基于深度學(xué)習(xí)的智能處方審核系統(tǒng)探討

李明娟

鄭州市第二人民醫(yī)院藥務(wù)科，鄭州 450011

處方審核是醫(yī)院管理系統(tǒng)的重要組成環(huán)節(jié)，合理的處方合格率有助于醫(yī)療系統(tǒng)的高效運(yùn)轉(zhuǎn)。處方合格率對于醫(yī)院聲譽(yù)還有患者生命健康的具有重要保障。國內(nèi)各家醫(yī)院也對處方審核高度重視，針對提高處方合格率做出了很多研究成果，目前處方審核都是以藥理學(xué)和人工審核為基礎(chǔ)的審核系統(tǒng)［1-7］。基于人工審核的處方審核受限于醫(yī)生的水平和精力，而基于規(guī)則的處方審核由于樣本和地域限制可能不具有較強(qiáng)的可推廣性。深度學(xué)習(xí)近年來在語音和圖像識別方面取得很大進(jìn)展［8］，國內(nèi)的研究人員應(yīng)用深度學(xué)習(xí)研究電子病歷的數(shù)字編碼化［9］。

本研究通過深度學(xué)習(xí)建立處方智能化審核系統(tǒng)，首先將門診處方的診斷語言進(jìn)行分類，每一種描述代表一個(gè)獨(dú)立元素，對每個(gè)獨(dú)立元素進(jìn)行數(shù)字化排列，組成診斷矩陣。然后對數(shù)字化矩陣圖像化，將其轉(zhuǎn)化為像素的數(shù)值范圍內(nèi)，利用Hankel 矩陣形成圖片數(shù)據(jù)［10-12］，將數(shù)據(jù)輸入Lenet 中對已有的處方進(jìn)行訓(xùn)練，訓(xùn)練完成后結(jié)果和對照組結(jié)果對比，進(jìn)而驗(yàn)證本文研究的有效性。

1 病歷數(shù)字化

病歷是醫(yī)生根據(jù)已有的醫(yī)學(xué)知識對病人做出簡潔的語言判斷，但對智能審核系統(tǒng)而言，系統(tǒng)無法識別人類語言，所以首要步驟是將病歷數(shù)字化,目前基于病例讀取和理解的研究多是基于自然語言處理的方向進(jìn)行探索［13-15］，但語言系統(tǒng)本身較為復(fù)雜，存在多義性和歧義性等多種問題，這里給出的解決方法是根據(jù)診斷病例的關(guān)鍵詞的有限性，對其作出數(shù)字化映射。

以呼吸科病歷為例，常見病人癥狀有：咳嗽、發(fā)熱，咳嗽、黃痰，白痰、肺有濕羅音、發(fā)燒、咽喉腫痛，胸悶、氣喘、胸痛、呼吸困難、支氣管炎、咽喉炎癥、肺炎、咽痛、鼻塞、流鼻涕、打噴嚏、頭痛、咽痛、全身肌肉酸痛、食欲不振、鼻癢、聲音嘶啞、咽部發(fā)癢、咽喉疼痛、發(fā)熱時(shí)間、藥物過敏史，將上述癥狀進(jìn)行排序，組成一個(gè)1×29 的行向量。當(dāng)病人病歷存在咳嗽時(shí)，在列向量中標(biāo)記為1，否則標(biāo)記為0；若存在發(fā)熱，在第二個(gè)位置標(biāo)記為2，否則標(biāo)記為0，依次根據(jù)癥狀進(jìn)行標(biāo)記，直至向量位置占滿為止。

2 病歷圖片化過程

本文深度學(xué)習(xí)采用Lenet 框架，該框架適用于圖片和語音識別，無法直接識別向量，所以將需要向量轉(zhuǎn)化為圖片，具體過程如下所示：

從圖1 可以看出，當(dāng)病歷向量中對應(yīng)位置中標(biāo)志有數(shù)值時(shí)，在對應(yīng)行中寫入對應(yīng)數(shù)量的深灰色方格，當(dāng)沒有數(shù)字時(shí)，默認(rèn)為0，該行全部為淺灰色。圖1 為行向量的圖片例子。

3 病歷訓(xùn)練過程

病歷訓(xùn)練過程中使用的深度學(xué)習(xí)框架為Lenet，Lenet 是一種典型的卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，由Yann LeCun 發(fā)明，因用于MNIST 手寫體數(shù)據(jù)集的數(shù)字識別而出名。

與傳統(tǒng)的手寫字體的Lenet 七層框架不同的是，本人采用的框架只有5 層，因?yàn)獒槍﹂_出的藥方種類相對較多，而不是手寫字體中只有10 類，所以省略了最后2 個(gè)全連接層，Lenet 的主要結(jié)構(gòu)見圖2。

數(shù)字化病歷為輸入層，圖片大小為29×29×1，其中1 表示為黑白圖像，只有一個(gè)通道。

卷積層1 的大小為5×5，卷積層1 深度（個(gè)數(shù)）為6，卷積步長s=1，輸出矩陣大小為28×28×6，其中6 表示濾波器的個(gè)數(shù)。池化層1，池化層1大小2×2（即f=2），步長s=2，輸出矩陣大小為14×14×6。卷積層2 大小 5×5，濾波器個(gè)數(shù)為16，卷積步長s=1，輸出矩陣大小為10×10×16，其中16 表示濾波器的個(gè)數(shù)。池化層2，濾波器大小2×2（即f=2），步長s=2，輸出矩陣大小為5×5×16。注意，在該層結(jié)束，需要將5×5×16的矩陣壓縮成一個(gè)400 維的向量。

全連接層直接輸出120×1×1 個(gè)向量。最后，輸出層由歐式徑向基函數(shù)單元組成，每類一個(gè)單元，每個(gè)有120 個(gè)輸入。

Lenet 的訓(xùn)練過程如圖3 所示，首先準(zhǔn)備標(biāo)注好的數(shù)據(jù)和已經(jīng)被賦予初值的Lenet。定義損失函數(shù)loss，常見的損失函數(shù)的形式是使用Lenet 輸出層的結(jié)果與標(biāo)注好標(biāo)簽差值的平方和形式。通過數(shù)值計(jì)算求解得出損失函數(shù)關(guān)于需要優(yōu)化的參數(shù)W的偏導(dǎo)數(shù)，第n+1 次參數(shù)W 等于第n 次參數(shù)值加上偏導(dǎo)數(shù)的k 倍。Lenet 省略2 個(gè)全連接層，直接輸出120 組結(jié)果。

4 計(jì)算過程

本文選用tensorflow 對數(shù)據(jù)進(jìn)行訓(xùn)練和測試，數(shù)據(jù)選取某醫(yī)院2017—2018 年呼吸科病歷，病歷數(shù)量為5 325 份。使用Lenet 訓(xùn)練需要將病例分類為測試集和驗(yàn)證集，而對照方法統(tǒng)計(jì)法不需要將病例分為兩類。其中測試集份數(shù)為4 200 份，驗(yàn)證集分?jǐn)?shù)為1 065 份。測試集與驗(yàn)證集的比例為4∶1。

對照方法采用統(tǒng)計(jì)學(xué)方法，采用SPSS 20.0 軟件對數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析。計(jì)數(shù)資料以率（%）表示,采用χ2檢驗(yàn)，用P＜0.05 表示差異有統(tǒng)計(jì)學(xué)意義。

下文中兩種方法指的是Lenet 方法和統(tǒng)計(jì)學(xué)方法。

4.1 兩種方法的處方不合格率對比統(tǒng)計(jì)結(jié)果表明，用Lenet 訓(xùn)練的處方不合格率（0.75%）小于對照組的處方不合格率（5.92%），門診處方開具合格率提高5.17%，見表1。

表1 兩種方法不合格情況對比

4.2 兩種方法的不合理用藥率統(tǒng)計(jì)結(jié)果表明，用Lenet 訓(xùn)練的不合格用藥率（0.66%）小于對照組的不合理用藥率（5.73%），見表2。

用Lenet 訓(xùn)練結(jié)果包括3 張重復(fù)用藥門診處方、3 次用法用量不合理、1 次聯(lián)合用藥不合理和1 次配伍禁忌，對照組的不合理包含17 次重復(fù)用藥、11 次用法用量不合理、12 次聯(lián)合用藥不合理和12次配伍禁忌。

表2 兩種方法的不合理用藥率對比

5 結(jié)論

本文使用Lenet 用于處方智能審核研究，給處方審核提供一種可行的方法，研究結(jié)論主要有：（1）通過和對照組結(jié)果對比，本文方法降低了處方不合格率和不合格用藥率；（2）本文避免以往電子病歷數(shù)字化過程的word 轉(zhuǎn)化vector 過程的復(fù)雜繁瑣和多義現(xiàn)象，直接將癥狀與數(shù)字一一映射，避免了多義現(xiàn)象。