基于深度学习的智能服药管理平台设计及应用

刘婷 赵逸凡 叶萍

摘 要：服药依从性差一直是药物治疗过程中面临的一大难题，尤其对中老年慢性病患者而言，遗忘是影响其服药依从性最主要的因素。据此设计一款基于深度学习的智能服药管理平台，该平台以物联网、数据挖掘技术为依托，以智能药盒为基础，联合手机APP、微信公众号和小程序等，具有用药计划创建、智能服药提醒、服药记录反馈等功能，还可以向患者提供用药资讯及多方服务监督功能。应用该智能服药管理平台可显著改善患者不规律服药的情况，减少漏服现象。

关键词：服药管理;服药提醒;服药依从性;深度学习

DOI：10. 11907/rjdk. 182933 开放科学（资源服务）标识码（OSID）：

中图分类号：TP302文献标识码：A 文章编号：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

药物治疗是疾病治疗中最常用且有效的治疗方式之一，但服药依从性差一直是药物治疗过程中面临的一大难题，尤其对于需要长期服药的中老年慢性病患者而言[1-2]。维持药物起效所需血药浓度的前提是按时按次按量服药，否则不仅会延缓治疗时间，甚至可能导致治疗失败或病情加重。

据统计，即便在发达国家，患者接受长期药物治疗1年后其依从性也仅约50%，而在落后地区这一概率更低[3]，美国每年因漏服或误服药物造成的医疗保健损失高达     1 000亿美元[4]，其中将近一半的治疗失败案例都是由于患者对药物依从性差导致的[5-6]。以女性恶性肿瘤中发病率最高的乳腺癌为例，根据2012年美国国家综合癌症网络（National Comprehensive Cancer Network，NCCN）乳腺癌临床实践指南[7]的推荐，激素受体阳性的乳腺癌患者术后在长达5～10年内都需要服用内分泌药物，但通过回顾性分析发现，随访到5年疗程结束时，31%～73%的患者未能遵循医嘱而擅自终止治疗[8]。服药依从性随着治疗时间的推移不断降低[5]，治疗2～3年时，患者重视程度明显下降，但事实上2～3年是一个复发高峰[9]，中断服药时很多患者不愿告知主诊医生，因而不易受到医务人员干预，很容易造成治疗失败，而且不规律服药极易导致耐药性，不利于患者的進一步治疗。

在临床实际药物治疗过程中，各种原因引起的不规则服药现象时有发生。纵观各种影响因素，患者自身起到了决定性作用，而遗忘是影响患者尤其是老年患者服药依从性最主要的因素[10]。目前主要使用手机闹铃、短信或专用设备等改善患者服药情况[3，11-14]，虽然上述方法都取得了一定效果，但存在功能单一、设置繁琐、缺乏人性化等缺陷，因此使用率较低。虽然国外在智能服药提醒系统研究方面已有一定进展，但对于国内的中老年慢性病人而言接受较为困难，不易普及。因此，亟待开发一种能为患者提供全方位、个性化药物管理服务的智能移动医疗设备。为此，笔者设计了一款基于深度学习的智能服药管理平台，以帮助患者改善服药依从性。

1 技术方案

该智能服药管理平台以物联网、数据挖掘技术为依托，以Wi-Fi智能药盒为基础，并联合了手机APP，以及微信公众号与小程序等相关功能。

1.1 Wi-Fi智能药盒硬件

该智能药盒微控制器采用ESP系列物联网芯片（32位处理器），具有成本低、功耗低，以及具有良好的软件生态等优势，以确保该产品性能稳定、续航持久。采用与之匹配的轻开发环境，以缩短开发周期、降低研发成本。

1.2 手机客户端软件

客户端软件都是GUI程序，在GUI程序开发中，处理复杂的交互界面是一大难题。本文采用MVP与MVVM架构，以实现程序的健壮性和可维护性。

简单界面采用MVP架构，Presenter处理用户对视图的操作，首先进行数据预处理，再交给相应的Model进行处理。Model变更后，Presenter通过View提供的接口更新界面（见图1）。

复杂界面交互较多，MVP架构难以胜任，所以改用MVVM架构，通过数据绑定，使模型更新后界面也会自动更新，从而大大减少了手动更新界面的重复操作，节约人力成本（见图2）。

1.3 云服务

云服务作为智能硬件与客户端软件的后台，主要承担数据存储、数据挖掘职能，其关键技术包含容器技术、持续部署、分布式数据库与机器学习等。

1.3.1 容器技术

以Docker为代表的容器技术正在快速改变着Web应用创建、发布与运行方式。容器镜像包含了运行应用所需的程序、组件、运行环境与依赖，使用容器技术能使开发环境、测试环境与生产环境一致。另外，相比于传统虚拟化技术，容器的性能损耗更小。

1.3.2 持续部署

持续部署使产品可以快速迭代，同时还能保持高质量。它能自动化完成测试、构建、部署等步骤，大大提高了软件开发效率。

1.3.3 分布式数据库

分布式数据库具有高可用、扩展性好的优点。如在三节点副本集架构下，3个数据节点在不同物理服务器上自动同步数据。Primary和Secondary节点提供服务，当Primary节点出现故障时，系统自动选举新的Primary节点，当Secondary节点不可用时，则由备用节点接管服务，从而保证数据库的高可用性。

1.3.4 基于深度学习的个性化提醒

深度学习（Deep Learning）是机器学习的一个分支，也是用于医学图像与电子健康记录解释的主要技术工具之一，其在图像分析、语音识别、机器翻译等领域取得了令人瞩目的成果[15-21]。“深度学习”中的“深度”是指用一系列连续的层通过非线性变换得到输入的向量表示，这些层的数量即是模型深度（depth）。深度学习与其它机器学习方法的不同之处在于这些表示层全都是从训练数据中自动学习的，而其它机器学习方法的重点往往是手动构造有用的表示（称为特征工程）。因此，选用深度学习技术不仅是因为其在很多领域有良好表现，而且还能将特征工程完全自动化，使解决问题变得更加简单。

人工智能，尤其是深度学习技术在医学领域的应用已经越来越广泛。智能服药管理平台提供了基于深度學习算法的个性化提醒服务。算法从患者服药情况、生物信息、诊疗记录等数据中得到分类模型，可个性化地为用户选择最合适的提醒方式，在不过度打扰用户的前提下保证提醒效果。

2 功能服务

本智能服药管理平台为患者设计了一套从医院到家庭的全方位、多维度服务体系。

2.1 个性化服药提醒方案

可以通过药盒或手机APP在单机或联网两种模式下添加用户信息、创建用药计划、记录服药信息、发送服药提醒，还能根据不同患者的用药行为规律，分析制定个性化的服药提醒方案，避免漏服或误服药物。

2.2 健康用药资讯

目前，患者对服药的基本常识仍存在普遍缺失的现象，很多患者盲目自信，自觉病情好转便不再服药，而这恰恰是很多患者通往康复之路的隐形杀手。通过向患者个性化地推送服药健康资讯，对病人开展远程健康教育，从而提升其对药物治疗的认知，督促患者对服药过程进行自我管理。

2.3 多方服药监督

通过医疗物联网平台的信息共享，可使亲属即便不在身边，也能实时掌握家人服药情况，随时随地发送问候或提醒，加强子女与父母的联系，搭建家人间有效沟通的桥梁，实现“低成本智能化养老”的目标。

3 临床试验

3.1 试验方法

本实验招募了20名乳腺癌内分泌治疗患者作为志愿者，并观察其6个月的服药情况，每名患者每天服药2 次，每15天进行一次随访。每次服药早于或晚于规定时间30min 即认为是不按时服药，少服或遗忘服药则视为漏服。以上两种均属于不规律服药，其它情况视为规律服药。每次规律服药记1 分，不规律服药记0 分。定义规律服药率为：规律服药得分/应服药次数。患者服药期间，使用智能服药管理平台干预2个月，干预前后2个月设置为对照期。

3.2 试验结果

使用智能服药管理平台进行干预期间，患者的规律服药率由使用前的81.5%上升至96.3%，但停止使用后，患者的规律服药率显著下降，逐渐降至87.9%，但仍高于智能服药管理平台干预前的规则服药率。表明该智能服药管理平台能显著改善患者的不规律服药情况，减少不按时服药与漏服情况。

4 结语

该智能服药管理平台操作简单、使用便捷，不仅可以储存药物、记录服药信息，还可以提供个性化、多方位的服药提醒，并通过向患者推送针对性的健康用药资讯，从行为与认知两个层面由里及表地提高患者服药依从性，督促其对服药进行自我管理。但目前仍有很多功能尚未实现，如“虚拟诊疗”在如今的医疗大环境与科技助推下已得到了快速发展，未来可进一步开发远程用药咨询功能，建立患者与医生直接沟通的平台，使患者获得更加便捷的用药指导与治疗建议;通过智能硬件搜集患者的生物行为信息及生理指标，建立信息样本库并对其进行深度挖掘与研究，在为医生提供大样本科研数据信息，并节省其时间和经济成本的同时，也能更好地为患者提供前瞻性的预防措施及针对性的治疗方案，进而获得最佳治疗体验，实现对传统诊疗模式的升级。

参考文献：

[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] 朱叶卉，胡雁，吴密彬，等. 提高乳腺癌患者内分泌治疗服药依从性的深度访谈[J]. 护士进修杂志，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] 李香风，刘薇. 微信对改善癌症患者疼痛强度及服药依从性的效果评价[J]. 中华护理杂志， 2015，50（12）：1454-1457.

[12] 彭昕，宋丽秀，陈卫刚，等. 电话随访对幽门螺杆菌感染患者服药依从性及根除率的影响[J]. 中南大学学报：医学版，2017，42（3）：308-312.

[13] 張贝贝，黄容，王小丽. 短信通对高血压出院患者服药依从性的影响[J]. 当代护士：上旬刊，2016（8）：35-37.

[14] 赵红莉，杨海侠，杨会，等. 微信平台对于改善原发性肝癌患者疼痛强度及服药依从性的效果研究[J]. 检验医学与临床，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.

（责任编辑：黄 健）