CN111048190A

CN111048190A - 一种基于人工智能的drg分组方法

Info

Publication number: CN111048190A
Application number: CN201911201921.3A
Authority: CN
Inventors: 郭萌; 洪叶恩; 饶官军; 姜建琼; 包松子; 夏添; 车贯红; 蔡阳; 黄以慧
Original assignee: Guahao Net Hangzhou Technology Co Ltd
Current assignee: Guahao Net Hangzhou Technology Co Ltd
Priority date: 2019-11-29
Filing date: 2019-11-29
Publication date: 2020-04-21

Abstract

本发明公开了一种基于人工智能的DRG分组方法，包括：1)获取病案数据与结算数据，利用AI技术自动获取数据特征集，并对获取数据进行裁剪处理；2)按照主诊断分为26个MDC，结合主要手术操作，对其中25个MDC进行细分成获得ADRG；3)在ADRG的基础上结合CC、MCC，将ADRG进一步细分成三组；4)在特征集中选择核心特征因子，利用聚类算法分别对ADRG细分三组的病案数据进行聚类，若干类得到DRG；5)利用决策森林对聚类后的DRG进行处理，合并部分分组，获得最终DRG分组。采用人工智能AI技术自动筛选疾病诊断分组DRG筛选特征因子，结合临床实际进行分组，打破了经验主义的约束，提升了分组的准确性与有效性。

Description

一种基于人工智能的DRG分组方法

技术领域

本申请涉及人工智能技术，尤其涉及一种基于人工智能的DRG分组方法。

背景技术

近年来，DRG(疾病诊断相关分组)在医疗服务行业获得了相当大的关注。1988年DRG引入到中国，展开了中国DRG系统技术研究的开端；2004年北京开始DRG付费研究到2015年国家卫计委牵头全国DRG研究工作，国内已经累计了十多年的DRG应用经验，覆盖了病案质控、疾病分组、基金拨付、绩效管理等各个方面。但是DRG分组在推广上一直受到限制，主要问题集中在三个方面。一是诊断编码与手术的适配与识别程度低，导致采集数据质量差，影响分组效果；二是分组中采取的方法严重依靠人工经验，带有严重的地区特色，对地区依赖性较大，推广性较差；三是分组后的处理方法不具有普适性，分组的效果和调整方法受到资源限制，导致分组效果难以保障，应用难度大。

发明内容

鉴于此，本本申请实施例提供一种基于人工智能的DRG分组方法，旨在利用人工智能技术填补数据识别与处理层面医疗资源不足等问题，提供普适性更强，使用便捷性更好的DRG分组方法，为DRG分组全面推广提供技术借鉴。

本申请所采用的技术方案如下：

本申请实施例提供一种基于人工智能的DRG分组方法如下：

1)获取病案数据与结算数据，利用人工智能AI技术自动获取数据特征集，并利用裁剪算法对获取数据进行裁剪处理；

2)按照主诊断分为26个主要疾病分类MDC，结合主要手术操作，对其中25个主要疾病分类MDC进行细分成获得核心疾病诊断相关分组ADRG；

3)在核心疾病诊断相关分组ADRG的基础上结合并发症、伴随病将核心疾病诊断相关分组ADRG进一步细分成三组；

4)在特征集中选择核心特征因子，利用聚类算法分别对核心疾病诊断相关分组ADRG细分三组的病案数据进行聚类，若干类得到DRG；

5)利用决策森林对聚类后的DRG进行处理，合并部分分组，获得最终DRG分组。

进一步的，所述步骤1)中，所述的数据特征集中的特征因素通过人工智能AI自动筛选获得，所述特征因素包括年龄、性别、住院时间、医疗总费用、新生儿体重、主手术操作级别和5天内转院或死亡。

进一步的，所述步骤1)中，对采集的数据进行裁剪，借鉴中间区间法，根据数据量与数据特点设置合适的裁剪范围，对数据进行降噪处理。

进一步的，所述步骤2)中，识别诊断与主要手术是利用训练良好的语义识别算法模型对病案数据中疾病诊断与诊断编码、手术操作及手术操作编码进行识别，并标注异常问题传递给医院专家进行审核议定。

进一步的，所述步骤3)中，所述核心疾病诊断相关分组ADRG细分的三组主要结合并发症伴随病分为重要合并症与伴随病MCC组、并发症与伴随病CC组及无并发症与伴随病NoCC组。

进一步的，所述步骤4)中，所述数据聚类主要是聚类算法为K-MEANS(K均值聚类方法)算法，按照年龄，性别，住院时间，医疗总费用，新生儿体重，主手术操作级别，5天内转院或死亡7个特征因素进行聚类，获得聚类后的分组。

进一步的，所述步骤5)中，所述合并分组的方法是在每个决策树上采取t检验合并无明显差异性分组。

本申请采用上述的技术方案所带来的有益效果如下：采用人工智能AI技术自动筛选疾病诊断分组DRG筛选特征因子，结合临床实际进行分组，打破了经验主义的约束，提升了分组的准确性与有效性。疾病诊断分组DRG分组是医保付费与医疗服务绩效评价的基础，引导医院的精细化管理、医疗服务规范化，提升医院服务效率，降低医保费用水分，驱动医疗服务改革。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为基于人工智能的DRG分组模型的流程图；

图2为基于K-MEANS聚类与随机决策森林的聚类模型图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

图1为本发明方法的流程图，本申请实施例提供一种基于人工智能的DRG分组方法，包括如下步骤：

1)获取病案数据与结算数据，利用人工智能AI技术自动获取数据特征集，并利用裁剪算法对获取数据进行裁剪处理；其中，所述的数据特征集中的特征因素通过人工智能AI自动筛选获得，所述特征因素包括年龄、性别、住院时间、医疗总费用、新生儿体重、主手术操作级别和5天内转院或死亡，但不限于这里所罗列的。以下通过具体的实例来对该步骤进行说明：

(1.1)通过接口采集医院病案数据与结算数据构成数据集：

(1.2)利用人工智能AI识别技术，结合数据特征与临床经验筛选分组的依据特征，构成分组特征集：

{年龄，性别，住院时间，医疗总费用，新生儿体重，主手术操作级别，5天内转院或死亡}

(1.3)裁剪算法是采集的数据(预处理已去掉信息不全数据)进行裁剪，借鉴中间区间法，根据数据量与数据特点设置合适的裁剪范围，对数据进行降噪处理，具体为根据采取数据结合数据分析结果，设置裁剪范围，除去异常数据点，进行降噪，具体如下：

根据费用分布情况设置裁剪区间[C_低，C_高]，其中C_低表示裁剪费用的下限值，C_高表示裁剪费用的上限值；

对数据进行遍历，低于C_低或者高于C_高的数据裁剪掉，获得分组的基础数据。

2)按照主诊断分为26个主要疾病分类MDC，结合主要手术操作，对其中25个主要疾病分类MDC(MDCB-MDCZ)进行细分成获得核心疾病诊断相关分组ADRG；具体为：

(2.1)利用训练良好的语义识别算法模型对病案数据中疾病诊断与诊断编码、手术操作及手术操作编码进行识别，并标注异常问题传递给医院专家进行审核议定。具体如下：

(2.2)将采集的病案数据与结算数据利用已经训练好的语言识别模型进行识别，分组两类，一类是正常组，一类是异常组，对异常点进行标注；

(2.3)将正常组交由专家组进行核实，将标注好的异常组与传递给医院系统由医生进一步核实更正；

(2.4)专家分析正常组中的问题点，对识别模型进行修改优化；

(2.5)医生修改完成的病例重新由机器进行识别分析，如此循环，直至无问题；

(2.6)依据当前认定无问题的疾病诊断编码与手术操作编码进行分组，获得MDC分组与核心疾病诊断相关分组ADRG分组。

3)在核心疾病诊断相关分组ADRG的基础上结合并发症、伴随病将核心疾病诊断相关分组ADRG进一步细分成三组，细分骤如下：

(3.1)利用人工智能对合并症、并发症进行分析，结合临床实际，获得合并症、并发症库；

(3.2)核心疾病诊断相关分组ADRG基础上结合合并症与并发症对核心疾病诊断相关分组ADRG进行细分，分成重要合并症与伴随病MCC组、并发症与伴随病CC组及无并发症与伴随病NoCC组三组。

4)在特征集中选择核心特征因子，利用聚类算法分别对核心疾病诊断相关分组ADRG细分三组的病案数据进行聚类，若干类得到疾病诊断分组DRG，对核心疾病诊断相关分组ADRG细分三组的病案数据进行聚类具体步骤如下：

(4.1)对特征集进行分析，增加相关限制因子，进一步细化范围，获得聚类所需的特征因子，年龄，性别，住院时间，医疗总费用，新生儿体重，主手术操作级别，5天内转院或死亡；

(4.2)随机选取其中的特征因子作为初始的聚类中心进行聚类；

(4.3)设置聚类条件，聚类的组数，类间的组间差异系数；

(4.4)计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距它最近的聚类中心；

(4.5)不断重复聚类过程，直到满足终止条件。

图2为基于K-MEANS聚类与随机决策森林的聚类模型图，主要分为两个阶段。

第一阶段随机森林

(5.1)使用自助法抽样技术从原始数据集D中有放回的抽取Q个训练数据集，每个训练子集的样本数为W，其中D表示样本大小样本类型如下；

(5.2)在树的节点处，从E个输入特征中随机选择e个特征(e<E)作为决策树当前节点的分裂特征集，从中选择最优分裂特征和切分点，将训练的数据集分配到两个子节点中去，利用基尼指数最小化准则或均方误差最小化准则选择分裂特征及切分点的标准；

(5.3)重复(2)的过程，直到满足停止条件，比如节点中的样本数小于预定阈值；

(5.4)将Q个训练数据集，按照(2)的方式训练决策树模型，把所有生成的决策树组合成一个随机森林模型R_i(i＝1，2，…，Q)，其中R_i表示第i棵随机数；

(5.5)将测试数据集Y输入模型(3)中，通过训练得到对应的分类结果R₁(Y)，R₂(Y)，…，R_u(Y)，R₁(Y)表示数据Y训练随机树R₁模型获得的结果；

(5.6)通过t检验的方式合并无差异的节点，取平均值作为最终回归结果，获得高密度子森林测试样本。

第二阶段K-MEANS聚类算法

(5.7)将第一阶段获取的高密度子森林测试样本对测试样本的分类结果作为数据集N＝{n₁，n₂…n_s}，从数据集中选取k个数据作为聚类中心集M＝(m₁，m₂…m_k)；

(5.8)遍历所有数据，计算每个数据到聚类中心的距离，将数据分到最近的中心组成类簇，输入数据为N＝{n₁，n₂…n_s}，数据与聚类中心点距离为d(n_i，m_j)，并将数据对象分配至最近的簇C_j＝{n_i|d(n_i，m_j)≤d(n_i，m_l)，j≠l}中，距离计算公式如下；

其中n_i表示输入的第i个数据，m_j表示第j个聚类中心，F表示数据对象的维度，n_i，f为n_i的第f个属性值，m_j，f为m_j的第f个属性值。

(5.9)重新计算每个聚类中心所有对象的新均值B_av作为簇的新的聚类中心点，计算公式如下；

其中|C_j|表示簇C_j中数据的个数。

(5.10)重复(5.8)、(5.9)，直至所有的B_av(N)变化值小于给定的阈值或达到最大迭代次数；

(5.11)寻找聚类中心的运算结束后，将样本集按最近距离划分到相应的聚类中心所代表的类别中。

以上所述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

1.一种基于人工智能的DRG分组方法，其特征在于，包括如下步骤：

3)在核心疾病诊断相关分组ADRG的基础上结合并发症与伴随病CC、重要合并症与伴随病MCC，将核心疾病诊断相关分组ADRG进一步细分成三组；

4)在特征集中选择核心特征因子，利用聚类算法分别对核心疾病诊断相关分组ADRG细分三组的病案数据进行聚类，若干类得到疾病诊断分组DRG；

5)利用决策森林对聚类后的疾病诊断分组DRG进行处理，合并部分分组，获得最终疾病诊断分组DRG分组。

2.如权利要求1所述的基于人工智能的疾病诊断分组DRG分组方法，其特征在于，所述步骤1)中，所述的数据特征集中的特征因素通过人工智能AI自动筛选获得，所述特征因素包括年龄、性别、住院时间、医疗总费用、新生儿体重、主手术操作级别和5天内转院或死亡。

3.如权利要求1所述的基于人工智能的疾病诊断分组DRG分组方法，其特征在于，所述步骤1)中，所述的主要疾病分类MDC，借鉴中间区间法，设置合适的裁剪位对采集的原始数据进行裁剪降噪。

4.如权利要求1所述的基于人工智能的疾病诊断分组DRG分组方法，其特征在于，所述步骤2)中，所述的主诊断与主要手术操作主要是人工智能AI识别技术获取的，对识别异常点进行标注，由专家进行处理。

5.如权利要求1所述的基于人工智能的疾病诊断分组DRG分组方法，其特征在于，所述步骤3)中，所述的核心疾病诊断相关分组ADRG细分的三组分别为重要合并症与伴随病MCC组、并发症与伴随病CC组及无并发症与伴随病NoCC组。

6.如权利要求1所述的基于人工智能的疾病诊断分组DRG分组方法，其特征在于，所述步骤4)中，所述的聚类算法为K-MEANS算法，按年龄，性别，住院时间，医疗总费用，新生儿体重，主手术操作级别，5天内转院或死亡进行聚类。

7.如权利要求1所述的基于人工智能的疾病诊断分组DRG分组方法，其特征在于，所述步骤5)中，所述的合并分组的方法是在每个决策树上采取t检验合并无明显差异性分组。