[发明专利]一种基于条件随机场模型的医药消费指引方法

说明书

技术领域

本发明涉及一种基于条件随机场模型的医药消费指引方法。

背景技术

随着医药电商市场的全面启动，市场规模的持续增长，怎样通过用户的信息，包括其体征参数、病史、环境参数、临床特征等参数，向患者提供医药消费指引成为了线上医药平台提高患者用户体验，增强平台吸引力的关键技术。随着网络和信息技术的不断普及，人类产生的数据量正在呈指数级增长，而云计算的诞生，更是直接把我们送进了大数据时代。在这一大背景下，大数据也触动着医药行业管理者的神经，搅动着医药行业管理者的思维；大数据在医药行业释放出的巨大价值吸引着诸多医药行业人士的兴趣和关注。如何应用医药大数据，为患者提供药品消费指引，这不仅是患者的需求，而且是线上医药平台积聚大数据应提供的基本服务。而目前的方法主要积聚于药品的疗效或患者的某一因素加以考虑，显然准确率不高。

发明内容

本发明针对现有技术的不足，提供一种基于条件随机场模型的医药消费指引方法。该方法提出了一种根据患者的体征参数、病史、环境参数、临床特征等参数形成观察值空间，构建条件随机场模型，运用Quasi-Newton优化技术估计模型参数，预测临床特征对应的最佳治疗药物的方法。本专利提出的医药消费指引机制不仅为患者选择药品提供了参考，而且提升了企业医药平台的用户吸引力。

为了达到上述目的，本发明一种基于条件随机场模型的医药消费指引方法，主要包括以下步骤：

第一步、训练数据预处理；

第二步、估计模型的参数；

第三步、采集用户的购药请求数据；

第四步、根据用户的输入数据，提取用户的特征数据序列；

第五步、以用户的特征数据序列为观测值，使用训练好的模型推断用户的标记序列；

第六步、对标记序列进行整合；

第七步、输出推荐药品清单。

优选地，所述第一步训练数据预处理包括有数据清洗，数据序列化和CRF特征函数采样这三个任务。

优选地，所述第二步估计模型的参数采用的方法为Quasi-Newton优化方法。

优选地，所述第五步使用训练好的模型推断用户的标记序列的推断方法为基于Viterbi算法。

优选地，所述第六步对标记序列进行整合包括有去重和药品禁忌搭配检测这两个任务。

所谓观测值空间为病人的体征参数、病史、环境参数、临床特征等参数组成的集合，表示为x＝{x₁,x₂,...,x_n}，标记的取值空间为对应临床特征的治疗药物，表示为y＝{y₁,y₂,...y_n}。

本发明提出了一种根据患者的体征参数、病史、环境参数、临床特征等参数形成观察值空间，构建条件随机场模型(Conditional Random Fields,简称CRF)，运用Quasi-Newton优化技术估计模型参数，预测临床特征对应的最佳治疗药物的方法。

附图说明

图1为本发明基于条件随机场模型的医药消费指引方法的流程示意图。

具体实施方式

以下结合附图和具体实施例对本发明进行详细描述，但不作为对本发明的限定。

所谓观测值空间为病人的体征参数、病史、环境参数、临床特征等参数组成的集合，表示为x＝{x₁,x₂,...,x_n}，标记的取值空间为对应临床特征的治疗药物，表示为y＝{y₁,y₂,...y_n}。

在给定观测序列x的条件下,标记序列y的后验概率分布p(y|x)为：

其中，和是一个二值函数，前者表示在i时刻整个观察序列和标记的特征，是一个状态函数；而后者表示整个观察序列和相应标记序列在i和i-1时间的特征，是一个转移函数。

医药消费指引模型的参数模型表示为：θ＝{μ,λ}，其中，μ,λ分别为和的模型参数向量。

模型的参数估计的目标函数为参数估计问题的问题方法是采用Quasi-Newton优化技术，求解

模型的药物指引推断任务可描述为:给定一个待标记的观测序列x,和训练得到的CRF模型，基于Viterbi算法推断它最大可能的标记标记序列，即计算：

模型输入：观测值序列；模型输出：临床特征对应的最佳治疗药物。