CN116825311B - 一种基于drg/dip的医院管控运营方法及系统 - Google Patents
一种基于drg/dip的医院管控运营方法及系统 Download PDFInfo
- Publication number
- CN116825311B CN116825311B CN202310878459.0A CN202310878459A CN116825311B CN 116825311 B CN116825311 B CN 116825311B CN 202310878459 A CN202310878459 A CN 202310878459A CN 116825311 B CN116825311 B CN 116825311B
- Authority
- CN
- China
- Prior art keywords
- drg
- dip
- charging
- correction
- matrix
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000011282 treatment Methods 0.000 claims abstract description 352
- 238000003745 diagnosis Methods 0.000 claims abstract description 113
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 105
- 201000010099 disease Diseases 0.000 claims abstract description 97
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 238000012937 correction Methods 0.000 claims description 207
- 239000011159 matrix material Substances 0.000 claims description 171
- 230000000875 corresponding effect Effects 0.000 claims description 153
- 208000024891 symptom Diseases 0.000 claims description 132
- 230000007547 defect Effects 0.000 claims description 102
- 230000014509 gene expression Effects 0.000 claims description 56
- 238000002372 labelling Methods 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 20
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000011160 research Methods 0.000 claims description 7
- 238000011221 initial treatment Methods 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000013459 approach Methods 0.000 description 3
- 238000011269 treatment regimen Methods 0.000 description 3
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 208000028017 Psychotic disease Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- 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
- G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Bioethics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于DRG/DIP医院管控运营方法及系统，所述方法是通过医生对患者疾病的初步诊断形成诊断报告，在DRG预测模型预测下，得到多个与患者疾病相似的DRG预测结果，将这些DRG预测结果在DRG计费系统中进行DRG计费，并以每个DRG预测结果最终的DRG计费金额作为患者前期疾病治疗的预存金额的参考；在DIP预测模型预测下，得到多个与患者疾病相似的DIP预测结果，将DIP预测结果在DIP计费系统中进行DIP计费；并对得到的多个DIP计费进行均值计算，形成DIP计费均值金额作为患者者前期疾病治疗的预存金额的参考。
Description
技术领域
本发明涉及一种电子信息技术领域，具体的涉及一种医院运营管控技术，特别涉及种基于DRG/DIP的医院管控运营方法及系统。
背景技术
目前，目前医保支付机制划分为DRG计费和DIP计费两种模式；DRG是指将住院患者按照疾病严重程度、治疗方法复杂程度以及资源消耗程度的相似性分成一定数量的疾病组，原则上覆盖所有急性住院病人（亚急性和慢性疾病，如慢性精神疾病、安宁疗护、纯中医治疗等不适宜按DRG付费），决定患者入组的因素包括住院患者的主要诊断和主要治疗方式及合并症并发症、年龄、住院天数等。DIP是以历史数据为基础，依据现实匹配关系对每个病例的“疾病诊断+治疗方式”进行穷举与聚类，将稳定的住院病种进行组合，根据各病种费用均值、技术难度等与某基准病种的比例关系确定相应的病种点数，再结合点数单价及各医疗机构开展的总点数计算出支付总金额，是医保向医疗机构进行支付的方法。
但是无论采用DRG计费还是DIP计费，其目的都是为了减少患者自费费用，以业绩作为考核时，加大了医疗资源使用，同时也使得患者的就医成本增加。
发明内容
有鉴于此，本发明的目的在于提供一种基于DRG/DIP的医院管控运营方法及系统。
为实现上述目的，本发明提供了一种基于DRG/DIP的医院管控运营方法，包括如下步骤：
管控服务器接收医生客户端发送的由医生对患者疾病进行初步诊断的诊断报告，诊断报告在医生客户端用时间进行标记，且设定诊断报告的读写权限；
限定诊断报告的识别机制，在识别机制下对诊断报告进行识别，以获取诊断报告中记录的诊断内容，且在识别机制下对诊断内容中的主症、副症以及疾病初步诊断严重程度进行提取；
将识别出的主症和副症输入至处理模块，按照处理模块设定的处理规则形成一个对患者疾病表达的矩阵，矩阵至少具有两个矩阵单元，设定矩阵单元的加载规则，且基于加载规则在矩阵单元中对应的形成主症表达式和副症表达式；
基于主症表达式和副症表达式对应的选择DRG预测模型，利用DRG预测模型生成初步治疗的第一治疗预案矩阵，并对应的形成DRG计费矩阵；
基于主症表达式和副症表达式对应的选择DIP预测模型，利用DIP预测模型生成初步治疗的第二治疗预案矩阵；并对应的形成DIP计费矩阵；
将第一治疗预案矩阵输入至第一修正模型，第一修正模型内设置有由医生标注的DRG预测缺陷因子库；基于DRG预测缺陷因子在第一修正模型中对第一治疗预案矩阵进行预案修正，形成第一修正治疗预案矩阵和DRG计费修正矩阵；
按照疾病初步诊断严重程度对第二治疗预案矩阵进行修正形成第二修正治疗预案矩阵和DIP计费修正矩阵；
提取DRG计费修正矩阵中每一DRG计费单元的DRG计费金额，基于DRG计费金额按照由小到大排序；且按照DRG计费金额对应的将第一修正治疗预案矩阵中每一个第一修正单元记录的第一修正治疗预案进行关联；
提取DIP计费修正矩阵中每一DIP计费单元的DIP计费金额，并计算多个DIP计费金额的平均值，形成DIP计费均值金额；以DIP计费均值金额将第二修正治疗预案矩阵中每一个第二修正单元记录的第二修正治疗预案进行关联；
将排序后的所有DRG计费金额和DIP计费均值金额输入至离散模型中以金额的大小设定坐标轴以形成多个离散点，基于DRG计费金额与第一修正治疗预案的关联关系将第一修正治疗预案关联至对应的离散点，基于DIP计费均值金额与第二修正治疗预案的关联关系将第二修正治疗预案关联至对应的离散点；
按照设定坐标轴将多个第一修正治疗预案和多个第二修正治疗预案以离散点进行展示，并输入至对应的医生客户端，在医生客户端对应的按照离散点进行显示。
进一步地，医生在医生客户端对以离散点显示的多个第一修正治疗预案和多个第二修正治疗预案进行专业研判，以判断以离散点显示的多个第一修正治疗预案和多个第二修正治疗预案是否存在治疗缺陷；
若具有，执行以下步骤：
A：去除具有缺陷的第一修正治疗预案或第二修正治疗预案，并对去除的第一修正治疗预案或第二修正治疗预案进行缺陷标注；
B：在剩余的以离散点显示的多个第一修正治疗预案和多个第二治疗预案中并结合患者意愿从多个第一修正治疗预案和多个第二修正治疗预案中选定一个作为最终的治疗方案，以治疗方案对应的DRG计费金额或DIP计费金额作为结算依据；
C：将进行缺陷标注的第一修正治疗预案或第二修正治疗预案与对应的诊断报告进行关联后输入至管控服务器；
若不具有，执行步骤B。
进一步地，管控服务器接收进行缺陷标注的第一修正治疗预案或第二修正治疗预案，以及进行缺陷标注的第一修正治疗预案或第二修正治疗预案对应的诊断报告；
基于诊断报告在管控服务器中调用对应的第一修正模型或第二修正模型，在第一修正模型或第二修正模型中对进行缺陷标注的第一修正治疗预案或第二修正治疗预案进行对应的训练，形成候补缺陷因子，并将候补缺陷因子与DRG预测缺陷因子库中的每一DRG预测缺陷因子进行比对，以查看是否具有不一致，若具有不一致，将候补缺陷因子更新至DRG预测缺陷因子库中；或，将候补缺陷因子与DIP预测缺陷因子库中的每一DIP预测缺陷因子进行比对，以查看是否具有不一致，若具有不一致，将候补缺陷因子更新至DIP预测缺陷因子库中。
进一步地，所述诊断报告在医生客户端进行属性设定，其中属性设定是指对诊断报告对应的文本属性进行设定，并将文本属性设定为：
在医生客户端，所述诊断报告的文件属性被配置成可读、可写；
在管控服务器，所述诊断报告的文件属性被配置成可读、不可写。
进一步地，所述医生客户端设置有诊断报告生成模板，所述诊断报告生成模板被配置成：
具有对患者疾病病症主因描述的至少一个第一配置单元；
具有对患者疾病病症副因描述的多个并列设置的第二配置单元；
且所述第一配置单元至少为一个，最多不超过三个；
其中，所述识别机制以第一配置单元记录的内容为作为主症识别，以第二配置单元记录的内容作为副症识别，且分别设置每一第一配置单元和每一第二配置单元的优先值。
进一步地，处理规则为：
按照主症和副症来设置矩阵中矩阵单元的个数；
将矩阵单元按照一行N列进行排布，其中，N由识别出的主症和副症的数量确定，且N为整数；
将主症和副症对应的在矩阵单元中进行记录，对应的以主症对应的第一配置单元和副症所对应的第二配置单元的优先值来分别设置每一矩阵单元被加载时的优先级。
进一步地，所述DRG预测模型具有多个，且DRG预测模型按照如下方法形成：
获取历史数据中相同病症的大量病例以及病例对应的诊断报告和历史治疗方案；
按照疾病严重程度、治疗方法复杂程度以及资源消耗程度将历史治疗方案进行多方专家进行联合标注；
按照联合标注进行分类，将具有相似性联合标注的历史治疗方案分到一组；
将同一类别下的历史治疗方案和对应的诊断报告输入至神经网络模型中，并按照设定的初始训练资源进行迭代训练，得到DRG预测模型。
进一步地，所述DIP预测模型具有多个，且DIP预测模型按照如下方法构建：
获取历史数据中相同病症的大量病例以及病例对应的诊断报告和历史治疗方案；
按照疾病严重程度、治疗方法复杂程度以及资源消耗程度将历史治疗方案进行多方专家进行联合标注，并以疾病严重程度、治疗方法复杂程度以及资源消耗程度划分联合标注中每一标注的标注值范围；
按照联合标注进行分类，将具有相似性联合标注的历史治疗方案分到一组；
将同一类别下的历史治疗方案和对应的诊断报告输入至神经网络模型中，并按照设定的初始训练资源进行迭代训练，得到DIP预测模型；
并按照联合标注中每一标注的标注值范围来设置对应的DIP预测模型的严重性区间均值。
本发明还提供了一种基于DRG/DIP的医院管控运营系统，包括：
管控服务器，以及与管控服务器连接的多个医生客户端；
所述管控服务器包括：
通信模块，用于按照时序接收医生客户端发送的由医生对患者疾病进行初步诊断的诊断报告；
识别模块，内设置有识别机制，在识别机制下对诊断报告进行识别，以获取诊断报告中记录的诊断内容，且在识别机制下对诊断内容中的主症、副症以及疾病初步诊断严重程度进行提取；
处理模块，内设置有处理规则，基于所述处理规则形成一个对患者疾病表达的矩阵，矩阵至少具有两个矩阵单元，设定矩阵单元的加载规则，且基于加载规则在矩阵单元中对应的形成主症表达式和副症表达式；
DRG预测模型，基于主症表达式和副症表达式在对应的DRG预测模型中进行预测，得到：以至少一个主症表达式在DRG预测模型中进行预测得到的至少一个主DRG治疗预案；以多个副症表达式分别在DRG预测模型中进行预测得到的多个对应的副DRG治疗预案；将至少一个主DRG治疗预案和多个副DRG治疗预案组成一个一行N列的第一治疗预案矩阵；其中，N为大于3的整数；
DRG计费矩阵，所述DRG计费矩阵按照如下的方法配置得到：将至少一个主DRG治疗预案输入至DRG计费系统得到至少一个对应的主DRG计费金额；将多个副DRG治疗预案分别输入至DRG计费系统得到多个对应的副DRG计费金额；将至少一个主DRG计费金额和多个副DRG计费金额形成一个与第一治疗预案矩阵对应的DRG计费矩阵；
DIP预测模型，基于主症表达式和副症表达式在对应的DRG预测模型中进行预测，得到：以至少一个主症表达式在DIP预测模型中进行预测得到的至少一个主DIP治疗预案和主DIP治疗预案对应的主严重值区间；以多个副症表达式分别在DIP预测模型中进行预测得到的多个对应的副DIP治疗预案和多个与副DIP治疗预案分别对应的副严重值区间；将至少一个主DIP治疗预案和多个副DRG治疗预案组成一个一行N列的第一治疗预案矩阵，并在第一治疗预案矩阵中对应的记录主严重值区间和副严重值区间；其中，N为大于3的整数；
DIP计费矩阵，所述DIP计费矩阵按照如下的方法配置得到：将至少一个主DIP治疗预案输入至DIP计费系统得到至少一个对应的主DIP计费金额；将多个副DIP治疗预案分别输入至DIP计费系统得到多个对应的副DIP计费金额；将至少一个主DIP计费金额和多个副DIP计费金额形成一个与第一治疗预案矩阵对应的DIP计费矩阵；
第一修正模型，内设置有由医生标注的DRG预测缺陷因子库；基于DRG预测缺陷因子在第一修正模型中对第一治疗预案矩阵进行预案修正，形成第一修正治疗预案矩阵和DRG计费修正矩阵；
第二修正模型，按照疾病初步诊断严重程度对第二治疗预案矩阵记录的主严重值区间和副严重值区间进行修正匹配，形成第二修正治疗预案矩阵和DIP计费修正矩阵；
排序模块，用于提取DRG计费修正矩阵中每一DRG计费单元的DRG计费金额，基于DRG计费金额按照由小到大排序，且按照DRG计费金额对应的将第一修正治疗预案矩阵中每一个第一修正单元记录的第一修正治疗预案进行关联；
均值计算模块，用于提取DIP计费修正矩阵中每一DIP计费单元的DIP计费金额，并计算多个DIP计费金额的平均值，形成DIP计费均值金额，以DIP计费均值金额将第二修正治疗预案矩阵中每一个第二修正单元记录的第二修正治疗预案进行关联；
离散模型，用于将排序后的所有DRG计费金额和DIP计费均值金额输入至离散模型中以金额的大小设定坐标轴以形成多个离散点，基于DRG计费金额与第一修正治疗预案的关联关系将第一修正治疗预案关联至对应的离散点，基于DIP计费均值金额与第二修正治疗预案的关联关系将第二修正治疗预案关联至对应的离散点；
展示模块，用于按照设定坐标轴将多个第一修正治疗预案和多个第二修正治疗预案以离散点进行展示。
进一步地，所述医生客户端内设置有：
时间流标记模块，用于当任意一个医生客户端加载诊断报告后，调用诊断报告的属性设置，在诊断报告的属性中写入加载时间；
诊断报告生成模板，所述诊断报告生成模板被配置成：具有对患者疾病病症主因描述的至少一个第一配置单元；具有对患者疾病病症副因描述的多个并列设置的第二配置单元；且所述第一配置单元至少为一个，最多不超过三个；其中，所述识别机制以第一配置单元记录的内容为作为主症识别，以第二配置单元记录的内容作为副症识别，且分别设置每一第一配置单元和每一第二配置单元的优先值；
显示模块，用于在医生客户端按照设定坐标轴将多个第一修正治疗预案和多个第二修正治疗预案以离散点进行显示。
本发明的目的通过医生对患者疾病的初步诊断形成诊断报告，并基于诊断报告对患者病症分别在DRG预测模型和DIP预测模型进行预测，在DRG预测模型预测下，得到多个与患者疾病相似的DRG预测结果，这些DRG预测结果与患者疾病严重程度、治疗方法复杂程度以及资源消耗程度具有很大的相似性，因此可以根据这些DRG预测结果在DRG计费系统中进行DRG计费，并以每个DRG预测结果最终的DRG计费金额作为患者前期疾病治疗的预存金额的参考；在DIP预测模型预测下，得到多个与患者疾病相似的DIP预测结果，这些DIP预测结果与患者疾病严重程度、治疗方法复杂程度以及资源消耗程度具有相似性，将这些DIP预测结果在DIP计费系统中进行DIP计费；并对得到的多个DIP计费进行均值计算，形成DIP计费均值金额作为患者者前期疾病治疗的预存金额的参考；
当医生客户端接收多个DRG计费金额和DIP计费均值金额后，以金额作为坐标轴将多个DRG计费金额和DIP计费均值金额进行标注，医生通过对每个DRG计费金额所对应的DRG预测结果和DIP计费均值金额对应的多个DIP预测结果对患者进行解释，通过患者自主意愿来选择对应的计费方式和预存金额，与此同时对应的匹配到至少一个治疗方案。并以该治疗方案进行专业研判形成初定治疗方案。上述方式尽量的减少了医生对治疗方案的干预。
附图说明
图1为本发明的方法流程图；
图2为本发明中医生对以离散点显示的多个第一修正治疗预案和多个第二修正治疗预案进行专业研判的方法流程图；
图3为本发明中DRG预测模型形成的方法流程图；
图4为本发明中DIP预测模型形成的方法流程图；
图5为本发明中系统的框架原理图。
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预案进行清楚、完整地描述，显然，所描述的实施例仅仅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1
参照图1至图4，一种基于DRG/DIP的医院管控运营方法，包括如下步骤：
管控服务器接收医生客户端发送的由医生对患者疾病进行初步诊断的诊断报告，诊断报告在医生客户端用时间进行标记，且设定诊断报告的读写权限；
限定诊断报告的识别机制，在识别机制下对诊断报告进行识别，以获取诊断报告中记录的诊断内容，且在识别机制下对诊断内容中的主症、副症以及疾病初步诊断严重程度进行提取；
将识别出的主症和副症输入至处理模块，按照处理模块设定的处理规则形成一个对患者疾病表达的矩阵，矩阵至少具有两个矩阵单元，设定矩阵单元的加载规则，且基于加载规则在矩阵单元中对应的形成主症表达式和副症表达式；
基于主症表达式和副症表达式对应的选择DRG预测模型，利用DRG预测模型生成初步治疗的第一治疗预案矩阵，并对应的形成DRG计费矩阵；
基于主症表达式和副症表达式对应的选择DIP预测模型，利用DIP预测模型生成初步治疗的第二治疗预案矩阵；并对应的形成DIP计费矩阵；
将第一治疗预案矩阵输入至第一修正模型，第一修正模型内设置有由医生标注的DRG预测缺陷因子库；基于DRG预测缺陷因子在第一修正模型中对第一治疗预案矩阵进行预案修正，形成第一修正治疗预案矩阵和DRG计费修正矩阵；
按照疾病初步诊断严重程度对第二治疗预案矩阵进行修正形成第二修正治疗预案矩阵和DIP计费修正矩阵；
提取DRG计费修正矩阵中每一DRG计费单元的DRG计费金额，基于DRG计费金额按照由小到大排序；且按照DRG计费金额对应的将第一修正治疗预案矩阵中每一个第一修正单元记录的第一修正治疗预案进行关联；
提取DIP计费修正矩阵中每一DIP计费单元的DIP计费金额，并计算多个DIP计费金额的平均值，形成DIP计费均值金额；以DIP计费均值金额将第二修正治疗预案矩阵中每一个第二修正单元记录的第二修正治疗预案进行关联；
将排序后的所有DRG计费金额和DIP计费均值金额输入至离散模型中以金额的大小设定坐标轴以形成多个离散点，基于DRG计费金额与第一修正治疗预案的关联关系将第一修正治疗预案关联至对应的离散点，基于DIP计费均值金额与第二修正治疗预案的关联关系将第二修正治疗预案关联至对应的离散点；
按照设定坐标轴将多个第一修正治疗预案和多个第二修正治疗预案以离散点进行展示，并输入至对应的医生客户端，在医生客户端对应的按照离散点进行显示。
进一步地，医生在医生客户端对以离散点显示的多个第一修正治疗预案和多个第二修正治疗预案进行专业研判，以判断以离散点显示的多个第一修正治疗预案和多个第二修正治疗预案是否存在治疗缺陷；
若具有，执行以下步骤：
A：去除具有缺陷的第一修正治疗预案或第二修正治疗预案，并对去除的第一修正治疗预案或第二修正治疗预案进行缺陷标注；
B：在剩余的以离散点显示的多个第一修正治疗预案和多个第二治疗预案中并结合患者意愿从多个第一修正治疗预案和多个第二修正治疗预案中选定一个作为最终的治疗方案，以治疗方案对应的DRG计费金额或DIP计费金额作为结算依据；
C：将进行缺陷标注的第一修正治疗预案或第二修正治疗预案与对应的诊断报告进行关联后输入至管控服务器；
若不具有，执行步骤B。
进一步地，管控服务器接收进行缺陷标注的第一修正治疗预案或第二修正治疗预案，以及进行缺陷标注的第一修正治疗预案或第二修正治疗预案对应的诊断报告；
基于诊断报告在管控服务器中调用对应的第一修正模型或第二修正模型，在第一修正模型或第二修正模型中对进行缺陷标注的第一修正治疗预案或第二修正治疗预案进行对应的训练，形成候补缺陷因子，并将候补缺陷因子与DRG预测缺陷因子库中的每一DRG预测缺陷因子进行比对，以查看是否具有不一致，若具有不一致，将候补缺陷因子更新至DRG预测缺陷因子库中；或，将候补缺陷因子与DIP预测缺陷因子库中的每一DIP预测缺陷因子进行比对，以查看是否具有不一致，若具有不一致，将候补缺陷因子更新至DIP预测缺陷因子库中。
在上述中，DRG预测缺陷因子库和DIP预测缺陷因子库随着医生对本申请方法的应用会不断的进行自我学习和更新，以增强对预测模型缺陷修订的精确性。
进一步地，所述诊断报告在医生客户端进行属性设定，其中属性设定是指对诊断报告对应的文本属性进行设定，并将文本属性设定为：
在医生客户端，所述诊断报告的文件属性被配置成可读、可写；
在管控服务器，所述诊断报告的文件属性被配置成可读、不可写。
进一步地，所述医生客户端设置有诊断报告生成模板，所述诊断报告生成模板被配置成：
具有对患者疾病病症主因描述的至少一个第一配置单元；
具有对患者疾病病症副因描述的多个并列设置的第二配置单元；
以及具有对疾病初步诊断严重程度描述的第三配置单元；
且所述第一配置单元至少为一个，最多不超过三个；
其中，所述识别机制以第一配置单元记录的内容为作为主症识别，以第二配置单元记录的内容作为副症识别，以第三配置单元记录的内容作为疾病初步诊断严重程度的识别，且分别设置每一第一配置单元和每一第二配置单元的优先值。
进一步地，处理规则为：
按照主症和副症来设置矩阵中矩阵单元的个数；
将矩阵单元按照一行N列进行排布，其中，N由识别出的主症和副症的数量加1确定，且N为整数；
将主症和副症对应的在矩阵单元中进行记录，对应的以主症对应的第一配置单元和副症所对应的第二配置单元的优先值来分别设置每一矩阵单元被加载时的优先级。
通过设定第一配置单元和第二配置单元设置的优先级，在形成矩阵时，按照优先级来配置矩阵的形成，比如第一行第一列的矩阵单元用于记录主症，第一行第二列到第二行第N-1列记录副症，第一行第N列用于记录疾病初步诊断严重程度。
进一步地，所述DRG预测模型具有多个，且DRG预测模型按照如下方法形成：
获取历史数据中相同病症的大量病例以及病例对应的诊断报告和历史治疗方案；
按照疾病严重程度、治疗方法复杂程度以及资源消耗程度将历史治疗方案进行多方专家进行联合标注；
按照联合标注进行分类，将具有相似性联合标注的历史治疗方案分到一组；
将同一类别下的历史治疗方案和对应的诊断报告输入至神经网络模型中，并按照设定的初始训练资源进行迭代训练，得到DRG预测模型。
进一步地，所述DIP预测模型具有多个，且DIP预测模型按照如下方法构建：
获取历史数据中相同病症的大量病例以及病例对应的诊断报告和历史治疗方案；
按照疾病严重程度、治疗方法复杂程度以及资源消耗程度将历史治疗方案进行多方专家进行联合标注，并以疾病严重程度、治疗方法复杂程度以及资源消耗程度划分联合标注中每一标注的标注值范围；
按照联合标注进行分类，将具有相似性联合标注的历史治疗方案分到一组；
将同一类别下的历史治疗方案和对应的诊断报告输入至神经网络模型中，并按照设定的初始训练资源进行迭代训练，得到DIP预测模型；
并按照联合标注中每一标注的标注值范围来设置对应的DIP预测模型的严重性区间均值。
进一步地，所述DRG预测模型内还设置有DRG预测结果生成模板和DRG计费系统；
其中，所述DRG预测结果生成模板用于将主症表达式和副症表达式对应的输入至DRG预测模型进行预测，得到：
以至少一个主症表达式在DRG预测模型中进行预测得到的至少一个主DRG治疗预案；
以多个副症表达式分别在DRG预测模型中进行预测得到的多个对应的副DRG治疗预案；
将至少一个主DRG治疗预案和多个副DRG治疗预案组成一个一行N列的第一治疗预案矩阵；其中，N为大于3的整数；需要说明的是：第一治疗预案矩阵在形式上与上述所述矩阵存在一一对应的关系。
所述DRG计费矩阵按照如下的方法得到：
将至少一个主DRG治疗预案输入至DRG计费系统得到至少一个对应的主DRG计费金额；
将多个副DRG治疗预案分别输入至DRG计费系统得到多个对应的副DRG计费金额；
将至少一个主DRG计费金额和多个副DRG计费金额形成一个与第一治疗预案矩阵对应的DRG计费矩阵。
进一步地，所述DIP预测模型内还设置有DIP预测结果生成模板和DIP计费系统；
其中，所述DIP预测结果生成模板用于将主症表达式和副症表达式对应的输入至DIP预测模型进行预测，得到：
以至少一个主症表达式在DIP预测模型中进行预测得到的至少一个主DIP治疗预案和主DIP治疗预案对应的主严重值区间；
以多个副症表达式分别在DIP预测模型中进行预测得到的多个对应的副DIP治疗预案和多个与副DIP治疗预案分别对应的副严重值区间；
将至少一个主DIP治疗预案和多个副DIP治疗预案组成一个一行N列的第一治疗预案矩阵，并在第一治疗预案矩阵中对应的记录主严重值区间和副严重值区间；其中，N为大于3的整数；需要说明的是：第二治疗预案矩阵在形式上与上述所述矩阵存在一一对应的关系。
所述DIP计费矩阵按照如下的方法得到：
将至少一个主DIP治疗预案输入至DIP计费系统得到至少一个对应的主DIP计费金额；
将多个副DIP治疗预案分别输入至DIP计费系统得到多个对应的副DIP计费金额；
将至少一个主DIP计费金额和多个副DIP计费金额形成一个与第一治疗预案矩阵对应的DIP计费矩阵。
本发明的目的通过医生对患者疾病的初步诊断形成诊断报告，并基于诊断报告对患者病症分别在DRG预测模型和DIP预测模型进行预测，在DRG预测模型预测下，得到多个与患者疾病相似的DRG预测结果，这些DRG预测结果与患者疾病严重程度、治疗方法复杂程度以及资源消耗程度具有很大的相似性，因此可以将这些DRG预测结果进行DRG计费系统进行DRG计费，并以每个DRG预测结果最终的DRG计费金额作为患者前期疾病治疗的预存金额的参考；在DIP预测模型预测下，得到多个与患者疾病相似的DIP预测结果，这些DIP预测结果与患者疾病严重程度、治疗方法复杂程度以及资源消耗程度具有相似性，将这些DIP预测结果在DIP计费系统中进行DIP计费；并对得到的多个DIP计费进行均值计算，形成DIP计费均值金额作为患者者前期疾病治疗的预存金额的参考；
当医生客户端接收多个DRG计费金额和DIP计费均值金额后，以金额作为坐标轴将多个DRG计费金额和DIP计费均值金额进行标注，医生通过对每个DRG计费金额所对应的DRG预测结果和DIP计费均值金额对应的多个DIP预测结果对患者进行解释，通过患者自主意愿来选择对应的计费方式和预存金额，与此同时对应的匹配到至少一个治疗方案。并以该治疗方案进行专业研判形成初定治疗方案。上述方式尽量的减少了医生对治疗方案的干预。
实施例2
参照图2-图5，本发明还提供了一种基于DRG/DIP的医院管控运营系统，包括：管控服务器，以及与管控服务器连接的多个医生客户端；
所述管控服务器包括：
通信模块，用于按照时序接收医生客户端发送的由医生对患者疾病进行初步诊断的诊断报告；
识别模块，内设置有识别机制，在识别机制下对诊断报告进行识别，以获取诊断报告中记录的诊断内容，且在识别机制下对诊断内容中的主症、副症以及疾病初步诊断严重程度进行提取；
处理模块，内设置有处理规则，基于所述处理规则形成一个对患者疾病表达的矩阵，矩阵至少具有两个矩阵单元，设定矩阵单元的加载规则，且基于加载规则在矩阵单元中对应的形成主症表达式和副症表达式；
DRG预测模型，基于主症表达式和副症表达式在对应的DRG预测模型中进行预测，得到：以至少一个主症表达式在DRG预测模型中进行预测得到的至少一个主DRG治疗预案；以多个副症表达式分别在DRG预测模型中进行预测得到的多个对应的副DRG治疗预案；将至少一个主DRG治疗预案和多个副DRG治疗预案组成一个一行N列的第一治疗预案矩阵；其中，N为大于3的整数；
DRG计费矩阵，所述DRG计费矩阵按照如下的方法配置得到：将至少一个主DRG治疗预案输入至DRG计费系统得到至少一个对应的主DRG计费金额；将多个副DRG治疗预案分别输入至DRG计费系统得到多个对应的副DRG计费金额；将至少一个主DRG计费金额和多个副DRG计费金额形成一个与第一治疗预案矩阵对应的DRG计费矩阵；
DIP预测模型，基于主症表达式和副症表达式在对应的DRG预测模型中进行预测，得到：以至少一个主症表达式在DIP预测模型中进行预测得到的至少一个主DIP治疗预案和主DIP治疗预案对应的主严重值区间；以多个副症表达式分别在DIP预测模型中进行预测得到的多个对应的副DIP治疗预案和多个与副DIP治疗预案分别对应的副严重值区间；将至少一个主DIP治疗预案和多个副DRG治疗预案组成一个一行N列的第一治疗预案矩阵，并在第一治疗预案矩阵中对应的记录主严重值区间和副严重值区间；其中，N为大于3的整数；
DIP计费矩阵，所述DIP计费矩阵按照如下的方法配置得到：将至少一个主DIP治疗预案输入至DIP计费系统得到至少一个对应的主DIP计费金额；将多个副DIP治疗预案分别输入至DIP计费系统得到多个对应的副DIP计费金额；将至少一个主DIP计费金额和多个副DIP计费金额形成一个与第一治疗预案矩阵对应的DIP计费矩阵；
第一修正模型，内设置有由医生标注的DRG预测缺陷因子库；基于DRG预测缺陷因子在第一修正模型中对第一治疗预案矩阵进行预案修正，形成第一修正治疗预案矩阵和DRG计费修正矩阵；
第二修正模型，按照疾病初步诊断严重程度对第二治疗预案矩阵记录的主严重值区间和副严重值区间进行修正匹配，形成第二修正治疗预案矩阵和DIP计费修正矩阵；
排序模块，用于提取DRG计费修正矩阵中每一DRG计费单元的DRG计费金额，基于DRG计费金额按照由小到大排序，且按照DRG计费金额对应的将第一修正治疗预案矩阵中每一个第一修正单元记录的第一修正治疗预案进行关联；
均值计算模块，用于提取DIP计费修正矩阵中每一DIP计费单元的DIP计费金额，并计算多个DIP计费金额的平均值，形成DIP计费均值金额，以DIP计费均值金额将第二修正治疗预案矩阵中每一个第二修正单元记录的第二修正治疗预案进行关联；
离散模型，用于将排序后的所有DRG计费金额和DIP计费均值金额输入至离散模型中以金额的大小设定坐标轴以形成多个离散点，基于DRG计费金额与第一修正治疗预案的关联关系将第一修正治疗预案关联至对应的离散点，基于DIP计费均值金额与第二修正治疗预案的关联关系将第二修正治疗预案关联至对应的离散点；
展示模块，用于按照设定坐标轴将多个第一修正治疗预案和多个第二修正治疗预案以离散点进行展示。
进一步地，所述医生客户端内设置有：
时间流标记模块，用于当任意一个医生客户端加载诊断报告后，调用诊断报告的属性设置，在诊断报告的属性中写入加载时间；
诊断报告生成模板，所述诊断报告生成模板被配置成：具有对患者疾病病症主因描述的至少一个第一配置单元；具有对患者疾病病症副因描述的多个并列设置的第二配置单元；且所述第一配置单元至少为一个，最多不超过三个；其中，所述识别机制以第一配置单元记录的内容为作为主症识别，以第二配置单元记录的内容作为副症识别，且分别设置每一第一配置单元和每一第二配置单元的优先值；
显示模块，用于在医生客户端按照设定坐标轴将多个第一修正治疗预案和多个第二修正治疗预案以离散点进行显示。
进一步地，医生在医生客户端对以离散点显示的多个第一修正治疗预案和多个第二修正治疗预案进行专业研判，以判断以离散点显示的多个第一修正治疗预案和多个第二修正治疗预案是否存在治疗缺陷；
若具有，执行以下步骤：
A：去除具有缺陷的第一修正治疗预案或第二修正治疗预案，并对去除的第一修正治疗预案或第二修正治疗预案进行缺陷标注；
B：在剩余的以离散点显示的多个第一修正治疗预案和多个第二治疗预案中并结合患者意愿从多个第一修正治疗预案和多个第二修正治疗预案中选定一个作为最终的治疗方案，以治疗方案对应的DRG计费金额或DIP计费金额作为结算依据；
C：将进行缺陷标注的第一修正治疗预案或第二修正治疗预案与对应的诊断报告进行关联后输入至管控服务器；
若不具有，执行步骤B。
进一步地，管控服务器接收进行缺陷标注的第一修正治疗预案或第二修正治疗预案，以及进行缺陷标注的第一修正治疗预案或第二修正治疗预案对应的诊断报告；
基于诊断报告在管控服务器中调用对应的第一修正模型或第二修正模型，在第一修正模型或第二修正模型中对进行缺陷标注的第一修正治疗预案或第二修正治疗预案进行对应的训练，形成候补缺陷因子，并将候补缺陷因子与DRG预测缺陷因子库中的每一DRG预测缺陷因子进行比对，以查看是否具有不一致，若具有不一致，将候补缺陷因子更新至DRG预测缺陷因子库中；或，将候补缺陷因子与DIP预测缺陷因子库中的每一DIP预测缺陷因子进行比对，以查看是否具有不一致，若具有不一致，将候补缺陷因子更新至DIP预测缺陷因子库中。
在上述中，DRG预测缺陷因子库和DIP预测缺陷因子库随着医生对本申请方法的应用会不断的进行自我学习和更新，以增强对预测模型缺陷修订的精确性。
进一步地，所述诊断报告在医生客户端进行属性设定，其中属性设定是指对诊断报告对应的文本属性进行设定，并将文本属性设定为：
在医生客户端，所述诊断报告的文件属性被配置成可读、可写；
在管控服务器，所述诊断报告的文件属性被配置成可读、不可写。
进一步地，所述医生客户端设置有诊断报告生成模板，所述诊断报告生成模板被配置成：
具有对患者疾病病症主因描述的至少一个第一配置单元；
具有对患者疾病病症副因描述的多个并列设置的第二配置单元；
以及具有对疾病初步诊断严重程度描述的第三配置单元；
且所述第一配置单元至少为一个，最多不超过三个；
其中，所述识别机制以第一配置单元记录的内容为作为主症识别，以第二配置单元记录的内容作为副症识别，以第三配置单元记录的内容作为疾病初步诊断严重程度的识别，且分别设置每一第一配置单元和每一第二配置单元的优先值。
进一步地，处理规则为：
按照主症和副症来设置矩阵中矩阵单元的个数；
将矩阵单元按照一行N列进行排布，其中，N由识别出的主症和副症的数量加1确定，且N为整数；
将主症和副症对应的在矩阵单元中进行记录，对应的以主症对应的第一配置单元和副症所对应的第二配置单元的优先值来分别设置每一矩阵单元被加载时的优先级。
通过设定第一配置单元和第二配置单元设置的优先级，在形成矩阵时，按照优先级来配置矩阵的形成，比如第一行第一列的矩阵单元用于记录主症，第一行第二列到第二行第N-1列记录副症，第一行第N列用于记录疾病初步诊断严重程度。
进一步地，所述DRG预测模型具有多个，且DRG预测模型按照如下方法形成：
获取历史数据中相同病症的大量病例以及病例对应的诊断报告和历史治疗方案；
按照疾病严重程度、治疗方法复杂程度以及资源消耗程度将历史治疗方案进行多方专家进行联合标注；
按照联合标注进行分类，将具有相似性联合标注的历史治疗方案分到一组；
将同一类别下的历史治疗方案和对应的诊断报告输入至神经网络模型中，并按照设定的初始训练资源进行迭代训练，得到DRG预测模型。
进一步地，所述DIP预测模型具有多个，且DIP预测模型按照如下方法构建：
获取历史数据中相同病症的大量病例以及病例对应的诊断报告和历史治疗方案；
按照疾病严重程度、治疗方法复杂程度以及资源消耗程度将历史治疗方案进行多方专家进行联合标注，并以疾病严重程度、治疗方法复杂程度以及资源消耗程度划分联合标注中每一标注的标注值范围；
按照联合标注进行分类，将具有相似性联合标注的历史治疗方案分到一组；
将同一类别下的历史治疗方案和对应的诊断报告输入至神经网络模型中，并按照设定的初始训练资源进行迭代训练，得到DIP预测模型；
并按照联合标注中每一标注的标注值范围来设置对应的DIP预测模型的严重性区间均值。
本发明的目的通过医生对患者疾病的初步诊断形成诊断报告，并基于诊断报告对患者病症分别在DRG预测模型和DIP预测模型进行预测，在DRG预测模型预测下，得到多个与患者疾病相似的DRG预测结果，这些DRG预测结果与患者疾病严重程度、治疗方法复杂程度以及资源消耗程度具有很大的相似性，因此可以将这些DRG预测结果进行DRG计费系统进行DRG计费，并以每个DRG预测结果最终的DRG计费金额作为患者前期疾病治疗的预存金额的参考；在DIP预测模型预测下，得到多个与患者疾病相似的DIP预测结果，这些DIP预测结果与患者疾病严重程度、治疗方法复杂程度以及资源消耗程度具有相似性，将这些DIP预测结果在DIP计费系统中进行DIP计费；并对得到的多个DIP计费进行均值计算，形成DIP计费均值金额作为患者者前期疾病治疗的预存金额的参考；
当医生客户端接收多个DRG计费金额和DIP计费均值金额后，以金额作为坐标轴将多个DRG计费金额和DIP计费均值金额进行标注，医生通过对每个DRG计费金额所对应的DRG预测结果和DIP计费均值金额对应的多个DIP预测结果对患者进行解释，通过患者自主意愿来选择对应的计费方式和预存金额，与此同时对应的匹配到至少一个治疗方案。并以该治疗方案进行专业研判形成初定治疗方案。上述方式尽量的减少了医生对治疗方案的干预。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种基于DRG/DIP的医院管控运营方法，其特征在于，包括如下步骤：
管控服务器接收医生客户端发送的由医生对患者疾病进行初步诊断的诊断报告，诊断报告在医生客户端用时间进行标记，且设定诊断报告的读写权限；
限定诊断报告的识别机制，在识别机制下对诊断报告进行识别，以获取诊断报告中记录的诊断内容，且在识别机制下对诊断内容中的主症、副症以及疾病初步诊断严重程度进行提取；
将识别出的主症和副症输入至处理模块，按照处理模块设定的处理规则形成一个对患者疾病表达的矩阵，矩阵至少具有两个矩阵单元，设定矩阵单元的加载规则，且基于加载规则在矩阵单元中对应的形成主症表达式和副症表达式；
基于主症表达式和副症表达式对应的选择DRG预测模型，利用DRG预测模型生成初步治疗的第一治疗预案矩阵，并对应的形成DRG计费矩阵；
基于主症表达式和副症表达式对应的选择DIP预测模型，利用DIP预测模型生成初步治疗的第二治疗预案矩阵；并对应的形成DIP计费矩阵；
将第一治疗预案矩阵输入至第一修正模型，第一修正模型内设置有由医生标注的DRG预测缺陷因子库；基于DRG预测缺陷因子在第一修正模型中对第一治疗预案矩阵进行预案修正，形成第一修正治疗预案矩阵和DRG计费修正矩阵；
按照疾病初步诊断严重程度对第二治疗预案矩阵进行修正形成第二修正治疗预案矩阵和DIP计费修正矩阵；
提取DRG计费修正矩阵中每一DRG计费单元的DRG计费金额，基于DRG计费金额按照由小到大排序；且按照DRG计费金额对应的将第一修正治疗预案矩阵中每一个第一修正单元记录的第一修正治疗预案进行关联；
提取DIP计费修正矩阵中每一DIP计费单元的DIP计费金额，并计算多个DIP计费金额的平均值，形成DIP计费均值金额；以DIP计费均值金额将第二修正治疗预案矩阵中每一个第二修正单元记录的第二修正治疗预案进行关联；
将排序后的所有DRG计费金额和DIP计费均值金额输入至离散模型中以金额的大小设定坐标轴以形成多个离散点，基于DRG计费金额与第一修正治疗预案的关联关系将第一修正治疗预案关联至对应的离散点，基于DIP计费均值金额与第二修正治疗预案的关联关系将第二修正治疗预案关联至对应的离散点；
按照设定坐标轴将多个第一修正治疗预案和多个第二修正治疗预案以离散点进行展示，并输入至对应的医生客户端，在医生客户端对应的按照离散点进行显示；
所述DRG预测模型具有多个，且DRG预测模型按照如下方法形成：
获取历史数据中相同病症的大量病例以及病例对应的诊断报告和历史治疗方案；
按照疾病严重程度、治疗方法复杂程度以及资源消耗程度将历史治疗方案进行多方专家进行联合标注；
按照联合标注进行分类，将具有相似性联合标注的历史治疗方案分到一组；
将同一类别下的历史治疗方案和对应的诊断报告输入至神经网络模型中，并按照设定的初始训练资源进行迭代训练，得到DRG预测模型；
所述DIP预测模型具有多个，且DIP预测模型按照如下方法构建：
获取历史数据中相同病症的大量病例以及病例对应的诊断报告和历史治疗方案；
按照疾病严重程度、治疗方法复杂程度以及资源消耗程度将历史治疗方案进行多方专家进行联合标注，并以疾病严重程度、治疗方法复杂程度以及资源消耗程度划分联合标注中每一标注的标注值范围；
按照联合标注进行分类，将具有相似性联合标注的历史治疗方案分到一组；
将同一类别下的历史治疗方案和对应的诊断报告输入至神经网络模型中，并按照设定的初始训练资源进行迭代训练，得到DIP预测模型；
并按照联合标注中每一标注的标注值范围来设置对应的DIP预测模型的严重性区间均值；
基于医生对患者疾病的初步诊断形成的诊断报告对患者病症分别在DRG预测模型和DIP预测模型进行预测，在DRG预测模型预测下，得到多个与患者疾病相似的DRG预测结果，并根据DRG预测结果在DRG计费系统中进行DRG计费，并以每个DRG预测结果最终的DRG计费金额作为患者前期疾病治疗的预存金额的参考；在DIP预测模型预测下，得到多个与患者疾病相似的DIP预测结果，根据DIP预测结果在DIP计费系统中进行DIP计费；并对得到的多个DIP计费进行均值计算，形成DIP计费均值金额作为患者前期疾病治疗的预存金额的参考；
医生客户端以接收到的多个DRG计费金额和DIP计费均值金额，作为坐标轴将多个DRG计费金额和DIP计费均值金额进行标注，并通过对每个DRG计费金额所对应的DRG预测结果和DIP计费均值金额对应的多个DIP预测结果对患者进行解释，通过患者自主意愿来选择对应的计费方式和预存金额，与此同时对应的匹配到至少一个治疗方案，并以该治疗方案进行专业研判形成初定治疗方案。
2.根据权利要求1所述的基于DRG/DIP的医院管控运营方法，其特征在于，医生在医生客户端对以离散点显示的多个第一修正治疗预案和多个第二修正治疗预案进行专业研判，以判断以离散点显示的多个第一修正治疗预案和多个第二修正治疗预案是否存在治疗缺陷；
若具有，执行以下步骤：
A：去除具有缺陷的第一修正治疗预案或第二修正治疗预案，并对去除的第一修正治疗预案或第二修正治疗预案进行缺陷标注；
B：在剩余的以离散点显示的多个第一修正治疗预案和多个第二治疗预案中并结合患者意愿从多个第一修正治疗预案和多个第二修正治疗预案中选定一个作为最终的治疗方案，以治疗方案对应的DRG计费金额或DIP计费金额作为结算依据；
C：将进行缺陷标注的第一修正治疗预案或第二修正治疗预案与对应的诊断报告进行关联后输入至管控服务器；
若不具有，执行步骤B。
3.根据权利要求2所述的基于DRG/DIP的医院管控运营方法，其特征在于，管控服务器接收进行缺陷标注的第一修正治疗预案或第二修正治疗预案，以及进行缺陷标注的第一修正治疗预案或第二修正治疗预案对应的诊断报告；
基于诊断报告在管控服务器中调用对应的第一修正模型或第二修正模型，在第一修正模型或第二修正模型中对进行缺陷标注的第一修正治疗预案或第二修正治疗预案进行对应的训练，形成候补缺陷因子，并将候补缺陷因子与DRG预测缺陷因子库中的每一DRG预测缺陷因子进行比对，以查看是否具有不一致，若具有不一致，将候补缺陷因子更新至DRG预测缺陷因子库中；或，将候补缺陷因子与DIP预测缺陷因子库中的每一DIP预测缺陷因子进行比对，以查看是否具有不一致，若具有不一致，将候补缺陷因子更新至DIP预测缺陷因子库中。
4.根据权利要求1所述的基于DRG/DIP的医院管控运营方法，其特征在于，所述诊断报告在医生客户端进行属性设定，其中属性设定是指对诊断报告对应的文本属性进行设定，并将文本属性设定为：
在医生客户端，所述诊断报告的文件属性被配置成可读、可写；
在管控服务器，所述诊断报告的文件属性被配置成可读、不可写。
5.根据权利要求1所述的基于DRG/DIP的医院管控运营方法，其特征在于，所述医生客户端设置有诊断报告生成模板，所述诊断报告生成模板被配置成：
具有对患者疾病病症主因描述的至少一个第一配置单元；
具有对患者疾病病症副因描述的多个并列设置的第二配置单元；
且所述第一配置单元至少为一个，最多不超过三个；
其中，所述识别机制以第一配置单元记录的内容为作为主症识别，以第二配置单元记录的内容作为副症识别，且分别设置每一第一配置单元和每一第二配置单元的优先值。
6.根据权利要求1所述的基于DRG/DIP的医院管控运营方法，其特征在于，处理规则为：
按照主症和副症来设置矩阵中矩阵单元的个数；
将矩阵单元按照一行N列进行排布，其中，N由识别出的主症和副症的数量确定，且N为整数；
将主症和副症对应的在矩阵单元中进行记录，对应的以主症对应的第一配置单元和副症所对应的第二配置单元的优先值来分别设置每一矩阵单元被加载时的优先级。
7.一种基于DRG/DIP的医院管控运营系统，其特征在于，包括：
管控服务器，以及与管控服务器连接的多个医生客户端；
所述管控服务器包括：
通信模块，用于按照时序接收医生客户端发送的由医生对患者疾病进行初步诊断的诊断报告；
识别模块，内设置有识别机制，在识别机制下对诊断报告进行识别，以获取诊断报告中记录的诊断内容，且在识别机制下对诊断内容中的主症、副症以及疾病初步诊断严重程度进行提取；
处理模块，内设置有处理规则，基于所述处理规则形成一个对患者疾病表达的矩阵，矩阵至少具有两个矩阵单元，设定矩阵单元的加载规则，且基于加载规则在矩阵单元中对应的形成主症表达式和副症表达式；
DRG预测模型，基于主症表达式和副症表达式在对应的DRG预测模型中进行预测，得到：以至少一个主症表达式在DRG预测模型中进行预测得到的至少一个主DRG治疗预案；以多个副症表达式分别在DRG预测模型中进行预测得到的多个对应的副DRG治疗预案；将至少一个主DRG治疗预案和多个副DRG治疗预案组成一个一行N列的第一治疗预案矩阵；其中，N为大于3的整数；
DRG计费矩阵，所述DRG计费矩阵按照如下的方法配置得到：将至少一个主DRG治疗预案输入至DRG计费系统得到至少一个对应的主DRG计费金额；将多个副DRG治疗预案分别输入至DRG计费系统得到多个对应的副DRG计费金额；将至少一个主DRG计费金额和多个副DRG计费金额形成一个与第一治疗预案矩阵对应的DRG计费矩阵；
DIP预测模型，基于主症表达式和副症表达式在对应的DRG预测模型中进行预测，得到：以至少一个主症表达式在DIP预测模型中进行预测得到的至少一个主DIP治疗预案和主DIP治疗预案对应的主严重值区间；以多个副症表达式分别在DIP预测模型中进行预测得到的多个对应的副DIP治疗预案和多个与副DIP治疗预案分别对应的副严重值区间；将至少一个主DIP治疗预案和多个副DRG治疗预案组成一个一行N列的第一治疗预案矩阵，并在第一治疗预案矩阵中对应的记录主严重值区间和副严重值区间；其中，N为大于3的整数；
DIP计费矩阵，所述DIP计费矩阵按照如下的方法配置得到：将至少一个主DIP治疗预案输入至DIP计费系统得到至少一个对应的主DIP计费金额；将多个副DIP治疗预案分别输入至DIP计费系统得到多个对应的副DIP计费金额；将至少一个主DIP计费金额和多个副DIP计费金额形成一个与第一治疗预案矩阵对应的DIP计费矩阵；
第一修正模型，内设置有由医生标注的DRG预测缺陷因子库；基于DRG预测缺陷因子在第一修正模型中对第一治疗预案矩阵进行预案修正，形成第一修正治疗预案矩阵和DRG计费修正矩阵；
第二修正模型，按照疾病初步诊断严重程度对第二治疗预案矩阵记录的主严重值区间和副严重值区间进行修正匹配，形成第二修正治疗预案矩阵和DIP计费修正矩阵；
排序模块，用于提取DRG计费修正矩阵中每一DRG计费单元的DRG计费金额，基于DRG计费金额按照由小到大排序，且按照DRG计费金额对应的将第一修正治疗预案矩阵中每一个第一修正单元记录的第一修正治疗预案进行关联；
均值计算模块，用于提取DIP计费修正矩阵中每一DIP计费单元的DIP计费金额，并计算多个DIP计费金额的平均值，形成DIP计费均值金额，以DIP计费均值金额将第二修正治疗预案矩阵中每一个第二修正单元记录的第二修正治疗预案进行关联；
离散模型，用于将排序后的所有DRG计费金额和DIP计费均值金额输入至离散模型中以金额的大小设定坐标轴以形成多个离散点，基于DRG计费金额与第一修正治疗预案的关联关系将第一修正治疗预案关联至对应的离散点，基于DIP计费均值金额与第二修正治疗预案的关联关系将第二修正治疗预案关联至对应的离散点；
展示模块，用于按照设定坐标轴将多个第一修正治疗预案和多个第二修正治疗预案以离散点进行展示。
8.根据权利要求7所述的一种基于DRG/DIP的医院管控运营系统，其特征在于，所述医生客户端内设置有：
时间流标记模块，用于当任意一个医生客户端加载诊断报告后，调用诊断报告的属性设置，在诊断报告的属性中写入加载时间；
诊断报告生成模板，所述诊断报告生成模板被配置成：具有对患者疾病病症主因描述的至少一个第一配置单元；具有对患者疾病病症副因描述的多个并列设置的第二配置单元；且所述第一配置单元至少为一个，最多不超过三个；其中，所述识别机制以第一配置单元记录的内容为作为主症识别，以第二配置单元记录的内容作为副症识别，且分别设置每一第一配置单元和每一第二配置单元的优先值；
显示模块，用于在医生客户端按照设定坐标轴将多个第一修正治疗预案和多个第二修正治疗预案以离散点进行显示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310878459.0A CN116825311B (zh) | 2023-07-18 | 2023-07-18 | 一种基于drg/dip的医院管控运营方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310878459.0A CN116825311B (zh) | 2023-07-18 | 2023-07-18 | 一种基于drg/dip的医院管控运营方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116825311A CN116825311A (zh) | 2023-09-29 |
| CN116825311B true CN116825311B (zh) | 2024-04-09 |
Family
ID=88118495
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310878459.0A Active CN116825311B (zh) | 2023-07-18 | 2023-07-18 | 一种基于drg/dip的医院管控运营方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116825311B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117476196A (zh) * | 2023-11-07 | 2024-01-30 | 湖北福鑫科创信息技术有限公司 | 一种基于drg的医疗费用管理系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111584021A (zh) * | 2020-05-08 | 2020-08-25 | 青岛国新健康产业科技有限公司 | 病案信息校验方法、装置、电子设备及存储介质 |
| CN113345577A (zh) * | 2021-06-18 | 2021-09-03 | 北京百度网讯科技有限公司 | 诊疗辅助信息的生成方法、模型训练方法、装置、设备以及存储介质 |
| CN113593686A (zh) * | 2021-08-05 | 2021-11-02 | 南方医科大学珠江医院 | 基于drg/dip全流程医疗质量监管的医保综合管理系统及管理方法 |
| CN113921124A (zh) * | 2021-10-12 | 2022-01-11 | 曹庆恒 | 一种医疗费用管理方法及系统 |
| CN114121243A (zh) * | 2021-11-16 | 2022-03-01 | 上海联众网络信息股份有限公司 | 一种量化病例复杂度和疑难程度的方法 |
| CN115099847A (zh) * | 2022-06-17 | 2022-09-23 | 云知声智能科技股份有限公司 | 一种医院控制费用的方法、装置、电子设备和存储介质 |
| CN116259396A (zh) * | 2022-05-11 | 2023-06-13 | 四川大学华西医院 | 基于机器学习的治疗费用预测方法、系统、设备及存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7546245B2 (en) * | 2002-01-17 | 2009-06-09 | Amsapplied Medical Software, Inc. | Method and system for gainsharing of physician services |
| US20160371444A1 (en) * | 2015-06-19 | 2016-12-22 | Healthcare Value Analytics, LLC | System and method for determining and indicating value of healthcare |
| US11515021B2 (en) * | 2019-10-03 | 2022-11-29 | Rom Technologies, Inc. | Method and system to analytically optimize telehealth practice-based billing processes and revenue while enabling regulatory compliance |
-
2023
- 2023-07-18 CN CN202310878459.0A patent/CN116825311B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111584021A (zh) * | 2020-05-08 | 2020-08-25 | 青岛国新健康产业科技有限公司 | 病案信息校验方法、装置、电子设备及存储介质 |
| CN113345577A (zh) * | 2021-06-18 | 2021-09-03 | 北京百度网讯科技有限公司 | 诊疗辅助信息的生成方法、模型训练方法、装置、设备以及存储介质 |
| CN113593686A (zh) * | 2021-08-05 | 2021-11-02 | 南方医科大学珠江医院 | 基于drg/dip全流程医疗质量监管的医保综合管理系统及管理方法 |
| CN113921124A (zh) * | 2021-10-12 | 2022-01-11 | 曹庆恒 | 一种医疗费用管理方法及系统 |
| CN114121243A (zh) * | 2021-11-16 | 2022-03-01 | 上海联众网络信息股份有限公司 | 一种量化病例复杂度和疑难程度的方法 |
| CN116259396A (zh) * | 2022-05-11 | 2023-06-13 | 四川大学华西医院 | 基于机器学习的治疗费用预测方法、系统、设备及存储介质 |
| CN115099847A (zh) * | 2022-06-17 | 2022-09-23 | 云知声智能科技股份有限公司 | 一种医院控制费用的方法、装置、电子设备和存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| "A Low-Cost Method for Designing and Updating a DRGs Classifier Based on Machine Learning";Chenhao Fang et.al.;《Proceedings of the 4th International Conference on Medical and Health Informatics》;20200831;第160–164页 * |
| "基于BP人工神经网络模型实现DRG与临床路径管理融合与优化";曹坤等;《医学管理论坛》;20220430;第39卷(第04期);第15-17页 * |
| 应用神经网络方法对妇科手术病例DRGs分组测算住院费用;方良欣;邓庆珊;梁燕霞;彭嘉怡;邓群娣;;华夏医学;20130515(第03期);第90-94页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116825311A (zh) | 2023-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11562813B2 (en) | Automated clinical indicator recognition with natural language processing | |
| US12056718B2 (en) | Fraud lead detection system for efficiently processing database-stored data and automatically generating natural language explanatory information of system results for display in interactive user interfaces | |
| US20210335464A1 (en) | Accession number correction system and methods for use therewith | |
| US20200243175A1 (en) | Health information system for searching, analyzing and annotating patient data | |
| US20200167881A1 (en) | Automated clinical indicator recognition with natural language processing | |
| US20220051771A1 (en) | Report generating system and methods for use therewith | |
| CN111540468A (zh) | 一种诊断原因可视化的icd自动编码方法与系统 | |
| US20160188814A1 (en) | Modeling of patient risk factors at discharge | |
| CA3118430C (en) | Abstracting information from patient medical records | |
| US20140095204A1 (en) | Automated medical cohort determination | |
| CN112507701A (zh) | 待纠错医疗数据的识别方法、装置、设备和存储介质 | |
| CN116825311B (zh) | 一种基于drg/dip的医院管控运营方法及系统 | |
| US20220293272A1 (en) | Machine-learning-based healthcare system | |
| CN111785387B (zh) | 一种使用Bert做疾病标准化映射分类的方法及系统 | |
| CN111180026A (zh) | 专科诊疗视图系统及方法 | |
| CN114830079A (zh) | 用于识别信息和重新格式化数据文件的高效数据处理及其应用 | |
| CN112465231A (zh) | 地区人口健康状态预测方法、设备和可读存储介质 | |
| Martin et al. | Hypertension identification using inpatient clinical notes from electronic medical records: an explainable, data-driven algorithm study | |
| CN111477321B (zh) | 具有自学习能力的治疗效果预测系统及治疗效果预测终端 | |
| Kohankhaki et al. | Radiopaths: Deep multimodal analysis on chest radiographs | |
| Garg et al. | Predicting family physicians based on their practice using machine learning | |
| Wang et al. | KMTLabeler: An Interactive Knowledge-Assisted Labeling Tool for Medical Text Classification | |
| Craswell et al. | Computerisation of perinatal data entry: is the data accurate? | |
| Röhr et al. | Revisiting Clinical Outcome Prediction for MIMIC-IV | |
| Reimer | INFORMATION MANAGEMENT AND BIG 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 |