一种基于大数据的药物风险评估系统和方法与流程

本技术涉及数据分析，特别涉及一种基于大数据的药物风险评估系统和方法。

背景技术：

1、药物风险评估主要是针对正常剂量的药物在人体中引起的不良反应，药物不良反应不仅给临床和经济造成了负担，也是导致药品研发困难的主要原因之一，给医疗界的发展带来了很多问题。目前对药物风险的评估主要在三个方面：临床前筛选、临床试验以及上市后监管。临床前筛选需要耗费大量的时间和金钱对动物实验进行研究，但是动物对于药物毒性的反应与人类的临床药物反应并不等同；在临床试验方面，由于使用药物的人数有限，且时间和财力限制，也无法得到全面的药物风险评估结果；在上市后监管方面，由于患者使用药物周期漫长，且药物的使用具有风险性，因此风险评估有局限性，且一旦出现不可控制的药物风险，给患者带来的影响是不可估测的。

2、如申请公开号cn107341345a的中国专利提供了一种基于电子病历大数据的临床合理用药风险评估方法，该方法通过、从电子病历数据库中提取合理用药记录，根据患者的生理特征、疾病诊断结果及其对应的合理用药剂量，利用深度学习模型，建模药品用药剂量关于患者生理特征和疾病诊断结果的关系，评估各类药品在不同个体情况下的用药剂量风险概率，建立用药剂量风险评估模型，对新的电子病历，提取其对应的患者生理特征、疾病诊断结果，应用所述用药剂量风险评估模型预测合理用药剂量，并将预测的合理用药剂量与电子病历中开出的用药剂量进行比较，计算用药剂量风险系数，若用药剂量风险系数大于设定阈值，则进行用药剂量警示的方法为临床合理用药实践提供决策依据，但是通常只适用于医院内部的用药管理，无法提供个性化和综合性的患者健康管理，和长期的患者病情监测。

3、因此利用计算机技术对药物的风险进行评估将成为未来医疗界发展的必然趋势，结合数据驱动的方法进行药物不良反应评估是一种具有实用性的评估方法，会对社会产生能够极大的社会效益，同时在经济上也具有可行性。

4、传统的药物风险评估方法通常依赖于有限的临床数据和实验数据，医疗机构和制药公司的数据往往都是独立不共享的，这使得药物风险评估的数据缺乏准确性，针对不同的患者，由于患者的生理指标数据不同、历史病情不同，相同的药物在不同的患者身上所产生的风险也不同，因此无法捕捉到潜在的风险，药物风险评估缺少精确性和针对性。

技术实现思路

1、本技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本技术的一个目的在于提出一种基于大数据的药物风险评估系统和方法，提高了药物风险评估的精确性和针对性。

2、本技术的一个方面提供了一种基于大数据的药物风险评估方法，包括：

3、步骤s100：收集患者的历史病情数据、历史药物剂量、生理指标数据；

4、所述历史病情数据、历史药物剂量、生理指标数据的收集方式为：设置数据获取周期t，每隔数据获取周期t的时间从公共医疗数据库中获取一次患者的历史病情数据、历史药物剂量、生理指标数据，共获取了t次；

5、所述患者的历史病情数据是指公共医疗数据库中记录的历史时间内患者的病情状况表现数据，收集t次的历史病情数据为a1，a2，...，at；

6、所述历史药物剂量是指历史时间内在患者对应的历史病情数据下所使用的药物剂量数据，收集t次的历史药物剂量为b1，b2，...，bt；

7、所述患者的生理指标数据是指患者的身体各个器官的功能指标数据，收集t次的生理指标数据为c1，c2，...，ct；

8、步骤s200：利用患者的历史病情数据训练用于预测药物剂量y的剂量预测模型；

9、所述利用患者的历史病情数据训练用于预测药物剂量y的剂量预测模型的训练过程为：根据数据获取周期t收集t次得到所述历史病情数据为a1，a2，...，at，得到所述历史药物剂量为b1，b2，...，bt，所述历史病情数据及其对应的历史药物剂量作为一组训练样本，共有t个训练样本分别为(a1，b1)，(a2，b2)，...，(at，bt)，第i个训练样本为(ai，bi)，所述剂量预测模型的训练样本使用历史病情数据作为输入数据，对应历史病情数据所需的历史药物剂量作为输出数据，对剂量预测模型进行训练，bi表示第i个训练样本中实际的历史药物剂量，表示第i个训练样本预测的历史药物剂量，以准确预测历史药物剂量作为剂量预测模型的预测目标，以最小化实际的历史药物剂量和预测的历史药物剂量之间的损失函数作为训练剂量预测模型的训练目标，得到用于预测药物剂量y的剂量预测模型；

10、所述损失函数的计算公式为：

11、优选地，所述剂量预测模型选用回归模型；

12、步骤s300：利用患者的历史药物剂量和生理指标数据，训练用于预测未来生理指标数据q的生理指标预测模型；

13、所述用于预测未来生理指标数据q的生理指标预测模型的训练过程为：由患者的历史药物剂量得到历史药物剂量序列{b1，b2，...，bt}，由患者的生理指标数据得到生理指标序列{c1，c2，...，ct}，设置预测时间步长、滑动窗口长度和滑动步长，利用滑动窗口方法将历史药物剂量序列和生理指标序列分成t个历史药物剂量序列样本和t个生理指标序列样本，对生理指标预测模型进行训练；

14、将历史药物剂量序列样本和生理指标序列样本作为训练生理指标预测模型的训练样本进行输入，将预测时间步长内的生理指标数据作为训练生理指标预测模型的输出数据，cj表示第j个训练样本中实际的生理指标数据，表示第j个训练样本中预测的生理指标数据，以准确预测生理指标数据作为生理指标预测模型的预测目标，以最小化实际的生理指标数据和预测的生理指标数据的损失函数作为生理指标预测模型的训练目标；

15、所述生理指标预测模型的损失函数的公式为：

16、步骤s400：利用生理指标预测模型预测患者的未来生理指标数据q，利用剂量预测模型预测患者的药物剂量y；

17、所述利用生理指标预测模型预测患者的未来生理指标数据q是指收集患者的药物剂量数据和生理指标数据，利用已训练好的生理指标预测模型，预测患者的未来生理指标数据；

18、所述利用剂量预测模型预测患者的药物剂量y是指收集患者的病情数据，利用已训练好的剂量预测模型，预测患者的药物剂量；

19、所述未来生理指标数据是基于预测的药物剂量得到的，所述未来生理指标数据反映了预测得到的药物剂量对患者身体的影响程度；

20、步骤s500：比较患者的未来生理指标数据q是否大于生理指标阈值q0，若大于，将患者设定为异常患者；

21、所述生理指标阈值q0根据医疗专家的经验和患者自身实际情况进行设置，当患者的未来生理指标数据小于或等于生理指标阈值q0则表示患者的未来生理指标数据为正常，若为正常则不需要调整未来药物剂量；当患者的未来生理指标数据大于生理指标阈值q0时则表示患者的未来生理指标数据为异常，则患者为异常患者，需要调整未来药物剂量；

22、步骤s600：使用异常患者的未来生理指标数据计算异常患者的药物风险系数r，并向医生发出药物风险预警；

23、所述使用异常患者的未来生理指标数据计算异常患者的药物风险系数r的具体方法为：

24、步骤s610：获取关联规则集合；

25、所述获取关联规则集合的具体方法为：

26、步骤s611：获取异常患者使用的药物、药物剂量、未来生理指标数据的数据集；

27、所述数据集的获取方式为：

28、统计g个异常患者使用的所有种类药物的药物剂量，将药物剂量分为不同的剂量级别；将不同的药物和未来生理指标数据进行数据编码；

29、所述未来生理指标数据为异常患者的未来生理指标数据，将异常患者的未来生理指标数据用于关联规则挖掘，用于关联规则挖掘的未来生理指标数据大于生理指标阈值q0；

30、步骤s612：基于数据集，使用关联规则挖掘算法，生成频繁项集；

31、所述生成频繁项集的过程为：

32、设置支持度阈值w，所述支持度阈值根据实际情况和专家建议进行设置；

33、设置变量z，z的初始值为1，对数据集进行扫描，计算所有患者的未来生理指标数据、药物以及药物剂量出现的频次，生成候选项集z；

34、对候选项集z进行扫描，统计每个项出现的频次得到支持度，筛选支持度大于等于支持度阈值w的项得到频繁项集z，对频繁项集z进行连接与剪枝，将j的值更新为z+1，生成候选项集z+1，对候选项集z+1进行扫描，统计每个支持度大于支持度阈值w的候选项，得到频繁项集z+1；

35、对频繁项集重复连接与剪枝操作，生成候选项集，统计支持度大于支持度阈值的项得到频繁项集，直到生成的候选项集为空；

36、步骤s613：基于频繁项集生成关联规则集合；

37、所述关联规则集合中的关联规则为支持度大于等于支持度阈值w的关联规则，所述关联规则集合由频繁项集中的关联规则组成；

38、步骤s620：根据关联规则集合，得到与未来生理指标数据匹配的关联规则项的关联规则权重sx；

39、所述根据关联规则集合，得到与未来生理指标数据匹配的关联规则项的关联规则权重的方法为：从关联规则集合中得到未来生理指标数据和药物、药物剂量之间的关联规则项，根据关联规则集合得到所述关联规则项的支持度，所述支持度为与未来生理指标数据匹配的关联规则项的关联规则权重，所述关联规则项表示对未来生理指标数据有影响的药物以及药物剂量；

40、获得所述关联规则项及其关联规则权重的目的是得到药物及药物剂量对未来生理指标数据的影响程度，当某药物的某剂量级别与未来生理指标数据的支持度大于支持度阈值时，表示未来生理指标数据与该药物及该剂量级别相关联，关联规则项的影响程度即为支持度的大小；

41、所述关联规则权重sx指第x个关联规则项的关联规则权重；

42、步骤s630：根据关联规则权重，计算异常患者的药物风险系数p；

43、所述药物风险系数p的计算方法为：其中x指第x个关联规则项，sx指第x个关联规则项的关联规则权重，hx是指第x个关联规则项的条件满足度；

44、所述条件满足度表示患者的未来生理指标数据与关联规则项之间的匹配程度；

45、本技术的另一个方面提供了一种基于大数据的药物风险评估系统，包括：

46、数据收集模块，用于收集患者的历史病情数据、历史药物剂量、生理指标数据；

47、剂量预测模型训练模块，用于利用患者的历史病情数据训练用于预测药物剂量y的剂量预测模型；

48、生理指标预测模型训练模块，用于利用患者的历史药物剂量和生理指标数据，训练用于预测未来生理指标数据q的生理指标预测模型；

49、模型预测模块，用于利用生理指标预测模型预测患者的未来生理指标数据q，利用剂量预测模型预测患者的药物剂量y；

50、异常筛选模块，用于比较患者的未来生理指标数据q是否大于生理指标阈值q0，若大于，将患者设定为异常患者；

51、风险系数计算模块，用于使用异常患者的未来生理指标数据计算异常患者的药物风险系数r，并向医生发出药物风险预警。

52、本技术的一个方面提供了一种电子设备，该电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，以实现基于大数据的药物风险评估方法中的步骤。

53、本技术的一个方面提供了一种计算机可读存储介质，可读存储介质存储有计算机程序，计算机程序适于处理器进行加载，执行基于大数据的药物风险评估方法中的步骤。

54、本技术中提供的一个或多个技术方案，至少具有如下技术效果或优点：

55、本技术提供的一种基于大数据的药物风险评估系统和方法，通过收集患者的历史病情数据、历史药物剂量、生理指标数据，利用患者的历史病情数据训练用于预测药物剂量y的剂量预测模型，利用患者的历史药物剂量和生理指标数据，训练用于预测未来生理指标数据q的生理指标预测模型，利用生理指标预测模型预测患者的未来生理指标数据q，利用剂量预测模型预测患者的药物剂量y，比较患者的未来生理指标数据q是否大于生理指标阈值q0，若大于，将患者设定为异常患者，使用异常患者的未来生理指标数据计算异常患者的药物风险系数r，并向医生发出药物风险预警，利用机器学习模型预测得到患者需要使用的药物剂量和未来生理指标数据，结合机器学习模型和关联规则挖掘算法，使用数据驱动的方法，根据每一位患者的具体数据，准确地评估药物风险，提高了药物风险评估的精确性和针对性，医生根据药物风险系数和药物风险预警可以及时修改药物治疗策略，降低了药物治疗的风险。

56、为了更清楚地说明本发明实施方法或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。