CN113569907A - 疾病治疗费用预测方法、系统、介质及终端 - Google Patents

疾病治疗费用预测方法、系统、介质及终端 Download PDF

Info

Publication number
CN113569907A
CN113569907A CN202110655336.1A CN202110655336A CN113569907A CN 113569907 A CN113569907 A CN 113569907A CN 202110655336 A CN202110655336 A CN 202110655336A CN 113569907 A CN113569907 A CN 113569907A
Authority
CN
China
Prior art keywords
prediction model
patient
treatment period
prediction
cost
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
Application number
CN202110655336.1A
Other languages
English (en)
Inventor
陆馨雨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202110655336.1A priority Critical patent/CN113569907A/zh
Publication of CN113569907A publication Critical patent/CN113569907A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Epidemiology (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种疾病治疗费用预测方法、系统、介质及终端；所述终端上设有第一预测模型；所述第一预测模型用于预测对应待预测患者的治疗期总费用；所述方法包括以下步骤：获取对应待预测患者的目标医疗数据；将所述目标医疗数据输入至所述第一预测模型中，以使所述第一预测模型基于所述目标医疗数据输出所述治疗期总费用；本发明为待预测患者提供了准确可靠的疾病治疗预测结果，使待预测患者或其家属能够及时了解患者后续的相关治疗费用情况，从而事先建好心理预期，做好心理准备，有效降低了待预测患者及其家属的心理负担。

Description

疾病治疗费用预测方法、系统、介质及终端
技术领域
本发明属于疾病治疗费用预测技术领域，特别是涉及一种疾病治疗费用预测方法、系统、介质及终端。
背景技术
近年来，随着社会的发展，虽然人们的生活水平在不断提高，但人们患病的几率也有所加大，当人们患病时，都需要到医院去进行检查、诊断及治疗等，因此，会产生相应的检查诊疗费用，且对于一些重症或绝症疾病，检查诊疗的费用很高；针对重症绝症病人，通常有比较明确的生存期概念，在患病治疗期间，病人及家庭通常会承担巨额的检查诊疗费用，短时间的检查诊疗费用，多数家庭通常可以负担，但因生存期不确定导致整个生命周期的检查诊疗等费用也是不确定的，这就会给一个家庭带来巨大的不确定性和负担，造成一个家庭的家庭成员心理压力过大，严重时，还可能会加重病人的病情，所以，如何提供一种疾病治疗费用预测方法，能够比较准确的预测出病人的生存期总费用，从而给人以心理准备，使病人和/或家庭成员可以预先了解病人后续治疗的相关费用情况，成为领域内技术人员亟待解决的技术问题。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种疾病治疗费用预测方法、系统、介质及终端，用于解决现有疾病治疗过程中，由于病人治疗期不确定导致整个生命周期的检查诊疗等费用不确定，从而造成心理压力负担过大，可能还会加重病人病情的问题。
为实现上述目的及其他相关目的，本发明提供一种疾病治疗费用预测方法，应用于一终端，所述终端上设有第一预测模型；所述第一预测模型用于预测对应待预测患者的治疗期总费用；所述疾病治疗费用预测方法包括以下步骤：获取对应所述待预测患者的目标医疗数据；将所述目标医疗数据输入至所述第一预测模型中，以使所述第一预测模型基于所述目标医疗数据输出所述治疗期总费用。
于本发明的一实施例中，所述终端上还设有第二预测模型和第三预测模型；其中，所述第二预测模型用于预测所述待预测患者的治疗期及所述待预测患者在所述治疗期内是否被治愈情况；所述第三预测模型用于预测对应所述待预测患者的单位时间内费用；所述第一预测模型、所述第二预测模型及所述第三预测模型的预测过程相互独立，互不影响；所述疾病治疗费用预测方法还包括以下步骤：将所述目标医疗数据输入至所述第二预测模型中，以使所述第二预测模型基于所述目标医疗数据输出所述治疗期及所述待预测患者在所述治疗期内是否被治愈情况；将所述目标医疗数据输入至所述第三预测模型中，以使所述第三预测模型基于所述目标医疗数据输出所述单位时间内费用。
于本发明的一实施例中，所述疾病治疗费用预测方法还包括以下步骤：训练所述第一预测模型，获取训练好的第一预测模型，以将所述目标医疗数据输入至所述训练好的第一预测模型中，使所述训练好的第一预测模型基于所述目标医疗数据输出所述治疗期总费用；训练所述第二预测模型，获取训练好的第二预测模型，以将所述目标医疗数据输入至所述训练好的第二预测模型中，使所述训练好的第二预测模型基于所述目标医疗数据输出所述治疗期及所述待预测患者在所述治疗期内是否被治愈情况；训练所述第三预测模型，获取训练好的第三预测模型，以将所述目标医疗数据输入至所述训练好的第三预测模型中，使所述训练好的第三预测模型基于所述目标医疗数据输出所述单位时间内费用。
于本发明的一实施例中，所述疾病治疗费用预测方法还包括以下步骤：获取历史病人的历史医疗数据和对应每一所述历史病人的治疗期总费用、治疗期、在治疗期内是否被治愈情况及单位时间内费用；所述历史病人包括：已故病人和/或康复病人；训练所述第一预测模型，获取训练好的第一预测模型包括以下步骤：搭建所述第一预测模型；将所述历史医疗数据及所述对应每一所述历史病人的治疗期总费用输入至所述第一预测模型中，对所述第一预测模型进行训练；将对所述第一预测模型进行训练得出的治疗期总费用与所述对应每一所述历史病人的治疗期总费用进行差异计算，以计算出对应所述第一预测模型的第一损失值，直至所述第一损失值不再下降和/或所述第一预测模型已训练第一预设次数时，停止训练，获取所述训练好的第一预测模型；训练所述第二预测模型，获取训练好的第二预测模型包括以下步骤：搭建所述第二预测模型；将所述历史医疗数据及所述对应每一所述历史病人的治疗期、在治疗期内是否被治愈情况输入至所述第二预测模型中，对所述第二预测模型进行训练；将对所述第二预测模型进行训练得出的治疗期与所述对应每一所述历史病人的治疗期进行差异计算，将对所述第二预测模型进行训练得出的在治疗期内是否被治愈情况与所述对应每一所述历史病人在治疗期内是否被治愈情况进行差异计算，以计算出对应所述第二预测模型的第二损失值，直至所述第二损失值不再下降和/或所述第二预测模型已训练第二预设次数时，停止训练，获取所述训练好的第二预测模型；训练所述第三预测模型，获取训练好的第三预测模型包括以下步骤：搭建所述第三预测模型；将所述历史医疗数据及所述对应每一所述历史病人的单位时间内费用输入至所述第三预测模型中，对所述第三预测模型进行训练；将对所述第三预测模型进行训练得出的单位时间内费用与所述对应每一所述历史病人的单位时间内费用进行差异计算，以计算出对应所述第三预测模型的第三损失值，直至所述第三损失值不再下降和/或所述第三预测模型已训练第三预设次数时，停止训练，获取所述训练好的第三预测模型。
于本发明的一实施例中，训练所述第一预测模型、所述第二预测模型及所述第三预测模型包括以下步骤：将所述第一预测模型、所述第二预测模型及所述第三预测模型分别一一发送至至少两个医疗系统，以使至少两个所述医疗系统分别基于自身存储的医疗数据对所述第一预测模型、所述第二预测模型及所述第三预测模型分别进行训练；任意两个所述医疗系统内存储的医疗数据是相互保密的。
于本发明的一实施例中，获取所述训练好的第一预测模型、所述训练好的第二预测模型及所述训练好的第三预测模型包括以下步骤：将每一所述医疗机构训练所得的第一预测模型进行相应模型参数的加权平均，获取所述训练好的的第一预测模型；将每一所述医疗机构训练所得的第二预测模型进行相应模型参数的加权平均，获取所述训练好的的第二预测模型；将每一所述医疗机构训练所得的第三预测模型进行相应模型参数的加权平均，获取所述训练好的的第三预测模型。
于本发明的一实施例中，在将所述目标医疗数据输入至所述第一预测模型、所述第二预测模型及所述第三预测模型之前，所述疾病治疗费用预测方法还包括以下步骤：获取对应所述待预测患者的简单医疗信息；所述简单医疗信息至少包括以下任意一种或几种组合：对应所述待预测患者的病种类型、病灶位置、疾病发展阶段、是否有特效药、医生初步估计的治疗期及在所述治疗期内是否被治愈情况；将所述简单医疗信息输入至所述第一预测模型中，以使所述第一预测模型基于所述简单医疗信息输出对应所述待预测患者的粗估治疗期总费用；所述简单医疗信息输入至所述第二预测模型中，以使所述第二预测模型基于所述简单医疗信息输出所述待预测患者的粗估治疗期及在所述粗估治疗期内是否被治愈情况；将所述简单医疗信息输入至所述第三预测模型中，以使所述第三预测模型基于所述简单医疗信息输出对应所述待预测患者的粗估单位时间内费用。
于本发明的一实施例中，所述目标医疗数据至少包括以下任意一种或几种组合：对应所述待预测患者的体征数据、化验数据、当前状态数据、住院数据、医生问诊数据、医生临床诊治数据、医生临床用药数据及医生临床手术数据；在将所述目标医疗数据分别输入至所述第一预测模型、所述第二预测模型及所述第三预测模型中之前，所述疾病治疗费用预测方法还包括以下步骤：对所述目标医疗数据进行预处理，获取预处理后的目标医疗数据，以将所述预处理后的目标医疗数据分别输入至所述第一预测模型、所述第二预测模型及所述第三预测模型中；所述预处理至少包括：OCR数据识别处理和/或数据清洗处理。
本发明提供一种疾病治疗费用预测系统，应用于一终端，所述终端上设有第一预测模型；所述第一预测模型用于预测对应待预测患者的治疗期总费用；所述疾病治疗费用预测系统包括：数据获取模块和第一训练模块；所述数据获取模块用于获取对应所述待预测患者的目标医疗数据；所述第一训练模块用于将所述目标医疗数据输入至所述第一预测模型中，以使所述第一预测模型基于所述目标医疗数据输出所述治疗期总费用。
本发明提供一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的疾病治疗费用预测方法。
本发明提供一种终端，包括：第一预测模型、处理器及存储器；所述第一预测模型用于预测对应待预测患者的治疗期总费用；所述存储器用于存储计算机程序；所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行上述的疾病治疗费用预测方法。
如上所述，本发明所述的疾病治疗费用预测方法、系统、介质及终端，具有以下有益效果：
(1)与现有技术相比，本发明提供一种疾病治疗费用预测方法、系统、介质及终端，通过对待预测患者的治疗期总费用、治疗期、在治疗期内是否被治愈情况及单位时间内费用分别进行预测，为该待预测患者提供了准确可靠的疾病治疗预测结果，使待预测患者或其家属能够及时了解患者的治疗期及后续的相关治疗费用情况，从而事先建好心理预期，做好心理准备，有效降低了待预测患者及其家属的心理负担。
(2)本发明在训练模型的过程中，利用联邦学习的理念，在保证各医疗机构内部医疗数据相互之间保密的同时，增强了模型训练的可靠性，进而提高了模型预测结果的准确度。
(3)本发明中，对于待预测患者的治疗期总费用、治疗期及单位时间内费用是分别进行预测的，各预测过程相互独立，互不影响，且该治疗期与该单位时间内费用的叠加累计结果和该治疗期总费用没有直接关系，该治疗期与该单位时间内费用的叠加累计结果不一定等于该治疗期总费用，可使用该治疗期总费用调整该单位时间内费用，并将调整后的单位时间费用告知患者或其家属。
附图说明
图1显示为本发明的疾病治疗费用预测方法于一实施例中的流程图。
图2显示为本发明的疾病治疗费用预测系统于一实施例中的结构示意图。
图3显示为本发明的终端于一实施例中的结构示意图。
标号说明
21 数据获取模块
22 第一训练模块
23 第二训练模块
24 第三训练模块
31 处理器
32 存储器
S1～S5 步骤
具体实施方式
以下通过特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
本发明的疾病治疗费用预测方法、系统、介质及终端，通过对待预测患者的治疗期总费用、治疗期、在治疗期内是否被治愈情况及单位时间内费用分别进行预测，为该待预测患者提供了准确可靠的疾病治疗预测结果，使待预测患者或其家属能够及时了解患者的治疗期及后续的相关治疗费用情况，从而事先建好心理预期，做好心理准备，有效降低了待预测患者及其家属的心理负担；本发明在训练模型的过程中，利用联邦学习的理念，在保证各医疗机构内部医疗数据相互之间保密的同时，增强了模型训练的可靠性，进而提高了模型预测结果的准确度；本发明中，对于待预测患者的治疗期总费用、治疗期及单位时间内费用是分别进行预测的，各预测过程相互独立，互不影响，且该治疗期与该单位时间内费用的叠加累计结果和该治疗期总费用没有直接关系，该治疗期与该单位时间内费用的叠加累计结果不一定等于该治疗期总费用，可使用该治疗期总费用调整该单位时间内费用，并将调整后的单位时间费用告知患者或其家属。
于一实施例中，将本发明的疾病治疗费用预测方法应用于一终端。
具体地，所述终端上设有第一预测模型、第二预测模型及第三预测模型；其中，所述第一预测模型用于预测对应待预测患者的治疗期总费用；所述第二预测模型用于预测所述待预测患者的治疗期及所述待预测患者在所述治疗期内是否被治愈情况；所述第三预测模型用于预测对应所述待预测患者的单位时间内费用。
需要说明的是，上述的“是否被治愈情况”包括以下两种情况：一种是被治愈，此时，该治疗期即对应为该待预测患者的治愈期；另一种是不被治愈，即病亡，此时，该治疗期即对应为该待预测患者的生存期。
需要说明的是，针对上述的生存期预测，是指针对一些重症疾病(5年生存率低于80％的疾病)，因为重症疾病的治愈率比较低，所以，通常预测的治疗期即为患者的生存期，而在生存期结束后，也就意味着该患者通常是病亡了(也有可能在生存期内，患者就已病亡)，此时，本发明的“疾病治疗费用预测方法”，实际上也就是一种“重症疾病治疗费用预测方法”；当然，本发明的疾病治疗费用预测方法不限于用来预测重症疾病治疗费用，还可以用来预测一些普通疾病(治愈率较高的疾病，或治愈期较长，但不会致死的疾病等)，即本发明的疾病治疗费用预测方法能够预测的疾病的类型不限。
需要说明的是，该治疗期总费用，可以是各种数据打包综合，如医疗报销、生活补贴、看护服务等，也可以是单一类别的总费用，如看护服务。
需要说明的是，所述第一预测模型、所述第二预测模型及所述第三预测模型的预测过程相互独立，互不影响，所以，该第一预测模型、该第二预测模型及该第三预测模型分别预测出的治疗期总费用、治疗期、在治疗期内是否被治愈情况及单位时间内费用，相互之间也没有直接关系，特别地，该治疗期与该单位时间内费用的叠加累计结果不一定等于该治疗期总费用，于一实施例中，可使用该治疗期总费用调整该单位时间内费用，并将调整后的单位时间费用告知患者或其家属；当然，也可根据单位时间内费用调整该治疗期总费用，并将调整后的单位时间费用告知患者或其家属；具体不限，可视不同的实际应用场景来设定；诸如，如果治疗期总费用大于治疗期与该单位时间内费用的叠加累计结果，则使用该治疗期总费用调整该单位时间内费用；反之，如果治疗期总费用小于治疗期与该单位时间内费用的叠加累计结果，则使用该单位时间内费用调整该治疗期总费用(两个费用相互制约)。
假设，于一实施例中，经第一预测模型预测的一待预测患者的治疗期总费用为45万，经第二预测模型预测的该预测患者的治疗期为10个月，经第三预测模型预测的该待预测患者的单位时间内费用为每个月4万，则以该治疗期总费用45万为标准，使用该45万调整单位时间内费用，诸如，可将每个月的单位时间费用调整为4.5万，并告知该待预测患者或其家属；当然，也可按照一定的加权规则，调整该单位时间内费用，具体如何调整，不作为限制本发明的条件，可视不同的实际应用场景来设定，故在此也不再详细赘述。
进一步地，可根据该治疗期与该单位时间内费用的叠加累计结果和该治疗期总费用之间的差异，来评估该第一预测模型、第二预测模型及第三预测模型；具体地，若该治疗期与该单位时间内费用的叠加累计结果越接近该治疗期总费用，则说明这三个预测模型的准确度越高；反之，若该治疗期与该单位时间内费用的叠加累计结果和该治疗期总费用的差异越大，则说明这三个预测模型的准确度越低。
需要说明的是，每一单位时间内的费用可能相同，也可能不同，诸如，在治疗前期阶段，更多的花费可能是在检查费用上，且费用较高；在治疗后期阶段，更多的花费则可能是在治疗上，比如，用药、手术等费用，相对前期的检查费用来说，费用较低，所以，通过预测每一单位时间内费用，并告知该待预测患者或其家属，可使其清楚明了地获知该待预测患者在后续治疗过程中的花费支出。
如图1所示，于一实施例中，本发明的疾病治疗费用预测方法包括以下步骤：
步骤S1、获取对应所述待预测患者的目标医疗数据。
于一实施例中，所述目标医疗数据至少包括但并不限于以下任意一种或几种组合：对应所述待预测患者的体征数据、化验数据、当前状态数据、住院数据、医生问诊数据、医生临床诊治数据、医生临床用药数据及医生临床手术数据；具体地，可包括以下：体格检查数据、实验诊断(诸如，血液学检验、体液与排泄物检验、生化学检验、免疫学检验、病原学检验等)数据、医学影像检查(诸如，X线成像、CT检查、超声成像、磁共振成像)数据及其它临床辅助检查(诸如，心电图检查、核医学诊断、内镜检查等)数据。
需要说明的是，该目标医疗数据除包括以上数据外，还可包括对应该待预测患者的年龄、性别等数据。
于一实施例中，在将所述目标医疗数据分别输入至所述第一预测模型、所述第二预测模型及所述第三预测模型中之前，所述疾病治疗费用预测方法还包括以下步骤：
步骤S2、对所述目标医疗数据进行预处理，获取预处理后的目标医疗数据。
需要说明的是，所述预处理至少包括但并不限于：OCR数据识别处理和/或数据清洗处理。
步骤S3、将所述预处理后的目标医疗数据输入至所述第一预测模型中，以使所述第一预测模型基于所述预处理后的目标医疗数据输出所述治疗期总费用。
步骤S4、将所述预处理后的目标医疗数据输入至所述第二预测模型中，以使所述第二预测模型基于所述预处理后的目标医疗数据输出所述治疗期及所述待预测患者在所述治疗期内是否被治愈情况。
步骤S5、将所述预处理后的目标医疗数据输入至所述第三预测模型中，以使所述第三预测模型基于所述预处理后的目标医疗数据输出所述单位时间内费用。
需要说明的是，上述的步骤S3至步骤S5，执行顺序没有明确的限制，可以先后执行，也可以同时执行，且这三个步骤相互之间没有影响，是独立进行的。
进一步地，经步骤S5预测得到的单位时间内费用，可能并不会直接告知待预测患者，而仅是将经步骤S3预测得到的治疗期总费用和经步骤S4预测得到的治疗期直接告知该待预测患者；或者，使用该治疗期总费用去调整单位时间内费用，然后，再将调整后的单位时间内费用告知该待预测患者；具体地调整规则不限，只要保证调整后所得的单位时间内费用经过叠加累计等于该治疗期总费用即可。
于一实施例中，所述疾病治疗费用预测方法还包括以下步骤：获取历史病人的历史医疗数据和对应每一所述历史病人的治疗期总费用、治疗期、在治疗期内是否被治愈情况及单位时间内费用。
需要说明的是，该历史病人的历史医疗数据和对应每一历史病人的治疗期总费用、治疗期及单位时间内费用均存储在一历史疾病数据库中；具体地，从该历史疾病数据库中获取该历史病人的历史医疗数据和对应每一历史病人的治疗期总费用、治疗期及单位时间内费用。
需要说明的是，因为只有针对已故的病人或者是康复的病人，才确定其治疗期总费用、治疗期、在治疗期内是否被治愈情况及单位时间内费用，其中，对于已故病人，即表明在该治疗期内，该病人未被治愈，所以，其治疗期即对应为其生存期；对于康复病人，即表明在该治疗期内，该病人被治愈，所以，其治疗期即对应为其治愈期；所述历史病人包括：已故病人和/或康复病人。
进一步地，当出现新的已故病人或康复病人时，将其历史医疗数据、整个治疗期、在该整个治疗期内是否被治愈情况(已故病人的被治愈情况即为不被治愈；康复病人的被治愈情况即为被治愈)，以及单位时间内费用，经由OCR数据识别、清洗处理后，存入该历史疾病数据库中，以实现不断更新该历史疾病数据库，使其不断扩大，从而后续在基于该历史疾病数据库中存储的数据，训练预测模型(包括第一预测模型、第二预测模型及第三预测模型)时，能够有效提高训练后的预测模型的可靠性，进而提高模型预测结果的准确度。
更进一步地，上述历史疾病数据库中存储的数据，除了是依靠病人慢慢积累的数据，还可以是由各个医疗机构贡献得到的，也可以在早期，是相关疾病专家人工标注而成。
于一实施例中，所述疾病治疗费用预测方法还包括以下步骤：
步骤一、训练所述第一预测模型，获取训练好的第一预测模型，以将所述目标医疗数据输入至所述训练好的第一预测模型中，使所述训练好的第一预测模型基于所述目标医疗数据输出所述治疗期总费用。
于一实施例中，训练所述第一预测模型，获取训练好的第一预测模型包括以下步骤：
(11)搭建所述第一预测模型。
(12)将所述历史医疗数据及所述对应每一所述历史病人的治疗期总费用输入至所述第一预测模型中，对所述第一预测模型进行训练。
需要说明的是，该历史医疗数据具体包括哪些数据，可参考上述的“目标医疗数据”，在此不再详细赘述。
需要说明的是，在将上述的历史医疗数据输入至该第一预测模型时，该历史医疗数据中的每一类医疗数据均作为一列特征值(诸如，对应每一个历史病人的年龄作为一列特征值、对应每一个历史病人的学历作为一列特征值、对应每一个历史病人的性别作为一列特征值等)，在每一列特征值中均有可能存在空值(诸如，一历史病人的年龄不详)，此时，采用特征值平均的方式填充该空值，使得特征使用率变高。
进一步地，在训练该第一预测模型时，将历史医疗数据按照一定的预设比例进行划分；优选地，将所有历史医疗数据的80％作为训练数据，输入至该第一预测模型中，而将剩下的20％的历史医疗数据作为测试数据，用于对训练好的第一预测模型进行测试。
需要说明的是，对于重症、绝症疾病，其发生率较低，所以数据量可控，为了提升模型准确度，可选择每天凌晨重新训练一次模型，从而使模型时刻保持新鲜状态。
(13)将对所述第一预测模型进行训练得出的治疗期总费用与所述对应每一所述历史病人的治疗期总费用进行差异计算，以计算出对应所述第一预测模型的第一损失值，直至所述第一损失值不再下降和/或所述第一预测模型已训练第一预设次数时，停止训练，获取所述训练好的第一预测模型。
步骤二、训练所述第二预测模型，获取训练好的第二预测模型，以将所述目标医疗数据输入至所述训练好的第二预测模型中，使所述训练好的第二预测模型基于所述目标医疗数据输出所述治疗期及所述待预测患者在所述治疗期内是否被治愈情况。
于一实施例中，训练所述第二预测模型，获取训练好的第二预测模型包括以下步骤：
(21)搭建所述第二预测模型。
(22)将所述历史医疗数据及所述对应每一所述历史病人的治疗期、在治疗期内是否被治愈情况输入至所述第二预测模型中，对所述第二预测模型进行训练。
(23)将对所述第二预测模型进行训练得出的治疗期与所述对应每一所述历史病人的治疗期进行差异计算，将对所述第二预测模型进行训练得出的在治疗期内是否被治愈情况与所述对应每一所述历史病人在治疗期内是否被治愈情况进行差异计算，以计算出对应所述第二预测模型的第二损失值，直至所述第二损失值不再下降和/或所述第二预测模型已训练第二预设次数时，停止训练，获取所述训练好的第二预测模型。
步骤三、训练所述第三预测模型，获取训练好的第三预测模型，以将所述目标医疗数据输入至所述训练好的第三预测模型中，使所述训练好的第三预测模型基于所述目标医疗数据输出所述单位时间内费用。
于一实施例中，训练所述第三预测模型，获取训练好的第三预测模型包括以下步骤：
(31)搭建所述第三预测模型。
(32)将所述历史医疗数据及所述对应每一所述历史病人的单位时间内费用输入至所述第三预测模型中，对所述第三预测模型进行训练。
(33)将对所述第三预测模型进行训练得出的单位时间内费用与所述对应每一所述历史病人的单位时间内费用进行差异计算，以计算出对应所述第三预测模型的第三损失值，直至所述第三损失值不再下降和/或所述第三预测模型已训练第三预设次数时，停止训练，获取所述训练好的第三预测模型。
需要说明的是，上述步骤二和步骤三与上述步骤一的原理相同，故在此不再详细赘述；该步骤一至步骤三分别为训练第一预测模型、第二预测模型、第三预测模型，这三个步骤的执行顺序不作为限制本发明的条件，可以先后执行，也可以同时执行。
优选地，该第一预测模型、第二预测模型及第三预测模型均采用AI模型。
需要说明的是，该第一预测模型、第二预测模型及第三预测模型不限定为AI生成，也可以是经过科学的统计计算得出的模型或其他方式生成的模型，只是现有技术AI应用已经非常广泛与成熟。
进一步地，该第一预测模型、第二预测模型及第三预测模型在训练过程中，使用领域内常见的算法；诸如，AdaBoost、GBDT、RF、XGboost、LightGBM、CatBoost等，在此不再详细赘述。
优选地，该第一预测模型、第二预测模型及第三预测模型在训练过程中，使用LightGBM算法。
需要说明的是，在训练过程中，输入至该第一预测模型、第二预测模型及第三预测模型的数据，包含连续数值和离散数值两种，使用LightGBM算法可以直接将连续数值合理的离散化，同时有效地防止过拟合问题。
于一实施例中，训练所述第一预测模型、所述第二预测模型及所述第三预测模型包括以下步骤：将所述第一预测模型、所述第二预测模型及所述第三预测模型分别一一发送至至少两个医疗系统，以使至少两个所述医疗系统分别基于自身存储的医疗数据对所述第一预测模型、所述第二预测模型及所述第三预测模型分别进行训练；任意两个所述医疗系统内存储的医疗数据是相互保密的。
于一实施例中，获取所述训练好的第一预测模型、所述训练好的第二预测模型及所述训练好的第三预测模型包括以下步骤：
(41)将每一所述医疗机构训练所得的第一预测模型进行相应模型参数的加权平均，获取所述训练好的的第一预测模型。
(42)将每一所述医疗机构训练所得的第二预测模型进行相应模型参数的加权平均，获取所述训练好的的第二预测模型。
(43)将每一所述医疗机构训练所得的第三预测模型进行相应模型参数的加权平均，获取所述训练好的的第三预测模型。
需要说明的是，众所周知，医疗数据是每个人最为重要的隐私数据，也是各个国家法律严格管控的数据，通常不能授权给第三方使用，即使有一些特殊用途进行授权，过程与时间均会非常复杂与漫长；由于患者的医疗数据受到法律法规的严格监管，一个医疗机构内的医疗数据不能对外传送，即医疗机构之间的医疗数据是不能共享的，所以，于本实施例中，通过共享该第一预测模型、第二预测模型及第三预测模型，使不同的医疗机构分别对这三个预测模型进行训练，并将训练后的模型进行加权平均，从而得到最终的训练好的预测模型；这种训练方式使得医疗数据的拥有者(各个医疗机构)，不需要将医疗数据出库，既可以协同获得更准确的预测值，从而有效提高了预测模型的可靠性。
具体地，每个医疗机构使用自身的医疗数据，在每一轮训练中，将梯度下降的信息传给模型数据库(用于存储第一预测模型、第二预测模型及第三预测模型)，该模型数据库根据各个医疗机构的权重(通常和规模有关)，加总所有的梯度信息，实现更新第一预测模型、第二预测模型及第三预测模型；同时，该模型数据库会再将更新后新一轮的模型，发给每个医疗机构，各个医疗机构利用新的模型与自己的医疗数据，训练新一轮的模型，产生新的梯度下降信息，回传至该模型数据库，直到训练停止，该过程有效阻止了医疗数据的流动(包括每个待预测患者的医疗数据不需要交由各个医疗机构)。
于一实施例中，在将所述目标医疗数据输入至所述第一预测模型、所述第二预测模型及所述第三预测模型之前，所述疾病治疗费用预测方法还包括以下步骤：
(51)获取对应所述待预测患者的简单医疗信息。
需要说明的是，所述简单医疗信息至少包括但并不限于以下任意一种或几种组合：对应所述待预测患者的病种类型、病灶位置、疾病发展阶段、是否有特效药、医生初步估计的治疗期及在所述治疗期内是否被治愈情况。
(52)将所述简单医疗信息输入至所述第一预测模型中，以使所述第一预测模型基于所述简单医疗信息输出对应所述待预测患者的粗估治疗期总费用。
(53)将所述简单医疗信息输入至所述第二预测模型中，以使所述第二预测模型基于所述简单医疗信息输出所述待预测患者的粗估治疗期及在所述粗估治疗期内是否被治愈情况。
(54)将所述简单医疗信息输入至所述第三预测模型中，以使所述第三预测模型基于所述简单医疗信息输出对应所述待预测患者的粗估单位时间内费用。
需要说明的是，患者提供详尽的医疗数据，是一件成本很高的事，所以，该疾病治疗费用预测方法还提供了一种简单的方式，通过简单的医疗数据，为患者提供粗略的治疗期总费用、治疗期期、在该治疗期内是否被治愈情况及单位时间内费用的预测，从而使得病人有初步的了解与信心，有意愿提供更详尽的医疗数据，获得更准确的预测。
进一步地，患者提供简单医疗数据进行预测时，过程同上述患者提供目标医疗数据进行预测，只是该预测需要计算的空值较多，所以，得到的预测结果自然也不够准确，只具有一定的代表性，供患者参考。
需要说明的是，本发明所述的疾病治疗费用预测方法的保护范围不限于本实施例列举的步骤执行顺序，凡是根据本发明的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本发明的保护范围内。
下面通过具体实施例来进一步解释说明本发明的疾病治疗费用预测方法。
于一实施例中，将上述的疾病治疗费用预测方法应用于一终端，使该终端能够预测出待预测患者的治疗期总费用、治疗期、能够被治愈及单位时间内费用，该终端上设有第一预测模型、第二预测模型及第三预测模型。
于本实施例中，该待预测患者为一位肝癌4期病人，据亲属口述得知以下信息：该患者67岁，在某4线城市拥有居民医保，癌症属于腺癌，肿瘤为2×2mm，有肺部转移，基因检测结果为无靶向药物可用，身体其他指标基本正常，无重大疾病病史。
将上述信息输入到该终端中，通过第一预测模型、第二预测模型及第三预测模型分别基于该信息进行相应的预测，得到下述预测结果：治疗期总费用36万；治疗期3年，且不被治愈，即生存期为3年；平均每年需要花费医疗费用11.5万。
由上述预测结果可知，根据治疗期和平均每年花费医疗费用来估算的话，在该治疗期内花费为11.5×3＝34.5万，与第一预测模型预测出的治疗期总费用36万不等，此时，可根据该治疗期总费用调整平均每年需要花费医疗费用的值，并将调整后的结果告知该肝癌4期病人或其亲属；诸如，可将平均每年需要花费医疗费用调整后12万，并告诉该肝癌4期病人，其生存期为3年，每年需要花费12万；当然，也可以按照一定的比例，调整每年需要花费医疗费用，诸如，可将第一年需要花费医疗费用调整为14万，第二年和第三年均需要花费医疗费用11万；具体不限。
进一步地，上述终端还可应用于一保险产品系统中，具体地，该保险产品系统的工作原理如下：
首先，该保险产品系统根据上述肝癌4期病人的一些简单医疗信息，粗略预测其治疗期总费用、治疗期、能否被治愈及单位时间内费用(与上述精确预测的结果存在一定差异)，并将该预测结果(或调整后的预测结果)告知该肝癌4期病人或其亲属，由该肝癌4期病人或其亲属决定是否购买该保险产品。
假设，该肝癌4期病人或其亲属最终决定购买该保险产品，则再通过上述方法，精确预测出对应该肝癌4期病人的治疗期总费用36万；治疗期3年，且不被治愈，即生存期为3年；平均每年需要花费医疗费用11.5万，此时，根据该治疗期总费用36万将平均每年需要花费医疗费用调整为12万，然后，告知该肝癌4期病人或其亲属，该肝癌4期病人的生存期为3年，每年需要花费医疗费用为12万，总计36万，则在该肝癌4期病人购买该保险产品后，会缴纳36万的费用，而此后，该肝癌4期病人每年会获得12万的医疗费用，且该费用会一直提供给该肝癌4期病人，直至其逝世为止，即如果该肝癌4期病人的生存期超过3年，因其购买了该保险产品，所以，每年仍然会得到12万的医疗费用(如果不足一年，则按月平均计算，即每月1万)；但如果该肝癌4期病人的生存期不足3年，该系统也不会进行差额返还。
所以，针对一些重症疾病，因患者生存期不定，治疗费用也不定，如果能够购买这样一种保险产品，可以比较准确的预测病人剩余生命中所需要的医疗或护理费用，并根据该预测值，锁定病人剩余生命中的花费，将对病人及家庭而言是一种巨大的帮助，为该患者提供一定的医疗保障，减轻病患家庭负担。
如图2所示，于一实施例中，本发明的疾病治疗费用预测系统应用于一终端，所述终端上设有第一预测模型、第二预测模型及第三预测模型；其中，所述第一预测模型用于预测对应待预测患者的治疗期总费用；所述第二预测模型用于预测所述待预测患者的治疗期及所述待预测患者在所述治疗期内是否被治愈情况；所述第三预测模型用于预测对应所述待预测患者的单位时间内费用；所述第一预测模型、所述第二预测模型及所述第三预测模型的预测过程相互独立，互不影响；所述疾病治疗费用预测系统包括数据获取模块21、第一训练模块22、第二训练模块23及第三训练模块24。
所述数据获取模块21用于获取对应所述待预测患者的目标医疗数据。
所述第一训练模块22用于将所述目标医疗数据输入至所述第一预测模型中，以使所述第一预测模型基于所述目标医疗数据输出所述治疗期总费用。
所述第二训练模块23用于将所述目标医疗数据输入至所述第二预测模型中，以使所述第二预测模型基于所述目标医疗数据输出所述治疗期及所述待预测患者在所述治疗期内是否被治愈情况。
所述第三训练模块24用于将所述目标医疗数据输入至所述第三预测模型中，以使所述第三预测模型基于所述目标医疗数据输出所述单位时间内费用。
需要说明的是，所述疾病治疗费用预测系统的工作原理与上述疾病治疗费用预测方法的工作原理相同，故在此不再赘述。
需要说明的是，应理解以上系统的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，x模块可以为单独设立的处理元件，也可以集成在上述系统的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述系统的存储器中，由上述系统的某一个处理元件调用并执行以上x模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个数字信号处理器(Digital Signal Processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(Central Processing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(System-On-a-Chip，简称SOC)的形式实现。
本发明的存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述的疾病治疗费用预测方法。所述存储介质包括：只读存储器(Read-Only Memory，ROM)、随机访问存储器(Random Access Memory，RAM)、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
如图3所示，本发明的终端包括第一预测模型、第二预测模型、第三预测模型、处理器31及存储器32。
具体地，所述第一预测模型用于预测对应待预测患者的治疗期总费用；所述第二预测模型用于预测所述待预测患者的治疗期及所述待预测患者在所述治疗期内是否被治愈情况；所述第三预测模型用于预测对应所述待预测患者的单位时间内费用；所述第一预测模型、所述第二预测模型及所述第三预测模型的预测过程相互独立，互不影响。
所述存储器32用于存储计算机程序；优选地，所述存储器32包括：ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
所述处理器31与所述存储器32相连，用于执行所述存储器32存储的计算机程序，以使所述终端执行上述的疾病治疗费用预测方法。
优选地，所述处理器31可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
需要说明的是，本发明的疾病治疗费用预测系统可以实现本发明的疾病治疗费用预测方法，但本发明的疾病治疗费用预测方法的实现装置包括但不限于本实施例列举的疾病治疗费用预测系统的结构，凡是根据本发明的原理所做的现有技术的结构变形和替换，都包括在本发明的保护范围内。
综上所述，本发明的疾病治疗费用预测方法、系统、介质及终端，通过对待预测患者的治疗期总费用、治疗期、在治疗期内是否被治愈情况及单位时间内费用分别进行预测，为该待预测患者提供了准确可靠的疾病治疗预测结果，使待预测患者或其家属能够及时了解患者的治疗期及后续的相关治疗费用情况，从而事先建好心理预期，做好心理准备，有效降低了待预测患者及其家属的心理负担；本发明在训练模型的过程中，利用联邦学习的理念，在保证各医疗机构内部医疗数据相互之间保密的同时，增强了模型训练的可靠性，进而提高了模型预测结果的准确度；本发明中，对于待预测患者的治疗期总费用、治疗期及单位时间内费用是分别进行预测的，各预测过程相互独立，互不影响，且该治疗期与该单位时间内费用的叠加累计结果和该治疗期总费用没有直接关系，该治疗期与该单位时间内费用的叠加累计结果不一定等于该治疗期总费用，可使用该治疗期总费用调整该单位时间内费用，并将调整后的单位时间费用告知患者或其家属；所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (11)

1.一种疾病治疗费用预测方法，应用于一终端，其特征在于，所述终端上设有第一预测模型；所述第一预测模型用于预测对应待预测患者的治疗期总费用；所述疾病治疗费用预测方法包括以下步骤：
获取对应所述待预测患者的目标医疗数据；
将所述目标医疗数据输入至所述第一预测模型中，以使所述第一预测模型基于所述目标医疗数据输出所述治疗期总费用。
2.根据权利要求1所述的疾病治疗费用预测方法，其特征在于，所述终端上还设有第二预测模型和第三预测模型；其中，所述第二预测模型用于预测所述待预测患者的治疗期及所述待预测患者在所述治疗期内是否被治愈情况；所述第三预测模型用于预测对应所述待预测患者的单位时间内费用；所述第一预测模型、所述第二预测模型及所述第三预测模型的预测过程相互独立，互不影响；所述疾病治疗费用预测方法还包括以下步骤：
将所述目标医疗数据输入至所述第二预测模型中，以使所述第二预测模型基于所述目标医疗数据输出所述治疗期及所述待预测患者在所述治疗期内是否被治愈情况；
将所述目标医疗数据输入至所述第三预测模型中，以使所述第三预测模型基于所述目标医疗数据输出所述单位时间内费用。
3.根据权利要求2所述的疾病治疗费用预测方法，其特征在于，所述疾病治疗费用预测方法还包括以下步骤：
训练所述第一预测模型，获取训练好的第一预测模型，以将所述目标医疗数据输入至所述训练好的第一预测模型中，使所述训练好的第一预测模型基于所述目标医疗数据输出所述治疗期总费用；
训练所述第二预测模型，获取训练好的第二预测模型，以将所述目标医疗数据输入至所述训练好的第二预测模型中，使所述训练好的第二预测模型基于所述目标医疗数据输出所述治疗期及所述待预测患者在所述治疗期内是否被治愈情况；
训练所述第三预测模型，获取训练好的第三预测模型，以将所述目标医疗数据输入至所述训练好的第三预测模型中，使所述训练好的第三预测模型基于所述目标医疗数据输出所述单位时间内费用。
4.根据权利要求3所述的疾病治疗费用预测方法，其特征在于，所述疾病治疗费用预测方法还包括以下步骤：获取历史病人的历史医疗数据和对应每一所述历史病人的治疗期总费用、治疗期、在治疗期内是否被治愈情况及单位时间内费用；所述历史病人包括：已故病人和/或康复病人；
训练所述第一预测模型，获取训练好的第一预测模型包括以下步骤：
搭建所述第一预测模型；
将所述历史医疗数据及所述对应每一所述历史病人的治疗期总费用输入至所述第一预测模型中，对所述第一预测模型进行训练；
将对所述第一预测模型进行训练得出的治疗期总费用与所述对应每一所述历史病人的治疗期总费用进行差异计算，以计算出对应所述第一预测模型的第一损失值，直至所述第一损失值不再下降和/或所述第一预测模型已训练第一预设次数时，停止训练，获取所述训练好的第一预测模型；
训练所述第二预测模型，获取训练好的第二预测模型包括以下步骤：
搭建所述第二预测模型；
将所述历史医疗数据及所述对应每一所述历史病人的治疗期、在治疗期内是否被治愈情况输入至所述第二预测模型中，对所述第二预测模型进行训练；
将对所述第二预测模型进行训练得出的治疗期与所述对应每一所述历史病人的治疗期进行差异计算，将对所述第二预测模型进行训练得出的在治疗期内是否被治愈情况与所述对应每一所述历史病人在治疗期内是否被治愈情况进行差异计算，以计算出对应所述第二预测模型的第二损失值，直至所述第二损失值不再下降和/或所述第二预测模型已训练第二预设次数时，停止训练，获取所述训练好的第二预测模型；
训练所述第三预测模型，获取训练好的第三预测模型包括以下步骤：
搭建所述第三预测模型；
将所述历史医疗数据及所述对应每一所述历史病人的单位时间内费用输入至所述第三预测模型中，对所述第三预测模型进行训练；
将对所述第三预测模型进行训练得出的单位时间内费用与所述对应每一所述历史病人的单位时间内费用进行差异计算，以计算出对应所述第三预测模型的第三损失值，直至所述第三损失值不再下降和/或所述第三预测模型已训练第三预设次数时，停止训练，获取所述训练好的第三预测模型。
5.根据权利要求3所述的疾病治疗费用预测方法，其特征在于，训练所述第一预测模型、所述第二预测模型及所述第三预测模型包括以下步骤：
将所述第一预测模型、所述第二预测模型及所述第三预测模型分别一一发送至至少两个医疗系统，以使至少两个所述医疗系统分别基于自身存储的医疗数据对所述第一预测模型、所述第二预测模型及所述第三预测模型分别进行训练；任意两个所述医疗系统内存储的医疗数据是相互保密的。
6.根据权利要求5所述的疾病治疗费用预测方法，其特征在于，获取所述训练好的第一预测模型、所述训练好的第二预测模型及所述训练好的第三预测模型包括以下步骤：
将每一所述医疗机构训练所得的第一预测模型进行相应模型参数的加权平均，获取所述训练好的的第一预测模型；
将每一所述医疗机构训练所得的第二预测模型进行相应模型参数的加权平均，获取所述训练好的的第二预测模型；
将每一所述医疗机构训练所得的第三预测模型进行相应模型参数的加权平均，获取所述训练好的的第三预测模型。
7.根据权利要求2所述的疾病治疗费用预测方法，其特征在于，在将所述目标医疗数据输入至所述第一预测模型、所述第二预测模型及所述第三预测模型之前，所述疾病治疗费用预测方法还包括以下步骤：
获取对应所述待预测患者的简单医疗信息；所述简单医疗信息至少包括以下任意一种或几种组合：对应所述待预测患者的病种类型、病灶位置、疾病发展阶段、是否有特效药、医生初步估计的治疗期及在所述治疗期内是否被治愈情况；
将所述简单医疗信息输入至所述第一预测模型中，以使所述第一预测模型基于所述简单医疗信息输出对应所述待预测患者的粗估治疗期总费用；
将所述简单医疗信息输入至所述第二预测模型中，以使所述第二预测模型基于所述简单医疗信息输出所述待预测患者的粗估治疗期及在所述粗估治疗期内是否被治愈情况；
将所述简单医疗信息输入至所述第三预测模型中，以使所述第三预测模型基于所述简单医疗信息输出对应所述待预测患者的粗估单位时间内费用。
8.根据权利要求2所述的疾病治疗费用预测方法，其特征在于，所述目标医疗数据至少包括以下任意一种或几种组合：对应所述待预测患者的体征数据、化验数据、当前状态数据、住院数据、医生问诊数据、医生临床诊治数据、医生临床用药数据及医生临床手术数据；
在将所述目标医疗数据分别输入至所述第一预测模型、所述第二预测模型及所述第三预测模型中之前，所述疾病治疗费用预测方法还包括以下步骤：对所述目标医疗数据进行预处理，获取预处理后的目标医疗数据，以将所述预处理后的目标医疗数据分别输入至所述第一预测模型、所述第二预测模型及所述第三预测模型中；所述预处理至少包括：OCR数据识别处理和/或数据清洗处理。
9.一种疾病治疗费用预测系统，应用于一终端，其特征在于，所述终端上设有第一预测模型；所述第一预测模型用于预测对应待预测患者的治疗期总费用；所述疾病治疗费用预测系统包括：数据获取模块和第一训练模块；
所述数据获取模块用于获取对应所述待预测患者的目标医疗数据；
所述第一训练模块用于将所述目标医疗数据输入至所述第一预测模型中，以使所述第一预测模型基于所述目标医疗数据输出所述治疗期总费用。
10.一种存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至8中任一项所述的疾病治疗费用预测方法。
11.一种终端，其特征在于，包括：第一预测模型、处理器及存储器；
所述第一预测模型用于预测对应待预测患者的治疗期总费用；
所述存储器用于存储计算机程序；
所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行权利要求1至8中任一项所述的疾病治疗费用预测方法。
CN202110655336.1A 2021-06-11 2021-06-11 疾病治疗费用预测方法、系统、介质及终端 Pending CN113569907A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110655336.1A CN113569907A (zh) 2021-06-11 2021-06-11 疾病治疗费用预测方法、系统、介质及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110655336.1A CN113569907A (zh) 2021-06-11 2021-06-11 疾病治疗费用预测方法、系统、介质及终端

Publications (1)

Publication Number Publication Date
CN113569907A true CN113569907A (zh) 2021-10-29

Family

ID=78162000

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110655336.1A Pending CN113569907A (zh) 2021-06-11 2021-06-11 疾病治疗费用预测方法、系统、介质及终端

Country Status (1)

Country Link
CN (1) CN113569907A (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006155411A (ja) * 2004-11-30 2006-06-15 Houken Corp 治療予測モデル構築システム、治療予測モデル構築方法、治療予測モデル構築用プログラム、治療内容検証・提案システム、治療内容検証・提案方法、治療内容検証・提案用プログラム、健康管理データダウンロード方法、着脱可能な記憶メディア
CN105335623A (zh) * 2015-12-04 2016-02-17 上海市第六人民医院 一种骨转移癌骨相关事件的判断系统
CN109065105A (zh) * 2018-08-02 2018-12-21 广州坤硕医疗科技有限公司 一种医院用患者疾病治疗分值统计方法
CN109492803A (zh) * 2018-10-30 2019-03-19 平安科技（深圳）有限公司 基于人工智能的慢性病住院费用异常检测方法及相关装置
CN109523067A (zh) * 2018-10-30 2019-03-26 平安医疗健康管理股份有限公司 基于预测模型的费用预测方法、装置、服务器及存储介质
CN110168659A (zh) * 2016-11-14 2019-08-23 科塔公司 用于改善临床结果并降低总护理费用的cna引导的护理
US20190333155A1 (en) * 2018-04-27 2019-10-31 International Business Machines Corporation Health insurance cost prediction reporting via private transfer learning
CN111584095A (zh) * 2020-04-21 2020-08-25 中国人民解放军海军军医大学 原发性肝癌患者参与治疗决策辅助支持系统
CN111898797A (zh) * 2020-06-22 2020-11-06 青岛国新健康产业科技有限公司 医疗费用预测方法、装置、电子设备及存储介质
CN112201330A (zh) * 2020-09-29 2021-01-08 四川省人民医院 结合DRGs工具和贝叶斯模型的医疗质量监测评估方法
CN112216386A (zh) * 2019-07-11 2021-01-12 沈阳美鳌生物科技有限公司 用于预测结直肠癌患者发生隐匿性肝转移的风险度的方法
JP2021026358A (ja) * 2019-07-31 2021-02-22 都築電気株式会社 機械学習を用いた退院日予測方法及び装置

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006155411A (ja) * 2004-11-30 2006-06-15 Houken Corp 治療予測モデル構築システム、治療予測モデル構築方法、治療予測モデル構築用プログラム、治療内容検証・提案システム、治療内容検証・提案方法、治療内容検証・提案用プログラム、健康管理データダウンロード方法、着脱可能な記憶メディア
CN105335623A (zh) * 2015-12-04 2016-02-17 上海市第六人民医院 一种骨转移癌骨相关事件的判断系统
CN110168659A (zh) * 2016-11-14 2019-08-23 科塔公司 用于改善临床结果并降低总护理费用的cna引导的护理
US20190333155A1 (en) * 2018-04-27 2019-10-31 International Business Machines Corporation Health insurance cost prediction reporting via private transfer learning
CN109065105A (zh) * 2018-08-02 2018-12-21 广州坤硕医疗科技有限公司 一种医院用患者疾病治疗分值统计方法
CN109492803A (zh) * 2018-10-30 2019-03-19 平安科技（深圳）有限公司 基于人工智能的慢性病住院费用异常检测方法及相关装置
CN109523067A (zh) * 2018-10-30 2019-03-26 平安医疗健康管理股份有限公司 基于预测模型的费用预测方法、装置、服务器及存储介质
CN112216386A (zh) * 2019-07-11 2021-01-12 沈阳美鳌生物科技有限公司 用于预测结直肠癌患者发生隐匿性肝转移的风险度的方法
JP2021026358A (ja) * 2019-07-31 2021-02-22 都築電気株式会社 機械学習を用いた退院日予測方法及び装置
CN111584095A (zh) * 2020-04-21 2020-08-25 中国人民解放军海军军医大学 原发性肝癌患者参与治疗决策辅助支持系统
CN111898797A (zh) * 2020-06-22 2020-11-06 青岛国新健康产业科技有限公司 医疗费用预测方法、装置、电子设备及存储介质
CN112201330A (zh) * 2020-09-29 2021-01-08 四川省人民医院 结合DRGs工具和贝叶斯模型的医疗质量监测评估方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HENDRIKUS J. A. VAN OS等: "Predicting Outcome of Endovascular Treatment for Acute Ischemic Stroke: Potential Value of Machine Learning Algorithms", 《FRONTIERS IN NEUROLOGY》, vol. 9, 25 September 2018 (2018-09-25), pages 784 *
倪朝民: "模拟神经网络预测骨科康复病人的结果、费用和住院时间", 《国外医学(物理医学与康复学分册)》, no. 01, 31 March 1996 (1996-03-31), pages 42 *
张倩倩等: "删失分位数回归在医疗费用中的应用", 《数理统计与管理》, vol. 37, no. 06, 31 December 2018 (2018-12-31), pages 1050 - 1062 *

Similar Documents

Publication Publication Date Title
US11501874B2 (en) System and method for machine based medical diagnostic code identification, accumulation, analysis and automatic claim process adjudication
US11538161B2 (en) Systems and methods for determining blood vessel conditions
Nakao et al. Deep neural network‐based computer‐assisted detection of cerebral aneurysms in MR angiography
CN109447183B (zh) 预测模型训练方法、装置、设备以及介质
US11037070B2 (en) Diagnostic test planning using machine learning techniques
Pathan et al. Automated Detection of Covid-19 from Chest X-ray scans using an optimized CNN architecture
US20210090247A1 (en) Apparatus and method for medical diagnostic
Swerdel et al. PheValuator: development and evaluation of a phenotype algorithm evaluator
Shakeri et al. Deep spectral-based shape features for Alzheimer’s disease classification
US11341632B2 (en) Method for obtaining at least one feature of interest
CN114080646A (zh) 信息处理装置、程序、学习完毕模型、诊断支援装置、学习装置及预测模型的生成方法
Mazzanti et al. Imaging, health record, and artificial intelligence: hype or hope?
CN114298234B (zh) 脑部医学影像分类方法、装置、计算机设备和存储介质
US20230057653A1 (en) Method and system and apparatus for quantifying uncertainty for medical image assessment
Dusenberry et al. Artificial neural networks: Predicting head CT findings in elderly patients presenting with minor head injury after a fall
Howard et al. Automated analysis and detection of abnormalities in transaxial anatomical cardiovascular magnetic resonance images: a proof of concept study with potential to optimize image acquisition
Simfukwe et al. Prediction of east asian brain age using machine learning algorithms trained with community-based healthy brain mri
CN113569907A (zh) 疾病治疗费用预测方法、系统、介质及终端
CN117012380A (zh) 事件预估方法、装置、设备、存储介质及程序产品
Sukanya et al. Deep Learning‐Assisted Efficient Staging of SARS‐CoV‐2 Lesions Using Lung CT Slices
Abi Nader et al. SimulAD: a dynamical model for personalized simulation and disease staging in Alzheimer’s disease
CN115619810B (zh) 一种前列腺分区分割方法、系统及设备
ISKEMIK Journal of Vocational Health Studies
CN117116476B (zh) 下游任务预测方法、装置及计算机可读存储介质
Gupta et al. COVID‐19 Data Analytics Using Extended Convolutional Technique

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