CN109785966A - 基于机器学习的病案审核方法、装置、设备及存储介质 - Google Patents

Abstract

本发明提供一种基于机器学习的病案审核方法，包括：获取病案样本数据，并依据所述病案样本数据，对预设的病案审核模型进行训练，直至所述病案审核模型收敛；当监测到待审核病案文本时，依据所述待审核病案文本和所述病案审核模型，确定所述待审核病案文本的病种概率值和高套风险值；依据所述病种概率值和所述高套风险值，确定所述待审核病案文本的病案审核结果。本发明还提供一种基于机器学习的病案审核装置、设备及计算机可读存储介质。本发明有效的提高了病案风险审核的准确性和效率。

Description

基于机器学习的病案审核方法、装置、设备及存储介质

技术领域

本发明涉及机器学习的技术领域，尤其涉及一种基于机器学习的病案审核方法、装置、设备及存储介质。

背景技术

随着国家医保的有效实施，病人可使用国家医保看病住院，医院通常是按项目收费，即按诊疗项目收费，如尿常规和血常规等，目前医院还包括按病种收费，即将一种疾病的诊疗费用打包与定价，作为医保的支付标准，而医保报销费用和病案的准确性及规范性有关，因此，病案的风险审核是按病种收费中必不可少的一环。

目前，病案的风险审核方式主要是对病案采取接近随机筛查，或者由人员依据以往错误、违规病案的经验有针对的对病案进行人工筛选，确定病案是否具备高套风险，然而，目前的病案风险审核方式存在滞后性，病案的风险审核准确性较差和审核效率低的问题。因此，如果提高病案风险审核的准确性和效率是目前亟待解决的问题。

发明内容

本发明的主要目的在于提供一种基于机器学习的病案审核方法、装置、设备及存储介质，旨在提高病案风险审核的准确性和效率。

为实现上述目的，本发明提供一种基于机器学习的病案审核方法，所述基于机器学习的病案审核方法包括以下步骤：

获取病案样本数据，并依据所述病案样本数据，对预设的病案审核模型进行训练，直至所述病案审核模型收敛；

当监测到待审核病案文本时，依据所述待审核病案文本和所述病案审核模型，确定所述待审核病案文本的病种概率值和高套风险值；

依据所述病种概率值和所述高套风险值，确定所述待审核病案文本的病案审核结果。

可选地，依据所述待审核病案文本和所述病案审核模型，确定所述待审核病案文本的病种概率值和高套风险值的步骤包括：

对所述待审核病案文本进行处理，以获取病案文本数据，并将所述病案文本数据输入至所述病案审核模型中；

将所述病案审核模型基于所述病案文本数据输出的病种概率值和高套风险值，确定为所述待审核病案文本的病种概率值和高套风险值。

可选地，依据所述病种概率值和所述高套风险值，确定所述待审核病案文本的病案审核结果的步骤包括：

依据所述病种概率值和所述高套风险值，确定所述待审核病案文本的目标高套风险值；

判断所述目标高套风险值是否小于或等于预设风险值；

若所述目标高套风险值小于或等于预设风险值，则确定所述待审核病案文本的病案审核结果为病案审核通过；

若所述目标高套风险值大于预设风险值，则确定所述待审核病案文本的病案审核结果为病案审核未通过。

可选地，依据所述病种概率值和所述高套风险值，确定所述待审核病案文本的目标高套风险值的步骤包括：

判断所述病种概率值是否大于或等于预设阈值；

若所述病种概率值大于或等于预设阈值，则将所述高套风险值确定为所述待审核病案文本的目标高套风险值。

可选地，所述病案审核模型为神经网络模型。

可选地，所述获取病案样本数据，并依据所述病案样本数据，对预设的病案审核模型进行训练，直至所述病案审核模型收敛的步骤之前，还包括：

当监测到初始权值配置指令时，统计预设的病案审核模型中的突触个数，并调用预设随机数生成器，生成与所述突触个数对应的一组随机数；

依据生成的一组随机数，配置所述病案审核模型中各突触的初始权值。

可选地，依据生成的一组随机数，配置所述病案审核模型中各突触的初始权值的步骤包括：

依据生成的一组随机数的大小顺序，从生成的一组随机数中依次选择一随机数作为初始权值，配置给所述病案审核模型中的一突触，其中，每个突触配置一次初始权值。

此外，为实现上述目的，本发明还提供一种基于机器学习的病案审核装置，所述基于机器学习的病案审核装置包括：

模型训练模块，用于获取病案样本数据，并依据所述病案样本数据，对预设的病案审核模型进行训练，直至所述病案审核模型收敛；

审核模块，用于当监测到待审核病案文本时，依据所述待审核病案文本和所述病案审核模型，确定所述待审核病案文本的病种概率值和高套风险值；

所述审核模块，还用于依据所述病种概率值和所述高套风险值，确定所述待审核病案文本的病案审核结果。

此外，为实现上述目的，本发明还提供一种基于机器学习的病案审核设备，所述基于机器学习的病案审核设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的基于机器学习的病案审核程序，其中所述基于机器学习的病案审核程序被所述处理器执行时，实现如上述的基于机器学习的病案审核方法的步骤。

此外，为实现上述目的，本发明还提供一种可读存储介质，所述可读存储介质上存储有基于机器学习的病案审核程序，其中所述基于机器学习的病案审核程序被处理器执行时，实现如上述的基于机器学习的病案审核方法的步骤。

本发明提供一种基于机器学习的病案审核方法、装置、设备及存储介质，本发明基于病案样本数据对预设的病案审核模型进行训练，直至该病案审核模型收敛，并当监测到待审核病案文本时，依据待审核病案文本和病案审核模型，确定待审核病案文本的病种概率值和高套风险值，并依据该病种概率值和高套风险值，确定待审核病案文本的病案审核结果，实现待审核文本的快速准确审核，由于整个审核过程不需要人工参与，且基于病案审核模型进行病案的审核，可以有效的提高病案风险审核的准确性和效率。

附图说明

图1为本发明各实施例涉及的基于机器学习的病案审核设备的硬件结构示意图；

图2为本发明基于机器学习的病案审核方法第一实施例的流程示意图；

图3为本发明基于机器学习的病案审核方法第二实施例的流程示意图；

图4为本发明基于机器学习的病案审核装置第一实施例的功能模块示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例涉及的基于机器学习的病案审核方法主要应用于基于机器学习的病案审核设备，该基于机器学习的病案审核设备可以是PC(个人计算机personalcomputer)、便携计算机、移动终端等具有显示和处理功能的设备。

参照图1，图1为本发明实施例方案中涉及的基于机器学习的病案审核设备的硬件结构示意图。本发明实施例中，基于机器学习的病案审核设备可以包括处理器1001(例如中央处理器Central Processing Unit、CPU)，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信；用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)；网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)；存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器，存储器1005可选的还可以是独立于前述处理器1001的存储装置。本领域技术人员可以理解，图1中示出的硬件结构并不构成对本发明的限定，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。

继续参照图1，图1中作为一种可读存储介质的存储器1005可以包括操作系统、网络通信模块以及基于机器学习的病案审核程序。在图1中，网络通信模块主要用于连接服务器，与服务器进行数据通信；而处理器1001可以调用存储器1005中存储的基于机器学习的病案审核程序，并执行本发明实施例提供的基于机器学习的病案审核方法。

本发明实施例提供了一种基于机器学习的病案审核方法。

参照图2，图2为本发明基于机器学习的病案审核方法第一实施例的流程示意图。

本实施例中，该基于机器学习的病案审核方法由基于机器学习的病案审核设备实现，该基于机器学习的病案审核设备可以是PC、掌上电脑和平板电脑等终端设备，可选为图1所示的设备，该方法包括：

步骤S101，获取病案样本数据，并依据所述病案样本数据，对预设的病案审核模型进行训练，直至所述病案审核模型收敛；

本实施例中，将病案首页数据、病案数据、项目明细数据和住院收费数据作为病案样本数据存储至数据库中，然后从数据库中获取病案样本数据，并依据该病案样本数据，对预设的病案审核模型进行训练，直至该病案审核模型收敛。其中，病案首页数据包括但不限于住院流水号、医院病案号、医院编码、病人医保卡号、性别、出生日期、年龄、住院日期、出院日期、入院科别、入院病室、转科科别、转科病室、出院科别、出院病室、入院情况、入院诊断情况、主要出院诊断编码、主要出院诊断名称、其他出院诊断编码、其他出院诊断名称、手术编号、手术名称；病案数据包括但不限于病人主诉、入院诊断、出院诊断、住院经过、查体、主要检查结果、治疗情况和治疗结果，病案数据以非结构化的自然语言书写；项目明细数据包括但不限于据流水号(与病案首页数据中的住院流水号对应)、项目编号、项目名称、项目规格、项目单位、项目单价、项目数量、项目金额、发票项目编号(即项目类别)、是否医保项目和个人自付比例；住院收费数据包括但不限于个人账户支付费用、健康账户支付费用、个人支付金额、基金支付金额、总费用、非医保费用、医保费用、公务员补助、商业保险支付费用、药品自付费用、药品费、治疗费、手术费、检查费和化验费。

将非结构化的病案数据作为主要特征，并将病案首页数据、项目明细数据和住院收费数据作为次要特征，对病案审核模型进行训练，直至病案审核模型收敛。其中，对病案审核模型进行训练之前，需要对非结构化的病案数据进行处理，即利用深度学习的词嵌入(word embedding)对非结构化的病案数据进行处理，具体地，将非结构化的病案数据中的文本映射到多维实数向量，并通过大量文本的训练，将非结构化的病案数据中的文本转换为数值形式的若干长向量，且保留文本语义。病案审核模型包括但不限于CNN(Convolutional Neural Network，卷积神经网络)模型、LSTM(Long Short-Term Memory，长短期记忆网络)模型以及其他神经网络模型。其中，深度学习的词嵌入模型包括但不限于Word2Vec模型和GloVe模型。

步骤S102，当监测到待审核病案文本时，依据所述待审核病案文本和所述病案审核模型，确定所述待审核病案文本的病种概率值和高套风险值；

本实施例中，当监测到待审核文本时，依据该待审核文本和该病案审核模型，确定该待审核病案文本的病种概率值和高套风险值。具体地，对该待审核文本进行处理，以获取病案文本数据，并将该病案文本数据输入至病案审核模型中，然后将病案审核模型基于病案文本数据输出的病种概率值和高套风险值，确定为待审核病案文本的病种概率值和高套风险值。其中，待审核文本的处理方式具体为将非结构化的病案文本映射到多维实数向量，并通过大量文本的训练，将非结构化的病案文本转换为数值形式的若干长向量，且保留文本语义，从而得到病案文本数据。

具体实施中，将病案文本数据输入至病案审核模型之后，病案审核模型对该待审核病案文本的病种进行预测，获取病种和病种概率值，并获取该病种所对应的第一治疗定价，并从待审核病案文本中获取实际病种对应的第二治疗定价，然后判断第一治疗定价是否低于第二治疗定价，如果第一治疗定价低于第二治疗定价，则存在高套风险，且高套风险值为第一治疗定价与第二治疗定价之差，最后输出病种概率值和高套风险值。其中，如果第一治疗定价高于或等于第二治疗定价，则不存在高套风险，且高套风险值为零。

步骤S103，依据所述病种概率值和所述高套风险值，确定所述待审核病案文本的病案审核结果。

本实施例中，在确定病种概率值和高套风险值之后，依据该病种概率值和高套风险值，确定该待审核病案文本的病案审核结果。具体地，依据该病种概率值和该高套风险值，确定该待审核病案文本的目标高套风险值，并判断目标高套风险值是否小于或等于预设风险值，如果该目标高套风险值小于或等于预设风险值，则确定该待审核病案文本的病案审核结果为病案审核通过，如果该目标高套风险值大于预设风险值，则确定该待审核病案文本的病案审核结果为病案审核未通过。其中，目标高套风险值的确定方式具体为判断该病种概率值是否大于或等于预设阈值，如果该病种概率值大于或等于预设阈值，则将该高套风险值确定为该待审核病案文本的目标高套风险值，如果该病种概率值小于预设阈值，则不作处理。需要说明的是，目标高套风险值越大，则表示高套风险越高，而目标高套风险值越小，则表示高套风险越低，上述预设阈值和预设风险值可由本领域技术人员基于实际情况进行设置，本实施例对此不作具体限定。

具体实施中，如果该病种概率值小于预设阈值，则预测出的病种不准确，对该病案文本进行标记，便于后续人工校验，为提高病案审核模型的准确率，将待病案文本和病种概率值作为新样本数据对病案审核模型进行增量学习，以更新病案审核模型。其中，增量学习算法包括但不限于自组织增量学习神经网络(Self-organizing incremental neuralnetwork，SOINN)和情景记忆马尔可夫决策过程。

本实施例中，本发明基于病案样本数据对预设的病案审核模型进行训练，直至该病案审核模型收敛，并当监测到待审核病案文本时，依据待审核病案文本和病案审核模型，确定待审核病案文本的病种概率值和高套风险值，并依据该病种概率值和高套风险值，确定待审核病案文本的病案审核结果，实现待审核文本的快速准确审核，由于整个审核过程不需要人工参与，且基于病案审核模型进行病案的审核，可以有效的提高病案风险审核的准确性和效率。

进一步地，参照图3，基于上述第一实施例，提出了本发明基于机器学习的病案审核方法的第二实施例，与前述实施例的区别在于，步骤S101之前，该基于机器学习的病案审核方法还包括：

步骤S104，当监测到初始权值配置指令时，统计预设的病案审核模型中的突触个数，并调用预设随机数生成器，生成与突触个数对应的一组随机数；

本实施例中，在病案审核模型为神经网络模型时，在对病案审核模型进行训练之前，需要配置病案审核模型中各突触的初始权值，则监测到初始权值配置指令时，统计预设的病案审核模型中的突触个数，并调用预设随机数生成器，生成与突触个数对应的一组随机数。需要说明的是，上述随机数的取值范围可由本领域技术人员基于实际情况进行设置，本实施例对此不作具体限定，优选地，随机数的取值范围为-0.5～+0.5。

步骤S105，依据生成的一组随机数，配置所述病案审核模型中各突触的初始权值，其中，每个突触配置一次初始权值。

本实施例中，依据生成的一组随机数，配置病案审核模型中各突触的初始权值，即依据生成的一组随机数的大小顺序，从生成的一组随机数中依次选择一随机数作为初始权值，配置给所述病案审核模型中的一突触，其中，每个突触配置一次初始权值。

本实施例中，本发明利用随机数生成器，给病案审核模型中的各突触配置随机的初始权值，防止各突触的初始权值相同，导致训练过程中各突触的权值始终保持相等，有效的提高训练得到模型的准确性。

此外，本发明实施例还提供一种基于机器学习的病案审核装置。

参照图4，图4为本发明基于机器学习的病案审核装置第一实施例的功能模块示意图。

本发明基于机器学习的病案审核装置为虚拟装置，存储于图1所示基于机器学习的病案审核设备的存储器1005中，用于实现基于机器学习的病案审核程序的所有功能；获取病案样本数据，并依据所述病案样本数据，对预设的病案审核模型进行训练，直至所述病案审核模型收敛；当监测到待审核病案文本时，依据所述待审核病案文本和所述病案审核模型，确定所述待审核病案文本的病种概率值和高套风险值；依据所述病种概率值和所述高套风险值，确定所述待审核病案文本的病案审核结果。。

具体的，本实施例中，所述基于机器学习的病案审核装置包括：

模型训练模块101，用于获取病案样本数据，并依据所述病案样本数据，对预设的病案审核模型进行训练，直至所述病案审核模型收敛；

审核模块102，用于当监测到待审核病案文本时，依据所述待审核病案文本和所述病案审核模型，确定所述待审核病案文本的病种概率值和高套风险值；

所述审核模块102，还用于依据所述病种概率值和所述高套风险值，确定所述待审核病案文本的病案审核结果。

进一步地，所述审核模块102还用于：

对所述待审核病案文本进行处理，以获取病案文本数据，并将所述病案文本数据输入至所述病案审核模型中；

将所述病案审核模型基于所述病案文本数据输出的病种概率值和高套风险值，确定为所述待审核病案文本的病种概率值和高套风险值。

进一步地，所述审核模块102还用于：

依据所述病种概率值和所述高套风险值，确定所述待审核病案文本的目标高套风险值；

判断所述目标高套风险值是否小于或等于预设风险值；

若所述目标高套风险值小于或等于预设风险值，则确定所述待审核病案文本的病案审核结果为病案审核通过；

若所述目标高套风险值大于预设风险值，则确定所述待审核病案文本的病案审核结果为病案审核未通过。

进一步地，所述审核模块102还用于：

判断所述病种概率值是否大于或等于预设阈值；

若所述病种概率值大于或等于预设阈值，则将所述高套风险值确定为所述待审核病案文本的目标高套风险值。

进一步地，所述病案审核模型为神经网络模型。

进一步地，所述基于机器学习的病案审核装置还包括：

随机数生成模块，用于当监测到初始权值配置指令时，统计预设的病案审核模型中的突触个数，并调用预设随机数生成器，生成与所述突触个数对应的一组随机数；

初始权值配置模块，用于依据生成的一组随机数，配置所述病案审核模型中各突触的初始权值。

进一步地，所述初始权值配置模块还用于：

依据生成的一组随机数的大小顺序，从生成的一组随机数中依次选择一随机数作为初始权值，配置给所述病案审核模型中的一突触。

其中，上述基于机器学习的病案审核装置中各个模块的功能实现与上述基于机器学习的病案审核方法实施例中各步骤相对应，其功能和实现过程在此处不再一一赘述。

此外，本发明实施例还提供一种可读存储介质。

本发明可读存储介质上存储有基于机器学习的病案审核程序，其中所述基于机器学习的病案审核程序被处理器执行时，实现如上述的基于机器学习的病案审核方法的步骤。

其中，基于机器学习的病案审核程序被执行时所实现的方法可参照本发明基于机器学习的病案审核方法的各个实施例，此处不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于机器学习的病案审核方法，其特征在于，所述基于机器学习的病案审核方法包括以下步骤：

获取病案样本数据，并依据所述病案样本数据，对预设的病案审核模型进行训练，直至所述病案审核模型收敛；

当监测到待审核病案文本时，依据所述待审核病案文本和所述病案审核模型，确定所述待审核病案文本的病种概率值和高套风险值；

依据所述病种概率值和所述高套风险值，确定所述待审核病案文本的病案审核结果。

2.如权利要求1所述的基于机器学习的病案审核方法，其特征在于，依据所述待审核病案文本和所述病案审核模型，确定所述待审核病案文本的病种概率值和高套风险值的步骤包括：

对所述待审核病案文本进行处理，以获取病案文本数据，并将所述病案文本数据输入至所述病案审核模型中；

将所述病案审核模型基于所述病案文本数据输出的病种概率值和高套风险值，确定为所述待审核病案文本的病种概率值和高套风险值。

3.如权利要求1所述的基于机器学习的病案审核方法，其特征在于，依据所述病种概率值和所述高套风险值，确定所述待审核病案文本的病案审核结果的步骤包括：

依据所述病种概率值和所述高套风险值，确定所述待审核病案文本的目标高套风险值；

判断所述目标高套风险值是否小于或等于预设风险值；

若所述目标高套风险值小于或等于预设风险值，则确定所述待审核病案文本的病案审核结果为病案审核通过；

若所述目标高套风险值大于预设风险值，则确定所述待审核病案文本的病案审核结果为病案审核未通过。

4.如权利要求3所述的基于机器学习的病案审核方法，其特征在于，依据所述病种概率值和所述高套风险值，确定所述待审核病案文本的目标高套风险值的步骤包括：

判断所述病种概率值是否大于或等于预设阈值；

若所述病种概率值大于或等于预设阈值，则将所述高套风险值确定为所述待审核病案文本的目标高套风险值。

5.如权利要求1-4中任一项所述的基于机器学习的病案审核方法，其特征在于，所述病案审核模型为神经网络模型。

6.如权利要求5所述的基于机器学习的病案审核方法，其特征在于，所述获取病案样本数据，并依据所述病案样本数据，对预设的病案审核模型进行训练，直至所述病案审核模型收敛的步骤之前，还包括：

当监测到初始权值配置指令时，统计预设的病案审核模型中的突触个数，并调用预设随机数生成器，生成与所述突触个数对应的一组随机数；

依据生成的一组随机数，配置所述病案审核模型中各突触的初始权值。

7.如权利要求6所述的基于机器学习的病案审核方法，其特征在于，依据生成的一组随机数，配置所述病案审核模型中各突触的初始权值的步骤包括：

依据生成的一组随机数的大小顺序，从生成的一组随机数中依次选择一随机数作为初始权值，配置给所述病案审核模型中的一突触。

8.一种基于机器学习的病案审核装置，其特征在于，所述基于机器学习的病案审核装置包括：

模型训练模块，用于获取病案样本数据，并依据所述病案样本数据，对预设的病案审核模型进行训练，直至所述病案审核模型收敛；

审核模块，用于当监测到待审核病案文本时，依据所述待审核病案文本和所述病案审核模型，确定所述待审核病案文本的病种概率值和高套风险值；

所述审核模块，还用于依据所述病种概率值和所述高套风险值，确定所述待审核病案文本的病案审核结果。

9.一种基于机器学习的病案审核设备，其特征在于，所述基于机器学习的病案审核设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的基于机器学习的病案审核程序，其中所述基于机器学习的病案审核程序被所述处理器执行时，实现如权利要求1至7中任一项所述的基于机器学习的病案审核方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有基于机器学习的病案审核程序，其中所述基于机器学习的病案审核程序被处理器执行时，实现如权利要求1至7中任一项所述的基于机器学习的病案审核方法的步骤。