CN109785150A - 一种基于智能决策的医保基金风险预测方法和装置 - Google Patents
一种基于智能决策的医保基金风险预测方法和装置 Download PDFInfo
- Publication number
- CN109785150A CN109785150A CN201811525761.3A CN201811525761A CN109785150A CN 109785150 A CN109785150 A CN 109785150A CN 201811525761 A CN201811525761 A CN 201811525761A CN 109785150 A CN109785150 A CN 109785150A
- Authority
- CN
- China
- Prior art keywords
- medical
- medical insurance
- amount
- insurance fund
- medical institutions
- 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 68
- 238000013139 quantization Methods 0.000 claims abstract description 60
- 238000011002 quantification Methods 0.000 claims abstract description 27
- 238000007726 management method Methods 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 9
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 9
- 239000010931 gold Substances 0.000 claims description 9
- 229910052737 gold Inorganic materials 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 238000013497 data interchange Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 11
- 230000036541 health Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000001225 therapeutic effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明实施例公开了一种基于智能决策的医保基金风险预测方法和装置，包括：根据第一预设条件获取医疗机构信息作为医保基金相关的驱动因素，第一预设条件包括第一地域和第一预设时间段；对驱动因素进行量化处理，获得医疗机构信息量化值；根据医疗机构信息量化值和医保基金收支模型对医保基金的收入金额和支出金额进行预测，获得预期收入金额和预期支出金额；当预期支出金额和预期收入金额的差值超过第一预设阈值时，判定医保基金存在透支风险，对医保基金进行风险管控。采用本发明，能够通过将医疗机构信息作为医保基金的驱动因素对医保基金的收支进行预测，进而对医保基金的收支平衡进行管理。增加医保基金管理的针对性，进而提升医保基金的管理效率。
Description
技术领域
本发明涉及数据处理领域，具体涉及一种基于智能决策的医保基金风险预测方法和装置。
背景技术
医疗保险是社会保险的重要组成部分，对医疗保险基金收支情况进行预测能够及时进行医疗保险基金管控或政策调整，以避免出现医保基金亏空风险，保证医保基金收支平衡。
传统的医保基金风险管控没有将医保基金驱动因素进行拆解和量化分析，并根据量化分析结果确定这些驱动因素对医保基金收支的影响程度，导致对医保基金的管理非常粗糙，难以从驱动因素中获得有用的信息，进而使得对医保基金的管控精确到医疗保险的整个流程中的各个环节。这样导致对医保基金的风险管理针对性低且效率低下，无法满足医保基金管理的需求。
发明内容
本发明实施例提供一种基于智能决策的医保基金风险预测方法和装置，能够通过将医疗机构信息作为医保基金的驱动因素进行量化处理，然后根据医疗机构信息量化值对医保基金的收支进行预测，进而对医保基金的收支平衡进行管理。增加医保基金管理的针对性，进而提升医保基金的管理效率，使得医保基金能够提前进行风险管控，保证医保基金的收支平衡。
本发明实施例的第一方面提供了一种基于智能决策的医保基金风险预测方法，所述基于智能决策的医保基金风险预测方法包括：
根据第一预设条件获取医疗机构信息作为医保基金相关的驱动因素，所述第一预设条件包括第一地域和第一预设时间段；
对所述驱动因素进行量化处理，获得医疗机构信息量化值；
根据所述医疗机构量化值和医保基金收支模型对医保基金的收入金额和支出金额进行预测，获得预期收入金额和预期支出金额；
当所述预期支出金额和所述预期收入金额的差值超过第一预设阈值时，判定所属医保基金存在风险，对所述医保基金进行风险管控。
在可选的情况下，所述根据第一预设条件获取医疗机构信息作为医保基金相关的驱动因素包括：
获取第一地域在第一预设时间段的医疗机构信息，所述医疗机构信息包括医疗机构类别和医疗机构的患者数量，所述医疗机构类别包括一级医院，二级医院和三级医院。
在可选的情况下，所述对所述驱动因素进行量化处理，获得医疗机构信息量化值，包括：
按照相同的医疗机构类别统计所述医疗机构的患者总数量，确定所述一级医院，所述二级医院和所述三级医院分别对应的患者总数量，记做每种医疗机构对应的患者总数量；
设置所述每种医疗机构对应的患者总数量作为所述医疗机构信息量化值。
在可选的情况下，在根据所述医疗机构信息量化值和医保基金收支模型对医保基金的收入金额和支出金额进行预测，获得预期收入金额和预期支出金额之前，所述方法还包括建立医保基金收支模型，具体包括：
获取目标地域在目标时间段的医保政策和人口结构；
根据所述医保政策和所述人口结构，确定所述目标地域在目标时间段的医保缴费情况，形成所述医保基金收入模型；
获取目标地域在目标时间段的医疗数据，所述医疗数据包括所述医疗机构类别，所述医疗机构类别对应的报销金额和所述医疗机构类别对应的患者人数；
根据所述医疗数据建立以所述每种医疗机构对应的患者总数量为自变量的医保基金支出模型；
根据所述医保基金收入模型和所述以所述每种医疗机构对应的患者总数量为自变量的医保基金支出模型，获取所述以医疗机构为自变量的医保基金收支模型。
在可选情况下，所述根据所述医疗机构信息量化值和医保基金收支模型对医保基金的收入金额和支出金额进行预测，获得预期收入金额和预期支出金额，包括：
将所述医疗机构信息对应的所述第一地域和所述第一预设时间段分别与所述医保基金收支模型对应的所述目标地域和所述目标时间段进行匹配；
确定所述第一地域与所述目标地域完全匹配，所述第一预设时间段与所述目标时间段为周期相同但对应时间不同的时间段，且所述第一预设时间段在所述目标时间段之后；
将所述医疗机构信息量化值导入所述医保基金收支模型中，对医保基金的收入金额和支出金额进行预测；
获取所述医保基金收支模型预测出的所述收入金额作为预期收入金额，获取预测出的所述支出金额作为预期支出金额。
在可选的情况下，所述对所述医保基金进行风险管控包括：
对所述第一地域在第一预设时间段的医疗机构医保报销过程进行核查，确定所述医疗机构是否按照其对应的医疗机构类别进行医保报销；
若否，则对不按照医疗机构类别进行医保报销的医疗机构进行医保报销过程进行校准。
本发明实施例的第二方面提供了一种医保基金风险预测装置，所述医保基金风险预测装置包括：
获取单元，用于根据第一预设条件获取医疗机构信息作为医保基金相关的驱动因素，所述第一预设条件包括第一地域和第一预设时间段；
量化单元，用于对所述驱动因素进行量化处理，获得医疗机构信息量化值；
预测单元，根据所述医疗机构量化值和医保基金收支模型对医保基金的收入金额和支出金额进行预测，获得预期收入金额和预期支出金额；
风险管控单元，用于当所述预期支出金额和所述预期收入金额的差值超过第一预设阈值时，判定所属医保基金存在风险，对所述医保基金进行风险管控。
本发明实施例第三方面提供了一种电子装置，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第一方面任一方法中的步骤的指令。
本发明实施例第四方面提供了一种计算机可读存储介质，存储用于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第一方面任一方法所述的步骤的指令。
可见，本发明实施例所描述的基于智能决策的医保基金风险预测方法中，首先根据第一预设条件获取医疗机构信息作为医保基金相关的驱动因素，第一预设条件包括第一地域和第一预设时间段；然后对驱动因素进行量化处理，获得医疗机构信息量化值；再根据医疗机构量化值和医保基金收支模型，对医保基金的收入金额和支出金额进行预测，获得预期收入金额和预期支出金额；最后当预期支出金额和预期收入金额的差值超过第一预设阈值时，判定所属医保基金存在风险，对医保基金进行风险管控。在这个过程中，通过将医疗机构信息作为医保基金的驱动因素进行量化处理，然后根据医疗机构信息量化值对医保基金的收支进行预测，提升了医保基金收支预测的准确度，进而提升了对医保基金的收支平衡进行管理的有效性。使得医保基金能够提前进行风险管控，保证医保基金的收支平衡。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于智能决策的医保基金风险预测方法流程示意图；
图2是本发明实施例提供的另一种基于智能决策的医保基金风险预测方法的流程示意图；
图3是本发明实施例提供的另一种基于智能决策的医保基金风险预测方法的流程示意图；
图4是本发明实施例提供的另一种基于智能决策的医保基金风险预测方法的流程示意图；
图5是本发明实施例提供的一种电子装置的结构示意图；
图6是本发明实施例提供的一种医保基金风险预测装置的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
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发明的至少一个实施例中。在说明书中的各个位置展示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。
下面对本发明实施例进行详细介绍。
请参阅图1，图1为本发明实施例中一种基于智能决策的医保基金风险预测方法流程示意图，如图1所示，所述基于智能决策的医保基金风险预测方法包括：
101、根据第一预设条件获取医疗机构信息作为医保基金相关的驱动因素，所述第一预设条件包括第一地域和第一预设时间段。
医保基金是指医疗保险基金，医疗保险基金由用人单位和个人进行共同缴纳，缴纳的基金被分为社会统筹基金和个人帐户两部分，统筹基金用于为患者的医疗消费按照医保政策进行报销，个人账户部分用于患者进行医疗消费。
医疗机构是指依法定程序设立的从事疾病诊断、治疗活动的卫生机构的总称，包括医院、卫生院、门诊部和疗养所等，其中具有住院功能的包括医院和疗养所等。因为不同的医疗机构对应的医保报销政策是不同的，因此可以将医疗机构作为医保基金的驱动因素，用于对医保基金收入金额和支出金额的预测。
可选的，根据第一预设条件获取医疗机构信息作为医保基金相关的驱动因素包括：获取第一地域在第一预设时间段的医疗机构信息，医疗机构信息包括医疗机构类别和医疗机构的患者数量，医疗机构类别包括一级医院，二级医院和三级医院。
医疗结构被分为三种类别：一级医院，二级医院和三级医院。一级医院是直接为社区提供医疗、预防、康复、保健综合服务的基层医院，是初级卫生保健机构。二级医院是跨几个社区提供医疗卫生服务的地区性医院，是地区性医疗预防的技术中心。三级医院是跨地区、省、市以及向全国范围提供医疗卫生服务的医院，是具有全面医疗、教学、科研能力的医疗预防技术中心。其中一级医院的报销比例最大，二级医院次之，三级医院的报销比例最小。不同的地域在不同的时间段，其所拥有的医疗机构数量分布是不同的，因此需要根据第一地域和第一预设时间段获取医疗机构信息，获取到的医疗机构信息包括每个医疗机构的类别以及该医疗机构对应的患者数量。
102、对所述驱动因素进行量化处理，获得医疗机构信息量化值。
医保基金相关的驱动因素都会对医保基金的收支存在影响，但是如何影响，影响程度等问题，需要进行量化分析。首先就需要对医疗机构信息进行量化处理。
可选的，对驱动因素进行量化处理，获得医疗机构信息量化值，包括：按照相同的医疗机构类别统计医疗机构的患者总数量，确定一级医院，二级医院和三级医院分别对应的患者总数量，记做每种医疗机构对应的患者总数量；设置每种医疗机构对应的患者总数量作为医疗机构信息量化值。
在同一个地域的不同的时间段，医疗机构是流动变化的，一级医院可能升级为二级医院，二级医院可能升级为三级医院，三级医院可能降级为二级医院，二级医院也可能降级为一级医院，同时有可能新建立或关闭一级医院、二级医院或三级医院。这种流动变化都会引起医疗机构信息量化值的变化，进而对医保报销金额产生影响。
对于医疗机构信息的量化处理，例如获取到的医疗机构信息为：
表1医疗机构信息
根据表1对医疗机构信息进行量化处理，将相同的医疗机构类别的患者数量相加，获得医疗机构信息量化值，如表2所示：
表2医疗机构信息量化值
| 医疗机构类别 | 患者总数量(人) |
| 一级医院 | 4500 |
| 二级医院 | 5000 |
| 三级医院 | 20000 |
将获得的医疗机构对应的患者数量作为医疗机构信息量化值。可记做：一级医院对应患者总数量为M1，二级医院对应患者总数量为M2，三级医院对应患者总数量为M3。
可见，在本发明实施例中，通过将医疗机构信息作为医保基金相关的驱动因素，并对医疗机构信息进行量化处理，获得医疗机构信息量化值，可以监控第一预设条件下，医疗机构信息量化值的变化对于医保基金收入支出的影响，提升在医疗机构信息发现变化的情况下，对医疗基金收入金额和支出金额的预测准确度，进而提升对医保基金进行风险管理的准确性和有效性。
103、根据所述医疗机构信息量化值和医保基金收支模型对医保基金的收入金额和支出金额进行预测，获得预期收入金额和预期支出金额。
医保基金收支模型是一个其他变量确定，只有医疗机构量化值未知的模型，因此，将根据第一预设条件确定的医疗机构量化值导入医保基金收支模型中，即可获得第一预设条件下的预期收入金额和预期支出金额。
可选的，在根据医疗机构量化值和医保基金收支模型对医保基金的收入金额和支出金额进行预测之前，该方法还包括建立医保基金收支模型，具体包括：获取目标地域在目标时间段的医保政策和人口结构；根据医保政策和人口结构，确定目标地域在目标时间段的医保缴费情况，形成医保基金收入模型；获取目标地域在目标时间段的医疗数据，医疗数据包括医疗机构类别，医疗机构类别对应的报销金额和医疗机构类别对应的患者人数；根据医疗数据建立以每种医疗机构对应的患者总数量为自变量的医保基金支出模型；根据医保基金收入模型和以每种医疗机构对应的患者总数量为自变量的医保基金支出模型，获取以医疗机构为自变量的医保基金收支模型。
医保基金收支模型中包括医保基金收入模型和医保基金支出模型，其中，医保基金收入模型与当地的医保政策和人口结构有关，医保政策中包括不同的医保缴费档次，以及每个档次对应的缴费金额，人口结构中包括城乡居民和职工，对于城乡居民来说，缴费频率为每年一缴，缴费时点在医保年度的首月月末，因此城乡居民医保基金收入公式如下：
其中，R1表示个人年缴费额，R2表示年财政补贴额，Mz表示医保缴费人口，p1表示城乡居民人口比例，T1表示城乡居民的医保基金收入，个人年缴费额与年财政补贴额根据各地区医保政策中的缴费政策和补贴政策确定。
对于职工来说，缴费频率为每月一缴。缴费金额为缴费基数乘以相应缴费方的缴费比例，再按划入个账比例分配到统筹账户和个人账户中，医保基金收入公式如下：
其中R3表示个人缴费基数，P1表示个人缴费比例，P0表示划入个账比例，P2表示单位缴费比例，p2表示职工占比。T2表示职工医保基金收入，对于医保基金管理来说，只针对统筹账户，不针对个人账户，因此只获取统筹账户基金即可。个人缴费基数根据个人工资水平和当地医疗保险制度确定，个人缴费比例、划转个账比例、单位缴费比例根据当地医疗保险制度确定。
由此可知，在当地的医保政策不变，医保人口结构确定的情况下，可以该地域的医保基金收入模型为：
Ts＝T1+T2 (3)
其中TS表示医保基金收入金额。
医保基金支出模型与当地的医疗数据相关，医疗数据中包括医疗机构类别，医疗机构类别对应的报销金额和医疗机构类别对应的患者人数。由此可以确定医保基金支出模型如公式(4)所示：
其中，Tm1表示目标地域在目标时间段的一级医院人均报销额度，Tm2表示二级医院人均报销额度，Tm3表示三级医院人均报销额度，T1表示一级医院总报销金额，T2表示二级医院总报销金额，T3表示三级医院总报销金额，M1’表示一级医院患者总人数，M2’表示二级医院患者总人数，M3’表示三级医院患者总人数，Tz表示医保基金支出金额。m1、m2和m3表示需要进行医保基金支出预测的预测地域和预测时间段对应的一级医院、二级医院和三级医院对应的患者总数量。
根据公式(3)和公式(4)确定医保基金收入模型和医保基金支出模型，结合即可确定医保基金收支模型。且在其他参数已知，而只有医疗机构费用占比未知的情况下，该医保基金收支模型为以医疗机构为自变量的医保基金收支模型。根据该医保基金收支模型，结合已经确定的医疗机构量化值，即可对医保基金的收入金额和支出金额进行预测。
可选的，根据医疗机构量化值和医保基金收支模型对医保基金的收入金额和支出金额进行预测，获得预期收入金额和预期支出金额，包括：将医疗机构信息量化值对应的第一地域和第一预设时间段与医保基金收支模型对应的目标地域和目标时间段进行匹配；确定所述第一地域与所述目标地域完全匹配，所述第一预设时间段与所述目标时间段为周期相同但对应时间不同的时间段，且所述第一预设时间段在所述目标时间段之后；将医疗机构信息量化值导入医保基金收支模型中，对医保基金的收入金额和支出金额进行预测；获取医保基金收支模型预测出的收入金额作为预期收入金额，获取预测出的支出金额作为预期支出金额。
驱动因素的量化信息是按照第一预设条件获取的，第一预设条件包括第一地域和第一预设时间段，医保基金收支模型是按照目标地域和目标时间段建立的，因此需要将第一地域和目标地域进行匹配，将第一预设时间段和目标时间段进行匹配。对于地域匹配，因为不同地域的各种数据都会存在较大差异，因此医疗机构信息量化值对应的第一地域和医保基金收支模型对应的目标地域必须完全匹配，可以通过关键字匹配，而每一个地区的关键字，包括省级全称和省级简称。例如广东省的关键字包括：广东、广东省、粤。
对于时间匹配，由于获得驱动因素的量化值时为了预测医保基金的收入金额和支出金额，因此，驱动因素对应的第一预设时间段与医保基金收支模型对应的目标时间段为周期相同但对应时间不同的时间段，且第一预设时间段在目标时间段之后。如表1所示：
表2第一预设时间段与目标时间段
根据表2所示的实例可知，第一预设时间段与目标时间段的周期都为1～12月，而第一预设时间段为2017年，目标时间段为2016年或2015年，在2017年之前，因为目标时间段与第一预设时间段越接近，医保基金收支模型中的参数变化越小，预测结果也会越准确，因此，确定第一预设时间段与目标时间段的最大差值为2个目标时间段周期。另外，第一预设时间段与目标时间段的匹配精确度可以是月份，也可以是天数，也可以是小时。
匹配成功后，将获得的第一预设条件下的医疗机构信息量化值导入医保基金收支模型中，替换医保基金收支模型中的医疗机构类别对应的患者人数，获得公式如下：
Tz＝Tm1×M1+Tm2×M2+Tm3×M3 (5)
其中原公式(4)中的因变量m1，m2和m3由公式(1)中获得的医疗机构信息量化值M1，M2和M3替换，即可获得在第一预设条件下的医保基金支出预测金额。再根据公式(1)-(3)确定医保基金收入金额，获得预期收入金额和预期支出金额。
104、当所述预期支出金额和所述预期收入金额的差值超过第一预设阈值时，判定所属医保基金存在风险，对所述医保基金进行风险管控。
根据步骤103确定预期收入金额Ts和预期支出金额Tz后，获得其差值为：差值＝Tz-Ts，第一预设阈值是一个金额值，例如100万元等，当差值大于第一预设阈值时，说明医保基金存在透支的可能性，判定医保基金存在风险，对医保基金进行风险管控。
可选的，当预期收入金额和预期支出金额的差值超过第一预设阈值时，对医保基金进行风险管控包括：对第一地域在第一预设时间段的医疗机构医保报销过程进行核查，确定医疗机构是否按照其对应的医疗机构类别进行医保报销；若否，则对不按照医疗机构类别进行医保报销的医疗机构进行医保报销过程进行校准。
在本发明实施例中的医保基金收支预测过程，因为其他数据都是确定不变的，只有医疗机构信息量化值随着时间的变化而发生变化，因此，在上一年的各项指标不存在遗留问题的情况下，如果预测结果表明医保基金存在透支风险，则很大概率是医疗机构信息量化值造成的问题。例如医疗机构没有按照各自对应的医保报销政策进行医保报销，就需要对医疗机构的报销过程进行校准，减少错乱报销的问题，进而减少医保报销金额的多余支出。
可见，在本发明实施例中，首先根据第一预设条件获取医疗机构信息作为医保基金相关的驱动因素，第一预设条件包括第一地域和第一预设时间段；然后对驱动因素进行量化处理，获得医疗机构信息量化值；再根据医疗机构量化值和医保基金收支模型，对医保基金的收入金额和支出金额进行预测，获得预期收入金额和预期支出金额；最后当预期支出金额和预期收入金额的差值超过第一预设阈值时，判定所属医保基金存在风险，对医保基金进行风险管控。在这个过程中，通过将医疗机构信息作为医保基金的驱动因素进行量化处理，然后根据医疗机构信息量化值对医保基金的收支进行预测，提升了医保基金收支预测的准确度，进而提升了对医保基金的收支平衡进行管理的有效性。使得医保基金能够提前进行风险管控，保证医保基金的收支平衡。
请参阅图2，图2是本发明实施例提供的另一种基于智能决策的医保基金风险预测方法的流程示意图，如图所示，本实施例中的基于智能决策的医保基金风险预测方法包括：
201、获取第一地域在第一预设时间段的医疗机构信息，所述医疗机构信息包括医疗机构类别和医疗机构的患者数量，所述医疗机构类别包括一级医院，二级医院和三级医院；
202、按照相同的医疗机构类别统计所述医疗机构的患者总数量，确定所述一级医院，所述二级医院和所述三级医院分别对应的患者总数量，记做每种医疗机构对应的患者总数量；
203、设置所述每种医疗机构对应的患者总数量作为所述医疗机构信息量化值；
204、根据所述医疗机构信息量化值和医保基金收支模型对医保基金的收入金额和支出金额进行预测，获得预期收入金额和预期支出金额；
205、当所述预期支出金额和所述预期收入金额的差值超过第一预设阈值时，判定所属医保基金存在风险，对所述医保基金进行风险管控。
在本发明实施例中，通过将医疗机构信息作为医保基金相关的驱动因素，然后对医疗机构信息进行量化处理，获取每种医疗机构对应的患者总数量作为所述医疗机构信息量化值，结合驱动因素量化值和医保基金收支模型对医保基金的收入金额和支出金额进行预测，最后根据预测结果对医保基金进行风险管控。在这个过程中，将医疗机构作为医保基金的驱动因素，量化地分析驱动因素对医保基金收入支出的影响，提升了医保基金预测的针对性和准确性，进而提升了医保基金的管理效率。
请参阅图3，图3是本发明实施例提供的另一种基于智能决策的医保基金风险预测方法的流程示意图，如图所示，本实施例中的基于智能决策的医保基金风险预测方法包括：
301、获取第一地域在第一预设时间段的医疗机构信息，所述医疗机构信息包括医疗机构类别和医疗机构的患者数量，所述医疗机构类别包括一级医院，二级医院和三级医院；
302、按照相同的医疗机构类别统计所述医疗机构的患者总数量，确定所述一级医院，所述二级医院和所述三级医院分别对应的患者总数量，记做每种医疗机构对应的患者总数量，设置所述每种医疗机构对应的患者总数量作为所述医疗机构信息量化值；
303、获取目标地域在目标时间段的医保政策和人口结构；
304、根据所述医保政策和所述人口结构，确定所述目标地域在目标时间段的医保缴费情况，形成所述医保基金收入模型；
305、获取目标地域在目标时间段的医疗数据，所述医疗数据包括所述医疗机构类别，所述医疗机构类别对应的报销金额和所述医疗机构类别对应的患者人数；
306、根据所述医疗数据建立以所述每种医疗机构对应的患者总数量为自变量的医保基金支出模型；
307、根据所述医保基金收入模型和所述以所述每种医疗机构对应的患者总数量为自变量的医保基金支出模型，获取所述以医疗机构为自变量的医保基金收支模型；
308、将所述医疗机构信息对应的所述第一地域和所述第一预设时间段分别与所述医保基金收支模型对应的所述目标地域和所述目标时间段进行匹配；
309、确定所述第一地域与所述目标地域完全匹配，所述第一预设时间段与所述目标时间段为周期相同但对应时间不同的时间段，且所述第一预设时间段在所述目标时间段之后；
310、将所述医疗机构信息量化值导入所述医保基金收支模型中，对医保基金的收入金额和支出金额进行预测；
311、获取所述医保基金收支模型预测出的所述收入金额作为预期收入金额，获取预测出的所述支出金额作为预期支出金额；
312、当所述预期支出金额和所述预期收入金额的差值超过第一预设阈值时，判定所属医保基金存在风险，对所述医保基金进行风险管控。
在本发明实施例中，通过获取目标地区在目标时间段的医保政策和人口结构，建立医保基金收入模型，通过获取目标地域在目标时间段内的医疗数据，建立医保基金支出模型，然后将驱动因素的第一预设条件与医保基金支出模型进行匹配，获取与驱动因素对应的医保基金支出模型，对医保基金的收入金额和支出金额进行预测，最后根据预测结果对医保基金进行风险管控。这个过程中，通过对医保基金收支模型的建立，使得医保基金收入金额和支出金额的预测能够更加准确和高效地进行，进而提升了医保基金的管理效率。
请参阅图4，图4是本发明实施例提供的另一种基于智能决策的医保基金风险预测方法的流程示意图，如图所示，本实施例中的基于智能决策的医保基金风险预测方法包括：
401、根据第一预设条件获取医疗机构信息作为医保基金相关的驱动因素，所述第一预设条件包括第一地域和第一预设时间段；
402、对所述驱动因素进行量化处理，获得医疗机构信息量化值；
403、根据所述医疗机构信息量化值和医保基金收支模型对医保基金的收入金额和支出金额进行预测，获得预期收入金额和预期支出金额；
404、当所述预期支出金额和所述预期收入金额的差值超过第一预设阈值时，判定所属医保基金存在风险；
405、对所述第一地域在第一预设时间段的医疗机构医保报销过程进行核查，确定所述医疗机构是否按照其对应的医疗机构类别进行医保报销；
406、若否，则对不按照医疗机构类别进行医保报销的医疗机构进行医保报销过程进行校准。
在本发明实施例中，在获得预期收入金额和预期支出金额，并确定预期支出金额和预期收入金额的差值超过第一预设阈值时，判定所述医保基金存在风险，并通过对医疗机构报销过程进行核查，确定医疗机构是否按照其对应的医疗机构类别进行报销，对于没按照医疗机构类型进行报销的医疗机构进行报销过程校准，提升了医保基金管理的针对性和有效率。
图5是本发明实施例提供的一种电子装置的结构示意图，如图5所示，该电子装置包括处理器、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：
根据第一预设条件获取医疗机构信息作为医保基金相关的驱动因素，所述第一预设条件包括第一地域和第一预设时间段；
对所述驱动因素进行量化处理，获得医疗机构信息量化值；
根据所述医疗机构信息量化值和医保基金收支模型对医保基金的收入金额和支出金额进行预测，获得预期收入金额和预期支出金额；
当所述预期支出金额和所述预期收入金额的差值超过第一预设阈值时，判定所属医保基金存在风险，对所述医保基金进行风险管控。
可见，电子装置首先根据第一预设条件获取医疗机构信息作为医保基金相关的驱动因素，第一预设条件包括第一地域和第一预设时间段；然后对驱动因素进行量化处理，获得医疗机构信息量化值；再根据医疗机构量化值和医保基金收支模型，对医保基金的收入金额和支出金额进行预测，获得预期收入金额和预期支出金额；最后当预期支出金额和预期收入金额的差值超过第一预设阈值时，判定所属医保基金存在风险，对医保基金进行风险管控。在这个过程中，通过将医疗机构信息作为医保基金的驱动因素进行量化处理，然后根据医疗机构信息量化值对医保基金的收支进行预测，提升了医保基金收支预测的准确度，进而提升了对医保基金的收支平衡进行管理的有效性。使得医保基金能够提前进行风险管控，保证医保基金的收支平衡。
在一个可能的示例中，在根据第一预设条件获取医疗机构信息作为医保基金相关的驱动因素方面，所述程序包括用于执行以下步骤的指令：
获取第一地域在第一预设时间段的医疗机构信息，所述医疗机构信息包括医疗机构类别和医疗机构的患者数量，所述医疗机构类别包括一级医院，二级医院和三级医院。
在一个可能的示例中，在对所述驱动因素进行量化处理，获得医疗机构信息量化值方面，所述程序包括用于执行以下步骤的指令：
按照相同的医疗机构类别统计所述医疗机构的患者总数量，确定所述一级医院，所述二级医院和所述三级医院分别对应的患者总数量，记做每种医疗机构对应的患者总数量；
设置所述每种医疗机构对应的患者总数量作为所述医疗机构信息量化值。
在一个可能的示例中，在在根据所述医疗机构信息量化值和医保基金收支模型对医保基金的收入金额和支出金额进行预测，获得预期收入金额和预期支出金额之前，所述程序包括用于建立医保基金收支模型的步骤指令，具体包括：
获取目标地域在目标时间段的医保政策和人口结构；
根据所述医保政策和所述人口结构，确定所述目标地域在目标时间段的医保缴费情况，形成所述医保基金收入模型；
获取目标地域在目标时间段的医疗数据，所述医疗数据包括所述医疗机构类别，所述医疗机构类别对应的报销金额和所述医疗机构类别对应的患者人数；
根据所述医疗数据建立以所述每种医疗机构对应的患者总数量为自变量的医保基金支出模型；
根据所述医保基金收入模型和所述以所述每种医疗机构对应的患者总数量为自变量的医保基金支出模型，获取所述以医疗机构为自变量的医保基金收支模型。
在一个可能的示例中，在根据所述医疗机构信息量化值和医保基金收支模型对医保基金的收入金额和支出金额进行预测，获得预期收入金额和预期支出金额方面，所述程序包括用于执行以下步骤的指令：
将所述医疗机构信息对应的所述第一地域和所述第一预设时间段分别与所述医保基金收支模型对应的所述目标地域和所述目标时间段进行匹配；
确定所述第一地域与所述目标地域完全匹配，所述第一预设时间段与所述目标时间段为周期相同但对应时间不同的时间段，且所述第一预设时间段在所述目标时间段之后；
将所述医疗机构信息量化值导入所述医保基金收支模型中，对医保基金的收入金额和支出金额进行预测；
获取所述医保基金收支模型预测出的所述收入金额作为预期收入金额，获取预测出的所述支出金额作为预期支出金额。
在一个可能的示例中，在对所述医保基金进行风险管控方面，所述程序包括用于执行以下步骤的指令：
对所述第一地域在第一预设时间段的医疗机构医保报销过程进行核查，确定所述医疗机构是否按照其对应的医疗机构类别进行医保报销；
若否，则对不按照医疗机构类别进行医保报销的医疗机构进行医保报销过程进行校准。
图6是本发明实施例中所涉及的医保基金风险预测装置600的功能单元组成框图。该医保基金风险预测装置600应用于电子装置，所述医保基金风险预测装置包括：
获取单元601，用于根据第一预设条件获取医疗机构信息作为医保基金相关的驱动因素，所述第一预设条件包括第一地域和第一预设时间段；
量化单元602，用于对所述驱动因素进行量化处理，获得医疗机构信息量化值；
预测单元603，根据所述医疗机构量化值和医保基金收支模型对医保基金的收入金额和支出金额进行预测，获得预期收入金额和预期支出金额；
风险管控单元604，用于当所述预期支出金额和所述预期收入金额的差值超过第一预设阈值时，判定所述医保基金存在透支风险，对所述医保基金进行风险管控。
在此，需要说明的是，上述获取单元601、量化单元602、预测单元603和风险控制单元604的具体工作过程参见上述步骤101-104的相关描述。在此不再赘述。
可以看出，在本发明实施例中，医保基金风险预测装置首先根据第一预设条件获取医疗机构信息作为医保基金相关的驱动因素，第一预设条件包括第一地域和第一预设时间段；然后对驱动因素进行量化处理，获得医疗机构信息量化值；再根据医疗机构量化值和医保基金收支模型，对医保基金的收入金额和支出金额进行预测，获得预期收入金额和预期支出金额；最后当预期支出金额和预期收入金额的差值超过第一预设阈值时，判定所属医保基金存在风险，对医保基金进行风险管控。在这个过程中，通过将医疗机构信息作为医保基金的驱动因素进行量化处理，然后根据医疗机构信息量化值对医保基金的收支进行预测，提升了医保基金收支预测的准确度，进而提升了对医保基金的收支平衡进行管理的有效性。使得医保基金能够提前进行风险管控，保证医保基金的收支平衡。
在可选情况下，在所述根据第一预设条件获取医疗机构信息作为医保基金相关的驱动因素方面，所述获取单元601具体用于：
获取第一地域在第一预设时间段的医疗机构信息，所述医疗机构信息包括医疗机构类别和医疗机构的患者数量，所述医疗机构类别包括一级医院，二级医院和三级医院。
在可选情况下，在对所述驱动因素进行量化处理，获得医疗机构信息量化值方面，所述量化单元602具体用于：
按照相同的医疗机构类别统计所述医疗机构的患者总数量，确定所述一级医院，所述二级医院和所述三级医院分别对应的患者总数量，记做每种医疗机构对应的患者总数量；
设置所述每种医疗机构对应的患者总数量作为所述医疗机构信息量化值。
在可选情况下，所述医保基金风险预测装置还包括模型建立单元605，在根据所述医疗机构信息量化值和医保基金收支模型对医保基金的收入金额和支出金额进行预测，获得预期收入金额和预期支出金额之前，所述模型建立单元605具体用于：
获取目标地域在目标时间段的医保政策和人口结构；
根据所述医保政策和所述人口结构，确定所述目标地域在目标时间段的医保缴费情况，形成所述医保基金收入模型；
获取目标地域在目标时间段的医疗数据，所述医疗数据包括所述医疗机构类别，所述医疗机构类别对应的报销金额和所述医疗机构类别对应的患者人数；
根据所述医疗数据建立以所述每种医疗机构对应的患者总数量为自变量的医保基金支出模型；
根据所述医保基金收入模型和所述以所述每种医疗机构对应的患者总数量为自变量的医保基金支出模型，获取所述以医疗机构为自变量的医保基金收支模型。
在可选情况下，在根据所述医疗机构信息量化值和医保基金收支模型对医保基金的收入金额和支出金额进行预测，获得预期收入金额和预期支出金额方面，所述预测单元603具体用于：
将所述医疗机构信息对应的所述第一地域和所述第一预设时间段分别与所述医保基金收支模型对应的所述目标地域和所述目标时间段进行匹配；
确定所述第一地域与所述目标地域完全匹配，所述第一预设时间段与所述目标时间段为周期相同但对应时间不同的时间段，且所述第一预设时间段在所述目标时间段之后；
将所述医疗机构信息量化值导入所述医保基金收支模型中，对医保基金的收入金额和支出金额进行预测；
获取所述医保基金收支模型预测出的所述收入金额作为预期收入金额，获取预测出的所述支出金额作为预期支出金额。
在可选情况下，在对所述医保基金进行风险管控方面，所述风险管控单元604具体用于：
对所述第一地域在第一预设时间段的医疗机构医保报销过程进行核查，确定所述医疗机构是否按照其对应的医疗机构类别进行医保报销；
若否，则对不按照医疗机构类别进行医保报销的医疗机构进行医保报销过程进行校准。
本发明实施例还提供一种计算机存储介质，其中，该计算机存储介质存储用于电子数据交换的计算机程序，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，上述计算机包括移动终端。
本发明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，上述计算机包括移动终端。
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。
上述集成的单元若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(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、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、ROM、RAM、磁盘或光盘等。
以上对本发明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，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种基于智能决策的医保基金风险预测方法，其特征在于，所述方法包括：
根据第一预设条件获取医疗机构信息作为医保基金相关的驱动因素，所述第一预设条件包括第一地域和第一预设时间段；
对所述驱动因素进行量化处理，获得医疗机构信息量化值；
根据所述医疗机构信息量化值和医保基金收支模型对医保基金的收入金额和支出金额进行预测，获得预期收入金额和预期支出金额；
当所述预期支出金额和所述预期收入金额的差值超过第一预设阈值时，判定所属医保基金存在风险，对所述医保基金进行风险管控。
2.根据权利要求1所述的方法，其特征在于，所述根据第一预设条件获取医疗机构信息作为医保基金相关的驱动因素包括：
获取第一地域在第一预设时间段的医疗机构信息，所述医疗机构信息包括医疗机构类别和医疗机构的患者数量，所述医疗机构类别包括一级医院，二级医院和三级医院。
3.根据权利要求2所述的方法，其特征在于，所述对所述驱动因素进行量化处理，获得医疗机构信息量化值，包括：
按照相同的医疗机构类别统计所述医疗机构的患者总数量，确定所述一级医院，所述二级医院和所述三级医院分别对应的患者总数量，记做每种医疗机构对应的患者总数量；
设置所述每种医疗机构对应的患者总数量作为所述医疗机构信息量化值。
4.根据权利要求3所述的方法，其特征在于，在根据所述医疗机构信息量化值和医保基金收支模型对医保基金的收入金额和支出金额进行预测，获得预期收入金额和预期支出金额之前，所述方法还包括建立医保基金收支模型，具体包括：
获取目标地域在目标时间段的医保政策和人口结构；
根据所述医保政策和所述人口结构，确定所述目标地域在目标时间段的医保缴费情况，形成所述医保基金收入模型；
获取目标地域在目标时间段的医疗数据，所述医疗数据包括所述医疗机构类别，所述医疗机构类别对应的报销金额和所述医疗机构类别对应的患者人数；
根据所述医疗数据建立以所述每种医疗机构对应的患者总数量为自变量的医保基金支出模型；
根据所述医保基金收入模型和所述以所述每种医疗机构对应的患者总数量为自变量的医保基金支出模型，获取所述以医疗机构为自变量的医保基金收支模型。
5.根据权利要求1-4所述的方法，其特征在于，所述根据所述医疗机构信息量化值和医保基金收支模型对医保基金的收入金额和支出金额进行预测，获得预期收入金额和预期支出金额，包括：
将所述医疗机构信息对应的所述第一地域和所述第一预设时间段分别与所述医保基金收支模型对应的所述目标地域和所述目标时间段进行匹配；
确定所述第一地域与所述目标地域完全匹配，所述第一预设时间段与所述目标时间段为周期相同但对应时间不同的时间段，且所述第一预设时间段在所述目标时间段之后；
将所述医疗机构信息量化值导入所述医保基金收支模型中，对医保基金的收入金额和支出金额进行预测；
获取所述医保基金收支模型预测出的所述收入金额作为预期收入金额，获取预测出的所述支出金额作为预期支出金额。
6.根据权利要求5所述的方法，其特征在于，所述对所述医保基金进行风险管控包括：
对所述第一地域在第一预设时间段的医疗机构医保报销过程进行核查，确定所述医疗机构是否按照其对应的医疗机构类别进行医保报销；
若否，则对不按照医疗机构类别进行医保报销的医疗机构进行医保报销过程进行校准。
7.一种医保基金风险预测装置，其特征在于，所述医保基金风险预测装置包括：
获取单元，用于根据第一预设条件获取医疗机构信息作为医保基金相关的驱动因素，所述第一预设条件包括第一地域和第一预设时间段；
量化单元，用于对所述驱动因素进行量化处理，获得医疗机构信息量化值；
预测单元，根据所述医疗机构量化值和医保基金收支模型对医保基金的收入金额和支出金额进行预测，获得预期收入金额和预期支出金额；
风险管控单元，用于当所述预期支出金额和所述预期收入金额的差值超过第一预设阈值时，判定所属医保基金存在风险，对所述医保基金进行风险管控。
8.根据权利要求7所述的装置，其特征在于，在所述根据第一预设条件获取医疗机构信息作为医保基金相关的驱动因素方面，所述获取单元具体用于：
获取第一地域在第一预设时间段的医疗机构信息，所述医疗机构信息包括医疗机构类别和医疗机构的患者数量，所述医疗机构类别包括一级医院，二级医院和三级医院。
9.一种电子装置，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权利要求1-6任意方法中的步骤的指令。
10.一种计算机可读存储介质，存储用于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权利要求1-6中任一方法所述的步骤的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811525761.3A CN109785150A (zh) | 2018-12-13 | 2018-12-13 | 一种基于智能决策的医保基金风险预测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811525761.3A CN109785150A (zh) | 2018-12-13 | 2018-12-13 | 一种基于智能决策的医保基金风险预测方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109785150A true CN109785150A (zh) | 2019-05-21 |
Family
ID=66496172
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811525761.3A Pending CN109785150A (zh) | 2018-12-13 | 2018-12-13 | 一种基于智能决策的医保基金风险预测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109785150A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106897935A (zh) * | 2017-02-27 | 2017-06-27 | 上海源烁信息科技有限公司 | 一种职工医疗保险基金支出平衡算法及模型 |
| CN107767009A (zh) * | 2017-06-29 | 2018-03-06 | 平安医疗健康管理股份有限公司 | 医疗保险基金精算预测方法及装置 |
| CN108630320A (zh) * | 2018-05-10 | 2018-10-09 | 北京大学 | 一种基于医保大数据测算疾病患病率的方法 |
-
2018
- 2018-12-13 CN CN201811525761.3A patent/CN109785150A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106897935A (zh) * | 2017-02-27 | 2017-06-27 | 上海源烁信息科技有限公司 | 一种职工医疗保险基金支出平衡算法及模型 |
| CN107767009A (zh) * | 2017-06-29 | 2018-03-06 | 平安医疗健康管理股份有限公司 | 医疗保险基金精算预测方法及装置 |
| CN108630320A (zh) * | 2018-05-10 | 2018-10-09 | 北京大学 | 一种基于医保大数据测算疾病患病率的方法 |
Non-Patent Citations (3)
| Title |
|---|
| 仇雨临: "《基本医疗保险关系转移接续路径研究》", 31 January 2017, 中国经济出版社, pages: 160 - 165 * |
| 编写组: "《医疗保险政策解答与业务咨询》", 31 March 2009, 中国民主法制出版社, pages: 127 - 129 * |
| 胡善联: "《完善医疗保险个人账户功能研究》", 31 August 2017, 复旦大学出版社, pages: 86 - 91 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ferrier et al. | Analysis of uncompensated hospital care using a DEA model of output congestion | |
| Vogt et al. | How has hospital consolidation affected the price and quality of hospital care? | |
| Lynch et al. | Hospital closure: an efficiency analysis | |
| Brekke et al. | Hospital mergers with regulated prices | |
| Bazzoli et al. | The influence of health policy and market factors on the hospital safety net | |
| CN108257030A (zh) | 一种保费调整方法、装置、终端设备及存储介质 | |
| CN109767067A (zh) | 基于多评价维度评价医院的方法及相关产品 | |
| Smith | Equity in Irish health care financing: measurement issues | |
| CN109559810A (zh) | 一种医院科室定岗定编数量的优化配置系统 | |
| Zwanziger et al. | Can cost shifting continue in a price competitive environment? | |
| Cao et al. | Profit and loss analysis for an intensive care unit (ICU) in Japan: a tool for strategic management | |
| O'Neill et al. | Discharges with surgical procedures performed less often than once per month per hospital account for two-thirds of hospital costs of inpatient surgery | |
| CN109472710A (zh) | 一种医保基金风险预测方法和装置 | |
| League | Administrative burden and consolidation in health care: Evidence from medicare contractor transitions | |
| Galarraga et al. | The impact of Maryland's global budget payment reform on emergency department admission rates in a single health system | |
| CN110210985A (zh) | 基本医保政策调整对基金支出影响的量化方法及系统 | |
| CN109785150A (zh) | 一种基于智能决策的医保基金风险预测方法和装置 | |
| Ingber | Implementation of risk adjustment for Medicare | |
| Paterno | The Future of Universal Health Coverage: A Philippine Perspective. | |
| Handel et al. | Employer risk‐adjustment transitions with inertial consumers: Evidence from CalPERS | |
| CN109785154A (zh) | 一种基于智能决策的风险预测方法和装置 | |
| Farnia et al. | Impact of the Affordable Care Act on stem cell transplantation | |
| Hwang et al. | Distorted Medicare Reimbursements: The Effect of Cost Accounting Choices. | |
| CN110210984A (zh) | 大病医保政策调整对基金支出影响的量化方法及系统 | |
| CN106570576A (zh) | 数据预测方法及预测装置 |
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 |