CN110866836B - 计算机执行的医疗保险立案审核方法和装置 - Google Patents
计算机执行的医疗保险立案审核方法和装置 Download PDFInfo
- Publication number
- CN110866836B CN110866836B CN201911113086.8A CN201911113086A CN110866836B CN 110866836 B CN110866836 B CN 110866836B CN 201911113086 A CN201911113086 A CN 201911113086A CN 110866836 B CN110866836 B CN 110866836B
- Authority
- CN
- China
- Prior art keywords
- medical
- entity
- disease
- entities
- result
- 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
- 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
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/41—Analysis of document content
- G06V30/413—Classification of content, e.g. text, photographs or tables
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Animal Behavior & Ethology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本说明书实施例提供一种计算机执行的医疗保险立案审核方法和装置。方法包括:获取用户提交的与医疗相关的文字材料;根据预设的医疗实体类型,对所述文字材料进行医疗实体提取,得到各目标医疗实体;将提取的各目标医疗实体链接到预先建立的医疗知识图谱中,所述医疗知识图谱包括多个节点和节点之间的连接边,所述节点对应医疗实体并具有该医疗实体的标准名称,连接边示出所连接的两个节点对应的医疗实体之间的关联关系;根据所述医疗知识图谱中的所述各目标医疗实体和所述医疗知识图谱所指示的所述各目标医疗实体的关联关系,输出立案与否的结果。能够节约人力并且提高审核准确性。
Description
技术领域
本说明书一个或多个实施例涉及计算机领域,尤其涉及计算机执行的医疗保险立案审核方法和装置。
背景技术
医疗保险理赔中,需要对用户提交的材料进行审核,对审核结果为符合标准的材料进行立案。
传统方案大都采用人工审核的方式,针对用户报案提交的凭证材料,根据业务定义审核策略来判断是否能够立案。随着医疗保险用户的增多,立案审核环节中以往人工审核的方式越来越难以应对大量的用户报案,一方面需要投入大量人力成本,另一方面,人工审核很容易遗漏材料中关键事项,审核人力有限的情况下容易出现误判。
因此,希望提供一种计算机执行的医疗保险立案审核方法,能够节约人力并且提高审核准确性。
发明内容
本说明书一个或多个实施例描述了一种计算机执行的医疗保险立案审核方法和装置,能够节约人力并且提高审核准确性。
第一方面,提供了一种计算机执行的医疗保险立案审核方法,方法包括:
获取用户提交的与医疗相关的文字材料;
根据预设的医疗实体类型,对所述文字材料进行医疗实体提取,得到各目标医疗实体;
将提取的各目标医疗实体链接到预先建立的医疗知识图谱中,所述医疗知识图谱包括多个节点和节点之间的连接边,所述节点对应医疗实体并具有该医疗实体的标准名称,连接边示出所连接的两个节点对应的医疗实体之间的关联关系;
根据所述医疗知识图谱中的所述各目标医疗实体和所述医疗知识图谱所指示的所述各目标医疗实体的关联关系,输出立案与否的结果。
在一种可能的实施方式中,所述获取用户提交的与医疗相关的文字材料,包括:
获取用户提交的与医疗相关的图片材料;
根据预设的文本识别方式,将所述图片材料转为文字材料。
在一种可能的实施方式中,所述文字材料包括如下至少一项:
病例诊断、入院小结、出院小结和检查报告。
在一种可能的实施方式中,所述医疗实体类型包括疾病、医院、科室、手术、检查或症状中的至少一项。
在一种可能的实施方式中,所述根据预设的医疗实体类型,对所述文字材料进行医疗实体提取,包括:
根据预设的医疗实体类型,对所述文字材料中的各分词利用预先训练的自然语言分类模型进行分类处理,得到各分词是否与所述预设的医疗实体类型相匹配的各分类结果;
根据所述各分类结果,将与所述预设的医疗实体类型相匹配的各分词作为各目标医疗实体。
在一种可能的实施方式中,所述将提取的各目标医疗实体链接到预先建立的医疗知识图谱中,包括:
根据各目标医疗实体中的任意的第一实体,基于搜索引擎召回得到具有第一排序的N个召回结果,所述召回结果对应于所述医疗知识图谱中医疗实体的标准名称;
获取各召回结果分别对应的特征集合,所述特征集合包括所述召回结果的自身特征,以及所述召回结果与所述第一实体之间的关联特征;
将所述特征集合输入预先训练的机器学习模型,通过所述机器学习模型输出所述召回结果与所述第一实体之间的在线预测打分;
选取所述在线预测打分最高的召回结果作为所述第一实体在所述医疗知识图谱中的链指结果。
进一步地,所述特征集合包括以下至少一项:
召回结果在所述第一排序中排序索引、召回结果的长度、召回结果与所述第一实体之间的编辑距离、召回结果与所述第一实体之间的交集长度、召回结果对应的疾病程度、人群、医学动词、医学名词、时段、音译名、修饰词、症状、器官、名词、分期分型、病因、部位、疾病。
在一种可能的实施方式中,所述医疗知识图谱中的关联关系包括如下至少一项:
疾病-检查、疾病-疾病、疾病-症状、疾病-科室、疾病-药品、疾病-部位、症状-检查、症状-症状、症状-科室、症状-药品、症状-部位、检查-检查、检查-症状、检查-科室、检查-部位、疾病-人群。
在一种可能的实施方式中,所述根据所述医疗知识图谱中的所述各目标医疗实体和所述医疗知识图谱所指示的所述各目标医疗实体的关联关系,输出立案与否的结果,包括:
当所述医疗知识图谱中的所述各目标医疗实体中的疾病实体不能直接判断是否立案时,结合所述医疗知识图谱所指示的所述疾病实体与其他目标医疗实体的关联关系,输出立案与否的结果。
在一种可能的实施方式中,所述根据所述医疗知识图谱中的所述各目标医疗实体和所述医疗知识图谱所指示的所述各目标医疗实体的关联关系,输出立案与否的结果,包括:
当所述医疗知识图谱中的所述各目标医疗实体不能直接判断是否立案时,根据所述医疗知识图谱所指示的所述各目标医疗实体的关联节点,根据所述关联节点输出立案与否的结果。
在一种可能的实施方式中,所述根据所述医疗知识图谱中的所述各目标医疗实体和所述医疗知识图谱所指示的所述各目标医疗实体的关联关系,输出立案与否的结果,包括:
将所述医疗知识图谱中的所述各目标医疗实体和所述医疗知识图谱所指示的所述各目标医疗实体的关联关系输入预先训练的决策模型,由所述决策模型从策略集合中选择第一策略,并根据所述第一策略输出立案与否的结果。
第二方面,提供了一种计算机执行的医疗保险立案审核装置,装置包括:
获取单元,用于获取用户提交的与医疗相关的文字材料;
提取单元,用于根据预设的医疗实体类型,对所述获取单元获取的文字材料进行医疗实体提取,得到各目标医疗实体;
链接单元,用于将所述提取单元提取的各目标医疗实体链接到预先建立的医疗知识图谱中,所述医疗知识图谱包括多个节点和节点之间的连接边,所述节点对应医疗实体并具有该医疗实体的标准名称,连接边示出所连接的两个节点对应的医疗实体之间的关联关系;
输出单元,用于根据所述链接单元链接到的所述医疗知识图谱中的所述各目标医疗实体和所述医疗知识图谱所指示的所述各目标医疗实体的关联关系,输出立案与否的结果。
第三方面,提供了一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行第一方面的方法。
第四方面,提供了一种计算设备,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现第一方面的方法。
通过本说明书实施例提供的方法和装置,首先获取用户提交的与医疗相关的文字材料;然后根据预设的医疗实体类型,对所述文字材料进行医疗实体提取,得到各目标医疗实体;接着将提取的各目标医疗实体链接到预先建立的医疗知识图谱中,所述医疗知识图谱包括多个节点和节点之间的连接边,所述节点对应医疗实体并具有该医疗实体的标准名称,连接边示出所连接的两个节点对应的医疗实体之间的关联关系;最后根据所述医疗知识图谱中的所述各目标医疗实体和所述医疗知识图谱所指示的所述各目标医疗实体的关联关系,输出立案与否的结果。由上可见,本说明书实施例,利用医疗知识图谱为立案审核提供更多判断依据,降低了人工审核误判的风险,能够节约人力并且提高审核准确性。同时,还可以将保险立案审核业务场景与自然语言处理技术结合,能够进一步提高审核准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案,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,下面描述中的附图仅仅是本发明的一些实施例,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它的附图。
图1示出根据一个实施例的实施场景示意图;
图2示出根据一个实施例的计算机执行的医疗保险立案审核方法流程图;
图3示出根据另一个实施例的计算机执行的医疗保险立案审核方法流程图;
图4示出根据一个实施例的医疗实体链指方法流程图;
图5示出根据一个实施例的计算机执行的医疗保险立案审核装置的示意性框图。
具体实施方式
下面结合附图,对本说明书提供的方案进行描述。
图1示出根据一个实施例的实施场景示意图。如图1所示,该实施场景涉及医疗保险的立案审核,审核过程由计算机进行。本说明书实施例,利用医疗知识图谱为立案审核提供更多判断依据。其中,立案审核:医疗保险理赔中,对用户提交的材料进行审核,对审核结果为符合标准的材料进行立案;医疗知识图谱:以医疗知识为基础的知识图谱。参照图1,医疗知识图谱包含节点和节点之间的连接边,各节点对应医院、疾病、手术、科室等医疗实体,各连接边体现了医疗实体和医疗实体之间的关系。
本说明书实施例,通过对文本中所涉及的医疗实体进行抽取,再将文本中所涉及的医疗实体与医疗知识图谱中的医疗实体相匹配连接,结合医疗知识图谱中的节点属性和连接边属性,输出立案与否的结果,这种方式能够节约人力并且提高审核准确性。
图2示出根据一个实施例的计算机执行的医疗保险立案审核方法流程图,该方法可以基于图1所示的实施场景。如图2所示,该实施例中计算机执行的医疗保险立案审核方法包括以下步骤:步骤21,获取用户提交的与医疗相关的文字材料;步骤22,根据预设的医疗实体类型,对所述文字材料进行医疗实体提取,得到各目标医疗实体;步骤23,将提取的各目标医疗实体链接到预先建立的医疗知识图谱中,所述医疗知识图谱包括多个节点和节点之间的连接边,所述节点对应医疗实体并具有该医疗实体的标准名称,连接边示出所连接的两个节点对应的医疗实体之间的关联关系;步骤24,根据所述医疗知识图谱中的所述各目标医疗实体和所述医疗知识图谱所指示的所述各目标医疗实体的关联关系,输出立案与否的结果。下面描述以上各个步骤的具体执行方式。
首先在步骤21,获取用户提交的与医疗相关的文字材料。可以理解的是,用户提交的凭证材料通常可以为文字材料或图片材料,对于图片材料可以转换为文字材料。
在一个示例中,获取用户提交的与医疗相关的图片材料;根据预设的文本识别方式,将所述图片材料转为文字材料。
在一个示例中,所述文字材料包括如下至少一项:
病例诊断、入院小结、出院小结和检查报告。
然后在步骤22,根据预设的医疗实体类型,对所述文字材料进行医疗实体提取,得到各目标医疗实体。可以理解的是,文字材料中包含一些关键信息,可以作为判断是否立案的依据。
在一个示例中,所述医疗实体类型包括疾病、医院、科室、手术、检查或症状中的至少一项。
在一个示例中,根据预设的医疗实体类型,对所述文字材料中的各分词利用预先训练的自然语言分类模型进行分类处理,得到各分词是否与所述预设的医疗实体类型相匹配的各分类结果;根据所述各分类结果,将与所述预设的医疗实体类型相匹配的各分词作为各目标医疗实体。其中,上述自然语言分类模型可以基于bert和softmax算法实现。
接着在步骤23,将提取的各目标医疗实体链接到预先建立的医疗知识图谱中,所述医疗知识图谱包括多个节点和节点之间的连接边,所述节点对应医疗实体并具有该医疗实体的标准名称,连接边示出所连接的两个节点对应的医疗实体之间的关联关系。可以理解的是,上述过程也可以称为医疗实体链指,因为在实际的案例中对于每类医疗实体(疾病、手术、症状等)不同地区、不同医生都会用不同的书写方式来表达同一种医疗实体,而医疗知识图谱中保存的是医疗实体的标准名称。
在一个示例中,根据各目标医疗实体中的任意的第一实体,基于搜索引擎召回得到具有第一排序的N个召回结果,所述召回结果对应于所述医疗知识图谱中医疗实体的标准名称;获取各召回结果分别对应的特征集合,所述特征集合包括所述召回结果的自身特征,以及所述召回结果与所述第一实体之间的关联特征;将所述特征集合输入预先训练的机器学习模型,通过所述机器学习模型输出所述召回结果与所述第一实体之间的在线预测打分;选取所述在线预测打分最高的召回结果作为所述第一实体在所述医疗知识图谱中的链指结果。
其中,上述机器学习模型可以采用梯度提升树(gradient boosting decisiontree,GBDT)模型。
进一步地,所述特征集合包括以下至少一项:
召回结果在所述第一排序中排序索引、召回结果的长度、召回结果与所述第一实体之间的编辑距离、召回结果与所述第一实体之间的交集长度、召回结果对应的疾病程度、人群、医学动词、医学名词、时段、音译名、修饰词、症状、器官、名词、分期分型、病因、部位、疾病。
在一个示例中,所述医疗知识图谱中的关联关系包括如下至少一项:
疾病-检查、疾病-疾病、疾病-症状、疾病-科室、疾病-药品、疾病-部位、症状-检查、症状-症状、症状-科室、症状-药品、症状-部位、检查-检查、检查-症状、检查-科室、检查-部位、疾病-人群。
最后在步骤24,根据所述医疗知识图谱中的所述各目标医疗实体和所述医疗知识图谱所指示的所述各目标医疗实体的关联关系,输出立案与否的结果。可以理解的是,医疗实体对应医疗知识图谱中的节点,医疗实体的关联关系对应医疗知识图谱中的节点之间的连接边。本说明书实施例,将对文字材料的分析转化为对医疗知识图谱中节点和连接边的分析,有助于提高立案审核的准确性。
在一个示例中,当所述医疗知识图谱中的所述各目标医疗实体中的疾病实体不能直接判断是否立案时,结合所述医疗知识图谱所指示的所述疾病实体与其他目标医疗实体的关联关系,输出立案与否的结果。可以理解的是,有些疾病实体本身即可确定是否立案,例如,当进行重疾险的立案审核时,若疾病实体为甲状腺癌,则可以确定立案,若疾病实体为甲状腺病,则单纯根据疾病实体无法确定是否立案,可以结合医疗知识图谱所指示的是否针对该甲状腺病进行了预设等级的手术,来综合确定是否立案。
在另一个示例中,当所述医疗知识图谱中的所述各目标医疗实体不能直接判断是否立案时,根据所述医疗知识图谱所指示的所述各目标医疗实体的关联节点,根据所述关联节点输出立案与否的结果。例如,当进行重疾险的立案审核时,若目标医疗实体包括疾病实体,根据疾病实体不能直接判断是否是重疾,但是可以通过疾病实体的关联节点,得到关联手术或是药物是带有重疾标签的,那么可以通过关联节点间接得出该疾病属于重疾的判断。
在另一个示例中,将所述医疗知识图谱中的所述各目标医疗实体和所述医疗知识图谱所指示的所述各目标医疗实体的关联关系输入预先训练的决策模型,由所述决策模型从策略集合中选择第一策略,并根据所述第一策略输出立案与否的结果。可以理解的是,通过决策模型可以灵活调整立案审核策略,譬如:重疾、非重疾的判断策略等。
图3示出根据另一个实施例的计算机执行的医疗保险立案审核方法流程图,该实施例是对图2所示实施例的概括。参照图3,首先进行理赔案件提交(对应于图2中的步骤21),然后进行医疗实体提取(对应于图2中的步骤22),接着进行医疗实体链指(对应于图2中的步骤23),再进行医疗图谱分析,最后进行立案决策判断(对应于图2中的步骤24)。其中,上述医疗图谱分析可以是基于链指的医疗实体对应的节点,分析该节点的属性,或者,分析其邻居节点的属性,或者分析其与邻居节点之间的连接边的属性。
图3中医疗实体链指是比较关键的步骤,该步骤可以细化为图4所示的处理过程。图4示出根据一个实施例的医疗实体链指方法流程图,该方法包括:首先进行医疗实体输入,然后进行医疗实体粗召回,接着进行实体特征提取,再进行GBDT精排,最后链指到图谱实体。具体可以对照图2中针对步骤23的说明。
通过本说明书实施例提供的方法,利用医疗知识图谱为立案审核提供更多判断依据,降低了人工审核误判的风险,能够节约人力并且提高审核准确性。同时,还可以将保险立案审核业务场景与自然语言处理技术结合,能够进一步提高审核准确性。该方法可以作为人工辅助、或者完全取代人工,极大的降低了人力成本。
图5示出根据一个实施例的计算机执行的医疗保险立案审核装置的示意性框图,该装置用于执行本说明书实施例提供的计算机执行的医疗保险立案审核方法。如图5所示,计算机执行的医疗保险立案审核装置500包括:
获取单元51,用于获取用户提交的与医疗相关的文字材料;
提取单元52,用于根据预设的医疗实体类型,对所述获取单元51获取的文字材料进行医疗实体提取,得到各目标医疗实体;
链接单元53,用于将所述提取单元52提取的各目标医疗实体链接到预先建立的医疗知识图谱中,所述医疗知识图谱包括多个节点和节点之间的连接边,所述节点对应医疗实体并具有该医疗实体的标准名称,连接边示出所连接的两个节点对应的医疗实体之间的关联关系;
输出单元54,用于根据所述链接单元53链接到的所述医疗知识图谱中的所述各目标医疗实体和所述医疗知识图谱所指示的所述各目标医疗实体的关联关系,输出立案与否的结果。
可选地,作为一个实施例,所述获取单元51,具体用于:
获取用户提交的与医疗相关的图片材料;
根据预设的文本识别方式,将所述图片材料转为文字材料。
可选地,作为一个实施例,所述文字材料包括如下至少一项:
病例诊断、入院小结、出院小结和检查报告。
可选地,作为一个实施例,所述医疗实体类型包括疾病、医院、科室、手术、检查或症状中的至少一项。
可选地,作为一个实施例,所述提取单元52,具体用于:
根据预设的医疗实体类型,对所述文字材料中的各分词利用预先训练的自然语言分类模型进行分类处理,得到各分词是否与所述预设的医疗实体类型相匹配的各分类结果;
根据所述各分类结果,将与所述预设的医疗实体类型相匹配的各分词作为各目标医疗实体。
可选地,作为一个实施例,所述链接单元53,具体用于:
根据各目标医疗实体中的任意的第一实体,基于搜索引擎召回得到具有第一排序的N个召回结果,所述召回结果对应于所述医疗知识图谱中医疗实体的标准名称;
获取各召回结果分别对应的特征集合,所述特征集合包括所述召回结果的自身特征,以及所述召回结果与所述第一实体之间的关联特征;
将所述特征集合输入预先训练的机器学习模型,通过所述机器学习模型输出所述召回结果与所述第一实体之间的在线预测打分;
选取所述在线预测打分最高的召回结果作为所述第一实体在所述医疗知识图谱中的链指结果。
进一步地,所述特征集合包括以下至少一项:
召回结果在所述第一排序中排序索引、召回结果的长度、召回结果与所述第一实体之间的编辑距离、召回结果与所述第一实体之间的交集长度、召回结果对应的疾病程度、人群、医学动词、医学名词、时段、音译名、修饰词、症状、器官、名词、分期分型、病因、部位、疾病。
可选地,作为一个实施例,所述医疗知识图谱中的关联关系包括如下至少一项:
疾病-检查、疾病-疾病、疾病-症状、疾病-科室、疾病-药品、疾病-部位、症状-检查、症状-症状、症状-科室、症状-药品、症状-部位、检查-检查、检查-症状、检查-科室、检查-部位、疾病-人群。
可选地,作为一个实施例,所述输出单元54,具体用于当所述医疗知识图谱中的所述各目标医疗实体中的疾病实体不能直接判断是否立案时,结合所述医疗知识图谱所指示的所述疾病实体与其他目标医疗实体的关联关系,输出立案与否的结果。
可选地,作为一个实施例,所述输出单元54,具体用于当所述医疗知识图谱中的所述各目标医疗实体不能直接判断是否立案时,根据所述医疗知识图谱所指示的所述各目标医疗实体的关联节点,根据所述关联节点输出立案与否的结果。
可选地,作为一个实施例,所述输出单元54,具体用于将所述医疗知识图谱中的所述各目标医疗实体和所述医疗知识图谱所指示的所述各目标医疗实体的关联关系输入预先训练的决策模型,由所述决策模型从策略集合中选择第一策略,并根据所述第一策略输出立案与否的结果。
根据另一方面的实施例,还提供一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行结合图2、图3和图4所描述的方法。
根据再一方面的实施例,还提供一种计算设备,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现结合图2、图3和图4所描述的方法。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时,可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的技术方案的基础之上,所做的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (22)
1.一种计算机执行的医疗保险立案审核方法,所述方法包括:
获取用户提交的与医疗相关的文字材料;
根据预设的医疗实体类型,对所述文字材料进行医疗实体提取,得到各目标医疗实体;
将提取的各目标医疗实体链接到预先建立的医疗知识图谱中,所述医疗知识图谱包括多个节点和节点之间的连接边,所述节点对应医疗实体并具有该医疗实体的标准名称,连接边示出所连接的两个节点对应的医疗实体之间的关联关系;
根据所述医疗知识图谱中的所述各目标医疗实体和所述医疗知识图谱所指示的所述各目标医疗实体的关联关系,输出立案与否的结果;
其中,所述将提取的各目标医疗实体链接到预先建立的医疗知识图谱中,包括:
根据各目标医疗实体中的任意的第一实体,基于搜索引擎召回得到具有第一排序的N个召回结果,所述召回结果对应于所述医疗知识图谱中医疗实体的标准名称;
获取各召回结果分别对应的特征集合,所述特征集合包括所述召回结果的自身特征,以及所述召回结果与所述第一实体之间的关联特征;
将所述特征集合输入预先训练的机器学习模型,通过所述机器学习模型输出所述召回结果与所述第一实体之间的在线预测打分;
选取所述在线预测打分最高的召回结果作为所述第一实体在所述医疗知识图谱中的链指结果。
2.如权利要求1所述的方法,其中,所述获取用户提交的与医疗相关的文字材料,包括:
获取用户提交的与医疗相关的图片材料;
根据预设的文本识别方式,将所述图片材料转为文字材料。
3.如权利要求1所述的方法,其中,所述文字材料包括如下至少一项:
病例诊断、入院小结、出院小结和检查报告。
4.如权利要求1所述的方法,其中,所述医疗实体类型包括疾病、医院、科室、手术、检查或症状中的至少一项。
5.如权利要求1所述的方法,其中,所述根据预设的医疗实体类型,对所述文字材料进行医疗实体提取,包括:
根据预设的医疗实体类型,对所述文字材料中的各分词利用预先训练的自然语言分类模型进行分类处理,得到各分词是否与所述预设的医疗实体类型相匹配的各分类结果;
根据所述各分类结果,将与所述预设的医疗实体类型相匹配的各分词作为各目标医疗实体。
6.如权利要求1所述的方法,其中,所述特征集合包括以下至少一项:
召回结果在所述第一排序中排序索引、召回结果的长度、召回结果与所述第一实体之间的编辑距离、召回结果与所述第一实体之间的交集长度、召回结果对应的疾病程度、人群、医学动词、医学名词、时段、音译名、修饰词、症状、器官、名词、分期分型、病因、部位、疾病。
7.如权利要求1所述的方法,其中,所述医疗知识图谱中的关联关系包括如下至少一项:
疾病-检查、疾病-疾病、疾病-症状、疾病-科室、疾病-药品、疾病-部位、症状-检查、症状-症状、症状-科室、症状-药品、症状-部位、检查-检查、检查-症状、检查-科室、检查-部位、疾病-人群。
8.如权利要求1所述的方法,其中,所述根据所述医疗知识图谱中的所述各目标医疗实体和所述医疗知识图谱所指示的所述各目标医疗实体的关联关系,输出立案与否的结果,包括:
当所述医疗知识图谱中的所述各目标医疗实体中的疾病实体不能直接判断是否立案时,结合所述医疗知识图谱所指示的所述疾病实体与其他目标医疗实体的关联关系,输出立案与否的结果。
9.如权利要求1所述的方法,其中,所述根据所述医疗知识图谱中的所述各目标医疗实体和所述医疗知识图谱所指示的所述各目标医疗实体的关联关系,输出立案与否的结果,包括:
当所述医疗知识图谱中的所述各目标医疗实体不能直接判断是否立案时,根据所述医疗知识图谱所指示的所述各目标医疗实体的关联节点,根据所述关联节点输出立案与否的结果。
10.如权利要求1所述的方法,其中,所述根据所述医疗知识图谱中的所述各目标医疗实体和所述医疗知识图谱所指示的所述各目标医疗实体的关联关系,输出立案与否的结果,包括:
将所述医疗知识图谱中的所述各目标医疗实体和所述医疗知识图谱所指示的所述各目标医疗实体的关联关系输入预先训练的决策模型,由所述决策模型从策略集合中选择第一策略,并根据所述第一策略输出立案与否的结果。
11.一种计算机执行的医疗保险立案审核装置,所述装置包括:
获取单元,用于获取用户提交的与医疗相关的文字材料;
提取单元,用于根据预设的医疗实体类型,对所述获取单元获取的文字材料进行医疗实体提取,得到各目标医疗实体;
链接单元,用于将所述提取单元提取的各目标医疗实体链接到预先建立的医疗知识图谱中,所述医疗知识图谱包括多个节点和节点之间的连接边,所述节点对应医疗实体并具有该医疗实体的标准名称,连接边示出所连接的两个节点对应的医疗实体之间的关联关系;
输出单元,用于根据所述链接单元链接到的所述医疗知识图谱中的所述各目标医疗实体和所述医疗知识图谱所指示的所述各目标医疗实体的关联关系,输出立案与否的结果;
其中,所述链接单元,具体用于:
根据各目标医疗实体中的任意的第一实体,基于搜索引擎召回得到具有第一排序的N个召回结果,所述召回结果对应于所述医疗知识图谱中医疗实体的标准名称;
获取各召回结果分别对应的特征集合,所述特征集合包括所述召回结果的自身特征,以及所述召回结果与所述第一实体之间的关联特征;
将所述特征集合输入预先训练的机器学习模型,通过所述机器学习模型输出所述召回结果与所述第一实体之间的在线预测打分;
选取所述在线预测打分最高的召回结果作为所述第一实体在所述医疗知识图谱中的链指结果。
12.如权利要求11所述的装置,其中,所述获取单元,具体用于:
获取用户提交的与医疗相关的图片材料;
根据预设的文本识别方式,将所述图片材料转为文字材料。
13.如权利要求11所述的装置,其中,所述文字材料包括如下至少一项:
病例诊断、入院小结、出院小结和检查报告。
14.如权利要求11所述的装置,其中,所述医疗实体类型包括疾病、医院、科室、手术、检查或症状中的至少一项。
15.如权利要求11所述的装置,其中,所述提取单元,具体用于:
根据预设的医疗实体类型,对所述文字材料中的各分词利用预先训练的自然语言分类模型进行分类处理,得到各分词是否与所述预设的医疗实体类型相匹配的各分类结果;
根据所述各分类结果,将与所述预设的医疗实体类型相匹配的各分词作为各目标医疗实体。
16.如权利要求11所述的装置,其中,所述特征集合包括以下至少一项:
召回结果在所述第一排序中排序索引、召回结果的长度、召回结果与所述第一实体之间的编辑距离、召回结果与所述第一实体之间的交集长度、召回结果对应的疾病程度、人群、医学动词、医学名词、时段、音译名、修饰词、症状、器官、名词、分期分型、病因、部位、疾病。
17.如权利要求11所述的装置,其中,所述医疗知识图谱中的关联关系包括如下至少一项:
疾病-检查、疾病-疾病、疾病-症状、疾病-科室、疾病-药品、疾病-部位、症状-检查、症状-症状、症状-科室、症状-药品、症状-部位、检查-检查、检查-症状、检查-科室、检查-部位、疾病-人群。
18.如权利要求11所述的装置,其中,所述输出单元,具体用于当所述医疗知识图谱中的所述各目标医疗实体中的疾病实体不能直接判断是否立案时,结合所述医疗知识图谱所指示的所述疾病实体与其他目标医疗实体的关联关系,输出立案与否的结果。
19.如权利要求11所述的装置,其中,所述输出单元,具体用于当所述医疗知识图谱中的所述各目标医疗实体不能直接判断是否立案时,根据所述医疗知识图谱所指示的所述各目标医疗实体的关联节点,根据所述关联节点输出立案与否的结果。
20.如权利要求11所述的装置,其中,所述输出单元,具体用于将所述医疗知识图谱中的所述各目标医疗实体和所述医疗知识图谱所指示的所述各目标医疗实体的关联关系输入预先训练的决策模型,由所述决策模型从策略集合中选择第一策略,并根据所述第一策略输出立案与否的结果。
21.一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求1-10中任一项的所述的方法。
22.一种计算设备,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现权利要求1-10中任一项的所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911113086.8A CN110866836B (zh) | 2019-11-14 | 2019-11-14 | 计算机执行的医疗保险立案审核方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911113086.8A CN110866836B (zh) | 2019-11-14 | 2019-11-14 | 计算机执行的医疗保险立案审核方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110866836A CN110866836A (zh) | 2020-03-06 |
CN110866836B true CN110866836B (zh) | 2022-12-06 |
Family
ID=69653977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911113086.8A Active CN110866836B (zh) | 2019-11-14 | 2019-11-14 | 计算机执行的医疗保险立案审核方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110866836B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950170B (zh) * | 2020-06-19 | 2022-08-26 | 蚂蚁胜信(上海)信息技术有限公司 | 审核方法以及装置 |
CN111767410B (zh) * | 2020-06-30 | 2023-05-30 | 深圳平安智慧医健科技有限公司 | 临床医疗知识图谱的构建方法、装置、设备及存储介质 |
TWI812934B (zh) * | 2021-03-18 | 2023-08-21 | 新安東京海上產物保險股份有限公司 | 自動分案系統 |
CN113284629B (zh) * | 2021-07-16 | 2021-12-10 | 成都索贝数码科技股份有限公司 | 一种基于医疗大数据、依据社会属性构建疾病画像的方法 |
CN113627189A (zh) * | 2021-08-17 | 2021-11-09 | 青岛全掌柜科技有限公司 | 一种面向保险条款的实体识别信息抽取、存储、展示方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108305175A (zh) * | 2017-12-30 | 2018-07-20 | 上海栈略数据技术有限公司 | 基于智能医学知识图谱的保险理赔风控辅助审核系统 |
CN109345399A (zh) * | 2018-10-23 | 2019-02-15 | 平安科技(深圳)有限公司 | 理赔风险评估方法、装置、计算机设备及存储介质 |
CN109522551A (zh) * | 2018-11-09 | 2019-03-26 | 天津新开心生活科技有限公司 | 实体链接方法、装置、存储介质及电子设备 |
CN109635121A (zh) * | 2018-11-07 | 2019-04-16 | 平安科技(深圳)有限公司 | 医疗知识图谱创建方法及相关装置 |
CN110119991A (zh) * | 2019-04-12 | 2019-08-13 | 深圳壹账通智能科技有限公司 | 基于机器学习的医疗赔付审核方法、装置及存储介质 |
CN110163741A (zh) * | 2019-04-16 | 2019-08-23 | 深圳壹账通智能科技有限公司 | 基于信贷风控模型的信贷决策方法、装置、设备及介质 |
CN110222201A (zh) * | 2019-06-26 | 2019-09-10 | 中国医学科学院医学信息研究所 | 一种专病知识图谱构建方法及装置 |
CN110322216A (zh) * | 2019-05-30 | 2019-10-11 | 阿里巴巴集团控股有限公司 | 基于知识图谱的案件审核方法以及装置 |
-
2019
- 2019-11-14 CN CN201911113086.8A patent/CN110866836B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108305175A (zh) * | 2017-12-30 | 2018-07-20 | 上海栈略数据技术有限公司 | 基于智能医学知识图谱的保险理赔风控辅助审核系统 |
CN109345399A (zh) * | 2018-10-23 | 2019-02-15 | 平安科技(深圳)有限公司 | 理赔风险评估方法、装置、计算机设备及存储介质 |
CN109635121A (zh) * | 2018-11-07 | 2019-04-16 | 平安科技(深圳)有限公司 | 医疗知识图谱创建方法及相关装置 |
CN109522551A (zh) * | 2018-11-09 | 2019-03-26 | 天津新开心生活科技有限公司 | 实体链接方法、装置、存储介质及电子设备 |
CN110119991A (zh) * | 2019-04-12 | 2019-08-13 | 深圳壹账通智能科技有限公司 | 基于机器学习的医疗赔付审核方法、装置及存储介质 |
CN110163741A (zh) * | 2019-04-16 | 2019-08-23 | 深圳壹账通智能科技有限公司 | 基于信贷风控模型的信贷决策方法、装置、设备及介质 |
CN110322216A (zh) * | 2019-05-30 | 2019-10-11 | 阿里巴巴集团控股有限公司 | 基于知识图谱的案件审核方法以及装置 |
CN110222201A (zh) * | 2019-06-26 | 2019-09-10 | 中国医学科学院医学信息研究所 | 一种专病知识图谱构建方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110866836A (zh) | 2020-03-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110866836B (zh) | 计算机执行的医疗保险立案审核方法和装置 | |
US20230065070A1 (en) | Lean parsing: a natural language processing system and method for parsing domain-specific languages | |
US11429878B2 (en) | Cognitive recommendations for data preparation | |
US11899705B2 (en) | Putative ontology generating method and apparatus | |
US20220237230A1 (en) | System and method for automated file reporting | |
CA3033859C (en) | Method and system for automatically extracting relevant tax terms from forms and instructions | |
JP5768063B2 (ja) | 適合を特徴付けるルールを用いたメタデータソースの照合 | |
CN108182972B (zh) | 基于分词网络的中文疾病诊断的智能编码方法及系统 | |
US11281864B2 (en) | Dependency graph based natural language processing | |
US20210366055A1 (en) | Systems and methods for generating accurate transaction data and manipulation | |
US20150006554A1 (en) | Enhanced Document Input Parsing | |
CN110377631B (zh) | 案件信息处理方法、装置、计算机设备和存储介质 | |
US9400826B2 (en) | Method and system for aggregate content modeling | |
US20210397905A1 (en) | Classification system | |
KR102280490B1 (ko) | 상담 의도 분류용 인공지능 모델을 위한 훈련 데이터를 자동으로 생성하는 훈련 데이터 구축 방법 | |
US9595071B2 (en) | Document identification and inspection system, document identification and inspection method, and document identification and inspection program | |
CN116719840A (zh) | 一种基于病历后结构化处理的医疗信息推送方法 | |
CN114090722B (zh) | 查询内容自动补全的方法及装置 | |
US11899727B2 (en) | Document digitization, transformation and validation | |
CN113722421B (zh) | 一种合同审计方法和系统,及计算机可读存储介质 | |
US20220374401A1 (en) | Determining domain and matching algorithms for data systems | |
CN110737749A (zh) | 创业计划评价方法、装置、计算机设备及存储介质 | |
US12001951B2 (en) | Automated contextual processing of unstructured data | |
Levich et al. | Utilizing the omnipresent: Incorporating digital documents into predictive process monitoring using deep neural networks | |
US20220309332A1 (en) | Automated contextual processing of unstructured data |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40024793 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |