本發(fā)明屬于臨床藥事管理領(lǐng)域，具體涉及一種基于電子病歷大數(shù)據(jù)的臨床合理用藥風險評估方法。

背景技術(shù)：

隨著我國醫(yī)療信息化的迅猛發(fā)展，醫(yī)院信息管理系統(tǒng)不斷完善，積累了關(guān)于患者的海量電子病歷數(shù)據(jù)。電子病歷大數(shù)據(jù)包含了患者在醫(yī)院診斷治療過程的詳細記錄，對監(jiān)測和評價醫(yī)療機構(gòu)的診斷和用藥水平具有重要意義。

合理用藥是指安全、有效、經(jīng)濟地使用藥物。臨床上，需要以藥物和疾病的系統(tǒng)知識為基礎(chǔ)，根據(jù)疾病種類、患者狀況和藥理學理論選擇最佳的藥物及其制劑，制定或調(diào)整給藥方案。

現(xiàn)有的合理用藥風險評估方法主要存在以下兩方面的問題。一方面，其使用的合理用藥規(guī)范數(shù)據(jù)庫的建立和更新大多依賴人工方式對用藥相關(guān)文獻進行編輯整理，需要消耗大量的人力物力，特別地，對于新上市的藥品，往往存在資料缺失、更新滯后等問題，導致難以建立準確有效的用藥審查規(guī)則；另一方面，基于規(guī)則的用藥審查模塊智能化程度不高，審查規(guī)則缺乏靈活性，不能綜合考慮患者的生理狀況、病情診斷和合并用藥情況進行個體化合理用藥評估，導致無效警示比例較高。以上兩個問題極大地限制了傳統(tǒng)合理用藥決策支持系統(tǒng)在臨床藥事管理中的作用。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)的不足，提供一種基于電子病歷大數(shù)據(jù)的臨床合理用藥風險評估方法。

為實現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案：

一種基于電子病歷大數(shù)據(jù)的臨床合理用藥風險評估方法，其特征在于，包括以下步驟：

s1、從電子病歷數(shù)據(jù)庫中提取合理用藥記錄，根據(jù)患者的生理特征、疾病診斷結(jié)果及其對應(yīng)的合理用藥劑量，利用深度學習模型，建模藥品用藥劑量關(guān)于患者生理特征和疾病診斷結(jié)果的關(guān)系，評估各類藥品在不同個體情況下的用藥劑量風險概率，建立用藥劑量風險評估模型；

s2、對新的電子病歷，提取其對應(yīng)的患者生理特征、疾病診斷結(jié)果，應(yīng)用所述用藥劑量風險評估模型預(yù)測合理用藥劑量，并將預(yù)測的合理用藥劑量與電子病歷中開出的用藥劑量進行比較，計算用藥劑量風險系數(shù)，若用藥劑量風險系數(shù)大于設(shè)定閾值，則進行用藥劑量警示。

進一步地，用藥劑量風險系數(shù)η1通過下式計算，

式中，為用藥劑量風險評估模型所預(yù)測的合理用藥劑量，y為電子病歷中開出的用藥劑量，所述閾值為15％。

進一步地，步驟s1還包括建立藥物相互作用風險評估模型，具體為：按藥品分類，從藥品說明書獲取對應(yīng)的藥品成分，從病歷數(shù)據(jù)庫中提取合理用藥記錄和藥物相互作用不良反應(yīng)事件作為模型訓練樣本，以藥品成分為節(jié)點，藥物相互作用事件為邊，建立概率圖模型：若藥品成分之間發(fā)生過藥物相互作用不良反應(yīng)事件，則其對應(yīng)節(jié)點之間的邊的權(quán)重加一；反之節(jié)點之間的邊的權(quán)重置為零；迭代更新藥品成分相互作用概率圖，建立藥物相互作用風險評估模型；

步驟s2還包括藥物相互作用的風險評估，具體為：首先從待評估的電子病歷中提取藥物聯(lián)用情況及其對應(yīng)的藥品成分，然后以所用藥品成分為圖的節(jié)點，構(gòu)造節(jié)點集合vs，在s12中所構(gòu)造的藥品成分相互作用概率圖g中運行子圖搜索算法，獲得包含節(jié)點集合vs的子圖gs；若子圖gs中存在權(quán)重不為零的邊，則輸出該邊所在節(jié)點對應(yīng)的藥品列表以及其權(quán)重w所代表的藥物相互作用風險系數(shù)η2，

其中為藥品成分相互作用概率圖g的非零邊的平均權(quán)重。

進一步地，步驟s1還包括藥物禁忌癥風險評估模型的建立，具體為：按疾病和藥品分類，從電子病歷數(shù)據(jù)庫中提取合理用藥記錄和錯誤的疾病用藥事件，以疾病-藥品為兩個維度，建立二維矩陣模型：若一種疾病與一種藥品之間發(fā)生過藥物禁忌癥事件，則其對應(yīng)矩陣元素的值加一；若對應(yīng)疾病-藥品組合未發(fā)生藥物禁忌癥事件，則以藥品成分相似性為依據(jù)，基于已有的相似藥品的藥物禁忌癥分布，推斷該藥品對應(yīng)的藥物禁忌癥風險概率；迭代更新藥物禁忌癥概率矩陣模型，建立藥物禁忌癥風險評估模型；

步驟s2還包括藥物禁忌癥的風險評估：首先從待評估的電子病歷中提取疾病診斷列表i′和所用藥品列表j′，對于該病歷中的每一項疾病i∈i′和每一項藥品j∈j′，利用步驟s13中所構(gòu)造的藥物禁忌癥概率矩陣模型m計算是否存在用藥禁忌風險：若對應(yīng)疾病-藥品組合的風險概率不為零，則輸出風險警示及其對應(yīng)的風險系數(shù)η3，

其中為藥物禁忌癥概率矩陣模型m的非零元素的平均值。

進一步地，使用協(xié)同過濾算法對未發(fā)生藥物禁忌癥事件的疾病-藥品組合進行藥品對應(yīng)的藥物禁忌癥風險概率推斷；

首先，根據(jù)藥品成分計算兩種藥品的相似性：記兩種藥品j1和j2所含的成分為集合c1和集合c2，然后計算集合c1和集合c2的杰卡德相似系數(shù)，

其次，基于藥品的相似性度量推斷未知的藥物禁忌癥風險概率：對于藥品j，選取與其相似系數(shù)最大且大于設(shè)定閾值的藥品j′，并以j′對應(yīng)的的藥物禁忌癥風險賦值給藥品j對應(yīng)的矩陣元素。

進一步地，所述合理用藥記錄和錯誤用藥事件通過電子病歷的用藥修改標志位生成，若病歷中未發(fā)現(xiàn)用藥修改標志位，則生成一條合理用藥記錄；若病歷中發(fā)現(xiàn)用藥修改標志位，則對每次修改生成一條錯誤用藥事件。

采用上述技術(shù)方案后，本發(fā)明與背景技術(shù)相比，具有如下優(yōu)點：本發(fā)明提出的臨床合理用藥風險評估方法，能夠自動從海量歷史病歷數(shù)據(jù)中學習和建模合理用藥模式，不需要人工維護用藥規(guī)則數(shù)據(jù)庫；能夠智能地根據(jù)患者實際情況預(yù)測用藥風險，實現(xiàn)個體化的合理用藥風險評估。本發(fā)明將為醫(yī)療機構(gòu)臨床合理用藥實踐提供準確有效的決策依據(jù)，降低醫(yī)源性用藥風險，為人民群眾的用藥安全提供有效保障。

附圖說明

圖1為本發(fā)明的具體實施原理框圖。

具體實施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對本發(fā)明進行進一步詳細說明。應(yīng)當理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

實施例

如圖1所示，電子病歷數(shù)據(jù)庫1可以通過醫(yī)療機構(gòu)的醫(yī)院信息系統(tǒng)(hospitalinformationsystem，his)等途徑獲得。在本實施例中，使用2015年某三甲醫(yī)院一年的門診電子病歷數(shù)據(jù)庫，將數(shù)據(jù)去噪、清洗后，得到約300萬份有效電子病歷。

基于電子病歷大數(shù)據(jù)的臨床合理用藥風險評估方法，包括以下步驟：

s1、從電子病歷數(shù)據(jù)庫中提取合理用藥記錄和錯誤用藥事件，以及對應(yīng)的患者生理特征、疾病診斷結(jié)果、藥物聯(lián)用情況等信息，建立關(guān)于用藥劑量、藥物相互作用、藥物禁忌癥等方面的風險評估模型。

s2、對新開出的病歷，提取對應(yīng)的患者生理特征、疾病診斷結(jié)果、藥物聯(lián)用情況等因素，應(yīng)用合理用藥風險評估模型，得出個體化用藥風險評估，為醫(yī)院藥事管理提供決策依據(jù)。

s1的步驟具體為：

s11、從電子病歷數(shù)據(jù)庫1中提取合理用藥記錄數(shù)據(jù)庫8和錯誤用藥事件數(shù)據(jù)庫9。電子病歷具有用藥修改標志位，在醫(yī)師同行點評、藥劑師發(fā)藥前審核、藥物不良反應(yīng)事件處理等環(huán)節(jié)中，會在該標志位標注用藥問題及其原因，并按流程進行病歷修改。若病歷中未發(fā)現(xiàn)用藥修改標志位，則生成一條合理用藥記錄；若病歷中發(fā)現(xiàn)用藥修改標志位，則對每次修改生成一條錯誤用藥事件。

s12、從電子病歷數(shù)據(jù)庫1中提取患者生理特征，具體包括患者體重、年齡、血型、既往病史、是否特殊人群(如兒童、孕婦)、是否有過敏史等關(guān)鍵字段，并做離散化處理，建立患者生理特征數(shù)據(jù)庫2；從電子病歷數(shù)據(jù)庫1中提取疾病診斷結(jié)果，根據(jù)國際疾病傷害及死因分類標準第十版(icd10)進行結(jié)構(gòu)化歸檔，建立疾病診斷結(jié)果數(shù)據(jù)庫3；從電子病歷中提取藥物聯(lián)用情況，按藥物種類進行結(jié)構(gòu)化歸檔，建立藥物聯(lián)用情況數(shù)據(jù)庫4。

s13、建立用藥劑量風險評估模型。具體地，給定一種藥品，從患者生理特征數(shù)據(jù)庫2中提取該藥品對應(yīng)的患者生理特征記錄，包含上述字段，表示為x1；從疾病診斷結(jié)果數(shù)據(jù)庫3中提取該藥品對應(yīng)的疾病診斷結(jié)果記錄，取第一、第二和第三診斷的icd10編號作為三個字段，若無對應(yīng)診斷則置零，表示為x2。從合理用藥記錄數(shù)據(jù)庫8中提取該藥品對應(yīng)的用藥劑量，表示為y。以x＝[x1，x2]作為輸入層，y作為輸出層，訓練一個具有8個隱層的深度神經(jīng)網(wǎng)絡(luò)模型f，使得：y～f(x)。本實施例中，從上述提取的數(shù)據(jù)集中隨機選取70％的記錄進行模型訓練，余下的30％用于模型交叉驗證。對藥物聯(lián)用數(shù)據(jù)庫4中的每一項藥品重復上述操作，建立對應(yīng)的用藥劑量風險評估模型。

s14、建立藥物相互作用風險評估模型。首先，遍歷藥物聯(lián)用情況數(shù)據(jù)庫4，根據(jù)藥品說明書獲得其對應(yīng)的藥品成分集合v。然后，以集合v為節(jié)點，構(gòu)建概率圖模型g＝(v，e)，其中e為節(jié)點之間的邊的集合。給定一張病歷，若其中有藥物聯(lián)用且未發(fā)生藥物相互作用事件，則在其對應(yīng)的藥品成分節(jié)點之間生成邊，且將邊的權(quán)重置為零；若其中有藥物聯(lián)用且發(fā)生藥物相互作用事件，則在其對應(yīng)的藥品成分之間生成邊，且將邊的權(quán)重加一。遍歷合理用藥記錄數(shù)據(jù)庫8和錯誤用藥事件數(shù)據(jù)庫9，迭代更新該藥品成分相互作用概率圖模型。

s15、建立藥物禁忌癥風險評估模型。首先，遍歷疾病診斷結(jié)果數(shù)據(jù)庫3，獲得疾病診斷結(jié)果類別的向量i；遍歷藥物聯(lián)用情況數(shù)據(jù)庫4，獲得藥品類別向量j。然后，以疾病-藥品為兩個維度，建立二維矩陣模型m^i×j。若一種疾病與一種藥品之間發(fā)生過藥物禁忌癥事件，則其對應(yīng)矩陣元素的值加一；若對應(yīng)疾病-藥品組合未發(fā)生過用藥禁忌事件，則可能該藥品存在資料缺失或未發(fā)生錯誤的疾病用藥事件，需要根據(jù)藥品成分做進一步風險評估。本實施例中，使用協(xié)同過濾算法對未知的疾病-藥品禁忌癥風險進行評估。具體而言，首先根據(jù)藥品成分計算兩種藥品的相似性。記兩種藥品j1和j2所含的成分為集合c1和集合c2。然后計算集合c1和集合c2的杰卡德相似系數(shù)(jaccardsimilaritycoefficient)：

在此基礎(chǔ)上，基于藥品的相似性度量推斷未知的藥物禁忌癥風險概率。具體而言，對于藥品j，選取與其相似系數(shù)最大且大于第一閾值的藥品j′，并以j′對應(yīng)的的藥物禁忌癥風險賦值給藥品j對應(yīng)的矩陣元素。優(yōu)選地，第一閾值為90％。

s2的步驟具體為：

s21、評估用藥劑量風險。從待評估的病歷中，提取病歷中所用藥品列表j′。對于其中每一項藥品j∈j′，調(diào)用該藥品對應(yīng)的深度學習模型預(yù)測其合理用藥劑量。具體而言，輸入該病歷中的患者生理特征x1和疾病診斷結(jié)果x2，預(yù)測得作為推薦的合理用藥劑量值。然后，將該推薦用藥劑量與電子病歷中開出的用藥劑量y進行比較，計算用藥劑量風險系數(shù)η1：

若風險系數(shù)η1大于第二閾值，則進行用藥劑量警示。在本實施例中，第二閾值為15％。

s22、評估藥物相互作用風險。首先從待評估的病歷中，提取聯(lián)用藥品及其對應(yīng)成分的列表c′。使用其中藥品成分c∈c′，構(gòu)造節(jié)點集合vs。然后在藥品成分相互作用概率圖模型g＝(v，e)中運行子圖搜索算法，獲得包含節(jié)點集合vs的子圖gs＝(vs，es)，使得：

es＝vs×vs∩e

接下來對子圖gs進行分析。若gs中存在權(quán)重不為零的邊，則輸出該邊所在的節(jié)點對應(yīng)的藥品成分作為藥物相互作用風險警示，以及其權(quán)重w所代表的藥物相互作用風險系數(shù)η2：

其中為概率圖模型g中的非零邊的平均權(quán)重。

s23、評估藥物禁忌癥風險。首先從待評估的電子病歷中，提取疾病診斷列表i′和聯(lián)用藥品列表j′。對于該病歷中的每一項疾病i∈i′和每一項藥品j∈j′，利用步驟(1)中所構(gòu)造的藥物禁忌癥概率矩陣模型m計算是否存在用藥禁忌，即判斷m(i，j)是否為零。若m(i，j)不為零，則認為對應(yīng)疾病-藥品組合存在用藥禁忌風險，輸出藥物禁忌癥風險警示，并計算對應(yīng)的風險系數(shù)η3：

其中為矩陣模型m中非零元素的平均值。

本實施例中，在所用電子病歷數(shù)據(jù)庫上進行合理用藥風險評估，并與人工審查結(jié)果進行對比，其精確率(precision)和召回率(recall)分別達到93.17％和96.25％。由此可見，本發(fā)明方法能夠?qū)侠碛盟庯L險進行準確有效的評估，在臨床藥事管理中具有很好的實用價值。

以上所述，僅為本發(fā)明較佳的具體實施方式，但本發(fā)明的保護范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到的變化或替換，都應(yīng)涵蓋在本發(fā)明的保護范圍之內(nèi)。因此，本發(fā)明的保護范圍應(yīng)該以權(quán)利要求的保護范圍為準。