一种基于大数据的专病和症状的常用药品推荐方法和系统

1.本发明涉及药品推荐的领域，尤其是涉及一种基于大数据的专病和症状的常用药品推荐方法和系统。


背景技术：

2.在现代社会，由于网络的便捷性，很多人在身体出现不适的时候，会根据自身出现的症状和一些常用药品的特性，如药品类型、药品适应症状症等，选择在网络平台上购药。但是用户自己根据症状购药，往往会出现药物和实际病症不对应的问题，容易导致用药精准度较低，甚至存在用药风险。


技术实现要素：

3.为了解决用户自己根据症状购药，往往会出现药物和实际病症不对应的问题，容易导致用药精准度较低，甚至存在用药风险的问题，本技术提供了一种基于大数据的专病和症状的常用药品推荐方法和系统。
4.第一方面，本技术提供一种基于大数据的专病和症状的常用药品推荐方法，采用如下的技术方案：一种基于大数据的专病和症状的常用药品推荐方法，定期获取医院新增的就诊信息，并存储至预构建的就诊信息存储库中，所述就诊信息包括疾病诊断结果、实际症状和药品使用明细；获取就诊信息存储库中每个就诊信息的疾病诊断结果，将疾病诊断结果相同的就诊信息分为同一类；获取预构建的药品关联度计算模型，通过药品关联度计算模型对同一类型的就诊信息中所有的药品使用明细进行分析，计算出不同药品的药品关联度，并生成药品推荐图谱；获取用户行为日志，所述用户行为日志包括用户在购药过程中进行的操作信息；将用户在购药过程中进行的操作信息与各就诊信息类型中的疾病诊断结果和/或实际症状进行比对，基于比对结果，匹配最接近的就诊信息的类型；根据匹配的就诊信息的类型推送药品推荐图谱。
5.通过采用上述技术方案，定期对医院新增的就诊信息进行获取，在获取就诊信息之后，对就诊信息存储库中的就诊信息的疾病诊断结果进行分类，对每一类的疾病诊断结果的药品使用明细进行分析，判断同一类的疾病诊断结果的用药情况，并生成药品推荐图谱，在获取到用户行为日志时，对用户行为日志进行分析，从而匹配与用户行为日志最接近的就诊信息的类型，并根据该类型的就诊信息进行药品推荐图谱，供用户自行参考选择。
6.在一个具体的可实施方案中，所述存储至预构建的就诊信息存储库中之前，具体包括以下步骤：获取新增的就诊信息的疾病诊断结果和实际症状；
判断疾病诊断结果所对应的疾病数量是否唯一；若疾病诊断结果所对应的疾病数量不唯一，则不将新增的就诊信息存储至就诊信息存储库中；若疾病诊断结果所对应的疾病数量唯一，则获取该疾病诊断结果所对应的历史症状信息，并判断新增的就诊信息中的实际症状是否包含在历史症状信息内；若新增的就诊信息中的实际症状包含在历史症状信息内，则将新增的就诊信息存储至就诊信息存储库中；若新增的就诊信息中的实际症状不包含在历史症状信息内，则不将新增的就诊信息存储至就诊信息存储库中。
7.通过采用上述技术方案，获取的新增的就诊信息，可能存在疾病诊断结果和实际症状无法准确对应的情况，当就诊信息中存在多个疾病诊断结果时，可能也同时存在有多个实际症状，无法将实际症状与疾病诊断结果相对应，因此通过对新增的就诊信息进行选择性筛选，从而使得存储至就诊信息存储库中的新增的就诊信息更加准确。
8.在一个具体的可实施方案中，所述通过药品关联度计算模型对同一类型的就诊信息中所有的药品使用明细进行分析，计算出不同药品的药品关联度，具体包括以下步骤：获取同一类型中所有的就诊信息和每个就诊信息中的药品使用明细；根据每个就诊信息中的药品使用明细，列出所有就诊信息中所用到的药物；获取每种药品名称在所有就诊信息中出现的次数，计算出每种药物的使用频次；根据每个就诊信息中的药品使用明细，计算出每种药物的使用强度；获取预构建的ai算法，根据每种药物的使用频次和使用强度，采用ai算法自动计算出每种药物的关联度。
9.通过采用上述技术方案，主要是通过获取同一类型中所有的就诊信息和每个就诊信息中的药品使用明细，计算每种药物的使用频次和使用强度，并通过ai算法计算出每种药物的关联度，从而便于用户通过查看药物关联度而选择关联度最高的药物作为购买的药物，提高了用药的精准度。
10.在一个具体的可实施方案中，所述使用频次的计算公式如下：f=x/y，其中，f为某种药物的使用频次，x为某种药物在同一类型下的所有就诊信息中出现的次数，y为该药物在同一类型下的所有就诊信息的数量；所述使用强度的计算公式如下：使用强度=某种药物总消耗量()*100/同期收治患者人天数；同期收治患者人天数=同期出院患者人数*同期患者平均住院天数。
11.在一个具体的可实施方案中，所述采用ai算法自动计算出每种药物的关联度，具体包括以下步骤：获取同一类型中所有药物的使用频次和使用强度；基于同一类型中所有药物的使用频次，对所有药物进行首次关联度计算，计算公式如下：z=f*k，其中，z为关联度，k为关联系数；获取所有药物的关联度，并根据每种药物的使用强度，对关联度相同的药物进行
二次关联度计算。
12.通过采用上述技术方案，根据药物的使用频次，可以初步计算出药物与同一类型就诊信息的关联度，使用频次越高，关联度也越高，后续再根据药物的使用强度，对使用频次相同的药物进行优先级划分，从而提高关联度计算的精准度。
13.在一个具体的可实施方案中，所述采用ai算法自动计算出每种药物的关联度，还包括以下步骤：获取每种药物的历史使用频次，并计算得到该药物的使用频次增长率；判断该药物的使用频次增长率是否大于预设的第一增长阈值；若该药物的使用频次增长率大于预设的第一增长阈值，则将该药物标记为特殊药品；若该药物的使用频次增长率不大于预设的第一增长阈值；则不对该药物进行特殊药品的标记。
14.通过采用上述技术方案，通过计算每种药物的使用频次增长率，对于一些药效较好的新药物，或者新发掘的药效较好的旧药物，会对使用频次增长率达标的药物进行特殊药品标记，并在用户进行购药时进行首要推荐。
15.在一个具体的可实施方案中，所述将用户在购药过程中进行的操作信息与各就诊信息类型中的疾病诊断结果和/或实际症状进行比对，基于比对结果，匹配最接近的就诊信息的类型之前，具体包括以下步骤：获取每种类型的历史就诊信息数量，并计算得到该类型的疾病增长率；判断该类型的疾病增长率是否大于预设的第二增长阈值；若该类型的疾病增长率大于预设的第二增长阈值，则将该类型的就诊信息标记为流行病；若该类型的疾病增长率不大于预设的第二增长阈值，则不对该类型的就诊信息进行标记。
16.通过采用上述技术方案，会对每种疾病近期的增长情况进行分析，判断是否为流行病，对于流行病，在对用户的行为日志进行分析时，当用户输入的症状与流行病的症状近乎一致，则直接将该流行病与用于行为日志相匹配，提高匹配的效率和精准度。
17.第二方面，本技术提供一种基于大数据的专病和症状的常用药品推荐系统，采用如下的技术方案：一种基于大数据的专病和症状的常用药品推荐系统，包括：就诊信息采集模块：所述就诊信息采集模块用于定期获取医院新增的就诊信息；就诊信息存储模块：所述就诊信息存储模块用于将定期获取的就诊信息存储至预构建的就诊信息存储库中；就诊信息分类模块：所述就诊信息分类模块用于将疾病诊断结果相同的就诊信息分为同一类；关联度分析模块：所述关联度分析模块用于获取预构建的药品关联度计算模型，通过药品关联度计算模型对同一类型的就诊信息中所有的药品使用明细进行分析，计算出不同药品的药品关联度；药品推荐模块：所述药品推荐模块用于根据不同药品的药品关联度生成药品推荐
图谱；行为日志分析模块：所述行为日志分析模块用于获取用户行为日志，并将用户行为日志与各就诊信息类型中的疾病诊断结果和/或实际症状进行比对，基于比对结果，匹配最接近的就诊信息的类型；药品推荐匹配模块：所述药品推荐匹配模块用于根据匹配的就诊信息的类型推送药品推荐图谱。
18.通过采用上述技术方案，定期对医院新增的就诊信息进行获取，在获取就诊信息之后，对就诊信息存储库中的就诊信息的疾病诊断结果进行分类，对每一类的疾病诊断结果的药品使用明细进行分析，判断同一类的疾病诊断结果的用药情况，并生成药品推荐图谱，在获取到用户行为日志时，对用户行为日志进行分析，从而匹配与用户行为日志最接近的就诊信息的类型，并根据该类型的就诊信息进行药品推荐图谱，供用户自行参考选择。
19.第三方面，本技术提供一种智能终端，采用如下的技术方案：一种智能终端，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上述任一所述的一种基于大数据的专病和症状的常用药品推荐方法。
20.第四方面，本技术提供一种计算机可读存储介质，采用如下的技术方案：一种计算机可读存储介质，包括可读存储介质及存储在所述可读存储介质上运行的计算机程序，所述计算机程序由处理器加载并执行以实现如上述任一所述的一种基于大数据的专病和症状的常用药品推荐方法。
21.综上所述，本技术包括以下至少一种有益技术效果：定期对医院新增的就诊信息进行获取，在获取就诊信息之后，对就诊信息存储库中的就诊信息的疾病诊断结果进行分类，对每一类的疾病诊断结果的药品使用明细进行分析，判断同一类的疾病诊断结果的用药情况，并生成药品推荐图谱，在获取到用户行为日志时，对用户行为日志进行分析，从而匹配与用户行为日志最接近的就诊信息的类型，并根据该类型的就诊信息进行药品推荐图谱，供用户自行参考选择。
22.通过计算每种药物的使用频次增长率，对于一些药效较好的新药物，或者新发掘的药效较好的旧药物，会对使用频次增长率达标的药物进行特殊药品标记，并在用户进行购药时进行首要推荐。
附图说明
23.图1是本技术实施例中一种基于大数据的专病和症状的常用药品推荐系统的整体结构示意图。
24.图2是本技术实施例中一种基于大数据的专病和症状的常用药品推荐方法的整体流程示意图。
25.图3是本技术实施例中对新增的就诊信息进行初步筛选的流程示意图。
26.图4是本技术实施例中计算出不同药品的药品关联度的流程示意图。
27.附图标记说明：1、就诊信息采集模块；2、就诊信息存储模块；3、就诊信息分类模块；4、关联度分析模块；5、药品推荐模块；6、行为日志分析模块；7、药品推荐匹配模块。
具体实施方式
28.为使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术实施方式作进一步地详细说明。
29.本技术一个实施例公开了一种基于大数据的专病和症状的常用药品推荐系统，参照图1，该系统包括就诊信息采集模块1、就诊信息存储模块2、就诊信息分类模块3、关联度分析模块4、药品推荐模块5、行为日志分析模块6和药品推荐匹配模块7。具体的：就诊信息采集模块1用于定期获取医院新增的就诊信息，新增的就诊信息包括疾病诊断结果、实际症状和药品使用明细；就诊信息存储模块2用于将定期获取的新增的就诊信息存储至预构建的就诊信息存储库中；就诊信息分类模块3用于获取就诊信息存储库中每个就诊信息的疾病诊断结果，并将疾病诊断结果相同的就诊信息分为同一类；关联度分析模块4用于获取预构建的药品关联度计算模型，并通过药品关联度计算模型对同一类型的就诊信息中所有的药品使用明细进行分析，计算出不同药品的药品关联度；药品推荐模块5用于根据不同药品的药品关联度生成针对某一类型的就诊信息的药品推荐图谱；行为日志分析模块6用于获取用户行为日志，并将用户行为日志与各就诊信息类型中的疾病诊断结果和/或实际症状进行比对，基于比对结果，匹配最接近的就诊信息的类型；药品推荐匹配模块7用于根据匹配的就诊信息的类型推送药品推荐图谱。
30.在实施中，定期对医院新增的就诊信息进行获取，在获取就诊信息之后，对就诊信息存储库中的就诊信息的疾病诊断结果进行分类，对每一类的疾病诊断结果的药品使用明细进行分析，判断同一类的疾病诊断结果的用药情况，并生成药品推荐图谱，在获取到用户行为日志时，对用户行为日志进行分析，从而匹配与用户行为日志最接近的就诊信息的类型，并根据该类型的就诊信息进行药品推荐图谱，供用户自行参考选择。
31.参照图2，本技术另一实施例提供一种基于大数据的专病和症状的常用药品推荐方法，包括以下步骤：s10、定期获取医院新增的就诊信息，并存储至预构建的就诊信息存储库中；需要说明的是，对于定期获取的新增的就诊信息，由于新增的就诊信息可能存在一个就诊信息包含多个疾病诊断结果的情况，因此需要对新增的就诊信息进行初步筛选，参照图3，具体步骤如下：a10、获取新增的就诊信息的疾病诊断结果和实际症状；a20、判断疾病诊断结果所对应的疾病数量是否唯一；若疾病诊断结果所对应的疾病数量不唯一，则不将新增的就诊信息存储至就诊信息存储库中；若疾病诊断结果所对应的疾病数量唯一，则获取该疾病诊断结果所对应的历史症状信息，并判断新增的就诊信息中的实际症状是否包含在历史症状信息内；若新增的就诊信息中的实际症状包含在历史症状信息内，则将新增的就诊信息存
储至就诊信息存储库中；若新增的就诊信息中的实际症状不包含在历史症状信息内，则不将新增的就诊信息存储至就诊信息存储库中。
32.在本技术实施例中，新增的就诊信息包括疾病诊断结果a、疾病诊断结果b、实际症状a、实际症状b和实际症状c。其中，疾病诊断结果a的症状包括实际症状a和实际症状b，疾病诊断结果b的症状包括实际症状c。在获取该就诊信息时，由于就诊信息包括多个疾病诊断结果和多个实际症状，因此若将该就诊信息存储至就诊信息存储库中，后续无法判断疾病诊断结果和实际症状之间是怎样的对应关系，因此无需将该就诊信息存储至就诊信息存储库中，从而确保就诊信息存储库中就诊信息的准确性。
33.s20、获取就诊信息存储库中每个就诊信息的疾病诊断结果，将疾病诊断结果相同的就诊信息分为同一类；需要说明的是，由于每个人的体质不同，因此不同的人得相同疾病时，所产生的症状也是不同的。因此首先需要对就诊信息存储库中所有的就诊信息进行分类，在分类完成后，可以获取相同疾病诊断结果下所有存在的症状，从而便于后续进行药物推荐。
34.s30、获取预构建的药品关联度计算模型，通过药品关联度计算模型对同一类型的就诊信息中所有的药品使用明细进行分析，计算出不同药品的药品关联度，并生成药品推荐图谱；在实施中，药品关联度计算模型可以通过对同一类型的就诊信息中所有的药品使用明细进行分析，计算出不同药品的药品关联度，参照图4，具体包括以下步骤：b10、获取同一类型中所有的就诊信息和每个就诊信息中的药品使用明细；b20、根据每个就诊信息中的药品使用明细，列出所有就诊信息中所用到的药物；b30、获取每种药品名称在所有就诊信息中出现的次数，计算出每种药物的使用频次；具体的，使用频次的计算公式如下：f=x/y，其中，f为某种药物的使用频次，x为某种药物在同一类型下的所有就诊信息中出现的次数，y为该药物在同一类型下的所有就诊信息的数量。
35.b40、根据每个就诊信息中的药品使用明细，计算出每种药物的使用强度；具体的，使用强度的计算公式如下：使用强度=某种药物总消耗量()*100/同期收治患者人天数；同期收治患者人天数=同期出院患者人数*同期患者平均住院天数。
36.其中，某种药物的消耗量(ddds)=(某种药物口服剂型的总药量/某种药物口服剂型的限定日剂量(ddd))+(某种药物注射剂量的总药量/某种药物注射剂型的限定日剂量(ddd))。
37.b50、获取预构建的ai算法，根据每种药物的使用频次和使用强度，采用ai算法自动计算出每种药物的关联度。
38.在实施中，根据每种药物的使用频次和使用强度，采用ai算法自动计算出每种药物的关联度，具体包括以下步骤：c10、获取同一类型中所有药物的使用频次和使用强度；c20、基于同一类型中所有药物的使用频次，逐个对每种药物进行首次关联度计
算；其中，首次关联度计算的公式如下：z=f*k，z为关联度，k为关联系数。
39.需要说明的是，k的值包括1和0。在首次计算药物关联度时，会判断该药物是否为处方药，若该药物为处方药，则在对该药物进行首次关联度计算时，关联系数为0，若该药物不为处方药，则在对该药物进行首次关联度计算时，关联系数为1。
40.在实施中，在生成药物推荐图谱时，对于关联度为0的药物会进行二次关联度计算，计算公式如下：z=f*k，z为关联度，k为1。
41.针对该药物，会将计算出的关联度z标记在药物推荐图谱中该药物关联度的那一项，并且会额外标记该药物为处方药。
42.c30、获取计算出的所有药物的关联度，并根据每种药物的使用强度，对关联度相同的药物进行二次关联度计算。
43.需要说明的是，在进行关联度计算时，非处方药物的使用频次越高，关联度也越高。对于一些关联度相同的药物，会根据药物的使用强度进行二次关联度计算。关联度相同、使用强度较高的药物的优先级也较高。
44.在本技术另一个实施例中，采用ai算法自动计算出每种药物的关联度，还包括以下步骤：d10、获取每种药物的历史使用频次，并计算得到该药物的使用频次增长率；d20、判断该药物的使用频次增长率是否大于预设的第一增长阈值；若该药物的使用频次增长率大于预设的第一增长阈值，则将该药物标记为特殊药品；若该药物的使用频次增长率不大于预设的第一增长阈值；则不对该药物进行特殊药品的标记。
45.在实施中，存在一些药效较好的新药物，或者新发掘的药效较好的旧药物，历史使用次数较少，但对于该疾病诊断结果的治疗效果可能更好的情况。因此通过对历史数据进行分析，对于在近几次使用频次增长幅度较大的药物进行特殊标记。增长幅度较大即代表药物的效果好，使用率高，因此将该药物标记为特殊药品，供用户选择。
46.s40、获取用户行为日志；其中，用户行为日志包括用户在购药过程中进行的操作信息。具体的，操作信息包括用户输入的自身症状、用户自己判断所得的疾病等。
47.s50、将用户在购药过程中进行的操作信息与各就诊信息类型中的疾病诊断结果和/或实际症状进行比对，基于比对结果，匹配最接近的就诊信息的类型；在本技术一个实施例中，将用户在购药过程中进行的操作信息与各就诊信息类型中的疾病诊断结果进行比对，根据用户在购药过程中进行的操作信息，初步判断用户所得疾病，从而根据判断出的疾病，匹配最接近的就诊信息的类型。初步判断用户所得疾病的方式包括但不限于根据用户输入的症状进行判断。
48.在本技术另一个实施例中，将用户在购药过程中进行的操作信息与各就诊信息类型中的实际症状进行比对，根据用户在购药过程中进行的操作信息，获取用户输入的症状，
匹配所有就诊信息类型中的实际症状与用户输入的症状相似度最高的一项就诊信息类型，将该项就诊信息类型作为最接近的就诊信息的类型。
49.在本技术还有一个实施例中，将用户在购药过程中进行的操作信息与各就诊信息类型中的疾病诊断结果和实际症状进行比对，若根据用户在购药过程中进行的操作信息中，能够判断出用户所得疾病，则根据判断出的疾病，匹配最接近的就诊信息的类型；若根据用户在购药过程中进行的操作信息中，不能够判断出用户所得疾病，则根据用户输入的症状，匹配所有就诊信息类型中的实际症状与用户输入的症状相似度最高的一项就诊信息类型，将该项就诊信息类型作为最接近的就诊信息的类型。
50.需要说明的是，为了提高疾病判断的准确度，在将用户在购药过程中进行的操作信息与各就诊信息类型中的疾病诊断结果和/或实际症状进行比对，基于比对结果，匹配最接近的就诊信息的类型之前，还包括以下步骤：获取每种类型的历史就诊信息数量，并计算得到该类型的疾病增长率；判断该类型的疾病增长率是否大于预设的第二增长阈值；若该类型的疾病增长率大于预设的第二增长阈值，则将该类型的就诊信息标记为流行病；若该类型的疾病增长率不大于预设的第二增长阈值，则不对该类型的就诊信息进行标记。
51.在实施中，对每种疾病近期的增长情况进行分析，判断是否为流行病，对于流行病，在对用户的行为日志进行分析时，当用户输入的症状与流行病的症状近乎一致，则直接将该流行病与用于行为日志相匹配，提高匹配的效率和精准度。
52.s60、根据匹配的就诊信息的类型推送药品推荐图谱。
53.在实施中，用户通过观察药品推荐图谱，即可选择最适合自己药物进行购买，从而提高了药物使用的精准度，也降低了用药风险。
54.基于上述同一发明构思，本技术又一实施例还公开一种计算机可读存储介质，该存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集能够由处理器加载并执行以实现上述方法实施例提供的一种基于大数据的专病和症状的常用药品推荐方法的步骤。
55.所述计算机可读存储介质例如包括：u盘、移动硬盘、只读存储器（read-only memory，rom）、随机存取存储器（random access memory，ram）、磁碟或者光盘等各种可以存储程序代码的介质。
56.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
57.在本技术所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现，例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所
显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
58.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
59.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
60.所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）或处理器（processor）执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
61.以上所述，以上实施例仅用以对本技术的技术方案进行了详细介绍，但以上实施例的说明只是用于帮助理解本技术的方法及其核心思想，不应理解为对本技术的限制。本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本技术的保护范围之内。

技术特征：
1.一种基于大数据的专病和症状的常用药品推荐方法，其特征在于，定期获取医院新增的就诊信息，并存储至预构建的就诊信息存储库中，所述就诊信息包括疾病诊断结果、实际症状和药品使用明细；获取就诊信息存储库中每个就诊信息的疾病诊断结果，将疾病诊断结果相同的就诊信息分为同一类；获取预构建的药品关联度计算模型，通过药品关联度计算模型对同一类型的就诊信息中所有的药品使用明细进行分析，计算出不同药品的药品关联度，并生成药品推荐图谱；获取用户行为日志，所述用户行为日志包括用户在购药过程中进行的操作信息；将用户在购药过程中进行的操作信息与各就诊信息类型中的疾病诊断结果和/或实际症状进行比对，基于比对结果，匹配最接近的就诊信息的类型；根据匹配的就诊信息的类型推送药品推荐图谱；其中，所述通过药品关联度计算模型对同一类型的就诊信息中所有的药品使用明细进行分析，计算出不同药品的药品关联度，具体包括以下步骤：获取同一类型中所有的就诊信息和每个就诊信息中的药品使用明细；根据每个就诊信息中的药品使用明细，列出所有就诊信息中所用到的药物；获取每种药品名称在所有就诊信息中出现的次数，计算出每种药物的使用频次；根据每个就诊信息中的药品使用明细，计算出每种药物的使用强度；获取预构建的ai算法，根据每种药物的使用频次和使用强度，采用ai算法自动计算出每种药物的关联度。2.根据权利要求1所述的一种基于大数据的专病和症状的常用药品推荐方法，其特征在于，所述存储至预构建的就诊信息存储库中之前，具体包括以下步骤：获取新增的就诊信息的疾病诊断结果和实际症状；判断疾病诊断结果所对应的疾病数量是否唯一；若疾病诊断结果所对应的疾病数量不唯一，则不将新增的就诊信息存储至就诊信息存储库中；若疾病诊断结果所对应的疾病数量唯一，则获取该疾病诊断结果所对应的历史症状信息，并判断新增的就诊信息中的实际症状是否包含在历史症状信息内；若新增的就诊信息中的实际症状包含在历史症状信息内，则将新增的就诊信息存储至就诊信息存储库中；若新增的就诊信息中的实际症状不包含在历史症状信息内，则不将新增的就诊信息存储至就诊信息存储库中。3.根据权利要求1所述的一种基于大数据的专病和症状的常用药品推荐方法，其特征在于，所述使用频次的计算公式如下：f=x/y，其中，f为某种药物的使用频次，x为某种药物在同一类型下的所有就诊信息中出现的次数，y为该药物在同一类型下的所有就诊信息的数量；所述使用强度的计算公式如下：使用强度=某种药物总消耗量()*100/同期收治患者人天数；
同期收治患者人天数=同期出院患者人数*同期患者平均住院天数。4.根据权利要求3所述的一种基于大数据的专病和症状的常用药品推荐方法，其特征在于，所述采用ai算法自动计算出每种药物的关联度，具体包括以下步骤：获取同一类型中所有药物的使用频次和使用强度；基于同一类型中所有药物的使用频次，对所有药物进行首次关联度计算，计算公式如下：z=f*k，其中，z为关联度，k为关联系数；获取所有药物的关联度，并根据每种药物的使用强度，对关联度相同的药物进行二次关联度计算。5.根据权利要求4所述的一种基于大数据的专病和症状的常用药品推荐方法，其特征在于，所述采用ai算法自动计算出每种药物的关联度，还包括以下步骤：获取每种药物的历史使用频次，并计算得到该药物的使用频次增长率；判断该药物的使用频次增长率是否大于预设的第一增长阈值；若该药物的使用频次增长率大于预设的第一增长阈值，则将该药物标记为特殊药品；若该药物的使用频次增长率不大于预设的第一增长阈值；则不对该药物进行特殊药品的标记。6.根据权利要求1所述的一种基于大数据的专病和症状的常用药品推荐方法，其特征在于，所述将用户在购药过程中进行的操作信息与各就诊信息类型中的疾病诊断结果和/或实际症状进行比对，基于比对结果，匹配最接近的就诊信息的类型之前，具体包括以下步骤：获取每种类型的历史就诊信息数量，并计算得到该类型的疾病增长率；判断该类型的疾病增长率是否大于预设的第二增长阈值；若该类型的疾病增长率大于预设的第二增长阈值，则将该类型的就诊信息标记为流行病；若该类型的疾病增长率不大于预设的第二增长阈值，则不对该类型的就诊信息进行标记。7.一种基于大数据的专病和症状的常用药品推荐系统，其特征在于，包括：就诊信息采集模块(1)：所述就诊信息采集模块(1)用于定期获取医院新增的就诊信息；就诊信息存储模块(2)：所述就诊信息存储模块(2)用于将定期获取的就诊信息存储至预构建的就诊信息存储库中；就诊信息分类模块(3)：所述就诊信息分类模块(3)用于将疾病诊断结果相同的就诊信息分为同一类；关联度分析模块(4)：所述关联度分析模块(4)用于获取预构建的药品关联度计算模型，通过药品关联度计算模型对同一类型的就诊信息中所有的药品使用明细进行分析，计算出不同药品的药品关联度；药品推荐模块(5)：所述药品推荐模块(5)用于根据不同药品的药品关联度生成药品推荐图谱；行为日志分析模块(6)：所述行为日志分析模块(6)用于获取用户行为日志，并将用户
行为日志与各就诊信息类型中的疾病诊断结果和/或实际症状进行比对，基于比对结果，匹配最接近的就诊信息的类型；药品推荐匹配模块(7)：所述药品推荐匹配模块(7)用于根据匹配的就诊信息的类型推送药品推荐图谱。8.一种智能终端，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至6任一所述的一种基于大数据的专病和症状的常用药品推荐方法。9.一种计算机可读存储介质，其特征在于，包括可读存储介质及存储在所述可读存储介质上运行的计算机程序，所述计算机程序由处理器加载并执行以实现如权利要求1至6任一所述的一种基于大数据的专病和症状的常用药品推荐方法。

技术总结
本发明公开了一种基于大数据的专病和症状的常用药品推荐方法和系统，其属于药品推荐的领域，其方案包括：定期获取医院新增的就诊信息，并存储至预构建的就诊信息存储库中；获取就诊信息存储库中每个就诊信息的疾病诊断结果，将疾病诊断结果相同的就诊信息分为同一类；获取预构建的药品关联度计算模型，通过药品关联度计算模型对同一类型的就诊信息中所有的药品使用明细进行分析，计算出不同药品的药品关联度，并生成药品推荐图谱；获取用户行为日志；将用户在购药过程中进行的操作信息与各就诊信息类型中的疾病诊断结果和/或实际症状进行比对，基于比对结果，匹配最接近的就诊信息的类型并推送药品推荐图谱。本申请具有提高用药精准度的效果。高用药精准度的效果。高用药精准度的效果。


技术研发人员：何艾玲
受保护的技术使用者：江南大学附属医院
技术研发日：2023.08.14
技术公布日：2023/9/13