CN116228440A - 一种医保智能管理方法、系统、装置和介质 - Google Patents
一种医保智能管理方法、系统、装置和介质 Download PDFInfo
- Publication number
- CN116228440A CN116228440A CN202310148752.1A CN202310148752A CN116228440A CN 116228440 A CN116228440 A CN 116228440A CN 202310148752 A CN202310148752 A CN 202310148752A CN 116228440 A CN116228440 A CN 116228440A
- Authority
- CN
- China
- Prior art keywords
- patient
- medical insurance
- solution
- item
- information
- 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.)
- Granted
Links
- 238000007726 management method Methods 0.000 title claims abstract description 36
- 239000003814 drug Substances 0.000 claims abstract description 148
- 229940079593 drug Drugs 0.000 claims abstract description 145
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 description 42
- 239000013598 vector Substances 0.000 description 26
- 238000012545 processing Methods 0.000 description 22
- 230000008569 process Effects 0.000 description 15
- 230000006870 function Effects 0.000 description 11
- 238000003745 diagnosis Methods 0.000 description 10
- 238000012986 modification Methods 0.000 description 10
- 230000004048 modification Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 230000036541 health Effects 0.000 description 6
- 238000002372 labelling Methods 0.000 description 6
- 238000003556 assay Methods 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 230000006872 improvement Effects 0.000 description 3
- 206010057190 Respiratory tract infections Diseases 0.000 description 2
- 206010046306 Upper respiratory tract infection Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000011976 chest X-ray Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000009533 lab test Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 201000006219 Herpangina Diseases 0.000 description 1
- 206010047473 Viral pharyngitis Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 201000009240 nasopharyngitis Diseases 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
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
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本说明书实施例提供一种医保智能管理方法、系统、装置和介质,该方法包括:获取患者的就诊医院信息和参保信息;基于就诊医院信息和参保信息,确定患者的医保问题;基于医保问题,向患者推送至少一个解答项,其中,至少一个解答项至少包括医保问题和医保问题对应的医保政策;基于至少一个解答项,确定患者的至少一个已阅解答项,并向医生推荐患者的用药方案。该医保智能管理系统包括获取模块、确定模块、推送模块和推荐模块。该方法可以通过医保智能管理装置实现。该方法还可以通过计算机可读存储介质存储的计算机指令被读取后运行。
Description
技术领域
本说明书涉及医疗信息化技术领域,特别涉及一种医保智能管理方法、系统、装置和介质。
背景技术
患者在就医时常常需要了解一些有关医保的问题,目前患者对医保政策的了解一般通过健康医疗平台等进行浏览或查询,但由于信息量大、医保政策的展示方式有限等,患者常常需要花大量时间才能了解到需要的信息,且不同的患者根据自身情况对药品的选择可能有所不同,可能无法使医生得知患者对药品的需求。因此,如何方便患者了解相关的医保政策,以及协助医生推荐合理的用药,是急需解决的问题。
针对方便患者了解相关的医保政策的问题,CN113886538B提出一种医保报销信息查询方法、装置、电子设备和存储介质,该申请重点针对的是医保报销信息,该信息较为片面化,且存在严重的数据杂糅以及重点无法突出的问题。该申请虽然实现了医保报销信息的规整化,使得用户无需自行整理计算,即可了解报销信息,但是由于医保报销信息查询与方便患者了解相关的医保政策存在明显差异,患者仍然需要花大量时间才能了解到需要的信息,且不同的患者根据自身情况对药品的选择可能有所不同,可能无法使医生得知患者对药品的需求,依然需要针对不同患者的需求推送不同的医保政策和协助医生推荐合理的用药。
因此,希望提供一种医保智能管理方法、系统、装置和介质,可以方便患者了解相关的医保政策,协助医生推荐合理的用药、更好地满足患者和/或医生的需求,提高患者和/或医生的使用体验。
发明内容
本说明书一个或多个实施例提供一种医保智能管理方法。所述方法包括:获取患者的就诊医院信息和参保信息;基于所述就诊医院信息和所述参保信息,确定所述患者的医保问题;基于所述医保问题,向所述患者推送至少一个解答项,其中,所述至少一个解答项至少包括所述医保问题和所述医保问题对应的医保政策;基于所述至少一个解答项,确定所述患者的至少一个已阅解答项,并向医生推荐所述患者的用药方案。
本说明书一个或多个实施例提供一种医保智能管理系统,所述系统包括:获取模块、确定模块、推送模块和推荐模块;所述获取模块用于获取患者的就诊医院信息和参保信息;所述确定模块用于基于所述就诊医院信息和所述参保信息,确定所述患者的医保问题;所述推送模块用于基于所述医保问题,向所述患者推送至少一个解答项,其中,所述至少一个解答项至少包括所述医保问题和所述医保问题对应的医保政策;所述推荐模块用于基于所述至少一个解答项,确定所述患者的至少一个已阅解答项,并向医生推荐所述患者的用药方案。
本说明书一个或多个实施例提供一种医保智能管理装置,所述装置包括至少一个处理器以及至少一个存储器;所述至少一个存储器用于存储计算机指令;所述至少一个处理器用于执行所述计算机指令中的至少部分指令,以实现医保智能管理方法。
本说明书一个或多个实施例提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令,计算机执行医保智能管理方法。
有益效果:基于患者的就诊医院信息和参保信息,向患者推送解答项;并基于患者已阅解答项,向医生推荐用药方案。通过这种推送解答项的方式,能够满足患者查询各种相关的医保政策的需求,满足患者的需求,提高患者的使用体验。通过向医生推荐用药方案的方式,可以让医生的诊疗更加符合患者的实际需求,满足医生的需求,提高医生的使用体验。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的医保智能管理系统的应用场景示意图;
图2是根据本说明书一些实施例所示的医保智能管理系统的示例性模块图;
图3是根据本说明书一些实施例所示的医保智能管理方法的示例性流程图;
图4是根据本说明书一些实施例所示的基于医保问题向患者推送解答项的示例性流程图;
图5是根据本说明书一些实施例所示的解答项推荐模型的示例性示意图;
图6是根据本说明书一些实施例所示的用药推荐模型的示例性示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
患者在就医时常常需要了解一些有关医保的问题,目前患者对医保政策的了解一般通过健康医疗平台等进行浏览或查询,但由于信息量大、医保政策的展示方式有限等,患者常常需要花大量时间才能了解到需要的信息;且不同的患者根据自身情况对药品的选择可能有所不同,且医生也不能快速准确得知患者对药品的选择需求,进而做出更满足患者选择需求的用药方案。
鉴于此,本说明书一些实施例中,期望提供一种医保智能管理方法、系统、装置和介质,通过基于患者的就诊医院信息和参保信息,确定患者的医保问题,基于医保问题,向患者推送医保问题和医保问题对应的医保政策,确定患者的已阅的医保问题和医保问题对应的医保政策,进而确定患者的选择需求,并结合确定的信息向医生推荐患者的用药方案,可以方便患者了解相关的医保政策,协助医生推荐合理的用药、更好地满足患者和/或医生的需求,提高患者和/或医生的使用体验。
图1是根据本说明书一些实施例所示的医保智能管理系统的应用场景示意图。
如图1所示,在医保智能管理系统的应用场景100中可以包括处理设备110、用户终端120、网络130和存储设备140。
在一些实施例中,医保智能管理系统的应用场景100可以通过实施本说明书中披露的方法和/或过程来获取针对患者查询需求的医保问题的解答项以及针对医生查询需求的推荐的用药方案。
处理设备110可以处理从其他设备或系统组成部分中获得的数据和/或信息。处理设备可以基于这些数据、信息和/或处理结果执行程序指令,以执行一个或多个本说明书中描述的功能。例如,处理设备110可以根据患者参保信息构建患者画像。又例如,处理设备110可以根据患者已阅解答项,预测患者的报销偏好等。在一些实施例中,处理设备110可以包含一个或多个子处理设备(例如,单核处理设备或多核多芯处理设备)。仅作为示例,处理设备110可以包括中央处理器(CPU)、专用集成电路(ASIC)等或以上任意组合。
用户终端120可以指用户所使用的一个或多个终端设备或软件。用户可以指与医保智能管理系统相关的任意人等。例如,用户150可以包括患者150-1、医生150-2、医院的管理人员等。患者150-1可以是就诊患者。就诊患者可以是老人、青年、小孩等各类人群。在一些实施例中,就诊患者可以发出查询需求。例如,就诊患者可以查询医保报销类型问题、医保报销比例问题等。医生150-2可以是诊治医生。诊治医生可以是就诊医院中的五官科、口腔科等各类科室的医生。在一些实施例中,诊治医生可以发出查询需求。例如,诊治医生可以查询治疗方案问题、用药比例问题等。在一些实施例中,就诊患者和诊治医生的数量可以为一个或多个。在一些实施例中,用户终端120可以满足用户150的查询需求和/或接收解答项。例如,患者150-1可以通过用户终端查询医保智能管理系统推送的医保问题的解答项等。又例如,医生150-2可以通过用户终端查询医保智能管理系统推荐的患者的用药方案等。在一些实施例中,用户终端120可以包括移动设备120-1、平板计算机120-2、膝上型计算机120-3等其他具有输入和/或输出功能的设备中的一种或其任意组合。
网络130可以连接医保智能管理系统的应用场景100的各组成部分和/或连接系统与外部资源部分。网络130使得各组成部分之间,以及与系统之外其他部分之间可以进行通讯,促进数据和/或信息的交换。在一些实施例中,网络130可以是有线网络或无线网络中的任意一种或多种。例如,网络130可以包括电缆网络、光纤网络等或其任意组合。各部分之间的网络连接可以是采用上述一种方式,也可以是采取多种方式。在一些实施例中,网络可以是点对点的、共享的、中心式的等各种拓扑结构或者多种拓扑结构的组合。在一些实施例中,网络130可以包括一个或以上网络接入点。在一些实施例中,可以通过网络130传递处理设备110、用户终端120和存储设备140的相关数据。例如,处理设备110可以通过网络将解答项的相关数据传递给患者的用户终端,以供患者进行查看。又例如,处理设备110可以通过网络将用药方案的相关数据传递给医生的用户终端,以供医生进行查看等。
存储设备140可以用于存储数据和/或指令,存储设备140可以直接连接于网络130。在一些实施例中,存储设备140可以用于存储处理设备110和用户终端120的相关数据。例如,存储设备可以存储患者的就诊医院信息和参保信息。又例如,存储设备可以存储患者画像库中的匹配画像。存储设备140可以在单个中央服务器、通过通信链路连接的多个服务器或多个个人设备中实现。
应当注意医保智能管理系统的应用场景100仅仅是为了说明的目的而提供的,并不意图限制本申请的范围。对于本领域的普通技术人员来说,可以根据本说明书的描述,做出多种修改或变化。例如,医保智能管理系统的应用场景100还可以包括信息源。然而,这些变化和修改不会背离本申请的范围。
图2是根据本说明书一些实施例所示的医保智能管理系统的示例性模块图。
在一些实施例中,如图2所示,医保智能管理系统200可以包括获取模块210、确定模块220、推送模块230和推荐模块240。
在一些实施例中,获取模块210可以用于获取患者的就诊医院信息和参保信息。
在一些实施例中,确定模块220可以用于基于就诊医院信息和参保信息,确定患者的医保问题。
在一些实施例中,推送模块230可以用于基于医保问题,向患者推送至少一个解答项,其中,至少一个解答项至少包括医保问题和医保问题对应的医保政策。
在一些实施例中,推送模块230还可以用于基于参保信息,构建患者画像;基于患者画像,检索患者画像库中的匹配画像;基于匹配画像,向患者推送至少一个解答项。
在一些实施例中,患者画像的标签可以包括患者的参保特征、就医特征和个人特征中的至少一种。
在一些实施例中,至少一个解答项可以基于解答价值进行排序展示,其中,解答价值相关于历史记录中匹配画像中的患者对至少一个解答项的评分和匹配画像中的患者查看的至少一个解答项中的第一个解答项与至少一个第二解答项之间的特性距离,至少一个第二解答项为匹配画像中的患者查看第一解答项之后查看的至少一个解答项。
在一些实施例中,推送模块230可以进一步用于获取患者的诊断信息;基于诊断信息,确定至少一个候选专属解答项;基于至少一个候选专属解答项,通过解答项推荐模型确定至少一个候选专属解答项的优先级评分,其中,解答项推荐模型为机器学习模型;基于优先级评分,确定至少一个解答项,并向患者推送至少一个解答项。更多关于向患者推送至少一个解答项的内容可以参见图4及其相关描述。更多关于确定优先级评分的内容可以参见图5及其相关描述。
在一些实施例中,推送模块230可以进一步用于基于诊断信息,确定患者的预估医疗项目;基于预估医疗项目,将预估医疗项目的医保信息确定为至少一个候选专属解答项。
在一些实施例中,解答项推荐模型的输入还可以包括相关解答项和相关解答项的展示排序,其中,相关解答项为与至少一个候选专属解答项中的特性距离排序靠前的解答项。
在一些实施例中,推荐模块240可以用于基于至少一个解答项,确定患者的至少一个已阅解答项,并向医生推荐患者的用药方案。
在一些实施例中,推荐模块240可以用于基于至少一个已阅解答项,预测患者的报销偏好;基于报销偏好和患者画像,确定用药方案,并向医生推荐用药方案。更多关于推荐用药方案的内容可以参见图6及其相关描述。
在一些实施例中,推荐模块240可以进一步用于统计至少一个已阅解答项的分类数据;基于分类数据,确定报销偏好。
在一些实施例中,推荐模块240可以进一步用于获取候选用药方案;基于候选用药方案、报销偏好和患者画像,通过用药推荐模型确定候选用药方案的匹配度评分,其中,用药推荐模型可以为机器学习模型;基于匹配度评分,确定用药方案,并向医生推荐用药方案。
在一些实施例中,用药推荐模型的训练标签基于对不同患者对医生的用药方案的执行程度进行人工打分获取。
应当理解,图2所示的系统及其模块可以利用各种方式来实现。例如,在一些实施例中医保智能管理系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。
需要注意的是,以上对于医保智能管理系统及其模块的描述,仅为描述方便,并不能把本说明书限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该系统的原理后,可能在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子系统与其他模块连接。在一些实施例中,图2中披露的获取模块,确定模块,推送模块和推荐模块可以是一个系统中的不同模块,也可以是一个模块实现上述的两个或两个以上模块的功能。例如,各个模块可以共用一个存储模块,各个模块也可以分别具有各自的存储模块。诸如此类的变形,均在本说明书的保护范围之内。
图3是根据本说明书一些实施例所示的医保智能管理方法的示例性流程图。如图3所示,流程300包括下述步骤。在一些实施例中,流程300可以由处理设备110执行。
步骤310,获取患者的就诊医院信息和参保信息。在一些实施例中,步骤310可以由获取模块210执行。
就诊医院信息可以是与就诊医院相关的信息。例如,就诊医院信息可以包括医院名称、医院类别、医院等级等相关信息。在一些实施例中,就诊医院信息可以包括医院与医保政策相关的信息。例如,就诊医院的医疗保险的报销额度信息、报销方式信息等。
参保信息可以是患者参加的医疗保险相关信息。例如,参保信息可以包括参保地、参保类型、参保状态和参保时长等。参保地是参保的地点相关信息,可以包括本地和异地,异地的是否可以联网结算等;参保类型是患者缴纳医保的对应类型,包括城镇职工医保、城乡居民医保、新农村合作医疗等;参保状态可以是患者当前医保状态,包括正常参保、断缴、已退休及退休时缴纳时长是否达到退休职工医保的要求等;参保时长可以是患者缴纳医保的时间,包括连续参保时长、累计参保时长等。
在一些实施例中,获取模块210可以通过多种方式获取就诊医院信息和患者参保信息。例如,获取模块210可以基于就诊医院和相关机构的工作人员上传到医保智能管理系统的医院基本数据和患者医保数据确定就诊医院信息和患者参保信息。又例如,获取模块210可以通过网络获取存储设备存储的相关的就诊医院信息和患者参保信息等。
步骤320,基于就诊医院信息和参保信息,确定患者的医保问题。在一些实施例中,步骤320可以由确定模块220执行。
医保问题可以是患者对于医保的各种相关问题。医保问题的数量可以是一个和/或多个。例如,参保类型为新农合是否可以报销,异地是否可以报销和报销需要保存哪些票据等问题。
在一些实施例中,确定模块220可以基于患者就诊医院信息和参保信息确定患者常见的医保问题。例如,确定模块220可以根据患者的参保信息将就诊医院统计的数据中相似或相同的参保信息的患者的医保问题作为该患者的医保问题。又例如,确定模块220可以基于大数据构建患者画像,统计不同的患者画像所关注的医保问题,将匹配的患者画像的常见医保问题确定为该患者的医保问题。
步骤330,基于医保问题,向患者推送至少一个解答项。在一些实施例中,步骤330可以由推送模块230执行。
解答项可以指对医保问题对应的解答。同一个医保问题可以同时对应多个不同的解答项。不同的解答项也可以分别对应不同的医保问题。在一些实施例中,至少一个解答项可以至少包括医保问题和医保问题对应的医保政策。例如,医保问题为新农合是否可以报销,对应医保政策为可以报销并给出报销范围和相应报销方式,则该医保问题和对应医保政策的组合可以作为一个解答项。医保政策可以是与患者医保问题相关的医保政策。例如,新农合的报销范围、报销额度和报销方式等医保政策。
在一些实施例中,推送模块230可以通过将患者常见的医保问题与解答项中的医保问题进行匹配,并将匹配度高的相关解答项作为该医保问题的解答项进行推送。患者在看到推送的医保问题后,选择感兴趣的医保问题即可查看对应解答项。
在一些实施例中,推送模块230可以基于参保信息,构建患者画像;基于患者画像,检索患者画像库中的匹配画像;基于匹配画像,向患者推送至少一个解答项。
患者画像可以是对患者属性进行表征的数据。例如,患者画像可以包括根据患者各类信息构建的画像。例如,患者画像可以包括患者的参保信息、就医信息、患者个人信息等相关数据。
在一些实施例中,患者画像的标签包括患者的参保特征、就医特征和个人特征等中的至少一种。
患者画像的标签可以用于表征患者属性。例如,参保特征、就医特征和患者个人特征等属性。
参保特征可以是患者参保信息组成的特征。在一些实施例中,参保特征可以通过参保特征向量进行表示。例如,参保特征向量(a,b,c,d)中的不同元素可以表示不同的参保信息。示例性的,a可以表示参保地(如本地、异地等);b可以表示参保类型(如城镇职工医保、城乡居民医保、新农村合作医疗等);c可以表示参保状态(如正常参保、断缴、已退休等);d可以表示参保时长(如连续参保时长、累计参保时长等)。
就医特征可以是就医方式信息组成的特征。在一些实施例中,就医特征可以通过就医特征向量进行表示。例如,就医特征向量(e)可以表示就医方式信息。示例性的,e可以表示就医方式(如门诊、住院等)。
患者个人特征可以是患者个人基本信息组成的特征。在一些实施例中,患者个人特征可以通过患者个人特征向量进行表示。例如,患者个人特征向量(f,g)中的不同元素可以表示不同患者的个人信息。示例性的,f可以表示年龄(如18岁、25岁等),g可以表示性别(如男性、女性)。
在本说明书的一些实施例中,通过处理设备对患者画像提取标签来表征患者属性,可以让患者画像表征的属性更加全面,同时每一条属性内容也更加具体,有利于更准确地确定匹配画像,进而可以进一步保证向患者推送的医保问题以及相关的解答项的准确性,提高患者的使用体验。
在一些实施例中,推送模块230可以基于患者参保信息构建患者画像。例如,推送模块230可以将参保信息通过参保特征向量的方式进行表示,将对应的参保特征向量确定为患者画像。又例如,推送模块230可以根据患者的参保地信息、参保类型信息、参保状态信息参保时长信息等来构建患者画像。在一些实施例中,推送模块230可以基于患者的参保信息、就医信息、个人信息等构建患者画像。例如,推送模块230可以将参保信息、就医信息、个人信息等通过一个或多个特征向量的方式进行表示,将对应的一个或多个特征向量确定为患者画像。
匹配画像可以是患者画像库中与患者画像的标签相似度高的历史患者画像。
患者画像库可以是多个历史就诊患者的患者画像,包括患者画像标签以及该画像对应常见的医保问题解答项。
在一些实施例中,推送模块230可以基于患者画像在患者画像库中检索匹配画像,当检索到患者画像库中的一个或多个画像与患者画像相似度高于阈值时,将其作为匹配画像。阈值可以根据实际需求提前预设。例如,所述阈值可以是两张画像的相似度值高于80等。
在一些实施例中,推送模块230可以基于匹配画像下的常见医保问题解答项向患者推送解答项。例如,患者画像的匹配画像下的某一常见医保问题为新农合是否可以报销,则向患者推送该问题的解答项。
在本说明书的一些实施例中,通过处理设备构建患者画像,检索患者画像库中的匹配画像,进而实现向患者推送解答项。通过这种方式推送解答项,可以更全面地提供患者可能遇到的医保问题,并给出相应解答,可以进一步提高确定的解答项的准确性,患者更加方便和迅速地解决自己面临的医保问题进而可以更好地满足患者的需求,提高患者的使用体验。
在一些实施例中,可以通过就诊医院获取患者的诊断信息,并基于诊断信息,确定至少一个候选专属解答项。基于候选专属解答项,确定对应候选专属解答项的优先级评分,并基于优先级评分,确定并向患者推送至少一个解答项。更多关于上述候选专属解答项及其优先级评分的内容可以参见图4及其相关描述。
在一些实施例中,至少一个解答项可以基于解答价值进行排序展示,其中,解答价值相关于历史记录中匹配画像中的患者对至少一个解答项的评分和匹配画像中的患者查看的至少一个解答项中的第一个解答项与至少一个第二解答项之间的特性距离,至少一个第二解答项为匹配画像中的患者查看第一解答项之后查看的至少一个解答项。
解答价值可以是表征解答项解决患者疑问的效果的数据。解答价值可以通过数值进行表示。数值越大,表示解答价值越高。例如,医保问题的某一解答项的解答价值可以通过该解答项对历史每一个患者的解答价值求平均值为20,则该解答项很难有效解决患者对于这一医保问题的疑问。又例如,某一解答项的解答价值为88,则该解答项帮助患者解决这一医保问题的能力较高。
在一些实施例中,推送模块230可以基于历史患者对解答项的评分以及查看该解答项后查看其他解答项的平均特性距离确定解答项的解答价值。例如,评分越高,平均特性距离越远,解答价值越高。评分越高表示该解答项越得到历史患者的认可,证明该解答项对历史患者的解答价值越高。平均特性距离越远,说明该解答项可能已经解答了历史患者的问题,历史患者不再关注该类问题,而是关注其他问题的解答项,证明该解答项对历史患者的解答价值越高。
示例性的,历史一患者对某一解答项的评分为20,之后查看其他解答项的平均特性距离为10,则该解答项对这一患者的解答价值可以是15,即解答价值不高。将该解答项的所有历史解答价值求平均值得到最终的解答价值。所有历史解答价值为历史每个患者对该解答项的评分以及查看该解答项后查看其他解答项的平均特性距离确定的解答价值。
在一些实施例中,解答价值L可以基于评分M、平均特性距离N,通过预设对应关系确定。例如,预设关系可以用如下公式表示:
L=aM+bN (1)
其中,a、b为评分和平均特性距离的权重,在一些实施例中,a、b可以分别为0.5、0.5。
解答项的评分可以是患者在查看解答项后对该解答项的满意度评分。例如,某一患者对某一解答项的评分为80,则该患者对该解答项满意程度比较高等。
在一些实施例中,推送模块230可以通过网络获取患者通过其使用的终端设备对解答项进行评分确定该解答项的一个评分。又例如,推送模块230可以通过网络获取存储设备中的该患者对该解答项的历史评分等。
特性距离可以是两个解答项之间所属类别的差距。不同的解答项可能分别属于不同的类别。解答项的类别可以包括新农合是否可以报销,异地是否可以报销和报销需要保存哪些票据等。例如,以新农合是否可以报销,异地是否可以报销为问题的解答项的类别的差距较小,以报销需要保存哪些票据为问题的解答项与前面两种的解答项的类别的差距较大。
解答项的类别的差距可以基于解答项的特性距离确定。解答项的特性可以通过向量表示,特性距离可以通过向量距离进行表示。其中,向量距离可以包括余弦距离、欧式距离、或汉明距离等。
例如,解答项的特性向量可以是(i,j,k),特性向量中不同元素可以表示解答项不同的特性。示例性的,i可以表示问题类型(如报销类、代开类等),j可以表示医保种类(如城镇职工医保、城乡居民医保、新农村合作医疗等),k可以表示参保地(如本地、异地等)。示例性的,解答项A的特性向量可以是(i1,j1,k1)、解答项B的特性向量可以是(i2,j2,k2),通过计算解答项A与解答项B的特性向量的距离确定两个解答项的类别差距。
在一些实施例中,推送模块230可以基于历史患者查看该解答项后,查看的第二解答项与该解答项之间的平均特性距离确定该解答项对于该患者的解答价值。
第二解答项可以是患者查看某一解答项之后查看的解答项。第二解答项可以是一个,也可以是多个。
在一些实施例中,推送模块230可以基于解答价值对解答项进行排序展示。例如,推送模块230向患者推送按解答价值从高到低依次排序的一个或多个解答项。
在本说明书的一些实施例中,推送模块230基于解答项的解答价值对解答项进行排序展示。通过这种方式,可以让患者优先获取解决问题能力更强的解答项,能够更快地解决患者问题,有利于提高向患者推送医保问题及其解答项的有效性,可以进一步提高患者的使用体验。
步骤340,基于至少一个解答项,确定患者的至少一个已阅解答项,并向医生推荐患者的用药方案。在一些实施例中,步骤340可以由推荐模块240执行。
已阅解答项可以是患者已经查看的一个或多个解答项。
用药方案可以是医生向患者开药的方案。例如,用药方案可以包括用药种类等。
在一些实施例中,推荐模块240可以基于至少一个解答项,实时确定至少一个解答项的当前状态(如未阅、已阅等),进而确定患者的至少一个已阅解答项。在一些实施例中,推荐模块240可以基于患者已阅解答项确定对患者的用药方案,并向医生进行推荐。例如,患者已阅解答项主要是关于新农合是否可以报销,推荐模块240确定的用药方案可以是尽可能选择新农合可以报销的药品种类等,并基于确定的用药方案向医生推荐。
在本说明书的一些实施例中,基于患者的就诊医院信息和参保信息,向患者推送解答项;并基于患者已阅解答项,向医生推荐用药方案。通过这种推送解答项的方式,能够满足患者查询各种相关的医保政策的需求,满足患者的需求,提高患者的使用体验。通过向医生推荐用药方案的方式,可以让医生的诊疗更加符合患者的实际需求,满足医生的需求,提高医生的使用体验。
在一些实施例中,推荐模块240可以基于至少一个已阅解答项,预测患者的报销偏好,基于报销偏好和患者画像,确定用药方案,并向医生推荐用药方案。
报销偏好可以是患者对于使用医保进行报销方式的偏好。报销偏好可以包括可能用到药品的报销比例、可否代开、院外是否可以用医保购买等。例如,患者自己购买药品不方便,则该患者报销偏好为可以家属代开的方式,或者院外的药店购买可以使用医保的方式等。
在一些实施例中,推荐模块240可以基于已阅解答项,预测患者的报销偏好。例如,处理设备可以统计患者已阅解答项,并将其中出现次数最多的报销方式作为患者的报销偏好。
在一些实施例中,处理设备可以查看患者历史的报销方式,并根据其中频率最高的报销方式确定患者的报销偏好。
在一些实施例中,推荐模块240可以统计至少一个已阅解答项的分类数据,并基于分类数据,确定报销偏好。
分类数据可以是根据已阅解答项的类别进行分类得到的数据。例如,分类数据可以包括解答项为关于药品的报销比例,解答项为关于可否代开药品,解答项为关于院外药店可否报销、解答项为关于住院与门诊的报销差异等。
在一些实施例中,推荐模块240可以基于患者已阅解答项进行分类数据的统计。例如,处理设备可以记录某一患者的已阅解答项,并统计其中解答项的分类数据,如关于药品报的销比例的已阅解答项有3项,关于可否代开药品的已阅解答项有10项,关于院外可否报销的已阅解答项有1项等。
在一些实施例中,推荐模块240可以基于统计的分类数据中患者查看频次最高的分类,确定患者的报销偏好。
在本说明书的一些实施例中,基于统计已阅解答项的分类数据,确定患者报销偏好。通过这种方式,可以更高效和准确地确定当前患者的报销偏好,有利于进一步提高后续推荐的用药方案的准确性,提高医生的使用体验。
患者画像可以是对患者属性进行表征的数据。更多关于患者画像的细节可以参见步骤330。
在一些实施例中,推荐模块240可以基于患者画像和患者报销偏好,确定用药方案,并向医生推荐该方案。例如,某一患者的患者画像的特征包括在本地城乡居民医保正常连续参保4年的参保特征、就医方式为门诊的就医特征、23岁男性的患者个人特征,患者报销偏好为院外药店可报销,则确定的用药方案以本地城乡居民医保在院外可报销的药品为主。
在一些实施例中,可以通过历史记录获取候选用药方案,并基于候选用药方案、报销偏好和患者画像,确定候选用药方案的匹配度评分,然后基于匹配度评分,确定用药方案,并向医生推荐用药方案。更多关于候选用药方案的细节可以参见图6及其相关描述。
在本说明书的一些实施例中,基于患者已阅解答项预测患者的报销偏好,并基于报销偏好和患者画像确定用药方案并向医生进行推荐。通过这种方式确定用药方案,可以更全面考虑患者的报销需求,提高确定的用药方案的准确性,让确定的用药方案更符合患者的实际情况,更好地满足患者和/或医生的需求,进一步提高患者和/或医生的使用体验。
图4是根据本说明书一些实施例所示的基于医保问题向患者推送解答项的示例性流程图。如图4所示,流程400包括下述步骤。在一些实施例中,流程400可以由推送模块230执行。
步骤410,获取患者的诊断信息。
诊断信息是指与患者疾病诊断相关的信息。例如,诊断信息可以包括患者自述信息(例如,生活习惯、家族病史等)、影像数据、化验检查信息、医生的检查发现、诊断意见(例如,患者的健康异常类型、严重程度等)等。
在一些实施例中,推送模块230可以通过各种可行的方式获取患者的诊断信息。例如,经授权,推送模块230可以利用互联网从各种健康医疗平台(例如医院的电子病历系统、国家健康医疗大数据中心、医保消费平台、第三方互联网健康医疗管理平台等)上获取患者的诊断信息。又例如,通过医生对患者进行诊断并上传诊断信息至医保智能管理系统,推送模块230进而得到诊断信息。又例如,存储设备140中可以存储患者的历史诊断信息,推送模块230可以通过网络获取存储设备140上的历史诊断信息,作为患者的诊断信息。
步骤420,基于诊断信息,确定至少一个候选专属解答项。
候选专属解答项是指与患者相关的待选为解答项的相关解答。例如,候选专属解答项可以包括关于药品、医疗设备使用、(入院或门诊使用医保的)办理手续、报销比例、结算方法等相关的解答。
在一些实施例中,推送模块230可以基于诊断信息,确定至少一个与诊断信息相关的医保信息作为候选专属解答项。在一些实施例中,推送模块230可以基于诊断信息,通过诊断信息包含的具体诊断信息(例如诊断信息包含的自述信息、影像数据、化验检查信息、医生的检查发现、诊断意见中的一种或多种),确定至少一个与具体诊断信息相关的医保信息作为候选专属解答项。
例如,诊断信息包含的具体诊断信息为影像数据时,推送模块230可以确定至少一个与影像数据相关的医保信息作为候选专属解答项;又例如,诊断信息包含的具体诊断信息为化验检查信息时,推送模块230可以确定至少一个与化验检查信息相关的医保信息作为候选专属解答项。
在一些实施例中,诊断信息相关的医保信息可以包括至少一种预设医保信息类型,例如预设医保信息类型可以是疾病类型、报销比例、结算方法等。例如,推送模块230可以基于患者的诊断信息中的化验检查信息(例如血常规化验检查信息、胸部X线检查信息等),确定与化验检查相关的疾病类型、报销比例、结算方法作为该患者的一个或多个候选专属解答项。又例如,推送模块230可以基于患者的诊断信息中的诊断意见(例如上呼吸道感染),确定与诊断意见相关的疾病类型(例如普通感冒、急性病毒性咽炎、疱疹性咽峡炎等)、报销比例、结算方法作为该患者的一个或多个候选专属解答项。
在一些实施例中,推送模块230可以基于诊断信息,确定患者的预估医疗项目;基于预估医疗项目,将预估医疗项目的医保信息确定为至少一个候选专属解答项。
预估医疗项目可以指预估的患者可能需要的医疗项目。例如,预估医疗项目可以包括患者可能需要购买的一个或多个药品和/或药品种类、患者可能需要检查使用的医疗设备、患者可能需要的住院项目(例如床位费、护理费、治疗费等)等医疗项目。
在一些实施例中,推送模块230可以基于诊断信息,通过各种可能的方式确定患者的预估医疗项目。例如,推送模块230可以基于诊断信息,通过诊断信息与医疗项目的预设对应关系确定患者的预估医疗项目。诊断信息与医疗项目的预设对应关系可以包括:诊断信息中的诊断意见与对应的医疗项目的对应关系。例如,根据诊断信息中的诊断意见“上呼吸道感染”,在预设对应关系中,预设对应的医疗项目可以包括血常规、胸部X线检查等。
本说明书一些实施例中,通过基于诊断信息,确定患者的预估医疗项目,并将预估医疗项目的医保信息确定为至少一个候选专属解答项,能够将解答项与患者的情况相结合,提高解答项与患者关于医保政策疑问的匹配程度。
步骤430,基于至少一个候选专属解答项,通过解答项推荐模型确定至少一个候选专属解答项的优先级评分。
优先级评分是指候选专属解答项确定为解答项的相关评分。优先级评分可以通过数值(例如十分制、百分制、百分数制等)、以文字表示的等级(例如从高到低分别为最高优先级、高优先级、低优先级、最低优先级等)等来表示。优先级评分通过数值表现时,则优先级评分越高,则该候选专属解答项的被确定为解答项的可能性越大,被推荐给患者的可能性越大。又例如,优先级评分通过文字表示的等级表示时,如果候选专属解答项A和候选专属解答项B的优先级评分(即等级)分别为最高优先级和低优先级,则优先级评分(即等级)越高,则该候选专属解答项(候选专属解答项A)的被确定为解答项的可能性越大,被推荐给患者的可能性越大。
在一些实施例中,推送模块230可以基于至少一个候选专属解答项,通过将至少一个候选专属解答项中的每一个候选专属解答项分别输入解答项推荐模型,将解答项推荐模型输出的每一个候选专属解答项的优先级评分确定为该候选专属解答项的优先级评分,其中,解答项推荐模型可以为机器学习模型。关于解答项推荐模型的更多细节可以参见图5及其相关描述。
步骤440,基于优先级评分,确定至少一个解答项,并向患者推送至少一个解答项。
在一些实施例中,推送模块230可以基于优先级评分,通过各种可行的方式确定至少一个解答项,并向患者推送至少一个解答项。例如,推送模块230可以直接将优先级评分最高的多个候选专属解答项确定为解答项,并向患者推送。
在一些实施例中,推送模块230可以基于预设推荐规则,基于优先级评分,确定至少一个解答项,并向患者推送至少一个解答项。例如,预设推荐规则可以包括基于优先级评分和预设解答项优先级评分阈值,向患者推荐优先级评分高于预设解答项优先级评分阈值的一个或多个解答项。解答项优先级评分阈值可以根据需要进行设置,例如,设置为优先级评分最高的候选专属解答项对应的优先级评分的某百分数。又例如,预设推荐规则可以包括向患者推荐优先级评分高于预设解答项优先级评分阈值且解答项内容更新时间离当前时间最近的一个或多个解答项,即当解答项内容(例如内容为将某种曾经不属于医保范围的药纳入医保的新政策)有所更新时,倾向于向患者推送该更新的解答项,有利于患者了解最新的医保政策。
在一些实施例中,推送模块230可以基于各种可行的方法向患者推送解答项,例如,轮询(Pull)方式、二进制短信(SMS Push)方式、持久连接(Push)方式等。
在本说明书一些实施例中,通过基于诊断信息确定候选专属解答项,基于候选专属解答项通过解答项推荐模型确定候选专属解答项的优先级评分,基于优先级评分确定解答项并向患者推送的方法,能够利用解答项推荐模型挖掘患者对候选专属解答项的关注程度,更好地结合患者本身的疾病提供患者可能需要的信息供其参考,实现个性化推荐,有利于患者了解与自身相关的医保政策,提高患者的使用体验。
应当注意的是,上述有关流程的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对有关流程进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。
图5是根据本说明书一些实施例所示的解答项推荐模型的示例性示意图。
在一些实施例中,解答项推荐模型是指可以推荐解答项的模型。在一些实施例中,解答项推荐模型可以为机器学习模型。在一些实施例中,解答项推荐模型的类型可以包括神经网络模型、深度神经网络等,模型类型的选择可视具体情况而定。
在一些实施例中,解答项推荐模型的输入可以包括候选专属解答项、患者画像等。解答项推荐模型的输出可以包括候选专属解答项的优先级评分。例如,推送模块230可以基于解答项推荐模型分别处理每一个候选专属解答项和患者画像,确定每一个候选专属解答项对应的优先级评分,进而获取一个或多个候选专属解答项分别对应的优先级评分。关于患者画像的更多说明可以参见图3的相关描述。
在一些实施例中,推送模块230可以基于多个第一训练样本及标签训练得到解答项推荐模型。
在一些实施例中,第一训练样本中的每组训练样本包括样本候选专属解答项和样本患者画像。每组训练样本的标签为该组的候选专属解答项对应的样本优先级评分。第一训练样本可以基于历史数据获取,第一训练样本的标签可以通过人工标注或自动标注的方式确定。解答项推荐模型的训练过程包括:将带有标签的第一训练样本输入未设置参数的解答项推荐模型;基于损失函数迭代更新解答项推荐模型的参数,直至满足损失函数小于阈值、收敛,或训练周期达到阈值等条件,获取训练好的解答项推荐模型。
在本说明书一些实施例中,基于候选专属解答项和患者画像,通过解答项推荐模型确定优先级评分,可以进一步提高解答项推荐模型确定的优先级评分的准确性,有利于后续进一步确保确定的解答项的准确性,进一步有利于患者了解与自身相关的医保政策,进一步提高患者的使用体验。
在一些实施例中,解答项推荐模型的输入还可以包括相关解答项和相关解答项的展示排序,其中,相关解答项可以为与至少一个候选专属解答项中的特性距离排序靠前的解答项。
相关解答项可以指与候选专属解答项相关的解答项。例如,候选专属解答项1是关于某医疗设备(如超声波扫描设备、胸透设备等)的使用报销比例的解答。相关解答项可以为关于某医疗设备(如超声波扫描设备、胸透设备等)的使用报销比例的其他解答项。
在一些实施例中,相关解答项可以为与候选专属解答项中的特性距离排序靠前的解答项。推送模块230可以获取候选专属解答项的特性向量和其他解答项分别对应的特性向量。推送模块230可以基于候选专属解答项的特性向量和其他解答项分别对应的特性向量,分别计算候选专属解答项与其他解答项的向量距离,其中,向量距离可以包括余弦距离、欧式距离、或汉明距离等。向量距离可以体现候选专属解答项与其他解答项的特性距离。在一些实施例中,推送模块230可以基于特性距离对其他解答项进行排序,将排序靠前(如前5、10名等)的解答项确定为相关解答项。关于特性距离的更多说明可以参见图3的相关描述。
相关解答项的展示排序可以指相关解答项在对患者进行展示的先后顺序。
在一些实施例中,推送模块230可以通过多种方式获取相关解答项的展示排序。例如,推送模块230可以通过网络获取存储设备中不同的相关解答项在不同的患者的用户终端的展示排序,并取不同的用户终端的展示排序的平均值作为该相关解答项的展示排序。又例如,推送模块230可以获取患者的匹配画像,将相关解答项在匹配画像中对应的患者的用户终端的展示排序确定为该关解答项的展示排序。
在一些实施例中,相关解答项的展示排序越靠前,说明患者可能越关注这类相关解答项,其相关解答项对应的候选专属解答项的优先级评分越高。
在一些实施例中,解答项推荐模型550的输入可以包括候选专属解答项510、患者画像520、相关解答项530和相关解答项的展示排序540等。解答项推荐模型550的输出可以包括优先级评分560,其中,优先级评分560为候选专属解答项的优先级评分。例如,推送模块230可以基于解答项推荐模型分别处理每一个候选专属解答项、每一个候选专属解答项的相关解答项和相关解答项的展示排序,确定每一个候选专属解答项对应的优先级评分,进而获取一个或多个候选专属解答项分别对应的优先级评分。
在一些实施例中,推送模块230可以基于多个第二训练样本及标签训练得到解答项推荐模型。
在一些实施例中,第二训练样本中的每组训练样本可以包括样本候选专属解答项、样本患者画像、样本相关解答项和样本相关解答项的展示排序。每组训练样本的标签为该组的候选专属解答项对应的样本优先级评分。第二训练样本可以基于历史数据获取,第二训练样本的标签可以通过人工标注或自动标注的方式确定。解答项推荐模型的训练过程包括:将带有标签的第二训练样本输入未设置参数的解答项推荐模型;基于损失函数迭代更新解答项推荐模型的参数,直至满足损失函数小于阈值、收敛,或训练周期达到阈值等条件,获取训练好的解答项推荐模型。
在本说明书一些实施例中,基于候选专属解答项、患者画像、相关解答项和相关解答项的展示排序,通过解答项推荐模型确定优先级评分,可以进一步提高解答项推荐模型确定的优先级评分的准确性,有利于后续进一步确保确定的解答项的准确性,进一步有利于患者了解与自身相关的医保政策,进一步提高患者的使用体验。
图6是根据本说明书一些实施例所示的用药推荐模型的示例性示意图。
在一些实施例中,推荐模块240可以获取候选用药方案,基于候选用药方案、报销偏好和患者画像,通过用药推荐模型确定候选用药方案的匹配度评分。推荐模块240可以基于匹配度评分,确定用药方案,并向医生推荐用药方案。关于报销偏好、患者画像和用药方案的相关内容可以参见图3的相关描述。
候选用药方案可以指待确定为用药方案的方案。
在一些实施例中,推荐模块240可以通过多种方式获取候选用药方案。例如,推荐模块240可以获取患者的诊断信息,将历史记录中具有相似的诊断信息的其他患者的用药方案作为该患者的候选用药方案。关于诊断信息的相关说明可以参见图3的相关描述。
匹配度评分可以指候选用药方案与患者之间的匹配程度的相关评分。匹配度评分可以通过多种方式进行表示。例如,匹配度评分可以通过量化指标进行表示。示例性的,匹配度评分可以通过1-100之间的数字进行表示。数字越大,表示候选用药方案与患者之间的匹配程度越高。
在一些实施例中,用药推荐模型630是指可以推荐患者的用药方案的模型。在一些实施例中,用药推荐模型可以为机器学习模型。在一些实施例中,用药推荐模型的类型可以包括神经网络模型、深度神经网络等,模型类型的选择可视具体情况而定。
在一些实施例中,用药推荐模型的输入可以包括候选用药方案610、报销偏好620和患者画像520等。用药推荐模型的输出可以包括匹配度评分640。匹配度评分可以为对应的候选用药方案的评分。例如,推荐模块240可以基于用药推荐模型分别处理每一个候选用药方案、报销偏好和患者画像,确定每一个候选用药方案对应的匹配度评分,进而获取一个或多个候选用药方案分别对应的优先级评分。
在一些实施例中,推荐模块240可以基于多个第三训练样本及标签训练得到用药推荐模型。
在一些实施例中,第三训练样本中的每组训练样本可以包括样本候选用药方案、样本报销偏好和样本患者画像。第三训练样本的每组训练样本的训练标签为该候选用药方案对应的样本匹配度评分。第三训练样本可以基于历史数据获取,第三训练样本的训练标签可以通过人工标注或自动标注的方式确定。
在一些实施例中,用药推荐模型的训练过程包括:将带有标签的第三训练样本输入未设置参数的用药推荐模型;基于损失函数迭代更新用药推荐模型的参数,直至满足损失函数小于阈值、收敛,或训练周期达到阈值等条件,获取训练好的用药推荐模型。
在一些实施例中,用药推荐模型的训练标签可以基于对不同患者对医生的用药方案的执行程度进行人工打分获取。
执行程度可以指患者对医生的用药方案的执行的程度。在一些实施中,执行程度可以通过量化指标进行表示。例如,执行程度可以通过1-100之间的数字进行表示。数字越大,表示执行程度越高。又例如,执行程度可以通过完全执行、部分执行、均未执行等执行等级进行表示。
在一些实施例中,推荐模块240可以通过网络获取患者的购药记录,基于患者的购药记录确定用药方案的执行程度。执行程度可以反映患者是否按照医生的用药方案中的药品进行购药。例如,如果患者的购药记录中反映患者购买了医生的用药方案中的所有药品,对应的用药方案的执行程度为100或完全执行。又例如,如果患者的购药记录中反映患者购买了医生的用药方案中的一半药品,对应的用药方案的执行程度为50或部分执行。又例如,如果患者的购药记录中反映患者未购买医生的用药方案中的任一药品,对应的用药方案的执行程度为0或均未执行等。
基于上述的用药方案的执行程度,对于与用药方案一样的用药推荐模型的训练样本候选用药方案可以进行人工打分。执行程度与打分的分数可以为正比。例如,执行程度越高,说明匹配程度较高,患者可以接受医生的用药方案中的药品,对应的打分越高。
推荐模块240可以将打分的分数确定为训练样本候选用药方案对应的训练标签样本匹配度评分。又例如,执行程度越低,说明匹配程度较低,患者可能只购买了医生的用药方案中的前期的药品,或者未购买医生的用药方案中的任何药品,对应的打分越低。推荐模块240可以将打分的分数确定为训练样本候选用药方案对应的训练标签样本匹配度评分。
在本说明书一些实施例中,通过对不同患者对医生的用药方案的执行程度进行人工打分获取用药推荐模型的训练标签,可以提高训练标签的准确性,进一步可以确保用药推荐模型的训练过程的准确性。
在一些实施例中,基于匹配度评分,推荐模块240可以通过多种方式确定用药方案650,并向医生推荐用药方案。例如,推荐模型240可以将匹配度评分最高的候选用药方案确定为用药方案,并向医生推荐该用药方案。又例如,推荐模型240可以将匹配度评分的前几名(如前2名、前3名等)对应的候选用药方案确定为用药方案,并向医生推荐多个用药方案,以供医生根据需求选择用药方案。
在本说明书一些实施例中,基于候选用药方案、报销偏好和患者画像,通过用药推荐模型确定匹配度评分,进而确定用药方案,可以进一步提高确定的用药方案的准确性,进一步有利于提高患者和/或医生的使用体验。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种医保智能管理方法,其特征在于,所述方法包括:
获取患者的就诊医院信息和参保信息;
基于所述就诊医院信息和所述参保信息,确定所述患者的医保问题;
基于所述医保问题,向所述患者推送至少一个解答项,其中,所述至少一个解答项至少包括所述医保问题和所述医保问题对应的医保政策;
基于所述至少一个解答项,确定所述患者的至少一个已阅解答项,并向医生推荐所述患者的用药方案。
2.根据权利要求1所述的方法,其特征在于,所述基于所述医保问题,向所述患者推送至少一个解答项包括:
基于所述参保信息,构建患者画像;
基于所述患者画像,检索患者画像库中的匹配画像;
基于所述匹配画像,向所述患者推送所述至少一个解答项。
3.根据权利要求2所述的方法,其特征在于,所述基于所述医保问题,向所述患者推送至少一个解答项还包括:
获取所述患者的诊断信息;
基于所述诊断信息,确定至少一个候选专属解答项;
基于所述至少一个候选专属解答项,通过解答项推荐模型确定所述至少一个候选专属解答项的优先级评分,其中,所述解答项推荐模型为机器学习模型;
基于所述优先级评分,确定所述至少一个解答项,并向所述患者推送所述至少一个解答项。
4.根据权利要求1所述的方法,其特征在于,所述向医生推荐所述患者的用药方案包括:
基于所述至少一个已阅解答项,预测所述患者的报销偏好;
基于所述报销偏好和患者画像,确定所述用药方案,并向所述医生推荐所述用药方案。
5.一种医保智能管理系统,其特征在于,包括:获取模块、确定模块、推送模块和推荐模块;
所述获取模块用于获取患者的就诊医院信息和参保信息;
所述确定模块用于基于所述就诊医院信息和所述参保信息,确定所述患者的医保问题;
所述推送模块用于基于所述医保问题,向所述患者推送至少一个解答项,其中,所述至少一个解答项至少包括所述医保问题和所述医保问题对应的医保政策;
所述推荐模块用于基于所述至少一个解答项,确定所述患者的至少一个已阅解答项,并向医生推荐所述患者的用药方案。
6.根据权利要求5所述的系统,其特征在于,所述推送模块进一步用于:
基于所述参保信息,构建患者画像;
基于所述患者画像,检索患者画像库中的匹配画像;
基于所述匹配画像,向所述患者推送所述至少一个解答项。
7.根据权利要求6所述的系统,其特征在于,所述推送模块进一步用于:
获取所述患者的诊断信息;
基于所述诊断信息,确定至少一个候选专属解答项;
基于所述至少一个候选专属解答项,通过解答项推荐模型确定所述至少一个候选专属解答项的优先级评分,其中,所述解答项推荐模型为机器学习模型;
基于所述优先级评分,确定所述至少一个解答项,并向所述患者推送所述至少一个解答项。
8.根据权利要求5所述的系统,其特征在于,所述推荐模块进一步用于:
基于所述至少一个已阅解答项,预测所述患者的报销偏好;
基于所述报销偏好和患者画像,确定所述用药方案,并向所述医生推荐所述用药方案。
9.一种医保智能管理装置,其特征在于,所述装置包括至少一个处理器以及至少一个存储器;
所述至少一个存储器用于存储计算机指令;
所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如权利要求1至4中任意一项所述的方法。
10.一种计算机可读存储介质,所述存储介质存储计算机指令,当所述计算机指令被处理器执行时实现如权利要求1至4中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310148752.1A CN116228440B (zh) | 2023-02-22 | 2023-02-22 | 一种医保智能管理方法、系统、装置和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310148752.1A CN116228440B (zh) | 2023-02-22 | 2023-02-22 | 一种医保智能管理方法、系统、装置和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116228440A true CN116228440A (zh) | 2023-06-06 |
CN116228440B CN116228440B (zh) | 2024-04-12 |
Family
ID=86572656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310148752.1A Active CN116228440B (zh) | 2023-02-22 | 2023-02-22 | 一种医保智能管理方法、系统、装置和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116228440B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116563039A (zh) * | 2023-07-06 | 2023-08-08 | 山东贝森医院管理咨询有限公司 | 一种基于drg/dip的医保管理方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140118644A (ko) * | 2013-03-28 | 2014-10-08 | 삼성전자주식회사 | 원격 건강 모니터링 장치를 통한 의료보험 제공 방법 및 시스템 |
CN106530166A (zh) * | 2016-08-31 | 2017-03-22 | 中国人民解放军总医院第附属医院 | 医院医保费用防拒付辅助管理信息系统及防拒付方法 |
CN108399169A (zh) * | 2017-02-06 | 2018-08-14 | 阿里巴巴集团控股有限公司 | 基于问答系统的对话处理方法、装置和系统及移动设备 |
CN109657038A (zh) * | 2018-10-10 | 2019-04-19 | 阿里巴巴集团控股有限公司 | 一种问答对数据的挖掘方法、装置及电子设备 |
CN109684445A (zh) * | 2018-11-13 | 2019-04-26 | 中国科学院自动化研究所 | 口语化医疗问答方法及系统 |
CN110413961A (zh) * | 2019-06-21 | 2019-11-05 | 平安国际智慧城市科技股份有限公司 | 基于分类模型进行文本评分的方法、装置和计算机设备 |
CN110502625A (zh) * | 2019-08-27 | 2019-11-26 | 北京百度网讯科技有限公司 | 医疗问题解答方法、装置、设备及计算机可读存储介质 |
CN111949758A (zh) * | 2019-05-16 | 2020-11-17 | 北大医疗信息技术有限公司 | 医疗问答推荐方法、推荐系统和计算机可读存储介质 |
CN112395396A (zh) * | 2019-08-12 | 2021-02-23 | 科沃斯商用机器人有限公司 | 问答匹配和搜索方法、设备、系统及存储介质 |
-
2023
- 2023-02-22 CN CN202310148752.1A patent/CN116228440B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140118644A (ko) * | 2013-03-28 | 2014-10-08 | 삼성전자주식회사 | 원격 건강 모니터링 장치를 통한 의료보험 제공 방법 및 시스템 |
CN106530166A (zh) * | 2016-08-31 | 2017-03-22 | 中国人民解放军总医院第附属医院 | 医院医保费用防拒付辅助管理信息系统及防拒付方法 |
CN108399169A (zh) * | 2017-02-06 | 2018-08-14 | 阿里巴巴集团控股有限公司 | 基于问答系统的对话处理方法、装置和系统及移动设备 |
CN109657038A (zh) * | 2018-10-10 | 2019-04-19 | 阿里巴巴集团控股有限公司 | 一种问答对数据的挖掘方法、装置及电子设备 |
CN109684445A (zh) * | 2018-11-13 | 2019-04-26 | 中国科学院自动化研究所 | 口语化医疗问答方法及系统 |
CN111949758A (zh) * | 2019-05-16 | 2020-11-17 | 北大医疗信息技术有限公司 | 医疗问答推荐方法、推荐系统和计算机可读存储介质 |
CN110413961A (zh) * | 2019-06-21 | 2019-11-05 | 平安国际智慧城市科技股份有限公司 | 基于分类模型进行文本评分的方法、装置和计算机设备 |
CN112395396A (zh) * | 2019-08-12 | 2021-02-23 | 科沃斯商用机器人有限公司 | 问答匹配和搜索方法、设备、系统及存储介质 |
CN110502625A (zh) * | 2019-08-27 | 2019-11-26 | 北京百度网讯科技有限公司 | 医疗问题解答方法、装置、设备及计算机可读存储介质 |
Non-Patent Citations (3)
Title |
---|
张伶俐: "医保支付方式改革对医疗行为的影响研究", 《医药卫生科技》, 15 February 2023 (2023-02-15) * |
杨帆: "医疗纠纷处理中的专家咨询制度研究", 《社会科学Ⅰ辑》, 15 February 2023 (2023-02-15) * |
罗贤斌;周迎;廖洪梅;: "医保门诊特病智能监控系统实现原理及成效分析", 中国数字医学, no. 04, 15 April 2019 (2019-04-15) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116563039A (zh) * | 2023-07-06 | 2023-08-08 | 山东贝森医院管理咨询有限公司 | 一种基于drg/dip的医保管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116228440B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Avati et al. | Improving palliative care with deep learning | |
US20200381087A1 (en) | Systems and methods of clinical trial evaluation | |
US20180342323A1 (en) | Machine learning for collaborative medical data metrics | |
US10755369B2 (en) | Client management tool system and method | |
Berry et al. | A generalization of Cohen's kappa agreement measure to interval measurement and multiple raters | |
Garrido et al. | Effect of electronic health records in ambulatory care: retrospective, serial, cross sectional study | |
US20190043606A1 (en) | Patient-provider healthcare recommender system | |
JP2018530851A (ja) | 医療オペレーティングシステムを用いて医療専門家を評価および選択するためのシステムおよび方法 | |
Cohen et al. | Challenges associated with using large data sets for quality assessment and research in clinical settings | |
JP2018503902A (ja) | 診断妥当性基準を採用することによって病態を特定するための診断検査の最適なシーケンスを決定することに適合した医用鑑別診断装置 | |
US20140095204A1 (en) | Automated medical cohort determination | |
Klappe et al. | Factors influencing problem list use in electronic health records—application of the unified theory of acceptance and use of technology | |
Hoexum et al. | Out-of-hours medical care for terminally ill patients: A survey of availability and preferences of general practitioners | |
CN116228440B (zh) | 一种医保智能管理方法、系统、装置和介质 | |
Tsopra et al. | Helping GPs to extrapolate guideline recommendations to patients for whom there are no explicit recommendations, through the visualization of drug properties. The example of AntibioHelp® in bacterial diseases | |
AU2016349861A1 (en) | Medical protocol evaluation | |
US20200126651A1 (en) | Systems and Methods for a Personal Healthcare Manager | |
US12033729B2 (en) | Systems and methods for accessing, combining and collaborative filtering of information from multiple electronic health records | |
Harris et al. | Undifferentiated abdominal pain in children presenting to the pediatric emergency department | |
US20230274808A1 (en) | Enhancing patient referral outcome through structuring data for efficient place of service utilization rate analysis | |
Aina et al. | Perception and acceptance of medical chatbot among undergraduates in Ekiti State University, Nigeria | |
US20230029678A1 (en) | Generating clustered event episode bundles for presentation and action | |
US20230033160A1 (en) | Generating a registry of people using a criteria and performing an action for the registry of people | |
Hooshmand et al. | Data Analytics for Diagnosis and Prediction of Central Line–Associated Bloodstream Infections in Critical Care Units | |
MSI et al. | Computable phenotypes: standardized ways to classify people using electronic health record data |
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 |