CN111127225A - 保险核保的系统、方法、设备和计算机可读介质 - Google Patents
保险核保的系统、方法、设备和计算机可读介质 Download PDFInfo
- Publication number
- CN111127225A CN111127225A CN201911164960.0A CN201911164960A CN111127225A CN 111127225 A CN111127225 A CN 111127225A CN 201911164960 A CN201911164960 A CN 201911164960A CN 111127225 A CN111127225 A CN 111127225A
- Authority
- CN
- China
- Prior art keywords
- insurance
- malignancy
- medical data
- insured
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 201000011510 cancer Diseases 0.000 claims abstract description 130
- 208000017667 Chronic Disease Diseases 0.000 claims abstract description 106
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 74
- 230000036210 malignancy Effects 0.000 claims abstract description 70
- 238000007477 logistic regression Methods 0.000 claims abstract description 31
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 24
- 201000010099 disease Diseases 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000012216 screening Methods 0.000 claims abstract description 8
- 238000013507 mapping Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 206010008909 Chronic Hepatitis Diseases 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 208000006454 hepatitis Diseases 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 210000004185 liver Anatomy 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 2
- 208000005718 Stomach Neoplasms Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 206010017758 gastric cancer Diseases 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 201000005202 lung cancer Diseases 0.000 description 2
- 208000020816 lung neoplasm Diseases 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 201000011549 stomach cancer Diseases 0.000 description 2
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 206010006458 Bronchitis chronic Diseases 0.000 description 1
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 description 1
- 206010009152 Chronic tonsillitis Diseases 0.000 description 1
- 206010009944 Colon cancer Diseases 0.000 description 1
- 208000000461 Esophageal Neoplasms Diseases 0.000 description 1
- 208000007882 Gastritis Diseases 0.000 description 1
- 206010018367 Glomerulonephritis chronic Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000003618 Intervertebral Disc Displacement Diseases 0.000 description 1
- 206010050296 Intervertebral disc protrusion Diseases 0.000 description 1
- 208000032382 Ischaemic stroke Diseases 0.000 description 1
- 206010030155 Oesophageal carcinoma Diseases 0.000 description 1
- 208000029082 Pelvic Inflammatory Disease Diseases 0.000 description 1
- 208000008469 Peptic Ulcer Diseases 0.000 description 1
- 201000007100 Pharyngitis Diseases 0.000 description 1
- 206010041591 Spinal osteoarthritis Diseases 0.000 description 1
- 208000007107 Stomach Ulcer Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 208000006673 asthma Diseases 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 206010006451 bronchitis Diseases 0.000 description 1
- 208000036319 cervical spondylosis Diseases 0.000 description 1
- 201000001352 cholecystitis Diseases 0.000 description 1
- 208000007451 chronic bronchitis Diseases 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 208000023652 chronic gastritis Diseases 0.000 description 1
- 201000009151 chronic rhinitis Diseases 0.000 description 1
- 208000029742 colonic neoplasm Diseases 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000000378 dietary effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 201000004101 esophageal cancer Diseases 0.000 description 1
- 208000001130 gallstones Diseases 0.000 description 1
- 201000005917 gastric ulcer Diseases 0.000 description 1
- 230000004153 glucose metabolism Effects 0.000 description 1
- 208000030603 inherited susceptibility to asthma Diseases 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 201000007270 liver cancer Diseases 0.000 description 1
- 208000014018 liver neoplasm Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 201000009240 nasopharyngitis Diseases 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 208000011906 peptic ulcer disease Diseases 0.000 description 1
- 208000037920 primary disease Diseases 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 206010039073 rheumatoid arthritis Diseases 0.000 description 1
- 206010039083 rhinitis Diseases 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 208000005801 spondylosis Diseases 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 206010044008 tonsillitis Diseases 0.000 description 1
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
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Pathology (AREA)
- Development Economics (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了保险核保的系统、方法、设备和计算机可读介质,涉及计算机技术领域。该系统的一具体实施方式包括:数据子系统,用于从医疗保险数据库中提取基础医疗数据;处理子系统,用于在所述基础医疗数据中,按照慢性病的种类和恶性肿瘤的种类,筛选患有所述慢性病和所述恶性肿瘤的患者;分析子系统,用于根据所述患者的基础医疗数据进行逻辑回归分析,以确定因素与恶性肿瘤的相关性,所述因素包括慢性病的种类,以及被保险人的性别或年龄;核保子系统,用于基于所述因素与恶性肿瘤的相关性,确定被保险人的保险数据。该实施方式能够获知潜在因素与疾病之间的关系,进而提高核保的准确性。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种保险核保的系统、方法、设备和计算机可读介质。
背景技术
保险核保是保险公司对投保人的投保申请进行审查、核定和选择风险的过程。
随着社会经济的发展,生活水平的提高和人口老龄化进程的加快,慢性病已经成公共卫生问题之一,给人民的健康和生活带来了巨大的影响。
慢性病发生和流行与经济社会、生态环境、文化习俗和生活方式等因素密切相关。伴随着生活方式、膳食结构、消费娱乐方式、工作内容与工作方式以及经济关系的改变,疾病谱和死因构成比也在发生变化,以慢性病和恶性肿瘤为主的疾病正日益威胁着人民的健康,已经成为严重的社会公共问题和医疗经济增长的阻碍。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:在保险核保过程中,难以获知潜在因素与某种疾病之间的关系,进而导致核保的准确性较低。
发明内容
有鉴于此,本发明实施例提供一种保险核保的系统、方法、设备和计算机可读介质,能够获知潜在因素与疾病之间的关系,进而提高核保的准确性。
为实现上述目的,根据本发明实施例的一个方面,提供了一种保险核保的系统,所述系统包括:
数据子系统,用于从医疗保险数据库中提取基础医疗数据;
处理子系统,用于在所述基础医疗数据中,按照慢性病的种类和恶性肿瘤的种类,筛选患有所述慢性病和所述恶性肿瘤的患者;
分析子系统,用于根据所述患者的基础医疗数据进行逻辑回归分析,以确定因素与恶性肿瘤的相关性,所述因素包括慢性病的种类,以及被保险人的性别或年龄;
核保子系统,用于基于所述因素与恶性肿瘤的相关性,确定被保险人的保险数据。
所述分析子系统,具体用于将所述患者的基础医疗数据,输入统计产品与服务解决方案软件进行逻辑回归分析。
所述慢性病的种类是基于所述医疗保险数据库统计获得排名前N类慢性病,N是大于1的整数;
所述恶性肿瘤的种类是基于所述医疗保险数据库统计获得排名前M类恶性肿瘤,M是大于1的整数。
所述核保子系统,具体用于基于所述被保险人的基础医疗数据,确定所述被保险人是否符合所述因素,以调整所述被保险人的保费和/或修改所述被保险人的保险条款。
所述慢性病的种类以四位国际疾病分类码标识,所述恶性肿瘤的种类以国际疾病分类码标识。
所述处理子系统,具体用于将所述患者的基础医疗数据映射为分类变量后,进行编码;
所述分析子系统,具体用于根据所述编码,进行逻辑回归分析。
根据本发明实施例的第二方面,提供了一种保险核保的方法,包括:
从医疗保险数据库中提取基础医疗数据;
在所述基础医疗数据中,按照慢性病的种类和恶性肿瘤的种类,筛选患有所述慢性病和所述恶性肿瘤的患者;
根据所述患者的基础医疗数据进行逻辑回归分析,以确定因素与恶性肿瘤的相关性,所述因素包括慢性病的种类,以及被保险人的性别或年龄;
基于所述因素与恶性肿瘤的相关性,确定被保险人的保险数据。
所述根据所述患者的基础医疗数据进行逻辑回归分析,包括:
将所述患者的基础医疗数据,输入统计产品与服务解决方案软件进行逻辑回归分析。
根据本发明实施例的第三方面,提供了一种保险核保的电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述的方法。
根据本发明实施例的第四方面,提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现如上述的方法。
上述发明中的一个实施例具有如下优点或有益效果:因为数据子系统从医疗保险数据库中提取基础医疗数据;处理子系统在基础医疗数据中,按照慢性病的种类和恶性肿瘤的种类,筛选患有慢性病和恶性肿瘤的患者;分析子系统根据患者的基础医疗数据进行逻辑回归分析,以确定因素与恶性肿瘤的相关性,因素包括慢性病的种类,以及被保险人的性别或年龄;核保子系统基于因素与恶性肿瘤的相关性,确定被保险人的保险数据。通过保险核保的系统能够获知潜在因素与疾病之间的关系,进而基于因素与恶性肿瘤的相关性确定保险数据,进而提高核保的准确性。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的保险核保的系统的主要结构的示意图;
图2是根据本发明实施例的基础医疗数据的映射示意图;
图3是根据本发明实施例的基础医疗数据表的示意图;
图4是根据本发明实施例的保险核保的方法的主要步骤的示意图;
图5是本发明实施例可以应用于其中的示例性系统架构图;
图6是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
恶性肿瘤是造成大多数人患病的主要原因。同时,多数人还患有不同的慢性病。为了避免患病对于生活带来的种种影响,可以通过购买保险降低患病的经济影响。
在保险核保过程中,由于难以获知潜在因素与某种疾病之间的关系,进而导致核保的准确性较低,造成保险公司的经营风险较大。
为了解决难以获知潜在因素与某种疾病之间的关系,进而导致核保的准确性较低,可以采用以下本发明实施例中的技术方案。
参见图1,图1是根据本发明实施例的保险核保的系统的主要结构的示意图。在患者基础医疗数据的基础上,进行逻辑回归分析,以确定因素与恶性肿瘤的相关性,进而确定被保险人的保险数据。
图1中保险核保的系统具体包括:数据子系统101、处理子系统102、分析子系统103和核保子系统104。
数据子系统101,用于从医疗保险数据库中提取基础医疗数据。
在本发明的一个实施例中,医疗保险数据库包括全国医疗保险联网指标库中的四大费用和结算信息库。其中,结算信息库中包括城镇职工、离休人员、城镇居民和新农合涉及的结算信息。
数据子系统101,可以从医疗保险数据库中读取参保人员、就诊和结算数据,进而提取基础医疗数据。在本发明的一个实施例中,基础医疗数据包括以下内容的一种或多种:行政区划代码、数据级别、客户唯一识别号码、性别、出生日期、就诊日期、主要疾病诊断编码、慢性病确诊日期、慢性病诊断编码、恶性肿瘤诊断编码和恶性肿瘤就诊日期。可见,基础医疗数据是参保人员的基本信息。
处理子系统102可以在上述基础医疗数据中进行筛选。为了获知潜在因素与某种疾病之间的关系,可以筛选患有慢性病和恶性肿瘤的患者。
具体来说,处理子系统102,用于在基础医疗数据中,按照慢性病的种类和恶性肿瘤的种类,筛选患有慢性病和恶性肿瘤的患者。
在医疗保险数据库保存有参保人的基础医疗数据。可以按照慢性病的种类和恶性肿瘤的种类进行筛选。也就是说,患有预设种类慢性病和患有预设种类恶性肿瘤的参保人,可以作为筛选出的患者。
在本发明的一个实施例中,为了减少分析数据量和提高分析的针对性,可以基于医疗保险数据库统计慢性病患者的数量,以及恶性肿瘤患者的数量。
具体来说,慢性病的种类是基于医疗保险数据库统计获得排名前N类慢性病,N是大于1的整数;
恶性肿瘤的种类是基于医疗保险数据库统计获得排名前M类恶性肿瘤,M是大于1的整数。
作为一个示例,N等于20,M等于10。
示例性的,排名前20的慢性病包括:慢性胃炎,颈椎病,缺血性脑卒中,盆腔炎,腰椎间盘突出症,高血压病,冠心病,糖尿病及糖代谢异常,慢性支气管炎,胆囊炎、胆结石,支气管哮喘,慢性鼻炎、鼻咽炎和咽炎,慢性肝炎,消化性溃疡,类风湿性关节炎,慢性阻塞性肺病,肾炎和慢性扁桃体炎。
示例性的,排名前10的恶性肿瘤包括:肺癌,肝癌,乳腺癌,胃癌,结肠癌,食管癌,副乳腺癌,支气管癌,胃溃疡癌和鼻咽壁癌。
在本发明的一个实施例中,为了清楚标识慢性病的种类和恶性肿瘤的种类,可以以国际疾病分类(international Classification of diseases,ICD)标识慢性病的种类和恶性肿瘤的种类。
对于慢性病而言,由于按照完整ICD标识可能会导致分类过细,难以准确分析慢性病与恶性肿瘤的相关性。经多次实践,以四位ICD标识慢性病,可以准确分析慢性病与恶性肿瘤的相关性。则可以设置慢性病的种类以四位ICD标识。
考虑到需要准确识别恶性肿瘤,因此对于恶性肿瘤而言,以完整ICD标识。作为一个示例,胃癌的完整ICD为:C16.900。
此外,处理子系统102,还可以对患有慢性病和恶性肿瘤的患者的年龄、性别等基础信息进行加工处理,按照其就诊年份处理为相应的格式,便于后续的分析。
分析子系统103,用于根据患者的基础医疗数据进行逻辑回归分析,以确定因素与恶性肿瘤的相关性,因素包括慢性病的种类,以及被保险人的性别或年龄。
患者患有慢性病和恶性肿瘤,根据上述患者的基础医疗数据进行逻辑回归分析,进而可以确定因素与恶性肿瘤的相关性。也就是说,当获知患者具有特定因素的情况下,由于该特定因素与恶性肿瘤的相关性较大,则推测该患者患有恶性肿瘤的可能性比较大。具体来说,恶性肿瘤与一个或多个因素相关,因素可以包括慢性病的种类,以及被保险人的性别和年龄。
在本发明的一个实施例中,可以采用逻辑回归算法进行逻辑回归分析。逻辑回归算法是一种概率型的机器学习算法,除了可以用来进行预测外,还可以用来进行相关性分析,寻找因变量的影响因素。
具体来说,分析子系统103,用于将患者的基础医疗数据,输入统计产品与服务解决方案(Statistical Product and Service Solutions,SPSS)软件进行逻辑回归分析。这样SPSS就可以输出因素与恶性肿瘤的相关性。
在本发明的一个实施例中,为了准确标识患者的基础医疗数据,处理子系统102可以将患者的基础医疗数据映射为分类变量后,进行编码。相应的,分析子系统103根据上述编码,进行逻辑回归分析。
示例性的,患者的基础医疗数据包括性别、年龄、是否患有慢性病和是否患有预设的恶性肿瘤。
将患者的基础医疗数据映射为分类变量。对性别进行0-1的映射,对年龄按照疾病统计意义进行分段,并映射为分类变量。对慢性病ICD和恶性肿瘤ICD根据是否患病映射为0和1的分类变量。
参见图2,图2是根据本发明实施例的基础医疗数据的映射示意图。其中,男性映射为0,女性映射为1。
将年龄分为四段,将年龄小于等于18岁映射为0;将年龄小于等于44岁且大于18映射为1;将年龄小于等于64岁且大于44映射为2;将年龄大于等于64映射为3。
对慢性病根据是否患病,映射为0和1的分类变量。0代表未患慢性病,1代表患有慢性病。此外,还可以按照慢性病ICD进行映射。
对于恶性肿瘤根据是否患病,映射为0和1的分类变量。0代表未患恶性肿瘤,1代表患有恶性肿瘤。
图2中对于是否患有恶性肿瘤,具体分类为是否患有排名前10的恶性肿瘤。0代表未患该类恶性肿瘤,1代表患有该类恶性肿瘤。
按照图2中基础医疗数据的映射,可以将患者的基础医疗数据的映射为分类变量后,得到一串编码。该编码体现对应患者的基础医疗数据。
作为一个示例,患者A的基础医疗数据包括:年龄30,性别女,患有慢性病;患有恶性肿瘤。患者A的编码为:1111000000000。患者B的基础医疗数据包括:年龄38,性别男,患有慢性病;患有恶性肿瘤;患有肺癌;未患有其他恶性肿瘤。患者B的编码为:0111100000000。
类似的,可以将患有慢性病和/或恶性肿瘤的患者均已编码的形式标记,进而组成一张基础医疗数据表。
参见图3,图3是根据本发明实施例的基础医疗数据表的示意图,图3中包括患者A的患者标识:123456,患者编码:1111000000000。患者B的患者标识:123457,患者编码:0111100000000。其中,图3还可以包括所有医疗保险数据库中患有慢性病和恶性肿瘤的患者标识和患者编码。
下面介绍分析子系统103根据患者的基础医疗数据,输入SPSS进行逻辑回归分析,以确定因素与恶性肿瘤的相关性。
SPSS输出比值比(Odds ratio,OR)值和P值,可以依据OR值是否大于1,P值是否小于0.05,判断某一因素是否与某种恶性肿瘤具有明显的相关性。
OR指病例组中暴露人数与非暴露人数的比值除以对照组中暴露人数与非暴露人数的比值。反映的是疾病和暴露的关联强度,通常出现在病例-对照研究里。
P值就是用来判断假设是否成立的依据。作为一个示例,P值小于0.05认为该因素与恶性肿瘤具有明显的相关性;反之,P值大于等于0.05认为该因素与恶性肿瘤不具有明显的相关性。
在本发明的一个实施例中,分析排名前20的慢性病与恶性肿瘤的单因素相关性。
选取某地某年社保数据中全部的参保人群作为研究对象,对每个参保人的住院记录和门诊记录根据慢性病ICD码进行打标。
将患者的基础医疗数据映射为分类变量,并进行编码,具体的:
如果住院记录或门诊记录中有上述20种慢性病而出险的记录,则将其是否患慢性病标记为1,否则为0;
同样的,住院记录中有因为恶性肿瘤而出险且入院时间在当年因慢性病而住院或门诊时间之后,则将其是否患恶性肿瘤标记为1,否则为0。
按照上述方案,对于每个患者有两列数据,一列是是否患慢性病,另一列是是否患恶性肿瘤。然后,将每个患者的数据编码后输入SPSS分析,得到OR值=2.169,P=0.006。
P=0.006<0.05,说明统计结果的达到显著性水平,结果具有统计学意义。而OR值=2.169,表示相对于未患慢性病来说,患这20种慢性病的人患恶性肿瘤的几率是未患这20中慢性病的人患恶性肿瘤的2.169倍。说明患慢性病与患恶性肿瘤高度相关。
在本发明的一个实施例中,分析排名前20的慢性病、患者年龄与恶性肿瘤的多因素相关性。
选取某地某年社保数据中全部的参保人群作为研究对象,对每个参保人的住院记录和门诊记录根据慢性病ICD码进行打标。
类似于图2,处理子系统102可以将患者的基础医疗数据映射为分类变量后,进行编码,得到类似于图3中的基础医疗数据表。分析子系统103根据基础医疗数据表中的编码,输入SPSS分析。
对于分析多因素相关性,可以先获知单因素相关性,结合多个因素的单因素相关性,再分析多因素相关性。
控制患者年龄,考虑慢性病与恶性肿瘤的相关性,OR=2.322,P=0.000。患慢性病的人患恶性肿瘤的几率是未患慢性病的人患恶性肿瘤的2.322倍,且P=0.000<0.05,结果具有统计学意义。
控制患慢性病这一因素,分别对不同年龄段的获知进行慢性病与恶性肿瘤进行分析。
18-44岁的患者,OR=2.953,P=0.000。患慢性病的人患恶性肿瘤的几率是未患慢性病的人患恶性肿瘤的2.953倍,且P=0.000<0.05,结果具有统计学意义。
44-64岁的患者,OR=1.375,P=0.000。患慢性病的人患恶性肿瘤的几率是未患慢性病的人患恶性肿瘤的1.375倍,且P=0.000<0.05,结果具有统计学意义。
64岁以上年龄的患者,OR=1.317,P=0.000。患慢性病的人患恶性肿瘤的几率是未患慢性病的人患恶性肿瘤的1.317倍,且P=0.000<0.05,结果具有统计学意义。
整体来说,慢性病与恶性肿瘤之间具有相关性,即在控制年龄这一条件的前提下,患慢性病的人患恶性肿瘤的几率是未患慢性病的人患恶性肿瘤的2.322倍,即二者具有正相关关系。
其次,不同年龄段的OR值大小不同,这说明,随着年龄增长,是否患慢性病对是否患恶性肿瘤的影响逐渐减小。即,随着年龄增长,患恶性肿瘤的几率越来越高,尤其是中年人和老年人,且不论其是否患慢性病,因为年龄的增长这一因素削弱了是否患慢性病这一因素。
分析子系统103在确定因素与恶性肿瘤的相关性之后,就能够获知哪些因素与恶性肿瘤的相关性较强。
核保子系统104,用于基于因素与恶性肿瘤的相关性,确定被保险人的保险数据。保险数据包括保费和保险条款,保险条件涉及疾病名称,赔偿条件和保障金额等。
在本发明的一个实施例中,核保子系统104基于被保险人的基础医疗数据,确定被保险人是否符合上述因素,以调整被保险人的保费和/或修改被保险人的保险条款。
可以理解的是,在获知被保险人符合的因素与恶性肿瘤的相关性较高,即被保险人患恶性肿瘤的可能性较高,则可以调整被保险人的保费,如:调高被保险人的保费。和/或,修改被保险人的保险条款,如:删除被保险人患恶性肿瘤的需要赔付的条款。
在本发明的一个实施例中,某保险公司即将上线一款健康险产品,通过对医疗保险数据库,按照恶性肿瘤进行逻辑回归分析表明:年龄与是否患某恶性肿瘤具有正相关性。大于60岁,则某恶性肿瘤发病率较高。
那么,可以根据年龄段设置不同的保费,并对年龄高于60岁的人群设置为无法参保,则有效地筛除一批高风险投保客户,降低风险。
在本发明的一个实施例中,某保险公司即将上线另一款健康险产品,通过对医疗保险数据库中提取基础医疗数据,进行逻辑回归分析表明:不同年龄段、是否患某慢性病与是否患某恶性肿瘤的具有明显的差异。
总体上来说,慢性肝炎与肝恶性肿瘤的OR值很高,但是分年龄段分析后得知,相比于64岁以上人群,18-44岁患慢性肝炎与未患慢性肝炎的人群患肝恶性肿瘤的OR值与64岁以上的人群的OR值高很多,说明对于18-44岁人群,患慢性肝炎的人更容易患肝恶性肿瘤。
那么,对于患有慢性肝炎疾病史属于18-44岁人群的被保险人,设置不能购买该健康险产品
此外,若某慢性病与某恶性肿瘤整体上具有一定的正相关性但相关性并不高,而对不同年龄段进行该慢性病和该恶性肿瘤的相关性分析得知其OR值有很大的差异,则根据不同年龄段设置不同的费率,从而降低风险。
在上述本发明的实施例中,数据子系统从医疗保险数据库中提取基础医疗数据;处理子系统在基础医疗数据中,按照慢性病的种类和恶性肿瘤的种类,筛选患有慢性病和恶性肿瘤的患者;分析子系统根据患者的基础医疗数据进行逻辑回归分析,以确定因素与恶性肿瘤的相关性,因素包括以下一种或多种:慢性病的种类、性别和年龄;核保子系统基于因素与恶性肿瘤的相关性,确定被保险人的保险数据。通过保险核保的系统能够获知潜在因素与疾病之间的关系,进而基于因素与恶性肿瘤的相关性确定保险数据,进而提高核保的准确性。
参见图4,图4是根据本发明实施例的保险核保的方法的主要步骤的示意图,保险核保的系统可以实现保险核保的方法,如图4所示,保险核保的方法具体包括:
S401、从医疗保险数据库中提取基础医疗数据。
S402、在基础医疗数据中,按照慢性病的种类和恶性肿瘤的种类,筛选患有慢性病和恶性肿瘤的患者。
在本发明的一个实施例中,慢性病的种类是基于医疗保险数据库统计获得排名前N类慢性病,N是大于1的整数。
恶性肿瘤的种类是基于医疗保险数据库统计获得排名前M类恶性肿瘤,M是大于1的整数。
在本发明的一个实施例中,慢性病的种类以四位国际疾病分类码标识,恶性肿瘤的种类以国际疾病分类码标识。
S403、根据患者的基础医疗数据进行逻辑回归分析,以确定因素与恶性肿瘤的相关性,因素包括慢性病的种类,以及被保险人的性别或年龄。
在本发明的一个实施例中,将患者的基础医疗数据,输入统计产品与服务解决方案软件进行逻辑回归分析。
在本发明的一个实施例中,将患者的基础医疗数据映射为分类变量后,进行编码;根据编码,进行逻辑回归分析。
S404、基于因素与恶性肿瘤的相关性,确定被保险人的保险数据。
在本发明的一个实施例中,基于被保险人的基础医疗数据,确定被保险人是否符合所述因素,以调整被保险人的保费和/或修改被保险人的保险条款。
图5示出了可以应用本发明实施例的保险核保的方法或保险核保的系统的示例性系统架构500。
如图5所示,系统架构500可以包括终端设备501、502、503,网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备501、502、503通过网络504与服务器505交互,以接收或发送消息等。终端设备501、502、503上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备501、502、503可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器505可以是提供各种服务的服务器,例如对用户利用终端设备501、502、503所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的保险核保的方法一般由服务器505执行,相应地,保险核保的系统一般设置于服务器505中。
应该理解,图5中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图6,其示出了适于用来实现本发明实施例的终端设备的计算机系统600的结构示意图。图6示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括发送单元、获取单元、确定单元和第一处理单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,发送单元还可以被描述为“向所连接的服务端发送图片获取请求的单元”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:
从医疗保险数据库中提取基础医疗数据;
在所述基础医疗数据中,按照慢性病的种类和恶性肿瘤的种类,筛选患有所述慢性病和所述恶性肿瘤的患者;
根据所述患者的基础医疗数据进行逻辑回归分析,以确定因素与恶性肿瘤的相关性,所述因素包括慢性病的种类,以及被保险人的性别或年龄;
基于所述因素与恶性肿瘤的相关性,确定被保险人的保险数据。
根据本发明实施例的技术方案,从医疗保险数据库中提取基础医疗数据;在基础医疗数据中,按照慢性病的种类和恶性肿瘤的种类,筛选患有慢性病和恶性肿瘤的患者;根据患者的基础医疗数据进行逻辑回归分析,以确定因素与恶性肿瘤的相关性,因素包括慢性病的种类,以及被保险人的性别或年龄;基于因素与恶性肿瘤的相关性,确定被保险人的保险数据。通过上述技术方案能够获知潜在因素与疾病之间的关系,进而基于因素与恶性肿瘤的相关性确定保险数据,进而提高核保的准确性。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种保险核保的系统,其特征在于,所述系统包括:
数据子系统,用于从医疗保险数据库中提取基础医疗数据;
处理子系统,用于在所述基础医疗数据中,按照慢性病的种类和恶性肿瘤的种类,筛选患有所述慢性病和所述恶性肿瘤的患者;
分析子系统,用于根据所述患者的基础医疗数据进行逻辑回归分析,以确定因素与恶性肿瘤的相关性,所述因素包括慢性病的种类、以及被保险人的性别或年龄;
核保子系统,用于基于所述因素与恶性肿瘤的相关性,确定被保险人的保险数据。
2.根据权利要求1所述保险核保的系统,其特征在于,所述分析子系统,具体用于将所述患者的基础医疗数据,输入统计产品与服务解决方案软件进行逻辑回归分析。
3.根据权利要求1所述保险核保的系统,其特征在于,所述慢性病的种类是基于所述医疗保险数据库统计获得排名前N类慢性病,N是大于1的整数;
所述恶性肿瘤的种类是基于所述医疗保险数据库统计获得排名前M类恶性肿瘤,M是大于1的整数。
4.根据权利要求1所述保险核保的系统,其特征在于,所述核保子系统,具体用于基于所述被保险人的基础医疗数据,确定所述被保险人是否符合所述因素,以调整所述被保险人的保费和/或修改所述被保险人的保险条款。
5.根据权利要求1所述保险核保的系统,其特征在于,所述慢性病的种类以四位国际疾病分类码标识,所述恶性肿瘤的种类以国际疾病分类码标识。
6.根据权利要求1所述保险核保的系统,其特征在于,所述处理子系统,具体用于将所述患者的基础医疗数据映射为分类变量后,进行编码;
所述分析子系统,具体用于根据所述编码,进行逻辑回归分析。
7.一种保险核保的方法,其特征在于,包括:
从医疗保险数据库中提取基础医疗数据;
在所述基础医疗数据中,按照慢性病的种类和恶性肿瘤的种类,筛选患有所述慢性病和所述恶性肿瘤的患者;
根据所述患者的基础医疗数据进行逻辑回归分析,以确定因素与恶性肿瘤的相关性,所述因素慢性病的种类,以及被保险人的性别或年龄;
基于所述因素与恶性肿瘤的相关性,确定被保险人的保险数据。
8.根据权利要求1所述保险核保的方法,其特征在于,所述根据所述患者的基础医疗数据进行逻辑回归分析,包括:
将所述患者的基础医疗数据,输入统计产品与服务解决方案软件进行逻辑回归分析。
9.一种保险核保的电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求7或8中所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求7或8所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911164960.0A CN111127225A (zh) | 2019-11-25 | 2019-11-25 | 保险核保的系统、方法、设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911164960.0A CN111127225A (zh) | 2019-11-25 | 2019-11-25 | 保险核保的系统、方法、设备和计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111127225A true CN111127225A (zh) | 2020-05-08 |
Family
ID=70496591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911164960.0A Pending CN111127225A (zh) | 2019-11-25 | 2019-11-25 | 保险核保的系统、方法、设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111127225A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112634063A (zh) * | 2020-12-02 | 2021-04-09 | 北京健康之家科技有限公司 | 保险理赔审核方法、装置和电子设备 |
CN112712436A (zh) * | 2020-12-31 | 2021-04-27 | 天津幸福生命科技有限公司 | 医疗数据处理方法、装置、介质及电子设备 |
CN116561183A (zh) * | 2023-07-10 | 2023-08-08 | 北京环球医疗救援有限责任公司 | 一种海量医疗保险数据智能信息检索系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2005307823A1 (en) * | 2004-11-16 | 2006-05-26 | Health Dialog Services Corporation | Systems and methods for predicting healthcare related risk events and financial risk |
US20140108042A1 (en) * | 2012-10-11 | 2014-04-17 | Jayaram Reddy | Methods and systems for determining health risk score, risk of hospitalization and forecasting healthcare cost |
CN105678104A (zh) * | 2016-04-06 | 2016-06-15 | 电子科技大学成都研究院 | 一种基于Cox回归模型的老人健康数据分析方法 |
CN107292114A (zh) * | 2017-06-28 | 2017-10-24 | 中日友好医院 | 一种孤立性肺结节恶性概率预测模型的建立方法 |
CN107895596A (zh) * | 2016-12-19 | 2018-04-10 | 平安科技(深圳)有限公司 | 风险预测方法及系统 |
CN108492877A (zh) * | 2018-03-26 | 2018-09-04 | 西安电子科技大学 | 一种基于ds证据理论的心血管病辅助预测方法 |
CN108921714A (zh) * | 2018-07-10 | 2018-11-30 | 平安健康保险股份有限公司 | 保单核保处理方法、装置、计算机设备及存储介质 |
CN109300017A (zh) * | 2018-10-27 | 2019-02-01 | 平安科技(深圳)有限公司 | 基于数据分析的保单推荐方法、装置、服务器及存储介质 |
CN109472711A (zh) * | 2018-12-14 | 2019-03-15 | 平安健康保险股份有限公司 | 健康险的核保方法、装置、设备及计算机可读存储介质 |
CN109559243A (zh) * | 2018-12-13 | 2019-04-02 | 泰康保险集团股份有限公司 | 保险核保方法、装置、介质及电子设备 |
CN109754884A (zh) * | 2019-01-30 | 2019-05-14 | 山东大学齐鲁医院 | 心脏病妊娠患者分娩前新生儿风险预测方法、系统及介质 |
-
2019
- 2019-11-25 CN CN201911164960.0A patent/CN111127225A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2005307823A1 (en) * | 2004-11-16 | 2006-05-26 | Health Dialog Services Corporation | Systems and methods for predicting healthcare related risk events and financial risk |
US20140108042A1 (en) * | 2012-10-11 | 2014-04-17 | Jayaram Reddy | Methods and systems for determining health risk score, risk of hospitalization and forecasting healthcare cost |
CN105678104A (zh) * | 2016-04-06 | 2016-06-15 | 电子科技大学成都研究院 | 一种基于Cox回归模型的老人健康数据分析方法 |
CN107895596A (zh) * | 2016-12-19 | 2018-04-10 | 平安科技(深圳)有限公司 | 风险预测方法及系统 |
CN107292114A (zh) * | 2017-06-28 | 2017-10-24 | 中日友好医院 | 一种孤立性肺结节恶性概率预测模型的建立方法 |
CN108492877A (zh) * | 2018-03-26 | 2018-09-04 | 西安电子科技大学 | 一种基于ds证据理论的心血管病辅助预测方法 |
CN108921714A (zh) * | 2018-07-10 | 2018-11-30 | 平安健康保险股份有限公司 | 保单核保处理方法、装置、计算机设备及存储介质 |
CN109300017A (zh) * | 2018-10-27 | 2019-02-01 | 平安科技(深圳)有限公司 | 基于数据分析的保单推荐方法、装置、服务器及存储介质 |
CN109559243A (zh) * | 2018-12-13 | 2019-04-02 | 泰康保险集团股份有限公司 | 保险核保方法、装置、介质及电子设备 |
CN109472711A (zh) * | 2018-12-14 | 2019-03-15 | 平安健康保险股份有限公司 | 健康险的核保方法、装置、设备及计算机可读存储介质 |
CN109754884A (zh) * | 2019-01-30 | 2019-05-14 | 山东大学齐鲁医院 | 心脏病妊娠患者分娩前新生儿风险预测方法、系统及介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112634063A (zh) * | 2020-12-02 | 2021-04-09 | 北京健康之家科技有限公司 | 保险理赔审核方法、装置和电子设备 |
CN112712436A (zh) * | 2020-12-31 | 2021-04-27 | 天津幸福生命科技有限公司 | 医疗数据处理方法、装置、介质及电子设备 |
CN116561183A (zh) * | 2023-07-10 | 2023-08-08 | 北京环球医疗救援有限责任公司 | 一种海量医疗保险数据智能信息检索系统 |
CN116561183B (zh) * | 2023-07-10 | 2023-09-19 | 北京环球医疗救援有限责任公司 | 一种海量医疗保险数据智能信息检索系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101835880B1 (ko) | 임상 결과 추적 및 분석 | |
WO2021174944A1 (zh) | 基于目标对象活跃度的消息推送方法及相关设备 | |
US8214232B2 (en) | Healthcare insurance claim fraud detection using datasets derived from multiple insurers | |
Haas et al. | Imputation of race/ethnicity to enable measurement of HEDIS performance by race/ethnicity | |
Yuan et al. | Temporal bias in case-control design: preventing reliable predictions of the future | |
CN111127225A (zh) | 保险核保的系统、方法、设备和计算机可读介质 | |
WO2023015935A1 (zh) | 一种体检项目推荐方法、装置、设备及介质 | |
US20220215899A1 (en) | Affinity prediction method and apparatus, method and apparatus for training affinity prediction model, device and medium | |
US20180011976A1 (en) | Self-service healthcare platform | |
US20210374886A1 (en) | Machine-learning prediction of occupancy status of real property | |
Tesema et al. | Individual and community-level determinants, and spatial distribution of institutional delivery in Ethiopia, 2016: Spatial and multilevel analysis | |
KR20230001435A (ko) | 고객정보 통합분석기반 보험 보장핏팅 서비스 방법 및 장치 | |
CN114297475A (zh) | 一种对象推荐方法、装置、电子设备及存储介质 | |
Mehta et al. | Development and validation of the summary Elixhauser Comorbidity Score for use with ICD-10-CM–coded data among older adults | |
CN113705698B (zh) | 基于点击行为预测的信息推送方法及装置 | |
Cannon-Albright et al. | Creation of a national resource with linked genealogy and phenotypic data: the Veterans Genealogy Project | |
US9524371B2 (en) | System and method for facilitating the collection, analysis, use and management of clinical analytics results to improve healthcare | |
CN113628751A (zh) | 胃癌预后预测方法、装置及电子设备 | |
Mason et al. | Creating a real-world linked research platform for analyzing the urgent and emergency care system | |
CN115620886B (zh) | 一种数据审核方法和装置 | |
CN116504401A (zh) | 一种智能体检项目推荐方法和装置 | |
US20170186120A1 (en) | Health Care Spend Analysis | |
Ahn et al. | Development of a risk predictive scoring system to identify patients at risk of representation to emergency department: a retrospective population-based analysis in Australia | |
Weir Jr et al. | The relative ability of comorbidity ascertainment methodologies to predict in-hospital mortality among hospitalized community-acquired pneumonia patients | |
CN111383766A (zh) | 计算机数据处理方法、装置、介质及电子设备 |
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: 20200508 |
|
RJ01 | Rejection of invention patent application after publication |