CN109543774B - 异常血透配比检测方法、装置、设备及计算机存储介质 - Google Patents

Abstract

本发明属于人工智能领域，提供一种异常血透配比检测方法，该方法包括：获取待检测参保人肾病诊疗数据；将所述待检测参保人肾病诊疗数据输入预设清洗模型进行预处理；根据预先训练完成的检测模型，分析预处理后的所述待检测参保人肾病诊疗数据，以得出若干个基于不同血透配比的待检测群组；对所述待检测群组进行分析，从所述待检测群组中检测出血透配比不合理的异常参保人肾病诊疗数据。本发明还提供一种异常血透配比检测装置、设备及计算机存储介质。本发明从血透配比的角度，基于检测模型对大量的参保人肾病诊疗数据进行异常检测，可提高检测效率和准确性。

Description

异常血透配比检测方法、装置、设备及计算机存储介质

技术领域

本发明涉及人工智能领域，尤其涉及一种异常血透配比检测方法、装置、设备及计算机存储介质。

背景技术

医保体系中，肾病透析已纳入医保报销范围，参保人的肾病透析费用可进行医保报销。为保障医保基金的合理支出，需要对参保人肾病诊疗数据进行异常检测，以核验参保人的肾病透析费用报销情况。由于需要检测的数据量大，仅依靠传统的人工检测方式，难度大，效率低，且准确度难以保证，无法应对复杂的实际情况。

发明内容

本发明的主要目的在于提供一种异常血透配比检测方法、装置、设备及计算机存储介质，旨在解决传统仅依靠人工检测参保人肾病诊疗数据的方式，难度大，效率低，且准确度难以保证，无法应对复杂的实际情况的技术问题。

为实现上述目的，本发明提供一种异常血透配比检测方法，所述异常血透配比检测方法包括以下步骤：

获取待检测参保人肾病诊疗数据；

将所述待检测参保人肾病诊疗数据输入预设清洗模型进行预处理；

根据预先训练完成的检测模型，分析预处理后的所述待检测参保人肾病诊疗数据，以得出若干个基于不同血透配比的待检测群组；

对所述待检测群组进行分析，从所述待检测群组中检测出血透配比不合理的异常参保人肾病诊疗数据。

可选地，所述获取待检测参保人肾病诊疗数据的步骤之前，包括：

采用无监督学习方法训练检测模型。

可选地，所述采用无监督学习方法训练检测模型的步骤包括：

获取用于训练检测模型的参保人肾病诊疗数据；

将所述用于训练检测模型的参保人肾病诊疗数据输入预设清洗模型进行预处理；

根据预处理后的用于训练检测模型的参保人肾病诊疗数据，建立用于训练检测模型的训练样本；

根据所述训练样本，采用预设无监督学习聚类算法训练检测模型。

可选地，所述将所述待检测参保人肾病诊疗数据输入预设清洗模型进行预处理的步骤包括：

将所述待检测参保人肾病诊疗数据输入预设清洗模型中依次进行数据切片、数据分词、文本转换、字段填充的清洗处理。

可选地，所述根据预先训练完成的检测模型，分析预处理后的所述待检测参保人肾病诊疗数据，以得出若干个基于不同血透配比的待检测群组的步骤包括：

将预处理后的待检测参保人肾病诊疗数据输入预先训练完成的检测模型，以对预处理后的待检测参保人肾病诊疗数据进行聚类，得到若干个基于不同血透配比的待检测群组。

可选地，所述对所述待检测群组进行分析，从所述待检测群组中检测出血透配比不合理的异常参保人肾病诊疗数据的步骤包括：

分别将各个待检测群组对应的血透配比与预设血透配比阈值进行比对；

将血透配比超出预设血透配比阈值的待检测群组作为异常待检测群组转由人工进行二次检测，以从所述异常待检测群组中确定出血透配比不合理的异常参保人肾病诊疗数据。

可选地，所述异常血透配比检测方法还包括以下步骤：

将所述待检测参保人肾病诊疗数据与用于训练检测模型的参保人肾病诊疗数据进行合并，以更新用于训练检测模型的训练样本；

根据更新的训练样本，对检测模型进行进一步训练。

此外，为实现上述目的，本发明还提供异常血透配比检测装置，所述异常血透配比检测装置包括：

获取模块，用于获取待检测参保人肾病诊疗数据；

预处理模块，用于将所述待检测参保人肾病诊疗数据输入预设清洗模型进行预处理；

分析模块，用于根据预先训练完成的检测模型，分析预处理后的所述待检测参保人肾病诊疗数据，以得出若干个基于不同血透配比的待检测群组；

检测模块，用于对所述待检测群组进行分析，从所述待检测群组中检测出血透配比不合理的异常参保人肾病诊疗数据。

此外，为实现上述目的，本发明还提供一种异常血透配比检测设备，所述异常血透配比检测设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的异常血透配比检测程序，其中所述异常血透配比检测程序被所述处理器执行时，实现如上述的异常血透配比检测方法的步骤。

此外，为实现上述目的，本发明还提供一种计算机存储介质，所述计算机存储介质上存储有异常血透配比检测程序，其中所述异常血透配比检测程序被处理器执行时，实现如上述的异常血透配比检测方法的步骤。

本发明提供一种异常血透配比检测方法，获取待检测参保人肾病诊疗数据；将所述待检测参保人肾病诊疗数据输入预设清洗模型进行预处理；根据预先训练完成的检测模型，分析预处理后的所述待检测参保人肾病诊疗数据，以得出若干个基于不同血透配比的待检测群组；对所述待检测群组进行分析，从所述待检测群组中检测出血透配比不合理的异常参保人肾病诊疗数据。通过上述方式，本发明从血透配比的角度，实现了基于检测模型对大量的参保人肾病诊疗数据进行异常检测，不仅可提高检测效率，也为有效检测出血透配比不合理的异常参保人肾病诊疗数据提供了精确的分析依据，提高了检测的准确性。

附图说明

图1为本发明实施例方案中涉及的异常血透配比检测设备的硬件结构示意图；

图2为本发明异常血透配比检测方法第一实施例的流程示意图；

图3为本发明异常血透配比检测方法第一实施例的细化流程示意图；

图4为本发明异常血透配比检测方法第一实施例的另一细化流程示意图；

图5为本发明异常血透配比检测装置第一实施例的功能模块示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例涉及的异常血透配比检测方法主要应用于异常血透配比检测设备，该异常血透配比检测设备可以是个人计算机(personal computer，PC)、服务器等具有数据处理功能的设备。

参照图1，图1为本发明实施例方案中涉及的异常血透配比检测设备的硬件结构示意图。本发明实施例中，异常血透配比检测设备可以包括处理器1001(例如中央处理器Central Processing Unit，CPU)，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信；用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)；网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真WIreless-FIdelity，WI-FI接口)；存储器1005可以是高速随机存取存储器(random access memory，RAM)，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器，存储器1005可选的还可以是独立于前述处理器1001的存储装置。本领域技术人员可以理解，图1中示出的硬件结构并不构成对本发明的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

继续参照图1，图1中作为一种计算机存储介质的存储器1005可以包括操作系统、网络通信模块以及异常血透配比检测程序。在图1中，网络通信模块可用于连接人社系统，与人社系统进行数据通信；而处理器1001可以调用存储器1005中存储的异常血透配比检测程序，并执行本发明各实施例提供的异常血透配比检测方法。

本发明实施例提供了一种异常血透配比检测方法。

参照图2，图2为本发明异常血透配比检测方法第一实施例的流程示意图。

本实施例中，所述异常血透配比检测方法应用于检测系统，所述检测系统搭载于异常血透配比检测设备中，比如检测系统可以搭载于服务器或PC等设备中，检测系统对接人社系统，而人社系统对接已在人社系统备案的定点医疗机构。所述异常血透配比检测方法包括以下步骤：

步骤S10，获取待检测参保人肾病诊疗数据；

在实际中，参保人在定点医疗机构进行诊疗后，定点医疗机构会将参保人肾病诊疗数据上传至人社系统，其中，参保人肾病诊疗数据至少包括参保人的肾病治疗信息，该肾病治疗信息包括血透使用的透析器血路管数量与透析次数的配比(简称血透配比)。人社系统会将定点医疗机构上传的参保人肾病诊疗数据保存至人社系统的数据库中。本实施例提出一种异常血透配比检测方法，从血透配比的角度，通过训练完成的检测模型，对参保人肾病诊疗数据进行异常检测，从而确定出异常的参保人肾病诊疗数据。

在本实施例中，步骤S10之前，需预先训练检测模型。在一种优选的实现方式中，可以采用无监督学习方法训练检测模型。

具体地，参照图3，采用无监督学习方法训练检测模型的步骤可以包括：

步骤S50，获取用于训练检测模型的参保人肾病诊疗数据；

即，先获取用于训练检测模型的参保人肾病诊疗数据。本步骤中，检测系统可以从人社系统的数据库中获取某一时间段内的历史参保人肾病诊疗数据，作为训练检测模型的参保人肾病诊疗数据，如表1所示：

表1用于训练检测模型的参保人肾病诊疗数据

步骤S60，将所述用于训练检测模型的参保人肾病诊疗数据输入预设清洗模型进行预处理；

之后，检测系统将用于训练检测模型的参保人肾病诊疗数据输入预设清洗模型进行预处理。本实施例检测系统中预先设置有清洗模型，该清洗模型采用了NLP(naturallanguage processing，自然语言处理)技术，NLP技术可自动化处理大量文本数据，从中提炼出有价值的信息。检测系统可以利用该预设清洗模型，通过NLP技术对用于训练检测模型的参保人肾病诊疗数据进行清洗处理，清洗处理的过程如下：

a、数据切片，即，去除参保人肾病诊疗数据中的不相关字段，例如对于上表中所示的数据，需要去除姓名、性别、治疗时间、治疗次数、血路管数和费用字段的数据；

b、数据分词，即，将数据切片后的诊疗数据拆分为各个独立的单词，例如对于上表中去除不相关字段后的诊疗数据，将其拆分为各个独立的单词，得到编号、就诊结果、治疗项目、血透配比的独立字段的数据；

c、文本转换，即，将数据分词后的诊疗明细数据中的英文转换为中文，例如对于表1中的编号2，将治疗项目中的HD转换为血液透析；

d、字段填充，即，预先设置标准化模板，该标准化模板包括了为用于训练检测模型的训练样本定义的需求数据类型(即需要从文本转换后的诊疗明细数据中得到什么数据)、以及需求数据对应的需求字段名称。将文本转换后的诊疗明细数据填充至标准化模板中，即得到为用于训练检测模型的训练样本定义的的需求数据，如表2所示：

编号	诊断结果	治疗项目	血透配比
				1	尿毒症	血透	2.08:1
2	肾炎	血透	3:1
				…	…	…	…

表2预处理后的用于训练检测模型的参保人肾病诊疗数据

步骤S70，根据预处理后的用于训练检测模型的参保人肾病诊疗数据，建立用于训练检测模型的训练样本；

进一步地，根据预处理后的用于训练检测模型的参保人肾病诊疗数据，建立用于训练检测模型的训练样本。本步骤中，根据预处理后的用于训练检测模型的参保人肾病诊疗数据，建立用于训练检测模型的训练样本的方式，例如，该训练样本是一个集合，集合里面的元素是一个个预处理后的参保人肾病诊疗数据样例：

训练样本＝{肾病诊疗数据样例1，肾病诊疗数据样例2，...，肾病诊疗数据n}

＝{(尿毒症1，血透1，血透配比1)，(肾炎2，血透2，血透配比2)...，(肾病n，血透n，血透配比n)}。

步骤S80，根据所述训练样本，采用预设无监督学习聚类算法训练检测模型。

进一步地，根据训练样本，采用预设无监督学习聚类算法训练检测模型。本步骤中，预设无监督学习聚类算法可以是K-means算法。K-means算法属于无监督学习，是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大，该算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。通过K-means算法训练检测模型的过程如下：

A、从训练样本中任意选择k个肾病诊疗数据样例作为初始聚类中心；

B、计算训练样本中每个肾病诊疗数据样例与各个初始聚类中心之间的距离；

C、将训练样本中每个肾病诊疗数据样例分配给距离其最近的初始聚类中心，当训练样本中的全部肾病诊疗数据样例分配完成时，得到k个基于不同血透配比的群组；

D、根据每个群组中现有的肾病诊疗数据样例重新计算每个群组的聚类中心，计算训练样本中每个肾病诊疗数据样例与聚类中心的距离，并将训练样本中每个肾病诊疗数据样例分配给距离其最近的聚类中心，当训练样本中的全部肾病诊疗数据样例分配完成时，得到k个基于不同血透配比的群组；

E、重复步骤D，直至满足终止条件，表示检测模型训练完成。

即，检测系统从训练样本中的n个肾病诊疗数据样例中任意选择k个肾病诊疗数据样例作为初始聚类中心，计算训练样本中每个肾病诊疗数据样例与各个初始聚类中心之间的距离，把训练样本中每个肾病诊疗数据样例分配给距离它最近的聚类中心(聚类中心以及分配给它们的对象就代表一个聚类)，一旦训练样本中的全部肾病诊疗数据样例都被分配了，每个聚类的聚类中心会根据聚类中现有的肾病诊疗数据样例被重新计算，这个过程将不断重复直到满足终止条件：(1)没有对象被重新分配给不同的聚类，(2)没有聚类中心再发生变化，(3)误差平方和局部最小，三者任选其一。如此，通过K-means算法对训练样本进行聚类分析，可以将训练样本划分为k个基于不同血透配比的群组，得到训练完成的检测模型。当然，也可以采用无监督学习的其他聚类算法训练检测模型，本发明对训练检测模型的聚类算法不作限定。

检测模型训练完成之后，获取待检测参保人肾病诊疗数据。本步骤中，检测系统从人社系统获取待检测参保人肾病诊疗数据，待检测参保人肾病诊疗数据如表3所示：

表3待检测参保人肾病诊疗数据

步骤S20，将所述待检测参保人肾病诊疗数据输入预设清洗模型进行预处理；

本步骤中，在获取待检测参保人肾病诊疗数据之后，检测系统同样先将待检测参保人肾病诊疗数据输入预设清洗模型中进行数据清洗的预处理，即对待检测参保人肾病诊疗数据依次进行数据切片、数据分词、文本转换、字段填充的处理，得到检测模型进行检测时的需求数据，如表4所示：

编号	诊断结果	治疗项目	血透配比
				1	尿毒症	血透	2.08:1
2	肾炎	血透	2.78:1
				…	…	…	…

表4预处理后的待检测参保人肾病诊疗数据

步骤S30，根据预先训练完成的检测模型，分析预处理后的所述待检测参保人肾病诊疗数据，以得出若干个基于不同血透配比的待检测群组；

对待检测参保人肾病诊疗数据进行预处理之后，本步骤中，检测系统将预处理后的待检测参保人肾病诊疗数据输入预先训练完成的检测模型，从而对预处理后的待检测参保人肾病诊疗数据进行聚类，可以得到若干个基于不同血透配比的待检测群组。

步骤S40，对所述待检测群组进行分析，从所述待检测群组中检测出血透配比不合理的异常参保人肾病诊疗数据。

得到若干个基于不同血透配比的待检测群组之后，本步骤中，检测系统对每个待检测群组进行分析，从待检测群组中检测出血透配比不合理的异常参保人肾病诊疗数据。参照图4，在一种优选的实现方式中，步骤S40可以包括：

步骤S41，分别将各个待检测群组对应的血透配比与预设血透配比阈值进行比对；

在得到若干个基于不同血透配比的待检测群组后，检测系统可以将各个待检测群组对应的血透配比与预设血透配比阈值进行比对，其中，血透配比阈值是基于实际中血透使用的透析器血路管数量与透析数量的合理配比而预先设置的，应当理解，预设血透配比阈值作为一个判定阈值，可以是一个具体的临界值，也可以是一个范围值。

步骤S42，将血透配比超出预设血透配比阈值的待检测群组作为异常待检测群组转由人工进行二次检测，以从所述异常待检测群组中确定出血透配比不合理的异常参保人肾病诊疗数据。

检测系统将各个待检测群组对应的血透配比与预设血透配比阈值进行比对之后，由于血透配比超出预设血透配比阈值的待检测群组，其中可能存在血透配比不合理的异常参保人肾病诊疗数据，需对其中的肾病诊疗数据进行加重审核，可以转由人工进行二次检测，以从中确定出血透配比不合理的异常参保人肾病诊疗数据。例如，对于血透配比超出预设阈值(比如2.6:1)的待检测群组，对其中的诊疗明细数据进行加重审核时，若发现血透配比为3:1的就诊结果为肾炎，由于实际中治疗肾炎所需的透析次数较少，血透配比应远远低于预设阈值2.6:1，因此可确定对应参保人的数据存在异常。

通过上述方式，本实施例从血透配比的角度出发，基于检测模型，可以先将大量的待检测参保人肾病诊疗数据划分为若干个基于不同血透配比的待检测群组，然后再对待检测群组进行分析，以确定出存在异常的待检测群组，然后对存在异常的待检测群组进行加重审核，从而从存在异常的待检测群组中识别出血透配比不合理的异常参保人肾病诊疗数据，相比于仅依赖人工核验参保人肾病诊疗数据的传统方式，不仅可提高检测效率，也为有效识别出血透配比不合理的异常数据提供了精确的分析依据，提高了识别的准确性。

之后，检测系统可以将确定出的异常数据发送至人社系统，供人社系统针对相应的医保报销费用作出相应决策，可利于医保基金的有效管控。

在本实施例中，获取待检测参保人肾病诊疗数据；将所述待检测参保人肾病诊疗数据输入预设清洗模型进行预处理；根据预先训练完成的检测模型，分析预处理后的所述待检测参保人肾病诊疗数据，以得出若干个基于不同血透配比的待检测群组；对所述待检测群组进行分析，从所述待检测群组中检测出血透配比不合理的异常参保人肾病诊疗数据。通过上述方式，本实施例从血透配比的角度，实现了基于检测模型对大量的参保人肾病诊疗数据进行异常检测，不仅可提高检测效率，也为有效检测出血透配比不合理的异常参保人肾病诊疗数据提供了精确的分析依据，提高了检测的准确性。

进一步地，基于第一实施例提出本发明异常血透配比检测方法的第二实施例。异常血透配比检测方法的第二实施例与异常血透配比检测方法的第一实施例的区别在于，所述异常血透配比检测方法还可以包括以下步骤：

将所述待检测参保人肾病诊疗数据与用于训练检测模型的参保人肾病诊疗数据进行合并，以更新用于训练检测模型的训练样本；

根据更新的训练样本，对检测模型进行进一步训练。

即，待检测参保人肾病诊疗数据在经过检测模型的检测后，可以将其并入到原有训练检测模型时的训练样本中，利用不断新增的训练样本，按照第一实施例中的K-means算法对检测模型进行不断调整和优化，可增加分析数据，有助于在后续分析待检测参保人肾病诊疗数据时，提高更多典型以及精确度高的分析依据，进而提高检测的准确度。

在本实施例中，通过加入检测过的参保人肾病诊疗数据，实现实时更新训练样本，进而优化检测模型，提高后续检测的准确度。

此外，本发明实施例还提供一种异常血透配比检测装置。

参照图5，图5为本发明异常血透配比检测装置第一实施例的功能模块示意图。

本实施例中，所述异常血透配比检测装置包括：

获取模块10，用于获取待检测参保人肾病诊疗数据；

预处理模块20，用于将所述待检测参保人肾病诊疗数据输入预设清洗模型进行预处理；

分析模块30，用于根据预先训练完成的检测模型，分析预处理后的所述待检测参保人肾病诊疗数据，以得出若干个基于不同血透配比的待检测群组；

检测模块40，用于对所述待检测群组进行分析，从所述待检测群组中检测出血透配比不合理的异常参保人肾病诊疗数据。

其中，上述异常血透配比检测装置的各虚拟功能模块存储于图1所示异常血透配比检测设备的存储器1005中，用于实现异常血透配比检测程序的所有功能；各模块被处理器1001执行时，实现了基于检测模型对大量的参保人肾病诊疗数据进行分析检测，不仅可提高检测效率，也为有效识别出血透配比不合理的异常参保人肾病诊疗数据提供了精确的分析依据，提高了检测的准确性。

进一步的，所述异常血透配比检测装置还包括：

第一训练模块，用于采用无监督学习方法训练检测模型。

进一步的，所述训练模块包括：

获取单元，用于获取用于训练检测模型的参保人肾病诊疗数据；

输入单元，用于将所述用于训练检测模型的参保人肾病诊疗数据输入预设清洗模型进行预处理；

建立单元，用于根据预处理后的用于训练检测模型的参保人肾病诊疗数据，建立用于训练检测模型的训练样本；

训练单元，用于根据所述训练样本，采用预设无监督学习聚类算法训练检测模型。

进一步的，所述预处理模块20包括：

清洗单元，用于将所述待检测参保人肾病诊疗数据输入预设清洗模型中依次进行数据切片、数据分词、文本转换、字段填充的清洗处理。

进一步的，所述分析模块30包括：

聚类单元，用于将预处理后的待检测参保人肾病诊疗数据输入预先训练完成的检测模型，以对预处理后的待检测参保人肾病诊疗数据进行聚类，得到若干个基于不同血透配比的待检测群组。

进一步的，所述检测模块40包括：

比对单元，用于分别将各个待检测群组对应的血透配比与预设血透配比阈值进行比对；

确定单元，用于将血透配比超出预设血透配比阈值的待检测群组作为异常待检测群组转由人工进行二次检测，以从所述异常待检测群组中确定出血透配比不合理的异常参保人肾病诊疗数据。

进一步的，所述异常血透配比检测装置还包括：

更新模块，用于将所述待检测参保人肾病诊疗数据与用于训练检测模型的参保人肾病诊疗数据进行合并，以更新用于训练检测模型的训练样本；

第二训练模块，用于根据更新的训练样本，对检测模型进行进一步训练。

其中，上述异常血透配比检测装置中各个模块的功能实现与上述异常血透配比检测方法实施例中各步骤相对应，其功能和实现过程在此处不再一一赘述。

此外，本发明实施例还提供一种计算机存储介质。

本发明计算机存储介质上存储有异常血透配比检测程序，其中所述异常血透配比检测程序被处理器执行时，实现如上述的异常血透配比检测方法的步骤。

其中，异常血透配比检测程序被执行时所实现的方法可参照本发明异常血透配比检测方法的各个实施例，此处不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种异常血透配比检测方法，其特征在于，所述异常血透配比检测方法包括以下步骤：

获取待检测参保人肾病诊疗数据；

将所述待检测参保人肾病诊疗数据输入预设清洗模型进行预处理；

根据预先训练完成的检测模型，分析预处理后的所述待检测参保人肾病诊疗数据，以得出若干个基于不同血透配比的待检测群组，所述血透配比为所述参保人血透使用的透析器血路管数量与透析次数的配比；

对所述待检测群组进行分析，从所述待检测群组中检测出血透配比不合理的异常参保人肾病诊疗数据。

2.如权利要求1所述的异常血透配比检测方法，其特征在于，所述获取待检测参保人肾病诊疗数据的步骤之前，包括：

采用无监督学习方法训练检测模型。

3.如权利要求2所述的异常血透配比检测方法，其特征在于，所述采用无监督学习方法训练检测模型的步骤包括：

获取用于训练检测模型的参保人肾病诊疗数据；

将所述用于训练检测模型的参保人肾病诊疗数据输入预设清洗模型进行预处理；

根据预处理后的用于训练检测模型的参保人肾病诊疗数据，建立用于训练检测模型的训练样本；

根据所述训练样本，采用预设无监督学习聚类算法训练检测模型。

4.如权利要求1所述的异常血透配比检测方法，其特征在于，所述将所述待检测参保人肾病诊疗数据输入预设清洗模型进行预处理的步骤包括：

将所述待检测参保人肾病诊疗数据输入预设清洗模型中依次进行数据切片、数据分词、文本转换、字段填充的清洗处理。

5.如权利要求1所述的异常血透配比检测方法，其特征在于，所述根据预先训练完成的检测模型，分析预处理后的所述待检测参保人肾病诊疗数据，以得出若干个基于不同血透配比的待检测群组的步骤包括：

将预处理后的待检测参保人肾病诊疗数据输入预先训练完成的检测模型，以对预处理后的待检测参保人肾病诊疗数据进行聚类，得到若干个基于不同血透配比的待检测群组。

6.如权利要求1所述的异常血透配比检测方法，其特征在于，所述对所述待检测群组进行分析，从所述待检测群组中检测出血透配比不合理的异常参保人肾病诊疗数据的步骤包括：

分别将各个待检测群组对应的血透配比与预设血透配比阈值进行比对；

将血透配比超出预设血透配比阈值的待检测群组作为异常待检测群组转由人工进行二次检测，以从所述异常待检测群组中确定出血透配比不合理的异常参保人肾病诊疗数据。

7.如权利要求1至6中任一项所述的异常血透配比检测方法，其特征在于，所述异常血透配比检测方法还包括以下步骤：

将所述待检测参保人肾病诊疗数据与用于训练检测模型的参保人肾病诊疗数据进行合并，以更新用于训练检测模型的训练样本；

根据更新的训练样本，对检测模型进行进一步训练。

8.一种异常血透配比检测装置，其特征在于，所述异常血透配比检测装置包括：

获取模块，用于获取待检测参保人肾病诊疗数据；

预处理模块，用于将所述待检测参保人肾病诊疗数据输入预设清洗模型进行预处理；

分析模块，用于根据预先训练完成的检测模型，分析预处理后的所述待检测参保人肾病诊疗数据，以得出若干个基于不同血透配比的待检测群组，所述血透配比为所述参保人血透使用的透析器血路管数量与透析次数的配比；

检测模块，用于对所述待检测群组进行分析，从所述待检测群组中检测出血透配比不合理的异常参保人肾病诊疗数据。

9.一种异常血透配比检测设备，其特征在于，所述异常血透配比检测设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的异常血透配比检测程序，其中所述异常血透配比检测程序被所述处理器执行时，实现如权利要求1至7中任一项所述的异常血透配比检测方法的步骤。

10.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有异常血透配比检测程序，其中所述异常血透配比检测程序被处理器执行时，实现如权利要求1至7中任一项所述的异常血透配比检测方法的步骤。

Images