一种推荐药品的方法和系统的制作方法
【技术领域】
[0001]本发明属于数据处理领域，尤其涉及一种推荐药品的方法和系统。
【背景技术】
[0002]健康和医疗诊断问题越来越受到人们的重视，然而，每年中国有近20万人、美国有近10万人死于医疗事故，其中超过42%的医疗事故是由医生的错误导致，尤其是年轻经验较少的医生。这是因为一方面许多医院缺少特别疾病的专家，另一方面即使是专家诊断也难以避免失误。医疗信息系统积累了大量的数据，大数据和数据挖掘技术可以用来挖掘诊断历史记录数据并且帮助医生正确开药方，从而减少医疗错误、提高诊断效率。
[0003]当前医生诊断错误时有发生，传统的推荐系统大多数针对电子商务的推荐，例如商品、书和电影，并不能对药品进行推荐。
【发明内容】
[0004]鉴于此，本发明提供一种推荐药品的方法和系统，以解决现有技术不能推荐药品的技术问题。
[0005]本发明实施例是这样实现的，一种推荐药品的方法，所述方法包括以下步骤:
[0006]对待推荐药品数据进行预处理，获取干净数据集；
[0007]将所述干净数据集应用到预设的推荐模型中，通过预设的处理标准获取最佳推荐模型；
[0008]通过所述最佳推荐模型处理所述干净数据集，获取推荐药品。
[0009]本发明实施例还提供一种推荐药品的系统，所述系统包括:
[0010]干净数据集获取单元，用于对待推荐药品数据进行预处理，获取干净数据集；
[0011]最佳推荐模型获取单元，用于将所述干净数据集获取单元获取的干净数据集应用到预设的推荐模型中，通过预设的处理标准获取最佳推荐模型；
[0012]推荐药品获取单元，用于通过所述最佳推荐模型获取单元获取的最佳推荐模型处理所述干净数据集，获取推荐药品。
[0013]本发明实施例，对待推荐药品数据进行预处理，获取干净数据集，将干净数据集应用到预设的推荐模型中，通过预设的处理标准获取最佳推荐模型，通过最佳推荐模型处理干净数据集，获取推荐药品，提供了一种药品的推荐方法和推荐系统，使得病人可以根据该方法或系统获取药品推荐信息。
【附图说明】
[0014]为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0015]图1是本发明实施例提供的推荐药品方法的流程图；
[0016]图2是本发明实施例提供的推荐药品系统的结构图；
[0017]图3是本发明实施例提供的不同药品推荐模型的准确率和效率的示意图。
【具体实施方式】
[0018]为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0019]为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
[0020]实施例一
[0021]如图1所示为本发明实施例提供的推荐药品方法的流程图，所述方法包括以下步骤:
[0022]步骤S101，对待推荐药品数据进行预处理，获取干净数据集。
[0023]在本发明实施例中，原始的待推荐药品数据是不完整、有噪音的，因此需要对该待处理药品数据进行预处理，该预处理包括但不限于:缺失值处理、数据相关性分析和数据归
—化。O
[0024]步骤S102，将所述干净数据集应用到预设的推荐模型中，通过预设的处理标准获取最佳推荐模型。
[0025]在本发明实施例中，系统中预设有多个不同的推荐模型，不同的干净数据集使用的不同的推荐模型可以使推荐的速度最快、推荐结果最佳，因此需要根据预设的推荐标准获取最佳的推荐模型，该推荐模型包括但不限于:SVM(Support Vector Machine，简称:支持向量机)模型、BP神经网络模型和ID3决策树模型，该处理标准包括但不限于:处理效率、处理准确性和扩展性。
[0026]步骤S103，通过所述最佳推荐模型处理所述干净数据集，获取推荐药品。
[0027]在本发明实施例中，在选择出了最佳推荐模型之后，通过该最佳推荐模型对干净数据集进行，获取推荐的药品。
[0028]本发明实施例，对待推荐药品数据进行预处理，获取干净数据集，将干净数据集应用到预设的推荐模型中，通过预设的处理标准获取最佳推荐模型，通过最佳推荐模型处理干净数据集，获取推荐药品，提供了一种药品的推荐方法，使得病人可以根据该方法获取药品推荐信息。
[0029]作为本发明的一个可选实施例，在所述通过所述最佳推荐模型处理所述干净数据集，获取推荐药品的步骤之后，所述方法还包括:
[0030]将所述推荐药品与根据专家知识推荐的药品进行匹配，如果不匹配，则专家重新推荐，获取最终推荐药品。
[0031]作为本发明的另一个可选实施例，在所述对待推荐药品数据进行预处理，获取干净数据集的步骤之后，将所述干净数据集应用到预设的推荐模型中，通过预设的处理标准获取最佳推荐模型的步骤之前，所述方法还包括以下步骤:
[0032]对所述干净数据集进行可视化展示。
[0033]举例说明:
[0034]I)获得具有1250个诊断案例的数据集，建立相关的专家知识库、诊断案例库和药品库;
[0035]2)对诊断案例数据进行预处理，诊断案例的数据属性包括年龄、性别、血压、胆固醇含量、血钠浓度、血钾浓度和药的种类。经过缺失值处理，剩下1200条数据，经过相关性分析，剔除不相关的属性性别，并对数据进行归一化。
[0036]3)采用可视化技术对诊断案例数据进行可视化分析，图2展现诊断案例数据的基本规律，当血钾浓度，较低时应该选择药品Y。
[0037]4)选择SVM、BP神经网络和ID3决策树进行推荐模型的建立。
[0038]5)模型评估模块根据模型的准确率、效率和模型的可扩展性对模型进行自主评估，图3展示了不同模型的准确率和效率。最后选择了 SVM为最后推荐模型，在模型的准确率、效率和扩展性之间得到一个很好的权衡。
[0039]6)根据步骤5)选的推荐模型，进行药品推荐，错误检查机制误检查机制通过专家经验库与推荐的药品进行匹配，如果匹