本發(fā)明涉及藥物分類，尤其涉及一種基于臨床試驗禁用藥的藥物分類方法、裝置及設備。

背景技術：

1、在臨床試驗過程中，絕大部分臨床研究方案中會對合并用藥進行限制，研究人員將這些會干擾臨床試驗結果的藥物列為禁用藥。禁用藥通常包括藥理作用與研究藥物類似的藥、影響研究藥物藥動學的藥以及會增強或掩蓋不良反應的藥物等。然而每個臨床試驗的禁用藥通常有多個類別，涵蓋大量藥物，研究醫(yī)生在用藥時難以做到一一核對，對臨床試驗結果的準確性造成一定的風險。

2、目前現(xiàn)有的藥品分類方法中，大多根據(jù)藥理作用、結構特點和醫(yī)保類型等進行分類，這樣分類方式缺乏針對性，無法保證分類的準確性。

3、上述內容僅用于輔助理解本發(fā)明的技術方案，并不代表承認上述內容是現(xiàn)有技術。

技術實現(xiàn)思路

1、本發(fā)明的主要目的在于提供一種基于臨床試驗禁用藥的藥物分類方法、裝置及設備，旨在解決目前現(xiàn)有的藥品分類方法中，大多根據(jù)藥理作用、結構特點和醫(yī)保類型等進行分類，這樣的分類方式缺乏針對性，無法保證分類的準確性的技術問題。

2、為實現(xiàn)上述目的，本發(fā)明提供了一種基于臨床試驗禁用藥的藥物分類方法，所述基于臨床試驗禁用藥的藥物分類方法包括以下步驟：

3、接收輸入的待查詢藥物的藥物信息；

4、根據(jù)所述藥物信息確定所述待查詢藥物對應的疾病類型與作用機制；

5、獲取歷史藥物信息，對所述歷史藥物信息進行處理，得到處理后的藥物信息；

6、將所述處理后的藥物信息通過高斯核函數(shù)映射到高維特征空間，并通過核主成分分析提取特征信息，以得到經過空間變換后的藥物信息數(shù)據(jù)集；

7、將所述經過空間變換后的藥物信息數(shù)據(jù)集進行劃分，得到訓練數(shù)據(jù)集和測試數(shù)據(jù)集；

8、利用高斯貝葉斯算法基于所述訓練數(shù)據(jù)集進行模型訓練，并利用所述測試數(shù)據(jù)集對訓練后的模型進行評估驗證，以完成藥物分類模型的構建；

9、將所述疾病類型與所述作用機制輸入至所述藥物分類模型，以確定所述待查詢藥物對應的藥物分類；

10、若所述待查詢藥物的藥物分類為禁用藥，則輸出相應的告警提示。

11、在一些實施例中，所述對所述歷史藥物信息進行處理，得到處理后的藥物信息，包括：

12、基于疾病類型和作用機制將所述歷史藥物信息分成若干初始數(shù)據(jù)集；

13、任意選取一個初始數(shù)據(jù)集作為當前數(shù)據(jù)集，分別從其余初始數(shù)據(jù)集中選取若干樣本加入所述當前數(shù)據(jù)集，直至得到若干參考數(shù)據(jù)集，各個參考數(shù)據(jù)集之間達到樣本數(shù)量平衡；

14、利用標準化自動縮放對任意參考數(shù)據(jù)中樣本的特征進行縮放，以使各個參考數(shù)據(jù)中樣本的特征處于相同的量級，基于完成特征縮放的若干參考數(shù)據(jù)集得到處理后的藥物信息。

15、在一些實施例中，所述利用標準化自動縮放對任意參考數(shù)據(jù)中樣本的特征進行縮放對應的表達式為：sj'＝(sj-avg)/d，其中，sj'為特征j縮放后的特征值，sj為特征j縮放前的原始特征值，avg為任意參考數(shù)據(jù)集的平均特征值，d為任意參考數(shù)據(jù)集的特征值對應的方差。

16、在一些實施例中，所述利用高斯貝葉斯算法基于所述訓練數(shù)據(jù)集進行模型訓練，并利用所述測試數(shù)據(jù)集對訓練后的模型進行評估驗證，以完成藥物分類模型的構建，包括：

17、確定所述訓練集中每個類別的先驗概率；

18、確定各個類別下每個屬性的條件概率；

19、基于所述每個類別的先驗概率和所述各個類別下每個屬性的條件概率確定一個類別的所有樣本和另一個類別的所有樣本之間的距離；

20、利用類特定屬性權重矩陣和類條件概率確定帶權重的后驗概率，并計算相應的分類準確率；

21、利用nsga-ii算法進行迭代優(yōu)化，以確定不同類別間的間距和分類準確率，并記錄一組pareto解；

22、當達到模型優(yōu)化的終止條件時，輸出pareto解集，以得到多組類特定屬性權重矩陣；

23、使用交叉驗證評估從所述多組類特定屬性權重矩陣篩選出若干最優(yōu)類特定屬性權重矩陣；

24、利用所述測試數(shù)據(jù)集下基于所述若干最優(yōu)類特定屬性權重矩陣測試數(shù)據(jù)集的后驗概率；

25、基于所述后驗概率，選擇具有最高后驗概率的類別作為測試樣本的預測類別，并返回預測的類別標簽；

26、基于類別標簽確定分類準確率，并在分類準確率達到預設準確率時，判定完成藥物分類模型的訓練。

27、在一些實施例中，所述確定一個類別的所有樣本和另一個類別的所有樣本之間的間距對應的表達式為：其中，p(xj|y0)和p(xj|y1)分別為y0類別下xj屬性和y1類別下xj屬性的條件概率，p(y0)和p(y1)分別為y0類別和y1類別的先驗概率，m為樣本數(shù)，n為特征數(shù)。

28、在一些實施例中，所述分類準確率的表達式為：其中，δ(·)為二分函數(shù)，用于確定模型分類正確的樣本個數(shù)，yi表示預測的類別標簽，y表示真實標簽。

29、此外，為實現(xiàn)上述目的，本發(fā)明還提出一種基于臨床試驗禁用藥的藥物分類裝置，所述基于臨床試驗禁用藥的藥物分類裝置包括：

30、接收模塊，用于接收輸入的待查詢藥物的藥物信息；

31、獲取模塊，用于根據(jù)所述藥物信息確定所述待查詢藥物對應的疾病類型與作用機制；

32、構建模塊，用于獲取歷史藥物信息，對所述歷史藥物信息進行處理，得到處理后的藥物信息；

33、所述構建模塊，用于將所述處理后的藥物信息通過高斯核函數(shù)映射到高維特征空間，并通過核主成分分析提取特征信息，以得到經過空間變換后的藥物信息數(shù)據(jù)集；

34、所述構建模塊，用于將所述經過空間變換后的藥物信息數(shù)據(jù)集進行劃分，得到訓練數(shù)據(jù)集和測試數(shù)據(jù)集；

35、所述構建模塊，用于利用高斯貝葉斯算法基于所述訓練數(shù)據(jù)集進行模型訓練，并利用所述測試數(shù)據(jù)集對訓練后的模型進行評估驗證，以完成藥物分類模型的構建；

36、分類模塊，用于將所述疾病類型與所述作用機制輸入至所述藥物分類模型，以確定所述待查詢藥物對應的藥物分類；

37、提示模塊，用于若所述待查詢藥物的藥物分類為禁用藥，則輸出相應的告警提示。

38、在一些實施例中，所述構建模塊，用于基于疾病類型和作用機制將所述歷史藥物信息分成若干初始數(shù)據(jù)集；

39、任意選取一個初始數(shù)據(jù)集作為當前數(shù)據(jù)集，分別從其余初始數(shù)據(jù)集中選取若干樣本加入所述當前數(shù)據(jù)集，直至得到若干參考數(shù)據(jù)集，各個參考數(shù)據(jù)集之間達到樣本數(shù)量平衡；

40、利用標準化自動縮放對任意參考數(shù)據(jù)中樣本的特征進行縮放，以使各個參考數(shù)據(jù)中樣本的特征處于相同的量級，基于完成特征縮放的若干參考數(shù)據(jù)集得到處理后的藥物信息。

41、在一些實施例中，所述利用標準化自動縮放對任意參考數(shù)據(jù)中樣本的特征進行縮放對應的表達式為：sj'＝(sj-avg)/d，其中，sj'為特征j縮放后的特征值，sj為特征j縮放前的原始特征值，avg為任意參考數(shù)據(jù)集的平均特征值，d為任意參考數(shù)據(jù)集的特征值對應的方差。

42、此外，為實現(xiàn)上述目的，本發(fā)明還提出一種基于臨床試驗禁用藥的藥物分類設備，所述基于臨床試驗禁用藥的藥物分類設備包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的基于臨床試驗禁用藥的藥物分類程序，所述基于臨床試驗禁用藥的藥物分類程序配置為實現(xiàn)如上文所述的基于臨床試驗禁用藥的藥物分類方法的步驟。

43、本發(fā)明中根據(jù)輸入的待查詢藥物的藥物信息確定對應的疾病類型與作用機制；將對歷史藥物信息進行處理后的藥物信息通過高斯核函數(shù)映射到高維特征空間，并通過核主成分分析得到經過空間變換后的藥物信息數(shù)據(jù)集，基于藥物信息數(shù)據(jù)集并利用高斯貝葉斯算法進行藥物分類模型的構建，最后通過藥物分類模型確定待查詢藥物對應的藥物分類；并在檢測到禁用藥時輸出相應的告警提示。通過上述方式，使得藥物分類更具針對性，提升了藥物分類的準確性，從而更貼合臨床試驗研究方案，能夠有效降低研究醫(yī)生工作負擔，減少臨床試驗過程中的風險，提高臨床研究質量。