1.本发明涉及医疗信息管理领域，尤其涉及一种基于多端数据共享的用药管理方法及系统。


背景技术：

2.随着信息化、数字化医院的迅速发展，各种智能设备如自动发药机、智能包药机、智能耗材柜以其优势逐渐被广泛应用，智能麻精药柜系统通过和医院信息系统(his)对接带来提升质控，降低成本等优势，如意大利米兰国家癌症研究所手术室引入pyxis medstation 3500麻醉药品自动分配系统，药品分发错误减少100％，药剂师和护士药物准备时间分别从9小时、36小时减少到1小时、2小时，节省的时间分别相当于3730欧元和4120欧元
11.。
3.然而，目前智能麻精药柜仅在医院单一场景使用，且数据也只能在本区域内共享，而麻精药品的应用场景广泛，各应用场景数据不能共享可导致患者在不同机构重复开药；麻精药品单张处方的最大用量不符合卫生部的规定；药品未规范回收导致使用后的药品流入非法市场；居家患者用药效果无法评估导致用药安全无保障。如芬太尼作为极快速的合成麻醉性镇痛药，除了静脉内(iv)和肌内(im)注射，也可作为透皮贴剂，药效至少是吗啡的80倍，有研究发现，处方芬太尼可能通过职业不当、患者处于非医学目的获取或使用过的贴剂流出，典型的来源包括朋友、家人和在线药房。还有一些人通过贴多个贴剂或提取已使用过的贴剂进行注射/吸入，从而满足瘾症。随着毒品管控形势的变化，麻精药品管制重点逐渐转移到打击含麻精药品的复方制剂流入非法渠道成为制毒、贩毒的药品。如何将医院-机构-家庭不同场景的异构信息网络数据进行整合分析并共享是解决麻精药品闭环管理的重要环节。


技术实现要素：

4.鉴于以上现有技术存在的问题，本发明提出一种基于多端数据共享的用药管理方法及系统，主要解决不同场景用药信息共享，进行有效监控的问题。
5.为了实现上述目的及其他目的，本发明采用的技术方案如下。
6.一种基于多端数据共享的用药管理方法，包括：
7.针对特定药品在多个关联场景分别设置药品管理终端，并通过各场景的所述药品管理终端记录对应药品的多模态数据，其中，关联场景包括：医院、药品服务机构、家庭场景；
8.通过加密传输的方式从所述药品管理终端获取多模态数据，并输入预训练的半监督多模态神经网络，得到目标对象的用药偏好特征；
9.将所述用药偏好特征输入分类器，获取用药异常行为检测结果和/或药效评估结果。
10.可选地，所述多模态数据包括：用药数据记录、音频交互记录、指纹验证记录和/或
人脸识别记录。
11.可选地，通过加密传输的方式从所述药品管理终端获取多模态数据，包括：
12.在所述药品管理终端设置电子标签，通过电子标签记录目标对象与对应药品管理终端交互过程中产生多模态数据；
13.通过阅读器生成密钥，并将密钥输出至所述电子标签，所述药品管理终端根据获取的密钥进行终端验证和/或多模态数据加密传输，其中，所述密钥包括：根密钥、鉴别密钥以及会话密钥。
14.可选地，所述阅读器包括主控模块、射频模块和安全模块，所述主控模块控制所述安全模块对所述密钥进行管理，包括：
15.采用密钥分散算法对所述根密钥进行密钥分散，生成所述鉴别密钥；
16.将所述鉴别密钥通过所述射频模块输出至对应的电子标签进行终端验证，验证通过后，所述安全模块生成会话密钥，并通过所述射频模块输出至对应的电子标签进行数据加密传输。
17.可选地，所述药品管理终端包括医院药品管理端、药品服务机构药品管理端以及家庭药品管理端；
18.根据各管理端构建区块链网络，具有管理权限的对象访问所述区块链网络获取目标对象的个人信息，并根据目标对象的个人信息通过医院药品管理端和/或药品服务机构药品管理端设置对应药品的用量和/或使用方式；
19.目标对象通过身份验证，从所述医院药品管理端和/或药品服务机构药品管理端获取家庭药品管理端；在目标对象归还所述家庭药品管理端后，读取对应家庭药品管理端的多模态数据，并存储在所述区块链网络中。
20.可选地，所述半监督多模态神经网络包括：多个子网络、拼接层、输入层、隐藏层和优化层；
21.每个所述子网络对接一种单模态数据作为输入数据，提取各模态数据的同构特征；各子网络的输出连接所述拼接层，将提取的个模态数据的同构特征进行特征拼接，经过特征拼接的同构特征依次经过所述输入层、隐藏层和优化层完成特征融合，得到目标对象的所述用药偏好特征。
22.可选地，所述子网络包括第一输入层、第一输出层以及一个或多个第一隐藏层；所述第一输入层获取单模态数据对应的输入特征，经过所述第一隐藏层的权值矩阵以及映射函数进行非线性变换后输入所述第一输出层得到输出特征；并根据所述输出特征与所述输入特征的误差构建损失函数，对子网络进行预训练。
23.可选地，所述优化层采用具有单隐藏层的感知机，通过所述感知机对所述半监督多模态神经网络的权值参数进行优化。
24.可选地，所述阅读器包括动态初始化单元，所述动态初始化单元通过线性反馈移位寄存器产生伪随机序列；根据所述伪随机序列选择密钥函数，并根据选择的密钥函数生成多个所述鉴别密钥和/或会话密钥；
25.其中，所述线性反馈移位寄存器包括多组触发器和异或门电路，通过所述触发器和异或门电路构建多个反馈支路，控制所述反馈支路的取值生成所述伪随机序列。
26.一种基于多端数据共享的用药管理系统，包括：
27.药品管理模块，用于设置于使用特定药品的多个关联场景，并记录对应药品的多模态数据，其中，关联场景包括：医院、药品服务机构、家庭场景；
28.多模态特征提取模块，用于通过加密传输的方式从所述药品管理终端获取多模态数据，并输入预训练的半监督多模态神经网络，得到目标对象的用药偏好特征；
29.用药检测及评估模块，用于将所述用药偏好特征输入分类器，获取用药异常行为检测结果和/或药效评估结果。
30.如上所述，本发明一种基于多端数据共享的用药管理方法及系统，具有以下有益效果。
31.对各关联场景进行数据采集，并对多模态数据进行信息融合，实现多应用场景的实时采集、追踪溯源、分析预警，实现跨区域数据共享；加密数据传输保障个人数据隐私，提高数据安全性。
附图说明
32.图1为本发明一实施例中基于多端数据共享的用药管理方法的流程示意图。
33.图2为本发明一实施例中线性反馈移位寄存器的原理图。
34.图3为本发明一实施例中半监督多模态神经网络的结构框架示意图。
35.图4为本发明一实施例中子网络的结构示意图。
具体实施方式
36.以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
37.需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
38.请参阅图1，本发明提供一种基于多端数据共享的用药管理方法，包括以下步骤。
39.步骤s01，针对特定药品在多个关联场景分别设置药品管理终端，并通过各场景的药品管理终端记录对应药品的多模态数据，其中，关联场景包括：医院、药品服务机构、家庭场景。
40.在一实施例中，特定药品可包括麻精药品如醋托啡、醋美沙朵等。药品管理终端可包括设置于医院的药品管理柜、设置于药品服务机构的药品管理柜以及设置于存放于药品柜中的药品管理箱。药品服务机构可包括各级药品监督管理机构、卫生院、诊所等。医生可在根据患者的个人信息如病历等开具处方，配置患者需要使用的麻精药品、用量、使用方式等，将处方设置在医院或机构对应的药品管理柜中。患者根据个人身份信息经过身份验证从药品管理柜中提取匹配的药品管理箱，带回家按处方用药。患者每次从药品管理箱中取药，需要进行身份验证，以记录取药频次以及用量等。以此产生交互过程中的多模态数据。
其中，多模态数据包括：用药数据记录、音频交互记录、指纹验证记录、人脸识别记录等中的一种或多种。患者在归还药品管理箱后，可从药品管理箱中读取患者的多模态数据。
41.在一实施例中，可根据医院、药品服务机构、家庭场景对应的药品管理柜以及药品管理箱建立区块链网络，即构建基于关联场景的区块链网络，并将读取的多模态数据存储在区块链网络中，以便于不同地域的医院或机构之间进行数据共享。在网络架构上基于区块链技术采用iso(open system interconection)开放互联的架构模式，标准化的通信功能包括系统数据传输，对系统中硬件、数据库、程序等资源的访问调用。系统采用七层模型，其中包含物理层、链路层、网络层、传输层、会话层、表示层、应用层。数据上采用tcp/ip4模型进行设计，系统硬件设备独立网络采用nb-iot的独立网络物理通道。采用nb-iot的数据传输通道，将设备基础信息(药品管理箱、药品管理柜等)、患者信息、医院信息、时间、位置信息、麻精药品存贮信息等实时上传。患者、医生、监管单位访问系统，查看数据可采用互联网pc端或手机微信小程序等方式，便于数据广泛共享。采用固定物理通道，在保密协议下实现麻精药品监控系统与医院或各级监管部门系统之间数据交互共享。
42.步骤s02，通过加密传输的方式从药品管理终端获取多模态数据，并输入预训练的半监督多模态神经网络，得到目标对象的用药偏好特征。
43.在一实施例中，通过加密传输的方式从所述药品管理终端获取多模态数据，包括：
44.在所述药品管理终端设置电子标签，通过电子标签记录目标对象与对应药品管理终端交互过程中产生多模态数据；
45.通过阅读器生成密钥，并将密钥输出至所述电子标签，所述药品管理终端根据获取的密钥进行终端验证和/或多模态数据加密传输，其中，所述密钥包括：根密钥、鉴别密钥以及会话密钥。
46.在一实施例中，可采用无源rfid(radio frequency identification)，由阅读器为电子标签提供电源。阅读器包括主控模块、射频模块和安全模块，所述主控模块控制所述安全模块对所述密钥进行管理，包括：
47.采用密钥分散算法对所述根密钥进行密钥分散，生成所述鉴别密钥；
48.将所述鉴别密钥通过所述射频模块输出至对应的电子标签进行终端验证，验证通过后，安全模块生成会话密钥，并通过所述射频模块输出至对应的电子标签进行数据加密传输。
49.具体地，安全模块的密钥主要有密钥的生成方式、密钥算法的选择和密钥管理三方面内容。
50.密钥生成：
51.gb/t29768中安全鉴别协议运用到了至少三个密钥：根密钥rk、鉴别密钥ak、会话密钥sk。
52.根密钥rk：根密钥是在密钥分散时作为密钥分散算法的密钥，所有鉴别密钥都是由根密钥和密钥分散因子由密钥分散算法分散生成。根密钥的生成方式应当由密钥生成系统通过随机数发生器生成。
53.鉴别密钥ak：鉴别密钥是在安全鉴别协议中，鉴别双方在响应挑战时用对称算法或者异或运算进行加密时所使用的密钥，鉴别密钥必须具有唯一性。该密钥应当由根密钥和密钥分散因子tid经过密钥分散算法分散得到。
54.会话密钥sk：会话密钥适用于电子标签与阅读器信息传输过程的信息加密。在gb/t29768协议中，会话密钥是在标签与阅读器安全鉴别过程中由阅读器生成并发送给电子标签，在电子标签和阅读器分别完成响应挑战，通过安全鉴别之后，该密钥才生效，并作为会话密钥在信息传输加密中使用。
55.算法选择：
56.gb/t29768中安全鉴别协议所涉及到的加密算法一共两种：安全鉴别对称算法、密钥分散算法。根据gb/t29768标准规定，协议中所用的算法应当遵循国家商用密码的相关标准，国家商用密码规定的算法如表1所示。
57.表1国家商用密码
[0058][0059]
安全鉴别对称算法是用于在安全鉴别过程中，利用鉴别密钥对鉴别数据进行加密的对称算法。如表1所示，有sm1、sm4和sm7属于对称加密算法，其密钥长度均为128比特，加密分组长度分别为128比特、128比特和64比特。考虑到射频识别系统中标签和阅读器的通信方式和标签的计算能力，选择分组长度更短的加密算法有利于标签达到发送响应数据包的时序要求，所以可选择sm7算法作为安全鉴别对称算法。
[0060]
密钥分散算法是由阅读器用根密钥rk和密钥分散因子tid通过分散算法计算鉴别密钥ak的算法。由于密钥分散算法的输出为鉴别密钥，因此要求密钥分散算法的分组长度应当与鉴别密钥的长度一致。若鉴别密钥的长度为128比特，则密钥分散算法的分组长度应当为128比特，又因sm1算法暂未公开，故选择sm4算法作为密钥分散算法来生成鉴别密钥。
[0061]
密钥管理：
[0062]
密钥管理系统采用国家密码管理局认可的密码算法，电子标签与阅读器使用sm7对称加密算法进行双向身份鉴别，密钥长度为128位。电子标签信息区存储数据可使用sm4加密算法，加密密钥长度128位。
[0063]
在一实施例中，阅读器包括动态初始化单元，所述动态初始化单元通过线性反馈移位寄存器产生伪随机序列；根据所述伪随机序列选择密钥函数，并根据选择的密钥函数生成多个所述鉴别密钥和/或会话密钥；
[0064]
其中，所述线性反馈移位寄存器包括多组触发器和异或门电路，通过所述触发器和异或门电路构建多个反馈支路，控制所述反馈支路的取值生成所述伪随机序列。
[0065]
具体地，采用位数小的计数器进行动态初始化，既减少初始化时使用的硬件资源，
又增强rfid的安全性。rfid中的线性反馈移位寄存器(lfsr)可以产生伪随机序列(prbs)，该寄存器由触发器和异或门电路组成，如图2所示，其中gn为反馈系数，取值为0或1，取0时表明不存在该反馈支路，取1时表明存在该反馈支路；反馈系数的不同决定了产生随机算法的不同。在动态初始化阶段，拟采用lfsr的高比特位赋值给计数器，赋值后的计数器是从0000000到1111110的随机数。采用计数器counter来构建循环密钥函数，进行80bit密钥的索引和初始化，可以有效地减少延迟和功耗，并提升安全性。
[0066]
请参阅图3，在一实施例中，半监督多模态神经网络包括：多个子网络、拼接层、输入层、隐藏层和优化层；
[0067]
每个所述子网络对接一种单模态数据作为输入数据，提取各模态数据的同构特征；各子网络的输出连接所述拼接层，将提取的个模态数据的同构特征进行特征拼接，经过特征拼接的同构特征依次经过所述输入层、隐藏层和优化层完成特征融合，得到目标对象的所述用药偏好特征。其中，目标对象即前述患者。
[0068]
具体地，半监督多模态神经网络，通过在根部网络划分不同的子网络，对不同模态进行划分，针对从原始数据中提供的多种不同模态特征，可以有效抽取出一种同构特征表达，最后对所有同构特征进行融合，得到患者用药偏好特征。
[0069]
在一实施例中，子网络包括第一输入层、第一输出层以及一个或多个第一隐藏层；所述第一输入层获取单模态数据对应的输入特征，经过所述第一隐藏层的权值矩阵以及映射函数进行非线性变换后输入所述第一输出层得到输出特征；并根据所述输出特征与所述输入特征的误差构建损失函数，对子网络进行预训练。不同模态的数据信息对应着不同的子网络。由于子网络的输入不同，因此子网络的隐藏层和神经元节点数目也不相同。
[0070]
请参阅图4，在子网络中，输入层为数据信息x，通过隐藏层的权值矩阵ωm和映射函数φ做非线性变换，映射之后得到隐含特征h＝φ(ωmtx)，最后通过输出层得到特征输出x’。为了得到输出特征x’和原始输入x的误差，定义误差函数为：
[0071]
loss(x-x’)＝||x-x’||2
[0072]
在子网络的训练中，并没有使用标记信息，因此可以使用大量的无标记的原始数据信息进行无监督训练。
[0073]
经过底部网络中各子网络得到不同模态的高层抽象表达之后，这些同构的特征在上部网络进行合并拼接之后作为上部网络的输入，经过隐藏层和优化层之后，最终得到需要的多模态融合特征表达。优化层实质上可采用一个具有单隐藏层的感知机，将无监督信息和监督信息联合起来进行权值的参数优化。
[0074]
步骤s03，将用药偏好特征输入分类器，获取用药异常行为检测结果和/或药效评估结果。
[0075]
传统的异常检测模型往往只根据用药过程中的文本信息进行建模，忽略了如音频、指纹和人脸等丰富的行为信息。本实施例中，可根据患者的特征，如性别、年龄、疾病类型、开药地点、用药频率等，融合文本信息和行为信息，基于时序关系和逻辑关系融合得到用药偏好特征。进一步将用药偏好特征输入分类器，识别出异常用药行为。分类器可采用常规的分类器结构，通过对分类器进行预训练以提升分类精度，具体分类识别过程这里不再赘述。
[0076]
也可结合用药内容相关特征和患者特征(脸部特征、音频特征等)进行用药效果评
价，在回收药品管理箱的过程中，推送用药效果评价表给患者，并保存用药效果，实现麻精药品的“闭环”管理。
[0077]
请参阅图2，本实施例提供了一种基于多端数据共享的用药管理系统，用于执行前述方法实施例中所述的基于多端数据共享的用药管理方法。由于系统实施例的技术原理与前述方法实施例的技术原理相似，因而不再对同样的技术细节做重复性赘述。
[0078]
在一实施例中，基于多端数据共享的用药管理系统，包括：
[0079]
药品管理模块，用于设置于使用特定药品的多个关联场景，并记录对应药品的多模态数据，其中，关联场景包括：医院、药品服务机构、家庭场景；
[0080]
多模态特征提取模块，用于通过加密传输的方式从所述药品管理终端获取多模态数据，并输入预训练的半监督多模态神经网络，得到目标对象的用药偏好特征；
[0081]
用药检测及评估模块，用于将所述用药偏好特征输入分类器，获取用药异常行为检测结果和/或药效评估结果。
[0082]
综上所述，本发明一种基于多端数据共享的用药管理方法及系统，建立用户行为分析模型，探明不同用户行为模式，实现基于用户用药时间行为序列、不同角色用户关系的异常用药行为预警，评估用户用药效果；基于半监督学习，优化深度人工神经网络结构，通过建立半监督多模态神经网络，在消除不同模态之间异构性的前提下，探索不同模态之间联系的保留，最终提高用户潜在偏好特征提取的精确性和有效性；采用nb-iot的数据传输通道，将设备基础信息、用户信息、医院信息、时间、位置信息、麻精药品存贮信息等实时上传；用户、医生、监管单位访问系统，查看数据可采用互联网pc端或手机微信小程序等方式，便于数据广泛共享；采用固定物理通道，在保密协议下实现麻精药品监控系统与医院或各级监管部门系统之间数据交互共享。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
[0083]
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。