CN114757792A

CN114757792A - 一种基于多领域数据的医保风控管理方法及设备

Info

Publication number: CN114757792A
Application number: CN202210670163.5A
Authority: CN
Inventors: 周昊; 梁传坤; 倪述荣; 郭爱群
Original assignee: Shanghai Juyin Information Technology Co ltd; Nanjing Yunlian Digital Technology Co ltd
Current assignee: Shanghai Juyin Information Technology Co ltd; Nanjing Yunlian Digital Technology Co ltd
Priority date: 2022-06-15
Filing date: 2022-06-15
Publication date: 2022-07-15
Anticipated expiration: 2042-06-15
Also published as: CN114757792B

Abstract

本申请的目的是提供一种基于多领域数据的医保风控管理方法及设备，通过构建用户的医保数据模型，医保数据模型用于指示用户的临床病症特征与用户的基础身体特征、日常购药特征及日常饮食特征中的一种或多种之间的逻辑关系；获取用户当前次使用医保的消费数据；将消费数据输入至用户的医保数据模型，以判断消费数据是否异常；若是，则将用户添加至异常医保用户表，并将消费数据记录至异常消费记录表，利用多领域采集的用户数据，构建得到用户专属的医保数据模型，提高医保数据模型使用准确率，再根据用户的医保数据模型，对当前次使用医保的消费数据进行实时分析和判断，对用户异常消费数据进行记录，形成医保的全方位保护层。

Description

一种基于多领域数据的医保风控管理方法及设备

技术领域

本申请涉及计算机技术领域，尤其涉及一种基于多领域数据的医保风控管理方法及设备。

背景技术

随着医保体系的逐渐完善和覆盖范围的逐渐扩大，医保的知晓率和参与率直线上升，同时，医保与互联网技术的结合，使得医保使用更加方便快捷，更好的服务于人们的生活，成为当代人看病买药的第一保障。

为了防止医保使用过程中出现滥用、错用等现象，在现有技术的医保体系中，通过收集用户大数据的方式进行医保的保护。但是，大部分医保维护体系中都仅仅采集用户关于医保消费数据、临床数据等较为单一、简单的数据源，这使得用户的造假成本降低，以及违规刷医保的成本降低，从而提高了用户造假和违规的概率，并且无法避免用户医保卡被盗刷的问题；同时，医保维护体系中基于复杂神经网络算法进行用户模型的构建，使得得到的用户模型复杂，且可解释性较低，无法精准维护医保体系。

发明内容

在申请的一个目的是提供一种基于多领域数据的医保风控管理方法及设备，解决了现有医保模型数据来源单一且模型复杂、可解释性低的问题，实现从多领域采集用户数据构建医保数据模型，提高医保异常消费的识别率和准确率，从而降低医保基金的损失。

根据本申请的一个方面，提供了一种基于多领域数据的医保风控管理方法，其中，所述方法包括：

构建用户的医保数据模型，所述医保数据模型用于指示所述用户的临床病症特征与所述用户的基础身体特征、日常购药特征及日常饮食特征中的一种或多种之间的逻辑关系；

获取所述用户当前次使用医保的消费数据；

将所述消费数据输入至所述用户的医保数据模型，以判断所述消费数据是否异常；

若是，则将所述用户添加至异常医保用户表，并将所述消费数据记录至异常消费记录表。

进一步地，上述方法中，所述构建用户的医保数据模型，所述医保数据模型用于指示所述用户的临床病症特征与所述用户的基础身体特征、日常购药特征及日常饮食特征中的一种或多种之间的逻辑关系，包括：

获取所述用户穿戴各穿戴设备时采集的基础身体特征数据、所述用户就诊的各医疗机构对应的平台采集的临床医疗数据、所述用户采购药品的各药店对应的平台采集的购药数据及所述用户餐饮消费的各互联网平台采集的餐饮消费数据；

分别对所述基础身体特征数据、所述临床医疗数据、所述购药数据及所述餐饮消费数据进行清洗转化，得到所述用户的基础身体特征、临床病症特征、日常购药特征及日常饮食特征；

基于所述用户的基础身体特征、临床病症特征、日常购药特征及日常饮食特征，构建所述用户的医保数据模型，所述医保数据模型用于指示所述用户的临床病症特征与所述用户的基础身体特征、日常购药特征及日常饮食特征中的一种或多种之间的逻辑关系。

进一步地，上述方法中，所述获取所述用户穿戴各穿戴设备时采集的基础身体特征数据、所述用户就诊的各医疗机构对应的平台采集的临床医疗数据、所述用户采购药品的各药店对应的平台采集的购药数据及所述用户餐饮消费的各互联网平台采集的餐饮消费数据，包括:

主动从所述用户穿戴的各穿戴设备中调用或被动从所述用户穿戴的各穿戴设备接收所述用户的基础身体特征数据；

主动从所述用户就诊的各医疗机构对应的平台调用或被动从所述用户就诊的各医疗机构对应的平台接收所述用户的临床医疗数据；

主动从所述用户采购药品的各药店对应的平台调用或被动从所述用户采购药品的各药店对应的平台接收所述用户的购药数据；

主动从所述用户餐饮消费的各互联网平台调用或被动从所述用户餐饮消费的各互联网平台接收所述用户的餐饮消费数据。

进一步地，上述方法中，所述分别对所述基础身体特征数据、所述临床医疗数据、所述购药数据及所述餐饮消费数据进行清洗转化，得到所述用户的基础身体特征、临床病症特征、日常购药特征及日常饮食特征，包括：

分别对所述基础身体特征数据、所述临床医疗数据、所述购药数据及所述餐饮消费数据进行剔除异常数据的清洗后，分别进行数据归一化转化，得到所述用户的基础身体特征、临床病症特征、日常购药特征及日常饮食特征。

进一步地，上述方法中，所述一种基于多领域数据的医保风控管理方法还包括：

分别与所述穿戴设备、所述医疗机构对应的平台、所述药店对应的平台及所述互联网平台建立网络连接。

若否，则基于所述消费数据对所述用于的当前次使用医保进行支付。

根据本申请的另一方面，还提供了一种非易失性存储介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行时，使所述处理器实现如上述一种基于多领域数据的医保风控管理方法。

根据本申请的另一方面，还提供了一种基于多领域数据的医保风控管理设备，其中，该设备包括：

一个或多个处理器；

计算机可读介质，用于存储一个或多个计算机可读指令，

当所述一个或多个计算机可读指令被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述一种基于多领域数据的医保风控管理方法。

与现有技术相比，本申请通过构建用户的医保数据模型，所述医保数据模型用于指示所述用户的临床病症特征与所述用户的基础身体特征、日常购药特征及日常饮食特征中的一种或多种之间的逻辑关系；获取所述用户当前次使用医保的消费数据；将所述消费数据输入至所述用户的医保数据模型，以判断所述消费数据是否异常；若是，则将所述用户添加至异常医保用户表，并将所述消费数据记录至异常消费记录表，利用多领域采集的用户数据，构建得到用户专属的医保数据模型，实现用户多领域、个性化医保数据模型的构建，从而提高医保数据模型使用准确率，再根据用户的医保数据模型，对当前次使用医保的消费数据进行实时分析和判断，从而对用户异常消费数据进行记录，形成用户医保的全方位保护层，有效避免造假、违规和盗刷等现象的发生，为用户医保和医保基金带来保障。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1示出根据本申请一个方面的一种基于多领域数据的医保风控管理方法的流程示意图；

图2示出根据本申请一个方面的一种基于多领域数据的医保风控管理方法在实际应用场景中构建用户的医保数据模型的流程示意图；

图3示出根据本申请一个方面的一种基于多领域数据的医保风控管理方法在实际应用场景中的流程示意图。

附图中相同或相似的附图标记代表相同或相似的部件。

具体实施方式

下面结合附图对本申请作进一步详细描述。

在本申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (RAM) 和/或非易失性内存等形式，如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。

如图1所示，本申请的一个方面提出了一种基于多领域数据的医保风控管理方法的流程示意图，其中，所述方法包括步骤S11、步骤S12、步骤S13及步骤S14，具体包括如下步骤：

步骤S11，构建用户的医保数据模型，所述医保数据模型用于指示所述用户的临床病症特征与所述用户的基础身体特征、日常购药特征及日常饮食特征中的一种或多种之间的逻辑关系，实现了对与医保可能相关联的多领域数据的特征之间的逻辑关系的确定。

在此，所述医保数据模型可以指示用户的临床病症特征与用户的基础身体特征之间的逻辑关系的数据模型，也可以指示用户的临床病症特征与用户的基础身体特征及日常购药特征之间的逻辑关系的数据模型，还可以指示用户的临床病症特征与用户的基础身体特征、日常购药特征及日常饮食特征之间的逻辑关系的数据模型，具体的医保数据模型根据用户在实际应用场景中得到的数据特征情况而定，实现了多领域用户数据特征的汇总分析，数据来源广泛，从而得到用户专属的多领域医保数据模型，使得用户的医保数据模型更精准体现用户特征，为后续判断用户使用医保是否异常提供稳定的模型基础。

步骤S12，获取所述用户当前次使用医保的消费数据；在此，用户当前次使用医保的消费数据包括但不限于使用医保信息、使用医保地点及使用医保购买药品等。在本申请一优选实施例中，优选所述消费数据包括使用医保信息，使用医保地点及使用医保购买药品。

并且，在实际应用场景中用户可以利用医保账号、医保卡、绑定医保的移动终端扫码等方式实现医保的使用，达到实时跟踪获取用户医保的使用信息，从而获取用户每一次使用医保记录，避免出现消费信息遗漏带来的异常问题，并且将消费数据不再局限于购买药品，还包括使用医保信息和使用医保地点等，不但使得用户使用医保的消费数据更加清晰完善，而且可以根据使用医保地点分析判断是否存在医保盗刷现象。

步骤S13，将所述消费数据输入至所述用户的医保数据模型，以判断所述消费数据是否异常。

需要说明的是，所述消费数据的异常指用户当前次消费数据信息与用户的医保数据模型中各个数据特征存在差异，而引起的消费数据异常，比如，在用户医保数据模型中关于用户临床病症特征是高血压，但在用户当前次的消费数据中使用医保购买药品为激素类药品，此时，用户当前次消费数据与该用户对应的医保数据模型存在较大差异，从而即可判断出消费数据是否异常，利用用户专属医保数据模型对消费数据进行筛查，实现精准判断消费数据状态，从而有效遏制医保造假、违规等现象的发生。

步骤S14，若是，则将所述用户添加至异常医保用户表，并将所述消费数据记录至异常消费记录表。

通过上述步骤S11至步骤S14，实现多领域汇总用户数据特征之间的逻辑关系，从而构建得到用户个性化医保数据模型，使得医保数据模型更加精准体现用户特征；实时获取用户每次当前消费数据，并将当前消费数据输入至医保数据模型，对用户当前次消费进行异常判断，有效精确判断用户实时消费数据是否存在异常，从而避免医保出现造假、违规等恶习现象。

本申请一优选实施例中，首先，构建用户1的医保数据模型，其中，用户1的医保数据模型优选指示用户1的临床病症特征与用户1的基础身体特征、日常购药特征及日常饮食特征之间的逻辑关系的数据模型；然后，获取用户1当前次使用医保的消费数据1，其中，消费数据中包含使用医保信息1，使用医保地点1及使用医保购买药品1；将消费数据1输入至用户1的医保数据模型，判断用户1的消费数据1是否存在异常，若是，即存在异常，将用户1添加至异常医保用户表，并将消费数据1记录至异常消费记录表，完成用户1的医保风控管理。

接着本申请上述实施例，其中，所述步骤S11构建用户的医保数据模型，所述医保数据模型用于指示所述用户的临床病症特征与所述用户的基础身体特征、日常购药特征及日常饮食特征中的一种或多种之间的逻辑关系，具体包括，

在此，所述穿戴设备包括但不限于各种类型的智能手表、智能手环、智能脖套、智能背带及智能脚环等任何在穿戴的同时，对用户的身体进行健康相关的数据采集的设备，其中，用户在穿戴各穿戴设备时采集的基础身体特征数据包括但不限于身高、体重、心率、每日步数、运动消耗能量值及活动轨迹等；用户在就诊的各医疗机构对应的平台采集的临床医疗数据包括但不限于就诊科室、就诊病症、所用药物及接受治疗等；用户在采购药品的各药店对应的平台采集的购药数据包括但不限于所购药品信息、购药时间、购药剂量及药店信息等；用户在餐饮消费的各互联网平台采集的餐饮消费数据包括但不限于餐饮喜好等，并且在实际应用场景中，可以根据用户的餐饮消费数据和临床医疗数据有较大冲突，则可视为医保刷卡有较大异常可能性，实现多领域、多方面用户数据的采集和汇总，为构建数据模型提供全方位数据来源，是数据模型构建精准的基础。

分别对所述基础身体特征数据、所述临床医疗数据、所述购药数据及所述餐饮消费数据进行清洗转化，得到所述用户的基础身体特征、临床病症特征、日常购药特征及日常饮食特征，通过对多组数据处理筛选，得到每组数据对应的数据特征，为构建数据模型提供有效、精准的数据特征，使得医保数据模型更加符合用户特点，实现个性化构建医保数据模型。

基于所述用户的基础身体特征、临床病症特征、日常购药特征及日常饮食特征，构建所述用户的医保数据模型，所述医保数据模型用于指示所述用户的临床病症特征与所述用户的基础身体特征、日常购药特征及日常饮食特征中的一种或多种之间的逻辑关系，将各个数据特征之间的逻辑关系具体化，实现抽象数据特征的直观体现，形成多领域数据逻辑关系构成医保数据模型，使得医保数据模型简单，可解释性高。

如图2，为本申请一个方面的一种基于多领域数据的医保风控管理方法在实际应用场景中构建用户的医保数据模型的流程示意图，在数据采集模块：用于采集用户的多领域数据，其中包括：与各可穿戴设备对接采集的用户基础身体特征数据，比如：身高、体重、心率、每日步数、运动消耗能量值、活动轨迹等；与各医疗机构对应的平台对接采集的用户临床医疗数据，比如：就诊科室、就诊病症、所用药物、接受治疗等对应的后台所采集的用户临床相关的医疗数据；与各连锁药店对应的平台对接采集的购药数据，比如：所购药品信息、购药时间、购药剂量、药店信息等；与各大电商的互联网平台对接采集的用户餐饮消费数据，比如：餐饮喜好等，完成用户各个数据的采集。

在数据清洗模块：用于将数据采集模块得到的多领域数据进行清洗转化，比如，将得到的基础身体特征数据中的身高、体重为负数的数据进行删除，最后经过转化输出各个多领域数据对应的特征数据，比如，将基础身体特征数据、所述临床医疗数据、所述购药数据及所述餐饮消费数据清洗转化后得到的四类特征数据分别为：基础身体特征、临床病症特征、日常购药特征及日常饮食特征，其中，基础身体特征包括：最高心率、最低心率、平均心率、每日最大步数、每日最低步数、每日平均步数、每日最大消耗热量、每日最低消耗热量、每日平均消耗热量；临床病症特征包括：疾病分类、就诊科室、常去就诊医院；日常购药特征包括：常购药品信息、常购药店信息；日常饮食特征包括：饮食偏好，常去消费的活动范围等。

在实际应用场景中，日常饮食特征类数据还可以分析得到用户的饮食习惯，如偏辣、偏甜、喜好海鲜、酒类等，以及用户的消费活动区域。

在模型构建模块：由数据清洗模块得到的各个数据特征，由专家进行人工标注最终得到针对用户的医保数据模型，该医保数据模型用于指示用户临床疾病特征与基础身体特征、日常购药特征及日常饮食特征之间的逻辑关系，完成用户医保数据模型的构建。

并且，在实际应用场景中，专家进行人工标注时，根据自身的专业知识及经验进行各个数据特征的标注，基于数据清洗模块输出的数据，标注的方法包括但不限于标注用户临床疾病特征与用户基础身体特征关系是否正常、标注用户临床疾病特征与日常饮食特征、日常购药特征关系是否正常以及用户的活动区域可以通过用户的日常去购药药店、就医医院地理位置计算获得，其中，用户的活动区域可以标识出用户的活动范围，如出现医保刷卡计算的医院或药店离用户活动区域较远，则可能存在用户医保卡被盗刷的风险。

接着本申请上述实施例，其中，所述步骤S11中获取所述用户穿戴各穿戴设备时采集的基础身体特征数据、所述用户就诊的各医疗机构对应的平台采集的临床医疗数据、所述用户采购药品的各药店对应的平台采集的购药数据及所述用户餐饮消费的各互联网平台采集的餐饮消费数据，具体包括:

主动动从所述用户采购药品的各药店对应的平台调用或被动从所述用户采购药品的各药店对应的平台接收所述用户的购药数据；

在此，主动从各个穿戴设备或平台中进行数据调用时，可以向各个穿戴设备或平台发送获取数据请求，当各个穿戴设备或平台接收到获取数据请求后，返回数据信息，实现数据的主动调用；各个穿戴设备或平台也可以主动将数据信息进行实时上传，实现被动数据信息的接收，灵活的获取数据，促使数据来源不受限制，从而更方便的得到各个数据信息。

例如，向用户穿戴的各穿戴设备以及餐饮消费的各互联网平台发送获取数据请求，各穿戴设备以及各互联网平台接收到获取数据请求后，返回基础身体特征数据和餐饮消费数据，实现主动进行基础身体特征数据和餐饮消费数据的调用；用户就诊的各医疗机构对应的平台和用户采购药品的各药店对应的平台主动将临床医疗数据和购药数据进行实时上传，实现被动数据信息的接收。

接着本申请上述实施例，其中，所述步骤S11中分别对所述基础身体特征数据、所述临床医疗数据、所述购药数据及所述餐饮消费数据进行清洗转化，得到所述用户的基础身体特征、临床病症特征、日常购药特征及日常饮食特征，具体包括：

需要说明的是，所述剔除异常数据包括但不限于剔除不完整的，不正确或者冗余的数据等；所述进行数据归一化转化是指将数据进行标准格式的统一转化，提高待转化数据的有效性，方便构建模型时特征数据的分析处理，从而提高数据模型构建的精准度。

在本申请一优选实施例中，通过用户1的穿戴设备获取得到用户1两组基础身体特征数据，其中，优选基础身体数据包括身高、体重、心率、每日步数；用户1的第一组基础身体特征数据为：175厘米、66千克、88次/分、8000步，用户1的第二组基础身体特征数据为：17厘米、6千克、88次/分、8000步；对用户1的两组基础身体特征数据进行清洗，即，异常数据的剔除，得到用户1的第一组基础身体特征数据为：175厘米、66千克、88次/分、8000步，用户1的第二组基础身体特征数据为： 80次/分、8000步；再对经过清洗后的数据进行归一化转换，得到用户1的基础身体特征为身高175厘米，体重66千克，心率80-88次/分，每日步数8000步，完成用户1基础身体特征数据的清洗和转化。

接着本申请上述实施例，本申请一个方面提供的一种基于多领域数据的医保风控管理方法还包括：

分别与所述穿戴设备、所述医疗机构对应的平台、所述药店对应的平台及所述互联网平台建立网络连接，实现与穿戴设备、所述医疗机构对应的平台、所述药店对应的平台及所述互联网平台之间的数据交互，为多领域数据来源提供保障，是实现各个数据来源的主动调用和被动接收的基础。

例如，在获取用户1多领域数据之前，首先与用户1的穿戴设备、医疗机构对应的平台、药店对应的平台及互联网平台建立网络连接，从而从用户1穿戴各穿戴设备采集到基础身体特征数据、从用户1就诊的各医疗机构对应的平台采集到临床医疗数据、从用户1采购药品的各药店对应的平台采集到购药数据，以及从用户1餐饮消费的各互联网平台采集的餐饮消费数据。

如图3，为根据本申请一个方面的一种基于多领域数据的医保风控管理方法在实际应用场景中的流程示意图，首先，采集用户基础身体特征数据、临床医疗数据、购药数据及餐饮消费数据得到用户临床病症特征与用户的基础身体特征、日常购药特征及日常饮食特征之间的逻辑关系，建立用户的医保数据模型；其次，当用于进行刷卡结算时，可实时获取该用户的刷卡数据，即，获取用户当前次使用医保的消费数据，其中，消费数据包括刷卡地点、就医科室等，将当前次使用医保的消费数据输入至用户的医保数据模型判断消费数据是否异常，即，判断用户当前次刷卡地点是否为用户活动区域、就医科室是否与基础身体特征数据相符等；最后，当消费数据异常时，将所述用户添加至异常医保用户表，并将所述消费数据记录至异常消费记录表。

一个或多个处理器；

计算机可读介质，用于存储一个或多个计算机可读指令，

在此，所述一种基于多领域数据的医保风控管理设备中的各实施例的详细内容，具体可参见上述一种基于多领域数据的医保风控管理方法的实施例的对应部分，在此，不再赘述。

综上所述，本申请通过构建用户的医保数据模型，所述医保数据模型用于指示所述用户的临床病症特征与所述用户的基础身体特征、日常购药特征及日常饮食特征中的一种或多种之间的逻辑关系；获取所述用户当前次使用医保的消费数据；将所述消费数据输入至所述用户的医保数据模型，以判断所述消费数据是否异常；若是，则将所述用户添加至异常医保用户表，并将所述消费数据记录至异常消费记录表，利用多领域采集的用户数据，构建得到用户专属的医保数据模型，实现用户多领域、个性化医保数据模型的构建，从而提高医保数据模型使用准确率，再根据用户的医保数据模型，对当前次使用医保的消费数据进行实时分析和判断，从而对用户异常消费数据进行记录，形成用户医保的全方位保护层，有效避免造假、违规和盗刷等现象的发生，为用户医保和医保基金带来保障。

需要注意的是，本申请可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路（ASIC）、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本申请的软件程序（包括相关的数据结构）可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本申请的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。

另外，本申请的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本申请的方法和/或技术方案。而调用本申请的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本申请的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本申请的多个实施例的方法和/或技术方案。

对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请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申请。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，本申请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申请内。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步骤，单数不排除复数。装置权利要求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。

Claims

1.一种基于多领域数据的医保风控管理方法，其中，所述方法包括：

获取所述用户当前次使用医保的消费数据；

2.根据权利要求1所述的方法，其中，所述构建用户的医保数据模型，所述医保数据模型用于指示所述用户的临床病症特征与所述用户的基础身体特征、日常购药特征及日常饮食特征中的一种或多种之间的逻辑关系，包括，

3.根据权利要求2所述的方法，其中，所述获取所述用户穿戴各穿戴设备时采集的基础身体特征数据、所述用户就诊的各医疗机构对应的平台采集的临床医疗数据、所述用户采购药品的各药店对应的平台采集的购药数据及所述用户餐饮消费的各互联网平台采集的餐饮消费数据，包括:

4.根据权利要求2所述的方法，其中，所述分别对所述基础身体特征数据、所述临床医疗数据、所述购药数据及所述餐饮消费数据进行清洗转化，得到所述用户的基础身体特征、临床病症特征、日常购药特征及日常饮食特征，包括：

5.根据权利要求2至4中任一项所述的方法，其中，所述方法还包括：

6.根据权利要求1至4中任一项所述的方法，其中，所述方法还包括：

7.一种非易失性存储介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行时，使所述处理器实现如权利要求1至6中任一项所述的方法。

8.一种基于多领域数据的医保风控管理设备，其中，该设备包括：

一个或多个处理器；

计算机可读介质，用于存储一个或多个计算机可读指令，

当所述一个或多个计算机可读指令被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至6中任一项所述的方法。