CN109684542A - 医疗机构推荐方法及相关装置 - Google Patents
医疗机构推荐方法及相关装置 Download PDFInfo
- Publication number
- CN109684542A CN109684542A CN201811530313.2A CN201811530313A CN109684542A CN 109684542 A CN109684542 A CN 109684542A CN 201811530313 A CN201811530313 A CN 201811530313A CN 109684542 A CN109684542 A CN 109684542A
- Authority
- CN
- China
- Prior art keywords
- medical
- expense
- medical insurance
- institutions
- insurance
- 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 69
- 241001269238 Data Species 0.000 claims abstract description 43
- 201000010099 disease Diseases 0.000 claims description 59
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 59
- 230000001225 therapeutic effect Effects 0.000 claims description 37
- 230000001575 pathological effect Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 241000208340 Araliaceae Species 0.000 description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 235000008434 ginseng Nutrition 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 208000037048 Prodromal Symptoms Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013497 data interchange Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000011534 incubation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000000926 separation method 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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (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
本申请实施例公开了一种医疗机构推荐方法及相关装置,该方法包括:从医疗机构的医疗数据库中获取医保患者的多个医疗数据,多个医疗数据为医保患者入院检查的医疗数据;根据多个医疗数据确定医保患者的预测治疗费用,预测治疗费用为未经医保报销的治疗费用;将多个医疗数据和预测治疗费用输入医疗机构推荐模型进行处理,输出目标医疗机构,目标医疗机构为对预测治疗费用报销最多的医疗机构。采用本申请实施例可实现基于医保患者入院检查的多个医疗数据从多个医疗机构中选取治疗费用报销最多的医疗机构并推荐给医保患者,有助于减少了医保患者实际支付的治疗费用。
Description
技术领域
本申请涉及大数据技术领域,具体涉及一种医疗机构推荐方法及相关装置。
背景技术
2017年,人力资源和社会保障部公布的异地医保报销政策表明将分三步解决异地就医直接结算问题。第一步:实现省内异地就医的直接结算。第二步:今年上半年实现异地退休安置人员跨省异地就医住院费用直接结算。第三步:在今年年底之前,实现所有符合转诊条件的人员异地就医住院费用直接结算。
医保患者可以选择在本地或异地就医并对治疗费用进行报销。现有技术仅根据医保患者的疾病名称向医保患者推荐医疗机构,针对性不强,准确性低。
发明内容
本申请实施例提供一种医疗机构推荐方法及相关装置,实现了基于医保患者入院检查的多个医疗数据从多个医疗机构中选取治疗费用报销最多的医疗机构并推荐给医保患者,有助于减少了医保患者实际支付的治疗费用。
第一方面,本申请实施例提供一种医疗机构推荐方法,所述方法包括:
从医疗机构的医疗数据库中获取医保患者的多个医疗数据,所述多个医疗数据为所述医保患者入院检查的医疗数据;
根据所述多个医疗数据确定所述医保患者的预测治疗费用,所述预测治疗费用为未经医保报销的治疗费用;
将所述多个医疗数据和所述预测治疗费用输入医疗机构推荐模型进行处理,输出目标医疗机构,所述目标医疗机构为对所述预测治疗费用报销最多的医疗机构。
第二方面,本申请实施例提供一种医疗机构推荐装置,所述装置包括:
获取单元,用于从医疗机构的医疗数据库中获取医保患者的多个医疗数据,所述多个医疗数据为所述医保患者入院检查的医疗数据;
第一确定单元,用于根据所述多个医疗数据确定所述医保患者的预测治疗费用,所述预测治疗费用为未经医保报销的治疗费用;
第二确定单元,用于将所述多个医疗数据和所述预测治疗费用输入医疗机构推荐模型进行处理,输出目标医疗机构,所述目标医疗机构为对所述预测治疗费用报销最多的医疗机构。
第三方面,本申请实施例提供一种服务器,包括处理器、存储器、通信接口以及一个或多个程序,其中,上述一个或多个程序被存储在上述存储器中,并且被配置由上述处理器执行,上述程序包括用于执行本申请实施例第一方面所述的方法中的步骤的指令。
第四方面,本申请实施例提供了一种计算机可读存储介质,上述计算机可读存储介质用于存储电子数据交换的计算机程序,其中,上述计算机程序使得计算机执行如本申请实施例第一方面所述的方法中所描述的部分或全部步骤。
第五方面,本申请实施例提供了一种计算机程序产品,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如本申请实施例第一方面所述的方法中所描述的部分或全部步骤。
可以看出,在本申请实施例中,服务器首先从医疗机构的医疗数据库中获取医保患者入院检查的多个医疗数据,然后根据多个医疗数据确定医保患者未经医保报销的预测治疗费用,最后将多个医疗数据和预测治疗费用输入医疗机构推荐模型进行处理,输出目标医疗机构,目标医疗机构为对预测治疗费用报销最多的医疗机构。这样实现了基于医保患者入院检查的多个医疗数据从多个医疗机构中选取治疗费用报销最多的医疗机构并推荐给医保患者,有助于减少了医保患者实际支付的治疗费用。
本申请的这些方面或其他方面在以下实施例的描述中会更加简明易懂。
附图说明
为了更清楚地说明本申请实施例或背景技术中的技术方案,下面将对本申请实施例或背景技术中所需要使用的附图进行说明。
图1A是本申请实施例提供的第一种医疗机构推荐方法的流程示意图;
图1B是本申请实施例提供的一种示意图;
图1C是本申请实施例提供的另一种示意图;
图2是本申请实施例提供的第二种医疗机构推荐方法的流程示意图;
图3是本申请实施例提供的第三种医疗机构推荐方法的流程示意图;
图4是本申请实施例提供的一种医疗机构推荐装置的结构示意图;
图5是本申请实施例提供的一种服务器的结构示意图。
具体实现方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
以下分别进行详细说明。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
以下,对本申请中的部分用语进行解释说明,以便于本领域技术人员理解。
(1)终端可以包括各种具有无线通信功能的手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其他处理设备,以及各种形式的用户设备(UserEquipment,UE),移动台(Mobile Station,MS),终端设备(Terminal Device,TD),等等。
(2)服务器,也称伺服器,是提供计算服务的设备。服务器的构成包括处理器、硬盘、内存、系统总线等,和通用的计算机架构类似。在网络环境下,根据服务器提供的服务类型不同,分为文件服务器,数据库服务器,应用程序服务器,WEB服务器等。
下面对本申请实施例进行详细介绍。
请参阅图1A,图1A是本申请实施例提供的第一种医疗机构推荐方法的流程示意图,该医疗机构推荐方法包括:
步骤101:服务器从医疗机构的医疗数据库中获取医保患者的多个医疗数据,所述多个医疗数据为所述医保患者入院检查的医疗数据。
其中,多个医疗数据包括年龄、性别、疾病名称、病理状态、医保类型和住院次数。
在一个可能的示例中,服务器从医疗机构的医疗数据库中获取医保患者的多个医疗数据之前,所述方法还包括:
当医疗机构推荐功能处于开启状态时,医疗机构推荐平台在其显示界面显示医保患者选项、医疗机构选项和推荐医疗机构按钮;
若检测到针对医疗机构的医保患者的推荐医疗机构按钮的点击操作,则医疗机构推荐平台向服务器发送指示信息,所述指示信息用于指示所述服务器获取所述医保患者的多个医疗数据,所述多个医疗数据为所述医保患者入院检查的医疗数据。
其中,医保患者选项包括姓名标识、姓名输入框、住址标识、住址输入框、身份号标识和身份号输入框,医疗机构选项包括地区标识、地区输入框、医疗机构标识和医疗机构输入框,医疗机构指的是医保患者当前做入院检查的医疗机构,如图1B所示。
其中,服务器与医疗机构推荐平台具有连接关系。
具体地,服务器从医疗机构的医疗数据库中获取医保患者的多个医疗数据的实施方式可以是:接收医疗机构推荐平台发送的指示信息;发送第一请求信息信息至医疗机构的服务器,第一请求信息用于指示医疗机构的服务器反馈其医疗数据库所存储的医保患者的多个医疗数据;接收医疗机构的服务器针对第一请求信息发送的医保患者的多个医疗数据。
举例来说,如图1C所示,当检测到针对医疗机构的医保患者的推荐医疗机构按钮的点击操作时,医疗机构推荐平台发送指示信息至服务器,服务器接收医疗机构推荐平台发送的指示信息并发送第一请求信息至医疗机构的服务器,医疗机构的服务器接收服务器发送的第一请求信息并发送医保患者的多个医疗数据至服务器,服务器接收医疗机构的服务器发送的医保患者的多个医疗数据。
步骤102:服务器根据所述多个医疗数据确定所述医保患者的预测治疗费用,所述预测治疗费用为未经医保报销的治疗费用。
在一个可能的示例中,所述多个医疗数据包括年龄、性别、疾病名称和病理状态,服务器根据所述多个医疗数据确定所述医保患者的预测治疗费用,包括:
服务器从多家医疗机构的多个医疗数据库存储的所有医保患者中选取至少一个目标医保患者,所述目标医保患者的年龄、性别、疾病名称和病理状态,与所述医保患者的年龄、性别、疾病名称和病理状态均相同;
服务器获取至少一个所述目标医保患者的实际治疗费用,得到与至少一个所述目标医保患者对应的至少一个实际治疗费用,所述实际治疗费用为未经医保报销的治疗费用;
服务器确定所述实际治疗费用的算术平均值,并将所述算术平均值作为所述医保患者的预测治疗费用。
其中,病理状态包括以下至少一种:潜伏期、前驱期、症状明显期、转归期。
其中,多个医疗数据库中每个医疗数据库对应一家医疗机构。
具体地,服务器从多家医疗机构的多个医疗数据库存储的所有医保患者中选取至少一个目标医保患者的实施方式可以是:发送多个第二请求信息至多家医疗机构的服务器,每个第二请求信息包括医保患者的年龄、性别、疾病名称和病理状态,每个第二请求信息用于指示一家医疗机构的服务器反馈其医疗数据库所存储的所有目标医保患者中每个目标医保患者的实际治疗费用,每个目标医保患者与医保患者的年龄、性别、疾病名称和病理状态均相同;接收多家医疗机构的服务器针对多个第二请求信息发送的至少一个目标医保患者的至少一个实际治疗费用,每个实际治疗费用对应一个目标医保患者。
其中,服务器与多家医疗机构中每家医疗机构的服务器均具有连接关系。
在一个可能的示例中,所述多个医疗数据包括年龄、性别、疾病名称和病理状态,服务器根据所述多个医疗数据确定所述医保患者的预测治疗费用,包括:
服务器将所述多个医疗数据输入治疗费用预测模型,所述治疗费用预测模型预设有多个治疗费用预测公式;
服务器根据疾病名称和治疗费用预测公式的映射关系确定所述医保患者的疾病名称对应的目标治疗费用预测公式;
服务器根据所述多个医疗数据和所述目标治疗费用预测公式确定所述医保患者的预测治疗费用。
其中,治疗费用预测模型用于根据医保患者入院检查的多个医疗数据预测医保患者的治疗费用。
其中,多个治疗费用预测公式为预先存储于治疗费用预测模型的,每个治疗费用预测公式对一个疾病名称,每个治疗费用预测公式为一个多元线性回归方程。
其中,所述目标治疗费用预测公式为:
Y=A1×P1×β1+A2×P2×β2+A3×P3×β3+A4×P4×β4;
其中,所述Y为所述医保患者的预测治疗费用,所述A1为所述医保患者的年龄,所述P1为平均年龄对应的治疗费用,即每一岁对应的治疗费用,所述β1为年龄对应的权重,所述A2为所述医保患者的性别,所述P2为所述性别对应的治疗费用,所述β2为所述性别对应的权重,所述A3为所述医保患者的疾病名称,所述P3为所述疾病名称对应的治疗费用,所述β3为所述疾病名称对应的权重,所述A4为所述患者的病理状态,所述P4为所述病理状态对应的治疗费用,所述β4为所述病理状态对应的权重;所述β1<所述β2<所述β4<所述β3。
步骤103:服务器将所述多个医疗数据和所述预测治疗费用输入医疗机构推荐模型进行处理,输出目标医疗机构,所述目标医疗机构为对所述预测治疗费用报销最多的医疗机构。
在一个可能的示例中,所述多个医疗数据还包括医保类型和住院次数,服务器将所述多个医疗数据和所述预测治疗费用输入医疗机构推荐模型进行处理,输出目标医疗机构,包括:
服务器将所述多个医疗数据和所述预测治疗费用输入所述医疗机构推荐模型;其中,所述医疗机构推荐模型用于确定所述多家医疗机构中对所述预测治疗费用报销最多的医疗机构;
服务器根据医保类型、住院次数、疾病名称与医保报销参数集的对应关系从所述医疗机构推荐模型中预先存储的所有医保报销参数集中选取与所述预报类型、所述住院次数以及所述疾病名称对应的多个医保报销参数集,每个医保报销参数集对应一个医疗机构;
服务器根据所述每个医保报销参数集和所述预测治疗费用确定所述每个医保报销参数集对应的医保报销费用,得到所述多个医保报销参数集对应的多个医保报销费用;
服务器将所述多个医保报销费用中最大的医保报销费用对应的医疗机构作为所述目标医疗机构。
其中,多个医保报销政策对应的多个医疗机构所在的城市数量为至少两个。
其中,医保类型包括城镇职工医疗保险、农村医疗保险、商业医疗保险等。
其中,医疗机构推荐模型中所有医保政策是按照树形结构预先存储的,树形结构的根为医保政策,树形结构的子树为医保类型,医保类型的子树为住院次数,住院次数的子树为疾病名称。
具体地,服务器根据医保类型、住院次数、疾病名称与医保报销参数集的对应关系从医疗机构推荐模型中预先存储的所有医保报销参数集中选取与所述医保类型、所述住院次数以及所述疾病名称对应的多个医保报销参数集的实施方式可以是:根据医保患者的医保类型从医疗机构推荐模型中存储的所有医保报销参数集中选取多个第一医保报销参数集;根据医保患者的住院次数从多个第一医保报销参数集中选取多个第二医保报销参数集;根据医保患者的疾病名称从多个第二医保报销参数集中选取多个医保报销参数集。
在一个可能的示例中,服务器将所述多个医疗数据和所述预测治疗费用输入所述医疗机构推荐模型之后,所述方法还包括:
服务器获取所述医保患者的位置信息,所述位置信息为所述医保患者所在的城市;
服务器根据位置信息、医保类型、住院次数、疾病名称与医保报销参数集的对应关系从所述医疗机构推荐模型中预先存储的所有医保报销参数集中选取与所述位置信息、所述医保类型、所述住院次数以及所述疾病名称对应的多个医保报销参数集,所述多个医保报销参数集对应一个城市,每个医保报销参数集对应一个医疗机构。
其中,医保患者所在的城市与医保患者做入院检查的医疗机构所在的城市是相同的。
其中,医疗机构推荐模型中所有医保政策是按照树形结构预先存储的,树形结构的根为医保政策,树形结构的子树为位置信息,位置信息的子树为医保类型,医保类型的子树为住院次数,住院次数的子树为疾病名称。
具体地,服务器根据位置信息、医保类型、住院次数、疾病名称与医保报销参数集的对应关系从医疗机构推荐模型中预先存储的所有医保报销参数集中选取多个医保报销参数集的实施方式可以是:根据医保患者的位置信息从医疗机构推荐模型中存储的所有医保报销参数集中选取多个第三医保报销参数集;根据医保患者的医保类型从多个第三医保报销参数集中选取多个第四医保报销参数集;根据医保患者的住院次数从多个第四医保报销参数集中选取多个第五医保报销参数集;根据医保患者的疾病名称从多个第五医保报销参数集中选取多个医保报销参数集。
可见,在本示例中,由于多个医保报销参数集对应的多个医疗机构中每个医疗机构所在的城市与医保患者所在的城市相同,因此目标医疗机构所在的城市与医保患者所在的城市相同,这样当医保患者选择目标医疗机构继续治疗时不但可以使医保患者得到及时的治疗,而且在一定程度上减少了医保患者实际支付的治疗费用。
在一个可能的示例中,所述每个医保报销参数集包括N个阶梯式的报销费用区间和N个报销比例,所述N为大于等于2的整数,每个报销比例对应一个报销费用区间,服务器根据所述每个医保报销参数集和所述预测治疗费用确定所述每个医保报销参数集对应的医保报销费用,包括:
服务器根据所述每个医保报销参数集确定所述预测治疗费用对应的N个第一预测治疗费用,每个第一预测治疗费用对应一个报销费用区间;
服务器根据所述N个第一预测治疗费用、所述N个报销比例和医保报销费用公式确定所述每个医保报销参数集对应的医保报销费用。
在一个可能的示例中,所述医保报销费用公式为:
S=T1×α1+T2×α2+…+Tn×αn;
其中,所述S为所述每个医保报销参数集对应的医保报销费用,所述T1为所述N个第一预测治疗费用中的第1个第一预测治疗费用,所述α1为所述第1个第一预测治疗费用对应的报销比例,所述T2为所述N个第一预测治疗费用中的第2个第一预测治疗费用,所述α2为所述第2个第一预测治疗费用对应的报销比例,所述Tn为所述N个第一预测治疗费用中的第N个第一预测治疗费用,所述αn为所述第N个第一预测治疗费用对应的报销比例。
可以看出,在本申请实施例中,服务器首先从医疗机构的医疗数据库中获取医保患者入院检查的多个医疗数据,然后根据多个医疗数据确定医保患者未经医保报销的预测治疗费用,最后将多个医疗数据和预测治疗费用输入医疗机构推荐模型进行处理,输出目标医疗机构,目标医疗机构为对预测治疗费用报销最多的医疗机构。这样实现了基于医保患者入院检查的多个医疗数据从多个医疗机构中选取治疗费用报销最多的医疗机构并推荐给医保患者,有助于减少了医保患者实际支付的治疗费用。
在一个可能的示例中,服务器根据所述每个医保报销参数集和所述预测治疗费用确定所述每个医保报销参数集对应的医保报销费用,得到所述多个医保报销参数集对应的多个医保报销费用之后,所述方法还包括:
服务器获取所述医保患者与所述每个医保报销参数集对应的医疗机构的距离,得到所述多个医保报销参数集对应的多个距离;
服务器根据所述每个医保报销参数集对应的距离和医保报销费用及医疗机构评分公式确定所述每个医保报销参数集对应的医疗机构的分数,得到所述多个医保报销参数集对应的多个医疗机构的多个分数,每个分数对应一个医疗机构;
服务器将所述多个分数中最高分数对应的医疗机构作为所述目标医疗机构。
具体地,服务器获取所述医保患者与所述每个医保报销参数集对应的医疗机构的距离的实施方式可以是:获取所述医保患者做入院检查的医疗机构所处第一地理位置;获取所述每个医保报销参数集对应的医疗机构所处第二地理位置;确定所述第一地理位置与所述第二地理位置之间的距离,并将所述距离作为所述医保患者与所述每个医保报销参数集对应的医疗机构的距离。
其中,医疗机构评分公式为:
F=B1×Q1×γ1+B2×Q2×γ2;
其中,所述F为所述每个医保报销参数集对应的医疗机构的分数,所述B1为所述每个医保报销参数集对应的距离,所述Q1为平均距离对应的分数,即每公里对应的分数,所述γ1为距离对应的权重,所述B2为所述每个医保报销参数集对应的医保报销费用,所述Q2为平均医保报销费用对应的分数,即每元对应的分数,所述γ2为医保报销费用对应的权重,所述γ2>所述γ1。
在一个可能的示例中,服务器将所述多个医疗数据和所述预测治疗费用输入医疗机构推荐模型进行处理,输出目标医疗机构之后,所述方法还包括:
服务器发送所述目标医疗机构、所述预测治疗费用和所述目标医疗机构对应的医保报销费用至所述医保患者的终端和/或与所述医保患者的终端具有绑定关系的至少一个终端。
其中,至少一个终端包括医保患者家人的终端和医保患者朋友的终端。
请参阅图2,图2是本申请实施例提供的第二种医疗机构推荐方法的流程示意图,该医疗机构推荐方法包括:
步骤201:服务器从医疗机构的医疗数据库中获取医保患者的多个医疗数据,所述多个医疗数据为所述医保患者入院检查的医疗数据,所述多个医疗数据包括年龄、性别、疾病名称和病理状态。
步骤202:服务器从多家医疗机构的多个医疗数据库存储的所有医保患者中选取至少一个目标医保患者,所述目标医保患者的年龄、性别、疾病名称和病理状态,与所述医保患者的年龄、性别、疾病名称和病理状态均相同。
步骤203:服务器获取至少一个所述目标医保患者的实际治疗费用,得到与至少一个所述目标医保患者对应的至少一个实际治疗费用,所述实际治疗费用为未经医保报销的治疗费用。
步骤204:服务器确定所述实际治疗费用的算术平均值,并将所述算术平均值作为所述医保患者的预测治疗费用。
步骤205:服务器将所述多个医疗数据和所述预测治疗费用输入所述医疗机构推荐模型,所述多个医疗数据还包括医保类型和住院次数,所述医疗机构推荐模型用于确定所述多家医疗机构中对所述预测治疗费用报销最多的医疗机构。
步骤206:服务器根据医保类型、住院次数、疾病名称与医保报销参数集的对应关系从所述医疗机构推荐模型中预先存储的所有医保报销参数集中选取与所述医保类型、所述住院次数以及所述疾病名称对应的多个医保报销参数集,每个医保报销参数集对应一个医疗机构。
步骤207:服务器根据所述每个医保报销参数集确定所述预测治疗费用对应的N个第一预测治疗费用,每个第一预测治疗费用对应一个报销费用区间,所述每个医保报销参数集包括N个阶梯式的报销费用区间和N个报销比例,所述N为大于等于2的整数,每个报销比例对应一个报销费用区间。
步骤208:服务器根据所述N个第一预测治疗费用、所述N个报销比例和医保报销费用公式确定所述每个医保报销参数集对应的医保报销费用,得到所述多个医保报销参数集对应的多个医保报销费用。
步骤209:服务器将所述多个医保报销费用中最大的医保报销费用对应的医疗机构作为所述目标医疗机构。
需要说明的是,图2所示的方法的各个步骤的具体实现过程可参见上述方法所述的具体实现过程,在此不再叙述。
请参阅图3,图3是本申请实施例提供的第三种医疗机构推荐方法的流程示意图,该医疗机构推荐方法包括:
步骤301:服务器从医疗机构的医疗数据库中获取医保患者的多个医疗数据,所述多个医疗数据为所述医保患者入院检查的医疗数据,所述多个医疗数据包括年龄、性别、疾病名称和病理状态。
步骤302:服务器从多家医疗机构的多个医疗数据库存储的所有医保患者中选取至少一个目标医保患者,所述目标医保患者的年龄、性别、疾病名称和病理状态,与所述医保患者的年龄、性别、疾病名称和病理状态均相同。
步骤303:服务器获取至少一个所述目标医保患者的实际治疗费用,得到与至少一个所述目标医保患者对应的至少一个实际治疗费用,所述实际治疗费用为未经医保报销的治疗费用。
步骤304:服务器确定所述实际治疗费用的算术平均值,并将所述算术平均值作为所述医保患者的预测治疗费用。
步骤305:服务器将所述多个医疗数据和所述预测治疗费用输入所述医疗机构推荐模型,所述多个医疗数据还包括医保类型和住院次数,所述医疗机构推荐模型用于确定所述多家医疗机构中对所述预测治疗费用报销最多的医疗机构。
步骤306:服务器获取所述医保患者的位置信息,所述位置信息为所述医保患者所在的城市。
步骤307:服务器根据位置信息、医保类型、住院次数、疾病名称与医保报销参数集的对应关系从所述医疗机构推荐模型中预先存储的所有医保报销参数集中选取与所述位置信息、所述医保类型、所述住院次数以及所述疾病名称对应的多个医保报销参数集,所述多个医保报销参数集对应一个城市,每个医保报销参数集对应一个医疗机构。
步骤308:服务器根据所述每个医保报销参数集确定所述预测治疗费用对应的N个第一预测治疗费用,每个第一预测治疗费用对应一个报销费用区间,所述每个医保报销参数集包括N个阶梯式的报销费用区间和N个报销比例,所述N为大于等于2的整数,每个报销比例对应一个报销费用区间。
步骤309:服务器根据所述N个第一预测治疗费用、所述N个报销比例和医保报销费用公式确定所述每个医保报销参数集对应的医保报销费用,得到所述多个医保报销参数集对应的多个医保报销费用。
步骤310:服务器将所述多个医保报销费用中最大的医保报销费用对应的医疗机构作为所述目标医疗机构。
步骤311:服务器发送所述目标医疗机构、所述预测治疗费用和所述目标医疗机构对应的医保报销费用至所述医保患者的终端和/或与所述医保患者的终端具有绑定关系的至少一个终端。
需要说明的是,图3所示的方法的各个步骤的具体实现过程可参见上述方法所述的具体实现过程,在此不再叙述。
上述主要从方法侧执行过程的角度对本申请实施例的方案进行了介绍。可以理解的是,医疗机构推荐装置为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对医疗机构推荐装置进行功能单元的划分,例如,可以对应各个功能划分各个功能单元,也可以将两个或两个以上的功能集成在一个处理单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。需要说明的是,本申请实施例中对单元的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
请参阅图4,图4是本申请实施例提供的一种医疗机构推荐装置的结构示意图,该医疗机构推荐装置400包括处理单元401、存储单元402和通信单元403,处理单元401包括获取单元、第一确定单元和第二确定单元,其中:
获取单元,用于从医疗机构的医疗数据库中获取医保患者的多个医疗数据,所述多个医疗数据为所述医保患者入院检查的医疗数据;
第一确定单元,用于根据所述多个医疗数据确定所述医保患者的预测治疗费用,所述预测治疗费用为未经医保报销的治疗费用;
第二确定单元,用于将所述多个医疗数据和所述预测治疗费用输入医疗机构推荐模型进行处理,输出目标医疗机构,所述目标医疗机构为对所述预测治疗费用报销最多的医疗机构。
可见,在本示例中,首先从医疗机构的医疗数据库中获取医保患者入院检查的多个医疗数据,然后根据多个医疗数据确定医保患者未经医保报销的预测治疗费用,最后将多个医疗数据和预测治疗费用输入医疗机构推荐模型进行处理,输出目标医疗机构,目标医疗机构为对预测治疗费用报销最多的医疗机构。这样实现了基于医保患者入院检查的多个医疗数据从多个医疗机构中选取治疗费用报销最多的医疗机构并推荐给医保患者,有助于减少了医保患者实际支付的治疗费用。
在一个可能的示例中,所述多个医疗数据包括年龄、性别、疾病名称和病理状态,在根据所述多个医疗数据确定所述医保患者的预测治疗费用方面,上述第一确定单元具体用于:
从多家医疗机构的多个医疗数据库存储的所有医保患者中选取至少一个目标医保患者,所述目标医保患者的年龄、性别、疾病名称和病理状态,与所述医保患者的年龄、性别、疾病名称和病理状态均相同;
获取至少一个所述目标医保患者的实际治疗费用,得到与至少一个所述目标医保患者对应的至少一个实际治疗费用,所述实际治疗费用为未经医保报销的治疗费用;
确定所述实际治疗费用的算术平均值,并将所述算术平均值作为所述医保患者的预测治疗费用。
在一个可能的示例中,所述多个医疗数据还包括医保类型和住院次数,在将所述多个医疗数据和所述预测治疗费用输入医疗机构推荐模型进行处理,输出目标医疗机构方面,上述第二确定单元具体用于:
将所述多个医疗数据和所述预测治疗费用输入所述医疗机构推荐模型;其中,所述医疗机构推荐模型用于确定所述多家医疗机构中对所述预测治疗费用报销最多的医疗机构;
根据医保类型、住院次数、疾病名称与医保报销参数集的对应关系从所述医疗机构推荐模型中预先存储的所有医保报销参数集中选取与所述医保类型、所述住院次数以及所述疾病名称对应的多个医保报销参数集,每个医保报销参数集对应一个医疗机构;
根据所述每个医保报销参数集和所述预测治疗费用确定所述每个医保报销参数集对应的医保报销费用,得到所述多个医保报销参数集对应的多个医保报销费用;
将所述多个医保报销费用中最大的医保报销费用对应的医疗机构作为所述目标医疗机构。
在一个可能的示例中,上述处理单元401还包括第一获取单元、选取单元和触发单元,其中:
第一获取单元,用于获取所述医保患者的位置信息,所述位置信息为所述医保患者所在的城市;
选取单元,用于根据位置信息、医保类型、住院次数、疾病名称与医保报销参数集的对应关系从所述医疗机构推荐模型中预先存储的所有医保报销参数集中选取与所述位置信息、所述医保类型、所述住院次数以及所述疾病名称对应的多个医保报销参数集,所述多个医保报销参数集对应一个城市,每个医保报销政策参数集对应一个医疗机构;
触发单元,用于触发根据所述每个医保报销参数集和所述预测治疗费用确定所述每个医保报销参数集对应的医保报销费用的操作。
在一个可能的示例中,所述每个医保报销参数集包括N个阶梯式的报销费用区间和N个报销比例,所述N为大于等于2的整数,每个报销比例对应一个报销费用区间,在根据所述每个医保报销参数集和所述预测治疗费用确定所述每个医保报销参数集对应的医保报销费用方面,上述第二确定单元具体用于:
根据所述每个医保报销参数集确定所述预测治疗费用对应的N个第一预测治疗费用,每个第一预测治疗费用对应一个报销费用区间;
根据所述N个第一预测治疗费用、所述N个报销比例和医保报销费用公式确定所述每个医保报销参数集对应的医保报销费用。
在一个可能的示例中,所述医保报销费用公式为:
S=T1×α1+T2×α2+…+Tn×αn;
其中,所述S为所述每个医保报销参数集对应的医保报销费用,所述T1为所述N个第一预测治疗费用中的第1个第一预测治疗费用,所述α1为所述第1个第一预测治疗费用对应的报销比例,所述T2为所述N个第一预测治疗费用中的第2个第一预测治疗费用,所述α2为所述第2个第一预测治疗费用对应的报销比例,所述Tn为所述N个第一预测治疗费用中的第N个第一预测治疗费用,所述αn为所述第N个第一预测治疗费用对应的报销比例。
在一个可能的示例中,所述将所述多个医疗数据和所述预测治疗费用输入医疗机构推荐模型进行处理,输出目标医疗机构之后,上述处理单元401还包括:
发送单元,用于发送所述目标医疗机构、所述预测治疗费用和所述目标医疗机构对应的医保报销费用至所述医保患者的终端和/或与所述医保患者的终端具有绑定关系的至少一个终端。
其中,处理单元401可以是处理器或控制器,(例如可以是中央处理器(CentralProcessing Unit,CPU),通用处理器,数字信号处理器(Digital Signal Processor,DSP),专用集成控制器(Application-Specific Integrated Circuit,ASIC),现场可编程门阵列(Field Programmable Gate Array,FPGA)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。存储单元402可以是存储器,通信单元403可以是收发器、收发控制器、射频芯片、通信接口等。
与上述图1A、图2和图3所示的实施例一致的,请参阅图5,图5是本申请实施例提供的一种服务器的结构示意图,该服务器包括处理器、存储器、通信接口以及一个或多个程序,其中,上述一个或多个程序被存储在上述存储器中,并且被配置由上述处理器执行,上述程序包括用于执行以下步骤的指令:
从医疗机构的医疗数据库中获取医保患者的多个医疗数据,所述多个医疗数据为所述医保患者入院检查的医疗数据;
根据所述多个医疗数据确定所述医保患者的预测治疗费用,所述预测治疗费用为未经医保报销的治疗费用;
将所述多个医疗数据和所述预测治疗费用输入医疗机构推荐模型进行处理,输出目标医疗机构,所述目标医疗机构为对所述预测治疗费用报销最多的医疗机构。
可见,在本示例中,服务器首先从医疗机构的医疗数据库中获取医保患者入院检查的多个医疗数据,然后根据多个医疗数据确定医保患者未经医保报销的预测治疗费用,最后将多个医疗数据和预测治疗费用输入医疗机构推荐模型进行处理,输出目标医疗机构,目标医疗机构为对预测治疗费用报销最多的医疗机构。这样实现了基于医保患者入院检查的多个医疗数据从多个医疗机构中选取治疗费用报销最多的医疗机构并推荐给医保患者,有助于减少了医保患者实际支付的治疗费用。
在一个可能的示例中,所述多个医疗数据包括年龄、性别、疾病名称和病理状态,在根据所述多个医疗数据确定所述医保患者的预测治疗费用方面,上述程序包括具体用于执行以下步骤的指令:
从多家医疗机构的多个医疗数据库存储的所有医保患者中选取至少一个目标医保患者,所述目标医保患者的年龄、性别、疾病名称和病理状态,与所述医保患者的年龄、性别、疾病名称和病理状态均相同;
获取至少一个所述目标医保患者的实际治疗费用,得到与至少一个所述目标医保患者对应的至少一个实际治疗费用,所述实际治疗费用为未经医保报销的治疗费用;
确定所述实际治疗费用的算术平均值,并将所述算术平均值作为所述医保患者的预测治疗费用。
在一个可能的示例中,所述多个医疗数据还包括医保类型和住院次数,在将所述多个医疗数据和所述预测治疗费用输入医疗机构推荐模型进行处理,输出目标医疗机构方面,上述程序包括具体用于执行以下步骤的指令:
将所述多个医疗数据和所述预测治疗费用输入所述医疗机构推荐模型;其中,所述医疗机构推荐模型用于确定所述多家医疗机构中对所述预测治疗费用报销最多的医疗机构;
根据医保类型、住院次数、疾病名称与医保报销参数集的对应关系从所述医疗机构推荐模型中预先存储的所有医保报销参数集中选取与所述医保类型、所述住院次数以及所述疾病名称对应的多个医保报销参数集,每个医保报销参数集对应一个医疗机构;
根据所述每个医保报销参数集和所述预测治疗费用确定所述每个医保报销参数集对应的医保报销费用,得到所述多个医保报销参数集对应的多个医保报销费用;
将所述多个医保报销费用中最大的医保报销费用对应的医疗机构作为所述目标医疗机构。
在一个可能的示例中,所述将所述多个医疗数据和所述预测治疗费用输入所述医疗机构推荐模型之后,上述程序还包括用于执行以下步骤的指令:
获取所述医保患者的位置信息,所述位置信息为所述医保患者所在的城市;
根据位置信息、医保类型、住院次数、疾病名称与医保报销参数集的对应关系从所述医疗机构推荐模型中预先存储的所有医保报销参数集中选取与所述位置信息、所述医保类型、所述住院次数以及所述疾病名称对应的多个医保报销参数集,所述多个医保报销参数集对应一个城市,每个医保报销政策参数集对应一个医疗机构;
触发根据所述每个医保报销参数集和所述预测治疗费用确定所述每个医保报销参数集对应的医保报销费用的操作。
在一个可能的示例中,所述每个医保报销参数集包括N个阶梯式的报销费用区间和N个报销比例,所述N为大于等于2的整数,每个报销比例对应一个报销费用区间,在根据所述每个医保报销参数集和所述预测治疗费用确定所述每个医保报销参数集对应的医保报销费用方面,上述程序包括具体用于以下步骤的指令:
根据所述每个医保报销参数集确定所述预测治疗费用对应的N个第一预测治疗费用,每个第一预测治疗费用对应一个报销费用区间;
根据所述N个第一预测治疗费用、所述N个报销比例和医保报销费用公式确定所述每个医保报销参数集对应的医保报销费用。
在一个可能的示例中,所述医保报销费用公式为:
S=T1×α1+T2×α2+…+Tn×αn;
其中,所述S为所述每个医保报销参数集对应的医保报销费用,所述T1为所述N个第一预测治疗费用中的第1个第一预测治疗费用,所述α1为所述第1个第一预测治疗费用对应的报销比例,所述T2为所述N个第一预测治疗费用中的第2个第一预测治疗费用,所述α2为所述第2个第一预测治疗费用对应的报销比例,所述Tn为所述N个第一预测治疗费用中的第N个第一预测治疗费用,所述αn为所述第N个第一预测治疗费用对应的报销比例。
在一个可能的示例中,所述将所述多个医疗数据和所述预测治疗费用输入医疗机构推荐模型进行处理,输出目标医疗机构之后,上述程序还包括用于执行以下步骤的指令:
发送所述目标医疗机构、所述预测治疗费用和所述目标医疗机构对应的医保报销费用至所述医保患者的终端和/或与所述医保患者的终端具有绑定关系的至少一个终端。
本申请实施例还提供一种计算机存储介质,该计算机存储介质用于存储电子数据交换的计算机程序,其中,该计算机程序使得计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。
本申请实施例还提供一种计算机程序产品,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取器(英文:Random Access Memory,简称:RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实现方式及应用范围上均会有改变之处,综上上述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种医疗机构推荐方法,其特征在于,所述方法包括:
从医疗机构的医疗数据库中获取医保患者的多个医疗数据,所述多个医疗数据为所述医保患者入院检查的医疗数据;
根据所述多个医疗数据确定所述医保患者的预测治疗费用,所述预测治疗费用为未经医保报销的治疗费用;
将所述多个医疗数据和所述预测治疗费用输入医疗机构推荐模型进行处理,输出目标医疗机构,所述目标医疗机构为对所述预测治疗费用报销最多的医疗机构。
2.根据权利要求1所述的方法,其特征在于,所述多个医疗数据包括年龄、性别、疾病名称和病理状态,所述根据所述多个医疗数据确定所述医保患者的预测治疗费用,包括:
从多家医疗机构的多个医疗数据库存储的所有医保患者中选取至少一个目标医保患者,所述目标医保患者的年龄、性别、疾病名称和病理状态,与所述医保患者的年龄、性别、疾病名称和病理状态均相同;
获取至少一个所述目标医保患者的实际治疗费用,得到与至少一个所述目标医保患者对应的至少一个实际治疗费用,所述实际治疗费用为未经医保报销的治疗费用;
确定所述实际治疗费用的算术平均值,并将所述算术平均值作为所述医保患者的预测治疗费用。
3.根据权利要求2所述的方法,其特征在于,所述多个医疗数据还包括医保类型和住院次数,所述将所述多个医疗数据和所述预测治疗费用输入医疗机构推荐模型进行处理,输出目标医疗机构,包括:
将所述多个医疗数据和所述预测治疗费用输入所述医疗机构推荐模型;其中,所述医疗机构推荐模型用于确定所述多家医疗机构中对所述预测治疗费用报销最多的医疗机构;
根据医保类型、住院次数、疾病名称与医保报销参数集的对应关系从所述医疗机构推荐模型中预先存储的所有医保报销参数集中选取与所述医保类型、所述住院次数以及所述疾病名称对应的多个医保报销参数集,每个医保报销参数集对应一个医疗机构;
根据所述每个医保报销参数集和所述预测治疗费用确定所述每个医保报销参数集对应的医保报销费用,得到所述多个医保报销参数集对应的多个医保报销费用;
将所述多个医保报销费用中最大的医保报销费用对应的医疗机构作为所述目标医疗机构。
4.根据权利要求3所述的方法,其特征在于,所述将所述多个医疗数据和所述预测治疗费用输入所述医疗机构推荐模型之后,所述方法还包括:
获取所述医保患者的位置信息,所述位置信息为所述医保患者所在的城市;
根据位置信息、医保类型、住院次数、疾病名称与医保报销参数集的对应关系从所述医疗机构推荐模型中预先存储的所有医保报销参数集中选取与所述位置信息、所述医保类型、所述住院次数以及所述疾病名称对应的多个医保报销参数集,所述多个医保报销参数集对应一个城市,每个医保报销参数集对应一个医疗机构;
触发根据所述每个医保报销参数集和所述预测治疗费用确定所述每个医保报销参数集对应的医保报销费用的操作。
5.根据权利要求3或4所述的方法,其特征在于,所述每个医保报销参数集包括N个阶梯式的报销费用区间和N个报销比例,所述N为大于等于2的整数,每个报销比例对应一个报销费用区间,所述根据所述每个医保报销参数集和所述预测治疗费用确定所述每个医保报销参数集对应的医保报销费用,包括:
根据所述每个医保报销参数集确定所述预测治疗费用对应的N个第一预测治疗费用,每个第一预测治疗费用对应一个报销费用区间;
根据所述N个第一预测治疗费用、所述N个报销比例和医保报销费用公式确定所述每个医保报销参数集对应的医保报销费用。
6.根据权利要求5所述的方法,其特征在于,所述医保报销费用公式为:
S=T1×α1+T2×α2+…+Tn×αn;
其中,所述S为所述每个医保报销参数集对应的医保报销费用,所述T1为所述N个第一预测治疗费用中的第1个第一预测治疗费用,所述α1为所述第1个第一预测治疗费用对应的报销比例,所述T2为所述N个第一预测治疗费用中的第2个第一预测治疗费用,所述α2为所述第2个第一预测治疗费用对应的报销比例,所述Tn为所述N个第一预测治疗费用中的第N个第一预测治疗费用,所述αn为所述第N个第一预测治疗费用对应的报销比例。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述将所述多个医疗数据和所述预测治疗费用输入医疗机构推荐模型进行处理,输出目标医疗机构之后,所述方法还包括:
发送所述目标医疗机构、所述预测治疗费用和所述目标医疗机构对应的医保报销费用至所述医保患者的终端和/或与所述医保患者的终端具有绑定关系的至少一个终端。
8.一种医疗机构推荐装置,其特征在于,所述装置包括:
获取单元,用于从医疗机构的医疗数据库中获取医保患者的多个医疗数据,所述多个医疗数据为所述医保患者入院检查的医疗数据;
第一确定单元,用于根据所述多个医疗数据确定所述医保患者的预测治疗费用,所述预测治疗费用为未经医保报销的治疗费用;
第二确定单元,用于将所述多个医疗数据和所述预测治疗费用输入医疗机构推荐模型进行处理,输出目标医疗机构,所述目标医疗机构为对所述预测治疗费用报销最多的医疗机构。
9.一种服务器,其特征在于,包括处理器、存储器、通信接口以及一个或多个程序,所述一个或多个程序被存储在所述存储器中,并且被配置由所述处理器执行,所述程序包括用于执行如权利要求1-7任一项所述的方法中的步骤的指令。
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用于存储电子数据交换的计算机程序,其中,所述计算机程序使得计算机执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811530313.2A CN109684542A (zh) | 2018-12-13 | 2018-12-13 | 医疗机构推荐方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811530313.2A CN109684542A (zh) | 2018-12-13 | 2018-12-13 | 医疗机构推荐方法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109684542A true CN109684542A (zh) | 2019-04-26 |
Family
ID=66186696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811530313.2A Pending CN109684542A (zh) | 2018-12-13 | 2018-12-13 | 医疗机构推荐方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109684542A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178069A (zh) * | 2019-12-25 | 2020-05-19 | 平安健康保险股份有限公司 | 数据处理方法、装置、计算机设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201426624A (zh) * | 2012-12-26 | 2014-07-01 | Chang Jung Christian University | 個人醫療費用預測系統 |
CN107423575A (zh) * | 2017-08-25 | 2017-12-01 | 广州宝荣科技应用有限公司 | 一种跨区域医疗资源调配方法、装置及系统 |
CN108460693A (zh) * | 2018-03-29 | 2018-08-28 | 平安健康保险股份有限公司 | 保险合作医院的品质监控方法及装置、存储介质及终端 |
CN108876634A (zh) * | 2018-06-14 | 2018-11-23 | 四川久远银海软件股份有限公司 | 一种费用信息筛选方法与装置 |
-
2018
- 2018-12-13 CN CN201811530313.2A patent/CN109684542A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201426624A (zh) * | 2012-12-26 | 2014-07-01 | Chang Jung Christian University | 個人醫療費用預測系統 |
CN107423575A (zh) * | 2017-08-25 | 2017-12-01 | 广州宝荣科技应用有限公司 | 一种跨区域医疗资源调配方法、装置及系统 |
CN108460693A (zh) * | 2018-03-29 | 2018-08-28 | 平安健康保险股份有限公司 | 保险合作医院的品质监控方法及装置、存储介质及终端 |
CN108876634A (zh) * | 2018-06-14 | 2018-11-23 | 四川久远银海软件股份有限公司 | 一种费用信息筛选方法与装置 |
Non-Patent Citations (1)
Title |
---|
DASDFDADA: "北京医保报销比例", 《豆丁网》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178069A (zh) * | 2019-12-25 | 2020-05-19 | 平安健康保险股份有限公司 | 数据处理方法、装置、计算机设备及存储介质 |
CN111178069B (zh) * | 2019-12-25 | 2023-06-23 | 平安健康保险股份有限公司 | 数据处理方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dash | The impact of IoT in healthcare: global technological change & the roadmap to a networked architecture in India | |
Kuo et al. | A healthcare Lean Six Sigma System for postanesthesia care unit workflow improvement | |
Moen et al. | An analysis of patient-sharing physician networks and implantable cardioverter defibrillator therapy | |
US10319466B2 (en) | Intelligent filtering of health-related information | |
US20160042134A1 (en) | Method of calculating a score of a medical suggestion as a support in medical decision making | |
CN108550392A (zh) | 医生选取方法及系统 | |
CN104364817A (zh) | 用于提供透明医学治疗的系统和方法 | |
Moore et al. | Trends in hysterectomies and oophorectomies in hospital inpatient and ambulatory settings, 2005–2013 | |
CN109544373A (zh) | 基于人工智能的医保违规行为检测方法及相关装置 | |
US20160350495A1 (en) | Clinical outcome tracking and analysis | |
CN109119148A (zh) | 预约方法和装置 | |
CN105162880A (zh) | 一种acs区域化协同救治网络系统及其辅助决策方法 | |
Maitra et al. | A novel mobile application to assist maternal health workers in rural India | |
CN107506912A (zh) | 一种医疗资源调度平台 | |
Karim et al. | Mobile health applications in Bangladesh: A state-of-the-art | |
US20160093010A1 (en) | Multi-payer clinical documentation e-learning platform | |
Matta-Machado et al. | Is the use of information and communication technology associated with aspects of women's primary health care in Brazil? | |
CN109684542A (zh) | 医疗机构推荐方法及相关装置 | |
Zheng et al. | Application of grey entropy weight cluster in clinical department sorting | |
Aziz | Health informatics-introduction | |
CN106202847A (zh) | 一种就诊预测方法 | |
Hyder et al. | Performance measurement in surgery through the National Quality Forum | |
US20150339602A1 (en) | System and method for modeling health care costs | |
CN108206059A (zh) | 一种数据处理的方法及装置 | |
Adamko et al. | Interaction-dependent e-Health hub-software adaptation to cloud-based electronic health records |
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: 20190426 |