CN112036750A - 适用于医疗风控的异常识别方法、装置、设备及存储介质 - Google Patents

适用于医疗风控的异常识别方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112036750A
CN112036750A CN202010900189.5A CN202010900189A CN112036750A CN 112036750 A CN112036750 A CN 112036750A CN 202010900189 A CN202010900189 A CN 202010900189A CN 112036750 A CN112036750 A CN 112036750A
Authority
CN
China
Prior art keywords
medical item
medical
positive
item
predicted
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.)
Granted
Application number
CN202010900189.5A
Other languages
English (en)
Other versions
CN112036750B (zh
Inventor
郭建福
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.)
Ping An Medical and Healthcare Management 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 CN202010900189.5A priority Critical patent/CN112036750B/zh
Publication of CN112036750A publication Critical patent/CN112036750A/zh
Application granted granted Critical
Publication of CN112036750B publication Critical patent/CN112036750B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural 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
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Accounting & Taxation (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Finance (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Technology Law (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本申请涉及数字医疗技术领域，揭示了一种适用于医疗风控的异常识别方法、装置、设备及存储介质，其中方法包括：获取待预测医疗项目集合，待预测医疗项目集合是根据一张医疗单据确定的医疗项目的集合；根据待预测医疗项目集合，确定一个正医疗项目和至少一个负医疗项目；将正医疗项目和负医疗项目输入概率预测模型进行预测，概率预测模型是基于神经网络训练得到的模型；获取概率预测模型输出的医疗项目预测值；对医疗项目预测值进行合格评估，确定与正医疗项目对应的目标评估结果；当目标评估结果为不合格时，将目标评估结果对应的正医疗项目为异常医疗项目。从而具有较强的召回率，具有较强的泛化能力，有利于提高识别的异常医疗项目的准确性。

Description

适用于医疗风控的异常识别方法、装置、设备及存储介质
技术领域
本申请涉及到数字医疗技术领域，特别是涉及到一种适用于医疗风控的异常识别方法、装置、设备及存储介质。
背景技术
在电商防欺诈、信用卡防欺诈、医保基金防欺诈等风控领域，适用于风控的异常识别对防欺诈的成效至关重要。现有技术中适用于风控的异常识别存在召回率较差，泛化能力很差，导致很多欺诈无法识别出来。
发明内容
本申请的主要目的为提供一种适用于医疗风控的异常识别方法、装置、设备及存储介质，旨在解决现有技术中适用于风控的异常识别存在召回率较差、泛化能力很差、导致很多欺诈无法识别出来的技术问题。
为了实现上述发明目的，本申请提出一种适用于医疗风控的异常识别方法，所述方法包括：
获取待预测医疗项目集合，所述待预测医疗项目集合是根据一张医疗单据确定的医疗项目的集合；
根据所述待预测医疗项目集合，确定一个正医疗项目和至少一个负医疗项目，所述正医疗项目是需要预测的医疗项目，所述负医疗项目用于对所述正医疗项目的医疗项目进行预测；
将所述正医疗项目和所述负医疗项目输入概率预测模型进行预测，所述概率预测模型是基于神经网络训练得到的模型；
获取所述概率预测模型输出的医疗项目预测值；
对所述医疗项目预测值进行合格评估，确定与所述正医疗项目对应的目标评估结果；
当所述目标评估结果为不合格时，将所述目标评估结果对应的所述正医疗项目为异常医疗项目。
进一步的，所述根据所述待预测医疗项目集合，确定一个正医疗项目和至少一个负医疗项目的步骤，包括：
从所述待预测医疗项目集合中获取一个所述医疗项目，将获取的所述医疗项目作为所述正医疗项目；
根据所述待预测医疗项目集合中所述正医疗项目以外的医疗项目，确定至少一个负医疗项目。
进一步的，所述将所述正医疗项目和所述负医疗项目输入概率预测模型进行预测，所述概率预测模型是基于神经网络训练得到的模型的步骤之前，还包括：
获取多个训练样本，所述训练样本包括：医疗项目正样本、医疗项目负样本、医疗项目标定值；
将所述医疗项目正样本和所述医疗项目负样本输入所述神经网络进行预测，得到样本预测值，所述样本预测值包括：正样本预测值、非正样本预测值；
根据所述样本预测值和所述医疗项目标定值进行训练，将训练后的所述神经网络作为所述概率预测模型。
进一步的，所述获取多个训练样本的步骤，包括：
获取特殊医疗项目和待标定医疗项目集合，所述待标定医疗项目集合是根据一张医疗单据确定的医疗项目的集合；
根据所述待标定医疗项目集合和所述特殊医疗项目找出相同的所述医疗项目，将找出的所述医疗项目作为待剔除医疗项目；
从所述待标定医疗项目集合中剔除所述待剔除医疗项目，将剔除所述待剔除医疗项目后的所述待标定医疗项目集合作为目标医疗项目集合；
从所述目标医疗项目集合中获取一个所述医疗项目，将获取的所述医疗项目作为所述医疗项目正样本；
从所述目标医疗项目集合中所述医疗项目正样本以外的医疗项目，确定至少一个所述医疗项目负样本；
根据所述医疗项目正样本和所述医疗项目负样本，获取所述医疗项目标定值。
进一步的，所述根据所述样本预测值和所述医疗项目标定值进行训练，将训练后的所述神经网络作为所述概率预测模型的步骤，包括：
将所述样本预测值、所述医疗项目标定值输入损失函数进行计算，得到所述神经网络的损失值，根据所述损失值更新所述神经网络的参数，更新后的所述神经网络被用于下一次计算所述样本预测值；
重复执行上述方法步骤直至所述损失值达到第一收敛条件或迭代次数达到第二收敛条件，将所述损失值达到第一收敛条件或迭代次数达到第二收敛条件的所述神经网络，确定为所述概率预测模型；
其中，所述损失函数采用交叉熵函数。
进一步的，所述医疗项目预测值包括：正医疗项目预测值、非正医疗项目预测值；以及，所述对所述医疗项目预测值进行合格评估，确定与所述正医疗项目对应的目标评估结果的步骤，包括：
将所述正医疗项目预测值与预设预测值阈值进行对比；
当所述正医疗项目预测值大于所述预设预测值阈值时确定所述目标评估结果为合格，否则确定所述目标评估结果为不合格。
进一步的，所述医疗项目预测值包括：正医疗项目预测值、非正医疗项目预测值；以及，所述对所述医疗项目预测值进行合格评估，确定与所述正医疗项目对应的目标评估结果的步骤，还包括：
获取所述正医疗项目预测值在所述医疗项目预测值中的排名，得到目标排名；
将所述目标排名与排名阈值进行对比；
当所述目标排名比所述排名阈值靠前时确定所述目标评估结果为合格，否则确定所述目标评估结果为不合格。
本申请还提出了一种适用于医疗风控的异常识别装置，所述装置包括：
数据获取模块，用于获取待预测医疗项目集合，所述待预测医疗项目集合是根据一张医疗单据确定的医疗项目的集合；
数据提取模块，用于根据所述待预测医疗项目集合，确定一个正医疗项目和至少一个负医疗项目，所述正医疗项目是需要预测的医疗项目，所述负医疗项目用于对所述正医疗项目的医疗项目进行预测；
预测模块，用于将所述正医疗项目和所述负医疗项目输入概率预测模型进行预测，所述概率预测模型是基于神经网络训练得到的模型，获取所述概率预测模型输出的医疗项目预测值；
异常识别模块，用于对所述医疗项目预测值进行合格评估，确定与所述正医疗项目对应的目标评估结果，当所述目标评估结果为不合格时，将所述目标评估结果对应的所述正医疗项目为异常医疗项目。
本申请还提出了一种计算机设备，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。
本申请还提出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。
本申请的适用于医疗风控的异常识别方法、装置、设备及存储介质，通过根据待预测医疗项目集合确定一个正医疗项目和至少一个负医疗项目，再进行预测，操作简单，具有较强的召回率；因为预测使用的概率预测模型是基于神经网络训练得到的模型，所以概率预测模型具有较强的泛化能力；因为对医疗项目预测值进行合格评估，确定与正医疗项目对应的目标评估结果，当目标评估结果为不合格时，将目标评估结果对应的正医疗项目为异常医疗项目，从而有利于提高识别的异常医疗项目的准确性。
附图说明
图1为本申请一实施例的适用于医疗风控的异常识别方法的流程示意图；
图2为本申请一实施例的适用于医疗风控的异常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。
本申请目的的实现、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
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
为了解决现有技术中适用于风控的异常识别存在召回率较差、泛化能力很差、导致很多欺诈无法识别出来的技术问题，本申请提出了一种适用于医疗风控的异常识别方法，所述方法可以应用于数字医疗技术领域，所述方法还可以应用于风控技术领域。所述方法通过概率预测模型进行概率预测，然后再根据概率结果进行进行合格评估，根据评估结果确定异常医疗项目，具有较强的召回率，具有较强的泛化能力，有利于提高识别的异常医疗项目的准确性。
参照图1，所述适用于医疗风控的异常识别方法包括：
S1：获取待预测医疗项目集合，所述待预测医疗项目集合是根据一张医疗单据确定的医疗项目的集合；
S2：根据所述待预测医疗项目集合，确定一个正医疗项目和至少一个负医疗项目，所述正医疗项目是需要预测的医疗项目，所述负医疗项目用于对所述正医疗项目的医疗项目进行预测；
S3：将所述正医疗项目和所述负医疗项目输入概率预测模型进行预测，所述概率预测模型是基于神经网络训练得到的模型；
S4：获取所述概率预测模型输出的医疗项目预测值；
S5：对所述医疗项目预测值进行合格评估，确定与所述正医疗项目对应的目标评估结果；
S6：当所述目标评估结果为不合格时，将所述目标评估结果对应的所述正医疗项目为异常医疗项目。
本实施例通过根据待预测医疗项目集合确定一个正医疗项目和至少一个负医疗项目，再进行预测，操作简单，具有较强的召回率；因为预测使用的概率预测模型是基于神经网络训练得到的模型，所以概率预测模型具有较强的泛化能力；因为对医疗项目预测值进行合格评估，确定与正医疗项目对应的目标评估结果，当目标评估结果为不合格时，将目标评估结果对应的正医疗项目为异常医疗项目，从而有利于提高识别的异常医疗项目的准确性。
对于S1，可以从数据库中获取待预测医疗项目集合。
所述待预测医疗项目集合，是指待识别异常的医疗项目集合。
优选的，所述医疗单据是指医疗结算单据。
所述医疗项目集合包括：收费项目、诊断项目。
所述收费项目包括但不限于：药品信息、诊疗信息、耗材信息。所述药品信息包括但不限于：用药日期、药品名称、单价、数量、费用。所述诊疗信息包括但不限于：诊疗日期、诊疗名称、单价、数量、费用。所述耗材信息包括但不限于：耗材使用日期、耗材名称、单价、数量、费用。
所述诊断项目包括但不限于：疾病诊断信息、手术信息。所述疾病诊断信息包括但不限于：诊断日期、疾病名称、疾病等级。所述手术信息包括但不限于：手术日期、手术名称、手术等级。
所述医疗项目，是指收费项目或诊断项目。
可以理解的是，每张所述医疗单据上的医疗项目的数量可以相同，也可以不同。比如，第一张医疗单据上有10个医疗项目，第二张医疗单据上有8个医疗项目，在此举例不做具体限定。
对于S2，根据所述待预测医疗项目集合，确定一个正医疗项目和至少一个负医疗项目，也就是说，待预测医疗项目集合的每个医疗项目都可以作为正医疗项目。
从所述待预测医疗项目集合中所述正医疗项目以外的医疗项目，确定至少一个负医疗项目。
对于S3，将所述正医疗项目和所述负医疗项目输入概率预测模型进行预测，也就是说，预测正医疗项目的概率值、非正医疗项目的概率值。
所述概率预测模型可以获取多个训练样本，用所述多个训练样本训练神经网络得到，也可以从现有技术中选择多分类预测模型。
比如，待预测医疗项目集合有阿卡波糖片、胃镜检查、验血、人工膝关节这4个医疗项目，我们用胃镜检查、验血、人工膝关节这三个医疗项目来预测阿卡波糖片在该待预测医疗项目集合中出现的可能性，概率预测模型输出阿卡波糖片的预测值，可以理解的是，用胃镜检查、验血、人工膝关节这三个医疗项目进行预测的结果还可能包括其他医疗项目(阿卡波糖片以外的医疗项目)的预测值，在此举例不做具体限定。
对于S4，正医疗项目预测值是指正医疗项目的概率值，非正医疗项目预测值是指非正医疗项目的概率值。
可以理解的是，非正医疗项目可以是所述待预测医疗项目集合中的医疗项目，也可以是所述待预测医疗项目集合以外的医疗项目。
对于S5，对所述医疗项目预测值进行合格评估，也就是根据所述医疗项目预测值确定正医疗项目预测值对应的正医疗项目是否合格。
当合格时，说明正医疗项目预测值对应的正医疗项目是正常项目；当不合格时，说明正医疗项目预测值对应的正医疗项目是异常项目。
可以理解的是，通过将所述待预测医疗项目集合的每个医疗项目都作为正医疗项目，对每个所述正医疗项目执行步骤S2至步骤S6，可以完成所述待预测医疗项目集合所有所述待预测医疗项目集合的异常识别。
在一个实施例中，上述根据所述待预测医疗项目集合，确定一个正医疗项目和至少一个负医疗项目的步骤，包括：
S21：从所述待预测医疗项目集合中获取一个所述医疗项目，将获取的所述医疗项目作为所述正医疗项目；
S22：根据所述待预测医疗项目集合中所述正医疗项目以外的医疗项目，确定至少一个负医疗项目。
本实施例实现了根据待预测医疗项目集合确定正医疗项目和负医疗项目，从而使可以根据负医疗项目预测正医疗项目的概率。
对于S21，将所述待预测医疗项目集合中任意一个所述医疗项目作为正医疗项目。
对于S22，从所述待预测医疗项目集合中所述正医疗项目以外的医疗项目中获取至少一个医疗项目，将获取的医疗项目作为负医疗项目。
比如，待预测医疗项目集合有阿卡波糖片、胃镜检查、验血、人工膝关节这4个医疗项目，将阿卡波糖片作为正医疗项目，将胃镜检查、验血、人工膝关节作为负医疗项目，也就是说，有三个负医疗项目，在此举例不做具体限定。
在一个实施例中，上述将所述正医疗项目和所述负医疗项目输入概率预测模型进行预测，所述概率预测模型是基于神经网络训练得到的模型的步骤之前，还包括：
S31：获取多个训练样本，所述训练样本包括：医疗项目正样本、医疗项目负样本、医疗项目标定值；
S32：将所述医疗项目正样本和所述医疗项目负样本输入所述神经网络进行预测，得到样本预测值，所述样本预测值包括：正样本预测值、非正样本预测值；
S33：根据所述样本预测值和所述医疗项目标定值进行训练，将训练后的所述神经网络作为所述概率预测模型。
本实施例实现了根据多个训练样本对神经网络训练得到概率预测模型，从而使概率预测模型具有较强的泛化能力。
对于S31，从数据库获取多个训练样本。
每个所述训练样本包括一个医疗项目正样本、一个医疗项目负样本、一个医疗项目标定值。
所述医疗项目正样本中医疗项目的数量为一个。
所述医疗项目负样本中医疗项目的数量为至少一个。
所述医疗项目标定值可以包括一个正样本标定值，也可以包括一个正样本标定值和至少一个非正样本标定值。
所述正样本标定值是对训练样本的医疗项目正样本对应的医疗项目的概率标定值。
所述非正样本标定值是指对训练样本的医疗项目正样本以外的医疗项目的概率标定值。
对于S32，所述神经网络依次包括：向量转化层、池化层、分类层。
所述向量转化层用于将所述医疗项目正样本、所述医疗项目负样本转换为特征向量。
所述池化层采用SUM pooling，所述SUM pooling用于进行求和池化操作。
所述分类层采用softmax层，所述softmax层用于进行分类。
也就是说，所述神经网络实现了分类预测的功能。
对于S33，根据所述正样本预测值、所述非正样本预测值、所述正样本标定值、所述非正样本标定值进行训练，将训练后的所述神经网络作为所述概率预测模型。
在一个实施例中，上述获取多个训练样本的步骤，包括：
S311：获取特殊医疗项目和待标定医疗项目集合，所述待标定医疗项目集合是根据一张医疗单据确定的医疗项目的集合；
S312：根据所述待标定医疗项目集合和所述特殊医疗项目找出相同的所述医疗项目，将找出的所述医疗项目作为待剔除医疗项目；
S313：从所述待标定医疗项目集合中剔除所述待剔除医疗项目，将剔除所述待剔除医疗项目后的所述待标定医疗项目集合作为目标医疗项目集合；
S314：从所述目标医疗项目集合中获取一个所述医疗项目，将获取的所述医疗项目作为所述医疗项目正样本；
S315：从所述目标医疗项目集合中所述医疗项目正样本以外的医疗项目，确定至少一个所述医疗项目负样本；
S316：根据所述医疗项目正样本和所述医疗项目负样本，获取所述医疗项目标定值。
本实施例实现了根据特殊医疗项目和待标定医疗项目集合确定所述训练样本。
对于S311，所述特殊医疗项目的数量可以为0个，也可以为1个，还可以为多个。
所述待标定医疗项目集合，是指用于确定训练样本的医疗项目集合。
所述待标定医疗项目集的数量为多个。
S3111：根据所有待标定医疗项目集合对每个医疗项目进行频率计算，得到医疗项目频率值；
比如：医疗项目包括：阿卡波糖片、胃镜检查、验血、人工膝关节，所有待标定医疗项目集合中所有医疗项目出现次数是1000次，其中，阿卡波糖片出现了10次，那阿卡波糖片的频率值就是10％(也就是10次/1000次)。
S3112：根据所述医疗项目频率值进行，确定特殊医疗项目。
Figure BDA0002659552470000091
其中，wi来表示一个医疗项目，z(wi)表示医疗项目频率值，S为降采样系数。
如果P(wi)小于采样阈值，则将P(wi)对应的医疗项目作为特殊医疗项目，从而避免所述医疗项目频率值过高的医疗项目作为所述医疗项目正样本时对所述概率预测模型拟合正确性的干扰。
优选的，所述降采样系数设置为0.001，所述降采样系数越小代表更容易扔掉一些医疗项目。
对于S312，将所述特殊医疗项目在所述待标定医疗项目集合中进行查找匹配，将找出的所述医疗项目作为待剔除医疗项目。
所述待剔除医疗项目的数量可以是至少0个，比如，所述待剔除医疗项目的数量可以是0个，1个，2个，3个，在此举例不做具体限定。
对于S313，从所述待标定医疗项目集合中剔除与所述待剔除医疗项目相同的医疗项目，将剔除所述待剔除医疗项目后的所述待标定医疗项目集合作为目标医疗项目集合。从而避免医疗项目频率值过高的医疗项目作为所述医疗项目正样本时对所述概率预测模型拟合正确性的干扰。
对于S314，从所述目标医疗项目集合中获取一个所述医疗项目，将获取的所述医疗项目作为所述医疗项目正样本。
对于S316，根据所述医疗项目正样本和所述医疗项目负样本，获取用户发送的所述医疗项目标定值。所述医疗项目标定值是专业医疗人员根据所述医疗项目正样本和所述医疗项目负样本标定的。
在另一个实施例中，上述获取多个训练样本的步骤，还包括：
获取待标定医疗项目集合，所述待标定医疗项目集合是根据一张医疗单据确定的医疗项目的集合；从所述待标定医疗项目集合中获取一个所述医疗项目，将获取的所述医疗项目作为所述医疗项目正样本；从所述待标定医疗项目集合中所述医疗项目正样本以外的医疗项目，确定至少一个所述医疗项目负样本；根据所述医疗项目正样本和所述医疗项目负样本，获取所述医疗项目标定值。
本实施例不需剔除特殊医疗项目，简化了步骤，提高了确定训练样本的效率。
在一个实施例中，上述根据所述样本预测值和所述医疗项目标定值进行训练，将训练后的所述神经网络作为所述概率预测模型的步骤，包括：
S331：将所述样本预测值、所述医疗项目标定值输入损失函数进行计算，得到所述神经网络的损失值，根据所述损失值更新所述神经网络的参数，更新后的所述神经网络被用于下一次计算所述样本预测值；
S332：重复执行上述方法步骤直至所述损失值达到第一收敛条件或迭代次数达到第二收敛条件，将所述损失值达到第一收敛条件或迭代次数达到第二收敛条件的所述神经网络，确定为所述概率预测模型；
其中，所述损失函数采用交叉熵函数。
本实施例实现了对神经网络的训练。
所述第一收敛条件是指相邻两次计算的损失值的大小满足lipschitz条件(利普希茨连续条件)。
所述迭代次数是指所述神经网络被用于计算所述样本预测值的次数，也就是说，计算一次，迭代次数增加1。第二收敛条件，是预设次数值。
交叉熵函数是给定两个概率分布：p(理想结果即正确标签向量)和q(神经网络输出结果即经过softmax转换后的结果向量)，则通过q来表示p的交叉熵为：
H(p,q)＝-∑xp(x)logq(x)H(p,q)＝-∑xp(x)logq(x)
其中，既然p和q都是一种概率分布，那么对于任意的x，应该属于[0,1][0,1]并且所有概率和为1。
Figure BDA0002659552470000111
交叉熵刻画的是通过概率分布q来表达概率分布p的困难程度，其中p是正确答案，q是预测值，也就是交叉熵值越小，两个概率分布越接近。
在一个实施例中，上述医疗项目预测值包括：正医疗项目预测值、非正医疗项目预测值；以及，所述对所述医疗项目预测值进行合格评估，确定与所述正医疗项目对应的目标评估结果的步骤，包括：
S511：将所述正医疗项目预测值与预设预测值阈值进行对比；
S512：当所述正医疗项目预测值大于所述预设预测值阈值时确定所述目标评估结果为合格，否则确定所述目标评估结果为不合格。
本实施例实现了根据预设预测值阈值进行合格评估，从而有利于提高识别的异常医疗项目的准确性。
比如，待预测医疗项目集合中医疗项目有阿卡波糖片、胃镜检查、验血、人工膝关节，用胃镜检查、验血、人工膝关节这三个医疗项目来预测阿卡波糖片在同一所述待预测医疗项目集合中出现的可能性，所述概率预测模型输出的所述正医疗项目预测值(也就是阿卡波糖片的预测值)是0.3，假设所述非正医疗项目预测值可能性大于0.3的有2个，预设预测值阈值设成0.4，所述正医疗项目预测值0.3小于预设预测值阈值0.4，我们就认为预测与待预测医疗项目集合中的实际医疗项目不一致，确定所述目标评估结果为不合格，所述目标评估结果对应的正医疗项目可能存在欺诈。
在另一个实施例中，所述对所述医疗项目预测值进行合格评估，确定与所述正医疗项目对应的目标评估结果的步骤，还包括：
S521：获取所述正医疗项目预测值在所述医疗项目预测值中的排名，得到目标排名；
S522：将所述目标排名与排名阈值进行对比；
S523：当所述目标排名比所述排名阈值靠前时确定所述目标评估结果为合格，否则确定所述目标评估结果为不合格。
本实施例实现了根据排名进行合格评估，从而有利于提高识别的异常医疗项目的准确性。
比如，所述目标排名为第二，所述排名阈值为第三，则认为所述目标排名比所述排名阈值靠前。
比如，待预测医疗项目集合中医疗项目有阿卡波糖片、胃镜检查、验血、人工膝关节，用胃镜检查、验血、人工膝关节这三个医疗项目来预测阿卡波糖片在同一所述待预测医疗项目集合中出现的可能性，所述概率预测模型输出的所述正医疗项目预测值(也就是阿卡波糖片的预测值)是0.3，假设所述非正医疗项目预测值可能性大于0.3的有2个，那么所述正医疗项目预测值0.3就排第三，也就是目标排名是第三，所述排名阈值设成排第二，所述目标排名第三比所述排名阈值第二更靠后，我们就认为预测与待预测医疗项目集合中的实际医疗项目不一致，确定所述目标评估结果为不合格，所述目标评估结果对应的正医疗项目可能存在欺诈。
参照图2，本申请还提出了一种适用于医疗风控的异常识别装置，所述装置包括：
数据获取模块100，用于获取待预测医疗项目集合，所述待预测医疗项目集合是根据一张医疗单据确定的医疗项目的集合；
数据提取模块200，用于根据所述待预测医疗项目集合，确定一个正医疗项目和至少一个负医疗项目，所述正医疗项目是需要预测的医疗项目，所述负医疗项目用于对所述正医疗项目的医疗项目进行预测；
预测模块300，用于将所述正医疗项目和所述负医疗项目输入概率预测模型进行预测，所述概率预测模型是基于神经网络训练得到的模型，获取所述概率预测模型输出的医疗项目预测值；
异常识别模块400，用于对所述医疗项目预测值进行合格评估，确定与所述正医疗项目对应的目标评估结果，当所述目标评估结果为不合格时，将所述目标评估结果对应的所述正医疗项目为异常医疗项目。
本实施例通过根据待预测医疗项目集合确定一个正医疗项目和至少一个负医疗项目，再进行预测，操作简单，具有较强的召回率；因为预测使用的概率预测模型是基于神经网络训练得到的模型，所以概率预测模型具有较强的泛化能力；因为对医疗项目预测值进行合格评估，确定与正医疗项目对应的目标评估结果，当目标评估结果为不合格时，将目标评估结果对应的正医疗项目为异常医疗项目，从而有利于提高识别的异常医疗项目的准确性。
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储存适用于医疗风控的异常识别方法等数据。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以实现一种适用于医疗风控的异常识别方法。所述适用于医疗风控的异常识别方法，包括：获取待预测医疗项目集合，所述待预测医疗项目集合是根据一张医疗单据确定的医疗项目的集合；根据所述待预测医疗项目集合，确定一个正医疗项目和至少一个负医疗项目，所述正医疗项目是需要预测的医疗项目，所述负医疗项目用于对所述正医疗项目的医疗项目进行预测；将所述正医疗项目和所述负医疗项目输入概率预测模型进行预测，所述概率预测模型是基于神经网络训练得到的模型；获取所述概率预测模型输出的医疗项目预测值；对所述医疗项目预测值进行合格评估，确定与所述正医疗项目对应的目标评估结果；当所述目标评估结果为不合格时，将所述目标评估结果对应的所述正医疗项目为异常医疗项目。
本实施例通过根据待预测医疗项目集合确定一个正医疗项目和至少一个负医疗项目，再进行预测，操作简单，具有较强的召回率；因为预测使用的概率预测模型是基于神经网络训练得到的模型，所以概率预测模型具有较强的泛化能力；因为对医疗项目预测值进行合格评估，确定与正医疗项目对应的目标评估结果，当目标评估结果为不合格时，将目标评估结果对应的正医疗项目为异常医疗项目，从而有利于提高识别的异常医疗项目的准确性。
本申请一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实现一种适用于医疗风控的异常识别方法，包括步骤：获取待预测医疗项目集合，所述待预测医疗项目集合是根据一张医疗单据确定的医疗项目的集合；根据所述待预测医疗项目集合，确定一个正医疗项目和至少一个负医疗项目，所述正医疗项目是需要预测的医疗项目，所述负医疗项目用于对所述正医疗项目的医疗项目进行预测；将所述正医疗项目和所述负医疗项目输入概率预测模型进行预测，所述概率预测模型是基于神经网络训练得到的模型；获取所述概率预测模型输出的医疗项目预测值；对所述医疗项目预测值进行合格评估，确定与所述正医疗项目对应的目标评估结果；当所述目标评估结果为不合格时，将所述目标评估结果对应的所述正医疗项目为异常医疗项目。
上述执行的适用于医疗风控的异常识别方法，通过根据待预测医疗项目集合确定一个正医疗项目和至少一个负医疗项目，再进行预测，操作简单，具有较强的召回率；因为预测使用的概率预测模型是基于神经网络训练得到的模型，所以概率预测模型具有较强的泛化能力；因为对医疗项目预测值进行合格评估，确定与正医疗项目对应的目标评估结果，当目标评估结果为不合格时，将目标评估结果对应的正医疗项目为异常医疗项目，从而有利于提高识别的异常医疗项目的准确性。
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于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以多种形式可得，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，而且还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。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种适用于医疗风控的异常识别方法，其特征在于，所述方法包括：
获取待预测医疗项目集合，所述待预测医疗项目集合是根据一张医疗单据确定的医疗项目的集合；
根据所述待预测医疗项目集合，确定一个正医疗项目和至少一个负医疗项目，所述正医疗项目是需要预测的医疗项目，所述负医疗项目用于对所述正医疗项目的医疗项目进行预测；
将所述正医疗项目和所述负医疗项目输入概率预测模型进行预测，所述概率预测模型是基于神经网络训练得到的模型；
获取所述概率预测模型输出的医疗项目预测值；
对所述医疗项目预测值进行合格评估，确定与所述正医疗项目对应的目标评估结果；
当所述目标评估结果为不合格时，将所述目标评估结果对应的所述正医疗项目为异常医疗项目。
2.根据权利要求1所述的适用于医疗风控的异常识别方法，其特征在于，所述根据所述待预测医疗项目集合，确定一个正医疗项目和至少一个负医疗项目的步骤，包括：
从所述待预测医疗项目集合中获取一个所述医疗项目，将获取的所述医疗项目作为所述正医疗项目；
根据所述待预测医疗项目集合中所述正医疗项目以外的医疗项目，确定至少一个负医疗项目。
3.根据权利要求1所述的适用于医疗风控的异常识别方法，其特征在于，所述将所述正医疗项目和所述负医疗项目输入概率预测模型进行预测，所述概率预测模型是基于神经网络训练得到的模型的步骤之前，还包括：
获取多个训练样本，所述训练样本包括：医疗项目正样本、医疗项目负样本、医疗项目标定值；
将所述医疗项目正样本和所述医疗项目负样本输入所述神经网络进行预测，得到样本预测值，所述样本预测值包括：正样本预测值、非正样本预测值；
根据所述样本预测值和所述医疗项目标定值进行训练，将训练后的所述神经网络作为所述概率预测模型。
4.根据权利要求3所述的适用于医疗风控的异常识别方法，其特征在于，所述获取多个训练样本的步骤，包括：
获取特殊医疗项目和待标定医疗项目集合，所述待标定医疗项目集合是根据一张医疗单据确定的医疗项目的集合；
根据所述待标定医疗项目集合和所述特殊医疗项目找出相同的所述医疗项目，将找出的所述医疗项目作为待剔除医疗项目；
从所述待标定医疗项目集合中剔除所述待剔除医疗项目，将剔除所述待剔除医疗项目后的所述待标定医疗项目集合作为目标医疗项目集合；
从所述目标医疗项目集合中获取一个所述医疗项目，将获取的所述医疗项目作为所述医疗项目正样本；
从所述目标医疗项目集合中所述医疗项目正样本以外的医疗项目，确定至少一个所述医疗项目负样本；
根据所述医疗项目正样本和所述医疗项目负样本，获取所述医疗项目标定值。
5.根据权利要求3所述的适用于医疗风控的异常识别方法，其特征在于，所述根据所述样本预测值和所述医疗项目标定值进行训练，将训练后的所述神经网络作为所述概率预测模型的步骤，包括：
将所述样本预测值、所述医疗项目标定值输入损失函数进行计算，得到所述神经网络的损失值，根据所述损失值更新所述神经网络的参数，更新后的所述神经网络被用于下一次计算所述样本预测值；
重复执行上述方法步骤直至所述损失值达到第一收敛条件或迭代次数达到第二收敛条件，将所述损失值达到第一收敛条件或迭代次数达到第二收敛条件的所述神经网络，确定为所述概率预测模型；
其中，所述损失函数采用交叉熵函数。
6.根据权利要求1所述的适用于医疗风控的异常识别方法，其特征在于，所述医疗项目预测值包括：正医疗项目预测值、非正医疗项目预测值；以及，所述对所述医疗项目预测值进行合格评估，确定与所述正医疗项目对应的目标评估结果的步骤，包括：
将所述正医疗项目预测值与预设预测值阈值进行对比；
当所述正医疗项目预测值大于所述预设预测值阈值时确定所述目标评估结果为合格，否则确定所述目标评估结果为不合格。
7.根据权利要求1所述的适用于医疗风控的异常识别方法，其特征在于，所述医疗项目预测值包括：正医疗项目预测值、非正医疗项目预测值；以及，所述对所述医疗项目预测值进行合格评估，确定与所述正医疗项目对应的目标评估结果的步骤，还包括：
获取所述正医疗项目预测值在所述医疗项目预测值中的排名，得到目标排名；
将所述目标排名与排名阈值进行对比；
当所述目标排名比所述排名阈值靠前时确定所述目标评估结果为合格，否则确定所述目标评估结果为不合格。
8.一种适用于医疗风控的异常识别装置，其特征在于，所述装置包括：
数据获取模块，用于获取待预测医疗项目集合，所述待预测医疗项目集合是根据一张医疗单据确定的医疗项目的集合；
数据提取模块，用于根据所述待预测医疗项目集合，确定一个正医疗项目和至少一个负医疗项目，所述正医疗项目是需要预测的医疗项目，所述负医疗项目用于对所述正医疗项目的医疗项目进行预测；
预测模块，用于将所述正医疗项目和所述负医疗项目输入概率预测模型进行预测，所述概率预测模型是基于神经网络训练得到的模型，获取所述概率预测模型输出的医疗项目预测值；
异常识别模块，用于对所述医疗项目预测值进行合格评估，确定与所述正医疗项目对应的目标评估结果，当所述目标评估结果为不合格时，将所述目标评估结果对应的所述正医疗项目为异常医疗项目。
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。
CN202010900189.5A 2020-08-31 2020-08-31 适用于医疗风控的异常识别方法、装置、设备及存储介质 Active CN112036750B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010900189.5A CN112036750B (zh) 2020-08-31 2020-08-31 适用于医疗风控的异常识别方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010900189.5A CN112036750B (zh) 2020-08-31 2020-08-31 适用于医疗风控的异常识别方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112036750A true CN112036750A (zh) 2020-12-04
CN112036750B CN112036750B (zh) 2024-06-28

Family

ID=73586604

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010900189.5A Active CN112036750B (zh) 2020-08-31 2020-08-31 适用于医疗风控的异常识别方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112036750B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113626488A (zh) * 2021-08-04 2021-11-09 挂号网（杭州）科技有限公司 数据处理方法、装置、电子设备及存储介质
CN113689928A (zh) * 2021-08-24 2021-11-23 平安国际智慧城市科技股份有限公司 保养及预防患病方案的推荐方法、装置、设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106408141A (zh) * 2015-07-28 2017-02-15 平安科技（深圳）有限公司 异常费用自动提取系统及方法
JP2017194341A (ja) * 2016-04-20 2017-10-26 株式会社Ihi 異常診断方法、異常診断装置、及び異常診断プログラム
CN107609980A (zh) * 2017-09-07 2018-01-19 平安医疗健康管理股份有限公司 医疗数据处理方法、装置、计算机设备及存储介质
CN107833621A (zh) * 2017-03-06 2018-03-23 平安医疗健康管理股份有限公司 医疗费用控制方法和装置
WO2019179100A1 (zh) * 2018-03-20 2019-09-26 苏州大学张家港工业技术研究院 基于生成式对抗网络技术的医疗文本生成方法
JP2020004126A (ja) * 2018-06-28 2020-01-09 公立大学法人県立広島大学 ヘルスケアデータ分析システム、ヘルスケアデータ分析方法、ヘルスケアデータ分析プログラム、学習済みモデル、情報処理装置、情報処理方法および情報処理プログラム
WO2020034874A1 (zh) * 2018-08-14 2020-02-20 平安医疗健康管理股份有限公司 医疗单据审核方法、装置、计算机设备和存储介质
CN111260484A (zh) * 2020-01-14 2020-06-09 支付宝(杭州)信息技术有限公司 一种人伤识别的数据处理方法、装置、服务器及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106408141A (zh) * 2015-07-28 2017-02-15 平安科技（深圳）有限公司 异常费用自动提取系统及方法
JP2017194341A (ja) * 2016-04-20 2017-10-26 株式会社Ihi 異常診断方法、異常診断装置、及び異常診断プログラム
CN107833621A (zh) * 2017-03-06 2018-03-23 平安医疗健康管理股份有限公司 医疗费用控制方法和装置
CN107609980A (zh) * 2017-09-07 2018-01-19 平安医疗健康管理股份有限公司 医疗数据处理方法、装置、计算机设备及存储介质
WO2019179100A1 (zh) * 2018-03-20 2019-09-26 苏州大学张家港工业技术研究院 基于生成式对抗网络技术的医疗文本生成方法
JP2020004126A (ja) * 2018-06-28 2020-01-09 公立大学法人県立広島大学 ヘルスケアデータ分析システム、ヘルスケアデータ分析方法、ヘルスケアデータ分析プログラム、学習済みモデル、情報処理装置、情報処理方法および情報処理プログラム
WO2020034874A1 (zh) * 2018-08-14 2020-02-20 平安医疗健康管理股份有限公司 医疗单据审核方法、装置、计算机设备和存储介质
CN111260484A (zh) * 2020-01-14 2020-06-09 支付宝(杭州)信息技术有限公司 一种人伤识别的数据处理方法、装置、服务器及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113626488A (zh) * 2021-08-04 2021-11-09 挂号网（杭州）科技有限公司 数据处理方法、装置、电子设备及存储介质
CN113689928A (zh) * 2021-08-24 2021-11-23 平安国际智慧城市科技股份有限公司 保养及预防患病方案的推荐方法、装置、设备及存储介质
CN113689928B (zh) * 2021-08-24 2023-06-20 深圳平安智慧医健科技有限公司 保养及预防患病方案的推荐方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN112036750B (zh) 2024-06-28

Similar Documents

Publication Publication Date Title
CN109887562B (zh) 电子病历的相似度确定方法、装置、设备和存储介质
CN112016279A (zh) 电子病历结构化方法、装置、计算机设备和存储介质
CN112036750B (zh) 适用于医疗风控的异常识别方法、装置、设备及存储介质
CN110797101B (zh) 医学数据处理方法、装置、可读存储介质和计算机设备
CN112801224B (zh) 糖尿病的分型概率预测方法、装置、设备及存储介质
CN109325869B (zh) 用户投保风险评估方法、装置、计算机设备和存储介质
CN113688912A (zh) 基于人工智能的对抗样本生成方法、装置、设备及介质
CN113962930B (zh) 阿尔茨海默病风险评估模型建立方法和电子设备
CN111291131A (zh) 数据处理方法、装置、存储介质及电子设备
CN108899063B (zh) 体检数据处理方法、装置、计算机设备和存储介质
CN112652405A (zh) 临床路径的挖掘方法、装置、设备及存储介质
CN112699941A (zh) 植物病害严重程度图像分类方法、装置、计算机设备和存储介质
CN114782775A (zh) 分类模型的构建方法、装置、计算机设备及存储介质
CN111370086A (zh) 电子病例检测方法、装置、计算机设备和存储介质
CN115101193A (zh) 一种症状推荐方法、设备及计算机可读存储介质
CN113707304B (zh) 分诊数据处理方法、装置、设备及存储介质
CN114300143A (zh) 分级方案预测方法、系统、设备以及存储介质
CN112926879B (zh) 疾病诊断相关分组的支付方案决策方法、装置及设备
CN109003193B (zh) 投保风险预测方法、装置、计算机设备和存储介质
CN114692785B (zh) 行为分类方法、装置、设备及存储介质
CN114187123A (zh) 医疗清单信息处理方法、装置、计算机设备及存储介质
CN114782756A (zh) 基于特征融合的缺陷检测方法、装置、设备及存储介质
CN113569837A (zh) 保险产品的投保风险识别方法、装置、设备及存储介质
CN111986804A (zh) 基于体温数据进行模型训练的方法、装置和计算机设备
Azizah et al. Predictive Modelling of Chronic Kidney Disease Using Gaussian Naive Bayes Algorithm

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