CN113643806A - 诊断相关疾病组数据的处理方法、装置、设备及存储介质 - Google Patents
诊断相关疾病组数据的处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113643806A CN113643806A CN202111007685.9A CN202111007685A CN113643806A CN 113643806 A CN113643806 A CN 113643806A CN 202111007685 A CN202111007685 A CN 202111007685A CN 113643806 A CN113643806 A CN 113643806A
- Authority
- CN
- China
- Prior art keywords
- target
- data
- efficiency value
- related disease
- diagnosis
- 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
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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及大数据领域,应用于智慧医疗领域中,提供一种诊断相关疾病组数据的处理方法、装置、设备及存储介质,用于解决基于DRGs的绩效考核不具备科学性且争议性大的问题。诊断相关疾病组数据的处理方法包括:分别对诊断相关疾病组数据进行绩效衡量需求字段的投入项归类、产出项归类,得到目标投入项数据和目标产出项数据;调用预置的数据包络分析算法,对目标投入项数据和目标产出项数据进行效率运算,得到经营总效率值、技术效率值和规模效率值;根据经营总效率值、技术效率值和规模效率值,对诊断相关疾病组数据进行评价分析,得到目标绩效分析结果。此外,本发明还涉及区块链技术,目标绩效分析结果可存储于区块链中。
Description
技术领域
本发明涉及数据分析领域,尤其涉及一种诊断相关疾病组数据的处理方法、装置、设备及存储介质。
背景技术
为了便于管理,会对各医院或医院各科室或其他进行绩效考核,一般都会采用基于诊断相关疾病组(Diagnosis Related Groups,DRGs)的绩效考核方法。目前,所采用的基于DRGs的绩效考核方法是将相关的指标*权重值而得出综合得分:綜合得分=诊断相关组数偏离度*权重+病例组合指数(case combination index,CMI)偏离度*权重+费用消耗指数偏离度*权重+时间消耗指数偏离度*权重+低风险组死亡率偏离度*权重。诊断相关组数、CMI、时间消耗指数、费用消耗指数、低风险组死亡率和学科发展均衡性各项目的权重目前经过相关的讨论后分别为0.24、0.26、0.24、0.16、0.05和0.05。
上述的基于DRGs的绩效考核方法,会存在以下问题:权重是人为设定的且是固定的,对于产品的可复制性差,多项衡量指标乘以权重方式合并一项综合得分过于主观,且每间医院的投入资源也有很大的差异,除了医院效率的考核外,计算出科室与个人技术及规模效率排名以及计算出改善的方向与幅度都是有难度的,从而,导致了基于DRGs的绩效考核不具备科学性且争议性大。
发明内容
本发明提供一种诊断相关疾病组数据的处理方法、装置、设备及存储介质,用于解决基于DRGs的绩效考核不具备科学性且争议性大的问题。
本发明第一方面提供了一种诊断相关疾病组数据的处理方法,包括:
获取诊断相关疾病组数据,并分别对所述诊断相关疾病组数据进行绩效衡量需求字段的投入项归类、产出项归类,得到目标投入项数据和目标产出项数据,所述诊断相关疾病组数据包括级别字段以及级别字段对应的衡量指标字段和衡量指标统计数据;
调用预置的数据包络分析算法中的固定规模报酬模型,对所述目标投入项数据和所述目标产出项数据进行效率运算,得到经营总效率值;
调用所述数据包络分析算法中的变动规模报酬模型,基于所述经营总效率值、所述目标投入项数据和所述目标产出项数据进行运算,得到技术效率值和规模效率值;
根据所述经营总效率值、所述技术效率值和所述规模效率值,对所述诊断相关疾病组数据进行评价分析,得到目标绩效分析结果。
可选的,在本发明第一方面的第一种实现方式中,所述获取诊断相关疾病组数据,并分别对所述诊断相关疾病组数据进行绩效衡量需求字段的投入项归类、产出项归类,得到目标投入项数据和目标产出项数据,所述诊断相关疾病组数据包括级别字段以及级别字段对应的衡量指标字段和衡量指标统计数据,包括:
从预置的医院联盟链中获取诊断相关疾病组数据,对所述诊断相关疾病组数据进行数据清洗和脱敏处理,得到预处理后的诊断相关疾病组数据,并提取所述预处理后的诊断相关疾病组数据中的绩效衡量需求字段,所述诊断相关疾病组数据包括级别字段以及级别字段对应的衡量指标字段和衡量指标统计数据;
通过预设的投入项字段和产出项字段,分别对所述绩效衡量需求字段进行分类和标记,得到目标投入项字段和目标产出项字段,将所述目标投入项字段对应的预处理后的诊断相关疾病组数据确定为初始投入项数据,将所述目标产出项字段对应的预处理后的诊断相关疾病组数据确定为初始产出项数据;
将所述初始投入项数据和所述初始产出项数据分别进行审核,得到目标投入项数据和目标产出项数据。
可选的,在本发明第一方面的第二种实现方式中,所述根据所述经营总效率值、所述技术效率值和所述规模效率值,对所述诊断相关疾病组数据进行评价分析,得到目标绩效分析结果,包括:
对所述经营总效率值、所述技术效率值和所述规模效率值进行算术平均值,得到目标值,根据所述目标值对所述诊断相关疾病组数据中的所述级别字段进行排序,得到排序结果,所述排序结果包括排序后的级别字段以及排序后的级别字段对应的经营总效率值、技术效率值与规模效率值;
通过预设的绩效等级策略,基于所述经营总效率值、所述技术效率值和所述规模效率值,对所述诊断相关疾病组数据中的所述级别字段进行绩效等级分类,得到等级分类结果;
将所述排序结果和所述等级分类结果合并,得到目标绩效分析结果。
可选的,在本发明第一方面的第三种实现方式中,所述调用预置的数据包络分析算法中的固定规模报酬模型,对所述目标投入项数据和所述目标产出项数据进行效率运算,得到经营总效率值,包括:
调用预置的数据包络分析算法中的固定规模报酬模型,基于预置的目标函数,对所述目标投入项数据和所述目标产出项数据进行线性规划的最大值计算,得到目标投入项权重组合和目标产出项权重组合;
调用预设的效率计算公式,对所述目标投入项数据、所述目标产出项数据、所述目标投入项权重组合和所述目标产出项权重组合进行运算,得到经营总效率值。
可选的,在本发明第一方面的第四种实现方式中,所述调用所述数据包络分析算法中的变动规模报酬模型,基于所述经营总效率值、所述目标投入项数据和所述目标产出项数据进行运算,得到技术效率值和规模效率值,包括:
获取所述经营总效率值对应的目标投入项权重组合和目标产出项权重组合、所述目标投入项权重组合和所述目标产出项权重组合所对应的权系数矩阵、所述目标投入项数据对应的投入项松弛变量、所述目标产出项数据对应的产出项松弛变量以及目标决策单元输出的最大值和最小值;
调用所述数据包络分析算法中的变动规模报酬模型,对所述目标投入项数据、所述目标产出项数据、所述目标投入项权重组合、所述目标产出项权重组合、所述权系数矩阵、所述投入项松弛变量、所述产出项松弛变量以及所述目标决策单元输出的最大值和最小值进行运算,得到技术效率值;
计算所述经营总效率值与所述技术效率值的比值,得到规模效率值。
可选的,在本发明第一方面的第五种实现方式中,所述根据所述经营总效率值、所述技术效率值和所述规模效率值,对所述诊断相关疾病组数据进行评价分析,得到目标绩效分析结果之后,还包括:
根据所述目标绩效分析结果获取目标待改善级别,以及所述目标待改善级别的目标整改策略。
可选的,在本发明第一方面的第六种实现方式中,所述根据所述目标绩效分析结果获取目标待改善级别,以及所述目标待改善级别的目标整改策略,包括:
基于待改善需求和所述目标绩效分析结果,对排序后的级别字段进行识别和提取,得到目标待改善级别,并获取所述目标待改善级别对应的诊断相关疾病组数据;
调用预置的最优解分析的算法,对所述目标待改善级别对应的诊断相关疾病组数据进行最优整改组合的计算,得到初始整改策略;
获取与所述初始整改策略对应的历史整改策略,将所述初始整改策略和所述历史整改策略进行合并,得到目标整改策略。
本发明第二方面提供了一种诊断相关疾病组数据的处理装置,包括:
归类模块,用于获取诊断相关疾病组数据,并分别对所述诊断相关疾病组数据进行绩效衡量需求字段的投入项归类、产出项归类,得到目标投入项数据和目标产出项数据,所述诊断相关疾病组数据包括级别字段以及级别字段对应的衡量指标字段和衡量指标统计数据;
第一运算模块,用于调用预置的数据包络分析算法中的固定规模报酬模型,对所述目标投入项数据和所述目标产出项数据进行效率运算,得到经营总效率值;
第二运算模块,用于调用所述数据包络分析算法中的变动规模报酬模型,基于所述经营总效率值、所述目标投入项数据和所述目标产出项数据进行运算,得到技术效率值和规模效率值;
评价分析模块,用于根据所述经营总效率值、所述技术效率值和所述规模效率值,对所述诊断相关疾病组数据进行评价分析,得到目标绩效分析结果。
可选的,在本发明第二方面的第一种实现方式中,所述归类模块具体用于:
从预置的医院联盟链中获取诊断相关疾病组数据,对所述诊断相关疾病组数据进行数据清洗和脱敏处理,得到预处理后的诊断相关疾病组数据,并提取所述预处理后的诊断相关疾病组数据中的绩效衡量需求字段,所述诊断相关疾病组数据包括级别字段以及级别字段对应的衡量指标字段和衡量指标统计数据;
通过预设的投入项字段和产出项字段,分别对所述绩效衡量需求字段进行分类和标记,得到目标投入项字段和目标产出项字段,将所述目标投入项字段对应的预处理后的诊断相关疾病组数据确定为初始投入项数据,将所述目标产出项字段对应的预处理后的诊断相关疾病组数据确定为初始产出项数据;
将所述初始投入项数据和所述初始产出项数据分别进行审核,得到目标投入项数据和目标产出项数据。
可选的,在本发明第二方面的第二种实现方式中,所述评价分析模块具体用于:
对所述经营总效率值、所述技术效率值和所述规模效率值进行算术平均值,得到目标值,根据所述目标值对所述诊断相关疾病组数据中的所述级别字段进行排序,得到排序结果,所述排序结果包括排序后的级别字段以及排序后的级别字段对应的经营总效率值、技术效率值与规模效率值;
通过预设的绩效等级策略,基于所述经营总效率值、所述技术效率值和所述规模效率值,对所述诊断相关疾病组数据中的所述级别字段进行绩效等级分类,得到等级分类结果;
将所述排序结果和所述等级分类结果合并,得到目标绩效分析结果。
可选的,在本发明第二方面的第三种实现方式中,所述第一运算模块具体用于:
调用预置的数据包络分析算法中的固定规模报酬模型,基于预置的目标函数,对所述目标投入项数据和所述目标产出项数据进行线性规划的最大值计算,得到目标投入项权重组合和目标产出项权重组合;
调用预设的效率计算公式,对所述目标投入项数据、所述目标产出项数据、所述目标投入项权重组合和所述目标产出项权重组合进行运算,得到经营总效率值。
可选的,在本发明第二方面的第四种实现方式中,所述第二运算模块具体用于:
获取所述经营总效率值对应的目标投入项权重组合和目标产出项权重组合、所述目标投入项权重组合和所述目标产出项权重组合所对应的权系数矩阵、所述目标投入项数据对应的投入项松弛变量、所述目标产出项数据对应的产出项松弛变量以及目标决策单元输出的最大值和最小值;
调用所述数据包络分析算法中的变动规模报酬模型,对所述目标投入项数据、所述目标产出项数据、所述目标投入项权重组合、所述目标产出项权重组合、所述权系数矩阵、所述投入项松弛变量、所述产出项松弛变量以及所述目标决策单元输出的最大值和最小值进行运算,得到技术效率值;
计算所述经营总效率值与所述技术效率值的比值,得到规模效率值。
可选的,在本发明第二方面的第五种实现方式中,所述诊断相关疾病组数据的处理装置,还包括:
整改策略获取模块,用于根据所述目标绩效分析结果获取目标待改善级别,以及所述目标待改善级别的目标整改策略。
可选的,在本发明第二方面的第六种实现方式中,所述整改策略获取模块具体用于:
基于待改善需求和所述目标绩效分析结果,对排序后的级别字段进行识别和提取,得到目标待改善级别,并获取所述目标待改善级别对应的诊断相关疾病组数据;
调用预置的最优解分析的算法,对所述目标待改善级别对应的诊断相关疾病组数据进行最优整改组合的计算,得到初始整改策略;
获取与所述初始整改策略对应的历史整改策略,将所述初始整改策略和所述历史整改策略进行合并,得到目标整改策略。
本发明第三方面提供了一种诊断相关疾病组数据的处理设备,包括:存储器和至少一个处理器,所述存储器中存储有计算机程序;所述至少一个处理器调用所述存储器中的所述计算机程序,以使得所述诊断相关疾病组数据的处理设备执行上述的诊断相关疾病组数据的处理方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,当其在计算机上运行时,使得计算机执行上述的诊断相关疾病组数据的处理方法。
本发明提供的技术方案中,获取诊断相关疾病组数据,并分别对所述诊断相关疾病组数据进行绩效衡量需求字段的投入项归类、产出项归类,得到目标投入项数据和目标产出项数据,所述诊断相关疾病组数据包括级别字段以及级别字段对应的衡量指标字段和衡量指标统计数据;调用预置的数据包络分析算法中的固定规模报酬模型,对所述目标投入项数据和所述目标产出项数据进行效率运算,得到经营总效率值;调用所述数据包络分析算法中的变动规模报酬模型,基于所述经营总效率值、所述目标投入项数据和所述目标产出项数据进行运算,得到技术效率值和规模效率值;根据所述经营总效率值、所述技术效率值和所述规模效率值,对所述诊断相关疾病组数据进行评价分析,得到目标绩效分析结果。本发明实施例中,通过绩效衡量需求字段的投入项归类、产出项归类加以区分,根据通过数据包络分析算法计算所得的经营总效率值、技术效率值和规模效率值来进行分析,实现了无须假设任何权重,每一个输入输出的权重由决策单元的实际数据求得最优权重,可以避免主观因素,以决策单位各输入输出的权重为变量,从最有利于决策单元的角度进行评估,避免了各指标(即绩效衡量字段)在优先意义上的权重,并通过以投入项和产出项大维度下以及多效率值的多维度进行分析,使得基于DRGs的绩效考核具备科学性,且争议性小,解决了基于DRGs的绩效考核不具备科学性且争议性大的问题。
附图说明
图1为本发明实施例中诊断相关疾病组数据的处理方法的一个实施例示意图;
图2为本发明实施例中诊断相关疾病组数据的处理方法的另一个实施例示意图;
图3为本发明实施例中诊断相关疾病组数据的处理装置的一个实施例示意图;
图4为本发明实施例中诊断相关疾病组数据的处理装置的另一个实施例示意图;
图5为本发明实施例中诊断相关疾病组数据的处理设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种诊断相关疾病组数据的处理方法、装置、设备及存储介质,解决了基于DRGs的绩效考核不具备科学性且争议性大的问题。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中诊断相关疾病组数据的处理方法的一个实施例包括:
101、获取诊断相关疾病组数据,并分别对诊断相关疾病组数据进行绩效衡量需求字段的投入项归类、产出项归类,得到目标投入项数据和目标产出项数据,诊断相关疾病组数据包括级别字段以及级别字段对应的衡量指标字段和衡量指标统计数据。
可以理解的是,本发明的执行主体可以为诊断相关疾病组数据的处理装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
其中,级别字段可包括医院别字段和科室别字段,级别字段也可仅包括医院别字段或科室别字段,诊断相关疾病组数据可仅包括各科室对应的级别字段和各科室对应的基于诊断相关疾病组(diagnosis related groups,DRGS)的衡量指标字段和衡量指标统计数据,诊断相关疾病组数据也可包括但不限于各医院对应的级别字段和各医院对应的基于DRGS的衡量指标字段和衡量指标统计数据,以及各医院中各科室对应的级别字段和各科室对应的基于DRGS的衡量指标字段和衡量指标统计数据,衡量指标字段中的衡量指标可包括但不限于床位数、医师数、护士数、疾病诊断相关分组(diagnosis related groups,DRG)组数、病例组合指数(case combination index,CMI)、1/时间指数、1/费用指数和低风险组生存率等。科室级别(着重在手术面向)包括小儿科、心脏科、耳鼻喉科、肝胆科、泌尿科、胃肠科、胸腔科、骨科科、妇产科、肿瘤科和神经科。
服务器发送请求至各医院或各科室对应的终端,接收各医院或各科室对应的终端返回的诊断相关疾病组数据,或者,服务器从预置的医院联盟链中获取诊断相关疾病组数据,从而得到诊断相关疾病组数据。进一步地,服务器发送请求至各医院或各科室对应的终端,接收各医院或各科室对应的终端返回的基于诊断相关疾病组的原始数据,或者,服务器从预置的医院联盟链中获取基于诊断相关疾病组的原始数据;对基于诊断相关疾病组的原始数据进行衡量指标分类,得到分类后的原始数据,并对分类后的原始数据进行数值统计(得到衡量指标统计数据),得到诊断相关疾病组数据。
服务器获得诊断相关疾病组数据后,对诊断相关疾病组数据进行预处理,得到预处理后的诊断相关疾病组数据,其中,预处理包括但不限于安全性检测、数据清洗和脱敏处理等;获取预处理后的诊断相关疾病组数据中的绩效衡量需求字段,调用预置的分类模型,本实施例以逻辑回归模型为例说明,该分类模型为逻辑回归模型,基于绩效衡量需求字段、预设的投入项字段和产出项字段,对诊断相关疾病组数据进行标签分类,得到初始分类后的投入项数据和产出项数据;对初始分类后的投入项数据和产出项数据分别进行验证,得到目标投入项数据和目标产出项数据。
102、调用预置的数据包络分析算法中的固定规模报酬模型,对目标投入项数据和目标产出项数据进行效率运算,得到经营总效率值。
服务器调用预置的数据包络分析算法(data envelopment analysis,DEA)中的固定规模报酬模型(A.Charnes&W.W.Cooper&E.Rhodes,CCR),对目标投入项数据和目标产出项数据分别进行最优权重计算,得到目标投入项权重组合和目标产出项权重组合,最优权重用于指示使得效率值达到最大化。根据目标投入项权重组合、目标产出项权重组合、目标投入项数据和目标产出项数据计算效率值,得到经营总效率值。
103、调用数据包络分析算法中的变动规模报酬模型,基于经营总效率值、目标投入项数据和目标产出项数据进行运算,得到技术效率值和规模效率值。
服务器获取经营总效率对应的目标投入项权重组合和目标产出项权重组合、目标投入项权重组合和目标产出项权重组合对应的权系数矩阵、目标投入项数据对应的投入项松弛变量、目标产出项数据对应的产出项松弛变量以及目标决策单元输出的最大值和最小值,将目标投入项数据、目标产出项数据、目标投入项权重组合、目标产出项权重组合、权系数矩阵、投入项松弛变量、产出项松弛变量以及目标决策单元输出的最大值和最小值,代入数据包络分析算法DEA中的变动规模报酬模型(Banker&Charnes&Cooper,BCC)中,通过变动规模报酬模型对其进行运算,得到技术效率值,并将经营总效率除以技术效率值,得到规模效率值。
104、根据经营总效率值、技术效率值和规模效率值,对诊断相关疾病组数据进行评价分析,得到目标绩效分析结果。
服务器根据经营总效率值、技术效率值或规模效率值,对诊断相关疾病组数据中的级别字段进行排序,得到排序结果,目标绩效分析结果包括排序后的级别字段以及排序后的级别字段对应的经营总效率值、技术效率值与规模效率值,进一步地,按照经营总效率值、技术效率值或规模效率值从大到小的顺序,对诊断相关疾病组数据中的级别字段进行排序,得到排序结果,排序结果包括排序后的级别字段以及排序后的级别字段对应的经营总效率值、技术效率值与规模效率值。将排序结果确定为目标绩效分析结果。
可选的,服务器得到排序结果后,基于经营总效率值、技术效率值和规模效率值,诊断相关疾病组数据对应的级别进行效率有效性分析,得到分析结果,将排序结果和分析结果确定为目标绩效分析结果,其中,分析结果包括效率是否有效和待改善程度。
本发明实施例中,通过绩效衡量需求字段的投入项归类、产出项归类加以区分,根据通过数据包络分析算法计算所得的经营总效率值、技术效率值和规模效率值来进行分析,实现了无须假设任何权重,每一个输入输出的权重由决策单元的实际数据求得最优权重,可以避免主观因素,以决策单位各输入输出的权重为变量,从最有利于决策单元的角度进行评估,避免了各指标(即绩效衡量字段)在优先意义上的权重,并通过以投入项和产出项大维度下以及多效率值的多维度进行分析,使得基于DRGs的绩效考核具备科学性,且争议性小,解决了基于DRGs的绩效考核不具备科学性且争议性大的问题。本方案可应用于智慧医疗领域中,从而推动智慧城市的建设。
请参阅图2,本发明实施例中诊断相关疾病组数据的处理方法的另一个实施例包括:
201、获取诊断相关疾病组数据,并分别对诊断相关疾病组数据进行绩效衡量需求字段的投入项归类、产出项归类,得到目标投入项数据和目标产出项数据,诊断相关疾病组数据包括级别字段以及级别字段对应的衡量指标字段和衡量指标统计数据。
具体地,服务器从预置的医院联盟链中获取诊断相关疾病组数据,对诊断相关疾病组数据进行数据清洗和脱敏处理,得到预处理后的诊断相关疾病组数据,并提取预处理后的诊断相关疾病组数据中的绩效衡量需求字段,诊断相关疾病组数据包括级别字段以及级别字段对应的衡量指标字段和衡量指标统计数据;通过预设的投入项字段和产出项字段,分别对绩效衡量需求字段进行分类和标记,得到目标投入项字段和目标产出项字段,将目标投入项字段对应的预处理后的诊断相关疾病组数据确定为初始投入项数据,将目标产出项字段对应的预处理后的诊断相关疾病组数据确定为初始产出项数据;将初始投入项数据和初始产出项数据分别进行审核,得到目标投入项数据和目标产出项数据。
其中,预置的医院联盟链为各医院对应的私有链构成的集群,通过医院联盟链保证了诊断相关疾病组数据的安全性和共享性。服务器发送数据提取请求至预置的医院联盟链,医院联盟链对该数据提取请求进行签名验证、授权验证后,将对应的诊断相关疾病组数据返回至服务器,从而得到诊断相关疾病组数据。服务器获得诊断相关疾病组数据后,对诊断相关疾病组数据进行异常值检测、缺失值填补、去重融合、数据格式转换和安全性检测,以实现数据清洗;得到数据清洗后的诊断相关疾病组数据;按照预设敏感数据判断策略,对数据清洗后的诊断相关疾病组数据进行敏感数据提取,得到目标敏感数据,对目标敏感数据进行数据变性处理,得到预处理后的诊断相关疾病组数据,保证了诊断相关疾病组数据的数据隐私。
对预处理后的诊断相关疾病组数据中的绩效衡量需求字段进行提取,得到绩效衡量需求字段,绩效衡量需求字段包括但不限于床位数、医师数、护士数、疾病诊断相关分组DRG组数、病例组合指数(case combination index,CMI)、1/时间指数、1/费用指数和低风险组生存率等分别对应的字段。根据预设的投入项字段对绩效衡量需求字段进行分类和标记,得到目标投入项字段,根据预设的产出项字段,对绩效衡量需求字段进行分类和标记,得到目标产出项字段,将目标投入项字段对应的预处理后的诊断相关疾病组数据确定为初始投入项数据,将目标产出项字段对应的预处理后的诊断相关疾病组数据确定为初始产出项数据,其中,目标投入项字段中的投入项包括医院级别的医师人数、护理人数和开放病床数,以及科室级别的医师人力、护理人工时和手术房间数,目标产出项字段中的产出项包括医院级别的诊断相关组数、CMI、时间消耗指数、费用消耗指数、低风险组死亡率和出院人数,以及科室级别的术式CMI值、完成总手术例数和总手术金额。
将初始投入项数据和初始产出项数据发送至预置审核端,通过预置审核端对初始投入项数据和初始产出项数据分别进行标签分类的人工审核(人工检验),若存在标签分类不正确,则对其不正确分类的初始投入项数据或初始产出项数据进行标签修正,得到修正后的初始投入项数据和修正后的初始产出项数据,并将其返回至服务器,若不存在标签分类不正确,则将初始投入项数据确定为目标投入项数据,将初始产出项数据确定为目标产出项数据,并返回至服务器。或者,调用预置的神经网络模型,基于预设的检验策略,对初始投入项数据和初始产出项数据分别进行基于人工智能的标签分类的检验和修正,并将检验通过的初始投入项数据以及修正后的初始投入项数据确定为目标投入项数据,将检验通过的初始产出项数据以及修正后的初始产出项数据确定为目标产出项数据。提高了目标投入项数据和目标产出项数据的准确性。
202、调用预置的数据包络分析算法中的固定规模报酬模型,对目标投入项数据和目标产出项数据进行效率运算,得到经营总效率值。
具体地,服务器调用预置的数据包络分析算法中的固定规模报酬模型,基于预置的目标函数,对目标投入项数据和目标产出项数据进行线性规划的最大值计算,得到目标投入项权重组合和目标产出项权重组合;调用预设的效率计算公式,对目标投入项数据、目标产出项数据、目标投入项权重组合和目标产出项权重组合进行运算,得到经营总效率值。
服务器调用预置的数据包络分析算法DEA中的固定规模报酬模型CCR,将目标投入项数据和目标产出项数据代入预置的目标函数,对代入后的目标函数进行线性规模模式的最大化处理(即使得代入后的目标函数的效率值最大化),得到目标式,获取目标式中各目标投入项数据对应的权重,得到目标投入项权重组合,目标投入项权重组合用于指示目标投入项数据中各代入项分别对应的最佳权重,并获取目标式中各目标产出项数据对应的权重,得到目标产出项权重组合,目标产出项权重组合用于指示目标产出项数据中各产出项分别对应的最佳权重,其中,目标函数如下:
Ek表示目标函数,j表示第j中类型输出,n表示目标产出项数据的矩阵中第n行,i表示第i种类型输入,m表示目标投入项数据的矩阵中第n行,k表示第k个决策单元,表示目标产出项数据中各产出项对应的权重,表示n个产出项,即目标产出项数据,表示目标投入项数据中各投入项对应的权重,表示m个投入项,即目标投入项数据。为了方便比较,限制最大效率为1,即Ek≤1,从而计算得到目标投入项权重组合和目标产出项权重组合。
将目标投入项数据、目标产出项数据、目标投入项权重组合和目标产出项权重组合代入预设的效率计算公式,并对代入后的效率计算公式进行计算,从而得到经营总效率值,其中,预设的效率计算公式如下:H表示经营总效率值,T表示矩阵的转置运算,k表示决策单元,UT表示目标产出项权重组合,Yk表示目标产出项数据,VT表示目标投入项权重组合,Xk表示目标投入项数据。
203、调用数据包络分析算法中的变动规模报酬模型,基于经营总效率值、目标投入项数据和目标产出项数据进行运算,得到技术效率值和规模效率值。
具体地,服务器获取经营总效率值对应的目标投入项权重组合和目标产出项权重组合、目标投入项权重组合和目标产出项权重组合所对应的权系数矩阵、目标投入项数据对应的投入项松弛变量、目标产出项数据对应的产出项松弛变量以及目标决策单元输出的最大值和最小值;调用数据包络分析算法中的变动规模报酬模型,对目标投入项数据、目标产出项数据、目标投入项权重组合、目标产出项权重组合、权系数矩阵、投入项松弛变量、产出项松弛变量以及目标决策单元输出的最大值和最小值进行运算,得到技术效率值;计算经营总效率值与技术效率值的比值,得到规模效率值。
服务器获得经营总效率对应的目标投入项权重组合和目标产出项权重组合、目标投入项权重组合和目标产出项权重组合对应的权系数矩阵、目标投入项数据对应的投入项松弛变量、目标产出项数据对应的产出项松弛变量以及目标决策单元输出的最大值和最小值后,将目标投入项数据、目标产出项数据、目标投入项权重组合、目标产出项权重组合、权系数矩阵、投入项松弛变量、产出项松弛变量以及目标决策单元输出的最大值和最小值,代入数据包络分析算法DEA中的变动规模报酬模型(Banker&Charnes&Cooper,BCC)的预设计算公式中,通过预设计算公式进行运算,得到技术效率值,其中,预设计算公式为现有技术中的变动规模报酬模型BCC的计算公式,在此不再说明。将经营总效率除以技术效率值,得到规模效率值。
204、根据经营总效率值、技术效率值和规模效率值,对诊断相关疾病组数据进行评价分析,得到目标绩效分析结果。
具体地,服务器对经营总效率值、技术效率值和规模效率值进行算术平均值,得到目标值,根据目标值对诊断相关疾病组数据中的级别字段进行排序,得到排序结果,排序结果包括排序后的级别字段以及排序后的级别字段对应的经营总效率值、技术效率值与规模效率值;通过预设的绩效等级策略,基于经营总效率值、技术效率值和规模效率值,对诊断相关疾病组数据中的级别字段进行绩效等级分类,得到等级分类结果;将排序结果和等级分类结果合并,得到目标绩效分析结果。
服务器计算经营总效率值、技术效率值和规模效率值的算术平均值,得到目标值,按照目标值从大到小的顺序,对诊断相关疾病组数据中的级别字段进行排序,得到排序结果,排序结果包括排序后的级别字段以及排序后的级别字段对应的经营总效率值、技术效率值与规模效率值;通过预设的绩效等级策略,基于经营总效率值、技术效率值和规模效率值,对诊断相关疾病组数据中的级别字段进行绩效等级分类,得到等级分类结果,其执行过程包括:将经营总效率值、技术效率值和规模效率值,与预设的绩效等级策略中的绩效等级范围值进行对比分析,得到对比结果,根据对比结果从绩效等级策略中获取对应的绩效等级,从而得到等级分类结果,例如:经营总效率值为1、技术效率值为1且规模效率值为1,对应的绩效等级为优等;将排序结果和等级分类结果确定为目标绩效分析结果。
205、根据目标绩效分析结果获取目标待改善级别,以及目标待改善级别的目标整改策略。
具体地,服务器基于待改善需求和目标绩效分析结果,对排序后的级别字段进行识别和提取,得到目标待改善级别,并获取目标待改善级别对应的诊断相关疾病组数据;调用预置的最优解分析的算法,对目标待改善级别对应的诊断相关疾病组数据进行最优整改组合的计算,得到初始整改策略;获取与初始整改策略对应的历史整改策略,将初始整改策略和历史整改策略进行合并,得到目标整改策略。
其中,待改善需求包括但不限于:值小于1都视为待改善的相对无效率单位(级别),服务器将待改善程度或等级分类结果为优之外的级别(即医院或科室或部门等)。服务器按照待改善需求和目标绩效分析结果,对排序后的级别字段进行筛选,得到目标待改善级别,并获取目标待改善级别对应的诊断相关疾病组数据。调用预置的最优解分析的算法,对目标待改善级别对应的诊断相关疾病组数据进行最优整改组合的计算,得到初始整改策略,其中,预置的最优解分析的算法可为分层序列算法或遗传算法。初始整改策略包括但不限于最适的生产规模大小以及改善的方向与幅度,例如,最适的生产规模大小:在规模报酬递增阶段,适度扩大规模的程度,增加投入量,使医院的产出最大,进而提升医院的总体效率;改善的方向与幅度:提升CMI、DRG组数、减少时间指数、费用指数、医疗人力量、病床数量,或是增加多少门诊量、手术人次和住院人日等,可以从更多的维度上去改善:住院人日、门诊人次、手术人次、业务收入上去改善,可以从更多的维度上去改善:住院人日、门诊人次、手术人次、业务收入上去改善。
服务器调用预置的聚类算法,对初始整改策略进行组合类型的聚类,得到整改组合类型,根据整改组合类型对预置数据库进行检索,得到对应的历史整改策略,历史整改策略包括历史的整改方案和整改方案执行后的效果评估信息,历史整改策略用于作为初始整改策略的参考,将初始整改策略和历史整改策略进行组合,从而得到目标整改策略,即确定为目标整改策略。通过目标绩效分析结果获取目标整改策略,在目标绩效分析结果具备科学性和争议性小的基础上,提高了目标整改策略的准确性和有效性。
本发明实施例中,不仅通过绩效衡量需求字段的投入项归类、产出项归类加以区分,根据通过数据包络分析算法计算所得的经营总效率值、技术效率值和规模效率值来进行分析,实现了无须假设任何权重,每一个输入输出的权重由决策单元的实际数据求得最优权重,可以避免主观因素,以决策单位各输入输出的权重为变量,从最有利于决策单元的角度进行评估,避免了各指标(即绩效衡量字段)在优先意义上的权重,并通过以投入项和产出项大维度下以及多效率值的多维度进行分析,使得基于DRGs的绩效考核具备科学性,且争议性小,解决了基于DRGs的绩效考核不具备科学性且争议性大的问题,还通过目标绩效分析结果获取目标整改策略,在目标绩效分析结果具备科学性和争议性小的基础上,提高了目标整改策略的准确性和有效性。本方案可应用于智慧医疗领域中,从而推动智慧城市的建设。
上面对本发明实施例中诊断相关疾病组数据的处理方法进行了描述,下面对本发明实施例中诊断相关疾病组数据的处理装置进行描述,请参阅图3,本发明实施例中诊断相关疾病组数据的处理装置一个实施例包括:
归类模块301,用于获取诊断相关疾病组数据,并分别对诊断相关疾病组数据进行绩效衡量需求字段的投入项归类、产出项归类,得到目标投入项数据和目标产出项数据,诊断相关疾病组数据包括级别字段以及级别字段对应的衡量指标字段和衡量指标统计数据;
第一运算模块302,用于调用预置的数据包络分析算法中的固定规模报酬模型,对目标投入项数据和目标产出项数据进行效率运算,得到经营总效率值;
第二运算模块303,用于调用数据包络分析算法中的变动规模报酬模型,基于经营总效率值、目标投入项数据和目标产出项数据进行运算,得到技术效率值和规模效率值;
评价分析模块304,用于根据经营总效率值、技术效率值和规模效率值,对诊断相关疾病组数据进行评价分析,得到目标绩效分析结果。
上述诊断相关疾病组数据的处理装置中各个模块的功能实现与上述诊断相关疾病组数据的处理方法实施例中各步骤相对应,其功能和实现过程在此处不再一一赘述。
本发明实施例中,通过绩效衡量需求字段的投入项归类、产出项归类加以区分,根据通过数据包络分析算法计算所得的经营总效率值、技术效率值和规模效率值来进行分析,实现了无须假设任何权重,每一个输入输出的权重由决策单元的实际数据求得最优权重,可以避免主观因素,以决策单位各输入输出的权重为变量,从最有利于决策单元的角度进行评估,避免了各指标(即绩效衡量字段)在优先意义上的权重,并通过以投入项和产出项大维度下以及多效率值的多维度进行分析,使得基于DRGs的绩效考核具备科学性,且争议性小,解决了基于DRGs的绩效考核不具备科学性且争议性大的问题。本方案可应用于智慧医疗领域中,从而推动智慧城市的建设。
请参阅图4,本发明实施例中诊断相关疾病组数据的处理装置的另一个实施例包括:
归类模块301,用于获取诊断相关疾病组数据,并分别对诊断相关疾病组数据进行绩效衡量需求字段的投入项归类、产出项归类,得到目标投入项数据和目标产出项数据,诊断相关疾病组数据包括级别字段以及级别字段对应的衡量指标字段和衡量指标统计数据;
第一运算模块302,用于调用预置的数据包络分析算法中的固定规模报酬模型,对目标投入项数据和目标产出项数据进行效率运算,得到经营总效率值;
第二运算模块303,用于调用数据包络分析算法中的变动规模报酬模型,基于经营总效率值、目标投入项数据和目标产出项数据进行运算,得到技术效率值和规模效率值;
评价分析模块304,用于根据经营总效率值、技术效率值和规模效率值,对诊断相关疾病组数据进行评价分析,得到目标绩效分析结果;
整改策略获取模块305,用于根据目标绩效分析结果获取目标待改善级别,以及目标待改善级别的目标整改策略。
可选的,归类模块301还可以具体用于:
从预置的医院联盟链中获取诊断相关疾病组数据,对诊断相关疾病组数据进行数据清洗和脱敏处理,得到预处理后的诊断相关疾病组数据,并提取预处理后的诊断相关疾病组数据中的绩效衡量需求字段,诊断相关疾病组数据包括级别字段以及级别字段对应的衡量指标字段和衡量指标统计数据;
通过预设的投入项字段和产出项字段,分别对绩效衡量需求字段进行分类和标记,得到目标投入项字段和目标产出项字段,将目标投入项字段对应的预处理后的诊断相关疾病组数据确定为初始投入项数据,将目标产出项字段对应的预处理后的诊断相关疾病组数据确定为初始产出项数据;
将初始投入项数据和初始产出项数据分别进行审核,得到目标投入项数据和目标产出项数据。
可选的,评价分析模块304还可以具体用于:
对经营总效率值、技术效率值和规模效率值进行算术平均值,得到目标值,根据目标值对诊断相关疾病组数据中的级别字段进行排序,得到排序结果,排序结果包括排序后的级别字段以及排序后的级别字段对应的经营总效率值、技术效率值与规模效率值;
通过预设的绩效等级策略,基于经营总效率值、技术效率值和规模效率值,对诊断相关疾病组数据中的级别字段进行绩效等级分类,得到等级分类结果;
将排序结果和等级分类结果合并,得到目标绩效分析结果。
可选的,第一运算模块302还可以具体用于:
调用预置的数据包络分析算法中的固定规模报酬模型,基于预置的目标函数,对目标投入项数据和目标产出项数据进行线性规划的最大值计算,得到目标投入项权重组合和目标产出项权重组合;
调用预设的效率计算公式,对目标投入项数据、目标产出项数据、目标投入项权重组合和目标产出项权重组合进行运算,得到经营总效率值。
可选的,第二运算模块303还可以具体用于:
获取经营总效率值对应的目标投入项权重组合和目标产出项权重组合、目标投入项权重组合和目标产出项权重组合所对应的权系数矩阵、目标投入项数据对应的投入项松弛变量、目标产出项数据对应的产出项松弛变量以及目标决策单元输出的最大值和最小值;
调用数据包络分析算法中的变动规模报酬模型,对目标投入项数据、目标产出项数据、目标投入项权重组合、目标产出项权重组合、权系数矩阵、投入项松弛变量、产出项松弛变量以及目标决策单元输出的最大值和最小值进行运算,得到技术效率值;
计算经营总效率值与技术效率值的比值,得到规模效率值。
可选的,整改策略获取模块305还可以具体用于:
基于待改善需求和目标绩效分析结果,对排序后的级别字段进行识别和提取,得到目标待改善级别,并获取目标待改善级别对应的诊断相关疾病组数据;
调用预置的最优解分析的算法,对目标待改善级别对应的诊断相关疾病组数据进行最优整改组合的计算,得到初始整改策略;
获取与初始整改策略对应的历史整改策略,将初始整改策略和历史整改策略进行合并,得到目标整改策略。
上述诊断相关疾病组数据的处理装置中各模块和各单元的功能实现与上述诊断相关疾病组数据的处理方法实施例中各步骤相对应,其功能和实现过程在此处不再一一赘述。
本发明实施例中,不仅通过绩效衡量需求字段的投入项归类、产出项归类加以区分,根据通过数据包络分析算法计算所得的经营总效率值、技术效率值和规模效率值来进行分析,实现了无须假设任何权重,每一个输入输出的权重由决策单元的实际数据求得最优权重,可以避免主观因素,以决策单位各输入输出的权重为变量,从最有利于决策单元的角度进行评估,避免了各指标(即绩效衡量字段)在优先意义上的权重,并通过以投入项和产出项大维度下以及多效率值的多维度进行分析,使得基于DRGs的绩效考核具备科学性,且争议性小,解决了基于DRGs的绩效考核不具备科学性且争议性大的问题,还通过目标绩效分析结果获取目标整改策略,在目标绩效分析结果具备科学性和争议性小的基础上,提高了目标整改策略的准确性和有效性。本方案可应用于智慧医疗领域中,从而推动智慧城市的建设。
上面图3和图4从模块化功能实体的角度对本发明实施例中的诊断相关疾病组数据的处理装置进行详细描述,下面从硬件处理的角度对本发明实施例中诊断相关疾病组数据的处理设备进行详细描述。
图5是本发明实施例提供的一种诊断相关疾病组数据的处理设备的结构示意图,该诊断相关疾病组数据的处理设备500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)510(例如,一个或一个以上处理器)和存储器520,一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中,存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对诊断相关疾病组数据的处理设备500中的一系列计算机程序操作。更进一步地,处理器510可以设置为与存储介质530通信,在诊断相关疾病组数据的处理设备500上执行存储介质530中的一系列计算机程序操作。
诊断相关疾病组数据的处理设备500还可以包括一个或一个以上电源540,一个或一个以上有线或无线网络接口550,一个或一个以上输入输出接口560,和/或,一个或一个以上操作系统531,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图5示出的诊断相关疾病组数据的处理设备结构并不构成对诊断相关疾病组数据的处理设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本申请还提供一种诊断相关疾病组数据的处理设备,包括:存储器和至少一个处理器,所述存储器中存储有计算机程序,所述存储器和所述至少一个处理器通过线路互连;所述至少一个处理器调用所述存储器中的所述计算机程序,以使得所述诊断相关疾病组数据的处理设备执行上述诊断相关疾病组数据的处理方法中的步骤。本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,计算机可读存储介质中存储有计算机程序,当计算机程序在计算机上运行时,使得计算机执行诊断相关疾病组数据的处理方法的步骤。
进一步地,计算机可读存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干计算机程序用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种诊断相关疾病组数据的处理方法,其特征在于,所述诊断相关疾病组数据的处理方法包括:
获取诊断相关疾病组数据,并分别对所述诊断相关疾病组数据进行绩效衡量需求字段的投入项归类、产出项归类,得到目标投入项数据和目标产出项数据,所述诊断相关疾病组数据包括级别字段以及级别字段对应的衡量指标字段和衡量指标统计数据;
调用预置的数据包络分析算法中的固定规模报酬模型,对所述目标投入项数据和所述目标产出项数据进行效率运算,得到经营总效率值;
调用所述数据包络分析算法中的变动规模报酬模型,基于所述经营总效率值、所述目标投入项数据和所述目标产出项数据进行运算,得到技术效率值和规模效率值;
根据所述经营总效率值、所述技术效率值和所述规模效率值,对所述诊断相关疾病组数据进行评价分析,得到目标绩效分析结果。
2.根据权利要求1所述的诊断相关疾病组数据的处理方法,其特征在于,所述获取诊断相关疾病组数据,并分别对所述诊断相关疾病组数据进行绩效衡量需求字段的投入项归类、产出项归类,得到目标投入项数据和目标产出项数据,所述诊断相关疾病组数据包括级别字段以及级别字段对应的衡量指标字段和衡量指标统计数据,包括:
从预置的医院联盟链中获取诊断相关疾病组数据,对所述诊断相关疾病组数据进行数据清洗和脱敏处理,得到预处理后的诊断相关疾病组数据,并提取所述预处理后的诊断相关疾病组数据中的绩效衡量需求字段,所述诊断相关疾病组数据包括级别字段以及级别字段对应的衡量指标字段和衡量指标统计数据;
通过预设的投入项字段和产出项字段,分别对所述绩效衡量需求字段进行分类和标记,得到目标投入项字段和目标产出项字段,将所述目标投入项字段对应的预处理后的诊断相关疾病组数据确定为初始投入项数据,将所述目标产出项字段对应的预处理后的诊断相关疾病组数据确定为初始产出项数据;
将所述初始投入项数据和所述初始产出项数据分别进行审核,得到目标投入项数据和目标产出项数据。
3.根据权利要求1所述的诊断相关疾病组数据的处理方法,其特征在于,所述根据所述经营总效率值、所述技术效率值和所述规模效率值,对所述诊断相关疾病组数据进行评价分析,得到目标绩效分析结果,包括:
对所述经营总效率值、所述技术效率值和所述规模效率值进行算术平均值,得到目标值,根据所述目标值对所述诊断相关疾病组数据中的所述级别字段进行排序,得到排序结果,所述排序结果包括排序后的级别字段以及排序后的级别字段对应的经营总效率值、技术效率值与规模效率值;
通过预设的绩效等级策略,基于所述经营总效率值、所述技术效率值和所述规模效率值,对所述诊断相关疾病组数据中的所述级别字段进行绩效等级分类,得到等级分类结果;
将所述排序结果和所述等级分类结果合并,得到目标绩效分析结果。
4.根据权利要求3所述的诊断相关疾病组数据的处理方法,其特征在于,所述调用预置的数据包络分析算法中的固定规模报酬模型,对所述目标投入项数据和所述目标产出项数据进行效率运算,得到经营总效率值,包括:
调用预置的数据包络分析算法中的固定规模报酬模型,基于预置的目标函数,对所述目标投入项数据和所述目标产出项数据进行线性规划的最大值计算,得到目标投入项权重组合和目标产出项权重组合;
调用预设的效率计算公式,对所述目标投入项数据、所述目标产出项数据、所述目标投入项权重组合和所述目标产出项权重组合进行运算,得到经营总效率值。
5.根据权利要求3所述的诊断相关疾病组数据的处理方法,其特征在于,所述调用所述数据包络分析算法中的变动规模报酬模型,基于所述经营总效率值、所述目标投入项数据和所述目标产出项数据进行运算,得到技术效率值和规模效率值,包括:
获取所述经营总效率值对应的目标投入项权重组合和目标产出项权重组合、所述目标投入项权重组合和所述目标产出项权重组合所对应的权系数矩阵、所述目标投入项数据对应的投入项松弛变量、所述目标产出项数据对应的产出项松弛变量以及目标决策单元输出的最大值和最小值;
调用所述数据包络分析算法中的变动规模报酬模型,对所述目标投入项数据、所述目标产出项数据、所述目标投入项权重组合、所述目标产出项权重组合、所述权系数矩阵、所述投入项松弛变量、所述产出项松弛变量以及所述目标决策单元输出的最大值和最小值进行运算,得到技术效率值;
计算所述经营总效率值与所述技术效率值的比值,得到规模效率值。
6.根据权利要求1-5中任一项所述的诊断相关疾病组数据的处理方法,其特征在于,所述根据所述经营总效率值、所述技术效率值和所述规模效率值,对所述诊断相关疾病组数据进行评价分析,得到目标绩效分析结果之后,还包括:
根据所述目标绩效分析结果获取目标待改善级别,以及所述目标待改善级别的目标整改策略。
7.根据权利要求6所述的诊断相关疾病组数据的处理方法,其特征在于,所述根据所述目标绩效分析结果获取目标待改善级别,以及所述目标待改善级别的目标整改策略,包括:
基于待改善需求和所述目标绩效分析结果,对排序后的级别字段进行识别和提取,得到目标待改善级别,并获取所述目标待改善级别对应的诊断相关疾病组数据;
调用预置的最优解分析的算法,对所述目标待改善级别对应的诊断相关疾病组数据进行最优整改组合的计算,得到初始整改策略;
获取与所述初始整改策略对应的历史整改策略,将所述初始整改策略和所述历史整改策略进行合并,得到目标整改策略。
8.一种诊断相关疾病组数据的处理装置,其特征在于,所述诊断相关疾病组数据的处理装置包括:
归类模块,用于获取诊断相关疾病组数据,并分别对所述诊断相关疾病组数据进行绩效衡量需求字段的投入项归类、产出项归类,得到目标投入项数据和目标产出项数据,所述诊断相关疾病组数据包括级别字段以及级别字段对应的衡量指标字段和衡量指标统计数据;
第一运算模块,用于调用预置的数据包络分析算法中的固定规模报酬模型,对所述目标投入项数据和所述目标产出项数据进行效率运算,得到经营总效率值;
第二运算模块,用于调用所述数据包络分析算法中的变动规模报酬模型,基于所述经营总效率值、所述目标投入项数据和所述目标产出项数据进行运算,得到技术效率值和规模效率值;
评价分析模块,用于根据所述经营总效率值、所述技术效率值和所述规模效率值,对所述诊断相关疾病组数据进行评价分析,得到目标绩效分析结果。
9.一种诊断相关疾病组数据的处理设备,其特征在于,所述诊断相关疾病组数据的处理设备包括:存储器和至少一个处理器,所述存储器中存储有计算机程序;
所述至少一个处理器调用所述存储器中的所述计算机程序,以使得所述诊断相关疾病组数据的处理设备执行如权利要求1-7中任意一项所述的诊断相关疾病组数据的处理方法。
10.一种计算机可读存储介质,所述计算机可读存储介质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如权利要求1-7中任一项所述诊断相关疾病组数据的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111007685.9A CN113643806A (zh) | 2021-08-30 | 2021-08-30 | 诊断相关疾病组数据的处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111007685.9A CN113643806A (zh) | 2021-08-30 | 2021-08-30 | 诊断相关疾病组数据的处理方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113643806A true CN113643806A (zh) | 2021-11-12 |
Family
ID=78424498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111007685.9A Pending CN113643806A (zh) | 2021-08-30 | 2021-08-30 | 诊断相关疾病组数据的处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113643806A (zh) |
-
2021
- 2021-08-30 CN CN202111007685.9A patent/CN113643806A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Richards et al. | Data mining for indicators of early mortality in a database of clinical records | |
JP6410289B2 (ja) | 医薬品有害事象抽出方法及び装置 | |
Pa et al. | Analysis of data mining techniques in diagnalising heart disease | |
US20090319297A1 (en) | Workplace Absenteeism Risk Model | |
CN113657548A (zh) | 医保异常检测方法、装置、计算机设备及存储介质 | |
CN113657805A (zh) | 考核指标体系权重的构建方法、装置、设备及存储介质 | |
Steen | Approaches to predictive modeling | |
CN113707286A (zh) | 基于决策树的问诊分配方法、装置、设备及存储介质 | |
Benhar et al. | A systematic mapping study of data preparation in heart disease knowledge discovery | |
US20090119323A1 (en) | Method and system for reducing a data set | |
Muse et al. | Evaluating the quality of anonymous record linkage using deterministic procedures with the New York State AIDS registry and a hospital discharge file | |
Monsen et al. | Data management for intervention effectiveness research: Comparing deductive and inductive approaches | |
CN111899114B (zh) | 一种基于多视图双聚类的就医欺诈行为检测方法及系统 | |
Wang et al. | Nationwide hospital admission data statistics and disease-specific 30-day readmission prediction | |
Wang et al. | Enhancing model interpretability and accuracy for disease progression prediction via phenotype-based patient similarity learning | |
CN113643806A (zh) | 诊断相关疾病组数据的处理方法、装置、设备及存储介质 | |
CN113642669B (zh) | 基于特征分析的防欺诈检测方法、装置、设备及存储介质 | |
CN112258095B (zh) | 基于标准正态分布的评分方法、装置、设备及存储介质 | |
CN111986815A (zh) | 基于共现关系的项目组合挖掘方法及相关设备 | |
JP3940126B2 (ja) | 審査管理方法及び審査管理プログラム | |
Feng et al. | A Hybrid Data Mining Approach for Generalizing Characteristics of Emergency Department Visits Causing Overcrowding. | |
Langenberger | Machine learning as a tool to identify inpatients who are not at risk of adverse drug events in a large dataset of a tertiary care hospital in the USA | |
Indumathi et al. | In-depth survey to perceiving the effect of kidney dialysis parameters using clustering framework | |
Kadhim et al. | Machine Learning Prediction of Brain Stroke at an Early Stage | |
US20240120037A1 (en) | Method and system for hybrid clinical trial design |
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: 20220527 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, Area H, 666 Beijing East Road, Huangpu District, Shanghai 200001 Applicant before: PING AN MEDICAL AND HEALTHCARE MANAGEMENT Co.,Ltd. |
|
TA01 | Transfer of patent application right |