(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211140574.X (22)申请日 2022.09.20 (71)申请人 大连理工大 学 地址 116024 辽宁省大连市甘井 子区凌工 路2号 申请人 大连凌空数据科技有限公司 　 大连市中心医院 (72)发明人 杨光飞　周子尧　丁爱丽　关晓微　 王守权　 (74)专利代理 机构 辽宁鸿文知识产权代理有限 公司 21102 专利代理师 许明章　王海波 (51)Int.Cl. G16H 20/10(2018.01) G06F 16/35(2019.01)G06N 20/00(2019.01) G16H 10/60(2018.01) G16H 50/70(2018.01) G16H 70/40(2018.01) (54)发明名称 一种精细化 抗菌药物处方点评方法 (57)摘要 本发明属于医药判定方法技术领域， 涉及一 种精细化抗菌药物处方点评方法。 本发明根据输 入的抗菌药物处方相关信息， 智 能识别、 处理并 学习抗菌 药物处方点评规律， 从而实现医疗处方 的智能点评。 本发明支持多种抗菌药物， 具有更 好的鲁棒性。 无需预先设定相关规则， 输入数据 后， 本发明能够自动识别并处理信息， 并学习抗 菌药物处方点评的潜在规律。 能够输出多标签的 点评结果， 有助于医院对于抗菌药物临床应用的 精细化管理。 本发明输出结果具备规范性， 帮助 医院规范化管理决策。 权利要求书3页 说明书7页 附图1页 CN 115458119 A 2022.12.09 CN 115458119 A 1.一种精细化 抗菌药物处方点评方法， 其特 征在于， 步骤如下： 第一步： 建立医院抗菌药物处方点评数据库 基于医院信息管理系统(HIS)、 医 院相关规章制度以及医生补充知识， 收集医院产生的 抗菌药物处方以及处方涉及的相关患者信息、 手术信息以及药物信息； 根据患者住院号码 和入院时间， 关联患者信息； 根据患者住院号码、 手术时间和处方开具时间关联手术信息； 根据抗菌药物名称关联药物信息； 根据所有关联信息， 计算每一条抗菌药物处方的花费金 额以及用药量； 将所有信息整合建立医院抗菌药物处方点评数据库； 第二步： 数据预处 理 根据医院抗菌药物 处方点评数据库中的数据， 区分结构化数据与非结构化数据； 之后， 对结构化数据、 非结构化数据分别进行 预处理， 步骤如下： 首先， 删除结构化数据中包含缺失值的行； 之后， 对于结构化数据中的数值型数据， 包 括患者年龄、 患者身高、 患者体重、 患者体重指数(BMI)、 入院日期、 出院日期、 开嘱时间、 停 嘱时间、 用药一次剂量、 用药总量、 手术时间、 手术持续时间信息， 不做特别处理； 对于结构 化数据中的分类数据， 包括患者性别、 患者是否患有糖尿病、 患者所属科室、 使用药物名称、 用药频次、 手术级别、 手术与和等级、 药物等级信息， 引入虚拟变量进行建模； 然后， 对于非结构化数据， 包括手术及操作名称、 诊断信息的文本数据， 使用TF ‑IDF进 行建模； 第三步： 多标签处 理 对于人工点评数据， 由于点评结果并不局限于单一方面， 因而需要将点评结果转化为 多标签的分类 格式； 本方法涉及的点评方面包 含药物处方 是否合理， 将合理 处方的点评结果索引设置为0； 若不合理， 不合理的具体方面包含： ①药物选择不合理； ②无头孢过敏史仍皮试； ③无 理由更换药物品种； ④用药时机不合理； ⑤单次剂量不合理； ⑥用药频次不合理； ⑦用药疗 程不合理；⑧无指征用药； 其索引分别为1至8； 因而， 当处方同时包含未说明换药原因、 未说明疗程两方面问题时， 其点评的多标签的 分类格式为[0,0,0,1,0,0,0,1,0]； 采用集成Label  Powerset方法， 对于每一种标签组合都建立一个单独 的分类器， 并通 过创建映射关系来支持多标签与单 标签的相互转换； 第四步： 学习点评知识 4.1根据前述得到的结构化数据、 非结构化数据以及人工标注单标签信息， 集成机器学 习方法AdaBo ost建立模型， 学习参数； 4.2使用获得的模型点评待点评处方， 根据反向映射关系输出点评结果。 2.如权利要求1所述的一种精细化抗菌药物处方点评方法， 其特征在于， 第二步中， 所 述的使用TF ‑IDF进行建模， 具体如下： 1)需要计算词条在文本中出现的频率， 即计算词频(TF)， TF的公式如下： 其中ni,j表示了某一词语ti在文档dj之中出现的次数， ∑knk,j表示文档dj中的词语总数；权　利　要　求　书 1/3 页 2 CN 115458119 A 2TFi,j表示了词语ti在文档dj之中出现的频率； 2)需要计算逆文件频率(IDF)的值； IDF表示的是某一词语的普遍程度， 其公式如下： 其中|D|表示文档的总数， |j:ti∈dj|表示了包含某词语ti的文档的总数， 加1则是为了 防止包含某词语ti的文档的总数为0； 3)TF‑IDF的公式如下： TF‑IDF＝TF·IDF#(3) 通过TF‑IDF建模， 将手术及操作名称、 诊断信息的文本数据转 为向量。 3.如权利要求1或2所述的一种精细化抗菌药物 处方点评方法， 其特征在于， 第 三步中， 所述的采用集成Label  Powerset方法， 对于每一种标签组合都建立一个单独的分类器， 并 通过创建映射关系来支持多标签与单 标签的相互转换， 具体处 理方式如下： 设y0,…,y8分别为上述九个类别， X为预测 标签的输入向量， x1,x2,x3,x4分别为四条处 方数据的点评标签； x1标签代表用药合理； x2和x4标签代表未说明换药原因且未说明疗程； x3标签代表药物 选择不合理且用药时机不 合理； 之后， 将该 预测问题转 化为3个不同的分类问题， 即： Y’表示转化后的单 标签； 由于x2和x4的标签一致， 它们被转化为了相同的自然数， 存储映射关系， 并生成反向映 射关系， 以确保点评结果的可获得性。 4.如权利要求1或2所述的一种精细化抗菌药物 处方点评方法， 其特征在于， 第四步中， 具体操作如下： 利用处理后的数据， 集成机器学习方法AdaBoost建立模型， 学习参数； 模型将通过多次 迭代， 将多个弱分类器集成构建一个强分类器； 对于每一次迭代， 增加上一次迭代分类情况 较差的数据点的权值， 并降低分类情况较好的数据点的权重， 从而达到改进目的； 利用模型 学得点评知识后， 存储最佳模型， 并使用该模型对 添加的待点评处方数据进行机器点评； 之 后， 通过步骤三获得的反向映射关系获取点评结果并输出。 5.如权利要求3所述的一种精细化抗菌药物处方点评方法， 其特征在于， 第 四步中， 具 体操作如下： 利用处理后的数据， 集成机器学习方法AdaBoost建立模型， 学习参数； 模型将通过多次 迭代， 将多个弱分类器集成构建一个强分类器； 对于每一次迭代， 增加上一次迭代分类情况 较差的数据点的权值， 并降低分类情况较好的数据点的权重， 从而达到改进目的； 利用模型 学得点评知识后， 存储最佳模型， 并使用该模型对 添加的待点评处方数据进行机器点评； 之 后， 通过步骤三获得的反向映射关系获取点评结果并输出。权　利　要　求　书 2/3 页 3 CN 115458119 A 3