一种基于知识图谱的临床用药风险评估方法和系统与流程

技术特征：
1.一种基于知识图谱的临床用药风险评估方法，其特征在于，包括如下步骤：s1、获取药品说明书数据和处方数据进行处理，提取药品属性信息和处方关系信息；s2、根据药品属性信息和处方关系信息构建蕴含医疗文本知识和临床用药经验的医疗知识图谱；s3、提取医疗知识图谱中的用药风险关系，并在医疗知识图谱上标记用药风险级别；s4、根据医疗知识图谱提取多个特征来训练三个xgboost分类算法模型：药物相互作用风险模型、药不对症风险模型和个体用药风险模型，并利用训练好的三个模型检测医疗知识图谱的超说明书用药风险，三个模型分别对应检测药物联用风险、药不对症风险来和个体用药风险，并将检测出的风险标注在医疗知识图谱中；s5、采用步骤s4得到的医疗知识图谱检测临床处方的用药风险。2.如权利要求1所述的一种基于知识图谱的临床用药风险评估方法，其特征在于，所述步骤s1中，包括s11、处理药品说明书数据，提取药品属性信息，其包括：s111、利用正则匹配和自然语言处理中命名实体识别的方法从药品说明书数据抽取重要属性信息，包括：药品名、适应症、成分、禁忌、药物相互作用和用法用量，并保存在在csv文件；s112、对从药品说明书数据中抽取出的信息利用正则匹配和结合人工修改的方法，去除多余的文本信息，将每条信息转换成为(药品属性名属性值)的格式，保存在txt文件中；s12、处理处方数据，提取处方关系信息，其包括：s121、数据清理：将药品去品牌化即删除数据括号内的厂商品牌；删除数据库中出现次数少于两次的诊断病症的所有处方数据，删除数据库中数据包含空值的处方数据；s122、将数据库表中每条数据的每对关系转换成为(对象1关系名对象2)的格式，保存在txt文件中。3.如权利要求2所述的一种基于知识图谱的临床用药风险评估方法，其特征在于，所述s2具体包括如下：s21、下载neo4j图数据库，在数据库中import文件夹放入步骤s1得到的包含药品属性信息和处方关系信息的文件；s22、利用neo4j导入语句编写导入指令；s23、在neo4jweb控制台执行语句，将包含药品属性信息和处方关系信息的文件存到图数据库。4.如权利要求2所述的一种基于知识图谱的临床用药风险评估方法，其特征在于，所述s3具体包括如下：s31、标注药物之间的联合使用风险；s32、标注药物与诊断疾病间的药不对症风险；s33、标注药物被不同患者个体使用的风险。5.如权利要求4所述的一种基于知识图谱的临床用药风险评估方法，其特征在于，所述s31具体包括如下：s311、提取出医疗知识图谱中的表示药物相互作用并且相互作用风险等级为3的药物对，并筛选出药物对中两个药物从未出现在同一处方中的药物对，在医疗知识图谱上将此
类药物对添加/标注一条权重为3的风险关系边；s312、提取风险等级等于0，并且历史处方中出现次数超过10次或者联用频率超过30％的药物间关系对，在医疗知识图谱上将此类药物对添加一条权重为0的风险关系边。6.如权利要求4所述的一种基于知识图谱的临床用药风险评估方法，其特征在于，所述s32具体包括如下：s321、提取出药物与诊断之间为禁忌关系的药物-诊断对，并筛选出从未出现在同一张处方中的药物-诊断对，在医疗知识图谱上将此药物-诊断对添加一条权重为3的风险关系边；s322、筛选出在历史处方中出现超过10次或者联用频率超过30％的药物-诊断对，在医疗知识图谱上将此类药物-诊断对添加一条权重为0的风险关系边。7.如权利要求4所述的一种基于知识图谱的临床用药风险评估方法，其特征在于，所述s33具体包括如下：s331、提取出药物与患者群体之间为禁忌关系的药物-群体对，并筛选出药物从未在处方中用于某群体的药物-群体对，在医疗知识图谱上将此类药物-群体对添加一条权重为3的风险关系边；s332、提取药物与群体之间关系为适用，并且历史处方中出现该使用情况超过10次或者联用频率超过30％的药物-群体对，在医疗知识图谱上将此类药物-群体对添加一条标注权重为0的风险关系边。8.如权利要求1所述的一种基于知识图谱的临床用药风险评估方法，其特征在于，所述s4中，训练药物相互作用风险模型具体包括如下：s411、提取300对药物联用不符合说明书描述的用药对；s412、根据医疗知识图谱上标记的用药风险级别，将级别d(drug1,drug2)作为一个特征；s413、将药物对在医疗知识图谱上相连的频率f(drug1,drug2)作为一个特征，这个频率是指药物对之间相连的边数n(drug1,drug2)与这两种药物与所有药物相连接的边数n(drug1)、n(drug2)的比值，具体公式为：s414、将药物对的使用频率作为特征；s415、计算药物对中两个药物的优先连接preferential attachment(pa)，利用知识图谱的preferential attachment算法得到这个特征：具体公式为：pa(drug1,drug2)＝|n(drug1)|
×
|n(drug2)|；s416、将药物对是否在同一社群co-group(drug1,drug2)作为一个特征；s417、将s412～s416步骤中在医疗知识图谱中提取的药物对的以上五个特征作为模型的输入，按照用药风险级别的标准交叉评估药物对的联用风险级别，将标注的联用风险级别作为标签，使用xgboost算法对药物相互作用风险模型训练。9.如权利要求1所述的一种基于知识图谱的临床用药风险评估方法，其特征在于，所述s4中，训练药不对症风险模型具体包括如下：s421、提取300对药物-诊断对不符合说明书描述的诊断-药物对；
s422、根据医疗知识图谱上标记的用药风险级别，得到药物与诊断之间的关系d(drug,diagnosis)的特征；s423、计算药物与诊断疾病间的连接频率f(drug,diagnosis)作为一个特征，具体公式为：其中，n(drug,diagnosis)表示药物drug和诊断diagnosis在同一张处方出现的次数、n(drug)表示药物drug在处方中出现的次数、n(diagnosis)表示诊断在处方中出现的次数；s424、计算药物在诊断处方中的出现次数作为特征，具体公式为：f(drug,diagnosis)＝n(drug,diagnosis)；s425、计算诊断节点的不同药物连接数c(drug,diagnosis)作为特征；s426、将药物与诊断是否在同一社群co-group(drug1,drug2)作为一个特征；s427、将s422～s426步骤中在医疗知识图谱中提取的以上五个特征作为模型的输入，按照用药风险级别的标准交叉评估药不对症风险级别，将标注的药不对症风险级别作为标签，使用xgboost算法对药不对症风险模型训练。10.如权利要求1所述的一种基于知识图谱的临床用药风险评估方法，其特征在于，所述s4中，训练个体用药风险模型具体包括如下：s431、在知识图谱中提取药不对症风险特征进行机器学习任务检测药物联用风险；s432、根据医疗知识图谱上标记的用药风险级别，得到药物与患者群体之间的关系d(drug,patient)的特征；s433、将药物与诊断疾病间的连接频率f(drug,diagnosis)作为一个特征，具体公式为：s434、将患者所属的群体在处方中使用该药物的频率作为特征f(role,drug)，具体公式为：其中，n(role,diagnosis,drug)表示药物drug和诊断diagnosis在同一张处方，并且患者属于人群role的次数、n(role,diagnosis)表示药物drug和诊断diagnosis在同一张处方的次数；s435、计算药物连接不同群体的数量作为特征；s436、计算药物的剂量的混合高斯分布；s437、参考患者的体重与患者的年龄范围；s438、将处方中提取的以上6个特征作为模型的输入，按照用药风险级别的标准交叉评估个体用药风险级别，将标注的个体用药风险级别作为标签，使用xgboost算法对个体用药风险模型训练。11.一种基于知识图谱的临床用药风险评估系统，其特征在于，包括如下：数据处理模块，获取药品说明书数据和处方数据进行处理，提取药品属性信息和处方关系信息；医疗知识图谱模块，根据药品属性信息和处方关系信息构建蕴含医疗文本知识和临床用药经验的医疗知识图谱；标记模块，提取医疗知识图谱中的用药风险关系，并在医疗知识图谱上标记用药风险
级别；超说明用药风险模块，根据医疗知识图谱提取多个特征，利用xgboost算法训练三个分类模型：药物相互作用风险模型、药不对症风险模型和个体用药风险模型，并利用训练好的模型检测处方中的超说明书用药风险，三个模型分别对应检测药物联用风险、药不对症风险来和个体用药风险；处方用药风险评估模块，采用医疗知识图谱检测临床处方的用药风险。

技术总结
一种基于知识图谱的临床用药风险评估方法和系统，利用真实处方数据和药物说明书数据构建用药风险知识图谱，并利用机器学习技术挖掘医疗数据中的超说明书用药风险，补全医疗知识图谱中的用药风险，最终得到一个全面完整的医疗知识图谱，利用其检测临床处方风险。采用本发明的医疗知识图谱来提取相应特征以此判断超风险用药风险，具有优异的提取效率和准确率。率。率。


技术研发人员：陈龙彪 林志铭 蔡晓海 陈思耀 王程
受保护的技术使用者：厦门大学
技术研发日：2021.09.23
技术公布日：2022/2/6