CN109544373A - 基于人工智能的医保违规行为检测方法及相关装置 - Google Patents
基于人工智能的医保违规行为检测方法及相关装置 Download PDFInfo
- Publication number
- CN109544373A CN109544373A CN201811276875.9A CN201811276875A CN109544373A CN 109544373 A CN109544373 A CN 109544373A CN 201811276875 A CN201811276875 A CN 201811276875A CN 109544373 A CN109544373 A CN 109544373A
- Authority
- CN
- China
- Prior art keywords
- drug
- medical
- medical data
- behavioral value
- unlawful practice
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 62
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 23
- 230000003542 behavioural effect Effects 0.000 claims abstract description 99
- 238000000034 method Methods 0.000 claims abstract description 60
- 239000003814 drug Substances 0.000 claims description 314
- 229940079593 drug Drugs 0.000 claims description 308
- 201000010099 disease Diseases 0.000 claims description 47
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 47
- 230000006399 behavior Effects 0.000 claims description 46
- 238000012545 processing Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000012550 audit Methods 0.000 abstract description 14
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 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
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013497 data interchange Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012797 qualification Methods 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (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医保违规行为检测方法及相关装置，该方法包括：从医疗数据库中获取待检测对象在预设时段内的医疗数据，待检测对象包括以下至少一种：一个参保人、多个参保人、医疗机构；将医疗数据输入行为检测模型进行处理，输出行为检测结果，行为检测模型预设有多种行为检测规则，行为检测结果用于表征待检测对象是否具有医保违规行为；若行为检测结果为具有医保违规行为，则发送提示信息至待检测对象的关联设备，提示信息用于提示待检测对象具有医保违规行为。采用本申请实施例有助于解决现有技术中无法有效审核医保违规行为、医保基金审核难度大的问题。
Description
技术领域
本申请涉及医疗保险技术领域，具体涉及一种基于人工智能的医保违规行为检测方法及相关装置。
背景技术
为了监督医保基金的使用情况，各地上线医保基金智能审核系统，通过经验规则及医学规则进行医疗机构、参保人的行为监控及审核。但是，经过多年审核规则的规范，审核经验内的违规行为越来越少，通过非常规的医保违规行为套取医保基金的现象愈演愈烈，医保基金审核难度持续升级，亟需引进新的技术提高审核效果。
发明内容
本申请实施例提供一种基于人工智能的医保违规行为检测方法及相关装置，旨在解决现有技术中无法有效审核医保违规行为、医保基金审核难度大的问题。
第一方面，本申请实施例提供一种基于人工智能的医保违规行为检测方法，所述方法包括：
从医疗数据库中获取待检测对象在预设时段内的医疗数据，所述待检测对象包括以下至少一种：一个参保人、多个参保人、医疗机构；
将所述医疗数据输入行为检测模型进行处理，输出行为检测结果，所述行为检测模型预设有多种行为检测规则，所述行为检测结果用于表征待检测对象是否具有医保违规行为；
若所述行为检测结果为具有医保违规行为，则发送提示信息至所述待检测对象的关联设备，所述提示信息用于提示待检测对象具有医保违规行为。
第二方面，本申请实施例提供一种基于人工智能的医保违规行为检测装置，所述装置包括：
获取单元，用于从医疗数据库中获取待检测对象在预设时段内的医疗数据，所述待检测对象包括以下至少一种：一个参保人、多个参保人、医疗机构；
确定单元，用于将所述医疗数据输入行为检测模型进行处理，输出行为检测结果，所述行为检测模型预设有多种行为检测规则，所述行为检测结果用于表征待检测对象是否具有医保违规行为；
发送单元，用于若所述行为检测结果为具有医保违规行为，则发送提示信息至所述待检测对象的关联设备，所述提示信息用于提示待检测对象具有医保违规行为。
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，服务器首先从医疗数据库中获取待检测对象(一个或多个参保人、医疗机构)在预设时段内的医疗数据，然后将医疗数据输入行为检测模型进行处理，输出行为检测结果，最后若行为检测结果为具有医保违规行为，发送提示信息至待检测对象的关联设备。这样可检测待检测对象是否具有非常规的医保违规行为，比如成群结队开药、轻症频繁入院等，通过提示信息提示待检测对象具有医保违规行为，使得待检测对象不再利用非常规的医保违规行为套取医保基金，在一定程度上减少了通过非常规的医保违规行为套取医保基金的现象，有助于解决现有技术中无法有效审核医保违规行为、医保基金审核难度大的问题。
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医保违规行为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医保违规行为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医保违规行为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医保违规行为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，TD)，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医保违规行为检测方法的流程示意图，该基于人工智能的医保违规行为检测方法包括：
步骤101：服务器从医疗数据库中获取待检测对象在预设时段内的医疗数据，所述待检测对象包括以下至少一种：一个参保人、多个参保人、医疗机构。
其中，预设时段的终止时刻可以为当前系统时刻，预设时段的时长可以为3天、5天、7天、10天、15天或者是其他值。
其中，若待检测对象为一个参保人，则医疗数据包括多个第一就诊数据，每个第一就诊数据包括就诊时间、至少一个疾病名称和第一药品集。
其中，若待检测对象为多个参保人，则医疗数据包括多个参保人中每个参保人的至少一个第二就诊数据，每个第二就诊数据包括就诊时间、一个医疗机构名称、第二药品集和药品支付费用，第二药品集包括至少一个药品名称和至少一个药品数量，每个药品数量对应一个药品名称。
其中，若待检测对象为医疗机构，则医疗数据包括多个药品中每个药品的第一使用量、每个药品的第二使用量和每个药品对应的患者人数，每个药品的第一使用量为医疗机构的服务器存储的多个药品单据中相同药品的使用量，多个药品单据中每个药品单据为医疗机构的医生开具的，每个药品的第二使用量为医疗机构的药品库中相同药品的消耗量，药品库指的是医疗机构存储药品的库房，每个药品对应的患者人数指的是包括该药品的药品单据的数量，每个药品单据对应一个患者。
其中，若待检测对象为医疗机构，则医疗数据库存储于该医疗机构的服务器中；若待检测对象为一个或多个参保人，则医疗数据库指的是该一个或多个参保人所就诊的至少一家医疗机构的服务器中存储的至少一个医疗数据库。
进一步地，服务器从医疗数据库中获取待检测对象在预设时段内的医疗数据之前，所述方法还包括：
若医保违规行为平台的医保违规行为检测功能处于开启状态，则医保违规行为平台在其显示界面显示预设时段选项、待检测对象选项和医保违规行为检测按钮，预设时段选项包括起始时间标识、起始时间输入框、终止时间标识、终止时间输入框和时间选择框，待检测对象选项包括医疗机构标识与多个医疗机构名称、一个参保人标识与姓名标识、姓名输入框、电话号码标识及电话号码输入框、多个参保人标识与多个地区名称，如图1B所示；医保违规行为平台检测到针对预设时段内待检测对象的医保违规行为检测按钮的点击操作；医保违规行为平台向服务器发送指示信息，指示信息用于指示服务器从医疗数据库中获取待检测对象在预设时段内的医疗数据。
其中，点击起始时间输入框，通过时间选择框选择起始时间；点击终止时间选择框，通过时间选择框选择终止时间；通过点击医疗机构名称选择医疗机构；通过输入姓名和电话号码选择一个参保人；通过点击地区名称选择在该地区的至少一家医疗机构就诊的多个参保人。
具体地，若待检测对象为一个参保人，则服务器从医疗数据库中获取待检测对象在预设时段内的医疗数据的实施方式可以是：接收医保违规行为平台发送的指示信息，指示信息用于指示服务器从医疗数据库中获取目标参保人在预设时段内的医疗数据；获取目标参保人所就诊的多家医疗机构名称，并向目标参保人所就诊的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目标参保人在预设时段的所有第一就诊数据；接收针对多个第一请求信息发送的目标参保人在预设时段的医疗数据。其中，服务器与多家医疗机构的服务器具有连接关系。
具体地，若待检测对象为多个参保人，则服务器从医疗数据库中获取待检测对象在预设时段内的医疗数据的实施方式可以是：接收医保违规行为平台发送的指示信息，指示信息用于指示服务器从医疗数据库中获取目标地区的多个参保人在预设时段内的医疗数据；向目标地区的多家医疗机构的服务器发送多个第二请求信息，每个第二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存储的所有参保人中每个参保人在预设时段内的至少一个第二就诊数据；接收针对多个第二请求信息发送的目标地区的多个参保人在预设时段内的医疗数据。其中，服务器与多家医疗机构的服务器具有连接关系。
具体地，若待检测对象为医疗机构，则服务器从医疗数据库中获取待检测对象在预设时段内的医疗数据的实施方式可以是：接收医保违规行为平台发送的指示信息，指示信息用于指示服务器从医疗数据库中获取目标医疗机构在预设时段内的医疗数据；向目标医疗机构的服务器发送第三请求信息，第三请求信息用于指示目标医疗机构的服务器反馈其医疗数据库存储的预设时段内多个药品中每个药品的第一使用量、每个药品的第二使用量和每个药品对应的患者人数；接收针对第三请求信息发送的目标医疗机构在预设时段内的医疗数据，如图1C所示。其中，服务器与目标医疗机构的服务器具有连接关系。
步骤102：服务器将所述医疗数据输入行为检测模型进行处理，输出行为检测结果，所述行为检测模型预设有多种行为检测规则，所述行为检测结果用于表征待检测对象是否具有医保违规行为。
其中，不同行为检测规则适用于不同的待检测对象。
在一个可能的示例中，若所述待检测对象为一个参保人，则所述医疗数据包括多个第一就诊数据，每个第一就诊数据包括就诊时间、至少一个疾病名称和第一药品集，服务器将所述医疗数据输入行为检测模型进行处理，输出行为检测结果之前，所述方法还包括：
服务器确定多个第一就诊数据中每个第一就诊数据包括的至少一个疾病名称与轻微疾病集的包含关系，所述轻微疾病集包括多个轻微疾病名称；
若所述第一接诊数据包括的至少一个疾病名称包含于所述轻微疾病集，则保留所述第一就诊数据，得到至少一个第一就诊数据。
其中，至少一个第一就诊数据中每个第一就诊数据为该参保人在预设时段内患有至少一种轻微疾病就诊时的就诊数据。
在一个可能的示例中，服务器将所述医疗数据输入行为检测模型进行处理，输出行为检测结果，包括：
服务器确定第一目标就诊数据，所述第一目标就诊数据包括的就诊时间为所述至少一个第一就诊数据包括的至少一个就诊时间中最早的；
服务器将所述第一目标就诊数据包括的至少一个疾病名称输入所述行为检测模型；
服务器根据所述行为检测模型中预先存储的疾病名称与复诊结果的映射关系确定所述第一目标就诊数据对应的第一复诊结果，所述复诊结果包括无需复诊和多个不同的复诊间隔时间；
若所述第一复诊结果为第一复诊间隔时间，服务器根据所述第一目标就诊数据包括的就诊时间和所述第一复诊间隔时间确定第一复诊时间；
服务器确定所述至少一个第一就诊数据中是否存在第二目标就诊数据，所述第二目标就诊数据与所述第一目标就诊数据的疾病名称个数和疾病名称均相同，所述第二目标就诊数据包括的就诊时间早于所述第一复诊时间；
若确定存在所述第二目标就诊数据，则服务器确定所述行为检测结果为具有第一医保违规行为。
其中，疾病名称与复诊结果的映射关系如下表1所示：
表1
| 疾病名称 | 复诊结果 |
| 疾病1 | 无需复诊 |
| 疾病2 | 第一复诊间隔时间 |
| 疾病3 | 第二复诊间隔时间 |
| 疾病4、疾病5 | 第三复诊间隔时间 |
| ...... | ...... |
其中，第一复诊时间为第一目标就诊数据包括的就诊时间与第一复诊间隔时间之和。
其中，第一医保违规行为指的是该参保人在预设时段内患有至少一种轻微疾病的就诊次数大于或等于第三阈值，即轻症频繁入院，第三阈值可以是用户自定义的，也可以是服务器自定义的。
在一个可能的示例中，若所述待检测对象为多个参保人，则所述医疗数据包括所述多个参保人中每个参保人的至少一个第二就诊数据，每个第二就诊数据包括就诊时间、医疗机构名称、第二药品集和药品支付费用，所述第二药品集包括至少一个药品名称和至少一个药品数量，服务器将所述医疗数据输入行为检测模型进行处理，输出行为检测结果之前，所述方法还包括：
服务器根据医疗机构名称将所述多个参保人进行聚类分群，得到至少一个初始分组，每个初始分组包括至少两个参保人，所述每个初始分组包括的至少两个参保人的医疗机构名称是相同的。
具体地，服务器根据医疗机构名称将多个参保人进行聚类分群，得到至少一个初始分组的实施方式可以是：将相同医疗机构名称对应的参保人分到一组，得到多个初始分组；获取多个初始分组中每个分组包括的参保人的人数，得到多个初始分组对应的多个人数，每个人数对应一个初始分组；保留人数大于等于两人的初始分组，得到至少一个初始分组。
其中，每个初始分组对应一个医疗机构名称。
在一个可能的示例中，服务器将所述医疗数据输入行为检测模型进行处理，输出行为检测结果，包括：
服务器将所述至少一个初始分组中每个初始分组包括的至少两个第二药品集输入所述行为检测模型；
服务器根据所述行为检测模型中预先存储的药品相似度公式确定所述每个初始分组中任意两个第二药品集的药品相似度，得到所述至少两个第二药品集对应的多个药品相似度，所述任意两个第二药品集对应不同的参保人；
服务器根据药品相似度对所述每个初始分组进行筛选，得到至少一个分组，每个分组中任意两个第二药品集的药品相似度大于等于第一阈值；
服务器获取所述至少一个分组中每个分组的第一就诊时间和第二就诊时间，所述第一就诊时间和所述第二就诊时间分别为所述每个分组对应的至少两个就诊时间中最早的和最晚的；
服务器确定所述第一就诊时间与所述第二就诊时间的时间差值，得到所述至少一个分组对应的至少一个时间差值，每个时间差值对应一个分组；
服务器确定所述至少一个时间差值中每个时间差值是否小于等于第二阈值；
若所述分组的时间差值小于等于所述第二阈值，则服务器确定所述分组的行为检测结果为具有第二医保违规行为。
其中，药品相似度公式为：
药品相似度ij＝第一药品数量/(第一药品数量+第二药品数量)
其中，第一药品数量为第二药品集i与第二药品集j相同药品的数量，第二药品数量为第二药品集i与第二药品集j不同药品的数量，第二药品集i和第二药品集j均为至少两个第二药品集中的其中一个；比如，第二药品集i存在5个药品名称，第二药品集j存在6个药品名称，若第二药品集i与第二药品集j相同药品的数量为3，则第二药品集i与第二药品集j不同药品的数量为2，药品相似度ij＝3/(3+2)＝60％。
举例来说，某个初始分组有7个第二药品集，2个第二药品集对应参保人1，3个第二药品集对应参保人2，2个第二药品集对应参保人3，则
其中，第一阈值和第二阈值均可以是用户自定义的，也可以是服务器自定义的。
其中，第二医保违规行为指的是在同一家医疗机构就诊的多个参保人在预设时段内的多个第二药品集中任意两个第二药品集的药品相似度大于或等于第一阈值，即成群结队开药。
在一个可能的示例中，若所述待检测对象为医疗机构，则所述医疗数据包括多个药品中每个药品的第一使用量、每个药品的第二使用量和每个药品对应的患者人数，所述每个药品的第一使用量为所述医疗机构的服务器存储的多个药品单据中相同药品的使用量，所述每个药品的第二使用量为所述医疗机构的药品库中相同药品的消耗量，服务器将所述医疗数据输入行为检测模型进行处理，输出行为检测结果，包括：
服务器将所述医疗机构包括的多个药品中每个药品的第一使用量、每个药品的第二使用量和每个药品对应的患者人数输入所述行为检测模型；
服务器确定所述每个药品的第一使用量是否大于所述每个药品的第二使用量；
若确定存在至少一个药品的第一使用量大于所述药品的第二使用量，则服务器确定所述医疗机构的行为检测结果为具有第三医保违规行为。
在一个可能的示例中，服务器将所述医疗数据输入行为检测模型进行处理，输出行为检测结果，包括：
服务器将所述医疗机构包括的多个药品中每个药品的第一使用量、每个药品的第二使用量和每个药品对应的患者人数输入行为检测模型；
服务器确定所述每个药品的第一使用量是否大于所述每个药品的第二使用量；
若确定所述每个药品的第一使用量小于等于所述每个药品的第二使用量，服务器根据所述每个药品对应的患者人数和所述每个药品的人均使用量确定所述每个药品的预测使用量；
服务器确定所述每个药品的第一使用量是否大于所述每个药品的预测使用量；
若确定存在至少一个药品的第一使用量大于所述药品的预测使用量，则服务器确定所述医疗机构的行为检测结果为具有第三医保违规行为。
其中，服务器确定每个药品的人均使用量的实施方式可以是：获取每个药品在第一预设时段内的药品消耗量，第一预设时段与预设时段的时长相同，第一预设时段早于预设时段；获取第一预设时段内每个药品对应的患者人数；将第一预设时段内每个药品的药品消耗量与所述每个药品对应的患者人数的比值作为每个药品的人均使用量。
其中，第三医保违规行为指的是医疗机构存在至少一个药品的使用量大于药品的消耗量或预测使用量，即医疗机构虚开药品。
步骤103：若所述行为检测结果为具有医保违规行为，则服务器发送提示信息至所述待检测对象的关联设备，所述提示信息用于提示待检测对象具有医保违规行为。
其中，若待检测对象为一个或多个参保人，则关联设备为一个或多个参保人的终端。
其中，若待检测对象为医疗机构，服务器发送提示信息至待检测对象的关联设备的实施方式可以是：向医疗机构的服务器发送提示信息，以使得医疗机构的服务器发送提示信息至医保违规行为平台并显示在医保违规行为平台的显示界面。
可以看出，在本申请实施例中，服务器首先从医疗数据库中获取待检测对象(一个或多个参保人、医疗机构)在预设时段内的医疗数据，然后将医疗数据输入行为检测模型进行处理，输出行为检测结果，最后若行为检测结果为具有医保违规行为，发送提示信息至待检测对象的关联设备。这样可检测待检测对象是否具有非常规的医保违规行为，比如成群结队开药、轻症频繁入院等，通过提示信息提示待检测对象具有医保违规行为，使得待检测对象不再利用非常规的医保违规行为套取医保基金，在一定程度上减少了通过非常规的医保违规行为套取医保基金的现象，有助于解决现有技术中无法有效审核医保违规行为、医保基金审核难度大的问题。
在一个可能的示例中，所述方法还包括：
服务器根据药品价格和所述分组包括的至少两个第二药品集确定所述分组对应的药品总费用；
服务器获取所述分组包括的至少两个第二药品集对应的至少两个药品支付费用，以及根据所述至少两个药品支付费用确定药品总支付费用；
服务器根据费用差值与医保违规行为等级的映射关系确定所述药品总费用与所述药品总支出费用的费用差值对应的目标医保违规行为等级；
若所述目标医保违规行为等级小于设定医保违规行为等级，则服务器发送所述目标医保违规行为等级至所述分组包括的至少两个参保人的关联设备；
若所述目标医保违规行为等级大于等于所述设定医保违规行为等级，则服务器将所述分组包括的至少两个参保人添加到医保黑名单中。
具体地，服务器根据药品价格和分组包括的至少两个第二药品集确定分组对应的药品总费用的实施方式可以是：根据药品价格、分组包括的至少两个第二药品集和药品费用公式确定分组对应的药品总费用。
其中，药品费用公式为：
S＝A1×T1+A2×T2+A3×T3+…+An×Tn
其中，S为分组对应的药品总费用，A1为至少两个第二药品集中第1个药品的药品价格，T1为该第1个药品的药品数量，A2为至少两个第二药品集中第2个药品的药品价格，T2为该第2个药品的药品数量，A3为至少两个第二药品集中第3个药品的药品价格，T3为该第3个药品的药品数量，An为至少两个第二药品集中第n个药品的药品价格，Tn为该第n个药品的药品数量。
其中，每个药品支付费用对应一个第二药品集，每个药品支付费用指的是参保人为所购买的第二药品集经医保报销后实际支付的费用。
其中，药品总支付费用为至少两个药品支付费用之和。
其中，费用差值与医保违规行为等级的映射关系如下表2所示：
表2
| 费用差值 | 医保违规行为等级 |
| 0～S<sub>1</sub> | 第一违规等级 |
| S<sub>1</sub>～S<sub>2</sub> | 第二违规等级 |
| S<sub>2</sub>～S<sub>3</sub> | 第三违规等级 |
| ...... | ...... |
其中，S1＜S2＜S3，第一违规等级表示轻度违规，第二违规等级表示中度违规，第三违规等级表示重度违规。
其中，设定医保违规行为等级可以是第一违规等级，设定医保违规行为等级可以是用户自定义的，也可以是服务器自定义的。
其中，医保黑名单包括不具有医保基金报销资质的多个参保人的姓名。
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医保违规行为检测方法的流程示意图，该基于人工智能的医保违规行为检测方法包括：
步骤201：服务器从医疗数据库中获取待检测对象在预设时段内的医疗数据，所述待检测对象为一个参保人，所述医疗数据包括多个第一就诊数据，每个第一就诊数据包括就诊时间、至少一个疾病名称和第一药品集。
步骤202：服务器确定所述多个第一就诊数据中每个第一就诊数据包括的至少一个疾病名称与轻微疾病集的包含关系，所述轻微疾病集包括多个轻微疾病名称。
步骤203：若所述第一就诊数据包括的至少一个疾病名称包含于所述轻微疾病集，则服务器保留所述第一就诊数据，得到至少一个第一就诊数据。
步骤204：服务器确定第一目标就诊数据，所述第一目标就诊数据包括的就诊时间为所述至少一个第一就诊数据包括的至少一个就诊时间中最早的。
步骤205：服务器将所述第一目标就诊数据包括的至少一个疾病名称输入所述行为检测模型，以及根据所述行为检测模型中预先存储的疾病名称与复诊结果的映射关系确定所述第一目标就诊数据对应的第一复诊结果，所述复诊结果包括无需复诊和多个不同的复诊间隔时间。
步骤206：若所述第一复诊结果为第一复诊间隔时间，服务器根据所述第一目标就诊数据包括的就诊时间和所述第一复诊间隔时间确定第一复诊时间。
步骤207：服务器确定所述至少一个第一就诊数据中是否存在第二目标就诊数据，所述第二目标就诊数据与所述第一目标就诊数据的疾病名称个数和疾病名称均相同，所述第二目标就诊数据包括的就诊时间早于所述第一复诊时间。
步骤208：若确定存在所述第二目标就诊数据，则服务器确定所述行为检测结果为具有第一医保违规行为。
步骤209：服务器发送提示信息至所述参保人的关联设备，所述提示信息用于提示待检测对象具有第一医保违规行为。
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医保违规行为检测方法的流程示意图，该基于人工智能的医保违规行为检测方法包括：
步骤301：服务器从医疗数据库中获取待检测对象在预设时段内的医疗数据，所述待检测对象为多个参保人，所述医疗数据包括所述多个参保人中每个参保人的至少一个第二就诊数据，每个第二就诊数据包括就诊时间、医疗机构名称、第二药品集和药品支付费用，所述第二药品集包括至少一个药品名称和至少一个药品数量。
步骤302：服务器根据医疗机构名称将所述多个参保人进行聚类分群，得到至少一个初始分组，每个初始分组包括至少两个参保人，所述每个初始分组包括的至少两个参保人的医疗机构名称是相同的。
步骤303：服务器将所述至少一个初始分组中每个初始分组包括的至少两个第二药品集输入所述行为检测模型。
步骤304：服务器根据所述行为检测模型中预先存储的药品相似度公式确定所述每个初始分组中任意两个第二药品集的药品相似度，得到所述至少两个第二药品集对应的多个药品相似度，所述任意两个第二药品集对应不同的参保人。
步骤305：服务器根据药品相似度对所述每个初始分组进行筛选，得到至少一个分组，每个分组中任意两个第二药品集的药品相似度大于等于第一阈值。
步骤306：服务器获取所述至少一个分组中每个分组的第一就诊时间和第二就诊时间，所述第一就诊时间和所述第二就诊时间分别为所述每个分组对应的至少两个就诊时间中最早的和最晚的；
步骤307：服务器确定所述第一就诊时间与所述第二就诊时间的时间差值，得到所述至少一个分组对应的至少一个时间差值，每个时间差值对应一个分组；
步骤308：服务器确定所述至少一个时间差值中每个时间差值是否小于等于第二阈值。
步骤309：若所述分组对应的时间差值小于等于所述第二阈值，则服务器确定所述分组的行为检测结果为具有第二医保违规行为。
步骤310：服务器发送提示信息至所述多个参保人的关联设备，所述提示信息用于提示待检测对象具有第二医保违规行为。
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，基于人工智能的医保违规行为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医保违规行为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医保违规行为检测装置的结构示意图，该基于人工智能的医保违规行为检测装置400包括处理单元401、存储单元402和通信单元403，处理单元401包括获取单元、确定单元和发送单元，其中：
获取单元，用于从医疗数据库中获取待检测对象在预设时段内的医疗数据，所述待检测对象包括以下至少一种：一个参保人、多个参保人、医疗机构；
确定单元，用于将所述医疗数据输入行为检测模型进行处理，输出行为检测结果，所述行为检测模型预设有多种行为检测规则，所述行为检测结果用于表征待检测对象是否具有医保违规行为；
发送单元，用于若所述行为检测结果为具有医保违规行为，则发送提示信息至所述待检测对象的关联设备，所述提示信息用于提示待检测对象具有医保违规行为。
可见，在本示例中，首先从医疗数据库中获取待检测对象(一个或多个参保人、医疗机构)在预设时段内的医疗数据，然后将医疗数据输入行为检测模型进行处理，输出行为检测结果，最后若行为检测结果为具有医保违规行为，发送提示信息至待检测对象的关联设备。这样可检测待检测对象是否具有非常规的医保违规行为，比如成群结队开药、轻症频繁入院等，通过提示信息提示待检测对象具有医保违规行为，使得待检测对象不再利用非常规的医保违规行为套取医保基金，在一定程度上减少了通过非常规的医保违规行为套取医保基金的现象，有助于解决现有技术中无法有效审核医保违规行为、医保基金审核难度大的问题。
在一个可能的示例中，若所述待检测对象为一个参保人，则所述医疗数据包括多个第一就诊数据，每个第一就诊数据包括就诊时间、至少一个疾病名称和第一药品集，将所述医疗数据输入行为检测模型进行处理，输出行为检测结果之前，上述处理单元401还包括：
第一确定单元，用于确定所述多个第一就诊数据中每个第一就诊数据包括的至少一个疾病名称与轻微疾病集的包含关系，所述轻微疾病集包括多个轻微疾病名称；
保留单元，用于若所述第一就诊数据包括的至少一个疾病名称包含于所述轻微疾病集，则保留所述第一就诊数据，得到至少一个第一就诊数据。
在一个可能的示例中，在将所述医疗数据输入行为检测模型进行处理，输出行为检测结果方面，上述确定单元具体用于：
确定第一目标就诊数据，所述第一目标就诊数据包括的就诊时间为所述至少一个第一就诊数据包括的至少一个就诊时间中最早的；
将所述第一目标就诊数据包括的至少一个疾病名称输入所述行为检测模型；根据所述行为检测模型中存储的疾病名称与复诊结果的映射关系确定所述第一目标就诊数据对应的第一复诊结果，所述复诊结果包括无需复诊和多个不同的复诊间隔时间；
若所述第一复诊结果为第一复诊间隔时间，根据所述第一目标就诊数据包括的就诊时间和所述第一复诊间隔时间确定第一复诊时间；
确定所述至少一个第一就诊数据中是否存在第二目标就诊数据，所述第二目标就诊数据与所述第一目标就诊数据的疾病名称个数和疾病名称均相同，所述第二目标就诊数据包括的就诊时间早于所述第一复诊时间；
若确定存在所述第二目标就诊数据，则确定所述行为检测结果为具有第一医保违规行为。
在一个可能的示例中，若所述待检测对象为多个参保人，则所述医疗数据包括所述多个参保人中每个参保人的至少一个第二就诊数据，每个第二就诊数据包括就诊时间、医疗机构名称、第二药品集和药品支付费用，所述第二药品集包括至少一个药品名称和至少一个药品数量，将所述医疗数据输入行为检测模型进行处理，输出行为检测结果之前，上述处理单元401还包括：
分类单元，用于根据医疗机构名称将所述多个参保人进行聚类分群，得到至少一个初始分组，每个初始分组包括至少两个参保人，所述每个初始分组包括的至少两个参保人的医疗机构名称是相同的。
在一个可能的示例中，在将所述医疗数据输入行为检测模型进行处理，输出行为检测结果方面，上述确定单元具体用于：
将所述至少一个初始分组中每个初始分组包括的至少两个第二药品集输入所述行为检测模型；
根据所述行为检测模型中预先存储的药品相似度公式确定所述每个初始分组中任意两个第二药品集的药品相似度，得到所述至少两个第二药品集对应的多个药品相似度，所述任意两个第二药品集对应不同的参保人；
根据药品相似度对所述每个初始分组进行筛选，得到至少一个分组，每个分组中任意两个第二药品集的药品相似度大于等于第一阈值；
获取所述至少一个分组中每个分组的第一就诊时间和第二就诊时间，所述第一就诊时间和所述第二就诊时间分别为所述每个分组对应的至少两个就诊时间中最早的和最晚的；
确定所述第一就诊时间与所述第二就诊时间的时间差值，得到所述至少一个分组对应的至少一个时间差值，每个时间差值对应一个分组；
确定所述至少一个时间差值中每个时间差值是否小于等于第二阈值；
若所述分组的时间差值小于等于所述第二阈值，则确定所述分组的行为检测结果为具有第二医保违规行为。
在一个可能的示例中，若所述待检测对象为医疗机构，则所述医疗数据包括多个药品中每个药品的第一使用量、每个药品的第二使用量和每个药品对应的患者人数，所述每个药品的第一使用量为所述医疗机构的服务器存储的多个药品单据中相同药品的使用量，所述每个药品的第二使用量为所述医疗机构的药品库中相同药品的消耗量，在将所述医疗数据输入行为检测模型进行处理，输出行为检测结果方面，上述确定单元具体用于：
将所述医疗机构包括的多个药品中每个药品的第一使用量、每个药品的第二使用量和每个药品对应的患者人数输入所述行为检测模型；
确定所述每个药品的第一使用量是否大于所述每个药品的第二使用量；
若确定存在至少一个药品的第一使用量大于所述药品的第二使用量，则确定所述医疗机构的行为检测结果为具有第三医保违规行为。
在一个可能的示例中，上述处理单元401还包括：
第二确定单元，用于根据药品价格和所述分组包括的至少两个第二药品集确定所述分组对应的药品总费用；
第三确定单元，用于获取所述分组包括的至少两个第二药品集对应的至少两个药品支付费用，以及根据所述至少两个药品支付费用确定药品总支付费用；
第四确定单元，用于根据费用差值与医保违规行为等级的映射关系确定所述药品总费用与所述药品总支出费用的费用差值对应的目标医保违规行为等级；
第一发送单元，用于若所述目标医保违规行为等级小于设定医保违规行为等级，则发送所述目标医保违规行为等级至所述分组包括的至少两个参保人的关联设备；
添加单元，用于若所述目标医保违规行为等级大于等于所述设定医保违规行为等级，则将所述分组包括的至少两个参保人添加到医保黑名单中。
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待检测对象在预设时段内的医疗数据，所述待检测对象包括以下至少一种：一个参保人、多个参保人、医疗机构；
将所述医疗数据输入行为检测模型进行处理，输出行为检测结果，所述行为检测模型预设有多种行为检测规则，所述行为检测结果用于表征待检测对象是否具有医保违规行为；
若所述行为检测结果为具有医保违规行为，则发送提示信息至所述待检测对象的关联设备，所述提示信息用于提示待检测对象具有医保违规行为。
可见，在本示例中，服务器首先从医疗数据库中获取待检测对象(一个或多个参保人、医疗机构)在预设时段内的医疗数据，然后将医疗数据输入行为检测模型进行处理，输出行为检测结果，最后若行为检测结果为具有医保违规行为，发送提示信息至待检测对象的关联设备。这样可检测待检测对象是否具有非常规的医保违规行为，比如成群结队开药、轻症频繁入院等，通过提示信息提示待检测对象具有医保违规行为，使得待检测对象不再利用非常规的医保违规行为套取医保基金，在一定程度上减少了通过非常规的医保违规行为套取医保基金的现象，有助于解决现有技术中无法有效审核医保违规行为、医保基金审核难度大的问题。
在一个可能的示例中，若所述待检测对象为一个参保人，则所述医疗数据包括多个第一就诊数据，每个第一就诊数据包括就诊时间、至少一个疾病名称和第一药品集，将所述医疗数据输入行为检测模型进行处理，输出行为检测结果之前，上述程序还包括用于执行以下步骤的指令：
确定所述多个第一就诊数据中每个第一就诊数据包括的至少一个疾病名称与轻微疾病集的包含关系，所述轻微疾病集包括多个轻微疾病名称；
若所述第一就诊数据包括的至少一个疾病名称包含于所述轻微疾病集，则保留所述第一就诊数据，得到至少一个第一就诊数据。
在一个可能的示例中，在将所述医疗数据输入行为检测模型进行处理，输出行为检测结果方面，上述程序包括具体用于执行以下步骤的指令：
确定第一目标就诊数据，所述第一目标就诊数据包括的就诊时间为所述至少一个第一就诊数据包括的至少一个就诊时间中最早的；
将所述第一目标就诊数据包括的至少一个疾病名称输入所述行为检测模型；根据所述行为检测模型中存储的疾病名称与复诊结果的映射关系确定所述第一目标就诊数据对应的第一复诊结果，所述复诊结果包括无需复诊和多个不同的复诊间隔时间；
若所述第一复诊结果为第一复诊间隔时间，根据所述第一目标就诊数据包括的就诊时间和所述第一复诊间隔时间确定第一复诊时间；
确定所述至少一个第一就诊数据中是否存在第二目标就诊数据，所述第二目标就诊数据与所述第一目标就诊数据的疾病名称个数和疾病名称均相同，所述第二目标就诊数据包括的就诊时间早于所述第一复诊时间；
若确定存在所述第二目标就诊数据，则确定所述行为检测结果为具有第一医保违规行为。
在一个可能的示例中，若所述待检测对象为多个参保人，则所述医疗数据包括所述多个参保人中每个参保人的至少一个第二就诊数据，每个第二就诊数据包括就诊时间、医疗机构名称、第二药品集和药品支付费用，所述第二药品集包括至少一个药品名称和至少一个药品数量，将所述医疗数据输入行为检测模型进行处理，输出行为检测结果之前上述程序还包括用于执行以下步骤的指令：
根据医疗机构名称将所述多个参保人进行聚类分群，得到至少一个初始分组，每个初始分组包括至少两个参保人，所述每个初始分组包括的至少两个参保人的医疗机构名称是相同的。
在一个可能的示例中，在将所述医疗数据输入行为检测模型进行处理，输出行为检测结果方面，上述程序包括具体用于执行以下步骤的指令：
将所述至少一个初始分组中每个初始分组包括的至少两个第二药品集输入所述行为检测模型；
根据所述行为检测模型中预先存储的药品相似度公式确定所述每个初始分组中任意两个第二药品集的药品相似度，得到所述至少两个第二药品集对应的多个药品相似度，所述任意两个第二药品集对应不同的参保人；
根据药品相似度对所述每个初始分组进行筛选，得到至少一个分组，每个分组中任意两个第二药品集的药品相似度大于等于第一阈值；
获取所述至少一个分组中每个分组的第一就诊时间和第二就诊时间，所述第一就诊时间和所述第二就诊时间分别为所述每个分组对应的至少两个就诊时间中最早的和最晚的；
确定所述第一就诊时间与所述第二就诊时间的时间差值，得到所述至少一个分组对应的至少一个时间差值，每个时间差值对应一个分组；
确定所述至少一个时间差值中每个时间差值是否小于等于第二阈值；
若所述分组的时间差值小于等于所述第二阈值，则确定所述分组的行为检测结果为具有第二医保违规行为。
在一个可能的示例中，若所述待检测对象为医疗机构，则所述医疗数据包括多个药品中每个药品的第一使用量、每个药品的第二使用量和每个药品对应的患者人数，所述每个药品的第一使用量为所述医疗机构的服务器存储的多个药品单据中相同药品的使用量，所述每个药品的第二使用量为所述医疗机构的药品库中相同药品的消耗量，在将所述医疗数据输入行为检测模型进行处理，输出行为检测结果方面，上述程序包括具体用于执行以下步骤的指令：
将所述医疗机构包括的多个药品中每个药品的第一使用量、每个药品的第二使用量和每个药品对应的患者人数输入所述行为检测模型；
确定所述每个药品的第一使用量是否大于所述每个药品的第二使用量；
若确定存在至少一个药品的第一使用量大于所述药品的第二使用量，则确定所述医疗机构的行为检测结果为具有第三医保违规行为。
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：
根据药品价格和所述分组包括的至少两个第二药品集确定所述分组对应的药品总费用；
获取所述分组包括的至少两个第二药品集对应的至少两个药品支付费用，以及根据所述至少两个药品支付费用确定药品总支付费用；
根据费用差值与医保违规行为等级的映射关系确定所述药品总费用与所述药品总支出费用的费用差值对应的目标医保违规行为等级；
若所述目标医保违规行为等级小于设定医保违规行为等级，则发送所述目标医保违规行为等级至所述分组包括的至少两个参保人的关联设备；
若所述目标医保违规行为等级大于等于所述设定医保违规行为等级，则将所述分组包括的至少两个参保人添加到医保黑名单中。
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医保违规行为检测方法，其特征在于，所述方法包括：
从医疗数据库中获取待检测对象在预设时段内的医疗数据，所述待检测对象包括以下至少一种：一个参保人、多个参保人、医疗机构；
将所述医疗数据输入行为检测模型进行处理，输出行为检测结果，所述行为检测模型预设有多种行为检测规则，所述行为检测结果用于表征待检测对象是否具有医保违规行为；
若所述行为检测结果为具有医保违规行为，则发送提示信息至所述待检测对象的关联设备，所述提示信息用于提示待检测对象具有医保违规行为。
2.根据权利要求1所述的方法，其特征在于，若所述待检测对象为一个参保人，则所述医疗数据包括多个第一就诊数据，每个第一就诊数据包括就诊时间、至少一个疾病名称和第一药品集，所述将所述医疗数据输入行为检测模型进行处理，输出行为检测结果之前，所述方法还包括：
确定所述多个第一就诊数据中每个第一就诊数据包括的至少一个疾病名称与轻微疾病集的包含关系，所述轻微疾病集包括多个轻微疾病名称；
若所述第一就诊数据包括的至少一个疾病名称包含于所述轻微疾病集，则保留所述第一就诊数据，得到至少一个第一就诊数据。
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输入行为检测模型进行处理，输出行为检测结果，包括：
确定第一目标就诊数据，所述第一目标就诊数据包括的就诊时间为所述至少一个第一就诊数据包括的至少一个就诊时间中最早的；
将所述第一目标就诊数据包括的至少一个疾病名称输入所述行为检测模型，以及根据所述行为检测模型中预先存储的疾病名称与复诊结果的映射关系确定所述第一目标就诊数据对应的第一复诊结果，所述复诊结果包括无需复诊和多个不同的复诊间隔时间；
若所述第一复诊结果为第一复诊间隔时间，根据所述第一目标就诊数据包括的就诊时间和所述第一复诊间隔时间确定第一复诊时间；
确定所述至少一个第一就诊数据中是否存在第二目标就诊数据，所述第二目标就诊数据与所述第一目标就诊数据的疾病名称个数和疾病名称均相同，所述第二目标就诊数据包括的就诊时间早于所述第一复诊时间；
若确定存在所述第二目标就诊数据，则确定所述行为检测结果为具有第一医保违规行为。
4.根据权利要求1所述的方法，其特征在于，若所述待检测对象为多个参保人，则所述医疗数据包括所述多个参保人中每个参保人的至少一个第二就诊数据，每个第二就诊数据包括就诊时间、医疗机构名称、第二药品集和药品支付费用，所述第二药品集包括至少一个药品名称和至少一个药品数量，所述将所述医疗数据输入行为检测模型进行处理，输出行为检测结果之前，所述方法还包括：
根据医疗机构名称将所述多个参保人进行聚类分群，得到至少一个初始分组，每个初始分组包括至少两个参保人，所述每个初始分组包括的至少两个参保人的医疗机构名称是相同的。
5.根据权利要求4所述的方法，其特征在于，所述将所述医疗数据输入行为检测模型进行处理，输出行为检测结果，包括：
将所述至少一个初始分组中每个初始分组包括的至少两个第二药品集输入所述行为检测模型；
根据所述行为检测模型中预先存储的药品相似度公式确定所述每个初始分组中任意两个第二药品集的药品相似度，得到所述至少两个第二药品集对应的多个药品相似度，所述任意两个第二药品集对应不同的参保人；
根据药品相似度对所述每个初始分组进行筛选，得到至少一个分组，每个分组中任意两个第二药品集的药品相似度大于等于第一阈值；
获取所述至少一个分组中每个分组的第一就诊时间和第二就诊时间，所述第一就诊时间和所述第二就诊时间分别为所述每个分组对应的至少两个就诊时间中最早的和最晚的；
确定所述第一就诊时间与所述第二就诊时间的时间差值，得到所述至少一个分组对应的至少一个时间差值，每个时间差值对应一个分组；
确定所述至少一个时间差值中每个时间差值是否小于等于第二阈值；
若所述分组的时间差值小于等于所述第二阈值，则确定所述分组的行为检测结果为具有第二医保违规行为。
6.根据权利要求1所述的方法，其特征在于，若所述待检测对象为医疗机构，则所述医疗数据包括多个药品中每个药品的第一使用量、每个药品的第二使用量和每个药品对应的患者人数，所述每个药品的第一使用量为所述医疗机构的服务器存储的多个药品单据中相同药品的使用量，所述每个药品的第二使用量为所述医疗机构的药品库中相同药品的消耗量，所述将所述医疗数据输入行为检测模型进行处理，输出行为检测结果，包括：
将所述医疗机构包括的多个药品中每个药品的第一使用量、每个药品的第二使用量和每个药品对应的患者人数输入所述行为检测模型；
确定所述每个药品的第一使用量是否大于所述每个药品的第二使用量；
若确定存在至少一个药品的第一使用量大于所述药品的第二使用量，则确定所述医疗机构的行为检测结果为具有第三医保违规行为。
7.根据权利要求5所述的方法，其特征在于，所述方法还包括：
根据药品价格和所述分组包括的至少两个第二药品集确定所述分组对应的药品总费用；
获取所述分组包括的至少两个第二药品集对应的至少两个药品支付费用，以及根据所述至少两个药品支付费用确定药品总支付费用；
根据费用差值与医保违规行为等级的映射关系确定所述药品总费用与所述药品总支出费用的费用差值对应的目标医保违规行为等级；
若所述目标医保违规行为等级小于设定医保违规行为等级，则发送所述目标医保违规行为等级至所述分组包括的至少两个参保人的关联设备；
若所述目标医保违规行为等级大于等于所述设定医保违规行为等级，则将所述分组包括的至少两个参保人添加到医保黑名单中。
8.一种基于人工智能的医保违规行为检测装置，其特征在于，所述装置包括：
获取单元，用于从医疗数据库中获取待检测对象在预设时段内的医疗数据，所述待检测对象包括以下至少一种：一个参保人、多个参保人、医疗机构；
确定单元，用于将所述医疗数据输入行为检测模型进行处理，输出行为检测结果，所述行为检测模型预设有多种行为检测规则，所述行为检测结果用于表征待检测对象是否具有医保违规行为；
发送单元，用于若所述行为检测结果为具有医保违规行为，则发送提示信息至所述待检测对象的关联设备，所述提示信息用于提示待检测对象具有医保违规行为。
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 |
|---|---|---|---|
| CN201811276875.9A CN109544373B (zh) | 2018-10-30 | 2018-10-30 | 基于人工智能的医保违规行为检测方法及相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811276875.9A CN109544373B (zh) | 2018-10-30 | 2018-10-30 | 基于人工智能的医保违规行为检测方法及相关装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109544373A true CN109544373A (zh) | 2019-03-29 |
| CN109544373B CN109544373B (zh) | 2024-08-23 |
Family
ID=65846037
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811276875.9A Active CN109544373B (zh) | 2018-10-30 | 2018-10-30 | 基于人工智能的医保违规行为检测方法及相关装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109544373B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110942396A (zh) * | 2019-11-28 | 2020-03-31 | 泰康保险集团股份有限公司 | 数据处理方法、装置及设备 |
| CN111210356A (zh) * | 2020-01-14 | 2020-05-29 | 平安医疗健康管理股份有限公司 | 医保数据分析方法、装置、计算机设备和存储介质 |
| 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 |
| CN111626239A (zh) * | 2020-05-29 | 2020-09-04 | 山东山科智能科技有限公司 | 基于行为特征的服刑人员危险倾向预测方法及系统 |
| CN111696650A (zh) * | 2020-06-10 | 2020-09-22 | 杭州联众医疗科技股份有限公司 | 一种基于历史影像数据比对的医保控费系统 |
| CN111986037A (zh) * | 2020-08-31 | 2020-11-24 | 平安医疗健康管理股份有限公司 | 医保审核数据的监控方法、装置、设备及存储介质 |
| CN113239240A (zh) * | 2021-03-15 | 2021-08-10 | 北京大学 | 医保违规对象发现方法及装置 |
| CN113626488A (zh) * | 2021-08-04 | 2021-11-09 | 挂号网（杭州）科技有限公司 | 数据处理方法、装置、电子设备及存储介质 |
| CN113657549A (zh) * | 2021-08-31 | 2021-11-16 | 平安医疗健康管理股份有限公司 | 医疗数据审核方法、装置、设备以及存储介质 |
| CN113704579A (zh) * | 2021-09-22 | 2021-11-26 | 上海亿保健康管理有限公司 | 信息提示方法及电子设备 |
| CN114866351A (zh) * | 2022-07-06 | 2022-08-05 | 湖南创星科技股份有限公司 | 一种基于区块链的区域医疗处方监管方法及平台 |
| CN115080997A (zh) * | 2022-06-02 | 2022-09-20 | 武汉金豆医疗数据科技有限公司 | 医保基金的移动稽查方法、装置、计算机设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104537764A (zh) * | 2014-12-31 | 2015-04-22 | 浙江大学 | 一种医保卡异常使用的检测方法和检测系统 |
| CN107133438A (zh) * | 2017-03-03 | 2017-09-05 | 平安医疗健康管理股份有限公司 | 医疗行为监控方法及装置 |
| 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 |
-
2018
- 2018-10-30 CN CN201811276875.9A patent/CN109544373B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104537764A (zh) * | 2014-12-31 | 2015-04-22 | 浙江大学 | 一种医保卡异常使用的检测方法和检测系统 |
| CN107133438A (zh) * | 2017-03-03 | 2017-09-05 | 平安医疗健康管理股份有限公司 | 医疗行为监控方法及装置 |
| 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 (1)
| Title |
|---|
| 李林: "完善医保监管措施强化医保违规事前防范", 中国卫生经济, vol. 30, no. 6, 30 June 2011 (2011-06-30), pages 1 - 3 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110942396A (zh) * | 2019-11-28 | 2020-03-31 | 泰康保险集团股份有限公司 | 数据处理方法、装置及设备 |
| CN111210356B (zh) * | 2020-01-14 | 2023-03-21 | 平安医疗健康管理股份有限公司 | 医保数据分析方法、装置、计算机设备和存储介质 |
| CN111210356A (zh) * | 2020-01-14 | 2020-05-29 | 平安医疗健康管理股份有限公司 | 医保数据分析方法、装置、计算机设备和存储介质 |
| 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 |
| CN111626239A (zh) * | 2020-05-29 | 2020-09-04 | 山东山科智能科技有限公司 | 基于行为特征的服刑人员危险倾向预测方法及系统 |
| CN111696650A (zh) * | 2020-06-10 | 2020-09-22 | 杭州联众医疗科技股份有限公司 | 一种基于历史影像数据比对的医保控费系统 |
| CN111986037A (zh) * | 2020-08-31 | 2020-11-24 | 平安医疗健康管理股份有限公司 | 医保审核数据的监控方法、装置、设备及存储介质 |
| CN113239240A (zh) * | 2021-03-15 | 2021-08-10 | 北京大学 | 医保违规对象发现方法及装置 |
| CN113626488A (zh) * | 2021-08-04 | 2021-11-09 | 挂号网（杭州）科技有限公司 | 数据处理方法、装置、电子设备及存储介质 |
| CN113657549A (zh) * | 2021-08-31 | 2021-11-16 | 平安医疗健康管理股份有限公司 | 医疗数据审核方法、装置、设备以及存储介质 |
| CN113704579A (zh) * | 2021-09-22 | 2021-11-26 | 上海亿保健康管理有限公司 | 信息提示方法及电子设备 |
| CN115080997A (zh) * | 2022-06-02 | 2022-09-20 | 武汉金豆医疗数据科技有限公司 | 医保基金的移动稽查方法、装置、计算机设备及存储介质 |
| CN115080997B (zh) * | 2022-06-02 | 2024-01-09 | 武汉金豆医疗数据科技有限公司 | 医保基金的移动稽查方法、装置、计算机设备及存储介质 |
| CN114866351B (zh) * | 2022-07-06 | 2022-10-14 | 湖南创星科技股份有限公司 | 一种基于区块链的区域医疗处方监管方法及系统 |
| CN114866351A (zh) * | 2022-07-06 | 2022-08-05 | 湖南创星科技股份有限公司 | 一种基于区块链的区域医疗处方监管方法及平台 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109544373B (zh) | 2024-08-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109544373A (zh) | 基于人工智能的医保违规行为检测方法及相关装置 | |
| US20160232300A1 (en) | Systems and methods for patient health assessment | |
| CN107526932A (zh) | 科室挂号指导方法和终端设备 | |
| CN105408933A (zh) | 药品准备队列 | |
| CN107657051A (zh) | 一种图片标签的生成方法、终端设备及存储介质 | |
| WO2005124646A2 (en) | Apparatus and methods for assessing a pharmaceutical product | |
| 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 | |
| CN109522344A (zh) | 一种基于数据可视化的数据处理方法及设备 | |
| CN109636652A (zh) | 购药行为异常的监控方法、监控服务端及存储介质 | |
| CN109036574A (zh) | 护理计划管理方法、装置、存储介质及电子设备 | |
| CN106250697A (zh) | 老年自助健康管理设备 | |
| 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 | |
| CN115775635A (zh) | 基于深度学习模型的药品风险识别方法、装置及终端设备 | |
| CN105160003B (zh) | 一种基于地理位置的app检索排序方法及系统 | |
| CN109741195A (zh) | 基于病种的医保数据处理方法、系统、设备及存储介质 | |
| CN109545320A (zh) | 基于数据处理的取药异常确定方法和终端设备 | |
| CN110168659A (zh) | 用于改善临床结果并降低总护理费用的cna引导的护理 | |
| CN112133415A (zh) | 药剂的替换方法、装置、设备及存储介质 | |
| US20190013096A1 (en) | Systems and methods for coding data from a medical encounter | |
| Spence et al. | Machine learning models to predict surgical case duration compared to current industry standards: scoping review | |
| CN106407732A (zh) | 识别目标对象状态的方法、装置及系统和智能服饰 | |
| JP2015005119A (ja) | 薬品情報管理装置、薬品情報管理プログラムおよび薬品情報管理方法 | |
| CN109559806B (zh) | 异常住院行为的判定方法及相关产品 | |
| CN113658009A (zh) | 理赔信息处理方法和装置 | |
| CN110942396A (zh) | 数据处理方法、装置及设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |