CN117151902A - 一种大数据分析对drg及dip医保支付风险监控和预警的方法 - Google Patents

一种大数据分析对drg及dip医保支付风险监控和预警的方法 Download PDF

Info

Publication number
CN117151902A
CN117151902A CN202311384502.4A CN202311384502A CN117151902A CN 117151902 A CN117151902 A CN 117151902A CN 202311384502 A CN202311384502 A CN 202311384502A CN 117151902 A CN117151902 A CN 117151902A
Authority
CN
China
Prior art keywords
monitoring
risk
quality
group
medical insurance
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
Application number
CN202311384502.4A
Other languages
English (en)
Other versions
CN117151902B (zh
Inventor
彭宪峰
苑光波
刘冰
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.)
Beijing Chuangzhi Heyu Technology Co ltd
Original Assignee
Beijing Chuangzhi Heyu Technology 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 Beijing Chuangzhi Heyu Technology Co ltd filed Critical Beijing Chuangzhi Heyu Technology Co ltd
Priority to CN202311384502.4A priority Critical patent/CN117151902B/zh
Publication of CN117151902A publication Critical patent/CN117151902A/zh
Application granted granted Critical
Publication of CN117151902B publication Critical patent/CN117151902B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
    • G06Q20/401—Transaction verification
    • G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing

Abstract

本发明属于数据采集、智能监控以及大数据分析技术领域，提出了一种大数据分析对DRG及DIP医保支付风险监控和预警的方法，具体为：预先布置医保支付风险监控环境，并从中识别风险监控模型，然后分别获取各个风险监控模型的监质水平，并且通过监质水平进行监质兼容分析，最后根据监质兼容分析的结果对医保支付风险进行监控预警。通过对大数据模型兼容性分析，量化了当前应用的落行监督组对医保支付风险监控环境中现有的数据或者事实获得的数据的监控方法的时效性，从而进一步提升该支付风险监控环境的安全性提供有效依据，降低监测过程缓慢而且效率低下的风险，进而提升DRG及DIP医保支付系统的安全性和稳定性。

Description

一种大数据分析对DRG及DIP医保支付风险监控和预警的方法
技术领域
本发明属于数据采集、智能监控以及大数据分析技术领域，具体涉及一种大数据分析对DRG及DIP医保支付风险监控和预警的方法。
背景技术
DRG及DIP分类系统的设计和实施可以根据不同国家和地区的医疗体系而有所不同，其核心原则是将患者根据一系列临床和资源利用标准进行分类，以确定适当的付款水平。这种分类系统有助于管理医疗保健成本，提高医疗服务的质量，并确保医疗资源的合理分配。在DRG及DIP改革推进的过程中，存在着多种类的支付风险，这些支付风险主要包括医疗不足、转嫁费用、过度医疗以及欺诈骗保等形式，这些支付风险下分别包括若干细分类型的支付风险。然而DRG及DIP分类系统中对支付风险的监测以及鉴别一直是其推广过程中的关键性挑战，因为支付风险的问题将直接影响DRG及DIP支付模型的精确性和时效性，直接影响医疗决策的反应性以及支付模型偏向性，其中支付模型偏向性又包括医疗机构亏损，尤其是在处理复杂或高风险患者时的支付不足风险，还包括支付模型鼓励医疗机构限制资源的使用，以节省成本导致的资源使用不足风险。因此当下出现了利用大数据人工智能对信息系统自动筛查发现违法违规、欺诈骗保等行为的智能监控和预警方法，然而不同的监测模型往往分别多种类的风险问题构建，在此过程中构成了大量的模型运算，传统方法的监测形式对新落成的监测模型或者叠加的监测模型在应用上往往具有运算复杂和冗杂问题，使得监测过程缓慢而且效率低下，对现有的多个监测模型的兼容状态无法有效甄别和比较筛选，因此亟需一种对DRG及DIP医保支付风险监控模型的兼容性进行科学判别的方法以提升监测手段的应用效率。
发明内容
本发明的目的在于提出一种大数据分析对DRG及DIP医保支付风险监控和预警的方法，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
为了实现上述目的，根据本发明的一方面，提供一种大数据分析对DRG及DIP医保支付风险监控和预警的方法，所述方法包括以下步骤：
S100，布置医保支付风险监控环境，并从中识别风险监控模型；
S200，分别获取各个风险监控模型的监质水平；
S300，通过监质水平进行监质兼容分析；
S400，根据监质兼容分析的结果，对医保支付风险进行监控预警。
进一步地，在步骤S100中，所述布置医保支付风险监控环境，并从中识别风险监控模型的方法是：医保支付风险监控环境中包括监控模型库，监控模型库中包含若干风险监控模型，风险监控模型用于为基于大数据的预测模型，预测模型包括任一种基于机器学习的大数据训练模型，各个风险监控模型分别用于识别DRG及DIP中存在医保支付风险的数据或者案例，每个风险监控模型有对应一个或者多个支付风险标签，支付风险标签与支付风险的类型有一一对应关系。
其中支付风险类型包括医疗不足、转嫁费用、过度医疗或者欺诈骗保类型的风险，上述支付风险类型为基础风险类型，在其基础上有更多细分的支付风险子类，根据时段或者地区支付风险子类可以被覆盖定义或者新建定义。支付风险类型和支付风险子类型均由对应的支付风险标签进行区分。
进一步地，在步骤S200中，所述分别获取各个风险监控模型的监质水平的方法是：以任一个风险监控模型作为监督节点，通过若干个监督节点的组合作为监督组；以服务器中正在应用的监督组作为落行监督组；设定一个时间段作为规划期TDS, 规划期的取值范围是TDS∈[180,720] 个自然日；将最近TDS时段内曾用为落行监督组的各个监督组均作为参考监督组；各个参考监督组在最近TDS时段内的召回率构建成序列作为监督组表现序列，以监督组表现序列中的最大值与落行监督组在最近TDS时段内的召回率的比值作为当前的参组召比，以参考监督组在最近TDS时段内的准确率作为参组准度，将参组召比和参组准度构成的二元组作为一个参考监督组当前的监质水平，以自然日为单位获取参考监督组的监质水平。
落行监督组指的是实际应用于监测DRG及DIP医保支付风险的各个风险监控模型的集合；以自然日为单位获取监质水平指的是，获取监质水平的时间间隔为一个自然日；任一监督组的召回率为监督组内各个监督节点的召回率的平均值；前文中的当前等同当前自然日；
进一步地，在步骤S300中，所述通过监质水平进行监质兼容分析的方法是：设定一个时间段作为规划期TDS, TDS∈[180,720] 个自然日；根据同一个自然日中不同参考监督组对应监质水平的参组准度构成序列，作为参组准度序列，以参组准度序列中的最大值与中位值的比值作为该自然日的准度跃迁率ORT；
设定一个数值区间O_Zn, O_Zn∈[0.7,0.9]；如果一个自然日中准度跃迁率满足ORT＜O_Zn，则定义该自然日为兼容险位；在最近TDS内将任意时序上连续的若干兼容险位作为一个险位点，险位点中包含兼容险位的数量作为其延续险度DURP，险位点的总数量记作nRD；获取最近TDS内各个自然日对应参组召比的平均值作为召比水平RRCL，
当一个自然日对应的参组召比大于召比水平则为该自然日作优质兼容标记，否则作质疑兼容标记；一个险位点中含有优质兼容标记的自然日数量与其延续险度DURP的比值记作优质兼容率Rt_epl；一个险位点中含有优质兼容标记的各个自然日中参组召比的最大值记作第一参组召比Mx_epl；根据召比水平和险位点的定义进行监质兼容分析，计算兼容性能ETHN：
；
其中j1为累加变量，以Rt_eplj1和Mx_epl j1分别代表第j1个险位点的优质兼容率和第一参组召比，exp()为自然常数e为底数的指数函数，DURPj1为第j1个险位点的延续险度。
其中将任意时序上连续的若干兼容险位作为一个险位点指的是，如果一个自然日属于兼容险位，则从该自然日逆时间以及顺时间搜索各个自然日，直到不再出现兼容险位，将这些搜索获得的各个属于兼容险位的自然日归为同一个险位点。
由于兼容性能是根据各个险位点中不同的参考监督组的监质水平计算获取，所以能有效对参考监督组与落行监督组之间的表现差异化进行时序特性提取，有效为进一步对当前落行监督组的运行效果进行预警作数据支撑准备，但是由于对参组准度采用均值模糊处理，容易丢失对风险时间点的识别灵敏性和反馈效率，尤其是在医保支付风险监控环境的监控模型库中风险监控模型储备数量不足的情况下，对风险时间点的识别效果有所下降，而目前尚未存在可行的技术来弥补这个方法引起的风险节点识别不足现象，为消除丢失对风险时间点的识别灵敏性和反馈效率的影响，本发明提出了一个更优选的方案：
进一步地，在步骤S300中，所述通过监质水平进行监质兼容分析的方法是：
设定一个时间段作为规划期TDS, TDS∈[180,720] 个自然日；对任一自然日的任意参考监督组的监质水平，将其参组召比和参组准度分别记作EPV和TTV；通过监质水平的参组召比和参组准度计算获得第一监质指标ETI，其计算方法为：
；
其中，ln()为以自然常数e为底数的对数函数，srTTV为基准落行日的参组准度，基准落行日为落行监督组内各个监督节点的召回率均获得极大值的首个自然日；基准落行日到当前自然日之间的自然日数量记作TLG；
在时间段TDS内，以同一参考监督组在不同自然日下的第一监质指标为一行，以同一自然日下不同参考监督组的第一监质指标为一列，形成一个矩阵记作第一监质矩阵；在第一监质矩阵的任一行中，计算一个自然日与其前一个自然日的第一监质指标的比值记作该自然日的邻刻折算ASR，若一个自然日不存在与其对应的前一个自然日，则设定其邻刻折算的数值为1；计算得到第一监质矩阵任一行中各个第一监质指标的平均值，作为该行对应参考监督组的第二监质指标eETI；若一个自然日中参考监督组的邻刻折算数值大于等于1，则定义参考监督组在该自然日发生折算增加，否则定义参考监督组在该自然日发生折算减损；在第一监质矩阵的任一列下，若发生折算增加的参考监督组数量与参考监督组的总量的比值大于等于1/3，则定义该自然日为监险点；
获取全部监险点，以同一参考监督组不同监险点下的第一监质指标为一行，以同一监险点下不同参考监督组的第一监质指标为一列，形成一个矩阵记作监险参照模型；计算得到监险参照模型中任一行的平均值记作该行对应参考监督组的监险均标eEDI；通过邻刻折算、第二监质指标和监险均标计算得到兼容性能ETHN，其计算方法为：
；
其中，i1和i2均为累加变量，exp()为自然常数e为底数的指数函数，TLL为参考监督组的总数量，eEDLi1和eETLi1分别为监险参照模型中第i1行对应参考监督组的监险均标和第二监质指标，TLR为监险点的总量，hASRi2和lASRi2分别为监险参照模型中第i2列中发生折算增加的参考监督组数量与发生折算减损的参考监督组数量。
其中，基准落行日为落行监督组内各个监督节点均获得极大值的首个自然日指的是，在当前自然日逆时间搜索，如果落行监督组内任一个监督节点的召回率均获得极大值，则定义首次出现该情况的自然日为基准落行日，其中召回率的计算时段采用任一个自然日到其前第一监质指标的时段。
有益效果：由于兼容性能是通过筛选矩阵中各个感兴趣的自然日下的监质水平计算得到，再利用第一监质指标有效地进一步有效对参考监督组与落行监督组之间的表现差异化进行时序特性提取，削弱了单个自然日下参组准度和参组召比的瞬时特征敏感性，对当前应用的落行监督组中各个监督节点的实行效果与其余参考监督组之间进行横向对比并且量化，通过该量化为进一步指出当前应用的落行监督组对DRG及DIP医保支付风险监控环境中现有的数据或者事实获得的数据的监控方法进行有效评价，从而进一步提升该支付风险监控环境的安全性提供有效依据。
进一步地，其特征在于，所述根据监质兼容分析的结果，对医保支付风险进行监控预警的方法是：当前的落行监督组应用的首个自然日作为第一落行点，把从第一落行点到当前自然日的时段定义为兼容参照区间，将兼容参照区间中各个自然日对应的兼容性能构建成序列作为兼容参照区序列；将兼容参照区序列进行归一化处理，将兼容参照区序列中的首个元素记作ETHN0，兼容参照区序列中各个元素的平均值记作eETHN，当eETHN＜φ·ETHN0，则对管理人员发出医保支付风险信号，当前落行监督组的安全性能缺失，否则正常应用当前落行监督组进行医保支付风险监控；φ为黄金比例，或者φ为人工设定的阈值。
优选地，其中，本发明中所有未定义的变量，若未有明确定义，均可为人工设置的阈值。
本发明还提供了一种大数据分析对DRG及DIP医保支付风险监控和预警系统，所述一种大数据分析对DRG及DIP医保支付风险监控和预警系统包括：处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述一种大数据分析对DRG及DIP医保支付风险监控和预警的方法中的步骤，所述一种大数据分析对DRG及DIP医保支付风险监控和预警系统可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心等计算设备中，可运行的系统可包括，但不仅限于，处理器、存储器、服务器集群，所述处理器执行所述计算机程序运行在以下系统的单元中：
医保支付风险监控环境布置单元，用于布置医保支付风险监控环境，并从中识别风险监控模型；
监质水平采集单元，用于分别获取各个风险监控模型的监质水平；
兼容分析单元，用于通过监质水平进行监质兼容分析；
风险预警单元，用于根据监质兼容分析的结果，对医保支付风险进行监控预警。
本发明的有益效果为：本发明提供一种大数据分析对DRG及DIP医保支付风险监控和预警的方法，削弱了单个自然日下大数据模型运行效果的瞬时特征敏感性，对当前应用的落行监督组中各个监督节点的实行效果与其余参考监督组之间进行横向对比并且量化，通过该量化为进一步指出当前应用的落行监督组对DRG及DIP医保支付风险监控环境中现有的数据或者事实获得的数据的监控方法进行有效评价，从而进一步提升该支付风险监控环境的安全性提供有效依据；降低DRG及DIP医保支付风险监测过程缓慢而且效率低下的风险，对现有的多个监测模型的兼容状态达到有效甄别和比较筛选，进而提升DRG及DIP医保支付系统的安全性和稳定性。
附图说明
通过对结合附图所示出的实施方式进行详细说明，本发明的上述以及其他特征将更加明显，本发明附图中相同的参考标号表示相同或相似的元素，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的前提下，还可以根据这些附图获得其他的附图，在附图中：
图1所示为一种大数据分析对DRG及DIP医保支付风险监控和预警的方法的流程图；
图2所示为一种大数据分析对DRG及DIP医保支付风险监控和预警系统结构图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
如图1所示为一种大数据分析对DRG及DIP医保支付风险监控和预警的方法的流程图，下面结合图1来阐述根据本发明的实施方式的一种大数据分析对DRG及DIP医保支付风险监控和预警的方法，所述方法包括以下步骤：
S100，布置医保支付风险监控环境，并从中识别风险监控模型；
S200，分别获取各个风险监控模型的监质水平；
S300，通过监质水平进行监质兼容分析；
S400，根据监质兼容分析的结果，对医保支付风险进行监控预警。
进一步地，在步骤S100中，所述布置医保支付风险监控环境，并从中识别风险监控模型的方法是：医保支付风险监控环境中包括监控模型库，监控模型库中包含若干风险监控模型，风险监控模型用于为基于大数据的预测模型，预测模型包括任一种基于机器学习的大数据训练模型，各个风险监控模型分别用于识别DRG及DIP中存在医保支付风险的数据或者案例，每个风险监控模型有对应一个或者多个支付风险标签，支付风险标签与支付风险的类型有一一对应关系。
进一步地，在步骤S200中，所述分别获取各个风险监控模型的监质水平的方法是：以任一个风险监控模型作为监督节点，通过若干个监督节点的组合作为监督组；以服务器中正在应用的监督组作为落行监督组；设定一个时间段作为规划期TDS, 规划期的取值范围是TDS∈[180,720] 个自然日；将最近TDS时段内曾用为落行监督组的各个监督组均作为参考监督组；各个参考监督组在最近TDS时段内的召回率构建成序列作为监督组表现序列，以监督组表现序列中的最大值与落行监督组在最近TDS时段内的召回率的比值作为当前的参组召比，以参考监督组在最近TDS时段内的准确率作为参组准度，将参组召比和参组准度构成的二元组作为一个参考监督组当前的监质水平，以自然日为单位获取参考监督组的监质水平。
进一步地，在步骤S300中，所述通过监质水平进行监质兼容分析的方法是：设定一个时间段作为规划期TDS, TDS∈[180,720] 个自然日；根据同一个自然日中不同参考监督组对应监质水平的参组准度构成序列，作为参组准度序列，以参组准度序列中的最大值与中位值的比值作为该自然日的准度跃迁率ORT；
设定一个数值区间O_Zn, O_Zn∈[0.7,0.9]；如果一个自然日中准度跃迁率满足ORT＜O_Zn，则定义该自然日为兼容险位；在最近TDS内将任意时序上连续的若干兼容险位作为一个险位点，险位点中包含兼容险位的数量作为其延续险度DURP，险位点的总数量记作nRD；获取最近TDS内各个自然日对应参组召比的平均值作为召比水平RRCL，
当一个自然日对应的参组召比大于召比水平则为该自然日作优质兼容标记，否则作质疑兼容标记；一个险位点中含有优质兼容标记的自然日数量与其延续险度DURP的比值记作优质兼容率Rt_epl；一个险位点中含有优质兼容标记的各个自然日中参组召比的最大值记作第一参组召比Mx_epl；根据召比水平和险位点的定义进行监质兼容分析，计算兼容性能ETHN：
；
其中j1为累加变量，以Rt_eplj1和Mx_epl j1分别代表第j1个险位点的优质兼容率和第一参组召比，exp()为自然常数e为底数的指数函数，DURPj1为第j1个险位点的延续险度。
进一步地，在步骤S300中，所述通过监质水平进行监质兼容分析的方法是：
设定一个时间段作为规划期TDS, TDS∈[180,720] 个自然日；对任一自然日的任意参考监督组的监质水平，将其参组召比和参组准度分别记作EPV和TTV；通过监质水平的参组召比和参组准度计算获得第一监质指标ETI，其计算方法为：
；
其中，ln()为以自然常数e为底数的对数函数，srTTV为基准落行日的参组准度，基准落行日为落行监督组内各个监督节点的召回率均获得极大值的首个自然日；基准落行日到当前自然日之间的自然日数量记作TLG；
在时间段TDS内，以同一参考监督组在不同自然日下的第一监质指标为一行，以同一自然日下不同参考监督组的第一监质指标为一列，形成一个矩阵记作第一监质矩阵；在第一监质矩阵的任一行中，计算一个自然日与其前一个自然日的第一监质指标的比值记作该自然日的邻刻折算ASR，若一个自然日不存在与其对应的前一个自然日，则设定其邻刻折算的数值为1；计算得到第一监质矩阵任一行中各个第一监质指标的平均值，作为该行对应参考监督组的第二监质指标eETI；若一个自然日中参考监督组的邻刻折算数值大于等于1，则定义参考监督组在该自然日发生折算增加，否则定义参考监督组在该自然日发生折算减损；在第一监质矩阵的任一列下，若发生折算增加的参考监督组数量与参考监督组的总量的比值大于等于1/3，则定义该自然日为监险点；
获取全部监险点，以同一参考监督组不同监险点下的第一监质指标为一行，以同一监险点下不同参考监督组的第一监质指标为一列，形成一个矩阵记作监险参照模型；计算得到监险参照模型中任一行的平均值记作该行对应参考监督组的监险均标eEDI；通过邻刻折算、第二监质指标和监险均标计算得到兼容性能ETHN，其计算方法为：
；
其中，i1和i2均为累加变量，exp()为自然常数e为底数的指数函数，TLL为参考监督组的总数量，eEDLi1和eETLi1分别为监险参照模型中第i1行对应参考监督组的监险均标和第二监质指标，TLR为监险点的总量，hASRi2和lASRi2分别为监险参照模型中第i2列中发生折算增加的参考监督组数量与发生折算减损的参考监督组数量。
进一步地，其特征在于，所述根据监质兼容分析的结果，对医保支付风险进行监控预警的方法是：当前的落行监督组应用的首个自然日作为第一落行点，把从第一落行点到当前自然日的时段定义为兼容参照区间，将兼容参照区间中各个自然日对应的兼容性能构建成序列作为兼容参照区序列；将兼容参照区序列进行归一化处理，将兼容参照区序列中的首个元素记作ETHN0，兼容参照区序列中各个元素的平均值记作eETHN，当eETHN＜φ·ETHN0，则对管理人员发出医保支付风险信号，当前落行监督组的安全性能缺失，否则正常应用当前落行监督组进行医保支付风险监控；φ为黄金比例，或者φ为人工设定的阈值。
本发明的实施例提供的一种大数据分析对DRG及DIP医保支付风险监控和预警系统，如图2所示为本发明的一种大数据分析对DRG及DIP医保支付风险监控和预警系统结构图，该实施例的一种大数据分析对DRG及DIP医保支付风险监控和预警系统包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种大数据分析对DRG及DIP医保支付风险监控和预警系统实施例中的步骤。
所述系统包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下系统的单元中：
医保支付风险监控环境布置单元，用于布置医保支付风险监控环境，并从中识别风险监控模型；
监质水平采集单元，用于分别获取各个风险监控模型的监质水平；
兼容分析单元，用于通过监质水平进行监质兼容分析；
风险预警单元，用于根据监质兼容分析的结果，对医保支付风险进行监控预警。
所述一种大数据分析对DRG及DIP医保支付风险监控和预警系统可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端服务器等计算设备中。所述一种大数据分析对DRG及DIP医保支付风险监控和预警系统，可运行的系统可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是一种大数据分析对DRG及DIP医保支付风险监控和预警系统的示例，并不构成对一种大数据分析对DRG及DIP医保支付风险监控和预警系统的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种大数据分析对DRG及DIP医保支付风险监控和预警系统还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种大数据分析对DRG及DIP医保支付风险监控和预警系统运行系统的控制中心，利用各种接口和线路连接整个一种大数据分析对DRG及DIP医保支付风险监控和预警系统可运行系统的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种大数据分析对DRG及DIP医保支付风险监控和预警系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card,SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。

Claims (7)

1.一种大数据分析对DRG及DIP医保支付风险监控和预警的方法，其特征在于，所述方法包括以下步骤：
S100，布置医保支付风险监控环境，并从中识别风险监控模型；
S200，分别获取各个风险监控模型的监质水平；
S300，通过监质水平进行监质兼容分析；
S400，根据监质兼容分析的结果，对医保支付风险进行监控预警；
其中，步骤S300的方法是，设定一个时间段作为规划期，根据规划期内的各个监质水平形成参组准度序列，并根据该序列计算准度跃迁率，根据准度跃迁率筛选出规划期内的兼容险位，并由兼容险位定义险位点；通过险位点计算延续险度以及优质兼容率，最后根据召比水平和险位点的属性进行监质兼容分析计算获得兼容性能，作为监质兼容分析的结果。
2.根据权利要求1所述的一种大数据分析对DRG及DIP医保支付风险监控和预警的方法，其特征在于，在步骤S100中，所述布置医保支付风险监控环境，并从中识别风险监控模型的方法是：医保支付风险监控环境中包括监控模型库，监控模型库中包含若干风险监控模型，风险监控模型用于为基于大数据的预测模型，预测模型包括任一种基于机器学习的大数据训练模型，各个风险监控模型分别用于识别DRG及DIP中存在医保支付风险的数据或者案例，每个风险监控模型有对应一个或者多个支付风险标签，支付风险标签与支付风险的类型有一一对应关系。
3.根据权利要求1所述的一种大数据分析对DRG及DIP医保支付风险监控和预警的方法，其特征在于，在步骤S200中，所述分别获取各个风险监控模型的监质水平的方法是：以任一个风险监控模型作为监督节点，通过若干个监督节点的组合作为监督组；以服务器中正在应用的监督组作为落行监督组；设定一个时间段作为规划期TDS, 规划期的取值范围是TDS∈[180,720] 个自然日；将最近TDS时段内曾用为落行监督组的各个监督组均作为参考监督组；各个参考监督组在最近TDS时段内的召回率构建成序列作为监督组表现序列，以监督组表现序列中的最大值与落行监督组在最近TDS时段内的召回率的比值作为当前的参组召比，以参考监督组在最近TDS时段内的准确率作为参组准度，将参组召比和参组准度构成的二元组作为一个参考监督组当前的监质水平，以自然日为单位获取参考监督组的监质水平。
4.根据权利要求1所述的一种大数据分析对DRG及DIP医保支付风险监控和预警的方法，其特征在于，在步骤S300中，所述通过监质水平进行监质兼容分析的方法是：设定一个时间段作为规划期TDS, TDS∈[180,720] 个自然日；根据同一个自然日中不同参考监督组对应监质水平的参组准度构成序列，作为参组准度序列，以参组准度序列中的最大值与中位值的比值作为该自然日的准度跃迁率ORT；
设定一个数值区间O_Zn, O_Zn∈[0.7,0.9]；如果一个自然日中准度跃迁率满足ORT＜O_Zn，则定义该自然日为兼容险位；在最近TDS内将任意时序上连续的若干兼容险位作为一个险位点，险位点中包含兼容险位的数量作为其延续险度DURP，险位点的总数量记作nRD；获取最近TDS内各个自然日对应参组召比的平均值作为召比水平RRCL，
当一个自然日对应的参组召比大于召比水平则为该自然日作优质兼容标记，否则作质疑兼容标记；一个险位点中含有优质兼容标记的自然日数量与其延续险度DURP的比值记作优质兼容率Rt_epl；一个险位点中含有优质兼容标记的各个自然日中参组召比的最大值记作第一参组召比Mx_epl；根据召比水平和险位点的定义进行监质兼容分析，计算兼容性能ETHN：
；
其中j1为累加变量，以Rt_eplj1和Mx_epl j1分别代表第j1个险位点的优质兼容率和第一参组召比，exp()为自然常数e为底数的指数函数，DURPj1为第j1个险位点的延续险度。
5.根据权利要求1所述的一种大数据分析对DRG及DIP医保支付风险监控和预警的方法，其特征在于，在步骤S300中，所述通过监质水平进行监质兼容分析的方法是：设定一个时间段作为规划期TDS, TDS∈[180,720] 个自然日；对任一自然日的任意参考监督组的监质水平，将其参组召比和参组准度分别记作EPV和TTV；通过监质水平的参组召比和参组准度计算获得第一监质指标ETI，srTTV为基准落行日的参组准度，基准落行日为落行监督组内各个监督节点的召回率均获得极大值的首个自然日；
在时间段TDS内，以同一参考监督组在不同自然日下的第一监质指标为一行，以同一自然日下不同参考监督组的第一监质指标为一列，形成一个矩阵记作第一监质矩阵；在第一监质矩阵的任一行中，计算一个自然日与其前一个自然日的第一监质指标的比值记作该自然日的邻刻折算ASR，若一个自然日不存在与其对应的前一个自然日，则设定其邻刻折算的数值为1；计算得到第一监质矩阵任一行中各个第一监质指标的平均值，作为该行对应参考监督组的第二监质指标；若一个自然日中参考监督组的邻刻折算数值大于等于1，则定义参考监督组在该自然日发生折算增加，否则定义参考监督组在该自然日发生折算减损；在第一监质矩阵的任一列下，若发生折算增加的参考监督组数量与参考监督组的总量的比值大于等于1/3，则定义该自然日为监险点；
获取全部监险点，以同一参考监督组不同监险点下的第一监质指标为一行，以同一监险点下不同参考监督组的第一监质指标为一列，形成一个矩阵记作监险参照模型；计算得到监险参照模型中任一行的平均值记作该行对应参考监督组的监险均标，通过邻刻折算、第二监质指标和监险均标计算得到兼容性能。
6.根据权利要求1所述的一种大数据分析对DRG及DIP医保支付风险监控和预警的方法，其特征在于，在步骤S400中，所述根据监质兼容分析的结果，对医保支付风险进行监控预警的方法是：当前的落行监督组应用的首个自然日作为第一落行点，把从第一落行点到当前自然日的时段定义为兼容参照区间，将兼容参照区间中各个自然日对应的兼容性能构建成序列作为兼容参照区序列；将兼容参照区序列进行归一化处理，将兼容参照区序列中的首个元素记作ETHN0，兼容参照区序列中各个元素的平均值记作eETHN，当eETHN＜φ·ETHN0，则对管理人员发出医保支付风险信号，当前落行监督组的安全性能缺失，否则正常应用当前落行监督组进行医保支付风险监控。
7.一种大数据分析对DRG及DIP医保支付风险监控和预警系统，其特征在于，所述一种大数据分析对DRG及DIP医保支付风险监控和预警系统包括：处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1-6中任一项所述的一种大数据分析对DRG及DIP医保支付风险监控和预警的方法中的步骤，所述一种大数据分析对DRG及DIP医保支付风险监控和预警系统运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心的计算设备中。
CN202311384502.4A 2023-10-25 2023-10-25 一种大数据分析对drg及dip医保支付风险监控和预警的方法 Active CN117151902B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311384502.4A CN117151902B (zh) 2023-10-25 2023-10-25 一种大数据分析对drg及dip医保支付风险监控和预警的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311384502.4A CN117151902B (zh) 2023-10-25 2023-10-25 一种大数据分析对drg及dip医保支付风险监控和预警的方法

Publications (2)

Publication Number Publication Date
CN117151902A true CN117151902A (zh) 2023-12-01
CN117151902B CN117151902B (zh) 2024-01-23

Family

ID=88910296

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311384502.4A Active CN117151902B (zh) 2023-10-25 2023-10-25 一种大数据分析对drg及dip医保支付风险监控和预警的方法

Country Status (1)

Country Link
CN (1) CN117151902B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5704045A (en) * 1995-01-09 1997-12-30 King; Douglas L. System and method of risk transfer and risk diversification including means to assure with assurance of timely payment and segregation of the interests of capital
US20080027841A1 (en) * 2002-01-16 2008-01-31 Jeff Scott Eder System for integrating enterprise performance management
CN101976419A (zh) * 2010-10-19 2011-02-16 中国工商银行股份有限公司 交易数据的风险监控处理方法和系统
CN108492196A (zh) * 2018-03-08 2018-09-04 平安医疗健康管理股份有限公司 通过数据分析推断医疗保险违规行为的风控方法
CN110400207A (zh) * 2019-07-31 2019-11-01 华北电力大学（保定） 一种基于大数据的财务在线监督系统及其方法
CN113095365A (zh) * 2021-03-15 2021-07-09 北京大学 医疗保险违规数据识别方法及装置
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
WO2023280854A1 (en) * 2021-07-05 2023-01-12 Swiss Reinsurance Company Ltd. Machine learning-based, predictive, digital underwriting system, digital predictive process and corresponding method thereof

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5704045A (en) * 1995-01-09 1997-12-30 King; Douglas L. System and method of risk transfer and risk diversification including means to assure with assurance of timely payment and segregation of the interests of capital
US20080027841A1 (en) * 2002-01-16 2008-01-31 Jeff Scott Eder System for integrating enterprise performance management
CN101976419A (zh) * 2010-10-19 2011-02-16 中国工商银行股份有限公司 交易数据的风险监控处理方法和系统
CN108492196A (zh) * 2018-03-08 2018-09-04 平安医疗健康管理股份有限公司 通过数据分析推断医疗保险违规行为的风控方法
CN110400207A (zh) * 2019-07-31 2019-11-01 华北电力大学（保定） 一种基于大数据的财务在线监督系统及其方法
CN113095365A (zh) * 2021-03-15 2021-07-09 北京大学 医疗保险违规数据识别方法及装置
WO2023280854A1 (en) * 2021-07-05 2023-01-12 Swiss Reinsurance Company Ltd. Machine learning-based, predictive, digital underwriting system, digital predictive process and corresponding method thereof
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王奕婷 等: "基于因素分析法的DRG改革降费增效实证分析", 中国医院, vol. 26, no. 9, pages 28 - 31 *

Also Published As

Publication number Publication date
CN117151902B (zh) 2024-01-23

Similar Documents

Publication Publication Date Title
CN108629413A (zh) 神经网络模型训练、交易行为风险识别方法及装置
CN108133418A (zh) 实时信用风险管理系统
CN106897930A (zh) 一种信用评估的方法及装置
CN110008259A (zh) 可视化数据分析的方法及终端设备
CN108170759A (zh) 投诉案件处理的方法、装置、计算机设备及存储介质
CN111444956B (zh) 低负载信息预测方法、装置、计算机系统及可读存储介质
CN112650923A (zh) 新闻事件的舆情处理方法及装置、存储介质、计算机设备
CN108241867A (zh) 一种分类方法及装置
CN117194907B (zh) 数据中台的低价值数据主题识别方法
CN113901037A (zh) 数据管理方法、装置及存储介质
CN117151902B (zh) 一种大数据分析对drg及dip医保支付风险监控和预警的方法
CN117291428A (zh) 一种基于企业管理app的数据后台管理系统
CN116186594B (zh) 基于决策网络结合大数据实现环境变化趋势智能检测方法
US11783221B2 (en) Data exposure for transparency in artificial intelligence
WO2024031881A1 (zh) 一种操作行为识别方法及装置
CN114495137B (zh) 票据异常检测模型生成方法与票据异常检测方法
CN109034392A (zh) 一种罗非鱼杂交配套系的选育方法及系统
Lv The Application of Intelligent Agricultural Big Data Platform on the Internet
CN113162780B (zh) 实时网络拥塞分析方法、装置、计算机设备和存储介质
Huang et al. Application of enhanced cluster validity index function to automatic stock portfolio selection system
US20210125080A1 (en) Method and apparatus for enhancing effectivity of machine learning solutions
Zhai Application of Big Data Mining in the Design of Logistics Website
CN117611271A (zh) 一种供应商资质能力评估标签体系构建方法及系统
CN111191091A (zh) 一种数据分类方法及系统
CN115511324A (zh) 风险监控方法、装置、设备、介质及计算机程序产品

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