参考处方生成方法、装置、电子设备及存储介质与流程
1.本技术涉及计算机技术领域，具体涉及一种参考处方生成方法、装置、电子设备及存储介质。
背景技术：
2.在已有医生根据患者情况和诊断结果的开药或者有通过其他手段预测得到药品时，往往需要医生凭借经验和记忆选药组成合适的处方，医生需要判断排除不符合要求的药品，考虑不同种药品的组合，工作量过大，人工成本较高，每个药品可能存在成千上万种组合方式，导致开处方的效率低，并且开处方的针对性和准确性也难以保证。
技术实现要素：
3.本技术的目的是提供一种参考处方生成方法、装置、电子设备及存储介质，以解决现有技术中医生工作量过大，人工成本较高，开处方的效率低，且开处方的针对性和准确性难以保证的技术问题。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
4.根据本技术实施例的一个方面，提供一种参考处方生成方法，包括：
5.从电子问诊单文本中获取疾病关键词和个人信息关键词；
6.对所述疾病关键词和所述个人信息关键词进行组合，得到关键词组；
7.根据所述关键词组进行药物疾病特征匹配，得到匹配结果；
8.根据所述匹配结果中的药物明细生成参考处方。
9.根据本技术实施例的另一个方面，提供一种参考处方生成装置，包括：
10.获取模块，用于从电子问诊单文本中获取疾病关键词和个人信息关键词；
11.组合模块，用于对所述疾病关键词和所述个人信息关键词进行组合，得到关键词组；
12.匹配模块，用于根据所述关键词组进行药物疾病特征匹配，得到匹配结果；
13.生成模块，用于根据所述匹配结果中的药物明细生成参考处方。
14.根据本技术实施例的另一个方面，提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现上述任一项所述的参考处方生成方法。
15.根据本技术实施例的另一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以实现上述任一项所述的参考处方生成方法。
16.本技术实施例的其中一个方面提供的技术方案可以包括以下有益效果：
17.本技术实施例提供的参考处方生成方法，从电子问诊单文本中获取疾病关键词和个人信息关键词；对所述疾病关键词和所述个人信息关键词进行组合，得到关键词组；根据所述关键词组进行药物疾病特征匹配，得到匹配结果；根据所述匹配结果中的药物明细生
成参考处方，生成的参考处方能够为医生提供参考，大大降低了医生工作量，降低了人工成本，提高了开处方的效率，并且开处方的针对性和准确性也大大提高，处方安全性也能够得到保证。
18.本技术的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者，部分特征和优点可以从说明书中推知或毫无疑义地确定，或者通过实施本技术实施例了解。
附图说明
19.为了更清楚地说明本技术实施例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，下面描述中的附图仅仅是本技术中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
20.图1示出了本技术实施例的参考处方生成方法的应用环境示意图。
21.图2示出了本技术的一个实施例的参考处方生成方法流程图。
22.图3示出了图2中步骤s20的流程图。
23.图4示出了图2中步骤s30的流程图。
24.图5示出了本技术的另一个实施例提供的一种参考处方生成装置结构框图。
25.图6示出了本技术的另一个实施例提供的电子设备结构框图。
26.图7示出了本技术的另一个实施例提供的计算机可读存储介质示意图。
27.本技术的目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
28.为了使本技术的目的、技术方案及优点更加清楚明白，下面结合附图和具体实施例对本技术做进一步说明。应当理解，此处所描述的具体实施例仅用以解释本技术，并不用于限定本技术。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
29.本领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本技术所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
30.相关技术中为医生开药提供的开药系统大都采用基于关键词匹配搜索的方法从药品库中医生需要用的药品并且大多局限于单个药品的推荐，医生开方的效率非常低；同时，医生开处方选择药品时需要考虑患者的个人信息及当前病症情况，不能为医生推荐适合患者具体情况的候选处方；在选择药品过程中，由于没有参考患者的个人信息，如年龄、孕育、过敏、禁忌等情况，选择或开出的药品不能避免与患者情况相冲突的药品，这部分任务完全需要医生把控，开药的安全性也难以保证
31.针对上述的一些问题，本技术实施例提供了一种参考处方生成方法，该方法可应用于如图1所示的应用环境中，其中，用户终端通过互联网与服务器端进行通信。服务器端
可以接收用户终端发送的电子问诊单文本，对电子问诊单文本进行处理，得到参考处方。其中，用户终端可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器端可以用独立的服务器或者是多个服务器组成的服务器集来实现。下面通过具体的实施例对本技术进行详细的描述。
32.如图2所示，该参考处方生成方法包括以下步骤：
33.s10、从电子问诊单文本中获取疾病关键词和个人信息关键词。
34.其中，电子问诊单文本例如可以为电子问诊单等文本档案。
35.电子问诊单文本是在医疗服务过程中医生通过计算机所记录的与病人个人信息以及疾病等信息相关的内容。电子问诊单文本是医生基于自然语言表述的诊断过程的记录，其中可能包含无用的冗余信息，因此需要对电子问诊单文本进行清洗，提取核心的疾病关键词。
36.例如，电子问诊单文本中可以包括以下内容：
37.(一)个人信息
38.姓名、性别、年龄籍贯、出生地、民族、婚姻、住址、工作单位、职业、人院日期、记录日期、病史陈述者及可靠程度等。若病史陈述者并非本人，则应注明其与病人的关系。
39.(二)主诉
40.病人感受最主要的疾苦或最明显的症状和体征，即就诊最主要的原因。主诉应言简意明，用一句话或两句话全面概括，并注明疾病发生到就诊的时间。
41.(三)现病史
42.病史中的主体部分，包括疾病的发生、发展及演变的全过程，是问诊中的重点内容。主要包括以下方面：
43.1.起病情况(缓急)与患病的时间。2.主要症状的特点，包括所在的部位、放射区域、性质、发作频度、持续时间、强度、加重或缓解的因素。3.发作原因与诱因。4.病情的发展与演变(按时间顺序记录，包括主要症状的发展和其他有关症状的情况)。5.伴随症状。6.诊断、经过(药物、剂量、疗效等)。7.患病以来的一般情况(精神状态、食欲、体重改变、睡眠及大小便等情况)。8.归纳、小结，再度核实。9.用过渡语言转入过去史的问诊。
44.(四)既往史
45.1.病人既往的健康状况。2.过去曾患过的疾病(包括各种传染病)，特别是与现病有密切关系的疾病史。如冠状动脉粥样硬化性心脏病病人，应询问过去是否有过高血压病、糖尿病等。记述时应注意不要和现病史混淆。3.外伤、手术、意外事故和预防接种史。4.过敏史(对药物、食物及环境因素)。5.对居住或生活地区的主要传染病和地方病，也应记录于既往史中。6.记录顺序一般按年、月的先后排列。
46.(五)个人史
47.与健康和疾病有关的个人经历。包括：
48.1.社会经历包括出生地、居住地区和居留时间(尤其是疫源地和地方病流行区)、受教育程度、经济生活和业余爱好等。2.职业及工作条件包括工种、劳动环境、对工业毒物的接触情况及时间。3.习惯与嗜好起居与卫生习惯、饮食的规律与质量，烟酒嗜好与摄入量等。
49.(六)家族史
50.指病人家族中有关成员的健康状况等，包括：
51.1.双亲的年龄及健康情况(儿科包括祖父母、外祖父母)。2.配偶的年龄和健康情况。3.兄弟、妹的年龄和健康情况。4.子女的年龄及健康情况。
52.5.家族中有无与病人同样的疾病，有无与遗传有关的疾病，如白化病、血友病、先天性球形细胞增多症、糖尿病、家族性甲状腺功能减退症、精神病等。对已死亡的直系亲属要问明死因与年龄。有些遗传性疾病的家族史中还应包括某些非直系亲属。
53.(七)诊断结果。
54.诊断结果具体包括疾病部位、疾病名称、疾病代号和疾病症状等信息。电子问诊单文本由医生与病人沟通过程中记录，记录完成后存储该电子问诊单文本。
55.具体地，从电子问诊单文本中获取疾病关键词和个人信息关键词，可以包括：根据预设疾病关键词库和预设个人信息关键词库，分别提取电子问诊单文本中的疾病关键词和个人信息关键词。例如，可以将电子问诊单文本中的文本进行分词处理，将得到的所有分词在预设疾病关键词库中进行查，将在预设疾病关键词库中查到的分词作为疾病关键词；将得到的所有分词在预设个人信息关键词库中进行查，将在预设个人信息关键词库中查到的分词作为个人信息关键词。分词处理可以采用现有的中文分词算法实现。
56.在具体应用中，可以根据电子问诊单文本中各词组的词性进行判断，例如代词、副词等可以初步判断为冗余数据；也可以基于对临床数据的大数据分析，根据各词组的语义进行判断，而提取出核心的疾病关键词。疾病关键词可以包括但不限于病症部位、症状表现和疾病名称等。
57.例如，若电子问诊单文本中包括“受凉引发感冒，出现发烧、头痛、鼻塞、咳嗽等症状”的表述，则可以将动词“导致”“引发”“出现”等冗余数据剔除，提取出“受凉”“感冒”“发烧”“头痛”、“鼻塞”和“咳嗽”等核心的疾病关键词。通过从电子问诊单文本中提取疾病关键词，可以有效清除冗余、无用数据，以便确保后续处方生成的处理效率及准确度。
58.从电子问诊单文本中提取病人的个人信息关键词。电子问诊单文本是基于当次病理诊断过程中对应病人的病情得到的。
59.个人档案信息为电子问诊单文本中对应病人的个人信息，具体可以包括但不限于性别、年龄、地域、体质特点、过敏源和既往病史等。
60.从电子问诊单文本中提取个人信息关键词，例如可以包括病患对象、过敏源和既往病史等个人信息关键词。其中，病患对象可以包括性别、年龄，例如“26岁”“女”，过敏源包括会导致病人引起变态反应的抗原物质，例如“青霉素”；既往病史包括病人的历史疾病诊治数据，具体可以包括历史疾病问诊数据、历史疾病诊断数据、历史疾病数据及历史用药效果等数据。
61.s20、对疾病关键词和个人信息关键词进行组合，得到关键词组。
62.在一些实施方式中，在得到疾病关键词和个人信息关键词后，按照预设组合条件结合疾病关键词和个人信息关键词进一步生成关键词组。关键词组为疾病关键词和个人信息关键词按照预设的组合条件进行组合得到。
63.例如，可以按照预设的优先级划分条件进行优先级划分，划分得到的优先级级别可以反映重要程度，再按照优先级级别进行组合，得到该关键词组。
64.例如，若病人的疾病关键词中包括“恶心”“干呕”，而其对应个人信息关键词包括“男性”，则可以确定个人信息关键词中表征性别的“男性”优先级高于疾病关键词中表征症状表现的“恶心”“干呕”，以此可以直接排除与妊娠反应相关的判断，即排除与妊娠相关处方的判断。在具体应用场景中，疾病关键词和个人信息关键词的组合条件可以由各科室进行对应设置。
65.在一些实施方式中，如图3所示，对疾病关键词和个人信息关键词进行组合，得到关键词组，可以包括：
66.步骤s201、从电子问诊单文本中确定出所有的文本句式，根据疾病关键词和个人信息关键词，确定出每一文本句式对应的原始关键词组合。
67.具体地，确定出上述电子问诊单文本中的所有文本句式，然后利用疾病关键词和个人信息关键词与每一文本句式中的词进行比对，确定出每一个文本句式中的原始关键词组合，该原始关键词组合由该文本句式中的疾病关键词和个人信息关键词组成。
68.步骤s202、根据预设的概率确定模型，获取各所述文本句式及对应的原始关键词组合成立的概率。
69.步骤s203、将获取的概率中的最大概率值所对应的原始关键词组合确定为对应于电子问诊单文本的关键词组。
70.在疾病关键词和个人信息关键词的基础上，确定出每一文本句式所对应的原始关键词组合，然后基于概率确定模型来确定出各文本句式及对应的原始关键词组合的概率，其不仅响应速度快，而且简化了提取文本关键词的难度，提高了文本关键词的准确性。
71.其中，预设的概率确定模型的构建方法包括：获取待训练文本，所述待训练文本包括各句型模板、以及各领域的语料文本；根据所述待训练文本进行训练，获得所述概率确定模型。
72.其中，上述句型模板表明了具体的句式规则。由于所设定的句式规则可能不会囊括所有的句式，例如一些口语化的句式，因此，在待训练文本中还可以包括有一些口语化的文本。各领域的语料文本可以通过爬虫爬取的方式获取。
73.其中，在上述根据待训练文本进行训练，获得概率确定模型时，由于待训练文本包括有各句型模板和各领域的语料文本这两种文本，因而在训练时也可以结合实际技术需要进行确定。
74.在一个具体示例中，在根据待训练文本进行训练时，可以不对待训练文本是句型模板还是各领域的语料文本进行区分，在每一次训练的过程中，随机选取一次即可，具体的方式可以包括：
75.从待训练文本中随机提取一个当前待训练文本，该当前待训练文本为句型模板或者语料文本，即此时提取到的当前待训练文本可能是句型模板，也可能是语料文本；
76.将提取的当前待训练文本输入当前待训练模型进行训练，获得训练后模型；
77.在待训练文本中的各句型模板或者各领域的语料文本未提取完毕时，用训练后模型更新当前待训练模型，并返回从上述待训练文本中随机提取一个当前待训练文本的步骤，直至上述待训练文本中的各句型模板、各领域的语料文本均提取完毕；
78.将获得的训练后模型确定为上述概率确定模型。
79.待训练模型可以是卷积神经网络，例如长短时记忆网络等；可以利用基于时间的反向传播算法对待训练模型进行训练。
80.具体的训练过程可以包括：
81.从各句型模板中提取一个句型模板；将提取的该句型模板输入当前待训练模型进行训练，获得训练后模型；用上述训练后模型更新当前待训练模型；从各领域的语料文本中提取一个语料文本；将提取的该语料文本输入上述更新后的当前待训练模型进行训练，获得训练后模型；判断上述待训练文本中的各句型模板和各领域的语料文本是否提取完毕；若未提取完毕，即上述待训练文本中的各句型模板或者各领域的语料文本未提取完毕，则用该训练后模型更新当前待训练模型后，返回从各句型模板中提取一个句型模板的步骤，直至上述待训练文本中的各句型模板、各领域的语料文本均提取完毕；若提取完毕，则将获得的训练后模型确定为上述概率确定模型。
82.s30、根据关键词组进行药物疾病特征匹配，得到匹配结果。
83.如图4所示，在一些实施方式中，根据关键词组进行药物疾病特征匹配，得到匹配结果，可以包括步骤s301至步骤s303：
84.步骤s301，利用预训练的词矢量生成模型获取目标药物数据对应的目标药物矢量以及关键词组中的疾病关键词对应的目标疾病矢量。
85.目标药物数据可以包括各种用于标识药物的信息，例如可以包括药物的名称，药物的简称、药物代码等等，具体可以根据实际需要进行选择。矢量也可以称为向量，指的是具有大小(magnitude)和方向的量。
86.上述疾病关键词可以包括各种用于标识疾病的信息。其可以包括但不限于以下至少一项：疾病的名称，疾病的简称，疾病的俗称，疾病的代号。
87.在本实施方式中，可以利用预训练的词矢量生成模型提取目标药物数据和疾病关键词分别对应的目标药物矢量和目标疾病矢量。
88.具体地，可以分别将目标药物数据和疾病关键词分别输入至预训练的词矢量生成模型，得到与上述输入的目标药物数据和疾病关键词分别对应的目标药物矢量和目标疾病矢量。
89.其中，上述词矢量生成模型可以基于训练样本训练得到。上述训练样本可以包括由药物数据以及与上述药物数据相关联的疾病数据组成的序列。其中，上述相关联可以包括存在关系，也可以包括在历史问诊单中同时出现过，还可以包括根据预设规则而生成的关系。例如，上述训练样本可以包括“疾病1，疾病2，药物x，药物y，疾病3”，“药物m，药物n，疾病7，药物y，疾病4，疾病3”。
90.在本实施方式中，用于训练上述词矢量生成模型的方法的执行主体可以首先获取初始词矢量生成模型；其中，上述初始词矢量生成模型可以包括各种用于矢量生成的深度神经网络。然后获取如前所述的训练样本。之后，采用机器学习方式，利用上述训练样本对上述初始词矢量生成模型的网络参数进行调整，并在达到训练结束条件时结束训练，从而将参数调整后所得到的模型确定作为上述词矢量生成模型。例如，上述初始词矢量生成模型可以是word2vec模型。从而，可以利用上述训练样本采用连续词袋模型cbow或连续跳字模型skip-gram方式训练得到上述词矢量生成模型。
91.在本实施例的一些可选的实现方式中，上述由药物数据以及与上述药物数据相关联的疾病数据组成的序列通过以下步骤得到：
92.步骤一，根据预设的药物疾病关联图结构中的边所指示的关联度，利用图搜索算
法生成药物疾病关联图结构对应的至少一条路径。
93.预设的药物疾病关联图结构中可以包括药物数据节点、疾病数据节点和表征节点之间关联度的边。其中，上述关联度可以用于指示所连接的节点实体之间的关联性。
94.可选地，上述节点之间关联度可以包括以下至少一项：药物数据节点对应的药物分类编码之间的相似度，疾病数据节点对应的疾病分类编码之间的相似度，疾病数据节点所指示的疾病与药物数据节点所指示的药物的适应证之间的匹配关系。
95.上述相似度通常可以与上述分类编码相适应。上述药物分类编码和疾病分类编码还可以包括通过各种词矢量生成模型所得到的矢量。作为示例，上述相似度可以包括编辑距离、余弦相似度、余弦距离等等。可选地，上述相似度可以是进行归一化后的值，例如0～1之间的值。
96.基于上述可选的实现方式，可以根据相似度和匹配关系确定节点之间的关联度，从而使上述药物疾病关联图结构能够表示更为丰富的关联信息。
97.从历史问诊单中提取出历史药物数据与历史疾病数据之间的匹配关系，从而可以通过大量的历史问诊单确定出大量的疾病数据节点所指示的疾病与药物数据节点所指示的药物的适应证之间是否具备匹配关系，进而为药物疾病图的生成提供数据基础。
98.在这些实现方式中，根据药物疾病关联图结构中的边所指示的关联度，各种利用图搜索算法生成药物疾病关联图结构对应的至少一条路径。其中，上述图搜索算法例如可以包括深度优先遍历dfs、广度优先遍历bfs等。可选地，上述路径也可以是上述遍历算法所得到的路径的子集。
99.步骤二，根据所生成的至少一条路径，生成由药物疾病关联图结构中包括的药物数据节点所指示的药物数据以及与药物数据节点相关联的疾病数据节点所指示的疾病数据组成的序列。
100.在这些实现方式中，根据所生成的至少一条路径，可以生成由药物疾病关联图结构中包括的药物数据节点所指示的药物数据以及与药物数据节点相关联的疾病数据节点所指示的疾病数据组成的序列。
101.步骤s302，确定目标药物矢量和目标疾病矢量之间的相似度。
102.在本实施方式中，可以通过各种方式确定上述步骤s302所提取的目标药物矢量和目标疾病矢量之间的相似度。其中，上述相似度可以包括但不限于以下至少一项：余弦相似度、余弦距离。
103.步骤s303，根据相似度生成用于指示目标药物数据和疾病关键词是否匹配的匹配结果。
104.在本实施方式中，根据步骤s302所确定的相似度，可以通过各种方式生成用于指示目标药物数据和疾病关键词是否匹配的匹配结果。
105.例如，响应于确定上述相似度所指示的相似性大于预设阈值，生成用于指示上述目标药物数据和疾病关键词匹配的匹配结果。作为又一示例，响应于确定上述相似度所指示的相似性不大于预设阈值，生成用于指示上述目标药物数据和疾病关键词不匹配的匹配结果。
106.通过预训练的词矢量生成模型提取目标药物数据和疾病关键词分别对应的目标药物矢量和目标疾病矢量，并通过矢量之间的相似度确定目标药物数据和对应的疾病关键
词之间是否匹配，实现了利用历史数据而非机械地照搬药物说明书对药物数据和疾病数据进行匹配，从而提升了匹配方法的泛化能力。并且，通过对历史数据的学习不断优化词矢量生成模型，也减少了人工维护成本，提高了药物数据和疾病数据的匹配效率。
107.在另一些实施方式中，根据关键词组进行药物疾病特征匹配，得到匹配结果，可以包括：将关键词组输入至对应的配药模型中进行特征匹配，得到与关键词组相对应的药物匹配结果。
108.配药模型包括药物特征与关键词之间的映射关系，该映射关系可以但不限于为从各种药物的名称、药物编号、适用对象、用法、功能、用量和禁忌等信息中提取的药物关键词组成，映射关系用于根据关键词唯一确定对应的药物。
109.通过配药模型可以实现关键词组与药物特征的特征匹配，其可以根据输入的关键词组进行药物匹配，输出匹配的药物。配药模型能够根据关键词组中的疾病关键词和/或个人信息关键词，匹配输出对应的药物。
110.具体地，配药模型可以为基于贝叶斯算法得到的朴素贝叶斯概率模型，其可以根据输入的关键词组统计各药物的概率，并输出概率最高的药物。
111.配药模型也可以基于人工神经网络算法得到的药物匹配神经网络，药物匹配神经网络可以为多层架构，如可以按照关键词组的优先级划分进行神经网络层结构划分，例如，若关键词组分为高、中和低三个优先级别，则药物匹配神经网络可以对应设置为三层隐藏层的结构，以与关键词组的优先级划分对应。
112.在具体实现时，各医院职能科室所对应的配药模型可能不同，此时，可以先查询与医院职能科室对应的配药模型后，再将关键词组输入进行特征匹配，得到相应输出结果。
113.s40、根据匹配结果中的药物明细生成参考处方。
114.其中，处方是医生为病人开具的药物明细，为医生对病人用药的书面文件，是药剂人员调配药物的依据，参考处方可以为作为医生开具处方时的参考，特别地，若参考处方中药物明细合适，则可以直接作为处方。
115.在一些实施方式中，可以通过配药模型根据输入的关键词组进行特征匹配后，输出的匹配结果中包括各种药物，根据该药物生成药物明细，得到参考处方。
116.本实施例中，一方面从电子问诊单文本中提取疾病关键词，另一方面从病人的个人档案信息中提取个人信息关键词，进一步将由疾病关键词和个人信息关键词按照预组合条件组合得到的关键词组输入至配药模型中进行特征匹配，最后根据匹配结果中的药物明细生成参考处方。参考处方可供医生开具处方时参考，使处方生成过程无需医生综合考虑多方面因素进行繁杂的操作，简化了医疗处方的生成过程，同时避免了因医生失误导致处方反复修改的问题，提高了处方的生成效率。
117.在其中一个实施例中，按照预设组合条件将疾病关键词和个人信息关键词进行组合，得到关键词组的步骤包括：按照预设的优先级划分条件，将疾病关键词和个人信息关键词进行优先级划分；将划分后的疾病关键词和个人信息关键词，按照优先级级别进行组合，得到关键词组。
118.关键词组由疾病关键词和个人信息关键词按照预设的组合条件进行组合得到，组合条件可以以医院职能科室为单位进行划分，即为各医院职能科室分别设置对应的组合条件。本实施例中，按照优先级划分对疾病关键词和个人信息关键词进行组合得到关键词组。
119.具体地，查询预设的优先级划分条件，并按照该优先级划分条件将疾病关键词和个人信息关键词进行优先级划分。从电子问诊单文本中提取疾病关键词和从病人的个人档案信息中提取的个人信息关键词涉及的类别众多，各类别的特征词对于处方生成的影响权重并不同，如对于年龄未满18岁的未成年病人而言，针对成人的药物并不适用，此时病人的年龄对于处方药物的影响大，优先级高；又如对于性别为男的病人而言，则针对妇科疾病的药物也不适用，此时病人的性别优先级高；再如，病人病症部位为胃时，则针对大脑或肾等器官的药物也不适用作为对应的处方药物。本实施例中，将疾病关键词和个人信息关键词进行优先级划分，可以区分出各类别特征词在处方生成时的所占权重，以提高药物匹配时的效率和准确度。
120.在将疾病关键词和个人信息关键词划分后，按照优先级级别进行组合，得到关键词组。在具体应用时，按照优先级从高到低进行原始关键词组合，得到按照优先级高低排序的关键词组。也可以为每个优先级级别设定优先级标识，再为每个特征词添加优先级标识，根据特征词和对应的优先级标识得到关键词组，在后续使用该关键词组时，按照优先级标识选择对应的特征词进行操作。通过按照优先级条件进行原始关键词组合，可以反映出各类别特征词的重要程度，能够有效地提高处方生成时药物匹配的效率和匹配准确度。
121.在其中一个实施例中，疾病关键词包括疾病部位、疾病名称和症状表现，个人信息关键词包括病患对象、过敏源和既往病史；将疾病关键词和个人信息关键词进行优先级划分的步骤包括：将病患对象和过敏源划分为高优先级的特征词；将疾病部位和疾病名称划分为中优先级的特征词；将症状表现和既往病史划分为低优先级的特征词。
122.其中，疾病部位反映了疾病直接涉及的器官、系统等部位，如胃、肠、肝、脾、肾、心脏等；疾病名称可以为目前医疗服务系统中所采用的国家标准疾病分类中的疾病名称，如肝炎；症状表现包括但不限于病人所表述的症状、感受及临床中常用表达，如胸闷、头疼、胃酸等。
123.病患对象可以包括病人的性别、年龄、生理时期等，过敏源包括会导致病人引起过敏反应的物质，既往病史可以包括但不限于病人的历史问诊数据、历史诊断数据、历史数据及用药效果等。
124.在将疾病关键词和个人信息关键词进行优先划分时，可以将病患对象和过敏源划分为高优先级的特征词，例如，性别为女性，年龄为35岁，过敏源包括青霉素的病人，则可以优先排除涉及青霉素及未成年人的药物，另外，某些男性专用药物，如涉及雄性激素等也可直接排除。
125.进一步地，将疾病部位和疾病名称划分为中优先级的特征词；将症状表现和既往病史划分为低优先级的特征词。在具体应用时，可以按照优先级级别进行药物特征匹配，如按照首先病患对象和过敏源、然后疾病部位和疾病名称、最后症状表现和既往病史的顺序进行药物特征匹配，以在确保药物用药效果即用药安全的前提下，提高药物匹配效率，从而提高了处方生成效率。
126.在其中一个实施例中，将关键词组输入至对应的配药模型中进行特征匹配的步骤包括：按照关键词组中疾病关键词和个人信息关键词的优先级级别，从高优先级到低优先级，将关键词组中的疾病关键词和个人信息关键词依次输入至对应的配药模型中进行特征匹配。
127.本实施例中，关键词组由疾病关键词和个人信息关键词进行优先级划分后组合得到，可以按照关键词组中各特征词的优先级级别，如按照从高优先级到低优先级的顺序，将关键词组中的疾病关键词和个人信息关键词依次输入至对应的配药模型中，进行特征匹配。例如，按照首先输入病患对象和过敏源，再输入疾病部位和疾病名称，最后输入症状表现和既往病史的顺序将关键词组中的疾病关键词和个人信息关键词输入至配药模型中进行特征匹配，得到匹配结果。
128.在其中一个实施例中，在将关键词组输入至对应的配药模型中进行特征匹配的步骤之前，还包括：将关键词组中的疾病关键词和个人信息关键词均设为相互独立的类别变量；根据贝叶斯定理和链式法则，构建类别变量的条件分布数学模型；确定条件分布数学模型中的常数，得到配药模型。
129.其中，配药模型可以为基于贝叶斯算法构建的朴素贝叶斯概率模型，该朴素贝叶斯概率模型即为配药模型，可以计算各疾病关键词和个人信息关键词出现时，处方中需要某一药物的概率，最后从中选择满足预设概率阈值的药物作为匹配结果输出。
130.在另一个实施例中，配药模型也可以为基于人工神经网络算法得到的药物匹配神经网络，药物匹配神经网络可以为多层架构，如可以按照关键词组的优先级划分进行神经网络层结构划分，例如，若关键词组分为高、中和低三个优先级别，则药物匹配神经网络可以对应设置为三层隐藏层的结构，以与关键词组的优先级划分对应。
131.本实施例中，药物匹配神经网络可以为卷积神经网络，在训练时，可以包括正向求值和反向传播两方面。其中，正向求值是由神经网络从输入计算得到预测输出的过程；反向传播是通过对参数w和b计算梯度的过程。通过对正向求值的结果，不断计算真实值与预测值之间的损失结果，然后再使用反向传播的算法不断循环迭代，使达到对所有训练样本的损失函数结果最小，以确保匹配结果准确可信。
132.此外，配药模型也可以为其他类型的匹配模型，如以伯努利分布为模型建模的logistic分类器、以多项式分布为模型建模的softmax分类器等。配药模型可以根据关键词组中疾病关键词和个人信息关键词的数目进行选择，在具体应用中，配药模型可以以医院职能科室为单位进行划分，为各医院职能科室分别设置不同的、适合该科室的配药模型，以确保药物特征匹配效率和匹配结果的可信度。
133.相关技术中的各类药品搜索推荐技术局限于某一个单药品类，无法做到根据现实情况针对性的给出一个完整的处方套餐，医生在使用现有技术辅助开药时需要考虑不同药品的冲突，患者禁忌等等情况，效率低下且完全依赖于医生的个人经验和知识，安全性难以得到保证。改进后可以为医生根据模型推药或者已开出的药品生成候选的参考处方，这种参考处方已经满足了所有基础要求，医生可以节省大量工作，选择参考处方后对参考处方进行微调即可得到合适的处方，大大降低了医生工作量，降低了人工成本，提高了开处方的效率，并且开处方的针对性和准确性也大大提高，处方安全性也能够得到保证。
134.如图5所示，本技术的另一个实施例提供了一种参考处方生成装置，包括：
135.获取模块，用于从电子问诊单文本中分别提取疾病关键词和个人信息关键词；
136.组合模块，用于对所述疾病关键词和所述个人信息关键词进行组合，得到关键词组；
137.匹配模块，用于根据所述关键词组进行药物疾病特征匹配，得到匹配结果；
138.生成模块，用于根据所述匹配结果中的药物明细生成参考处方。
139.在一些实施方式中，获取模块所执行的从电子问诊单文本中分别提取疾病关键词和个人信息关键词，包括：
140.分别在预设疾病关键词库和预设个人信息关键词库中进行搜索，匹配出电子问诊单文本中的疾病关键词和个人信息关键词。
141.在一些实施方式中，获取模块包括：
142.分词单元，用于将所述电子问诊单文本中的文本进行分词处理；
143.第一查单元，用于将得到的所有分词在预设疾病关键词库中进行查，将在预设疾病关键词库中查到的所述分词作为疾病关键词；
144.第二查单元，用于将得到的所述所有分词在预设个人信息关键词库中进行查，将在预设个人信息关键词库中查到的分词作为个人信息关键词。
145.在一些实施方式中，组合模块包括：
146.第一确定单元，用于根据所述电子问诊单文本、所述疾病关键词和所述个人信息关键词，确定出所有的文本句式及对应的原始关键词组合；
147.获取单元，用于根据预设的概率确定模型，获取各所述文本句式及对应的原始关键词组合成立的概率；
148.第二确定单元，用于将获取的概率中的最大概率值所对应的原始关键词组合确定为对应于所述电子问诊单文本的关键词组。
149.在另一些实施方式中，组合模块包括：
150.优先级划分单元，用于按照预设的优先级划分条件，将所述疾病关键词和所述个人信息关键词进行优先级划分；
151.组合单元，用于将划分后的疾病关键词和个人信息关键词，按照优先级级别进行组合，得到关键词组。
152.在一些实施方式中，匹配模块包括：
153.矢量获取单元，用于利用预训练的词矢量生成模型获取目标药物数据和疾病关键词分别对应的目标药物矢量和目标疾病矢量；
154.相似度确定单元，用于确定所述目标药物矢量和所述目标疾病矢量之间的相似度；
155.匹配结果生成单元，用于根据所述相似度生成用于所述目标药物数据和所述疾病关键词的匹配结果。
156.在一些实施方式中，根据所述关键词组进行药物疾病特征匹配，得到匹配结果，包括：将关键词组输入至对应的配药模型中进行特征匹配，所述配药模型包括各种药物特征的映射关系，所述映射关系包括药物关键词，所述映射关系用于唯一确定对应的药物。
157.本技术实施例提供的参考处方生成装置，能够从电子问诊单文本中分别提取疾病关键词和个人信息关键词，对所述疾病关键词和所述个人信息关键词进行组合，得到关键词组，根据所述关键词组进行药物疾病特征匹配，得到匹配结果，根据所述匹配结果中的药物明细生成参考处方，生成的参考处方能够为医生提供参考，大大降低了医生工作量，提高了开处方的效率，并且开处方的针对性和准确性也大大提高，处方安全性也能够得到保证。
158.本技术的另一个实施例提供了一种电子设备，包括存储器、处理器及存储在所述
存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现上述任一实施方式所述的参考处方生成方法。
159.如图6所示，电子设备10可以包括：处理器100，存储器101，总线102和通信接口103，处理器100、通信接口103和存储器101通过总线102连接；存储器101中存储有可在处理器100上运行的计算机程序，处理器100运行该计算机程序时执行本技术前述任一实施方式所提供的方法。
160.其中，存储器101可能包含高速随机存取存储器(ram：random access memory)，也可能还可以包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口103(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
161.总线102可以是isa总线、pci总线或eisa总线等。总线可以分为地址总线、数据总线、控制总线等。其中，存储器101用于存储程序，处理器100在接收到执行指令后，执行该程序，前述本技术实施例任一实施方式揭示的方法可以应用于处理器100中，或者由处理器100实现。
162.处理器100可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器100中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器100可以是通用处理器，可以包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本技术实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器101，处理器100读取存储器101中的信息，结合其硬件完成上述方法的步骤。
163.本技术实施例提供的电子设备与本技术实施例提供的方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
164.本技术的另一个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以实现上述任一实施方式所述的参考处方生成方法。
165.参考图7所示，其示出的计算机可读存储介质为光盘20，其上存储有计算机程序(即程序产品)，该计算机程序在被处理器运行时，会执行前述任意实施方式所提供的方法。
166.需要说明的是，计算机可读存储介质的例子还可以包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
167.本技术的上述实施例提供的计算机可读存储介质与本技术实施例提供的方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
168.需要说明的是：
169.术语“模块”并非意图受限于特定物理形式。取决于具体应用，模块可以实现为硬件、固件、软件和/或其组合。此外，不同的模块可以共享公共组件或甚至由相同组件实现。不同模块之间可以存在或不存在清楚的界限。
170.在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示例一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本技术也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本技术的内容，并且上面对特定语言所做的描述是为了披露本技术的最佳实施方式。
171.应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
172.以上所述实施例仅表达了本技术的实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。
技术特征：
1.一种参考处方生成方法，其特征在于，包括：从电子问诊单文本中获取疾病关键词和个人信息关键词；对所述疾病关键词和所述个人信息关键词进行组合，得到关键词组；根据所述关键词组进行药物疾病特征匹配，得到匹配结果；根据所述匹配结果中的药物明细生成参考处方。2.根据权利要求1所述的方法，其特征在于，所述从电子问诊单文本中获取疾病关键词和个人信息关键词，包括：根据预设疾病关键词库和预设个人信息关键词库，分别提取电子问诊单文本中的疾病关键词和个人信息关键词。3.根据权利要求2所述的方法，其特征在于，所述根据预设疾病关键词库和预设个人信息关键词库，分别提取电子问诊单文本中的疾病关键词和个人信息关键词，包括：将所述电子问诊单文本中的文本进行分词处理；将得到的所有分词在预设疾病关键词库中进行查，将在预设疾病关键词库中查到的所述分词作为疾病关键词；将得到的所述所有分词在预设个人信息关键词库中进行查，将在预设个人信息关键词库中查到的分词作为个人信息关键词。4.根据权利要求1所述的方法，其特征在于，所述对所述疾病关键词和所述个人信息关键词进行组合，得到关键词组，包括：从所述电子问诊单文本中确定出所有的文本句式；根据所述疾病关键词和所述个人信息关键词，确定出每一所述文本句式对应的原始关键词组合；根据预设的概率确定模型，获取各所述文本句式及对应的原始关键词组合成立的概率；将获取的概率中的最大概率值所对应的原始关键词组合确定为对应于所述电子问诊单文本的关键词组。5.根据权利要求1所述的方法，其特征在于，所述对所述疾病关键词和所述个人信息关键词进行组合，得到关键词组，包括：按照预设的优先级划分条件，将所述疾病关键词和所述个人信息关键词进行优先级划分；将划分后的疾病关键词和个人信息关键词，按照优先级级别进行组合，得到关键词组。6.根据权利要求1所述的方法，其特征在于，所述根据所述关键词组进行药物疾病特征匹配，得到匹配结果，包括：利用预训练的词矢量生成模型获取目标药物数据对应的目标药物矢量以及所述关键词组中的疾病关键词对应的目标疾病矢量；确定所述目标药物矢量和所述目标疾病矢量之间的相似度；根据所述相似度生成用于所述目标药物数据和所述疾病关键词的匹配结果。7.根据权利要求1所述的方法，其特征在于，所述根据所述关键词组进行药物疾病特征匹配，得到匹配结果，包括：将所述关键词组输入至对应的配药模型中进行特征匹配，得到与所述关键词组相对应
的药物匹配结果；其中，所述配药模型包括药物特征与关键词之间的映射关系，所述映射关系用于根据关键词唯一确定对应的药物。8.一种参考处方生成装置，其特征在于，包括：获取模块，用于从电子问诊单文本中获取疾病关键词和个人信息关键词；组合模块，用于对所述疾病关键词和所述个人信息关键词进行组合，得到关键词组；匹配模块，用于根据所述关键词组进行药物疾病特征匹配，得到匹配结果；生成模块，用于根据所述匹配结果中的药物明细生成参考处方。9.一种电子设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-7中任一所述的方法。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以实现如权利要求1-7中任一所述的方法。
技术总结
本申请公开了一种参考处方生成方法、装置、电子设备及存储介质。该方法包括：从电子问诊单文本中获取疾病关键词和个人信息关键词；对所述疾病关键词和所述个人信息关键词进行组合，得到关键词组；根据所述关键词组进行药物疾病特征匹配，得到匹配结果；根据所述匹配结果中的药物明细生成参考处方。本申请的参考处方生成方法，生成的参考处方能够为医生提供参考，大大降低了医生工作量，降低了人工成本，提高了开处方的效率，并且开处方的针对性和准确性也大大提高，处方安全性也能够得到保证。处方安全性也能够得到保证。处方安全性也能够得到保证。
