基于扩展主题模型的异常医疗处方检测方法

发布时间：2021-01-23 04:24

　　异常处方指的是医生为患者所开具的存在异常的处方。医疗处方中出现异常,如滥用药或者开错药等,会影响患者的治疗效率,甚至造成严重的后果。由于一些主观或者客观原因,医生总会开具一些异常处方。检测出这些异常处方能够提升患者就医效率,减少社会医疗成本,并且对药物滥用、多开药、错开药的有效管理等都有着重要意义。为此,提出了一种基于扩展主题模型的异常处方检测方法。该方法能够自动地从大量处方数据中检测出异常处方,并且对于每一个新的处方,该方法都能够判断其诊断和用药是否匹配,进而判断其是否正常。与其他异常检测算法相比,该方法具有更广泛的应用,不仅可以在医疗领域中使用,以检测异常处方,还可以在其他领域中使用,以检测其他特征之间的匹配关系异常。该方法已经得到了实现,并在真实的处方数据集中得到了验证。 

【文章来源】：计算机科学与探索. 2020,14(01)北大核心

【文章页数】：10 页

【部分图文】：

MV-LDA概率图模型

处方数据集中每条数据都包含一个诊断特征集合和一个用药特征集合，将该数据集作为训练数据作为MV-LDA的输入，即可得到保留了诊断和用药之间关联关系的K个主题。每个主题包含两个主题-特征分布，分别对应该主题在用药特征上的多项分布以及在诊断特征上的多项分布。图2展示了从医疗保险数据中抽取的一个主题（主题1）的示例。依据主题-特征分布中概率值的高低，图中展示了三个与该主题最相关的药品和ICD编码。药品中排在第一位的卡托普利是一种广泛应用的降压类药物；而诊断特征的第一位编码i63则对应脑梗死疾病。可见该主题和高血压引起的脑部血管疾病高度相关。由此可见，诊断特征和用药特征的关联关系通过主题得到了保留。主题个数K的选择和数据集信息量的丰富程度相关，将会通过后续的实验说明如何选择K值。3.2.2 数据推断


本文编号：2994542