CN114693188A - 一种药品零售行业风险监管方法、系统和设备 - Google Patents

一种药品零售行业风险监管方法、系统和设备 Download PDF

Info

Publication number
CN114693188A
CN114693188A CN202210604662.4A CN202210604662A CN114693188A CN 114693188 A CN114693188 A CN 114693188A CN 202210604662 A CN202210604662 A CN 202210604662A CN 114693188 A CN114693188 A CN 114693188A
Authority
CN
China
Prior art keywords
risk
data
pharmacy
factors
calculating
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
CN202210604662.4A
Other languages
English (en)
Inventor
罗安
周聪俊
史鹏翔
许春霞
徐�明
何进
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.)
Sichuan Junyi Fudun Technology Co ltd
Original Assignee
Sichuan Junyi Fudun Technology 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 Sichuan Junyi Fudun Technology Co ltd filed Critical Sichuan Junyi Fudun Technology Co ltd
Priority to CN202210604662.4A priority Critical patent/CN114693188A/zh
Publication of CN114693188A publication Critical patent/CN114693188A/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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • 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
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Educational Administration (AREA)
  • Medical Informatics (AREA)
  • Medicinal Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Development Economics (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Toxicology (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Epidemiology (AREA)

Abstract

本发明公开了一种药品零售行业风险监管方法、系统和设备，方法包括：采集零售药店的多种业务行为数据，并将数据预处理后分类存储在各数据库中；利用风险控制模型计算每种业务行为数据的风险因素值、风险优先级以及风险权重；根据所述风险因素值、所述风险优先级以及所述风险权重计算药店的销售风险值，并根据计算结果判断是否对药店进行风险预警。本发明通过直观量化药店的销售风险，使得药店的销售风险能够被及时发现，避免造成重大医疗事故。对于药店而言，能够有利于药店的长久可持续发展；对于消费用户而言，可以提高购买药品的信赖度，从而提高购买体验；对于监管部门而言，能够最大化节约人力和物力成本，提高监管效率。

Description

一种药品零售行业风险监管方法、系统和设备
技术领域
本发明属于药品风险监管技术领域，具体涉及一种药品零售行业风险监管方法、系统和设备。
背景技术
药品安全是关乎社会民生的重要事项，对药品销售的监管不到位可能致使重大药品安全事故发生。例如，如果有用户购买含麻药品超量，则将该用品用于制毒等非法行为的风险就很高。然而，由于现有的药品零售企业的进销存系统和仓库管理系统没有统一的国家标准，系统之间信息孤岛现象严重，导致监管部门不能实时监管企业的经营数据，目前的监管手段主要还是依靠工作人员到店检查经营漏洞、登记违规项以及人工记录检查结果，但这种工作方式主要依赖于工作人员的人为经验，检查结果存在一定的主观性，且即使耗费了大量的人力和物力资源，也无法及时发现药店存在的风险事件。
针对上述药品零售行业风险监管方法存在的缺陷，亟需提出一种智能化的药品零售风险的监管方法和系统，以便及时发现和整改隐患，加强药店的安全管理能力，避免重大医疗事故发生。
发明内容
本发明的目的是提供一种药品零售行业风险监管方法、系统和设备，用于解决现有技术中存在的至少一个技术问题。
为了实现上述目的，本发明采用以下技术方案：
第一方面，本发明提供一种药品零售行业风险监管方法，包括：
采集零售药店的多种业务行为数据，并将数据预处理后分类存储在各数据库中；
利用风险控制模型计算每种业务行为数据的风险因素值、风险优先级以及风险权重；
根据所述风险因素值、所述风险优先级以及所述风险权重计算药店的销售风险值，并根据计算结果判断是否对药店进行风险预警；
其中，利用风险控制模型计算每种业务行为数据的风险权重，包括：
根据风险优先级的排序，计算每种业务行为数据的风险因素的价值位置
Figure 767181DEST_PATH_IMAGE001
，其中，排序在第
Figure 209532DEST_PATH_IMAGE002
位的风险因素的价值位置
Figure 410706DEST_PATH_IMAGE001
为
Figure 807184DEST_PATH_IMAGE003
，
Figure 384796DEST_PATH_IMAGE004
表示风险因素数量；
根据价值位置
Figure 430723DEST_PATH_IMAGE001
，计算风险因素对应的风险权重
Figure 599536DEST_PATH_IMAGE005
，其中，
Figure 952151DEST_PATH_IMAGE006
。
在一种可能的设计中，所述业务行为数据至少包括药店进销存系统数据、执业药师考勤数据、电子处方数据、含麻药品销售登记数据、用户投诉数据和/或在售的近效期药品数据。
在一种可能的设计中，将数据预处理后分类存储在各数据库中，包括：
对业务行为数据中的残缺数据和/或错误数据进行数据清洗，并将清洗后的数据分类存储在对应的数据库中。
在一种可能的设计中，利用风险控制模型计算每种业务行为数据的风险因素值，包括：
将各种业务行为数据的风险因素的初始值设置为m，分别检测每一业务行为数据是否满足预设标准，若否，则将对应的风险因素值减一，直至当前种类的业务行为数据检测完毕，记录当前的风险因素值
Figure 67875DEST_PATH_IMAGE007
。
在一种可能的设计中，利用风险控制模型计算每种业务行为数据的风险优先级，包括：
计算每种业务行为数据的风险因素的后验概率，将任意两种风险因素的后验概率进行两两比对，并将其中后验概率较大的风险因素进行一次标记；
在将所有风险因素比对完成后，统计每一风险因素的标记次数，并将所有风险因素按照标记次数从大到小进行排序，并根据排序先后依次确定每一风险因素的风险优先级。
在一种可能的设计中，计算每种业务行为数据的风险因素的后验概率，包括：
统计历史风险监管数据中被认定为高风险药店
Figure 642075DEST_PATH_IMAGE008
的数量，并统计各风险因素
Figure 168741DEST_PATH_IMAGE009
在高风险药店
Figure 789078DEST_PATH_IMAGE010
中的出现次数，其中，
Figure 990383DEST_PATH_IMAGE011
，
根据高风险药店
Figure 12566DEST_PATH_IMAGE008
的数量和风险因素
Figure 978641DEST_PATH_IMAGE012
在高风险药店
Figure 555116DEST_PATH_IMAGE008
中的出现次数，计算风险因素相对于高风险药店
Figure 684746DEST_PATH_IMAGE008
的后验概率
Figure 843326DEST_PATH_IMAGE013
，计算公式如下：
Figure 462526DEST_PATH_IMAGE014
；
其中，
Figure 198401DEST_PATH_IMAGE015
表示历史风险监管数据高风险药店
Figure 505623DEST_PATH_IMAGE008
中各风险因素
Figure 643344DEST_PATH_IMAGE009
的概率，
Figure 230183DEST_PATH_IMAGE016
表示历史风险监管数据高风险药店
Figure 453354DEST_PATH_IMAGE010
中各风险因素
Figure 3415DEST_PATH_IMAGE017
的出现次数，
Figure 120275DEST_PATH_IMAGE018
表示历史风险监管数据高风险药店
Figure 753382DEST_PATH_IMAGE010
的数量。
在一种可能的设计中，将任意两种风险因素的后验概率进行两两比对，并将其中后验概率较大的风险因素进行一次标记，包括：
将
Figure 106259DEST_PATH_IMAGE019
个风险因素按照
Figure 443700DEST_PATH_IMAGE020
行和
Figure 634641DEST_PATH_IMAGE021
列的对偶三角形进行排列组合，其中，第
Figure 969807DEST_PATH_IMAGE022
行风险因素包括
Figure 72630DEST_PATH_IMAGE023
对因素组合；
分别将每行风险因素中的其中一对因素的后验概率进行比较，并将后验概率较大的风险因素进行一次画圈标记。
在一种可能的设计中，根据所述风险因素值、所述风险优先级以及所述风险权重计算药店的销售风险值，并根据计算结果判断是否对药店进行风险预警，包括：
根据所述风险因素值
Figure 479341DEST_PATH_IMAGE024
、所述风险优先级以及所述风险权重
Figure 446160DEST_PATH_IMAGE025
，计算药店的销售风险值
Figure 765277DEST_PATH_IMAGE026
，计算公式如下：
Figure 309391DEST_PATH_IMAGE027
；
其中，
Figure 926317DEST_PATH_IMAGE028
和
Figure 124473DEST_PATH_IMAGE029
分别表示第一风险阈值和第二风险阈值，且
Figure 863759DEST_PATH_IMAGE030
，若
Figure 36115DEST_PATH_IMAGE031
，则判定药店的销售行为存在低风险，若
Figure 269781DEST_PATH_IMAGE032
，则判定药店的销售行为存在中风险，若
Figure 335826DEST_PATH_IMAGE033
，则判定药店的销售行为存在高风险。
第二方面，本发明提供一种应用如第一方面任意一种可能的设计中所述方法的系统，包括至少部署在药店终端的数据采集单元、至少部署在监管部门终端的风险预警单元以及部署在服务器端的数据存储单元和风险控制单元；所述数据采集单元与所述数据存储单元通信连接，所述数据存储单元与所述风险控制单元通信连接，所述风险控制单元与所述风险预警单元通信连接。
第三方面，本发明提供一种计算机设备，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如第一方面任意一种可能的设计中所述的药品零售行业风险监管方法。
第四方面，本发明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指令，当所述指令在计算机上运行时，执行如第一方面任意一种可能的设计中所述的药品零售行业风险监管方法。
第五方面，本发明提供一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面任意一种可能的设计中所述的药品零售行业风险监管方法。
有益效果：
本发明通过采集零售药店的多种业务行为数据，并将数据预处理后分类存储在各数据库中；然后利用风险控制模型计算每种业务行为数据的风险因素值、风险优先级以及风险权重；最后根据所述风险因素值、所述风险优先级以及所述风险权重计算药店的销售风险值，并根据计算结果判断是否对药店进行风险预警。即本发明通过直观量化药店的销售风险，使得药店的销售风险能够被及时发现，避免造成重大医疗事故。对于药店而言，能够有利于药店的长久可持续发展；对于消费用户而言，可以提高购买药品的信赖度，从而提高购买体验；对于监管部门而言，能够最大化节约人力和物力成本，使得监管工作更加系统化和标准化，提高监管效率。
附图说明
图1为本实施例中的药品零售行业风险监管方法的流程示意图。
具体实施方式
为使本说明书实施例的目的、技术方案和优点更加清楚，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做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。
实施例
为了解决现有的药店零售行为监管系统之间信息孤岛现象严重，导致监管部门不能实时监管企业的经营数据，依靠人工监管，人工成本较高且效率较低的技术问题。本实施例提出了一种药品零售行业风险监管方法，该方法通过直观量化药店的销售风险，使得药店的销售风险能够被及时发现，避免造成重大医疗事故。对于药店而言，能够有利于药店的长久可持续发展；对于消费用户而言，可以提高购买药品的信赖度，从而提高购买体验；对于监管部门而言，能够最大化节约人力和物力成本，使得监管工作更加系统化和标准化，提高监管效率。以下通过具体实施例对该方法进行详细说明。
如图1所示，第一方面，本实施例提供一种药品零售行业风险监管方法，包括但不限于由步骤S101~S103实现：
步骤S101.采集零售药店的多种业务行为数据，并将数据预处理后分类存储在各数据库中；
在步骤S101中，所述业务行为数据至少包括药店进销存系统数据、执业药师考勤数据、电子处方数据、含麻药品销售登记数据、用户投诉数据和/或在售的近效期药品数据；当然，可以理解的是，为了使得后续的分析结果更加全面和准确，本实施例中还可以采集监管部门的执法得分数据和用户的行政投诉数据等，用于后续的计算分析，以提高结果的准确度，此处不做限定。
在步骤S101中，将数据预处理后分类存储在各数据库中，包括：
对业务行为数据中的残缺数据和/或错误数据进行数据清洗，并将清洗后的数据分类存储在对应的数据库中。
其中，需要说明的是，所述残缺数据主要是指存在信息缺失的数据，例如供应商的名称、分公司的名称、客户的区域信息、业务系统中主表与明细表不能匹配等信息缺失。对于此类数据通过数据清洗可以将其进行过滤，然后按照缺失的数据项进行内容补全，例如按照数据获取的源头，向数据源头请求补全数据等。
其中，需要说明的是，所述错误数据主要是指一些日期格式不正确或者日期越界的数据，这一类数据将导致ETL（Extract-Transform-Load，数据仓库）运行失败，因此需要到业务系统数据库中通过SQL方式将其挑选出来，并发送至对应部门进行限期修正，并提取修正之后的数据。
其中，需要说明的是，本实施例为不同种类的业务行为数据创建有对应的数据库，在将数据进行清洗后，可将业务行为数据按照分类存储在对应的数据库中，以供后续数据分析时调用。
步骤S102，利用风险控制模型计算每种业务行为数据的风险因素值、风险优先级以及风险权重；
在步骤S102中，利用风险控制模型计算每种业务行为数据的风险因素值，包括：
将各种业务行为数据的风险因素的初始值设置为m，分别检测每一业务行为数据是否满足预设标准，若否，则将对应的风险因素值减一，直至当前种类的业务行为数据检测完毕，记录当前的风险因素值
Figure 760860DEST_PATH_IMAGE007
。
其中，需要说明的是，优选的，将各种业务行为数据的风险因素的初始值均设置为100，然后调用每种业务行为数据对应的数据库，对数据库中的数据进行分析检测，当某业务行为数据不符合该种业务行为的预设标准时，则将其风险因素值减一，表示扣除1分。
例如，当第一种业务行为数据是药店进销存系统数据时，若检测到药店进销存系统数据在N天内未进行更新，则表明该业务行为数据不满足预设标准，将其风险因素值
Figure 154932DEST_PATH_IMAGE034
减1，以此类推，直至药店进销存系统数据检测完毕，记录当前的风险因素值
Figure 175978DEST_PATH_IMAGE034
，其中，N表示最大允许多久不更新进销存数据，优选的，N=7。
例如，当第二种业务行为数据是执业药师考勤数据时，若执业药师考勤数据与该药店的执业药师在岗人数不符时，则表明该业务行为数据不满足预设标准，将其风险因素值
Figure 847262DEST_PATH_IMAGE035
减1，依次类推，直至执业药师考勤数据检测完毕，记录当前的风险因素值
Figure 600454DEST_PATH_IMAGE035
。
基于上述公开的内容，能够检测得到所有风险因素的值
Figure 606456DEST_PATH_IMAGE007
，用于后续的销售风险分析和计算。
在步骤S102中，利用风险控制模型计算每种业务行为数据的风险优先级，包括：
（1）计算每种业务行为数据的风险因素的后验概率，将任意两种风险因素的后验概率进行两两比对，并将其中后验概率较大的风险因素进行一次标记；
其中，优选的，计算每种业务行为数据的风险因素的后验概率，包括：
统计历史风险监管数据中被认定为高风险药店
Figure 103297DEST_PATH_IMAGE008
的数量，并统计各风险因素
Figure 322095DEST_PATH_IMAGE009
在高风险药店
Figure 636402DEST_PATH_IMAGE010
中的出现次数，其中，
Figure 818116DEST_PATH_IMAGE011
，
根据高风险药店
Figure 446543DEST_PATH_IMAGE008
的数量和风险因素
Figure 482632DEST_PATH_IMAGE012
在高风险药店
Figure 420370DEST_PATH_IMAGE008
中的出现次数，计算风险因素相对于高风险药店
Figure 338648DEST_PATH_IMAGE008
的后验概率
Figure 318236DEST_PATH_IMAGE036
，计算公式如下：
Figure 271149DEST_PATH_IMAGE014
；
其中，
Figure 382717DEST_PATH_IMAGE015
表示历史风险监管数据高风险药店
Figure 725974DEST_PATH_IMAGE008
中各风险因素
Figure 696204DEST_PATH_IMAGE009
的概率，
Figure 51093DEST_PATH_IMAGE016
表示历史风险监管数据高风险药店
Figure 815787DEST_PATH_IMAGE037
中各风险因素
Figure 380760DEST_PATH_IMAGE017
的出现次数，
Figure 935107DEST_PATH_IMAGE038
表示历史风险监管数据高风险药店
Figure 65875DEST_PATH_IMAGE037
的数量。
其中，优选的，将任意两种风险因素的后验概率进行两两比对，并将其中后验概率较大的风险因素进行一次标记，包括：
将
Figure 673573DEST_PATH_IMAGE039
个风险因素按照
Figure 850477DEST_PATH_IMAGE040
行和
Figure 913242DEST_PATH_IMAGE041
列的对偶三角形进行排列组合，其中，第
Figure 367357DEST_PATH_IMAGE042
行风险因素包括
Figure 270591DEST_PATH_IMAGE043
对因素组合；
例如，在将第一行风险因素进行比对时，具体的比对过程包括：将
Figure 810157DEST_PATH_IMAGE044
分别依次与
Figure 709236DEST_PATH_IMAGE045
的后验概率进行比对；同理，在将第二行风险因素进行比对时，具体的比对过程包括：将
Figure 17857DEST_PATH_IMAGE046
分别依次与
Figure 295255DEST_PATH_IMAGE047
的后验概率进行比对，以此类推，直至将所有风险因素进行两两比对完毕。
分别将每行风险因素中的其中一对因素的后验概率进行比较，并将后验概率较大的风险因素进行一次画圈标记。
例如，如果判断得到
Figure 197483DEST_PATH_IMAGE044
优于
Figure 257843DEST_PATH_IMAGE048
，则在
Figure 545605DEST_PATH_IMAGE044
上加一个圈，反之，则在
Figure 197166DEST_PATH_IMAGE046
上加一个圈，同理，将
Figure 22909DEST_PATH_IMAGE049
与
Figure 11593DEST_PATH_IMAGE050
比较，依次类推，一直到第一行都比较完；依次方式在每一行都作比较，一直进行到第
Figure 560386DEST_PATH_IMAGE051
行，总的比较次数为累积组合次数，即
Figure 727056DEST_PATH_IMAGE052
次。则当所有
Figure 790827DEST_PATH_IMAGE053
项组合中的两因素都比较完后，根据加圈次数的多少，可以判断每一个因素的优先次序，加圈最多的是最优的，一直类推到最次的，如果有两个或更多因素具有相同圈数，则它们的优选率是相等的。
（2）在将所有风险因素比对完成后，统计每一风险因素的标记次数，并将所有风险因素按照标记次数从大到小进行排序，并根据排序先后依次确定每一风险因素的风险优先级。
在步骤S102中，在排出优先次序后，还需要获取每一优先级的风险因素对应的权重系数，即将序数问题基数化，则利用风险控制模型计算每种业务行为数据的风险权重，包括：
根据风险优先级的排序，计算每种业务行为数据的风险因素的价值位置
Figure 724148DEST_PATH_IMAGE001
，其中，排序在第
Figure 238700DEST_PATH_IMAGE002
位的风险因素的价值位置
Figure 700905DEST_PATH_IMAGE001
为
Figure 48710DEST_PATH_IMAGE054
，
Figure 254563DEST_PATH_IMAGE004
表示风险因素数量；
根据价值位置
Figure 122156DEST_PATH_IMAGE001
，计算风险因素对应的风险权重
Figure 348738DEST_PATH_IMAGE005
，其中，
Figure 324784DEST_PATH_IMAGE055
。
具体的，例如共有n个风险因素，将各种因素按其优先次序排位，最优的也即优选率第1的其价值位置为
Figure 645913DEST_PATH_IMAGE056
级，优选率第2的其价值位置为
Figure 148439DEST_PATH_IMAGE057
级，依次类推，优选率最后的其价值位置为1级。这样每个因素的价值就能简略地排列成n个标度。其中，价值位置是指各因素的价值排序，排位第
Figure 31075DEST_PATH_IMAGE058
位的风险因素，其价值位置是
Figure 494417DEST_PATH_IMAGE059
。
那么，当两个风险因素具有相同的优选率时，例如，如果第2个和第3个优选率相同，则它们的价值位置为[(n-1)+(n-2)]/2。对于其它排列位置的相同优先率者可采用同样方式确定价值位置，则权重便可以通过各因素的价值位置数除以[n(n+1)]/2来取代。因此在没有任何相同优选率情况时，最优权重为2n/[n(n+1)]，次优为2(n-1)/[n(n+1)]，……，优选率最低的因素即权重为2/[n(n+1)]。位置数相同的因素权重相同，计算方法同样是以位置数除以[n(n + 1)]/2。
基于上述，即可确定各风险因素的权重
Figure 369970DEST_PATH_IMAGE005
。
作为本实施例的一个实际应用，以风险因素为6个进行具体说明，用
Figure 990918DEST_PATH_IMAGE060
表示进销存系统的数据、
Figure 231406DEST_PATH_IMAGE061
表示执业药师考勤数据、
Figure 978782DEST_PATH_IMAGE062
表示电子处方数据、
Figure 471075DEST_PATH_IMAGE063
表示含麻药品销售登记数据、
Figure 620296DEST_PATH_IMAGE064
表示用户投诉数据以及
Figure 297265DEST_PATH_IMAGE065
表示在售的近效期药品数据，将上述六个风险因素按照成对偶三角形进行排列，如下：
Figure 577943DEST_PATH_IMAGE066
；
分别对每一行的每一列两个因素进行对比，基于上述公开的内容计算得到哪一个因素的后验概率更大，则对其加圈。最后根据累计加圈次数确定各风险因素的排列次序，进而确定各风险因素的优先级，进而确定权重如下表：
Figure 467401DEST_PATH_IMAGE067
步骤S103，根据所述风险因素值、所述风险优先级以及所述风险权重计算药店的销售风险值，并根据计算结果判断是否对药店进行风险预警；
在步骤S103中，根据所述风险因素值、所述风险优先级以及所述风险权重计算药店的销售风险值，并根据计算结果判断是否对药店进行风险预警，包括：
根据所述风险因素值
Figure 100158DEST_PATH_IMAGE007
、所述风险优先级以及所述风险权重
Figure 10345DEST_PATH_IMAGE005
，计算药店的销售风险值
Figure 669996DEST_PATH_IMAGE068
，计算公式如下：
Figure 205889DEST_PATH_IMAGE069
；
其中，
Figure 329703DEST_PATH_IMAGE028
和
Figure 427103DEST_PATH_IMAGE029
分别表示第一风险阈值和第二风险阈值，且
Figure 901946DEST_PATH_IMAGE030
，若
Figure 244459DEST_PATH_IMAGE031
，则判定药店的销售行为存在低风险，若
Figure 832567DEST_PATH_IMAGE032
，则判定药店的销售行为存在中风险，若
Figure 818977DEST_PATH_IMAGE033
，则判定药店的销售行为存在高风险，其中，优选的，所述
Figure 30385DEST_PATH_IMAGE070
和
Figure 658812DEST_PATH_IMAGE071
为50-100之间的整数，更优选的，
Figure 694901DEST_PATH_IMAGE072
，
Figure 602945DEST_PATH_IMAGE073
。
那么，当判定药店的销售行为存在低风险时，则需要对风险的药店重点监控和检查，当发现风险事件时，及时预警，从而构建一套全方位的药品零售行业的智能风险控制体系。
基于上述公开的内容，本实施例通过采集零售药店的多种业务行为数据，并将数据预处理后分类存储在各数据库中；然后利用风险控制模型计算每种业务行为数据的风险因素值、风险优先级以及风险权重；最后根据所述风险因素值、所述风险优先级以及所述风险权重计算药店的销售风险值，并根据计算结果判断是否对药店进行风险预警。即本发明通过直观量化药店的销售风险，使得药店的销售风险能够被及时发现，避免造成重大医疗事故。对于药店而言，能够有利于药店的长久可持续发展；对于消费用户而言，可以提高购买药品的信赖度，从而提高购买体验；对于监管部门而言，能够最大化节约人力和物力成本，不用再频繁登门检查，不再依赖纸质检查单和手工统计表格，远程就可以查看到药店的经营数据和风险事件，责令药店及时作出整改，大大提高了工作效率，节省了劳动力成本；此外，本实施例能够很大程度上避免套购含麻药品、违规购买四类药品、销售过期药品等等风险事件，助力监管部门的药品监管的同时，有助于药品零售行业的良性健康发展。
第二方面，本发明提供一种应用如第一方面任意一种可能的设计中所述方法的系统，包括至少部署在药店终端的数据采集单元、至少部署在监管部门终端的风险预警单元以及部署在服务器端的数据存储单元和风险控制单元；所述数据采集单元与所述数据存储单元通信连接，所述数据存储单元与所述风险控制单元通信连接，所述风险控制单元与所述风险预警单元通信连接。
具体的，所述数据采集单元用于负责对药店的业务行为数据进行采集，所述数据存储单元用于对所述数据采集单元采集的数据进行清洗、分类和存储，所述风险控制单元用于对数据存储单元的数据通过实时计算评估药店的日常经营风险系数，所述风险预警单元用于将风险控制单元分析得到的风险评分较高时，发出风险预警，提醒各部门注意。
在本实施例中，优选的，所述系统在每天凌晨定时启动风险处理程序，根据既定风险因素的检定规则，拉取上一天源业务数据库对数据进行分析提取，然后将提取出的风险数据汇总并送入风险控制模型进行分析，得到分析结果，然后，将风险数据以及风险分析结果存入并更新风险数据库，优选的，风险分析仅评估当前数据，风险评估结果按年度归档。
本实施例第二方面提供的前述系统的工作过程、工作细节和技术效果，可以参见如上第一方面或第一方面中任意一种可能设计所述的方法，于此不再赘述。
第三方面，本发明提供一种计算机设备，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如第一方面任意一种可能的设计中所述的药品零售行业风险监管方法。
具体举例的，所述存储器可以但不限于包括随机存取存储器（Random-AccessMemory，RAM）、只读存储器（Read-Only Memory，ROM）、闪存（Flash Memory）、先进先出存储器（First Input First Output，FIFO）和/或先进后出存储器（First Input Last Output，FILO）等等；所述处理器可以不限于采用型号为STM32F105系列的微处理器；所述收发器可以但不限于为WiFi（无线保真）无线收发器、蓝牙无线收发器、GPRS（General Packet RadioService，通用分组无线服务技术）无线收发器和/或ZigBee（紫蜂协议，基于IEEE802 .15.4标准的低功耗局域网协议）无线收发器等。此外，所述计算机设备还可以但不限于包括有电源模块、显示屏和其它必要的部件。
本实施例第三方面提供的前述计算机设备的工作过程、工作细节和技术效果，可以参见如上第一方面或第一方面中任意一种可能设计所述的方法，于此不再赘述。
第四方面，本发明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指令，当所述指令在计算机上运行时，执行如第一方面任意一种可能的设计中所述的药品零售行业风险监管方法。
其中，所述计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
本实施例第四方面提供的前述计算机设备的工作过程、工作细节和技术效果，可以参见如上第一方面或第一方面中任意一种可能设计所述的方法，于此不再赘述。
第五方面，本发明提供一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面任意一种可能的设计中所述的药品零售行业风险监管方法。
本实施例第五方面提供的前述计算机可读存储介质的工作过程、工作细节和技术效果，可以参见如上第一方面或第一方面中任意一种可能设计所述的方法，于此不再赘述。
最后应说明的是：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的保护范围。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保护范围之内。

Claims (10)

1.一种药品零售行业风险监管方法，其特征在于，包括：
采集零售药店的多种业务行为数据，并将数据预处理后分类存储在各数据库中；
利用风险控制模型计算每种业务行为数据的风险因素值、风险优先级以及风险权重；
根据所述风险因素值、所述风险优先级以及所述风险权重计算药店的销售风险值，并根据计算结果判断是否对药店进行风险预警；
其中，利用风险控制模型计算每种业务行为数据的风险权重，包括：
根据风险优先级的排序，计算每种业务行为数据的风险因素的价值位置
Figure 54443DEST_PATH_IMAGE001
，其中，排序在第
Figure 402248DEST_PATH_IMAGE002
位的风险因素的价值位置
Figure 873681DEST_PATH_IMAGE001
为
Figure 741274DEST_PATH_IMAGE003
，
Figure 702277DEST_PATH_IMAGE004
表示风险因素数量；
根据价值位置
Figure 678323DEST_PATH_IMAGE001
，计算风险因素对应的风险权重
Figure 61769DEST_PATH_IMAGE005
，其中，
Figure 236398DEST_PATH_IMAGE006
。
2.根据权利要求1所述的药品零售行业风险监管方法，其特征在于，所述业务行为数据至少包括药店进销存系统数据、执业药师考勤数据、电子处方数据、含麻药品销售登记数据、用户投诉数据和/或在售的近效期药品数据。
3.根据权利要求1所述的药品零售行业风险监管方法，其特征在于，将数据预处理后分类存储在各数据库中，包括：
对业务行为数据中的残缺数据和/或错误数据进行数据清洗，并将清洗后的数据分类存储在对应的数据库中。
4.根据权利要求1所述的药品零售行业风险监管方法，其特征在于，利用风险控制模型计算每种业务行为数据的风险因素值，包括：
将各种业务行为数据的风险因素的初始值设置为m，分别检测每一业务行为数据是否满足预设标准，若否，则将对应的风险因素值减一，直至当前种类的业务行为数据检测完毕，记录当前的风险因素值
Figure 305985DEST_PATH_IMAGE007
。
5.根据权利要求4所述的药品零售行业风险监管方法，其特征在于，利用风险控制模型计算每种业务行为数据的风险优先级，包括：
计算每种业务行为数据的风险因素的后验概率，将任意两种风险因素的后验概率进行两两比对，并将其中后验概率较大的风险因素进行一次标记；
在将所有风险因素比对完成后，统计每一风险因素的标记次数，并将所有风险因素按照标记次数从大到小进行排序，并根据排序先后依次确定每一风险因素的风险优先级。
6.根据权利要求5所述的药品零售行业风险监管方法，其特征在于，计算每种业务行为数据的风险因素的后验概率，包括：
统计历史风险监管数据中被认定为高风险药店
Figure 379114DEST_PATH_IMAGE008
的数量，并统计各风险因素
Figure 192350DEST_PATH_IMAGE009
在高风险药店
Figure 752644DEST_PATH_IMAGE008
中的出现次数，其中，
Figure 295928DEST_PATH_IMAGE010
，
根据高风险药店
Figure 371200DEST_PATH_IMAGE008
的数量和风险因素
Figure 801176DEST_PATH_IMAGE011
在高风险药店
Figure 888080DEST_PATH_IMAGE008
中的出现次数，计算风险因素相对于高风险药店
Figure 361787DEST_PATH_IMAGE008
的后验概率
Figure 111306DEST_PATH_IMAGE012
，计算公式如下：
Figure 390978DEST_PATH_IMAGE013
；
其中，
Figure 332389DEST_PATH_IMAGE014
表示历史风险监管数据高风险药店
Figure 790046DEST_PATH_IMAGE015
中各风险因素
Figure 512014DEST_PATH_IMAGE016
的概率，
Figure 470743DEST_PATH_IMAGE017
表示历史风险监管数据高风险药店
Figure 643492DEST_PATH_IMAGE008
中各风险因素
Figure 724580DEST_PATH_IMAGE009
的出现次数，
Figure 340370DEST_PATH_IMAGE018
表示历史风险监管数据高风险药店
Figure 978155DEST_PATH_IMAGE008
的数量。
7.根据权利要求5所述的药品零售行业风险监管方法，其特征在于，将任意两种风险因素的后验概率进行两两比对，并将其中后验概率较大的风险因素进行一次标记，包括：
将
Figure 628580DEST_PATH_IMAGE019
个风险因素按照
Figure 880569DEST_PATH_IMAGE020
行和
Figure 888714DEST_PATH_IMAGE021
列的对偶三角形进行排列组合，其中，第
Figure 517142DEST_PATH_IMAGE022
行风险因素包括
Figure 100701DEST_PATH_IMAGE023
对因素组合；
分别将每行风险因素中的其中一对因素的后验概率进行比较，并将后验概率较大的风险因素进行一次画圈标记。
8.根据权利要求7所述的药品零售行业风险监管方法，其特征在于，根据所述风险因素值、所述风险优先级以及所述风险权重计算药店的销售风险值，并根据计算结果判断是否对药店进行风险预警，包括：
根据所述风险因素值
Figure 789171DEST_PATH_IMAGE024
、所述风险优先级以及所述风险权重
Figure 645132DEST_PATH_IMAGE025
，计算药店的销售风险值
Figure 63868DEST_PATH_IMAGE026
，计算公式如下：
Figure 813518DEST_PATH_IMAGE027
；
其中，
Figure 344994DEST_PATH_IMAGE028
和
Figure 501300DEST_PATH_IMAGE029
分别表示第一风险阈值和第二风险阈值，且
Figure 471530DEST_PATH_IMAGE030
，若
Figure 590533DEST_PATH_IMAGE031
，则判定药店的销售行为存在低风险，若
Figure 620806DEST_PATH_IMAGE032
，则判定药店的销售行为存在中风险，若
Figure 529988DEST_PATH_IMAGE033
，则判定药店的销售行为存在高风险。
9.一种应用如权利要求1-8任意一项所述的药品零售行业风险监管方法的系统，其特征在于，包括至少部署在药店终端的数据采集单元、至少部署在监管部门终端的风险预警单元以及部署在服务器端的数据存储单元和风险控制单元；所述数据采集单元与所述数据存储单元通信连接，所述数据存储单元与所述风险控制单元通信连接，所述风险控制单元与所述风险预警单元通信连接。
10.一种计算机设备，其特征在于，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如权利要求1-8任意一项所述的药品零售行业风险监管方法。
CN202210604662.4A 2022-05-31 2022-05-31 一种药品零售行业风险监管方法、系统和设备 Pending CN114693188A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210604662.4A CN114693188A (zh) 2022-05-31 2022-05-31 一种药品零售行业风险监管方法、系统和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210604662.4A CN114693188A (zh) 2022-05-31 2022-05-31 一种药品零售行业风险监管方法、系统和设备

Publications (1)

Publication Number Publication Date
CN114693188A true CN114693188A (zh) 2022-07-01

Family

ID=82131051

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210604662.4A Pending CN114693188A (zh) 2022-05-31 2022-05-31 一种药品零售行业风险监管方法、系统和设备

Country Status (1)

Country Link
CN (1) CN114693188A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115544902A (zh) * 2022-11-29 2022-12-30 四川骏逸富顿科技有限公司 药店风险等级识别模型生成方法及药店风险等级识别方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102339415A (zh) * 2010-07-22 2012-02-01 北京市药品监督管理局药品认证管理中心 药品生产经营企业风险评估系统
CN107093101A (zh) * 2017-03-29 2017-08-25 广州汇融易互联网金融信息服务有限公司 基于pos流水数据的潜在贷款用户挖掘与风险评分方法
CN107609807A (zh) * 2017-11-08 2018-01-19 厦门美亚商鼎信息科技有限公司 一种网络餐饮风险识别方法及系统
CN108229826A (zh) * 2018-01-04 2018-06-29 中国计量大学 一种基于改进贝叶斯算法的网购风险等级评估方法
CN109345272A (zh) * 2018-11-28 2019-02-15 中国计量大学 一种基于改进马尔科夫链的店铺信用风险预测方法
CN109816272A (zh) * 2019-02-25 2019-05-28 北京工商大学 受限信息条件下科技型上市企业财务风险预警方法
CN110400080A (zh) * 2019-07-26 2019-11-01 浙江大搜车软件技术有限公司 考核数据监控方法、装置、计算机设备和存储介质
CN111445264A (zh) * 2020-02-17 2020-07-24 江苏荣泽信息科技股份有限公司 一种基于区块链的食品供应链溯源系统及实现方法
CN111612606A (zh) * 2020-04-11 2020-09-01 交通银行股份有限公司上海市分行 一种商户欺诈风险监控系统及数据挖掘方法
CN111768833A (zh) * 2020-09-01 2020-10-13 四川骏逸富顿科技有限公司 一种处方风险检测方法及其风险检测系统
CN114240226A (zh) * 2021-12-23 2022-03-25 中国安全生产科学研究院 一种安全风险指数评价系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102339415A (zh) * 2010-07-22 2012-02-01 北京市药品监督管理局药品认证管理中心 药品生产经营企业风险评估系统
CN107093101A (zh) * 2017-03-29 2017-08-25 广州汇融易互联网金融信息服务有限公司 基于pos流水数据的潜在贷款用户挖掘与风险评分方法
CN107609807A (zh) * 2017-11-08 2018-01-19 厦门美亚商鼎信息科技有限公司 一种网络餐饮风险识别方法及系统
CN108229826A (zh) * 2018-01-04 2018-06-29 中国计量大学 一种基于改进贝叶斯算法的网购风险等级评估方法
CN109345272A (zh) * 2018-11-28 2019-02-15 中国计量大学 一种基于改进马尔科夫链的店铺信用风险预测方法
CN109816272A (zh) * 2019-02-25 2019-05-28 北京工商大学 受限信息条件下科技型上市企业财务风险预警方法
CN110400080A (zh) * 2019-07-26 2019-11-01 浙江大搜车软件技术有限公司 考核数据监控方法、装置、计算机设备和存储介质
CN111445264A (zh) * 2020-02-17 2020-07-24 江苏荣泽信息科技股份有限公司 一种基于区块链的食品供应链溯源系统及实现方法
CN111612606A (zh) * 2020-04-11 2020-09-01 交通银行股份有限公司上海市分行 一种商户欺诈风险监控系统及数据挖掘方法
CN111768833A (zh) * 2020-09-01 2020-10-13 四川骏逸富顿科技有限公司 一种处方风险检测方法及其风险检测系统
CN114240226A (zh) * 2021-12-23 2022-03-25 中国安全生产科学研究院 一种安全风险指数评价系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
李春好 等: "含有定性因素的相对效率分析改进模型及应用", 《吉林工业大学学报(工学版)》 *
李绍山: "《语言研究中的统计学》", 28 February 2001, 西安交通大学出版社 *
杨睿娟: "《普通高等教育"十三五"经济与管理类专业核心教材 人力资源开发与管理》", 30 September 2019, 西安交通大学出版社 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115544902A (zh) * 2022-11-29 2022-12-30 四川骏逸富顿科技有限公司 药店风险等级识别模型生成方法及药店风险等级识别方法

Similar Documents

Publication Publication Date Title
WO2021052031A1 (zh) 基于统计四分位距的商品库存风险预警方法、系统及计算机可读存储介质
US8078488B2 (en) System and method for determining trailing data adjustment factors
CN110363453B (zh) 配送信息可视化方法和装置
CN104970976A (zh) 一种具有自动补药功能的智能药盒系统及使用方法
CN111599453B (zh) 智能药房数据处理方法、装置、计算机设备及存储介质
CN107784510A (zh) 基于门店零售终端的销售业绩统计分析系统及方法
US20220188280A1 (en) Machine learning based process and quality monitoring system
CA2667627A1 (en) A system and method for detecting anomalies in market data
CN112256949A (zh) 一种中药饮片全流程追溯系统
CN114693188A (zh) 一种药品零售行业风险监管方法、系统和设备
CN113342939B (zh) 数据质量监控方法、装置及相关设备
CN102663065A (zh) 一种广告位异常数据识别和筛选方法
CN111192668A (zh) 一种药品审计方法
CN116957475B (zh) 基于云计算的口腔诊所库房管理方法、系统及装置
CN113919865A (zh) 一种网络零售额统计方法
CN116957471A (zh) 一种智能零售服务方法、系统、电子设备及存储介质
JP2022118011A (ja) 飼料管理装置、飼料管理方法及びプログラム
CN110727505B (zh) 一种可热加载的分布式任务调度与服务监控系统
CN107194190A (zh) 医药费用数据库中识别服务对象对费用影响的方法及装置
CN113869706A (zh) 基于mes的生产绩效指标核算方法、系统及终端
CN109976967B (zh) 一种基于智能调度的缴费复机监测预警方法和系统
CN112487049A (zh) 一种药品智能化跟踪监控系统
CN110738570A (zh) 基于多通道异质数据的信息型操纵自动识别方法
JP2002183305A (ja) 医薬品の在庫管理方法
CN111145882B (zh) 一种基于多维连续钻取的医用耗材动态监管方法及系统

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