一种智能化药物风险监控方法及系统与流程

本发明涉及居家养老技术领域，尤其涉及一种智能化药物风险监控方法及系统。

背景技术：

任何药物都有副作用，药物一方面是治疗作用，另一方面就是副作用。对心脏病人有副作用的药物种类繁多，有的药物药性不是很稳定，所以，心脏病人用药一定要遵从医嘱，不要擅自应用。但有些病人服药时不严格遵从医嘱，或在自身病情发生变化时不复诊、不检查，长期服用一种或多种药物，以致出现了毒副作用，甚至加重了原心脏病的病情。因此，对于服用药物所引起副作用的检测变得尤为重要。当今，可穿戴健康设备快速发展，可以用于长期监测人体的生理指标。

在可穿戴设备检测心脏病相关体征方面，目前有己经商业化的产品。如美国的CardioNet公司提供的心脏监测仪，可以实时采集病患的心电图数据，并将其传回公司以供分析。Isansys的无线心率传感器，无线脉搏血氧计和无线血压监护仪。

在药物副作用预测方面，现有用于“临床的药物决策系统”，在处方的过程中，参考数据库，比如药物不良反应数据库，配方数据库，药物不良反应数据库等，参与处方的决策，帮助医生给出合理的配方。

将可穿戴设备与医疗结合，使用可穿戴设备记录人体体征进行统计分析，并对非正常的数值给出预警。

目前，可穿戴设备仅参与心脏病体征的检测，监测系统大多只有单纯的数据收集、记录功能。CardioNet公司的设备为将信息发回监测中心，人工判断病人的身体状况，但是仍然有时效性差的缺点。此外，对于异常身体体征的判断和预测，大多使用简单的统计性数据，如血压要小于某一数值，标准僵化，没有很好地照顾好个体差异。

技术实现要素：

本发明的目的在于克服现有技术的不足，本发明提供了一种智能化药物风险监控方法及系统，可以通过神经网络对已有大量人群用药数据进行训练，充分照顾个体差异，快速判断病人的身体状况，实现用药监测。

为了解决上述问题，本发明提出了一种智能化药物风险监控方法，所述方法包括：

通过可穿戴设备收集用户的体征数据；

在用药的时候对所服药物进行扫描，获取药物数据；

对体征数据按预设时间间隔进行采样；

基于神经网络模型获取药物的副作用概率。

优选地，在所述基于神经网络模型获取药物的副作用概率的步骤之后，还包括：

根据副作用概率对用户发出提醒。

优选地，所述方法还包括：

设置风险阈值，当副作用概率超过该风险阈值时，向用户发出提醒。

相应地，本发明还提供一种智能化药物风险监控系统，所述系统包括：

可穿戴设备，用于收集用户的体征数据；

扫描模块，用于在用药的时候对所服药物进行扫描，获取药物数据；

采样模块，用于对体征数据按预设时间间隔进行采样；

计算模块，用于基于神经网络模型获取药物的副作用概率。

优选地，所述系统还包括：提醒模块，用于根据副作用概率对用户发出提醒。

优选地，所述系统还包括：设置模块，用于设置风险阈值；当副作用概率超过该风险阈值时，由提醒模块向用户发出提醒。

在本发明实施例中，根据心脏病病人的人体体征变化，和服用的药物成分，结合神经网络，智能化分析用户服药后的副作用，方便、快捷地评价出用药风险，通过神经网络对已有大量人群用药数据进行训练，充分照顾个体差异，快速判断病人的身体状况，预测和及时监控用户的用药安全。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，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的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例的智能化药物风险监控方法的流程示意图；

图2是本发明实施例的智能化药物风险监控系统的结构组成示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1是本发明实施例的智能化药物风险监控方法流程示意图，如图1所示，该方法包括：

S1，通过可穿戴设备收集用户的体征数据；

S2，在用药的时候对所服药物进行扫描，获取药物数据；

S3，对体征数据按预设时间间隔进行采样；

S4，基于神经网络模型获取药物的副作用概率。

在本发明实施例中，可通过以下可穿戴设备收集用户的体征数据。

表1检测体征对应的可穿戴设备列表

a.OFweek可穿戴设备：

InBody Band向用户提供管理身体健康状况的智能方式，它能够测量人体成分，使用户方便地追踪自己的体重、健身活动和总体的健康状况。可运动追踪、心率监测、睡眠模式分析、振动提醒等运动追踪器的“标准”功能外，分析人体的肌肉和脂肪含量，还能监测用户摄取和消耗的卡路里，可以根据用户的心率衡量用户的疲劳程度，它利用心电图测量用户的心率。

b.HealthPals产品：

靠人体自身能量供电的可穿戴式健康监测仪。健康监测由一个配有传感器的手镯和一枚戒指、温度、湿度等测量动脉血氧饱和度血液压力传感器、白领式心电图的传感器、用于心脏监测、加速器和呼吸的传感器、配有传感器信号监测的脑电图耳机、以及一个心电图传感器进行更精确的心电数据采集组成。它们分别监控体温、血压、脑电波、心率等。主要应用于心脑血管疾病、睡眠失调、高血压、癫痫、中风患者。

c.Scanadu Scout：

一款能够自主检测生命体征的设备,只需放在额头上几秒钟,就可以测量血压、心率、体温及。也可以直接使用现有的或服药病人自带如智能腕带等能够检测心率、体温、排汗等体征数据的体征检测设备

d.可穿戴脉搏血氧仪

可穿戴脉搏血氧仪可持续监控用户的血氧饱和度和脉搏率，它配备了指尖传感器，并连接到腕部设备，可以监测用户在每日正常活动中或夜间的血氧饱和度。该设备对于检测阻塞性睡眠呼吸暂停综合征、慢性阻塞性肺病和睡眠呼吸暂停等症状大有裨益。

e.呼吸监测智能手机耳机

能够根据样本中的呼吸声音快慢、深浅、连贯与否、充满了气喘还是很清晰等情况转换成一个数值，即“呼吸指数”。MyBreath移动应用程序，它能够跟踪和测量使用普通耳机用户的呼吸，同时它也是Aetna的CarePass移动健康平台的一部分。有了这样的新耳机，再结合MyBreath移动应用，就能够全面监测用户的呼吸。

药物副作用的对应体征表现如表2所示。

表2药物副作用的对应体征表

目前，对心脏疾病的诊断主要是通过分析心电图(ECG)来判断心脏的生理功能状况。临床上常用作记录ECG的是心电图机和Holter动态心电图仪。

扫描二维码后，得到药物的信息，然后匹配药物库，得出这种药物主要会引起哪些副作用，进而约束检测出来的副作用结果，使结果更加准确。

部分药物特征如表3所示。

表3部分药物特征列表

进一步地，在S4之后，还包括：根据副作用概率对用户发出提醒。

进一步地，还包括：

设置风险阈值，当副作用概率超过该风险阈值时，向用户发出提醒。

在本发明方法实施例中，用户偑戴可穿戴设备，由可穿戴设备不停地收集用户体征数据，并通过无线传输等方式传递到系统所在设备(如手机)；用户需要在系统上输入其个人数据(如年龄、身高、体重、性别等)；在用药的时候，把所服药物的数据通过二维码扫描输入系统在用药之后，系统将用药前24小时到当前的时间的体征数据按一定时间间隔(如10分钟)采样，和前一步的用户数据作为系统的数据输入；系统通过己训练出的神经网络模型，根据数据拟合出当前或即将发生的副作用概率，提醒用户。

神经网络模型需要大量的数据进行训练，训练的单个数据包括用药前24小时、所用药物、用药后72小时内收集的患者体症，患者的个人数据，同时还对用药后发生的副作用在对应体症数据中进行标记，神经网络在输入数据后，在数据中拟合当前或之后发生的副作用及相应概率，作为输出。

可穿戴设备时刻记录用户与心脏病相关的体征(包括：病人的心电图体征值、心率、脉搏、血压、血氧水平、体温、体重、血氧饱和度、疲劳度、呼吸)，当病人需要用药时，通过扫描二维码，检测获得药物信息(药物名称、该药物可能发生的副作用)，通过神经网络持续对病人的体征进行检测分析，以确定是否发生副作用，当副作用发生后，通过这个疾病发作的概率以及重要程度，利用idf方法，计算出该疾病的评分，评分越高表示情况越值得重视，通过预先设备的阈值，当评分超过阈值时，提醒用户可能发生该副作用。

输入格式为三元组(A,L,D)的数据，A表示病人的属性，例如年龄、性别、身高、体重、L表示与心脏病相关的体征，L是通过可穿戴设备检测获得的，记病人在吃药前一天的体征为L1，吃药后到当前时刻所对应的体征为L2，则L＝(L1,L2)，D表示病人服用的药物。

输出向量C＝(c1,c2,…,ck)，基中ci表示得到疾病i的概率为ci，c1表示不得病的概率，故神经网络计算P(C|A,L,D)的概率。

神经网络分为3层，第一层为输入层，第二层为隐藏层，第三层为输出层，隐藏层使用双曲正切函数tanh作为激活函数。

神经网络工作流程如下：

将三元组(A,L,D)作为向量输入，令X＝(A,L,D)，在隐藏层计算tanh(d+HX)，输出层计算b+Utanh(d+HX)，通过二维码获得的药物为D，D对应的副作用为(d1,d2,…dm)，m≤k，d1＝c1，从C中抽取出m个值组成一个新的向量，由于这m个值为所要结果，需要进行归一化处理，使得概率和为1，因此，对m个值应用softmax函数，将输出层进行归一化处理，具体如下：

记y_i＝b+Utanh(d+HX)，则

当计算完成后，得到每个副作用发生的概率pi，通过药物数据库查询获得该副作用的重要程度wi，计算其得分fi＝pi*wi，如果fi超过预先设备的阈值，则提醒用户可能发生该副作用。

相应地，本发明实施例还提供一种智能化药物风险监控系统，如图2所示，该系统包括：

可穿戴设备1，用于收集用户的体征数据；

扫描模块2，用于在用药的时候对所服药物进行扫描，获取药物数据；

采样模块3，用于对体征数据按预设时间间隔进行采样；

计算模块4，用于基于神经网络模型获取药物的副作用概率。

进一步地，该系统还包括：提醒模块，用于根据副作用概率对用户发出提醒。

设置模块，用于设置风险阈值；当副作用概率超过该风险阈值时，由提醒模块向用户发出提醒。

本发明的系统实施例中各功能模块的功能可参见本发明方法实施例中的流程处理，这里不再赘述。

在本发明实施例中，根据心脏病病人的人体体征变化，和服用的药物成分，结合神经网络，智能化分析用户服药后的副作用，方便、快捷地评价出用药风险，通过神经网络对已有大量人群用药数据进行训练，充分照顾个体差异，快速判断病人的身体状况，预测和及时监控用户的用药安全。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁盘或光盘等。

另外，以上对本发明实施例所提供的智能化药物风险监控方法及系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。