CN116434931A - 一种医疗行为异常的识别方法、装置、存储介质及设备 - Google Patents

一种医疗行为异常的识别方法、装置、存储介质及设备 Download PDF

Info

Publication number
CN116434931A
CN116434931A CN202310384373.2A CN202310384373A CN116434931A CN 116434931 A CN116434931 A CN 116434931A CN 202310384373 A CN202310384373 A CN 202310384373A CN 116434931 A CN116434931 A CN 116434931A
Authority
CN
China
Prior art keywords
medical
charging
behaviors
behavior
vector representation
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
CN202310384373.2A
Other languages
English (en)
Inventor
唐蕊
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202310384373.2A priority Critical patent/CN116434931A/zh
Publication of CN116434931A publication Critical patent/CN116434931A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明涉及医疗信息技术领域，公开了一种医疗行为异常的识别方法、装置、存储介质及电子设备，包括：获取多项收费明细单中的多组收费数据，并从收费数据中，提取生成收费特征信息；将收费特征信息输入至医疗行为向量表示模型，生成并输出多个医疗行为的向量表示信息，其中，每组收费特征信息对应一个医疗行为的向量表示信息；将多个医疗行为的向量表示信息输入至预先建立的医疗行为异常识别模型中，得到多个医疗行为的正常偏离分数；根据多个医疗行为的正常偏离分数，综合判断医生是否具备异常的医疗行为。通过该方法，能够提高医疗行为异常识别的效率和准确率。

Description

一种医疗行为异常的识别方法、装置、存储介质及设备
技术领域
本发明涉及医疗信息技术领域，尤其涉及一种医疗行为异常的识别方法、装置、存储介质及电子设备。
背景技术
医疗行为，是指医务人员通过检查、使用药物、医疗器械等方法，对疾病作出判断，帮助患者恢复健康的一种行为。异常的医疗行为主要是指，基于患者所确诊的疾病类型，医务人员作出了不合理的检查、出现不合理用药以及滥用药等行为，从而形成了医疗费用的不必要支出，造成国家医保资金的损失。
目前，为了实现医保控费的政策目的，主要是采取人工抽查的方式，对大额的收费单据进行检查，从患者的角度来判断是否具备不合理的收费行为。或者是，通过定义与疾病类型相对应的报销费用阈值，基于所述报销费用阈值，来判断是否具备不合理的收费行为。然而，上述判断的方式，效率低下，并且也不够精准。因此，如何提高医疗行为异常识别的效率和准确率，成为亟需解决的技术问题。
发明内容
本申请实施例提供一种医疗行为异常的识别方法、装置、存储介质及电子设备，以解决现有技术中，医疗行为异常识别的效率低和准确率不高的技术问题。
第一方面，提供了一种医疗行为异常的识别方法，包括：
获取多项收费明细单中的多组收费数据，并从收费数据中，提取生成收费特征信息，其中，所述收费明细单是由同一位医生对患者治疗后所出具的单据，每项收费明细单对应一组收费特征信息；
将收费特征信息输入至医疗行为向量表示模型，生成并输出多个医疗行为的向量表示信息，其中，每组收费特征信息对应一个医疗行为的向量表示信息；
将多个医疗行为的向量表示信息输入至预先建立的医疗行为异常识别模型中，得到多个医疗行为的正常偏离分数；
根据多个医疗行为的正常偏离分数，综合判断医生是否具备异常的医疗行为。
第二方面，提供了一种医疗行为异常的识别装置，包括：
提取收费特征信息模块：用于获取多项收费明细单中的多组收费数据，并从收费数据中，提取生成收费特征信息，其中，所述收费明细单是由同一位医生对患者治疗后所出具的单据，每项收费明细单对应一组收费特征信息；
生成医疗行为向量表示信息模块：用于将收费特征信息输入至医疗行为向量表示模型，生成并输出多个医疗行为的向量表示信息，其中，每组收费特征信息对应一个医疗行为的向量表示信息；
计算医疗行为正常偏离分数模块：用于将多个医疗行为的向量表示信息输入至预先建立的医疗行为异常识别模型中，得到多个医疗行为的正常偏离分数；
判断异常模块：用于根据多个医疗行为的正常偏离分数，综合判断医生是否具备异常的医疗行为。
第三方面，提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述医疗行为异常的识别方法的步骤。
第四方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述医疗行为异常的识别方法的步骤。
上述医疗行为异常的识别方法、装置、存储介质及电子设备，通过从收费明细单中提取收费特征信息，并利用一个收费特征信息来代表一个医疗行为，将医生对患者的医疗行为，由具象的收费特征信息来表示，并将基于收费特征信息所生成的医疗行为向量表示信息输入至医疗行为异常识别模型中，计算同一位医生的多个医疗行为的正常偏离分数，然后根据医疗行为的正常偏离分数，综合判断该医生是否具备异常的医疗行为。本申请，能够从医生的角度来判断医生是否存在多开药、过度安排治疗等异常医疗行为，从而进一步控制异常医疗费用的报销，提高了医疗行为异常识别的效率和准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中医疗行为异常的识别方法的一应用环境示意图；
图2是本发明一实施例中医疗行为异常的识别方法的一流程示意图；
图3是图2中步骤S20的一具体实施方式流程示意图；
图4是本发明一实施例中生成医疗行为的向量表示信息的说明示意图；
图5是图2中步骤S30的一具体实施方式流程示意图；
图6是图2中步骤S40的一具体实施方式流程示意图；
图7是本发明一实施例中医疗行为异常的识别装置的一结构示意图；
图8是本发明一实施例中计算机设备的一结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
本发明实施例提供的医疗行为异常的识别方法，可应用在如图1所示的应用环境中，其中，客户端通过网络与服务端进行通信。服务端可以通过客户端，获取到收费明细单中的收费数据，并从收费数据中，提取生成收费特征信息。与此同时，服务端将收费特征信息导入至医疗行为向量表示信息生成模块，生成并输出多个医疗行为的向量表示信息；并将多个医疗行为的向量表示信息导入至医疗行为正常偏离分数计算模块，得到多个医疗行为的正常偏离分数；最后，根据多个医疗行为的正常偏离分数综合判断医生是否具备异常的医疗行为。如果判断医生具备异常的医疗行为，那么可以在客户端进行显示结果；或者是，通过服务端获取医生对应的科室邮件系统接口，通过所述邮件系统接口，将医生的异常医疗行为通知医生对应的科室。
本发明实施例中，通过从收费明细单中提取收费特征信息，并利用一个收费特征信息来代表一个医疗行为，将医生对患者的医疗行为，由具象的收费特征信息来表示，并将基于收费特征信息所生成的医疗行为向量表示信息输入至医疗行为异常识别模型中，计算同一位医生的多个医疗行为的正常偏离分数，然后根据医疗行为的正常偏离分数，综合判断该医生是否具备异常的医疗行为，能够从医生的角度来判断医生是否存在多开药、过度安排治疗等异常医疗行为，从而进一步控制异常医疗费用的报销。其中，客户端可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。下面通过具体的实施例对本发明进行详细的描述。
请参阅图2所示，图2是本发明一实施例中医疗行为异常的识别方法的一流程示意图，包括如下步骤：
S10：获取多项收费明细单中的多组收费数据，并从收费数据中，提取生成收费特征信息，其中，所述收费明细单是由同一位医生对患者治疗后所出具的单据，每项收费明细单对应一组收费特征信息；
现实场景中，每位医生对一名患者进行医疗诊断后，患者会收到一份收费明细单，一份收费明细单中包含多组收费数据，比如各种药品的费用信息、检验的费用信息以及住院的费用信息等。从上述收费数据中，提取生成收费特征信息，在一种实施方式中，收费特征信息可以参阅表1所示。
医生序号 就诊序号 收费名称 收费类型 收费金额
0201 001 血糖检测 检验 80
0201 001 肠炎宁片 药品 25
0202 002 血糖检测 检验 80
0203 003 床位费 住院费 2000
…… …… …… …… ……
表1
S20：将收费特征信息输入至医疗行为向量表示模型，生成并输出多个医疗行为的向量表示信息，其中，每组收费特征信息对应一个医疗行为的向量表示信息；
在一种实施方式中，收费特征信息包括：收费名称、收费类型和收费金额。请参阅图3所示，图3是图2中步骤S20的一具体实施方式流程示意图，包括如下步骤：
S21：输入第一组收费特征信息中的收费名称、收费类型和收费金额，并基于bert模型结构，输出第一个医疗行为的向量表示信息；
S22：输入第二组收费特征信息中的收费名称、收费类型和收费金额，并基于bert模型结构，输出第二个医疗行为的向量表示信息；
S23：依此类推，输入最后一组收费特征信息中的收费名称、收费类型和收费金额，并基于bert模型结构，输出最后一个医疗行为的向量表示信息。
本申请实施例中，利用一个收费特征信息中的收费名称、收费类型和收费金额信息来代表一个医疗行为，将医生对患者的医疗行为，由具象的收费特征信息来表示，能够更加详细地描述出医生医疗行为的特征。相比较于，仅仅通过药品费用或者是医疗总费用的特征对医疗行为进行异常的判断，本申请根据收费特征信息中的收费名称、收费类型和收费金额信息对医疗行为进行异常的判断，判断的准确率会更高。
请参阅图4所示，图4是本发明一实施例中生成医疗行为的向量表示信息的说明示意图。本医疗行为的向量表示信息的生成，可以采取bert(Bidirectional EncoderRepresentations from Transformers)模型。Bert模型，是基于变压器的双向编码器表示模型，通常用来进行预训练语言。
本申请实施例，仅仅是通过bert模型对大量的收费特征信息数据进行训练，得到医疗行为的向量表示信息，而不应用于常见的预训练语言模型。其中，bert模型的输入端共嵌入了三层，分别为名称嵌入层、类型嵌入层和金额嵌入层，输出端为多个医疗行为的向量表示信息。在输入端的三个嵌入层中，每个收费名称、收费类型、收费金额分别对应一个向量表示，比如：收费名称为肠炎宁片，向量表示为图4中的N-1；同时，由于肠炎宁片为药品的类别，向量表示为图4中的T-1。在金额嵌入层，将收费金额进行分段处理，每段收费金额对应一个向量表示，以此来减少数据处理的压力，提升医疗行为的向量表示信息生成的效率，进而提高医疗行为的异常识别效率。比如，10万元，按照100的间隔分成1000段，以及超过10万的金额为另外一段，例如图4中的F-10，F-2等。
S30：将多个医疗行为的向量表示信息输入至预先建立的医疗行为异常识别模型中，得到多个医疗行为的正常偏离分数；
在一种实施方式中，可以通过聚类算法预先建立医疗行为异常识别模型，包括以下步骤：
A1：获取多种疾病类型的多个医疗行为的向量表示信息；
首先，可以利用医院最近5年收费明细单中的数据，提取生成收费特征信息，并通过上述步骤S20，生成得到多种疾病类型的多个医疗行为的向量表示信息。疾病类型可以通过疾病诊断编码进行识别与区分，同一个疾病诊断编码表示同一种疾病类型。
A2：根据第一种疾病类型的多个医疗行为的向量表示信息，基于聚类算法，训练构建出第一种疾病类型的医疗行为特征信息；
A3：根据第二种疾病类型的多个医疗行为的向量表示信息，基于聚类算法，训练构建出第二种疾病类型的医疗行为特征信息；
A4：依此类推，根据最后一种疾病类型的多个医疗行为的向量表示信息，基于聚类算法，训练构建出最后一种疾病类型的医疗行为特征信息。
需要说明的是，现实场景中，相同疾病类型的患者，所收到的收费明细单中具有许多相似的收费特征信息。那么，就可以通过聚类算法进行聚类，将相似的医疗行为的向量表示信息聚为同一类，并分别构建出第一种、第二种直到最后一种疾病类型的医疗行为特征信息。为了精准地描述不同疾病类型的医疗行为的向量表示信息，可以利用收费特征信息中的收费名称、收费类型、收费金额中的一项或多项来代表医疗行为的向量表示信息，进而提高医疗行为的异常识别的准确率。其中，收费类型可以包括：检验费用、药品费用、住院费用、门诊费用中的一项或多项。
具体地，将多个医疗行为的向量表示信息输入至预先建立的医疗行为异常识别模型中，得到多个医疗行为的正常偏离分数。请参阅图5所示，图5是图2中步骤S30的一具体实施方式流程示意图，包括如下步骤：
S31：确定第一个医疗行为的疾病类型，并将第一个医疗行为的向量表示信息与第一个医疗行为所对应疾病类型的医疗行为特征信息进行比对，计算得到第一个医疗行为的正常偏离分数；
比如，确定第一个医疗行为的疾病类型为肝炎，找出肝炎对应的医疗行为特征信息中的中心向量信息。计算第一个医疗行为的向量表示信息与肝炎对应的医疗行为特征信息中的中心向量信息的距离，该距离即为第一个医疗行为的正常偏离分数。本实施例中，距离越远，说明正常偏离分数越高，表示该医疗行为与正常的医疗行为差距就越大。
S32：确定第二个医疗行为的疾病类型，并将第二个医疗行为的向量表示信息与第二个医疗行为所对应疾病类型的医疗行为特征信息进行比对，计算得到第二个医疗行为的正常偏离分数；
S33：依此类推，确定最后一个医疗行为的疾病类型，并将最后一个医疗行为的向量表示信息与最后一个医疗行为所对应疾病类型的医疗行为特征信息进行比对，计算得到最后一个医疗行为的正常偏离分数。
同上，依次计算出第二个、第三个，直至最后一个医疗行为的正常偏离分数。
S40：根据多个医疗行为的正常偏离分数，综合判断医生是否具备异常的医疗行为。
请参阅图6所示，图6是图2中步骤S40的一具体实施方式流程示意图，包括如下步骤：
S41：预定义医生医疗行为的偏离阈值；
S42：计算多个医疗行为的正常偏离分数的平均值，并判断所述平均值是否大于所述偏离阈值；
S43：如果所述平均值大于所述偏离阈值，则说明医生具备异常的医疗行为。
假设，医生对6名患者医疗诊断后，出具了6份收费明细单，根据6份收费明细单的6组收费特征信息，生成了6个医疗行为的向量表示信息，计算得到这6个医疗行为的正常偏离分数分别为50、48、65、76、63、72。此时，预定义医生医疗行为的偏离阈值为50。计算这6个医疗行为的正常偏离分数的平均值为62.33，大于所述偏离阈值，那么就说明医生可能具备异常的医疗行为。通过上述计算多个医疗行为的正常偏离分数平均值的方式，来判断医生是否具备异常的医疗行为，判断的准确率更高，避免由于单次失误而导致误判医生具备异常的医疗行为的情形的发生。
在一种实施方式中，综合判断医生是否具备异常的医疗行为之后，还包括以下步骤：
B1：如果医生具备异常的医疗行为，获取医生对应的科室邮件系统接口；
B2：通过所述邮件系统接口，将医生的异常医疗行为通知医生对应的科室。
上述通过获取医生对应的科室邮件系统接口，将医生的异常医疗行为及时通知医生对应的科室，能够快速响应医保控费的检查。
可见，本申请实施例中，通过从收费明细单中提取收费特征信息，并利用一个收费特征信息来代表一个医疗行为，将医生对患者的医疗行为，由具象的收费特征信息来表示，并将基于收费特征信息所生成的医疗行为向量表示信息输入至医疗行为异常识别模型中，计算同一位医生的多个医疗行为的正常偏离分数，然后根据医疗行为的正常偏离分数，综合判断该医生是否具备异常的医疗行为。
与此同时，本申请通过获取大量收费明细单中的数据，并从收费明细单中提取出收费名称、收费类型和收费金额等数据，根据收费名称、收费类型和收费金额等数据，并基于聚类算法，训练构建出不同疾病类型的医疗行为特征信息，建立医疗行为异常识别模型，通过医疗行为异常识别模型来判断同一位医生的多个医疗行为是否异常。本申请技术方案，能够通过医疗行为异常识别模型，从医生的角度来判断医生是否存在多开药、过度安排治疗等异常医疗行为，从而进一步控制异常医疗费用的报销。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。此外，术语“包括”及其变体要被解读为“包括但不限于”的开放式术语。
在一实施例中，提供一种医疗行为异常的识别装置，该识别装置与上述实施例中医疗行为异常的识别方法一一对应。如图7所示，该识别装置包括：提取收费特征信息模块301、生成医疗行为向量表示信息模块302、计算医疗行为正常偏离分数模块303、判断异常模块304、通知模块305。各功能模块详细说明如下：
提取收费特征信息模块301：用于获取多项收费明细单中的多组收费数据，并从收费数据中，提取生成收费特征信息，其中，所述收费明细单是由同一位医生对患者治疗后所出具的单据，每项收费明细单对应一组收费特征信息。
生成医疗行为向量表示信息模块302：用于将收费特征信息输入至医疗行为向量表示模型，生成并输出多个医疗行为的向量表示信息，其中，每组收费特征信息对应一个医疗行为的向量表示信息。
计算医疗行为正常偏离分数模块303：用于将多个医疗行为的向量表示信息输入至预先建立的医疗行为异常识别模型中，得到多个医疗行为的正常偏离分数。
判断异常模块304：用于根据多个医疗行为的正常偏离分数，综合判断医生是否具备异常的医疗行为。
通知模块305：用于如果医生具备异常的医疗行为，获取医生对应的科室邮件系统接口；通过所述邮件系统接口，将医生的异常医疗行为通知医生对应的科室。
在一实施例中，所述收费特征信息包括：收费名称、收费类型和收费金额，生成医疗行为向量表示信息模块302，包括用于：
输入第一组收费特征信息中的收费名称、收费类型和收费金额，并基于bert模型结构，输出第一个医疗行为的向量表示信息；
输入第二组收费特征信息中的收费名称、收费类型和收费金额，并基于bert模型结构，输出第二个医疗行为的向量表示信息；
依此类推，输入最后一组收费特征信息中的收费名称、收费类型和收费金额，并基于bert模型结构，输出最后一个医疗行为的向量表示信息。
在一实施例中，计算医疗行为正常偏离分数模块303，包括医疗行为异常识别模型的建立，用于：
获取多种疾病类型的多个医疗行为的向量表示信息；
根据第一种疾病类型的多个医疗行为的向量表示信息，基于聚类算法，训练构建出第一种疾病类型的医疗行为特征信息；
根据第二种疾病类型的多个医疗行为的向量表示信息，基于聚类算法，训练构建出第二种疾病类型的医疗行为特征信息；
依此类推，根据最后一种疾病类型的多个医疗行为的向量表示信息，基于聚类算法，训练构建出最后一种疾病类型的医疗行为特征信息。
在一实施例中，计算医疗行为正常偏离分数模块303，包括用于：
确定第一个医疗行为的疾病类型，并将第一个医疗行为的向量表示信息与第一个医疗行为所对应疾病类型的医疗行为特征信息进行比对，计算得到第一个医疗行为的正常偏离分数；
确定第二个医疗行为的疾病类型，并将第二个医疗行为的向量表示信息与第二个医疗行为所对应疾病类型的医疗行为特征信息进行比对，计算得到第二个医疗行为的正常偏离分数；
依此类推，确定最后一个医疗行为的疾病类型，并将最后一个医疗行为的向量表示信息与最后一个医疗行为所对应疾病类型的医疗行为特征信息进行比对，计算得到最后一个医疗行为的正常偏离分数。
在一实施例中，判断异常模块304，包括用于：
预定义医生医疗行为的偏离阈值；
计算多个医疗行为的正常偏离分数的平均值，并判断所述平均值是否大于所述偏离阈值；
如果所述平均值大于所述偏离阈值，则说明医生具备异常的医疗行为。
本发明提供了一种医疗行为异常的识别装置，通过从收费明细单中提取收费特征信息，并利用一个收费特征信息来代表一个医疗行为，将医生对患者的医疗行为，由具象的收费特征信息来表示，并将基于收费特征信息所生成的医疗行为向量表示信息输入至医疗行为异常识别模型中，计算同一位医生的多个医疗行为的正常偏离分数，然后根据医疗行为的正常偏离分数，综合判断该医生是否具备异常的医疗行为。
与此同时，本发明通过获取大量收费明细单中的数据，并从收费明细单中提取出收费名称、收费类型和收费金额等数据，根据收费名称、收费类型和收费金额等数据，并基于聚类算法，训练构建出不同疾病类型的医疗行为特征信息，建立医疗行为异常识别模型，通过医疗行为异常识别模型来判断同一位医生的多个医疗行为是否异常。本申请技术方案，能够通过医疗行为异常识别模型，从医生的角度来判断医生是否存在多开药、过度安排治疗等异常医疗行为，从而进一步控制异常医疗费用的报销。
关于医疗行为异常的识别装置的具体限定可以参见上文中医疗行为异常的识别方法的限定，在此不再赘述。上述医疗行为异常的识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部服务器通过网络连接通信。该计算机程序被处理器执行时以实现一种医疗行为异常的识别方法的功能或步骤。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
获取多项收费明细单中的多组收费数据，并从收费数据中，提取生成收费特征信息，其中，所述收费明细单是由同一位医生对患者治疗后所出具的单据，每项收费明细单对应一组收费特征信息；
将收费特征信息输入至医疗行为向量表示模型，生成并输出多个医疗行为的向量表示信息，其中，每组收费特征信息对应一个医疗行为的向量表示信息；
将多个医疗行为的向量表示信息输入至预先建立的医疗行为异常识别模型中，得到多个医疗行为的正常偏离分数；
根据多个医疗行为的正常偏离分数，综合判断医生是否具备异常的医疗行为。
在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取多项收费明细单中的多组收费数据，并从收费数据中，提取生成收费特征信息，其中，所述收费明细单是由同一位医生对患者治疗后所出具的单据，每项收费明细单对应一组收费特征信息；
将收费特征信息输入至医疗行为向量表示模型，生成并输出多个医疗行为的向量表示信息，其中，每组收费特征信息对应一个医疗行为的向量表示信息；
将多个医疗行为的向量表示信息输入至预先建立的医疗行为异常识别模型中，得到多个医疗行为的正常偏离分数；
根据多个医疗行为的正常偏离分数，综合判断医生是否具备异常的医疗行为。
需要说明的是，上述关于计算机可读存储介质或计算机设备所能实现的功能或步骤，可对应参阅前述方法实施例中的相关描述，为避免重复，这里不再一一描述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种医疗行为异常的识别方法，其特征在于，包括：
获取多项收费明细单中的多组收费数据，并从收费数据中，提取生成收费特征信息，其中，所述收费明细单是由同一位医生对患者治疗后所出具的单据，每项收费明细单对应一组收费特征信息；
将收费特征信息输入至医疗行为向量表示模型，生成并输出多个医疗行为的向量表示信息，其中，每组收费特征信息对应一个医疗行为的向量表示信息；
将多个医疗行为的向量表示信息输入至预先建立的医疗行为异常识别模型中，得到多个医疗行为的正常偏离分数；
根据多个医疗行为的正常偏离分数，综合判断医生是否具备异常的医疗行为。
2.根据权利要求1所述的方法，其特征在于，所述收费特征信息包括：收费名称、收费类型和收费金额，所述将收费特征信息输入至医疗行为向量表示模型，生成并输出多个医疗行为的向量表示信息，包括：
输入第一组收费特征信息中的收费名称、收费类型和收费金额，并基于bert模型结构，输出第一个医疗行为的向量表示信息；
输入第二组收费特征信息中的收费名称、收费类型和收费金额，并基于bert模型结构，输出第二个医疗行为的向量表示信息；
依此类推，输入最后一组收费特征信息中的收费名称、收费类型和收费金额，并基于bert模型结构，输出最后一个医疗行为的向量表示信息。
3.根据权利要求2所述的方法，其特征在于，所述收费类型包括：检验费用、药品费用、住院费用、门诊费用中的一项或多项，用于生成医疗行为向量表示信息，提高医疗行为异常识别的正确率。
4.根据权利要求1所述的方法，其特征在于，所述医疗行为异常识别模型的建立，包括：
获取多种疾病类型的多个医疗行为的向量表示信息；
根据第一种疾病类型的多个医疗行为的向量表示信息，基于聚类算法，训练构建出第一种疾病类型的医疗行为特征信息；
根据第二种疾病类型的多个医疗行为的向量表示信息，基于聚类算法，训练构建出第二种疾病类型的医疗行为特征信息；
依此类推，根据最后一种疾病类型的多个医疗行为的向量表示信息，基于聚类算法，训练构建出最后一种疾病类型的医疗行为特征信息。
5.根据权利要求4所述的方法，其特征在于，所述将多个医疗行为的向量表示信息输入至预先建立的医疗行为异常识别模型中，得到多个医疗行为的正常偏离分数，包括：
确定第一个医疗行为的疾病类型，并将第一个医疗行为的向量表示信息与第一个医疗行为所对应疾病类型的医疗行为特征信息进行比对，计算得到第一个医疗行为的正常偏离分数；
确定第二个医疗行为的疾病类型，并将第二个医疗行为的向量表示信息与第二个医疗行为所对应疾病类型的医疗行为特征信息进行比对，计算得到第二个医疗行为的正常偏离分数；
依此类推，确定最后一个医疗行为的疾病类型，并将最后一个医疗行为的向量表示信息与最后一个医疗行为所对应疾病类型的医疗行为特征信息进行比对，计算得到最后一个医疗行为的正常偏离分数。
6.根据权利要求1所述的方法，其特征在于，所述根据多个医疗行为的正常偏离分数，综合判断医生是否具备异常的医疗行为，包括：
预定义医生医疗行为的偏离阈值；
计算多个医疗行为的正常偏离分数的平均值，并判断所述平均值是否大于所述偏离阈值；
如果所述平均值大于所述偏离阈值，则说明医生具备异常的医疗行为。
7.根据权利要求1至6任一所述的方法，其特征在于，所述根据多个医疗行为的正常偏离分数，综合判断医生是否具备异常的医疗行为之后，还包括：
如果医生具备异常的医疗行为，获取医生对应的科室邮件系统接口；
通过所述邮件系统接口，将医生的异常医疗行为通知医生对应的科室。
8.一种医疗行为异常的识别装置，其特征在于，包括：
提取收费特征信息模块：用于获取多项收费明细单中的多组收费数据，并从收费数据中，提取生成收费特征信息，其中，所述收费明细单是由同一位医生对患者治疗后所出具的单据，每项收费明细单对应一组收费特征信息；
生成医疗行为向量表示信息模块：用于将收费特征信息输入至医疗行为向量表示模型，生成并输出多个医疗行为的向量表示信息，其中，每组收费特征信息对应一个医疗行为的向量表示信息；
计算医疗行为正常偏离分数模块：用于将多个医疗行为的向量表示信息输入至预先建立的医疗行为异常识别模型中，得到多个医疗行为的正常偏离分数；
判断异常模块：用于根据多个医疗行为的正常偏离分数，综合判断医生是否具备异常的医疗行为。
9.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被配置为运行时执行权利要求1至7中任一项所述的方法。
10.一种电子设备，其特征在于，包括处理器和存储器，其中所述存储器中存储有计算机程序，所述处理器被配置为运行所述计算机程序以执行权利要求1至7中任一项所述的方法。
CN202310384373.2A 2023-04-03 2023-04-03 一种医疗行为异常的识别方法、装置、存储介质及设备 Pending CN116434931A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310384373.2A CN116434931A (zh) 2023-04-03 2023-04-03 一种医疗行为异常的识别方法、装置、存储介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310384373.2A CN116434931A (zh) 2023-04-03 2023-04-03 一种医疗行为异常的识别方法、装置、存储介质及设备

Publications (1)

Publication Number Publication Date
CN116434931A true CN116434931A (zh) 2023-07-14

Family

ID=87093905

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310384373.2A Pending CN116434931A (zh) 2023-04-03 2023-04-03 一种医疗行为异常的识别方法、装置、存储介质及设备

Country Status (1)

Country Link
CN (1) CN116434931A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117316404A (zh) * 2023-09-11 2023-12-29 北京合源汇丰医药科技有限公司 一种基于ai算法的医疗信息异常检测方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117316404A (zh) * 2023-09-11 2023-12-29 北京合源汇丰医药科技有限公司 一种基于ai算法的医疗信息异常检测方法及系统

Similar Documents

Publication Publication Date Title
US11107564B2 (en) Accession number correction system
US8612261B1 (en) Automated learning for medical data processing system
US7406453B2 (en) Large-scale information collection and mining
US20170147777A1 (en) Method and apparatus for predicting health data value through generation of health data pattern
CN110910976A (zh) 病历检测方法、装置、设备和存储介质
CN103392183A (zh) 用于识别处于转化为阿尔茨海默病的风险中的具有轻度认知障碍的患者的方法和系统
CN111145910A (zh) 基于人工智能的异常案例识别方法、装置、计算机设备
CN109783479B (zh) 一种数据标准化处理方法、装置及存储介质
CN111710383A (zh) 病历质控方法、装置、计算机设备和存储介质
CN116434931A (zh) 一种医疗行为异常的识别方法、装置、存储介质及设备
CN107239722B (zh) 用于从医疗文档中提取诊断对象的方法和装置
CN112035619A (zh) 基于人工智能的医疗问诊单筛选方法、装置、设备和介质
CN110808095A (zh) 诊断结果识别、模型训练的方法、计算机设备及存储介质
US20220253592A1 (en) System with report analysis and methods for use therewith
WO2020082796A1 (zh) 基于数据分析的就诊信息处理方法、装置、设备及介质
CN109102845B (zh) 医疗单据审核方法、装置、计算机设备和存储介质
US20180268928A1 (en) Methods for quality data extraction, alignment, and reporting
CN115775635A (zh) 基于深度学习模型的药品风险识别方法、装置及终端设备
US20220005566A1 (en) Medical scan labeling system with ontology-based autocomplete and methods for use therewith
CN111274231B (zh) 异常医保数据排查方法、装置、计算机设备和存储介质
CN112613313A (zh) 医嘱质控的方法、装置、设备、存储介质以及程序产品
US20200126641A1 (en) Medical concierge
CN114767072B (zh) 药物疗效一致性的确定方法、装置、电子设备及存储介质
CN115034918B (zh) 团伙案件识别方法、装置、计算机设备、存储介质和产品
CN116487060A (zh) 基于科室维度的收费异常识别方法、装置、设备及介质

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