CN110136007A - 一种自适应调整医疗保险覆盖策略的方法 - Google Patents
一种自适应调整医疗保险覆盖策略的方法 Download PDFInfo
- Publication number
- CN110136007A CN110136007A CN201910281445.4A CN201910281445A CN110136007A CN 110136007 A CN110136007 A CN 110136007A CN 201910281445 A CN201910281445 A CN 201910281445A CN 110136007 A CN110136007 A CN 110136007A
- Authority
- CN
- China
- Prior art keywords
- medical insurance
- medical
- information
- strategy
- patient
- 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
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
Abstract
本发明公开了一种自适应调整医疗保险覆盖策略的方法,具体涉及医疗大数据领域,包括如下步骤:S1、步骤S1,收集就诊患者的基本就诊信息,包括姓名、性别、年龄、所属的收入等级水平、参加的医疗保险种类、个人医疗保险筹资占总医疗保险筹资的比重、个人医疗保险筹资水平占其收入的比重,以及患病情况,将收集到的就诊信息标记为训练样本的“状态”信息。本发明通过收集患者就医信息,构建“状态‑动作‑反馈”样本集合,设计深度强化学习神经网络,训练上述神经网络,得到可自适应调整的医疗保险覆盖策略,使得不同人群能够获得更好的健康医疗保障,自适应调整医疗保险覆盖策略,保障人民的健康生活水平。
Description
技术领域
本发明涉及医疗大数据领域,更具体地说,本发明涉及一种自适应调整医疗保险覆盖策略的方法。
背景技术
当社会向更好的方向发展时,医疗保险作为社会保障的一个重要环节则必不可少。在一定程度上,医疗保险制度的发展也影响了医疗资源配置水平、国民健康情况,甚至人口社会经济发展状况。然而,在资源不均等条件下,医疗领域的有限水平跟不上医疗需求的过快增长;同时,贫困人口对医疗保障的需求更面临着长期性的问题。在此情况下,如何及时地自适应调整医疗保险覆盖策略,保障人民的健康生活水平,成为了一个亟需解决的问题。
当前,医疗保险的覆盖策略主要集中于保障的广度、保障的范围以及保障的待遇水平三个维度。保障的广度就是不同等级收入人群的参保情况;保障的范围考虑了政府、雇主、个人筹资占医保筹资的比重,以及不同收入群体的医保筹资水平占其收入的比重;保障的待遇水平关注了城镇职工医保、城镇居民医保、新农合、残存公费医疗的医保目录、报销水平、起付线和封顶线。基于这三个维度信息,本发明结合人工智能的方法,设计一种基于深度强化学习的自适应调整医疗保险覆盖策略的方法。
发明内容
为了克服现有技术的上述缺陷,本发明的实施例提供一种自适应调整医疗保险覆盖策略的方法,通过收集患者就医信息,构建“状态-动作-反馈”样本集合,设计深度强化学习神经网络,训练上述神经网络,得到可自适应调整的医疗保险覆盖策略,在现有的医疗保险覆盖策略下,运用深度强化学习方法,根据就医效果对现有的医疗保险覆盖策略进行自适应调整,这样使得受保群体享受的医疗保障覆盖策略更加完备,更好地保障人民的生活健康。
为实现上述目的,本发明提供如下技术方案:一种自适应调整医疗保险覆盖策略的方法,包括如下步骤:
S1、步骤S1,收集就诊患者的基本就诊信息,包括姓名、性别、年龄、所属的收入等级水平、参加的医疗保险种类、个人医疗保险筹资占总医疗保险筹资的比重、个人医疗保险筹资水平占其收入的比重,以及患病情况,将收集到的就诊信息标记为训练样本的“状态”信息;
S2、结合S1收集的基本就诊信息,整理患者就诊后对应的用药情况,包括所使用的医疗保险覆盖下药物的价格、用量以及非医疗保险覆盖下药物的价格、用量,将这些收集到的信息标记为训练样本的“动作”信息,收集就医治疗后对应的效果,包括患者用药后恢复健康情况、患者就医后的生活开支受到的影响;
S3、设计深度强化学习神经网络,将医保策略信息输入至卷积层网络中,对输入信息进行卷积操作,并使用padding操作,在进行padding操作时利用np.pad()函数,信息通过不同卷积核卷积并且加偏置bias,提取局部特征,每一个卷积核产生新的信息;
对卷积输出结果采用ReLU函数进行非线性激活函数处理,包括如下:
tf.nn.conv2d(X,W1,strides=[1,s,s,1],padding='SAME'):将输入X和W1进行卷积计算,第三个输入strides规定了在X(shape为(m, n_H_prev,n_W_prev,n_C_prev))各维度上的步长s,第四个输入padding规定padding的方式;
tf.nn.max_pool(A,ksize=[1,f,f,1],strides=[1,s,s,1], padding='SAME'):以ksize和strides规定的方式对输入A进行max-pooling 操作;
tf.nn.relu(Z1):Relu作为激活函数;
tf.contrib.layers.flatten(P):将P中每个样本flatten成一维向量,最后返回一个flatten的shape为[batch_size,k]的图;
并增加若干个卷积层,然后全连接层(FC),与神经网络的隐藏层相对应,最后softmax层预测输出值y_hat;
其中,卷积操作后输出的矩阵信息需满足如下公式:
利用非线性编码器对患者的基本信息和疾病情况进行编码,通过深度强化学习神经网络得到对应的多元特征向量;
S4、将步骤S1和S2收集到的信息进行整理,构建“状态-动作-反馈”训练样本集合,对医疗保险覆盖策略进行迭代训练,利用深度强化学习神经网络对每一个训练样本的“状态”信息,采取对应的“动作”,最后基于“反馈”信息来调整当前的策略;
S5、利用S4的样本对深度强化学习神经网络进行迭代训练,作为新的医疗保险覆盖策略;
S6、测试阶段,即参照步骤S1和S2来收集新的患者样本信息,根据训练好的医疗保险覆盖策略,得到用药情况,并根据患者真实的就医效果对此进行评判。
在一个优选地实施方式中,所述S2中,患者在多次就诊时,需要对多次就诊后对应的效果分别进行整理。
在一个优选地实施方式中,所述S4中,利用深度强化学习神经网络调节策略具体为:对每一个患者的就诊和患病情况,在当前的深度强化学习神经网络策略下,给出治疗药物,并基于治疗效果对深度强化学习神经网络再训练,最后将深度强化学习神经网络作为医疗保险覆盖策略。
本发明的技术效果和优点:
本发明通过收集患者就医信息,构建“状态-动作-反馈”样本集合,设计深度强化学习神经网络,训练上述神经网络,得到可自适应调整的医疗保险覆盖策略,在现有的医疗保险覆盖策略下,运用深度强化学习方法,根据就医效果对现有的医疗保险覆盖策略进行自适应调整,这样使得受保群体享受的医疗保障覆盖策略更加完备,更好地保障人民的生活健康。
附图说明
图1为本发明的算法流程示意图。
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。
本发明提供了如图1所示的一种自适应调整医疗保险覆盖策略的方法,包括如下步骤:
S1、步骤S1,收集就诊患者的基本就诊信息,包括姓名、性别、年龄、所属的收入等级水平、参加的医疗保险种类、个人医疗保险筹资占总医疗保险筹资的比重、个人医疗保险筹资水平占其收入的比重,以及患病情况,将收集到的就诊信息标记为训练样本的“状态”信息;
S2、结合S1收集的基本就诊信息,整理患者就诊后对应的用药情况,包括所使用的医疗保险覆盖下药物的价格、用量以及非医疗保险覆盖下药物的价格、用量,将这些收集到的信息标记为训练样本的“动作”信息,收集就医治疗后对应的效果,包括患者用药后恢复健康情况、患者就医后的生活开支受到的影响,当患者在多次就诊时,需要对多次就诊后对应的效果分别进行整理。
S3、设计深度强化学习神经网络,将医保策略信息输入至卷积层网络中,对输入信息进行卷积操作,并使用padding操作,在进行padding操作时利用np.pad()函数,信息通过不同卷积核卷积并且加偏置bias,提取局部特征,每一个卷积核产生新的信息;
对卷积输出结果采用ReLU函数进行非线性激活函数处理,包括如下:
tf.nn.conv2d(X,W1,strides=[1,s,s,1],padding='SAME'):将输入X和W1进行卷积计算,第三个输入strides规定了在X(shape为(m, n_H_prev,n_W_prev,n_C_prev))各维度上的步长s,第四个输入padding规定padding的方式;
tf.nn.max_pool(A,ksize=[1,f,f,1],strides=[1,s,s,1], padding='SAME'):以ksize和strides规定的方式对输入A进行max-pooling 操作;
tf.nn.relu(Z1):Relu作为激活函数;
tf.contrib.layers.flatten(P):将P中每个样本flatten成一维向量,最后返回一个flatten的shape为[batch_size,k]的图;
并增加若干个卷积层,然后全连接层(FC),与神经网络的隐藏层相对应,最后softmax层预测输出值y_hat;
其中,卷积操作后输出的矩阵信息需满足如下公式:
利用非线性编码器对患者的基本信息和疾病情况进行编码,通过深度强化学习神经网络得到对应的多元特征向量;
S4、将步骤S1和S2收集到的信息进行整理,构建“状态-动作-反馈”训练样本集合,对医疗保险覆盖策略进行迭代训练,利用深度强化学习神经网络对每一个训练样本的“状态”信息,采取对应的“动作”,最后基于“反馈”信息来调整当前的策略,具体为:对每一个患者的就诊和患病情况,在当前的深度强化学习神经网络策略下,给出治疗药物,并基于治疗效果对深度强化学习神经网络再训练,最后将深度强化学习神经网络作为医疗保险覆盖策略。
S5、利用S4的样本对深度强化学习神经网络进行迭代训练,作为新的医疗保险覆盖策略;
S6、测试阶段,即参照步骤S1和S2来收集新的患者样本信息,根据训练好的医疗保险覆盖策略,得到用药情况,并根据患者真实的就医效果对此进行评判。
通过收集患者就医信息,构建“状态-动作-反馈”样本集合,设计深度强化学习神经网络,训练上述神经网络,得到可自适应调整的医疗保险覆盖策略,在现有的医疗保险覆盖策略下,运用深度强化学习方法,根据就医效果对现有的医疗保险覆盖策略进行自适应调整,这样使得受保群体享受的医疗保障覆盖策略更加完备,更好地保障人民的生活健康。
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种自适应调整医疗保险覆盖策略的方法,其特征在于,包括如下步骤:
S1、步骤S1,收集就诊患者的基本就诊信息,包括姓名、性别、年龄、所属的收入等级水平、参加的医疗保险种类、个人医疗保险筹资占总医疗保险筹资的比重、个人医疗保险筹资水平占其收入的比重,以及患病情况,将收集到的就诊信息标记为训练样本的“状态”信息;
S2、结合S1收集的基本就诊信息,整理患者就诊后对应的用药情况,包括所使用的医疗保险覆盖下药物的价格、用量以及非医疗保险覆盖下药物的价格、用量,将这些收集到的信息标记为训练样本的“动作”信息,收集就医治疗后对应的效果,包括患者用药后恢复健康情况、患者就医后的生活开支受到的影响;
S3、设计深度强化学习神经网络,将医保策略信息输入至卷积层网络中,对输入信息进行卷积操作,并使用padding操作,在进行padding操作时利用np.pad()函数,信息通过不同卷积核卷积并且加偏置bias,提取局部特征,每一个卷积核产生新的信息;
对卷积输出结果采用ReLU函数进行非线性激活函数处理,包括如下:
tf.nn.conv2d(X,W1,strides=[1,s,s,1],padding='SAME'):将输入X和W1进行卷积计算,第三个输入strides规定了在X(shape为(m,n_H_prev,n_W_prev,n_C_prev))各维度上的步长s,第四个输入padding规定padding的方式;
tf.nn.max_pool(A,ksize=[1,f,f,1],strides=[1,s,s,1],padding='SAME'):以ksize和strides规定的方式对输入A进行max-pooling操作;
tf.nn.relu(Z1):Relu作为激活函数;
tf.contrib.layers.flatten(P):将P中每个样本flatten成一维向量,最后返回一个flatten的shape为[batch_size,k]的图;
并增加若干个卷积层,然后全连接层(FC),与神经网络的隐藏层相对应,最后softmax层预测输出值y_hat;
其中,卷积操作后输出的矩阵信息需满足如下公式:
利用非线性编码器对患者的基本信息和疾病情况进行编码,通过深度强化学习神经网络得到对应的多元特征向量;
S4、将步骤S1和S2收集到的信息进行整理,构建“状态-动作-反馈”训练样本集合,对医疗保险覆盖策略进行迭代训练,利用深度强化学习神经网络对每一个训练样本的“状态”信息,采取对应的“动作”,最后基于“反馈”信息来调整当前的策略;
S5、利用S4的样本对深度强化学习神经网络进行迭代训练,作为新的医疗保险覆盖策略;
S6、测试阶段,即参照步骤S1和S2来收集新的患者样本信息,根据训练好的医疗保险覆盖策略,得到用药情况,并根据患者真实的就医效果对此进行评判。
2.根据权利要求1所述的一种自适应调整医疗保险覆盖策略的方法,其特征在于:所述S2中,患者在多次就诊时,需要对多次就诊后对应的效果分别进行整理。
3.根据权利要求1所述的一种自适应调整医疗保险覆盖策略的方法,其特征在于:所述S4中,利用深度强化学习神经网络调节策略具体为:对每一个患者的就诊和患病情况,在当前的深度强化学习神经网络策略下,给出治疗药物,并基于治疗效果对深度强化学习神经网络再训练,最后将深度强化学习神经网络作为医疗保险覆盖策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910281445.4A CN110136007A (zh) | 2019-04-09 | 2019-04-09 | 一种自适应调整医疗保险覆盖策略的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910281445.4A CN110136007A (zh) | 2019-04-09 | 2019-04-09 | 一种自适应调整医疗保险覆盖策略的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110136007A true CN110136007A (zh) | 2019-08-16 |
Family
ID=67569429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910281445.4A Pending CN110136007A (zh) | 2019-04-09 | 2019-04-09 | 一种自适应调整医疗保险覆盖策略的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110136007A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796261A (zh) * | 2019-09-23 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 基于强化学习的特征提取方法、装置和计算机设备 |
CN111091884A (zh) * | 2019-12-24 | 2020-05-01 | 无锡识凌科技有限公司 | 一种医院信息集成平台的患者主索引匹配系统及方法 |
WO2022100043A1 (zh) * | 2020-11-12 | 2022-05-19 | 清华大学 | 资源分配方法及装置和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106951719A (zh) * | 2017-04-10 | 2017-07-14 | 荣科科技股份有限公司 | 临床诊断模型的构建方法及构建系统、临床诊断系统 |
CN109378065A (zh) * | 2018-10-30 | 2019-02-22 | 医渡云(北京)技术有限公司 | 医疗数据处理方法及装置、存储介质、电子设备 |
CN109378064A (zh) * | 2018-10-29 | 2019-02-22 | 南京医基云医疗数据研究院有限公司 | 医疗数据处理方法、装置电子设备及计算机可读介质 |
-
2019
- 2019-04-09 CN CN201910281445.4A patent/CN110136007A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106951719A (zh) * | 2017-04-10 | 2017-07-14 | 荣科科技股份有限公司 | 临床诊断模型的构建方法及构建系统、临床诊断系统 |
CN109378064A (zh) * | 2018-10-29 | 2019-02-22 | 南京医基云医疗数据研究院有限公司 | 医疗数据处理方法、装置电子设备及计算机可读介质 |
CN109378065A (zh) * | 2018-10-30 | 2019-02-22 | 医渡云(北京)技术有限公司 | 医疗数据处理方法及装置、存储介质、电子设备 |
Non-Patent Citations (1)
Title |
---|
姜新猛: ""基于TensorFlow的卷积神经网络的应用研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796261A (zh) * | 2019-09-23 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 基于强化学习的特征提取方法、装置和计算机设备 |
CN110796261B (zh) * | 2019-09-23 | 2023-09-08 | 腾讯科技(深圳)有限公司 | 基于强化学习的特征提取方法、装置和计算机设备 |
CN111091884A (zh) * | 2019-12-24 | 2020-05-01 | 无锡识凌科技有限公司 | 一种医院信息集成平台的患者主索引匹配系统及方法 |
WO2022100043A1 (zh) * | 2020-11-12 | 2022-05-19 | 清华大学 | 资源分配方法及装置和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Suraweera et al. | Trends in snakebite deaths in India from 2000 to 2019 in a nationally representative mortality study | |
CN107680082A (zh) | 基于深度卷积神经网络和全局特征的肺部肿瘤识别方法 | |
CN110136007A (zh) | 一种自适应调整医疗保险覆盖策略的方法 | |
Lin et al. | Multi-label classification of fundus images with graph convolutional network and self-supervised learning | |
Bird et al. | Stopping the intergenerational transmission of poverty: Research highlights and policy recommendations | |
Garibaldi et al. | Incorporation of expert variability into breast cancer treatment recommendation in designing clinical protocol guided fuzzy rule system models | |
Bilal et al. | IGWO-IVNet3: DL-based automatic diagnosis of lung nodules using an improved gray wolf optimization and InceptionNet-V3 | |
Jindal et al. | Role of artificial intelligence in distinct sector: A study | |
Coughlin et al. | Health care spending and service use among high-cost Medicaid beneficiaries, 2002—2004 | |
Sabzalian et al. | New bidirectional recurrent neural network optimized by improved Ebola search optimization algorithm for lung cancer diagnosis | |
Brockett et al. | The genetics revolution, economics, ethics and insurance | |
Hattery | Major League Baseball players, big data, and the right to know: the duty of major league baseball teams to disclose health modeling analysis to their players | |
Ghosh | Deep learning to diagnose diseases and security in 5g healthcare informatics | |
Dipro et al. | A federated learning approach for detecting Parkinson’s disease through privacy preserving by blockchain | |
Peng et al. | AFENet: attention fusion enhancement network for optic disc segmentation of premature infants | |
Lightman et al. | Sick and Tired: The compromised health of social assistance recipients and the working poor in Ontario | |
Barnett | Into the unknown: the anticipation and experience of membership of independent practitioner associations | |
McK. Lawrence | A provider's view of prevention approaches in a prepaid group practice | |
Obot et al. | Differential Diagnosis of Eye Diseases Based on Fuzzy Cognitive Map | |
Mariki | Machine learning model for prediction of malaria in low and high endemic areas of Tanzania | |
Ginzberg et al. | Organization and Financing of Medical Care: Resources | |
Neelima et al. | CAHO-DNFN: ME-Net-based segmentation and optimized deep neuro fuzzy network for brain tumour classification with MRI | |
Ofwete | Mathematical Model of Snakebite Dynamics in Turkana County and Outcome Based on Hospital Seeking Behavior | |
Kothuru | FMDB Transactions on Sustainable Health Science Letters | |
Kumar et al. | Application Domains of Federated Learning in Healthcare 5.0 |
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: 20190816 |