CN109243592A - 基于人工智能的医疗项目使用异常检测方法及相关装置 - Google Patents
基于人工智能的医疗项目使用异常检测方法及相关装置 Download PDFInfo
- Publication number
- CN109243592A CN109243592A CN201811274796.4A CN201811274796A CN109243592A CN 109243592 A CN109243592 A CN 109243592A CN 201811274796 A CN201811274796 A CN 201811274796A CN 109243592 A CN109243592 A CN 109243592A
- Authority
- CN
- China
- Prior art keywords
- medical
- data collection
- item
- medical data
- insured people
- 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 64
- 230000005856 abnormality Effects 0.000 title claims abstract description 56
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 23
- 238000013480 data collection Methods 0.000 claims abstract description 218
- 238000012360 testing method Methods 0.000 claims abstract description 124
- 238000001514 detection method Methods 0.000 claims abstract description 56
- 230000002159 abnormal effect Effects 0.000 claims abstract description 32
- 201000010099 disease Diseases 0.000 claims description 32
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 32
- 241001269238 Data Species 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 14
- 239000012141 concentrate Substances 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 201000009032 substance abuse Diseases 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 7
- 241000208340 Araliaceae Species 0.000 claims description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 3
- 235000008434 ginseng Nutrition 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000007726 management method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000012550 audit Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 208000001491 myopia Diseases 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 238000004820 blood count Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013497 data interchange Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
Landscapes
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请实施例公开了一种基于人工智能的医疗项目使用异常检测方法及相关装置，该方法包括：从多家医疗机构获取多个医疗数据集，每个医疗数据集对应一个参保人；将多个医疗数据集输入异常检测模型进行处理，输出多个医疗数据集对应的多个检测结果，每个检测结果用于表征参保人是否存在医疗项目使用异常；若确定多个检测结果中存在至少一个检测结果为参保人存在医疗项目使用异常，则发送第一提示信息至至少一个检测结果中每个检测结果对应的参保人的终端，第一提示信息用于提示参保人存在医疗项目使用异常。采用本申请实施例可检测参保人的医疗项目使用是否存在异常，有助于减少医疗项目使用异常的情况。
Description
技术领域
本申请涉及医疗技术领域，具体涉及一种基于人工智能的医疗项目使用异常检测方法及相关装置。
背景技术
随着社会经济的快速发展和生活观念的逐渐改变，使得大部分人的生活方式和行为发生了变化，从而导致疾病患病率持续增长，因此医疗保险越来越被人们重视。医疗保险涵盖多个医疗项目。
目前，医疗项目使用异常的情况时有发生，医疗项目的常规用量缺少全面、科学的规范，常用的审核规则为通过经验确定每个医疗项目的常规用量，这种确定常规用量的方法较为粗放，导致审核的假阳性率高。
发明内容
本申请实施例提供一种基于人工智能的医疗项目使用异常检测方法及相关装置，用于检测参保人的医疗项目使用是否存在异常，有助于减少医疗项目使用异常的情况。
第一方面，本申请实施例提供一种基于人工智能的医疗项目使用异常检测方法，包括：
从多家医疗机构获取多个医疗数据集，每家医疗机构对应至少一个医疗数据集，每个医疗数据集对应一个参保人；
将所述多个医疗数据集输入异常检测模型进行处理，输出所述多个医疗数据集对应的多个检测结果，每个检测结果对应一个参保人，所述检测结果用于表征参保人是否存在医疗项目使用异常；
若确定所述多个检测结果中存在至少一个检测结果为参保人存在医疗项目使用异常，则发送第一提示信息至所述至少一个检测结果中每个检测结果对应的参保人的终端，所述第一提示信息用于提示参保人存在医疗项目使用异常。
第二方面，本申请实施例提供一种基于人工智能的医疗项目使用异常检测装置，包括：
获取单元，用于从多家医疗机构获取多个医疗数据集，每家医疗机构对应至少一个医疗数据集，每个医疗数据集对应一个参保人；
确定单元，用于将所述多个医疗数据集输入异常检测模型进行处理，输出所述多个医疗数据集对应的多个检测结果，每个检测结果对应一个参保人，所述检测结果用于表征参保人是否存在医疗项目使用异常；
发送单元，用于若确定所述多个检测结果中存在至少一个检测结果为参保人存在医疗项目使用异常，则发送第一提示信息至所述至少一个检测结果中每个检测结果对应的参保人的终端，所述第一提示信息用于提示参保人存在医疗项目使用异常。
第三方面，本申请实施例提供一种服务器，包括处理器、存储器、通信接口以及一个或多个程序，其中，上述一个或多个程序被存储在上述存储器中，并且被配置由上述处理器执行，上述程序包括用于执行本申请实施例第一方面所述的方法中的步骤的指令。
第四方面，本申请实施例提供了一种计算机可读存储介质，上述计算机可读存储介质用于存储电子数据交换的计算机程序，其中，上述计算机程序使得计算机执行如本申请实施例第一方面所述的方法中所描述的部分或全部步骤。
第五方面，本申请实施例提供了一种计算机程序产品，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如本申请实施例第一方面所述的方法中所描述的部分或全部步骤。
可以看出，在本申请实施例中，服务器从多家医疗机构获取多个医疗数据集，每个医疗数据集对应一个参保人，将多个医疗数据集输入异常检测模型进行处理，输出多个医疗数据集对应的多个检测结果，每个检测结果对应一个参保人，检测结果用于表征参保人是否存在医疗项目使用异常，若确定多个检测结果中存在至少一个检测结果为参保人存在医疗项目使用异常，则发送第一提示信息至至少一个检测结果中每个检测结果对应的参保人的终端，第一提示信息用于提示参保人存在医疗项目使用异常。这样实现了检测参保人的医疗项目使用是否存在异常，有助于减少医疗项目使用异常的情况，进而在一定程度上降低了审核假阳性率。
本申请的这些方面或其他方面在以下实施例的描述中会更加简明易懂。
附图说明
为了更清楚地说明本申请实施例或背景技术中的技术方案，下面将对本申请实施例或背景技术中所需要使用的附图进行说明。
图1A是本申请实施例提供的第一种基于人工智能的医疗项目使用异常检测方法的流程示意图；
图1B是本申请实施例提供的一种示意图；
图1C是本申请实施例提供的另一种示意图；
图2是本申请实施例提供的第二种基于人工智能的医疗项目使用异常检测方法的流程示意图；
图3是本申请实施例提供的第三种基于人工智能的医疗项目使用异常检测方法的流程示意图；
图4是本申请实施例提供的一种基于人工智能的医疗项目使用异常检测装置的结构示意图；
图5是本申请实施例提供的一种服务器的结构示意图。
具体实现方式
为了使本技术领域的人员更好地理解本申请方案，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的实施例，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，都应当属于本申请保护的范围。
以下分别进行详细说明。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
以下，对本申请中的部分用语进行解释说明，以便于本领域技术人员理解。
(1)终端可以包括各种具有无线通信功能的手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其他处理设备，以及各种形式的用户设备(UserEquipment，UE)，移动台(Mobile Station，MS)，终端设备(terminal device)，等等。
(2)服务器，也称伺服器，是提供计算服务的设备。服务器的构成包括处理器、硬盘、内存、系统总线等，和通用的计算机架构类似。在网络环境下，根据服务器提供的服务类型不同，分为文件服务器，数据库服务器，应用程序服务器，WEB服务器等。
下面对本申请实施例进行详细介绍。
请参阅图1A，图1A是本申请实施例提供的第一种基于人工智能的医疗项目使用异常检测方法的流程示意图，该基于人工智能的医疗项目使用异常检测方法包括：
步骤101：服务器从多家医疗机构获取多个医疗数据集，每家医疗机构对应至少一个医疗数据集，每个医疗数据集对应一个参保人。
其中，医疗数据集包括多个医疗数据和医疗项目集，多个医疗数据包括年龄、性别、急诊类型、疾病名称、疾病情况、治疗时长、愈后情况、医疗机构、就诊时间，医疗项目集包括至少一个医疗项目和至少一个医疗费用，每个医疗费用对应一个医疗项目，医疗项目是指医生为参保人诊断时所作出的相应医嘱，例如开启药品、验血、做CT等。
在一个可能的示例中，服务器从多家医疗机构获取多个医疗数据集，包括：
服务器接收医疗项目管理平台发送的医疗数据集获取指令；
服务器向多家医疗机构的服务器发送多个第一请求信息，每个第一请求信息用于指示一家医疗机构的服务器反馈其存储的预设时段内所有参保人中每个参保人一次就诊的医疗数据集；
服务器接收所述多家医疗机构的服务器针对所述多个第一请求信息发送的多个医疗数据集。
其中，医疗项目管理平台与服务器具有连接关系。
进一步地，当医疗项目管理平台的医疗数据集获取功能处于开启状态时，医疗项目管理平台在其显示界面显示时段选择框、医疗机构选择框和医疗数据集获取按钮，时段选择框包括起始时间标识、起始时间输入框、终止时间标识和终止时间输入框，医疗机构选择框包括地区输入标识、地区输入框和输入地区对应的多家医疗机构名称，如图1B所示；医疗项目管理平台检测到针对预设时段内多家医疗机构的医疗数据集获取按钮的点击操作。
其中，一次就诊的医疗数据集可以是一次门诊的多个医疗数据组成的医疗数据集，也可以是一次住院的多个医疗数据组成的医疗数据集。
举例来说，如图1C所示，服务器接收医疗项目管理平台发送的医疗数据集获取指令，服务器向第1家医疗机构的服务器、第2家医疗机构的服务器和第3家医疗机构的服务器分别发送第一请求信息，第1家医疗机构的服务器接收到第一请求信息并向服务器发送8个参保人的8个医疗数据集，第2家医疗机构的服务器接收到第一请求信息并向服务器发送6个参保人的6个医疗数据集，第3家医疗机构的服务器接收到第一请求信息并向服务器发送7个参保人的7个医疗数据集。
步骤102：服务器将所述多个医疗数据集输入异常检测模型进行处理，输出所述多个医疗数据集对应的多个检测结果，每个检测结果对应一个参保人，所述检测结果用于表征参保人是否存在医疗项目使用异常。
其中，异常检测模型用于根据医疗数据集的多个医疗数据确定医疗数据集对应的参保人是否存在医疗项目使用异常。
在一个可能的示例中，服务器将所述多个医疗数据集输入异常检测模型进行处理，输出所述多个医疗数据集对应的多个检测结果，包括：
服务器解析所述多个医疗数据集，得到所述多个医疗数据集对应的多个医疗项目集，每个医疗项目集对应一个医疗数据集，所述每个医疗项目集包括至少一个医疗项目；
服务器将所述多个医疗数据集和所述多个医疗项目集输入异常检测模型，所述异常检测模型预设有多个费用预测公式；
服务器根据医疗项目与费用预测公式的对应关系确定所述多个医疗项目集中每个医疗项目集对应的至少一个费用预测公式；
服务器根据每个医疗数据集包括的多个医疗数据和每个医疗项目集对应的至少一个费用预测公式确定所述每个医疗项目集包括的所有医疗项目中每个医疗项目的预测费用，所述每个医疗项目集与所述每个医疗数据集一一对应，所述多个医疗数据包括年龄、性别、就诊类型、疾病名称、疾病情况、治疗时长、愈后情况；
服务器确定所述每个医疗数据集对应的医疗项目集包括的所有医疗项目中每个医疗项目的实际费用；
若医疗数据集对应的医疗项目集中存在至少一个医疗项目的实际费用大于预测费用，则服务器确定所述至少一个医疗项目中每个医疗项目的实际费用与预测费用之间的超额费用，得到所述医疗数据集对应的至少一个超额费用；
若所述至少一个超额费用之和大于等于第一阈值，则服务器确定所述医疗数据集对应的检测结果为参保人存在医疗项目使用异常。
具体地，服务器将多个医疗数据集和多个医疗项目集输入异常检测模型的实施方式可以是：解析多个医疗数据集，得到多个医疗数据集对应的多个就诊时间，每个就诊时间对应一个医疗数据集；按照就诊时间的先后顺序将多个医疗数据集中每个医疗数据集和其对应的医疗项目集依次输入异常检测模型；其中，若多个就诊时间中存在至少两个就诊时间是相同的，则将至少两个就诊时间对应的至少两个医疗数据集中每个医疗数据集和其对应的医疗项目集并行输入异常检测模型。
其中，就诊类型包括门诊和住院，疾病情况表示疾病的严重程度，疾病情况包括前期、中期和后期，愈后情况包括治愈、好转和未愈。
其中，每个医疗项目的实际费用与其对应的医疗费用是相同的。
其中，第一阈值可以是用户自定义的，也可以是服务器自定义的。
其中，第i个医疗项目对应费用预测公式i，第i个医疗项目为医疗项目集包括的所有医疗项目中其中一个。
其中，费用预测公式i为：
Si＝(A1×α1+A2×α2+……+A7×α7)÷7×T；
其中，Si为第i个医疗项目的预测费用，A1为每岁对应的第i个医疗项目的平均使用量，α1为年龄，A2为性别对应的第i个医疗项目的平均使用量，α2为性别，A3为就诊类型对应的第i个医疗项目的平均使用量，α3为就诊类型，A4为疾病名称对应的第i个医疗项目的平均使用量，α4为疾病名称，A5为疾病情况对应的第i个医疗项目的平均使用量，α5为疾病情况，A6为每天对应的第i个医疗项目的平均使用量，α6为治疗时长(以天为单位)，A7为愈后情况对应的第i个医疗项目的平均使用量，α7为愈后情况，T为第i个医疗项目的单位使用费用。
在一个可能的示例中，服务器根据每个医疗数据集包括的多个医疗数据确定每个医疗数据集对应的医疗项目集中每个医疗项目的预测费用，包括：
服务器向多家医疗机构的服务器发送多个第二请求信息，每个第二请求信息携带医疗数据集包括的多个医疗数据，多个医疗数据包括年龄、性别、就诊类型、疾病名称、疾病情况、治疗时长、愈后情况，每个第二请求信息用于指示一家医疗机构的服务器反馈其存储的所有第一医疗数据集中每个第一医疗数据集对应的医疗项目集中每个医疗项目的第一实际费用，每个第一医疗数据集与医疗数据集包括的多个医疗数据均是相同的；
服务器接收多家医疗机构的服务器针对多个第二请求信息发送的多个第一医疗数据集中每个第一医疗数据集对应的医疗项目集中每个医疗项目的第一实际费用；
服务器确定每个医疗项目对应的多个第一实际费用的平均费用为每个医疗项目的预测费用。
在一个可能的示例中，服务器将所述多个医疗数据集输入异常检测模型进行处理，输出所述多个医疗数据集对应的多个检测结果，包括：
服务器解析所述多个医疗数据集，得到所述多个医疗数据集对应的多个医疗项目集，每个医疗项目集对应一个医疗数据集，所述每个医疗项目集包括至少一个医疗项目；
服务器将所述多个医疗数据集和所述多个医疗项目集输入异常检测模型，所述异常检测模型预设有多个费用预测公式；
服务器根据医疗项目与费用预测公式的对应关系确定所述多个医疗项目集中每个医疗项目集对应的至少一个费用预测公式；
服务器根据每个医疗数据集包括的多个医疗数据和每个医疗项目集对应的至少一个费用预测公式确定所述每个医疗数据集的总预测费用，所述每个医疗项目集与所述每个医疗数据集一一对应，所述多个医疗数据包括年龄、性别、就诊类型、疾病名称、疾病情况、治疗时长、愈后情况；
服务器确定所述每个医疗数据集对应的医疗项目集包括的所有医疗项目中每个医疗项目的实际费用，得到所述每个医疗数据集的总实际费用；
若医疗数据集的总实际费用大于总预测费用，则服务器确定所述医疗数据集的总实际费用与总预测费用之间的费用差值；
若确定所述费用差值大于等于第二阈值，则服务器确定所述医疗数据集对应的检测结果为参保人存在医疗项目使用异常。
其中，第二阈值可以是用户自定义的，也可以是服务器自定义的。
步骤103：若确定所述多个检测结果中存在至少一个检测结果为参保人存在医疗项目使用异常，则服务器发送第一提示信息至所述至少一个检测结果中每个检测结果对应的参保人的终端，所述第一提示信息用于提示参保人存在医疗项目使用异常。
在一个可能的示例中，服务器发送第一提示信息至所述至少一个检测结果中每个检测结果对应的参保人的终端，包括：
服务器发送第一提示信息至所述至少一个检测结果中每个检测结果对应的参保人的终端，所述第一提示信息包括所述参保人的至少一个医疗项目和至少一个超额费用，每个超额费用对应一个医疗项目。
其中，第一提示信息的形式可以是文字、语音、动漫、短视频等。
其中，第一提示信息可以发送一次、两次，也可以发送多次。
可以看出，在本申请实施例中，服务器从多家医疗机构获取多个医疗数据集，每个医疗数据集对应一个参保人，将多个医疗数据集输入异常检测模型进行处理，输出多个医疗数据集对应的多个检测结果，每个检测结果对应一个参保人，检测结果用于表征参保人是否存在医疗项目使用异常，若确定多个检测结果中存在至少一个检测结果为参保人存在医疗项目使用异常，则发送第一提示信息至至少一个检测结果中每个检测结果对应的参保人的终端，第一提示信息用于提示参保人存在医疗项目使用异常。这样实现了检测参保人的医疗项目使用是否存在异常，有助于减少医疗项目使用异常的情况，进而在一定程度上降低了审核假阳性率。
在一个可能的示例中，所述方法还包括：
服务器获取所述至少一个检测结果对应的至少一个参保人中每个参保人就诊的医疗机构；
服务器按照医疗机构将所述至少一个参保人进行划分，得到至少一个就诊人群集合，每个就诊人群集合对应一个医疗机构；
服务器确定所述至少一个就诊人群集合中每个就诊人群集合包括的所有参保人的总超额费用，得到所述至少一个就诊人群集合对应的至少一个总超额费用；
若就诊人群集合对应的总超额费用大于等于第三阈值，则服务器确定所述就诊人群集合对应的医疗机构存在医疗项目滥用。
其中，每个就诊人群集合中所有参保人就诊的医疗机构是相同的。
具体地，服务器确定至少一个就诊人群集合中每个就诊人群集合包括的所有参保人的总超额费用，得到至少一个就诊人群集合对应的至少一个总超额费用的实施方式可以是：确定至少一个就诊人群集合中每个就诊人群集合包括的所有参保人中每个参保人的至少一个超额费用之和；确定至少一个就诊人群集合中每个就诊人群集合包括的所有参保人的超额费用之和，得到至少一个就诊人群集合中每个就诊人群集合对应的总超额费用。
其中，第三阈值大于第一阈值，第三阈值可以是用户自定义的，也可以是服务器自定义的。
在一个可能的示例中，所述方法还包括：
服务器发送第二提示信息至所述就诊人群集合对应的医疗机构的服务器，所述第二提示信息用于提示医疗机构存在医疗项目滥用。
其中，第二提示信息的形式可以是文字、语音、动漫、短视频等。
其中，第二提示信息可以发送一次、两次，也可以发送多次。
请参阅图2，图2是本申请实施例提供的第二种基于人工智能的医疗项目使用异常检测方法的流程示意图，该基于人工智能的医疗项目使用异常检测方法包括：
步骤201：服务器从多家医疗机构获取多个医疗数据集，每家医疗机构对应至少一个医疗数据集，每个医疗数据集对应一个参保人。
步骤202：解析所述多个医疗数据集，得到所述多个医疗数据集对应的多个医疗项目集，每个医疗项目集对应一个医疗数据集，所述每个医疗项目集包括至少一个医疗项目。
步骤203：服务器将所述多个医疗数据集和所述多个医疗项目集输入异常检测模型，所述异常检测模型预设有多个费用预测公式。
步骤204：根据医疗项目与费用预测公式的对应关系确定所述多个医疗项目集中每个医疗项目集对应的至少一个费用预测公式。
步骤205：服务器根据每个医疗数据集包括的多个医疗数据和每个医疗项目集对应的至少一个费用预测公式确定所述每个医疗项目集包括的所有医疗项目中每个医疗项目的预测费用，所述每个医疗项目集与所述每个医疗数据集一一对应，所述多个医疗数据包括年龄、性别、就诊类型、疾病名称、疾病情况、治疗时长、愈后情况。
步骤206：服务器确定所述每个医疗数据集对应的医疗项目集包括的所有医疗项目中每个医疗项目的实际费用。
步骤207：若医疗数据集对应的医疗项目集中存在至少一个医疗项目的实际费用大于预测费用，则服务器确定所述至少一个医疗项目中每个医疗项目的实际费用与预测费用之间的超额费用，得到所述医疗数据集对应的至少一个超额费用。
步骤208：若所述至少一个超额费用之和大于等于第一阈值，则服务器确定所述医疗数据集对应的检测结果为参保人存在医疗项目使用异常。
步骤209：若确定所述多个检测结果中存在至少一个检测结果为参保人存在医疗项目使用异常，则服务器发送第一提示信息至所述至少一个检测结果中每个检测结果对应的参保人的终端，所述第一提示信息用于提示参保人存在医疗项目使用异常。
需要说明的是，图2所示的方法的各个步骤的具体实现过程可参见上述方法所述的具体实现过程，在此不再叙述。
请参阅图3，图3是本申请实施例提供的第三种基于人工智能的医疗项目使用异常检测方法的流程示意图，该基于人工智能的医疗项目使用异常检测方法包括：
步骤301：服务器从多家医疗机构获取多个医疗数据集，每家医疗机构对应至少一个医疗数据集，每个医疗数据集对应一个参保人。
步骤302：解析所述多个医疗数据集，得到所述多个医疗数据集对应的多个医疗项目集，每个医疗项目集对应一个医疗数据集，所述每个医疗项目集包括至少一个医疗项目。
步骤303：服务器将所述多个医疗数据集和所述多个医疗项目集输入异常检测模型，所述异常检测模型预设有多个费用预测公式。
步骤304：根据医疗项目与费用预测公式的对应关系确定所述多个医疗项目集中每个医疗项目集对应的至少一个费用预测公式。
步骤305：服务器根据每个医疗数据集包括的多个医疗数据和每个医疗项目集对应的至少一个费用预测公式确定所述每个医疗数据集的总预测费用，所述每个医疗项目集与所述每个医疗数据集一一对应，所述多个医疗数据包括年龄、性别、就诊类型、疾病名称、疾病情况、治疗时长、愈后情况。
步骤306：服务器确定所述每个医疗数据集对应的医疗项目集包括的所有医疗项目中每个医疗项目的实际费用，得到所述每个医疗数据集的总实际费用。
步骤307：若医疗数据集的总实际费用大于总预测费用，则服务器确定所述医疗数据集的总实际费用与总预测费用之间的费用差值。
步骤308：若确定所述费用差值大于等于第二阈值，则服务器确定所述医疗数据集对应的检测结果为参保人存在医疗项目使用异常。
步骤309：若确定所述多个检测结果中存在至少一个检测结果为参保人存在医疗项目使用异常，则服务器发送第一提示信息至所述至少一个检测结果中每个检测结果对应的参保人的终端，所述第一提示信息用于提示参保人存在医疗项目使用异常。
需要说明的是，图3所示的方法的各个步骤的具体实现过程可参见上述方法所述的具体实现过程，在此不再叙述。
上述主要从方法侧执行过程的角度对本申请实施例的方案进行了介绍。可以理解的是，基于人工智能的医疗项目使用异常检测装置为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对基于人工智能的医疗项目使用异常检测装置进行功能单元的划分，例如，可以对应各个功能划分各个功能单元，也可以将两个或两个以上的功能集成在一个处理单元中。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。需要说明的是，本申请实施例中对单元的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
请参阅图4，图4是本申请实施例提供的一种基于人工智能的医疗项目使用异常检测装置的结构示意图，该基于人工智能的医疗项目使用异常检测装置400包括处理单元401、存储单元402和通信单元403，处理单元401包括获取单元、确定单元和发送单元，其中：
获取单元，用于从多家医疗机构获取多个医疗数据集，每家医疗机构对应至少一个医疗数据集，每个医疗数据集对应一个参保人；
确定单元，用于将所述多个医疗数据集输入异常检测模型进行处理，输出所述多个医疗数据集对应的多个检测结果，每个检测结果对应一个参保人，所述检测结果用于表征参保人是否存在医疗项目使用异常；
发送单元，用于若确定所述多个检测结果中存在至少一个检测结果为参保人存在医疗项目使用异常，则发送第一提示信息至所述至少一个检测结果中每个检测结果对应的参保人的终端，所述第一提示信息用于提示参保人存在医疗项目使用异常。
可以看出，在本示例中，从多家医疗机构获取多个医疗数据集，每个医疗数据集对应一个参保人，将多个医疗数据集输入异常检测模型进行处理，输出多个医疗数据集对应的多个检测结果，每个检测结果对应一个参保人，检测结果用于表征参保人是否存在医疗项目使用异常，若确定多个检测结果中存在至少一个检测结果为参保人存在医疗项目使用异常，则发送第一提示信息至至少一个检测结果中每个检测结果对应的参保人的终端，第一提示信息用于提示参保人存在医疗项目使用异常。这样实现了检测参保人的医疗项目使用是否存在异常，有助于减少医疗项目使用异常的情况，进而在一定程度上降低了审核假阳性率。
在一个可能的示例中，在从多家医疗机构获取多个医疗数据集方面，上述获取单元具体用于：
接收医疗项目管理平台发送的医疗数据集获取指令；
根据所述医疗数据集获取指令向多家医疗机构的服务器发送多个第一请求信息，每个第一请求信息用于指示一家医疗机构的服务器反馈其存储的预设时段内所有参保人中每个参保人一次就诊的医疗数据集；
接收所述多家医疗机构的服务器针对所述多个第一请求信息发送的多个医疗数据集。
在一个可能的示例中，在将所述多个医疗数据集输入异常检测模型进行处理，输出所述多个医疗数据集对应的多个检测结果方面，上述确定单元具体用于：
解析所述多个医疗数据集，得到所述多个医疗数据集对应的多个医疗项目集，每个医疗项目集对应一个医疗数据集，所述每个医疗项目集包括至少一个医疗项目；
将所述多个医疗数据集和所述多个医疗项目集输入异常检测模型，所述异常检测模型预设有多个费用预测公式；
根据医疗项目与费用预测公式的对应关系确定所述多个医疗项目集中每个医疗项目集对应的至少一个费用预测公式；
根据每个医疗数据集包括的多个医疗数据和每个医疗项目集对应的至少一个费用预测公式确定所述每个医疗项目集包括的所有医疗项目中每个医疗项目的预测费用，所述每个医疗项目集与所述每个医疗数据集一一对应，所述多个医疗数据包括年龄、性别、就诊类型、疾病名称、疾病情况、治疗时长、愈后情况；
确定所述每个医疗数据集对应的医疗项目集包括的所有医疗项目中每个医疗项目的实际费用；
若医疗数据集对应的医疗项目集中存在至少一个医疗项目的实际费用大于预测费用，则确定所述至少一个医疗项目中每个医疗项目的实际费用与预测费用之间的超额费用，得到所述医疗数据集对应的至少一个超额费用；
若所述至少一个超额费用之和大于等于第一阈值，则确定所述医疗数据集对应的检测结果为参保人存在医疗项目使用异常。
在一个可能的示例中，在将所述多个医疗数据集输入异常检测模型进行处理，输出所述多个医疗数据集对应的多个检测结果方面，上述确定单元具体用于：
解析所述多个医疗数据集，得到所述多个医疗数据集对应的多个医疗项目集，每个医疗项目集对应一个医疗数据集，所述每个医疗项目集包括至少一个医疗项目；
将所述多个医疗数据集和所述多个医疗项目集输入异常检测模型，所述异常检测模型预设有多个费用预测公式；
根据医疗项目与费用预测公式的对应关系确定所述多个医疗项目集中每个医疗项目集对应的至少一个费用预测公式；
根据每个医疗数据集包括的多个医疗数据和每个医疗项目集对应的至少一个费用预测公式确定所述每个医疗数据集的总预测费用，所述每个医疗项目集与所述每个医疗数据集一一对应，所述多个医疗数据包括年龄、性别、就诊类型、疾病名称、疾病情况、治疗时长、愈后情况；
确定所述每个医疗数据集对应的医疗项目集包括的所有医疗项目中每个医疗项目的实际费用，得到所述每个医疗数据集的总实际费用；
若医疗数据集的总实际费用大于总预测费用，则确定所述医疗数据集的总实际费用与总预测费用之间的费用差值；
若确定所述费用差值大于等于第二阈值，则确定所述医疗数据集对应的检测结果为参保人存在医疗项目使用异常。
在一个可能的示例中，在发送第一提示信息至所述至少一个检测结果中每个检测结果对应的参保人的终端方面，上述发送单元具体用于：
发送第一提示信息至所述至少一个检测结果中每个检测结果对应的参保人的终端，所述第一提示信息包括所述参保人的至少一个医疗项目和至少一个超额费用，每个超额费用对应一个医疗项目。
在一个可能的示例中，上述处理单元401还包括：
第一获取单元，用于获取所述至少一个检测结果对应的至少一个参保人中每个参保人就诊的医疗机构；
划分单元，用于按照医疗机构将所述至少一个参保人进行划分，得到至少一个就诊人群集合，每个就诊人群集合对应一个医疗机构；
第一确定单元，用于确定所述至少一个就诊人群集合中每个就诊人群集合包括的所有参保人的总超额费用，得到所述至少一个就诊人群集合对应的至少一个总超额费用；
第二确定单元，用于若就诊人群集合对应的总超额费用大于等于第三阈值，则确定所述就诊人群集合对应的医疗机构存在医疗项目滥用。
在一个可能的示例中，上述处理单元401还包括：
第一发送单元，用于发送第二提示信息至所述就诊人群集合对应的医疗机构的服务器，所述第二提示信息用于提示医疗机构存在医疗项目滥用。
其中，处理单元401可以是处理器或控制器，(例如可以是中央处理器(CentralProcessing Unit，CPU)，通用处理器，数字信号处理器(Digital Signal Processor，DSP)，专用集成控制器(Application-Specific Integrated Circuit，ASIC)，现场可编程门阵列(Field Programmable Gate Array，FPGA)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。存储单元402可以是存储器，通信单元403可以是收发器、收发控制器、射频芯片、通信接口等。
与上述图1A、图2和图3所示的实施例一致的，请参阅图5，图5是本申请实施例提供的一种服务器的结构示意图，该服务器包括处理器、存储器、通信接口以及一个或多个程序，其中，上述一个或多个程序被存储在上述存储器中，并且被配置由上述处理器执行，上述程序包括用于执行以下步骤的指令：
从多家医疗机构获取多个医疗数据集，每家医疗机构对应至少一个医疗数据集，每个医疗数据集对应一个参保人；
将所述多个医疗数据集输入异常检测模型进行处理，输出所述多个医疗数据集对应的多个检测结果，每个检测结果对应一个参保人，所述检测结果用于表征参保人是否存在医疗项目使用异常；
若确定所述多个检测结果中存在至少一个检测结果为参保人存在医疗项目使用异常，则发送第一提示信息至所述至少一个检测结果中每个检测结果对应的参保人的终端，所述第一提示信息用于提示参保人存在医疗项目使用异常。
可以看出，在本示例中，服务器从多家医疗机构获取多个医疗数据集，每个医疗数据集对应一个参保人，将多个医疗数据集输入异常检测模型进行处理，输出多个医疗数据集对应的多个检测结果，每个检测结果对应一个参保人，检测结果用于表征参保人是否存在医疗项目使用异常，若确定多个检测结果中存在至少一个检测结果为参保人存在医疗项目使用异常，则发送第一提示信息至至少一个检测结果中每个检测结果对应的参保人的终端，第一提示信息用于提示参保人存在医疗项目使用异常。这样实现了检测参保人的医疗项目使用是否存在异常，有助于减少医疗项目使用异常的情况，进而在一定程度上降低了审核假阳性率。
在一个可能的示例中，在从多家医疗机构获取多个医疗数据集方面，上述程序包括具体用于执行以下步骤的指令：
接收医疗项目管理平台发送的医疗数据集获取指令；
根据所述医疗数据集获取指令向多家医疗机构的服务器发送多个第一请求信息，每个第一请求信息用于指示一家医疗机构的服务器反馈其存储的预设时段内所有参保人中每个参保人一次就诊的医疗数据集；
接收所述多家医疗机构的服务器针对所述多个第一请求信息发送的多个医疗数据集。
在一个可能的示例中，在将所述多个医疗数据集输入异常检测模型进行处理，输出所述多个医疗数据集对应的多个检测结果方面，上述程序包括具体用于执行以下步骤的指令：
解析所述多个医疗数据集，得到所述多个医疗数据集对应的多个医疗项目集，每个医疗项目集对应一个医疗数据集，所述每个医疗项目集包括至少一个医疗项目；
将所述多个医疗数据集和所述多个医疗项目集输入异常检测模型，所述异常检测模型预设有多个费用预测公式；
根据医疗项目与费用预测公式的对应关系确定所述多个医疗项目集中每个医疗项目集对应的至少一个费用预测公式；
根据每个医疗数据集包括的多个医疗数据和每个医疗项目集对应的至少一个费用预测公式确定所述每个医疗项目集包括的所有医疗项目中每个医疗项目的预测费用，所述每个医疗项目集与所述每个医疗数据集一一对应，所述多个医疗数据包括年龄、性别、就诊类型、疾病名称、疾病情况、治疗时长、愈后情况；
确定所述每个医疗数据集对应的医疗项目集包括的所有医疗项目中每个医疗项目的实际费用；
若医疗数据集对应的医疗项目集中存在至少一个医疗项目的实际费用大于预测费用，则确定所述至少一个医疗项目中每个医疗项目的实际费用与预测费用之间的超额费用，得到所述医疗数据集对应的至少一个超额费用；
若所述至少一个超额费用之和大于等于第一阈值，则确定所述医疗数据集对应的检测结果为参保人存在医疗项目使用异常。
在一个可能的示例中，在将所述多个医疗数据集输入异常检测模型进行处理，输出所述多个医疗数据集对应的多个检测结果方面，上述程序包括具体用于执行以下步骤的指令：
解析所述多个医疗数据集，得到所述多个医疗数据集对应的多个医疗项目集，每个医疗项目集对应一个医疗数据集，所述每个医疗项目集包括至少一个医疗项目；
将所述多个医疗数据集和所述多个医疗项目集输入异常检测模型，所述异常检测模型预设有多个费用预测公式；
根据医疗项目与费用预测公式的对应关系确定所述多个医疗项目集中每个医疗项目集对应的至少一个费用预测公式；
根据每个医疗数据集包括的多个医疗数据和每个医疗项目集对应的至少一个费用预测公式确定所述每个医疗数据集的总预测费用，所述每个医疗项目集与所述每个医疗数据集一一对应，所述多个医疗数据包括年龄、性别、就诊类型、疾病名称、疾病情况、治疗时长、愈后情况；
确定所述每个医疗数据集对应的医疗项目集包括的所有医疗项目中每个医疗项目的实际费用，得到所述每个医疗数据集的总实际费用；
若医疗数据集的总实际费用大于总预测费用，则确定所述医疗数据集的总实际费用与总预测费用之间的费用差值；
若确定所述费用差值大于等于第二阈值，则确定所述医疗数据集对应的检测结果为参保人存在医疗项目使用异常。
在一个可能的示例中，在发送第一提示信息至所述至少一个检测结果中每个检测结果对应的参保人的终端方面，上述程序包括具有用于执行以下步骤的指令：
发送第一提示信息至所述至少一个检测结果中每个检测结果对应的参保人的终端，所述第一提示信息包括所述参保人的至少一个医疗项目和至少一个超额费用，每个超额费用对应一个医疗项目。
在一个可能的示例中，上述程序还包括用于执行以下步骤的指令：
获取所述至少一个检测结果对应的至少一个参保人中每个参保人就诊的医疗机构；
按照医疗机构将所述至少一个参保人进行划分，得到至少一个就诊人群集合，每个就诊人群集合对应一个医疗机构；
确定所述至少一个就诊人群集合中每个就诊人群集合包括的所有参保人的总超额费用，得到所述至少一个就诊人群集合对应的至少一个总超额费用；
若就诊人群集合对应的总超额费用大于等于第三阈值，则确定所述就诊人群集合对应的医疗机构存在医疗项目滥用。
在一个可能的示例中，上述程序还包括用于执行以下步骤的指令：
发送第二提示信息至所述就诊人群集合对应的医疗机构的服务器，所述第二提示信息用于提示医疗机构存在医疗项目滥用。
本申请实施例还提供一种计算机存储介质，该计算机存储介质用于存储电子数据交换的计算机程序，其中，该计算机程序使得计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。
本申请实施例还提供一种计算机程序产品，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请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。
上述集成的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器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实现方式及应用范围上均会有改变之处，综上上述，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种基于人工智能的医疗项目使用异常检测方法，其特征在于，所述方法包括：
从多家医疗机构获取多个医疗数据集，每家医疗机构对应至少一个医疗数据集，每个医疗数据集对应一个参保人；
将所述多个医疗数据集输入异常检测模型进行处理，输出所述多个医疗数据集对应的多个检测结果，每个检测结果对应一个参保人，所述检测结果用于表征参保人是否存在医疗项目使用异常；
若确定所述多个检测结果中存在至少一个检测结果为参保人存在医疗项目使用异常，则发送第一提示信息至所述至少一个检测结果中每个检测结果对应的参保人的终端，所述第一提示信息用于提示参保人存在医疗项目使用异常。
2.根据权利要求1所述的方法，其特征在于，所述从多家医疗机构获取多个医疗数据集，包括：
接收医疗项目管理平台发送的医疗数据集获取指令；
根据所述医疗数据集获取指令向多家医疗机构的服务器发送多个第一请求信息，每个第一请求信息用于指示一家医疗机构的服务器反馈其存储的预设时段内所有参保人中每个参保人一次就诊的医疗数据集；
接收所述多家医疗机构的服务器针对所述多个第一请求信息发送的多个医疗数据集。
3.根据权利要求2所述的方法，其特征在于，所述将所述多个医疗数据集输入异常检测模型进行处理，输出所述多个医疗数据集对应的多个检测结果，包括：
解析所述多个医疗数据集，得到所述多个医疗数据集对应的多个医疗项目集，每个医疗项目集对应一个医疗数据集，所述每个医疗项目集包括至少一个医疗项目；
将所述多个医疗数据集和所述多个医疗项目集输入异常检测模型，所述异常检测模型预设有多个费用预测公式；
根据医疗项目与费用预测公式的对应关系确定所述多个医疗项目集中每个医疗项目集对应的至少一个费用预测公式；
根据每个医疗数据集包括的多个医疗数据和每个医疗项目集对应的至少一个费用预测公式确定所述每个医疗项目集包括的所有医疗项目中每个医疗项目的预测费用，所述每个医疗项目集与所述每个医疗数据集一一对应，所述多个医疗数据包括年龄、性别、就诊类型、疾病名称、疾病情况、治疗时长、愈后情况；
确定所述每个医疗数据集对应的医疗项目集包括的所有医疗项目中每个医疗项目的实际费用；
若医疗数据集对应的医疗项目集中存在至少一个医疗项目的实际费用大于预测费用，则确定所述至少一个医疗项目中每个医疗项目的实际费用与预测费用之间的超额费用，得到所述医疗数据集对应的至少一个超额费用；
若所述至少一个超额费用之和大于等于第一阈值，则确定所述医疗数据集对应的检测结果为参保人存在医疗项目使用异常。
4.根据权利要求2所述的方法，其特征在于，所述将所述多个医疗数据集输入异常检测模型进行处理，输出所述多个医疗数据集对应的多个检测结果，包括:
解析所述多个医疗数据集，得到所述多个医疗数据集对应的多个医疗项目集，每个医疗项目集对应一个医疗数据集，所述每个医疗项目集包括至少一个医疗项目；
将所述多个医疗数据集和所述多个医疗项目集输入异常检测模型，所述异常检测模型预设有多个费用预测公式；
根据医疗项目与费用预测公式的对应关系确定所述多个医疗项目集中每个医疗项目集对应的至少一个费用预测公式；
根据每个医疗数据集包括的多个医疗数据和每个医疗项目集对应的至少一个费用预测公式确定所述每个医疗数据集的总预测费用，所述每个医疗项目集与所述每个医疗数据集一一对应，所述多个医疗数据包括年龄、性别、就诊类型、疾病名称、疾病情况、治疗时长、愈后情况；
确定所述每个医疗数据集对应的医疗项目集包括的所有医疗项目中每个医疗项目的实际费用，得到所述每个医疗数据集的总实际费用；
若医疗数据集的总实际费用大于总预测费用，则确定所述医疗数据集的总实际费用与总预测费用之间的费用差值；
若确定所述费用差值大于等于第二阈值，则确定所述医疗数据集对应的检测结果为参保人存在医疗项目使用异常。
5.根据权利要求3所述的方法，其特征在于，所述发送第一提示信息至所述至少一个检测结果中每个检测结果对应的参保人的终端，包括：
发送第一提示信息至所述至少一个检测结果中每个检测结果对应的参保人的终端，所述第一提示信息包括所述参保人的至少一个医疗项目和至少一个超额费用，每个超额费用对应一个医疗项目。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
获取所述至少一个检测结果对应的至少一个参保人中每个参保人就诊的医疗机构；
按照医疗机构将所述至少一个参保人进行划分，得到至少一个就诊人群集合，每个就诊人群集合对应一个医疗机构；
确定所述至少一个就诊人群集合中每个就诊人群集合包括的所有参保人的总超额费用，得到所述至少一个就诊人群集合对应的至少一个总超额费用；
若就诊人群集合对应的总超额费用大于等于第三阈值，则确定所述就诊人群集合对应的医疗机构存在医疗项目滥用。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
发送第二提示信息至所述就诊人群集合对应的医疗机构的服务器，所述第二提示信息用于提示医疗机构存在医疗项目滥用。
8.一种基于人工智能的医疗项目使用异常检测装置，其特征在于，包括：
获取单元，用于从多家医疗机构获取多个医疗数据集，每家医疗机构对应至少一个医疗数据集，每个医疗数据集对应一个参保人；
确定单元，用于将所述多个医疗数据集输入异常检测模型进行处理，输出所述多个医疗数据集对应的多个检测结果，每个检测结果对应一个参保人，所述检测结果用于表征参保人是否存在医疗项目使用异常；
发送单元，用于若确定所述多个检测结果中存在至少一个检测结果为参保人存在医疗项目使用异常，则发送第一提示信息至所述至少一个检测结果中每个检测结果对应的参保人的终端，所述第一提示信息用于提示参保人存在医疗项目使用异常。
9.一种服务器，其特征在于，包括处理器、存储器、通信接口以及一个或多个程序，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述程序包括用于执行如权利要求1-7任一项所述的方法中的步骤的指令。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储电子数据交换的计算机程序，其中，所述计算机程序使得计算机执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811274796.4A CN109243592B (zh) | 2018-10-30 | 2018-10-30 | 基于人工智能的医疗项目使用异常检测方法及相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811274796.4A CN109243592B (zh) | 2018-10-30 | 2018-10-30 | 基于人工智能的医疗项目使用异常检测方法及相关装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109243592A true CN109243592A (zh) | 2019-01-18 |
| CN109243592B CN109243592B (zh) | 2024-06-25 |
Family
ID=65079302
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811274796.4A Active CN109243592B (zh) | 2018-10-30 | 2018-10-30 | 基于人工智能的医疗项目使用异常检测方法及相关装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109243592B (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 |
| CN110727711A (zh) * | 2019-10-14 | 2020-01-24 | 平安医疗健康管理股份有限公司 | 基金数据库中异常数据检测方法、装置和计算机设备 |
| CN111090685A (zh) * | 2019-12-19 | 2020-05-01 | 第四范式（北京）技术有限公司 | 一种数据异常特征的检测方法及装置 |
| CN111242793A (zh) * | 2020-01-16 | 2020-06-05 | 上海金仕达卫宁软件科技有限公司 | 医保数据异常的检测方法和装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5018067A (en) * | 1987-01-12 | 1991-05-21 | Iameter Incorporated | Apparatus and method for improved estimation of health resource consumption through use of diagnostic and/or procedure grouping and severity of illness indicators |
| CN106327395A (zh) * | 2016-08-31 | 2017-01-11 | 杭州逸曜信息技术有限公司 | 医疗费用信息的处理方法 |
| CN107945842A (zh) * | 2017-12-11 | 2018-04-20 | 东软集团股份有限公司 | 一种异地就医的监控方法和装置 |
| CN108154917A (zh) * | 2017-12-27 | 2018-06-12 | 广州水木星尘信息科技有限公司 | 医疗行业违规收费的分析方法及系统 |
| CN108388575A (zh) * | 2018-01-12 | 2018-08-10 | 中国平安人寿保险股份有限公司 | 一种保险理赔费用的评估方法、装置、终端设备及存储介质 |
| 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 |
-
2018
- 2018-10-30 CN CN201811274796.4A patent/CN109243592B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5018067A (en) * | 1987-01-12 | 1991-05-21 | Iameter Incorporated | Apparatus and method for improved estimation of health resource consumption through use of diagnostic and/or procedure grouping and severity of illness indicators |
| CN106327395A (zh) * | 2016-08-31 | 2017-01-11 | 杭州逸曜信息技术有限公司 | 医疗费用信息的处理方法 |
| CN107945842A (zh) * | 2017-12-11 | 2018-04-20 | 东软集团股份有限公司 | 一种异地就医的监控方法和装置 |
| CN108154917A (zh) * | 2017-12-27 | 2018-06-12 | 广州水木星尘信息科技有限公司 | 医疗行业违规收费的分析方法及系统 |
| CN108388575A (zh) * | 2018-01-12 | 2018-08-10 | 中国平安人寿保险股份有限公司 | 一种保险理赔费用的评估方法、装置、终端设备及存储介质 |
| 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 |
|---|
| 葛晓丹;: "医保按病种分值付费对医院管理的影响及对策", 管理观察, no. 18 * |
| 葛晓丹;: "医保按病种分值付费对医院管理的影响及对策", 管理观察, no. 18, 30 June 2018 (2018-06-30) * |
Cited By (7)
| 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 |
| CN110727711A (zh) * | 2019-10-14 | 2020-01-24 | 平安医疗健康管理股份有限公司 | 基金数据库中异常数据检测方法、装置和计算机设备 |
| CN110727711B (zh) * | 2019-10-14 | 2023-10-27 | 深圳平安医疗健康科技服务有限公司 | 基金数据库中异常数据检测方法、装置和计算机设备 |
| CN111090685A (zh) * | 2019-12-19 | 2020-05-01 | 第四范式（北京）技术有限公司 | 一种数据异常特征的检测方法及装置 |
| CN111090685B (zh) * | 2019-12-19 | 2023-08-22 | 第四范式（北京）技术有限公司 | 一种数据异常特征的检测方法及装置 |
| CN111242793A (zh) * | 2020-01-16 | 2020-06-05 | 上海金仕达卫宁软件科技有限公司 | 医保数据异常的检测方法和装置 |
| CN111242793B (zh) * | 2020-01-16 | 2024-02-06 | 上海金仕达卫宁软件科技有限公司 | 医保数据异常的检测方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109243592B (zh) | 2024-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109243592A (zh) | 基于人工智能的医疗项目使用异常检测方法及相关装置 | |
| US9858394B2 (en) | Systems and methods for managing regimen adherence | |
| US10311975B2 (en) | Rules-based system for care management | |
| CN109544373A (zh) | 基于人工智能的医保违规行为检测方法及相关装置 | |
| CN110096437A (zh) | 微服务架构的测试方法及相关产品 | |
| CN109492803A (zh) | 基于人工智能的慢性病住院费用异常检测方法及相关装置 | |
| Regan et al. | Emergency department-initiated buprenorphine and referral to follow-up addiction care: a program description | |
| CN109727651A (zh) | 癫痫病例数据库管理方法及终端设备 | |
| CN110362829A (zh) | 结构化病历数据的质量评估方法、装置及设备 | |
| Bell et al. | Is there an optimal length of psychological treatment for eating disorder pathology? | |
| CA3027949A1 (en) | Systems and methods for predicting healthcare outcomes based on semantic relationships | |
| EP2656256A1 (en) | Learning and optimizing care protocols. | |
| US20130282396A1 (en) | System and method for deploying multiple clinical decision support models | |
| CN111798990A (zh) | 疫情新增人数预测方法、装置、电子设备和可读存储介质 | |
| CN109377059A (zh) | 一种基于风险管控的数据处理方法及设备 | |
| CN110070925A (zh) | 一种电子病历的生成方法、装置及电子设备 | |
| CN109242067A (zh) | 一种医用纱布监控方法及装置 | |
| CN108347531A (zh) | 求助方法、求助装置、电子设备及计算机可读存储介质 | |
| CN110265127A (zh) | 病种费用测算方法、装置及终端设备 | |
| CN111383123A (zh) | 临床医疗开销的统计方法、装置、存储介质及电子设备 | |
| Nishtala et al. | Selective intervention planning using restless multi-armed bandits to improve maternal and child health outcomes | |
| CN109117658A (zh) | 库存的权限管理方法及相关产品 | |
| CN117373642A (zh) | 服务于医疗数据交换、分析和应用的数据系统和方法 | |
| CN107291514A (zh) | 一种卸载应用程序的方法及其装置、终端设备 | |
| CN109558398B (zh) | 基于大数据的数据清洗方法及相关装置 |
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 | ||
| GR01 | Patent grant |