[0001] 本发明涉及医疗用药服务领域技术领域，特别是一种基于学习算法的儿童用药智能监护反馈方法及系统。

[0002] 儿童用药安全是家长乃至全社会切实关心的大事，儿童尤其是新生儿是很不成熟的个体，从解剖结构到生理和生化功能都处于不断发育时期，尤其是肝肾功能与成人差异很大，因此，儿童的药动学和药效学特征与成人相比差异显著，不仅可能存在量的差别，甚至可能产生质的差别，且不同年龄组儿童之间也有一定差异。由于这种生理和生化功能的特殊性，儿童在用药时需要做到严谨、细致，依据医生和药师的交代，个体化给药。

[0003] 门诊就医的儿童大都是将药品带回家中自行服用，门诊药师会对家长进行用药交代，例如用法、用量、注意事项以及药品储存条件等，但是大部分家长并不精通医理，经常混淆药品用法用量、忘记药品使用的注意事项，从而导致药效下降或者不起任何作用，严重者有可能发生不良反应，大大地增加了儿童用药风险发生率。《2016年儿童用药安全调查报告白皮书》中提出，家长缺乏安全用药知识、错误用药，是儿童用药安全亟待解决的主要问题。

[0004] 近年来，人工智能快速发展，逐渐成为人们生活、工作、学习中的重要组成部分。将人工智能引入儿童用药反馈机制中，可以解决家长、药师认知差异，提供一种规避儿童用药风险的思路、方法，同时为提升家长对医药知识的了解提供了一种快捷、方便的途径。因此需要开发一种基于学习算法的儿童用药智能监护反馈系统。

[0032] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。

[0033] 在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于此描述的其他方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

[0034] 其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

[0035] 实施例1

[0036] 参照图1～图2，为本发明第一个实施例，该实施例提供了一种基于学习算法的儿童用药智能监护反馈方法，包括，

[0037] S1：从医院数据源中抽取儿童用药相关数据并进行预处理。

[0038] 具体的，选用开源版的Redhat系统(Red Hat system，红帽系统)，以CentOS(Community Enterprise OperatingSystem，社区企业操作系统)作为底层操作系统平台，并基于Python语言(Python language)进行开发；采用RAID存储硬盘(Redundant Array of Independent Disks storage hard disk，独立磁盘冗余阵列存储硬盘)作为数据存储节点，提供稳定的硬件基础。采用基于HDFS架构(Hadoop Distributed File System architecture，Hadoop分布式文件系统架构)的Hadoop分布式系统作为核心存储平台，从医院数据源中抽取儿童用药相关数据。

[0039] 进一步的，将从医院数据源抽取的原始儿童用药相关数据导入到HadoopHDFS存储系统中，通过Hive对儿童用药相关数据进行清洗、处理和计算的预处理。

[0040] S2：根据预处理后的儿童用药相关数据，构建关联数据模型。

[0041] 具体的，构建关联数据模型包括将预处理后的儿童用药相关数据转换为用于深度学习模型输入的张量形式；设计一个多输入多输出的初始深度神经网络模型，设计模型的输入为儿童人口统计信息、儿童用药信息、儿童病史和症状信息，设计模型的输出为药品适用性评分、不良反应类型及风险、具体用药指导。

[0042] 进一步的，在预处理后的儿童用药相关数据上训练初始深度神经网络模型，获得初步关联数据模型；在编码器部分分别对不同类型输入进行编码，加入多头机制，自动学习输入信息之间的相关性权重；将加入多头机制的编码器输出与残差连接，融合局部和全局特征；设置解码器部分为多输出解码，生成各项输出，并为各项输出选择对应的损失函数；使用自适应学习率优化算法，在预处理后的儿童用药相关数据上迭代训练，获得关联数据模型。

[0043] 进一步的，为各项输出选择对应的损失函数包括为药品适用性评分选择二分类交叉熵损失函数，因为药品适用性评分属于一个二分类问题，即判断此药品是否适合对应的患者使用，二分类交叉熵损失函数可以很好地衡量模型在这一二分类任务上的预测性能。

[0044] 进一步的，不良反应风险预测采用多分类交叉熵损失函数来预测可能出现的不良反应类型属于一个多分类问题，因为可能有多种不同类型的不良反应。多分类交叉熵损失函数可以有效评估模型在这一多分类任务上的表现。

[0045] 进一步的，具体用药指导采用均方误差损失函数对于需要预测的连续值输出，如药品剂量大小等，通常采用均方误差损失函数。该损失函数可以最小化模型输出与真实值之间的均方差，从而优化用药指导的准确性。

[0046] 优选的，在编码器部分，分别对儿童人口统计信息、用药信息、病史和症状信息编码为向量表示，正在迭代训练时，根据验证集表现对超参数，如学习率等进行调整，获得性能良好的关联数据模型。

[0047] 优选的，引入元学习思想，使关联数据模型能根据新输入儿童信息快速生成个性化用药建议。

[0048] S3：分析用户搜索行为数据，预测疾病发生概率。

[0049] 具体的，分析用户在医院信息系统和在线问诊平台上与儿童用药相关的检索行为数据，监控搜索词条频次，统计分析不同时段、季节，药品的使用。

[0050] 进一步的，预测疾病发生概率是综合药品使用数据、季节变化、线性趋势以及周期性因素来进行预测，其中，药品使用数据是指计算累积药品使用影响，计算公式如下：

[0051]

[0052] 其中，I(t)表示药品使用的累积影响，代表药品对儿童健康状况的长期效应，β1(s)表示时间依赖的回归系数，影响药品使用Y(s)对疾病发生的影响，Y(s)表示在时间s的药品使用情况；

[0053]

[0054] 其中，γ0是极限影响系数，表示在没有时间动态变化时的影响力。γ1是线性时间趋势系数，反映随时间增加，药品使用对疾病发生率影响的线性变化。γ2是周期性调整系数，用于模拟周期性因素对β1(s)的影响，s表示时间变量，通常是从研究开始的时间起的持续时间或特定时间点，T是周期长度，代表β1(s)中考虑的周期，如一年、一季度等，φ是相位角，用于调整周期函数的相位；

[0055] Y(s)＝a·exp(b·s)+c

[0056] 其中，a表示增长倍率，表示在s＝0时，也就是起始时间点药品使用量的初始值，如果a大于1，则表示初始值以上的增长；如果a等于1，则表示药品使用量保持不变；如果a小于1，则表示初始值以下的减少，b为时间衰减率，表示药品使用量随时间增加或减少的速率，如果b大于0，则表示药品使用量随时间增加，如果b小于0，则表示药品使用量随时间减少，c为偏移量，表示在s＝0时药品使用量的偏置或调整量。c可以用来调整模型的基线，使其与实际数据更好地拟合。

[0057] 进一步的，计算季节性影响的公式如下：

[0058]

[0059] 其中，S(t)表示时间t的季节性和周期性变化的影响，β2j和β3j是控制季节性和周期性变化的系数，T表示周期长度，为一年或一个季度，用于模型中的季节性分析，j为索引变量，用于表示季节性影响的模型中的周期项的编号。

[0060] 更进一步的，预测疾病发生概率的计算公式如下：

[0061]

[0062] 其中，R(t)表示时间t的疾病发生概率预测，R(t)的值域为[0,1]表示从没有疾病发生的可能性到疾病一定会发生的最高可能性，I(t)表示药品使用的累积影响，S(t)表示时间t的季节性和周期性变化的影响，β0表示截距项，代表不受控制变量影响的基线疾病发生率。

[0063] S4：基于关联数据模型和预测的疾病发生概率，开发人机交互界面，用户通过人机交互界面提供用药反馈，根据用药反馈优化用药建议和监护策略。

[0064] 具体的，开发人机交互界面包括设计一个Web界面，允许用户输入儿童的基本信息，如年龄、体重等，和所需用药信息，如药品名称、剂型、用法用量等；将用户输入的信息传递给关联数据模型，关联数据模型将输出该药品是否适合该儿童使用、可能出现的不良反应及其风险程度、具体用药指导等。

[0065] 同时用户的输入和关联数据模型的输出传递给预测模块，预测模块计算该儿童在使用该药品时的疾病发生概率R(t)；在Web界面上将关联数据模型的输出结果、预测的疾病发生概率R(t)和R(t)在不同阈值下对应的建议和指导一并反馈给用户；在人机交互界面上设置调查问卷推送，收集用户反馈；在人机交互界面上设置咨询药师功能，使用户直接与药师在线交流。

[0066] 进一步的，R(t)在不同阈值下对应的建议和指导具体内容如下：

[0067] 当R(t)<第一阈值0.4时，系统将判断儿童处于相对安全的健康状态，持续监测儿童的用药情况，并结合儿童的年龄、体重基本信息，为家长提供个性化的儿童生长发育知识和用药护理指南；

[0068] 当第一阈值0.4≤R(t)<第二阈值0.6时，系统将评估儿童目前的用药情况，包括药品种类、用量、疗程，对存在的不合理用药行为进行干预，并提供专业的用药指导，同时系统将对家长的用药知识盲区进行重点补充，提高家长的用药依从性；

[0069] 当第二阈值0.6≤R(t)<第三阈值0.8时，系统将提醒家长密切观察儿童的身体状况，并根据儿童目前的用药情况及环境因素，对症下药，优化儿童用药方案，系统还将推送儿童保健常识及预防措施，帮助家长改善儿童生活环境；

[0070] 当预测的儿童疾病发生概率R(t)≥第三阈值0.8时，系统应及时发出预警，提醒家长注意儿童的健康状况，并建议立即就医，同时，系统将根据儿童的具体症状、用药情况为家长推荐合理的就医途径和治疗方案，督促家长尽早防治儿童疾病。

[0071] 进一步的，根据用药反馈优化用药建议和监护策略包括：收集用户对关联模型输出结果的反馈评价，将用户输入和反馈结果作为新的训练数据，定期重新训练关联模型；在关联模型训练过程中，针对用户的负面反馈，增加负面反馈样本的损失函数权重；收集用户对疾病发生概率R(t)预测结果的反馈评价，根据实际疾病发生情况，调整预测模型中的回归系数、影响系数，并优化季节性、时间趋势、周期性影响因子的权重；收集用户对建议和指导内容的反馈，根据反馈，优化不同R(t)值阈值下对应策略。

[0072] 优选的，人机交互界面集成了关联数据模型的输出和疾病发生概率预测，为用户提供个性化的用药评估和风险预警，还融入了用户反馈和在线咨询，实现了信息的有效传递和收集，能够为儿童用药智能监护反馈系统提供强有力的支撑。

[0073] 本实施例还提供一种计算机设备，适用于基于学习算法的儿童用药智能监护反馈方法的情况，包括存储器和处理器；存储器用于存储计算机可执行指令，处理器用于执行计算机可执行指令，实现如上述实施例提出的基于学习算法的儿童用药智能监护反馈方法。

[0074] 该计算机设备可以是终端，该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

[0075] 本实施例还提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例提出的实现基于学习算法的儿童用药智能监护反馈方法。

[0076] 综上，本发明通过结合医院数据源中儿童用药相关数据和用户搜索行为数据，构建关联数据模型和预测疾病发生概率，提高了儿童用药监护的科学性和准确性。本发明可以通过人机交互界面为用户提供个性化的用药建议和监护策略，根据用户反馈不断优化药品适用性评分、不良反应风险预测和具体用药指导，提高用户用药的安全性和有效性，引入了多头机制和残差连接，增强了模型的学习能力和准确性。通过实时监测和及时预警，家长可以快速调整儿童用药方案，改善儿童的生活环境，有效防治儿童疾病。整体上，本发明实现了对儿童用药的智能化监护，提高了药品使用的合理性和安全性，为家长提供了全方位的用药指导和支持。

[0077] 实施例2

[0078] 参照图1～图2，为本发明第二个实施例，该实施例提供了一种基于学习算法的儿童用药智能监护反馈方法，为了验证本发明的有益效果，通过经济效益计算和仿真实验进行科学论证。

[0079] 具体的，本实施例选用CentOS 7.9作为底层操作系统平台，基于Python 3.8版本进行开发，采用4块1TB SATA硬盘配置RAID 5作为数据存储节点。部署Hadoop 3.2.3分布式系统作为核心存储平台，从模拟医院数据源中抽取10万条儿童用药相关数据，这些数据包括儿童基本信息(年龄、性别、身高体重等)、病史症状、处方用药信息等。

[0080] 进一步的，将上述原始数据导入到Hadoop HDFS分布式存储系统中，利用Hive进行数据清洗和预处理。首先过滤掉异常和缺失值较多的数据，保留有效样本9.8万条；然后对年龄、身高体重等数值型特征进行归一化处理；对病史症状和用药信息文本进行分词和向量化表示。预处理后的数据留出2万条作为测试集，其余作为训练集用于构建模型。使用实施例1的方法得到基于学习算法的儿童用药智能监护反馈系统，然后进行预测，得到下面表格。

[0081] 表1儿童用药关联模型预测结果表

[0082]

[0083] 进一步的，根据表1可以看出，模型能够预测可能出现的不良反应类型及其风险程度。例如患儿A、C分别可能出现轻度过敏和胃肠道不适，风险在0.15～0.22之间；患儿E虽然适用性评分较高，但存在一定的肝肾毒性风险(0.08)，需要密切监测。这些预测结果可以指导临床医生合理选药，避免不良反应发生。

[0084] 进一步的，针对每例患儿，系统都给出了量化的用药剂量建议，能够很好地指导儿童的具体用药。以患儿A为例，模型建议剂量为40mg/kg/d，相比现有经验方案50mg/kg/d更为合理。

[0085] 进一步的，患儿A的R(t)为0.32，属于较低水平，说明在使用阿莫西林时，发生疾病的风险较小。而患儿D的R(t)高达0.79，提示需要密切关注该患儿的用药情况，及时干预。结合R(t)值，系统将根据预设阈值给出不同的建议和监护策略。以患儿C为例，R(t)＝0.68，系统将评估其用药情况，对不合理用药行为进行干预，优化用药方案，同时加强儿童保健知识的宣教。

[0086] 综上所述，本发明方案能够充分利用病史症状和用药信息，综合评估药品适用性、预测潜在不良反应风险，并给出个性化用药指导，能够整合多模态数据，全面评估儿童用药风险，并根据R(t)值量化风险程度，制定差异化的监护策略，具有很强的创新性和临床指导意义。

[0087] 应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。