CN109785944B - 基于数据分析的医院评价方法及相关产品 - Google Patents

Abstract

本申请公开了一种基于数据分析的医院评价方法及相关产品，该方法应用于电子设备，该方法包括：根据预设的医院与风险指标之间的对应关系，获取待评价医院的N个预设风险指标，N为大于1的整数；根据预设规则对所述N个预设风险指标进行组合，得到多个组合方案；将所述多个组合方案依次输入到预先训练好的组合方案识别模型，得到多个输出结果，根据所述多个输出结果确定所述多个组合方案中的目标组合方案；根据所述目标组合方案评价所述医院。本申请实施例有利于提高对医院评价的准确度。

Description

基于数据分析的医院评价方法及相关产品

技术领域

本申请涉及大数据技术领域，具体涉及一种基于数据分析的医院评价方法及相关产品。

背景技术

随着国家基本医疗保障制度不断地加强和经济水平的不断提高，参保人员生活的改善，人们越来越关注身体健康，将关注焦点逐渐转移到看病、养生方面，随着人们关注焦点的转移，导致医院的医疗费用在持续不断的增长，其增长存在主观原因和客观原因，其中，客观原因包括：生活水平的改善，健康意识的增强，系统的健康检查引起人们的重视；人口老龄化的加重，导致病人增长的速度加快；高科技医疗设备、高分子医药材料、新药、特药等的开展应用增加医疗费用。主观原因：医院、医护人员为了自身利益出现一些乱用药、乱收费、乱施检等手段额外增加了医疗费用。

目前，造成医疗费用增长的原因众多，而有些原因不是引起医疗费用增长的主要原因，因此，目前的评价医院的医疗费用增长的合理性不具有针对性，准确度低，形式单一，易对医院产生误判。亟需提供一种客观评价医院的医疗费用增长的方法。

发明内容

本申请实施例提供了一种基于数据分析的医院评价方法及相关产品，以期获取预设的风险指标中的目标风险指标，提高对医院评价的针对性和准确度。

第一方面，本申请实施例提供一种基于数据分析的医院评价方法，所述方法包括：

根据预设的医院与风险指标之间的对应关系，获取待评价医院的N个预设风险指标，N为大于1的整数；

根据预设规则对所述N个预设风险指标进行组合，得到多个组合方案；

将所述多个组合方案依次输入到预先训练好的组合方案识别模型，得到多个输出结果，根据所述多个输出结果确定所述多个组合方案中的目标组合方案；

根据所述目标组合方案评价所述医院。

第二方面，本申请实施例提供一种基于数据分析的医院评价电子设备，所述电子设备包括：

获取单元，用于获取待评价医院的N个预设风险指标；

组合单元，用于根据预设规则组合所述N个预设风险指标，得到多个组合方案；

确定单元，用于将所述多个组合方案依次输入到预先训练好的组合方案识别模型，得到多个输出结果，根据所述多个输出结果确定所述多个组合方案中的目标组合方案；

评价单元，用于根据所述目标组合方案评价所述医院。

第三方面，本申请实施例提供一种电子设备，包括一个或多个处理器、一个或多个存储器、一个或多个收发器，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，并且被配置由所述一个或多个处理器执行，所述程序包括用于执行如第一方面所述的方法中的步骤的指令。

第四方面，本申请实施例提供一种计算机可读存储介质，其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如第一方面所述的方法。

第五方面，本申请实施例提供一种计算机程序产品，所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，所述计算机可操作来使计算机执行如第一方面所述的方法。

实施本申请实施例，具有如下有益效果：

可以看出，在本申请实施例中，首先获取待评价医院的N个预设风险指标，对该N个风险指标进行组合，得到该N个风险指标对应的多个组合方案，然后将该多个组合方案输入到预先训练好的组合方案识别模型，得到输出结果，根据输出结果确定该多个组合方案中的目标组合方案，依据该目标组合方案评价该医院，从而提高对医院评价的准确度，以及为医疗体制改革提供数据参考，提高医疗体制改革的说服力。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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为本申请实施例提供的一种基于数据分析的医院评价方法的流程示意图；

图1A为本申请实施例提供的一种基于滑动窗口框选子矩阵得到组合方案的流程示意图；

图2为本申请实施例提供的另一种基于数据分析的医院评价方法的流程示意图；

图3为本申请实施例提供的另一种基于数据分析的医院评价方法的流程示意图；

图4是本申请实施例提供的一种基于数据分析的医院评价电子设备的结构示意图；

图5是本申请实施例提供的一种基于数据分析的医院评价电子设备的功能单元组成框图。

具体实施方式

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，所描述的实施例是本申请一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

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、结果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。

本申请中的电子设备可以包括智能手机(如Android手机、iOS手机、WindowsPhone手机等)、平板电脑、掌上电脑、笔记本电脑、移动互联网设备MID(Mobile InternetDevices，简称：MID)或穿戴式设备等，上述电子设备仅是举例，而非穷举，包含但不限于上述电子设备，为了描述的方便，下面实施例中将上述电子设备称为用户设备UE(Userequipment，简称：UE)。当然在实际应用中，上述用户设备也不限于上述变现形式，例如还可以包括：智能车载终端、计算机设备等等。

参阅图1，图1为本申请实施例提供的一种基于数据分析的医院评价方法的流程示意图，该方法应用于电子设备，该方法包括步骤S101～S104中所示内容：

步骤S101、根据预设的医院与风险指标之间的对应关系，获取待评价医院的N个预设风险指标，N为大于1的整数。

其中，风险指标为影响医院的医疗质量的指标，具体指对医院的医疗费用增长有影响的指标。

可选的，预先设定医院与风险指标的对应关系，具体来讲，预先设定的风险指标依据评价对象与评价维度而设定，即对于不同的评价对象与评价维度可设定不同的风险指标。

例如，评价对象为医院，评价维度为医院的医疗费用时，可将风险指标设定为病人的增长速度、医保的报销比例、人口老龄化趋势、医保的目录范围、医院中的床位数等，再如，评价对象为病因时，评价维度为该病因的医疗费用的增长时，可将风险指标设定为针对该病因的医药研发费用、医治该病因时的手术费用、对该病因的病人的护理费用，等等。另外，在同一评价维度时，可依据医院的信息设定不同医院的不同风险指标，对于处于同一纬度的医院可设定为相同的风险指标，例如，可依据医院等级设定风险指标，在评价医疗费用的增长时，将一级甲等的医院的风险指标设定为病人的增长速度、经济增长速率、医保报销比例，等等。本申请不对设定风险指标的方式做唯一限定。

本申请以评价医院的医疗费用为例做具体说明，但不做唯一限定。

步骤S102、根据预设规则对所述N个预设风险指标进行组合，得到多个组合方案。

可选的，据预设规则对所述N个预设风险指标进行组合具体包括：将该N个预设风险指标作为原始输入数据导入数据库，利用爬虫算法Python调用该数据库，当然也可用MATLAB加载该数据库，应理解的是Python只是示例性说明，不做唯一限定；获取输入的行数m和列数n，当然，可以依据该N个预设风险指标的数量自动设置行数m和列数n的大小，在自动设置m和n的大小，保证m*n大于等于N即可，也可接受用户输入的行数m和列数n的大小，根据用户的需求设置矩阵的行数和列数，调用Python的矩阵生成功能，将该N个风险指标作为矩阵元素生成行数为所述m和列数为所述n的风险指标矩阵m*n，然后获取输入的滑动窗口的规模h，得到滑动窗口h*h，获取输入的针对所述滑动窗口h*h的滑动步长；利用所述滑动窗口h*h在所述风险指标矩阵中依次框选出多个子矩阵，故该子矩阵的规模也为h*h，将所述多个子矩阵中每个子矩阵中的所有元素作为一个组合方案，得到所述多个组合方案，所述h≤m，h≤n。

其中，该规模h可以为用户设置，也可根据该m和n的值自动生成，在自动设置时，需满足h≤m，h≤n，本申请不做唯一限定。

可以理解的是，在该滑动窗口h*h滑动到该风险指标矩阵m*n的边界时，即当滑动窗口框选到该风险指标矩阵m*n的最后一列或者最后一行时，如在滑动该滑动窗口h*h则会超出该风险指标矩阵m*n，所以可设定滑动窗口滑动到该风险指标矩阵m*n的最后一列或者最后一行时停止滑动操作，此时将框选到的所有子矩阵作为该多种组合方案。

进一步的，为了充分利用该风险指标矩阵m*n中的风险指标，得到多种组合方案，当滑动窗口框选到该风险指标矩阵m*n的最后一列或者最后一行时，继续滑动该滑动窗口h*h，同时执行填充padding操作，即对于该滑动窗口h*h超出该风险指标矩阵m*n的部分执行添零策略，直至该滑动窗口h*h完全滑出该风险指标矩阵m*n，停止滑动操作，将框选到的所有子矩阵作为该多种组合方案。

可选的，基于上述的滑动操作得到子矩阵的总数量，即组合方案的总个数：

其中，Q为组合方案的个数，m为风险指标矩阵的行数，n为风险指标矩阵的列数，padding为填充圈数，h为滑动窗口的规模，S为滑动步长。

举例来说，举例来说，图1A举例示出了一种框选子矩阵得到组合方案的过程，如图1A所示，假定N＝100，即该医院存在100个预设风险指标，其分别为K1、K2、K3、……K100，输入m＝10，n＝10，则风险指标矩阵的规模为10*10，设置滑动步长S＝1，h＝3，即滑动窗口的规模为3*3，假定无填充操作，即padding＝0，故，此时可得到的子矩阵的数量为[(10+2*0-3+1)/1]²＝64，即得到该100个风险指标的64中组合方案。

进一步的，在将该N个风险指标作为矩阵元素生成行数为所述m和列数为所述n的风险指标矩阵m*n时，首先验证输入的行数m和列数n是否满足需求，即判断矩阵m*n中是否能够完全容纳该N个预设风险指标，对于不满足需求的行数m和列数n需执行以下操作，其具体包括：如所述N＝m*n，将所述N个风险指标作为矩阵元素生成行数为所述m和列数为所述n的风险指标矩阵m*n；如所述N＜m*n，执行添零策略，对所述N个风险指标额外添加(m*n-N)个零，即保证添零后的风险指标可以填满矩阵m*n，将添零后的风险指标作为矩阵元素生成行数为所述m和列数为所述n的风险指标矩阵m*n；如所述N＞m*n，提示重新输入所述行数m和列数n，直至所述N≤m*n时，将所述N个风险指标作为矩阵元素生成行数为所述m和列数为所述n的风险指标矩阵m*n。

步骤S103、将所述多个组合方案依次输入到预先训练好的组合方案识别模型，得到多个输出结果，根据所述多个输出结果确定所述多个组合方案中的目标组合方案。

可选的，将所述多个组合方案依次输入到预先训练好的组合方案识别模型具体包括：将所述多个组合方案对应的医疗数据作为输入数据依次输入到预先训练好的组合方案识别模型，其具体包括：获取所述多个组合方案中的每个组合方案中的多个预设风险指标，基于所述医院的医疗数据库，确定所述每个组合方案的输入数据集与验证集，即获取该医疗数据库不同时刻下的医疗数据，在该医疗数据中筛选与该每个组合方案中的多个预设风险指标对应的医疗数据，将该多个预设风险指标对应的医疗数据作为该时刻下该组合方案的输入数据，基于该医疗数据库得到该组合方案的输入数据集；基于该医疗数据库，获取该N个预设风险指标对该医院的实际影响结果集(即与输入数据集对应的同一时段内该医院的医疗费用的变化情况)，将该实际影响结果集作为验证集；其中，根据所述多个输出结果确定所述多个组合方案中的目标组合方案具体包括：将该多个组合方案中的任意一个组合方案的输入数据集输入到该预先训练好的组合方案识别模型，从而得到该组合方案对该医院的医疗费用增长的预测结果，将该预测结果与该验证集拟合，得到第一拟合度，将该多个组合方案的输入数据集依次输入到该预先训练好的组合方案识别模型，得到预测结果集，然后，将该预测结果集与该验证集对应拟合，获取该多个组合方案的拟合度，将拟合度最大时所对应的组合方案作为该目标组合方案。或者，获取拟合度大于拟合度阈值的多个拟合度，确定该多个拟合度对应的多个组合方案，将该多个组合方案中的每一个组合方案作为一个事物集，得到多个事物集，将该多个事物集作为事物数据库，设置最小支持度，基于FP-Growth算法以及该最小支持度确定该事物数据库中的频繁项集，将该频繁项集作为该目标组合方案。

其中，该拟合度阈值可以为0.6、0.7、0.75、0.8或者其他值。

可选的，上述将预测结果与验证结果拟合，得到拟合度，具体包括：将该预测结果与验证结果向量化，得到该预测结果的第一特征向量，该验证结果对应的第二特征向量，计算该第一特征向量与该第二特征向量的欧式距离，将该欧式距离作为该预测结果与验证结果的拟合度，当然，计算欧式距离只是示例说明，还可通过其他计算方式确定该预测结果与验证结果的拟合度，例如，欧几里得空间距离、切比雪夫距离，等等。

步骤S104、根据所述目标组合方案评价所述医院。

可选的，根据所述目标组合方案评价所述医院具体包括：确定所述医院的多个预设评价维度，获取所述目标组合方案中的多个预设风险指标；确定所述多个预设风险指标在所述多个预设评价维度中的每个预设评价维度上的评分结果，得到多个评分结果；根据所述多个预设评价维度的权重值加权所述多个评分结果，得到对所述医院的评分结果。例如，表1举例示出了一种基于目标组合方案得到评分结果的映射关系，表1示出了目标组合方案中的预设指标分别为K1、K2、K3时，得到对医院的评分结果为α*a+β*b+γ*c，α+β+γ＝1。

其中，所述评分结果的取值范围为0～100，分值越高代表所述医院在医疗费用增长上的风险指数越低。

可以看出，在本申请实施例中，首先获取待评价医院的N个预设风险指标，将该N个预设风险指标导入数据库，利用Python算法将该N个风险指标组合，生成风险指标矩阵，利用滑动窗口在该风险指标矩阵中框选组合方案，可以提高组合方案的多样性，准确得到对医疗费用增长的目标组合方案，而且，滑动窗口框选组合方案的随机性高，避免了人为组合预设风险指标得到组合方案时带来的主观性，使本申请中得到的目标组合方案更具有说服力；然后将该多个组合方案输入到预先训练好的组合方案识别模型，对医疗费用增长的预测结果，根据预测结果确定该多个组合方案中的目标组合方案，依据该目标组合方案评价该医院，从而提高对医院评价的准确度，为医疗体制改革提供数据参考，提高医疗体制改革的说服力。

在一可能的示例中，所述方法还包括：

判断所述评分结果是否小于阈值，如是，向所述医院的终端设备发送所述目标组合方案，以在所述终端设备的信息展示界面展示所述目标组合方案，以及提示信息，所述提示信息用于提示所述医院基于所述目标组合方案中的风险指标调整所述医院的医疗体制。

其中，所述阈值可以为10、20、30、50或者其他值。

可以看出，在本示例中，当评分结果小于阈值时，及时将评分结果反馈至医院的终端设备，提示医院对医疗体制作出改革，提高了医疗体制改革的效率，且医疗体制改革依据组合方案中的风险指标，提高了医疗体制改革的针对性。

在一可能的示例中，所述方法还包括：

将所述多个组合方案的拟合度与所述拟合度阈值比较，如所述多个组合方案中的拟合度均小于所述拟合度阈值，提示所述多个组合方案不满足需求，重新输入滑动窗口的规模或者重新输入滑动步长，以便重新框选子矩阵，重新得到多个组合方案，直至得到新的多个组合方案对应的拟合度大于所述拟合度阈值，否则，重复执行重新输入滑动窗口的规模或者滑动步长的操作。

可以看出，在本示例中，通过调整滑动窗口的规模或者滑动步长，从而得到更准确的目标组合方案，依据该目标组合方案评价医院，进一步提高对医院评价的准确度与针对性。

参阅图2，图2为本申请实施例提供的另一种基于数据分析的医院评价方法的流程示意图，该方法应用于电子设备，该方法包括步骤S201～S207所述内容：

步骤S201、根据预设的医院与风险指标之间的对应关系，获取待评价医院的N个预设风险指标，N为大于1的整数。

步骤S202、根据预设规则对所述N个风险指标进行组合，得到多个组合方案。

步骤S203、基于所述医院的医疗数据库，确定所述多个组合方案中的每个组合方案的训练集和验证集，得到所述多个组合方案的训练集和验证集。

其中，该医疗数据库由多个时刻下的医疗数据构成，该医疗数据中包含与医疗费用相关的医疗数据，以及与该N个预设风险指标相关的医疗数据。

可选的，确定每一个组合方案的训练集和验证集具体包括：基于该医院的医疗数据库，获取每一个组合方案中的多个风险指标对应的医疗数据，将该多个风险指标对应的医疗数据作为该组合方案的训练数据，可获取该组合方案在多个时刻下的训练数据，得到该组合方案的训练数据集，基于该医疗数据库，得到该多个组合方案的训练数据集；基于该医疗数据库，获取该N个预设风险指标对该医院的实际影响结果(即与该训练数据集对应的同一时段内该医院的医疗费用的变化情况)，将对该医院的实际影响结果作为该多哥组合方案的验证数据集，从而得到该多个组合方案的训练数据集和验证数据集。

步骤S204、将所述多个组合方案的训练集依次输入到初始模型进行训练，得到训练好的组合方案识别模型。

可选的，将该多个组合方案中的任意一个组合方案的训练数据集输入到初始模型执行正向运算，得到该组合方案的预测影响结果集，将该预测影响结果集与该组合方案的验证数据集拟合，得到该组合方案的拟合度集，计算该拟合度集的平均值，将该平均值作为该组合方案的拟合度，如该拟合度大于第一阈值，完成对初始模型的训练，得到该预先训练好的模型，否则，基于该初始模型中的损失函数对该初始模型执行反向训练，更新该初始模型中的权值梯度，直至输入所述组合方案的训练数据集得到的预测影响结果集与所述验证集的拟合度大于所述第一阈值或者执行反向训练的次数大于第二阈值时，完成对所述初始模型的训练，得到所述预先训练好的组合方案识别模型。

其中，该第一阈值可以为0.6、0.7、0.75、0.8或者其他值。

其中，该第二阈值可以为500、1000、3000、5000、10000或者其他值。

步骤S205、基于所述医疗数据库，确定所述多个组合方案的输入数据集，将所述输入数据集输入到所述训练好的组合方案识别模型，得到输出结果。

可选的，确定所述多个组合方案的输入数据集具体包括：获取所述多个组合方案中的每个组合方案中的多个预设风险指标，基于所述医疗数据库，获取该医疗数据库中最近一次输入的医疗数据，在该医疗数据中获取与该每个组合方案中的多个预设风险指标对应的医疗数据，将该多个预设风险指标对应的医疗数据作为该时刻下该组合方案的输入数据，得到该多个组合方案的输入数据集；基于最近一次输入的医疗数据，获取该N个预设风险指标对该医院的实际影响结果(即最近一次输入的医疗数据中该医院的医疗费用的变化)，将该实际影响结果作为验证集，将该多个组合方案中的任意一个组合方案的输入数据输入到该预先训练好的组合方案识别模型，得到该组合方案的输出结果(即对该医院的医疗费用增长的预测结果)，将该多个组合方案的输入数据集依次输入到该预先训练好的组合方案识别模型，得到各自的输出结果。

步骤S206、根据所述输出结果确定所述多个组合方案中的目标组合方案。

可选的，将该多个组合方案的预测结果分别与该验证集拟合，得到各自的拟合度，将拟合度最大时所对应的组合方案作为该目标组合方案。或者，获取该多个组合方案中的拟合度大于拟合度阈值的多个拟合度，确定该多个拟合度对应的多个组合方案，将该多个组合方案中的每一个组合方案作为一个事物集，得到多个事物集，将该多个事物集作为事物数据库，设置最小支持度，基于FP-Growth算法以及该最小支持度确定该事物数据库中的频繁项集，将该频繁项集作为该目标组合方案。

可选的，将预测结果与验证结果拟合，得到各自的拟合度，具体包括：将该预测结果与验证结果向量化，得到该预测结果的第一特征向量，该验证结果对应的第二特征向量，计算该第一特征向量与该第二特征向量的欧式距离，将该欧式距离作为该预测结果与验证结果的拟合度，当然，计算欧式距离只是示例说明，还可通过其他计算方式确定该预测结果与验证结果的拟合度，例如，欧几里得空间距离、切比雪夫距离，等等

其中，该第一阈值可以为0.6、0.7、0.75、0.8或者其他值。

步骤S207、根据所述目标组合方案评价所述医院。

可以看出，在本申请实施例中，首先获取待评价医院的N个预设风险指标，将该N个预设风险指标导入数据库，利用Python将该N个风险指标进行组合，生成风险指标矩阵，设置滑动窗口在该风险指标矩阵中框选组合方案，提高了组合方案的多样性，准确得到对医疗费用增长的目标组合方案，而且，滑动窗口框选组合方案的随机性高，避免了人为组合预设风险指标得到组合方案时带来的主观性，使本申请中得到的目标组合方案更具有说服力；另外，本申请中，基于该医院的医疗数据，预先训练得到组合方案识别模型，将该多个组合方案输入到预先训练好的组合方案识别模型，对医疗费用增长的预测结果，根据预测结果确定该多个组合方案中的目标组合方案，依据模型确定该多个组合方案中的目标组合方案，使目标组合方案的精确度更高，更具有代表性；最后，依据该目标组合方案评价该医院，从而提高对医院评价的准确度，为医疗体制改革提供数据参考，提高医疗体制改革的说服力。

参阅图3，图3为本申请实施例提供的另一种基于数据分析的医院评价方法的流程示意图，该方法应用于电子设备，该方法包括步骤S301～S305所述内容：

步骤S301、根据预设的医院与风险指标之间的对应关系，获取待评价医院的N个预设风险指标，N为大于1的整数。

步骤S302、根据预设规则对所述N个预设风险指标进行组合，得到多个组合方案。

步骤S303、将所述多个组合方案依次输入到预先训练好的组合方案识别模型，得到多个输出结果，根据所述多个输出结果确定所述多个组合方案中的目标组合方案。

步骤S304、根据所述目标组合方案评价所述医院，得到医院的评价结果。

步骤S305、将所述医院的评价结果发送至网络侧设备，以展示所述医院的评分结果。

可选的，对每个医院建立评价系统，在该评价系统中嵌入该组合方案识别模型，基于该医院在不同时段的医疗数据，得到该医院在不同时段的评价结果，然后将该评价结果上传至网络侧设备，以便网络侧设备将该评价结果展示在该医院的信息共享平台(例如，该医院官网的主页面)，便于患者在该信息共享平台查询该医院在医疗费用增长的评价结果，为患者就医提供数据参考，其中，评价结果可以为医疗费用的增长是否合理或者该医院调控医疗费用增长的能力或者医疗费用增长与当前经济是否匹配，等等，不做唯一限定。

可以看出，在本申请实施例中，首先获取待评价医院的N个预设风险指标，将该N个预设风险指标导入数据库，利用Python算法将该N个风险指标组合，生成风险指标矩阵，设置滑动窗口在该风险指标矩阵中框选组合方案，可以提高组合方案的多样性，准确得到对医疗费用增长的目标组合方案，而且，滑动窗口框选组合方案的随机性高，避免了人为组合预设风险指标得到组合方案时带来的主观性，使本申请中得到的目标组合方案更具有说服力；然后将该多个组合方案输入到预先训练好的组合方案识别模型，对医疗费用增长的预测结果，根据预测结果确定该多个组合方案中的目标组合方案，依据该目标组合方案评价该医院，从而提高对医院评价的准确度，以及为医疗体制改革提供数据参考，提高医疗体制改革的说服力。另外，将该医院的评价结果上传至网络侧设备，展示该医院的评价结果，为患者就医提供了数据参考，便于患者选择适合的医院就医，提高用户体验。

与上述图1、图2、图3所示的实施例一致的，请参阅图4，图4是本申请实施例提供的一种基于数据分析的医院评价电子设备400的结构示意图，如图4所示，该电子设备400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不同于上述一个或多个应用程序，且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；

根据预设的医院与风险指标之间的对应关系，获取待评价医院的N个预设风险指标，N为大于1的整数；

根据预设规则对所述N个预设风险指标进行组合，得到多个组合方案；

将所述多个组合方案依次输入到预先训练好的组合方案识别模型，得到多个输出结果，根据所述多个输出结果确定所述多个组合方案中的目标组合方案；

根据所述目标组合方案评价所述医院。

在一可能的示例中，在根据预设规则对所述N个预设风险指标进行组合，得到多个组合方案方面，上述程序中的指令具体用于执行以下操作：

将所述N个预设风险指标导入数据库；

利用爬虫算法Python调用所述数据库，获取输入的行数m和列数n；

调用Python的矩阵生成功能，将所述N个风险指标作为矩阵元素生成行数为所述m和列数为所述n的风险指标矩阵m*n；

获取输入的滑动窗口的规模h，得到滑动窗口h*h；

获取输入的针对所述滑动窗口h*h的滑动步长；

根据所述滑动步长在所述风险指标矩阵m*n中依次滑动所述滑动窗口h*h，框选出多个子矩阵，将所述多个子矩阵中每个子矩阵中的所有元素作为一个组合方案，得到多个组合方案，所述h≤m，h≤n。

在一可能的示例中，在将所述N个风险指标作为矩阵元素生成行数为所述m和列数为所述n的风险指标矩阵m*n方面，上述程序中的指令具体用于执行以下操作：

如所述N＝m*n，将所述N个风险指标作为矩阵元素生成行数为所述m和列数为所述n的风险指标矩阵m*n；

如所述N＜m*n，执行添零策略，对所述N个风险指标额外添加(m*n-N)个零，将添零后的风险指标作为矩阵元素生成行数为所述m和列数为所述n的风险指标矩阵m*n；

如所述N＞m*n，提示重新输入所述行数m和列数n，直至所述N≤m*n时，将所述N个风险指标作为矩阵元素生成行数为所述m和列数为所述n的风险指标矩阵m*n。

在一可能的示例中，在根据所述目标组合方案评价所述医院方面，上述程序中的指令具体用于执行以下操作：

确定所述医院对应的多个预设评价维度；

获取所述目标组合方案中的多个预设风险指标；

确定所述多个预设风险指标在所述多个预设评价维度中的每个预设评价维度上的评分结果，得到多个评分结果；

根据所述多个预设评价维度的权重值加权所述多个评分结果，得到对所述医院的评分结果。

在一可能的示例中，上述程序中的指令还用于执行以下操作：

判断所述评分结果是否小于阈值，如是，向所述医院的终端设备发送所述目标组合方案，以在所述终端设备的信息展示界面展示所述目标组合方案，以及提示信息，所述提示信息用于提示所述医院基于所述目标组合方案中的风险指标调整所述医院的医疗体制。

在一可能的示例中，上述程序中的指令还用于执行以下操作：

基于所述医院的医疗数据库，获取所述多个组合方案中的任意一个组合方案中的多个风险指标对应的医疗数据，确定所述多个风险指标对应的医疗数据为所述组合方案的训练数据集，得到所述多个组合方案的训练数据集；

基于所述医疗数据库，获取所述N个预设风险指标对所述医院的实际影响结果，确定所述实际影响结果为所述多个组合方案的验证集；

将所述多个组合方案中的任意一个组合方案的训练数据集输入到初始模型执行正向运算，得到所述组合方案的预测影响结果集，将所述预测影响结果集与所述组合方案的验证集拟合，得到所述组合方案对应的拟合度，根据所述拟合度执行反向训练，得到所述预先训练好的组合方案识别模型。

在一可能的示例中，在根据所述拟合度执行反向训练，得到所述预先训练好的组合方案识别模型方面，述程序中的指令具体用于执行以下操作：

如所述拟合度大于第一阈值，完成对所述初始模型的训练，得到所述预先训练好的组合方案识别模型，否则，基于所述初始模型中的损失函数对所述初始模型执行反向训练，更新所述初始模型中的权值梯度，直至输入所述训练数据集得到的预测影响结果集与所述验证集的拟合度大于所述第一阈值或者执行反向训练的次数大于第二阈值时，完成对所述初始模型的训练，得到所述预先训练好的组合方案识别模型。

参阅图5，图5示出了上述实施例中所涉及的基于数据分析的医院评价方法的电子设备500的一种可能的功能单元组成框图，电子设备500包括获取单元510、组合单元520、确定单元530、评价单元540、其中；

获取单元510，根据预设的医院与风险指标之间的对应关系，获取待评价医院的N个预设风险指标，N为大于1的整数；

组合单元520，用于据预设规则对所述N个预设风险指标进行组合，得到多个组合方案；

确定单元530，用于将所述多个组合方案依次输入到预先训练好的组合方案识别模型，得到多个输出结果，根据所述多个输出结果确定所述多个组合方案中的目标组合方案；

评价单元540，用于根据所述目标组合方案评价所述医院。

在一可能的示例中，在根据预设规则组合所述N个预设风险指标，得到多个组合方案方面，组合单元520，具体用于：将所述N个预设风险指标导入数据库；以及用于利用爬虫算法Python调用所述数据库，获取输入的行数m和列数n；以及用于调用Python的矩阵生成功能，将所述N个风险指标作为矩阵元素生成行数为所述m和列数为所述n的风险指标矩阵m*n；以及用于获取输入的滑动窗口的规模h，得到滑动窗口h*h；以及用于获取输入的针对所述滑动窗口h*h的滑动步长；以及用于根据所述滑动步长在所述风险指标矩阵m*n中依次滑动所述滑动窗口h*h，框选出多个子矩阵，将所述多个子矩阵中每个子矩阵中的所有元素作为一个组合方案，得到多个组合方案，所述h≤m，h≤n。

在一可能的示例中，在将所述N个风险指标作为矩阵元素生成行数为所述m和列数为所述n的风险指标矩阵m*n方面，组合单元520，具体用于：如所述N＝m*n，将所述N个风险指标作为矩阵元素生成行数为所述m和列数为所述n的风险指标矩阵m*n；以及用于如所述N＜m*n，执行添零策略，对所述N个风险指标额外添加(m*n-N)个零，将添零后的风险指标作为矩阵元素生成行数为所述m和列数为所述n的风险指标矩阵m*n；以及用于如所述N＞m*n，提示重新输入所述行数m和列数n，直至所述N≤m*n时，将所述N个风险指标作为矩阵元素生成行数为所述m和列数为所述n的风险指标矩阵m*n。

在一可能的示例中，在根据所述目标组合方案评价所述医院方面，评价单元540，具体用于：确定所述医院对应的多个预设评价维度；以及用于获取所述目标组合方案中的多个预设风险指标；以及用于确定所述多个预设风险指标在所述多个预设评价维度中的每个预设评价维度上的评分结果，得到多个评分结果；以及用于根据所述多个预设评价维度的权重值加权所述多个评分结果，得到对所述医院的评分结果。

在一可能的示例中，电子设备500还包括判断单元550，其中；

判断单元550，用于判断所述评分结果是否小于阈值，如是，向所述医院的终端设备发送所述目标组合方案，以在所述终端设备的信息展示界面展示所述目标组合方案，以及提示信息，所述提示信息用于提示所述医院基于所述目标组合方案中的风险指标调整所述医院的医疗体制。

在一可能的示例中，电子设备500还包括训练单元560，其中；

训练单元560，用于基于所述医院的医疗数据库，获取所述多个组合方案中的任意一个组合方案中的多个风险指标对应的医疗数据，确定所述多个风险指标对应的医疗数据为所述组合方案的训练数据集，得到所述多个组合方案的训练数据集；以及用于基于所述医疗数据库，获取所述N个预设风险指标对所述医院的实际影响结果，确定所述实际影响结果为所述多个组合方案的验证集；以及用于将所述多个组合方案中的任意一个组合方案的训练数据集输入到初始模型执行正向运算，得到所述组合方案的预测影响结果集，将所述预测影响结果集与所述组合方案的验证集拟合，得到所述组合方案对应的拟合度，根据所述拟合度执行反向训练，得到所述预先训练好的组合方案识别模型。

在一可能的示例中，在根据所述拟合度执行反向训练，得到所述预先训练好的组合方案识别模型方面，训练单元560，具体用于：如所述拟合度大于第一阈值，完成对所述初始模型的训练，得到所述预先训练好的组合方案识别模型，否则，基于所述初始模型中的损失函数对所述初始模型执行反向训练，更新所述初始模型中的权值梯度，直至输入所述训练数据集得到的预测影响结果集与所述验证集的拟合度大于所述第一阈值或者执行反向训练的次数大于第二阈值时，完成对所述初始模型的训练，得到所述预先训练好的组合方案识别模型。

本申请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何一种基于数据分析的医院评价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，所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，所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何一种基于数据分析的医院评价方法的部分或全部步骤。

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可选实施例，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，例如所述单元的划分，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。

所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，也可以采用软件程序模块的形式实现。

所述集成的单元如果以软件程序模块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所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 (9)

1.一种基于数据分析的医院评价方法，其特征在于，所述方法包括：

基于所述医院的医疗数据库，获取多个组合方案中的任意一个组合方案中的多个风险指标对应的医疗数据，确定所述多个风险指标对应的医疗数据为所述组合方案的训练数据集，得到所述多个组合方案的训练数据集；

基于所述医疗数据库，获取N个预设风险指标对所述医院的实际影响结果，确定所述实际影响结果为所述多个组合方案的验证集；

将所述多个组合方案中的任意一个组合方案的训练数据集输入到初始模型执行正向运算，得到所述组合方案的预测影响结果集，将所述预测影响结果集与所述组合方案的验证集拟合，得到所述组合方案对应的拟合度，根据所述拟合度执行反向训练，得到预先训练好的组合方案识别模型；

根据预设的医院与风险指标之间的对应关系，获取待评价医院的N个预设风险指标，N为大于1的整数；

根据预设规则对所述N个预设风险指标进行组合，得到多个组合方案；

将所述多个组合方案依次输入到预先训练好的组合方案识别模型，得到多个输出结果，根据所述多个输出结果确定所述多个组合方案中的目标组合方案；

根据所述目标组合方案评价所述医院。

2.根据权利要求1所述的方法，其特征在于，所述根据预设规则对所述N个预设风险指标进行组合，得到多个组合方案具体包括：

将所述N个预设风险指标导入数据库；

利用爬虫算法Python调用所述数据库，获取输入的行数m和列数n；

调用Python的矩阵生成功能，将所述N个预设风险指标作为矩阵元素生成行数为所述m和列数为所述n的风险指标矩阵m*n；

获取输入的滑动窗口的规模h，得到滑动窗口h*h；

获取输入的针对所述滑动窗口h*h的滑动步长；

根据所述滑动步长在所述风险指标矩阵m*n中依次滑动所述滑动窗口h*h，框选出多个子矩阵，将所述多个子矩阵中每个子矩阵中的所有元素作为一个组合方案，得到多个组合方案，所述h≤m，h≤n。

3.根据权利要求2所述的方法，其特征在于，所述将所述N个风险指标作为矩阵元素生成行数为所述m和列数为所述n的风险指标矩阵m*n具体包括：

如所述N＝m*n，将所述N个风险指标作为矩阵元素生成行数为所述m和列数为所述n的风险指标矩阵m*n；

如所述N＜m*n，执行添零策略，对所述N个风险指标额外添加(m*n-N)个零，将添零后的风险指标作为矩阵元素生成行数为所述m和列数为所述n的风险指标矩阵m*n；

如所述N＞m*n，提示重新输入所述行数m和列数n，直至所述N≤m*n时，将所述N个风险指标作为矩阵元素生成行数为所述m和列数为所述n的风险指标矩阵m*n。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述根据所述目标组合方案评价所述医院具体包括：

确定所述医院对应的多个预设评价维度；

获取所述目标组合方案中的多个预设风险指标；

确定所述多个预设风险指标在所述多个预设评价维度中的每个预设评价维度上的评分结果，得到多个评分结果；

根据所述多个预设评价维度的权重值加权所述多个评分结果，得到对所述医院的评分结果。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

判断所述评分结果是否小于阈值，如是，向所述医院的终端设备发送所述目标组合方案，以在所述终端设备的信息展示界面展示所述目标组合方案，以及提示信息，所述提示信息用于提示所述医院基于所述目标组合方案中的风险指标调整所述医院的医疗体制。

6.根据权利要求1所述的方法，其特征在于，所述根据所述拟合度执行反向训练，得到所述预先训练好的组合方案识别模型具体包括：

如所述拟合度大于第一阈值，完成对所述初始模型的训练，得到所述预先训练好的组合方案识别模型，否则，基于所述初始模型中的损失函数对所述初始模型执行反向训练，更新所述初始模型中的权值梯度，直至输入所述训练数据集得到的预测影响结果集与所述验证集的拟合度大于所述第一阈值或者执行反向训练的次数大于第二阈值时，完成对所述初始模型的训练，得到所述预先训练好的组合方案识别模型。

7.一种基于数据分析的医院评价电子设备，其特征在于，所述电子设备包括：

训练单元，用于基于所述医院的医疗数据库，获取多个组合方案中的任意一个组合方案中的多个风险指标对应的医疗数据，确定所述多个风险指标对应的医疗数据为所述组合方案的训练数据集，得到所述多个组合方案的训练数据集；

基于所述医疗数据库，获取N个预设风险指标对所述医院的实际影响结果，确定所述实际影响结果为所述多个组合方案的验证集；

将所述多个组合方案中的任意一个组合方案的训练数据集输入到初始模型执行正向运算，得到所述组合方案的预测影响结果集，将所述预测影响结果集与所述组合方案的验证集拟合，得到所述组合方案对应的拟合度，根据所述拟合度执行反向训练，得到预先训练好的组合方案识别模型；

获取单元，用于获取待评价医院的N个预设风险指标；

组合单元，用于根据预设规则对所述N个预设风险指标进行组合，得到多个组合方案；

确定单元，用于将所述多个组合方案依次输入到预先训练好的组合方案识别模型，得到多个输出结果，根据所述多个输出结果确定所述多个组合方案中的目标组合方案；

评价单元，用于根据所述目标组合方案评价所述医院。

8.一种电子设备，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，其中，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任一项方法中的步骤的指令。

9.一种计算机可读存储介质，其特征在于，其用于存储计算机程序，其中，所述计算机程序使得计算机执行如权利要求1-6任一项所述的方法。

Images