CN109493243A - 一种基于神经网络的病种分值校验方法及计算设备 - Google Patents
一种基于神经网络的病种分值校验方法及计算设备 Download PDFInfo
- Publication number
- CN109493243A CN109493243A CN201811282996.4A CN201811282996A CN109493243A CN 109493243 A CN109493243 A CN 109493243A CN 201811282996 A CN201811282996 A CN 201811282996A CN 109493243 A CN109493243 A CN 109493243A
- Authority
- CN
- China
- Prior art keywords
- case
- score value
- disease
- disease score
- classification
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 496
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 496
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims abstract description 62
- 239000003814 drug Substances 0.000 claims description 26
- 239000003550 marker Substances 0.000 claims description 21
- 229940079593 drug Drugs 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 15
- 208000037921 secondary disease Diseases 0.000 claims description 8
- 238000001356 surgical procedure Methods 0.000 claims description 7
- 230000005055 memory storage Effects 0.000 claims 1
- 230000005856 abnormality Effects 0.000 abstract description 4
- 238000012795 verification Methods 0.000 abstract description 4
- 208000030990 Impulse-control disease Diseases 0.000 description 32
- 238000003745 diagnosis Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 12
- 230000002093 peripheral effect Effects 0.000 description 7
- 238000007619 statistical method Methods 0.000 description 7
- 239000012141 concentrate Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 239000002260 anti-inflammatory agent Substances 0.000 description 1
- 229940124599 anti-inflammatory drug Drugs 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000007261 regionalization Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Technology Law (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明实施例公开了一种基于神经网络的病种分值校验方法及计算设备，该方法包括计算设备通过接收第一病例的病例数据，该病例数据包括多个病例特征；将该多个病例特征输入到病种分值学习模型，得到第一病例的第一病种分值；以及，在病种分值字典中查找第一病例所属病种分类对应的第一基础病种分值，并根据第一基础病种分值计算第一病例的第二病种分值，进而，根据第一病种分值与第二病种分值判断第一病例是否为异常病例，如果是，则输出用于提示第一病例异常的提示信息。通过执行上述方法，可以实现病例的病例分值的校验，以及时发现异常病例。
Description
技术领域
本发明涉及医疗管理技术领域，具体涉及一种基于神经网络的病种分值校验方法及计算设备。
背景技术
随着国家公共医疗的布局和医疗改革的不断深入，支付制度改革是系统工程是医保管理理念和医保经办机构角色发生重大转变的体现。推行按照病种付费，充分体现了支付制度才是全面医改的关键所在。
所谓按病种付费，就是指通过统一的疾病诊断分类，科学地制定出每一种疾病的定额偿付标准，社保机构按照该标准与住院人次，向定点医疗机构支付住院费用，使得医疗资源利用标准化，即医疗机构资源消耗与所治疗的住院病人的数量、疾病复杂程度和服务强度成正比。简而言之，就是明确规定某一种疾病该花多少钱，从而既避免了医疗单位滥用医疗服务项目、重复项目和分解项目，防止医院小病大治，又保证了医疗服务质量。
标准化的医疗信息对于医疗信息大数据应用于按病种收费的支付方式非常重要，医疗信息的标准化是实现医疗大数据进行应用的前提。病种的分类目前通常采用国际疾病分类(international Classification of diseases,ICD)。ICD-10根据病因、部位、病理及临床表现等特征将疾病划分为21章节、26000多种病种，并对各个病种进行编码。然而，对于中国的医疗的整体环境来说，各个地区常见的病种远远少于26000，且医疗人员在记录病例时，由于现有技术中病种的多样性、复杂性，医务人员往往不按照国际的标准来等级，各个地区有地区化的语言描述，给按病种付费的实施带来一定困难。
按照规定，各地确定按病种付费支付标准时，应充分考虑医疗服务成本、既往实际发生费用、医保基金承受能力和参保人负担水平等因素，结合病种主要操作和治疗方式，通过与医疗机构协商谈判合理确定，如何根据各地的医疗情况确定支付标准，如何管理按病种付费的医疗费用，检测分析病例、医疗付费标准等都是目前急需解决的技术问题。
发明内容
本发明实施例提供了一种神经网络的病种分值校验方法及计算设备，可以实现病例的病例分值的校验，以及时发现异常病例。。
第一方面，本发明实施例提供一种基于神经网络的病种分值校验方法，包括：
计算设备接收第一病例的病例数据，所述病例数据包括多个病例特征；
所述计算设备将所述多个病例特征输入到病种分值学习模型，得到所述第一病例的第一病种分值；
所述计算设备在病种分值字典中查找所述第一病例所属病种分类对应的第一基础病种分值，并根据所述第一基础病种分值计算所述第一病例的第二病种分值，所述病种分值字典包括病种分类与基础病种分值的一一对应关系；
所述计算设备根据所述第一病种分值与所述第二病种分值判断所述第一病例是否为异常病例，如果是，则输出用于提示所述第一病例异常的提示信息。
可选地，单个病例特征包括诊断标识、药品标识、药品剂量、药品费用、检测项的标识、检测项费用、手术标识、手术费用、住院天数、住院费用、并发症标识、继发症标识、参保人年龄、参保人性别中的一种或多种的组合。
可选地，所述计算设备在病种分值字典中查找所述第一病例所属病种分类对应的第一基础病种分值之前，所述方法还包括：
所述计算设备根据所述第一病例中用于识别参保人的发生病种分类的诊断标识确定所述第一病例的病种分类，其中，所述病种分类为病种分类字典中的项，所述病种分类字典包括病种分类的名称与病种分类码的对应关系，所述病种分类码为ICD编码或ICD编码的前N位码，所述N为小于6的正整数。
可选地，所述根据所述第一基础病种分值计算所述第一病例的第二病种分值包括：
其中，Y为所述第一病例的第二病种分值，A1为所述第一基础病种分值，C1为所述第一病例所在医院的医院级别系数，Ei为附加病种分值，i为所述附加病种分值的索引，i为正整数。
可选地，所述计算设备根据所述第一病种分值与所述第二病种分值判断所述第一病例是否为异常病例包括：
所述计算设备判断所述第一病种分值与所述第二病种分值的差值是否大于第一阈值，如果是，则所述第一病例为异常病例。
可选地，所述计算设备根据所述第一病种分值与所述第二病种分值判断所述第一病例是否为异常病例，如果是，则输出用于提示所述第一病例异常的提示信息包括：
所述计算设备判断所述第二病种分值与所述第一病种分值的比值是否大于第二阈值或小于第三阈值；
当所述第二病种分值与所述第一病种分值的比例大于所述第二阈值时，输出用于提示所述第一病例的病种分值过高的提示信息；
当所述第二病种分值与所述第一病种分值的比例小于所述第一阈值且大于第二阈值时，输出用于提示所述第一病例的病种分值在正常范围的提示信息；
当所述第二病种分值与所述第一病种分值的比例小于所述第二阈值时，输出用于提示所述第一病例的病种分值过低的提示信息。
可选地，所述方法还包括：
接收病例集，所述病例集包括多个病例，所述第一病例为所述多个病例中任意一个；
根据病例集中的异常病例的病例数据，显示第一图像，所述第一图像包括以下至少一项：所述病例集中的异常病例的所在医院和例数的对应关系、所述病例集中的异常病例的主治医师和例数的对应关系、所述病例集中的异常病例的病种分类与例数的对应关系。
第二方面，本申请实施例还提供了一种计算设备，包括：
接收单元，用于接收第一病例的病例数据，所述病例数据包括多个病例特征；
第一计算单元，用于将所述多个病例特征输入到病种分值学习模型，得到所述第一病例的第一病种分值；
查找单元，用于在病种分值字典中查找所述第一病例所属病种分类对应的第一基础病种分值；
第二计算单元，用于并根据所述第一基础病种分值计算所述第一病例的第二病种分值，所述病种分值字典包括病种分类与基础病种分值的一一对应关系；
判断单元，用于根据所述第一病种分值与所述第二病种分值判断所述第一病例是否为异常病例，
输出单元，用于，当所述判断单元的判断结果为是时，输出用于提示所述第一病例异常的提示信息。
可选地，单个病例特征包括诊断标识、药品标识、药品剂量、药品费用、检测项的标识、检测项费用、手术标识、手术费用、住院天数、住院费用、并发症标识、继发症标识、参保人年龄、参保人性别中的一种或多种的组合。
可选地，所述计算设备还包括：
分类识别单元，用于根据所述第一病例中用于识别参保人的发生病种分类的诊断标识确定所述第一病例的病种分类，其中，所述病种分类为病种分类字典中的项，所述病种分类字典包括病种分类的名称与病种分类码的对应关系所述病种分类码为ICD编码或ICD编码的前N位码，所述N为小于6的正整数。
可选地，所述第二计算单元具体通过下述公式计算所述第一病例的第二病种分值包括：
其中，Y为所述第一病例的第二病种分值，A1为所述第一基础病种分值，C1为所述第一病例所在医院的医院级别系数，Ei为附加病种分值，i为所述附加病种分值的索引，i为正整数。
可选地，所述判断单元具体用于：
判断所述第一病种分值与所述第二病种分值的差值是否大于第一阈值，如果是，则所述第一病例为异常病例。
可选地，所述判断单元具体用于：判断所述第二病种分值与所述第一病种分值的比值是否大于第二阈值或小于第三阈值；
所述输出单元具体用于：
当所述第二病种分值与所述第一病种分值的比例大于所述第二阈值时，输出用于提示所述第一病例的病种分值过高的提示信息；
当所述第二病种分值与所述第一病种分值的比例小于所述第一阈值且大于第二阈值时，输出用于提示所述第一病例的病种分值在正常范围的提示信息；
当所述第二病种分值与所述第一病种分值的比例小于所述第二阈值时，输出用于提示所述第一病例的病种分值过低的提示信息。
可选地，接收单元还用于接收病例集，所述病例集包括多个病例，所述第一病例为所述多个病例中任意一个；
所述输出单元还用于：根据病例集中的异常病例的病例数据，显示第一图像，所述第一图像包括以下至少一项：所述病例集中的异常病例的所在医院和例数的对应关系、所述病例集中的异常病例的主治医师和例数的对应关系、所述病例集中的异常病例的病种分类与例数的对应关系。
第三方面，本申请实施例还提供了一种计算设备，该计算设备包括处理器、存储器以及通信模块，所述处理器耦合到所述存储器、所述通信模块，所述处理器用于调用所述存储器存储的程序代码执行：
通过所述通信模块接收第一病例的病例数据，所述病例数据包括多个病例特征；
将所述多个病例特征输入到病种分值学习模型，得到所述第一病例的第一病种分值；
在病种分值字典中查找所述第一病例所属病种分类对应的第一基础病种分值，并根据所述第一基础病种分值计算所述第一病例的第二病种分值，所述病种分值字典包括病种分类与基础病种分值的一一对应关系；
根据所述第一病种分值与所述第二病种分值判断所述第一病例是否为异常病例，如果是，则输出用于提示所述第一病例异常的提示信息。
可选地，单个病例特征包括诊断标识、药品标识、药品剂量、药品费用、检测项的标识、检测项费用、手术标识、手术费用、住院天数、住院费用、并发症标识、继发症标识、参保人年龄、参保人性别中的一种或多种的组合。
可选地，所述处理器执行所述在病种分值字典中查找所述第一病例所属病种分类对应的第一基础病种分值之前，所述处理器还用于执行：
根据所述第一病例中用于识别参保人的发生病种分类的诊断标识确定所述第一病例的病种分类，其中，所述病种分类为病种分类字典中的项，所述病种分类字典包括病种分类的名称与病种分类码的对应关系，所述病种分类码为ICD编码或ICD编码的前N位码，所述N为小于6的正整数，M为正整数。
可选地，所述处理器执行所述根据所述第一基础病种分值计算所述第一病例的第二病种分值包括：
其中，Y为所述第一病例的第二病种分值，A1为所述第一基础病种分值，C1为所述第一病例所在医院的医院级别系数，Ei为附加病种分值，i为所述附加病种分值的索引，i为正整数。
可选地，所述处理器执行所述根据所述第一病种分值与所述第二病种分值判断所述第一病例是否为异常病例，具体包括执行：
判断所述第一病种分值与所述第二病种分值的差值是否大于第一阈值，如果是，则所述第一病例为异常病例。
可选地，所述处理器执行所述根据所述第一病种分值与所述第二病种分值判断所述第一病例是否为异常病例，如果是，则输出用于提示所述第一病例异常的提示信息，具体包括：
判断所述第二病种分值与所述第一病种分值的比值是否大于第二阈值或小于第三阈值；
当所述第二病种分值与所述第一病种分值的比例大于所述第二阈值时，输出用于提示所述第一病例的病种分值过高的提示信息；
当所述第二病种分值与所述第一病种分值的比例小于所述第一阈值且大于第二阈值时，输出用于提示所述第一病例的病种分值在正常范围的提示信息；
当所述第二病种分值与所述第一病种分值的比例小于所述第二阈值时，输出用于提示所述第一病例的病种分值过低的提示信息。
可选地，所述处理器还用于执行：
通过通信模块接收病例集，所述病例集包括多个病例，所述第一病例为所述多个病例中任意一个；
根据病例集中的异常病例的病例数据，显示第一图像，所述第一图像包括以下至少一项：所述病例集中的异常病例的所在医院和例数的对应关系、所述病例集中的异常病例的主治医师和例数的对应关系、所述病例集中的异常病例的病种分类与例数的对应关系。
第四方面，本申请实施例还提供了一种计算机存储介质，所述计算机存储介质用于计算机软件指令，所述计算机软件指令当被计算机执行时使所述计算机执行如第一方面所述任意一种基于神经网络的病种分值校验方法。
第五方面，本申请实施例还提供了一种计算机程序，所述计算机程序包括计算机软件指令，所述计算机软件指令当被计算机执行时使所述计算机执行如第一方面所述的任意一种基于神经网络的病种分值校验方法。
综上，计算设备通过接收第一病例的病例数据，该病例数据包括多个病例特征；
将该多个病例特征输入到病种分值学习模型，得到第一病例的第一病种分值；以及，在病种分值字典中查找第一病例所属病种分类对应的第一基础病种分值，并根据第一基础病种分值计算第一病例的第二病种分值，该病种分值字典包括病种分类与基础病种分值的一一对应关系；进而，根据第一病种分值与第二病种分值判断第一病例是否为异常病例，如果是，则输出用于提示第一病例异常的提示信息。通过执行上述方法，可以实现病例的病例分值的校验，以及时发现异常病例。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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为本发明实施例提供的一种医保管理平台的功能架构图；
图2为本发明实施例提供的一种病种分值校验方法的流程图；
图3为本发明实施例提供的一种计算设备的结构示意图；
图4为本发明实施例提供的又一种计算设备的结构示意图；
图5为本发明实施例提供的又一种计算设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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作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。
需要说明的是，在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
为了更好理解本发明实施例，下面先对本发明实施例适用的医保管理平台的各个功能进行描述，请参阅图1，图1为本发明实施例提供的一种医保管理平台的功能架构图，该医保管理平台可以运行在计算设备中，为医保管理平台的运行商提供的一系列和病例、医保、病种分值等相关的功能，该医保管理平台包括但不限于如下部分或全部功能的实现：
病种编码，医保管理平台可以根据输入病例的病例数据对该病例中主诊断得到的病种进行编码，该病种编码方法可以采用ICD-10编码(本申请中也称六位码编码)、也可以采用其他编码方法，例如四位码编码(即六位码的前4位)、三位码编码(即六位码的前3位)等。可以理解，可以通过某一地区发生病例集通过病种编码方法建立适用该地区的病种分类字典，该病种分类字典包括M个病种分类的名称以及与所述M个病种分类的名称一一对应的M个病种分类码，M为正整数。可选地，计算设备可以基于医保管理平台识别病例数据中有医务人员填写的诊断名称、病种编码等信息识别到该病例对应的病种分类，进而将该病种分类对应的病种分类码补充到病例数据中，以便于进一步地计算该病例的病种分值，进而实现按病种付费、基于病种分值进行病例数据真实性的检测等功能。
病种分值计算，医保管理平台可以存储病种与病种分值的对应关系表或者包含病种分值计算程序，可以通过病例中病种名称、病种编码等确定该病例中参保人(即病人)所患病种分类，进而根据病种分类与病种分值的对应关系或者病种分值计算程序等基于病种分类确定病种分值的实现过程确定该病例的病种分值。其中，病种分值为地区(比如，国家、省或市等)基于病例大数据确定的用于计算医疗费用(比如预测医保费用、预测总费用等)的标准分值。具体的，可以建立病种分值字典，该病种分值字典包括病种分类与基础病种分值的一一对应关系，再根据病例的实际情况(比如参保人年龄、患病的严重程度、所在医院、所属科室等信息)在基础病种分值的基础上进行调整，以得到适合该病例的病种分值。病种分值与医疗费用呈正相关关系，即病种分值越高，该病种的医疗费用越高。
病例数据的统计分析，医保管理平台可以按照评估周期(比如，月度、季度、年度等)对该地区内各个医院上报的病例进行统计分析。上述对病例的统计分析可以支持按月度、季度、年度等进行统计分析，支持对不同医院、不同费用区间、不同病种等中的一种或多种的组合进行发生例数、总费用、实际医保费用、预测医保费用等的统计分析，以基于统计分析结果对下个评估周期所采用的各个病种的病种分值进行调整。应理解，基于统计分析结果还可以实现对其他功能，比如基于统计得到的各个医院的收入和支出对医院的医院级别系数进行调整等，对此，本申请实施例不作限定。
病例的真实性检测，医保管理平台可以基于病例中的病例数据对该病例的真实性进行检测，当检测到该病例包含虚假数据时，对该病例进行标记、输出该病例包含虚假数据或异常病例的提示消息等，以便于医保管理平台的运行商及时识别到异常病例，并分析异常病例原因。
数据可视化，医保管理平台可以对病例数据的统计分析功能得到的统计分析结果进行可视化，也可以对问题病例进行统计分析的结果进行可视化，以便于医保管理平台的运行商统计分析结果。
本申请中，计算设备可以包括但不限于移动电话、移动电脑、平板电脑、媒体播放器、计算机、服务器等包含数据处理功能的设备。运行医保管理平台各个功能的计算设备可以接收到来自医院等机构或个体上报的病例。
不限于图1所示，本申请提供的医保管理平台还可以包括其他功能的实现，例如，病种分值的优化等，对此，本申请实施例不作限定。
请参见图2，图2是本申请提供的一种基于神经网络的病种分值校验方法。在图2实施例中，以病种分值计算的执行主体为计算设备(运行病例管理平台各个功能的设备)为例来描述，可以理解，该病种分值计算还可以由其他终端或服务器等具备数据处理功能的设备，对此，本申请实施例不作限定。如图2所示，该方法可以包括但不限于如下部分或全部步骤：
S2：接收第一病例的病例数据，所述病例数据包括多个病例特征。
其中，病例为由医院针对病人记录的病人诊断治疗过程。病例数据可以包括但不限于病人的个人信息、诊断信息、治疗信息、费用信息、实际医保费用等中的一种或多种的组合。其中，诊断信息可以包括用于识别参保人发生病种分类的诊断标识。其中，诊断标识可以是诊断名称，比如主诊断名称；还可以是诊断编码，如ICD诊断编码等；还可以是手术标识可以是手术名称、手术编码等。应理解，个人信息可以包括但不限于参保人的年龄、性别、病史等信息。治疗信息为病例中记载参保人治疗的过程信息。费用信息包括但不限于参保人在本次疾病治疗过程中产生的手术费、住院费、检测费、挂号费、药品费、总费用等中的一种或多种的组合。
具体的，计算设备可以根据病例数据识别并提取该病例数据的病例特征，该病例特征可以包括但不限于诊断标识、药品标识、药品剂量、药品费用、检测项的标识、检测项费用、手术标识、手术费用、住院天数、住院费用、并发症标识、继发症标识、参保人年龄、参保人性别等中的一种或多种的组合。
S4：将所述多个病例特征输入到病种分值学习模型，得到所述第一病例的第一病种分值。
本申请中病种分值学习模型为神经网络模型，用于根据病例的多个病例特征识别该病例数据对应的病种分值。输入到病种分值学习模型的数据可以包括但不限于上述列举的一项或多项病例特征的组合。
病种分值学习模型在进行病种分值预测前，需要通过样本数据对该病种分值学习模型进行训练，以学习到根据病例的多个病例特征识别到该病例对应的病种分值。可选地，样本数据可以是未实施病种分值计算医保费用之前获取到的数据，以保证样本数据的准确性。可以理解，未实施病种分值计算医保费用之前获取到的病例数据不存在医务人员为提高病种分值而进行主诊断与副诊断调换、增加住院项等虚假信息的嫌疑，通过其训练的数据具有较好的可靠性。样本数据中病例的真实病种分值可以通过该病例的实际医保费用来计算。第二病例为样本数据中任意一个病例，本申请第二病例为例来说明样本数据中各个病例对应的真实病种分值的计算。
第二病例的真实病种分值可以是第二病例的医保费用与预设常数的比值，其中，预设常数是可配置的，由可定基准的机构设置，该预设常数可以是50、100等或其他数值，本发明实施例不作限定。可以通过监督预测病种分值和真实病种分值，训练病种分值学习模型。
S6：在病种分值字典中查找所述第一病例所属病种分类对应的第一基础病种分值，并根据所述第一基础病种分值计算所述第一病例的第二病种分值，所述病种分值字典包括病种分类与基础病种分值的一一对应关系。
第一病例的病例数据包括用于识别病种分类的诊断标识。在本申请的一种实现中，第一病例已通过病种分类识别方法识别到第一病例的病种分类并将识别到的病种分类(例如，病种分类的标识)添加到第一病例的病例数据中。该诊断标识即为病种分类的标识(病种分类名称或病种分类码)。可以理解，病种分类的标识为病种分类字典中包括的病种分类的名称或者病种分类码，其中，病种分类字典包括病种分类的名称与病种分类码的一一对应关系，M为正整数。可选地，病种分类码为ICD编码，该病种分类字典即为ICD字典；或，该病种分类码为ICD编码的前N位码，N为小于6的正整数。
对于病种分类字典中病种分类码为ICD编码的前N位码来说，选择病种的ICD编码的前四位、前三位还是前二位，取决于病例集中病例的病种分类为ICD编码的前四位的例数，比如大于10例，选“四位码”作为病种分类码；若小于10例，选“三位码”作为病种分类码。
在本申请的另一种实现中，第一病例中的诊断标识为诊断名称或诊断编码，通过该诊断名称或诊断编码不能直接得到第一病例所属的病种分类。此时，S6之前，计算设备可以根据所述第一病例中用于识别参保人的发生病种分类的诊断标识确定所述第一病例的病种分类。
计算设备可以确定根据第一病例的诊断标识确定该第一病例所属的病种分类的一种实现方式可以是：第一病种的诊断标识可以包括诊断名称，计算设备可以预存病种名称对照表，该病种名称对照表包括M个病种分类以及所述M个病种分类中每一个病种分类对应的一个或多个诊断名称。进而，计算设备可以根据病种名称对照表确定第一病种的诊断名称对应的病种分类，进一步地根据病种分类字典，确定第二病例的病种分类对应的病种分类码。
计算设备可以确定根据第一病例的诊断标识确定该第一病例所属的病种分类的另一种实现方式可以是：第一病种的诊断标识可以包括诊断编码，该诊断编码可以是ICD-10编码、ICD-9-CM3手术编码、肿瘤形态学编码(也称M码)或中医疾病编码等。
对于ICD-10编码或ICD-9-CM3手术编码来说，计算设备可以直接在病种分类字典中查找与第一病例中诊断编码相匹配的病种分类码。
对于M码来说，可以根据M码转换表，将M码转换为ICD编码或四位ICD码。例如，M码“M8140/6”对应的ICD编码“C78.7”，M码“M8140/3”对应的ICD编码“C34.9”。计算设备可以根据M码转换表将第一病例中的M码转换为ICD编码(该ICD编码可以是病种分类字典中的病种分类码，也可以是具有六位编码的ICD编码等)，进而在病种分类字典中查找与转换得到的ICD编码相匹配的病种分类码。
本申请一实施例中，计算设备根据所述第一基础病种分值计算所述第一病例的第二病种分值的一种实现方式可以是：
其中，Y为所述第一病例的第二病种分值，A1为所述第一基础病种分值，C1为所述第一病例所在医院的医院级别系数，Ei为附加病种分值，i为所述附加病种分值的索引，i为正整数。
其中，在第一病例满足包含预设手术、预设并发症、预设继发症、预设住院信息、儿科病例等中的一项或多项，第二病种分值需要附加该第一病例所满足的项对应的病种附加分值。可以理解，对于第一病例，不同的项对应的病种附加分值可以不同。对于同一项，不同病种类型的病例对应的病种附加分值可以不同。
可以理解，第二病种分值还可以包括其他计算方式，例如，Y＝∑iA1*C1，本申请实施例不作限定。
S8：根据所述第一病种分值与所述第二病种分值判断所述第一病例是否为异常病例，如果是，则输出用于提示所述第一病例异常的提示信息。
可以理解，按病种付费的医疗支付方式，通过识别病例的病种分类，进而从病种分值字典中查找到该病种分类对应的病种分值。然而，病例的病例数据可能存在虚假数据，使得病例从病种分值字典中查找到的病种分值远远不符合该病例的实际情况。例如，病例中的诊断信息、治疗信息、费用信息、医保费用不符合该病种分类的诊治方法，例如，病例中针对病种“高血压”，采用的治疗手段包括手术、药品中包括用于治疗肿瘤的药品。或者病例中针对病种“糖尿病”，采用的治疗方法仅仅是消炎药类的药品，则该病例数据可能存在虚假现象。此时，可以将病例的病例数据输入到病种分值学习模型，对该病种分值从治疗过程方面进行病种分值的评估，得到该病例的第一病种分值，进而将其与通过病种分值字典中查找到该病例所属病种分类对应的第二病种分值进行比对分析，当两者差异较大时，认为该病例是否为异常病例。
可选地，计算设备判断所述第一病例是否为异常病例的一种实现方式可以是：计算设备判断所述第一病种分值与所述第二病种分值的差值是否大于第一阈值，如果是，则所述第一病例为异常病例。其中，第一阈值可以是10、20、35或其他数值等。可选地，第一阈值Q可以根据第一病种分值Y’1或第二病种分值Y1设定，例如，Q＝Y’1*μ，或Q＝Y1*μ，其中，0<μ<1。
可选地，计算设备判断所述第一病例是否为异常病例的另一种实现方式可以是：计算设备判断所述第二病种分值与所述第一病种分值的比值是否大于第二阈值或小于第三阈值，如果是，则所述第一病例为异常病例。其中，第三阈值可以是的取值范围可以是1.1-3，例如，1.5、2、2.4或其他数值，本申请实施例不作限定。第二阈值可以是0.1-0.9，例如0.4、0.5、0.7或其他数值，本申请实施例不作限定。
可选地，当第二病种分值与第一病种分值的比例大于第二阈值时，输出用于提示该第一病例的病种分值过高的提示信息；当第二病种分值与第一病种分值的比例小于第一阈值且大于第二阈值时，输出用于提示该第一病例的病种分值在正常范围的提示信息；当第二病种分值与第一病种分值的比例小于第二阈值时，输出用于提示该第一病例的病种分值过低的提示信息。
本申请一实施例中，该方法还包括：
接收病例集，所述病例集包括多个病例，上述第一病例可以是该多个病例中任意一个；
根据病例集中的异常病例的病例数据，显示第一图像，所述第一图像包括以下至少一项：所述病例集中的异常病例的所在医院和例数的对应关系、所述病例集中的异常病例的主治医师和例数的对应关系、所述病例集中的异常病例的病种分类与例数的对应关系。
可见，通过可视化异常病例的病例数据对异常病例进行分析，以助于医保管理平台的管理人员根据可视化的第一图像迅速找到异常病例的问题所在。
综上，本发明实施例中计算设备通过接收第一病例的病例数据，该病例数据包括多个病例特征；将该多个病例特征输入到病种分值学习模型，得到第一病例的第一病种分值；以及，在病种分值字典中查找第一病例所属病种分类对应的第一基础病种分值，并根据第一基础病种分值计算第一病例的第二病种分值，进而，根据第一病种分值与第二病种分值判断第一病例是否为异常病例，如果是，则输出用于提示第一病例异常的提示信息。通过执行上述方法，可以实现病例的病例分值的校验，以及时发现异常病例。
下面介绍发明实施例涉及的装置。
请参阅图3计算设备30，包括但不限于：接收单元31、第一计算单元32查找单元33、第二计算单元34、判断单元35和输出单元36等。其中，
接收单元31，用于接收第一病例的病例数据，所述病例数据包括多个病例特征；
第一计算单元32，用于将所述多个病例特征输入到病种分值学习模型，得到所述第一病例的第一病种分值；
查找单元33，用于在病种分值字典中查找所述第一病例所属病种分类对应的第一基础病种分值；
第二计算单元34，用于并根据所述第一基础病种分值计算所述第一病例的第二病种分值，所述病种分值字典包括病种分类与基础病种分值的一一对应关系；
判断单元35，用于根据所述第一病种分值与所述第二病种分值判断所述第一病例是否为异常病例，
输出单元36，用于，当所述判断单元的判断结果为是时，输出用于提示所述第一病例异常的提示信息。
可选地，单个病例特征包括诊断标识、药品标识、药品剂量、药品费用、检测项的标识、检测项费用、手术标识、手术费用、住院天数、住院费用、并发症标识、继发症标识、参保人年龄、参保人性别中的一种或多种的组合。
如图4所示的计算设备，所述计算设备40还包括：
分类识别单元37，用于根据所述第一病例中用于识别参保人的发生病种分类的诊断标识确定所述第一病例的病种分类，其中，所述病种分类为病种分类字典中的项，所述病种分类字典包括M个病种分类的名称以及与所述M个病种分类的名称一一对应的M个病种分类码，所述病种分类码为ICD编码或ICD编码的前N位码，所述N为小于6的正整数，M为正整数。
可选地，所述第二计算单元34具体通过下述公式计算所述第一病例的第二病种分值包括：
其中，Y为所述第一病例的第二病种分值，A1为所述第一基础病种分值，C1为所述第一病例所在医院的医院级别系数，Ei为附加病种分值，i为所述附加病种分值的索引，i为正整数。
可选地，所述判断单元35具体用于：
判断所述第一病种分值与所述第二病种分值的差值是否大于第一阈值，如果是，则所述第一病例为异常病例。
可选地，所述判断单元35具体用于：判断所述第二病种分值与所述第一病种分值的比值是否大于第二阈值或小于第三阈值；
所述输出单元36具体用于：
当所述第二病种分值与所述第一病种分值的比例大于所述第二阈值时，输出用于提示所述第一病例的病种分值过高的提示信息；
当所述第二病种分值与所述第一病种分值的比例小于所述第一阈值且大于第二阈值时，输出用于提示所述第一病例的病种分值在正常范围的提示信息；
当所述第二病种分值与所述第一病种分值的比例小于所述第二阈值时，输出用于提示所述第一病例的病种分值过低的提示信息。
可选地，所述接收单元31还用于接收病例集，所述病例集包括多个病例，所述第一病例为所述多个病例中任意一个；
所述输出单元36还用于：根据病例集中的异常病例的病例数据，显示第一图像，所述第一图像包括以下至少一项：所述病例集中的异常病例的所在医院和例数的对应关系、所述病例集中的异常病例的主治医师和例数的对应关系、所述病例集中的异常病例的病种分类与例数的对应关系。
需要说明的是，上述计算设备的各个单元的具体实现可以参见上述方法实施例中相关描述，本申请不再赘述。
如图5所示的计算设备，该计算设备500可包括：基带芯片510、存储器515(一个或多个计算机可读存储介质)、通信模块516(例如，射频(RF)模块5161和/或通信接口5162)、外围系统517。这些部件可在一个或多个通信总线514上通信。
外围系统517主要用于实现计算设备510和用户/外部环境之间的交互功能，主要包括计算设备500的输入/输出装置。具体实现中，外围系统517可包括：触摸屏控制器518、摄像头控制器519、音频控制器520以及传感器管理模块521。其中，各个控制器可与各自对应的外围设备(如触摸屏523、摄像头524、音频电路525以及传感器526)耦合。需要说明的，外围系统517还可以包括其他I/O外设。
基带芯片510可集成包括：一个或多个处理器511、时钟模块522以及电源管理模块513。集成于基带芯片510中的时钟模块522主要用于为处理器511产生数据传输和时序控制所需要的时钟。集成于基带芯片510中的电源管理模块513主要用于为处理器511、射频模块5161以及外围系统提供稳定的、高精确度的电压。
射频(RF)模块5161用于接收和发送射频信号，主要集成了计算设备500的接收器和发射器。射频(RF)模块5161通过射频信号与通信网络和其他通信设备通信。具体实现中，射频(RF)模块5161可包括但不限于：天线系统、RF收发器、一个或多个放大器、调谐器、一个或多个振荡器、数字信号处理器、CODEC芯片、SIM卡和存储介质等。在一些实施例中，可在单独的芯片上实现射频(RF)模块5161。
通信模块516用于计算设备500与其他设备之间的数据交换。
存储器515与处理器511耦合，用于存储各种软件程序和/或多组指令。具体实现中，存储器515可包括高速随机存取的存储器，并且也可包括非易失性存储器，例如一个或多个磁盘存储设备、闪存设备或其他非易失性固态存储设备。存储器515可以存储操作系统(下述简称系统)，例如ANDROID，IOS，WINDOWS，或者LINUX等嵌入式操作系统。存储器515还可以存储网络通信程序，该网络通信程序可用于与一个或多个附加设备，一个或多个计算设备设备，一个或多个网络设备进行通信。存储器515还可以存储用户接口程序，该用户接口程序可以通过图形化的操作界面将应用程序的内容形象逼真的显示出来，并通过菜单、对话框以及按键等输入控件接收用户对应用程序的控制操作。
存储器515还可以存储一个或多个应用程序。如图5所示，这些应用程序可包括：社交应用程序(例如Facebook)，图像管理应用程序(例如相册)，地图类应用程序(例如谷歌地图)，浏览器(例如Safari，Google Chrome)等等。
本申请中，处理器511可用于读取和执行计算机可读指令。具体的，处理器511可用于调用存储于存储器515中的程序，例如本申请提供的基于神经网络的病种分值校验方法的实现程序，并执行该程序包含的指令。
具体的，处理器511可用于调用存储于存储器515中的程序，如本申请提供的基于神经网络的病种分值校验方法的实现程序，并执行下述流程：
通过所述通信模块516接收第一病例的病例数据，所述病例数据包括多个病例特征；
将所述多个病例特征输入到病种分值学习模型，得到所述第一病例的第一病种分值；
在病种分值字典中查找所述第一病例所属病种分类对应的第一基础病种分值，并根据所述第一基础病种分值计算所述第一病例的第二病种分值，所述病种分值字典包括病种分类与基础病种分值的一一对应关系；
根据所述第一病种分值与所述第二病种分值判断所述第一病例是否为异常病例，如果是，则输出用于提示所述第一病例异常的提示信息。
可选地，单个病例特征包括诊断标识、药品标识、药品剂量、药品费用、检测项的标识、检测项费用、手术标识、手术费用、住院天数、住院费用、并发症标识、继发症标识、参保人年龄、参保人性别中的一种或多种的组合。
可选地，所述处理器执行所述在病种分值字典中查找所述第一病例所属病种分类对应的第一基础病种分值之前，所述处理器还用于执行：
根据所述第一病例中用于识别参保人的发生病种分类的诊断标识确定所述第一病例的病种分类，其中，所述病种分类为病种分类字典中的项，所述病种分类字典包括M个病种分类的名称以及与所述M个病种分类的名称一一对应的M个病种分类码，所述病种分类码为ICD编码或ICD编码的前N位码，所述N为小于6的正整数，M为正整数。
可选地，所述处理器执行所述根据所述第一基础病种分值计算所述第一病例的第二病种分值包括：
其中，Y为所述第一病例的第二病种分值，A1为所述第一基础病种分值，C1为所述第一病例所在医院的医院级别系数，Ei为附加病种分值，i为所述附加病种分值的索引，i为正整数。
可选地，所述处理器执行所述根据所述第一病种分值与所述第二病种分值判断所述第一病例是否为异常病例，具体包括执行：
判断所述第一病种分值与所述第二病种分值的差值是否大于第一阈值，如果是，则所述第一病例为异常病例。
可选地，所述处理器执行所述根据所述第一病种分值与所述第二病种分值判断所述第一病例是否为异常病例，如果是，则输出用于提示所述第一病例异常的提示信息，具体包括：
判断所述第二病种分值与所述第一病种分值的比值是否大于第二阈值或小于第三阈值；
当所述第二病种分值与所述第一病种分值的比例大于所述第二阈值时，输出用于提示所述第一病例的病种分值过高的提示信息；
当所述第二病种分值与所述第一病种分值的比例小于所述第一阈值且大于第二阈值时，输出用于提示所述第一病例的病种分值在正常范围的提示信息；
当所述第二病种分值与所述第一病种分值的比例小于所述第二阈值时，输出用于提示所述第一病例的病种分值过低的提示信息。
可选地，所述处理器还用于执行：
通过所述通信模块516接收病例集，所述病例集包括多个病例，所述第一病例为所述多个病例中任意一个；
根据病例集中的异常病例的病例数据，通过触摸屏523显示第一图像，所述第一图像包括以下至少一项：所述病例集中的异常病例的所在医院和例数的对应关系、所述病例集中的异常病例的主治医师和例数的对应关系、所述病例集中的异常病例的病种分类与例数的对应关系。
可以理解，上述各个流程和各个功能单元的具体实现可以参照上述方法实施例中相关描述，本申请实施例不再赘述。
应当理解，计算设备500仅为本发明实施例提供的一个例子，并且，计算设备500可具有比示出的部件更多或更少的部件，可以组合两个或更多个部件，或者可具有部件的不同配置实现。
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。
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。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。
本发明实施例装置中的模块可以根据实际需要进行合并、划分和删减。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种基于神经网络的病种分值校验方法，其特征在于，包括：
计算设备接收第一病例的病例数据，所述病例数据包括多个病例特征；
所述计算设备将所述多个病例特征输入到病种分值学习模型，得到所述第一病例的第一病种分值；
所述计算设备在病种分值字典中查找所述第一病例所属病种分类对应的第一基础病种分值，并根据所述第一基础病种分值计算所述第一病例的第二病种分值，所述病种分值字典包括病种分类与基础病种分值的一一对应关系；
所述计算设备根据所述第一病种分值与所述第二病种分值判断所述第一病例是否为异常病例，如果是，则输出用于提示所述第一病例异常的提示信息。
2.如权利要求1所述的方法，其特征在于，单个病例特征包括诊断标识、药品标识、药品剂量、药品费用、检测项的标识、检测项费用、手术标识、手术费用、住院天数、住院费用、并发症标识、继发症标识、参保人年龄、参保人性别中的一种。
3.如权利要求1所述的方法，其特征在于，所述计算设备在病种分值字典中查找所述第一病例所属病种分类对应的第一基础病种分值之前，所述方法还包括：
所述计算设备根据所述第一病例中用于识别参保人的发生病种分类的诊断标识确定所述第一病例的病种分类，其中，所述病种分类为病种分类字典中的项，所述病种分类字典包括病种分类的名称与病种分类码的对应关系，所述病种分类码为ICD编码或ICD编码的前N位码，所述N为小于6的正整数，M为正整数。
4.如权利要求1所述的方法，其特征在于，所述根据所述第一基础病种分值计算所述第一病例的第二病种分值包括：
其中，Y为所述第一病例的第二病种分值，A1为所述第一基础病种分值，C1为所述第一病例所在医院的医院级别系数，Ei为附加病种分值，i为所述附加病种分值的索引，i为正整数。
5.如权利要求1所述的方法，其特征在于，所述计算设备根据所述第一病种分值与所述第二病种分值判断所述第一病例是否为异常病例包括：
所述计算设备判断所述第一病种分值与所述第二病种分值的差值是否大于第一阈值，如果是，则所述第一病例为异常病例。
6.如权利要求1所述的方法，其特征在于，所述计算设备根据所述第一病种分值与所述第二病种分值判断所述第一病例是否为异常病例，如果是，则输出用于提示所述第一病例异常的提示信息包括：
所述计算设备判断所述第二病种分值与所述第一病种分值的比值是否大于第二阈值或小于第三阈值；
当所述第二病种分值与所述第一病种分值的比例大于所述第二阈值时，输出用于提示所述第一病例的病种分值过高的提示信息；
当所述第二病种分值与所述第一病种分值的比例小于所述第一阈值且大于第二阈值时，输出用于提示所述第一病例的病种分值在正常范围的提示信息；
当所述第二病种分值与所述第一病种分值的比例小于所述第二阈值时，输出用于提示所述第一病例的病种分值过低的提示信息。
7.如权利要求1-6任一项所述的方法，其特征在于，所述方法还包括：
接收病例集，所述病例集包括多个病例，所述第一病例为所述多个病例中任意一个；
根据病例集中的异常病例的病例数据，显示第一图像，所述第一图像包括以下至少一项：所述病例集中的异常病例的所在医院和例数的对应关系、所述病例集中的异常病例的主治医师和例数的对应关系、所述病例集中的异常病例的病种分类与例数的对应关系。
8.一种计算设备，其特征在于，包括处理器、存储器以及通信模块，所述处理器耦合所述存储器、所述通信模块，所述处理器用于调用所述存储器存储的程序代码执行如权利要求1-7中任一项权利要求所述基于神经网络的病种分值校验方法。
9.一种计算设备，其特征在于，包括用于实现如权利要求1-7中任一项权利要求所述的基于神经网络的病种分值校验方法的功能单元。
10.一种计算机存储介质，其特征在于，所述计算机存储介质用于计算机软件指令，所述计算机软件指令当被计算机执行时使所述计算机执行如权利要求1-7中任一项权利要求所述基于神经网络的的病种分值校验方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811282996.4A CN109493243A (zh) | 2018-10-30 | 2018-10-30 | 一种基于神经网络的病种分值校验方法及计算设备 |
| PCT/CN2019/095011 WO2020087970A1 (zh) | 2018-10-30 | 2019-07-08 | 一种基于神经网络的病种分值校验方法及计算设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811282996.4A CN109493243A (zh) | 2018-10-30 | 2018-10-30 | 一种基于神经网络的病种分值校验方法及计算设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109493243A true CN109493243A (zh) | 2019-03-19 |
Family
ID=65692030
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811282996.4A Pending CN109493243A (zh) | 2018-10-30 | 2018-10-30 | 一种基于神经网络的病种分值校验方法及计算设备 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN109493243A (zh) |
| WO (1) | WO2020087970A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020087970A1 (zh) * | 2018-10-30 | 2020-05-07 | 平安医疗健康管理股份有限公司 | 一种基于神经网络的病种分值校验方法及计算设备 |
| CN111584021A (zh) * | 2020-05-08 | 2020-08-25 | 青岛国新健康产业科技有限公司 | 病案信息校验方法、装置、电子设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7444291B1 (en) * | 2000-08-10 | 2008-10-28 | Ingenix, Inc. | System and method for modeling of healthcare utilization |
| US20120254083A1 (en) * | 2011-03-31 | 2012-10-04 | Infosys Technologies Limited | System and method for automatically generating a medical code |
| US20140149128A1 (en) * | 2012-11-29 | 2014-05-29 | Verizon Patent And Licensing Inc. | Healthcare fraud detection with machine learning |
| US20140149130A1 (en) * | 2012-11-29 | 2014-05-29 | Verizon Patent And Licensing Inc. | Healthcare fraud detection based on statistics, learning, and parameters |
| CN106202477A (zh) * | 2016-07-18 | 2016-12-07 | 北京千安哲信息技术有限公司 | 医疗费用挖掘方法及装置 |
| CN106327395A (zh) * | 2016-08-31 | 2017-01-11 | 杭州逸曜信息技术有限公司 | 医疗费用信息的处理方法 |
| CN106407686A (zh) * | 2016-09-23 | 2017-02-15 | 电子科技大学 | 一种评估慢性病费用的建模方法 |
| CN107609980A (zh) * | 2017-09-07 | 2018-01-19 | 平安医疗健康管理股份有限公司 | 医疗数据处理方法、装置、计算机设备及存储介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105069030A (zh) * | 2015-07-20 | 2015-11-18 | 赵蒙海 | 单病种的住院费用估计判定方法 |
| 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 |
| CN107123072A (zh) * | 2017-05-11 | 2017-09-01 | 杭州逸曜信息技术有限公司 | 医疗费用限制规则生成方法 |
| CN109493243A (zh) * | 2018-10-30 | 2019-03-19 | 平安医疗健康管理股份有限公司 | 一种基于神经网络的病种分值校验方法及计算设备 |
-
2018
- 2018-10-30 CN CN201811282996.4A patent/CN109493243A/zh active Pending
-
2019
- 2019-07-08 WO PCT/CN2019/095011 patent/WO2020087970A1/zh active Application Filing
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7444291B1 (en) * | 2000-08-10 | 2008-10-28 | Ingenix, Inc. | System and method for modeling of healthcare utilization |
| US20120254083A1 (en) * | 2011-03-31 | 2012-10-04 | Infosys Technologies Limited | System and method for automatically generating a medical code |
| US20140149128A1 (en) * | 2012-11-29 | 2014-05-29 | Verizon Patent And Licensing Inc. | Healthcare fraud detection with machine learning |
| US20140149130A1 (en) * | 2012-11-29 | 2014-05-29 | Verizon Patent And Licensing Inc. | Healthcare fraud detection based on statistics, learning, and parameters |
| CN106202477A (zh) * | 2016-07-18 | 2016-12-07 | 北京千安哲信息技术有限公司 | 医疗费用挖掘方法及装置 |
| CN106327395A (zh) * | 2016-08-31 | 2017-01-11 | 杭州逸曜信息技术有限公司 | 医疗费用信息的处理方法 |
| CN106407686A (zh) * | 2016-09-23 | 2017-02-15 | 电子科技大学 | 一种评估慢性病费用的建模方法 |
| CN107609980A (zh) * | 2017-09-07 | 2018-01-19 | 平安医疗健康管理股份有限公司 | 医疗数据处理方法、装置、计算机设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 陈曼莉 等: "实行按病种分值付费制度的实践经验及启示", 中国卫生经济, vol. 36, no. 6, 30 June 2017 (2017-06-30), pages 38 - 41 * |
| 陈曼莉 等: "实行按病种分值付费制度的实践经验及启示", 中国卫生经济, vol. 36, no. 6, pages 38 - 41 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020087970A1 (zh) * | 2018-10-30 | 2020-05-07 | 平安医疗健康管理股份有限公司 | 一种基于神经网络的病种分值校验方法及计算设备 |
| CN111584021A (zh) * | 2020-05-08 | 2020-08-25 | 青岛国新健康产业科技有限公司 | 病案信息校验方法、装置、电子设备及存储介质 |
| CN111584021B (zh) * | 2020-05-08 | 2023-08-18 | 青岛国新健康产业科技有限公司 | 病案信息校验方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020087970A1 (zh) | 2020-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109544376A (zh) | 一种基于数据分析的异常病例识别方法及计算设备 | |
| WO2021068601A1 (zh) | 病历检测方法、装置、设备及存储介质 | |
| CN107085817A (zh) | 医疗系统 | |
| CN109545387A (zh) | 一种基于神经网络的异常病例识别方法及计算设备 | |
| CN107767929A (zh) | 病例报告表填写方法、装置、电子设备及存储介质 | |
| Burgess Jr et al. | Importance of health system context for evaluating utilization patterns across systems | |
| WO2021114818A1 (zh) | 基于傅里叶变换的oct图像质量评估方法、系统及装置 | |
| CN109009084A (zh) | 多导联心电信号的qrs波群校验方法、装置及设备、介质 | |
| CN111933237A (zh) | 慢病处理方法、装置及相关设备 | |
| CN109493243A (zh) | 一种基于神经网络的病种分值校验方法及计算设备 | |
| CN112560400A (zh) | 医学数据的处理方法、装置及存储介质 | |
| CN115458108A (zh) | 一种融合多元技术的可视化糖尿病大数据智能分析系统 | |
| CN117271804A (zh) | 一种共病特征知识库生成方法、装置、设备及介质 | |
| Salvi et al. | Mobistudy: mobile-based, platform-independent, multi-dimensional data collection for clinical studies | |
| CN109523406A (zh) | 一种基于数据分析的病种分值计算方法及计算设备 | |
| CN109545297A (zh) | 一种基于大数据的病种编码方法及计算设备 | |
| CN109544375A (zh) | 一种基于大数据的医院盈亏分析方法及计算设备 | |
| CN110288488A (zh) | 医疗险欺诈预测方法、装置、设备和可读存储介质 | |
| CN109377059A (zh) | 一种基于风险管控的数据处理方法及设备 | |
| CN113657550A (zh) | 基于分层计算的患者标记方法、装置、设备及存储介质 | |
| US20170308649A1 (en) | Integrating trauma documentation into an electronic medical record | |
| Morbey et al. | Development and refinement of new statistical methods for enhanced syndromic surveillance during the 2012 Olympic and Paralympic Games | |
| CN109545298A (zh) | 一种基于数据分析的病种分值计算方法及计算设备 | |
| Gourisaria et al. | AI and IoT enabled smart hospital management systems | |
| CN109544377A (zh) | 一种基于大数据的病种分值计算方法及计算设备 |
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 |