CN112016770A - 一种医保费用预测方法、装置、设备及存储介质 - Google Patents
一种医保费用预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112016770A CN112016770A CN202011132000.9A CN202011132000A CN112016770A CN 112016770 A CN112016770 A CN 112016770A CN 202011132000 A CN202011132000 A CN 202011132000A CN 112016770 A CN112016770 A CN 112016770A
- Authority
- CN
- China
- Prior art keywords
- data
- diagnostic
- diagnostic data
- medical insurance
- field
- 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
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Finance (AREA)
- Biomedical Technology (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Technology Law (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明实施例涉及医疗技术领域,公开了一种医保费用预测方法、装置、设备及存储介质,该方法包括:获取参保患者的历史就诊记录;对历史就诊记录中的诊断数据的数据质量进行评估,并将评估结果不满足质量条件的诊断数据进行删除处理;利用指定编码方式对删除处理得到的诊断数据进行编码处理得到第一编码数据,并对第一编码数据进行分组合并处理;将分组合并处理得到的第二编码数据输入医保费用预测模型,得到参保患者在下一个预设周期内的费用预测信息。通过这种方式可以避免基于增长率对医保费用进行预测产生的较大误差,提高了医保费用预测的准确性。本发明涉及区块链技术,如将诊断数据写入区块链中,以用于数据取证等场景。
Description
技术领域
本发明涉及医疗技术领域,尤其涉及一种医保费用预测方法、装置、设备及存储介质。
背景技术
随着社会保障制度的发展,医疗保险制度的实施涉及每个参保人员的切身利益,受到了社会各界和广大群众的普遍关注,具有医保并使用医保就诊的疾病患者越来越多。为了确保医保的正常使用,对医保费用具有管控资质的机构需要对患者后续医保费用的使用情况进行预测。目前对慢性病患者的医保费用的预测通常以线性回归模型为主,依据每年度费用的总体增长率,预测下一年度的医保费用。但是每位患者的自身情况差异较大,患病种类、治疗方式、病情发展阶段各不相同,使得对慢性病患者的医保费用的预测偏差较大。
发明内容
本发明实施例提供了一种医保费用预测方法、装置、设备及存储介质,可以避免基于增长率对医保费用进行预测产生的较大误差,提高了医保费用预测的准确性。
第一方面,本发明实施例提供了一种医保费用预测方法,包括:
获取参保患者的历史就诊记录,其中,所述历史就诊记录包括所述参保患者的诊断数据;
对所述历史就诊记录中的诊断数据的数据质量进行评估,并将评估结果不满足质量条件的诊断数据进行删除处理;
利用指定编码方式对所述删除处理得到的诊断数据进行编码处理得到第一编码数据,并对所述第一编码数据进行分组合并处理;
将所述分组合并处理得到的第二编码数据输入医保费用预测模型,得到所述参保患者在下一个预设周期内的费用预测信息。
进一步地,所述对所述历史就诊记录中的诊断数据的数据质量进行评估,并将评估结果不满足质量条件的诊断数据进行删除处理,包括:
按照预设分类规则对所述历史就诊记录中的诊断数据进行分类,得到所述诊断数据对应的数据类型,其中,所述数据类型包括日期型诊断数据和/或数值型诊断数据;
根据所述诊断数据的数据类型对所述诊断数据的数据质量进行评估,并根据评估结果将不满足质量条件的诊断数据进行删除处理。
进一步地,所述根据所述诊断数据的数据类型对所述诊断数据的数据质量进行评估,包括:
获取所述诊断数据中的数据总量以及每个字段中的缺失数据的数量;
根据所述缺失数据的数量和所述数据总量确定所述每个字段中数据缺失的概率;
当所述数据缺失的概率小于第一预设阈值时,确定所述诊断数据中所述数据缺失的概率小于第一预设阈值的字段满足所述质量条件;
当所述数据缺失的概率大于或等于第一预设阈值时,确定所述诊断数据中所述数据缺失的概率大于或等于第一预设阈值的字段不满足所述质量条件;
所述根据评估结果将不满足质量条件的诊断数据进行删除处理,包括:
将所述诊断数据中所述数据缺失的概率大于或等于第一预设阈值的字段的数据进行删除处理。
进一步地,所述诊断数据包括日期型诊断数据;所述根据所述诊断数据的数据类型对所述诊断数据的数据质量进行评估,包括:
获取所述日期型诊断数据中每个字段中的数据的日期信息;
获取所述每个字段中的数据的日期信息对应的数据格式,并判断所述日期信息对应的数据格式是否与预设格式相匹配;
当所述日期信息对应的数据格式与预设格式不匹配时,确定所述日期信息为异常值,并确定所述日期型诊断数据中所述日期信息对应的数据格式与预设格式不匹配的字段不满足所述质量条件;
所述根据评估结果将不满足质量条件的诊断数据进行删除处理,包括:
将所述日期型诊断数据中所述日期信息对应的数据格式与预设格式不匹配的字段的数据进行删除处理。
进一步地,所述诊断数据包括数值型诊断数据;所述根据所述诊断数据的数据类型对所述诊断数据的数据质量进行评估,包括:
获取所述数值型诊断数据中每个字段中的数据的数值;
根据所述每个字段中的数据的数值,计算所述每个字段中的数据对应的均值方差;
当所述均值方差在预设的数值范围外时,确定所述数值型诊断数据中所述均值方差在预设的数值范围外的字段不满足所述质量条件;
所述根据评估结果将不满足质量条件的诊断数据进行删除处理,包括:
将所述数值型诊断数据中所述均值方差在预设的数值范围外的字段的数据进行删除处理。
进一步地,所述诊断数据包括疾病数据;所述利用指定编码方式对所述删除处理得到的诊断数据进行编码处理得到第一编码数据,包括:
利用第一分类编码方式对所述删除处理得到的诊断数据中的疾病数据进行标准化编码处理得到疾病编码数据;
所述对所述第一编码数据进行分组合并处理,包括:
选取所述疾病编码数据中的前N位进行分组合并处理,其中,N为大于1且小于5的正整数。
进一步地,所述诊断数据还包括药物数据;所述利用指定编码方式对所述删除处理得到的诊断数据进行编码处理得到第一编码数据,包括:
利用第二分类编码方式对所述删除处理得到的诊断数据中的药物数据进行标准化编码处理得到药物编码数据;
所述对所述第一编码数据进行分组合并处理,包括:
选取所述药物编码数据中的前M位进行分组合并处理,其中,M为大于1且小于6的正整数。
第二方面,本发明实施例提供了一种医保费用预测装置,包括:
获取单元,用于获取参保患者的历史就诊记录,其中,所述历史就诊记录包括所述参保患者的诊断数据;
评估单元,用于对所述历史就诊记录中的诊断数据的数据质量进行评估,并将评估结果不满足质量条件的诊断数据进行删除处理;
编码单元,用于利用指定编码方式对所述删除处理得到的诊断数据进行编码处理得到第一编码数据,并对所述第一编码数据进行分组合并处理;
预测单元,用于将所述分组合并处理得到的第二编码数据输入医保费用预测模型,得到所述参保患者在下一个预设周期内的费用预测信息。
第三方面,本发明实施例提供了一种医保费用预测设备,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储支持医保费用预测装置执行上述方法的计算机程序,所述计算机程序包括程序,所述处理器被配置用于调用所述程序,执行上述第一方面的方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序被处理器执行以实现上述第一方面的方法。
本发明实施例可以获取参保患者的历史就诊记录,并对所述历史就诊记录中的诊断数据的数据质量进行评估,以及将评估结果不满足质量条件的诊断数据进行删除处理;利用指定编码方式对所述删除处理得到的诊断数据进行编码处理得到第一编码数据,并对所述第一编码数据进行分组合并处理,以及将所述分组合并处理得到的第二编码数据输入医保费用预测模型,得到所述参保患者在下一个预设周期内的费用预测信息。通过对参保患者的历史就诊记录中的诊断数据进行过滤、编码、分组合并处理,并将处理得到编码数据通过训练得到的医保费用预测模型预测医保患者的医保费用,可以避免根据增长率对医保费用进行预测产生的较大误差,提高了医保费用预测的准确性。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种医保费用预测系统的结构示意图;
图2是本发明实施例提供的一种医保费用预测方法的示意流程图;
图3是本发明实施例提供的一种医保费用预测装置的示意框图;
图4是本发明实施例提供的一种医保费用预测设备的示意框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明实施例提供的医保费用预测方法可以应用于一种医保费用预测系统,在某些实施例中,所述医保费用预测系统包括医疗服务设备和医保费用预测设备。在某些实施例中,所述医疗服务设备可以与医保费用预测设备建立通信连接。在某些实施例中,所述通信连接的方式可以包括但不限于Wi-Fi、蓝牙、近场通信(Near Field Communication,NFC)等。在某些实施例中,所述医疗服务设备用于存储医保患者的历史就诊记录。
下面结合附图1对本发明实施例提供的医保费用预测系统进行示意性说明。
请参见图1,图1是本发明实施例提供的一种医保费用预测系统的结构示意图。所述医保费用预测系统包括:医保费用预测设备11和医疗服务设备12。在某些实施例中,所述医疗服务设备12用于存储医保患者的历史就诊记录。在某些实施例中,医保费用预测设备11与医疗服务设备12可以通过无线通信连接方式建立通信连接;其中,在某些场景下,所述医保费用预测设备11与医疗服务设备12之间也可以通过有线通信连接方式建立通信连接。在某些实施例中,所述医保费用预测设备11可以包括但不限于智能手机、平板电脑、笔记本电脑、台式电脑等智能终端设备。
本发明实施例中,医保费用预测设备11可以从医疗服务设备12中获取参保患者的历史就诊记录,其中,所述历史就诊记录包括所述参保患者的诊断数据;对所述历史就诊记录中的诊断数据的数据质量进行评估,并将评估结果不满足质量条件的诊断数据进行删除处理;利用指定编码方式对所述删除处理得到的诊断数据进行编码处理得到第一编码数据,并对所述第一编码数据进行分组合并处理;将所述分组合并处理得到的第二编码数据输入医保费用预测模型,得到所述参保患者在下一个预设周期内的费用预测信息。通过对参保患者的历史就诊记录中的诊断数据进行过滤、编码、分组合并处理,并将处理得到编码数据通过训练得到的医保费用预测模型预测医保患者的医保费用,可以避免根据增长率对医保费用进行预测产生的较大误差,提高了医保费用预测的准确性。
下面结合附图2对本发明实施例提供的医保费用预测方法进行示意性说明。
请参见图2,图2是本发明实施例提供的一种医保费用预测方法的示意流程图,如图2所示,该方法可以由医保费用预测设备执行,所述医保费用预测设备的具体解释如前所述,此处不再赘述。具体地,本发明实施例的所述方法包括如下步骤。
S201:获取参保患者的历史就诊记录,其中,所述历史就诊记录包括所述参保患者的诊断数据。
本发明实施例中,医保费用预测设备可以获取参保患者的历史就诊记录,其中,所述历史就诊记录包括所述参保患者的诊断数据。在某些实施例中,所述历史就诊记录包括但不限于诊断数据、参保患者的基本信息等,其中,所述参保患者的基本信息包括但不限于姓名、年龄、性别等。在某些实施例中,所述诊断数据包括但不限于疾病数据、药物数据、就诊时间、费用信息等。
在一个实施例中,医保费用预测设备在获取参保患者的历史就诊记录时,可以获取参保患者通过用户终端发送的医保费用预测请求,所述医保费用预测请求中携带了参保患者的标识。医保费用预测设备可以根据所述参保患者的标识从医疗服务设备中获取与该参保患者的标识对应的历史就诊记录。
在一个实施例中,所述参保患者的历史就诊记录还可以存储在云端服务器的区块链中,医保费用预测设备在获取到参保患者通过用户终端发送的医保费用预测请求时,可以根据所述参保患者的标识从云端服务器端的区块链中获取与所述参保患者的标识对应的历史就诊记录。
通过从医疗服务设备或云端服务器的区块链中获取参保患者的历史就诊记录,可以确保参保患者的历史就诊记录中数据的真实性和可靠性。
S202:对所述历史就诊记录中的诊断数据的数据质量进行评估,并将评估结果不满足质量条件的诊断数据进行删除处理。
本发明实施例中,医保费用预测设备可以对所述历史就诊记录中的诊断数据的数据质量进行评估,并将评估结果不满足质量条件的诊断数据进行删除处理。
在一个实施例中,医保费用预测设备在对所述历史就诊记录中的诊断数据的数据质量进行评估,并将评估结果不满足质量条件的诊断数据进行删除处理时,可以按照预设分类规则对所述历史就诊记录中的诊断数据进行分类,得到所述诊断数据对应的数据类型,其中,所述数据类型包括日期型诊断数据和/或数值型诊断数据;医保费用预测设备可以根据所述诊断数据的数据类型对所述诊断数据的数据质量进行评估,并根据评估结果将不满足质量条件的诊断数据进行删除处理。
在一个实施例中,医保费用预测设备在对根据所述诊断数据的数据类型对所述诊断数据的数据质量进行评估时,可以获取所述诊断数据中的数据总量以及每个字段中的缺失数据的数量,并根据所述缺失数据的数量和所述数据总量确定所述每个字段中数据缺失的概率;当所述数据缺失的概率小于第一预设阈值时,确定所述诊断数据中所述数据缺失的概率小于第一预设阈值的字段满足所述质量条件;当所述数据缺失的概率大于或等于第一预设阈值时,确定所述诊断数据中所述数据缺失的概率大于或等于第一预设阈值的字段不满足所述质量条件,并将所述诊断数据中所述数据缺失的概率大于或等于第一预设阈值的字段的数据进行删除处理。在某些实施例中,所述数据总量可以是诊断数据中每个字段的数据的数量总和。
例如,假设医保费用预测设备获取到的诊断数据中包括10个字段,每个字段包括10个数据,则可以确定诊断数据的数据总量为100,如果10个字段中第1个字段中的缺失数据的数量为1,第2个字段中的缺失数据的数量为1,第3个字段中的缺失数据的数量为4,第4个字段中的缺失数据的数量为2,第5个字段至第10个字段中的缺失数据的数量为0,则医保费用预测设备可以计算得到第1个字段中数据缺失的概率为1/10,第2个字段中数据缺失的概率为1/10,第3个字段中数据缺失的概率为4/10,第4个字段中数据缺失的概率为2/10。如果第一预设阈值为30%即3/10,则可以确定第3个字段中数据缺失的概率为4/10大于第一预设阈值3/10,因此,可以确定第3个字段不满足质量条件,并将第3个字段的数据进行删除处理。
在一个实施例中,所述诊断数据包括日期型诊断数据;医保费用预测设备在根据所述诊断数据的数据类型对所述诊断数据的数据质量进行评估时,可以获取所述日期型诊断数据中每个字段中的数据的日期信息,获取所述每个字段中的数据的日期信息对应的数据格式,并判断所述日期信息对应的数据格式是否与预设格式相匹配;当所述日期信息对应的数据格式与预设格式不匹配时,确定所述日期信息为异常值,并确定所述日期型诊断数据中所述日期信息对应的数据格式与预设格式不匹配的字段不满足所述质量条件,以及将所述日期型诊断数据中所述日期信息对应的数据格式与预设格式不匹配的字段的数据进行删除处理。
例如,假设医保费用预测设备获取到费用信息、药物数据、就诊时间等日期型诊断数据,其中,包括3个字段,每个字段中存储了诊断数据的日期信息,如果检测到第1个字段的日期信息对应的数据格式与预设格式不匹配,则可以确定第1个字段的日期信息为异常值,并将所述第1个字段的数据进行删除处理。
在一个实施例中,所述诊断数据包括数值型诊断数据;医保费用预测设备在根据所述诊断数据的数据类型对所述诊断数据的数据质量进行评估时,可以获取所述数值型诊断数据中每个字段中的数据的数值,并根据所述每个字段中的数据的数值,计算所述每个字段中的数据对应的均值方差;当所述均值方差在预设的数值范围外时,确定所述数值型诊断数据中所述均值方差在预设的数值范围外的字段不满足所述质量条件,并将所述数值型诊断数据中所述均值方差在预设的数值范围外的字段的数据进行删除处理。
在一个实施例中,医保费用预测设备在将评估结果不满足质量条件的诊断数据进行删除处理之后,可以生成数据质量检查报告,以供用户查看历史就诊记录中诊断数据的质量,如缺失情况等。
通过这种多维度地对参保患者的历史就诊记录中的诊断数据进行质量评估,删除不满足质量条件的诊断数据,有助于提高诊断数据的准确性。
S203:利用指定编码方式对所述删除处理得到的诊断数据进行编码处理得到第一编码数据,并对所述第一编码数据进行分组合并处理。
本发明实施例中,医保费用预测设备可以利用指定编码方式对所述删除处理得到的诊断数据进行编码处理得到第一编码数据,并对所述第一编码数据进行分组合并处理。
在一个实施例中,所述诊断数据包括疾病数据;医保费用预测设备在利用指定编码方式对所述删除处理得到的诊断数据进行编码处理得到第一编码数据时,可以利用第一分类编码方式对所述删除处理得到的诊断数据中的疾病数据进行标准化编码处理得到疾病编码数据,并选取所述疾病编码数据中的前N位进行分组合并处理,其中,N为大于1且小于5的正整数。在某些实施例中,所述第一分类编码方式可以为ICD10编码。
在一个实施例中,所述诊断数据还包括药物数据;医保费用预测设备在利用指定编码方式对所述删除处理得到的诊断数据进行编码处理得到第一编码数据时,可以利用第二分类编码方式对所述删除处理得到的诊断数据中的药物数据进行标准化编码处理得到药物编码数据,并选取所述药物编码数据中的前M位进行分组合并处理,其中,M为大于1且小于6的正整数。在某些实施例中,所述第二分类编码方式可以为ATC编码。
S204:将所述分组合并处理得到的第二编码数据输入医保费用预测模型,得到所述参保患者在下一个预设周期内的费用预测信息。
本发明实施例中,医保费用预测设备可以将所述分组合并处理得到的第二编码数据输入医保费用预测模型,得到所述参保患者在下一个预设周期内的费用预测信息。在某些实施例中,所述预设周期可以是一次的就诊时间,也可以是某个时间段范围内的就诊时间,此处不做具体限定。
在一个实施例中,医保费用预测设备在将所述分组合并处理得到的第二编码数据输入医保费用预测模型之前,可以基于神经网络针对预先获取的医疗异构知识图谱进行训练,得到所述医保费用预测模型。在某些实施例中,所述医疗异构知识图谱是预先根据疾病的上下位关系、并发症,药物适应症、禁忌症等现有领域知识构建的。
本发明实施例中,医保费用预测设备可以获取参保患者的历史就诊记录,并对所述历史就诊记录中的诊断数据的数据质量进行评估,以及将评估结果不满足质量条件的历史就诊记录进行删除处理;利用指定编码方式对所述删除处理得到的诊断数据进行编码处理得到第一编码数据,并对所述第一编码数据进行分组合并处理,以及将所述分组合并处理得到的第二编码数据输入医保费用预测模型,得到所述参保患者在下一个预设周期内的费用预测信息。通过对参保患者的历史就诊记录中的诊断数据进行过滤、编码、分组合并处理,并将处理得到编码数据通过训练得到的医保费用预测模型预测医保患者的医保费用,可以避免根据增长率对医保费用进行预测产生的较大误差,提高了医保费用预测的准确性。
本发明实施例还提供了一种医保费用预测装置,该医保费用预测装置用于执行前述任一项所述的方法的单元。具体地,参见图3,图3是本发明实施例提供的一种医保费用预测装置的示意框图。本实施例的医保费用预测装置包括:获取单元301、评估单元302、编码单元303、预测单元304。
获取单元301,用于获取参保患者的历史就诊记录,其中,所述历史就诊记录包括所述参保患者的诊断数据;
评估单元302,用于对所述历史就诊记录中的诊断数据的数据质量进行评估,并将评估结果不满足质量条件的诊断数据进行删除处理;
编码单元303,用于利用指定编码方式对所述删除处理得到的诊断数据进行编码处理得到第一编码数据,并对所述第一编码数据进行分组合并处理;
预测单元304,用于将所述分组合并处理得到的第二编码数据输入医保费用预测模型,得到所述参保患者在下一个预设周期内的费用预测信息。
进一步地,所述评估单元302对所述历史就诊记录中的诊断数据的数据质量进行评估,并将评估结果不满足质量条件的诊断数据进行删除处理时,具体用于:
按照预设分类规则对所述历史就诊记录中的诊断数据进行分类,得到所述诊断数据对应的数据类型,其中,所述数据类型包括日期型诊断数据和/或数值型诊断数据;
根据所述诊断数据的数据类型对所述诊断数据的数据质量进行评估,并根据评估结果将不满足质量条件的诊断数据进行删除处理。
进一步地,所述评估单元302根据所述诊断数据的数据类型对所述诊断数据的数据质量进行评估时,具体用于:
获取所述诊断数据中的数据总量以及每个字段中的缺失数据的数量;
根据所述缺失数据的数量和所述数据总量确定所述每个字段中数据缺失的概率;
当所述数据缺失的概率小于第一预设阈值时,确定所述诊断数据中所述数据缺失的概率小于第一预设阈值的字段满足所述质量条件;
当所述数据缺失的概率大于或等于第一预设阈值时,确定所述诊断数据中所述数据缺失的概率大于或等于第一预设阈值的字段不满足所述质量条件;
所述评估单元302根据评估结果将不满足质量条件的诊断数据进行删除处理时,具体用于:
将所述诊断数据中所述数据缺失的概率大于或等于第一预设阈值的字段的数据进行删除处理。
进一步地,所述诊断数据包括日期型诊断数据;所述评估单元302根据所述诊断数据的数据类型对所述诊断数据的数据质量进行评估时,具体用于:
获取所述日期型诊断数据中每个字段中的数据的日期信息;
获取所述每个字段中的数据的日期信息对应的数据格式,并判断所述日期信息对应的数据格式是否与预设格式相匹配;
当所述日期信息对应的数据格式与预设格式不匹配时,确定所述日期信息为异常值,并确定所述日期型诊断数据中所述日期信息对应的数据格式与预设格式不匹配的字段不满足所述质量条件;
所述评估单元302根据评估结果将不满足质量条件的诊断数据进行删除处理时,具体用于:
将所述日期型诊断数据中所述日期信息对应的数据格式与预设格式不匹配的字段的数据进行删除处理。
进一步地,所述诊断数据包括数值型诊断数据;所述评估单元302根据所述诊断数据的数据类型对所述诊断数据的数据质量进行评估时,具体用于:
获取所述数值型诊断数据中每个字段中的数据的数值;
根据所述每个字段中的数据的数值,计算所述每个字段中的数据对应的均值方差;
当所述均值方差在预设的数值范围外时,确定所述数值型诊断数据中所述均值方差在预设的数值范围外的字段不满足所述质量条件;
所述评估单元302根据评估结果将不满足质量条件的诊断数据进行删除处理时,具体用于:
将所述数值型诊断数据中所述均值方差在预设的数值范围外的字段的数据进行删除处理。
进一步地,所述诊断数据包括疾病数据;所述编码单元303利用指定编码方式对所述删除处理得到的诊断数据进行编码处理得到第一编码数据时,具体用于:
利用第一分类编码方式对所述删除处理得到的诊断数据中的疾病数据进行标准化编码处理得到疾病编码数据;
所述编码单元303对所述第一编码数据进行分组合并处理时,具体用于:
选取所述疾病编码数据中的前N位进行分组合并处理,其中,N为大于1且小于5的正整数。
进一步地,所述诊断数据还包括药物数据;所述编码单元303利用指定编码方式对所述删除处理得到的诊断数据进行编码处理得到第一编码数据时,具体用于:
利用第二分类编码方式对所述删除处理得到的诊断数据中的药物数据进行标准化编码处理得到药物编码数据;
所述编码单元303对所述第一编码数据进行分组合并处理时,具体用于:
选取所述药物编码数据中的前M位进行分组合并处理,其中,M为大于1且小于6的正整数。
本发明实施例中,医保费用预测装置可以获取参保患者的历史就诊记录,并对所述历史就诊记录中的诊断数据的数据质量进行评估,以及将评估结果不满足质量条件的历史就诊记录进行删除处理;利用指定编码方式对所述删除处理得到的诊断数据进行编码处理得到第一编码数据,并对所述第一编码数据进行分组合并处理,以及将所述分组合并处理得到的第二编码数据输入医保费用预测模型,得到所述参保患者在下一个预设周期内的费用预测信息。通过对参保患者的历史就诊记录中的诊断数据进行过滤、编码、分组合并处理,并将处理得到编码数据通过训练得到的医保费用预测模型预测医保患者的医保费用,可以避免根据增长率对医保费用进行预测产生的较大误差,提高了医保费用预测的准确性。
参见图4,图4是本发明实施例提供的一种医保费用预测设备的示意框图。如图所示的本实施例中的医保费用预测设备可以包括:一个或多个处理器401;一个或多个输入设备402,一个或多个输出设备403和存储器404。上述处理器401、输入设备402、输出设备403和存储器404通过总线405连接。存储器404用于存储计算机程序,所述计算机程序包括程序,处理器401 用于执行存储器404存储的程序。其中,处理器401被配置用于调用所述程序执行:
获取参保患者的历史就诊记录,其中,所述历史就诊记录包括所述参保患者的诊断数据;
对所述历史就诊记录中的诊断数据的数据质量进行评估,并将评估结果不满足质量条件的诊断数据进行删除处理;
利用指定编码方式对所述删除处理得到的诊断数据进行编码处理得到第一编码数据,并对所述第一编码数据进行分组合并处理;
将所述分组合并处理得到的第二编码数据输入医保费用预测模型,得到所述参保患者在下一个预设周期内的费用预测信息。
进一步地,所述处理器401对所述历史就诊记录中的诊断数据的数据质量进行评估,并将评估结果不满足质量条件的诊断数据进行删除处理时,具体用于:
按照预设分类规则对所述历史就诊记录中的诊断数据进行分类,得到所述诊断数据对应的数据类型,其中,所述数据类型包括日期型诊断数据和/或数值型诊断数据;
根据所述诊断数据的数据类型对所述诊断数据的数据质量进行评估,并根据评估结果将不满足质量条件的诊断数据进行删除处理。
进一步地,所述处理器401根据所述诊断数据的数据类型对所述诊断数据的数据质量进行评估时,具体用于:
获取所述诊断数据中的数据总量以及每个字段中的缺失数据的数量;
根据所述缺失数据的数量和所述数据总量确定所述每个字段中数据缺失的概率;
当所述数据缺失的概率小于第一预设阈值时,确定所述诊断数据中所述数据缺失的概率小于第一预设阈值的字段满足所述质量条件;
当所述数据缺失的概率大于或等于第一预设阈值时,确定所述诊断数据中所述数据缺失的概率大于或等于第一预设阈值的字段不满足所述质量条件;
所述处理器401根据评估结果将不满足质量条件的诊断数据进行删除处理时,具体用于:
将所述诊断数据中所述数据缺失的概率大于或等于第一预设阈值的字段的数据进行删除处理。
进一步地,所述诊断数据包括日期型诊断数据;所述处理器401根据所述诊断数据的数据类型对所述诊断数据的数据质量进行评估时,具体用于:
获取所述日期型诊断数据中每个字段中的数据的日期信息;
获取所述每个字段中的数据的日期信息对应的数据格式,并判断所述日期信息对应的数据格式是否与预设格式相匹配;
当所述日期信息对应的数据格式与预设格式不匹配时,确定所述日期信息为异常值,并确定所述日期型诊断数据中所述日期信息对应的数据格式与预设格式不匹配的字段不满足所述质量条件;
所述处理器401根据评估结果将不满足质量条件的诊断数据进行删除处理时,具体用于:
将所述日期型诊断数据中所述日期信息对应的数据格式与预设格式不匹配的字段的数据进行删除处理。
进一步地,所述诊断数据包括数值型诊断数据;所述处理器401根据所述诊断数据的数据类型对所述诊断数据的数据质量进行评估时,具体用于:
获取所述数值型诊断数据中每个字段中的数据的数值;
根据所述每个字段中的数据的数值,计算所述每个字段中的数据对应的均值方差;
当所述均值方差在预设的数值范围外时,确定所述数值型诊断数据中所述均值方差在预设的数值范围外的字段不满足所述质量条件;
所述处理器401根据评估结果将不满足质量条件的诊断数据进行删除处理时,具体用于:
将所述数值型诊断数据中所述均值方差在预设的数值范围外的字段的数据进行删除处理。
进一步地,所述诊断数据包括疾病数据;所述处理器401利用指定编码方式对所述删除处理得到的诊断数据进行编码处理得到第一编码数据时,具体用于:
利用第一分类编码方式对所述删除处理得到的诊断数据中的疾病数据进行标准化编码处理得到疾病编码数据;
所述处理器401对所述第一编码数据进行分组合并处理时,具体用于:
选取所述疾病编码数据中的前N位进行分组合并处理,其中,N为大于1且小于5的正整数。
进一步地,所述诊断数据还包括药物数据;所述处理器401利用指定编码方式对所述删除处理得到的诊断数据进行编码处理得到第一编码数据时,具体用于:
利用第二分类编码方式对所述删除处理得到的诊断数据中的药物数据进行标准化编码处理得到药物编码数据;
所述处理器401对所述第一编码数据进行分组合并处理时,具体用于:
选取所述药物编码数据中的前M位进行分组合并处理,其中,M为大于1且小于6的正整数。
本发明实施例中,医保费用预测设备可以获取参保患者的历史就诊记录,并对所述历史就诊记录中的诊断数据的数据质量进行评估,以及将评估结果不满足质量条件的历史就诊记录进行删除处理;利用指定编码方式对所述删除处理得到的诊断数据进行编码处理得到第一编码数据,并对所述第一编码数据进行分组合并处理,以及将所述分组合并处理得到的第二编码数据输入医保费用预测模型,得到所述参保患者在下一个预设周期内的费用预测信息。通过对参保患者的历史就诊记录中的诊断数据进行过滤、编码、分组合并处理,并将处理得到编码数据通过训练得到的医保费用预测模型预测医保患者的医保费用,可以避免根据增长率对医保费用进行预测产生的较大误差,提高了医保费用预测的准确性。
应当理解,在本发明实施例中,所称处理器401可以是中央处理单元 (CenSralProcessing UniS,CPU),该处理器还可以是其他通用处理器、数字信号处理器 (DigiSalSignal Processor,DSP)、专用集成电路 (ApplicaSion Specific InSegraSed CircuiS,ASIC)、现成可编程门阵列 (Field-Programmable GaSe Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入装置402可以包括触控板、麦克风等,输出装置403可以包括显示器(LCD等)、扬声器等。
该存储器404可以包括只读存储器和随机存取存储器,并向处理器401 提供指令和数据。存储器404的一部分还可以包括非易失性随机存取存储器。例如,存储器404还可以存储装置类型的信息。
具体实现中,本发明实施例中所描述的处理器401、输入装置402、输出装置403可执行本发明实施例提供的图2所述的方法实施例中所描述的实现方式,也可执行本发明实施例图3所描述的医保费用预测装置的实现方式,在此不再赘述。
本发明实施例中还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本发明所对应实施例中描述的医保费用预测方法,也可实现本发明所对应实施例的医保费用预测设备,在此不再赘述。
所述计算机可读存储介质可以是前述任一实施例所述的医保费用预测设备的内部存储单元,例如医保费用预测设备的硬盘或内存。所述计算机可读存储介质也可以是所述医保费用预测设备的外部存储设备,例如所述医保费用预测设备上配备的插接式硬盘,智能存储卡(SmarS Media Card, SMC),安全数字(Secure DigiSal, SD)卡,闪存卡(FlashCard)等。进一步地,所述计算机可读存储介质还可以既包括所述医保费用预测设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述医保费用预测设备所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个计算机可读存储介质中,包括若干指令用以使得一台计算机设备 ( 可以是个人计算机,终端,或者网络设备等 ) 执行本发明各个实施例所述方法的全部或部分步骤。而前述的计算机可读存储介质包括:U 盘、移动硬盘、只读存储器 (ROM,Read-Only Memory)、随机存取存储器 (RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。所述的计算机可读存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
其中,本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
以上所述,仅为本发明的部分实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种医保费用预测方法,其特征在于,包括:
获取参保患者的历史就诊记录,其中,所述历史就诊记录包括所述参保患者的诊断数据;
对所述历史就诊记录中的诊断数据的数据质量进行评估,并将评估结果不满足质量条件的诊断数据进行删除处理;
利用指定编码方式对所述删除处理得到的诊断数据进行编码处理得到第一编码数据,并对所述第一编码数据进行分组合并处理;
将所述分组合并处理得到的第二编码数据输入医保费用预测模型,得到所述参保患者在下一个预设周期内的费用预测信息。
2.根据权利要求1所述的方法,其特征在于,所述对所述历史就诊记录中的诊断数据的数据质量进行评估,并将评估结果不满足质量条件的诊断数据进行删除处理,包括:
按照预设分类规则对所述历史就诊记录中的诊断数据进行分类,得到所述诊断数据对应的数据类型,其中,所述数据类型包括日期型诊断数据和/或数值型诊断数据;
根据所述诊断数据的数据类型对所述诊断数据的数据质量进行评估,并根据评估结果将不满足质量条件的诊断数据进行删除处理。
3.根据权利要求2所述的方法,其特征在于,所述根据所述诊断数据的数据类型对所述诊断数据的数据质量进行评估,包括:
获取所述诊断数据中的数据总量以及每个字段中的缺失数据的数量;
根据所述缺失数据的数量和所述数据总量确定所述每个字段中数据缺失的概率;
当所述数据缺失的概率小于第一预设阈值时,确定所述诊断数据中所述数据缺失的概率小于第一预设阈值的字段满足所述质量条件;
当所述数据缺失的概率大于或等于第一预设阈值时,确定所述诊断数据中所述数据缺失的概率大于或等于第一预设阈值的字段不满足所述质量条件;
所述根据评估结果将不满足质量条件的诊断数据进行删除处理,包括:
将所述诊断数据中所述数据缺失的概率大于或等于第一预设阈值的字段的数据进行删除处理。
4.根据权利要求2所述的方法,其特征在于,所述诊断数据包括日期型诊断数据;所述根据所述诊断数据的数据类型对所述诊断数据的数据质量进行评估,包括:
获取所述日期型诊断数据中每个字段中的数据的日期信息;
获取所述每个字段中的数据的日期信息对应的数据格式,并判断所述日期信息对应的数据格式是否与预设格式相匹配;
当所述日期信息对应的数据格式与预设格式不匹配时,确定所述日期信息为异常值,并确定所述日期型诊断数据中所述日期信息对应的数据格式与预设格式不匹配的字段不满足所述质量条件;
所述根据评估结果将不满足质量条件的诊断数据进行删除处理,包括:
将所述日期型诊断数据中所述日期信息对应的数据格式与预设格式不匹配的字段的数据进行删除处理。
5.根据权利要求2所述的方法,其特征在于,所述诊断数据包括数值型诊断数据;所述根据所述诊断数据的数据类型对所述诊断数据的数据质量进行评估,包括:
获取所述数值型诊断数据中每个字段中的数据的数值;
根据所述每个字段中的数据的数值,计算所述每个字段中的数据对应的均值方差;
当所述均值方差在预设的数值范围外时,确定所述数值型诊断数据中所述均值方差在预设的数值范围外的字段不满足所述质量条件;
所述根据评估结果将不满足质量条件的诊断数据进行删除处理,包括:
将所述数值型诊断数据中所述均值方差在预设的数值范围外的字段的数据进行删除处理。
6.根据权利要求1所述的方法,其特征在于,所述诊断数据包括疾病数据;所述利用指定编码方式对所述删除处理得到的诊断数据进行编码处理得到第一编码数据,包括:
利用第一分类编码方式对所述删除处理得到的诊断数据中的疾病数据进行标准化编码处理得到疾病编码数据;
所述对所述第一编码数据进行分组合并处理,包括:
选取所述疾病编码数据中的前N位进行分组合并处理,其中,N为大于1且小于5的正整数。
7.根据权利要求1所述的方法,其特征在于,所述诊断数据还包括药物数据;所述利用指定编码方式对所述删除处理得到的诊断数据进行编码处理得到第一编码数据,包括:
利用第二分类编码方式对所述删除处理得到的诊断数据中的药物数据进行标准化编码处理得到药物编码数据;
所述对所述第一编码数据进行分组合并处理,包括:
选取所述药物编码数据中的前M位进行分组合并处理,其中,M为大于1且小于6的正整数。
8.一种医保费用预测装置,其特征在于,包括:
获取单元,用于获取参保患者的历史就诊记录,其中,所述历史就诊记录包括所述参保患者的诊断数据;
评估单元,用于对所述历史就诊记录中的诊断数据的数据质量进行评估,并将评估结果不满足质量条件的历史就诊记录进行删除处理;
编码单元,用于利用指定编码方式对所述删除处理得到的诊断数据进行编码处理得到第一编码数据,并对所述第一编码数据进行分组合并处理;
预测单元,用于将所述分组合并处理得到的第二编码数据输入医保费用预测模型,得到所述参保患者在下一个预设周期内的费用预测信息。
9.一种医保费用预测设备,其特征在于,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序,所述处理器被配置用于调用所述程序,执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行以实现权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011132000.9A CN112016770A (zh) | 2020-10-21 | 2020-10-21 | 一种医保费用预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011132000.9A CN112016770A (zh) | 2020-10-21 | 2020-10-21 | 一种医保费用预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112016770A true CN112016770A (zh) | 2020-12-01 |
Family
ID=73527466
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011132000.9A Pending CN112016770A (zh) | 2020-10-21 | 2020-10-21 | 一种医保费用预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112016770A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093394A (zh) * | 2013-01-23 | 2013-05-08 | 广东电网公司信息中心 | 一种基于用户用电负荷数据细分的聚类融合方法 |
CN106886915A (zh) * | 2017-01-17 | 2017-06-23 | 华南理工大学 | 一种基于时间衰减采样的广告点击预估方法 |
CN107563645A (zh) * | 2017-09-04 | 2018-01-09 | 杭州云算信达数据技术有限公司 | 一种基于大数据的金融风险分析方法 |
CN109544376A (zh) * | 2018-10-30 | 2019-03-29 | 平安医疗健康管理股份有限公司 | 一种基于数据分析的异常病例识别方法及计算设备 |
CN110738573A (zh) * | 2019-09-06 | 2020-01-31 | 平安医疗健康管理股份有限公司 | 基于分类器的数据处理方法、设备、存储介质及装置 |
CN110767320A (zh) * | 2019-10-31 | 2020-02-07 | 北京东软望海科技有限公司 | 数据处理方法、装置、电子设备及可读存储介质 |
-
2020
- 2020-10-21 CN CN202011132000.9A patent/CN112016770A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093394A (zh) * | 2013-01-23 | 2013-05-08 | 广东电网公司信息中心 | 一种基于用户用电负荷数据细分的聚类融合方法 |
CN106886915A (zh) * | 2017-01-17 | 2017-06-23 | 华南理工大学 | 一种基于时间衰减采样的广告点击预估方法 |
CN107563645A (zh) * | 2017-09-04 | 2018-01-09 | 杭州云算信达数据技术有限公司 | 一种基于大数据的金融风险分析方法 |
CN109544376A (zh) * | 2018-10-30 | 2019-03-29 | 平安医疗健康管理股份有限公司 | 一种基于数据分析的异常病例识别方法及计算设备 |
CN110738573A (zh) * | 2019-09-06 | 2020-01-31 | 平安医疗健康管理股份有限公司 | 基于分类器的数据处理方法、设备、存储介质及装置 |
CN110767320A (zh) * | 2019-10-31 | 2020-02-07 | 北京东软望海科技有限公司 | 数据处理方法、装置、电子设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200350044A1 (en) | System and method for health care data integration and management | |
Morgan et al. | Obesity in pregnancy: a retrospective prevalence-based study on health service utilisation and costs on the NHS | |
US8768724B2 (en) | System and method for detecting drug fraud and abuse | |
CN112700838A (zh) | 基于大数据的用药方案推荐方法、装置及相关设备 | |
EP3574505B1 (en) | Method and system for predicting optimal epilepsy treatment regimes | |
US10902950B2 (en) | Collaborative healthcare | |
US10318710B2 (en) | System and method for identifying healthcare fraud | |
CN112259246A (zh) | 一种融合医学概念层级结构的疾病预测方法及相关设备 | |
CN112132624A (zh) | 医疗理赔数据预测系统 | |
US20210043292A1 (en) | Techniques for providing therapeutic treatment information for pharmacological administration | |
US20210043310A1 (en) | Techniques for providing referrals for opioid use disorder treatment | |
US10776890B1 (en) | Generation from data threats and predictive application of the data models | |
US10642957B1 (en) | Systems and methods for determining, collecting, and configuring patient intervention screening information from a pharmacy | |
CN109522817B (zh) | 一种患者的住院行为稽核方法、区块链节点设备及系统 | |
Zhu et al. | Impact of hospital characteristics and governance structure on the adoption of tracking technologies for clinical and supply chain use: longitudinal study of US hospitals | |
CN111933302A (zh) | 药物推荐方法、装置、计算机设备及存储介质 | |
CN112037918B (zh) | 一种融合并发症风险的慢病医保费用预测方法及相关设备 | |
CN112016770A (zh) | 一种医保费用预测方法、装置、设备及存储介质 | |
CN115775635A (zh) | 基于深度学习模型的药品风险识别方法、装置及终端设备 | |
US10510437B2 (en) | Method for creating and using registry of clinical trial participants | |
US20200035360A1 (en) | Predictive modeling for health services | |
US20130226614A1 (en) | System and method for measuring health care outcomes | |
CN111694993A (zh) | 一种创建数据索引的方法、装置、电子设备及介质 | |
WO2013070983A1 (en) | System and method for identifying healthcare fraud | |
Maddren et al. | Patterns of individual compliance with anthelmintic treatment for soil-transmitted helminth infections in southern Ethiopia over six rounds of community-wide mass drug administration |
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: 20201201 |
|
RJ01 | Rejection of invention patent application after publication |