CN110706769A - 对医保数据进行DRGs分组的方法、装置和电子设备 - Google Patents
对医保数据进行DRGs分组的方法、装置和电子设备 Download PDFInfo
- Publication number
- CN110706769A CN110706769A CN201910890463.2A CN201910890463A CN110706769A CN 110706769 A CN110706769 A CN 110706769A CN 201910890463 A CN201910890463 A CN 201910890463A CN 110706769 A CN110706769 A CN 110706769A
- Authority
- CN
- China
- Prior art keywords
- group
- data
- information
- grouping
- adrg
- 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 78
- 238000003745 diagnosis Methods 0.000 claims abstract description 28
- 238000002054 transplantation Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 19
- 201000010099 disease Diseases 0.000 claims description 19
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 19
- 210000000056 organ Anatomy 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 13
- 238000013145 classification model Methods 0.000 claims description 10
- 238000003066 decision tree Methods 0.000 claims description 9
- 230000009984 peri-natal effect Effects 0.000 claims description 8
- 208000037129 Newborn Diseases Infant Diseases 0.000 claims description 6
- 208000020241 Neonatal disease Diseases 0.000 claims description 5
- 208000035474 group of disease Diseases 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 17
- CDDBPMZDDVHXFN-ONEGZZNKSA-N 2-[(e)-3-(1,3-benzodioxol-5-yl)prop-2-enyl]-1-hydroxypiperidine Chemical group ON1CCCCC1C\C=C\C1=CC=C(OCO2)C2=C1 CDDBPMZDDVHXFN-ONEGZZNKSA-N 0.000 abstract 3
- 238000010586 diagram Methods 0.000 description 12
- 238000001356 surgical procedure Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000005553 drilling Methods 0.000 description 6
- 230000003872 anastomosis Effects 0.000 description 5
- 239000003814 drug Substances 0.000 description 5
- 238000003672 processing method Methods 0.000 description 5
- 210000003625 skull Anatomy 0.000 description 5
- 230000006837 decompression Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000007917 intracranial administration Methods 0.000 description 4
- 210000005036 nerve Anatomy 0.000 description 4
- 210000000578 peripheral nerve Anatomy 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 208000011404 female reproductive system disease Diseases 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000002216 heart Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000000554 physical therapy Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000011539 total abdominal hysterectomy Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种对医保数据进行DRGs分组的方法、装置和电子设备,该方法包括:获取待分析数据,待分析数据包括患者的就诊基本信息、项目清单信息;应用分组模型,根据所述项目清单信息中的手术信息,得到MDCA组;应用分组模型,根据就诊基本信息中的患者出生日期信息和患者入院日期信息,得到MDCP组;应用分组模型,基于所述就诊基本信息中的诊断信息和项目清单信息中的手术信息,得到26个MDC组中除所述MDCA组和所述MDCP组以外的其他MDC组。本实施例的方法,应用分组模型可以将待分析数据划分为MDC组,且先对待分析数据进行分组,得到MDCA组和MDCP组,再对剩余的待分析数据进行分组,得到其他MDC组,能够使整个操作过程简单,提高分组效率。
Description
技术领域
本发明涉及医疗技术领域,尤其涉及一种对医保数据进行DRGs分组的方法。
背景技术
诊断相关组(diagnosis ralated groups,DRGs)是医疗服务领域重要的管理工具,广泛应用于规划、预算、支付、绩效评估、质量控制等多个领域。现有的诊断相关组的分组逻辑大致如下:先按照主要诊断方式对获取到的病案首页进行分类,得到MDC组(MajorDiagnostic Category,主要诊断分类),其次对MDC 组进行多次分组,得到诊断相关组。在没有病案首页只有结算数据的情况下,目前还没有一种合适的方式将结算数据分为多个MDC组,其中,结算数据包括就诊明细(即就诊基本信息)、结算明细(即就诊费用信息)和处方明细(即项目清单信息),就诊基本信息包括诊断、患者的个人信息等,项目清单信息包括项目代码、项目名称和项目数量等,就诊费用包括项目费用,医疗总费用、患者自付费用、统筹基金支出等。
因此,需要一种合适的方式对结算数据进行分组处理。
发明内容
本发明实施例提供一种对医保数据进行DRGs分组的方法、装置和电子设备,以解决现在技术在没有病案首页只有医保数据的情况下,如何将医保数据作为待分析数据分为多个MDC组的问题。
为了解决上述技术问题,本发明是这样实现的:
第一方面,提供了一种对医保数据进行DRGs分组的方法,该方法包括:
获取待分析数据,所述待分析数据包括患者的就诊基本信息、项目清单信息;
应用分组模型,根据所述项目清单信息中的手术信息,得到先期分组疾病及相关操作MDCA组,所述MDCA组包括的数据的手术信息为器官移植手术信息;
应用所述分组模型,根据所述就诊基本信息中的患者出生日期信息和患者入院日期信息,得到新生儿及其他围产新生儿疾病MDCP组,所述MDCP组包括的数据的患者出生日期信息与患者入院日期信息的绝对差值满足预设条件;
应用所述分组模型,基于所述就诊基本信息中的诊断信息和项目清单信息中的手术信息,得到26个MDC组中除所述MDCA组和所述MDCP组以外的其他MDC组。
第二方面,提供了一种对医保数据进行DRGs分组的装置,该装置包括:
获取模块,用于获取待分析数据,所述待分析数据包括患者的就诊基本信息、项目清单信息;
第一分组模块,用于应用分组模型,根据所述项目清单信息中的手术信息,得到先期分组疾病及相关操作MDCA组,所述MDCA组包括的数据的手术信息为器官移植手术信息;
第二分组模块,用于应用所述分组模型,根据所述就诊基本信息中的患者出生日期信息和患者入院日期信息,得到新生儿及其他围产新生儿疾病MDCP 组,所述MDCP组包括的数据的患者出生日期信息与患者入院日期信息的绝对差值满足预设条件;
第三分组模块,用于应用所述分组模型,基于所述就诊基本信息中的诊断信息和项目清单信息中的手术信息,得到26个MDC组中除所述MDCA组和所述MDCP组以外的其他MDC组。
第三方面,提供了一种电子设备,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如第一方面所述的方法的步骤。
第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的方法的步骤。
在本发明实施例中,获取待分析数据,待分析数据包括患者的就诊基本信息、项目清单信息,应用分组模型,根据项目清单信息中的手术信息,得到MDCA 组,该MDCA组包括的数据的手术信息为器官移植手术信息;应用分组模型,根据就诊基本信息中的患者出生日期信息和患者入院日期信息,得到MDCP组,该MDCP组包括的数据的患者出生日期信息与患者入院日期信息的绝对差值满足预设条件;应用分组模型,基于所述就诊基本信息中的诊断信息和项目清单信息中的手术信息,得到26个MDC组中除MDCP组、MDCA组以外的其他 MDC组,在没有病案首页只有医保数据的情况下,可以将医保数据作为待分析数据分为26个MDC组,且该分组方法相对其他处理方法为最优的分组方法,能够避免将入组MDCA组、MDCP组的数据先划分到其他MDC组,再从其他 MDC组中提取出来重新入组MDCA组和MDCP组,进而减少数据重复分组的步骤,使整个操作过程简单,提高分组效率。同时,也无需将MDCY组和MDCZ组单独分组,减少分组步骤,使整个操作过程简单,提高分组效率。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明的一个实施例的对医保数据进行DRGs分组的方法的流程示意图;
图2是本发明的一个实施例的患者就诊的数据的示意图;
图3是本发明的另一个实施例的对医保数据进行DRGs分组的方法的流程示意图;
图4是本发明的一个实施例的对医保数据进行DRGs分组的装置的结构示意图;
图5是本发明的一个实施例的电子设备的结构示意图。
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,都属于本发明保护的范围。
图1是本发明的一个实施例的对医保数据进行DRGs分组的方法的流程示意图,图1所示的方法可以由对医保数据进行DGRs分组装置执行,如图1所示,该方法包括:
步骤S102,获取待分析数据,所述待分析数据包括患者的就诊基本信息、项目清单信息。
应理解,患者的就诊基本信息包括患者的出生日期、入院日期、性别、诊断等信息,项目清单信息包括患者的手术项目、操作项目、化验项目等信息。
在步骤S102中,获取待分析数据,用于后续步骤根据预设分组逻辑规则对获取到的待分析数据进行分类,得到如表1所示的26个MDC组。
表1
可选地,在一些实施例中,所述待分析数据为从医保数据中剔除异常数据后获得,所述医保数据为患者就诊的数据,所述异常数据为无法被所述分组模型分析的数据。
应理解,医保数据是某个医院在某个时间段内所有患者就诊的数据,患者就诊的数据包括就诊基本信息、项目清单信息和患者的就诊费用信息。
在一些实施例中,获取医保数据,对获取到的医保数据进行校验,剔除不符合分组模型分析的异常数据,得到待分析数据。避免异常数据影响到后续的分组结果,提高分组结果的准确性。
比如,住院天数大于60天的病案数据确定为异常数据,将该异常数据剔除;住院天数小于1天的病案数据,经手术项目的筛选,将不包括主要治疗方式目录任一外科手术项目的数据确定为异常数据,将该异常数据剔除。将本地市通用版ICD-10疾病编码目录不能匹配的病案数据确定为异常数据,将该异常数据剔除。
步骤S104,应用分组模型,根据所述项目清单信息中的手术信息,得到先期分组疾病及相关操作MDCA组,所述MDCA组包括的数据的手术信息为器官移植手术信息。
在步骤S104中,应用分组模型,根据项目清单信息中的手术信息,判断手术信息是否包括器官移植手术信息,如心脏、肺、肝、肾等其他器官移植手术信息。若是,将器官移植手术信息对应的数据组成MDCA组。
步骤S106,应用分组模型,根据所述就诊基本信息中的患者出生日期信息和患者入院日期信息,得到新生儿及其他围产新生儿疾病MDCP组,所述MDCP 组包括的数据的患者出生日期信息与患者入院日期信息的绝对差值满足预设条件。
应理解,预设条件可以为大于或等于阈值,该阈值是根据用户或是实际情况而设置的。
比如,预设条件为小于或等于30天,患者出生日期信息为2019年3月6 日,患者入院日期信息为2019年4月3日,该两者的绝对差值为28天满足预设条件,将该类数据组成MDCP组。
或者,预设条件为小于或等于4个月,患者出生日期信息为2019年3月6 日,该患者入院日期信息为2019年8月6日,该两者的绝对差值为3个月满足预设条件,将该类数据组成MDCP组。
或者,预设条件为小于或等于1年,患者出生日期信息为2018年1月6日,该患者入院日期信息为2019年1月1日,该两者的绝对差值满足预设条件,将该类数据组成MDCP组。
步骤S108,应用分组模型,基于所述就诊基本信息中的诊断信息和项目清单信息中的手术信息,得到26个MDC组中除所述MDCA组和所述MDCP组以外的其他MDC组。
在步骤S108中,应用分组模型,根据就诊基本信息中的诊断信息和项目清单信息中的手术信息,得到24个其他MDC组。该其他MDC组包括的数据的手术信息为非器官移植手术信息。如根据疾病分类编码扩展-疾病编码内容,得到其他MDC组。在没有病案首页只有医保数据的情况下,可以将医保数据作为待分析数据分为26个MDC组。
在本发明实施例中,获取待分析数据,待分析数据包括患者的就诊基本信息、项目清单信息,应用分组模型,根据项目清单信息中的手术信息,得到MDCA 组,该MDCA组包括的数据的手术信息为器官移植手术信息;应用分组模型,根据就诊基本信息中的患者出生日期信息和患者入院日期信息,得到MDCP组,该MDCP组包括的数据的患者出生日期信息与患者入院日期信息的绝对差值满足预设条件;应用分组模型,基于所述就诊基本信息中的诊断信息和项目清单信息中的手术信息,得到26个MDC组中除MDCP组、MDCA组以外的其他 MDC组,在没有病案首页只有医保数据的情况下,可以将医保数据作为待分析数据分为26个MDC组,且该分组方法相对其他处理方法为最优的分组方法,能够避免将入组MDCA组、MDCP组的数据先划分到其他MDC组,再从其他 MDC组中提取出来重新入组MDCA组和MDCP组,进而减少数据重复分组的步骤,使整个操作过程简单,提高分组效率。同时,也无需将MDCY组和MDCZ组单独分组,减少分组步骤,使整个操作过程简单,提高分组效率。
可选地,在一些实施例中,根据所述待分析数据的不同处理方式,对所述 MDCA组、所述MDCP组以及所述其他MDC组中的数据进行细分,得到外科部初级相邻诊断相关ADRG组、内科部初级ADRG组以及操作部初级ADRG 组。
当然,应理解,外科指的是采用手术手段来治疗人体内外疾病的一个分科,
内科指的是主要用药物或者是理疗行为而不用手术来治疗人体内外疾病的一个分科,操作指的是通过手术以外的操作来治疗人体内外疾病的一个分科,如身体的相关检查操作,具体地,该操作可以参照国家发布的医疗手术及操作分类(ICD-9-CM3)。
在一些实施例中,基于待分析数据与病案首页的类型不同,其中,病案首页中有具体的手术及操作编码,可以根据手术及操作编码将MDC组细分为 ADRG组,而待分析数据中无具体的手术及操作编码,需要根据待分析数据的不同处理方式,对26个MDC组进行细分,得到初级ADRG组以及后续的终级ADRG组,具体地,根据待分析数据的不同处理方式,确定26个MDC组中数据对应的外科、操作、内科的标签,按照该26个MDC组中数据的外科、操作、内科的标签,将26个MDC组分为外科部初级ADRG组、操作部初级ADRG 组、内科部初级ADRG组。
比如,如图2所示的刘某、王某、孙某3个病例,3位女患者诊断都为C55.x00 子宫恶性肿瘤,主要诊断为MDCN女性生殖系统疾病及功能障碍。病例1-刘某就诊的数据中匹配到主要治疗方式(又称处理方式)为68.4901经腹全子宫切除术手术,进入外科部初级ADRG(AX);病例2-王某就诊的数据中,匹配到主要治疗方式为69.0901诊断性刮宫术,进入操作部初级ADRG(BX);病例3-孙某就诊的数据中无手术、治疗性操作、诊疗性操作,属于纯内科治疗,进入到内科部初级ADRG(CX)。
可选地,在一些实施例中,所述待分析数据还包括患者的就诊费用信息,图1所示的方法还包括:
根据所述项目清单信息中的手术项目以及操作项目的数量、技术难度、风险程度以及所述就诊费用信息中的手术项目以及操作项目的费用中的至少一种,对外科部初级ADRG组、所述操作部初级ADRG组的手术项目以及操作项目进行拆分,得到外科部中级ADRG组、操作部中级ADRG组。
在一些实施例中,依次按照项目清单信息中的手术项目以及操作项目的数量、技术难度、风险程度以及就诊费用信息中的手术项目以及操作项目的费用,对外科部、操作部对应的初级ADRG组中的数据进行细分,得到外科部、操作部对应的中级ADRG组。
举例说明,以某个外科部初级ADRG组中的某患者就诊的数据为例,获取到以下符合该初级ADRG组中的手术项目:“显微镜下幕上浅部异物清除术”、“显微镜下开颅颅内减压术”、“颅骨钻孔探查术”、“吻合血管周围神经移植缝合术”;
其中“显微镜下幕上浅部异物清除术”数量为1,“显微镜下开颅颅内减压术”数量为0.6,“颅骨钻孔探查术”数量为1,“吻合血管周围神经移植缝合术”数量为1;将“显微镜下开颅颅内减压术”入组手术唯一组,将“显微镜下幕上浅部异物清除术”、“颅骨钻孔探查术”、“吻合血管周围神经移植缝合术”入组多手手术组。
此时“显微镜下幕上浅部异物清除术”、“颅骨钻孔探查术”、“吻合血管周围神经移植缝合术”数量均≥1,需做技术难度的判断;其中“显微镜下幕上浅部异物清除术”技术难度级别为a79,“颅骨钻孔探查术”技术难度级别为a50,“吻合血管周围神经移植缝合术”技术难度级别为a79,明显的a79>a50。所以此时“显微镜下幕上浅部异物清除术”、“吻合血管周围神经移植缝合术”需做风险程度的判断;其中,“显微镜下幕上浅部异物清除术”的风险程度为b34、“吻合血管周围神经移植缝合术”的风险程度为b32;明显的,b34>b32。将“显微镜下幕上浅部异物清除术”确定为主要手术,而“显微镜下开颅颅内减压术”、“颅骨钻孔探查术”、“吻合血管周围神经移植缝合术”确定为辅助手术。将该四个手术分到以“显微镜下幕上浅部异物清除术”为主要手术,其他手术为辅助手术的外科部中级ADRG组,也就是说,将该四个手术分到以“显微镜下幕上浅部异物清除术”为主要手术的多术式中级ADRG组。
又例如,操作部初级ADRG组中李八就诊的数据包括10个操作,分别是A、 B、C......J,判断10个操作的数量是否大于或等于1,只有A操作的数量小于1,进一步判断B-J操作的技术难度,B-J操作的技术难度级别依次为a60、a70、a60、 b70、a60、a60、a50、c40、c30,其中,a>b>c,70>60,则明显的a70>a60 >a50>b79>b70>c40>c30。对4个技术难度为a60对应的B、D、F、G操作进行风险程度判断,B、D、F、G操作的风险程度依次为a40、a40、a70、a90,明显地是a90>a70>a40,对两个风险程度为a40对应的B、D操作进行就诊费用判断,B操作的费用为5000元,D操作的费用为4800元。将B操作确定为主要操作,除B操作以外的其他操作确定为辅助操作,将该10个操作分到以B 操作为主要操作、其他操作为辅助操作的操作部中级ADRG组,也就是说,将该10个操作分到以B操作为主要操作的多术式中级ADRG组。
又例如,获取某个初级ADRG组中的张三、李四、王五和赵六就诊的数据,张三就诊的数据包括主要手术A,李四就诊的数据包括主要手术B和辅助手术d,王五就诊的数据包括主要手术C和辅助手术d,赵六就诊的数据包括主要手术B 和辅助手术c,将张三就诊的数据分到一组以手术A为主要手术的中级ADRG 组,将李四和赵六就诊的数据分到一组以手术B为主要手术、其他手术为辅助手术的中级ADRG组,将王五就诊的数据分到一组以手术C为主要手术的中级 ADRG组。
可选地,在一些实施例中,图1所示的方法还包括:
对所述外科部中级ADRG组、所述操作部中级ADRG组和所述内科部初级 ADRG组中的项目进行进一步划分,得到对应的终级ADRG组。
在一些实施例中,为了进一步地提高数据分组的准确性,获取通过临床人工参与(即人工经验)得到的临床部分分析数据,根据该临床部分分析数据,判断外科部中级ADRG组、操作部中级ADRG组和内科部初级ADRG组中的项目之间的差异性,对该类ADRG组中的项目进行进一步合并或拆分,外科部终级ADRG组、操作部终级ADRG组和内科部终级ADRG组。
可选地,在一些实施例中,图1所示的方法还包括:
采用决策树分类模型,对所述终级ADRG组中的并发症信息以及个人因素进行分析,得到若干个诊断相关DRGs组;其中,
所述决策树分类模型是基于已分为DRGs组的样本数据训练得到的。
应理解,并发证信息包括CC(Complication&Comorbidity,有无合并症和伴随病)、MCC(Major Complication&Comorbidity,有无严重合并症和伴随病)。个体因素包括年龄、性别、住院天数、离院方式等。
在一些实施例中,基于决策树分类模型对终级ADRG组进行分析,得到若干个DGRs组,相对于人工对终级ADRG组进行分析,提高数据的分组效率。其中,决策树分类模型的计算复杂度不高、便于使用、而且高效,决策树分类模型可处理具有不相关特征的数据、可很容易地构造出易于理解的规则,而规则通常易于解释和理解。
可选地,在另一些实施例中,所述分组模型通过训练数据训练获得,所述训练数据为与所述待分析数据对应的地区的数据。
在另一些实施例中,地区不同,其经济水平以及医疗水平也是不同,其中,分组模型是基于训练数据训练得到,根据当地的训练数据训练得到的分组模型,采用该分组模型,对当地的待分析数据进行本地化分组,得到若干个DRGs组,该分组方法更适合当地医疗现状,且避免出现数据覆盖不全面的情况,同时,该分组方法更灵活,且可以被应用于医院评价、医疗质量管理和医疗付费管理。
此外,本发明基于医保数据的DRGs分组的实现,明确了不同的医疗服务技术之间的差异,将医疗服务所涉及的工作量合资源消耗进行客观度量,满足可比性要求。可帮助卫生行政部门、医疗机构、医疗保险经办机构等部门有效控制医疗费用的不合理上涨;激励提高医疗质量,促进医疗技术的进步;促进医院建立健全成本核算体系,降低经营成本;有助于缓解医患矛盾;促进医院标准化管理和医院信息系统建设。
比如,采用基于上海的训练数据训练得到分组模型,对上海的待分析数据进行分组,得到上海的DRGs组。
或者,南京要进行DRGs付费方式改革,采用基于南京的训练数据训练得到的分组模型,对南京的待分析数据进行分组,得到南京的DRGs组。
图3是本发明的另一个实施例的对医保数据进行DRGs分组的方法的流程示意图,如图3所示,该方法包括以下步骤:
步骤S302,获取医保数据,该医保数据包括患者的出生日期、性别、入院日期、手术、诊断以及费用等等。
步骤S304,对获取到的医保数据进行校验,将不符合分组要求的异常数据剔除,如将住院天数大于60天的数据确定为异常数据并剔除。将符合分组要求的数据作为待分析数据执行步骤S206。
步骤S306,判断待分析数据中的项目是否有符合MDCA项目列表内的项目,也就是说,判断待分析数据中手术信息是否包括器官移植手术信息,若是,将与器官移植手术信息相关的数据入组MDCA组;若否,执行步骤S308。
步骤S308,判断待分析数据中患者的入院日期与出生日期的绝对差值<29 天,若是,将该类数据入组MDCP组,若否,执行步骤S310。
步骤S310,根据待分析数据中的诊断、手术信息,具体地,根据疾病分类编码扩展-疾病编码内容,将除已入组MDCA、MACP以外的数据入组其他的 24个MDC组。
步骤S312,根据待分析数据的外科、内科、操作的至少一种处理方式,将 26个MDC组分为外科部初级ADRG组、操作部初级ADRG组和内科部初级 ADRG组,并按照待分析数据的手术类项目的数量、技术难度、风险程度以及、就诊费用中的至少一种,对外科部初级ADRG组、操作部初级ADRG组进行细分,得到外科部中级ADRG组、操作部中级ADRG组。
步骤S314,根据临床人工参与分析得到的临床部分分析数据,确定外科部中级ADRG组、操作部中级ADRG组以及内科部初级ADRG组中的数据是否合并或拆分,得到外科部终级ADRG组、操作部终级ADRG组和内科部终级 ADRG组。
步骤S316,给外科部终级ADRG组、操作部终级ADRG组以及内科部终级ADRG组中的数据标上CC伴合并症与伴随病/MCC伴重要合并症与伴随病的标识。以及通过决策树分类模型,根据个体因素和CC/MCC标识进行分组,得到若干个DRGs组。
图4是本发明的一个实施例的对医保数据进行DRGs分组的装置的结构示意图,如图4所示,该装置40包括:
获取模块41,用于获取待分析数据,所述待分析数据包括患者的就诊基本信息、项目清单信息;
第一分组模块42,用于应用分组模型,根据所述项目清单信息中的手术信息,得到先期分组疾病及相关操作MDCA组,所述MDCA组包括的数据的手术信息为器官移植手术信息;
第二分组模块43,用于应用所述分组模型,根据所述就诊基本信息中的患者出生日期信息和患者入院日期信息,得到新生儿及其他围产新生儿疾病 MDCP组,所述MDCP组包括的数据的患者出生日期信息与患者入院日期信息的绝对差值满足预设条件;
第三分组模块44,用于应用所述分组模型,基于所述就诊基本信息中的诊断信息和项目清单信息中的手术信息,得到26个MDC组中除所述MDCA组和所述MDCP组以外的其他MDC组。
在本发明实施例中,获取待分析数据,待分析数据包括患者的就诊基本信息、项目清单信息,应用分组模型,根据项目清单信息中的手术信息,得到MDCA 组,该MDCA组包括的数据的手术信息为器官移植手术信息;应用分组模型,根据就诊基本信息中的患者出生日期信息和患者入院日期信息,得到MDCP组,该MDCP组包括的数据的患者出生日期信息与患者入院日期信息的绝对差值满足预设条件;应用分组模型,基于所述就诊基本信息中的诊断信息和项目清单信息中的手术信息,得到26个MDC组中除MDCP组、MDCA组以外的其他 MDC组,在没有病案首页只有医保数据的情况下,可以将待分析数据即医保数据分为26个MDC组,且该分组方法相对其他处理方法为最优的分组方法,能够避免将入组MDCA组、MDCP组的数据先划分到其他MDC组,再从其他 MDC组中提取出来重新入组MDCA组和MDCP组,进而减少数据重复分组的步骤,使整个操作过程简单,提高分组效率。同时,也无需将MDCY组和MDCZ组单独分组,减少分组步骤,使整个操作过程简单,提高分组效率。
可选地,作为一个实施例,所述装置40还包括:
根据所述待分析数据的不同处理方式,对所述MDCA组、所述MDCP组以及所述其他MDC组中的数据进行细分,得到外科部初级相邻诊断相关ADRG 组、内科部初级ADRG组以及操作部初级ADRG组。
可选地,作为一个实施例,所述待分析数据还包括患者的就诊费用信息,所述装置40还包括:
细分模块,用于根据所述项目清单信息中的手术项目以及操作项目的数量、技术难度、风险程度以及所述就诊费用信息中的手术项目以及操作项目的费用中的至少一种,对外科部初级ADRG组、所述操作部初级ADRG组的手术项目以及操作项目进行拆分,得到外科部中级ADRG组、操作部中级ADRG组。
可选地,作为一个实施例,所述装置40还包括:
划分模块,用于对所述外科部中级ADRG组、所述操作部中级ADRG组和所述内科部初级ADRG组中的项目进行进一步划分,得到对应的终级ADRG组。
可选地,作为一个实施例,所述装置40还包括:
分类模型模块,用于采用决策树分类模型,对所述终级ADRG组中的并发症信息以及个人因素进行分析,得到若干个诊断相关DRGs组;其中,
所述决策树分类模型是基于已分为DRGs组的样本数据训练得到的。
可选地,作为一个实施例,所述待分析数据为从医保数据中剔除异常数据后获得,所述医保数据为患者就诊的数据,所述异常数据为无法被所述分组模型分析的数据。
可选地,作为一个实施例,所述分组模型通过训练数据训练获得,所述训练数据为与所述待分析数据对应的地区的数据。
本发明实施例提供的装置能够实现图1至图3所示的方法实施例中实现的各个过程,为避免重复,这里不再赘述。
下面将结合图5详细描述根据本申请一个实施例的电子设备。参考图5,在硬件层面,电子设备包括处理器,可选地,包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory, RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外设部件互连标准(Peripheral Component Interconnect,PCI)总线或扩展工业标准结构 (ExtendedIndustry Standard Architecture,EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成对医保数据进行DRGs分组的装置。处理器,执行存储器所存放的程序,并具体用于执行以下操作:
获取待分析数据,所述待分析数据包括患者的就诊基本信息、项目清单信息;
应用分组模型,根据所述项目清单信息中的手术信息,得到先期分组疾病及相关操作MDCA组,所述MDCA组包括的数据的手术信息为器官移植手术信息;
应用所述分组模型,根据所述就诊基本信息中的患者出生日期信息和患者入院日期信息,得到新生儿及其他围产新生儿疾病MDCP组,所述MDCP组包括的数据的患者出生日期信息与患者入院日期信息的绝对差值满足预设条件;
应用所述分组模型,基于所述就诊基本信息中的诊断信息和项目清单信息中的手术信息,得到26个MDC组中除所述MDCA组和所述MDCP组以外的其他MDC组。
在本发明实施例中,获取待分析数据,待分析数据包括患者的就诊基本信息、项目清单信息,应用分组模型,根据项目清单信息中的手术信息,得到MDCA 组,该MDCA组包括的数据的手术信息为器官移植手术信息;应用分组模型,根据就诊基本信息中的患者出生日期信息和患者入院日期信息,得到MDCP组,该MDCP组包括的数据的患者出生日期信息与患者入院日期信息的绝对差值满足预设条件;应用分组模型,基于所述就诊基本信息中的诊断信息和项目清单信息中的手术信息,得到26个MDC组中除MDCP组、MDCA组以外的其他 MDC组,在没有病案首页只有医保数据的情况下,可以将待分析数据即医保数据分为26个MDC组,且该分组方法相对其他处理方法为最优的分组方法,能够避免将入组MDCA组、MDCP组的数据先划分到其他MDC组,再从其他 MDC组中提取出来重新入组MDCA组和MDCP组,进而减少数据重复分组的步骤,使整个操作过程简单,提高分组效率。同时,也无需将MDCY组和MDCZ组单独分组,减少分组步骤,使整个操作过程简单,提高分组效率。
上述如本申请图1所示实施例揭示的对医保数据进行DRGs分组的装置执行的方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(CentralProcessing Unit,CPU)、网络处理器 (Network Processor,NP)等;还可以是数字信号处理器(Digital Signal Processor, DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
当然,除了软件实现方式之外,本申请的电子设备并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
本发明实施例提供一种计算机可读存储介质,获取待分析数据,所述待分析数据包括患者的就诊基本信息、项目清单信息;应用分组模型,根据所述项目清单信息中的手术信息,得到先期分组疾病及相关操作MDCA组,所述MDCA 组包括的数据的手术信息为器官移植手术信息;应用所述分组模型,根据所述就诊基本信息中的患者出生日期信息和患者入院日期信息,得到新生儿及其他围产新生儿疾病MDCP组,所述MDCP组包括的数据的患者出生日期信息与患者入院日期信息的绝对差值满足预设条件;应用所述分组模型,基于所述就诊基本信息中的诊断信息和项目清单信息中的手术信息,得到26个MDC组中除所述MDCA组和所述MDCP组以外的其他MDC组。
在本发明实施例中,获取待分析数据,待分析数据包括患者的就诊基本信息、项目清单信息,应用分组模型,根据项目清单信息中的手术信息,得到MDCA 组,该MDCA组包括的数据的手术信息为器官移植手术信息;应用分组模型,根据就诊基本信息中的患者出生日期信息和患者入院日期信息,得到MDCP组,该MDCP组包括的数据的患者出生日期信息与患者入院日期信息的绝对差值满足预设条件;应用分组模型,基于所述就诊基本信息中的诊断信息和项目清单信息中的手术信息,得到26个MDC组中除MDCP组、MDCA组以外的其他 MDC组,在没有病案首页只有医保数据的情况下,可以将待分析数据即医保数据分为26个MDC组,且该分组方法相对其他处理方法为最优的分组方法,能够避免将入组MDCA组、MDCP组的数据先划分到其他MDC组,再从其他 MDC组中提取出来重新入组MDCA组和MDCP组,进而减少数据重复分组的步骤,使整个操作过程简单,提高分组效率。同时,也无需将MDCY组和MDCZ组单独分组,减少分组步骤,使整个操作过程简单,提高分组效率。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/ 或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM) 和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的定界,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商品或者设备不仅包括那些要素,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、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本发明的实施例可提供为方法、系统或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述仅为本发明的实施例而已,并不用于限制本发明。对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原理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权利要求范围之内。
Claims (10)
1.一种对医保数据进行DRGs分组的方法,其特征在于,所述方法包括:
获取待分析数据,所述待分析数据包括患者的就诊基本信息、项目清单信息;
应用分组模型,根据所述项目清单信息中的手术信息,得到先期分组疾病及相关操作MDCA组,所述MDCA组包括的数据的手术信息为器官移植手术信息;
应用所述分组模型,根据所述就诊基本信息中的患者出生日期信息和患者入院日期信息,得到新生儿及其他围产新生儿疾病MDCP组,所述MDCP组包括的数据的患者出生日期信息与患者入院日期信息的绝对差值满足预设条件;
应用所述分组模型,基于所述就诊基本信息中的诊断信息和项目清单信息中的手术信息,得到26个MDC组中除所述MDCA组和所述MDCP组以外的其他MDC组。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述待分析数据的不同处理方式,对所述MDCA组、所述MDCP组以及所述其他MDC组中的数据进行细分,得到外科部初级相邻诊断相关ADRG组、内科部初级ADRG组以及操作部初级ADRG组。
3.如权利要求2所述的方法,其特征在于,所述待分析数据还包括患者的就诊费用信息,所述方法还包括:
根据所述项目清单信息中的手术项目以及操作项目的数量、技术难度、风险程度以及所述就诊费用信息中的手术项目以及操作项目的费用中的至少一种,对外科部初级ADRG组、所述操作部初级ADRG组的手术项目以及操作项目进行拆分,得到外科部中级ADRG组、操作部中级ADRG组。
4.如权利要求3所述的方法,其特征在于,所述方法还包括:
对所述外科部中级ADRG组、所述操作部中级ADRG组和所述内科部初级ADRG组中的项目进行进一步划分,得到对应的终级ADRG组。
5.如权利要求4所述的方法,其特征在于,所述方法还包括:
采用决策树分类模型,对所述终级ADRG组中的并发症信息以及个人因素进行分析,得到若干个诊断相关DRGs组;其中,
所述决策树分类模型是基于已分为DRGs组的样本数据训练得到的。
6.如权利要求1-5任一项所述的方法,其特征在于,所述待分析数据为从结算数据中剔除异常数据后获得,所述结算数据为患者就诊的数据,所述异常数据为无法被所述分组模型分析的数据。
7.如权利要求1-5任一项所述的方法,其特征在于,所述分组模型通过训练数据训练获得,所述训练数据为与所述待分析数据对应的地区的数据。
8.一种对医保数据进行DRGs分组的装置,其特征在于,所述装置包括:
获取模块,用于获取待分析数据,所述待分析数据包括患者的就诊基本信息、项目清单信息;
第一分组模块,用于应用分组模型,根据所述项目清单信息中的手术信息,得到先期分组疾病及相关操作MDCA组,所述MDCA组包括的数据的手术信息为器官移植手术信息;
第二分组模块,用于应用所述分组模型,根据所述就诊基本信息中的患者出生日期信息和患者入院日期信息,得到新生儿及其他围产新生儿疾病MDCP组,所述MDCP组包括的数据的患者出生日期信息与患者入院日期信息的绝对差值满足预设条件;
第三分组模块,用于应用所述分组模型,基于所述就诊基本信息中的诊断信息和项目清单信息中的手术信息,得到26个MDC组中除所述MDCA组和所述MDCP组以外的其他MDC组。
9.一种电子设备,其特征在于,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机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计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910890463.2A CN110706769A (zh) | 2019-09-20 | 2019-09-20 | 对医保数据进行DRGs分组的方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910890463.2A CN110706769A (zh) | 2019-09-20 | 2019-09-20 | 对医保数据进行DRGs分组的方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110706769A true CN110706769A (zh) | 2020-01-17 |
Family
ID=69196288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910890463.2A Pending CN110706769A (zh) | 2019-09-20 | 2019-09-20 | 对医保数据进行DRGs分组的方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110706769A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111325576A (zh) * | 2020-02-17 | 2020-06-23 | 卫宁健康科技集团股份有限公司 | 疾病诊断相关分组的费用预测方法、系统及电子设备 |
CN111986816A (zh) * | 2020-08-31 | 2020-11-24 | 平安医疗健康管理股份有限公司 | 基于大数据分析的门诊病例的分组方法和装置 |
CN112035473A (zh) * | 2020-08-28 | 2020-12-04 | 平安医疗健康管理股份有限公司 | 病案数据管理方法、装置、设备及存储介质 |
CN113688854A (zh) * | 2020-05-19 | 2021-11-23 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置及计算设备 |
CN113779180A (zh) * | 2021-09-29 | 2021-12-10 | 北京雅丁信息技术有限公司 | 一种地区drg分组模拟方法 |
CN114153871A (zh) * | 2021-12-07 | 2022-03-08 | 上海柯林布瑞信息技术有限公司 | 基于dip分组的数据查询优化方法及装置 |
CN114974600A (zh) * | 2022-03-04 | 2022-08-30 | 中国环球租赁有限公司 | 一种病例分组方法、装置、电子设备及介质 |
CN115576546A (zh) * | 2022-10-08 | 2023-01-06 | 上海柯林布瑞信息技术有限公司 | 可复用的drg分组方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109299085A (zh) * | 2018-11-07 | 2019-02-01 | 平安医疗健康管理股份有限公司 | 一种数据处理方法、电子设备及存储介质 |
CN109524069A (zh) * | 2018-11-09 | 2019-03-26 | 南京医渡云医学技术有限公司 | 医疗数据处理方法、装置、电子设备和存储介质 |
CN109542965A (zh) * | 2018-11-07 | 2019-03-29 | 平安医疗健康管理股份有限公司 | 一种数据处理方法、电子设备及存储介质 |
-
2019
- 2019-09-20 CN CN201910890463.2A patent/CN110706769A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109299085A (zh) * | 2018-11-07 | 2019-02-01 | 平安医疗健康管理股份有限公司 | 一种数据处理方法、电子设备及存储介质 |
CN109542965A (zh) * | 2018-11-07 | 2019-03-29 | 平安医疗健康管理股份有限公司 | 一种数据处理方法、电子设备及存储介质 |
CN109524069A (zh) * | 2018-11-09 | 2019-03-26 | 南京医渡云医学技术有限公司 | 医疗数据处理方法、装置、电子设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
陈志添: "基于决策树的诊断相关组分类研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111325576A (zh) * | 2020-02-17 | 2020-06-23 | 卫宁健康科技集团股份有限公司 | 疾病诊断相关分组的费用预测方法、系统及电子设备 |
CN113688854A (zh) * | 2020-05-19 | 2021-11-23 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置及计算设备 |
CN112035473A (zh) * | 2020-08-28 | 2020-12-04 | 平安医疗健康管理股份有限公司 | 病案数据管理方法、装置、设备及存储介质 |
CN112035473B (zh) * | 2020-08-28 | 2023-11-21 | 平安医疗健康管理股份有限公司 | 病案数据管理方法、装置、设备及存储介质 |
CN111986816A (zh) * | 2020-08-31 | 2020-11-24 | 平安医疗健康管理股份有限公司 | 基于大数据分析的门诊病例的分组方法和装置 |
CN111986816B (zh) * | 2020-08-31 | 2022-11-29 | 深圳平安医疗健康科技服务有限公司 | 基于大数据分析的门诊病例的分组方法和装置 |
CN113779180A (zh) * | 2021-09-29 | 2021-12-10 | 北京雅丁信息技术有限公司 | 一种地区drg分组模拟方法 |
CN114153871A (zh) * | 2021-12-07 | 2022-03-08 | 上海柯林布瑞信息技术有限公司 | 基于dip分组的数据查询优化方法及装置 |
CN114153871B (zh) * | 2021-12-07 | 2022-10-11 | 上海柯林布瑞信息技术有限公司 | 基于dip分组的数据查询优化方法及装置 |
CN114974600A (zh) * | 2022-03-04 | 2022-08-30 | 中国环球租赁有限公司 | 一种病例分组方法、装置、电子设备及介质 |
CN114974600B (zh) * | 2022-03-04 | 2023-09-29 | 中国环球租赁有限公司 | 一种病例分组方法、装置、电子设备及介质 |
CN115576546A (zh) * | 2022-10-08 | 2023-01-06 | 上海柯林布瑞信息技术有限公司 | 可复用的drg分组方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110706769A (zh) | 对医保数据进行DRGs分组的方法、装置和电子设备 | |
De Bont et al. | Time trends and sociodemographic factors associated with overweight and obesity in children and adolescents in Spain | |
Durand et al. | Can shared decision-making reduce medical malpractice litigation? A systematic review | |
Marklund et al. | Reproductive outcomes after breast cancer in women with vs without fertility preservation | |
Arce et al. | The American College of Surgeons National Surgical Quality Improvement Program surgical risk calculator does not accurately predict risk of 30-day complications among patients undergoing microvascular head and neck reconstruction | |
Bilsteen et al. | Gestational age and socioeconomic achievements in young adulthood: a Danish population-based study | |
Anderson et al. | Association of supine going-to-sleep position in late pregnancy with reduced birth weight: a secondary analysis of an individual participant data meta-analysis | |
Mahid et al. | Meta-analysis of cholecystectomy in symptomatic patients with positive hepatobiliary iminodiacetic acid scan results without gallstones | |
CN111933237A (zh) | 慢病处理方法、装置及相关设备 | |
Ambler et al. | The effect of frailty on long term outcomes in vascular surgical patients | |
Dhillon et al. | Current applications of artificial intelligence in cleft care: a scoping review | |
Holoch et al. | Coexistence of polycystic ovary syndrome and endometriosis in women with infertility | |
Zimbudzi et al. | Effectiveness of management models for facilitating self-management and patient outcomes in adults with diabetes and chronic kidney disease | |
Camden et al. | Prevalence of prenatal opioid exposure in Ontario, Canada, 2014-2019 | |
Marklund et al. | Relapse rates and disease-specific mortality following procedures for fertility preservation at time of breast cancer diagnosis | |
Kim et al. | Assessment of trends in the incidence rates of central retinal artery occlusion in Korea from 2002 to 2015 | |
Li et al. | How to apply SHA 2011 at a subnational level in China’s practical situation: take children health expenditure as an example | |
Lindquist et al. | Developmental outcomes for children after elective birth at 39 weeks’ gestation | |
Bergengren et al. | Variation in prostate-specific antigen testing rates and prostate cancer treatments and outcomes in a national 20-year cohort | |
CN111933285B (zh) | 一种器官年龄预测系统、方法、装置及存储介质 | |
Lee et al. | Small area variation in the quality of maternal and newborn care in India | |
Varner et al. | Prepregnancy emergency department use and risks of severe maternal and neonatal morbidity in Canada | |
Shuster | Considerations for the use of neuroimaging technologies for predicting recovery of speech and language in aphasia | |
Kremers et al. | Fracture risk among living kidney donors 25 years after donation | |
Salazar et al. | Artificial intelligence for treatment planning and soft tissue outcome prediction of orthognathic treatment: A systematic review |
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 |
Application publication date: 20200117 |
|
RJ01 | Rejection of invention patent application after publication |