CN112885481A - 病例分组方法、装置、电子设备及存储介质 - Google Patents
病例分组方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112885481A CN112885481A CN202110258500.5A CN202110258500A CN112885481A CN 112885481 A CN112885481 A CN 112885481A CN 202110258500 A CN202110258500 A CN 202110258500A CN 112885481 A CN112885481 A CN 112885481A
- Authority
- CN
- China
- Prior art keywords
- data
- case
- grouping
- target
- processed
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims description 65
- 201000010099 disease Diseases 0.000 claims description 42
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 42
- 238000012360 testing method Methods 0.000 claims description 15
- 238000003745 diagnosis Methods 0.000 claims description 14
- 238000004140 cleaning Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 4
- 238000001356 surgical procedure Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 6
- 238000013508 migration Methods 0.000 abstract description 3
- 230000005012 migration Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G16H50/70—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
- 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
- G06F16/906—Clustering; Classification
Abstract
本发明实施例公开了一种病例分组方法、装置、电子设备及存储介质,所述方法包括:获取目标区域的目标待处理数据;其中,所述目标待处理数据包括至少一组待分组病例数据;将所述目标待处理数据输入至预先训练完成的目标病例聚类分组模型中,确定所述目标待处理数据的目标病例分组;其中,所述目标病例聚类分组模型是基于已完成病例分组的历史待处理数据和相应的病例分组结果训练完成的。通过本发明实施例的技术方案,实现了准确快速的确定目标待处理数据的目标病例分组的技术效果,并且实现了病例数据的迁移。
Description
技术领域
本发明实施例涉及医疗信息技术领域,尤其涉及一种病例分组方法、装置、电子设备及存储介质。
背景技术
随着国家公共医疗的布局和医疗改革的不断深入,支付制度改革是医保管理理念和医保经办机构角色发生重大转变的体现。
目前,医保支付方式主要涉及按疾病诊断相关分组(Diagnosis Related Groups,DRG),但是DRG以疾病诊断为核心,将相似病例纳入一个组管理,每个组内有几十个相近的疾病和相近的手术操作,依赖临床路径选择和专家人为判断,存在专业性强、操作难度大的问题。2020年10月开展了按病种分值付费(Diagnosis-Intervention Packet,DIP)试点,DIP强调对临床客观真实数据的统计分析,通过对历史数据中病例的疾病诊断和手术操作进行穷举聚类,按疾病与治疗方式的共性特征客观形成自然分组,病种数量可达几万到几十万,无需根据专家经验进行分组,具有操作更简便的优点。
在DIP病种分组中,将病例分为核心病种和综合病种两类。对于核心病种,可以采用国家标准分组方法,基于分组规则进行分组。但是,对于综合病种,目前采用粗放式的聚类方式进行分组,这种方式存在标准化差、计算量大、误差率高等缺陷,就会造成病种分组判断不准确,患者支付费用计算不准确的问题。
发明内容
本发明实施例提供了一种病例分组方法、装置、电子设备及存储介质,以实现准确快速的确定目标待处理数据的目标病例分组的技术效果。
第一方面,本发明实施例提供了一种病例分组方法,所述方法包括:
获取目标区域的目标待处理数据;其中,所述目标待处理数据包括至少一组待分组病例数据;
将所述目标待处理数据输入至预先训练完成的目标病例聚类分组模型中,确定所述目标待处理数据的目标病例分组;其中,所述目标病例聚类分组模型是基于已完成病例分组的历史待处理数据和相应的病例分组结果训练完成的。
第二方面,本发明实施例还提供了一种病例分组装置,所述装置包括:
数据获取模块,用于获取目标区域的目标待处理数据;其中,所述目标待处理数据包括至少一组待分组病例数据;
病例分组模块,用于将所述目标待处理数据输入至预先训练完成的目标病例聚类分组模型中,确定所述目标待处理数据的目标病例分组;其中,所述目标病例聚类分组模型是基于已完成病例分组的历史待处理数据和相应的病例分组结果训练完成的。
第三方面,本发明实施例还提供了一种电子设备,所述电子设备包括:
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,使得所述一个或多个处理器实现如本发明实施例任一所述的病例分组方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例任一所述的病例分组方法。
本发明实施例的技术方案,通过获取目标区域的目标待处理数据,并将目标待处理数据输入至预先训练完成的目标病例聚类分组模型中,确定目标待处理数据的目标病例分组,解决了在采用粗放式的聚类方式对病种分组时,存在计算量大,误差高的问题,同时,也存在不同区域的病例数据分组依据不统一,导致病例数据无法兼容,难以进行统计和计算的问题,实现了预先根据已分组区域的病例数据,训练得到目标病例聚类分组模型,进而将其应用到未病例分组的区域,不仅准确快速的确定目标待处理数据所属的目标病例分组,还实现了病例数据迁移的技术效果。
附图说明
为了更加清楚地说明本发明示例性实施例的技术方案,下面对描述实施例中所需要用到的附图做一简单介绍。显然,所介绍的附图只是本发明所要描述的一部分实施例的附图,而不是全部的附图,对于本领域普通技术人员,在不付出创造性劳动的前提下,还可以根据这些附图得到其他的附图。
图1为本发明实施例一所提供的一种病例分组方法的流程示意图;
图2为本发明实施例二所提供的一种病例分组方法的流程示意图;
图3为本发明实施例三所提供的一种病例分组装置的结构示意图;
图4为本发明实施例四所提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一所提供的一种病例分组方法的流程示意图,本实施例可适用于对将要病例分组的区域中的综合病种的病例进行分组的情况,该方法可以由病例分组装置来执行,该在可以通过软件和/或硬件的形式实现,该硬件可以是电子设备,可选的,该电子设备可以是PC端或者移动终端等。
如图1所示,本实施例的方法具体包括如下步骤:
S110、获取目标区域的目标待处理数据。
其中,目标区域可以是任意未进行病例分组的一个或多个区域。若需要确定目标区域中某些病例的分组结果,则可以将每一个需要确定分组结果的病例作为待分组病例,并可以将待分组病例的集合作为目标待处理数据。也就表明,目标待处理数据包括至少一组待分组病例数据。
具体的,可以从目标区域的各医疗机构的病例数据库中获取目标待处理数据,以对目标待处理数据中的各待分组病例进行分组。即,确定目标待处理数据中的各病例数据所属的病例组是哪一个。
需要说明的是,在DIP病种分组中,将病例分为核心病种和综合病种两类。以病例数量临界值的方式区分核心病种与综合病种。专家以病例组合是否具有可比性为分组标准,发现高于15例的病种组合可以直接比较,方便直接入组,并将这类病例作为核心病种;低于15例的病例组合不具备可比性,需要重新再次通过其他分组要素进行聚类入组,并将这类病例作为综合病种。本实施例中的病例分组方法可以是针对综合病种进行病例分组的方法。
S120、将目标待处理数据输入至预先训练完成的目标病例聚类分组模型中,确定目标待处理数据的目标病例分组。
其中,目标病例聚类分组模型是基于已完成病例分组的历史待处理数据和相应的病例分组结果训练完成的。目标病例分组可以是目标待处理数据中各待分组病例数据对应的分组结果。
需要说明的是,已完成病例分组的历史待处理数据可以属于目标区域,也可以不属于目标区域。若历史待处理数据与目标待处理数据所属的区域不同,则可以使用目标病例聚类分组模型达到病例聚类分组迁移的效果。
具体的,通过预先训练完成的目标病例聚类分组模型对获取到的目标待处理数据进行分析,可以确定各待分组病例数据的分组结果。
还需要说明的是,预先训练完成的目标病例聚类分组模型所对应的聚类方法可以是K-means聚类算法,层次聚类算法,基于密度的聚类算法(Density-Based SpatialClustering of Applications with Noise,DBSCAN)等,在本实施例中不作具体限定。
在上述技术方案的基础上,为了对待分组病例进行合理和准确的分组,可以考量疾病,手术操作以及医疗费用等因素。可选的,目标待处理数据包括医疗保障结算清单数据,疾病诊断分类标识以及手术操作分类标识中的至少一种。
其中,医疗保障结算清单数据可以是医保定点医疗机构在开展住院、门诊慢特病等医疗服务后,向医保部门申请费用结算时提交的数据清单。医疗保障结算清单数据中可以包括患者基本信息,门诊慢特病诊疗信息,住院诊疗信息以及医疗收费信息等。疾病诊断分类标识可以是国际疾病分类(International Classification of Diseases,ICD),用于表征病因、部位、病理及临床表现等。可选的,可以使用ICD-10编码作为疾病诊断分类标识,在本实施例中不做具体限定。手术操作分类标识可以是用于表征手术分类的标识,例如可以是国际医学操作分类(International Classification of Procedures in Medicine,ICPM)或国际疾病分类第九版临床修订本第三卷(International Classification ofDiseases Clinical Modification of 9th Revision Operations and Procedures,ICD-9-CM-3)等编码标识,在本实施例中不做具体限定。
需要说明的是,将医疗保障结算清单数据,疾病诊断分类标识以及手术操作分类标识作为目标待处理数据的好处在于可以综合评估疾病类型,手术操作类型与医疗费用的相关性。
本发明实施例的技术方案,通过获取目标区域的目标待处理数据,并将目标待处理数据输入至预先训练完成的目标病例聚类分组模型中,确定目标待处理数据的目标病例分组,解决了在采用粗放式的聚类方式对病种分组时,存在计算量大,误差高的问题,同时,也存在不同区域的病例数据分组依据不统一,导致病例数据无法兼容,难以进行统计和计算的问题,实现了预先根据已分组区域的病例数据,训练得到目标病例聚类分组模型,进而将其应用到未病例分组的区域,不仅准确快速的确定目标待处理数据所属的目标病例分组,还实现了病例数据迁移的技术效果。
实施例二
图2为本发明实施例二所提供的一种病例分组方法的流程示意图,本实施例在上述各实施例的基础上,针对目标待处理数据的处理方式,以及目标病例聚类分组模型的训练方式可参见本实施例的技术方案。其中,与上述各实施例相同或相应的术语的解释在此不再赘述。
如图2所示,该方法具体包括以下步骤:
S210、获取目标区域中的待处理数据,并对待处理数据进行数据清洗和/或结构化处理,以得到与目标区域相适配的目标待处理数据。
其中,待处理数据可以是目标区域中的各医疗机构中的待分组的病例初始数据,不同区域的待处理数据的结构和/或名称可能相同也可能不同。数据清洗可以包括检查数据一致性,处理无效值和缺失值等。结构化处理可以是将待处理数据按照预先设置的数据标准进行处理的过程,例如将相同含义的名称进行统一,将数据类型进行统一,将数据进行归一化等。
具体的,在获取目标区域的待处理数据后,可以对待处理数据进行数据清洗,以对数据进行准确性、完整性以及一致性等方面的校验,以提高数据质量。还可以对待处理数据进行结构化处理,以得到统一规范的目标待处理数据。
示例性的,对待处理数据进行结构化处理的方式可以是,预先设置后续进行病例聚类分组时所使用的病例数据表,在获取待处理数据后,将待处理数据按照预先设置的对应关系填入至病例数据表中。例如,区域A的待处理数据使用数据表A进行统计,区域B的待处理数据使用数据表B进行处理,数据表A与数据表B不同。可以将数据表A与数据表B中的待处理数据填入至病例数据表中,以对区域A和区域B中的待处理数据进行统一处理得到目标待处理数据。
需要说明的是,对待处理数据进行数据清洗的好处在于能够从数据源中消除错误数据、不完整数据以及重复数据等,可以提高数据的质量。对待处理数据进行结构化处理的好处在于可以将不同区域的待处理数据进行统一表示,可以消除不同区域间待处理数据的数据差异。
S220、获取目标区域的目标待处理数据。
S230、确定目标病例聚类分组模型。
具体的,为了使目标病例聚类分组模型的分组结果准确,可以对初始病例聚类分组模型进行训练,以避免采用粗放式的聚类方式进行分组时的分组不准确的问题。
可选的,可以通过下述步骤对初始病例聚类分组模型进行训练。
步骤一、获取已完成病例分组区域的多个历史待处理数据和相应的病例分组结果。
其中,历史待处理数据包括已完成病例分组区域的病例的医疗保障结算清单数据,疾病诊断分类标识以及手术操作分类标识。为了提高模型的准确性,可以尽可能多的获取历史待处理数据和相应的病例分组结果。
具体的,可以获取已完成病例分组区域的历史待处理数据,历史待处理数据中可以包括多组已完成病例分组的病例。并且,可以获取历史待处理数据中各病例所对应的分组结果,其中分组结果可以以标签数据的形式表示。
需要说明的是,已完成病例分组区域可以是一个或多个,在本实施例中不作具体限定。例如:已完成病例分组的区域包括区域A以及区域B,则可以区域A或区域B作为已完成病例分组的区域,也可以将区域A和B作为已完成病例分组的区域。目标区域通常为未进行病例分组的区域,即区域A和B之外的其他区域。
步骤二、将对历史待处理数据处理后的历史待使用特征数据,进行特征提取,得到与历史待使用数据对应的历史特征数据。
其中,数据处理可以包括数据清洗和/或结构化处理等。历史待使用特征数据可以是历史待处理数据经过数据清洗和/或结构化处理等数据处理后得到的数据。历史特征数据可以是对历史待处理数据进行特征提取和/或特征选择后得到的数据。
具体的,可以对历史待处理数据进行数据清洗和/或结构化处理等操作,得到历史待使用特征数据。进而,可以对历史待使用特征数据进行特征提取,例如可以使用主成分分析(Principal Component Analysis,PCA),线性判别分析(Linear DiscriminantAnalysis,LDA),奇异值分解(Singular Value Decomposition,SVD)等特征提取方式进行特征提取。特征提取的方法主要是根据历史待处理数据的各特征间的关系进行处理,如组合不同的特征得到新的特征,可以改变原来的特征空间,得到便于后续学习和训练模型使用的数据。还可以对历史待使用特征数据进行特征选择,例如可以使用过滤式(Filter)方法,包裹式(Wrapper)方法,嵌入式(Embedded)方法等进行特征选择。通过特征选择可以从历史待处理数据的全部特征中选择出子集,没有改变原来的特征空间。可以将特征提取后的数据作为与历史待使用数据对应的历史特征数据。
步骤三、基于历史特征数据以及与历史特征数据对应的分组结果对初始病例聚类分组模型进行训练,得到待使用病例聚类分组模型。
具体的,初始病例聚类分组模型可以是K-means聚类算法模型,层次聚类算法模型或DBSCAN模型等。使用历史特征数据以及与历史特征数据对应的分组结果对初始病例聚类分组模型进行训练,可以得到待使用病例聚类分组模型。
在确定初始病例聚类分组模型后,对初始病例聚类分组模型进行训练可以包括:
(1)根据预设规则将历史特征数据以及与历史特征数据对应的分组结果划分为训练样本集和测试样本集。
其中,预设规则可以是按预设比例进行划分的规则,也可以其他数据划分规则。训练样本集用于训练病例聚类分组模型,测试样本集用于评估病例聚类分组模型的分组效果。
具体的,根据预设规则将历史特征数据以及与历史特征数据对应的分组结果划分为训练样本集和测试样本集,通常将历史特征数据以及与历史特征数据对应的分组结果的80%作为训练样本集,20%作为测试样本集。具体预设规则可以根据实际情况设定,在本实施例中不作具体限定。
(2)基于训练样本集对初始病例聚类分组模型进行训练,得到待使用病例聚类分组模型。
基于训练样本集对初始病例聚类分组模型进行训练的过程可以包括:针对训练样本集中的每个训练数据,将当前训练数据输入至预先构建的初始病例聚类分组模型中,得到与当前训练数据对应的实际分组结果;基于实际分组结果与当前训练数据对应的理论分组结果,对初始病例聚类分组模型中的损失函数进行修正,将损失函数收敛作为训练目标,训练得到待使用病例聚类分组模型。
具体的,可以将训练样本集中的每个训练样本数据输入至初始病例聚类分组模型中,得到与训练样本数据相对应的输出值,并将该输出值作为训练样本数据相对应的实际分组结果。基于训练样本数据所对应的实际分组结果与理论分组结果,可以计算出实际分组结果与理论分组结果之间的损失值,基于损失值调整当前病例聚类分组模型中的模型参数。可以将损失函数的训练误差,即损失参数作为检测损失函数当前是否达到收敛的条件,比如训练误差是否小于预设误差或误差变化趋势是否趋于稳定,或者当前的迭代次数是否等于预设次数。若检测达到收敛条件,比如损失函数的训练误差达到小于预设误差或误差变化趋于稳定,表明病例聚类分组模型训练完成,此时可以停止迭代训练。若检测到当前未达到收敛条件,可以进一步获取训练样本数据对当前病例聚类分组模型进行训练,直至损失函数的训练误差在预设范围之内。当损失函数的训练误差达到收敛时,可以将当前的病例聚类分组模型作为待使用病例聚类分组模型。
(3)将测试样本集输入至待使用病例聚类分组模型得到输出结果,当输出结果的准确率满足预设准确率条件时,将待使用病例聚类分组模型作为目标病例聚类分组模型。
可以根据模型准确率对待使用病例聚类分组模型的模型效果进行衡量。确定目标聚类分组模型的过程可以包括:将测试样本集数据输入至待使用病例聚类分组模型中,基于待使用病例聚类分组模型的各输出结果和测试样本集中对应的输出结果,可以确定待使用病例聚类分组模型的准确率;当准确率达到预设准确率阈值,则将待使用病例聚类分组模型作为目标病例聚类分组模型;若准确率未达到准确率阈值,则获取训练样本集数据对待使用病例聚类分组模型继续训练直至待使用病例聚类分组模型的准确率达到预设准确率阈值。
可选的,还可以使用轮廓系数、兰德指数或互信息等其他聚类模型评估方式对待使用病例聚类分组模型进行评估。
S240、将目标待处理数据输入至预先训练完成的目标病例聚类分组模型中,确定目标待处理数据的目标病例分组。
需要说明的是,在本实施例中不限定S230执行时的执行顺序,比如S230可以在S210之前执行,也可以在S220之后执行,只需在S240之前执行即可。
本发明实施例的技术方案,通过获取目标区域中的待处理数据,并对待处理数据进行数据清洗和/或结构化处理,以得到与目标区域相适配的目标待处理数据,使目标待处理数据具有统一化和标准化的特点。通过对初始病例聚类分组模型进行训练,可以确定目标病例聚类分组模型,进而将目标待处理数据输入至预先训练完成的目标病例聚类分组模型中,确定目标待处理数据的目标病例分组,解决了在采用粗放式的聚类方式对病种分组时,存在计算量大,误差高的问题,同时,也存在不同区域的病例数据分组依据不统一以及病例数据名称和格式不统一问题,导致病例数据无法兼容,难以进行统计和计算的问题,实现了预先根据已分组区域的病例数据,训练得到目标病例聚类分组模型,进而将其应用到未病例分组的区域,不仅准确快速的确定目标待处理数据所属的目标病例分组,还实现了病例数据标准化以及病例数据迁移的技术效果。
实施例三
图3为本发明实施例三所提供的一种病例分组装置的结构示意图,该装置包括:数据获取模块310和病例分组模块320。
其中,数据获取模块310,用于获取目标区域的目标待处理数据;其中,所述目标待处理数据包括至少一组待分组病例数据;病例分组模块320,用于将所述目标待处理数据输入至预先训练完成的目标病例聚类分组模型中,确定所述目标待处理数据的目标病例分组;其中,所述目标病例聚类分组模型是基于已完成病例分组的历史待处理数据和相应的病例分组结果训练完成的。
可选的,所述装置还包括:数据处理模块,用于获取目标区域中的待处理数据,并对所述待处理数据进行数据清洗和/或结构化处理,以得到与所述目标区域相适配的目标待处理数据。
可选的,所述装置还包括:模型确定模块,用于确定目标病例聚类分组模型;所述模型确定模块,具体用于获取已完成病例分组区域的多个历史待处理数据和相应的病例分组结果;其中,所述历史待处理数据包括已完成病例分组区域的病例的医疗保障结算清单数据,疾病诊断分类标识以及手术操作分类标识;将对历史待处理数据处理后的历史待使用特征数据,进行特征提取,得到与所述历史待使用数据对应的历史特征数据;基于所述历史特征数据以及与所述历史特征数据对应的分组结果对初始病例聚类分组模型进行训练,得到目标病例聚类分组模型。
可选的,所述模型确定模块,还用于根据预设规则将所述历史特征数据以及与所述历史特征数据对应的分组结果划分为训练样本集和测试样本集;基于所述训练样本集对所述初始病例聚类分组模型进行训练,得到待使用病例聚类分组模型;将所述测试样本集输入至所述待使用病例聚类分组模型得到输出结果,当所述输出结果的准确率满足预设准确率条件时,将所述待使用病例聚类分组模型作为目标病例聚类分组模型。
可选的,所述模型确定模块,还用于针对训练样本集中的每个训练数据,将当前训练数据输入至预先构建的初始病例聚类分组模型中,得到与当前训练数据对应的实际分组结果;基于所述实际分组结果与当前训练数据对应的理论分组结果,对所述初始病例聚类分组模型中的损失函数进行修正,将所述损失函数收敛作为训练目标,训练得到待使用病例聚类分组模型。
可选的,所述模型确定模块,还用于将所述测试样本集数据输入至所述待使用病例聚类分组模型中,基于待使用病例聚类分组模型的输出结果确定待使用病例聚类分组模型的准确率;当所述准确率达到预设准确率阈值,则将待使用病例聚类分组模型作为目标聚类分组模型;若所述准确率未达到所述准确率阈值,则获取训练样本集数据对所述待使用病例聚类分组模型继续训练直至所述待使用病例聚类分组模型的准确率达到所述预设准确率阈值。
可选的,所述目标待处理数据包括医疗保障结算清单数据,疾病诊断分类标识以及手术操作分类标识中的至少一种。
本发明实施例的技术方案,通过获取目标区域的目标待处理数据,并将目标待处理数据输入至预先训练完成的目标病例聚类分组模型中,确定目标待处理数据的目标病例分组,解决了在采用粗放式的聚类方式对病种分组时,存在计算量大,误差高的问题,同时,也存在不同区域的病例数据分组依据不统一,导致病例数据无法兼容,难以进行统计和计算的问题,实现了预先根据已分组区域的病例数据,训练得到目标病例聚类分组模型,进而将其应用到未病例分组的区域,不仅准确快速的确定目标待处理数据所属的目标病例分组,还实现了病例数据迁移的技术效果。
本发明实施例所提供的病例分组装置可执行本发明任意实施例所提供的病例分组方法,具备执行方法相应的功能模块和有益效果。
值得注意的是,上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明实施例的保护范围。
实施例四
图4为本发明实施例四所提供的一种电子设备的结构示意图。图4示出了适于用来实现本发明实施例实施方式的示例性电子设备40的框图。图4显示的电子设备40仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示,电子设备40以通用计算设备的形式表现。电子设备40的组件可以包括但不限于:一个或者多个处理器或者处理单元401,系统存储器402,连接不同系统组件(包括系统存储器402和处理单元401)的总线403。
总线403表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备40典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备40访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器402可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)404和/或高速缓存存储器405。电子设备40可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统406可以用于读写不可移动的、非易失性磁介质(图4未显示,通常称为“硬盘驱动器”)。尽管图4中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线403相连。存储器402可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块407的程序/实用工具408,可以存储在例如存储器402中,这样的程序模块407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。程序模块407通常执行本发明所描述的实施例中的功能和/或方法。
电子设备40也可以与一个或多个外部设备409(例如键盘、指向设备、显示器410等)通信,还可与一个或者多个使得用户能与该电子设备40交互的设备通信,和/或与使得该电子设备40能与一个或多个其它计算设备进行通信的任何设备(例如网卡,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411进行。并且,电子设备40还可以通过网络适配器412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412通过总线403与电子设备40的其它模块通信。应当明白,尽管图4中未示出,可以结合电子设备40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。
处理单元401通过运行存储在系统存储器402中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的病例分组方法。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种病例分组方法,该方法包括:
获取目标区域的目标待处理数据;其中,所述目标待处理数据包括至少一组待分组病例数据;
将所述目标待处理数据输入至预先训练完成的目标病例聚类分组模型中,确定所述目标待处理数据的目标病例分组;其中,所述目标病例聚类分组模型是基于已完成病例分组的历史待处理数据和相应的病例分组结果训练完成的。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——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。计算机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、便携式计算机磁盘、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、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机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。
计算机可读的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,其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、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。
计算机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、电线、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或其组合来编写用于执行本发明实施例操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种病例分组方法,其特征在于,包括:
获取目标区域的目标待处理数据;其中,所述目标待处理数据包括至少一组待分组病例数据;
将所述目标待处理数据输入至预先训练完成的目标病例聚类分组模型中,确定所述目标待处理数据的目标病例分组;其中,所述目标病例聚类分组模型是基于已完成病例分组的历史待处理数据和相应的病例分组结果训练完成的。
2.根据权利要求1所述的方法,其特征在于,在所述获取目标区域的目标待处理数据之前,还包括:
获取目标区域中的待处理数据,并对所述待处理数据进行数据清洗和/或结构化处理,以得到与所述目标区域相适配的目标待处理数据。
3.根据权利要求1所述的方法,其特征在于,还包括:
确定目标病例聚类分组模型;
所述确定目标病例聚类分组模型,包括:
获取已完成病例分组区域的多个历史待处理数据和相应的病例分组结果;其中,所述历史待处理数据包括已完成病例分组区域的病例的医疗保障结算清单数据,疾病诊断分类标识以及手术操作分类标识;
将对历史待处理数据处理后的历史待使用特征数据,进行特征提取,得到与所述历史待使用数据对应的历史特征数据;
基于所述历史特征数据以及与所述历史特征数据对应的分组结果对初始病例聚类分组模型进行训练,得到目标病例聚类分组模型。
4.根据权利要求3所述的方法,其特征在于,所述基于所述历史特征数据以及与所述历史特征数据对应的分组结果对初始病例聚类分组模型进行训练,包括:
根据预设规则将所述历史特征数据以及与所述历史特征数据对应的分组结果划分为训练样本集和测试样本集;
基于所述训练样本集对所述初始病例聚类分组模型进行训练,得到待使用病例聚类分组模型;
将所述测试样本集输入至所述待使用病例聚类分组模型得到输出结果,当所述输出结果的准确率满足预设准确率条件时,将所述待使用病例聚类分组模型作为目标病例聚类分组模型。
5.根据权利要求4所述的方法,其特征在于,所述基于所述训练样本集对所述初始病例聚类分组模型进行训练,得到待使用病例聚类分组模型,包括:
针对训练样本集中的每个训练数据,将当前训练数据输入至预先构建的初始病例聚类分组模型中,得到与当前训练数据对应的实际分组结果;
基于所述实际分组结果与当前训练数据对应的理论分组结果,对所述初始病例聚类分组模型中的损失函数进行修正,将所述损失函数收敛作为训练目标,训练得到待使用病例聚类分组模型。
6.根据权利要求4所述的方法,其特征在于,所述将所述测试样本集输入至所述待使用病例聚类分组模型得到输出结果,当所述输出结果的准确率满足预设准确率条件时,将所述待使用病例聚类分组模型作为目标病例聚类分组模型,包括:
将所述测试样本集数据输入至所述待使用病例聚类分组模型中,基于待使用病例聚类分组模型的输出结果确定待使用病例聚类分组模型的准确率;
当所述准确率达到预设准确率阈值,则将待使用病例聚类分组模型作为目标聚类分组模型;
若所述准确率未达到所述准确率阈值,则获取训练样本集数据对所述待使用病例聚类分组模型继续训练直至所述待使用病例聚类分组模型的准确率达到所述预设准确率阈值。
7.根据权利要求1-6任一所述的方法,其特征在于,所述目标待处理数据包括医疗保障结算清单数据,疾病诊断分类标识以及手术操作分类标识中的至少一种。
8.一种病例分组装置,其特征在于,包括:
数据获取模块,用于获取目标区域的目标待处理数据;其中,所述目标待处理数据包括至少一组待分组病例数据;
病例分组模块,用于将所述目标待处理数据输入至预先训练完成的目标病例聚类分组模型中,确定所述目标待处理数据的目标病例分组;其中,所述目标病例聚类分组模型是基于已完成病例分组的历史待处理数据和相应的病例分组结果训练完成的。
9.一种电子设备,其特征在于,所述电子设备包括:
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,使得所述一个或多个处理器实现如权利要求1-7中任一所述的病例分组方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的病例分组方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110258500.5A CN112885481A (zh) | 2021-03-09 | 2021-03-09 | 病例分组方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110258500.5A CN112885481A (zh) | 2021-03-09 | 2021-03-09 | 病例分组方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112885481A true CN112885481A (zh) | 2021-06-01 |
Family
ID=76054042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110258500.5A Pending CN112885481A (zh) | 2021-03-09 | 2021-03-09 | 病例分组方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112885481A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113487442A (zh) * | 2021-09-08 | 2021-10-08 | 武汉金豆医疗数据科技有限公司 | 基于大数据的dip分值测算方法与系统 |
CN113723507A (zh) * | 2021-08-30 | 2021-11-30 | 联仁健康医疗大数据科技股份有限公司 | 数据分类标识确定方法、装置、电子设备及存储介质 |
CN113823414A (zh) * | 2021-08-23 | 2021-12-21 | 杭州火树科技有限公司 | 主诊断与主手术匹配检测方法、装置、计算设备和存储介质 |
CN114153871A (zh) * | 2021-12-07 | 2022-03-08 | 上海柯林布瑞信息技术有限公司 | 基于dip分组的数据查询优化方法及装置 |
CN115662646A (zh) * | 2022-12-08 | 2023-01-31 | 武汉金豆医疗数据科技有限公司 | 医疗决策平台的构建方法及装置、电子设备和存储介质 |
CN116628560A (zh) * | 2023-07-24 | 2023-08-22 | 四川互慧软件有限公司 | 基于聚类算法的蛇伤病例数据识别方法、装置及电子设备 |
CN117219288A (zh) * | 2023-10-27 | 2023-12-12 | 上海金仕达卫宁软件科技有限公司 | 基于医保病例的治疗方式的病例分类方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170351822A1 (en) * | 2016-06-07 | 2017-12-07 | hMetrix LLC | Method and system for analyzing and displaying optimization of medical resource utilization |
CN110399544A (zh) * | 2019-06-27 | 2019-11-01 | 迪安诊断技术集团股份有限公司 | 电子病历数字对象分类器生成方法以及最终分类器系统 |
CN111161814A (zh) * | 2019-12-18 | 2020-05-15 | 浙江大学 | 一种基于卷积神经网络的DRGs自动分组方法 |
CN111785385A (zh) * | 2020-06-29 | 2020-10-16 | 微医云(杭州)控股有限公司 | 疾病分类方法、装置、设备和存储介质 |
CN112133395A (zh) * | 2020-07-10 | 2020-12-25 | 青岛国新健康产业科技有限公司 | 一种病例分组方法、装置、电子设备及存储介质 |
-
2021
- 2021-03-09 CN CN202110258500.5A patent/CN112885481A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170351822A1 (en) * | 2016-06-07 | 2017-12-07 | hMetrix LLC | Method and system for analyzing and displaying optimization of medical resource utilization |
CN110399544A (zh) * | 2019-06-27 | 2019-11-01 | 迪安诊断技术集团股份有限公司 | 电子病历数字对象分类器生成方法以及最终分类器系统 |
CN111161814A (zh) * | 2019-12-18 | 2020-05-15 | 浙江大学 | 一种基于卷积神经网络的DRGs自动分组方法 |
CN111785385A (zh) * | 2020-06-29 | 2020-10-16 | 微医云(杭州)控股有限公司 | 疾病分类方法、装置、设备和存储介质 |
CN112133395A (zh) * | 2020-07-10 | 2020-12-25 | 青岛国新健康产业科技有限公司 | 一种病例分组方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
郑碧如: "基于聚类分析的疾病诊断相关分组研究", 《电脑知识与技术》, no. 02, pages 251 - 253 * |
陈学涛等: "临床路径下病例组合方法研究", 《医学研究生学报》, no. 06, pages 88 - 90 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113823414A (zh) * | 2021-08-23 | 2021-12-21 | 杭州火树科技有限公司 | 主诊断与主手术匹配检测方法、装置、计算设备和存储介质 |
CN113823414B (zh) * | 2021-08-23 | 2024-04-05 | 杭州火树科技有限公司 | 主诊断与主手术匹配检测方法、装置、计算设备和存储介质 |
CN113723507A (zh) * | 2021-08-30 | 2021-11-30 | 联仁健康医疗大数据科技股份有限公司 | 数据分类标识确定方法、装置、电子设备及存储介质 |
CN113487442A (zh) * | 2021-09-08 | 2021-10-08 | 武汉金豆医疗数据科技有限公司 | 基于大数据的dip分值测算方法与系统 |
CN114153871A (zh) * | 2021-12-07 | 2022-03-08 | 上海柯林布瑞信息技术有限公司 | 基于dip分组的数据查询优化方法及装置 |
CN115662646A (zh) * | 2022-12-08 | 2023-01-31 | 武汉金豆医疗数据科技有限公司 | 医疗决策平台的构建方法及装置、电子设备和存储介质 |
CN116628560A (zh) * | 2023-07-24 | 2023-08-22 | 四川互慧软件有限公司 | 基于聚类算法的蛇伤病例数据识别方法、装置及电子设备 |
CN117219288A (zh) * | 2023-10-27 | 2023-12-12 | 上海金仕达卫宁软件科技有限公司 | 基于医保病例的治疗方式的病例分类方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112885481A (zh) | 病例分组方法、装置、电子设备及存储介质 | |
JP5586373B2 (ja) | 支払請求を処理するコンポーネントの機能をコンピュータシステムに実現させるプログラムが記録されているコンピュータ読み取り可能な記憶媒体、およびコンピュータシステムに支払請求を処理させるコンピュータシステムの動作方法 | |
CN109447461B (zh) | 用户信用评估方法及装置、电子设备、存储介质 | |
CN109524069B (zh) | 医疗数据处理方法、装置、电子设备和存储介质 | |
CN108091372B (zh) | 医疗字段映射校验方法及装置 | |
CN109545387B (zh) | 一种基于神经网络的异常病例识别方法及计算设备 | |
US20200185069A1 (en) | Medical coding quality control | |
CN115691722A (zh) | 医疗数据检测的质控方法、装置、设备、介质及程序产品 | |
CN112786129A (zh) | 病例数据的分析方法、装置、电子设备及存储介质 | |
CN110647523B (zh) | 数据质量的分析方法及装置、存储介质、电子设备 | |
CN107704869A (zh) | 一种语料数据抽样方法及模型训练方法 | |
CN116719926B (zh) | 基于智慧医疗的先天性心脏病报告数据筛选方法及系统 | |
CN113592017A (zh) | 一种深度学习模型标准化训练方法、管理系统、处理终端 | |
CN110265127B (zh) | 病种费用测算方法、装置及终端设备 | |
CN112446601A (zh) | 不可算台区数据诊断方法及系统 | |
CN111863135A (zh) | 一种假阳性结构变异过滤方法、存储介质及计算设备 | |
CN111680082A (zh) | 基于数据整合的政府财政数据采集系统及数据采集方法 | |
CN111161884A (zh) | 针对不平衡数据的疾病预测方法、装置、设备及介质 | |
WO2021103623A1 (zh) | 一种脓毒血症的预警装置、设备及存储介质 | |
CN113470775A (zh) | 信息采集方法、装置、设备及存储介质 | |
CN115762769A (zh) | 一种ercp术后风险智能预警系统 | |
CN114360732A (zh) | 医疗数据分析方法、装置、电子设备及存储介质 | |
CN113707304A (zh) | 分诊数据处理方法、装置、设备及存储介质 | |
CN112711579A (zh) | 医疗数据的质量检测方法及装置、存储介质及电子设备 | |
CN113069108A (zh) | 用户状态监测方法、装置、电子设备及存储介质 |
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 |