CN111798324B - 一种基于动态就医行为对齐的医保欺诈发现方法 - Google Patents
一种基于动态就医行为对齐的医保欺诈发现方法 Download PDFInfo
- Publication number
- CN111798324B CN111798324B CN202010688096.0A CN202010688096A CN111798324B CN 111798324 B CN111798324 B CN 111798324B CN 202010688096 A CN202010688096 A CN 202010688096A CN 111798324 B CN111798324 B CN 111798324B
- Authority
- CN
- China
- Prior art keywords
- dynamic
- medical
- entity information
- network
- medical insurance
- 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
- 238000000034 method Methods 0.000 title claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims abstract description 21
- 230000003068 static effect Effects 0.000 claims abstract description 21
- 238000005096 rolling process Methods 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 238000013507 mapping Methods 0.000 claims abstract description 6
- 230000009466 transformation Effects 0.000 claims description 16
- 201000010099 disease Diseases 0.000 claims description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 7
- 208000024891 symptom Diseases 0.000 claims description 7
- 239000003814 drug Substances 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims 3
- 230000006399 behavior Effects 0.000 description 40
- 230000006870 function Effects 0.000 description 20
- 230000002159 abnormal effect Effects 0.000 description 5
- 229940079593 drug Drugs 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
Abstract
本发明公开了一种基于动态就医行为对齐的医保欺诈发现方法，包括(1)根据基本医疗场景数据构建静态图网络后，利用增加有残差思想的多层图卷积网络对静态图网络的邻接矩阵进行多次图卷积操作，获得静态图网络中每个实体信息的特征表示；(2)根据该动态就医行为包含实体信息的特征表示构建该动态就医行为的特征表示，并对该特征表示映射为固定长度后作为LSTM的输入；(3)利用参数确定的LSTM提取动态就医行为的特征表示在时间上的关联特征，对关联特征编码解码后，利用softmax函数获得检测结果。该医保欺诈发现方法提升了医保欺诈行为检测的准确性。
Description
技术领域
本发明涉及医保知识图网络以及深度学习技术领域，具体而言，涉及一种基于动态就医行为对齐的医保欺诈发现方法。
背景技术
随着科学技术的发展以及人民生活水平的提高，医保的覆盖比率越来越高，然而虚假就医、分解住院等骗保手段层出不穷，极大威胁医保基金的正常运转。
现有的医保审核模式，大多数是人工审核，由于医保数据量大，医保审核人员数量有限，因而工作量巨大，只能采取抽样检查的方法，无法对每一张医疗单据进行及时有效的审核。
尽管当前已经存在了一些医保审核系统，但是其核心方法依然是基于规则的方法，智能化水平较低，无法有效的结束大数据技术发现异常就医行为，防止医保欺诈。
申请公布号为CN109801175A的专利申请公开了一种医保诈骗行为检测方法和装置，对医疗账单数据进行划分后聚类，来筛选孤立医疗账单数据作为可疑医疗账单数据。申请公布号为CN 111340641A的专利申请公开了一种异常就医行为检测方法，该异常就医行为检测方法是将就医行为构建成图网络，以图网络连边的特征表示构建就医行为节点的特征表示，依据该特征表示进行聚类来是异常就医行为进行检测，获得检测结果。该方法直接以就医行为为节点，以节点之间连边的特征表示就医行为节点的特征，然后利用聚类来实现异常就医行为检测。
发明内容
本发明的目的是提供一种基于动态就医行为对齐的医保欺诈发现方法，来提升医保欺诈行为检测的准确性。
为实现上述发明目的，本发明提供以下技术方案：
一种基于动态就医行为对齐的医保欺诈发现方法，包括以下步骤：
(1)获取基本医疗场景数据，以基本医疗场景数据中实体信息为节点，以实体之间关系为连边，构建静态医保知识图网络后，获得静态医保知识图网络的邻接矩阵，并利用增加有残差思想的多层图卷积网络对邻接矩阵进行多次图卷积操作，获得静态医保知识图网络中每个实体信息的特征表示；
(2)针对包含有多种实体信息的动态就医行为，根据该动态就医行为包含实体信息的特征表示构建该动态就医行为的特征表示，并对动态就医行为的特征表示映射为固定长度后作为LSTM的输入；
(3)利用参数确定的LSTM提取动态就医行为的特征表示在时间上的关联特征，对关联特征编码解码后，利用softmax函数获得检测结果。
本发明的有益效果至少包括：
该基于动态就医行为对齐的医保欺诈发现方法，通过全局的静态医保知识图网络中节点特征来构建个人的动态就医行为特征，然后对该就医行为特征进行对齐和降维升维处理后，采用归一化方式获得医保欺诈行为预测结果，大大提升了医保欺诈行为检测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，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前提下，还可以根据这些附图获得其他附图。
图1是本发明实施例提供的基于动态就医行为对齐的医保欺诈发现方法的流程图；
图2是本发明实施例提供的静态医保知识图网络的结构示意图，其中，string和float分别表示数据的存储类型。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
如图1～图2所示，本发明提供了一种基于动态就医行为对齐的医保欺诈发现方法，包括以下步骤：
步骤1，构建静态医保知识图网络和其邻接矩阵。
首先获取基本医疗场景数据，该基本医疗场景数据是指包含医疗场所，医疗人员，患者等的场景数据。基本医疗场景数据中实体信息包括患者、医院、医生、科室、症状、疾病、药物、检查方式等，实体信息还具有自身属性，包括医院级别、地址、患者年龄、医保类型等，实体之间关系包括患者与医生之间的医治关系，患者与医院之间的就医关系，科室与医院之间的所属关系，科室与医生之间的所属关系，症状与疾病之间的表现关系，患者与症状之间的表现关系，患者与疾病之间的所患关系，患者与药物之间的实用关系。
然后以基本医疗场景数据中实体信息为节点，以实体之间关系为连边，构建静态医保知识图网络后，获得静态医保知识图网络的邻接矩阵。根据静态医保知识图网络中实体信息之间的关系来构建邻接矩阵A＝(aij)n×n，n表示节点个数，aij＝1表示节点i与节点j之间存在连接关系，aij＝0表示节点i与节点j之间不存在连接关系。
步骤2，根据邻接矩阵提取静态医保知识图网络中每个实体信息的特征表示。
本实施例中，利用增加有残差思想的多层图卷积网络对邻接矩阵进行多次图卷积操作，获得静态医保知识图网络中每个实体信息的特征表示。
具体地，多层图卷积网络中，采用以下公式对邻接矩阵进行多次图卷积操作：
其中，fk表示第k次图卷积操作的输出，即实体信息的特征表示，fk-1表示第k-1次图卷积操作的输出，Wk,bk表示图卷积网络的网络参数，λ是超参数，取值范围为0～1，用于控制fk-1有多少信息直接输出到下一次图卷积操作，σ(·)表示激活函数，A为静态医保知识图网络的邻接矩阵，IN表示与A阶数相等的单位矩阵，D表示矩阵的度值矩阵；f0为节点的初始特征。
其中，增加有残差思想的多层图卷积网络的网络参数Wk,bk通过以下方式优化：
对多层图卷积网络的输出进行归一化处理：
Z＝softmax(fk)
其中，Z表示归一化处理结果，softmax(·)表示softmax函数，fk表示第k次图卷积操作的输出；
根据损失函数L更新多层图卷积网络的网络参数：
其中，yL表示有标签的节点集合，F表示节点标签种类集合，i和j分别为实体信息和标签的索引，Yij表示第i个实体信息的第j类标签。
实施例中，采用多次图卷积操作来提取实体信息的特征表示，这样提取的特征表示更加准确，同时增加残差的部分，进一步提升了提取特征表示的准确性。
步骤3，根据实体信息的特征表示构建动态特征行为的特征表示。
就医行为是一个动态过程，一个就医行为可以表示为某人去某个医院的某个科室找某个医生看病，并且描述表现症状，医生给出疾病诊断以及对应的治疗对策，包含一些检测方法和药物等。由此可见就医行为可以抽象为很多实体信息。因此，可以根据动态就医行为包含实体信息的特征表示来构建该动态就医行为的特征表示。
在进行医保欺诈发现时，往往以一天的数据为一个单位，每天的动态就医行为会形成一个动态就医行为网络集合Sl＝[sl1,sl2…sln]，sln表示第l天第n个就医行为节点，每个就医行为节点包含实体信息的属性，因此用实体信息的特征来构建就医行为的特。具体地，可以根据以下公式构建动态就医行为的特征表示：
其中，表示动态就医行为sln的初始特征表示，pi表示动态就医行为sln包含的第i个实体信息，m为自然数，表示实体信息的总个数，N(sln)表示动态就医行为包含的实体信息集合，/>表示动态就医行为sln包含的第i个实体信息的特征表示，/>表示动态就医行为sln的特征表示。
步骤4，对动态特征行为的特征表示进行固定长度映射后提取时间上的关联特征。
对于LSTM网络来说，其输入数据的尺寸一般都是固定的，但是每个动态就医行为包含的实体信息量不同，导致动态特征行为的特征表示的长度会参差不齐且无序，为了适应LSTM网络的输入尺寸，需要对动态特征行为的特征表示进行固定长度映射。本实施例中，采用hash函数对动态就医行为的特征表示映射为固定长度，以实现对动态就医行为的特征表示的对齐。可以采用以下公式进行特征映射：
其中，g(·)表示hash函数，x表示由hash函数生成的hash编码，也就是固定长度的特征表示，该特征表示x直接作为LSTM网络的输入。
本实施例中需要利用相邻天数的动态就医行为的特征表示之间的关联性作为特征信息来进行进行降维和聚类，因此，在获得特征表示x之后，将每天的特征表示x输入至LSTM中，通过以下过程获得第t天的隐含层变量：
ft＝σ(Wf[ht-1,xt]+bf)
it＝σ(Wi[ht-1,xt]+bi)
ot＝σ(Wo[ht-1,xt]+bo)
ht＝ot*tanh(Ct)
其中，xt表示当前时刻的就医行为的特征表示，σ(·)、tanh(·)表示激活函数；ht-1表示在t-1时刻的就医行为特征的输出，ft表示LSTM的遗忘门，决定了t-1时刻的就医行为信息是否被保留到t时刻；it、以及Ct表示LSTM的输入门，决定了t时刻有多少的就医行为信息输入到模型中；ot和ht表示LSTM的输出门，决定了t时刻就医行为输出情况，即为动态就医行为的特征表示在时间上的关联特征，Wf、Wi、Wc、Wo和bf、bi、bc、bo是LSTM的参数。
步骤5，对关联特征编码解码后，利用softmax函数获得医保欺诈的检测结果。
在获得关联特征ht之后，采用以下公式对关联特征编码解码以及归一化之后获得检测结果：
at＝σ(W1ht+b1)
本实施例中，LSTM网络、编码、解码采用的模型参数均是通过训练样本优化确定的。首先对训练样本，按照步骤1～4构建动态特征行为的特征表示并映射成固定长度，在此基础上，LSTM、编码和解码的参数通过以下方式优化：
将固定长度的动态就医行为的特征表示输入至LSTM中，输出隐藏层向量作为动态就医行为的特征表示在时间上的关联特征；
利用第一非线性变换函数对关联特征进行解码，压缩成低维特征并输出：
at＝σ0(W1ht+b1)
其中，ht为t时刻的关联特征，at为对ht编码获得的低维特征，σ0(·)为非线性变换函数，用于编码操作，W1、b1为非线性变换函数σ0(·)的权重参数和偏置参数；
利用第二非线性变换函数对低维特征进行解码后经过softmax函数输出动态就医行为预测结果：
其中，为解码输出特征向量，relu(·)为第二非线性变换函数，Wd、bd分别为第二非线性变换函数relu(·)的权重参数和偏置参数，σ1(·)为第一非线性变换函数，W′d、b′d分别为第一非线性变换函数σ1(·)的权重参数和偏置参数，/>为特征向量的预测结果；
根据动态就医行为的真实标签和预测结果构建损失函数Loss，通过最小化损失函数Loss来更新LSTM、编码和解码的参数，直到模型收敛。
其中，yt表示t时刻的动态就医行为的真实标签。
上述实施例提供了一种基于动态就医行为对齐的医保欺诈发现方法，通过全局的静态医保知识图网络中节点特征来构建个人的动态就医行为特征，然后对该就医行为特征进行对齐和降维升维处理后，采用归一化方式获得医保欺诈行为预测结果，充分利用多元化医疗数据，大大提升了医保欺诈行为检测的准确性，有效防止医保欺诈行为的产生。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于动态就医行为对齐的医保欺诈发现方法，其特征在于，包括以下步骤：
(1)获取基本医疗场景数据，以基本医疗场景数据中实体信息为节点，以实体之间关系为连边，构建静态医保知识图网络后，获得静态医保知识图网络的邻接矩阵，并利用增加有残差思想的多层图卷积网络对邻接矩阵进行多次图卷积操作，获得静态医保知识图网络中每个实体信息的特征表示；
多层图卷积网络中，采用以下公式对邻接矩阵进行多次图卷积操作：
其中，fk表示第k次图卷积操作的输出，即实体信息的特征表示，fk-1表示第k-1次图卷积操作的输出，Wk,bk表示图卷积网络的网络参数，λ是超参数，取值范围为0～1，用于控制fk-1有多少信息直接输出到下一次图卷积操作，σ(·)表示激活函数，A为静态医保知识图网络的邻接矩阵，IN表示与A阶数相等的单位矩阵，D表示矩阵的度值矩阵；f0为节点的初始特征；
所述增加有残差思想的多层图卷积网络的网络参数通过以下方式优化：
对多层图卷积网络的输出进行归一化处理：
Z＝softmax(fk)
其中，Z表示归一化处理结果，softmax(·)表示softmax函数，fk表示第k次图卷积操作的输出；
根据损失函数L更新多层图卷积网络的网络参数：
其中，yL表示有标签的节点集合，F表示节点标签种类集合，i和j分别为实体信息和标签的索引，Yij表示第i个实体信息的第j类标签；
(2)针对包含有多种实体信息的动态就医行为，根据该动态就医行为包含实体信息的特征表示构建该动态就医行为的特征表示，并对动态就医行为的特征表示映射为固定长度后作为LSTM的输入；
其中，根据以下公式构建动态就医行为的特征表示：
其中，表示动态就医行为sln的初始特征表示，pi表示动态就医行为sln包含的第i个实体信息，m为自然数，表示实体信息的总个数，N(sln)表示动态就医行为包含的实体信息集合，/>表示动态就医行为sln包含的第i个实体信息的特征表示，/>表示动态就医行为sln的特征表示；
(3)利用参数确定的LSTM提取动态就医行为的特征表示在时间上的关联特征，对关联特征编码解码后，利用softmax函数获得检测结果。
2.如权利要求1所述的基于动态就医行为对齐的医保欺诈发现方法，其特征在于，步骤(2)中，采用hash函数对动态就医行为的特征表示映射为固定长度，以实现对动态就医行为的特征表示的对齐。
3.如权利要求1所述的基于动态就医行为对齐的医保欺诈发现方法，其特征在于，所述LSTM、编码和解码的参数通过以下方式优化：
将固定长度的动态就医行为的特征表示输入至LSTM中，输出隐藏层向量作为动态就医行为的特征表示在时间上的关联特征；
利用第一非线性变换函数对关联特征进行解码，压缩成低维特征并输出：
at＝σ0(W1ht+b1)
其中，ht为t时刻的关联特征，at为对ht编码获得的低维特征，σ0(·)为非线性变换函数，用于编码操作，W1、b1为非线性变换函数σ0(·)的权重参数和偏置参数；
利用第二非线性变换函数对低维特征进行解码后经过softmax函数输出动态就医行为预测结果：
其中，为解码输出特征向量，relu(·)为第二非线性变换函数，Wd、bd分别为第二非线性变换函数relu(·)的权重参数和偏置参数，σ1(·)为第一非线性变换函数，W′d、b′d分别为第一非线性变换函数σ1(·)的权重参数和偏置参数，/>为特征向量的预测结果；
根据动态就医行为的真实标签和预测结果构建损失函数Loss，通过最小化损失函数Loss来更新LSTM、编码和解码的参数，直到模型收敛；
其中，yt表示t时刻的动态就医行为的真实标签。
4.如权利要求1所述的基于动态就医行为对齐的医保欺诈发现方法，其特征在于，基本医疗场景数据中实体信息包括患者、医院、医生、科室、症状、疾病、药物、检查方式，实体信息还具有自身属性，包括医院级别、地址、患者年龄、医保类型，实体之间关系包括患者与医生之间的医治关系，患者与医院之间的就医关系，科室与医院之间的所属关系，科室与医生之间的所属关系，症状与疾病之间的表现关系，患者与症状之间的表现关系，患者与疾病之间的所患关系，患者与药物之间的实用关系。
5.如权利要求1所述的基于动态就医行为对齐的医保欺诈发现方法，其特征在于，步骤(3)中，根据静态医保知识图网络中实体信息之间的关系来构建邻接矩阵A＝(aij)n×n，n表示节点个数，aij＝1表示节点i与节点j之间存在连接关系，aij＝0表示节点i与节点j之间不存在连接关系。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010688096.0A CN111798324B (zh) | 2020-07-16 | 2020-07-16 | 一种基于动态就医行为对齐的医保欺诈发现方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010688096.0A CN111798324B (zh) | 2020-07-16 | 2020-07-16 | 一种基于动态就医行为对齐的医保欺诈发现方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111798324A CN111798324A (zh) | 2020-10-20 |
| CN111798324B true CN111798324B (zh) | 2024-04-02 |
Family
ID=72807375
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010688096.0A Active CN111798324B (zh) | 2020-07-16 | 2020-07-16 | 一种基于动态就医行为对齐的医保欺诈发现方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111798324B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112395466B (zh) * | 2020-11-27 | 2023-05-12 | 上海交通大学 | 一种基于图嵌入表示和循环神经网络的欺诈节点识别方法 |
| CN112801804A (zh) * | 2021-01-15 | 2021-05-14 | 浙江大学山东工业技术研究院 | 一种用于检测异常医保数据的图神经网络的方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109636061A (zh) * | 2018-12-25 | 2019-04-16 | 深圳市南山区人民医院 | 医保欺诈预测网络的训练方法、装置、设备及存储介质 |
| CN110322356A (zh) * | 2019-04-22 | 2019-10-11 | 山东大学 | 基于hin挖掘动态多模式的医保异常检测方法及系统 |
| CN111340641A (zh) * | 2020-05-22 | 2020-06-26 | 浙江工业大学 | 一种异常就医行为检测方法 |
-
2020
- 2020-07-16 CN CN202010688096.0A patent/CN111798324B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109636061A (zh) * | 2018-12-25 | 2019-04-16 | 深圳市南山区人民医院 | 医保欺诈预测网络的训练方法、装置、设备及存储介质 |
| CN110322356A (zh) * | 2019-04-22 | 2019-10-11 | 山东大学 | 基于hin挖掘动态多模式的医保异常检测方法及系统 |
| CN111340641A (zh) * | 2020-05-22 | 2020-06-26 | 浙江工业大学 | 一种异常就医行为检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于BP神经网络的医保欺诈识别;刘崇 等;计算机系统应用;第27卷(第6期);第34-39页 * |
| 基于数据挖掘的医保欺诈预警模型研究;陈亚琳 等;电脑知识与技术;第12卷(第11期);第1-4页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111798324A (zh) | 2020-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109460473B (zh) | 基于症状提取和特征表示的电子病历多标签分类方法 | |
| CN113871003B (zh) | 一种基于含因果性医学知识图谱的疾病辅助鉴别诊断系统 | |
| Che et al. | Interpretable deep models for ICU outcome prediction | |
| CN113360671B (zh) | 一种基于知识图谱的医保医疗单据审核方法及其系统 | |
| CN110532398B (zh) | 基于多任务联合神经网络模型的家族图谱自动构建方法 | |
| CN111798324B (zh) | 一种基于动态就医行为对齐的医保欺诈发现方法 | |
| CN111914562B (zh) | 电子信息分析方法、装置、设备及可读存储介质 | |
| CN112765370B (zh) | 知识图谱的实体对齐方法、装置、计算机设备和存储介质 | |
| CN112541066A (zh) | 基于文本结构化的医技报告检测方法及相关设备 | |
| EP3847612A2 (en) | Visualization of social determinants of health | |
| CN112420192A (zh) | 融合多维诊疗信息的疾病分型方法及相关设备 | |
| CN115862848A (zh) | 基于临床数据筛选和医学知识图谱的疾病预测系统和装置 | |
| CN109767817B (zh) | 一种基于神经网络语言模型的药物潜在不良反应发现方法 | |
| Leng et al. | Bi-level artificial intelligence model for risk classification of acute respiratory diseases based on Chinese clinical data | |
| CN116543917A (zh) | 一种针对异构时间序列数据的信息挖掘方法 | |
| CN116072298A (zh) | 一种基于层级标记分布学习的疾病预测系统 | |
| CN116994695A (zh) | 报告生成模型的训练方法、装置、设备及存储介质 | |
| CN114613465A (zh) | 一种脑卒中患病风险预测和个性化治疗推荐方法及系统 | |
| Thomas et al. | Estimating the effects of fine particulate matter on 432 cardiovascular diseases using multi-outcome regression with tree-structured shrinkage | |
| CN114188036A (zh) | 一种手术方案评估方法、装置、系统及存储介质 | |
| CN114429822A (zh) | 病历质检方法、装置和存储介质 | |
| CN113658688A (zh) | 基于无分词深度学习的临床决策支持方法 | |
| de Kok et al. | Deep embedded clustering generalisability and adaptation for integrating mixed datatypes: two critical care cohorts | |
| Karthikeyan et al. | Smart COVIDNet: designing an IoT-based COVID-19 disease prediction framework using attentive and adaptive-derived ensemble deep learning | |
| Viangteeravat | Potential identification of pediatric asthma patients within pediatric research database using low rank matrix decomposition |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |