药品用法用量推荐方法、装置、电子设备及存储介质与流程

1.本发明涉及互联网技术领域，尤其涉及一种药品用法用量推荐方法、装置、电子设备、及计算机可读存储介质。


背景技术：

2.目前，多数医生在给用户看诊后，通常会根据经验去开处方药品，而医生在开处方药品时，针对不同的用户，药品的用法用量需要手动输入开多少，有可能存在开错的风险。
3.所以，如何为医生推荐药品的用法用量，是目前有待解决的技术问题。


技术实现要素：

4.本发明提供一种药品用法用量推荐方法、装置、电子设备及计算机可读存储介质，以至少解决相关技术不能根据药品名称自动为用户推荐药品的用法用量，需要手动输入药品的用法用量，导致输入的药品的用法用量的准确度较低的技术问题。本发明的技术方案如下：
5.根据本发明实施例的第一方面，提供一种药品用法用量的推荐方法，包括：
6.响应于处方单界面上输入的药品名称，获取所述处方单界面上的用户信息和所述用户的用药信息；
7.基于所述用户信息和所述用药信息预测出所述药品的用法用量，所述用法用量包括：给药方式、单次用量和用药频次；
8.推荐预测的所述药品的用法用量。
9.可选的，所述基于所述用户信息和所述用药信息预测所述药品的用法用量，包括：
10.根据所述用户信息获取所述药品的给药方式；
11.获取开药历史数据；
12.基于所述开药历史数据构造用量推荐样本；
13.根据所述用量推荐样本预测所述药品的单次用量；基于所述开药历史数据和所述药品的单次用量预测药品的用药频次；或者，根据所述用量推荐样本预测所述药品的用药频次；基于所述开药历史数据和所述药品的用药频次预测药品的单次用量。
14.可选的，所述基于所述开药历史数据构造用量推荐样本，包括：
15.提取所述开药历史数据中的信息特征，所述信息特征包括：用户的年龄、性别、诊断、药品名称、药品规格、药品成分、药品类别和药品给药方式；并将所述信息特征作为所述用量推荐样本的特征；
16.获取所述开药历史数据中每种药的药品规格，并将每种药的药品规格转换成统一剂量单位；
17.将所述开药历史数据中每种药品的单次剂量均按照统一剂量单位转换成对应的数值，并将每种药品对应的数值作为用量推荐样本的标签。
18.可选的，所述根据所述用量推荐样本预测所述药品的单次剂量，包括：
19.获取预先训练的深度学习模型或者机器学习模型，其中，所述深度学习模型或者机器学习模型是基于用量推荐训练样本训练得到的；
20.将所述用量推荐样本作为所述深度学习模型或者机器学习模型的输入，预测出药品的单次用量。
21.可选的，所述深度学习模型或者机器学习模型通过如下方式训练得到：
22.将用量推荐训练样本的特征作为所述深度学习模型或者机器学习模型的输入，经过多层神经网络的处理，并将处理结果经过softmax层进行处理，得到向量；
23.获取所述向量中最大值的索引；
24.将所述最大值的索引所对应的用量作为药品的单次用量的预测训练结果。
25.可选的，所述基于所述开药历史数据和所述药品的单次用量预测药品用药频次，包括：
26.基于历史处方数据和所述药品的单次用量构造用药频次推荐样本；
27.根据所述用药频次推荐样本预测药品的用药频次。
28.可选的，所述基于历史处方数据和所述药品的单次用量构造用药频次推荐样本，包括：
29.提取所述开药历史数据中信息特征，所述信息特征包括：用户的年龄、性别、诊断、药品名称、药品规格、药品成分、药品类别和药品给药方式；
30.将所述信息特征和药品单次剂量作为用药频次推荐样本的特征；
31.将所述历史数据中的用药频次以天为单位的药品频次作为用药频次推荐样本的标签。
32.可选的，所述根据所述用药频次推荐样本预测药品的用药频次，包括：
33.获取预先训练的深度学习模型或者机器学习模型，其中，所述深度学习模型或者机器学习模型是基于用药频次推荐样本训练得到的；
34.将所述用药频次推荐样本作为所述深度学习模型或者机器学习模型的输入，预测出用药频次。
35.可选的，在推荐所述药品的用法用量之前，所述方法还包括：
36.判断预测的所述药品的单次用量和用药频次是否均满足预设药品用法用量的使用范围时，如果满足，则执行推荐所述药品的用法用量的步骤。
37.可选的，所述方法还包括：
38.在判定预测的所述药品的用法用量中的所述单次用量和/或所述用药频次不满足预设药品用法用量的使用范围时，将所述单次用量和/或所述用药频次替换为所述预设药品用法用量的使用范围的最大值或最小值，以使预测的预测的所述单次用量和/或用药频次满足预设药品的使用范围；
39.推荐替换后的所述药品的用法用量。
40.根据本发明实施例的第二方面，提供一种药品用法用量的推荐装置，包括：
41.获取模块，用于响应于处方单界面上输入的药品名称，获取所述处方单界面上的用户信息和所述用户的用药信息；
42.预测模块，用于基于所述用户信息和所述用药信息预测出所述药品的用法用量，所述用法用量包括：给药方式、单次用量和用药频次；
43.第一推荐模块，用于推荐所述预测模块预测的所述药品的用法用量。
44.可选的，所述预测模块包括：给药方式获取模块，历史数据获取模块，第一构造模块，第一用量预测模块和第一频次预测模块；或者给药方式获取模块，历史数据获取模块，第一构造模块第二频次预测模块和第二用量预测模块；其中，
45.给药方式获取模块，用于根据所述用户信息获取所述药品的给药方式；
46.历史数据获取模块，用于获取开药历史数据；
47.第一构造模块，用于基于所述开药历史数据构造用量推荐样本；
48.第一用量预测模块，用于根据所述用量推荐样本预测所述药品的单次用量；
49.第一频次预测模块，用于基于所述开药历史数据和所述药品的单次用量预测药品的用药频次；
50.第二频次预测模块，用于根据所述用量推荐样本预测所述药品的用药频次；
51.第二用量预测模块，用于基于所述开药历史数据和所述药品的用药频次预测药品的用单词用量。
52.可选的，所述第一构造模块包括：
53.第一提取模块，用于提取所述开药历史数据中的信息特征，所述信息特征包括：用户的年龄、性别、诊断、药品名称、药品规格、药品成分、药品类别和药品给药方式；
54.第一特征确定模块，用于将所述提取模块提取的所述信息特征作为所述用量推荐样本的特征；
55.第一规格获取模块，用于获取所述开药历史数据中每种药的药品规格；
56.统一剂量模块，用于所述规格获取模块获取的每种药的药品规格转换成统一剂量单位；
57.规格转换模块，用于将所述开药历史数据中每种药品的单次剂量均按照统一剂量单位转换成对应的数值；
58.第一标签确定模块，用于将所述规格转换模块转换的每种药品对应的数值作为用量推荐样本的标签。
59.可选的，所述第一用量预测模块包括：
60.第一模型获取模块，用于获取预先训练的深度学习模型或者机器学习模型，其中，所述深度学习模型或者机器学习模型是基于用量推荐训练样本训练得到的；
61.单次用量预测模块，用于将所述用量推荐样本作为所述深度学习模型或者机器学习模型的输入，预测出药品的单次用量。
62.可选的，所述深度学习模型或者机器学习模型通过如下方式训练得到：
63.网络处理模块，用于将用量推荐训练样本的特征作为所述深度学习模型或者机器学习模型的输入，经过多层神经网络的处理，并将处理结果经过softmax层进行处理，得到向量；
64.索引获取模块，用于获取所述向量中最大值的索引；
65.结果确定模块，用于将所述最大值的索引所对应的用量作为药品的单次用量的预测训练结果。
66.可选的，所述第一频次预测模块包括：
67.第二构造模块，用于基于历史处方数据和所述药品的单次用量构造用药频次推荐
样本；
68.用药频次预测模块，用于据所述用药频次推荐样本预测药品的用药频次。
69.可选的，所述第二构造模块包括：
70.第二提取模块，用于提取所述开药历史数据中信息特征，所述信息特征包括：用户的年龄、性别、诊断、药品名称、药品规格、药品成分、药品类别和药品给药方式；
71.第二特征确定模块，用于将所述信息特征和药品单次剂量作为用药频次推荐样本的特征；
72.第二标签确定模块，用于将所述历史数据中的用药频次以天为单位的药品频次作为用药频次推荐样本的标签。
73.可选的，所述用药频次预测模块包括：
74.第一模型获取模块，用于获取预先训练的深度学习模型或者机器学习模型，其中，所述深度学习模型或者机器学习模型是基于用药频次推荐样本训练得到的；
75.用药频次子模块，用于将所述用药频次推荐样本作为所述深度学习模型或者机器学习模型的输入，预测出用药频次。
76.可选的，所述装置还包括：
77.判断模块，用于判断所述预测模块预测的所述药品的单次用量和用药频次是否均满足预设药品用法用量的使用范围；
78.所述第一推荐模块，还用于在所述判断模块判定均满足预设药品用法用量的使用范围时，推荐预测的所述药品的用法用量。
79.可选的，所述装置还包括：
80.替换模块，用于在所述判断模块判定预测的所述药品的用法用量中的所述单次用量和/或所述用药频次不满足预设药品用法用量的使用范围时，将所述单次用量和/或所述用药频次替换为所述预设药品用法用量的使用范围的最大值或最小值，以使替换后的所述单次用量和/或用药频次满足预设药品的使用范围；
81.第二推荐模块，用于推荐所述替换模块替换后的所述药品的用法用量。
82.根据本发明实施例的第三方面，提供一种电子设备，包括：
83.处理器；
84.用于存储所述处理器可执行指令的存储器；
85.其中，所述处理器被配置为执行所述指令，以实现如上所述的药品用法用量的推荐方法。
86.根据本发明实施例的第四方面，提供一种计算机可读存储介质，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如上所述的药品用法用量的推荐方法。
87.根据本发明实施例的第五方面，提供一种计算机程序产品，包括计算机程序或指令，所述计算机程序或指令被处理器执行时实现如上所述的药品用法用量的推荐方法。
88.本发明的实施例提供的技术方案至少带来以下有益效果：
89.本发明实施例中，响应于处方单上输入的药品名称，获取所述处方单上的用户信息和所述用户的用药信息；基于所述用户信息和所述用药信息预测出所述药品的用法用量，所述用法用量包括：给药方式、单次用量和用药频次；推荐预测的所述药品的用法用量。
由此可知，本发明实施例中，基于患者用户的用户信息和所述患者用户的用药信息，可以预测出该药品的用法用量，并自动将该药品的用法用量推荐到处方单上，以便于医生参考该药品的用法用量，不但提高了推荐药品用法用量的准确性，而且，还节省了医生输入药品用法用量的时间，提升了用户的满意度。
90.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
91.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理，并不构成对本发明的不当限定。
92.图1是本发明实施例提供的一种药品用法用量的推荐方法的流程图。
93.图2是本发明实施例提供的一种药品用法用量的推荐方法的流程图。
94.图3是本发明实施例提供的一种药品用法用量的推荐方法的应用实例的示意图。
95.图4是本发明实施例提供一种药品用法用量的推荐装置的框图。
96.图5是本发明实施例提供的预测模块的框图。
97.图6是本发明实施例提供的用量预测模块的框图。
98.图7是本发明实施例提供的频次预测模块的框图。
99.图8是本发明实施例提供的一种药品用法用量的推荐装置的另一框图。
100.图9是本发明实施例提供的一种电子设备的框图。
101.图10是本发明实施例提供的一种用于药品用法用量的推荐的装置框图。
具体实施方式
102.为了使本领域普通人员更好地理解本发明的技术方案，下面将结合附图，对本发明实施例中的技术方案进行清楚、完整地描述。
103.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
104.近年来，基于人工智能的计算机视觉、深度学习、机器学习、图像处理、图像识别等技术研究取得了重要进展。人工智能(artificial intelligence，ai)是研究、开发用于模拟、延伸人的智能的理论、方法、技术及应用系统的新兴科学技术。人工智能学科是一门综合性学科，涉及芯片、大数据、云计算、物联网、分布式存储、深度学习、机器学习、神经网络等诸多技术种类。计算机视觉作为人工智能的一个重要分支，具体是让机器识别世界，计算机视觉技术通常包括人脸识别、活体检测、指纹识别与防伪验证、生物特征识别、人脸检测、行人检测、目标检测、行人识别、图像处理、图像识别、图像语义理解、图像检索、文字识别、视频处理、视频内容识别、行为识别、三维重建、虚拟现实、增强现实、同步定位与地图构建(slam)、计算摄影、机器人导航与定位等技术。随着人工智能技术的研究和进步，该项技术
在众多领域展开了应用，例如安防、城市管理、交通管理、楼宇管理、园区管理、人脸通行、人脸考勤、物流管理、仓储管理、机器人、智能营销、计算摄影、手机影像、云服务、智能家居、穿戴设备、无人驾驶、自动驾驶、智能医疗、人脸支付、人脸解锁、指纹解锁、人证核验、智慧屏、智能电视、摄像机、移动互联网、网络直播、美颜、美妆、医疗美容、智能测温等领域。
105.图1是本发明实施例提供的一种药品用法用量的推荐的流程图，如图1所示，该药品用法用量的推荐方法包括以下步骤：
106.步骤101：响应于处方单界面上输入的药品名称，获取所述处方单界面上的用户信息和所述用户的用药信息。
107.步骤102：基于所述用户信息和所述用药信息预测出所述药品的用法用量，所述用法用量包括：给药方式、单次用量和用药频次。
108.步骤103：推荐预测的所述药品的用法用量。
109.本发明所述的药品用法用量的推荐方法可以应用于终端、服务器等，在此不作限制，其终端实施设备可以是智能手机，笔记本电脑、平板电脑等电子设备，在此不作限制。
110.下面结合图1，对本发明实施例提供的一种药品用法用量的推荐方法的具体实施步骤进行详细说明。
111.在步骤101中，响应于处方单界面上输入的药品名称，获取所述处方单界面上的用户信息和所述用户的用药信息。
112.该步骤中，医生在为患者用户诊断后，通常需要给患者用户开药，而医生为患者用户开药的单子称为处方单，该处方单可以电子处方单，病人专用处方笺，医保病人专用处方笺，医疗保险处方单，或者某某医院处方笺等，本实施例不做限制。
113.该实施例中，在医生在为患者用户诊断后，通过终端为患者用户开药时，即进入开处方单子的界面时，比如，在处方单上的右下角输入框中输入药品名称时，系统会弹出sug数据，当医生点加号添加药品时，服务器或系统会获取到患者用户的用户信息和该患者用户的用药信息，其中，该患者用户信息可以包括：年龄、性别、诊断等信息，该用药信息可以包括：药品名称和预设的药品规格等。
114.在步骤102中，基于所述用户信息和所述用药信息预测出所述药品的用法用量，所述用法用量包括：给药方式、单次用量和用药频次。
115.该步骤中，一种可选的实施方式：
116.1)根据所述用户信息获取所述药品的给药方式，其中，给药方式可以包括：口服、外用，或者静脉注射等。
117.具体的，该步骤中，可以根据患者用户的年龄、性别和诊断信息通过查找用法用量数据库(或者用法用量表)可以得到该药品的给药方式。其中，用法用量中的用法，是指给药方式，例如：口服，静脉注射等；而用量是指每次服药的剂量。
118.其中，通常情况下，从用法用量数据库中都可以查找到每种药品的用法用量数据。用法用量数据，对于同一种药品在不同的规格、人群、性别、给药方式、体重、疾病、检验指标下会有不同的用量，用量又分为单次剂量和日剂量，其中因为单次剂量和用药频次是个范围值，日剂量表示的意思是单次剂量和用药频次可以灵活调整，但应在日剂量的范围内。
119.2)获取开药历史数据。
120.该步骤中，可以获取线上医生的开药历史数据，其中，开药历史数据可以是从当前
医院数据库内获取的数据，也可以通过互联网获取其他为开药实例数据等。
121.为了便于理解，下面以通过下述程序段为例来获取一个开药历史数据为例，其中，下述程序段中的size是药品规格包装，0.25g是药品规格，12片包装内所包括的药量。其获取过程的程序段如下所示：
[0122][0123][0124]
3)基于所述开药历史数据构造用量推荐样本；
[0125]
该步骤中，先提取该开药历史数据中的用户的年龄、性别、诊断、药品名称、药品规格、药品成分、药品类别、药品给药方式等特征，然后将所述用户的年龄、性别、诊断、药品名称、药品规格、药品成分、药品类别、药品给药方式作为用量推荐样本的特征。之后，获取开
药历史数据中每种药的药品规格，再后，将每种药品规格转化成统一剂量单位，比如，统一剂量单位为毫克(mg)等。将所述开药历史数据中每种药品的单次剂量均按照统一剂量单位转换成对应的数值，并将每种药品对应的数据作为用量推荐样本的标签。
[0126]
用量推荐样本的标签为开药历史数据(当然也可以是处方数据)中的单次剂量，单次剂量数据可能是1片，2mg，100iu，30ml等，所以本实施例为了统一标准，需要对每种药的单次计量进行统一处理，比如将每种药的药品规格均转化成以mg为单位(当然也可以转换成其他单位，本实施例不做限制)的用药剂量等，该剂量是有效药物成份的计量，而不是服用的重量或者体积。例如上例中的1片，通过查看药品规格，发现该药品规格包装为0.25g*12片，转换后为250mg，即样本标签为250。再比如：100iu，查看药品规格，确定该药品规格包装为100iu:20mg*1支，则转化成20mg，即样本标签为20。需要说明的是，本实施例中查看的药品规格，可以是根据药品批准文号查看预先设置的药品规格数据库中的药品规格，也可以是处方中自带该药品的药品规格等，本实施例不做限制。
[0127]
其中，信息特征中的药品成分、药品类别可以来源于预置的药物知识图谱，其中，药品类别，比如，阿司匹林咀嚼片，属于解热镇痛抗炎药、非选择性环氧酶抑制剂等，一个药品通常有多种分类。信息特征中的药品给药方式也可以通过查找查表得到的。
[0128]
本实施例中，用量推荐样本中的大部分特征都是字符串形式的数据，本实施例中，既可以按照药品名称直接转化成枚举类型特征直接使用，并对每种药品进行标号，也可以先将药品名称处理成字集合，然后用词袋模型转化向量使用。药品规格直接使用其数值作为特征。
[0129]
用量推荐样本的标签是处方中该药品的单次剂量转成mg为单位的数值。按照数值进行编号，比如，1mg，5mg，10mg，50mg，编号分别是1，2，3，4。之后，对编号再进行向量化，即(1，0，0，0)，(0，1，0，0)，(0，0，1，0)，(0，0，0，1)，从而得到每中药品的单次剂量。
[0130]
4)根据用量推荐样本预测所述药品的单次用量；
[0131]
该步骤中，在构造的用量推荐样本后，获取预先训练的深度学习模型或者机器学习模型，其中，所述深度学习模型或者机器学习模型是基于用量推荐训练样本训练得到的；然后，将所述用量推荐样本作为所述深度学习模型或者机器学习模型的输入，预测出药品的单次剂量。
[0132]
也就是说，将构造的所述用量推荐样本输入到预先训练的深度学习模型或者机器学习模型进行预测，得到所述药品的单次用量，其中，本实施例中，深度学习模型或者机器学习模型可以是贝叶斯网络、决策树或神经网络等模型。
[0133]
在训练这些模型之前，需要选获取用量推荐训练样本，其中该用量推荐训练样本与用量推荐样本所包含的内容一样，然后使用用量推荐训练样本对该深度学习模型或者机器学习模型进行训练。其训练过程为：
[0134]
如果使用决策树训练时，通常需要设置树的深度，树的深度也称为决策树的一个关键参数，该关键参数通常设置为8以上。如果使用神经网络时，不要设置太深的层数，通常设置层数为2或者3，神经元的数量在200至500之间，学习率设置0.01(当然并不限于此)，使用softmax作为模型的最后一层，计算交叉熵损失。建模的时候，可以使用分类或者回归的思路进行建模。其中，分类的思路是将每种药品的用量看成是一个类别，故有上百种类别。而回归的思路是，假设用量是个连续的值，根据样本的特征预测用量的多少。特别是在机器
学习尤其是深度学习中，softmax是个非常常用而且比较重要的函数，尤其在多分类的场景中使用更广泛。该函数通过把一些输入映射为0-1之间的实数，并且归一化保证和为1，因此多分类的概率之和也为1。
[0135]
本实施例以神经网络分类为例进行训练，将用量推荐训练样本特征x输入神经网络分类模型，先经过三层神经网络卷积处理，再经过softmax层得到一个向量(其中，向量的维度和神经网络分类模型预测的类别数量一致，向量中的每一个元素代表该样本在该类别下的概率，该向量所有元素累加和为1)，该向量与神经网络分类模型的输出y计算交叉熵损失，然后，使用梯度下降法求解神经网络分类模型参数。而神经网络分类模型在预测的时候，使用softmax层得到的向量中最大值的索引，并该索引所对应的用量作为预测的结果。
[0136]
5)基于所述开药历史数据和所述药品的单次用量预测药品用药频次。
[0137]
该步骤中，先基于历史处方数据和所述药品的单次用量构造用药频次推荐样本；再根据所述用药频次推荐样本预测药品的用药频次。
[0138]
该实施例中，在通过步骤4)预测出药品的单次用量后，基于医生开药历史数据和药品的单次用量构造用药频次推荐训练样本。具体的，提取所述开药历史数据中信息特征，所述信息特征包括：用户的年龄、性别、诊断、药品名称、药品规格、药品成分、药品类别、药品给药方式；将所述信息特征和药品单次剂量作为用药频次推荐样本的特征；将所述历史数据中的用药频次以天为单位的药品频次作为用药频次推荐样本的标签。
[0139]
也就是说，用药频次推荐样本的特征可以包括：患者的年龄、性别、诊断、药品名称、药品规格、药品成分、药品类别、药品给药方式、药品单次剂量等，但并不限于此。用药频次推荐样本的标签为历史数据中的用药频次以天为单位的药品频次，比如，上述实施例中的用药频次为1，即标签(label)为1，而有的药品的用药频次为1周1次，则用药频次为1/7。
[0140]
其中，所述根据所述用药频次推荐样本预测药品的用药频次，包括：先获取预先训练的深度学习模型或者机器学习模型，其中，所述深度学习模型或者机器学习模型是基于用药频次推荐样本训练得到的；然后，将所述用药频次推荐样本作为所述深度学习模型或者机器学习模型的输入，预测出用药频次。
[0141]
也就是说，该实施例中，预先获取用药频次推荐训练样本，该用药频次推荐训练样本与用药频次推荐样本所包括的内容一样，之后，同样使用深度学习模型或者机器学习模型进行训练，该深度学习模型或者机器学习模型，可以选择贝叶斯网络、决策树、神经网络等模型。在使用决策树训练时，该决策树模型有一个关键参数叫树的深度，该关键参数需要设为8以上进行训练。而如果使用神经网络训练时，不要设置太深的层数，层数通常为2或者3，神经元的数量在200至500之间，学习率通常设置为0.01。在建模时，使用分类或者回归的思路去训练即可。其中，分类的思路是将每个用量看成是一个类别，回归的思路是假设用药频次是个连续的值，根据用药频次推荐训练样本特征可以预测用药频次的多少。
[0142]
需要说明的是，该实施例中，可以根据药品名称先查找预设药品用法用量数据库，得到给药方式，然后基于构造的用量推荐样本预测药品的单次用量，再基于用药频次推荐样本预测该药品的用药频次，但是，在实际应用中，也可以先根据所述用户信息获取所述药品的给药方式；获取开药历史数据；基于所述开药历史数据构造用量推荐样本，根据所述用量推荐样本预测所述药品的用药频次；基于所述开药历史数据和所述药品的用药频次预测药品的单次用量，其实现过程类似，具体详见上述对应过程，在此不再赘述。
[0143]
在步骤103中，推荐预测的所述药品的用法用量。
[0144]
该实施例中，将预测的所述药品的用法用量直接推送到处方单界面上，以便于医生参考使用。
[0145]
本发明实施例中响应于处方单上输入的药品名称，获取所述处方单上的用户信息和所述用户的用药信息；基于所述用户信息和所述用药信息预测出所述药品的用法用量，所述用法用量包括：给药方式、单次用量和用药频次；推荐预测的所述药品的用法用量。由此可知，本发明实施例中，基于患者用户的用户信息和所述患者用户的用药信息，可以预测出该药品的用法用量，自动推荐该药品的用法用量到处方单界面，以便于医生参考该药品的用法用量，不但提高了推荐药品用法用量的准确性，而且，还节省了医生输入药品用法用量的时间，提升了用户的满意度。
[0146]
可选的，再另一实施例中，该实施例在上述实施例的基础上，在推荐预测的所述药品的用法用量之前，判断预测的所述药品的单次用量和用药频次是否均满足预设药品用法用量的使用范围，在预测的所述药品的用法用量满足预设药品用法用量的使用规范时，推荐预测的所述药品的用法用量。
[0147]
该步骤中，在预测得到该用户的药品的用法用量(即包括给药方式、单次用量和用药频次)之后，通过从预设药品用法用量数据库查找该药品用法用量的使用范围，比如用量范围、用药频次范围和日剂量范围等。之后，判断药品的给药方式是否满足查找到的所述用量范围，所述用药频次是否满足查找到的所述用药频次范围，所述单次用量是否满足查找到的所述日剂量范围等，如果均满足，则说明该药品的给药方式、单次用量、用药频次没有问题，可知直接推荐给医生使用。
[0148]
本发明实施例中，基于患者用户的用户信息和所述患者用户的用药信息，可以预测出该药品的用法用量，并在该药品的用法用量满足预设药品用法用量的使用范围时，自动推荐该药品的用法用量给医生参考该药品的用法用量，不但提高了推荐药品用法用量的准确性，而且，还节省了医生输入药品用法用量的时间，提升了用户的满意度。
[0149]
请参阅图2，为本发明实施例提供的一种药品用法用量的推荐方法的另一流程图，该实施例与上述实施例不同之处为：在预测的所述药品的用法用量中的所述单次用量和/或所述用药频次不满足预设药品用法用量的使用范围时，将所述预设药品用法用量的使用范围的最大值或最小值对应替换预测的所述单次用量和/或用药频次，并推荐替换后的所述药品的用法用量。所述方法包括：
[0150]
步骤201：响应于处方单界面上输入的药品名称，获取所述处方单界面上的用户信息和所述用户的用药信息。
[0151]
步骤202：基于所述用户信息和所述用药信息预测出所述药品的用法用量，所述用法用量包括：给药方式、单次用量和用药频次。
[0152]
其中，步骤201和步骤202与步骤101和步骤103相同，其实现过程详见上述，在此不再赘述。
[0153]
步骤203：判断预测的所述单次用量和用药频次是否均满足所述预设药品用法用量的使用范围，如果满足，执行步骤204；如果不满足，执行步骤205。
[0154]
该步骤中，先从预设药品用法用量数据库中获取该药品的用法用量的使用范围；然后，比较预测的所述药品的单次用量和用药频次是否均满足预设药品用法用量的对应使
用范围时。如果均满足，则执行步骤204，即推荐所述药品的用法用量。
[0155]
步骤204：推荐所述药品的用法用量。
[0156]
其中，步骤204与步骤103相同，其实现过程详见上述，在此不再赘述。
[0157]
步骤205：继续判断预测的所述药品的单次用量和/或用药频次是否大于所述药品的对应单次用量和/或用药频次的使用范围的最大值，如果是，执行步骤206和步骤207；如果否，执行步骤208；
[0158]
步骤206：将所述单次用量和/或用药频次的使用范围的最大值对应替换预测的所述药品的单次用量和/或用药频次。
[0159]
步骤207：推荐替换后的所述药品的用法用量。
[0160]
步骤208，判断预测的所述药品的单次用量和/或用药频次是否小于所述药品的单次用量和/或用药频次的使用范围的最小值；如果是，执行步骤209和步骤210。
[0161]
步骤209：将所述单次用量和/或用药频次的使用范围的最小值替换预测的所述药品的单次用量和/或用药频次。
[0162]
步骤210：推荐替换后的所述药品的用法用量。
[0163]
该实施例中，基于步骤204至步骤210，在判断预测的所述药品的单次用量和/或用药频次不满足所述药品的单次用量和/或用药频次得到使用范围时，需要进一步判断预测所述药品的单次用量和/或用药频次是大于预设药品的单次用量和/或用药频次的使用范围的最大值，还是小于药品的单次用量和/或用药频次的使用范围的最小值，并根据最大值或最小值进行替换。需要说明的是，在该实施例中，可以先判断预测所述药品的单次用量和/或用药频次是否大于预设药品的单次用量和/或用药频次的使用范围的最大值，在判断是否小于药品的单次用量和/或用药频次的使用范围的最小值，反之也可以，本实施例不做限制。
[0164]
也就是所，该实施例中，在预测的所述药品的用法用量中的所述单次用量和/或所述用药频次不满足预设药品用法用量的对应使用范围时，采用一种融合策略，即预设用法用量数据库中该药品用法用量对应的使用范围进行替换。如果预测的单次用量或用药频次低于预设用法用量数据库中单次用量或用药频次范围的最小值，则直接使用对应的最小值替换预测的单次用量和/或所述用药频次，如果预测的单次用量或用药频次高于预设药品的用法用量的使用范围的最大值，则直接使用范围的最大值替换预测的单次用量和/或所述用药频次，以便于确保推荐药品的用法用量在规定使用范围内，然后将替换后该药品的用法用量自动推荐给医生。
[0165]
还请参阅图3，为本发明实施例提供的一种药品用法用量的推荐方法的应用实例的示意图，如图3所示，比如，医生在为患者用户诊断后，需要给患者用户开药，当医生进入开处方单子界面时，点击界面右下角输入框中的输入药品时，比如，碳酸奥斯，系统会弹出sug数据，比如，图3中所示的碳酸奥斯他伟胶囊、碳酸奥斯他韦颗粒，地奥司明片，盐酸奥洛他定片，碳酸哌嗪片，碳酸氯喹片等，当医生点加号添加该酸奥斯他伟胶囊药品时，此时，服务器或系统会获取到该患者用户的用户信息、药品名称、预设的药品规格，基于所述用户信息和所述用药信息预测出所述药品的给药方式、单次用量和用药频次，进一步，还可以预测出开药数量等，并将酸奥斯他伟胶囊药的给药方式、单次用量和用药频次和开药数量自动填入对应处方单界面的对应框内，而无需医生再手动输入，提高药品用法用量推荐的准确
度，以及提升了用户体验。
[0166]
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本实施公开并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明所必须的。
[0167]
还请参阅图4，是本发明实施例提供的一种药品用法用量的推荐装置的框图，所述装置包括：获取模块401，预测模块402和第一推荐模块403，其中，
[0168]
该获取模块401，用于响应于处方单界面上输入的药品名称，获取所述处方单界面上的用户信息和所述用户的用药信息；
[0169]
该预测模块402，用于基于所述用户信息和所述用药信息预测出所述药品的用法用量，所述用法用量包括：给药方式、单次用量和用药频次；
[0170]
该第一推荐模块403，用于推荐预测的所述药品的用法用量。
[0171]
可选的，在另一实施例中，该实施例在上述实施例的基础上，所述预测模块402包括：给药方式获取模块501，历史数据获取模块502，第一构造模块503，第一用量预测模块504和第一频次预测模块505，其结构示意图如图5所示，其中，
[0172]
该给药方式获取模块501，用于根据所述用户信息获取所述药品的给药方式；
[0173]
该历史数据获取模块502，用于获取开药历史数据；
[0174]
该第一构造模块503，用于基于所述开药历史数据构造用量推荐样本；
[0175]
该第一用量预测模块504，用于根据所述用量推荐样本预测所述药品的单次用量；
[0176]
该第一频次预测模块505，用于基于所述开药历史数据和所述药品的单次用量预测药品的用药频次。
[0177]
可选的，在另一实施例中，该实施例在上述实施例的基础上，所述预测模块402包括：给药方式获取模块，历史数据获取模块，第一构造模块，第二频次预测模块和第二用量预测模块(图中未示)，其中，
[0178]
该给药方式获取模块，用于根据所述用户信息获取所述药品的给药方式；
[0179]
该历史数据获取模块，用于获取开药历史数据；
[0180]
该第一构造模块，用于基于所述开药历史数据构造用量推荐样本；
[0181]
第二频次预测模块，用于根据所述用量推荐样本预测所述药品的用药频次；
[0182]
第二用量预测模块，用于基于所述开药历史数据和所述药品的用药频次预测药品的用单词用量。
[0183]
可选的，在另一实施例中，该实施例在上述实施例的基础上，所述第一构造模块503包括：第一提取模块，第一特征确定模块，第一规格获取模块，统一剂量模块，规格转换模块和第一标签确定模块(图中未示)，其中，
[0184]
该第一提取模块，用于提取所述开药历史数据中的信息特征，所述信息特征包括：用户的年龄、性别、诊断、药品名称、药品规格、药品成分、药品类别和药品给药方式；
[0185]
该第一特征确定模块，用于将所述提取模块提取的所述信息特征作为所述用量推荐样本的特征；
[0186]
该第一规格获取模块，用于获取所述开药历史数据中每种药的药品规格；
[0187]
该统一剂量模块，用于所述规格获取模块获取的每种药的药品规格转换成统一剂
量单位；
[0188]
该规格转换模块，用于将所述开药历史数据中每种药品的单次剂量均按照统一剂量单位转换成对应的数值；
[0189]
该第一标签确定模块，用于将所述规格转换模块转换的每种药品对应的数值作为用量推荐样本的标签。
[0190]
可选的，在另一实施例中，该实施例在上述实施例的基础上，所述第一用量预测模块504包括：第一模型获取模块602和单次用量预测模块602，其结构框图如图6所示，其中，
[0191]
该第一模型获取模块601，用于获取预先训练的深度学习模型或者机器学习模型，其中，所述深度学习模型或者机器学习模型是基于用量推荐训练样本训练得到的；
[0192]
该单次用量预测模块602，用于将所述用量推荐样本作为所述深度学习模型或者机器学习模型的输入，预测出药品的单次用量。
[0193]
可选的，在另一实施例中，该实施例在上述实施例的基础上，所述深度学习模型或者机器学习模型通过如下方式训练得到：
[0194]
网络处理模块，用于将用量推荐训练样本的特征作为所述深度学习模型或者机器学习模型的输入，经过多层神经网络的处理，并将处理结果经过softmax层进行处理，得到向量；
[0195]
索引获取模块，用于获取所述向量中最大值的索引；
[0196]
结果确定模块，用于将所述最大值的索引所对应的用量作为药品的单次用量的预测训练结果。
[0197]
可选的，所述第一频次预测模块505包括：第二构造模块701和用药频次预测模块702，其结构框图如图7所示，其中，
[0198]
该第二构造模块701，用于基于历史处方数据和所述药品的单次用量构造用药频次推荐样本；
[0199]
该用药频次预测模块702，用于据所述用药频次推荐样本预测药品的用药频次。
[0200]
可选的，所述第二构造模块包括：第二提取模块，第二特征确定模块和第二标签确定模块，其中，
[0201]
该第二提取模块，用于提取所述开药历史数据中信息特征，所述信息特征包括：用户的年龄、性别、诊断、药品名称、药品规格、药品成分、药品类别和药品给药方式；
[0202]
该第二特征确定模块，用于将所述信息特征和药品单次剂量作为用药频次推荐样本的特征；
[0203]
该第二标签确定模块，用于将所述历史数据中的用药频次以天为单位的药品频次作为用药频次推荐样本的标签。
[0204]
可选的，所述用药频次预测模块包括：第一模型获取模块和用药频次预测子模块，其中，
[0205]
该第一模型获取模块，用于获取预先训练的深度学习模型或者机器学习模型，其中，所述深度学习模型或者机器学习模型是基于用药频次推荐样本训练得到的；
[0206]
该用药频次预测子模块，用于将所述用药频次推荐样本作为所述深度学习模型或者机器学习模型的输入，预测出用药频次。
[0207]
可选的，所述装置还包括：在推荐所述药品的用法用量之前，所述装置还包括：判
断模块801和替换模块802，进一步，还可以包括第二推荐模块803，其结构框图如图8所示，其中，
[0208]
该判断模块801，用于判断所述预测模块402预测的所述药品的单次用量和用药频次均是否均满足预设药品用法用量的使用范围；
[0209]
所述第一推荐模块403，还用于在所述判断模块801判定均满足预设药品用法用量的使用范围时，推荐预测的所述药品的用法用量。
[0210]
该替换模块802，用于在所述判断模块801判定预测的所述药品的用法用量中的所述单次用量和/或所述用药频次不满足预设药品用法用量的使用范围时，将所述单次用量和/或所述用药频次替换为所述预设药品用法用量的使用范围的最大值或最小值，以使替换后的所述单次用量和/或用药频次满足预设药品的使用范围；
[0211]
该第二推荐模块803，用于推荐所述替换模块替换后的所述药品的用法用量。
[0212]
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0213]
在实施例中，还提供了一种电子设备，包括：
[0214]
处理器；
[0215]
用于存储所述处理器可执行指令的存储器；
[0216]
其中，所述处理器被配置为执行所述指令，以实现如上所述的药品用法用量的推荐方法。
[0217]
在实施例中，还提供了一种计算机可读存储介质，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如上所述的药品用法用量的推荐方法。可选地，计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。
[0218]
在实施例中，还提供了一种计算机程序产品，包括计算机程序或指令，所述计算机程序或指令被处理器执行时实现如上所述的药品用法用量的推荐方法，
[0219]
图9是本发明实施例提供的一种电子设备900的框图。例如，电子设备900可以为移动终端也可以为服务器，本发明实施例中以电子设备为移动终端为例进行说明。例如,电子设备900可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
[0220]
参照图9，电子设备900可以包括以下一个或多个组件：处理组件902，存储器904，电力组件906，多媒体组件908，音频组件910，输入/输出(i/o)的接口912，传感器组件914，以及通信组件916。
[0221]
处理组件902通常控制电子设备900的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件902可以包括一个或多个处理器920来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件902可以包括一个或多个模块，便于处理组件902和其他组件之间的交互。例如，处理组件902可以包括多媒体模块，以方便多媒体组件908和处理组件902之间的交互。
[0222]
存储器904被配置为存储各种类型的数据以支持在设备900的操作。这些数据的示例包括用于在电子设备900上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器904可以由任何类型的易失性或非易失性存储设备或者它们
的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
[0223]
电源组件906为电子设备900的各种组件提供电力。电源组件906可以包括电源管理系统，一个或多个电源，及其他与为电子设备900生成、管理和分配电力相关联的组件。
[0224]
多媒体组件908包括在所述电子设备900和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件908包括一个前置摄像头和和/或后置摄像头。当设备900处于操作模式，如拍摄模式或视频模式时，前置摄像头和和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
[0225]
音频组件910被配置为输出和和/或输入音频信号。例如，音频组件910包括一个麦克风(mic)，当电子设备900处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器904或经由通信组件916发送。在一些实施例中，音频组件910还包括一个扬声器，用于输出音频信号。
[0226]
i/o接口912为处理组件902和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
[0227]
传感器组件914包括一个或多个传感器，用于为电子设备900提供各个方面的状态评估。例如，传感器组件914可以检测到设备900的打开/关闭状态，组件的相对定位，例如所述组件为电子设备900的显示器和小键盘，传感器组件914还可以检测电子设备900或电子设备900一个组件的位置改变，用户与电子设备900接触的存在或不存在，电子设备900方位或加速/减速和电子设备900的温度变化。传感器组件914可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件914还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件914还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
[0228]
通信组件916被配置为便于电子设备900和其他设备之间有线或无线方式的通信。电子设备900可以接入基于通信标准的无线网络，如wifi，运营商网络(如2g、3g、4g或5g)，或它们的组合。在一个示例性实施例中，通信组件916经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件916还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。
[0229]
在实施例中，电子设备900可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述所示的药品用法用量的推荐方法。
[0230]
在实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器804，上
述指令可由电子设备900的处理器920执行以完成上述所示的药品用法用量的推荐方法。例如，所述非临时性计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。
[0231]
在实施例中，还提供了一种计算机程序产品，当计算机程序产品中的指令由电子设备900的处理器920执行时，使得电子设备900执行上述所示的药品用法用量的推荐方法。
[0232]
图10是本发明实施例提供的一种用于药品用法用量的推荐的装置1000的框图。例如，装置1000可以被提供为一服务器。参照图10，装置1000包括处理组件1022，其进一步包括一个或多个处理器，以及由存储器1032所代表的存储器资源，用于存储可由处理组件1022的执行的指令，例如应用程序。存储器1032中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1022被配置为执行指令，以执行上述方法。
[0233]
装置1000还可以包括一个电源组件1026被配置为执行装置1000的电源管理，一个有线或无线网络接口1050被配置为将装置1000连接到网络，和一个输入输出(i/o)接口1058。装置1000可以操作基于存储在存储器1032的操作系统，例如windows servertm，mac os xtm，unixtm,linuxtm，freebsdtm或类似。
[0234]
本发明所涉及的用户信息(包括但不限于用户的设备信息、用户个人信息等)、相关数据等均为经用户授权或经各方授权后的信息。
[0235]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本技术旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
[0236]
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。