CN112036478A - 慢病报销药品的识别方法、装置以及计算机设备 - Google Patents

慢病报销药品的识别方法、装置以及计算机设备 Download PDF

Info

Publication number
CN112036478A
CN112036478A CN202010889823.XA CN202010889823A CN112036478A CN 112036478 A CN112036478 A CN 112036478A CN 202010889823 A CN202010889823 A CN 202010889823A CN 112036478 A CN112036478 A CN 112036478A
Authority
CN
China
Prior art keywords
information
chronic disease
medicine
reimbursement
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.)
Pending
Application number
CN202010889823.XA
Other languages
English (en)
Inventor
耿爱香
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Ping An Medical Health Technology Service Co Ltd
Original Assignee
Ping An Medical and Healthcare Management Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Medical and Healthcare Management Co Ltd filed Critical Ping An Medical and Healthcare Management Co Ltd
Priority to CN202010889823.XA priority Critical patent/CN112036478A/zh
Publication of CN112036478A publication Critical patent/CN112036478A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/40—Document-oriented image-based pattern recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Multimedia (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明提供了一种慢病报销药品的识别方法、装置以及计算机设备，其中，方法包括：获取处方上的文字信息；根据所述文字信息获取对应患者的身份信息和药品信息；根据所述身份信息提取所述患者的患病信息，并根据所述患病信息获取对应的慢病资质信息；将所述药品信息与所述慢病资质信息输入至慢病资质报销模型中进行计算，得到所述药品信息中各药品与所述慢病资质信息的目标距离；本发明的有益效果：通过获取患者的身份信息在数据库中获取对应的慢病资质信息，然后基于该慢病资质信息对目标药品进行报销，相对于设置规则监管来说，对报销药品设置了一个确定的标准，减少了滥用监管的情况，而且节省了大量时间成本和人力成本。

Description

慢病报销药品的识别方法、装置以及计算机设备
技术领域
本发明涉及数字医疗领域，特别涉及一种慢病报销药品的识别方法、装置以及计算机设备。
背景技术
目前，人口老龄化加速，慢病患者数量庞大，其中高血压、糖尿病数量超过3亿，而20％的慢病患者，花费了70％左右的医保基金，且慢病高支出也是医保费用增长的主要因素，而医生在开处方时，会考虑慢病患者的其他病情，将不是治疗慢病的药品也开在处方中，存在将不是治疗慢病的药品当作慢病药品进行报销的情况。因此需要一种对处方上药品的识别方法。
发明内容
本发明的主要目的为提供一种慢病报销药品的识别方法、装置以及计算机设备，旨在解决如何识别处方中的慢病药品的问题。
本发明提供了一种慢病报销药品的识别方法，包括：
获取处方上的文字信息；
根据所述文字信息获取对应患者的身份信息和药品信息；
根据所述身份信息提取所述患者的患病信息，并根据所述患病信息获取对应的慢病资质信息；其中，所述慢病资质信息为所述患病信息对应报销药品的权限信息；
将所述药品信息与所述慢病资质信息输入至慢病资质报销模型中进行计算，得到所述药品信息中各药品与所述慢病资质信息的目标距离；其中所述慢病资质报销模型基于各种慢病类型，以及各种慢病类型对应的参保药品训练而成；
判断各药品中是否具有所述目标距离小于第一预设目标距离的目标药品；
若具有所述目标距离小于所述第一预设目标距离的目标药品，则判定所述目标药品为所述患者的慢病报销药品。
进一步地，所述将所述药品信息与所述慢病资质信息输入至慢病资质报销模型中进行计算，得到所述药品信息中各药品与所述慢病资质信息的目标距离的步骤之前，还包括：
获取门诊数据库和门慢数据库中各种慢病信息的就诊信息；
将所述就诊信息作为训练数据输入至训练模型中，其中，不同种的慢病信息通过对应的计算公式进行训练，训练完成后得到所述慢病资质报销模型，所述计算公式为
Figure BDA0002656573010000021
Figure BDA0002656573010000022
Wk表示第k种慢病的所述目标距离，N为训练数据的大小，Xij表示词向量aj在词向量ai上下文出现的次数，f(Xij)为加权函数，ai表示第i个词向量，
Figure BDA0002656573010000023
表示独立的第j个上下文单词向量，bi，
Figure BDA0002656573010000024
表示训练完成后的参数，lognXij中的n表示训练完成后的参数。
进一步地，所述将所述药品信息与所述慢病资质信息输入至慢病资质报销模型中进行计算，得到所述药品信息中各药品与所述慢病资质信息的目标距离的步骤，包括：
根据各药品的信息，判断各药品是否记载于慢病报销药品数据库中；
提取各药品中记载于所述慢病报销药品数据库内的报销药品；
根据所述报销药品的信息获取其对应的药品类别信息；
将所述药品类别信息输入至慢病资质报销模型中进行计算，得到所述目标距离。
进一步地，所述将所述药品信息与所述慢病资质信息输入至慢病资质报销模型中进行计算，得到所述药品信息中各药品与所述慢病资质信息的目标距离的步骤，包括：
当所述患病信息包括多种慢病信息时，将所述药品信息分别输入至所述多种慢病信息对应的所述计算公式中；
计算得到所述药品信息中每一个药品与所述多种慢病信息对应的多个目标距离。
进一步地，所述获取处方上的文字信息的步骤，包括：
获取所述处方对应的图片信息；
采集所述指定图片中的像素点的RGB颜色模型中的R颜色通道的数值、G颜色通道的数值和B颜色通道的数值，并根据预设的三值化法将所述指定图片中的像素点的RGB颜色设置为(0,0,0)、(255,255,255)或者(P,P,P),其中P为大于0且小于255的预设数值，从而获得由三种颜色构成的暂时图片；
计算三种颜色在所述暂时图片中所占面积，并对面积较小的两种颜色的所占区域分别采用预设的文字分割方法，从而获得分割开的单个手写文字和分割开的单个印刷体文字；
提取所述单个手写文字的文字特征和所述单个印刷体文字的文字特征，并输入预设的支持向量机中进行分类，从而获得所述图片中的手写文字文本和印刷体文字文本。
进一步地，所述将所述药品信息与所述慢病资质信息输入至慢病资质报销模型中进行计算，得到所述药品信息中各药品与所述慢病资质信息的目标距离的步骤之后，还包括：
判断所述各药品中是否具有所述目标距离大于第二预设目标距离的普通药品；
若具有所述普通药品，则认定所述普通药品不可报销。
进一步地，所述将所述药品信息与所述慢病资质信息输入至慢病资质报销模型中进行计算，得到所述药品信息中各药品与所述慢病资质信息的目标距离的步骤之后，还包括：
判断所述各药品中是否具有所述目标距离小于第二预设目标距离，且大于第一预设距离目标的可疑药品；
若具有所述可疑药品，则提取所述可疑药品并发送给处理终端进行认定。
本发明还提供了一种慢病药品的识别装置，包括：
文字信息获取模块，用于获取处方上的文字信息；
患者信息获取模块，根据所述文字信息获取对应患者的身份信息和药品信息；
患病信息提取模块，用于根据所述身份信息提取所述患者的患病信息，并根据所述患病信息获取对应的慢病资质信息；其中，所述慢病资质信息为所述患病信息对应报销药品的权限信息；
目标距离计算模块，用于将所述药品信息与所述慢病资质信息输入至慢病资质报销模型中进行计算，得到所述药品信息中各药品与所述慢病资质信息的目标距离；其中所述慢病资质报销模型基于各种慢病类型，以及各种慢病类型对应的参保药品训练而成；
目标距离判断模块，用于判断各药品中是否具有所述目标距离小于第一预设目标距离的目标药品；
报销模块，用于若具有所述目标距离小于所述第一预设目标距离的目标药品，则判定所述目标药品为患者的慢病报销药品。
本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本发明的有益效果：通过获取患者的身份信息在数据库中获取对应的慢病资质信息，然后将处方上的药品信息和慢病资质信息输入至慢病资质报销模型中进行计算，得到与该慢病资质信息相关的目标药品，然后对目标药品进行报销，相对于设置规则监管来说，对报销药品设置了一个确定的标准，减少了滥用监管的情况，而且节省了大量时间成本和人力成本。
附图说明
图1是本发明一实施例的一种慢病报销药品的识别方法的流程示意图；
图2是本发明一实施例的一种慢病报销药品的识别装置的结构示意框图；
图3为本申请一实施例的计算机设备的结构示意框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
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，所描述的实施例仅仅是本发明的一部分实施例，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，都属于本发明保护的范围。
需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后等)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变，所述的连接可以是直接连接，也可以是间接连接。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。
另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
参照图1，本发明提出一种慢病报销药品的识别方法，包括：
S1：获取处方上的文字信息；
S2：根据所述文字信息获取对应患者的身份信息和药品信息；
S3：根据所述身份信息提取所述患者的患病信息，并根据所述患病信息获取对应的慢病资质信息；其中，所述慢病资质信息为所述患病信息对应报销药品的权限信息；
S4：将所述药品信息与所述慢病资质信息输入至慢病资质报销模型中进行计算，得到所述药品信息中各药品与所述慢病资质信息的目标距离；其中所述慢病资质报销模型基于各种慢病类型，以及各种慢病类型对应的参保药品训练而成，所述慢病资质信息包括一种或多种慢病信息，不同的慢病信息对应不同的计算公式；
S5：判断各药品中是否具有所述目标距离小于第一预设目标距离的目标药品；
S6：若具有所述目标距离小于所述第一预设目标距离的目标药品，则判定所述目标药品为所述患者的慢病报销药品。
如上述步骤S1所述，获取所述处方上的文字信息，处方可以是电子处方，也可以是纸质处方，还可以是包含处方的图片，对于电子处方可以直接获取其中的文字信息；对于纸质处方可以通过打印机获取其扫描件，或者通过摄像头进行拍照，以获取其对应包含处方的图片；对于图片和扫描件，由于其都是图片格式，故可以通过文字的提取方法将图片中的文字信息提取出来，从而实现获取处方上的文字信息。
如上述步骤S2所述，根据文字信息获取对应患者的身份信息和药品信息，基于语义识别对其中的文字信息进行提取。具体地，先对文字信息进行预处理，预处理包括对文字信息统一语种，对同义词进行替换，删除不必要的语句等，身份信息一般都在处方前的姓名一栏处，可以直接进行识别提取，再基于药品词库将对应的药品信息进行提取，其中药品词库包括了各药品的名称和/或别称。
如上述步骤S3所述，然后根据身份信息在慢病数据库中提取患者的患病信息，其中慢病数据库中记载了所有患者所患慢病的信息，然后再根据患病信息得到对应的慢病资质信息，其中，慢病资质信息为对应慢病的可报销的药品权限信息。
如上述步骤S4所述，由于慢病可以使用不同的药品进行治疗，因此，即使是同一种慢病，其对应的报销药品也包括很多种，因此需要计算各药品与慢病资质信息之间的目标距离，由于药品包括很多种，将各药品直接与慢病资质信息进行比对，会导致运算量偏大；而对于同一类药品其一般都可以治疗该慢病，因此，可以直接检测对应的药品类别，然后再基于药品类别计算与慢病资质信息之间的目标距离，当然，有的药品可能有治疗效果，但不属于可报销的范畴内，后续可以再基于慢病报销药品库判断该药品是否可以报销。
如上述步骤S5-S6所述，判断是否具有小于第一预设目标距离的目标药品，其中，第一预设目标距离为事先设定的值，当小于该值时，可以认为该药品为对应该慢病资质信息的慢病报销药品，因此可以将处方中包含的这部分药品提取出来进行报销。
在一个实施例中，将所述相关词向量与所述慢病资质信息输入至慢病资质报销模型中进行计算，得到所述药品信息中各药品与所述慢病资质信息的目标距离的步骤S4之前，还包括：
S301：获取门诊数据库和门慢数据库中各种慢病资质信息的就诊信息；
S302：将所述就诊信息作为训练数据输入至训练模型中，其中，不同种的慢病信息通过对应的计算公式进行训练，训练完成后得到所述慢病资质报销模型，所述计算公式为
Figure BDA0002656573010000071
Wk表示第k种慢病的所述目标距离，N为训练数据的大小，Xij表示词向量aj在词向量ai上下文出现的次数，f(Xij)为加权函数，ai表示第i个词向量，
Figure BDA0002656573010000081
表示独立的第j个上下文单词向量，bi，
Figure BDA0002656573010000082
表示训练完成后的参数，logn Xij中的n表示训练完成后的参数。
如上述步骤S301-S302所述，由于门诊与门慢在诊断病情与处方开药具有一定的相似性，因此可以选取门诊和门慢的就诊信息作为训练数据以训练相对应的训练模型，需要说明的是，该训练模型可以包括多个计算公式，每个计算公式分别对应一中慢病信息，本实施例以其中第一慢病信息为例，其也还可以包括多种慢病信息，其对应训练不同的计算公式，当获取到患者所患的慢病信息后，使用训练完成的慢病资质报销模型中不同的计算公式，以计算各药品与慢病信息相应的目标距离，在公式中只需要将提取的文字信息输入至公式中即可，其中计算过程中，公式
Figure BDA0002656573010000083
Figure BDA0002656573010000084
中，根据文字信息获取对应的多个词向量(即公式中的ai)，
Figure BDA0002656573010000085
为与第一慢病信息相关的词向量，训练完成后可以视为一个确定的参数值，bi，
Figure BDA0002656573010000086
以及logn Xij都可视为具体的参数值，f(Xij)为加权函数，其可以视为与ai相关的参数值，具体可以认为是根据ai进行函数计算的值，在一些实施例中，其可以是常数1。
在一个实施例中，所述将所述药品信息与所述慢病资质信息输入至慢病资质报销模型中进行计算，得到所述药品信息中各药品与所述慢病资质信息的目标距离的步骤S4，包括：
S401：根据各药品的信息，判断各药品是否记载于慢病报销药品数据库中；
S402：提取各药品中记载于所述慢病报销药品数据库内的报销药品；
S403：根据所述报销药品的信息获取其对应的药品类别信息；
S404：将所述药品类别信息输入至慢病资质报销模型中进行计算，得到所述目标距离。
如上述步骤S401-S404所述，可以先对药品进行过滤，即有些不属于慢病报销药品库的药品，例如只是普通的感冒药，而处方上又包括了这些药品，因此，可以直接对处方上的药品信息进行判断，若不在慢病报销药品数据库中，则可以将该部分药品信息直接剔除，没有必要输入至慢病资质报销模型中进行计算，只需要将记载于所述慢病报销药品数据库内的报销药品输入至慢病资质报销模型中进行计算即可，可以减少模型的运算量，有助于快速得到最后的目标药品。
在一个实施例中，所述将所述药品信息与所述慢病资质信息输入至慢病资质报销模型中进行计算，得到所述药品信息中各药品与所述慢病资质信息的目标距离的步骤S4，包括：
S411：当所述患病信息包括多种慢病信息时，将所述药品信息分别输入至所述多种慢病信息对应的所述计算公式中；
S412：计算得到所述药品信息中每一个药品与所述多种慢病信息对应的多个目标距离。
如上述步骤S411-S412所述，患者可能具有多种慢病，其对应的患病信息也会包括多种慢病信息，该患者具有多种慢病信息对应的报销权限，因此可以根据每个药品输入至不同的计算公式中，分别进行计算，即得到每个药品在不同计算公式中的不同目标距离，应当理解的是，该药品对应的目标距离中，只要有一个目标距离大于第一预设目标距离，即可以认为该药品为目标药品。
在一个实施例中，所述获取处方上的文字信息的步骤S1，包括：
S101：获取所述处方对应的图片信息；
S102：采集所述指定图片中的像素点的RGB颜色模型中的R颜色通道的数值、G颜色通道的数值和B颜色通道的数值，并根据预设的三值化法将所述指定图片中的像素点的RGB颜色设置为(0,0,0)、(255,255,255)或者(P,P,P),其中P为大于0且小于255的预设数值，从而获得由三种颜色构成的暂时图片；
S103：计算三种颜色在所述暂时图片中所占面积，并对面积较小的两种颜色的所占区域分别采用预设的文字分割方法，从而获得分割开的单个手写文字和分割开的单个印刷体文字；
S104:提取所述单个手写文字的文字特征和所述单个印刷体文字的文字特征，并输入预设的支持向量机中进行分类，从而获得所述图片中的手写文字文本和印刷体文字文本。
如上述步骤S101-S104所述，通过打印机或者照相机获取到对应的图片信息，然后采用三值化法获得识别而得的手写文字文本和印刷体文字文本。由于处方可能是医生手写的文字，为了更准确地区分手写文字与印刷体文字，本申请使用了三值化法，即根据预设的三值化法将所述指定图片中的像素点的RGB颜色设置为(0,0,0)、(255,255,255)或者(P,P,P),其中P为大于0且小于255的预设数值，从而获得由三种颜色构成的暂时图片，并计算三种颜色在所述暂时图片中所占面积，并对面积较小的两种颜色的所占区域分别采用预设的文字分割方法(由于面积最大的肯定是背景，因此无需对面积最大的区域进行分析)，从而获得分割开的单个手写文字和分割开的单个印刷体文字。其中所述支持向量机是一类按监督学习方式对数据进行二元分类的广义线性分类器，适用于对待识别文字与预存的文字进行对比，以输出最相似的文字。据此提取所述单个手写文字的文字特征和所述单个印刷体文字的文字特征，并输入预设的支持向量机中进行分类，从而获得识别图片中所包含的手写文字文本和印刷体文字文本。其中所述文字特征例如为文字对应的像素点中的特殊的点如极值点，孤立点等。
在一个实施例中，所述将所述药品信息与所述慢病资质信息输入至慢病资质报销模型中进行计算，得到所述药品信息中各药品与所述慢病资质信息的目标距离的步骤S4之后，还包括：
S501：判断所述各药品中是否具有所述目标距离大于第二预设目标距离的普通药品；
S502：若具有所述普通药品，则认定所述普通药品不可报销。
如上述步骤S501-S502所述，当计算的目标距离小于第二预设目标距离时，可以认为其为普通药品，其中，第二预设目标距离为事先设定的值，当大于该值时可以认定为普通药品，普通药品为不慢病报销药品，本文中不慢病报销药品仅指不能进行慢病报销的药品，并非是指其他项目不能报销的药品。然后将这部分的普通药品认定为不可报销。
在一个实施例中，所述将所述药品信息与所述慢病资质信息输入至慢病资质报销模型中进行计算，得到所述药品信息中各药品与所述慢病资质信息的目标距离的步骤S4之后，还包括：
S511：判断所述各药品中是否具有所述目标距离小于第二预设目标距离，且大于第一预设距离目标的可疑药品；
S512：若具有所述可疑药品，则提取所述可疑药品并发送给处理终端进行认定。
如上述步骤S511-S512所述，为了提高药品的识别度，本文会将第一预设目标距离设置的足够小，以保证小于第一预设目标距离的药品是目标药品，将第二预设目标距离设置的足够大，以保证大于第二预设目标距离的药品是普通药品，而对于在第一预设目标距离和第二预设目标距离之间的药品，其定义为可疑药品，即有可能是目标药品，也有可能是普通药品，因此，可以将该可疑药品提取出来，然后发送给相关人员进行进一步的认定，相关人员在认定后直接将目标药品筛选出来，然后整合所有的目标药品进行报销认定处理。
参照图2，本发明提出一种慢病报销药品的识别装置，包括：
文字信息获取模块10，用于获取处方上的文字信息；
患者信息获取模块20，根据所述文字信息获取对应患者的身份信息和药品信息；
患病信息提取模块30，用于根据所述身份信息提取所述患者的患病信息，并根据所述患病信息获取对应的慢病资质信息；其中，所述慢病资质信息为所述患病信息对应报销药品的权限信息；
目标距离计算模块40，用于将所述药品信息与所述慢病资质信息输入至慢病资质报销模型中进行计算，得到所述药品信息中各药品与所述慢病资质信息的目标距离；其中所述慢病资质报销模型基于各种慢病类型，以及各种慢病类型对应的参保药品训练而成；
目标距离判断模块50，用于判断各药品中是否具有所述目标距离小于第一预设目标距离的目标药品；
报销模块60，用于若具有所述目标距离小于所述第一预设目标距离的目标药品，则判定所述目标药品为患者的慢病报销药品。
获取所述处方上的文字信息，处方可以是电子处方，也可以是纸质处方，还可以是包含处方的图片，对于电子处方可以直接获取其中的文字信息；对于纸质处方可以通过打印机获取其扫描件，或者通过摄像头进行拍照，以获取其对应包含处方的图片；对于图片和扫描件，由于其都是图片格式，故可以通过文字的提取方法将图片中的文字信息提取出来，从而实现获取处方上的文字信息。
根据文字信息获取对应患者的身份信息和药品信息，基于语义识别对其中的文字信息进行提取。具体地，先对文字信息进行预处理，预处理包括对文字信息统一语种，对同义词进行替换，删除不必要的语句等，身份信息一般都在处方前的姓名一栏处，可以直接进行识别提取，再基于药品词库将对应的药品信息进行提取，其中药品词库包括了各药品的名称和/或别称。
然后根据身份信息在慢病数据库中提取患者的患病信息，其中慢病数据库中记载了所有患者所患慢病的信息，然后再根据患病信息得到对应的慢病资质信息，其中，慢病资质信息为对应慢病的可报销的药品权限信息。
由于慢病可以使用不同的药品进行治疗，因此，即使是同一种慢病，其对应的报销药品也包括很多种，因此需要计算各药品与慢病资质信息之间的目标距离，由于药品包括很多种，将各药品直接与慢病资质信息进行比对，会导致运算量偏大；而对于同一类药品其一般都可以治疗该慢病，因此，可以直接检测对应的药品类别，然后再基于药品类别计算与慢病资质信息之间的目标距离，当然，有的药品可能有治疗效果，但不属于可报销的范畴内，后续可以再基于慢病报销药品库判断该药品是否可以报销。
判断是否具有小于第一预设目标距离的目标药品，其中，第一预设目标距离为事先设定的值，当小于该值时，可以认为该药品为对应该慢病资质信息的慢病报销药品，因此可以将处方中包含的这部分药品提取出来进行报销。
在一个实施例中，慢病药品的识别装置，还包括：
就诊信息获取模块，用于获取门诊数据库和门慢数据库中各种慢病资质信息的就诊信息；
就诊信息输入模块，用于将所述就诊信息作为训练数据输入至训练模型中，其中，不同种的慢病信息通过对应的计算公式进行训练，训练完成后得到所述慢病资质报销模型，所述计算公式为
Figure BDA0002656573010000131
Wk表示第k种慢病的所述目标距离，N为训练数据的大小，Xij表示词向量aj在词向量ai上下文出现的次数，f(Xij)为加权函数，ai表示第i个词向量，
Figure BDA0002656573010000132
表示独立的第j个上下文单词向量，bi，
Figure BDA0002656573010000133
表示训练完成后的参数，logn Xij中的n表示训练完成后的参数。
由于门诊与门慢在诊断病情与处方开药具有一定的相似性，因此可以选取门诊和门慢的就诊信息作为训练数据以训练相对应的训练模型，需要说明的是，该训练模型可以包括多个计算公式，每个计算公式分别对应一中慢病信息，本实施例以其中第一慢病信息为例，其也还可以包括多种慢病信息，其对应训练不同的计算公式，当获取到患者所患的慢病信息后，使用训练完成的慢病资质报销模型中不同的计算公式，以计算各药品与慢病信息相应的目标距离，在公式中只需要将提取的文字信息输入至公式中即可，其中计算过程中，公式
Figure BDA0002656573010000134
中，根据文字信息获取对应的多个词向量(即公式中的ai)，
Figure BDA0002656573010000135
为与第一慢病信息相关的词向量，训练完成后可以视为一个确定的参数值，bi，
Figure BDA0002656573010000136
以及logn Xij都可视为具体的参数值，f(Xij)为加权函数，其可以视为与ai相关的参数值，具体可以认为是根据ai进行函数计算的值，在一些实施例中，其可以是常数1。
在一个实施例中，目标距离计算模块40，包括：
药品判断子模块，用于根据各药品的信息，判断各药品是否记载于慢病报销药品数据库中；
报销药品提取子模块，用于提取各药品中记载于所述慢病报销药品数据库内的报销药品；
药品类别信息获取子模块，用于根据所述报销药品的信息获取其对应的药品类别信息；
目标距离计算子模块，用于将所述药品类别信息输入至慢病资质报销模型中进行计算，得到所述目标距离。
可以先对药品进行过滤，即有些不属于慢病报销药品库的药品，例如只是普通的感冒药，而处方上又包括了这些药品，因此，可以直接对处方上的药品信息进行判断，若不在慢病报销药品数据库中，则可以将该部分药品信息直接剔除，没有必要输入至慢病资质报销模型中进行计算，只需要将记载于所述慢病报销药品数据库内的报销药品输入至慢病资质报销模型中进行计算即可，可以减少模型的运算量，有助于快速得到最后的目标药品。
在一个实施例中，目标距离计算模块40，包括：
药品信息输入子模块，用于当所述患病信息包括多种慢病信息时，将所述药品信息分别输入至所述多种慢病信息对应的所述计算公式中；
多个目标距离计算子模块，用于计算得到所述药品信息中每一个药品与所述多种慢病信息对应的多个目标距离。
患者可能具有多种慢病，其对应的患病信息也会包括多种慢病信息，该患者具有多种慢病信息对应的报销权限，因此可以根据每个药品输入至不同的计算公式中，分别进行计算，即得到每个药品在不同计算公式中的不同目标距离，应当理解的是，该药品对应的目标距离中，只要有一个目标距离大于第一预设目标距离，即可以认为该药品为目标药品。
在一个实施例中，文字信息获取模块10，包括：
图片信息获取子模块，用于获取所述处方对应的图片信息；
数值采集子模块，用于采集所述指定图片中的像素点的RGB颜色模型中的R颜色通道的数值、G颜色通道的数值和B颜色通道的数值，并根据预设的三值化法将所述指定图片中的像素点的RGB颜色设置为(0,0,0)、(255,255,255)或者(P,P,P),其中P为大于0且小于255的预设数值，从而获得由三种颜色构成的暂时图片；
面积计算子模块，用于计算三种颜色在所述暂时图片中所占面积，并对面积较小的两种颜色的所占区域分别采用预设的文字分割方法，从而获得分割开的单个手写文字和分割开的单个印刷体文字；
文字特征提取子模块，用于提取所述单个手写文字的文字特征和所述单个印刷体文字的文字特征，并输入预设的支持向量机中进行分类，从而获得所述图片中的手写文字文本和印刷体文字文本。
通过打印机或者照相机获取到对应的图片信息，然后采用三值化法获得识别而得的手写文字文本和印刷体文字文本。由于处方可能是医生手写的文字，为了更准确地区分手写文字与印刷体文字，本申请使用了三值化法，即根据预设的三值化法将所述指定图片中的像素点的RGB颜色设置为(0,0,0)、(255,255,255)或者(P,P,P),其中P为大于0且小于255的预设数值，从而获得由三种颜色构成的暂时图片，并计算三种颜色在所述暂时图片中所占面积，并对面积较小的两种颜色的所占区域分别采用预设的文字分割方法(由于面积最大的肯定是背景，因此无需对面积最大的区域进行分析)，从而获得分割开的单个手写文字和分割开的单个印刷体文字。其中所述支持向量机是一类按监督学习方式对数据进行二元分类的广义线性分类器，适用于对待识别文字与预存的文字进行对比，以输出最相似的文字。据此提取所述单个手写文字的文字特征和所述单个印刷体文字的文字特征，并输入预设的支持向量机中进行分类，从而获得识别图片中所包含的手写文字文本和印刷体文字文本。其中所述文字特征例如为文字对应的像素点中的特殊的点如极值点，孤立点等。
在一个实施例中，慢病报销药品的识别装置，还包括：
普通药品判断模块，用于判断所述各药品中是否具有所述目标距离大于第二预设目标距离的普通药品；
不可报销认定模块，用于若具有所述普通药品，则认定所述普通药品不可报销。
当计算的目标距离小于第二预设目标距离时，可以认为其为普通药品，其中，第二预设目标距离为事先设定的值，当大于该值时可以认定为普通药品，普通药品为不慢病报销药品，本文中不慢病报销药品仅指不能进行慢病报销的药品，并非是指其他项目不能报销的药品。然后将这部分的普通药品认定为不可报销。
在一个实施例中，慢病报销药品的识别装置，还包括：
可疑药品判断模块，用于判断所述各药品中是否具有所述目标距离小于第二预设目标距离，且大于第一预设距离目标的可疑药品；
可疑药品发送模块，用于若具有所述可疑药品，则提取所述可疑药品并发送给处理终端进行认定。
为了提高药品的识别度，本文会将第一预设目标距离设置的足够小，以保证小于第一预设目标距离的药品是目标药品，将第二预设目标距离设置的足够大，以保证大于第二预设目标距离的药品是普通药品，而对于在第一预设目标距离和第二预设目标距离之间的药品，其定义为可疑药品，即有可能是目标药品，也有可能是普通药品，因此，可以将该可疑药品提取出来，然后发送给相关人员进行进一步的认定，相关人员在认定后直接将目标药品筛选出来，然后整合所有的目标药品进行报销认定处理。
本发明的有益效果：通过获取患者的身份信息在数据库中获取对应的慢病资质信息，然后将处方上的药品信息和慢病资质信息输入至慢病资质报销模型中进行计算，得到与该慢病资质信息相关的目标药品，然后对目标药品进行报销，相对于设置规则监管来说，对报销药品设置了一个确定的标准，减少了滥用监管的情况，而且节省了大量时间成本和人力成本。
参照图3，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储各种慢病报销药品数据等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时可以实现上述任一实施例所述的慢病报销药品的识别方法。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时可以实现上述任一实施例所述的慢病报销药品的识别方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储与一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM一多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (10)

1.一种慢病报销药品的识别方法，其特征在于，包括：
获取处方上的文字信息；
根据所述文字信息获取对应患者的身份信息和药品信息；
根据所述身份信息提取所述患者的患病信息，并根据所述患病信息获取对应的慢病资质信息；其中，所述慢病资质信息为所述患病信息对应报销药品的权限信息；
将所述药品信息与所述慢病资质信息输入至慢病资质报销模型中进行计算，得到所述药品信息中各药品与所述慢病资质信息的目标距离；其中所述慢病资质报销模型基于各种慢病类型，以及各种慢病类型对应的参保药品训练而成；
判断各药品中是否具有所述目标距离小于第一预设目标距离的目标药品；
若具有所述目标距离小于所述第一预设目标距离的目标药品，则判定所述目标药品为所述患者的慢病报销药品。
2.如权利要求1所述的慢病报销药品的识别方法，其特征在于，所述将所述药品信息与所述慢病资质信息输入至慢病资质报销模型中进行计算，得到所述药品信息中各药品与所述慢病资质信息的目标距离的步骤之前，还包括：
获取门诊数据库和门慢数据库中各种慢病信息的就诊信息；
将所述就诊信息作为训练数据输入至训练模型中，其中，不同种的慢病信息通过对应的计算公式进行训练，训练完成后得到所述慢病资质报销模型，所述计算公式为
Figure FDA0002656573000000011
Figure FDA0002656573000000012
Wk表示第k种慢病的所述目标距离，N为训练数据的大小，Xij表示词向量aj在词向量ai上下文出现的次数，f(Xij)为加权函数，ai表示第i个词向量，
Figure FDA0002656573000000021
表示独立的第j个上下文单词向量，bi，
Figure FDA0002656573000000022
表示训练完成后的参数，lognXij中的n表示训练完成后的参数。
3.如权利要求1所述的慢病报销药品的识别方法，其特征在于，所述将所述药品信息与所述慢病资质信息输入至慢病资质报销模型中进行计算，得到所述药品信息中各药品与所述慢病资质信息的目标距离的步骤，包括：
根据各药品的信息，判断各药品是否记载于慢病报销药品数据库中；
提取各药品中记载于所述慢病报销药品数据库内的报销药品；
根据所述报销药品的信息获取其对应的药品类别信息；
将所述药品类别信息输入至慢病资质报销模型中进行计算，得到所述目标距离。
4.如权利要求2所述的慢病报销药品的识别方法，其特征在于，所述将所述药品信息与所述慢病资质信息输入至慢病资质报销模型中进行计算，得到所述药品信息中各药品与所述慢病资质信息的目标距离的步骤，包括：
当所述患病信息包括多种慢病信息时，将所述药品信息分别输入至所述多种慢病信息对应的所述计算公式中；
计算得到所述药品信息中每一个药品与所述多种慢病信息对应的多个目标距离。
5.如权利要求1所述的慢病报销药品的识别方法，其特征在于，所述获取处方上的文字信息的步骤，包括：
获取所述处方对应的图片信息；
采集所述指定图片中的像素点的RGB颜色模型中的R颜色通道的数值、G颜色通道的数值和B颜色通道的数值，并根据预设的三值化法将所述指定图片中的像素点的RGB颜色设置为(0,0,0)、(255,255,255)或者(P,P,P),其中P为大于0且小于255的预设数值，从而获得由三种颜色构成的暂时图片；
计算三种颜色在所述暂时图片中所占面积，并对面积较小的两种颜色的所占区域分别采用预设的文字分割方法，从而获得分割开的单个手写文字和分割开的单个印刷体文字；
提取所述单个手写文字的文字特征和所述单个印刷体文字的文字特征，并输入预设的支持向量机中进行分类，从而获得所述图片中的手写文字文本和印刷体文字文本。
6.如权利要求1所述的慢病报销药品的识别方法，其特征在于，所述将所述药品信息与所述慢病资质信息输入至慢病资质报销模型中进行计算，得到所述药品信息中各药品与所述慢病资质信息的目标距离的步骤之后，还包括：
判断所述各药品中是否具有所述目标距离大于第二预设目标距离的普通药品；
若具有所述普通药品，则认定所述普通药品不可报销。
7.如权利要求1所述的慢病报销药品的识别方法，其特征在于，所述将所述药品信息与所述慢病资质信息输入至慢病资质报销模型中进行计算，得到所述药品信息中各药品与所述慢病资质信息的目标距离的步骤之后，还包括：
判断所述各药品中是否具有所述目标距离小于第二预设目标距离，且大于第一预设距离目标的可疑药品；
若具有所述可疑药品，则提取所述可疑药品并发送给处理终端进行认定。
8.一种慢病药品的识别装置，其特征在于，包括：
文字信息获取模块，用于获取处方上的文字信息；
患者信息获取模块，根据所述文字信息获取对应患者的身份信息和药品信息；
患病信息提取模块，用于根据所述身份信息提取所述患者的患病信息，并根据所述患病信息获取对应的慢病资质信息；其中，所述慢病资质信息为所述患病信息对应报销药品的权限信息；
目标距离计算模块，用于将所述药品信息与所述慢病资质信息输入至慢病资质报销模型中进行计算，得到所述药品信息中各药品与所述慢病资质信息的目标距离；其中所述慢病资质报销模型基于各种慢病类型，以及各种慢病类型对应的参保药品训练而成；
目标距离判断模块，用于判断各药品中是否具有所述目标距离小于第一预设目标距离的目标药品；
报销模块，用于若具有所述目标距离小于所述第一预设目标距离的目标药品，则判定所述目标药品为患者的慢病报销药品。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202010889823.XA 2020-08-28 2020-08-28 慢病报销药品的识别方法、装置以及计算机设备 Pending CN112036478A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010889823.XA CN112036478A (zh) 2020-08-28 2020-08-28 慢病报销药品的识别方法、装置以及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010889823.XA CN112036478A (zh) 2020-08-28 2020-08-28 慢病报销药品的识别方法、装置以及计算机设备

Publications (1)

Publication Number Publication Date
CN112036478A true CN112036478A (zh) 2020-12-04

Family

ID=73587060

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010889823.XA Pending CN112036478A (zh) 2020-08-28 2020-08-28 慢病报销药品的识别方法、装置以及计算机设备

Country Status (1)

Country Link
CN (1) CN112036478A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113643784A (zh) * 2021-08-31 2021-11-12 平安医疗健康管理股份有限公司 门慢的异常行为监控方法、装置、设备以及存储介质
CN113689929A (zh) * 2021-08-25 2021-11-23 平安国际智慧城市科技股份有限公司 药物信息推送方法、装置、计算机设备及存储介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106530166A (zh) * 2016-08-31 2017-03-22 中国人民解放军总医院第附属医院 医院医保费用防拒付辅助管理信息系统及防拒付方法
CN107451400A (zh) * 2017-07-11 2017-12-08 武汉金豆医疗数据科技有限公司 一种医疗行为监控方法和系统
CN109408631A (zh) * 2018-09-03 2019-03-01 平安医疗健康管理股份有限公司 药品数据处理方法、装置、计算机设备和存储介质
CN109544372A (zh) * 2018-10-30 2019-03-29 平安医疗健康管理股份有限公司 基于人工智能的门诊慢性病资质监控方法及相关装置
CN109616174A (zh) * 2018-12-13 2019-04-12 平安医疗健康管理股份有限公司 重复用药的识别方法、装置、终端及可读存储介质
CN109615547A (zh) * 2018-12-13 2019-04-12 平安医疗健康管理股份有限公司 异常购药的识别方法、装置、终端及计算机可读存储介质
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
CN110189477A (zh) * 2019-05-27 2019-08-30 苏州嘉展科技有限公司 一种慢病自助取药和处方药品管理的平台系统和方法
CN110223751A (zh) * 2019-05-16 2019-09-10 平安科技（深圳）有限公司 基于医疗知识图谱的处方评价方法、系统及计算机设备
CN110781298A (zh) * 2019-09-18 2020-02-11 平安科技（深圳）有限公司 药品分类方法、装置、计算机设备及存储介质
WO2020119176A1 (zh) * 2018-12-13 2020-06-18 平安医疗健康管理股份有限公司 报销数据的排查方法、识别服务端及存储介质
WO2020132918A1 (zh) * 2018-12-24 2020-07-02 深圳市优必选科技有限公司 药品预测方法、装置、计算机设备及存储介质
CN111554365A (zh) * 2019-03-20 2020-08-18 华中科技大学同济医学院附属协和医院 一种慢性病综合服务平台

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106530166A (zh) * 2016-08-31 2017-03-22 中国人民解放军总医院第附属医院 医院医保费用防拒付辅助管理信息系统及防拒付方法
CN107451400A (zh) * 2017-07-11 2017-12-08 武汉金豆医疗数据科技有限公司 一种医疗行为监控方法和系统
CN109408631A (zh) * 2018-09-03 2019-03-01 平安医疗健康管理股份有限公司 药品数据处理方法、装置、计算机设备和存储介质
CN109544372A (zh) * 2018-10-30 2019-03-29 平安医疗健康管理股份有限公司 基于人工智能的门诊慢性病资质监控方法及相关装置
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
CN109615547A (zh) * 2018-12-13 2019-04-12 平安医疗健康管理股份有限公司 异常购药的识别方法、装置、终端及计算机可读存储介质
CN109616174A (zh) * 2018-12-13 2019-04-12 平安医疗健康管理股份有限公司 重复用药的识别方法、装置、终端及可读存储介质
WO2020119176A1 (zh) * 2018-12-13 2020-06-18 平安医疗健康管理股份有限公司 报销数据的排查方法、识别服务端及存储介质
WO2020132918A1 (zh) * 2018-12-24 2020-07-02 深圳市优必选科技有限公司 药品预测方法、装置、计算机设备及存储介质
CN111554365A (zh) * 2019-03-20 2020-08-18 华中科技大学同济医学院附属协和医院 一种慢性病综合服务平台
CN110223751A (zh) * 2019-05-16 2019-09-10 平安科技（深圳）有限公司 基于医疗知识图谱的处方评价方法、系统及计算机设备
CN110189477A (zh) * 2019-05-27 2019-08-30 苏州嘉展科技有限公司 一种慢病自助取药和处方药品管理的平台系统和方法
CN110781298A (zh) * 2019-09-18 2020-02-11 平安科技（深圳）有限公司 药品分类方法、装置、计算机设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张杨;刘锋;戴黎阳;: "医院门诊特病管理系统", 中国数字医学, no. 08, 15 August 2018 (2018-08-15) *
苏逸飞;王颖;殷伟东;丁腊春;张伟;: "基于大数据的区域慢病综合管理平台的设计与应用实践", 网络空间安全, no. 01, 25 January 2020 (2020-01-25) *
陈积瑞;张开金;陶阳红;王雨晴;: "常见慢性病住院费用与医疗保险报销的典型相关分析", 中国全科医学, no. 40, 5 December 2013 (2013-12-05) *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113689929A (zh) * 2021-08-25 2021-11-23 平安国际智慧城市科技股份有限公司 药物信息推送方法、装置、计算机设备及存储介质
CN113689929B (zh) * 2021-08-25 2023-05-26 深圳平安智慧医健科技有限公司 药物信息推送方法、装置、计算机设备及存储介质
CN113643784A (zh) * 2021-08-31 2021-11-12 平安医疗健康管理股份有限公司 门慢的异常行为监控方法、装置、设备以及存储介质

Similar Documents

Publication Publication Date Title
US11145059B2 (en) Medical scan viewing system with enhanced training and methods for use therewith
US11631175B2 (en) AI-based heat map generating system and methods for use therewith
US11011257B2 (en) Multi-label heat map display system
WO2021139146A1 (zh) 信息推荐方法、设备、计算机可读存储介质及装置
CN112185520B (zh) 一种医疗病理报告图片的文本结构化处理系统和方法
CN112836484B (zh) 一种文本对齐方法、装置、电子设备、计算机可读存储介质
CN112036478A (zh) 慢病报销药品的识别方法、装置以及计算机设备
CN110781677B (zh) 药品信息匹配处理方法、装置、计算机设备和存储介质
CN112132624A (zh) 医疗理赔数据预测系统
CN112989990B (zh) 医疗票据识别方法、装置、设备及存储介质
CN111383732B (zh) 一种基于互斥识别的药品审核方法、装置、计算机系统及可读存储介质
CN112035619A (zh) 基于人工智能的医疗问诊单筛选方法、装置、设备和介质
CN111858977A (zh) 票据信息采集方法、装置、计算机设备和存储介质
CN113707304B (zh) 分诊数据处理方法、装置、设备及存储介质
CN112035664B (zh) 药品的归类方法、装置以及计算机设备
CN117351504A (zh) 一种电子病历表格抽取的方法、装置、设备及介质
CN112418204A (zh) 基于纸质文档的文本识别方法、系统及计算机介质
CN116052848A (zh) 一种医学成像质控的数据编码方法及系统
CN111340788A (zh) 硬件木马版图检测方法、装置、电子设备和可读存储介质
CN109360662B (zh) 诊疗审核规则更新方法、装置、计算机设备和存储介质
CN112836041B (zh) 人员关系分析方法、装置、设备及存储介质
CN115880702A (zh) 数据处理方法、装置、设备、程序产品及存储介质
US11335108B2 (en) System and method to recognise characters from an image
CN112434722B (zh) 基于类别相似度的标签平滑计算的方法、装置、电子设备及介质
US20230053464A1 (en) Systems, Methods, and Devices for Automatically Converting Explanation of Benefits (EOB) Printable Documents into Electronic Format using Artificial Intelligence Techniques

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
TA01 Transfer of patent application right

Effective date of registration: 20220520

Address after: 518000 China Aviation Center 2901, No. 1018, Huafu Road, Huahang community, Huaqiang North Street, Futian District, Shenzhen, Guangdong Province

Applicant after: Shenzhen Ping An medical and Health Technology Service Co.,Ltd.

Address before: Room 12G, Block H, 666 Beijing East Road, Huangpu District, Shanghai 200000

Applicant before: PING AN MEDICAL AND HEALTHCARE MANAGEMENT Co.,Ltd.

TA01 Transfer of patent application right