CN109637635A - 社保违规检测方法、装置、设备及计算机存储介质 - Google Patents
社保违规检测方法、装置、设备及计算机存储介质 Download PDFInfo
- Publication number
- CN109637635A CN109637635A CN201811530613.0A CN201811530613A CN109637635A CN 109637635 A CN109637635 A CN 109637635A CN 201811530613 A CN201811530613 A CN 201811530613A CN 109637635 A CN109637635 A CN 109637635A
- Authority
- CN
- China
- Prior art keywords
- prescription
- purchase
- medical data
- medical
- social security
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 87
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 230000002159 abnormal effect Effects 0.000 claims abstract description 44
- 239000003814 drug Substances 0.000 claims description 212
- 229940079593 drug Drugs 0.000 claims description 97
- 238000013450 outlier detection Methods 0.000 claims description 22
- 230000000144 pharmacologic effect Effects 0.000 claims description 21
- 230000033228 biological regulation Effects 0.000 claims description 18
- 238000003745 diagnosis Methods 0.000 claims description 18
- 230000003542 behavioural effect Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000002123 temporal effect Effects 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 12
- 239000000955 prescription drug Substances 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 5
- 239000002699 waste material Substances 0.000 abstract description 12
- 238000011176 pooling Methods 0.000 abstract description 10
- 238000000034 method Methods 0.000 description 26
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 230000009471 action Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 241001269238 Data Species 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 229940126532 prescription medicine Drugs 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000001846 repelling effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000011895 specific detection 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
Abstract
本发明提供一种基于智能决策检测模型的社保违规检测方法,包括:获取参保人通过社保卡结算就诊费用的第一就诊数据;将所述第一就诊数据输入偏差检测模型,通过偏差检测模型确定所述第一就诊数据是否具有团伙开药的异常特征;若所述第一就诊数据具有团伙开药的异常特征,则确定所述第一就诊数据异常,并提取所述第一就诊数据中的异常数据,以提供对对应参保人或医疗机构进行处罚的处罚证明。本发明还提供一种社保违规检测装置、设备及计算机可读存储介质。本发明实现通过偏差检测模型对用户通过社保卡结算的就诊数据进行监管,从而避免了人工监管造成的人力浪费及门诊统筹基金的浪费,提高了对门诊统筹基金的监管效率。
Description
技术领域
本发明社保监控技术领域,尤其涉及一种社保违规检测方法、装置、设备及计算机存储介质。
背景技术
医疗保险一般指基本医疗保险,是为了补偿劳动者因疾病风险造成的经济损失而建立的一项社会保险制度。通过用人单位与个人缴费,建立医疗保险基金,参保人员患病就诊发生医疗费用后,由医疗保险机构对其给予一定的经济补偿。参保人与售药分子组成团伙,售药分子收购参保人利用医保结算购买的药品,并将收购的药品进行贩卖的团伙购药行为为违规社保操作,是医保禁止的违规行为,会给医保基金带来极大的危害。
目前,对于团伙购药的违规社保操作,由配备的监管人员对参保人员的社保行为进行监控,对医保结算单据进行核算,管理门诊统筹基金的支出,但是,人工监管造成人力浪费,并且我国参保人员很多,造成监管人员不够,从而让不法分子有机可乘,造成门诊统筹基金的浪费。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种社保违规检测方法、装置、设备及计算机存储介质,旨在解决现有技术中人工监管造成人力浪费及门诊统筹基金浪费的技术问题。
为实现上述目的,本发明提供一种社保违规检测方法,所述社保违规检测方法包括以下步骤:
获取参保人通过社保卡结算就诊费用的第一就诊数据;
将所述第一就诊数据输入偏差检测模型,通过偏差检测模型确定所述第一就诊数据是否具有团伙开药的异常特征;
若所述第一就诊数据具有团伙开药的异常特征,则确定所述第一就诊数据异常,并提取所述第一就诊数据中的异常数据,以提供对对应参保人或医疗机构进行处罚的处罚证明。
可选地,所述将所述第一就诊数据输入偏差检测模型,通过偏差检测模型确定所述第一就诊数据是否具有团伙开药的异常特征的步骤包括:
将所述第一就诊数据输入所述偏差检测模型,通过所述偏差检测模型对所述第一就诊数据进行清洗,以得到清洗后的规范就诊数据;
对所述规范就诊数据构造文本特征,以得到词向量,并通过所述偏差检测模型中的双向RNN子模型将词向量转化为句子向量矩阵;
基于所述句子向量矩阵进行注意力机制操作,以得到标准数据;
基于异常检测算法对所述标准数据进行检测,根据检测结果确定所述第一就诊数据是否具有团伙开药的异常特征。
可选地,所述基于异常检测算法对所述标准数据进行检测,根据检测结果确定所述第一就诊数据是否具有团伙开药的异常特征的步骤包括:
基于所述异常检测算法对所述标准数据进行检测,识别两两购药单中的相同药品标识;
基于相同药品标识确定两两购药单中相同药品的比例;
基于两两购药单的相同药品的比例与预设比例阈值确定各个购药单的相似购药单,并统计各个购药单的相似购药单数量;
根据各个购药单的相似购药单数量确定所述第一就诊数据是否具有团伙开药的异常特征。
可选地,所述根据各个购药单的相似购药单数量确定所述第一就诊数据是否具有团伙开药的异常特征的步骤包括:
将各个购药单的相似购药单数量分别与第一预设数量阈值进行对比,判断各个购药单的相似购药单数量是大于第一预设数量阈值;
若购药单的相似购药单数量大于所述第一预设数量阈值,则确定所述第一就诊数据具有团伙开药的异常特征。
可选地,所述根据各个购药单的相似购药单数量确定所述第一就诊数据是否具有团伙开药的异常特征的步骤包括:
获取相似购药单数量大于第二预设数量阈值的购药单及其相似购药单的参保人信息;
基于所述参保人信息获取对应参保人在预设时间长度的历史时间段内的第二就诊数据;
基于所述第二就诊数据确定对应参保人的历史就诊行为特征,其中,所述历史就诊行为特征至少包括历史购药方式特征、历史购药时间特征或购药单药品特征,所述购药方式至少包括非医生诊断购药方式;
将各个参保人的非医生诊断购药方式对应的历史购药时间特征以及购药单药品特征进行对比,根据历史购药时间的最短相差时间,以及相差最短时间的历史购药单的相同药品的比例确定所述第一就诊数据是否具有团伙开药的异常特征。
可选地,所述基于异常检测算法对所述标准数据进行检测,根据检测结果确定所述第一就诊数据是否具有团伙开药的异常特征的步骤包括:
基于所述异常检测算法对所述标准数据进行检测,基于购药单中的药品标识以及预设药品相斥表确定同个购药单中是否存在药性相斥的药品;
若同个购药单中存在药性相斥的药品,则确定所述第一就诊数据具有团伙开药的异常特征。
可选地,所述若所述第一就诊数据具有团伙开药的异常特征,则确定所述第一就诊数据异常,并提取所述第一就诊数据中的异常数据,以提供对对应参保人或医疗机构进行处罚的处罚证明的步骤之后包括:
根据预设处罚规则和所述异常数据生成处罚明细信息;
根据所述处罚明细信息发送处罚通知至参保人或医疗机构的终端并对对应的参保人或医疗机构进行处罚。
此外,为实现上述目的,本发明还提供一种社保违规检测装置,所述社保违规检测装置包括:
获取模块,获取参保人通过社保卡结算就诊费用的第一就诊数据;
检测模块,用于将所述第一就诊数据输入偏差检测模型,通过偏差检测模型确定所述第一就诊数据是否具有团伙开药的异常特征;
提取模块,用于若所述第一就诊数据具有团伙开药的异常特征,则确定所述第一就诊数据异常,并提取所述第一就诊数据中的异常数据,以提供对对应参保人或医疗机构进行处罚的处罚证明。
此外,为实现上述目的,本发明还提供一种社保违规检测设备,所述社保违规检测设备包括处理器、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社保违规检测程序,其中所述社保违规检测程序被所述处理器执行时,实现如上述的社保违规检测方法的步骤。
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上存储有社保违规检测程序,其中所述社保违规检测程序被处理器执行时,实现如上述的社保违规检测方法的步骤。
本发明提供一种社保违规检测方法、装置、设备及计算机可读存储介质,本发明通过获取参保人通过社保卡结算就诊费用的第一就诊数据;将所述第一就诊数据输入偏差检测模型,通过偏差检测模型确定所述第一就诊数据是否具有团伙开药的异常特征;若所述第一就诊数据具有团伙开药的异常特征,则确定所述第一就诊数据异常,并提取所述第一就诊数据中的异常数据,以提供对对应参保人或医疗机构进行处罚的处罚证明。通过上述方式,实现了通过偏差检测模型对参保人或医疗机构的团伙购药的违规社保操作进行监管,从而避免了人工监管造成的人力浪费及门诊统筹基金的浪费,提高了对门诊统筹基金的监管效率。
附图说明
图1为本发明各实施例涉及的社保违规检测设备的硬件结构示意图;
图2为本发明社保违规检测方法第一实施例的流程示意图;
图3为本发明社保违规检测方法第二实施例的流程示意图;
图4为本发明社保违规检测方法第三实施例的流程示意图;
图5为本发明社保违规检测方法第四实施例的流程示意图;
图6为本发明社保违规检测方法第五实施例的流程示意图;
图7为本发明社保违规检测方法第六实施例的流程示意图;
图8为本发明社保违规检测方法第七实施例的流程示意图;
图9为本发明社保违规检测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社保违规检测方法主要应用于社保违规检测设备,该社保违规检测设备可以是PC(个人计算机personal computer)、便携计算机、移动终端等具有显示和处理功能的设备。
参照图1,图1为本发明实施例方案中涉及的社保违规检测设备的硬件结构示意图。本发明实施例中,社保违规检测设备可以包括处理器1001(例如中央处理器CentralProcessing 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WI-FI接口);存储器1005可以是高速RAM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。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、网络通信模块以及社保违规检测程序。在图1中,网络通信模块主要用于连接服务器,与服务器进行数据通信;而处理器1001可以调用存储器1005中存储的社保违规检测程序,并执行本发明实施例提供的社保违规检测方法。
本发明进一步提供一种社保违规检测方法。参照图2,图2为本发明社保违规检测方法第一实施例的方法示意图。
目前,对于药品的异常价格参数,由配备的监管人员对参保人员的社保行为进行监控,对医保结算单据进行核算,管理门诊统筹基金的支出,但是,人工监管造成人力浪费,并且我国参保人员很多,造成监管人员不够,从而让不法分子有机可乘,造成门诊统筹基金的浪费。
在本实施例中,本发明社保违规检测方法的执行主体为人社核心系统,该人社核心系统包括设备违规检测设备,人社核心系统能够检测就诊数据是否具有团伙开药的异常特征,若是,则该就诊数据异常,并提取就诊数据中的异常数据,从而筛选出不符合医保规定的异常数据,并将该异常数据作为对用户进行处罚的处罚证明。
在本实施例中,该社保违规检测方法包括:
步骤S10,获取参保人通过社保卡结算就诊费用的第一就诊数据;
在本实施例中,参保人员在定点医疗机构(例如,医院、药店)使用社保卡进行结算时,可以通过定点医疗机构的终端设备将第一就诊数据发送至人社核心系统,人社核心系统接收终端设备发送的第一就诊数据,以对第一就诊数据进行社保违规检测,其中,第一就诊数据包括在医院进行诊疗的诊疗数据或在药店购药数据。第一就诊数据包括参保人信息、就诊单位信息或购药单信息,购药单信息包括购药单号信息、购药单生成时间信息、购药方式信息药品标识信息、药品数量以及药品价格等每个购药订单的信息。其中,参保人信息可以是参保人姓名或医保号等信息;就诊单位信息可以是医疗机构的标识编码信息,可以包括医院或者药店等医疗机构的标识信息;药品标识信息指的是用来标识和区分药品的信息,药品价格指的是单位数量药品的费用信息。购药方式包括经过医生诊断后开药或非医生诊断开药等方式。此外,第一就诊数据中还可以包括各个药品的用量及各种药品的总费用等信息。
步骤S20,将所述第一就诊数据输入偏差检测模型,通过偏差检测模型确定所述第一就诊数据是否具有团伙开药的异常特征;
在本实施例中,该偏差检测模型可以利用聚类、序列异常、最近邻居法、多维数据分析等对第一就诊数据进行分析,通过偏差检测模型能够检测第一就诊数据是否具有团伙开药的异常特征,具体地,首先通过偏差检测模型对获取到的第一就诊数据进行标准化匹配,对医生出具参保人信息、就诊单位信息、药品标识信息以及药品价格等信息匹配到相应的标准化字段中。第一就诊数据中存在一些不必要的数据或者不规范的数据,对不规范的字段,在既表示词本身又可以考虑语义距离的要求下,利用偏差检测模型中的RNN子模型分析更长更复杂的文本内容,对于第一就诊数据进行清洗,例如进行分词处理,例如,一条中文句子,词语之间都是连续的,而数据分析的最小单位粒度是词语,所以需要进行分词处理,而对于英文文本的句子,英文的句子的最小单位是词语,词语之间由空格隔开的,同时,需要对词性进行标注,例如,名词、从词、形容词、数量词等,词性标注的目的是为了让句子在后面的处理中融入更多的有用的语言信息,当然,对于有些文本处理任务,可以不用词性标注。
进一步地,还可以去除停用词,停用词就是对文本特征没有贡献作用的词语,比如,啊、的、标点符号等,在进行文本分析时需要对这些停用词去除掉,当然,对于不同的应用可以在预设模型中设置参数去除规定词性的词语。在标准化匹配完成获得标准数据后,基于异常检测算法对第一就诊数据是否具有团伙开药的异常特征。
在本实施例中,医疗机构的终端设备在用户通过社保卡结算就诊费用时将第一就诊数据上传至人社核心系统,人社核心系统将接收到的第一就诊数据存储在预设存储位置。人社核心系统定时地从预设存储位置获取接收到的第一就诊数据,并对第一就诊数据进行异常检测。在获得第一就诊数据时,可以基于医疗机构的标识信息或参保人信息分别将第一就诊数据分类,分别对各个医疗机构的第一就诊数据或者参保人的第一就诊数据进行异常检测。基于购药单号提取各个购药单的药品标识信息、药品数量以及药品价格等信息,识别不同购药单中的相同药品标识,基于相同药品标识确定每个购药单中与第一就诊数据中其他购药单的相同药品,统计两个购药单的相同药品数量,计算相同药品数量除以两个购药单药品总数量,将计算结果作为两个购药单的相同药品的比例,判断两个购药单的相同药品的比例是否大于预设比例阈值a,若是,则确定两个购药单位相似购药单,其中,预设比例阈值a由人社系统的相关管理人员根据实际需求进行设置。通过将上述方法确定第一就诊数据中的每个购药单的相似购药单,并统计每个购药单的相似购药单数量,判断是否存在购药单的相似购药单数量大于预设数量阈值,若存在,则相似购药单数量大于预设数量阈值的购药单及其相似购药单为团伙购药的购药单,并确定第一就诊数据具有团伙开药的异常特征。
进一步地,还可以在获得各个购药单的相似购药单数量的统计结果后,判断购药单的相似购药单数量是否大于预设比例阈值b,预设比例阈值b由人社核心系统的相关管理人员根据实际需求进行设置,若购药单的相似购药单数量大于预设比例阈值,则确定对应购药单以及该购药单的相似购药单的相关开单参保人信息,并基于相关开单参保人信息提取从当前时间开始预设时间长度的历史时间段内的历史就诊数据,其中,历史就诊数据可以包括当前获取的就诊数据,预设时间长度可以由人社核心系统的相关管理员根据实际需求确定并设置,基于各个相关开单参保人的历史就诊数据确定各个相关开单参保人的历史购药行为特征,即确定相关开单参保人历史购药方式,历史购药时间以及历史购药的购药单特征,提取相关参保人不通过医生诊断而只取药的购药方式的购药单数据,对购药时间相隔不超过预设间隔时间长度的购药单建立对比组,确定对比组中各个购药单的相似购药单数量是否超过预设数量阈值,若是,则确定第一就诊数据具有团伙购药的异常特征。
进一步地,还可以基于同个购药单中是否存在相斥的药品来确定是否具有团伙购药的异常特征。具体地,基于偏差检测模型对第一就诊数据进行检测,基于购药单号提取各个购药单数据后,将各个购药单中的药品标识分别与预设药品相斥表进行对比,确定同个购药单中是否存在药性相斥的两种药品,若同个购药单中存在药性相斥的两种药品,则对应的购药单位团伙开药的购药单,并确定第一就诊数据具有团伙开药的特征。
步骤S30,若所述第一就诊数据具有团伙开药的异常特征,则确定所述第一就诊数据异常,并提取所述第一就诊数据中的异常数据,以提供对对应参保人或医疗机构进行处罚的处罚证明。
在确定第一就诊数据具有团伙开药的异常特征时,获取团伙开药异常特征对应的异常购药单信息、医疗机构的标识信息或对应的开单参保人信息等异常数据,其中,异常购药单信息包括异常购药单中的药品信息、药品开单数量或者药品开单涉及金额等信息。再根据异常数据生成处罚证明,该处罚证明包括处罚对象的名称、处罚措施、处罚原因、处罚机构、处罚时间等。该异常数据可以用来作为对对应参保人或医疗机构利用社保卡进行团伙开药的违规操作的证据。
本实施例提出的社保违规检测方法,获取参保人通过社保卡结算就诊费用的第一就诊数据;将所述第一就诊数据输入偏差检测模型,通过偏差检测模型确定所述第一就诊数据是否具有团伙开药的异常特征;若所述第一就诊数据具有团伙开药的异常特征,则确定所述第一就诊数据异常,并提取所述第一就诊数据中的异常数据,以提供对对应参保人或医疗机构进行处罚的处罚证明。通过上述方式,实现了通过偏差检测模型对参保人或医疗机构的团伙购药的违规社保操作进行监管,从而避免了人工监管造成的人力浪费及门诊统筹基金的浪费,提高了对门诊统筹基金的监管效率。
基于上述实施例,提出本发明社保违规检测方法的第二实施例,参照图,3,本实施例中,步骤S20包括:
步骤S40,将所述第一就诊数据输入所述偏差检测模型,通过所述偏差检测模型对所述第一就诊数据进行清洗,以得到清洗后的规范就诊数据;
基于上述实施例,在本实施例中,在本实施例中,该偏差检测模型可以利用聚类、序列异常、最近邻居法、多维数据分析等对第一就诊数据进行分析,通过偏差检测模型能够检测第一就诊数据中的药品中是否异常价格参数,具体地,首先通过偏差检测模型对获取到的第一就诊数据进行清洗,清洗是指对第一就诊数据中的文本数据进行分词处理,第一就诊数据中存在一些不必要的数据或者不规范的数据,在既表示词本身又可以考虑语义距离的要求下,利用偏差检测模型中的RNN子模型分析更长更复杂的文本内容,对于第一就诊数据进行分词处理,例如,一条中文句子,词语之间都是连续的,而数据分析的最小单位粒度是词语,所以需要进行分词处理,而对于英文文本的句子,英文的句子的最小单位是词语,词语之间由空格隔开的,同时,需要对词性进行标注,例如,名词、从词、形容词、数量词等,词性标注的目的是为了让句子在后面的处理中融入更多的有用的语言信息,当然,对于有些文本处理任务,可以不用词性标注。
进一步地,还可以去除停用词,停用词就是对文本特征没有任贡献作用的词语,比如,啊、的、标点符号等,在进行文本分析时需要对这些停用词去除掉,当然,对于不同的应用可以在偏差检测模型中设置参数去除规定词性的词语。
步骤S50,对所述规范就诊数据构造文本特征,以得到词向量,并通过所述偏差检测模型中的双向RNN子模型将词向量转化为句子向量矩阵;
在本实施例中,对第一就诊数据进行清洗操作后,对清洗后的第一就诊数据构造文本特征,将文本用一个向量的序列表示,将词语用词向量表示,通过正向计算及逆向计算拼接得到完整的词向量,得到词向量的序列,然后使用双向RNN模型将词向量编码(转化)为一个句子向量矩阵,对句子向量矩阵进行注意力机制,得到最终的标准数据。
步骤S60,基于所述句子向量矩阵进行注意力机制操作,以得到标准数据;
在本实施例中,对句子向量矩阵进行注意力机制,将上述步骤的句子向量矩阵压缩为一个向量表示,送入标准的前馈神经网络进行预测,输入一个矩阵,输出一个向量,从输入内容中提取一个上下文向量,该机制的上下文向量是被当作模型的参数学习得到。这使得注意机制变成一个纯粹的压缩操作,可以替换任何的池化步骤。文本内容被压缩成一个向量之后,得到最终的标准数据,例如,一种类别标签、一个实数值等。
步骤S70,基于异常检测算法对所述标准数据进行检测,根据检测结果确定所述第一就诊数据是否具有团伙开药的异常特征。
基于上述实施例,在本实施例中,对第一就诊数据进行处理以获得标准数据的目的在于从标准数据中获得更准确的购药单数据、医疗机构标识或者参保人信息等信息。对第一就诊数据进行处理得到标准数据后,在偏差检测模型中基于异常检测算法从标准数据中提取购药单号信息,基于购药单号信息提取各个购药单的药品标识信息、药品数量及药品价格等信息,基于购药单的相似购药单数量或购药单是否存在药性相斥的药品来确定第一就诊数据是否具有团伙购药的异常特征,具体的检测方法以及判定规则如上述实施例所述,在此不再赘述。在本实施例中,异常检测算法指的是基于对标准数据的检测确定第一就诊数据是否具有团伙开药的异常特征的算法,异常检测算法包括基于索引的异常检测算法。
在本实施例中,将所述第一就诊数据输入所述偏差检测模型,通过所述偏差检测模型对所述第一就诊数据进行清洗,以得到清洗后的规范就诊数据;对所述规范就诊数据构造文本特征,以得到词向量,并通过所述偏差检测模型中的双向RNN子模型将词向量转化为句子向量矩阵;基于所述句子向量矩阵进行注意力机制操作,以得到标准数据;基于异常检测算法对所述标准数据进行检测,根据检测结果确定所述第一就诊数据是否具有团伙开药的异常特征。通过上述方式,实现了通过偏差检测模型将就诊数据转化为标准数据,从而有利于异常数据的检测,进而提高异常数据检测的正确性。
基于上述实施例,提出本发明社保违规检测方法的第三实施例,参照图4,本实施例中,步骤S70包括:
步骤S80,基于所述异常检测算法对所述标准数据进行检测,识别两两购药单中的相同药品标识;
基于上述实施例,在本实施例中,药品的标识信息指的是用来标识和区分不同药品的信息,药品标识信息可以是各个药品的通用名称信息或者预设的药品标识编码信息,同个通用名称的药品具有相同的药品标识信息。在本实施例中,在获得标准数据时,可以基于购药单号来归类不同购药单的药品标识,然后再在归类好的药品标识中识别不同购药单中的相同药品标识。具体地,若购药单1中的药品标识包括:a、b、c以及d,而购药单2中的药品标识包括c、d、k、f以及h,则购药单1以及购药单2中的相同标识包括c和d。在本实施例中,对于标准数据提取的所有购药单,将购药单进行两两比较,确定两两购药单之间相同的药品标识。
步骤S90,基于相同药品标识确定两两购药单中相同药品的比例;
在识别出两两购药单的相同的药品标识后,统计每两个购药单组合中的相同药品标识的数量以及购药单所有的药品标识数量,将两个购药单相同药品标识的数量与购药单药品标识总数量相处得到的商作为这两个购药单的相同药品的比例。具体地,基于步骤S80中的购药单1和购药单2,若购药单3中的药品标识包括:k、h、m、l以及g,则购药单1和购药单2的药品包括:a、b、c、d、k、f以及h,购药单1以及购药单2的总数量为7,购药单1与购药单2的相同药品标识的数量为2,即c和d,则购药单1和购药单2的相同药品比例为2/7。若购药单3中的药品标识包括:k、h、m、l以及g,则购药单1与购药单3的药品包括:a、b、c、d、k、h、m、l以及g,药品总数量为9,购药单1与购药单3之间不存在相同的药品标识,因而,购药单1与购药单3的相同药品的比例为0;购药单2和购药单3的药品标识包括:c、d、k、f、h、m、l以及g,药品总数量为8,相同药品标识为k和h,相同药品标识数量为2,则购药单2和购药单3的相同药品比例为1/4。通过上述方法,可以计算出两两购药单中相同药品的比例。
步骤S100,基于两两购药单的相同药品的比例与预设比例阈值确定各个购药单的相似购药单,并统计各个购药单的相似购药单数量;
在本实施例中,两两购药单的相同药品比例即确定了标准数据中任一购药单与其他购药单的相同药品比例。预设比例阈值指的是由人社核心管理系统的相关管理员根据实际需求确定和设置的用于确定两个购药单是否为相似购药单的比例参数,例如预设比例阈值可以设置为1/2,对于标准数据中的购药单,将该购药单与其他各个购药单的相同药品比例分别与预设比例阈值进行比较,若两个购药单的相同药品的比例大于预设比例阈值,则确定两个购药单为相似购药单,否则两个购药单为非相似购药单。基于上述方法分别确定标准数据中的每个购药单的相似购药单,并统计每个购药单的相似购药单的数量。
步骤S110,根据各个购药单的相似购药单数量确定所述第一就诊数据是否具有团伙开药的异常特征。
在本实施例中,根据相似购药单数量确定第一就诊数据中是否具有团伙开药的异常特征包括但不限于以下两种方法:方法1),人社核心系统的相关管理人员可以基于实际需要确定并设置一个第一预设数量阈值,基于第一预设数量阈值与各购药单的相似购药单数量的比较结果确定是否具有团伙开药的异常特征。具体地,当一个购药单的相似购药单数量大于第一预设数量阈值,则该购药单及其相似购药单为具有团伙开药特征的购药单,确定第一就诊数据具有团伙开药的异常特征。在标准数据的所有购药单中,只要存在一个购药单的相似购药单数量大于第一预设数量阈值,即可确定第一就诊数据具有团伙开药的异常特征。若标准数据中所有的购药单的相似购药单数量均不大于第一预设数量阈值,则确定标准数据不具有团伙开药的异常特征。
方法2),人社核心系统的相关管理人员还可以根据需要设置一个第二预设数量阈值,基于第一预设数量阈值与各个购药单的相似购药单数量的比较结果确定是否需要对对应购药单的参保人的历史就诊数据进行分析。具体地,当一个购药单的相似购药单数量大于第二预设数量阈值时,人社核心系统先确定该购药单及其相似购药单的相关开单参保人信息,例如参保人的帐号信息,从所有就诊数据的存储位置从提取各个相关开单参保人从当前时间点开始预设时间长度的时间段内的历史就诊数据,从各个相关开单参保人的历史就诊数据提取非医生诊断、只开药的购药单数据基于购药单的生成时间对购药时间相隔不超过预设间隔时间长度的购药单建立对比组,确定对比组中各个购药单的相似购药单数量是否超过第三预设数量阈值,其中,第三预设数量阈值为人社核心系统相关管理人员基于实际需求设置的数量阈值,若对比组中的存在购药单的相似购药单数量超过第三预设数量阈值,则确定第一就诊数据中相似购药单数量超过第二预设数量阈值的购药单及其相似购药单为具有团伙购药的异常特征的购药单,并确定第一就诊数据具有团伙购药的异常特征。
在本实施例中,基于所述异常检测算法对所述标准数据进行检测,识别两两购药单中的相同药品标识;基于相同药品标识确定两两购药单中相同药品的比例;基于两两购药单的相同药品的比例与预设比例阈值确定各个购药单的相似购药单,并统计各个购药单的相似购药单数量;根据各个购药单的相似购药单数量确定所述第一就诊数据是否具有团伙开药的异常特征。通过上述方式,实现基于标准数据中各个购药单的相似购药单数量确定第一就诊数据是否具有团伙购药的异常特征。
基于上述实施例,提出本发明社保违规检测方法的第四实施例,参照图5,本实施例中,步骤S110包括:
步骤S120,将各个购药单的相似购药单数量分别与第一预设数量阈值进行对比,判断各个购药单的相似购药单数量是大于第一预设数量阈值;
基于上述实施例,在本实施例中,人社核心系统的相关管理人员可以基于实际需要确定并设置一个第一预设数量阈值,基于第一预设数量阈值与各购药单的相似购药单数量的比较结果确定是否具有团伙开药的异常特征。当一个购药单的相似购药单数量大于第一预设数量阈值,则该购药单及其相似购药单为具有团伙开药特征的购药单,确定第一就诊数据具有团伙开药的异常特征。在标准数据的所有购药单中,只要存在一个购药单的相似购药单数量大于第一预设数量阈值,即可确定第一就诊数据具有团伙开药的异常特征。若标准数据中所有的购药单的相似购药单数量均不大于第一预设数量阈值,则确定标准数据不具有团伙开药的异常特征。
步骤S130,若购药单的相似购药单数量大于所述第一预设数量阈值,则确定所述第一就诊数据具有团伙开药的异常特征。
当一个购药单的相似购药单数量大于第一预设数量阈值,则该购药单及其相似购药单为具有团伙开药特征的购药单,确定第一就诊数据具有团伙开药的异常特征。在标准数据的所有购药单中,只要存在一个购药单的相似购药单数量大于第一预设数量阈值,即可确定第一就诊数据具有团伙开药的异常特征。若标准数据中所有的购药单的相似购药单数量均不大于第一预设数量阈值,则确定标准数据不具有团伙开药的异常特征。
在本实施例中,将各个购药单的相似购药单数量分别与第一预设数量阈值进行对比,判断各个购药单的相似购药单数量是大于第一预设数量阈值;若购药单的相似购药单数量大于所述第一预设数量阈值,则确定所述第一就诊数据具有团伙开药的异常特征。通过上述方式,实现基于购药单的相似购药单数量与第一预设数量阈值的比较结果确定第一就诊数据是否具有团伙开药的异常特征。
基于上述实施例,提出本发明社保违规检测方法的第五实施例,参照图6,本实施例中,步骤S110包括:
步骤S140,获取相似购药单数量大于第二预设数量阈值的购药单及其相似购药单的参保人信息;
基于上述实施例,在本实施例中,人社核心系统的相关管理人员还可以根据需要设置一个第二预设数量阈值,基于第一预设数量阈值与各个购药单的相似购药单数量的比较结果确定是否需要对对应购药单的参保人的历史就诊数据进行分析。具体地,当一个购药单的相似购药单数量大于第二预设数量阈值时,人社核心系统先确定该购药单及其相似购药单的相关开单参保人信息,例如参保人的帐号信息。
步骤S150,基于所述参保人信息获取对应参保人在预设时间长度的历史时间段内的第二就诊数据;
在本实施例中,从所有就诊数据的存储位置从提取各个相关开单参保人从当前时间点开始预设时间长度的时间段内的历史就诊数据,即第二就诊数据,在本实施例中,第二就诊数据的时间段为从当前时间点开始直至过去特定的历史时间点,时间长度为预设时间长度,第二就诊数据可以包含第一就诊数据。
步骤S160,基于所述第二就诊数据确定对应参保人的历史就诊行为特征,其中,所述历史就诊行为特征至少包括历史购药方式特征、历史购药时间特征或购药单药品特征,所述购药方式至少包括非医生诊断购药方式;
历史就诊行为特征指的是参保人的历史就诊数据确定的参保人就诊的行为特点,可以是购药行为特征,包括购药方式特征、历史购药时间特征或者购药单的药品特征,购药方式特征指的参保人采取的购药方式特征,其中购药方式可以包括基于医生诊断结果的药方购药的方式以及不经过医生诊断就购药的购药方式,历史购药时间特征指的是参保人各个购药单的生成时间特征,购药单特征指的是购药单中的药品信息。在获得第二就诊数据时,从第二就诊数据中提取各个相关参保人的购药单信息,基于提取的购药单信息确定各个购药单的购药方式、购药时间以及购药单的药品信息。从而确定各个购药单的用户购药行为特征。
步骤S170,将各个参保人的非医生诊断购药方式对应的历史购药时间特征以及购药单药品特征进行对比,根据历史购药时间的最短相差时间,以及相差最短时间的历史购药单的相同药品的比例确定所述第一就诊数据是否具有团伙开药的异常特征。
确定参保人的历史购药行为特征后,基于购药方式信息提取非医生诊断购药方式的购药单数据,基于购药单的生成时间对购药时间相隔不超过预设间隔时间长度的购药单建立对比组,例如将就诊数据中将购药单生成时间不超过一个星期的购药单建立购药单对比组确定,然后基于上述实施例中相似购药单的确定方法确定对比组中各个购药单的相似购药单数量是否超过第三预设数量阈值,其中,第三预设数量阈值为人社核心系统相关管理人员基于实际需求设置的数量阈值,若对比组中的存在购药单的相似购药单数量超过第三预设数量阈值,则确定第一就诊数据中相似购药单数量超过第二预设数量阈值的购药单及其相似购药单为具有团伙购药的异常特征的购药单,并确定第一就诊数据具有团伙购药的异常特征。
在本实施例中,获取相似购药单数量大于第二预设数量阈值的购药单及其相似购药单的参保人信息;基于所述参保人信息获取对应参保人在预设时间长度的历史时间段内的第二就诊数据;基于所述第二就诊数据确定对应参保人的历史就诊行为特征,其中,所述历史就诊行为特征至少包括历史购药方式特征、历史购药时间特征或购药单药品特征,所述购药方式至少包括非医生诊断购药方式;将各个参保人的非医生诊断购药方式对应的历史购药时间特征以及购药单药品特征进行对比,根据历史购药时间的最短相差时间,以及相差最短时间的历史购药单的相同药品的比例确定所述第一就诊数据是否具有团伙开药的异常特征。通过上述方式,实现基于相似购药单的数量以及参保人的历史就诊行为特征确定第一就诊数据中是否具有团伙开药的异常特征。
基于第五实施例,提出本发明社保违规检测方法的第六实施例,参照图7,本实施例中,步骤S70包括:
步骤S180,基于所述异常检测算法对所述标准数据进行检测,基于购药单中的药品标识以及预设药品相斥表确定同个购药单中是否存在药性相斥的药品;
基于上述实施例,在本实施例中,预设药品相斥表指的是预先基于药品的药性制成并存储在人社核心系统中的药品相斥表,在药品相斥表中存储着各种药品的标识信息,各个药品标识信息关联着与该药品药性相斥的药品的标识信息。在本实施例中,对于每个购药单,从购药单中获取了药品标识时,基于该药品标识从预设药品相斥表中获取与该药品标识关联的药品标识,即相斥药品的药品标识,将获取的药品标识与该购药单中剩余的药品标识进行对比,确定是否存在一致的药品标识,若存在,该购药单中存在药性相斥的药品;对购药单所有的药品标识进行上述对比步骤,若购药单的药品标识的对比结果均为不存在一致的药品标识,则购药单中不存在药性相斥的药品。对标准数据中所有购药单进行检测,确定各个购药单中是否存在药性相斥的药品。
步骤S190,若同个购药单中存在药性相斥的药品,则确定所述第一就诊数据具有团伙开药的异常特征。
基于步骤S180,若标准数据中存在一个购药单中存在药性相斥的药品,则确定对应的购药单为具有团伙开药的异常特征的购药单,并确定第一就诊数据具有团伙开药的异常特征。若标准数据中购药单均不存在药性相斥的药品,则确定第一就诊数据不具有团伙开药的异常特征。
在本实施例中,基于所述异常检测算法对所述标准数据进行检测,基于购药单中的药品标识以及预设药品相斥表确定同个购药单中是否存在药性相斥的药品;若同个购药单中存在药性相斥的药品,则确定所述第一就诊数据具有团伙开药的异常特征。通过上述方式,实现基于标准数据中的购药单是否存在药性相斥的药品来确定第一就诊数据是否具有团伙开药的异常特征。
基于第六实施例,提出本发明社保违规检测方法的第七实施例,参照图8,本实施例中,步骤S30之后包括:
步骤S200,根据预设处罚规则和所述异常数据生成处罚明细信息;
基于上述实施例,在本实施例中,若检测到就诊数据中存在异常数据,则在数据库中查找预设处罚规则,并根据该处罚规则及异常数据生成处罚明细信息,该处罚规则由技术人员进行设定,处罚明细信息包括异常数据信息,基于异常数据的处罚措施信息等信息,还可以包括处罚对象的名称、处罚原因、处罚机构、处罚时间等。本实施例的处罚对象可以是违规参保人、也可以是违规医疗机构。基于上述实施例,在本实施例中,在确定第一就诊数据具有团伙购药的异常特征时,提取具有团伙开药的异常特征的异常购药单数据、异常购药单的开单参保人信息以及异常购药单的开单医疗机构的标识信息等异常数据,再统计开单参保人或医疗机的异常购药单数量或者异常购药单涉及金额等信息以及预设处罚规则生成对参保人或医疗机构的触发明细信息。
进一步地,在处罚规则中不同异常购药单数量或异常购药单的涉及金额等对应不同的处罚等级,在获得统计结果时,首先确定参保人或医疗机构的异常购药单数量或者异常购药单涉及金额所在的数值范围,以根据所在范围确定用户的违规等级。并确定数值范围对应的处罚措施,例如,该处罚等级可以划分为第一等级、第二等级、第三等级等,第一等级对应处罚措施可以是警告提示,第二等级对应的处罚措施可以是进行一定金额罚款,第三等级对应的处罚措施可以是注销医保卡等,当然,可以根据参保人或医疗机构的异常购药单数量或者异常购药单的涉及金额所在不同的数值范围对用户进行不同金额的罚款。
确定当前处罚措施信息后,将异常数据作为处罚措施信息的处罚证明,基于处罚措施信息和异常数据信息生成处罚明细信息。其中,处罚明细信息中包括对用户的具体处罚措施信息,例如扣款金额和医疗机构的标识信息,处罚明细信息还包括异常购药单信息、药品数量或者涉及金额等信息,还可以包括相关的处罚规定或者处罚措施信息的确定方式等信息。
步骤S210,根据所述处罚明细信息发送处罚通知至参保人或医疗机构的终端并对对应的参保人或医疗机构进行处罚。
在本实施例中,可以将处罚明细信息作为处罚通知信息发送至用户终端设备,即各个医疗机构的终端设备,例如医院终端设备或者药店终端设备。人社核心系统将处罚通知发送至移动终端,并自动对用户进行处罚,其中,也可以统计参保人预设时间段违规操作的次数,确定惩罚措施的程度,例如,警告、罚款等,或者,在检测到用户有违规的预行为时,可以进行相关提示,预行为是指根据参保人的购买药物的行为分析预测下次参保人购买药物将达到违规操作,提示方法可以是短信电话通知或者微信消息提示等。
在本实施例中,根据预设处罚规则和所述异常数据生成处罚明细信息;根据所述处罚明细信息发送处罚通知至用户终端并对用户进行处罚。通过上述方式,实现基于违规数据对医疗机构进行处罚,以对医疗机构的违规操作进行管控,减少违规现象的发生。
此外,本发明实施例还提供一种社保违规检测装置。
参照图8,图8为本发明社保违规检测装置第一实施例的功能模块示意图。
本发明社保违规检测装置为虚拟装置,存储于图1所示社保违规检测设备的存储器1005中,用于实现社保违规检测程序的所有功能:获取参保人通过社保卡结算就诊费用的第一就诊数据;将所述第一就诊数据输入偏差检测模型,通过偏差检测模型确定所述第一就诊数据是否具有团伙开药的异常特征;若所述第一就诊数据具有团伙开药的异常特征,则确定所述第一就诊数据异常,并提取所述第一就诊数据中的异常数据,以提供对对应参保人或医疗机构进行处罚的处罚证明。
具体的,本实施例中,所述社保违规检测装置包括:
获取模块10,用于获取参保人通过社保卡结算就诊费用的第一就诊数据;
检测模块20,用于将所述第一就诊数据输入偏差检测模型,通过偏差检测模型确定所述第一就诊数据是否具有团伙开药的异常特征;
提取模块30,用于若所述第一就诊数据具有团伙开药的异常特征,则确定所述第一就诊数据异常,并提取所述第一就诊数据中的异常数据,以提供对对应参保人或医疗机构进行处罚的处罚证明。
进一步地,所述检测模块还用于:
将所述第一就诊数据输入所述偏差检测模型,通过所述偏差检测模型对所述第一就诊数据进行清洗,以得到清洗后的规范就诊数据;
对所述规范就诊数据构造文本特征,以得到词向量,并通过所述偏差检测模型中的双向RNN子模型将词向量转化为句子向量矩阵;
基于所述句子向量矩阵进行注意力机制操作,以得到标准数据;
基于异常检测算法对所述标准数据进行检测,根据检测结果确定所述第一就诊数据是否具有团伙开药的异常特征。
进一步地,所述检测模块还用于:
基于所述异常检测算法对所述标准数据进行检测,识别两两购药单中的相同药品标识;
基于相同药品标识确定两两购药单中相同药品的比例;
基于两两购药单的相同药品的比例与预设比例阈值确定各个购药单的相似购药单,并统计各个购药单的相似购药单数量;
根据各个购药单的相似购药单数量确定所述第一就诊数据是否具有团伙开药的异常特征。
进一步地,所述检测模块还用于:
将各个购药单的相似购药单数量分别与第一预设数量阈值进行对比,判断各个购药单的相似购药单数量是大于第一预设数量阈值;
若购药单的相似购药单数量大于所述第一预设数量阈值,则确定所述第一就诊数据具有团伙开药的异常特征。
进一步地,所述检测模块还用于:
获取相似购药单数量大于第二预设数量阈值的购药单及其相似购药单的参保人信息;
基于所述参保人信息获取对应参保人在预设时间长度的历史时间段内的第二就诊数据;
基于所述第二就诊数据确定对应参保人的历史就诊行为特征,其中,所述历史就诊行为特征至少包括历史购药方式特征、历史购药时间特征或购药单药品特征,所述购药方式至少包括非医生诊断购药方式;
将各个参保人的非医生诊断购药方式对应的历史购药时间特征以及购药单药品特征进行对比,根据历史购药时间的最短相差时间,以及相差最短时间的历史购药单的相同药品的比例确定所述第一就诊数据是否具有团伙开药的异常特征。
进一步地,所述检测模块还用于:
基于所述异常检测算法对所述标准数据进行检测,基于购药单中的药品标识以及预设药品相斥表确定同个购药单中是否存在药性相斥的药品;
若同个购药单中存在药性相斥的药品,则确定所述第一就诊数据具有团伙开药的异常特征。
进一步地,所述社保违规检测装置还包括:
生成模块,用于根据预设处罚规则和所述异常数据生成处罚明细信息;
处罚模块,用于根据所述处罚明细信息发送处罚通知至用户终端并对用户进行处罚。
此外,本发明实施例还提供一种计算机可读存储介质。
本发明计算机可读存储介质上存储有社保违规检测程序,其中所述社保违规检测程序被处理器执行时,实现如上述的社保违规检测方法的步骤。
其中,社保违规检测程序被执行时所实现的方法可参照本发明社保违规检测方法的各个实施例,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)
1.一种社保违规检测方法,其特征在于,所述社保违规检测方法包括:
获取参保人通过社保卡结算就诊费用的第一就诊数据;
将所述第一就诊数据输入偏差检测模型,通过偏差检测模型确定所述第一就诊数据是否具有团伙开药的异常特征;
若所述第一就诊数据具有团伙开药的异常特征,则确定所述第一就诊数据异常,并提取所述第一就诊数据中的异常数据,以提供对对应参保人或医疗机构进行处罚的处罚证明。
2.如权利要求1所述的社保违规检测方法,其特征在于,所述将所述第一就诊数据输入偏差检测模型,通过偏差检测模型确定所述第一就诊数据是否具有团伙开药的异常特征的步骤包括:
将所述第一就诊数据输入所述偏差检测模型,通过所述偏差检测模型对所述第一就诊数据进行清洗,以得到清洗后的规范就诊数据;
对所述规范就诊数据构造文本特征,以得到词向量,并通过所述偏差检测模型中的双向RNN子模型将词向量转化为句子向量矩阵;
基于所述句子向量矩阵进行注意力机制操作,以得到标准数据;
基于异常检测算法对所述标准数据进行检测,根据检测结果确定所述第一就诊数据是否具有团伙开药的异常特征。
3.如权利要求2所述的社保违规检测方法,其特征在于,所述基于异常检测算法对所述标准数据进行检测,根据检测结果确定所述第一就诊数据是否具有团伙开药的异常特征的步骤包括:
基于所述异常检测算法对所述标准数据进行检测,识别两两购药单中的相同药品标识;
基于相同药品标识确定两两购药单中相同药品的比例;
基于两两购药单的相同药品的比例与预设比例阈值确定各个购药单的相似购药单,并统计各个购药单的相似购药单数量;
根据各个购药单的相似购药单数量确定所述第一就诊数据是否具有团伙开药的异常特征。
4.如权利要求3所述的社保违规检测方法,其特征在于,所述根据各个购药单的相似购药单数量确定所述第一就诊数据是否具有团伙开药的异常特征的步骤包括:
将各个购药单的相似购药单数量分别与第一预设数量阈值进行对比,判断各个购药单的相似购药单数量是大于第一预设数量阈值;
若购药单的相似购药单数量大于所述第一预设数量阈值,则确定所述第一就诊数据具有团伙开药的异常特征。
5.如权利要求3所述的社保违规检测方法,其特征在于,所述根据各个购药单的相似购药单数量确定所述第一就诊数据是否具有团伙开药的异常特征的步骤包括:
获取相似购药单数量大于第二预设数量阈值的购药单及其相似购药单的参保人信息;
基于所述参保人信息获取对应参保人在预设时间长度的历史时间段内的第二就诊数据;
基于所述第二就诊数据确定对应参保人的历史就诊行为特征,其中,所述历史就诊行为特征至少包括历史购药方式特征、历史购药时间特征或购药单药品特征,所述购药方式至少包括非医生诊断购药方式;
将各个参保人的非医生诊断购药方式对应的历史购药时间特征以及购药单药品特征进行对比,根据历史购药时间的最短相差时间,以及相差最短时间的历史购药单的相同药品的比例确定所述第一就诊数据是否具有团伙开药的异常特征。
6.如权利要求2所述的社保违规检测方法,其特征在于,所述基于异常检测算法对所述标准数据进行检测,根据检测结果确定所述第一就诊数据是否具有团伙开药的异常特征的步骤包括:
基于所述异常检测算法对所述标准数据进行检测,基于购药单中的药品标识以及预设药品相斥表确定同个购药单中是否存在药性相斥的药品;
若同个购药单中存在药性相斥的药品,则确定所述第一就诊数据具有团伙开药的异常特征。
7.如权利要求1所述的社保违规检测方法,其特征在于,所述若所述第一就诊数据具有团伙开药的异常特征,则确定所述第一就诊数据异常,并提取所述第一就诊数据中的异常数据,以提供对对应参保人或医疗机构进行处罚的处罚证明的步骤之后包括:
根据预设处罚规则和所述异常数据生成处罚明细信息;
根据所述处罚明细信息发送处罚通知至参保人或医疗机构的终端并对对应的参保人或医疗机构进行处罚。
8.一种社保违规检测装置,其特征在于,所述社保违规检测装置包括:
获取模块,获取参保人通过社保卡结算就诊费用的第一就诊数据;
检测模块,用于将所述第一就诊数据输入偏差检测模型,通过偏差检测模型确定所述第一就诊数据是否具有团伙开药的异常特征;
提取模块,用于若所述第一就诊数据具有团伙开药的异常特征,则确定所述第一就诊数据异常,并提取所述第一就诊数据中的异常数据,以提供对对应参保人或医疗机构进行处罚的处罚证明。
9.一种社保违规检测设备,其特征在于,所述社保违规检测设备包括处理器、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社保违规检测程序,其中所述社保违规检测程序被所述处理器执行时,实现如权利要求1至7中任一项所述的社保违规检测方法的步骤。
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社保违规检测程序,其中所述社保违规检测程序被处理器执行时,实现如权利要求1至7中任一项所述的社保违规检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811530613.0A CN109637635A (zh) | 2018-12-13 | 2018-12-13 | 社保违规检测方法、装置、设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811530613.0A CN109637635A (zh) | 2018-12-13 | 2018-12-13 | 社保违规检测方法、装置、设备及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109637635A true CN109637635A (zh) | 2019-04-16 |
Family
ID=66073962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811530613.0A Pending CN109637635A (zh) | 2018-12-13 | 2018-12-13 | 社保违规检测方法、装置、设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109637635A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102013084A (zh) * | 2010-12-14 | 2011-04-13 | 江苏大学 | 用于检测医疗保险门诊欺诈性交易的系统和方法 |
CN102346901A (zh) * | 2011-11-22 | 2012-02-08 | 北京信城通数码科技有限公司 | 一种互联网药品交易主体信用评估系统及其方法 |
CN103514576A (zh) * | 2013-09-06 | 2014-01-15 | 深圳民太安信息技术有限公司 | 一种社保就诊违规套现的筛查方法 |
CN105868977A (zh) * | 2016-04-01 | 2016-08-17 | 深圳市至高通信技术发展有限公司 | 药品售卖监管的方法、系统及装置 |
-
2018
- 2018-12-13 CN CN201811530613.0A patent/CN109637635A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102013084A (zh) * | 2010-12-14 | 2011-04-13 | 江苏大学 | 用于检测医疗保险门诊欺诈性交易的系统和方法 |
CN102346901A (zh) * | 2011-11-22 | 2012-02-08 | 北京信城通数码科技有限公司 | 一种互联网药品交易主体信用评估系统及其方法 |
CN103514576A (zh) * | 2013-09-06 | 2014-01-15 | 深圳民太安信息技术有限公司 | 一种社保就诊违规套现的筛查方法 |
CN105868977A (zh) * | 2016-04-01 | 2016-08-17 | 深圳市至高通信技术发展有限公司 | 药品售卖监管的方法、系统及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108492196A (zh) | 通过数据分析推断医疗保险违规行为的风控方法 | |
CN109685670A (zh) | 社保违规检测方法、装置、设备及计算机可读存储介质 | |
CN111950932A (zh) | 基于多源信息融合的中小微企业综合质量画像方法 | |
CN109635044A (zh) | 住院数据异常检测方法、装置、设备及可读存储介质 | |
WO2021143056A1 (zh) | 文本结论智能推荐方法、装置、计算机设备及计算机可读存储介质 | |
CN109671476A (zh) | 无关用药的识别方法、装置、终端及计算机可读存储介质 | |
CN109409619A (zh) | 舆情动向的预测方法、装置、介质及电子设备 | |
CN109636648A (zh) | 社保违规检测方法、装置、设备及计算机存储介质 | |
CN113435202A (zh) | 基于用户画像的产品推荐方法、装置、电子设备及介质 | |
CN113592019A (zh) | 基于多模型融合的故障检测方法、装置、设备及介质 | |
CN109559242A (zh) | 异常数据的处理方法、装置、设备及计算机可读存储介质 | |
CN114358854A (zh) | 客户流失预警方法、装置、设备及存储介质 | |
CN109615538A (zh) | 社保违规检测方法、装置、设备及计算机存储介质 | |
Liu et al. | Tracking disclosure change trajectories for financial fraud detection | |
Ahmadi et al. | A social media analytics-based approach to customer-centric reverse logistics management of electronic devices: A case study on notebooks | |
CN109598633A (zh) | 社保违规检测方法、装置、设备及计算机存储介质 | |
CN109616185A (zh) | 检测违规开具检查项目行为的方法及相关设备 | |
CN112950344A (zh) | 数据评估方法、装置、电子设备及存储介质 | |
CN109637635A (zh) | 社保违规检测方法、装置、设备及计算机存储介质 | |
CN109658267A (zh) | 社保违规检测方法、装置、设备及计算机存储介质 | |
CN112560465B (zh) | 批量异常事件的监控方法、装置、电子设备及存储介质 | |
CN114493896A (zh) | 基于机器学习的数据评估方法、装置、设备及存储介质 | |
CN114662794A (zh) | 企业违约风险的预测方法、装置、设备及存储介质 | |
CN113469787A (zh) | 消费管理系统 | |
CN114708073A (zh) | 一种围标串标智能检测方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190416 |
|
RJ01 | Rejection of invention patent application after publication |