CN111179096A - 医疗数据审核方法、装置、电子设备及计算机可读介质 - Google Patents

Abstract

本公开涉及一种基于疾病判定模型的医疗数据审核方法、装置、电子设备及计算机可读介质。涉及医疗信息处理领域，该方法包括：通过多个数据源获取被保人的医疗数据；对所述医疗数据进行数据处理生成特征数据；将所述特征数据输入至少一个疾病判定模型中以获取疾病风险数据；以及根据所述疾病风险数据与其对应的阈值确定医疗数据审核判定结果。本公开涉及的基于疾病判定模型的医疗数据审核方法、装置、电子设备及计算机可读介质，能够提高保险审核的效率与准确度。

Description

医疗数据审核方法、装置、电子设备及计算机可读介质

技术领域

本公开涉及医疗信息处理领域，具体而言，涉及一种基于疾病判定模型的医疗数据审核方法、装置、电子设备及计算机可读介质。

背景技术

人身保险是以人的寿命和身体为保险标的的保险。为了评估被保人的健康状况，以确定承保费率，各保险公司在接受客户投保申请时，要求其填写健康告知书、提供健康相关资料或授权合法采集其健康数据和病例资料用于风险评估。传统的流程中，一般由保险公司的医学核保员对健康和病例资料根据核保规则进行风险评估，以给出是否承保、以什么费率承保的结论。随着业务量的快速增长和新健康险核保需求，人工审核的效率无法满足业务发展需求，保险公司迫切需要由人工审核升级成机器自动审核。

现有大部分保险核心系统包含核保模块，客户的健康档案通常事先录入或影像扫描到保险公司核保系统，以供核保员与核保规则进行人工比对。这种核保系统只是实现了核保“无纸化”，并未真正实现完全“自动化”。

在现有技术中有一种医务智能核保方法和系统，通过采集体检信息与核保评点规则进行自动比对，得出结果。这种核保方法更进一步地实现了核保“自动化”。但是这种方法中核保评点规则依赖人工制定，无法实现自动化，执行效率低、人工成本高，并且受限于核保员的医学与核保经验，实际效果不可控。

因此，需要一种新的基于疾病判定模型的医疗数据审核方法、装置、电子设备及计算机可读介质。

在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

有鉴于此，本公开提供一种基于疾病判定模型的医疗数据审核方法、装置、电子设备及计算机可读介质，能够提高保险审核的效率与准确度。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一方面，提出一种基于疾病判定模型的医疗数据审核方法，该方法包括：通过至少一个数据源获取被保人的医疗数据；对所述医疗数据进行数据处理生成特征数据；将所述特征数据输入至少一个疾病判定模型中以获取疾病风险数据；以及根据所述疾病风险数据与其对应的阈值确定医疗数据审核判定结果。

在本公开的一种示例性实施例中，还包括：通过历史医疗数据与机器学习算法建立疾病判定模型。

在本公开的一种示例性实施例中，所述通过历史医疗数据与机器学习算法建立疾病判定模型包括：按照疾病特征将所述历史医疗数据进行分类；以及对每一类所述历史医疗数据分别通过所述机器学习算法建立所述疾病判定模型。

在本公开的一种示例性实施例中，通过至少一个数据源获取被保人的医疗数据包括：获取所述多个数据源的数据；以及根据预定映射规则通过所述数据筛选生成所述医疗数据。

在本公开的一种示例性实施例中，对所述医疗数据进行数据处理生成特征数据包括：对所述医疗数据进行自然语言结构化处理，生成结构化数据；对所述结构化数据进行归一化处理，生成归一化数据；以及对所述归一化数据进行特征处理，生成所述特征数据。

在本公开的一种示例性实施例中，根据所述疾病风险数据与其对应的阈值确定医疗数据审核判定结果包括：通过所述疾病风险数据确定保险审核判定规则；以及通过所述疾病风险数据与对应的保险审核判定规则给出医疗数据审核判定结果。

在本公开的一种示例性实施例中，根据所述疾病风险数据与其对应的阈值确定医疗数据审核判定结果包括：通过决策树、所述疾病风险数据与其对应的阈值给出所述医疗数据审核判定结果。

根据本公开的一方面，提出一种保险审核装置，该装置包括：数据模块，用于通过至少一个数据源获取被保人的医疗数据；处理模块，用于对所述医疗数据进行数据处理生成特征数据；评分模块，用于将所述特征数据输入至少一个疾病判定模型中以获取疾病风险数据；以及结果模块，用于根据所述疾病风险数据与其对应的阈值给出医疗数据审核判定结果。

根据本公开的一方面，提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上文的方法。

根据本公开的一方面，提出一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上文中的方法。

根据本公开的基于疾病判定模型的医疗数据审核方法、装置、电子设备及计算机可读介质，通过将不同来源的数据进行数据处理，并将所述数据输入疾病判定模型中，通过疾病评分进而进行医疗数据审核判定结果的方式，能够提高保险审核的效率与准确度。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。

附图说明

通过参照附图详细描述其示例实施例，本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例，对于本领域的普通技术人员来讲，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他的附图。

图1是根据一示例性实施例示出的一种基于疾病判定模型的医疗数据审核方法的流程图。

图2是根据另一示例性实施例示出的一种基于疾病判定模型的医疗数据审核方法的流程图。

图3是根据另一示例性实施例示出的一种基于疾病判定模型的医疗数据审核方法的示意图。

图4是根据一示例性实施例示出的一种基于疾病判定模型的医疗数据审核装置的框图。

图5是根据一示例性实施例示出的一种电子设备的框图。

图6是根据一示例性实施例示出一种计算机可读存储介质示意图。

具体实施方式

现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用，术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。

本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本公开所必须的，因此不能用于限制本公开的保护范围。

基于以上现有技术中的缺陷，本申请提出了一种基于疾病判定模型的医疗数据审核方法，能够支持病例等更丰富的健康医疗数据输入，提高自动核保件的比例；还能够解决体检等原始医疗信息无法直接匹配评点规则的问题，实现更量化的核保评点。

图1是根据一示例性实施例示出的一种基于疾病判定模型的医疗数据审核方法的流程图。基于疾病判定模型的医疗数据审核方法10至少包括步骤S102至S108。

如图1所示，在S102中，通过至少一个数据源获取被保人的医疗数据。其中，医疗数据可以来自于客户投保或申请理赔时提交体检或病例资料、客户告知、核保核赔调查合法授权收集的医疗健康档案等。

数据源获取方式可以是直接从保险公司数据库查询提取历史客户保单或理赔的医疗健康相关信息，客户投保或申请理赔时在客户端拍照上传的体检或病例档案，客户告知、体检或病例纸质档案的影像扫描件。

在一个实施例中，通过多个数据源获取被保人的医疗数据包括：获取所述多个数据源的数据；以及根据预定映射规则通过所述数据筛选生成所述医疗数据。可例如通过定义标准医学核保数据接口，以支持不同来源的数据输入。该接口可例如根据医学核保评点和疾病判定。该接口还可以根据常见所需保险客户和医学数据定义常见字段集，对于任意输入源，只需按照该接口预先的定义进行字段映射，以获取后期处理相关的医疗数据。

字段映射指把属于同类医学内容映射到一个标准的字段中。通过字段映射能够将来源于不同数据源的诊断结果(如住院诊断、门诊诊断、手术诊断、理赔诊断等)统一映射到诊断的字段中。

在S104中，对医疗数据进行数据处理生成特征数据。可例如包括：对所述医疗数据进行自然语言结构化处理，生成结构化数据；对所述结构化数据进行归一化处理，生成归一化数据；以及对所述归一化数据进行特征处理，生成所述特征数据。

在一个实施例中，数据处理的过程是把通过标准接口输入的数据通过结构化、归一化、特征处理的方法，转化为疾病判定模型和医务核保评点能够直接输入的变量，并符合输入变量要求的单位和值域范围的数据的过程。

其中，结构化处理指从医学文本或医学影像件中，利用自然语言结构化技术提取出疾病风险评估所需信息的处理过程，比如从住院病历的既往史中提取既往疾病信息，通过提取的信息生成结构化数据。

其中，归一化处理指将结构化数据中的信息转化成标准的格式和单位，比如同样是诊断名称二型糖尿病，不同的来源写法不同(可能是2型糖尿病、糖尿病II等)，统一归类成相同的名称或编码，归一化处理之后获得归一化数据。

其中，特征处理是指特征计算的过程，特征计算是指根据疾病评估要求把源数据计算成可用于评估算法输入的特征变量，比如原始字段为诊断名称，但是评估算法要求输入为是否糖尿病，需要对诊断内容进行逻辑判断的计算，经过特征处理后生成特征数据。

在S106中，将所述特征数据输入至少一个疾病判定模型中以获取疾病风险数据。疾病判定模型是指利用事先处理好的医学变量，通过疾病判定模型判断客户当前的健康风险对应的疾病分类，以辅助决定执行哪个疾病核保评点规则。不同的疾病风险评估方法参考的特征不同，所以每个疾病风险评估方法的输入不同。疾病判定模型具体的说明请见后文中的描述。

在S108中，根据所述疾病风险数据与其对应的阈值确定医疗数据审核判定结果。可例如包括：通过不满足阈值的所述疾病风险数据确定保险审核判定规则；以及通过不满足阈值的所述疾病风险数据与对应的保险审核判定规则给出医疗数据审核判定结果。

医务核保评点依赖的规则可例如来自于保险公司或再保险公司制定的医务核保评点手册。医务核保评点手册的规则定义按疾病分类，每条规则的触发依赖疾病判定的结果，从而确定执行哪些规则。每个评点规则与医学数据处理的变量进行匹配，最终得出评点结果。

在一个实施例中，根据所述疾病风险数据与其对应的阈值确定医疗数据审核判定结果包括：通过决策树、所述疾病风险数据与其对应的阈值给出所述医疗数据审核判定结果。当医务核保评点规则输出不同疾病的多个评点结果时，需要综合得出最终结论。该决策可例如事先由核保专家制定或者利用数据训练的决策树得出。

根据本公开的基于疾病判定模型的医疗数据审核方法，通过将不同来源的数据进行数据处理，并将所述数据输入疾病判定模型中，通过疾病评分进而进行医疗数据审核判定结果的方式，能够提高保险审核的效率与准确度。

应清楚地理解，本公开描述了如何形成和使用特定示例，但本公开的原理不限于这些示例的任何细节。相反，基于本公开公开的内容的教导，这些原理能够应用于许多其它实施例。

图2是根据另一示例性实施例示出的一种基于疾病判定模型的医疗数据审核方法的流程图。图2所示的流程是对图1所示的流程中S106“将所述特征数据输入至少一个疾病判定模型中以获取疾病风险数据”中，疾病判定模型建立过程的详细描述。

如图2所示，在S202中，获取历史医疗数据。其中，历史医疗数据可以来自于历史客户投保或申请理赔时提交体检或病例资料、客户告知、核保核赔调查合法授权收集的医疗健康档案等。还可以直接从保险公司数据库查询提取历史客户保单或理赔的医疗健康相关信息，客户投保或申请理赔时在客户端拍照上传的体检或病例档案，客户告知、体检或病例纸质档案的影像扫描件。

在S204中，按照疾病特征将所述历史医疗数据进行分类。可例如，按照不同的疾病特征将历史数据分成不同的类别，疾病的特征可例如根据保险公司的相关参考文件建立，还可例如通过医学数据或者临床数据进行分类，本申请不以此为限。

在一个实施例中，设计开发疾病判定模型时，需要分疾病进行，不同的疾病风险评估方法参考的特征不同，所以每个疾病风险评估方法的输入不同。评估疾病风险的疾病粒度可以是一个疾病系统大类，也可能是一个具体的疾病亚型，具体由不同险种需求确定。

在S206中，对每一类所述历史医疗数据分别建立所述疾病判定模型。对每一类数据，可例如分别通过机器学习算法建立疾病判定模型。

其中，机器学习(Machine Learning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

根据算法的功能和形式的类似性，机器学习算法可例如有回归算法、正则化方法、基于实例的算法、决策树算法、贝叶斯方法、基于核的算法、聚类算法、人工神经网络算法等等。本申请中的机器学习算法可例如包括以上算法中的一类或者几种相结合，本申请不限于此。

在一个实施例中，除了利用医疗大数据训练的疾病判定模型外，也可以利用医学专家人工规则和医学精标准判定疾病。疾病判定的方法可以是基于医疗大数据或随诊数据建立的疾病判定模型，也可以是根据权威诊疗指南精标准的专家规则。如果是模型，判定的结果以风险评分方式给出，并根据不同评估方法的精准度给出准确度。为了得出疾病分类，还需要设定评分的阈值，以得出具体疾病分类。

根据本公开的基于疾病判定模型的医疗数据审核方法，利用基于医疗大数据建立的医疗健康数据处理和疾病判定模型技术，把客户的体检、病例等原始医疗图像或文本数据转化成可以用于核保评点规则匹配的标准输入变量，将输入变量输入到疾病判定模块中，最终综合计算出核保评点结论的方式，能够提高自动核保件的比例。

图3是根据另一示例性实施例示出的一种基于疾病判定模型的医疗数据审核方法的示意图。图3示例性的描述了基于疾病判定模型的医疗数据审核方法全过程。

如图3所示，数据源用于分析的数据可例如来自于客户投保或申请理赔时提交体检或病例资料、客户告知、核保核赔调查合法授权收集的医疗健康档案等。

数据源得到的数据经过标准医学核保数据接口处理，标准医学核保数据接口可以支持不同来源的数据输入。该接口根据医学核保评点和疾病判定常见所需保险客户和医学数据定义了常见字段集，对于任意输入源，只需按照该接口进行字段映射。

医学核保数据接口处理后的数据进行医疗数据处理过程，医学数据处理用于是把通过标准接口输入的数据通过结构化、归一化、特征计算的方法，转化为疾病判定模型和医务核保评点能够直接输入的变量，并符合输入变量要求的单位和值域范围。

医疗数据处理之后的数据输入疾病判定模型中，疾病判定模型是指利用实现处理好的医学变量，通过疾病判定模型判断客户当前的健康风险对应的疾病分类，以辅助决定执行哪个疾病核保评点规则。

疾病判定模型输出的数据经过医务核保评点分析，医务核保评点依赖的规则主要来自于保险公司或再保险公司制定的医务核保评点手册。医务核保评点手册的规则定义按疾病分类，每条规则的触发依赖疾病判定的结果，从而确定执行哪些规则。每个评点规则与医学数据处理的变量进行匹配，最终得出评点结果。

当医务核保评点规则输出不同疾病的多个评点结果时，需要综合得出最终结论。该决策例如事先由核保专家制定或者利用数据训练的决策树得出。

根据本公开的基于疾病判定模型的医疗数据审核方法，能够有效解决客户体检和健康档案无法直接进行核保评点匹配问题；根据本公开的基于疾病判定模型的医疗数据审核方法，其中医学数据清洗的过程能够提高核保评点准确度；根据本公开的基于疾病判定模型的医疗数据审核方法，中的数据源支持除体检外更丰富的医疗健康数据源和数据字段。

本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时，执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。

此外，需要注意的是，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图4是根据一示例性实施例示出的一种保险审核装置的框图。保险审核装置40包括：数据模块402，处理模块404，评分模块406，以及结果模块408。

数据模块402用于通过至少一个数据源获取被保人的医疗数据。其中，医疗数据可以来自于客户投保或申请理赔时提交体检或病例资料、客户告知、核保核赔调查合法授权收集的医疗健康档案等。

处理模块404用于对所述医疗数据进行数据处理生成特征数据。。可例如包括：对所述医疗数据进行自然语言结构化处理，生成结构化数据；对所述结构化数据进行归一化处理，生成归一化数据；以及对所述归一化数据进行特征处理，生成所述特征数据。

评分模块406用于将所述特征数据输入至少一个疾病判定模型中以获取疾病风险数据。疾病判定模型是指利用实现处理好的医学变量，通过疾病判定模型判断客户当前的健康风险对应的疾病分类，以辅助决定执行哪个疾病核保评点规则。不同的疾病风险评估方法参考的特征不同，每个疾病风险评估方法的输入不同。

结果模块408用于根据所述疾病风险数据与其对应的阈值给出医疗数据审核判定结果。可例如包括：通过不满足阈值的所述疾病风险数据确定保险审核判定规则；以及通过不满足阈值的所述疾病风险数据与对应的保险审核判定规则给出医疗数据审核判定结果。

根据本公开的保险审核装置，通过将不同来源的数据进行数据处理，并将所述数据输入疾病判定模型中，通过疾病评分进而进行医疗数据审核判定结果的方式，能够提高保险审核的效率与准确度。

图5是根据一示例性实施例示出的一种电子设备的框图。

下面参照图5来描述根据本公开的这种实施方式的电子设备200。图5显示的电子设备200仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图5所示，电子设备200以通用计算设备的形式表现。电子设备200的组件可以包括但不限于：至少一个处理单元210、至少一个存储单元220、连接不同系统组件(包括存储单元220和处理单元210)的总线230、显示单元240等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元210执行，使得所述处理单元210执行本说明书上述电子处方流转处理方法部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元210可以执行如图1，图2中所示的步骤。

所述存储单元220可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)2201和/或高速缓存存储单元2202，还可以进一步包括只读存储单元(ROM)2203。

所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204，这样的程序模块2205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线230可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备200也可以与一个或多个外部设备300(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备200交互的设备通信，和/或与使得该电子设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口250进行。并且，电子设备200还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器260可以通过总线230与电子设备200的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备200使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述方法。

图6示意性示出本公开示例性实施例中一种计算机可读存储介质示意图。

参考图6所示，描述了根据本公开的实施方式的用于实现上述方法的程序产品400，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，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。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。

所述计算机可读存储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，其中承载了可读程序代码。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。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。可读存储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、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

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，使得该计算机可读介质实现如下功能：通过多个数据源获取被保人的医疗数据；对所述医疗数据进行数据处理生成特征数据；将所述特征数据输入至少一个疾病判定模型中以获取疾病风险数据；以及根据所述疾病风险数据与其对应的阈值确定医疗数据审核判定结果。

本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施例的方法。

以上具体地示出和描述了本公开的示例性实施例。应可理解的是，本公开不限于这里描述的详细结构、设置方式或实现方法；相反，本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。

此外，本说明书说明书附图所示出的结构、比例、大小等，均仅用以配合说明书所公开的内容，以供本领域技术人员了解与阅读，并非用以限定本公开可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本公开所能产生的技术效果及所能实现的目的下，均应仍落在本公开所公开的技术内容得能涵盖的范围内。同时，本说明书中所引用的如“上”、“第一”、“第二”及“一”等的用语，也仅为便于叙述的明了，而非用以限定本公开可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当也视为本公开可实施的范畴。

Claims (10)

1.一种基于疾病判定模型的医疗数据审核方法，其特征在于，包括：

通过至少一个数据源获取被保人的医疗数据；

对医疗数据进行数据处理生成特征数据；

将所述特征数据输入至少一个疾病判定模型中以获取疾病风险数据；以及

根据所述疾病风险数据与其对应的阈值确定所述医疗数据的审核判定结果。

2.如权利要求1所述的方法，其特征在于，还包括：

通过历史医疗数据与机器学习算法建立疾病判定模型。

3.如权利要求2述的方法，其特征在于，所述通过历史医疗数据与机器学习算法建立疾病判定模型包括：

按照疾病特征将所述历史医疗数据进行分类；以及

每一类历史医疗数据分别通过所述机器学习算法建立所述疾病判定模型。

4.如权利要求1所述的方法，其特征在于，通过至少一个数据源获取被保人的医疗数据包括：

通过所述至少一个数据源获取被保人的数据；以及

根据预定映射规则通过数据筛选生成所述医疗数据。

5.如权利要求1所述的方法，其特征在于，对医疗数据进行数据处理生成特征数据包括：

对所述医疗数据进行自然语言结构化处理，生成结构化数据；

对所述结构化数据进行归一化处理，生成归一化数据；以及

对所述归一化数据进行特征处理，生成所述特征数据。

6.如权利要求1所述的方法，其特征在于，根据所述疾病风险数据与其对应的阈值确定所述医疗数据的审核判定结果包括：

通过所述疾病风险数据确定保险审核判定规则；以及

通过所述疾病风险数据与对应的保险审核判定规则给出医疗数据审核判定结果。

7.如权利要求1所述的方法，其特征在于，根据所述疾病风险数据与其对应的阈值确定所述医疗数据的审核判定结果包括：

通过决策树、所述疾病风险数据与其对应的阈值给出所述医疗数据审核判定结果。

8.一种保险审核装置，其特征在于，包括：

数据模块，用于通过至少一个数据源获取被保人的医疗数据；

处理模块，用于对医疗数据进行数据处理生成特征数据；

评分模块，用于将所述特征数据输入至少一个疾病判定模型中以获取疾病风险数据；以及

结果模块，用于根据所述疾病风险数据与其对应的阈值确定所述医疗数据的审核判定结果。

9.一种电子设备，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1-7中任一所述的方法。

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1-7中任一所述的方法。

Images