CN112418699A - 资源分配方法、装置、设备及存储介质 - Google Patents
资源分配方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112418699A CN112418699A CN202011377847.3A CN202011377847A CN112418699A CN 112418699 A CN112418699 A CN 112418699A CN 202011377847 A CN202011377847 A CN 202011377847A CN 112418699 A CN112418699 A CN 112418699A
- Authority
- CN
- China
- Prior art keywords
- medical institution
- prediction
- medical
- visit
- parameters
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种资源分配方法、装置、设备及存储介质,属于人工智能和数据处理技术领域。所述方法包括:获取与医疗机构的就诊人次预测相关的输入参数;基于输入参数和目标相关性,确定k组随机参数,k为正整数;基于输入参数和k组随机参数,进行k轮就诊人次预测处理,得到医疗机构k组初始的就诊人次预测结果;基于k组初始的就诊人次预测结果,确定医疗机构最终的就诊人次预测结果;基于医疗机构最终的就诊人次预测结果,确定针对医疗机构的资源分配建议信息。本申请实施例使得医疗机构的资源分配更合理,实现资源的最大化利用效率。
Description
技术领域
本申请实施例涉及人工智能和数据处理技术领域,特别涉及一种资源分配方法、装置、设备及存储介质。
背景技术
医疗保险是为了补偿劳动者因疾病风险造成的经济损失而建立的一项社会保险制度。
在相关技术中,用户可以去不同类型的医疗机构就诊,不同类型的医疗机构的医保报销政策不同。有些用户感染风寒都去一级医疗机构就诊,使得一级医疗机构的患者人数过多,而三级医疗机构的患者人数过少,导致医疗机构的资源分配不合理,无法实现资源的最大化利用效率。
发明内容
本申请实施例提供了一种资源分配方法、装置、设备及存储介质,使得医疗机构的资源分配更合理,实现资源的最大化利用效率。技术方案如下:
一方面,本申请实施例提供一种资源分配方法,所述方法包括:
获取与医疗机构的就诊人次预测相关的输入参数,所述输入参数是指与所述医疗机构的就诊人次预测相关的用户输入的参数;
基于所述输入参数和目标相关性,确定k组随机参数,所述随机参数是指与所述医疗机构的就诊人次预测相关的随机生成的参数,所述目标相关性包括所述随机参数和所述输入参数之间的相关性,所述k为正整数;
基于所述输入参数和所述k组随机参数,进行k轮就诊人次预测处理,得到所述医疗机构k组初始的就诊人次预测结果;
基于所述k组初始的就诊人次预测结果,确定所述医疗机构最终的就诊人次预测结果;
基于所述医疗机构最终的就诊人次预测结果,确定针对所述医疗机构的资源分配建议信息,所述资源分配建议信息用于向所述医疗机构分配资源时提供建议。
另一方面,本申请实施例提供一种资源分配装置,所述装置包括:
参数获取模块,用于获取与医疗机构的就诊人次预测相关的输入参数,所述输入参数是指与所述医疗机构的就诊人次预测相关的用户输入的参数;
参数生成模块,用于基于所述输入参数和目标相关性,确定k组随机参数,所述随机参数是指与所述医疗机构的就诊人次预测相关的随机生成的参数,所述目标相关性包括所述随机参数和所述输入参数之间的相关性,所述k为正整数;
参数处理模块,用于基于所述输入参数和所述k组随机参数,进行k轮就诊人次预测处理,得到所述医疗机构k组初始的就诊人次预测结果;
参数处理模块,还用于基于所述k组初始的就诊人次预测结果,确定所述医疗机构最终的就诊人次预测结果;
信息确定模块,用于基于所述医疗机构最终的就诊人次预测结果,确定针对所述医疗机构的资源分配建议信息,所述资源分配建议信息用于向所述医疗机构分配资源时提供建议。
另一方面,本申请实施例提供一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述方面所述的资源分配方法。
再一方面,本申请实施例提供一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上述方面所述的资源分配方法。
又一方面,本申请实施例提供一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述方面提供的资源分配方法。
本申请实施例提供的技术方案可以带来如下有益效果:
通过基于输入参数和随机参数之间的相关性,确定多组随机参数的值,然后基于输入参数和多组随机参数,确定多组初始的就诊人次预测结果,最后再基于多组初始的就诊人次预测结果,确定最终的就诊人次预测结果,本申请实施例通过结合考虑各参数之间的相关性,并基于该相关性为随机参数赋值,通过随机模拟得到可能结果范围(即,上述多组初始的就诊人次预测结果)的分布情形,而非只是在一个点的估计结果,因此考虑了中长期预测存在的波动性,提高了最终预测得到的就诊人次预测结果的精度,基于医疗机构最终的就诊人次预测结果,确定针对该医疗机构的资源分配建议信息,由于在资源分配时充分考虑了就诊人次,从而使得医疗机构的资源分配更合理,实现资源的最大化利用效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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,下面描述中的附图仅仅是本申请的一些实施例,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是本申请一个实施例提供的实施环境的示意图;
图2是本申请一个实施例提供的资源分配方法的流程图;
图3是本申请另一个实施例提供的资源分配方法的流程图;
图4是本申请一个实施例提供的DFA模型的框架示意图;
图5是本申请一个实施例提供的风险价值的示意图;
图6是本申请另一个实施例提供的资源分配方法的流程图;
图7是本申请一个实施例提供的预测界面的示意图;
图8是本申请一个实施例提供的资源分配装置的框图;
图9是本申请一个实施例提供的计算机设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
首先,对本申请涉及的相关名词进行介绍说明:
医疗保险基金:简称医保基金。医保基金是指国家为保障职工的基本医疗,由医疗保险经办机构按国家有关规定,向单位和个人筹集用于职工基本医疗保险的专项基金。基本医疗保险基金包括社会统筹基金和个人帐户两部分,由用人单位和职工个人按一定比例共同缴纳。医疗保险基金属于我国社会保障五大险种之一,医疗保险基金指通过法律或合同的形式,由参加医疗保险的企事业单位、机关团体或个人在事先确定的比例下,缴纳规定数量的医疗保险费汇集而成的,为被保险人提供基本医疗保障的一种货币资金。参保个人缴纳的基本医疗保险费全部划入个人账户;参保单位缴纳的基本医疗保险费除计入个人账户的部分外,全部作为统筹基金,由医疗保险经办机构统一管理,统一调剂使用,个人账户主要用于支付门诊和购药费用,统筹基金主要用于支付参保人员住院、门诊特定项目及部分慢性病和家庭病床的医疗费用。大病医疗救助基金用于支付参保人员基本医疗保险统筹基金最高支付限额以上的住院医疗费用。
动态财务分析(DFA,Dynamic Financial Analysis):一种整体性的财务建模方法,它通过公司对未来生存环境和运营结果进行模拟,显示公司运营结果如何受外部环境变动和内部战略决策变动的影响。它能够对公司经营和财务状况进行整体性预测,并且能够对公司资产和负债状况的变动实施动态监控,构建有效的财务风险预警系统。
VAR(Valueat Risk,风险价值):在市场正常波动下,某一金融资产或证券组合的最大可能损失。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
随着人工智能技术研究和进步,人工智能技术在多个领域展开研究和应用,例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等,相信随着技术的发展,人工智能技术将在更多的领域得到应用,并发挥越来越重要的价值。
本申请实施例提供的方案涉及人工智能的机器学习等技术,具体通过如下实施例进行说明。
请参考图1,其示出了本申请一个实施例提供的实施环境的示意图。该实施环境可以包括:终端10和服务器20。
在本申请实施例中,终端10是指获取用户输入的与医疗机构的就诊人次预测相关的参数的设备。示例性地,终端10可以是手机、平板电脑、PC(Personal Computer,个人计算机)、智能可穿戴设备等电子设备,本申请实施例对此不作限定。
在本申请实施例中,服务器20是指确定医疗机构最终的就诊人次预测结果的设备。示例性地,服务器20可以是一台服务器,也可以是由多台服务器组成的服务器集群,还可以是云服务器,本申请实施例对此不作限定。
示例性地,终端10和服务器20之间可以进行通信,例如,终端10和服务器20之间可以通过有线网络或者无线网络进行通信。
在可能的实现方式中,终端10获取到与医疗机构的就诊人次预测相关的输入参数后,将其发送给服务器20,服务器20获取到输入参数后,基于目标相关性,确定k组随机参数;然后根据输入参数和k组随机参数进行k轮就诊人次预测处理,得到医疗机构k组初始的就诊人次预测结果;基于k组初始的就诊人次预测结果,确定医疗机构最终的就诊人次预测结果。基于医疗机构最终的就诊人次预测结果,确定针对医疗机构的资源分配建议信息。在可能的实现方式中,服务器确定出针对医疗机构的资源分配建议信息后,将其发送给终端10,以使得终端10在界面上显示该资源分配建议信息。在可能的实现方式中,当服务器20确定出医疗机构最终的就诊人次预测结果后,将上述医疗机构最终的就诊人次预测结果发送给终端10,以使得终端10基于该医疗机构最终的就诊人次预测结果确定针对该医疗机构的资源分配建议信息。
在可能的实现方式中,医疗机构最终的就诊人次预测结果可以由终端10确定。此时,终端10获取与医疗机构的就诊人次预测相关的输入参数;基于目标相关性,确定k组随机参数;根据输入参数和k组随机参数进行k轮就诊人次预测处理,得到医疗机构k组初始的就诊人次预测结果;基于k组初始的就诊人次预测结果,确定医疗机构最终的就诊人次预测结果。示例性地,终端10基于医疗机构最终的就诊人次预测结果,确定针对医疗机构的资源分配建议信息,并在界面上显示该资源分配建议信息。
为了便于介绍说明,本申请实施例将以计算机设备确定针对医疗机构的资源分配建议信息为例对本申请进行介绍说明,计算机设备是指具备计算和处理能力的电子设备,计算机设备包括终端或服务器。
请参考图2,其示出了本申请一个实施例提供的资源分配方法的流程图。该方法可以由计算机设备执行,该方法可以包括如下几个步骤。
步骤201,获取与医疗机构的就诊人次预测相关的输入参数。
在本申请实施例中,输入参数是指与医疗机构的就诊人次预测相关的用户输入的参数。
在一个示例中,用户在终端的预测界面中输入与医疗机构的就诊人次预测相关的输入参数,终端获取到输入参数后,将其发送给服务器,以使得服务器执行下述数据处理流程。
在另一个示例中,用户在终端的预测界面中输入与医疗机构的就诊人次预测相关的输入参数,终端获取到输入参数后,执行下述数据处理流程。
在可能的实现方式中,输入参数的类型可以是默认的,也可以是用户根据需求确认的。输入参数可以包括多个参数,也可以仅包括一个参数,本申请实施例对输入参数包括的参数个数不作限定。
在可能的实现方式中,计算机设备获取与医疗机构的就诊人次预测相关的输入参数的值。
在可能的实现方式中,医疗机构可以是任意级别的医疗机构,例如,本申请实施例中的医疗机构可以是第一类型的医疗机构(一级医疗机构)、第二类型的医疗机构(二级医疗机构)、第三类型的医疗机构(三级医疗机构)等。
步骤202,基于输入参数和目标相关性,确定k组随机参数,k为正整数。
在本申请实施例中,随机参数是指与医疗机构的就诊人次预测相关的随机生成的参数。例如,随机参数可以包括处于第i类年龄范围且在第j类型医疗机构就诊的个人年就诊次数。示例性地,个人年就诊次数服从泊松分布。
在本申请实施例中,目标相关性包括随机参数和输入参数之间的相关性。在可能的实现方式中,目标相关性还包括随机参数和随机参数之间的相关性。
在可能的实现方式中,计算机设备基于输入参数的值和目标相关性,确定k组随机参数的值。
步骤203,基于输入参数和k组随机参数,进行k轮就诊人次预测处理,得到医疗机构k组初始的就诊人次预测结果。
初始的就诊人次预测结果用于指示每一次模拟得到的就诊人次预测结果。就诊人次预测结果是指预测得到的将来在该医疗机构就诊的人次。
每一组随机参数对应一次模拟,基于输入参数和k组随机参数,进行k轮就诊人次预测处理,得到医疗机构k组初始的就诊人次预测结果。
在可能的实现方式中,计算机设备基于输入参数的值和k组随机参数的值,进行k轮就诊人次预测处理,得到医疗机构k组初始的就诊人次预测结果。
步骤204,基于k组初始的就诊人次预测结果,确定医疗机构最终的就诊人次预测结果。
在可能的实现方式中,对k组初始的就诊人次预测结果进行目标运算,得到医疗机构最终的就诊人次预测结果,目标运算包括以下任意一项:取平均值运算、取均方差运算、取方差运算。
步骤205,基于医疗机构最终的就诊人次预测结果,确定针对医疗机构的资源分配建议信息,资源分配建议信息用于向医疗机构分配资源时提供建议。
在本申请实施例中,资源是指用户在医疗机构就诊时所需的物质。在可能的实现方式中,资源分配建议信息包括设备分配建议信息和/或医师分配建议信息,设备分配建议信息用于向医疗机构分配设备时提供建议,医师分配建议信息用于向医疗机构分配医师时提供建议。
本申请实施例可以基于医疗机构最终的就诊人次预测结果,确定针对医疗机构的资源分配建议信息,从而使得医疗机构的资源分配更合理,实现资源的最大化利用效率。
综上所述,本申请实施例提供的技术方案中,通过基于输入参数和随机参数之间的相关性,确定多组随机参数的值,然后基于输入参数和多组随机参数,确定多组初始的就诊人次预测结果,最后再基于多组初始的就诊人次预测结果,确定最终的就诊人次预测结果,本申请实施例通过结合考虑各参数之间的相关性,并基于该相关性为随机参数赋值,通过随机模拟得到可能结果范围(即,上述多组初始的就诊人次预测结果)的分布情形,而非只是在一个点的估计结果,因此考虑了中长期预测存在的波动性,提高了最终预测得到的就诊人次预测结果的精度,基于医疗机构最终的就诊人次预测结果,确定针对该医疗机构的资源分配建议信息,由于在资源分配时充分考虑了就诊人次,从而使得医疗机构的资源分配更合理,实现资源的最大化利用效率。
请参考图3,其示出了本申请另一个实施例提供的资源分配方法的流程图。该方法可以由计算机设备执行,该方法可以包括如下几个步骤。
步骤301,获取与医疗机构的就诊人次预测相关的输入参数。
在本申请实施例中,输入参数是指与医疗机构的就诊人次预测相关的用户输入的参数。
步骤302,基于历史输入参数和历史随机参数,分别确定历史输入参数和历史随机参数的边缘分布函数。
历史输入参数的边缘分布函数又可以称之为历史输入参数的边际分布函数;历史随机参数的边缘分布函数又可以称之为历史随机参数的边际分布函数。
历史输入参数的边缘分布函数是指在对其它历史输入参数的边缘分布和/或历史随机参数的边缘分布函数一无所知的情况下,历史输入参数的概率分布。
历史随机参数的边缘分布函数是指在对其它历史随机参数的边缘分布和/或历史输入参数的边缘分布函数一无所知的情况下,历史随机参数的概率分布。
步骤303,基于历史输入参数和历史随机参数的边缘分布函数,得到目标连接函数,目标连接函数用于指示目标相关性。
在可能的实现方式中,目标连接函数包括Copula函数。Copula函数又称为连接函数,是一类将联合分布函数与它们各自的边缘分布函数连接在一起的函数。
在可能的实现方式中,基于历史输入参数和历史随机参数的边缘分布函数,确定历史输入参数和历史随机参数之间的联合分布;基于历史输入参数和历史随机参数之间的联合分布,确定历史输入参数和历史随机参数对应的目标连接函数。
在可能的实现方式中,基于各个历史随机参数的边缘分布函数,确定历史随机参数之间的联合分布;基于历史随机参数之间的联合分布,确定历史随机参数对应的目标连接函数。
将历史输入参数和历史随机参数映射到状态较好(well-behaved)的分布上,这些状态较好的分布我们可以定义相关性。示例性地,该状态较好的分布服从正态分布。示例性地,将历史输入参数映射到第一正态分布上,将历史随机参数映射到第二正态分布上,这种映射为分位数与分位数之间的一一映射。第一正态分布和第二正态分布的联合分布函数为二元正态分布,基于此可以确定历史随机参数及历史输入参数的联合分布函数以及相关结构。
示例性地,Copula函数用于描述两个参数之间的相关性。此时,需要多个Copula函数指示目标相关性。例如,假设历史输入参数包括参数1和参数2,历史随机参数包括参数3和参数4,则需要Copula函数1用于指示参数1和参数3之间的相关性,Copula函数2用于指示参数1和参数4之间的相关性,Copula函数3用于指示参数2和参数3之间的相关性,Copula函数4用于指示参数2和参数4之间的相关性,Copula函数5用于指示参数3和参数4之间的相关性。
示例性地,Copula函数可以用于描述多个参数之间的相关性。此时,仅可以通过一个Copula函数指示目标相关性。例如,假设历史输入参数包括参数1和参数2,历史随机参数包括参数3和参数4,则仅需要Copula函数6用于指示参数1和参数3之间的相关性、参数1和参数4之间的相关性、参数2和参数3之间的相关性、参数2和参数4之间的相关性和参数3和参数4之间的相关性。
步骤304,基于目标连接函数,确定k组随机参数。
当确定好目标连接函数后,各参数之间的相关性就确定了。当计算机设备获取到输入参数后,计算机设备可以基于目标连接函数和输入参数,随机生成k组随机参数。
步骤305,基于输入参数和k组随机参数,进行k轮就诊人次预测处理,得到医疗机构k组初始的就诊人次预测结果。
在可能的实现方式中,通过机器学习模型对输入参数和k组随机参数进行处理,得到k组初始的就诊人次预测结果,机器学习模型是指用于预测医疗机构的就诊人次的神经网络模型。
示例性地,将输入参数和一组随机参数输入机器学习模型,机器学习模块对该输入参数和随机参数进行处理,得到一组初始的就诊人次预测结果。重复执行上述步骤,直至机器学习模型对k组随机参数都进行了处理,得到k组初始的就诊人次预测结果。
示例性地,将输入参数和k组随机参数同时输入机器学习模型,得到k组初始的就诊人次预测结果。
在可能的实现方式中,输入参数包括总参保人数;随机参数包括处于第i类年龄范围且在第j类型医疗机构就诊的个人年就诊次数,i、j为正整数;计算机设备通过如下方式确定初始的就诊人次预测结果:通过预测模型将总参保人数按照n类年龄范围划分为n类参保人员,n为大于等于i的正整数;基于个人年就诊次数、n类参保人员中各类的人数,确定k组初始的就诊人次预测结果。
在可能的实现方式中,由于用户会去医保定点的医疗机构就诊,因此,本申请实施例可以基于总参保人数确定初始的就诊人次预测结果。由于不同年龄范围的用户对应的资源需求情况不同,为了使得最终确定的资源分配建议信息更准确,所以本申请实施例可以基于年龄范围确定就诊人次预测结果,然后再基于就诊人次预测结果,确定资源分配建议信息。
步骤306,基于k组初始的就诊人次预测结果,确定医疗机构最终的就诊人次预测结果。
步骤307,基于医疗机构最终的就诊人次预测结果,确定医疗机构的资源需求预测信息,资源需求预测信息是指预测得到的医疗机构的资源需求情况。
在可能的实现方式中,资源需求预测信息包括设备需求预测信息和/或医师需求预测信息,设备需求预测信息是指预测得到的医疗机构的设备需求情况,医师需求预测信息是指预测得到的医疗机构的医师需求情况。
在一个示例中,资源需求预测信息包括设备需求预测信息;在另一个示例中,资源需求预测信息包括医师需求预测信息;在又一个示例中,资源需求预测信息包括设备需求预测信息和医师需求预测信息。
步骤307可以包括如下几个子步骤:
第一、确定最终的就诊人次预测结果中处于第i类年龄范围且在第j类型医疗机构就诊的目标就诊人次预测结果,i、j为正整数。
在可能的实现方式中,本申请实施例中的医疗机构指的是第j类型医疗机构,最终的就诊人次预测结果是指第j类型医疗机构的就诊人次预测结果。
由于年龄范围和/或医疗机构类型会影响资源需求情况。因此,本申请实施例从最终的就诊人次预测结果中确定出目标就诊人次预测结果,以确定资源需求预测信息。
第二、基于目标就诊人次预测结果及目标对应关系,确定资源需求预测信息,目标对应关系是指处于第i类年龄范围且在第j类型医疗机构就诊的用户与设备需求情况的对应关系和/或处于第i类年龄范围且在第j类型医疗机构就诊的用户与医师需求情况的对应关系。
在可能的实现方式中,计算机设备中存储有目标对应关系,计算机设备获取到目标就诊人次预测结果后,就可以基于目标就诊人次预测结果及目标对应关系,确定资源需求预测信息。
步骤308,基于医疗机构的资源需求预测信息,确定针对医疗机构的资源分配建议信息。
在可能的实现方式中,当计算机设备确定了设备需求预测信息后,可以基于该设备需求预测信息确定针对医疗机构的设备分配建议信息,设备分配建议信息用于向医疗机构分配设备时提供建议。例如,设备分配建议信息可以为向该医疗机构分配与该设备需求预测信息对应的设备数量。
在可能的实现方式中,当计算机设备确定了医师需求预测信息后,可以基于该医师需求预测信息确定针对医疗机构的医师分配建议信息,医师分配建议信息用于向医疗机构分配医师时提供建议。例如,医师分配建议信息可以为向该医疗机构分配与该医师需求预测信息对应的医师数量。
需要说明的是,本申请实施例仅以资源为设备和医师为例进行介绍说明,在其他可能的实现方式中,资源还可以是其他类型的物质元素,本申请实施例对此不作限定。
在示意性实施例中,当计算机设备基于输入参数和k组随机参数,进行k轮就诊人次预测处理,得到医疗机构k组初始的就诊人次预测结果之后,还可以执行下述流程:
第一、基于k组初始的就诊人次预测结果,确定k组初始的医保基金增加预测结果和k组初始的医保基金消耗预测结果。
在可能的实现方式中,输入参数除了与医疗机构的就诊人次预测相关,还与医保基金的增加和消耗相关。示例性地,输入参数可以包括以下至少一项:总参保人数、在职比、平均工资、人口赡养比、人均年患病次数、门诊次均费用、门诊人次、不同年龄阶段的人数。总参保人数包括以下任意一项:城镇职工总参数人数、城乡居民总参保人数、城镇职工以及城乡居民总参保人数。在职比是指在职参保人数占总参保人数的比例。平均工资用于指示整体工资水平。人口赡养比又可以称作人口抚养比,用于指示总体人口中非劳动年龄人口数与劳动年龄人口数之比,用于说明每100名劳动年龄人口大致要负担多少名非劳动年龄人口。人均年患病次数用于指示每个人平均一年患病的次数。门诊次均费用用于指示每个人就诊一次平均需要花的费用。门诊人次用于指示就诊人数。不同年龄阶段的人数用于指示人口老龄化程度。
在可能的实现方式中,k组初始的医保基金增加预测结果和k组初始的医保基金消耗预测结果可以通过上述机器学习模型确定。通过机器学习模型对输入参数和k组随机参数进行处理,得到k组初始的就诊人次预测结果;然后机器学习模型再对输入参数、随机参数、k组初始的就诊人次预测结果进行处理,得到k组初始的医保基金增加预测结果和k组初始的医保基金消耗预测结果。
在可能的实现方式中,k组初始的医保基金增加预测结果和k组初始的医保基金消耗预测结果可以通过预测模型得到。预测模型基于相关政策建立,由于城镇职工和城乡居民的相关政策不大一致,为了更准确的预测医保基金的增加和消耗,因此将预测模型分为城镇职工与城乡居民两部分,对医保基金的增加和消耗两端进行拆解,为宏观决策提供支持。在可能的实现方式中,预测模型包括以下任意一项:预测城镇职工的医保基金的增加和消耗的模型、预测城乡居民的医保基金的增加和消耗的模型、预测城镇职工和城乡居民的医保基金的增加和消耗的模型,本申请实施例对此不作限定。当预测模型包括预测城镇职工的医保基金的增加和消耗的模型时,输入参数和随机参数与城镇职工的医保基金的增加和消耗预测相关;当预测模型包括预测城乡居民的医保基金的增加和消耗的模型时,输入参数和随机参数与城乡居民的医保基金的增加和消耗预测相关;当预测模型包括预测城镇职工和城乡居民的医保基金的增加和消耗的模型时,输入参数和随机参数与城镇职工的医保基金的增加和消耗预测以及与城乡居民的医保基金的增加和消耗预测相关。在可能的实现方式中,预测模型的构建过程考量了不同参数适应的分布和限制条件,充分模拟相关政策,如起付线、赔付比例、年限额等因素,从每个参保人员每一次的就诊作为最小颗粒向上汇总。
在可能的实现方式中,预测模型采用DFA模型,如图4所示,其示出了DFA模型的框架示意图。DFA模型的构建过程考量了不同参数适应的分布和限制条件,充分模拟相关政策,如起付线、赔付比例、年限额等因素,从每个参保人员每一次的就诊作为最小颗粒向上汇总。DFA模型在每一次模拟时,从医保基金的增加和医保基金的消耗两个方向出发,并分为城镇职工和城乡居民两个独立业务模块。随机场景生成器用于确定模拟次数k,每次模拟代表当前医保运营可能出现的结果,也即,每次模拟代表一次初始的医保基金的增加和消耗预测结果。示例性地,k可以为10000。DFA模型在每次模拟时都会随机生成一组随机参数的值,用于预测初始的医保基金的增加和消耗预测结果。DFA模型的输入包括历史数据和模型参数,历史数据是指历史医保基金的增加和消耗,模型参数包括输入参数和随机参数。战略假设是指医保基金的增加和消耗预测的相关政策的组合,DFA模型输出医保基金的增加和消耗预测结果,用户可以基于医保基金的增加和消耗预测结果分析输出调整战略。
在影响医保基金增加的不同因素之间,影响医保基金消耗的不同因素之间,存在着不同的相关性,特别是尾部相关性。医保基金增加和医保基金消耗之间也存在相依情况,如果尾部相关,则参数之间是非线性相关的。通常情况下认为医保基金增加和医保基金消耗相对独立,但是在极端情况下,大量人口事业和就诊需求可能导致医保基金增加和医保基金消耗成显著负相关,从而加剧基金的击穿风险。因此,本申请实施例在实际应用的时候,在预测模型中引入目标相关性,利用随机参数之间的相关性,和/或,随机参数和输入参数之间的相关性生成相关的随机数,为预测模型的随机参数赋值,本申请实施例考虑了突发性公共卫生事件,提高了最终预测得到的医保基金的增加和消耗结果的精度。
在示意性实施例中,下文实施例将以输入参数包括总参保人数;随机参数包括处于第i类年龄范围且在第j类型医疗机构就诊的个人年就诊次数、处于第i类年龄范围且在第j类型医疗机构就诊的单次就诊费用为例对数据处理流程进行介绍说明,i、j为正整数。在可能的实现方式中,计算机设备通过如下方式确定k组初始的医保基金增加预测结果和k组初始的医保基金消耗预测结果:通过预测模型将总参保人数按照n类年龄范围划分为n类参保人员;基于n类参保人员各自对应的医保缴纳政策,确定实际缴纳医保金额;基于实际缴纳医保金额,确定初始的医保基金增加预测结果;基于k组初始的就诊人次预测结果、单次就诊费用和n类参保人员各自对应的医保报销政策,确定个人年就诊报销额;基于个人年就诊报销额,确定初始的医保基金消耗预测结果。示例性地,个人年就诊次数服从泊松分布。示例性地,单次就诊费用服从伽马分布。
示例性地,处于第i类年龄范围且在第j类型医疗机构就诊的个人年就诊次数包括以下至少一项:处于第i类年龄范围且在第j类型医疗机构住院的个人年住院次数、处于第i类年龄范围且在第j类型医疗机构门诊的个人年门诊次数。
示例性地,处于第i类年龄范围且在第j类型医疗机构就诊的单次就诊费用包括以下至少一项:处于第i类年龄范围且在第j型医疗机构住院的单次住院费用、处于第i类年龄范围且在第j型医疗机构门诊的单次门诊费用。
在一个示例中,总参保人数包括城镇职工总参保人数。此时,预测模型可以基于城镇职工的医保缴纳政策将城镇职工总参保人数按照n类年龄范围划分为n类参保人员。
以城镇职工的相关医保缴纳政策为例,城镇职工参保人员为该市行政区域内的城镇所有用人单位,包括企业、机关、事业单位、社会团体、民办非企业单位(以下简称用人单位)及其职工和退休人员。总参保人数包含在职参保人数与退休参保人数。令B表示总参保人数,假设B服从以0为下限的正态分布。令I表示在职参保人数在总参保人数中的比例,假设I服从贝塔分布,于是在职参保人数BS为:Bs=B×M;退休参保人数BD为:BD=B×(1-M)。
为了得到更精确的参保人数,根据不同的年龄段对总参保人员进行分类。示例性地,通过预测模型将总参保人数按照5类年龄范围划分为5类参保人员。其中,5类年龄范围分别为:35岁以下、35岁到45岁、45岁以上、70岁以下、70岁以上。
假设在总在职参保人数中,在职参保人数在不同年龄段的比例如下表1所示:
表1
年龄段 | 35岁以下 | 35岁到45岁 | 45岁以上 |
比例 | a | b | c |
其中,a表示35岁以下在职参保人在总在职参保人数中的比例,b表示35岁到45岁在职参保人在总在职参保人数中的比例,c表示45岁以上在职参保人在总在职参保人数中的比例,a+b+c=1。
假设在总退休参保人数中,退休参保人数在不同年龄段的比例如下表2所示:
表2
年龄段 | 70岁以下 | 70岁以上 |
比例 | d | e |
其中,d表示70岁以下退休参保人在总退休参保人数中的比例,e表示70岁以上退休参保人在总退休参保人数中的比例,d+e=1。
令i表示参保人类型,有:
将5类参保人数分别记为Bi(i=1,2,3,4,5),有:
以城镇职工的相关医保缴纳政策为例,城镇职工的医疗保费缴纳包括个人缴纳与单位缴纳两部分。令F表示总的城镇职工缴纳医保金额,D表示总的个人缴纳医保金额,E表示总的单位缴纳医保金额,则有:F=D+E。
令C表示总的个人缴纳基数,根据城镇职工的相关医保缴纳政策,个人缴纳金额为个人缴纳基数的2%再加上3元,于是:D=2%×C+3×B×M;
而E为总的单位缴纳基数的10%,其中单位缴纳基数为单位内所有职工的个人缴纳基数之和。通过如下公式可证明总的单位缴纳基数等于总的个人缴纳基数:
故E=10%×C。
城镇职工的相关医保缴纳政策关于个人缴费基数规定为:职工本人上一年月平均工资低于上一年本市职工月平均工资60%的,以上一年本市职工月平均工资的60%为缴费工资基数,缴纳基本医疗保险费;职工本人上一年月平均工资高于上一年本市职工月平均工资300%以上的部分,不作为缴费工资基数,不缴纳基本医疗保险费。当职工累计缴纳基本医疗保险费男满25年、女满20年的,按照国家规定办理了退休手续,按月领取基本养老金或者退休费的人员,享受退休人员的基本医疗保险待遇,可不再缴纳基本医疗保险费。仍然以上述示例进行介绍说明,将在职参保人分为3类,将其个人工资分别记为Ai(i=1,2,3),由上述城镇职工的相关医保缴纳政策可假设Ai服从参数不一定相同但上下限相同的截尾伽马分布。令avginc表示相关社会平均工资,则截尾伽马分布的上限upper为:upper=300%×avginc;截尾伽马分布的下限lower为:lower=60%×avginc。
由于退休人员不进行医保缴费,因此,总的个人缴纳基数C可以通过如下公式确定:C=C1+C2+C3,其中,C1表示第一类在职参保人的个人缴费总基数、C2表示第二类在职参保人的个人缴费总基数、C3表示第三类在职参保人的个人缴费总基数。
在实际应用中,并非所有的在职参保人员都真实地缴纳了保费,故需考虑征缴率的问题。令Ui(i=1,2,3)分别表示3类在职参保人个人缴纳的征缴率,U4表示单位缴纳的征缴率,于是实际总的个人缴纳医保金额为:
在另一个示例中,总参保人数包括城乡居民总参保人数。此时,预测模型可以基于城乡居民的医保缴纳政策将城乡居民总参保人数按照n类年龄范围划分为n类参保人员。
以城乡居民的相关医保缴纳政策为例,城乡居民基本医疗保险的参保人员为无其他基本医疗保障的以下三类人员:1、男年满60周岁和女年满50周岁的本市户籍城乡居民(以下简称城乡老年人);2、男年满16周岁不满60周岁、女年满16周岁不满50周岁的本市户籍城乡居民(以下简称劳动年龄内居民);3、在本市行政区域内的全日制普通高等院校(包括民办高校)、科研院所、普通中小学校、中等职业学校、特殊教育学校、工读学校就读的本市户籍在校学生,以及非在校的16周岁以下的本市户籍人员;在本市行政区域内的全日制普通高等院校(包括民办高校)、科研院所中接受普通高等学历教育的全日制非在职非北京生源的在校学生(以下简称学生儿童)。
示例性地,通过预测模型将总参保人数按照3类年龄范围划分为3类参保人员。其中,3类年龄范围分别为:男年满60周岁和女年满50周岁、男年满16周岁不满60周岁和女年满16周岁不满50周岁、男不满16周岁和女不满16周岁。
令i表示参保人类型,有:
将3类参保人数分别记为Qi(i=1,2,3),假设Qi服从参数不一定相同的但均以0为下限的正态分布。
以城乡居民的相关医保缴纳政策为例,城乡居民的医疗保费缴纳包括个人缴纳与政府补助两部分。令FJ表示总的城乡居民医保筹资,FJ1表示总的个人缴纳医保金额,FJ2表示总的政府补助医保金额,则有:FJ=FJ1+FJ2;
根据城乡居民的相关医保缴纳政策中的医保个人缴纳政策,老年人和学生儿童每人每年缴纳300元,劳动年龄内居民每人每年缴纳520元。因此,总的个人缴纳医保金额FJ1可以通过如下公式确定得到:
FJ1=300×(Q1+Q2)+520×Q3;
根据城乡居民的相关医保政府补助政策,老年人每人每年补助4180元,其中市级财政补助1860元,区级财政补助2320元;学生儿童每人每年补助1610元,其中市级财政补助575元,区级财政补助1035元;劳动年龄内居民每人每年补助2150元,其中市级财政补助845元,区级财政补助1305元。因此,总的政府补助医保金额FJ2可以通过如下公式确定得到:
FJ2=4180×Q1+1610×Q2+2150×Q3;
在实际应用中,并非所有的城乡居民参保人员都真实地缴纳了保费,故需考虑征缴率的问题。令UJi(i=1,2,3)分别表示3类城乡居民参保人个人缴纳的征缴率,于是城乡居民的实际缴纳医保金额可以通过如下公式确定:
在可能的实现方式中,当总参保人数包括城镇职工总参保人数时,将城镇职工的实际缴纳医保金额作为初始的医保基金增加预测结果。
在可能的实现方式中,当总参保人数包括城乡居民总参保人数时,基于城乡居民的实际缴纳医保金额和政府补助医保金额,确定初始的医保基金增加预测结果。例如,将城乡居民的实际缴纳医保金额和政府补助医保金额之和,确定为初始的医保基金增加预测结果。
在可能的实现方式中,当总参保人数包括城镇职工总参保人数和城乡居民总参保人数时,基于城镇职工的实际缴纳医保金额、城乡居民的实际缴纳医保金额和政府补助医保金额,确定初始的医保基金增加预测结果。例如,将城镇职工的实际缴纳医保金额、城乡居民的实际缴纳医保金额和政府补助医保金额之和,确定为初始的医保基金增加预测结果。
在可能的实现方式中,个人年就诊次数包括个人年门诊量次数、个人年住院次数和个人年大病次数;单次就诊费用包括单次门诊费用(也可以称之为个人门诊次均费用)、单次住院费用(也可以称之为个人住院次均报销额)和单次大病费用;个人年就诊报销额包括个人年门诊报销额、个人年住院报销额和个人年大病报销额。示例性地,基于个人年门诊次数、单次门诊费用和n类参保人员各自对应的医保报销政策,确定个人年门诊报销额;基于个人年住院次数、单次住院费用和n类参保人员各自对应的医保报销政策,确定个人年住院报销额;基于个人年大病次数、单次大病费用和n类参保人员各自对应的医保报销政策,确定个人年大病报销额。
在可能的实现方式中,城镇职工的个人年门诊报销额可以通过如下方式确定:
以城镇职工的相关医保报销政策为例,门诊医疗费用属于统筹账户的支付范围。由于门诊医疗费用的相关数据较难取得,按精算角度,预测门诊医疗费用时可从年门诊次数与门诊次均报销额两个变量考虑,预测时借助了一些核心参数变量。
令Gij表示处于第i类年龄范围且在第j类型医疗机构就诊的个人年门诊量次数,假设Gij服从泊松分布,当Gij=0时,此人在一年内没有门诊经历。
令J1表示单次门诊费用,假设J1服从伽马分布。若考虑J1在不同年龄范围和不同医疗结构类型的表现不同,则令J1ij表示处于第i类年龄范围且在第j类型医疗机构门诊就诊的人员的单次门诊费用,且假设J1ij服从参数不一定相同的伽马分布。
城镇职工的相关医保报销政策中包括的城镇职工医保门诊报销政策可如下表3所示:
表3
令J1qpeij、J1bxbij、J1fdij分别表示处于第i类年龄范围且在第j类型医疗机构的门诊就诊的人员的个人年门诊总费用的起付额、报销比例、封顶线,则医保统筹账户对处于第i类年龄范围且在第j类型医疗机构的门诊就诊人员的个人年门诊报销额为:
在可能的实现方式中,城镇职工的个人年住院报销额可以通过如下方式确定:
令Hij表示处于第i类年龄范围且在第j类型医疗机构就诊的个人年住院次数,假设Hij服从泊松分布,当Hij=0时,此人在一年内没有住院经历。
若考虑住院人员是否为首次住院,则令Pij表示处于第i类年龄范围且在第j类型医疗机构就诊的住院人员在该年首次住院的概率,假设Pij服从参数不一定相同的贝塔分布,于是处于第i类年龄范围且在第j类型医疗机构就诊的个人在该年首次住院次数H1ij为:H1ij=I[I(Hij≠0)×Pij>0.5];其中I(*)为示性函数,当条件满足时取值为1,否则为0;处于第i类年龄范围且在第j类型医疗机构就诊的非首次住院量H2ij为:H2ij=Hij-H1ij。
令J2表示单次住院费用,鉴于J2一定非负,假设J2服从伽马分布。
若考虑J2在不同年龄范围和不同医疗机构类型的表现不同,则令J2ij表示处于第i类年龄范围且在第j类型医疗机构住院的人员的单次住院费用,且假设J2ij服从参数不一定相同的伽马分布。
城镇职工的相关医保报销政策中包括的城镇职工医保住院报销政策可如下表4所示:
表4
令J2qpeijk1、J2bxbijk1、J2fdijk1分别表示处于第i类年龄范围且在第j类型医疗机构就诊、以及处于第k类费用区间的首次住院的人员的单次住院费用的起付额、报销比例、封顶线,则医保统筹账户对处于第i类年龄范围且在第j类型医疗机构就诊、以及处于第k类费用区间的首次住院的个人单次住院报销额为:
令J2qpeijk2、J2bxbijk2、J2fdijk2分别表示处于第i类年龄范围且在第j类型医疗机构就诊、以及处于第k类费用区间的非首次住院的人员的单次住院费用的起付额、报销比例、封顶线,则医保统筹账户对处于第i类年龄范围且在第j类型医疗机构就诊、以及处于第k类费用区间的非首次住院的个人单次住院报销额为:
在可能的实现方式中,城镇职工的个人年大病报销额可以通过如下方式确定:
以城镇职工的相关医保报销政策为例,个人自付医疗费用超过起付标准39525元的部分,累加5万元(含)以内的个人自付医疗费用,由城镇职工大额医疗互助资金支付60%;超过5万元(不含)以上的个人自付医疗费用,由城镇职工大额医疗互助资金支付70%,上不封顶。城镇职工大病医疗保障一个年度结算一次。
令dbbz、dbqj、dbbxb1、dbbxb2分别表示大病起付标准、超大病起付标准有一档报销比例的区间、大病一档报销比例、大病二档报销比例,则大额医疗互助资金对处于第i类年龄范围且在第j类型医疗机构的个人年大病报销额DBij为:
在可能的实现方式中,城乡居民的个人年门诊报销额可以通过如下方式确定:
令G2ij表示处于第i类年龄范围且在第j类型医疗机构就诊的个人年门诊量次数,假设G2ij服从泊松分布,当G2ij=0时,表示此人在一年内没有门诊经历。
令M1表示单次门诊费用,假设M1服从伽马分布。若考虑M1在不同年龄范围和不同医疗机构类型的表现不同,则令M1ij表示处于第i类年龄范围且在第j类型医疗机构就诊的人员的单次门诊费用,且假设M1ij服从参数不一定相同的伽马分布。
城乡居民的相关医保报销政策中包括的城乡居民医保门诊报销政策可如下表5所示:
表5
令M1qpeij、M1bxbij、M1fdij分别表示处于第i类年龄范围且在第j类型医疗机构就诊的人员的个人年门诊总费用的起付额、报销比例、封顶线,则医保统筹账户对处于第i类年龄范围且在第j类型医疗机构就诊人员的个人年门诊报销额为:
在可能的实现方式中,城乡居民的个人年住院报销额可以通过如下方式确定:
令H21ij表示处于第i类年龄范围且在第j类型医疗机构就诊的个人年住院次数,假设H21ij服从泊松分布,当H21ij=0时,此人在一年内没有住院经历。
若考虑住院人员是否为首次住院,则令P2ij表示处于第i类年龄范围且在第j类型医疗机构的住院人员在该年首次住院的概率,假设P2ij服从参数不一定相同的贝塔分布,于是处于第i类年龄范围且在第j类型医疗机构就诊的个人在该年首次住院次数H21ij为:H21ij=I[I(H2ij≠0)×P2ij>0.5]。其中I(*)为示性函数,当条件满足时取值为1,否则为0。处于第i类年龄范围且在第j类型医疗机构的非首次住院量H22ij为:H22ij=H2ij-H21ij。
令M2为城乡居民住院次均费用,假设M2服从伽马分布。若考虑M2在不同年龄范围和不同类型医疗机构的表现不同,则M2ij表示处于第i类年龄范围且在第j类型医疗机构住院的人员的单次住院费用,且假设M2ij服从参数不一定相同的伽马分布。
城乡居民的相关医保报销政策中包括的城乡居民医保住院报销政策可如下表6所示:
表6
令M2qpeij1、M2bxbij1、M2fdij1分别表示处于第i类年龄范围且在第j类型医疗机构的首次住院的人员的单次住院费用的起付额、报销比例、封顶线,则医保统筹账户对处于第i类年龄范围且在第j类型医疗机构的首次住院的个人单次住院报销额为:
令M2qpeij2、M2bxbij2、M2fdij2分别表示处于第i类年龄范围且在第j类型医疗机构的非首次住院的人员的单次住院费用的起付额、报销比例、封顶线,则医保统筹账户对处于第i类年龄范围且在第j类型医疗机构的非首次住院的个人单次住院报销额为:
在可能的实现方式中,城乡居民的个人年大病报销额可以通过如下方式确定:
以城乡居民的相关医保报销政策为例,参保居民在基本医疗保险报销后,在基本医疗保险政策范围内个人自付超过上一年度本市城镇居民中20%低收入户人均可支配收入,可获得城乡居民大病医疗保险补助。2019年城乡居民大病保险起付标准为30404元。从报销比例看,起付标准以上(不含)部分累加5万元以内的个人自付医疗费用,大病保险基金支付比例为65%,超过5万元(不含)以上的个人自付医疗费用,大病保险基金支付比例为75%,上不封顶。
令dbbzj、dbqjj、dbbxb1j、dbbxb2j分别表示大病起付标准、超大病起付标准有一档报销比例的区间、大病一档报销比例、大病二档报销比例,则大额医疗互助资金对年龄状态i、医院类型j的个人年大病报销额DBJij为:
在可能的实现方式中,基于个人年就诊报销额、n类参保人员中各类的人数、医疗机构类型数、初始的就诊人次预测结果,确定整体年就诊报销额;基于整体年就诊报销额,确定初始的医保基金消耗预测结果。
在可能的实现方式中,整体年就诊报销额包括整体年门诊报销额、整体年住院报销额、整体年大病报销额。
需要说明的是,上述的介绍说明仅是示例性地,其可以根据相关政策的不同进行调整,本申请实施例对此不作限定。
在可能的实现方式中,当总参保人数包括城镇职工总参保人数时,初始的医保基金消耗预测结果还与城镇职工的个人账户余额相关,个人账户余额可以通过如下方式确定:
城镇职工的相关医保政策为参保人员建立个人账户,个人账户由职工个人缴纳的基本医疗保险费、按照规定划入个人账户的用人单位缴纳的基本医疗保险费、个人账户存储额的利息和依法纳入个人账户的其它资金构成。个人账户内的资金仅用于个人医疗给付,不能用于支付医保基金支出。
单位缴纳的保费划入个人账户比例如下表7所示:
表7
因此,个人账户资金总额L3为:
示例性地,城镇职工的初始的医保基金消耗预测结果基于整体年住院报销额、整体年门诊报销额、整体年大病报销额以及个人账户余额确定。例如,将整体年住院报销额、整体年门诊报销额、整体年大病报销额以及个人账户余额之和确定为城镇职工的初始的医保基金消耗预测结果。
示例性地,城乡居民的初始的医保基金消耗预测结果基于整体年住院报销额、整体年门诊报销额、整体年大病报销额确定。例如,将整体年住院报销额、整体年门诊报销额、整体年大病报销额之和确定为城乡居民的初始的医保基金消耗预测结果。
本申请实施例从总参保人数推算出每年的就诊人次,以及每个就诊者每年的就诊次数和次均医疗费用总额。本申请实施例在预测次均医疗费用的同时考虑了就诊人年龄、医疗机构等级等影响因素;对费用总额进行医保范围的框定并加入政策影响因素,提高了最终预测的医保基金增加和消耗的精度。
第二、基于k组初始的医保基金增加预测结果和k组初始的医保基金消耗预测结果,确定最终的医保基金增加预测结果和最终的医保基金消耗预测结果。
在可能的实现方式中,对k组初始的医保基金增加预测结果进行目标运算,得到最终的医保基金增加预测结果,目标运算包括以下任意一项:取平均值运算、取均方差运算、取方差运算。
在可能的实现方式中,对k组初始的医保基金消耗预测结果进行目标运算,得到最终的医保基金消耗预测结果,目标运算包括以下任意一项:取平均值运算、取均方差运算、取方差运算。
第三、基于最终的医保基金增加预测结果和最终的医保基金消耗预测结果,确定最终的医保基金结余预测结果。
例性地,将最终的医保基金增加预测结果和最终的医保基金消耗预测结果之差,确定为最终的医保基金结余预测结果。在可能的实现方式中,医保基金结余预测结果包括城镇职工医保基金结余预测结果,城乡居民医保基金结余预测结果、城镇职工医保基金结余预测结果和城乡居民医保基金预测结果之和。
第四、确定最终的医保基金结余预测结果在预设置信度下的风险价值,风险价值用于指示亏损程度的阈值。
在可能的实现方式中,计算机设备可以通过如下方式确定风险价值:
1、基于预设置信度,确定最终的医保基金结余预测结果的损失额的初始风险价值,初始风险价值用于指示最终的医保基金结余预测结果的最大可能损失。
预设置信度由用户确定,示例性地,预设置信度可以为95%、97.5%或99%。
在可能的实现方式中,初始风险价值VaRα(X)可以通过如下公式确定:
VaRα(X)=inf{x|Pr(X≤x)≥α};
其中,X表示最终的医保基金结余预测结果的损失额,α表示预设置信度。
2、获取最终的医保基金结余预测结果的损失额的分布密度。
3、基于最终的医保基金结余预测结果的损失额的分布密度、初始风险价值和预设置信度,确定风险价值。
在可能的实现方式中,风险价值TailVaR可以通过如下公式确定:
其中,fx(x)是随机变量X的分布密度。
在本申请实施例中,可以通过采用TVaR(TailVaR,尾部风险价值)来度量医保基金结余预测结果以提高准确性。TailVaR是满足一致性要求的新的风险度量方法,是用期望值来表示的,指超过VaRα(X)损失的期望值,即:TailVaR=E[X|X≥VaRα(X)]。
在可能的实现方式中,计算机设备还可以确定VaR(Value at Risk,风险价值)。VaR按字面解释就是“在险价值”,其含义指:在市场正常波动下,某一金融资产或证券组合的最大可能损失。更为确切的是指,在一定概率水平(预设置信度)下,某一金融资产或证券组合价值在未来特定时期内的最大可能损失。用公式可以定义为:prob[ΔV≥VaR(T,X%)]=1-X%;其中,prob表示资产价值损失小于可能损失上限的概率;ΔV为某一金融资产或证券组合在一定持有期T内的价值损失额;VaR为时间T置信水平X%下的风险价值即可能的损失上限;X%为预设置信度,是指给定的概率即置信水平。在计算VaR中通常使用的置信度是95%、97.5%或99%。如果我们选用的是95%,如图5所示(横轴表示投资组合价值变化范围,纵轴表示变化发生的概率),其示出了本申请一个实施例提供的VaR的示意图。即要在图5的曲线51中找到如向下箭头表示的位置,该位置使得价值变化的95%落在右边而5%落在左边,这个位置上的横轴数值就是VaR的值。通常VaR计算损失概率的时间单位是年。
由于不满足风险度量的次可加性与一致性条件,VaR不是一个合理的风险度量模型,因此该方法在度量经济资本时存在一定问题。Tail VaR充分利用了VaR在业界应用广泛且具备完善的硬件、软件措施,同时充分考虑了损失率在实际分布中可能存在不同分布的情况。因此,采用TailVaR方法构建经济资本度量模型不仅易于理解,而且更符合实际情况,在理论上比VaR更合理。
在可能的实现方式中,可以同时利用VaR和TVaR分析医保基金结余预测结果,结合决策人员的偏好或效用函数,从而得到最终的选择策略。这可以重复进行,直到决策者确信某个策略的优越性。
本申请实施例基于动态整体因素分析的医保基金风险预测,通过基于医保基金增加和消耗进行多次动态模拟,结合推算就诊人次和医疗费用,可以对医保基金风险因素和宏观运行进行动态、随机地分析,同时引入Copula理论可以模拟突发公共卫生事件,并利用风险价值和尾部风险价值分析方法,结合决策人员的偏好或效用函数,从而得出科学客观的宏观决策结果。
本申请实施例提供的技术方案中,通过引入目标连接函数对随机参数进行赋值,由于目标连接函数用于指示随机参数之间的相关性和/或随机参数与输入参数之间的相关性,随机参数和输入参数是与增加预测或消耗预测相关的参数,突发性事件发生时必然对增加和消耗造成影响,而本申请在预测时就预先考虑增加和消耗的相关性,相当于在预测时就考虑了突发性事件的影响,从而使得最终确定的增加和消耗预测结果更为准确。
通过推算就诊人次和医疗费用,可以动态地预测医保基金增加和消耗,而不是简单的基于历史就诊人次和历史医疗费用确定未来就诊人次和未来医疗费用,本申请实施例可以使得最终预测的医保基金增加和消耗更为合理。
需要说明的是,上述实施例中有关输入参数和随机参数的举例仅是示例性地,在其它可能的实现方式中,还可以是其它类型的输入参数和随机参数,本申请实施例对此不作限定。
请参考图6,其示出了本申请另一个实施例提供的资源分配方法的流程图。该方法可以由终端和服务器交互执行,该方法可以包括如下几个步骤:
步骤601,终端获取在预测界面中输入的与医保基金增加和消耗相关的输入参数。
如图7所示,用户在预测界面70中输入输入参数,该预测界面70显示有输入参数“城镇职工的总参保人数”、“在职比”、“平均工资”的输入框。当终端确定用户输入完上述所有的输入参数后,终端向服务器发送预测请求。
步骤602,终端向服务器发送预测请求,预测请求用于请求预测医保基金增加和消耗,预测请求中携带输入参数。
步骤603,服务器基于目标相关性,确定预测模型的k组随机参数的值。
其中,k为正整数,随机参数是指与医保基金增加和消耗预测相关的随机生成的参数;目标相关性包括以下至少一项:随机参数之间的相关性、随机参数和输入参数之间的相关性。
步骤604,服务器通过预测模型对输入参数的值和随机参数的值进行处理,得到k组初始的医保基金增加预测结果和k组初始的医保基金消耗预测结果。
步骤605,服务器基于k组初始的医保基金增加预测结果和k组初始的医保基金消耗预测结果,确定最终的医保基金增加预测结果和最终的医保基金消耗预测结果。
步骤606,服务器向终端发送最终的医保基金增加预测结果和最终的医保基金消耗预测结果。
相应地,终端接收来自于服务器的最终的医保基金增加预测结果和最终的医保基金消耗预测结果。
步骤607,终端在预测界面中显示最终的医保基金增加预测结果和最终的医保基金消耗预测结果。
如图7所示,预测界面70中显示有最终的医保基金增加预测结果71和最终的医保基金消耗预测结果72。
在可能的实现方式中,医保基金增加预测结果可以包括一年或多年的医保基金增加预测结果。
在可能的实现方式中,医保基金消耗预测结果可以包括一年或多年的医保基金消耗预测结果。
在可能的实现方式中,用户还可以在预测界面中修改输入参数的值。终端获取对应于输入参数的重置指令;终端根据重置指令,获取在预测界面中输入的更新后的输入参数。
如图7所示,预测界面70中显示有重置控件73,用户可以触控该重置控件73触发向终端发送重置指令。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
请参考图8,其示出了本申请一个实施例提供的资源分配装置的框图。该装置具有实现上述方法示例的功能,所述功能可以由硬件实现,也可以由硬件执行相应的软件实现。该装置可以是计算机设备,也可以设置在计算机设备中。该装置800可以包括:参数获取模块810、参数生成模块820、参数处理模块830和信息确定模块840。
参数获取模块810,用于获取与医疗机构的就诊人次预测相关的输入参数,所述输入参数是指与所述医疗机构的就诊人次预测相关的用户输入的参数;
参数生成模块820,用于基于所述输入参数和目标相关性,确定k组随机参数,所述随机参数是指与所述医疗机构的就诊人次预测相关的随机生成的参数,所述目标相关性包括所述随机参数和所述输入参数之间的相关性,所述k为正整数;
参数处理模块830,用于基于所述输入参数和所述k组随机参数,进行k轮就诊人次预测处理,得到所述医疗机构k组初始的就诊人次预测结果;
参数处理模块830,还用于基于所述k组初始的就诊人次预测结果,确定所述医疗机构最终的就诊人次预测结果;
信息确定模块840,用于基于所述医疗机构最终的就诊人次预测结果,确定针对所述医疗机构的资源分配建议信息,所述资源分配建议信息用于向所述医疗机构分配资源时提供建议。
综上所述,本申请实施例提供的技术方案中,通过基于输入参数和随机参数之间的相关性,确定多组随机参数的值,然后基于输入参数和多组随机参数,确定多组初始的就诊人次预测结果,最后再基于多组初始的就诊人次预测结果,确定最终的就诊人次预测结果,本申请实施例通过结合考虑各参数之间的相关性,并基于该相关性为随机参数赋值,通过随机模拟得到可能结果范围(即,上述多组初始的就诊人次预测结果)的分布情形,而非只是在一个点的估计结果,因此考虑了中长期预测存在的波动性,提高了最终预测得到的就诊人次预测结果的精度,基于医疗机构最终的就诊人次预测结果,确定针对该医疗机构的资源分配建议信息,由于在资源分配时充分考虑了就诊人次,从而使得医疗机构的资源分配更合理,实现资源的最大化利用效率。
在示意性实施例中,所述参数生成模块820,用于:
基于历史输入参数和历史随机参数,分别确定所述历史输入参数和所述历史随机参数的边缘分布函数;
基于所述历史输入参数和所述历史随机参数的边缘分布函数,得到目标连接函数,所述目标连接函数用于指示所述目标相关性;
基于所述目标连接函数,确定所述k组随机参数。
在示意性实施例中,所述信息确定模块840,用于:
基于所述医疗机构最终的就诊人次预测结果,确定所述医疗机构的资源需求预测信息,所述资源需求预测信息是指预测得到的所述医疗机构的资源需求情况;
基于所述医疗机构的资源需求预测信息,确定针对所述医疗机构的资源分配建议信息。
在示意性实施例中,所述资源需求预测信息包括设备需求预测信息和/或医师需求预测信息,所述设备需求预测信息是指预测得到的所述医疗机构的设备需求情况,所述医师需求预测信息是指预测得到的所述医疗机构的医师需求情况;
所述信息确定模块840,用于:
确定所述最终的就诊人次预测结果中处于第i类年龄范围且在第j类型医疗机构就诊的目标就诊人次预测结果,所述i、j为正整数;
基于所述目标就诊人次预测结果及目标对应关系,确定所述资源需求预测信息,所述目标对应关系是指处于第i类年龄范围且在第j类型医疗机构就诊的用户与设备需求情况的对应关系和/或处于第i类年龄范围且在第j类型医疗机构就诊的用户与医师需求情况的对应关系。
在示意性实施例中,所述参数处理模块830,用于:
通过机器学习模型对所述输入参数和所述k组随机参数进行处理,得到所述k组初始的就诊人次预测结果,所述机器学习模型是指用于预测所述医疗机构的就诊人次的神经网络模型。
在示意性实施例中,所述输入参数包括总参保人数;所述随机参数包括处于第i类年龄范围且在第j类型医疗机构就诊的个人年就诊次数,所述i、j为正整数;
所述参数处理模块830,用于:
通过预测模型将所述总参保人数按照n类年龄范围划分为n类参保人员,所述n为大于等于所述i的正整数;
基于所述个人年就诊次数、所述n类参保人员中各类的人数,确定所述k组初始的就诊人次预测结果。
在示意性实施例中,所述参数处理模块830,还用于:
基于所述k组初始的就诊人次预测结果,确定k组初始的医保基金增加预测结果和k组初始的医保基金消耗预测结果;
基于所述k组初始的医保基金增加预测结果和所述k组初始的医保基金消耗预测结果,确定最终的医保基金增加预测结果和最终的医保基金消耗预测结果。
在示意性实施例中,所述装置,还包括:价值确定模块(图中未示出)。
基于所述最终的医保基金增加预测结果和所述最终的医保基金消耗预测结果,确定最终的医保基金结余预测结果;
确定所述最终的医保基金结余预测结果在预设置信度下的风险价值,所述风险价值用于指示亏损程度的阈值。
在示意性实施例中,所述价值确定模块,用于:
基于所述预设置信度,确定所述最终的医保基金结余预测结果的损失额的初始风险价值,所述初始风险价值用于指示所述最终的医保基金结余预测结果的最大可能损失;
获取所述最终的医保基金结余预测结果的损失额的分布密度;
基于所述最终的医保基金结余预测结果的损失额的分布密度、所述初始风险价值和所述预设置信度,确定所述风险价值。
需要说明的是,上述实施例提供的装置,在实现其功能时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内容结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的装置与方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
请参考图9,其示出了本申请一个实施例提供的计算机设备900的结构示意图。该计算机设备900可用于实施上述实施例中提供的计算机设备侧的资源分配方法。该计算机设备900可以是图1实施例中介绍的终端10或服务器20。具体来讲:
所述计算机设备900包括中央处理单元(Central Processing Unit,CPU)901、包括RAM(Random Access Memory,随机存取存储器)902和ROM(Read-Only Memory,只读存储器)903的系统存储器904,以及连接系统存储器904和中央处理单元901的系统总线905。所述计算机设备900还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(I/O系统,Input/Output系统)906,和用于存储操作系统913、应用程序914和其他程序模块915的大容量存储设备907。
所述基本输入/输出系统906包括有用于显示信息的显示器908和用于用户输入信息的诸如鼠标、键盘之类的输入设备909。其中所述显示器908和输入设备909都通过连接到系统总线905的输入输出控制器910连接到中央处理单元901。所述基本输入/输出系统906还可以包括输入输出控制器910以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地,输入输出控制器910还提供输出到显示屏、打印机或其他类型的输出设备。
所述大容量存储设备907通过连接到系统总线905的大容量存储控制器(未示出)连接到中央处理单元901。所述大容量存储设备907及其相关联的计算机可读介质为计算机设备900提供非易失性存储。也就是说,所述大容量存储设备907可以包括诸如硬盘或者CD-ROM(Compact Disc Read-Only Memory,只读光盘)驱动器之类的计算机可读介质(未示出)。
不失一般性,所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM(Erasable Programmable Read-Only Memory,可擦除可编程只读存储器)、EEPROM(Electrically Erasable Programmable Read-Only Memory,电可擦可编程只读存储器)、闪存(Flash Memory)或其他固态存储设备,CD-ROM、DVD(Digital Versatile Disc,数字通用光盘)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然,本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器904和大容量存储设备907可以统称为存储器。
根据本申请的各种实施例,所述计算机设备900还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即计算机设备900可以通过连接在所述系统总线905上的网络接口单元911连接到网络912,或者说,也可以使用网络接口单元911来连接到其他类型的网络或远程计算机系统(未示出)。
所述存储器还包括一个或者一个以上的程序,所述一个或者一个以上程序存储于存储器中,且经配置以由一个或者一个以上处理器执行。上述一个或者一个以上程序包含用于实现上述计算机设备侧的资源分配方法的指令。
在示意性实施例中,还提供了一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集。所述至少一条指令、至少一段程序、代码集或指令集经配置以由一个或者一个以上处理器执行,以实现上述计算机设备侧的资源分配方法。
在示意性实施例中,还提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或所述指令集在被计算机设备的处理器执行时实现上述资源分配方法。
在示例性实施例中,还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述资源分配方法。
应当理解的是,在本文中提及的“多个”是指两个或两个以上。“和/或”,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/或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。字符“/”一般表示前后关联对象是一种“或”的关系。另外,本文中描述的步骤编号,仅示例性示出了步骤间的一种可能的执行先后顺序,在一些其它实施例中,上述步骤也可以不按照编号顺序来执行,如两个不同编号的步骤同时执行,或者两个不同编号的步骤按照与图示相反的顺序执行,本申请实施例对此不作限定。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请的示例性实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (12)
1.一种资源分配方法,其特征在于,所述方法包括:
获取与医疗机构的就诊人次预测相关的输入参数,所述输入参数是指与所述医疗机构的就诊人次预测相关的用户输入的参数;
基于所述输入参数和目标相关性,确定k组随机参数,所述随机参数是指与所述医疗机构的就诊人次预测相关的随机生成的参数,所述目标相关性包括所述随机参数和所述输入参数之间的相关性,所述k为正整数;
基于所述输入参数和所述k组随机参数,进行k轮就诊人次预测处理,得到所述医疗机构k组初始的就诊人次预测结果;
基于所述k组初始的就诊人次预测结果,确定所述医疗机构最终的就诊人次预测结果;
基于所述医疗机构最终的就诊人次预测结果,确定针对所述医疗机构的资源分配建议信息,所述资源分配建议信息用于向所述医疗机构分配资源时提供建议。
2.根据权利要求1所述的方法,其特征在于,所述基于所述输入参数和目标相关性,确定k组随机参数,包括:
基于历史输入参数和历史随机参数,分别确定所述历史输入参数和所述历史随机参数的边缘分布函数;
基于所述历史输入参数和所述历史随机参数的边缘分布函数,得到目标连接函数,所述目标连接函数用于指示所述目标相关性;
基于所述目标连接函数,确定所述k组随机参数。
3.根据权利要求1所述的方法,其特征在于,所述基于所述医疗机构最终的就诊人次预测结果,确定针对所述医疗机构的资源分配建议信息,包括:
基于所述医疗机构最终的就诊人次预测结果,确定所述医疗机构的资源需求预测信息,所述资源需求预测信息是指预测得到的所述医疗机构的资源需求情况;
基于所述医疗机构的资源需求预测信息,确定针对所述医疗机构的资源分配建议信息。
4.根据权利要求3所述的方法,其特征在于,所述资源需求预测信息包括设备需求预测信息和/或医师需求预测信息,所述设备需求预测信息是指预测得到的所述医疗机构的设备需求情况,所述医师需求预测信息是指预测得到的所述医疗机构的医师需求情况;
所述基于所述医疗机构最终的就诊人次预测结果,确定所述医疗机构的资源需求预测信息,包括:
确定所述最终的就诊人次预测结果中处于第i类年龄范围且在第j类型医疗机构就诊的目标就诊人次预测结果,所述i、j为正整数;
基于所述目标就诊人次预测结果及目标对应关系,确定所述资源需求预测信息,所述目标对应关系是指处于第i类年龄范围且在第j类型医疗机构就诊的用户与设备需求情况的对应关系和/或处于第i类年龄范围且在第j类型医疗机构就诊的用户与医师需求情况的对应关系。
5.根据权利要求1所述的方法,其特征在于,所述基于所述输入参数和所述k组随机参数,进行k轮就诊人次预测处理,得到所述医疗机构k组初始的就诊人次预测结果,包括:
通过机器学习模型对所述输入参数和所述k组随机参数进行处理,得到所述k组初始的就诊人次预测结果,所述机器学习模型是指用于预测所述医疗机构的就诊人次的神经网络模型。
6.根据权利要求1所述的方法,其特征在于,所述输入参数包括总参保人数;所述随机参数包括处于第i类年龄范围且在第j类型医疗机构就诊的个人年就诊次数,所述i、j为正整数;
所述基于所述输入参数和所述k组随机参数,进行k轮就诊人次预测处理,得到所述医疗机构k组初始的就诊人次预测结果,包括:
通过预测模型将所述总参保人数按照n类年龄范围划分为n类参保人员,所述n为大于等于所述i的正整数;
基于所述个人年就诊次数、所述n类参保人员中各类的人数,确定所述k组初始的就诊人次预测结果。
7.根据权利要求1所述的方法,其特征在于,所述基于所述输入参数和所述k组随机参数,进行k轮就诊人次预测处理,得到所述医疗机构k组初始的就诊人次预测结果之后,还包括:
基于所述k组初始的就诊人次预测结果,确定k组初始的医保基金增加预测结果和k组初始的医保基金消耗预测结果;
基于所述k组初始的医保基金增加预测结果和所述k组初始的医保基金消耗预测结果,确定最终的医保基金增加预测结果和最终的医保基金消耗预测结果。
8.根据权利要求7所述的方法,其特征在于,所述基于所述k组初始的医保基金增加预测结果和所述k组初始的医保基金消耗预测结果,确定最终的医保基金增加预测结果和最终的医保基金消耗预测结果,还包括:
基于所述最终的医保基金增加预测结果和所述最终的医保基金消耗预测结果,确定最终的医保基金结余预测结果;
确定所述最终的医保基金结余预测结果在预设置信度下的风险价值,所述风险价值用于指示亏损程度的阈值。
9.根据权利要求8所述的方法,其特征在于,所述确定所述最终的医保基金结余预测结果在预设置信度下的风险价值,包括:
基于所述预设置信度,确定所述最终的医保基金结余预测结果的损失额的初始风险价值,所述初始风险价值用于指示所述最终的医保基金结余预测结果的最大可能损失;
获取所述最终的医保基金结余预测结果的损失额的分布密度;
基于所述最终的医保基金结余预测结果的损失额的分布密度、所述初始风险价值和所述预设置信度,确定所述风险价值。
10.一种资源分配装置,其特征在于,所述装置包括:
参数获取模块,用于获取与医疗机构的就诊人次预测相关的输入参数,所述输入参数是指与所述医疗机构的就诊人次预测相关的用户输入的参数;
参数生成模块,用于基于所述输入参数和目标相关性,确定k组随机参数,所述随机参数是指与所述医疗机构的就诊人次预测相关的随机生成的参数,所述目标相关性包括所述随机参数和所述输入参数之间的相关性,所述k为正整数;
参数处理模块,用于基于所述输入参数和所述k组随机参数,进行k轮就诊人次预测处理,得到所述医疗机构k组初始的就诊人次预测结果;
参数处理模块,还用于基于所述k组初始的就诊人次预测结果,确定所述医疗机构最终的就诊人次预测结果;
信息确定模块,用于基于所述医疗机构最终的就诊人次预测结果,确定针对所述医疗机构的资源分配建议信息,所述资源分配建议信息用于向所述医疗机构分配资源时提供建议。
11.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至9任一项所述的资源分配方法。
12.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至9任一项所述的资源分配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011377847.3A CN112418699A (zh) | 2020-11-30 | 2020-11-30 | 资源分配方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011377847.3A CN112418699A (zh) | 2020-11-30 | 2020-11-30 | 资源分配方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112418699A true CN112418699A (zh) | 2021-02-26 |
Family
ID=74830591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011377847.3A Pending CN112418699A (zh) | 2020-11-30 | 2020-11-30 | 资源分配方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112418699A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113270182A (zh) * | 2021-07-20 | 2021-08-17 | 武汉泰乐奇信息科技有限公司 | 基于长短期记忆网络的共同医疗访问合约生成方法和系统 |
CN113283171A (zh) * | 2021-05-27 | 2021-08-20 | 上海交通大学 | 工业平台资源优化分配装置及方法 |
CN113657652A (zh) * | 2021-07-31 | 2021-11-16 | 腾讯科技(深圳)有限公司 | 流动量的预测方法、装置、设备及可读存储介质 |
-
2020
- 2020-11-30 CN CN202011377847.3A patent/CN112418699A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283171A (zh) * | 2021-05-27 | 2021-08-20 | 上海交通大学 | 工业平台资源优化分配装置及方法 |
CN113270182A (zh) * | 2021-07-20 | 2021-08-17 | 武汉泰乐奇信息科技有限公司 | 基于长短期记忆网络的共同医疗访问合约生成方法和系统 |
CN113657652A (zh) * | 2021-07-31 | 2021-11-16 | 腾讯科技(深圳)有限公司 | 流动量的预测方法、装置、设备及可读存储介质 |
CN113657652B (zh) * | 2021-07-31 | 2023-06-20 | 腾讯科技(深圳)有限公司 | 流动量的预测方法、装置、设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ordu et al. | A novel healthcare resource allocation decision support tool: A forecasting-simulation-optimization approach | |
Valle-Cruz et al. | From E-budgeting to smart budgeting: Exploring the potential of artificial intelligence in government decision-making for resource allocation | |
Ericson et al. | Pricing regulation and imperfect competition on the massachusetts health insurance exchange | |
Colombino | Is unconditional basic income a viable alternative to other social welfare measures? | |
Cichon | Modelling in health care finance: A compendium of quantitative techniques for health care financing | |
CN112418699A (zh) | 资源分配方法、装置、设备及存储介质 | |
Spielauer | Dynamic microsimulation of health care demand, health care finance and the economic impact of health behaviours: survey and review | |
Eid et al. | Sustainable disaster recovery decision-making support tool: Integrating economic vulnerability into the objective functions of the associated stakeholders | |
Plamondon | Actuarial practice in social security | |
Valdmanis et al. | Capacity in Thai public hospitals and the production of care for poor and nonpoor patients | |
Miller et al. | Optimal managed competition subsidies | |
Agarwal | Policy analysis in matching markets | |
Laan et al. | Static and dynamic appointment scheduling to improve patient access time | |
Mozaffari et al. | Ratio-based data envelopment analysis: an interactive approach to identify benchmark | |
Di Mascio | A method to evaluate service delivery process quality | |
Mohebbi et al. | Designing an incentive scheme within a cooperative game for consolidated hospital systems | |
Shirneshan et al. | A two-stage stochastic programming approach for care providers' shift scheduling problems | |
Lasry et al. | S4HARA: System for HIV/AIDS resource allocation | |
Gaynor et al. | Optimal contracting with altruistic agents: A structural model of medicare payments for dialysis drugs | |
Alam et al. | HUMAN CAPITAL QUALITY DEVELOPMENT STRATEGY IN EFFORTS TO IMPROVE ECONOMIC GROWTH IN BOALEMO DISTRICT, GORONTALO PROVINCE. | |
Mark | Access to Care in Equilibrium | |
Senyakoe | The challenges of financing municipalities' water and sanitation infrastructure by a development finance institution | |
Hosseininasab et al. | Provider Network Selection and Patient Targeting in Health Insurance Markets | |
Hassan | A system dynamics modelling for healthcare demand and smartphone-based technology adoption in Malaysian public hospitals | |
Bhattacharjee et al. | NiReMS: A Regional Model at Household Level Combining Spatial Econometrics with Dynamic Microsimulation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40038848 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |