2023104712998一种共病模式下的潜在不适当用药检测方法.pdf

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN116504351A
(43)申请公布日2023.07.28
(21)申请号202310471299.8G06F16/36(2019.01)
(22)申请日2023.04.27G06F18/243(2023.01)
G06N5/04(2023.01)
(71)申请人西南交通大学G06N20/20(2019.01)
地址610031四川省成都市二环路北一段

(72)发明人滕飞林工钞胡晓鹏顾瑾
徐珽金朝晖姚远武云刘曦
王億科
(74)专利代理机构成都正德明志知识产权代理
有限公司51360
专利代理师张小娟
(51)Int.Cl.
G16H20/10(2018.01)
G16H10/60(2018.01)
G16H50/70(2018.01)
G16H70/40(2018.01)
权利要求书2页说明书5页附图1页
(54)发明名称
一种共病模式下的潜在不适当用药检测方
法
(57)摘要
本发明公开了一种共病模式下的潜在不适
当用药检测方法，包括以下步骤：对原始病历数
据进行处理，获得训练后的机器学习模型；根据
药物标准中潜在不适当用药的相关因素构建知
识图谱，建立基于原始特征的知识图谱路径推理
模型；将机器学习模型的预测结果和知识图谱路
径推理模型的推理结果进行结合，获得潜在不适
当用药检测结果。本发明弥补了机器学习对于低
频潜在不适当用药预测能力弱的问题，增加了预
测结果的准确性和可靠性，同时减少了对样本数
据的依赖，因此具有较高的临床应用价值。
CN116504351A
CN116504351A权利要求书1/2页

1.一种共病模式下的潜在不适当用药检测方法，其特征在于，所述方法包括以下步骤：
S1：对原始病历数据进行处理，获得训练后的机器学习模型；
S2：根据药物标准中潜在不适当用药的相关因素构建知识图谱，建立基于原始特征的
知识图谱路径推理模型；
S3：将机器学习模型的预测结果和知识图谱路径推理模型的推理结果进行结合，获得
潜在不适当用药检测结果。
2.根据权利要求1所述的共病模式下的潜在不适当用药检测方法，其特征在于，所述S1
中包括以下分步骤：
S1‑1：将原始病历数据预处理后形成原始特征；
S1‑2：对原始特征进行向量化编码，获得特征向量；
S1‑3：将特征向量输入机器学习模型进行训练，获得训练后的机器学习模型。
3.根据权利要求2所述的共病模式下的潜在不适当用药检测方法，其特征在于，所述
S1‑2中对原始特征进行向量化编码包括以下分步骤：
S1‑2‑1：利用正则表达式抽取诊断字段中的疾病名称；
S1‑2‑2：对诊断字段中的疾病名称和药品通用名多值类别特征进行one‑hot编码。
4.根据权利要求3所述的共病模式下的潜在不适当用药检测方法，其特征在于，所述
S1‑3中将特征向量输入机器学习模型进行训练中针对多标签情况，建立分类器链模型用于
学习多个潜在不适当用药标签之间的关联性。
5.根据权利要求4所述的共病模式下的潜在不适当用药检测方法，其特征在于，所述分
类器链模型采用CatBoost模型作为基学习器。
6.根据权利要求5所述的共病模式下的潜在不适当用药检测方法，其特征在于，所述S2
中构建知识图谱包括采用自顶向下的方式进行构建，包括模式层构建和实例层构建，所述
模式层构建为对药物和疾病关系进行抽象和归纳，并将风险因素和潜在不适当用药进行关
联，获得知识图谱本体结构。
7.根据权利要求6所述的共病模式下的潜在不适当用药检测方法，其特征在于，所述实
例层构建为根据知识图谱本体结构抽取药物标准中的实体和关系，整理成结构化的三元组
数据，并存储到Neo4j图数据库中，所述潜在不适当用药使用知识图谱中的实体节点PIM节
点表示，同时增加知识图谱中的另一个实体节点fact节点作为中间节点，用于关联每种潜
在不适当用药情况下的PIM节点和风险因素节点。
8.根据权利要求7所述的共病模式下的潜在不适当用药检测方法，其特征在于，所述S2
中建立基于原始特征的知识图谱路径推理模型包括以下分步骤：
S2‑1：将原始特征转换为特征词列表；
S2‑2：在知识图谱中匹配特征词列表，得到起始节点集合start；
S2‑3：找到所有能从start到达的fact节点，并加入候选集合candidate；
S2‑4：根据start中节点到达fact节点的路径上最后一条边的关系，对candicade集合
中的节点进行筛选：如果关系为排除，剔除相应的fact节点，否则记录fact节点的前驱节点
集合pre；
S2‑5：依次判断candidate中剩余fact节点的所有关系为构成的前驱节点，是否均包含
于pre集合中，若满足条件，则潜在不适当用药情况的所有构成因素均存在；

2