CN109255013A - 理赔决策方法、装置、计算机设备和存储介质 - Google Patents
理赔决策方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109255013A CN109255013A CN201810925295.1A CN201810925295A CN109255013A CN 109255013 A CN109255013 A CN 109255013A CN 201810925295 A CN201810925295 A CN 201810925295A CN 109255013 A CN109255013 A CN 109255013A
- Authority
- CN
- China
- Prior art keywords
- decision
- word
- resolution
- keyword
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000003066 decision tree Methods 0.000 claims abstract description 66
- 239000000284 extract Substances 0.000 claims abstract description 8
- 201000010099 disease Diseases 0.000 claims description 72
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 72
- 238000012549 training Methods 0.000 claims description 67
- 230000011218 segmentation Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 19
- 238000001914 filtration Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 7
- 239000012141 concentrate Substances 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 238000003745 diagnosis Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 235000013399 edible fruits Nutrition 0.000 description 6
- 239000003814 drug Substances 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 241001269238 Data Species 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 230000006378 damage Effects 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 208000014674 injury Diseases 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 206010008030 Cerebellar haemorrhage Diseases 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 229940068517 fruit extracts Drugs 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 230000008733 trauma Effects 0.000 description 2
- 208000034656 Contusions Diseases 0.000 description 1
- 208000032843 Hemorrhage Diseases 0.000 description 1
- 206010023204 Joint dislocation Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 208000034526 bruise Diseases 0.000 description 1
- 210000001638 cerebellum Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 229940124597 therapeutic agent Drugs 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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
Abstract
本申请涉及人工智能领域中的机器学习技术，提供了一种理赔决策方法、装置、计算机设备和存储介质。方法包括：接收理赔员终端发送的理赔决策请求，理赔决策请求中携带待理赔患者的身份标识；根据身份标识查找对应的当前诊断文本及诊断结果，提取当前诊断文本的多个关键词；从预先建立的标准词汇库中查找与关键词对应的目标标准词，得到目标标准词集合；获取诊断结果对应的已训练的决策树模型作为目标决策树模型，根据目标标准词集合及目标决策树模型得到待理赔患者对应的治疗类型；根据治疗类型查询对应的预设理赔数据，根据预设理赔数据得到目标决策数据，将目标决策数据发送至理赔员终端。采用本方法能够节省理赔成本同时减少错赔漏赔现象发生。
Description
技术领域
本申请涉及商业保险理赔技术领域，特别是涉及一种理赔决策方法、装置、计算机设备和存储介质。
背景技术
随着商业保险业务信息化程度的不断提高，提高保险理赔业务专业性及赔付精准性的需求越来越迫切。
传统技术中，商业保险理赔，如车祸时的人伤理赔，往往需要大量有医学专业背景或非医学专业人员经过一定程度专业培训后，到达车祸现场进行实地查勘、核保核赔等工作。然而这种方式由于对理赔人员的医学素养要求高，商保公司需要花费大量的人力物力进行前期的相关培训，导致商报理赔的成本高；另一方面，由人工进行理赔的判断，局限于经验和专业知识，容易对客户的伤情进行误判，导致出现错赔漏赔的现象。
发明内容
基于此，有必要针对上述技术问题，提供一种能够节省理赔成本同时减少错赔漏赔现象发生的理赔决策方法、装置、计算机设备和存储介质。
一种理赔决策方法，所述方法包括：
接收理赔员终端发送的理赔决策请求，所述理赔决策请求中携带待理赔患者的身份标识；
根据所述身份标识查找对应的当前诊断文本及诊断结果，提取所述当前诊断文本的多个关键词；
从预先建立的标准词汇库中查找与所述关键词对应的目标标准词，得到目标标准词集合；
获取所述诊断结果对应的已训练的决策树模型作为目标决策树模型，根据所述目标标准词集合及所述目标决策树模型得到所述待理赔患者对应的治疗类型；
根据所述治疗类型查询对应的预设理赔数据，根据所述预设理赔数据得到目标决策数据，将所述目标决策数据发送至所述理赔员终端。
在其中一个实施例中，所述提取所述当前诊断文本的多个关键词，包括：
将所述当前诊断文本进行分词，并对分词结果进行过滤；
根据过滤后得到的词建立候选关键词图，并获取所述候选关键词图中词节点的预设初始权重；
循环迭代所述候选关键词图，直至达到预设条件时，得到所述词节点的目标权重；
根据所述目标权重对所述词节点进行排序，根据排序结果获取第一预设数量的词节点作为关键词。
在其中一个实施例中，所述从预先建立的标准词汇库中查找与所述关键词对应的目标标准词，得到目标标准词集合，包括：
从预先建立的标准词汇库中查找所述诊断结果对应的标准词汇集合；
分别计算每一个关键词与所述标准词汇集合中的各个标准词汇的相似度；
当相似度最大值大于预设阈值时，获取相似度最大值对应的标准词汇作为所述关键词对应的目标标准词。
在其中一个实施例中，所述获取所述诊断结果对应的已训练的决策树模型作为目标决策树模型，包括：
将所述诊断结果分别与各个已训练的决策树模型对应的疾病类型进行匹配；
当所述诊断结果与任意一个疾病类型匹配成功时，获取所述疾病类型对应的已训练的决策树模型作为目标决策树模型；
当所述诊断结果与所有疾病类型都不匹配时，对所述诊断结果进行分词处理，从分词结果中提取关键词，获取与所述关键词匹配度最高的疾病类型对应的已训练的决策树模型作为目标决策树模型。
在其中一个实施例中，所述根据所述预设理赔数据得到目标决策数据，包括：
当所述预设理赔数据的数量为第二预设数量时，获取每一条预设理赔数据对应的标签信息；
获取所述用户标识对应的个人信息；
根据所述标签信息及所述个人信息得到目标决策数据。
在其中一个实施例中，所述决策树模型的生成步骤包括：
获取训练样本集，所述训练样本集包括历史诊断文本对应的目标标准词集合；
按照训练样本集中每一个所述目标标准词对训练样本集进行划分，得到每一个目标标准词对应的划分结果；
分别计算每一个划分结果的信息增益熵，并选择信息增益熵最大的划分结果对应的目标标准词作为分割点，按照分割点将训练样本集划分为两个训练样本子集；
对两个训练样本子集重新计算各个目标标准词对应的信息增益熵，并按照信息增益熵最大的原则重新划分训练样本子集，当训练样本子集中所有的样本数据都属于相同的类时，得到已训练的决策树模型。
一种理赔决策装置，所述装置包括：
理赔决策请求接收模块，用于接收理赔员终端发送的理赔决策请求，所述理赔决策请求中携带待理赔患者的身份标识；
关键词集合获取模块，用于根据所述身份标识查找对应的当前诊断文本及诊断结果，提取所述当前诊断文本的多个关键词；
目标标准词集合获取模块，用于从预先建立的标准词汇库中查找与所述关键词对应的目标标准词，得到目标标准词集合；
治疗类型获取模块，用于获取所述诊断结果对应的已训练的决策树模型作为目标决策树模型，根据所述目标标准词集合及所述目标决策树模型得到所述待理赔患者对应的治疗类型；
目标决策数据发送模块，用于根据所述治疗类型查询对应的预设理赔数据，根据所述预设理赔数据得到目标决策数据，将所述目标决策数据发送至所述理赔员终端。
在其中一个实施例中，所述关键词集合获取模块用于将所述当前诊断文本进行分词，并对分词结果进行过滤；根据过滤后得到的词建立候选关键词图，并获取所述候选关键词图中词节点的预设初始权重；循环迭代所述候选关键词图，直至达到预设条件时，得到所述词节点的目标权重；根据所述目标权重对所述词节点进行排序，根据排序结果获取第一预设数量的词节点作为关键词。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述理赔决策方法所述的步骤。
一种计算机可读存储介质，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上述理赔决策方法所述的步骤。
上述理赔决策方法、装置、计算机设备和存储介质，通过接收理赔员终端发送的理赔决策请求，根据理赔决策请求携带的待理赔患者的身份标识查找对应的当前诊断文本及对应的疾病名称诊断结果，从当前诊断文本中提取多个关键词，然后将各个关键词标准化，将标准化后的关键词输入训练好的决策树模型中得到待理赔患者的治疗类型，然后根据治疗类型及诊断结果查询预设理赔数据，根据所述预设理赔数据得到目标决策数据，将所述目标决策数据发送至所述理赔员终端，本申请中，由服务器获取待理赔患者的身份标识后自动进行理赔决策，并向理赔员终端发送理赔决策请求，因此，进行理赔的理赔员不需要具备专业的医学知识即可对患者进行理赔决策，节省了大量人力物力成本，且由于服务器理赔决策时采用了机器学习训练得到的决策树模型，可以准确对患者的治疗类型进行预测，然后根据治疗类型选择预先设定好的理赔数据，相对于传统技术中，由理赔员进行人工理赔决策判断，准确性更高，可显著减少错赔漏赔的现象发生。
附图说明
图1为一个实施例中理赔决策方法的应用场景图；
图2为一个实施例中理赔决策方法的流程示意图；
图3为一个实施例中获取关键词集合的步骤流程示意图；
图4为另一个实施例中获取目标标准词集合的步骤流程示意图；
图5为一个实施例中理赔决策装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的理赔决策方法，可以应用于如图1所示的应用环境中。其中，理赔员终端102通过网络与服务器104进行通信。当需要进行理赔决策时，理赔员可通过理赔员终端102向服务器104发送理赔决策请求，服务器接收理赔决策请求后，根据其中的身份标识查找当前诊断文本及诊断结果，并对当前诊断文本提取关键词，接着从预先建立的标准词汇库中查找与关键词对应的目标标准词，得到目标标准词集合，进一步获取目标决策树模型，通过该目标决策树模型得到待理赔患者对应的治疗类型，最后查询与该治疗类型对应的预设理赔数据，根据预设理赔数据得到目标决策数据，将目标决策数据发送至理赔员终端。
其中，理赔员终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种理赔决策方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤S202，接收理赔员终端发送的理赔决策请求，理赔决策请求中携带待理赔患者的身份标识。
具体地，当需要进行理赔决策时，理赔员可在理赔员终端输入待理赔患者的身份标识，身份标识用于唯一标识待理赔患者的身份，为待理赔患者购买保险产品时预留的信息，可以是待理赔患者的姓名、身份证号码、电话号码、社保账号等等。进一步，当理赔员终端接收到理赔员作用于其显示界面的触发理赔决策的相关操作，如点击“确认提交”按钮时，生成理赔决策请求，并在理赔决策请求中携带待理赔患者的身份标识及理赔员终端对应的理赔员用户标识，然后将理赔决策请求通过网络发送至服务器。
进一步，服务器接收理赔员终端发送的理赔决策请求。
步骤S204，根据身份标识查找对应的当前诊断文本及诊断结果，提取当前诊断文本的多个关键词。
其中，当前诊断文本为本次理赔针对的病情所对应的诊断文本，诊断文本为医生通过诊断或相关检查给出的诊断报告，例如CT(Computed Tomography，电子计算机断层扫描)诊断报告、B超诊断报告，诊断结果指的是医生给出的病情诊断结论，可以是具体地疾病名称，例如“胫骨平台骨折”、“开放性小脑出血”，或者是描述疾病的一句话，或者是与疾病相对应的关键词等等，具体是哪一种，本申请在此不做限制。
服务器上事先存储有各个待理赔患者对应的当前诊断文本、诊断结果，诊断文本、诊断结果与患者对应的身份标识一一对应存储。在一个实施例中，服务器104可对各大医院开放接口，对于需要进行保险理赔的患者，医生可通过其对应的医生终端将患者的诊断报告、诊断结果及患者对应的身份标识上传至服务器104。
进一步，服务器接收到理赔决策请求后，解析该理赔决策请求，得到待理赔患者对应的身份标识，然后根据该身份标识查找对应的当前诊断文本及诊断结果，然后对当前诊断文本提取关键词，提取的所有关键词组成关键词集合。
步骤S206，从预先建立的标准词汇库中查找与关键词对应的目标标准词，得到目标标准词集合。
具体地，由于各个医生的用语习惯差别，对于同一个词，不同的医生有不同的描述，如对于“骨折”，可以描述为“骨裂”、“骨挫伤”，对于“脱位”，可以描述为“移位”，为了提高对患者治疗类型进行预测时的准确性，可事先设定一个标准词汇库，然后将关键词集合中的关键词进行标准化，即用标准词汇库中与该关键词对应的标准词来作为该关键词的目标标准词，以用于后续的治疗类型预测。
其中，标准词汇库为事先建立的一个词汇库，该词汇中包括每一种疾病对应的标准词，其中，标准词指的是事先约定的对于某一个词的标准用语，可人为地进行选择与更改。在一个实施例中，可以将标准编码库，如ICD-10中的用词作为标准词。
在一个实施例中，标准词汇库可按照以下方法建立：从预先确定的数据源获取每一种疾病对应的医疗共现词，将获取的医疗共现词中的同义词进行合并，将后并后的医疗共现词与疾病名称建立映射关系。其中，确定的数据源可以是历史患者对应的历史诊断报告，各种疾病编码库，各种疾病的权威解释，包括其对应的简介、症状、并发症、治疗药品、常见检查等专业信息，也可以是各种药品对应的医疗信息，如药品主治的疾病类型等信息，还可以是通过网络爬虫等工具实时或者定时从互联网上的开源医疗数据源(例如，各大论坛上关于不同疾病的问答、讨论等，或各种最新的医疗案例、医疗问答文本等)获取的特定类型的信息(例如，不同疾病对应的治疗方案、治疗药物、所属科室、临床表现等)；合并指的是在具有相同含义的词中选择其中一个词作为代表，并删除其他同义词。
步骤S208，获取诊断结果对应的已训练的决策树模型作为目标决策树模型，根据目标标准词集合及目标决策树模型得到待理赔患者对应的治疗类型。
具体地，决策树模型通过机器学习算法并根据历史数据进行训练学习来得到，用于根据患者对应的目标标准词汇集合确定患者的病情所属的治疗类型。在一个实施例中，治疗类型可分为住院治疗与保守治疗。
在一个实施例中，为确保分类的准确性，可分别对每一种疾病训练一个决策树模型，也可以对多种疾病训练一个决策树模型，如对同属于一个部位的疾病训练一个决策树模型，训练好决策树模型后，将决策树模型与其对应的疾病类型建立关联关系。
获取诊断结果对应的已训练的决策树模型作为目标决策树模型时，可首先将诊断结果与疾病类型进行匹配，当匹配成功时，获取匹配成功的疾病类型对应的决策树模型作为目标决策树模型；当匹配不成功，可首先对诊断结果进行分词，然后从分词结果中提取关键词，根据疾病类型与关键词的匹配结果来选取目标决策树模型。进一步，将目标标准词集合中各个目标标准词输入到目标决策树模型中，输出对应的治疗类型。
步骤S210，根据治疗类型查询对应的预设理赔数据，根据预设理赔数据得到目标决策数据，将目标决策数据发送至理赔员终端。
其中，预设理赔数据包括但不限于治疗时长、理赔金额，预设理赔数据由人工进行事先设定。
在一个实施例中，预设理赔数据与疾病类型、治疗类型存在映射关系，即每一条预设理赔数据对应一个治疗类型以及一个疾病类型。在获取到治疗类型后，可首先查询该治疗类型对应的疾病类型，若该治疗类型对应的疾病类型只有一种，则可根据该治疗类型查询对应的预设理赔数据；由于不同的疾病有可能存在相同的治疗类型，因此根据治疗类型查询对应的疾病类型时，有可能查询到多种疾病类型，此时，还可根据目标决策树模型对应的疾病类型来进一步筛选查询预设理赔数据。
在本实施例中，预设理赔数据可设置一个或多条。当预设理赔数据只有一个时，服务器在执行理赔决策时，直接将该预设理赔数据作为目标决策数据，然后发送至理赔员终端；当预设理赔数据有多个时，服务器可根据预设选择规则选择其中一条预设理赔数据作为目标理赔数据，然后将目标理赔数据发送至理赔员终端。
上述理赔决策方法中，服务器通过接收理赔员终端发送的理赔决策请求，根据理赔决策请求携带的待理赔患者的身份标识查找对应的当前诊断文本及对应的疾病名称诊断结果，并从当前诊断文本中提取多个关键词，然后将各个关键词标准化，将标准化后的关键词输入训练好的决策树模型中得到待理赔患者的治疗类型，然后根据治疗类型及诊断结果查询预设理赔数据，根据预设理赔数据得到目标决策数据，将目标决策数据发送至理赔员终端，本申请中，由服务器获取待理赔患者的身份标识后自动进行理赔决策，并向理赔员终端发送理赔决策请求，因此，进行理赔的理赔员不需要具备专业的医学知识即可对患者进行理赔决策，节省了大量人力物力成本，且由于服务器理赔决策时采用了机器学习训练得到的决策树模型，可以准确对患者的治疗类型进行预测，然后根据治疗类型选择预先设定好的理赔数据，相对于传统技术中，由理赔员进行人工理赔决策判断，准确性更高，可显著减少错赔漏赔的现象发生。
在一个实施例中，如图3所示，提取所述当前诊断文本的多个关键词，包括：
步骤S302，将当前诊断文本进行分词，并对分词结果进行过滤。
具体地，对当前诊断文本进行分词处理，得到分词结果，然后对分词结果进行过滤，即过滤掉停用词，保留指定词性的词，并形成词的集合。其中，分词结果指的分词后得到的一个一个的词语组成的词语序列，例如，“开放性小脑出血”分词后得到的分词结果可以为：开放性/小脑/出血；停用词是指与其它词相比，无实际含义的词。可以包括英文字符、数字、数学字符、标点符号及使用频率特高的单汉字等。
S304，根据过滤后得到的词建立候选关键词图，并获取候选关键词图中词节点的预设初始权重。
其中，候选关键词图是一个由词组成的有向有权图。有向是指按照文本的顺序构建候选关键词图，有权是指词与词之间的相关程度。
具体地，将过滤后得到的每个词作为候选关键词图的节点，按照预设的窗口大小使用共现关系形成词与词之间的边，得到候选关键词图。获取候选关键词图中词节点的预设初始权重。其中，词节点的预设初始权重可以是1.0f。
S306，循环迭代候选关键词图，直至达到预设条件时，得到词节点的目标权重。
具体地，在候选关键词图中使用迭代传播各节点的权重，直至收敛或者达到预设迭代次数时，得到词节点的目标权重。其中，公式中V表示词节点，WS表示词节点权重。W表示边权重，根据边组成的词节点的相似度得到，d为阻尼系数,取值范围为0到1,代表从图中某一特定点指向其他任意点的概率,一般取值为0.85，In表示指向该词节点的点集合，Out表示该词节点指向的词节点的点集合。
S308，根据目标权重对词节点进行排序，根据排序结果获取第一预设数量的词节点作为关键词。
具体地，可根据目标权重对词节点进行排序，然后按照目标权重从大到小选取依次选择第一预设数量的词节点，将选取的词节点作为关键词。其中，第一预设数量可根据需要进行事先设定。
上述实施例中，通过对诊断文本进行分词，并对分词结果进行过滤，根据过滤后得到的词建立候选关键词图，并获取候选关键词图中词节点的预设初始权重，循环迭代候选关键词图，直至达到预设条件时，得到词节点权重，对词节点权重倒序排序，根据排序结果获取预设数的词作为关键词，使得能够更加方便的获取到关键词，提高了理赔决策的效率。
在一个实施例中，如图4所示，从预先建立的标准词汇库中查找与关键词对应的目标标准词，得到目标标准词集合，包括：
步骤S402，从预先建立的标准词汇库中查找诊断结果对应的标准词汇集合。
具体地，预先建立的标准词汇库中，疾病类型与其对应的标准词汇存在映射关系，因此，从预先建立的标准词汇库中查找诊断结果对应的标准词汇集合时，首先将诊断结果与标准词汇库中的各个疾病类型进行匹配，获取匹配度最高的疾病类型作为目标疾病类型，然后该目标疾病类型查找与其具有映射关系的标准词汇，所有查找到的目标标准词汇组成标准词汇集合。
步骤S404，分别计算每一个关键词与标准词汇集合中的各个标准词汇的相似度。
步骤S406，当相似度最大值大于预设阈值时，获取相似度最大值对应的标准词汇作为关键词对应的目标标准词。
具体地，计算关键词与标准词之间的相似度，可首先将关键词、标准词转化成向量的表示形式，如采用word2vec模型将关键词、标准词转换成词向量，其中，Word2Vec的基本思想是把自然语言中的每一个词，表示成一个统一意义统一维度的词向量。然后根据词向量来计算关键词、标准词之间的相似度。在一个实施例中，可通过计算关键词对应的词向量与标准词对应的词向量之间的向量距离来得到关键词、标准词之间的相似度；在另一个实施例中，可通过计算关键词对应的词向量与标准词对应的词向量之间的夹角余弦值来得到关键词、标准词之间的相似度。
进一步，在一个实施例中，可根据相似度大小对各个关键词进行降序排列，选取相似度最大值，然后判断该相似度最大值是否大于预设阈值，若是，则获取该相似度最大值对应的标准词汇作为该关键词对应的目标标准词，预设阈值由人工进行事项设定，保证当相似度大于预设阈值时，两个词的含义基本相同；若否，则将该关键词添加入诊断结果对应的标准词汇集合中，然后将该关键词直接作为目标标准词。
在本实施例中，通过将所有的关键词进行标准化，可提高决策树模型进行治疗类型预测是的准确性。
在一个实施例中，获取诊断结果对应的已训练的决策树模型作为目标决策树模型，包括：将诊断结果分别与各个已训练的决策树模型对应的疾病类型进行匹配；当诊断结果与任意一个疾病类型匹配成功时，获取该疾病类型对应的已训练的决策树模型作为目标决策树模型；当诊断结果与所有疾病类型都不匹配时，对诊断结果进行分词处理，从分词结果中提取关键词，获取与关键词匹配度最高的疾病类型对应的已训练的决策树模型作为目标决策树模型。
具体地，由于各个医生的用语习惯的差异，对于同样的疾病，医生在问诊时给出的诊断结果可能与决策树模型对应的疾病类型并不相同，如对于某个疾病类型“右侧髋关节半脱位”，有些医生可能会根据自身的语言表达习惯及患者的实际病情描述的诊断结果为“右侧髋部外伤后疼痛伴关节不全脱位”，此时，可能会出现匹配不到疾病类型的情况，这个时候可以对诊断结果进行分词处理，对分词得到的词语进行词性标注，标注出病损、解剖部位、程度词、方位词等，并对各类词设置对应的权重，然后从分词得到的词语中提取预设类型的词语作为诊断结果对应的关键词，其中，预设类型的词可设定为病损、解剖部位，如对于上述诊断结果“右侧髋部外伤后疼痛伴关节不全脱位”，得到的关键词为“髋部”、“脱位”。
进一步，计算每一个疾病类型与关键词的匹配度，其中，匹配度为每一个关键词的匹配度与其对应的权重的乘积的累加值，在本实施例中，若某个疾病类型中包含某个关键词，则与该关键词的匹配度为100％，否则为0。举个例子，有2个关键词，关键词1对应的权重为0.6，关键词2对应的权重为0.4，疾病类型A与关键词1的匹配度为100％，与关键词2的匹配度为0，则最终的匹配度为0.6。
在一个实施例中，根据预设理赔数据得到目标决策数据，包括：当预设理赔数据的数量为第二预设数量时，获取每一条预设理赔数据对应的标签信息，获取用户标识对应的个人信息，根据标签信息及个人信息得到目标决策数据。
其中，第二预设数量指的是大于或等于2的数量。预设理赔数据对应的标签信息指的是包括性别、年龄区段及城市，如，某个预设理赔数据的标签信息为“女”、“30-50”、“北京”、“上海”、“广州”；用户标识对应的个人信息包括待理赔患者的性别、年龄及所在的城市。
在本实施例中，将患者的个人信息与理赔数据的标签信息进行匹配，当个人信息与标签信息匹配成功时，将该标签信息对应的预设理赔数据作为目标决策数据。如,预设理赔数据A的标签信息为“女”、“30-50”、“北京”、“上海”、“广州”，,预设理赔数据B的标签信息为“男”、“30-50”、“北京”、“上海”、“广州”；某个待理赔患者的个人信息包括：性别：女，年龄：38，地址：上海，则与该待理赔患者相匹配为预设理赔数据A。
在一个实施例中，决策树模型的生成步骤包括：获取训练样本集，训练样本集包括历史诊断文本对应的目标标准词集合；按照训练样本集中每一个目标标准词对训练样本集进行划分，得到每一个目标标准词对应的划分结果；分别计算每一个划分结果的信息增益熵，并选择信息增益熵最大的划分结果对应的目标标准词作为分割点，按照分割点将训练样本集划分为两个训练样本子集；对两个训练样本子集重新计算各个目标标准词对应的信息增益熵，并按照信息增益熵最大的原则重新划分训练样本子集，当训练样本子集中所有的样本数据都属于相同的类时，得到已训练的决策树模型。
其中，历史诊断文本指的是治疗类型已经确定的诊断文本。在本实施例中，首先遍历训练样本集中每一个训练样本，将训练样本集中的每一个目标标准词作为一种划分方式，然后计算每种划分方式的信息增益熵，选择信息增益熵最大的划分结果对应的目标标准词作为分割点，例如，当按照目标标准词A进行划分时，信息增益熵最大，则将训练样本集划分为两个训练样本子集，包括目标标准词A的子集N1以及不包括目标标准词A的子集N2，然后对N1和N2继续按照信息增益熵最大的原则重新划分训练样本子集，当训练样本子集中所有的样本数据都属于相同的类时，即所有样本对应的治疗方式相同，最终得到已训练的决策树模型。
应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种理赔决策装置500，包括：
理赔决策请求接收模块502，用于接收理赔员终端发送的理赔决策请求，理赔决策请求中携带待理赔患者的身份标识；
关键词集合获取模块504，用于根据身份标识查找对应的当前诊断文本及诊断结果，提取当前诊断文本的多个关键词；
目标标准词集合获取模块506，用于从预先建立的标准词汇库中查找与关键词对应的目标标准词，得到目标标准词集合；
治疗类型获取模块508，用于获取诊断结果对应的已训练的决策树模型作为目标决策树模型，根据目标标准词集合及目标决策树模型得到待理赔患者对应的治疗类型；
目标决策数据发送模块510，用于根据治疗类型查询对应的预设理赔数据，根据预设理赔数据得到目标决策数据，将目标决策数据发送至理赔员终端。
在一个实施例中，关键词集合获取模块504用于将当前诊断文本进行分词，并对分词结果进行过滤；根据过滤后得到的词建立候选关键词图，并获取候选关键词图中词节点的预设初始权重；循环迭代候选关键词图，直至达到预设条件时，得到词节点的目标权重；根据目标权重对词节点进行排序，根据排序结果获取第一预设数量的词节点作为关键词。
在一个实施例中，目标标准词集合获取模块506还用于从预先建立的标准词汇库中查找诊断结果对应的标准词汇集合；分别计算每一个关键词与标准词汇集合中的各个标准词汇的相似度；当相似度最大值大于预设阈值时，获取相似度最大值对应的标准词汇作为关键词对应的目标标准词。
在一个实施例中，治疗类型获取模块508用于将诊断结果分别与各个已训练的决策树模型对应的疾病类型进行匹配；当诊断结果与任意一个疾病类型匹配成功时，获取疾病类型对应的已训练的决策树模型作为目标决策树模型；当诊断结果与所有疾病类型都不匹配时，对诊断结果进行分词处理，从分词结果中提取关键词，获取与关键词匹配度最高的疾病类型对应的已训练的决策树模型作为目标决策树模型。
在一个实施例中，目标决策数据发送模块510还用于当预设理赔数据的数量为第二预设数量时，获取每一条预设理赔数据对应的标签信息；获取用户标识对应的个人信息；根据标签信息及个人信息得到目标决策数据。
在一个实施例中，上述装置还包括：决策树模型生成模块，用于获取训练样本集，训练样本集包括历史诊断文本对应的目标标准词集合；按照训练样本集中每一个目标标准词对训练样本集进行划分，得到每一个目标标准词对应的划分结果；分别计算每一个划分结果的信息增益熵，并选择信息增益熵最大的划分结果对应的目标标准词作为分割点，按照分割点将训练样本集划分为两个训练样本子集；对两个训练样本子集重新计算各个目标标准词对应的信息增益熵，并按照信息增益熵最大的原则重新划分训练样本子集，当训练样本子集中所有的样本数据都属于相同的类时，得到已训练的决策树模型。
关于理赔决策装置的具体限定可以参见上文中对于理赔决策方法的限定，在此不再赘述。上述理赔决策装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储预设理赔数据、标准词汇等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种理赔决策方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：接收理赔员终端发送的理赔决策请求，理赔决策请求中携带待理赔患者的身份标识；根据身份标识查找对应的当前诊断文本及诊断结果，提取当前诊断文本的多个关键词；从预先建立的标准词汇库中查找与关键词对应的目标标准词，得到目标标准词集合；获取诊断结果对应的已训练的决策树模型作为目标决策树模型，根据目标标准词集合及目标决策树模型得到待理赔患者对应的治疗类型；根据治疗类型查询对应的预设理赔数据，根据预设理赔数据得到目标决策数据，将目标决策数据发送至理赔员终端。
在一个实施例中，提取当前诊断文本的多个关键词，包括：将当前诊断文本进行分词，并对分词结果进行过滤；根据过滤后得到的词建立候选关键词图，并获取候选关键词图中词节点的预设初始权重；循环迭代候选关键词图，直至达到预设条件时，得到词节点的目标权重；根据目标权重对词节点进行排序，根据排序结果获取第一预设数量的词节点作为关键词。
在一个实施例中，从预先建立的标准词汇库中查找与关键词对应的目标标准词，得到目标标准词集合，包括：从预先建立的标准词汇库中查找诊断结果对应的标准词汇集合；分别计算每一个关键词与标准词汇集合中的各个标准词汇的相似度；当相似度最大值大于预设阈值时，获取相似度最大值对应的标准词汇作为关键词对应的目标标准词。
在一个实施例中，获取诊断结果对应的已训练的决策树模型作为目标决策树模型，包括：将诊断结果分别与各个已训练的决策树模型对应的疾病类型进行匹配；当诊断结果与任意一个疾病类型匹配成功时，获取疾病类型对应的已训练的决策树模型作为目标决策树模型；当诊断结果与所有疾病类型都不匹配时，对诊断结果进行分词处理，从分词结果中提取关键词，获取与关键词匹配度最高的疾病类型对应的已训练的决策树模型作为目标决策树模型。
在一个实施例中，根据预设理赔数据得到目标决策数据，包括：当预设理赔数据的数量为第二预设数量时，获取每一条预设理赔数据对应的标签信息；获取用户标识对应的个人信息；根据标签信息及个人信息得到目标决策数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取训练样本集，训练样本集包括历史诊断文本对应的目标标准词集合；按照训练样本集中每一个目标标准词对训练样本集进行划分，得到每一个目标标准词对应的划分结果；分别计算每一个划分结果的信息增益熵，并选择信息增益熵最大的划分结果对应的目标标准词作为分割点，按照分割点将训练样本集划分为两个训练样本子集；对两个训练样本子集重新计算各个目标标准词对应的信息增益熵，并按照信息增益熵最大的原则重新划分训练样本子集，当训练样本子集中所有的样本数据都属于相同的类时，得到已训练的决策树模型。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：接收理赔员终端发送的理赔决策请求，理赔决策请求中携带待理赔患者的身份标识；根据身份标识查找对应的当前诊断文本及诊断结果，提取当前诊断文本的多个关键词；从预先建立的标准词汇库中查找与关键词对应的目标标准词，得到目标标准词集合；获取诊断结果对应的已训练的决策树模型作为目标决策树模型，根据目标标准词集合及目标决策树模型得到待理赔患者对应的治疗类型；根据治疗类型查询对应的预设理赔数据，根据预设理赔数据得到目标决策数据，将目标决策数据发送至理赔员终端。
在一个实施例中，提取当前诊断文本的多个关键词，包括：将当前诊断文本进行分词，并对分词结果进行过滤；根据过滤后得到的词建立候选关键词图，并获取候选关键词图中词节点的预设初始权重；循环迭代候选关键词图，直至达到预设条件时，得到词节点的目标权重；根据目标权重对词节点进行排序，根据排序结果获取第一预设数量的词节点作为关键词。
在一个实施例中，从预先建立的标准词汇库中查找与关键词对应的目标标准词，得到目标标准词集合，包括：从预先建立的标准词汇库中查找诊断结果对应的标准词汇集合；分别计算每一个关键词与标准词汇集合中的各个标准词汇的相似度；当相似度最大值大于预设阈值时，获取相似度最大值对应的标准词汇作为关键词对应的目标标准词。
在一个实施例中，获取诊断结果对应的已训练的决策树模型作为目标决策树模型，包括：将诊断结果分别与各个已训练的决策树模型对应的疾病类型进行匹配；当诊断结果与任意一个疾病类型匹配成功时，获取疾病类型对应的已训练的决策树模型作为目标决策树模型；当诊断结果与所有疾病类型都不匹配时，对诊断结果进行分词处理，从分词结果中提取关键词，获取与关键词匹配度最高的疾病类型对应的已训练的决策树模型作为目标决策树模型。
在一个实施例中，根据预设理赔数据得到目标决策数据，包括：当预设理赔数据的数量为第二预设数量时，获取每一条预设理赔数据对应的标签信息；获取用户标识对应的个人信息；根据标签信息及个人信息得到目标决策数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取训练样本集，训练样本集包括历史诊断文本对应的目标标准词集合；按照训练样本集中每一个目标标准词对训练样本集进行划分，得到每一个目标标准词对应的划分结果；分别计算每一个划分结果的信息增益熵，并选择信息增益熵最大的划分结果对应的目标标准词作为分割点，按照分割点将训练样本集划分为两个训练样本子集；对两个训练样本子集重新计算各个目标标准词对应的信息增益熵，并按照信息增益熵最大的原则重新划分训练样本子集，当训练样本子集中所有的样本数据都属于相同的类时，得到已训练的决策树模型。
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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种理赔决策方法，所述方法包括：
接收理赔员终端发送的理赔决策请求，所述理赔决策请求中携带待理赔患者的身份标识；
根据所述身份标识查找对应的当前诊断文本及诊断结果，提取所述当前诊断文本的多个关键词；
从预先建立的标准词汇库中查找与所述关键词对应的目标标准词，得到目标标准词集合；
获取所述诊断结果对应的已训练的决策树模型作为目标决策树模型，根据所述目标标准词集合及所述目标决策树模型得到所述待理赔患者对应的治疗类型；
根据所述治疗类型查询对应的预设理赔数据，根据所述预设理赔数据得到目标决策数据，将所述目标决策数据发送至所述理赔员终端。
2.根据权利要求1所述的方法，其特征在于，所述提取所述当前诊断文本的多个关键词包括：
将所述当前诊断文本进行分词，并对分词结果进行过滤；
根据过滤后得到的词建立候选关键词图，并获取所述候选关键词图中词节点的预设初始权重；
循环迭代所述候选关键词图，直至达到预设条件时，得到所述词节点的目标权重；
根据所述目标权重对所述词节点进行排序，根据排序结果获取第一预设数量的词节点作为关键词。
3.根据权利要求1所述的方法，其特征在于，所述从预先建立的标准词汇库中查找与所述关键词对应的目标标准词，得到目标标准词集合，包括：
从预先建立的标准词汇库中查找所述诊断结果对应的标准词汇集合；
分别计算每一个关键词与所述标准词汇集合中的各个标准词汇的相似度；
当相似度最大值大于预设阈值时，获取相似度最大值对应的标准词汇作为所述关键词对应的目标标准词。
4.根据权利要求1所述的方法，其特征在于，所述获取所述诊断结果对应的已训练的决策树模型作为目标决策树模型，包括：
将所述诊断结果分别与各个已训练的决策树模型对应的疾病类型进行匹配；
当所述诊断结果与任意一个疾病类型匹配成功时，获取所述疾病类型对应的已训练的决策树模型作为目标决策树模型；
当所述诊断结果与所有疾病类型都不匹配时，对所述诊断结果进行分词处理，从分词结果中提取关键词，获取与所述关键词匹配度最高的疾病类型对应的已训练的决策树模型作为目标决策树模型。
5.根据权利要求1所述的方法，其特征在于，所述根据所述预设理赔数据得到目标决策数据，包括：
当所述预设理赔数据的数量为第二预设数量时，获取每一条预设理赔数据对应的标签信息；
获取所述用户标识对应的个人信息；
根据所述标签信息及所述个人信息得到目标决策数据。
6.根据权利要求1至5任意一项所述的方法，其特征在于，所述决策树模型的生成步骤包括：
获取训练样本集，所述训练样本集包括历史诊断文本对应的目标标准词集合；
按照训练样本集中每一个所述目标标准词对训练样本集进行划分，得到每一个目标标准词对应的划分结果；
分别计算每一个划分结果的信息增益熵，并选择信息增益熵最大的划分结果对应的目标标准词作为分割点，按照分割点将训练样本集划分为两个训练样本子集；
对两个训练样本子集重新计算各个目标标准词对应的信息增益熵，并按照信息增益熵最大的原则重新划分训练样本子集，当训练样本子集中所有的样本数据都属于相同的类时，得到已训练的决策树模型。
7.一种理赔决策装置，其特征在于，所述装置包括：
理赔决策请求接收模块，用于接收理赔员终端发送的理赔决策请求，所述理赔决策请求中携带待理赔患者的身份标识；
关键词集合获取模块，用于根据所述身份标识查找对应的当前诊断文本及诊断结果，提取所述当前诊断文本的多个关键词；
目标标准词集合获取模块，用于从预先建立的标准词汇库中查找与所述关键词对应的目标标准词，得到目标标准词集合；
治疗类型获取模块，用于获取所述诊断结果对应的已训练的决策树模型作为目标决策树模型，根据所述目标标准词集合及所述目标决策树模型得到所述待理赔患者对应的治疗类型；
目标决策数据发送模块，用于根据所述治疗类型查询对应的预设理赔数据，根据所述预设理赔数据得到目标决策数据，将所述目标决策数据发送至所述理赔员终端。
8.根据权利要求7所述的装置，其特征在于，所述关键词集合获取模块用于将所述当前诊断文本进行分词，并对分词结果进行过滤；根据过滤后得到的词建立候选关键词图，并获取所述候选关键词图中词节点的预设初始权重；循环迭代所述候选关键词图，直至达到预设条件时，得到所述词节点的目标权重；根据所述目标权重对所述词节点进行排序，根据排序结果获取第一预设数量的词节点作为关键词。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810925295.1A CN109255013A (zh) | 2018-08-14 | 2018-08-14 | 理赔决策方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810925295.1A CN109255013A (zh) | 2018-08-14 | 2018-08-14 | 理赔决策方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109255013A true CN109255013A (zh) | 2019-01-22 |
Family
ID=65049900
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810925295.1A Pending CN109255013A (zh) | 2018-08-14 | 2018-08-14 | 理赔决策方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109255013A (zh) |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110147887A (zh) * | 2019-04-19 | 2019-08-20 | 平安科技（深圳）有限公司 | 信息推荐方法、装置、介质、电子设备 |
| CN110147982A (zh) * | 2019-04-16 | 2019-08-20 | 深圳壹账通智能科技有限公司 | 基于客户请求的自动审核方法、装置、计算机设备及存储介质 |
| CN110750621A (zh) * | 2019-09-06 | 2020-02-04 | 平安医疗健康管理股份有限公司 | 单据数据核查处理方法、装置、计算机设备和存储介质 |
| CN110909725A (zh) * | 2019-10-18 | 2020-03-24 | 平安科技（深圳）有限公司 | 识别文本的方法、装置、设备及存储介质 |
| CN110931090A (zh) * | 2019-11-26 | 2020-03-27 | 太平金融科技服务（上海）有限公司 | 疾病数据处理方法、装置、计算机设备和存储介质 |
| CN111062493A (zh) * | 2019-12-20 | 2020-04-24 | 深圳前海微众银行股份有限公司 | 基于公共数据的纵向联邦方法、装置、设备及介质 |
| CN111190576A (zh) * | 2019-12-17 | 2020-05-22 | 平安医疗健康管理股份有限公司 | 基于文字识别的组件集展示方法、装置和计算机设备 |
| CN111428495A (zh) * | 2020-03-23 | 2020-07-17 | 浙江大搜车软件技术有限公司 | 工作流审批处理方法、系统和计算机设备 |
| CN111680066A (zh) * | 2020-05-25 | 2020-09-18 | 泰康保险集团股份有限公司 | 信息处理方法、装置、存储介质和的电子设备 |
| CN112017745A (zh) * | 2020-09-08 | 2020-12-01 | 平安科技（深圳）有限公司 | 决策信息推荐、药物信息推荐方法、装置、设备及介质 |
| CN112100363A (zh) * | 2020-09-22 | 2020-12-18 | 上海蜜度信息技术有限公司 | 一种基于关键词的文本信息精准匹配方法、系统、存储介质、终端 |
| CN112329450A (zh) * | 2020-07-29 | 2021-02-05 | 好人生（上海）健康科技有限公司 | 一种保险医学编码映射字典表生产方法 |
| CN112925819A (zh) * | 2020-12-21 | 2021-06-08 | 上海药慧信息技术有限公司 | 药品中标信息挖掘方法和装置 |
| CN112927092A (zh) * | 2021-04-12 | 2021-06-08 | 平安科技（深圳）有限公司 | 理赔趋势预测方法、装置、设备及存储介质 |
| CN113033200A (zh) * | 2021-05-27 | 2021-06-25 | 北京世纪好未来教育科技有限公司 | 数据处理方法、文本识别模型的生成方法和文本识别方法 |
| CN113221762A (zh) * | 2021-05-17 | 2021-08-06 | 支付宝(杭州)信息技术有限公司 | 代价平衡决策方法、保险理赔决策方法、装置和设备 |
| CN113269179A (zh) * | 2021-06-24 | 2021-08-17 | 中国平安人寿保险股份有限公司 | 数据处理方法、装置、设备及存储介质 |
| CN113434505A (zh) * | 2021-06-29 | 2021-09-24 | 平安科技（深圳）有限公司 | 交易信息属性检索方法、装置、计算机设备及存储介质 |
| CN113761577A (zh) * | 2021-09-10 | 2021-12-07 | 平安科技（深圳）有限公司 | 一种大数据脱敏的方法、装置、计算机设备及存储介质 |
| CN114372890A (zh) * | 2022-01-12 | 2022-04-19 | 中国人民健康保险股份有限公司深圳分公司 | 一种保险自助理赔管理方法和系统 |
| CN116205612A (zh) * | 2023-05-04 | 2023-06-02 | 国网山东省电力公司滨州市沾化区供电公司 | 辅助生成电网维护方案的方法、系统、终端及存储介质 |
| CN116663536A (zh) * | 2023-08-01 | 2023-08-29 | 北京惠每云科技有限公司 | 一种临床诊断标准词的匹配方法及装置 |
| CN117035125A (zh) * | 2023-10-09 | 2023-11-10 | 中电科大数据研究院有限公司 | 一种分布式人工智能模型的决策平台、方法及装置 |
| CN112927092B (zh) * | 2021-04-12 | 2024-05-14 | 平安科技（深圳）有限公司 | 理赔趋势预测方法、装置、设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6363375B1 (en) * | 1998-09-30 | 2002-03-26 | Nippon Telegraph And Telephone Company | Classification tree based information retrieval scheme |
| CN106156127A (zh) * | 2015-04-08 | 2016-11-23 | 深圳市腾讯计算机系统有限公司 | 选择数据内容向终端推送的方法及装置 |
| CN106845098A (zh) * | 2017-01-17 | 2017-06-13 | 天津艾登科技有限公司 | 一种基于决策树算法的疾病诊断分组的实现方法 |
| CN107180389A (zh) * | 2017-05-10 | 2017-09-19 | 平安科技（深圳）有限公司 | 人伤理赔定损费用测算方法、装置、服务器和介质 |
| CN107220734A (zh) * | 2017-06-26 | 2017-09-29 | 江南大学 | 基于决策树的数控车床车削过程能耗预测系统 |
| CN107679994A (zh) * | 2017-07-26 | 2018-02-09 | 平安科技（深圳）有限公司 | 核保决策树的创建方法、装置、计算机设备及存储介质 |
| CN107798621A (zh) * | 2017-08-30 | 2018-03-13 | 平安科技（深圳）有限公司 | 疾病诊断信息审核方法及装置 |
-
2018
- 2018-08-14 CN CN201810925295.1A patent/CN109255013A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6363375B1 (en) * | 1998-09-30 | 2002-03-26 | Nippon Telegraph And Telephone Company | Classification tree based information retrieval scheme |
| CN106156127A (zh) * | 2015-04-08 | 2016-11-23 | 深圳市腾讯计算机系统有限公司 | 选择数据内容向终端推送的方法及装置 |
| CN106845098A (zh) * | 2017-01-17 | 2017-06-13 | 天津艾登科技有限公司 | 一种基于决策树算法的疾病诊断分组的实现方法 |
| CN107180389A (zh) * | 2017-05-10 | 2017-09-19 | 平安科技（深圳）有限公司 | 人伤理赔定损费用测算方法、装置、服务器和介质 |
| CN107220734A (zh) * | 2017-06-26 | 2017-09-29 | 江南大学 | 基于决策树的数控车床车削过程能耗预测系统 |
| CN107679994A (zh) * | 2017-07-26 | 2018-02-09 | 平安科技（深圳）有限公司 | 核保决策树的创建方法、装置、计算机设备及存储介质 |
| CN107798621A (zh) * | 2017-08-30 | 2018-03-13 | 平安科技（深圳）有限公司 | 疾病诊断信息审核方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 周蓝粢: "基于病案资源的决策支持系统的应用和研究", 《中国优秀硕士学位论文全文数据库（信息科技辑）》 * |
| 柳晓春: "《信息资源组织》", 世界图书出版公司 * |
Cited By (32)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110147982A (zh) * | 2019-04-16 | 2019-08-20 | 深圳壹账通智能科技有限公司 | 基于客户请求的自动审核方法、装置、计算机设备及存储介质 |
| CN110147887A (zh) * | 2019-04-19 | 2019-08-20 | 平安科技（深圳）有限公司 | 信息推荐方法、装置、介质、电子设备 |
| CN110750621A (zh) * | 2019-09-06 | 2020-02-04 | 平安医疗健康管理股份有限公司 | 单据数据核查处理方法、装置、计算机设备和存储介质 |
| CN110909725B (zh) * | 2019-10-18 | 2023-09-19 | 平安科技（深圳）有限公司 | 识别文本的方法、装置、设备及存储介质 |
| CN110909725A (zh) * | 2019-10-18 | 2020-03-24 | 平安科技（深圳）有限公司 | 识别文本的方法、装置、设备及存储介质 |
| CN110931090A (zh) * | 2019-11-26 | 2020-03-27 | 太平金融科技服务（上海）有限公司 | 疾病数据处理方法、装置、计算机设备和存储介质 |
| CN111190576A (zh) * | 2019-12-17 | 2020-05-22 | 平安医疗健康管理股份有限公司 | 基于文字识别的组件集展示方法、装置和计算机设备 |
| CN111190576B (zh) * | 2019-12-17 | 2022-09-23 | 深圳平安医疗健康科技服务有限公司 | 基于文字识别的组件集展示方法、装置和计算机设备 |
| CN111062493A (zh) * | 2019-12-20 | 2020-04-24 | 深圳前海微众银行股份有限公司 | 基于公共数据的纵向联邦方法、装置、设备及介质 |
| CN111062493B (zh) * | 2019-12-20 | 2021-06-15 | 深圳前海微众银行股份有限公司 | 基于公共数据的纵向联邦方法、装置、设备及介质 |
| CN111428495A (zh) * | 2020-03-23 | 2020-07-17 | 浙江大搜车软件技术有限公司 | 工作流审批处理方法、系统和计算机设备 |
| CN111680066A (zh) * | 2020-05-25 | 2020-09-18 | 泰康保险集团股份有限公司 | 信息处理方法、装置、存储介质和的电子设备 |
| CN112329450A (zh) * | 2020-07-29 | 2021-02-05 | 好人生（上海）健康科技有限公司 | 一种保险医学编码映射字典表生产方法 |
| CN112017745B (zh) * | 2020-09-08 | 2023-06-27 | 平安科技（深圳）有限公司 | 决策信息推荐、药物信息推荐方法、装置、设备及介质 |
| CN112017745A (zh) * | 2020-09-08 | 2020-12-01 | 平安科技（深圳）有限公司 | 决策信息推荐、药物信息推荐方法、装置、设备及介质 |
| CN112100363A (zh) * | 2020-09-22 | 2020-12-18 | 上海蜜度信息技术有限公司 | 一种基于关键词的文本信息精准匹配方法、系统、存储介质、终端 |
| CN112925819B (zh) * | 2020-12-21 | 2023-05-19 | 上海药慧信息技术有限公司 | 药品中标信息挖掘方法和装置 |
| CN112925819A (zh) * | 2020-12-21 | 2021-06-08 | 上海药慧信息技术有限公司 | 药品中标信息挖掘方法和装置 |
| CN112927092A (zh) * | 2021-04-12 | 2021-06-08 | 平安科技（深圳）有限公司 | 理赔趋势预测方法、装置、设备及存储介质 |
| CN112927092B (zh) * | 2021-04-12 | 2024-05-14 | 平安科技（深圳）有限公司 | 理赔趋势预测方法、装置、设备及存储介质 |
| CN113221762A (zh) * | 2021-05-17 | 2021-08-06 | 支付宝(杭州)信息技术有限公司 | 代价平衡决策方法、保险理赔决策方法、装置和设备 |
| CN113033200A (zh) * | 2021-05-27 | 2021-06-25 | 北京世纪好未来教育科技有限公司 | 数据处理方法、文本识别模型的生成方法和文本识别方法 |
| CN113269179A (zh) * | 2021-06-24 | 2021-08-17 | 中国平安人寿保险股份有限公司 | 数据处理方法、装置、设备及存储介质 |
| CN113269179B (zh) * | 2021-06-24 | 2024-04-05 | 中国平安人寿保险股份有限公司 | 数据处理方法、装置、设备及存储介质 |
| CN113434505A (zh) * | 2021-06-29 | 2021-09-24 | 平安科技（深圳）有限公司 | 交易信息属性检索方法、装置、计算机设备及存储介质 |
| CN113761577A (zh) * | 2021-09-10 | 2021-12-07 | 平安科技（深圳）有限公司 | 一种大数据脱敏的方法、装置、计算机设备及存储介质 |
| CN114372890A (zh) * | 2022-01-12 | 2022-04-19 | 中国人民健康保险股份有限公司深圳分公司 | 一种保险自助理赔管理方法和系统 |
| CN116205612A (zh) * | 2023-05-04 | 2023-06-02 | 国网山东省电力公司滨州市沾化区供电公司 | 辅助生成电网维护方案的方法、系统、终端及存储介质 |
| CN116663536B (zh) * | 2023-08-01 | 2023-10-24 | 北京惠每云科技有限公司 | 一种临床诊断标准词的匹配方法及装置 |
| CN116663536A (zh) * | 2023-08-01 | 2023-08-29 | 北京惠每云科技有限公司 | 一种临床诊断标准词的匹配方法及装置 |
| CN117035125A (zh) * | 2023-10-09 | 2023-11-10 | 中电科大数据研究院有限公司 | 一种分布式人工智能模型的决策平台、方法及装置 |
| CN117035125B (zh) * | 2023-10-09 | 2024-01-02 | 中电科大数据研究院有限公司 | 一种分布式人工智能模型的决策系统、方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109255013A (zh) | 理赔决策方法、装置、计算机设备和存储介质 | |
| CN105808931B (zh) | 一种基于知识图谱的针灸决策支持方法及装置 | |
| CN109215754A (zh) | 病历数据处理方法、装置、计算机设备和存储介质 | |
| CN110504028A (zh) | 一种疾病问诊方法、装置、系统、计算机设备和存储介质 | |
| CN109065172B (zh) | 病症信息获取方法、装置、计算机设备和存储介质 | |
| CN109147934A (zh) | 问诊数据推荐方法、装置、计算机设备和存储介质 | |
| CN103729395A (zh) | 用于推断查询答案的方法和系统 | |
| CN109378066A (zh) | 一种基于特征向量实现疾病预测的控制方法及控制装置 | |
| CN111984771A (zh) | 一种基于智能对话的自动问诊系统 | |
| CN101441658A (zh) | 面向pacs数据库中放射图像的基于内容的检索方法和系统 | |
| CN115858886B (zh) | 数据处理方法、装置、设备及可读存储介质 | |
| CN109509102B (zh) | 理赔决策方法、装置、计算机设备和存储介质 | |
| CN112530550A (zh) | 影像报告生成方法、装置、计算机设备和存储介质 | |
| CN108874773A (zh) | 关键词新增方法、装置、计算机设备和存储介质 | |
| CN111128388B (zh) | 一种值域数据匹配方法、装置及相关产品 | |
| CN110752027A (zh) | 电子病历数据推送方法、装置、计算机设备和存储介质 | |
| CN112037904A (zh) | 在线诊疗数据处理方法、装置、计算机设备和存储介质 | |
| WO2020132918A1 (zh) | 药品预测方法、装置、计算机设备及存储介质 | |
| US11481557B2 (en) | Clinical terminology mapping with natural language processing | |
| CN116861875A (zh) | 基于人工智能的文本处理方法、装置、设备及存储介质 | |
| CN116612879A (zh) | 诊断结果预测方法、装置、电子设备及存储介质 | |
| CN112116976A (zh) | 药品信息的处理方法、装置及计算机可读存储介质 | |
| Tsumoto et al. | Construction of discharge summaries classifier | |
| CN115631823A (zh) | 相似病例推荐方法及系统 | |
| US20200303033A1 (en) | System and method for data curation |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220523 Address after: 518048 China Aviation Center 2901, No. 1018, Huafu Road, Huahang community, Huaqiang North Street, Futian District, Shenzhen, Guangdong Province Applicant after: Shenzhen Ping An medical and Health Technology Service Co.,Ltd. Address before: Room 12G, Area H, 666 Beijing East Road, Huangpu District, Shanghai 200001 Applicant before: PING AN MEDICAL AND HEALTHCARE MANAGEMENT Co.,Ltd. |
|
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190122 |