一种肿瘤患者治疗药物的智能筛选方法及系统与流程

1.本发明涉及数据智能处理相关领域，尤其涉及一种肿瘤患者治疗药物的智能筛选方法及系统。


背景技术：

2.由于肿瘤在临床上发病率越来越高，引起了人们越来越多的重视，肿瘤分为恶性肿瘤和良性肿瘤，恶性肿瘤疾病的死亡率非常高，通常所讲的“癌症”指的是所有的恶性肿瘤，恶性肿瘤是当前严重影响人类健康、威胁人类生命的主要疾病之一，随着医学技术的不断发展，目前用于治疗这类疾病的抗肿瘤药物不断研究，如何将药物的发展和研究成果与具体的临床治疗相结合，为用户提供有效的药物治疗仍然是目前的研究方向之一。
3.然而，现有技术中存在对于肿瘤患者的用药治疗与患者自身特征结合的智能性较低，且诊疗医师人工分析信息的过程繁琐，出现纰漏，从而削弱了用药治疗效果的技术问题。


技术实现要素：

4.针对现有技术中的缺陷，本技术的目的是，通过提供一种肿瘤患者治疗药物的智能筛选方法及系统，解决了现有技术中存在对于肿瘤患者的用药治疗与患者自身特征结合性较低，且诊疗医师人工分析信息的过程繁琐，出现纰漏，从而削弱了用药治疗效果的技术问题，达到了通过结合患者自身的特征搭建出药物治疗图谱，以数据模型的分析方式，提高对患者用药结合的智能性，进一步的提高用药治疗效果的技术效果。
5.一方面，本技术提供一种肿瘤患者治疗药物的智能筛选方法，所述方法包括：获得第一就诊用户的历史治疗周期和历史治疗药物信息，其中，所述第一就诊用户为患有肿瘤病症的就诊用户；通过对所述历史治疗药物信息在所述历史治疗周期中的药物分布情况进行分析，输出治疗药物分布信息；基于所述治疗药物分布信息，搭建所述第一就诊用户的药物治疗图谱；根据所述药物治疗图谱和药物耐受度检测模型对用户进行药物检测分析，输出第一标识药物，其中，所述第一标识药物为用户已具备抗药性的药物；获得所述第一就诊用户的第一病理特征，其中，所述第一病理特征包括病理性质和分化程度；通过第一诊疗医师基于所述第一病理特征，获得第一待选药物信息；根据所述第一标识药物从所述第一待选药物信息中进行筛选，输出第一筛选药物。
6.另一方面，本技术还提供了一种肿瘤患者治疗药物的智能筛选系统，所述系统包括：第一获得单元，所述第一获得单元用于获得第一就诊用户的历史治疗周期和历史治疗药物信息，其中，所述第一就诊用户为患有肿瘤病症的就诊用户；第一输出单元，所述第一输出单元用于通过对所述历史治疗药物信息在所述历史治疗周期中的药物分布情况进行分析，输出治疗药物分布信息；第一搭建单元，所述第一搭建单元用于基于所述治疗药物分布信息，搭建所述第一就诊用户的药物治疗图谱；第二输出单元，所述第二输出单元用于根据所述药物治疗图谱和药物耐受度检测模型对用户进行药物检测分析，输出第一标识药
物，其中，所述第一标识药物为用户已具备抗药性的药物；第二获得单元，所述第二获得单元用于获得所述第一就诊用户的第一病理特征，其中，所述第一病理特征包括病理性质和分化程度；第三获得单元，所述第三获得单元用于通过第一诊疗医师基于所述第一病理特征，获得第一待选药物信息；第一筛选单元，所述第一筛选单元用于根据所述第一标识药物从所述第一待选药物信息中进行筛选，输出第一筛选药物。
7.第三方面，本技术提供了一种肿瘤患者治疗药物的智能筛选系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现第一方面任一项所述方法的步骤。
8.本技术中提供的一个或多个技术方案，至少具有如下技术效果或优点：1、由于采用了通过对所述第一就诊用户的历史治疗周期和历史治疗药物信息进行分析和数据采集，进而对所述第一就诊用户在历史治疗期间中使用相关药物的时间和用量的分布情况进行分析，以输出对应的治疗药物分布信息，从而搭建所述第一就诊用户的治疗药物图谱，并根据所述药物治疗图谱和药物耐受度检测模型来对所述第一就诊用户进行药物耐受度的检测，将用户已具备抗药性的药物作为第一标识药物进行输出，进一步的，所述第一就诊用户的第一诊疗医师基于所述第一就诊用户的第一病历特征，获得第一待选药物信息，并通过所述第一标识药物从所述第一待选药物中筛选出目前所述第一用户的对应用药，从而达到了通过结合患者自身的特征搭建出药物治疗图谱，以数据模型的分析方式，提高对患者用药结合的智能性，进一步的提高用药治疗效果的技术效果。
9.上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
附图说明
10.通过阅读参照以下附图对非限制性实施例所做的详细描述，本发明的其它特征、目的和优点将会变得更明显：图1为本技术实施例一种肿瘤患者治疗药物的智能筛选方法的流程示意图；图2为本技术实施例一种肿瘤患者治疗药物的智能筛选方法的药物耐受度检测的流程示意图；图3为本技术实施例一种肿瘤患者治疗药物的智能筛选方法的输出第一占比分析结果的流程示意图；图4为本技术实施例一种肿瘤患者治疗药物的智能筛选系统的结构示意图；图5为本技术实施例示例性电子设备的结构示意图。
11.附图标记说明：第一获得单元11，第一输出单元12，第一搭建单元13，第二输出单元14，第二获得单元15，第三获得单元16，第一筛选单元17，总线300，接收器301，处理器302，发送器303，存储器304，总线接口305。
具体实施方式
12.本技术实施例通过提供一种肿瘤患者治疗药物的智能筛选方法及系统，解决了现有技术中存在对于肿瘤患者的用药治疗与患者自身特征结合性较低，且诊疗医师人工分析
信息的过程繁琐，出现纰漏，从而削弱了用药治疗效果的技术问题，达到了通过结合患者自身的特征搭建出药物治疗图谱，以数据模型的分析方式，提高对患者用药结合的智能性，进一步的提高用药治疗效果的技术效果。
13.下面，将参考附图详细的描述根据本技术的示例实施例。显然，所描述的实施例仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
14.本技术技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
15.近年来，肿瘤的发病率有所上升，给很多人的生活和工作带来了影响，对于药物的使用在临床医师的指导下完成对应服用药物，但对于目前药物的筛选，如何有针对化结合患者自身的身体状况和服药情况对进行科学化的数据分析，为临床医师进行用药治疗的选择上提供决策数据，目前，对于医师坐诊人工问答了解的情况，时间效率低，且容易出现疏漏的情况，从而影响之后的用药效果，因此，本技术提出了一种肿瘤患者治疗药物的智能筛选方法，能够有效对患者进行数据分析和智能化学习，从而为药物筛选进行科学、有效的决策支持。
16.针对上述技术问题，本技术提供的技术方案总体思路如下：本技术提出了一种肿瘤患者治疗药物的智能筛选方法及系统，解决了现有技术中存在对于肿瘤患者的用药治疗与患者自身特征结合性较低，且诊疗医师人工分析信息的过程繁琐，出现纰漏，从而削弱了用药治疗效果的技术问题。通过对所述第一就诊用户的历史治疗周期和历史治疗药物信息进行分析和数据采集，进而对所述第一就诊用户在历史治疗期间中使用相关药物的时间和用量的分布情况进行分析，以输出对应的治疗药物分布信息，从而搭建所述第一就诊用户的治疗药物图谱，并根据所述药物治疗图谱和药物耐受度检测模型来对所述第一就诊用户进行药物耐受度的检测，将用户已具备抗药性的药物作为第一标识药物进行输出，进一步的，所述第一就诊用户的第一诊疗医师基于所述第一就诊用户的第一病历特征，获得第一待选药物信息，并通过所述第一标识药物从所述第一待选药物中筛选出目前所述第一用户的对应用药，从而达到了通过结合患者自身的特征搭建出药物治疗图谱，以数据模型的分析方式，提高对患者用药结合的智能性，进一步的提高用药治疗效果的技术效果。
17.为了更好地理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
18.实施例一如图1所示，本技术实施例提供了一种肿瘤患者治疗药物的智能筛选方法，所述方法包括：步骤s100：获得第一就诊用户的历史治疗周期和历史治疗药物信息，其中，所述第一就诊用户为患有肿瘤病症的就诊用户；步骤s200：通过对所述历史治疗药物信息在所述历史治疗周期中的药物分布情况进行分析，输出治疗药物分布信息；具体而言，由于肿瘤在临床上发病率越来越高，引起了人们越来越多的重视，肿瘤分为恶性肿瘤和良性肿瘤，恶性肿瘤疾病的死亡率非常高，通常所讲的“癌症”指的是所有
的恶性肿瘤，恶性肿瘤是当前严重影响人类健康、威胁人类生命的主要疾病之一，随着医学技术的不断发展，目前用于治疗这类疾病的抗肿瘤药物不断研究，如何将药物的发展和研究成果与具体的临床治疗相结合，为用户提供有效的药物治疗仍然是目前的研究方向之一。
19.基于肿瘤的发病率有所上升，给很多人的生活和工作带来了影响，对于药物的使用在临床医师的指导下完成对应服用药物，但对于目前药物的筛选，如何有针对化结合患者自身的身体状况和服药情况对进行科学化的数据分析，为临床医师进行用药治疗的选择上提供决策数据，目前，对于医师坐诊人工问答了解的情况，时间效率低，且容易出现疏漏的情况，从而影响之后的用药效果，因此，本技术提出了一种肿瘤患者治疗药物的智能筛选方法，能够有效对患者进行数据分析和智能化学习，从而为药物筛选进行科学、有效的决策支持。
20.优选的，所述第一就诊用户为患者肿瘤病症的就诊用户；所述历史治疗周期为所述第一就诊用户进行肿瘤病症治疗的时长；所述历史治疗药物信息为所述第一就诊用户的在进行肿瘤病症治疗的用药信息，包括用药类型、用药量以及用药效果等。进而根据所述历史治疗药物信息在所述历史治疗周期中的药物分布情况进行分析，进而输出所述治疗药物分布信息，详细来说，是指每一种药物在历史治疗期间的药物使用剂量和使用时长，从而能够对所述第一就诊用户进行准确的数据分析。
21.步骤s300：基于所述治疗药物分布信息，搭建所述第一就诊用户的药物治疗图谱；具体而言，所述治疗药物分布信息是指在历史治疗周期中，用药名称、用药剂量、用药周期中的用药分布情况，从而对所述第一就诊用户的数据进行分析和表示，由于肿瘤患者的用药类型较多，包括化疗药物，激素类药物，靶向药物，免疫检测点抑制剂，生物反应剂，辅助用药等类型，针对其用药阶段的属性作为图谱的一级节点，用药的所属种类作为图谱二级节点，以所述治疗药物分布信息作为每个节点输入，搭建所述第一就诊用户的药物治疗图谱。
22.进一步的，所述药物治疗图谱是一种表示药物分布关系的结构，能够针对所述治疗药物的分布信息进行用药可视化的映射，显示了用户在病情发展过程中与结构关系的各种不同图形，用可视化技术描述用药情况，对每个节点的数据进行分析和标识，从而基于药物治疗图谱的搭建，使得数据处理结果的可视化更清晰、明了，便于坐诊医师的随时更换和针对性查验。
23.步骤s400：根据所述药物治疗图谱和药物耐受度检测模型对用户进行药物检测分析，输出第一标识药物，其中，所述第一标识药物为用户已具备抗药性的药物；进一步的，如图2所示，根据所述药物治疗图谱和药物耐受度检测模型对用户进行药物检测分析，输出第一标识药物，本技术实施例步骤s400还包括：步骤s410：根据所述药物治疗图谱，获得多组药物数据，其中，所述多组药物数据包括药物使用周期和药物名称，且具有一一对应关系；步骤s420：将所述多组药物数据输入所述药物耐受度检测模型中，对所述第一诊疗用户进行抗药性分析，根据所述药物耐受度检测模型，输出耐受度检测结果，其中，所述耐受度检测结果为用户对药物抗药性的检测评分结果；步骤s430：根据所述耐受度检测结果，获得小于等于预设耐受度的n个药物；
步骤s440：将小于等于所述预设耐受度的n个药物作为所述第一标识药物输出。
24.具体而言，由于所述药物治疗图谱为所述第一就诊用户在历史药物治疗周期中的可视化分布图谱，所述药物耐受度检测模型能够对所述第一就诊用户的抗肿瘤药物进行药物使用的耐受度检测。
25.进一步的，耐受度检测为用户对药物抗药性的检测，当同一种类型的药物在治疗时使用周期和使用剂量在一定的范围时长后，基于用户自身的身体情况会产生一定的抗药性，使得服用该药物的效果减弱，针对与此现象，搭建出所述药物耐受度检测模型以进行检测，同时结合所述药物治疗图谱中的数据作为输入数据，当输出对应的抗药性检测结果后，对于所述第一就诊用户已出现抗药性的药物进行标识并输出，即输出所述第一标识药物，其中，所述第一标识药物中包括多个标识药物。
26.详细来说，根据所述药物治疗图谱和药物耐受度检测模型能够对用户进行药物检测分析的过程如下：以所述药物治疗图谱中每个节点的药物类型-药物时长-药物剂量等数据信息作为输入信息，输入所述药物耐受度检测模型，根据所述药物耐受度检测模型对每个药物的抗药性进行评分，并输出对应的检测评分结果，根据对应的检测评分结果，将小于等于所述预设耐受度的n个药物作为所述第一标识药物输出。
27.举例来说，若检测评分结果中评分结果越高，表示所述第一就诊用户对该药物已出现抗药性，对于该药物的耐受度较低，从而使得该药物的疗效相对于标准效果有所减弱。反之，若检测评分结果中评分结果越低，表示所述第一就诊用户对该药物暂未出现抗药性，对于该药物的耐受度较高，从而使得该药物的疗效相对于标准效果相近，因此，对于耐受度小于预设耐受度的药物进行标识输出，为医师用药筛选提供有效的决策输出。
28.步骤s500：获得所述第一就诊用户的第一病理特征，其中，所述第一病理特征包括病理性质和分化程度；步骤s600：通过第一诊疗医师基于所述第一病理特征，获得第一待选药物信息；具体而言，在所述第一诊疗医师对所述第一就诊用户进行病理筛查的过程中，病理学检查包括两项内容：病理组织检查和细胞检查，基于多种检查数据对肿瘤的病理性质和分化程度进行分析，其中，病理学检查可以确定肿瘤的诊断、组织来源以及性质和范围等，肿瘤的分化为肿瘤在形态和功能上表现出与某种正常组织的相似之处，成为分化，其分化程度是指分化相似的程度，而肿瘤组织异型性的大小，反应了肿瘤组织的分化程度。
29.所述第一诊疗医师基于所述第一病理特征进行分析，治疗肿瘤的嗷呜较多，机理不同，药物种类也不同，比如，肿瘤免疫治疗药物、或肿瘤靶向治疗药物等，因此，通过对所述第一诊疗用户的病理特征分析，按照病理阶段进行适合的治疗药物分析，进而获得第一待选药物信息，其中，所述第一待选药物为未经过进一步分析，与用户自身的药理使用特征结合，经现有医师诊疗获得的待选药物，从而在所述第一待选药物的基础上进行进一步的筛选分析。
30.步骤s700：将根据所述第一标识药物从所述第一待选药物信息中进行筛选，输出第一筛选药物。
31.具体而言，由于所述第一标识药物为结合所述第一就诊用户的身体特征信息获得的已具有抗药性的标识药物，所述第一待选药物信息为基于所述第一就诊用户的病理特征进行药物治疗的医师初步决策药物，包括用药名称、用药类型、用药剂量和用药周期，从而
根据所述第一标识药物从所述第一待选药物中进行药物筛选，进而输出所述第一筛选药物。解决了现有技术中存在对于肿瘤患者的用药治疗与患者自身特征结合性较低，且诊疗医师人工分析信息的过程繁琐，出现纰漏，从而削弱了用药治疗效果的技术问题，达到了通过结合患者自身的特征搭建出药物治疗图谱，以数据模型的分析方式，提高对患者用药结合的智能性，进一步的提高用药治疗效果的技术效果。
32.进一步的，本技术实施例步骤s700还包括：步骤s710：获得所述第一就诊用户的第一身体素质状况；步骤s720：通过对所述第一身体素质状况进行数据分析，判断是否处于预设身体素质状况，若不处于，按照所述第一身体素质状况进行药物敏感性分析，输出第一敏感药物；步骤s730：按照所述第一敏感药物，生成第二标识药物；步骤s740：基于所述第二标识药物从所述第一筛选药物中进行二次筛选，输出第二筛选药物。
33.具体而言，所述第一身体素质状况是通过对所述第一就诊用户进行身体素质判断，获得的健康状态评估，包括其身体检查的各项指标，营养治标、痛感敏度以及各个功能状态的。由于肿瘤患者的治疗是基于长时间的治疗，一般健康状况对治疗耐受能力具有一定相关度，因此，对于所述第一就诊用户的身体状况需要进行进一步的了解。
34.首先，获得所述第一就诊用户的第一身体素质情况，并对所述第一身体素质状况进行数据分析，做出健康状态的评级，当所述第一就诊用户的身体素质状况较弱，其进行治疗活动的能力相对较弱，因此，若不处于所述预设身体素质状况时，按照所述第一身体素质状况进行药物敏感性的分析，进一步的，比如，药物作用疗效与药物作用对象的承受力之间的差异化，容易出现所述第一就诊用户对某种药物会出现药物不适配当前身体健康的情况，增加患者的痛苦，因此，按照所述第一身体素质状况进行药物敏感性分析，输出第一敏感药物。并根据所述第一敏感药物，确定出所述第二标识药物，实现所述第二标识药物于的二次筛选，输出所述第二筛选药物，其中，所述第一筛选药物为基于所述第一标识药物进行一次筛选后获得的药物筛选结果。
35.进一步的，所述根据所述第一标识药物从所述第一待选药物信息中进行筛选，输出第一筛选药物，本技术实施例步骤s700还包括：步骤s750：基于所述第一标识药物从所述第一待选药物信息中进行药物识别，获得第一识别结果；步骤s760：根据所述第一识别结果，获得与所述第一标识药物重合的重合药物；步骤s770：通过连接医院病历管理系统，类比所述重合药物的药理功能，输出第一类比药物；步骤s780：通过对所述第一类比药物进行用户效用分析并排序，将排序后的药物作为替代药物，推荐至所述第一诊疗医师。
36.具体而言，由于所述第一标识药物于所述第一待选药物中筛选的情况下，会造成药物功能的缺少，因此，基于所述第一标识药物的所进行药物功能和类型的识别，从而获得所述第一识别结果。进一步的，根据所述第一识别结果，获得在所述第一待选药物中与所述第一标识药物功能匹配的重合药物，在所述第一诊疗医师的定药过程中，通过所述第一识
别药物进行筛选后，会造成该类功能药物的缺失，因此，需通过同类比药物进行替换推荐。
37.详细来来说，基于所述第一识别结果，获得与所述第一标识药物重合的重合药物的前提下，通过连接医院病历管理系统，根据所述第一就诊用户的病理特征、用户年龄、用户性别等从医院病历管理系统中进行病历查询和数据分析，识别与所述第一标识药物的药理作用相似的药物，从而输出所述第一类比药物，由于病历数据为医院诊疗的过程中真实、有效、可靠的参照共享数据，因此，通过对相似病历的诊疗过程用药疗效分析，以用药效用显著的情况作为分析条件，从而对所述第一类比药物进行用户效用分析并排序，将排序后的药物作为替代药物，推荐至所述第一诊疗医师。达到了基于系统自动化数据分析和处理，为诊疗医师的药物筛选提供科学、有力的决策支持。
38.进一步的，本技术实施例步骤s420还包括：步骤s421：搭建所述药物耐受度检测模型，其中，所述药物耐受度检测模型包括曲线绘制单元和占比分析单元；步骤s422：根据所述曲线绘制单元对所述多组药物数据进行周期-疗效的曲线绘制，生成第一绘制曲线；步骤s423：通过对所述第一绘制曲线进行曲线速率分析，根据曲线的速率变化对所述第一绘制曲线进行平稳性预测，输出第一预测结果，其中，所述第一预测结果为曲线趋向于平稳的时间节点；步骤s424：将所述第一预测结果输入所述占比分析单元中，输出第一占比分析结果。
39.进一步的，如图3所示，所述将所述第一预测结果输入所述占比分析单元中，输出第一占比分析结果，本技术实施例步骤还包括s424：步骤s4241：将所述第一预测结果作为第一输入信息，将所述多组药物数据作为第二输入信息输入所述占比分析单元中；步骤s4242：根据所述多组药物数据，获得实时服用周期；步骤s4243：所述占比分析单元将所述第一预测结果作为定量，将所述实时服用周期作为占比输入变量进行占比分析，获得所述多组药物数据的占比分析结果；步骤s4244：根据所述多组药物数据的占比分析结果进行耐受度表示，输出所述第一标识药物。
40.具体而言，所述药物耐受度检测模型为一种数据分析模型，通过执行所述曲线绘制单元和所述占比分析单元的过程来具体实现对应的检测过程，其中，所述曲线绘制单元与所述占比分析单元之间数据交互，从而实现单元执行流程的连接以输出最终的耐受度检测评分结果，从而达到对所述第一就诊用户的用药抗药性进行标识，以输出所述第一标识药物的效果。
41.进一步的，所述药物耐受度检测模型的执行过程如下：根据所述药物治疗图谱，获得所述多组药物数据，其中，所述多组药物数据包括药物使用周期、药物名称以及药物剂量，且具有一一对应关系；将所述多组药物输入所述药物耐受度检测模型中，所述药物耐受度检测模型接收数据后传输至所述曲线绘制单元，由所述曲线绘制单元对所述多组药物数据进行周期-疗效的曲线绘制，生成第一绘制曲线；通过对所述第一绘制曲线进行曲线速率分析，根据曲线的速率变化对所述第一绘制曲线趋向于平稳的时间节点进行预测，获得第
一预测结果，从而将所述第一预测结果输入所述占比分析单元中执行之后的占比分析。
42.进一步的，当所述占比分析单元接收到所述第一预测结果后，将所述第一预测结果作为第一输入信息，将所述多组药物数据作为第二输入信息输入所述占比分析单元中，因此，通过将所述占比分析单元将所述第一预测结果作为定量，将所述实时服用周期作为占比输入变量进行占比分析，并对所述多组药物数据的占比分析结果进行耐受度表示，从而输出耐受度评分结果，实现评分结果的比对，输出所述第一标识药物。详细来说，结合用户自身的抗药性预测，输出其抗药预测时间节点，对于接近于该预测时间节点的情况下，表示针对该药物，所述第一就诊用户已产生一定的抗药性，因此，通过占比分析数据确定出对应的评估结果，具有有效的针对性。
43.进一步的，所述获得所述第一就诊用户的第一病理特征之后，本技术实施例步骤s500还包括：步骤s510：获得所述第一病理特征的病理性质和分化程度；步骤s520：通过连接医院病历管理系统中的病历库，结合所述病理性质和分化程度对所述第一诊疗用户进行恶性概率计算，获得第一恶性概率；步骤s530：根据所述第一恶性概率，生成第一用药提醒信息。
44.具体而言，根据所述第一就诊用户的所述第一病历特征，能够根据其病理性质和分化程度对用户的情况进行等级标定，按照该等级标定的结果进行病情监督，通过对监督数据进行恶化速率分析，确定其恶化概率。进一步的，获得所述第一恶化概率的是基于连接所述医院病历管理系统中的病历库对所述第一诊疗用户的相似用户进行类别，获得多个相似用户，按照所述多个相似用户的诊疗手段和治疗药物进行恶化分布概率计算，从而输出对应的恶性概率，基于所述第一恶性概率的计算与医院病历管理系统中的病历库的样本丰富程度有所关联，当样本程度充足且丰富的情况下，所述第一恶性概率的准确性越高，因此，为了保证所述第一恶性概率的准确性，对医院病历管理系统中的病历库进行样本计算，当不满足一定样本容量时，通过权限请求实现共享病历库的扩充分析；当满足一定样本容量时，输出所述第一恶性概率，生成第一用药提醒信息对所述第一诊疗医师进行提醒。
45.与现有技术相比，本发明具有如下的有益效果：1、由于采用了通过对所述第一就诊用户的历史治疗周期和历史治疗药物信息进行分析和数据采集，进而对所述第一就诊用户在历史治疗期间中使用相关药物的时间和用量的分布情况进行分析，以输出对应的治疗药物分布信息，从而搭建所述第一就诊用户的治疗药物图谱，并根据所述药物治疗图谱和药物耐受度检测模型来对所述第一就诊用户进行药物耐受度的检测，将用户已具备抗药性的药物作为第一标识药物进行输出，进一步的，所述第一就诊用户的第一诊疗医师基于所述第一就诊用户的第一病历特征，获得第一待选药物信息，并通过所述第一标识药物从所述第一待选药物中筛选出目前所述第一用户的对应用药，从而达到了通过结合患者自身的特征搭建出药物治疗图谱，以数据模型的分析方式，提高对患者用药结合的智能性，进一步的提高用药治疗效果的技术效果。
46.2、由于采用了通过执行所述曲线绘制单元和所述占比分析单元的过程来具体实现对应的检测过程，其中，所述曲线绘制单元与所述占比分析单元之间数据交互，从而实现单元执行流程的连接以输出最终的耐受度检测评分结果，从而达到对所述第一就诊用户的用药抗药性进行标识，以输出所述第一标识药物的效果。
47.实施例二基于与前述实施例中一种肿瘤患者治疗药物的智能筛选方法同样发明构思，本发明还提供了一种肿瘤患者治疗药物的智能筛选系统，如图4所示，所述系统包括：第一获得单元11，所述第一获得单元11用于获得第一就诊用户的历史治疗周期和历史治疗药物信息，其中，所述第一就诊用户为患有肿瘤病症的就诊用户；第一输出单元12，所述第一输出单元12用于通过对所述历史治疗药物信息在所述历史治疗周期中的药物分布情况进行分析，输出治疗药物分布信息；第一搭建单元13，所述第一搭建单元13用于基于所述治疗药物分布信息，搭建所述第一就诊用户的药物治疗图谱；第二输出单元14，所述第二输出单元14用于根据所述药物治疗图谱和药物耐受度检测模型对用户进行药物检测分析，输出第一标识药物，其中，所述第一标识药物为用户已具备抗药性的药物；第二获得单元15，所述第二获得单元15用于获得所述第一就诊用户的第一病理特征，其中，所述第一病理特征包括病理性质和分化程度；第三获得单元16，所述第三获得单元16用于通过第一诊疗医师基于所述第一病理特征，获得第一待选药物信息；第一筛选单元17，所述第一筛选单元17用于根据所述第一标识药物从所述第一待选药物信息中进行筛选，输出第一筛选药物。
48.进一步的，所述系统还包括：第四获得单元，所述第四获得单元用于获得所述第一就诊用户的第一身体素质状况；第一判断单元，所述第一判断单元用于通过对所述第一身体素质状况进行数据分析，判断是否处于预设身体素质状况，若不处于，按照所述第一身体素质状况进行药物敏感性分析，输出第一敏感药物；第一生成单元，所述第一生成单元用于按照所述第一敏感药物，生成第二标识药物；第二输出单元，所述第二输出单元用于基于所述第二标识药物从所述第一筛选药物中进行二次筛选，输出第二筛选药物。
49.进一步的，所述系统还包括：第五获得单元，所述第五获得单元用于基于所述第一标识药物从所述第一待选药物信息中进行药物识别，获得第一识别结果；第六获得单元，所述第六获得单元用于根据所述第一识别结果，获得与所述第一标识药物重合的重合药物；第三输出单元，所述第三输出单元用于通过连接医院病历管理系统，类比所述重合药物的药理功能，输出第一类比药物；第一推荐单元，所述第一推荐单元用于通过对所述第一类比药物进行用户效用分析并排序，将排序后的药物作为替代药物，推荐至所述第一诊疗医师。
50.进一步的，所述系统还包括：第七获得单元，所述第七获得单元用于根据所述药物治疗图谱，获得多组药物数
据，其中，所述多组药物数据包括药物使用周期和药物名称，且具有一一对应关系；第一输入单元，所述第一输入单元用于将所述多组药物数据输入所述药物耐受度检测模型中，对所述第一诊疗用户进行抗药性分析，根据所述药物耐受度检测模型，输出耐受度检测结果，其中，所述耐受度检测结果为用户对药物抗药性的检测评分结果;第八获得单元，所述第八获得单元用于根据所述耐受度检测结果，获得小于等于预设耐受度的n个药物；第四输出单元，所述第四输出单元用于将小于等于所述预设耐受度的n个药物作为所述第一标识药物输出。
51.进一步的，所述系统还包括：第二搭建单元，所述第二搭建单元用于搭建所述药物耐受度检测模型，其中，所述药物耐受度检测模型包括曲线绘制单元和占比分析单元；第二生成单元，所述第二生成单元用于根据所述曲线绘制单元对所述多组药物数据进行周期-疗效的曲线绘制，生成第一绘制曲线；第一预测单元，所述第一预测单元用于通过对所述第一绘制曲线进行曲线速率分析，根据曲线的速率变化对所述第一绘制曲线进行平稳性预测，输出第一预测结果，其中，所述第一预测结果为曲线趋向于平稳的时间节点；第五输出单元，所述第五输出单元用于将所述第一预测结果输入所述占比分析单元中，输出第一占比分析结果。
52.进一步的，所述系统还包括：第二输入单元，所述第二输入单元用于将所述第一预测结果作为第一输入信息，将所述多组药物数据作为第二输入信息输入所述占比分析单元中；第九获得单元，所述第九获得单元用于根据所述多组药物数据，获得实时服用周期；第十获得单元，所述第十获得单元用于所述占比分析单元将所述第一预测结果作为定量，将所述实时服用周期作为占比输入变量进行占比分析，获得所述多组药物数据的占比分析结果；第六输出单元，所述第六输出单元用于根据所述多组药物数据的占比分析结果进行耐受度表示，输出所述第一标识药物。
53.进一步的，所述系统还包括：第十一获得单元，所述第十一获得单元用于获得所述第一病理特征的病理性质和分化程度；第十二获得单元，所述第十二获得单元用于通过连接医院病历管理系统中的病历库，结合所述病理性质和分化程度对所述第一诊疗用户进行恶性概率计算，获得第一恶性概率；第三生成单元，所述第三生成单元用于根据所述第一恶性概率，生成第一用药提醒信息。
54.前述图1实施例一中的一种肿瘤患者治疗药物的智能筛选方法的各种变化方式和具体实例同样适用于本实施例的一种肿瘤患者治疗药物的智能筛选系统，通过前述对一种肿瘤患者治疗药物的智能筛选方法的详细描述，本领域技术人员可以清楚的知道本实施例
中一种肿瘤患者治疗药物的智能筛选系统的实施方法，所以为了说明书的简洁，在此不再详述。
55.实施例三下面参考图5来描述本技术的电子设备。
56.图5图示了根据本技术的电子设备的结构示意图。
57.基于与前述实施例中一种肿瘤患者治疗药物的智能筛选方法的发明构思，本发明还提供一种肿瘤患者治疗药物的智能筛选系统，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种肿瘤患者治疗药物的智能筛选系统的任一方法的步骤。
58.其中，在图5中，总线架构（用总线300来代表），总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口305在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他系统通信的单元。处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
59.本技术实施例提供一种肿瘤患者治疗药物的智能筛选方法，所述方法应用于一种肿瘤患者治疗药物的智能筛选系统，所述方法包括：获得第一就诊用户的历史治疗周期和历史治疗药物信息，其中，所述第一就诊用户为患有肿瘤病症的就诊用户；通过对所述历史治疗药物信息在所述历史治疗周期中的药物分布情况进行分析，输出治疗药物分布信息；基于所述治疗药物分布信息，搭建所述第一就诊用户的药物治疗图谱；根据所述药物治疗图谱和药物耐受度检测模型对用户进行药物检测分析，输出第一标识药物，其中，所述第一标识药物为用户已具备抗药性的药物；获得所述第一就诊用户的第一病理特征，其中，所述第一病理特征包括病理性质和分化程度；通过第一诊疗医师基于所述第一病理特征，获得第一待选药物信息；根据所述第一标识药物从所述第一待选药物信息中进行筛选，输出第一筛选药物。解决了现有技术中存在对于肿瘤患者的用药治疗与患者自身特征结合性较低，且诊疗医师人工分析信息的过程繁琐，出现纰漏，从而削弱了用药治疗效果的技术问题，达到了通过结合患者自身的特征搭建出药物治疗图谱，以数据模型的分析方式，提高对患者用药结合的智能性，进一步的提高用药治疗效果的技术效果。
60.本领域普通技术人员可以理解：本技术中涉及的第一、第二等各种数字编号仅为描述方便进行的区分，并不用来限制本技术实施例的范围，也不表示先后顺序。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a ,b,或c中的至少一项(个、种)，可以表示：a ,b,c,a
ꢀ‑
b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。
61.在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程系统。所述计
算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘(solid state disk，ssd))等。
62.本技术实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器，数字信号处理器，专用集成电路(asic)，现场可编程门阵列(fpga)或其它可编程逻辑系统，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算系统的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。
63.尽管结合具体特征及其实施例对本技术进行了描述，显而易见的，在不脱离本技术的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附所界定的本技术的示例性说明，且视为已覆盖本技术范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的范围。这样，倘若本技术的这些修改和变型属于本技术及其等同技术的范围之内，则本技术意图包括这些改动和变型在内。