CN109300017A - 基于数据分析的保单推荐方法、装置、服务器及存储介质 - Google Patents
基于数据分析的保单推荐方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN109300017A CN109300017A CN201811272479.9A CN201811272479A CN109300017A CN 109300017 A CN109300017 A CN 109300017A CN 201811272479 A CN201811272479 A CN 201811272479A CN 109300017 A CN109300017 A CN 109300017A
- Authority
- CN
- China
- Prior art keywords
- user
- information
- declaration form
- sick
- probability
- 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
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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Technology Law (AREA)
- Accommodation For Nursing Or Treatment Tables (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明实施例公开了一种基于数据分析的保单推荐方法、装置、服务器及存储介质，其中方法包括：接收投保请求，所述投保请求包括用户的个人信息和所述用户选择的初始保单信息，所述用户的个人信息包括生活习惯信息、过往病史信息以及工作状态信息中的一项或多项；根据所述个人信息中的各项信息对应的致慢病比重，确定所述用户的患慢病概率，所述致慢病比重是根据已患慢病用户包括的个人信息中的各项信息导致所述已患慢病用户患慢病的概率确定的；当所述用户的患慢病概率大于预设概率阈值时，根据所述初始保单信息或所述用户的患慢病概率确定目标保单，并向所述用户对应的用户终端推送所述目标保单，可提升投保成功率。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种基于数据分析的保单推荐方法、装置、服务器及存储介质。
背景技术
针对商业慢性病保险以及商业护理险的投保，一般是用户从保险公司已有的保险业务中选择并购买合适自己的保险产品，但是，当前保险公司已有的保险产品(即保单)并不一定能完全满足用户的实际需求，而当用户不能从已有的保单中购买到和自己实际情况符合的保单时，一般会放弃投保。可见，采用当前从已有保单中选择保单进行投保的方式，使得用户的投保成功率较低。
发明内容
本发明实施例提供了一种基于数据分析的保单推荐方法、装置、服务器及存储介质，可提升投保成功率。
第一方面，本发明实施例提供了一种基于数据分析的保单推荐方法，所述方法包括：
接收投保请求，所述投保请求包括用户的个人信息和所述用户选择的初始保单信息，所述用户的个人信息包括生活习惯信息、过往病史信息以及工作状态信息中的一项或多项；
根据所述个人信息中的各项信息对应的致慢病比重，确定所述用户的患慢病概率，所述致慢病比重是根据已患慢病用户包括的个人信息中的各项信息导致所述已患慢病用户患慢病的概率确定的；
当所述用户的患慢病概率大于预设概率阈值时，根据所述初始保单信息或所述用户的患慢病概率确定目标保单，并向所述用户对应的用户终端推送所述目标保单。
在一个实施例中，所述根据所述个人信息中的各项信息对应的致慢病比重，确定所述用户的患慢病概率，包括：
将所述各项信息与预设的各项患慢病信息进行比对，并根据得到的比对结果为所述各项信息设置分数，所述预设的各项患慢病信息为所述已患慢病用户确定患慢病时的致病信息；
获取所述各项信息的致慢病比重；
根据所述各项信息的设置分数和所述各项信息的致慢病比重，计算得到所述用户的患慢病概率。
在一个实施例中，当所述预设概率阈值为第一预设概率阈值，所述患慢病概率为患投保慢病概率时，则根据所述初始保单信息或所述用户的患慢病概率确定目标保单，并向所述用户对应的用户终端推送所述目标保单，包括：
当所述用户的患慢病概率大于所述第一预设概率阈值时，对所述初始保单信息进行修改，所述初始保单信息包括：投保慢性病、理赔信息以及投保类别中的一项或多项；
将修改后的初始保单作为目标保单，并向所述用户对应的用户终端推送所述目标保单。
在一个实施例中，所述对所述初始保单信息进行修改，包括：
根据所述用户的个人信息确定所述用户的所属地区，并从所述所属地区对应人群购买的保单集合中确定出和所述初始保单的投保慢病相同的参考保单；
根据所述参考保单的理赔信息和投保类别，对所述初始保单的理赔信息和投保类别进行修改。
在一个实施例中，所述对所述初始保单信息进行修改，包括：
根据所述用户的个人信息确定所述用户的所属人群，并从所述所属人群购买的保单集合中确定出和所述初始保单的投保慢病相同的参考保单；
根据所述参考保单的理赔信息和投保类别，对所述初始保单的理赔信息和投保类别进行修改。
在一个实施例中，当所述预设概率阈值为第二预设概率阈值，所述患慢病概率为患非投保慢病概率时，则据所述初始保单信息或所述用户的患慢病概率确定目标保单，并向所述用户对应的用户终端推送所述目标保单，包括：
当所述用户的患慢病概率大于所述第二预设概率阈值时，从保单集合中获取和所述初始保单的投保类别相同的目标保单，所述保单集合中包括至少一个保单；
向所述用户对应的用户终端推送所述目标保单。
在一个实施例中，所述方法还包括：
当所述用户的患慢病概率大于预设概率阈值时，根据所述用户的患慢病概率生成提示信息；
将所述提示信息发送到所述用户终端，所述提示信息用于提醒所述用户注意饮食、作息以及生活习惯。
第二方面，本发明实施例提供了一种基于数据分析的保单推荐装置，所述装置包括：
接收单元，用于接收投保请求，所述投保请求包括用户的个人信息和所述用户选择的初始保单信息，所述用户的个人信息包括生活习惯信息、过往病史信息以及工作状态信息中的一项或多项；
确定单元，用于根据所述个人信息中的各项信息对应的致慢病比重，确定所述用户的患慢病概率，所述致慢病比重是根据已患慢病用户包括的个人信息中的各项信息导致所述已患慢病用户患慢病的概率确定的；
推送单元，用于当所述用户的患慢病概率大于预设概率阈值时，根据所述初始保单信息或所述用户的患慢病概率确定目标保单，并向所述用户对应的用户终端推送所述目标保单。
在一个实施例中，所述确定单元，具体用于：
将所述各项信息与预设的各项患慢病信息进行比对，并根据得到的比对结果为所述各项信息设置分数，所述预设的各项患慢病信息为所述已患慢病用户确定患慢病时的致病信息；
获取所述各项信息的致慢病比重；
根据所述各项信息的设置分数和所述各项信息的致慢病比重，计算得到所述用户的患慢病概率。
在一个实施例中，当所述预设概率阈值为第一预设概率阈值，所述患慢病概率为患投保慢病概率时，所述推送单元，具体用于：
当所述用户的患慢病概率大于所述第一预设概率阈值时，对所述初始保单信息进行修改，所述初始保单信息包括：投保慢性病、理赔信息以及投保类别中的一项或多项；
将修改后的初始保单作为目标保单，并向所述用户对应的用户终端推送所述目标保单。
在一个实施例中，所述推送单元，具体用于：
根据所述用户的个人信息确定所述用户的所属地区，并从所述所属地区对应购买人群的保单集合中确定出和所述初始保单的投保慢病相同的参考保单；
根据所述参考保单的理赔信息和投保类别，对所述初始保单的理赔信息和投保类别进行修改。
在一个实施例中，所述推送单元，具体用于：
根据所述用户的个人信息确定所述用户的所属人群，并从所述所属人群购买的保单集合中确定出和所述初始保单的投保慢病相同的参考保单；
根据所述参考保单的理赔信息和投保类别，对所述初始保单的理赔信息和投保类别进行修改。
在一个实施例中，当所述预设概率阈值为第二预设概率阈值，所述患慢病概率为患非投保慢病概率时，所述推送单元，具体用于：
当所述用户的患慢病概率大于所述第二预设概率阈值时，从保单集合中获取和所述初始保单的投保类别相同的目标保单，所述保单集合中包括至少一个保单；
向所述用户对应的用户终端推送所述目标保单。
在一个实施例中，所述装置还包括：生成单元和发送单元。
生成单元，用于当所述用户的患慢病概率大于预设概率阈值时，根据所述用户的患慢病概率生成提示信息；
发送单元，用于将所述提示信息发送到所述用户终端，所述提示信息用于提醒所述用户注意饮食、作息以及生活习惯。
第三方面，本发明实施例提供了一种服务器，该服务器包括处理器和存储装置，所述处理器和所述存储装置相互连接，其中，所述存储装置用于存储计算机程序指令，所述处理器被配置用于执行所述程序指令，实现如第一方面所述的方法。
第四方面，本发明实施例提供了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第一方面所述的方法。
在本发明实施例中，服务器通过接收包括了用户的个人信息和该用户选择的初始保单信息的投保请求，并进一步地根据该投保请求包括的个人信息确定出该用户患慢病的概率，当该用户的患慢病概率大于预设概率阈值时，根据该用户选择的初始保单向用户推送目标保单，该目标保单更贴近于用户的实际情况，因此，该用户可从推送的目标保单中选择出更加适合自身需求的保单进行投保，从而提升投保成功率。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例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是本发明实施例提供的一种基于数据分析的保单推荐方法应用系统架构图；
图2是本发明实施例提供的一种基于数据分析的保单推荐方法的示意流程图；
图3是本发明实施例提供的一种投保请求提交界面的示意图；
图4是本发明实施例提供的一种根据如图3所示的投保请求提交界面生成的目标推荐保单示意图；
图5是本发明另一实施例提供的一种基于数据分析的保单推荐方法的示意流程图；
图6是本发明实施例提供的一种基于数据分析的保单推荐装置的结构示意性框图；
图7是本发明实施例提供的一种服务器的结构示意性框图。
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。
慢性病实质不构成传染、具有长期积累形成疾病形态损害的疾病的总称，一半来说，慢性病病程长且病情复杂，缺乏确切的传染性生物病因证据，病因复杂，且有些疾病尚未被确定。常见的慢性病主要有心脑血管疾病、癌症、糖尿病、慢性呼吸系统疾病等等，其中，心脑血管疾病包含高血压、脑卒中和冠心病。慢性病的危害主要是造成脑、心、肾等重要脏器的损害，极易造成伤残，影响劳动能力和生活质量，且医疗费用极其昂贵，会极大增大社会和家庭的经济负担。
由于当代人不健康的生活习惯，以及环境的恶化，导致当代人得慢性病的概率越来越大，再加上慢性病的治疗药物大都不在医保的报销范围内，因此，为了在慢性病发生时有更多的经济保障，大多用户会选择提前购买商业慢特病保险以及商业护理险，以在慢性病发生时，获得更多的经济赔偿，从而减小治疗慢性病时带来的经济压力，而现有的购买商业慢特病保险或者商业护理险的方法，大都是从已有的商业慢特病保险集合或者商业护理险集合中选择出符合用户自身需求的保单，但是，由于用户的自身情况比较多变且复杂，所以，用户基于已有的保险集合可能无法选择出满意的保单，从而使得投保成功率较低。
基于此，请参见图1，是本发明实施例提出的一种基于数据分析的保单推荐方法的应用系统架构图，如图所示，用户可通过用户终端向服务器发送投保请求，该投保请求包括用户的个人信息和该用户选择的初始保单信息，该服务器在接收该投保请求后，可根据投保请求包括的用户的个人信息中的各项信息的致慢病比重，确定该用户的患慢性病概率，并在该用户的患慢性病概率大于预设概率阈值时，根据该初始保单信息向该用户推送目标保单，该用户终端并将该目标保单展示给用户，使得用户可从展示的目标保单中选择并购买和自己实际情况相符的保单，从而提高用户的保单购买率。
参见图2，是本发明实施例提供的一种基于数据分析的保单推荐方法的示意流程图，如图2所示，该方法可包括：
S201，服务器接收投保请求，该投保请求包括用户的个人信息和该用户选择的初始保单信息。
在一个实施例中，该用户的个人信息包括生活习惯信息、过往病史信息以及工作状态信息中的一项或多项信息，服务器可同时接收由多个用户终端发送的投保请求，在该服务器接收到多个投保请求时，可按照接收时间顺序对接收到的多个投保请求按序进行处理。在一个实施例中，可在如图3所示的一种投保请求提交界面填写用户的个人信息，其中，用户需填入的个人信息包括：生活习惯信息、过往病史信息、工作状态信息、以及该用户的姓名、身份证号以及性别等，在如图所示的投保请求提交界面中，可在用户必填的信息前用“*”进行标记，当用户没有填写有“*”标记的填写框时，用户不能提交该投保请求。
该生活习惯信息用于描述该用户是否抽烟，是否喝酒，是否吸毒等等；该过往病史信息用于描述该用户家族(如该用户的父母或者子女)是否有慢性病史，或者该用户是否有重大疾病史；该工作状态信息用于描述该用户的工作状态，例如是否有粉尘污染，是否是高温环境或者是否久坐等等。
在一个实施例中，该初始保单信息是根据用户选择的初始保单生成的，该用户可在填写该用户的个人信息之前从保单集合中选择一个保单作为初始保单，当用户在填写个人信息之前从保单集合中选择一个保单作为初始保单后，可将该初始保单的保单编号填写在投保请求提交界面中，服务器在接收到该投保请求的提交界面之后，可根据用户在提交界面填写的初始保单的保单编号，从保单集合中确定出初始保单，并提取出该初始保单信息，其中，提取出的初始保单信息包括：理赔信息，投保慢病，投保类别以及投保金额等信息。在一个实施例中，投保类别包括：长期护理类别和特药保障类别，长期护理类别的保单用于保障投保用户在患慢病之后的护理费用，特药保障类别用于保障投保用户在患慢病之后的特殊药品的购买费用，用户可根据自身情况选择不同的投保类别。
在另一实施例中，用户也可在填写个人信息之后，从保单集合中选择一保单作为初始保单，当服务器接收到用户发送的提交界面后，可检测接收到该提交界面的用户终端选择的初始保单，并从该初始保单中提取出该初始保单信息。
S202，该服务器根据该个人信息中的各项信息对应的致慢病比重，确定该用户的患慢病概率。
该各项信息的致慢病比重是根据大量已患慢病用户包括的个人信息中的各项信息导致所述已患慢病用户患慢病的概率确定的，不同信息对不同慢病致病的概率大小不相同，从而可根据该概率大小预先设置各项信息对应的致慢病比重，例如，根据大量已患患糖尿用户包括的个人信息中的各项信息，可确定出该已患糖尿病用户的过往病史信息导致所述已患糖尿病用户患病的概率很大，因此，在计算用户患糖尿病的概率时，预设的过往病史信息对应的致慢病比重比生活习惯信息对应的致慢病比重以及工作状态信息对应的致慢病比重大，如预设的过往病史信息对应的致慢病比重为2，生活习惯信息对应的致慢病比重以及工作状态信息对应的致慢病比重为1。
在服务器接收到用户终端发送的提交界面之后，可将该提交界面中包括的过往病史信息、生活习惯信息、以及工作状态信息进行综合分析，以确定出该用户的患慢病概率，其中，该用户的患慢病概率包括：患投保慢病的概率以及患非投保慢病的概率。
在一个实施例中，服务器可先对该用户的过往病史信息、生活习惯信息、以及工作状态信息进行综合分析，确定该用户患投保慢病的概率，当该用户患投保慢病的概率较小时，再进一步计算该用户患非投保慢病的概率，服务器可根据该用户的用户信息计算出该用户患各种非投保慢病对应的概率，当该服务器计算得到该用户患各种非投保慢病对应的多个概率值时，可从该多个概率值中获取出最大概率值，并将该最大概率值作为该用户患非投保慢病的概率，所述最大概率值对应的慢病即为该用户最大可能会患的慢病，在确定该用户的患慢病概率(包括患投保慢病概率或者患非投保慢病概率)后，再执行步骤S203；当该用户患投保慢病的概率较大时，该服务器可不计算该用户患非投保慢病的概率，并直接执行步骤S203。
S203，当该用户的患慢病概率大于预设概率阈值时，该服务器根据该初始保单信息或该用户的患慢病概率确定目标保单，并向该用户对应的用户终端推送该目标保单。
在一个实施例中，该服务器可将初始保单信息修改后作为目标保单发送到用户终端，或者，该服务器可从保单集合中获取一个或多个保单作为目标保单发送到用户终端。当用户终端接收到服务器发送的目标保单后，可将目标保单通过用户终端展示给用户，在用户终端将目标保单展示给用户时，可将目标保单的理赔信息，投保慢病，投保类别以及投保金额等信息展示给用户，用户可参考目标保单的理赔信息、投保慢病、投保类别以及投保金额选择和该用户的实际情况相符的保单。例如，当用户终端接收到服务器发送的3个目标保单后，可将目标保单A、B、C如图4所示展示给用户。
在本发明实施例中，服务器通过接收包括了用户的个人信息和该用户选择的初始保单信息的投保请求，并进一步地根据该投保请求包括的个人信息中的各项信息的致慢病比重确定出该用户患慢病的概率，当该用户的患慢病概率大于预设概率阈值时，根据该用户选择的初始保单向用户推送目标保单，该目标保单更贴近于用户的实际情况，因此，该用户可从推送的目标保单中选择出更加适合自身需求的保单进行投保，从而提升投保成功率。
参见图5，是本发明实施例提供的一种基于数据分析的保单推荐方法的示意流程图，如图5所示，该方法可包括：
S501，服务器接收投保请求，该投保请求包括用户的个人信息和该用户选择的初始保单信息。
在一个实施例中，步骤S501的具体实施方式具体可参见上述实施例中的步骤S201，在此不再进行赘述。
S502，该服务器将各项信息与预设的各项患慢病信息进行比对，并根据得到的比对结果为该各项信息设置分数，该预设的各项患慢病信息为所述已患慢病用户确定患慢病时的致病信息。
预设的各项患慢病信息是根据大量的已患慢病用户的病历信息中提取出的，用于确诊该已患慢病用户的致病信息，该预设的各项患病信息也可包括过往病史信息、生活习惯信息以及工作状态信息等。如糖尿病的预设的各项患慢病信息包括：过往病史信息(有高血压病史)、生活习惯信息(肥胖、缺乏运动等)以及工作状态信息(工作压力大等)；心脑血管疾病预设的各项患慢病信息包括：过往病史信息(有高血压病史、有糖尿病病史)、生活习惯信息(饮酒、脂肪摄入、缺乏运动等)以及工作状态信息(生活、工作压力大等)。
服务器在接收到如图3所示的投保请求的提交界面之后，在将用户的个人信息和预设的各项患慢病信息进行比对之前，可先确定出该用户选择的初始保单，并根据该初始保单的投保慢病确定出和该投保慢病对应的预设各项患慢病信息。
在将该各项信息与预设的各项患慢病信息进行比对时，可采用一一对应比对的方式进入，即是将用户提交的过往病史信息和该投保慢病对应的预设各项患慢病信息包括的过往病史信息进行比对，将该用户提交的生活习惯信息和该投保慢病对应的预设各项患慢病信息包括的生活习惯信息进行比对，并将该用户提交的工作状态信息和该投保慢病对应的预设各项患慢病信息包括的工作状态信息进行比对，更进一步地，服务器可根据比对结果为个人信息包括的过往病史信息，生活习惯信息和工作状态信息设置分数，该分数例如可以是0分、1分或者2分。
在一个实施例中，为所述各项信息设置的分数可根据各项信息满足各种慢性病对应的预设各项患病信息的项数来确定，在用户的个人信息和预设的各项患慢病信息完全不匹配(即该各项信息满足各种慢性病对应的预设各项患病信息的项数为0项)时，设置为0分，在用户的个人信息和预设的各项患慢病信息部分匹配(即该各项信息满足各种慢性病对应的预设各项患病信息的项数为至少一项，但不全部慢病各种慢性病对应的预设各项患病信息)时，设置为1分，在用户的个人信息和预设的各项患慢病信息完全匹配(即该各项信息全部满足各种慢性病对应的预设各项患病信息)时，设置为2分。
例如，如果用户A的个人信息包括的过往病史信息为有高血压史，而糖尿病对应的预设患病信息包括的过往病史信息为有高血压，则在计算该用户患糖尿病的患病概率时为该用户的过往病史信息设置分数为2分，又如用户B的个人信息包括的过往病史信息为有高血压史，而心脑血管疾病的预设患病信息包括的过往病史信息为有高血压病史和有糖尿病史，则在计算该用户患心脑血管疾病的患病概率时为用户B的过往病史信息设置分数为1分。
举例来说，如果服务器根据初始保单确定的投保慢病为糖尿病，用户A的过往病史信息为有高血压病史，生活习惯信息为不运动、饮酒、作息不规律，工作状态信息为工作压力小，将该用户A的过往病史信息和糖尿病对应的预设各项患慢病信息进行比对，为该用户A的过往病史信息设置的分数为2分，该用户的生活习惯信息为缺乏运动，因此，为该用户A的生活习惯信息设置的分数为1分，该用户A的工作状态信息为压力小，因此为该用户的工作状态信息设置的分数为0分。
在一个实施例中，在得到各项信息对应的分数后，可将该各项信息对应的分数直接相加，得到该用户的患慢病分数，并用该用户的患慢病分数标识该用户的患慢病概率，其中，服务器中可预先存储患慢病分数和患慢病概率的对应关系，以使得根据该患慢病分数可确定出用户的患慢病概率，例如，服务器存储的患慢病分数为2分，对应的患慢病概率为30％等。
在另一实施例中，在得到各项信息对应的分数后，也可再执行步骤S503和步骤S504，以确定出用户的患慢病概率。
S503，该服务器获取该各项信息的致慢病比重。
S504，该服务器根据该各项信息的设置分数和该各项信息的致慢病比重，计算得到该用户的患慢病概率。
在得到各项信息对应的分数后，还可获取各项信息的致慢病比重，该致慢病比重是根据过往病史信息、生活习惯信息以及工作状态信息在确定该用户的患病概率时的影响大小确定的，例如，过往病史信息对确定用户是否用糖尿病的影响程度很大，因此在计算患糖尿病的患病概率时，可将根据过往病史信息的影响系数确定为2，如果用户A在计算患糖尿病的患病概率时，根据过往病史和预设过往病史信息进行比对后，设置的分数为2分，则最后根据该过往病史信息确定的分数为2分*2＝4分，此外，又如工作状态信息对确定用户是否患尘肺病的影响程度很大，因此在计算用户患尘肺病的患病概率时，可将根据工作状态信息的影响系数确定为2。
S505，当该用户的患慢病概率大于预设概率阈值时，该服务器根据该初始保单信息或该用户的患慢病概率确定目标保单，并向该用户对应的用户终端推送目标保单。
在一个实施例中，该预设概率阈值包括第一预设概率阈值和第二预设概率阈值，如果该预设概率阈值为第一预设概率阈值，则当该用户的患慢病概率大于该第一预设概率阈值时，该患慢病概率为患投保慢病概率时，说明该用户患投保慢病的概率较大，因此可对该初始保单信息进行修改，其中，该初始保单信息包括：投保慢性病、理赔信息以及投保类别中的一项或多项；并将修改后的初始保单作为目标保单，从而可向用户推送该目标保单。
在一个实施例中，在该服务器对该初始保单信息进行修改时，可执行以下步骤：
s11，根据该用户的个人信息确定该用户的所属地区，并从该所属地区对应购买的保单集合中确定出和该初始保单的投保慢病相同的参考保单；
s12，根据该参考保单的理赔信息和投保类别，对该初始保单的理赔信息和投保类别进行修改。
在另一实施例中，在该服务器对该初始保单信息进行修改时，也可执行以下步骤：
S21，根据该用户的个人信息确定该用户的所属人群，并从该所属人群购买的保单集合中确定出和该初始保单的投保慢病相同的参考保单；
S22，根据该参考保单的理赔信息和投保类别，对该初始保单的理赔信息和投保类别进行修改。
如果该预设概率阈值为第二预设概率阈值，则当该用户的患慢病概率大于该第二预设概率阈值，该患慢病概率为患非投保慢病概率时，说明该用户患非投保慢病的概率较大，因此可从保单集合中获取和该初始保单的投保类别相同的目标保单，其中，该保单集合中包括至少一个保单，并向用户推送该目标保单。
S506，该服务器根据该用户的患慢病概率生成提示信息，并将该提示信息发送到该用户终端。
服务器在向用户推送目标保单后，可同时生成提示信息，并将该提示信息发送到用户终端，该提示信息用于提醒用户注意饮食、作息以及生活习惯。在一个实施例中，该服务器可按照预设时间间隔发送提示信息，该预设时间间隔例如可以是一周、或者一个月等。例如，如果确定用户A患糖尿病的概率大于预设概率阈值，则该服务器输出的提示信息例如可以是“关注血糖、多运动、控制糖分摄入以及规律作息等等”。该服务器发送的用户终端的提示信息可以是按照悬浮窗的形式呈现，也可以是以推送消息的形式呈现，在本发明实施例中，不做限定。
在本发明实施例中，服务器在接收到包括用户的个人信息和该用户选择的初始保单信息的投保请求后，可将该个人信息的各项信息与预设的各项患慢病信息进行比对，并根据比对结果为该各项信息设置分数，并在该服务器获取各项信息的致慢病比重红，可根据为该各项信息设置分数和该各项信息的致慢病比重，计算得到该用户的患慢病信息，并在该用户的患慢病信息大于预设概率阈值时，根据该初始保单信息向用户推送目标保单，并可同时发送提示信息，使得服务器可根据用户的实际情况生成与之更贴合的保单以便于用户选择，从而提高用户的投保成功率，并且还在用户的患慢病概率较大时，提供输出提示信息的增值服务，从而可提升用户的使用满意度。
本发明实施例还提供了一种基于数据分析的保单推荐装置，所述基于数据分析的保单推荐装置用于执行前述任一项所述的方法的单元。具体地，参见图6，是本发明实施例提供的一种基于数据分析的保单推荐装置的示意框图。本实施例的基于数据分析的保单推荐装置包括：接收单元601、确定单元602和推送单元603。在本发明实施例中，所述基于数据分析的保单推荐装置可以设置在一些需要进行基于数据分析的保单推荐的服务器或者一些专用的推荐设备中。
接收单元601，用于接收投保请求，所述投保请求包括用户的个人信息和所述用户选择的初始保单信息，所述用户的个人信息包括生活习惯信息、过往病史信息以及工作状态信息中的一项或多项；
确定单元602，用于根据所述个人信息中的各项信息对应的致慢病比重，确定所述用户的患慢病概率，所述致慢病比重是根据已患慢病用户包括的个人信息中的各项信息导致所述已患慢病用户患慢病的概率确定的；
推送单元603，用于当所述用户的患慢病概率大于预设概率阈值时，根据所述初始保单信息或所述用户的患慢病概率确定目标保单，并向所述用户对应的用户终端推送所述目标保单。
在一个实施例中，所述确定单元602，具体用于：
将所述各项信息与预设的各项患慢病信息进行比对，并根据得到的比对结果为所述各项信息设置分数，所述预设的各项患慢病信息为所述已患慢病用户确定患慢病时的致病信息；
获取所述各项信息的致慢病比重；
根据所述各项信息的设置分数和所述各项信息的致慢病比重，计算得到所述用户的患慢病概率。
在一个实施例中，当所述预设概率阈值为第一预设概率阈值，所述患慢病概率为患投保慢病概率时，所述推送单元603，具体用于：
当所述用户的患慢病概率大于第一预设概率阈值时，对所述初始保单信息进行修改，所述初始保单信息包括：投保慢性病、理赔信息以及投保类别中的一项或多项；
将修改后的初始保单作为目标保单，并向所述用户对应的用户终端推送所述第一目标保单。
在一个实施例中，所述推送单元603，具体用于：
根据所述用户的个人信息确定所述用户的所属地区，并从所述所属地区对应人群购买的保单集合中确定出和所述初始保单的投保慢病相同的参考保单；
根据所述参考保单的理赔信息和投保类别，对所述初始保单的理赔信息和投保类别进行修改。
在一个实施例中，所述推送单元603，具体用于：
根据所述用户的个人信息确定所述用户的所属人群，并从所述所属人群购买的保单集合中确定出和所述初始保单的投保慢病相同的参考保单；
根据所述参考保单的理赔信息和投保类别，对所述初始保单的理赔信息和投保类别进行修改。
在一个实施例中，当所述预设概率阈值为第二预设概率阈值，所述患慢病概率为患非投保慢病概率时，所述推送单元603，具体用于：
当所述用户的患慢病概率大于所述第二预设概率阈值时，从保单集合中获取和所述初始保单的投保类别相同的目标保单，所述保单集合中包括至少一个保单；
向所述用户对应的用户终端推送所述第二目标保单。
在一个实施例中，所述装置还包括：生成单元604和发送单元605。
生成单元604，用于当所述用户的患慢病概率大于预设概率阈值时，根据所述用户的患慢病概率生成提示信息；
发送单元605，用于将所述提示信息发送到所述用户终端，所述提示信息用于提醒所述用户注意饮食、作息以及生活习惯。
在本发明实施例中，接收单元601通过接收包括了用户的个人信息和该用户选择的初始保单信息的投保请求，并进一步地确定单元602可根据该投保请求包括的个人信息中的各项信息的致慢病比重确定出该用户患慢病的概率，当该用户的患慢病概率大于预设概率阈值时，推送单元603根据该用户选择的初始保单向用户推送目标保单，该目标保单更贴近于用户的实际情况，因此，该用户可从推送的目标保单中选择出更加适合自身需求的保单进行投保，从而提升投保成功率。
参见图7，是本发明实施例提供的一种服务器的示意框图。如图所示的本实施例中的服务器可以包括：供电电源，外壳，各种所需的接口等结构，例如网络接口，用户接口等等。所述服务器还包括：一个或多个处理器701和存储装置702。上述处理器701和存储装置702相连，在一个实施例中，处理器701和存储装置702之间可通过总线703连接。
所述服务器可以包括用户接口，所述用户接口可以包括一些物理按键或者触摸按键等构成的接口模块，能够接收用户的操作，该用户接口还可以包括一些能够向用户提示诸如服务器的工作状态等信息的显示屏等结构。
所述存储装置702可以包括易失性存储装置(volatile memory)，如随机存取存储装置(random-access memory，RAM)；存储装置702也可以包括非易失性存储装置(non-volatile memory)，如快闪存储装置(flash memory)，固态硬盘(solid-state drive，SSD)等；存储装置702还可以包括上述种类的存储装置的组合。
所述处理器701可以是中央处理器(central processing unit，CPU)。所述处理器701还可以进一步包括硬件芯片。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)等。该PLD可以是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)等。所述处理器701也可以为上述结构的组合。
在本发明实施例中，所述存储装置702用于存储计算机程序，所述计算机程序包括程序指令，处理器701用于执行存储装置702存储的程序指令，用来实现上述实施例中的相应方法步骤。
在一个实施例中，所述处理器701被配置调用所述程序指令用于执行：
接收投保请求，所述投保请求包括用户的个人信息和所述用户选择的初始保单信息，所述用户的个人信息包括生活习惯信息、过往病史信息以及工作状态信息中的一项或多项；
根据所述个人信息中的各项信息对应的致慢病比重，确定所述用户的患慢病概率，所述致慢病比重是根据已患慢病用户包括的个人信息中的各项信息导致所述已患慢病用户患慢病的概率确定的；
当所述用户的患慢病概率大于预设概率阈值时，根据所述初始保单信息或所述用户的患慢病概率确定目标保单，并向所述用户对应的用户终端推送所述目标保单。
在一个实施例中，所述处理器701，具体被配置用于执行：
将所述各项信息与预设的各项患慢病信息进行比对，并根据得到的比对结果为所述各项信息设置分数，所述预设的各项患慢病信息为所述已患慢病用户确定患慢病时的致病信息；
获取所述各项信息的致慢病比重；
根据所述各项信息的设置分数和所述各项信息的致慢病比重，计算得到所述用户的患慢病概率。
在一个实施例中，当所述预设概率阈值为第一预设概率阈值，所述患慢病概率为患投保慢病概率时，所述处理器701，具体被配置用于执行：
当所述用户的患慢病概率大于第一预设概率阈值时，对所述初始保单信息进行修改，所述初始保单信息包括：投保慢性病、理赔信息以及投保类别中的一项或多项；
将修改后的初始保单作为目标保单，并向所述用户对应的用户终端推送所述目标保单。
在一个实施例中，所示处理器701，具体被配置用于执行：
根据所述用户的个人信息确定所述用户的所属地区，并从所述所属地区对应人群购买的保单集合中确定出和所述初始保单的投保慢病相同的参考保单；
根据所述参考保单的理赔信息和投保类别，对所述初始保单的理赔信息和投保类别进行修改。
在一个实施例中，所示处理器701，具体被配置用于执行：
根据所述用户的个人信息确定所述用户的所属人群，并从所述所属人群购买的保单集合中确定出和所述初始保单的投保慢病相同的参考保单；
根据所述参考保单的理赔信息和投保类别，对所述初始保单的理赔信息和投保类别进行修改。
在一个实施例中，当所述预设概率阈值为第二预设概率阈值，所述患慢病概率为患非投保慢病概率时，所述处理器701，具体被配置用于执行：
当所述用户的患慢病概率大于第二预设概率阈值时，从保单集合中获取和所述初始保单的投保类别相同的目标保单，所述保单集合中包括至少一个保单；
向所述用户对应的用户终端推送所述目标保单。
在一个实施例中，所示处理器701，具体被配置用于执行：
当所述用户的患慢病概率大于预设概率阈值时，根据所述用户的患慢病概率生成提示信息；
并将所述提示信息发送到所述用户终端，所述提示信息用于提醒所述用户注意饮食、作息以及生活习惯。
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、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所揭露的仅为本发明部分实施例而已，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)
1.一种基于数据分析的保单推荐方法，其特征在于，包括：
接收投保请求，所述投保请求包括用户的个人信息和所述用户选择的初始保单信息，所述用户的个人信息包括生活习惯信息、过往病史信息以及工作状态信息中的一项或多项；
根据所述个人信息中的各项信息对应的致慢病比重，确定所述用户的患慢病概率，所述致慢病比重是根据已患慢病用户包括的个人信息中的各项信息导致所述已患慢病用户患慢病的概率确定的；
当所述用户的患慢病概率大于预设概率阈值时，根据所述初始保单信息或所述用户的患慢病概率确定目标保单，并向所述用户对应的用户终端推送所述目标保单。
2.根据权利要求1所述的方法，其特征在于，所述根据所述个人信息中的各项信息对应的致慢病比重，确定所述用户的患慢病概率，包括：
将所述各项信息与预设的各项患慢病信息进行比对，并根据得到的比对结果为所述各项信息设置分数，所述预设的各项患慢病信息为所述已患慢病用户确定患慢病时的致病信息；
获取所述各项信息的致慢病比重；
根据所述各项信息的设置分数和所述各项信息的致慢病比重，计算得到所述用户的患慢病概率。
3.根据权利要求1所述的方法，其特征在于，当所述预设概率阈值为第一预设概率阈值，所述患慢病概率为患投保慢病概率时，则根据所述初始保单信息或所述用户的患慢病概率确定目标保单，并向所述用户对应的用户终端推送所述目标保单，包括：
当所述用户的患慢病概率大于所述第一预设概率阈值时，对所述初始保单信息进行修改，所述初始保单信息包括：投保慢性病、理赔信息以及投保类别中的一项或多项；
将修改后的初始保单作为目标保单，并向所述用户对应的用户终端推送所述目标保单。
4.根据权利要求3所述的方法，其特征在于，所述对所述初始保单信息进行修改，包括：
根据所述用户的个人信息确定所述用户的所属地区，并从所述所属地区对应人群购买的保单集合中确定出和所述初始保单的投保慢病相同的参考保单；
根据所述参考保单的理赔信息和投保类别，对所述初始保单的理赔信息和投保类别进行修改。
5.根据权利要求3所述的方法，其特征在于，所述对所述初始保单信息进行修改，包括：
根据所述用户的个人信息确定所述用户的所属人群，并从所述所属人群购买的保单集合中确定出和所述初始保单的投保慢病相同的参考保单；
根据所述参考保单的理赔信息和投保类别，对所述初始保单的理赔信息和投保类别进行修改。
6.根据权利要求1所述的方法，其特征在于，当所述预设概率阈值为第二预设概率阈值，所述患慢病概率为患非投保慢病概率时，则根据所述初始保单信息或所述用户的患慢病概率确定目标保单，并向所述用户对应的用户终端推送所述目标保单，包括：
当所述用户的患慢病概率大于所述第二预设概率阈值时，从保单集合中获取和所述初始保单的投保类别相同的目标保单，所述保单集合中包括至少一个保单；
向所述用户对应的用户终端推送所述目标保单。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
当所述用户的患慢病概率大于预设概率阈值时，根据所述用户的患慢病概率生成提示信息；
将所述提示信息发送到所述用户终端，所述提示信息用于提醒所述用户注意饮食、作息以及生活习惯。
8.一种基于数据分析的保单推荐装置，其特征在于，包括：
接收单元，用于接收投保请求，所述投保请求包括用户的个人信息和所述用户选择的初始保单信息，所述用户的个人信息包括生活习惯信息、过往病史信息以及工作状态信息中的一项或多项；
确定单元，用于根据所述个人信息中的各项信息对应的致慢病比重，确定所述用户的患慢病概率，所述致慢病比重是根据已患慢病用户包括的个人信息中的各项信息导致所述已患慢病用户患慢病的概率确定的；
推送单元，用于当所述用户的患慢病概率大于预设概率阈值时，根据所述初始保单信息或所述用户的患慢病概率确定目标保单，并向所述用户对应的用户终端推送所述目标保单。
9.一种服务器，其特征在于，包括处理器和存储装置，所述处理器和所述存储装置相互连接，其中，所述存储装置用于存储计算机程序指令，所述处理器被配置用于执行所述程序指令，实现如权利要求1-7任一项所述的方法。
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 |
|---|---|---|---|
| CN201811272479.9A CN109300017B (zh) | 2018-10-27 | 2018-10-27 | 基于数据分析的保单推荐方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811272479.9A CN109300017B (zh) | 2018-10-27 | 2018-10-27 | 基于数据分析的保单推荐方法、装置、服务器及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109300017A true CN109300017A (zh) | 2019-02-01 |
| CN109300017B CN109300017B (zh) | 2023-01-17 |
Family
ID=65158073
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811272479.9A Active CN109300017B (zh) | 2018-10-27 | 2018-10-27 | 基于数据分析的保单推荐方法、装置、服务器及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109300017B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110096524A (zh) * | 2019-03-15 | 2019-08-06 | 深圳壹账通智能科技有限公司 | 保险产品的推荐方法、装置、计算机设备及存储介质 |
| CN111127225A (zh) * | 2019-11-25 | 2020-05-08 | 泰康保险集团股份有限公司 | 保险核保的系统、方法、设备和计算机可读介质 |
| CN111275558A (zh) * | 2020-01-13 | 2020-06-12 | 上海维跃信息科技有限公司 | 用于确定保险数据的方法和装置 |
| CN112132646A (zh) * | 2020-08-27 | 2020-12-25 | 绿瘦健康产业集团有限公司 | 一种用户分流处理方法、装置、介质及终端设备 |
| CN117409978A (zh) * | 2023-12-15 | 2024-01-16 | 贵州大学 | 一种疾病预测模型构建方法、系统、装置及可读存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7555439B1 (en) * | 2005-07-21 | 2009-06-30 | Trurisk, Llc | Computerized medical underwriting of group life insurance using medical claims data |
| CN103473354A (zh) * | 2013-09-25 | 2013-12-25 | 焦点科技股份有限公司 | 基于电子商务平台的保险推荐系统框架及保险推荐方法 |
| CN104287706A (zh) * | 2014-10-29 | 2015-01-21 | 云南大学 | 一种人体健康状态实时监测及诊疗推荐系统 |
| CN107403384A (zh) * | 2016-05-18 | 2017-11-28 | 平安科技（深圳）有限公司 | 保险推荐方法和装置 |
| CN107924716A (zh) * | 2015-08-06 | 2018-04-17 | 微软技术许可有限责任公司 | 用于标识健康风险地区的计算系统 |
| US20180144103A1 (en) * | 2016-11-23 | 2018-05-24 | Selvas Ai Inc. | Method and apparatus for predicting probability of outbreak of disease |
| CN108122612A (zh) * | 2017-12-20 | 2018-06-05 | 姜涵予 | 数据库的建立、多维度健康风险等级确定方法及装置 |
| CN108510402A (zh) * | 2018-06-06 | 2018-09-07 | 中国平安人寿保险股份有限公司 | 险种信息推荐方法、装置、计算机设备及存储介质 |
| CN108596773A (zh) * | 2018-04-27 | 2018-09-28 | 中国太平洋保险（集团）股份有限公司 | 一种建立用户家庭保险保障组合体系的控制方法 |
-
2018
- 2018-10-27 CN CN201811272479.9A patent/CN109300017B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7555439B1 (en) * | 2005-07-21 | 2009-06-30 | Trurisk, Llc | Computerized medical underwriting of group life insurance using medical claims data |
| CN103473354A (zh) * | 2013-09-25 | 2013-12-25 | 焦点科技股份有限公司 | 基于电子商务平台的保险推荐系统框架及保险推荐方法 |
| CN104287706A (zh) * | 2014-10-29 | 2015-01-21 | 云南大学 | 一种人体健康状态实时监测及诊疗推荐系统 |
| CN107924716A (zh) * | 2015-08-06 | 2018-04-17 | 微软技术许可有限责任公司 | 用于标识健康风险地区的计算系统 |
| CN107403384A (zh) * | 2016-05-18 | 2017-11-28 | 平安科技（深圳）有限公司 | 保险推荐方法和装置 |
| US20180144103A1 (en) * | 2016-11-23 | 2018-05-24 | Selvas Ai Inc. | Method and apparatus for predicting probability of outbreak of disease |
| CN108122612A (zh) * | 2017-12-20 | 2018-06-05 | 姜涵予 | 数据库的建立、多维度健康风险等级确定方法及装置 |
| CN108596773A (zh) * | 2018-04-27 | 2018-09-28 | 中国太平洋保险（集团）股份有限公司 | 一种建立用户家庭保险保障组合体系的控制方法 |
| CN108510402A (zh) * | 2018-06-06 | 2018-09-07 | 中国平安人寿保险股份有限公司 | 险种信息推荐方法、装置、计算机设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 莫菲等: "《科技重塑金融Fintech实践与展望》", 30 November 2017 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110096524A (zh) * | 2019-03-15 | 2019-08-06 | 深圳壹账通智能科技有限公司 | 保险产品的推荐方法、装置、计算机设备及存储介质 |
| CN111127225A (zh) * | 2019-11-25 | 2020-05-08 | 泰康保险集团股份有限公司 | 保险核保的系统、方法、设备和计算机可读介质 |
| CN111275558A (zh) * | 2020-01-13 | 2020-06-12 | 上海维跃信息科技有限公司 | 用于确定保险数据的方法和装置 |
| CN111275558B (zh) * | 2020-01-13 | 2024-02-27 | 上海维跃信息科技有限公司 | 用于确定保险数据的方法和装置 |
| CN112132646A (zh) * | 2020-08-27 | 2020-12-25 | 绿瘦健康产业集团有限公司 | 一种用户分流处理方法、装置、介质及终端设备 |
| CN112132646B (zh) * | 2020-08-27 | 2023-04-25 | 广东壹健康健康产业集团股份有限公司 | 一种用户分流处理方法、装置、介质及终端设备 |
| CN117409978A (zh) * | 2023-12-15 | 2024-01-16 | 贵州大学 | 一种疾病预测模型构建方法、系统、装置及可读存储介质 |
| CN117409978B (zh) * | 2023-12-15 | 2024-04-19 | 贵州大学 | 一种疾病预测模型构建方法、系统、装置及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109300017B (zh) | 2023-01-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109300017A (zh) | 基于数据分析的保单推荐方法、装置、服务器及存储介质 | |
| Fleischauer | Hospitalizations for endocarditis and associated health care costs among persons with diagnosed drug dependence—North Carolina, 2010–2015 | |
| Kyu et al. | Global and national burden of diseases and injuries among children and adolescents between 1990 and 2013: findings from the global burden of disease 2013 study | |
| CN111696675B (zh) | 基于物联网数据的用户数据分类方法、装置及计算机设备 | |
| Huang et al. | The effectiveness of telemedicine on body mass index: A systematic review and meta-analysis | |
| Kuan et al. | Efficacy of telemedicine for the management of cardiovascular disease: a systematic review and meta-analysis | |
| Polisena et al. | Home telemonitoring for congestive heart failure: a systematic review and meta-analysis | |
| Erickson et al. | Cost-effectiveness of tolvaptan in autosomal dominant polycystic kidney disease | |
| Liao et al. | Costs for heart failure with normal vs reduced ejection fraction | |
| Mata-Cases et al. | Clinical inertia in the treatment of hyperglycemia in type 2 diabetes patients in primary care | |
| Morse et al. | Use characteristics and triage acuity of a digital symptom checker in a large integrated health system: population-based descriptive study | |
| US9870449B2 (en) | Methods and systems for predicting health condition of human subjects | |
| CN110739038B (zh) | 基于医嘱的药品分发系统 | |
| WO2018209834A1 (zh) | 用于健康管理的问卷调查系统及方法 | |
| JP7139795B2 (ja) | 介入内容推定装置、方法およびプログラム | |
| Wong et al. | Quality of life changes in children following emergency dental extractions under general anaesthesia | |
| Baghlaf et al. | Free sugars consumption around bedtime and dental caries in children: a systematic review | |
| US8041580B1 (en) | Forecasting consequences of healthcare utilization choices | |
| Hurley et al. | Seasonal influenza vaccination in adults: practice and attitudes about collaborative delivery with community vaccinators | |
| Houchen et al. | A pilot study to explore the effectiveness of “early” rehabilitation after a hospital admission for chronic heart failure | |
| Yeoh et al. | Factors influencing breastfeeding rates in south‐western Sydney | |
| CN116580809A (zh) | 一种购药方法、装置及存储介质 | |
| WO2018209833A1 (zh) | 具有激励模式的问卷调查系统及方法 | |
| Dasta et al. | Economic impact of tolvaptan treatment vs. fluid restriction based on real-world data among hospitalized patients with heart failure and hyponatremia | |
| KR101145142B1 (ko) | 당뇨병 관리 전문가의 의사결정 룰을 채용한 유헬스케어 시스템 및 그 당뇨병 관리방법 |
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 |