CN112926879B - 疾病诊断相关分组的支付方案决策方法、装置及设备 - Google Patents
疾病诊断相关分组的支付方案决策方法、装置及设备 Download PDFInfo
- Publication number
- CN112926879B CN112926879B CN202110328115.3A CN202110328115A CN112926879B CN 112926879 B CN112926879 B CN 112926879B CN 202110328115 A CN202110328115 A CN 202110328115A CN 112926879 B CN112926879 B CN 112926879B
- Authority
- CN
- China
- Prior art keywords
- change rate
- payment
- medical
- data
- sampling
- 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.)
- Active
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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请涉及数字医疗技术领域,揭示了一种疾病诊断相关分组的支付方案决策方法、装置及设备,其中方法包括:根据医疗影响因素数据、待评估的支付方案决策参数和历史卫生服务弹性系数得到卫生服务弹性系数预测结果;根据抽样参数、MCMC抽样方法、Gibbs抽样方法和卫生服务弹性系数预测结果得到多个医疗模拟样本数据;根据医院实收变化率阈值、医保支付变化率阈值、变化率约束条件数据、所有根据待评估的支付方案决策参数和多个医疗模拟样本数据得到的目标医保支付费用和多个医疗模拟样本数据进行合格评估,重复上述步骤直至合格;根据待评估的支付方案决策参数确定目标支付方案决策结果。实现了自动化决策,提高了决策效率和准确性。
Description
技术领域
本申请涉及到数字医疗技术领域,特别是涉及到一种疾病诊断相关分组的支付方案决策方法、装置及设备。
背景技术
DRGs(Diagnosis Related Groups,诊断相关分类)付费,即按疾病诊断相关分组付费,将住院病人分组后、根据分组按标准付费。DRGs付费将合理配置医疗费用,有助于优化医生诊疗行为、控制医疗总费用的上升,是近期医疗保障局重点推广的支付方式之一。在试点落地DRGs付费时,需要根据历史住院病案数据、收费数据模拟本地区的疾病诊断相关分组对应的支付方案决策参数,以评估出合理的支付方案决策参数。在确定合理的支付方案决策参数的过程中时,采用人工决策的方法决策支付方案决策参数,因为需要评估600余个分组的权重、具体支付的规则参数,以及需要确保在医保基金不超支和医院经济运行顺利的情况下引导医院趋于合理化诊疗,面临着数据量大难处理、外部决策不灵活的难题,导致决策的工作量比较大。
发明内容
本申请的主要目的为提供一种疾病诊断相关分组的支付方案决策方法、装置及设备,旨在解决现有技术中在试点落地DRGs付费时,在确定合理的支付方案决策参数的过程中,采用人工决策的方法决策支付方案决策参数,存在决策的工作量比较大的技术问题。
为了实现上述发明目的,本申请提出一种疾病诊断相关分组的支付方案决策方法,所述方法包括:
获取支付方案决策请求,所述支付方案决策请求携带有医疗影响因素数据、历史卫生服务弹性系数和抽样参数;
获取疾病诊断相关分组对应的待评估的支付方案决策参数;
获取预设的时间序列预测模型,根据所述预设的时间序列预测模型、所述医疗影响因素数据、所述待评估的支付方案决策参数和所述历史卫生服务弹性系数进行卫生服务弹性系数预测,得到卫生服务弹性系数预测结果;
根据MCMC抽样方法、Gibbs抽样方法、所述抽样参数和所述卫生服务弹性系数预测结果进行样本抽样,得到多个医疗模拟样本数据;
根据所述待评估的支付方案决策参数和所述多个医疗模拟样本数据进行医保支付费用计算,得到所述多个医疗模拟样本数据各自对应的目标医保支付费用;
获取医院实收变化率阈值、医保支付变化率阈值和变化率约束条件数据,根据所述医院实收变化率阈值、所述医保支付变化率阈值、所述变化率约束条件数据、所有所述目标医保支付费用和所述多个医疗模拟样本数据进行支付方案决策参数的合格评估,得到合格评估结果;
当所述合格评估结果为不合格时,重复执行所述获取疾病诊断相关分组对应的待评估的支付方案决策参数的步骤直至所述合格评估结果为合格;
根据所述待评估的支付方案决策参数确定目标支付方案决策结果。
进一步的,所述根据所述预设的时间序列预测模型、所述医疗影响因素数据、所述待评估的支付方案决策参数和所述历史卫生服务弹性系数进行卫生服务弹性系数预测,得到卫生服务弹性系数预测结果的步骤,包括:
将所述医疗影响因素数据、所述待评估的支付方案决策参数和所述历史卫生服务弹性系数输入所述预设的时间序列预测模型进行卫生服务弹性系数预测;
根据所述预设的时间序列预测模型输出的预测结果,确定所述卫生服务弹性系数预测结果;
其中,所述医疗影响因素数据包括:待决策区域人均可支配收入数据、待决策区域消费者物价指数、待决策区域人口结构数据、待决策区域城镇化率、待决策区域卫生资源数据和待决策区域ICD-10编码疾病患病率。
进一步的,所述根据MCMC抽样方法、Gibbs抽样方法、所述抽样参数和所述卫生服务弹性系数预测结果进行样本抽样,得到多个医疗模拟样本数据的步骤,包括:
根据所述卫生服务弹性系数预测结果进行平稳分布函数生成,得到目标平稳分布函数;
根据所述MCMC抽样方法、所述Gibbs抽样方法、所述抽样参数和所述目标平稳分布函数进行样本抽样,得到所述多个医疗模拟样本数据。
进一步的,所述根据所述MCMC抽样方法、所述Gibbs抽样方法、所述抽样参数和所述目标平稳分布函数进行样本抽样,得到所述多个医疗模拟样本数据的步骤,包括:
采用所述MCMC抽样方法,根据所述抽样参数、所述目标平稳分布函数进行能估计分布函数的指标的抽样,得到第一抽样数据;
采用所述Gibbs抽样方法,根据所述抽样参数、所述目标平稳分布函数进行有关联的多维指标的抽样,得到第二抽样数据;
将所述第一抽样数据和所述第二抽样数据进行拼接处理,得到所述多个医疗模拟样本数据。
进一步的,所述根据所述医院实收变化率阈值、所述医保支付变化率阈值、所述变化率约束条件数据、所有所述目标医保支付费用和所述多个医疗模拟样本数据进行支付方案决策参数的合格评估,得到合格评估结果的步骤,包括:
根据所有所述目标医保支付费用、所述多个医疗模拟样本数据进行医院实收变化率计算和医保支付变化率计算,得到待分析的医院实收变化率和待分析的医保支付变化率;
基于所述变化率约束条件数据,根据所有所述目标医保支付费用、所述多个医疗模拟样本数据进行约束条件变化率计算,得到待分析的约束条件变化率集合;
基于所述医院实收变化率阈值、所述医保支付变化率阈值和所述变化率约束条件数据,根据所述待分析的医院实收变化率、所述待分析的医保支付变化率和所述待分析的约束条件变化率集合进行支付方案决策参数的合格评估,得到所述合格评估结果。
进一步的,所述基于所述医院实收变化率阈值、所述医保支付变化率阈值和所述变化率约束条件数据,根据所述待分析的医院实收变化率、所述待分析的医保支付变化率和所述待分析的约束条件变化率集合进行支付方案决策参数的合格评估,得到所述合格评估结果的步骤,包括:
将所述待分析的医院实收变化率与所述医院实收变化率阈值进行对比,得到医院实收变化率对比结果;
将所述待分析的医保支付变化率与所述医保支付变化率阈值进行对比,得到医保支付变化率对比结果;
将所述待分析的约束条件变化率集合与所述变化率约束条件数据进行对比,得到变化率约束条件对比结果集合;
当所述医院实收变化率对比结果和所述医保支付变化率对比结果均为小于或等于,并且,所述变化率约束条件对比结果集合为全部符合时,确定所述合格评估结果为合格,否则,确定所述合格评估结果为不合格。
进一步的,所述根据所述医院实收变化率阈值、所述医保支付变化率阈值、所述变化率约束条件数据、所有所述目标医保支付费用和所述多个医疗模拟样本数据进行支付方案决策参数的合格评估,得到合格评估结果的步骤,包括:
根据虚拟变量转换方法、einsum函数、所述医院实收变化率阈值、所述医保支付变化率阈值、所述变化率约束条件数据、所有所述目标医保支付费用和所述多个医疗模拟样本数据进行支付方案决策参数的合格评估,得到所述合格评估结果。
本申请还提出了一种疾病诊断相关分组的支付方案决策装置,所述装置包括:
请求获取模块,用于获取支付方案决策请求,所述支付方案决策请求携带有医疗影响因素数据、历史卫生服务弹性系数和抽样参数;
待评估的支付方案决策参数获取模块,用于获取疾病诊断相关分组对应的待评估的支付方案决策参数;
卫生服务弹性系数预测模块,用于获取预设的时间序列预测模型,根据所述预设的时间序列预测模型、所述医疗影响因素数据、所述待评估的支付方案决策参数和所述历史卫生服务弹性系数进行卫生服务弹性系数预测,得到卫生服务弹性系数预测结果;
样本抽样模块,用于根据MCMC抽样方法、Gibbs抽样方法、所述抽样参数和所述卫生服务弹性系数预测结果进行样本抽样,得到多个医疗模拟样本数据;
医保支付费用计算模块,用于根据所述待评估的支付方案决策参数和所述多个医疗模拟样本数据进行医保支付费用计算,得到所述多个医疗模拟样本数据各自对应的目标医保支付费用;
支付方案决策参数的合格评估模块,用于获取医院实收变化率阈值、医保支付变化率阈值和变化率约束条件数据,根据所述医院实收变化率阈值、所述医保支付变化率阈值、所述变化率约束条件数据、所有所述目标医保支付费用和所述多个医疗模拟样本数据进行支付方案决策参数的合格评估,得到合格评估结果,当所述合格评估结果为不合格时,重复执行所述获取疾病诊断相关分组对应的待评估的支付方案决策参数的步骤直至所述合格评估结果为合格;
目标支付方案决策结果确定模块,用于根据所述待评估的支付方案决策参数确定目标支付方案决策结果
本申请还提出了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请还提出了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请的疾病诊断相关分组的支付方案决策方法、装置及设备,通过首先获取疾病诊断相关分组对应的待评估的支付方案决策参数,其次根据预设的时间序列预测模型、医疗影响因素数据、待评估的支付方案决策参数和历史卫生服务弹性系数进行卫生服务弹性系数预测,得到卫生服务弹性系数预测结果,根据MCMC抽样方法、Gibbs抽样方法、抽样参数和卫生服务弹性系数预测结果进行样本抽样,得到多个医疗模拟样本数据,然后根据待评估的支付方案决策参数和多个医疗模拟样本数据进行医保支付费用计算,得到多个医疗模拟样本数据各自对应的目标医保支付费用,最后根据医院实收变化率阈值、医保支付变化率阈值、变化率约束条件数据、所有目标医保支付费用和多个医疗模拟样本数据进行支付方案决策参数的合格评估,得到合格评估结果,当合格评估结果为不合格时,重复执行获取疾病诊断相关分组对应的待评估的支付方案决策参数的步骤直至合格评估结果为合格,根据待评估的支付方案决策参数确定目标支付方案决策结果,实现了自动化进行目标支付方案决策结果的决策,提高了决策的效率;多个医疗模拟样本数据是采用MCMC抽样方法和Gibbs抽样方法根据卫生服务弹性系数预测结果进行样本抽样得到的,实现了基于动态场景生成多个医疗模拟样本数据,有利于提高决策的准确性;通过当合格评估结果为不合格时重复执行获取疾病诊断相关分组对应的待评估的支付方案决策参数的步骤直至合格评估结果为合格,从而实现了自动进行多轮迭代,有利于灵活模拟出不同的待评估的支付方案决策参数的支付效果,有利于预估未来的执行效果。
附图说明
图1为本申请一实施例的疾病诊断相关分组的支付方案决策方法的流程示意图;
图2为本申请一实施例的疾病诊断相关分组的支付方案决策装置的结构示意框图;
图3为本申请一实施例的计算机设备的结构示意框图。
本申请目的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
为了解决现有技术中在试点落地DRGs付费时,在确定合理的支付方案决策参数的过程中,采用人工决策的方法决策支付方案决策参数,存在决策的工作量比较大的技术问题,本申请提出了疾病诊断相关分组的支付方案决策方法,所述方法应用于数字医疗技术领域,所述方法进一步应用于数字医疗技术领域的医疗信息化技术领域。所述疾病诊断相关分组的支付方案决策方法,通过首先获取需要决策的支付方案决策参数,根据医疗影响因素和需要决策的支付方案决策参数、预设的时间序列预测模型进行卫生服务弹性系数预测,其次基于所述抽样参数,采用MCMC抽样方法和Gibbs抽样方法,根据卫生服务弹性系数预测结果进行样本抽样,然后根据样本抽样结果和需要决策的支付方案决策参数计算各个样本的医保支付费用,最后基于医院实收变化率阈值、医保支付变化率阈值和变化率约束条件数据,根据各个样本的医保支付费用进行合格评估,评估不合格重新获取需要决策的支付方案决策参数以实现重新决策,评估合格则根据合格的需要决策的支付方案决策参数确定目标支付方案决策结果,实现了自动化进行目标支付方案决策结果的决策,提高了决策的效率;多个医疗模拟样本数据是采用MCMC抽样方法和Gibbs抽样方法根据卫生服务弹性系数预测结果进行样本抽样得到的,实现了基于动态场景生成多个医疗模拟样本数据,有利于提高决策的准确性;通过当合格评估结果为不合格时重复执行获取疾病诊断相关分组对应的待评估的支付方案决策参数的步骤直至合格评估结果为合格,从而实现了自动进行多轮迭代,有利于灵活模拟出不同的待评估的支付方案决策参数的支付效果,有利于预估未来的执行效果。
参照图1,本申请实施例中提供一种疾病诊断相关分组的支付方案决策方法,所述方法包括:
S1:获取支付方案决策请求,所述支付方案决策请求携带有医疗影响因素数据、历史卫生服务弹性系数和抽样参数;
S2:获取疾病诊断相关分组对应的待评估的支付方案决策参数;
S3:获取预设的时间序列预测模型,根据所述预设的时间序列预测模型、所述医疗影响因素数据、所述待评估的支付方案决策参数和所述历史卫生服务弹性系数进行卫生服务弹性系数预测,得到卫生服务弹性系数预测结果;
S4:根据MCMC抽样方法、Gibbs抽样方法、所述抽样参数和所述卫生服务弹性系数预测结果进行样本抽样,得到多个医疗模拟样本数据;
S5:根据所述待评估的支付方案决策参数和所述多个医疗模拟样本数据进行医保支付费用计算,得到所述多个医疗模拟样本数据各自对应的目标医保支付费用;
S6:获取医院实收变化率阈值、医保支付变化率阈值和变化率约束条件数据,根据所述医院实收变化率阈值、所述医保支付变化率阈值、所述变化率约束条件数据、所有所述目标医保支付费用和所述多个医疗模拟样本数据进行支付方案决策参数的合格评估,得到合格评估结果;
S7:当所述合格评估结果为不合格时,重复执行所述获取疾病诊断相关分组对应的待评估的支付方案决策参数的步骤直至所述合格评估结果为合格;
S8:根据所述待评估的支付方案决策参数确定目标支付方案决策结果。
本实施例通过首先获取疾病诊断相关分组对应的待评估的支付方案决策参数,其次基于预设的时间序列预测模型,根据医疗影响因素数据、待评估的支付方案决策参数、历史卫生服务弹性系数进行卫生服务弹性系数预测,得到卫生服务弹性系数预测结果,基于抽样参数,采用MCMC抽样方法和Gibbs抽样方法,根据卫生服务弹性系数预测结果进行样本抽样,得到多个医疗模拟样本数据,然后根据待评估的支付方案决策参数和多个医疗模拟样本数据进行医保支付费用计算,得到多个医疗模拟样本数据各自对应的目标医保支付费用,最后基于医院实收变化率阈值、医保支付变化率阈值和变化率约束条件数据,根据所有目标医保支付费用、多个医疗模拟样本数据进行支付方案决策参数的合格评估,得到合格评估结果,当合格评估结果为不合格时,重复执行获取疾病诊断相关分组对应的待评估的支付方案决策参数的步骤直至合格评估结果为合格,根据待评估的支付方案决策参数确定目标支付方案决策结果,实现了自动化进行目标支付方案决策结果的决策,提高了决策的效率;多个医疗模拟样本数据是采用MCMC抽样方法和Gibbs抽样方法根据卫生服务弹性系数预测结果进行样本抽样得到的,实现了基于动态场景生成多个医疗模拟样本数据,有利于提高决策的准确性;通过当合格评估结果为不合格时重复执行获取疾病诊断相关分组对应的待评估的支付方案决策参数的步骤直至合格评估结果为合格,从而实现了自动进行多轮迭代,有利于灵活模拟出不同的待评估的支付方案决策参数的支付效果,有利于预估未来的执行效果。
对应S1,可以获取用户输入的支付方案决策请求,也可以获取第三方应用系统发送的支付方案决策请求。
支付方案决策请求,是指针对待决策区域,进行疾病诊断相关分组对应的支付方案决策参数的决策,得到合格的支付方案决策参数的请求。
医疗影响因素数据,是指待决策区域的影响医疗的数据。医疗影响因素数据包括但不限于:待决策区域人均可支配收入数据、待决策区域消费者物价指数、待决策区域人口结构数据、待决策区域城镇化率、待决策区域卫生资源数据和待决策区域ICD-10编码疾病患病率。待决策区域人均可支配收入数据是指待决策区域的人均可支配收入。待决策区域消费者物价指数是指待决策区域的消费者物价指数(CPI)。待决策区域人口结构数据是指待决策区域的人口结构。待决策区域城镇化率是指待决策区域城的镇化率。待决策区域卫生资源数据是指待决策区域的各级公立医院数量、卫生服务机构数量、千人执业医师数量、千人护士数量。待决策区域ICD-10编码疾病患病率,是指待决策区域的ICD-10编码中各种疾病各自对应的患病率。ICD,是指国际疾病分类。
历史卫生服务弹性系数,是指历史的卫生服务弹性系数。卫生服务弹性系数为经济增长率与卫生服务需求增长速度之比,用于反映卫生服务增长对经济增长的弹性作用。
抽样参数,是指样本抽样的参数。抽样参数包括但不限于:各种类型医院参数、各类收入群体参数、各类患病群体参数。抽样参数,可以采用当前年份的上一年的各种类型医院参数、各类收入群体参数、各类患病群体参数,也可以距离预设时间点在预设时长内的参数的各种类型医院参数的平均值、各类收入群体参数的平均值、各类患病群体参数的平均值。因为DRGs的医疗模拟样本数据的数量需要足够大才可以控制随机影响因素产生的不确定性对决策结果的影响,因此抽样的样本需要足够大。比如,3000万人口的地区,抽样得到的医疗个案需要达到30万才会基本覆盖各种类型的医院、个各类收入群体、各类患病群体的样本超过100个以上,在此举例不做具体限定。通过设置抽样参数,从而使抽样得到的医疗模拟样本数据满足疾病诊断相关分组对应的支付方案的决策的要求。
对应S2,可以从数据库中获取疾病诊断相关分组对应的待评估的支付方案决策参数,也可以获取用户输入的疾病诊断相关分组对应的待评估的支付方案决策参数,还可以获取第三方应用系统发送的疾病诊断相关分组对应的待评估的支付方案决策参数。
待评估的支付方案决策参数,也就是需要评估是否合格的支付方案决策参数。支付方案决策参数包括但不限于:DRG组(疾病诊断相关分组)权重、费率、住院费用高限、住院费用低限、低住院天数标准、起付线、报销比例。DRG组权重是一个疾病诊断相关分组的权重。DRG组权重与费率相乘得到DRG组支付标准。住院费用高限,当一个病人住院总费用高于所在DRG组的DRG组支付标准的规定倍数(比如,三级医院的规定倍数采用3倍,二级医院的规定倍数采用2倍,在此举例不做具体限定),定义为费用极高病例。住院费用低限,当一个病人住院总费用低于DRG组的DRG组支付标准的规定倍数(比如,规定倍数采用0.3,在此举例不做具体限定),定义为费用极低病例。低住院天数标准,当一个病人住院总天数低于所在地区所有病人平均住院天数一定范围(通常认为是4天)定义为低住院天数病例。起付线,指住院费用中需病人个人支付一部分、超出该部分的内容计入医保报销金额。报销比例,是指社保报销的比例。
可选的,将待评估的支付方案决策参数采用图形化界面进行展示,从而有利于快速的手动调整待评估的支付方案决策参数,提高了疾病诊断相关分组对应的支付方案的决策的效率。
对应S3,可以从数据库中获取预设的时间序列预测模型,也可以从第三方应用系统中获取预设的时间序列预测模型。
其中,预设的时间序列预测模型是基于X-ARIMA模型(差分整合移动平均自回归模型)训练得到的模型。
其中,先用所述医疗影响因素数据、所述待评估的支付方案决策参数影响预设的时间序列预测模型的参数,然后将所述历史卫生服务弹性系数输入预设的时间序列预测模型进行卫生服务弹性系数预测,得到卫生服务弹性系数预测结果。具体来说,所述医疗影响因素数据的高低来调整预设的时间序列预测模型的上升和下降趋势。所述医疗影响因素数据中各个数据通过累加效应影响预设的时间序列预测模型的波动趋势。
对应S4,根据所述卫生服务弹性系数预测结果确定目标平稳分布函数;采用所述MCMC(markov-chain monte carlo)抽样方法,根据所述抽样参数、所述目标平稳分布函数进行能估计分布函数的指标的抽样,得到第一抽样数据;采用所述Gibbs抽样(吉布斯采样)方法,根据所述抽样参数、所述目标平稳分布函数进行有关联的多维指标的抽样,得到第二抽样数据;将所述第一抽样数据和所述第二抽样数据进行拼接处理,得到所述多个医疗模拟样本数据。可以理解的是,采用所述MCMC抽样方法根据所述抽样参数、所述目标平稳分布函数进行能估计分布函数的指标的抽样和采用所述Gibbs抽样方法根据所述抽样参数、所述目标平稳分布函数进行有关联的多维指标的抽样可以同步执行,也可以以其他顺序异步执行,在此不做限定。
对应S5,从所述多个医疗模拟样本数据中提取一个医疗模拟样本数据作为待计算的医疗模拟样本数据;根据所述待评估的支付方案决策参数和所述待计算的医疗模拟样本数据进行疾病诊断相关分组对应的医保支付费用计算,得到所述待计算的医疗模拟样本数据对应的所述目标医保支付费用;重复执行所述从所述多个医疗模拟样本数据中提取一个医疗模拟样本数据作为待计算的医疗模拟样本数据的步骤,直至确定所述多个医疗模拟样本数据中各个医疗模拟样本数据各自对应的所述目标医保支付费用。也就是说,所述目标医保支付费用是根据待评估的支付方案决策参数进行疾病诊断相关分组对应的医保支付费用计算的结果。
对应S6,可以从数据库中获取医院实收变化率阈值,也可以获取用户输入的医院实收变化率阈值,还可以获取第三方应用系统发送的医院实收变化率阈值,还可以将医院实收变化率阈值写入实现本申请的程序文件中。医院实收变化率阈值,是一个0-1的数值。
可以从数据库中获取医保支付变化率阈值,也可以获取用户输入的医保支付变化率阈值,还可以获取第三方应用系统发送的医保支付变化率阈值,还可以将医保支付变化率阈值写入实现本申请的程序文件中。医保支付变化率阈值,是一个0-1的数值。
可以从数据库中获取变化率约束条件数据,也可以获取用户输入的变化率约束条件数据,还可以获取第三方应用系统发送的变化率约束条件数据,还可以将变化率约束条件数据写入实现本申请的程序文件中。变化率约束条件数据包括一个或多个变化率约束条件。变化率约束条件包括但不限于:分医院级别的医院实收变化率约束条件、分医院的医院实收变化率约束条件、分科室的医院实收变化率约束条件、分医院级别的医保支付变化率约束条件、分医院的医保支付变化率约束条件、分疾病人群的医保支付变化率约束条件。
其中,根据所有所述目标医保支付费用、所述多个医疗模拟样本数据,判断测算的医院实收变化率是否小于或等于医院实收变化率阈值、测算的医保支付变化率是否小于或等于医保支付变化率阈值、各约束条件对应的变化率是否满足各自对应的变化率约束条件;当测算的医院实收变化率小于或等于医院实收变化率阈值、测算的医保支付变化率小于或等于医保支付变化率阈值、各约束条件对应的变化率满足各自对应的变化率约束条件时,意味着模拟出的待评估的支付方案决策参数的支付效果符合预期要求,此时可以确定待评估的支付方案决策参数为合格的支付方案决策参数,因此确定合格评估结果为合格;当测算的医院实收变化率大于医院实收变化率阈值、测算的医保支付变化率大于医保支付变化率阈值、各约束条件对应的变化率任一条件不满足各自对应的变化率约束条件时,意味着模拟出的待评估的支付方案决策参数的支付效果不符合预期要求,需要重新进行测算以提高决策的准确性,此时可以确定合格评估结果为不合格。
对应S7,当所述合格评估结果为不合格时,意味着模拟出的待评估的支付方案决策参数的支付效果不符合预期要求,重复执行步骤S2至步骤S7以实现采用新的待评估的支付方案决策参数进行测算,直至所述合格评估结果为合格。
对应S8,将所述待评估的支付方案决策参数作为目标支付方案决策结果。因所述待评估的支付方案决策参数对应的评估所述合格评估结果为合格,意味着目标支付方案决策结果的预期执行效果符合预期要求。
在一个实施例中,上述根据所述预设的时间序列预测模型、所述医疗影响因素数据、所述待评估的支付方案决策参数和所述历史卫生服务弹性系数进行卫生服务弹性系数预测,得到卫生服务弹性系数预测结果的步骤,包括:
S31:将所述医疗影响因素数据、所述待评估的支付方案决策参数和所述历史卫生服务弹性系数输入所述预设的时间序列预测模型进行卫生服务弹性系数预测;
S32:根据所述预设的时间序列预测模型输出的预测结果,确定所述卫生服务弹性系数预测结果;
其中,所述医疗影响因素数据包括:待决策区域人均可支配收入数据、待决策区域消费者物价指数、待决策区域人口结构数据、待决策区域城镇化率、待决策区域卫生资源数据和待决策区域ICD-10编码疾病患病率。
本实施例实现了根据所述预设的时间序列预测模型、所述医疗影响因素数据、所述待评估的支付方案决策参数和所述历史卫生服务弹性系数进行卫生服务弹性系数预测,从而准确的得到了待决策区域在未来的卫生服务弹性系数,有利于提高样本抽样的准确性,从而提高了确定目标支付方案决策结果的准确性。
对应S31,将所述医疗影响因素数据、所述待评估的支付方案决策参数和所述历史卫生服务弹性系数输入所述预设的时间序列预测模型进行卫生服务弹性系数预测,从而得到了待决策区域在未来的卫生服务弹性系数的发展趋势。也就是说,所述预设的时间序列预测模型输出的预测结果是一个卫生服务弹性系数的时间序列。所述预设的时间序列预测模型输出的预测结果的时间粒度与所述历史卫生服务弹性系数的时间粒度相同。比如,所述历史卫生服务弹性系数的时间粒度是年,则所述预设的时间序列预测模型输出的预测结果的时间粒度也是年,在此举例不做具体限定。
对应S32,采用预设的卫生服务弹性系数提取规则,从所述预设的时间序列预测模型输出的预测结果中获取数据,将获取的数据作为所述卫生服务弹性系数预测结果。
因所述医疗影响因素数据是待决策区域的对医疗有影响的因素的数据,从而使所述预设的时间序列预测模型进行卫生服务弹性系数预测更符合待决策区域的实际情况,从而进一步提高了样本抽样的准确性。
在一个实施例中,上述根据MCMC抽样方法、Gibbs抽样方法、所述抽样参数和所述卫生服务弹性系数预测结果进行样本抽样,得到多个医疗模拟样本数据的步骤,包括:
S41:根据所述卫生服务弹性系数预测结果进行平稳分布函数生成,得到目标平稳分布函数;
S42:根据所述MCMC抽样方法、所述Gibbs抽样方法、所述抽样参数和所述目标平稳分布函数进行样本抽样,得到所述多个医疗模拟样本数据。
本实施例通过先根据所述卫生服务弹性系数预测结果进行平稳分布函数生成,然后再采用MCMC抽样方法和Gibbs抽样方法和生成的目标平稳分布函数进行样本抽样,从而使医疗模拟样本数据更符合待决策区域的实际情况和发展规律,有利于提高样本抽样的准确性。
对应S41,获取多个历史医疗样本数据;根据所述多个历史医疗样本数据和所述卫生服务弹性系数预测结果进行平稳分布函数生成,将生成的平稳分布函数作为目标平稳分布函数。
可选的,采用直方图拟合分布曲线的方法,根据所述多个历史医疗样本数据和所述卫生服务弹性系数预测结果进行平稳分布函数生成。其中,目标平稳分布函数表述为π(x,β),目标平稳分布函数进一步表述为π(x1,x2,...,xn,β),β为所述卫生服务弹性系数预测结果,x是历史医疗样本数据。
历史医疗样本数据,也就是待决策区域的历史的医疗样本数据。医疗样本数据包括但不限于:样本标识、病患性别、医院名称、科室名称、年龄、报销比例、诊断信息、收费项目标签、费用、个人自付费用、医保支付费用。
对应S42,采用MCMC抽样方法根据所述抽样参数、所述目标平稳分布函数进行样本抽样,采用Gibbs抽样方法根据所述抽样参数、所述目标平稳分布函数进行样本抽样,将两种方法的样本抽样结果进行拼接,将拼接结果作为所述多个医疗模拟样本数据。
在一个实施例中,上述根据所述MCMC抽样方法、所述Gibbs抽样方法、所述抽样参数和所述目标平稳分布函数进行样本抽样,得到所述多个医疗模拟样本数据的步骤,包括:
S421:采用所述MCMC抽样方法,根据所述抽样参数、所述目标平稳分布函数进行能估计分布函数的指标的抽样,得到第一抽样数据;
S422:采用所述Gibbs抽样方法,根据所述抽样参数、所述目标平稳分布函数进行有关联的多维指标的抽样,得到第二抽样数据;
S423:将所述第一抽样数据和所述第二抽样数据进行拼接处理,得到所述多个医疗模拟样本数据。
本实施例实现了采用所述MCMC抽样方法进行能估计分布函数的指标的抽样,采用所述Gibbs抽样方法进行有关联的多维指标的抽样,从而有利于提高多个医疗模拟样本数据中各指标的模拟的准确性,有利于提高决策的准确性。
对应S421,根据所述抽样参数,确定马尔可夫状态转移矩阵、第一预设转移次数、第一预设需抽样样本数、第一初始样本;采用所述MCMC抽样方法,根据所述马尔可夫状态转移矩阵、所述第一预设转移次数、所述第一预设需抽样样本数、所述第一初始样本、所述目标平稳分布函数进行能估计分布函数的指标的抽样,将抽样得到的数据作为第一抽样数据。也就是说,第一抽样数据中的数据条数与所述第一预设需抽样样本数相同。
采用所述MCMC抽样方法,根据所述马尔可夫状态转移矩阵、所述第一预设转移次数、所述第一预设需抽样样本数、所述第一初始样本、所述目标平稳分布函数进行能估计分布函数的指标的抽样的实现方法和原理在此不做赘述。
可以估计分布函数的指标,是指可以从多个历史医疗样本数据中估计出分布函数的指标。比如,指标报销比例,可以从多个历史医疗样本数据中估计出分布函数,在此举例不做具体限定。
对应S422,根据所述抽样参数,确定第二预设转移次数、第二预设需抽样样本数、第二初始样本;采用所述Gibbs抽样方法,根据所述第二预设转移次数、所述第二预设需抽样样本数、所述第二初始样本、所述目标平稳分布函数进行有关联的多维指标的抽样,将抽样得到的数据作为第二抽样数据。也就是说,第二抽样数据中的数据条数与所述第二预设需抽样样本数相同。
可以理解的是,所述第二预设需抽样样本数与所述第一预设需抽样样本数相同。
采用所述Gibbs抽样方法,根据所述第二预设转移次数、所述第二预设需抽样样本数、所述第二初始样本、所述目标平稳分布函数进行有关联的多维指标的抽样的实现方法和原理在此不做赘述。
有关联的多维指标,是指与其他至少一个指标有强关联关系的指标。比如,每个医疗模拟样本数据包括样本标识、病患性别、医院名称、科室名称、年龄、报销比例、诊断信息、DRG组、收费项目标签、账单总费用、个人自付费用、医保支付费用,其中,指标病患性别、医院名称、科室名称、年龄、报销比例可以采用所述MCMC抽样方法,指标个人自付费用和医保支付费用具有强关联关系,可以理解为个人自付费用和医保支付费用具有强联合分布,因此指标个人自付费用和医保支付费用可以采用所述Gibbs抽样方法。
可以理解的是,步骤S422和步骤S423可以同步执行,也可以以步骤S423、步骤S422异步执行。
对应S423,从所述第一抽样数据提取一条数据作为第一待拼接的抽样数据;从所述第二抽样数据提取一条数据作为第二待拼接的抽样数据;将第一待拼接的抽样数据和所述第二待拼接的抽样数据进行拼接,将拼接得到的数据作为医疗模拟样本数据;重复上述步骤,直至完成所述第一抽样数据中所有数据的提取或所述第二抽样数据中所有数据的提取。也就是说,所述多个医疗模拟样本数据中医疗模拟样本数据的数量与所述第一预设需抽样样本数、所述第二预设需抽样样本数相同。
在一个实施例中,上述根据所述医院实收变化率阈值、所述医保支付变化率阈值、所述变化率约束条件数据、所有所述目标医保支付费用和所述多个医疗模拟样本数据进行支付方案决策参数的合格评估,得到合格评估结果的步骤,包括:
S611:根据所有所述目标医保支付费用、所述多个医疗模拟样本数据进行医院实收变化率计算和医保支付变化率计算,得到待分析的医院实收变化率和待分析的医保支付变化率;
S612:基于所述变化率约束条件数据,根据所有所述目标医保支付费用、所述多个医疗模拟样本数据进行约束条件变化率计算,得到待分析的约束条件变化率集合;
S613:基于所述医院实收变化率阈值、所述医保支付变化率阈值和所述变化率约束条件数据,根据所述待分析的医院实收变化率、所述待分析的医保支付变化率和所述待分析的约束条件变化率集合进行支付方案决策参数的合格评估,得到所述合格评估结果。
本实施例实现了根据所述医院实收变化率阈值、所述医保支付变化率阈值、所述变化率约束条件数据、所有所述目标医保支付费用和所述多个医疗模拟样本数据进行支付方案决策参数的合格评估,实现了评估模拟待评估的支付方案决策参数的支付效果的合理性,从而有利于提高了确定目标支付方案决策结果的准确性。
对应S611,待分析的医院实收变化率的计算公式S为:
其中,D1是新方案医院实收费用总和,L1是旧方案医院实收费用总和,||是计算绝对值。
将所有所述目标医保支付费用、所述多个医疗模拟样本数据中所有的个人自付费用进行相加,将相加结果作为新方案医院实收费用总和。将所述多个医疗模拟样本数据中所有个人自付费用和所述多个医疗模拟样本数据中所有医保支付费用进行相加,将相加结果作为旧方案医院实收费用总和。
待分析的医保支付变化率的计算公式Y为:
其中,D2是新方案医保支付费用总和,L2是旧方案医保支付费用总和,||是计算绝对值。
将所有所述目标医保支付费用进行相加,将相加的结果作为新方案医保支付费用总和。将多个医疗模拟样本数据中的所有医保支付费用进行相加,将相加的结果作为旧方案医保支付费用总和。
对应S612,针对所述变化率约束条件数据中每个变化率约束条件,根据所有所述目标医保支付费用、所述多个医疗模拟样本数据进行约束条件变化率计算,将计算得到的所有待分析的约束条件变化率作为待分析的约束条件变化率集合。也就是说,针对每个变化率约束条件将计算得到一个待分析的约束条件变化率。
待分析的约束条件变化率的计算公式Z为:
其中,D3是在变化率约束条件下的新方案费用总和,L3是在变化率约束条件下的旧方案费用总和,||是计算绝对值。
比如,变化率约束条件是分医院级别的医保支付变化率约束条件,分医院级别的医保支付变化率约束条件具体为一级医院医保支付变化率为小于或等于5%,也就是需要计算一级医院医保支付的费用总和,将所有所述目标医保支付费用中所有的一级医院对应的所述目标医保支付费用进行相加,将相加的结果作为变化率约束条件下新方案费用总和(也就是在一级医院医保支付变化率下的新方案费用总和),将多个医疗模拟样本数据中的所有医保支付费用中所有的一级医院对应的医保支付费用进行相加,将相加的结果作为在变化率约束条件下的旧方案费用总和(也就是在一级医院医保支付变化率下的旧方案费用总和),在此举例不做具体限定。
对应S613,当所述待分析的医院实收变化率小于或等于医院实收变化率阈值、所述待分析的医保支付变化率小于或等于医保支付变化率阈值、所述待分析的约束条件变化率集合全部满足各自对应的变化率约束条件数据时,意味着模拟出的待评估的支付方案决策参数的支付效果符合预期要求,此时可以确定待评估的支付方案决策参数为合格的支付方案决策参数,因此确定合格评估结果为合格;当所述待分析的医院实收变化率大于医院实收变化率阈值、所述待分析的医保支付变化率大于医保支付变化率阈值、所述待分析的约束条件变化率集合中存在待分析的约束条件变化率不满足自己对应的变化率约束条件数据时,意味着模拟出不同的待评估的支付方案决策参数的支付效果不符合预期要求,需要重新进行测算以提高决策的准确性,此时可以确定合格评估结果为不合格。
在一个实施例中,上述基于所述医院实收变化率阈值、所述医保支付变化率阈值和所述变化率约束条件数据,根据所述待分析的医院实收变化率、所述待分析的医保支付变化率和所述待分析的约束条件变化率集合进行支付方案决策参数的合格评估,得到所述合格评估结果的步骤,包括:
S6131:将所述待分析的医院实收变化率与所述医院实收变化率阈值进行对比,得到医院实收变化率对比结果;
S6132:将所述待分析的医保支付变化率与所述医保支付变化率阈值进行对比,得到医保支付变化率对比结果;
S6133:将所述待分析的约束条件变化率集合与所述变化率约束条件数据进行对比,得到变化率约束条件对比结果集合;
S6134:当所述医院实收变化率对比结果和所述医保支付变化率对比结果均为小于或等于,并且,所述变化率约束条件对比结果集合为全部符合时,确定所述合格评估结果为合格,否则,确定所述合格评估结果为不合格。
本实施例实现了基于所述医院实收变化率阈值、所述医保支付变化率阈值和所述变化率约束条件数据,根据变化率进行支付方案决策参数的合格评估,使对医院和社保的影响符合预期目标的待评估的支付方案决策参数作为合格的支付方案决策参数。
对应S6133,从所述待分析的约束条件变化率集合中提取一个待分析的约束条件变化率作为目标待分析的约束条件变化率;根据所述目标待分析的约束条件变化率从所述变化率约束条件数据中获取一个变化率约束条件,得到所述目标待分析的约束条件变化率对应的目标变化率约束条件;将所述目标待分析的约束条件变化率和所述目标待分析的约束条件变化率对应的所述目标变化率约束条件进行对比,当所述目标待分析的约束条件变化率符合所述目标待分析的约束条件变化率对应的所述目标变化率约束条件的要求时,确定所述目标待分析的约束条件变化率对应的变化率约束条件对比结果为符合,否则确定所述目标待分析的约束条件变化率对应的变化率约束条件对比结果为不符合;重复执行所述从所述待分析的约束条件变化率集合中提取一个待分析的约束条件变化率作为目标待分析的约束条件变化率的步骤,直至确定所述待分析的约束条件变化率集合中所有待分析的约束条件变化率各自对应的所述变化率约束条件对比结果;将所有的变化率约束条件对比结果作为变化率约束条件对比结果集合。
在一个实施例中,上述根据所述医院实收变化率阈值、所述医保支付变化率阈值、所述变化率约束条件数据、所有所述目标医保支付费用和所述多个医疗模拟样本数据进行支付方案决策参数的合格评估,得到合格评估结果的步骤,包括:
对应S621,根据虚拟变量转换方法、einsum函数、所述医院实收变化率阈值、所述医保支付变化率阈值、所述变化率约束条件数据、所有所述目标医保支付费用和所述多个医疗模拟样本数据进行支付方案决策参数的合格评估,得到所述合格评估结果。
本实施例实现了采用虚拟变量转换方法和einsum函数和进行支付方案决策参数的合格评估,因einsum函数在缓存和处理内存访问方面更具优势,通过虚拟变量转换方法和einsum函数集合有利于提高计算的效率。
对应S621,在根据所述医院实收变化率阈值、所述医保支付变化率阈值、所述变化率约束条件数据、所有所述目标医保支付费用和所述多个医疗模拟样本数据进行支付方案决策参数的合格评估时,将所有所述目标医保支付费用、所述多个医疗模拟样本数据进行矩阵转换,矩阵的每行表述一个样本,矩阵的每列代表一个指标;需要进行合计时,将需要合计的指标名称进行虚拟变量转换,得到虚拟变量矩阵;将需要合计金额对应的变量A,虚拟变量矩阵B,则采用所述einsum函数的方法,“np.einsum('i,ij->j',A,B)”即可计算得到分类统计结果。
虚拟变量转换方法就是将分类统计对应的指标名称转换为虚拟变量。比如,医疗机构级别分为“三级医院”、“二级医院”两类,医保账户类型分为“城镇职工”、“城乡居民”两类,在对“医院类别和医保医保账户类型下的旧方案医保支付费用总和”进行分类统计时对应的指标名称包括:“三级医院-城乡居民”、“三级医院-城镇职工”、“二级医院-城镇职工”、“二级医院-城乡居民”,将分类统计对应的指标名称转换为虚拟变量,“三级医院-城乡居民”、“三级医院-城镇职工”、“二级医院-城镇职工”、“二级医院-城乡居民”分别对应[1,0,0,0]、[0,1,0,0]、[0,0,1,0]、[0,0,0,1],将[1,0,0,0]、[0,1,0,0]、[0,0,1,0]、[0,0,0,1]组合成一个矩阵,得到虚拟变量矩阵,将需要合计金额对应的变量A(将多个医疗模拟样本数据中的所有医保支付费用组成的矩阵),虚拟变量矩阵B,则采用所述einsum函数的方法,“np.einsum('i,ij->j',A,B)”即可计算得到“三级医院-城乡居民”、“三级医院-城镇职工”、“二级医院-城镇职工”、“二级医院-城乡居民”各自对应的分类统计结果(旧方案医保支付费用总和),在此举例不做具体限定。
参照图2,本申请还提出了一种疾病诊断相关分组的支付方案决策装置,所述装置包括:
请求获取模块100,用于获取支付方案决策请求,所述支付方案决策请求携带有医疗影响因素数据、历史卫生服务弹性系数和抽样参数;
待评估的支付方案决策参数获取模块200,用于获取疾病诊断相关分组对应的待评估的支付方案决策参数;
卫生服务弹性系数预测模块300,用于获取预设的时间序列预测模型,根据所述预设的时间序列预测模型、所述医疗影响因素数据、所述待评估的支付方案决策参数和所述历史卫生服务弹性系数进行卫生服务弹性系数预测,得到卫生服务弹性系数预测结果;
样本抽样模块400,用于根据MCMC抽样方法、Gibbs抽样方法、所述抽样参数和所述卫生服务弹性系数预测结果进行样本抽样,得到多个医疗模拟样本数据;
医保支付费用计算模块500,用于根据所述待评估的支付方案决策参数和所述多个医疗模拟样本数据进行医保支付费用计算,得到所述多个医疗模拟样本数据各自对应的目标医保支付费用;
支付方案决策参数的合格评估模块600,用于获取医院实收变化率阈值、医保支付变化率阈值和变化率约束条件数据,根据所述医院实收变化率阈值、所述医保支付变化率阈值、所述变化率约束条件数据、所有所述目标医保支付费用和所述多个医疗模拟样本数据进行支付方案决策参数的合格评估,得到合格评估结果,当所述合格评估结果为不合格时,重复执行所述获取疾病诊断相关分组对应的待评估的支付方案决策参数的步骤直至所述合格评估结果为合格;
目标支付方案决策结果确定模块700,用于根据所述待评估的支付方案决策参数确定目标支付方案决策结果。
本实施例通过首先获取疾病诊断相关分组对应的待评估的支付方案决策参数,其次根据预设的时间序列预测模型、医疗影响因素数据、待评估的支付方案决策参数和历史卫生服务弹性系数进行卫生服务弹性系数预测,得到卫生服务弹性系数预测结果,根据MCMC抽样方法、Gibbs抽样方法、抽样参数和卫生服务弹性系数预测结果进行样本抽样,得到多个医疗模拟样本数据,然后根据待评估的支付方案决策参数和多个医疗模拟样本数据进行医保支付费用计算,得到多个医疗模拟样本数据各自对应的目标医保支付费用,最后根据医院实收变化率阈值、医保支付变化率阈值、变化率约束条件数据、所有目标医保支付费用和多个医疗模拟样本数据进行支付方案决策参数的合格评估,得到合格评估结果,当合格评估结果为不合格时,重复执行获取疾病诊断相关分组对应的待评估的支付方案决策参数的步骤直至合格评估结果为合格,根据待评估的支付方案决策参数确定目标支付方案决策结果,实现了自动化进行目标支付方案决策结果的决策,提高了决策的效率;多个医疗模拟样本数据是采用MCMC抽样方法和Gibbs抽样方法根据卫生服务弹性系数预测结果进行样本抽样得到的,实现了基于动态场景生成多个医疗模拟样本数据,有利于提高决策的准确性;通过当合格评估结果为不合格时重复执行获取疾病诊断相关分组对应的待评估的支付方案决策参数的步骤直至合格评估结果为合格,从而实现了自动进行多轮迭代,有利于灵活模拟出不同的待评估的支付方案决策参数的支付效果,有利于预估未来的执行效果。
参照图3,本申请实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于储存疾病诊断相关分组的支付方案决策方法等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种疾病诊断相关分组的支付方案决策方法。所述疾病诊断相关分组的支付方案决策方法,包括:获取支付方案决策请求,所述支付方案决策请求携带有医疗影响因素数据、历史卫生服务弹性系数和抽样参数;获取疾病诊断相关分组对应的待评估的支付方案决策参数;获取预设的时间序列预测模型,根据所述预设的时间序列预测模型、所述医疗影响因素数据、所述待评估的支付方案决策参数和所述历史卫生服务弹性系数进行卫生服务弹性系数预测,得到卫生服务弹性系数预测结果;根据MCMC抽样方法、Gibbs抽样方法、所述抽样参数和所述卫生服务弹性系数预测结果进行样本抽样,得到多个医疗模拟样本数据;根据所述待评估的支付方案决策参数和所述多个医疗模拟样本数据进行医保支付费用计算,得到所述多个医疗模拟样本数据各自对应的目标医保支付费用;获取医院实收变化率阈值、医保支付变化率阈值和变化率约束条件数据,根据所述医院实收变化率阈值、所述医保支付变化率阈值、所述变化率约束条件数据、所有所述目标医保支付费用和所述多个医疗模拟样本数据进行支付方案决策参数的合格评估,得到合格评估结果;当所述合格评估结果为不合格时,重复执行所述获取疾病诊断相关分组对应的待评估的支付方案决策参数的步骤直至所述合格评估结果为合格;根据所述待评估的支付方案决策参数确定目标支付方案决策结果。
本实施例通过首先获取疾病诊断相关分组对应的待评估的支付方案决策参数,其次根据预设的时间序列预测模型、医疗影响因素数据、待评估的支付方案决策参数和历史卫生服务弹性系数进行卫生服务弹性系数预测,得到卫生服务弹性系数预测结果,根据MCMC抽样方法、Gibbs抽样方法、抽样参数和卫生服务弹性系数预测结果进行样本抽样,得到多个医疗模拟样本数据,然后根据待评估的支付方案决策参数和多个医疗模拟样本数据进行医保支付费用计算,得到多个医疗模拟样本数据各自对应的目标医保支付费用,最后根据医院实收变化率阈值、医保支付变化率阈值、变化率约束条件数据、所有目标医保支付费用和多个医疗模拟样本数据进行支付方案决策参数的合格评估,得到合格评估结果,当合格评估结果为不合格时,重复执行获取疾病诊断相关分组对应的待评估的支付方案决策参数的步骤直至合格评估结果为合格,根据待评估的支付方案决策参数确定目标支付方案决策结果,实现了自动化进行目标支付方案决策结果的决策,提高了决策的效率;多个医疗模拟样本数据是采用MCMC抽样方法和Gibbs抽样方法根据卫生服务弹性系数预测结果进行样本抽样得到的,实现了基于动态场景生成多个医疗模拟样本数据,有利于提高决策的准确性;通过当合格评估结果为不合格时重复执行获取疾病诊断相关分组对应的待评估的支付方案决策参数的步骤直至合格评估结果为合格,从而实现了自动进行多轮迭代,有利于灵活模拟出不同的待评估的支付方案决策参数的支付效果,有利于预估未来的执行效果。
本申请一实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现一种疾病诊断相关分组的支付方案决策方法,包括步骤:获取支付方案决策请求,所述支付方案决策请求携带有医疗影响因素数据、历史卫生服务弹性系数和抽样参数;获取疾病诊断相关分组对应的待评估的支付方案决策参数;获取预设的时间序列预测模型,根据所述预设的时间序列预测模型、所述医疗影响因素数据、所述待评估的支付方案决策参数和所述历史卫生服务弹性系数进行卫生服务弹性系数预测,得到卫生服务弹性系数预测结果;根据MCMC抽样方法、Gibbs抽样方法、所述抽样参数和所述卫生服务弹性系数预测结果进行样本抽样,得到多个医疗模拟样本数据;根据所述待评估的支付方案决策参数和所述多个医疗模拟样本数据进行医保支付费用计算,得到所述多个医疗模拟样本数据各自对应的目标医保支付费用;获取医院实收变化率阈值、医保支付变化率阈值和变化率约束条件数据,根据所述医院实收变化率阈值、所述医保支付变化率阈值、所述变化率约束条件数据、所有所述目标医保支付费用和所述多个医疗模拟样本数据进行支付方案决策参数的合格评估,得到合格评估结果;当所述合格评估结果为不合格时,重复执行所述获取疾病诊断相关分组对应的待评估的支付方案决策参数的步骤直至所述合格评估结果为合格;根据所述待评估的支付方案决策参数确定目标支付方案决策结果。
上述执行的疾病诊断相关分组的支付方案决策方法,通过首先获取疾病诊断相关分组对应的待评估的支付方案决策参数,其次根据预设的时间序列预测模型、医疗影响因素数据、待评估的支付方案决策参数和历史卫生服务弹性系数进行卫生服务弹性系数预测,得到卫生服务弹性系数预测结果,根据MCMC抽样方法、Gibbs抽样方法、抽样参数和卫生服务弹性系数预测结果进行样本抽样,得到多个医疗模拟样本数据,然后根据待评估的支付方案决策参数和多个医疗模拟样本数据进行医保支付费用计算,得到多个医疗模拟样本数据各自对应的目标医保支付费用,最后根据医院实收变化率阈值、医保支付变化率阈值、变化率约束条件数据、所有目标医保支付费用和多个医疗模拟样本数据进行支付方案决策参数的合格评估,得到合格评估结果,当合格评估结果为不合格时,重复执行获取疾病诊断相关分组对应的待评估的支付方案决策参数的步骤直至合格评估结果为合格,根据待评估的支付方案决策参数确定目标支付方案决策结果,实现了自动化进行目标支付方案决策结果的决策,提高了决策的效率;多个医疗模拟样本数据是采用MCMC抽样方法和Gibbs抽样方法根据卫生服务弹性系数预测结果进行样本抽样得到的,实现了基于动态场景生成多个医疗模拟样本数据,有利于提高决策的准确性;通过当合格评估结果为不合格时重复执行获取疾病诊断相关分组对应的待评估的支付方案决策参数的步骤直至合格评估结果为合格,从而实现了自动进行多轮迭代,有利于灵活模拟出不同的待评估的支付方案决策参数的支付效果,有利于预估未来的执行效果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种疾病诊断相关分组的支付方案决策方法,其特征在于,所述方法包括:
获取支付方案决策请求,所述支付方案决策请求携带有医疗影响因素数据、历史卫生服务弹性系数和抽样参数,其中,所述历史卫生服务弹性系数,是指历史的卫生服务弹性系数,所述卫生服务弹性系数为经济增长率与卫生服务需求增长速度之比;
获取疾病诊断相关分组对应的待评估的支付方案决策参数;
获取预设的时间序列预测模型,根据所述预设的时间序列预测模型、所述医疗影响因素数据、所述待评估的支付方案决策参数和所述历史卫生服务弹性系数进行卫生服务弹性系数预测,得到卫生服务弹性系数预测结果;
根据MCMC抽样方法、Gibbs抽样方法、所述抽样参数和所述卫生服务弹性系数预测结果进行样本抽样,得到多个医疗模拟样本数据;
根据所述待评估的支付方案决策参数和所述多个医疗模拟样本数据进行医保支付费用计算,得到所述多个医疗模拟样本数据各自对应的目标医保支付费用;
获取医院实收变化率阈值、医保支付变化率阈值和变化率约束条件数据,根据所述医院实收变化率阈值、所述医保支付变化率阈值、所述变化率约束条件数据、所有所述目标医保支付费用和所述多个医疗模拟样本数据进行支付方案决策参数的合格评估,得到合格评估结果;
当所述合格评估结果为不合格时,重复执行所述获取疾病诊断相关分组对应的待评估的支付方案决策参数的步骤直至所述合格评估结果为合格;
根据所述待评估的支付方案决策参数确定目标支付方案决策结果。
2.根据权利要求1所述的疾病诊断相关分组的支付方案决策方法,其特征在于,所述根据所述预设的时间序列预测模型、所述医疗影响因素数据、所述待评估的支付方案决策参数和所述历史卫生服务弹性系数进行卫生服务弹性系数预测,得到卫生服务弹性系数预测结果的步骤,包括:
将所述医疗影响因素数据、所述待评估的支付方案决策参数和所述历史卫生服务弹性系数输入所述预设的时间序列预测模型进行卫生服务弹性系数预测;
根据所述预设的时间序列预测模型输出的预测结果,确定所述卫生服务弹性系数预测结果;
其中,所述医疗影响因素数据包括:待决策区域人均可支配收入数据、待决策区域消费者物价指数、待决策区域人口结构数据、待决策区域城镇化率、待决策区域卫生资源数据和待决策区域ICD-10编码疾病患病率。
3.根据权利要求1所述的疾病诊断相关分组的支付方案决策方法,其特征在于,所述根据MCMC抽样方法、Gibbs抽样方法、所述抽样参数和所述卫生服务弹性系数预测结果进行样本抽样,得到多个医疗模拟样本数据的步骤,包括:
根据所述卫生服务弹性系数预测结果进行平稳分布函数生成,得到目标平稳分布函数;
根据所述MCMC抽样方法、所述Gibbs抽样方法、所述抽样参数和所述目标平稳分布函数进行样本抽样,得到所述多个医疗模拟样本数据。
4.根据权利要求3所述的疾病诊断相关分组的支付方案决策方法,其特征在于,所述根据所述MCMC抽样方法、所述Gibbs抽样方法、所述抽样参数和所述目标平稳分布函数进行样本抽样,得到所述多个医疗模拟样本数据的步骤,包括:
采用所述MCMC抽样方法,根据所述抽样参数、所述目标平稳分布函数进行能估计分布函数的指标的抽样,得到第一抽样数据;
采用所述Gibbs抽样方法,根据所述抽样参数、所述目标平稳分布函数进行有关联的多维指标的抽样,得到第二抽样数据;
将所述第一抽样数据和所述第二抽样数据进行拼接处理,得到所述多个医疗模拟样本数据。
5.根据权利要求1所述的疾病诊断相关分组的支付方案决策方法,其特征在于,所述根据所述医院实收变化率阈值、所述医保支付变化率阈值、所述变化率约束条件数据、所有所述目标医保支付费用和所述多个医疗模拟样本数据进行支付方案决策参数的合格评估,得到合格评估结果的步骤,包括:
根据所有所述目标医保支付费用、所述多个医疗模拟样本数据进行医院实收变化率计算和医保支付变化率计算,得到待分析的医院实收变化率和待分析的医保支付变化率;
根据所述变化率约束条件数据、所述目标医保支付费用和所述多个医疗模拟样本数据进行约束条件变化率计算,得到待分析的约束条件变化率集合;
基于所述医院实收变化率阈值、所述医保支付变化率阈值和所述变化率约束条件数据,根据所述待分析的医院实收变化率、所述待分析的医保支付变化率和所述待分析的约束条件变化率集合进行支付方案决策参数的合格评估,得到所述合格评估结果。
6.根据权利要求5所述的疾病诊断相关分组的支付方案决策方法,其特征在于,所述基于所述医院实收变化率阈值、所述医保支付变化率阈值和所述变化率约束条件数据,根据所述待分析的医院实收变化率、所述待分析的医保支付变化率和所述待分析的约束条件变化率集合进行支付方案决策参数的合格评估,得到所述合格评估结果的步骤,包括:
将所述待分析的医院实收变化率与所述医院实收变化率阈值进行对比,得到医院实收变化率对比结果;
将所述待分析的医保支付变化率与所述医保支付变化率阈值进行对比,得到医保支付变化率对比结果;
将所述待分析的约束条件变化率集合与所述变化率约束条件数据进行对比,得到变化率约束条件对比结果集合;
当所述医院实收变化率对比结果和所述医保支付变化率对比结果均为小于或等于,并且,所述变化率约束条件对比结果集合为全部符合时,确定所述合格评估结果为合格,否则,确定所述合格评估结果为不合格。
7.根据权利要求1所述的疾病诊断相关分组的支付方案决策方法,所述根据所述医院实收变化率阈值、所述医保支付变化率阈值、所述变化率约束条件数据、所有所述目标医保支付费用和所述多个医疗模拟样本数据进行支付方案决策参数的合格评估,得到合格评估结果的步骤,包括:
根据虚拟变量转换方法、einsum函数、所述医院实收变化率阈值、所述医保支付变化率阈值、所述变化率约束条件数据、所有所述目标医保支付费用和所述多个医疗模拟样本数据进行支付方案决策参数的合格评估,得到所述合格评估结果。
8.一种疾病诊断相关分组的支付方案决策装置,其特征在于,所述装置包括:
请求获取模块,用于获取支付方案决策请求,所述支付方案决策请求携带有医疗影响因素数据、历史卫生服务弹性系数和抽样参数,其中,所述历史卫生服务弹性系数,是指历史的卫生服务弹性系数,所述卫生服务弹性系数为经济增长率与卫生服务需求增长速度之比;
待评估的支付方案决策参数获取模块,用于获取疾病诊断相关分组对应的待评估的支付方案决策参数;
卫生服务弹性系数预测模块,用于获取预设的时间序列预测模型,根据所述预设的时间序列预测模型、所述医疗影响因素数据、所述待评估的支付方案决策参数和所述历史卫生服务弹性系数进行卫生服务弹性系数预测,得到卫生服务弹性系数预测结果;
样本抽样模块,用于根据MCMC抽样方法、Gibbs抽样方法、所述抽样参数和所述卫生服务弹性系数预测结果进行样本抽样,得到多个医疗模拟样本数据;
医保支付费用计算模块,用于根据所述待评估的支付方案决策参数和所述多个医疗模拟样本数据进行医保支付费用计算,得到所述多个医疗模拟样本数据各自对应的目标医保支付费用;
支付方案决策参数的合格评估模块,用于获取医院实收变化率阈值、医保支付变化率阈值和变化率约束条件数据,根据所述医院实收变化率阈值、所述医保支付变化率阈值、所述变化率约束条件数据、所有所述目标医保支付费用和所述多个医疗模拟样本数据进行支付方案决策参数的合格评估,得到合格评估结果,当所述合格评估结果为不合格时,重复执行所述获取疾病诊断相关分组对应的待评估的支付方案决策参数的步骤直至所述合格评估结果为合格;
目标支付方案决策结果确定模块,用于根据所述待评估的支付方案决策参数确定目标支付方案决策结果。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110328115.3A CN112926879B (zh) | 2021-03-26 | 2021-03-26 | 疾病诊断相关分组的支付方案决策方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110328115.3A CN112926879B (zh) | 2021-03-26 | 2021-03-26 | 疾病诊断相关分组的支付方案决策方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112926879A CN112926879A (zh) | 2021-06-08 |
CN112926879B true CN112926879B (zh) | 2022-05-20 |
Family
ID=76176210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110328115.3A Active CN112926879B (zh) | 2021-03-26 | 2021-03-26 | 疾病诊断相关分组的支付方案决策方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112926879B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113643140B (zh) * | 2021-08-27 | 2023-05-30 | 泰康保险集团股份有限公司 | 确定医保支出影响因素的方法、装置、设备和介质 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1561178A4 (en) * | 2002-11-15 | 2009-08-12 | Fair Isaac Corp | DETECTION OF FRAUD AND ABUSE AND ESTABLISHMENT OF ENTITY PROFILES IN HIERARCHICAL CODING PAYMENT SYSTEMS |
US20060195391A1 (en) * | 2005-02-28 | 2006-08-31 | Stanelle Evan J | Modeling loss in a term structured financial portfolio |
CN107038511A (zh) * | 2016-02-01 | 2017-08-11 | 腾讯科技(深圳)有限公司 | 一种确定风险评估参数的方法及装置 |
JP6861481B2 (ja) * | 2016-07-06 | 2021-04-21 | オムロンヘルスケア株式会社 | リスク分析システム及びリスク分析方法 |
CN107845022B (zh) * | 2017-11-02 | 2021-03-16 | 北京恒泰能联科技发展有限公司 | 电力市场辅助决策系统 |
CN109241609B (zh) * | 2018-08-31 | 2022-11-29 | 华东交通大学 | 一种基于马尔可夫链蒙特卡洛的Bayesian动态预测方法 |
US20200167871A1 (en) * | 2018-11-26 | 2020-05-28 | MedXoom, Inc. | Platform as a service serving the healthcare marketplace |
CN111325576A (zh) * | 2020-02-17 | 2020-06-23 | 卫宁健康科技集团股份有限公司 | 疾病诊断相关分组的费用预测方法、系统及电子设备 |
CN112053040A (zh) * | 2020-08-19 | 2020-12-08 | 重庆市中迪医疗信息科技股份有限公司 | 一种基于疾病诊断相关分组的评价方法及系统 |
CN112365975B (zh) * | 2020-11-12 | 2021-07-23 | 医渡云(北京)技术有限公司 | 医疗辅助决策模型解释方法及装置、存储介质、电子设备 |
-
2021
- 2021-03-26 CN CN202110328115.3A patent/CN112926879B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112926879A (zh) | 2021-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Bolduc et al. | Multinomial probit estimation of spatially interdependent choices: an empirical comparison of two new techniques | |
Liao et al. | Forecasting model of global stock index by stochastic time effective neural network | |
CN111192131A (zh) | 金融风险预测方法、装置和电子设备 | |
Odening et al. | Using extreme value theory to estimate value‐at‐risk | |
Medina et al. | Barriers to the investment in the Concentrated Solar Power sector in Morocco: A foresight approach using the Cross Impact Analysis for a large number of events | |
US11804302B2 (en) | Supervised machine learning-based modeling of sensitivities to potential disruptions | |
CN109360109A (zh) | 基于大数据分析和处理的智能理赔审核辅助方法和系统 | |
CN110766481A (zh) | 客户数据处理方法、装置、电子设备及计算机可读介质 | |
CN109767067A (zh) | 基于多评价维度评价医院的方法及相关产品 | |
CN116452347A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN112926879B (zh) | 疾病诊断相关分组的支付方案决策方法、装置及设备 | |
CN114780859A (zh) | 信息推荐方法、装置、计算机设备和存储介质 | |
CN111506876A (zh) | 一种数据预测分析方法、系统、设备及可读存储介质 | |
Breeze et al. | Valuing trial designs from a pharmaceutical perspective using value‐based pricing | |
KR101334891B1 (ko) | SaaS 환경에서의 재무위험관리 서비스를 제공하기 위한 시스템 | |
De Jongh et al. | A critical review of the Basel margin of conservatism requirement in a retail credit context | |
Muhammad et al. | Factors Predicting Zakāh Compliance Behaviour in Indonesia | |
Jones | Methods for the analysis of CCRC data | |
CN114757786A (zh) | 数据的预测方法、装置、电子设备及计算机可读介质 | |
KR20210126408A (ko) | 질병 빅데이터를 활용한 ai 손해사정 산출 장치 및 방법 | |
Ingale et al. | Predictive analysis of GDP by using ARIMA approach | |
CN110210984A (zh) | 大病医保政策调整对基金支出影响的量化方法及系统 | |
CN112819390B (zh) | 医疗资源规划方法、装置、设备及存储介质 | |
XingYu et al. | The Application of grey system in futures price forecasting |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |