说明书一种智能选药的方法、系统和设备
技术领域
本发明涉及智能化药品信息处理的技术领域，特别是涉及一种智能选药的方法和系统。
背景技术
药品是指用于预防、治疗、诊断人的疾病，有目的地调节人的生理机能并规定有适应症或者功能主治、用法和用量的物质。选择适宜的药品以及正确的用法用量，是关系到患者健康、安全的重要问题。
适宜药品及用法用量的选择涉及到多种因素和海量的医学、药学数据，仅靠现有的方法，在医生处方或患者自主选药时，既难以获得所有的患者用药关键数据，也不能全面的分析药物之间的复杂关系，容易造成关键信息的缺失，给患者的健康和安全带来隐患。
本方法和系统是以安全、有效、经济用药为目标的，基于患者、疾病、药品等多种维度综合分析，适用于医生处方或制定用药方案、药店药师/店员推荐药品、患者自主选择OTC(Over The Counter)药品等各种应用场景的，辅助选择药品及用法用量的药学智能系统。
发明内容
本发明提供了一种智能选药的方法、系统和设备。
一种智能选药的方法，其特征在于，所述方法包括：
建立多维度属性项字典；
提取药品使用要素信息；
根据多维度属性项字典对药品使用要素信息进行处理；
提取患者用药相关要素信息；
根据多维度属性项字典对患者用药相关要素信息进行处理；
将药品使用要素信息与患者用药相关要素信息中各属性项信息进行智能选药匹配比对；
生成智能选药列表；
生成智能用法用量方案。
较佳的，多维度属性项字典，根据用药信息的医学或药学属性结构及各属性定义建立。
较佳的，多维度属性项字典，用于提供药品使用信息和患者用药信息中各项医学或药学属性涉及的标准字典。
较佳的，多维度属性项字典，用于提供药品使用信息和患者用药信息中各项医学或药学属性不同来源异名与标准字典关联关系。
较佳的，多维度属性项字典，根据不同的医学或药学属性将药品使用信息拆分到最小属性分项，同时保存各属性项之间的逻辑关系，并将各最小属性分项的数据与标准医学或药学属性项字典库关联。
较佳的，多维度属性项字典中涉及的医学属性项至少包括：患者的人群相关属性、患者的特殊人群相关属性、患者的疾病相关属性、患者的症状相关属性、患者的既往病史相关属性、患者的操作相关属性、患者的个人生活史相关属性、患者的生理状态相关属性、患者的检查指标相关属性等的其中至少一个维度。
较佳的，多维度属性项字典中涉及的药学属性项至少包括：用药目的相关属性、药品成分的相关属性、药品规格包装的相关属性、药品适应症的相关属性、药品用法用量的相关属性、药品给药途径的相关属性、药品禁忌症的相关属性、药品不良反应的相关属性、药品注意事项的相关属性以及患者过敏史相关属性、患者用药史相关属性、患者用药的给药途径相关属性、患者用药相关基因属性等的其中至少一个维度。
较佳的，通过适应症选药生成智能选药列表。
较佳的，该方法进一步包括通过药物禁忌、药物过敏等药物的单项审核维度排除不适宜药品，生成智能选药列表。
较佳的，该方法进一步包括通过药物相互作用、重复用药等涵盖患者所有在用药品的重整审核维度排除不适宜药品，生成智能选药列表。
较佳的，该方法进一步包括对智能选药列表进行医疗保险审核。
较佳的，该方法进一步包括通过个性化筛选生成智能选药列表。
较佳的，该方法进一步包括生成用法用量推荐信息。
较佳的，提取药品使用信息，用于提取每一种药品使用信息中适应症、用法用量适用条件、用药禁忌的相关医学/药学属性要素信息。
较佳的，药品使用信息来源于药品说明书、药典、国家处方集、治疗/用药指南、专家共识、以及各级医疗机构用药规定等的其中至少之一。
较佳的，提取患者用药相关信息，用于提取患者用药时相关属性要素的实际信息。
较佳的，患者用药信息的来源为医生处方、治疗方案、用药方案、病历、病案、药历、检查结果、患者自述症状、患者自主选药等其中的至少之一。
较佳的，生成匹配比对结果的方式为，
此药物的某条适应证的年龄元素与该患者的用药信息中的年龄元素匹配结果为：
此药物的某条适应证与该患者的患者用药信息匹配结果为：
患者Pa，是否能够使用本药物Med的结果为：
P(Pa,Med)=1,Σi=1nG(Pa,Med(xi))>10,Σi=1nG(Pa,Med(xi))=0]]>
其中，某患者(Patient，简称Pa)，其患者用药信息包括年龄：(age，简称ag)、性别(gender，简称gen)、所属特殊人群(special，简称spe)、症状(symptom，简称sym)、既有病史(history disease，简称his)、家族病史(family disease，简称fam)、过敏史(allergic history，简称ale)、其他状况(Other,简称Oth)等。该患者的身体状况为Pa(ag，gen，spe，sym，his，fam，ale，Oth)。
某药品药物(Medicine,简称Med)Med，其药品使用信息中某条适应证为Med(xi)，拆分结果为Med(xi(ag，gen，spe，sym，his，fam，ale，Oth))
较佳的，通过药物单项审核维度排除不适宜药品生成智能选药列表、通过药物重整审核维度进一步排除不适宜药品生成智能选药列表、对智能选药列表进行医疗保险审核、通过个性化筛选生成智能选药列表的先后顺序可以根据使用情况进行调整。
较佳的，该方法可用于辅助医生处方、药师制定用药方案、患者自主选择药品(OTC)时智能推荐药品及用法用量的药学智能服务其中至少一项。
一种智能选药的系统，其特征在于，所述系统包括：
药品使用要素信息提取单元，用于提取药品使用要素信息；
多维度属性项字典单元，用于提供多维度属性项字典；
药品使用要素信息多维度处理单元，根据多维度属性项字典单元对药品使用要素信息进行处理；
患者用药相关要素信息提取单元，用于提取患者用药相关要素信息；
患者用药相关要素信息多维度处理单元，根据多维度属性项字典单元对患者用药相关要素信息进行处理；
智能选药匹配比对单元，将药品使用要素信息与患者用药相关要素信息中各属性项信息的进行智能选药匹配比对；
智能选药单元，生成智能选药列表；
智能用法用量单元，生成智能用法用量方案。
较佳的，多维度属性项字典单元，根据用药信息的医学或药学属性结构及各属性定义建立。
较佳的，多维度属性项字典单元，用于提供药品使用信息和患者用药信息中各项医学或药学属性涉及的标准字典。
较佳的，多维度属性项字典单元，用于提供药品使用信息和患者用药信息中各项医学或药学属性不同来源异名与标准字典关联关系。
较佳的，多维度属性项字典单元，根据不同的医学或药学属性将药品使用信息拆分到最小属性分项，同时保存各属性项之间的逻辑关系，并将各最小属性分项的数据与标准医学或药学属性项字典库关联。
较佳的，多维度属性项字典中涉及的医学属性项至少包括：患者的人群相关属性、患者的特殊人群相关属性、患者的疾病相关属性、患者的症状相关属性、患者的既往病史相关属性、患者的操作相关属性、患者的个人生活史相关属性、患者的生理状态相关属性、患者的检查指标相关属性等的其中至少一个维度。
较佳的，多维度属性项字典中涉及的药学属性项至少包括：用药目的相关属性、药品成分的相关属性、药品规格包装的相关属性、药品适应症的相关属性、药品用法用量的相关属性、药品给药途径的相关属性、药品禁忌症的相关属性、药品不良反应的相关属性、药品注意事项的相关属性以及患者过敏史相关属性、患者用药史相关属性、患者用药的给药途径相关属性、患者用药相关基因属性等的其中至少一个维度。
较佳的，通过适应症选药生成智能选药列表。
较佳的，该系统进一步包括通过药物禁忌、药物过敏等药物的单项审核维度排除不适宜药品的智能选药单元。
较佳的，该系统进一步包括通过药物相互作用、重复用药等涵盖患者所有在用药品的重整审核维度排除不适宜药品的智能选药单元。
较佳的，该系统进一步包括医疗保险审核单元。
较佳的，该系统进一步包括个性化筛选智能选药单元。
较佳的，该系统进一步包括用法用量推荐单元。
较佳的，药品使用要素信息提取单元，用于提取每一种药品使用信息中适应症、用法用量适用条件、用药禁忌的相关医学/药学属性要素信息。
较佳的，药品使用信息来源于药品说明书、药典、国家处方集、治疗/用药指南、专家共识、以及各级医疗机构用药规定等的其中至少之一。
较佳的，患者用药相关信息提取单元，用于提取患者用药时相关属性要素的实际信息。
较佳的，患者用药信息的来源为医生处方、治疗方案、用药方案、病历、病案、药历、检查结果、患者自述症状、患者自主选药等其中的至少之一。
较佳的，生成匹配比对结果的方式为，
此药物的某条适应证的年龄元素与该患者的用药信息中的年龄元素匹配结果为：
此药物的某条适应证与该患者的患者用药信息匹配结果为：
患者Pa，是否能够使用本药物Med的结果为：
P(Pa,Med)=1,Σi=1nG(Pa,Med(xi))>10,Σi=1nG(Pa,Med(xi))=0]]>
其中，某患者(Patient，简称Pa)，其患者用药信息包括年龄：(age，简称ag)、性别(gender，简称gen)、所属特殊人群(special，简称spe)、症状(symptom，简称sym)、既有病史(history disease，简称his)、家族病史(family disease，简称fam)、过敏史(allergic history，简称ale)、其他状况(Other,简称Oth)等。该患者的身体状况为Pa(ag，gen，spe，sym，his，fam，ale，Oth)。
某药品药物(Medicine,简称Med)Med，其药品使用信息中某条适应证为Med(xi)，拆分结果为Med(xi(ag，gen，spe，sym，his，fam，ale，Oth))
较佳的，通过药物单项审核维度排除不适宜药品的智能选药单元、通过药物重整审核维度进一步排除不适宜药品的智能选药单元、医疗保险审核单元、个性化筛选智能选药单元的先后顺序可以根据进行调整。
较佳的，该系统可用于辅助医生处方、药师制定用药方案、患者自主选择药品(OTC)时智能推荐药品及用法用量的药学智能系统其中至少一项。
一种智能选药的设备，其特征在于，所述设备包括：
药品使用要素信息提取模块，用于提取药品使用要素信息；
多维度属性项字典模块，用于提供多维度属性项字典；
药品使用要素信息多维度处理模块，根据多维度属性项字典模块对药品使用要素信息进行处理；
患者用药相关要素信息提取模块，用于提取患者用药相关要素信息；
患者用药相关要素信息多维度处理模块，根据多维度属性项字典模块对患者用药相关要素信息进行处理；
智能选药匹配比对模块，将药品使用要素信息与患者用药相关要素信息中各属性项信息的进行智能选药匹配比对；
智能选药模块，生成智能选药列表；
较佳的，多维度属性项字典模块，根据用药信息的医学或药学属性结构及各属性定义建立。
较佳的，多维度属性项字典模块，用于提供药品使用信息和患者用药信息中各项医学或药学属性涉及的标准字典。
较佳的，多维度属性项字典模块，用于提供药品使用信息和患者用药信息中各项医学或药学属性不同来源异名与标准字典关联关系。
较佳的，多维度属性项字典模块，根据不同的医学或药学属性将药品使用信息拆分到最小属性分项，同时保存各属性项之间的逻辑关系，并将各最小属性分项的数据与标准医学或药学属性项字典库关联。
较佳的，多维度属性项字典模块中涉及的医学属性项至少包括：患者的人群相关属性、患者的特殊人群相关属性、患者的疾病相关属性、患者的症状相关属性、患者的既往病史相关属性、患者的操作相关属性、患者的个人生活史相关属性、患者的生理状态相关属性、患者的检查指标相关属性等的其中至少一个维度。
较佳的，多维度属性项字典模块中涉及的药学属性项至少包括：用药目的相关属性、药品成分的相关属性、药品规格包装的相关属性、药品适应症的相关属性、药品用法用量的相关属性、药品给药途径的相关属性、药品禁忌症的相关属性、药品不良反应的相关属性、药品注意事项的相关属性以及患者过敏史相关属性、患者用药史相关属性、患者用药的给药途径相关属性、患者用药相关基因属性等的其中至少一个维度。
较佳的，通过适应症选药生成智能选药列表。
较佳的，该设备进一步包括通过药物禁忌、药物过敏等药物的单项审核维度排除不适宜药品，生成智能选药列表的模块。
较佳的，该设备进一步包括通过药物相互作用、重复用药等涵盖患者所有在用药品的重整审核维度排除不适宜药品，生成智能选药列表的模块。
较佳的，该设备进一步包括医疗保险审核模块。
较佳的，该设备进一步包括个性化筛选智能选药模块。
较佳的，该设备进一步包括用法用量推荐模块。
较佳的，药品使用要素信息提取模块，用于提取每一种药品使用信息中适应症、用法用量适用条件、用药禁忌的相关医学/药学属性要素信息。
较佳的，药品使用信息来源于药品说明书、药典、国家处方集、治疗/用药指南、专家共识、以及各级医疗机构用药规定等的其中至少之一。
较佳的，患者用药相关信息提取模块，用于提取患者用药时相关属性要素的实际信息。
较佳的，患者用药信息的来源为医生处方、治疗方案、用药方案、病历、病案、药历、检查结果、患者自述症状、患者自主选药等其中的至少之一。
较佳的，生成匹配比对结果的方式为：
此药物的某条适应证的年龄元素与该患者的用药信息中的年龄元素匹配结果为：
此药物的某条适应证与该患者的患者用药信息匹配结果为：
患者Pa，是否能够使用本药物Med的结果为：
P(Pa,Med)=1,Σi=1nG(Pa,Med(xi))>10,Σi=1nG(Pa,Med(xi))=0]]>
其中，某患者(Patient，简称Pa)，其患者用药信息包括年龄：(age，简称ag)、性别(gender，简称gen)、所属特殊人群(special，简称spe)、症状(symptom，简称sym)、既有病史(history disease，简称his)、家族病史(family disease，简称fam)、过敏史(allergic history，简称ale)、其他状况(Other,简称Oth)等。该患者的身体状况为Pa(ag，gen，spe，sym，his，fam，ale，Oth)。
某药品药物(Medicine,简称Med)Med，其药品使用信息中某条适应证为Med(xi)，拆分结果为Med(xi(ag，gen，spe，sym，his，fam，ale，Oth))。
较佳的，单项审核维度排除不适宜药品智能选药模块、重整审核维度排除不适宜药品智能选药模块、医疗保险审核模块、个性化筛选智能选药模块的先后顺 序可以根据进行调整。
较佳的，该设备可用于辅助医生处方、药师制定用药方案、患者自主选择药品(OTC)时智能推荐药品及用法用量的药学智能服务其中至少一项。
较佳的，该设备包括但不限于于医疗机构医生工作站、药师工作站，药店药师工作站、店员工作站、患者自助终端，患者可接入互联网设备(电脑、智能电视、移动电脑、智能手机、智能手表等)。
附图说明
图1示出根据本发明的系统结构示意图；
图2示出根据本发明的智能选药的方法流程示意图；
图3示出根据本发明的单项审核维度排除不适宜药品的方法流程示意图；
图4示出根据本发明的药物重整审核维度排除不适宜药品的方法流程示意图；
图5示出根据本发明的对智能选药列表进行医疗保险审核的方法流程示意图；
图6示出根据本发明的个性化筛选的方法流程示意图；
图7示出根据本发明的用法用量推荐的方法流程示意图；
图8示出根据本发明的智能选药系统的功能结构示意图；
图9示出根据本发明的单项审核维度排除不适宜药品系统的功能结构示意图；
图10示出根据本发明的药物重整审核维度排除不适宜药品系统的功能结构示意图；
图11示出根据本发明的对智能选药列表进行医疗保险审核系统的功能结构示意图；
图12示出根据本发明的个性化筛选系统的功能结构示意图；
图13示出根据本发明的用法用量推荐系统的功能结构示意图；
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
图1示出了本发明的系统结构图。其中，工作站通过公网或医疗机构、零售药店的内网连接到服务器。工作站包括医师工作站、药师工作站、店员工作站、患者自助终端等。工作站可以是PC终端、移动终端、可穿戴设备等的其中至少一项。工作站与服务器的网络架构可以是C/S架构也可以是B/S架构。
图2为本发明的一个实施例，一种智能选药方法的工作流程示意图。
在步骤101中，建立多维度属性项字典。
多维度属性项字典，用于提供药品使用信息和患者用药信息中各项医学或药学属性涉及的标准字典以及各不同来源异名与标准字典关联关系，是基于医学或药学属性信息对药品使用信息进行多维度的拆分而建立的结构化标准数据库。
药品使用信息来源于药品说明书、药典、国家处方集、治疗/用药指南、专家共识、以及各级医疗机构用药规定中。这些信息又可以分为药品适应症、用法用量适用条件、用药禁忌等多种的信息类型。
药品适应症信息指药物适用条件的所有信息。同一药品在不同条件下可能需要按照不同的用法用量适用，所以药品的用法用量适用条件是指同一药品的不同用法用量所适用的不同条件的信息。用药禁忌信息，即常规的用药禁忌，指药品禁忌使用的条件的所有信息。药品适应症信息、药品用法用量适用条件信息和用药禁忌信息的来源包括：药品说明书、国家处方集、国家药典、临床指南、用药指南、临床共识、医疗机构院内药事会以及相关文献。
药品适应症、用法用量适用条件、用药禁忌的信息中含有大量的不同医学或药学属性的数据，将这些数据根据其不同的医学或药学属性拆分到最小属性分项，同时保存各属性项之间的逻辑关系，并将各最小属性分项的数据与标准医学或药学属性项字典库关联，即可生成药品适应症、用法用量适用条件、用药禁忌各自对应的医学或药学属性信息的结构化标准数据库，建立多维度属性项字典。
以阿司匹林肠溶片的适应症信息为例：
阿司匹林肠溶片的适应症信息节选为：预防大手术后深静脉血栓和肺栓塞；降低心血管危险因素者(冠心病家族史、糖尿病、血脂异常、高血压、肥胖、抽烟史、年龄大于50岁者)心肌梗死发作的风险。
在多维度属性项字典中对于该药的适应症记录包括：
属性项属性描述对应属性字典
作用类型预防预防
操作大手术大手术
作用类型降低….的风险降低风险
家族病史冠心病家族史冠心病家族史
诊断糖尿病糖尿病
诊断血脂异常高脂血症
诊断高血压高血压
特殊人群肥胖肥胖人群
特殊人群抽烟史吸烟史人群
年龄人群年龄大于50岁者＞50
再以阿替洛尔片的用法用量适用条件信息为例：
阿替洛尔片成人常用量：开始每次6.25～12.5mg，一日两次，按需要及耐受量渐增至50～200mg。肾功能损害时，肌酐清除率小于15ml/(min.1.73m[sup]2[/sup])者，每日25mg；15～35ml/(min.1.73m[sup]2[/sup])者，每日最多50mg。或遵医嘱。
儿童用量：用于儿童应从小剂量开始0.25～0.5mg/kg，每日二次。注意监测心率、血压。
老人用药：所需剂量可以减少，尤其是肾功能衰退的患者。
在多维度属性项字典中对于阿替洛尔片用法用量适用条件的记录包括：
再以奥美拉唑肠溶胶囊的用药禁忌信息为例：
奥美拉唑肠溶胶囊，对该药过敏者、严重肾功能不全者及婴幼儿禁用。
在多维度属性项字典中对于奥美拉唑肠溶胶囊用药禁忌的记录包括：
属性项属性描述对应属性字典
过敏史本品奥美拉唑
诊断严重肾功能不全者严重肾功能不全
年龄人群婴幼儿＜3
多维度属性项字典中涉及的多维度医学属性项至少包括：患者的人群相关属性，例如，年龄、性别、体重、身高、体表面积、民族、婚姻状况等；患者的特殊人群相关属性，例如，待孕、怀孕、哺乳期、更年期等；患者的疾病相关属性，例如，发病情况、病程、致病因、疾病部位、诊断、症状、检查结果、生理指标、伴随病症、后遗症等；患者的既往病史相关属性，例如，家族病史、疾病史、慢病史、传染病史、预防接种史、手术外伤史、输血史等；患者的操作相关属性，例如，手术、检查操作、辅助操作等；患者的个人生活史相关属性，例如，出生地及长期居留地、生活习惯、烟/酒/食物/药物等嗜好、职业与工作条件的可能健康损害等。多维度属性项字典中涉及的医学属性项至少包括患者的人群相关属性、患者的特殊人群相关属性、患者的疾病相关属性、患者的既往病史相关属性、患者的操作相关属性、患者的个人生活史相关属性等的其中至少一个维度。
多维度属性项字典中涉及的多维度药学属性项至少包括：用药目的相关属性，例如，治疗、预防、检查、诊断等；患者过敏史相关属性，例如，药物过敏史、食物过敏史、过敏源等；患者用药史相关属性，例如，曾用特殊药物、在服药物、药物不良反应等；患者用药的给药途径相关属性，例如，口服、外用、注射、吸入等；患者用药相关基因属性等。多维度属性项字典中涉及的药学属性项至少包括：用药目的相关属性、患者过敏史相关属性、患者用药史相关属性、患者用药的给药途径相关属性、患者用药相关基因属性等的其中至少一个维度。
在步骤102中，提取药品使用要素信息。药品使用要素信息，主要包括每一种药品使用信息中适应症、用法用量适用条件、用药禁忌的相关医学或药学属性要素信息。药品使用信息来源于药品说明书、药典、国家处方集、治疗/用药指南、专家共识、以及各级医疗机构用药规定等。
步骤103，根据多维度属性项字典对药品使用要素信息进行处理。
根据拆分后的信息通过查找多维度属性项字典进行多维度处理。根据多维度属性项字典还可以异名处理同一种疾病在不同医院的不同诊断名称，比如将阿尔茨海默病与老年痴呆进行异名统一处理；也可以异名处理同一药品的不同剂型和规格的商品，进而提高了关联匹配的准确性。
在步骤104中，提取患者用药相关要素信息。用于提取患者用药时相关属性要素的实际信息。例如，包括患者性别、年龄、既往病史、疾病名称，病症等信息，尤其应包含患者所使用药品的药品使用信息中的必要信息。患者用药信息的来源为医生处方、治疗方案、用药方案、病历、病案、药历、检查结果、患者自述症状、患者自主选药等。
步骤105，根据多维度属性项字典对患者用药相关要素信息进行处理。根据拆分后的信息查找属性项字典，进行多维度处理。
步骤106，智能选药匹配比对。
具体的匹配比对公式描述如下：
某患者(Patient，简称Pa)，其患者用药信息包括年龄：(age，简称ag)、性别(gender，简称gen)、所属特殊人群(special，简称spe)、症状(symptom，简称sym)、既有病史(history disease，简称his)、家族病史(family disease，简称fam)、过敏史(allergic history，简称ale)、其他状况(Other,简称Oth)等。该患者的身体状况为Pa(ag，gen，spe，sym，his，fam，ale，Oth)。
某药品药物(Medicine,简称Med)Med，其药品使用信息中某条适应证为Med(xi)，拆分结果为Med(xi(ag，gen，spe，sym，his，fam，ale，Oth))。
此药物的某条适应证的年龄元素与该患者的用药信息中的年龄元素匹配结果为：
此药物的某条适应证与该患者的患者用药信息匹配结果为：
患者Pa，是否能够使用本药物Med的结果为：
P(Pa,Med)=1,Σi=1nG(Pa,Med(xi))>10,Σi=1nG(Pa,Med(xi))=0]]>
步骤107，通过适应症选药生成智能选药列表。符合匹配规则的药品进入适应症符合的待选药品目录，供选择。
根据本发明的另一个实施例，参照图3，该工作流程进一步包括步骤108。
步骤108，单项审核维度排除不适宜药品生成智能选药列表。提取筛选出列表的药品用药禁忌、致敏成分等不适宜使用的单项审核信息，与患者用药信息库数据进行比对，系统自动排除存在不适宜使用情况的药品，进一步生成推荐药品列表。对于用药信息不全的患者，系统提示关键信息由医生、药师、店员与患者确认或有患者自行确认，再进行排除。
根据本发明的另一个实施例，参照图4该工作流程进一步包括步骤109。
步骤109，药物重整审核维度排除不适宜药品生成智能选药列表。提取筛选后可供推荐的推荐列表的药品相互作用、重复用药等药物重整审核信息，与患者信息库数据中用药史或在服药品进行比对，自动排除存在相互作用、重复用药等不适宜使用的药品，进一步生成推荐药品列表。对于用药信息不全的患者，提示关键信息由医生、药师、店员与患者确认或由患者自行确认，再进行排除。
根据本发明的另一个实施例，参照图5该工作流程进一步包括步骤110。
步骤110，对智能选药列表进行医疗保险审核。根据患者是否使用医疗保险以及患者医疗保险的规定，系统对推荐药品的医疗保险支付情况进行自动审核，并将需要患者自费支付的药品提交给患者进行选择，从而进一步生成推荐药品列表。
根据本发明的另一个实施例，参照图6该工作流程进一步包括步骤111。
步骤111，通过个性化筛选生成智能选药列表。根据治疗方案需要或患者对选择药品的其他参数的要求(如剂型、用药周期、用药频率、口感、药品厂家品牌、用户评价、价格、携带、储存等)，由医生、药师、店员或由患者自行(OTC药品)选择筛选要素后，自动对生成的推荐药品列表进一步筛选，得出推荐药品列表，由医生、药师或店员、患者(购买OTC药品)选择。
本领域技术人员，可以得知上述步骤中的108、109、110、111可以根据需要调整其先后顺序。
根据本发明的另一个实施例，参照图7该工作流程进一步包括步骤112。
步骤112，生成用法用量推荐信息。根据最终选择的药品的用法用量信息，与之前步骤中获取或确认的信息进行自动比对，推荐出较为适宜的用法用量，以方便医生、药师或店员、患者(购买OTC药品)进行确认。
图8为本发明的一个实施例，一种智能选药系统的功能结构示意图，该系统包括药品使用要素信息提取单元201，多维度属性项字典单元202，药品使用要素信息多维度处理单元203，患者用药相关要素信息提取单元204，患者用药相关要素信息多维度处理单元205，智能选药匹配比对单元206，适应症智能选药单元207。
药品使用要素信息提取单元201。用于提取每一种药品使用信息中适应症、用法用量适用条件、用药禁忌的相关医学或药学属性要素信息。药品使用信息来源于药品说明书、药典、国家处方集、治疗/用药指南、专家共识、以及各级医疗机构用药规定等。
多维度属性项字典单元202，用于提供药品使用信息和患者用药信息中各项 医学或药学属性涉及的标准字典以及各不同来源异名与标准字典关联关系。药品适应症、用法用量适用条件、用药禁忌的信息中含有大量的不同医学或药学属性的数据，将这些数据根据其不同的医学或药学属性拆分到最小属性分项，同时保存各属性项之间的逻辑关系，并将各最小属性分项的数据与标准医学或药学属性项字典库关联，即可生成药品适应症、用法用量适用条件、用药禁忌各自对应的医学或药学属性信息的结构化标准数据库，建立多维度属性项字典单元。
药品使用要素信息多维度处理单元203，用于根据多维度属性项字典对拆分后的药品各属性信息进行多维度处理。根据多维度属性项字典单元，还可以异名处理同一种疾病在不同医院的不同诊断名称，比如将阿尔茨海默病与老年痴呆进行异名统一处理；也可以异名处理同一药品的不同剂型和规格的商品，进而提高了关联匹配的准确性。
患者用药相关要素信息提取单元204，用于提取患者用药时相关属性要素的实际信息。例如，包括患者性别、年龄、既往病史、疾病名称，病症等信息，尤其应包含患者所使用药品的药品使用信息中的必要信息。患者用药信息的来源为医生处方、治疗方案、用药方案、病历、病案、药历、检查结果、患者自述症状、患者自主选药等。
患者用药相关要素信息多维度处理单元205，根据多维度属性项字典对相关信息进行多维度处理。根据拆分后的信息查找属性项字典，进行多维度处理。
智能选药匹配比对单元206。下面展示了一种生成关联匹配度的方式。
具体的匹配比对公式描述如下：
某患者(Patient，简称Pa)，其患者用药信息包括年龄：(age，简称ag)、性别(gender，简称gen)、所属特殊人群(special，简称spe)、症状(symptom，简称sym)、既有病史(history disease，简称his)、家族病史(family disease，简称fam)、过敏史(allergic history，简称ale)、其他状况(Other,简称Oth)等。该患者的身体状况为Pa(ag，gen，spe，sym，his，fam，ale，Oth)。
某药品药物(Medicine,简称Med)Med，其药品使用信息中某条适应证为Med(xi)，拆分结果为Med(xi(ag，gen，spe，sym，his，fam，ale，Oth))。
此药物的某条适应证的年龄元素与该患者的用药信息中的年龄元素匹配结果为：
此药物的某条适应证与该患者的患者用药信息匹配结果为：
患者Pa，是否能够使用本药物Med的结果为：
P(Pa,Med)=1,Σi=1nG(Pa,Med(xi))>10,Σi=1nG(Pa,Med(xi))=0]]>
适应症智能选药单元207，通过适应症选药生成智能选药列表。符合匹配规则的药品进入适应症符合的待选药品目录，供选择。
根据本发明的另一个实施例，参照图9，该工作流程进一步包括药物单项审核维度排除不适宜药品智能选药单元208。
药物单项审核维度排除不适宜药品智能选药单元208。提取筛选出列表的药品用药禁忌、致敏成分等不适宜使用的单项审核信息，与患者用药信息库数据进行比对，系统自动排除存在不适宜使用情况的药品，进一步生成推荐药品列表。对于用药信息不全的患者，系统提示关键信息由医生、药师、店员与患者确认或有患者自行确认，再进行排除。
根据本发明的另一个实施例，参照图10该工作流程进一步包括药物重整审核维度排除不适宜药品智能选药单元209。
动态排除不适宜药品智能选药单元209，重整审核排除不适宜药品生成智能选药列表。提取筛选后可供推荐的推荐列表的药品相互作用、重复用药等药物重整审核信息，与患者信息库数据中用药史或在服药品进行比对，自动排除存在相互作用、重复用药等不适宜使用的药品，进一步生成推荐药品列表。对于用药信息不全的患者，提示关键信息由医生、药师、店员与患者确认或由患者自行确认，再进行排除。
根据本发明的另一个实施例，参照图11该工作流程进一步包括医疗保险审核单元210。
医疗保险审核单元210，对智能选药列表进行医疗保险审核。根据患者是否使用医疗保险以及患者医疗保险的规定，系统对推荐药品的医疗保险支付情况进行自动审核，并将需要患者自费支付的药品提交给患者进行选择，从而进一步生成推荐药品列表。
根据本发明的另一个实施例，参照图12该工作流程进一步包括个性化筛选智能选药单元211。
个性化筛选智能选药单元211，通过个性化筛选生成智能选药列表。根据治疗方案需要或患者对选择药品的其他参数的要求(如剂型、用药周期、用药频率、口感、药品厂家品牌、用户评价、价格、携带、储存等)，由医生、药师、店员或由患者自行(OTC药品)选择筛选要素后，自动对生成的推荐药品列表进一步筛选，得出推荐药品列表，由医生、药师或店员、患者(购买OTC药品)选择。
本领域技术人员，可以得知上述的208单元、209单元、210单元、211单元可以根据需要调整其先后顺序。
根据本发明的另一个实施例，参照图13该工作流程进一步包括用法用量推荐单元212。
用法用量推荐单元212，生成用法用量推荐信息。根据最终选择的药品的用法用量信息，与之前步骤中获取或确认的信息进行自动比对，推荐出较为适宜的用法用量，以方便医生、药师或店员、患者(购买OTC药品)进行确认。
本发明的进一步提供一种智能选药设备，该设备包括药品使用要素信息提取模块，多维度属性项字典模块，药品使用要素信息多维度处理模块，患者用药相关要素信息提取模块，患者用药相关要素信息多维度处理模块，智能选药匹配比对模块，适应症智能选药模块。
药品使用要素信息提取模块，用于提取每一种药品使用信息中适应症、用法用量适用条件、用药禁忌的相关医学或药学属性要素信息。药品使用信息来源于药品说明书、药典、国家处方集、治疗/用药指南、专家共识、以及各级医疗机构用药规定等。
多维度属性项字典模块，用于提供药品使用信息和患者用药信息中各项医学或药学属性涉及的标准字典以及各不同来源异名与标准字典关联关系。药品适应症、用法用量适用条件、用药禁忌的信息中含有大量的不同医学或药学属性的数据，将这些数据根据其不同的医学或药学属性拆分到最小属性分项，同时保存各属性项之间的逻辑关系，并将各最小属性分项的数据与标准医学或药学属性项字典库关联，即可生成药品适应症、用法用量适用条件、用药禁忌各自对应的医学或药学属性信息的结构化标准数据库，建立多维度属性项字典模块。
药品使用要素信息多维度处理模块，用于根据多维度属性项字典对拆分后的药品各属性信息进行多维度处理。根据多维度属性项字典模块，还可以异名处理同一种疾病在不同医院的不同诊断名称，比如将阿尔茨海默病与老年痴呆进行异名统一处理；也可以异名处理同一药品的不同剂型和规格的商品，进而提高了关联匹配的准确性。
患者用药相关要素信息提取模块，用于提取患者用药时相关属性要素的实际信息。例如，包括患者性别、年龄、既往病史、疾病名称，病症等信息，尤其应包含患者所使用药品的药品使用信息中的必要信息。患者用药信息的来源为医生处方、治疗方案、用药方案、病历、病案、药历、检查结果、患者自述症状、患者自主选药等。
患者用药相关要素信息多维度处理模块，根据多维度属性项字典对相关信息进行多维度处理。根据拆分后的信息查找属性项字典，进行多维度处理。
智能选药匹配比对模块。下面展示了一种生成关联匹配度的方式。
具体的匹配比对公式描述如下：
某患者(Patient，简称Pa)，其患者用药信息包括年龄：(age，简称ag)、 性别(gender，简称gen)、所属特殊人群(special，简称spe)、症状(symptom，简称sym)、既有病史(history disease，简称his)、家族病史(family disease，简称fam)、过敏史(allergic history，简称ale)、其他状况(Other,简称Oth)等。该患者的身体状况为Pa(ag，gen，spe，sym，his，fam，ale，Oth)。
某药品药物(Medicine,简称Med)Med，其药品使用信息中某条适应证为Med(xi)拆分结果为Med(xi(ag，gen，spe，sym，his，fam，ale，Oth))。
此药物的某条适应证的年龄元素与该患者的用药信息中的年龄元素匹配结果为：
此药物的某条适应证与该患者的患者用药信息匹配结果为：
患者Pa，是否能够使用本药物Med的结果为：
P(Pa,Med)=1,Σi=1nG(Pa,Med(xi))>10,Σi=1nG(Pa,Med(xi))=0]]>
适应症智能选药模块，通过适应症选药生成智能选药列表。符合匹配规则的药品进入适应症符合的待选药品目录，供选择。
根据本发明的另一个实施例，该设备进一步包括根据药物单项审核维度排除不适宜药品智能选药模块。
药物单项审核排除不适宜药品智能选药模块，提取筛选出列表的药品用药禁忌、致敏成分等不适宜使用的静态信息，与患者用药信息库数据进行比对，设备自动排除存在不适宜使用情况的药品，进一步生成推荐药品列表。对于用药信息不全的患者，设备提示关键信息由医生、药师、店员与患者确认或有患者自行确认，再进行排除。
根据本发明的另一个实施例，该设备进一步包括药物重整审核排除不适宜药品智能选药模块。
药物重整审核排除不适宜药品智能选药模块，提取筛选后可供推荐的推荐列表的药品相互作用、重复用药等动态信息，与患者信息库数据中用药史或在服药品进行比对，自动排除存在相互作用、重复用药等不适宜使用的药品，进一步生成推荐药品列表。对于用药信息不全的患者，提示关键信息由医生、药师、店员与患者确认或由患者自行确认，再进行排除。
根据本发明的另一个实施例，该设备进一步包括医疗保险审核模块。
医疗保险审核模块，对智能选药列表进行医疗保险审核。根据患者是否使用医疗保险以及患者医疗保险的规定，设备对推荐药品的医疗保险支付情况进行自动审核，并将需要患者自费支付的药品提交给患者进行选择，从而进一步生成推荐药品列表。
根据本发明的另一个实施例，该设备进一步包括个性化筛选智能选药模块。
个性化筛选智能选药模块，通过个性化筛选生成智能选药列表。根据治疗方案需要或患者对选择药品的其他参数的要求(如剂型、用药周期、用药频率、口感、药品厂家品牌、用户评价、价格、携带、储存等)，由医生、药师、店员或由患者自行(OTC药品)选择筛选要素后，自动对生成的推荐药品列表进一步筛选，得出推荐药品列表，由医生、药师或店员、患者(购买OTC药品)选择。
本领域技术人员，可以得知上述的静态排除不适宜药品智能选药模块、动态排除不适宜药品智能选药模块、医疗保险审核模块、个性化筛选智能选药模块可以根据需要调整其先后顺序。
根据本发明的另一个实施例，该设备进一步包括用法用量推荐模块。
用法用量推荐模块，生成用法用量推荐信息。根据最终选择的药品的用法用量信息，与之前步骤中获取或确认的信息进行自动比对，推荐出较为适宜的用法用量，以方便医生、药师或店员、患者(购买OTC药品)进行确认。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。