CN109670971A - 异常就诊费用的判断方法、装置、设备及计算机存储介质 - Google Patents
异常就诊费用的判断方法、装置、设备及计算机存储介质 Download PDFInfo
- Publication number
- CN109670971A CN109670971A CN201811462247.XA CN201811462247A CN109670971A CN 109670971 A CN109670971 A CN 109670971A CN 201811462247 A CN201811462247 A CN 201811462247A CN 109670971 A CN109670971 A CN 109670971A
- Authority
- CN
- China
- Prior art keywords
- group
- medical
- model
- class
- data
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003745 diagnosis Methods 0.000 claims description 35
- 238000004891 communication Methods 0.000 claims description 12
- 230000005856 abnormality Effects 0.000 abstract description 22
- 230000001225 therapeutic effect Effects 0.000 abstract description 22
- 201000010099 disease Diseases 0.000 description 20
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 20
- 238000012512 characterization method Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 9
- 239000003814 drug Substances 0.000 description 8
- 229940079593 drug Drugs 0.000 description 8
- 235000013399 edible fruits Nutrition 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 206010019280 Heart failures Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000001631 hypertensive effect Effects 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000003826 tablet Substances 0.000 description 1
- 238000011285 therapeutic regimen Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 208000001072 type 2 diabetes mellitus Diseases 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
- 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
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
-
- 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
- G06Q30/0283—Price estimation or determination
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Technology Law (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种异常就诊费用的判断方法、装置、设备及计算机存储介质,所述方法包括:获取多份历史就诊数据,并将各所述历史就诊数据分别传输到多个预设分类模型中进行分类,生成各分类结果;对各所述分类结果进行检测,确定目标分类结果,并将生成所述目标分类结果的所述预设分类模型确定为目标分类模型;当接收到当前就诊数据时,将所述当前就诊数据传输到所述目标分类模型中,并判断所述当前就诊数据中的当前就诊费用是否异常。本方案目标分类模型中基于就诊大数据所分类生成的目标分类结果为各种病症信息、治疗方案与费用信息之间的对应关系分类,具有较高的准确度,使得由该目标分类模型对当前就诊数据的异常性判断更为准确有效。
Description
技术领域
本发明主要涉及医疗系统技术领域,具体地说,涉及一种异常就诊费用的判断方法、装置、设备及计算机存储介质。
背景技术
随着社会保障制度的发展,具有医保并使用医保就诊的人员越来越多;疾病患者在各医疗机构使用医保就诊时,所产生的就诊费用一部分通过医保报销,另一部分由患者自付;不同患者之间因就诊疾病以及治疗方案的不同,使得就诊费用存在差异性;如对于同样为Ⅱ型糖尿病,但治疗方案相差较大的患者之间的就诊费用也相差较大。
对于目前存在的一些恶意使用医保进行就诊的患者,如在治疗过程中采用远高于其病症的昂贵药品,或者开具与其病症不相符合的其他药品等,使得患者的就诊费用不合理增加,为异常就诊费用;对此类异常就诊费用的判断在杜绝医保恶意使用方面显得尤为重要。但是目前因就诊患者的个体差异性较大,使得对于异常就诊费用缺乏有效的判断机制,使得不能准确的识别医保的恶意使用。
发明内容
本发明的主要目的是提供一种异常就诊费用的判断方法、装置、设备及计算机存储介质,旨在解决现有技术中对异常就诊费用缺乏有效判断机制的问题。
为实现上述目的,本发明提供一种异常就诊费用的判断方法,所述异常就诊费用的判断方法包括以下步骤:
获取多份历史就诊数据,并将各所述历史就诊数据分别传输到多个预设分类模型中进行分类,生成各分类结果;
对各所述分类结果进行检测,确定目标分类结果,并将生成所述目标分类结果的所述预设分类模型确定为目标分类模型;
当接收到当前就诊数据时,将所述当前就诊数据传输到所述目标分类模型中,并判断所述当前就诊数据中的当前就诊费用是否异常。
优选地,所述将各所述历史就诊数据分别传输到多个预设分类模型中进行分类,生成各分类结果的步骤包括:
将各所述历史就诊数据分别传输到多个预设分类模型中,由各所述预设分类模型读取各所述历史就诊数据中的患者信息和就诊信息,以将所述患者信息和所述就诊信息的相似度均高于预设值的各历史就诊数据划分到同一组类,并读取各所述组类中所具有历史就诊数据的历史就诊费用;
读取各所述预设分类模型划分的各所述组类,以及与各所述组类对应的历史就诊费用形成各模型组类集合,并将各所述模型组类集合确定为各所述预设分类模型的分类结果。
优选地,所述对各所述分类结果进行检测,确定目标分类结果的步骤包括:
分别将各所述模型组类集合中各组类之间的组间间距进行对比,生成各所述模型组类集合的组间对比结果,并根据所述组间对比结果确定各所述组间间距最大的第一模型组类集合;
分别将各所述模型组类集合中各组类的组内间距进行对比,生成各所述模型组类集合的组内对比结果,并根据所述组内对比结果确定各所述组内间距最小的第二模型组类集合;
判断所述第一模型组类集合和所述第二模型组类集合是否为相同的所述模型组类集合,若为相同的所述模型组类集合,则将相同的所述模型组类集合确定为目标分类结果。
优选地,所述判断所述第一模型组类集合和所述第二模型组类集合是否为相同的所述模型组类集合的步骤之后包括:
若所述第一模型组类集合和所述第二模型组类集合不是相同的所述模型组类集合,则查找各所述组间对比结果中大于第一预设间距的组间结果值,以及各所述组内对比结果中大于第二预设间距的组内结果值;
当各所述组间结果值和各所述组内结果值来源于同一所述模型组类集合时,将同一所述模型组类集合确定为目标分类结果。
优选地,所述对各所述分类结果进行检测,确定目标分类结果的步骤之后包括:
根据所述目标分类结果中各组类对应的各所述历史就诊费用,生成所述目标分类结果中各组类的历史费用平均值;
根据各所述历史费用平均值,对所述目标分类结果进行更新,以基于所述目标分类模型中更新的目标分类结果,判断所述当前就诊数据中的当前就诊费用是否异常。
优选地,所述将所述当前就诊数据传输到所述目标分类模型中,并判断所述当前就诊数据中的当前就诊费用是否异常的步骤包括:
将所述当前就诊数据传输到所述目标分类模型中,由所述目标分类模型读取所述当前就诊数据中的就诊特征数据,并将所述就诊特征数据和所述目标分类结果中的各组类对比,确定与所述就诊特征数据对应的目标组类,以及所述目标组类中的目标历史费用平均值;
读取所述目标分类模型生成的费用标识符,并根据所述费用标识符判断所述当前就诊数据中当前就诊费用是否异常,其中所述费用标识符由所述目标分类模型对所述目标历史费用平均值和所述当前就诊费用对比生成。
优选地,所述根据所述费用标识符判断所述当前就诊数据中当前就诊费用是否异常的步骤包括:
判断所述费用标识符是否为异常标识符,若所述费用标识符为异常标识符,则判定所述当前就诊数据中的当前就诊费用异常;
若所述费用标识符不是异常标识符,则判定所述当前就诊数据中的当前就诊费用正常。
此外,为实现上述目的,本发明还提出一种异常就诊费用的判断装置,所述异常就诊费用的判断装置包括:
生成模块,用于获取多份历史就诊数据,并将各所述历史就诊数据分别传输到多个预设分类模型中进行分类,生成各分类结果;
确定模块,用于对各所述分类结果进行检测,确定目标分类结果,并将生成所述目标分类结果的所述预设分类模型确定为目标分类模型;
判断模块,用于当接收到当前就诊数据时,将所述当前就诊数据传输到所述目标分类模型中,并判断所述当前就诊数据中的当前就诊费用是否异常。
此外,为实现上述目的,本发明还提出一种异常就诊费用的判断设备,所述异常就诊费用的判断设备包括:存储器、处理器、通信总线以及存储在所述存储器上的异常就诊费用的判断程序;
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异常就诊费用的判断程序,以实现以下步骤:
获取多份历史就诊数据,并将各所述历史就诊数据分别传输到多个预设分类模型中进行分类,生成各分类结果;
对各所述分类结果进行检测,确定目标分类结果,并将生成所述目标分类结果的所述预设分类模型确定为目标分类模型;
当接收到当前就诊数据时,将所述当前就诊数据传输到所述目标分类模型中,并判断所述当前就诊数据中的当前就诊费用是否异常。
此外,为实现上述目的,本发明还提供一种计算机存储介质,所述计算机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,并将各所述历史就诊数据分别传输到多个预设分类模型中进行分类,生成各分类结果;
对各所述分类结果进行检测,确定目标分类结果,并将生成所述目标分类结果的所述预设分类模型确定为目标分类模型;
当接收到当前就诊数据时,将所述当前就诊数据传输到所述目标分类模型中,并判断所述当前就诊数据中的当前就诊费用是否异常。
本实施例的异常就诊费用的判断方法,将大量的历史就诊数据作为各个预设分类模型的样本数据,传输到预设分类模型进行分类,得到经各个预设分类模型分类的分类结果;因不同的预设分类模型所采用的分类方式不一样,使得所生成的分类结果存在差异性,为了确保得到的分类结果最优,对各个分类结果进行检测,确定其中分类最为准确的目标分类结果,并将生成该目标分类结果的预设分类模型确定为目标分类模型;进而将接收到的当前就诊数据传输到该目标分类模型中,由其中的目标分类结果对该当前就诊数据中的当前就诊费用的异常性进行判断。因作为样本数据的历史就诊数据中包括就诊过程中大量的病症信息、治疗方案信息、费用信息等,目标分类模型中基于该就诊大数据所分类生成的目标分类结果其实质为各种病症信息、治疗方案与费用信息之间的对应关系分类;因目标分类模型在各预设分类模型中具有高准确度,且样本数据为大量真实有效的历史就诊数据,使得目标分类结果具有较高的准确度,进而由目标分类模型对当前就诊数据的异常性判断更为准确有效,提升了异常就诊费用作为判定恶意使用医保依据的准确度。
附图说明
图1是本发明的异常就诊费用的判断方法第一实施例的流程示意图;
图2是本发明的异常就诊费用的判断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。
本发明提供一种异常就诊费用的判断方法。
请参照图1,图1为本发明异常就诊费用的判断方法第一实施例的流程示意图。在本实施例中,所述异常就诊费用的判断方法包括:
步骤S10,获取多份历史就诊数据,并将各所述历史就诊数据分别传输到多个预设分类模型中进行分类,生成各分类结果;
本发明的异常就诊费用的判断方法应用于服务器,适用于通过服务器对医疗机构中就诊费用的异常性进行判断;其中就诊费用为疾病患者到医疗机构进行某些疾病的就诊所花费的费用,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。各疾病患者之间所患的疾病类型不同,且同种疾病的治疗方案之间也千差万别,而使得在对各种疾病以各种治疗方案进行就诊治疗时,所花费的就诊费用不同;但是对于同种类型病症且治疗方案类似的就诊治疗,所花费的就诊费用具有相似性;从而可通过各类型疾病以各种治疗方案就诊治疗时以往普遍的就诊费用,来判断当前实时的就诊费用的异常性;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%患者的就诊费用在a1~a2之间,从而可以将该就诊费用区间作为参考基准,判断实时的就诊费用是否异常。服务器和各医疗机构之间建立有通信连接,在对就诊费用的异常性进行判断之前,需要先获取医疗机构中对各类疾病进行就诊的历史数据;将该与就诊疾病相关的历史数据作为历史就诊数据,包括患者的年龄、性别、病症、就诊时间、用药方案、就诊费用等各种数据。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,将其中所存储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。
因医疗机构所上传的历史就诊数据各种各样,需要先对其进行分类处理,以反映各种类型疾病以及治疗方案与就诊费用之间的关系。具体地,服务器中预先设置有多个用于对历史就诊数据进行分类的预设分类模型,因不同预设分类模型的分类方式不相同,使得分类结果的准确性存在差异;为了使分类结果更为准确,通过多个预设分类模型同时对各历史就诊数据进行分类,得到多个分类结果;再从该多个分类结果中确定准确度最高的分类结果,用该具有准确度最高分类结果的预设分类模型来判断实时就诊费用的异常性,以确保判断的准确性。其中所设置的预设分类模型依据聚类算法进行,且依据聚类算法的差异性而形成预设分类模型的不同;如对应聚类算法K-Means(K均值)聚类、均值漂移聚类、凝聚层次聚类而形成三种不同类型的预设分类模型。将获取的多份历史就诊数据作为样本数据分别传输到各个预设分类模型中,通过各预设分类模型分别对各历史数据进行分类,并在各个预设分类模型中均生成分类结果,该分类结果反映了各种病症信息、治疗方案与费用信息之间的对应关系。具体地,将各历史就诊数据分别传输到多个预设分类模型中进行分类,生成各分类结果的步骤包括:
步骤S11,将各所述历史就诊数据分别传输到多个预设分类模型中,由各所述预设分类模型读取各所述历史就诊数据中的患者信息和就诊信息,以将所述患者信息和所述就诊信息的相似度均高于预设值的各历史就诊数据划分到同一组类,并读取各所述组类中所具有历史就诊数据的历史就诊费用;
可理解地,对于同种类型的疾病,不同的患者因年龄、性别等差异而所采用的治疗方案可能不相同,即治疗方案依据患者信息的不同而不同;从而在服务器将各历史数据传输到各个预设分类模型后,再由该各个预设分类模型读取其中的患者信息和就诊信息;其中患者信息为患者年龄、性别、既往病史、家族病史等对治疗方案可能产生影响的个人信息,而就诊信息为患者在就诊过程中所生成的各种与治疗相关的数据,如手术治疗或药物治疗、病症类型、用药类型、用药量、治疗疗程等。同时各预设分类模型对各份历史就诊数据之间的患者信息和就诊信息进行比较,判断各份历史就诊数据在患者信息和就诊信息之间的相似度;即各历史就诊患者之间在个人信息和就诊信息之间的相似程度。其中患者信息之间的相似度为各患者的年龄是否均在一定范围内、性别是否相同、家族病史是否类似等;就诊信息之间的相似度为各患者的病症是否相同、治疗手段是否相同、用药类型是否相同、用药量是否均在一定范围内等。患者信息之间的相似度以及就诊信息之间的相似度,表征了就诊患者之间在治疗方案上的相似度。可用患者信息和就诊信息中相似的信息数量与判断的总信息数量之间的比值,来确定患者信息的相似度以及就诊信息的相似度;如患者信息中判断的总信息数量有年龄、性别、家族病史三项,而相似的信息数量为年龄和性别,则相似度为2/3。
为了对相似程度的高低进行判定,预先设置有预设值,将对比所得到的各份患者信息之间的相似度和该预设值进行对比,判断患者信息相似度是否大于预设值,若大于则说明对比的患者信息之间具有相似性,否则不具有相似性。同时将对比所得到的各份就诊信息之间的相似度和预设值对比,判断就诊信息相似度是否大于预设值,若大于则说明对比的就诊信息之间具有相似性,否则不具有相似性。当具有相似性的各患者信息和具有相似性的各就诊信息均来源于相同的历史就诊数据,则将该各历史就诊数据划分到同一组类,即划分的同一组类中的各历史就诊数据在患者信息和就诊信息上均像似。如对于历史就诊数据B包括患者信息b1、就诊信息b2,历史就诊数据C包括患者信息c1、就诊信息c2,历史就诊数据D包括患者信息d1、就诊信息d2;且经判断b1与c1相似,c1与d1不相似,而b2与c2相似,且c2与d2相似,因具有相似性的患者信息b1和c1,以及具有相似性的就诊信息b2与c2而均来源于相同的历史就诊数据B和C,则将B和C划分到同一组类。
同时各份历史就诊数据中还包括就诊患者的就诊费用,在将各历史就诊数据依据相似度划分到不同组类之后,对各组类中所具有的各历史就诊数据的历史就诊费用进行读取,以表征各患者信息和就诊信息相似的各组类中可用于参考的各历史就诊费用。
步骤S12,读取各所述预设分类模型划分的各所述组类,以及与各所述组类对应的历史就诊费用形成各模型组类集合,并将各所述模型组类集合确定为各所述预设分类模型的分类结果。
进一步地,各个预设分类模型分别在将各历史就诊数据划分到不同的组类,并读取其各自划分的各组类中的各历史就诊费用之后,服务器对各个预设分类模型所划分的各组类,以及各组类对应的历史就诊费用进行读取,并在预设分类模型对应的各组类,以及各组类对应的各历史就诊费用之间形成模型组类集合。通过模型组类集合在预设分类模型、该预设分类模型所划分的各组类,各组类中各历史就诊数据的历史就诊费用之间形成对应关系;该对应关系实质为各预设分类模型在各病症信息、治疗方案与就诊费用之间的对应关系。将该模型组类集合作为预设分类模型的分类结果,一个模型组类集合对应一个预设分类模型所划分的分类结果。
步骤S20,对各所述分类结果进行检测,确定目标分类结果,并将生成所述目标分类结果的所述预设分类模型确定为目标分类模型;
更进一步地,服务器在确定了各个预设分类模型所生成的各分类结果后,需要从各个分类结果中确定分类最为准确的分类结果。因分类结果为依据患者信息和就诊信息所生成的各个组类,从而分类结果的准确性与各不同组类之间患者信息和就诊信息的差异性,以及相同组类间患者信息和就诊信息的相似性相关;当不同组类之间的患者信息和就诊信息的差异性越大,且相同组类中的患者信息和就诊信息相似度越高,则说明该分类结果的准确性越好。服务器针对各个分类结果中不同组类之间的差异性以及相同组类中的相似性进行检测,确定各分类结果中分类最为准确的目标分类结果。因目标分类结果由预设分类模型所分类生成,而将生成该目标分类结果的预设分类模型确定为目标分类模型,以便后续使用该目标分类模型中的目标分类结果对就诊费用的异常性进行判断。
步骤S30,当接收到当前就诊数据时,将所述当前就诊数据传输到所述目标分类模型中,并判断所述当前就诊数据中的当前就诊费用是否异常。
进一步地,当需要对疾病患者的就诊费用的异常性进行判断时,服务器向医疗机构发送获取请求,以请求获取需要进行异常性判断的当前就诊数据;或者也可由医疗机构定时向服务器发送需要进行异常性判断的当前就诊数据。当服务器接收到当前就诊数据时,则将该当前就诊数据传输到目标分类模型中,当前就诊数据中包括疾病患者进行就诊的就诊特征数据以及当前就诊费用;目标分类模型从目标分类结果中查找与该就诊特征数据对应的组类,进而由该对应的组类中用于参考的历史就诊费用,判断当前就诊数据中的当前就诊费用是否异常。因组类中具有多个有相似性的历史就诊数据,而各历史就诊数据均包括历史就诊费用,将数值最小的历史就诊费用和数值最大的历史就诊费用之间所形成的数值区间作为参考区间,若当前就诊费用在该参考区间内,则说明当前就诊费用与各历史就诊费用匹配,可判定当前就诊费用正常;而若当前就诊费用不在该参考区间内,则说明当前就诊费用与各历史就诊费用不匹配,而判定当前就诊费用异常。
本实施例的异常就诊费用的判断方法,将大量的历史就诊数据作为各个预设分类模型的样本数据,传输到预设分类模型进行分类,得到经各个预设分类模型分类的分类结果;因不同的预设分类模型所采用的分类方式不一样,使得所生成的分类结果存在差异性,为了确保得到的分类结果最优,对各个分类结果进行检测,确定其中分类最为准确的目标分类结果,并将生成该目标分类结果的预设分类模型确定为目标分类模型;进而将接收到的当前就诊数据传输到该目标分类模型中,由其中的目标分类结果对该当前就诊数据中的当前就诊费用的异常性进行判断。因作为样本数据的历史就诊数据中包括就诊过程中大量的病症信息、治疗方案信息、费用信息等,目标分类模型中基于该就诊大数据所分类生成的目标分类结果其实质为各种病症信息、治疗方案与费用信息之间的对应关系分类;因目标分类模型在各预设分类模型中具有高准确度,且样本数据为大量真实有效的历史就诊数据,使得目标分类结果具有较高的准确度,进而由目标分类模型对当前就诊数据的异常性判断更为准确有效,提升了异常就诊费用作为判定恶意使用医保依据的准确度。
进一步地,在本发明的异常就诊费用的判断方法另一实施例中,所述对各所述分类结果进行检测,确定目标分类结果的步骤包括:
步骤S21,分别将各所述模型组类集合中各组类之间的组间间距进行对比,生成各所述模型组类集合的组间对比结果,并根据所述组间对比结果确定各所述组间间距最大的第一模型组类集合;
更进一步地,在对各预设分类模型所生成的分类结果进行不同组类之间的差异性以及相同组类中的相似性检测,确定各分类结果中分类最为准确的目标分类结果时,将不同组类之间的差异性作为各组类之间的组间间距,反映组类与组类之间数据的差异性;组间间距越大则说明差异性越大,各组类的分类越准确。如预设分类模型所划分的分类结果中包括M、N、K三个组类,若M与N、M与K、N与K之间的差异性越大,即组间间距越大;则说明三个组类之间所划分的界限越明显,分类越准确。
具体地,在作为各分类结果的各模型组类集合中,以不重复的两个组类为单位分别进行小组对比,生成各组类之间的小组组间间距;如对于上述组类M、N、K,分别以M与N、M与K、N与K为单位进行小组对比,生成的小组组间间距分别为m、n、k。需要说明的时,在对比的过程中,对各组类中所具有的各种类型数据进行差异性对比,将经对比差异性的最小值作为小组组间间距。如上述M和N组类,M和N中均包括年龄、性别两种类型数据,其中M和N中的年龄边界重叠,M中表征20到30之间的疾病患者,而N中表征30~40之间的疾病患者;且M和N中的性别相异,M中表征女性疾病患者,而N中表征男性疾病患者;因M和N中“性别”的数量类型之间的差异性为100%,而“年龄”的数据类型之间存在重叠的30,可能会影响分类,而将年龄之间的差异性作为M和N的小组组间间距m。在对各模型组类集合中所涉及到的多个组类之间均生成小组组间间距后,在各模型组类集合中的各个小组组间间距之间进行对比,将最小的小组组间距离,即差异化最小的两个组类之间的小组组间距离作为模型组类集合中各组类之间的组间间距,表征模型组类集合中划分的各组类之间数据的差异化程度。
在各个模型组类集合均生成各组类之间的组间间距后,即各模型组类集合的各个组间间距后,将各个组间间距进行对比,确定各组间间距之间的大小关系;该大小关系即为所生成的各个组间对比结果,以通过该各组间对比结果表征各模型组类集合对其中组类的划分准确度。因组间间距越大,分类越准确,从表征各组间间距大小关系的组间对比结果中读取最大的组间间距,并将生成该组间间距最大的模型组类集合作为第一模型组类集合,该第一模型组类集合为分类结果中对各组类之间数据分类最为准确的分类结果。
步骤S22,分别将各所述模型组类集合中各组类的组内间距进行对比,生成各所述模型组类集合的组内对比结果,并根据所述组内对比结果确定各所述组内间距最小的第二模型组类集合;
进一步地,在对各预设分类模型所生成的分类结果进行不同组类之间的差异性以及相同组类中的相似性检测,确定各分类结果中分类最为准确的目标分类结果时,将相同组类之间的相似性作为各组类中的组内间距,反映同一组类中数据的相似性;组内间距越小则说明相似性越大,各组类中数据的分类越准确。如对于上述预设分类模型所划分的分类结果中的M、N、K三个组类,若M、M、K中的数据相似性越大,即组内间距越小;则说明三个组类中数据分类越相似,分类越准确。
具体地,因各模型组类集合中均涉及到多个组类,各组类中的数据不一致,从而需要先确定同一模型组类集合中各组类所具有的小组组内间距,即各个组类中数据的相似性,进而由各组类的小组组内间距确定模型组类集合的组内间距。如对于上述组类M、N、K,分别对M、N、K中的各数据进行对比,生成小组组内间距分别为p、w、s。需要说明的时,在对比的过程中,对各组类中所具有的各种类型数据进行相似性对比,将经对比相似性的最小值作为小组组内间距。如上述M,M中包括20项类型为年龄的数据,其中10项的年龄为22岁,而2项年龄为25岁,为8项年龄为29岁,因年龄为29岁的8项数据与22岁之间的相似性小于年龄为25岁的2项数据与22岁之间的相似性,从而将29岁与22岁之间的相似性作为M的小组组内间距。在对各模型组类集合中所涉及到的多个组类均生成小组组内间距后,在各模型组类集合中的各个小组组内间距之间进行对比,将最大的小组组内距离,即相似性最小组类的小组组内距离作为模型组类集合中各组类的组内间距,表征模型组类集合中划分的各组类数据的相似性程度。
在各个模型组类集合均生成各组类的组内间距后,即各模型组类集合的各个组内间距后,将各个组内间距进行对比,确定各组内间距之间的大小关系;该大小关系即为所生成的各个组内对比结果,以通过该各组内对比结果表征各模型组类集合对其中组类的划分准确度。因组内间距越小,分类越准确,从表征各组内间距大小关系的组内对比结果中读取最小的组内间距,并将生成该组内间距最小的模型组类集合作为第二模型组类集合,该第二模型组类集合为分类结果中对各组类中数据分类最为准确的分类结果。
步骤S23,判断所述第一模型组类集合和所述第二模型组类集合是否为相同的所述模型组类集合,若为相同的所述模型组类集合,则将相同的所述模型组类集合确定为目标分类结果。
可理解地,因第一模型组类集合为分类结果中对各组类之间数据分类最为准确的分类结果,而第二模型组类集合为分类结果中对各组类中数据分类最为准确的分类结果;当第一模型组类集合和第二模型组类集合表征相同的模型组类集合,则说明生成该相同的模型组类集合的预设分类模型在对历史就诊数据进行组类划分时,所划分的各组类之间的数据具有较高的差异性,而各组类中的数据又具有较高的相似性,其分类准确度较高。从而判断第一模型组类集合和第二模型组类集合是否表征相同的模型组类集合,若表征相同的模型组类集合,则将该相同的模型组类集合确定为目标分类结果,以由该表征分类准确度较高的目标分类结果对应的预设分类模型,对当前就诊数据的异常性进行判断,以提高判断的准确性。而当判断出第一模型组类集合和第二模型组类集合不是表征相同的模型组类集合,则需要从组间对比结果和组内对比结果中筛选对组类之间数据分类具有较高差异性,而对组类中数据分类具有较高相似性,且属于同一模型组类集合的目标分类结果。具体地,判断第一模型组类集合和第二模型组类集合是否为相同的模型组类集合的步骤之后包括:
步骤S24,若所述第一模型组类集合和所述第二模型组类集合不是相同的所述模型组类集合,则查找各所述组间对比结果中大于第一预设间距的组间结果值,以及各所述组内对比结果中大于第二预设间距的组内结果值;
进一步地,服务器中预先设置有用于判断组间间距大小的第一预设间距和判断组内间距大小的第二预设间距,当判断出第一模型组类集合和第二模型组类集合不是表征相同的模型组类集合时,将表征各组间间距大小关系的组间对比结果和第一预设间距对比,以从各组间对比结果中查找出大于第一预设间距的组间结果值;该组间结果值表征组间对比结果中大于第一预设间距的组间间距,各组类之间的数据分类具有较大的差异性。同时将表征各组内间距大小关系的组内对比结果和第二预设间距对比,以从各组内对比结果中查找出大于第二预设间距的组间结果值;该组间结果值表征组间对比结果中大于第二预设间距的组间间距,各组类中的数据分类具有较大的相似性。
步骤S25,当各所述组间结果值和各所述组内结果值来源于同一所述模型组类集合时,将同一所述模型组类集合确定为目标分类结果。
因大于第一预设间距的组间结果值和大于第二预设间距的组内结果值可能有多个,且可能来源于不同的模型组类集合;从而将各组间结果值和各组内结果值进行对比,判断各组间结果值和各组内结果值中是否存在来源于同一模型组类集合的组间结果值和组内结果值。当存在来源于同一模型组类集合的组间结果值和组内结果值,即组件结果值和组内结果值来源于相同的模型组类集合,则说明生成该同一模型组类集合的预设分类模型在对历史就诊数据进行组类划分时,所划分的各组类之间的数据具有较高的差异性,而各组类中的数据又具有较高的相似性,其分类准确度较高。将该同一模型组类集合确定为目标分类结果,以由该表征分类准确度较高的目标分类结果对应的预设分类模型,对当前就诊数据的异常性进行判断,提高判断的准确性。
进一步地,目标分类结果中涉及到多个组类,各组类中又具有多份历史就诊数据,各份历史就诊数据均具有对应的历史就诊费用;为了使各组类的历史就诊费用更为准确的反映当前就诊数据的异常性,在确定目标分类结果之后,对目标分类结果中各组类对应的用于参考的历史就诊费用进行整合。具体地,对各分类结果进行检测,确定目标分类结果的步骤之后包括:
步骤S26,根据所述目标分类结果中各组类对应的各所述历史就诊费用,生成所述目标分类结果中各组类的历史费用平均值;
因同一组类表征了相似的病症信息以及治疗方案信息,而同一组类中各个历史就诊数据的历史就诊费用可能不相同,而仅用其中历史就诊费用最小值和历史就诊费用最大值之间的参考区间作为判断当前就诊费用的异常性,可能因参考区间的范围较大而使得判断不够准确;从而对目标分类结果中与各组类对应的历史就诊费用进行平均化操作。具体地,按照目标分类结果中各组类的划分,统计各组类中所具有的历史就诊数据份数,以及各份历史就诊数据所具有的各项历史就诊费用;对各项历史就诊费用进行相加,得到相加结果,再用该相加结果和各组类中历史就诊数据份数做比值;所得到的比值结果即为各组类的历史费用平均值,表征与各组类对应的病症以及治疗方案的参考费用。
步骤S27,根据各所述历史费用平均值,对所述目标分类结果进行更新,以基于所述目标分类模型中更新的目标分类结果,判断所述当前就诊数据中的当前就诊费用是否异常。
进一步地,因目标分类结果由各个预设分类模型所生成的分类结果经对比检测而来,各分类结果在生成过程中读取了其中所具有组类的历史就诊费用,并没有涉及到历史费用平均值;使得所生成的目标分类结果中也不涉及到各组类的历史费用平均值。从而在针对目标分类结果中各组类生成历史费用平均值之后,用该各历史费用平均值对目标分类结果进行更新,在目标分类结果中的各组类和历史费用平均值之间形成对应关系;以便于后续基于目标分类模型中更新的目标分类结果,即各组类所对应的历史费用平均值,判断当前就诊数据中的当前就诊费用是否异常。
进一步地,在本发明的异常就诊费用的判断方法另一实施例中,所述将所述当前就诊数据传输到所述目标分类模型中,并判断所述当前就诊数据中的当前就诊费用是否异常的步骤包括:
步骤S31,将所述当前就诊数据传输到所述目标分类模型中,由所述目标分类模型读取所述当前就诊数据中的就诊特征数据,并将所述就诊特征数据和所述目标分类结果中的各组类对比,确定与所述就诊特征数据对应的目标组类,以及所述目标组类中的目标历史费用平均值;
更进一步地,服务器在接收到需要进行异常性判断的当前就诊数据后,将该当前就诊数据传输到分类最为准确的目标分类模型中。当前就诊数据中包括患者年龄、性别、病史、就诊时间、就诊疗程、病症信息、用药类型、用药量等各类数据;目标分类模型从该当前就诊数据中读取就诊特征数据,就诊特征数据表征患者在就诊过程中与治疗方案相关的个性化数据,如就诊患者的年龄、性别、病史等患者个人信息,以及病症信息、用药类型、用药量等就诊信息。因目标分类模型中依据各个历史就诊数据中的患者信息和就诊信息进行组类划分,一个组类对应一种类型的患者信息及就诊信息;而就诊特征数据表征当前就诊数据中所具有的患者信息和就诊信息,从而可将就诊特征数据和目标分类结果中的各组类对比,确定与就诊特征数据对应的目标组类,该目标组类所具有的患者信息、就诊信息和就诊特征数据中所表征的患者信息、就诊信息一致,可用该目标组类的历史费用平均值来判断当前就诊特征数据中当前就诊费用的异常性。从而在确定目标组类后,再确定该目标组类所对应的历史费用平均值,将该历史费用平均值作为目标历史费用平均值来判断当前就诊费用的异常性。
步骤S32,读取所述目标分类模型生成的费用标识符,并根据所述费用标识符判断所述当前就诊数据中当前就诊费用是否异常,其中所述费用标识符由所述目标分类模型对所述目标历史费用平均值和所述当前就诊费用对比生成。
进一步地,目标分类模型在确定与当前就诊数据中就诊特征数据对应的目标组类以及该目标的目标历史费用平均值之后;目标分类模型调用该目标历史费用平均值,并用该目标历史费用平均值和当前就诊数据中的当前就诊费用对比,判断当前就诊费用和用于参考的目标历史费用平均值是否一致。其中一致性用目标历史费用平均值的浮动范围表征,如设定目标历史费用平均值的浮动范围为正负10;即在判断时以目标历史费用平均值为基础,当前就诊费用在目标历史费用平均值减去10和增加10的范围之间,均为正常;否则为异常,以确保对当前就诊费用判断的准确性。目标历史费用平均值和当前就诊费用经对比后,会生成当前就诊费用是否在目标历史费用平均值浮动范围内的判断结果,且用添加费用标识符的方式来表征当前就诊费用的异常性;即当判断结果为当前就诊费用不在目标历史费用平均值浮动范围内,则说明当前就诊费用异常,而向当前就诊费用添加表征异常的费用标识符。服务器读取该经目标费用模型对比所生成的费用标识符,并判断该费用标识符是否为表征异常的标识,即依据费用标识符来判断当前就诊数据中当前就诊费用是否异常。具体地,根据费用标识符判断当前就诊数据中当前就诊费用是否异常的步骤包括:
步骤S321,判断所述费用标识符是否为异常标识符,若所述费用标识符为异常标识符,则判定所述当前就诊数据中的当前就诊费用异常;
服务器和目标分类模型之间约定有表征异常的异常标识符,服务器在读取到费用标识符之后,将该费用标识符和异常标识符对比,判断费用标识符是否为异常标识符;若费用标识符为异常标识符,则说明当前就诊数据中的当前就诊费用不在目标历史费用平均值的浮动范围内,当前就诊费用异常。
步骤S322,若所述费用标识符不是异常标识符,则判定所述当前就诊数据中的当前就诊费用正常。
而当将费用标识符和异常标识符对比,判断出费用标识符不是异常标识符,则说明当前就诊数据中的当前就诊费用在目标历史费用平均值的浮动范围内,当前就诊费用正常。
此外,请参照图2,本发明提供一种异常就诊费用的判断装置,在本发明异常就诊费用的判断装置第一实施例中,所述异常就诊费用的判断装置包括:
生成模块10,用于获取多份历史就诊数据,并将各所述历史就诊数据分别传输到多个预设分类模型中进行分类,生成各分类结果;
确定模块20,用于对各所述分类结果进行检测,确定目标分类结果,并将生成所述目标分类结果的所述预设分类模型确定为目标分类模型;
判断模块30,用于当接收到当前就诊数据时,将所述当前就诊数据传输到所述目标分类模型中,并判断所述当前就诊数据中的当前就诊费用是否异常。
本实施例的异常就诊费用的判断装置,生成模块10将大量的历史就诊数据作为各个预设分类模型的样本数据,传输到预设分类模型进行分类,得到经各个预设分类模型分类的分类结果;因不同的预设分类模型所采用的分类方式不一样,使得所生成的分类结果存在差异性,为了确保得到的分类结果最优,确定模块20对各个分类结果进行检测,确定其中分类最为准确的目标分类结果,并将生成该目标分类结果的预设分类模型确定为目标分类模型;进而判断模块30将接收到的当前就诊数据传输到该目标分类模型中,由其中的目标分类结果对该当前就诊数据中的当前就诊费用的异常性进行判断。因作为样本数据的历史就诊数据中包括就诊过程中大量的病症信息、治疗方案信息、费用信息等,目标分类模型中基于该就诊大数据所分类生成的目标分类结果其实质为各种病症信息、治疗方案与费用信息之间的对应关系分类;因目标分类模型在各预设分类模型中具有高准确度,且样本数据为大量真实有效的历史就诊数据,使得目标分类结果具有较高的准确度,进而由目标分类模型对当前就诊数据的异常性判断更为准确有效,提升了异常就诊费用作为判定恶意使用医保依据的准确度。
进一步地,在本发明异常就诊费用的判断装置另一实施例中,所述生成模块还包括:
传输单元,用于将各所述历史就诊数据分别传输到多个预设分类模型中,由各所述预设分类模型读取各所述历史就诊数据中的患者信息和就诊信息,以将所述患者信息和所述就诊信息的相似度均高于预设值的各历史就诊数据划分到同一组类,并读取各所述组类中所具有历史就诊数据的历史就诊费用;
读取单元,用于读取各所述预设分类模型划分的各所述组类,以及与各所述组类对应的历史就诊费用形成各模型组类集合,并将各所述模型组类集合确定为各所述预设分类模型的分类结果。
进一步地,在本发明异常就诊费用的判断装置另一实施例中,所述确定模块还包括:
第一对比单元,用于分别将各所述模型组类集合中各组类之间的组间间距进行对比,生成各所述模型组类集合的组间对比结果,并根据所述组间对比结果确定各所述组间间距最大的第一模型组类集合;
第二对比单元,用于分别将各所述模型组类集合中各组类的组内间距进行对比,生成各所述模型组类集合的组内对比结果,并根据所述组内对比结果确定各所述组内间距最小的第二模型组类集合;
确定单元,用于判断所述第一模型组类集合和所述第二模型组类集合是否为相同的所述模型组类集合,若为相同的所述模型组类集合,则将相同的所述模型组类集合确定为目标分类结果。
进一步地,在本发明异常就诊费用的判断装置另一实施例中,所述确定模块还包括:
查找单元,用于若所述第一模型组类集合和所述第二模型组类集合不是相同的所述模型组类集合,则查找各所述组间对比结果中大于第一预设间距的组间结果值,以及各所述组内对比结果中大于第二预设间距的组内结果值;
所述确定单元还用于当各所述组间结果值和各所述组内结果值来源于同一所述模型组类集合时,将同一所述模型组类集合确定为目标分类结果。
进一步地,在本发明异常就诊费用的判断装置另一实施例中,所述确定模块还包括:
生成单元,用于根据所述目标分类结果中各组类对应的各所述历史就诊费用,生成所述目标分类结果中各组类的历史费用平均值;
更新单元,用于根据各所述历史费用平均值,对所述目标分类结果进行更新,以基于所述目标分类模型中更新的目标分类结果,判断所述当前就诊数据中的当前就诊费用是否异常。
进一步地,在本发明异常就诊费用的判断装置另一实施例中,所述判断模块还用于:
将所述当前就诊数据传输到所述目标分类模型中,由所述目标分类模型读取所述当前就诊数据中的就诊特征数据,并将所述就诊特征数据和所述目标分类结果中的各组类对比,确定与所述就诊特征数据对应的目标组类,以及所述目标组类中的目标历史费用平均值;
读取所述目标分类模型生成的费用标识符,并根据所述费用标识符判断所述当前就诊数据中当前就诊费用是否异常,其中所述费用标识符由所述目标分类模型对所述目标历史费用平均值和所述当前就诊费用对比生成。
进一步地,在本发明异常就诊费用的判断装置另一实施例中,所述判断模块还用于:
判断所述费用标识符是否为异常标识符,若所述费用标识符为异常标识符,则判定所述当前就诊数据中的当前就诊费用异常;
若所述费用标识符不是异常标识符,则判定所述当前就诊数据中的当前就诊费用正常。
其中,上述异常就诊费用的判断装置的各虚拟功能模块存储于图3所示异常就诊费用的判断设备的存储器1005中,处理器1001执行异常就诊费用的判断程序时,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。
本发明实施例异常就诊费用的判断设备可以是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,该异常就诊费用的判断设备可以包括: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,该异常就诊费用的判断设备还可以包括用户接口、网络接口、摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi(Wireless Fidelity,无线宽带)模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术人员可以理解,图3中示出的异常就诊费用的判断设备结构并不构成对异常就诊费用的判断设备的限定,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、网络通信模块以及异常就诊费用的判断程序。操作系统是管理和控制异常就诊费用的判断设备硬件和软件资源的程序,支持异常就诊费用的判断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,以及与异常就诊费用的判断设备中其它硬件和软件之间通信。
在图3所示的异常就诊费用的判断设备中,处理器1001用于执行存储器1005中存储的异常就诊费用的判断程序,实现上述异常就诊费用的判断方法各实施例中的步骤。
本发明提供了一种计算机存储介质,所述计算机存储介质优选为计算机可读计算机存储介质,所述计算机可读计算机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异常就诊费用的判断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)
1.一种异常就诊费用的判断方法,其特征在于,所述异常就诊费用的判断方法包括以下步骤:
获取多份历史就诊数据,并将各所述历史就诊数据分别传输到多个预设分类模型中进行分类,生成各分类结果;
对各所述分类结果进行检测,确定目标分类结果,并将生成所述目标分类结果的所述预设分类模型确定为目标分类模型;
当接收到当前就诊数据时,将所述当前就诊数据传输到所述目标分类模型中,并判断所述当前就诊数据中的当前就诊费用是否异常。
2.如权利要求1所述的异常就诊费用的判断方法,其特征在于,所述将各所述历史就诊数据分别传输到多个预设分类模型中进行分类,生成各分类结果的步骤包括:
将各所述历史就诊数据分别传输到多个预设分类模型中,由各所述预设分类模型读取各所述历史就诊数据中的患者信息和就诊信息,以将所述患者信息和所述就诊信息的相似度均高于预设值的各历史就诊数据划分到同一组类,并读取各所述组类中所具有历史就诊数据的历史就诊费用;
读取各所述预设分类模型划分的各所述组类,以及与各所述组类对应的历史就诊费用形成各模型组类集合,并将各所述模型组类集合确定为各所述预设分类模型的分类结果。
3.如权利要求2所述的异常就诊费用的判断方法,其特征在于,所述对各所述分类结果进行检测,确定目标分类结果的步骤包括:
分别将各所述模型组类集合中各组类之间的组间间距进行对比,生成各所述模型组类集合的组间对比结果,并根据所述组间对比结果确定各所述组间间距最大的第一模型组类集合;
分别将各所述模型组类集合中各组类的组内间距进行对比,生成各所述模型组类集合的组内对比结果,并根据所述组内对比结果确定各所述组内间距最小的第二模型组类集合;
判断所述第一模型组类集合和所述第二模型组类集合是否为相同的所述模型组类集合,若为相同的所述模型组类集合,则将相同的所述模型组类集合确定为目标分类结果。
4.如权利要求3所述的异常就诊费用的判断方法,其特征在于,所述判断所述第一模型组类集合和所述第二模型组类集合是否为相同的所述模型组类集合的步骤之后包括:
若所述第一模型组类集合和所述第二模型组类集合不是相同的所述模型组类集合,则查找各所述组间对比结果中大于第一预设间距的组间结果值,以及各所述组内对比结果中大于第二预设间距的组内结果值;
当各所述组间结果值和各所述组内结果值来源于同一所述模型组类集合时,将同一所述模型组类集合确定为目标分类结果。
5.如权利要求3或4所述的异常就诊费用的判断方法,其特征在于,所述对各所述分类结果进行检测,确定目标分类结果的步骤之后包括:
根据所述目标分类结果中各组类对应的各所述历史就诊费用,生成所述目标分类结果中各组类的历史费用平均值;
根据各所述历史费用平均值,对所述目标分类结果进行更新,以基于所述目标分类模型中更新的目标分类结果,判断所述当前就诊数据中的当前就诊费用是否异常。
6.如权利要求5所述的异常就诊费用的判断方法,其特征在于,所述将所述当前就诊数据传输到所述目标分类模型中,并判断所述当前就诊数据中的当前就诊费用是否异常的步骤包括:
将所述当前就诊数据传输到所述目标分类模型中,由所述目标分类模型读取所述当前就诊数据中的就诊特征数据,并将所述就诊特征数据和所述目标分类结果中的各组类对比,确定与所述就诊特征数据对应的目标组类,以及所述目标组类中的目标历史费用平均值;
读取所述目标分类模型生成的费用标识符,并根据所述费用标识符判断所述当前就诊数据中当前就诊费用是否异常,其中所述费用标识符由所述目标分类模型对所述目标历史费用平均值和所述当前就诊费用对比生成。
7.如权利要求6所述的异常就诊费用的判断方法,其特征在于,所述根据所述费用标识符判断所述当前就诊数据中当前就诊费用是否异常的步骤包括:
判断所述费用标识符是否为异常标识符,若所述费用标识符为异常标识符,则判定所述当前就诊数据中的当前就诊费用异常;
若所述费用标识符不是异常标识符,则判定所述当前就诊数据中的当前就诊费用正常。
8.一种异常就诊费用的判断装置,其特征在于,所述异常就诊费用的判断装置包括:
生成模块,用于获取多份历史就诊数据,并将各所述历史就诊数据分别传输到多个预设分类模型中进行分类,生成各分类结果;
确定模块,用于对各所述分类结果进行检测,确定目标分类结果,并将生成所述目标分类结果的所述预设分类模型确定为目标分类模型;
判断模块,用于当接收到当前就诊数据时,将所述当前就诊数据传输到所述目标分类模型中,并判断所述当前就诊数据中的当前就诊费用是否异常。
9.一种异常就诊费用的判断设备,其特征在于,所述异常就诊费用的判断设备包括:存储器、处理器、通信总线以及存储在所述存储器上的异常就诊费用的判断程序;
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异常就诊费用的判断程序,以实现如权利要求1-7中任一项所述的异常就诊费用的判断方法的步骤。
10.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有异常就诊费用的判断程序,所述异常就诊费用的判断程序被处理器执行时实现如权利要求1-7中任一项所述的异常就诊费用的判断方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811462247.XA CN109670971A (zh) | 2018-11-30 | 2018-11-30 | 异常就诊费用的判断方法、装置、设备及计算机存储介质 |
PCT/CN2019/097447 WO2020107909A1 (zh) | 2018-11-30 | 2019-07-24 | 异常就诊费用的判断方法、装置、设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811462247.XA CN109670971A (zh) | 2018-11-30 | 2018-11-30 | 异常就诊费用的判断方法、装置、设备及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109670971A true CN109670971A (zh) | 2019-04-23 |
Family
ID=66143507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811462247.XA Pending CN109670971A (zh) | 2018-11-30 | 2018-11-30 | 异常就诊费用的判断方法、装置、设备及计算机存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109670971A (zh) |
WO (1) | WO2020107909A1 (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472114A (zh) * | 2019-07-03 | 2019-11-19 | 平安科技(深圳)有限公司 | 异常数据预警方法、装置、计算机设备及存储介质 |
CN111046957A (zh) * | 2019-12-13 | 2020-04-21 | 支付宝(杭州)信息技术有限公司 | 一种模型盗用的检测、模型的训练方法和装置 |
WO2020082799A1 (zh) * | 2018-10-27 | 2020-04-30 | 平安医疗健康管理股份有限公司 | 基于数据分析的就诊信息处理方法、装置、设备及介质 |
CN111127426A (zh) * | 2019-12-23 | 2020-05-08 | 山东大学齐鲁医院 | 一种基于深度学习的胃黏膜清洁度评价方法及系统 |
WO2020107909A1 (zh) * | 2018-11-30 | 2020-06-04 | 平安医疗健康管理股份有限公司 | 异常就诊费用的判断方法、装置、设备及计算机存储介质 |
CN111398686A (zh) * | 2020-04-09 | 2020-07-10 | 国网山东省电力公司肥城市供电公司 | 接地电阻测量系统 |
CN112102098A (zh) * | 2020-08-12 | 2020-12-18 | 泰康保险集团股份有限公司 | 数据处理方法、装置、电子设备及存储介质 |
CN113780855A (zh) * | 2021-09-17 | 2021-12-10 | 平安医疗健康管理股份有限公司 | 医疗机构监管方法、装置、计算机设备及存储介质 |
CN113869387A (zh) * | 2021-09-18 | 2021-12-31 | 平安科技(深圳)有限公司 | 基于人工智能技术的异常医保报销识别方法及系统 |
CN117316404A (zh) * | 2023-09-11 | 2023-12-29 | 北京合源汇丰医药科技有限公司 | 一种基于ai算法的医疗信息异常检测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488656A (zh) * | 2012-06-14 | 2014-01-01 | 深圳市世纪光速信息技术有限公司 | 一种数据处理方法及装置 |
CN104182517A (zh) * | 2014-08-22 | 2014-12-03 | 北京羽乐创新科技有限公司 | 数据处理的方法及装置 |
CN106875402A (zh) * | 2017-01-11 | 2017-06-20 | 齐鲁工业大学 | 一种基于选取合适聚类数目的聚类算法的数字图像处理方法 |
CN107169518A (zh) * | 2017-05-18 | 2017-09-15 | 北京京东金融科技控股有限公司 | 数据分类方法、装置、电子装置及计算机可读介质 |
CN107290304A (zh) * | 2017-07-10 | 2017-10-24 | 天津工业大学 | 一种对三七及其伪品的快速鉴别方法 |
CN108229507A (zh) * | 2016-12-14 | 2018-06-29 | 中国电信股份有限公司 | 数据分类方法以及装置 |
CN108876636A (zh) * | 2018-06-19 | 2018-11-23 | 平安健康保险股份有限公司 | 理赔智能风控方法、系统、计算机设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106384282A (zh) * | 2016-06-14 | 2017-02-08 | 平安科技(深圳)有限公司 | 构建决策模型的方法和装置 |
CN107609980A (zh) * | 2017-09-07 | 2018-01-19 | 平安医疗健康管理股份有限公司 | 医疗数据处理方法、装置、计算机设备及存储介质 |
CN109670971A (zh) * | 2018-11-30 | 2019-04-23 | 平安医疗健康管理股份有限公司 | 异常就诊费用的判断方法、装置、设备及计算机存储介质 |
-
2018
- 2018-11-30 CN CN201811462247.XA patent/CN109670971A/zh active Pending
-
2019
- 2019-07-24 WO PCT/CN2019/097447 patent/WO2020107909A1/zh active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488656A (zh) * | 2012-06-14 | 2014-01-01 | 深圳市世纪光速信息技术有限公司 | 一种数据处理方法及装置 |
CN104182517A (zh) * | 2014-08-22 | 2014-12-03 | 北京羽乐创新科技有限公司 | 数据处理的方法及装置 |
CN108229507A (zh) * | 2016-12-14 | 2018-06-29 | 中国电信股份有限公司 | 数据分类方法以及装置 |
CN106875402A (zh) * | 2017-01-11 | 2017-06-20 | 齐鲁工业大学 | 一种基于选取合适聚类数目的聚类算法的数字图像处理方法 |
CN107169518A (zh) * | 2017-05-18 | 2017-09-15 | 北京京东金融科技控股有限公司 | 数据分类方法、装置、电子装置及计算机可读介质 |
CN107290304A (zh) * | 2017-07-10 | 2017-10-24 | 天津工业大学 | 一种对三七及其伪品的快速鉴别方法 |
CN108876636A (zh) * | 2018-06-19 | 2018-11-23 | 平安健康保险股份有限公司 | 理赔智能风控方法、系统、计算机设备及存储介质 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020082799A1 (zh) * | 2018-10-27 | 2020-04-30 | 平安医疗健康管理股份有限公司 | 基于数据分析的就诊信息处理方法、装置、设备及介质 |
WO2020107909A1 (zh) * | 2018-11-30 | 2020-06-04 | 平安医疗健康管理股份有限公司 | 异常就诊费用的判断方法、装置、设备及计算机存储介质 |
CN110472114A (zh) * | 2019-07-03 | 2019-11-19 | 平安科技(深圳)有限公司 | 异常数据预警方法、装置、计算机设备及存储介质 |
CN110472114B (zh) * | 2019-07-03 | 2024-01-26 | 平安科技(深圳)有限公司 | 异常数据预警方法、装置、计算机设备及存储介质 |
CN111046957A (zh) * | 2019-12-13 | 2020-04-21 | 支付宝(杭州)信息技术有限公司 | 一种模型盗用的检测、模型的训练方法和装置 |
CN111046957B (zh) * | 2019-12-13 | 2021-03-16 | 支付宝(杭州)信息技术有限公司 | 一种模型盗用的检测、模型的训练方法和装置 |
CN111127426B (zh) * | 2019-12-23 | 2020-12-01 | 山东大学齐鲁医院 | 一种基于深度学习的胃黏膜清洁度评价方法及系统 |
CN111127426A (zh) * | 2019-12-23 | 2020-05-08 | 山东大学齐鲁医院 | 一种基于深度学习的胃黏膜清洁度评价方法及系统 |
CN111398686A (zh) * | 2020-04-09 | 2020-07-10 | 国网山东省电力公司肥城市供电公司 | 接地电阻测量系统 |
CN111398686B (zh) * | 2020-04-09 | 2022-04-12 | 国网山东省电力公司肥城市供电公司 | 接地电阻测量系统 |
CN112102098A (zh) * | 2020-08-12 | 2020-12-18 | 泰康保险集团股份有限公司 | 数据处理方法、装置、电子设备及存储介质 |
CN112102098B (zh) * | 2020-08-12 | 2023-10-27 | 泰康保险集团股份有限公司 | 数据处理方法、装置、电子设备及存储介质 |
CN113780855A (zh) * | 2021-09-17 | 2021-12-10 | 平安医疗健康管理股份有限公司 | 医疗机构监管方法、装置、计算机设备及存储介质 |
CN113869387A (zh) * | 2021-09-18 | 2021-12-31 | 平安科技(深圳)有限公司 | 基于人工智能技术的异常医保报销识别方法及系统 |
CN117316404A (zh) * | 2023-09-11 | 2023-12-29 | 北京合源汇丰医药科技有限公司 | 一种基于ai算法的医疗信息异常检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2020107909A1 (zh) | 2020-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Keel et al. | Visualizing deep learning models for the detection of referable diabetic retinopathy and glaucoma | |
US20210082545A1 (en) | Medical evaluation system and method for use therewith | |
JP6907831B2 (ja) | コンテキストベースの患者類似性の方法及び装置 | |
CN109637620A (zh) | 基于数据分析的处方生成监测方法、装置、设备和介质 | |
US20040162835A1 (en) | System and method for generating patient-specific prescription drug safety instructions | |
CN110504035A (zh) | 医疗资料库及系统 | |
CN109637615B (zh) | 异常医疗处方的判断方法、装置、设备及可读存储介质 | |
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 | |
CN109461482A (zh) | 健康计划生成方法、装置、计算机设备和存储介质 | |
CN109817339A (zh) | 基于大数据的患者分组方法和装置 | |
CN109598302B (zh) | 就诊费用预测方法、装置、设备及计算机可读存储介质 | |
Li et al. | Using association rule mining for phenotype extraction from electronic health records | |
CN109801690A (zh) | 区域医疗电子病历共享整合查询系统及方法 | |
CN112447270A (zh) | 一种用药推荐方法、装置、设备及存储介质 | |
US20080103818A1 (en) | Health-related data audit | |
CN108022653B (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 | |
CN110211692A (zh) | 一种数据处理的方法及装置 | |
EP4173006A2 (en) | System and method for peri-anaesthetic risk evaluation | |
CA2994721C (en) | Automatic prescription medication scheduling | |
US11830340B1 (en) | Method and system for secretion analysis embedded in a garment | |
CN111933283A (zh) | 一种健康监测方法及装置 | |
Ayadi et al. | A medical image retrieval scheme with relevance feedback through a medical social network | |
CN116150690A (zh) | DRGs决策树构建方法及装置、电子设备、存储介质 | |
CN114373541A (zh) | 基于分布式的智能中医诊断方法、系统及存储介质 |
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: 20190423 |
|
RJ01 | Rejection of invention patent application after publication |