CN109616216A - 医疗费用预测方法、装置、设备及计算机可读存储介质 - Google Patents
医疗费用预测方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109616216A CN109616216A CN201811462249.9A CN201811462249A CN109616216A CN 109616216 A CN109616216 A CN 109616216A CN 201811462249 A CN201811462249 A CN 201811462249A CN 109616216 A CN109616216 A CN 109616216A
- Authority
- CN
- China
- Prior art keywords
- concurrent
- medical
- type information
- medical expense
- class
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 239000003814 drug Substances 0.000 claims abstract description 142
- 229940079593 drug Drugs 0.000 claims abstract description 138
- 208000017667 Chronic Disease Diseases 0.000 claims abstract description 134
- 238000004891 communication Methods 0.000 claims description 13
- 230000005856 abnormality Effects 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 8
- 238000003745 diagnosis Methods 0.000 claims description 6
- 206010067671 Disease complication Diseases 0.000 claims description 4
- 238000011285 therapeutic regimen Methods 0.000 description 33
- 238000011282 treatment Methods 0.000 description 30
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 18
- 201000010099 disease Diseases 0.000 description 17
- 230000008569 process Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 6
- 238000012512 characterization method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000001684 chronic effect Effects 0.000 description 4
- 206010012601 diabetes mellitus Diseases 0.000 description 4
- 239000007943 implant Substances 0.000 description 4
- 206010020772 Hypertension Diseases 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000007170 pathology Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 206010019280 Heart failures Diseases 0.000 description 2
- 206010029164 Nephrotic syndrome Diseases 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 208000029078 coronary artery disease Diseases 0.000 description 2
- 230000001631 hypertensive effect Effects 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 238000011866 long-term treatment Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 208000009928 nephrosis Diseases 0.000 description 2
- 231100001027 nephrosis Toxicity 0.000 description 2
- 239000003826 tablet Substances 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 201000001320 Atherosclerosis Diseases 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 208000007342 Diabetic Nephropathies Diseases 0.000 description 1
- 206010012689 Diabetic retinopathy Diseases 0.000 description 1
- 208000007882 Gastritis Diseases 0.000 description 1
- 206010018473 Glycosuria Diseases 0.000 description 1
- 208000031226 Hyperlipidaemia Diseases 0.000 description 1
- 206010010164 Hypertension complications Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 208000006673 asthma Diseases 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000002512 chemotherapy Methods 0.000 description 1
- 208000023652 chronic gastritis Diseases 0.000 description 1
- 208000020832 chronic kidney disease Diseases 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 208000033679 diabetic kidney disease Diseases 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 208000028208 end stage renal disease Diseases 0.000 description 1
- 201000000523 end stage renal failure Diseases 0.000 description 1
- 208000030533 eye disease Diseases 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 208000008128 pulmonary tuberculosis Diseases 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
Abstract
本发明公开一种医疗费用预测方法、装置、设备及计算机可读存储介质，所述方法包括：获取多份历史就诊数据，并从各份历史就诊数据中抓取与预设慢性病并发症对应的多份并发特征数据；读取各份并发特征数据中的并发类型信息以及用药类型信息，并根据各并发类型信息和用药类型信息，对各份并发特征数据进行分类，形成各并发类型信息以及各用药类型信息与各份并发特征数据中医疗费用的对应关系；当接收到就诊患者的诊断信息时，将诊断信息和对应关系对比，对与诊断信息对应的目标医疗费用进行预测。本方案基于医疗机构中大数据所形成的对应关系，对诊断信息的目标医疗费用进行预测，因对应关系的准确度高，使得所预测的目标医疗费用也更为准确有效。
Description
技术领域
本发明主要涉及医疗系统技术领域，具体地说，涉及一种医疗费用预测方法、装置、设备及计算机可读存储介质。
背景技术
目前慢性病所存在的并发症种类众多，单是糖尿病一种慢性病的并发症就高达100多种，再加上高血压并发症、高血脂并发症、冠心病并发症等，使得慢性病的并发症多种多样。不同类型的慢性病并发症患者或者同种类型的慢性病并发症患者之间，均因患者个体的差异会采用不同的治疗用药方案，而使得不同患者之间的医疗费用不同。
慢性病并发症需要长期的就诊治疗，对患者在就诊过程中所需要医疗费用的准确预测，有利于患者对长期治疗方案的规划，便于稳定病情；但是目前对于慢性病并发症的医疗费用缺乏有效的预测机制，使得对患有各种慢性病并发症患者的医疗费用预测不准确，进而导致患者所规划的长期治疗方案不准确，影响患者的病情稳定。
发明内容
本发明的主要目的是提供一种医疗费用预测方法、装置、设备及计算机可读存储介质，旨在解决现有技术中对慢性病并发症的医疗费用缺乏有效的预测机制，预测不准确的问题。
为实现上述目的，本发明提供一种医疗费用预测方法，所述医疗费用预测方法包括以下步骤：
获取多份历史就诊数据，并从各份所述历史就诊数据中抓取与预设慢性病并发症对应的多份并发特征数据；
读取各份所述并发特征数据中的并发类型信息以及用药类型信息，并根据各所述并发类型信息和所述用药类型信息，对各份所述并发特征数据进行分类，形成各所述并发类型信息以及各所述用药类型信息与各份所述并发特征数据中医疗费用的对应关系；
当接收到就诊患者的诊断信息时，将所述诊断信息和所述对应关系对比，对与所述诊断信息对应的目标医疗费用进行预测。
优选地，所述根据各所述并发类型信息和所述用药类型信息，对各份所述并发特征数据进行分类，形成各所述并发类型信息以及各所述用药类型信息与各份所述并发特征数据中医疗费用的对应关系的步骤包括：
对各所述并发类型信息进行对比，将具有相同的所述并发类型信息的各份所述并发特征数据划分到同一组类；
对各所述组类中的各份所述并发特征数据所具有的所述用药类型信息进行对比，将各所述组类中具有相同所述用药类型信息的各份所述并发特征数据划分为各所述组类中的子组类；
读取各所述子组类中具有所述并发特征数据的数据份数，以及各份所述并发特征数据对应的医疗费用；
根据所述数据份数以及各份所述并发特征数据对应的医疗费用，确定各所述子组类的医疗费用均值，以形成各所述并发类型信息以及各所述用药类型信息与各份所述并发特征数据中医疗费用的对应关系。
优选地，所述将所述诊断信息和所述对应关系对比，对与所述诊断信息对应的目标医疗费用进行预测的步骤包括：
读取所述诊断信息中的并发类型标识，并将所述并发类型标识和所述对应关系中的各所述并发类型信息对比，确定与所述诊断信息对应的目标组类；
读取所述目标组类中所具有目标子组类，以及与各所述目标子类型对应的目标医疗费用均值，并将各所述目标医疗费用均值确定为与所述诊断信息对应的目标医疗费用。
优选地，所述将各所述目标医疗费用均值确定为与所述诊断信息对应的目标医疗费用的步骤之后包括：
判断是否存在多类所述目标组类，若存在多类所述目标组类，则统计各所述目标组类中所具有所述目标子组类的子组类数量；
根据所述子组类数量和各所述目标组类中各所述目标子组类的所述目标医疗费用均值，确定各所述目标组类的组费用均值；
将各所述组费用均值进行对比，确定数值最大的目标组费用均值，并将所述目标组费用均值输出到所述就诊患者所持有终端，以将所述目标组费用均值作为所述目标医疗费用中的主导费用进行提醒。
优选地，所述形成各所述并发类型信息以及各所述用药类型信息与各份所述并发特征数据中医疗费用的对应关系的步骤之后包括：
当接收到待跟踪就诊数据时，读取所述待跟踪就诊数据中的并发类型字段以及用药类型字段；
将所述并发类型字段和所述对应关系中的各所述并发类型信息对比，确定与所述待跟踪就诊数据对应的跟踪组类；
将所述用药类型字段和所述跟踪组类中各所述子组类的所述用药类型信息对比，确定与所述待跟踪就诊数据对应的跟踪子组类；
读取与所述跟踪子组类对应的跟踪医疗费用均值，以及所述待跟踪就诊数据中的待跟踪医疗费用，并将所述跟踪医疗费用均值对所述待跟踪医疗费用进行对比，判断所述待跟踪医疗费用的异常性。
优选地，所述对与所述诊断信息对应的目标医疗费用进行预测的步骤之后包括：
根据各所述预设慢性病并发症之间的预设关联关系，预测与所述诊断信息对应的病症变化趋势；
将所述病症变化趋势和所述对应关系对比，确定与所述病症变化趋势对应的费用变化趋势，并将所述病症变化趋势和所述费用变化趋势发送到所述就诊患者所持有终端。
此外，为实现上述目的，本发明还提出一种医疗费用预测装置，所述医疗费用预测装置包括：
获取模块，用于获取多份历史就诊数据，并从各份所述历史就诊数据中抓取与预设慢性病并发症对应的多份并发特征数据；
分类模块，用于读取各份所述并发特征数据中的并发类型信息以及用药类型信息，并根据各所述并发类型信息和所述用药类型信息，对各份所述并发特征数据进行分类，形成各所述并发类型信息以及各所述用药类型信息与各份所述并发特征数据中医疗费用的对应关系；
预测模块，用于当接收到就诊患者的诊断信息时，将所述诊断信息和所述对应关系对比，对与所述诊断信息对应的目标医疗费用进行预测。
优选地，所述分类模块包括：
对比单元，用于对各所述并发类型信息进行对比，将具有相同的所述并发类型信息的各份所述并发特征数据划分到同一组类；
划分单元，用于对各所述组类中的各份所述并发特征数据所具有的所述用药类型信息进行对比，将各所述组类中具有相同所述用药类型信息的各份所述并发特征数据划分为各所述组类中的子组类；
读取单元，用于读取各所述子组类中具有所述并发特征数据的数据份数，以及各份所述并发特征数据对应的医疗费用；
形成单元，用于根据所述数据份数以及各份所述并发特征数据对应的医疗费用，确定各所述子组类的医疗费用均值，以形成各所述并发类型信息以及各所述用药类型信息与各份所述并发特征数据中医疗费用的对应关系。
此外，为实现上述目的，本发明还提出一种医疗费用预测设备，所述医疗费用预测设备包括：存储器、处理器、通信总线以及存储在所述存储器上的医疗费用预测程序；
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医疗费用预测程序，以实现以下步骤：
获取多份历史就诊数据，并从各份所述历史就诊数据中抓取与预设慢性病并发症对应的多份并发特征数据；
读取各份所述并发特征数据中的并发类型信息以及用药类型信息，并根据各所述并发类型信息和所述用药类型信息，对各份所述并发特征数据进行分类，形成各所述并发类型信息以及各所述用药类型信息与各份所述并发特征数据中医疗费用的对应关系；
当接收到就诊患者的诊断信息时，将所述诊断信息和所述对应关系对比，对与所述诊断信息对应的目标医疗费用进行预测。
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：
获取多份历史就诊数据，并从各份所述历史就诊数据中抓取与预设慢性病并发症对应的多份并发特征数据；
读取各份所述并发特征数据中的并发类型信息以及用药类型信息，并根据各所述并发类型信息和所述用药类型信息，对各份所述并发特征数据进行分类，形成各所述并发类型信息以及各所述用药类型信息与各份所述并发特征数据中医疗费用的对应关系；
当接收到就诊患者的诊断信息时，将所述诊断信息和所述对应关系对比，对与所述诊断信息对应的目标医疗费用进行预测。
本实施例的医疗费用预测方法，从大量的历史就诊数据中抓取与预设慢性病并发症对应的多份并发特征数据，该多份并发特征数据表征了患有各种慢性病并发症的患者在就诊过程中的信息，包括表征病症类型的并发类型信息以及表征用药方案的用药类型信息；从各份并发特征数据中读取各并发类型信息和用药类型信息，并依据该并发类型信息和用药类型信息对并发特征数据进行分类；因各并发特征数据中还涉及到患者就诊时的医疗费用，使得对并发特征数据的分类，形成了各并发类型信息、用药类型信息和医疗费用之间的对应关系；后续在接收到就诊患者表征所患病症的诊断信息时，将该诊断信息和所形成的对应关系进行对比，即可确定对应关系中与诊断信息所表征病症在各类用药方案上的医疗费用，实现了对诊断信息对应目标医疗费用的预测。因并发特征数据来源于大量真实有效的历史就诊数据，使得所形成的对应关系具有较高的准确度，进而由对应关系对诊断信息所表征病症的目标医疗费用的预测更为准确有效，提升了对患有各种慢性病并发症患者的医疗费用的预测准确度。
附图说明
图1是本发明的医疗费用预测方法第一实施例的流程示意图；
图2是本发明的医疗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。
本发明提供一种医疗费用预测方法。
请参照图1，图1为本发明医疗费用预测方法第一实施例的流程示意图。在本实施例中，所述医疗费用预测方法包括：
步骤S10，获取多份历史就诊数据，并从各份所述历史就诊数据中抓取与预设慢性病并发症对应的多份并发特征数据；
本发明的医疗费用预测方法应用于服务器，适用于通过服务器对诊断为患有各种慢性病并发症患者的医疗费用进行预测；其中慢性病并发症为慢性病在发展过程中所引起的其他病症，而慢性病则是指不构成传染、具有长期积累形成疾病形态损害的疾病；如糖尿病、高血压、冠心病、哮喘、慢性胃炎等；以慢性病中最为典型的糖尿病为例，其并发症包括动脉粥样硬化及心脑血管疾病、糖尿病肾病、神经系统病变、眼部病变及合并肺结核、急性感染等。本实施例所预测的医疗费用为患有慢性病并发症的患者到医疗机构进行就诊可能需要花费的费用，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。各慢性病并发症患者之间所患的慢性病并发症类型不同，且同种类型慢性病并发症的用药方案之间也千差万别，使得在对患有各种类型慢性病并发症的患者进行治疗时，所产生的医疗费用不同。但是对于同种类型慢性病并发症且用药方案类似的治疗，所花费的医疗费用具有相似性；从而可通过各类型慢性病并发症以各种用药方案治疗时以往普遍的医疗费用，来对当前就诊患者的诊断信息中所表征慢性病并发症类型的医疗费用进行预测。如以往对高血压性心脏病心力衰竭以A方案进行就诊治疗时，有90％患者的医疗费用在a1～a2之间，从而可以将该医疗费用区间作为参考基准，将诊断信息中表征慢性病并发症类型为高血压性心脏病心力衰竭，且以A方案进行治疗时的医疗费用预测为在a1～a2之间。
可理解地，各医疗机构在对患者进行治疗时，会对各患者治疗过程中与病症相关的数据进行记录；如病症类型、就诊时间、治疗手段、用药类型、各类用药量、医疗费用等；将医疗机构中所记录的该类数据作为历史就诊数据，其包括慢性病并发症的历史就诊数据，也包括其他类型疾病的历史就诊数据。服务器和各医疗机构之间建立有通信连接，在对就诊患者的医疗费用进行预测之前，需要先获取医疗机构中对各患者的各类疾病进行治疗所记录的历史就诊数据，并从所记录的各历史就诊数据中筛选出与慢性病并发症相关的历史就诊数据。具体地，服务器向各医疗机构发送获取历史就诊数据的请求，各医疗机构则在接收到请求后，将其中所记录的多份历史就诊数据传输到服务器，其中一名就诊患者一次就诊的就诊数据对应一份历史就诊数据。
因各医疗机构所上传的历史就诊数据中包括慢性病并发症的历史就诊数据，也包括其他慢性病并发症的历史就诊数据，而需要从各历史就诊数据中抓取出与慢性病并发症对应的历史就诊数据。预先设置有多种类型的预设慢性病并发症，且各预设慢性病并发症用预设标识符表征，一种预设标识符表征一种预设慢性病并发症；将各份历史就诊数据逐一和预设标识符进行对比，确定与预设慢性病并发症对应的各历史就诊数据。将与预设慢性病并发症对应的各历史就诊数据作为预设慢性病并发症对应的并发特征数据，在经对比确定各历史就诊数据中所存在的并发特征数据后，则从各历史就诊数据中抓取该与预设慢性并发症对应的各份并发特征数据。各份并发特征数据均至少包括各就诊患者的并发类型、用药类型、用药量、医疗费用等信息。
步骤S20，读取各份所述并发特征数据中的并发类型信息以及用药类型信息，并根据各所述并发类型信息和所述用药类型信息，对各份所述并发特征数据进行分类，形成各所述并发类型信息以及各所述用药类型信息与各份所述并发特征数据中医疗费用的对应关系；
进一步地，因一份并发特征数据表征一名就诊患者到医疗机构对某类预设慢性病并发症进行就诊的就诊数据，即并发特征数据与预设慢性病并发症相关，其中的并发类型信息表征预设慢性病并发症的类型，而用药类型信息表征针对此类预设慢性并发症的用药类型和用药量。不同的就诊患者之间所就诊的预设慢性病并发症类型以及所采用的用药类型不一样，而使得各份并发特征数据中的并发类型信息以及用药类型信息不一样。为了通过各份并发特征数据表征各类预设慢性病并发症的特征，对各份并发特征数据中的并发类型信息以及用药类型信息进行读取，并依据该并发类型信息和用药类型信息对并发特征数据进行分类；将具有相同类型的并发类型信息和用药类型信息的并发特征数据划分到同一类，使得一个类型表征了一种预设慢性病并发症以及该该类预设慢性病并发症的用药类型，通过各个类型的分类来反映各类预设慢性病并发症所具有的各治疗方案。具体地，根据各并发类型信息和用药类型信息，对各份并发特征数据进行分类的步骤包括：
步骤S21，对各所述并发类型信息进行对比，将具有相同的所述并发类型信息的各份所述并发特征数据划分到同一组类；
可理解地，对于不同类型的预设慢性病并发症在用药上的差异性较大，在对各份并发特征数据进行分类时，先依据并发类型信息，将相同类型的预设慢性病并发症划分到同一组，再针对各组中并发特征数据的不同用药类型信息进行划分。具体地，将各并发特征数据的并发类型信息进行对比，筛选出相同的各并发类型信息，进而将具有相同并发类型信息的各并发特征数据划分到同一组类。在对各并发类型信息进行对比的过程中，逐个读取并发类型信息，并判断之前所读取的并发类型信息中是否存在与当前读取的并发类型信息一致的并发类型信息；若存在一致的并发类型信息，则将当前读取的并发类型信息归类到此一致的并发类型信息中；若不存在一致的并发类型信息，则将当前读取的并发类型信息作为一类新的并发类型信息，便于后续的读取判断。如对于三份并发特征数据A、B、C，A包括[a1、a2、a3]，B包括[b1、b2、b3]，C包括[c1、c2、c3]；其中a1、b1、c1表征并发类型信息，a2、b2、c2表征用药类型信息，a3、b3、c3表征医疗费用。在对比时，先读取a1并在判断出不存在与其一致的并发类型信息后，将a1作为一类新的并发类型信息；进而读取b1，并判断其和a1是否为相同的并发类型信息，若相同则将b1归类到a1的并发类型信息中；再读取c1，并判断其和a1是否为相同的并发类型信息，若不相同则将c1作为一类新的并发类型信息，以便于对后续读取的并发类型信息进行判断。在各并发类型信息均对比完成，将各并发特征数据划分到各组类后；所划分的各个组类即为与各类预设慢性病并发症对应的组类，一个组类对应一类预设慢性病并发症。
步骤S22，对各所述组类中的各份所述并发特征数据所具有的所述用药类型信息进行对比，将各所述组类中具有相同所述用药类型信息的各份所述并发特征数据划分为各所述组类中的子组类。
进一步地，因同一类型的预设慢性病并发症在所使用的用药方案不同时，会具有不同的医疗费用，从而在形成与各类型预设慢性病并发症对应的组类后，继续针对各组类中的并发特征数据进行用药方案的分类。因用药方案通过用药类型和用药量来体现，在对所划分的各组类进行再次分类时，依据各组类中所具有并发特征数据的用药类型信息进行。将各组类中各并发特征数据的用药类型信息进行对比，筛选出相同的各用药类型信息，进而将各组类中具有相同用药类型信息的各并发特征数据划分到同一子组类，形成各组类中的子组类。同样地，在对各用药类型信息进行对比的过程中，按照各组类的划分界限，逐个读取各组类中的各用药类型信息，并判断之前所读取的用药类型信息中是否存在与当前读取的用药类型信息一致的用药类型信息；若存在一致的用药类型信息，则将当前读取的用药类型信息归类到此一致的用药类型信息中；若不存在一致的用药类型信息，则将当前读取的用药类型信息作为一类新的用药类型信息，便于后续的读取判断。如对于上述并发特征数据A、B、C，因并发特征信息a1和b1相同，从而将A和B划分到同一组类；读取该组类中的用药类型信息a2，并在判断出不存在与其一致的用药类型信息后，将a2作为一类新的用药类型信息；进而读取b2，并判断其和a2是否为相同的用药类型信息，若相同则将b2归类到a2的用药类型信息中。在当前组类中的用药类型信息对比完成后，读取下一组类的用药类型信息进行对比，直到所有依据并发类型信息所划分的组类均对其中用药类型信息对比完成。
在将各个组类中的用药类型信息均对比完成，将各组类中的并发特征数据依据用药类型信息划分到各组类中的子组类后；所划分的各组类中的子组类即为与各类预设慢性病并发症的用药方案的子组类，一个子组类对应一类预设慢性病并发症的一个用药方案。
此外，因各并发特征数据中包括就诊患者的医疗费用，而使得位于各子组类中的并发特征数据均对应有医疗费用；各子组类中的并发类型信息以及用药类型信息和医疗费用之间形成对应关系，表征对各类型预设慢性病并发症以各种不同用药方案进行治疗所对应的医疗费用。其中，形成各并发类型信息以及各用药类型信息与各份并发特征数据中医疗费用的对应关系的步骤包括：
步骤S23，读取各所述子组类中具有所述并发特征数据的数据份数，以及各份所述并发特征数据对应的医疗费用；
可理解地，组类中的各子组类虽然表征相同的预设慢性病并发症类型所具有的各用药方案的并发特征数据，但各份并发特征数据所对应的医疗费用仍然具有差异性，只是差异性较小；为了更为准确的体现子组类所表征的预设慢性病并发症类型以及用药方案对应的医疗费用，对子组类中所具有的各医疗费用进行整合，将各医疗费用进行平均化处理，以通过平均化的医疗费用来体现各类用药方案所可能需要的医疗费用。具体地，各子组类中所具有的并发特征数据的份数不一样，读取各子组类中具有并发特征数据的数据份数，以及各子组类中各份并发特征数据所对应的医疗费用，以依据数据份数和各份中的医疗费用进行各子组类医疗费用的平均化处理。
步骤S24，根据所述数据份数以及各份所述并发特征数据对应的医疗费用，确定各所述子组类的医疗费用均值，以形成各所述并发类型信息以及各所述用药类型信息与各份所述并发特征数据中医疗费用的对应关系。
进一步地，对各子组类中所具有并发特征数据的医疗费用进行相加，相加的结果为各子组类所具有并发特征数据的医疗费用总值，用该医疗费用总值和数据份数做比值，比值的结果即为各子组类的医疗费用均值；其中在相加和做比值的过程中，以各子组类为单位进行；即针对同一子组类中各并发特征数据的医疗费用进行相加操作，同时用同一子组类中的医疗费用总值和数据份数做比值，直到各组类中的各子组类均得到医疗费用均值。形成组类、子组类以及医疗费用均值之间的对应关系，其中组类包括多个子组类，而子组类与医疗费用一一对应。因组类依据并发类型信息划分，表征各预设慢性病并发症，而子组类依据用药类型信息划分，表征各预设慢性病并发症的用药方案；从而各组类、子组类以及医疗费用之间的对应关系，其实质为各并发类型信息、各用药类型信息以及各并发特征数据中医疗费用之间的对应关系；且用于形成对应关系的各并发特征数据的医疗费用为经并发类型信息和用药类型信息进行分类后，位于各分类中并发特征数据所具有的医疗费用，该位于各分类中并发特征数据所具有的医疗费用在对应关系中以医疗费用均值的形式存在。
步骤S30，当接收到就诊患者的诊断信息时，将所述诊断信息和所述对应关系对比，对与所述诊断信息对应的目标医疗费用进行预测。
更进一步地，在各预设慢性病并发症的各类用药方案所对应的医疗费用之间形成对应关系后，就诊患者在就诊过程中需要对某一类慢性病并发症患者的医疗费用进行预测时，向服务器发送预测请求，并将所需要进行预测的诊断信息和预测请求一并上传到服务器；其中诊断信息为经医疗机构诊断的就诊患者所患有的慢性病并发症的信息。当服务器接收到就诊患者的诊断信息时，则将该诊断信息和对应关系进行对比；诊断信息中包括就诊患者所患有慢性病并发症的类型信息，而对应关系中则涉及到多个预设慢性病并发症以各种用药方案治疗的医疗费用的组类；在将诊断信息和对应关系对比时，从对应关系中查找出与诊断信息中所表征慢性病并发症的类型信息对应的组类，进而由该组类中的子组类，预测诊断信息所来源的就诊患者以各种用药方案对其患有的慢性病并发症进行治疗所需要的目标医疗费用。其中各子组类中对应的用药类型信息和医疗费用均值，即表征了就诊患者以该类用药类型进行治疗时所需要花费的目标医疗费用。
本实施例的医疗费用预测方法，从大量的历史就诊数据中抓取与预设慢性病并发症对应的多份并发特征数据，该多份并发特征数据表征了患有各种慢性病并发症的患者在就诊过程中的信息，包括表征病症类型的并发类型信息以及表征用药方案的用药类型信息；从各份并发特征数据中读取各并发类型信息和用药类型信息，并依据该并发类型信息和用药类型信息对并发特征数据进行分类；因各并发特征数据中还涉及到患者就诊时的医疗费用，使得对并发特征数据的分类，形成了各并发类型信息、用药类型信息和医疗费用之间的对应关系；后续在接收到就诊患者表征所患病症的诊断信息时，将该诊断信息和所形成的对应关系进行对比，即可确定对应关系中与诊断信息所表征病症在各类用药方案上的医疗费用，实现了对诊断信息对应目标医疗费用的预测。因并发特征数据来源于大量真实有效的历史就诊数据，使得所形成的对应关系具有较高的准确度，进而由对应关系对诊断信息所表征病症的目标医疗费用的预测更为准确有效，提升了对患有各种慢性病并发症患者的医疗费用的预测准确度。
进一步地，在本发明医疗费用预测方法的另一实施例中，所述将所述诊断信息和所述对应关系对比，对与所述诊断信息对应的目标医疗费用进行预测的步骤包括：
步骤S31，读取所述诊断信息中的并发类型标识，并将所述并发类型标识和所述对应关系中的各所述并发类型信息对比，确定与所述诊断信息对应的目标组类；
进一步地，医疗机构在对就诊患者进行诊断，生成就诊患者的诊断信息时，会向诊断信息中添加表征就诊患者所患有慢性病并发症类型的标识，将该标识作为并发类型标识。在对诊断信息和对应关系进行对比时，读取诊断信息中的并发类型标识，以确定就诊患者所患有慢性病并发症的类型；将该读取的并发类型标识和对应关系中各个表征预设慢性病并发症类型的并发类型信息对比，从对应关系的各并发类型信息中确定和并发类型一致的并发类型信息。因依据该一致的并发类型信息进行划分的组类所对应的预设慢性病并发症类型和诊断信息所表征的慢性病并发症类型一致，而将该组类作为与诊断信息对应的目标组类，以由目标组类中各子组类的医疗费用均值对诊断信息所来源就诊患者的医疗费用进行预测。
步骤S32，读取所述目标组类中所具有目标子组类，以及与各所述目标子类型对应的目标医疗费用均值，并将各所述目标医疗费用均值确定为与所述诊断信息对应的目标医疗费用。
可理解地，因目标组类中的各并发特征数据会依据用药类型信息划分为各子组类，且各子组类对应有医疗费用均值，表征对目标组类所对应预设慢性病并发症以各种类型药品进行治疗所可能需要的花费。而患有目标组类所表征预设慢性病并发症的就诊患者，可能采用目标组类中各子组类所表征的任意一类药品进行治疗，而使得其医疗花费与其所采用的药品类型相关。从而先将目标组类中所具有的各子组类作为目标子组类进行读取，再读取各目标子组类所对应的医疗费用均值作为目标医疗费用均值。读取的各目标子组类以及对应的各目标医疗费用均值为就诊患者所可能采用的用药方案以及对应的医疗费用，从而将该各目标医疗费用均值均作为与诊断信息对应的目标医疗费用，以表征就诊患者对其患有慢性病并发症采用各种用药方案进行治疗，所可能需要的对应花费。同时，还可将各目标子组类以及对应的目标医疗费用均值输出到就诊患者所持有的手机、平板电脑等终端上，以告知就诊患者以各种用药方案进行治疗所需要的花费，便于就诊患者进行合理选择。
此外，考虑到就诊患者由慢性病所引起的其他病症涉及到多种，即慢性病并发症有多种，如糖尿病伴眼部并发症以及伴腿部并发症等。对于此类涉及到多种慢性病并发症的的就诊患者，此多种慢性病并发症均体现在就诊患者的诊断信息中。诊断信息中的并发类型标识包括多类，在将并发类型标识和对应关系中的各并发类型信息对比，所确定的与诊断信息对应的目标组类也涉及到多类，不同类型的目标组类对应就诊患者所患有的各慢性病并发症的医疗费用不同。为了确定就诊患者是否患有多种慢性病并发症，本实施例将各目标医疗费用均值确定为与诊断信息对应的目标医疗费用的步骤之后包括：
步骤S33，判断是否存在多类所述目标组类，若存在多类所述目标组类，则统计各所述目标组类中所具有所述目标子组类的子组类数量；
判断经并发类型标识和各并发类型信息对比，所确定的目标组类是否存在多类；若不存在多类目标组类，则说明就诊患者患没有多种慢性病并发症，仅患有一种慢性病并发症；而针对此一种慢性病并发症预测目标医疗费用即可，即将目标组类中的各目标子组类的目标医疗费用均值作为就诊患者的目标医疗费用。而当存在多种目标组类，则说明就诊患者具有多种慢性病并发症，需要针对多种慢性病并发症预测目标医疗费用。因经对比确定的各目标组类所表征的慢性病并发症为就诊患者所患有的慢性病并发症，各目标组类中各子组类对应的医疗费用均值为就诊患者对其患有的慢性病并发症，采用不同的用药方案进行治疗所需要的各种医疗费用，即各目标组类中的各目标子组类的目标医疗费用均值均为就诊患者的目标医疗费用。
但是不同类型慢性病并发症在治疗过程中所花费的医疗费用不相同，在对患有多种慢性病并发症就诊患者的目标医疗费用的预测过程中，可预测其目标医疗费用的主导费用。该主导费用为对各类慢性病并发症进行治疗，占所需要的目标医疗费用中总额量最高的医疗费用；如就诊患者所患有的慢性病并发症包括M和N，且经预测确定M对应的目标医疗费用为m，而N对应的目标医疗费用为n，若m大于n，则说明在目标医疗费用m和n中的主导费用为m。考虑到各类慢性病并发症的目标医疗费用以各目标组类中对应的医疗费用均值存在，一类慢性病并发症的目标医疗费用对应不同的用药方案具有多个医疗费用均值。为了体现各类慢性病并发症所对应目标医疗费用中的主导费用，需要对各类慢性病并发症所对应目标医疗费用中的多个目标医疗费用均值进行整合。具体地，各目标组类中所具有的目标子组类数量不一致，使得目标医疗费用中所具有的目标医疗费用均值数量不一致；统计各目标组类中所具有目标子组类的子组类数量，以依据子组类数量进行各目标组类中目标医疗费用均值的平均化处理，通过平均化的目标医疗费用均值来体现各类慢性病并发症所可能需要的医疗费用。
步骤S34，根据所述子组类数量和各所述目标组类中各所述目标子组类的所述目标医疗费用均值，确定各所述目标组类的组费用均值；
进一步地，在统计出各目标组类的子组类数量之后，再对各目标组类中各目标子组类的目标医疗费用均值进行读取，同时对各目标医疗费用均值进行相加，得到相加的结果为各目标组类所具有目标子组类的目标医疗费用均值的总和；用该目标医疗费用均值的总和与子组类数量做比值，比值的结果即为各目标组类的组费用均值，反映了对目标组类所表征预设慢性病并发症进行治疗所需要的医疗费用平均值大小。其中在相加和做比值的过程中，以各目标组类为单位进行；即针对同一目标组类中的目标医疗费用均值进行相加操作，同时用同一目标组类中的目标医疗费用均值的总和与子组类数量做比值，直到各目标组类均生成组费用均值。
步骤S35，将各所述组费用均值进行对比，确定数值最大的目标组费用均值，并将所述目标组费用均值输出到所述就诊患者所持有终端，以将所述目标组费用均值作为所述目标医疗费用中的主导费用进行提醒。
可理解地，因各目标组类中所具有目标子组类的数量不一样，且各目标子组类所对应的目标医疗费用均值也不一样，使得各目标组类所形成的组费用均值也存在差异；为了确定目标医疗费用中的主导费用，将各组费用均值进行对比，从各组费用均值中查找出数值最大的组费用均值作为目标组费用均值，表征就诊患者对与目标组费用均值表征的慢性病并发症进行治疗，所需要的医疗费用最大值。将所确定的目标组费用均值及其对应的慢性病并发症类型输出到就诊患者所持有的终端上，以告知就诊患者在对其所患有的各种类型慢性病并发症进行治疗的过程中，花费最高的医疗费用最，以及对应的慢性病并发症类型。
进一步地，在本发明医疗费用预测方法的另一实施例中，所述形成各所述并发类型信息以及各所述用药类型信息与各份所述并发特征数据中医疗费用的对应关系的步骤之后包括：
步骤S25，当接收到待跟踪就诊数据时，读取所述待跟踪就诊数据中的并发类型字段以及用药类型字段；
可理解地，因所形成的并发类型信息、用药类型信息以及医疗费用之间的对应关系，准确的反映了针对各类慢性病并发症以各种用药方案进行治疗所需要的医疗费用；从而可依据该对应关系对各慢性病并发症进行就诊所产生的医疗费用的异常性进行判断。具体地，将所需要进行异常性判断的医疗费用，以及生成该医疗费用的慢性病并发症类型、用药方案作为待跟踪就诊数据；并将该待跟踪就诊数据传输到服务器。当接收到该待跟踪就诊数据时，读取其中的并发类型字段以及用药类型字段；并发类型字段用于表征慢性病并发症的类型，用药类型字段用于表征用药方案，以基于并发类型字段和用药类型字段判断待跟踪数据中医疗费用的异常性。
步骤S26，将所述并发类型字段和所述对应关系中的各所述并发类型信息对比，确定与所述待跟踪就诊数据对应的跟踪组类；
进一步地，因对应关系依据并发类型信息划分为各组类，该并发类型信息表征了慢性病并发症的类型；从而将读取的并发类型字段和对应关系中的各并发类型信息对比，从对应关系中查找出与并发类型字段一致的并发类型信息，依据该一致的并发类型信息划分的组类即为并发类型字段所表征慢性病并发症对应的组类；将该对应的组类确定为与待跟踪就诊数据对应的跟踪组类，以由该跟踪组类对待跟踪就诊数据中医疗费用的异常性进行判断。
步骤S27，将所述用药类型字段和所述跟踪组类中各所述子组类的所述用药类型信息对比，确定与所述待跟踪就诊数据对应的跟踪子组类；
更进一步地，跟踪组类依据用药类型信息划分为多个具有不同用药方案的子组类，不同的子组类对应不同的医疗费用；用待跟踪就诊数据中表征用药方案的用药类型字段和跟踪组类中各子组类的用药类型信息对比，从各用药类型信息中查找出与用药类型字段一致的用药类型信息，依据该一致的用药类型信息划分的子组类即为用药类型字段所表征用药方案对应的子组类；将该对应的子组类确定为与待跟踪就诊数据对应的跟踪子组类，以由该跟踪子组类对待跟踪数据中医疗费用的异常性进行判断。
步骤S28，读取与所述跟踪子组类对应的跟踪医疗费用均值，以及所述待跟踪就诊数据中的待跟踪医疗费用，并将所述跟踪医疗费用均值对所述待跟踪医疗费用进行对比，判断所述待跟踪医疗费用的异常性。
可理解地，存在于对应关系中的各子组类均具有对应的医疗费用均值，将跟踪子组类对应的医疗费用均值作为跟踪医疗费用均值进行读取；同时读取待跟踪就诊数据中的医疗费用作为需要进行异常性判断的待跟踪医疗费用。将读取的跟踪医疗费用均值和待跟踪医疗费用进行对比，判断待跟踪医疗费用和跟踪医疗费用均值是否一致，若一致则判定待跟踪医疗费用正常，若不一致则判定待跟踪医疗费用异常。其中一致性可用跟踪医疗费用均值的浮动范围表征，如设定跟踪医疗费用均值的浮动范围为正负10；即在对比时以跟踪医疗费用均值为基础，待跟踪医疗费用在跟踪医疗费用均值减去10和增加10的范围之间，均属于正常；否则属于异常，以确保对待跟踪医疗费用用异常性的准确判断。
进一步地，在本发明医疗费用预测方法的另一实施例中，所述对与所述诊断信息对应的目标医疗费用进行预测的步骤之后包括：
步骤S40，根据各所述预设慢性病并发症之间的预设关联关系，预测与所述诊断信息对应的病症变化趋势；
可理解地，对于由慢性病所引起的各种病症，出现某一并发病症后，此并发病症可能发展为其他并发病症，即各类型慢性病并发症之间具有关联关系，如糖尿病视网膜病变可能发展为糖尿病性肾病，显性糖尿病肾病可能发展为终末期肾功能衰竭。此类关联关系由历史的各种慢性病并发症医疗数据统计而来，将该关联关系作为预设关联关系提前设置到服务器中。在接收到就诊患者的诊断信息，并预测该诊断信息对应的目标医疗费用之后；进一步由该预设关联关系对诊断信息对应的病症变化趋势进行预测，即诊断信息中所体现的就诊患者患有的慢性病并发症可能的病症变化情况。如预设关联关系中慢性病并发症P随着时间先变化为K、在变化为S、进而变化为w；若就诊患者的诊断信息所表征的慢性病并发症已经由P变化为K，则可预测其下一病症变化趋势为S。
步骤S50，将所述病症变化趋势和所述对应关系对比，确定与所述病症变化趋势对应的费用变化趋势，并将所述病症变化趋势和所述费用变化趋势发送到所述就诊患者所持有终端。
因病症的变化为慢性病并发症的类型变化，而针对不同类型慢性病并发症所采用的用药治疗方案不一样，使得医疗费用存在差异性。在确定诊断信息的病症变化趋势，即可能出现的慢性病并发症类型后，将病症变化趋势和对应关系对比，从对应关系中查找出和病症变化趋势所表征慢性病并发症类型一致的并发类型信息，依据该一致的并发类型信息所划分的组类，即为以各用药方案对该可能出现的慢性病并发症进行治疗所需要的医疗费用，该所需要的医疗费用为相对于诊断信息对应的目标医疗费用所可能变化的医疗费用，而将其作为费用变化趋势。将该预测的病症变化趋势和费用变化趋势发送到就诊患者所持有的终端上进行显示，以告知就诊患者在当前诊断信息所体现的慢性病并发症的基础上，所可能变化的慢性病并发症，以及对该变化的慢性病并发症以各种用药方案进行治疗所需要的医疗费用；并对就诊患者当前慢性病并发症的注意事项进行提醒，避免恶化。
此外，请参照图2，本发明提供一种医疗费用预测装置，在本发明医疗费用预测装置第一实施例中，所述医疗费用预测装置包括：
获取模块10，用于获取多份历史就诊数据，并从各份所述历史就诊数据中抓取与预设慢性病并发症对应的多份并发特征数据；
分类模块20，用于读取各份所述并发特征数据中的并发类型信息以及用药类型信息，并根据各所述并发类型信息和所述用药类型信息，对各份所述并发特征数据进行分类，形成各所述并发类型信息以及各所述用药类型信息与各份所述并发特征数据中医疗费用的对应关系；
预测模块30，用于当接收到就诊患者的诊断信息时，将所述诊断信息和所述对应关系对比，对与所述诊断信息对应的目标医疗费用进行预测。
本实施例的医疗费用预测装置，获取模块10从大量的历史就诊数据中抓取与预设慢性病并发症对应的多份并发特征数据，该多份并发特征数据表征了患有各种慢性病并发症的患者在就诊过程中的信息，包括表征病症类型的并发类型信息以及表征用药方案的用药类型信息；分类模块20从各份并发特征数据中读取各并发类型信息和用药类型信息，并依据该并发类型信息和用药类型信息对并发特征数据进行分类；因各并发特征数据中还涉及到患者就诊时的医疗费用，使得对并发特征数据的分类，形成了各并发类型信息、用药类型信息和医疗费用之间的对应关系；后续预测模块30在接收到就诊患者表征所患病症的诊断信息时，将该诊断信息和所形成的对应关系进行对比，即可确定对应关系中与诊断信息所表征病症在各类用药方案上的医疗费用，实现了对诊断信息对应目标医疗费用的预测。因并发特征数据来源于大量真实有效的历史就诊数据，使得所形成的对应关系具有较高的准确度，进而由对应关系对诊断信息所表征病症的目标医疗费用的预测更为准确有效，提升了对患有各种慢性病并发症患者的医疗费用的预测准确度。
进一步地，在本发明医疗费用预测装置另一实施例中，所述分类模块还包括：
对比单元，用于对各所述并发类型信息进行对比，将具有相同的所述并发类型信息的各份所述并发特征数据划分到同一组类；
划分单元，用于对各所述组类中的各份所述并发特征数据所具有的所述用药类型信息进行对比，将各所述组类中具有相同所述用药类型信息的各份所述并发特征数据划分为各所述组类中的子组类；
读取单元，用于读取各所述子组类中具有所述并发特征数据的数据份数，以及各份所述并发特征数据对应的医疗费用；
形成单元，用于根据所述数据份数以及各份所述并发特征数据对应的医疗费用，确定各所述子组类的医疗费用均值，以形成各所述并发类型信息以及各所述用药类型信息与各份所述并发特征数据中医疗费用的对应关系。
进一步地，在本发明医疗费用预测装置另一实施例中，所述预测模块还包括确定单元，所述确定单元用于：
读取所述诊断信息中的并发类型标识，并将所述并发类型标识和所述对应关系中的各所述并发类型信息对比，确定与所述诊断信息对应的目标组类；
读取所述目标组类中所具有目标子组类，以及与各所述目标子类型对应的目标医疗费用均值，并将各所述目标医疗费用均值确定为与所述诊断信息对应的目标医疗费用。
进一步地，在本发明医疗费用预测装置另一实施例中，所述预测模块还包括：
判断单元，用于判断是否存在多类所述目标组类，若存在多类所述目标组类，则统计各所述目标组类中所具有所述目标子组类的子组类数量；
所述确定单元还用于根据所述子组类数量和各所述目标组类中各所述目标子组类的所述目标医疗费用均值，确定各所述目标组类的组费用均值；
输出单元，用于将各所述组费用均值进行对比，确定数值最大的目标组费用均值，并将所述目标组费用均值输出到所述就诊患者所持有终端，以将所述目标组费用均值作为所述目标医疗费用中的主导费用进行提醒。
进一步地，在本发明医疗费用预测装置另一实施例中，所述分类模块还用于：
当接收到待跟踪就诊数据时，读取所述待跟踪就诊数据中的并发类型字段以及用药类型字段；
将所述并发类型字段和所述对应关系中的各所述并发类型信息对比，确定与所述待跟踪就诊数据对应的跟踪组类；
将所述用药类型字段和所述跟踪组类中各所述子组类的所述用药类型信息对比，确定与所述待跟踪就诊数据对应的跟踪子组类；
读取与所述跟踪子组类对应的跟踪医疗费用均值，以及所述待跟踪就诊数据中的待跟踪医疗费用，并将所述跟踪医疗费用均值对所述待跟踪医疗费用进行对比，判断所述待跟踪医疗费用的异常性。
进一步地，在本发明医疗费用预测装置另一实施例中，所述预测模块还用于：
根据各所述预设慢性病并发症之间的预设关联关系，预测与所述诊断信息对应的病症变化趋势；
将所述病症变化趋势和所述对应关系对比，确定与所述病症变化趋势对应的费用变化趋势，并将所述病症变化趋势和所述费用变化趋势发送到所述就诊患者所持有终端。
其中，上述医疗费用预测装置的各虚拟功能模块存储于图3所示医疗费用预测设备的存储器1005中，处理器1001执行医疗费用预测程序时，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。
本发明实施例医疗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，该医疗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，该医疗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中示出的医疗费用预测设备结构并不构成对医疗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、网络通信模块以及医疗费用预测程序。操作系统是管理和控制医疗费用预测设备硬件和软件资源的程序，支持医疗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，以及与医疗费用预测设备中其它硬件和软件之间通信。
在图3所示的医疗费用预测设备中，处理器1001用于执行存储器1005中存储的医疗费用预测程序，实现上述医疗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优选为计算机可读计算机可读存储介质，所述计算机可读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医疗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 (10)
1.一种医疗费用预测方法，其特征在于，所述医疗费用预测方法包括以下步骤：
获取多份历史就诊数据，并从各份所述历史就诊数据中抓取与预设慢性病并发症对应的多份并发特征数据；
读取各份所述并发特征数据中的并发类型信息以及用药类型信息，并根据各所述并发类型信息和所述用药类型信息，对各份所述并发特征数据进行分类，形成各所述并发类型信息以及各所述用药类型信息与各份所述并发特征数据中医疗费用的对应关系；
当接收到就诊患者的诊断信息时，将所述诊断信息和所述对应关系对比，对与所述诊断信息对应的目标医疗费用进行预测。
2.如权利要求1所述的医疗费用预测方法，其特征在于，所述根据各所述并发类型信息和所述用药类型信息，对各份所述并发特征数据进行分类，形成各所述并发类型信息以及各所述用药类型信息与各份所述并发特征数据中医疗费用的对应关系的步骤包括：
对各所述并发类型信息进行对比，将具有相同的所述并发类型信息的各份所述并发特征数据划分到同一组类；
对各所述组类中的各份所述并发特征数据所具有的所述用药类型信息进行对比，将各所述组类中具有相同所述用药类型信息的各份所述并发特征数据划分为各所述组类中的子组类；
读取各所述子组类中具有所述并发特征数据的数据份数，以及各份所述并发特征数据对应的医疗费用；
根据所述数据份数以及各份所述并发特征数据对应的医疗费用，确定各所述子组类的医疗费用均值，以形成各所述并发类型信息以及各所述用药类型信息与各份所述并发特征数据中医疗费用的对应关系。
3.如权利要求2所述的医疗费用预测方法，其特征在于，所述将所述诊断信息和所述对应关系对比，对与所述诊断信息对应的目标医疗费用进行预测的步骤包括：
读取所述诊断信息中的并发类型标识，并将所述并发类型标识和所述对应关系中的各所述并发类型信息对比，确定与所述诊断信息对应的目标组类；
读取所述目标组类中所具有目标子组类，以及与各所述目标子类型对应的目标医疗费用均值，并将各所述目标医疗费用均值确定为与所述诊断信息对应的目标医疗费用。
4.如权利要求3所述的医疗费用预测方法，其特征在于，所述将各所述目标医疗费用均值确定为与所述诊断信息对应的目标医疗费用的步骤之后包括：
判断是否存在多类所述目标组类，若存在多类所述目标组类，则统计各所述目标组类中所具有所述目标子组类的子组类数量；
根据所述子组类数量和各所述目标组类中各所述目标子组类的所述目标医疗费用均值，确定各所述目标组类的组费用均值；
将各所述组费用均值进行对比，确定数值最大的目标组费用均值，并将所述目标组费用均值输出到所述就诊患者所持有终端，以将所述目标组费用均值作为所述目标医疗费用中的主导费用进行提醒。
5.如权利要求2所述的医疗费用预测方法，其特征在于，所述形成各所述并发类型信息以及各所述用药类型信息与各份所述并发特征数据中医疗费用的对应关系的步骤之后包括：
当接收到待跟踪就诊数据时，读取所述待跟踪就诊数据中的并发类型字段以及用药类型字段；
将所述并发类型字段和所述对应关系中的各所述并发类型信息对比，确定与所述待跟踪就诊数据对应的跟踪组类；
将所述用药类型字段和所述跟踪组类中各所述子组类的所述用药类型信息对比，确定与所述待跟踪就诊数据对应的跟踪子组类；
读取与所述跟踪子组类对应的跟踪医疗费用均值，以及所述待跟踪就诊数据中的待跟踪医疗费用，并将所述跟踪医疗费用均值对所述待跟踪医疗费用进行对比，判断所述待跟踪医疗费用的异常性。
6.如权利要求1-5任一项所述的医疗费用预测方法，其特征在于，所述对与所述诊断信息对应的目标医疗费用进行预测的步骤之后包括：
根据各所述预设慢性病并发症之间的预设关联关系，预测与所述诊断信息对应的病症变化趋势；
将所述病症变化趋势和所述对应关系对比，确定与所述病症变化趋势对应的费用变化趋势，并将所述病症变化趋势和所述费用变化趋势发送到所述就诊患者所持有终端。
7.一种医疗费用预测装置，其特征在于，所述医疗费用预测装置包括：
获取模块，用于获取多份历史就诊数据，并从各份所述历史就诊数据中抓取与预设慢性病并发症对应的多份并发特征数据；
分类模块，用于读取各份所述并发特征数据中的并发类型信息以及用药类型信息，并根据各所述并发类型信息和所述用药类型信息，对各份所述并发特征数据进行分类，形成各所述并发类型信息以及各所述用药类型信息与各份所述并发特征数据中医疗费用的对应关系；
预测模块，用于当接收到就诊患者的诊断信息时，将所述诊断信息和所述对应关系对比，对与所述诊断信息对应的目标医疗费用进行预测。
8.如权利要求7所述的医疗费用预测装置，其特征在于，所述分类模块包括：
对比单元，用于对各所述并发类型信息进行对比，将具有相同的所述并发类型信息的各份所述并发特征数据划分到同一组类；
划分单元，用于对各所述组类中的各份所述并发特征数据所具有的所述用药类型信息进行对比，将各所述组类中具有相同所述用药类型信息的各份所述并发特征数据划分为各所述组类中的子组类；
读取单元，用于读取各所述子组类中具有所述并发特征数据的数据份数，以及各份所述并发特征数据对应的医疗费用；
形成单元，用于根据所述数据份数以及各份所述并发特征数据对应的医疗费用，确定各所述子组类的医疗费用均值，以形成各所述并发类型信息以及各所述用药类型信息与各份所述并发特征数据中医疗费用的对应关系。
9.一种医疗费用预测设备，其特征在于，所述医疗费用预测设备包括：存储器、处理器、通信总线以及存储在所述存储器上的医疗费用预测程序；
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医疗费用预测程序，以实现如权利要求1-6中任一项所述的医疗费用预测方法的步骤。
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上存储有医疗费用预测程序，所述医疗费用预测程序被处理器执行时实现如权利要求1-6中任一项所述的医疗费用预测方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811462249.9A CN109616216A (zh) | 2018-11-30 | 2018-11-30 | 医疗费用预测方法、装置、设备及计算机可读存储介质 |
| PCT/CN2019/096633 WO2020107899A1 (zh) | 2018-11-30 | 2019-07-19 | 医疗费用预测方法、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 |
|---|---|---|---|
| CN201811462249.9A CN109616216A (zh) | 2018-11-30 | 2018-11-30 | 医疗费用预测方法、装置、设备及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109616216A true CN109616216A (zh) | 2019-04-12 |
Family
ID=66006137
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811462249.9A Pending CN109616216A (zh) | 2018-11-30 | 2018-11-30 | 医疗费用预测方法、装置、设备及计算机可读存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN109616216A (zh) |
| WO (1) | WO2020107899A1 (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110738573A (zh) * | 2019-09-06 | 2020-01-31 | 平安医疗健康管理股份有限公司 | 基于分类器的数据处理方法、设备、存储介质及装置 |
| WO2020107899A1 (zh) * | 2018-11-30 | 2020-06-04 | 平安医疗健康管理股份有限公司 | 医疗费用预测方法、装置、设备及计算机可读存储介质 |
| CN111739604A (zh) * | 2020-05-28 | 2020-10-02 | 思派健康产业投资有限公司 | 一种慢病人群实际就诊处方挖掘及实现方法 |
| CN111739603A (zh) * | 2020-05-28 | 2020-10-02 | 思派健康产业投资有限公司 | 一种针对慢病人群基于标准治疗处方的实际治疗处方评判方法 |
| CN112037918A (zh) * | 2020-11-02 | 2020-12-04 | 平安科技（深圳）有限公司 | 一种融合并发症风险的慢病医保费用预测方法及相关设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108109700A (zh) * | 2017-12-19 | 2018-06-01 | 中国科学院深圳先进技术研究院 | 一种慢性病药物疗效评价方法和装置 |
| CN108133734A (zh) * | 2017-12-21 | 2018-06-08 | 广东工业大学 | 一种医疗费用大数据的分析方法、装置及设备 |
| CN108460693A (zh) * | 2018-03-29 | 2018-08-28 | 平安健康保险股份有限公司 | 保险合作医院的品质监控方法及装置、存储介质及终端 |
| 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 |
| 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 |
| CN108898316A (zh) * | 2018-07-02 | 2018-11-27 | 平安健康保险股份有限公司 | 理赔费用预警方法及系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663660A (zh) * | 2012-03-06 | 2012-09-12 | 浙江大学 | 社区医院管理系统及使用方法 |
| RU2664150C2 (ru) * | 2016-05-05 | 2018-08-15 | Ян Львович Габинский | Коронарный паспорт человека |
| CN107833621A (zh) * | 2017-03-06 | 2018-03-23 | 平安医疗健康管理股份有限公司 | 医疗费用控制方法和装置 |
| CN109616216A (zh) * | 2018-11-30 | 2019-04-12 | 平安医疗健康管理股份有限公司 | 医疗费用预测方法、装置、设备及计算机可读存储介质 |
-
2018
- 2018-11-30 CN CN201811462249.9A patent/CN109616216A/zh active Pending
-
2019
- 2019-07-19 WO PCT/CN2019/096633 patent/WO2020107899A1/zh active Application Filing
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108109700A (zh) * | 2017-12-19 | 2018-06-01 | 中国科学院深圳先进技术研究院 | 一种慢性病药物疗效评价方法和装置 |
| CN108133734A (zh) * | 2017-12-21 | 2018-06-08 | 广东工业大学 | 一种医疗费用大数据的分析方法、装置及设备 |
| 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 |
| 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 |
| CN108460693A (zh) * | 2018-03-29 | 2018-08-28 | 平安健康保险股份有限公司 | 保险合作医院的品质监控方法及装置、存储介质及终端 |
| CN108898316A (zh) * | 2018-07-02 | 2018-11-27 | 平安健康保险股份有限公司 | 理赔费用预警方法及系统 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020107899A1 (zh) * | 2018-11-30 | 2020-06-04 | 平安医疗健康管理股份有限公司 | 医疗费用预测方法、装置、设备及计算机可读存储介质 |
| CN110738573A (zh) * | 2019-09-06 | 2020-01-31 | 平安医疗健康管理股份有限公司 | 基于分类器的数据处理方法、设备、存储介质及装置 |
| CN111739604A (zh) * | 2020-05-28 | 2020-10-02 | 思派健康产业投资有限公司 | 一种慢病人群实际就诊处方挖掘及实现方法 |
| CN111739603A (zh) * | 2020-05-28 | 2020-10-02 | 思派健康产业投资有限公司 | 一种针对慢病人群基于标准治疗处方的实际治疗处方评判方法 |
| CN112037918A (zh) * | 2020-11-02 | 2020-12-04 | 平安科技（深圳）有限公司 | 一种融合并发症风险的慢病医保费用预测方法及相关设备 |
| WO2021203997A1 (zh) * | 2020-11-02 | 2021-10-14 | 平安科技（深圳）有限公司 | 一种融合并发症风险的慢病医保费用预测方法及相关设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020107899A1 (zh) | 2020-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109616216A (zh) | 医疗费用预测方法、装置、设备及计算机可读存储介质 | |
| 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 | |
| US9307922B2 (en) | Systems and methods for displaying physiologic data | |
| CN109472711A (zh) | 健康险的核保方法、装置、设备及计算机可读存储介质 | |
| CN104899130B (zh) | 一种应用程序管理方法及系统 | |
| WO2011070556A1 (en) | System and method for generating graphical representation of patient status | |
| CN107358040A (zh) | 基于医生问诊的慢病患者健康检查系统及方法 | |
| CN111971755A (zh) | 用于确定透析患者的功能以评估姑息和/或临终护理的参数和定时的系统和方法 | |
| US10810552B2 (en) | Clinical pathway management device | |
| CN109637620A (zh) | 基于数据分析的处方生成监测方法、装置、设备和介质 | |
| CN109637615A (zh) | 异常医疗处方的判断方法、装置、设备及可读存储介质 | |
| CN109598628A (zh) | 医保欺诈行为的识别方法、装置、设备及可读存储介质 | |
| CN107480433A (zh) | 具有统计分析功能的输血闭环信息管理系统 | |
| CN108538349A (zh) | 基于临床路径偏差分析的医院临床路径调整系统及方法 | |
| CN109785919A (zh) | 名词匹配方法、装置、设备及计算机可读存储介质 | |
| CN108334731A (zh) | 基于健康检查一体机的慢病管理系统及方法 | |
| CN109598302A (zh) | 就诊费用预测方法、装置、设备及计算机可读存储介质 | |
| US20230116079A1 (en) | Population health platform | |
| WO2014120204A1 (en) | Synthetic healthcare data generation | |
| CN112530563A (zh) | 确定医疗资源分配策略的方法、装置和系统 | |
| US20130282396A1 (en) | System and method for deploying multiple clinical decision support models | |
| CN106548037A (zh) | 基于移动终端的电子病历数据迁移系统及方法 | |
| Lee et al. | Increasing access to health care providers through medical home model may abolish racial disparity in diabetes care: evidence from a cross-sectional study | |
| CN106776985A (zh) | 电子病历数据动态迁移系统及方法 | |
| CN107945840A (zh) | 电子病历的评价方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190412 |
|
| RJ01 | Rejection of invention patent application after publication |