用药方案调整方法、装置、计算机设备和存储介质与流程

1.本技术涉及人工智能领域，还涉及数字医疗领域，尤其涉及一种用药方案调整方法、装置、计算机设备和存储介质。


背景技术：

2.随着人口老龄化比例的提升，潜在慢性疾病人群基数将不断扩大，社会将面临日益严重的慢性疾病挑战。常见的慢性疾病有糖尿病、高血压、冠心病以及慢性肾病等等。慢性疾病患者需要定时服用药物，并定期到医院进行复诊和调整用药方案。当慢性疾病患者所在区域出现灾情时，由于灾情的出现导致慢性疾病患者出现恐慌情绪，从而慢性疾病患者的患病症状发生变化，因此需要调整慢性疾病患者的用药方案。但是当灾情发生后，由于交通不便，慢性疾病患者无法及时、准确地得到医生的指导和调整用药方案，导致慢性疾病患者加重疾病风险。
3.因此，当出现灾情时，如何及时、准确地调整患者的用药方案成为亟需解决的问题。


技术实现要素：

4.本技术提供了一种用药方案调整方法、装置、计算机设备和存储介质，通过根据灾情信息和目标用户的患病症状信息进行疾病变化预测，并根据得到的疾病变化预测信息和用药信息进行用药方案调整，实现在出现灾情时，可以及时、准确地调整患者的用药方案。
5.第一方面，本技术提供了一种用药方案调整方法，所述方法包括：
6.获取目标用户的健康信息，所述健康信息包括患病症状信息与初始用药方案；
7.确定所述目标用户的位置区域信息，查询灾情数据库，获取所述目标用户的位置区域信息对应的灾情信息，所述灾情数据库中关联保存灾情事件的位置区域信息和灾情信息；
8.将所述患病症状信息与所述灾情信息输入疾病变化预测模型进行疾病变化预测，获得疾病变化预测结果；
9.将所述疾病变化预测结果与所述初始用药方案输入用药调整模型进行用药方案调整，获得目标用药方案；
10.输出所述目标用药方案。
11.第二方面，本技术还提供了一种用药方案调整装置，所述装置包括：
12.健康信息获取模块，用于获取目标用户的健康信息，所述健康信息包括患病症状信息与初始用药方案；
13.灾情信息获取模块，用于确定所述目标用户的位置区域信息，查询灾情数据库，获取所述目标用户的位置区域信息对应的灾情信息，所述灾情数据库中关联保存灾情事件的位置区域信息和灾情信息；
14.疾病变化预测模块，用于将所述患病症状信息与所述灾情信息输入疾病变化预测
模型进行疾病变化预测，获得疾病变化预测结果；
15.用药方案调整模块，用于将所述疾病变化预测结果与所述初始用药方案输入用药调整模型进行用药方案调整，获得目标用药方案；
16.用药方案输出模块，用于输出所述目标用药方案。
17.第三方面，本技术还提供了一种计算机设备，所述计算机设备包括存储器和处理器；
18.所述存储器，用于存储计算机程序；
19.所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如上述的用药方案调整方法。
20.第四方面，本技术还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如上述的用药方案调整方法。
21.本技术公开了一种用药方案调整方法、装置、计算机设备和存储介质，通过获取目标用户的健康信息，可以得到目标用户的患病症状信息与初始用药方案；通过确定目标用户的位置区域信息，可以根据位置区域信息从灾情数据库中查询得到目标用户所在位置的灾情信息；通过将患病症状信息与灾情信息输入疾病变化预测模型进行疾病变化预测，实现根据灾情信息和目标用户的患病症状信息进行疾病变化预测，可以获得与灾情信息相关的疾病变化预测结果；通过将疾病变化预测结果与初始用药方案输入用药调整模型进行用药方案调整，可以根据疾病变化预测信息对初始用药方案进行调整，实现在出现灾情时，可以及时、准确地调整患者的用药方案；通过输出目标用药方案，使得目标用户根据目标用药方案进行用药调整，可以减轻或避免目标用户在灾情发生时病情加重。
附图说明
22.为了更清楚地说明本技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，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他的附图。
23.图1是本技术实施例提供的一种用药方案调整方法的示意性流程图；
24.图2是本技术实施例提供的一种用药方案调整的示意图；
25.图3是本技术实施例提供的一种对疾病变化预测模型进行训练的子步骤的示意性流程图；
26.图4是本技术实施例提供的一种生成灾情与疾病关系特征库的子步骤的示意性流程图；
27.图5是本技术实施例提供的一种训练用药调整模型的子步骤的示意性流程图；
28.图6是本技术实施例提供的一种用药方案调整装置的示意性框图；
29.图7是本技术实施例提供的一种计算机设备的结构示意性框图。
具体实施方式
30.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本申
请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
31.附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
32.应当理解，在此本技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本技术。如在本技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
33.还应当理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
34.本技术的实施例提供了一种用药方案调整方法、装置、计算机设备和存储介质。其中，该用药方案调整方法可以应用于服务器或终端中，通过根据灾情信息和目标用户的患病症状信息进行疾病变化预测，并根据得到的疾病变化预测信息和用药信息进行用药方案调整，实现在出现灾情时，可以及时、准确地调整患者的用药方案。
35.其中，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式电脑以及可穿戴设备等电子设备。
36.需要说明的是，本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
37.下面结合附图，对本技术的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
38.如图1所示，用药方案调整方法包括步骤s10至步骤s50。
39.步骤s10、获取目标用户的健康信息，所述健康信息包括患病症状信息与初始用药方案。
40.示例性的，健康信息包括目标用户的患病症状信息与初始用药方案。需要说明的是，在本技术实施例中，目标用户是指患有慢性疾病的用户。其中，慢性疾病可以包括但不限于高血压、糖尿病、慢性肾病、慢性阻塞性肺病、冠心病以及高脂血症等等。
41.请参阅图2，图2是本技术实施例提供的一种用药方案调整的示意图。如图2所示，可以先将患病症状信息与灾情信息输入疾病变化预测模型进行疾病变化预测，获得疾病变化预测结果；然后，将疾病变化预测结果与初始用药方案输入用药调整模型进行用药方案调整，获得目标用药方案。从而，可以实现在出现灾情时，及时、准确地调整患者的用药方案，减轻或避免目标用户在灾情发生时病情加重。
42.在一些实施例中，可以通过目标用户的终端，采集目标用户的健康信息。其中，健
康信息包括患病症状信息与初始用药方案。其中，可以在终端中安装健康app，用于记录目标用户的患病症状信息与初始用药方案。
43.示例性的，患病症状信息可以包括血压值、血糖值、血脂值以及体温值等等。其中，患病症状信息可以通过目标用户使用的检测仪器采集得到。例如，通过蓝牙血压计采集目标用户的血压值，通过蓝牙血糖计采集目标用户的血糖值；终端中的健康app可以与蓝牙血压计、蓝牙血糖计建立通信连接，并获取蓝牙血压计、蓝牙血糖计采集的数据。当然，目标用户也可以在健康app中输入血压值、血糖值、血脂值以及体温值等患病症状信息。
44.需要说明的是，初始用药方案是指目标用户当前的用药方案。示例性的，初始用药方案可以包括药物种类、药物剂量、用药范围以及用药次数等信息。目标用户可以在健康app中填写初始用药方案并提交。
45.示例性的，当用药方案调整方法应用于服务器时，终端中的健康app在检测到目标用户填写的患病症状信息与初始用药方案后，可以将患病症状信息与初始用药方案上传至服务器。
46.在另一些实施例中，可以与医疗平台联网，获取目标用户的医疗数据；根据医疗数据，确定目标用户的患病症状信息与初始用药方案。其中，医疗数据可以包括但不限于目标用户的个人健康档案、处方、检查报告等数据。例如，可以根据个人健康档案和检查报告确定患病症状信息；根据处方确定初始用药方案。
47.为进一步保证上述患病症状信息与初始用药方案的私密和安全性，上述患病症状信息与初始用药方案可以存储于一区块链的节点中。在获取目标用户的患病症状信息与初始用药方案时，可以从区块链节点中读取。
48.通过获取目标用户的健康信息，可以获得目标用户当前的患病症状和初始用药方案。
49.步骤s20、确定所述目标用户的位置区域信息，查询灾情数据库，获取所述目标用户的位置区域信息对应的灾情信息，所述灾情数据库中关联保存灾情事件的位置区域信息和灾情信息。
50.示例性的，位置区域信息可以包括目标用户的位置坐标。例如，可以通过目标用户对应的终端进行定位，获得目标用户的位置坐标。又例如，可以通过个人健康档案中的住址信息，确定目标用户的位置坐标。
51.示例性的，可以从卫健委、气象局、应急管理部等数据渠道，获取灾情数据库。
52.需要说明的是，灾情事件的位置区域信息是指发生灾情的位置或区域。灾情信息可以包括但不限于灾情类型、灾情等级以及灾情持续时长等信息。其中，灾情类型可以是寒潮、风暴潮、洪涝、江河泛滥、泥石流以及地震等自然灾害。
53.示例性的，可以根据目标用户的位置区域信息，查询灾情数据库，获得目标用户的位置区域信息对应的灾情信息。
54.通过获取目标用户所在位置的灾情信息，后续可以根据患病症状信息与灾情信息对初始用药方案进行调整。
55.步骤s30、将所述患病症状信息与所述灾情信息输入疾病变化预测模型进行疾病变化预测，获得疾病变化预测结果。
56.示例性的，疾病变化预测模型可以是多元线性回归决策树模型。需要说明的是，多
元线性回归决策树模型是一种根据自变量预测因变量的变化趋势的模型。在本技术实施例中，灾情信息可以作为自变量，患病症状信息作为因变量，通过疾病变化预测模型可以预测出患病症状信息对应的变化趋势，得到疾病变化预测结果。
57.示例性的，疾病变化预测模型是预先训练好的模型。在本技术实施例中，可以基于患病数据库、与灾情信息相关的疾病知识库以及灾情数据库，对初始的疾病变化预测模型进行训练至收敛，得到训练好的疾病变化预测模型。
58.请参阅图3，图3是本技术实施例提供的一种对疾病变化预测模型进行训练的子步骤的示意性流程图，具体可以包括以下步骤s301至步骤s303。
59.步骤s301、获取患病数据库，以及获取与灾情信息相关的疾病知识库。
60.示例性的，可以从医疗平台、慢病平台、医院平台等平台获取患病数据库以及获取与灾情信息相关的疾病知识库。其中，患病数据库、疾病知识库的获取方式，在此不作限定。
61.示例性的，疾病知识库可以包括不同灾情事件的灾情类型、灾情等级、灾情时长对各类型疾病产生的影响等信息。患病数据库包括患者的疾病类型和症状类型等疾病数据。其中，患病数据库可以包括不同位置区域、不同时间段的多个患者的患病数据，也可以包括目标用户的位置区域或当前灾情发生期间的多个患者的患病数据。
62.需要说明的是，通过获取患病数据库以及获取与灾情信息相关的疾病知识库，进而实现以疾病知识库为桥梁，建立患病数据与灾情信息之间的关系特征库。
63.步骤s302、基于所述疾病知识库，根据所述灾情数据库和所述患病数据库，生成灾情与疾病关系特征库。
64.请参阅图4，图4是本技术实施例提供的一种生成灾情与疾病关系特征库的子步骤的示意性流程图，具体可以包括以下步骤s3021和步骤s3022。
65.步骤s3021、对所述灾情数据库中的灾情信息和所述患病数据库中的疾病数据分别进行数据清洗、归一化、特征提取，获得目标灾情数据库和目标患病数据库。
66.示例性的，数据清洗可以包括但不限于检查数据一致性、处理无效值以及缺失值等等。数据清洗用于剔除灾情数据库、患病数据库中的无用数据。归一化用于消除数据指标之间的量纲影响，以解决数据指标之间的可比性。例如，可以采用min
‑
max标准化、z
‑
score标准化等方法对数据进行归一化处理。特征提取是指对数据进行向量化。例如，可以通过bert(bidirectional encoder representations from transformer)模型、word2vec模型、glove模型以及elmo模型，对数据进行向量化处理。
67.示例性的，可以对灾情数据库中的灾情信息进行数据清洗、归一化、特征提取，获得目标灾情数据库。可以对患病数据库中的疾病数据分别进行数据清洗、归一化、特征提取，获得目标患病数据库。其中，数据清洗、归一化以及特征提取的具体过程，在此不作限定。
68.通过对灾情数据库中的灾情信息和患病数据库中的疾病数据分别进行数据清洗、归一化、特征提取，可以确保目标灾情数据库和目标患病数据库的数据准确性。
69.步骤s3022、根据所述疾病知识库中的不同疾病类型的疾病数据，对所述目标灾情数据库与所述目标患病数据库进行聚类，获得所述灾情与疾病关系特征库。
70.需要说明的是，在本技术实施例中，可以根据不同疾病类型的疾病数据，对目标灾情数据库与目标患病数据库进行聚类，从而可以建立患病数据与灾情信息之间的关系特征
库。
71.在一些实施例中，根据疾病知识库中的不同疾病类型的疾病数据，对目标灾情数据库与目标患病数据库进行聚类，获得灾情与疾病关系特征库，可以包括：将目标灾情数据库中与单一疾病类型相关的灾情信息进行聚类，得到第一灾情与疾病关系特征库；将目标患病数据库中与单一灾情类型相关的疾病数据进行聚类，得到第二灾情与疾病关系特征库；将第一灾情与疾病关系特征库与第二灾情与疾病关系特征库进行融合处理，获得灾情与疾病关系特征库。
72.示例性的，可以基于预设的聚类算法，对目标灾情数据库与目标患病数据库进行聚类。其中，聚类算法可以包括但不限于聚合聚类、分解聚类、基于密度的聚类、人工神经网络、子空间聚类以及联合聚类等等。
73.示例性的，将目标灾情数据库中与单一疾病类型相关的灾情信息进行聚类，得到第一灾情与疾病关系特征库。例如，可以将与高血压相关的灾情信息进行聚类，也可以将与慢性肾病相关的灾情信息进行聚类，还可以将与慢性阻塞性肺病相关的灾情信息进行聚类。从而可以得到第一灾情与疾病关系特征库；其中，第一灾情与疾病关系特征库包括与各种疾病类型与灾情信息之间的关联关系。
74.示例性的，将目标患病数据库中与单一灾情类型相关的疾病数据进行聚类，得到第二灾情与疾病关系特征库。例如，可以将与寒潮相关的疾病数据进行聚类，将与风暴潮相关的疾病数据进行聚类；从而可以得到第二灾情与疾病关系特征库，其中，第二灾情与疾病关系特征库包括各种灾情类型与疾病数据之间的关联关系。
75.示例性的，融合处理可以包括合并、去重等操作。例如，将第一灾情与疾病关系特征库与第二灾情与疾病关系特征库进行合并，并将重复部分的数据剔除，获得灾情与疾病关系特征库。其中，灾情与疾病关系特征库包括各种灾情信息与各种疾病数据之间的关联关系。
76.通过基于疾病知识库，根据灾情数据库和患病数据库生成灾情与疾病关系特征库，进而可以根据灾情与疾病关系特征库对初始的疾病变化预测模型进行训练，使得疾病变化预测模型学习如何根据灾情信息预测患病症状信息的疾病变化。
77.步骤s303、根据所述灾情与疾病关系特征库，对疾病变化预测模型进行迭代训练，直至疾病变化预测模型收敛，获得训练好的疾病变化预测模型。
78.示例性的，疾病变化预测模型的迭代训练过程为：根据灾情与疾病关系特征库确定每一轮的训练数据，将当前轮训练数据输入疾病变化预测模型进行训练，获得当前轮训练数据对应的训练结果；基于预设的损失函数，确定训练结果对应的损失函数值；若损失函数值大于预设的损失值阈值，则调整疾病变化预测模型的参数，并进行下一轮训练，直至得到的损失函数值小于或等于损失值阈值，结束训练，得到训练好的疾病变化预测模型。
79.其中，训练结果可以包括当前轮训练数据对应的疾病变化预测信息。
80.示例性的，预设的损失函数可以包括但不限于绝对值损失函数、对数损失函数、平方损失函数以及指数损失函数等等。损失值阈值可以根据实际情况设定，具体数值在此不作限定。
81.示例性的，可以通过梯度下降算法，调整疾病变化预测模型的参数。调整参数的具体过程，在此不作限定。可以理解的是，通过根据收敛算法调整疾病变化预测模型的参数，
可以使得疾病变化预测模型快速收敛，提高了训练效率。
82.通过根据灾情与疾病关系特征库对疾病变化预测模型进行迭代训练，可以使得训练好的疾病变化预测模型具有预测疾病变化的功能。
83.示例性的，如图2所示，可以将患病症状信息与灾情信息输入疾病变化预测模型进行疾病变化预测，获得疾病变化预测结果。
84.示例性的，疾病变化预测结果可以包括目标用户患病的变化趋势。例如，在一天内的变化趋势，在三天内的变化趋势等等。
85.通过将患病症状信息与灾情信息输入疾病变化预测模型进行疾病变化预测，实现根据灾情信息和目标用户的患病症状信息进行疾病变化预测，可以获得与灾情信息相关的疾病变化预测结果。
86.步骤s40、将所述疾病变化预测结果与所述初始用药方案输入用药调整模型进行用药方案调整，获得目标用药方案。
87.需要说明的是，用药调整模型可以是多元线性回归决策树模型。在本技术实施例中，用药调整模型用于根据疾病变化预测结果对初始用药方案进行调整。其中，用药调整模型是预先训练好的模型。示例性的，可以基于患病数据库和与疾病变化相关的疾病知识库，对初始的用药调整模型进行训练至收敛，得到训练好的用药调整模型。
88.请参阅图5，图5是本技术实施例提供的一种训练用药调整模型的子步骤的示意性流程图，具体可以包括以下步骤s401至步骤s403。
89.步骤s401、获取与疾病变化有关的用药知识库。
90.示例性的，可以从医疗平台、慢病平台、医院平台等平台获取与疾病变化有关的用药知识库。其中，用药知识库包括多种疾病的不同阶段、症状对应的用药信息。
91.步骤s402、根据所述用药知识库和所述患病数据库，生成疾病变化与用药关系特征库。
92.在一些实施例中，根据用药知识库和患病数据库，生成疾病变化与用药关系特征库，可以包括：基于患病数据库中的不同疾病类型，将用药知识库中与单一疾病类型相关的用药信息进行聚类，获得疾病变化与用药关系特征库。
93.示例性的，可以基于聚类算法，将用药知识库中与单一疾病类型相关的用药信息进行聚类，得到疾病变化与用药关系特征库。例如，对于高血压，可以将高血压相关的用药信息进行聚类，从而可以得到高血压的不同阶段、症状对应的用药信息。又例如，对于慢性阻塞性肺病，可以将慢性阻塞性肺病相关的用药信息进行聚类，从而可以获得慢性阻塞性肺病的不同阶段、症状对应的用药信息。
94.通过根据用药知识库和患病数据库生成疾病变化与用药关系特征库，后续可以根据疾病变化与用药关系特征库对用药调整模型进行迭代训练，使得训练好的用药调整模型具有根据疾病变化信息调整用药方案的功能。
95.步骤s403、根据所述疾病变化与用药关系特征库，对用药调整模型进行迭代训练，直至用药调整模型收敛，获得训练好的用药调整模型。
96.示例性的，用药调整模型的迭代训练过程为：根据疾病变化与用药关系特征库确定每一轮的训练数据，将当前轮训练数据输入用药调整模型进行训练，获得当前轮训练数据对应的训练结果；基于预设的损失函数，确定训练结果对应的损失函数值；若损失函数值
大于预设的损失函数阈值，则调整用药调整模型的参数，并进行下一轮训练，直至得到的损失函数值小于或等于损失值阈值，结束训练，得到训练好的用药调整模型。
97.示例性的，训练结果可以包括当前轮训练数据对应的用药调整信息。
98.示例性的，预设的损失函数可以包括但不限于绝对值损失函数、对数损失函数、平方损失函数以及指数损失函数等等。损失函数阈值可以根据实际情况设定，具体数值在此不作限定。
99.示例性的，可以通过梯度下降算法，调整用药调整模型的参数。调整参数的具体过程，在此不作限定。
100.示例性的，如图2所示，可以将疾病变化预测结果与初始用药方案输入用药调整模型进行用药方案调整，获得目标用药方案。
101.示例性的，目标用药方案可以包括药物类型、药物剂量、用药范围、用药次数以及药物注意事项等等。
102.通过将疾病变化预测结果与初始用药方案输入用药调整模型进行用药方案调整，可以根据疾病变化预测信息对初始用药方案进行调整，实现在出现灾情时，可以及时、准确地调整患者的用药方案。
103.步骤s50、输出所述目标用药方案。
104.需要说明的是，在获得目标用药方案之后，还需要输出目标用药方案，以使目标用户根据目标用药方案进行用药。
105.示例性的，当用药方案调整方法应用于服务器时，服务器可以将目标用药方案发送至目标用户的终端上。例如，在终端的健康app中显示目标用药方案。又例如，可以通过短信、邮件以及即时消息等方式，将目标用药方案发送至目标用户的终端。
106.示例性的，当用药方案调整方法应用于目标用户的终端时，终端可以在健康app中显示目标用药方案。
107.为进一步保证上述目标用药方案的私密和安全性，上述目标用药方案可以存储于一区块链的节点中。
108.通过输出目标用药方案，使得目标用户根据目标用药方案进行用药调整，可以减轻或避免目标用户病情加重，同时还可以缓解目标用户的恐慌情绪。
109.在一些实施例中，本技术实施例还可以包括：确定目标用户的患病类型；获取患病类型对应的疾病康复方案，疾病康复方案包括测量方案、饮食方案、运动方案以及患教方案中的至少一项；输出疾病康复方案。
110.示例性的，可以通过医疗平台获取目标用户的医疗数据，根据医疗数据，确定目标用户的患病类型。其中，医疗数据可以包括个人健康档案、处方、检查报告等数据。
111.需要说明的是，在本技术实施例中，可以预先定义每一种疾病对应的疾病康复方案，并将疾病与对应的疾病康复方案进行关联存储。其中，疾病可以包括多种类型。
112.示例性的，可以基于预设的疾病与疾病康复方案之间的对应关系，获取患病类型对应的疾病康复方案。其中，疾病康复方案包括测量方案、饮食方案、运动方案以及患教方案中的至少一项。
113.示例性的，测量方案可以包括目标用户测量血压、血糖、体温的时间和次数等等信息。饮食方案可以包括目标用户每餐摄入的食物种类与食物量。运动方案可以包括目标用
户每日需要进行的运动类型和运动时间等等。患教方案是指向目标用户推送的文章，可以包括疾病风险控制、饮食指导、运动指导、血压监控、血糖监控、心理疏导以及并发症等类型的文章。
114.示例性的，在输出疾病康复方案时，可以通过短信、邮件、即时消息等方式，将疾病康复方案发送至目标用户的终端；也可以直接在终端的健康app中显示疾病康复方案。
115.通过获取目标用户的患病类型对应的疾病康复方案，可以有针对性地根据患病类型对目标用户推送疾病康复方案，有效促进目标用户的康复。
116.上述实施例提供的用药方案调整方法，通过获取目标用户的健康信息，可以获得目标用户当前的患病症状和初始用药方案；通过获取目标用户所在位置的灾情信息，后续可以根据患病症状信息与灾情信息对初始用药方案进行调整；通过基于疾病知识库，根据灾情数据库和患病数据库生成灾情与疾病关系特征库，进而可以根据灾情与疾病关系特征库对初始的疾病变化预测模型进行训练，使得疾病变化预测模型学习如何根据灾情信息预测患病症状信息的疾病变化；通过根据用药知识库和患病数据库生成疾病变化与用药关系特征库，后续可以根据疾病变化与用药关系特征库对用药调整模型进行迭代训练，使得训练好的用药调整模型具有根据疾病变化信息调整用药方案的功能；通过将疾病变化预测结果与初始用药方案输入用药调整模型进行用药方案调整，可以根据疾病变化预测信息对初始用药方案进行调整，实现在出现灾情时，可以及时、准确地调整患者的用药方案；通过输出目标用药方案，使得目标用户根据目标用药方案进行用药调整，可以减轻或避免目标用户病情加重，同时还可以缓解目标用户的恐慌情绪；通过获取目标用户的患病类型对应的疾病康复方案，可以有针对性地根据患病类型对目标用户推送疾病康复方案，有效促进目标用户的康复。
117.请参阅图6，图6是本技术的实施例还提供一种用药方案调整装置1000的示意性框图，该用药方案调整装置用于执行前述的用药方案调整方法。其中，该用药方案调整装置可以配置于服务器或终端中。
118.如图6所示，该用药方案调整装置1000，包括：健康信息获取模块1001、灾情信息获取模块1002、疾病变化预测模块1003、用药方案调整模块1004和用药方案输出模块1005。
119.健康信息获取模块1001，用于获取目标用户的健康信息，所述健康信息包括患病症状信息与初始用药方案。
120.灾情信息获取模块1002，用于确定所述目标用户的位置区域信息，查询灾情数据库，获取所述目标用户的位置区域信息对应的灾情信息，所述灾情数据库中关联保存灾情事件的位置区域信息和灾情信息。
121.疾病变化预测模块1003，用于将所述患病症状信息与所述灾情信息输入疾病变化预测模型进行疾病变化预测，获得疾病变化预测结果。
122.用药方案调整模块1004，用于将所述疾病变化预测结果与所述初始用药方案输入用药调整模型进行用药方案调整，获得目标用药方案。
123.用药方案输出模块1005，用于输出所述目标用药方案。
124.需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和各模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
125.上述的装置可以实现为一种计算机程序的形式，该计算机程序可以在如图7所示的计算机设备上运行。
126.请参阅图7，图7是本技术实施例提供的一种计算机设备的结构示意性框图。
127.请参阅图7，该计算机设备包括通过系统总线连接的处理器和存储器，其中，存储器可以包括非易失性存储介质和内存储器。
128.处理器用于提供计算和控制能力，支撑整个计算机设备的运行。
129.内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种用药方案调整方法。
130.应当理解的是，处理器可以是中央处理单元(central processing unit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field
‑
programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
131.其中，在一个实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：
132.获取目标用户的健康信息，所述健康信息包括患病症状信息与初始用药方案；确定所述目标用户的位置区域信息，查询灾情数据库，获取所述目标用户的位置区域信息对应的灾情信息，所述灾情数据库中关联保存灾情事件的位置区域信息和灾情信息；将所述患病症状信息与所述灾情信息输入疾病变化预测模型进行疾病变化预测，获得疾病变化预测结果；将所述疾病变化预测结果与所述初始用药方案输入用药调整模型进行用药方案调整，获得目标用药方案；输出所述目标用药方案。
133.在一个实施例中，所述处理器在实现将所述患病症状信息与所述灾情信息输入疾病变化预测模型进行疾病变化预测，获得疾病变化预测结果之前，还用于实现：
134.获取患病数据库，以及获取与灾情信息相关的疾病知识库；基于所述疾病知识库，根据所述灾情数据库和所述患病数据库，生成灾情与疾病关系特征库；根据所述灾情与疾病关系特征库，对疾病变化预测模型进行迭代训练，直至疾病变化预测模型收敛，获得训练好的疾病变化预测模型。
135.在一个实施例中，所述处理器在实现基于所述疾病知识库，根据所述灾情数据库和所述患病数据库，生成灾情与疾病关系特征库时，用于实现：
136.对所述灾情数据库中的灾情信息和所述患病数据库中的疾病数据分别进行数据清洗、归一化、特征提取，获得目标灾情数据库和目标患病数据库；根据所述疾病知识库中的不同类别的疾病数据，对所述目标灾情数据库与所述目标患病数据库进行聚类，获得所述灾情与疾病关系特征库。
137.在一个实施例中，所述灾情数据库中的灾情信息包括灾情类型，所述患病数据库中的疾病数据包括疾病类型；所述处理器在实现根据所述疾病知识库中的不同疾病类型的疾病数据，对所述目标灾情数据库与所述目标患病数据库进行聚类，获得所述灾情与疾病关系特征库时，用于实现：
138.将所述目标灾情数据库中与单一疾病类型相关的灾情信息进行聚类，得到第一灾
情与疾病关系特征库；将所述目标患病数据库中与单一灾情类型相关的疾病数据进行聚类，得到第二灾情与疾病关系特征库；将所述第一灾情与疾病关系特征库与所述第二灾情与疾病关系特征库进行融合处理，获得所述灾情与疾病关系特征库。
139.在一个实施例中，所述处理器在实现将所述疾病变化预测结果与所述初始用药方案输入用药调整模型进行用药方案调整，获得目标用药方案之前，还用于实现：
140.获取与疾病变化有关的用药知识库；根据所述用药知识库和所述患病数据库，生成疾病变化与用药关系特征库；根据所述疾病变化与用药关系特征库，对用药调整模型进行迭代训练，直至用药调整模型收敛，获得训练好的用药调整模型。
141.在一个实施例中，所述处理器在实现根据所述用药知识库和所述患病数据库，生成疾病变化与用药关系特征库时，用于实现：
142.基于所述患病数据库中的不同疾病类型，将所述用药知识库中与单一疾病类型相关的用药信息进行聚类，获得所述疾病变化与用药关系特征库。
143.在一个实施例中，所述处理器还用于实现：
144.确定所述目标用户的患病类型；获取所述患病类型对应的疾病康复方案，所述疾病康复方案包括测量方案、饮食方案、运动方案以及患教方案中的至少一项；输出所述疾病康复方案。
145.本技术的实施例中还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序中包括程序指令，所述处理器执行所述程序指令，实现本技术实施例提供的任一项用药方案调整方法。
146.例如，该程序被处理器加载，可以执行如下步骤：
147.获取目标用户的健康信息，所述健康信息包括患病症状信息与初始用药方案；确定所述目标用户的位置区域信息，查询灾情数据库，获取所述目标用户的位置区域信息对应的灾情信息，所述灾情数据库中关联保存灾情事件的位置区域信息和灾情信息；将所述患病症状信息与所述灾情信息输入疾病变化预测模型进行疾病变化预测，获得疾病变化预测结果；将所述疾病变化预测结果与所述初始用药方案输入用药调整模型进行用药方案调整，获得目标用药方案；输出所述目标用药方案。
148.其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字卡(secure digital card，sd card)，闪存卡(flash card)等。
149.进一步地，所述计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
150.本技术所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
151.以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何
熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。