CN112037918A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112037918A CN112037918A CN202011206105.4A CN202011206105A CN112037918A CN 112037918 A CN112037918 A CN 112037918A CN 202011206105 A CN202011206105 A CN 202011206105A CN 112037918 A CN112037918 A CN 112037918A
- Authority
- CN
- China
- Prior art keywords
- patient
- data
- complication
- historical
- chronic
- 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
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
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明实施例涉及医疗技术领域，公开了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，该设备的处理器用于执行：确定每个慢病患者根据不同并发症之间的共现频次，并根据共现频次确定的在图网络结构中每个节点的表征向量；将表征向量和历史慢病数据输入多层感知机模型确定并发症预测模型；将历史慢病数据和每个慢病患者患并发症的概率输入第一循环神经网络模型确定医保费用预测模型；将待测试慢病患者的就诊数据输入并发症预测模型和医保费用预测模型，得到待测试慢病患者患并发症的风险概率和医保费用预测结果，基于慢病患者患并发症的风险概率预测医保费用，提高了预测准确性。本发明涉及区块链技术，上述数据可存储于区块链中。
Description
技术领域
本发明涉及医疗技术领域，尤其涉及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。
背景技术
目前，慢病患者越来越多，包括高血压、糖尿病、肿瘤、肾病等，这些慢病患者需要长期的医疗保障，从而产生大量的医保费用开支。围绕这些慢病患者的医保费用预测，对于医保控费、欺诈监测等具有重要意义。当前的慢病患者的医保费用预测采用的是基于慢病患者群的历史费用信息和一些基本体征数据建模，其忽略了慢病患者医保开支中最重要的并发症风险所带来的影响，而这些并发症往往是造成高额费用的关键因素。因此，如何更好地预测慢病患者的医保费用非常重要。
发明内容
本发明实施例提供了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，可以预测慢病患者患并发症的风险概率，并将慢病患者患并发症的风险概率融入医保费用预测模型中，有助于提高预测慢病患者的医保费用的准确性。
第一方面，本发明实施例提供了一种融合并发症风险的慢病医保费用预测设备，所述设备包括：存储器和处理器；
所述存储器，用于存储程序指令；
所述处理器，用于调用所述程序指令，当所述程序指令被执行时，用于执行以下操作：
获取慢病人群数据集，所述慢病人群数据集包括多个慢病患者的历史就诊数据、历史医保费用结局数据和历史并发症结局数据，所述历史就诊数据包括历史慢病数据和历史并发症数据，其中，所述历史慢病数据是用于指示慢病的诊断数据，所述历史并发症数据是用于指示并发症的诊断数据；
根据所述慢病人群数据集中每个慢病患者的历史就诊数据中的所述历史慢病数据和所述历史并发症数据，确定所述慢病人群数据集中每个慢病患者的不同并发症之间的共现频次；
根据所述每个慢病患者的不同并发症之间的共现频次，确定与所述历史并发症数据的医学知识图谱对应的图网络结构，并确定所述图网络结构中每个节点的表征向量，其中，所述图网络结构由多个节点和边组成，每个节点是一种并发症，每条边是指两个并发症之间相关联；
将所述慢病人群数据集中每个慢病患者的历史慢病数据以及在图网络结构中每个节点的表征向量输入多层感知机模型，得到所述慢病人群数据集中每个慢病患者患各并发症的概率，并根据所述每个慢病患者患各并发症的概率训练所述多层感知机模型得到并发症预测模型；
将所述每个慢病患者的历史慢病数据和所述每个慢病患者患各并发症的概率输入第一循环神经网络模型，得到所述每个慢病患者的医保费用结果，并根据所述每个慢病患者的医保费用结果训练所述第一循环神经网络模型得到医保费用预测模型；
获取待测试慢病患者的就诊数据，将所述待测试慢病患者的就诊数据输入所述并发症预测模型和医保费用预测模型，得到待测试慢病患者患并发症的风险概率以及医保费用预测结果。
所述处理器确定所述图网络结构中每个节点的就诊表征向量时，具体用于：
根据第一编码方式对所述慢病人群数据集中每个慢病患者的历史就诊数据中的所述历史慢病数据和所述历史并发症数据进行编码处理，得到第一编码数据；
将所述慢病人群数据集中每个慢病患者的历史就诊数据对应的第一编码数据输入第二循环神经网络模型，得到所述慢病人群数据集中每个慢病患者的历史就诊数据的就诊表征向量，并根据所述每个慢病患者的历史就诊数据的就诊表征向量确定所述图网络结构中每个节点的表征向量。
进一步地，所述处理器将所述慢病人群数据集中每个慢病患者的历史就诊数据对应的第一编码数据输入第二循环神经网络模型，得到所述慢病人群数据集中每个慢病患者的历史就诊数据的就诊表征向量时，具体用于：
将所述慢病人群数据集中每个慢病患者的历史就诊数据对应的第一编码数据输入第二循环神经网络模型，得到所述慢病人群数据集中每个慢病患者的所述历史慢病数据对应的慢病表征向量以及所述历史并发症数据对应的并发症表征向量；
根据所述慢病人群数据集中每个慢病患者的所述慢病表征向量和所述并发症表征向量，确定所述慢病人群数据集中每个慢病患者的就诊表征向量。
进一步地，所述处理器根据所述每个慢病患者患并发症的概率训练所述多层感知机模型，得到并发症预测模型时，具体用于：
将所述每个慢病患者患并发症的概率与所述每个慢病患者的历史并发症结局数据进行对比；
根据对比结果调整所述多层感知机模型的参数，并将所述每个慢病患者的所述就诊表征向量输入调整参数后的多层感知机模型进行训练，得到所述并发症预测模型。
进一步地，所述处理器将所述慢病人群数据集中每个慢病患者的历史慢病数据和所述每个慢病患者患并发症的概率输入第一循环神经网络模型，得到所述每个慢病患者的医保费用结果时，具体用于：
将所述慢病人群数据集中每个慢病患者的所述慢病表征向量、所述并发症表征向量和所述每个慢病患者患并发症的概率输入第一循环神经网络模型，得到所述慢病人群数据集中每个慢病患者的历史慢病数据对应的慢病医保费用结果以及所述每个慢病患者患并发症的概率对应的并发症医保费用结果；
根据所述每个慢病患者的所述慢病医保费用结果和所述每个慢病患者患的所述并发症医保费用结果，确定所述每个慢病患者的医保费用结果。
进一步地，所述处理器根据所述每个慢病患者的医保费用结果训练所述第一循环神经网络模型得到医保费用预测模型时，具体用于：
将所述每个慢病患者的医保费用结果与所述每个慢病患者的历史医保费用结局数据进行对比；
根据对比结果调整所述第一循环神经网络模型的参数，并将所述每个慢病患者的所述慢病表征向量、所述并发症表征向量和所述每个慢病患者患并发症的概率输入调整参数后的第一循环神经网络模型进行训练，得到所述医保费用预测模型。
进一步地，所述处理器将所述待测试慢病患者的就诊数据输入所述并发症预测模型和医保费用预测模型，得到待测试慢病患者患并发症的风险概率以及医保费用预测结果时，具体用于：
根据所述待测试慢病患者的就诊数据确定所述就诊数据对应的慢病表征向量和并发症表征向量；
将所述待测试慢病患者的慢病表征向量和并发症表征向量输入所述并发症预测模型，得到所述待测试慢病患者患并发症的风险概率；
将所述待测试慢病患者患并发症的风险概率和所述待测试慢病患者的慢病表征向量和并发症表征向量输入所述医保费用预测模型，得到所述待测试慢病患者的慢病医保费用预测结果和所述待测试慢病患者患并发症的概率对应的并发症医保费用预测结果；
根据所述待测试慢病患者的慢病医保费用预测结果和所述待测试慢病患者患并发症的概率对应的并发症医保费用预测结果，确定所述待测试慢病患者的医保费用预测结果。
第二方面，本发明实施例提供了一种融合并发症风险的慢病医保费用预测方法，包括：
获取慢病人群数据集，所述慢病人群数据集包括多个慢病患者的历史就诊数据、历史医保费用结局数据和历史并发症结局数据，所述历史就诊数据包括历史慢病数据和历史并发症数据，其中，所述历史慢病数据是用于指示慢病的诊断数据，所述历史并发症数据是用于指示并发症的诊断数据；
根据所述慢病人群数据集中每个慢病患者的历史就诊数据中的所述历史慢病数据和所述历史并发症数据，确定所述慢病人群数据集中每个慢病患者的不同并发症之间的共现频次；
根据所述每个慢病患者的不同并发症之间的共现频次，确定与所述历史并发症数据的医学知识图谱对应的图网络结构，并确定所述图网络结构中每个节点的表征向量，其中，所述图网络结构由多个节点和边组成，每个节点是一种并发症，每条边是指两个并发症之间相关联；
将所述慢病人群数据集中每个慢病患者的历史慢病数据以及在图网络结构中每个节点的表征向量输入多层感知机模型，得到所述慢病人群数据集中每个慢病患者患各并发症的概率，并根据所述每个慢病患者患各并发症的概率训练所述多层感知机模型得到并发症预测模型；
将所述每个慢病患者的历史慢病数据和所述每个慢病患者患各并发症的概率输入第一循环神经网络模型，得到所述每个慢病患者的医保费用结果，并根据所述每个慢病患者的医保费用结果训练所述第一循环神经网络模型得到医保费用预测模型；
获取待测试慢病患者的就诊数据，将所述待测试慢病患者的就诊数据输入所述并发症预测模型和医保费用预测模型，得到待测试慢病患者患并发症的风险概率以及医保费用预测结果。
第三方面，本发明实施例提供了一种融合并发症风险的慢病医保费用预测装置，包括：
获取单元，用于获取慢病人群数据集，所述慢病人群数据集包括多个慢病患者的历史就诊数据、历史医保费用结局数据和历史并发症结局数据，所述历史就诊数据包括历史慢病数据和历史并发症数据，其中，所述历史慢病数据是用于指示慢病的诊断数据，所述历史并发症数据是用于指示并发症的诊断数据；
第一确定单元，用于根据所述慢病人群数据集中每个慢病患者的历史就诊数据中的所述历史慢病数据和所述历史并发症数据，确定所述慢病人群数据集中每个慢病患者的不同并发症之间的共现频次；
第二确定单元，用于根据所述每个慢病患者的不同并发症之间的共现频次，确定与所述历史并发症数据的医学知识图谱对应的图网络结构，并确定所述图网络结构中每个节点的表征向量，其中，所述图网络结构由多个节点和边组成，每个节点是一种并发症，每条边是指两个并发症之间相关联；
第一训练单元，用于将所述慢病人群数据集中每个慢病患者的历史慢病数据以及在图网络结构中每个节点的表征向量输入多层感知机模型，得到所述慢病人群数据集中每个慢病患者患各并发症的概率，并根据所述每个慢病患者患各并发症的概率训练所述多层感知机模型得到并发症预测模型；
第二训练单元，用于将所述每个慢病患者的历史慢病数据和所述每个慢病患者患各并发症的概率输入第一循环神经网络模型，得到所述每个慢病患者的医保费用结果，并根据所述每个慢病患者的医保费用结果训练所述第一循环神经网络模型得到医保费用预测模型；
预测单元，用于获取待测试慢病患者的就诊数据，将所述待测试慢病患者的就诊数据输入所述并发症预测模型和医保费用预测模型，得到待测试慢病患者患并发症的风险概率以及医保费用预测结果。
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二方面的方法。
本发明实施例可以获取慢病人群数据集，慢病人群数据集包括多个慢病患者的历史就诊数据、历史医保费用结局数据和历史并发症结局数据，历史就诊数据包括历史慢病数据和历史并发症数据；根据所述慢病人群数据集中每个慢病患者的历史就诊数据中的所述历史慢病数据和所述历史并发症数据，确定所述慢病人群数据集中每个慢病患者的不同并发症之间的共现频次；根据所述每个慢病患者的不同并发症之间的共现频次，确定与所述历史并发症数据的医学知识图谱对应的图网络结构，并确定所述图网络结构中每个节点的表征向量，其中，所述图网络结构由多个节点和边组成，每个节点是一种并发症，每条边是指两个并发症之间相关联；将所述慢病人群数据集中每个慢病患者的历史慢病数据以及在图网络结构中每个节点的表征向量输入多层感知机模型，得到所述慢病人群数据集中每个慢病患者患各并发症的概率，并根据所述每个慢病患者患各并发症的概率训练所述多层感知机模型得到并发症预测模型；将所述每个慢病患者的历史慢病数据和所述每个慢病患者患各并发症的概率输入第一循环神经网络模型，得到所述每个慢病患者的医保费用结果，并根据所述每个慢病患者的医保费用结果训练所述第一循环神经网络模型得到医保费用预测模型；获取待测试慢病患者的就诊数据，将所述待测试慢病患者的就诊数据输入所述并发症预测模型和医保费用预测模型，得到待测试慢病患者患并发症的风险概率以及医保费用预测结果。通过这种方式可以预测慢病患者患并发症的风险概率，并将慢病患者患并发症的风险概率融入医保费用预测模型中，有助于提高预测慢病患者的医保费用的准确性。
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融合并发症风险的慢病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融合并发症风险的慢病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融合并发症风险的慢病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融合并发症风险的慢病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器和融合并发症风险的慢病医保费用预测设备。在某些实施例中，所述医疗服务器可以与融合并发症风险的慢病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，所述医疗服务器用于存储慢病人群数据集。
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：融合并发症风险的慢病医保费用预测设备11和医疗服务器12。在某些实施例中，融合并发症风险的慢病医保费用预测设备11与医疗服务器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，所述融合并发症风险的慢病医保费用预测设备11与医疗服务器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，所述融合并发症风险的慢病医保费用预测设备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，融合并发症风险的慢病医保费用预测设备11可以从医疗服务器12中获取慢病人群数据集，所述慢病人群数据集中包括多个慢病患者的历史就诊数据、历史医保费用结局数据和历史并发症结局数据，所述历史就诊数据包括历史慢病数据和历史并发症数据，其中，所述历史慢病数据是用于指示慢病的诊断数据，所述历史并发症数据是用于指示并发症的诊断数据。融合并发症风险的慢病医保费用预测设备11可以根据所述慢病人群数据集中每个慢病患者的历史就诊数据中的所述历史慢病数据和所述历史并发症数据，确定所述慢病人群数据集中每个慢病患者的就诊表征向量；将所述每个慢病患者的所述就诊表征向量输入指定分类模型，得到所述慢病人群集中每个慢病患者患并发症的概率，并根据所述每个慢病患者患并发症的概率训练所述指定分类模型，得到并发症预测模型；将所述每个慢病患者的就诊表征向量和所述每个慢病患者患并发症的概率输入第一循环神经网络模型，得到所述每个慢病患者的医保费用结果，并根据所述每个慢病患者的医保费用结果训练所述第一循环神经网络模型得到医保费用预测模型；获取待测试慢病患者的就诊数据，将所述待测试慢病患者的就诊数据输入所述并发症预测模型和医保费用预测模型，得到待测试慢病患者患并发症的风险概率以及医保费用预测结果。
可见，由于不同的并发症之间有一定的关联关系，例如心衰、心梗同属于大血管并发症，出现心衰、心梗其中任意一个都会使得另一个的发生风险也显著增加，所以通过在度量并发症风险时引入并发症之间的关联关系，可以更准确地预测慢病患者患并发症的风险概率，并将慢病患者患并发症的风险概率融入医保费用预测模型中，有助于提高预测慢病患者的医保费用的准确性。
下面结合附图2对本发明实施例提供的融合并发症风险的慢病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融合并发症风险的慢病医保费用预测方法的示意流程图，如图2所示，该方法可以由融合并发症风险的慢病医保费用预测设备执行，所述融合并发症风险的慢病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：获取慢病人群数据集，所述慢病人群数据集包括多个慢病患者的历史就诊数据、历史医保费用结局数据和历史并发症结局数据，所述历史就诊数据包括历史慢病数据和历史并发症数据。
本发明实施例中，融合并发症风险的慢病医保费用预测设备可以获取慢病人群数据集，所述慢病人群数据集包括多个慢病患者的历史就诊数据、历史医保费用结局数据和历史并发症结局数据，所述历史就诊数据包括历史慢病数据和历史并发症数据，其中，所述历史慢病数据是用于指示慢病的诊断数据，所述历史并发症数据是用于指示并发症的诊断数据。
例如，历史慢病数据包括用于指示糖尿病的血糖数据、尿蛋白数据等，历史并发症数据包括用于指示白内障的视力数据、用于指示肾病的检查数据等。
S202：根据所述慢病人群数据集中每个慢病患者的历史就诊数据中的所述历史慢病数据和所述历史并发症数据，确定所述慢病人群数据集中每个慢病患者的不同并发症之间的共现频次。
本发明实施例中，融合并发症风险的慢病医保费用预测设备可以根据所述慢病人群数据集中每个慢病患者的历史就诊数据中的所述历史慢病数据和所述历史并发症数据，确定所述慢病人群数据集中每个慢病患者的不同并发症之间的共现频次。
S203：根据所述每个慢病患者的不同并发症之间的共现频次，确定与所述历史并发症数据的医学知识图谱对应的图网络结构，并确定所述图网络结构中每个节点的表征向量。
本发明实施例中，融合并发症风险的慢病医保费用预测设备可以根据所述每个慢病患者的不同并发症之间的共现频次，确定与所述历史并发症数据的医学知识图谱对应的图网络结构，并确定所述图网络结构中每个节点的表征向量，其中，所述图网络结构由多个节点和边组成，每个节点是一种并发症，每条边是指两个并发症之间相关联。
在一个实施例中，融合并发症风险的慢病医保费用预测设备在确定所述图网络结构中每个节点的就诊表征向量时，可以根据第一编码方式对所述慢病人群数据集中每个慢病患者的历史就诊数据中的所述历史慢病数据和所述历史并发症数据进行编码处理，得到第一编码数据；将所述慢病人群数据集中每个慢病患者的历史就诊数据对应的第一编码数据输入第二循环神经网络模型，得到所述慢病人群数据集中每个慢病患者的历史就诊数据的就诊表征向量，并根据所述每个慢病患者的历史就诊数据的就诊表征向量确定所述图网络结构中每个节点的表征向量。在某些实施例中，所述第一编码方式可以为one-hot编码方式。
在一个实施例中，融合并发症风险的慢病医保费用预测设备在将所述慢病人群数据集中每个慢病患者的历史就诊数据对应的第一编码数据输入第二循环神经网络模型，得到所述慢病人群数据集中每个慢病患者的历史就诊数据的就诊表征向量时，可以将所述慢病人群数据集中每个慢病患者的历史就诊数据对应的第一编码数据输入第二循环神经网络模型，得到所述慢病人群数据集中每个慢病患者的所述历史慢病数据对应的慢病表征向量以及所述历史并发症数据对应的并发症表征向量；并根据所述慢病人群数据集中每个慢病患者的所述慢病表征向量和所述并发症表征向量，确定所述慢病人群数据集中每个慢病患者的就诊表征向量。
S204：将所述慢病人群数据集中每个慢病患者的历史慢病数据以及在图网络结构中每个节点的表征向量输入多层感知机模型，得到所述慢病人群数据集中每个慢病患者患各并发症的概率，并根据所述每个慢病患者患各并发症的概率训练所述多层感知机模型得到并发症预测模型。
本发明实施例中，融合并发症风险的慢病医保费用预测设备可以将所述慢病人群数据集中每个慢病患者的历史慢病数据以及在图网络结构中每个节点的表征向量输入多层感知机模型，得到所述慢病人群数据集中每个慢病患者患各并发症的概率，并根据所述每个慢病患者患各并发症的概率训练所述多层感知机模型得到并发症预测模型。
在一个实施例中，融合并发症风险的慢病医保费用预测设备在根据所述每个慢病患者患并发症的概率训练所述多层感知机模型，得到并发症预测模型时，可以将所述每个慢病患者患并发症的概率与所述每个慢病患者的历史并发症结局数据进行对比；根据对比结果调整所述多层感知机模型的参数，并将所述每个慢病患者的所述就诊表征向量输入调整参数后的多层感知机模型进行训练，得到所述并发症预测模型。
S205：将所述每个慢病患者的历史慢病数据和所述每个慢病患者患各并发症的概率输入第一循环神经网络模型，得到所述每个慢病患者的医保费用结果，并根据所述每个慢病患者的医保费用结果训练所述第一循环神经网络模型得到医保费用预测模型。
本发明实施例中，融合并发症风险的慢病医保费用预测设备可以将所述每个慢病患者的历史慢病数据和所述每个慢病患者患各并发症的概率输入第一循环神经网络模型，得到所述每个慢病患者的医保费用结果，并根据所述每个慢病患者的医保费用结果训练所述第一循环神经网络模型得到医保费用预测模型。
在一个实施例中，融合并发症风险的慢病医保费用预测设备在将所述慢病人群数据集中每个慢病患者的历史慢病数据和所述每个慢病患者患并发症的概率输入第一循环神经网络模型，得到所述每个慢病患者的医保费用结果时，可以将所述慢病人群数据集中每个慢病患者的所述慢病表征向量、所述并发症表征向量和所述每个慢病患者患并发症的概率输入第一循环神经网络模型，得到所述慢病人群数据集中每个慢病患者的历史慢病数据对应的慢病医保费用结果以及所述每个慢病患者患并发症的概率对应的并发症医保费用结果；并根据所述每个慢病患者的所述慢病医保费用结果和所述每个慢病患者患的所述并发症医保费用结果，确定所述每个慢病患者的医保费用结果。
例如，融合并发症风险的慢病医保费用预测设备可以将慢病人群数据集中每个糖尿病患者的历史慢病数据和每个糖尿病患者患并发症的概率输入第一循环神经网络模型，得到每个糖尿病患者的历史慢病数据对应的糖尿病医保费用结果以及每个糖尿病患者患肾衰竭并发症的概率对应的肾衰竭医保费用结果，并根据每个糖尿病患者的糖尿病医保费用结果和肾衰竭医保费用结果，确定每个糖尿病患者的医保费用结果。
在一个实施例中，融合并发症风险的慢病医保费用预测设备在根据所述每个慢病患者的医保费用结果训练所述第一循环神经网络模型得到医保费用预测模型时，可以将所述每个慢病患者的医保费用结果与所述每个慢病患者的历史医保费用结局数据进行对比；根据对比结果调整所述第一循环神经网络模型的参数，并将所述每个慢病患者的所述慢病表征向量、所述并发症表征向量和所述每个慢病患者患并发症的概率输入调整参数后的第一循环神经网络模型进行训练，得到所述医保费用预测模型。
S206：获取待测试慢病患者的就诊数据，将所述待测试慢病患者的就诊数据输入所述并发症预测模型和医保费用预测模型，得到待测试慢病患者患并发症的风险概率以及医保费用预测结果。
本发明实施例中，融合并发症风险的慢病医保费用预测设备可以获取待测试慢病患者的就诊数据，将所述待测试慢病患者的就诊数据输入所述并发症预测模型和医保费用预测模型，得到待测试慢病患者患并发症的风险概率以及医保费用预测结果。
在一个实施例中，融合并发症风险的慢病医保费用预测设备在将所述待测试慢病患者的就诊数据输入所述并发症预测模型和医保费用预测模型，得到待测试慢病患者患并发症的风险概率以及医保费用预测结果时，可以根据所述待测试慢病患者的就诊数据确定所述就诊数据对应的慢病表征向量和并发症表征向量；并将所述待测试慢病患者的慢病表征向量和并发症表征向量输入所述并发症预测模型，得到所述待测试慢病患者患并发症的风险概率；以及将所述待测试慢病患者患并发症的风险概率和所述待测试慢病患者的慢病表征向量和并发症表征向量输入所述医保费用预测模型，得到所述待测试慢病患者的慢病医保费用预测结果和所述待测试慢病患者患并发症的概率对应的并发症医保费用预测结果；以及根据所述待测试慢病患者的慢病医保费用预测结果和所述待测试慢病患者患并发症的概率对应的并发症医保费用预测结果，确定所述待测试慢病患者的医保费用预测结果。
本发明实施例中，融合并发症风险的慢病医保费用预测设备可以获取慢病人群数据集，慢病人群数据集包括多个慢病患者的历史就诊数据、历史医保费用结局数据和历史并发症结局数据，历史就诊数据包括历史慢病数据和历史并发症数据；根据所述慢病人群数据集中每个慢病患者的历史就诊数据中的所述历史慢病数据和所述历史并发症数据，确定所述慢病人群数据集中每个慢病患者的不同并发症之间的共现频次；根据所述每个慢病患者的不同并发症之间的共现频次，确定与所述历史并发症数据的医学知识图谱对应的图网络结构，并确定所述图网络结构中每个节点的表征向量，其中，所述图网络结构由多个节点和边组成，每个节点是一种并发症，每条边是指两个并发症之间相关联；将所述慢病人群数据集中每个慢病患者的历史慢病数据以及在图网络结构中每个节点的表征向量输入多层感知机模型，得到所述慢病人群数据集中每个慢病患者患各并发症的概率，并根据所述每个慢病患者患各并发症的概率训练所述多层感知机模型得到并发症预测模型；将所述每个慢病患者的历史慢病数据和所述每个慢病患者患各并发症的概率输入第一循环神经网络模型，得到所述每个慢病患者的医保费用结果，并根据所述每个慢病患者的医保费用结果训练所述第一循环神经网络模型得到医保费用预测模型；获取待测试慢病患者的就诊数据，将所述待测试慢病患者的就诊数据输入所述并发症预测模型和医保费用预测模型，得到待测试慢病患者患并发症的风险概率以及医保费用预测结果。通过这种方式可以预测慢病患者患并发症的风险概率，并将慢病患者患并发症的风险概率融入医保费用预测模型中，有助于提高预测慢病患者的医保费用的准确性。
本发明实施例还提供了一种融合并发症风险的慢病医保费用预测装置，该融合并发症风险的慢病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融合并发症风险的慢病医保费用预测装置的示意框图。本实施例的融合并发症风险的慢病医保费用预测装置包括：获取单元301、第一确定单元302、第二确定单元303、第一训练单元304、第二训练单元305以及预测单元306。
获取单元301，用于获取慢病人群数据集，所述慢病人群数据集包括多个慢病患者的历史就诊数据、历史医保费用结局数据和历史并发症结局数据，所述历史就诊数据包括历史慢病数据和历史并发症数据，其中，所述历史慢病数据是用于指示慢病的诊断数据，所述历史并发症数据是用于指示并发症的诊断数据；
第一确定单元302，用于根据所述慢病人群数据集中每个慢病患者的历史就诊数据中的所述历史慢病数据和所述历史并发症数据，确定所述慢病人群数据集中每个慢病患者的不同并发症之间的共现频次；
第二确定单元303，用于根据所述每个慢病患者的不同并发症之间的共现频次，确定与所述历史并发症数据的医学知识图谱对应的图网络结构，并确定所述图网络结构中每个节点的表征向量，其中，所述图网络结构由多个节点和边组成，每个节点是一种并发症，每条边是指两个并发症之间相关联；
第一训练单元304，用于将所述慢病人群数据集中每个慢病患者的历史慢病数据以及在图网络结构中每个节点的表征向量输入多层感知机模型，得到所述慢病人群数据集中每个慢病患者患各并发症的概率，并根据所述每个慢病患者患各并发症的概率训练所述多层感知机模型得到并发症预测模型；
第二训练单元305，用于将所述每个慢病患者的历史慢病数据和所述每个慢病患者患各并发症的概率输入第一循环神经网络模型，得到所述每个慢病患者的医保费用结果，并根据所述每个慢病患者的医保费用结果训练所述第一循环神经网络模型得到医保费用预测模型；
预测单元306，用于获取待测试慢病患者的就诊数据，将所述待测试慢病患者的就诊数据输入所述并发症预测模型和医保费用预测模型，得到待测试慢病患者患并发症的风险概率以及医保费用预测结果。
进一步地，所述第二确定单元303确定所述图网络结构中每个节点的就诊表征向量时，具体用于：
根据第一编码方式对所述慢病人群数据集中每个慢病患者的历史就诊数据中的所述历史慢病数据和所述历史并发症数据进行编码处理，得到第一编码数据；
将所述慢病人群数据集中每个慢病患者的历史就诊数据对应的第一编码数据输入第二循环神经网络模型，得到所述慢病人群数据集中每个慢病患者的历史就诊数据的就诊表征向量，并根据所述每个慢病患者的历史就诊数据的就诊表征向量确定所述图网络结构中每个节点的表征向量。
进一步地，所述第二确定单元303将所述慢病人群数据集中每个慢病患者的历史就诊数据对应的第一编码数据输入第二循环神经网络模型，得到所述慢病人群数据集中每个慢病患者的历史就诊数据的就诊表征向量时，具体用于：
将所述慢病人群数据集中每个慢病患者的历史就诊数据对应的第一编码数据输入第二循环神经网络模型，得到所述慢病人群数据集中每个慢病患者的所述历史慢病数据对应的慢病表征向量以及所述历史并发症数据对应的并发症表征向量；
根据所述慢病人群数据集中每个慢病患者的所述慢病表征向量和所述并发症表征向量，确定所述慢病人群数据集中每个慢病患者的就诊表征向量。
进一步地，所述第一训练单元304根据所述每个慢病患者患并发症的概率训练所述多层感知机模型，得到并发症预测模型时，具体用于：
将所述每个慢病患者患并发症的概率与所述每个慢病患者的历史并发症结局数据进行对比；
根据对比结果调整所述多层感知机模型的参数，并将所述每个慢病患者的所述就诊表征向量输入调整参数后的多层感知机模型进行训练，得到所述并发症预测模型。
进一步地，所述第二训练单元305将所述慢病人群数据集中每个慢病患者的历史慢病数据和所述每个慢病患者患并发症的概率输入第一循环神经网络模型，得到所述每个慢病患者的医保费用结果时，具体用于：
将所述慢病人群数据集中每个慢病患者的所述慢病表征向量、所述并发症表征向量和所述每个慢病患者患并发症的概率输入第一循环神经网络模型，得到所述慢病人群数据集中每个慢病患者的历史慢病数据对应的慢病医保费用结果以及所述每个慢病患者患并发症的概率对应的并发症医保费用结果；
根据所述每个慢病患者的所述慢病医保费用结果和所述每个慢病患者患的所述并发症医保费用结果，确定所述每个慢病患者的医保费用结果。
进一步地，所述第二训练单元305根据所述每个慢病患者的医保费用结果训练所述第一循环神经网络模型得到医保费用预测模型时，具体用于：
将所述每个慢病患者的医保费用结果与所述每个慢病患者的历史医保费用结局数据进行对比；
根据对比结果调整所述第一循环神经网络模型的参数，并将所述每个慢病患者的所述慢病表征向量、所述并发症表征向量和所述每个慢病患者患并发症的概率输入调整参数后的第一循环神经网络模型进行训练，得到所述医保费用预测模型。
进一步地，所述预测单元306将所述待测试慢病患者的就诊数据输入所述并发症预测模型和医保费用预测模型，得到待测试慢病患者患并发症的风险概率以及医保费用预测结果时，具体用于：
根据所述待测试慢病患者的就诊数据确定所述就诊数据对应的慢病表征向量和并发症表征向量；
将所述待测试慢病患者的慢病表征向量和并发症表征向量输入所述并发症预测模型，得到所述待测试慢病患者患并发症的风险概率；
将所述待测试慢病患者患并发症的风险概率和所述待测试慢病患者的慢病表征向量和并发症表征向量输入所述医保费用预测模型，得到所述待测试慢病患者的慢病医保费用预测结果和所述待测试慢病患者患并发症的概率对应的并发症医保费用预测结果；
根据所述待测试慢病患者的慢病医保费用预测结果和所述待测试慢病患者患并发症的概率对应的并发症医保费用预测结果，确定所述待测试慢病患者的医保费用预测结果。
本发明实施例中，融合并发症风险的慢病医保费用预测装置可以获取慢病人群数据集，慢病人群数据集包括多个慢病患者的历史就诊数据、历史医保费用结局数据和历史并发症结局数据，历史就诊数据包括历史慢病数据和历史并发症数据；根据所述慢病人群数据集中每个慢病患者的历史就诊数据中的所述历史慢病数据和所述历史并发症数据，确定所述慢病人群数据集中每个慢病患者的不同并发症之间的共现频次；根据所述每个慢病患者的不同并发症之间的共现频次，确定与所述历史并发症数据的医学知识图谱对应的图网络结构，并确定所述图网络结构中每个节点的表征向量，其中，所述图网络结构由多个节点和边组成，每个节点是一种并发症，每条边是指两个并发症之间相关联；将所述慢病人群数据集中每个慢病患者的历史慢病数据以及在图网络结构中每个节点的表征向量输入多层感知机模型，得到所述慢病人群数据集中每个慢病患者患各并发症的概率，并根据所述每个慢病患者患各并发症的概率训练所述多层感知机模型得到并发症预测模型；将所述每个慢病患者的历史慢病数据和所述每个慢病患者患各并发症的概率输入第一循环神经网络模型，得到所述每个慢病患者的医保费用结果，并根据所述每个慢病患者的医保费用结果训练所述第一循环神经网络模型得到医保费用预测模型；获取待测试慢病患者的就诊数据，将所述待测试慢病患者的就诊数据输入所述并发症预测模型和医保费用预测模型，得到待测试慢病患者患并发症的风险概率以及医保费用预测结果。通过这种方式可以预测慢病患者患并发症的风险概率，并将慢病患者患并发症的风险概率融入医保费用预测模型中，有助于提高预测慢病患者的医保费用的准确性。
参见图4，图4是本发明实施例提供的一种融合并发症风险的慢病医保费用预测设备的示意框图。如图所示的本实施例中的设备可以包括：一个或多个处理器401和存储器402。存储器402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402存储的程序。其中，处理器401被配置用于调用所述程序执行：
获取慢病人群数据集，所述慢病人群数据集包括多个慢病患者的历史就诊数据、历史医保费用结局数据和历史并发症结局数据，所述历史就诊数据包括历史慢病数据和历史并发症数据，其中，所述历史慢病数据是用于指示慢病的诊断数据，所述历史并发症数据是用于指示并发症的诊断数据；
根据所述慢病人群数据集中每个慢病患者的历史就诊数据中的所述历史慢病数据和所述历史并发症数据，确定所述慢病人群数据集中每个慢病患者的不同并发症之间的共现频次；
根据所述每个慢病患者的不同并发症之间的共现频次，确定与所述历史并发症数据的医学知识图谱对应的图网络结构，并确定所述图网络结构中每个节点的表征向量，其中，所述图网络结构由多个节点和边组成，每个节点是一种并发症，每条边是指两个并发症之间相关联；
将所述慢病人群数据集中每个慢病患者的历史慢病数据以及在图网络结构中每个节点的表征向量输入多层感知机模型，得到所述慢病人群数据集中每个慢病患者患各并发症的概率，并根据所述每个慢病患者患各并发症的概率训练所述多层感知机模型得到并发症预测模型；
将所述每个慢病患者的历史慢病数据和所述每个慢病患者患各并发症的概率输入第一循环神经网络模型，得到所述每个慢病患者的医保费用结果，并根据所述每个慢病患者的医保费用结果训练所述第一循环神经网络模型得到医保费用预测模型；
获取待测试慢病患者的就诊数据，将所述待测试慢病患者的就诊数据输入所述并发症预测模型和医保费用预测模型，得到待测试慢病患者患并发症的风险概率以及医保费用预测结果。
进一步地，所述处理器401确定所述图网络结构中每个节点的就诊表征向量时，具体用于：
根据第一编码方式对所述慢病人群数据集中每个慢病患者的历史就诊数据中的所述历史慢病数据和所述历史并发症数据进行编码处理，得到第一编码数据；
将所述慢病人群数据集中每个慢病患者的历史就诊数据对应的第一编码数据输入第二循环神经网络模型，得到所述慢病人群数据集中每个慢病患者的历史就诊数据的就诊表征向量，并根据所述每个慢病患者的历史就诊数据的就诊表征向量确定所述图网络结构中每个节点的表征向量。
进一步地，所述处理器401将所述慢病人群数据集中每个慢病患者的历史就诊数据对应的第一编码数据输入第二循环神经网络模型，得到所述慢病人群数据集中每个慢病患者的历史就诊数据的就诊表征向量时，具体用于：
将所述慢病人群数据集中每个慢病患者的历史就诊数据对应的第一编码数据输入第二循环神经网络模型，得到所述慢病人群数据集中每个慢病患者的所述历史慢病数据对应的慢病表征向量以及所述历史并发症数据对应的并发症表征向量；
根据所述慢病人群数据集中每个慢病患者的所述慢病表征向量和所述并发症表征向量，确定所述慢病人群数据集中每个慢病患者的就诊表征向量。
进一步地，所述处理器401根据所述每个慢病患者患并发症的概率训练所述多层感知机模型，得到并发症预测模型时，具体用于：
将所述每个慢病患者患并发症的概率与所述每个慢病患者的历史并发症结局数据进行对比；
根据对比结果调整所述多层感知机模型的参数，并将所述每个慢病患者的所述就诊表征向量输入调整参数后的多层感知机模型进行训练，得到所述并发症预测模型。
进一步地，所述处理器401将所述慢病人群数据集中每个慢病患者的历史慢病数据和所述每个慢病患者患并发症的概率输入第一循环神经网络模型，得到所述每个慢病患者的医保费用结果时，具体用于：
将所述慢病人群数据集中每个慢病患者的所述慢病表征向量、所述并发症表征向量和所述每个慢病患者患并发症的概率输入第一循环神经网络模型，得到所述慢病人群数据集中每个慢病患者的历史慢病数据对应的慢病医保费用结果以及所述每个慢病患者患并发症的概率对应的并发症医保费用结果；
根据所述每个慢病患者的所述慢病医保费用结果和所述每个慢病患者患的所述并发症医保费用结果，确定所述每个慢病患者的医保费用结果。
进一步地，所述处理器401根据所述每个慢病患者的医保费用结果训练所述第一循环神经网络模型得到医保费用预测模型时，具体用于：
将所述每个慢病患者的医保费用结果与所述每个慢病患者的历史医保费用结局数据进行对比；
根据对比结果调整所述第一循环神经网络模型的参数，并将所述每个慢病患者的所述慢病表征向量、所述并发症表征向量和所述每个慢病患者患并发症的概率输入调整参数后的第一循环神经网络模型进行训练，得到所述医保费用预测模型。
进一步地，所述处理器401将所述待测试慢病患者的就诊数据输入所述并发症预测模型和医保费用预测模型，得到待测试慢病患者患并发症的风险概率以及医保费用预测结果时，具体用于：
根据所述待测试慢病患者的就诊数据确定所述就诊数据对应的慢病表征向量和并发症表征向量；
将所述待测试慢病患者的慢病表征向量和并发症表征向量输入所述并发症预测模型，得到所述待测试慢病患者患并发症的风险概率；
将所述待测试慢病患者患并发症的风险概率和所述待测试慢病患者的慢病表征向量和并发症表征向量输入所述医保费用预测模型，得到所述待测试慢病患者的慢病医保费用预测结果和所述待测试慢病患者患并发症的概率对应的并发症医保费用预测结果；
根据所述待测试慢病患者的慢病医保费用预测结果和所述待测试慢病患者患并发症的概率对应的并发症医保费用预测结果，确定所述待测试慢病患者的医保费用预测结果。
本发明实施例中，融合并发症风险的慢病医保费用预测设备可以获取慢病人群数据集，慢病人群数据集包括多个慢病患者的历史就诊数据、历史医保费用结局数据和历史并发症结局数据，历史就诊数据包括历史慢病数据和历史并发症数据；根据所述慢病人群数据集中每个慢病患者的历史就诊数据中的所述历史慢病数据和所述历史并发症数据，确定所述慢病人群数据集中每个慢病患者的不同并发症之间的共现频次；根据所述每个慢病患者的不同并发症之间的共现频次，确定与所述历史并发症数据的医学知识图谱对应的图网络结构，并确定所述图网络结构中每个节点的表征向量，其中，所述图网络结构由多个节点和边组成，每个节点是一种并发症，每条边是指两个并发症之间相关联；将所述慢病人群数据集中每个慢病患者的历史慢病数据以及在图网络结构中每个节点的表征向量输入多层感知机模型，得到所述慢病人群数据集中每个慢病患者患各并发症的概率，并根据所述每个慢病患者患各并发症的概率训练所述多层感知机模型得到并发症预测模型；将所述每个慢病患者的历史慢病数据和所述每个慢病患者患各并发症的概率输入第一循环神经网络模型，得到所述每个慢病患者的医保费用结果，并根据所述每个慢病患者的医保费用结果训练所述第一循环神经网络模型得到医保费用预测模型；获取待测试慢病患者的就诊数据，将所述待测试慢病患者的就诊数据输入所述并发症预测模型和医保费用预测模型，得到待测试慢病患者患并发症的风险概率以及医保费用预测结果。通过这种方式可以预测慢病患者患并发症的风险概率，并将慢病患者患并发症的风险概率融入医保费用预测模型中，有助于提高预测慢病患者的医保费用的准确性。
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。
该存储器402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402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402还可以存储设备类型的信息。
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图2所对应实施例中描述的融合并发症风险的慢病医保费用预测方法，也可实现本发明图3所对应实施例的融合并发症风险的慢病医保费用预测装置，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融合并发症风险的慢病医保费用预测设备的内部存储单元，例如融合并发症风险的慢病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融合并发症风险的慢病医保费用预测设备的外部存储设备，例如所述融合并发症风险的慢病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（Flash Card）等。进一步地，所述计算机可读存储介质还可以既包括所述融合并发症风险的慢病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融合并发症风险的慢病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)
1.一种融合并发症风险的慢病医保费用预测设备，其特征在于，所述设备包括：存储器和处理器；
所述存储器，用于存储程序指令；
所述处理器，用于调用所述程序指令，当所述程序指令被执行时，用于执行以下操作：
获取慢病人群数据集，所述慢病人群数据集包括多个慢病患者的历史就诊数据、历史医保费用结局数据和历史并发症结局数据，所述历史就诊数据包括历史慢病数据和历史并发症数据，其中，所述历史慢病数据是用于指示慢病的诊断数据，所述历史并发症数据是用于指示并发症的诊断数据；
根据所述慢病人群数据集中每个慢病患者的历史就诊数据中的所述历史慢病数据和所述历史并发症数据，确定所述慢病人群数据集中每个慢病患者的不同并发症之间的共现频次；
根据所述每个慢病患者的不同并发症之间的共现频次，确定与所述历史并发症数据的医学知识图谱对应的图网络结构，并确定所述图网络结构中每个节点的表征向量，其中，所述图网络结构由多个节点和边组成，每个节点是一种并发症，每条边是指两个并发症之间相关联；
将所述慢病人群数据集中每个慢病患者的历史慢病数据以及在图网络结构中每个节点的表征向量输入多层感知机模型，得到所述慢病人群数据集中每个慢病患者患各并发症的概率，并根据所述每个慢病患者患各并发症的概率训练所述多层感知机模型得到并发症预测模型；
将所述每个慢病患者的历史慢病数据和所述每个慢病患者患各并发症的概率输入第一循环神经网络模型，得到所述每个慢病患者的医保费用结果，并根据所述每个慢病患者的医保费用结果训练所述第一循环神经网络模型得到医保费用预测模型；
获取待测试慢病患者的就诊数据，将所述待测试慢病患者的就诊数据输入所述并发症预测模型和医保费用预测模型，得到待测试慢病患者患并发症的风险概率以及医保费用预测结果。
2.根据权利要求1所述的设备，其特征在于，所述处理器确定所述图网络结构中每个节点的就诊表征向量时，具体用于：
根据第一编码方式对所述慢病人群数据集中每个慢病患者的历史就诊数据中的所述历史慢病数据和所述历史并发症数据进行编码处理，得到第一编码数据；
将所述慢病人群数据集中每个慢病患者的历史就诊数据对应的第一编码数据输入第二循环神经网络模型，得到所述慢病人群数据集中每个慢病患者的历史就诊数据的就诊表征向量，并根据所述每个慢病患者的历史就诊数据的就诊表征向量确定所述图网络结构中每个节点的表征向量。
3.根据权利要求2所述的设备，其特征在于，所述处理器将所述慢病人群数据集中每个慢病患者的历史就诊数据对应的第一编码数据输入第二循环神经网络模型，得到所述慢病人群数据集中每个慢病患者的历史就诊数据的就诊表征向量时，具体用于：
将所述慢病人群数据集中每个慢病患者的历史就诊数据对应的第一编码数据输入第二循环神经网络模型，得到所述慢病人群数据集中每个慢病患者的所述历史慢病数据对应的慢病表征向量以及所述历史并发症数据对应的并发症表征向量；
根据所述慢病人群数据集中每个慢病患者的所述慢病表征向量和所述并发症表征向量，确定所述慢病人群数据集中每个慢病患者的就诊表征向量。
4.根据权利要求3所述的设备，其特征在于，所述处理器根据所述每个慢病患者患并发症的概率训练所述多层感知机模型，得到并发症预测模型时，具体用于：
将所述每个慢病患者患并发症的概率与所述每个慢病患者的历史并发症结局数据进行对比；
根据对比结果调整所述多层感知机模型的参数，并将所述每个慢病患者的所述就诊表征向量输入调整参数后的多层感知机模型进行训练，得到所述并发症预测模型。
5.根据权利要求3所述的设备，其特征在于，所述处理器将所述慢病人群数据集中每个慢病患者的历史慢病数据和所述每个慢病患者患并发症的概率输入第一循环神经网络模型，得到所述每个慢病患者的医保费用结果时，具体用于：
将所述慢病人群数据集中每个慢病患者的所述慢病表征向量、所述并发症表征向量和所述每个慢病患者患并发症的概率输入第一循环神经网络模型，得到所述慢病人群数据集中每个慢病患者的历史慢病数据对应的慢病医保费用结果以及所述每个慢病患者患并发症的概率对应的并发症医保费用结果；
根据所述每个慢病患者的所述慢病医保费用结果和所述每个慢病患者患的所述并发症医保费用结果，确定所述每个慢病患者的医保费用结果。
6.根据权利要求5所述的设备，其特征在于，所述处理器根据所述每个慢病患者的医保费用结果训练所述第一循环神经网络模型得到医保费用预测模型时，具体用于：
将所述每个慢病患者的医保费用结果与所述每个慢病患者的历史医保费用结局数据进行对比；
根据对比结果调整所述第一循环神经网络模型的参数，并将所述每个慢病患者的所述慢病表征向量、所述并发症表征向量和所述每个慢病患者患并发症的概率输入调整参数后的第一循环神经网络模型进行训练，得到所述医保费用预测模型。
7.根据权利要求1所述的设备，其特征在于，所述处理器将所述待测试慢病患者的就诊数据输入所述并发症预测模型和医保费用预测模型，得到待测试慢病患者患并发症的风险概率以及医保费用预测结果时，具体用于：
根据所述待测试慢病患者的就诊数据确定所述就诊数据对应的慢病表征向量和并发症表征向量；
将所述待测试慢病患者的慢病表征向量和并发症表征向量输入所述并发症预测模型，得到所述待测试慢病患者患并发症的风险概率；
将所述待测试慢病患者患并发症的风险概率和所述待测试慢病患者的慢病表征向量和并发症表征向量输入所述医保费用预测模型，得到所述待测试慢病患者的慢病医保费用预测结果和所述待测试慢病患者患并发症的概率对应的并发症医保费用预测结果；
根据所述待测试慢病患者的慢病医保费用预测结果和所述待测试慢病患者患并发症的概率对应的并发症医保费用预测结果，确定所述待测试慢病患者的医保费用预测结果。
8.一种融合并发症风险的慢病医保费用预测方法，其特征在于，包括：
获取慢病人群数据集，所述慢病人群数据集包括多个慢病患者的历史就诊数据、历史医保费用结局数据和历史并发症结局数据，所述历史就诊数据包括历史慢病数据和历史并发症数据，其中，所述历史慢病数据是用于指示慢病的诊断数据，所述历史并发症数据是用于指示并发症的诊断数据；
根据所述慢病人群数据集中每个慢病患者的历史就诊数据中的所述历史慢病数据和所述历史并发症数据，确定所述慢病人群数据集中每个慢病患者的不同并发症之间的共现频次；
根据所述每个慢病患者的不同并发症之间的共现频次，确定与所述历史并发症数据的医学知识图谱对应的图网络结构，并确定所述图网络结构中每个节点的表征向量，其中，所述图网络结构由多个节点和边组成，每个节点是一种并发症，每条边是指两个并发症之间相关联；
将所述慢病人群数据集中每个慢病患者的历史慢病数据以及在图网络结构中每个节点的表征向量输入多层感知机模型，得到所述慢病人群数据集中每个慢病患者患各并发症的概率，并根据所述每个慢病患者患各并发症的概率训练所述多层感知机模型得到并发症预测模型；
将所述每个慢病患者的历史慢病数据和所述每个慢病患者患各并发症的概率输入第一循环神经网络模型，得到所述每个慢病患者的医保费用结果，并根据所述每个慢病患者的医保费用结果训练所述第一循环神经网络模型得到医保费用预测模型；
获取待测试慢病患者的就诊数据，将所述待测试慢病患者的就诊数据输入所述并发症预测模型和医保费用预测模型，得到待测试慢病患者患并发症的风险概率以及医保费用预测结果。
9.一种融合并发症风险的慢病医保费用预测装置，其特征在于，包括：
获取单元，用于获取慢病人群数据集，所述慢病人群数据集包括多个慢病患者的历史就诊数据、历史医保费用结局数据和历史并发症结局数据，所述历史就诊数据包括历史慢病数据和历史并发症数据，其中，所述历史慢病数据是用于指示慢病的诊断数据，所述历史并发症数据是用于指示并发症的诊断数据；
第一确定单元，用于根据所述慢病人群数据集中每个慢病患者的历史就诊数据中的所述历史慢病数据和所述历史并发症数据，确定所述慢病人群数据集中每个慢病患者的不同并发症之间的共现频次；
第二确定单元，用于根据所述每个慢病患者的不同并发症之间的共现频次，确定与所述历史并发症数据的医学知识图谱对应的图网络结构，并确定所述图网络结构中每个节点的表征向量，其中，所述图网络结构由多个节点和边组成，每个节点是一种并发症，每条边是指两个并发症之间相关联；
第一训练单元，用于将所述慢病人群数据集中每个慢病患者的历史慢病数据以及在图网络结构中每个节点的表征向量输入多层感知机模型，得到所述慢病人群数据集中每个慢病患者患各并发症的概率，并根据所述每个慢病患者患各并发症的概率训练所述多层感知机模型得到并发症预测模型；
第二训练单元，用于将所述每个慢病患者的历史慢病数据和所述每个慢病患者患各并发症的概率输入第一循环神经网络模型，得到所述每个慢病患者的医保费用结果，并根据所述每个慢病患者的医保费用结果训练所述第一循环神经网络模型得到医保费用预测模型；
预测单元，用于获取待测试慢病患者的就诊数据，将所述待测试慢病患者的就诊数据输入所述并发症预测模型和医保费用预测模型，得到待测试慢病患者患并发症的风险概率以及医保费用预测结果。
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8所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011206105.4A CN112037918B (zh) | 2020-11-02 | 2020-11-02 | 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 |
| PCT/CN2021/083523 WO2021203997A1 (zh) | 2020-11-02 | 2021-03-29 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011206105.4A CN112037918B (zh) | 2020-11-02 | 2020-11-02 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112037918A true CN112037918A (zh) | 2020-12-04 |
| CN112037918B CN112037918B (zh) | 2021-02-12 |
Family
ID=73573576
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011206105.4A Active CN112037918B (zh) | 2020-11-02 | 2020-11-02 | 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 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112037918B (zh) |
| WO (1) | WO2021203997A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021203997A1 (zh) * | 2020-11-02 | 2021-10-14 | 平安科技（深圳）有限公司 | 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 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106407686A (zh) * | 2016-09-23 | 2017-02-15 | 电子科技大学 | 一种评估慢性病费用的建模方法 |
| CN109378074A (zh) * | 2018-10-31 | 2019-02-22 | 平安医疗健康管理股份有限公司 | 基于人工智能的慢性病管理方法及相关装置 |
| JP6482803B2 (ja) * | 2014-09-19 | 2019-03-13 | キヤノンメディカルシステムズ株式会社 | シェーマ表示装置 |
| CN109616216A (zh) * | 2018-11-30 | 2019-04-12 | 平安医疗健康管理股份有限公司 | 医疗费用预测方法、装置、设备及计算机可读存储介质 |
| CN110507296A (zh) * | 2019-08-12 | 2019-11-29 | 重庆大学 | 一种基于lstm网络的急性低血压混合预警方法 |
| CN111297329A (zh) * | 2020-02-24 | 2020-06-19 | 苏州大学 | 预测糖尿病患者心血管并发症动态发病风险的方法及系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104951894B (zh) * | 2015-06-25 | 2018-07-03 | 成都厚立信息技术有限公司 | 医院疾病管理智能分析和评估系统 |
| CN107358047A (zh) * | 2017-07-13 | 2017-11-17 | 刘峰 | 糖尿病患者评估及管理系统 |
| CN108511070A (zh) * | 2018-04-18 | 2018-09-07 | 郑州大学第附属医院 | 一种糖尿病患者评估及管理系统 |
| CN111275558B (zh) * | 2020-01-13 | 2024-02-27 | 上海维跃信息科技有限公司 | 用于确定保险数据的方法和装置 |
| CN112037918B (zh) * | 2020-11-02 | 2021-02-12 | 平安科技（深圳）有限公司 | 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 |
-
2020
- 2020-11-02 CN CN202011206105.4A patent/CN112037918B/zh active Active
-
2021
- 2021-03-29 WO PCT/CN2021/083523 patent/WO2021203997A1/zh active Application Filing
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6482803B2 (ja) * | 2014-09-19 | 2019-03-13 | キヤノンメディカルシステムズ株式会社 | シェーマ表示装置 |
| CN106407686A (zh) * | 2016-09-23 | 2017-02-15 | 电子科技大学 | 一种评估慢性病费用的建模方法 |
| CN109378074A (zh) * | 2018-10-31 | 2019-02-22 | 平安医疗健康管理股份有限公司 | 基于人工智能的慢性病管理方法及相关装置 |
| CN109616216A (zh) * | 2018-11-30 | 2019-04-12 | 平安医疗健康管理股份有限公司 | 医疗费用预测方法、装置、设备及计算机可读存储介质 |
| CN110507296A (zh) * | 2019-08-12 | 2019-11-29 | 重庆大学 | 一种基于lstm网络的急性低血压混合预警方法 |
| CN111297329A (zh) * | 2020-02-24 | 2020-06-19 | 苏州大学 | 预测糖尿病患者心血管并发症动态发病风险的方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 李丹丹 等: "糖尿病慢病管理系统及数据研究现状及面临问题", 《医学信息》 * |
| 芮晨 等: "基于LIME－BP神经网络的医疗费用预测研究", 《中国卫生统计》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021203997A1 (zh) * | 2020-11-02 | 2021-10-14 | 平安科技（深圳）有限公司 | 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021203997A1 (zh) | 2021-10-14 |
| CN112037918B (zh) | 2021-02-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cheville et al. | How receptive are patients with late stage cancer to rehabilitation services and what are the sources of their resistance? | |
| US20170119297A1 (en) | Method and system for assessing mental state | |
| CN112259180B (zh) | 一种基于异构医学知识图谱的疾病预测方法及相关设备 | |
| KR20170061222A (ko) | 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치 | |
| CN111985584B (zh) | 基于多模态数据的疾病辅助检测设备、方法、装置及介质 | |
| 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 | |
| CN112017785B (zh) | 一种疾病风险预测系统、方法、装置、设备及介质 | |
| CN112951362A (zh) | 药物推荐方法、装置、设备及存储介质 | |
| CN110010214A (zh) | 一种分级转诊装置、系统和计算机可读存储介质 | |
| 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 | |
| CN109377388A (zh) | 医保投保方法、装置、计算机设备和存储介质 | |
| CN113096756B (zh) | 病情演变分类方法、装置、电子设备和存储介质 | |
| CN112017784B (zh) | 一种基于多模态数据的冠心病风险预测方法及相关设备 | |
| CN112017776B (zh) | 基于动态图和医学知识图谱的疾病预测方法及相关设备 | |
| Pérez del Barrio et al. | A deep learning model for prognosis prediction after intracranial hemorrhage | |
| CN112435745B (zh) | 就诊策略推荐方法、装置、电子设备及存储介质 | |
| CN112053775A (zh) | 一种基于远程协助的移动式查体方法及装置 | |
| CN111933302A (zh) | 药物推荐方法、装置、计算机设备及存储介质 | |
| CN113066531B (zh) | 风险预测方法、装置、计算机设备及存储介质 | |
| CN112016979B (zh) | 用户分群方法、装置、设备和计算机可读存储介质 | |
| US20200349652A1 (en) | System to simulate outcomes of a new contract with a financier of care | |
| JP7420753B2 (ja) | 臨床アセスメントへのコンテキストデータの組み込み | |
| KR20210084214A (ko) | 시계열 검진 데이터를 이용한 딥러닝 기반 전립선암 재발예측 시스템 | |
| US11621081B1 (en) | System for predicting patient health conditions | |
| WO2021247557A1 (en) | Artificial intelligence and/or machine learning based systems, devices, and methods for designing patient prescriptions |
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 |