CN113764089B - 就诊医院的绑定方法、装置、设备及存储介质 - Google Patents
就诊医院的绑定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113764089B CN113764089B CN202111055859.9A CN202111055859A CN113764089B CN 113764089 B CN113764089 B CN 113764089B CN 202111055859 A CN202111055859 A CN 202111055859A CN 113764089 B CN113764089 B CN 113764089B
- Authority
- CN
- China
- Prior art keywords
- hospital
- information
- target
- binding
- insured person
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims description 34
- 201000010099 disease Diseases 0.000 claims description 26
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000012795 verification Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 abstract description 13
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000003745 diagnosis Methods 0.000 abstract description 7
- 238000012545 processing Methods 0.000 description 9
- 239000000284 extract Substances 0.000 description 7
- 238000010276 construction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Epidemiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及人工智能技术领域，应用于智慧医疗领域中，公开了一种就诊医院的绑定方法、装置、设备及存储介质，用于提高患者信息与就诊医院信息匹配的准确度。所述就诊医院的绑定方法包括：接收就诊医院匹配请求，并获取目标保单信息和被保人身份信息；对目标保单信息进行医院特征提取，得到目标医院特征向量；根据目标医院特征向量进行关联医院匹配，得到初始关联医院列表；根据被保人身份信息，对初始关联医院列表中的关联医院进行关联强度计算，得到有序关联医院列表；接收选定医院信息，并将选定医院信息与被保人身份信息绑定，得到选定医院信息对应的直结码。此外，本发明还涉及区块链技术，直结码可存储于区块链节点中。
Description
技术领域
本发明涉及自然语言处理技术领域，尤其涉及一种就诊医院的绑定方法、装置、设备及存储介质。
背景技术
随着社会发展和生活水平的提高，人们对日常健康的关注也与日俱增，对健康风险的转移意识也越来越强烈，使得健康保险业务也日益智能化，其中，自动理赔是保险业务智能化的一大体现。
目前，医疗保险的自动理赔在进行就诊医院匹配时大多依赖于医院匹配模型，传统的医院匹配模型只能给用户推荐医院的基本信息，不能准确地获取保单服务的相关信息，比如是否能够支持社保、保单的直接结算和理赔服务以及其他线上医疗服务资源，导致患者信息与就诊医院的匹配度低。另外，目前传统的医院匹配模型对就诊医院的匹配方式不够灵活，不能结合用户的实际情况进行合理的匹配，可见，目前保险行业中存在患者信息与就诊医院信息匹配不准确的问题。
发明内容
本发明提供了一种就诊医院的绑定方法、装置、设备及存储介质，用于提高患者信息与就诊医院信息匹配的准确度。
本发明第一方面提供了一种就诊医院的绑定方法，包括：
接收就诊医院匹配请求，并根据所述就诊医院匹配请求获取目标保单信息和被保人身份信息；
对所述目标保单信息进行医院特征提取，得到所述目标保单信息对应的目标医院特征向量；
根据所述目标医院特征向量进行关联医院匹配，得到所述目标保单信息对应的初始关联医院列表；
根据所述被保人身份信息，对所述初始关联医院列表中的关联医院进行关联强度计算，得到有序关联医院列表；
接收选定医院信息，并将所述选定医院信息与所述被保人身份信息绑定，得到所述选定医院信息对应的直结码，所述选定医院信息用于指示请求人终端从所述有序关联医院列表中选定的就诊医院信息，所述直结码用于指示被保人在选定医院产生的医疗费用直接结算凭证。
可选的，在本发明第一方面的第一种实现方式中，所述接收就诊医院匹配请求，并根据所述就诊医院匹配请求获取目标保单信息和被保人身份信息，包括：
接收就诊医院匹配请求，并根据所述就诊医院匹配请求中的身份标识，获取所述身份标识对应的被保人身份信息；
查找所述被保人身份信息对应的历史投保记录和历史赔付信息，并根据所述历史投保记录获取与所述被保人身份信息对应的所有在保保单信息；
根据所述历史赔付信息，对所述所有在保保单信息进行剩余保额计算，得到所述所有在保保单信息中的目标保单信息，所述目标保单信息用于指示剩余保额大于预置保额阈值的在保保单信息。
可选的，在本发明第一方面的第二种实现方式中，所述对所述目标保单信息进行医院特征提取，得到所述目标保单信息对应的目标医院特征向量，包括：
对所述目标保单信息中的保险条款进行医疗机构约束内容扫描，得到所述保险条款中约定的医疗机构约束内容；
对所述医疗机构约束内容进行分词处理，得到分词结果，并对所述分词结果进行向量化处理，得到所述分词结果对应的嵌入词向量；
对所述分词结果对应的嵌入词向量进行医院属性特征分类标记，得到所述目标保单信息对应的目标医院特征向量，所述目标医院特征向量用于指示所述保险条款中约定的定点医院约束条件。
可选的，在本发明第一方面的第三种实现方式中，所述根据所述目标医院特征向量进行关联医院匹配，得到所述目标保单信息对应的初始关联医院列表，包括：
基于所述目标医院特征向量中的医院属性特征分类标记，提取所有预置医院信息中与所述医院属性特征分类标记相同维度的医院属性信息；
对所有预置医院信息中与所述医院属性特征分类标记相同维度的医院属性信息进行向量化处理，得到待匹配医院特征向量；
通过预置的相似度计算算法，对所述目标医院特征向量和所述待匹配医院特征向量进行相似度计算，得到特征相似度；
当所述特征相似度大于预置相似度阈值时，将大于预置相似度阈值的特征相似度阈值对应的预置医院信息设置为关联医院信息，得到所述目标保单信息对应的初始关联医院列表。
可选的，在本发明第一方面的第四种实现方式中，所述根据所述被保人身份信息，对所述初始关联医院列表中的关联医院进行关联强度计算，得到有序关联医院列表，包括：
按照预置的世界医院排名信息，设置所述初始关联医院列表中的各关联医院的权重值，得到各关联医院对应的第一权重值；
根据所述被保人身份信息，获取被保人的所在地理位置和所患疾病信息；
计算所述被保人的所在地理位置和各关联医院的所在地理位置之间的距离，并根据所述距离计算各关联医院对应的距离加权值，将各关联医院对应的距离加权值和第一权重值进行权重叠加，得到各关联医院对应的第二权重值；
将所述被保人的所患疾病信息与各关联医院的医院类型进行匹配，得到病症相关度，并根据所述病症相关度计算各关联医院对应的类型加权值，将各关联医院对应的类型加权值和第二加权值进行权重叠加，得到各关联医院的第三权重值；
按各关联医院对应的第三权重值的大小顺序，对所述初始关联医院列表中的各关联医院进行排序，得到有序关联医院列表。
可选的，在本发明第一方面的第五种实现方式中，所述接收选定医院信息，并将所述选定医院信息与所述被保人身份信息绑定，得到所述选定医院信息对应的直结码，所述选定医院信息用于指示请求人终端从所述有序关联医院列表中选定的就诊医院信息，所述直结码用于指示被保人在选定医院产生的医疗费用直接结算凭证，包括：
接收请求人终端提交的所述有序关联医院列表中的选定医院信息，并将所述选定医院信息与所述被保人身份信息进行关联绑定，得到关联标识；
通过所述关联标识，获取预置理赔财务系统中的理赔账户信息，并通过预置加密算法，对所述理赔账户信息和所述关联标识进行绑定加密，得到合法记账加密数据；
基于所述合法记账加密数据，生成所述选定医院信息对应的直结码，所述直结码用于指示被保人在选定医院产生的医疗费用记账结算凭证。
可选的，在本发明第一方面的第六种实现方式中，所述接收选定医院信息，并将所述选定医院信息与所述被保人身份信息绑定，得到所述选定医院信息对应的直结码，所述选定医院信息用于指示请求人终端从所述有序关联医院列表中选定的就诊医院信息，所述直结码用于指示被保人在选定医院产生的医疗费用直接结算凭证之后，所述就诊医院的绑定方法还包括：
接收选定医院终端发送的医疗费用记账请求，并提取所述医疗费用记账请求中的加密数据标识，所述加密数据标识用于指示所述医疗费用记账请求是否包含合法记账加密数据；
通过预置解密算法，对所述加密数据标识进行解密，得到解密结果，并根据所述解密结果对所述医疗费用记账请求进行合法性验证，得到验证结果；
若所述验证结果指示所述医疗费用记账请求为合法请求，则对所述理赔账户信息进行理赔费用划扣，并生成理赔账单。
本发明第二方面提供了一种就诊医院的绑定装置，包括：
接收模块，用于接收就诊医院匹配请求，并根据所述就诊医院匹配请求获取目标保单信息和被保人身份信息；
提取模块，用于对所述目标保单信息进行医院特征提取，得到所述目标保单信息对应的目标医院特征向量；
匹配模块，用于根据所述目标医院特征向量进行关联医院匹配，得到所述目标保单信息对应的初始关联医院列表；
计算模块，用于根据所述被保人身份信息，对所述初始关联医院列表中的关联医院进行关联强度计算，得到有序关联医院列表；
绑定模块，用于接收选定医院信息，并将所述选定医院信息与所述被保人身份信息绑定，得到所述选定医院信息对应的直结码，所述选定医院信息用于指示请求人终端从所述有序关联医院列表中选定的就诊医院信息，所述直结码用于指示被保人在选定医院产生的医疗费用直接结算凭证。
可选的，在本发明第二方面的第一种实现方式中，所述接收模块具体用于：
接收就诊医院匹配请求，并根据所述就诊医院匹配请求中的身份标识，获取所述身份标识对应的被保人身份信息；
查找所述被保人身份信息对应的历史投保记录和历史赔付信息，并根据所述历史投保记录获取与所述被保人身份信息对应的所有在保保单信息；
根据所述历史赔付信息，对所述所有在保保单信息进行剩余保额计算，得到所述所有在保保单信息中的目标保单信息，所述目标保单信息用于指示剩余保额大于预置保额阈值的在保保单信息。
可选的，在本发明第二方面的第二种实现方式中，所述提取模块具体用于：
对所述目标保单信息中的保险条款进行医疗机构约束内容扫描，得到所述保险条款中约定的医疗机构约束内容；
对所述医疗机构约束内容进行分词处理，得到分词结果，并对所述分词结果进行向量化处理，得到所述分词结果对应的嵌入词向量；
对所述分词结果对应的嵌入词向量进行医院属性特征分类标记，得到所述目标保单信息对应的目标医院特征向量，所述目标医院特征向量用于指示所述保险条款中约定的定点医院约束条件。
可选的，在本发明第二方面的第三种实现方式中，所述匹配模块具体用于：
基于所述目标医院特征向量中的医院属性特征分类标记，提取所有预置医院信息中与所述医院属性特征分类标记相同维度的医院属性信息；
对所有预置医院信息中与所述医院属性特征分类标记相同维度的医院属性信息进行向量化处理，得到待匹配医院特征向量；
通过预置的相似度计算算法，对所述目标医院特征向量和所述待匹配医院特征向量进行相似度计算，得到特征相似度；
当所述特征相似度大于预置相似度阈值时，将大于预置相似度阈值的特征相似度阈值对应的预置医院信息设置为关联医院信息，得到所述目标保单信息对应的初始关联医院列表。
可选的，在本发明第二方面的第四种实现方式中，所述计算模块具体用于：
按照预置的世界医院排名信息，设置所述初始关联医院列表中的各关联医院的权重值，得到各关联医院对应的第一权重值；
根据所述被保人身份信息，获取被保人的所在地理位置和所患疾病信息；
计算所述被保人的所在地理位置和各关联医院的所在地理位置之间的距离，并根据所述距离计算各关联医院对应的距离加权值，将各关联医院对应的距离加权值和第一权重值进行权重叠加，得到各关联医院对应的第二权重值；
将所述被保人的所患疾病信息与各关联医院的医院类型进行匹配，得到病症相关度，并根据所述病症相关度计算各关联医院对应的类型加权值，将各关联医院对应的类型加权值和第二加权值进行权重叠加，得到各关联医院的第三权重值；
按各关联医院对应的第三权重值的大小顺序，对所述初始关联医院列表中的各关联医院进行排序，得到有序关联医院列表。
可选的，在本发明第二方面的第五种实现方式中，所述绑定模块具体用于：
接收请求人终端提交的所述有序关联医院列表中的选定医院信息，并将所述选定医院信息与所述被保人身份信息进行关联绑定，得到关联标识；
通过所述关联标识，获取预置理赔财务系统中的理赔账户信息，并通过预置加密算法，对所述理赔账户信息和所述关联标识进行绑定加密，得到合法记账加密数据；
基于所述合法记账加密数据，生成所述选定医院信息对应的直结码，所述直结码用于指示被保人在选定医院产生的医疗费用记账结算凭证。
可选的，在本发明第二方面的第六种实现方式中，所述就诊医院的绑定装置还包括：
验证模块，用于接收选定医院终端发送的医疗费用记账请求，并提取所述医疗费用记账请求中的加密数据标识，所述加密数据标识用于指示所述医疗费用记账请求是否包含合法记账加密数据；
解密模块，用于通过预置解密算法，对所述加密数据标识进行解密，得到解密结果，并根据所述解密结果对所述医疗费用记账请求进行合法性验证，得到验证结果；
划扣模块，用于若所述验证结果指示所述医疗费用记账请求为合法请求，则对所述理赔账户信息进行理赔费用划扣，并生成理赔账单。
本发明第三方面提供了一种就诊医院的绑定设备，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，以使得所述就诊医院的绑定设备执行上述的就诊医院的绑定方法。
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就诊医院的绑定方法。
本发明提供的技术方案中，接收就诊医院匹配请求，并根据所述就诊医院匹配请求获取目标保单信息和被保人身份信息；对所述目标保单信息进行医院特征提取，得到所述目标保单信息对应的目标医院特征向量；根据所述目标医院特征向量进行关联医院匹配，得到所述目标保单信息对应的初始关联医院列表；根据所述被保人身份信息，对所述初始关联医院列表中的关联医院进行关联强度计算，得到有序关联医院列表；接收选定医院信息，并将所述选定医院信息与所述被保人身份信息绑定，得到所述选定医院信息对应的直结码，所述选定医院信息用于指示请求人终端从所述有序关联医院列表中选定的就诊医院信息，所述直结码用于指示被保人在选定医院产生的医疗费用直接结算凭证。本发明实施例中，服务器通过就诊医院匹配请求中的目标保单信息和被保人身份信息，获取目标医院特征向量，并通过目标医院特征向量获取初始关联医院列表，再根据被保人身份信息进行关联医院的关联强度计算，得到有序关联医院列表，再将请求人终端选定的选定医院信息，进行身份绑定，得到用于直接结算的直结码，本发明可以提高患者信息与就诊医院信息匹配的准确度。
附图说明
图1为本发明实施例中就诊医院的绑定方法的一个实施例示意图；
图2为本发明实施例中就诊医院的绑定方法的另一个实施例示意图；
图3为本发明实施例中就诊医院的绑定装置的一个实施例示意图；
图4为本发明实施例中就诊医院的绑定装置的另一个实施例示意图；
图5为本发明实施例中就诊医院的绑定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就诊医院的绑定方法、装置、设备及存储介质，用于提高理赔医院匹配的准确度。
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，本发明实施例中就诊医院的绑定方法的一个实施例包括：
101、接收就诊医院匹配请求，并根据就诊医院匹配请求获取目标保单信息和被保人身份信息；
可以理解的是，本发明的执行主体可以为就诊医院的绑定装置，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。
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。
服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(contentdelivery network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
本实施例中，就诊医院匹配请求由请求人(被保人、投保人或受益人等)终端发送，服务器接收就诊医院匹配请求，对就诊医院匹配请求进行解析，得到请求标识符，服务器通过请求标识符，查找保单数据库，得到所有历史保单信息和被保人身份信息，由于被保人可能曾经投保不同的保单，历史保单中包括未生效、生效中和已失效的保单，因此，服务器通过被保人身份信息获取所有历史保单信息后，通过对所有历史保单信息进行生效时刻判断，以及对所有历史保单信息进行剩余保额计算，得到目标保单信息，目标保单信息用于指示与被保人身份信息对应的生效中且保额低于预设值的保单信息。
102、对目标保单信息进行医院特征提取，得到目标保单信息对应的目标医院特征向量；
本实施例中，目标保单信息的医院特征信息可以预先配置，也可以通过训练好的医院特征提取模型进行识别，由于目标保单信息的医院特征信息可以预先配置，因此，服务器可以通过目标保单信息的标识符，获取目标保单信息对应的医院特征信息，例如，一保单的医院特征信息为：二级及以上的公立医院，那么服务器通过支持向量机技术，对该保单的医院特征信息进行向量化处理，得到对应的目标医院特征向量，目标医院特征向量为目标保单信息中的医院特征信息的数字化表示，能够提高后续关联医院匹配的运算效率，进而提高理赔医院的匹配效率。
本实施例中，服务器先对目标保单信息进行医院信息扫描，得到目标保单信息中用于描述医院特征的文本信息，再将文本信息进行分词处理后得到多个分词信息，再将各分词信息转化为独热编码，接着，服务器通过嵌入词算法(embedding)，对各独热编码进行嵌入词向量转化，得到目标保单信息对应的目标医院特征向量。
103、根据目标医院特征向量进行关联医院匹配，得到目标保单信息对应的初始关联医院列表；
本实施例中，为了匹配目标保单信息对应的医院，也就是被保人所能就医的医院，服务器将所有关联医院中与目标医院特征向量中属性维度相同的属性转化为向量，得到待匹配医院特征向量，使待匹配医院属性和保单医院属性之间产生可比性，从而进行关联医院匹配，得到目标保单信息对应的关联医院列表，其中，待匹配医院特征向量的转化方式与步骤102中目标医院特征向量的转化方式相似，具体不再赘述。
104、根据被保人身份信息，对初始关联医院列表中的关联医院进行关联强度计算，得到有序关联医院列表；
本实施例中，为了提高理赔医院和被保人的匹配程度，服务器根据被保人身份信息，对关联医院列表中的关联医院进行关联强度计算，得到各关联医院的关联权重值，服务器再根据关联权重值对关联医院列表中的关联医院进行排序，得到有序关联医院列表，有序关联医院列表为关联权重值由大到小排列的关联医院列表，请求人客户端能够直观地查看关联强度由强至弱的关联医院列表，便于用户筛选就诊医院。
105、接收选定医院信息，并将选定医院信息与被保人身份信息绑定，得到选定医院信息对应的直结码，所述选定医院信息用于指示请求人终端从有序关联医院列表中选定的就诊医院信息，直结码用于指示被保人在选定医院产生的医疗费用直接结算凭证。
本实施例中，为了提高理赔方式的灵活度，服务器将有序关联医院列表发送至请求人终端之后，接收请求人终端返回的选定医院信息，也就是请求人终端选定的就诊医院信息，并将选定医院信息和被保人身份信息进行绑定，生成选定医院信息和被保人身份信息对应的直结码，请求人或被保人凭直结码即能够在选定医院直接结算医疗费用，使得理赔效率提高。
本实施例中，服务器将选定医院信息与被保人身份信息绑定之后，得到绑定标识，服务器通过预置加密算法，对绑定标识进行加密处理，得到加密标识，服务器通过加密标识，结合图形码生成算法，生成选定医院信息对应的直结码，直结码中包含加密标识，加密标识用于验证被保人身份信息和选定医院信息是否一致。
进一步地，服务器将直结码存储于区块链数据库中，具体此处不做限定。
本发明实施例中，服务器通过就诊医院匹配请求中的目标保单信息和被保人身份信息，获取目标医院特征向量，并通过目标医院特征向量获取初始关联医院列表，再根据被保人身份信息进行关联医院的关联强度计算，得到有序关联医院列表，再将请求人终端选定的选定医院信息，进行身份绑定，得到用于直接结算的直结码，本发明可以提高患者信息与就诊医院信息匹配的准确度。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，本发明实施例中就诊医院的绑定方法的另一个实施例包括：
201、接收就诊医院匹配请求，并根据就诊医院匹配请求获取目标保单信息和被保人身份信息；
具体的，服务器接收就诊医院匹配请求，并根据就诊医院匹配请求中的身份标识，获取身份标识对应的被保人身份信息；服务器查找被保人身份信息对应的历史投保记录和历史赔付信息，并根据历史投保记录获取与被保人身份信息对应的所有在保保单信息；服务器根据历史赔付信息，对所有在保保单信息进行剩余保额计算，得到所有在保保单信息中的目标保单信息，目标保单信息用于指示剩余保额大于预置保额阈值的在保保单信息。
本可选实施例中，服务器接收就诊医院匹配请求，通过对就诊医院匹配请求进行解析，得到就诊医院匹配请求中的身份标识，身份标识用于指示就诊医院匹配请求对应的被保人身份标识，服务器通过被保人身份标识，获取被保人身份信息，被保人身份信息包括被保人的姓名、身份证号码、性别等信息。
本可选实施例中，为了从被保人的所有在保保单信息中获取目标保单信息，服务器通过被保人身份信息，查询保单数据库，获取与被保人身份信息对应的历史投保记录，并根据历史投保记录查找与被保人身份信息对应的所有在保保单信息，所有在保保单信息用于指示被保人与被保人身份信息对应的生效中的保单信息。而由于保单都有最高保额的设定，服务器根据被保人的历史赔付信息，计算所有在保保单信息的剩余保额，当剩余保额大于预置保额阈值时，将剩余保额大于预置保额阈值的在保保单信息设置为目标保单信息。
202、对目标保单信息中的保险条款进行医疗机构约束内容扫描，得到保险条款中约定的医疗机构约束内容；
本实施例中，为了提高医院匹配的智能化程度，服务器对目标保单信息中的保险条款进行医疗机构约束内容扫描，提取到保险条款中约定的医疗机构约束内容，例如，一保单中约定的医疗机构约束内容为：“当地基本医疗保险管理机构最新公布的二级以上(含二级)的公立医院，及本公司指定医疗机构”，医疗机构约束内容是指符合目标保单信息中的保险条款约束的医疗机构描述内容。
203、对医疗机构约束内容进行分词处理，得到分词结果，并对分词结果进行向量化处理，得到分词结果对应的嵌入词向量；
本实施例中，服务器得到医疗机构约束内容之后，对医疗机构约束内容进行分词处理，得到分词结果，再将分词结果转化为独热编码(one hot code)，接着通过嵌入词(embedding)算法，对分词结果对应的独热编码进行向量化处理，得到嵌入词向量，嵌入词向量用于指示医疗机构约束内容的数字化表示。
204、对分词结果对应的嵌入词向量进行医院属性特征分类标记，得到目标保单信息对应的目标医院特征向量，目标医院特征向量用于指示保险条款中约定的定点医院约束条件；
本实施例中，服务器根据嵌入词向量对应的属性维度，对嵌入词向量进行医院属性特征分类标记，得到目标医院特征向量，例如，“当地基本医疗保险管理机构最新公布的二级以上(含二级)的公立医院”的属性维度包括等级属性和公立属性，那么，该保单的等级属性特征分类标记就为“二级以上(含二级)”，公立属性特征分类标记为“公立”，目标医院特征向量为包含上述等级属性特征分类标记的数字化表示。
205、根据目标医院特征向量进行关联医院匹配，得到目标保单信息对应的初始关联医院列表；
具体的，服务器基于目标医院特征向量中的医院属性特征分类标记，提取所有预置医院信息中与医院属性特征分类标记相同维度的医院属性信息；服务器对所有预置医院信息中与医院属性特征分类标记相同维度的医院属性信息进行向量化处理，得到待匹配医院特征向量；服务器通过预置的相似度计算算法，对目标医院特征向量和待匹配医院特征向量进行相似度计算，得到每个待匹配医院特征向量与目标医院特征向量之间的特征相似度；当特征相似度大于预置相似度阈值时，服务器将大于预置相似度阈值的特征相似度阈值对应的预置医院信息设置为关联医院信息，得到目标保单信息对应的初始关联医院列表。
本可选实施例中，为了对待匹配医院特征和目标医院特征进行多维度的比对，服务器基于目标医院特征向量的医院属性特征分类标记对应的属性维度，提取所有预置医院信息中相同维度的医院属性信息，例如目标医院特征向量的医院属性特征分类标记对应的属性维度为“等级属性”，那么，服务器提取所有预置医院信息中等级属性维度的医院等级属性信息，得到所有预置医院的“等级属性信息”，服务器再对“等级属性信息”进行数字化处理，得到所有等级医院属性信息对应的待匹配医院特征向量，服务器再通过预置的相似度计算算法，计算目标医院特征向量和待匹配医院特征向量之间的相似度，得到每个待匹配医院与目标医院之间的特征相似度，当特征相似度大于预置相似度阈值时，说明待匹配医院和目标应用之间的属性相似，服务器将大于预置相似度阈值的特征相似度阈值对应的预置医院信息设置为关联医院信息，得到目标保单信息对应的关联医院列表。其中，预置的相似度计算算法包括欧几里德距离算法(euclidean distance)、皮尔逊相关系数(pearsoncorrelation coefficient)、Cosine相似度(cosine similarity)和Tanimoto系数(tanimoto coefficient)，具体不做限定。
206、根据被保人身份信息，对初始关联医院列表中的关联医院进行关联强度计算，得到有序关联医院列表；
具体的，服务器按照预置的世界医院排名信息，设置初始关联医院列表中的各关联医院的权重值，得到各关联医院对应的第一权重值；服务器根据被保人身份信息，获取被保人的所在地理位置和所患疾病信息；服务器计算被保人的所在地理位置和各关联医院的所在地理位置之间的距离，并根据距离计算各关联医院对应的距离加权值，将各关联医院对应的距离加权值和第一权重值进行权重叠加，得到各关联医院对应的第二权重值；服务器将被保人的所患疾病信息与各关联医院的医院类型进行匹配，得到病症相关度，并根据病症相关度计算各关联医院对应的类型加权值，将各关联医院对应的类型加权值和第二加权值进行权重叠加，得到各关联医院的第三权重值；服务器按各关联医院对应的第三权重值的大小顺序，对初始关联医院列表中的各关联医院进行排序，得到有序关联医院列表。
本可选实施例中，为了计算各关联医院和被保人的关联强度，服务器先按世界医院排名信息，对各关联医院进行初始的权重值设置，得到各关联医院的第一权重值，其中，世界医院排名信息包括最新公开的复旦医院排名，世界医院排名能够反映各关联医院的综合质量。接着，服务器获取被保人的所在地理位置和所患疾病信息，服务器通过所在地理位置，计算距离加权值，得到各关联医院的第二权重值，服务器通过所患疾病信息，计算类型加权值，得到第三权重值，最后，服务器根据第三权重值的大小顺序，对各关联医院进行排序，得到有序关联医院列表。
207、接收选定医院信息，并将所述选定医院信息与所述被保人身份信息绑定，得到所述选定医院信息对应的直结码，所述选定医院信息用于指示请求人终端从所述有序关联医院列表中选定的就诊医院信息，所述直结码用于指示被保人在选定医院产生的医疗费用直接结算凭证。
具体的，服务器接收请求人终端提交的有序关联医院列表中的选定医院信息，并将选定医院信息与被保人身份信息进行关联绑定，得到关联标识；服务器通过关联标识，获取预置理赔财务系统中的理赔账户信息，并通过预置加密算法，对理赔账户信息和关联标识进行绑定加密，得到合法记账加密数据；服务器基于合法记账加密数据，生成选定医院信息对应的直结码，直结码用于指示被保人在选定医院产生的医疗费用记账结算凭证。
本可选实施例中，为了生成直结码，服务器先将选定医院信息与被保人身份信息进行关联绑定，得到关联标识，对关联标识进行再一次的验证，验证通过后获取预置理赔财务系统中的理赔账户信息，理赔账户信息用于对被保人在选定医院产生的医疗费用结算，服务器再将理赔账户信息和关联标识加密绑定，生成合法记账加密数据，合法记账加密数据用于验证医疗费用记账请求的合法性，能够防止数据泄露，数据篡改等安全问题的出现，最后，服务器对合法记账加密数据进行记账码生成，得到选定医院信息对应的直结码。
进一步的，服务器接收选定医院终端发送的医疗费用记账请求，并提取医疗费用记账请求中的加密数据标识，加密数据标识用于指示医疗费用记账请求是否包含合法记账加密数据；服务器通过预置解密算法，对加密数据标识进行解密，得到解密结果，并根据解密结果对医疗费用记账请求进行合法性验证，得到验证结果；若验证结果指示医疗费用记账请求为合法请求，则服务器对理赔账户信息进行理赔费用划扣，并生成理赔账单。
本可选实施例中，当被保人在选定医院产生医疗费用时，医院终端向服务器发送医疗费用记账请求，服务器提取医疗费用记账请求中的加密数据标识，服务器通过预置的解密算法，对加密数据标识进行解密，得到对应的理赔账户信息与关联标识，再通过关联标识，查询关联标识绑定的医院信息与被保人身份信息，再对关联标识绑定的医院信息和被保人身份信息进行权限验证，若权限验证通过，则直接进行理赔费用划扣，并生成理赔账单。
本发明实施例中，服务器通过就诊医院匹配请求中的目标保单信息和被保人身份信息，再对目标保单信息中的保险条款进行扫描，得到医疗机构约束内容，接着对医疗机构约束内容进行分词和向量化处理，得到嵌入词向量，再进行分类标记，得到目标医院特征向量，并通过目标医院特征向量获取初始关联医院列表，再根据被保人身份信息进行关联医院的关联强度计算，得到有序关联医院列表，再将请求人终端选定的选定医院信息，进行身份绑定，得到用于直接结算的直结码，本发明可以提高患者信息与就诊医院信息匹配的准确度。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就诊医院的绑定方法进行了描述，下面对本发明实施例中就诊医院的绑定装置进行描述，请参阅图3，本发明实施例中就诊医院的绑定装置一个实施例包括：
接收模块301，用于接收就诊医院匹配请求，并根据就诊医院匹配请求获取目标保单信息和被保人身份信息；
提取模块302，用于对目标保单信息进行医院特征提取，得到目标保单信息对应的目标医院特征向量；
匹配模块303，用于根据目标医院特征向量进行关联医院匹配，得到目标保单信息对应的初始关联医院列表；
计算模块304，用于根据被保人身份信息，对初始关联医院列表中的关联医院进行关联强度计算，得到有序关联医院列表；
绑定模块305，用于接收选定医院信息，并将选定医院信息与被保人身份信息绑定，得到选定医院信息对应的直结码，所述选定医院信息用于指示请求人终端从有序关联医院列表中选定的就诊医院信息，直结码用于指示被保人在选定医院产生的医疗费用直接结算凭证。
进一步地，将直结码存储于区块链数据库中，具体此处不做限定。
本发明实施例中，服务器通过就诊医院匹配请求中的目标保单信息和被保人身份信息，获取目标医院特征向量，并通过目标医院特征向量获取初始关联医院列表，再根据被保人身份信息进行关联医院的关联强度计算，得到有序关联医院列表，再将请求人终端选定的选定医院信息，进行身份绑定，得到用于直接结算的直结码，本发明可以提高患者信息与就诊医院信息匹配的准确度。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，本发明实施例中就诊医院的绑定装置的另一个实施例包括：
接收模块301，用于接收就诊医院匹配请求，并根据就诊医院匹配请求获取目标保单信息和被保人身份信息；
提取模块302，用于对目标保单信息进行医院特征提取，得到目标保单信息对应的目标医院特征向量；
匹配模块303，用于根据目标医院特征向量进行关联医院匹配，得到目标保单信息对应的初始关联医院列表；
计算模块304，用于根据被保人身份信息，对初始关联医院列表中的关联医院进行关联强度计算，得到有序关联医院列表；
绑定模块305，用于接收选定医院信息，并将选定医院信息与被保人身份信息绑定，得到选定医院信息对应的直结码，所述选定医院信息用于指示请求人终端从有序关联医院列表中选定的就诊医院信息，直结码用于指示被保人在选定医院产生的医疗费用直接结算凭证。
可选的，接收模块301具体用于：
接收就诊医院匹配请求，并根据就诊医院匹配请求中的身份标识，获取身份标识对应的被保人身份信息；
查找被保人身份信息对应的历史投保记录和历史赔付信息，并根据历史投保记录获取与被保人身份信息对应的所有在保保单信息；
根据历史赔付信息，对所有在保保单信息进行剩余保额计算，得到所有在保保单信息中的目标保单信息，目标保单信息用于指示剩余保额大于预置保额阈值的在保保单信息。
可选的，提取模块302具体用于：
对目标保单信息中的保险条款进行医疗机构约束内容扫描，得到保险条款中约定的医疗机构约束内容；
对医疗机构约束内容进行分词处理，得到分词结果，并对分词结果进行向量化处理，得到分词结果对应的嵌入词向量；
对分词结果对应的嵌入词向量进行医院属性特征分类标记，得到目标保单信息对应的目标医院特征向量，目标医院特征向量用于指示保险条款中约定的定点医院约束条件。
可选的，匹配模块303具体用于：
基于目标医院特征向量中的医院属性特征分类标记，提取所有预置医院信息中与医院属性特征分类标记相同维度的医院属性信息；
对所有预置医院信息中与医院属性特征分类标记相同维度的医院属性信息进行向量化处理，得到待匹配医院特征向量；
通过预置的相似度计算算法，对目标医院特征向量和待匹配医院特征向量进行相似度计算，得到每个待匹配医院特征向量与目标医院特征向量之间的特征相似度；
当特征相似度大于预置相似度阈值时，将大于预置相似度阈值的特征相似度阈值对应的预置医院信息设置为关联医院信息，得到目标保单信息对应的初始关联医院列表。
可选的，计算模块304具体用于：
按照预置的世界医院排名信息，设置初始关联医院列表中的各关联医院的权重值，得到各关联医院对应的第一权重值；
根据被保人身份信息，获取被保人的所在地理位置和所患疾病信息；
计算被保人的所在地理位置和各关联医院的所在地理位置之间的距离，并根据距离计算各关联医院对应的距离加权值，将各关联医院对应的距离加权值和第一权重值进行权重叠加，得到各关联医院对应的第二权重值；
将被保人的所患疾病信息与各关联医院的医院类型进行匹配，得到病症相关度，并根据病症相关度计算各关联医院对应的类型加权值，将各关联医院对应的类型加权值和第二加权值进行权重叠加，得到各关联医院的第三权重值；
按各关联医院对应的第三权重值的大小顺序，对初始关联医院列表中的各关联医院进行排序，得到有序关联医院列表。
可选的，绑定模块305具体用于：
接收请求人终端提交的有序关联医院列表中的选定医院信息，并将选定医院信息与被保人身份信息进行关联绑定，得到关联标识；
通过关联标识，获取预置理赔财务系统中的理赔账户信息，并通过预置加密算法，对理赔账户信息和关联标识进行绑定加密，得到合法记账加密数据；
基于合法记账加密数据，生成选定医院信息对应的直结码，直结码用于指示被保人在选定医院产生的医疗费用记账结算凭证。
可选的，就诊医院的绑定装置还包括：
验证模块306，用于接收选定医院终端发送的医疗费用记账请求，并提取医疗费用记账请求中的加密数据标识，加密数据标识用于指示医疗费用记账请求是否包含合法记账加密数据；
解密模块307，用于通过预置解密算法，对加密数据标识进行解密，得到解密结果，并根据解密结果对医疗费用记账请求进行合法性验证，得到验证结果；
划扣模块308，用于若验证结果指示医疗费用记账请求为合法请求，则对理赔账户信息进行理赔费用划扣，并生成理赔账单。
本发明实施例中，服务器通过就诊医院匹配请求中的目标保单信息和被保人身份信息，再对目标保单信息中的保险条款进行扫描，得到医疗机构约束内容，接着对医疗机构约束内容进行分词和向量化处理，得到嵌入词向量，再进行分类标记，得到目标医院特征向量，并通过目标医院特征向量获取初始关联医院列表，再根据被保人身份信息进行关联医院的关联强度计算，得到有序关联医院列表，再将请求人终端选定的选定医院信息，进行身份绑定，得到用于直接结算的直结码，本发明可以提高患者信息与就诊医院信息匹配的准确度。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就诊医院的绑定装置进行详细描述，下面从硬件处理的角度对本发明实施例中就诊医院的绑定设备进行详细描述。
图5是本发明实施例提供的一种就诊医院的绑定设备的结构示意图，该就诊医院的绑定设备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就诊医院的绑定设备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，在就诊医院的绑定设备500上执行存储介质530中的一系列计算机程序操作。
就诊医院的绑定设备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示出的就诊医院的绑定设备结构并不构成对就诊医院的绑定设备的限定，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。
本发明还提供一种就诊医院的绑定设备，所述计算机设备包括存储器和处理器，存储器中存储有计算机可读计算机程序，计算机可读计算机程序被处理器执行时，使得处理器执行上述各实施例中的所述就诊医院的绑定方法的步骤。
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，所述计算机可读存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得计算机执行所述就诊医院的绑定方法的步骤。
进一步地，所述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。
所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所述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-onlymemory，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。
以上所述，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 (8)
1.一种就诊医院的绑定方法，其特征在于，所述就诊医院的绑定方法包括：
接收就诊医院匹配请求，并根据所述就诊医院匹配请求获取目标保单信息和被保人身份信息；
对所述目标保单信息进行医院特征提取，得到所述目标保单信息对应的目标医院特征向量；
基于所述目标医院特征向量中的医院属性特征分类标记，提取所有预置医院信息中与所述医院属性特征分类标记相同维度的医院属性信息；
对所有预置医院信息中与所述医院属性特征分类标记相同维度的医院属性信息进行向量化处理，得到待匹配医院特征向量；
通过预置的相似度计算算法，对所述目标医院特征向量和所述待匹配医院特征向量进行相似度计算，得到特征相似度；
当所述特征相似度大于预置相似度阈值时，将大于预置相似度阈值的特征相似度阈值对应的预置医院信息设置为关联医院信息，得到所述目标保单信息对应的初始关联医院列表；所述初始关联医院列表中包含属性与所述目标医院特征向量匹配的关联医院；
按照预置的世界医院排名信息，设置所述初始关联医院列表中的各关联医院的权重值，得到各关联医院对应的第一权重值；
根据所述被保人身份信息，获取被保人的所在地理位置和所患疾病信息；
计算所述被保人的所在地理位置和各关联医院的所在地理位置之间的距离，并根据所述距离计算各关联医院对应的距离加权值，将各关联医院对应的距离加权值和第一权重值进行权重叠加，得到各关联医院对应的第二权重值；
将所述被保人的所患疾病信息与各关联医院的医院类型进行匹配，得到病症相关度，并根据所述病症相关度计算各关联医院对应的类型加权值，将各关联医院对应的类型加权值和第二加权值进行权重叠加，得到各关联医院的第三权重值；
按各关联医院对应的第三权重值的大小顺序，对所述初始关联医院列表中的各关联医院进行排序，得到有序关联医院列表；
接收选定医院信息，并将所述选定医院信息与所述被保人身份信息绑定，得到所述选定医院信息对应的直结码，所述选定医院信息用于指示请求人终端从所述有序关联医院列表中选定的就诊医院信息，所述直结码用于指示被保人在选定医院产生的医疗费用直接结算凭证。
2.根据权利要求1所述的就诊医院的绑定方法，其特征在于，所述接收就诊医院匹配请求，并根据所述就诊医院匹配请求获取目标保单信息和被保人身份信息，包括：
接收就诊医院匹配请求，并根据所述就诊医院匹配请求中的身份标识，获取所述身份标识对应的被保人身份信息；
查找所述被保人身份信息对应的历史投保记录和历史赔付信息，并根据所述历史投保记录获取与所述被保人身份信息对应的所有在保保单信息；
根据所述历史赔付信息，对所述所有在保保单信息进行剩余保额计算，得到所述所有在保保单信息中的目标保单信息，所述目标保单信息用于指示剩余保额大于预置保额阈值的在保保单信息。
3.根据权利要求1所述的就诊医院的绑定方法，其特征在于，所述对所述目标保单信息进行医院特征提取，得到所述目标保单信息对应的目标医院特征向量，包括：
对所述目标保单信息中的保险条款进行医疗机构约束内容扫描，得到所述保险条款中约定的医疗机构约束内容；
对所述医疗机构约束内容进行分词处理，得到分词结果，并对所述分词结果进行向量化处理，得到所述分词结果对应的嵌入词向量；
对所述分词结果对应的嵌入词向量进行医院属性特征分类标记，得到所述目标保单信息对应的目标医院特征向量，所述目标医院特征向量用于指示所述保险条款中约定的定点医院约束条件。
4.根据权利要求1所述的就诊医院的绑定方法，其特征在于，所述接收选定医院信息，并将所述选定医院信息与所述被保人身份信息绑定，得到所述选定医院信息对应的直结码，所述选定医院信息用于指示请求人终端从所述有序关联医院列表中选定的就诊医院信息，所述直结码用于指示被保人在选定医院产生的医疗费用直接结算凭证，包括：
接收选定医院信息，并将所述选定医院信息与所述被保人身份信息进行关联绑定，得到关联标识，所述选定医院信息用于指示请求人终端从所述有序关联医院列表中选定的就诊医院信息；
通过所述关联标识，获取预置理赔财务系统中的理赔账户信息，并通过预置加密算法，对所述理赔账户信息和所述关联标识进行绑定加密，得到合法记账加密数据；
基于所述合法记账加密数据，生成所述选定医院信息对应的直结码，所述直结码用于指示被保人在选定医院产生的医疗费用记账结算凭证。
5.根据权利要求4中任一项所述的就诊医院的绑定方法，其特征在于，所述接收选定医院信息，并将所述选定医院信息与所述被保人身份信息绑定，得到所述选定医院信息对应的直结码，所述选定医院信息用于指示请求人终端从所述有序关联医院列表中选定的就诊医院信息，所述直结码用于指示被保人在选定医院产生的医疗费用直接结算凭证之后，所述就诊医院的绑定方法还包括：
接收选定医院终端发送的医疗费用记账请求，并提取所述医疗费用记账请求中的加密数据标识，所述加密数据标识用于指示所述医疗费用记账请求是否包含合法记账加密数据；
通过预置解密算法，对所述加密数据标识进行解密，得到解密结果，并根据所述解密结果对所述医疗费用记账请求进行合法性验证，得到验证结果；
若所述验证结果指示所述医疗费用记账请求为合法请求，则对所述理赔账户信息进行理赔费用划扣，并生成理赔账单。
6.一种就诊医院的绑定装置，其特征在于，所述就诊医院的绑定装置包括：
接收模块，用于接收就诊医院匹配请求，并根据所述就诊医院匹配请求获取目标保单信息和被保人身份信息；
提取模块，用于对所述目标保单信息进行医院特征提取，得到所述目标保单信息对应的目标医院特征向量；
匹配模块，用于基于所述目标医院特征向量中的医院属性特征分类标记，提取所有预置医院信息中与所述医院属性特征分类标记相同维度的医院属性信息；对所有预置医院信息中与所述医院属性特征分类标记相同维度的医院属性信息进行向量化处理，得到待匹配医院特征向量；通过预置的相似度计算算法，对所述目标医院特征向量和所述待匹配医院特征向量进行相似度计算，得到特征相似度；当所述特征相似度大于预置相似度阈值时，将大于预置相似度阈值的特征相似度阈值对应的预置医院信息设置为关联医院信息，得到所述目标保单信息对应的初始关联医院列表；所述初始关联医院列表中包含属性与所述目标医院特征向量匹配的关联医院；
计算模块，用于按照预置的世界医院排名信息，设置所述初始关联医院列表中的各关联医院的权重值，得到各关联医院对应的第一权重值；根据所述被保人身份信息，获取被保人的所在地理位置和所患疾病信息；计算所述被保人的所在地理位置和各关联医院的所在地理位置之间的距离，并根据所述距离计算各关联医院对应的距离加权值，将各关联医院对应的距离加权值和第一权重值进行权重叠加，得到各关联医院对应的第二权重值；将所述被保人的所患疾病信息与各关联医院的医院类型进行匹配，得到病症相关度，并根据所述病症相关度计算各关联医院对应的类型加权值，将各关联医院对应的类型加权值和第二加权值进行权重叠加，得到各关联医院的第三权重值；按各关联医院对应的第三权重值的大小顺序，对所述初始关联医院列表中的各关联医院进行排序，得到有序关联医院列表；
绑定模块，用于接收选定医院信息，并将所述选定医院信息与所述被保人身份信息绑定，得到所述选定医院信息对应的直结码，所述选定医院信息用于指示请求人终端从所述有序关联医院列表中选定的就诊医院信息，所述直结码用于指示被保人在选定医院产生的医疗费用直接结算凭证。
7.一种就诊医院的绑定设备，其特征在于，所述就诊医院的绑定设备包括：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，以使得所述就诊医院的绑定设备执行如权利要求1-5中任意一项所述的就诊医院的绑定方法。
8.一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1-5中任一项所述就诊医院的绑定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111055859.9A CN113764089B (zh) | 2021-09-09 | 2021-09-09 | 就诊医院的绑定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111055859.9A CN113764089B (zh) | 2021-09-09 | 2021-09-09 | 就诊医院的绑定方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113764089A CN113764089A (zh) | 2021-12-07 |
| CN113764089B true CN113764089B (zh) | 2024-05-31 |
Family
ID=78794272
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111055859.9A Active CN113764089B (zh) | 2021-09-09 | 2021-09-09 | 就诊医院的绑定方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113764089B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116126976B (zh) * | 2023-04-06 | 2023-07-04 | 之江实验室 | 一种数据同步的方法、装置、存储介质及电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120110287A (ko) * | 2011-03-29 | 2012-10-10 | 이병규 | 의료정보 제공 시스템 |
| CN106372879A (zh) * | 2016-08-30 | 2017-02-01 | 安徽易联众信息技术有限公司 | 基于二维码的社保卡就诊认证方法 |
| JP2017188074A (ja) * | 2016-03-30 | 2017-10-12 | 株式会社ゼンアーキテクツ | 地域医療総合受付システム及びそのプログラム |
| CN111178069A (zh) * | 2019-12-25 | 2020-05-19 | 平安健康保险股份有限公司 | 数据处理方法、装置、计算机设备及存储介质 |
| CN111539833A (zh) * | 2020-04-10 | 2020-08-14 | 支付宝(杭州)信息技术有限公司 | 医疗费用支付方法、装置和系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140350959A1 (en) * | 2011-10-20 | 2014-11-27 | George E. Bogle | Systems and methods for reducing healthcare transaction costs |
-
2021
- 2021-09-09 CN CN202111055859.9A patent/CN113764089B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120110287A (ko) * | 2011-03-29 | 2012-10-10 | 이병규 | 의료정보 제공 시스템 |
| JP2017188074A (ja) * | 2016-03-30 | 2017-10-12 | 株式会社ゼンアーキテクツ | 地域医療総合受付システム及びそのプログラム |
| CN106372879A (zh) * | 2016-08-30 | 2017-02-01 | 安徽易联众信息技术有限公司 | 基于二维码的社保卡就诊认证方法 |
| CN111178069A (zh) * | 2019-12-25 | 2020-05-19 | 平安健康保险股份有限公司 | 数据处理方法、装置、计算机设备及存储介质 |
| CN111539833A (zh) * | 2020-04-10 | 2020-08-14 | 支付宝(杭州)信息技术有限公司 | 医疗费用支付方法、装置和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113764089A (zh) | 2021-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US12100491B2 (en) | Transaction validation via blockchain, systems and methods | |
| Shen et al. | Privacy-preserving image retrieval for medical IoT systems: A blockchain-based approach | |
| CN108780390B (zh) | 用于提供身份评分的系统和方法 | |
| US20170300681A1 (en) | System and method for user enrollment in a secure biometric verification system | |
| US11048690B2 (en) | Contribution of multiparty data aggregation using distributed ledger technology | |
| WO2000049531A1 (en) | Apparatus and method for depersonalizing information | |
| CN111986035B (zh) | 医保服务审核方法、装置、设备及存储介质 | |
| US20220261916A1 (en) | Cloud-based system and method for claiming insurance for out-of-pocket medical expenses | |
| CN112035741A (zh) | 基于用户体检数据的预约方法、装置、设备及存储介质 | |
| CN113420049B (zh) | 数据流通方法、装置、电子设备及存储介质 | |
| CN114398553A (zh) | 对象推荐方法、装置、电子设备以及存储介质 | |
| KR20220073900A (ko) | 블록체인 기반의 토탈 헬스케어 솔루션 | |
| CN113724815A (zh) | 基于决策分群模型的信息推送方法及装置 | |
| CN113764089B (zh) | 就诊医院的绑定方法、装置、设备及存储介质 | |
| CN110929292B (zh) | 一种医疗数据的搜索方法及装置 | |
| CN112053058A (zh) | 指标模型的生成方法及装置 | |
| KR20220073557A (ko) | 블록체인 기반 의료 마이 데이터 비대면 플랫폼 시스템 | |
| JP7102910B2 (ja) | 情報提示システム、情報提示方法、およびプログラム | |
| CN113838579B (zh) | 一种医疗数据的异常检测方法、装置、设备及存储介质 | |
| CN112330402B (zh) | 信息推荐方法、装置、计算机设备和存储介质 | |
| CN113469784B (zh) | 活动业务审核方法、装置、设备及存储介质 | |
| CN116472694A (zh) | 生成、保护和维护表情符号序列数字令牌的系统及方法 | |
| CN110910104A (zh) | 以物联网设备数据条目为挖矿方法的区块链虚拟货币 | |
| CN113470829B (zh) | 用户画像生成方法、装置、设备及存储介质 | |
| CN113657910B (zh) | 实名认证方法、装置、电子设备及可读存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |