CN116957138A - 诊疗相关费用的预测方法、系统、介质及终端 - Google Patents

Abstract

本发明提供一种诊疗相关费用的预测方法、系统、介质及终端；所述方法包括以下步骤：获取用户的异常体检数据；基于异常体检数据和费用预测模型预测未确诊疾病对应的最低诊疗相关费用；本发明提供了一种能够预测未确诊疾病对应的最低诊疗相关费用的方法，使得用户根据该预测的最低诊疗相关费用，能够及时了解该未确诊疾病的相关诊疗费用情况，从而加强了用户对该未确诊疾病的重视程度，以及给出是否需要相关的检查建议。

Description

诊疗相关费用的预测方法、系统、介质及终端

技术领域

本发明属于体检技术领域，特别是涉及一种诊疗相关费用的预测方法、系统、介质及终端。

背景技术

随着生活水平的提高，人们对自身健康的关注度也越来越高，与之对应的，是人们普遍有较高的体检意识，但常规体检过后，很多疾病并不能直接确诊，需要在专业医疗机构进一步检查以确定是否患有某种疾病；例如，乙肝病毒可以在血液相关体检后直接确诊，但肺癌并不能通过影像学相关体检的肺部结节而确诊；体检者往往能重视直接确诊的疾病，并在后续积极治疗，但对有些体检异常指标，因不能直接确诊疾病，且专业性很强，往往选择加以忽略，且现有的疾病费用预测都是针对已确诊疾病的，缺少对于未确诊疾病的费用预测方法，这就更使得用户对于未确诊疾病缺乏重视。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种诊疗相关费用的预测方法、系统、介质及终端，用于解决现有技术中缺少对于未确诊疾病的诊疗相关费用预测方法的问题。

为实现上述目的及其他相关目的，本发明提供一种诊疗相关费用的预测方法，应用于一终端，所述终端上设有费用预测模型；所述方法包括以下步骤：获取用户的异常体检数据；所述异常体检数据对应所述用户的未确诊疾病；基于所述异常体检数据和所述费用预测模型预测所述未确诊疾病对应的最低诊疗相关费用；所述最低诊疗相关费用包括以下任意一种或几种组合费用：诊断费用、治疗费用、生活费、护理费、路费及误工费。

于本发明的一实施例中，所述费用预测模型包括：第一费用预测模型和第二费用预测模型；所述基于所述异常体检数据和所述费用预测模型预测所述未确诊疾病对应的最低诊疗相关费用包括以下步骤：基于所述异常体检数据和所述第一费用预测模型预测所述未确诊疾病做检查对应的第一诊疗相关费用；基于所述异常体检数据和所述第二费用预测模型预测所述未确诊疾病不做检查对应的第二诊疗相关费用；基于所述第一诊疗相关费用和所述第二诊疗相关费用获取所述最低诊疗相关费用。

于本发明的一实施例中，所述最低诊疗相关费用为所述第一诊疗相关费用和所述第二诊疗相关费用中的较小值。

于本发明的一实施例中，所述方法还包括以下步骤：向所述用户提供对应所述未确诊疾病的检查建议，和/或向所述用户推荐对应所述未确诊疾病的检查项目。

于本发明的一实施例中，所述异常体检数据对应至少一所述未确诊疾病；所述方法还包括以下步骤：对每一所述未确诊疾病对应的所述最低诊疗相关费用进行求和，获取所有所述未确诊疾病对应的最低诊疗相关费用总和。

于本发明的一实施例中，所述方法还包括以下步骤：训练所述费用预测模型，获取训练好的费用预测模型，以使所述训练好的费用预测模型基于所述异常体检数据预测所述最低诊疗相关费用。

于本发明的一实施例中，在所述训练所述费用预测模型的步骤之前，所述方法还包括以下步骤：获取历史病人的历史诊疗相关数据；所述历史诊疗相关数据包括以下任意一种或几种组合：对应所述历史病人的体检检查项目、对应所述体检检查项目的历史体检数据、对应每一所述体检检查项目的体检检查费用及对应所述历史病人的治疗费用、生活费、护理费、路费、误工费；搭建所述费用预测模型；所述训练所述费用预测模型包括以下步骤：利用所述历史诊疗相关数据训练所述费用预测模型。

本发明提供一种诊疗相关费用的预测系统，应用于一终端，所述终端上设有费用预测模型；所述系统包括：获取模块和预测模块；所述获取模块用于获取用户的异常体检数据；所述异常体检数据对应所述用户的未确诊疾病；所述预测模块用于基于所述异常体检数据和所述费用预测模型预测所述未确诊疾病对应的最低诊疗相关费用；所述最低诊疗相关费用包括以下任意一种或几种组合费用：诊断费用、治疗费用、生活费、护理费、路费及误工费。

本发明提供一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的诊疗相关费用的预测方法。

本发明提供一种终端，包括：费用预测模型、处理器及存储器；所述费用预测模型用于基于用户的异常体检数据预测所述用户的未确诊疾病对应的最低诊疗相关费用；所述存储器用于存储计算机程序；所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行上述的诊疗相关费用的预测方法。

如上所述，本发明所述的诊疗相关费用的预测方法、系统、介质及终端，具有以下有益效果：

(1)与现有技术相比，本发明提供了一种能够预测未确诊疾病对应的最低诊疗相关费用的方法，使得用户根据该预测的最低诊疗相关费用，能够及时了解该未确诊疾病的相关诊疗费用情况，从而加强了用户对该未确诊疾病的重视程度。

(2)本发明能根据异常体检数据直接预测出体检者在健康层面最低的诊疗相关费用，以及根据对应相关最低费用，给出是否需要相关的检查建议，这对体检者是非常具有价值的，使得体检者可以根据最低费用的预测，提高对体检报告的重视程度，安排对应的财务规划，以及为全社会提升医疗资源的使用效率，从而实现医疗资料的最有效利用。

(3)本发明通过对未确诊疾病做检查和不做检查两种情况，进行诊疗相关费用的预测，进而预测出最低诊疗相关费用，及给出用户相应的建议，从而有效避免了用户因忽略未确诊疾病导致出现因未及时治疗致使病人错过最佳治疗时间的状况，亦或是，体检者过度重视异常体验结果，进行了过多且没必要的检查，造成医疗资源的浪费。

附图说明

图1显示为本发明的终端于一实施例中的结构示意图。

图2显示为本发明的诊疗相关费用的预测方法于一实施例中的流程图。

图3显示为本发明的基于异常体检数据和费用预测模型预测未确诊疾病对应的最低诊疗相关费用于一实施例中的流程图。

图4显示为本发明的训练费用预测模型于一实施例中的原理图。

图5显示为本发明的诊疗相关费用的预测系统于一实施例中的结构示意图。

符号说明

1 终端

11 处理单元

12 存储器

121 随机存取存储器

122 高速缓存存储器

123 存储系统

124 程序/实用工具

1241 程序模块

13 总线

14 输入/输出接口

15 网络适配器

2 外部设备

3 显示器

51 获取模块

52 预测模块

S1～S5 步骤

S21～S23 步骤

具体实施方式

以下通过特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

本发明的诊疗相关费用的预测方法、系统、介质及终端，与现有技术相比，本发明提供了一种能够预测未确诊疾病对应的最低诊疗相关费用的方法，使得用户根据该预测的最低诊疗相关费用，能够及时了解该未确诊疾病的相关诊疗费用情况，从而加强了用户对该未确诊疾病的重视程度；本发明能根据异常体检数据直接预测出体检者在健康层面最低的诊疗相关费用，以及根据对应相关最低费用，给出是否需要相关的检查建议，这对体检者是非常具有价值的，使得体检者可以根据最低费用的预测，提高对体检报告的重视程度，安排对应的财务规划，以及为全社会提升医疗资源的使用效率，从而实现医疗资料的最有效利用；本发明通过对未确诊疾病做检查和不做检查两种情况，进行诊疗相关费用的预测，进而预测出最低诊疗相关费用，及给出用户相应的建议，从而有效避免了用户因忽略未确诊疾病导致出现因未及时治疗致使病人错过最佳治疗时间的状况，亦或是，体检者过度重视异常体验结果，进行了过多且没必要的检查，造成医疗资源的浪费。

本发明的存储介质上存储有计算机程序，该计算机程序被处理器执行时实现下述的诊疗相关费用的预测方法。所述存储介质包括：只读存储器(Read-Only Memory，ROM)、随机访问存储器(Random Access Memory，RAM)、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。

可以采用一个或多个存储介质的任意组合。存储介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机盘、硬盘、RAM、ROM、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

下面将参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述本发明。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机程序指令实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些计算机程序指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。

也可以把这些计算机程序指令存储在计算机可读介质中，这些指令使得计算机、其它可编程数据处理装置、或其他设备以特定方式工作，从而，存储在计算机可读介质中的指令就产生出包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的指令的制造品(article of manufacture)。

也可以把计算机程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机或其它可编程装置上执行的指令提供实现流程图和/或框图中的一个或多个方框中规定的功能/动作的过程。

本发明的终端包括费用预测模型、处理器及存储器。

所述费用预测模型用于基于用户的异常体检数据预测所述用户的未确诊疾病对应的最低诊疗相关费用。

所述存储器用于存储计算机程序；优选地，所述存储器包括：ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。

所述处理器与所述存储器相连，用于执行所述存储器存储的计算机程序，以使所述终端执行下述的诊疗相关费用的预测方法。

优选地，所述处理器可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

图1示出了适于用来实现本发明实施方式的示例性终端1的框图。

图1显示的终端1仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图1所示，终端1以通用计算设备的形式表现。终端1的组件可以包括但不限于：一个或者多个处理器或者处理单元11，存储器12，连接不同系统组件(包括存储器12和处理单元11)的总线13。

总线13表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture，简称ISA)总线，微通道体系结构(Micro Channel Architecture，简称MCA)总线，增强型ISA总线、视频电子标准协会(Video Electronics Standards Association，简称VESA)局域总线以及外围组件互连(Peripheral Component Interconnect，简称PCI)总线。

终端1典型地包括多种计算机系统可读介质。这些介质可以是任何能够被终端1访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

存储器12可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)121和/或高速缓存存储器122。终端1可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统123可以用于读写不可移动的、非易失性磁介质(图1未显示，通常称为“硬盘驱动器”)。尽管图1中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线13相连。存储器12可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块1241的程序/实用工具124，可以存储在例如存储器12中，这样的程序模块1241包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块1241通常执行本发明所描述的实施例中的功能和/或方法。

终端1也可以与一个或多个外部设备2(例如键盘、指向设备、显示器3等)通信，还可与一个或者多个使得用户能与该终端1交互的设备通信，和/或与使得该终端1能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口14进行。并且，终端1还可以通过网络适配器15与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图1所示，网络适配器15通过总线13与终端1的其它模块通信。应当明白，尽管图中未示出，可以结合终端1使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

如图2所示，于一实施例中，本发明的诊疗相关费用的预测方法应用于一终端，所述终端上设有费用预测模型；具体地，该诊疗相关费用的预测方法包括以下步骤：

步骤S1、获取用户的异常体检数据。

需要说明的是，所述异常体检数据对应所述用户的未确诊疾病。

具体地，用户在体检后，获得异常的体检数据，该异常的体检数据中，有的异常的体检数据能够直接确诊某一疾病，而有的异常的体检数据并不能直接确诊疾病，要想确诊疾病，还需进一步检查或诊断等，此时，即将该不能直接确诊疾病的异常的体检数据作为步骤S1中的“异常体检数据”。

于一实施例中，该步骤S1中的异常体检数据包括但并不限于异常指标，诸如，还包括：用户的身高、骨密度等数据。

步骤S2、基于所述异常体检数据和所述费用预测模型预测所述未确诊疾病对应的最低诊疗相关费用。

需要说明的是，所述最低诊疗相关费用包括但并不限于以下任意一种或几种组合费用：诊断费用、治疗费用(因确诊疾病而产生的)、生活费、护理费、路费及误工费。

于一实施例中，步骤S2中预测的是于预设时间段内(比如5年)，未确诊疾病对应的最低诊疗相关费用。

于一实施例中，所述费用预测模型包括第一费用预测模型和第二费用预测模型。

如图3所示，于一实施例中，所述基于所述异常体检数据和所述费用预测模型预测所述未确诊疾病对应的最低诊疗相关费用包括以下步骤：

步骤S21、基于所述异常体检数据和所述第一费用预测模型预测所述未确诊疾病做检查对应的第一诊疗相关费用。

需要说明的是，步骤S21中，未确诊疾病做检查对应的第一诊疗相关费用是指：针对异常体检数据中某一异常指标(该异常体检数据中包括至少一异常指标)，不能确诊具体的疾病，进一步检查，及在检查后确诊了疾病，然后进行治疗所产生的费用。

于一实施例中，针对一异常指标，其对应的未确诊疾病至少包括一种，步骤S21中预测的第一诊疗相关费用是针对一未确诊疾病的，而不是针对一异常指标。

诸如，步骤S1中获取的异常体检数据包括一异常指标：白细胞指标升高；因白细胞指标升高可能是白血病，也可能是有炎症导致的，所以，该白细胞指标升高，对应的未确诊疾病可能是炎症，也可能是白血病，即白细胞指标异常，对应的未确诊疾病有两种，因此，步骤S21中对应预测的第一诊疗相关费用也有两个。

需要说明的是，对于上述的白细胞指标升高的情况，为进一步确诊未确诊疾病，需进一步进行炎症方面相关检查，此时，就会产生检查费用(对应上述的“诊断费用”)，在经检查确诊了疾病后，再进行相应的治疗，即会产生治疗费用，同时，在治疗过程中，还可能会产生其它的费用(包括但并不限于：生活费、护理费、路费、误工费等等)，这些费用的累加即为步骤S21中炎症做检查对应的第一诊疗相关费用；同样，对于白血病方面相关检查原理与该炎症检查原理相同，故在此不再详细赘述。

步骤S22、基于所述异常体检数据和所述第二费用预测模型预测所述未确诊疾病不做检查对应的第二诊疗相关费用。

需要说明的是，步骤S22中，未确诊疾病不做检查对应的第二诊疗相关费用是指：针对异常体检数据中某一异常指标，不能确诊具体的疾病，但也不再进一步检查，待后续发病后，因治疗而产生的费用(包括但并不限于：治疗费用、生活费、护理费、路费、误工费等等)即为该步骤S22中的第二诊疗相关费用。

需要说明的是，上述步骤S21和步骤S22没有明确的执行顺序，可以按照先后顺序执行，也可以同时执行；其中，在按照先后顺序执行时，可以先执行步骤S21，再执行步骤S22,；也可以先执行步骤S22，再执行步骤S21。

需要说明的是，对于上述的白细胞指标升高，对应的疾病可能是炎症，也可能是白血病，即白细胞指标异常，对应的疾病有两种，则针对每一种疾病，分别进行步骤S22中的不做检查的诊疗相关费用的预测，获取2个诊疗相关费用的预测结果，分别炎症不做检查对应的第二诊疗相关费用和白血病不做检查对应的第二诊疗相关费用。

诸如，于一实施例中，异常体检数据中包括N个异常指标，这N个异常指标中有n1个异常指标均对应1种未确诊疾病，则经步骤S21做检查会对应预测出n1个未确诊疾病分别对应的n1个第一诊疗相关费用，经步骤S22不做检查会对应预测出n1个未确诊疾病分别对应的n1个第二诊疗相关费用；N个异常指标中有n2个异常指标均对应2种未确诊疾病，n1+n2＝N，则经步骤S21做检查会对应预测出2×n2个未确诊疾病对应的2×n2个第一诊疗相关费用，经步骤S22不做检查会对应预测出2×n2个未确诊疾病对应的2×n2个第二诊疗相关费用。

步骤S23、基于所述第一诊疗相关费用和所述第二诊疗相关费用获取所述最低诊疗相关费用。

于一实施例中，所述最低诊疗相关费用为所述第一诊疗相关费用和所述第二诊疗相关费用中的较小值。

具体地，从经步骤S21获取的一未确诊疾病做检查对应的第一诊疗相关费用，和经步骤S22获取的该未确诊疾病不做检查对应的第二诊疗相关费用中选择较小值作为该未确诊疾病对应的最低诊疗相关费用，同时，能够确定该最低诊疗相关费用是对应该未确诊疾病做检查的费用，还是对应该未确诊疾病不做检查的费用，从而使得用户根据该最低诊疗相关费用确定对于该未确诊疾病是否做进一步检查。

需要说明的是，步骤S23中，基于第一诊疗相关费用和第二诊疗相关费用获取最低诊疗相关费用不限于采用上述的，从该第一诊疗相关费用和第二诊疗相关费用中选取较小值的方式，诸如，还可以采用加权平均的方式；具体地，为该第一诊疗相关费用和第二诊疗相关费用加权，然后进行平均计算，所得结果作为该最低诊疗相关费用。

如图2所示，于一实施例中，所述方法还包括以下步骤：

步骤S3、向所述用户提供对应所述未确诊疾病的检查建议。

于一实施例中，该步骤S3中的检查建议是指：建议用户针对未确诊疾病是否进一步做检查。

于一实施例中，在经步骤S2预测出最低诊疗相关费用的同时，即已知了该最低诊疗相关费用是针对做检查的费用，还是针对不做检查的费用，从而据此即可给出用户是否做检查的建议。

需要说明的是，若该最低诊疗相关费用对应的是做检查的费用，则建议用户做检查；反之，若该最低诊疗相关费用对应的是不做检查的费用，则建议用户不做检查。

如图2所示，于一实施例中，所述方法还包括以下步骤：

步骤S4、向所述用户推荐对应所述未确诊疾病的检查项目。

具体地，在经步骤S3确定对于未确诊疾病的检查建议是做检查时，向用户推荐对应该未确诊疾病的检查项目。

于一实施例中，所述异常体检数据对应至少一所述未确诊疾病。

如图2所示，于一实施例中，所述方法还包括以下步骤：

步骤S5、对每一所述未确诊疾病对应的所述最低诊疗相关费用进行求和，获取所有所述未确诊疾病对应的最低诊疗相关费用总和。

需要说明的是，通过最终给用户一最低诊疗相关费用的总和，使得该用户能够提前安排财务规划。

于一实施例中，所述方法还包括以下步骤：

步骤一、获取历史病人的历史诊疗相关数据。

需要说明的是，所述历史诊疗相关数据包括但并不限于以下任意一种或几种组合：对应所述历史病人的体检检查项目、对应所述体检检查项目的历史体检数据、对应每一所述体检检查项目的体检检查费用及对应所述历史病人的治疗费用、生活费、护理费、路费、误工费，诸如，还包括历史病人的身高、骨密度等数据。

步骤二、搭建所述费用预测模型。

步骤三、利用所述历史诊疗相关数据训练所述费用预测模型，获取训练好的费用预测模型，以使所述训练好的费用预测模型基于所述异常体检数据预测所述最低诊疗相关费用。

具体地，上述步骤一至步骤三在上述的步骤S2之前执行，用于训练出一费用预测模型，以使步骤S2中，基于异常体检数据和该训练好的费用预测模型预测未确诊疾病对应的最低诊疗相关费用。

于一实施例中，当历史诊疗相关数据中所含理性数据较少时，采用第一种方法，即体检后，列出每种进一步需要的检查，然后根据体检结果，分别预测每一种检查做与不做时的费用(分别通过上述的第一费用预测模型和第二费用预测模型)，根据对应的两个费用的高低，确定是否需要进一步检查。

具体地，在没有较多理性数据的情况下，需要列举每种检查做与不做的情况，然后利用已有历史诊疗相关数据，训练多个子模型；比如，利用大量的体检数据，以及对应人群做肠镜检查后的医疗费用，训练出一个子模型，当输入新体检数据，即可得出假设做肠镜的情况下，未来医疗费用。

当检查有N项时，即可训练出N对(2×N个)子模型；一个新的体检者，将数据输入模型，即可得到N对费用预测值；然后，记录下每对数值中较低的值，并且记录下与之对应的是否做相应检查；之后，对于相同疾病的检查，取费用较低者，比如血液检测与试纸检测均可以检测HIV病毒，如果试纸检测较为便宜，则留下试纸检测的费用；最后，加总所有最低费用，并生成对应检查项目列表。

于一实施例中，当历史诊疗相关数据中所含理性数据较多时，采用第二种方法，即体检后，根据体检结果，直接输出最低诊疗相关费用(通过上述的费用预测模型)以及对应的进一步检查建议。

需要说明的是，该理性数据的来源，可以是长期收集得出的结果数据，将这些数据直接输入费用预测模型训练，则该费用预测模型可以直接预测得出体检数据对应的未来一段时间内，诊疗相关费用与对应检查项目。

需要说明的是，现有的历史诊疗相关数据并非都是基于最理性状态下(对应上述的“理性数据”)获取的，诸如，过度医疗或检查不足等非理性状态，而基于非理性状态下的历史诊疗相关数据训练所得的预测模型结果并不最优；例如，一个人因检查不足而错过早起确诊疾病，后期需要更痛苦的治疗与更高的医疗费用，这种数据训练模型，不能得到最优的模型；反之，过度医疗数据亦然，一种疾病确诊的检查费用需要10000，但该疾病发病概率为0.1，病发后治疗费用为50000(这种情况下，基于费用最低化原则，不进行进一步检查是较优选择)。

于一实施例中，将步骤一中的历史诊疗相关数据分为两类，第一类数据为历史病人做检查的情况对应的数据，第二类数据为历史病人不做检查的情况对应的数据；在步骤二中，搭建第一费用预测模型和第二费用预测模型；然后，利用第一类数据训练第一费用预测模型，利用第二类数据训练第二费用预测模型，以分别获取训练好的第一费用预测模型和训练好的第二费用预测模型；最后，利用该训练好的第一费用预测模型预测出第一诊疗相关费用(对应上述的步骤S21)，利用该训练好的第二费用预测模型预测出第二诊疗相关费用(对应上述的步骤S22)。

需要说明的是，在上述训练预测模型(包括费用预测模型、第一费用预测模型、第二费用预测模型)时，将历史诊疗相关数据按照一定的预设比例进行划分；优选地，将所有历史诊疗相关数据的80％作为训练数据，输入至预测模型中，而将剩下的20％的历史诊疗相关数据作为测试数据，用于对训练好的预测模型进行测试。

优选地，上述的费用预测模型、第一费用预测模型及第二费用预测模型均采用AI模型。

需要说明的是，该费用预测模型、第一费用预测模型及第二费用预测模型不限定为AI生成，也可以是经过科学的统计计算得出的模型或其他方式生成的模型，只是现有技术AI应用已经非常广泛与成熟。

进一步地，该费用预测模型、第一费用预测模型及第二费用预测模型在训练过程中，使用领域内常见的算法；诸如，AdaBoost、GBDT、RF、XGboost、LightGBM、CatBoost等，在此不再详细赘述。

优选地，该费用预测模型、第一费用预测模型及第二费用预测模型在训练过程中，使用LightGBM算法。

需要说明的是，在训练过程中，输入至该费用预测模型、第一费用预测模型及第二费用预测模型的数据，包含连续数值和离散数值(诸如，于色觉检查过程中，包括正常、色弱和色盲这三种情况，每一种情况对应一数值，这三个数值是离散的，并不是连续的)两种，使用LightGBM算法可以直接将连续数值合理的离散化，同时有效地防止过拟合问题。

进一步地，上述历史诊疗相关数据中的每一类数据均作为一列特征值(诸如，对应每一个历史病人的身高作为一列特征值、对应每一个历史病人的骨密度作为一列特征值等)，在每一列特征值中均有可能存在空值(诸如，一历史病人的身高不详)，此时，采用特征值平均的方式填充该空值，使得特征使用率变高。

需要说明的是，上述过程，已经可以实现对体检者未来诊疗相关费用进行预测，其中的重点就是得到AI模型，AI模型由历史诊疗相关数据训练而来，这些数据可以在各个医疗机构贡献，也可以是病人在本系统中慢慢积累的数据，甚至早期可以是相关疾病专家人工标注而成。

进一步地，利用上述的费用预测模型、第一费用预测模型及第二费用预测模型(AI模型)预测费用，丰富的医疗数据是必不可少的，但因为法规等问题，各个医疗机构的数据很难互通使用，影响预测的精确性，且众所周知，医疗费用信息是每个人的隐私数据，即使有一些特殊用途进行授权，过程与时间均会非常复杂与漫长，因此，本发明提供一个能够在有效控制隐私与数据流动的情况下，更加精确的预测诊疗相关费用的方法。

如图4所示，于一实施例中，每个医疗机构(包括医疗机构A、B、C)均根据自己的医疗费用信息，根据上述方法，训练一个模型(以图4中的费用预测模型为例)，当一个待预测的病人信息出现时，由AI模型数据库转发至每个医疗机构所属的模型，得到预测值；AI模型根据自身信息，以及这些反馈的结果，综合各机构权重投票得到最终结果。

需要说明的是，上述所述的各医疗机构的权重，可以由自有的数据库中，已有数据作为训练集，对各个机构返回的结果进行训练所得，训练算法可以使用上述LightGBM算法的训练模式，也可以使用其他限行回归的模型。

进一步地，上述一个简单好理解的方式为：在实施时，实际采用了TFF框架，即每个医疗机构使用自身的数据信息，在每一轮训练中，将梯度下降的信息传给AI模型，AI模型根据医疗机构的权重(通常和规模有关)，加总所有梯度信息，更新模型；同时，AI模型将更新后新一轮的模型，发给每个医疗机构，各个医疗机构利用新的模型与自己的医疗费用数据信息，训练新一轮的模型，产生新的梯度下降信息，回传AI模型，直到训练停止。

需要说明的是，通过上述训练方式，使得医疗数据信息的拥有者(即医疗机构)，不需要将数据出库，既可以协同获得更准确的预测值，该过程有效阻止了医疗费用数据信息的流动。

下面通过具体实施例来进一步解释说明本发明的诊疗相关费用的预测方法。

实施例一

AI模型分析一个体检者的体检报告，可选的进一步检查有2项，宫颈癌检查、甲状腺癌检查，由该AI模型分别预测出2对结果，宫颈癌检查做与不做，未来5年内的诊疗相关费用预期分别为4000，12000；甲状腺癌检查做与不做，未来5年内的诊疗相关费用预期分别为2000，1000，从而得出未来5年预期最低诊疗相关费用为5000，做宫颈癌检查，不做甲状腺癌检查。

实施例二

上述实施中，AI模型的训练，也可以加入其他机构的数据，更丰富的数据将提高AI模型的准确性，但数据受到法律法规的严格监管，不能对外传送，因此采用以下的训练方式。

训练包含多轮，每一轮开始时，AI模型先将模型发送给合作的医疗机构，医疗机构A收到模型后，根据自己的信息对模型进行训练，训练得出的梯度下降信息，传回给AI模型。

AI模型收到每一家医疗机构传回的梯度下降信息，相加后更新自己的AI模型，然后开始下一轮训练过程，过程如上。

需要说明的是，本发明通过联邦学习方法，有效提高了各医疗机构的医疗费用数据可获取性，提高了诊疗相关费用预测的准确度。

需要说明的是，本发明所述的诊疗相关费用的预测方法的保护范围不限于本实施例列举的步骤执行顺序，凡是根据本发明的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本发明的保护范围内。

如图5所示，于一实施例中，本发明的诊疗相关费用的预测系统应用于一终端，所述终端上设有费用预测模型；所述系统包括获取模块51和预测模块52。

所述获取模块51用于获取用户的异常体检数据；所述异常体检数据对应所述用户的未确诊疾病。

所述预测模块52用于基于所述异常体检数据和所述费用预测模型预测所述未确诊疾病对应的最低诊疗相关费用；所述最低诊疗相关费用包括以下任意一种或几种组合费用：诊断费用、治疗费用、生活费、护理费、路费及误工费。

需要说明的是，该诊疗相关费用的预测系统的工作原理与上述诊疗相关费用的预测方法的工作原理相同，故在此不再赘述。

需要说明的是，应理解以上系统的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，x模块可以为单独设立的处理元件，也可以集成在上述系统的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述系统的存储器中，由上述系统的某一个处理元件调用并执行以上x模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。

例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个数字信号处理器(Digital Signal Processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(Central Processing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(System-On-a-Chip，简称SOC)的形式实现。

需要说明的是，本发明的诊疗相关费用的预测系统可以实现本发明的诊疗相关费用的预测方法，但本发明的诊疗相关费用的预测方法的实现装置包括但不限于本实施例列举的诊疗相关费用的预测系统的结构，凡是根据本发明的原理所做的现有技术的结构变形和替换，都包括在本发明的保护范围内。

综上所述，本发明的诊疗相关费用的预测方法、系统、介质及终端，与现有技术相比，本发明提供了一种能够预测未确诊疾病对应的最低诊疗相关费用的方法，使得用户根据该预测的最低诊疗相关费用，能够及时了解该未确诊疾病的相关诊疗费用情况，从而加强了用户对该未确诊疾病的重视程度；本发明能根据异常体检数据直接预测出体检者在健康层面最低的诊疗相关费用，以及根据对应相关最低费用，给出是否需要相关的检查建议，这对体检者是非常具有价值的，使得体检者可以根据最低费用的预测，提高对体检报告的重视程度，安排对应的财务规划，以及为全社会提升医疗资源的使用效率，从而实现医疗资料的最有效利用；本发明通过对未确诊疾病做检查和不做检查两种情况，进行诊疗相关费用的预测，进而预测出最低诊疗相关费用，及给出用户相应的建议，从而有效避免了用户因忽略未确诊疾病导致出现因未及时治疗致使病人错过最佳治疗时间的状况，亦或是，体检者过度重视异常体验结果，进行了过多且没必要的检查，造成医疗资源的浪费；所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种诊疗相关费用的预测方法，应用于一终端，其特征在于，所述终端上设有费用预测模型；所述方法包括以下步骤：

获取用户的异常体检数据；所述异常体检数据对应所述用户的未确诊疾病；

基于所述异常体检数据和所述费用预测模型预测所述未确诊疾病对应的最低诊疗相关费用；所述最低诊疗相关费用包括以下任意一种或几种组合费用：诊断费用、治疗费用、生活费、护理费、路费及误工费。

2.根据权利要求1所述的诊疗相关费用的预测方法，其特征在于，所述费用预测模型包括：第一费用预测模型和第二费用预测模型；所述基于所述异常体检数据和所述费用预测模型预测所述未确诊疾病对应的最低诊疗相关费用包括以下步骤：

基于所述异常体检数据和所述第一费用预测模型预测所述未确诊疾病做检查对应的第一诊疗相关费用；

基于所述异常体检数据和所述第二费用预测模型预测所述未确诊疾病不做检查对应的第二诊疗相关费用；

基于所述第一诊疗相关费用和所述第二诊疗相关费用获取所述最低诊疗相关费用。

3.根据权利要求2所述的诊疗相关费用的预测方法，其特征在于，所述最低诊疗相关费用为所述第一诊疗相关费用和所述第二诊疗相关费用中的较小值。

4.根据权利要求1所述的诊疗相关费用的预测方法，其特征在于，所述方法还包括以下步骤：

向所述用户提供对应所述未确诊疾病的检查建议，和/或

向所述用户推荐对应所述未确诊疾病的检查项目。

5.根据权利要求1所述的诊疗相关费用的预测方法，其特征在于，所述异常体检数据对应至少一所述未确诊疾病；所述方法还包括以下步骤：

对每一所述未确诊疾病对应的所述最低诊疗相关费用进行求和，获取所有所述未确诊疾病对应的最低诊疗相关费用总和。

6.根据权利要求1所述的诊疗相关费用的预测方法，其特征在于，所述方法还包括以下步骤：

训练所述费用预测模型，获取训练好的费用预测模型，以使所述训练好的费用预测模型基于所述异常体检数据预测所述最低诊疗相关费用。

7.根据权利要求6所述的诊疗相关费用的预测方法，其特征在于，在所述训练所述费用预测模型的步骤之前，所述方法还包括以下步骤：

获取历史病人的历史诊疗相关数据；所述历史诊疗相关数据包括以下任意一种或几种组合：对应所述历史病人的体检检查项目、对应所述体检检查项目的历史体检数据、对应每一所述体检检查项目的体检检查费用及对应所述历史病人的治疗费用、生活费、护理费、路费、误工费；

搭建所述费用预测模型；

所述训练所述费用预测模型包括以下步骤：利用所述历史诊疗相关数据训练所述费用预测模型。

8.一种诊疗相关费用的预测系统，应用于一终端，其特征在于，所述终端上设有费用预测模型；所述系统包括：获取模块和预测模块；

所述获取模块用于获取用户的异常体检数据；所述异常体检数据对应所述用户的未确诊疾病；

所述预测模块用于基于所述异常体检数据和所述费用预测模型预测所述未确诊疾病对应的最低诊疗相关费用；所述最低诊疗相关费用包括以下任意一种或几种组合费用：诊断费用、治疗费用、生活费、护理费、路费及误工费。

9.一种存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7中任一项所述的诊疗相关费用的预测方法。

10.一种终端，其特征在于，包括：费用预测模型、处理器及存储器；

所述费用预测模型用于基于用户的异常体检数据预测所述用户的未确诊疾病对应的最低诊疗相关费用；

所述存储器用于存储计算机程序；

所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行权利要求1至7中任一项所述的诊疗相关费用的预测方法。