劉世雄　熊旺平

摘? 要：為降低藥物不良事件的發(fā)生率，保障中成藥臨床合理用藥水平。文章基于機(jī)器閱讀理解和預(yù)訓(xùn)練模型的命名實(shí)體識(shí)別方法提取處方關(guān)鍵信息，采用雙向LSTM和注意力機(jī)制的關(guān)系抽取模型建立知識(shí)圖譜規(guī)則庫，在此基礎(chǔ)上形成中成藥用藥監(jiān)測(cè)系統(tǒng)。所構(gòu)建的實(shí)體識(shí)別和關(guān)系抽取模型在各自數(shù)據(jù)集上，F(xiàn)1值分別達(dá)到88.89%和77.96%，相較于關(guān)系型數(shù)據(jù)庫，知識(shí)圖譜系統(tǒng)的監(jiān)測(cè)準(zhǔn)確率提升12%。評(píng)估結(jié)果表明，該系統(tǒng)能夠快速響應(yīng)，有效提高處方監(jiān)測(cè)效率，對(duì)保證患者用藥安全具有重要意義。

關(guān)鍵詞：中成藥；安全用藥；知識(shí)圖譜；監(jiān)測(cè)系統(tǒng)；關(guān)系抽取

中圖分類號(hào)：TP39? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2023）13-0145-05

Design and Implementation of Drug Monitoring System for Chinese Patent Medicine Based on Knowledge Graph

LIU Shixiong， XIONG Wangping

（School of Computer， Jiangxi University of Chinese Medicine， Nanchang? 330004， China）

Abstract： To reduce the incidence of adverse drug events and promote the rational clinical use of Chinese Patent Medicines. In this research， the key information in the prescription is extracted by the named entity recognition method based on machine reading comprehension and pre-training model， and the relationship extraction model of the two-way LSTM and attention mechanism is used to establish a knowledge graph rule library， and on the basis of the above， a e drug monitoring system for Chinese patent medicine is formed. The entity identification and relational extraction models constructed in this study achieve 88.89% and 77.96% F1 values， respectively， on their respective datasets， and the knowledge graph system improves the monitoring accuracy by 12% compared to relational databases. The evaluation results show that the system built in this study can respond quickly and effectively improve the efficiency of prescription monitoring， which is of great significance to ensure the safety of patients' medication.

Keywords： Chinese patent medicine; safe medication; knowledge graph; monitoring system; relationship extraction

0? 引? 言

藥品安全事關(guān)人民群眾身體健康和生命安全。我國人口基數(shù)大，不合理現(xiàn)象不容忽視。中成藥因性質(zhì)穩(wěn)定、療效確切、毒副作用相對(duì)較小、服用方便等特點(diǎn)，有著深厚的基層群眾基礎(chǔ)[1，2]，但臨床開藥存有不少問題：開藥行為不規(guī)范，或在患者分科、分院就診時(shí)存在重復(fù)用藥現(xiàn)象；開中成藥時(shí)忽視中醫(yī)的辨證施治，即未考慮特殊人群（包括老人、兒童、妊娠期和哺乳期婦女等）的身體特征，或未考慮中成藥藥量對(duì)患者肝腎功能的損害[3]；忽視中成藥禁忌、藥物之間的相互作用。為此研發(fā)安全用藥監(jiān)測(cè)系統(tǒng)，以保障患者合理用藥[4]。本文通過知識(shí)圖譜將疾病實(shí)體、病癥實(shí)體以及中成藥藥物實(shí)體等關(guān)聯(lián)起來，形成中成藥給藥基礎(chǔ)數(shù)據(jù)規(guī)則庫；將上傳的處方組提煉癥、病和中成藥給藥關(guān)鍵信息，與醫(yī)療知識(shí)圖譜中的現(xiàn)有癥狀進(jìn)行匹配，對(duì)處方中所涉中成藥的聯(lián)合用藥、重復(fù)用藥、藥與病、藥量以及辨證施治五個(gè)方面進(jìn)行監(jiān)測(cè)，以期為預(yù)防藥物不良事件發(fā)生，提高安全用藥水平提供一種新的技術(shù)思路。

1? 國內(nèi)外藥品安全系統(tǒng)研究現(xiàn)狀

歐美發(fā)達(dá)國家率先將安全用藥系統(tǒng)嵌入電子處方系統(tǒng)，進(jìn)行實(shí)時(shí)的監(jiān)管控制，歐洲各國紛紛建立歐洲微生物耐藥監(jiān)測(cè)系統(tǒng)和歐洲抗菌藥物使用量檢測(cè)網(wǎng)。美國波士頓醫(yī)院將臨床路徑的經(jīng)驗(yàn)和成果引入合理用藥系統(tǒng)。First DataBank公司作為全球最大的藥物信息數(shù)據(jù)庫開發(fā)中心，為PASS系統(tǒng)提供全面的技術(shù)支持和基礎(chǔ)數(shù)據(jù)源[5，6]。目前國內(nèi)應(yīng)用的合理用藥系統(tǒng)主要有四川美康醫(yī)藥研究開發(fā)有限公司的PASS合理用藥監(jiān)測(cè)系統(tǒng)和上海大通醫(yī)藥信息技術(shù)有限公司的藥物咨詢及用藥安全監(jiān)測(cè)系統(tǒng)，在用藥劑量、藥品禁忌癥、相互作用等可能會(huì)對(duì)患者造成身體傷害的方面，進(jìn)行實(shí)時(shí)的監(jiān)控提醒，避免醫(yī)療事故的發(fā)生[7-9]。盡管傳統(tǒng)中醫(yī)藥學(xué)歷經(jīng)幾千年的發(fā)展，但是缺乏統(tǒng)一描述，知識(shí)體系完備性不夠，給信息利用以及共享造成很大難度，而對(duì)中成藥不良反應(yīng)監(jiān)測(cè)又存在涉及的藥物品種多、應(yīng)用范圍廣、成分復(fù)雜、認(rèn)識(shí)不統(tǒng)一、量效關(guān)系不明確、命名不規(guī)范等特點(diǎn)[10，11]，對(duì)中成藥進(jìn)行有效監(jiān)測(cè)的難度可想而知。目前監(jiān)測(cè)框架使用的基礎(chǔ)規(guī)則庫主要面向西藥[12，13]，缺少中成藥聯(lián)合用藥禁忌、辨證施治等系統(tǒng)的標(biāo)準(zhǔn)化數(shù)據(jù)規(guī)則庫，因此現(xiàn)有中成藥監(jiān)測(cè)體系不能很好地滿足具體需求。

2? 系統(tǒng)設(shè)計(jì)

用藥監(jiān)測(cè)系統(tǒng)以用藥規(guī)則庫為基礎(chǔ)實(shí)現(xiàn)對(duì)處方的審核，由于傳統(tǒng)關(guān)系型規(guī)則庫難以適應(yīng)中成藥體系的復(fù)雜性，本文通過關(guān)系抽取模型抽取知識(shí)，再形成能整合多尺度信息的知識(shí)圖譜用藥規(guī)則庫，同時(shí)以命名實(shí)體識(shí)別方法提取處方中的關(guān)鍵信息，在此基礎(chǔ)上形成中成藥用藥監(jiān)測(cè)系統(tǒng)。本系統(tǒng)的主要框架包括模型構(gòu)建、知識(shí)圖譜構(gòu)建、系統(tǒng)應(yīng)用三大模塊，如圖1所示。

2.1? 模型構(gòu)建

2.1.1? 關(guān)系抽取模型

關(guān)系抽取對(duì)于知識(shí)圖譜的構(gòu)建具有重要的意義，是自動(dòng)化獲取關(guān)系三元組的必要手段。本研究利用雙向長短期記憶網(wǎng)絡(luò)（Long Short-term Memory Networks， LSTM）[14]和注意力機(jī)制構(gòu)建端到端的關(guān)系抽取模型，再基于預(yù)定義的抽取規(guī)則進(jìn)行關(guān)系三元組抽取。根據(jù)標(biāo)注整理好的中成藥關(guān)系抽取語料庫，模型的輸入嵌入層利用Word2Vec訓(xùn)練得到字向量，雙向LSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取，注意力機(jī)制計(jì)算字符之間的權(quán)重，獲取文本信息中的重要信息以及條件隨機(jī)場(chǎng)（Conditional Random Field， CRF）[15]序列輸出，最后基于抽取規(guī)則達(dá)到三元組抽取，如圖2所示。

2.1.2? 命名實(shí)體識(shí)別模型

命名實(shí)體識(shí)別主要是針對(duì)給定的預(yù)處理處方，識(shí)別出其中可能存在的實(shí)體詞，進(jìn)而與知識(shí)圖譜相匹配，是實(shí)現(xiàn)系統(tǒng)的技術(shù)基礎(chǔ)之一。本研究主要利用預(yù)訓(xùn)練BERT[16]模型實(shí)現(xiàn)模型的構(gòu)建，模型編碼層將句子中的每個(gè)字映射為向量表示，再由Transformers得到句子信息的隱層表示，最后由模型分類層得到實(shí)體識(shí)別的輸出，完成句子中有特殊意義的實(shí)體識(shí)別。

2.2? 模型結(jié)果

2.2.1? 關(guān)系抽取結(jié)果

為自動(dòng)抽取三元組，使用整理后的中成藥關(guān)系抽取語料庫，語料庫的來源包含書籍《國家基本藥物（中成藥）臨床指南》《常用中藥配伍與禁忌》等。關(guān)系類別分為5類，如聯(lián)合用藥禁忌等，評(píng)價(jià)標(biāo)準(zhǔn)采用F1值。通過雙向LSTM的強(qiáng)大特征提取能力和注意力機(jī)制的強(qiáng)化關(guān)鍵信息關(guān)聯(lián)，在關(guān)系抽取數(shù)據(jù)集上訓(xùn)練達(dá)到了77.96%的F1值，最后得到三元組關(guān)系文件。

通常，完備的知識(shí)圖譜經(jīng)過關(guān)系抽取后還要?dú)v經(jīng)知識(shí)融合、知識(shí)加工等流程，而本研究知識(shí)圖譜只利用關(guān)系抽取得到三元組，最后輔以人工校正三元組，錄入Neo4j圖形數(shù)據(jù)庫。

2.2.2? 命名實(shí)體識(shí)別結(jié)果

對(duì)于用藥系統(tǒng)而言，能否準(zhǔn)確分詞，識(shí)別處方語句中與中成藥相關(guān)的實(shí)體，從而進(jìn)行知識(shí)圖譜的匹配查詢才是系統(tǒng)的關(guān)鍵所在。本研究的命名實(shí)體識(shí)別標(biāo)注語料來自《國家基本藥物臨床應(yīng)用指南》以及部分臨床電子病歷，將原始數(shù)據(jù)整理成BIO標(biāo)注格式，實(shí)體類別主要分為三類：疾病、癥狀、中成藥，評(píng)價(jià)標(biāo)準(zhǔn)采用綜合評(píng)價(jià)指標(biāo)F1值。通過實(shí)體識(shí)別模型，引入有關(guān)實(shí)體信息的先驗(yàn)知識(shí)，最后在標(biāo)注數(shù)據(jù)集上達(dá)到88.89%的綜合F1值，可以滿足實(shí)際需求。訓(xùn)練得到的模型會(huì)自動(dòng)保存，新的處方文件會(huì)直接調(diào)用模型進(jìn)行預(yù)測(cè)，得到有關(guān)中成藥的中文字段。

3? 知識(shí)圖譜構(gòu)建

通過關(guān)系抽取得到的三元組文件，輔以人工校正、錄入，構(gòu)建合理用藥、重復(fù)用藥、依癥施治等圖譜，各知識(shí)圖譜組合成中成藥合理用藥規(guī)則庫。圖譜的實(shí)體為中成藥藥名、癥狀、藥量、證等本體概念，本體概念之間具有關(guān)系，實(shí)體與關(guān)系以三元組形式（E1，R，E2）存于Neo4j圖形數(shù)據(jù)庫中。例如（附子理中丸，禁忌，牛黃解毒片），附子理中丸和牛黃解毒片為兩個(gè)實(shí)體，而兩實(shí)體之間存在禁忌關(guān)系，在Neo4j圖形數(shù)據(jù)庫中，節(jié)點(diǎn)表示實(shí)體，而節(jié)點(diǎn)相連的邊表示實(shí)體之間的關(guān)系。

中成藥用藥知識(shí)圖譜將中成藥、病、癥、特殊人群等信息關(guān)聯(lián)起來，將這些關(guān)聯(lián)信息結(jié)構(gòu)化，實(shí)現(xiàn)多尺度知識(shí)的關(guān)聯(lián)與融合，為基于知識(shí)圖譜的中成藥用藥監(jiān)測(cè)系統(tǒng)形成數(shù)據(jù)基礎(chǔ)。部分中成藥合理用藥知識(shí)圖譜如圖3所示。

4? 中成藥用藥監(jiān)測(cè)系統(tǒng)的實(shí)現(xiàn)

本文基于知識(shí)圖譜的用藥規(guī)則庫，搭建中成藥合理用藥監(jiān)測(cè)系統(tǒng)。選用C#三層架構(gòu)、Client/Server結(jié)構(gòu)進(jìn)行系統(tǒng)的開發(fā)。系統(tǒng)主要包括合理用藥知識(shí)庫、合理用藥審查、用藥動(dòng)態(tài)監(jiān)測(cè)和專家處方點(diǎn)評(píng)等功能模塊以及相關(guān)數(shù)據(jù)統(tǒng)計(jì)分析和用戶權(quán)限分配等輔助功能模塊。系統(tǒng)采取“事先限制、事中干預(yù)、事后監(jiān)管”的模式，多維度發(fā)現(xiàn)和制止不合理用藥的情況，達(dá)到監(jiān)測(cè)目標(biāo)。

4.1? 模塊設(shè)計(jì)

4.1.1? 合理用藥知識(shí)庫

模塊主要包括藥品說明書、標(biāo)準(zhǔn)處方模板、國家藥典。說明書針對(duì)已收錄的中成藥，可以查看中成藥詳細(xì)信息，標(biāo)準(zhǔn)處方模板收錄一些標(biāo)準(zhǔn)的模板，給用戶提供參考。合理用藥知識(shí)庫主要是滿足醫(yī)藥工作人員或患者對(duì)基礎(chǔ)醫(yī)學(xué)知識(shí)的查詢需求，是系統(tǒng)設(shè)定的最基礎(chǔ)模塊。頁面展示如圖4所示。

4.1.2? 用藥審查

該模塊實(shí)現(xiàn)藥物相互作用的審查，用戶自行添加兩種以上待監(jiān)測(cè)的藥物，在規(guī)則庫中進(jìn)行匹配檢索，查找是否存在用藥禁忌關(guān)系，并反饋結(jié)果到前端界面，避免醫(yī)生開具不合理用藥處方，達(dá)到合理用藥事前預(yù)警的目的。

4.1.3? 用藥動(dòng)態(tài)監(jiān)測(cè)

用藥動(dòng)態(tài)監(jiān)測(cè)模塊是系統(tǒng)的核心模塊。監(jiān)測(cè)管理員將醫(yī)生開具的處方文件導(dǎo)入到系統(tǒng)中，系統(tǒng)自動(dòng)監(jiān)測(cè)處方數(shù)據(jù)，通過參數(shù)調(diào)用訓(xùn)練好的命名實(shí)體識(shí)別模型提取其中的實(shí)體，對(duì)五個(gè)方面進(jìn)行監(jiān)測(cè)：聯(lián)合用藥監(jiān)測(cè)、對(duì)癥給藥監(jiān)測(cè)、重復(fù)用藥監(jiān)測(cè)、辨證施治監(jiān)測(cè)、藥量控制監(jiān)測(cè)。合理用藥監(jiān)測(cè)完畢將此次監(jiān)測(cè)結(jié)果更新到數(shù)據(jù)庫，在首頁進(jìn)行展示，供相關(guān)人員統(tǒng)計(jì)之用。功能展示如圖5所示。

4.1.4? 專家點(diǎn)評(píng)

專家處方點(diǎn)評(píng)模塊是本研究框架的第二個(gè)核心模塊。該模塊的功能是專家人員點(diǎn)評(píng)醫(yī)生開具的處方，并根據(jù)系統(tǒng)提供的處方點(diǎn)評(píng)標(biāo)準(zhǔn)，對(duì)每個(gè)處方中的不合理項(xiàng)目進(jìn)行計(jì)分標(biāo)注，監(jiān)測(cè)員可以通過系統(tǒng)查看處方的得分信息，找到相應(yīng)的問題所在，在不合理用藥的最后一個(gè)階段實(shí)施監(jiān)測(cè)。

4.2? 系統(tǒng)評(píng)估效果

為驗(yàn)證系統(tǒng)的準(zhǔn)確率及相應(yīng)速度，對(duì)收集到的200份包含中成藥的電子病歷集進(jìn)行監(jiān)測(cè)，以系統(tǒng)響應(yīng)時(shí)間、模塊監(jiān)測(cè)等平均準(zhǔn)確率為評(píng)價(jià)標(biāo)準(zhǔn)，與傳統(tǒng)關(guān)系型規(guī)則庫的監(jiān)測(cè)系統(tǒng)進(jìn)行對(duì)比。結(jié)果兩種以上聯(lián)合用藥可能存在風(fēng)險(xiǎn)的監(jiān)測(cè)準(zhǔn)確率明顯高于傳統(tǒng)關(guān)系型數(shù)據(jù)庫，提升了12%，此外基于知識(shí)圖譜的系統(tǒng)結(jié)果響應(yīng)時(shí)間提升至0.8 s。得益于知識(shí)圖譜關(guān)系表達(dá)能力強(qiáng)的優(yōu)點(diǎn)及其查詢簡(jiǎn)單、快速的特點(diǎn)，在提高準(zhǔn)確率的同時(shí)，又能快速反饋，大大提升了用戶的使用體驗(yàn)。

5? 結(jié)? 論

中成藥用藥監(jiān)測(cè)系統(tǒng)根據(jù)臨床安全用中成藥工作的基本特點(diǎn)和要求，基于知識(shí)圖譜數(shù)據(jù)庫組織原理和技術(shù)，成功實(shí)現(xiàn)了合理用藥監(jiān)測(cè)、專家處方點(diǎn)評(píng)及相關(guān)統(tǒng)計(jì)分析。根據(jù)上傳的電子病歷對(duì)醫(yī)生的處方進(jìn)行基本審查，對(duì)不符合合理用藥規(guī)范的處方信息給出警示信息。該系統(tǒng)有助于提升醫(yī)療質(zhì)量，保障患者用藥安全。

此外，該系統(tǒng)有待深入研究的地方在于：現(xiàn)階段的關(guān)系抽取還是基于有監(jiān)督學(xué)習(xí)，人工標(biāo)注語料的代價(jià)巨大。下一步嘗試半監(jiān)督學(xué)習(xí)，將未標(biāo)注的數(shù)據(jù)和部分標(biāo)注的數(shù)據(jù)同時(shí)訓(xùn)練，從而降低圖譜構(gòu)建代價(jià)。進(jìn)一步完善合理用藥知識(shí)庫（包括全品種藥物相互作用規(guī)則庫、藥物食物相互作用規(guī)則庫、禁忌癥及老年人、兒童、妊娠期、哺乳期等特殊人群合理用藥規(guī)則庫等），從而使該系統(tǒng)更貼近實(shí)際場(chǎng)景。同時(shí)在此應(yīng)用監(jiān)測(cè)的基礎(chǔ)上，綜合考慮患者的病情、給藥方式和用藥時(shí)間，實(shí)現(xiàn)更為全面的監(jiān)測(cè)。

參考文獻(xiàn)：

[1] 馬志會(huì).我院2015年—2017年中成藥不良反應(yīng)分析報(bào)告 [J].基層醫(yī)學(xué)論壇，2019，23（16）：114-116.

[2] 王少波，左錚云.江西省鄉(xiāng)鎮(zhèn)衛(wèi)生院中醫(yī)藥發(fā)展現(xiàn)狀及對(duì)策分析 [J].江西中醫(yī)藥大學(xué)學(xué)報(bào)，2013，25（4）：82-83.

[3] 林相如.基于Hadoop的合理用藥系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn) [D].哈爾濱：哈爾濱工業(yè)大學(xué)，2014.

[4] 蘇洽玉.合理用藥監(jiān)測(cè)系統(tǒng)對(duì)臨床不合理用藥監(jiān)測(cè)情況分析 [J].中國醫(yī)院用藥評(píng)價(jià)與分析，2018，18（11）：1551-1554.

[5]ANGRAAL S，KRUMHOLZ H M，SCHULZ W L. Blockchain technology：Applications in health care [J].Circulation：Cardiovascular Quality and Qutcomes，2017，10（9）：91-94.

[6] DAGHER G G，MOHLER J，MILOJKOVIC M，et al. Ancile：Privacy-preserviong framework for access controland interoperability of electronic health records using blockchain technology [J].Sustainable Cities and Society，2018，39（4）：283-297.

[7] 薛騰飛，傅群超，王樅，等.基于區(qū)塊鏈的醫(yī)療數(shù)據(jù)共享模型研究 [J].自動(dòng)化學(xué)報(bào)，2017，43（9）：1555-1562.

[8] 程冬梅，李志.基于霧計(jì)算的醫(yī)院信息服務(wù)系統(tǒng) [J].計(jì)算機(jī)科學(xué)，2015（7）：170-173.

[9] WU X H，XIE G Y，CAI C M，et al.Discussion on Effects of PASS on Monitoring the Rationality of Clinical Medication in Xiamen Haicang Hospital [J].Evaluation and Analysis of Drug-Use in Hospitals of China，2018，18（6）：856-857+861.

[10] 包文虎，陶有青，王璐，等.中醫(yī)藥國際標(biāo)準(zhǔn)化進(jìn)展、問題和對(duì)策芻議 [J].世界中醫(yī)藥，2015，10（4）：613-618.

[11] 王傳池，楊燕，胡鏡清，等.中醫(yī)藥標(biāo)準(zhǔn)化調(diào)研分析的現(xiàn)狀、問題與相關(guān)政策解讀[J].中華中醫(yī)藥雜志，2018，33（9）：3776-3780.

[12] TANG M Q. Design and Implementation of Health Management System Based on Mobile Application [J].Computer ence and Application，2018，8（12）：1843-1849.

[13] 胡欣燕，李璐瑒，國琦，等.中醫(yī)醫(yī)院用藥咨詢數(shù)據(jù)庫模式分析與探討 [J].中國藥師，2019，22（4）：682-685.

[14] MIWA M，BANSAL M. End-to-End Relation Extraction using LSTMs on Sequences and Tree Structures [EB/OL].[2022-11-26].https：//arxiv.org/pdf/1601.00770.pdf.

[15] LAFFERTY J，MCCALLUM A，PEREIRA F. Conditional Random Fields： Probabilistic Models for Segmenting and Labeling Sequence Data [EB/OL].[2022-11-25].https：//www.researchgate.net/publication/2529190_Conditional_Random_Fields_Probabilistic_Models_for_Segmenting_and_Labeling_Sequence_Data.

[16] DEVLIN J，CHANG M W，LEE K，et al. BERT： Pre-training of Deep Bidirectional Transformers for Language Understanding [EB/OL].[2022-11-21].https：//arxiv.org/pdf/1810.04805.pdf.

作者簡(jiǎn)介：劉世雄（1997—），男，漢族，山西運(yùn)城人，碩士研究生在讀，研究方向：自然語言處理；通訊作者：熊旺平（1982—），男，漢族，江西豐城人，副教授，博士，研究方向：數(shù)據(jù)挖掘、自然語言處理。

收稿日期：2022-12-28

基金項(xiàng)目：國家自然科學(xué)基金資助項(xiàng)目（82160955）