一种基于神经网络的用药预测系统

1.本发明属于医疗保健信息学技术领域，具体涉及一种基于神经网络的用药预测系统。


背景技术：

2.人工神经网络是计算智能与机器学习研究的最活跃的分支之一，已经广泛应用于机器故障诊断、语音识别、证券管理等不同领域。而随着医疗数据规模的飞速增长，人工神经网络因其具备自我学习、自我优化等特点，成为医疗领域的新兴技术，利用该新兴技术能够从大量的医疗数据中提取出医护人员所感兴趣的特征或相关数据，进而为医护人员提供诊疗参考。
3.近年来，随着医药科技的繁荣发展，医药知识的爆炸式增加，医护人员所要学习的内容也随之不断增加，在用药过程中，难以保证用药的适当性、经济性、有效性与安全性。不合理不安全的用药情况普遍存在，无论是慢性病患者还是急性病患者都需要医护人员重视安全用药监管。目前，医护人员只有在患者检测指标明显有异的时候，才会主动调整用药，而不是根据患者前期用药后的反馈信息及时进行调整。如何通过神经网络从广泛的医药知识以及患者的个性化用药后的反馈信息中提取出有用信息，并根据该有用信息及时给出用药调整信息是安全用药监管的重点所在。
4.现有的神经网络模型能够预测患者下一时刻的药量，但是该神经网络模型只是预测药量，药品种类不会改变，且不是针对患者个人的神经网络模型，预测结果会因为个人差异出现偏差，神经网络模型的适用性较差。


技术实现要素：

5.为解决上述问题，提供了一种通过个性化的神经网络及时调整患者用药的用药预测系统，本发明采用了如下技术方案：本发明提供了一种基于神经网络的用药预测系统，包括：基础信息获取模块，用于获取患者的基础信息，该基础信息至少包括患者的诊断结论以及处方情况；痊愈总时长预测模块，基于基础信息，利用预先训练好的分类模型预测得到患者痊愈的总时长，作为第一痊愈总时长t1；跟踪数据获取模块，获取患者在服药过程中的反馈信息作为跟踪数据，该跟踪数据中包括患者的已用药时长δt；剩余时长预测模块，基于基础信息以及跟踪数据，利用预先训练好的时序模型预测得到患者达到痊愈状态时还需要的时长，作为剩余时长t；时长设定与判断模块，将已用药时长δt与剩余时长t之和设定为第二痊愈总时长t2，并判断第一痊愈总时长t1与第二痊愈总时长t2是否相近；药效生存分析模块，在时长设定与判断模块判断为否时，基于基础信息以及跟踪数据，通过cox回归模型得到以用药停止为终结事件的药效曲线；药效曲线优化模块，对药效曲线进行优化从而得到优化后药效曲线；时序模型微调模块，将优化后药效曲线对应的参数作为微调方向，根据该微调方向对时序模型进行微调，从而得到个性化时序模型；以及用药建议模块，基于跟踪数据，利用个性化时序模型
对患者下一时刻的用药进行预测，从而得到用药预测结果作为医生用药调整的参考。
6.在本发明提供的一种基于神经网络的用药预测系统中，还可以具有这样的特征：其中，预先训练好的分类模型以及预先训练好的时序模型的训练过程包括如下步骤：步骤s1
‑
1，获取训练用基础数据集以及训练用跟踪数据集；步骤s1
‑
2，根据训练用基础数据集得到不同病患的实际痊愈时长；步骤s1
‑
3，搭建分类模型，将实际痊愈时长作为真实标签，利用训练用基础数据集训练分类模型，直到分类模型收敛，从而得到训练好的分类模型；步骤s1
‑
4，搭建时序模型，利用训练用基础数据集以及训练用跟踪数据集对时序模型进行训练，直到时序模型收敛，从而得到训练好的时序模型。
7.在本发明提供的一种基于神经网络的用药预测系统中，还可以具有这样的特征：其中，训练用跟踪数据集通过如下步骤得到：步骤s2
‑
1，获取不同病患用药过程中的历史时序数据集；步骤s2
‑
2，将历史时序数据集分为完整数据集以及不完整数据集，将完整数据集作为当前完整数据集，并从不完整数据集中分离得到右删失数据集；步骤s2
‑
3，计算历史时序数据集中所有病患对应的历史时序数据的记录时间的平均时长n；步骤s2
‑
4，判断右删失数据集中各个右删失数据对应的记录时间n
i
是否大于平均时长n，判断为是时将右删失数据补入当前完整数据集从而形成新的当前完整数据集，判断为否时将右删失数据作为备选数据；步骤s2
‑
5，计算每一个备选数据与当前完整数据集之间的一致性指数c
r
；步骤s2
‑
6，判断每一个备选数据对应的一致性指数c
r
是否大于标准一致性指数c0；步骤s2
‑
7，在步骤s2
‑
6判断为是时，将备选数据补入当前完整数据集从而形成新的当前完整数据集，作为训练用跟踪数据集。
8.在本发明提供的一种基于神经网络的用药预测系统中，还可以具有这样的特征：其中，标准一致性指数c0通过如下步骤计算得到：步骤s3
‑
1，基于训练用基础数据集，利用cox回归模型对各个病患对应的疾病痊愈情况进行回归分析，从而得到与病患对应的痊愈曲线；步骤s3
‑
2，根据痊愈曲线得到cox回归模型的预测数据，计算预测数据与对应的训练用基础数据集之间的一致性，得到标准一致性指数c0。
9.在本发明提供的一种基于神经网络的用药预测系统中，还可以具有这样的特征：其中，时序模型为lstm模型。
10.在本发明提供的一种基于神经网络的用药预测系统中，还可以具有这样的特征：其中，基础信息还包括患者的基本信息、检测指标、疾病症状以及相关指标，跟踪数据包括用药时间、药品用量、症状反馈、指标变化、用药延迟以及相关事项。
11.根据本发明的一种基于神经网络的用药预测系统，由于痊愈总时长预测模块利用预先训练好的分类模型预测得到患者痊愈的总时长，进而剩余时长预测模块利用预先训练好的时序模型预测得到患者达到痊愈状态时还需要的时长，因此，先通过分类神经网络来预测患者未用药时的痊愈时长，然后基于患者服用了一段时间的时序数据通过时序神经网络来预测患者还需要多久才能痊愈的时间，如果两个痊愈时间不相符，则说明患者服用当前药品或药量的效果不符合预期需要及时调整，而不是医生通过患者的检查指标来考虑用药调整，及时调整用药能够缩短患者用药时间，令患者快速痊愈，实现了对患者的安全用药监督。另外，还由于时序模型微调模块根据优化后药效曲线对应的参数来微调时序模型得到个性化时序模型，进而利用个性化时序模型预测得到患者下一时间的用药预测结果，因此，不同患者都对应有个性化时序模型，对应的用药预测结果更有针对性，准确率更高，提
高了用药的适当性、有效性与安全性。
附图说明
12.图1为本发明实施例的基于神经网络的用药预测系统的结构框图。
13.图2为本发明实施例的基础信息内容示意图。
14.图3为本发明实施例的跟踪数据内容示意图。
15.图4为本发明实施例的分类模型与时序模型的训练过程流程图。
16.图5为本发明实施例的训练用跟踪数据集获取过程的流程图。
17.图6为本发明实施例的痊愈曲线示意图。
18.图7为本发明实施例的用药曲线示意图。
19.图8为本发明实施例的优化后用药曲线示意图。
20.图9为本发明实施例的基于神经网络的用药预测系统的工作流程图。
具体实施方式
21.为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下结合实施例及附图对本发明的一种基于神经网络的用药预测系统作具体阐述。
22.如图1所示，基于神经网络的用药预测系统1包括基础信息获取模块11、痊愈总时长预测模块12、跟踪数据获取模块13、剩余时长预测模块14、时长设定与判断模块15、药效生存分析模块16、药效曲线优化模块17、时序模型微调模块18以及用药建议模块19。
23.基础信息获取模块11获取患者的基础信息。
24.基础信息（如图2所示）包括患者的基本信息、检测指标、疾病症状、相关指标（即其他指标）、诊断结论以及处方情况。
25.基本信息为患者的性别、年龄、身高、体重等，检测指标为患者的血压、血常规、尿常规等，相关指标为医疗影像以及其他已存在的疾病，诊断结论为患者的疾病类型，处方情况为医生开的药方，包括药品名称、药品成分、药量等。
26.痊愈总时长预测模块12基于基础信息，利用预先训练好的分类模型预测得到患者痊愈的总时长，作为第一痊愈总时长t1。
27.跟踪数据获取模块13获取患者在服药过程中的反馈信息作为跟踪数据，该跟踪数据中包括患者的已用药时长δt。
28.如图3所示，跟踪数据包括时间、药品用量、症状反馈、指标变化、用药延迟以及相关事项（即其他事项）。
29.时间1、2、3、4、...、痊愈为患者的用药时间，如第1次用药、第2次用药等；药品用量有正常用量、减半用量等；症状反馈用4、3、2、1、0来表示症状程度，4为症状缓解了一点，0为痊愈，依次类推3、2、1对应的程度；指标变化与症状反馈类似，以数字6至0来反应指标变化的程度；用药延迟则是记录病患用药时间与规定时间的偏差，例如
‑
0.5h表示提前0.5h服药，1h表示延后1h服药；相关事项为患者的其他数据，在此不再赘述。
30.剩余时长预测模块14基于基础信息以及跟踪数据，利用预先训练好的时序模型预测得到患者达到痊愈状态时还需要的时长，作为剩余时长t。具体地，利用预先训练好的时序模型预测得到患者在某一时刻的药品用量为无的状态（即痊愈状态），根据该状态对应的
时间来获取患者达到痊愈状态时还需要的时长，作为剩余时长t。
31.如图4所示，上述预先训练好的分类模型以及预先训练好的时序模型的训练过程包括如下步骤：步骤s1
‑
1，获取训练用基础数据集以及训练用跟踪数据集。
32.如图5所示，训练用跟踪数据集通过如下步骤得到：步骤s2
‑
1，获取不同病患用药过程中的历史时序数据集。
33.步骤s2
‑
2，将历史时序数据集分为完整数据集以及不完整数据集，将完整数据集作为当前完整数据集，并从不完整数据集中分离得到右删失数据集。
34.其中，完整数据集中的完整数据是指从观察起点到发生终结事件（即病患被观察到死亡或终结的事件）所经历的时间完整的数据。
35.不完整数据是指病患被观察的截止不是由终结事件引起，而是由其他原因引起的，具体原因包括失访（失去病患的联系）、退出（病患因为非研究因素或非处理因素而退出研究）以及终止（设计时规定的时间已满足终止观察的限定，但病患还没有痊愈）。
36.右删失数据是指在对病患进行随访观察中，病患用药的起始时间已知，但是痊愈的时间未知。
37.跟踪数据获取模块13获取的跟踪数据为右删失数据。
38.步骤s2
‑
3，计算历史时序数据集中所有病患对应的历史时序数据的记录时间的平均时长n。
39.步骤s2
‑
4，判断右删失数据集中各个右删失数据对应的记录时间ni是否大于平均时长n，判断为是时将右删失数据补入当前完整数据集从而形成新的当前完整数据集，判断为否时将右删失数据作为备选数据。
40.步骤s2
‑
5，计算每一个备选数据与当前完整数据集之间的一致性指数c
r
。
41.步骤s2
‑
6，判断每一个备选数据对应的一致性指数cr是否大于标准一致性指数c0，判断为是时进入步骤s2
‑
7，判断为否时备选数据舍弃，然后进入步骤s2
‑
5计算下一个备选数据对应的一致性指数c
r
。
42.其中，标准一致性指数c0具体通过如下步骤s3
‑
1至步骤s3
‑
2计算得到。
43.步骤s3
‑
1，基于训练用基础数据集，利用cox回归模型对各个病患对应的疾病痊愈情况进行回归分析，从而得到与病患对应的痊愈曲线。
44.在疾病生存分析中，病患的各个痊愈因素作为因变量，利用cox回归模型可以获得该病患对应的疾病在某时刻的瞬时死亡率（即病患在某时刻的痊愈率）。其中，痊愈因素可以为药程、用药时机、，用药频率、药量等。
45.如图6所示，横轴为疾病的生存时间，纵轴为疾病的生存率，两条痊愈曲线分别为同一种疾病下两名患者的痊愈曲线，当疾病的生存率趋近于0时，则说明患者痊愈。不同患者痊愈的时间不一样，可以通过调整各种痊愈因素来改变痊愈曲线，使得痊愈时间缩短。
46.步骤s3
‑
2，根据痊愈曲线得到cox回归模型的预测数据，计算预测数据与对应的训练用基础数据集之间的一致性，得到标准一致性指数c0。
47.本实施例中，一致性的计算步骤具体如下：1、将所有样本互相配对，共有n*(n
‑
1)/2对，其中n为样本数。若假设共有20组患者数据，则n=20。
48.2、样本中被排除的对子为：（1）对子中两个个体都没达到观察终点，即痊愈；（2）其中的一个病人a的用药时间短于另一个病人b，然而病人a还没有到达事件终点（这种配对无法判断出谁先痊愈的）。此时剩下的配对数记为m。
49.若假设排除掉5组没有达到观察终点；排除掉5组用药时机不统一，则剩余10组患者，即配对数m=10。
50.3、计算剩下的m个配对中，预测结果和实际相一致的配对数记为k，即（两个病人如果用药时间较长的一位其预测用药时间长于另一位,或预测的痊愈概率高的一位的用药时间长于另一位,则称之为预测结果与实际结果相符，称之为一致。
51.4、结果：计算c
‑
index=k/m，即标准一致性指数c0=k0/m0。假设预测与实际相一致记为k=10，则c
‑
index=10/20=0.5。
52.步骤s2
‑
7，将备选数据补入当前完整数据集从而形成新的当前完整数据集，作为训练用跟踪数据集。
53.步骤s1
‑
2，根据训练用基础数据集得到不同病患的实际痊愈时长。
54.步骤s1
‑
3，搭建分类模型，将实际痊愈时长作为真实标签，利用训练用基础数据集训练分类模型，直到分类模型收敛，从而得到训练好的分类模型。
55.步骤s1
‑
4，搭建时序模型，利用训练用基础数据集以及训练用跟踪数据集对时序模型进行训练，直到时序模型收敛，从而得到训练好的时序模型。
56.其中，时序模型为lstm模型，该lstm模型是一种特殊的rnn，能够学习长的依赖关系，是记性更好的rnn。
57.时长设定与判断模块15将已用药时长δt与剩余时长t之和设定为第二痊愈总时长t2，并判断第一痊愈总时长t1与第二痊愈总时长t2是否相近。
58.当时长设定与判断模块15判断为是时，患者用药不需要调整。
59.当时长设定与判断模块15判断为否时，药效生存分析模块16基于基础信息以及跟踪数据，通过cox回归模型得到以用药停止为终结事件的药效曲线。
60.本实施例中，假设患者的痊愈预测时长t1为15天，且设已用药时长δt=6以及剩余时长t=12，则第二痊愈总时长t2=δt+t=18,。此时，时长设定与判断模块15就会判断为否从而认定用药效果不佳。
61.药效曲线优化模块17对药效曲线进行优化从而得到优化后药效曲线。
62.本实施例中，药效曲线优化模块17通过在cox回归模型中调整自变量（例如不同药品、不同用量）的偏向归系数来优化药效曲线，从而得到痊愈时间最短的优化后药效曲线。其中，偏向归系数可以是用药时机、用药频率、药量、药品类型等参数。
63.假设药效生存分析模块16基于基础信息以及跟踪数据且通过cox回归模型得到的用药曲线如图7所示。该图7中，纵轴为用药的目标值，横轴为时间（单位：天），“某患者”对应的曲线为实际用药得到的曲线，“cox回归”对应的曲线为药效生存分析模块16通过cox回归模型得到的用药曲线。
64.接下来，药效曲线优化模块17就对偏向归系数进行调整，使得用药曲线的目标值减低，最终优化得到的曲线如图8所示。
65.时序模型微调模块18将优化后药效曲线对应的参数（即该优化后药效曲线对应的药品以及用量等参数）作为微调方向，根据该微调方向对时序模型进行微调，从而得到个性
化时序模型。
66.用药建议模块19基于跟踪数据，利用个性化时序模型对患者下一时刻的用药进行预测，从而得到用药预测结果作为医生用药调整的参考。
67.如图9所示，基于神经网络的用药预测系统1的工作过程包括如下步骤：步骤s4
‑
1，基础信息获取模块11获取患者的基础信息，然后进入步骤s4
‑
2；步骤s4
‑
2，痊愈总时长预测模块12基于基础信息，利用预先训练好的分类模型预测得到患者痊愈的总时长，作为第一痊愈总时长t1，然后进入步骤s4
‑
3；步骤s4
‑
3，跟踪数据获取模块13获取患者在服药过程中的反馈信息作为跟踪数据，该跟踪数据中包括患者的已用药时长δt，然后进入步骤s4
‑
4；步骤s4
‑
4，剩余时长预测模块14基于基础信息以及跟踪数据，利用预先训练好的时序模型预测得到患者达到痊愈状态时还需要的时长，作为剩余时长t，然后进入步骤s4
‑
5；步骤s4
‑
5，时长设定与判断模块15将已用药时长δt与剩余时长t之和设定为第二痊愈总时长t2，并判断第一痊愈总时长t1与第二痊愈总时长t2是否相近，判断为否时进入步骤s4
‑
6，判断为是时，用药不调整，并进入结束状态；步骤s4
‑
6，药效生存分析模块16基于基础信息以及跟踪数据，通过cox回归模型得到以用药停止为终结事件的药效曲线，然后进入步骤s4
‑
7；步骤s4
‑
7，药效曲线优化模块17,对药效曲线进行优化从而得到优化后药效曲线，然后进入步骤s4
‑
8；步骤s4
‑
8，时序模型微调模块18将优化后药效曲线对应的参数作为微调方向，根据该微调方向对时序模型进行微调，从而得到个性化时序模型，然后进入步骤s4
‑
9；步骤s4
‑
9，用药建议模块19基于跟踪数据，利用个性化时序模型对患者下一时刻的用药进行预测，从而得到用药预测结果作为医生用药调整的参考，然后进入结束状态。
68.根据本实施例提供的一种基于神经网络的用药预测系统1，由于痊愈总时长预测模块12利用预先训练好的分类模型预测得到患者痊愈的总时长，进而剩余时长预测模块14利用预先训练好的时序模型预测得到患者达到痊愈状态时还需要的时长，因此，先通过分类神经网络来预测患者未用药时的痊愈时长，然后基于患者服用了一段时间的时序数据通过时序神经网络来预测患者还需要多久才能痊愈的时间，如果两个痊愈时间不相符，则说明患者服用当前药品或药量的效果不符合预期需要及时调整，而不是医生通过患者的检查指标来考虑用药调整，及时调整用药能够缩短患者用药时间，令患者快速痊愈，实现了对患者的安全用药监督。另外，还由于时序模型微调模块18根据优化后药效曲线对应的参数来微调时序模型得到个性化时序模型，进而利用个性化时序模型预测得到患者下一时间的用药预测结果，因此，不同患者都对应有个性化时序模型，对应的用药预测结果更有针对性，准确率更高，提高了用药的适当性、有效性与安全性。
69.在上述实施例中，还由于先对历史时序数据集进行完整数据集以及不完整数据集的分类，进而通过平均时长n以及标准一致性指数c0对不完整数据集中的右删失数据进行进一步的刷选，从而组成新的当前完整数据集作为训练用跟踪数据集，因此，在历史时序数据集大量不完整的情况下，从历史时序数据集获取尽可能多的有用数据作为训练用跟踪数据集，保证两个神经网络模型有足够的训练数据。
70.上述实施例仅用于举例说明本发明的具体实施方式，而本发明不限于上述实施例的描述范围。