用于药房替代的方法、系统和计算机程序产品与流程

用于药房替代的方法、系统和计算机程序产品
1.相关申请的交叉引用
2.本技术要求2020年10月27日提交的标题为“method,system,and computer program product for pharmacy substitutions”的美国临时申请序列no.63/106,214的优先权，其全部内容通过引用并入本文。
技术领域
3.本公开涉及药房替代，并且在一些非限制性实施例或方面中，涉及用于训练和更新机器学习过程以确定诊断处方的替代处方的方法、系统和计算机程序产品。


背景技术：

4.药剂师可以推荐用一种或多种处方替代为患者的病症/疾病开出的一种或多种其它处方，以实现一种或多种处方相对于一种或多种其它处方所提供的成本节约。


技术实现要素：

5.因而，提供了用于药房替代的改进的系统、设备、产品、装置和/或方法。
6.根据一些非限制性实施例或方面，提供了一种计算机实现的方法，包括：获得与针对与至少一个患者相关联的至少一个处方的至少一个理赔相关联的理赔数据；基于理赔数据，确定与至少一个患者相关联的至少一个处方的至少一个通用标识符；为与一个或多个处方相关联的一个或多个通用标识符获得与一个或多个已知诊断相关联的药物诊断数据；基于至少一个通用标识符和药物诊断数据，确定与针对至少一个患者的至少一个处方相关联的至少一个可能诊断；基于理赔数据，确定与与至少一个处方相关联的至少一个可能诊断相关联的至少一个成本；针对至少一个可能诊断，使用基于训练数据集训练的机器学习模型，确定与至少一个可能诊断相关联的至少一个处方的至少一个潜在替代处方；向至少一个用户提供与至少一个可能诊断相关联的至少一个处方的至少一个潜在替代处方相关联的节省信息；从至少一个用户接收与与至少一个可能诊断相关联的至少一个处方的至少一个潜在替代处方相关联的用户输入；基于用户输入，更新训练数据集以包括与至少一个潜在替代处方相关联的至少一个可能诊断作为至少一个经训练的诊断；以及基于更新后的训练数据集训练机器学习模型。
7.在一些非限制性实施例或方面，该方法还包括：确定至少一个可能诊断是否与确认的数据集中的一个或多个确认的诊断匹配；响应于确定至少一个可能诊断与确认的数据集中的一个或多个确认的诊断匹配，进行以下之一：(i)更新训练数据集以包括与至少一个处方相关联的至少一个可能诊断作为一个或多个经训练的诊断，以及(ii)通过调整与经训练的数据集中至少一个现有的经训练的诊断相关联的权重来更新经训练的数据集。
8.在一些非限制性实施例或方面，该方法还包括：基于至少一个可能诊断和确认的数据集，确定与至少一个可能诊断相关联的严重性级别，其中严重性级别被输入到至少一个机器学习模型以确定与至少一个可能诊断相关联的至少一个处方的至少一个潜在替代
处方。
9.在一些非限制性实施例或方面，至少一个潜在替代处方与至少一个可能诊断的与至少一个处方相同的严重性级别相关联。
10.在一些非限制性实施例或方面，该方法还包括：基于至少一个可能诊断和训练数据集，确定与至少一个可能诊断相关联的至少一个概率，其中至少一个概率被输入到至少一个机器学习模型以确定与至少一个可能诊断相关联的至少一个处方的至少一个潜在替代处方。
11.在一些非限制性实施例或方面，至少一个潜在替代处方包括以下至少一种：与与至少一个处方相关联的药物不同的药物、与与至少一个处方相关联的剂量不同的剂量、停止使用与至少一个处方相关联的药物的指示、与至少一个处方相关联的相同药物的不同配方、与至少一个处方相关联的相同药物的不同包装，或其任何组合。
12.在一些非限制性实施例或方面，至少一个成本还基于与至少一个处方相关联的当前成本和与至少一个处方相关联的未来成本来确定，其中未来成本与当前成本不同。
13.根据一些非限制性实施例或方面，提供了一种系统，包括：一个或多个处理器，被编程和/或被配置为：获得与针对与至少一个患者相关联的至少一个处方的至少一个理赔相关联的理赔数据；基于理赔数据，确定与至少一个患者相关联的至少一个处方的至少一个通用标识符；为与一个或多个处方相关联的一个或多个通用标识符获得与一个或多个已知诊断相关联的药物诊断数据；基于至少一个通用标识符和药物诊断数据，确定与针对至少一个患者的至少一个处方相关联的至少一个可能诊断；基于理赔数据，确定与与至少一个处方相关联的至少一个可能诊断相关联的至少一个成本；针对至少一个可能诊断，使用基于训练数据集训练的机器学习模型，确定与至少一个可能诊断相关联的至少一个处方的至少一个潜在替代处方；向至少一个用户提供与至少一个可能诊断相关联的至少一个处方的至少一个潜在替代处方相关联的节省信息；从至少一个用户接收与与至少一个可能诊断相关联的至少一个处方的至少一个潜在替代处方相关联的用户输入；基于用户输入，更新训练数据集以包括与至少一个潜在替代处方相关联的至少一个可能诊断作为至少一个经训练的诊断；以及基于更新后的训练数据集训练机器学习模型。
14.在一些非限制性实施例或方面，一个或多个处理器还被编程和/或被配置为：确定至少一个可能诊断是否与确认的数据集中的一个或多个确认的诊断匹配；响应于确定至少一个可能诊断与确认的数据集中的一个或多个确认的诊断匹配，进行以下之一：(i)更新训练数据集以包括与至少一个处方相关联的至少一个可能诊断作为一个或多个经训练的诊断，以及(ii)通过调整与经训练的数据集中至少一个现有的经训练的诊断相关联的权重来更新经训练的数据集。
15.在一些非限制性实施例或方面，一个或多个处理器还被编程和/或被配置为：基于至少一个可能诊断和确认的数据集，确定与至少一个可能诊断相关联的严重性级别，其中严重性级别被输入到至少一个机器学习模型以确定与至少一个可能诊断相关联的至少一个处方的至少一个潜在替代处方。
16.在一些非限制性实施例或方面，至少一个潜在替代处方与至少一个可能诊断的与至少一个处方相同的严重性级别相关联。
17.在一些非限制性实施例或方面，一个或多个处理器还被编程和/或被配置为：基于
至少一个可能诊断和训练数据集，确定与至少一个可能诊断相关联的至少一个概率，其中至少一个概率被输入到至少一个机器学习模型以确定与至少一个可能诊断相关联的至少一个处方的至少一个潜在替代处方。
18.在一些非限制性实施例或方面，至少一个潜在替代处方包括以下至少一种：与与至少一个处方相关联的药物不同的药物、与与至少一个处方相关联的剂量不同的剂量、停止使用与至少一个处方相关联的药物的指示、与至少一个处方相关联的相同药物的不同配方、与至少一个处方相关联的相同药物的不同包装，或其任何组合。
19.在一些非限制性实施例或方面，至少一个成本还基于与至少一个处方相关联的当前成本和与至少一个处方相关联的未来成本来确定，其中未来成本与当前成本不同。
20.根据一些非限制性实施例或方面，提供了一种计算机程序产品，包括至少一个非暂态计算机可读介质，该介质包括程序指令，程序指令在由至少一个处理器执行时使该至少一个处理器：获得与针对与至少一个患者相关联的至少一个处方的至少一个理赔相关联的理赔数据；基于理赔数据，确定与至少一个患者相关联的至少一个处方的至少一个通用标识符；为与一个或多个处方相关联的一个或多个通用标识符获得与一个或多个已知诊断相关联的药物诊断数据；基于至少一个通用标识符和药物诊断数据，确定与针对至少一个患者的至少一个处方相关联的至少一个可能诊断；基于理赔数据，确定与与至少一个处方相关联的至少一个可能诊断相关联的至少一个成本；针对至少一个可能诊断，使用基于训练数据集训练的机器学习模型，确定与至少一个可能诊断相关联的至少一个处方的至少一个潜在替代处方；向至少一个用户提供与至少一个可能诊断相关联的至少一个处方的至少一个潜在替代处方相关联的节省信息；从至少一个用户接收与与至少一个可能诊断相关联的至少一个处方的至少一个潜在替代处方相关联的用户输入；基于用户输入，更新训练数据集以包括与至少一个潜在替代处方相关联的至少一个可能诊断作为至少一个经训练的诊断；以及基于更新后的训练数据集训练机器学习模型。
21.在一些非限制性实施例或方面，指令在由至少一个处理器执行时还使该至少一个处理器：确定至少一个可能诊断是否与确认的数据集中的一个或多个确认的诊断匹配；响应于确定至少一个可能诊断与确认的数据集中的一个或多个确认的诊断匹配，进行以下之一：(i)更新训练数据集以包括与至少一个处方相关联的至少一个可能诊断作为一个或多个经训练的诊断，以及(ii)通过调整与经训练的数据集中至少一个现有的经训练的诊断相关联的权重来更新经训练的数据集。
22.在一些非限制性实施例或方面，指令在由至少一个处理器执行时还使该至少一个处理器：基于至少一个可能诊断和确认的数据集，确定与至少一个可能诊断相关联的严重性级别，其中严重性级别被输入到至少一个机器学习模型以确定与至少一个可能诊断相关联的至少一个处方的至少一个潜在替代处方。
23.在一些非限制性实施例或方面，至少一个潜在替代处方与至少一个可能诊断的与至少一个处方相同的严重性级别相关联。
24.在一些非限制性实施例或方面，指令在由至少一个处理器执行时还使该至少一个处理器：基于至少一个可能诊断和训练数据集，确定与至少一个可能诊断相关联的至少一个概率，其中至少一个概率被输入到至少一个机器学习模型以确定与至少一个可能诊断相关联的至少一个处方的至少一个潜在替代处方。
25.在一些非限制性实施例或方面，至少一个潜在替代处方包括以下至少一种：与与至少一个处方相关联的药物不同的药物、与与至少一个处方相关联的剂量不同的剂量、停止使用与至少一个处方相关联的药物的指示、与至少一个处方相关联的相同药物的不同配方、与至少一个处方相关联的相同药物的不同包装，或其任何组合。
26.在一些非限制性实施例或方面，至少一个成本还基于与至少一个处方相关联的当前成本和与至少一个处方相关联的未来成本来确定，其中未来成本与当前成本不同。
27.在以下编号的条款中阐述了进一步的非限制性实施例或方面：
28.条款1、一种计算机实现的方法，包括：获得与针对与至少一个患者相关联的至少一个处方的至少一个理赔相关联的理赔数据；基于理赔数据，确定与所述至少一个患者相关联的所述至少一个处方的至少一个通用标识符；为与所述一个或多个处方相关联的一个或多个通用标识符获得与一个或多个已知诊断相关联的药物诊断数据；基于所述至少一个通用标识符和药物诊断数据，确定与针对所述至少一个患者的所述至少一个处方相关联的至少一个可能诊断；基于理赔数据，确定与和所述至少一个处方相关联的所述至少一个可能诊断相关联的至少一个成本；针对所述至少一个可能诊断，使用基于训练数据集训练的机器学习模型，确定与所述至少一个可能诊断相关联的所述至少一个处方的至少一个潜在替代处方；向至少一个用户提供与和所述至少一个可能诊断相关联的所述至少一个处方的所述至少一个潜在替代处方相关联的节省信息；从所述至少一个用户接收与和所述至少一个可能诊断相关联的所述至少一个处方的所述至少一个潜在替代处方相关联的用户输入；基于用户输入，更新训练数据集以包括与所述至少一个潜在替代处方相关联的所述至少一个可能诊断作为至少一个经训练的诊断；以及基于更新后的训练数据集训练机器学习模型。
29.条款2、如条款1所述的计算机实现的方法，还包括：确定所述至少一个可能诊断是否与确认的数据集中的一个或多个确认的诊断匹配；响应于确定所述至少一个可能诊断与确认的数据集中的一个或多个确认的诊断匹配，进行以下之一：(i)更新训练数据集以包括与所述至少一个处方相关联的所述至少一个可能诊断作为一个或多个经训练的诊断，以及(ii)通过调整与经训练的数据集中至少一个现有的经训练的诊断相关联的权重来更新经训练的数据集。
30.条款3、如条款1和2任一项所述的计算机实现的方法，还包括：基于所述至少一个可能诊断和确认的数据集，确定与所述至少一个可能诊断相关联的严重性级别，其中严重性级别被输入到所述至少一个机器学习模型以确定与所述至少一个可能诊断相关联的所述至少一个处方的所述至少一个潜在替代处方。
31.条款4、如条款1-3任一项所述的计算机实施的方法，其中所述至少一个潜在替代处方与所述至少一个可能诊断的与所述至少一个处方相同的严重性级别相关联。
32.条款5、如条款1-4任一项所述的计算机实现的方法，还包括：基于所述至少一个可能诊断和训练数据集，确定与所述至少一个可能诊断相关联的至少一个概率，其中所述至少一个概率被输入到所述至少一个机器学习模型以确定与所述至少一个可能诊断相关联的所述至少一个处方的所述至少一个潜在替代处方。
33.条款6、如条款1-5任一项所述的计算机实施的方法，其中所述至少一个潜在替代处方包括以下至少一种：与和所述至少一个处方相关联的药物不同的药物、与和所述至少
一个处方相关联的剂量不同的剂量、停止使用与所述至少一个处方相关联的药物的指示、与所述至少一个处方相关联的相同药物的不同配方、与所述至少一个处方相关联的相同药物的不同包装，或其任何组合。
34.条款7、如条款1-6任一项所述的计算机实现的方法，其中所述至少一个成本还基于与所述至少一个处方相关联的当前成本和与所述至少一个处方相关联的未来成本来确定，其中未来成本与当前成本不同。
35.条款8、一种系统，包括：一个或多个处理器，被编程和/或被配置为：获得与针对与至少一个患者相关联的至少一个处方的至少一个理赔相关联的理赔数据；基于理赔数据，确定与所述至少一个患者相关联的所述至少一个处方的至少一个通用标识符；为与所述一个或多个处方相关联的一个或多个通用标识符获得与一个或多个已知诊断相关联的药物诊断数据；基于所述至少一个通用标识符和药物诊断数据，确定与针对所述至少一个患者的所述至少一个处方相关联的至少一个可能诊断；基于理赔数据，确定与和所述至少一个处方相关联的所述至少一个可能诊断相关联的至少一个成本；针对所述至少一个可能诊断，使用基于训练数据集训练的机器学习模型，确定与所述至少一个可能诊断相关联的所述至少一个处方的至少一个潜在替代处方；向至少一个用户提供与和所述至少一个可能诊断相关联的所述至少一个处方的所述至少一个潜在替代处方相关联的节省信息；从所述至少一个用户接收与和所述至少一个可能诊断相关联的所述至少一个处方的所述至少一个潜在替代处方相关联的用户输入；基于用户输入，更新训练数据集以包括与所述至少一个潜在替代处方相关联的所述至少一个可能诊断作为至少一个经训练的诊断；以及基于更新后的训练数据集训练机器学习模型。
36.条款9、如条款8所述的系统，其中所述一个或多个处理器还被编程和/或被配置为：确定所述至少一个可能诊断是否与确认的数据集中的一个或多个确认的诊断匹配；响应于确定所述至少一个可能诊断与确认的数据集中的一个或多个确认的诊断匹配，进行以下之一：(i)更新训练数据集以包括与所述至少一个处方相关联的所述至少一个可能诊断作为一个或多个经训练的诊断，以及(ii)通过调整与经训练的数据集中至少一个现有的经训练的诊断相关联的权重来更新经训练的数据集。
37.条款10、如条款8和9任一项所述的系统，其中所述一个或多个处理器还被编程和/或被配置为：基于所述至少一个可能诊断和确认的数据集，确定与所述至少一个可能诊断相关联的严重性级别，其中严重性级别被输入到所述至少一个机器学习模型以确定与所述至少一个可能诊断相关联的所述至少一个处方的所述至少一个潜在替代处方。
38.条款11、如条款8-10任一项所述的系统，其中所述至少一个潜在替代处方与所述至少一个可能诊断的与所述至少一个处方相同的严重性级别相关联。
39.条款12、如条款8-11任一项所述的系统，其中所述一个或多个处理器还被编程和/或被配置为：基于所述至少一个可能诊断和训练数据集，确定与所述至少一个可能诊断相关联的至少一个概率，其中所述至少一个概率被输入到所述至少一个机器学习模型以确定与所述至少一个可能诊断相关联的所述至少一个处方的所述至少一个潜在替代处方。
40.条款13、如条款8-12任一项所述的系统，其中所述至少一个潜在替代处方包括以下至少一种：与和所述至少一个处方相关联的药物不同的药物、与和所述至少一个处方相关联的剂量不同的剂量、停止使用与所述至少一个处方相关联的药物的指示、与所述至少
一个处方相关联的相同药物的不同配方、与所述至少一个处方相关联的相同药物的不同包装，或其任何组合。
41.条款14、如条款8-13任一项所述的系统，其中所述至少一个成本还基于与所述至少一个处方相关联的当前成本和与所述至少一个处方相关联的未来成本来确定，其中未来成本与当前成本不同。
42.条款15、一种计算机程序产品，包括至少一个非暂态计算机可读介质，该介质包括程序指令，程序指令在由至少一个处理器执行时使所述至少一个处理器：获得与针对与至少一个患者相关联的至少一个处方的至少一个理赔相关联的理赔数据；基于理赔数据，确定与所述至少一个患者相关联的所述至少一个处方的至少一个通用标识符；为与所述一个或多个处方相关联的一个或多个通用标识符获得与一个或多个已知诊断相关联的药物诊断数据；基于所述至少一个通用标识符和药物诊断数据，确定与针对所述至少一个患者的所述至少一个处方相关联的至少一个可能诊断；基于理赔数据，确定与和所述至少一个处方相关联的所述至少一个可能诊断相关联的至少一个成本；针对所述至少一个可能诊断，使用基于训练数据集训练的机器学习模型，确定与所述至少一个可能诊断相关联的所述至少一个处方的至少一个潜在替代处方；向至少一个用户提供与和所述至少一个可能诊断相关联的所述至少一个处方的所述至少一个潜在替代处方相关联的节省信息；从所述至少一个用户接收与和所述至少一个可能诊断相关联的所述至少一个处方的所述至少一个潜在替代处方相关联的用户输入；基于用户输入，更新训练数据集以包括与所述至少一个潜在替代处方相关联的所述至少一个可能诊断作为至少一个经训练的诊断；以及基于更新后的训练数据集训练机器学习模型。
43.条款16、如条款15所述的计算机程序产品，其中指令在由所述至少一个处理器执行时还使所述至少一个处理器：确定所述至少一个可能诊断是否与确认的数据集中的一个或多个确认的诊断匹配；响应于确定所述至少一个可能诊断与确认的数据集中的一个或多个确认的诊断匹配，进行以下之一：(i)更新训练数据集以包括与所述至少一个处方相关联的所述至少一个可能诊断作为一个或多个经训练的诊断，以及(ii)通过调整与经训练的数据集中至少一个现有的经训练的诊断相关联的权重来更新经训练的数据集。
44.条款17、如条款15和16任一项所述的计算机程序产品，其中指令在由所述至少一个处理器执行时还使所述至少一个处理器：基于所述至少一个可能诊断和确认的数据集，确定与所述至少一个可能诊断相关联的严重性级别，其中严重性级别被输入到所述至少一个机器学习模型以确定与所述至少一个可能诊断相关联的所述至少一个处方的所述至少一个潜在替代处方，
45.条款18、如条款15-17任一项所述的计算机程序产品，其中所述至少一个潜在替代处方与所述至少一个可能诊断的与所述至少一个处方相同的严重性级别相关联。
46.条款19、如条款15-18任一项所述的计算机程序产品，其中指令在由所述至少一个处理器执行时还使所述至少一个处理器：基于所述至少一个可能诊断和训练数据集，确定与所述至少一个可能诊断相关联的至少一个概率，其中所述至少一个概率被输入到所述至少一个机器学习模型以确定与所述至少一个可能诊断相关联的所述至少一个处方的所述至少一个潜在替代处方。
47.条款20、如条款15-19任一项所述的计算机程序产品，其中所述至少一个潜在替代
处方包括以下至少一种：与和所述至少一个处方相关联的药物不同的药物、与和所述至少一个处方相关联的剂量不同的剂量、停止使用与所述至少一个处方相关联的药物的指示、与所述至少一个处方相关联的相同药物的不同配方、与所述至少一个处方相关联的相同药物的不同包装，或其任何组合。
48.条款21、如条款15-20任一项所述的计算机程序产品，其中所述至少一个成本还基于与所述至少一个处方相关联的当前成本和与所述至少一个处方相关联的未来成本来确定，其中未来成本与当前成本不同。
49.通过参考附图考虑以下描述和所附权利要求，本公开的这些和其它特征和特点以及结构的相关元件的操作方法和功能以及零件的结合和制造的经济性将变得更加显而易见，所有这些都构成本说明书的一部分，其中相似的附图标号表示各个附图中的对应部分。但是，应当明确地理解，附图仅出于说明和描述的目的，并且不旨在作为限制的定义。如说明书和权利要求书中所使用的，单数形式的“一”和“该”包括复数对象，除非上下文另外明确指出。
附图说明
50.下面参考附图中示出的示例性实施例来更详细地解释本公开的实施例或方面的其它优点和细节，其中：
51.图1是可以实现本文所述的系统、设备、产品、装置和/或方法的环境的非限制性实施例或方面的图；
52.图2是图1的一个或多个设备和/或一个或多个系统的组件的非限制性实施例或方面的框图；
53.图3a和3b是用于药房替代的过程的非限制性实施例或方面的流程图；
54.图4是用于药房替代的过程的非限制性实施例或方面的流程图；
55.图5是用于药房替代的过程的非限制性实施例或方面的流程图；
56.图6是用于药房替代的过程的非限制性实施例或方面的流程图；以及
57.图7图示了可以由用于药房替代的过程发现的示例潜在规则。
具体实施方式
58.应该理解的是，本公开可以采用各种替代变体和步骤顺序，除非明确指明相反。还应该理解的是，在附图中图示并在以下说明书中描述的特定设备和过程仅仅是示例性的且非限制性的实施例或方面。因此，与本文公开的实施例或方面相关的特定维度和其它物理特性不应该被视为限制性的。
59.除非明确地那样描述，否则本文中使用的任何方面、组件、元件、结构、动作、步骤、功能、指令等都不应当被解释为关键或必要的。而且，如本文所使用的，冠词“一”旨在包括一个或多个项，并且可以与“一个或多个”和“至少一个”互换使用。此外，如本文所使用的，术语“集合”旨在包括一个或多个项(例如，相关的项、不相关的项、相关的和不相关的项的组合等)，并且可以与“一个或多个”或“至少一个”互换使用。在仅意图一项的情况下，使用术语“一个(one)”或类似语言。而且，如本文所使用的，术语“具有”等旨在是开放式术语。另外，短语“基于”旨在表示“至少部分地基于”，除非另有明确说明。
60.如本文所使用的，术语“通信”可以指数据(例如，信息、信号、消息、指令、命令等)的接收(reception)、接收(receipt)、传输、传送、提供等。对于要与另一个单元通信的一个单元(例如，设备、系统、设备或系统的组件、其组合等)意味着该一个单元能够直接或间接地从该另一个单元接收信息和/或向其传输信息。这可以指本质上是有线和/或无线的直接或间接连接(例如，直接通信连接、间接通信连接等)。此外，两个单元可以彼此通信，即使所传输的信息可以在第一和第二单元之间被修改、处理、中继和/或路由。例如，第一单元可以与第二单元通信，即使第一单元被动地接收信息并且不主动地向第二单元传输信息。作为另一个示例，如果至少一个中间单元处理从第一单元接收的信息并将经处理的信息传送到第二单元，那么第一单元可以与第二单元通信。
61.显然，本文描述的系统和/或方法可以以不同形式的硬件、软件或硬件和软件的组合来实现。用于实现这些系统和/或方法的实际专用控制硬件或软件代码不限制实施方式。因此，本文描述了系统和/或方法的操作和行为而不参考特定的软件代码，应该理解的是，软件和硬件可以被设计为基于本文的描述来实现系统和/或方法。
62.本文结合阈值描述了一些非限制性实施例或方面。如本文所使用的，满足阈值可以指值大于阈值、多于阈值、高于阈值、大于或等于阈值、小于阈值、少于阈值、低于阈值、小于或等于阈值、等于阈值等。
63.如本文所使用的，术语“移动设备”可以指被配置为与一个或多个网络通信的一个或多个便携式电子设备。作为示例，移动设备可以包括蜂窝电话(例如，智能电话或标准蜂窝电话)、便携式计算机(例如，平板计算机、膝上型计算机等)、可穿戴设备(例如，手表、眼镜、镜片、衣服等)、个人数字助理(pda)和/或其它类似设备。如本文所使用的，术语“客户端设备”和“用户设备”是指被配置为与一个或多个服务器或远程设备和/或系统通信的任何电子设备。客户端设备或用户设备可以包括移动设备、启用网络的电器(例如，启用网络的电视、冰箱、恒温器等)、计算机、pos系统，和/或能够与网络通信的任何其它设备或系统。
64.如本文所使用的，术语“计算设备”可以指被配置为处理数据的一个或多个电子设备。在一些示例中，计算设备可以包括接收、处理和输出数据的必要组件，诸如处理器、显示器、存储器、输入设备、网络接口等。计算设备可以是移动设备。作为示例，移动设备可以包括蜂窝电话(例如，智能电话或标准蜂窝电话)、便携式计算机、可穿戴设备(例如，手表、眼镜、镜片、衣服等)、pda、和/或其它类似设备。计算设备也可以是台式计算机或其它形式的非移动计算机。
65.如本文所使用的，术语“服务器”和/或“处理器”可以指或包括一个或多个计算设备，其由网络环境(诸如互联网)中的多方操作或促进多方的通信和处理，但是将认识到的是，可以促进通过一个或多个公共或私有网络环境的通信并且各种其它布置是可能的。另外，在网络环境中直接或间接通信的多个计算设备(例如，服务器、pos设备、移动设备等)可以构成“系统”。如本文所使用的，对“服务器”或“处理器”的引用可以指被叙述为执行先前的步骤或功能的先前叙述的服务器和/或处理器、不同的服务器和/或处理器，和/或服务器和/或处理器的组合。例如，如说明书和权利要求中所使用的，被叙述为执行第一步骤或功能的第一服务器和/或第一处理器可以指被叙述为执行第二步骤或功能的相同或不同的服务器和/或处理器。
66.如本文所使用的，术语“应用编程接口”(api)可以指允许不同系统或系统的(硬件
和/或软件)组件之间的通信的计算机代码。例如，api可以包括其它系统或系统的其它(硬件和/或软件)组件可使用和/或可访问的函数调用、函数、子例程、通信协议、字段等。
67.如本文所使用的，术语“用户界面”或“图形用户界面”是指生成的显示，诸如一个或多个图形用户界面(gui)，用户可以或者直接或者间接(例如，通过键盘、鼠标、触摸屏等)与其交互。
68.本公开的非限制性实施例或方面可以将患者的医疗和药物理赔与其他患者的理赔进行比较，以确定可能的诊断、药物与诊断的等效性和/或诊断严重性，并使用该确定来识别药物和药物组合，以通过建议对药物处方进行临床上等效的改变来减少或最小化护理成本。例如，本公开的非限制性实施例或方面可以了解和理解处方中临床等效性的(一个或多个)细微差别。作为示例，对于服用10mg药片的患者，该药的价格为x美元，而同样的药物现在以25mg的剂量出售，价格也是x美元，那么药剂师可以将25mg的药片分成两半，并通过了解25mg的一半在临床上相当于10mg而节省50％。在这种示例中，本公开的非限制性实施例或方面可以自动学习以识别10mg在临床上等于12.5mg(例如，x可以等于y的学习到的/经训练的行为，例如，当满足某些其它准则等)。
69.现在参考图1，图1是示例环境100的图，其中可以实现本文描述的设备、系统、方法和/或产品。如图1中所示，环境100包括交易替代系统102、一个或多个数据源104和/或通信网络106。替代系统102和一个或多个数据源可以经由有线连接、无线连接或有线和无线连接的组合互连(例如，建立连接以便通信等)。
70.替代系统102可以包括能够经由通信网络106从一个或多个数据源104接收信息和/或数据和/或经由通信网络106向一个或多个数据源104传送信息和/或数据的一个或多个设备。例如，替代系统102可以包括计算设备，诸如服务器、一组服务器和/或其它类似设备。
71.一个或多个数据源104可以包括能够经由通信网络106从替代系统102接收信息和/或数据和/或经由通信网络106向替代系统102传送信息和/或数据的一个或多个设备。例如，一个或多个数据源可以包括计算设备，诸如服务器、一组服务器和/或其它类似设备。在一些非限制性实施例或方面，一个或多个数据源104可以包括一个或多个数据库。
72.通信网络106可以包括一个或多个有线和/或无线网络。例如，通信网络106可以包括蜂窝网络(例如，长期演进(lte)网络、第三代(3g)网络、第四代(4g)网络、第五代(5g)网络、码分多址(cdma)网络等)、公共陆地移动网络(plmn)、局域网(lan)、广域网(wan)、城域网(man)、电话网络(例如，公共交换电话网络(pstn))、私有网络、自组织网络、内部网、互联网、基于光纤的网络、云计算网络等，和/或这些或其它类型的网络的组合。
73.图1中所示的设备和系统的数量和布置是作为示例提供的。与图1a-1e中所示的设备和/或系统相比，可能存在附加的设备和/或系统、更少的设备和/或系统、不同的设备和/或系统、或不同布置的设备和/或系统。此外，图1中所示的两个或更多个设备和/或系统可以在单个设备和/或系统内实现，或者图1中所示的单个设备和/或系统可以被实现为多个分布式设备和/或系统。附加地或替代地，环境100的设备和/或系统集合(例如，一个或多个设备或系统)可以执行被描述为由环境100的另一个设备和/或系统集合执行的一个或多个功能。
74.现在参考图2，图2是设备200的示例组件的图。设备200可以与替代系统102的一个
或多个设备和/或一个或多个数据源104的一个或多个设备对应。在一些非限制性实施例或方面，替代系统102的一个或多个设备和/或一个或多个数据源104的一个或多个设备可以包括至少一个设备200和/或设备200的至少一个组件。如图2中所示，设备200可以包括总线202、处理器204、存储器206、存储组件208、输入组件210、输出组件212和通信接口214。
75.总线202可以包括允许设备200的组件之间进行通信的组件。在一些非限制性实施例或方面中，处理器204可以以硬件、软件或硬件和软件的组合来实现。例如，处理器204可以包括处理器(例如，中央处理单元(cpu)、图形处理单元(gpu)、加速处理单元(apu)等)、微处理器、数字信号处理器(dsp)，和/或可以被编程以执行功能的任何处理组件(例如，现场可编程门阵列(fpga)、专用集成电路(asic)等)。存储器206可以包括随机存取存储器(ram)、只读存储器(rom)和/或存储信息和/或指令以供处理器204使用的另一种类型的动态或静态存储设备(例如，闪存、磁存储器、光存储器等)。
76.存储组件208可以存储与设备200的操作和使用相关的信息和/或软件。例如，存储组件208可以包括硬盘(例如，磁盘、光盘、磁光盘、固态盘等)、光盘(cd)、数字多功能盘(dvd)、软盘、盒式磁带、磁带和/或另一种类型的计算机可读介质，以及对应的驱动器。
77.输入组件210可以包括允许设备200诸如经由用户输入端(例如，触摸屏显示器、键盘、小键盘、鼠标、按钮、开关、麦克风等)接收信息的组件。此外，或可替代地，输入组件210可以包括用于感测信息的传感器(例如，全球定位系统(gps)组件、加速度计、陀螺仪、致动器等)。输出组件212可以包括提供来自设备200的输出信息的组件(例如，显示器、扬声器、一个或多个发光二极管(led)等)。
78.通信接口214可以包括类似于收发器的组件(例如，收发器、分离的接收器和发射器等)，其使得设备200能够诸如经由有线连接、无线连接或有线和无线连接的组合与其它设备通信。通信接口214可以允许设备200从另一个设备接收信息和/或向另一个设备提供信息。例如，通信接口214可以包括以太网接口、光接口、同轴接口、红外接口、射频(rf)接口、通用串行总线(usb)接口、接口、蜂窝网络接口等。
79.设备200可以执行本文描述的一个或多个过程。设备200可以基于处理器204(例如，中央处理单元(cpu)、图形处理单元(gpu)等)执行由计算机可读介质(诸如存储器206和/或存储组件208)存储的软件指令来执行这些过程。本文将计算机可读介质(例如，非暂态计算机可读介质)定义为非暂态存储器设备。存储器设备包括位于单个物理存储设备内部的存储器空间或跨多个物理存储设备分布的存储器空间。
80.可以经由通信接口214从另一个计算机可读介质或从另一个设备将软件指令读入存储器206和/或存储组件208。当被执行时，存储在存储器206和/或存储组件208中的软件指令可以使处理器204执行本文描述的一个或多个过程。附加地或替代地，可以使用硬连线电路系统代替软件指令或与软件指令结合来执行本文描述的一个或多个过程。因此，本文描述的实施例或方面不限于硬件电路系统和软件的任何具体组合。
81.存储器206和/或存储组件208可以包括数据存储或一个或多个数据结构(例如，数据库等)。设备200可以能够从存储器206和/或存储组件208中的数据存储或一个或多个数据结构中接收信息、将信息存储在该数据存储或一个或多个数据结构中、将信息传送给该数据存储或一个或多个数据结构，或者搜索存储在该数据存储或一个或多个数据结构中的信息。
82.图2中所示的组件的数量和布置是作为示例提供的。在一些非限制性实施例或方面中，设备200可以包括比图2中所示的那些更多的组件、更少的组件、不同的组件或不同地布置的组件。附加地或替代地，设备200的组件的集合(例如，一个或多个组件)可以执行被描述为由设备200的另一个组件集合执行的一个或多个功能。
83.现在参考图3a和3b，图3a和3b是用于药房替代的过程300的非限制性实施例或方面的流程图。在一些非限制性实施例或方面，过程300的步骤中的一个或多个可以由替代系统102(例如，替代系统102的一个或多个设备等)执行(例如，完全地、部分地等)。在一些非限制性实施例或方面，过程500的步骤中的一个或多个可以由与替代系统102分离或包括替代系统102的另一个设备或一组设备执行(例如，完全地、部分地等)，诸如用户设备(例如，用户设备的系统的一个或多个设备等)。
84.如图3a中所示，在步骤302处，过程300包括获得理赔数据。例如，替代系统102可以获得与针对与至少一个患者相关联的至少一个处方的至少一个理赔相关联的理赔数据。作为示例，替代系统102可以从一个或多个数据源104(例如，理赔数据库、电子健康记录(ehr)数据库等)、患者和/或医疗专业人员获得理赔数据。
85.理赔数据可以包括与患者相关联的理赔和/或处方相关联的以下参数中的至少一个：理赔标识符、记录标识符、患者标识符、患者姓名、患者出生日期、患者性别、上次填充的处方数据、处方理赔日期、下次填充处方日期、保险支付金额、患者共付金额、初级保健提供者国家提供者标识符(例如，npi、gmc等)、初级保健提供者名称、开处方者国家提供者标识符(例如，npi、gmc等)、处方药国家和/或国际药品代码(例如，ndc、mpid、phpid等)、处方药数量，处方药的供应天数，记录标识符生成日期，保险公司和/或其它付款人，保险计划和/或其它健康保险福利覆盖，患者保险和/或健康福利覆盖到期日，开处方的药房地点和/或名称，国家和/或国际药物代码(例如，ndc、mpid、phpid等)，为临床药物提供归一化和/或标准化的概念标识符名称的唯一标识符(例如，rxnorm概念唯一标识符(cui)、医学和器械词典(dm+d)标识符、澳大利亚医学术语(amt)标识符、药物银行id等)、药物名称，或其任何组合。
86.在一些非限制性实施例或方面，理赔数据包括以下类型数据中的至少一种：成本数据、药物诊断数据、患者诊断数据、成本数据、未来数据，或其任何组合。
87.如图3a中所示，在步骤304处，过程300包括确定与处方相关联的通用标识符。例如，替代系统102可以基于理赔数据为与至少一个患者相关联的至少一个处方确定至少一个通用标识符(例如，rxnorm标识符、rxnorm cui、dm+d、amt等)。作为示例，对于每个患者，替代系统102可以基于与那个患者相关联的具有未来日期的理赔数据中的处方下一个(多个)填充日期来识别与那个患者相关联的至少一个有效(active)处方，和/或者替代系统102可以通过将与至少一个有效处方相关联的药物的国家和/或国际药物代码(例如，ndc、mpid、phpid等)映射到与那种药物相关联的唯一标识符(例如，rxnorm cui、dm+d、amt等)(例如，使用由国家医学图书馆、nhs药物数据库、药物库等提供的映射)来为那个患者确定。此外，或者可替代地，如果国家或国际药物代码(例如，ndc、mpid等)到临床药物提供归一化和/或标准化的概念标识符名称的唯一标识符(例如，rxnorm cui/rxcui、drug bank id等)的映射不可用，那么替代系统102可以被训练(例如，由药剂师，作为关于药物名称的自动化levenshtein距离映射/匹配算法等)以创建药物和/或处方到通用标识符的等效映射。
88.如图3a中所示，在步骤306处，过程300包括获得药物诊断数据。例如，替代系统102可以获得与针对与一个或多个处方相关联的一个或多个通用标识符的一个或多个已知诊断相关联的药物诊断数据。作为示例，替代系统102可以从一个或多个数据源104获得药物诊断数据。在这种示例中，替代系统102可以使用将唯一标识符(例如，rxnorm cui)映射到已知诊断(例如，病症、疾病等)和/或国际疾病分类(icd)代码的映射(例如，由国家医学图书馆、nhs药物数据库、药物银行数据库等提供的映射)来确定针对与一个或多个处方相关联的一个或多个通用标识符的一个或多个已知诊断(和/或icd代码)。此外，或可替代地，如果rxnorm cui到已知诊断的映射不可用，那么替代系统102可以被训练(例如，由药剂师，作为关于rxnorm cui的自动化levenshtein距离映射/匹配算法等)以创建通用标识符到诊断的等效映射。
89.在一些非限制性实施例或方面，药物诊断数据包括患者诊断数据。例如，替代系统102可以获得与一个或多个患者相关联的患者诊断数据。作为示例，替代系统102可以从一个或多个数据源104获得患者诊断数据。在这种示例中，替代系统102可以使用将患者标识符映射到与患者标识符相关联的患者的确认的诊断(和/或确认的诊断的严重性级别)的映射。例如，确认的诊断和/或其严重性级别可以由患者和/或医疗专业人员提供，和/或替代系统102可以分析与患者相关联的医疗理赔和/或电子健康记录(ehr)以确定与患者相关联的确认的诊断和/或其严重性级别。
90.如图3a中所示，在步骤308处，过程300包括确定与处方相关联的可能诊断。例如，替代系统102可以基于至少一个通用标识符和药物诊断数据来确定与针对至少一个患者的至少一个处方相关联的至少一个可能诊断。作为示例，替代系统102可以使用迭代学习过程和通用标识符到已知诊断的映射来自动确定针对至少一个可能诊断为至少一个患者开出的一种或多种药物。下面关于图4-6提供关于过程300的步骤308的非限制性实施例或方面的进一步细节。
91.现在还参考图4，图4是用于药房替代的过程400的非限制性实施例或方面的流程图。在一些非限制性实施例或方面，过程400的步骤中的一个或多个可以由替代系统102(例如，替代系统102的一个或多个设备等)执行(例如，完全地、部分地等)。在一些非限制性实施例或方面，过程500的步骤中的一个或多个可以由与替代系统102分离或包括替代系统102的另一个设备或一组设备执行(例如，完全地、部分地等)，诸如用户设备(例如，用户设备的系统的一个或多个设备等)。
92.如图4中所示，在步骤402处，过程400包括生成与患者相关联的唯一散列。例如，替代系统102可以通过将与通用标识符相关联的患者标识符(例如，如在步骤304等处生成的)与与同一通用标识符相关联的诊断(例如，相同的rxnorm cui等)组合来生成与患者相关联的唯一散列likelyhash。作为示例，唯一散列likelyhash可以包括针对每个患者的每个可能诊断(例如，糖尿病、酮症酸中毒等)的通用标识符(例如，cui等)的升序列表。
93.如果患者与多个诊断相关联，那么该患者可以与多个唯一散列likelyhashes相关联。例如，对于两个示例患者患者1和患者2，可以生成以下示例唯一散列：患者1：likelyhash(cui1,cui2,cui3)等于患者1可能患有糖尿病，患者2：likelyhash(cu1,cui2,cui5)等于患者2可能患有糖尿病，而患者1：likelyhash(cui4,cui5)等于患者1可能患有酮症酸中毒。作为示例，唯一散列likelyhash可以包括用于特定诊断的任何数量的cui，和/或
cui可以针对不同诊断重叠。例如，示例唯一散列likelyhash(cui1,cui2,cui3)也可以等于针对示例患者1的可能酮症酸中毒诊断。
94.如图4中所示，在步骤404处，过程400包括确定唯一散列是否与训练散列匹配。例如，替代系统102可以确定唯一散列likelyhash是否与存储在训练数据集中的traininghash匹配。作为示例，替代系统102可以将每个唯一散列likelyhash与之前存储在训练数据集中的traininghash进行比较。
95.如图4中所示，在步骤406处，过程400包括响应于确定唯一散列与训练散列匹配而将唯一散列变换为一个或多个升级的散列。例如，替代系统102可以响应于确定唯一散列likelyhash与存储在训练数据集中的一个或多个traininghashes匹配而将唯一散列likelyhash变换为一个或多个升级的散列upgradedhash。作为示例，对于唯一散列likelyhash在训练数据集中具有的每个匹配，可以生成升级散列upgradedhash使得单个唯一散列likelyhash可以生成多个upgradedhashes。
96.如图4中所示，在步骤408处，过程400包括响应于确定唯一散列与训练散列不匹配而维护该唯一散列。例如，替代系统102可以响应于确定唯一散列likelyhash与训练数据集中存储的任何traininghash不匹配而维护唯一散列likelyhash(例如，不变换唯一散列likelyhash等)。
97.如图4中所示，在步骤410处，过程400包括确定与唯一散列(和/或升级的散列)相关联的患者标识符是否被映射到确认的诊断。例如，替代系统102可以确定与唯一散列标识符likelyhash(和/或(一个或多个)升级的散列upgradedhash)相关联的患者标识符是否被映射到确认的诊断。作为示例，替代系统102可以使用将患者标识符映射到与患者标识符相关联的患者的确认的诊断(和/或确认的诊断的严重性级别)的映射。例如，确认的诊断和/或其严重性级别可以由患者和/或医疗专业人员提供，和/或替代系统102可以分析与患者相关联的医疗理赔和/或电子健康记录(ehr)以确定与患者相关联的确认的诊断和/或其严重性级别。
98.如图4中所示，在步骤412处，过程400包括响应于确定与唯一散列(和/或(一个或多个)升级的散列)相关联的患者标识符被映射到确认诊断而生成确认的散列。例如，替代系统102可以响应于确定与唯一散列likelyhash(和/或(一个或多个)升级的散列updatedhash)相关联的患者标识符被映射到确认的诊断而生成确认的散列confirmedhash(cui1,ui2,
…
ciun)。作为示例，替代系统102可以将与唯一散列likelyhash(和/或(一个或多个)升级的散列upgradedhash)相关联的患者标识符与与同一患者标识符相关联的确认的诊断组合以生成确认的散列confirmedhash(cui1,ui2,
…
ciun)。
99.如图4中所示，在步骤414处，过程400包括响应于确定与唯一散列(和/或(一个或多个)升级的散列)相关联的患者标识符没有映射到确认的诊断，处理可以直接进行到图5中的过程500的步骤502或直接进行到图6中的过程600的步骤602。例如，替代系统102可以响应于确定与唯一散列likelyhash(和/或(一个或多个)升级的散列upgradedhash))相关联的患者标识符没有映射到确认的诊断而进行到步骤418，而不生成确认的散列。在这种示例中，升级的散列upgradedhash可以与比未升级/变换的唯一散列likelyhash更大的诊断概率相关联。作为示例，替代系统102可以提供(一个或多个)升级的散列upgradedhash和唯一散列likelyhash的列表。
100.如图4中所示，在步骤416处，过程400包括响应于生成确认的散列而为与确认的散列匹配的每个唯一散列(和/或每个升级的散列)生成训练散列并基于生成的训练散列更新训练数据集。例如，替代系统102可以响应于生成确认的散列confirmedhash而为每个唯一散列likelyhash和/或与确认的散列confirmedhash匹配的每个升级的散列upgradedhash生成训练散列traininghash，并基于生成的训练散列traininghash更新训练数据集。作为示例，如果与生成的训练散列traininghash相同(例如，匹配或等效散列等)的训练散列尚未存储在训练数据集中，那么替代系统102可以更新训练数据集以包括生成的训练散列traininghash，并且如果与生成的训练散列traininghash相同的训练散列已经存储在训练数据集中，那么替代系统102可以通过调整与训练散列traininghash相关联的权重来更新训练数据集(例如，在训练数据集中将与训练散列traininghash相关联的计数递增一，等等)。在这种示例中，替代系统102可以以散列表示患者针对每个诊断正在服用的(一种或多种)处方药的可能性的降序提供(一个或多个)确认的散列confirmedhash、(一个或多个)升级的散列upgradedhashs)和唯一散列likelyhash的列表。
101.因而，在过程400的充分迭代之后，训练数据集中针对每个诊断的(一个或多个)训练散列traininghash可以变得更强和/或在统计上更可能是正确的诊断，这可以通过在步骤406中使用的升级的散列upgradedhash来反映。例如，临床医生采取的每个行动都可以转化为随着时间的推移而调整的增量知识，并且如果多个临床医生开始驳回或忽略针对特定类型患者(例如，30-40岁的男性等)的特定处方的潜在替代品，那么替代系统102可以进行学习以考虑与特定类型患者相关联的患者属性。
102.现在还参考图5，图5是用于药房替代的过程500的非限制性实施例或方面的流程图。在一些非限制性实施例或方面，过程500的步骤中的一个或多个可以由替代系统102(例如，替代系统102的一个或多个设备等)执行(例如，完全地、部分地等)。在一些非限制性实施例或方面，过程500的步骤中的一个或多个可以由与替代系统102分离或包括替代系统102的另一个设备或一组设备执行(例如，完全地、部分地等)，诸如用户设备(例如，用户设备的系统的一个或多个设备等)。
103.如图5中所示，在步骤502处，过程500包括生成与患者相关联的唯一严重性散列。例如，替代系统102可以通过将与通用标识符(例如，如在步骤304处生成的等)相关联的患者标识符与与同一通用标识符(例如，相同的rxnorm cui等)相关联的诊断的严重性组合来生成与患者相关联的唯一严重性散列likelyseverityhash。作为示例，唯一严重性散列likelyseverityhash可以包括针对每个患者的每个诊断的每个可能严重性(例如，轻度糖尿病、中度糖尿病、重度糖尿病等)的通用标识符(例如，cui等)的升序列表。
104.如果患者与多个诊断相关联，那么该患者可以与多个唯一严重性散列likelyseverityhashes相关联。例如，对于两个示例患者患者1和患者2，可以生成以下示例唯一严重性散列：患者1：likelyseverityihash(cui1,cui2,cui3)等于患者1可能患有严重糖尿病，患者2：likelyseverityhash(cu1,cui2,cui5)等于患者2可能患有中度糖尿病，而患者1：likelyseverityhash(cui4,cui5)等于患者1可能患有重度酮症酸中毒。作为示例，唯一严重性散列likelyseverityhash可以包括用于诊断的特定严重性的任何数量的cui，和/或cui可以针对不同严重性诊断重叠。
105.如图5中所示，在步骤504处，过程500包括确定唯一严重性散列是否与训练严重性
散列匹配。例如，替代系统102可以确定唯一严重性散列likelyseverityhash是否与训练数据集中存储的trainingseverityhash匹配。作为示例，替代系统102可以将每个唯一严重性散列likelyseverityhash与先前存储在训练数据集中的trainingseverityhashes进行比较。
106.如图5中所示，在步骤506处，过程500包括响应于确定唯一严重性散列与训练严重性散列匹配而将唯一严重性散列变换成一个或多个升级的严重性散列。例如，替代系统102可以响应于确定唯一严重性散列likelyseverityhash与存储在训练数据集中的一个或多个trainingseverityhash匹配而将唯一严重性散列likelyseverityhash变换成一个或多个升级的严重性散列upgradeseverityhash。作为示例，对于训练数据集中唯一严重性散列likelyseverityhash具有的每个匹配项，可以生成升级的严重性散列upgradedseverityhash，使得单个唯一严重性散列likelyseverityhash可以生成多个upgradedseverityhashes。
107.如图5中所示，在步骤508处，过程500包括响应于确定唯一严重性散列与训练严重性散列不匹配而维护唯一严重性散列。例如，替代系统102可以响应于确定唯一严重性散列likelyseverityhash与存储在训练数据集中的任何trainingseverityhash不匹配而维护唯一严重性散列likelyseverityhash(例如，不变换唯一严重性散列likelyseverityhash等)。
108.如图5中所示，在步骤510处，过程500包括确定与唯一严重性散列(和/或升级的严重性散列)相关联的患者标识符是否被映射到诊断的确认的严重性。例如，替代系统102可以确定与唯一严重性散列标识符likelyseverityhash(和/或(一个或多个)升级的严重性散列upgradedseverityhash)相关联的患者标识符是否被映射到诊断的确认的严重性。作为示例，替代系统102可以使用将患者标识符映射到与患者标识符相关联的患者的诊断的确认的严重性的映射。例如，诊断的确认的严重性可以由患者和/或医疗专业人员提供，和/或替代系统102可以分析与患者相关联的医疗理赔以确定与患者相关联的诊断的确认的严重性。
109.如图5中所示，在步骤512处，过程500包括响应于确定与唯一严重性散列(和/或(一个或多个)升级的严重性散列)相关联的患者标识符被映射到诊断的确认的严重性而生成确认的严重性散列。例如，替代系统102可以响应于确定与唯一严重性散列likelyseverityhash(和/或(一个或多个)升级的严重性散列upgradedseverityhash)相关联的患者标识符被映射到诊断的确认的严重性而生成确认的严重性散列confirmedseverityhash(cui1，cui2，
…
ciun)。作为示例，替代系统102可以将与唯一严重性散列likelyseverityhash(和/或(一个或多个)升级的严重性散列upgradedseverityhash)相关联的患者标识符与与同一患者标识符相关联的诊断的确认的严重性组合以生成确认的严重性散列confirmedseverityhash(cui1，cui2，
…
ciun)。
110.如图5中所示，在步骤514处，过程500包括响应于确定与唯一严重性散列(和/或(一个或多个)升级的严重性散列)相关联的患者标识符没有映射到诊断的确认的严重性，处理可以直接进行到图6中的过程600的步骤602。例如，替代系统102可以响应于确定与唯一严重性散列likelyseverityhash(和/或(一个或多个)升级的严重性散列upgradedseverityhash)相关联的患者标识符没有映射到诊断的确认的严重性而进行到步
骤518，而不生成确认的严重性散列。在这种示例中，升级的严重性散列upgradedseverityhash可以与比未升级/变换的唯一严重性散列likelyseverityhash更大的诊断严重性概率相关联。作为示例，替代系统102可以提供(一个或多个)升级的严重性散列updatedseverityhash和唯一严重性散列likelyseverityhash的列表。
111.如图5中所示，在步骤516处，过程500包括响应于生成确认的严重性散列而为与确认的严重性散列匹配的每个唯一严重性散列(和/或每个升级的严重性散列)生成训练严重性散列并基于生成的训练严重性散列更新训练数据集。例如，替代系统102可以响应于生成确认的严重性散列confirmedseverityhash而为每个唯一严重性散列likelyseverityhash和/或与确认的严重性散列confirmedhash匹配的每个升级的严重性散列upgradedseverityhash生成训练严重性散列trainingseverityhash并基于生成的训练散列trainingseverityhash更新训练数据集。作为示例，如果与生成的训练严重性散列trainingseverityhash相同(例如，匹配或等效散列等)的训练严重性散列尚未存储在训练数据集中，那么替代系统102可以更新训练数据集以包括生成的训练严重性散列trainingseverityhash，而如果与生成的训练严重性散列trainingseverityhash相同的训练严重性散列已经存储在训练数据集中，那么替代系统102可以通过调整与训练严重性散列trainingseverityhash相关联的权重来更新训练数据集(例如，在训练数据集中将与训练严重性散列trainingseverityhash相关联的计数递增一，等等)。在这种示例中，替代系统102可以以严重性散列表示患者针对每个诊断正在服用的(一种或多种)处方药的可能性和该诊断的严重性级别的降序提供(一个或多个)确认的严重性散列confirmedseverityhash、(一个或多个)升级的严重性散列upgradedseverityhash和唯一严重性散列likelyseverityhash的列表。
112.因而，在过程500的充分迭代之后，训练数据集中针对每个诊断的每个严重性的(一个或多个)训练严重性散列trainingseverityhash会变得更强和/或在统计上更可能是正确的诊断严重性，这可以通过在步骤506中使用的升级的严重性散列upgradedseverityhash来反映。例如，考虑诊断的严重性可以使临床等效处方可以基于患者的独特医疗情况的严重性来确定。作为示例，每个患有中度克罗恩氏病(crohn’s disease)的患者都可以接受药物abc，和/或患有严重克罗恩氏病的患者可以接受药物def+xyz。
113.基于诊断的严重性的临床等效性的示例
114.对于诊断为类风湿性关节炎的示例患者，如果替代系统102不考虑或不知道严重性，那么替代系统102可以确定它在临床上出于成本目的等同于用布洛芬替代修美乐(humira)，这会导致以下输出/替代：最高成本：修美乐40mg-100美元/月；成本较低的选项1：enbrel 50mg-75美元/月；成本较低的选项2：甲氨蝶呤2.5mg和硫酸羟氯喹200mg-50美元/月；成本较低的选项3：甲氨蝶呤2.5mg-25美元/月；成本更低的选项4：布洛芬800mg-10美元/月。但是，当替代系统102知道并考虑严重性时，输出/替代可以改变，因为替代系统102可以了解到布洛芬在临床上不等同于类风湿性关节炎的严重诊断，这会导致以下输出/替代：最高成本：修美乐40mg-100美元/月；成本较低的选项1：enbrel 50mg-75美元/月；成本更低的选项2：甲氨蝶呤2.5mg和硫酸羟氯喹200mg-50美元/月。
115.现在还参考图6，图6是用于药房替代的过程600的非限制性实施例或方面的流程
图。在一些非限制性实施例或方面，过程600的步骤中的一个或多个可以由替代系统102(例如，替代系统102的一个或多个设备等)执行(例如，完全地、部分地等)。在一些非限制性实施例或方面，过程600的步骤中的一个或多个可以由与替代系统102分离或包括替代系统102的另一个设备或一组设备执行(例如，完全地、部分地等)，诸如用户设备(例如，用户设备的系统的一个或多个设备等)。
116.如图6中所示，在步骤602处，过程600包括确定散列是否与确认的散列匹配。例如，替代系统102可以处理(一个或多个)确认的散列confirmedhash、(一个或多个)升级的散列upgradedhash和唯一散列likelyhash的列表和/或(一个或多个)确认的严重性散列confirmedseverityhash、(一个或多个)升级的严重性散列upgradedseverityhash和唯一严重性散列likelyseverityhash的列表以确定每个散列和/或严重性散列是否与确认的散列/严重性散列匹配。作为示例，如果确认的患者到诊断数据可用，那么替代系统102可以执行步骤602以通过去除已知的坏散列(例如，非等效药物到诊断散列、没有匹配诊断的散列等)来清理散列数据。如果确认的患者到诊断数据不可用，那么替代系统102可以直接进行到步骤608。
117.如图6中所示，在步骤604处，过程600包括响应于确定散列与确认的散列匹配而将该散列变换成确认的散列。例如，替代系统102可以响应于(一个或多个)升级的散列upgradedhash/唯一散列likelyhash和/或(一个或多个)升级的严重性散列upgradedseverityhash/唯一严重性散列likelyseverityhash与(一个或多个)确认的散列confirmedhash和/或confirmedseverityhash匹配而将(一个或多个)升级的散列updatedhash/唯一散列likelyhash和/或(一个或多个)升级的严重性散列upgradedseverityhash/唯一严重性散列likelyseverityhash变换成(一个或多个)确认的散列confirmedhash和/或confirmedseverityhash。
118.如图6中所示，在步骤606处，过程600包括响应于确定散列与确认的散列不匹配而移除或删除该散列。例如，替代系统102可以响应于(一个或多个)升级的散列upgradedhash/唯一散列likelyhash和/或(一个或多个)升级的严重性散列upgradedseverityhash/唯一严重性散列likelyseverityhash与(一个或多个)确认的散列(一个或多个)和/或confirmedseverityhash不匹配而移除或删除(一个或多个)升级的散列upgradedhash/唯一散列likelyhash和/或(一个或多个)升级的严重性散列upgradedseverityhash/唯一严重性散列likelyseverityhash。
119.如图6中所示，在步骤608处，过程600包括确定散列是否与训练散列匹配。例如，替代系统102可以处理(一个或多个)确认的散列confirmedhash、(一个或多个)升级的散列upgradedhash和唯一散列likelyhash的列表和/或(一个或多个)确认的严重性散列confirmedseverityhash、(一个或多个)升级的严重性散列upgradedseverityhash和唯一严重性散列likelyseverityhash的列表以确定每个散列和/或严重性散列是否与训练散列/训练严重性散列匹配。作为示例，替代系统102可以使用训练数据集来去除不存在诊断匹配的(一个或多个)散列(基于足够多的处方医生拒绝进行替代(例如，发现的输入等)，和/或药剂师(例如，键入输入等)去除药物到诊断匹配。
120.如图6中所示，在步骤610处，过程600包括响应于确定散列与训练散列匹配而将该散列变换成训练散列。例如，替代系统102可以响应于(一个或多个)升级的散列
upgradedhash/唯一散列likelyhash和/或(一个或多个)升级的严重性散列upgradedseverityhash/唯一严重性散列likelyseverityhash与(一个或多个)训练散列traininghash和/或(一个或多个)trainingseverityhash匹配而将(一个或多个)升级的散列updatedhash/唯一散列likelyhash和/或(一个或多个)升级的严重性散列upgradedseverityhash/唯一严重性散列likelyseverityhash变换成(一个或多个)训练散列traininghash和/或(一个或多个)trainingseverityhash。
121.如图6中所示，在步骤612处，过程600包括响应于确定散列与训练散列不匹配而移除或删除该散列。例如，替代系统102可以响应于(一个或多个)升级的散列upgradedhash/唯一散列likelyhash和/或(一个或多个)升级的严重性散列upgradedseverityhash/唯一严重性散列likelyseverityhash与(一个或多个)训练散列traininghash和/或(一个或多个)trainingseverityhash不匹配而移除或删除(一个或多个)升级的散列upgradedhash/唯一散列likelyhash和/或(一个或多个)升级的严重性散列upgradedseverityhash/唯一严重性散列likelyseverityhash。
122.因而，来自过程600的替代系统102的输出可以包括已被发现更可能反映药物与诊断等效性的散列，或者如果患者与诊断数据对于步骤602不可用，那么新发现的散列用于哪个替代系统102之前没有接受过该药物与诊断等效性的训练。
123.再次参考图3a，在步骤310处，过程300包括确定与诊断相关联的成本。例如，替代系统102可以基于理赔数据确定与至少一个可能诊断相关联的至少一个成本，该至少一个可能诊断与至少一个处方相关联。作为示例，替代系统102可以基于与至少一个处方相关联的当前成本和与至少一个处方相关联的未来成本来确定至少一个成本，其中未来成本与当前成本不同。在这种示例中，替代系统102可以通过计算保险和/或其它药物福利付款人支付的金额和/或患者共付额和/或为散列中的每种药物支付的其它支付安排(例如，统一百分比、药物免赔额限额等)金额的总和来确定与患者相关联的整个散列的每日患者成本，并将总和除以最短填充日期和最长下一次填充日期之间的天数。例如，来自步骤310的替代系统102的输出可以包括患者标识符、散列(例如，confirmedhash/confirmedseverityhash、upgradedhash/upgradedseverityhash和/或likelyhash/likelyseverityhash)和确定的每日成本。
124.与诊断和/或处方相关联的成本可以包括以下成本中的至少一种：当前财务成本(例如，以美元、欧元等为单位)、时间成本(例如，服用/接受药物等的时间量)、预测的结果成本比，副作用成本(例如，与药物相关联的副作用的严重性级别等)、未来财务成本(例如，支付一些最初在经济上更经济以避免未来预计的更大经济成本，例如，改变处方以最初支付x+5以避免在未来支付可能的x+100成本等可能在经济上有利)、患者满意度成本，或其任何组合。
125.在一些非限制性实施例或方面，替代系统102使用包括与未来药物价格(例如，由保险公司或药物利益的其他付款人提供的已知未来协商药物定价、公开披露的药物制造商定价增加等)和未来上市的临床等效药物(例如，宣布现有药物的通用替代品等)相关联的未来数据的未来数据集。例如，未来数据可以包括以下参数中的至少一个：药物名称、与药物相关联的未来价格、与药物相关联的未来有效/可用日期、诊断或与药物等效的药物，或其任何组合。
126.如图3b中所示，在步骤312处，过程300包括确定预测的总成本。例如，替代系统102可以为患者确定在与患者的患者标识符相关联的每个散列中组合的每种药物的每次诊断的预测总成本每日成本。作为示例，替代系统102可以通过计算要支付的预计/预期保险金额和/或患者共付额和/或为散列中每种药物支付的其它支付安排金额的总和来确定整个散列的预期未来每日患者成本，并将总和除以最小填充日期和最大下一个填充日期之间的典型天数。例如，来自步骤312的替代系统102的输出可以包括患者标识符、散列(例如，confirmedfuturehash/confirmedfutureseverityhash、upgradedfuturehash/upgradedfutureseverityhash，和/或likelyfuturehash/likelyfutureseverityhash)，以及预测的总成本。
127.如图3b中所示，在步骤314处，过程300包括确定总的历史和未来成本。例如，替代系统102可以为患者确定针对组织(例如，保险公司、药物福利的付款人、群体、公司、责任关怀组织等)和组织的各个业务线(例如，金牌计划、银牌计划、公共或私人保险等)的给定诊断的药物治疗方案的总历史(来自步骤310)和未来(来自312)成本。作为示例，替代系统102可以针对每个唯一的组散列计算与该散列相关联的患者总数和该散列的每日成本总量。在这种示例中，替代系统102可以存储在给定业务线或国家级处方集中可用的常见处方药、未来处方集的详细信息和/或来自保险公司或每个业务线的其他药物福利付款人的即将发布的药物详细信息业务或药物福利覆盖组。例如，替代系统102可以从所有可能的药物中接收和/或确定哪些药物和剂量可以用于给定患者的替代目的，以避免在药物因线业务线合同限制或药房福利管理而不能用于患者的情况下建议替代，这会导致错误的学习周期。在这种示例中，来自步骤314的替代系统102的输出可以包括散列、与散列相关联的患者的数量和/或每日成本。
128.如图3b中所示，在步骤316处，过程300包括确定组散列包括阈值数量的患者。例如，替代系统102可以确定组散列(例如，与至少一个处方相关联的至少一个可能诊断等)至少包括阈值数量的患者。作为示例，替代系统102可以基于由替代系统102分析的患者总数的百分比并且考虑给定患者群体的诊断的统计可能性来确定患者的阈值数量。在这种示例中，来自步骤314的替代系统102的输出可以包括散列、患者数量和每日成本。注意的是，在步骤314中，如果不满足患者的阈值数量，那么可以将散列添加到训练数据集中以供将来考虑，而不是在步骤318中输出以供当前使用。
129.如图3b中所示，在步骤318处，过程300包括确定至少一个处方的至少一个潜在替代处方。例如，对于至少一个可能诊断，替代系统102可以使用基于训练数据集训练的机器学习模型来确定与至少一个可能诊断相关联的至少一个处方的至少一个潜在替代处方。作为示例，替代系统102可以生成用于(一种或多种)药物的替代处方的潜在规则，其中用更经济的更低成本散列替代更高成本散列导致对于相似严重性的诊断的相似临床有效性。在这种示例中，替代系统102可以使用以下条件中的至少一个来生成(一种或多种)药物的药物替代品：存在(一种或多种)临床等效药物、成本更低的(一种或多种)替代药物或(一个或多个)药物剂量已经由替代系统102确定、(一个或多个)可能的诊断支持替代诊断的可选严重性级别\可以通过患者针对新诊断的较低成本药物开始较低剂量的处方来降低预期的护理成本(和/或提高护理质量)，或其任何组合。例如，替代系统102可以基于散列的降序可能性(确认的、升级的、可能的)生成一组(或多组)药物的列表，并且对于给定的诊断和可选的严
重性，该列表可以替代一种(或多种)替代药物，和/或替代系统102可以基于可能性和总体经济节省中的每一个对这些结果进行排序或排名，其中节省满足预先计算的最小阈值。
130.替代系统102可以使用机器学习技术生成机器学习模型(例如，估计器、分类器、预测模型、检测器模型等)，包括例如监督式和/或非监督式技术，诸如决策树(例如，梯度提升决策树、随机森林等)、逻辑回归、人工神经网络(例如，卷积神经网络等)、贝叶斯统计、学习自动机、隐马尔可夫建模、线性分类器、二次分类器、关联规则学习等。机器学习模型可以被训练以提供包括至少一个替代处方的输出(例如，一组(或多组)药物的列表，响应于包括与至少一个诊断相关联的至少一个处方(例如，与给定的诊断和可选的严重性、组散列等相关联的至少一个处方)的输入而基于散列的递减可能性(确认的、升级的、可能)。例如，替代系统102可以基于与针对一个或多个患者的一个或多个诊断的一个或多个处方相关联的训练数据(例如，训练数据集、训练散列等)来训练模型。在这种示例中，替代处方可以包括与替代处方相关联的概率分数。例如，替代处方可以包括替代处方是更经济的(一种或多种)低成本药物的概率，这导致对于类似诊断/诊断的严重性的类似临床效果。
131.在一些非限制性实施例中，替代系统102可以存储模型(例如，存储模型供以后使用)。在一些非限制性实施例或方面，替代系统102可以将模型存储在数据结构(例如，数据库、链表、树等)中。在一些非限制性实施例中，数据结构位于替代系统102内或替代系统102外部(例如，远离其)(例如，在数据源104内等)。
132.潜在的替代处方(或潜在的发现规则)可以包括以下至少一项：与与至少一个处方相关联的药物不同的药物(例如，用于单一药物替代的单一药物、用于多种药物替代的单一药物、用于单一药物替代的多种药物等)，与与至少一个处方相关联的剂量不同的剂量、停止使用与至少一个处方相关联的药物的指示、与至少一个处方相关联的相同药物的不同配方(例如，片剂相对于胶囊、口服给药相对于注射给药等)、与至少一个处方相关联的相同药物的不同包装(例如，非处方药、非专利药、品牌药等)，或其任何组合。
133.还参考图7，图7图示了可以由过程300发现的示例潜在规则700。这些规则还可以考虑和/或建议服用处方的患者的年龄或性别、患者的其它附加诊断、较高和较低成本药物治疗方案中的每一种的预期持续时间、药物治疗方案的临床安全性和护理质量(例如，药物治疗方案的副作用等)，和/或对业务线或国家级可用药物名册中可用药物的限制。
134.具体地参考图7中的示例3，替代系统可以用(一种或多种)药物替代(一种或多种)药物的缺乏。例如，替代系统102可以使用以下准则来用(一种或多种)药物替代(一种或多种)药物的缺乏：患者有多个处方，这使得能够确定患者还活着并且仍然是保险公司或药物福利的另一个覆盖组(例如，公民身份等)的成员，患者没有针对同一个诊断切换到另一种(多种)药物，替代系统102在下一个填充日期之后的预定时间段内没有接收到新的理赔数据，以及满足在系统已经识别出足够的患者已经“停止”的预定阈值，使得替代系统102能够识别可能发现的潜在停止规则。
135.具体地参考图7中的示例4，替代系统可以以低成本开始新诊断的处方。例如，替代系统102可以对开处方者进行成本节约方面的训练。作为示例，如果两种药物用于治疗相同的诊断，其中一种药物比另一种药物更昂贵，那么替代系统102可以识别开处方者通常何时开始新处方，用于新诊断的患者，使用成本较低的药物，并且替代系统102可以认为开处方者针对潜在发现的规则被“训练”。开处方者习惯的识别使得能够识别机会来教育开处方者
养成更好/节省成本的习惯。以低成本开始新诊断的处方也会导致训练数据集中对应散列值的正强化(例如，+1的增量等)。在这种示例中，替代系统102可以使用以下准则来以低成本开始新诊断的处方：开处方者正在为给定的诊断开出(一种或多种)更高成本的药物，替代系统102识别新的患者诊断，处方者开始为新患者诊断开出(一种或多种)较低成本的药物，并且满足为新患者诊断开出(一种或多种)较低成本药物的新处方阈值。类似地，在某些情况下，立即开始使用低成本药物的处方(对于给定的诊断)会阻止或延迟以后由于诊断严重性的增加而对成本非常高的药物的需求。识别这些患者并建议用低成本药物替代“无”的高成本替代品降低了整体护理成本，并可能提高护理质量。示例4也可以用于实现这个场景，例如，并且如本文先前所述，改变处方以最初支付x+5以避免在未来支付可能的x+100成本等在财务上可能是有利的。
136.因而，当将由本公开的非限制性实施例或方面生成的潜在规则与由药剂师/药学博士创建的手动生成的潜在规则进行比较时，本公开的非限制性实施例或方面可以独立地发现药剂师可以以其它方式发现的90％的规则，并独立发现254％以上的潜在规则和药物替代品，以节省药剂师可能无法发现的费用。
137.如图3b中所示，在步骤320处，过程300包括提供节省信息。例如，替代系统102可以向至少一个用户(例如，开处方者等)提供与与至少一个可能诊断相关联的至少一个处方的至少一个潜在替代处方相关联的节省信息。作为示例，替代系统102可以确定(一种或多种)较高成本药物与(一种或多种)较低成本药物之间的成本节省差异乘以因子(例如，1％、5％等)的机会，以确定患者的共付额或其它支付安排(例如，统一百分比、药物免赔额限额等)是否会限制患者同意较低成本替代方案的可能性(例如，确定成本的患者的部分(如果有的话)是否会限制患者同意替代药物的可能性等)，并且如果替代系统确定共付额或其它支付安排会限制患者替代(一种或多种)药物的意愿，那么标记节省成本的机会作为共付额或其它支付安排报销的可能性，并遵循通过向患者发送关于机会的消息和/或与开处方者讨论来提供付款的过程。在这种示例中，来自步骤320的替代系统102的输出可以包括每个患者的成本节省的机会，带有指示共付额或其它支付安排是否会限制患者替代(一种或多种)药物的意愿的标志。例如，替代系统102可以在应用中向开处方者显示节省的机会和/或向开处方者发送包括节省的机会的消息(例如，电子邮件、sms消息等)。
138.节省的机会可以包括以下参数中的至少一个：患者姓名、患者出生日期、患者性别、(一种或多种)高成本药物、(一种或多种)药物的供应天数、(一种或多种)药物的最后填充日期、(一种或多种)药物的下一次填充预期日期、开处方者姓名、保险公司或其他药物福利付款人支付金额、患者支付金额、(一种或多种)低成本药物、发现节省机会的日期，进行替代的潜在节省，或其任何组合。在一些非限制性实施例或方面，节省机会可以包括以下元细节中的一个或多个：节省机会的当前状态(例如，就绪、完成、驳回—患者拒绝、驳回—患者不能容忍、驳回—机会不准确等)、节省机会的历史记录和反馈、关于所包括的(一种或多种)药物的注释，或其任何组合。
139.如图3b中所示，在步骤322处，过程300包括接收与至少一个潜在替代处方相关联的用户输入。例如，替代系统102可以从至少一个用户(例如，开处方者等)接收与与至少一个可能诊断相关联的至少一个处方的至少一个潜在替代处方相关联的用户输入。作为示例，开处方者可以核实他们是否同意至少一个潜在替代处方(例如，同意发现的(一个或多
个)潜在规则等)。
140.如图3b中所示，在步骤324处，过程300包括更新训练数据集。例如，替代系统102可以更新训练数据集以包括至少一个潜在替代处方(例如，发现的潜在规则等)。作为示例，替代系统102可以响应于多个开处方者核实他们不同意至少一个潜在替代处方(例如，发现的(一个或多个)潜在规则等)未能满足阈值数量而更新训练数据集以包括至少一个潜在替代处方(例如，发现的潜在规则等)。在这种示例中，如果高百分比(例如，满足阈值百分比的百分比等)的开处方者核实他们不同意至少一个潜在替代处方(例如，发现的(一个或多个)潜在规则、替代等)，那么替代系统102可以更新训练数据集以去除推荐这个替代或备选处方的可能性，并且如果低百分比(例如，百分比未能满足阈值百分比等)的开处方者核实他们不同意至少一个潜在替代处方(和/或核实他们确实同意至少一个潜在替代处方)，那么替代系统102可以更新训练数据集以去除推荐这个替代或备选处方的可能性。
141.替代系统102可以确定是否使用(一个或多个)确认的散列confirmedhash、(一个或多个)升级的散列updatedhash和唯一散列likelyhash的列表和/或(一个或多个)确认的严重性散列confirmedseverityhash、(一个或多个)升级的严重性散列upgradedseverityhash和唯一严重性散列likelyseverityhash的列表(例如，使用步骤416和/或516的输出，使用自动训练等)、使用基于用户输入更新的更新后的训练数据集(例如，由开处方者训练等)和/或使用如下文更详细描述的训练过程(例如，由药剂师或其他权威来源等的训练)来更新训练数据集。当与自动发现的替代或规则(例如，步骤416和/或516等的输出)相比时，最高的“可信度”或权重(例如，概率等)可以给予药剂师决定，并且相对高的“可信度”或权重(例如，概率等)可以给予开处方者决定，这可以有效地提供一个系统，在该系统中可以投票赞成或反对给定的潜在发现规则和相关联的(一个或多个)散列。例如，替代系统102可以基于至少一个可能的断和训练数据集来确定与至少一个可能诊断相关联的至少一个概率，并且可以将该至少一个概率输入到至少一个机器学习模型以确定与至少一个可能诊断相关联的至少一个处方的至少一个潜在替代处方。
142.学习到的阈值可以确定散列值不再被考虑用于诊断和相关联的替代处方/潜在发现的规则或被接受所需的“可信度”或权重投票的数量。在给定时间接受可能并不意味着永远接受，因为替代系统102可以不断地学习和发现附加的散列和潜在发现的规则。例如，如果二十个开处方者接受节省成本的机会(例如，提供核实与至少一个可能诊断相关联的至少一个处方的至少一个潜在替代处方等的用户输入)(以及由此相关联的潜在发现的规则和散列)并为患者进行替代，它会使得替代系统102“推翻”单个药剂师出于临床疗效原因而拒绝发现的规则。散列可以被发送回训练数据集，以影响未来可能发现的规则。在这种示例中，替代系统102在步骤322处的输出可以包括具有诊断和诊断的可选严重性的最终散列finalhash(cui1,cui2,
…
)。
143.如图3b中所示，在步骤326处，过程300包括基于更新后的训练数据集训练机器学习模型。例如，替代系统102可以基于更新后的训练数据集训练(例如，重新训练、更新等)机器学习模型。作为示例如，可以训练机器学习模型以响应于包括更新后的训练数据集(例如，更新后的训练数据集包括与至少一种诊断/最终散列等相关联的至少一个处方)的输入而提供包括至少一个替代处方的输出(例如，一组(或多组)药物的列表、基于散列的递减可能性(确认的、升级的、可能)、潜在发现的规则等)。例如，替代系统102可以基于更新后的训
练数据(例如，更新后的训练数据集、训练散列、最终散列等)来训练模型。在这种示例中，替代处方或潜在发现的规则可以包括与替代处方相关联的概率分数。例如，替代处方可以包括替代处方是更经济的(一种或多种)低成本药物的概率，其导致对于类似诊断/诊断的严重性的类似临床效果。在这种示例中，替代系统102可以存储更新后的模型(例如，存储更新后的模型供以后使用)。在这种示例中，对于新的和/或现有患者的新处方和/或作为开处方者和/或药剂师接受或拒绝替代处方的拟议规则，替代系统102可以在接收到新的理赔数据时连续地训练和/或更新机器学习模型。
144.因而，提供(例如，显示等)每个替代处方或潜在发现的规则与每个相关联的诊断和每个相关联的散列(和包括的(一种或多种)药物)以及药剂师(和/或其他权威来源)拒绝针对给定诊断的潜在发现的规则(和相关联散列)的能力可以使药剂师能够基于准则(诸如临床疗效、(一种或多种)药物的安全性或(一种或多种)药物的组合、对未来成本的关注(例如，药剂师相信成本较低的药物将在不久的将来价格上涨(未来的预期成本数据无法以其它方式获得)，从而使节省失效)等)拒绝规则。药剂师为潜在发现的规则提供的拒绝原因可以确定替代系统102如何处置建议未来潜在发现的规则，并且由于药剂师不拒绝潜在发现的规则，因此替代系统102可以假设暗示药剂师接受潜在的发现规则。以这种方式，训练可以基于任何权威的临床交互(例如，来自医生、来自药剂师、来自护士等)和/或来自替代系统102的数据分析。
145.虽然出于说明和描述的目的已经详细描述了实施例或方面，但应该理解的是，此类细节仅用于该目的，并且实施例或方面不限于所公开的实施例或方面，而是相反，所公开的实施例或方面旨在涵盖在所附权利要求的精神和范围内的修改和等效布置。例如，应该理解的是，本公开考虑到，在可能的范围内，任何实施例或方面的一个或多个特征可以与任何其它实施例或方面的一个或多个特征组合。事实上，这些特征中的任何一个都可以以权利要求中未具体记载和/或说明书中未公开的方式进行组合。虽然下面列出的每个从属权利要求可能直接依赖于一个权利要求，但可能的实施方式的公开包括每个从属权利要求与权利要求集中的每个其它权利要求的组合。

技术特征：
1.一种计算机实现的方法，包括：获得与针对与至少一个患者相关联的至少一个处方的至少一个理赔相关联的理赔数据；基于理赔数据，确定与所述至少一个患者相关联的所述至少一个处方的至少一个通用标识符；为与所述一个或多个处方相关联的一个或多个通用标识符获得与一个或多个已知诊断相关联的药物诊断数据；基于所述至少一个通用标识符和药物诊断数据，确定与针对所述至少一个患者的所述至少一个处方相关联的至少一个可能诊断；基于理赔数据，确定与和所述至少一个处方相关联的所述至少一个可能诊断相关联的至少一个成本；针对所述至少一个可能诊断，使用基于训练数据集训练的机器学习模型，确定与所述至少一个可能诊断相关联的所述至少一个处方的至少一个潜在替代处方；向至少一个用户提供与和所述至少一个可能诊断相关联的所述至少一个处方的所述至少一个潜在替代处方相关联的节省信息；从所述至少一个用户接收与和所述至少一个可能诊断相关联的所述至少一个处方的所述至少一个潜在替代处方相关联的用户输入；基于用户输入，更新训练数据集以包括与所述至少一个潜在替代处方相关联的所述至少一个可能诊断作为至少一个经训练的诊断；以及基于更新后的训练数据集训练机器学习模型。2.如权利要求1所述的计算机实现的方法，还包括：确定所述至少一个可能诊断是否与确认的数据集中的一个或多个确认的诊断匹配；响应于确定所述至少一个可能诊断与确认的数据集中的一个或多个确认的诊断匹配，进行以下之一：(i)更新训练数据集以包括与所述至少一个处方相关联的所述至少一个可能诊断作为一个或多个经训练的诊断，以及(ii)通过调整与经训练的数据集中至少一个现有的经训练的诊断相关联的权重来更新经训练的数据集。3.如权利要求2所述的计算机实现的方法，还包括：基于所述至少一个可能诊断和确认的数据集，确定与所述至少一个可能诊断相关联的严重性级别，其中严重性级别被输入到所述至少一个机器学习模型以确定与所述至少一个可能诊断相关联的所述至少一个处方的所述至少一个潜在替代处方。4.如权利要求3所述的计算机实施的方法，其中所述至少一个潜在替代处方与所述至少一个可能诊断的与所述至少一个处方相同的严重性级别相关联。5.如权利要求1所述的计算机实现的方法，还包括：基于所述至少一个可能诊断和训练数据集，确定与所述至少一个可能诊断相关联的至少一个概率，其中所述至少一个概率被输入到所述至少一个机器学习模型以确定与所述至少一个可能诊断相关联的所述至少一个处方的所述至少一个潜在替代处方。6.如权利要求1所述的计算机实施的方法，其中所述至少一个潜在替代处方包括以下至少一种：与和所述至少一个处方相关联的药物不同的药物、与和所述至少一个处方相关联的剂量不同的剂量、停止使用与所述至少一个处方相关联的药物的指示、与所述至少一
个处方相关联的相同药物的不同配方、与所述至少一个处方相关联的相同药物的不同包装，或其任何组合。7.如权利要求1所述的计算机实现的方法，其中所述至少一个成本还基于与所述至少一个处方相关联的当前成本和与所述至少一个处方相关联的未来成本来确定，其中未来成本与当前成本不同。8.一种系统，包括：一个或多个处理器，被编程和/或被配置为：获得与针对与至少一个患者相关联的至少一个处方的至少一个理赔相关联的理赔数据；基于理赔数据，确定与所述至少一个患者相关联的所述至少一个处方的至少一个通用标识符；为与所述一个或多个处方相关联的一个或多个通用标识符获得与一个或多个已知诊断相关联的药物诊断数据；基于所述至少一个通用标识符和药物诊断数据，确定与针对所述至少一个患者的所述至少一个处方相关联的至少一个可能诊断；基于理赔数据，确定与和所述至少一个处方相关联的所述至少一个可能诊断相关联的至少一个成本；针对所述至少一个可能诊断，使用基于训练数据集训练的机器学习模型，确定与所述至少一个可能诊断相关联的所述至少一个处方的至少一个潜在替代处方；向至少一个用户提供与和所述至少一个可能诊断相关联的所述至少一个处方的所述至少一个潜在替代处方相关联的节省信息；从所述至少一个用户接收与和所述至少一个可能诊断相关联的所述至少一个处方的所述至少一个潜在替代处方相关联的用户输入；基于用户输入，更新训练数据集以包括与所述至少一个潜在替代处方相关联的所述至少一个可能诊断作为至少一个经训练的诊断；以及基于更新后的训练数据集训练机器学习模型。9.如权利要求8所述的系统，其中所述一个或多个处理器还被编程和/或被配置为：确定所述至少一个可能诊断是否与确认的数据集中的一个或多个确认的诊断匹配；响应于确定所述至少一个可能诊断与确认的数据集中的一个或多个确认的诊断匹配，进行以下之一：(i)更新训练数据集以包括与所述至少一个处方相关联的所述至少一个可能诊断作为一个或多个经训练的诊断，以及(ii)通过调整与经训练的数据集中至少一个现有的经训练的诊断相关联的权重来更新经训练的数据集。10.如权利要求9所述的系统，其中所述一个或多个处理器还被编程和/或被配置为：基于所述至少一个可能诊断和确认的数据集，确定与所述至少一个可能诊断相关联的严重性级别，其中严重性级别被输入到所述至少一个机器学习模型以确定与所述至少一个可能诊断相关联的所述至少一个处方的所述至少一个潜在替代处方。11.如权利要求10所述的系统，其中所述至少一个潜在替代处方与所述至少一个可能诊断的与所述至少一个处方相同的严重性级别相关联。12.如权利要求8所述的系统，其中所述一个或多个处理器还被编程和/或被配置为：
基于所述至少一个可能诊断和训练数据集，确定与所述至少一个可能诊断相关联的至少一个概率，其中所述至少一个概率被输入到所述至少一个机器学习模型以确定与所述至少一个可能诊断相关联的所述至少一个处方的所述至少一个潜在替代处方。13.如权利要求8所述的系统，其中所述至少一个潜在替代处方包括以下至少一种：与和所述至少一个处方相关联的药物不同的药物、与和所述至少一个处方相关联的剂量不同的剂量、停止使用与所述至少一个处方相关联的药物的指示、与所述至少一个处方相关联的相同药物的不同配方、与所述至少一个处方相关联的相同药物的不同包装，或其任何组合。14.如权利要求8所述的系统，其中所述至少一个成本还基于与所述至少一个处方相关联的当前成本和与所述至少一个处方相关联的未来成本来确定，其中未来成本与当前成本不同。15.一种计算机程序产品，包括至少一个非暂态计算机可读介质，该介质包括程序指令，程序指令在由至少一个处理器执行时使所述至少一个处理器：获得与针对与至少一个患者相关联的至少一个处方的至少一个理赔相关联的理赔数据；基于理赔数据，确定与所述至少一个患者相关联的所述至少一个处方的至少一个通用标识符；为与所述一个或多个处方相关联的一个或多个通用标识符获得与一个或多个已知诊断相关联的药物诊断数据；基于所述至少一个通用标识符和药物诊断数据，确定与针对所述至少一个患者的所述至少一个处方相关联的至少一个可能诊断；基于理赔数据，确定与和所述至少一个处方相关联的所述至少一个可能诊断相关联的至少一个成本；针对所述至少一个可能诊断，使用基于训练数据集训练的机器学习模型，确定与所述至少一个可能诊断相关联的所述至少一个处方的至少一个潜在替代处方；向至少一个用户提供与和所述至少一个可能诊断相关联的所述至少一个处方的所述至少一个潜在替代处方相关联的节省信息；从所述至少一个用户接收与和所述至少一个可能诊断相关联的所述至少一个处方的所述至少一个潜在替代处方相关联的用户输入；基于用户输入，更新训练数据集以包括与所述至少一个潜在替代处方相关联的所述至少一个可能诊断作为至少一个经训练的诊断；以及基于更新后的训练数据集训练机器学习模型。16.如权利要求15所述的计算机程序产品，其中指令在由所述至少一个处理器执行时还使所述至少一个处理器：确定所述至少一个可能诊断是否与确认的数据集中的一个或多个确认的诊断匹配；响应于确定所述至少一个可能诊断与确认的数据集中的一个或多个确认的诊断匹配，进行以下之一：(i)更新训练数据集以包括与所述至少一个处方相关联的所述至少一个可能诊断作为一个或多个经训练的诊断，以及(ii)通过调整与经训练的数据集中至少一个现有的经训练的诊断相关联的权重来更新经训练的数据集。
17.如权利要求16所述的计算机程序产品，其中指令在由所述至少一个处理器执行时还使所述至少一个处理器：基于所述至少一个可能诊断和确认的数据集，确定与所述至少一个可能诊断相关联的严重性级别，其中严重性级别被输入到所述至少一个机器学习模型以确定与所述至少一个可能诊断相关联的所述至少一个处方的所述至少一个潜在替代处方，其中所述至少一个潜在替代处方与所述至少一个可能诊断的与所述至少一个处方相同的严重性级别相关联。18.如权利要求15所述的计算机程序产品，其中指令在由所述至少一个处理器执行时还使所述至少一个处理器：基于所述至少一个可能诊断和训练数据集，确定与所述至少一个可能诊断相关联的至少一个概率，其中所述至少一个概率被输入到所述至少一个机器学习模型以确定与所述至少一个可能诊断相关联的所述至少一个处方的所述至少一个潜在替代处方。19.如权利要求15所述的计算机程序产品，其中所述至少一个潜在替代处方包括以下至少一种：与和所述至少一个处方相关联的药物不同的药物、与和所述至少一个处方相关联的剂量不同的剂量、停止使用与所述至少一个处方相关联的药物的指示、与所述至少一个处方相关联的相同药物的不同配方、与所述至少一个处方相关联的相同药物的不同包装，或其任何组合。20.如权利要求15所述的计算机程序产品，其中所述至少一个成本还基于与所述至少一个处方相关联的当前成本和与所述至少一个处方相关联的未来成本来确定，其中未来成本与当前成本不同。

技术总结
用于药房替代的方法、系统和计算机程序产品获得与与患者相关联的处方的理赔相关联的理赔数据；基于理赔数据，确定处方的通用标识符；为与处方相关联的通用标识符获得与已知诊断相关联的药物诊断数据；基于通用标识符和药物诊断数据，确定与处方相关联的可能诊断；基于理赔数据，确定与可能诊断相关联的成本；使用基于训练数据集训练的机器学习模型，为可能诊断确定处方的潜在替代处方；基于用户输入，更新训练数据集，以包括与替代处方相关联的可能诊断；以及基于更新后的训练数据集训练机器学习模型。学习模型。学习模型。


技术研发人员：E
受保护的技术使用者：阿克斯有限责任公司
技术研发日：2021.10.26
技术公布日：2023/8/24