CN109492803A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN109492803A CN109492803A CN201811276261.0A CN201811276261A CN109492803A CN 109492803 A CN109492803 A CN 109492803A CN 201811276261 A CN201811276261 A CN 201811276261A CN 109492803 A CN109492803 A CN 109492803A
- Authority
- CN
- China
- Prior art keywords
- medical data
- cost
- hospitalization cost
- data collection
- 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
Links
- 208000017667 Chronic Disease Diseases 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000005856 abnormality Effects 0.000 title claims abstract description 29
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 24
- 238000013480 data collection Methods 0.000 claims abstract description 137
- 230000001684 chronic effect Effects 0.000 claims abstract description 122
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 claims abstract description 26
- 241001269238 Data Species 0.000 claims abstract description 23
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 7
- 206010020772 Hypertension Diseases 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 206010008118 cerebral infarction Diseases 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 238000013497 data interchange Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000035876 healing Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q40/12—Accounting
- G06Q40/125—Finance or payroll
-
- 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
-
- 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)
- Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Technology Law (AREA)
- Operations Research (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慢性病住院费用异常检测方法及相关装置,该方法包括:从医疗数据库中获取目标慢性病患者的一个医疗数据集,医疗数据集包括目标慢性病患者一次住院的多个医疗数据;将医疗数据集输入费用预测模型,得到医疗数据集对应的预测住院费用;获取医疗数据集对应的实际住院费用,以及在实际住院费用大于预测住院费用的情况下,确定实际住院费用与预测住院费用的费用差值;在费用差值大于或等于第一阈值的情况下,确定目标慢性病患者的住院费用存在异常。采用本申请实施例可检测慢性病住院费用是否存在异常,提高了对慢性病住院费用异常检测的精确性。
Description
技术领域
本申请涉及人工智能技术领域,具体涉及一种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。
背景技术
医疗保险机构通过协议的方式与定点医疗机构开展合作,对其提供的医疗服务质量和费用进行全面、精细化管理。慢性病住院费用作为费用监督中的一个重要组成部分,其异常记录的识别和分析将有助于医疗管理科和稽核科对慢性病住院的异常费用监管职能的实现。
目前,针对慢性病住院费用异常检测采用人工方式,由于与慢性病住院费用相关的医疗数据较多,人工方式检测慢性病住院费用是否异常的操作过程比较复杂,且人工方式总会出现一些疏漏,因此针对慢性病住院费用异常检测的效率和准确性均不高。
发明内容
本申请实施例提供一种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,用于检测慢性病住院费用是否存在异常,提高了慢性病住院费用异常检测的精确性。
第一方面,本申请实施例提供一种基于人工智能的慢性病住院费用异常检测方法,包括:
从医疗数据库中获取目标慢性病患者的一个医疗数据集,所述医疗数据集包括所述目标慢性病患者一次住院的多个医疗数据;
将所述医疗数据集输入费用预测模型,得到所述医疗数据集对应的预测住院费用;
获取所述医疗数据集对应的实际住院费用,以及在所述实际住院费用大于所述预测住院费用的情况下,确定所述实际住院费用与所述预测住院费用的费用差值;
在所述费用差值大于或等于第一阈值的情况下,确定所述目标慢性病患者的住院费用存在异常。
第二方面,本申请实施例提供一种基于人工智能的慢性病住院费用异常检测装置,包括:
第一获取单元,用于从医疗数据库中获取目标慢性病患者的一个医疗数据集,所述医疗数据集包括所述目标慢性病患者一次住院的多个医疗数据;
预测单元,用于将所述医疗数据集输入费用预测模型,得到所述医疗数据集对应的预测住院费用;
第二获取单元,用于获取所述医疗数据集对应的实际住院费用;
第一确定单元,用于在所述实际住院费用大于所述预测住院费用的情况下,确定所述实际住院费用与所述预测住院费用的费用差值;
第二确定单元,用于在所述费用差值大于或等于第一阈值的情况下,确定所述目标慢性病患者的住院费用存在异常。
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,服务器首先将获取的目标慢性病患者的一个医疗数据集输入费用预测模型,得到该医疗数据集对应的预测住院费用,然后获取该医疗数据集对应的实际住院费用,最后在实际住院费用大于预测住院费用的情况下,确定实际住院费用与预测住院费用的费用差值,进而在费用差值大于或等于第一阈值的情况下,确定该目标慢性病患者的住院费用存在异常。这样可实现检测慢性病住院费用是否存在异常,相较于采用人工方式检测慢性病住院费用是否存在异常,提高了对慢性病住院费用异常检测的精确性。
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慢性病住院费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慢性病住院费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慢性病住院费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慢性病住院费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慢性病住院费用异常检测方法的流程示意图,该基于人工智能的慢性病住院费用异常检测方法包括:
步骤101:服务器从医疗数据库中获取目标慢性病患者的一个医疗数据集,所述医疗数据集包括所述目标慢性病患者一次住院的多个医疗数据。
进一步地,服务器从医疗数据库中获取目标慢性病患者的一个医疗数据集之前,所述方法还包括:
在慢性病住院费用异常检测功能处于开启状态的情况下,慢性病住院费用异常检测平台在其显示界面显示身份信息选项、医疗数据集类型和开始住院费用异常检测按钮,所述身份信息选项包括姓名、姓名输入框、电话号码和电话号码输入框,所述医疗数据集类型包括住院医疗数据集和非住院医疗数据集;
在检测到针对目标慢性病患者的住院医疗数据集的获取指令的情况下,慢性病住院费用异常检测平台向服务器发送第一指示信息,所述第一指示信息用于指示所述服务器获取所述目标慢性病患者的多个医疗数据集。
其中,慢性病住院费用异常检测平台的显示界面如图1B所示。
其中,慢性病住院费用异常检测平台存储有该地区的每个慢性病患者住院治疗慢性病的多家医疗机构和未住院治疗慢性病的多家医疗机构。
其中,多个医疗数据集中每个医疗数据集为目标慢性病患者一次住院的医疗数据集。
在一个可能的示例中,服务器从医疗数据库中获取目标慢性病患者的一个医疗数据集,包括:
服务器接收慢性病住院费用异常检测平台发送的第一指示信息,所述第一指示信息包括目标慢性病患者住院的多家医疗机构和身份信息,所述第一指示信息用于指示服务器获取所述目标慢性病患者的多个医疗数据集;
服务器向所述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医疗数据库中存储的所述目标慢性病患者的至少一个医疗数据集;
服务器接收针对所述多个第一请求信息发送的所述目标慢性病患者的多个医疗数据集;
服务器从所述多个医疗数据集中选取其中一个医疗数据集作为目标医疗数据集。
举例来说,如图1C所示,服务器接收慢性病住院费用异常检测平台发送的第一指示信息,向3家医疗机构的服务器发送3个第一请求信息,接收第1家医疗机构的服务器发送的目标慢性病患者的7个医疗数据集,接收第2家医疗机构的服务器发送的目标慢性病患者的5个医疗数据集,接收第3家医疗机构的服务器发送的目标慢性病患者的8个医疗数据集。
步骤102:服务器将所述医疗数据集输入费用预测模型,得到所述医疗数据集对应的预测住院费用。
在一个可能的示例中,服务器将所述医疗数据集输入费用预测模型,得到所述医疗数据集对应的预测住院费用,包括:
服务器解析所述目标医疗数据集,得到多个医疗数据,所述多个医疗数据包括年龄、性别、费用类型、是否手术、住院次数、出院转归、住院天数;
服务器获取所述目标慢性病患者的慢性病名称;
服务器根据所述慢性病名称和费用预测模型中预先存储的多个住院费用预测公式确定第一住院费用预测公式,所述第一住院费用预测公式为所述慢性病名称对应的住院费用预测公式;
服务器根据所述多个医疗数据和所述第一住院费用预测公式确定所述目标医疗数据集对应的预测住院费用。
其中,费用类型包括医保患者和非医保患者,住院次数包括首次入院和再次入院,出院转归包括治愈、好转、未愈、死亡,住院天数包括<10天、10天-29天、≥30天。
具体地,服务器获取目标慢性病患者的慢性病名称的实施方式可以是:解析目标医疗数据集,得到目标慢性病患者的慢性病名称。
具体地,服务器根据所述慢性病名称和费用预测模型中预先存储的多个住院费用预测公式确定第一住院费用预测公式的实施方式可以是:根据慢性病名称与住院费用预测公式的映射关系确定所述慢性病名称对应的第一住院费用预测公式。
其中,慢性病名称与住院费用预测公式的映射关系如表1所示:
表1
慢性病名称 | 住院费用预测公式 |
糖尿病 | 住院费用预测公式1 |
高血压 | 住院费用预测公式2 |
冠心病 | 住院费用预测公式3 |
脑梗塞 | 住院费用预测公式4 |
...... | ...... |
举例来说,服务器获取目标慢性病患者的医疗数据集,医疗数据集包括手术与否X1、住院天数X2、年龄X3、住院次数X4、性别X5、费用类型X6、出院转归X7,服务器获取目标慢性病患者的慢性病名称为高血压,根据表1可知高血压对应的第一住院费用预测公式为住院费用预测公式2,住院费用预测公式2为Y=7.043+0.870X1+0.802X2+0.161X3+0.130X4+0.105X5+0.123X6-0.096X7,将医疗数据集包括的7个医疗数据代入住院费用预测公式2,得到目标医疗数据集对应的预测住院费用。
在一个可能的示例中,服务器将所述医疗数据集输入费用预测模型,得到所述医疗数据集对应的预测住院费用,包括:
服务器解析所述目标医疗数据集,得到多个医疗数据,所述多个医疗数据包括年龄、性别、费用类型、是否手术、住院次数、出院转归、住院天数;
服务器获取所述目标慢性病患者的慢性病名称;
服务器确定每个医疗数据对应的住院平均费用,得到多个住院平均费用,每个住院平均费用对应一个医疗数据,所述住院平均费用为费用预测模型中预先存储的多个慢性病患者的多个住院费用的均值,所述多个慢性病患者与所述目标慢性病患者的慢性病名称和医疗数据均相同;
服务器根据所述多个住院平均费用和所述费用预测模型中预先存储的第二住院费用预测公式,确定所述目标医疗数据集对应的预测住院费用。
具体地,服务器确定第一医疗数据(第一医疗数据为目标医疗数据集包括的多个医疗数据中的其中一个)对应的住院平均费用的实施方式可以是:根据第一医疗数据和目标慢性病患者的慢性病名称确定费用预测模型中预先存储的多个慢性病患者,多个慢性病患者与目标慢性病患者的第一医疗数据和慢性病名称均相同;获取多个慢性病患者的多个住院费用,每个住院费用对应一个慢性病患者;确定多个住院费用的平均值,以及将多个住院费用的平均值作为第一医疗数据对应的住院平均费用。
其中,所述第二住院费用预测公式为:
S=A1×α1+A2×α2+A3×α3+A4×α4+A5×α5+A6×α6+A7×α7;
其中,所述S为所述目标医疗数据集对应的预测住院费用,所述A1为住院天数对应的住院平均费用,所述α1为住院天数对应的权重,所述A2为是否手术对应的住院平均费用,所述α2为是否手术对应的权重,所述A3为出院转归对应的住院平均费用,所述α3为出院转归对应的权重,所述A4为费用类型对应的住院平均费用,所述α4为费用类型对应的权重,所述A5为性别对应的住院平均费用,所述α5为性别对应的权重,所述A6为年龄对应的住院平均费用,所述α6为年龄对应的权重,所述A7为住院次数对应的住院平均费用,所述α7为住院次数对应的权重,所述α1>所述α2>所述α3>所述α4>所述α5>所述α6>所述α7。
在一个可能的示例中,服务器将所述医疗数据集输入费用预测模型,得到所述医疗数据集对应的预测住院费用,包括:
服务器解析所述目标医疗数据集,得到多个医疗数据,所述多个医疗数据包括年龄、性别、治疗用药、住院天数、是否手术;
服务器获取所述目标慢性病患者的慢性病名称;
服务器确定所述费用预测模型中预先存储的多个慢性病患者的多个第一住院费用,所述多个慢性病患者与所述目标慢性病患者的所述慢性病名称和所述多个医疗数据均相同,每个第一住院费用对应一个慢性病患者;
服务器确定所述多个第一住院费用的均值;
服务器将所述多个第一住院费用的均值作为所述目标医疗数据集对应的预测住院费用。
步骤103:服务器获取所述医疗数据集对应的实际住院费用,以及在所述实际住院费用大于所述预测住院费用的情况下,确定所述实际住院费用与所述预测住院费用的费用差值。
在一个可能的示例中,服务器获取所述医疗数据集对应的实际住院费用,包括:
服务器解析所述目标医疗数据集,得到所述目标医疗数据集对应的一个住院费用集,所述住院费用集包括多个住院费用,每个住院费用对应一个日期;
服务器将所述住院费用集包括的多个住院费用的和作为所述目标医疗数据集对应的实际住院费用。
步骤104:在所述费用差值大于或等于第一阈值的情况下,服务器确定所述目标慢性病患者的住院费用存在异常。
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。
可以看出,在本申请实施例中,服务器首先将获取的目标慢性病患者的一个医疗数据集输入费用预测模型,得到该医疗数据集对应的预测住院费用,然后获取该医疗数据集对应的实际住院费用,最后在实际住院费用大于预测住院费用的情况下,确定实际住院费用与预测住院费用的费用差值,进而在费用差值大于或等于第一阈值的情况下,确定该目标慢性病患者的住院费用存在异常。这样可实现检测慢性病住院费用是否存在异常,相较于采用人工方式检测慢性病住院费用是否存在异常,提高了对慢性病住院费用异常检测的精确性。
在一个可能的示例中,服务器确定所述实际住院费用与所述预测住院费用的费用差值之后,所述方法还包括:
服务器根据所述费用差值和残差转化公式确定所述费用差值对应的标准化残差;
服务器确定所述标准化残差是否处于设定区间;
若否,则服务器确定所述目标慢性病患者的住院费用存在异常。
其中,实际住院费用与预测住院费用的费用差值符合正态分布N(0,σ2)。
其中,残差转化公式为:
δ*=δ/σ;
所述δ*为标准化残差,所述δ为费用差值,所述σ为均方差。
其中,费用差值符合正态分布N(0,σ2)。
其中,设定区间可以是用户自定义的,也可以是服务器自定义的,比如设定区间为(-2,2)。
在一个可能的示例中,服务器确定所述目标慢性病患者的住院费用存在异常之后,所述方法还包括:
服务器获取所述目标慢性病患者的终端信息,所述终端信息包括以下至少一种:电话号码、邮箱;
服务器根据所述终端信息向所述目标慢性病患者的终端发送第二提示信息,所述第二提示信息用于提示所述目标慢性病患者的住院费用存在异常。
其中,服务器中存储有该地区的每个慢性病患者的电话号码和/或邮箱。
在一个可能的示例中,服务器确定所述目标慢性病患者的住院费用存在异常之后,所述方法还包括:
服务器将除所述目标医疗数据集之外的多个第一医疗数据集依次输入所述费用预测模型,得到所述多个第一医疗数据集对应的多个预测住院费用,每个预测住院费用对应一个第一医疗数据集;
服务器获取所述多个第一医疗数据集对应的多个实际住院费用,每个实际住院费用对应一个第一医疗数据集;
若第一医疗数据集的实际住院费用大于预测住院费用,且所述第一医疗数据集的实际住院费用与预测住院费用的差值大于或等于所述第一阈值,则服务器确定所述目标慢性病患者的住院费用存在异常,并记录住院费用异常对应的医疗机构;
服务器确定所述目标慢性病患者在所述多家医疗机构中的每家医疗机构的住院费用异常次数;
若所述目标慢性病患者在一家医疗机构的住院费用异常次数大于或等于第二阈值,则服务器向所述目标慢性病患者的终端发送第三提示信息,所述第三提示信息用于提示更换医疗机构治疗慢性病。
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。
举例来说,假设根据目标医疗数据集确定目标慢性病患者在第1家医疗机构的住院费用存在异常,若根据多个第一医疗数据集确定在第1家医疗机构的住院费用异常次数为2次,则目标慢性病患者在第1家医疗机构的住院费用异常次数为3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慢性病住院费用异常检测方法的流程示意图,该基于人工智能的慢性病住院费用异常检测方法包括:
步骤201:服务器从医疗数据库中获取目标慢性病患者的一个医疗数据集,所述医疗数据集包括所述目标慢性病患者一次住院的多个医疗数据。
步骤202:服务器解析所述目标医疗数据集,得到多个医疗数据,所述多个医疗数据包括年龄、性别、费用类型、是否手术、住院次数、出院转归、住院天数。
步骤203:服务器获取所述目标慢性病患者的慢性病名称。
步骤204:服务器根据所述慢性病名称和费用预测模型中预先存储的多个住院费用预测公式确定第一住院费用预测公式,所述第一住院费用预测公式为所述慢性病名称对应的住院费用预测公式。
步骤205:服务器根据所述多个医疗数据和所述第一住院费用预测公式确定所述目标医疗数据集对应的预测住院费用。
步骤206:服务器解析所述目标医疗数据集,得到所述目标医疗数据集对应的一个住院费用集,所述住院费用集包括多个住院费用,每个住院费用对应一个日期。
步骤207:服务器将所述住院费用集包括的多个住院费用的和作为所述目标医疗数据集对应的实际住院费用。
步骤208:在所述实际住院费用大于所述预测住院费用的情况下,服务器确定所述实际住院费用与所述预测住院费用的费用差值。
步骤209:在所述费用差值大于或等于第一阈值的情况下,服务器确定所述目标慢性病患者的住院费用存在异常。
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慢性病住院费用异常检测方法的流程示意图,该基于人工智能的慢性病住院费用异常检测方法包括:
步骤301:服务器从医疗数据库中获取目标慢性病患者的一个医疗数据集,所述医疗数据集包括所述目标慢性病患者一次住院的多个医疗数据。
步骤302:服务器解析所述目标医疗数据集,得到多个医疗数据,所述多个医疗数据包括年龄、性别、费用类型、是否手术、住院次数、出院转归、住院天数。
步骤303:服务器获取所述目标慢性病患者的慢性病名称。
步骤304:服务器确定每个医疗数据对应的住院平均费用,得到多个住院平均费用,每个住院平均费用对应一个医疗数据,所述住院平均费用为费用预测模型中预先存储的多个慢性病患者的多个住院费用的均值,所述多个慢性病患者与所述目标慢性病患者的慢性病名称和医疗数据均相同。
步骤305:服务器根据所述多个住院平均费用和所述费用预测模型中预先存储的第二住院费用预测公式,确定所述目标医疗数据集对应的预测住院费用。
步骤306:服务器解析所述目标医疗数据集,得到所述目标医疗数据集对应的一个住院费用集,所述住院费用集包括多个住院费用,每个住院费用对应一个日期。
步骤307:服务器将所述住院费用集包括的多个住院费用的和作为所述目标医疗数据集对应的实际住院费用。
步骤308:在所述实际住院费用大于所述预测住院费用的情况下,服务器确定所述实际住院费用与所述预测住院费用的费用差值。
步骤309:在所述费用差值大于或等于第一阈值的情况下,服务器确定所述目标慢性病患者的住院费用存在异常。
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,基于人工智能的慢性病住院费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慢性病住院费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慢性病住院费用异常检测装置的结构示意图,该基于人工智能的慢性病住院费用异常检测装置400包括处理单元401、存储单元402和通信单元403,处理单元401包括第一获取单元、预测单元、第二获取单元、第一确定单元和第二确定单元,其中:
第一获取单元,用于从医疗数据库中获取目标慢性病患者的一个医疗数据集,所述医疗数据集包括所述目标慢性病患者一次住院的多个医疗数据;
预测单元,用于将所述医疗数据集输入费用预测模型,得到所述医疗数据集对应的预测住院费用;
第二获取单元,用于获取所述医疗数据集对应的实际住院费用;
第一确定单元,用于在所述实际住院费用大于所述预测住院费用的情况下,确定所述实际住院费用与所述预测住院费用的费用差值;
第二确定单元,用于在所述费用差值大于或等于第一阈值的情况下,确定所述目标慢性病患者的住院费用存在异常。
在一个可能的示例中,在从医疗数据库中获取目标慢性病患者的一个医疗数据集方面,上述第一获取单元具体用于:
接收慢性病住院费用异常检测平台发送的第一指示信息,所述第一指示信息包括目标慢性病患者住院的多家医疗机构和身份信息,所述第一指示信息用于指示服务器获取所述目标慢性病患者的多个医疗数据集;
向所述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医疗数据库中存储的所述目标慢性病患者的至少一个医疗数据集;
接收针对所述多个第一请求信息发送的所述目标慢性病患者的多个医疗数据集;
从所述多个医疗数据集中选取其中一个医疗数据集作为目标医疗数据集。
在一个可能的示例中,在将所述医疗数据集输入费用预测模型,得到所述医疗数据集对应的预测住院费用方面,上述预测单元具体用于:
解析所述目标医疗数据集,得到多个医疗数据,所述多个医疗数据包括年龄、性别、费用类型、是否手术、住院次数、出院转归、住院天数;
获取所述目标慢性病患者的慢性病名称;
根据所述慢性病名称和费用预测模型中预先存储的多个住院费用预测公式确定第一住院费用预测公式,所述第一住院费用预测公式为所述慢性病名称对应的住院费用预测公式;
根据所述多个医疗数据和所述第一住院费用预测公式确定所述目标医疗数据集对应的预测住院费用。
在一个可能的示例中,在将所述医疗数据集输入费用预测模型,得到所述医疗数据集对应的预测住院费用方面,上述预测单元具体用于:
解析所述目标医疗数据集,得到多个医疗数据,所述多个医疗数据包括年龄、性别、费用类型、是否手术、住院次数、出院转归、住院天数;
获取所述目标慢性病患者的慢性病名称;
确定每个医疗数据对应的住院平均费用,得到多个住院平均费用,每个住院平均费用对应一个医疗数据,所述住院平均费用为费用预测模型中预先存储的多个慢性病患者的多个住院费用的均值,所述多个慢性病患者与所述目标慢性病患者的慢性病名称和医疗数据均相同;
根据所述多个住院平均费用和所述费用预测模型中预先存储的第二住院费用预测公式,确定所述目标医疗数据集对应的预测住院费用。
在一个可能的示例中,在获取所述医疗数据集对应的实际住院费用方面,上述第二获取单元具体用于:
解析所述目标医疗数据集,得到所述目标医疗数据集对应的一个住院费用集,所述住院费用集包括多个住院费用,每个住院费用对应一个日期;
将所述住院费用集包括的多个住院费用的和作为所述目标医疗数据集对应的实际住院费用。
在一个可能的示例中,上述处理单元401还包括:
第三确定单元,用于根据所述费用差值和残差转化公式确定所述费用差值对应的标准化残差;
第四确定单元,用于确定所述标准化残差是否处于设定区间;
第五确定单元,用于若所述第四确定单元确定所述标准化残差未处于所述设定区间,则确定所述目标慢性病患者的住院费用存在异常。
在一个可能的示例中,上述处理单元401还包括:
第三获取单元,用于获取所述目标慢性病患者的终端信息,所述终端信息包括以下至少一种:电话号码、邮箱;
发送单元,用于根据所述终端信息向所述目标慢性病患者的终端发送第二提示信息,所述第二提示信息用于提示所述目标慢性病患者的住院费用存在异常。
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:
从医疗数据库中获取目标慢性病患者的一个医疗数据集,所述医疗数据集包括所述目标慢性病患者一次住院的多个医疗数据;
将所述医疗数据集输入费用预测模型,得到所述医疗数据集对应的预测住院费用;
获取所述医疗数据集对应的实际住院费用,以及在所述实际住院费用大于所述预测住院费用的情况下,确定所述实际住院费用与所述预测住院费用的费用差值;
在所述费用差值大于或等于第一阈值的情况下,确定所述目标慢性病患者的住院费用存在异常。
在一个可能的示例中,在从医疗数据库中获取目标慢性病患者的一个医疗数据集方面,上述程序包括具体用于执行以下步骤的指令:
接收慢性病住院费用异常检测平台发送的第一指示信息,所述第一指示信息包括目标慢性病患者住院的多家医疗机构和身份信息,所述第一指示信息用于指示服务器获取所述目标慢性病患者的多个医疗数据集;
向所述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医疗数据库中存储的所述目标慢性病患者的至少一个医疗数据集;
接收针对所述多个第一请求信息发送的所述目标慢性病患者的多个医疗数据集;
从所述多个医疗数据集中选取其中一个医疗数据集作为目标医疗数据集。
在一个可能的示例中,在将所述医疗数据集输入费用预测模型,得到所述医疗数据集对应的预测住院费用方面,上述程序包括具体用于执行以下步骤的指令:
解析所述目标医疗数据集,得到多个医疗数据,所述多个医疗数据包括年龄、性别、费用类型、是否手术、住院次数、出院转归、住院天数;
获取所述目标慢性病患者的慢性病名称;
根据所述慢性病名称和费用预测模型中预先存储的多个住院费用预测公式确定第一住院费用预测公式,所述第一住院费用预测公式为所述慢性病名称对应的住院费用预测公式;
根据所述多个医疗数据和所述第一住院费用预测公式确定所述目标医疗数据集对应的预测住院费用。
在一个可能的示例中,在将所述医疗数据集输入费用预测模型,得到所述医疗数据集对应的预测住院费用方面,上述程序包括具体用于执行以下步骤的指令:
解析所述目标医疗数据集,得到多个医疗数据,所述多个医疗数据包括年龄、性别、费用类型、是否手术、住院次数、出院转归、住院天数;
获取所述目标慢性病患者的慢性病名称;
确定每个医疗数据对应的住院平均费用,得到多个住院平均费用,每个住院平均费用对应一个医疗数据,所述住院平均费用为费用预测模型中预先存储的多个慢性病患者的多个住院费用的均值,所述多个慢性病患者与所述目标慢性病患者的慢性病名称和医疗数据均相同;
根据所述多个住院平均费用和所述费用预测模型中预先存储的第二住院费用预测公式,确定所述目标医疗数据集对应的预测住院费用。
在一个可能的示例中,在获取所述医疗数据集对应的实际住院费用方面,上述程序包括具体用于执行以下步骤的指令:
解析所述目标医疗数据集,得到所述目标医疗数据集对应的一个住院费用集,所述住院费用集包括多个住院费用,每个住院费用对应一个日期;
将所述住院费用集包括的多个住院费用的和作为所述目标医疗数据集对应的实际住院费用。
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:
根据所述费用差值和残差转化公式确定所述费用差值对应的标准化残差;
确定所述标准化残差是否处于设定区间;
若否,则确定所述目标慢性病患者的住院费用存在异常。
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:
获取所述目标慢性病患者的终端信息,所述终端信息包括以下至少一种:电话号码、邮箱;
根据所述终端信息向所述目标慢性病患者的终端发送第二提示信息,所述第二提示信息用于提示所述目标慢性病患者的住院费用存在异常。
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慢性病住院费用异常检测方法,其特征在于,包括:
从医疗数据库中获取目标慢性病患者的一个医疗数据集,所述医疗数据集包括所述目标慢性病患者一次住院的多个医疗数据;
将所述医疗数据集输入费用预测模型,得到所述医疗数据集对应的预测住院费用;
获取所述医疗数据集对应的实际住院费用,以及在所述实际住院费用大于所述预测住院费用的情况下,确定所述实际住院费用与所述预测住院费用的费用差值;
在所述费用差值大于或等于第一阈值的情况下,确定所述目标慢性病患者的住院费用存在异常。
2.根据权利要求1所述的方法,其特征在于,所述从医疗数据库中获取目标慢性病患者的一个医疗数据集,包括:
接收慢性病住院费用异常检测平台发送的第一指示信息,所述第一指示信息包括目标慢性病患者住院的多家医疗机构和身份信息,所述第一指示信息用于指示服务器获取所述目标慢性病患者的多个医疗数据集;
向所述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医疗数据库中存储的所述目标慢性病患者的至少一个医疗数据集;
接收针对所述多个第一请求信息发送的所述目标慢性病患者的多个医疗数据集;
从所述多个医疗数据集中选取其中一个医疗数据集作为目标医疗数据集。
3.根据权利要求2所述的方法,其特征在于,所述将所述医疗数据集输入费用预测模型,得到所述医疗数据集对应的预测住院费用,包括:
解析所述目标医疗数据集,得到多个医疗数据,所述多个医疗数据包括年龄、性别、费用类型、是否手术、住院次数、出院转归、住院天数;
获取所述目标慢性病患者的慢性病名称;
根据所述慢性病名称和费用预测模型中预先存储的多个住院费用预测公式确定第一住院费用预测公式,所述第一住院费用预测公式为所述慢性病名称对应的住院费用预测公式;
根据所述多个医疗数据和所述第一住院费用预测公式确定所述目标医疗数据集对应的预测住院费用。
4.根据权利要求2所述的方法,其特征在于,所述将所述医疗数据集输入费用预测模型,得到所述医疗数据集对应的预测住院费用,包括:
解析所述目标医疗数据集,得到多个医疗数据,所述多个医疗数据包括年龄、性别、费用类型、是否手术、住院次数、出院转归、住院天数;
获取所述目标慢性病患者的慢性病名称;
确定每个医疗数据对应的住院平均费用,得到多个住院平均费用,每个住院平均费用对应一个医疗数据,所述住院平均费用为费用预测模型中预先存储的多个慢性病患者的多个住院费用的均值,所述多个慢性病患者与所述目标慢性病患者的慢性病名称和医疗数据均相同;
根据所述多个住院平均费用和所述费用预测模型中预先存储的第二住院费用预测公式,确定所述目标医疗数据集对应的预测住院费用。
5.根据权利要求3或4所述的方法,其特征在于,所述获取所述医疗数据集对应的实际住院费用,包括:
解析所述目标医疗数据集,得到所述目标医疗数据集对应的一个住院费用集,所述住院费用集包括多个住院费用,每个住院费用对应一个日期;
将所述住院费用集包括的多个住院费用的和作为所述目标医疗数据集对应的实际住院费用。
6.根据权利要求5所述的方法,其特征在于,所述确定所述实际住院费用与所述预测住院费用的费用差值之后,所述方法还包括:
根据所述费用差值和残差转化公式确定所述费用差值对应的标准化残差;
确定所述标准化残差是否处于设定区间;
若否,则确定所述目标慢性病患者的住院费用存在异常。
7.根据权利要求6所述的方法,其特征在于,所述确定所述目标慢性病患者的住院费用存在异常之后,所述方法还包括:
获取所述目标慢性病患者的终端信息,所述终端信息包括以下至少一种:电话号码、邮箱;
根据所述终端信息向所述目标慢性病患者的终端发送第二提示信息,所述第二提示信息用于提示所述目标慢性病患者的住院费用存在异常。
8.一种基于人工智能的慢性病住院费用异常检测装置,其特征在于,包括:
第一获取单元,用于从医疗数据库中获取目标慢性病患者的一个医疗数据集,所述医疗数据集包括所述目标慢性病患者一次住院的多个医疗数据;
预测单元,用于将所述医疗数据集输入费用预测模型,得到所述医疗数据集对应的预测住院费用;
第二获取单元,用于获取所述医疗数据集对应的实际住院费用;
第一确定单元,用于在所述实际住院费用大于所述预测住院费用的情况下,确定所述实际住院费用与所述预测住院费用的费用差值;
第二确定单元,用于在所述费用差值大于或等于第一阈值的情况下,确定所述目标慢性病患者的住院费用存在异常。
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 |
---|---|---|---|
CN201811276261.0A CN109492803A (zh) | 2018-10-30 | 2018-10-30 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811276261.0A CN109492803A (zh) | 2018-10-30 | 2018-10-30 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109492803A true CN109492803A (zh) | 2019-03-19 |
Family
ID=65693406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811276261.0A Pending CN109492803A (zh) | 2018-10-30 | 2018-10-30 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109492803A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111815052A (zh) * | 2020-07-08 | 2020-10-23 | 泰康保险集团股份有限公司 | 一种医疗费用数据处理方法及装置 |
CN112016302A (zh) * | 2020-08-03 | 2020-12-01 | 青岛国新健康产业科技有限公司 | 分解住院行为的识别方法、装置、电子设备及存储介质 |
CN113569907A (zh) * | 2021-06-11 | 2021-10-29 | 陆馨雨 | 疾病治疗费用预测方法、系统、介质及终端 |
CN113570162A (zh) * | 2021-08-30 | 2021-10-29 | 平安医疗健康管理股份有限公司 | 基于人工智能的住院费用预测方法、装置及计算机设备 |
CN113722507A (zh) * | 2021-08-31 | 2021-11-30 | 平安科技(深圳)有限公司 | 基于知识图谱的住院费用预测方法、装置及计算机设备 |
CN113780855A (zh) * | 2021-09-17 | 2021-12-10 | 平安医疗健康管理股份有限公司 | 医疗机构监管方法、装置、计算机设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130339202A1 (en) * | 2012-06-13 | 2013-12-19 | Opera Solutions, Llc | System and Method for Detecting Billing Errors Using Predictive Modeling |
CN106408141A (zh) * | 2015-07-28 | 2017-02-15 | 平安科技(深圳)有限公司 | 异常费用自动提取系统及方法 |
CN108197737A (zh) * | 2017-12-29 | 2018-06-22 | 山大地纬软件股份有限公司 | 一种建立医保住院费用预测模型的方法及系统 |
CN108511059A (zh) * | 2018-03-15 | 2018-09-07 | 平安医疗健康管理股份有限公司 | 慢病管理方法及系统 |
-
2018
- 2018-10-30 CN CN201811276261.0A patent/CN109492803A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130339202A1 (en) * | 2012-06-13 | 2013-12-19 | Opera Solutions, Llc | System and Method for Detecting Billing Errors Using Predictive Modeling |
CN106408141A (zh) * | 2015-07-28 | 2017-02-15 | 平安科技(深圳)有限公司 | 异常费用自动提取系统及方法 |
CN108197737A (zh) * | 2017-12-29 | 2018-06-22 | 山大地纬软件股份有限公司 | 一种建立医保住院费用预测模型的方法及系统 |
CN108511059A (zh) * | 2018-03-15 | 2018-09-07 | 平安医疗健康管理股份有限公司 | 慢病管理方法及系统 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111815052A (zh) * | 2020-07-08 | 2020-10-23 | 泰康保险集团股份有限公司 | 一种医疗费用数据处理方法及装置 |
CN111815052B (zh) * | 2020-07-08 | 2023-12-22 | 泰康保险集团股份有限公司 | 一种医疗费用数据处理方法及装置 |
CN112016302A (zh) * | 2020-08-03 | 2020-12-01 | 青岛国新健康产业科技有限公司 | 分解住院行为的识别方法、装置、电子设备及存储介质 |
CN112016302B (zh) * | 2020-08-03 | 2024-04-30 | 青岛国新健康产业科技有限公司 | 分解住院行为的识别方法、装置、电子设备及存储介质 |
CN113569907A (zh) * | 2021-06-11 | 2021-10-29 | 陆馨雨 | 疾病治疗费用预测方法、系统、介质及终端 |
CN113570162A (zh) * | 2021-08-30 | 2021-10-29 | 平安医疗健康管理股份有限公司 | 基于人工智能的住院费用预测方法、装置及计算机设备 |
CN113722507A (zh) * | 2021-08-31 | 2021-11-30 | 平安科技(深圳)有限公司 | 基于知识图谱的住院费用预测方法、装置及计算机设备 |
CN113722507B (zh) * | 2021-08-31 | 2023-07-21 | 平安科技(深圳)有限公司 | 基于知识图谱的住院费用预测方法、装置及计算机设备 |
CN113780855A (zh) * | 2021-09-17 | 2021-12-10 | 平安医疗健康管理股份有限公司 | 医疗机构监管方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Wiens et al. | Learning data-driven patient risk stratification models for Clostridium difficile | |
Strielkina et al. | Modelling of healthcare IoT using the queueing theory | |
CN110140364A (zh) | 实时定位平台信标协议系统和方法 | |
CN109544373A (zh) | 基于人工智能的医保违规行为检测方法及相关装置 | |
CN108648808A (zh) | 随访计划实例生成方法和装置 | |
CN109544268B (zh) | 信息推送方法、装置、服务器及计算机可读存储介质 | |
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 | |
CN109255721A (zh) | 基于费用预测的保险推荐方法、设备、服务器及可读介质 | |
CN111081329A (zh) | 临床数据自动录入方法及装置、电子设备、存储介质 | |
Madias | Is there a “chronic takotsubo syndrome”? Could “smart-phone”-based technology be of aid? | |
RU2699607C2 (ru) | Повышение эффективности и уменьшение частоты последующих лучевых исследований путем прогнозирования основания для следующего исследования | |
CN108133749A (zh) | 医疗终端的数据共享方法及装置、存储介质、终端 | |
Devendran et al. | Mobile Healthcare–Proposed NFC Architecture | |
Prodhan et al. | Design and implementation of an advanced telemedicine model for the rural people of Bangladesh | |
CN107657991B (zh) | 患者数据筛选方法及装置、存储介质、电子设备 | |
CN108922632A (zh) | 一种数据管理方法及系统 | |
JP7278256B2 (ja) | 画像獲得ワークフローを最適化するためのデバイス、システム、及び方法 | |
US20070038037A1 (en) | Method and apparatus for symptom-based order protocoling within the exam ordering process | |
CN109544372A (zh) | 基于人工智能的门诊慢性病资质监控方法及相关装置 | |
CN109558398B (zh) | 基于大数据的数据清洗方法及相关装置 | |
CN113693610B (zh) | 少导联心电数据处理方法、装置、存储介质及计算机设备 | |
CN109378074A (zh) | 基于人工智能的慢性病管理方法及相关装置 | |
CN109545304A (zh) | 基于智能手环的医护方法、装置、设备及存储介质 | |
CN111584050B (zh) | 黄疸分诊信息的处理方法、装置、计算机设备和存储介质 |
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 |