本發(fā)明涉及醫(yī)藥數(shù)據(jù)管理領(lǐng)域，更具體地說，涉及一種針對醫(yī)藥管理數(shù)據(jù)的后處理方法和裝置。
背景技術(shù)：
1、醫(yī)藥管理數(shù)據(jù)涉及藥品、疾病和患者信息的記錄與處理，在現(xiàn)代醫(yī)療系統(tǒng)中扮演著重要角色。隨著電子病歷、藥品數(shù)據(jù)庫和臨床指南的廣泛應(yīng)用，大量數(shù)據(jù)被用于支持診療決策和藥物管理。
2、然而，這些數(shù)據(jù)在采集、錄入和傳輸過程中可能出現(xiàn)異常，例如藥品劑量超出安全范圍、禁忌癥沖突或藥品批次與療效不符。這些問題若不及時(shí)處理，可能導(dǎo)致治療效果下降甚至危及患者安全，因此如何高效識別和修復(fù)數(shù)據(jù)異常成為亟待解決的技術(shù)難題。
3、現(xiàn)有技術(shù)中，常通過規(guī)則匹配或統(tǒng)計(jì)分析方法檢測異常，例如基于預(yù)設(shè)閾值檢查劑量范圍，或利用歷史數(shù)據(jù)統(tǒng)計(jì)異常值。此外，一些方法引入機(jī)器學(xué)習(xí)模型，如支持向量機(jī)或聚類算法，通過訓(xùn)練歷史數(shù)據(jù)發(fā)現(xiàn)偏離正常模式的數(shù)據(jù)點(diǎn)。然而，這些方法在面對復(fù)雜醫(yī)藥數(shù)據(jù)時(shí)存在局限性，尤其是缺乏對醫(yī)學(xué)邏輯的深度整合，往往僅依賴數(shù)值分布而忽略禁忌癥或藥物相互作用等規(guī)則，導(dǎo)致修復(fù)結(jié)果可能不符合實(shí)際醫(yī)學(xué)需求。另外，現(xiàn)有技術(shù)在自動化修復(fù)方面能力有限，通常需要大量人工干預(yù)，效率較低且容易引入主觀誤差。
技術(shù)實(shí)現(xiàn)思路
1、本發(fā)明要解決的技術(shù)問題是提供一種針對醫(yī)藥管理數(shù)據(jù)的后處理方法和裝置，以解決背景技術(shù)中提到的問題。
2、為了達(dá)到上述目的，本發(fā)明采取以下技術(shù)方案：
3、一種針對醫(yī)藥管理數(shù)據(jù)的后處理方法，包括如下步驟：
4、構(gòu)建醫(yī)藥知識圖譜，所述醫(yī)藥知識圖譜包含藥品實(shí)體、疾病實(shí)體、患者實(shí)體及實(shí)體間的禁忌癥關(guān)系、適應(yīng)癥關(guān)系和藥物相互作用關(guān)系；
5、通過預(yù)訓(xùn)練的異常檢測模型識別輸入醫(yī)藥數(shù)據(jù)中的異常數(shù)據(jù)，所述異常數(shù)據(jù)包括劑量異常、禁忌癥沖突或藥品批次與療效不符；
6、將所述異常數(shù)據(jù)輸入對抗樣本生成器，生成修復(fù)候選數(shù)據(jù)集，所述對抗樣本生成器的網(wǎng)絡(luò)結(jié)構(gòu)中嵌入醫(yī)藥知識圖譜的向量化約束；
7、對修復(fù)候選數(shù)據(jù)集進(jìn)行知識圖譜邏輯驗(yàn)證，遍歷圖譜中與修復(fù)數(shù)據(jù)相關(guān)的實(shí)體及關(guān)系路徑，計(jì)算邏輯沖突評分；
8、若邏輯沖突評分低于預(yù)設(shè)閾值，則將修復(fù)數(shù)據(jù)輸出為最終結(jié)果，否則觸發(fā)迭代優(yōu)化生成器或推送人工干預(yù)請求；
9、根據(jù)人工干預(yù)請求的優(yōu)先級計(jì)算規(guī)則，選擇高優(yōu)先級異常數(shù)據(jù)生成最小化人工確認(rèn)界面，所述界面僅暴露異常字段及相關(guān)修正建議；
10、將人工確認(rèn)結(jié)果反饋至對抗樣本生成器和醫(yī)藥知識圖譜，更新生成器的權(quán)重參數(shù)及圖譜中的動態(tài)關(guān)系權(quán)重。
11、可選的，所述構(gòu)建醫(yī)藥知識圖譜包括：
12、從藥品說明書數(shù)據(jù)庫、臨床診療指南和電子病歷系統(tǒng)中提取實(shí)體及關(guān)系，通過圖神經(jīng)網(wǎng)絡(luò)動態(tài)融合新發(fā)布的醫(yī)藥文獻(xiàn)數(shù)據(jù)；
13、將醫(yī)藥知識圖譜中的邏輯規(guī)則轉(zhuǎn)換為嵌入空間的幾何約束，包括強(qiáng)制禁忌癥關(guān)聯(lián)實(shí)體間的向量距離大于預(yù)設(shè)閾值，并通過圖注意力網(wǎng)絡(luò)動態(tài)調(diào)整約束權(quán)重。
14、可選的，所述對抗樣本生成器基于條件式cyclegan實(shí)現(xiàn)，包括：
15、生成器采用u-net結(jié)構(gòu)并添加殘差連接模塊，輸入層接收異常數(shù)據(jù)及對應(yīng)的患者上下文特征；
16、生成器的中間層通過交叉注意力機(jī)制注入醫(yī)藥知識圖譜的嵌入向量，輸出層生成修復(fù)候選數(shù)據(jù)；
17、判別器采用馬爾可夫判別結(jié)構(gòu)，分別評估修復(fù)數(shù)據(jù)與正常數(shù)據(jù)分布的相似性及與知識圖譜邏輯的一致性。
18、可選的，所述知識圖譜邏輯驗(yàn)證包括：
19、提取修復(fù)候選數(shù)據(jù)中的藥品名稱、疾病名稱及患者特征，在圖譜中查詢是否存在禁忌癥路徑或藥物相互作用路徑；
20、若存在沖突路徑，則計(jì)算邏輯沖突評分為路徑權(quán)重與沖突嚴(yán)重性的乘積，否則評分為零；
21、當(dāng)邏輯沖突評分超過動態(tài)閾值時(shí)，觸發(fā)生成器重新優(yōu)化，所述動態(tài)閾值根據(jù)當(dāng)前數(shù)據(jù)集的異常密度自動調(diào)整。
22、可選的，所述人工干預(yù)優(yōu)先級計(jì)算規(guī)則包括：
23、根據(jù)異常類型從醫(yī)藥知識圖譜中獲取預(yù)設(shè)風(fēng)險(xiǎn)等級，所述風(fēng)險(xiǎn)等級包括高風(fēng)險(xiǎn)、中風(fēng)險(xiǎn)和低風(fēng)險(xiǎn)；
24、計(jì)算修復(fù)置信度為生成器輸出的圖譜邏輯損失值的倒數(shù)，并對業(yè)務(wù)影響權(quán)重進(jìn)行動態(tài)賦值；
25、將風(fēng)險(xiǎn)等級、修復(fù)置信度及業(yè)務(wù)影響權(quán)重進(jìn)行加權(quán)求和，生成人工干預(yù)緊迫性評分。
26、可選的，所述最小化人工確認(rèn)界面包括：
27、僅顯示異常字段的原始值及生成器推薦的修正值，隱藏非關(guān)聯(lián)字段以保護(hù)患者隱私；
28、提供單選框供用戶選擇接受修正建議或手動輸入新值，并將用戶選擇結(jié)果加密傳輸至后端系統(tǒng)。
29、可選的，所述更新生成器的權(quán)重參數(shù)包括：
30、將人工確認(rèn)的修正數(shù)據(jù)與生成器原始輸出數(shù)據(jù)構(gòu)成對比學(xué)習(xí)樣本對；
31、通過對比損失函數(shù)優(yōu)化生成器的參數(shù)，使得生成器傾向于輸出與人工修正結(jié)果一致的修復(fù)數(shù)據(jù)。
32、可選的，所述動態(tài)融合新發(fā)布的醫(yī)藥文獻(xiàn)數(shù)據(jù)包括：
33、利用醫(yī)學(xué)實(shí)體識別模型從文獻(xiàn)中提取藥品名稱、適應(yīng)癥及不良反應(yīng)關(guān)鍵詞；
34、通過圖卷積網(wǎng)絡(luò)更新已有實(shí)體節(jié)點(diǎn)的特征向量，并為新增實(shí)體創(chuàng)建節(jié)點(diǎn)并初始化嵌入向量。
35、可選的，所述馬爾可夫判別結(jié)構(gòu)包括：
36、第一判別器分支采用卷積神經(jīng)網(wǎng)絡(luò)判斷修復(fù)數(shù)據(jù)與正常數(shù)據(jù)在局部特征上的一致性；
37、第二判別器分支采用圖神經(jīng)網(wǎng)絡(luò)判斷修復(fù)數(shù)據(jù)與醫(yī)藥知識圖譜的全局邏輯一致性；
38、將兩個(gè)分支的輸出通過加權(quán)求和生成最終判別結(jié)果，所述權(quán)重根據(jù)當(dāng)前訓(xùn)練階段動態(tài)調(diào)整。
39、本發(fā)明還公開了一種針對醫(yī)藥管理數(shù)據(jù)的后處理裝置，包括：
40、知識圖譜構(gòu)建模塊，用于從多源醫(yī)藥數(shù)據(jù)中提取實(shí)體及關(guān)系，并通過圖神經(jīng)網(wǎng)絡(luò)動態(tài)更新圖譜；
41、異常檢測模塊，采用預(yù)訓(xùn)練的孤立森林模型結(jié)合時(shí)序特征分析識別數(shù)據(jù)異常；
42、對抗生成修復(fù)模塊，包含條件式cyclegan生成器和馬爾可夫判別器，生成符合知識圖譜邏輯的修復(fù)候選數(shù)據(jù)；
43、邏輯驗(yàn)證模塊，遍歷醫(yī)藥知識圖譜檢測修復(fù)數(shù)據(jù)中的禁忌癥沖突及藥物相互作用沖突；
44、人工干預(yù)接口模塊，根據(jù)優(yōu)先級計(jì)算結(jié)果生成最小化確認(rèn)界面，并接收用戶反饋數(shù)據(jù)；
45、在線學(xué)習(xí)模塊，將人工反饋數(shù)據(jù)用于更新生成器參數(shù)及知識圖譜的動態(tài)關(guān)系權(quán)重。
46、本發(fā)明相對于現(xiàn)有技術(shù)的優(yōu)點(diǎn)在于，本發(fā)明通過構(gòu)建包含藥品、疾病和患者實(shí)體及其關(guān)系的醫(yī)藥知識圖譜，并結(jié)合預(yù)訓(xùn)練異常檢測模型和對抗樣本生成器，解決了醫(yī)藥管理數(shù)據(jù)中異常識別與修復(fù)的難題。這一方法能夠高效檢測劑量異常、禁忌癥沖突等問題，并生成符合醫(yī)學(xué)邏輯的修復(fù)數(shù)據(jù)，顯著提高了數(shù)據(jù)處理的準(zhǔn)確性和安全性。與傳統(tǒng)方法相比，通過將知識圖譜的向量化約束嵌入生成器，修復(fù)結(jié)果不僅消除了異常，還與醫(yī)學(xué)規(guī)則高度一致，減少了不符合實(shí)際需求的修復(fù)方案。此外，邏輯驗(yàn)證和人工干預(yù)機(jī)制的引入，進(jìn)一步確保了修復(fù)數(shù)據(jù)的可靠性，同時(shí)通過最小化的人工確認(rèn)界面降低了人工工作量。在知識圖譜構(gòu)建中，利用圖神經(jīng)網(wǎng)絡(luò)動態(tài)融合新文獻(xiàn)數(shù)據(jù)，使圖譜保持實(shí)時(shí)性，適應(yīng)醫(yī)學(xué)知識的快速更新。對抗生成器采用條件式cyclegan結(jié)構(gòu)，結(jié)合患者上下文特征生成修復(fù)數(shù)據(jù)，提升了方案的個(gè)性化和實(shí)用性。邏輯驗(yàn)證通過計(jì)算沖突評分和動態(tài)閾值調(diào)整，優(yōu)化了修復(fù)過程的靈活性，而優(yōu)先級計(jì)算規(guī)則和在線學(xué)習(xí)機(jī)制則實(shí)現(xiàn)了高效干預(yù)和持續(xù)改進(jìn)，從而在復(fù)雜場景下進(jìn)一步提升了數(shù)據(jù)處理的效率和適應(yīng)能力。