CN107679997A - 医疗理赔拒付方法、装置、终端设备及存储介质 - Google Patents
医疗理赔拒付方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN107679997A CN107679997A CN201711033230.8A CN201711033230A CN107679997A CN 107679997 A CN107679997 A CN 107679997A CN 201711033230 A CN201711033230 A CN 201711033230A CN 107679997 A CN107679997 A CN 107679997A
- Authority
- CN
- China
- Prior art keywords
- information
- bill
- current
- resolution
- pay
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
- G06F16/90344—Query processing by using string matching techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/24—Character recognition characterised by the processing or recognition method
- G06V30/248—Character recognition characterised by the processing or recognition method involving plural approaches, e.g. verification by template match; Resolving confusion among similar patterns, e.g. "O" versus "Q"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Finance (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Accounting & Taxation (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种医疗理赔拒付方法、装置、终端设备及存储介质。该医疗理赔拒付方法包括:获取理赔申请请求,理赔申请请求包括案件ID和当前帐单信息,当前帐单信息包括至少一个当前项目信息;基于案件ID,获取与案件ID对应的历史帐单信息,历史帐单信息包括至少一个历史项目信息;基于至少一个当前项目信息和至少一个历史项目信息,判断当前账单信息和历史账单信息是否对应同一帐单;若当前账单信息和历史账单信息对应同一帐单,则输出拒绝赔付信息。该医疗理赔自动拒付方法能够对当前账单与案件ID相应的历史账单是否为同一账单进行判断,对同一账单所在理赔申请请求自动拒付,提升了案件理赔的准确性,提高理赔申请请求的处理效率。
Description
技术领域
本发明涉及医疗理赔领域,尤其涉及一种医疗理赔拒付方法、装置、终端设备及存储介质。
背景技术
医疗保险是基于疾病风险造成的经济损失而建立的保险险种。在医疗保险的理赔过程中,投保人向保险机构的业务人员提出理赔申请请求,并附上相应的医疗帐单,业务人员审核理赔申请请求和相应的医疗帐单,在该医疗帐单与已理赔的历史帐单重复时,对该理赔申请请求进行拒付,以避免给保险机构造成财产损失。这种人工审核重复帐单并进行拒付的理赔处理方式,审核过程需耗费大量时间且准确率较低,而且人工成本较高。
发明内容
本发明实施例提供一种医疗理赔拒付方法、装置、终端设备及存储介质方法,以解决人工审核重复帐单并进行拒付的理赔处理方式存在的问题。
第一方面,本发明实施例提供一种医疗理赔拒付方法,包括:
获取理赔申请请求,所述理赔申请请求包括案件ID和当前帐单信息,所述当前帐单信息包括至少一个当前项目信息;
基于所述案件ID,获取与所述案件ID对应的历史帐单信息,所述历史帐单信息包括至少一个历史项目信息;
基于至少一个所述当前项目信息和至少一个历史项目信息,判断所述当前账单信息和所述历史账单信息是否对应同一帐单;
若所述当前账单信息和所述历史账单信息对应同一帐单,则输出拒绝赔付信息。
第二方面,本发明实施例提供一种医疗理赔拒付方法,包括:
理赔申请请求模块,用于获取理赔申请请求,所述理赔申请请求包括案件ID和当前帐单信息,所述当前帐单信息包括至少一个当前项目信息;
历史帐单信息获取模块,用于基于所述案件ID,获取与所述案件ID对应的历史帐单信息,所述历史帐单信息包括至少一个历史项目信息;
同一账单判断模块,用于基于至少一个所述当前项目信息和至少一个历史项目信息,判断所述当前账单信息和所述历史账单信息是否对应同一帐单;
第一拒绝赔付信息输出模块,用于在所述当前账单信息和所述历史账单信息对应同一帐单时,输出拒绝赔付信息。
第三方面,本发明实施例提供一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述医疗理赔拒付方法的步骤。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述医疗理赔拒付方法的步骤。
本发明实施例提供的医疗理赔拒付方法、装置、终端设备及存储介质中,通过理赔申请请求获取当前账单信息和历史账单信息,该历史账单信息根据理赔申请请求的案件ID获取,从而保证历史账单信息和当前账单信息的对应性。基于当前账单信息和历史账单信息判断当前账单和历史账单是否对应同一账单,使当前账单是否发生过理赔赔付的判定更具有准确性。基于当前账单信息和历史账单信息判断当前账单和历史账单是否为对应同一账单,使同一账单的判定更具有准确性。当前账单和历史账单对应同一账单时,拒付当前的理赔申请请求,并输出拒绝赔付理由,实现了同一账单理赔申请自动拒付功能,提高了理赔申请的处理效率,提升了案件理赔的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例1中医疗理赔拒付方法的一流程图;
图2是图1中步骤S10的一具体流程图。
图3是图2中步骤S12的一具体流程图。
图4是图2中步骤S13的一具体流程图。
图5是图1中步骤S30的一具体流程图。
图6是本发明实施例2中医疗理赔拒付装置的一原理框图;
图7是本发明实施例4中提供的终端设备的一示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
图1示出本实施例中医疗理赔拒付方法的流程图。该医疗理赔拒付方法应用在保险机构的理赔系统中,用于提高医疗保险的理赔处理效率,节省人工成本。如图1所示,该医疗理赔拒付方法包括如下步骤:
S10:获取理赔申请请求,理赔申请请求包括案件ID和当前帐单信息,当前帐单信息包括至少一个当前项目信息。
其中,理赔申请请求是指用于使理赔系统执行理赔处理的请求。案件ID是用于唯一识别案件的标识,该案件ID包括但不限于理赔申请请求所属案件的案件号,通过该案件号可以查找该案件下的所有账单信息,以便对该案件进行追踪。当前账单信息是指本次理赔申请请求所要申请理赔的当前账单的详细信息。当前项目信息是当前帐单中每一具体项目的值。具体地,当前帐单信息包括但不限于当前帐单的帐单号、入院日期、帐单金额、治疗类型和就诊医院中的至少一个项目信息。如客户A通过理赔系统提出理赔申请请求,在理赔系统获取到该理赔申请请求后,获取客户A当前账单的所有项目信息,例如当前账单中包括账单号为134505、入院日期为20170809、账单金额为1399RMB、治疗类型为破伤风感染、就诊医院为深圳中医院等项目信息,以便于理赔系统获取理赔申请请求中所有账单信息。
具体地,用户可通过客户端(包括但不限于电脑、智能手机和平板等终端)向理赔系统发送理赔申请请求,以便理赔系统获取该理赔申请请求。其中,用户可在客户端显示的理赔页面上输入案件ID并输入当前帐单信息,应该点击理赔页面上的确认提交按钮,即可向理赔系统输入理赔申请请求。本实施例中,当前帐单信息不仅可以采用人工输入方式输入,还可以通过对包含当前帐单的图像进行智能识别后获得,采用智能识别方式可有效减少用户的工作量,提高理赔处理效率。因此,在一具体实施方式中,如图2所示,该医疗理赔拒付方法的步骤S10之前,还包括智能识别当前帐单信息的步骤,即具体包括如下步骤:
S11:获取原始帐单图像。
其中,原始账单图像为拍摄账单图像或者扫描账单图像。拍摄账单图像是通过拍摄设备对账单拍摄后直接获取到的账单图像。扫描账单图像是通过扫描设备对账单进行扫描后获取到的账单图像。用户可采用客户端向理赔系统发起理赔申请请求,该理赔申请请求中携带原始帐单图像。
S12:采用单次检测器、第一卷积层和非极大抑制准则对原始帐单图像进行提取,获取当前帐单图像。
其中,单次检测器(Single Shot MultiBox Detector,以下简称SSD模型)是采用单个深度神经网络模型实现目标检测和识别的模型。本实施例中,SSD模型采用VGG-16作为基础网络,第一卷积层即VGG-16卷积层,VGG-16卷积层包括38*38*512卷积层、19*19*512卷积层、10*10*512卷积层、5*5*512卷积层、3*3*512卷积层、1*1*512卷积层等六层卷积层,每一卷积层对应一检测器&分类器。非极大值抑制准则(non maximum suppression,以下简称NMS准则)是抑制不是极大值的元素,而搜索局部极大值的算法,即搜索领域范围内的最大值的算法。SSD模型采用VGG-16作为基础网络,结合第一卷积层和非极大抑制准则对原始账单图像进行账单检测,采用矩形框标出原始账单图像中账单所在的位置,以获取当前账单图像,保证原始账单图像检测的效率和准确率。
在一具体实施方式中,如图3所示,步骤S12具体包括如下步骤:
S121:采用训练好的单次检测器对原始账单图像进行归一化处理,获取初始账单图像。
其中,初始账单图像为经过归一化处理操作后得到的的账单图像。在对任何拍摄账单图像或者扫描图像进行特征提取之前,需预先训练好用于进行账单检测的SSD模型,以便在账单检测时,直接调用训练好的SSD模型对原始账单图像进行归一化处理,以提高账单检测的效率和精度。其中,归一化处理是指将输入SSD模型的所有原始账单图像归一化为统一的尺寸大小,以使获取到的原始账单图像更易于被检测,提高账单检测的效率和准确率。
在SSD模型的训练过程中,根据默认框(default box)和真实框(ground turthbox)的重叠率来确定原始账单图像的正样本,然后通过裁剪、镜像、加噪声等操作扩充训练样本,从而获取更多训练样本,并基于获取到的所有训练样本对SSD模型进行训练,提高训练好的SSD模型进行账单检测的准确性。进一步地,在SSD模型训练过程中,需对输入SSD模型的所有训练样本进行归一化处理,以将所有训练样本归一化为统一的尺寸大小,以提高SSD模型的训练效率。
SSD模型的训练的具体过程如下:首先,获取用于进行SSD模型训练的多个原始账单图像,并对每个原始账单图像中出现的所有账单的真实信息(ground turth)进行标注,该真实信息(ground turth)包括帐单号、入院日期、帐单金额、治疗类型和就诊医院中的至少一个项目信息,并采用矩形框标识出账单位置,以获取真实框(ground turth box)。再找到每个真实框(ground true box)对应的默认框(default box)中重叠率(intersection-over-union,以下简称为IOU)最大的作为与该真实框(ground true box)相匹配的正样本。然后,在剩下的默认框(default box)找到与所有真实框(ground true box)的IOU大于预设值(本实施例中为0.5)的默认框(default box)作为与该真实框(ground true box)相匹配的正样本。这样,可为一个标注的账单真实框(ground true box)找到对应的多个正样本的默认框(default box),有利提高训练效率。其中,重叠率IOU是SSD模型产生的账单位置的矩形框与默认框(default box)的重叠率,用于评价检测的准确性,其计算方法为
对于SSD模型而言,根据VGG-16网络结构每层提取特征的粒度大小,确定与该层特征粒度相适应的默认框(default box)的尺度,使得SSD模型的默认框(default box)的提取策略可以覆盖到大部分原始账单图像的尺度及位置,再根据默认框(default box)和真实框(ground truth box)的重叠率可寻找正负样本进行训练即可获取训练好的SSD模型。因此,采用训练好的SSD模型对原始账单图像进行特征提取以检测账单时,只需对原始账单图像进行一次特征提取即可获得所有训练样本的特征图,因此,采用SSD模型进行账单检测时,可有效提高检测效率。
S122:采用第一卷积层对初始账单图像进行多尺度特征提取,获取若干层特征图,采用比例不同的若干个默认框分别对若干层特征图进行提取,获取每一默认框的分类结果。
本实施例中,将训练好的SDD模型输出的初始账单图像依次进入每一卷积层进行多尺寸特征提取,获取六层特征图(feature map),采用1、1/2、1/3、1/4、2和3这六个比例的默认框(default box)对六层特征图(feature map)进行提取,使得每一层卷积层的检测器&分类器输出对应的分类结果。其中,每一检测器&分类器输出的分类结果包括类别和置信度两个量。可以理解地,比例不同的若干默认框(default box)是在对输入的初始账单图像进行特征提取后的特征图(feature map)上进行的,使得特征提取时每一卷积层只需进行一次特征提取,有利于提高特征提取效率。
S123:采用非极大抑制准则选取对默认框的分类结果进行选取,获取当前账单图像。
具体地,在初始账单图像检测时,先创建分类器,分类器给定一固定尺寸图片,通过分类器判断初始账单图像中是否存在账单。再将分类器转化为检测器,即在初始账单图像上通过滑动窗口或其他方式产生多个尺寸的框(即窗口),并调整尺寸(即Resize)到该固定尺寸,然后通过分类器进行检测,以输出当前账单图像,该当前账单图像为采用NMS准则从多个框中选取最优的框所对应的图像。采用滑动窗口方式产生多个框(每个框都带有分类器得分),采用NMS准则可抑制冗余的框的过程如下:将所有框的得分降序排列,选中最高分及其对应的框;遍历其余的框,如果和当前最高分的框的重叠率(IOU)大于一定阈值,则将该框删除;从未处理的框中继续选取一个得分最高的,重复上述过程。
本实施例中,在S122步骤获取每一默认框(default box)的特征图(feature map)之后,输入检测器&分类器使用Softmax计算每个默认框(default box)属于所有类别的概率值,使用NMS准则选取其中概率值最大的类别作为该默认框(default box)的类别;遍历其他默认框(default box),若其他默认框(default box)与分类结果最大的目标框的重叠率大于一定阈值,就将对应的默认框(default box)删除,重复上述过程,即可获取当前账单图像。
S13:采用双向长短期记忆模型、第二卷积层和转译层对当前帐单图像进行识别,获取当前帐单信息。
其中,双向长短期记忆模型(Biddirectional Long Short-Term Memory,以下简称BLSTM模型)是在隐藏层同时有一个正向LSTM和反向LSTM,正向LSTM捕获上文的特征信息,而反向LSTM捕获下文的特征信息,使其相对于单向LSTM而言,能够捕获更多的特征信息,因此,BLSTM模型比单向LSTM模型或单向RNN模型识别效果更好。第二卷积层(Convolutional Layers)可以是VGG-16或者其他卷积层。转译层用于对BLSTM识别出的字符特征进行处理。本实施例中,采用BLSTM模型、第二卷积层和转译层对当前账单图像进行图像识别,有利于提高账单图像识别效率和准确率。
在一具体实施方式中,如图4所示,步骤S13具体包括如下步骤:
S131:对当前账单图像进行切割,获取多个条状特征图。
具体地,将当前账单图像输入,对当前账单图像沿纵向切换,以形成多个条状特征图。其中,条状特征图的数量取决于输入的当前账单图像的长度。本实施例中,依据像素宽度为1为单位对当前账单图像进行切分,以获取多个条状特征图。
S132:采用第二卷积层对多个条状特征图进行特征提取,获取由多个条状特征图从左到右拼接而成的特征序列。
本实施例中,第二卷积层(Convolutional Layers)可以是VGG-16或者其他卷积层,采用第二卷积层对输入的多个条状特征图进行特征提取,在最后一层卷积层输出的所有通道上,从左到右逐列拼接以形成特征序列。本实施例中,采用的BLSTM模型进行识别时,无需将当前账单图像的每个字母、数字或文字先进行分离处理,而是直接将整个当前账单图像作为输入,即可识别出当前账单图像中所有的字符,其原理在于BLSTM模型的网络结构可以识别时序信息,使得输入具有时序信息的多个特征图时,可直接识别出其中的字符。因此,将多少个条状特征图从左到右拼接形成特征序列,取决于BLSTM模型的网络结构识别字符的需求。
S133:采用双向长短期记忆模型对特征序列进行字符识别,获取字符特征。
本实施例中,采用双向长短期记忆模型(即BLSTM模型)作为循环网络层对特征序列进行字符识别,将特征序列中的多个特征组成成一个个字符,相比于基于自然语言识别单词的循环网络层(如单向LSTM或单向RNN),其直接获取字符特征,可有效提高当前账单图像识别的效率和准确性。
S134:采用转译层对字符特征进行处理,获取当前账单信息。
本实施例中,转译层可对BLSTM识别出的字符特征进行处理,以删除其中的空格等非字符特征,然后生成最后的当前账单信息。
可以理解地,理赔系统采用BLSTM、第二卷积层和转译层对当前账单图像进行识别,以获取该当前帐单图像对应的当前帐单信息,其过程无需人工手动输入,以提高信息输入的效率;并且可避免人工输入的误差,以保证信息输入的质量。
S20:基于案件ID,获取与案件ID对应的历史帐单信息,历史帐单信息包括至少一个历史项目信息。
其中,历史账单信息是指理赔系统当前时间以前已经赔付过的历史帐单对应的详细信息。历史项目信息是指任一历史帐单中每一具体项目的值。具体地,历史项目信息也包括但不限于历史帐单中的帐单号、入院日期、帐单金额、治疗类型和就诊医院中的至少一个历史项目信息。其中,帐单号是用于识别每一帐单的标识。可以理解地,该历史帐单信息预先存储在数据库中,并与案件ID相关联,以说明该历史帐单信息对应的历史帐单已经对案件ID对应的案件进行赔付,以避免投保人利用该历史帐单信息重复索赔。
由于案件ID是案件的唯一标识,通过案件ID可以对理赔系统的数据库中存储的历史账单信息进行查询和追踪,以避免基于同一帐单重复理赔现象发生。因此,理赔系统在获取到用户输入的理赔申请请求后,可基于该理赔申请请求获取案件ID,根据该案件ID查询并获取对理赔系统的数据库中存在的历史帐单信息。具体地,理赔系统在获知案件ID后,基于该案件ID,可以查询理赔系统的数据库中是否存在相同案件ID的历史帐单;若存在,则获取该案件ID相对应的历史帐单信息。本实施例中,可基于案件ID获取相对应的历史账单信息,使得历史账单信息具备针对性,帮助提高同一帐单重复理赔审核的准确性。
如一实施例中,客户A通过客户端向理赔系统提出理赔申请请求,理赔系统获取该理赔申请请求后,基于该理赔申请请求获取其所要求索赔的案件的案件ID为3432,理赔系统根据该案件ID对理赔历史进行查询,当查询到案件ID为3432的案件已经存在理赔历史时,进一步获取该案件ID相应的历史账单信息,历史帐单信息包括历史帐单中的帐单号、入院日期、帐单金额、治疗类型和就诊医院中的至少一个历史项目信息。
S30:基于至少一个当前项目信息和至少一个历史项目信息,判断当前账单信息和历史账单信息是否对应同一帐单。
当前帐单信息由至少一个当前项目信息形成一整体,而历史帐单信息由至少一个历史项目信息形成一整体,步骤S30中基于至少一个当前项目信息和至少一个历史项目信息,判断当前帐单信息和历史帐单信息是否对应同一帐单,具体通过比较至少一个当前项目信息是否与至少一个历史项目信息完全匹配,若两者完全匹配,则认定当前帐单信息对应的当前帐单和历史帐单信息对应的历史帐单为同一帐单(即重复帐单),如果继续基于当前帐单信息进行赔付,可能会给保险机构造成财产损失。其中,重复账单是指账单上的项目信息完全相同的至少两张账单。
在一具体实施方式中,如图5所示,步骤S30具体包括如下步骤:
S31:采用BF算法分别对至少一个当前项目信息和至少一个历史项目信息进行匹配处理,判断当前项目信息与历史项目信息是否完全匹配。
其中,BF算法是一种模式匹配算法,该算法思想是将目标串S的第一个字符与模式串T的第一个字符进行匹配,若相等,则继续比较目标串S的第二个字符和模式串T的第二个字符;若不相等,则比较目标串S的第二个字符和模式串T的第一个字符,依次比较下去,直到得出最后的匹配结果,该算法实现简单,复杂度低。通过步骤S13获取到当前账单信息和步骤S20获取到历史账单信息后,采用BF算法对获取到的任一个当前项目信息和对应的历史项目信息进行匹配,根据任一个当前项目信息是否和相对应的历史项目信息完全匹配来判断当前项目信息与历史项目信息是否完全匹配。
S32:若当前项目信息与历史项目信息完全匹配,则当前帐单信息和历史帐单信息对应同一帐单。
若当前项目信息中的任一项目信息与基于案件ID获得的历史项目信息中相应的项目信息完全匹配,则说明当前账单当前时间以前已经发生过理赔赔付,即当前账单信息和历史账单信息对应同一账单,理赔申请请求为基于同一帐单重复申请的理赔申请请求。
S33:若当前项目信息与历史项目信息不完全匹配,则当前帐单信息和历史帐单信息不对应同一帐单。
若当前项目信息中的任一项目信息与基于当前账单所在案件ID获得的历史项目信息中至少一项目信息不能完全匹配,则说明当前账单当前时间以前未发生过理赔赔付,即当前账单信息和历史账单信息不对应同一账单,理赔申请请求不为基于同一帐单重复申请的理赔申请请求。
S40:若当前账单信息和历史账单信息对应同一帐单,则输出拒绝赔付信息。
当前账单信息中所有当前项目信息和基于当前账单所在案件ID获得的历史账单信息中所有历史项目信息完全一致,即当前账单和历史账单对应同一账单,说明当前账单在当前时间以前已经发生过理赔,因此,理赔申请请求属于重复理赔请求,理赔系统输出拒绝赔付信息,以避免重复赔付导致保险机构财产损失。
在一具体实施方式中,理赔申请请求还包括当前案件信息。其中,当前案件信息与案件ID对应的案件相关联的所有信息,包括但不限于案件发生时间、案件发生地点、案件发生事由和案件性质等。该医疗理赔拒付方法还包括如下步骤:
S50:若当前账单信息和历史账单信息不对应同一帐单,则基于案件ID获取至少一个拒付规则,判断当前案件信息是否符合至少一个拒付规则。
其中,拒付规则是与案件ID相对应的保险合同确定的拒绝赔付的规则。当前账单信息中所有当前项目信息和与案件ID相对应的历史账单信息中所有历史项目信息不完全一致,则当前账单和历史账单不对应同一账单,说明当前账单在当前时间以前未发生过理赔赔付,此时需基于该理赔申请请求中的案件ID查找对应的至少一个拒付规则,该拒付规则包括但不限于本实施例所提供的理赔申请请求超出保险期限,理赔申请请求内容不符合合同规定等。
在理赔系统获知当前案件账单信息和案件ID对应的历史账单案件信息不对应同一张单时,则需要进一步判断当前案件信息是否符合至少一个拒付规则,以进一步判定理赔申请请求是否需要进行赔付,以避免错误赔付导致保险机构财产损失。
S60:若当前案件信息符合至少一个拒付规则,则输出拒绝赔付信息。
理赔系统判定当前账单信息符合至少一个拒付规则后,对用户的理赔申请请求予以拒付,输出拒绝赔付信息到当前案件的理赔说明中。该拒绝赔付信息包括拒付理由,当前案件信息符合多少个拒付规则,理赔系统对当前案件的理赔申请请求拒付时就会输出的拒绝赔付信息就包括多少个拒付理由。拒绝赔付信息中的多个拒付理由以拼接形式展现,以利于保险机构内部的工作人员或者用户可了解该理赔申请请求被拒付的理由。
例如,客户A提出一个理赔申请请求,理赔系统确定该理赔申请请求中的当前账单信息与案件ID对应的历史账单信息不对应同一帐单时,理赔系统进一步检测到该案件ID对应的当前案件信息是否满足理赔申请请求超出合同期限不予赔付和理赔申请请求内容不满足合同规定等拒付规则,则理赔系统输出拒绝赔付信息,该拒绝赔付信息中拼接的拒付理由为:“账单ID3234超出合同期限;账单ID3234请求内容不满足合同规定,未予赔付。”
S70:若当前案件信息不符合所有拒付规则,则输出同意赔付信息。
若当前案件信息不符合所有拒付规则,说明当前时间以前未就同一帐单进行过理赔赔付,而且该理赔申请请求对应的当前案件信息不符合所有拒付规则,理赔系统审核通过当前案件的理赔申请请求,输出同意赔付信息,以使该保险机构的工作人员基于同意赔付信息进行处理。
在一具体实施方式中,为了保证保险理赔的安全性,需对理赔处理过程进行监控。因此,该具体实施方式中的理赔申请请求还可以包括监控邮箱,该监控邮箱为理赔审核人员的邮箱。医疗理赔拒付方法还包括:
S80:将拒绝赔付信息发送给监控邮箱,拒绝赔付信息包括至少一个拒付理由,拒付理由与拒付规则相对应。
若当前案件信息符合至少一个拒付规则,说明当前时间以前虽然没有基于同一帐单进行过理赔赔付,但该理赔申请请求对应的当前案件信息符合至少一个拒付理赔,应该予以拒付,因此,输出拒绝赔付信息,以避免错误拒付导致保险机构财产损失。理赔系统将输出的拒绝赔付信息发送到监控邮箱,以使监控邮箱的理赔审核人员了解案件拒付情况,其中拒绝赔付信息包括至少一个拒付理由,每个拒付规则都对应一个拒付理由,当前案件信息符合多少个拒付规则,理赔系统对当前案件信息的理赔申请请求自动拒付时输出的拒绝赔付信息就会包括多少个拒付理由,这些拒付理由以拼接形式展现。
本实施例提供的医疗理赔拒付方法中,通过理赔申请请求获取当前账单信息和历史账单信息,该历史账单信息根据理赔申请请求的案件ID获取,从而保证历史账单信息和当前账单信息的对应性。基于当前账单信息和历史账单信息判断当前账单和历史账单是否对应同一账单,使当前账单是否发生过理赔赔付的判定更具有准确性。当前账单和历史账单对应同一账单时,理赔系统对理赔申请请求拒付,并输出拒付信息,以避免重复理赔,并告知用户理赔申请请求为重复理赔申请请求。当前账单和历史账单不对应同一账单时,则根据当前案件ID查询当前案件理赔申请是否符合理赔系统中的至少一个拒付规则,若符合至少一个拒付规则,理赔系统对当前理赔申请拒付,并输出拒绝赔付信息;若不符合任一拒付规则,则输入同意赔付信息。对于拒付案件,向监控邮箱发送拒绝赔付信息,以对理赔申请请求进行监控。该医疗理赔拒付方法实现了同一账单的自动拒付和拒付规则下的自动拒付功能,提高了保险机构对理赔申请请求的处理效率。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
实施例2
图6示出与实施例1中医疗理赔拒付方法一一对应的医疗理赔拒付装置的原理框图。如图6所示,该医疗理赔拒付装置包括理赔申请请求获取模块10、历史帐单信息获取模块20、同一帐单判断模块30和第一拒绝赔付信息输出模块40。其中,理赔申请请求获取模块10、历史帐单信息获取模块20、同一帐单判断模块30和第一拒绝赔付信息输出模块40的实现功能与实施例中医疗理赔拒付方法对应的步骤一一对应。
理赔申请请求模块10,用于获取理赔申请请求,理赔申请请求包括案件ID和当前帐单信息,当前帐单信息包括至少一个当前项目信息。
历史帐单信息获取模块20,用于基于案件ID,获取与案件ID对应的历史帐单信息,历史帐单信息包括至少一个历史项目信息。
同一账单判断模块30,用于基于至少一个当前项目信息和至少一个历史项目信息,判断当前账单信息和历史账单信息是否对应同一帐单。
第一拒绝赔付信息输出模块40,用于若当前账单信息和历史账单信息对应同一帐单,则输出拒绝赔付信息。
优选地,理赔申请请求获取模块10之前,所述医疗理赔拒付装置还包括原始帐单图像获取单元11、当前帐单图像获取单元12、当前账单信息获取单元13。
原始帐单图像获取单元11,用于获取原始帐单图像。
当前帐单图像获取单元12,用于采用单次检测器、第一卷积层和非极大抑制准则对原始帐单图像进行提取,获取当前帐单图像。
当前账单信息获取单元13,用于采用双向长短期记忆模型、第二卷积层和转译层对当前帐单图像进行识别,获取当前帐单信息。
优选地,当前帐单图像获取单元12包括归一化处理子单元121、特征提取子单元122和结果选取子单元123。
归一化处理子单元121,用于采用训练好的单次检测器对原始账单图像进行归一化处理,获取初始账单图像。
特征提取子单元122,用于采用卷积层对初始账单图像进行多尺度特征提取,获取若干层特征图,采用比例不同的若干个默认框分别对若干层特征图进行提取,获取每一默认框的分类结果。
结果选取子单元123,用于采用非极大抑制准则选取对默认框的分类结果进行选取,获取当前账单图像。
优选地,当前帐单图像获取单元13包括条状特征图获取子单元131、特征序列获取子单元132、字符特征获取子单元133和当前账单信息获取子单元134。
条状特征图获取子单元131,用于对当前账单图像进行切割,获取多个条状特征图。
特征序列获取子单元132,用于采用卷积层对多个条状特征图进行特征提取,获取由多个条状特征图从左到右拼接而成的特征序列。
字符特征获取子单元133,用于采用双向长短期记忆模型对特征序列进行字符识别,获取字符特征。
当前账单信息获取子单元134,用于采用转译层对字符特征进行处理,获取当前账单信息。
优选地,同一账单判断模块30包括信息匹配判断单元31、同一账单判定单元32和非同一账单判定单元33。
信息匹配判断单元31,用于采用BF算法分别对至少一个当前项目信息和至少一个历史项目信息进行匹配处理,判断当前项目信息与历史项目信息是否完全匹配。
同一账单判定单元32,用于在当前项目信息与历史项目信息完全匹配时,判定当前帐单信息和历史帐单信息对应同一帐单。
非同一账单判定单元33,用于在当前项目信息与历史项目信息不完全匹配时,判定当前帐单信息和历史帐单信息不对应同一帐单。
优选地,理赔申请请求还包括当前案件信息;
医疗理赔拒付装置还包括拒付规则获取和判断模块50、第二拒绝赔付信息输出模块60和同意赔付信息输出模块70。
拒付规则获取和判断模块50,用于在当前账单信息和历史账单信息不对应同一帐单时,基于案件ID获取至少一个拒付规则,判断当前案件信息是否符合至少一个拒付规则。
第二拒绝赔付信息输出模块60,用于在当前案件信息符合至少一个拒付规则时,输出拒绝赔付信息。
同意赔付信息输出模块70,用于若当前案件信息不符合所有拒付规则,则输出同意赔付信息。
优选地,理赔申请请求还包括监控邮箱;
医疗理赔拒付装置还包括拒绝赔付信息发送模块80,用于将拒绝赔付信息发送给监控邮箱,拒绝赔付信息包括至少一个拒付理由,拒付理由与拒付规则相对应。
实施例3
本实施例提供一计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现实施例1中医疗理赔拒付方法,为避免重复,这里不再赘述。或者,该计算机程序被处理器执行时实现实施例2中医疗理赔拒付装置中各模块/单元的功能,为避免重复,这里不再赘述。
实施例4
图7是本发明一实施例提供的终端设备的示意图。如图7所示,该实施例的终端设备90包括:处理器91、存储器92以及存储在存储器92中并可在处理器91上运行的计算机程序93。处理器91执行计算机程序93时实现实施例1中医疗理赔拒付方法的各个步骤,例如图1所示的步骤S10、S20、S30和S40。或者,处理器91执行计算机程序93时实现实施例2中各模块/单元的功能,例如图6所示理赔申请请求获取模块10、历史帐单信息获取模块20、同一帐单判断模块30和第一拒绝赔付信息输出模块40的功能。
示例性的,计算机程序93可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器92中,并由处理器91执行,以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序93在终端设备90中的执行过程。例如,计算机程序93可以被分割成理赔申请请求获取模块10、历史帐单信息获取模块20、同一帐单判断模块30和第一拒绝赔付信息输出模块40。
终端设备90可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备可包括,但不仅限于,处理器91、存储器92。本领域技术人员可以理解,图7仅仅是终端设备90的示例,并不构成对终端设备90的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器91可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器92可以是终端设备90的内部存储单元,例如终端设备90的硬盘或内存。存储器92也可以是终端设备90的外部存储设备,例如终端设备90上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器92还可以既包括终端设备90的内部存储单元也包括外部存储设备。存储器92用于存储计算机程序以及终端设备所需的其他程序和数据。存储器92还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种医疗理赔拒付方法,其特征在于,包括:
获取理赔申请请求,所述理赔申请请求包括案件ID和当前帐单信息,所述当前帐单信息包括至少一个当前项目信息;
基于所述案件ID,获取与所述案件ID对应的历史帐单信息,所述历史帐单信息包括至少一个历史项目信息;
基于至少一个所述当前项目信息和至少一个历史项目信息,判断所述当前账单信息和所述历史账单信息是否对应同一帐单;
若所述当前账单信息和所述历史账单信息对应同一帐单,则输出拒绝赔付信息。
2.如权利要求1所述的医疗理赔拒付方法,其特征在于,在所述获取理赔申请请求的步骤之前,所述医疗理赔拒付方法还包括:
获取原始帐单图像;
采用单次检测器、第一卷积层和非极大抑制准则对所述原始帐单图像进行提取,获取当前帐单图像;
采用双向长短期记忆模型、第二卷积层和转译层对所述当前帐单图像进行识别,获取所述当前帐单信息。
3.如权利要求2所述的医疗理赔拒付方法,其特征在于,所述采用单次检测器、第一卷积层和非极大抑制准则对所述原始帐单图像进行提取,获取当前帐单图像,包括:
采用训练好的所述单次检测器对所述原始账单图像进行归一化处理,获取初始账单图像;
采用所述第一卷积层对所述初始账单图像进行多尺度特征提取,获取若干层特征图,采用比例不同的若干个默认框分别对若干层所述特征图进行提取,获取每一所述默认框的分类结果;
采用所述非极大抑制准则选取对所述默认框的分类结果进行选取,获取当前账单图像。
4.如权利要求2所述的医疗理赔拒付方法,其特征在于,所述采用双向长短期记忆模型、第二卷积层和转译层对所述当前帐单图像进行识别,获取所述当前帐单信息,包括:
对所述当前账单图像进行切割,获取多个条状特征图;
采用所述第二卷积层对多个所述条状特征图进行特征提取,获取由多个所述条状特征图从左到右拼接而成的特征序列;
采用所述双向长短期记忆模型对所述特征序列进行字符识别,获取字符特征;
采用所述转译层对所述字符特征进行处理,获取所述当前账单信息。
5.如权利要求1所述的医疗理赔拒付方法,其特征在于,所述基于至少一个所述当前项目信息和至少一个历史项目信息,判断所述当前账单信息和所述历史账单信息是否对应同一帐单,包括:
采用BF算法分别对至少一个所述当前项目信息和至少一个历史项目信息进行匹配处理,判断所述当前项目信息与所述历史项目信息是否完全匹配;
若所述当前项目信息与所述历史项目信息完全匹配,则判定所述当前帐单信息和所述历史帐单信息对应同一帐单;
若所述当前项目信息与所述历史项目信息不完全匹配,则判定所述当前帐单信息和所述历史帐单信息不对应同一帐单。
6.如权利要求1所述的医疗理赔拒付方法,其特征在于,所述理赔申请请求还包括当前案件信息,所述医疗理赔拒付方法还包括:
若所述当前账单信息和所述历史账单信息不对应同一帐单,则基于所述案件ID获取至少一个拒付规则,判断所述当前案件信息是否符合至少一个所述拒付规则;
若所述当前案件信息符合至少一个所述拒付规则,则输出拒绝赔付信息;
若所述当前案件信息不符合所有所述拒付规则,则输出同意赔付信息。
7.如权利要求6所述的医疗理赔拒付方法,其特征在于,所述理赔申请请求还包括监控邮箱;
所述医疗理赔拒付方法还包括:将所述拒绝赔付信息发送给所述监控邮箱,所述拒绝赔付信息包括至少一个拒付理由,所述拒付理由与所述拒付规则相对应。
8.一种医疗理赔拒付装置,其特征在于,包括:
理赔申请请求模块,用于获取理赔申请请求,所述理赔申请请求包括案件ID和当前帐单信息,所述当前帐单信息包括至少一个当前项目信息;
历史帐单信息获取模块,用于基于所述案件ID,获取与所述案件ID对应的历史帐单信息,所述历史帐单信息包括至少一个历史项目信息;
同一账单判断模块,用于基于至少一个所述当前项目信息和至少一个历史项目信息,判断所述当前账单信息和所述历史账单信息是否对应同一帐单;
第一拒绝赔付信息输出模块,用于在所述当前账单信息和所述历史账单信息对应同一帐单时,输出拒绝赔付信息。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述医疗理赔拒付方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述医疗理赔拒付方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711033230.8A CN107679997A (zh) | 2017-10-30 | 2017-10-30 | 医疗理赔拒付方法、装置、终端设备及存储介质 |
PCT/CN2017/112371 WO2019085064A1 (zh) | 2017-10-30 | 2017-11-22 | 医疗理赔拒付方法、装置、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711033230.8A CN107679997A (zh) | 2017-10-30 | 2017-10-30 | 医疗理赔拒付方法、装置、终端设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107679997A true CN107679997A (zh) | 2018-02-09 |
Family
ID=61143300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711033230.8A Pending CN107679997A (zh) | 2017-10-30 | 2017-10-30 | 医疗理赔拒付方法、装置、终端设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN107679997A (zh) |
WO (1) | WO2019085064A1 (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108573286A (zh) * | 2018-05-10 | 2018-09-25 | 阿里巴巴集团控股有限公司 | 一种理赔业务的数据处理方法、装置、设备及服务器 |
CN109544103A (zh) * | 2018-10-30 | 2019-03-29 | 平安医疗健康管理股份有限公司 | 一种理赔模型的构建方法、装置、服务器及存储介质 |
CN109583448A (zh) * | 2018-10-25 | 2019-04-05 | 北京奇虎科技有限公司 | 一种记账方法、装置、电子设备及介质 |
CN110246046A (zh) * | 2019-04-24 | 2019-09-17 | 阿里巴巴集团控股有限公司 | 健康告知案例维护系统、方法以及装置 |
CN111242788A (zh) * | 2019-12-31 | 2020-06-05 | 北京健康之家科技有限公司 | 业务数据处理方法、装置、存储介质及计算机设备 |
TWI712979B (zh) * | 2019-04-16 | 2020-12-11 | 富邦人壽保險股份有限公司 | 運用深度學習之長短期記憶模型輔助保險理賠系統及其方法 |
CN113515486A (zh) * | 2020-04-10 | 2021-10-19 | 华晨宝马汽车有限公司 | 用于对事件进行查重的方法、系统和计算机可读介质 |
CN116307607A (zh) * | 2023-03-24 | 2023-06-23 | 探保网络科技(广州)有限公司 | 一种保险核心系统监控系统及方法 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348472B (zh) * | 2019-05-24 | 2023-08-15 | 中国平安财产保险股份有限公司 | 数据检测规则生成方法、装置、计算机设备及存储介质 |
CN111008902B (zh) * | 2019-11-25 | 2023-07-18 | 泰康保险集团股份有限公司 | 核保数据处理方法、装置、设备和介质 |
CN111932196A (zh) * | 2020-07-08 | 2020-11-13 | 泰康保险集团股份有限公司 | 案件处理方法、装置、设备及可读存储介质 |
CN112733909A (zh) * | 2020-12-31 | 2021-04-30 | 北京软通智慧城市科技有限公司 | 一种城市案件的去重识别方法、装置、介质及电子设备 |
CN113724095B (zh) * | 2021-08-31 | 2023-09-05 | 平安养老保险股份有限公司 | 图片信息预测方法、装置、计算机设备及存储介质 |
CN115587896B (zh) * | 2022-10-13 | 2023-08-11 | 星宠王国(北京)科技有限公司 | 一种犬只医保数据处理方法、装置及设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106530092A (zh) * | 2015-09-15 | 2017-03-22 | 平安科技(深圳)有限公司 | 医疗保险责任自动匹配系统及方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6405688B2 (ja) * | 2014-05-07 | 2018-10-17 | 富士ゼロックス株式会社 | 情報処理装置及び情報処理プログラム |
CN106530090A (zh) * | 2015-09-15 | 2017-03-22 | 平安科技(深圳)有限公司 | 医疗理赔系统及方法 |
CN107038525B (zh) * | 2017-03-17 | 2021-03-26 | 平安科技(深圳)有限公司 | 数据稽核方法及装置 |
-
2017
- 2017-10-30 CN CN201711033230.8A patent/CN107679997A/zh active Pending
- 2017-11-22 WO PCT/CN2017/112371 patent/WO2019085064A1/zh active Application Filing
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106530092A (zh) * | 2015-09-15 | 2017-03-22 | 平安科技(深圳)有限公司 | 医疗保险责任自动匹配系统及方法 |
Non-Patent Citations (2)
Title |
---|
BAOGUANG SHI等: "An End-to-End Trainable Neural Network for Image-based Sequence Recognition and Its Application to Scene Text Recognition", 《CS.CV》 * |
WEI LIU等: "SSD:Single Shot MultiBox Detector", 《CS.CV》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108573286A (zh) * | 2018-05-10 | 2018-09-25 | 阿里巴巴集团控股有限公司 | 一种理赔业务的数据处理方法、装置、设备及服务器 |
CN109583448A (zh) * | 2018-10-25 | 2019-04-05 | 北京奇虎科技有限公司 | 一种记账方法、装置、电子设备及介质 |
CN109583448B (zh) * | 2018-10-25 | 2024-04-16 | 北京奇虎科技有限公司 | 一种记账方法、装置、电子设备及介质 |
CN109544103A (zh) * | 2018-10-30 | 2019-03-29 | 平安医疗健康管理股份有限公司 | 一种理赔模型的构建方法、装置、服务器及存储介质 |
TWI712979B (zh) * | 2019-04-16 | 2020-12-11 | 富邦人壽保險股份有限公司 | 運用深度學習之長短期記憶模型輔助保險理賠系統及其方法 |
CN110246046A (zh) * | 2019-04-24 | 2019-09-17 | 阿里巴巴集团控股有限公司 | 健康告知案例维护系统、方法以及装置 |
CN110246046B (zh) * | 2019-04-24 | 2023-01-10 | 创新先进技术有限公司 | 健康告知案例维护系统、方法以及装置 |
CN111242788A (zh) * | 2019-12-31 | 2020-06-05 | 北京健康之家科技有限公司 | 业务数据处理方法、装置、存储介质及计算机设备 |
CN113515486A (zh) * | 2020-04-10 | 2021-10-19 | 华晨宝马汽车有限公司 | 用于对事件进行查重的方法、系统和计算机可读介质 |
CN113515486B (zh) * | 2020-04-10 | 2024-03-08 | 华晨宝马汽车有限公司 | 用于对事件进行查重的方法、系统和计算机可读介质 |
CN116307607A (zh) * | 2023-03-24 | 2023-06-23 | 探保网络科技(广州)有限公司 | 一种保险核心系统监控系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2019085064A1 (zh) | 2019-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107679997A (zh) | 医疗理赔拒付方法、装置、终端设备及存储介质 | |
CN110009174B (zh) | 风险识别模型训练方法、装置及服务器 | |
WO2019169688A1 (zh) | 车辆定损方法、装置、电子设备及存储介质 | |
CN108446621A (zh) | 票据识别方法、服务器及计算机可读存储介质 | |
US20230401828A1 (en) | Method for training image recognition model, electronic device and storage medium | |
CN108664897A (zh) | 票据识别方法、装置及存储介质 | |
CN110287971B (zh) | 数据验证方法、装置、计算机设备及存储介质 | |
CN106296195A (zh) | 一种风险识别方法及装置 | |
CN108764226A (zh) | 图像文本识别方法、装置、设备及其存储介质 | |
US20200004815A1 (en) | Text entity detection and recognition from images | |
CN113011973B (zh) | 基于智能合约数据湖的金融交易监管模型的方法及设备 | |
CN107481019A (zh) | 订单欺诈识别方法、系统、存储介质和电子设备 | |
WO2019207557A1 (en) | Method for distinguishing a real three-dimensional object from a two-dimensional spoof of the real object | |
CN109345417B (zh) | 基于身份认证的业务人员的在线考核方法及终端设备 | |
CN107563757A (zh) | 数据风险控制的方法及装置 | |
CN105069622A (zh) | 一种面向移动终端的人脸识别支付系统和方法 | |
CN112101437A (zh) | 基于图像检测的细粒度分类模型处理方法、及其相关设备 | |
CN110245545A (zh) | 一种文字识别方法及装置 | |
CN111242109B (zh) | 一种手动取词的方法及装置 | |
CN109918984A (zh) | 保险单号码识别方法、装置、电子设备及存储介质 | |
CN110502694A (zh) | 基于大数据分析的律师推荐方法及相关设备 | |
CA3155335A1 (en) | Docket analysis methods and systems | |
CN109697353A (zh) | 一种点击验证码的验证方法和装置 | |
CN115640074A (zh) | 业务数据处理方法、装置和智能柜台终端 | |
CN107291774A (zh) | 错误样本识别方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180209 |