一种基于深度学习神经网络的新冠用药建议方法

技术领域

本发明涉及人工智能和生物医学领域，尤其涉及一种基于深度学习神经网络的新冠用药建议方法。

背景技术

新型冠状病毒感染又称严重急性呼吸系统综合征冠状病毒，(英语：Severe acuterespiratory syndrome coronavirus 2，缩写：SARS-CoV-2)是一种具有包膜的正链单股RNA病毒，属于冠状病毒科乙型冠状病毒属严重急性呼吸道综合征相关冠状病毒种。它的基因序列和SARS病毒及MERS病毒属于同一谱系但不同进化枝，是已知的第七种可感染人类的冠状病毒。SARS-CoV-2病毒可通过人类上呼吸道入侵人体，以多种细胞表面表达的ACE2为受体达到感染，主要感染器官包括肺部、心脏、肾脏等多个主要器官。它造成了于2019年底至今的全球大暴发。

由于对病毒无特效的针对性治疗方式，在临床实践中以维持患者生命指标为目标进行支持性治疗。由中国官方更新的诊疗方案中，除给氧等常规治疗方式外，还可以利用雾化α-干扰素、洛匹那韦、利巴韦林等药物抑制病症加重。对病情危重，有严重呼吸窘迫症状的病人，ECMO等体外生命维持治疗可临床适用。同时因为患者可能存在的各种并发症问题，药物的使用类型和计量也有很大的差异。基于我们前期的调研，在所记录的患者药品信息中，总共包括909种不同的药品，药品种类繁多；至少有50种药品用药次数超过200次，药品用药次数频繁；至少有50种药品的用药患者数超过80人，用药患者数量大。

因此，在目前新冠情况的种类多且各国研究机构都尚处于全力以赴的研究中而缺少规范的用药指南的情况下，设计一套新冠用药建议方法，有效应对数据库中没有历史记录的场景以及有效应对病情多样的情况，是本领域迫切希望解决的技术问题。

发明内容

本发明所要解决的技术问题在于提供一种基于深度学习神经网络的新冠用药建议方法，可以有效应对数据库中没有历史记录的场景，以及有效应对病情多样的情况。

为解决上述技术问题，本发明采用如下所述的技术方案：

一种基于深度学习神经网络的新冠用药建议方法，包括如下步骤：

S10、采集既往患者的检测检验数据、病史信息数据和对应的资深医生的开药处方建立训练集；

S20、将训练集的样本的检测检验数据、病史信息数据和对应的资深医生的开药处方输入到深度学习神经网络进行训练，获得深度学习网络模型；

S30、将待治疗患者的检测检验数据、病史信息数据输入到所述深度学习网络模型中进行计算，获得用药建议。

本发明的有益技术效果在于：上述的基于深度学习神经网络的新冠用药建议方法，通过深度学习神经网络来学习新冠病患者的检测检验数据、病史信息数据和用药品种之间的数学关系，再根据待治疗患者的检测检验数据、病史信息数据来进行用药建议，可以大幅度提高用药准确率和用药规范，在新冠疫情依然严峻的当下，可以有效应对数据库中没有历史记录的场景，有效应对病情多样的情况。

附图说明

图1为本发明基于深度学习神经网络的新冠用药建议方法的方法流程图。

具体实施方式

为使本领域的普通技术人员更加清楚地理解本发明的目的、技术方案和优点，以下结合附图和实施例对本发明做进一步的阐述。

如图1所示，在本发明一个实施例中，于深度学习神经网络的新冠用药建议方法包括如下步骤：

S10、采集既往患者的检测检验数据、病史信息数据和对应的资深医生的开药处方建立训练集。

所述检测检验数据包括年龄、性别、身高、体重、BMI等常规身体指标，以及RBC、HGB、WBC、PLT、APTT等71个生化指标。所述病史信息数据包括肝病、肾病、心血管疾病、传染病史、呼吸道疾病、消化道疾病、肿瘤等多种病史。所述开药处方包括用药品种、用量和用法。

本发明对326位既往新冠患者的临床数据进行采集，数据采集模块采集到的既往患者的检测检验数据、病史信息数据和对应的资深医生的开药处方，数据采集后需要对采集到的数据进行预处理，具体包括步骤S11-S13：

S11、将采集到的既往患者的检测检验数据进行归一化处理而转化成机器学习可以理解的量化数值。

归一化处理的方式有两种：

当归一对象数据点较多(大于十个)的时候，归一对象为：

当归一对象数据点少于10个的时候，那么归一对象为：y＝x/x

此外，患者的病情分为轻型，普通型，中型，重型，危重型5档，那么对应的量化值为0，0.25，0.5，0.75，1。

S12、将采集到的既往患者的病史信息数据进行二元化处理而转化成机器学习可以理解的二元数值。

对于包括肝病、肾病、心血管疾病、传染病史、呼吸道疾病、消化道疾病、肿瘤等多种病史的病史信息数据，可以用二元数值1/0来进行表征有无相关病史。比如，有肝病，则该项数据赋值1；无心血管疾病历史，则该项数据赋值0。

S13、采用one-hot-coding编码规则对所述开药处方的用药品种进行量化编码。

资深医生的开药处方包括用药品种、用量和用法，本发明对326位既往新冠患者的临床数据进行采集，对应地资深医生的开药处方总共有326张，其中涉及种类繁多的药品，采用one-hot-coding编码规则对开药处方的用药品种进行量化编码，编码后的量化数值可以用于用药品种的选择。

S20、将训练集的样本的检测检验数据、病史信息数据和对应的资深医生的开药处方输入到深度学习神经网络进行训练，获得深度学习网络模型。

步骤S20具体包括模型的建立和模型的训练两个步骤。

模型的建立：采用多层tanh+softmax的层级结构构建深度学习神经网络，总计有4层神经网络。该创新结构可以有效提前输入数据的高维度特征，从而有效映射预测用药的数学关系。

结构代码如下：

from keras.models import Sequential

from keras.layers import Dense

model＝Sequential()

model.add(Dense(units＝128,activation＝‘tanh’))

model.add(Dense(units＝30,activation＝‘tanh’))

model.add(Dense(units＝10,activation＝‘tanh’))

model.add(Dense(units＝1,activation＝‘softmax’))

model.summary()

模型的训练：

将经过步骤S11、步骤S12、步骤S13处理的训练集的样本的检测检验数据、病史信息数据和对应的资深医生的开药处方输入到深度学习神经网络进行训练，获得深度学习网络模型。

具体源代码如下：

model.compile(optimizer＝‘adam’,loss＝‘mean_squared_error’)

model.fit(X,Y,learning_rate＝0.01,epochs＝1000)

训练的优化器采用ADAM OPTIMIZER，损失函数为均方差，学习速率为0.01，训练周期为1000。

S30、将待治疗患者的检测检验数据、病史信息数据输入到所述深度学习网络模型中进行计算，获得用药建议，所述用药建议包括建议使用的用药品种、用量和用法。所述步骤S30进一步包括有步骤S31-S33：

S31、将待治疗患者的检测检验数据进行归一化处理而转化成机器学习可以理解的量化数值，归一化处理的方式与步骤S11所采取的方法相同，这里不再赘述。

S32、将待治疗患者的的病史信息数据进行二元化处理而转化成机器学习可以理解的二元数值，二元化处理方法与步骤S12所采取的方法相同，这里不再赘述。

S33、将经过步骤S31、步骤S32处理的待治疗患者的检测检验数据、病史信息数据输入到所述深度学习网络模型中进行计算，获得用药建议。

深度学习网络模型训练好之后，将待治疗患者的检测检验数据、病史信息数据输入到所述深度学习网络模型中进行计算，获得与待治疗患者的检测检验数据、病史信息数据相匹配的所有用药品种及对应的用量和用法，并对匹配上的用药品种进行匹配度排序，然后输出有效的用药建议给新医生提供参考。具体应用当中，只输出匹配度大于50％的用药品种及对应的用量和用法给新医生作为参考，匹配度低于50％则不输出。

本发明的基于深度学习神经网络的新冠用药建议方法，通过深度学习神经网络来学习新冠病患者的检测检验数据、病史信息数据和用药品种之间的数学关系，再根据待治疗患者的检测检验数据、病史信息数据进行用药建议，可以大幅度提高用药准确率和用药规范，在新冠疫情依然严峻的当下，可以有效应对数据库中没有历史记录的场景，有效应对病情多样的情况。

以上所述仅为本发明的优选实施例，而非对本发明做任何形式上的限制。本领域的技术人员可在上述实施例的基础上施以各种等同的更改和改进，凡在权利要求范围内所做的等同变化或修饰，均应落入本发明的保护范围之内。