CN109584086A - 基于预测模型预测住院合理性的方法及相关产品 - Google Patents
基于预测模型预测住院合理性的方法及相关产品 Download PDFInfo
- Publication number
- CN109584086A CN109584086A CN201811276926.8A CN201811276926A CN109584086A CN 109584086 A CN109584086 A CN 109584086A CN 201811276926 A CN201811276926 A CN 201811276926A CN 109584086 A CN109584086 A CN 109584086A
- Authority
- CN
- China
- Prior art keywords
- preoperative planning
- hospitalized
- insured people
- item sets
- practical
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000013439 planning Methods 0.000 claims abstract description 244
- 230000006399 behavior Effects 0.000 claims description 52
- 201000010099 disease Diseases 0.000 claims description 44
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 44
- 238000007689 inspection Methods 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 29
- 230000002159 abnormal effect Effects 0.000 claims description 23
- 239000000284 extract Substances 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000007726 management method Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 claims 1
- 239000008280 blood Substances 0.000 description 9
- 210000004369 blood Anatomy 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 210000000214 mouth Anatomy 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 241000208340 Araliaceae Species 0.000 description 4
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 4
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 4
- 235000003140 Panax quinquefolius Nutrition 0.000 description 4
- 235000008434 ginseng Nutrition 0.000 description 4
- 239000008103 glucose Substances 0.000 description 4
- 238000002562 urinalysis Methods 0.000 description 4
- 241001269238 Data Species 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000036772 blood pressure Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 102000051759 human factor J Human genes 0.000 description 3
- 108700008420 human factor J Proteins 0.000 description 3
- 238000012797 qualification Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 239000010931 gold Substances 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- GOLXNESZZPUPJE-UHFFFAOYSA-N spiromesifen Chemical compound CC1=CC(C)=CC(C)=C1C(C(O1)=O)=C(OC(=O)CC(C)(C)C)C11CCCC1 GOLXNESZZPUPJE-UHFFFAOYSA-N 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Technology Law (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请公开了一种基于住院模型预测住院合理性的方法及相关产品,该方法应用于电子设备,该方法包括:接收输入的任意一个参保人的住院数据,所述住院数据中包括诊断数据和实际术前检查项目集;提取所述住院数据中的诊断数据,将所述诊断数据输入到预先训练好的住院预测模型,输出所述参保人的住院概率;在所述住院概率大于第一阈值时,获取所述诊断数据对应的预设术前检查项目集;将所述实际术前检查项目集和所述预设术前检查项目集比对,确定所述参保人的住院行为的合理性。本申请实施例有利于增加检测住院合理行的方式,为医疗体制改革提供数据参考。
Description
技术领域
本申请涉及医疗技术领域,具体涉及一种基于预测模型预测住院合理性的方法及相关产品。
背景技术
随着国家基本医保制度不断加强,越来越多的人加入医保行列,参保人就诊时,医保统筹基金会为参保人报销绝大的医疗费用,但是目前的医保制度仍然不够完善,导致报销过程中存在很多利益问题。在很多城市,对体检项目未纳入医保统筹基金的报销范畴,参保人的体检费用只能个人报销。但是对于参保人来说,住院费用只要符合起付线等条件,可使用医保统筹基金报销部分甚至全部住院费用。因此部分参保人可能与医生合谋,套取医保统筹基金为参保人报销检查费用,即在参保人无需住院的情况下,将参保人收入院,再额外增加一些无关的术前检查项目,从而增加术前检查费用,简接增加住院费用,将住院费用达到起付线,套取医保统筹基金支付检查费用。目前,参保人在做术前检查项目时,相关人员仅核对该术前检查项目是否为医生指定的术前检查项目,未考虑参保人是否具有资格以及该术前检查项目的合理性。
现有的方法确认参保人是否具有住院资格的方式单一、准确度低,存在套取统筹基金支付检查费用的行为。因此,亟需提供一种从术前检查项目角度判断参保人住院是否具有住院资格的方法。
发明内容
本申请实施例提供了一种基于预测模型预测住院合理性的方法及相关产品,以期预测参保人的术前检查项目是否异常,确定该参保人的住院行为的合理性。
第一方面,本申请实施例提供一种基于预测模型预测住院合理性的方法,所述方法应用于电子设备,所述方法包括:
接收输入的任意一个参保人的住院数据,所述住院数据中包括诊断数据和实际术前检查项目集;
提取所述住院数据中的诊断数据,将所述诊断数据输入到预先训练好的住院预测模型,输出所述参保人对应的住院概率;
在所述住院概率大于第一阈值时,获取所述诊断数据对应的预设术前检查项目集;
将所述实际术前检查项目集和所述预设术前检查项目集比对,确定所述参保人的住院行为的合理性。
第二方面,本申请实施例提供一种基于预测模型预测住院合理性的电子设备,所述电子设备包括:
接收单元,用于接收输入的任意一个参保人的住院数据,所述住院数据中包括诊断数据和实际术前检查项目集;
输入单元,用于提取所述住院数据中的诊断数据,将所述诊断数据输入到预先训练好的住院预测模型,输出所述参保人对应的住院概率;
获取单元,用于在所述住院概率大于第一阈值时,获取所述诊断数据对应的预设术前检查项目集;
比对单元,用于将所述实际术前检查项目集和所述预设术前检查项目集比对,确定所述参保人的住院行为的合理性。
第三方面,本申请实施例提供一种电子设备,包括一个或多个处理器、一个或多个存储器、一个或多个收发器,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,并且被配置由所述一个或多个处理器执行,所述程序包括用于执行如第一方面所述的方法中的步骤的指令。
第四方面,本申请实施例提供一种计算机可读存储介质,其用于存储计算机程序,其中,所述计算机程序被处理器执行,以实现如第一方面所述的方法。
第五方面,本申请实施例提供一种计算机程序产品,所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,所述计算机可操作来使计算机执行如第一方面所述的方法。
实施本申请实施例,具有如下有益效果:
可以看出,在本申请实施例中,接收输入的参保人的住院数据,提取住院数据中的诊断数据,依据诊断数据获取该参保人的预设术前检查项目集,将该预设检查项目集与该住院数据中的实际检查项目集比对,判断该参保人的术实际前检查项目集是否异常,从而确定该参保人住院行为的合理性,因此,在接收到参保人的住院请求时,可检测出该参保人住院行为的合理性,故可减少套取医保基金支付术前检查费用的概率,为医疗体制改革提供数据参考,完善医疗制度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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申请的一些实施例,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为本申请实施例提供的一种基于预测模型预测住院合理性的方法的流程示意图;
图1A为本申请实施例提供的一种基于术前检查项目确定出的二元数据矩阵的示意图;
图2为本申请实施例提供的另一种基于预测模型预测住院合理性的方法的流程示意图;
图3为本申请实施例提供的另一种基于预测模型预测住院合理性的方法的流程示意图;
图3A为本申请实施例提供的一种建立频繁模式树FP-tree过程的示意图;
图4为本申请实施例提供的一种基于预测模型预测住院合理性的电子设备的结构示意图;
图5为本申请实施例提供的一种基于预测模型预测住院合理性的电子设备的结构示意图。
具体实施方式
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,所描述的实施例是本申请一部分实施例,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,都属于本申请保护的范围。
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、结果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。
本申请中的电子设备可以包括智能手机(如Android手机、iOS手机、WindowsPhone手机等)、平板电脑、掌上电脑、笔记本电脑、移动互联网设备MID(Mobile InternetDevices,简称:MID)或穿戴式设备等,上述电子设备仅是举例,而非穷举,包含但不限于上述电子设备,为了描述的方便,下面实施例中将上述电子设备称为用户设备UE(Userequipment,简称:UE)。当然在实际应用中,上述用户设备也不限于上述变现形式,例如还可以包括:智能车载终端、计算机设备等等。
参阅图1,图1为本申请实施例提供的一种基于预测模型预测住院合理性的方法的流程示意图,该方法应用于电子设备,该方法包括步骤S101~S104中所示的内容:
步骤S101、接收输入的任意一个参保人的住院数据。
其中,该住院数据包括诊断数据和实际术前检查项目集,诊断数据包括参保人的人口学参数和疾病信息,人口学参数包括身高、体重、年龄、疾病史、文化程度、婚姻状况,等等;疾病信息具体为疾病名称、疾病严重等级,等等。
步骤S102、提取所述住院数据中的诊断数据,将所述诊断数据输入到预先训练好的住院预测模型,输出所述参保人对应的住院概率。
可选的,对该住院数据进行关键字识别,识别出该住院数据中的诊断数据,即疾病名称、疾病严重等级、人口学参数,将该疾病名称、疾病严重等级、人口学参数组成输入数据输入到预设训练好的住院预测模型,得到该参保人的住院概率。其中,将该疾病名称、疾病严重等级、人口学参数组成输入数据具体包括:将该疾病名称、疾病严重等级、人口学参数构建为初始特征矩阵,其中,该初始特征矩阵为非0-1的信息矩阵,对于该初始特征矩阵中的非0-1数据进行归一化处理,将该特征矩阵中的所有元素转化为数字0~1的数据矩阵,然后,对该数据矩阵中为0的数据重排列,即将该数据矩阵中的0值紧邻排列在同一行或者同一列组成输入数据矩阵,将该输入数据矩阵输入到该预先训练好的住院预测模型执行多层正向运算,经过全局池化后得到该输入数据矩阵的特征向量,将该特征向量输入到softmax分类器,得到该特征向量对应的“类别号”,获取该“类别号”对应的数值,得到该参保人的住院概率。
步骤S103、在所述住院概率大于第一阈值时,获取所述诊断数据对应的预设术前检查项目集。
其中,该第一阈值具体为0.5、0.6、0.7、0.8或者其他值。
可选的,获取所述诊断数据对应的预设术前检查项目集具体包括:获取所述诊断数据中的疾病名称,如表1所示,举例示出了疾病名称和术前检查项目集的映射关系,依据表1所示的映射关系获取与所述疾病名称对应的术前检查项目集,得到所述诊断数据的预设术前检查项目集。
表1
步骤S104、将所述实际术前检查项目集和所述预设术前检查项目集比对,确定所述参保人的住院行为的合理性。
可选的,将所述实际术前检查项目集和所述预设术前检查项目集比对具体包括:将所述实际术前检查项目集中的种类与所述预设术前检查项目集的种类比对,确定两者在种类上的差异性,即确定所述预设术前检查项目集与所述实际术前检查项目集的相似度,如所述相似度大于第二阈值,确定所述实际术前检查项目正常,确定所述参保人的住院行为合理,如所述相似度小于或者等于所述第二阈值,确定所述实际术前检查项目异常,确定所述参保人的住院行为不合理。
其中,第二阈值可以为0.5、0.6、0.7、0.8或者其他值。
所述相似度计算公式为:
其中,S为所述预设术前检查项目集与所述实际术前检查项目集的相似度,A为所述预设术前检查项目集,B为所述实际术前检查项目集,Card(A∩B)为A∩B中的元素个数,Card(A∪B)为A∪B中的元素个数。
可以看出,在本申请实施例中,接收输入的参保人的住院数据,提取住院数据中的诊断数据,依据诊断数据获取该参保人的预设术前检查项目集,将该预设检查项目集与该住院数据中的实际检查项目集比对,确定两者的相似度,依据相似度判断该参保人的实际术前检查项目集是否异常,确定该参保人住院行为的合理性,因此,在接收到参保人的住院请求时,可在检测出该参保人住院行为的合理性后,再考虑是否将该参保人接纳入院,可减少套取医保基金支付术前检查费用的概率,增加确定住院合理性的方式,为医疗体制改革提供数据参考,提高医疗体制改革的说服力,完善医疗制度。
在一可能的示例中,如在同一时间段接收到相同疾病的参保人的住院数据,一一核对实际术前检查项目集与预设术前检查项目集的相似度,耗时久,重复计算的次数多,影响服务器的运算速度,基于此提供下面用于计算多个参保人的实际术前检查项目与预设术前检查项的相似度的算法。
假定在同一时间段接收到N(N为大于等于2的整数)个参保人的住院数据,获取该N个参保人中的实际术前检查项目集A、B、C、D……,确定该N个参保人对应的预设术前检查项目集Ω,获取该医疗机构的所有术前检查项目,将该A、B、C、D……,以及Ω与该所有术前检查项目比对得到比对结果,根据比对结果构建该N个参保人的实际术前检查项目集与该预设术前检查项目集的二元(即0和1)数据矩阵,包括将该所有术前检查项目作为参考集合j,将该A、B、C、D……,以及Ω与该参考集合j比较,确定该参考集合j的任意一个元素在A、B、C、D……,以及Ω中是否存在对应元素,如是,将A、B、C、D……,以及Ω在该位置标记为1,如不包含,在该位置标记为0,从而将该A、B、C、D……,以及Ω转换为与参考集合j相同维度的二元集合,将转换后的A、B、C、D……,以及Ω组成该二元数据矩阵,所以二元数据矩阵的行数为所有术前检查项目的数量,列数为(N+1);确定二元数据矩阵确定每个实际术前检查项目与预设术前检查项目集的杰卡德相似系数Jaccard,依据该杰卡德相似系数Jaccard确定该N个参保人的实际术前检查项目的合理性,判断该参保人住院行为的合理性;
即:
其中,Ji为第i个参保人的实际术前检查项目集与该预设检查项目集的杰卡德相似系数,Mi11为第i个参保人的实际术前检查项目集在二元数据矩阵中为1且预设检查项目集Ω在二元数据矩阵中也为1的总数量,Mi10为第i个参保人的实际术前检查项目集在二元数据矩阵中为1且预设检查项目集Ω在二元数据矩阵中为0的总数量,Mi01为第i个参保人的实际术前检查项目集在二元数据矩阵中为0且预设检查项目集Ω在二元数据矩阵中为1的总数量。
下面以一个实际的例子具体说计算杰卡德相似系数Jaccard的过程。
举例来说,假定该医疗机构的所有术前检查项目集{血常规、尿常规、心电图、血压、血糖、口腔},且以a,b,c,d,e,f分别表示血常规、尿常规、心电图、血压、血糖、口腔,故得到所述医疗机构的所有术前检查项目集为{a,b,c,d,e,f}。在N=4,如4个参保人的术前检查项目集具体为A={b,c,d},B={a,b,c,d,e},C={b,d},D={d,f}时,且该4个人对应的预设术前检查项目集为Ω={a,d},故得到如图1A所示的二元数据矩阵,如图1A所示的二元数据矩阵,确定A与Ω的杰卡德相似系数J1=(1/(2+1+1))=1/4,B与Ω的杰卡德相似系数J2=(2/(3+0+2))=2/5,C与Ω的杰卡德相似系数J3=(1/(1+1+1))=1/3,D与Ω的杰卡德相似系数J4=(1/(1+1+1))=1/3,如第二阈值为0.6,则可确定集合C和D对应的术前检查项目正常,确定其对应的参保人的住院行为合理,集合A和B对应的术前检查项目异常,确定其对应的参保人的住院行为不合理。
可以看出,在本示例中,如预设时间段内接收到多个病因相同的参保人的住院数据时,先构建二元数据矩阵,依据二元数据矩阵确定各个参保人的住院行为的合理性,可批次处理多个参保人的住院数据,提高服务器的运算速度。
可选的,在一可能的示例中,所述方法还包括:
确定该医疗机构中具有临床手术资格的各个科室,获取该各个科室在预设时间段内的住院数据,确定各个科室的住院数据中实际术前检查项目异常的多个参保人,计算各个科室在该预设时间段内术前检查项目异常的参保人的总数量与各个科室在该预设时间段内住院的参保人的总数量的比例,依据该比例对各个科室在术前检查项目方面进行排序,调整排序在前五的科室在术前检查项目方面的住院制度,加强对排序在前五的科室在术前检查项目方面的管理。
可以看出,本示例中分析各个科室在预设时间段内的住院数据,得到在各个科室就诊的参保人术前费用异常的比例,根据该比例对各个科室进行排序得到排序结果,依据排序结果调整排名靠前的科室,从而针对性调整科室的住院制度,为医疗机构改革住院制度提供数据参考,有利于提高医疗机构的综合质量,减少各个科室采用住院模式套取医保基金支付术前检查费用的概率。
可选的,在一可能的示例中,所述方法还包括:
统计医疗机构在预设时间段内住院数据中的实际术前检查项目异常的所有参保人,获取该术前检查项目异常的所有参保人对应的所有住院数据,提取该所有住院数据中所有的医生信息,获取每个医生信息在该所有住院数据中的出现频率,根据该出现频率监管该所有的医生信息对应的医生,其具体包括:对出现频率排名前五的医生信息对应的医生采取定期抽查其所开取的住院数据单,如该住院数据单中的术前检查项目异常次数大于各自的预设阈值时,将该医生信息上传至住院管理系统,以监管该医生开取的住院数据单的合理性,其中,该预设阈值与医生排名相关,排名越靠前预设阈值越小。
可以看出,本示例中分析术前检查费用项目的所有参保人的住院数据,获取该住院数据中各个医生信息的出现频率,依据该出现频率监管医生在临床手术时开取的住院数据单,减少医生通过低标准将参保人收入住院来套取医保基金支付术前检查费用的概率。
参阅图2,图2为本申请实施例提供的另一种基于预测模型预测住院合理性的方法的流程示意图,该方法应用于电子设备,该方法包括步骤S201~S209中所示的内容:
步骤S201、接收输入的任意一个参保人的住院数据。
其中,所述住院数据中包括诊断数据和实际术前检查项目集。
步骤S202、提取所述住院数据中的诊断数据,将所述诊断数据输入到预先训练好的住院预测模型,输出所述参保人的住院概率。
步骤S203、在所述住院概率大于第一阈值时,获取所述诊断数据对应的预设术前检查项目集。
步骤S204、将所述实际术前检查项目集和所述预设术前检查项目集比对,确定所述预设术前检查项目集与所述实际术前检查项目集的相似度。
步骤S205、如所述相似度大于第二阈值,确定所述实际术前检查项目正常,确定所述参保人的住院行为合理。
步骤S206、如所述相似度小于或者等于所述第二阈值,确定所述实际术前检查项目异常,确定所述参保人的住院行为不合理。
步骤S207、在所述住院概率小于或者等于所述第一阈值时,向线上核对中心发送所述参保人的住院数据,提示所述线上核对中心验证所述住院数据中的实际术前检查项目集是否异常。
其中,预先建立线上核对中心,在住院概率小于第一阈值时,表示该参保人很大程度上无需住院治疗,由于无需住院治疗,故再将实际术前检查项集与预设术前检查项目集比对,无法准确判断该住院行为的合理性,故将该参保人的住院数据发送至线上核对中心,提示所述线上核对中心验证所述住院数据中的实际术前检查项目集是否异常,验证是否异常具体包括:如确定所述参保人无需住院,但仍存在术前检查项目时,确定该参保人的术前检查项目异常,如确定所述参保人需要住院,但该参保人的术前检查项目与该参保人所患疾病不对应时,确定该参保人的术前检查项目异常。
步骤S208、接收来自所述线上核对中心的验证结果,在验证结果为确认所述实际术前检查项目集正常时,确定所述参保人的住院行为合理,将所述参保人的实际术前检查项目集传输至与术前检查相关的网络设备。
可选的,将该参保人的实际术前检查项目集传输至与术前检查相关的网络设备,以便将该参保人的信息以及该参保人的术前检查项目录入该网络设备,确定该参保人在该实际检查项目方面为授权用户,以便该参保人在做术前检查项目时,可以在该网络设备中查询到该参保人的信息。
步骤S209、在验证结果为确认所述实际术前检查项目集异常时,确定所述参保人的住院行为不合理,禁止将所述参保人的实际术前检查项目集传输至所述网络设备,提示重新输入所述参保人的术前检查项目。
可以看出,在本申请实施例中,接收输入的参保人的住院数据,提取住院数据中的诊断数据,将该诊断数据输入住院预测模型得到该参保人的住院概率,在该住院概率大于第一阈值时,获取该参保人的预设术前检查项目集,将该预设检查项目集与该住院数据中的实际检查项目集比对,确定两者的相似度,依据相似度判断该参保人的实际术前检查项目集是否异常,确定该参保人住院行为的合理性,因此,在参保人需要住院的情况下,可通过比较预设的术前检查项目集,判断该参保人是否存在套取医保基金支付术前检查费用的行为,基于模型判断住院概率,可实现针对性的判断住院概率满足条件的参保人,提高判断的准确度,而且,如该住院概率小于第一阈值时,将该住院数据转发至线上核对中心,以在线核对该参保人术前检查项目的合理性,因此,在该参保人无需住院的时候,可结合线上核对系统辅助核对该参保人住院的合理性,因此,两者的有机集合,可以完全解决套取医保基金支付术前检查费用的行为,增加了确定住院合理性的方式,为医疗体制改革提供数据参考,提高医疗体制改革的说服力,完善医疗制度。
参阅图3,图3为本申请实施例提供的另一种基于预测模型预测住院合理性的方法的流程示意图,该方法应用于电子设备,该方法包括步骤S301~S312中所示的内容:
步骤S301、接收输入的任意一个参保人的住院数据。
其中,所述住院数据中包括诊断数据和实际术前检查项目集。
步骤S302、提取所述住院数据中的诊断数据,将所述诊断数据输入到预先训练好的住院预测模型,输出所述参保人的住院概率。
步骤S303、在所述住院概率大于第一阈值时,获取所述诊断数据对应的预设术前检查项目集。
步骤S304、将所述实际术前检查项目集和所述预设术前检查项目集比对,确定所述预设术前检查项目集与所述实际术前检查项目集的相似度。
步骤S305、如所述相似度小于或者等于第二阈值,确定所述实际术前检查项目异常,确定所述参保人的住院行为不合理。
步骤S306、在所述住院概率小于或者等于所述第一阈值时,向线上核对中心发送所述参保人的住院数据,,提示所述线上核对中心验证所述住院数据中的实际术前检查项目集是否异常。
步骤S307、接收来自所述线上核对中心的验证结果,在验证结果为确认所述实际术前检查项目集异常时,确定所述参保人的住院行为不合理。
步骤S308、统计所述医疗机构在预设时间段内住院行为不合理的参保人。
步骤S309、如所述参保人的数量为单个时,获取所述参保人的住院数据,从所述参保人的住院数据中提取所述参保人的实际术前检查项目集,将所述实际术前检查项目集标记为所述医疗机构的目标术前检查项目集。
其中,所述预设时间段具体为1星期、1个月、6个月、1年或者其他值。
步骤S310、如所述参保人的数量为多个时,获取所述多个参保人的住院数据,从所述多个参保人的住院数据中提取所述多个参保人中每一个参保人的实际术前检查项目集,将所述每一个参保人的实际术前检查项目集标记为一个事物集,得到所述多个参保人的多个事物集。
步骤S311、基于频繁模式增长FP-Growth算法确定所述多个事物集中的频繁项集,将所述频繁项集标记为所述医疗机构的目标术前检查项目集。
其中,所述目标术前检查项目集中的术前检查项目为所述医疗机构在术前检查方面易发生异常的术前检查项目。
可选的,基于FP-Growth算法确定所述多个事物集中的频繁项集具体包括:设置最小支持度P,基于该最小支持度P筛选该多个事物集中的多个频繁元素,利用该多个频繁元素构建所述多个事物集的FP-tree,设置频繁项集中所需的元素数量,从该FP-tree中读取符合该元素数量的多个频繁项集,获取该多个频繁项集中支持度最大的频繁项集,如该支持度最大的频繁项集的数量为多个时,获取该多个频繁项集的交集,将该交集作为该目标术前检查项目集或者获取该多个频繁项集的并集,将该并集作为该目标术前检查项目集。
下面举例说明确定频繁项集和目标术前检查项目集的具体过程。
假定在预设时间段内获取到6个参保人的住院行为不合理,获得6个实际术前检查项目集,将该6个实际术前检查项目集分别进行编号为001、002、003、004、005、006,将该6个实际术前检查项目集中的元素(即术前检查项目)分别以字母表示,例如,001中的术前检查项目集分别为血常规、尿常规、心电图、血压、血糖、口腔,然后,将该血常规、尿常规、心电图、血压、血糖、口腔分别以字母r,z,h,j,p表示,故可得001={r,z,h,j,p},基于得到001的方式,可对002、003、004、005和006的术前检查项目字母化,得到如表2所示的事物集。
表2
事物集编号 | 事物集 | 剔除后的事物集 |
001 | {r,z,h,j,p} | {r,z} |
002 | {z,y,x,w,v,u,t,s} | {z,y,x,t,s} |
003 | {z} | {z}, |
004 | {r,x,n,o,s} | {r,x,s} |
005 | {y,r,x,z,q,t,p} | {y,r,x,z,t} |
006 | {y,z,x,e,q,s,t,m} | {y,z,x,s,t} |
然后,开启第一轮扫描,设置第一最小支持度P1=3,将001、002、003、004、005、006中元素出现次数小于支持度P1剔除,即剔除q、n、o、h、j、p、w、v、u和e,如表1所示,得到新的事物集{r,z},{z,y,x,t,s},{z},{r,x,s},{y,r,x,z,t},{y,z,x,s,t};开启第二轮扫描依次扫描新的事物集中的元素,如图3A所示,以空集null为根节点开始创建FP-tree,在扫描每一个新的事物集时依次往FP-tree中添加元素,如扫描{r,z}时,可添加元素r、z,扫描{z,y,x,t,s}时,可在第一次添加元素r、z得到的FP-tree中添加元素z,y,x,t,s,全部扫描完后,可得到如图3A最右方示出的FP-tree,其中,该FP-tree的树节点上给出集合中的单个元素及其在新的事物集中出现的总次数,路径的根节点的元素的出现次数示出该路径对应的序列的出现次数(即支持度)。如图3A所示,每个路径上的所有元素构成一个频繁项集,且该路径上的根节点示出该频繁项集的支持度;设置频繁项集中所需的元素数量,从该FP-tree的树节点截取与该元素数量对应的根节点,将该树节点与该根节点之间的元素组成频繁项集,例如,设置频繁项集中的元素数量为4时,可获得频繁项集{z,x,y,s},{z,x,y,r},故可将该频繁项集{z,x,y,s},{z,x,y,r}的并集{z,x,y,r,s}标记为该6个事物集的最终频繁项集,即目标术前检查项目集;或者设置第二支持度P2,以第二支持度P2为基础进行第三轮扫描,扫描FP-tree中支持度大于或者等于P2的集合,将该集合作为频繁项集,例如P2=3时,可得集合{z},{z,x}和{z,x,y}的支持度分别为5、3和3,故可得{z},{z,x}和{z,x,y},故可取{z},{z,x}和{z,x,y}的并集{z,x,y}作为该6个事物集的最终频繁项集,即目标术前检查项目集。
步骤S312、向所述医疗机构对应的网络设备发送所述目标术前检查项目集,以调整所述医疗机构在所述目标术前检查方面的管理体制。
可以看出,在本申请实施例中,接收输入的参保人的住院数据,提取住院数据中的诊断数据,将该诊断数据输入住院预测模型得到该参保人的住院概率,在该住院概率大于第一阈值时,获取该参保人的预设术前检查项目集,将该预设检查项目集与该住院数据中的实际检查项目集比对,确定两者的相似度,依据相似度判断该参保人的实际术前检查项目集是否异常,确定该参保人住院行为的合理性,因此,在参保人需要住院的情况下,可通过比较预设的术前检查项目集,判断该参保人是否存在套取医保基金支付术前检查费用的行为,基于模型判断住院概率,可实现针对性的判断住院概率满足条件的参保人,提高判断的准确度,而且,如该住院概率小于第一阈值时,将该住院数据转发至线上核对中心,以在线核对该参保人术前检查项目的合理性,因此,在该参保人无需住院的时候,可结合线上核对系统辅助核对该参保人住院的合理性,因此,两者的有机集合,可以完全解决套取医保基金支付术前检查费用的行为,增加了确定住院合理性的方式,为医疗体制改革提供数据参考,提高医疗体制改革的说服力,完善医疗制度。而且,获取预设时间段住院行为不合理的多个参保人,依据该多个参保人的住院数据确定医疗机构的目标术前检查项目集,将该目标术前检查项目集反馈至网络侧设备,可实现针对性改革医疗体制,基于FP-Growth算法及时确定出该目标术前检查项目集,可提高医疗改革的效率。
与上述图1、图2、图3所示的实施例一致的,请参阅图4,图4为本申请实施例提供的一种基于住院模型预测住院合理性的电子设备400的结构示意图,如图4所示,该电子设备400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不同于上述一个或多个应用程序,且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;
接收输入的任意一个参保人的住院数据,所述住院数据中包括诊断数据和实际术前检查项目集;
提取所述住院数据中的诊断数据,将所述诊断数据输入到预先训练好的住院预测模型,输出所述参保人的住院概率;
在所述住院概率大于第一阈值时,获取所述诊断数据对应的预设术前检查项目集;
将所述实际术前检查项目集和所述预设术前检查项目集比对,确定所述参保人的住院行为的合理性。
在一可能的示例中,上述程序中的指令还用于执行以下操作:
在所述住院概率小于或者等于所述第一阈值时,向线上核对中心发送所述参保人的住院数据,提示所述线上核对中心验证所述住院数据中的实际术前检查项目集是否异常;
接收来自所述线上核对中心的验证结果;在验证结果为确认所述实际术前检查项目集正常时,确定所述参保人的住院行为合理,将所述参保人的实际术前检查项目集传输至与术前检查相关的网络设备;在验证结果为确认所述实际术前检查项目集异常时,确定所述参保人的住院行为不合理,禁止将所述参保人的实际术前检查项目集传输至所述网络设备,提示重新输入所述参保人的术前检查项目。
在一可能的示例中,在所述诊断数据中包括疾病名称、疾病严重等级、参保人的人口学参数,所述将所述诊断数据输入到预先训练好的住院预测模型,输出所述参保人的住院概率方面,上述程序中的指令具体用于执行以下操作:
提取所述诊断数据中的疾病名称、疾病严重等级、参保人的人口学参数;
将所述疾病名称、疾病严重等级、人口学参数组成输入数据矩阵输入到所述预先训练好的住院预测模型执行正向运算,输出所述参保人的住院概率。
在一可能的示例中,在获取所述诊断数据对应的预设术前检查项目集方面,上述程序中的指令具体用于执行以下操作:
获取所述诊断数据中的疾病名称;
依据所述疾病名称和术前检查项目集的映射关系以及所述诊断数据中的疾病名称,获取所述诊断数据的预设术前检查项目集。
在一可能的示例中,在将所述实际术前检查项目集和所述预设术前检查项目集比对,确定所述参保人的住院行为的合理性方面,上述程序中的指令具体用于执行以下操作:
确定所述预设术前检查项目集与所述实际术前检查项目集的相似度,如所述相似度大于第二阈值,确定所述实际术前检查项目正常,确定所述参保人的住院行为合理,如所述相似度小于或者等于所述第二阈值,确定所述实际术前检查项目异常,确定所述参保人的住院行为不合理;
所述相似度的计算公式如下:
其中,S为所述预设术前检查项目集与所述实际术前检查项目集的相似度,A为所述预设术前检查项目集,B为所述实际术前检查项目集,Card(A∩B)为A∩B中的元素个数,Card(A∪B)为A∪B中的元素个数。
在一可能的示例中,上述程序中的指令还用于执行以下操作:
统计所述医疗机构在预设时间段内住院行为不合理的参保人;
如所述参保人的数量为单个时,获取所述参保人的住院数据,从所述参保人的住院数据中提取所述参保人的实际术前检查项目集,将所述实际术前检查项目集标记为所述医疗机构的目标术前检查项目集;
如所述参保人的数量为多个时,获取所述多个参保人的住院数据,从所述多个参保人的住院数据中提取所述多个参保人中每一个参保人的实际术前检查项目集,将所述每一个参保人的实际术前检查项目集标记为一个事物集,得到所述多个参保人的多个事物集,基于频繁模式增长FP-Growth算法确定所述多个事物集中的频繁项集,将所述频繁项集标记为所述医疗机构的目标术前检查项目集;
其中,所述目标术前检查项目集中的术前检查项目为所述医疗机构在术前检查方面易发生异常的术前检查项目。
在一可能的示例中,上述程序中的指令还用于执行以下操作:
向所述医疗机构对应的网络设备发送所述目标术前检查项目集,以调整所述医疗机构在所述目标术前检查方面的管理体制。
参阅图5,图5示出了上述实施例中所涉及的基于住院模型预测住院合理性的电子设备500的一种可能的功能单元组成框图,电子设备500包括接收单元510、输入单元520、获取单元530、比对单元540、其中;
接收单元510,用于接收输入的任意一个参保人的住院数据,所述住院数据中包括诊断数据和实际术前检查项目集;
输入单元520,用于提取所述住院数据中的诊断数据,将所述诊断数据输入到预先训练好的住院预测模型,输出所述参保人对应的住院概率;
获取单元530,用于在所述住院概率大于第一阈值时,获取所述诊断数据对应的预设术前检查项目集;
比对单元540,用于将所述实际术前检查项目集和所述预设术前检查项目集比对,确定所述参保人的住院行为的合理性。
在一可能的示例中,电子设备500还包括发送单元550;
其中,发送单元550,用于在所述住院概率小于或者等于所述第一阈值时,向线上核对中心发送所述参保人的住院数据,提示所述线上核对中心验证所述住院数据中的实际术前检查项目集是否异常;以及用于接收来自所述线上核对中心的验证结果;在验证结果为确认所述实际术前检查项目集正常时,确定所述参保人的住院行为合理,将所述参保人的实际术前检查项目集传输至与术前检查相关的网络设备;在验证结果为确认所述实际术前检查项目集异常时,确定所述参保人的住院行为不合理,禁止将所述参保人的实际术前检查项目集传输至所述网络设备,提示重新输入所述参保人的术前检查项目。
在一可能的示例中,在诊断数据中包括疾病名称、疾病严重等级、参保人的人口学参数,在将所述诊断数据输入到预先训练好的住院预测模型,输出所述参保人的住院概率时,输入单元520,具体用于:提取所述诊断数据中的疾病名称、疾病严重等级、参保人的人口学参数;以及用于将所述疾病名称、疾病严重等级、人口学参数组成输入数据矩阵输入到所述预先训练好的住院预测模型执行正向运算,输出所述参保人的住院概率。
在一可能的示例中,在获取所述诊断数据对应的预设术前检查项目集时,获取单元530,具体用于:依据所述疾病名称和术前检查项目集的映射关系以及所述诊断数据中的疾病名称,获取所述诊断数据的预设术前检查项目集。
在一可能的示例中,在将所述实际术前检查项目集和所述预设术前检查项目集比对,确定所述参保人的住院行为的合理性时,比对单元540,具体用于:确定所述预设术前检查项目集与所述实际术前检查项目集的相似度,如所述相似度大于第二阈值,确定所述实际术前检查项目正常,确定所述参保人的住院行为合理,如所述相似度小于或者等于所述第二阈值,确定所述实际术前检查项目异常,确定所述参保人的住院行为不合理;
所述相似度的计算公式如下:
其中,S为所述预设术前检查项目集与所述实际术前检查项目集的相似度,A为所述预设术前检查项目集,B为所述实际术前检查项目集,Card(A∩B)为A∩B中的元素个数,Card(A∪B)为A∪B中的元素个数。
在一可能的示例中,获取单元530,还用于:统计所述医疗机构在预设时间段内住院行为不合理的参保人;以及用于如所述参保人的数量为单个时,获取所述参保人的住院数据,从所述参保人的住院数据中提取所述参保人的实际术前检查项目集,将所述实际术前检查项目集标记为所述医疗机构的目标术前检查项目集;以及用于如所述参保人的数量为多个时,获取所述多个参保人的住院数据,从所述多个参保人的住院数据中提取所述多个参保人中每一个参保人的实际术前检查项目集,将所述每一个参保人的实际术前检查项目集标记为一个事物集,得到所述多个参保人的多个事物集,基于频繁模式增长FP-Growth算法确定所述多个事物集中的频繁项集,将所述频繁项集标记为所述医疗机构的目标术前检查项目集;其中,所述目标术前检查项目集中的术前检查项目为所述医疗机构在术前检查方面易发生异常的术前检查项目。
在一可能的示例中,发送单元550,还用于:向所述医疗机构对应的网络设备发送所述目标术前检查项目集,以调整所述医疗机构在所述目标术前检查方面的管理体制。
本申请实施例还提供一种计算机存储介质,其中,该计算机存储介质存储用于电子数据交换的计算机程序,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何一种基于预测模型预测住院合理性的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,所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,所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何一种基于预测模型预测住院合理性的方法的部分或全部步骤。
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可选实施例,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,例如所述单元的划分,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。
所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,也可以采用软件程序模块的形式实现。
所述集成的单元如果以软件程序模块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所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,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种基于住院模型预测住院合理性的方法,其特征在于,所述方法应用于电子设备,所述方法包括:
接收输入的任意一个参保人的住院数据,所述住院数据中包括诊断数据和实际术前检查项目集;
提取所述住院数据中的诊断数据,将所述诊断数据输入到预先训练好的住院预测模型,输出所述参保人的住院概率;
在所述住院概率大于第一阈值时,获取所述诊断数据对应的预设术前检查项目集;
将所述实际术前检查项目集和所述预设术前检查项目集比对,确定所述参保人的住院行为的合理性。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在所述住院概率小于或者等于所述第一阈值时,向线上核对中心发送所述参保人的住院数据,提示所述线上核对中心验证所述住院数据中的实际术前检查项目集是否异常;
接收来自所述线上核对中心的验证结果;在验证结果为确认所述实际术前检查项目集正常时,确定所述参保人的住院行为合理,将所述参保人的实际术前检查项目集传输至与术前检查相关的网络设备;在验证结果为确认所述实际术前检查项目集异常时,确定所述参保人的住院行为不合理,禁止将所述参保人的实际术前检查项目集传输至所述网络设备,提示重新输入所述参保人的术前检查项目。
3.根据权利要求1所述的方法,其特征在于,所述诊断数据中包括疾病名称、疾病严重等级、参保人的人口学参数,所述将所述诊断数据输入到预先训练好的住院预测模型,输出所述参保人的住院概率具体包括:
提取所述诊断数据中的疾病名称、疾病严重等级、参保人的人口学参数;
将所述疾病名称、疾病严重等级、人口学参数组成输入数据矩阵输入到所述预先训练好的住院预测模型执行正向运算,输出所述参保人的住院概率。
4.根据权利要求1或2所述的方法,其特征在于,所述获取所述诊断数据对应的预设术前检查项目集具体包括:
依据所述疾病名称和术前检查项目集的映射关系以及所述诊断数据中的疾病名称,获取所述诊断数据的预设术前检查项目集。
5.根据权利要求1-3任意一项所述的方法,其特征在于,所述将所述实际术前检查项目集和所述预设术前检查项目集比对,确定所述参保人的住院行为的合理性具体包括:
确定所述预设术前检查项目集与所述实际术前检查项目集的相似度,如所述相似度大于第二阈值,确定所述实际术前检查项目正常,确定所述参保人的住院行为合理,如所述相似度小于或者等于所述第二阈值,确定所述实际术前检查项目异常,确定所述参保人的住院行为不合理;
所述相似度的计算公式如下:
其中,S为所述预设术前检查项目集与所述实际术前检查项目集的相似度,A为所述预设术前检查项目集,B为所述实际术前检查项目集,Card(A∩B)为A∩B中的元素个数,Card(A∪B)为A∪B中的元素个数。
6.根据权利要求2或4所述的方法,其特征在于,所述方法还包括:
统计所述医疗机构在预设时间段内住院行为不合理的参保人;
如所述参保人的数量为单个时,获取所述参保人的住院数据,从所述参保人的住院数据中提取所述参保人的实际术前检查项目集,将所述实际术前检查项目集标记为所述医疗机构的目标术前检查项目集;
如所述参保人的数量为多个时,获取所述多个参保人的住院数据,从所述多个参保人的住院数据中提取所述多个参保人中每一个参保人的实际术前检查项目集,将所述每一个参保人的实际术前检查项目集标记为一个事物集,得到所述多个参保人的多个事物集,基于频繁模式增长FP-Growth算法确定所述多个事物集中的频繁项集,将所述频繁项集标记为所述医疗机构的目标术前检查项目集;
其中,所述目标术前检查项目集中的术前检查项目为所述医疗机构在术前检查方面易发生异常的术前检查项目。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
向所述医疗机构对应的网络设备发送所述目标术前检查项目集,以调整所述医疗机构在所述目标术前检查方面的管理体制。
8.一种基于住院模型预测住院合理性的电子设备,其特征在于,所述电子设备包括:
接收单元,用于接收输入的任意一个参保人的住院数据,所述住院数据中包括诊断数据和实际术前检查项目集;
输入单元,用于提取所述住院数据中的诊断数据,将所述诊断数据输入到预先训练好的住院预测模型,输出所述参保人对应的住院概率;
获取单元,用于在所述住院概率大于第一阈值时,获取所述诊断数据对应的预设术前检查项目集;
比对单元,用于将所述实际术前检查项目集和所述预设术前检查项目集比对,确定所述参保人的住院行为的合理性。
9.一种电子设备,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,其中,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权利要求1-7任一项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,其用于存储计算机程序,其中,所述计算机程序被处理器执行,以实现如权利要求1-7任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811276926.8A CN109584086B (zh) | 2018-10-30 | 2018-10-30 | 基于预测模型预测住院合理性的方法及相关产品 |
PCT/CN2019/095050 WO2020087971A1 (zh) | 2018-10-30 | 2019-07-08 | 基于预测模型预测住院合理性的方法及相关产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811276926.8A CN109584086B (zh) | 2018-10-30 | 2018-10-30 | 基于预测模型预测住院合理性的方法及相关产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109584086A true CN109584086A (zh) | 2019-04-05 |
CN109584086B CN109584086B (zh) | 2024-06-28 |
Family
ID=65920849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811276926.8A Active CN109584086B (zh) | 2018-10-30 | 2018-10-30 | 基于预测模型预测住院合理性的方法及相关产品 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109584086B (zh) |
WO (1) | WO2020087971A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020087971A1 (zh) * | 2018-10-30 | 2020-05-07 | 平安医疗健康管理股份有限公司 | 基于预测模型预测住院合理性的方法及相关产品 |
CN111785372A (zh) * | 2020-05-14 | 2020-10-16 | 浙江知盛科技集团有限公司 | 基于关联规则的协同过滤疾病预测系统及其电子设备 |
CN113643815A (zh) * | 2021-08-31 | 2021-11-12 | 平安医疗健康管理股份有限公司 | 疾病并发症的预测方法、装置、计算机设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140108042A1 (en) * | 2012-10-11 | 2014-04-17 | Jayaram Reddy | Methods and systems for determining health risk score, risk of hospitalization and forecasting healthcare cost |
CN104182824A (zh) * | 2014-08-08 | 2014-12-03 | 平安养老保险股份有限公司 | 一种识别医保报销违规行为的规则校验系统及校验方法 |
CN104408547A (zh) * | 2014-10-30 | 2015-03-11 | 浙江网新恒天软件有限公司 | 一种基于数据挖掘的医保欺诈行为的检测方法 |
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 |
CN108492196A (zh) * | 2018-03-08 | 2018-09-04 | 平安医疗健康管理股份有限公司 | 通过数据分析推断医疗保险违规行为的风控方法 |
CN108573752A (zh) * | 2018-02-09 | 2018-09-25 | 上海米因医疗器械科技有限公司 | 一种基于健康大数据的健康信息处理的方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005709A (zh) * | 2015-08-19 | 2015-10-28 | 赵蒙海 | 基于单病种治疗过程的流程挖掘方法 |
CN109584086B (zh) * | 2018-10-30 | 2024-06-28 | 平安医疗健康管理股份有限公司 | 基于预测模型预测住院合理性的方法及相关产品 |
-
2018
- 2018-10-30 CN CN201811276926.8A patent/CN109584086B/zh active Active
-
2019
- 2019-07-08 WO PCT/CN2019/095050 patent/WO2020087971A1/zh active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140108042A1 (en) * | 2012-10-11 | 2014-04-17 | Jayaram Reddy | Methods and systems for determining health risk score, risk of hospitalization and forecasting healthcare cost |
CN104182824A (zh) * | 2014-08-08 | 2014-12-03 | 平安养老保险股份有限公司 | 一种识别医保报销违规行为的规则校验系统及校验方法 |
CN104408547A (zh) * | 2014-10-30 | 2015-03-11 | 浙江网新恒天软件有限公司 | 一种基于数据挖掘的医保欺诈行为的检测方法 |
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 |
CN108573752A (zh) * | 2018-02-09 | 2018-09-25 | 上海米因医疗器械科技有限公司 | 一种基于健康大数据的健康信息处理的方法及系统 |
CN108492196A (zh) * | 2018-03-08 | 2018-09-04 | 平安医疗健康管理股份有限公司 | 通过数据分析推断医疗保险违规行为的风控方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020087971A1 (zh) * | 2018-10-30 | 2020-05-07 | 平安医疗健康管理股份有限公司 | 基于预测模型预测住院合理性的方法及相关产品 |
CN111785372A (zh) * | 2020-05-14 | 2020-10-16 | 浙江知盛科技集团有限公司 | 基于关联规则的协同过滤疾病预测系统及其电子设备 |
CN113643815A (zh) * | 2021-08-31 | 2021-11-12 | 平安医疗健康管理股份有限公司 | 疾病并发症的预测方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2020087971A1 (zh) | 2020-05-07 |
CN109584086B (zh) | 2024-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109545317B (zh) | 基于住院预测模型判定住院行为的方法及相关产品 | |
Muhlestein et al. | Predicting inpatient length of stay after brain tumor surgery: developing machine learning ensembles to improve predictive performance | |
CN111475713A (zh) | 医生信息推荐方法、装置、电子设备、系统及存储介质 | |
CN111145910A (zh) | 基于人工智能的异常案例识别方法、装置、计算机设备 | |
CN109584086A (zh) | 基于预测模型预测住院合理性的方法及相关产品 | |
CN109299085A (zh) | 一种数据处理方法、电子设备及存储介质 | |
CN113990482A (zh) | 健康数据处理系统及方法 | |
CN109544376A (zh) | 一种基于数据分析的异常病例识别方法及计算设备 | |
Kadi et al. | Systematic mapping study of data mining–based empirical studies in cardiology | |
CA3110455A1 (en) | Visualization of social determinants of health | |
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 | |
CN109523395A (zh) | 基于异常操作识别的医疗监管方法、装置、终端及介质 | |
CN109559242A (zh) | 异常数据的处理方法、装置、设备及计算机可读存储介质 | |
CN114334065B (zh) | 病历处理方法、计算机可读存储介质及计算机设备 | |
CN109522301A (zh) | 一种数据处理方法、电子设备及存储介质 | |
CN110265127B (zh) | 病种费用测算方法、装置及终端设备 | |
CN103488889A (zh) | 一种基于多元逻辑回归检测icu患者记录中伪像的方法及系统 | |
CN117476217B (zh) | 一种慢性心脏病病情发展趋势预测系统 | |
CN116631626A (zh) | 一种患者临床风险评估方法、装置、设备及介质 | |
Mei et al. | Human disease clinical treatment network for the elderly: analysis of the medicare inpatient length of stay and readmission data | |
CN113066531B (zh) | 风险预测方法、装置、计算机设备及存储介质 | |
CN109493243A (zh) | 一种基于神经网络的病种分值校验方法及计算设备 | |
CN115330522A (zh) | 基于聚类的信用卡审批方法、装置、电子设备和介质 | |
CN113948171A (zh) | 一种根据患者病情自动匹配医院等级的匹配系统 | |
CN114330885A (zh) | 目标状态的确定方法、装置、设备以及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |