CN109598628A - 医保欺诈行为的识别方法、装置、设备及可读存储介质 - Google Patents
医保欺诈行为的识别方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN109598628A CN109598628A CN201811462221.5A CN201811462221A CN109598628A CN 109598628 A CN109598628 A CN 109598628A CN 201811462221 A CN201811462221 A CN 201811462221A CN 109598628 A CN109598628 A CN 109598628A
- Authority
- CN
- China
- Prior art keywords
- patient
- medical
- target
- network
- office visits
- 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
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)
- Medical Treatment And Welfare Office Work (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开一种医保欺诈行为的识别方法、装置、设备及可读存储介质,所述方法包括:读取预设时间区间内各就诊患者的用药信息和就诊时间,并将具有相同用药信息的就诊患者形成患者集;根据就诊时间,确定患者集中在预设间隔时间内进行就诊的目标就诊患者对,并统计各目标就诊患者对进行就诊的就诊次数;根据就诊次数,将各目标就诊患者对形成关系网,并判断与关系网对应的就诊次数是否大于预设值;若与关系网对应的就诊次数大于预设值,则将所述关系网中各就诊患者的就诊行为识别为医保欺诈行为。本方案中基于大数据分析形成的关系网,准确表征了各就诊患者在就诊时间及用药信息之间的关联关系,使得依据关系网识别的医保欺诈行为更为准确有效。
Description
技术领域
本发明主要涉及医疗系统技术领域,具体地说,涉及一种医保欺诈行为的识别方法、装置、设备及可读存储介质。
背景技术
随着社会保障制度的发展,具有医保并使用医保就诊的人员越来越多,各人员在各医疗机构使用医保就诊或购买药品时,医疗机构的医疗人员会针对就诊人员的病症信息开出相应的医疗处方或用药信息,以对就诊人员的疾病进行治疗。
对于目前存在的一些恶意使用医保进行欺诈的团体人员,存在以团体的形式频繁购买相似性的医保药品进行出售的欺诈行为;对此类医保欺诈行为的识别在杜绝医保恶意使用方面显得尤为重要。但是目前对于团体的医保欺诈行为缺乏有效的识别机制,使得不能准确的判定医保的恶意使用。
发明内容
本发明的主要目的是提供一种医保欺诈行为的识别方法、装置、设备及可读存储介质,旨在解决现有技术中对团体的医保欺诈行为缺乏有效识别机制的问题。
为实现上述目的,本发明提供一种医保欺诈行为的识别方法,所述医保欺诈行为的识别方法包括以下步骤:
读取预设时间区间内各就诊患者的用药信息和就诊时间,并将具有相同用药信息的就诊患者形成患者集;
根据所述就诊时间,确定所述患者集中在预设间隔时间内进行就诊的目标就诊患者对,并统计各所述目标就诊患者对进行就诊的就诊次数;
根据所述就诊次数,将各所述目标就诊患者对形成关系网,并判断与所述关系网对应的所述就诊次数是否大于预设值;
若与所述关系网对应的所述就诊次数大于预设值,则将所述关系网中各就诊患者的就诊行为识别为医保欺诈行为。
优选地,所述根据所述就诊时间,确定所述患者集中在预设间隔时间内进行就诊的目标就诊患者对的步骤包括:
将各所述就诊时间做差值,生成所述患者集中各就诊患者之间的时间差,并将所述时间差和所述预设间隔时间对比,确定各所述时间差中小于所述预设间隔时间的目标时间差;
将所述患者集中与所述目标时间差对应的各所述就诊患者,确定为在所述预设间隔时间内进行就诊的目标就诊患者对。
优选地,所述根据所述就诊次数,将各所述目标就诊患者对形成关系网的步骤包括:
将各所述目标就诊患者对拆分为各目标就诊患者,并在拆分的各所述目标就诊患者之间分配与所述目标就诊患者对所对应的就诊次数,形成目标就诊患者库;
读取所述目标就诊患者库中各个目标就诊患者之间的就诊次数作为目标就诊次数,并根据各所述目标就诊次数,形成各所述目标就诊患者之间的关系网。
优选地,所述根据各所述目标就诊次数,形成各所述目标就诊患者之间的关系网的步骤包括:
将各所述目标就诊次数进行对比,形成就诊次数序列;
按照所述就诊次数序列中目标就诊次数从大到小的顺序,将具有相同所述目标就诊次数的各所述目标就诊患者合并形成各关系网。
优选地,所述将具有相同所述目标就诊次数的各所述目标就诊患者合并形成各关系网的步骤包括:
从具有相同所述目标就诊次数的各所述目标就诊患者中,任意选取两个所述目标就诊患者进行合并,形成目标就诊患者组;
判断合并后的所述目标就诊患者库中,是否存在和所述目标就诊患者组的目标就诊次数一致的所述目标就诊患者;
若存在和所述目标就诊患者组的目标就诊次数一致的所述目标就诊患者,则对所述目标就诊患者组更新,并将更新后的所述目标就诊患者组确定为关系网。
优选地,所述判断与所述关系网对应的所述就诊次数是否大于预设值的步骤包括:
读取形成各所述关系网的各所述目标就诊次数,并将读取的各所述目标就诊次数和所述预设值对比,判断各所述目标就诊次数是否大于预设值。
优选地,所述将所述关系网中各就诊患者的就诊行为识别为医保欺诈行为的步骤之后包括:
读取所述关系网中各就诊患者的患者信息,并将所述患者信息上报到预设机构,以供所述预设机构对所述关系网中各就诊患者的医保资质进行审核。
此外,为实现上述目的,本发明还提出一种医保欺诈行为的识别装置,所述医保欺诈行为的识别装置包括:
读取模块,用于读取预设时间区间内各就诊患者的用药信息和就诊时间,并将具有相同用药信息的就诊患者形成患者集;
统计模块,用于根据所述就诊时间,确定所述患者集中在预设间隔时间内进行就诊的目标就诊患者对,并统计各所述目标就诊患者对进行就诊的就诊次数;
形成模块,用于根据所述就诊次数,将各所述目标就诊患者对形成关系网,并判断与所述关系网对应的所述就诊次数是否大于预设值;
识别模块,用于若与所述关系网对应的所述就诊次数大于预设值,则将所述关系网中各就诊患者的就诊行为识别为医保欺诈行为。
此外,为实现上述目的,本发明还提出一种医保欺诈行为的识别设备,所述医保欺诈行为的识别设备包括:存储器、处理器、通信总线以及存储在所述存储器上的医保欺诈行为的识别程序;
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医保欺诈行为的识别程序,以实现以下步骤:
读取预设时间区间内各就诊患者的用药信息和就诊时间,并将具有相同用药信息的就诊患者形成患者集;
根据所述就诊时间,确定所述患者集中在预设间隔时间内进行就诊的目标就诊患者对,并统计各所述目标就诊患者对进行就诊的就诊次数;
根据所述就诊次数,将各所述目标就诊患者对形成关系网,并判断与所述关系网对应的所述就诊次数是否大于预设值;
若与所述关系网对应的所述就诊次数大于预设值,则将所述关系网中各就诊患者的就诊行为识别为医保欺诈行为。
此外,为实现上述目的,本发明还提供一种可读存储介质,所述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:
读取预设时间区间内各就诊患者的用药信息和就诊时间,并将具有相同用药信息的就诊患者形成患者集;
根据所述就诊时间,确定所述患者集中在预设间隔时间内进行就诊的目标就诊患者对,并统计各所述目标就诊患者对进行就诊的就诊次数;
根据所述就诊次数,将各所述目标就诊患者对形成关系网,并判断与所述关系网对应的所述就诊次数是否大于预设值;
若与所述关系网对应的所述就诊次数大于预设值,则将所述关系网中各就诊患者的就诊行为识别为医保欺诈行为。
本实施例的医保欺诈行为的识别方法,通过读取预设时间区间内各个就诊患者的用药信息和就诊时间,并将具有相同用药信息的就诊患者形成患者集;再根据就诊时间,确定患者集中在预设间隔时间内进行就诊的目标就诊患者对,并统计各目标就诊患者对进行就诊的就诊次数;进而依据就诊次数,将各目标就诊患者对形成关系网,当关系网所对应的就诊次数大于预设值时,则将该关系网中各目标就诊患者的就诊行为识别为医保欺诈行为。本方案的患者集中各就诊患者具有相同的用药信息,而由其中目标就诊患者对所形成的关系网,又涉及到多个在临近的间隔时间进行就诊的就诊患者;即关系网中的就诊患者具有在临近的间隔时间,购买相同药品的特征,当关系网所对应的就诊次数大于预设值,则说明关系网中就诊患者频繁在临近的间隔时间购买相同的药品,从而判定该关系网中的就诊患者存在异常使用医保的行为,而将其识别为医保欺诈行为。因所形成的关系网准确的表征了各就诊患者在就诊时间以及用药信息之间的关联关系,使得依据关系网的就诊次数所识别的团体医保欺诈行为也更为准确有效。
附图说明
图1是本发明的医保欺诈行为的识别方法第一实施例的流程示意图;
图2是本发明的医保欺诈行为的识别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。
本发明提供一种医保欺诈行为的识别方法。
请参照图1,图1为本发明医保欺诈行为的识别方法第一实施例的流程示意图。在本实施例中,所述医保欺诈行为的识别方法包括:
步骤S10,读取预设时间区间内各就诊患者的用药信息和就诊时间,并将具有相同用药信息的就诊患者形成患者集;
本发明的医保欺诈行为的识别方法应用于服务器,适用于通过服务器对团体的医保欺诈行为进行识别;其中团体至少由两名人员组成,其医保欺诈行为具有频繁在临近的间隔时间点,购买相同药品的特征;如人员A1、A2、A3频繁的在9点到10点之间使用医保去购买药品W1,在某些场景下对团体的医保欺诈行为也称为医保串刷行为。将各人员去医疗机构购买药品所使用医保账户对应的用户作为就诊患者,医疗机构则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。服务器和医疗机构之间建立有通信连接,并预先设定预设时间区间;服务器向医疗机构发送请求,以请求获取在该预设时间区间内各就诊患者的用药信息和就诊时间。其中对于在预设时间区间内同一就诊患者的用药信息和就诊时间作为不同的用药信息和就诊时间进行读取,如预设时间区间为一周内,而就诊患者B在周一和周三均使用医保购买了药品W2和W3,则将此作为预设时间区间内的两次用药信息和就诊时间进行读取。因团体的医保欺诈行为中具有相同药品的特性,从而对读取的用药信息进行筛选,过滤出预设时间区间中的相同用药信息,而将具有该相同用药信息的就诊患者形成患者集。因预设时间区间中涉及到多种类型的相同用药信息,使得所形成的患者集也为多个,而需要对所形成的多个患者集均进行医保欺诈行为的识别。
步骤S20,根据所述就诊时间,确定所述患者集中在预设间隔时间内进行就诊的目标就诊患者对,并统计各所述目标就诊患者对进行就诊的就诊次数;
进一步地,因团体的医保欺诈行为中具有时间临近的特性,为了识别患者集中是否存在医保欺诈行为的团体,需要筛选出患者集中就诊时间在临近时间的就诊患者。预先设定预设间隔时间,当各就诊患者的就诊时间差在该预设间隔时间内,则说明各就诊患者为在临近时间进行了就诊;如设定预设间隔时间为一小时,就诊患者C1的就诊时间为上午10点,而就诊患者C2的就诊时间为同一天的上午10点40分;因两者的时间间隔在一小时之内,则判定两者为在临近时间进行了就诊。根据患者集中各就诊患者的就诊时间,可确定患者集中在预设间隔时间内进行就诊的各就诊患者,将该在临近时间进行就诊的各就诊患者作为目标就诊患者对。具体地,根据就诊时间,确定患者集中在预设间隔时间内进行就诊的目标就诊患者对的步骤包括:
步骤S21,将各所述就诊时间做差值,生成所述患者集中各就诊患者之间的时间差,并将所述时间差和所述预设间隔时间对比,确定各所述时间差中小于所述预设间隔时间的目标时间差;
步骤S22,将所述患者集中与所述目标时间差对应的各所述就诊患者,确定为在所述预设间隔时间内进行就诊的目标就诊患者对。
进一步地,为了确定患者集中各就诊患者之间的就诊时间差是否在临近时间,即预设间隔时间内;将各就诊患者的就诊时间做差值,生成患者集中各就诊患者之间的时间差。因患者集中涉及到多名就诊患者,在做差值时,可在两个不同就诊患者之间形成患者对,而对患者对中各就诊患者的就诊时间做差值。如患者集中涉及到D1、D2、和D3三名就诊患者,可在D1和D2之间形成患者对,在D1和D3之间形成患者对,在D2和D3之间形成患者对;进而对D1和D2的就诊时间做差值,D1和D3的就诊时间做差值,D2和D3的就诊时间做差值,生成各个时间差。将得到的各个时间差分别和预设间隔时间对比,得到各个时间差和预设间隔时间之间的大小关系,而从各时间差中挑选出小于预设间隔时间的目标时间差。该目标时间差表征了患者集中在临近时间进行就诊的就诊患者,目标时间差由就诊时间生成,而就诊时间来源于就诊患者;将患者集中与就诊时间差对应的两个就诊患者,确定为在预设间隔时间内进行就诊的目标就诊患者对。患者集中涉及到多对目标就诊患者对,且各个目标就诊患者对中涉及到两个不同的就诊患者。
考虑到预设时间区间内,各就诊患者的就诊时间具有随机性,且进行了多次就诊,使得就诊患者在预设时间区间内可能多次形成目标就诊患者对。如对于上述就诊患者D1、D2和D3,预设时间区间为一星期,预设间隔时间为一小时;其中D1和D2在一星期之内的星期一、星期二和星期四均进行了就诊,而具有就诊时间;且在星期一和星期四之间的时间差在一小时之内,而在星期二之间的时间差超出一小时之内;从而D1和D2在预设时间区间内的星期一和星期四均形成了目标就诊患者对。将就诊患者之间形成目标就诊患者对的次数作为目标就诊患者对进行就诊的就诊次数进行统计,以确定形成目标就诊患者对的各就诊患者在临近时间进行就诊的次数。
步骤S30,根据所述就诊次数,将各所述目标就诊患者对形成关系网,并判断与所述关系网对应的所述就诊次数是否大于预设值;
可理解地,形成目标就诊患者对之间的就诊患者,可能与其他就诊患者形成其他的目标就诊患者对;如上述就诊患者D1、D2和D3,D1在与D2形成目标就诊患者对的同时,还与D3形成了目标就诊患者对;即各目标就诊患者对之间的就诊患者可能具有关联关系,且该关联关系依据就诊次数确定。当各目标就诊患者对之间的就诊次数相同,则判定为各目标就诊患者之间具有关联关系,而将该各目标就诊患者对形成关系网。关系网中包括多个在临近时间进行就诊的就诊患者,且各就诊患者在临近时间进行就诊的次数为目标就诊患者对所具有的就诊次数;即所形成的关系网与各目标就诊患者对之间具有相同的就诊次数。就诊次数反映了就诊患者在临近时间进行就诊的次数多少,当就诊次数越多,表征就诊患者在临近时间购买相同药品越频繁,为团体成员的可能性越大,可能存在医保欺诈行为。为了反映关系网中各就诊成员在临近时间进行就诊的次数多少,预先设置有预设值;在形成关系网之后,将关系网所对应的就诊次数,即形成关系网的目标就诊患者对的就诊次数和该预设值进行对比,判断关系网的就诊次数是否大于该预设值。
步骤S40,若与所述关系网对应的所述就诊次数大于预设值,则将所述关系网中各就诊患者的就诊行为识别为医保欺诈行为。
进一步地,当判断出关系网对应的就诊次数大于预设值时,则说明关系网中各就诊患者频繁的在表征临近时间的预设间隔时间内,购买相同的药品;而将该关系网中各就诊患者的就诊行为识别为医保欺诈行为;而当判断出关系网所对应的就诊次数不大于预设值时,则说明关系网中各就诊患者不存在在临近时间内,频繁购买相同药品的情况,而不将其中就诊患者的就诊行为识别为医保欺诈行为。
本实施例的医保欺诈行为的识别方法,通过读取预设时间区间内各个就诊患者的用药信息和就诊时间,并将具有相同用药信息的就诊患者形成患者集;再根据就诊时间,确定患者集中在预设间隔时间内进行就诊的目标就诊患者对,并统计各目标就诊患者对进行就诊的就诊次数;进而依据就诊次数,将各目标就诊患者对形成关系网,当关系网所对应的就诊次数大于预设值时,则将该关系网中各目标就诊患者的就诊行为识别为医保欺诈行为。本方案的患者集中各就诊患者具有相同的用药信息,而由其中目标就诊患者对所形成的关系网,又涉及到多个在临近的间隔时间进行就诊的就诊患者;即关系网中的就诊患者具有在临近的间隔时间,购买相同药品的特征,当关系网所对应的就诊次数大于预设值,则说明关系网中就诊患者频繁在临近的间隔时间购买相同的药品,从而判定该关系网中的就诊患者存在异常使用医保的行为,而将其识别为医保欺诈行为。因所形成的关系网准确的表征了各就诊患者在就诊时间以及用药信息之间的关联关系,使得依据关系网的就诊次数所识别的团体医保欺诈行为也更为准确有效。
进一步地,在本发明医保欺诈行为的识别方法另一实施例中,所述根据所述就诊次数,将各所述目标就诊患者对形成关系网的步骤包括:
步骤S31,将各所述目标就诊患者对拆分为各目标就诊患者,并在拆分的各所述目标就诊患者之间分配与所述目标就诊患者对所对应的就诊次数,形成目标就诊患者库;
可理解地,因形成各目标就诊患者对之间的就诊患者,可能与其他就诊患者具有关联关系;为了表征该关联关系,将各个目标就诊患者对进行拆分操作,将每个目标就诊患者对拆分为两个目标就诊患者。拆分的两个目标就诊患者之间具有与其拆分前目标就诊患者对所对应的就诊次数,从而在拆分的各目标就诊患者之间分配与其来源的目标就诊患者对的就诊次数,表征拆分的各目标就诊患者之间所具有的在临近时间进行就诊的次数关系。如目标就诊患者对[M1、M2]和[M2、M4],其中[M1、M2]所具有的就诊次数为5,而[M2、M4]所具有的就诊次数为8;则将两个目标就诊患者对分别拆分为M1和M2,以及M2和M4,且M1和M2之间所分配的就诊次数为5,M2和M4之间所分配的就诊次数为8。在所有目标就诊患者对均拆分完成后,拆分而来的目标就诊患者形成目标就诊患者库,在目标就诊患者库中用各就诊次数表征各目标就诊患者的就诊关系。
步骤S32,读取所述目标就诊患者库中各个目标就诊患者之间的就诊次数作为目标就诊次数,并根据各所述目标就诊次数,形成各所述目标就诊患者之间的关系网。
在将各个目标就诊患者形成目标就诊患者库之后,读取目标就诊患者库中各个目标就诊患者之间的就诊次数,并将该读取的就诊次数作为各目标就诊患者的目标就诊次数。依据目标就诊患者之间所具有目标就诊次数的对应关系,形成目标就诊患者之间的关系网;其中对应关系为不同的目标就诊患者之间依据同一个目标就诊患者,且该不同的目标就诊患者与该同一目标就诊患者之间的就诊次数相同的关系。如读取到目标就诊患者库中目标就诊患者N1与N2之间的目标就诊次数为6,而目标就诊患者N2与N5之间的目标就诊次数为6;则N1与N5之间依据N2以及同样的目标就诊次数6,可形成N1、N2和N5之间的关系网。该将目标就诊患者形成关系网的过程,其实质为依据目标就诊次数,对目标就诊患者进行分类的过程。具体地,根据各目标就诊次数,形成各目标就诊患者之间的关系网的步骤包括:
步骤S321,将各所述目标就诊次数进行对比,形成就诊次数序列;
因在预设时间区间内不同目标就诊患者对的就诊次数不同,使得目标就诊患者库中各目标就诊患者之间的目标就诊次数存在差异性;为了便于依据目标就诊次数对目标就诊患者进行分类,先对各目标就诊次数进行对比,得到各目标就诊次数之间的大小关系。对各目标就诊次数按照该大小关系进行排列,生成就诊次数序列。
步骤S322,按照所述就诊次数序列中目标就诊次数从大到小的顺序,将具有相同所述目标就诊次数的各所述目标就诊患者合并形成各关系网。
进一步地,按照该就诊次数序列中目标就诊次数从大到小的顺序,对各个具有相同目标就诊次数的各目标就诊患者进行合并操作,合并到一起的各目标就诊患者即形成关系网。因就诊次数序列中涉及到多个目标就诊次数,使得所形成的关系网也包括多个;按照从大到小的顺序,先将具有目标就诊次数最大值的目标就诊患者进行合并,再将具有目标就诊次数次大值的目标就诊患者进行合并。对于就诊次数序列中数值较小的目标就诊次数,具有该目标就诊次数的目标就诊患者为就诊次数较少的就诊患者,其就诊的频繁程度达不到构成团体医保欺诈行为的要求,而不对此类目标就诊患者进行合并。为了对各目标就诊患者的就诊次数多少进行判定,预先设置有合并预设值,在合并前读取就诊次数序列中的目标就诊次数和该合并预设值对比,判断两者之间的大小关系;当目标就诊次数小于该合并预设值时,则不对具有该目标就诊次数的目标就诊患者进行合并;而当目标就诊次数大于或等于该合并预设值时,则对具有该目标就诊次数的目标就诊患者进行合并,形成具有该目标就诊次数的关系网。具体地,将具有相同目标就诊次数的各目标就诊患者合并形成各关系网的步骤包括:
步骤q1,从具有相同所述目标就诊次数的各所述目标就诊患者中,任意选取两个所述目标就诊患者进行合并,形成目标就诊患者组;
步骤q2,判断合并后的所述目标就诊患者库中,是否存在和所述目标就诊患者组的目标就诊次数一致的所述目标就诊患者;
步骤q3,若存在和所述目标就诊患者组的目标就诊次数一致的所述目标就诊患者,则对所述目标就诊患者组更新,并将更新后的所述目标就诊患者组确定为关系网。
因目标就诊患者库中进行合并的各目标就诊患者之间具有相同的目标就诊次数,从而在合并时,从具有相同的目标就诊次数的目标就诊患者中任意选取两个目标就诊患者进行合并,形成目标就诊患者组,该目标就诊患者组具有和进行合并操作的目标就诊患者一致的目标就诊次数。进而判断合并后的目标就诊患者库中,是否还存在与目标就诊患者组的目标就诊次数一致的目标就诊患者;即判断目标就诊患者库中是否还存在尚未进行合并操作的目标就诊患者,该尚未进行合并操作的目标就诊患者与已经进行合并操作的目标就诊患者具有同样的目标就诊次数。当目标就诊患者库中还存在和目标就诊患者组的目标就诊次数一致的目标就诊患者,该一致的目标就诊患者即为尚未进行合并操作的目标就诊患者;用该尚未进行合并操作的目标就诊患者对目标就诊患者组进行更新,即将尚未进行合并操作的目标就诊患者添加到目标就诊患者组中,进行合并操作。当判断出目标就诊患者库中不存在和目标就诊患者组的目标就诊次数一致的目标就诊患者,则说明对具有该目标就诊次数的目标就诊患者均进行了合并操作,将经合并和更新操作的目标就诊患者组形成关系网。继续读取目标就诊患者库中具有下一项目标就诊次数的目标就诊患者进行合并,直到目标就诊患者库中大于合并预设值的目标就诊次数对应的目标就诊患者均合并完成,形成各个关系网。
因所形成的关系网涉及到多个,需要对多个关系网均判断是否存在医保欺诈行为,从而判断与关系网对应的就诊次数是否大于预设值的步骤包括:
读取形成各所述关系网的各所述目标就诊次数,并将读取的各所述目标就诊次数和所述预设值对比,判断各所述目标就诊次数是否大于预设值。
可理解地,形成各个关系网的目标就诊患者具有相同的目标就诊次数,使得各关系网同样的具有该目标就诊次数;从而读取形成各个关系网的各目标就诊次数,并将该读取的目标就诊次数和预设值对比,即将各关系网所具有的目标就诊次数和预设值对比,判断各目标就诊次数是否大于预设值,以识别具有各个目标就诊次数的关系网中的各就诊成员是否具有团体的医保欺诈行为。
进一步地,在本发明医保欺诈行为的识别方法另一实施例中,所述将所述关系网中各就诊患者的就诊行为识别为医保欺诈行为的步骤之后包括:
步骤S50,读取所述关系网中各就诊患者的患者信息,并将所述患者信息上报到预设机构,以供所述预设机构对所述关系网中各就诊患者的医保资质进行审核。
更进一步地,在经对比判断出关系网中各就诊患者的就诊行为为医保欺诈行为后,需要对关系网中各就诊患者的医保资质进行重新审核。具体地,关系网中各就诊患者在使用医保进行就诊过程中必然携带有患者信息,对该各就诊患者在就诊过程中所携带的患者信息进行读取,并将读取的该患者信息上报到预设机构。该预设机构为对就诊患者的医保资质进行审核的机构,该预设机构与服务器之间建立有通信连接,在接收到服务器上报的患者信息后,依据该患者信息对关系网中各就诊患者的医保资质进行审核,以防止团体的医保欺诈行为。
此外,请参照图2,本发明提供一种医保欺诈行为的识别装置,在本发明医保欺诈行为的识别装置第一实施例中,所述医保欺诈行为的识别装置包括:
读取模块10,用于读取预设时间区间内各就诊患者的用药信息和就诊时间,并将具有相同用药信息的就诊患者形成患者集;
统计模块20,用于根据所述就诊时间,确定所述患者集中在预设间隔时间内进行就诊的目标就诊患者对,并统计各所述目标就诊患者对进行就诊的就诊次数;
形成模块30,用于根据所述就诊次数,将各所述目标就诊患者对形成关系网,并判断与所述关系网对应的所述就诊次数是否大于预设值;
识别模块40,用于若与所述关系网对应的所述就诊次数大于预设值,则将所述关系网中各就诊患者的就诊行为识别为医保欺诈行为。
本实施例的医保欺诈行为的识别装置,通过读取模块10读取预设时间区间内各个就诊患者的用药信息和就诊时间,并将具有相同用药信息的就诊患者形成患者集;再根据就诊时间,统计模块20确定患者集中在预设间隔时间内进行就诊的目标就诊患者对,并统计各目标就诊患者对进行就诊的就诊次数;进而依据就诊次数,形成模块30将各目标就诊患者对形成关系网,当关系网所对应的就诊次数大于预设值时,识别模块40则将该关系网中各目标就诊患者的就诊行为识别为医保欺诈行为。本方案的患者集中各就诊患者具有相同的用药信息,而由其中目标就诊患者对所形成的关系网,又涉及到多个在临近的间隔时间进行就诊的就诊患者;即关系网中的就诊患者具有在临近的间隔时间,购买相同药品的特征,当关系网所对应的就诊次数大于预设值,则说明关系网中就诊患者频繁在临近的间隔时间购买相同的药品,从而判定该关系网中的就诊患者存在异常使用医保的行为,而将其识别为医保欺诈行为。因所形成的关系网准确的表征了各就诊患者在就诊时间以及用药信息之间的关联关系,使得依据关系网的就诊次数所识别的团体医保欺诈行为也更为准确有效。
进一步地,在本发明医保欺诈行为的识别装置另一实施例中,所述统计模块还包括:
生成单元,用于将各所述就诊时间做差值,生成所述患者集中各就诊患者之间的时间差,并将所述时间差和所述预设间隔时间对比,确定各所述时间差中小于所述预设间隔时间的目标时间差;
确定单元,用于将所述患者集中与所述目标时间差对应的各所述就诊患者,确定为在所述预设间隔时间内进行就诊的目标就诊患者对。
进一步地,在本发明医保欺诈行为的识别装置另一实施例中,所述形成模块还包括:
拆分单元,用于将各所述目标就诊患者对拆分为各目标就诊患者,并在拆分的各所述目标就诊患者之间分配与所述目标就诊患者对所对应的就诊次数,形成目标就诊患者库;
形成单元,用于读取所述目标就诊患者库中各个目标就诊患者之间的就诊次数作为目标就诊次数,并根据各所述目标就诊次数,形成各所述目标就诊患者之间的关系网。
进一步地,在本发明医保欺诈行为的识别装置另一实施例中,所述形成单元还用于:
将各所述目标就诊次数进行对比,形成就诊次数序列;
按照所述就诊次数序列中目标就诊次数从大到小的顺序,将具有相同所述目标就诊次数的各所述目标就诊患者合并形成各关系网。
进一步地,在本发明医保欺诈行为的识别装置另一实施例中,所述形成单元还用于:
从具有相同所述目标就诊次数的各所述目标就诊患者中,任意选取两个所述目标就诊患者进行合并,形成目标就诊患者组;
判断合并后的所述目标就诊患者库中,是否存在和所述目标就诊患者组的目标就诊次数一致的所述目标就诊患者;
若存在和所述目标就诊患者组的目标就诊次数一致的所述目标就诊患者,则对所述目标就诊患者组更新,并将更新后的所述目标就诊患者组确定为关系网。
进一步地,在本发明医保欺诈行为的识别装置另一实施例中,所述形成模块还包括:
判断单元,用于读取形成各所述关系网的各所述目标就诊次数,并将读取的各所述目标就诊次数和所述预设值对比,判断各所述目标就诊次数是否大于预设值。
进一步地,在本发明医保欺诈行为的识别装置另一实施例中,所述医保欺诈行为的识别装置还包括:
传输模块,用于读取所述关系网中各就诊患者的患者信息,并将所述患者信息上报到预设机构,以供所述预设机构对所述关系网中各就诊患者的医保资质进行审核。
其中,上述医保欺诈行为的识别装置的各虚拟功能模块存储于图3所示医保欺诈行为的识别设备的存储器1005中,处理器1001执行医保欺诈行为的识别程序时,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。
本发明实施例医保欺诈行为的识别设备可以是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,该医保欺诈行为的识别设备可以包括: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,该医保欺诈行为的识别设备还可以包括用户接口、网络接口、摄像头、RF(Radio Frequency,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中示出的医保欺诈行为的识别设备结构并不构成对医保欺诈行为的识别设备的限定,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、网络通信模块以及医保欺诈行为的识别程序。操作系统是管理和控制医保欺诈行为的识别设备硬件和软件资源的程序,支持医保欺诈行为的识别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,以及与医保欺诈行为的识别设备中其它硬件和软件之间通信。
在图3所示的医保欺诈行为的识别设备中,处理器1001用于执行存储器1005中存储的医保欺诈行为的识别程序,实现上述医保欺诈行为的识别方法各实施例中的步骤。
本发明提供了一种可读存储介质,所述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医保欺诈行为的识别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 (10)
1.一种医保欺诈行为的识别方法,其特征在于,所述医保欺诈行为的识别方法包括以下步骤:
读取预设时间区间内各就诊患者的用药信息和就诊时间,并将具有相同用药信息的就诊患者形成患者集;
根据所述就诊时间,确定所述患者集中在预设间隔时间内进行就诊的目标就诊患者对,并统计各所述目标就诊患者对进行就诊的就诊次数;
根据所述就诊次数,将各所述目标就诊患者对形成关系网,并判断与所述关系网对应的所述就诊次数是否大于预设值;
若与所述关系网对应的所述就诊次数大于预设值,则将所述关系网中各就诊患者的就诊行为识别为医保欺诈行为。
2.如权利要求1所述的医保欺诈行为的识别方法,其特征在于,所述根据所述就诊时间,确定所述患者集中在预设间隔时间内进行就诊的目标就诊患者对的步骤包括:
将各所述就诊时间做差值,生成所述患者集中各就诊患者之间的时间差,并将所述时间差和所述预设间隔时间对比,确定各所述时间差中小于所述预设间隔时间的目标时间差;
将所述患者集中与所述目标时间差对应的各所述就诊患者,确定为在所述预设间隔时间内进行就诊的目标就诊患者对。
3.如权利要求1所述的医保欺诈行为的识别方法,其特征在于,所述根据所述就诊次数,将各所述目标就诊患者对形成关系网的步骤包括:
将各所述目标就诊患者对拆分为各目标就诊患者,并在拆分的各所述目标就诊患者之间分配与所述目标就诊患者对所对应的就诊次数,形成目标就诊患者库;
读取所述目标就诊患者库中各个目标就诊患者之间的就诊次数作为目标就诊次数,并根据各所述目标就诊次数,形成各所述目标就诊患者之间的关系网。
4.如权利要求3所述的医保欺诈行为的识别方法,其特征在于,所述根据各所述目标就诊次数,形成各所述目标就诊患者之间的关系网的步骤包括:
将各所述目标就诊次数进行对比,形成就诊次数序列;
按照所述就诊次数序列中目标就诊次数从大到小的顺序,将具有相同所述目标就诊次数的各所述目标就诊患者合并形成各关系网。
5.如权利要求4所述的医保欺诈行为的识别方法,其特征在于,所述将具有相同所述目标就诊次数的各所述目标就诊患者合并形成各关系网的步骤包括:
从具有相同所述目标就诊次数的各所述目标就诊患者中,任意选取两个所述目标就诊患者进行合并,形成目标就诊患者组;
判断合并后的所述目标就诊患者库中,是否存在和所述目标就诊患者组的目标就诊次数一致的所述目标就诊患者;
若存在和所述目标就诊患者组的目标就诊次数一致的所述目标就诊患者,则对所述目标就诊患者组更新,并将更新后的所述目标就诊患者组确定为关系网。
6.如权利要求4所述的医保欺诈行为的识别方法,其特征在于,所述判断与所述关系网对应的所述就诊次数是否大于预设值的步骤包括:
读取形成各所述关系网的各所述目标就诊次数,并将读取的各所述目标就诊次数和所述预设值对比,判断各所述目标就诊次数是否大于预设值。
7.如权利要求1-5任一项所述的医保欺诈行为的识别方法,其特征在于,所述将所述关系网中各就诊患者的就诊行为识别为医保欺诈行为的步骤之后包括:
读取所述关系网中各就诊患者的患者信息,并将所述患者信息上报到预设机构,以供所述预设机构对所述关系网中各就诊患者的医保资质进行审核。
8.一种医保欺诈行为的识别装置,其特征在于,所述医保欺诈行为的识别装置包括:
读取模块,用于读取预设时间区间内各就诊患者的用药信息和就诊时间,并将具有相同用药信息的就诊患者形成患者集;
统计模块,用于根据所述就诊时间,确定所述患者集中在预设间隔时间内进行就诊的目标就诊患者对,并统计各所述目标就诊患者对进行就诊的就诊次数;
形成模块,用于根据所述就诊次数,将各所述目标就诊患者对形成关系网,并判断与所述关系网对应的所述就诊次数是否大于预设值;
识别模块,用于若与所述关系网对应的所述就诊次数大于预设值,则将所述关系网中各就诊患者的就诊行为识别为医保欺诈行为。
9.一种医保欺诈行为的识别设备,其特征在于,所述医保欺诈行为的识别设备包括:存储器、处理器、通信总线以及存储在所述存储器上的医保欺诈行为的识别程序;
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医保欺诈行为的识别程序,以实现如权利要求1-7中任一项所述的医保欺诈行为的识别方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有医保欺诈行为的识别程序,所述医保欺诈行为的识别程序被处理器执行时实现如权利要求1-7中任一项所述的医保欺诈行为的识别方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811462221.5A CN109598628B (zh) | 2018-11-30 | 2018-11-30 | 医保欺诈行为的识别方法、装置、设备及可读存储介质 |
PCT/CN2019/110526 WO2020108111A1 (zh) | 2018-11-30 | 2019-10-11 | 医保欺诈行为的识别方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811462221.5A CN109598628B (zh) | 2018-11-30 | 2018-11-30 | 医保欺诈行为的识别方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109598628A true CN109598628A (zh) | 2019-04-09 |
CN109598628B CN109598628B (zh) | 2022-09-20 |
Family
ID=65959445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811462221.5A Active CN109598628B (zh) | 2018-11-30 | 2018-11-30 | 医保欺诈行为的识别方法、装置、设备及可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109598628B (zh) |
WO (1) | WO2020108111A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111127207A (zh) * | 2019-12-28 | 2020-05-08 | 哈尔滨工业大学 | 一种基于区块链的药品销售欺诈行为的监管系统及其监管方法 |
WO2020108111A1 (zh) * | 2018-11-30 | 2020-06-04 | 平安医疗健康管理股份有限公司 | 医保欺诈行为的识别方法、装置、设备及可读存储介质 |
CN111275086A (zh) * | 2020-01-16 | 2020-06-12 | 上海金仕达卫宁软件科技有限公司 | 医保群体欺诈异常行为的检测方法、装置和电子设备 |
CN111427926A (zh) * | 2020-03-23 | 2020-07-17 | 平安医疗健康管理股份有限公司 | 异常医保群组识别方法、装置、计算机设备及存储介质 |
WO2021151332A1 (zh) * | 2020-09-07 | 2021-08-05 | 平安科技(深圳)有限公司 | 基于固定时间窗的医保数据处理方法、装置、设备及介质 |
CN114357008A (zh) * | 2021-12-16 | 2022-04-15 | 上海金仕达卫宁软件科技有限公司 | 医疗行为一致性识别模型建立方法及风险识别方法 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113626488B (zh) * | 2021-08-04 | 2024-06-21 | 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 |
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 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102945235A (zh) * | 2011-08-16 | 2013-02-27 | 句容今太科技园有限公司 | 面向医疗保险违规和欺诈行为的数据挖掘系统 |
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 |
CN107001457A (zh) * | 2014-11-25 | 2017-08-01 | 瑞泽恩制药公司 | 用于治疗血管性眼病的方法和制剂 |
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 |
CN107657536A (zh) * | 2017-02-20 | 2018-02-02 | 平安科技(深圳)有限公司 | 社保欺诈行为的识别方法和装置 |
CN107785058A (zh) * | 2017-07-24 | 2018-03-09 | 平安科技(深圳)有限公司 | 反欺诈识别方法、存储介质和承载平安脑的服务器 |
CN107871285A (zh) * | 2017-12-06 | 2018-04-03 | 和金在线(北京)科技有限公司 | 一种健康保险赔欺诈及滥用的侦测方法和系统 |
CN108305176A (zh) * | 2018-01-05 | 2018-07-20 | 上海栈略数据技术有限公司 | 一种基于反馈式机器学习的最优化医疗保险智能审核系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080077451A1 (en) * | 2006-09-22 | 2008-03-27 | Hartford Fire Insurance Company | System for synergistic data processing |
CN105159948B (zh) * | 2015-08-12 | 2019-04-02 | 成都数联易康科技有限公司 | 一种基于多特征的医疗保险欺诈检测方法 |
CN109598628B (zh) * | 2018-11-30 | 2022-09-20 | 平安医疗健康管理股份有限公司 | 医保欺诈行为的识别方法、装置、设备及可读存储介质 |
-
2018
- 2018-11-30 CN CN201811462221.5A patent/CN109598628B/zh active Active
-
2019
- 2019-10-11 WO PCT/CN2019/110526 patent/WO2020108111A1/zh active Application Filing
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102945235A (zh) * | 2011-08-16 | 2013-02-27 | 句容今太科技园有限公司 | 面向医疗保险违规和欺诈行为的数据挖掘系统 |
CN107001457A (zh) * | 2014-11-25 | 2017-08-01 | 瑞泽恩制药公司 | 用于治疗血管性眼病的方法和制剂 |
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 |
CN107657536A (zh) * | 2017-02-20 | 2018-02-02 | 平安科技(深圳)有限公司 | 社保欺诈行为的识别方法和装置 |
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 |
CN107785058A (zh) * | 2017-07-24 | 2018-03-09 | 平安科技(深圳)有限公司 | 反欺诈识别方法、存储介质和承载平安脑的服务器 |
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 |
CN107871285A (zh) * | 2017-12-06 | 2018-04-03 | 和金在线(北京)科技有限公司 | 一种健康保险赔欺诈及滥用的侦测方法和系统 |
CN108305176A (zh) * | 2018-01-05 | 2018-07-20 | 上海栈略数据技术有限公司 | 一种基于反馈式机器学习的最优化医疗保险智能审核系统 |
Non-Patent Citations (1)
Title |
---|
金华,等: "医保欺诈行为的主动发现", 《2015年(第四届)全国大学生统计建模大赛》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020108111A1 (zh) * | 2018-11-30 | 2020-06-04 | 平安医疗健康管理股份有限公司 | 医保欺诈行为的识别方法、装置、设备及可读存储介质 |
CN111127207A (zh) * | 2019-12-28 | 2020-05-08 | 哈尔滨工业大学 | 一种基于区块链的药品销售欺诈行为的监管系统及其监管方法 |
CN111275086A (zh) * | 2020-01-16 | 2020-06-12 | 上海金仕达卫宁软件科技有限公司 | 医保群体欺诈异常行为的检测方法、装置和电子设备 |
CN111275086B (zh) * | 2020-01-16 | 2023-05-23 | 上海金仕达卫宁软件科技有限公司 | 医保群体欺诈异常行为的检测方法、装置和电子设备 |
CN111427926A (zh) * | 2020-03-23 | 2020-07-17 | 平安医疗健康管理股份有限公司 | 异常医保群组识别方法、装置、计算机设备及存储介质 |
CN111427926B (zh) * | 2020-03-23 | 2023-02-03 | 平安医疗健康管理股份有限公司 | 异常医保群组识别方法、装置、计算机设备及存储介质 |
WO2021151332A1 (zh) * | 2020-09-07 | 2021-08-05 | 平安科技(深圳)有限公司 | 基于固定时间窗的医保数据处理方法、装置、设备及介质 |
CN114357008A (zh) * | 2021-12-16 | 2022-04-15 | 上海金仕达卫宁软件科技有限公司 | 医疗行为一致性识别模型建立方法及风险识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109598628B (zh) | 2022-09-20 |
WO2020108111A1 (zh) | 2020-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109598628A (zh) | 医保欺诈行为的识别方法、装置、设备及可读存储介质 | |
JP6698178B2 (ja) | 社会保険詐欺行為を識別する方法、装置、設備及びコンピュータ可読記憶媒体 | |
Thompson et al. | Impact of the electronic medical record on mortality, length of stay, and cost in the hospital and ICU: a systematic review and metaanalysis | |
KR102028667B1 (ko) | 진료정보 관리 및 제공 방법, 서버 및 프로그램 | |
CN109637620A (zh) | 基于数据分析的处方生成监测方法、装置、设备和介质 | |
CN108665275A (zh) | 区块链项目管理的系统及方法 | |
CN107426170A (zh) | 一种基于区块链的数据处理方法及设备 | |
CN109460944A (zh) | 基于大数据的核保方法、装置、设备及可读存储介质 | |
US20130238119A1 (en) | Apparatus, system, and method for accurate dispensing of prescription medications | |
CN109670971A (zh) | 异常就诊费用的判断方法、装置、设备及计算机存储介质 | |
CN108877920A (zh) | 诊疗数据管理方法及系统 | |
CN109636652A (zh) | 购药行为异常的监控方法、监控服务端及存储介质 | |
CN109636641A (zh) | 基于大数据分析的医保异常检测方法、装置、设备和介质 | |
CN106650247A (zh) | 辅助医生开处方的系统和方法 | |
CN109598302A (zh) | 就诊费用预测方法、装置、设备及计算机可读存储介质 | |
CN109616216A (zh) | 医疗费用预测方法、装置、设备及计算机可读存储介质 | |
CN109255721A (zh) | 基于费用预测的保险推荐方法、设备、服务器及可读介质 | |
CN110335659A (zh) | 区域智能审方平台 | |
CN104956390A (zh) | 综合保健系统及方法 | |
Bibhu et al. | AI Model for Blockchain Based Industrial Application in Healthcare IoT | |
Bazel et al. | Hospital information systems in Malaysia: current issues and blockchain technology as a solution | |
Lewis et al. | Digital Health Technologies for Medical Devices–Real World Evidence Collection–Challenges and Solutions Towards Clinical Evidence | |
CN109615546A (zh) | 异常就诊的识别方法、装置、终端及计算机可读存储介质 | |
Graefen | The doctor-patient relationship in the era of e-health | |
CN109598378A (zh) | 医保费用预测方法、装置、设备及计算机可读存储介质 |
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 |