CN113643784A - 门慢的异常行为监控方法、装置、设备以及存储介质 - Google Patents

门慢的异常行为监控方法、装置、设备以及存储介质 Download PDF

Info

Publication number
CN113643784A
CN113643784A CN202111016181.3A CN202111016181A CN113643784A CN 113643784 A CN113643784 A CN 113643784A CN 202111016181 A CN202111016181 A CN 202111016181A CN 113643784 A CN113643784 A CN 113643784A
Authority
CN
China
Prior art keywords
information
correlation
medicine
chronic disease
medicine information
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
CN202111016181.3A
Other languages
English (en)
Inventor
满天龙
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.)
Shenzhen Ping An Medical Health Technology Service Co Ltd
Original Assignee
Ping An Medical and Healthcare Management Co Ltd
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 Ping An Medical and Healthcare Management Co Ltd filed Critical Ping An Medical and Healthcare Management Co Ltd
Priority to CN202111016181.3A priority Critical patent/CN113643784A/zh
Publication of CN113643784A publication Critical patent/CN113643784A/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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Medicinal Chemistry (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明涉及数字医疗领域，提供了一种门慢的异常行为监控方法、装置、设备以及存储介质，其中，方法包括：通过获取指定用户的慢病信息，以及所述指定用户基于慢病的各个报销药品的药品信息，输入至慢病相关度计算模型中进行计算，得到每个药品信息与所述慢病信息的相关度，基于相关度认定所述指定用户的异常行为。从而实现了自动认定异常行为，省去了相关人员对各个患者的药品信息逐一核对的时间，从而降低了人力成本。

Description

门慢的异常行为监控方法、装置、设备以及存储介质
技术领域
本发明涉及数字医疗领域，特别涉及一种门慢的异常行为监控方法、装置、设备以及存储介质。
背景技术
门慢是门诊慢性病的简称，其主要特点是病程长、病因复杂、需要长期用药，疾病发展到一定阶段后，通常会造成心、脑、肾等多器官损害，造成伤残，甚至死亡。具有门慢资质的患者具有长期从医院低价获得慢性病药品及相关治疗项目的优惠政策。同时这些优惠政策，也可能被患者所利用，通过倒卖药品来赚取差价，进而从中牟利，因此需要对这种异常行为进行监督。
传统监督的方式主要是通过经验丰富的相关人员对各个患者的用药进行监控，然而经验丰富的相关人员需要经过大量培训，造成巨大的人力成本。
发明内容
本发明的主要目的为提供一种门慢的异常行为监控方法、装置、设备以及存储介质，旨在解决通过经验丰富的相关人员对各个患者的用药进行监控会造成巨大的人力成本的问题。
本发明提供了一种门慢的异常行为监控方法，包括：
获取指定用户的慢病信息，以及所述指定用户基于慢病的各个报销药品的药品信息；
将所述慢病信息和各所述药品信息依次组合，并输入至慢病相关度计算模型中进行计算，得到每个药品信息与所述慢病信息的相关度；其中，所述慢病相关度计算模型基于各种慢病信息、各种所述慢病信息对应的报销药品的药品信息，以及各所述药品信息和所述慢病信息之间的相关度训练而成；
判断各所述药品信息中是否具有所述相关度小于第一预设相关度的药品信息；
若具有所述相关度小于第一预设相关度的药品信息，则判定所述指定用户具有异常行为。
进一步地，所述慢病相关度计算模型包括多个子模型，各个所述子模型用于计算各所述药品信息的与所述慢病信息的子相关度，所述将所述慢病信息和各所述药品信息依次组合，并输入至慢病相关度计算模型中进行计算，得到每个药品信息与所述慢病信息的相关度，包括：
将所述慢病信息和各所述药品信息依次组合，得到多个待计算组合；
将各所述待计算组合分别输入至各个所述子模型中，分别得到每个所述待计算组合的多个子相关度；
基于每个所述待计算组合的多个所述子相关度计算对应的药品信息与所述慢病信息的所述相关度。
进一步地，所述基于每个所述待计算组合的多个所述子相关度计算对应的药品信息与所述慢病信息的所述相关度，包括：
获取用于检测各所述子模型的损失值的测试集；
将所述测试集分别输入至各所述子模型中，分别得到各所述子模型对应的预测结果；
基于所述测试集中的实际结果以及各个预测结果，通过损失值计算公式，得到各所述子模型的损失值；
根据公式
Figure BDA0003240285060000021
计算得到所述相关度；其中，cor为所述相关度，Y为所述实际结果，yi为第i个子模型的所述预测结果，l(yi，Y)表示第i个子模型的损失值，wi(l(yi，Y))表示第i个子模型的权重，xi表示第i个子模型对应的子相关度，Ω(l(yi，Y))表示第i个子模型对应的惩罚项。
进一步地，所述子模型为皮尔逊计算子模型、xgboost子模型以及lightgbm子模型中任意一种子模型。
进一步地，所述若具有所述相关度小于第一预设相关度的药品信息，则判定所述指定用户具有异常行为之后，还包括：
统计指定区域内各类药品的每个月的报销数额；
根据公式
Figure BDA0003240285060000031
计算每个报销数额的异常值；其中Zij表示第j类药品的第i个月的报销数额对应的所述异常值，μ表示第j类药品中各个月的平均值，且
Figure BDA0003240285060000032
σ表示j类药品的标准差，且
Figure BDA0003240285060000033
xij表示第j类药品中第i个月的报销数额；
将|Zij|＞Zthr对应的报销数额提取出来，并作为该类药物报销的异常行为，其中Zthr为设定的参数值。
进一步地，所述判断各所述药品信息中是否具有所述相关度小于第一预设相关度的药品信息之后，还包括：
判断各所述药品信息中是否具有所述相关度大于第一预设相关度，且小于第二预设相关度的可疑药品信息；
若具有所述可疑药品信息，则提取将所述可疑药品信息和所述慢病信息发送给相关人员进行认定。
进一步地，所述获取指定用户的慢病信息，以及所述指定用户基于慢病的各个报销药品的药品信息之后，还包括：
基于所述慢病信息获取所述指定用户可报销的目标药品信息；
判断各个所述报销药品的药品信息是否存在与所述目标药品信息不符的药品信息；
若存在与所述目标药品信息不符的药品信息，则判定所述指定用户具有异常行为。
本发明还提供了一种基于门慢的异常行为监控装置，包括：
获取模块，用于获取指定用户的慢病信息，以及所述指定用户基于慢病的各个报销药品的药品信息；
组合模块，用于将所述慢病信息和各所述药品信息依次组合，并输入至慢病相关度计算模型中进行计算，得到每个药品信息与所述慢病信息的相关度；其中，所述慢病相关度计算模型基于各种慢病信息、各种所述慢病信息对应的报销药品的药品信息，以及各所述药品信息和所述慢病信息之间的相关度训练而成；
判断模块，用于判断各所述药品信息中是否具有所述相关度小于第一预设相关度的药品信息；
判定模块，用于若具有所述相关度小于第一预设相关度的药品信息，则判定所述指定用户具有异常行为。
本发明还提供了一种计算机设备，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。
本发明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，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。
本发明的有益效果：通过获取指定用户的慢病信息，以及所述指定用户基于慢病的各个报销药品的药品信息，输入至慢病相关度计算模型中进行计算，得到每个药品信息与所述慢病信息的相关度，基于相关度认定所述指定用户的异常行为。从而实现了自动认定异常行为，省去了相关人员对各个患者的药品信息逐一核对的时间，从而降低了人力成本。
附图说明
图1是本发明一实施例的一种门慢的异常行为监控方法的流程示意图；
图2是本发明一实施例的一种门慢的异常行为监控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。
本发明目的的实现、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
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后等)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变，所述的连接可以是直接连接，也可以是间接连接。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。
另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
参照图1，本发明提出一种门慢的异常行为监控方法，包括：
S1：获取指定用户的慢病信息，以及所述指定用户基于慢病的各个报销药品的药品信息；
S2：将所述慢病信息和各所述药品信息依次组合，并输入至慢病相关度计算模型中进行计算，得到每个药品信息与所述慢病信息的相关度；其中，所述慢病相关度计算模型基于各种慢病信息、各种所述慢病信息对应的报销药品的药品信息，以及各所述药品信息和所述慢病信息之间的相关度训练而成；
S3：判断各所述药品信息中是否具有所述相关度小于第一预设相关度的药品信息；
S4：若具有所述相关度小于第一预设相关度的药品信息，则判定所述指定用户具有异常行为。
如上述步骤S1所述，获取指定用户的慢病信息，以及所述指定用户基于慢病的各个报销药品的药品信息。本实施例为对每个指定用户进行检测，指定用户为患有慢病并进行报销的任意一个患者，并且该患者的身份信息，慢病信息，报销信息都存于系统中，因此，可以直接从系统的数据库中对该指定用户的慢病信息以及基于慢病的报销药品的药品信息进行获取。需要说明的是，该各个报销药品的药品信息为各个报销药品的信息总和，例如原料，则为所有报销药品的原料，其中，慢病信息可以包括“服用年龄范围”、“可治疗的疾病”、“禁止服用的疾病”、“患者性别”、“孕期是否可服用”、“原料”、“辅料”、“成分及含量”、“适用人群”、“不事宜人群”、“功能疗效”、“食用量”、“规格”、“食用方法”等等特征。慢病信息可以包括“症状”、“发病人群”、“发病年龄范围”、“治疗药物”、“可以吃的食物”、“忌食食物”等等。
如上述步骤S2所述，将所述慢病信息和各所述药品信息依次组合，并输入至慢病相关度计算模型中进行计算，得到每个药品信息与所述慢病信息的相关度。其中，为将一个药品信息和慢病信息进行组合，输入至慢病相关度计算模型中，其中，该计算模型为基于各种慢病信息以及各种所述慢病信息对应的报销药品的药品信息训练而成。即只需要输入慢病信息和药品的药品信息，就可以得到该药品与该慢病信息的相关度，该慢病相关度计算模型为通过多维度信息进行计算的模型，即根据药品信息的多维度信息，以及慢病信息的多维度信息综合得到，慢病相关度计算模型的具体计算方式后续有详细说明，此处不再赘述。
如上述步骤S3所述，判断各所述药品信息中是否具有所述相关度小于第一预设相关度的药品信息。由于通过慢病相关度计算模型得到了各个药品信息对应的相关度，因此可以将其与第一预设相关度进行比较，其中第一预设相关度为预先设置的相关度，若大于该第一预设相关度时，则认为该药品信息正常，若小于该第一预设相关度，则认为该药品信息异常，即该构成该药品信息对应的报销药品也异常。
如上述步骤S4所述，若具有所述相关度小于第一预设相关度的药品信息，则判定所述指定用户具有异常行为。即存在相关度小于第一预设相关度的药品信息，该情况可以包括某种药品信息超标，例如A药品也可以治疗该慢病，B药品也可以治疗该慢病，而实际上，A药品和B药品开的总量治疗的慢病相当于两个慢病患者的用量，则可以视为异常行为，也可以是该药品信息与患者对应的慢病信息完全无关，即该药品信息对慢病信息对应的慢病没有任何治疗效果，即包含了不是治疗该慢病的报销药品，也视为异常行为，当然，对于异常行为的具体判定，还需要对应的人员进行再次认定，本方案只是将异常行为进行查出，省去了相关人员对各个患者的药品信息逐一核对的时间，从而降低了人力成本。
在一个实施例中，所述慢病相关度计算模型包括多个子模型，各个所述子模型用于计算各所述药品信息的与所述慢病信息的子相关度，所述将所述慢病信息和各所述药品信息依次组合，并输入至慢病相关度计算模型中进行计算，得到每个药品信息与所述慢病信息的相关度的步骤S2，包括：
S201：将所述慢病信息和各所述药品信息依次组合，得到多个待计算组合；
S202：将各所述待计算组合分别输入至各个所述子模型中，分别得到每个所述待计算组合的多个子相关度；
S203：基于每个所述待计算组合的多个所述子相关度计算对应的药品信息与所述慢病信息的所述相关度。
如上述步骤S201-S203所述，实现了对相关度的综合计算，使得到的相关度更合理，以减少相关度的误差，具体地，慢病相关度计算模型包括多个子模型，将各个待计算组合分别输入到各个子模型中，得到各个子模型输出的子相关度，后续基于所述子相关度计算每个所述待计算组合的所述相关度的方式，可以是求取平均值，也可以是给各个子模型分配不同的权重，再基于权重和子相关度得到最终的相关度。其中，分配不同的权重进行计算的方式，可以是事先对各个子模型设定对应的权重，也可以基于各个子模型的损失值进行设定，还可以是取所有子相关度中最小的子相关度作为相关度。在一个较佳的实施例中，由于每个子模型输出的是不同维度的子相关度，当任一个子相关度输出的的相关度较低时，都可以认为该慢病患者所报销的药品是异常的，认为具有异常行为，因此优选将每个子相关度的值视为相关度的一个维度，得到的相关度为一个以各个子相关度为不同的维度所构成的向量，以便于后续进行相关人员可以根据患者异常行为所出现的维度，对患者进行再一次的核查。通过各个子模型的损失值的计算，从而实现了对患者进行多维度的异常行为的自动检测，使检测范围更加宽泛，提高了对患者的指定用户的报销信息检测的全面性。
在一个实施例中，所述基于每个所述待计算组合的多个所述子相关度计算对应的药品信息与所述慢病信息的所述相关度的步骤S203，包括：
S2031：获取用于检测各所述子模型的损失值的测试集；
S2032：将所述测试集分别输入至各所述子模型中，分别得到各所述子模型对应的预测结果；
S2033：基于所述测试集中的实际结果以及各个预测结果，通过损失值计算公式，得到各所述子模型的损失值；
S2034：根据公式
Figure BDA0003240285060000081
计算得到所述相关度；其中，cor为所述相关度，Y为所述实际结果，yi为第i个子模型的所述预测结果，l(yi，Y)表示第i个子模型的损失值，wi(l(yi，Y))表示第i个子模型的权重，xi表示第i个子模型对应的子相关度，Ω(l(yi，Y))表示第i个子模型对应的惩罚项。
如上述步骤S2031-S2034所述，实现了对各个子模型基于损失值设置相关的权重，使得到的相关度更加合理。具体地，获取到测试集，其中，测试集可以是由训练集构成，训练集即为训练慢病相关度计算模型的集合，由于使用训练集作为测试集，各个模型计算得到的损失值会有一些误差，因此为了避免得到接近真实值的损失值，其测试集的数据最好采用全新的数据，应当理解的是，测试集也是基于各种慢病信息以及各种所述慢病信息对应的报销药品的药品信息以及对应的相关度构成。根据公式
Figure BDA0003240285060000091
计算得到所述相关度，其中，相关度的计算融入了各个子模型的惩罚项，从而使各个子模型得到的损失值更加接近实际值。从而实现了对各个子模型基于损失值分配权重并计算最终的相关度值，使得计算的相关度值更加合理。
在一个实施例中，所述子模型为皮尔逊计算子模型、xgboost子模型以及lightgbm子模型中任意一种子模型。其中，皮尔逊计算子模型、xgboost子模型以及lightgbm子模型均为计算相关度的子模型。其中，xgboost子模型的计算精度最大，对每个维度都进行了计算，适用范围最广，但是其运算时间较长，适用于报销数额是否异常的计算。而lightgbm子模型只计算了数据量最大的一个维度，因此其计算的精度较低，且容易产生过拟合，因此适用于药品信息中是否存在某种药物超量的计算。而皮尔逊计算子模型只适用于二者具有线性关系的计算，例如，适用于一些需要精细化计算的维度，例如患者的慢病信息与其对应的药品信息的相关度。
在一个实施例中，所述若具有所述相关度小于第一预设相关度的药品信息，则判定所述指定用户具有异常行为的步骤S4之后，还包括：
S501：统计指定区域内各类药品的每个月的报销数额；
S502：根据公式
Figure BDA0003240285060000101
计算每个报销数额的异常值；其中Zij表示第j类药品的第i个月的报销数额对应的所述异常值，μ表示第j类药品中各个月的平均值，且
Figure BDA0003240285060000102
σ表示j类药品的标准差，且
Figure BDA0003240285060000103
xij表示第j类药品中第i个月的报销数额；
S503：将|Zij|＞Zthr对应的报销数额提取出来，并作为该类药物报销的异常行为，其中Zthr为设定的参数值。
如上述步骤S501-S503所述，实现了从总体的报销数额上分析异常情况，在判定所述指定用户具有异常行为之后，需要对用户的异常行为进行进一步地分析，判断其属于哪一种异常情况，本实施例中，从总体的报销数额上进行分析。即统计指定区域内各类药品的每个月的报销数额，该数额在系统中具有相关的统计值，因此可以直接得到。需要对获取到的各月的报销数额计算异常值，需要说明的是，每个数据都有一定的异常值，若某个月的报销数额的数额完全正确，则认为其异常值为0，当异常值超出了设定的参数值时，可以认为该绩效指标数据异常，当然也不排出某月的报销数额可能会出现异常值，例如某种慢性病在某一个月发病情况较为频繁，需要对于这种数据需要进行验证处理，将该数据与实际的情况进行比对，本实施例只是将该异常情况进行提取，后续的分析仍需要人为进行处理。
在一个实施例中，所述判断各所述药品信息中是否具有所述相关度小于第一预设相关度的药品信息的步骤S3之后，还包括：
S401：判断各所述药品信息中是否具有所述相关度大于第一预设相关度，且小于第二预设相关度的可疑药品信息；
S402：若具有所述可疑药品信息，则提取将所述可疑药品信息和所述慢病信息发送给相关人员进行认定。
如上述步骤S401-S402所述，实现了对可疑药品信息的检测，即实际情况为指定用户多报了药品，但是多报的数量不多，亦或者该指定用户的病情较为严重，需要加大用量，对这两种情况无法进行判断，因此，需要将该部分药品信息进行提取，进行第二次认定。其中第二预设相关度为事先设置的阈值，处于第一预设相关度和第二预设相关度之间的药品信息视为可疑药品信息，需要进行二次认定。从而对多报了报销药品的数量不多的情况进行检测。
在一个实施例中，所述获取指定用户的慢病信息，以及所述指定用户基于慢病的各个报销药品的药品信息的步骤S1之后，还包括：
S211：基于所述慢病信息获取所述指定用户可报销的目标药品信息；
S212：判断各个所述报销药品的药品信息是否存在与所述目标药品信息不符的药品信息；
S213：若存在与所述目标药品信息不符的药品信息，则将该药品信息对应的药品视为所述指定用户的异常行为。
如上述步骤S211-S213所述，实现了对药品信息不符合的异常信息直接检测，即通过基于所述慢病信息获取所述指定用户可报销的目标药品信息，其中，治疗各个慢病的药品都为现有的，可以直接进行获取，根据该指定用户的慢病信息既可以获取相对应的治疗药品，然后获取到各个治疗药品的药品信息即可，再判断各个所述报销药品的药品信息是否存在与所述目标药品信息不符的药品信息，即不符的药品信息中包含了不是治疗该指定用户的慢病的情况，因此需要将该部分内容进行提取并进行分析。若存在与所述目标药品信息不符的药品信息，则将该药品信息对应的药品视为所述指定用户的异常行为。后续再对异常行为进行进一步认定。从而实现了对药品信息的直接认定。
参照图2，本发明还提供了一种基于门慢的异常行为监控装置，包括：
获取模块10，用于获取指定用户的慢病信息，以及所述指定用户基于慢病的各个报销药品的药品信息；
组合模块20，用于将所述慢病信息和各所述药品信息依次组合，并输入至慢病相关度计算模型中进行计算，得到每个药品信息与所述慢病信息的相关度；其中，所述慢病相关度计算模型基于各种慢病信息、各种所述慢病信息对应的报销药品的药品信息，以及各所述药品信息和所述慢病信息之间的相关度训练而成；
判断模块30，用于判断各所述药品信息中是否具有所述相关度小于第一预设相关度的药品信息；
判定模块40，用于若具有所述相关度小于第一预设相关度的药品信息，则判定所述指定用户具有异常行为。
在一个实施例中，所述慢病相关度计算模型包括多个子模型，各个所述子模型用于计算各所述药品信息的与所述慢病信息的子相关度，组合模块20，包括：
药品信息组合子模块，用于将所述慢病信息和各所述药品信息依次组合，得到多个待计算组合；
待计算组合输入子模块，用于将各所述待计算组合分别输入至各个所述子模型中，分别得到每个所述待计算组合的多个子相关度；
相关度计算子模块，用于基于每个所述待计算组合的多个所述子相关度计算对应的药品信息与所述慢病信息的所述相关度。
在一个实施例中，相关度计算子模块，包括：
测试集获取单元，用于获取用于检测各所述子模型的损失值的测试集；
测试集输入单元，用于将所述测试集分别输入至各所述子模型中，分别得到各所述子模型对应的预测结果；
损失值计算单元，用于基于所述测试集中的实际结果以及各个预测结果，通过损失值计算公式，得到各所述子模型的损失值；
相关度计算单元，用于根据公式
Figure BDA0003240285060000121
Figure BDA0003240285060000122
计算得到所述相关度；其中，cor为所述相关度，Y为所述实际结果，yi为第i个子模型的所述预测结果，l(yi，Y)表示第i个子模型的损失值，wi(l(yi，Y))表示第i个子模型的权重，xi表示第i个子模型对应的子相关度，Ω(l(yi，Y))表示第i个子模型对应的惩罚项。
在一个实施例中，所述子模型为皮尔逊计算子模型、xgboost子模型以及lightgbm子模型中任意一种子模型。
在一个实施例中，基于门慢的异常行为监控装置，还包括：
报销数额统计模块，用于统计指定区域内各类药品的每个月的报销数额；
异常值计算模块，用于根据公式
Figure BDA0003240285060000131
计算每个报销数额的异常值；其中Zij表示第j类药品的第i个月的报销数额对应的所述异常值，μ表示第j类药品中各个月的平均值，且
Figure BDA0003240285060000132
σ表示j类药品的标准差，且
Figure BDA0003240285060000133
xij表示第j类药品中第i个月的报销数额；
报销数额提取模块，用于将|Zij|＞Zthr对应的报销数额提取出来，并作为该类药物报销的异常行为，其中Zthr为设定的参数值。
在一个实施例中，基于门慢的异常行为监控装置，还包括：
可疑药品信息判断模块，用于判断各所述药品信息中是否具有所述相关度大于第一预设相关度，且小于第二预设相关度的可疑药品信息；
可疑药品信息发送模块，用于若具有所述可疑药品信息，则提取将所述可疑药品信息和所述慢病信息发送给相关人员进行认定。
在一个实施例中，基于门慢的异常行为监控装置，还包括：
目标药品信息获取模块，用于基于所述慢病信息获取所述指定用户可报销的目标药品信息；
目标药品信息判断模块，用于判断各个所述报销药品的药品信息是否存在与所述目标药品信息不符的药品信息；
异常行为判断模块，用于若存在与所述目标药品信息不符的药品信息，则判定所述指定用户具有异常行为。
本发明的有益效果：通过获取指定用户的慢病信息，以及所述指定用户基于慢病的各个报销药品的药品信息，输入至慢病相关度计算模型中进行计算，得到每个药品信息与所述慢病信息的相关度，基于相关度认定所述指定用户的异常行为。从而实现了自动认定异常行为，省去了相关人员对各个患者的药品信息逐一核对的时间，从而降低了人力成本。
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存储各种慢病信息等。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可以实现上述任一实施例所述的门慢的异常行为监控方法。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请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可以实现上述任一实施例所述的门慢的异常行为监控方法。
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与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一多种形式可得，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。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (10)

1.一种门慢的异常行为监控方法，其特征在于，包括：
获取指定用户的慢病信息，以及所述指定用户基于慢病的各个报销药品的药品信息；
将所述慢病信息和各所述药品信息依次组合，并输入至慢病相关度计算模型中进行计算，得到每个药品信息与所述慢病信息的相关度；其中，所述慢病相关度计算模型基于各种慢病信息、各种所述慢病信息对应的报销药品的药品信息，以及各所述药品信息和所述慢病信息之间的相关度训练而成；
判断各所述药品信息中是否具有所述相关度小于第一预设相关度的药品信息；
若具有所述相关度小于第一预设相关度的药品信息，则判定所述指定用户具有异常行为。
2.如权利要求1所述的门慢的异常行为监控方法，其特征在于，所述慢病相关度计算模型包括多个子模型，各个所述子模型用于计算各所述药品信息的与所述慢病信息的子相关度，所述将所述慢病信息和各所述药品信息依次组合，并输入至慢病相关度计算模型中进行计算，得到每个药品信息与所述慢病信息的相关度包括：
将所述慢病信息和各所述药品信息依次组合，得到多个待计算组合；
将各所述待计算组合分别输入至各个所述子模型中，分别得到每个所述待计算组合的多个子相关度；
基于每个所述待计算组合的多个所述子相关度，计算对应的药品信息与所述慢病信息的所述相关度。
3.如权利要求2所述的门慢的异常行为监控方法，其特征在于，所述基于每个所述待计算组合的多个所述子相关度计算对应的药品信息与所述慢病信息的所述相关度包括：
获取用于检测各所述子模型的损失值的测试集；
将所述测试集分别输入至各所述子模型中，分别得到各所述子模型对应的预测结果；
基于所述测试集中的实际结果以及各个预测结果，通过损失值计算公式，得到各所述子模型的损失值；
根据公式
Figure FDA0003240285050000021
计算得到所述相关度；其中，cor为所述相关度，Y为所述实际结果，yi为第i个子模型的所述预测结果，l(yi，Y)表示第i个子模型的损失值，wi(l(yi，Y))表示第i个子模型的权重，xi表示第i个子模型对应的子相关度，Ω(l(yi，Y))表示第i个子模型对应的惩罚项。
4.如权利要求2-3任一项所述的门慢的异常行为监控方法，其特征在于，所述子模型为皮尔逊计算子模型、xgboost子模型以及lightgbm子模型中任意一种子模型。
5.如权利要求1所述的门慢的异常行为监控方法，其特征在于，所述若具有所述相关度小于第一预设相关度的药品信息，则判定所述指定用户具有异常行为之后，还包括：
统计指定区域内各类药品的每个月的报销数额；
根据公式
Figure FDA0003240285050000022
计算每个报销数额的异常值；其中Zij表示第j类药品的第i个月的报销数额对应的所述异常值，μ表示第j类药品中各个月的平均值，且
Figure FDA0003240285050000023
σ表示j类药品的标准差，且
Figure FDA0003240285050000024
xij表示第j类药品中第i个月的报销数额；
将|Zij|＞Zthr对应的报销数额提取出来，并作为该类药物报销的异常行为，其中Zthr为设定的参数值。
6.如权利要求1所述的门慢的异常行为监控方法，其特征在于，所述判断各所述药品信息中是否具有所述相关度小于第一预设相关度的药品信息之后，还包括：
判断各所述药品信息中是否具有所述相关度大于第一预设相关度，且小于第二预设相关度的可疑药品信息；
若具有所述可疑药品信息，则提取将所述可疑药品信息和所述慢病信息发送给相关人员进行认定。
7.如权利要求1所述的门慢的异常行为监控方法，其特征在于，所述获取指定用户的慢病信息，以及所述指定用户基于慢病的各个报销药品的药品信息之后，还包括：
基于所述慢病信息获取所述指定用户可报销的目标药品信息；
判断各个所述报销药品的药品信息是否存在与所述目标药品信息不符的药品信息；
若存在与所述目标药品信息不符的药品信息，则判定所述指定用户具有异常行为。
8.一种基于门慢的异常行为监控装置，其特征在于，包括：
获取模块，用于获取指定用户的慢病信息，以及所述指定用户基于慢病的各个报销药品的药品信息；
组合模块，用于将所述慢病信息和各所述药品信息依次组合，并输入至慢病相关度计算模型中进行计算，得到每个药品信息与所述慢病信息的相关度；其中，所述慢病相关度计算模型基于各种慢病信息、各种所述慢病信息对应的报销药品的药品信息，以及各所述药品信息和所述慢病信息之间的相关度训练而成；
判断模块，用于判断各所述药品信息中是否具有所述相关度小于第一预设相关度的药品信息；
判定模块，用于若具有所述相关度小于第一预设相关度的药品信息，则判定所述指定用户具有异常行为。
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。
CN202111016181.3A 2021-08-31 2021-08-31 门慢的异常行为监控方法、装置、设备以及存储介质 Pending CN113643784A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111016181.3A CN113643784A (zh) 2021-08-31 2021-08-31 门慢的异常行为监控方法、装置、设备以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111016181.3A CN113643784A (zh) 2021-08-31 2021-08-31 门慢的异常行为监控方法、装置、设备以及存储介质

Publications (1)

Publication Number Publication Date
CN113643784A true CN113643784A (zh) 2021-11-12

Family

ID=78424770

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111016181.3A Pending CN113643784A (zh) 2021-08-31 2021-08-31 门慢的异常行为监控方法、装置、设备以及存储介质

Country Status (1)

Country Link
CN (1) CN113643784A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107133437A (zh) * 2017-03-03 2017-09-05 平安医疗健康管理股份有限公司 监控药品使用的方法及装置
CN108511059A (zh) * 2018-03-15 2018-09-07 平安医疗健康管理股份有限公司 慢病管理方法及系统
CN109636652A (zh) * 2018-12-13 2019-04-16 平安医疗健康管理股份有限公司 购药行为异常的监控方法、监控服务端及存储介质
CN112036478A (zh) * 2020-08-28 2020-12-04 平安医疗健康管理股份有限公司 慢病报销药品的识别方法、装置以及计算机设备
CN112489747A (zh) * 2020-12-14 2021-03-12 平安国际智慧城市科技股份有限公司 基于分析模型的慢性病患者监管方法、装置、设备及介质
CN112488858A (zh) * 2020-11-24 2021-03-12 泰康保险集团股份有限公司 一种慢病数据管理方法和系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107133437A (zh) * 2017-03-03 2017-09-05 平安医疗健康管理股份有限公司 监控药品使用的方法及装置
CN108511059A (zh) * 2018-03-15 2018-09-07 平安医疗健康管理股份有限公司 慢病管理方法及系统
CN109636652A (zh) * 2018-12-13 2019-04-16 平安医疗健康管理股份有限公司 购药行为异常的监控方法、监控服务端及存储介质
CN112036478A (zh) * 2020-08-28 2020-12-04 平安医疗健康管理股份有限公司 慢病报销药品的识别方法、装置以及计算机设备
CN112488858A (zh) * 2020-11-24 2021-03-12 泰康保险集团股份有限公司 一种慢病数据管理方法和系统
CN112489747A (zh) * 2020-12-14 2021-03-12 平安国际智慧城市科技股份有限公司 基于分析模型的慢性病患者监管方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN110459324B (zh) 基于长短期记忆模型的疾病预测方法、装置和计算机设备
CN110929752B (zh) 基于知识驱动和数据驱动的分群方法及相关设备
US9443002B1 (en) Dynamic data analysis and selection for determining outcomes associated with domain specific probabilistic data sets
CN109493979A (zh) 一种基于智能决策的疾病预测方法和装置
WO2021151327A1 (zh) 分诊数据处理方法、装置、设备及介质
CN111667890A (zh) 基于人工智能的用药推荐方法、装置、设备及存储介质
JP2024096475A (ja) 生成モデルを用いてデータを補完するためのシステムおよび方法
Priya et al. A novel approach to predict diabetes by using Naive Bayes classifier
CN111354463B (zh) 人体健康测量方法、装置、计算机设备及存储介质
CN111968750B (zh) 一种服务器、数据处理方法、装置及可读存储介质
CN116631643A (zh) 医疗知识图谱构建方法、装置、电子设备及存储介质
CN116864139A (zh) 疾病风险评估方法、装置、计算机设备及可读存储介质
CN111631682A (zh) 基于去趋势分析的生理特征集成方法、装置和计算机设备
CN112734746A (zh) 一种基于图像识别的骨科伤病谱匹配系统及方法
CN111833984A (zh) 基于机器学习的药品质控分析方法、装置、设备及介质
CN116524995A (zh) 基于人工智能的药物疗效预测方法及相关设备
CN110164545A (zh) 数据辅助处理方法、装置、计算机设备及存储介质
CN112036478A (zh) 慢病报销药品的识别方法、装置以及计算机设备
CN112712904A (zh) 基于嵌套-配对设计的多信息系统不良反应前置预测方法及系统
CN110473636B (zh) 基于深度学习的智能医嘱推荐方法及系统
CN113241193B (zh) 药物推荐模型训练方法、推荐方法、装置、设备及介质
CN113657970A (zh) 基于人工智能的药品推荐方法、装置、设备及存储介质
CN113066531A (zh) 风险预测方法、装置、计算机设备及存储介质
CN113689928A (zh) 保养及预防患病方案的推荐方法、装置、设备及存储介质
CN113643784A (zh) 门慢的异常行为监控方法、装置、设备以及存储介质

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
TA01 Transfer of patent application right

Effective date of registration: 20220601

Address after: 518000 China Aviation Center 2901, No. 1018, Huafu Road, Huahang community, Huaqiang North Street, Futian District, Shenzhen, Guangdong Province

Applicant after: Shenzhen Ping An medical and Health Technology Service Co.,Ltd.

Address before: Room 12G, Block H, 666 Beijing East Road, Huangpu District, Shanghai 200000

Applicant before: PING AN MEDICAL AND HEALTHCARE MANAGEMENT Co.,Ltd.

TA01 Transfer of patent application right