CN117316404A - 一种基于ai算法的医疗信息异常检测方法及系统 - Google Patents

Abstract

本发明提供一种基于AI算法的医疗信息异常检测方法及系统，涉及互联网医疗技术领域。该方法包括：获取患者的医疗信息，医疗信息包括诊断项目、各个诊疗项目、费用数据以及第一评分，第一评分为患者对治疗服务的评分；根据诊断项目和各诊疗项目确定第二评分；根据诊断项目、费用数据以及预设费用数据确定第三评分；根据第一评分、第二评分以及第三评分确定总评分，并在总评分低于预设值的情况下，确定总评分对应的医疗信息为异常医疗信息。由此，能够实现对医疗信息进行异常检测，对患者的治疗过程进行异常监控。

Description

一种基于AI算法的医疗信息异常检测方法及系统

技术领域

本发明涉及互联网医疗技术领域，尤其涉及一种基于AI算法的医疗信息异常检测方法及系统。

背景技术

随着各行各业的信息化发展，医院信息化成为提高医院管理效率的重要途径。

通常，患者去医院进行看病治疗时，无法有效得知自己所接受的治疗、所缴纳的费用等等过程是否符合规定，而且由于医院信息化程度不完善和信息分析不充分等原因。

因此，如何实现对患者所接受的医疗过程进行异常监测成为了亟需解决的问题。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明提供一种基于AI算法的医疗信息异常检测方法及系统，以实现对医疗信息进行异常检测，对患者的治疗过程进行异常监控。

本发明提供一种基于AI算法的医疗信息异常检测方法，包括：

获取患者的医疗信息，所述医疗信息包括诊断项目、各个诊疗项目、费用数据以及第一评分，所述第一评分为所述患者对治疗服务的评分；

根据所述诊断项目和各所述诊疗项目确定第二评分；

根据所述诊断项目、所述费用数据以及预设费用数据确定第三评分；

根据所述第一评分、所述第二评分以及所述第三评分确定总评分，并在所述总评分低于预设值的情况下，确定所述总评分对应的医疗信息为异常医疗信息。

所述根据所述诊断项目和各所述诊疗项目确定第二评分，包括：根据所述诊断项目在预先构建的医疗数据库中确定相应的标准诊疗项目集；确定各所述诊疗项目和所述标准诊疗项目集之间的相似度值；根据所述相似度值确定所述第二评分。

所述确定各所述诊疗项目和所述标准诊疗项目集之间的相似度值，包括：将各所述诊疗项目的名称文本和所述标准诊疗项目集中的各标准诊疗项目的名称文本进行预处理，所述预处理包括分词、词汇去重以及向量化；根据预处理后的诊疗项目和预处理后的标准诊疗项目集确定所述相似度值。

通过下式得到所述相似度值：

其中，C为所述相似度值，x为所述诊疗项目，y为所述标准诊疗项目集，n为所述诊疗项目的文本和所述标准诊疗项目集的文本经过分词和词汇去重后词汇的数量，k为第k个词汇，x_k为所述诊疗项目的文本中第k个词汇的词频，y_k为所述标准诊疗项目集的文本中第k个词汇的词频。

所述根据所述诊断项目、所述费用数据以及预设费用数据确定第三评分，包括：根据所述诊断项目确定所述预设费用数据；确定所述预设费用数据与所述费用数据之间的费用差值，并根据所述费用差值确定所述第三评分。

所述根据所述诊断项目确定所述预设费用数据，包括：根据所述诊断项目获取相应的历史费用数据，并根据所述历史费用数据确定所述诊断项目对应的平均费用；根据平均费用确定所述预设费用数据。

本发明还提供一种基于AI算法的医疗信息异常检测系统，包括：如根据权利要求7所述的异常检测装置，用于获取患者的医疗信息，并根据所述医疗信息确定异常医疗信息，所述医疗信息包括诊断项目、各个诊疗项目、费用数据以及第一评分，所述第一评分为所述患者对治疗服务的评分；第一用户端，所述第一用户端与所述异常检测装置连接，所述第一用户端用于获取所述第一评分，并将所述第一评分发送给所述异常检测装置；第二用户端，所述第二用户端与所述异常检测装置连接，所述第二用户端用于接收所述异常检测装置发送的所述异常医疗信息。

所述异常检测装置包括：获取模块，用于获取患者的医疗信息，所述医疗信息包括诊断项目、各个诊疗项目、费用数据以及第一评分，所述第一评分为所述患者对治疗服务的评分；第一确定模块，用于根据所述诊断项目和各所述诊疗项目确定第二评分；第二确定模块，用于根据所述诊断项目、所述费用数据以及预设费用数据确定第三评分；异常检测模块，用于根据所述第一评分、所述第二评分以及所述第三评分确定总评分，并在所述总评分低于预设值的情况下，确定所述总评分对应的医疗信息为异常医疗信息。

所述第一确定模块具体用于：根据所述诊断项目在预先构建的医疗数据库中确定相应的标准诊疗项目集；确定各所述诊疗项目和所述标准诊疗项目集之间的相似度值；根据所述相似度值确定所述第二评分。

所述第一确定模块还具体用于：将各所述诊疗项目的名称文本和所述标准诊疗项目集中的各标准诊疗项目的名称文本进行预处理，所述预处理包括分词、词汇去重以及向量化；根据预处理后的诊疗项目和预处理后的标准诊疗项目集确定所述相似度值。

在本申请实施例中，改进点主要如下：(1)所述医疗信息包括诊断项目、各诊疗项目、费用数据以及第一评分。(2)根据所述诊断项目和各所述诊疗项目确定第二评分。(3)根据所述诊断项目、所述费用数据以及预设费用数据确定第三评分。(4)根据所述第一评分、所述第二评分以及所述第三评分确定总评分，并在所述总评分低于预设值的情况下，确定所述总评分对应的医疗信息为异常医疗信息。(5)相似度值计算公式。

本发明提供的基于AI算法的医疗信息异常检测方法及系统，通过获取患者的医疗信息，医疗信息包括诊断项目、各个诊疗项目、费用数据以及第一评分，第一评分为患者对治疗服务的评分；再根据诊断项目和各诊疗项目确定第二评分；根据诊断项目、费用数据以及预设费用数据确定第三评分；最后，根据第一评分、第二评分以及第三评分确定总评分，并在总评分低于预设值的情况下，确定总评分对应的医疗信息为异常医疗信息，从而实现了对医疗信息进行异常检测以及对患者的治疗过程进行异常监控，并且在诊疗过程、费用以及患者评价这三个方面综合确定医疗信息是否异常。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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。

图1为本发明提供的基于AI算法的医疗信息异常检测方法的场景示意图；

图2是本发明实施例的基于AI算法的医疗信息异常检测方法的流程图之一；

图3是本发明实施例的基于AI算法的医疗信息异常检测方法的流程图之二；

图4是本发明实施例的基于AI算法的医疗信息异常检测方法的流程图之三；

图5是本发明实施例的基于AI算法的医疗信息异常检测系统的方框图；

图6是本发明实施例的基于AI算法的医疗信息异常检测装置的方框图；

图7是本发明提供的电子设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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。

为了方便理解，本说明书实施方式提供一种基于AI算法的医疗信息异常检测方法的场景示例，该场景示例应用在如图1所示的应用环境中，其中，包括基于AI算法的医疗信息异常检测装置、第一用户端以及第二用户端，第一用户端和第二用户端可以与异常检测装置通过互联网络建立通讯连接。

在本场景示例中，异常检测装置可以为一个能够运行基于AI算法的医疗信息异常检测方法的程序的服务器。异常检测装置可以与各个医院的医疗信息系统建立连接，来获取患者的部分医疗信息。

第一用户端可以为患者所使用的用户端，患者可以通过第一用户端上传自己对治疗服务的评分(即第一评分)，患者也可以通过第一用户端查询自己的诊疗项目相关信息、费用相关信息以及异常检测装置进行异常检测时得到的总评分等等信息。

第二用户端可以为医生所使用的用户端，医生可以通过第二用户端查看异常检测装置检测到的异常医疗信息，从而针对异常医疗信息进行一定的整改，以提升患者对医疗服务的满意度。

在本场景示例中，第一用户端和第二用户端可以为移动电话、笔记本电脑、PAD(平板电脑)、等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。这里所列举的第一用户端和第二用户端仅为一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

参考前述实施例基于AI算法的医疗信息异常检测方法的场景示例，下面对本发明实施例的基于AI算法的医疗信息异常检测方法进行详细介绍。

图2是本发明实施例的基于AI算法的医疗信息异常检测方法的流程图之一。该基于AI算法的医疗信息异常检测方法可以应用于上述的异常检测装置，如图2所示，该基于AI算法的医疗信息异常检测方法可以包括以下步骤：

步骤210：获取患者的医疗信息，医疗信息包括诊断项目、各个诊疗项目、费用数据以及第一评分，第一评分为患者对治疗服务的评分。

步骤220：根据诊断项目和各诊疗项目确定第二评分。

步骤230：根据诊断项目、费用数据以及预设费用数据确定第三评分。

步骤240：根据第一评分、第二评分以及第三评分确定总评分，并在总评分低于预设值的情况下，确定总评分对应的医疗信息为异常医疗信息。

诊断项目是指根据临床诊断确定的疾病种类，诊疗项目是指针对诊断的疾病进行的治疗手段，例如，手术项目、检查项目、用药等等。

在本实施例中，异常检测装置可以与各个医院的医疗信息系统建立连接，并从医疗信息系统中获取患者的诊断项目、各个诊疗项目以及费用数据。另外，患者可以通过第一用户端上传第一评分，第一用户端再将第一评分发送给异常检测装置。

在获得诊断项目以及各个诊疗项目之后，可以先根据诊断项目和各诊疗项目确定第二评分。可以理解的是，第二评分是用于评价患者所接受的诊疗手段是否存在异常。具体地，可以针对诊断项目，将治疗该诊断项目的标准诊疗项目和患者所接受的各个诊疗项目进行对比，若相同或相似，则表明对患者所进行的诊疗手段不存在违规或者异常的情况。其中，标准诊疗项目可以通过历史诊疗数据和专家经验获得。

在获得费用数据之后，可以根据诊断项目、费用数据以及预设费用数据来确定第三评分。可以理解的是，第三评分是用于评价患者所付的费用是否存在异常。具体地，可以预先制作一个诊断项目和预设费用数据的对应关系表，并将对应关系表存储在异常检测装置中，当需要计算第三评分时，可以通过调取对应关系表，找到与诊断项目对应的预设费用数据，再将预设费用数据与患者实际支付的费用数据进行对比，得到第三评分。

得到第一评分、第二评分以及第三评分之后，可以根据第一评分、第二评分以及第三评分确定总评分。这里，确定总评分的方式可以为：将第一评分、第二评分以及第三评分进行加和来得到总评分；也可以为：先为第一评分、第二评分以及第三评分分别设置一个权重值，再将各个评分乘以相应的权重值再进行加和，来得到总评分，此处不对总评分的计算方式进行具体限定。各个评分的权重值可以有工作人员根据实际需求进行人为设定，此处不做具体限定。

得到总评分之后，再确定总评分是否低于预设值，若总评分低于预设值，则表明相应的医疗信息存在异常，并确定该医疗信息为异常医疗信息；若总评分大于等于预设值，则表明相应的医疗信息不存在异常，并确定该医疗信息为正常医疗信息。预设值可以有工作人员根据实际需求进行人为设定，此处不做具体限定。

作为一个示例，可以设定第一评分、第二评分以及第三评分的满分均为10分，预设值设置为25分，若通过诊断项目、各个诊疗项目以及费用数据可以计算得到第二评分为8分，第三评分为7分，获取的第一评分为9分，则通过加和的方式可以得到总评分为24分，总评分低于预设值，则确定相应的医疗信息为异常医疗信息。

由此，通过对患者接受的诊疗项目、费用数据以及患者评价这三个方面计算评分，最后根据总评分综合确定医疗信息是否存在异常情况，实现了对医疗信息进行异常检测，对患者的治疗过程进行异常监控。

图3是本发明实施例的基于AI算法的医疗信息异常检测方法的流程图之二。步骤220可以包括以下步骤：

步骤310：根据诊断项目在预先构建的医疗数据库中确定相应的标准诊疗项目集。

步骤320：确定各诊疗项目和标准诊疗项目集之间的相似度值。

步骤330：根据相似度值确定第二评分。

具体地，可以预先构建一个医疗数据库，医疗数据库中存储了若干诊断项目的名称以及各诊断项目对应的标准诊疗项目集，标准诊疗项目集可以根据诊断项目的临床历史数据以及各类疾病专家确定。作为一个示例，若诊断项目为慢性阻塞性肺气肿，则标准诊疗项目集可以包括抗感染、支气管扩张剂、平喘、祛痰、支气管镜下治疗、肺功能检查、CT、血气分析。

得到诊断项目对应的标准诊疗项目集之后，可以先通过患者所接受的各诊疗项目的文本和标准诊疗项目集中的文本，计算各诊疗项目和标准诊疗项目集之间的相似度值。最后，根据相似度值确定第二评分。作为一个示例，若相似度值为90％，第二评分的满分为10分，则可以使用相似度值乘以第二评分的满分，既可得到第二评分为9分。

确定各诊疗项目和标准诊疗项目集之间的相似度值，可以包括：将各诊疗项目的名称文本和标准诊疗项目集中的各标准诊疗项目的名称文本进行预处理，预处理包括分词、词汇去重以及向量化；根据预处理后的诊疗项目和预处理后的标准诊疗项目集确定相似度值。

可以根据各诊疗项目文本的词频和标准诊疗项目集中文本的词频计算各诊疗项目和标准诊疗项目集之间的相似度值。具体地，将各诊断项目的文本组合为一个文本；再

先对各诊断项目的文本标准诊疗项目集的文本进行分词处理，可以采用已有的分词方法对各诊断项目的文本和标准诊疗项目集的文本进行分词。进行分词后，再取各诊断项目的文本和标准诊疗项目集的文本中所有词汇的并集，即将各诊断项目的文本和标准诊疗项目集的文本中出现的所有词汇放入一个集合中，得到词汇并集集合。得到词汇并集集合后，需要对该词汇并集集合进行词汇去重处理。词汇去重处理即当存在相同的词汇时，只保留一个词汇。

对词汇并集集合进行词汇去重后，得到各诊断项目的文本和标准诊疗项目集的文本的词汇集合，可以将该词汇集合中所有词汇的数量记为n，n为整数；再根据词汇集合，分别统计各诊断项目的文本和标准诊疗项目集的文本中所有词汇的词频，可以分别得到各诊断项目的文本的词频向量和标准诊疗项目集的文本的词频向量。

作为一个示例，当需要确定各诊断项目x和标准诊疗项目集y的相似度时，各诊断项目x对应的词频向量可以记为x＝{x₁,x₂…x_k…x_n}，标准诊疗项目集y对应的词频向量可以记为y＝{y₁,y₂…y_k…y_n}，其中，x_k为诊疗项目的文本中第k个词汇的词频，y_k为标准诊疗项目集的文本中第k个词汇的词频。

获得各诊断项目x和标准诊疗项目集y的词频后，根据各诊断项目x和标准诊疗项目集y确定相似度值。可以通过下式确定相似度值：

其中，C为相似度值，x为诊疗项目，y为标准诊疗项目集，n为诊疗项目的文本和标准诊疗项目集的文本经过分词和词汇去重后词汇的数量，k为第k个词汇，x_k为诊疗项目的文本中第k个词汇的词频，y_k为标准诊疗项目集的文本中第k个词汇的词频。

图4是本发明实施例的基于AI算法的医疗信息异常检测方法的流程图之三。步骤230可以包括以下步骤：

步骤410：根据诊断项目确定预设费用数据。

步骤420：确定预设费用数据与费用数据之间的费用差值，并根据费用差值确定第三评分。

具体地，可以调取对应关系表，找到与诊断项目对应的预设费用数据；再计算预设费用数据与费用数据之间的费用差值；最后根据费用差值确定第三评分。

可以通过以下步骤确定各诊断项目对应的预设费用数据：根据诊断项目获取相应的历史费用数据，并根据历史费用数据确定诊断项目对应的平均费用；根据平均费用确定预设费用数据。

具体地，可以先去除历史费用数据中的极值，去除历史费用数据中的极值后，计算其余历史费用数据的平均值，得到平均费用，最后可以将平均费用作为预设费用数据。

作为一个示例，若诊断项目为慢性阻塞性肺气肿，其历史费用数据为：6000、5000、5500、1500以及9000元，可以明显看出这组数据中1500元和9000元为极大值或极小值，因此将这两个数据去除，并计算其余三个数据的平均值为5500元，则诊断项目慢性阻塞性肺气肿对应的预设费用数据可以设置为5500元。

图5是本发明实施例的基于AI算法的医疗信息异常检测系统的方框图。如图5所示，该基于AI算法的医疗信息异常检测系统500可以包括：

异常检测装置510，用于获取患者的医疗信息，并根据医疗信息确定异常医疗信息，医疗信息包括诊断项目、各个诊疗项目、费用数据以及第一评分，第一评分为患者对治疗服务的评分。

第一用户端520，第一用户端与异常检测装置连接，第一用户端用于获取第一评分，并将第一评分发送给异常检测装置。

第二用户端530，第二用户端与异常检测装置连接，第二用户端用于接收异常检测装置发送的异常医疗信息。

图6是本发明实施例的基于AI算法的医疗信息异常检测装置的方框图。

如图6所示，该异常检测装置600可以包括：获取模块610，用于获取患者的医疗信息，医疗信息包括诊断项目、各个诊疗项目、费用数据以及第一评分，第一评分为患者对治疗服务的评分。第一确定模块620，用于根据诊断项目和各诊疗项目确定第二评分。第二确定模块630，用于根据诊断项目、费用数据以及预设费用数据确定第三评分。异常检测模块640，用于根据第一评分、第二评分以及第三评分确定总评分，并在总评分低于预设值的情况下，确定总评分对应的医疗信息为异常医疗信息。

所述第一确定模块620具体用于：根据所述诊断项目在预先构建的医疗数据库中确定相应的标准诊疗项目集；确定各所述诊疗项目和所述标准诊疗项目集之间的相似度值；根据所述相似度值确定所述第二评分。

所述第一确定模块620还具体用于：将各所述诊疗项目的名称文本和所述标准诊疗项目集中的各标准诊疗项目的名称文本进行预处理，所述预处理包括分词、词汇去重以及向量化；根据预处理后的诊疗项目和预处理后的标准诊疗项目集确定所述相似度值。

由此，通过获取模块610获取患者的医疗信息，医疗信息包括诊断项目、各个诊疗项目、费用数据以及第一评分，第一评分为患者对治疗服务的评分；第一确定模块620再根据诊断项目和各诊疗项目确定第二评分；第二确定模块630根据诊断项目、费用数据以及预设费用数据确定第三评分；最后，异常检测模块640根据第一评分、第二评分以及第三评分确定总评分，并在总评分低于预设值的情况下，确定总评分对应的医疗信息为异常医疗信息，从而实现了对医疗信息进行异常检测以及对患者的治疗过程进行异常监控，并且在诊疗过程、费用以及患者评价这三个方面综合确定医疗信息是否异常。

本实施例的基于AI算法的医疗信息异常检测系统中未披露的细节，请参照本说明书实施例中基于AI算法的医疗信息异常检测方法的实施例中所披露的细节，此处不再赘述。

图7示例了一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(processor)710、通信接口(Commun icat ions I nterface)720、存储器(memory)730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令，以执行基于AI算法的医疗信息异常检测方法，该方法包括：获取患者的医疗信息，医疗信息包括诊断项目、各个诊疗项目、费用数据以及第一评分，第一评分为患者对治疗服务的评分；根据诊断项目和各诊疗项目确定第二评分；根据诊断项目、费用数据以及预设费用数据确定第三评分；根据第一评分、第二评分以及第三评分确定总评分，并在总评分低于预设值的情况下，确定总评分对应的医疗信息为异常医疗信息。

另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的基于AI算法的医疗信息异常检测方法。

Claims (10)

1.一种基于AI算法的医疗信息异常检测方法，其特征在于，包括：

获取患者的医疗信息，所述医疗信息包括诊断项目、各个诊疗项目、费用数据以及第一评分，所述第一评分为所述患者对治疗服务的评分；

根据所述诊断项目和各所述诊疗项目确定第二评分；

根据所述诊断项目、所述费用数据以及预设费用数据确定第三评分；

根据所述第一评分、所述第二评分以及所述第三评分确定总评分，并在所述总评分低于预设值的情况下，确定所述总评分对应的医疗信息为异常医疗信息。

2.根据权利要求1所述的基于AI算法的医疗信息异常检测方法，其特征在于，所述根据所述诊断项目和各所述诊疗项目确定第二评分，包括：

根据所述诊断项目在预先构建的医疗数据库中确定相应的标准诊疗项目集；

确定各所述诊疗项目和所述标准诊疗项目集之间的相似度值；

根据所述相似度值确定所述第二评分。

3.根据权利要求2所述的基于AI算法的医疗信息异常检测方法，其特征在于，所述确定各所述诊疗项目和所述标准诊疗项目集之间的相似度值，包括：

将各所述诊疗项目的名称文本和所述标准诊疗项目集中的各标准诊疗项目的名称文本进行预处理，所述预处理包括分词、词汇去重以及向量化；

根据预处理后的诊疗项目和预处理后的标准诊疗项目集确定所述相似度值。

4.根据权利要求3所述的基于AI算法的医疗信息异常检测方法，其特征在于，通过下式得到所述相似度值：

其中，C为所述相似度值，x为所述诊疗项目，y为所述标准诊疗项目集，n为所述诊疗项目的文本和所述标准诊疗项目集的文本经过分词和词汇去重后词汇的数量，k为第k个词汇，x_k为所述诊疗项目的文本中第k个词汇的词频，y_k为所述标准诊疗项目集的文本中第k个词汇的词频。

5.根据权利要求1-4中任一项所述的基于AI算法的医疗信息异常检测方法，其特征在于，所述根据所述诊断项目、所述费用数据以及预设费用数据确定第三评分，包括：

根据所述诊断项目确定所述预设费用数据；

确定所述预设费用数据与所述费用数据之间的费用差值，并根据所述费用差值确定所述第三评分。

6.根据权利要求5所述的基于AI算法的医疗信息异常检测方法，其特征在于，所述根据所述诊断项目确定所述预设费用数据，包括：

根据所述诊断项目获取相应的历史费用数据，并根据所述历史费用数据确定所述诊断项目对应的平均费用；

根据平均费用确定所述预设费用数据。

7.一种基于AI算法的医疗信息异常检测系统，其特征在于，包括：

异常检测装置，用于获取患者的医疗信息，并根据所述医疗信息确定异常医疗信息，所述医疗信息包括诊断项目、各个诊疗项目、费用数据以及第一评分，所述第一评分为所述患者对治疗服务的评分；

第一用户端，所述第一用户端与所述异常检测装置连接，所述第一用户端用于获取所述第一评分，并将所述第一评分发送给所述异常检测装置；

第二用户端，所述第二用户端与所述异常检测装置连接，所述第二用户端用于接收所述异常检测装置发送的所述异常医疗信息。

8.根据权利要求7所述的基于AI算法的医疗信息异常检测系统，其特征在于，所述异常检测装置包括：

获取模块，用于获取患者的医疗信息，所述医疗信息包括诊断项目、各个诊疗项目、费用数据以及第一评分，所述第一评分为所述患者对治疗服务的评分；

第一确定模块，用于根据所述诊断项目和各所述诊疗项目确定第二评分；

第二确定模块，用于根据所述诊断项目、所述费用数据以及预设费用数据确定第三评分；

异常检测模块，用于根据所述第一评分、所述第二评分以及所述第三评分确定总评分，并在所述总评分低于预设值的情况下，确定所述总评分对应的医疗信息为异常医疗信息。

9.根据权利要求8所述的基于AI算法的医疗信息异常检测系统，其特征在于，所述第一确定模块具体用于：

根据所述诊断项目在预先构建的医疗数据库中确定相应的标准诊疗项目集；

确定各所述诊疗项目和所述标准诊疗项目集之间的相似度值；

根据所述相似度值确定所述第二评分。

10.根据权利要求9所述的基于AI算法的医疗信息异常检测系统，其特征在于，所述第一确定模块还具体用于：

将各所述诊疗项目的名称文本和所述标准诊疗项目集中的各标准诊疗项目的名称文本进行预处理，所述预处理包括分词、词汇去重以及向量化；

根据预处理后的诊疗项目和预处理后的标准诊疗项目集确定所述相似度值。