CN109242709A - 估算医疗费用的方法和装置 - Google Patents
估算医疗费用的方法和装置 Download PDFInfo
- Publication number
- CN109242709A CN109242709A CN201811272607.XA CN201811272607A CN109242709A CN 109242709 A CN109242709 A CN 109242709A CN 201811272607 A CN201811272607 A CN 201811272607A CN 109242709 A CN109242709 A CN 109242709A
- Authority
- CN
- China
- Prior art keywords
- expense
- medical
- user
- grouping
- preset state
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000003745 diagnosis Methods 0.000 claims abstract description 77
- 238000004422 calculation algorithm Methods 0.000 claims description 43
- 238000012549 training Methods 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000013461 design Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 238000012546 transfer Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 5
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000001772 blood platelet Anatomy 0.000 description 3
- 239000008103 glucose Substances 0.000 description 3
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 3
- 238000001356 surgical procedure Methods 0.000 description 3
- 206010003011 Appendicitis Diseases 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Technology Law (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供估算医疗费用的方法和装置，其中，方法包括：获取目标预设状态用户的医疗就诊信息以及用户信息；根据所述医疗就诊信息和用户信息确定所述目标预设状态用户的特征数据；根据所述特征数据以及预设的费用分组模型确定所述目标预设状态用户对应的第一费用分组；根据所述第一费用分组以及费用分组与医疗费用的对应关系估算所述目标预设状态用户对应的医疗费用。本发明的技术方案，可对预设状态用户产生的医疗费用进行估算，使得估算得到的费用够接近于治疗与用户病情相关的费用分组所需的医疗费用，使得医疗费用能够得到合理使用，遏制了医疗保险费用的增长。
Description
技术领域
本发明涉及医疗技术领域，尤其涉及估算医疗费用的方法和装置。
背景技术
社会医疗保险是国家和社会根据一定的法律法规，为向保障范围内的劳动者提供患病时基本医疗需求保障而建立的社会保险制度。对于参加医疗保险的户来说，当用户因患病而产生医疗费用时，用户可以按照医疗保险的报销制度对产生的医疗费用进行报销，从而在一定程度上可以缓解因患病而产生的经济压力。
对于医疗保险经办机构来说，需要预先划拨医疗统筹费用以用于未来一段时间内的患病用户的医疗费用报销。但是，在目前的方案中，医疗保险经办机构一般是根据定点医疗机构上报的上一个周期内的患病用户的医疗费用信息为依据确定下一个周期要预拨给该定点医疗机构的医疗统筹费用，这样的方式会使得医疗机构在对患病用户进行诊治时尽可能多地增加医疗费用，使得医疗保险费用不合理地增长。
发明内容
本发明实施例提供估算医疗费用的方法和装置，解决医疗保险费用不合理增长的问题。
第一方面，提供一种估算医疗费用的方法，包括：
获取目标预设状态用户的医疗就诊信息以及用户信息；
根据所述医疗就诊信息和用户信息确定所述目标预设状态用户的特征数据；
根据所述特征数据以及预设的费用分组模型确定所述目标预设状态用户对应的第一费用分组；
根据所述第一费用分组以及费用分组与医疗费用的对应关系估算所述目标预设状态用户对应的医疗费用。
本发明实施例中，根据预设状态用户在医院就诊时的信息确定用户的特征数据，将该特征数据送入费用分组模型中，根据费用分组模型得到的费用分组可以对预设状态用户产生的医疗费用进行估算，使得估算得到的费用够接近于治疗与用户病情相关所需的医疗费用，进而可以按照估算得到的费用进行经费划拨，使得医疗费用能够得到合理使用，遏制了医疗保险费用的增长。
结合第一方面，在一种可能的实现方式中，所述获取目标预设状态用户的医疗就诊信息以及用户信息之前还包括：确定第一时间范围内的多个预设状态用户的特征数据以及所述多个预设状态用户对应的费用分组；将所述多个预设状态用户的特征数据以及所述多个预设状态用户对应的费用分组作为训练样本，采用预设的分类算法对费用分组模型进行训练得到最逼近所述训练样本的费用分组模型；将所述最逼近所述训练样本的费用分组模型确定为所述预设的费用分组模型。通过利用多个预设状态用户的特征数据以及其对应的费用分组，对费用分组模型进行训练，可以有助于调整费用分组模型内部的计算系数，从而使得费用分组模型具有更准确的分类能力。
结合第一方面，在一种可能的实现方式中，所述根据所述第一费用分组以及费用分组与医疗费用的对应关系估算所述目标预设状态用户对应的医疗费用之后还包括：确定所述目标预设状态用户的实际医疗费用；根据所述实际医疗费用以及费用分组与医疗费用的对应关系确定所述实际医疗费用对应的第二费用分组；如果所述第二费用分组与所述第一费用分组不同，根据所述特征数据和所述第二费用分组调整所述预设的费用分组模型。根据用户实际产生的费用对费用分组模型进行调整，可以使得费用分组模型具有更准确的分类能力。
结合第一方面，在一种可能的实现方式中，所述根据所述医疗就诊信息和用户信息确定所述目标预设状态用户的特征数据包括：
确定所述医疗就诊信息和所述用户信息对应的数据；
根据所述医疗就诊信息和所述用户信息相互之间的相关性对所述医疗就诊信息和所述用户信息对应的数据进行降维处理，得到所述目标预设状态用户的特征数据。
结合第一方面，在一种可能的实现方式中，所述根据所述医疗就诊信息和所述用户信息相互之间的相关性对所述医疗就诊信息和所述用户信息对应的数据进行降维处理，得到所述目标预设状态用户的特征数据，包括：根据所述医疗就诊信息和所述用户信息构建N维数据，N为正整数，N等于所述医疗就诊信息和所述用户信息对应的数据的数量；根据所述医疗就诊信息和所述用户信息相互之间的相关性对所述N维数据进行降维处理得到M维数据，M为正整数，M小于N；将所述M维数据确定所述目标预设状态用户的特征数据。根据医疗就诊信息和用户信息对应的数据的个数可以构建多维数据，通过对这多维数据进行降维从而可以确定输入至费用分组模型的特征数据。
结合第一方面，在一种可能的实现方式中，所述根据所述医疗就诊信息和所述用户信息相互之间的相关性对所述N维数据进行降维处理得到M维数据包括：根据所述医疗就诊信息和所述用户信息相互之间的相关性采用主成分分析(principle componentanalysis，PCA)算法、自编码算法或线性判别分析(linear discriminant analysis，LDA)算法对所述N维数据进行降维处理得到M维数据。通过降维的算法对数据进行直接降维，可以减少医疗就诊信息和用户信息对应的数据的个数，不需要人为地设定规则对计算进行干预，比较方便。
结合第一方面，在一种可能的实现方式中，所述根据所述医疗就诊信息和所述用户信息相互之间的相关性对所述N维数据进行降维处理得到M维数据包括：根据所述医疗就诊信息和所述用户信息相互之间的相关性将所述N维数据划分为M个数据分组；分别对所述M个数据分组中的数据进行线性计算得到M个数据，将所述M个数据确定为M维数据。通过根据信息之间的相关性将数据划分为多个数据分组，然后通过线性计算将每个数据分组中的数据合并为一个数据，将其确定为特征数据，计算方式简单。
第二方面，提供一种估算医疗费用的装置，包括：
获取模块，用于获取目标预设状态用户的医疗就诊信息以及用户信息；
特征数据确定模块，用于根据所述医疗就诊信息和用户信息确定所述目标预设状态用户的特征数据；
费用分组确定模块，用于根据所述特征数据以及预设的费用分组模型确定所述目标预设状态用户对应的第一费用分组；
医疗费用确定模块，用于根据所述第一费用分组以及费用分组与医疗费用的对应关系估算所述目标预设状态用户对应的医疗费用。
第三方面，提供另一种估算医疗费用的装置，包括处理器、存储器以及输入输出接口，所述处理器、存储器和输入输出接口相互连接，其中，所述输入输出接口用于输入或输出数据，所述存储器用于存储估算医疗费用的装置执行上述方法的应用程序代码，所述处理器被配置用于执行上述第一方面的方法。
第四方面，提供一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。
本发明实施例中，将用户的特征数据送入预先建立的费用分组模型中，费用分组模型具备确定费用分组的能力，可以确定用户所属的费用分组，从而可以对该用户的医疗费用进行估算，有效遏制医疗保险费用的增长。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其他的附图。
图1是发明实施例提供的一种估算医疗费用的方法的流程示意图；
图2是本发明实施例提供的另一种估算医疗费用的方法的流程示意图；
图3是本发明实施例提供的一种训练费用分组模型的示意图；
图4是本发明实施例提供的一种训练费用分组模型的示意图；
图5是本发明实施例提供的又一种估算医疗费用的方法的流程示意图
图6是本发明实施例提供的一种估算医疗费用的装置组成结构示意图；
图7是本发明实施例提供的另一种估算医疗费用的装置的组成结构示意图。
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，所描述的实施例仅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，都属于本发明保护的范围。
参见图1，图1是发明实施例提供的一种估算医疗费用的方法的流程示意图，如图所示，该方法包括：
S101，获取目标预设状态用户的医疗就诊信息以及用户信息。
这里，预设状态用户指患病在医院就诊的用户。目标预设状态用户指需要对其就诊所花的费用进行估算的患病用户。
用户信息可以为年龄、体重、性别、身高等可以反映用户自身特性的一些信息。目标预设状态用户的医疗就诊信息为该目标预设状态用户在医院就诊的过程中所产生的信息，具体可以为手术相关信息，住院过程信息、诊断信息，等等。手术相关信息例如可以为该目标预设状态用户进行的手术的数量以及该手术的内容、手术的时间、手术的效果等。住院过程信息例如可以为住在哪家医院，住院的天数，住院的过程中发生过哪些情况，等。诊断信息例如可以为病症信息，病症的严重程度，诊断结果等。进一步地，住院过程信息可以为包括该目标预设状态用户在住院过程中的呼吸速率、血小板、血压、心率、血糖、体温等在住院过程中的身体指数的变化情况。
具体实现中，可以通过获取该目标预设状态用户的病历中的信息以获取目标预设状态用户的医疗就诊信息以及用户信息。
S102，根据目标预设状态用户的医疗就诊信息和用户信息确定目标预设状态用户的特征数据。
这里，可以分别确定该医疗就诊信息和用户信息对应的数据，根据医疗就诊信息和用户信息对应的数据确定该目标预设状态用户的特征数据。其中，确定医疗就诊信息和用户信息对应的数据是指按照预先设置的转换或处理规则将医疗就诊信息和/或用户信息对应的内容转化为计算机可识别的数据。例如，用户信息为性别，性别对应的内容为女或男，则可以将用“0”代表女，用“1”代表男。又如，医疗接诊信息为手术，手术对应的内容为“阑尾切除手术”，则可以对“阑尾切除手术”进行编码(如采用utf8编码)将其转化为计算机能够识别的数据。
本发明实施例中，根据医疗就诊信息和用户信息对应的数据确定目标预设状态用户的特征数据有以下两种方式：
第一种可能的实现方式，在医疗就诊信息和用户信息对应的数据的数量小于第一数量阈值的情况下，可以将所有的医疗就诊信息和用户信息对应的数据确定为目标预设状态用户的特征数据，其中，第一数量阈值可以为10，20等用于限制数据的维度的数值。例如，医疗就诊信息和用户信息对应的数据分别为身高、年龄、体重、心率、血小板、血糖对应的数据，其中，身高为158(单位：厘米)，年龄为35(单位：岁)，体重为50(单位：千克)，心率为90(单位：次/分)，血小板为150(单位：细胞/nL)，血糖为9.5(单位：毫摩/升)，一共6个数据，则可以将158，35，50，90，150，9.5这几个数据确定为目标预设状态用户的特征数据。
在第二种可能的实现方式中，在医疗就诊信息和用户信息对应的数据的数量大于或等于第一数量阈值的情况下，可以对医疗就诊信息和用户信息对应的数据进行降维处理，将降维处理得到的数据确定为目标预设状态用户的特征数据。
具体实现中，可以根据医疗就诊信息和用户信息相互之间的相关性对医疗就诊信息和用户信息对应的数据进行降维处理，以得到目标预设状态用户的特征数据。其中，根据多个医疗就诊信息和用户信息相互之间的相关对医疗就诊信息和用户信息对应的数据进行降维处理的具体方式可以为：根据多个医疗就诊信息和用户信息对应的数据构建N维数据，N为正整数，N等于医疗就诊信息和用户信息对应的数据的数量；根据医疗就诊信息和用户信息相互之间的相关性对N维数据进行降维处理得到M维数据，M为正整数，M小于N；将该M维数据确定为目标预设状态用户的特征数据。这里，M可以为预先设定的一个小于第一数量阈值的值。
在一种可能的实现方式中，可以根据医疗就诊信息和用户信息相互之间的相关性采用主成分分析算法、自编码算法、线性判别分析算法等用于数据降维的算法对该N维数据进行降维处理得到M维数据。
本发明实施例以降维算法为主成分分析算法为例进行具体介绍。采用主成分分析算法对该N维数据进行降维处理的M维数据具体为：将目标预设状态用户对应的1*N维数据与预先以多个预设状态用户的特征数据为样本确定的行列为N*M的特征矩阵相乘，得到的1*M维数据即为M维数据。
其中，预先以多个预设状态用户的特征数据为样本对其计算以确定行列为N*M的特征矩阵的方式为：1)获取多个预设状态用户的医疗就诊信息和用户信息对应的数据，得到各个预设状态用户各自对应的1*N维数据；2)以这多个预设状态用户各自对应的1*N维数据构建L*N的矩阵，作为样本，其中，L为多预设状态用户的数量；3)确定该样本的协方差矩阵，得到N*N的协方差矩阵；4)确定该协方差矩阵的特征向量和特征值，其中，确定的特征向量和特征值的数量均为N；5)根据特征值的大小取特征值最大的M个特征对应的特征向量，构成N*M矩阵，这个N*M的矩阵即为特征矩阵。
在另一种可能的实现方式中，也可以根据多个医疗就诊信息和用户信息相互之间的相关性将N维数据划分为M个数据分组；分别对M个数据分组中的数据进行线性计算得到M个数据，将M个数据确定为M维数据。多个医疗就诊信息与用户信息相互之间的相关性可以通过对大量的样本数据进行分析实验和训练确定。
S103，根据目标预设状态用户的特征数据以及预设的费用分组模型确定目标预设状态用户对应的第一费用分组。
这里，第一费用分组为根据各种医疗费用信息划分的费用分组中的其中一个分组。
在一种可能的实现方式中，可以根据医疗总费用划分费用分组，可按医疗总费用对应的数额将数额不同的医疗总费用划分进不同的费用分组。示例性地，按医疗总费用划分的数额划分的费用分组可以如表1所示：
| 费用分组 | 医疗总费用对应的数额 |
| 费用分组1 | (0，5000] |
| 费用分组2 | (5000，10000] |
| 费用分组3 | (10000，200000] |
| … | … |
表1
在另一种可能的实现方式中，可以根据不同用途的医疗费用信息划分费用分组，例如，可根据药物费用、手术费用、住院费用划分费用分组，可按药物费用对应的数额、手术费用对应的数额以及住院费用对应的数额将数额不同的医疗费用划分进不同的费用分组。示例性地，根据不同用途的医疗费用信息划分的费用分组可以如表2所示：
表2
在可选实施方式中，还可以对药物费用、手术费用、住院费用等进行进一步划分，根据划分后的费用对应的数额将不同的医疗费用划分进不同的费用分组。
这里，费用分组模型是指利用某一分类算法对样本数据进行训练得到的，可以根据特征数据进行相关数据处理然后输出该特征数据对应的费用分组的分类模型。该费用分组模型可以为基于K近邻算法的费用分组模型、基于朴素贝叶斯算法的费用分组模型、基于决策树算法的费用分组模型、基于逻辑回归算法的费用分组模型、基于支持向量机算法的费用分组模型，等等，不限于这里的描述。
具体实现中，可以将该特征数据作为该费用分组模型的输入送入该费用分组模型中，该费用分组模型经过该分类算法对应的处理之后，输出该目标预设状态用户对应的费用分组。其中，费用分组模型采用的分类算法不同，则费用分组模型进行的处理所对应的逻辑不同。
本发明实施例以该费用分组模型为基于K邻近算法的费用分组模型为例具体介绍该费用分组模型根据特征数据确定目标预设状态用户对应的费用分组的具处理过程：
首先，分别确定预设状态用户对应的各个特征数据与该费用分组模型中的多个预设状态用户的对应的各个特征数据之间的相似距离；然后，分别根据多个预设状态用户的各个特征数据对应的相似距离分别确定该多个预设状态用户中的各个预设状态用户与该目标预设状态用户的相似值；根据该相似值从该多个预设状态用户中选择K个预设状态用户，这K个预设状态用户与目标预设状态用户的相似值大于该多个预设状态用户中的其他预设状态用户；将K个预设状态用户对应的费用分组中出现频率最高的费用分组确定为该目标预设状态用户对应的费用分组。
其中，相似距离可以为欧式距离、曼哈顿距离等用于计算两个特征数据之间的相似度的距离。根据特征数据的相似距离确定两个预设状态用户的相似值为：根据两个预设状态用户对应的各个特征数据之间的相似距离以及预设的特征数据加权公式确定两个预设状态用户的相似值，该特征数据加权公式为特征数据1的相似距离*加权系数1+特征数据2的相似距离*加权系数2+...+特征数据M的相似距离*加权系数M，M为预设状态用户的特征数据的数据维度，也即特征数据的个数。
举例来进行说明，假设预设状态用户的特征数据有10个，分别为特征数据1～10，特征数据加权公式中各个特征数据的加权系数均为1，费用分组模型对应的多个预设状态用户为300个，K为100，则确定目标预设状态用户对应的费用分组的过程为：
1)计算目标预设状态用户与预设状态用户1的相似值，计算目标预设状态用户的特征数据1与预设状态用户1的特征数据1的相似距离1，计算目标预设状态用户的特征数据2与预设状态用户1的特征数据2的相似距离2，…，计算目标预设状态用户的特征数据10与预设状态用户1的特征数据10的相似距离10，根据特征数据加权公式计算目标预设状态用户1对应的相似值为：相似距离1+相似距离2+…+相似距离10。
2)按照步骤1)的方式分别计算目标预设状态用户与预设状态用户2，预设状态用户3，…，预设状态用户300的相似值。
3)根据1)和2)的计算结果确定300个预设状态用户中相似值较大的100个预设状态用户。
4)统计100个预设状态用户对应的费用分组，假设100个预设状态用户对应的费用分组分别为费用分组1(15个)，费用分组2(20个)，费用分组3(30个)，费用分组4(45个)。
5)将费用分组中出现频率最高的费用分组，即费用分组4确定为目标预设状态用户对应的费用分组。
应理解的是，上述过程仅用于对费用分组模型根据特征数据进行相关的处理进行解释，不对本发明实施例进行限制，在可选的实施方式中，费用分组模型也可以按照其他的分类算法的处理逻辑根据特征数据确定目标预设状态用户对应的费用分组。
S104，根据第一费用分组以及费用分组与医疗费用的对应关系估算目标预设状态用户对应的医疗费用。
这里，在确定第一费用分组后，可以确定该第一费用分组对应的医疗总费用，将该医疗总费用确定为该目标预设状态用户对应的医疗费用。
如果费用分组与医疗费用的对应关系如表1所示，则直接根据表1确定第一费用分组对应的医疗总费用。例如，第一费用分组为表1中的费用分组1，则确定将5000确定为第一费用分组对应医疗总费用。
如果费用分组与医疗费用的对应关系如表2所示，则根据第一费用分组确定该第一费用分组对应的各项医疗费用，将各项医疗费用之和确定为第一费用分组对应的医疗总费用。例如，第一费用分组为表2中的费用分组1，则确定第一费用分组对应的药物费用为1000，手术费用为2000，住院费用为3000，则确定第一费用分组对应的医疗总费用为6000。
可选地，在确定该目标预设状态用户对应的医疗费用之后，还可以根据该目标预设状态用户的医疗费用划拨医疗经费给该目标预设状态用户对应的医疗结构，目标预设状态用户对应的医疗机构指该目标预设状态用户就诊的医疗机构。具体实现中，可以按照上述步骤S101～S104的方式分别估算上一经费划拨周期在该医疗机构就诊并且已经康复的各个目标预设状态用户的医疗费用，将估算得到的各个目标预设状态用户的医疗费用之和确定为划拨给该医疗机构的费用，将该费用作为当前经费划拨周期划拨给该医疗机构，这里，经费划拨周期可以为预先设置的划拨经费的周期，经费划拨周期的时间长度可以为一个月、三个月，等等。
本发明实施例中，根据获取到的预设状态用户医疗就诊信息和用户信息确定预设状态用户的特征数据，将该预设状态用户的特征数据送入费用分组模型中，费用分组模型可以根据特征数据确定该目标预设状态用户对应的费用分组，从而估算该目标预设状态用户的医疗费用，使得估算得到的费用够接近于治疗与用户病情相关的费用分组所需的医疗费用，按照估算得到的医疗费用进行划拨，可以医疗费用能够得到合理使用，有效遏制医疗保险费用的增长。
在一种可能的实现方式中，可以获取多个预设状态用户以及各个预设状态用户对应的费用分组对初始的费用分组模型进行训练，以得到最接近于实际情况的费用分组模型。参见图2，图2是发明实施例提供的另一种估算医疗费用的方法的流程示意图，如图所示，该方法包括：
S201，确定第一时间范围内的多个预设状态用户对应的特征数据以及多个预设状态用户对应的费用分组。
这里，第一时间范围是指过去的一段时间，例如为过去的1年，过去的3年，过去的5年，等等。
具体实现中，可以通过以下方式确定第一时间范围内的多个预设状态用户对应的特征数据：首先，按照步骤S101的具体实现方式分别获取第一时间范围内的多个预设状态用户的医疗就诊信息以及用户信息；然后，分别按照步骤S102的具体实现方式分别确定各个预设状态用户对应的特征数据，从而确定第一时间范围的多个预设状态用户对应的特征数据。
这里，作为样本的多个预设状态用户对应的费用分组可以是经过对大量的预设状态用户就诊时所产生的医疗费用进行统计确定的。具体实现中，可以分别确定各个预设状态用户的实际医疗费用，根据该实际医疗费用以及费用分组与医疗费用的对应关系分别确定各个预设状态用户的费用分组。
S202，将多个预设状态用户对应的特征数据以及多个预设状态用户对应的费用分组作为训练样本，采用分类算法对费用分组模型进行训练得到最逼近训练样本的费用分组模型。
这里，分类算法可以为K近邻算法、朴素贝叶斯算法、决策树算法的费用、逻辑回归算法、支持向量机算法，等等，不限于这里的描述。
本发明实施例中，采用分类算法对费用分组模型进行训练得到最逼近样本的费用分组模型的原理为：将各个训练样本的特征数据作为费用分组模型的输入送入费用分组模型中，将费用分组模型输出的费用分组与该训练样本的费用分组进行比较，根据比较得到的结果对费用分组模型中的计算系数(如加权系数)进行调整，使得调整计算系数后的费用分组模型的输出与该训练样本的费用分组相同。
下面以分类算法为K邻近算法为例，介绍采用分类算法对费用分组模型进行训练得到最逼近训练样本的费用分组模型的过程。
示例性地，训练的过程可以如图3所示，包括以下过程：利用预设状态用户1对费用分组模型0(初始的费用分组模型)进行训练确定特征数据加权公式1，特征数据加权公式1对应的费用分组模型为费用分组模型1。利用预设状态用户2对费用分组模型1进行训练确定特征数据加权公式2，特征数据加权公式2对应的费用分组模型为费用分组模型2。利用预设状态用户3对费用分组模型2进行训练确定特征数据加权公式3，特征数据加权公式3对应的费用分组模型为费用分组模型3。…。利用预设状态用户X对费用分组模型(X-1)进行训练确定特征数据加权公式X，特征数据加权公式X对应的费用分组模型为费用分组模型X，费用分组模型X即为训练得到的费用分组模型。其中，X为用作训练样本的预设状态用户的数量。
其中，利用预设状态用户1对初始的费用分组模型进行训练确定特征数据加权公式1的过程可以如图4所示，包括以下步骤：
S401，分别确定预设状态用户1与预设状态用户2-预设状态用户X的相似值。
S402，根据预设状态用户1与预设状态用户2-预设状态用户X的相似值在预设状态用户2-预设状态用户X中确定K个预设状态用户，K小于或等于X。
S403，确定K个预设状态用户对应的费用分组中出现频率最高的费用分组。
其中，步骤S401～S403中确定预设状态用户1与预设状态用户2-预设状态用户X的相似值、确定K个预设状态用户以及确定K个预设状态用户对应的费用分组中出现频率最高的费用分组可参考上述步骤S104介绍的方式。
S404，判断K个预设状态用户对应的费用分组中出现频率最高的费用分组是否为预设状态用户1对应的费用分组。
这里，预设状态用户1对应的费用分组是指在步骤S201确定的用作训练样本的费用分组。
若K个预设状态用户对应的费用分组中出现频率最高的费用分组为预设状态用户1对应的费用分组，则执行步骤S405；若K个预设状态用户对应的费用分组中出现频率最高的费用分组不为预设状态用户1对应的费用分组，则执行步骤S406。
S405，确定特征数据加权公式，将其确定为特征数据加权公式1。
S406，调整特征数据加权公式的加权系数，执行步骤S401。
利用预设状态用户2-预设状态用户X对费用分组模型进行训练确定特征数据加权公式2-特征数据加权公式X的过程可参考利用预设状态用户1对费用分组模型进行训练确定特征数据加权公式1的方式，此处不再赘述。
S203，将最逼近训练样本的费用分组模型确定为目标费用分组模型。
S204，确定目标预设状态用户的特征数据。
S205，根据目标预设状态用户的特征数据以及目标费用分组模型确定目标预设状态用户对应的费用分组。
这里，步骤S204～S205的具体实现方式可参考前述步骤S101～S104的具体实现方式，此处不再赘述。
本发明实施例中，通过获取第一时间范围内的预设状态用户的特征数据以及其对应的费用分组，采用分类算法对费用分组模型进行训练可以得到最接近于真实情况的费用分组模型，从而使得利用训练得到的费用分组模型能够更准确的输出目标预设状态用户对应的费用分组。
在一种可能的实现方式中，在确定了该目标预设状态用户的实际的医疗经费之后，还可以根据该目标预设状态用户的实际的医疗经费对费用分组模型进行修正。参见图5，图5是发明实施例提供的另一种估算医疗费用的方法的流程示意图，如图所示，该方法包括：
S501，获取目标预设状态用户的医疗就诊信息以及用户信息。
S502，根据目标预设状态用户的医疗就诊信息和用户信息确定目标预设状态用户的特征数据。
S503，根据目标预设状态用户的特征数据以及预设的费用分组模型确定目标预设状态用户对应的第一费用分组。
S504，根据第一费用分组以及费用分组与医疗费用的对应关系估算目标预设状态用户对应的医疗费用。
这里，步骤S501～S504的具体实现方式可参考步骤S101～S104的描述，此处不再赘述。
S505，确定目标预设状态用户的实际医疗费用。
这里，目标预设状态用户的实际医疗费用是指该目标预设状态用户在结束本次治疗后与医疗机构进行结算实际所花的费用，其中，目标预设状态用户结束本次治疗可以是指该目标预设状态用户出院等。
S506，根据目标预设状态用户的实际医疗费用以及费用分组与医疗费用的对应关系确定目标预设状态用户的实际医疗费用对应的第二费用分组。
例如，费用分组与医疗费用的对应关系如表1所示，目标预设状态用户的实际医疗费用为15000，则确定第二费用分组为费用分组3。
S507，如果第二费用分组与第一费用分组不同，则根据目标预设状态用户的特征数据和第二费用分组调整费用分组模型。
这里，根据目标预设状态用户的特征数据和第二费用分组调整费用分组模型是指调整费用分组模型中的计算系数(如加权系数)，使得调整计算系数后的费用分组模型输入的费用分组为第二费用分组。其中，根据目标预设状态用户的特征数据和第二费用分组调整费用分组模型中计算系数的方式与利用训练样本费用分组模型中的计算系数(如加权系数)进行调整的过程相同，此处不再赘述。
本发明实施例中，通过确定目标预设状态用户实际产生的医疗费用并确定其对应的费用分组，在确定该费用分组不为费用分组模型输出的费用分组的情况下，利用该实际的医疗费用分组对费用分组模型进行调整，从而使得调整后的费用分组模型能够更加精确。
上面介绍了发明实施例的方法，下面介绍发明实施例的装置。
参见图6，图6是本发明实施例提供的一种估算医疗费用的装置的组成结构示意图，该装置60包括：
获取模块601，用于获取目标预设状态用户的医疗就诊信息以及用户信息；
特征数据确定模块602，用于根据所述医疗就诊信息和用户信息确定所述目标预设状态用户的特征数据；
费用分组确定模块603，用于根据所述特征数据以及预设的费用分组模型确定所述目标预设状态用户对应的第一费用分组；
医疗费用确定模块604，用于根据所述第一费用分组以及费用分组与医疗费用的对应关系估算所述目标预设状态用户对应的医疗费用。
在一种可能的设计中，所述装置60还包括：
样本数据获取模块605，用于确定第一时间范围内的多个预设状态用户的特征数据以及所述多个预设状态用户对应的费用分组；
模型训练模块606，用于将所述多个预设状态用户对应的特征数据以及所述多个预设状态用户对应的费用分组作为训练样本，采用所述分类算法对费用分组模型进行训练得到最逼近所述训练样本的费用分组模型；
模型确定模块607，用于将所述最逼近所述训练样本的费用分组模型确定为所述预设的费用分组模型。
在一种可能的设计中，所述装置60还包括：
实际费用确定模块608，用于确定所述目标预设状态用户的实际医疗费用；
所述费用分组确定模块603还用于根据所述实际医疗费用以及费用分组与医疗费用的对应关系确定所述实际医疗费用对应的第二费用分组；
模型调整模块609，用于如果所述第二费用分组与所述第一费用分组不同，根据所述特征数据和所述第二费用分组调整所述预设的费用分组模型。
在一种可能的设计中，所述特征数据确定模块603具体用于：
确定所述医疗就诊信息和所述用户信息对应的数据；
根据所述医疗就诊信息和所述用户信息相互之间的相关性对所述医疗就诊信息和所述用户信息对应的数据进行降维处理，得到所述目标预设状态用户的特征数据。
在一种可能的设计中，所述特征数据确定模块603具体用于：
根据所述多个医疗就诊信息和用户信息对应的数据构建N维数据，N为正整数，N等于所述医疗就诊信息和用户信息对应的数据的数量；
根据所述医疗就诊信息和用户信息相互之间的相关性对所述N维数据进行降维处理得到M维数据，M为正整数，M小于N；
将所述M维数据确定为所述预设状态用户的特征数据。
在一种可能的设计中，所述特征数据确定模块603具体用于：
根据所述医疗就诊信息和用户信息相互之间的相关性采用主成分分析算法、自编码算法或线性判别分析算法对所述N维数据进行降维处理得到M维数据。
在一种可能的设计中，所述特征数据确定模块603具体用于：
根据所述医疗就诊信息和用户信息相互之间的相关性将所述N维数据划分为M个数据分组；
分别对所述M个数据分组中的数据进行线性计算得到M个数据，将所述M个数据确定为M维数据。
需要说明的是，图6对应的实施例中未提及的内容可参见方法实施例的描述，这里不再赘述。
本发明实施例中，估算医疗费用的装置通过获取第一时间范围内的预设状态用户的特征数据以及其对应的费用分组，采用分类算法对费用分组模型进行训练可以得到最接近于真实情况的费用分组模型，从而使得利用训练得到的分类模型能够更准确的输出目标预设状态用户对应的费用分组。通过利用历史数据以及用户实际产生的医疗费用对费用分组模型进行训练，使得费用分组模型具备更精确的分类能力。
参见图7，图7是本发明实施例提供的另一种估算医疗费用的装置的组成结构示意图，该装置70包括处理器701、存储器702以及输入输出接口703。处理器701连接到存储器702和输入输出接口703，例如处理器701可以通过总线连接到存储器702和输入输出接口703。
处理器701被配置为支持所述估算医疗费用的装置执行图1-图5所述的估算医疗费用的方法中相应的功能。该处理器701可以是中央处理器(central processing unit，CPU)，网络处理器(network processor，NP)，硬件芯片或者其任意组合。上述硬件芯片可以是专用集成电路(application specific integrated circuit，ASIC)，可编程逻辑器件(programmable logic device，PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(complex programmable logic device，CPLD)，现场可编程逻辑门阵列(field-programmable gate array，FPGA)，通用阵列逻辑(generic array logic，GAL)或其任意组合。
存储器702存储器用于存储程序代码等。存储器702可以包括易失性存储器(volatile memory，VM)，例如随机存取存储器(random access memory，RAM)；存储器702也可以包括非易失性存储器(non-volatile memory，NVM)，例如只读存储器(read-onlymemory，ROM)，快闪存储器(flash memory)，硬盘(hard disk drive，HDD)或固态硬盘(solid-state drive，SSD)；存储器702还可以包括上述种类的存储器的组合。本发明实施例中，存储器702用于存储费用分组模型、预设状态用户对应的特征数据、预设状态用户对应的费用分组等。
所述输入输出接口703用于输入或输出数据。
处理器701可以调用所述程序代码以执行以下操作：
通过输入输出接口703获取目标预设状态用户的医疗就诊信息以及用户信息；
根据所述医疗就诊信息和用户信息确定所述目标预设状态用户的特征数据；
根据所述特征数据以及预设的费用分组模型确定所述目标预设状态用户对应的第一费用分组；
根据所述第一费用分组以及费用分组与医疗费用的对应关系估算所述目标预设状态用户对应的医疗费用。
需要说明的是，各个操作的实现还可以对应参照图1-图5所示的方法实施例的相应描述；所述处理器701还可以与输入输出接口703配合执行上述方法实施例中的其他操作。
本发明实施例还提供一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被计算机执行时使所述计算机执行如前述实施例所述的方法，所述计算机可以为上述提到的估算医疗费用的装置的一部分。例如为上述的处理器701。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、ROM或RAM等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (10)
1.一种估算医疗费用的方法，其特征在于，包括：
获取目标预设状态用户的医疗就诊信息以及用户信息；
根据所述医疗就诊信息和用户信息确定所述目标预设状态用户的特征数据；
根据所述特征数据以及预设的费用分组模型确定所述目标预设状态用户对应的第一费用分组；
根据所述第一费用分组以及费用分组与医疗费用的对应关系估算所述目标预设状态用户对应的医疗费用。
2.根据权利要求1所述的方法，其特征在于，所述获取目标预设状态用户的医疗就诊信息以及用户信息之前还包括：
确定第一时间范围内的多个预设状态用户的特征数据以及所述多个预设状态用户对应的费用分组；
将所述多个预设状态用户的特征数据以及所述多个预设状态用户对应的费用分组作为训练样本，采用预设的分类算法对费用分组模型进行训练得到最逼近所述训练样本的费用分组模型；
将所述最逼近所述训练样本的费用分组模型确定为所述预设的费用分组模型。
3.根据权利要求1所述的方法，其特征在于，所述根据所述第一费用分组以及费用分组与医疗费用的对应关系估算所述目标预设状态用户对应的医疗费用之后还包括：
确定所述目标预设状态用户的实际医疗费用；
根据所述实际医疗费用以及费用分组与医疗费用的对应关系确定所述实际医疗费用对应的第二费用分组；
如果所述第二费用分组与所述第一费用分组不同，根据所述特征数据和所述第二费用分组调整所述预设的费用分组模型。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述根据所述医疗就诊信息和用户信息确定所述目标预设状态用户的特征数据包括：
确定所述医疗就诊信息和所述用户信息对应的数据；
根据所述医疗就诊信息和所述用户信息相互之间的相关性对所述医疗就诊信息和所述用户信息对应的数据进行降维处理，得到所述目标预设状态用户的特征数据。
5.根据权利要求4所述的方法，其特征在于，所述根据所述医疗就诊信息和所述用户信息相互之间的相关性对所述医疗就诊信息和所述用户信息对应的数据进行降维处理，得到所述目标预设状态用户的特征数据，包括：
根据所述医疗就诊信息和所述用户信息构建N维数据，N为正整数，N等于所述医疗就诊信息和所述用户信息对应的数据的数量；
根据所述医疗就诊信息和所述用户信息相互之间的相关性对所述N维数据进行降维处理得到M维数据，M为正整数，M小于N；
将所述M维数据确定所述目标预设状态用户的特征数据。
6.根据权利要求5所述的方法，其特征在于，所述根据所述医疗就诊信息和所述用户信息相互之间的相关性对所述N维数据进行降维处理得到M维数据包括：
根据所述医疗就诊信息和所述用户信息相互之间的相关性采用主成分分析算法、自编码算法或线性判别分析算法对所述N维数据进行降维处理得到M维数据。
7.根据权利要求5所述的方法，其特征在于，所述根据所述医疗就诊信息和所述用户信息相互之间的相关性对所述N维数据进行降维处理得到M维数据包括：
根据所述医疗就诊信息和所述用户信息相互之间的相关性将所述N维数据划分为M个数据分组；
分别对所述M个数据分组中的数据进行线性计算得到M个数据，将所述M个数据确定为M维数据。
8.一种估算医疗费用的装置，其特征在于，包括：
获取模块，用于获取目标预设状态用户的医疗就诊信息以及用户信息；
特征数据确定模块，用于根据所述医疗就诊信息和用户信息确定所述目标预设状态用户的特征数据；
费用分组确定模块，用于根据所述特征数据以及预设的费用分组模型确定所述目标预设状态用户对应的第一费用分组；
医疗费用确定模块，用于根据所述第一费用分组以及费用分组与医疗费用的对应关系估算所述目标预设状态用户对应的医疗费用。
9.一种估算医疗费用的装置，包括处理器、存储器以及输入输出接口，所述处理器、存储器和输入输出接口相互连接，其中，所述输入输出接口用于输入或输出数据，所述存储器用于存储程序代码，所述处理器用于调用所述程序代码，执行如权利要求1-7任一项所述的方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811272607.XA CN109242709B (zh) | 2018-10-27 | 2018-10-27 | 估算医疗费用的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811272607.XA CN109242709B (zh) | 2018-10-27 | 2018-10-27 | 估算医疗费用的方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109242709A true CN109242709A (zh) | 2019-01-18 |
| CN109242709B CN109242709B (zh) | 2024-02-13 |
Family
ID=65079097
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811272607.XA Active CN109242709B (zh) | 2018-10-27 | 2018-10-27 | 估算医疗费用的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109242709B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109887590A (zh) * | 2019-02-21 | 2019-06-14 | 广州天鹏计算机科技有限公司 | 医疗项目的费用预测方法、装置、计算机设备和存储介质 |
| CN112102098A (zh) * | 2020-08-12 | 2020-12-18 | 泰康保险集团股份有限公司 | 数据处理方法、装置、电子设备及存储介质 |
| CN112734580A (zh) * | 2020-12-31 | 2021-04-30 | 平安医疗健康管理股份有限公司 | 基于数据分析的风险预警系统 |
| CN112802567A (zh) * | 2021-01-27 | 2021-05-14 | 东北大学 | 一种融合贝叶斯网络与回归分析的治疗费用预测方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10301994A (ja) * | 1997-04-25 | 1998-11-13 | N D Software Kk | 診療費試算方法及び装置 |
| JP2005202686A (ja) * | 2004-01-15 | 2005-07-28 | Nooza:Kk | 診療費見積もりシステム、診療費見積もり方法、および診療費見積もりプログラム |
| CN1961321A (zh) * | 2004-05-21 | 2007-05-09 | 西门子医疗健康服务公司 | 为医疗决策提供支持的方法及系统 |
| US20120259654A1 (en) * | 2011-04-06 | 2012-10-11 | Castlight Health Inc. | Predicting Out-Of-Pocket Expense for a Patient |
| CN105069030A (zh) * | 2015-07-20 | 2015-11-18 | 赵蒙海 | 单病种的住院费用估计判定方法 |
| CN106407686A (zh) * | 2016-09-23 | 2017-02-15 | 电子科技大学 | 一种评估慢性病费用的建模方法 |
| CN107609980A (zh) * | 2017-09-07 | 2018-01-19 | 平安医疗健康管理股份有限公司 | 医疗数据处理方法、装置、计算机设备及存储介质 |
| CN107785057A (zh) * | 2017-06-19 | 2018-03-09 | 平安医疗健康管理股份有限公司 | 医疗数据处理方法、装置、存储介质和计算机设备 |
| CN108460693A (zh) * | 2018-03-29 | 2018-08-28 | 平安健康保险股份有限公司 | 保险合作医院的品质监控方法及装置、存储介质及终端 |
| CN108511059A (zh) * | 2018-03-15 | 2018-09-07 | 平安医疗健康管理股份有限公司 | 慢病管理方法及系统 |
-
2018
- 2018-10-27 CN CN201811272607.XA patent/CN109242709B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10301994A (ja) * | 1997-04-25 | 1998-11-13 | N D Software Kk | 診療費試算方法及び装置 |
| JP2005202686A (ja) * | 2004-01-15 | 2005-07-28 | Nooza:Kk | 診療費見積もりシステム、診療費見積もり方法、および診療費見積もりプログラム |
| CN1961321A (zh) * | 2004-05-21 | 2007-05-09 | 西门子医疗健康服务公司 | 为医疗决策提供支持的方法及系统 |
| US20120259654A1 (en) * | 2011-04-06 | 2012-10-11 | Castlight Health Inc. | Predicting Out-Of-Pocket Expense for a Patient |
| CN105069030A (zh) * | 2015-07-20 | 2015-11-18 | 赵蒙海 | 单病种的住院费用估计判定方法 |
| CN106407686A (zh) * | 2016-09-23 | 2017-02-15 | 电子科技大学 | 一种评估慢性病费用的建模方法 |
| CN107785057A (zh) * | 2017-06-19 | 2018-03-09 | 平安医疗健康管理股份有限公司 | 医疗数据处理方法、装置、存储介质和计算机设备 |
| CN107609980A (zh) * | 2017-09-07 | 2018-01-19 | 平安医疗健康管理股份有限公司 | 医疗数据处理方法、装置、计算机设备及存储介质 |
| CN108511059A (zh) * | 2018-03-15 | 2018-09-07 | 平安医疗健康管理股份有限公司 | 慢病管理方法及系统 |
| CN108460693A (zh) * | 2018-03-29 | 2018-08-28 | 平安健康保险股份有限公司 | 保险合作医院的品质监控方法及装置、存储介质及终端 |
Non-Patent Citations (2)
| Title |
|---|
| 姚志洪等: "《中国医疗卫生信息化进展》", 上海交通大学出版社 * |
| 艾丽唤;吴荣海;肖黎;张治国;: "基于风险调整的基本医疗保险门诊统筹按人头付费标准测算研究――以深圳市为例", 中国卫生政策研究, no. 09, pages 366 - 367 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109887590A (zh) * | 2019-02-21 | 2019-06-14 | 广州天鹏计算机科技有限公司 | 医疗项目的费用预测方法、装置、计算机设备和存储介质 |
| CN112102098A (zh) * | 2020-08-12 | 2020-12-18 | 泰康保险集团股份有限公司 | 数据处理方法、装置、电子设备及存储介质 |
| CN112102098B (zh) * | 2020-08-12 | 2023-10-27 | 泰康保险集团股份有限公司 | 数据处理方法、装置、电子设备及存储介质 |
| CN112734580A (zh) * | 2020-12-31 | 2021-04-30 | 平安医疗健康管理股份有限公司 | 基于数据分析的风险预警系统 |
| CN112802567A (zh) * | 2021-01-27 | 2021-05-14 | 东北大学 | 一种融合贝叶斯网络与回归分析的治疗费用预测方法 |
| CN112802567B (zh) * | 2021-01-27 | 2023-11-07 | 东北大学 | 一种融合贝叶斯网络与回归分析的治疗费用预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109242709B (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109242709A (zh) | 估算医疗费用的方法和装置 | |
| Schumacher et al. | Neural networks and logistic regression: Part I | |
| Chattopadhyay et al. | A Case‐Based Reasoning system for complex medical diagnosis | |
| CN109785928A (zh) | 诊疗方案推荐方法、装置及存储介质 | |
| CN108932974A (zh) | 在线问诊分配医生的方法、装置、计算机设备和存储介质 | |
| NZ537623A (en) | Method for training a learning-capable system | |
| CN112086195B (zh) | 一种基于自适应集成学习模型的再入院风险预测方法 | |
| CN116453706A (zh) | 一种基于强化学习的血液透析方案制定方法及系统 | |
| CN107908819A (zh) | 预测用户状态变化的方法和装置 | |
| CN109740868A (zh) | 一种基于病案首页的医疗机构排序方法和装置 | |
| Ezugwu et al. | Mathematical model formulation and hybrid metaheuristic optimization approach for near-optimal blood assignment in a blood bank system | |
| CN109698017A (zh) | 医疗病历数据生成方法及装置 | |
| CN108877924A (zh) | 一种哮喘概率的确定方法及装置 | |
| CN108549276A (zh) | 一种智能交互控制制水设备的方法及系统 | |
| CN109543718A (zh) | 修改病种描述的方法和装置 | |
| Saravagi et al. | [Retracted] Diagnosis of Lumbar Spondylolisthesis Using a Pruned CNN Model | |
| Du et al. | The effects of deep network topology on mortality prediction | |
| US11544619B2 (en) | Dimension reduction of claims data | |
| CN101853432A (zh) | 医疗绩效控制系统和方法 | |
| CN109784645A (zh) | 一种医院科室绩效排名方法及装置 | |
| CN114694841B (zh) | 一种基于患者电子健康记录的不良事件风险预测方法 | |
| Guo et al. | Application of birth defect prediction model based on c5. 0 decision tree algorithm | |
| CN113940640B (zh) | 心血管疾病风险控制方法、系统及存储介质 | |
| CN117352178A (zh) | 一种基于大数据的药物风险评估系统和方法 | |
| CN110391026A (zh) | 基于医疗概率图的信息分类方法、装置及设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |