CN109523067A - 基于预测模型的费用预测方法、装置、服务器及存储介质 - Google Patents
基于预测模型的费用预测方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN109523067A CN109523067A CN201811282180.1A CN201811282180A CN109523067A CN 109523067 A CN109523067 A CN 109523067A CN 201811282180 A CN201811282180 A CN 201811282180A CN 109523067 A CN109523067 A CN 109523067A
- Authority
- CN
- China
- Prior art keywords
- information
- cost
- prediction model
- patient
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 201000010099 disease Diseases 0.000 claims abstract description 93
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 93
- 230000001225 therapeutic effect Effects 0.000 claims abstract description 81
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000011282 treatment Methods 0.000 claims description 21
- 230000005540 biological transmission Effects 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 239000003814 drug Substances 0.000 claims description 10
- 229940079593 drug Drugs 0.000 claims description 10
- 230000000474 nursing effect Effects 0.000 claims description 10
- 235000008935 nutritious Nutrition 0.000 claims description 10
- 238000007689 inspection Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 description 12
- 238000003745 diagnosis Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 206010017076 Fracture Diseases 0.000 description 5
- 210000000038 chest Anatomy 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000011269 treatment regimen Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 206010009245 Clavicle fracture Diseases 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明实施例公开了一种基于预测模型的费用预测方法、装置、服务器及存储介质，其中，该方法包括：接收终端发送的费用预测请求，费用预测请求携带患者信息，患者信息包括患者基本信息以及诊疗信息，诊疗信息包括疾病名称以及疾病名称对应的治疗方案信息，患者基本信息包括地域信息和年龄信息；根据费用预测模型的输入项从患者信息中获取第一目标信息；将第一目标信息输入费用预测模型中进行处理，得到预测费用信息，费用预测模型是根据历史预测费用信息以及从历史患者信息中获取到的历史第一目标信息训练得到的；将预测费用信息发送给终端。采用本发明实施例，可以快速确定治疗方案对应的预测费用信息，以为判断诊疗费用是否合理提供参考。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种基于预测模型的费用预测方法、装置、服务器及存储介质。
背景技术
近年来，随着社会的发展，虽然提高了人们的生活水平，但人们患病的几率也有所加大。当人们患病时，都需要到医院去进行诊断和治疗，因此会相应产生诊疗费用。某些医院为谋取暴利，会将很多诊疗项目的费用都大幅度提高，导致人们到这些医院看病时产生的诊疗费用很不合理。但是，目前人们却无法人工判定诊疗费用是否合理。另外，在保险行业内，医疗理赔是较为常见的一种理赔类型，在传统的医疗理赔方式中，是由理赔人员根据医院开具的病情报告以及诊疗费用账单人工测算理赔费用；但理赔人员在理赔过程中也无法人工判定投保人的诊疗费用是否合理。因此，如何确定用于判断诊疗费用是否合理的参考费用是有待解决的问题。
发明内容
本发明实施例提供一种基于预测模型的费用预测方法、装置、服务器及存储介质，可以快速确定治疗方案对应的预测费用信息，以为判断诊疗费用是否合理提供参考。
第一方面，本发明实施例提供了一种基于预测模型的费用预测方法，包括：
接收终端发送的费用预测请求，所述费用预测请求携带患者信息，所述患者信息包括患者基本信息以及诊疗信息，所述诊疗信息包括疾病名称以及所述疾病名称对应的治疗方案信息，所述患者基本信息包括地域信息和年龄信息；
根据费用预测模型的输入项从所述患者信息中获取第一目标信息；
将所述第一目标信息输入所述费用预测模型中进行处理，得到预测费用信息，所述费用预测模型是根据历史预测费用信息以及从历史患者信息中获取到的历史第一目标信息训练得到的；
将所述预测费用信息发送给所述终端。
可选的，所述将所述预测费用信息发送给所述终端之前，所述方法还包括：
接收终端发送的所述诊疗信息对应的实际费用信息；
将所述实际费用信息对应的费用值与所述预测费用信息对应的费用值进行差值计算，得到差值计算结果；
所述将所述预测费用信息发送给所述终端，包括：
生成包括所述预测费用信息和所述差值计算结果的提示信息，并将所述提示信息发送给所述终端。
可选的，所述根据费用预测模型的输入项从所述患者信息中获取第一目标信息，包括：
根据所述地域信息、所述年龄信息和费用预测模型三者之间的对应关系，从预置的多个费用预测模型中确定出目标费用预测模型；
根据所述目标费用预测模型的输入项从所述患者信息中获取第一目标信息；
所述将所述第一目标信息输入所述费用预测模型中进行处理，得到预测费用信息，包括：
将所述第一目标信息输入所述目标费用预测模型中进行处理，得到预测费用信息。
可选的，所述接收终端发送的费用预测请求之前，所述方法还包括：
接收所述终端发送的针对目标界面的数据请求；
响应所述数据请求向所述终端发送所述目标界面的目标数据，以使所述终端根据所述目标数据输出所述目标界面，所述目标界面包括多个疾病选项和多个治疗方案选项，所述多个疾病选项和多个治疗方案选项用于供用户输入患者的诊疗信息；
其中，所述费用预测请求是根据所述用户针对所述多个疾病选项和多个治疗方案选项输入的患者的诊疗信息生成的。
可选的，所述目标界面还包括疾病对应的手术指征的图文说明选项和文字说明选项，所述图文说明选项对应所述疾病的手术指征的图文说明，所述文字说明选项对应所述疾病的手术指征的文字说明。
可选的，所述预测费用信息包括药品费用、诊断费用、检查费用、材料费用、住院费用、误工费用、护理费用和营养补助费用中的一种或者多种。
可选的，所述方法还包括：
定期获取训练对象的患者信息以及训练语料，并根据所述费用预测模型的输入项从所述训练对象的患者信息中获取第二目标信息；
将所述第二目标信息输入所述费用预测模型中进行处理，得到所述训练对象的训练描述信息；
将所述训练语料以及所述训练描述信息进行比较，得到比较结果，所述比较结果用于指示所述训练描述信息相对所述训练语料的准确率；
当所述比较结果指示所述训练描述信息相对所述训练语料的准确率小于预设准确率阈值时，对所述费用预测模型进行修正，得到修正后的费用预测模型。
第二方面，本发明实施例提供了一种基于预测模型的费用预测装置，该费用预测装置包括用于执行上述第一方面的方法的单元。
第三方面，本发明实施例提供了一种服务器，包括处理器、通信接口和存储器，所述处理器、所述通信接口和所述存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行上述第一方面的方法。
第四方面，本发明实施例提供了一种存储介质，所述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上述第一方面的方法。
本发明实施例中，在接收到终端发送的费用预测请求之后，首先从费用预测请求携带的患者信息中获取目标信息，该患者信息包括疾病对应的治疗方案信息，并将目标信息输入费用预测模型中进行处理，得到预测费用信息，从而可以通过费用预测模型快速确定治疗方案对应的预测费用信息，以为判断诊疗费用是否合理提供参考。
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是本发明第一实施例提供的一种费用预测方法的流程示意图；
图2是本发明第二实施例提供的一种费用预测方法的流程示意图；
图3是本发明实施例提供的一种费用预测装置的结构示意图；
图4是本发明实施例提供的一种服务器的结构示意图。
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。
本发明实施例公开了一种基于预测模型的费用预测方法、装置、服务器及存储介质，用于通过费用预测模型快速确定治疗方案对应的预测费用信息，以为判断诊疗费用是否合理提供参考。以下分别进行详细说明。
其中，本发明实施例中的技术方案可以应用于服务器中，该服务器可以是网上保险平台对应的服务器，也可以是互联网中的其他云服务器。本发明实施例中的终端可以是智能手机(如Android手机、iOS手机、Windows Phone手机等)、电脑、个人笔记本电脑、平板电脑、移动互联网设备(Mobile Internet Devices，MID)以及个人数字助理等。
请参见图1，图1是本发明第一实施例提供的一种基于预测模型的费用预测方法的流程示意图。具体的，如图1所示，该费用预测方法可以包括以下步骤：
S101、服务器接收终端发送的费用预测请求，所述费用预测请求携带患者信息。
本发明实施例中，费用预测请求携带的患者信息包括患者基本信息以及患者的诊疗信息。该患者基本信息包括患者的性别、身高、体重、年龄信息以及地域信息等。该地域信息可以是患者就诊的医院所在的城市的名称。该诊疗信息包括至少一个疾病名称以及每一个疾病名称分别对应的治疗方案信息。该至少一个疾病名称是根据患者的诊断信息得到的，该诊断信息为患者到医院就诊后由医生结合患者病情以及病情报告得到的诊断结果，该诊断结果包括患者患有的各种疾病的名称。该治疗方案信息为医生针对患者患有的各种疾病所选择的治疗方案。终端接收到用户输入的患者信息之后，生成包括该患者信息的费用预测请求。终端向服务器发送该费用预测请求，服务器在接收到终端发送的费用预测请求之后，解析该费用预测请求得到患者信息。其中，该用户可以是患者本身，也可以是保险人员。
在一实施方式中，服务器接收终端发送的费用预测请求之前，接收终端发送的针对目标界面的操作生成的数据请求，并响应于该数据请求得到关于该目标界面的目标数据，并向终端发送该目标数据。终端在接收到服务器发送的该目标数据之后，根据该目标数据输出目标界面。其中，该目标界面包括多个疾病选项和多个治疗方案选项，该多个疾病选项和多个治疗方案选项用于供用户输入患者的诊疗信息。该多个疾病选项也即是多个疾病名称的选项，例如：肋骨骨折选项、右侧锁骨骨折选项等。终端首先输出该多个疾病选项，接收用户针对该多个疾病选项输入的第一选择指令，并根据该第一选择指令确定目标疾病名称。该目标疾病名称包括一种或者多种疾病的名称；该第一选择指令是用户根据医生针对患者确定的诊断结果输入的。进一步地，终端输出关于目标疾病的治疗方案选项。该治疗方案选项可以是一个或者多个；该目标疾病为目标疾病名称所对应疾病中的任意一种。举例来说，该目标疾病为肋骨骨折，肋骨骨折对应的治疗方案选项可以包括：“治疗方案选项1、胸带固定，门诊治疗”；“治疗方案选项2、胸带固定、住院治疗”；“治疗方案选项3、手术固定等治疗方案选项”。
进一步地，终端接收用户针对每一个目标疾病对应的多个治疗方案选项分别输入的第二选择指令，该第二选择指令是用户根据医生针对患者患有的各种目标疾病所选择的实际治疗方案输入的。终端然后根据该第二选择指令确定每一个目标疾病分别对应的目标治疗方案选项，并根据该目标治疗方案选项生成每一个目标疾病分别对应的的治疗方案信息。例如，假设该第二选择指令指示用户针对目标疾病肋骨骨折选择的目标治疗方案选项为治疗方案选项2，则根据目标疾病肋骨骨折对应的治疗方案选项2，生成目标疾病肋骨骨折对应的治疗方案信息。该治疗方案信息可以是该治疗方案选项2所对应的治疗方案描述信息；也可以是将该治疗方案选项2所对应的治疗方案描述信息转换表示形式后得到该治疗方案信息。其中，该目标疾病名称以及每一个目标疾病分别对应的的治疗方案信息也即是患者的诊疗信息。在一实施方式中，该目标界面还包括多个对话框，该多个对话框用于供用户手动输入关于目标疾病的治疗方案描述信息。若目标疾病对应的治疗方案选项中，不存在与目标疾病的实际治疗方案对应的治疗方案选项，终端则接收用户手动输入的关于目标疾病的治疗方案描述信息，并根据该手动输入的治疗方案描述信息生成目标疾病对应的的治疗方案信息。
进一步地，终端接收到用户输入的患者基本信息，以及根据用户输入的选择指令生成患者诊疗信息之后，生成包括该患者基本信息以及诊疗信息的费用预测请求。终端向服务器发送该费用预测请求，服务器在接收到终端发送的费用预测请求之后，解析该费用预测请求得到患者基本信息以及诊疗信息。其中，该患者基本信息可以是用户手动输入的，也可以是根据用户针对目标界面中用于供用户选择患者基本信息的多个选项输入的选择指令所确定的。
在一实施方式中，该目标界面还包括各种疾病分别对应的手术指征的图文说明选项和文字说明选项，该图文说明选项对应疾病的手术指征的图文说明，该文字说明选项对应疾病的手术指征的文字说明。当检测到用户针对目标疾病对应的文字说明选项的点击操作时，输出该目标疾病对应的手术指征的文字说明，也即是只利用文字对该目标疾病对应的需要进行手术的症状特征进行说明。当检测到用户针对目标疾病对应的图文说明选项的点击操作时，输出该目标疾病对应的手术指征的图文说明，也即是利用文字和图片同时对该目标疾病对应的需要进行手术的症状特征进行说明。采用上述方式，可以提示用户各种疾病的手术指征，以供用户判断医生针对患者选择手术治疗方案是否合适，或者说，以供用户判断患者是否需要进行手术治疗。需要说明的是，该点击操作可以是单击操作，也可以是双击操作。
在一实施方式中，终端接收用户输入的关于患者的诊断信息以及治疗信息，该诊断信息以及治疗信息可以是文字形式，也可以是图像形式；然后将关于患者的诊断信息以及治疗信息发送给服务器。服务器接收并获取终端发送的关于患者的诊断信息以及治疗信息，然后根据该诊断信息确定患者患有的疾病的名称，并根据该治疗信息确定患者患有的每一种疾病所对应的治疗方案信息。采用上述方式，只需用户将关于患者的诊断信息以及治疗信息以文字或者图像的形式输入，服务器即可自动获取患者的诊疗信息。
S102、所述服务器根据费用预测模型的输入项从所述患者信息中获取第一目标信息。
本发明实施例中，该费用预测模型是预先构建的，且预先存储在服务器中。该费用预测模型是服务器根据历史预测费用信息以及从历史患者信息中获取到的历史第一目标信息训练得到的。服务器首先获取历史预测费用信息以及历史患者信息，并从历史患者信息中获取历史第一目标信息；然后将历史第一目标信息作为费用预测模型的输入，将历史预测费用信息作为费用预测模型的输出，训练得到该费用预测模型。服务器获取到该费用预测请求携带的患者信息之后，调用该费用预测模型，并从该患者信息中获取与该费用预测模型的输入项对应的第一目标信息。
其中，一方面，该第一目标信息可以是该患者信息中的部分信息，也即是说，该第一目标信息是费用预测模型在进行费用预测时，需要利用到的该患者信息中的部分信息。举例来说，该患者信息包括患者基本信息以及诊疗信息；该患者基本信息包括姓名、身份证号、性别、身高、体重、职业信息、年龄信息和地域信息。由于诊疗信息以及患者基本信息中的性别、年龄信息和地域信息都是费用预测过程中的有用参数，且均与该费用预测模型的输入项对应；则服务器根据该费用预测模型的输入项从患者信息中获取到的第一目标信息包括诊疗信息以及患者基本信息中的性别、年龄信息和地域信息。而该基本信息中的姓名、身份证号、身高、体重、职业信息等信息都是费用预测过程中的无用参数，且该费用预测模型无输入项与上述信息对应，则将该基本信息中的姓名、身份证号、身高、体重、职业信息等信息舍弃。另一方面，该第一目标信息是由患者信息转换表示形式生成的，或者说将患者信息从当前表示形式转换成另一种表示形式得到第一目标信息。该第一目标信息的表示形式与该费用预测模型的输入项的数据的表示形式一致。
S103、所述服务器将所述第一目标信息输入所述费用预测模型中进行处理，得到预测费用信息。
本发明实施例中，服务器从该患者信息中获取到第一目标信息之后，将该第一目标信息作为该费用预测模型的输入，并在经过该费用预测模型的处理之后，得到关于该患者的治疗方案的预测费用信息。该预测费用信息所指示的费用值也即是该患者的治疗方案所对应的合理费用。其中，该预测费用信息可以包括每一项治疗方案分别对应的药品费用、诊断费用、检查费用、材料费用、住院费用、误工费用、护理费用和营养补助费用中的一种或者多种；上述费用可以是一个具体的费用值，也可以是一个费用区间。该预测费用信息还可以包括各项治疗方案对应的总药品费用、总诊断费用、总检查费用、总材料费用、总住院费用、总误工费用、总护理费用和总营养补助费用中的一种或者多种。
在一实施方式中，该预测费用信息还可以包括各项治疗方案对应的总诊疗费用。该第一目标信息包括该诊疗信息，费用预测模型分别计算患者患有的每一种疾病对应的治疗方案的诊疗费用，并将每一项治疗方案的诊疗费用进行相加，得到总诊疗费用。需要说明的是，如果各项治疗方案的诊疗费用中包括相同项目的费用，则将该相同项目的费用只相加一次，可以避免重复计算相同项目的费用，以使该预测费用信息更加符合实际情况。
S104、所述服务器将所述预测费用信息发送给所述终端。
本发明实施例中，服务器通过费用预测模型得到治疗方案对应的的预测费用信息之后，生成包括该预测费用信息的提示信息，并将该提示信息发送给终端。终端在接收到服务器发送的提示信息之后，输出该提示信息，以供用户了解到该患者的治疗方案所对应的合理费用，并为用户判断该患者的治疗方案的实际诊疗费用是否合理提供参考。
本发明实施例中，在接收到终端发送的费用预测请求之后，首先从费用预测请求携带的患者信息中获取目标信息，该患者信息包括疾病对应的治疗方案信息，并将目标信息输入费用预测模型中进行处理，得到预测费用信息，从而可以通过费用预测模型快速确定治疗方案对应的预测费用信息，以为判断诊疗费用是否合理提供参考。
请参见图2，图2是本发明第二实施例提供的一种基于预测模型的费用预测方法的流程示意图。具体的，如图2所示，该费用预测方法可以包括以下步骤：
S201、服务器接收终端发送的费用预测请求，所述费用预测请求携带患者信息。
具体的，该步骤S201的描述请参照上述图1所示实施例中的相关描述，此处不再赘述。
S202、所述服务器根据费用预测模型的输入项从所述患者信息中获取第一目标信息。
本发明实施例中，患者基本信息包括患者的地域信息和年龄信息。该地域信息可以是患者就诊的医院所在的城市的名称，该年龄信息包括患者的实际年龄。服务器获取到该费用预测请求携带的患者基本信息之后，根据该地域信息、年龄信息以及费用预测模型三者之间的对应关系，从服务器预置的多个费用预测模型中确定出目标费用预测模型。举例来说，假设该年龄信息指示患者的年龄为24岁，该地域信息所指示的城市名称为深圳；服务器先判定患者所处的年龄区间，假设判定出患者所处的年龄区间为20～30岁的目标年龄区间；服务器然后从预置的多个费用预测模型中获取与目标年龄区间以及城市深圳均对应的费用预测模型，并将该与目标年龄区间以及城市深圳均对应的费用预测模型作为目标费用预测模型。进一步地，服务器从该患者信息中获取与该目标费用预测模型的输入项对应的第一目标信息，具体实现方式可参照前文描述，在此不再赘述。
在一实施方式中，该多个费用预测模型是预先构建的，且预先存储在服务器中。服务器接收终端发送的费用预测请求之前，首先获取历史患者信息以及历史预测费用信息，并从该历史患者信息中提取患者的地域信息以及年龄信息；然后根据地域信息以及年龄信息对获取到的历史患者信息进行分类，以得到多个分类类别，每个类别下的历史患者信息对应的患者均处于同一地域以及同一年龄区间。进一步地，服务器从目标类别下的历史患者信息中获取历史第一目标信息，将目标类别下的历史第一目标信息作为费用预测模型的输入，该目标类别为分类得到的多个类别中的任意一个；并将该目标类别下的历史第一目标信息对应的历史预测费用信息作为费用预测模型的输出，训练得到该目标类别所对应地域以及年龄区间的费用预测模型。采用上述方式，可以针对不同地域以及不同年龄区间的的患者，训练得到不同的费用预测模型，训练得到的费用预测模型更加符合各个地域不同年龄区间的患者的实际情况。
在一实施方式中，患者基本信息包括患者的地域信息。服务器获取到该费用预测请求携带的患者基本信息之后，根据该地域信息与费用预测模型的对应关系，从服务器预置的多个费用预测模型中确定出目标费用预测模型。举例来说，假设该地域信息所指示的城市名称为北京，服务器则从预置的多个费用预测模型中获取与城市名称北京对应的费用预测模型，并将该与城市名称北京对应的费用预测模型作为目标费用预测模型。进一步地，服务器从该患者信息中获取与该目标费用预测模型的输入项对应的第一目标信息，具体实现方式可参照前文描述，在此不再赘述。其中，该多个费用预测模型是预先构建的，其构建方式可参考前文描述，在此不再赘述。
在一实施方式中，患者基本信息包括患者的年龄信息。服务器获取到该费用预测请求携带的患者基本信息之后，根据该年龄信息与费用预测模型的对应关系，从服务器预置的多个费用预测模型中确定出目标费用预测模型。进一步地，服务器根据该目标费用预测模型的输入项从该患者信息中获取第一目标信息，具体实现方式可参照前文描述，在此不再赘述。其中，该多个费用预测模型是预先构建的，其构建方式可参考前文描述，在此不再赘述。
S203、所述服务器将所述第一目标信息输入所述费用预测模型中进行处理，得到预测费用信息。
本发明实施例中，服务器将第一目标信息输入该目标费用预测模型中进行处理，得到关于该患者的治疗方案的预测费用信息，具体实现方式可参照前文描述，在此不再赘述。其中，该预测费用信息可以包括每一项治疗方案分别对应的药品费用、诊断费用、检查费用、材料费用、住院费用、误工费用、护理费用和营养补助费用中的一种或者多种；上述费用为一个费用区间。该预测费用信息还可以包括各项治疗方案对应的总药品费用、总诊断费用、总检查费用、总材料费用、总住院费用、总误工费用、总护理费用和总营养补助费用中的一种或者多种。该预测费用信息还可以包括各项治疗方案对应的总诊疗费用。
在一实施方式中，如果治疗方案信息所指示的治疗方案中包括手术治疗，则在将第一目标信息输入该费用预测模型中进行处理之后，不仅得出关于该患者的治疗方案的预测费用信息，还可以根据该手术治疗对应的疾病名称预估得出该患者需要住院的天数，也即是住院时长。服务器将该住院时长发送给终端，终端接收并输出该住院时长，以供用户了解到该患者的手术治疗方案所对应的合理住院时长，并为用户判断该患者的手术治疗方案的实际住院时长是否合理提供参考。
S204、所述服务器接收终端发送的所述患者信息包括的诊疗信息对应的实际费用信息。
S205、所述服务器将所述实际费用信息对应的费用值与所述预测费用信息对应的费用值进行差值计算，得到差值计算结果。
本发明实施例中，该实际费用信息可以包括每一项治疗方案分别对应的药品费用、诊断费用、检查费用、材料费用、住院费用、误工费用、护理费用和营养补助费用中的一种或者多种；上述实际费用为一个具体的费用值。该实际费用信息还可以包括各项治疗方案对应的总药品费用、总诊断费用、总检查费用、总材料费用、总住院费用、总误工费用、总护理费用和总营养补助费用中的一种或者多种。服务器将该实际费用信息对应的费用值与该预测费用信息对应的费用值进行差值计算，得到差值计算结果，该差值计算结果用于指示实际费用信息中的每一项费用值，与该预测费用信息中相应项目的费用值的差值。该实际费用信息还可以包括各项治疗方案对应的实际总诊疗费用，该实际总诊疗费用为一个具体的费用值。服务器将该实际费用信息对应的费用值与该预测费用信息对应的费用值进行比较，得到差值计算结果，该差值计算结果用于指示实际费用信息中的实际总诊疗费用，与该预测费用信息中的总诊疗费用的差值。
其中，该差值包括实际费用信息中的具体费用值，分别与该预测费用信息中的费用区间的最大值以及最小值的差值。如果该差值均为正，则表示实际费用信息中的具体费用值高于预测费用信息中的费用区间最大值；如果该差值均为负，则表示实际费用信息中的具体费用值低于预测费用信息中的费用区间最小值；如果该差值为一正一负，则表示实际费用信息中的具体费用值处于预测费用信息中的费用区间内。
S206、所述服务器生成包括所述预测费用信息和所述差值计算结果的提示信息，并将所述提示信息发送给所述终端。
本发明实施例中，服务器生成包括该预测费用信息和该差值计算结果的提示信息，并将该提示信息发送给终端。终端在接收到服务器发送的提示信息之后，输出该预测费用信息以及该差值计算结果，并根据该差值计算结果输出提示信息。其中，如果该差值计算结果指示实际费用信息中的具体费用值处于预测费用信息中的费用区间内，终端则输出费用适中的提示信息。如果该差值计算结果指示实际费用信息中的具体费用值高于预测费用信息中的费用区间最大值，则输出费用偏高的提示信息；进一步地，可以输出实际费用信息中的具体费用值与预测费用信息中的费用区间最大值之间的差值，该差值为正。如果该差值计算结果指示实际费用信息中的具体费用值低于预测费用信息中的费用区间最小值，则输出费用偏低的提示信息；进一步地，可以输出实际费用信息中的具体费用值与预测费用信息中的费用区间最小值之间的差值，该差值为负。采用上述方式，可以让用户直观了解到该患者的治疗方案的实际诊疗费用是否合理。
在一实施方式中，服务器训练得到费用预测模型之后，为提高费用预测模型的处理结果的准确性，需要定期对训练得到的费用预测模型进行训练。服务器在检测到针对费用预测模型的训练指令时，获取训练对象的患者信息以及训练语料。服务器可以基于医疗大数据获取得到训练对象的患者信息以及训练语料。其中，该训练对象为患者，该患者信息包括训练对象的基本信息以及诊疗信息，该诊疗信息包括疾病名称以及疾病名称对应的治疗方案信息，该训练语料包括训练对象的诊疗信息对应的实际费用信息。进一步地，服务器根据费用预测模型的输入项从训练对象的患者信息中获取第二目标信息，并将该第二目标信息作为该费用预测模型的输入，经过费用预测模型的处理之后，得到该训练对象的训练描述信息。该训练描述信息包括该第二目标信息经过费用预测模型的处理后，得到的关于训练对象的治疗方案的预测费用信息。
进一步地，服务器将该训练语料包括的实际费用信息所指示的实际费用，与该训练描述信息包括的预测费用信息所指示的预测费用进行比较，得到比较结果。该比较结果用于指示该预测费用相对该实际费用的准确率。如果该实际费用以及该预测费用均为具体的值，则先获取该实际费用与该预测费用之间的差值，并根据该差值以及该实际费用计算得到该准确率。服务器在检测到该比较结果指示的准确率小于预设准确率阈值时，对该费用预测模型进行修正，得到修正后的费用预测模型。
其中，如果该实际费用为具体的值，而该预测费用为一个费用区间，则获取该实际费用值与该预测费用的最大值之间的第一差值，并根据该第一差值以及该实际费用计算得到该预测费用相对该实际费用的最大值的第一准确率；获取该实际费用值与该预测费用的最小值之间的第二差值，并根据该第二差值以及该实际费用计算得到该预测费用相对该实际费用的最小值的第二准确率。服务器在检测到该比较结果指示的第一准确率和/或第二准确率小于该预设准确率阈值时，对该费用预测模型进行修正，得到修正后的费用预测模型。其中，该预设准确率阈值例如是80％或者90％。服务器可以是基于医疗大数据获取样本数据，该样本数据包括患者信息以及预测费用信息；并利用该样本数据对该费用预测模型进行进一步训练，以对该费用预测模型进行修正，得到修正后的费用预测模型。
在一实施方式中，服务器接收到终端发送的费用预测请求之后，获取费用预测请求携带的患者基本信息，并根据患者基本信息中的姓名、身份证号、保单号等信息获取患者的保单信息，该保单信息包括购买时间、保障时长等。进一步地，服务器根据保单信息检测患者购买的保险产品是否仍处于保险期限内。当检测到患者购买的保险产品已超出保险期限，则确定患者购买的保险产品已失效，并结束流程，不再进行费用预测，以节省网络以及软硬件资源。当检测到患者购买的保险产品仍处于保险期限内，则确定患者购买的保险产品未失效，并执行步骤S202至步骤S206。
在一实施方式中，通过预测费用模型得到关于患者的治疗方案的预测费用信息之后，获取患者的保单信息，该保单信息包括患者购买的保险产品的赔付规则、赔付额度等。进一步地，服务器根据该预测费用信息、该赔付规则以及该赔付额度等自动计算理赔费用。该理赔费用可以是一个具体的值，也可以是一个理赔费用区间。采用上述方式，可以自动计算理赔费用，以节省保险人员的工作量；另一方面，也可以让患者根据该计算得到的理赔费用判断保险人员人工确定的理赔费用是否合理，也即是说为判断理赔费用是否合理提供参考。
本发明实施例中，在接收到终端发送的费用预测请求之后，首先从费用预测请求携带的患者信息中获取目标信息，该患者信息包括疾病对应的治疗方案信息，并将目标信息输入费用预测模型中进行处理，得到预测费用信息，从而可以通过费用预测模型快速确定治疗方案对应的预测费用信息，以为判断诊疗费用是否合理提供参考。
请参见图3，图3是本发明实施例提供的一种基于预测模型的费用预测装置的结构示意图。本发明实施例的费用预测装置包括用于执行上述费用预测方法的单元。具体的，本发明实施例的费用预测装置300可包括：收发单元301、获取单元302和处理单元303。其中：
收发单元301，用于接收终端发送的费用预测请求，所述费用预测请求携带患者信息，所述患者信息包括患者基本信息以及诊疗信息，所述诊疗信息包括疾病名称以及所述疾病名称对应的治疗方案信息，所述患者基本信息包括地域信息和年龄信息；
获取单元302，用于根据费用预测模型的输入项从所述患者信息中获取第一目标信息；
处理单元303，用于将所述第一目标信息输入所述费用预测模型中进行处理，得到预测费用信息，所述费用预测模型是根据历史预测费用信息以及从历史患者信息中获取到的历史第一目标信息训练得到的；
所述收发单元301，还用于将所述预测费用信息发送给所述终端。
在一实施方式中，所述收发单元301，还用于接收终端发送的所述诊疗信息对应的实际费用信息；
所述处理单元303，还用于将所述实际费用信息对应的费用值与所述预测费用信息对应的费用值进行差值计算，得到差值计算结果；
所述处理单元303，还用于生成包括所述预测费用信息和所述差值计算结果的提示信息；
所述收发单元301，具体用于将所述提示信息发送给所述终端。
在一实施方式中，所述处理单元303，还用于根据所述地域信息、所述年龄信息和费用预测模型三者之间的对应关系，从预置的多个费用预测模型中确定出目标费用预测模型；
所述获取单元302，具体用于根据所述目标费用预测模型的输入项从所述患者信息中获取第一目标信息；
所述处理单元303，具体用于将所述第一目标信息输入所述目标费用预测模型中进行处理，得到预测费用信息。
在一实施方式中，所述收发单元301，还用于：
接收所述终端发送的针对目标界面的数据请求；
响应所述数据请求向所述终端发送所述目标界面的目标数据，以使所述终端根据所述目标数据输出所述目标界面，所述目标界面包括多个疾病选项和多个治疗方案选项，所述多个疾病选项和多个治疗方案选项用于供用户输入患者的诊疗信息；
其中，所述费用预测请求是根据所述用户针对所述多个疾病选项和多个治疗方案选项输入的患者的诊疗信息生成的。
在一实施方式中，所述目标界面还包括疾病对应的手术指征的图文说明选项和文字说明选项，所述图文说明选项对应所述疾病的手术指征的图文说明，所述文字说明选项对应所述疾病的手术指征的文字说明。
在一实施方式中，所述预测费用信息包括药品费用、诊断费用、检查费用、材料费用、住院费用、误工费用、护理费用和营养补助费用中的一种或者多种。
在一实施方式中，所述获取单元302，还用于定期获取训练对象的患者信息以及训练语料，并根据所述费用预测模型的输入项从所述训练对象的患者信息中获取第二目标信息；
所述处理单元303，还用于：
将所述第二目标信息输入所述费用预测模型中进行处理，得到所述训练对象的训练描述信息；
将所述训练语料以及所述训练描述信息进行比较，得到比较结果，所述比较结果用于指示所述训练描述信息相对所述训练语料的准确率；
当所述比较结果指示所述训练描述信息相对所述训练语料的准确率小于预设准确率阈值时，对所述费用预测模型进行修正，得到修正后的费用预测模型。
具体的，该费用预测装置可通过上述单元实现上述图1或图2所示实施例中的费用预测方法中的部分或全部步骤。应理解，本发明实施例是对应方法实施例的装置实施例，对方法实施例的描述，也适用于本发明实施例。
本发明实施例中，在接收到终端发送的费用预测请求之后，首先从费用预测请求携带的患者信息中获取目标信息，该患者信息包括疾病对应的治疗方案信息，并将目标信息输入费用预测模型中进行处理，得到预测费用信息，从而可以通过费用预测模型快速确定治疗方案对应的预测费用信息，以为判断诊疗费用是否合理提供参考。
请参见图4，图4是本发明实施例提供的一种服务器的结构示意图。该服务器用于执行上述的方法。如图4所示，本实施例中的服务器400可以包括：一个或多个处理器401和存储器402。可选的，该服务器还可包括一个或多个通信接口403。上述处理器401、通信接口403和存储器402可通过总线404连接，或者可以通过其他方式连接，图4中以总线方式进行示例说明。
其中，所述处理器401可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述通信接口403可用于收发信息或信令的交互，以及信号的接收和传递，通信接口403可包括接收器和发射器，用于与其他设备进行通信。所述存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的存储程序(比如文字存储功能、位置存储功能等)；存储数据区可存储根据服务器的使用所创建的数据(比如图像数据、文字数据)等，并可以包括应用存储程序等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述存储器402还用于存储程序指令。所述处理器401可以调用上述存储器402存储的程序指令，实现如本发明实施例所示的费用预测方法。
其中，处理器401可用于调用所述程序指令执行以下步骤：通过所述通信接口403接收终端发送的费用预测请求，所述费用预测请求携带患者信息，所述患者信息包括患者基本信息以及诊疗信息，所述诊疗信息包括疾病名称以及所述疾病名称对应的治疗方案信息，所述患者基本信息包括地域信息和年龄信息；根据费用预测模型的输入项从所述患者信息中获取第一目标信息；将所述第一目标信息输入所述费用预测模型中进行处理，得到预测费用信息，所述费用预测模型是根据历史预测费用信息以及从历史患者信息中获取到的历史第一目标信息训练得到的；通过所述通信接口403将所述预测费用信息发送给所述终端。
在一实施方式中，处理器401还可调用所述程序指令执行以下步骤：根据各个疾病名称对应的风险概率从所述至少一个疾病名称中，确定出风险概率大于风险概率阈值的目标疾病名称；根据疾病名称与诊疗项目的对应关系，确定与所述目标疾病名称对应的目标诊疗项目。处理器401在调用所述程序指令执在一实施方式中，处理器401还可调用所述程序指令执行以下步骤：通过所述通信接口403接收终端发送的所述诊疗信息对应的实际费用信息；将所述实际费用信息对应的费用值与所述预测费用信息对应的费用值进行比较，得到差值计算结果。
处理器401在调用所述程序指令执行所述通过所述通信接口403将所述预测费用信息发送给所述终端时，具体执行以下步骤：生成包括所述预测费用信息和所述差值计算结果的提示信息，并通过所述通信接口403将所述提示信息发送给所述终端。
在一实施方式中，处理器401在调用所述程序指令执行所述根据费用预测模型的输入项从所述患者信息中获取第一目标信息时，具体执行以下步骤：根据所述地域信息、所述年龄信息和费用预测模型三者之间的对应关系，从预置的多个费用预测模型中确定出目标费用预测模型；根据所述目标费用预测模型的输入项从所述患者信息中获取第一目标信息。
处理器401在调用所述程序指令执行所述将所述第一目标信息输入所述费用预测模型中进行处理时，具体执行以下步骤：将所述第一目标信息输入所述目标费用预测模型中进行处理，得到预测费用信息。
在一实施方式中，处理器401还可调用所述程序指令执行以下步骤：通过所述通信接口403接收所述终端发送的针对目标界面的数据请求；响应所述数据请求通过所述通信接口403向所述终端发送所述目标界面的目标数据，以使所述终端根据所述目标数据输出所述目标界面，所述目标界面包括多个疾病选项和多个治疗方案选项，所述多个疾病选项和多个治疗方案选项用于供用户输入患者的诊疗信息；其中，所述费用预测请求是根据所述用户针对所述多个疾病选项和多个治疗方案选项输入的患者的诊疗信息生成的。
在一实施方式中，所述目标界面还包括疾病对应的手术指征的图文说明选项和文字说明选项，所述图文说明选项对应所述疾病的手术指征的图文说明，所述文字说明选项对应所述疾病的手术指征的文字说明。
在一实施方式中，所述预测费用信息包括药品费用、诊断费用、检查费用、材料费用、住院费用、误工费用、护理费用和营养补助费用中的一种或者多种。
在一实施方式中，处理器401还可调用所述程序指令执行以下步骤：定期获取训练对象的患者信息以及训练语料，并根据所述费用预测模型的输入项从所述训练对象的患者信息中获取第二目标信息；将所述第二目标信息输入所述费用预测模型中进行处理，得到所述训练对象的训练描述信息；将所述训练语料以及所述训练描述信息进行比较，得到比较结果，所述比较结果用于指示所述训练描述信息相对所述训练语料的准确率；当所述比较结果指示所述训练描述信息相对所述训练语料的准确率小于预设准确率阈值时，对所述费用预测模型进行修正，得到修正后的费用预测模型。
具体实现中，本发明实施例中所描述的处理器401等可执行上述图1或图2所示的方法实施例中所描述的实现方式，也可执行本发明实施例图3所描述的各单元的实现方式，此处不赘述。
本发明实施例中，在接收到终端发送的费用预测请求之后，首先从费用预测请求携带的患者信息中获取目标信息，该患者信息包括疾病对应的治疗方案信息，并将目标信息输入费用预测模型中进行处理，得到预测费用信息，从而可以通过费用预测模型快速确定治疗方案对应的预测费用信息，以为判断诊疗费用是否合理提供参考。
本发明实施例还提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现图1或图2所对应实施例中描述的费用预测方法中的部分或全部步骤，也可实现本发明图3所示实施例的费用预测装置的功能，也可实现本发明图4所示实施例的服务器的功能，此处不赘述。
本发明实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述方法中的部分或全部步骤。
所述存储介质可以是前述实施例所述的费用预测装置或者服务器的内部存储单元，例如费用预测装置或者服务器的硬盘或内存。所述存储介质也可以是所述费用预测装置或者服务器的外部存储设备，例如所述费用预测装置或者服务器上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(FlashCard)等。
在本申请中，术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
以上所述，仅为本发明的部分实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于预测模型的费用预测方法，其特征在于，所述方法包括：
接收终端发送的费用预测请求，所述费用预测请求携带患者信息，所述患者信息包括患者基本信息以及诊疗信息，所述诊疗信息包括疾病名称以及所述疾病名称对应的治疗方案信息，所述患者基本信息包括地域信息和年龄信息；
根据费用预测模型的输入项从所述患者信息中获取第一目标信息；
将所述第一目标信息输入所述费用预测模型中进行处理，得到预测费用信息，所述费用预测模型是根据历史预测费用信息以及从历史患者信息中获取到的历史第一目标信息训练得到的；
将所述预测费用信息发送给所述终端。
2.根据权利要求1所述的方法，其特征在于，所述将所述预测费用信息发送给所述终端之前，所述方法还包括：
接收终端发送的所述诊疗信息对应的实际费用信息；
将所述实际费用信息对应的费用值与所述预测费用信息对应的费用值进行差值计算，得到差值计算结果；
所述将所述预测费用信息发送给所述终端，包括：
生成包括所述预测费用信息和所述差值计算结果的提示信息，并将所述提示信息发送给所述终端。
3.根据权利要求1所述的方法，其特征在于，所述根据费用预测模型的输入项从所述患者信息中获取第一目标信息，包括：
根据所述地域信息、所述年龄信息和费用预测模型三者之间的对应关系，从预置的多个费用预测模型中确定出目标费用预测模型；
根据所述目标费用预测模型的输入项从所述患者信息中获取第一目标信息；
所述将所述第一目标信息输入所述费用预测模型中进行处理，得到预测费用信息，包括：
将所述第一目标信息输入所述目标费用预测模型中进行处理，得到预测费用信息。
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述接收终端发送的费用预测请求之前，所述方法还包括：
接收所述终端发送的针对目标界面的数据请求；
响应所述数据请求向所述终端发送所述目标界面的目标数据，以使所述终端根据所述目标数据输出所述目标界面，所述目标界面包括多个疾病选项和多个治疗方案选项，所述多个疾病选项和多个治疗方案选项用于供用户输入患者的诊疗信息；
其中，所述费用预测请求是根据所述用户针对所述多个疾病选项和多个治疗方案选项输入的患者的诊疗信息生成的。
5.根据权利要求4所述的方法，其特征在于，所述目标界面还包括疾病对应的手术指征的图文说明选项和文字说明选项，所述图文说明选项对应所述疾病的手术指征的图文说明，所述文字说明选项对应所述疾病的手术指征的文字说明。
6.根据权利要求1所述的方法，其特征在于，所述预测费用信息包括药品费用、诊断费用、检查费用、材料费用、住院费用、误工费用、护理费用和营养补助费用中的一种或者多种。
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：
定期获取训练对象的患者信息以及训练语料，并根据所述费用预测模型的输入项从所述训练对象的患者信息中获取第二目标信息；
将所述第二目标信息输入所述费用预测模型中进行处理，得到所述训练对象的训练描述信息；
将所述训练语料以及所述训练描述信息进行比较，得到比较结果，所述比较结果用于指示所述训练描述信息相对所述训练语料的准确率；
当所述比较结果指示所述训练描述信息相对所述训练语料的准确率小于预设准确率阈值时，对所述费用预测模型进行修正，得到修正后的费用预测模型。
8.一种基于预测模型的费用预测装置，其特征在于，包括用于执行如权利要求1至7中任一项权利要求所述的方法的单元。
9.一种服务器，其特征在于，包括处理器、通信接口和存储器，所述处理器、所述通信接口和所述存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1至7中任一项所述的方法。
10.一种存储介质，其特征在于，所述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至7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811282180.1A CN109523067A (zh) | 2018-10-30 | 2018-10-30 | 基于预测模型的费用预测方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811282180.1A CN109523067A (zh) | 2018-10-30 | 2018-10-30 | 基于预测模型的费用预测方法、装置、服务器及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109523067A true CN109523067A (zh) | 2019-03-26 |
Family
ID=65772774
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811282180.1A Pending CN109523067A (zh) | 2018-10-30 | 2018-10-30 | 基于预测模型的费用预测方法、装置、服务器及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109523067A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110245778A (zh) * | 2019-05-07 | 2019-09-17 | 阿里巴巴集团控股有限公司 | 分摊数据检测方法以及装置 |
| CN110729053A (zh) * | 2019-10-11 | 2020-01-24 | 平安医疗健康管理股份有限公司 | 数据处理方法、装置、计算机设备和存储介质 |
| CN110738573A (zh) * | 2019-09-06 | 2020-01-31 | 平安医疗健康管理股份有限公司 | 基于分类器的数据处理方法、设备、存储介质及装置 |
| CN111898797A (zh) * | 2020-06-22 | 2020-11-06 | 青岛国新健康产业科技有限公司 | 医疗费用预测方法、装置、电子设备及存储介质 |
| CN112132625A (zh) * | 2020-09-27 | 2020-12-25 | 平安医疗健康管理股份有限公司 | 基于健康风险的医疗支出费用预测系统 |
| CN112183861A (zh) * | 2020-09-28 | 2021-01-05 | 辽宁省肿瘤医院 | 基于lasso回归预测治疗费用的方法 |
| CN112509685A (zh) * | 2020-12-31 | 2021-03-16 | 曜立科技(北京)有限公司 | 一种筛选手术方式的标准化的方法及系统 |
| CN112734580A (zh) * | 2020-12-31 | 2021-04-30 | 平安医疗健康管理股份有限公司 | 基于数据分析的风险预警系统 |
| CN112837674A (zh) * | 2019-11-22 | 2021-05-25 | 阿里巴巴集团控股有限公司 | 语音识别方法、装置及相关系统和设备 |
| CN113345564A (zh) * | 2021-05-31 | 2021-09-03 | 电子科技大学 | 一种基于图神经网络的患者住院时长早期预测方法及装置 |
| 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 |
| CN114581069A (zh) * | 2022-03-03 | 2022-06-03 | 百融至信(北京)征信有限公司 | 一种基于api调用量的最低账单金额计费方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107910068A (zh) * | 2017-11-29 | 2018-04-13 | 平安健康保险股份有限公司 | 投保用户的健康风险预测方法、装置、设备及存储介质 |
| 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 CN201811282180.1A patent/CN109523067A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107910068A (zh) * | 2017-11-29 | 2018-04-13 | 平安健康保险股份有限公司 | 投保用户的健康风险预测方法、装置、设备及存储介质 |
| 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 (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110245778A (zh) * | 2019-05-07 | 2019-09-17 | 阿里巴巴集团控股有限公司 | 分摊数据检测方法以及装置 |
| CN110245778B (zh) * | 2019-05-07 | 2023-10-31 | 创新先进技术有限公司 | 分摊数据检测方法以及装置 |
| CN110738573A (zh) * | 2019-09-06 | 2020-01-31 | 平安医疗健康管理股份有限公司 | 基于分类器的数据处理方法、设备、存储介质及装置 |
| CN110729053A (zh) * | 2019-10-11 | 2020-01-24 | 平安医疗健康管理股份有限公司 | 数据处理方法、装置、计算机设备和存储介质 |
| CN110729053B (zh) * | 2019-10-11 | 2023-02-03 | 深圳平安医疗健康科技服务有限公司 | 数据处理方法、装置、计算机设备和存储介质 |
| CN112837674A (zh) * | 2019-11-22 | 2021-05-25 | 阿里巴巴集团控股有限公司 | 语音识别方法、装置及相关系统和设备 |
| CN111898797A (zh) * | 2020-06-22 | 2020-11-06 | 青岛国新健康产业科技有限公司 | 医疗费用预测方法、装置、电子设备及存储介质 |
| CN112132625A (zh) * | 2020-09-27 | 2020-12-25 | 平安医疗健康管理股份有限公司 | 基于健康风险的医疗支出费用预测系统 |
| CN112183861A (zh) * | 2020-09-28 | 2021-01-05 | 辽宁省肿瘤医院 | 基于lasso回归预测治疗费用的方法 |
| CN112183861B (zh) * | 2020-09-28 | 2024-01-26 | 辽宁省肿瘤医院 | 基于lasso回归预测治疗费用的方法 |
| CN112734580A (zh) * | 2020-12-31 | 2021-04-30 | 平安医疗健康管理股份有限公司 | 基于数据分析的风险预警系统 |
| CN112734580B (zh) * | 2020-12-31 | 2022-12-02 | 深圳平安医疗健康科技服务有限公司 | 基于数据分析的风险预警系统 |
| CN112509685A (zh) * | 2020-12-31 | 2021-03-16 | 曜立科技(北京)有限公司 | 一种筛选手术方式的标准化的方法及系统 |
| CN113345564A (zh) * | 2021-05-31 | 2021-09-03 | 电子科技大学 | 一种基于图神经网络的患者住院时长早期预测方法及装置 |
| 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 |
| CN114581069A (zh) * | 2022-03-03 | 2022-06-03 | 百融至信(北京)征信有限公司 | 一种基于api调用量的最低账单金额计费方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109523067A (zh) | 基于预测模型的费用预测方法、装置、服务器及存储介质 | |
| US10198816B2 (en) | Medical evaluation machine learning workflows and processes | |
| CN109256186A (zh) | 基于审核模型的用药审核方法、装置、服务器及存储介质 | |
| CN110249392A (zh) | 智能辅助诊疗系统及方法 | |
| CN109493972A (zh) | 基于预测模型的数据处理方法、装置、服务器及存储介质 | |
| US20160042134A1 (en) | Method of calculating a score of a medical suggestion as a support in medical decision making | |
| CN104573350A (zh) | 基于网络医院的全科医生辅助诊疗系统及方法 | |
| Djulbegovic et al. | Transforming clinical practice guidelines and clinical pathways into fast‐and‐frugal decision trees to improve clinical care strategies | |
| JP6181194B2 (ja) | クリニカルパス管理装置 | |
| WO2006002465A1 (en) | Method, apparatus, system and computer program product for cluster detection | |
| CN108209891A (zh) | 远程健康医疗监测方法及系统 | |
| EP3799074A1 (en) | Healthcare network | |
| CN109376932A (zh) | 基于预测模型的年龄预测方法、装置、服务器及存储介质 | |
| CN113053513A (zh) | 一种基于智慧社区的智慧医疗系统 | |
| CN109544103A (zh) | 一种理赔模型的构建方法、装置、服务器及存储介质 | |
| US20130282396A1 (en) | System and method for deploying multiple clinical decision support models | |
| CN109522301A (zh) | 一种数据处理方法、电子设备及存储介质 | |
| CN109522705A (zh) | 一种权限管理方法、装置、电子设备及介质 | |
| US10460266B2 (en) | Optimizing workflows | |
| EP3659150B1 (en) | Device, system, and method for optimizing image acquisition workflows | |
| JP2020042864A (ja) | オンデマンドリアルタイム患者固有データ解析計算プラットフォームを提供するシステムおよび方法 | |
| KR20120077540A (ko) | 인지 기능 향상용 훈련 관리 장치, 진료 통합 장치 및 훈련 시스템 | |
| US20060235725A1 (en) | Method for utilization of computer-assisted diagnosis tools | |
| US20180261325A1 (en) | Systems and methods for providing aggregated and customizable clinical decision support information | |
| CN113724846A (zh) | 就诊数据处理方法、装置、存储介质及设备 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220525 Address after: 518000 China Aviation Center 2901, No. 1018, Huafu Road, Huahang community, Huaqiang North Street, Futian District, Shenzhen, Guangdong Province Applicant after: Shenzhen Ping An medical and Health Technology Service Co.,Ltd. Address before: Room 12G, Block H, 666 Beijing East Road, Huangpu District, Shanghai 200000 Applicant before: PING AN MEDICAL AND HEALTHCARE MANAGEMENT Co.,Ltd. |