基于预训练语言模型的在线处方风险自动识别方法及系统与流程

1.本发明涉及一种基于预训练语言模型的在线处方风险自动识别方法及系统，属于医疗应用技术领域。


背景技术：

2.互联网医院带有咨询、随访、疾病管理等功能，它有实体医院作强有力的支撑，病人不需要到医院，在网上就可以进行就诊。随着互联网医院在各地陆续上线并能够实现在线复诊、药品配送等功能，以及在线复诊医保支付的开通，复诊患者线上开续方单、续方单购药需求越来越大。再加之疫情的影响，患者线下复诊面临重重困难，因此导致线上问诊量剧增。
3.传统的在线复诊方法是先挂号，然后医生与患者在线进行沟通，医生通过与患者的反复沟通来充分了解病情，随后续方开药。传统的在线复诊方法步序复杂，直接影响到线上就医、续方等效率。


技术实现要素：

4.本发明的目的是：安全、有效、快速地实现病情复诊及开单购药，提升复诊患者的就诊和购药体验。
5.为了达到上述目的，本发明的一个技术方案是提供了一种基于预训练语言模型的在线处方风险自动识别方法，其特征在于，包括以下步骤：
6.步骤1、智能检索：
7.从海量的历史健康数据中，以身份证作为主索引，检索出患者最近一段时间内的就诊记录和用药明细清单；
8.步骤2、智能匹配：
9.将检索到的用药明细清单，与互联网医院云药房药品目录及库存进行匹配，获得匹配结果；
10.步骤3、智能生成：
11.患者查看智能匹配所得到的匹配结果，对匹配结果予以确认后，自动结合历史诊断、用法、用量、使用频次、药品详情生成一张新的处方；
12.步骤4、合理用药自动审方：
13.将上一步生成的处方信息作为输入参数，调用合理用药知识库模型，合理用药知识库模型从不同维度，校验处方信息中药品的安全性，通过合理用药的安全合规校验，即最终生成一张安全的处方信息；
14.步骤5、在线支付：
15.患者针对步骤4生成的安全的处方拉起一健支付，系统自动调起医保结算系统，同医保系统进行交易，完成最终的支付；
16.步骤6、物流配送：
17.处方支付完成后，处方通过信息流推送给第三方物流配送商，配送商通过快递或配送车将处方送达患者所在小区或者居委，实现续方的配送。
18.优选地，所述步骤2包括以下步骤：
19.步骤201、将用药明细清单作为逻辑的输入，通过输入药品医保统编码与云药房数据库中各药品的药品统编码进行逐一匹配，判断能够配送药明细清单中所列药品最全的配送企业，将所获得的配送企业作为逻辑输出；
20.步骤202、将药明细清单中药品的唯一主索引换成云药房的主索引id；
21.步骤203、将匹配获得的配送企业以及唯一主索引被替换后的药明细清单发送给患者进行确认。
22.优选地，所述步骤4中，合理用药知识库模型基于以下步骤实现：
23.步骤401、建立基于处方信息语料进行n-gram优化的mlm预训练robert模型；
24.步骤402、由mlm预训练robert模型对于处方内容中的药品进行实体识别以及分类；
25.步骤403、将mlm预训练robert模型识别到的信息以及患者的信息输入到处方风险评分系统，包括患者的基本信息、患者的疾病信息、患者的处方信息以及患者的风险信息；
26.处方风险评分系统利用gbdt模型进行训练，是一种基于决策树算法的梯度增强框架；并且处方风险评分系统采用专家系统制定的规则对处方给与调整；对于每个处方，处方风险评分系统给出了一组与药物相关的基于规则的与处方相关的警报；
27.步骤404、根据步骤403中的输入特征还训练了一个二元分类器来识别处方中可能存在至少1个药物相关错误的患者，获得与患者相关的数据；
28.步骤405、将与患者相关的数据和与处方相关的警报这两种类型的数据合并为输入，最终结合两者给出相关风险系数；
29.步骤406、基于相关风险系数，最终在步骤3所获得的新的处方的基础上生成一张安全的处方信息。
30.优选地，所述步骤403中，对于输入到处方风险评分系统中的所有数值特征均针对异常值进行校准、标准化和插补，并对分类特征进行编码。
31.本发明的另一个技术方案是提供了一种基于预训练语言模型的在线处方风险自动识别系统，其特征在于，包括以下步骤：
32.智能检索模块：用于从海量的历史健康数据中，以身份证作为主索引，检索出患者最近一段时间内的就诊记录和用药明细清单；
33.智能匹配模块：用于将智能检索模块检索到的用药明细清单，与互联网医院云药房药品目录及库存进行匹配，获得匹配结果；
34.新处方智能生成模块：患者对智能匹配模块输出的匹配结果予以确认后，新处方智能生成模块结合历史诊断、用法、用量、使用频次、药品详情生成一张新的处方；
35.合理用药自动审方模块：将新处方智能生成模块生成的处方信息作为输入参数，调用合理用药知识库模型，合理用药知识库模型从不同维度，校验处方信息中药品的安全性，通过合理用药的安全合规校验，即最终生成一张安全的处方信息；
36.在线支付模块：患者针对合理用药自动审方模块生成的安全的处方拉起一健支付后，在线支付模块自动调起医保结算系统，同医保系统进行交易，完成最终的支付；
37.物流配送模块：处方支付完成后，物流配送模块将处方通过信息流推送给第三方物流配送商，配送商通过快递或配送车将处方送达患者所在小区或者居委，实现续方的配送。
38.本发明基于健康档案的应用预训练语言模型的在线处方风险自动识别的方法，可让复诊患者在线上快速检索到自身健康档案，依据就诊记录和用药明细智能且快速形成复诊续方单并完成审方，简化复诊患者的就医问诊流程，帮助复诊患者快速购买支付所需药品，并协调药品库存和物流使其及时配送到患者手中。
附图说明
39.图1为本发明的流程图；
40.图2示意了审核知识图谱。
具体实施方式
41.下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本技术所附权利要求书所限定的范围。
42.如图1所示，本发明提供的一种基于预训练语言模型的在线处方风险自动识别方法具体包括以下步骤：
43.步骤1、智能检索：
44.从海量的历史健康数据中，以身份证作为主索引，检索出患者最近6个月的就诊记录和用药明细清单。
45.步骤2、智能匹配：
46.将检索到的用药明细清单，与互联网医院云药房药品目录及库存进行匹配，进一步包括以下步骤：
47.步骤201、将用药明细清单作为逻辑的输入，通过输入药品医保统编码与云药房数据库中各药品的药品统编码进行逐一匹配，判断能够配送药明细清单中所列药品最全的配送企业，将所获得的配送企业作为逻辑输出；
48.步骤202、将药明细清单中药品的唯一主索引换成云药房的主索引id；
49.步骤203、将匹配获得的配送企业以及唯一主索引被替换后的药明细清单发送给患者进行确认。
50.步骤3、智能生成：
51.患者查看智能匹配所得到的匹配结果，对匹配结果予以确认(例如以点击控件等方式进行确认)后，系统自动结合历史诊断、用法、用量、使用频次、药品详情生成一张新的处方。
52.步骤4、合理用药自动审方：
53.将上一步生成的处方信息作为输入参数，调用如图2所示的合理用药知识库模型。合理用药知识库模型从重复用药、相互作用、孕产、给药途径、配伍禁忌、诊断禁忌证、过敏史禁忌、肝功能不全用药禁忌、诊断与用药不符、肾功能不全用药禁忌、配伍不当、适应证、
肝功能不全慎用、特殊人群、特殊标记、中医证候禁忌等不同维度，校验处方信息中药品的安全性，通过合理用药的安全合规校验，即最终生成一张安全的处方信息。
54.合理用药知识库模型基于以下步骤实现：
55.步骤401、建立基于处方信息语料进行n-gram优化的mlm预训练robert模型；
56.步骤402、由mlm预训练robert模型对于处方内容中的药品进行实体识别以及分类；
57.步骤403、将mlm预训练robert模型识别到的信息以及患者的就诊记录输入到处方风险评分系统，包括：患者的基本信息，例如年龄、性别、身高、体重
……
；患者的疾病信息，例如：确诊疾病、既往史家族史用药史、并发症、过敏信息、心率、血压、重要检验检查；患者的处方信息，例如：处方内容识别结果、开方时间、用量、联合用药禁忌规则；患者的风险信息，例如：肾小球滤过率、血清钾浓度
……
。
58.本实施例中，对于输入到处方风险评分系统中的所有数值特征均针对异常值进行校准、标准化和插补，并对分类特征进行编码。
59.处方风险评分系统利用gbdt模型(lightbgm)进行训练，是一种基于决策树算法的梯度增强框架。并且处方风险评分系统采用专家系统制定的规则对处方给与调整。对于每个处方，处方风险评分系统给出了一组与药物相关的基于规则的与处方相关的警报，例如：剂量、频率、途径等。
60.步骤404、根据步骤403中的输入特征还训练了一个二元分类器来识别处方中可能存在至少1个药物相关错误的患者，获得与患者相关的数据。
61.步骤405、将与患者相关的数据和与处方相关的警报这两种类型的数据合并为输入，最终结合两者给出相关风险系数。
62.步骤406、基于相关风险系数，最终在步骤3所获得的新的处方的基础上生成一张安全的处方信息。
63.步骤5、在线支付：
64.患者针对步骤4生成的安全的处方拉起一健支付，系统自动调起医保结算系统，同医保系统进行交易，完成最终的支付。
65.步骤6、物流配送：
66.处方支付完成后，处方通过信息流推送给第三方物流配送商，配送商通过快递或配送车将处方送达患者所在小区或者居委，实现续方的配送。