科学用药对于提高疾病治疗效果具有重要作用,当前,药物处方的开具主要依赖于医生个人的专业知识和经验。有研究人员提出用患者各项体征数据、医嘱指令数据,通过关联规则分析、最近邻算法、逻辑回归、贝叶斯网络等方法进行药物推荐,然而这些方法推荐准确率有待提高。实际上,医疗信息系统积累有大量历史病患的处方数据,而且,治疗同一病种所需的药物和药物治疗过程通常有一定的规律可循。基于历史处方数据对所需药物及药物治疗模式进行挖掘分析、进而为医生制定用药方案提供药物推荐功能,具有一定的可行性。本文拟研究一种基于医疗日志挖掘的药物推荐方法,具体方案如下:(1)LDA功效主题聚类:假设特定病种治疗所需的药物功效分为多个主题,患者每日所服药物按照多项分布服务于这些功效主题,而且每个功效主题下需要采用的药物也服从多项分布,此时可借助LDA模型从历史患者用药日志中训练各个诊疗日的功效主题分布以及每个功效主题下的药物分布;(2)构建功效组合标签序列:根据功效主题分布的相似性对不同诊疗日的药物功效组合进行聚类,同一簇中各个诊疗日用药用统一的功效组合标签进行标注,由此可将患者的用药流程转换为一个功效组合标签序列;(3)构建概率后缀树:假设每日用药的功效组合服从变阶马尔科夫模型,借助历史患者的功效组合标签序列构造概率后缀树,基于此概率后缀树对处于诊疗过程中的患者进行逐日用药预测;(4)融入体征的药物推荐:引入病人当日的体征向量,将概率后缀树预测的可能的功效组合分布与病人对应诊疗日的体征向量作为特征,病人真实的功效组合标签为分类标签,使用Xgboost的分类方法训练模型,再根据分类结果进行药物推荐。结合MIMIC-III临床数据集中败血症及糖尿病患者的处方及体征数据对所提方案的可行性和有效性进行评估。从实验结果来看,基于概率后缀树的方法更适用于诊疗模式相对固定的病种,而对于治疗方案随机、主要依赖于患者体征的病症,使用Xgboost的分类方法取得了更好的实验结果。而且两种方法取得的准确率、召回率、F1值等指标优于传统方法。