性感冒，而用户输入的当前病症信息描述不是很准确，仅仅说明自己感冒了，则可以考虑患者可能也能被传染，患有的是病毒性感冒，因而在制定目标购药参考方案时，需要结合患者的当前病症信息、第一历史病症信息、第一历史处方，以及其他患者的第二历史病症信息和第二历史处方。

需要说明的是，以上仅为举例说明，对本发明的技术方案并不构成限定，在具体实现中，本领域的技术人员可以需要设置，此处不做限制。

为了便于理解，以下给出一种根据所述当前病症信息、所述健康档案、所述第一历史病症信息、所述第一历史处方、所述第二历史病症信息和所述第二历史处方，制定所述目标购药参考方案的具体方案，实现方式大致如下：

首先，根据所述当前病症信息、所述健康档案、所述第一历史病症信息、所述第一历史处方、所述第二历史病症信息和所述第二历史处方，制定至少一个初始购药参考方案。

以所述当前病症信息中记录信息仅能确定患者患有的为感冒为例。当获取的第一历史病症信息有针对病毒性感冒的，有针对风寒感冒的，有针对风热感冒的，获取的第二历史病症信息在近两周内大多是病毒性感冒的，则可以大致确定患者此处患有的感冒可能为病毒性感冒。然后从患者曾经患有病毒性感冒时的第一历史病症信息对应的第一历史处方中获取医师曾经为患者开具的处方药，比如是感冒药a；从第二历史处方中获取到的针对病毒性感冒的处方药为感冒b和感冒药c。根据患者的健康档案中记录的过往病史及过敏情况，发现患者对感冒药c过敏。则通过上述分析后，可以是分别以感冒药a和感冒药为第一服用药品，并辅以相应的辅助药品，制定分别包含感冒药a和感冒药b的2个初始购药参考方案。

需要说明的是，以上仅为举例说明，对本发明的技术方案并不构成限定，本领域的技术人员可以根据需要设置，此处不做限制。

然后，根据预设的权重分配标准，计算各初始购药参考方案的权重值。

比如，根据药价、治疗效果、对身体影响的不同，为药品分配不同的权重，然后根据各药品对应的权重，计算各初始参考处方的权重值。

具体的，考虑到就诊患者的就医成本，可以为药价低的药品设置高的权重，药价高的设置低的权重；考虑到治疗效果，可以为效果显著可以快速缓解患者病症的药品设置高的权重，反之设置低的权重；考虑到药品对患者身体副作用的影响，可以为副作用较小的药品设置高的权重，反之设置低的权重。

需要说明的是，以上仅为举例说明，对本发明的技术方案并不构成限定，本领域的技术人员可以根据需要设置，此处不做限制。

最后，根据各权重值的高低和预设的推荐规则，从各初始购药参考方案中选取符合所述推荐规则的初始购药参考方案作为所述目标购药参考方案。

需要说明的是，上述所说的推荐规则，具体是指在一次推荐操作中，为用户推荐几个购药参考方案，推荐的方式是怎样的，具体的，本领域的技术人员可以根据需要设置，此处不做限制。

此外，应当理解的是，最终确定的目标购药参考方案，优选是一个就医成本、治疗效果、副作用达到了一个合理的平衡的购药参考方案。

步骤s40：将所述目标购药参考方案推荐给用户，以辅助用户选购针对所述当前病症信息的药品。

通过上述描述不难发现，本实施例中提供的辅助用户自主购药的方法，在接收到用户触发的购药请求时，通过根据购药请求获取用户提供的患者信息，并根据用户提供的患者信息中的身份信息从健康档案管理平台获取所述患者的健康档案，然后根据获取到的健康档案和患者信息中的当前病症信息，制定供用户参考的目标购药参考方案，在辅助用户顺利购买到适用于患者当前病症信息的药品同时，也可以提前帮助用户提前规避掉不适合患者服用的药品，从而保证患者的身体健康，并减少不必要的就医消费，有效提升了用户的自主购药体验。

参考图3，图3为本发明一种辅助用户自主购药的方法第二实施例的流程示意图。

基于上述第一实施例，本实施例辅助用户自主购药的方法在所述步骤s40之后，还包括：

步骤s50：接收用户提交的购药订单，根据用户选择的支付方式，扣除所述购药订单对应的购药费用。

具体的说，为了方便根据支付类型设置不同的处理流程，本实施例中将支付方式大致分为两类，一类为使用医疗保险卡支付，一类则是不使用医疗保险卡支付。

由于使用医疗保险卡来支付购药订单对应的购药费用所消费的是医疗保险基金，因而为了保障参保人的权益，避免发生医疗保险卡的盗刷、代刷等违规用卡问题。本实施例以用户选择的支付方式为使用医疗保险卡支付为例，对根据用户选择的支付方式，扣除所述购药订单对应的购药费用的方式进行具体说明，所述支付模块执行的操作大致如下：

首先，获取使用所述医疗保险卡的用户的第一生物特征信息和所述医疗保险卡的识别号。

然后，根据所述识别号，从社会保障平台获取所述识别号对应的所述医疗保险卡的持有者的第二生物特征信息。

接着，将所述第一生物特征信息与所述第二生物特征信息进行匹配。

最后，若所述第一生物特征信息与所述第二生物特征信息匹配，则从所述医疗保险卡中扣除所述购药订单对应的购药费用。

需要说明的是，本实例中所说的第一生物特征信息和第二生物特征信息，可以是人脸特征信息、虹膜特征信息、声纹特征信息等，此处不再一一列举，对此也不做限制。

为了便于理解，以下以所述第一生物特征信息为使用所述医疗保险卡的用户的第一人脸特征信息，所述第二生物特征信息为所述医疗保险卡的持有者的第二人脸特征信息为例，对获取使用所述医疗保险卡的用户的第一生物特征信息的操作进行具体说明：

采集包含有使用所述医疗保险卡的用户的第一人脸图像的实时流媒体文件。

根据预存的人脸检测模型，对所述实时流媒体文件中的每一帧流媒体数据进行人脸检测，得到所述第一人脸图像。

根据预存的人脸特征提取模型，对所述第一人脸图像进行人脸特征提取，得到所述第一人脸特征信息。

相应地，在所述第一生物特征信息为使用所述医疗保险卡的用户的第一人脸特征信息，所述第二生物特征信息为所述医疗保险卡的持有者的第二人脸特征信息时，所述将所述第一生物特征信息与所述第二生物特征信息进行匹配，具为：将所述第一人脸特征信息与所述第二人脸特征信息进行匹配。

比如，先将所述第一人脸特征信息与所述第二人脸特征信息进行逐一匹配，确定所述第一人脸特征信息与所述第二人脸特征信息之间的余弦相似度；然后，将所述余弦相似度与预设的相似度阈值进行比较；最后，若所述余弦相似度大于所述相似度阈值，则可以从所述医疗保险卡中扣除所述购药订单对应的购药费用。

此外，需要说明的是，在具体实现中，上述人脸检测模型具体可以基于卷积神经网络算法对人脸样本数据进行卷积神经网络训练获得，人脸特征提取模型则可以根据所述人脸样本数据中的人脸特征训练获得。

进一步地，为了保证获取使用所述医疗保险卡的用户的第一生物特征信息的操作能够顺利进行，需要预先构建上述用到的人脸检测模型和人脸特征提取模型。

关于卷积神经网络，本领域的技术人员可以知晓，其在机器学习中，是一种深度前馈人工神经网络，能够较为准确的识别图像中的信息。因此，通过对人脸样本数据(如预先从网络下载，或者拍摄录入的人脸图像)进行卷积神经网络训练，从而得到一个能够准确识别出图像中的人脸检测模型。关于其具体的训练流程，本领域的技术人员可以通过查找相关资料实现，此处不再赘述。

关于人脸特征提取模型的构建，本实施例对现有的训练方式做了一下改进，具体为在进行训练之前，先将训练模型中的卷积核进行拆分，为了便于理解，以下对人脸特征提取模型构建模块所执行的操作进行具体描述：

首先，根据所述人脸样本数据中的人脸特征构建训练模型。

然后，将所述训练模型中尺寸为5×5的卷积核拆分为至少两个尺寸为3×3的卷积核。

最后，基于所述卷积神经网络算法，对所述训练模型中各3×3的卷积核进行训练，得到所述人脸特征提取模型。

需要说明的是，以上给出的仅为一种具体的拆分方式，对本申请的技术方案并不构成任何限定，本领域的技术人员可以根据需要进行拆分，此处不做限制。

进一步地，为了解决频繁使用医疗保险卡、过渡消费医疗保险基金等骗取医疗保险基金的问题，在从所述医疗保险卡中扣除所述购药订单对应的购药费用之前，还可以先确定所述医疗保险卡在预设周期内的使用情况，然后根据预设的医疗保险卡使用规则和所述使用情况，判断所述医疗保险卡是否可以使用，若所述医疗保险卡可以使用，则控制支付模块从所述医疗保险卡中扣除所述购药订单对应的购药费用。

具体的说，上述所说的预设周期可以为一个季度、半年、一年，具体的期限本领域的技术人员可以根据需要设置，此处不做限制。

此外，上述所说的使用情况，具体为医疗保险卡在预设周期内的购药次数、急诊次数、门诊次数、慢性病治疗次数、大病保险次数、累计使用额度等，此处不再一一列举，对此也不做限制。

通过上述描述不难发现，本实施例中提供的辅助用户自主购药的方法，在用户使用医疗保险卡支付购药费用时，通过获取当前使用医疗保险卡购买药品的用户的第一生物特征和该医疗保险卡的识别号，并根据获取到的识别号从社会保障平台获取与当前识别号对应的医疗保险卡的真正的持有者的第二生物特征信息，然后将第一生物特征信息与第二生物特征信息进行匹配，在二者匹配时才能利用该医疗保险卡支付购买的药品的费用，从而可以有效的避免医疗保险卡的盗刷、代刷等违规使用现象，尽可能的保证医疗保险卡持有者的利益。

此外，本实施例中提供的辅助用户自主购药的方法，在确定第一生物特征信息与第二生物特征信息匹配，从所述医疗保险卡中扣除所述购药订单对应的购药费用之前，通过根据预设的医疗保险卡使用规则和获取的所述医疗保险卡近期的使用情况来判断所述医疗保险卡是否可用，从而可以有效的解决频繁使用医疗保险卡、过渡消费医疗保险基金等骗取医疗保险基金的问题，使得医疗保险基金在为参保人提供基本医疗服务的同时，也可以避免被过渡损耗。

此外，本发明实施例还提出一种存储介质，所述存储介质上存储有辅助用户自主购药的程序，所述辅助用户自主购药的程序被处理器执行时实现如上文所述的辅助用户自主购药的方法的步骤。

参照图4，图4为本发明辅助用户自主购药的装置第一实施例的结构框图。

如图4所示，本发明实施例提出的辅助用户自主购药的装置包括：第一获取模块4001、第二获取模块4002、制定模块4003和推荐模块4004。

其中，第一获取模块4001，用于接收用户触发的购药请求，根据所述购药请求获取用户提供的患者信息。

具体的说，本实施例中所说的患者信息主要包括患者的身份信息和当前病症信息。

第二获取模块4002，用于根据所述身份信息，从健康档案管理平台获取所述患者的健康档案。

制定模块4003，用于根据所述当前病症信息和所述健康档案，制定目标购药参考方案。

推荐模块4004，用于将所述目标购药参考方案推荐给用户，以辅助用户选购针对所述当前病症信息的药品。

为了保证制定的目标购药参考方案相对准确且有参考价值，本实施例中提出的辅助用户自主购药的装置还可以包括第三获取模块。

具体的，第三获取模块，用于根据所述身份信息和所述当前病症信息，从处方共享平台获取所述患者的第一历史病症信息及与所述第一历史病症信息对应的第一历史处方。

需要说明的是，在本实施例中，第三获取模块获取到的第一历史病症信息为与所述当前病症信息的匹配度大于第一阈值的第一历史病症信息。

此外，上述所说的第一历史处方是由医师根据所述第一历史病症信息为所述患者开具。

相应地，制定模块4003制定目标购药参考方案的操作，适应性的调整为：根据所述当前病症信息、所述健康档案、所述第一历史病症信息和所述第一历史处方，制定所述目标购药参考方案。

进一步地，在具体实现中，经常会存在用户提供的当前病症信息过于简单，从而导致制定的目标购药参考方案中推荐用户购买的药品并不适合患者的病症。因而，为了解决这一问题，本实施例中提出的辅助用户自主购药的装置还可以包括第四获取模块。

具体的，第四获取模块，用于基于关键词提取法，从所述当前病症信息中提取关键词；根据所述关键词，确定所述当前病症信息对应的疾病类型；从所述处方共享平台获取预设周期内，属于所述疾病类型的第二历史病症信息及与所述第二历史病症信息对应的第二历史处方，并统计所述第二历史处方的数量。

相应地，制定模块4003制定目标购药参考方案的操作，适应性的调整为：在所述第二历史处方的数量大于第二阈值时，根据所述当前病症信息、所述健康档案、所述第一历史病症信息、所述第一历史处方、所述第二历史病症信息和所述第二历史处方，制定所述目标购药参考方案。

关于，制定模块4003根据所述当前病症信息、所述健康档案、所述第一历史病症信息、所述第一历史处方、所述第二历史病症信息和所述第二历史处方，制定所述目标购药参考方案的操作，具体可以通过如下流程实现：

首先，根据所述当前病症信息、所述健康档案、所述第一历史病症信息、所述第一历史处方、所述第二历史病症信息和所述第二历史处方，制定至少一个初始购药参考方案。

然后，根据预设的权重分配标准，计算各初始购药参考方案的权重值。

最后，根据各权重值的高低和预设的推荐规则，从各初始购药参考方案中选取符合所述推荐规则的初始购药参考方案作为所述目标购药参考方案。

需要说明的是，以上给出的仅仅为一种制定目标购药参考方案的具体实现方式，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要设置实现方式，此处不做限制。

通过上述描述不难发现，本实施例中提供的辅助用户自主购药的装置，在接收到用户触发的购药请求时，通过根据购药请求获取用户提供的患者信息，并根据用户提供的患者信息中的身份信息从健康档案管理平台获取所述患者的健康档案，然后根据获取到的健康档案和患者信息中的当前病症信息，制定供用户参考的目标购药参考方案，在辅助用户顺利购买到适用于患者当前病症信息的药品同时，也可以帮助用户提前规避掉不适合患者服用的药品，从而保证患者的身体健康，并减少不必要的就医消费，有效提升了用户的自主购药体验。

需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。

另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的辅助用户自主购药的方法，此处不再赘述。

基于上述辅助用户自主购药的装置的第一实施例，提出本发明辅助用户自主购药的装置第二实施例。

在本实施例中，所述辅助用户自主购药的装置还包括支付模块。所述支付模块，用于接收用户提交的购药订单，根据用户选择的支付方式，扣除所述购药订单对应的购药费用。

具体的说，为了方便根据支付类型设置不同的处理流程，本实施例中将支付方式大致分为两类，一类为使用医疗保险卡支付，一类则是不使用医疗保险卡支付。

由于使用医疗保险卡来支付购药订单对应的购药费用所消费的是医疗保险基金，因而为了保障参保人的权益，避免发生医疗保险卡的盗刷、代刷等违规用卡问题。本实施例以用户选择的支付方式为使用医疗保险卡支付为例，对根据用户选择的支付方式，扣除所述购药订单对应的购药费用的方式进行具体说明，所述支付模块执行的操作大致如下：

首先，获取使用所述医疗保险卡的用户的第一生物特征信息和所述医疗保险卡的识别号。

然后，根据所述识别号，从社会保障平台获取所述识别号对应的所述医疗保险卡的持有者的第二生物特征信息。

接着，将所述第一生物特征信息与所述第二生物特征信息进行匹配。

最后，若所述第一生物特征信息与所述第二生物特征信息匹配，则从所述医疗保险卡中扣除所述购药订单对应的购药费用。

需要说明的是，本实例中所说的第一生物特征信息和第二生物特征信息，可以是人脸特征信息、虹膜特征信息、声纹特征信息等，此处不再一一列举，对此也不做限制。

为了便于理解，以下以所述第一生物特征信息为使用所述医疗保险卡的用户的第一人脸特征信息，所述第二生物特征信息为所述医疗保险卡的持有者的第二人脸特征信息为例，对获取使用所述医疗保险卡的用户的第一生物特征信息的操作进行具体说明：

采集包含有使用所述医疗保险卡的用户的第一人脸图像的实时流媒体文件。

根据预存的人脸检测模型，对所述实时流媒体文件中的每一帧流媒体数据进行人脸检测，得到所述第一人脸图像。

根据预存的人脸特征提取模型，对所述第一人脸图像进行人脸特征提取，得到所述第一人脸特征信息。

需要说明的是，在具体实现中，上述人脸检测模型具体可以基于卷积神经网络算法对人脸样本数据进行卷积神经网络训练获得，人脸特征提取模型则可以根据所述人脸样本数据中的人脸特征训练获得。

进一步地，为了保证获取使用所述医疗保险卡的用户的第一生物特征信息的操作能够顺利进行，需要预先构建上述用到的人脸检测模型和人脸特征提取模型。因此，本实施例中提供的辅助用户自主购药的装置还可以包括人脸检测模型构建模块和人脸特征提取模型构建模块。

关于卷积神经网络，本领域的技术人员可以知晓，其在机器学习中，是一种深度前馈人工神经网络，能够较为准确的识别图像中的信息。因此，通过对人脸样本数据(如预先从网络下载，或者拍摄录入的人脸图像)进行卷积神经网络训练，从而得到一个能够准确识别出图像中的人脸检测模型。关于其具体的训练流程，本领域的技术人员可以通过查找相关资料实现，此处不再赘述。

关于人脸特征提取模型的构建，本实施例对现有的训练方式做了一下改进，具体为在进行训练之前，先将训练模型中的卷积核进行拆分，为了便于理解，以下对人脸特征提取模型构建模块所执行的操作进行具体描述：

首先，根据所述人脸样本数据中的人脸特征构建训练模型。

然后，将所述训练模型中尺寸为5×5的卷积核拆分为至少两个尺寸为3×3的卷积核。

最后，基于所述卷积神经网络算法，对所述训练模型中各3×3的卷积核进行训练，得到所述人脸特征提取模型。

需要说明的是，以上给出的仅为一种具体的拆分方式，对本申请的技术方案并不构成任何限定，本领域的技术人员可以根据需要进行拆分，此处不做限制。

进一步地，为了解决频繁使用医疗保险卡、过渡消费医疗保险基金等骗取医疗保险基金的问题，本实施例中提供的辅助用户自主购药的装置还可以包括医疗保险卡可用性验证模块。

所述医疗保险卡可用性验证模块，用于确定所述医疗保险卡在预设周期内的使用情况，然后根据预设的医疗保险卡使用规则和所述使用情况，判断所述医疗保险卡是否可以使用，若所述医疗保险卡可以使用，则控制支付模块从所述医疗保险卡中扣除所述购药订单对应的购药费用。

通过上述描述不难发现，本实施例中提供的辅助用户自主购药的装置，在用户使用医疗保险卡支付购药费用时，通过获取当前使用医疗保险卡购买药品的用户的第一生物特征和该医疗保险卡的识别号，并根据获取到的识别号从社会保障平台获取与当前识别号对应的医疗保险卡的真正的持有者的第二生物特征信息，然后将第一生物特征信息与第二生物特征信息进行匹配，在二者匹配时才能利用该医疗保险卡支付购买的药品的费用，从而可以有效的避免医疗保险卡的盗刷、代刷等违规使用现象，尽可能的保证医疗保险卡持有者的利益。

此外，本实施例中提供的辅助用户自主购药的装置，在确定第一生物特征信息与第二生物特征信息匹配，从所述医疗保险卡中扣除所述购药订单对应的购药费用之前，通过根据预设的医疗保险卡使用规则和获取的所述医疗保险卡近期的使用情况来判断所述医疗保险卡是否可用，从而可以有效的解决频繁使用医疗保险卡、过渡消费医疗保险基金等骗取医疗保险基金的问题，使得医疗保险基金在为参保人提供基本医疗服务的同时，也可以避免被过渡损耗。

需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。

另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的辅助用户自主购药的方法，此处不再赘述。

此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器(readonlymemory，rom)/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。