CN111951924A - 一种异常用药行为检测方法及系统 - Google Patents
一种异常用药行为检测方法及系统 Download PDFInfo
- Publication number
- CN111951924A CN111951924A CN202010818835.3A CN202010818835A CN111951924A CN 111951924 A CN111951924 A CN 111951924A CN 202010818835 A CN202010818835 A CN 202010818835A CN 111951924 A CN111951924 A CN 111951924A
- Authority
- CN
- China
- Prior art keywords
- prescription
- medicine
- disease
- medication
- drug
- 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.)
- Withdrawn
Links
Images
Classifications
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Medicinal Chemistry (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及药品处方异常检测技术领域,具体公开了一种异常用药行为检测方法,包括:根据病种对就获取到的诊数据进行分类,分析得到各病种下的不同就诊号对应的药品明细;根据药品明细,获取到各病种对应的药方数据库;根据各病种对应的全药品集合得到药品组合,并从药品组合中筛选出常用度大于或等于最小支持度的常用药品组合;根据各病种下的每条药方与各病种对应的用药模式,计算得到各病种对应的每条药方的用药符合度;根据各病种对应的每条药方的用药符合度,判断当前用药行为是否异常。本发明还公开了一种异常用药行为检测系统。本发明提供的一种异常用药行为检测方法通过计算单条药方与该用药模式的符合度来衡量该药方是否存在违规风险。
Description
技术领域
本发明涉及药品处方异常检测技术领域,更具体地,涉及一种异常用药行 为检测方法及系统。
背景技术
基本医疗保障制度建立以来,覆盖范围不断扩大,保障水平稳步提升,对 维护人民群众健康权益、缓解因病致贫、推动医药卫生体制改革发挥了积极作 用;但受监管制度体系不健全、激励约束机制不完善等因素制约,医保基金使 用效率不高,欺诈骗保问题普发频发,基金监管形势较为严峻;当前,医疗领 域存在药物滥用及不合理运用情况,由此导致的医疗费用不合理增长给个人、 家庭、医保基金安全带来极大的危害和负担,但是医院每天都产生大量医疗数 据,而且不同病人相同疾病下开具的药物可能会有所不同,传统的规则和人工 抽检很难保证准确率和覆盖度。
虽然同种疾病用药情况会受一些因素的影响(年龄、性别、医疗单位等) 而存在着一定的差异,而医生给患者开具药方的过程实际上为专家知识推理过 程,对于常见疾病的治疗专家的知识存在着一定的相似性,因此疾病的用药情 况存在着一定的规律性;一条药方中绝大多数的药在该疾病的常见用药模式中 则应视为合理行为,相反,若绝大部分的药不在该疾病的常见用药中,则该药 方存在着违规的风险。
利用关联规则可以有效的识别不同病种的常用药模式,但传统的关联规则 算法并不能识别单条药方与常用药模式的符合程度。
发明内容
针对现有技术中存在的上述弊端,本发明提供了一种异常用药行为检测方 法及系统,通过关联算法挖掘常用药品组合的基础上,通过用药模式在药方数 据库上的覆盖度来确定最小支持度,从而确定常用药模式,通过计算单条药方 与该用药模式的符合度来衡量该药方是否存在违规风险。
作为本发明的第一个方面,提供一种异常用药行为检测方法,包括:
步骤S110:获取就诊数据,所述就诊数据包括病种、就诊号、就诊号对应 的药品明细;
步骤S120:根据病种对所述就诊数据进行分类,分析得到各病种下的不同 就诊号对应的药品明细;
步骤S130:根据所述各病种下的不同就诊号对应的药品明细,获取到各病 种对应的药方数据库,其中,所述药方数据库包括多种药方,所述药方数据库 中所有药品种类构成的集合为全药品集合;
步骤S140:根据各病种对应的全药品集合得到药品组合,并从所述药品组 合中筛选出常用度大于或等于最小支持度的常用药品组合,其中,所有常用药 品组合的集合为各病种对应的用药模式;
步骤S150:根据各病种下的每条药方与各病种对应的用药模式,计算得到 各病种对应的每条药方的用药符合度;
步骤S160:根据所述各病种对应的每条药方的用药符合度,判断当前用药 行为是否异常。
进一步地,在步骤S130中还包括:
各病种对应的药方P={m1,m2...,mj},其中,mj(j=1,2,...,k)为药品,k为药方P中药品的种类;
各病种对应的药方数据库DB:
DB={P1,P2,...,Pi}={{m11,m12,...,m1j},{m21,m22,...,m2j},...,{mi1,mi2,...,mij}},其中, Pi(i=1,2,...,n)为药方,n为该药方数据库DB中药方的数量。
进一步地,在步骤S140中还包括:
药品组合MC为所述全药品集合TM中的一个子集,其中,用药品集合的形 式表示药品组合MC,MC={m1,m2,...,mx},mx(x=1,2,...,n)为药品,n为全药品集合 TM中所含的某些药品种类;
其中,LMC为药品组合MC在药方数据库DB中的常用度,其为药方数据库 DB中包含药品组合MC的药方数目与药方数据库DB中药方总数目的比值;
从药品组合MC中筛选出常用度大于或等于最小支持度的常用药品组合 FMC;
设FMC1,FMC2,...,FMCn为药方数据库DB中所有的常用药品组合,令 SMC={FMC1,FMC2,...,FMCn},SMC为所有常用药品组合的集合,即各病种对 应的用药模式。
进一步地,在步骤S150中还包括:
则该疾病对应的每条药方的用药符合度计算如下:
其中,COM(P)为药方P与用药模式SMC的符合度,药方P与用药模式SMC 的符合度COM(P)为用药模式SMC中包含在药方P中的药品组合的加权和与所有 药品组合的加权和的比值。
进一步地,在步骤S140中还包括:
预先设置所述最小支持度,所述最小支持度为药品组合在药方数据库中的 常用度的最低值。
作为本发明的第二个方面,提供一种异常用药行为检测系统,包括:
第一获取模块,用于获取就诊数据,所述就诊数据包括病种、就诊号、就 诊号对应的药品明细;
分析模块,用于根据病种对所述就诊数据进行分类,分析得到各病种下的 不同就诊号对应的药品明细;
第二获取模块,用于根据所述各病种下的不同就诊号对应的药品明细,获 取到各病种对应的药方数据库,其中,所述药方数据库包括多种药方,所述药 方数据库中所有药品种类构成的集合为全药品集合;
筛选模块,用于根据各病种对应的全药品集合得到药品组合,并从所述药 品组合中筛选出常用度大于或等于最小支持度的常用药品组合,其中,所有常 用药品组合的集合为各病种对应的用药模式;
计算模块,用于根据各病种下的每条药方与各病种对应的用药模式,计算 得到各病种对应的每条药方的用药符合度;
判断模块,用于根据所述各病种对应的每条药方的用药符合度,判断当前 用药行为是否异常。
进一步地,还包括:
各病种对应的药方P={m1,m2...,mj},其中,mj(j=1,2,...,k)为药品,k为药方P中药品的种类;
各病种对应的药方数据库DB:
DB={P1,P2,...,Pi}={{m11,m12,...,m1j},{m21,m22,...,m2j},...,{mi1,mi2,...,mij}},其中, Pi(i=1,2,...,n)为药方,n为该药方数据库DB中药方的数量。
进一步地,还包括:
药品组合MC为所述全药品集合TM中的一个子集,其中,用药品集合的形 式表示药品组合MC,MC={m1,m2,...,mx},mx(x=1,2,...,n)为药品,n为全药品集 合TM中所含的某些药品种类;
其中,LMC为药品组合MC在药方数据库DB中的常用度,其为药方数据库 DB中包含药品组合MC的药方数目与药方数据库DB中药方总数目的比值;
从药品组合MC中筛选出常用度大于或等于最小支持度的常用药品组合 FMC;
设FMC1,FMC2,...,FMCn为药方数据库DB中所有的常用药品组合,令 SMC={FMC1,FMC2,...,FMCn},SMC为所有常用药品组合的集合,即各病种对 应的用药模式。
进一步地,还包括:
设P为某一疾病的一个药方,SMC={MC1,MC2,...,MCn}为该疾病对应的用 药模式,其中MC1,MC2,...,MCn都满足常用度大于或等于最小支持度的条件, 令j=|SMC’|为SMC’中的元素个数;
则该疾病对应的每条药方的用药符合度计算如下:
其中,COM(P)为药方P与用药模式SMC的符合度,药方P与用药模式SMC 的符合度COM(P)为用药模式SMC中包含在药方P中的药品组合的加权和与所有 药品组合的加权和的比值。
进一步地,还包括:
预先设置所述最小支持度,所述最小支持度为药品组合在药方数据库中的 常用度的最低值。
本发明提供的异常用药行为检测方法及系统具有以下优点:通过关联算法 挖掘常用药品组合的基础上,通过用药模式在药方数据库上的覆盖度来确定最 小支持度,从而确定常用药模式,通过计算单条药方与该用药模式的符合度来 衡量该药方是否存在违规风险,较好的考虑到了不同因素造成的差异,提升了 药方识别的准确率。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下 面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。
图1为本发明异常用药行为检测方法的流程图。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下 结合附图及较佳实施例,对依据本发明提出的异常用药行为检测方法及系统其 具体实施方式、结构、特征及其功效,详细说明如后。显然,所描述的实施例 为本发明的一部分实施例,而不是全部的实施例。基于本发明的实施例,本领 域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属 于本发明的保护范围。
在本实施例中提供了一种异常用药行为检测方法,如图1所示,异常用药 行为检测方法包括:
步骤S110:获取就诊数据,所述就诊数据包括病种、就诊号、就诊号对应 的药品明细;
步骤S120:根据病种对所述就诊数据进行分类,分析得到各病种下的不同 就诊号对应的药品明细;
步骤S130:根据所述各病种下的不同就诊号对应的药品明细,获取到各病 种对应的药方数据库,其中,所述药方数据库包括多种药方,所述药方数据库 中所有药品种类构成的集合为全药品集合;
步骤S140:根据各病种对应的全药品集合得到药品组合,并从所述药品组 合中筛选出常用度大于或等于最小支持度的常用药品组合,其中,所有常用药 品组合的集合为各病种对应的用药模式;
步骤S150:根据各病种下的每条药方与各病种对应的用药模式,计算得到 各病种对应的每条药方的用药符合度;
步骤S160:根据所述各病种对应的每条药方的用药符合度,判断当前用药 行为是否异常。
优选地,在步骤S130中还包括:
定义(1)药方及药方数据库
一个患者单次就诊的药方中往往会有多个药品,将这些药品的集合称为药 方并用p表示,设
各病种对应的药方P={m1,m2...,mj},其中,mj(j=1,2,...,k)为药品,k为药方P中药品的种类;
每次就诊行为都会有对应的药方,同病种所有开具的药方则构成了各自病 种的药方数据库,这里用DB表示药方数据库,则各病种对应的药方数据库DB:
DB={P1,P2,...,Pi}={{m11,m12,...,m1j},{m21,m22,...,m2j},...,{mi1,mi2,...,mij}},其中, Pi(i=1,2,...,n)为药方,n为该药方数据库DB中药方的数量;
定义(2)全药品集合
药方数据库DB中所有药品种类构成的集合为全药品集合,并用TM表示,例 如,DB={P1,P2,P3}={{药品a,药品b,药品c},{药品a,药品c,药品d},{药品e,药品f,药 品d}},则全药品集合TM={药品a,药品b,药品c,药品d,药品e,药品f},全药品集合 TM包含了药方P1、P2、P3的所有药品种类。
优选地,在步骤S140中还包括:
定义(3)药品组合
药品组合MC是全药品集合TM中的一个子集,用药品集合的形式表示药 品组合MC,MC={m1,m2,...,mx},mx(x=1,2,...,n)为药品,n为全药品集合TM中 所含的某些药品种类;
其中,药方P和药品组合MC均是全药品集合TM的子集,两者的区别在于药 方对应的是数据库中实际的一条记录,而药品组合则不一定是数据库中的记录;
定义(4)药品组合常用度
其中,LMC为药品组合MC在药方数据库DB中的常用度,其为药方数据库 DB中包含药品组合MC的药方数目与药方数据库DB中药方总数目的比值;其 中,药品组合常用度LMC用来衡量药品组合MC在药方数据库DB中出现的频 繁性,即药品组合MC的常用度LMC越大,药品组合MC在药方数据库中出现 的频率越高;
定义(5)常用药品组合
从药品组合MC中筛选出药品组合常用度大于或等于某个阈值的药品组合 结果,称为常用药品组合FMC,其中,这个阈值称为最小支持度minsuppport, 且最小支持度minsuppport为一个规定的阈值;
定义(6)用药模式
设DB为药方数据库,FMC1,FMC2,...,FMCn为DB中所有的常用药品组合, 令SMC={FMC1,FMC2,...,FMCn},SMC为常用药品组合的集合,该集合也即 用药模式。
需要说明的是,用药模式SMC就是药方数据库DB中药品组合出现的占比满 足大于等于最小支持度所形成的集合,若药方数据库DB为某一特定的疾病处方 中所有药方的集合,那么其对应的用药模式SMC就是针对该疾病经常出现的药 品组合的集合,也就是医疗机构针对该类疾病所开具药方中的常用药品的模式。
明确应用关联规则算法挖掘药方数据库中的用药模式后,需进一步确定关 联规则算法在本发明中的具体任务,任务应为对于给定的全药品集合TM、药方 数据库DB和最小支持度minsuppport,找出该药方数据库DB中的常用药模式,若 数据库、全项集、最小支持度都给定的情况下,应用Apriori算法可快速地得到 所需的结果,进一步将任务细分为确定药方数据库和最小支持度。
下面将阐述如何确定药方数据库以及最小支持度。
假设药方数据库DB={m1,m2,m3,m4,m5},对应的药方和药方中的具体药品如 下表所示,
药方 | 具体药品 |
m<sub>1</sub> | a,b,c,d,e,f |
m<sub>2</sub> | g,b,c,d,e,f |
m<sub>3</sub> | a,h,d,e |
m<sub>4</sub> | a,I,j,d,f |
m<sub>5</sub> | j,b,d,k,e |
则全药品集合TM={a,b,c,d,e,f,g,h,j,k};
假设药品组合MC1={d,f},MC2={h,k},通过分析上表,MC1在药方m1,m2,m4中均出现这种组合,那么药品组合MC1在药方数据库DB中的常用度LMC1为 3/5=0.6;而MC2的药品组合在药方中均未出现,因此药品组合MC2在药方数据库 DB中的常用度LMC2为0/5=0;
最小支持度通常是指设置的常用度的最低值,假设最小支持度设置为1,那 么求得的常用药品组合的集合SMC={{d}}。
但是在实际应用中如何确定最小支持度,最小支持度的取值和计算本身是 一个很难确定和计算的问题,较常采用的是专家经验法;本发明认为关联规则 算法中满足最小支持度的所挖掘的结果应是病种下的药方中常开的药品或者药 品组合,而最小支持度的确定存在一定难度,本发明引入覆盖率用以度量病种 下的用药模式符合度。
定义用药模式SMC在药方数据库DB上的覆盖率f为:药方数据库DB中 包含该用药模式SMC中任意元素的药方数目与总药方数目的比值;因所挖掘的 常用药品组合的集合能够包含在数据库的大多数药方中,因此覆盖率应达到一 定的水平,通常取为95%;自动确定所需的最小支持度的方法为:先随机设定 最小支持度为较大的值,在该最小支持度下挖掘得到频繁项集集合并计算其覆 盖率,然后以这个覆盖率与目标覆盖率间的差值为基础以一定的步长调整最小 支持度,直到得到的频繁项集集合的覆盖率达到目标覆盖率该频繁项集也即为 所求的常用药模式。
一条药方中绝大多数的药在该疾病的常见用药模式中则应视为合理行为, 相反,若绝大部分的药不在该疾病的常见用药中,则该药方存在着违规的风险。
优选地,在步骤S150中还包括:
设P为某一疾病的一个药方,SMC={MC1,MC2,...,MCn}为该疾病对应的用 药模式,其中MC1,MC2,...,MCn都满足常用度的最小支持度条件,令 j=|SMC’|为SMC’中的元素个数;
则该疾病对应的每条药方的用药符合度计算如下:
其中,COM(P)为药方P与用药模式SMC的符合度,药方P与用药模式SMC 的符合度COM(P)为用药模式SMC中包含在药方P中的药品组合的加权和与所有 药品组合的加权和的比值。
需要说明的是,这里所取权重是药品组合中元素的数目和常用度的乘积, 因为在实际应用中,药品组合中药品的数目越多,其在药方数据库中出现的几 率越小,而这样的药品组合更具有价值,因此要增大这些药品组合的权重,即 药品组合中药品数目越多权重越大,这也意味着如果一个药方中存在一个元素 较多的药品组合与用药模式中的元素相同,则该药方与这个用药模式的符合度 较大,这也与实际情况相符;若药方P与用药模式SMC的符合度很低,则证明该 药方存在异常。
优选地,在步骤S140中还包括:
预先设置所述最小支持度,所述最小支持度为药品组合在药方数据库中的 常用度的最低值。
作为本发明的另一实施例,提供一种异常用药行为检测系统,包括:
第一获取模块,用于获取就诊数据,所述就诊数据包括病种、就诊号、就 诊号对应的药品明细;
分析模块,用于根据病种对所述就诊数据进行分类,分析得到各病种下的 不同就诊号对应的药品明细;
第二获取模块,用于根据所述各病种下的不同就诊号对应的药品明细,获 取到各病种对应的药方数据库,其中,所述药方数据库包括多种药方,所述药 方数据库中所有药品种类构成的集合为全药品集合;
筛选模块,用于根据各病种对应的全药品集合得到药品组合,并从所述药 品组合中筛选出常用度大于或等于最小支持度的常用药品组合,其中,所有常 用药品组合的集合为各病种对应的用药模式;
计算模块,用于根据各病种下的每条药方与各病种对应的用药模式,计算 得到各病种对应的每条药方的用药符合度;
判断模块,用于根据所述各病种对应的每条药方的用药符合度,判断当前 用药行为是否异常。
优选地,还包括:
各病种对应的药方P={m1,m2...,mj},其中,mj(j=1,2,...,k)为药品,k为药方P中药品的种类;
各病种对应的药方数据库DB:
DB={P1,P2,...,Pi}={{m11,m12,...,m1j},{m21,m22,...,m2j},...,{mi1,mi2,...,mij}},其中, Pi(i=1,2,...,n)为药方,n为该药方数据库DB中药方的数量。
优选地,还包括:
药品组合MC为所述全药品集合TM中的一个子集,其中,用药品集合的形 式表示药品组合MC,MC={m1,m2,...,mx},mx(x=1,2,...,n)为药品,n为全药品集 合TM中所含的某些药品种类;
其中,LMC为药品组合MC在药方数据库DB中的常用度,其为药方数据库 DB中包含药品组合MC的药方数目与药方数据库DB中药方总数目的比值;
从药品组合MC中筛选出常用度大于或等于最小支持度的常用药品组合 FMC;
设FMC1,FMC2,...,FMCn为药方数据库DB中所有的常用药品组合,令 SMC={FMC1,FMC2,...,FMCn},SMC为所有常用药品组合的集合,即各病种对 应的用药模式。
优选地,还包括:
设P为某一疾病的一个药方,SMC={MC1,MC2,...,MCn}为该疾病对应的用 药模式,其中MC1,MC2,...,MCn都满足常用度的最小支持度条件,令j=|SMC’|为SMC’中的元素个数;
则该疾病对应的每条药方的用药符合度计算如下:
其中,COM(P)为药方P与用药模式SMC的符合度,药方P与用药模式SMC 的符合度COM(P)为用药模式SMC中包含在药方P中的药品组合的加权和与所有 药品组合的加权和的比值。
优选地,还包括:
预先设置所述最小支持度,所述最小支持度为药品组合在药方数据库中的常 用度的最低值。
下面结合本发明的具体示例对本发明提供的异常用药行为检测方法进行详 细的描述。
假设获取到的就诊数据如下表1所示:
病种 | 就诊号 | 开具的处方中药品 |
A | 1 | a,b,c,d,e,f |
A | 2 | g,b,c,d,e,f |
A | 3 | a,h,d,e |
A | 4 | a,i,j,d,f |
B | 5 | j,b,d,k,e |
C | 6 | m,k,n,q |
表1
将就诊数据按病种划分后,如上表1所示,以病种A为分析目标;
按照定义(1),得到药方P1={a,b,c,d,e,f},P2={g,b,c,d,e,f},P3={a,h,d,e},P4={a,i,j,d,f},则病种A对应的药方数据库DB={p1,p2,p3,p4};
按照定义(2),得到全药品集合TM={a,b,c,d,e,f,g,h,i,j};
按照定义(3),药品组合MC为上述全药品集合TM中的任意一种药品组 合;
按照定义(4),以药品组合MC={a,d,f}为例,药方数据库DB含有4个药 方P1,P2,P3,P4,其中,含有药品组合{a,d,f}的药方个数为2,因此药品组合{a,d,f} 的常用度LMC=2/4=0.5;
按照定义(5),若设置最小支持度=0.75,应用Apriori算法,则生成以下计 算过程:
病种A对应的药方数据库DB如下表2所示:
药方 | 所含药品 |
P<sub>1</sub> | a,b,c,d,e,f |
P<sub>2</sub> | g,b,c,d,e,f |
P<sub>3</sub> | a,h,d,e |
P<sub>4</sub> | a,i,j,d,f |
表2
扫描表2中的药方数据库DB,并计数;
如下表3所示,其为单个药品组成的药品组合MC在药方数据库DB出现 的次数及在药方数据库DB中的常用度LMC;
表3
从上述表3中,即单个药品组成的药品组合MC中,筛选出常用度大于或 等于最小支持度0.75的常用药品组合,如下表4所示;
MC | L<sub>MC</sub> |
{d} | 1 |
{a} | 0.75 |
{e} | 0.75 |
{f} | 0.75 |
表4
如下表5所示,其为两个药品组成的药品组合MC在药方数据库DB中的 常用度LMC;
MC | L<sub>MC</sub> |
{ad} | 0.75 |
{ae} | 0.5 |
{af} | 0.5 |
{de} | 0.75 |
{df} | 0.75 |
{ef} | 0.5 |
表5
从上述表5中,即两个药品组成的药品组合MC中,筛选出常用度大于或 等于最小支持度0.75的常用药品组合,如下表6所示;
MC | L<sub>MC</sub> |
{ad} | 0.75 |
{de} | 0.75 |
{df} | 0.75 |
表6
如下表7所示,其为三个药品组成的药品组合MC在药方数据库DB中的 常用度LMC;
MC | L<sub>MC</sub> |
{ade} | 0.5 |
{adf} | 0.25 |
{def} | 0.5 |
表7
从上述表7中,即三个药品组成的药品组合MC中,没有其常用度大于或 等于最小支持度0.75的常用药品组合,即无满足条件的药品组合;
因此,当最小支持度为0.75时,病种A对应的用药模式,如下表8所示:
常用药品组合 | 药品组合明细 | L<sub>MC</sub> |
FMC<sub>1</sub> | {d} | 1 |
FMC<sub>2</sub> | {a} | 0.75 |
FMC<sub>3</sub> | {e} | 0.75 |
FMC<sub>4</sub> | {f} | 0.75 |
FMC<sub>5</sub> | {ad} | 0.75 |
FMC<sub>6</sub> | {de} | 0.75 |
FMC<sub>7</sub> | {df} | 0.75 |
表8
根据上述表8可知,病种A对应的常用药品组合的集合,即病种A对应的 用药模式SMC={{d},{a},{e},{f},{ad},{de},{df}};因4个药方P1,P2,P3,P4都含有 上述常用药品组合的集合SMC的某些元素,因此覆盖率f=4/4=100%符合要求; 通常在具体实施中,最小支持度minsuppport会设置成一个比较小的值,再通过 设置最小支持度minsuppport调整的步长,不断计算f值,直到覆盖率f达到满 足95%的要求。
那么,药方P3={a,h,d,e}中,符合常用药品组合的集合SMC为:
SMC={{a},{d},{e},{ad},{de}}
药方P3={a,h,d,e}形成的药品组合以及对应的药品组合常用度如下表9所 示:
表9
则病种A对应的药方P3的用药符合度COM(P3)的分子为:1*0.75+1*1+ 1*0.75+2*0.75+2*0.75=5.5;
分母为:1*0.75+1*0.25+1*1+1*0.75+2*0.25+2*0.75+2*0.25+2* 0.25+2*0.75+3*0.25+3*0.25+3*0.5+3*0.25+4*0.25=12;
本发明提供的异常用药行为检测方法及系统,具有以下优点:(1)同种疾 病用药情况会受一些因素的影响(年龄、性别、医疗单位等)而存在着一定的 差异,根据以往经验制定的一些审核规则和阈值往往可能识别度不够,对于有 些合理的差异规则和阈值方面并不能灵活识别,而本发明是通过判断一条药方 中绝大多数的药在该疾病的常见用药模式中来判断用药是否合理,较好的考虑 到了不同因素造成的差异,提升了识别的准确率;(2)医院每天都会产生许多 的药方数据,其中的用药模式,单次开具的药方是否异常需要有专业的医学知 识及人力成本。在医保基金核查过程中,对于用药这一块本发明提出的用药模 式符合度可以直接识别出异常药方,极大缩小了核查范围,减少了人工核查成 本。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的 限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟 悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技 术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术 方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同 变化与修饰,均仍属于本发明技术方案的范围内。
Claims (10)
1.一种异常用药行为检测方法,其特征在于,包括:
步骤S110:获取就诊数据,所述就诊数据包括病种、就诊号、就诊号对应的药品明细;
步骤S120:根据病种对所述就诊数据进行分类,分析得到各病种下的不同就诊号对应的药品明细;
步骤S130:根据所述各病种下的不同就诊号对应的药品明细,获取到各病种对应的药方数据库,其中,所述药方数据库包括多种药方,所述药方数据库中所有药品种类构成的集合为全药品集合;
步骤S140:根据各病种对应的全药品集合得到药品组合,并从所述药品组合中筛选出常用度大于或等于最小支持度的常用药品组合,其中,所有常用药品组合的集合为各病种对应的用药模式;
步骤S150:根据各病种下的每条药方与各病种对应的用药模式,计算得到各病种对应的每条药方的用药符合度;
步骤S160:根据所述各病种对应的每条药方的用药符合度,判断当前用药行为是否异常。
2.根据权利要求1所述的异常用药行为检测方法,其特征在于,在步骤S130中还包括:
各病种对应的药方P={m1,m2...,mj},其中,mj(j=1,2,...,k)为药品,k为药方P中药品的种类;
各病种对应的药方数据库DB:
DB={P1,P2,...,Pi}={{m11,m12,...,m1j},{m21,m22,...,m2j},...,{mi1,mi2,...,mij}},其中,Pi(i=1,2,...,n)为药方,n为该药方数据库DB中药方的数量。
3.根据权利要求2所述的异常用药行为检测方法,其特征在于,在步骤S140中还包括:
药品组合MC为所述全药品集合TM中的一个子集,其中,用药品集合的形式表示药品组合MC,MC={m1,m2,...,mx},mx(x=1,2,...,n)为药品,n为全药品集合TM中所含的某些药品种类;
其中,LMC为药品组合MC在药方数据库DB中的常用度,其为药方数据库DB中包含药品组合MC的药方数目与药方数据库DB中药方总数目的比值;
从药品组合MC中筛选出常用度大于或等于最小支持度的常用药品组合FMC;
设FMC1,FMC2,...,FMCn为药方数据库DB中所有的常用药品组合,令SMC={FMC1,FMC2,...,FMCn},SMC为所有常用药品组合的集合,即各病种对应的用药模式。
5.根据权利要求1所述的异常用药行为检测方法,其特征在于,在步骤S140中还包括:
预先设置所述最小支持度,所述最小支持度为药品组合在药方数据库中的常用度的最低值。
6.一种异常用药行为检测系统,其特征在于,包括:
第一获取模块,用于获取就诊数据,所述就诊数据包括病种、就诊号、就诊号对应的药品明细;
分析模块,用于根据病种对所述就诊数据进行分类,分析得到各病种下的不同就诊号对应的药品明细;
第二获取模块,用于根据所述各病种下的不同就诊号对应的药品明细,获取到各病种对应的药方数据库,其中,所述药方数据库包括多种药方,所述药方数据库中所有药品种类构成的集合为全药品集合;
筛选模块,用于根据各病种对应的全药品集合得到药品组合,并从所述药品组合中筛选出常用度大于或等于最小支持度的常用药品组合,其中,所有常用药品组合的集合为各病种对应的用药模式;
计算模块,用于根据各病种下的每条药方与各病种对应的用药模式,计算得到各病种对应的每条药方的用药符合度;
判断模块,用于根据所述各病种对应的每条药方的用药符合度,判断当前用药行为是否异常。
7.根据权利要求6所述的异常用药行为检测系统,其特征在于,还包括:
各病种对应的药方P={m1,m2...,mj},其中,mj(j=1,2,...,k)为药品,k为药方P中药品的种类;
各病种对应的药方数据库DB:
DB={P1,P2,...,Pi}={{m11,m12,...,m1j},{m21,m22,...,m2j},...,{mi1,mi2,...,mij}},其中,Pi(i=1,2,...,n)为药方,n为该药方数据库DB中药方的数量。
8.根据权利要求7所述的异常用药行为检测系统,其特征在于,还包括:
药品组合MC为所述全药品集合TM中的一个子集,其中,用药品集合的形式表示药品组合MC,MC={m1,m2,...,mx},mx(x=1,2,...,n)为药品,n为全药品集合TM中所含的某些药品种类;
其中,LMC为药品组合MC在药方数据库DB中的常用度,其为药方数据库DB中包含药品组合MC的药方数目与药方数据库DB中药方总数目的比值;
从药品组合MC中筛选出常用度大于或等于最小支持度的常用药品组合FMC;
设FMC1,FMC2,...,FMCn为药方数据库DB中所有的常用药品组合,令SMC={FMC1,FMC2,...,FMCn},SMC为所有常用药品组合的集合,即各病种对应的用药模式。
10.根据权利要求6所述的异常用药行为检测系统,其特征在于,还包括:
预先设置所述最小支持度,所述最小支持度为药品组合在药方数据库中的常用度的最低值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010818835.3A CN111951924A (zh) | 2020-08-14 | 2020-08-14 | 一种异常用药行为检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010818835.3A CN111951924A (zh) | 2020-08-14 | 2020-08-14 | 一种异常用药行为检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111951924A true CN111951924A (zh) | 2020-11-17 |
Family
ID=73342371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010818835.3A Withdrawn CN111951924A (zh) | 2020-08-14 | 2020-08-14 | 一种异常用药行为检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111951924A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112687370A (zh) * | 2020-12-28 | 2021-04-20 | 博奥生物集团有限公司 | 一种电子药方生成方法、装置及电子设备 |
CN112786214A (zh) * | 2021-01-31 | 2021-05-11 | 云知声智能科技股份有限公司 | 用于限制性用药违规的检测方法和检测系统 |
CN117151655A (zh) * | 2023-10-30 | 2023-12-01 | 天津市智恩博莱生物科技有限公司 | 一种用于多项目检测结果综合分析管理系统及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010124016A1 (en) * | 2009-04-22 | 2010-10-28 | Lead Horse Technologies, Inc. | Artificial intelligence-assisted medical reference system and method |
CN109448808A (zh) * | 2018-08-29 | 2019-03-08 | 北京大学 | 一种基于多视图主题建模技术的异常处方筛选方法 |
CN109493936A (zh) * | 2018-10-16 | 2019-03-19 | 华东理工大学 | 一种使用改进的连续词袋模型检测异常用药方法 |
CN109545317A (zh) * | 2018-10-30 | 2019-03-29 | 平安科技(深圳)有限公司 | 基于住院预测模型判定住院行为的方法及相关产品 |
CN109671476A (zh) * | 2018-12-13 | 2019-04-23 | 平安医疗健康管理股份有限公司 | 无关用药的识别方法、装置、终端及计算机可读存储介质 |
CN111383761A (zh) * | 2018-12-28 | 2020-07-07 | 医渡云(北京)技术有限公司 | 医疗数据分析方法、装置、电子设备及计算机可读介质 |
CN111402070A (zh) * | 2020-03-23 | 2020-07-10 | 平安医疗健康管理股份有限公司 | 医疗信息识别方法、装置、计算机设备及存储介质 |
-
2020
- 2020-08-14 CN CN202010818835.3A patent/CN111951924A/zh not_active Withdrawn
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010124016A1 (en) * | 2009-04-22 | 2010-10-28 | Lead Horse Technologies, Inc. | Artificial intelligence-assisted medical reference system and method |
CN109448808A (zh) * | 2018-08-29 | 2019-03-08 | 北京大学 | 一种基于多视图主题建模技术的异常处方筛选方法 |
CN109493936A (zh) * | 2018-10-16 | 2019-03-19 | 华东理工大学 | 一种使用改进的连续词袋模型检测异常用药方法 |
CN109545317A (zh) * | 2018-10-30 | 2019-03-29 | 平安科技(深圳)有限公司 | 基于住院预测模型判定住院行为的方法及相关产品 |
CN109671476A (zh) * | 2018-12-13 | 2019-04-23 | 平安医疗健康管理股份有限公司 | 无关用药的识别方法、装置、终端及计算机可读存储介质 |
CN111383761A (zh) * | 2018-12-28 | 2020-07-07 | 医渡云(北京)技术有限公司 | 医疗数据分析方法、装置、电子设备及计算机可读介质 |
CN111402070A (zh) * | 2020-03-23 | 2020-07-10 | 平安医疗健康管理股份有限公司 | 医疗信息识别方法、装置、计算机设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
周如意: "基于BP神经网络和关联规则的智能医疗保险稽核系统研究", 《中国优秀硕士学位论文全文数据库(电子期刊)信息科技辑》 * |
王丰等: "基于关联规则算法构建急性上呼吸道感染用药提示系统", 《中国数字医学》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112687370A (zh) * | 2020-12-28 | 2021-04-20 | 博奥生物集团有限公司 | 一种电子药方生成方法、装置及电子设备 |
CN112687370B (zh) * | 2020-12-28 | 2023-12-22 | 北京博奥晶方生物科技有限公司 | 一种电子药方生成方法、装置及电子设备 |
CN112786214A (zh) * | 2021-01-31 | 2021-05-11 | 云知声智能科技股份有限公司 | 用于限制性用药违规的检测方法和检测系统 |
CN117151655A (zh) * | 2023-10-30 | 2023-12-01 | 天津市智恩博莱生物科技有限公司 | 一种用于多项目检测结果综合分析管理系统及方法 |
CN117151655B (zh) * | 2023-10-30 | 2024-01-23 | 天津市智恩博莱生物科技有限公司 | 一种用于多项目检测结果综合分析管理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111951924A (zh) | 一种异常用药行为检测方法及系统 | |
Ulrich et al. | Medical care utilization patterns in women with diagnosed domestic violence | |
CA2541739C (en) | System and method for early identification of safety concerns of new drugs | |
Ball et al. | Subtypes of cocaine abusers: Support for a Type A–Type B distinction. | |
US5924073A (en) | System and method for assessing physician performance using robust multivariate techniques of statistical analysis | |
Bohl et al. | A longitudinal analysis of total 3‐year healthcare costs for older adults who experience a fall requiring medical care | |
Lipscomb et al. | Predicting the cost of illness: a comparison of alternative models applied to stroke | |
Shin et al. | A scoring model to detect abusive billing patterns in health insurance claims | |
CN109636623A (zh) | 医疗数据异常检测方法、装置、设备及存储介质 | |
US7856362B2 (en) | System and method for early identification of safety concerns of new drugs | |
Farhad et al. | Trends in outcomes and hospitalization costs for traumatic brain injury in adult patients in the United States | |
Mitchell et al. | Access to private obstetrics/gynecology services under Medicaid | |
CN116344050B (zh) | 一种基于多维度健康管理模型的评测方法 | |
Fattore et al. | Cost and reimbursement of cataract surgery in Europe: a cross‐country comparison | |
US10776890B1 (en) | Generation from data threats and predictive application of the data models | |
WO2013052960A1 (en) | System and method for tracking clinical trial participation | |
Descatha et al. | Factors associated with severity of occupational asthma with a latency period at diagnosis | |
CN113704731A (zh) | 面向医院的患者异常就医行为检测方法及系统 | |
Moran et al. | Comparing the performance of English mental health providers in achieving patient outcomes | |
Goodman et al. | Estimating determinants of multiple treatment episodes for substance abusers | |
Bunch et al. | Youth placement study | |
CN115239504A (zh) | 病人骗保的识别方法、装置、存储介质及电子装置 | |
Roemer | STATISTICAL BRIEF# 500 Out-of-Pocket Health Care Expenses for Medical Services, by Insurance Coverage, 2000-2014 | |
Nsiah | A Comparison of Variant Methods in Random Forest with Multicollinearity Data for Classification Prediction Modeling | |
Kawaguchi et al. | Does Disease Management for Diabetes Reduce Medical Expenditures? Evidence Using a Three-Period Difference-in-Difference Analysis |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201117 |