CN109636632A - 基于机器学习的保险理赔方法、装置、设备及存储介质 - Google Patents
基于机器学习的保险理赔方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN109636632A CN109636632A CN201811525340.0A CN201811525340A CN109636632A CN 109636632 A CN109636632 A CN 109636632A CN 201811525340 A CN201811525340 A CN 201811525340A CN 109636632 A CN109636632 A CN 109636632A
- Authority
- CN
- China
- Prior art keywords
- insurance
- information
- settlement
- special
- request
- 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 59
- 238000010801 machine learning Methods 0.000 title claims abstract description 38
- 239000003814 drug Substances 0.000 claims abstract description 139
- 238000012552 review Methods 0.000 claims abstract description 60
- 238000001514 detection method Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 30
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 27
- 201000010099 disease Diseases 0.000 claims description 23
- 238000003745 diagnosis Methods 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 13
- 238000007726 management method Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000000926 separation method Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012550 audit Methods 0.000 claims description 5
- 238000013139 quantization Methods 0.000 claims description 4
- 230000003252 repetitive effect Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 abstract description 4
- 239000000463 material Substances 0.000 description 13
- 229940079593 drug Drugs 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 238000002347 injection Methods 0.000 description 5
- 239000007924 injection Substances 0.000 description 5
- 239000005411 L01XE02 - Gefitinib Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- XGALLCVXEZPNRQ-UHFFFAOYSA-N gefitinib Chemical compound C=12C=C(OCCCN3CCOCC3)C(OC)=CC2=NC=NC=1NC1=CC=C(F)C(Cl)=C1 XGALLCVXEZPNRQ-UHFFFAOYSA-N 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 229940022353 herceptin Drugs 0.000 description 3
- 238000012015 optical character recognition Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229960002584 gefitinib Drugs 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 229940084651 iressa Drugs 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- OCINXEZVIIVXFU-UHFFFAOYSA-N 1-methyl-3-[3-methyl-4-[4-(trifluoromethylthio)phenoxy]phenyl]-1,3,5-triazinane-2,4,6-trione Chemical compound CC1=CC(N2C(N(C)C(=O)NC2=O)=O)=CC=C1OC1=CC=C(SC(F)(F)F)C=C1 OCINXEZVIIVXFU-UHFFFAOYSA-N 0.000 description 1
- 206010055113 Breast cancer metastatic Diseases 0.000 description 1
- 101150039808 Egfr gene Proteins 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 101001012157 Homo sapiens Receptor tyrosine-protein kinase erbB-2 Proteins 0.000 description 1
- 235000014676 Phragmites communis Nutrition 0.000 description 1
- 102100030086 Receptor tyrosine-protein kinase erbB-2 Human genes 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000000039 congener Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 108700021358 erbB-1 Genes Proteins 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001394 metastastic effect Effects 0.000 description 1
- 206010061289 metastatic neoplasm Diseases 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 206010028417 myasthenia gravis Diseases 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002018 overexpression Effects 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 208000000649 small cell carcinoma Diseases 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 229960000898 toltrazuril Drugs 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 229960000575 trastuzumab Drugs 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000005406 washing 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/41—Analysis of document content
- G06V30/413—Classification of content, e.g. text, photographs or tables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Abstract
本发明提供一种基于机器学习的保险理赔方法、设备、装置及存储介质,在为客户提供理赔服务时,对原始诊疗信息预处理得到理赔所需的理赔审核信息,再通过预先训练得到的检测模型对理赔审核信息进行检测,以确定其真实性,再根据真实性检测结果进行进行相应处理,从而实现智能化和自动化的保险理赔,提高了特药保险理赔的服务效率,有利于为客户提供更好的服务体验,还有利于降低人力成本。
Description
技术领域
本发明涉及大数据技术领域,尤其涉及一种基于机器学习的保险理赔方法、装置、设备及存储介质。
背景技术
随着医学技术的发展,市场上特药(针对某一疾病进行特殊治疗,具有高科学含量,技术难度高的药品)逐渐增多,如吉非替尼片(易瑞沙)、芦可替尼片(捷恪卫)等;但市场上的特药价格较为昂贵。为了减轻患者负担,一些保险机构提出将特药的医药费用纳入至保险报销范围内,提供特药保险服务。
目前这种特药保险在进行理赔时,主要是理赔人员对理赔请求进行理赔审核,而由于在进行理赔时需要审核大量的诊疗材料,这种人工理赔方法的服务效率较低,工作量大,特别是在任务量较大时会出现无法及时回复客户的情况。
发明内容
本发明的主要目的在于提供一种基于机器学习的保险理赔方法、装置、设备及存储介质,旨在解决人工提供保险理赔服务效率低下的技术问题。
为实现上述目的,本发明提供一种基于机器学习的保险理赔方法,所述保险理赔方法应用于保险理赔终端,所述保险理赔方法包括:
在接收到请求终端发送的特药理赔请求时,根据所述特药理赔请求获取被保人的原始诊疗信息;
对所述原始诊疗信息进行预处理,得到理赔审核信息;
将所述理赔审核信息输入至预先训练完成的信息真实性检测模型,并获取所述信息真实性检测模型输出的检测结果;
根据所述检测结果对所述特药理赔请求进行相应处理。
此外,为实现上述目的,本发明还提供一种基于机器学习的保险理赔装置,所述保险理赔装置包括:
请求接收模块,用于在接收到请求终端发送的特药理赔请求时,根据所述特药理赔请求获取被保人的原始诊疗信息;
信息预处理模块,用于对所述原始诊疗信息进行预处理,得到理赔审核信息;
模型检测模块,用于将所述理赔审核信息输入至预先训练完成的信息真实性检测模型,并获取所述信息真实性检测模型输出的检测结果;
请求处理模块,用于根据所述检测结果对所述特药理赔请求进行相应处理。
此外,为实现上述目的,本发明还提供一种基于机器学习的保险理赔设备,所述保险理赔设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的保险理赔程序,其中所述保险理赔程序被所述处理器执行时,实现如上述的基于机器学习的保险理赔方法的步骤。
此外,为实现上述目的,本发明还提供一种存储介质,所述存储介质上存储有保险理赔程序,其中所述保险理赔程序被处理器执行时,实现如上述的基于机器学习的保险理赔方法的步骤。
本发明在为客户提供理赔服务时,对原始诊疗信息预处理得到理赔所需的理赔审核信息,再通过预先训练得到的检测模型对理赔审核信息进行检测,以确定其真实性,再根据真实性检测结果进行进行相应处理,从而实现智能化和自动化的保险理赔,提高了特药保险理赔的服务效率,有利于为客户提供更好的服务体验,还有利于降低人力成本。
附图说明
图1为本发明实施例方案中涉及的基于机器学习的保险理赔设备的硬件结构示意图;
图2为本发明基于机器学习的保险理赔方法第一实施例的流程示意图;
图3为本发明基于机器学习的保险理赔装置第一实施例的功能模块示意图。
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。
本发明实施例涉及的基于机器学习的保险理赔方法主要应用于基于机器学习的保险理赔设备,该保险理赔设备可以是个人计算机(personal computer,PC)、笔记本电脑、服务器等具有数据处理功能的设备。
参照图1,图1为本发明实施例方案中涉及的基于机器学习的保险理赔设备的硬件结构示意图。本发明实施例中,该保险理赔设备可以包括处理器1001(例如中央处理器Central Processing Unit,CPU),通信总线1002,用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信;用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard);网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真WIreless-FIdelity,WI-FI接口);存储器1005可以是高速随机存取存储器(random access memory,RAM),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。本领域技术人员可以理解,图1中示出的硬件结构并不构成对本发明的限定,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。
继续参照图1,图1中作为一种计算机可读存储介质的存储器1005可以包括操作系统、网络通信模块以及保险理赔程序。在图1中,网络通信模块可用于连接请求终端,与请求终端进行数据通信;而处理器1001可以调用存储器1005中存储的保险理赔程序,并执行本发明实施例提供的基于机器学习的保险理赔方法。
本发明实施例提供了一种基于机器学习的保险理赔方法。
参照图2,图2为本发明基于机器学习的保险理赔方法第一实施例的流程示意图。
本实施例中,所述保险理赔方法应用于保险理赔终端,所述保险理赔方法包括以下步骤:
步骤S10,在接收到请求终端发送的特药理赔请求时,根据所述特药理赔请求获取被保人的原始诊疗信息;
目前对于这种特药保险在进行理赔时,主要是理赔人员对理赔请求进行理赔审核等,而由于在进行理赔时需要审核大量的诊疗材料,使得这种人工理赔方法的服务效率较低,工作量大,特别是在任务量较大时会出现无法及时回复客户的情况。对此,本实施例中提出一种基于机器学习的保险理赔方法,在为客户提供理赔服务时,对原始诊疗信息预处理得到理赔所需的理赔审核信息,再通过预先训练得到的检测模型对理赔审核信息进行检测,以确定其真实性,再根据真实性检测结果进行进行相应处理,从而实现智能化和自动化的保险理赔,提高了特药保险理赔的服务效率,有利于为客户提供更好的服务体验,还有利于降低人力成本。
本实施例中的基于机器学习的保险理赔方法是由基于机器学习的保险理赔设备实现的,该保险理赔设备又可称为保险理赔终端,该保险理赔终端可以是个人计算机(personal computer,PC)、服务器等。本实施例中,特药保险的被保人出现了理赔事件(被保人患病并购买了特药保险中约定的保险特药)时,被保人(或投保人、或保险受益人)可通过一请求终端(该请求终端可以是个人电脑PC、笔记本电脑、手机等)进行理赔操作,请求终端则根据该理赔操作向保险理赔终端发送对应的特药理赔请求。保险理赔终端在接收到该特药理赔请求时,将会根据该理赔请求获取被保人的原始诊疗信息。对于该原始诊疗信息,可以是被保人在就医和/或购药时,由相关医务人员或药房人员对诊疗过程进行记录,并将相关的原始诊疗信息上传至对应的信息管理平台(如病历管理平台,处方管理平台等);当被保人通过请求终端发起特药理赔请求时,可在该特药理赔请求中添加信息授权证明(如信息账户的账户名和密码、信息密钥等),以供保险理赔终端通过该信息授权证明从该信息管理平台中获得被保人的原始诊疗信息。
而对于纸质的诊疗材料(如纸质病历,纸质处方单等),为了方便被保人提供信息(资料)的方便,被保人可以是提供相关的纸质诊疗材料的材料图像,由保险理赔终端通过OCR(Optical Character Recognition,光学字符识别)技术对该材料图像进行识别得到对应的原始诊疗信息。具体的,保险理赔终端在接收到请求终端发送的特药理赔请求时,将根据该特药理赔请求对应特药保险所涉及的保险特药类型确定所需要的审核材料类型,然后向该请求终端返回对应的材料图像上传提示。被保人在通过理赔终端看到该材料图像上传提示时,需要通过理赔终端上传对应的材料图像,该材料图像可以是被保人通过理赔终端实时拍摄纸质的理赔审核材料得到,也可以是预先存储在理赔终端或网盘等。保险理赔终端在得到材料图像时,将通过OCR技术对所述材料图像进行识别,并提取得到所需的原始诊疗信息。
步骤S20,对所述原始诊疗信息进行预处理,得到理赔审核信息;
本实施例中,由于原始诊疗信息可能包括有无用的诊疗信息,而不同的原始诊疗信息也可能用不同的格式进行记载,因此为了满足信息真实性检测模型的输入要求,并进一步提高检测效率,保险理赔终端在得到原始诊疗信息时,首先需要对原始诊疗信息进行相应的预处理,得到对应的理赔审核信息。具体的,该预处理可以包括信息清洗,即去除原始诊疗信息中的无效(无用)字段,例如可清洗掉病历信息中的医院电话,医院地址等。该预处理还可以包括信息分项,即将原始诊疗信息中的有效(有用)字段的字段值以标准化的方式进行记录,以方便后续的信息读取;例如可以是在保险理赔终端中预置一标准信息表格模板,该模板中包括有效字段,保险理赔终端可根据通过字段对比的方式将该原始诊疗信息转换为标准格式的理赔审核信息。
进一步的,对于原始诊疗信息中,可能会包括非量化诊疗信息,例如“轻微肿胀感”、“重度肌无力”等,对于这种非量化诊疗信息,虽也属于病症描述,但对理赔审核终端而言,可能会导致影响信息真实性检测模型的检测效率和/或准确性(包括信息识别和真实性判断过程)。对此,本实施例中的保险理赔终端在对原始诊疗信息进行预处理时,可先将该非量化诊疗信息转译为对应的间接量化审核信息,该间接量化审核信息是以阿拉伯数字的形式进行表示的理赔审核信息,其它不同的数值对应不同程度的病症描述;再将该间接量化审核信息输入至信息真实性检测模型进行检测,从而提高处理效率和检测的准确性。具体的,保险理赔终端在得到原始诊疗信息时,根据预先设置的关键字识别规则对原始诊疗信息中的非量化诊疗信息进行关键字识别,识别出其中的病症关键字(如“轻微”、“重度”等);然后根据预设的关键字映射表对该病症关键字进行数值映射,得到数字型的间接量化审核信息,例如“轻微”对应“1”,“重度”对应“3”。值得说明的是,对于不同种类的非量化诊疗信息,其关键字的种类、含义及识别必要性可能会不同,因此保险理赔终端可以是根据不同种类的非量化诊疗信息设置多种不同的关键字识别规则;在进行预处理时,是根据非量化诊疗信息的种类获取对应的关键字识别规则进行识别,从而提高识别的效率。
步骤S30,将所述理赔审核信息输入至预先训练完成的信息真实性检测模型,并获取所述信息真实性检测模型输出的检测结果;
本实施例中,在得到理赔审核信息时,保险理赔终端将这些理赔审核信息输入至信息真实性检测模型,以通过该模型对理赔审核信息进行真实性检测,判断这些理赔审核信息是否真实,是否可能是由被保人(或投保人、保险受益人等)伪造从而进行骗保。正常情况下,对于真实的理赔审核信息中的各项(如保险特药的种类、确诊病症、病症描述、特药用药量、特药支出费用、总治疗费用等)是具有一定的规律关系,例如,对于保险特药吉非替尼片(易瑞沙),正常情况下其对应的确诊病症为局部晚期或转移性非小细胞肺癌(NSCLC),病症描述中包括非小细胞癌审核的病理学诊断、EGFR基因检测敏感或突变等。本实施例中的信息真实性检测模型,即是对理赔审核信息中的各项进行分析,通过判断各项是否符合该规律关系来确定理赔审核信息的真实性。值得说明的是,由于理赔审核信息中信息量较大,且各项信息的关系较为复杂,若通过人的经验来总结各项审核信息之间的规律关系并进行建模,可能会使得该检测模型受到人类思维局限的不利影响,因此本案中的信息真实性检测模型可以通过机器学习的方式来构建和训练得到。
具体的,本实施例中需要获取用于训练模型的信息样本集,该信息样本集可以是预先存储在理赔保险终端中,也可以是存储在其它的数据库中;该信息样本的各信息样本可以是来源于历史理赔信息或是历史诊疗信息,且各样本信息中标记有各自的真实性属性(即表明这条信息样本是真实还是虚假),还包括有各项子信息(如上述的保险特药的种类、确诊病症、病症描述、特药用药量、特药支出费用、总治疗费用等);然后可使用该信息样本中的各信息样本对初始机器学习模型进行训练,得到训练完成的信息真实性检测模型。其中,对于该机器学习的过程,可以是通过神经网络、遗传算法、支持向量机等多种方式实现。
本实施例中,考虑到实际的疾病诊断时可能出现的状况较多,若要获取到各种情况下的信息样本用于进行模型训练,则会增大工作量,因此本实施例可采用linear-svm(linear-Support Vector Machine、线性-支持向量机)的方式进行建模。linear-svm是一种有监督的线性分类算法,属于判别模型的一种(不关心数据是怎么生成的,它只关心信号之间的差别,然后用差别来简单对给定的一个信号进行分类);linear-svm基于几何间隔最大化原理,认为存在最大几何间隔的分类面为最优分类面,因此是考虑分类面上(局部边界线附近)的点,即linear-svm不直接依赖于数据分布,从而可在一定限度上降低样本量不足对模型准确率的不利影响。具体的,在进行训练时,先建立一个初始模型,然后根据各信息样本的真实性属性将各信息样本分成了正例样本(真实信息样本)和负例样本(虚假信息样本)两大类;然后可根据一定的比例在各信息样本中随机抽取若干的正例样本和负例样本(例如50%正例样本+全部负例样本)作为一次训练样本,利用该这些一次训练样本对初始模型进行训练:在预设坐标系中绘制出各个一次训练样本对应的一次特征点,然后根据一次训练样本的真实性属性(正例和负例)以及一次特征点所在的位置对预设坐标系进行区域划分,得到正例区域和负例区域;然后根据区域的划分情况可得出若干个分隔函数,然后可在这些分隔函数中确定一个最近分隔函数;其中,在一次训练中,该最近分隔函数可以是随机确定,或者通过某些约束条件进行确定。在进行了一次训练后,可再次从信息样本集中以相同比例抽取若干的信息样本作为迭代样本,并在该预设坐标系中绘制对应的迭代特征点,并利用这些迭代特征点对最近分隔函数不断进行调整,从而对信息真实性检测模型不断进行迭代训练,直至其对信息样本的正确分隔率(真实性检测率)达到预设阈值,即认为训练完成,获得训练好的信息真实性检测模型。值得说明的是,该预设坐标系,可以是二维坐标系,此时最近分隔函数对应图像为一条直线;而由于理赔审核信息中信息复杂性,该预设坐标系也可能是三维以上(此处“以上”包括本数)的超坐标系,也就是说,对于二维坐标系下的特征点,可能需要通过核函数(例如径函数)将其投影至高维度坐标系中,再根据各高纬度特征点获取高纬度坐标系下的分隔超平面函数(即分隔函数对应图像为一个超平面)。
在训练得到信息真实性检测模型,并获取到步骤S20的理赔审核信息时,即可将该理赔审核信息输入至该信息真实性检测模型中进行真实性检测。具体的,保险理赔终端可根据理赔审核信息的各项子信息在信息真实性检测模型的坐标系中绘制对应的信息特征点;然后再根据该信息特征点与最近分隔函数之间的位置关系确定该信息特征点所在的区域,从而根据信息特征点所在的区域确定该理赔审核信息的真实性属性,并根据理赔审核信息的真实性属性输出对应的模型检测结果。例如若信息特征点处于正例区域时,则该信息特征点的真实性属性为真实,此时检测结果为该理赔审核信息真实;而若信息特征点处于负例区域时,则该信息特征点的真实性属性为虚假,此时检测结果为该理赔审核信息虚假。当然,对于理赔审核信息虚假的原因可能是多样的,例如药不对症、用药过量、确诊病症与病症描述不符等。
步骤S40,根据所述检测结果对所述特药理赔请求进行相应处理。
本实施例中,保险理赔终端在得到检测结果时,即可根据根据该检测结果进行对应的处理操作。具体的,若检测结果为该理赔审核信息真实,即说明未发现异常信息(如欺诈、捏造数据、骗保等),此时保险理赔终端将向关联的财务系统发送建议赔付信息,以使得财务系统(或者相关财务人员)根据该建议赔付信息进行相应的赔付处理。当然,为方便后续的赔付操作,保险理赔终端在得到理赔审核信息真实的检测结果时,还可从理赔审核信息中获取特药支出费用,然后根据特药支持费用和本次特药理赔请求的特药保险所对应的赔付方案计算得到赔付费用;在得到赔付费用时,即可根据该赔付费用生成对应的建议赔付信息,并将该建议赔付信息发送至财务系统,以使得到财务系统根据该赔付费用进行赔付。此外,该建议赔付信息中还可以包括其它内容,例如包括特药理赔请求的审核信息,关联的保单信息,检测记录等。而在具体实施中,若保险理赔终端在对理赔审核信息进行检测后,若得到理赔审核信息虚假的检测结果,则认为可能存在异常,此时保险理赔终端可向请求终端返回拒绝理赔的处理信息,又或者是向相关的复核终端发送建议复核信息,以使得相关复核人员对该特药理赔请求进行复核。
本实施例中,保险理赔终端在接收到请求终端发送的特药理赔请求时,根据所述特药理赔请求获取被保人的原始诊疗信息;对所述原始诊疗信息进行预处理,得到理赔审核信息;将所述理赔审核信息输入至预先训练完成的信息真实性检测模型,并获取所述信息真实性检测模型输出的检测结果;根据所述检测结果对所述特药理赔请求进行相应处理。通过上述方式,本实施例在为客户提供理赔服务时,对原始诊疗信息预处理得到理赔所需的理赔审核信息,再通过预先训练得到的检测模型对理赔审核信息进行检测,以确定其真实性,再根据真实性检测结果进行进行相应处理,从而实现智能化和自动化的保险理赔,提高了特药保险理赔的服务效率,有利于为客户提供更好的服务体验,还有利于降低人力成本。
基于上述图2所示实施例,提出本发明基于机器学习的保险理赔方法的第二实施例。
本实施例中,步骤S10之前还包括:
在接收到投保终端发送的特药保险投保请求时,根据所述特药保险投保请求确定对应的保险特药,并获取所述保险特药的人均年费用和适用症发病率、以及所述特药保险的赔付方案;
本实施例中,保险理赔终端中还可以集成有特药保险的自动定价功能,以大数据分析的方式实现特药保险的智能定价和线上收费,从而进一步提高保险服务的效率,并降低人工劳动量。具体的,投保人员(可以与被保人不是同一个人)需要购买特药保险时,可在投保终端(该投保终端可以是个人电脑PC、笔记本电脑、手机等)上进行相应操作,投保终端则根据投保人员的操作向保险理赔终端发送对应的特药保险投保请求。保险理赔终端在接收到该特药保险投保请求时,首先要对该特药保险进行定价。此时,保险理赔终端首先将要确定该特药保险投保请求所对应的保险特药,即确定投保人需要购买哪类特药的保险服务(将哪类特药纳入保险报销范围)。对于该保险特药的确定,可以是保险理赔终端在接收到该特药保险投保请求时,向投保终端返回特药询问信息,该特药询问信息中包括有可选特药种类,以使投保人员根据该询问信息在投保终端中手动录入选择的保险特药种类(或者是通过选择菜单选项的方式)并发送至保险理赔终端;当然也可以是投保人在投保终端进行投保操作时直接录入相关的保险特药种类信息,由投保终端将选择的保险特药种类添加至特药保险投保请求中一起发送至保险理赔终端。
保险理赔终端在确定选择的保险特药时,将要获取该保险特药的费用情况和保险特药的适用症发病率;其中保险特药的费用情况为购买该特药的支出费用,对于该费用情况,考虑到特药疗程、使用方法等因素,本实施列中以人均年费用进行表征(即该保险特药的适用症患者正常使用保险特药的情况下一年所需要的特药购买费用)。对于保险特药的人均年费用和适用症发病率,可以是通过特药说明书信息计算得到,该说明书信息包括有使用方法(服用方法)、说明书单价和适用症发病率;为描述方便,通过说明书信息计算得到的人均年费用可称为“说明书人均年费用”。具体的,保险理赔终端首先将会获取保险特药的说明书信息,该说明书信息中包括说明书单价、疗程用量(盒/支)、疗程时长(月)等,例如对于特药注射用曲妥珠单抗(赫赛汀,一种用于治疗HER2过度表达的转移性乳腺癌的注射剂),每支价格为24900元,每个疗程用量1支盒,每个疗程1个月;一年按12个月算,则注射用曲妥珠单抗的说明书人均年费用为:
说明书人均年费用=说明书单价*(疗程用量*12/疗程时长)=298800元。
对于保险特药的人均年费用和适用症发病率,还可以是根据该保险特药的历史药物费用和历史发病率(历史数据)确定;为描述方便,根据历史药物费用确定的人均年费用可称为“历史人均年费用”。具体的,保险理赔终端将会获取参考城市的历史药物费用信息和历史发病率;该历史药物费用和历史发病率可以是保险理赔终端与参考城市中的医院系统(或医药系统、药物系统等)连接并获取得到;而对于历史药物费用信息包括参考城市中保险特药在某一年度(或最近一年)的历史年度总费用和用药人数;根据该历史年度总费用和用药人数可计算得到参考城市中保险特药的历史人均年费用,也即:
历史人均年费用=历史年度总费用/使用人数。
当然,对于上述通过历史数据得出的历史人均年费用、和通过说明书信息得到的说明书人均年费用,都属于经验范畴和/或预测范畴的得到的数据,因此可统称为预测人均年费用;为了使得后续计算结果能够符合实际情况,还可以引入预设的费用附加风险因子(费用附加风险因子大于或等于零)、时间趋势因子(时间趋势因子大于或等于零),以表征下一保险周期可能带来的风险情况(如表征货币通胀、药物价格变化等),从而对预测人均年费用进行调整(或修正),从而得到人均年费用;具体的,可根据上述预测人均年费用(历史人均年费用或说明书人均年费用)以及费用附加风险因子、时间趋势因子,计算保险特药的人均年费用,即:
人均年费用=预测人均年费用*(1+费用附加风险因子)*(1+时间趋势因子)。
例如,当预测人均年费用为298800元,费用附加风险因子取0.15,时间趋势因子取0时,保险特药的人均年费用为
人均年费用=298800*(1+15%)*(1+0)=343620(元)。
本实施例中,保险理赔终端在获取保险特药的人均年费用和适用症发病率时,还将获取特药保险的赔付方案,该赔付方案为发生赔付事件时保险机构的赔付标准和说明(或计划、金额等)。例如,该赔付方案包括赔付比例表,具体如下表1所示
表1赔付比例表
支出金额(万) | 赔付比例 |
不超过1万的 | 95% |
超过1万至3万的部分 | 95% |
超过3万至5万的部分 | 95% |
超过5万的部分 | 95% |
当确定被保人(投保人员不一定为被保人)在发生赔付事件时的事件支出(购买保险特药支出)时,保险理赔终端即可根据该支出及上述赔付比例表计算赔付金额。当然,在具体实施中,赔付方案可以是以其它方式进行表示。而该赔付方案可以是由投保人员通过投保终端触发特药保险投保请求时即时输入并发送至保险理赔终端,也可以是预先存储在保险理赔终端中的。值得说明的是,如果特药保险中包括多种不同的保险特药,还可以是对不同的保险特药单独设置一种赔付方案。
根据所述人均年费用、所述适用症发病率和所述赔付方案获取所述特药保险的年风险保费,并根据所述年风险保费和预设运营方案获取所述特药保险计划的人均年毛保费;
本实施例中,保险理赔终端在得到保险特药的人均年费用、适用症发病率和赔付方案时,即可先根据该人均年费用和赔付方案获取保险特药的预计人均年赔付(即被保人年度支出为人均年费用时需要赔付的数额);例如,对于赔付方案,可以包括如上述表1所示的赔付比例表,而保险特药注射用曲妥珠单抗的人均年费用为343620元,则注射用曲妥珠单抗的预计人均年赔付为
预计人均年赔付=(10000-0)*0.95+(30000-10000)*0.95+(50000-30000)*0.95+(343620-50000)*0.95=326439(元)。
在得到保险特药的预计人均年赔付时,可根据预计人均年赔付和适用症发病率计算得到特药保险的年风险保费,即:
特药风险保费=预计人均赔付*适用症发病率。
本实施例中,当计算得到年风险保费时,即得到了特药保险在被保人赔付方面的支出数据,而对于特药保险的定价,还需要考虑保险机构的运营支出和利润等因素。具体的,保险理赔终端还需要获取预设运营方案,根据预设运营方案和年风险保费获得特药保险计划的人均年毛保费;该预设运营方案可以是预先设置在财务系统或业务系统中的数据,保险理赔终端在进行定价从该财务系统或业务系统中获得;当然也可以是预先存储在保险理赔终端中的。其中,预设运营方案可以包括预设人均运营成本、预设税费比例、和预设利润率;人均运营成本为每个被保人提供保险服务时的运营成本(包括系统费用、人力成本等);预设税费比例为保费的纳税比例;预设利润率则表征保险机构预计的利润情况。在得到年风险保费、预设人均运营成本、预设税费比例和预设利润率时,保险理赔终端可将其带入至预设毛保费公式中,计算得到特药保险的人均年毛保费,预设毛保费公式为:
其中,F为所述人均年毛保费;
R为所述年风险保费,R>0;
C为所述预设人均运营成本,C>0;
T为所述预设税费比例,0<T<1;
pr为所述预设利润率,0<pr<1。
本实施列中,保险理赔终端在计算得到特药保险的人均年毛保费时,即完成了特药保险的定价过程。
根据所述人均年毛保费生成对应的特药保险保单和支付链接,并将所述支付链接返回至所述投保终端,以完成所述特药保险保单的支付;
本实施例中,保险理赔终端在得到特药保险的人均年毛保费时,即可根据该人均年毛保费生成对应的特药保险保单。当然,在生成特药保险保单的过程中,还需要被保人的基本信息,如姓名、地址、联系方式等,对于这些基本信息,可以是投保人员在进行投保操作时一起提供。保险理赔终端在生成特药保险保单的同时,还将生成对应的支付链接,并将该支付链接返回至投保终端。投保终端在接收到该支付链接时,即可显示特药保险保单已生成的提示,并显示该支付链接供投保人员点击付费。投保人员在投保终端上点击打开该支付链接后,即可进入支付界面,该支付界面上将显示本次特药保险保单的产品信息(保险特药)、所需支付的人均年毛保费信息,并显示不同类型的支付方式选项供选择(例如银行卡、第三方支付平台等),投保人员可根据自身情况选择合适的方式、进入相关支付界面输入账户信息以进行付费。其中,若投保人员通过银行卡的方式支付,则投保人员在支付成功时,银行方会向保险理赔终端发送相关的转账通知;保险理赔终端在接收到该转账通知时,即认为保单完成支付,则会向投保终端发送对应的支付成功信息;而第三方支付平台的支付检测与银行卡的检测类似,此处不再赘述。
本实施例中,保险理赔终端还可以采用大数据的方式完成保险定价、保费收取的过程,进一步实现了特药保险服务的智能化和自动化,提高了保险服务的效率,降低了人力成本;同时,在进行保险定价时,结合了特药使用费用、疾病发病率、运营成本等多个影响因素计算特药保险计划的毛保费,以大数据分析处理的方式对特药保险计划进行了定价,从而更全面地考虑了特药保险计划价格影响因素,使得定价结果能够更符合保险机构的真实运营状况和特药的市场需求,提高了定价的合理性和准确性。
此外,本发明实施例还提供一种基于机器学习的保险理赔装置。
参照图3,图3为本发明基于机器学习的保险理赔装置第一实施例的功能模块示意图。
本实施例中,所述保险理赔装置包括:
请求接收模块10,用于在接收到请求终端发送的特药理赔请求时,根据所述特药理赔请求获取被保人的原始诊疗信息;
信息预处理模块20,用于对所述原始诊疗信息进行预处理,得到理赔审核信息;
模型检测模块30,用于将所述理赔审核信息输入至预先训练完成的信息真实性检测模型,并获取所述信息真实性检测模型输出的检测结果;
请求处理模块40,用于根据所述检测结果对所述特药理赔请求进行相应处理。
其中,上述基于机器学习的保险理赔装置的各虚拟功能模块存储于图1所示基于机器学习的保险理赔设备的存储器1005中,用于实现保险理赔程序的所有功能;各模块被处理器1001执行时,可实现特药保险理赔的智能化和自动化的功能。
进一步的,保险理赔装置还包括:
第一绘制模块,用于以预设比例在预设信息样本集的各信息样本中抽取一次训练样本,并在预设坐标系中绘制所述一次训练样本对应的一次特征点;
函数获取模块,用于根据所述一次特征点在所述预设坐标系的位置和所述一次训练样本的样本真实性属性对所述预设坐标系进行区域划分,并根据区域划分情况获取对应的最近分隔函数;
第二绘制模块,用于以所述预设比例在所述预设信息样本集的各信息样本中抽取迭代训练样本,并在所述预设坐标系中绘制所述迭代训练样本对应的迭代特征点;
迭代调整模块,用于通过所述迭代特征点对所述最近分隔函数进行迭代调整,直至所述最近分隔函数的正确分隔率达到预设阈值,得到训练完成的信息真实性检测模型。
进一步的,所述模型检测模块30包括:
特征点绘制单元,用于根据所述理赔审核信息在所述预设坐标系中绘制对应的信息特征点;
属性确定单元,用于根据所述信息特征点和所述最近分隔函数的位置关系确定所述理赔审核信息的真实性属性,并根据所述真实性属性输出检测结果。
进一步的,所述原始诊疗信息包括非量化诊疗信息,所述理赔审核信息包括间接量化审核信息,所述信息预处理模块20包括:
关键字识别单元,用于根据所述非量化诊疗信息的种类获取对应的关键字识别规则,并根据所述关键字识别规则识别所述非量化诊疗信息中的病症关键字;
数值映射单元,用于基于预设关键字映射表对所述病症关键字进行数值映射,得到对应的间接量化审核信息。
进一步的,所述保险理赔装置还包括:
特药确定模块,用于在接收到投保终端发送的特药保险投保请求时,根据所述特药保险投保请求确定对应的保险特药,并获取所述保险特药的人均年费用和适用症发病率、以及所述特药保险的赔付方案;
毛保费获取模块,用于根据所述人均年费用、所述适用症发病率和所述赔付方案获取所述特药保险的年风险保费,并根据所述年风险保费和预设运营方案获取所述特药保险的人均年毛保费;
保单生成模块,用于根据所述人均年毛保费生成对应的特药保险保单和支付链接,并将所述支付链接返回至所述投保终端,以完成所述特药保险保单的支付。
进一步的,所述预设运营方案包括预设人均运营成本、预设税费比例和预设利润率,
所述毛保费获取模块,具体用于根据所述年风险保费、所述预设人均运营成本、所述预设税费比例、所述预设利润率和预设毛保费公式计算得到所述特药保险计划的人均年毛保费,其中所述预设毛保费公式为:
其中,F为所述人均年毛保费;
R为所述年风险保费,R>0;
C为所述预设人均运营成本,C>0;
T为所述预设税费比例,0<T<1;
pr为所述预设利润率,0<pr<1。
进一步的,所述请求处理模块40包括:
赔付计算单元,用于若所述特药理赔请求合理,则根据所述理赔审核信息获取特药支出费用,并根据所述特药支出费用和所述赔付方案计算赔付费用;
信息发送单元,用于根据所述赔付费用生成对应的建议赔付信息,并将所述建议赔付信息发送至对应的财务系统。
其中,上述基于机器学习的保险理赔装置中各个模块的功能实现与上述基于机器学习的保险理赔方法实施例中各步骤相对应,其功能和实现过程在此处不再一一赘述。
此外,本发明实施例还提供一种存储介质。
本发明存储介质上存储有保险理赔程序,其中所述保险理赔程序被处理器执行时,实现如上述的基于机器学习的保险理赔方法的步骤。
其中,保险理赔程序被执行时所实现的方法可参照本发明基于机器学习的保险理赔方法的各个实施例,此处不再赘述。
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、物品或者系统不仅包括那些要素,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、物品或者系统所固有的要素。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、物品或者系统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,空调器,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,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于机器学习的保险理赔方法,其特征在于,所述保险理赔方法应用于保险理赔终端,所述保险理赔方法包括:
在接收到请求终端发送的特药理赔请求时,根据所述特药理赔请求获取被保人的原始诊疗信息;
对所述原始诊疗信息进行预处理,得到理赔审核信息;
将所述理赔审核信息输入至预先训练完成的信息真实性检测模型,并获取所述信息真实性检测模型输出的检测结果;
根据所述检测结果对所述特药理赔请求进行相应处理。
2.如权利要求1所述的保险理赔方法,其特征在于,所述在接收到请求终端发送的特药理赔请求时,根据所述特药理赔请求获取被保人的原始诊疗信息的步骤之前,还包括:
以预设比例在预设信息样本集的各信息样本中抽取一次训练样本,并在预设坐标系中绘制所述一次训练样本对应的一次特征点;
根据所述一次特征点在所述预设坐标系的位置和所述一次训练样本的样本真实性属性对所述预设坐标系进行区域划分,并根据区域划分情况获取对应的最近分隔函数;
以所述预设比例在所述预设信息样本集的各信息样本中抽取迭代训练样本,并在所述预设坐标系中绘制所述迭代训练样本对应的迭代特征点;
通过所述迭代特征点对所述最近分隔函数进行迭代调整,直至所述最近分隔函数的正确分隔率达到预设阈值,得到训练完成的信息真实性检测模型。
3.如权利要求2所述的保险理赔方法,其特征在于,所述将所述理赔审核信息输入至预先训练完成的信息真实性检测模型,并获取所述信息真实性检测模型输出的检测结果的步骤包括:
根据所述理赔审核信息在所述预设坐标系中绘制对应的信息特征点;
根据所述信息特征点和所述最近分隔函数的位置关系确定所述理赔审核信息的真实性属性,并根据所述真实性属性输出检测结果。
4.如权利要求1所述的保险理赔方法,其特征在于,所述原始诊疗信息包括非量化诊疗信息,所述理赔审核信息包括间接量化审核信息,
所述根据所述特药理赔请求对应的保险特药对所述原始诊疗信息进行预处理,得到理赔审核信息的步骤包括:
根据所述非量化诊疗信息的种类获取对应的关键字识别规则,并根据所述关键字识别规则识别所述非量化诊疗信息中的病症关键字;
基于预设关键字映射表对所述病症关键字进行数值映射,得到对应的间接量化审核信息。
5.如权利要求1所述的保险理赔方法,其特征在于,所述在接收到请求终端发送的特药理赔请求时,根据所述特药理赔请求获取被保人的原始诊疗信息的步骤之前,还包括:
在接收到投保终端发送的特药保险投保请求时,根据所述特药保险投保请求确定对应的保险特药,并获取所述保险特药的人均年费用和适用症发病率、以及所述特药保险的赔付方案;
根据所述人均年费用、所述适用症发病率和所述赔付方案获取所述特药保险的年风险保费,并根据所述年风险保费和预设运营方案获取所述特药保险的人均年毛保费;
根据所述人均年毛保费生成对应的特药保险保单和支付链接,并将所述支付链接返回至所述投保终端,以完成所述特药保险保单的支付。
6.如权利要求5所述的保险理赔方法,其特征在于,所述预设运营方案包括预设人均运营成本、预设税费比例和预设利润率,
所述根据所述年风险保费和预设运营方案获取所述特药保险计划的人均年毛保费的步骤包括:
根据所述年风险保费、所述预设人均运营成本、所述预设税费比例、所述预设利润率和预设毛保费公式计算得到所述特药保险的人均年毛保费,其中所述预设毛保费公式为:
其中,F为所述人均年毛保费;
R为所述年风险保费,R>0;
C为所述预设人均运营成本,C>0;
T为所述预设税费比例,0<T<1;
pr为所述预设利润率,0<pr<1。
7.如权利要求5所述的保险理赔方法,其特征在于,所述根据所述检测结果对所述特药理赔请求进行相应处理的步骤包括:
若所述检测结果为所述理赔审核信息真实,则根据所述理赔审核信息获取特药支出费用,并根据所述特药支出费用和所述赔付方案计算赔付费用;
根据所述赔付费用生成对应的建议赔付信息,并将所述建议赔付信息发送至对应的财务系统。
8.一种基于机器学习的保险理赔装置,其特征在于,所述保险理赔装置包括:
请求接收模块,用于在接收到请求终端发送的特药理赔请求时,根据所述特药理赔请求获取被保人的原始诊疗信息;
信息预处理模块,用于对所述原始诊疗信息进行预处理,得到理赔审核信息;
模型检测模块,用于将所述理赔审核信息输入至预先训练完成的信息真实性检测模型,并获取所述信息真实性检测模型输出的检测结果;
请求处理模块,用于根据所述检测结果对所述特药理赔请求进行相应处理。
9.一种基于机器学习的保险理赔设备,其特征在于,所述保险理赔设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的保险理赔程序,其中所述保险理赔程序被所述处理器执行时,实现如权利要求1至7中任一项所述的基于机器学习的保险理赔方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有保险理赔程序,其中所述保险理赔程序被处理器执行时,实现如权利要求1至7中任一项所述的基于机器学习的保险理赔方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811525340.0A CN109636632A (zh) | 2018-12-13 | 2018-12-13 | 基于机器学习的保险理赔方法、装置、设备及存储介质 |
PCT/CN2019/096077 WO2020119119A1 (zh) | 2018-12-13 | 2019-07-16 | 基于机器学习的保险理赔方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811525340.0A CN109636632A (zh) | 2018-12-13 | 2018-12-13 | 基于机器学习的保险理赔方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109636632A true CN109636632A (zh) | 2019-04-16 |
Family
ID=66073579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811525340.0A Pending CN109636632A (zh) | 2018-12-13 | 2018-12-13 | 基于机器学习的保险理赔方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109636632A (zh) |
WO (1) | WO2020119119A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111063406A (zh) * | 2019-11-21 | 2020-04-24 | 泰康保险集团股份有限公司 | 一种理赔参考信息生成方法和装置 |
WO2020119119A1 (zh) * | 2018-12-13 | 2020-06-18 | 平安医疗健康管理股份有限公司 | 基于机器学习的保险理赔方法、装置、设备及存储介质 |
CN111401854A (zh) * | 2020-03-24 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 信息处理方法以及装置 |
CN112508716A (zh) * | 2020-11-30 | 2021-03-16 | 泰康保险集团股份有限公司 | 数据管理方法及系统、装置、存储介质及电子终端 |
CN116307607A (zh) * | 2023-03-24 | 2023-06-23 | 探保网络科技(广州)有限公司 | 一种保险核心系统监控系统及方法 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111861720B (zh) * | 2020-07-27 | 2023-11-28 | 泰康保险集团股份有限公司 | 用药请求的处理方法、装置、电子设备及计算机可读介质 |
CN112541831A (zh) * | 2020-12-16 | 2021-03-23 | 中国人寿保险股份有限公司 | 一种医疗保险的风险识别方法、装置、介质及电子设备 |
CN113487440A (zh) * | 2021-07-26 | 2021-10-08 | 联仁健康医疗大数据科技股份有限公司 | 模型生成、健康险理赔的确定方法、装置、设备及介质 |
CN113706323A (zh) * | 2021-09-02 | 2021-11-26 | 杭州电子科技大学 | 一种基于零知识证明的保单自动理赔方法 |
WO2024017630A1 (en) | 2022-07-20 | 2024-01-25 | Swiss Reinsurance Company Ltd. | Digital life and/or health claims processing system integrating multiple claim channels, and method thereof |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101996385A (zh) * | 2009-08-25 | 2011-03-30 | 埃森哲环球服务有限公司 | 索赔分析引擎 |
CN105159948A (zh) * | 2015-08-12 | 2015-12-16 | 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 |
CN107145587A (zh) * | 2017-05-11 | 2017-09-08 | 成都四方伟业软件股份有限公司 | 一种基于大数据挖掘的医保反欺诈系统 |
CN107895168A (zh) * | 2017-10-13 | 2018-04-10 | 平安科技(深圳)有限公司 | 数据处理的方法、数据处理的装置及计算机可读存储介质 |
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 |
CN108305175A (zh) * | 2017-12-30 | 2018-07-20 | 上海栈略数据技术有限公司 | 基于智能医学知识图谱的保险理赔风控辅助审核系统 |
CN108537607A (zh) * | 2018-06-20 | 2018-09-14 | 廖俊雄 | 跨商家消费积分系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8214232B2 (en) * | 2010-04-22 | 2012-07-03 | Fair Isaac Corporation | Healthcare insurance claim fraud detection using datasets derived from multiple insurers |
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 |
CN108765131B (zh) * | 2018-05-18 | 2023-06-09 | 深圳壹账通智能科技有限公司 | 基于微表情的信贷审核方法、装置、终端及可读存储介质 |
CN109636632A (zh) * | 2018-12-13 | 2019-04-16 | 平安医疗健康管理股份有限公司 | 基于机器学习的保险理赔方法、装置、设备及存储介质 |
-
2018
- 2018-12-13 CN CN201811525340.0A patent/CN109636632A/zh active Pending
-
2019
- 2019-07-16 WO PCT/CN2019/096077 patent/WO2020119119A1/zh active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101996385A (zh) * | 2009-08-25 | 2011-03-30 | 埃森哲环球服务有限公司 | 索赔分析引擎 |
CN105159948A (zh) * | 2015-08-12 | 2015-12-16 | 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 |
CN107145587A (zh) * | 2017-05-11 | 2017-09-08 | 成都四方伟业软件股份有限公司 | 一种基于大数据挖掘的医保反欺诈系统 |
CN107895168A (zh) * | 2017-10-13 | 2018-04-10 | 平安科技(深圳)有限公司 | 数据处理的方法、数据处理的装置及计算机可读存储介质 |
CN108305175A (zh) * | 2017-12-30 | 2018-07-20 | 上海栈略数据技术有限公司 | 基于智能医学知识图谱的保险理赔风控辅助审核系统 |
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 |
CN108537607A (zh) * | 2018-06-20 | 2018-09-14 | 廖俊雄 | 跨商家消费积分系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020119119A1 (zh) * | 2018-12-13 | 2020-06-18 | 平安医疗健康管理股份有限公司 | 基于机器学习的保险理赔方法、装置、设备及存储介质 |
CN111063406A (zh) * | 2019-11-21 | 2020-04-24 | 泰康保险集团股份有限公司 | 一种理赔参考信息生成方法和装置 |
CN111401854A (zh) * | 2020-03-24 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 信息处理方法以及装置 |
CN112508716A (zh) * | 2020-11-30 | 2021-03-16 | 泰康保险集团股份有限公司 | 数据管理方法及系统、装置、存储介质及电子终端 |
CN116307607A (zh) * | 2023-03-24 | 2023-06-23 | 探保网络科技(广州)有限公司 | 一种保险核心系统监控系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2020119119A1 (zh) | 2020-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109636632A (zh) | 基于机器学习的保险理赔方法、装置、设备及存储介质 | |
CN109615536A (zh) | 基于ocr技术的保险理赔方法、装置、设备及可读存储介质 | |
US11657912B2 (en) | Devices, systems, and their methods of use for evaluating and processing remuneration claims from third-party obligator | |
US7072842B2 (en) | Payment of health care insurance claims using short-term loans | |
US5301105A (en) | All care health management system | |
TWI744542B (zh) | 保險服務優化系統 | |
US10803985B2 (en) | Method of facilitating imaging study interpretations between healthcare facilities and physicians | |
CN112150298B (zh) | 数据处理方法、系统、设备及可读介质 | |
US20140288958A1 (en) | Healthcare point of service adjudication and payment system | |
CN112199575A (zh) | 虚拟银行开户方法、装置、设备和计算机存储介质 | |
CN112037903A (zh) | 在线问诊开药系统 | |
CN111222997A (zh) | 医疗保险理赔方法、装置、设备及存储介质 | |
CN110223182A (zh) | 一种理赔风控方法、装置及计算机可读存储介质 | |
CN114840579B (zh) | 一种医院内部审计系统 | |
CN111028909B (zh) | 门诊慢性病信息处理方法、装置、设备及存储介质 | |
Ballreich et al. | Medicare spending on drugs with accelerated approval | |
CN109636638A (zh) | 基于大数据的保险定价方法、装置、设备及可读存储介质 | |
US20070198298A1 (en) | System and methods for automated payment for health care services utilizing health savings accounts | |
CN116013505A (zh) | 一种基于drg的医疗费用管理系统 | |
US20210027885A1 (en) | Method of facilitating imaging study interpretations between healthcare facilities and physicians including customization of imaging studies | |
JP2004252958A (ja) | 健康保険等医療保険自己負担分の支払システム及び支払方法 | |
US20140032229A1 (en) | Method of payment assessment to clinical study volunteers | |
CN110782360A (zh) | 结算数据处理方法与装置、存储介质、电子设备 | |
US20220415460A1 (en) | Digital Healthcare Capture Intake Data for COVID-19 And Other Significant Events | |
Oundo | Model For Assessing Fraudulent Medical Claims: An Application Of Machine Learning Algorithms In Health Care |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220601 Address after: 518000 China Aviation Center 2901, No. 1018, Huafu Road, Huahang community, Huaqiang North Street, Futian District, Shenzhen, Guangdong Province Applicant after: Shenzhen Ping An medical and Health Technology Service Co.,Ltd. Address before: Room 12G, Block H, 666 Beijing East Road, Huangpu District, Shanghai 200000 Applicant before: PING AN MEDICAL AND HEALTHCARE MANAGEMENT Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190416 |
|
RJ01 | Rejection of invention patent application after publication |