CN114240677A - 医疗数据风险识别方法、装置、电子设备及存储介质 - Google Patents

医疗数据风险识别方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114240677A
CN114240677A CN202111529425.8A CN202111529425A CN114240677A CN 114240677 A CN114240677 A CN 114240677A CN 202111529425 A CN202111529425 A CN 202111529425A CN 114240677 A CN114240677 A CN 114240677A
Authority
CN
China
Prior art keywords
underwriting
target
decision tree
medical
data
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
CN202111529425.8A
Other languages
English (en)
Inventor
吴子涵
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 CN202111529425.8A priority Critical patent/CN114240677A/zh
Publication of CN114240677A publication Critical patent/CN114240677A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Technology Law (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Educational Administration (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明涉及人工智能技术领域，提供一种医疗数据风险识别方法、装置、电子设备及存储介质，通过目标用户的核保查询请求确定目标数据源，从而从目标数据源中精准的获取目标用户的医疗数据，精准的获取目标用户的医疗数据有助于提高后续基于医疗数据识别目标用户的医疗风险的准确度，在确定目标用户的意向保险产品后，通过匹配与意向保险产品的类型对应的初始核保决策树模型，从而对初始核保决策树模型进行规则配置，得到目标核保决策树模型，最后使用目标核保决策树模型基于所述医疗数据进行核保识别，并根据所述目标核保决策树模型中的多颗决策树的识别结果输出核保查询结果，提高了风险识别的效率和准确度。

Description

医疗数据风险识别方法、装置、电子设备及存储介质
技术领域
本发明涉及人工智能技术领域，具体涉及一种医疗数据风险识别方法、装置、电子设备及存储介质。
背景技术
目前，人们在关注饮食、运动的同时，还会通过购买健康险抵御未来风险，随着购买健康险的用户群体的增加，如何有效识别用户的医疗风险成为当下保险公司的最大痛点。
发明人在实现本发明的过程中发现，对医疗风险的识别主要由保险工作人员人工进行，费时费力，效率较低，此外，保险公司的保险工作人员大多非医疗专业背景出身，什么疾病可保，什么不可保，无从判断，导致医疗风险的识别准确度较低。而通过线上核保，效果也不尽人意：缺乏专业的医疗风控模型进行分析和判断；无法精准获取用户的医疗数据，没有医疗数据，无法进行疾病发生率的剖析，也就无法准确识别客户的医疗风险。
发明内容
鉴于以上内容，有必要提出一种医疗数据风险识别方法、装置、电子设备及存储介质，能够提高风险识别的效率和准确度。
本发明的第一方面提供一种医疗数据风险识别方法，所述方法包括：
接收对目标用户的核保查询请求，根据所述核保查询请求确定目标数据源；
从所述目标数据源获取所述目标用户的医疗数据；
根据所述核保查询请求获取所述目标用户的意向保险产品，并匹配与所述意向保险产品的类型对应的初始核保决策树模型；
对所述初始核保决策树模型进行规则配置，得到目标核保决策树模型，所述目标核保决策树模型包括多颗决策树；
使用所述目标核保决策树模型基于所述医疗数据进行核保识别，得到所述目标核保决策树模型中每颗决策树的识别结果，并根据多颗所述决策树的识别结果输出核保查询结果。
根据本发明的一个可选的实施方式，所述根据所述核保查询请求确定目标数据源包括：
获取所述核保查询请求中所述目标用户的意向投保地区及授权机构标识；
根据地区机构映射表确定所述意向投保地区对应的多个数据机构标识；
根据所述授权机构标识从所述多个数据机构标识中获取目标数据机构标识；
将所述目标数据机构标识对应的数据机构确定为所述目标数据源。
根据本发明的一个可选的实施方式，所述从所述目标数据源获取所述目标用户的医疗数据包括：
从所述目标数据源获取所述目标用户的初始医疗数据集，所述初始医疗数据集中的每条初始医疗数据包括病人描述信息和医疗描述信息；
对所述初始医疗数据集进行采样，得到与所述初始医疗数据集具有相同数据分布的医疗样本集；
在所述医疗样本集中确定医疗描述值，使得包括所述医疗描述值的初始医疗数据的数量与所述医疗样本集的数量的比值大于第一预设阈值；
在所述医疗样本集中获取与所述医疗描述值对应的病人描述值，使得包括所述病人描述值的初始医疗数据的数量与所述医疗样本集的数量的比值大于第二预设阈值；
在所述初始医疗数据集中查找包括所述医疗描述值但不包括所述病人描述值的初始医疗数据；
将查找到的初始医疗数据作为所述目标用户的医疗数据。
根据本发明的一个可选的实施方式，所述对所述初始核保决策树模型进行规则配置，得到目标核保决策树模型包括：
判断是否从所述医疗数据中获取到所述目标用户的就医记录标识；
当从所述医疗数据中获取到所述目标用户的就医记录标识时，计算所述就医记录标识的个数；
根据所述个数配置决策树的数量；
根据所述决策树的数量生成目标核保决策树模型。
根据本发明的一个可选的实施方式，所述使用所述目标核保决策树模型基于所述医疗数据进行核保识别，得到所述目标核保决策树模型中每颗决策树的识别结果，包括：
获取所述医疗数据中每个所述就医记录标识对应的诊疗数据；
将多个所述诊疗数据输入至所述目标核保决策树模型中进行核保识别；
获取所述目标核保决策树模型中每颗决策树的识别结果。
根据本发明的一个可选的实施方式，所述根据多颗所述决策树的识别结果输出核保查询结果之后，所述方法还包括：
获取预定时间段内的增量数据；
根据所述增量数据生成增量决策树；
基于所述增量决策树和所述目标核保决策树模型中的决策树来对所述增量数据进行标签预测，得到标签预测结果；
根据所述标签预测结果确定所述目标核保决策树模型中的决策树和所述增量决策树中的决策树的综合性能；
基于所述综合性能，从所述目标核保决策树模型中的决策树和所述增量决策树中的决策树中选取预定数量的决策树作为更新后的目标核保决策树模型。
根据本发明的一个可选的实施方式，所述从所述目标核保决策树模型中的决策树和所述增量决策树中的决策树中选取预定数量的决策树包括：
根据所述标签预测的结果来确定所述决策树针对所述增量数据的预测准确率；
将所述决策树的建立时间作为所述综合性能的权重；
根据所述权重对所述增量数据的预测准确率进行排序；
从所述目标核保决策树模型中的决策树和排序后的预测准确率中获取所述预定数量的决策树。
本发明的第二方面提供一种医疗数据风险识别装置，所述装置包括：
接收模块，用于接收对目标用户的核保查询请求，根据所述核保查询请求确定目标数据源；
获取模块，用于从所述目标数据源获取所述目标用户的医疗数据；
匹配模块，用于根据所述核保查询请求获取所述目标用户的意向保险产品，并匹配与所述意向保险产品的类型对应的初始核保决策树模型；
配置模块，用于对所述初始核保决策树模型进行规则配置，得到目标核保决策树模型，所述目标核保决策树模型包括多颗决策树；
识别模块，用于使用所述目标核保决策树模型基于所述医疗数据进行核保识别，得到所述目标核保决策树模型中每颗决策树的识别结果，并根据多颗所述决策树的识别结果输出核保查询结果。
本发明的第三方面提供一种电子设备，所述电子设备包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现所述医疗数据风险识别方法。
本发明的第四方面提供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，所述计算机程序被处理器执行时实现所述医疗数据风险识别方法。
综上所述，本发明所述的医疗数据风险识别方法、装置、电子设备及存储介质，通过目标用户的核保查询请求确定目标数据源，从而从目标数据源中精准的获取目标用户的医疗数据，精准的获取目标用户的医疗数据有助于提高后续基于医疗数据识别目标用户的医疗风险的准确度，在确定目标用户的意向保险产品后，通过匹配与意向保险产品的类型对应的初始核保决策树模型，从而对初始核保决策树模型进行规则配置，得到目标核保决策树模型，最后使用目标核保决策树模型基于所述医疗数据进行核保识别，并根据所述目标核保决策树模型中的多颗决策树的识别结果输出核保查询结果，提高了风险识别的效率和准确度。
附图说明
图1是本发明实施例一提供的医疗数据风险识别方法的流程图。
图2是本发明实施例二提供的医疗数据风险识别装置的结构图。
图3是本发明实施例三提供的电子设备的结构示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述在一个可选的实施方式中实施例的目的，不是旨在于限制本发明。
本发明实施例提供的医疗数据风险识别方法由电子设备执行，相应地，医疗数据风险识别装置运行于电子设备中。
实施例一
图1是本发明实施例一提供的医疗数据风险识别方法的流程图。所述医疗数据风险识别方法具体包括以下步骤，根据不同的需求，该流程图中步骤的顺序可以改变，某些可以省略。
S11，接收对目标用户的核保查询请求，根据所述核保查询请求确定目标数据源。
目标用户是指需要进行医疗风险识别的对象。目标用户可以在保险公司终端查阅保险产品并进行投保，从而触发保险公司终端向风控平台发起核保查询请求，以请求查询目标用户的医疗风险。
风控平台响应于保险公司终端的核保查询请求，确定目标用户的目标数据源，从目标数据源处精准的获取目标用户的医疗数据，从而提高对目标用户的医疗风险的识别准确度。
在一个可选的实施方式中，所述根据所述核保查询请求确定目标数据源包括：
获取所述核保查询请求中所述目标用户的意向投保地区及授权机构标识；
根据地区机构映射表确定所述意向投保地区对应的多个数据机构标识；
根据所述授权机构标识从所述多个数据机构标识中获取目标数据机构标识；
将所述目标数据机构标识对应的数据机构确定为所述目标数据源。
保险公司终端显示保险购买页面，目标用户可以在保险购买页面上的文本输入框中输入意向投保地区，在授权机构标识列表中选择一个或者多个授权机构标识。意向投保地区是指目标用户预计在哪个地区进行投保。授权机构标识用以表示目标用户授权哪个机构提供医疗数据。
风控平台中预先存储有地区机构映射表，地区机构映射表中存储有投保地区及授权机构标识之间的映射关系，一个投保地区可以对应多个授权机构标识，多个投保地区可以对应一个授权机构标识。根据所述映射关系，可以确定意向投保地区对应的多个授权机构标识，从而将目标用户选定的授权机构标识与确定的多个授权机构标识进行匹配。将与目标用户选定的授权机构标识匹配成功的授权机构标识确定为目标数据源。
风控平台向目标数据源发起医疗数据获取请求，以获取目标用户的医疗数据。
上述可选的实施方式中，通过目标用户的核保查询请求确定目标数据源，有助于精准的获取目标用户的医疗数据，从而提高后续基于医疗数据识别目标用户的医疗风险的准确度。
S12，从所述目标数据源获取所述目标用户的医疗数据。
医疗数据获取请求中可以携带目标用户的标识信息，例如，姓名，身份证号，社保卡号等。
目标数据源响应于风控平台的医疗数据获取请求，根据医疗数据获取请求中的目标用户的标识信息查询目标用户的医疗数据。
医疗数据可以包括，但不限于：既往若干年内的就诊数据、检查/检验数据，用药数据等。
在一个可选的实施方式中，所述从所述目标数据源获取所述目标用户的医疗数据包括：
从所述目标数据源获取所述目标用户的初始医疗数据集，所述初始医疗数据集中的每条初始医疗数据包括病人描述信息和医疗描述信息；
对所述初始医疗数据集进行采样，得到与所述初始医疗数据集具有相同数据分布的医疗样本集；
在所述医疗样本集中确定医疗描述值，使得包括所述医疗描述值的初始医疗数据的数量与所述医疗样本集的数量的比值大于第一预设阈值；
在所述医疗样本集中获取与所述医疗描述值对应的病人描述值，使得包括所述病人描述值的初始医疗数据的数量与所述医疗样本集的数量的比值大于第二预设阈值；
在所述初始医疗数据集中查找包括所述医疗描述值但不包括所述病人描述值的初始医疗数据；
将查找到的初始医疗数据作为所述目标用户的医疗数据。
初始医疗数据集为待处理的海量数据集，该初始医疗数据集包括多条初始医疗数据，每条初始医疗数据对应目标用户的一次就诊结算信息。
其中，病人描述信息是指对目标用户自身信息的相关描述，具体可包括目标用户标识、性别和年龄等，其中，目标用户标识可以为目标用户社保帐号、目标用户姓名或身份证号等信息。
其中，医疗描述信息是指对目标用户的就诊以及就诊过程中使用的医疗物品和方法等的相关信息，具体可包括主诊断信息、药品信息、诊疗项目信息和医疗服务设施信息。
确定出的医疗描述值和确定出的病人描述值具有强关联关系，相应的，不满足该强关联关系的初始医疗数据，即为风险医疗数据，因此，在初始医疗数据集中，查找包括医疗描述值但不包括病人描述值的初始医疗数据即为风险医疗数据。
上述实施方式，能够在海量的医疗数据集中识别出高风险的医疗数据，且在识别过程中，针对初始医疗数据集本身先确定强关联的病人描述值和医疗描述值，再利用确定出的强关联关系来判断医疗数据集中的高风险医疗数据，准确性高。
S13，根据所述核保查询请求获取所述目标用户的意向保险产品，并匹配与所述意向保险产品的类型对应的初始核保决策树模型。
保险公司终端显示的保险购买页面还可以接收目标用户输入的意向保险产品，意向保险产品是指目标用户预计投保的产品。
意向保险产品的类型可以分为医疗险、防癌险、少儿门诊险、慢病医疗险等。
不同的意向保险产品的类型对应不同的初始核保决策模型。
目标数据源向风控平台返回目标用户的医疗数据之后，风控平台根据目标用户的意向保险产品的类型进行匹配，确定初始核保决策树模型，通过确定的初始核保决策树模型进行规则配置，进而进行医疗风险的识别。
S14，对所述初始核保决策树模型进行规则配置，得到目标核保决策树模型，所述目标核保决策树模型包括多颗决策树。
风控平台在匹配出初始核保决策树模型之后，显示初始核保决策树模型对应的决策界面。
风控平台上显示初始核保决策树模型对应的决策界面。在该决策界面中根据目标用户的医疗数据进行规则配置，风控平台在根据规则配置进行组合生成目标核保决策树模型。
在一个可选的实施方式中，所述对所述初始核保决策树模型进行规则配置，得到目标核保决策树模型包括：
判断是否从所述医疗数据中获取到所述目标用户的就医记录标识；
当从所述医疗数据中获取到所述目标用户的就医记录标识时，计算所述就医记录标识的个数；
根据所述个数配置决策树的数量；
根据所述决策树的数量生成目标核保决策树模型。
当没有从所述医疗数据中获取到所述目标用户的就医记录标识时，表明目标用户没有就诊记录，即目标用户的身体素质较佳，属于低风险用户。
当从所述医疗数据中获取到所述目标用户的就医记录标识时，表明目标用户存在就诊记录，即目标用户的身体素质较差，可能属于中高风险用户。
就医记录标识对应一次就诊过程，不同的纠正过程对应不同的就医记录标识，就医记录标识越多，表明就诊次数越多。
该可选的实施方式，通过根据就医记录标识的个数配置决策树的数量，从而得到目标核保决策树模型，确保目标核保决策树模型中决策树的数量与就诊次数对应，一次就诊过程对应一颗决策树，使用一颗决策树刚好识别一次就诊的医疗风险。
S15，使用所述目标核保决策树模型基于所述医疗数据进行核保识别，得到所述目标核保决策树模型中每颗决策树的识别结果，并根据多颗所述决策树的识别结果输出核保查询结果。
风控平台将核保查询结果传输给保险公司终端。
在一个可选的实施方式中，所述使用所述目标核保决策树模型基于所述医疗数据进行核保识别，得到所述目标核保决策树模型中每颗决策树的识别结果，包括：
获取所述医疗数据中每个所述就医记录标识对应的诊疗数据；
将多个所述诊疗数据输入至所述目标核保决策树模型中进行核保识别；
获取所述目标核保决策树模型中每颗决策树的识别结果。识别结果为疾病风险等级，风控平台根据疾病风险等级，串行取交集，判断出核保查询结果。
在一个可选的实施方式中，根据多颗所述决策树的识别结果输出核保查询结果之后，所述方法还包括：
获取预定时间段内的增量数据；
根据所述增量数据生成增量决策树；
基于所述增量决策树和所述目标核保决策树模型中的决策树来对所述增量数据进行标签预测，得到标签预测结果；
根据所述标签预测结果确定所述目标核保决策树模型中的决策树和所述增量决策树中的决策树的综合性能；
基于所述综合性能，从所述目标核保决策树模型中的决策树和所述增量决策树中的决策树中选取预定数量的决策树作为更新后的目标核保决策树模型。
增量数据为目标用户之后，预定时间段内新增加的用户的医疗数据。
各个决策树的综合性能至少基于各个决策树的建立时间以及针对所述增量数据的预测准确率来确定。其中，预测准确率为根据标签预测结果与标签真实结果得到的，具体而言，获取标签预测结果中与标签真实结果相同的目标标签预测结果，计算目标标签预测结果的数量与标签真实结果的数量的比值，作为预测准确率。
可以对所述增量数据有放回地抽取多个样本集，并基于所述多个样本集生成多个所述增量决策树。所述增量决策树的数量的范围可以是所述目标核保决策树模型中决策树的数量的10％至30％。
预定数量可以等于所述目标核保决策树模型中决策树的数量。
在一个可选的实施方式中，所述从所述目标核保决策树模型中的决策树和所述增量决策树中的决策树中选取预定数量的决策树包括：
根据所述标签预测的结果来确定所述决策树针对所述增量数据的预测准确率；
将所述决策树的建立时间作为所述综合性能的权重；
根据所述权重对所述增量数据的预测准确率进行排序；
从所述目标核保决策树模型中的决策树和排序后的预测准确率中获取所述预定数量的决策树。
建立时间长的决策树的权重小于建立时间短的决策树的权重。
本发明通过目标用户的核保查询请求确定目标数据源，从而从目标数据源中精准的获取目标用户的医疗数据，精准的获取目标用户的医疗数据有助于提高后续基于医疗数据识别目标用户的医疗风险的准确度，在确定目标用户的意向保险产品后，通过匹配与意向保险产品的类型对应的初始核保决策树模型，从而对初始核保决策树模型进行规则配置，得到目标核保决策树模型，最后使用目标核保决策树模型基于所述医疗数据进行核保识别，并根据所述目标核保决策树模型中的多颗决策树的识别结果输出核保查询结果，提高了风险识别的效率和准确度。
实施例二
图2是本发明实施例二提供的医疗数据风险识别装置的结构图。
在一些实施例中，所述医疗数据风险识别装置20可以包括多个由计算机程序段所组成的功能模块。所述医疗数据风险识别装置20中的各个程序段的计算机程序可以存储于电子设备的存储器中，并由至少一个处理器所执行，以执行(详见图1描述)医疗数据风险识别的功能。
本实施例中，所述医疗数据风险识别装置20根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：接收模块201、获取模块202、匹配模块203、配置模块204、识别模块205及更新模块206。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。
所述接收模块201，用于接收对目标用户的核保查询请求，根据所述核保查询请求确定目标数据源。
目标用户是指需要进行医疗风险识别的对象。目标用户可以在保险公司终端查阅保险产品并进行投保，从而触发保险公司终端向风控平台发起核保查询请求，以请求查询目标用户的医疗风险。
风控平台响应于保险公司终端的核保查询请求，确定目标用户的目标数据源，从目标数据源处精准的获取目标用户的医疗数据，从而提高对目标用户的医疗风险的识别准确度。
在一个可选的实施方式中，所述接收模块201根据所述核保查询请求确定目标数据源包括：
获取所述核保查询请求中所述目标用户的意向投保地区及授权机构标识；
根据地区机构映射表确定所述意向投保地区对应的多个数据机构标识；
根据所述授权机构标识从所述多个数据机构标识中获取目标数据机构标识；
将所述目标数据机构标识对应的数据机构确定为所述目标数据源。
保险公司终端显示保险购买页面，目标用户可以在保险购买页面上的文本输入框中输入意向投保地区，在授权机构标识列表中选择一个或者多个授权机构标识。意向投保地区是指目标用户预计在哪个地区进行投保。授权机构标识用以表示目标用户授权哪个机构提供医疗数据。
风控平台中预先存储有地区机构映射表，地区机构映射表中存储有投保地区及授权机构标识之间的映射关系，一个投保地区可以对应多个授权机构标识，多个投保地区可以对应一个授权机构标识。根据所述映射关系，可以确定意向投保地区对应的多个授权机构标识，从而将目标用户选定的授权机构标识与确定的多个授权机构标识进行匹配。将与目标用户选定的授权机构标识匹配成功的授权机构标识确定为目标数据源。
风控平台向目标数据源发起医疗数据获取请求，以获取目标用户的医疗数据。
上述可选的实施方式中，通过目标用户的核保查询请求确定目标数据源，有助于精准的获取目标用户的医疗数据，从而提高后续基于医疗数据识别目标用户的医疗风险的准确度。
所述获取模块202，用于从所述目标数据源获取所述目标用户的医疗数据。
医疗数据获取请求中可以携带目标用户的标识信息，例如，姓名，身份证号，社保卡号等。
目标数据源响应于风控平台的医疗数据获取请求，根据医疗数据获取请求中的目标用户的标识信息查询目标用户的医疗数据。
医疗数据可以包括，但不限于：既往若干年内的就诊数据、检查/检验数据，用药数据等。
在一个可选的实施方式中，所述获取模块202从所述目标数据源获取所述目标用户的医疗数据包括：
从所述目标数据源获取所述目标用户的初始医疗数据集，所述初始医疗数据集中的每条初始医疗数据包括病人描述信息和医疗描述信息；
对所述初始医疗数据集进行采样，得到与所述初始医疗数据集具有相同数据分布的医疗样本集；
在所述医疗样本集中确定医疗描述值，使得包括所述医疗描述值的初始医疗数据的数量与所述医疗样本集的数量的比值大于第一预设阈值；
在所述医疗样本集中获取与所述医疗描述值对应的病人描述值，使得包括所述病人描述值的初始医疗数据的数量与所述医疗样本集的数量的比值大于第二预设阈值；
在所述初始医疗数据集中查找包括所述医疗描述值但不包括所述病人描述值的初始医疗数据；
将查找到的初始医疗数据作为所述目标用户的医疗数据。
初始医疗数据集为待处理的海量数据集，该初始医疗数据集包括多条初始医疗数据，每条初始医疗数据对应目标用户的一次就诊结算信息。
其中，病人描述信息是指对目标用户自身信息的相关描述，具体可包括目标用户标识、性别和年龄等，其中，目标用户标识可以为目标用户社保帐号、目标用户姓名或身份证号等信息。
其中，医疗描述信息是指对目标用户的就诊以及就诊过程中使用的医疗物品和方法等的相关信息，具体可包括主诊断信息、药品信息、诊疗项目信息和医疗服务设施信息。
确定出的医疗描述值和确定出的病人描述值具有强关联关系，相应的，不满足该强关联关系的初始医疗数据，即为风险医疗数据，因此，在初始医疗数据集中，查找包括医疗描述值但不包括病人描述值的初始医疗数据即为风险医疗数据。
上述实施方式，能够在海量的医疗数据集中识别出高风险的医疗数据，且在识别过程中，针对初始医疗数据集本身先确定强关联的病人描述值和医疗描述值，再利用确定出的强关联关系来判断医疗数据集中的高风险医疗数据，准确性高。
所述匹配模块203，用于根据所述核保查询请求获取所述目标用户的意向保险产品，并匹配与所述意向保险产品的类型对应的初始核保决策树模型。
保险公司终端显示的保险购买页面还可以接收目标用户输入的意向保险产品，意向保险产品是指目标用户预计投保的产品。
意向保险产品的类型可以分为医疗险、防癌险、少儿门诊险、慢病医疗险等。
不同的意向保险产品的类型对应不同的初始核保决策模型。
目标数据源向风控平台返回目标用户的医疗数据之后，风控平台根据目标用户的意向保险产品的类型进行匹配，确定初始核保决策树模型，通过确定的初始核保决策树模型进行规则配置，进而进行医疗风险的识别。
所述配置模块204，用于对所述初始核保决策树模型进行规则配置，得到目标核保决策树模型，所述目标核保决策树模型包括多颗决策树。
风控平台在匹配出初始核保决策树模型之后，显示初始核保决策树模型对应的决策界面。
风控平台上显示初始核保决策树模型对应的决策界面。在该决策界面中根据目标用户的医疗数据进行规则配置，风控平台在根据规则配置进行组合生成目标核保决策树模型。
在一个可选的实施方式中，所述配置模块204对所述初始核保决策树模型进行规则配置，得到目标核保决策树模型包括：
判断是否从所述医疗数据中获取到所述目标用户的就医记录标识；
当从所述医疗数据中获取到所述目标用户的就医记录标识时，计算所述就医记录标识的个数；
根据所述个数配置决策树的数量；
根据所述决策树的数量生成目标核保决策树模型。
当没有从所述医疗数据中获取到所述目标用户的就医记录标识时，表明目标用户没有就诊记录，即目标用户的身体素质较佳，属于低风险用户。
当从所述医疗数据中获取到所述目标用户的就医记录标识时，表明目标用户存在就诊记录，即目标用户的身体素质较差，可能属于中高风险用户。
就医记录标识对应一次就诊过程，不同的纠正过程对应不同的就医记录标识，就医记录标识越多，表明就诊次数越多。
该可选的实施方式，通过根据就医记录标识的个数配置决策树的数量，从而得到目标核保决策树模型，确保目标核保决策树模型中决策树的数量与就诊次数对应，一次就诊过程对应一颗决策树，使用一颗决策树刚好识别一次就诊的医疗风险。
所述识别模块205，用于使用所述目标核保决策树模型基于所述医疗数据进行核保识别，得到所述目标核保决策树模型中每颗决策树的识别结果，并根据多颗所述决策树的识别结果输出核保查询结果。
风控平台将核保查询结果传输给保险公司终端。
在一个可选的实施方式中，所述识别模块205使用所述目标核保决策树模型基于所述医疗数据进行核保识别，得到所述目标核保决策树模型中每颗决策树的识别结果，包括：
获取所述医疗数据中每个所述就医记录标识对应的诊疗数据；
将多个所述诊疗数据输入至所述目标核保决策树模型中进行核保识别；
获取所述目标核保决策树模型中每颗决策树的识别结果。
识别结果为疾病风险等级，风控平台根据疾病风险等级，串行取交集，判断出核保查询结果。
在一个可选的实施方式中，根据多颗所述决策树的识别结果输出核保查询结果之后，所述更新模块206，用于：
获取预定时间段内的增量数据；
根据所述增量数据生成增量决策树；
基于所述增量决策树和所述目标核保决策树模型中的决策树来对所述增量数据进行标签预测，得到标签预测结果；
根据所述标签预测结果确定所述目标核保决策树模型中的决策树和所述增量决策树中的决策树的综合性能；
基于所述综合性能，从所述目标核保决策树模型中的决策树和所述增量决策树中的决策树中选取预定数量的决策树作为更新后的目标核保决策树模型。
增量数据为目标用户之后，预定时间段内新增加的用户的医疗数据。
各个决策树的综合性能至少基于各个决策树的建立时间以及针对所述增量数据的预测准确率来确定。其中，预测准确率为根据标签预测结果与标签真实结果得到的，具体而言，获取标签预测结果中与标签真实结果相同的目标标签预测结果，计算目标标签预测结果的数量与标签真实结果的数量的比值，作为预测准确率。
可以对所述增量数据有放回地抽取多个样本集，并基于所述多个样本集生成多个所述增量决策树。所述增量决策树的数量的范围可以是所述目标核保决策树模型中决策树的数量的10％至30％。
预定数量可以等于所述目标核保决策树模型中决策树的数量。
在一个可选的实施方式中，所述从所述目标核保决策树模型中的决策树和所述增量决策树中的决策树中选取预定数量的决策树包括：
根据所述标签预测的结果来确定所述决策树针对所述增量数据的预测准确率；
将所述决策树的建立时间作为所述综合性能的权重；
根据所述权重对所述增量数据的预测准确率进行排序；
从所述目标核保决策树模型中的决策树和排序后的预测准确率中获取所述预定数量的决策树。
建立时间长的决策树的权重小于建立时间短的决策树的权重。
本发明通过目标用户的核保查询请求确定目标数据源，从而从目标数据源中精准的获取目标用户的医疗数据，精准的获取目标用户的医疗数据有助于提高后续基于医疗数据识别目标用户的医疗风险的准确度，在确定目标用户的意向保险产品后，通过匹配与意向保险产品的类型对应的初始核保决策树模型，从而对初始核保决策树模型进行规则配置，得到目标核保决策树模型，最后使用目标核保决策树模型基于所述医疗数据进行核保识别，并根据所述目标核保决策树模型中的多颗决策树的识别结果输出核保查询结果，提高了风险识别的效率和准确度。
实施例三
本实施例提供一种计算机可读存储介质，该计算机可读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医疗数据风险识别方法实施例中的步骤，例如图1所示的S11-S15：
S11，接收对目标用户的核保查询请求，根据所述核保查询请求确定目标数据源；
S12，从所述目标数据源获取所述目标用户的医疗数据；
S13，根据所述核保查询请求获取所述目标用户的意向保险产品，并匹配与所述意向保险产品的类型对应的初始核保决策树模型；
S14，对所述初始核保决策树模型进行规则配置，得到目标核保决策树模型，所述目标核保决策树模型包括多颗决策树；
S15，使用所述目标核保决策树模型基于所述医疗数据进行核保识别，得到所述目标核保决策树模型中每颗决策树的识别结果，并根据多颗所述决策树的识别结果输出核保查询结果。
或者，该计算机程序被处理器执行时实现上述装置实施例中各模块/单元的功能，例如图2中的模块201-205：
所述接收模块201，用于接收对目标用户的核保查询请求，根据所述核保查询请求确定目标数据源；
所述获取模块202，用于从所述目标数据源获取所述目标用户的医疗数据；
所述匹配模块203，用于根据所述核保查询请求获取所述目标用户的意向保险产品，并匹配与所述意向保险产品的类型对应的初始核保决策树模型；
所述配置模块204，用于对所述初始核保决策树模型进行规则配置，得到目标核保决策树模型，所述目标核保决策树模型包括多颗决策树；
所述识别模块205，用于使用所述目标核保决策树模型基于所述医疗数据进行核保识别，得到所述目标核保决策树模型中每颗决策树的识别结果，并根据多颗所述决策树的识别结果输出核保查询结果。
该计算机程序被处理器执行时实现上述装置实施例中的更新模块206，具体请参见实施例二及其相关描述。
实施例四
参阅图3所示，为本发明实施例三提供的电子设备的结构示意图。在本发明较佳实施例中，所述电子设备3包括存储器31、至少一个处理器32、至少一条通信总线33及收发器34。
本领域技术人员应该了解，图3示出的电子设备的结构并不构成本发明实施例的限定，既可以是总线型结构，也可以是星形结构，所述电子设备3还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。
在一些实施例中，所述电子设备3是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述电子设备3还可包括客户设备，所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、数码相机等。
需要说明的是，所述电子设备3仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。
在一些实施例中，所述存储器31中存储有计算机程序，所述计算机程序被所述至少一个处理器32执行时实现如所述的医疗数据风险识别方法中的全部或者部分步骤。所述存储器31包括只读存储器(Read-Only Memory，ROM)、可编程只读存储器(ProgrammableRead-Only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-OnlyMemory，EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory，OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(Compact Disc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
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。
在一些实施例中，所述至少一个处理器32是所述电子设备3的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备3的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块，以及调用存储在所述存储器31内的数据，以执行电子设备3的各种功能和处理数据。例如，所述至少一个处理器32执行所述存储器中存储的计算机程序时实现本发明实施例中所述的医疗数据风险识别方法的全部或者部分步骤；或者实现医疗数据风险识别装置的全部或者部分功能。所述至少一个处理器32可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。
在一些实施例中，所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。
尽管未示出，所述电子设备3还可以包括给各个部件供电的电源(比如电池)，优选的，电源可以通过电源管理装置与所述至少一个处理器32逻辑相连，从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，电子设备，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或，单数不排除复数。说明书中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种医疗数据风险识别方法，其特征在于，所述方法包括：
接收对目标用户的核保查询请求，根据所述核保查询请求确定目标数据源；
从所述目标数据源获取所述目标用户的医疗数据；
根据所述核保查询请求获取所述目标用户的意向保险产品，并匹配与所述意向保险产品的类型对应的初始核保决策树模型；
对所述初始核保决策树模型进行规则配置，得到目标核保决策树模型，所述目标核保决策树模型包括多颗决策树；
使用所述目标核保决策树模型基于所述医疗数据进行核保识别，得到所述目标核保决策树模型中每颗决策树的识别结果，并根据多颗所述决策树的识别结果输出核保查询结果。
2.如权利要求1所述的医疗数据风险识别方法，其特征在于，所述根据所述核保查询请求确定目标数据源包括：
获取所述核保查询请求中所述目标用户的意向投保地区及授权机构标识；
根据地区机构映射表确定所述意向投保地区对应的多个数据机构标识；
根据所述授权机构标识从所述多个数据机构标识中获取目标数据机构标识；
将所述目标数据机构标识对应的数据机构确定为所述目标数据源。
3.如权利要求1所述的医疗数据风险识别方法，其特征在于，所述从所述目标数据源获取所述目标用户的医疗数据包括：
从所述目标数据源获取所述目标用户的初始医疗数据集，所述初始医疗数据集中的每条初始医疗数据包括病人描述信息和医疗描述信息；
对所述初始医疗数据集进行采样，得到与所述初始医疗数据集具有相同数据分布的医疗样本集；
在所述医疗样本集中确定医疗描述值，使得包括所述医疗描述值的初始医疗数据的数量与所述医疗样本集的数量的比值大于第一预设阈值；
在所述医疗样本集中获取与所述医疗描述值对应的病人描述值，使得包括所述病人描述值的初始医疗数据的数量与所述医疗样本集的数量的比值大于第二预设阈值；
在所述初始医疗数据集中查找包括所述医疗描述值但不包括所述病人描述值的初始医疗数据；
将查找到的初始医疗数据作为所述目标用户的医疗数据。
4.如权利要求1所述的医疗数据风险识别方法，其特征在于，所述对所述初始核保决策树模型进行规则配置，得到目标核保决策树模型包括：
判断是否从所述医疗数据中获取到所述目标用户的就医记录标识；
当从所述医疗数据中获取到所述目标用户的就医记录标识时，计算所述就医记录标识的个数；
根据所述个数配置决策树的数量；
根据所述决策树的数量生成目标核保决策树模型。
5.如权利要求1至4中任意一项所述的医疗数据风险识别方法，其特征在于，所述使用所述目标核保决策树模型基于所述医疗数据进行核保识别，得到所述目标核保决策树模型中每颗决策树的识别结果包括：
获取所述医疗数据中每个所述就医记录标识对应的诊疗数据；
将多个所述诊疗数据输入至所述目标核保决策树模型中进行核保识别；
获取所述目标核保决策树模型中每颗决策树的识别结果。
6.如权利要求5所述的医疗数据风险识别方法，其特征在于，所述根据多颗所述决策树的识别结果输出核保查询结果之后，所述方法还包括：
获取预定时间段内的增量数据；
根据所述增量数据生成增量决策树；
基于所述增量决策树和所述目标核保决策树模型中的决策树来对所述增量数据进行标签预测，得到标签预测结果；
根据所述标签预测结果确定所述目标核保决策树模型中的决策树和所述增量决策树中的决策树的综合性能；
基于所述综合性能，从所述目标核保决策树模型中的决策树和所述增量决策树中的决策树中选取预定数量的决策树作为更新后的目标核保决策树模型。
7.如权利要求6所述的医疗数据风险识别方法，其特征在于，所述从所述目标核保决策树模型中的决策树和所述增量决策树中的决策树中选取预定数量的决策树包括：
根据所述标签预测的结果来确定所述决策树针对所述增量数据的预测准确率；
将所述决策树的建立时间作为所述综合性能的权重；
根据所述权重对所述增量数据的预测准确率进行排序；
从所述目标核保决策树模型中的决策树和排序后的预测准确率中获取所述预定数量的决策树。
8.一种医疗数据风险识别装置，其特征在于，所述装置包括：
接收模块，用于接收对目标用户的核保查询请求，根据所述核保查询请求确定目标数据源；
获取模块，用于从所述目标数据源获取所述目标用户的医疗数据；
匹配模块，用于根据所述核保查询请求获取所述目标用户的意向保险产品，并匹配与所述意向保险产品的类型对应的初始核保决策树模型；
配置模块，用于对所述初始核保决策树模型进行规则配置，得到目标核保决策树模型，所述目标核保决策树模型包括多颗决策树；
识别模块，用于使用所述目标核保决策树模型基于所述医疗数据进行核保识别，得到所述目标核保决策树模型中每颗决策树的识别结果，并根据多颗所述决策树的识别结果输出核保查询结果。
9.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现如权利要求1至7中任意一项所述医疗数据风险识别方法。
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至7中任意一项所述医疗数据风险识别方法。
CN202111529425.8A 2021-12-14 2021-12-14 医疗数据风险识别方法、装置、电子设备及存储介质 Pending CN114240677A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111529425.8A CN114240677A (zh) 2021-12-14 2021-12-14 医疗数据风险识别方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111529425.8A CN114240677A (zh) 2021-12-14 2021-12-14 医疗数据风险识别方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114240677A true CN114240677A (zh) 2022-03-25

Family

ID=80755955

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111529425.8A Pending CN114240677A (zh) 2021-12-14 2021-12-14 医疗数据风险识别方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114240677A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114757792A (zh) * 2022-06-15 2022-07-15 南京云联数科科技有限公司 一种基于多领域数据的医保风控管理方法及设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114757792A (zh) * 2022-06-15 2022-07-15 南京云联数科科技有限公司 一种基于多领域数据的医保风控管理方法及设备

Similar Documents

Publication Publication Date Title
CN112445854B (zh) 多源业务数据实时处理方法、装置、终端及存储介质
CN112562836A (zh) 医生推荐方法、装置、电子设备及存储介质
CN112216361A (zh) 基于人工智能的随访计划单生成方法、装置、终端及介质
WO2021151291A1 (zh) 疾病风险的分析方法、装置、电子设备及计算机存储介质
CN111932562A (zh) 基于ct序列的图像识别方法、装置、电子设备及介质
CN111986794A (zh) 基于人脸识别的防冒挂号方法、装置、计算机设备及介质
CN112614578A (zh) 医生智能推荐方法、装置、电子设备及存储介质
CN111738778B (zh) 用户画像生成方法、装置、计算机设备及存储介质
CN113807553A (zh) 预约服务的数量分析方法、装置、设备及存储介质
CN114612194A (zh) 产品推荐方法、装置、电子设备及存储介质
CN112102011A (zh) 基于人工智能的用户等级预测方法、装置、终端及介质
CN114220541A (zh) 疾病预测方法、装置、电子设备及存储介质
CN114240677A (zh) 医疗数据风险识别方法、装置、电子设备及存储介质
CN111651452A (zh) 数据存储方法、装置、计算机设备及存储介质
CN112818028A (zh) 数据指标筛选方法、装置、计算机设备及存储介质
CN112258197A (zh) 基于人工智能的账户管理方法、装置、终端及存储介质
CN113657546B (zh) 信息分类方法、装置、电子设备及可读存储介质
CN113780457B (zh) 中医资源消耗的异常检测方法、装置、设备及介质
CN114372892A (zh) 支付数据监控方法、装置、设备及介质
CN114331661A (zh) 数据核验方法、装置、电子设备及存储介质
CN113191146B (zh) 诉求数据的分配方法、装置、计算机设备和存储介质
CN112258027B (zh) Kpi优化方法、装置、设备及介质
CN114840660A (zh) 业务推荐模型训练方法、装置、设备及存储介质
CN112365051A (zh) 代理人留存预测方法、装置、计算机设备及存储介质
CN113010425B (zh) 系统质量监测方法、装置、计算机设备及存储介质

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: 20220520

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