一种处方用药审核方法、装置、设备及存储介质

摘要

本申请公开了一种处方用药审核方法、装置、设备及存储介质，本申请预先配置了药品知识库用于存储医学领域药品相关知识信息，对于待审核的病例‑处方数据，在知识库中检索相关的药品知识集合，进而调用第一生成式语言模型对药品知识集合进行处理，得到处理后药品知识集合，之后调用第二生成式语言模型，基于该病例‑处方数据及处理后药品知识集合，生成处方用药审核结果。本申请可以充分借助生成式语言模型的文本生成和推理能力，实现对药品知识集合的精简及整合，之后可以基于整合后药品知识集合推理病例‑处方数据中的用药合理性。审核结果可以提供给医生供参考，提高了用药审核速度及质量，同时节省了专业医生的人力、降低了专业医生的负担。

说明书

技术领域

本申请涉及人工智能技术领域，更具体的说，是涉及一种处方用药审核方法、装置、设备及存储介质。

背景技术

国家药监部门为规范临床用药行为、促进合理用药，对处方用药进行审核，以保障公共健康、促进药品安全，特别是对于一些国家重点监控药品，需要对处方中涉及的国家重点监控药品进行用药审核。其中，国家重点监控药品是指一批由国家药监部门实现定期、定量、定点、定质量、定价格、定批号等监控措施的药品，包含了多种类型的药品。

传统的用药审核系统一般都是基于规则推理，将一系列审核规则集中在系统中，根据患者的病情和药品使用情况，系统自动判断处方是否合理。示例如，规定最大剂量、最大疗程、用药禁忌等审核规则，系统自动判断药方合理性。但是，因为药品使用条件的特殊性、使用场景的复杂性、使用方式的多样性，基于规则推理的用药审核系统需要大量专科医生的人力构建药品使用规则，即便如此，简单规则的罗列和组合往往也难以详尽药品使用场景的全部细节，导致处方用药审核结果的准确性不够高。此外，还有部分现有技术基于深度学习算法，使用历史处方数据训练神经网络模型，之后采用模型对新的处方进行用药审核。这种方式需要大量的历史处方数据进行训练，如果数据量不足或者数据质量不好，会影响模型的性能，进而影响用药审核结果的准确性。

发明内容

鉴于上述问题，提出了本申请以便提供一种处方用药审核方法、装置、设备及存储介质，用于解决传统基于规则推理的方案需要大量人力构建药品使用规则，且无法穷尽规则导致审核结果不准确，基于深度学习的算法依赖大量历史处方数据进行训练，在训练数据量不足或质量不好时，影响最终用药审核结果准确性的问题。具体方案如下：

第一方面，提供了一种处方用药审核方法，包括：

获取待审核的病例-处方数据；

在预配置的药品知识库中检索与所述病例-处方数据相关的药品知识集合；

调用预配置的第一生成式语言模型，对所述药品知识集合进行处理，得到处理后药品知识集合；

调用第二生成式语言模型，基于所述病例-处方数据及所述处理后药品知识集合，生成处方用药审核结果。

优选地，所述预配置的药品知识库中包含的是药品知识的编码向量，则在预配置的药品知识库中检索与所述病例-处方数据相关的药品知识集合，包括：

获取所述病例-处方数据的编码向量；

基于所述病例-处方数据的编码向量，在所述药品知识库中检索相关的药品知识的编码向量；

由检索到的编码向量组成所述药品知识集合，或，由检索到的编码向量所对应的药品知识组成所述药品知识集合。

优选地，所述预配置的药品知识库中包含的是药品知识的索引信息，则在预配置的药品知识库中检索与所述病例-处方数据相关的药品知识集合，包括：

对所述病例-处方数据进行分词，并按照分词结果及所述索引信息在药品知识库中检索相关的药品知识，组成药品知识集合；

或，

对所述病例-处方数据进行分词，并按照分词结果及所述索引信息在药品知识库中检索相关的药品知识，并获取检索到的药品知识的编码向量，组成药品知识集合。

优选地，所述药品知识集合具体为药品知识的编码向量集合，则调用预配置的第一生成式语言模型，对所述药品知识集合进行处理，得到处理后药品知识集合的过程，包括：

生成第一提示指令prompt，所述第一提示指令prompt用于指示生成式语言模型对给定的药品知识进行处理；

对所述第一提示指令prompt进行向量编码；

将所述第一提示指令prompt的编码向量与所述药品知识的编码向量集合进行拼接，并将拼接后编码向量输入第一生成式语言模型的解码网络，得到第一生成式语言模型输出的处理后药品知识集合。

优选地，所述第一提示指令prompt具体用于，指示生成式语言模型对给定的药品知识进行处理，保留并整合与给定的病例-处方数据相关的药品知识，该方法还包括：

获取所述病例-处方数据的编码向量；

则，将所述第一提示指令prompt的编码向量与所述药品知识的编码向量集合进行拼接的过程，包括：

将所述第一提示指令prompt的编码向量、所述药品知识的编码向量集合及所述病例-处方数据的编码向量进行拼接。

优选地，所述药品知识集合中包含的是药品知识，则调用预配置的第一生成式语言模型，对所述药品知识集合进行处理，得到处理后药品知识集合的过程，包括：

基于所述药品知识集合生成第二提示指令prompt，所述第二提示指令prompt用于指示生成式语言模型对所述药品知识集合中的药品知识进行处理；

将所述第二提示指令prompt输入第一生成式语言模型，得到模型输出的处理后药品知识集合。

优选地，所述第二提示指令prompt中还包含所述病例-处方数据，则所述第二提示指令prompt具体用于指示生成式语言模型参考所述病例-处方数据对所述药品知识集合中的药品知识进行处理，保留并整合与所述病例-处方数据相关的药品知识。

优选地，调用第二生成式语言模型，基于所述病例-处方数据及所述处理后药品知识集合，生成处方用药审核结果的过程，包括：

基于所述病例-处方数据及所述处理后药品知识集合，生成第三提示指令prompt，所述第三提示指令prompt用于指示生成式语言模型参考所述处理后药品知识集合，确定所述病例-处方数据中的用药审核结果；

将所述第三提示指令prompt输入第二生成式语言模型，得到模型输出的处方用药审核结果。

优选地，所述药品知识库中包含的是指定的重点监控药品的相关知识；

检索的与病例-处方数据相关的药品知识集合，具体包括：病例-处方数中与所述重点监控药品相关的药品知识；

生成的所述处方用药审核结果具体包括：处方的重点监控药品的用药审核结果。

优选地，所述第一生成式语言模型及所述第二生成式语言模型均采用大语言模型。

第二方面，提供了一种处方用药审核装置，包括：

数据获取单元，用于获取待审核的病例-处方数据；

药品知识检索单元，用于在预配置的药品知识库中检索与所述病例-处方数据相关的药品知识集合；

药品知识处理单元，用于调用预配置的第一生成式语言模型，对所述药品知识集合进行处理，得到处理后药品知识集合；

审核结果确定单元，用于调用第二生成式语言模型，基于所述病例-处方数据及所述处理后药品知识集合，生成处方用药审核结果。

第三方面，提供了一种处方用药审核设备，包括：存储器和处理器；

所述存储器，用于存储程序；

所述处理器，用于执行所述程序，实现如前所述的处方用药审核方法的各个步骤。

第四方面，提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如前所述的处方用药审核方法的各个步骤。

借由上述技术方案，本申请预先配置了药品知识库用于存储医学领域药品相关知识信息，对于待审核的病例-处方数据，在知识库中检索相关的药品知识集合，进而调用第一生成式语言模型，对药品知识集合进行处理，得到处理后药品知识集合，之后调用第二生成式语言模型，基于该病例-处方数据及处理后药品知识集合，生成处方用药审核结果。显然，本申请方案可以充分借助生成式语言模型的文本生成和推理能力，实现对药品知识集合的处理，如精简、整合等，之后可以基于处理后药品知识集合推理病例-处方数据中的用药合理性。采用本申请方案不需要专业领域医生事先定制审核规则，也不需要筛选大量高质量历史处方数据进行训练，借助生成式语言模型的文本生成和推理能力即可辅助进行处方用药的审核，该审核结果可以提供给医生供参考，提高了用药审核速度及质量，同时节省了专业医生的人力、降低了专业医生的负担。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1为本申请实施例提供的一种处方用药审核方法流程示意图；

图2为本申请实施例提供的一种处方用药审核装置结构示意图；

图3为本申请实施例提供的一种处方用药审核设备的结构示意图。

具体实施方式

在介绍本申请方案之前，首先对本文中涉及到的英文进行解释：

Prompt：指示指令。在调用AI（如人工智能模型）进行任务处理时，需要向AI发送的指令，其可以是一段文字描述，比如你和AI对话时输入的“请帮我推荐一首流行音乐”，也可以是按照一定格式的参数描述，比如让AI按照一定格式进行绘图，需要描述相关绘图参数。

生成式语言模型：是一种基于深度学习技术的人工智能模型，这些模型通常用于自然语言处理任务，如机器翻译、文本生成、问答系统等。生成式语言模型的优势在于它们可以理解和生成自然语言，从而实现更加智能化的交互方式。常见的生成式语言模型如GPT系列的模型以及其它企业研发的生成式语言模型。

大语言模型：（Large language model，LLM）大语言模型属于生成式语言模型中的一种，是指基于概率图模型或循环神经网络等技术构建的语言模型，其参数量也非常大。这些模型通常用于自然语言处理任务，如机器翻译、文本生成、问答系统等。常见的大语言模型如GPT4以及其它企业研发的大语言模型。

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请提供了一种处方用药审核方案，可以适用于对处方用药合理性进行审核的场景，其中所涉及的药品可以包括各类型药品，或指定类型药品，如国家重点监控药品的用药审核等。

本申请方案可以基于具备数据处理能力的终端实现，该终端可以是手机、电脑、学习机、智能机器人等。

接下来，结合图1所述，本申请的处方用药审核方法可以包括如下步骤：

步骤S100、获取待审核的病例-处方数据。

其中，待审核的病例-处方数据是指需要进行处方用药审核的数据，病例-处方数据中包含了患者的病例信息，以及医生给出的处方用药信息。

步骤S110、在预配置的药品知识库中检索与所述病例-处方数据相关的药品知识集合。

具体地，本申请可以预先基于医学书籍、指南、结构化的药品知识等建立药品知识库，包括但不限于：疾病用药知识、药品说明书知识、药品分类知识等。进而，本实施例中可以在药品知识库中检索与上一步骤获取的病例-处方数据相关的药品知识集合。

需要说明的是，根据事先确定的需要进行审核的药品类型，本步骤中可以配置与该药品类型相对应的药品知识库。示例如，在需要进行审核的药品类型为国家重点监控药品时，则可以收集与国家重点监控药品相关的药品知识文本，构建药品知识库。

步骤S120、调用预配置的第一生成式语言模型，对所述药品知识集合进行处理，得到整合后药品知识集合。

具体地，上一步骤中从药品知识库中检索到的相关药品知识集合包含了全部的与病例-处方数据相关的药品知识信息，但是其中也包含了冗余的信息，为此，本步骤中可以借助生成式语言模型的文本摘要生成能力，对检索到的药品知识集合进行处理，该处理可以包括精简、整合，通过更短的文本篇幅来总结相关药品知识，得到处理后药品知识集合，同时也降低了下一步生成式语言模型处理数据的计算量。

步骤S130、调用第二生成式语言模型，基于所述病例-处方数据及所述处理后药品知识集合，生成处方用药审核结果。

具体地，前述步骤中已经得到了与病例-厨房数据相关的处理后药品知识集合，本步骤中可以借助生成式语言模型的推理能力，调用第二生成式语言模型，基于处理后药品知识集合对病例-处方数据中的用药合理性进行推理，从而得到处方用药审核结果。

本步骤中通过设计不同的指令，可以调用第二生成式语言模型从不同维度给出用药审核结果，示例如：输出患者是否有指定药品的用药指征、处方中指定药品的用量、疗程、用药禁忌是否合理等。

本步骤得到处方用药审核结果之后，可以将该审核结果整合为报告的形式提供给医生或专业审核人员，供用户进行参考。审核人员可以确认该处方用药审核结果是否合理、安全。进一步，审核人员可以根据实际情况对处方进行调整或说明。

本申请实施例提供的处方用药审核方法，预先配置了药品知识库用于存储医学领域药品相关知识信息，对于待审核的病例-处方数据，在知识库中检索相关的药品知识集合，进而调用第一生成式语言模型，对药品知识集合进行处理，得到处理后药品知识集合，之后调用第二生成式语言模型，基于该病例-处方数据及处理后药品知识集合，生成处方用药审核结果。显然，本申请方案可以充分借助生成式语言模型的文本生成和推理能力，实现对药品知识集合的处理，之后可以基于处理后药品知识集合推理病例-处方数据中的用药合理性。采用本申请方案不需要专业领域医生事先定制审核规则，也不需要筛选大量高质量历史处方数据进行训练，借助生成式语言模型的文本生成和推理能力即可辅助进行处方用药的审核，该审核结果可以提供给医生供参考，提高了用药审核速度及质量，同时节省了专业医生的人力、降低了专业医生的负担。

本申请实施例中所使用到的第一生成式语言模型、第二生成式语言模型可以采用不同类型的生成式语言模型，也可以是同一生成式语言模型。一种可选的情况下，第一、第二生成式语言模型具体可以采用大语言模型，以借助大语言模型网络参数量大，生成、推理能力更强的优点。

如前文所述，本申请可以根据实际应用需要，选择需要审核的药品类型。当需要审核的药品类型为指定的重点监控药品时，所述药品知识库中包含的是指定的重点监控药品的相关知识。步骤S110中检索的与病例-处方数据相关的药品知识集合具体包括：病例-处方数中与所述重点监控药品相关的药品知识。步骤S130中生成的所述处方用药审核结果具体包括：处方的重点监控药品的用药审核结果。

在本申请的一些实施例中，对上述步骤S110，在预配置的药品知识库中检索与所述病例-处方数据相关的药品知识集合的过程进行说明。

本实施例中提供了几种不同的药品知识检索方式。

第一种、基于向量化的知识检索。

预配置的药品知识库中包含的是药品知识的编码向量。

具体地，本实施例中可以预先将收集到的医学药品知识文本按照规则进行分割，示例如对于篇幅较长的文本分割成较短文本x。然后将每个短文本x转换为编码向量h

h

其中，Encoder(·)表示任意类型的编码器模型，示例如采用sentence-transformers等。药品知识被向量化之后可以存储至数据库H中。

在此基础上，可以获取病例-处方数据r的编码向量h

H

需要说明的是，在对病例-处方数据r进行向量编码时，可以采用与药品知识向量编码时相同的编码器模型，以保证二者处于同一向量空间。

进一步，可以基于病例-处方数据r的编码向量h

X=Retrieve（h

其中，Retrieve(·)表示检索模型，可以采用RetrievalQA等任意类型的检索模型。

最后，可以由检索到的编码向量X组成病例-处方数据r相关的药品知识集合。或者，可以由检索到的编码向量X所对应的药品知识组成病例-处方数据r相关的药品知识集合。也即，检索到的药品知识集合中包含的可以是药品知识本身，也可以是药品知识对应的编码向量的形式。

第二种、基于索引的知识检索。

配置的药品知识库中包含的是药品知识的索引信息。

具体地，本实施例中可以预先将收集到的医学药品知识文本按照规则进行分割，示例如对于篇幅较长的文本分割成较短文本x。然后确定每个短文本x的索引信息。

在获取到待审核的病例-处方数据后对病例-处方数据进行分词，并按照分词结果及索引信息在药品知识库中检索相关的药品知识，组成药品知识集合。

或者，

对病例-处方数据进行分词，并按照分词结果及所述索引信息在药品知识库中检索相关的药品知识，并获取检索到的药品知识的编码向量，组成药品知识集合。

也即，检索到的药品知识集合中包含的可以是药品知识本身，也可以是药品知识对应的编码向量的形式。

第三种、上述两种方式的结合。

具体地，可以将上述基于向量化的知识检索结果，与基于索引的知识检索结果进行结合，得到最终检索的药品知识集合。

在本申请的一些实施例中，对前述步骤S120，调用预配置的第一生成式语言模型，对所述药品知识集合进行处理，得到处理后药品知识集合的过程进行说明。

基于前述实施例中介绍的知识检索的过程可知，步骤S110中检索得到的药品知识集合可以有两种形式，根据该药品知识集合的不同形式，本实施例中分别介绍步骤S120的不同实现过程。

第一、检索到的药品知识集合为药品知识的编码向量集合。

在此基础上，步骤S120具体可以包括：

S11、生成第一提示指令prompt，所述第一提示指令prompt用于指示生成式语言模型对给定的药品知识进行处理。

示例性的，第一提示指令prompt可以为：请对给定的药品知识进行精简、整合。

这里需要说明的是，第一提示指令prompt中不包含具体的药品知识信息，药品知识信息在下述步骤S3中送入模型的解码网络。

S12、对所述第一提示指令prompt进行向量编码，得到编码向量Y。

具体地，在对第一提示指令prompt进行向量编码时，可以采用与药品知识向量编码时相同的编码器模型，以保证二者处于同一向量空间。

S13、将所述第一提示指令prompt的编码向量Y与所述药品知识的编码向量集合X进行拼接，并将拼接后编码向量输入第一生成式语言模型的解码网络，得到第一生成式语言模型输出的处理后药品知识集合X’。

X’=Decoder(X+Y)

处理后药品知识集合X’中包含的是文本形式的药品知识信息。Decoder(·)表示第一生成式语言模型的解码网络。

按照上述流程，可以通过生成式语言模型的摘要生成能力对知识进行精简、整合及解码，得到文本形式的处理后药品知识集合。

进一步可选的，在调用第一生成式语言模型对药品知识集合进行处理时，还可以进一步向第一生成式语言模型提供待审核的病例-处方数据，以指示生成式语言模型参考该病例-处方数据对药品知识集合进行处理，保留并整合与病例-处方数据相关的药品知识，从而在对药品知识进行精简的基础上，能够确保相关的药品知识不会丢失。

具体地，上述第一提示指令prompt具体用于，指示生成式语言模型对给定的药品知识进行处理，保留并整合与给定的病例-处方数据相关的药品知识。

本实施例中进一步还需要获取病例-处方数据的编码向量h

则前述S13、将所述第一提示指令prompt的编码向量Y与所述药品知识的编码向量集合X进行拼接，并将拼接后编码向量输入第一生成式语言模型的解码网络，得到第一生成式语言模型输出的处理后药品知识集合X’的过程，具体可以包括：

将所述第一提示指令prompt的编码向量Y、所述药品知识的编码向量集合X及所述病例-处方数据的编码向量h

X’=Decoder(X+Y+h

第二、检索到的药品知识集合中包含的是文本形式的药品知识。

在此基础上，步骤S120具体可以包括：

S21、基于所述药品知识集合生成第二提示指令prompt，所述第二提示指令prompt用于指示生成式语言模型对所述药品知识集合中的药品知识进行处理。

示例性的，第二提示指令prompt可以是：请对<药品知识>进行精简、整合。其中，<药品知识>槽中填充检索到的药品知识集合。

S22、将所述第二提示指令prompt输入第一生成式语言模型，得到模型输出的处理后药品知识集合。

同前所述，在调用第一生成式语言模型对药品知识集合进行处理时，还可以进一步向第一生成式语言模型提供待审核的病例-处方数据，以指示第一生成式语言模型参考该病例-处方数据对药品知识集合进行处理，保留并整合与病例-处方数据相关的药品知识，从而在对药品知识进行精简的基础上，能够确保相关的药品知识不会丢失。

具体地，所述第二提示指令prompt中还可以包含所述病例-处方数据，所述第二提示指令prompt具体用于指示生成式语言模型参考所述病例-处方数据对所述药品知识集合中的药品知识进行处理，保留并整合与所述病例-处方数据相关的药品知识。

示例性，第二提示指令prompt可以是：请参考<病例-处方数据>，对<药品知识>进行处理，保留并整合与处方相关的药品知识。

其中，<病例-处方数据>槽中填充待审核的病例-处方数据。

在本申请的一些实施例中，对前述步骤S130，调用第二生成式语言模型，基于所述病例-处方数据及所述处理后药品知识集合，生成处方用药审核结果的过程进行说明。

具体地，可以基于所述病例-处方数据及所述处理后药品知识集合，生成第三提示指令prompt，所述第三提示指令prompt用于指示生成式语言模型参考所述处理后药品知识集合，确定所述病例-处方数据中的用药审核结果。

示例性的，第三提示指令prompt可以是：

请参考给定的药品知识，根据患者病例信息，确定处方数据中的用药是否合理，<药品知识集合>、<病例-处方数据>。其中，<药品知识集合>槽中填充整合后药品知识集合，<病例-处方数据>槽中填充待审核的病例-处方数据。

进一步地，将第三提示指令prompt输入第二生成式语言模型，得到模型输出的处方用药审核结果。

其中，模型输出的处方用药审核结果可以包括：患者是否有指定药品的用药指征、处方中指定药品的用量、疗程、用药禁忌是否合理等。

下面对本申请实施例提供的处方用药审核装置进行描述，下文描述的处方用药审核装置与上文描述的处方用药审核方法可相互对应参照。

参见图2，图2为本申请实施例公开的一种处方用药审核装置结构示意图。

如图2所示，该装置可以包括：

数据获取单元11，用于获取待审核的病例-处方数据；

药品知识检索单元12，用于在预配置的药品知识库中检索与所述病例-处方数据相关的药品知识集合；

药品知识处理单元13，用于调用预配置的第一生成式语言模型，对所述药品知识集合进行处理，得到处理后药品知识集合；

审核结果确定单元14，用于调用第二生成式语言模型，基于所述病例-处方数据及所述处理后药品知识集合，生成处方用药审核结果。

可选的，所述预配置的药品知识库中包含的是药品知识的编码向量，则药品知识检索单元在预配置的药品知识库中检索与所述病例-处方数据相关的药品知识集合的过程，可以包括：

获取所述病例-处方数据的编码向量；

基于所述病例-处方数据的编码向量，在所述药品知识库中检索相关的药品知识的编码向量；

由检索到的编码向量组成所述药品知识集合，或，由检索到的编码向量所对应的药品知识组成所述药品知识集合。

另一种可选情况下，所述预配置的药品知识库中包含的是药品知识的索引信息，则药品知识检索单元在预配置的药品知识库中检索与所述病例-处方数据相关的药品知识集合的过程，可以包括：

对所述病例-处方数据进行分词，并按照分词结果及所述索引信息在药品知识库中检索相关的药品知识，组成药品知识集合；

或，

对所述病例-处方数据进行分词，并按照分词结果及所述索引信息在药品知识库中检索相关的药品知识，并获取检索到的药品知识的编码向量，组成药品知识集合。

可选的，所述药品知识集合具体为药品知识的编码向量集合，则药品知识处理单元调用预配置的第一生成式语言模型，对所述药品知识集合进行处理，得到处理后药品知识集合的过程，可以包括：

生成第一提示指令prompt，所述第一提示指令prompt用于指示生成式语言模型对给定的药品知识进行处理；

对所述第一提示指令prompt进行向量编码；

将所述第一提示指令prompt的编码向量与所述药品知识的编码向量集合进行拼接，并将拼接后编码向量输入第一生成式语言模型的解码网络，得到第一生成式语言模型输出的处理后药品知识集合。

进一步地，上述药品知识处理单元生成的第一提示指令prompt具体可以用于，指示生成式语言模型对给定的药品知识进行处理，保留并整合与给定的病例-处方数据相关的药品知识。在此基础上，药品知识处理单元还用于获取所述病例-处方数据的编码向量；则，药品知识处理单元将所述第一提示指令prompt的编码向量与所述药品知识的编码向量集合进行拼接的过程，可以包括：

将所述第一提示指令prompt的编码向量、所述药品知识的编码向量集合及所述病例-处方数据的编码向量进行拼接。

另一种可选情况下，所述药品知识集合中包含的是药品知识，则药品知识处理单元调用预配置的第一生成式语言模型，对所述药品知识集合进行处理，得到处理后药品知识集合的过程，可以包括：

基于所述药品知识集合生成第二提示指令prompt，所述第二提示指令prompt用于指示生成式语言模型对所述药品知识集合中的药品知识进行处理；

将所述第二提示指令prompt输入第一生成式语言模型，得到模型输出的处理后药品知识集合。

进一步地，上述药品知识处理单元生成的第二提示指令prompt中还可以包含所述病例-处方数据，则所述第二提示指令prompt具体用于指示生成式语言模型参考所述病例-处方数据对所述药品知识集合中的药品知识进行处理，保留并整合与所述病例-处方数据相关的药品知识。

可选的，上述审核结果确定单元调用第二生成式语言模型，基于所述病例-处方数据及所述处理后药品知识集合，生成处方用药审核结果的过程，可以包括：

基于所述病例-处方数据及所述整合后药品知识集合，生成第三提示指令prompt，所述第三提示指令prompt用于指示生成式语言模型参考所述处理后药品知识集合，确定所述病例-处方数据中的用药审核结果；

将所述第三提示指令prompt输入第二生成式语言模型，得到模型输出的处方用药审核结果。

本申请实施例提供的处方用药审核装置可应用于处方用药审核设备，如手机、电脑、学习机、智能机器人等。可选的，图3示出了处方用药审核设备的硬件结构框图，参照图3，设备的硬件结构可以包括：至少一个处理器1，至少一个通信接口2，至少一个存储器3和至少一个通信总线4；

在本申请实施例中，处理器1、通信接口2、存储器3、通信总线4的数量为至少一个，且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信；

处理器1可能是一个中央处理器CPU，或者是特定集成电路ASIC（ApplicationSpecific Integrated Circuit），或者是被配置成实施本发明实施例的一个或多个集成电路等；

存储器3可能包含高速RAM存储器，也可能还包括非易失性存储器（non-volatilememory）等，例如至少一个磁盘存储器；

其中，存储器存储有程序，处理器可调用存储器存储的程序，所述程序用于：

获取待审核的病例-处方数据；

在预配置的药品知识库中检索与所述病例-处方数据相关的药品知识集合；

调用预配置的生成式语言模型，对所述药品知识集合进行处理，得到处理后药品知识集合；

调用第二生成式语言模型，基于所述病例-处方数据及所述处理后药品知识集合，生成处方用药审核结果。

可选的，所述程序的细化功能和扩展功能可参照上文描述。

本申请实施例还提供一种存储介质，该存储介质可存储有适于处理器执行的程序，所述程序用于：

获取待审核的病例-处方数据；

在预配置的药品知识库中检索与所述病例-处方数据相关的药品知识集合；

调用预配置的生成式语言模型，对所述药品知识集合进行处理，得到处理后药品知识集合；

调用第二生成式语言模型，基于所述病例-处方数据及所述处理后药品知识集合，生成处方用药审核结果。

可选的，所述程序的细化功能和扩展功能可参照上文描述。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间可以根据需要进行组合，且相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。