CN109377387A - 医保理赔费用检测方法、装置、计算机设备和存储介质 - Google Patents

医保理赔费用检测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN109377387A
CN109377387A CN201811052022.7A CN201811052022A CN109377387A CN 109377387 A CN109377387 A CN 109377387A CN 201811052022 A CN201811052022 A CN 201811052022A CN 109377387 A CN109377387 A CN 109377387A
Authority
CN
China
Prior art keywords
medical insurance
cluster
data
resolution
target
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
Application number
CN201811052022.7A
Other languages
English (en)
Inventor
荣絮
耿爱香
吴亚博
郑毅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201811052022.7A priority Critical patent/CN109377387A/zh
Publication of CN109377387A publication Critical patent/CN109377387A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Technology Law (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本申请涉及人工智能领域的智能检测，提供了一种医保理赔费用检测方法、装置、计算机设备和存储介质。所述方法包括：获取历史医保理赔数据，将历史医保理赔数据输入聚类模型中，得到多个候选医保理赔簇群；计算各个候选医保理赔簇群的理赔对标值，并获取各个候选医保理赔簇群中历史医保理赔数据的理赔值，根据理赔对标值和理赔值计算各个候选医保理赔簇群的理赔差异值；获取待检测医保理赔数据，根据待检测医保理赔数据从候选理赔簇群中确定对应的目标医保理赔簇群，根据目标医保理赔簇群得到对应的目标理赔差异值；获取待检测医保理赔数据中的目标理赔值，根据目标理赔差异值和目标理赔值得到可控理赔费用。采用本方法能够有效防止医保理赔不合理增长。

Description

医保理赔费用检测方法、装置、计算机设备和存储介质
技术领域
本申请涉及计算机技术领域，特别是涉及一种医保理赔费用检测方法、装置、计算机设备和存储介质。
背景技术
医保指社会医疗保险。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。但是，由于医疗卫生行业的特殊性，医疗保险系统主体间的信息不对称引发了道德风险，导致医疗费用不合理上涨，从而使医保理赔的费用不合理增长。目前，都是通过政策对医保理赔的费用不合理增长进行限制，这种简单的政策规则限制，难以有效防止医保理赔的费用不合理增长。
发明内容
基于此，有必要针对上述技术问题，提供一种能够有效防止医保理赔费用不合理增长的医保理赔费用检测方法、装置、计算机设备和存储介质。
一种医保理赔费用检测方法，所述方法包括：
获取历史医保理赔数据，将历史医保理赔数据输入聚类模型中，得到多个候选医保理赔簇群；
计算各个候选医保理赔簇群的理赔对标值，并获取各个候选医保理赔簇群中历史医保理赔数据的理赔值，根据理赔对标值和理赔值计算各个候选医保理赔簇群的理赔差异值；
获取待检测医保理赔数据，根据待检测医保理赔数据从候选理赔簇群中确定对应的目标医保理赔簇群，根据目标医保理赔簇群得到对应的目标理赔差异值；
获取待检测医保理赔数据中的目标理赔值，根据目标理赔差异值和目标理赔值得到可控理赔费用。
在其中一个实施例中，将历史医保理赔数据输入聚类模型中，得到多个候选医保理赔簇群，包括：
获取划分条件，根据划分条件对历史医保理赔数据进行划分，得到划分结果；
将划分结果输入聚类模型中，得到划分结果对应的多个候选医保理赔簇群；
则根据待检测医保理赔数据从候选理赔簇群中确定对应的目标医保理赔簇群，包括：
根据划分条件对待检测医保理赔数据进行划分，根据划分结果确定待检测医保理赔数据对应的目标医保理赔簇群。
在其中一个实施例中，将历史医保理赔数据输入聚类模型中，得到多个候选医保理赔簇群，包括：
获取预设聚类簇数，随机从历史医保理赔数据中选择预设聚类簇数的初始簇中心，将初始簇中心作为当前簇中心；
计算历史医保理赔数据到当前簇中心的距离，根据距离将历史医保理赔数据分配到当前簇中心对应的簇中，得到预设聚类簇数的目标簇；
计算目标簇的目标簇中心，将目标簇中心作为当前簇中心，返回计算历史医保理赔数据到当前簇中心的距离，根据距离将历史医保理赔数据分配到当前簇中心对应的簇中，得到预设聚类簇数的目标簇的步骤进行重复聚类，当满足收敛条件时，得到预设聚类簇数的候选医保理赔簇群。
在其中一个实施例中，将历史医保理赔数据输入聚类模型中，得到多个候选医保理赔簇群，包括：
获取预设医保聚类簇数，并获取预设高斯分布参数和预设权重；
根据预设高斯分布参数和预设权重使用贝叶斯定理计算历史医保理赔数据后验概率，根据预设高斯分布参数、预设权重和后验概率更新高斯分布参数和权重；
将更新后的高斯分布参数和权重作为预设高斯分布参数和预设权重，返回根据预设高斯分布参数和预设权重使用贝叶斯定理计算历史医保理赔数据后验概率，根据预设高斯分布参数、预设权重和后验概率更新高斯分布参数和权重的步骤，当达到预设条件时，得到目标高斯分布参数和目标权重；
使用目标高斯分布参数和目标权重计算历史医保理赔数据属于医保理赔簇群的概率，将历史医保理赔数据按照概率进行聚类，得到预设医保聚类簇数的候选医保理赔簇群。
在其中一个实施例中，所述方法还包括：
获取待检测医保理赔数据，根据待检测医保理赔数据得到医保特征向量；
将医保特征向量输入到已训练的医保控费模型中，得到可控理赔输出向量，已训练的医保控费模型是根据历史医保理赔数据和对应的可控理赔值使用神经网络算法训练得到的；
根据可控理赔输出向量得到医保可控费用。
在其中一个实施例中，已训练的医保控费模型的生成步骤，包括：
获取历史医保理赔数据和对应的可控理赔值，根据历史医保理赔数据提取医保理赔特征；
计算医保理赔特征对应的医保特征向量和可控理赔值对应的向量；
将医保特征向量作为前馈神经网络的输入，将可控理赔值对应的向量作为标签进行训练，当达到预设条件时，得到已训练的医保控费模型。
一种医保理赔费用检测装置，其特征在于，所述装置包括：
候选簇群得到模块，用于获取历史医保理赔数据，将历史医保理赔数据输入聚类模型中，得到多个候选医保理赔簇群；
差异值计算模块，用于计算各个候选医保理赔簇群的理赔对标值，并获取各个候选医保理赔簇群中历史医保理赔数据的理赔值，根据理赔对标值和理赔值计算各个候选医保理赔簇群的理赔差异值；
目标差异值得到模块，用于获取待检测医保理赔数据，根据待检测医保理赔数据从候选理赔簇群中确定对应的目标医保理赔簇群，根据目标医保理赔簇群得到对应的目标理赔差异值；
第一可控费用得到模块，用于获取待检测医保理赔数据中的目标理赔值，根据目标理赔差异值和目标理赔值得到可控理赔费用。
在其中一个实施例中，所述装置还包括：
特征向量得到模块，用于获取待检测医保理赔数据，根据待检测医保理赔数据得到医保特征向量；
输出向量得到模块，用于将医保特征向量输入到已训练的医保控费模型中，得到可控理赔输出向量，已训练的医保控费模型是根据历史医保理赔数据和对应的可控理赔值使用神经网络算法训练得到的；
第二可控费用得到模块，用于根据可控理赔输出向量得到医保可控费用。
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以下步骤：
获取历史医保理赔数据，将历史医保理赔数据输入聚类模型中，得到多个候选医保理赔簇群；
计算各个候选医保理赔簇群的理赔对标值，并获取各个候选医保理赔簇群中历史医保理赔数据的理赔值，根据理赔对标值和理赔值计算各个候选医保理赔簇群的理赔差异值；
获取待检测医保理赔数据，根据待检测医保理赔数据从候选理赔簇群中确定对应的目标医保理赔簇群，根据目标医保理赔簇群得到对应的目标理赔差异值；
获取待检测医保理赔数据中的目标理赔值，根据目标理赔差异值和目标理赔值得到可控理赔费用。
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以下步骤：
获取历史医保理赔数据，将历史医保理赔数据输入聚类模型中，得到多个候选医保理赔簇群；
计算各个候选医保理赔簇群的理赔对标值，并获取各个候选医保理赔簇群中历史医保理赔数据的理赔值，根据理赔对标值和理赔值计算各个候选医保理赔簇群的理赔差异值；
获取待检测医保理赔数据，根据待检测医保理赔数据从候选理赔簇群中确定对应的目标医保理赔簇群，根据目标医保理赔簇群得到对应的目标理赔差异值；
获取待检测医保理赔数据中的目标理赔值，根据目标理赔差异值和目标理赔值得到可控理赔费用。
上述医保理赔费用检测方法、装置、计算机设备和存储介质，通过获取历史医保理赔数据，将历史医保理赔数据输入聚类模型中，得到多个候选医保理赔簇群；计算各个候选医保理赔簇群的理赔对标值，并获取各个候选医保理赔簇群中历史医保理赔数据的理赔值，根据理赔对标值和理赔值计算各个候选医保理赔簇群的理赔差异值；获取待检测医保理赔数据，根据待检测医保理赔数据从候选理赔簇群中确定对应的目标医保理赔簇群，根据目标医保理赔簇群得到对应的目标理赔差异值；获取待检测医保理赔数据中的目标理赔值，根据目标理赔差异值和目标理赔值得到可控理赔费用，通过得到可控理赔费用，根据可控理赔费用对理赔费用进行限制，可以有效防止医保理赔费用不合理增长。
附图说明
图1为一个实施例中医保理赔费用检测方法的应用场景图；
图2为一个实施例中医保理赔费用检测方法的流程示意图；
图3为一个实施例中得到候选医保理赔簇群的流程示意图；
图4为另一个实施例中得到候选医保理赔簇群的流程示意图；
图5为又一个实施例中得到候选医保理赔簇群的流程示意图；
图6为另一个实施例中医保理赔费用检测方法的流程示意图；
图7为一个实施例中得到已训练的医保控费模型的流程示意图；
图8为一个实施例中医保理赔费用检测装置的结构框图；
图9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。
本申请提供的医保理赔费用检测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。服务器104获取历史医保理赔数据，将历史医保理赔数据输入聚类模型中，得到多个候选医保理赔簇群；计算各个候选医保理赔簇群的理赔对标值，并获取各个候选医保理赔簇群中历史医保理赔数据的理赔值，根据理赔对标值和理赔值计算各个候选医保理赔簇群的理赔差异值；服务器104获取终端102发送的待检测医保理赔数据，根据待检测医保理赔数据从候选理赔簇群中确定对应的目标医保理赔簇群，根据目标医保理赔簇群得到对应的目标理赔差异值；获取待检测医保理赔数据中的目标理赔值，根据目标理赔差异值和目标理赔值得到可控理赔费用。其中，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、平板电脑和便携式可穿戴设备，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，提供了一种医保理赔费用检测方法，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：
S202，获取历史医保理赔数据，将历史医保理赔数据输入聚类模型中，得到多个候选医保理赔簇群。
其中，医保理赔数据是指患者在医院治疗疾病过程中报销的医疗费用的相关数据，包括参保人情况、参保信息、参保状态、支付情况、保单信息、保单详表和医院信息表等。聚类模型是根据聚类算法建立的模型，用于将医保理赔数据聚类成不同的医保理赔簇群。
具体地，服务器获取历史医保理赔数据，可以从全国医疗数据库中获取到全国不同医院的历史医保理赔数据。将获取到的历史医保理赔数据输入聚类模型中进行聚类，得到多个候选医保理赔簇群。
S204，计算各个候选医保理赔簇群的理赔对标值，并获取各个候选医保理赔簇群中历史医保理赔数据的理赔值，根据理赔对标值和理赔值计算各个候选医保理赔簇群的理赔差异值。
其中，理赔对标值是指用来和历史医保理赔数据的理赔值进行对比的值，可以是医保理赔簇群中理赔的平均值，也可以是医保理赔簇群中理赔的分位点，还可以是医保理赔簇群中理赔的异常程度点。理赔值是指医保理赔花费值。理赔差异值是指理赔值和理赔对标值之间的差值。
具体地，服务器分别计算各个候选医保理赔簇群的理赔对标值，并获取到各个候选医保理赔簇群中历史医保理赔数据的理赔值，计算出每个医保理赔簇群中理赔对标值和对应的理赔值之间的理赔差异值。可以将计算出来的各个候选医保理赔簇群的差异值保存到数据库中。
S206，获取待检测医保理赔数据，根据待检测医保理赔数据从候选理赔簇群中确定对应的目标医保理赔簇群，根据目标医保理赔簇群得到对应的目标理赔差异值。
其中，待检测医保理赔数据是指从医院获取到的需要进行理赔费用检测的医保理赔数据。
具体地，服务器获取到待检测医保理赔数据，该医保理赔数据可以是从全国医疗数据库中获取到，也可以直接获取到医院终端发送的待检测医保理赔数据。然后服务器会计算待检测医保理赔数据到各个候选理赔簇群的距离，根据距离确定待检测医保理赔数据对应的目标医保理赔簇群，得到该目标医保理赔簇群的理赔差异值，得到目标理赔差异值。
S208，获取待检测医保理赔数据中的目标理赔值，根据目标理赔差异值和目标理赔值得到可控理赔费用。
具体的，服务器从待检测医保理赔数据中得到目标理赔值，该目标理赔值是待检测医保理赔数据中的理赔花费，然后计算目标理赔差异值和目标理赔值进行的和得到可控理赔费用。此时，该可控理赔费用就是该待检测医保理赔数据中可以进行控制的理赔费用。
在一个实施例中，可以获取带有不同医院标识的待检测医保理赔数据，得到不同医院标识对应的可控理赔费用，然后可以对计算得到可控理赔费用进行可视化展示，然后按照可控理赔费用的大小依次向医院标识对应的终端发送携带有对应可控理赔费用的医保理赔可控提示，以使医院根据可控理赔费用对不合理的医疗花费进行控制。
上述医保理赔费用检测方法中，通过通过获取历史医保理赔数据，将历史医保理赔数据输入聚类模型中，得到多个候选医保理赔簇群；计算各个候选医保理赔簇群的理赔对标值，并获取各个候选医保理赔簇群中历史医保理赔数据的理赔值，根据理赔对标值和理赔值计算各个候选医保理赔簇群的理赔差异值；获取待检测医保理赔数据，根据待检测医保理赔数据从候选理赔簇群中确定对应的目标医保理赔簇群，根据目标医保理赔簇群得到对应的目标理赔差异值；获取待检测医保理赔数据中的目标理赔值，根据目标理赔差异值和目标理赔值得到可控理赔费用，通过得到可控理赔费用，根据可控理赔费用对理赔费用进行限制，可以有效防止医保理赔费用不合理增长
在一个实施例中，如图3所示，步骤S202.即将历史医保理赔数据输入聚类模型中，得到多个候选医保理赔簇群，包括步骤：
S302，获取划分条件，根据划分条件对历史医保理赔数据进行划分，得到划分结果。
其中，划分条件可以是预先在服务器中设置好的能够对历史医理赔数据进行划分的条件，包括医院等级、医院类型，疾病组、参保身份、医疗类型、性别年龄组中的至少一种。也可以是根据专家意见设置的划分条件。
具体地，服务器获取到划分条件，可以预先在服务器中设置好划分条件为医院等级，不同医院等级的医疗花费不同，医保理赔不同。此时，根据医院等级对获取得到的不同医院的历史医保理赔数据进行划分，得到不同医院等级对应的历史医保理赔数据。例如；医院等级有三级，将一级医院的历史医保理赔数据划分在一起，将二级医院的历史医保理赔数据划分在一起，最后三级医院的历史医保理赔数据划分在一起。
S304，将划分结果输入聚类模型中，得到划分结果对应的多个候选医保理赔簇群。
具体地，将每个划分结果都分别进行聚类，即将每个划分对应的历史医保理赔数据输入到聚类模型中，则得到每个划分对应的多个候选医保理赔簇群。比如，可以将一级医院的历史医保理赔数据输入到聚类模型中，得到一级医院对应的多个候选医保理赔簇群。
则步骤S206，即根据待检测医保理赔数据从候选理赔簇群中确定对应的目标医保理赔簇群，包括步骤：
根据划分条件对待检测医保理赔数据进行划分，根据划分结果确定待检测医保理赔数据对应的目标医保理赔簇群。
具体地，根据划分条件将待检测医保理赔数据进行划分，在划分结果对应的多个候选医保理赔簇群中计算待检测医保理赔数据到每个候选医保理赔簇群的距离，根据距离得到待检测医保理赔数据对应的候选医保理赔簇群，则该后续医保理赔簇群就是目标医保理赔簇群。
在上述实施例中，通过获取划分条件，根据划分条件对历史医保理赔数据进行划分，得到划分结果；将划分结果输入聚类模型中，得到划分结果对应的多个候选医保理赔簇群；然后在根据划分条件对待检测医保理赔数据进行划分，根据划分结果确定待检测医保理赔数据对应的目标医保理赔簇群，可以使得到目标医保理赔簇群更为精确。
在一个实施例中，如图4所示，步骤S202，即将历史医保理赔数据输入聚类模型中，得到多个候选医保理赔簇群，包括步骤：
S402，获取预设聚类簇数，随机从历史医保理赔数据中选择预设聚类簇数的初始簇中心，将初始簇中心作为当前簇中心。
其中，初始簇中心是指随机从历史医保理赔数据中选择的一条医历史医保理赔数据作为初始的聚类簇的中心。
具体地，服务器获取预先设置好的要聚类的簇数，随机从历史医保理赔数据中选择预设聚类簇数的初始簇中心，即从历史医保理赔数据中随机选择预设聚类簇数的医保理赔数据作为初始簇中心，将初始簇中心作为当前簇中心。
S404，计算历史医保理赔数据到当前簇中心的距离，根据距离将历史医保理赔数据分配到当前簇中心对应的簇中，得到预设聚类簇数的目标簇。
具体地，可以是使用欧氏距离计算除作为初始簇中心的历史医保理赔数据以外的其他历史医保理赔数据到当前簇中心的距离，则根据距离的大小将历史医保理赔数据分配到离当前簇中心距离最短的簇中，即将每条历史医保理赔数据分配到距离最小的当前簇中心对应的簇中，然后就得到了预设聚类簇数的目标簇。
S406，计算目标簇的目标簇中心，将目标簇中心作为当前簇中心。
具体地，重新计算每个目标簇的目标簇中心，将目标簇中心作为当前簇中心，即计算每个目标簇中历史医保理赔数据的平均数，将得到的平均数作为目标簇中心。
S408，判断是否满足收敛条件。
其中，收敛条件是指聚类的目标函数是否小于预设阈值，目标函数可以使用误差平方和(Sum of the Squared Error,SSE)即k表示k个簇中心，Ci表示第i个簇中心，dist表示的是欧几里得距离。
具体地，判断是否满足收敛条件，即判断目标函数的值是否小于预设阈值，当目标函数的值小于预设阈值时，执行步骤S410，当目标函数的值不小于预设阈值时，返回步骤S404执行。
S410，得到预设聚类簇数的候选医保理赔簇群。
具体地，当目标函数的值小于预设阈值时，就得到了预设聚类簇数的候选医保理赔簇群。
在上述实施例中，通过获取预设聚类簇数，随机从历史医保理赔数据中选择预设聚类簇数的初始簇中心，将初始簇中心作为当前簇中心；计算历史医保理赔数据到当前簇中心的距离，根据距离将历史医保理赔数据分配到当前簇中心对应的簇中，得到预设聚类簇数的目标簇；计算目标簇的目标簇中心，将目标簇中心作为当前簇中心，返回步骤S404进行重复聚类，当满足收敛条件时，得到预设聚类簇数的候选医保理赔簇群，可以得到历史医保理赔数据对应的候选医保理赔簇群，方便后续确定待检测数据的目标医保理赔簇群，提高了效率。
在一个实施例中，如图5所示，步骤S202，即将历史医保理赔数据输入聚类模型中，得到多个候选医保理赔簇群，包括步骤：
S502，获取预设医保聚类簇数，并获取预设高斯分布参数和预设权重。
具体地，获取到预先设置好的医保聚类簇数，并获取预设的高斯分布参数和预设权重，即对每一个医保聚类簇群都有预设的高斯分布参数和预设权重。
S504，根据预设高斯分布参数和预设权重使用贝叶斯定理计算历史医保理赔数据后验概率，根据预设高斯分布参数、预设权重和后验概率更新高斯分布参数和权重。
具体地，根据预设高斯分布参数和预设权重使用贝叶斯定理计算历史医保理赔数据后验概率，使用公式计算历史医保理赔数据后验概率，其中，k为医保聚类簇数，N(xn|μn,Σn)是以μn为预设高s斯分布参数中均值和Σn为预设高斯分布参数中协方差的多元高斯分布的概率密度函数，πk为第k个多元高斯分布在混合模型中的预设权重。然后根据预设高斯分布参数、预设权重和后验概率更新高斯分布参数和权重，使用计算新的高斯分布参数中的均值，使用计算新的高斯分布参数中的协方差，使用计算新的权重。
S506将更新后的高斯分布参数和权重作为预设高斯分布参数和预设权重。
S508，判断是否达到预设条件。
具体地，将更新后的高斯分布参数和权重作为预设的高斯分布参数和预设权重，判断计算得到的新的高斯分布参数和权重是否使对数似然函数计算收敛，当对数似然函数收敛时，执行步骤S510，当对数似然函数收敛时不收敛时，返回步骤S504进行执行。其中，对数似然函数可以是其中，π为权重，μ为高斯分布参数中的均值，Σ为高斯分布参数中的协方差。
S510，得到目标高斯分布参数和目标权重。
S512，使用目标高斯分布参数和目标权重计算历史医保理赔数据属于医保理赔簇群的概率，将历史医保理赔数据按照概率进行聚类，得到预设医保聚类簇数的候选医保理赔簇群。
具体地，当对数似然函数收敛时，将对应的高斯分布参数和权重作为目标高斯分布参数和目标权重，使用目标高斯分布参数和目标权重使用计算历史医保理赔数据属于每个医保理赔簇群的概率，将历史医保理赔数据分配到概率最大的医保理赔簇群中进行聚类，就得到了预设医保聚类簇数的候选医保理赔簇群。
在上述实施例中，通过获取预设医保聚类簇数，并获取预设高斯分布参数和预设权重；根据预设高斯分布参数和预设权重使用贝叶斯定理计算历史医保理赔数据后验概率，根据预设高斯分布参数、预设权重和后验概率更新高斯分布参数和权重；将更新后的高斯分布参数和权重作为预设高斯分布参数和预设权重，返回根据预设高斯分布参数和预设权重使用贝叶斯定理计算历史医保理赔数据后验概率，根据预设高斯分布参数、预设权重和后验概率更新高斯分布参数和权重的步骤，当达到预设条件时，得到目标高斯分布参数和目标权重；使用目标高斯分布参数和目标权重计算历史医保理赔数据属于医保理赔簇群的概率，将历史医保理赔数据按照概率进行聚类，得到预设医保聚类簇数的候选医保理赔簇群，可以在不同的情况下选择合适的方法得到候选医保理赔簇群，能够提高得到候选医保理赔簇群的效率。
在一个实施例中，如图6所示，医保理赔费用检测方法还包括步骤：
S602，获取待检测医保理赔数据，根据待检测医保理赔数据得到医保特征向量。
其中，医保特征是根据历史医保理赔数据提取到的特征，包括参保人特征、参保信息特征、参保状态特征、支付特征、保单信息特征和医院信息特征等：医保特征向量是根据医保特征和对应的待检测的医保理赔数据得到的要输入到机器学习模型中的向量。
具体地，服务器获取到待检测的医保理赔数据，首先根据带检测的医保理赔数据生成医保特征向量，包括参保人特征向量、参保信息特征向量、参保状态特征向量、支付特征向量、保单信息特征向量和医院信息特征向量等。例如，得到一条医保理赔数据中参保人信息为男，28岁等，然后得到的对应的参保人特征向量就是[1,28]。参保状态信息为正常缴费，则对应的参保信息特征向量就为[1]。支付信息为报销的费用为1000，则得到的支付特征向量就包括[1000]，医院信息中医院等级为三级，则得到的医院信息特征向量包括[3]。最后得到的医保特征向量可以是[1,28,1,1000,3]。
S604，将医保特征向量输入到已训练的医保控费模型中，得到可控理赔输出向量，已训练的医保控费模型是根据历史医保理赔数据和对应的可控理赔值使用神经网络算法训练得到的。
S606，根据可控理赔输出向量得到医保可控费用。
其中，神经网络算法可以是BP(back propagation)神经网络，是一种按照误差逆向传播算法训练的多层前馈神经网络。可以预先根据历史医保理赔数据和对应的可控理赔值使用BP神经网络进行训练，训练完成时就得到了医保控费模型。
具体地，服务器将医保特征向量输入到已训练好的医保控费模型中，医保控费模型对输入的医保特征向量进行检测，得到可控理赔输出向量。可以预先在训练医保控费模型时设置好可控理赔输出向量和医保可控费用之间的对应关系，在进行检测时，服务器根据设置好的对应关系得到可控理赔输出向量对应的医保可控费用。比如，服务器对医保特征向量[1,28,1,1000,3]进行检测得到的可控理赔输出向量[0.1]，根据设置好的对应关系得到对应的医保可控费用为100。
在上述实施例中，通过使用获取待检测医保理赔数据，根据待检测医保理赔数据得到医保特征向量；将医保特征向量输入到已训练的医保控费模型中，得到可控理赔输出向量，已训练的医保控费模型是根据历史医保理赔数据和对应的可控理赔值使用神经网络算法训练得到的；根据可控理赔输出向量得到医保可控费用，通过得到可控理赔费用，根据可控理赔费用对理赔费用进行限制，可以有效防止医保理赔费用不合理增长。
在一个实施例中，如图7所示，已训练的医保控费模型的生成步骤，包括：
S702，获取历史医保理赔数据和对应的可控理赔值，根据历史医保理赔数据提取医保理赔特征。
具体地，服务器可以从全国医疗数据库中获取到不同医院的历史医保理赔数据和对应的可控理赔值，根据历史医保数据提取医保理赔特征，。
S704，计算医保理赔特征对应的医保特征向量和可控理赔值对应的向量。
具体地，服务器根据历史医保理赔数据计算对医保理赔特征应的医保理赔向量，然后根据预先设置好的关系得到可控理赔值对应的向量。
S706，将医保特征向量作为前馈神经网络的输入，将可控理赔值对应的向量作为标签进行训练，当达到预设条件时，得到已训练的医保控费模型。
其中，预设条件可以是激活函数达到预设阈值。激活函数可以使用S形函数
具体地，将医保特征向量作为BP神经网络的输入，将可控理赔值对应的向量作为标签进行训练，当激活函数达到预设阈值时，训练完成，得到已训练的医保控费模型。当激活函数没有达到预设阈值时，继续进行训练。
在上述实施例中，通过获取历史医保理赔数据和对应的可控理赔值，根据历史医保理赔数据提取医保理赔特征；计算医保理赔特征对应的医保特征向量和可控理赔值对应的向量；将医保特征向量作为前馈神经网络的输入，将可控理赔值对应的向量作为标签进行训练，当达到预设条件时，得到已训练的医保控费模型。通过预先训练好医保控费模型，在进行检测医保理赔数据时，可以直接使用训练好的医保控费模型，可以提高检测医保理赔数据的效率。
应该理解的是，虽然图2-7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2-7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8所示，提供了一种医保理赔费用检测装置800，包括：候选簇群得到模块802、差异值计算模块804、目标差异值得到模块806和第一可控费用得到模块模块808，其中：
候选簇群得到模块802，用于获取历史医保理赔数据，将历史医保理赔数据输入聚类模型中，得到多个候选医保理赔簇群。
差异值计算模块804，用于计算各个候选医保理赔簇群的理赔对标值，并获取各个候选医保理赔簇群中历史医保理赔数据的理赔值，根据理赔对标值和理赔值计算各个候选医保理赔簇群的理赔差异值。
目标差异值得到模块806，用于获取待检测医保理赔数据，根据待检测医保理赔数据从候选理赔簇群中确定对应的目标医保理赔簇群，根据目标医保理赔簇群得到对应的目标理赔差异值。
第一可控费用得到模块807，用于获取待检测医保理赔数据中的目标理赔值，根据目标理赔差异值和目标理赔值得到可控理赔费用。
在上述实施例中，通过候选簇群得到模块802得到多个候选医保理赔簇群，在差异值计算模块804计算候选医保理赔簇群的差异值，在目标差异值得到模块806中得到待检测医保理赔数据对应的目标差异值，最后在第一可控费用得到模块808中根据目标差异值和理赔值得到可控理赔费用，实现了根据得到的可控理赔费用对理赔费用进行限制，可以有效防止医保理赔费用不合理增长。
在一个实施例中，候选簇群得到模块802，包括：
数据划分模块，用于获取划分条件，根据划分条件对历史医保理赔数据进行划分，得到划分结果。
划分簇群得到模块，用于将划分结果输入聚类模型中，得到划分结果对应的多个候选医保理赔簇群。
目标差异值得到模块806，包括：
划分确定模块，用于根据划分条件对待检测医保理赔数据进行划分，根据划分结果确定待检测医保理赔数据对应的目标医保理赔簇群。
在一个实施例中，候选簇群得到模块802，包括：
簇中心得到模块，用于获取预设聚类簇数，随机从历史医保理赔数据中选择预设聚类簇数的初始簇中心，将初始簇中心作为当前簇中心。
目标簇得到模块，用于计算历史医保理赔数据到当前簇中心的距离，根据距离将历史医保理赔数据分配到当前簇中心对应的簇中，得到预设聚类簇数的目标簇。
第一候选簇群得到模块，用于计算目标簇的目标簇中心，将目标簇中心作为当前簇中心，返回计算历史医保理赔数据到当前簇中心的距离，根据距离将历史医保理赔数据分配到当前簇中心对应的簇中，得到预设聚类簇数的目标簇的步骤进行重复聚类，当满足收敛条件时，得到预设聚类簇数的候选医保理赔簇群。
在一个实施例中，候选簇群得到模块802，包括：
获取模块，用于获取预设医保聚类簇数，并获取预设高斯分布参数和预设权重。
分布更新模块，用于根据预设高斯分布参数和预设权重使用贝叶斯定理计算历史医保理赔数据后验概率，根据预设高斯分布参数、预设权重和后验概率更新高斯分布参数和权重。
目标分布得到模块，用于将更新后的高斯分布参数和权重作为预设高斯分布参数和预设权重，返回根据预设高斯分布参数和预设权重使用贝叶斯定理计算历史医保理赔数据后验概率，根据预设高斯分布参数、预设权重和后验概率更新高斯分布参数和权重的步骤，当达到预设条件时，得到目标高斯分布参数和目标权重。
第二候选簇群得到模块，用于使用目标高斯分布参数和目标权重计算历史医保理赔数据属于医保理赔簇群的概率，将历史医保理赔数据按照概率进行聚类，得到预设医保聚类簇数的候选医保理赔簇群。
在一个实施例中，医保理赔费用检测装置800，还包括：
向量获取模块，用于获取待检测医保理赔数据，根据待检测医保理赔数据得到医保特征向量。
检测模块，用于将医保特征向量输入到已训练的医保控费模型中，得到可控理赔输出向量，已训练的医保控费模型是根据历史医保理赔数据和对应的可控理赔值使用神经网络算法训练得到的。
费用得到模块用于，根据可控理赔输出向量得到医保可控费用。
在一个实施例中，医保理赔费用检测装置800，还包括：
特征提取模块，用于获取历史医保理赔数据和对应的可控理赔值，根据历史医保理赔数据提取医保理赔特征。
向量计算模块，用于计算医保理赔特征对应的医保特征向量和可控理赔值对应的向量。
训练模块，用于将医保特征向量作为前馈神经网络的输入，将可控理赔值对应的向量作为标签进行训练，当达到预设条件时，得到已训练的医保控费模型。
关于医保理赔费用检测装置的具体限定可以参见上文中对于医保理赔费用检测装置方法的限定，在此不再赘述。上述医保理赔费用检测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8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医保理赔数据。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医保理赔费用检测方法。
本领域技术人员可以理解，图8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：获取历史医保理赔数据，将历史医保理赔数据输入聚类模型中，得到多个候选医保理赔簇群；计算各个候选医保理赔簇群的理赔对标值，并获取各个候选医保理赔簇群中历史医保理赔数据的理赔值，根据理赔对标值和理赔值计算各个候选医保理赔簇群的理赔差异值；获取待检测医保理赔数据，根据待检测医保理赔数据从候选理赔簇群中确定对应的目标医保理赔簇群，根据目标医保理赔簇群得到对应的目标理赔差异值；获取待检测医保理赔数据中的目标理赔值，根据目标理赔差异值和目标理赔值得到可控理赔费用。
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：获取划分条件，根据划分条件对历史医保理赔数据进行划分，得到划分结果；将划分结果输入聚类模型中，得到划分结果对应的多个候选医保理赔簇群；处理器执行计算机程序时还实现以下步骤：根据划分条件对待检测医保理赔数据进行划分，根据划分结果确定待检测医保理赔数据对应的目标医保理赔簇群。
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：获取预设聚类簇数，随机从历史医保理赔数据中选择预设聚类簇数的初始簇中心，将初始簇中心作为当前簇中心；计算历史医保理赔数据到当前簇中心的距离，根据距离将历史医保理赔数据分配到当前簇中心对应的簇中，得到预设聚类簇数的目标簇；计算目标簇的目标簇中心，将目标簇中心作为当前簇中心，返回计算历史医保理赔数据到当前簇中心的距离，根据距离将历史医保理赔数据分配到当前簇中心对应的簇中，得到预设聚类簇数的目标簇的步骤进行重复聚类，当满足收敛条件时，得到预设聚类簇数的候选医保理赔簇群。
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：获取预设医保聚类簇数，并获取预设高斯分布参数和预设权重；根据预设高斯分布参数和预设权重使用贝叶斯定理计算历史医保理赔数据后验概率，根据预设高斯分布参数、预设权重和后验概率更新高斯分布参数和权重；将更新后的高斯分布参数和权重作为预设高斯分布参数和预设权重，返回根据预设高斯分布参数和预设权重使用贝叶斯定理计算历史医保理赔数据后验概率，根据预设高斯分布参数、预设权重和后验概率更新高斯分布参数和权重的步骤，当达到预设条件时，得到目标高斯分布参数和目标权重；使用目标高斯分布参数和目标权重计算历史医保理赔数据属于医保理赔簇群的概率，将历史医保理赔数据按照概率进行聚类，得到预设医保聚类簇数的候选医保理赔簇群。
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：获取待检测医保理赔数据，根据待检测医保理赔数据得到医保特征向量；将医保特征向量输入到已训练的医保控费模型中，得到可控理赔输出向量，已训练的医保控费模型是根据历史医保理赔数据和对应的可控理赔值使用神经网络算法训练得到的；根据可控理赔输出向量得到医保可控费用。
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：获取历史医保理赔数据和对应的可控理赔值，根据历史医保理赔数据提取医保理赔特征；计算医保理赔特征对应的医保特征向量和可控理赔值对应的向量；将医保特征向量作为前馈神经网络的输入，将可控理赔值对应的向量作为标签进行训练，当达到预设条件时，得到已训练的医保控费模型。
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：获取历史医保理赔数据，将历史医保理赔数据输入聚类模型中，得到多个候选医保理赔簇群；计算各个候选医保理赔簇群的理赔对标值，并获取各个候选医保理赔簇群中历史医保理赔数据的理赔值，根据理赔对标值和理赔值计算各个候选医保理赔簇群的理赔差异值；获取待检测医保理赔数据，根据待检测医保理赔数据从候选理赔簇群中确定对应的目标医保理赔簇群，根据目标医保理赔簇群得到对应的目标理赔差异值；获取待检测医保理赔数据中的目标理赔值，根据目标理赔差异值和目标理赔值得到可控理赔费用。
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：获取划分条件，根据划分条件对历史医保理赔数据进行划分，得到划分结果；将划分结果输入聚类模型中，得到划分结果对应的多个候选医保理赔簇群；处理器执行计算机程序时还实现以下步骤：根据划分条件对待检测医保理赔数据进行划分，根据划分结果确定待检测医保理赔数据对应的目标医保理赔簇群。
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：获取预设聚类簇数，随机从历史医保理赔数据中选择预设聚类簇数的初始簇中心，将初始簇中心作为当前簇中心；计算历史医保理赔数据到当前簇中心的距离，根据距离将历史医保理赔数据分配到当前簇中心对应的簇中，得到预设聚类簇数的目标簇；计算目标簇的目标簇中心，将目标簇中心作为当前簇中心，返回计算历史医保理赔数据到当前簇中心的距离，根据距离将历史医保理赔数据分配到当前簇中心对应的簇中，得到预设聚类簇数的目标簇的步骤进行重复聚类，当满足收敛条件时，得到预设聚类簇数的候选医保理赔簇群。
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：获取预设医保聚类簇数，并获取预设高斯分布参数和预设权重；根据预设高斯分布参数和预设权重使用贝叶斯定理计算历史医保理赔数据后验概率，根据预设高斯分布参数、预设权重和后验概率更新高斯分布参数和权重；将更新后的高斯分布参数和权重作为预设高斯分布参数和预设权重，返回根据预设高斯分布参数和预设权重使用贝叶斯定理计算历史医保理赔数据后验概率，根据预设高斯分布参数、预设权重和后验概率更新高斯分布参数和权重的步骤，当达到预设条件时，得到目标高斯分布参数和目标权重；使用目标高斯分布参数和目标权重计算历史医保理赔数据属于医保理赔簇群的概率，将历史医保理赔数据按照概率进行聚类，得到预设医保聚类簇数的候选医保理赔簇群。
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：获取待检测医保理赔数据，根据待检测医保理赔数据得到医保特征向量；将医保特征向量输入到已训练的医保控费模型中，得到可控理赔输出向量，已训练的医保控费模型是根据历史医保理赔数据和对应的可控理赔值使用神经网络算法训练得到的；根据可控理赔输出向量得到医保可控费用。
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：获取历史医保理赔数据和对应的可控理赔值，根据历史医保理赔数据提取医保理赔特征；计算医保理赔特征对应的医保特征向量和可控理赔值对应的向量；将医保特征向量作为前馈神经网络的输入，将可控理赔值对应的向量作为标签进行训练，当达到预设条件时，得到已训练的医保控费模型。
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)

1.一种医保理赔费用检测方法，所述方法包括：
获取历史医保理赔数据，将所述历史医保理赔数据输入聚类模型中，得到多个候选医保理赔簇群；
计算所述各个候选医保理赔簇群的理赔对标值，并获取所述各个候选医保理赔簇群中历史医保理赔数据的理赔值，根据所述理赔对标值和所述理赔值计算所述各个候选医保理赔簇群的理赔差异值；
获取待检测医保理赔数据，根据所述待检测医保理赔数据从所述候选理赔簇群中确定对应的目标医保理赔簇群，根据所述目标医保理赔簇群得到对应的目标理赔差异值；
获取所述待检测医保理赔数据中的目标理赔值，根据所述目标理赔差异值和所述目标理赔值得到可控理赔费用。
2.根据权利要求1所述的方法，其特征在于，所述将所述历史医保理赔数据输入聚类模型中，得到多个候选医保理赔簇群，包括：
获取划分条件，根据所述划分条件对所述历史医保理赔数据进行划分，得到划分结果；
将所述划分结果输入聚类模型中，得到所述划分结果对应的多个候选医保理赔簇群；
则根据所述待检测医保理赔数据从所述候选理赔簇群中确定对应的目标医保理赔簇群，包括：
根据所述划分条件对所述待检测医保理赔数据进行划分，根据划分结果确定所述待检测医保理赔数据对应的目标医保理赔簇群。
3.根据权利要求1所述的方法，其特征在于，将所述历史医保理赔数据输入聚类模型中，得到多个候选医保理赔簇群，包括：
获取预设聚类簇数，随机从历史医保理赔数据中选择所述预设聚类簇数的初始簇中心，将所述初始簇中心作为当前簇中心；
计算所述历史医保理赔数据到所述当前簇中心的距离，根据所述距离将所述历史医保理赔数据分配到所述当前簇中心对应的簇中，得到所述预设聚类簇数的目标簇；
计算所述目标簇的目标簇中心，将所述目标簇中心作为当前簇中心，返回计算所述历史医保理赔数据到所述当前簇中心的距离，根据所述距离将所述历史医保理赔数据分配到所述当前簇中心对应的簇中，得到所述预设聚类簇数的目标簇的步骤进行重复聚类，当满足收敛条件时，得到预设聚类簇数的候选医保理赔簇群。
4.根据权利要求1所述的方法，其特征在于，将所述历史医保理赔数据输入聚类模型中，得到多个候选医保理赔簇群，包括：
获取预设医保聚类簇数，并获取预设高斯分布参数和预设权重；
根据所述预设高斯分布参数和所述预设权重使用贝叶斯定理计算历史医保理赔数据后验概率，根据所述预设高斯分布参数、所述预设权重和所述后验概率更新高斯分布参数和权重；
将所述更新后的高斯分布参数和权重作为预设高斯分布参数和预设权重，返回根据所述预设高斯分布参数和所述预设权重使用贝叶斯定理计算历史医保理赔数据后验概率，根据所述预设高斯分布参数、所述预设权重和所述后验概率更新高斯分布参数和权重的步骤，当达到预设条件时，得到目标高斯分布参数和目标权重；
使用所述目标高斯分布参数和目标权重计算历史医保理赔数据属于医保理赔簇群的概率，将历史医保理赔数据按照所述概率进行聚类，得到预设医保聚类簇数的候选医保理赔簇群。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取待检测医保理赔数据，根据所述待检测医保理赔数据得到医保特征向量；
将所述医保特征向量输入到已训练的医保控费模型中，得到可控理赔输出向量，所述已训练的医保控费模型是根据历史医保理赔数据和对应的可控理赔值使用神经网络算法训练得到的；
根据所述可控理赔输出向量得到医保可控费用。
6.根据权利要求1所述的方法，其特征在于，所述已训练的医保控费模型的生成步骤，包括：
获取历史医保理赔数据和对应的可控理赔值，根据历史医保理赔数据提取医保理赔特征；
计算所述医保理赔特征对应的医保特征向量和所述可控理赔值对应的向量；
将所述医保特征向量作为前馈神经网络的输入，将所述可控理赔值对应的向量作为标签进行训练，当达到预设条件时，得到所述已训练的医保控费模型。
7.一种医保理赔费用检测装置，其特征在于，所述装置包括：
候选簇群得到模块，用于获取历史医保理赔数据，将所述历史医保理赔数据输入聚类模型中，得到多个候选医保理赔簇群；
差异值计算模块，用于计算所述各个候选医保理赔簇群的理赔对标值，并获取所述各个候选医保理赔簇群中历史医保理赔数据的理赔值，根据所述理赔对标值和所述理赔值计算所述各个候选医保理赔簇群的理赔差异值；
目标差异值得到模块，用于获取待检测医保理赔数据，根据所述待检测医保理赔数据从所述候选理赔簇群中确定对应的目标医保理赔簇群，根据所述目标医保理赔簇群得到对应的目标理赔差异值；
第一可控费用得到模块，用于获取所述待检测医保理赔数据中的目标理赔值，根据所述目标理赔差异值和所述目标理赔值得到可控理赔费用。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
特征向量得到模块，用于获取待检测医保理赔数据，根据所述待检测医保理赔数据得到医保特征向量；
输出向量得到模块，用于将所述医保特征向量输入到已训练的医保控费模型中，得到可控理赔输出向量，所述已训练的医保控费模型是根据历史医保理赔数据和对应的可控理赔值使用神经网络算法训练得到的；
第二可控费用得到模块，用于根据所述可控理赔输出向量得到医保可控费用。
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6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6中任一项所述的方法的步骤。
CN201811052022.7A 2018-09-10 2018-09-10 医保理赔费用检测方法、装置、计算机设备和存储介质 Pending CN109377387A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811052022.7A CN109377387A (zh) 2018-09-10 2018-09-10 医保理赔费用检测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811052022.7A CN109377387A (zh) 2018-09-10 2018-09-10 医保理赔费用检测方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN109377387A true CN109377387A (zh) 2019-02-22

Family

ID=65405434

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811052022.7A Pending CN109377387A (zh) 2018-09-10 2018-09-10 医保理赔费用检测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN109377387A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110060166A (zh) * 2019-03-13 2019-07-26 平安科技（深圳）有限公司 智能理赔方法、装置、计算机设备以及存储介质
CN110491487A (zh) * 2019-06-19 2019-11-22 太平洋医疗健康管理有限公司 基于大数据挖掘的医院绩效管理方法及系统
CN112101015A (zh) * 2020-09-08 2020-12-18 腾讯科技（深圳）有限公司 一种识别多标签对象的方法及装置
CN113689209A (zh) * 2021-08-29 2021-11-23 上海舵衔数字科技中心 医保基金支付方法
CN113724883A (zh) * 2021-08-31 2021-11-30 平安科技（深圳）有限公司 医疗费用预测方法、装置、存储介质及计算机设备

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110060166A (zh) * 2019-03-13 2019-07-26 平安科技（深圳）有限公司 智能理赔方法、装置、计算机设备以及存储介质
CN110491487A (zh) * 2019-06-19 2019-11-22 太平洋医疗健康管理有限公司 基于大数据挖掘的医院绩效管理方法及系统
CN112101015A (zh) * 2020-09-08 2020-12-18 腾讯科技（深圳）有限公司 一种识别多标签对象的方法及装置
CN112101015B (zh) * 2020-09-08 2024-01-26 腾讯科技（深圳）有限公司 一种识别多标签对象的方法及装置
CN113689209A (zh) * 2021-08-29 2021-11-23 上海舵衔数字科技中心 医保基金支付方法
CN113724883A (zh) * 2021-08-31 2021-11-30 平安科技（深圳）有限公司 医疗费用预测方法、装置、存储介质及计算机设备
CN113724883B (zh) * 2021-08-31 2023-09-15 平安科技（深圳）有限公司 医疗费用预测方法、装置、存储介质及计算机设备

Similar Documents

Publication Publication Date Title
CN109377387A (zh) 医保理赔费用检测方法、装置、计算机设备和存储介质
Babier et al. Knowledge‐based automated planning with three‐dimensional generative adversarial networks
Smith et al. Neural network training with Levenberg–Marquardt and adaptable weight compression
Wang A theory of generalization in learning machines with neural network applications
CN112055878B (zh) 基于第二组训练数据调整机器学习模型
CN109118376A (zh) 医疗保险保费定价方法、装置、计算机设备和存储介质
CN110866909B (zh) 图像生成网络的训练方法、图像预测方法和计算机设备
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
CN113688912B (zh) 基于人工智能的对抗样本生成方法、装置、设备及介质
CN112639833A (zh) 可自适应神经网络
CN110298663A (zh) 基于序列宽深学习的欺诈交易检测方法
CN113379042B (zh) 保护数据隐私的业务预测模型训练方法及装置
CN112201342A (zh) 基于联邦学习的医疗辅助诊断方法、装置、设备及存储介质
US20230351204A1 (en) Selecting a training dataset with which to train a model
Wismüller et al. The deformable feature map-a novel neurocomputing algorithm for adaptive plasticity in pattern analysis
CN112767190B (zh) 一种基于多层堆叠式神经网络的台区相序识别方法及装置
CN110751187A (zh) 异常区域图像生成网络的训练方法和相关产品
US11437137B1 (en) Method, apparatus, and computer program product for using machine learning to encode a healthcare claim as a predefined sized vector
CN110796554A (zh) 用户投诉预警方法、装置、计算机设备及存储介质
WO2023087102A1 (en) Shared model training with privacy protections
CN111275059B (zh) 一种图像处理方法、装置和计算机可读存储介质
Wang et al. An optimal learning method for developing personalized treatment regimes
Pastor-Serrano et al. A probabilistic deep learning model of inter-fraction anatomical variations in radiotherapy
WO2023225760A1 (en) Distributed model training with collaboration weights for private data sets
US20230352125A1 (en) Systems and Methods for Adjusting Randomized Experiment Parameters for Prognostic Models

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