CN109598302B - 就诊费用预测方法、装置、设备及计算机可读存储介质 - Google Patents
就诊费用预测方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109598302B CN109598302B CN201811462209.4A CN201811462209A CN109598302B CN 109598302 B CN109598302 B CN 109598302B CN 201811462209 A CN201811462209 A CN 201811462209A CN 109598302 B CN109598302 B CN 109598302B
- Authority
- CN
- China
- Prior art keywords
- data
- historical
- clinic
- cost
- predicted
- 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.)
- Active
Links
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开一种就诊费用预测方法、装置、设备及计算机可读存储介质,所述方法包括:当接收到多份历史就诊数据时,对各份历史就诊数据基于预设特征维度和预设时间维度进行分类,形成多个就诊数据集合;当接收到待预测就诊数据时,提取待预测就诊数据中的特征数据和时间数据,并将特征数据以及时间数据和各就诊数据集合对比,确定目标就诊数据集合;读取目标就诊数据集合中所具有各历史就诊数据的历史费用数据,并基于各历史费用数据对待预测就诊数据的就诊费用进行预测。因目标就诊数据集合中对应的历史费用数据精准的反映了待预测就诊数据的就诊费用,使得基于对历史费用数据的大数据分析,并预测的待预测就诊数据的就诊费用具有较高的准确性。
Description
技术领域
本发明主要涉及数据处理技术领域,具体地说,涉及一种就诊费用预测方法、装置、设备及计算机可读存储介质。
背景技术
疾病患者到医疗机构进行就诊时,需要支付就诊费用,不同疾病患者因患有疾病类型的不同,使得支付的就诊费用存在差异性。就诊患者在就诊过程中,通常有提前了解后续就诊费用的需求,而需要对就诊患者的就诊费用进行预测。目前对就诊费用的预测往往按照各种疾病的分类进行整体预测,以整体所预测的就诊费用来反映后续各类型疾病中单个就诊患者的就诊费用;如用患有疾病A的各就诊患者的就诊费用,来反映后续患有疾病A的患者的就诊费用。因整体预测依据各类疾病的整体就诊费用进行预测,预测的依据不够精准,导致对单个就诊患者所预测的就诊费用不准确。
发明内容
本发明的主要目的是提供一种就诊费用预测方法、装置、设备及计算机可读存储介质,旨在解决现有技术中对单个就诊患者所预测的就诊费用不准确的问题
为实现上述目的,本发明提供一种就诊费用预测方法,所述就诊费用预测方法包括以下步骤:
当接收到多份历史就诊数据时,对各份所述历史就诊数据基于预设特征维度和预设时间维度进行分类,形成多个就诊数据集合;
当接收到待预测就诊数据时,提取所述待预测就诊数据中的特征数据和时间数据,并将所述特征数据以及所述时间数据和各所述就诊数据集合对比,确定目标就诊数据集合;
读取所述目标就诊数据集合中所具有各所述历史就诊数据的历史费用数据,并基于各所述历史费用数据对待预测就诊数据的就诊费用进行预测。
优选地,所述对各份所述历史就诊数据基于预设特征维度和预设时间维度进行分类,形成多个就诊数据集合的步骤包括:
读取各份所述历史就诊数据中与所述预设特征维度对应的患者信息、病症信息和用药信息,以及与所述预设时间维度对应的历史时间数据,并基于与所述预设时间维度对应的预设时间,将所述历史时间数据生成与所述患者信息对应的就诊频率;
根据各所述患者信息、病症信息、用药信息以及就诊频率,将各份所述历史就诊数据形成多个就诊数据集合。
优选地,所述根据各所述患者信息、病症信息、用药信息以及就诊频率,将各份所述历史就诊数据形成多个就诊数据集合的步骤包括:
将来源于同一所述历史就诊数据的所述患者信息、病症信息、用药信息形成数据组,并将各所述数据组进行对比,确定相似度大于预设值的目标数据组;
根据各所述目标数据组对应的所述就诊频率,将各所述目标数据组划分为目标子数据组,并将与各所述目标子数据组对应的所述历史就诊数据形成为各就诊数据集合。
优选地,所述将所述特征数据以及所述时间数据和各所述就诊数据集合对比,确定目标就诊数据集合的步骤包括:
将所述时间数据基于与所述预设时间维度对应的预设时间生成待预测就诊频率,并将所述特征数据划分为待预测患者信息、待预测病症信息以及待预测用药信息;
将所述待预测患者信息、待预测病症信息、待预测用药信息以及待预测就诊频率和各所述目标子数据组对比,确定各所述目标子数据组中的预测数据组,并将与所述预测数据组对应的就诊数据集合确定为目标就诊数据集合。
优选地,所述基于各所述历史费用数据对待预测就诊数据的就诊费用进行预测的步骤包括:
读取与待预测就诊数据对应的预测周期,并根据所述预测周期以及待预测就诊频率,生成与所述预测周期对应的预测次数,
将各所述历史费用数据做平均值运算,生成费用平均值,并将所述费用平均值和所述预测次数做乘积,生成所述待预测就诊数据在预测周期内的就诊费用,完成对所述待预测就诊数据的就诊费用的预测。
优选地,所述将各所述历史费用数据做平均值运算,生成费用平均值,并将所述费用平均值和所述预测次数做乘积,生成所述待预测就诊数据在预测周期内的就诊费用的步骤包括:
将各所述历史费用数据基于预设标识符分为第一历史费用数据和第二历史费用数据,并对各所述第一历史费用数据和各所述第二历史费用数据分别做平均值运算,生成第一费用平均值和第二费用平均值;
将所述第一费用平均值和所述预测次数做乘积,生成所述待预测就诊数据在预测周期内所对应就诊费用中的医保报销费用;
将所述第二费用平均值和所述预测次数做乘积,生成所述待预测就诊数据在预测周期内所对应就诊费用中的患者自费费用。
优选地,所述形成多个就诊数据集合的步骤之后包括:
当检测到达预设间隔时间时,读取在所述预设间隔时间内所生成的更新就诊数据;
将各所述更新就诊数据确定为各份所述历史就诊数据,执行对各份所述历史就诊数据基于预设特征维度和预设时间维度进行分类的步骤,以对所形成的多个就诊数据集合进行更新。
此外,为实现上述目的,本发明还提出一种就诊费用预测装置,所述就诊费用预测装置包括:
分类模块,用于当接收到多份历史就诊数据时,对各份所述历史就诊数据基于预设特征维度和预设时间维度进行分类,形成多个就诊数据集合;
对比模块,用药当接收到待预测就诊数据时,提取所述待预测就诊数据中的特征数据和时间数据,并将所述特征数据以及所述时间数据和各所述就诊数据集合对比,确定目标就诊数据集合;
预测模块,用于读取所述目标就诊数据集合中所具有各所述历史就诊数据的历史费用数据,并基于各所述历史费用数据对待预测就诊数据的就诊费用进行预测。
此外,为实现上述目的,本发明还提出一种就诊费用预测设备,所述就诊费用预测设备包括:存储器、处理器、通信总线以及存储在所述存储器上的就诊费用预测程序;
所述通信总线用于实现处理器和存储器之间的连接通信;
所述处理器用于执行所述就诊费用预测程序,以实现以下步骤:
当接收到多份历史就诊数据时,对各份所述历史就诊数据基于预设特征维度和预设时间维度进行分类,形成多个就诊数据集合;
当接收到待预测就诊数据时,提取所述待预测就诊数据中的特征数据和时间数据,并将所述特征数据以及所述时间数据和各所述就诊数据集合对比,确定目标就诊数据集合;
读取所述目标就诊数据集合中所具有各所述历史就诊数据的历史费用数据,并基于各所述历史费用数据对待预测就诊数据的就诊费用进行预测。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者一个以上程序,所述一个或者一个以上程序可被一个或者一个以上的处理器执行以用于:
当接收到多份历史就诊数据时,对各份所述历史就诊数据基于预设特征维度和预设时间维度进行分类,形成多个就诊数据集合;
当接收到待预测就诊数据时,提取所述待预测就诊数据中的特征数据和时间数据,并将所述特征数据以及所述时间数据和各所述就诊数据集合对比,确定目标就诊数据集合;
读取所述目标就诊数据集合中所具有各所述历史就诊数据的历史费用数据,并基于各所述历史费用数据对待预测就诊数据的就诊费用进行预测。
本实施例的就诊费用预测方法,通过将接收到的多份历史就诊数据基于预设特征维度和预设时间维度进行分类,形成多个就诊数据集合,该各就诊数据集合表征了具有各个特征并以各种就诊频率进行就诊的历史就诊数据的集合;在接收到需要进行就诊费用预测的待预测就诊数据时,先提取其中的特征数据和时间数据,再将该提取的特征数据、时间数据和各就诊数据集合对比,确定各就诊数据集合中的目标就诊数据集合,该所确定的目标就诊数据集合中的历史就诊数据与待预测就诊数据具有相同的就诊特征以及就诊频率;读取目标就诊数据集合中所包括的各历史就诊数据的历史费用数据,并基于该历史费用数据对待预测就诊数据的就诊费用进行预测。因目标就诊数据集合中的历史就诊数据与单个就诊患者的待预测就诊数据在各个就诊特征上均具有较高的相似度,其中的历史费用数据可精准的反映待预测就诊数据的就诊费用,依据该相似度较高的历史就诊数据中的历史费用数据进行就诊费用的预测,避免以疾病类型为整体的方式来反映单个就诊患者的就诊费用,提高了预测的准确性。
附图说明
图1是本发明的就诊费用预测方法第一实施例的流程示意图;
图2是本发明的就诊费用预测装置第一实施例的功能模块示意图;
图3是本发明实施例方法涉及的硬件运行环境的设备结构示意图。
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。
本发明提供一种就诊费用预测方法。
请参照图1,图1为本发明就诊费用预测方法第一实施例的流程示意图。在本实施例中,所述就诊费用预测方法包括:
步骤S10,当接收到多份历史就诊数据时,对各份所述历史就诊数据基于预设特征维度和预设时间维度进行分类,形成多个就诊数据集合;
本发明的就诊费用预测方法应用于服务器,适用于通过服务器依据各医疗机构中的历史就诊数据对待预测就诊数据进行就诊费用的预测;待预测数据为就诊患者在就诊过程中所生成的数据,对待预测就诊数据进行就诊费用的预测其实质为依据该待预测就诊数据对就诊患者后续就诊的费用进行预测。其中服务器可以以数据模型的形式存在,将各个历史就诊数据作为样本数据传输到初始的数据模型中,通过初始的数据模型对样本数据进行学习训练,生成目标数据模型,后续由该目标数据模型对待预测就诊数据进行就诊费用的预测。患有各种疾病的患者到医疗机构进行就诊,所生成的与各就诊患者相关的数据即为就诊数据,其包括但不限于就诊患者的姓名、性别、身份证号、年龄、就诊时间、病症信息、用药类型、用药量等;医疗机构包括但不限于综合医院、中医医院、专科医院等各种类型的医院,以及诊所、卫生院、药房等。将各就诊患者在医疗机构就诊所生成的就诊数据作为所存储的历史就诊数据,服务器与各医疗机构建立有通信连接,当接收到各医疗结构所上传的多份历史就诊数据时,对各份历史就诊数据基于预设特征维度和预设时间维度进行分类。其中一名就诊患者在就诊过程中所生成的所有就诊数据为一份历史就诊数据,且预设特征维度为预先设置的用于表征就诊患者与就诊相关的各方面特征,预设时间维度为预先设置的用于表征就诊患者的就诊时间范围。即将历史就诊数据按照特征和时间进行分类,并将所划分的类形成各个就诊数据集合;具体地,对各份历史就诊数据基于预设特征维度和预设时间维度进行分类,形成多个就诊数据集合的步骤包括:
步骤S11,读取各份所述历史就诊数据中与所述预设特征维度对应的患者信息、病症信息和用药信息,以及与所述预设时间维度对应的历史时间数据,并基于与所述预设时间维度对应的预设时间,将所述历史时间数据生成与所述患者信息对应的就诊频率;
进一步地,预先所设置的预设特征维度至少包括患者的个人信息、所患有病症的信息以及所使用药品的信息等,在对各份历史就诊数据进行分类时,先读取各份历史就诊数据中与预设特征维度的患者个人信息、所患有病症信息以及所使用药品信息对应的患者信息、病症信息和用药信息;同时读取各份历史就诊数据中与患者信息对应的历史时间数据,该历史时间数据表征就诊患者各次就诊的就诊时间。预设时间维度设置有对应的表征时间范围的预设时间,可通过历史时间数据来反映就诊患者在该预设时间内的就诊频率;如预先设置预设时间为一个月,作为就诊时间的历史时间数据分别为10月5号和10月25号,则说明就诊患者在一月内进行了两次就诊,而将预设时间内的就诊频率确定为两次。在读取到历史就诊数据中的历史时间数据后,可进一步读取与预设时间维度对应的预设时间,进而基于该预设时间将历史时间数据生成就诊频率。
考虑到就诊患者可能在预设时间内针对多种疾病进行多次就诊,为了使得所生成的就诊频率准确表征就诊患者对同一种疾病的就诊次数,在从历史就诊数据中读取历史时间数据时需要依据相同的疾病类型进行读取。具体地,历史就诊数据为就诊患者在就诊过程中所生成,为了对各就诊患者的历史就诊数据进行区分,对各项历史就诊数据添加所来源就诊患者的患者标识;当读取到历史就诊数据中的历史时间数据时,进一步读取该历史时间数据中所携带的患者标识,进而由该患者标识确定该历史时间数据所对应的病症信息;后续继续读取历史就诊数据中的历史时间数据,以及该历史时间数据中的患者标识,由该患者标识确定对应的病症信息;将两次的病症信息进行对比,判断两者的一致性;当两者一致时,则将两次所读取的历史时间数据作为表征同一疾病的有效历史时间数据;当两者不一致时,则将两次所读取的历史时间数据作为不表征同一疾病的无效历史时间数据。
步骤S12,根据各所述患者信息、病症信息、用药信息以及就诊频率,将各份所述历史就诊数据形成多个就诊数据集合。
更进一步地,在读取到各份历史就诊数据中的患者信息、病症信息、用药信息,并生成就诊频率后,该与各个就诊患者对应的患者信息、病症信息、用药信息和就诊频率体现了各患者在就诊过程中的特性;从而可依据各患者信息、病症信息、用药信息以及就诊频率,将各份历史就诊数据形成多个就诊数据集合。其中一个就诊数据集合均对应一类患者信息、病症信息、用药信息以及就诊频率,且属于同一类中的各患者信息、病症信息、用药信息以及就诊频率之间具有相似性。具体地,根据各患者信息、病症信息、用药信息以及就诊频率,将各份历史就诊数据形成多个就诊数据集合的步骤包括:
步骤S121,将来源于同一所述历史就诊数据的所述患者信息、病症信息、用药信息形成数据组,并将各所述数据组进行对比,确定相似度大于预设值的目标数据组;
可理解地,因一份历史就诊数据对应一名就诊患者在就诊过程中所生成的与就诊相关的数据,且各份历史就诊数据中的各项历史就诊数据均携带有与就诊患者对应的患者标识,即读取的患者信息、病症信息以及用药信息均携带有表征其所来源就诊患者的患者标识。将各患者信息、病症信息和用药信息基于相同的患者标识形成数据组,同一数据组内的各个数据均来源于同一就诊患者;为了判断各就诊患者就诊过程中特征的相似性,将各数据组进行对比。该对比其实质为将各数据组之间的患者信息、病症信息、用药信息进行对比,当各数据组之间的患者信息、病症信息以及用药信息均具有相似性,则判定数据组之间具有相似性,该相似的数据组所归属的就诊患者在就诊过程中的特征相似。
为了判定相似性,预先设置有预设值,并针对患者信息、病症信息以及用药信息设置不同的范围区间,将属于同一范围区间内的各患者信息、病症信息以及用药信息的相似度设定为大于预设值。将数据组之间的患者信息、病症信息以及用药信息进行比较,确定患者信息、病症信息以及用药信息之间的差异值所在的范围区间,因处于同一范围区间内的各患者信息、病症信息以及用药信息的相似度大于预设值,即处于同一范围区间中的各数据组具有较高的相似性,而将该处于同一范围区间内的各数据组作为目标数据组。例如,设定的范围区间为:患者信息中性别为女、年龄在20到30岁之间,病症信息为A类病症,用药信息为功能相同的B1、B2和B3类药品;经对比数据组W1、W2和W3中的患者信息、病症信息以及用药信息均满足该范围区间的要求,而将数据组W1、W2和W3做为目标数据组。
步骤S122,根据各所述目标数据组对应的所述就诊频率,将各所述目标数据组划分为目标子数据组,并将与各所述目标子数据组对应的所述历史就诊数据形成为各就诊数据集合。
进一步地,就诊频率表征了就诊患者的就诊次数,不同就诊次数的就诊患者的就诊费用存在差异性,从而在将具有相似患者信息、病症信息以及用药信息的数据组形成目标数据组之后,需要依据就诊频率进一步对目标数据组进行细分。因目标数据组依据患者信息、病症信息以及用药信息的相似性进行划分,使得各目标数据组之间存在同一就诊患者在不同就诊时间就诊所生成的数据组;如就诊患者分别在前后两个月中均对同一疾病进行就诊,其患者信息、病症信息以及用药信息均具有相似性,两次就诊所形成的数据组为目标数据组。针对此类目标数据组对应同一就诊患者的情况,用体现就诊患者就诊次数的就诊频率表征就诊患者每次就诊所生成的目标数据组数量。具体地,在形成目标数据组之后,将各目标数据组中的患者信息对比,确定患者信息相同的目标数据组,将该患者信息相同的目标数据组合并为一条目标数据组,同时为进行合并操作后的各目标数据组添加与目标数据组对应的就诊频率,即目标数据组所对应就诊患者的就诊频率。如对于上述所形成的目标数据组为W1、W2和W3,其中W1和W3来源于同一就诊患者,而从两者中任意选取一组,使目标数据组更新为W1和W2;进而读取此前所生成的与患者信息对应的该类疾病的就诊频率,将W1对应就诊患者的就诊频率添加到W1,而将与W2对应就诊患者的患者频率添加到W2中。
在为各目标数据组添加对应的就诊频率,建立各目标数据组和就诊频率之间的对应关系后,根据与各目标数据组对应的就诊频率,将各目标数据组划分为目标子数据组。该目标子数据组依据就诊频率的相似性进行划分,即将各目标数据组对应的就诊频率进行对比,确定具有相似性的各就诊频率,而将具有相似性就诊频率的各目标数据组作为目标子数据组;其中相似性可通过预先设定的预设差值范围表征,将各目标数据组之间就诊频率的差值和该预设差值范围对比,当就诊频率之间的差值在该预设差值范围内,则对应该就诊频率的目标数据组为相似的目标子数据组,否则不是目标子数据组。因目标子数据组中的各数据均来源于历史就诊数据,即目标子数据中的患者信息、病症信息以及用药信息均来源于就诊患者就诊过程中所生成的历史就诊数据;将此与各目标子数据组对应的历史就诊数据形成各就诊数据集合,即将生成各个目标子数据组的历史就诊数据形成就诊数据集合,一个就诊数据集合中所包括的各个历史就诊数据在患者信息、病症信息、用药信息以及就诊频率上具有相似性。
步骤S20,当接收到待预测就诊数据时,提取所述待预测就诊数据中的特征数据和时间数据,并将所述特征数据以及所述时间数据和各所述就诊数据集合对比,确定目标就诊数据集合;
更进一步地,在将各历史就诊数据依据相似性划分为各个就诊数据集合后,可依据该就诊数据集合对有就诊费用预测需求的就诊患者的就诊费用进行预测。有就诊费用预测需求的就诊患者在就诊过程中会生成就诊数据,该就诊数据为进行就诊费用预测的依据,将该就诊数据作为待预测就诊数据上传到服务器。服务器在接收到待预测就诊数据时,提取其中的特征数据和时间数据,特征数据为表征就诊患者在就诊过程中所形成的与就诊相关的特征,如患者性别、年龄、病症、用药类型、用药量等;时间数据为就诊患者过去一段时间内进行就诊的就诊时间,用于体现就诊患者的就诊频率,如上一个月内包括两个针对同一病症进行就诊的不同就诊时间,而可判定就诊频率为一个月两次。因所形成的各就诊数据集合对应不同的就诊患者特征以及就诊频率,从而将提取的特征数据、时间数据分别和各就诊数据集合对比,确定与提取的特征数据和时间数据类似的目标就诊数据集合。因各就诊数据集合以患者信息、病症信息、用药信息以及就诊频率所形成的目标子数据组表征,从而在将特征数据、时间数据分别和就诊数据集合对比时,其实质是和与各个就诊数据集合对应的各目标子数据组对比;具体地,将特征数据以及时间数据和各就诊数据集合对比,确定目标就诊数据集合的步骤包括:
步骤S21,将所述时间数据基于与所述预设时间维度对应的预设时间生成待预测就诊频率,并将所述特征数据划分为待预测患者信息、待预测病症信息以及待预测用药信息;
为了表征有进行就诊费用预测需求的就诊患者的就诊频率,将提取的时间数据生成待预测就诊频率,该生成待预测就诊频率的过程和将历史时间数据生成就诊频率的过程类似,均基于预设时间维度对应的预设时间进行生成,在此不做赘述。此外也可依据就诊过程中的医疗处方来确定该待预测就诊频率,就诊患者到医疗机构进行就诊,医疗机构中的医疗人员针对就诊患者的病症开出医疗处方,医疗处方中包括就诊频率;将该就诊频率作为待预测就诊数据上传到服务器,服务器所提取的时间数据即为该就诊频率本身,将该提取的就诊频率作为待预测就诊频率。同时对特征数据进行分类,将各特征数据划分为表征患者个人信息的待预测患者信息、所患有病症的待预测病症信息以及所使用药品的用药信息;其中特征数据的划分可依据特征标识符进行,不同类型的数据携带有表征其类型的特征标识符;如患者年龄和性别所携带表征待预测患者信息的特征标识符,而依据该携带的特征标识符,将患者年龄和性别划分到待预测患者信息中。
步骤S22,将所述待预测患者信息、待预测病症信息、待预测用药信息以及待预测就诊频率和各所述目标子数据组对比,确定各所述目标子数据组中的预测数据组,并将与所述预测数据组对应的就诊数据集合确定为目标就诊数据集合。
进一步地,在将提取的特征数据和时间数据形成待预测患者信息、待预测病症信息、待预测用药信息以及待预测就诊频率之后,将该待预测患者信息、待预测病症信息、待预测用药信息以及待预测就诊频率和各目标子数据组对比,确定各目标子数据组中的预测数据组;预测数据组为与待预测患者信息、待预测病症信息、待预测用药信息以及待预测就诊频率均具有相似性的数据组。即预设数据组中的患者信息与待预测患者信息相似、病症信息与待预测病症信息、用药信息和待预测用药信息相似、就诊频率与待就诊频率相似;其中相似用预设差值范围表征,当待预测患者信息、待预测病症信息、待预测用药信息以及待预测就诊频率和各目标子数据组中的患者信息、病症信息、用药信息以及就诊频率之间的差值均在预设差值范围内时,则将目标子数据组确定为预测数据组。预测数据组对应的历史就诊数据形成有就诊数据集合,将该与预测数据组对应的就诊数据集合确定为目标就诊数据集合,目标就诊数据集合中的各个历史就诊数据和待预测就诊数据之间具有相似的就诊特征。
步骤S30,读取所述目标就诊数据集合中所具有各所述历史就诊数据的历史费用数据,并基于各所述历史费用数据对待预测就诊数据的就诊费用进行预测。
可理解地,目标就诊数据集合中所包括的各历史就诊数据中具有表征各就诊患者在历史就诊过程中各次所花费的历史费用数据;如在一年内对同一病症进行就诊每次所花费的就诊费用或两年内对同一病症进行就诊所花费的就诊费用等。因目标就诊数据集合中的各历史就诊数据与待预测就诊数据之间具有相似性,可用其中各历史就诊数据中的历史费用数据来表征待预测就诊数据的就诊费用。先读取目标就诊数据集合中所具有的各历史就诊数据的历史费用数据,进而用该读取的各历史费用数据对待预测就诊数据的就诊费用进行预测;具体地,基于各历史费用数据对待预测就诊数据的就诊费用进行预测的步骤包括:
步骤S31,读取与待预测就诊数据对应的预测周期,并根据所述预测周期以及待预测就诊频率,生成与所述预测周期对应的预测次数,
考虑到有就诊费用预测需求的不同就诊患者所需要预测的时间范围不一样,如对后续一年内或半年内就诊的就诊费用进行预测;针对不同的预测时间范围设定不同的预测周期,并将该预测周期和待预测就诊数据一并发送到服务器。在依据所确定的目标就诊数据集合对待预测就诊数据进行就诊费用预测时,读取待预测就诊数据中的预测周期,以确定所需要预测的时间范围;因在所需要预测时间范围内的就诊费用与就诊患者在该时间范围内进行就诊的就诊总次数相关,而就诊总次数与待预测就诊频率相关;从而基于表征预设时间内就诊次数的待预测就诊频率,确定需要预测的时间范围内的就诊总次数,该就诊总次数即为预设周期对应的预测次数。如预设时间为一个月,待预测就诊频率所表征的在一个月内的就诊次数为2次;而读取到的预测周期为半年,则半年内的就诊总次数为12次,即生成的与预测周期对应的预测次数为12次。
步骤S32,将各所述历史费用数据做平均值运算,生成费用平均值,并将所述费用平均值和所述预测次数做乘积,生成所述待预测就诊数据在预测周期内的就诊费用,完成对所述待预测就诊数据的就诊费用的预测。
进一步地,目标就诊数据集合中各历史就诊数据的历史费用数据为各就诊患者在各次历史就诊过程中所花费的就诊费用,为各就诊患者单次的就诊费用;为了使各历史费用数据所表征的待预测就诊数据的就诊费用更为准确,针对各历史费用数据做平均值运算,以用平均值来反映待预测就诊数据的就诊费用。具体地,先以各个就诊患者为依据进行分类,将各就诊患者在各次历史就诊过程中所花费的就诊费用进行累加,再用累加所得到的结果和各就诊患者的就诊次数做比值,生成的各个比值结果即为各就诊患者在以往的历史就诊过程中所花费的就诊费用平均值。其中在对各就诊患者的就诊费用进行累加的过程中,先判断各就诊费用中是否存在差异化较大的异常数据;若存在差异化较大的异常数据,则将该异常数据剔除,而不对其进行相加;同时在用累加结果和就诊次数做比值的过程中,将就诊次数减去异常数据的个数,以确保所生成的各就诊患者的就诊费用平均值更为准确。如对于就诊患者M,其在一年的时间内涉及到12次就诊,其中10次就诊所生成的就诊费用较为均衡,而其他2次就诊所生成的就诊费用波动较大;而将该2次就诊费用剔除,对其他10次就诊费用进行累加,并用累加的结果和就诊次数10做比值;所生成的比值结果即为就诊患者M在一年时间内每次就诊所花费的就诊费用平均值。
在针对历史费用数据所对应的就诊患者均生成就诊费用平均值之后,对各个就诊费用平均值再次进行累加,并用累加的结果和所对应就诊患者的个数做比值;所生成的比值结果即为目标就诊数据集合中所表征就诊特征对应的费用平均值,用该费用平均值和预测周期内的预测次数做乘积,相乘所得到的结果即为待预测就诊数据在预测周期内的就诊费用,表征具有待预测就诊数据的就诊患者在预测周期内进行就诊所需要花费的就诊费用,完成对待预测就诊数据的就诊费用的预测。因目标就诊数据集合中所对应就诊患者的就诊特征和待预测就诊数据所对应就诊患者的就诊特征具有很高的相似性,使得依据目标就诊数据集合中所对应就诊患者的历史费用数据对待预测就诊数据预测的就诊费用具有很高的准确性,且所预测的就诊费用的准确性随着历史就诊数据中数量的增加而提高。
本实施例的就诊费用预测方法,通过将接收到的多份历史就诊数据基于预设特征维度和预设时间维度进行分类,形成多个就诊数据集合,该各就诊数据集合表征了具有各个特征并以各种就诊频率进行就诊的历史就诊数据的集合;在接收到需要进行就诊费用预测的待预测就诊数据时,先提取其中的特征数据和时间数据,再将该提取的特征数据、时间数据和各就诊数据集合对比,确定各就诊数据集合中的目标就诊数据集合,该所确定的目标就诊数据集合中的历史就诊数据与待预测就诊数据具有相同的就诊特征以及就诊频率;读取目标就诊数据集合中所包括的各历史就诊数据的历史费用数据,并基于该历史费用数据对待预测就诊数据的就诊费用进行预测。因目标就诊数据集合中的历史就诊数据与单个就诊患者的待预测就诊数据在各个就诊特征上均具有较高的相似度,其中的历史费用数据可精准的反映待预测就诊数据的就诊费用,依据该相似度较高的历史就诊数据中的历史费用数据进行就诊费用的预测,避免以疾病类型为整体的方式来反映单个就诊患者的就诊费用,提高了预测的准确性。
进一步地,在本发明就诊费用预测方法另一实施例中,所述将各所述历史费用数据做平均值运算,生成费用平均值,并将所述费用平均值和所述预测次数做乘积,生成所述待预测就诊数据在预测周期内的就诊费用的步骤包括:
步骤S321,将各所述历史费用数据基于预设标识符分为第一历史费用数据和第二历史费用数据,并对各所述第一历史费用数据和各所述第二历史费用数据分别做平均值运算,生成第一费用平均值和第二费用平均值;
可理解地,就诊患者在就诊过程中所花费的就诊费用包括医保报销费用和患者自费费用两部分,对就诊费用的预测也可针对该两类费用进行分类预测。具体地,针对该两类费用预先设置有不同的预设标识符,各历史费用数据均携带有该预设标识符,以表征各历史费用数据所对应的费用类型。在进行分类预测时,将各历史费用数据基于该预设标识符分为第一历史费用数据和第二历史费用数据,其中第一历史费用数据为各历史费用数据中通过医保报销的费用数据,而第二历史费用数据为各历史费用数据中患者自费的费用数据。如预先设定标识符f1表征医保报销,f2表征患者自费,则先逐一读取各历史费用数据中的预设标识符,进而根据读取的预设标识符对各历史费用数据进行分类。在将各历史费用数据划分为第一历史费用数据和第二历史费用数据之后,针对第一历史费用数据和第二历史费用数据分别进行平均值运算,生成第一费用平均值和第二费用平均值;该第一费用平均值和第二费用平均值的生成方式和未对历史费用数据进行分类所生成费用平均值的方式一致,在此不做赘述。
步骤S322,将所述第一费用平均值和所述预测次数做乘积,生成所述待预测就诊数据在预测周期内所对应就诊费用中的医保报销费用;
步骤S323,将所述第二费用平均值和所述预测次数做乘积,生成所述待预测就诊数据在预测周期内所对应就诊费用中的患者自费费用。
进一步地,在生成表征医保费用的第一费用平均值和表征自费费用的第二费用平均值之后,将第一费用平均值和预测周期内的预测次数做乘积,相乘所得到的结果即为待预测就诊数据在预测周期内所对应就诊费用中的医保报销费用,表征具有待预测就诊数据的就诊患者在预测周期内使用医保进行就诊所需要花费的医保费用;而将第二费用平均值和预测周期内的预测次数做乘积,相乘所得到的结果即为待预测就诊数据在预测周期内所对应就诊费用中的患者自费费用,表征具有待预测就诊数据的就诊患者在预测周期内使用医保进行就诊所需要花费的自费费用。
进一步地,在本发明就诊费用预测方法另一实施例中,所述形成多个就诊数据集合的步骤之后包括:
步骤S40,当检测到达预设间隔时间时,读取在所述预设间隔时间内所生成的更新就诊数据;
可理解地,医疗机构在运行过程中,所生成的历史就诊数据越来越多,可能出现包含新的病症信息或用药信息的历史就诊数据,针对此新出现的病症信息或用药信息没有形成对应的就诊数据集合,导致不能对后续具有此类新的病症信息或用药信息的就诊患者进行就诊费用预测。为了避免此类问题,本实施例设置有对就诊数据集合的更新机制。具体地,预先设置用于触发更新的预设间隔时间,如一个季度、半年等;当检测到达该预设间隔时间时,读取在该预设间隔时间内所生成的更新就诊数据;该更新就诊数据为各医疗机构在预设间隔时间内所生成的就诊数据,包括预设间隔时间前出现过和没有出现过的患者信息、病症信息和用药信息。此前出现过的患者信息、病症信息和用药信息可丰富原有各就诊数据集合中的数据量,使得依据原有各就诊数据集合所预测的就诊费用更为准确;而此前尚未出现过的患者信息、病症信息和用药信息则可形成新的就诊数据集合,以对新出现的病症信息或用药信息形成就诊数据集合,便于后续对具有该类新的病症信息或用药信息的就诊患者进行就诊费用预测。
步骤S50,将各所述更新就诊数据确定为各份所述历史就诊数据,执行对各份所述历史就诊数据基于预设特征维度和预设时间维度进行分类的步骤,以对所形成的多个就诊数据集合进行更新。
进一步地,将读取到的更新就诊数据作为接收到的多份历史就诊数据,并对该多份历史就诊数据基于预设特征维度和预设时间维度进行分类,将该多份历史就诊数据中所包含的原有患者信息、病症信息和用药信息划分到原有形成的就诊数据集合中,而将多份历史就诊数据中所新出现的患者信息、病症信息和用药信息形成新的就诊数据集合,以对所形成的多个就诊数据集合进行更新操作。
此外,请参照图2,本发明提供一种就诊费用预测装置,在本发明就诊费用预测装置第一实施例中,所述就诊费用预测装置包括:
分类模块10,用于当接收到多份历史就诊数据时,对各份所述历史就诊数据基于预设特征维度和预设时间维度进行分类,形成多个就诊数据集合;
对比模块20,用药当接收到待预测就诊数据时,提取所述待预测就诊数据中的特征数据和时间数据,并将所述特征数据以及所述时间数据和各所述就诊数据集合对比,确定目标就诊数据集合;
预测模块30,用于读取所述目标就诊数据集合中所具有各所述历史就诊数据的历史费用数据,并基于各所述历史费用数据对待预测就诊数据的就诊费用进行预测。
本实施例的就诊费用预测装置,通过分类模块10将接收到的多份历史就诊数据基于预设特征维度和预设时间维度进行分类,形成多个就诊数据集合,该各就诊数据集合表征了具有各个特征并以各种就诊频率进行就诊的历史就诊数据的集合;在接收到需要进行就诊费用预测的待预测就诊数据时,对比模块20先提取其中的特征数据和时间数据,再将该提取的特征数据、时间数据和各就诊数据集合对比,确定各就诊数据集合中的目标就诊数据集合,该所确定的目标就诊数据集合中的历史就诊数据与待预测就诊数据具有相同的就诊特征以及就诊频率;预测模块30读取目标就诊数据集合中所包括的各历史就诊数据的历史费用数据,并基于该历史费用数据对待预测就诊数据的就诊费用进行预测。因目标就诊数据集合中的历史就诊数据与单个就诊患者的待预测就诊数据在各个就诊特征上均具有较高的相似度,其中的历史费用数据可精准的反映待预测就诊数据的就诊费用,依据该相似度较高的历史就诊数据中的历史费用数据进行就诊费用的预测,避免以疾病类型为整体的方式来反映单个就诊患者的就诊费用,提高了预测的准确性。
进一步地,在本发明就诊费用预测装置另一实施例中,所述分类模块还包括:
读取单元,用于读取各份所述历史就诊数据中与所述预设特征维度对应的患者信息、病症信息和用药信息,以及与所述预设时间维度对应的历史时间数据,并基于与所述预设时间维度对应的预设时间,将所述历史时间数据生成与所述患者信息对应的就诊频率;
形成模块,用于根据各所述患者信息、病症信息、用药信息以及就诊频率,将各份所述历史就诊数据形成多个就诊数据集合。
进一步地,在本发明就诊费用预测装置另一实施例中,所述形成模块还用于:
将来源于同一所述历史就诊数据的所述患者信息、病症信息、用药信息形成数据组,并将各所述数据组进行对比,确定相似度大于预设值的目标数据组;
根据各所述目标数据组对应的所述就诊频率,将各所述目标数据组划分为目标子数据组,并将与各所述目标子数据组对应的所述历史就诊数据形成为各就诊数据集合。
进一步地,在本发明就诊费用预测装置另一实施例中,所述对比模块还包括:
第一生成单元,用于将所述时间数据基于与所述预设时间维度对应的预设时间生成待预测就诊频率,并将所述特征数据划分为待预测患者信息、待预测病症信息以及待预测用药信息;
对比单元,用于将所述待预测患者信息、待预测病症信息、待预测用药信息以及待预测就诊频率和各所述目标子数据组对比,确定各所述目标子数据组中的预测数据组,并将与所述预测数据组对应的就诊数据集合确定为目标就诊数据集合。
进一步地,在本发明就诊费用预测装置另一实施例中,所述预测模块还包括:
第二生成单元,用于读取与待预测就诊数据对应的预测周期,并根据所述预测周期以及待预测就诊频率,生成与所述预测周期对应的预测次数,
运算单元,用于将各所述历史费用数据做平均值运算,生成费用平均值,并将所述费用平均值和所述预测次数做乘积,生成所述待预测就诊数据在预测周期内的就诊费用,完成对所述待预测就诊数据的就诊费用的预测。
进一步地,在本发明就诊费用预测装置另一实施例中,所述运算单元还用于:
将各所述历史费用数据基于预设标识符分为第一历史费用数据和第二历史费用数据,并对各所述第一历史费用数据和各所述第二历史费用数据分别做平均值运算,生成第一费用平均值和第二费用平均值;
将所述第一费用平均值和所述预测次数做乘积,生成所述待预测就诊数据在预测周期内所对应就诊费用中的医保报销费用;
将所述第二费用平均值和所述预测次数做乘积,生成所述待预测就诊数据在预测周期内所对应就诊费用中的患者自费费用。
进一步地,在本发明就诊费用预测装置另一实施例中,所述就诊费用预测装置还包括:
读取模块,用于当检测到达预设间隔时间时,读取在所述预设间隔时间内所生成的更新就诊数据;
执行模块,用于将各所述更新就诊数据确定为各份所述历史就诊数据,执行对各份所述历史就诊数据基于预设特征维度和预设时间维度进行分类的步骤,以对所形成的多个就诊数据集合进行更新。
其中,上述就诊费用预测装置的各虚拟功能模块存储于图3所示就诊费用预测设备的存储器1005中,处理器1001执行就诊费用预测程序时,实现图2所示实施例中各个模块的功能。
参照图3,图3是本发明实施例方法涉及的硬件运行环境的设备结构示意图。
本发明实施例就诊费用预测设备可以是PC(personal computer,个人计算机),也可以是智能手机、平板电脑、电子书阅读器、便携计算机等终端设备。
如图3所示,该就诊费用预测设备可以包括:处理器1001,例如CPU(CentralProcessing Unit,中央处理器),存储器1005,通信总线1002。其中,通信总线1002用于实现处理器1001和存储器1005之间的连接通信。存储器1005可以是高速RAM(random accessmemory,随机存取存储器),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。
可选地,该就诊费用预测设备还可以包括用户接口、网络接口、摄像头、RF(RadioFrequency,射频)电路,传感器、音频电路、WiFi(Wireless Fidelity,无线宽带)模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术人员可以理解,图3中示出的就诊费用预测设备结构并不构成对就诊费用预测设备的限定,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。
如图3所示,作为一种计算机可读存储介质的存储器1005中可以包括操作系统、网络通信模块以及就诊费用预测程序。操作系统是管理和控制就诊费用预测设备硬件和软件资源的程序,支持就诊费用预测程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信,以及与就诊费用预测设备中其它硬件和软件之间通信。
在图3所示的就诊费用预测设备中,处理器1001用于执行存储器1005中存储的就诊费用预测程序,实现上述就诊费用预测方法各实施例中的步骤。
本发明提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者一个以上程序,所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述就诊费用预测方法各实施例中的步骤。
还需要说明的是,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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。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、物品或者装置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计算机可读存储介质(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,或者网络设备等)执行本发明各个实施例所述的方法。
以上所述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,凡是在本发明的构思下,利用本发明说明书及附图内容所作的等效结构变换,或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (8)
1.一种就诊费用预测方法,其特征在于,所述就诊费用预测方法包括以下步骤:
当接收到多份历史就诊数据时,对各份所述历史就诊数据基于预设特征维度和预设时间维度进行分类,形成多个就诊数据集合;
当接收到待预测就诊数据时,提取所述待预测就诊数据中的特征数据和时间数据,并将所述特征数据以及所述时间数据和各所述就诊数据集合对比,确定目标就诊数据集合;
读取所述目标就诊数据集合中所具有各所述历史就诊数据的历史费用数据,并基于各所述历史费用数据对待预测就诊数据的就诊费用进行预测;
所述对各份所述历史就诊数据基于预设特征维度和预设时间维度进行分类,形成多个就诊数据集合的步骤包括:
读取各份所述历史就诊数据中与所述预设特征维度对应的患者信息、病症信息和用药信息,以及与所述预设时间维度对应的历史时间数据,并基于与所述预设时间维度对应的预设时间,将所述历史时间数据生成与所述患者信息对应的就诊频率;
根据各所述患者信息、病症信息、用药信息以及就诊频率,将各份所述历史就诊数据形成多个就诊数据集合;
所述根据各所述患者信息、病症信息、用药信息以及就诊频率,将各份所述历史就诊数据形成多个就诊数据集合的步骤包括:
将来源于同一所述历史就诊数据的所述患者信息、病症信息、用药信息形成数据组,并将各所述数据组进行对比,确定相似度大于预设值的目标数据组;
根据各所述目标数据组对应的所述就诊频率,将各所述目标数据组划分为目标子数据组,并将与各所述目标子数据组对应的所述历史就诊数据形成为各就诊数据集合。
2.如权利要求1所述的就诊费用预测方法,其特征在于,所述将所述特征数据以及所述时间数据和各所述就诊数据集合对比,确定目标就诊数据集合的步骤包括:
将所述时间数据基于与所述预设时间维度对应的预设时间生成待预测就诊频率,并将所述特征数据划分为待预测患者信息、待预测病症信息以及待预测用药信息;
将所述待预测患者信息、待预测病症信息、待预测用药信息以及待预测就诊频率和各所述目标子数据组对比,确定各所述目标子数据组中的预测数据组,并将与所述预测数据组对应的就诊数据集合确定为目标就诊数据集合。
3.如权利要求2所述的就诊费用预测方法,其特征在于,所述基于各所述历史费用数据对待预测就诊数据的就诊费用进行预测的步骤包括:
读取与待预测就诊数据对应的预测周期,并根据所述预测周期以及待预测就诊频率,生成与所述预测周期对应的预测次数,
将各所述历史费用数据做平均值运算,生成费用平均值,并将所述费用平均值和所述预测次数做乘积,生成所述待预测就诊数据在预测周期内的就诊费用,完成对所述待预测就诊数据的就诊费用的预测。
4.如权利要求3所述的就诊费用预测方法,其特征在于,所述将各所述历史费用数据做平均值运算,生成费用平均值,并将所述费用平均值和所述预测次数做乘积,生成所述待预测就诊数据在预测周期内的就诊费用的步骤包括:
将各所述历史费用数据基于预设标识符分为第一历史费用数据和第二历史费用数据,并对各所述第一历史费用数据和各所述第二历史费用数据分别做平均值运算,生成第一费用平均值和第二费用平均值,其中,所述第一历史费用数据为各历史费用数据中通过医保报销的费用数据,所述第二历史费用数据为各历史费用数据中患者自费的费用数据;
将所述第一费用平均值和所述预测次数做乘积,生成所述待预测就诊数据在预测周期内所对应就诊费用中的医保报销费用;
将所述第二费用平均值和所述预测次数做乘积,生成所述待预测就诊数据在预测周期内所对应就诊费用中的患者自费费用。
5.如权利要求1-4任一项所述的就诊费用预测方法,其特征在于,所述形成多个就诊数据集合的步骤之后包括:
当检测到达预设间隔时间时,读取在所述预设间隔时间内所生成的更新就诊数据;
将各所述更新就诊数据确定为各份所述历史就诊数据,执行对各份所述历史就诊数据基于预设特征维度和预设时间维度进行分类的步骤,以对所形成的多个就诊数据集合进行更新。
6.一种就诊费用预测装置,其特征在于,所述就诊费用预测装置包括:
分类模块,用于当接收到多份历史就诊数据时,对各份所述历史就诊数据基于预设特征维度和预设时间维度进行分类,形成多个就诊数据集合;
对比模块,用药当接收到待预测就诊数据时,提取所述待预测就诊数据中的特征数据和时间数据,并将所述特征数据以及所述时间数据和各所述就诊数据集合对比,确定目标就诊数据集合;
预测模块,用于读取所述目标就诊数据集合中所具有各所述历史就诊数据的历史费用数据,并基于各所述历史费用数据对待预测就诊数据的就诊费用进行预测;
所述分类模块,还用于读取各份所述历史就诊数据中与所述预设特征维度对应的患者信息、病症信息和用药信息,以及与所述预设时间维度对应的历史时间数据,并基于与所述预设时间维度对应的预设时间,将所述历史时间数据生成与所述患者信息对应的就诊频率;
根据各所述患者信息、病症信息、用药信息以及就诊频率,将各份所述历史就诊数据形成多个就诊数据集合;
所述分类模块,还用于将来源于同一所述历史就诊数据的所述患者信息、病症信息、用药信息形成数据组,并将各所述数据组进行对比,确定相似度大于预设值的目标数据组;
根据各所述目标数据组对应的所述就诊频率,将各所述目标数据组划分为目标子数据组,并将与各所述目标子数据组对应的所述历史就诊数据形成为各就诊数据集合。
7.一种就诊费用预测设备,其特征在于,所述就诊费用预测设备包括:存储器、处理器、通信总线以及存储在所述存储器上的就诊费用预测程序;
所述通信总线用于实现处理器和存储器之间的连接通信;
所述处理器用于执行所述就诊费用预测程序,以实现如权利要求1-5中任一项所述的就诊费用预测方法的步骤。
8.一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上存储有就诊费用预测程序,所述就诊费用预测程序被处理器执行时实现如权利要求1-5中任一项所述的就诊费用预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811462209.4A CN109598302B (zh) | 2018-11-30 | 2018-11-30 | 就诊费用预测方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811462209.4A CN109598302B (zh) | 2018-11-30 | 2018-11-30 | 就诊费用预测方法、装置、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109598302A CN109598302A (zh) | 2019-04-09 |
CN109598302B true CN109598302B (zh) | 2022-11-15 |
Family
ID=65959435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811462209.4A Active CN109598302B (zh) | 2018-11-30 | 2018-11-30 | 就诊费用预测方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109598302B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110675958B (zh) * | 2019-08-31 | 2023-03-31 | 天津开心生活科技有限公司 | 一种肿瘤治疗方案判线方法及装置 |
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 |
CN112613813A (zh) * | 2020-12-22 | 2021-04-06 | 天津五八到家货运服务有限公司 | 货运工作方案的推送方法、设备、介质 |
CN113724883B (zh) * | 2021-08-31 | 2023-09-15 | 平安科技(深圳)有限公司 | 医疗费用预测方法、装置、存储介质及计算机设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197737A (zh) * | 2017-12-29 | 2018-06-22 | 山大地纬软件股份有限公司 | 一种建立医保住院费用预测模型的方法及系统 |
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 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080015891A1 (en) * | 2006-07-12 | 2008-01-17 | Medai, Inc. | Method and System to Assess an Acute and Chronic Disease Impact Index |
US10991053B2 (en) * | 2015-07-02 | 2021-04-27 | DZee Solutions, Inc. | Long-term healthcare cost predictions using future trajectories and machine learning |
US11170445B2 (en) * | 2015-12-16 | 2021-11-09 | Alegeus Technologies, Llc | Systems and methods for allocating resources using information technology infrastructure |
US10770181B2 (en) * | 2015-12-16 | 2020-09-08 | Alegeus Technologies, Llc | Systems and methods for reducing resource consumption via information technology infrastructure |
-
2018
- 2018-11-30 CN CN201811462209.4A patent/CN109598302B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197737A (zh) * | 2017-12-29 | 2018-06-22 | 山大地纬软件股份有限公司 | 一种建立医保住院费用预测模型的方法及系统 |
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 |
Non-Patent Citations (1)
Title |
---|
儿童跌落伤住院信息时间序列分析;贾翠平;《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》;20080415;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109598302A (zh) | 2019-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109598302B (zh) | 就诊费用预测方法、装置、设备及计算机可读存储介质 | |
CN108511059B (zh) | 慢病管理方法及系统 | |
US11651330B2 (en) | Machine learning for dynamically updating a user interface | |
WO2019080662A1 (zh) | 信息推荐方法及装置、设备 | |
US11450434B2 (en) | Implementation of machine-learning based query construction and pattern identification through visualization in user interfaces | |
US20200168305A1 (en) | Modular patient analytics | |
CN111145910A (zh) | 基于人工智能的异常案例识别方法、装置、计算机设备 | |
CN109545387B (zh) | 一种基于神经网络的异常病例识别方法及计算设备 | |
Schuemie et al. | Detecting adverse drug reactions following long-term exposure in longitudinal observational data: The exposure-adjusted self-controlled case series | |
JP6282783B2 (ja) | 分析システム及び分析方法 | |
KR102342770B1 (ko) | 질병 예측치의 분포를 이용한 건강관리 상담 시스템 | |
EP3531425A1 (en) | Similar case search program, similar case search device, and similar case search method | |
KR20160043777A (ko) | 질환 발병 예측 방법 및 그 장치 | |
US10262759B2 (en) | Personal health operating system | |
CN113656558A (zh) | 基于机器学习对关联规则进行评估的方法及装置 | |
CN112447270A (zh) | 一种用药推荐方法、装置、设备及存储介质 | |
CN113724858A (zh) | 基于人工智能的疾病检查项目推荐设备、方法及装置 | |
Tan et al. | Surrogate-guided sampling designs for classification of rare outcomes from electronic medical records data | |
Mohi Uddin et al. | XML‐LightGBMDroid: A self‐driven interactive mobile application utilizing explainable machine learning for breast cancer diagnosis | |
CN113436738A (zh) | 管理风险用户的方法、装置、设备及存储介质 | |
KR20210084231A (ko) | 질환별 발생예측값 분포를 활용한 보험 설계 상담 서비스 시스템 | |
CN109948638B (zh) | 对象匹配方法、装置、设备及计算机可读存储介质 | |
US20220051795A1 (en) | Analysis system and analysis method | |
CN109615204B (zh) | 医疗数据的质量评估方法、装置、设备及可读存储介质 | |
CN109102845B (zh) | 医疗单据审核方法、装置、计算机设备和存储介质 |
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 |