CN110134939B - 基于本体和规则的裁决 - Google Patents
基于本体和规则的裁决 Download PDFInfo
- Publication number
- CN110134939B CN110134939B CN201910069143.0A CN201910069143A CN110134939B CN 110134939 B CN110134939 B CN 110134939B CN 201910069143 A CN201910069143 A CN 201910069143A CN 110134939 B CN110134939 B CN 110134939B
- Authority
- CN
- China
- Prior art keywords
- ontology
- rule
- conflict
- based reasoning
- inference
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/046—Forward inferencing; Production systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/043—Distributed expert systems; Blackboards
-
- 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
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Technology Law (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Machine Translation (AREA)
Abstract
本公开的实施例涉及基于本体和规则的裁决。在示例中,本体分析器可以基于索赔裁决请求生成本体。索赔裁决请求可以基于本体被处理以提供基于本体的推理。基于规则的分析器可以标识对应于索赔裁决请求的预定义规则,并且基于预定义规则处理请求。冲突解决器可以解决可能在基于本体的推理与基于规则的推理之间发生的冲突。当冲突被检测到时,预定义准则可以被选择用于解决冲突,预定义准则包括选择基于本体的推理和基于规则的推理中的一个以使在冲突的情况下准确地处理索赔裁决请求的概率最大化的规则。
Description
优先权
本公开要求于2018年2月2日提交的美国临时申请62/625,760的优先权,其公开内容通过整体引用并入本文。
技术领域
本公开的实施例涉及索赔裁决领域,更具体地,涉及基于本体和规则的索赔裁决。
背景技术
索赔裁决指代支付由人所提交的索赔或者在将索赔与保险单中所指示的益处和覆盖细节相比较将其拒绝的过程。索赔裁决过程通常是冗长并且复杂的过程,其涉及与用户相关联的数据的分析和基于其提交索赔的对应的保险单。
索赔裁决过程通常从接收索赔请求开始,包括用于处理索赔请求所要求的细节。对于索赔裁决的索赔请求的处理常常要求大量的人工干预。例如,索赔裁决的实现可能要求来自保险单的过程图的人工开发并且基于将保险单的自然语言内容翻译为规则生成规则。同样地,与用户有关的数据还可能需要被处理以用于分析关于保险单的数据。这可能需要开发本体并且根据这样的本体进行推断。然而,各种形式的知识表示(诸如本体和规则)来策展知识通常是劳动密集并且易于出错的。
尽管某些过程的自动化,但可能要求相当大的人工干预。例如,在用于分析不同知识形式的数据的两个或者独立部件可以提供冲突的结果的情况下,人工干预可以被要求以解决冲突。备选地,为了避免这样的冲突,系统可以被配置为包括两个部件中的一个。但是该方法也可能存在限制的问题。这是因为系统可能未受益于由另一部件所获得的知识。实际上,省略的部件可以对于高效并且准确的索赔裁决必要并且这样的部件中的一个或多个的缺少可能影响索赔裁决过程。
因此,这样的索赔裁决可能是劳动密集、昂贵、耗费时间并且易于出错的,或者可能由于某些基本部件的冲突或者缺少而不提供高效并且准确的索赔裁决。因此,需要包含用于分析不同知识形式的数据的不同系统的技术方案,以用于更准确并且高效的索赔裁决。
附图说明
本公开的特征通过以下附图中所示的示例被图示。在以下附图中,相同附图标记指示相同元件,其中:
图1图示了根据本公开的示例实施例的与数据库通信的集成的基于本体-规则的系统;
图2图示了根据本公开的示例实施例的系统的框图;
图3图示了根据本公开的示例实施例的集成的基于本体和规则的系统的示例概念;
图4图示了根据本公开的示例的索赔裁决过程的高级示意图;
图5图示了根据本公开的示例实施例的由系统所生成的本体的示例;
图6描述了根据本公开的示例实施例的用于系统的实现的硬件平台;
图7图示了根据本公开的示例的具有集成的基于本体和规则的推理的索赔裁决的方法。
具体实施方式
出于简单和说明的目的,本公开通过主要参考其示例来描述。本文所描述的本公开的示例可以以不同的组合一起使用。在以下描述中,阐述细节以便提供对本公开的理解。然而,将容易明显的是,可以在没有对这些细节的限制的情况下实践本公开。而且,贯穿本公开,术语“一(a)”和“一个(an)”旨在表示特定元件中的至少一个。如本文所使用的,术语“包括(includes)”意味着包括但不限于,术语“包括(including)”意味着包括但不限于。术语“基于(based on)”意味着至少部分地基于,术语“基于(based upon)”意味着至少部分地基于,并且术语“诸如(such as)”意味着诸如但不限于。
本公开描述了用于集成基于本体和规则的推理以用于索赔裁决的系统和方法。根据本公开的方面,本体分析器和基于规则的分析器独立地运行来为索赔裁决提供支持。在接收到索赔裁决请求时,可以提取索赔数据。索赔数据可以包括与用户有关的数据和对应的保险单。
本体分析器可以分析所接收到的数据(诸如与用户相关联的数据)以生成本体并且确定所接收到的数据的期望的逻辑结构。例如,在医疗保健相关的索赔裁决的情况下,本体分析器可以定义具有特定医疗条件的患者的医疗诊断的逻辑结构和患者可能经历的治疗。因此,本体分析器可以在处理本体数据(诸如对应于所接收到的数据的知识图谱)时提供基于本体的推理。在示例实施例中,本体分析器可以使用本体创建工具(诸如例如网络本体语言(OWL)、Neo4j或者Protégé)来创建基于本体的知识图谱以提供推论或者推理。在一个示例中,本体分析器可以将第一置信度得分与基于本体的推理相关联。置信度得分指示推理精确的概率。因此,置信度得分越高,推理精确的概率越高。
在示例中,可以在当本体自动地或半自动地被创建时导出置信度得分。置信度得分可以基于概念在指定的语料库中发生的频繁度方面的统计,或者基于现象如何在现实世界中发生的观察。例如,本体“钙化得分”、“是-一个”、“心脏测试”具有100%置信度水平,因为这总是真的。然而,“人”“具有”“糖尿病”可以具有9.4%置信度水平。这是因为;2015年的研究估计了在美国总人口中,大约有3030万人具有糖尿病。
此外,包括保险单相关数据的索赔数据可以由基于规则的分析器分析。保险单相关数据可以被处理以生成对应的(多个)生产规则(可交换地被称为用于裁决索赔请求的规则)。在其他示例中,基于索赔数据,可以标识可以适用于索赔裁决的规则。基于规则的分析器可以提供规则集,其可以在数学上描绘字母表上的有限长度字符串集。
相应地,可以基于规则处理索赔数据,来提供基于规则的推理。在示例中,基于规则的推理可以是治疗的成本有效并且在法定限制内。基于规则的分析器还可以将第二置信度得分与基于规则的推理相关联。在示例实施例中,生产规则系统(诸如例如Drools)可以被用来生成规则。另外,其他自然语言处理工具可以被用来生成规则。此外,规则通过指定条件如何与动作链接的物理功能来确定推理。
这可以通过执行以下各项来完成:(1)相关实体的信息提取,例如,在医疗保健索赔的情况下,待提取的信息可以是程序代码、诊断代码、服务提供商名称、服务数据等;(2)利用由分类所生成的置信度得分来对文本进行分类,以确定文本中记载的条件,其中执行分类的分类器可以利用什么构成条件、什么构成动作并且什么可以是背景解释(历史数据)的示例和反例来预训练;(3)在条件满足的情况下,确定待采取的对应的动作;并且如果条件未满足,则规则也可以确定待采取的动作。
此后,冲突解决器可以查明基于本体的推理和基于规则的推理是否彼此矛盾。在示例实施例中,冲突可能当多于一个推理规则利用潜在冲突的动作而被激活时出现。推理规则可以在由基于规则的分析器执行的相同规则集内,或者当分析器联合在一起时可以属于不同的基于规则的分析器。例如,当一个动作接受医疗保健索赔而其他动作拒绝医疗保健索赔时,可以检测到冲突。
在查明冲突存在的情况下,冲突解决器可以帮助通过生成指示如何解决冲突的最终结果来解决冲突。该最终结果可以包括关于如何解决冲突的推荐或者可以指示基于预定义准则两个推理中的哪一个将被选择为最终结果。预定义准则可以包括选择基于本体的推理和基于规则的推理中的一个以使在冲突的情况下准确地处理索赔裁决请求的概率最大化的规则;预定义准则可以是例如选择具有较高的置信度得分的推理、从分析器选择推理(其可以在冲突的情况下被优先考虑)、或者基于统计技术(诸如贝叶斯技术)选择推理。本领域的普通技术人员将理解,在最终推理基于置信度得分来选择的情况下,可以将与基于本体的推理和基于规则的推理矛盾相关联的置信度得分标准化,使得可以比较置信度得分。
相应地,基于预定义准则,最终结果可以被提供并且存储用于未来使用。例如,冲突解决器的结果可以被保存在数据存储库中并且可以由冲突解决器使用以用于自学习目的。
因此,本公开提供用于各种领域中的索赔裁决的高效机制,诸如医疗保健、金融和会计、网络安全或者可以要求基于保险单的分析的任何其他领域。本公开提供基于本体的分析器和基于规则的分析器的独立操作,其中人工干预被最小化或者消除。此外,冲突解决器的提供基于各种知识形式的分析提供了推理的生成,从而确保了索赔裁决的准确度和效率。
而且,由于系统能够分析各种知识形式并且解决冲突,因而资源可以更好地被利用,因为多个系统/部件不需要被实现。此外,由于误差可以被最小化,因而可以要求对索赔裁决重做的多个处理周期可以被保存,从而进一步提高了系统的效率。因此,由于基于本体的分析器和基于规则的分析器的高效集成,本公开可以提供经济、准确和时效的索赔裁决。
图1示出了作为本公开的实现的示例的实现集成的基于本体和规则的推理系统105的网络环境100。集成的基于本体和规则的推理系统105(在下文中,系统105)可以提供各种领域中的索赔裁决,包括但不限于医疗保健、金融和会计、以及网络安全。下文中的描述仅出于解释的目的参考医疗保健领域来解释,并且不应当被理解为限制。
在示例实施例中,网络环境100可以是公共网络环境,包括数千个体计算机、膝上型电脑、各种服务器(诸如刀片服务器)和其他计算设备。在另一示例环境中,网络环境100可以是具有有限数目的计算设备(诸如个体计算机、服务器和膝上型电脑)的私有网络环境。此外,系统105可以被实现在各种计算系统(诸如膝上型电脑、平板电脑等)中。
根据示例实施例,系统105通过网络115被通信地耦合到数据库110。在另一示例中,数据库110可以与系统105集成。数据库110可以存储与现有保险单和其对应的规则有关的数据。在示例中,现有保险单可以被分解并且策展为多个知识表示(诸如帧、数据建模语言、基于本体的知识图谱、断言和规则)。数据建模语言的示例包括网络本体语言(OWL)和资源描述框架(RDF)。与现有保险单有关的数据可以包括与现有保险单有关的任何其他适合的信息。
在示例中,系统105可以从各种源检索现有保险单,包括第三方源,诸如文档存储库和其他这样的信息源、数据存储库和/或第三方应用。系统105还可以将现有保险单分解并且策展为多个知识表示,并且将数据存储到数据库110中以用于未来表示,如在图1的描述中稍后详细解释的。进一步地,数据库110可以每当保险单将由系统105被翻译成规则时被访问。此外,可以周期性地更新数据库110。例如,新数据可以被添加到数据库110中,数据库110中的现有数据可以被修改,或者无用数据可以从数据库110被删除。数据库110还可以包括与用户和相关联的简档有关的细节。
在示例实施例中,网络105可以是无线网络、有线网络或其组合。网络115还可以是个体网络或彼此互连并且用作单个大型网络(诸如因特网或内联网)的许多这样的个体网络的集合。网络115可以被实现为不同的类型的网络之一,诸如内联网、局域网(LAN)、广域网(WAN)、因特网等。进一步地,网络115可以包括各种网络设备,包括路由器、桥接器、服务器、计算设备、存储设备等。
根据示例实施例,系统105可以包括接收器120、本体分析器125和基于规则的分析器130和冲突解决器135。在操作中,索赔裁决请求可以从与系统105通信的用户140被接收。索赔裁决请求可以包括用于索赔来自与用户相关联的保险单的利益的请求。除了其他方面,索赔裁决请求可以包括索赔数据,其进而可以包括用户数据和保险单数据中的一个或多个。用户数据可以包括与用户有关的细节,例如,医疗历史和当前诊断、名字、年龄、性别等。保险单数据可以包括与用户的保险单有关的细节,诸如保险单日期、保险单条款、保险单ID等。用户数据和保险单数据可以被存储在数据库115中。
索赔裁决请求可以由接收器120接收,其可以分析索赔裁决请求的细节。在示例中,索赔裁决请求可以以光学可读形式进行,并且接收器120可以是可能能够读取光学可读索赔裁决请求形式的细节的实体。接收器120可以分析标记或者创建用于索赔裁决请求的票券的用户的细节,诸如保险单编号、年龄、用户身份等。由接收器120所确定的细节被称为本公开中的参数集。在另一示例中,索赔裁决请求可以在数字形式上,并且接收器120可以分析这样的数字形式以提取所要求的细节。
接收器120可以然后向本体分析器125提供索赔数据以用于分析。本体分析器125可以分析索赔数据以生成本体数据,诸如例如表示索赔数据的知识图谱。本体数据可以例如以OWL+语义网规则语言(SWRL)语言。在示例中,本体数据可以表示逻辑结构和索赔数据中的实体之间的关系。实体可以对应于各种特征,其可以帮助在逻辑上构造索赔数据。
参考医疗保健领域,实体可以包括例如年龄、性别、症状和可以向用户建议的各种测试。在示例中,本体数据可以确定用户已经经历的各种医疗治疗之间的关系。本体数据然后使用基于本体的技术由本体分析器125分析以确定基于本体的推理。
在示例中,基于本体的技术使得推论例如能够推断如果存在将实体A连接到实体B的“is a”(“是一个”)边缘,则实体B与实体A具有关系。在一个示例中,类推理可以被用作基于本体的推理。考虑示例,(1)公共汽车驾驶员是驾驶公共汽车的人。(2)公共汽车是车辆。(3)公共汽车驾驶员驾驶车辆,因此必须是驾驶员。另一类型的基于本体的推理是实例推理。考虑推论过程的示例:(1)Mick驾驶白色运货车,(2)Mick必须是人和成人,因此他是男人,(3)Mick是驾驶白色运货车的男人,因此他是白色运货车男人。(4)白色运货车男人只读小报,并且Mick读每日镜报,因此每日镜报必须是小报。因此,这样的基于本体的技术中的任一个可以被用来确定基于本体的推理。
在示例中,本体分析器125可以获取被用在用于基于规则的分析器130的生产规则中的实体(符号)。实体可以使用经由使用工具(诸如RuleML、OWL、RDF或帧)的知识图谱的表示由本体分析器125半自动或者全自动地来定义。在其他示例中,可以手动地定义实体。在示例实施例中,实体的定义的完全分解可以在规则的“激活”的运行时间处发生,从而允许实体的延迟(还被称为“懒惰”)评价。
索赔裁决请求可以基于本体被处理,以提供基于本体的推理。基于本体的推理可以指示在索赔裁决请求中所提供的细节的有效性。
此外,本体分析器125可以将置信度得分与基于本体的推理相关联。置信度得分可以指示推理准确的概率。因此,置信度得分越高,推理的准确度越高。
除基于本体的推理生成之外,系统105提供基于规则的推理生成。为了生成用于索赔裁决的基于规则的推理,基于规则的分析器可以基于被存储在数据库110中的(多个)预定义规则分析索赔数据。基于索赔裁决请求,可以标识预定义规则。备选地,基于规则的分析器130可以基于与由用户140提交的索赔裁决请求相关联的保险单生成规则(还被称为生产规则)。
在示例实施例中,基于规则的分析器130可以实现用于分析索赔数据的Drools方法。特别地,在该方法中,规则可以以Java代码被存储,而且可以使用Drool规则语言(DRL)被分离地创建。附加地,基于规则的分析器130可以使用灵活和可定制的(DRL),以及用于建模语言表达性的Java表达性。此外,基于规则的分析器130可以专注于知识表示来以简明、不模糊和说明性的方式表达命题和一阶逻辑。使用上文所描述的技术,基于规则的分析器130能够缩放大数目的规则和事实。此外,基于规则的分析器130将来自在索赔裁决请求中所接收的索赔数据的事实和数据与规则匹配以推断结论。
基于规则的分析器130可以分析相对于预定义规则的索赔数据以生成基于规则的推理。基于规则的推理还可以帮助确定索赔裁决请求是否是有效请求,并且相应地可以帮助评估待支付的补偿。基于规则的分析器130还可以将置信度得分与基于规则的推理相关联。
系统105还包括冲突解决器135,其检测任何冲突是否在基于本体的推理和基于规则的推理之间发生。在没有冲突被检测到的情况下,系统105可以提供指示组合的基于本体和基于规则的推理的最终结果。例如,用于索赔裁决的报告可以基于基于本体的推理和基于规则的推理来生成。
例如,基于本体的推理可以指示医疗保健服务提供者提供精神科会诊;并且基于规则的推理可以指示付款者与医疗保健提供者之间建立的保险单规定精神科会诊可以仅发生至多每月一次。由于基于本体和基于规则的推理是互补的,因而没有冲突可能发生。
相应地,基于组合的推理,可以执行索赔裁决。参考先前的示例,可以拒绝精神科会诊仅在距先前的会诊21天被执行的索赔。
如果冲突解决器135确定冲突已经在基于本体的推理与基于规则的推理之间发生,则冲突解决器135解决基于本体的推理与基于规则的推理之间的冲突以生成最终结果。最终结果可以包括关于如何解决冲突的推荐。在示例中,冲突解决器135基于预定义准则来解决冲突。该预定义准则可以是例如选择具有较高置信度得分的推理。在另一示例中,冲突解决器135可以实现统计技术(诸如贝叶斯技术)来确定推理。在又一示例中,预定义准则可以指示在冲突的情况下,来自特定分析器(比如说,基于规则的分析器130)的推理将被优先考虑。
基于冲突解决器135的分析,可以提供最终结果。在其他示例中,最终结果可以包括针对可以相应地进一步处理该请求的外部代理的推荐。
所生成的结果可以被存储在数据库110中。进一步地,冲突解决器135还可以使用所生成的结果以用于自学习,例如,来处理其他领域中的类似索赔裁决请求。
图2示意性地图示了根据本公开的示例实现的具有系统105的各种部件的示例过程流200。在示例中,系统105还可以包括与系统105的各种其他部件(诸如本体分析器125、基于规则的分析器130和冲突解决器135)通信的实体编辑器205。实体编辑器205可以是分离的部件或者可以与其他部件中的任一个(诸如本体分析器125)集成。实体编辑器205可以支持索赔裁决请求的实体的生成或者提取并且可以进一步支持生成基于本体的推理。实体编辑器205可以确保由规则造成的所有实体引用是一致的并且被适当地定义。在规则库具有专注于确定实体的类型的若干规则的情况下,使用本体分析器125执行初始分类可以是有益的。
如上文所描述的,所提取的实体可以由本体分析器125用来生成对应于索赔裁决请求的本体并且相应地提供基于本体的推理。同样地,基于规则的分析器130可以被用来基于对应于索赔裁决请求的预定义规则生成基于规则的推理。基于规则的分析器130可以实现产生输出的输入的规则集。另一方面,本体分析器125生成作为事情如何根据特定视图而存在的描述的本体。特别地,本体可以指代与特定应用区域有关的类、个体、属性和特性的正式规范。
冲突解决器135可以检测冲突是否存在于本体分析器125与基于规则的分析器130之间并且基于上文详细讨论的预定义准则解决冲突。
图3图示了本公开的示例实施例中的冲突解决器135。冲突解决器135包括选择准则确定器305,其确定可以适用于解决基于本体的推理与基于规则的推理之间的冲突的各种选择准则。例如,预定义准则可以指示可以具有最具体条件的规则(生产规则或者由本体分析器所使用的规则)将被选择(通常地具有最大数目的条件的规则),或者预定义准则可以指示最新规则将被应用,或者从未被使用的规则,或者在规则存储库中遇到的第一规则,如由310所指示的。
进一步地,冲突解决器135可以包括分类适用在推理上并且生成最终结果的各种准则的分类器315。例如,分类器315可以请求来自外部代理(诸如人类代理)的输入来审阅由本体分析器125和基于规则的分析器130的组合做出的决策。外部代理可以潜在地基于情况确定所规定的选择规则是正确的还是不正确的。分类器315可以在包括与外部代理的审阅有关的数据的历史数据上来训练。在这种情况下,在规则如何已经被引发方面的历史数据可以被用来确定哪个规则可能被选择。因此,预定义准则可以逐渐地接近最适当的选择准则。
因此,可用的选择准则可以作为输入被提供到分类器315。基于可用输入和历史数据,分类器315可以选择选择准则(预定义准则)之一,并且相应地可以获得来自基于规则的分析器130和本体分析器125的动作。
冲突解决器135还可以包括结果监视器(未被示出在附图中),其可以基于预定效用函数或者通过人工审计来监测并且评价结果;并且使用来自效用函数或者人工审计的结果来执行冲突解决器135的自学习。
图4示意性地图示了根据本公开的示例实现的系统105的各种部件之间的相互作用。一般而言,通过文档402的索赔裁决请求可以由用户系统404提交。文档402可以是数字文档或者物理文档。从索赔裁决请求,使用人工智能(AI)技术可以提取相关索赔数据。应用编程接口(API)服务器406(诸如例如冲刺(sprint)Boot)和应用服务器408(诸如例如JBOSS)可以支持用户设备402与系统105的部件之间的通信。随后,基于规则的分析器130和本体分析器125可以分析索赔请求以生成对应的推理。
如上文所讨论的,基于本体的推理可以使用本体分析技术来生成,而基于规则的推理可以基于对应的规则来生成。基于规则的分析器130可以提取共同或者特定规则,并且可以相应地将对应于索赔裁决请求的保险单映射到预定义规则以生成基于规则的推理。共同规则可以适用于所有索赔裁决请求,而特定规则可以适用于特定索赔裁决请求。规则可以被存储在数据库110中。而且,基于规则的分析器130可以利用对应于各种保险单的规则周期性地更新数据库110。
进一步地,冲突解决器135分析基于本体的推理和基于规则的推理以确定任何冲突是否在其之间发生。如果冲突解决器135确定冲突存在,则冲突解决器135通过参考图1至图3所解释的任何方法来解决冲突以生成最终结果。
图5示出了根据本公开的示例实现的由本体分析器125所生成的本体500的示例。逻辑结构示出了心脏病患者可能经历的一系列医疗诊断。例如,钙化得分502需要针对经历心脏测试504的人来完成。进一步地,逻辑结构示出了可以完成的各种类型的钙化得分。在示例中,可以执行单个得分506、串行得分508和重复得分510,如在图5中所示。进一步地,逻辑结构示出了人需要在完成钙化得分502之后经历低剂量计算机断层摄影(CT)血管造影512。可以存在各种类型的低剂量CT血管造影512(诸如多切片514、超快速516和螺旋518)。逻辑结构被保存在数据库110中并且本体分析器125从数据库110检索逻辑结构,并且此后处理参数集以生成基于本体的推理。
进一步地,为了生成基于本体的推理,还创建了(做出索赔裁决请求的)人520的类似逻辑结构。逻辑结构可以包含人520的年龄522、症状524和疾病526的映射。在示例中,如果人520被确定为具有心脏病528,则他已经经历的医疗诊断应当与针对心脏病而被定义的逻辑结构匹配,因为这被认为是医疗上必要的。在另一示例中,如果人520被确定为具有糖尿病,则检查医疗诊断是否匹配用于具有糖尿病的患者的准则可以被认为是必要的。结果,本体推理过程是通过将来自索赔的实体用作确定索赔是否与被存储在数据库中的本体一致的“事实”遍历本体。
进一步地,基于规则的分析器130可以基于规则分析上文所讨论的索赔数据,诸如例如:
借助于低剂量多切片CT血管造影、超快速[电子束]CT、或者螺旋[螺旋形]CT的单个钙化得分在医疗上是必要的,以用于筛选以下各项:
(i)具有糖尿病的40岁和更老的无症状人;以及
(ii)具有基于弗雷明汉(Framingham)风险得分或者汇总队列方程的心脏事件的中间(10%至20%)10年风险的无症状人。串行或者重复钙化得分被认为是实验的和调查的。
所以,相应地,如果以上两个条件(规则)被满足,则可以推断索赔裁决请求有效并且索赔可以被解决以允许用户使钙化得分完成。
图6图示了根据本公开的示例的用于系统105的实现的硬件平台600。特别地,诸如但不限于内部/外部服务器集群、量子计算机、台式电脑、膝上型电脑、智能电话、平板电脑和可穿戴装置的计算机器可以被用来执行系统105或者可以具有硬件平台600的结构。硬件平台600可以包括未被示出的附加部件并且所描述的部件中的一些部件可以被移除和/或修改。在另一示例中,具有多个图形处理单元(GPU)的计算机系统可以坐落于外部云平台(包括亚马逊网络服务或者内部企业云计算集群或者组织计算资源等)上。
在图6上,硬件平台600可以是可以与本文所描述的示例一起使用的计算机系统600。计算机系统600可以表示包括可以在服务器或者另一计算机系统中的部件的计算平台。计算机系统600可以通过处理器(例如,单个或者多个处理器)或其他硬件处理电路、方法、功能和本文所描述的其他过程来执行。这些方法、功能和其他过程可以被实现为被存储在计算机可读介质上的机器可读指令,其可以是非瞬态的,诸如硬件存储设备(例如,RAM(随机存取存储器)、ROM(只读存储器)、EPROM(可擦除可编程ROM)、EEPROM(电可擦除可编程ROM)、硬盘驱动器和闪速存储器)。计算机系统600可以包括执行被存储在非瞬态计算机可读存储介质610上的软件指令或者代码以执行本公开的方法的处理器605。软件代码包括例如收集索赔数据、处理索赔数据和执行索赔裁决的指令。在示例中,本体分析器125、基于规则的分析器130和冲突解决器135是执行这些步骤的软件代码或者部件。
计算机可读存储介质610上的指令被读取并且将指令存储在存储装置615中或者在随机存取存储器(RAM)620中。存储装置615提供用于保持静态数据的大空间,其中至少一些指令可以被存储用于稍后执行。所存储的指令还可以被编译以生成指令的其他表示并且动态地被存储在RAM 620中。处理器605从RAM 620读取指令并且按照指示执行动作。
计算机系统600还包括将执行的结果中的至少一些作为输出(包括但不限于视觉信息)提供给用户(诸如外部代理)的输出设备625。输出设备可以包括计算设备和虚拟现实眼镜上的显示器。例如,显示器可以是移动电话屏幕或者膝上型电脑屏幕。图形用户接口(GUI)和/或文本被呈现为显示屏上的输出。计算机系统600还包括向用户或者另一设备提供用于录入数据和/或以其他方式与计算机系统600交互的机构的输入设备630。输入设备可以包括例如键盘、小键盘、鼠标或者触摸屏。在示例中,冲突解决器135的输出被显示在输出设备625上。这些输出设备625和输入设备630中的每一个可以由一个或多个附加的外围装置结合。
网络通信器635可以被提供以将计算机系统600连接到网络并且进而到被连接到网络的其他设备,包括例如其他客户端、服务器、数据存储库和接口。网络通信器635可以包括例如网络适配器,诸如LAN适配器或者无线适配器。计算机系统600包括访问数据源645的数据源接口640。数据源是信息源。作为示例,例外和规则的数据库可以是数据源。而且,知识存储库和策展数据可以是数据源的其他示例。
图7示出了根据本公开的索赔裁决的方法700。应当理解,方法步骤此处仅被示出用于参考并且步骤的其他组合可以是可能的。进一步地,除图7中所示的步骤之外,方法700可以包含一些步骤。为简洁起见,在图7的描述中未详细解释在图1、图2、图3、图4、图5和图6的描述中被详细解释的系统105的构造和操作特征。
在框705处,接收索赔裁决请求。索赔裁决请求可以用于处理与各种领域有关的索赔,包括但不限于医疗保健、金融和会计,以及网络攻击。在示例中,索赔裁决请求可以由接收器120接收。用户可以数字地或者通过纸张表格在其服务提供者处提交索赔裁决请求。接收器120可以从索赔裁决请求提取相关索赔数据。细节可以包括诸如做出索赔裁决请求的用户的年龄、性别、保险单编号、身份等。所提取的索赔数据可以帮助后续分析,诸如帮助生成本体和标识预定义规则中的至少一个。
在框710处,本体可以例如使用对应于索赔裁决请求的本体生成技术来生成。在示例中,本体分析器125可以生成本体。
在框715处,索赔裁决请求可以基于本体被处理以提供基于本体的推理。在示例中,本体分析器125可以提供基于本体的推理。进一步地,在一个示例中,第一置信度得分可以与基于本体的推理相关联。
在框720处,可以标识适用于索赔裁决请求的生产规则。当处理索赔裁决请求时,可以预定义或者可以生成生产规则。生产规则可以提供以与本体的知识不同的知识处理索赔裁决。在示例中,基于规则的推理可以由基于规则的分析器130生成。
在框725处,基于所标识的生产规则,可以处理索赔裁决请求。在示例中,基于规则的分析器130可以处理索赔裁决请求。进一步地,在一个示例中,第二置信度得分可以与基于本体的推理相关联。
在框730处,可以查明两个推理是否是冲突的。在示例中,冲突解决器135可以查明推理是否是冲突的,例如,可以确定两个推理是否彼此矛盾。如果在框730处做出的确定是肯定的,则方法行进到框735,其中冲突被解决以基于预定义准则提供最终结果。预定义准则可以包括以下各项中的至少一项:从基于本体的推理和基于规则的推理中间选择具有较高的置信度得分的推理;实现标识来自基于本体的推理和基于规则的推理中间的优选的推理的统计技术;以及在冲突被检测到的情况下,基于指示待选择的推理的选择规则,从基于本体的推理和基于规则的推理中间选择推理。
进一步地,如果在框730处做出的确定是否定的,则方法行进到其中生成报告的框740。报告指示基于基于本体的推理和基于规则的推理的最终结果。
本文已经描述并且图示的内容连同其一些变型是本公开的示例。本文所使用的术语、描述和附图仅经由图示被阐述并且不旨在作为限制。许多变型在主题内容的精神和范围内是可能的,其旨在由以下权利要求及其等效物定义,其中除非另有指示,否则所有术语均指其最广泛的合理意义。
Claims (20)
1.一种集成的基于本体和规则的推理系统,包括:
处理器;
本体分析器,被耦合到所述处理器,所述本体分析器用于:
使用基于本体的技术生成对应于索赔裁决请求的本体;以及
基于所述本体处理所述索赔裁决请求以提供基于本体的推理:
基于规则的分析器,被耦合到所述处理器,所述基于规则的分析器用于:
标识用于处理所述索赔裁决请求的预定义规则;以及
基于所述预定义规则处理所述索赔裁决请求以提供基于规则的推理;以及
冲突解决器,被耦合到所述处理器并且与所述本体分析器和所述基于规则的分析器通信,所述冲突解决器用于:
查明所述基于本体的推理与所述基于规则的推理是否冲突,当所述基于本体的推理和所述基于规则的推理指示冲突的动作时,冲突被检测到;
当所述冲突被检测到时,选择用于解决所述冲突的预定义准则,所述预定义准则包括用于选择所述基于本体的推理和所述基于规则的推理中的一个以使在所述冲突被检测到的情况下准确地处理所述索赔裁决请求的概率最大化的规则;以及
实现用于提供指示如何解决所述冲突的最终结果的所述预定义准则。
2.根据权利要求1所述的集成的基于本体和规则的推理系统,其中所述系统还包括接收器,所述接收器用于:
接收所述索赔裁决请求;以及
从所述索赔裁决请求提取索赔数据以帮助以下各项中的至少一项:生成所述本体和标识所述预定义规则。
3.根据权利要求1所述的集成的基于本体和规则的推理系统,其中所述本体分析器将使第一置信度得分与所述基于本体的推理相关联,并且所述基于规则的分析器将使第二置信度得分与所述基于规则的推理相关联。
4.根据权利要求3所述的集成的基于本体和规则的推理系统,其中用于选择推理作为所述最终结果的所述预定义准则包括以下各项中的至少一项:
从所述基于本体的推理和所述基于规则的推理中选择具有较高的置信度得分的所述推理;
实现用于标识来自所述基于本体的推理和所述基于规则的推理中的优选的推理的统计技术;以及
在所述冲突被检测到的情况下,基于指示待选择的所述推理的选择规则,从所述基于本体的推理和所述基于规则的推理中选择所述推理。
5.根据权利要求1所述的集成的基于本体和规则的推理系统,其中所述索赔裁决请求包括用户数据和保险单数据中的至少一个,所述用户数据包括与用户有关的细节并且所述保险单数据包括与对应于所述索赔裁决请求的保险单有关的细节。
6.根据权利要求1所述的集成的基于本体和规则的推理系统,其中所述冲突解决器包括:
选择准则确定器,用于选择一个或多个选择准则,所述一个或多个选择准则可适用以便解决所述基于本体的推理与所述基于规则的推理之间的所述冲突;以及
分类器,用于基于历史数据从所述一个或多个准则选择所述预定义准则。
7.根据权利要求1所述的集成的基于本体和规则的推理系统,其中所述冲突解决器还包括结果监视器,所述监视器用于监视并且评价所述最终结果以执行所述冲突解决器的自学习。
8.一种用于索赔裁决的方法,包括:
使用基于本体的技术生成对应于索赔裁决请求的本体;
基于所述本体处理所述索赔裁决请求以提供基于本体的推理;
标识用于处理所述索赔裁决请求的预定义规则;
基于所述预定义规则处理所述索赔裁决请求以提供基于规则的推理;
查明所述基于本体的推理与所述基于规则的推理是否冲突,当所述基于本体的推理和所述基于规则的推理指示冲突的动作时,冲突被检测到;
当所述冲突被检测到时,选择用于解决所述冲突的预定义准则,所述预定义准则包括用于选择所述基于本体的推理和所述基于规则的推理中的一个以使在所述冲突被检测到的情况下准确地处理所述索赔裁决请求的概率最大化的规则;以及
实现用于提供指示如何解决所述冲突的最终结果的所述预定义准则。
9.根据权利要求8所述的方法,其中所述方法还包括:
接收所述索赔裁决请求;以及
从所述索赔裁决请求提取索赔数据以帮助以下各项中的至少一项:生成所述本体和标识所述预定义规则。
10.根据权利要求8所述的方法,其中所述方法还包括使第一置信度得分与所述基于本体的推理相关联,并且使第二置信度得分与所述基于规则的推理相关联。
11.根据权利要求10所述的方法,其中用于选择推理作为所述最终结果的所述预定义准则包括以下各项中的至少一项:
从所述基于本体的推理和所述基于规则的推理中选择具有较高的置信度得分的所述推理;
实现用于标识来自所述基于本体的推理和所述基于规则的推理中的优选的推理的统计技术;以及
当所述冲突被检测到时,基于指示待选择的所述推理的选择规则,从所述基于本体的推理和所述基于规则的推理中选择所述推理。
12.根据权利要求8所述的方法,其中所述索赔裁决请求包括用户数据和保险单数据中的至少一个,所述用户数据包括与用户有关的细节并且所述保险单数据包括与对应于所述索赔裁决请求的保险单有关的细节。
13.根据权利要求8所述的方法,其中选择所述预定义准则包括:
接收一个或多个选择准则,所述一个或多个选择准则可适用以便解决所述基于本体的推理与所述基于规则的推理之间的所述冲突;以及
基于历史数据,从所述一个或多个准则选择所述预定义准则。
14.根据权利要求8所述的方法,其中所述方法还包括评价所述最终结果以执行用于解决冲突的自学习。
15.一种非瞬态计算机可读介质,包括机器可读指令,所述机器可读指令由处理器可执行以:
使用基于本体的技术生成对应于索赔裁决请求的本体;
基于所述本体处理所述索赔裁决请求以提供基于本体的推理:
标识用于处理所述索赔裁决请求的预定义规则;
基于所标识的所述规则处理所述索赔裁决请求以提供基于规则的推理;
查明所述基于本体的推理与所述基于规则的推理是否冲突,当所述基于本体的推理和所述基于规则的推理指示冲突的动作时,冲突被检测到;
当所述冲突被检测到时,选择用于解决所述冲突的预定义准则,所述预定义准则包括用于选择所述基于本体的推理和所述基于规则的推理中的一个以使在所述冲突被检测到的情况下准确地处理所述索赔裁决请求的概率最大化的规则;以及
实现用于提供指示如何解决所述冲突的最终结果的所述预定义准则。
16.根据权利要求15所述的非瞬态计算机可读介质,其中所述处理器将用于:
接收所述索赔裁决请求;以及
从所述索赔裁决请求提取索赔数据以帮助以下各项中的至少一项:生成所述本体和标识所述预定义规则。
17.根据权利要求15所述的非瞬态计算机可读介质,其中所述处理器将使第一置信度得分与所述基于本体的推理相关联并且使第二置信度得分与所述基于规则的推理相关联。
18.根据权利要求15所述的非瞬态计算机可读介质,其中用于选择推理作为所述最终结果的所述预定义准则包括以下各项中的至少一项:
从所述基于本体的推理和所述基于规则的推理中选择具有较高的置信度得分的所述推理;
实现用于标识来自所述基于本体的推理和所述基于规则的推理中的优选的推理的统计技术;以及
当所述冲突被检测到时,基于指示待选择的所述推理的选择规则,从所述基于本体的推理和所述基于规则的推理中选择所述推理。
19.根据权利要求15所述的非瞬态计算机可读介质,其中所述索赔裁决请求包括用户数据体和保险单数据中的至少一个,所述用户数据包括与用户有关的细节并且所述保险单数据包括与对应于所述索赔裁决请求的保险单有关的细节。
20.根据权利要求15所述的非瞬态计算机可读介质,其中为了选择所述预定义准则,处理器将:
接收一个或多个选择准则,所述一个或多个选择准则可适用以便解决所述基于本体的推理与所述基于规则的推理之间的所述冲突;以及
基于历史数据,从所述一个或多个准则选择所述预定义准则。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862625760P | 2018-02-02 | 2018-02-02 | |
US62/625,760 | 2018-02-02 | ||
US16/037,807 US11586955B2 (en) | 2018-02-02 | 2018-07-17 | Ontology and rule based adjudication |
US16/037,807 | 2018-07-17 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110134939A CN110134939A (zh) | 2019-08-16 |
CN110134939B true CN110134939B (zh) | 2023-01-13 |
Family
ID=67476759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910069143.0A Active CN110134939B (zh) | 2018-02-02 | 2019-01-24 | 基于本体和规则的裁决 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11586955B2 (zh) |
CN (1) | CN110134939B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11295867B2 (en) * | 2018-06-05 | 2022-04-05 | Koninklljke Philips N.V. | Generating and applying subject event timelines |
CN111667894A (zh) * | 2020-06-03 | 2020-09-15 | 长沙瀚云信息科技有限公司 | 基于rete算法规则引擎的医院电子病历质量监控和管理系统 |
CN112187716B (zh) * | 2020-08-26 | 2021-07-20 | 中国科学院信息工程研究所 | 一种网络攻击中恶意代码的知识图谱展示方法 |
CN113520393B (zh) * | 2021-06-08 | 2022-01-21 | 深圳市镜象科技有限公司 | 冲突事件的检测方法、装置、可穿戴设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1361893A (zh) * | 1999-07-21 | 2002-07-31 | 经度公司 | 有基于需求的、可调整的收益的金融产品及其交易 |
US20030069760A1 (en) * | 2001-10-04 | 2003-04-10 | Arthur Gelber | System and method for processing and pre-adjudicating patient benefit claims |
CN101996385A (zh) * | 2009-08-25 | 2011-03-30 | 埃森哲环球服务有限公司 | 索赔分析引擎 |
US20170109333A1 (en) * | 2015-10-15 | 2017-04-20 | International Business Machines Corporation | Criteria modification to improve analysis |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050108630A1 (en) | 2003-11-19 | 2005-05-19 | Wasson Mark D. | Extraction of facts from text |
US20170017760A1 (en) * | 2010-03-31 | 2017-01-19 | Fortel Analytics LLC | Healthcare claims fraud, waste and abuse detection system using non-parametric statistics and probability based scores |
US9305261B2 (en) | 2012-10-22 | 2016-04-05 | Bank Of America Corporation | Knowledge management engine for a knowledge management system |
US10552525B1 (en) * | 2014-02-12 | 2020-02-04 | Dotloop, Llc | Systems, methods and apparatuses for automated form templating |
US20160026635A1 (en) | 2014-07-24 | 2016-01-28 | Wipro Limited | System and method for determining life cycle integrity of knowledge artifacts |
US11127082B1 (en) * | 2015-10-12 | 2021-09-21 | Allstate Insurance Company | Virtual assistant for recommendations on whether to arbitrate claims |
US20190006027A1 (en) * | 2017-06-30 | 2019-01-03 | Accenture Global Solutions Limited | Automatic identification and extraction of medical conditions and evidences from electronic health records |
-
2018
- 2018-07-17 US US16/037,807 patent/US11586955B2/en active Active
-
2019
- 2019-01-24 CN CN201910069143.0A patent/CN110134939B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1361893A (zh) * | 1999-07-21 | 2002-07-31 | 经度公司 | 有基于需求的、可调整的收益的金融产品及其交易 |
US20030069760A1 (en) * | 2001-10-04 | 2003-04-10 | Arthur Gelber | System and method for processing and pre-adjudicating patient benefit claims |
CN101996385A (zh) * | 2009-08-25 | 2011-03-30 | 埃森哲环球服务有限公司 | 索赔分析引擎 |
US20170109333A1 (en) * | 2015-10-15 | 2017-04-20 | International Business Machines Corporation | Criteria modification to improve analysis |
Non-Patent Citations (2)
Title |
---|
"工程索赔过程的博弈分析";陈伟 等;《基建优化》;20071031;第25卷(第5期);全文 * |
Bin Suo 等."Computational intelligence approach for uncertainty quantification using evidence theory".《IEEE》.2013,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN110134939A (zh) | 2019-08-16 |
US20190244121A1 (en) | 2019-08-08 |
US11586955B2 (en) | 2023-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110134939B (zh) | 基于本体和规则的裁决 | |
Mohammed et al. | Benchmarking methodology for selection of optimal COVID-19 diagnostic model based on entropy and TOPSIS methods | |
US11562143B2 (en) | Artificial intelligence (AI) based document processor | |
US11232365B2 (en) | Digital assistant platform | |
EP3522078A1 (en) | Explainable artificial intelligence | |
US11081215B2 (en) | Medical record problem list generation | |
US8612261B1 (en) | Automated learning for medical data processing system | |
EP3239869A1 (en) | A system and method to produce and validate weighted relations between drug and adverse drug reactions | |
US20130046558A1 (en) | System and Method for Identifying Inconsistent and/or Duplicate Data in Health Records | |
JP6916310B2 (ja) | 人間参加型対話式モデル訓練 | |
US20220035998A1 (en) | Obtaining supported decision trees from text for medical health applications | |
WO2008143865A1 (en) | System and method for large scale code classification for medical patient records | |
US11152087B2 (en) | Ensuring quality in electronic health data | |
Zhang et al. | Software feature refinement prioritization based on online user review mining | |
US20210174968A1 (en) | Visualization of Social Determinants of Health | |
US10997405B1 (en) | Method, apparatus, and computer program product for performing machine learning on unstructured documents | |
Cai et al. | Improving the efficiency of clinical trial recruitment using an ensemble machine learning to assist with eligibility screening | |
Yousefi et al. | Opening the black box: Personalizing type 2 diabetes patients based on their latent phenotype and temporal associated complication rules | |
US20220319647A1 (en) | Systems and methods for an improved healthcare data fabric | |
US11120894B2 (en) | Medical concierge | |
Breeze et al. | Predicting ophthalmic clinic non‐attendance using machine learning: Development and validation of models using nationwide data | |
Sanayei et al. | The Challenge Dataset–simple evaluation for safe, transparent healthcare AI deployment | |
Unger | Data acquisition and the implications of machine learning in the development of a Clinical Decision Support system | |
CN111400759A (zh) | 访视时间表生成方法及装置、存储介质、电子设备 | |
CN111275558A (zh) | 用于确定保险数据的方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |