用于配药的系统和方法与流程

相关申请的交叉引用

本申请要求于2018年2月2日提交的发明名称为“用于配药的系统和方法”的美国专利申请序列号15/887222的优先权，其全部内容通过引用并入本文中。

本文所述的主题总体上涉及药物的管理，更具体地涉及用于配药的系统。

背景技术：

转移可指将管制物质转让给未经合法授权而接收、拥有和/或消费管制物质的第三方。高价值和/或管制处方药，特别是鸦片制剂、类鸦片和麻醉剂，可能特别容易被转移。例如，一些处方止痛药，例如吗啡、氢吗啡酮、芬太尼和/或类似药物可以通过患者控制的镇痛泵而由患者进行管理。患者控制的镇痛泵可以是注射泵，其中注射器可能通常含有比患者需要的更多剂量的止痛药。这些未使用的止痛药的剂量可能会被照顾患者的医务人员转移。例如，在将注射器装入患者控制的镇痛泵之前，可以从注射器中取出一些止痛药。或者和/或另外，从患者控制的镇痛泵中取出注射器后留在注射器中的任何止痛药可以被保留，而不是在废弃场所进行适当处理。

技术实现要素：

提供用于检测转移的系统、方法和制品，包括计算机程序产品。在一个方面，提供一种系统。该系统可以包括至少一个数据处理器和至少一个存储器。所述至少一个存储器可以存储指令，当由所述至少一个数据处理器执行所述指令时，进行如下的操作。所述操作可以包括：从包括药物的配药柜接收与使用配药柜以取得和/或退回药物的多个个体相关的数据；通过至少将机器学习模型应用到从配药柜接收到的数据的至少一部分来检测药物的转移，所述机器学习模型被训练以检测转移；基于从配药柜接收到的数据，确定负责转移的第一个体的身份；以及响应于确定第一个体对转移负责，在配药柜触发调查工作流。

在一些变体中，本文公开的包括以下特征的一个或多个特征可以可选地包括在任何可行的组合中。从配药柜接收到的数据可以包括在配药柜处捕获的使用配药柜的多个个体的一个或多个视频、图像和/或音频记录。所述机器学习模型可以被训练以基于视频、图像和/或音频记录来识别指示转移的一个或多个身体特征。所述一个或多个身体特征可以包括与药物滥用和/或偷窃相关的面部特征、面部表情、身体姿势、手势和眼球运动。

在一些变体中，从所述配药柜接收到的数据可以包括使用配药柜的多个个体的指纹、虹膜图案、视网膜图案、手写签名、语音、识别号和/或密码。

在一些变体中，所述机器学习模型可以被训练以至少部分地基于从所述配药柜接收到的数据来检测与转移相关的一个或多个行为模式。所述一个或多个行为模式可以包括在不一致的时间和/或以异常频率使用配药柜。

在一些变体中，所述调查工作流可以包括隔离由所述第一个体退回到所述配药柜的第一药物。所述第一药物可以被隔离在所述配药柜中第二个体无法使用的部分中。所述配药柜的部分可以配置为容纳第一药物，而不是由所述第二个体退回到所述配药柜的第二药物。

在一些变体中，所述调查工作流可以包括：检测第一个体是否正在使用配药柜中的抽屉；以及响应于检测到第一个体使用配药柜中的抽屉，启用配药柜处的第一摄像机以捕获第一个体从抽屉取得药物和/或将药物退回抽屉的第一图像和/或第一视频。所述调查工作流还可以包括启用配药柜处的第二摄像机以捕获所述第一个体的第二图像和/或第二视频。所述第二图像和/或所述第二视频可以包括所述第一个体的面部，以便能够验证所述第一个体的身份。

在一些变体中，所述机器学习模型可以被训练以执行异常检测。可以至少基于训练数据来训练机器学习模型，所述训练数据包括指示转移的异常数据。所述机器学习模型可以被训练以区分异常数据和非异常数据。

本主题的实现可以包括但不限于与本文提供的描述一致的方法，以及包含有形实现的机器可读介质的物品，所述有形实现的机器可读介质可操作为使一个或多个机器(例如，计算机等)进行实现一个或多个所述特征的操作。类似地，还描述计算机系统，其可包括一个或多个处理器以及联接到所述一个或多个处理器的一个或多个存储器。存储器可以包括非易失性的计算机可读或机器可读存储介质，存储器可以包括对一个或多个程序进行编码、存储等，一个或多个程序使得一个或多个处理器执行本文所述的一个或多个操作。与当前主题的一个或多个实施方式一致的计算机实现的方法可以由驻留在单个计算系统或多个计算系统中的一个或多个数据处理器来实现。这样的多个计算系统可以被连接，并且可以通过一个或多个连接来交换数据和/或命令或其他指令等，一个或多个连接包括例如通过网络(例如，因特网、无线广域网、局域网、广域网、有线网等)的连接，可以通过多个计算系统中的一个或多个之间的直接连接等来交换数据和/或命令或其他指令等。

本文所述主题的一个或多个变体的细节在附图和下面的描述中进行阐述。从说明书和附图以及权利要求书中，本文所描述的主题的其他特征和优点将是显而易见的。虽然结合网络应用程序用户界面，出于说明的目的描述了当前公开的主题的某些特征，但是应当容易理解，这些特征不旨在是限制性的。本发明所附的权利要求旨在限定要求保护的主题的范围。

附图说明

并入本说明书并构成本说明书一部分的附图示出本文公开的主题的某些方面，并且与说明书一起帮助解释与所公开的实现相关的一些原理。在附图中，

图1描绘了根据一些示例性实施方案的示出配药系统的系统图；

图2描绘了根据一些示例性实施方案的配药柜；

图3描绘了根据一些示例性实施方案的示出用于配药的过程的流程图；

图4描绘了根据一些示例性实施方案的示出用于检测转移的过程的流程图；以及

图5描绘了根据一些示例性实施方案的示出计算系统的框图。

在实际应用中，相似的附图标记表示相似的结构、特征或元件。

具体实施方式

药物在混合、分配、给药和/或废弃期间的任何时间点都可能发生药物转移。处方止痛药，例如吗啡、氢吗啡酮、芬太尼等，由于在处方止痛药的分配、给药和废弃期间缺乏足够的监护监督，可能特别容易转移。例如，医疗设施中的配药柜可供多个医疗专业人员使用。此外，不同的医疗专业人员可以负责分配、给药和废弃药物。因此，即使在检测到转移的情况下，也很难确定实际发生转移的时间和识别对转移负有责任的个体。

在一些示例性实施方案中，配药系统可配置为至少通过捕获与使用配药柜的个体相关的数据来监视和/或跟踪对存储在配药柜处的药物的使用，例如，取得药物和/或退回未使用的药物。例如，配药系统可以捕获使用配药柜的个体的图像、视频和/或音频记录。配药系统还可以执行生物测定扫描，以捕获例如使用配药柜的个体的指纹、虹膜图案、视网膜图案、手写签名、语音等。或者和/或另外，配药系统可配置为接收识别号和/或密码，该识别号和/或密码唯一地识别使用配药柜的个体。通过捕获与使用配药柜的个体相关的数据，配药系统可以确定使用配药柜的个体的身份和/或行为模式。例如，配药系统可以基于与使用配药柜的个体相关的数据来确定使用配药柜的个体的时间和/或频率。

在一些示例性实施方案中，配药系统可配置为检测与转移相关的身体特征和/或行为模式。配药系统可以包括机器学习模型，该机器学习模型被训练以基于与使用配药柜的个体相关的数据来识别指示转移的身体特征和/或行为模式。例如，训练机器学习模型可以被训练以识别指示转移的身体特征，其包括例如，与药物滥用相关的面部特征、面部表情、身体姿势、手势、眼球运动等。或者和/或另外，机器学习模型可以被训练以识别指示转移的行为模式，其包括例如，在不一致的时间和/或以异常频率使用配药柜、废弃和/或退回药物的不规律、过度取消和/或改写，等等。配药系统可以进一步识别表现出与转移相关的身体特征和/或行为模式的个体。这些个体可以被识别为可能对转移负责的可疑对象。

在一些示例性实施方案中，配药系统可通过至少触发配药柜处的调查工作流来响应被怀疑负责转移的个体的识别。调查工作流可包括在被怀疑负责转移的个体使用配药柜时捕获附加数据(例如，视频、图像、音频记录等)。或者和/或另外，调查工作流可以包括在配药柜处隔离被确定具有与转移相关的一个或多个身体特征和/或行为模式的个体退回到配药柜的未使用药物。例如，配药柜可以包括一个或多个容器。容器可以是配药柜内的任何容器，包括例如，配药柜中的抽屉、配药柜抽屉内的外壳等。当个体被确定表现出与转移相关的身体特征和/或行为模式时，配药系统可通过至少向该个体提供对配药柜内容器的独占使用来隔离该个体退回的未使用药物。在这样做时，个体退回的未使用药物可与储存在配药柜中的其他药物分开。可以根据该个体退回的未使用药物对参与转移的个体进行后续验证。例如，可以检查未使用的药物用于篡改的证据。

图1描绘了根据一些示例性实施方案的示出配药系统100的系统图。配药系统100可以包括转移控制器110、配药柜130和客户端140。如图1所示，转移控制器110、配药柜130和客户端140可以经由网络150通信地联接。转移控制器110还可以经由网络150与库存系统160a、患者护理系统160b和管理系统160c通信地联接。网络150可以是任何有线和/或无线网络，例如包括公共陆地移动网(plmn)、广域网(wan)、局域网(lan)、虚拟局域网(vlan)、因特网等。

在一些示例性实施方案中，配药柜130可以配置为捕获与使用配药柜130例如以从配药柜130取得药物和/或将未使用的药物退回到配药柜130的个体相关的数据。或者和/或另外，配药柜130可以例如在如下过程期间捕获数据：登录配药柜130和/或从配药柜130退出期间、在配药柜130处搜索患者和/或药物期间、患者记录审查期间、对配药柜130中的药物的总数进行计数和文件记载期间、从配药柜130填充和重新填充药物、加载和/或卸载药物期间、差异的文件记载、交易(例如，配药、填充/重新填充、加载/卸载、计数、废弃、退回等)取消等。再次参考图1，配药柜130可以包括监视设备135a，监视设备135a可以是包括例如摄像机、静止图像摄像机、音频记录器等的任何记录装置。监视设备135a可以配置为捕获使用配药柜130例如以取得和/或退回药物的个体的图像、视频和/或音频记录。如图1所示，配药柜130可以包括识别设备135b。识别设备135b可以是生物识别读取器，其配置为捕获例如使用配药柜130的个体的指纹、虹膜图案、视网膜图案、手写签名、语音等。或者和/或另外，识别设备135b可以配置为通过例如键盘和/或密钥卡扫描器来接收使用配药柜130的个体的识别号和/或密码。应当理解，密钥卡扫描器可以以任何方式(包括例如，近场通信(nfc)、射频识别(rfid)、条形码、快速响应(qr)码等)获得该数据(例如，识别号和/或密码)。

例如，由监视设备135a和/或识别设备135b在配药柜130处捕获的数据的至少一部分可以经由网络150发送到转移控制器110。或者和/或另外，转移控制器110还可以经由网络150接收来自各种其他来源(包括例如，库存系统160a、患者护理系统160b、管理系统160c等)的数据。应当理解，转移控制器110可以与能够提供与贯穿一个或多个医疗设施的药物流(包括例如，从交付和导入到库存系统160a中到从配药柜130分配、经由患者护理系统160b向患者给药和/或最终通过在配药柜130处处置而废弃)相关的数据的任何数量的计算系统联接。例如，库存系统160a可以配置为跟踪一个或多个医疗设施处可用的药物供应。患者护理系统160b可以包括用于向患者给药的一个或多个装置，包括例如患者控制的镇痛泵。管理系统160c可以跟踪一个或多个医疗设施中的人员，包括例如，个人数据、轮班表、假期等。

例如，库存系统160a、患者护理系统160b和/或管理系统160c可以提供电子药物管理记录，其包括例如患者记录、护理者记录、药物记录等。患者记录可以包括例如，患者身份、患者位置、人口统计、健康数据(例如，疼痛量表、生命体征等)、护理者指定等。护理者记录可以包括例如，护理者身份、护理者时间表和/或实际工作时间、护理者位置、护理者患者指定等。药物记录可以包括例如，给药的日期和/或时间、给药药物的标识、给药药物的强度和/或浓度、给药药物的剂量、给药药物的剂型、用药医嘱的日期和/或时间、医嘱药物的强度和/或浓度、医嘱药物的剂量、医嘱药物的剂型等。

在转移控制器110处接收到的数据可以由转移控制器110实时评估和/或存储在与转移控制器110联接的数据库120中以供以后评估。在一些示例性实施方案中，转移控制器110可以包括机器学习引擎115，其配置为基于在转移控制器110处接收和/或存储在数据库120处的数据来检测与转移相关的一个或多个身体特征和/或行为模式。转移控制器110可以进一步将使用配药柜130并且表现出与转移相关的身体特征和/或行为模式的一个或多个个体识别为可能负责转移的可疑对象。

与转移相关的身体特征可以包括例如，与(诸如药物滥用、盗窃等)非法行为相关的面部特征、表情、身体姿势、手势、眼球运动等。同时，与转移相关的行为模式可以包括：在不一致的时间和/或以异常频率使用配药柜、废弃和/或退回药物的不规律、过度取消和/或改写等。也就是说，分派给患者的一名护理者与分派给同一患者的其他护理者相比，可能在不一致的时间和/或以异常频率使用配药柜。例如，即使当患者没有报告疼痛的变化时，护理者也可能会在其轮班期间分配和文件记载比其他护理者更高的总剂量的药物。或者和/或另外，即使护理者给患者提供的药物总剂量与分派给患者的其他护理者相同，患者也可能报告疼痛缓解不足。在护理者从配药柜130配药、将药物提供给患者并且将未使用的药物退回到配药柜130以进行处置之间也可能经过异常长的时段。

在一些示例性实施方案中，机器学习引擎115可以实现配置为执行异常检测的一个或多个机器学习模型。如本文所用的，“异常检测”可指异常值的识别，异常值可以是数据集中不符合与数据集相关的预期模式的一个或多个项目和/或数据集中的其他项目。因此，机器学习引擎115可以实现能够区分异常数据(其可以指示转移)和非异常数据的机器学习模型。应该理解，非异常数据可以包含一系列不同的行为模式。也就是说，个体可能表现出与另一个个体不同的行为模式，但仅仅是两个个体之间行为模式的差异，并不一定指示转移。相反，机器学习模型可以被训练以识别不仅不同而且不符合预期模式的异常行为。

例如，在一些示例性实施方案中，机器学习引擎115可以应用一个或多个机器学习模型，以便在转移控制器110处接收和/或存储在数据库120处的数据中识别与不一致的身体特征和/或行为模式相关的异常数据，应注意的，异常数据可以指示转移。一个或多个机器学习模型可以包括任何类型的机器学习模型，其包括例如，回归模型、基于实例的模型、正则化模型、决策树、贝叶斯模型、聚类模型、关联模型、神经网络、深度学习模型、降维模型、系综(ensemble)模型等。在一些示例性实施方案中，尽管一个或多个机器学习模型可以包括孤立森林(isolationforest)，应注意的，也可以使用不同的和/或另外的机器学习模型。

在一些示例性实施方案中，机器学习控制器115可以基于在转移控制器110处接收和/或存储在数据库120处的数据来形成孤立森林。应当理解，孤立森林可以通过利用在转移控制器110处接收和/或存储在数据库120处的数据的递归划分分区来填充孤立森林而形成。应注意的，在转移控制器110处接收和/或存储在数据库120处的数据可以跟踪贯穿一个或多个医疗设施的药物流，其包括例如从交付和导入到库存系统160a到从配药柜130分配，经由患者护理系统160b提供给患者，和/或最终通过在配药柜130处处置而废弃。

在一些示例性实施方案中，形成孤立森林可以包括将可以指示转移的异常数据与非异常数据分离。例如，可以朝向孤立森林的根节点隔离异常数据，然而可以朝向孤立森林的叶节点隔离非异常数据。这样，机器学习引擎115可以将在孤立森林的根节点处的数据识别为异常数据。这种异常数据可以对应于与转移相关的身体特征和/或行为模式。例如，异常数据可以包括在配药柜130处捕获的图像、视频和/或音频记录，这些图像、视频和/或音频记录描绘了表现出指示转移的身体特征(其包括例如，与药物滥用相关的面部特征、面部表情、身体姿势、手势、眼球运动等)的一个或多个个体。

或者和/或另外，异常数据可以对应于指示转移的行为模式，其包括例如，在不一致的时间和/或以异常频率使用配药柜130、废弃和/或退回药物的不规律、过度取消和/或改写等。例如，个体可能在与该个体的预定轮班不一致的时间使用配药柜130(例如，由来自管理系统160c的数据指示)。在个体从配药柜130取得药物到将药物提供给患者和/或当将未使用的药物退回到配药柜130之间也可能存在长时段的延迟。根据一些示例性实施方案，转移控制器110可以将与该异常数据相关的个体识别为转移的可疑对象。响应于识别出涉嫌转移的个体，转移控制器110可以触发警报，该警报可以包括通过客户端140处的用户界面145提供的通知。例如，可以通过短消息服务(sms)文本、电子邮件、网页、应用程序等来提供通知。

根据一些示例性实施方案，转移控制器110可以通过至少触发配药柜130处的调查工作流来响应识别涉嫌转移的个体。调查工作流可包括在配药柜130处隔离由被确定具有与转移相关的一个或多个身体特征和/或行为模式的个体退回到配药柜130的未使用药物。应当理解，调查工作流也可以是随机触发的，例如，将未被识别为涉嫌转移的个体退回的未使用药物隔离。随机触发至少包括一些未涉嫌转移的个体的调查工作流可能会妨碍向涉嫌转移的个体发出正在进行的调查的警报。此外，作为调查工作流的一部分，未使用的药物可以退回到配药柜130的隔离区域，而不是被丢弃，例如作为常规废弃程序的一部分。

为了隔离由个体退回的未使用的药物，转移控制器110可以向个体提供对配药柜130内的容器的独占使用，该容器与其他个体可以使用的配药柜130的其他区域分开。个体可以将未使用的药物放在该容器中，从而将该个体退回的未使用的药物与配药柜130中存储的其他药物分开。随后可从该容器中取得未使用的药物，并检查实际转移的证据，包括例如，未使用药物的数量(例如，体积)、未使用药物的质量(例如，浓度)的不规律等。例如，在转移控制器110确定出自向患者提供药物时和药物的未使用部分退回到配药柜时已经过了异常的时间长度的情况下，转移控制器110可以触发调查工作流并隔离退回到配药柜130的未使用的药物。随后可对退回到配药柜130的未使用的药物进行各种测试，例如，验证涉嫌转移的个体退回到配药柜的已用药物的数量(例如，体积)和质量(例如，浓度)。然而，应注意的，转移控制器110还可以随机隔离退回到配药柜130的一些未使用的药物，包括例如由未被识别为涉嫌转移的个体退回的未使用药物。

或者和/或另外，调查工作流可以包括触发对配药柜130处的附加数据进行收集。例如，当个体被识别为涉嫌转移时，配药柜130处的监视设备135a可以配置为在例如识别设备135b确定该个体正在使用配药柜时捕获该个体的附加图像、视频和/或音频记录。例如，监视设备135a可以移动一个或多个摄像机，改变一个或多个摄像机的焦点和/或缩放，和/或启用附加摄像机，以便以特定角度捕获个体的图像和/或视频，例如，在配药柜130内操作药物的个体的手的俯拍镜头。

为了进一步说明，图2描绘了根据一些示例性实施方案的配药柜130。参考图2，配药柜130可以包括多个抽屉，包括例如，第一抽屉220a、第二抽屉220b、第三抽屉220c、第四抽屉220d等。配药柜的监视设备135a可以包括多个摄像机，包括例如，第一摄像机210a、第二摄像机210b、第三摄像机210c、第四摄像机210d、第五摄像机210e等。同时，配药柜130还可以包括输入/输出设备230，其可以包括键盘、监视器、触摸屏等。应该理解，输入设备/输出设备230可以是识别设备135b的部分。例如，使用配药柜130的个体可经由输入/输出设备230输入唯一识别该个体的识别号和/或密码。此外，配药柜130可以包括与所示不同数量的摄像机和/或抽屉。

如图2所示，监视设备135a中的每个摄像机可以具有不同的视野。例如，第一摄像机210a可以是配置为捕获图像和/或视频的前向摄像机，所述图像和/或视频包括使用配药柜130的个体的面部。当个体与输入/输出设备230交互时，可以启用第一摄像机210a。同时，第二摄像机210b、第三摄像机210c、第四摄像机210d和第五摄像机210e可以是配置为捕获相应抽屉内部的图像和/或视频的朝下摄像机。例如，第二摄像机210b可以响应于第一抽屉220a被打开而被启用。第二摄像机210b可以进一步捕获从第一抽屉220a去除和/或退回到第一抽屉220a的药物的图像和/或视频。或者和/或另外，第三摄像机210c可响应于第二抽屉220b被打开而被启用。第三摄像机210c可以捕获从第二抽屉220b去除和/或退回到第二抽屉220b的药物的图像和/或视频。

在一些示例性实施方案中，每当个体使用配药柜130时，可以启用第一摄像机210a、第二摄像机210b、第三摄像机210c、第四摄像机210d和/或第五摄像机210e。或者和/或另外地，第一摄像机210a、第二摄像机210b、第三摄像机210c、第四摄像机210d和/或第五摄像机210e可以作为调查工作流的一部分被启用，当涉嫌转移的个体使用配药柜130时，该调查工作流被触发。例如，当涉嫌转移的个体使用配药柜130并将未使用的药物退回到第一抽屉220a时，可以启用第二摄像机220b以捕获将未使用的药物退回到第一抽屉220a的个体的图像和/或视频。这些图像和/或视频可以提供转移证据，包括例如，篡改未使用药物的企图。或者和/或另外，第一摄像机220a也可以被启用以捕获包括个体的面部的图像和/或视频。这些图像和/或视频可以用于证实将药物退回给配药柜130的个体的身份。

图3描绘了根据一些示例性实施方案的示出用于配药的过程300的流程图。参考图1至图3，过程300可由转移控制器110执行。

在302，转移控制器110可检测与药物转移相关的一个或多个身体特征和/或行为模式。在一些示例性实施方案中，转移控制器110可检测与转移相关的身体特征，包括例如与药物滥用相关的面部特征、面部表情、身体姿势、手势、眼球运动等。或者和/或另外，异常数据可以对应于指示转移的行为模式，包括例如，在不一致的时间和/或以异常频率使用配药柜(例如，配药柜130)、废弃和/或退回药物的不规律、过度取消和/或改写等。应注意的，转移控制器110可以包括机器学习引擎115，其可以实现一个或多个机器学习模型，一个或多个机器学习模型配置为执行异常检测，以识别与转移相关的身体特征和/或行为模式。例如，一个或多个机器学习模型可以是任何类型的机器学习模型，包括例如，孤立森林、回归模型、基于实例的模型、正则化模型、决策树、贝叶斯模型、聚类模型、关联模型、神经网络、深度学习模型、降维模型、系综模型等。

在304，转移控制器110可以将表现出与转移相关的一个或多个身体特征和/或行为模式的个体识别为负责该转移的可疑对象。例如，配药柜130可以包括识别设备135b，其可以捕获和/或接收数据(例如，指纹、虹膜图案、视网膜图案、手写签名、语音、识别号、密码)，使得能够识别使用配药柜130的个体。识别使用配药柜130的个体可以进一步使得在配药柜130处捕获的数据与特定的个体相关。这样，转移控制器110可以确定表现出与转移相关的身体特征和/或行为模式的个体的身份。在这样做时，转移控制器110可以触发对这些特定个体的调查工作流。

在306，转移控制器110可以响应于将个体识别为负责转移的可疑对象而触发配药柜130处的调查工作流。在一些示例性实施方案中，调查工作流可以包括在配药柜130处隔离由表现出与转移相关的身体特征和/或行为模式的个体退回到配药柜130的未使用药物。可以通过向个体提供对配药柜130内的容器的独占使用来隔离未使用的药物，该容器与其他个体可以使用的配药柜130的其他区域分开。或者和/或另外，调查工作流可以包括触发在配药柜130处的附加数据的收集。例如，当个体使用配药柜130以将未使用的药物退回到第一抽屉220a时，第二摄像机210b可以被启用以捕获从配药柜的第一抽屉220a去除的药物的图像和/或视频，而第一摄像机210a可以被启用以便捕获包含个体面部的图像和/或视频。

图4描绘了根据一些示例性实施方案的示出用于检测类鸦片止疼药物的转移的过程400的流程图。参考图4，过程400可以由转移控制器110执行，并且可以实现过程300的操作302。

在402，转移控制器110可以基于训练数据来训练机器学习模型，以在训练数据中识别指示转移的异常数据。在一些示例性实施方案中，所述一个或多个机器学习模型可以是任何类型的机器学习模型，其包括例如，孤立森林、回归模型、基于实例的模型、正则化模型、决策树、贝叶斯模型、聚类模型、关联模型、神经网络、深度学习模型、降维模型、系综模型等。

在一些示例性实施方案中，所述一个或多个机器学习模型可以是孤立森林，在这种情况下，机器学习模型的训练可以包括基于训练数据来构建孤立森林。在这里，孤立森林可以经受无监督训练，这可以基于未标记的训练数据。也就是说，可以基于未标记以区分异常数据(例如，指示转移)和非异常数据的训练数据来训练孤立森林。相反，训练机器学习模型可以包括通过如下来构建孤立森林：至少用训练数据的递归划分分区来填充孤立森林，直到训练数据中包括的异常数据朝向孤立森林的根节点隔离以及训练数据中包括的非异常数据朝向孤立森林的叶节点隔离。

或者和/或另外，机器学习模型可以经受监督训练，其可以利用标记的训练数据而不是用于无监督训练的未标记的训练数据。在监督训练期间，转移控制器110可以利用已知与异常行为相关并被这样标记的训练数据来训练机器学习模型。转移控制器110还可以利用已知与非异常行为相关和/或标记为非异常的训练数据来训练机器学习模型。在一些示例性实施方案中，机器学习模型的监督训练可以包括调整机器学习模型(其包括例如，由机器学习模型应用的权重和/或偏差)，以最小化机器学习模型的输出中的误差。例如，在监督训练期间，可以例如通过至少反向传播机器学习模型的输出中存在的任何误差并执行梯度下降来调整机器学习模型，直到机器学习模型为训练数据输出正确的分类。应当理解，训练数据的正确分类可以匹配与训练数据相关的标签。

在404，转移控制器110可以通过至少将训练的机器学习模型应用于来自配药柜130、库存系统160a、患者护理系统160b和/或管理系统160c的数据来识别指示转移的异常数据。应注意的，在一些示例性实施方案中，转移控制器110可以应用孤立森林以识别指示转移的异常数据。因此，为了识别异常数据，转移控制器110可以向在操作404中形成的孤立森林添加在转移控制器110处接收到的和/或存储在数据库120中的数据，其可以包括跟踪贯穿一个或多个医疗设施的药物流的数据。

在转移控制器110处接收和/或存储在数据库120处的数据中的异常数据可以朝向孤立森林的根节点隔离，而非异常数据可以朝向孤立森林的叶节点隔离。这样，转移控制器110可以将孤立森林的根节点处的数据识别为异常数据。这种异常数据可以对应于与转移相关的身体特征和/或行为模式。例如，异常数据可以包括在配药柜130处捕获的图像、视频和/或音频记录，这些图像、视频和/或音频记录描绘表现出指示转移的身体特征(其包括例如，与药物滥用相关的面部特征、面部表情、身体姿势、手势、眼球运动等)的一个或多个个体。或者和/或另外，异常数据可以对应于指示转移的行为模式，其包括例如，在不一致的时间和/或以异常频率使用配药柜130、废弃和/或退回药物的不规律、过度取消和/或改写等。

图5描绘了示出与当前主题的实现一致的计算系统500的框图。参考图1和图5，计算系统500可用于实现转移控制器110和/或其中的任何组件。

如图5所示，计算系统500可以包括处理器510、存储器520、存储设备530和输入/输出设备540。处理器510、存储器520、存储设备530和输入/输出设备540可以经由系统总线550互连。处理器510能够处理用于在计算系统500内执行的指令。这种执行的指令可以实现例如转移控制器110的一个或多个组件。在一些示例性实施方案中，处理器510可以是单线程处理器。可选地，处理器510可以是多线程处理器。处理器510能够处理存储在存储器520和/或存储设备530上的指令，以显示经由输入/输出设备540提供的用户界面的图形信息。

存储器520是在计算系统500内存储信息的计算机可读介质(例如，易失性或非易失性)。例如，存储器520可以存储表示配置对象数据库的数据结构。存储设备530能够为计算系统500提供持久存储。存储设备530可以是软盘设备、硬盘设备、光盘设备或磁带设备，或者其他合适的持久存储装置。输入/输出设备540为计算系统500提供输入/输出操作。在一些示例性实施方案中，输入/输出设备540包括键盘和/或指向设备。在各种实现中，输入/输出设备540包括用于显示图形用户界面的显示单元。

根据一些示例性实施方案，输入/输出设备540可以为网络设备提供输入/输出操作。例如，输入/输出设备540可以包括以太网端口或其他网络端口，以与一个或多个有线和/或无线网络(例如，局域网(lan)、广域网(wan)、因特网)通信。

在一些示例性实施方案中，计算系统500可用于执行各种交互式计算机软件应用程序，这些应用程序可用于以各种格式组织、分析和/或存储数据。或者，计算系统500可用于执行任何类型的软件应用程序。这些应用程序可用于执行各种功能，例如计划功能(例如，生成、管理、编辑电子表格文档、字处理文档和/或任何其他对象等)、计算功能、通信功能等。应用程序可以包括各种附加功能或可以是独立的计算产品和/或功能。一旦在应用程序内启用，这些功能可用于生成经由输入/输出设备540提供的用户界面。用户界面可以由计算系统500生成并呈现给用户(例如，在计算机屏幕监视器上等)。

本文所描述的主题的一个或多个方面或特征可以在数字电子电路、集成电路、专门设计的asic、现场可编程门阵列(fpga)计算机硬件、固件、软件和/或其组合中实现。这些不同的方面或特征可包括在可编程系统(其包括至少一个可编程处理器)上可执行和/或可解释的一个或多个计算机程序中的实现，所述可编程处理器可以是专用的或通用的目的，被联接以从存储系统、至少一个输入设备和至少一个输出设备接收数据和指令，并将数据和指令发送到存储系统、至少一个输入设备和至少一个输出设备。可编程系统或计算系统可以包括客户端和服务器。客户端和服务器通常彼此远程，并且通常通过通信网络进行交互。客户端和服务器之间的关系是由于在各自的计算机上运行以及彼此之间具有客户端-服务器关系的计算机程序而产生的。

这些计算机程序也可以称为指程序、软件、软件应用程序、应用程序、组件或代码，包括可编程处理器的机器指令，并且可以用高级过程语言和/或面向对象的编程语言和/或汇编/机器语言来实现。如本文所用，术语“机器可读介质”是指用于向可编程处理器(其包括接收作为机器可读信号的机器指令的机器可读介质)提供机器指令和/或数据的任何计算机程序产品、装置和/或设备，例如磁盘、光盘、存储器和可编程逻辑器件(pld)。术语“机器可读信号”是指用于向可编程处理器提供机器指令和/或数据的任何信号。机器可读介质可以非瞬时地存储这样的机器指令，例如非瞬态固态存储器或磁性硬盘驱动器或任何等效的存储介质。机器可读介质可替代地或另外地以瞬时方式存储这样的机器指令，例如，就像处理器缓存或与一个或多个物理处理器核心相关的其他随机存取存储器。

为了提供与用户的交互，本文描述的主题的一个或多个方面或特征可以在具有显示设备(例如，用于向用户显示信息的阴极射线管(crt)或液晶显示器(lcd)或发光二极管(led)监视器)以及键盘和指向设备(例如，鼠标或轨迹球，用户可以通过它们向计算机提供输入)的计算机上实现。其他类型的设备也可以用来提供与用户的交互。例如，提供给用户的反馈可以是任何形式的感官反馈，例如视觉反馈、听觉反馈或触觉反馈；并且可以任何形式接收来自用户的输入，包括声音、语音或触觉输入。其他可能的输入设备包括触摸屏或其他触摸敏感设备，例如单点或多点电阻或电容式轨迹板、语音识别硬件和软件、光学扫描仪、光学指针、数字图像捕获设备和相关的解释软件等。

在上述描述和权利要求中，诸如“至少一个”或“一个或多个”之类的短语可以出现在元素或特征的连接列表之后。术语“和/或”也可以出现在两个或多个元素或特征的列表中。除非另有与所使用的上下文隐含或明确相矛盾，否则该短语意指单独列出的任何元素或特征，或任何所记载的元素或特征与任何其他所记载的元素或特征的组合。例如，短语“a和b中的至少一个”，“a和b中的一个或多个”，以及“a和/或b”分别旨在表示“a单独、b单独或a和b一起”。类似的解释也适用于包括三个或三个以上项目的列表。例如，短语“a、b和c中的至少一个”，“a、b和c中的一个或多个”，和“a、b和/或c”分别旨在表示“a单独、b单独、c单独、a和b一起、a和c一起、b和c一起、或a和b和c一起”。上述及在权利要求书中使用术语“基于”旨在表示“至少部分基于”，使得未记载的特征或元素也是允许的。

本文所描述的主题可根据所需配置实施在系统、装置、方法和/或物品中。上述描述中所述的实现并不代表与本文所述主题一致的所有实现。相反，它们仅仅是与所述主题相关的方面一致的一些示例。尽管上面已经详细描述了一些变体，但也可以进行其他修改或添加。具体而言，除了本文所述的特征和/或变体之外，还可以提供进一步的特征和/或变体。例如，上面描述的实现可以定向到所公开的特征的各种组合和子组合和/或上述公开的若干进一步的特征的组合和子组合。此外，附图中描述的和/或本文中描述的逻辑流不一定需要所示出的特定次序或顺序来获得期望的结果。其他实现可以在所附权利要求的范围内。