CN112712435A - 服务管理系统、计算机可读存储介质及电子设备 - Google Patents
服务管理系统、计算机可读存储介质及电子设备 Download PDFInfo
- Publication number
- CN112712435A CN112712435A CN202011576806.7A CN202011576806A CN112712435A CN 112712435 A CN112712435 A CN 112712435A CN 202011576806 A CN202011576806 A CN 202011576806A CN 112712435 A CN112712435 A CN 112712435A
- Authority
- CN
- China
- Prior art keywords
- disease
- user
- preset
- target
- insurance
- 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
- 201000010099 disease Diseases 0.000 claims abstract description 302
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 302
- 230000036541 health Effects 0.000 claims abstract description 188
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 238000007726 management method Methods 0.000 claims description 135
- 238000000034 method Methods 0.000 claims description 60
- 230000007704 transition Effects 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 31
- 238000010801 machine learning Methods 0.000 claims description 15
- 239000003814 drug Substances 0.000 claims description 13
- 229940079593 drug Drugs 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 12
- 238000012417 linear regression Methods 0.000 claims description 10
- 238000003066 decision tree Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 claims description 2
- 230000036772 blood pressure Effects 0.000 description 29
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 206010028980 Neoplasm Diseases 0.000 description 4
- 201000011510 cancer Diseases 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 3
- 206010008111 Cerebral haemorrhage Diseases 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 206010008118 cerebral infarction Diseases 0.000 description 2
- 208000026106 cerebrovascular disease Diseases 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 208000031226 Hyperlipidaemia Diseases 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000036765 blood level Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 201000001421 hyperglycemia Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011268 retreatment Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- 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
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Pathology (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
Abstract
本公开涉及计算机技术领域,提供了一种服务管理系统、计算机可读存储介质和电子设备。其中,上述系统包括:核保模块,用于获取用户的当前健康状况信息和历史就诊信息中与目标保险关联的预设疾病的影响因子的值,根据影响因子的值确定用户的核保结果;疾病严重度等级预测模块,用于在用户的核保结果为核保通过且用户在目标保险中的用户状态被配置为被保险人时,响应于客户端发送的用户的目标疾病的特征数据,将目标疾病的特征数据输入到所述目标疾病的严重度等级预测模型中,输出用户患目标疾病的严重度等级;信息推送模块,用于向客户端发送目标疾病的治疗建议信息,以对用户进行健康服务管理。本公开能实现自动化的健康管理、提高工作效率。
Description
技术领域
本公开涉及计算机技术领域,具体而言,涉及一种服务管理系统、计算机可读存储介质和电子设备。
背景技术
区域健康险作为社会医疗保险(即医保)与现有商业健康险的保障缺口,可以面向专属区域的居民提供特定费用的健康险,从而为人们提供更加完善的健康保障。
相关技术中,对区域健康险的服务管理主要依靠居民主动就医,然后根据居民的就医花费结合区域健康险的保险责任给居民进行理赔,缺乏对用户的健康信息的监测。且现有的区域健康险管理中核保、健康服务、理赔等内容是相互独立的,在一定程度上降低了服务人员的工作效率,同时也降低了用户的使用效率。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种服务管理系统、计算机可读存储介质及电子设备,进而至少在一定程度上改善健康服务管理工作效率低下的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的第一方面,提供了一种服务管理系统,包括:
核保模块,用于获取用户的当前健康状况信息和历史就诊信息,提取所述当前健康状况信息和历史就诊信息中与目标保险的保险责任关联的第一预设疾病的影响因子的值,根据所述第一预设疾病的影响因子的值和预先配置的判断规则确定所述用户的核保结果;
疾病严重度等级预测模块,用于在所述用户的核保结果为核保通过且所述用户在所述目标保险中的用户状态被配置为被保险人时,响应于客户端发送的所述用户的目标疾病的特征数据,将所述目标疾病的特征数据输入到所述目标疾病的严重度等级预测模型中,输出所述用户患所述目标疾病的严重度等级;
信息推送模块,用于根据所述用户患所述目标疾病的严重度等级和预先配置的所述目标疾病的各严重度等级对应的治疗建议,向所述客户端发送所述目标疾病的治疗建议信息,以对所述用户进行健康服务管理。
在本公开的一种示例性实施例中,基于前述方案,所述目标疾病包括所述服务管理系统中预设健康管理疾病中的至少一个;
各所述预设健康管理疾病的严重度等级预测模型通过以下方式生成:
获取预设数量的患病用户的个人健康信息和就诊信息;
从所述个人健康信息和就诊信息中提取出预设健康管理疾病的特征值和所述特征值对应的严重度等级,以得到所述预设健康管理疾病的样本特征值和所述样本特征值对应的严重度等级;
根据预设健康管理疾病的样本特征值和所述样本特征值对应的严重度等级对第一预设机器学习模型进行有监督学习训练,以生成所述预设健康管理疾病的严重度等级预测模型。
在本公开的一种示例性实施例中,基于前述方案,所述根据所述第一预设疾病的影响因子的值和预先配置的判断规则确定所述用户的核保结果,包括:
根据预先配置的判断规则确定所述第一预设疾病的影响因子的值对应的风险等级或风险概率;
通过预先配置的所述目标保险的核保问答规则与所述用户进行至少一次问答交互,以获取核保问题的答案信息;
基于所述核保问题的答案信息和所述第一预设疾病的影响因子的值对应的风险等级或风险概率,确定所述用户的核保结果。
在本公开的一种示例性实施例中,基于前述方案,所述目标保险的核保问答规则通过以下方式生成:
获取所述目标保险的保险责任和核保知识库;
根据所述保险责任和核保知识库生成所述目标保险的核保问题;
以所述核保问题为节点,不同答案信息对应的决策项为所述核保问题的叶子节点,通过决策树的方法生成所述目标保险的核保问答规则。
在本公开的一种示例性实施例中,基于前述方案,所述目标保险包括区域健康险,所述服务管理系统还包括:
定价模块,用于将目标区域的年度基础指标数据的预测值和年度医疗花费数据的预测值输入到区域健康险的定价模型中,以确定所述目标区域的区域健康险的价值;
其中,所述区域健康险的定价模型通过以下方式构建:
根据样本区域的年度基础指标数据和年度医疗花费数据,通过岭回归方法构建所述区域健康险的定价模型,所述年度基础指标数据包括年度经济数据、年度人口数据、年度消费者物价指数数据中的至少一种。
在本公开的一种示例性实施例中,基于前述方案,所述定价模块包括:
第一预测单元,用于根据所述年度基础指标数据的预测模型,确定所述目标区域的年度基础指标数据的预测值;
第二预测单元,用于将所述目标区域的第二预设疾病的年度住院率的预测值和不同严重度之间的转移概率的预测值输入到年度医疗花费数据预测模型中,以确定所述目标区域的年度医疗花费数据的预测值;
其中,所述第二预设疾病包括所述样本区域中年度住院率大于预设阈值的疾病。
在本公开的一种示例性实施例中,基于前述方案,各所述年度基础指标数据的预测模型通过以下方式生成:
获取样本区域的历史年度基础指标数据;
根据所述历史年度基础指标数据,通过线性回归方法生成所述年度基础指标数据的预测模型;
所述年度医疗花费数据预测模型通过以下方式生成:
获取样本区域的第二预设疾病的历史年度住院率、历史年度不同严重度之间的转移概率和历史年度医保报销总费用数据,以生成训练样本;
根据所述训练样本对第二预设机器学习模型进行有监督学习训练,以生成区域的疾病花费预测模型。
在本公开的一种示例性实施例中,基于前述方案,所述第二预测单元包括:
第一预测子单元,用于根据第二预设疾病的年度住院率预测模型,确定所述目标区域的第二预设疾病的年度住院率的预测值;
第二预测子单元,用于根据所述第二预设疾病的不同严重度之间的转移概率预测模型,确定所述目标区域的第二预设疾病的不同严重度之间的转移概率的预测值。
在本公开的一种示例性实施例中,基于前述方案,所述第二预设疾病的年度住院率预测模型通过以下方式构建:
获取样本区域中的第二预设疾病的历史年度住院率;
根据所述第二预设疾病的历史年度住院率,通过线性回归方法构建所述第二预设疾病的年度住院率预测模型;
所述第二预设疾病的不同严重度之间的转移概率预测模型通过以下方式构建:
获取样本区域中的第二预设疾病的历史年度不同严重度之间的转移概率;
根据所述第二预设疾病的历史年度不同严重度之间的转移概率,通过线性回归方法构建所述第二预设疾病的不同严重度之间的转移概率预测模型。
在本公开的一种示例性实施例中,基于前述方案,所述服务管理系统还包括:
理赔模块,用于响应于客户端申请理赔的触发操作,计算所述客户端的用户的合理理赔费用,并根据所述合理理赔费用对所述用户进行目标保险的理赔;
其中,所述合理理赔费用通过以下方式计算:
获取所述客户端的用户的就诊信息,其中所述就诊信息包括病历、治疗费用明细、医保结算单中的至少一种;
过滤掉所述就诊信息中不符合医保的药品目录、诊疗项目目录和医疗服务目录规范的就诊信息;
根据过滤后的就诊信息计算所述用户的合理理赔费用。
在本公开的一种示例性实施例中,基于前述方案,所述服务管理系统还包括:
模型优化模块,用于根据进行健康服务管理后的各用户的个人健康状况信息和就诊信息,对各所述预设健康管理疾病的严重度等级预测模型进行更新。
根据本公开的第二方面,提供了一种服务管理方法,包括:
获取用户的当前健康状况信息和历史就诊信息,提取所述当前健康状况信息和历史就诊信息中与目标保险的保险责任关联的第一预设疾病的影响因子的值,根据所述第一预设疾病的影响因子的值和预先配置的判断规则确定所述用户的核保结果;
在所述用户的核保结果为核保通过且所述用户在所述目标保险中的用户状态被配置为被保险人时,响应于客户端发送的所述用户的目标疾病的特征数据,将所述目标疾病的特征数据输入到所述目标疾病的严重度等级预测模型中,输出所述用户患所述目标疾病的严重度等级;
根据所述用户患所述目标疾病的严重度等级和预先配置的所述目标疾病的各严重度等级对应的治疗建议,向所述客户端发送所述用户对应的所述目标疾病的治疗建议信息,以对所述用户进行健康服务管理。
根据本公开的第三方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如上述实施例中第二方面所述的服务管理方法。
根据本公开实施例的第四方面,提供了一种电子设备,包括:处理器;以及,存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述实施例中第二方面所述的服务管理方法。
由上述技术方案可知,本公开示例性实施例中的服务管理系统、服务管理方法、计算机可读存储介质,以及电子设备,至少具备以下优点和积极效果:
在本公开的一些实施例所提供的技术方案中,首先,通过获取用户的当前健康状况信息和历史就诊信息,提取当前健康状况信息和历史就诊信息中与目标保险的保险责任关联的第一预设疾病的影响因子的值,根据第一预设疾病的影响因子的值和预先配置的判断规则确定用户的核保结果;其次,在用户的核保结果为核保通过且用户在目标保险中的用户状态被配置为被保险人时,响应于客户端发送的用户的目标疾病的特征数据,将目标疾病的特征数据输入到目标疾病的严重度等级预测模型中,输出用户患目标疾病的严重度等级;最后,根据所述用户患目标疾病的严重度等级和预先配置的目标疾病的各严重度等级对应的治疗建议,向客户端发送目标疾病的治疗建议信息,以对用户进行健康服务管理。与相关技术相比,一方面,本公开基于获取的用户当前健康状况信息和就诊信息可以实现对用户的自动化核保,同时提高核保的准确性;另一方面,本公开基于客户端发送的用户的目标疾病的特征数据,可以对用户患目标疾病的严重度等级进自动预测,从而实现对用户健康信息的监测,进而降低疾病发生率。
本公开应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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示出本公开一示例性实施例中的服务管理系统的结构示意图;
图2示出本公开一示例性实施例中进行核保的方法流程示意图;
图3示出本公开一示例性实施例中生成各预设健康管理疾病的严重度等级预测模型的方法流程示意图;
图4示出本公开一示例性实施例中的生成年度基础指标数据的预测模型的方法的流程示意图;
图5示出本公开一示例性实施例中的生成年度医疗花费数据预测模型的方法流程示意图;
图6示出本公开一示例性实施例中计算合理赔付费用的方法的流程示意图;
图7示出本公开一示例性实施例中的服务管理方法的流程示意图;
图8示出本公开一示例性实施例中的系统架构图;
图9示出本公开示例性实施例中计算机存储介质的结构示意图;以及,
图10示出本公开示例性实施例中电子设备的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
本说明书中使用用语“一个”、“一”、“该”和“所述”用以表示存在一个或多个要素/组成部分/等;用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等;用语“第一”和“第二”等仅作为标记使用,不是对其对象的数量限制。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。
随着居民生活水平的提升与健康意识的加强,以个人和家庭购买商业健康险的情况也在逐年增加,居民希望获得更好的医疗服务,从而降低疾病发生率,减少医疗费用的支出。区域健康险可以作为社会医疗保险与现有商业健康险的保障缺口,面向专属区域的居民提供特定费用的健康险,同时围绕购买健康险的用户,提供个性化的健康管理方案。
然而,相关技术中,缺乏对区域健康险服务的统一管理,这在一程度上降低了工作效率,同时也为用户带来诸多不便。同时,现有的区域健康险对用户的健康管理仅体现在用户就诊后,为用户提供相应的理赔服务,缺乏对用户健康信息进行监测的服务。
在本公开的实施例中,首先提供了一种服务管理系统,至少在一定程度上克服上述现有的相关技术中存在的缺陷。
图1示出本公开一示例性实施例中服务管理系统的结构示意图。参考图1,该系统100包括:核保模块110、疾病严重度等级预测模块120、信息推送模块130。其中:
核保模块110,用于获取用户的当前健康状况信息和历史就诊信息,提取当前健康状况信息和历史就诊信息中与目标保险的保险责任关联的第一预设疾病的影响因子的值,根据第一预设疾病的影响因子的值和预先配置的判断规则确定用户的核保结果;
疾病严重度等级预测模块120,用于在用户的核保结果为核保通过且用户在目标保险中的用户状态被配置为被保险人时,响应于客户端发送的用户的目标疾病的特征数据,将目标疾病的特征数据输入到目标疾病的严重度等级预测模型中,输出用户患所述目标疾病的严重度等级;
信息推送模块130,用于根据用户患所述目标疾病的严重度等级和预先配置的目标疾病的各严重度等级对应的治疗建议,向客户端发送目标疾病的治疗建议信息,以对用户进行健康服务管理。
在图1所示实施例所提供的技术方案中,首先,通过获取用户的当前健康状况信息和历史就诊信息,提取当前健康状况信息和历史就诊信息中与目标保险的保险责任关联的第一预设疾病的影响因子的值,根据第一预设疾病的影响因子的值和预先配置的判断规则确定用户的核保结果;其次,在用户的核保结果为核保通过且用户在目标保险中的用户状态被配置为被保险人时,响应于客户端发送的用户的目标疾病的特征数据,将目标疾病的特征数据输入到目标疾病的严重度等级预测模型中,输出用户患目标疾病的严重度等级;最后,根据所述用户患目标疾病的严重度等级和预先配置的目标疾病的各严重度等级对应的治疗建议,向客户端发送目标疾病的治疗建议信息,以对用户进行健康服务管理。与相关技术相比,一方面,本公开基于获取的用户当前健康状况信息和就诊信息可以实现对用户的自动化核保,同时提高核保的准确性;另一方面,本公开基于客户端发送的用户的目标疾病的特征数据,可以对用户患目标疾病的严重度等级进自动预测,从而实现对用户健康信息的监测,进而降低疾病发生率。
以下对图1所示实施例中各个模块的具体实施方式进行详细阐述:
在核保模块110中,用户的当前健康状况信息可以包括被保险人距离当前时间最近的体检报告中的信息、历史就诊信息可以包括距离当前时间最近的就诊病历、住院病历、用药明细等信息。
示例性的,用户可以通过终端设备上安装的应用程序服务管理系统,打开终端上设置的摄像头等图像传感器拍摄体检报告数据和就诊资料数据形成体检报告影像和就诊资料影像。响应于用户对核保控件的触发操作,核保模块110可以接收客户端发送的体检报告影像和就诊资料影像。
核保模块110接收到客户端发送的体检报告影像和就诊资料影像后,利用自然语言处理技术可以识别体检报告影像和就诊资料影像中的文字信息,并基于医学知识图谱,对识别的信息进行结构化处理,将识别的信息转换成医学知识中的标准的专业术语。
例如,二型糖尿病是医学知识图谱中的标准专业术语,但由于每个医生的习惯不同,在就诊信息中有的医生可能会将其写成“2型糖尿病或者2-糖尿病”的形式,核保模块110可以将其转换成医学知识图谱中规定的标准专业术语。
具体的,可以收集不同的就诊信息,生成医学知识库中各标准专业术语的样本数据,然后对机器学习模型进行有监督学习训练,以生成文本信息标准化模型。将文本信息标准化模型预先配置在核保模块110中,核保模块110识别出体检报告影像和就诊资料影像中的文字信息后,可以将文字信息输入到文本信息标准化模型中,然后通过文本信息标准化模型输出文本信息在医学知识图谱中对应的标准专业术语。
当然,也可以通过对识别的文本信息进行分词,然后将各分词和预先配置的标准词库中的词语进行匹配,以确定文本信息对应的标准专业术语。本示例性实施方式对此不做特殊限定。
将用户的当前健康状况信息和历史就诊信息转化为标准专业术语后,可以提取当前健康状况信息和历史就诊信息中与目标保险的保险责任关联的第一预设疾病的影响因子的值。
在示例性的实施方式中,目标保险可以包括用户选择的区域健康险。第一预设疾病可以包括目标保险的保险责任中所配置的可以进行保险理赔的疾病中的至少一个。第一预设疾病的影响因子可以包括能够诱发目标保险的保险责任中所保障的疾病的健康指标。其中,第一预设疾病的影响因子可以根据医学知识图谱中的知识确定。
例如,第一预设疾病包括脑出血、脑梗塞,由于高血压会诱发脑出血和脑梗塞,则血压指标数据可以作为第一预设疾病的影响因子,而血压值可以作为第一预设疾病的影响因子的值。
示例性的,提取第一预设疾病的影响因子的值后,核保模块110可以根据第一预设疾病的影响因子的值和预先配置的判断规则确定用户的核保结果。图2示出本公开一示例性实施例中进行核保的方法流程示意图。参考图2,该方法可以包括步骤S210至步骤S230。
在步骤S210中,根据预先配置的判断规则确定第一预设疾病的影响因子的值对应的风险等级或风险概率。
示例性的,预先配置的判断规则可以包括第一预设疾病的各影响因子的不同值所对应的风险等级或风险概率的判断条件。
以血压影响因子为例,预先配置的血压影响因子的判断规则可以包括正常血压、1级高血压、2级高血压、3级高血压对应的血压值范围。提取血压值后,将该血压值和血压影响因子的判断规则中各风险等级或风险概率对应的血压值范围对应的阈值进行对比,以确定该血压值对应的风险等级或风险概率。
在步骤S220中,通过预先配置的目标保险的核保问答规则与用户进行至少一次问答交互,以获取核保问题的答案信息。
示例性的,目标保险的核保问答规则可以通过以下方式生成:获取目标保险的保险责任和核保知识库;根据保险责任和核保知识库生成目标保险的核保问题;以核保问题为节点,不同答案信息的决策项为核保问题对应的节点的叶子节点,通过决策树的方法生成目标保险的核保问答规则。
举例而言,目标保险的保险责任中可以有多个保障疾病,可以根据多个保障疾病的影响因子之间的知识图谱关系依据核保知识库生成核保问题之间的逻辑关系。其中,第一个核保问题可以作为核保问答规则对应的决策树的根节点,第一个核保问题的不同答案信息对应不同的决策项,而决策项可以是该答案信息对应的风险等级或风险概率。根据核保问题之间的逻辑关系确定第一个核保问题的不同答案信息对应的决策项所确定的叶子节点所连接的核保问题,例如,根据核保问题之间的逻辑关系,根节点的第一子节点连接以第二个问题为根节点的决策子树,根节点的第二子节点连接以第三个问题为根节点的决策子树,以此类推,通过多个决策子树生成核保问答规则对应的决策树。当然,第二个问题和第一个问题可以相同也可以不相同。
生成目标保险的核保问答规则后,可以将生成的核保问答规则预先配置在核保模块110中,当核保模块110提取到第一预设疾病的影响因子的值之后,可以将其与核保问答规则中的问题的答案进行匹配,对于匹配成功的答案,不需要与用户进行问答交互,对于未匹配成功的答案,则根据核保问答规则与客户端用户进行问答交互,来获取核保问题的答案信息。
举例而言,核保问答规则中的各个问答问题是基于第一预设疾病的各个影响因子生成的,例如有50个影响因子,则对应的核保问题就有50个,而每个核保问题对应的答案信息的决策项可以包括其对应的影响因子的不同风险等级或不同风险概率所对应的取值范围。还是以血压影响因子为例。其对应的核保问题可以是“最近一次的血压值是多少?”而该问题的对应的答案信息的决策项可以包括不同等级的血压值的取值范围,即正常血压值的血压值范围对应决策项0,决策结果为正常、1级高血压的血压值范围为决策项1,决策结果为1级高血压、2级高血压的血压值范围为决策项2,决策结果为2级高血压、3级高血压的血压值范围为决策项3,决策结果为3级高血压。
但是,对于用户而言,从其当前健康状况信息和就诊信息中提取了30个第一预设疾病的影响因子的值,那可以基于核保问答规则类获取剩余20个影响因子的答案信息。
继续参考图2,在步骤S230中,基于核保问题的答案信息和第一预设疾病的影响因子的值对应的风险等级或风险概率,确定核保结果。
示例性的,获取核保问题的答案信息和第一预设疾病的影响因子的值后,可以根据核保问题的答案信息和第一预设疾病的影响因子的值对应的风险等级或风险概率确定用户的核保结果。其中,用户的核保结果包括核保通过、观察预设时间后再申请核保、核保未通过。
确定核保结果后,可以向用户的客户端发送对应的核保结果。
需要说明的是,继续以上述的50个第一预设疾病的影响因子为例,如果提取了50个第一预设疾病的影响因子的值,且这50个全部匹配成功,则向客户端返回“您确定是否购买xx健康险吗?”以与客户进行至少一次交互问答。
通过上述的步骤SA210-步骤S230,可以实现对用户的自动核保,提高工作效率,且通过结合历史就诊信息和当前健康状况信息,可以提高核保结果的预测准确性。
继续参考图1,用户的核保结果为核保通过后,用户可以选择购买目标保险,当用户购买了目标保险后,则用户在目标保险中的用户状态就被配置为被保险人。当用户被配置为被保险人后,在疾病严重度等级预测模块120中,响应于客户端发送的用户的目标疾病的特征数据,将目标疾病的特征数据输入到目标疾病的严重度等级预测模型中,输出用户患目标疾病的严重度等级。
在示例性的实施方式中,目标疾病包括服务管理系统中预设健康管理疾病中的至少一个。其中,预设健康管理疾病可以包括需要对用户进行实时监测以进行健康管理的疾病。其可以是一些基础性慢性病,例如高血压、高血脂、高血糖等,这些基础慢性病会诱发目标保险的保险责任中的疾病。当然,预设健康管理疾病也可以是目标保险的保险责任中的疾病。本示例性实施方式对此不做特殊限定。
在将目标疾病的特征数据输入到目标疾病的严重度等级预测模型中之前,可以先生成各预设健康管理疾病的严重度等级预测模型。示例性的,图3示出本公开一示例性实施例中生成各预设健康管理疾病的严重度等级预测模型的方法流程示意图。参考图3,该方法可以包括步骤S310-步骤S330。其中:
在步骤S310中,获取预设数量的患病用户的个人健康信息和就诊信息。
在示例性的实施方式中,预设数量可以根据实际情况自定义。其中,其可以通过体检报告和医院的就诊记录,获取预设数量的患病用户的个人健康信息和就诊信息。患病用户可以包括患预设健康管理疾病的各用户。
示例性的,在步骤S310中,可以针对每个预设健康管理疾病,获取预设数量的患病用户的个人健康信息和就诊信息。
在步骤S320中,从个人健康信息和就诊信息中提取出预设健康管理疾病的特征值和特征值对应的严重度等级,以得到预设健康管理疾病的样本特征值和样本特征值对应的严重度等级。
在从个人健康信息和就诊信息中提取出预设健康管理疾病的特征值之前,可以先从个人健康信息和就诊信息中确定出预设健康管理疾病的影响因子,将该影响因子作为预设健康管理疾病的特征。其中,预设健康管理疾病的影响因子可以根据医学经验或者特征筛选确定。
确定预设健康管理疾病的特征后,在步骤S320中,可以从患病用户的个人健康信息和就诊信息中提取出预设健康管理疾病的特征的值,以及其对应的严重度等级,从而得到对应的预设健康管理疾病的样本特征值和样本特征值对应的严重度等级。
接下来,在步骤S330中,根据预设健康管理疾病的样本特征值和样本特征值对应的严重度等级对第一预设机器学习模型进行有监督学习训练,以生成预设健康管理疾病的严重度等级预测模型。
示例性的,针对每个预设健康管理疾病,可以将获取的不同患者的样本特征值作为输入数据,各样本特征值对应的严重度等级作为标签,对分类机器学习模型进行有监督学习训练,从而生成预设健康管理疾病的严重度等级预测模型。
需要说明的是,在实际情况中,针对每个预设健康管理疾病,可以使用不同的分类机器学习模型进行有监督学习训练,然后,将各个分类机器学习模型的预测结果进行对比,确定预测准确度最高的分类机器学习模型为预设健康管理疾病的严重度等级预测模型。
通过上述的步骤S310-步骤S330,可以生成各预设健康管理疾病的严重度等级预测模型,当被保险人患病后,可以根据生成的预设健康管理疾病的严重度等级对被保险人进行健康管理,以辅助将其患病严重度等级降低甚至转移为正常。
举例而言,当被保险人患病或者身体感到不适后,其可以在客户端的服务管理系统对应的应用程序中选择其所患疾病的标识,例如疾病名称,并上传或填写该疾病的特征值,疾病严重度等级预测模块120响应于客户端的触发操作,获取客户端发送的被保险人的患病标识,确定该患病标识对应的疾病严重度等级预测模型,然后将该疾病的特征值输入到患病标识所对应的疾病严重度等级预测模型中,输出用户的疾病严重度等级。
当然,也可以将上述的系统100和区域的卫建委的电子健康档案系统进行通信连接,响应于区域的卫健委的电子健康档案系统录入健康数据的触发操作,可以先确定其录入的健康数据对应的用户是否属于区域健康险的被保险人,如果是,则可以直接获取录入的健康数据,从录入的健康数据中提取录入的健康数据中的疾病的特征值,将该特征值输入到该疾病对应的疾病严重度等级预测模型中,以预测被保险人的患病的严重度等级。
需要说明的是,当被保险人上传的体检数据中无法识别提取到其所选择的患病标识所对应的疾病的全部特征值时,则可以通过交互问答或者填写相关健康数据信息的方式获取患病标识所对应的疾病的特征值。
确定被保险人的患病严重度等级后,在信息推送模块130中,根据用户患目标疾病的严重度等级和预先配置的目标疾病的各严重度等级对应的治疗建议,向客户端发送目标疾病的治疗建议信息,以对用户进行健康服务管理。
在示例性的实施方式中,治疗建议可以包括用药的建议、检验检查的建议、生活习惯的建议等。具体的,可以根据真实的医疗数据确定各预设健康管理疾病的各严重度等级对应的治疗建议。
根据真实的医疗数据确定各预设健康管理疾病的各严重度等级对应的治疗建议后,可以将其预先配置在疾病严重度等级预测模块130中,当预测出目标疾病的严重度等级后,会根据目标疾病的标识和严重度等级标识在预先配置的各预设健康管理疾病的各严重度等级对应的治疗建议中确定目标治疗建议,将目标治疗建议发送给对应的客户端。从而实现对被保险人的健康管理和监测,以降低疾病发生率。
示例性的,上述的服务管理系统100还包括定价模块。具体的,定价模块用于将目标区域的年度基础指标数据的预测值和年度医疗花费数据的预测值输入到区域健康险的定价模型中,以确定目标区域的区域健康险的价值。
其中,区域健康险的定价模型通过以下方式构建:
根据样本区域的年度基础指标数据和年度医疗花费数据,通过岭回归方法构建区域健康险的定价模型。
在示例性的实施方式中,年度基础指标数据包括年度经济数据、年度人口数据、年度消费者物价指数数据中的至少一种。其中,年度经济数据可以包括区域的年度GDP(GrossDomestic Product,国内生产总值)。
示例性的,上述的定价模块包括第一预测单元和第二预测单元。其中:第一预测单元用于根据年度基础指标数据的预测模型,确定目标区域的年度基础指标数据的预测值;第二预测单元用于将目标区域的第二预设疾病的年度住院率的预测值和不同严重度之间的转移概率的预测值输入到年度医疗花费数据预测模型中,以确定目标区域的年度医疗花费数据的预测值,其中,所述第二预设疾病包括样本区域中年度住院率大于预设阈值的疾病。
具体的,图4和图5分别示出本公开一示例性实施例中生成年度基础指标数据的预测模型的方法和生成年度医疗花费数据预测模型的方法流程示意图。
首先,参考图4,对于各个年度基础指标数据而言,生成该年度基础指标数据的预测模型的方法包括步骤S410至步骤S420。其中:
在步骤S410中,获取样本区域的历史年度基础指标数据。
其中,样本区域可以根据实际情况确定,样本区域可以是一个,也可以是多个。历史年度基础指标数据可以包括距离预测时间在预设时间内的历史年度基础指标数据,例如,如果对2021年的年度基础指标数据进行预测,那么,获取包括2020年在内的最近20年的年度基础指标数据。预设时间可以根据实际情况或者实际需求进行自定义。
示例性的,步骤S410的具体实施方式可以是,获取样本区域距离预测时间在预设时间内的历史年度基础指标数据。
接下来,在步骤S420中,根据历史年度基础指标数据,通过线性回归方法生成年度基础指标数据的预测模型。
具体的,可以根据各历史年份确定时间序列,将各历史年份对应的年度基础指标数据作为目标值,通过线性回归方法进行时间序列预测,以生成年度基础指标数据的预测模型。
需要说的是,当年度指标数据包括经济数据、人口数据、消费者物价指数数据中的至少两种时,各个年度指标数据对应一个预测模型,即经济数据对应经济数据预测模型、人口数据对应人口数据预测模型、年度消费者物价指数数据对应年度消费中物价指数数据预测模型。
接下来,参考图5,生成年度医疗花费数据预测模型的方法可以包括步骤S510至步骤S520。
在步骤S510中,获取样本区域的第二预设疾病的历史年度住院率、历史年度不同严重度之间的转移概率和历史年度医保报销总费用数据,以生成训练样本。
其中,第二预设疾病可以包括样本区域中年度住院率大于预设阈值的疾病。年度住院率可以是患某种疾病并进行住院治疗的人数与患某种疾病的人数之比。
在示例性的实施方式中,第二预设疾病的历史年度的不同严重度之间的转移概率可以是各第二预设疾病在其对应的不同严重度之间的转移概率,以某个癌症为例,其可以是在炎症时期、患癌初期、患癌中期、患癌晚期中的任意两个之间的转移概率。例如,对于A病而言,最开始确诊的中度严重度等级的人数为50人,分别对这50个人进行预设时间的治疗后,这50人中从中度转移到轻度的有20人,那么A病从中度转移到轻度的概率就是40%。
考虑到对于有些疾病而言,能够通过治疗控制其发病的快慢,比如,刚开始的患病严重度在中度、治疗之后,其患病严重度可能会降低为轻度,在中度再治疗之后,其可能就痊愈了。对于不同严重度的治疗花费会不同,因此将不同严重度之间的转移概率作为疾病花费预测模型的训练特征之一,可以提高疾病花费预测模型的预测准确性。
示例性的,可以获取各历史年度中不同疾病的年度住院率,筛选出年度住院率大于预设阈值的各疾病对应的年度住院率,同时获取年度住院率大于预设阈值的各疾病的不同严重度之间的转移概率,以及各疾病的年度医保报销总费用数据。
在步骤S520中,根据训练样本对第二预设机器学习模型进行有监督学习训练,以生成区域的疾病花费预测模型。
示例性的,可以将第二预设疾病的各历史年度的住院率和不同严重度之间的转移概率作为训练样本,将其对应的年度医保报销总费用作为样本标签,对第二预设机器学习模型进行有监督学习训练,以生成区域的疾病花费预测模型。其中,第二预设机器学习模型可以是卷积神经网络模型、逻辑回归预测模型等任意的可以进行回归预测的机器学习模型。
通过上述的步骤S510至步骤S520可以生成年度医疗花费数据的预测模型。可以根据年度医疗花费数据的预测模型确定目标区域的年度医疗花费数据的预测值。具体的,如前所述,可以将目标区域的第二预设疾病的年度住院率的预测值和不同严重度之间的转移概率的预测值输入到年度医疗花费数据预测模型中,以确定目标区域的年度医疗花费数据的预测值。
在确定目标区域的年度医疗花费数据的预测值之前,可以先确定目标区域的各第二预设疾病的年度住院率的预测值和个第二预设疾病的不同严重度等级之间的转移概率的预测值。
示例性的,上述的第二预测单元包括第一预测子单元和第二预测子单元,具体的,第一预测子单元,用于根据第二预设疾病的年度住院率预测模型,确定目标区域的第二预设疾病的年度住院率的预测值;第二预测子单元,用于根据第二预设疾病的不同严重度之间的转移概率预测模型,确定目标区域的第二预设疾病的不同严重度之间的转移概率的预测值。
其中,第二预设疾病的年度住院率预测模型通过以下方式构建:获取样本区域中的第二预设疾病的历史年度住院率;根据第二预设疾病的历史年度住院率,通过线性回归方法构建第二预设疾病的年度住院率预测模型。
第二预设疾病的不同严重度之间的转移概率预测模型通过以下方式构建:获取样本区域中的第二预设疾病的历史年度不同严重度之间的转移概率;根据历史年度不同严重度之间的转移概率,通过线性回归方法构建第二预设疾病的不同严重度之间的转移概率预测模型。
通过构建的区域健康险的定价模型,可以实现对区域健康险的自动定价,进而辅助工作人员提升工作效率。同时,通过区域的经济数据、人口数据、消费者物价指数数据、年度住院率、疾病的不同严重度之间的转移概率这多个维度的影响因子来构建区域健康险的定价模型,可以提高区域健康险的定价模型的定价准确性。
此外,通过在服务管理系统的定价模块中预先配置区域健康险的定价模型,当定价人员在客户端通过定价模块完成区域健康险的定价后,可以将区域健康险的价格信息推送给各用户所在的客户端,使得各用户可以及时的接收到区域健康险的相关信息,以确定是否进行核保申请。
示例性的,上述的服务管理系统还包括理赔模块,该理赔模块用于响应于客户端申请理赔的触发操作,计算客户端的用户的合理理赔费用,并根据该合理理赔费用对用户进行目标保险的理赔。
其中,计算合理理赔费用的方法可以参考图6所示。如图6,计算合理理赔费用的方法可以包括步骤S610至步骤S630。具体的:
在步骤S610中,获取客户端的用户的就诊信息,其中就诊信息包括病历、治疗费用明细、医保结算单中的至少一种。
在示例性的实施方式中,医保是指社会医疗保险,是国家和社会根据法律法规,在劳动者患病时基本医疗需求的社会保险制度。
示例性的,步骤S610的具体实施方式可以是,响应于客户端的申请理赔触发操作,获取客户端的用户的就诊信息,并对就诊信息进行预处理,确定就诊信息对应的医学知识中的标准专业术语。
举例而言,客户端的用户在申请理赔时,可以在服务管理系统对应的客户端的应用程序中提交其住院/门诊的就诊信息,包括但不限于病历、治疗费用明细、医保结算单和发票等相关就诊信息,以使服务器可以获取到其就诊信息。
接下来,在步骤S620中,过滤掉就诊信息中不符合医保的药品目录、诊疗项目目录和医疗服务目录规范的就诊信息。
示例性的,可以将就诊信息中的各药品、诊疗项目以及医疗服务目和医保中规定的药品目录、诊疗项目目录和医疗服务目录贵方进行对比,将不符合规范的就诊信息过滤掉。
例如,在医保的药品目录规范中A药品是用来治疗B病的,而就诊信息中患者患的是C病,则A药品属于不符合医保的药品目录贵方的就诊信息,可以将A药品过滤掉。
继续参考图6,在步骤S630中,根据过滤后的就诊信息计算用户的合理理赔费用。
示例性的,过滤掉就诊信息中不符合医保规范的信息后,可以根据过滤后的各项就诊信息的医疗花费计算用户的合理理赔费用。
通过上述的步骤S610至步骤S630,可以计算出用户的合理理赔费用,提高理赔费用计算的准确性,降低被欺诈的风险。
为了进一步降低被欺诈的风险,还可以在理赔模块中依靠固定无线接入(fixedwireless access,FWA)技术、以及反欺诈等规则对用户的理赔申请进行风险检测,提高理赔的准确性。
进一步的,上述的服务管理系统还包括模型优化模块,该模型优化模块用于根据进行健康服务管理后的各用户的个人健康状况信息和就诊信息,对各预设健康管理疾病的严重度等级预测模型进行更新。
举例而言,给用户推送对应的治疗建议后,可以在一段时间后,重新采集用户的个人健康状况信息,根据进行健康管理后的各用户的个人健康状况信息对用户的患病严重度等级进行预测,并将预测结果作为标签数据。然后,从进行健康管理后的个人健康状况信息中提取该疾病的特征值,将该特征值作为训练数据,以对对应的疾病严重度等级预测模型进行训练,从而更新调整该疾病严重度等级预测模型的权重,以对模型进行优化,提升模型的预测准确度。
同样的,对于其他的预测模型,例如年度基础指标数据的预测模型、年度医疗花费数据的预测模型、年度住院率预测模型、不同严重度等级的转移概率预测模型、以及区域健康险的定价模型,也可以根据年度的具体医疗数据进行模型的训练与优化。
例如,使用2000年到2020年的数据构建对应的预测模型,以预测2021年对应的数据。但是,再对2022年的数据进行预测时,可以将2021年的真实数据也作为训练数据的一部分,对对应的预测模型进行重训练,以优化该预测模型的预测准确性。其中,可以在保持训练数据集的训练数据的数量不变的情况下,将新的真实数据加入到训练数据集中,例如,加入2021年的真实数据后,可以将训练数据集中最早年份对应的训练数据剔除,即剔除掉2000年的训练数据。当然,也可以不剔除训练数据集中最早年份对应的训练数据,以不断增加训练数据,本示例性实施方式对此不做特殊限定。
进一步的,图7示出本公开一示例性实施例中的服务管理方法的流程示意图。参考图7,该方法可以包括步骤S710至步骤S730。其中:
在步骤S710中,响应于客户端的核保申请操作,获取用户的当前健康状况信息和历史就诊信息,提取当前健康状况信息和历史就诊信息中与目标保险的保险责任关联的第一预设疾病的影响因子的值,根据第一预设疾病的影响因子的值和预先配置的判断规则确定用户的核保结果;
在步骤S720中,在用户的核保结果为核保通过且用户在目标保险中的用户状态被配置为被保险人时,响应于客户端发送的用户的目标疾病的特征数据,将目标疾病的特征数据输入到目标疾病的严重度等级预测模型中,输出用户患所述目标疾病的严重度等级;
在步骤S730中,根据用户患目标疾病的严重度等级和预先配置的目标疾病的各严重度等级对应的治疗建议,向客户端发送目标疾病的治疗建议信息,以对用户进行健康服务管理。
在本公开示例性的实施例中,基于前述实施例,上述的步骤S710中根据第一预设疾病的影响因子的值和预先配置的判断规则确定所述用户的核保结果,包括:根据预先配置的判断规则确定第一预设疾病的影响因子的值对应的风险等级或风险概率;通过预先配置的目标保险的核保问答规则与用户进行至少一次问答交互,以获取核保问题的答案信息;基于核保问题的答案信息和第一预设疾病的影响因子的值对应的风险等级或风险概率,确定用户的核保结果。
其中,目标保险的核保问答规则通过以下方式生成:获取目标保险的保险责任和核保知识库;根据保险责任和核保知识库生成目标保险的核保问题;以核保问题为节点,不同答案信息对应的决策项为核保问题的叶子节点,通过决策树的方法生成目标保险的核保问答规则。
在本公开的一种示例性实施例中,基于前述实施例,上述的步骤S720中的目标疾病包括服务管理系统中预设健康管理疾病中的至少一个;
其中,各预设健康管理疾病的严重度等级预测模型通过以下方式生成:获取预设数量的患病用户的个人健康信息和就诊信息;从个人健康信息和就诊信息中提取出预设健康管理疾病的特征值和所述特征值对应的严重度等级,以得到预设健康管理疾病的样本特征值和所述样本特征值对应的严重度等级;根据预设健康管理疾病的样本特征值和样本特征值对应的严重度等级对第一预设机器学习模型进行有监督学习训练,以生成预设健康管理疾病的严重度等级预测模型。
在本公开的一种示例性实施例中,基于前述实施例,上述的服务管理方法还包括:将目标区域的年度基础指标数据的预测值和年度医疗花费数据的预测值输入到区域健康险的定价模型中,以确定目标区域的区域健康险的价值;其中,区域健康险的定价模型通过以下方式构建:根据样本区域的年度基础指标数据和年度医疗花费数据,通过岭回归方法构建所述区域健康险的定价模型,年度基础指标数据包括年度经济数据、年度人口数据、年度消费者物价指数数据中的至少一种。
在本公开的一种示例性实施例中,基于前述实施例,上述的服务管理方法还包括:响应于客户端申请理赔的触发操作,计算客户端的用户的合理理赔费用,并根据合理理赔费用对所述用户进行目标保险的理赔;
具体的,合理理赔费用通过以下方式计算:获取客户端的用户的就诊信息,其中,就诊信息包括病历、治疗费用明细、医保结算单中的至少一种过滤掉就诊信息中不符合医保的药品目录、诊疗项目目录和医疗服务目录规范的就诊信息;根据过滤后的就诊信息计算用户的合理理赔费用。
在本公开的一种示例性实施例中,基于前述实施例,上述的服务管理系统还包括:根据进行健康服务管理后的各用户的个人健康状况信息和就诊信息,对各预设健康管理疾病的严重度等级预测模型进行更新。
上述的服务管理方法中各步骤的具体细节已经在对应的服务管理系统中进行了详细的描述,因此此处不再赘述。
图8示出本公开一示例性实施例中的系统架构图。如图8所示,系统架构800可以包括终端设备801、802、803中的多个,网络804和服务器805。网络804用以在终端设备801、802、803和服务器805之间提供通信链路的介质。网络804可以包括各种连接类型,例如无线通信链路等。
应该理解,图8中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的移动终端、网络和服务器。比如服务器805可以是多个服务器组成的服务器集群等。
终端设备801、802、803可以是具有处理器和显示器的各种电子设备,包括但不限于智能手机、平板电脑、计算机等等。服务器805可以是提供各种服务的服务器。例如,上述的服务管理系统中的各模块可以预先配置下服务器805中,以使服务器805可以提供对应的服务。
举例而言,响应于用户在终端设备801、802、803中的应用程序客户端的核保申请触发操作,预先配置在服务器805中的核保模块可以对用户的核保申请进行处理,并向考核端返回该用户的核保结果;当用户根据核保结果购买了区域健康险时,服务器105可以将用户在区域健康险中的状态配置在被保险人,同时,服务器105可以响应于客户端发送的被保险人的目标疾病的特征数据,根据目标疾病的严重度等级预测模型确定用户患目标疾病的严重度等级,并根据确定的严重度等级将对应的治疗建议推送给客户端,以供用户进行参考,从而实现对区域健康险的用户的健康服务管理。
本领域技术人员可以理解实现上述实施方式的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时,执行本发明提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中,该存储介质可以是只读存储器,磁盘或光盘等。
此外,需要注意的是,上述附图仅是根据本公开示例性实施方式的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
在本公开示例性实施方式中,还提供了一种能够实现上述方法的计算机存储介质。其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
参考图9所示,描述了根据本公开的实施方式的用于实现上述方法的程序产品900,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本公开的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图10来描述根据本公开的这种实施方式的电子设备1000。图10显示的电子设备1000仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图10所示,电子设备1000以通用计算设备的形式表现。电子设备1000的组件可以包括但不限于:上述至少一个处理单元1010、上述至少一个存储单元1020、连接不同系统组件(包括存储单元1020和处理单元1010)的总线1030以及显示单元1040。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元1010执行,使得所述处理单元1010执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如,所述处理单元1010可以执行如图7中所示的:步骤S710,响应于用户的核保申请操作,获取用户的当前健康状况信息和历史就诊信息,提取当前健康状况信息和历史就诊信息中与目标保险的保险责任关联的第一预设疾病的影响因子的值,根据第一预设疾病的影响因子的值和预先配置的判断规则确定用户的核保结果;步骤S720,在用户的核保结果为核保通过且用户在目标保险中的用户状态被配置为被保险人时,响应于客户端发送的用户的目标疾病的特征数据,将目标疾病的特征数据输入到目标疾病的严重度等级预测模型中,输出用户患所述目标疾病的严重度等级;步骤S730,根据用户患目标疾病的严重度等级和预先配置的目标疾病的各严重度等级对应的治疗建议,向客户端发送目标疾病的治疗建议信息,以对用户进行健康服务管理。
存储单元1020可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)10201和/或高速缓存存储单元10202,还可以进一步包括只读存储单元(ROM)10203。
存储单元1020还可以包括具有一组(至少一个)程序模块10205的程序/实用工具10204,这样的程序模块10205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线1030可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备1000也可以与一个或多个外部设备1100(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备1000交互的设备通信,和/或与使得该电子设备1000能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1050进行。并且,电子设备800还可以通过网络适配器1060与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器1060通过总线1030与电子设备1000的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备1000使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
此外,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
Claims (13)
1.一种服务管理系统,其特征在于,包括:
核保模块,用于获取用户的当前健康状况信息和历史就诊信息,提取所述当前健康状况信息和历史就诊信息中与目标保险的保险责任关联的第一预设疾病的影响因子的值,根据所述第一预设疾病的影响因子的值和预先配置的判断规则确定所述用户的核保结果;
疾病严重度等级预测模块,用于在所述用户的核保结果为核保通过且所述用户在所述目标保险中的用户状态被配置为被保险人时,响应于客户端发送的所述用户的目标疾病的特征数据,将所述目标疾病的特征数据输入到所述目标疾病的严重度等级预测模型中,输出所述用户患所述目标疾病的严重度等级;
信息推送模块,用于根据所述用户患所述目标疾病的严重度等级和预先配置的所述目标疾病的各严重度等级对应的治疗建议,向所述客户端发送所述目标疾病的治疗建议信息,以对所述用户进行健康服务管理。
2.根据权利要求1所述的服务管理系统,其特征在于,所述目标疾病包括所述服务管理系统中预设健康管理疾病中的至少一个;
各所述预设健康管理疾病的严重度等级预测模型通过以下方式生成:
获取预设数量的患病用户的个人健康信息和就诊信息;
从所述个人健康信息和就诊信息中提取出预设健康管理疾病的特征值和所述特征值对应的严重度等级,以得到所述预设健康管理疾病的样本特征值和所述样本特征值对应的严重度等级;
根据预设健康管理疾病的样本特征值和所述样本特征值对应的严重度等级对第一预设机器学习模型进行有监督学习训练,以生成所述预设健康管理疾病的严重度等级预测模型。
3.根据权利要求1所述的服务管理系统,其特征在于,所述根据所述第一预设疾病的影响因子的值和预先配置的判断规则确定所述用户的核保结果,包括:
根据预先配置的判断规则确定所述第一预设疾病的影响因子的值对应的风险等级或风险概率;
通过预先配置的所述目标保险的核保问答规则与所述用户进行至少一次问答交互,以获取核保问题的答案信息;
基于所述核保问题的答案信息和所述第一预设疾病的影响因子的值对应的风险等级或风险概率,确定所述用户的核保结果。
4.根据权利要求3所述的服务管理系统,其特征在于,所述目标保险的核保问答规则通过以下方式生成:
获取所述目标保险的保险责任和核保知识库;
根据所述保险责任和核保知识库生成所述目标保险的核保问题;
以所述核保问题为节点,不同答案信息对应的决策项为所述核保问题的叶子节点,通过决策树的方法生成所述目标保险的核保问答规则。
5.根据权利要求1所述的服务管理系统,其特征在于,所述目标保险包括区域健康险,所述服务管理系统还包括:
定价模块,用于将目标区域的年度基础指标数据的预测值和年度医疗花费数据的预测值输入到区域健康险的定价模型中,以确定所述目标区域的区域健康险的价值;
其中,所述区域健康险的定价模型通过以下方式构建:
根据样本区域的年度基础指标数据和年度医疗花费数据,通过岭回归方法构建所述区域健康险的定价模型,所述年度基础指标数据包括年度经济数据、年度人口数据、年度消费者物价指数数据中的至少一种。
6.根据权利要求5所述的服务管理系统,其特征在于,所述定价模块包括:
第一预测单元,用于根据所述年度基础指标数据的预测模型,确定所述目标区域的年度基础指标数据的预测值;
第二预测单元,用于将所述目标区域的第二预设疾病的年度住院率的预测值和不同严重度之间的转移概率的预测值输入到年度医疗花费数据预测模型中,以确定所述目标区域的年度医疗花费数据的预测值;
其中,所述第二预设疾病包括所述样本区域中年度住院率大于预设阈值的疾病。
7.根据权利要求6所述的服务管理系统,其特征在于,各所述年度基础指标数据的预测模型通过以下方式生成:
获取样本区域的历史年度基础指标数据;
根据所述历史年度基础指标数据,通过线性回归方法生成所述年度基础指标数据的预测模型;
所述年度医疗花费数据预测模型通过以下方式生成:
获取样本区域的第二预设疾病的历史年度住院率、历史年度不同严重度之间的转移概率和历史年度医保报销总费用数据,以生成训练样本;
根据所述训练样本对第二预设机器学习模型进行有监督学习训练,以生成区域的疾病花费预测模型。
8.根据权利要求6所述的服务管理系统,其特征在于,所述第二预测单元包括:
第一预测子单元,用于根据第二预设疾病的年度住院率预测模型,确定所述目标区域的第二预设疾病的年度住院率的预测值;
第二预测子单元,用于根据所述第二预设疾病的不同严重度之间的转移概率预测模型,确定所述目标区域的第二预设疾病的不同严重度之间的转移概率的预测值。
9.根据权利要求8所述的服务管理系统,其特征在于,所述第二预设疾病的年度住院率预测模型通过以下方式构建:
获取样本区域中的第二预设疾病的历史年度住院率;
根据所述第二预设疾病的历史年度住院率,通过线性回归方法构建所述第二预设疾病的年度住院率预测模型;
所述第二预设疾病的不同严重度之间的转移概率预测模型通过以下方式构建:
获取样本区域中的第二预设疾病的历史年度不同严重度之间的转移概率;
根据所述第二预设疾病的历史年度不同严重度之间的转移概率,通过线性回归方法构建所述第二预设疾病的不同严重度之间的转移概率预测模型。
10.根据权利要求1所述的服务管理系统,其特征在于,所述服务管理系统还包括:
理赔模块,用于响应于客户端申请理赔的触发操作,计算所述客户端的用户的合理理赔费用,并根据所述合理理赔费用对所述用户进行目标保险的理赔;
其中,所述合理理赔费用通过以下方式计算:
获取所述客户端的用户的就诊信息,其中所述就诊信息包括病历、治疗费用明细、医保结算单中的至少一种;
过滤掉所述就诊信息中不符合医保的药品目录、诊疗项目目录和医疗服务目录规范的就诊信息;
根据过滤后的就诊信息计算所述用户的合理理赔费用。
11.根据权利要求2所述的服务管理系统,其特征在于,所述服务管理系统还包括:
模型优化模块,用于根据进行健康服务管理后的各用户的个人健康状况信息和就诊信息,对各所述预设健康管理疾病的严重度等级预测模型进行更新。
12.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现服务管理方法,其中,所述服务管理方法包括:
获取用户的当前健康状况信息和历史就诊信息,提取所述当前健康状况信息和历史就诊信息中与目标保险的保险责任关联的第一预设疾病的影响因子的值,根据所述第一预设疾病的影响因子的值和预先配置的判断规则确定所述用户的核保结果;
在所述用户的核保结果为核保通过且所述用户在所述目标保险中的用户状态被配置为被保险人时,响应于客户端发送的所述用户的目标疾病的特征数据,将所述目标疾病的特征数据输入到所述目标疾病的严重度等级预测模型中,输出所述用户患所述目标疾病的严重度等级;
根据所述用户患所述目标疾病的严重度等级和预先配置的所述目标疾病的各严重度等级对应的治疗建议,向所述客户端发送所述用户对应的所述目标疾病的治疗建议信息,以对所述用户进行健康服务管理。
13.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现服务管理方法,其中,所述服务管理方法包括:
获取用户的当前健康状况信息和历史就诊信息,提取所述当前健康状况信息和历史就诊信息中与目标保险的保险责任关联的第一预设疾病的影响因子的值,根据所述第一预设疾病的影响因子的值和预先配置的判断规则确定所述用户的核保结果;
在所述用户的核保结果为核保通过且所述用户在所述目标保险中的用户状态被配置为被保险人时,响应于客户端发送的所述用户的目标疾病的特征数据,将所述目标疾病的特征数据输入到所述目标疾病的严重度等级预测模型中,输出所述用户患所述目标疾病的严重度等级;
根据所述用户患所述目标疾病的严重度等级和预先配置的所述目标疾病的各严重度等级对应的治疗建议,向所述客户端发送所述用户对应的所述目标疾病的治疗建议信息,以对所述用户进行健康服务管理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011576806.7A CN112712435A (zh) | 2020-12-28 | 2020-12-28 | 服务管理系统、计算机可读存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011576806.7A CN112712435A (zh) | 2020-12-28 | 2020-12-28 | 服务管理系统、计算机可读存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112712435A true CN112712435A (zh) | 2021-04-27 |
Family
ID=75546954
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011576806.7A Pending CN112712435A (zh) | 2020-12-28 | 2020-12-28 | 服务管理系统、计算机可读存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112712435A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657808A (zh) * | 2021-08-31 | 2021-11-16 | 平安医疗健康管理股份有限公司 | 一种人员评定方法、装置、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460692A (zh) * | 2018-03-23 | 2018-08-28 | 深圳市慧择保险经纪有限公司 | 一种基于健康险的线上核保方法、装置、设备和存储介质 |
CN108921708A (zh) * | 2018-06-05 | 2018-11-30 | 沈烨 | 保险服务优化方法、装置和存储介质 |
CN109559243A (zh) * | 2018-12-13 | 2019-04-02 | 泰康保险集团股份有限公司 | 保险核保方法、装置、介质及电子设备 |
CN109615536A (zh) * | 2018-12-13 | 2019-04-12 | 平安医疗健康管理股份有限公司 | 基于ocr技术的保险理赔方法、装置、设备及可读存储介质 |
CN110767308A (zh) * | 2019-10-11 | 2020-02-07 | 平安医疗健康管理股份有限公司 | 信息推送方法、装置、计算机设备和存储介质 |
CN110880362A (zh) * | 2019-11-12 | 2020-03-13 | 南京航空航天大学 | 一种大规模医疗数据知识挖掘与治疗方案推荐系统 |
CN111179096A (zh) * | 2018-11-09 | 2020-05-19 | 天津幸福生命科技有限公司 | 医疗数据审核方法、装置、电子设备及计算机可读介质 |
CN112017785A (zh) * | 2020-11-02 | 2020-12-01 | 平安科技(深圳)有限公司 | 一种疾病风险预测系统、方法、装置、设备及介质 |
-
2020
- 2020-12-28 CN CN202011576806.7A patent/CN112712435A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460692A (zh) * | 2018-03-23 | 2018-08-28 | 深圳市慧择保险经纪有限公司 | 一种基于健康险的线上核保方法、装置、设备和存储介质 |
CN108921708A (zh) * | 2018-06-05 | 2018-11-30 | 沈烨 | 保险服务优化方法、装置和存储介质 |
CN111179096A (zh) * | 2018-11-09 | 2020-05-19 | 天津幸福生命科技有限公司 | 医疗数据审核方法、装置、电子设备及计算机可读介质 |
CN109559243A (zh) * | 2018-12-13 | 2019-04-02 | 泰康保险集团股份有限公司 | 保险核保方法、装置、介质及电子设备 |
CN109615536A (zh) * | 2018-12-13 | 2019-04-12 | 平安医疗健康管理股份有限公司 | 基于ocr技术的保险理赔方法、装置、设备及可读存储介质 |
CN110767308A (zh) * | 2019-10-11 | 2020-02-07 | 平安医疗健康管理股份有限公司 | 信息推送方法、装置、计算机设备和存储介质 |
CN110880362A (zh) * | 2019-11-12 | 2020-03-13 | 南京航空航天大学 | 一种大规模医疗数据知识挖掘与治疗方案推荐系统 |
CN112017785A (zh) * | 2020-11-02 | 2020-12-01 | 平安科技(深圳)有限公司 | 一种疾病风险预测系统、方法、装置、设备及介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657808A (zh) * | 2021-08-31 | 2021-11-16 | 平安医疗健康管理股份有限公司 | 一种人员评定方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11600390B2 (en) | Machine learning clinical decision support system for risk categorization | |
US20210256615A1 (en) | Implementing Machine Learning For Life And Health Insurance Loss Mitigation And Claims Handling | |
US20190267141A1 (en) | Patient readmission prediciton tool | |
US7908151B2 (en) | Get prep questions to ask doctor | |
CN109524069A (zh) | 医疗数据处理方法、装置、电子设备和存储介质 | |
US20160110502A1 (en) | Human and Machine Assisted Data Curation for Producing High Quality Data Sets from Medical Records | |
CN111145909B (zh) | 诊疗数据处理方法与装置、存储介质、电子设备 | |
CN111144658A (zh) | 医疗风险预测方法、装置、系统、存储介质与电子设备 | |
CN111383754B (zh) | 医疗决策方法、医疗决策装置、电子设备及存储介质 | |
CN112100331A (zh) | 医疗数据分析方法及装置、存储介质、电子设备 | |
Panagoulias et al. | Regulation and validation challenges in artificial intelligence-empowered healthcare applications—the case of blood-retrieved biomarkers | |
US20240185999A1 (en) | Telemedicine platform including virtual assistance | |
Ricci de Araujo et al. | Critical care nursing service costs: Comparison of the top‐down versus bottom‐up micro‐costing approach in Brazil | |
CN112712435A (zh) | 服务管理系统、计算机可读存储介质及电子设备 | |
de Almeida et al. | Modeling early warning systems: construction and validation of a discrete event simulation model for heart failure | |
CN116543917A (zh) | 一种针对异构时间序列数据的信息挖掘方法 | |
TWI825467B (zh) | 資料分析系統及資料分析方法 | |
Luo et al. | Generalizability of an automatic explanation method for machine learning prediction results on asthma-related hospital visits in patients with asthma: quantitative analysis | |
CN113160954A (zh) | 医疗资源分配方法及装置、存储介质、电子设备 | |
US20190171982A1 (en) | Financial Modeling and Prediction System | |
CN114822865B (zh) | 诊断数据识别方法及装置、电子设备、存储介质 | |
US20240071623A1 (en) | Patient health platform | |
US20240006060A1 (en) | Machine learning based systems and methods for classifying electronic data and generating messages | |
Zhang et al. | Big Data Analytics Applied to Healthcare | |
WO2023084461A1 (en) | System and method for healthcare data management |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210427 |