基于深度學習的智能服藥管理平臺設計及應用

劉婷 趙逸凡 葉萍

摘 要：服藥依從性差一直是藥物治療過程中面臨的一大難題，尤其對中老年慢性病患者而言，遺忘是影響其服藥依從性最主要的因素。據此設計一款基于深度學習的智能服藥管理平臺，該平臺以物聯網、數據挖掘技術為依托，以智能藥盒為基礎，聯合手機APP、微信公眾號和小程序等，具有用藥計劃創建、智能服藥提醒、服藥記錄反饋等功能，還可以向患者提供用藥資訊及多方服務監督功能。應用該智能服藥管理平臺可顯著改善患者不規律服藥的情況，減少漏服現象。

關鍵詞：服藥管理;服藥提醒;服藥依從性;深度學習

DOI：10. 11907/rjdk. 182933 開放科學（資源服務）標識碼（OSID）：

中圖分類號：TP302文獻標識碼：A 文章編號：1672-7800（2019）009-0030-03

Design and Application of Deep Learning Based on

Intelligent Medication Management Platform

LIU Ting1，2，3， ZHAO Yi-fan4， YE Ping4， LU Sen1，2，3， HAN Bao-san1，2，3

（1. Department of General Surgery， Xinhua Hospital， Affiliated with Shanghai Jiao Tong University School of Medicine;

2. Institute of Biliary Tract Disease， Shanghai Jiao Tong University School of Medicine;

3. Shanghai Key Laboratory of Biliary Tract Disease Research， Shanghai 200092， China;

4. School of Medical Instrument and Food Engineering，University of Shanghai for Science and Technology， Shanghai 200093， China）

Abstract： Poor medication adherence？has been a crucial challenge in drug treatment， especially for senile patients with chronic diseases， and tendency to forget is the most important factor that affects their compliance. Accordingly， an intelligent medication management platform based on deep learning is designed， which depends on the Internet of Things and data mining technology. On the basis of intelligent pill boxes， and combined with the mobile phone APP， WeChat public account and mini programs， etc， this platform can not only achieve the functions of timing， smart reminding， medication record feedback， but can also provide patients with medication information and multi-service supervision， which may significantly improve the patients' irregular medication and reduce the leakage phenomenon.

Key Words： medication management; medication reminder; drug compliance; deep learning

0 引言

藥物治療是疾病治療中最常用且有效的治療方式之一，但服藥依從性差一直是藥物治療過程中面臨的一大難題，尤其對于需要長期服藥的中老年慢性病患者而言[1-2]。維持藥物起效所需血藥濃度的前提是按時按次按量服藥，否則不僅會延緩治療時間，甚至可能導致治療失敗或病情加重。

據統計，即便在發達國家，患者接受長期藥物治療1年后其依從性也僅約50%，而在落后地區這一概率更低[3]，美國每年因漏服或誤服藥物造成的醫療保健損失高達 ? ? 1 000億美元[4]，其中將近一半的治療失敗案例都是由于患者對藥物依從性差導致的[5-6]。以女性惡性腫瘤中發病率最高的乳腺癌為例，根據2012年美國國家綜合癌癥網絡（National Comprehensive Cancer Network，NCCN）乳腺癌臨床實踐指南[7]的推薦，激素受體陽性的乳腺癌患者術后在長達5～10年內都需要服用內分泌藥物，但通過回顧性分析發現，隨訪到5年療程結束時，31%～73%的患者未能遵循醫囑而擅自終止治療[8]。服藥依從性隨著治療時間的推移不斷降低[5]，治療2～3年時，患者重視程度明顯下降，但事實上2～3年是一個復發高峰[9]，中斷服藥時很多患者不愿告知主診醫生，因而不易受到醫務人員干預，很容易造成治療失敗，而且不規律服藥極易導致耐藥性，不利于患者的進一步治療。

在臨床實際藥物治療過程中，各種原因引起的不規則服藥現象時有發生。縱觀各種影響因素，患者自身起到了決定性作用，而遺忘是影響患者尤其是老年患者服藥依從性最主要的因素[10]。目前主要使用手機鬧鈴、短信或專用設備等改善患者服藥情況[3，11-14]，雖然上述方法都取得了一定效果，但存在功能單一、設置繁瑣、缺乏人性化等缺陷，因此使用率較低。雖然國外在智能服藥提醒系統研究方面已有一定進展，但對于國內的中老年慢性病人而言接受較為困難，不易普及。因此，亟待開發一種能為患者提供全方位、個性化藥物管理服務的智能移動醫療設備。為此，筆者設計了一款基于深度學習的智能服藥管理平臺，以幫助患者改善服藥依從性。

1 技術方案

該智能服藥管理平臺以物聯網、數據挖掘技術為依托，以Wi-Fi智能藥盒為基礎，并聯合了手機APP，以及微信公眾號與小程序等相關功能。

1.1 Wi-Fi智能藥盒硬件

該智能藥盒微控制器采用ESP系列物聯網芯片（32位處理器），具有成本低、功耗低，以及具有良好的軟件生態等優勢，以確保該產品性能穩定、續航持久。采用與之匹配的輕開發環境，以縮短開發周期、降低研發成本。

1.2 手機客戶端軟件

客戶端軟件都是GUI程序，在GUI程序開發中，處理復雜的交互界面是一大難題。本文采用MVP與MVVM架構，以實現程序的健壯性和可維護性。

簡單界面采用MVP架構，Presenter處理用戶對視圖的操作，首先進行數據預處理，再交給相應的Model進行處理。Model變更后，Presenter通過View提供的接口更新界面（見圖1）。

復雜界面交互較多，MVP架構難以勝任，所以改用MVVM架構，通過數據綁定，使模型更新后界面也會自動更新，從而大大減少了手動更新界面的重復操作，節約人力成本（見圖2）。

1.3 云服務

云服務作為智能硬件與客戶端軟件的后臺，主要承擔數據存儲、數據挖掘職能，其關鍵技術包含容器技術、持續部署、分布式數據庫與機器學習等。

1.3.1 容器技術

以Docker為代表的容器技術正在快速改變著Web應用創建、發布與運行方式。容器鏡像包含了運行應用所需的程序、組件、運行環境與依賴，使用容器技術能使開發環境、測試環境與生產環境一致。另外，相比于傳統虛擬化技術，容器的性能損耗更小。

1.3.2 持續部署

持續部署使產品可以快速迭代，同時還能保持高質量。它能自動化完成測試、構建、部署等步驟，大大提高了軟件開發效率。

1.3.3 分布式數據庫

分布式數據庫具有高可用、擴展性好的優點。如在三節點副本集架構下，3個數據節點在不同物理服務器上自動同步數據。Primary和Secondary節點提供服務，當Primary節點出現故障時，系統自動選舉新的Primary節點，當Secondary節點不可用時，則由備用節點接管服務，從而保證數據庫的高可用性。

1.3.4 基于深度學習的個性化提醒

深度學習（Deep Learning）是機器學習的一個分支，也是用于醫學圖像與電子健康記錄解釋的主要技術工具之一，其在圖像分析、語音識別、機器翻譯等領域取得了令人矚目的成果[15-21]。“深度學習”中的“深度”是指用一系列連續的層通過非線性變換得到輸入的向量表示，這些層的數量即是模型深度（depth）。深度學習與其它機器學習方法的不同之處在于這些表示層全都是從訓練數據中自動學習的，而其它機器學習方法的重點往往是手動構造有用的表示（稱為特征工程）。因此，選用深度學習技術不僅是因為其在很多領域有良好表現，而且還能將特征工程完全自動化，使解決問題變得更加簡單。

人工智能，尤其是深度學習技術在醫學領域的應用已經越來越廣泛。智能服藥管理平臺提供了基于深度學習算法的個性化提醒服務。算法從患者服藥情況、生物信息、診療記錄等數據中得到分類模型，可個性化地為用戶選擇最合適的提醒方式，在不過度打擾用戶的前提下保證提醒效果。

2 功能服務

本智能服藥管理平臺為患者設計了一套從醫院到家庭的全方位、多維度服務體系。

2.1 個性化服藥提醒方案

可以通過藥盒或手機APP在單機或聯網兩種模式下添加用戶信息、創建用藥計劃、記錄服藥信息、發送服藥提醒，還能根據不同患者的用藥行為規律，分析制定個性化的服藥提醒方案，避免漏服或誤服藥物。

2.2 健康用藥資訊

目前，患者對服藥的基本常識仍存在普遍缺失的現象，很多患者盲目自信，自覺病情好轉便不再服藥，而這恰恰是很多患者通往康復之路的隱形殺手。通過向患者個性化地推送服藥健康資訊，對病人開展遠程健康教育，從而提升其對藥物治療的認知，督促患者對服藥過程進行自我管理。

2.3 多方服藥監督

通過醫療物聯網平臺的信息共享，可使親屬即便不在身邊，也能實時掌握家人服藥情況，隨時隨地發送問候或提醒，加強子女與父母的聯系，搭建家人間有效溝通的橋梁，實現“低成本智能化養老”的目標。

3 臨床試驗

3.1 試驗方法

本實驗招募了20名乳腺癌內分泌治療患者作為志愿者，并觀察其6個月的服藥情況，每名患者每天服藥2 次，每15天進行一次隨訪。每次服藥早于或晚于規定時間30min 即認為是不按時服藥，少服或遺忘服藥則視為漏服。以上兩種均屬于不規律服藥，其它情況視為規律服藥。每次規律服藥記1 分，不規律服藥記0 分。定義規律服藥率為：規律服藥得分/應服藥次數。患者服藥期間，使用智能服藥管理平臺干預2個月，干預前后2個月設置為對照期。

3.2 試驗結果

使用智能服藥管理平臺進行干預期間，患者的規律服藥率由使用前的81.5%上升至96.3%，但停止使用后，患者的規律服藥率顯著下降，逐漸降至87.9%，但仍高于智能服藥管理平臺干預前的規則服藥率。表明該智能服藥管理平臺能顯著改善患者的不規律服藥情況，減少不按時服藥與漏服情況。

4 結語

該智能服藥管理平臺操作簡單、使用便捷，不僅可以儲存藥物、記錄服藥信息，還可以提供個性化、多方位的服藥提醒，并通過向患者推送針對性的健康用藥資訊，從行為與認知兩個層面由里及表地提高患者服藥依從性，督促其對服藥進行自我管理。但目前仍有很多功能尚未實現，如“虛擬診療”在如今的醫療大環境與科技助推下已得到了快速發展，未來可進一步開發遠程用藥咨詢功能，建立患者與醫生直接溝通的平臺，使患者獲得更加便捷的用藥指導與治療建議;通過智能硬件搜集患者的生物行為信息及生理指標，建立信息樣本庫并對其進行深度挖掘與研究，在為醫生提供大樣本科研數據信息，并節省其時間和經濟成本的同時，也能更好地為患者提供前瞻性的預防措施及針對性的治療方案，進而獲得最佳治療體驗，實現對傳統診療模式的升級。

參考文獻：

[1] OSTERBERG L， BLASCHKE T. Adherence to medication[J]. The New England Journal of Medicine，2005，353（5）：487-497.

[2] World Health Organization. Adherence to long-term therapies： evidence for action [M]. Geneva：World Health Organization Press，2003.

[3] THAKKAR J， KURUP R， LABA T L， et al. Mobile telephone text messaging for medication adherence in chronic disease： a meta-analysis[J]. JAMA Intern Med，2016，176（3）：340-349.

[4] CHISHOLM-BURNS M A， SPIVEY C A. The ‘cost of medication nonadherence： consequences we cannot afford to accept[J]. Journal of the American Pharmacists Association：JAPhA，2012，52（6）：823-826.

[5] LAM W Y，FRESCO P. Medication adherence measures： an overview[J]. Biomed Research International，2015：217047.

[6] MCDONNELL P J，JACOBS M R. Hospital admissions resulting from preventable adverse drug reactions[J]. The Annals of pharmacotherapy，2002，36（9）：1331-1336.

[7] NCCN. National comprehensive cancer network clinical practice guidelines in oncology，breast cancer[EB/OL]. https：//www.nccn.org/professionals/physician_gls/default.aspx.

[8] MURPHY C C，BARTHOLOMEW L K，CARPENTIER M Y，et al. Adherence to adjuvant hormonal therapy among breast cancer survivors in clinical practice： a systematic review[J]. Breast cancer research and treatment，2012，134（2）：459-478.

[9] 朱葉卉，胡雁，吳密彬，等. 提高乳腺癌患者內分泌治療服藥依從性的深度訪談[J]. 護士進修雜志，2014，29（7）：594-598.

[10] PUTS M T， TU H A， TOURANGEAU A， et al. Factors influencing adherence to cancer treatment in older adults with cancer： a systematic review[J]. Annals of Oncology： Official Journal of the European Society for Medical Oncology，2014，25（3）：564-577.

[11] 李香風，劉薇. 微信對改善癌癥患者疼痛強度及服藥依從性的效果評價[J]. 中華護理雜志， 2015，50（12）：1454-1457.

[12] 彭昕，宋麗秀，陳衛剛，等. 電話隨訪對幽門螺桿菌感染患者服藥依從性及根除率的影響[J]. 中南大學學報：醫學版，2017，42（3）：308-312.

[13] 張貝貝，黃容，王小麗. 短信通對高血壓出院患者服藥依從性的影響[J]. 當代護士：上旬刊，2016（8）：35-37.

[14] 趙紅莉，楊海俠，楊會，等. 微信平臺對于改善原發性肝癌患者疼痛強度及服藥依從性的效果研究[J]. 檢驗醫學與臨床，2017，14（18）：2758-2760.

[15] ATTIA Z I， KAPA S， LOPEZ-JIMENEZ F， et al. Screening for cardiac contractile dysfunction using an artificial intelligence-enabled electrocardiogram[J]. Nature Medicine，2019，25（1）：70-74.

[16] ESTEVA A，ROBICQUET A，RAMSUNDAR B，et al. A guide to deep learning in healthcare[J]. Nature Medicine，2019，25（1）：24-29.

[17] GUROVICH Y， HANANI Y， BAR O， et al. Identifying facial phenotypes of genetic disorders using deep learning[J]. Nature Medicine，2019，25（1）：60-64.

[18] HE J， BAXTER S L， XU J， et al. The practical implementation of artificial intelligence technologies in medicine[J]. Nature Medicine， 2019，25（1）：30-36.

[19] PRICE W N. Privacy in the age of medical big data[J]. Nature Medicine，2019，25（1）：37-43.

[20] RAVIZZA S， HUSCHTO T， ADAMOV A， et al. Predicting the early risk of chronic kidney disease in patients with diabetes using real-world data[J]. Nature Medicine， 2019，25（1）：57-59.

[21] TOPOL E J. High-performance medicine： the convergence of human and artificial intelligence[J]. Nature Medicine， 2019，25（1）：44-56.

（責任編輯：黃 健）