CN109659004A - 辅助用药检测方法、装置、设备及计算机可读存储介质 - Google Patents
辅助用药检测方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109659004A CN109659004A CN201811530684.0A CN201811530684A CN109659004A CN 109659004 A CN109659004 A CN 109659004A CN 201811530684 A CN201811530684 A CN 201811530684A CN 109659004 A CN109659004 A CN 109659004A
- Authority
- CN
- China
- Prior art keywords
- adjuvant drug
- data
- medical
- adjuvant
- drug
- 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
- 239000003814 drug Substances 0.000 title claims abstract description 349
- 229940079593 drug Drugs 0.000 title claims abstract description 341
- 239000002671 adjuvant Substances 0.000 title claims abstract description 310
- 238000001514 detection method Methods 0.000 title claims abstract description 60
- 230000002159 abnormal effect Effects 0.000 claims abstract description 53
- 230000008520 organization Effects 0.000 claims abstract description 24
- 238000011282 treatment Methods 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000004140 cleaning Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 4
- 230000000306 recurrent effect Effects 0.000 claims description 4
- 241000208340 Araliaceae Species 0.000 claims description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 3
- 235000008434 ginseng Nutrition 0.000 claims description 3
- 241001269238 Data Species 0.000 claims description 2
- 238000011176 pooling Methods 0.000 abstract description 12
- 238000012545 processing Methods 0.000 description 12
- 201000010099 disease Diseases 0.000 description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000009467 reduction Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000001802 infusion Methods 0.000 description 5
- 208000019423 liver disease Diseases 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 239000002699 waste material Substances 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011221 initial treatment Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 206010008635 Cholestasis Diseases 0.000 description 1
- 208000003870 Drug Overdose Diseases 0.000 description 1
- 206010033296 Overdoses Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000009098 adjuvant therapy Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002300 anti-fibrosis Effects 0.000 description 1
- 239000000729 antidote Substances 0.000 description 1
- 239000003443 antiviral agent Substances 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 230000007870 cholestasis Effects 0.000 description 1
- 231100000359 cholestasis Toxicity 0.000 description 1
- 238000011443 conventional therapy Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 231100000725 drug overdose Toxicity 0.000 description 1
- 238000003255 drug test Methods 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 208000007386 hepatic encephalopathy Diseases 0.000 description 1
- 239000002955 immunomodulating agent Substances 0.000 description 1
- 229940121354 immunomodulator Drugs 0.000 description 1
- 230000002584 immunomodulator Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 210000005229 liver cell Anatomy 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000010534 mechanism of action Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 208000007232 portal hypertension Diseases 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000001225 therapeutic effect 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Chemical & Material Sciences (AREA)
- Toxicology (AREA)
- Pharmacology & Pharmacy (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)
Abstract
本发明属于大数据技术领域，公开了一种辅助用药检测方法，包括：获取参保人员的就诊辅助用药数据；基于预设模型对所述就诊辅助用药数据进行分析，以判断所述就诊辅助用药数据中是否存在辅助用药过量使用的异常数据；若存在，则基于所述异常数据中的辅助用药明细确定扣费依据，以便基于所述扣费依据向对应的定点医疗机构出具扣费通知。本发明还公开了一种辅助用药检测装置、设备及计算机可读存储介质。本发明实现了为各地人社局管理门诊统筹基金的支出，防止有不合理的门诊费用支出。
Description
技术领域
本发明涉及大数据技术领域，尤其涉及一种辅助用药检测方法、装置、设备及计算机可读存储介质。
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。现有技术中都是配备监管人员对参保人员的社保行为进行监控，以及对医保结算单据进行核算，以便管理门诊统筹基金的支出。但是，由于医保参保人员基数大，仅依靠监管人员对参保数据进行监管，力度不够，例如，在参保医疗数据中可能会出现辅助用药过量使用的情况，对门诊统筹基金造成极大的浪费。
发明内容
本发明的主要目的在于提供一种辅助用药检测方法、装置、设备及计算机可读存储介质，旨在解决现有技术中仅依靠监管人员对参保数据进行监管，力度不够，造成门诊统筹基金管理存在缺陷的技术问题。
为实现上述目的，本发明提供一种辅助用药检测方法，所述辅助用药检测方法包括：
获取参保人员的就诊辅助用药数据；
基于预设模型对所述就诊辅助用药数据进行分析，以判断所述就诊辅助用药数据中是否存在辅助用药过量使用的异常数据；
若存在，则基于所述异常数据中的辅助用药明细确定扣费依据，以便基于所述扣费依据向对应的定点医疗机构出具扣费通知。
可选地，所述获取参保人员的就诊辅助用药数据的步骤包括：
获取定点医疗机构上传的参保人员的就诊辅助用药数据，其中，所述就诊辅助用药数据至少包括辅助用药购买时间、开具辅助用药的定点医疗机构、参保人信息、辅助用药信息以及费用明细信息。
可选地，所述基于预设模型对所述就诊辅助用药数据进行分析，以判断所述就诊辅助用药数据中是否存在辅助用药过量使用的异常数据的步骤包括：
对所述就诊辅助用药数据进行预处理，以得到对应的辅助用药特征参数；
根据聚类算法对所述辅助用药特征参数进行聚类分析，得到聚类结果，并基于所述聚类结果判断所述就诊辅助用药数据中是否存在辅助用药过量使用的异常数据。
可选地，所述对所述就诊辅助用药数据进行预处理，以得到对应的辅助用药特征参数的步骤包括:
对所述就诊辅助用药数据进行初步数据清洗，并基于循环神经网络RNN模型对初步数据清洗后的就诊辅助用药数据进行处理，得到辅助用药词条；
从所述辅助用药词条中进行辅助用药特征参数的提取，其中，所述辅助用药特征参数至少包括辅助用药的种类、开药次数、用药金额以及就诊总费用。
可选地，所述对所述就诊辅助用药数据进行预处理，以得到对应的辅助用药特征参数的步骤之后，还包括：
判断所述辅助用药特征参数是否需要进行降维处理；
若需要，则基于线性方法对所述辅助用药特征参数进行降维处理，并执行所述根据聚类算法对所述辅助用药特征参数进行聚类分析，得到聚类结果，并基于所述聚类结果判断所述就诊辅助用药数据中是否存在辅助用药过量使用的异常数据的步骤。
可选地，所述根据聚类算法对所述辅助用药特征参数进行聚类分析，得到聚类结果，并基于所述聚类结果判断所述就诊辅助用药数据中是否存在辅助用药过量使用的异常数据的步骤包括：
根据聚类算法对所述降维处理后的辅助用药特征参数进行聚类分析，将所述降维处理后的辅助用药特征参数分为不同的类；
判断所述不同的类中是否存在辅助用药的种类高于预设种类阈值的辅助用药特征参数，和/或开药次数高于预设次数阈值的辅助用药特征参数，和/或用药金额占所述就诊总费用的比例高于预设比例阈值辅助用药特征参数。
可选地，所述基于所述异常数据中的辅助用药明细确定扣费依据的步骤包括：
基于所述辅助用药的种类与预设种类阈值的种类差值，和/或所述开药次数与预设次数阈值的次数差值，和/或所述用药金额占所述就诊总费用的比例与预设比例阈值的比例差值确定扣费依据。
此外，为实现上述目的，本发明还提供一种辅助用药检测装置，所述辅助用药检测装置包括：
数据获取模块，用于获取参保人员的就诊辅助用药数据；
数据判断模块，用于基于预设模型对所述就诊辅助用药数据进行分析，以判断所述就诊辅助用药数据中是否存在辅助用药过量使用的异常数据；
确定扣费模块，用于若存在，则基于所述异常数据中的辅助用药明细确定扣费依据，以便基于所述扣费依据向对应的定点医疗机构出具扣费通知。
此外，为实现上述目的，本发明还提供一种辅助用药检测设备，所述辅助用药检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的辅助用药检测程序，所述辅助用药检测程序被所述处理器执行时实现如上所述的辅助用药检测方法的步骤。
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辅助用药检测程序，所述辅助用药检测程序被处理器执行时实现如上所述的辅助用药检测方法的步骤。
本发明提出的一种辅助用药检测方法，首先获取参保人员的就诊辅助用药数据，并基于预设模型对就诊辅助用药数据进行分析，以判断就诊辅助用药数据中是否存在辅助用药过量使用的异常数据，若存在，则基于异常数据中的辅助用药明细确定扣费依据，以便向对应的定点医疗机构出具扣费通知。通过本发明提出的辅助用药检测方法，对参保人员的辅助用药情况进行检测，判断其中是否存在辅助用药异常，并对出现辅助用药异常数据的定点医疗机构出具扣费通知，以防止有不合理的门诊费用支出，有效管理门诊统筹基金的支出，避免对门诊统筹基金造成浪费。
附图说明
图1为本发明实施例方案中涉及的辅助用药检测设备的硬件结构示意图；
图2为本发明辅助用药检测方法第一实施例的流程示意图；
图3为图2中的步骤S20的细化流程示意图；
图4为本发明辅助用药检测方法第二实施例的流程示意图；
图5为本发明辅助用药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。
本发明实施例的主要解决方案是：获取参保人员的就诊辅助用药数据；基于预设模型对所述就诊辅助用药数据进行分析，以判断所述就诊辅助用药数据中是否存在辅助用药过量使用的异常数据；若存在，则基于所述异常数据中的辅助用药明细确定扣费依据，以便基于所述扣费依据向对应的定点医疗机构出具扣费通知。通过本发明实施例的技术方案，解决了现有技术中仅依靠监管人员对参保数据进行监管，力度不够，造成门诊统筹基金管理存在缺陷的技术问题。
如图1所示，图1为本发明实施例方案中涉及的辅助用药检测设备的硬件结构示意图。
本发明实施例涉及的辅助用药检测方法主要应用于辅助用药检测设备，该辅助用药检测设备可以是PC、便携计算机、移动终端等具有显示和处理功能的设备。
如图1所示，该辅助用药检测设备可以包括：处理器1001，例如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)，可选用户接口1003还可以包括标准的有线接口、无线接口。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。
可选地，辅助用药检测设备还可以包括摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、Wi-Fi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。当然，辅助用药检测设备还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
本领域技术人员可以理解，图1中示出的辅助用药检测设备结构并不构成对辅助用药检测设备的限定，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1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及辅助用药检测程序。在图1中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001、存储器1005可以设置在辅助用药检测装置中，所述辅助用药检测装置通过处理器1001调用存储器1005中存储的辅助用药检测程序，并执行本发明实施例提供的辅助用药检测方法。
本实施例提供的方案，首先获取参保人员的就诊辅助用药数据，并基于预设模型对就诊辅助用药数据进行分析，以判断就诊辅助用药数据中是否存在辅助用药过量使用的异常数据，若存在，则基于异常数据中的辅助用药明细确定扣费依据，以便向对应的定点医疗机构出具扣费通知。通过本发明提出的辅助用药检测方法，对参保人员的辅助用药情况进行检测，判断其中是否存在辅助用药异常，并对出现辅助用药异常数据的定点医疗机构出具扣费通知，以防止有不合理的门诊费用支出，有效管理门诊统筹基金的支出，避免对门诊统筹基金造成浪费。
基于上述硬件结构，提出本发明辅助用药检测方法实施例。
参照图2，图2为本发明辅助用药检测方法第一实施例的流程示意图，在该实施例中，所述方法包括：
步骤S10，获取参保人员的就诊辅助用药数据；
现有技术中，参保人员在定点医疗机构，例如医院、药店等地方使用医保卡进行就诊费用结算时，定点医疗机构的收费终端设备即可将对应的就诊数据上传至人社核心系统，即人力资源社会保障系统中负责对参保人员相应的医疗数据进行核对的系统，以此来管理门诊统筹基金的支出。在本实施例中，是通过对参保人员的辅助用药使用情况进行检测，因此，本实施例中的就诊数据具体指的是就诊辅助用药数据。辅助用药，是指有助于增加主要治疗药物的作用或通过影响主要治疗药物的吸收、作用机制、代谢以增加其疗效的药物；或在疾病常规治疗基础上，有助于疾病或功能紊乱的预防和治疗的药物。
具体地，就诊辅助用药数据中至少包括辅助用药购买时间、开具辅助用药的定点医疗机构、参保人信息、辅助用药信息以及费用明细信息等，其中，参保人信息具体可以包括参保人的姓名、年龄以及参保人医保卡信息等。
步骤S20，基于预设模型对所述就诊辅助用药数据进行分析，以判断所述就诊辅助用药数据中是否存在辅助用药过量使用的异常数据；若存在，则执行步骤S30；
在本实施例中，是通过将就诊辅助用药数据放入预设模型中运行，来判断参保人员的就诊辅助用药数据中是否存在辅助用药过量使用的异常数据，具体地，本实施例中所使用的预设模型主要是偏差检测模型，偏差具体指分类样本中的反常实例、不满足规则的特例，或者观测结果与模型预测值不一致且观测结果随时间变化而变化等等，偏差检测的基本目标是寻找观测结果与参照值之间有意义的差别。
具体地，如图3所示，所述步骤S20具体包括：
步骤S21，对所述就诊辅助用药数据进行预处理，以得到对应的辅助用药特征参数；
首先，对人社核心系统接收的就诊辅助用药数据进行预处理，在本实施例中，预处理的过程包括初步数据清洗、利用RNN(Recurrent Neural Network，循环神经网络)模型对就诊辅助用药数据进行分词处理以及去除无用词，以便得到相应的辅助用药词条，并进一步地从辅助用药词条中提取辅助用药特征参数。
具体地，对于上传至人社核心系统的就诊辅助用药数据中，存在一些不必要的信息，初步数据清洗的目的就是为了过滤这些信息，数据清洗主要是删除原始数据集中的无关数据、重复数据，平滑噪声数据，并筛选掉与模型检测主题无关的数据，以及处理缺失值、异常值等，例如，就诊辅助用药数据中包含的与辅助用药无关的信息，如住院检查信息等。
进一步地，利用RNN模型对清洗后的就诊辅助用药数据进行分词处理及去除无用词。对于中文文本数据，比如一个包含中文的句子，词与词之间是连续的，而数据分析的最小单位粒度是词语，因此，需要对就诊辅助用药数据进行分词处理。进一步地，对分词处理后的数据进行无用词的去除，停用词是指对文本特征没有任何贡献作用的词语，比如：啊、的、是的、你、我，当然，还有一些标点符号，这些停用词并不能反应出文本的意思，因此，需要进行停用词的去除处理。经过分词处理及去除无用词后，即可获得就诊辅助用药数据对应的辅助用药词条，实现了字段标准化的匹配。
进一步地，为了便于预设模型对数据的处理，将辅助用药词条对应的文本特征转化为数值特征，更具体地说，是向量矩阵，以便通过该向量矩阵进行相应特征参数的提取。将文本特征转换为数值特征的方法，属于现有技术，在此不作描述。
在本实施例中，辅助用药特征参数至少包括辅助用药的种类、开药次数、用药金额以及就诊总费用。例如，常用的用于治疗肝病的辅助药物可分为9类：抗病毒药、保护肝细胞辅助药物、免疫调节药、植物药和中药的有效成分、治疗胆汁淤积的药物、防治肝性脑病药物、解毒药、抗纤维化药及治疗和预防门静脉高压、静脉曲张出血的药物。若某一参保人员因肝病入院诊疗并开具辅助用药，则该参保人员对应的辅助用药特征参数中的辅助用药的种类应包括上述9类中的一种或多种，并对应有该种类的辅助用药的开药次数及药品金额。
步骤S22，根据聚类算法对所述辅助用药特征参数进行聚类分析，得到聚类结果，并基于所述聚类结果判断所述就诊辅助用药数据中是否存在辅助用药过量使用的异常数据。
根据聚类算法对上述获得的辅助用药特征参数进行聚类分析，具体地，可以利用k-means算法实现数据的聚类，以便使所获得的聚类满足：同一聚类中的对象相似度较高，而不同聚类中的对象相似度较小，并将聚类结果可视化。利用k-means算法进行聚类的方法如下：
k-means算法接受输入量k，然后将n个数据对象划分为k个聚类，以便使得所获得的聚类满足：同一聚类中的对象相似度较高，而不同聚类中的对象相似度较小。在本实施例中，输入量K即是指辅助用药的种类、开药次数、用药金额以及就诊总费用等，n个数据对象即是指待分类的所有辅助用药特征参数。具体过程如下：首先从n个数据对象中任意选择k个对象作为初始聚类中心，而对于所剩下的其它对象，则根据它们与这些初始聚类中心的相似度，分别将它们分配给与其最相似的聚类中心所代表的聚类，然后再计算每个所获新聚类的聚类中心，即该聚类中所有对象的均值，不断重复这一过程直到标准测度函数开始收敛为止，一般都采用均方差作为标准测度函数。k个聚类具有以下特点：各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开。
通过上述聚类算法，将辅助用药特征参数基于辅助用药的种类、开药次数、用药金额以及就诊总费用，分为若干个不同的类。并将该聚类结果可视化，以便从中判断就诊辅助用药数据中是否存在异常数据。
步骤S30，基于所述异常数据中的辅助用药明细确定扣费依据，以便基于所述扣费依据向对应的定点医疗机构出具扣费通知。
通过聚类结果对就诊辅助用药数据中是否存在异常数据进行判断，若存在，则基于该异常数据中的辅助用药明细确定扣费依据，以便基于该扣费依据向对应的定点医疗机构出具扣费通知。
在本实施例中，首先获取参保人员的就诊辅助用药数据，并基于预设模型对就诊辅助用药数据进行分析，以判断就诊辅助用药数据中是否存在辅助用药过量使用的异常数据，若存在，则基于异常数据中的辅助用药明细确定扣费依据，以便向对应的定点医疗机构出具扣费通知。通过本发明提出的辅助用药检测方法，对参保人员的辅助用药情况进行检测，判断其中是否存在辅助用药异常，并对出现辅助用药异常数据的定点医疗机构出具扣费通知，以防止有不合理的门诊费用支出，有效管理门诊统筹基金的支出，避免对门诊统筹基金造成浪费。
进一步的，参照图4，基于上述实施例，提出本发明辅助用药检测方法第二实施例，在本实施例中，所述步骤S21之后还包括：
步骤S23，判断所述辅助用药特征参数是否需要进行降维处理；若需要，则执行步骤S24；
对特征参数进行降维处理是为了进一步地进行有效信息的提取综合及无用信息的摈弃，首先，对辅助用药特征参数是否需要进行降维处理进行判断，具体地，将辅助用药词条对应的文本特征转换为向量矩阵形式表示的数值特征时，该向量矩阵所对应的维度即为辅助用药特征参数所对应的维度，若该维度过高，则需要进行降维处理。
步骤S24，基于线性方法对所述辅助用药特征参数进行降维处理，并执行所述步骤S22。
在本实施例中，主要是利用线性方法对多维数据进行降维处理，现有技术中，常用的多维度数据处理的降维方法主要包括以下几种：缺失值比率、低方差滤波、高相关滤波、随机森林/组合树、主成分分析、反向特征消除和前向特征构造。通过对多维数据进行降维处理，即可实现对辅助用药特征参数的降维。
进一步地，根据聚类算法对降维处理后的辅助用药特征参数进行聚类分析，具体地，可以采用如上所述的k-means算法实现数据的聚类，将辅助用药特征参数分为不同的类，并判断不同的类中是否存在包含异常点的类。具体地，辅助用药特征参数中包括辅助用药的种类、开药次数、用药金额以及就诊总费用，包含异常点的类，是指某一聚类中辅助用药的种类高于预设种类阈值，或开药次数高于预设次数阈值，或用药金额占就诊总费用的比例高于预设比例阈值。例如上述所说的用于治疗肝病的辅助药物，若某一参保人员因肝病入院诊疗并开具辅助用药，但其开具的辅助治疗肝病的种类高于预设种类阈值3种；或开药的次数高于预设次数阈值3次；或辅助用药的金额超过了该参保人员本次诊疗总费用的60％及以上，即可判定该参保人员的当次就诊辅助用药数据中存在辅助用药异常。
进一步地，如果存在辅助用药异常数据，则基于该异常数据中的辅助用药具体明细确定扣费依据，可以理解的是，对于辅助用药的种类高于预设种类阈值、开药次数高于预设次数阈值、用药金额占就诊总费用的比例高于预设比例阈值的情况，可以对应有不同的扣费细则，并将违规的辅助用药数据明细确定到每一个违规人员，以便向违规医疗机构出具扣费通知。
在本发明另一实施例中，定点医疗机构的收费终端设备上传至人社核心系统的就诊辅助用药数据中，除了包括参保人员的辅助用药数据之外，还可以包括进行疾病诊疗的输液信息，因此，还可以通过该输液信息判断该参保人员的就诊数据中是否存在不需要输液的疾病却进行输液的情况。
具体地，根据静脉输液管理相关政策，无需输液治疗的疾病不能采用静脉输液，其中，共53种疾病不能输液，涵盖了儿科、妇科、内科及外科的相应疾病。通过对输液信息进行分析，判断是否存在不需要输液的疾病诊疗，就诊数据中却存在输液记录，若是，则表明就诊数据中存在违规数据。
在本实施例中，对辅助用药特征参数是否需要进行降维处理进行判断，并在确定需要降维处理后，利用线性方法对辅助用药特征参数进行降维处理，以便基于聚类算法对降维后的辅助用药特征参数进行聚类分析，从中确定出包含异常点的类，并出具对应的扣费通知至具体的定点医疗机构，对门诊统筹基金的支付进行管理，防止不合理的辅助用药支出。
此外，本发明实施例还提供一种辅助用药检测装置。
参照图5，图5为本发明辅助用药检测装置第一实施例的功能模块示意图。
本实施例中，所述辅助用药检测装置包括：
数据获取模块10，用于获取参保人员的就诊辅助用药数据；
数据判断模块20，用于基于预设模型对所述就诊辅助用药数据进行分析，以判断所述就诊辅助用药数据中是否存在辅助用药过量使用的异常数据；
确定扣费模块30，用于若存在，则基于所述异常数据中的辅助用药明细确定扣费依据，以便基于所述扣费依据向对应的定点医疗机构出具扣费通知。
进一步地，所述数据获取模块10具体包括：
数据获取单元，用于获取定点医疗机构上传的参保人员的就诊辅助用药数据，其中，所述就诊辅助用药数据至少包括辅助用药购买时间、开具辅助用药的定点医疗机构、参保人信息、辅助用药信息以及费用明细信息。
进一步地，所述数据判断模块20具体包括：
预处理单元，用于对所述就诊辅助用药数据进行预处理，以得到对应的辅助用药特征参数；
聚类分析单元，用于根据聚类算法对所述辅助用药特征参数进行聚类分析，得到聚类结果，并基于所述聚类结果判断所述就诊辅助用药数据中是否存在辅助用药过量使用的异常数据。
进一步地，所述预处理单元具体包括：
数据清洗子单元，用于对所述就诊辅助用药数据进行初步数据清洗，并基于循环神经网络RNN模型对初步数据清洗后的就诊辅助用药数据进行处理，得到辅助用药词条；
特征参数提取子单元，用于从所述辅助用药词条中进行辅助用药特征参数的提取，其中，所述辅助用药特征参数至少包括辅助用药的种类、开药次数、用药金额以及就诊总费用。
进一步地，所述辅助用药检测装置还包括：
判断单元，用于判断所述辅助用药特征参数是否需要进行降维处理；
降维处理单元，用于若需要，则基于线性方法对所述辅助用药特征参数进行降维处理，并执行所述根据聚类算法对所述辅助用药特征参数进行聚类分析，得到聚类结果，并基于所述聚类结果判断所述就诊辅助用药数据中是否存在辅助用药过量使用的异常数据的步骤。
进一步地，所述聚类分析单元具体包括：
聚类分析子单元，用于根据聚类算法对所述降维处理后的辅助用药特征参数进行聚类分析，将所述降维处理后的辅助用药特征参数分为不同的类；
异常数据判断子单元，用于判断所述不同的类中是否存在辅助用药的种类高于预设种类阈值的辅助用药特征参数，和/或开药次数高于预设次数阈值的辅助用药特征参数，和/或用药金额占所述就诊总费用的比例高于预设比例阈值辅助用药特征参数。
进一步地，所述辅助用药检测装置还包括：
扣费单元，用于基于所述辅助用药的种类与预设种类阈值的种类差值，和/或所述开药次数与预设次数阈值的次数差值，和/或所述用药金额占所述就诊总费用的比例与预设比例阈值的比例差值确定扣费依据。
其中，上述辅助用药检测装置中各个模块与上述辅助用药检测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，本发明实施例还提出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辅助用药检测程序，所述辅助用药检测程序被处理器执行时实现如上所述的辅助用药检测方法的步骤。
其中，辅助用药检测程序被执行时所实现的方法可参照本发明辅助用药检测方法的各个实施例，此处不再赘述。
本实施例提供的方案，首先获取参保人员的就诊辅助用药数据，并基于预设模型对就诊辅助用药数据进行分析，以判断就诊辅助用药数据中是否存在辅助用药过量使用的异常数据，若存在，则基于异常数据中的辅助用药明细确定扣费依据，以便向对应的定点医疗机构出具扣费通知。通过本发明提出的辅助用药检测方法，对参保人员的辅助用药情况进行检测，判断其中是否存在辅助用药异常，并对出现辅助用药异常数据的定点医疗机构出具扣费通知，以防止有不合理的门诊费用支出，有效管理门诊统筹基金的支出，避免对门诊统筹基金造成浪费。
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)
1.一种辅助用药检测方法，其特征在于，所述辅助用药检测方法包括以下步骤：
获取参保人员的就诊辅助用药数据；
基于预设模型对所述就诊辅助用药数据进行分析，以判断所述就诊辅助用药数据中是否存在辅助用药过量使用的异常数据；
若存在，则基于所述异常数据中的辅助用药明细确定扣费依据，以便基于所述扣费依据向对应的定点医疗机构出具扣费通知。
2.如权利要求1所述的辅助用药检测方法，其特征在于，所述获取参保人员的就诊辅助用药数据的步骤包括：
获取定点医疗机构上传的参保人员的就诊辅助用药数据，其中，所述就诊辅助用药数据至少包括辅助用药购买时间、开具辅助用药的定点医疗机构、参保人信息、辅助用药信息以及费用明细信息。
3.如权利要求2所述的辅助用药检测方法，其特征在于，所述基于预设模型对所述就诊辅助用药数据进行分析，以判断所述就诊辅助用药数据中是否存在辅助用药过量使用的异常数据的步骤包括：
对所述就诊辅助用药数据进行预处理，以得到对应的辅助用药特征参数；
根据聚类算法对所述辅助用药特征参数进行聚类分析，得到聚类结果，并基于所述聚类结果判断所述就诊辅助用药数据中是否存在辅助用药过量使用的异常数据。
4.如权利要求3所述的辅助用药检测方法，其特征在于，所述对所述就诊辅助用药数据进行预处理，以得到对应的辅助用药特征参数的步骤包括:
对所述就诊辅助用药数据进行初步数据清洗，并基于循环神经网络RNN模型对初步数据清洗后的就诊辅助用药数据进行处理，得到辅助用药词条；
从所述辅助用药词条中进行辅助用药特征参数的提取，其中，所述辅助用药特征参数至少包括辅助用药的种类、开药次数、用药金额以及就诊总费用。
5.如权利要求3所述的辅助用药检测方法，其特征在于，所述对所述就诊辅助用药数据进行预处理，以得到对应的辅助用药特征参数的步骤之后，还包括：
判断所述辅助用药特征参数是否需要进行降维处理；
若需要，则基于线性方法对所述辅助用药特征参数进行降维处理，并执行所述根据聚类算法对所述辅助用药特征参数进行聚类分析，得到聚类结果，并基于所述聚类结果判断所述就诊辅助用药数据中是否存在辅助用药过量使用的异常数据的步骤。
6.如权利要求5所述的辅助用药检测方法，其特征在于，所述根据聚类算法对所述辅助用药特征参数进行聚类分析，得到聚类结果，并基于所述聚类结果判断所述就诊辅助用药数据中是否存在辅助用药过量使用的异常数据的步骤包括：
根据聚类算法对所述降维处理后的辅助用药特征参数进行聚类分析，将所述降维处理后的辅助用药特征参数分为不同的类；
判断所述不同的类中是否存在辅助用药的种类高于预设种类阈值的辅助用药特征参数，和/或开药次数高于预设次数阈值的辅助用药特征参数，和/或用药金额占所述就诊总费用的比例高于预设比例阈值辅助用药特征参数。
7.如权利要求6所述的辅助用药检测方法，其特征在于，所述基于所述异常数据中的辅助用药明细确定扣费依据的步骤包括：
基于所述辅助用药的种类与预设种类阈值的种类差值，和/或所述开药次数与预设次数阈值的次数差值，和/或所述用药金额占所述就诊总费用的比例与预设比例阈值的比例差值确定扣费依据。
8.一种辅助用药检测装置，其特征在于，所述辅助用药检测装置包括：
数据获取模块，用于获取参保人员的就诊辅助用药数据；
数据判断模块，用于基于预设模型对所述就诊辅助用药数据进行分析，以判断所述就诊辅助用药数据中是否存在辅助用药过量使用的异常数据；
确定扣费模块，用于若存在，则基于所述异常数据中的辅助用药明细确定扣费依据，以便基于所述扣费依据向对应的定点医疗机构出具扣费通知。
9.一种辅助用药检测设备，其特征在于，所述辅助用药检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的辅助用药检测程序，所述辅助用药检测程序被所述处理器执行时实现如权利要求1至7中任一项所述的辅助用药检测方法的步骤。
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辅助用药检测程序，所述辅助用药检测程序被处理器执行时实现如权利要求1至7中任一项所述的辅助用药检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811530684.0A CN109659004A (zh) | 2018-12-13 | 2018-12-13 | 辅助用药检测方法、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 |
|---|---|---|---|
| CN201811530684.0A CN109659004A (zh) | 2018-12-13 | 2018-12-13 | 辅助用药检测方法、装置、设备及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109659004A true CN109659004A (zh) | 2019-04-19 |
Family
ID=66114632
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811530684.0A Pending CN109659004A (zh) | 2018-12-13 | 2018-12-13 | 辅助用药检测方法、装置、设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109659004A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104133688A (zh) * | 2014-08-08 | 2014-11-05 | 平安养老保险股份有限公司 | 医疗服务巡查与调查系统及方法 |
| CN104463456A (zh) * | 2014-12-03 | 2015-03-25 | 长沙中科院文化创意与科技产业研究院 | 一种面向患者的医疗处方审核系统及其方法 |
| CN106327395A (zh) * | 2016-08-31 | 2017-01-11 | 杭州逸曜信息技术有限公司 | 医疗费用信息的处理方法 |
| US20170124281A1 (en) * | 2015-10-29 | 2017-05-04 | Cerner Innovation, Inc. | Systems and Methods for Analyzing Medication Adherence Patterns |
| 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 |
-
2018
- 2018-12-13 CN CN201811530684.0A patent/CN109659004A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104133688A (zh) * | 2014-08-08 | 2014-11-05 | 平安养老保险股份有限公司 | 医疗服务巡查与调查系统及方法 |
| CN104463456A (zh) * | 2014-12-03 | 2015-03-25 | 长沙中科院文化创意与科技产业研究院 | 一种面向患者的医疗处方审核系统及其方法 |
| US20170124281A1 (en) * | 2015-10-29 | 2017-05-04 | Cerner Innovation, Inc. | Systems and Methods for Analyzing Medication Adherence Patterns |
| CN106327395A (zh) * | 2016-08-31 | 2017-01-11 | 杭州逸曜信息技术有限公司 | 医疗费用信息的处理方法 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| 曾一新: "离休干部医药费保障机制研究-以南昌市为例", 《中国优秀硕士学位论文全文数据库 社会科学Ⅰ辑》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lakkaraju et al. | Learning cost-effective and interpretable treatment regimes | |
| US11900473B2 (en) | Method of personalizing, individualizing, and automating the management of healthcare fraud-waste-abuse to unique individual healthcare providers | |
| US10671750B2 (en) | System and method for data classification centric sensitive data discovery | |
| Mason et al. | An investigation of biometric authentication in the healthcare environment | |
| US10426378B1 (en) | Systems and methods for automated body mass index calculation to determine value | |
| US20190311377A1 (en) | Social security fraud behaviors identification method, device, apparatus and computer-readable storage medium | |
| Holt et al. | Civil protection orders and risk of subsequent police-reported violence | |
| CN109636623A (zh) | 医疗数据异常检测方法、装置、设备及存储介质 | |
| Aral et al. | A prescription fraud detection model | |
| Daghistani et al. | Diagnosis of diabetes by applying data mining classification techniques | |
| CN106650292B (zh) | 一种具有过程决策支持功能的个人健康记录系统 | |
| CN107895168A (zh) | 数据处理的方法、数据处理的装置及计算机可读存储介质 | |
| CN109698016A (zh) | 疾病自动编码方法及装置 | |
| US11257092B2 (en) | Systems and methods for use in implementing account controls | |
| HaratiNik et al. | FUZZGY: A hybrid model for credit card fraud detection | |
| US11948691B1 (en) | Predicting addiction relapse and decision support tool | |
| Bhaskar et al. | An intelligent unsupervised technique for fraud detection in health care systems | |
| 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 | |
| Cui et al. | Healthcare fraud detection based on trustworthiness of doctors | |
| WO2019091111A1 (zh) | 管控药物的特征获取方法、电子装置及计算机可读存储介质 | |
| CN112199480B (zh) | 一种基于bert模型的在线对话日志违规检测方法及系统 | |
| CN113704731A (zh) | 面向医院的患者异常就医行为检测方法及系统 | |
| Lakkaraju et al. | Learning cost-effective treatment regimes using markov decision processes | |
| Mohammed et al. | A statistical method for predicting quantitative variables in association rule mining | |
| Nelakurthi et al. | Finding cut from the same cloth: Cross network link recommendation via joint matrix factorization |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190419 |