KR102416618B1

KR102416618B1 - 의료비 지출내역 기반 진단코드 예측 서비스 제공 시스템

Info

Publication number: KR102416618B1
Application number: KR1020220047774A
Authority: KR
Inventors: 김규리
Original assignee: 주식회사 그린리본
Priority date: 2022-04-18
Filing date: 2022-04-18
Publication date: 2022-07-05

Abstract

의료비 지출내역 기반 진단코드 예측 서비스 제공 시스템이 제공되며, 적어도 하나의 공공기관에 본인인증을 수행하여 의료 데이터를 제공하고, 의무기록사본을 제출하기 위한 위임장에 서명을 입력하는 사용자 단말 및 사용자 단말에서 적어도 하나의 공공기관에 본인인증을 수행하는 경우 의료 데이터를 수신하는 수신부, 의료 데이터 내 사업자번호, 상호 및 지출금액을 추출한 후, 기 구축된 빅데이터 기반 인공지능 알고리즘에 질의로 입력하여 진단코드를 출력하는 코드예측부, 위임장으로 확보된 의료기록사본으로 진단코드를 검증하는 검증부를 포함하는 예측 서비스 제공 서버를 포함한다.

Description

의료비 지출내역 기반 진단코드 예측 서비스 제공 시스템{SYSTEM FOR PROVIDING DISEASE CLASSIFICATION CODE PREDICTING SERVICE BASED ON MEDICAL EXPENSE}

본 발명은 의료비 지출내역 기반 진단코드 예측 서비스 제공 시스템에 관한 것으로, 개별 의료비 지출내역 및 병의원 정보를 이용하여 진단코드를 예측할 수 있는 시스템을 제공한다.

보험소비자들이 실손의료보험을 가입하고도 보험금을 청구하지 않는 근본적인 이유는 청구절차가 너무 까다롭고 복잡하게 되어있기 때문이다. 실손의료보험 청구절차 간소화 문제는 의료계와 보험회사라는 거대 이익집단의 이해관계 관점에서 바라보는 것은 바람직하지 않고, 무엇보다 보험소비자의 이익을 우선하여 검토해야 한다. 보험소비자가 보험료를 지불하고, 보험사고 발생시 보험회사로부터 정당한 보험금을 지급받는 것은 보험의 원리를 놓고 봤을 때 너무나 당연한 권리다. 이러한 권리가 그 청구절차의 복잡성으로 방해받거나 사실상 침해되는 것은 보험의 사회적 역할과 기능을 놓고 봤을 때 바람직하지 않다.

이때, 의료기관에서 고객 대신 보험금을 청구해주거나 진료비를 블록체인에 공유하는 플랫폼이 연구 및 개발되었는데, 이와 관련하여, 선행기술인 한국등록특허 제10-2218318호(2021년02월23일 공고) 및 한국공개특허 제2021-0016662호(2021년02월17일 공개)에는 병원 단말은 환자가 보험가입자인 경우 환자의 제증명문서를 환자식별코드와 매핑하여 저장하고, 환자 단말에서 보험청구서를 작성한 후 보험사 단말로 보험청구서를 전송하면, 보험사 단말은 병원 단말로 제증명문서를 요청하는 구성과, 병원 진료비 영수증 이미지를 획득한 후, 이미지 내 텍스트를 추출하여 진료비를 식별하고, 진료항목에 대해 기 카테고리화된 질병코드를 매칭하며, 질병코드별 진료비 정보를 포함하는 진료정보를 블록체인에 저장하는 구성이 각각 개시되어 있다.

다만, 전자의 경우, 의료기관과 보험사 간 직접 연계가 없다면 환자는 다시 제증명서류를 발급받아 직접 청구를 해야하고, 후자의 경우에는 질병코드와 진료비만 매칭하는 구성일 뿐, 미청구 보험료를 추출하고 이를 대행하여 청구해주는 구성이 아니다. 미청구 보험료를 추출하기 위해서는 국세청에서 검색가능한 의료비내역 내 상호 및 비용을 이용하여, 어떠한 진단코드를 받았는지를 파악하는 것이 우선적이다. 미청구 보험료란 실손보험에서 커버해주는 진단코드에 대한 진료비 중 청구하지 못하거나 하지 않은 보험료라는 의미이므로, 의료기관이 개입하지 않는 상태에서, 또 사용자가 각 병원마다 의료기록사본을 제출하지 않은 상태에서, 상호 및 의료비만을 가지고 사용자가 어떠한 진단코드로 진료를 받았는지를 예측하고 이의 정확도를 높이는 작업이 선행되어야 한다. 이에, 상호 및 의료비를 이용하여 진단코드를 예측하고, 의료기록사본이 접수되는 경우 예측된 진단코드를 검증하는 플랫폼의 연구 및 개발이 요구된다.

본 발명의 일 실시예는, 상호 및 의료비를 이용하여 진단코드를 예측하고, 의료기록사본이 접수되는 경우 예측된 진단코드를 검증함으로써 의료비를 이용하여 진단코드를 예측하는 정확도를 높이며, 접수되는 의료기록사본을 실시간으로 반영하여 각 의료기관 및 병원의 폐업 유무를 확인하면서 의료비 및 진단코드의 변화 여부 또는 추이를 파악하고, 상호 및 의료비를 통하여 진단코드의 예측 정확도를 높임으로써 이후 미청구 보험금의 청구대행이 접수되는 경우, 의료기록사본이 제출되지 않은 상태에서도 미청구 보험금의 파악 정확도를 높일 수 있는, 의료비 지출내역 기반 진단코드 예측 서비스 제공 시스템을 제공할 수 있다. 다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.

상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 발명의 일 실시예는, 적어도 하나의 공공기관에 본인인증을 수행하여 의료 데이터를 제공하고, 의무기록사본을 제출하기 위한 위임장에 서명을 입력하는 사용자 단말 및 사용자 단말에서 적어도 하나의 공공기관에 본인인증을 수행하는 경우 의료 데이터를 수신하는 수신부, 의료 데이터 내 사업자번호, 상호 및 지출금액을 추출한 후, 기 구축된 빅데이터 기반 인공지능 알고리즘에 질의로 입력하여 진단코드를 출력하는 코드예측부, 위임장으로 확보된 의료기록사본으로 진단코드를 검증하는 검증부를 포함하는 예측 서비스 제공 서버를 포함한다.

전술한 본 발명의 과제 해결 수단 중 어느 하나에 의하면, 상호 및 의료비를 이용하여 진단코드를 예측하고, 의료기록사본이 접수되는 경우 예측된 진단코드를 검증함으로써 의료비를 이용하여 진단코드를 예측하는 정확도를 높이며, 접수되는 의료기록사본을 실시간으로 반영하여 각 의료기관 및 병원의 폐업 유무를 확인하면서 의료비 및 진단코드의 변화 여부 또는 추이를 파악하고, 상호 및 의료비를 통하여 진단코드의 예측 정확도를 높임으로써 이후 미청구 보험금의 청구대행이 접수되는 경우, 의료기록사본이 제출되지 않은 상태에서도 미청구 보험금의 파악 정확도를 높일 수 있다.

도 1은 본 발명의 일 실시예에 따른 의료비 지출내역 기반 진단코드 예측 서비스 제공 시스템을 설명하기 위한 도면이다.
도 2는 도 1의 시스템에 포함된 예측 서비스 제공 서버를 설명하기 위한 블록 구성도이다.
도 3 및 도 4는 본 발명의 일 실시예에 따른 의료비 지출내역 기반 진단코드 예측 서비스가 구현된 일 실시예를 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 의료비 지출내역 기반 진단코드 예측 서비스 제공 방법을 설명하기 위한 동작 흐름도이다.

아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

명세서 전체에서 사용되는 정도의 용어 "약", "실질적으로" 등은 언급된 의미에 고유한 제조 및 물질 허용오차가 제시될 때 그 수치에서 또는 그 수치에 근접한 의미로 사용되고, 본 발명의 이해를 돕기 위해 정확하거나 절대적인 수치가 언급된 개시 내용을 비양심적인 침해자가 부당하게 이용하는 것을 방지하기 위해 사용된다. 본 발명의 명세서 전체에서 사용되는 정도의 용어 "~(하는) 단계" 또는 "~의 단계"는 "~ 를 위한 단계"를 의미하지 않는다.

본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1 개의 유닛이 2 개 이상의 하드웨어를 이용하여 실현되어도 되고, 2 개 이상의 유닛이 1 개의 하드웨어에 의해 실현되어도 된다. 한편, '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니며, '~부'는 어드레싱 할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체 지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.

본 명세서에 있어서 단말, 장치 또는 디바이스가 수행하는 것으로 기술된 동작이나 기능 중 일부는 해당 단말, 장치 또는 디바이스와 연결된 서버에서 대신 수행될 수도 있다. 이와 마찬가지로, 서버가 수행하는 것으로 기술된 동작이나 기능 중 일부도 해당 서버와 연결된 단말, 장치 또는 디바이스에서 수행될 수도 있다.

본 명세서에서 있어서, 단말과 매핑(Mapping) 또는 매칭(Matching)으로 기술된 동작이나 기능 중 일부는, 단말의 식별 정보(Identifying Data)인 단말기의 고유번호나 개인의 식별정보를 매핑 또는 매칭한다는 의미로 해석될 수 있다.

이하 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.

도 1은 본 발명의 일 실시예에 따른 의료비 지출내역 기반 진단코드 예측 서비스 제공 시스템을 설명하기 위한 도면이다. 도 1을 참조하면, 의료비 지출내역 기반 진단코드 예측 서비스 제공 시스템(1)은, 적어도 하나의 사용자 단말(100), 예측 서비스 제공 서버(300) 및 적어도 하나의 직원 단말(400)을 포함할 수 있다. 다만, 이러한 도 1의 의료비 지출내역 기반 진단코드 예측 서비스 제공 시스템(1)은, 본 발명의 일 실시예에 불과하므로, 도 1을 통하여 본 발명이 한정 해석되는 것은 아니다.

이때, 도 1의 각 구성요소들은 일반적으로 네트워크(Network, 200)를 통해 연결된다. 예를 들어, 도 1에 도시된 바와 같이, 적어도 하나의 사용자 단말(100)은 네트워크(200)를 통하여 예측 서비스 제공 서버(300)와 연결될 수 있다. 그리고, 예측 서비스 제공 서버(300)는, 네트워크(200)를 통하여 적어도 하나의 사용자 단말(100), 적어도 하나의 직원 단말(400)과 연결될 수 있다. 또한, 적어도 하나의 직원 단말(400)은, 네트워크(200)를 통하여 예측 서비스 제공 서버(300)와 연결될 수 있다.

여기서, 네트워크는, 복수의 단말 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 이러한 네트워크의 일 예에는 근거리 통신망(LAN: Local Area Network), 광역 통신망(WAN: Wide Area Network), 인터넷(WWW: World Wide Web), 유무선 데이터 통신망, 전화망, 유무선 텔레비전 통신망 등을 포함한다. 무선 데이터 통신망의 일례에는 3G, 4G, 5G, 3GPP(3rd Generation Partnership Project), 5GPP(5th Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), RF(Radio Frequency), 블루투스(Bluetooth) 네트워크, NFC(Near-Field Communication) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다.

하기에서, 적어도 하나의 라는 용어는 단수 및 복수를 포함하는 용어로 정의되고, 적어도 하나의 라는 용어가 존재하지 않더라도 각 구성요소가 단수 또는 복수로 존재할 수 있고, 단수 또는 복수를 의미할 수 있음은 자명하다 할 것이다. 또한, 각 구성요소가 단수 또는 복수로 구비되는 것은, 실시예에 따라 변경가능하다 할 것이다.

적어도 하나의 사용자 단말(100)은, 의료비 지출내역 기반 진단코드 예측 서비스 관련 웹 페이지, 앱 페이지, 프로그램 또는 애플리케이션을 이용하여 사용자의 의료 데이터 및 보험 데이터를 예측 서비스 제공 서버(300)에서 엑세스할 수 있도록 하고, 예측 서비스 제공 서버(300)로부터 청구할 수 있었지만 청구하지 못했거나 하지 않았던 미청구 보험금을 수신하여 출력하는 단말일 수 있다. 이때 데이터 엑세스에 대한 관련법은 개정된 데이터3법 및 마이데이터에 의거한다. 사용자 단말(100)은 예측 서비스 제공 서버(300)로 미청구 보험금에 대한 청구대행을 요청하는 경우 본인인증 및 위임장을 예측 서비스 제공 서버(300)로 제공한 후, 청구절차를 보고받고 청구가 완료된 경우 수수료를 제외한 나머지 금액을 돌려받는 사용자의 단말일 수 있다.

여기서, 적어도 하나의 사용자 단말(100)은, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다. 이때, 적어도 하나의 사용자 단말(100)은, 네트워크를 통해 원격지의 서버나 단말에 접속할 수 있는 단말로 구현될 수 있다. 적어도 하나의 사용자 단말(100)은, 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, 네비게이션, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트폰(Smartphone), 스마트 패드(Smartpad), 타블렛 PC(Tablet PC) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다.

예측 서비스 제공 서버(300)는, 의료비 지출내역 기반 진단코드 예측 서비스 웹 페이지, 앱 페이지, 프로그램 또는 애플리케이션을 제공하는 서버일 수 있다. 그리고, 예측 서비스 제공 서버(300)는, 의료기록사본을 받기 전, 사용자 단말(100)에서 제공한 의료 데이터 및 보험 데이터만으로, 미청구 보험금을 추출하기 위해, [상호-의료비]를 입력으로 [진단코드]를 예측하여 추출하는 서버일 수 있다. 예측 서비스 제공 서버(300)는, 미청구 보험금을 추출하기 위한 선행단계, 즉 진단코드를 예측하는 단계를 수행하기 위한 서버로, 궁극적으로는 미청구 보험금을 추출하지만, 이를 위하여 그 전(Previous)단계인 진단코드를 예측하고, 예측된 진단코드를 실제 사용자의 의료기록사본으로 검증하도록 하는 것을 중점으로 하는 서버일 수 있다. 이에 따라, 예측 서비스 제공 서버(300)는, 적어도 하나의 의료 데이터를 수집하여 빅데이터를 구축하고, 상호 및 지출내역을 입력받으면 이에 대응하는 진단코드를 추출하도록 적어도 하나의 인공지능 알고리즘을 학습 및 검증시킴으로써 모델링을 완성하는 서버일 수 있다. 이 다음 단계인 미청구 보험금을 추출하고 청구대행을 하는 과정은 본 명세서에서 설명하지 않는다. 이는 본 출원인의 별도출원으로 이미 출원된 상태이므로 본 명세서에서는 이 과정을 상세히 설명하지 않는다.

여기서, 예측 서비스 제공 서버(300)는, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다.

적어도 하나의 직원 단말(400)은, 의료비 지출내역 기반 진단코드 예측 서비스 관련 웹 페이지, 앱 페이지, 프로그램 또는 애플리케이션을 이용하는 직원의 단말일 수 있다. 그리고, 적어도 하나의 직원 단말(400)은, EMR사 단말로부터 받지 못한 EMR 데이터를 발급받는 업무를 할당받은 직원의 단말일 수 있다. 직원 단말(400)은 각 권역별로 배정되어 예측 서비스 제공 서버(300)에 등록되는 단말일 수 있다. 이때 직원은 사용자 단말(100)에서 작성한 위임장을 가지고 각 병원 또는 의료기관에 가서 의료사본기록을 가져오는 직원일 수 있다. 이렇게 가져온 의료사본기록은 상술한 인공지능 알고리즘의 학습 결과를 검증하거나 오류패턴을 파악한 후 재학습을 시킴으로써 인공지능 알고리즘의 예측 정확도를 높이는데 사용될 수 있다. 물론, 병원의 개폐업 정보, 의료비의 변화나 추이 등을 판단하는 자료로로 사용될 수 있다.

여기서, 적어도 하나의 직원 단말(400)은, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다. 이때, 적어도 하나의 직원 단말(400)은, 네트워크를 통해 원격지의 서버나 단말에 접속할 수 있는 단말로 구현될 수 있다. 적어도 하나의 직원 단말(400)은, 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, 네비게이션, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트폰(Smartphone), 스마트 패드(Smartpad), 타블렛 PC(Tablet PC) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다.

도 2는 도 1의 시스템에 포함된 예측 서비스 제공 서버를 설명하기 위한 블록 구성도이고, 도 3 및 도 4는 본 발명의 일 실시예에 따른 의료비 지출내역 기반 진단코드 예측 서비스가 구현된 일 실시예를 설명하기 위한 도면이다.

도 2를 참조하면, 예측 서비스 제공 서버(300)는, 수신부(310), 코드예측부(320), 검증부(330), 병원빅데이터구축부(340), 진단코드매칭부(350), 업데이트부(360), 할당부(370), 직원배치부(380), 오류제거부(390), 데이터베이스화부(391)를 포함할 수 있다.

본 발명의 일 실시예에 따른 예측 서비스 제공 서버(300)나 연동되어 동작하는 다른 서버(미도시)가 적어도 하나의 사용자 단말(100) 및 적어도 하나의 직원 단말(400)로 의료비 지출내역 기반 진단코드 예측 서비스 애플리케이션, 프로그램, 앱 페이지, 웹 페이지 등을 전송하는 경우, 적어도 하나의 사용자 단말(100) 및 적어도 하나의 직원 단말(400)은, 의료비 지출내역 기반 진단코드 예측 서비스 애플리케이션, 프로그램, 앱 페이지, 웹 페이지 등을 설치하거나 열 수 있다. 또한, 웹 브라우저에서 실행되는 스크립트를 이용하여 서비스 프로그램이 적어도 하나의 사용자 단말(100) 및 적어도 하나의 직원 단말(400)에서 구동될 수도 있다. 여기서, 웹 브라우저는 웹(WWW: World Wide Web) 서비스를 이용할 수 있게 하는 프로그램으로 HTML(Hyper Text Mark-up Language)로 서술된 하이퍼 텍스트를 받아서 보여주는 프로그램을 의미하며, 예를 들어 넷스케이프(Netscape), 익스플로러(Explorer), 크롬(Chrome) 등을 포함한다. 또한, 애플리케이션은 단말 상의 응용 프로그램(Application)을 의미하며, 예를 들어, 모바일 단말(스마트폰)에서 실행되는 앱(App)을 포함한다.

도 2를 참조하면, 수신부(310)는, 사용자 단말(100)에서 적어도 하나의 공공기관에 본인인증을 수행하는 경우 의료 데이터를 수신할 수 있다. 사용자 단말(100)은, 적어도 하나의 공공기관에 본인인증을 수행하여 의료 데이터를 제공하고, 의무기록사본을 제출하기 위한 위임장에 서명을 입력할 수 있다. 적어도 하나의 공공기관 서버는, 공공기관포털 및 건강보험심사평가원의 서버일 수 있다. 국세청 홈택스 또는 건강보험공단에서는 최근 5 년간의 의료기록을 제공해주고 있는데, 이때 제공되는 기록은 홈택스의 경우 도 4q와 같이 진단코드가 빠져있고, 상호(병원명 또는 약국명), 사업자등록번호, 종류 및 지출금액계와 총합계 금액만 출력된다. 또 도 4q의 하단을 보면 실손의료보험금 수령 테이블이 존재한다.

이를 통하여 사용자가 어떤 것을 청구해서 받았고 받지 않았는지를 파악할 수 있다. 이때 미청구 보험금을 찾기 위해서는 사용자가 가입한 보험 중 보장되는 내역의 진단코드와, 사용자가 3 년(보험청구 소멸시효)간 다녀간 병원 및 약국에서 이용한 진단코드가 일치해야 찾을 수 있다. 본 발명의 일 실시예에서는 사용자가 청구대행을 의뢰하기 이전에는 EMR이나 의료기록사본을 볼 수 없다는 것을 전제하므로, 진단코드를 유추 또는 예측해야 한다. 이를 위하여 후술할 병원빅데이터구축부(330)에서 [병원명(상호)-지출금액계-진단코드]를 빅데이터로 구축하게 된다. 이때 병원명은 한 구역 내에서 1 개만 사용할 수 있고 겹치지는 않으므로 병원명을 사용할 수도 있으나 사업자등록번호를 고유식별코드로 사용하는 것이 바람직하다.

예를 들어, 역삼동에 위치한 A 내과에서 3750원이 지출된 경우는 고혈압약을 처방받는 경우이고, 진단코드는 [I10-I15-고혈압성 질환]으로, [A내과-1500원-I10-I15]가 학습 및 검증이 된 경우를 가정하자. 이때, 사용자 B가 A 내과에서 3750원을 지출했다면 고혈압약을 타러갔을 수도 있고, 당뇨병약을 타러갔을 수도 있으며, 식중독이나 장염으로 갔을 수도 있지만 진단코드는 [I10-I15]로 추정한다. 이에 따라 사용자 B의 인구통계학적 데이터나 건강 데이터를 더 입력받는 것이 추정의 정확도를 높일 수 있지만 이는 여기서 논외로 하기로 한다. 이렇게 추정된 진단코드가 있고 사용자 B가 진단코드 [I10-I15]를 보장하는 실손보험을 가입했다고 가정하면, 사용자 B는 청구할 수 있었지만 청구하지 않았던 의료내역을 파악할 수 있게 된다. 이때 사용자가 이미 청구했던 내역은 제외되는데 도 4q의 하단을 보면 실손의료보험금 수령 테이블이 존재하므로 여기서 이미 청구되었던 내역은 제외하는 것을 전제한다. 따라서, ① 사용자 B가 사용했던 총 의료비 내에서 ② 사용자가 이미 실손보험으로 청구해서 받은 내역 및 금액을 제외한 나머지 중 ③ 사용자가 가입한 보험에서 보장하는 진단코드로 예측된 내역들이 사용자 B가 받을 수 있는 미청구 보험금이 된다. 사용자가 가입한 보험에 대한 내역들은 한국신용정보원에서 제공한다.

코드예측부(320)는, 의료 데이터 내 사업자번호, 상호 및 지출금액을 추출한 후, 기 구축된 빅데이터 기반 인공지능 알고리즘에 질의로 입력하여 진단코드를 출력할 수 있다. 이때, 상술한 바와 같이 지출금액, 즉 상호, 의료비 외에도 사용자 정보를 더 이용하여 코드를 예측한다면 정확도를 높일 수 있다. 예를 들어, 사용자 A의 최근 5 년간 진단코드(진료코드, 질병코드)를 수집한 결과, 사용자 A는 봄마다 알러지가 발생하여 비염 및 알러지로 질병코드 J30 및 B 의료비로 이비인후과를 방문하고, 2 년마다 군발성두통으로 4 월 내지 5 월에 질병코드 G44.0로 C 의료비로 종합병원 및 응급실에 방문하고, 매달 고혈압으로 질병코드 I10로 D 의료비로 내과에 방문하는 히스토리가 파악되었다고 가정하자. 이때, 사용자 정보가 존재하고, 종합병원에 4 월에 방문했고 C 의료비(오차범위 허용)가 지출되었다면, 질병코드 G44.0으로 예측해볼 수 있다.

상술한 바와 같이 사용자 정보, 의료비 및 진단코드를 수집하는 경우, 의료비로 진단코드를 예측하는 것에서 더 나아가, 진단코드를 이용하여 어떠한 질병에 걸릴 것인지도 예측해볼 수 있다. 예를 들어, X,Y,Z 진단코드를 가진 사람들이 위암으로 최종 진단이 되고 이 그룹을 클러스터링할 수 있고 패턴이 나타난다면, X,Y,Z 진단코드가 예측된 사용자에게 위암 검사를 선제적으로 받도록 추천할 수도 있게 된다. 상술한 프로세스를 딥러닝을 이용하여 구현할 수 있는데, 이하에서는 위암을 예측하는 딥러닝 모델을 모델링하는 실시예를 설명하기로 한다. 물론, 위암 뿐만 아니라 각종 질병이나 질환들을 예측하도록 학습 및 검증하는 방법으로 다양한 알고리즘을 모델링하고 질병을 예측할 수 있음은 자명하다 할 것이다.

한국에서 두 번째로 많이 발생하는 암은 위암인데, 남녀 모두에게 발생하고, 서구권보다 한국이나 일본에서 많이 발생하는 질병이다. 위암은 위에서 발생하는 여러 종류의 악성 종양들이다. 위암은 증상과 진찰을 포함하여 방사선 검사, 조직 검사를 통해 최종 진단이 되지만, 근본적인 예방은 현실적으로 불가능하여 위암을 최대한 빨리 발견하여 조기 치료를 하는 것이 최우선이다. 의료 기록은 끊임없이 축적되어 이를 바탕으로 질병을 분류하고 예측하는 것은 더욱 중요해지고 있는데, KCD(Korean Classification of Diseases)는 WHO에서 권고한 질병분류(ICD-10)의 내용을 바탕으로 질병이환 및 사망자료를 성질의 유사성에 따라 체계적으로 유형화한 한국표준질병사인분류이다. 본 발명의 일 실시예에서는 KCD 기반으로 딥러닝 알고리즘을 적용하여 위암과 관련된 진단코드 C16를 예측할 수 있도록 한다.

<의료 데이터 기반 질병 예측 모델>

위암 예측과 관련된 여러 기계학습과 딥러닝을 적용한 연구가 진행되어 왔다. 해외에서는 종합건강검진 데이터를 바탕으로 머신러닝 알고리즘을 이용한 위암 위험을 예측하는 연구가 존재하고, 국내로는, 위 내시경 영상을 이용한 병변 진단을 위한 딥러닝 기반 컴퓨터 보조 진단 시스템에서 위 내시경 영상을 이용하여 딥러닝 기반으로 병변을 진단하였고, 데이터마이닝을 이용한 위암 예측모형 개발에서 국민건강보험공단의 건강검진데이터, 자격 및 보험료와 진료비 데이터를 이용하여 위암 발생 예측모형을 만들기도 했다. 또, 국민건강보험공단의 CDM 데이터베이스로부터 만성 위염 및 위암 환자 데이터로 RNN 계열의 위암 발생 예측 모델 연구도 진행되었는데, 본 발명의 일 실시예에서는 상술한 방법과는 다르게, EMR, 즉 사용자의 의료기록사본을 볼 수 없다는 전제를 가지므로, 내시경 영상이나 환자들의 건강검진 및 자격 데이터 등을 사용하지 않고, 상술한 구성에서 예측된 진단코드를 이용하여 위암 발병 유무를 예측할 수 있도록 한다. 또, 기계학습 방법 중 하나인 로지스틱 회귀모형이 아닌 딥러닝을 이용하기로 한다.

<의료 데이터>

의료 데이터는 공공데이터포털의 국민건강보험공단 진료내역정보 오픈 데이터를 수집하여 이용하기로 한다. N 개 이상의 질병을 가진 환자들을 추출할 수 있고, 환자들에서 공통적으로 발생한 질병들이 M 개 미만 질병들은 희귀 질병으로 판단하고 해당 진단코드는 제거할 수 있다. 가공한 데이터셋(DataSet)으로 이진 동시등장행렬(Binary Co-Occurrence Matrix)을 만들어 질병 발병 여부를 처리할 수 있다. 테스트 데이터셋으로는 랜덤으로 추출할 수 있고, 학습 데이터셋과 테스트 데이터셋의 비율을 조절할 수 있다. 테스트 데이터셋은 음성과 양성 환자의 비율이 일대일인 환자와 위암 진단코드인 C16을 제외한 909개의 진단코드로 평가할 수 있다. 진단코드는 KCD의 질병분류 내용을 따르는데, KCD는 한국의 다빈도 질병에 대한 세분화 분류를 통해 질병 및 기타 보건 문제를 분류하는데 이용하고 있어서 의료 도메인에서 많이 쓰이는 진단코드들을 포함한다.

<딥러닝 모델>

클래스 가중치(Class Weight)는 전체 데이터셋에서 양성과 음성 비율을 구한다. 음성 클래스 가중치와 양성 클래스 가중치의 비율이 구해지면, 가공한 데이터셋을 바탕으로 환자가 가진 질병들로 위암 진단코드 발병을 예측하는 신경망(Neural Network) 기반 모델을 구축할 수 있다. Dense Layer를 통해 특징 추출(Feature Extraction)을 진행하고 SELU 활성화 함수를 이용하여 훈련하는 동안 평균과 분산을 유지하여 기울기 소실 문제를 해결하고 He 정규분포로 초기값을 설정할 수 있다. Dropout을 통해 은닉 유닛들을 제거하여 과대적합을 방지한다. 배치 정규화를 통해 정규화를 진행한 뒤 시그모이드(Sigmoid) 활성화 함수로 위암 발병 확률을 구한다. 손실 함수와 최적화 함수는 Binary CrossEntropy와 Adam을 클래스 가중치를 추가하여 정밀도(Precision)와 재현율(Recall)을 측정할 수 있다.

MLP(Multi Layer Perceptron)에, 희귀질병들과 위암을 제외한 주상병과 부상병 진단코드를 입력층(Input Layer)에 넣는다. 입력층은 훈련 데이터셋의 진단코드의 유닛이다. 은닉층 및 출력층을 구성하면, 출력층에서는 위암 발병유무를 보여주게 된다. 모델의 성능 최종 평가는 ROC_AUC, 정밀도, 재현율, F1-Score로 할 수 있는데, ROC_AUC(ROC Area Under the Curve)는 ROC 커브의 밑 면적을 구한 값이다. 정밀도는 모델이 양성(True)이라고 분류한 것 중에서 실제 양성인 비율이고, 재현율은 실제 양인 것 중에서 모델이 양성이라고 예측한 비율이다. F1-Score는 W재현율과 정밀도를 이용한 조화평균이다. 위암을 예측하는 본 발명의 일 실시예에서는, 실제 위암 환자에게 위암이라고 예측하는 비율이 중요하므로 재현율을 더 중요시 볼 수 있다. 테스트 셋에서 음성 환자를 랜덤시드(Seed)를 활용해 양성 환자와 동일한 비율로 고른다. 테스트 데이터셋을 만들어 MLP의 예측 결과를 확인하고 성능을 측정할 수 있다. 베이스라인 모델로는 머신러닝 알고리즘인 Multinomial Naive Bayes를 적용할 수 있는데 Naive Bayes는 Bayes이론을 기반으로 한 지도학습 알고리즘으로, 다항분포의 표본에서 가정한다.

검증부(330)는, 위임장으로 확보된 의료기록사본으로 진단코드를 검증할 수 있다.

병원빅데이터구축부(340)는, 병원명과 병원정보를 매핑하여 저장하고, 진단명, 진단코드 및 의료비를 매핑하여 저장하며, 병원, 위치, 사업자등록번호, 진료과목, 규모, 진단코드 및 의료비가 매핑되도록 빅데이터를 구축할 수 있다. 이때, 병원정보는 위치, 상호, 사업자등록번호, 진료과 및 규모를 포함하고, 의료비는 급여 또는 비급여인지의 여부와 세부내역서를 포함할 수 있다. 건강보험심사평가원에서는 보건의료빅데이터 개방시스템(https://openData.hira.or.kr/home.do)을 운영하고 있고, 어느 병원에서 어느 진단코드로 얼마를 청구했는지를 파악할 수 있다. 이 외에도 공공데이터법 제1조 및 제3조에 따라 공공기관에서 제공하는 공공데이터는 누구나 이용가능하고, 영리 목적의 이용을 포함한 자유로운 활용이 보장된다. 이때, 성별, 나이, 지역 등의 인구통계학적 정보도 함께 입력되어 제공되므로 상술한 진단코드 예측의 정확도는 높아질 수 있다. 물론 진단코드는 직접 EMR을 보고 확인한 것이 아니라 인공지능이 예측한 결과이므로 정확도가 100%일 수는 없다. 하지만 사용자가 자신이 어느 곳에서 어느 정도의 금액을 청구하지 않았는지에 대한 개략적인 정보는 제공해줄 수 있다. 이렇게 빅데이터가 구축이 되면 이하에서 인공지능 알고리즘을 학습시킬 수 있다.

진단코드매칭부(350)는, 적어도 하나의 인공지능 알고리즘으로 사업자번호, 상호 및 지출금액을 입력하는 경우 진단코드를 출력하도록 학습 및 검증할 수 있다. 이때, 사업자번호, 상호, 지출금액 외에도 성별, 나이 등을 더 추가적으로 학습 및 검증시켜 적어도 하나의 인공지능 알고리즘의 성능을 비교한 후, 가장 정확도가 높은 인공지능 알고리즘을 본 발명의 일 실시예에 따른 인공지능 알고리즘을 세팅할 수 있다. 이때, 인공지능 알고리즘은 기계학습 및 딥러닝을 포괄하는 상위개념이므로 기계학습 및 딥러닝을 모두 포함하는 것을 정의한다. 예를 들어, [사업자번호-성별-나이-지출금액-진단코드]와 같은 빅데이터의 데이터셋(DataSet)이 있고, 인공지능 알고리즘에서 [사업자번호-성별-나이-지출금액]가 질의(Query)로 입력되었다고 하면, 인공지능 알고리즘은 [진단코드]를 출력하도록 학습 및 검증되어 모델링될 수 있다. 이렇게 학습 및 검증된 경우 이후 신규 고객, 즉 새로운 사용자의 데이터가 입력되는 경우 [사업자번호-성별-나이-지출금액]으로 [진단코드]를 출력할 수 있다.

업데이트부(360)는, 복수의 사용자 단말(100)로부터 수집되는 의료 데이터를 이용하여 병원정보를 업데이트할 수 있다. 사용자 단말(100)은 서로 다른 주체에 귀속된 복수의 사용자 단말(100)일 수 있다.

할당부(370)는, 사용자 단말(100)에서 위임장에 서명이 입력되는 경우, 의료기록사본의 수집 및 업로드를 할당할 수 있다. 직원배치부(380)는, 적어도 하나의 권역별로 의료기록사본의 수집 및 업로드를 할당받는 적어도 하나의 직원 단말을 배치할 수 있다. 상술한 과정을 모두 거치면, 사용자가 지출한 의료비 총액 중 사용자가 청구할 수 있었지만 청구하지 못했던 미청구 보험금을 파악할 수 있게 되고, 이를 통하여 사용자는 자신이 직접 청구를 위해 EMR, 즉 제증명서류를 발급받을 것인지 아니면 본 발명의 플랫폼에 청구대행을 맡길 것인지 결정하게 된다. 이때 위임장과 본인인증이 요구될 수 있으며, 할당부(370)는 사용자 단말(100)에서 신분증을 스캔하는 경우 OCR로 진위판별을 하고, 위임장의 경우 서명이 필요하므로 서명을 터치패드에 입력받으며, 사용자가 청구해야 할 의료기관, 즉 병원과 약국이 있는 곳에 위치한 직원의 직원 단말(400)로 업무를 할당하게 된다. 이때, 미청구 보험금이 10만원이고, 본 발명의 플랫폼 수수료가 22%이며, 사용자 A의 일당은 10 만원이라고 가정하자. 각 병원 및 약국에서 모든 서류를 떼기 위해서 사용자 A가 연차를 내야 하는 경우라면, 일당 10 만원보다 수수료 2만2천원이 더 싸므로 청구대행을 맡길 수 있다. 만약 일당보다 수수료가 더 비싼 경우라면 직접청구 옵션을 선택할 수도 있다.

오류제거부(390)는, 코드예측부에서 예측된 진단코드가 검증부에서 오류로 파악된 경우, 오류 부분 및 오류 원인을 입력받고, 오류 부분 및 오류 원인에 대한 오류 패턴을 발견하는 경우, 오류 패턴을 제거하도록 적어도 하나의 인공지능 알고리즘을 재학습시킬 수 있다.

데이터베이스화부(391)는, 적어도 하나의 공공기관 서버로부터 병원정보를 수집하고, 병원정보를 분석 및 라벨링을 수행하며, 기 구축된 의료기관 데이터베이스와 매칭을 시킬 수 있다. 수집 데이터의 종류는, 의료기관, 대표자, 주소, 진료과목, 진료일, 휴폐업 정보 등일 수 있고 이는 건강보험심사평가원의 진료비통계표, 건강보험심사평가원의 진료행위정보서비스 및 전국의료기관 표준데이터를 이용하여 수집할 수 있다. 병원 휴폐업 정보, 보상가능 또는 불능의 진료과목의 데이터베이스 구축, 병원 위치 및 인접 약국위치 그룹핑, 진단코드별 평균 진료비 등을 분석하거나 라벨링할 수 있다. 그리고 나서, 본 플랫폼의 자체 데이터베이스인 의료기관 데이터베이스와 매칭할 수 있다. 이때, 병원별 진료과목과 일대일 매칭으로 보상가능의 진료과목 포함 여부를 확인할 수 있다. 여기서, 보상가능 진료과목 포함되어 있을 때에만 저장하고, 해당 진료과목에 진료가능한 진단코드 데이터베이스를 자체적으로 축적한다. 또, 보험 표준약관에 따른 보상가능 진단코드 반영하는데, 병원별 추출한 진료가능 진단코드와, 표준약관상 보상가능 진단코드를 매칭할 수 있다. 병원명은 진료과목을 고려할 때 사용될 수 있고, 진료과목별 유추 진단코드별 의료비를 학습하여 모델링을 진행할 수 있다. 또, 병원명과 보상가능 진단코드 및 병원비 모델링으로 병원비 범위를 추출해볼 수도 있다. 마지막으로는 의료기록사본, 즉 의료기관으로부터 받은 자료를 이용하여 검증하는 것인데, 사용자 단말(100)에서 신청한 청구 대행건으로 확보한 의무기록사본으로 2차 검증을 실시하는데, 실제 사용자의 의무기록사본 내 [병원명-사업자번호-내원일-의료비-진단코드]를 표준데이터화하고, 기 구축한 데이터셋에 표준데이터를 기입하며, [병원명-보상가능 진단코드]를 다중 선형회귀로 도출할 수 있다.

덧붙여서, 본 발명의 일 실시예는 [진단코드-증상코드]를 매핑하여 저장하는 질병 데이터베이스를 구축하고, 이러한 질병 데이터베이스를 이용하여 군집화 기법인 FCM 클러스터링 기법을 적용하여 질병을 클러스터링하며, 그 결과 값인 소속도를 바탕으로 입력된 증상과 가까운 진단코드를 도출할 수 있는 방법을 더 제공할 수 있다. 입력된 증상의 개수와 증상이 포함된 질병의 가능성 값을 구하여 내림차순으로 정렬한 후 증상과 가장 가까운 질병 상위 3 개를 도출하며, 이를 상술한 진단코드와 비교한 후 정확도를 높이는 방법으로 더 이용할 수 있다. 이때 증상은 사용자 단말(100)에서 입력한 데이터일 수도 있고 웨어러블 디바이스를 통하여 자동으로 입력된 데이터일 수도 있다. 최근 건강 데이터도 마이데이터 및 데이터3법으로 처리주체를 사용자가 설정할 수 있기 때문에 이에 따라 수집하는 것을 전제한다.

FCM 클러스터링 알고리즘(Fuzzy C-Means Clustering Algorithm)은, 하나의 클러스터에 속해져 있는 각각의 데이터 점을 소속정도에 의해서 클러스터에 대한 데이터의 소속정도를 일일이 열거한 데이터 분류 알고리즘이다. 일반적으로 FCM 클러스터링 기법은 클러스터링 기법의 하나로 초기 클러스터링 알고리즘인 HCM(Hard-C Means) 알고리즘을 개선한 알고리즘이다. 두 알고리즘의 가장 큰 차이는 FCM 알고리즘이 퍼지분할 기법을 적용한다는 점이다. 퍼지분할이란 0과 1 사이의 소속정도에 의해서 주어진 데이터를 특정 다수의 그룹에 속하게 하는 기법이다. 따라서 FCM 알고리즘은 하나의 클러스터에 속해져 있는 각각의 데이터의 소속정도를 구하여 소속도를 기반으로 데이터들을 각각의 클러스터에 분류하는 알고리즘이다.

FCM 알고리즘은 첫 번째 단계에서 클러스터의 개수, c(2≤c<n), 지수가중치 m(1≤m<∞), 소속함수 u(0)을 초기화한다. 두 번째 단계에서 중심벡터 vij를 수학식 1과 같이 계산한다.

세 번째 단계에서는 새로운 소속 함수 u(r+1)을 계산하기 위해 수학식 2와 같이 dik를 계산하고, 새로운 소속 함수 u(r+1)을 계산한다. 여기서 c를 클러스터 개수, dik를 k 번째 패턴 xk와 i 번째 클러스터 중심 벡터 vi사이의 거리, uik는 i 번째 클러스터에 속해 있는 패턴 중에 k 번째 패턴 xk의 소속도이다.

수학식 2에서 l은 입력 노드 수이고, 수학식 3에서 c는 클러스터 개수이다.

네 번째 단계에서는 수학식 4와 같이 새로운 소속 함수(Ur+1)와 이전 소속 함수(Ur) 간의 변화율 계산한다. 그리고 초기 클러스터 개수 설정에 따른 변화율을 누적한다. 변화율이 임계치(ε) 보다 차이 값이 크면 두 번째 단계로, 차이 값이 적으면 다섯 번째 단계로 간다.

다섯 번째 단계에서는 FCM 알고리즘을 적용하여 수학식 5와 같이 초기 클러스터의 개수를 설정한다.

수학식 5에서 c는 초기 클러스터의 개수이고, j는 초기 클러스터의 수를 설정하여 클러스터링하여 생성되는 클러스터의 수이다. ΔNj는 생성된 클러스터들의 누적 변화율이고, Nc는 초기 클러스터의 개수에 따른 클러스터의 변화율이다. Ne는 설정된 초기 클러스터의 개수에 따른 클러스터들의 변화율을 모두 더한 값이다. 일반 증상들은 서로 다른 질병들의 일부 증상으로 나타나기 때문에 FCM에서 초기 클러스터의 개수를 각각 질병의 수에 +1 에서 +5 까지를 더한 범위에서 클러스터의 수를 설정하여 실험한 후에, Ne값이 가장 적은 초기 클러스터를 가진 개수를 최종 클러스터로 설정할 수 있다. 이 진단에 적용된 FCM 알고리즘은 선택한 증상과 클러스터의 증상이 일치하는 수를 FCM 알고리즘의 출력 값에 반영한다.

이를 이용하면, 표본 질병들이 증상을 기준으로 클러스터링 될 수 있고, 증상들은 소수의 질병에게만 속하는 것이 아니라 다수의 질병에 속한다. 따라서 FCM 알고리즘을 적용하여 클러스터의 소속도 값이 높은 값을 기준으로 질병들을 도출할 수 있다. 선택하는 증상들이 질병과의 소속도가 높게 나타나는 경우에는 진단 결과에 대한 정확성이 높게 나타날 수 있다. 해당 질병에 대한 증상의 개수가 적게 선택되면 FCM에서는 선택된 증상이 다른 질병에도 속하는 경우가 발생하고 선택된 증상이 다른 질병에서 소속도가 높게 나타나는 경우도 발생하므로 진단 결과의 정확성이 낮아진다. 따라서 부정확하게 진단 결과가 도출되는 경우는 해당 질병의 증상이 적게 선택되거나 대표 증상이 선택되지 않아서 클러스터의 소속도 값이 낮게 나타날 수는 있다.

정리하면, 증상과 질병에 대한 데이터베이스를 구축하고 질병에 대한 증상들을 FCM 기법을 적용하여 분류할 수 있다. 클러스터링하여 분류된 소속도를 기반으로 증상들의 소속도가 가장 높은 질병들을 가까운 질병으로 추론할 수 있기 때문에, 상술한 예측한 진단코드가 정확한지 검증을 받을 수 있다. 즉 의료기록사본이 오기 전일지라도 증상을 이용하여 진단코드를 검증할 수 있다. 그리고 선택한 증상들의 개수와 선택된 증상들이 포함된 질병들의 가능성 값을 구하여 내림차순으로 정렬하여 증상과 가장 가까운 상위 질병의 진단코드를 추출할 수 있다. 이에 더하여, 질병에 대한 증상 분류 성능을 개선하기 위하여 퍼지 계층적 클러스터링 기법을 더 이용할 수도 있다.

이하, 상술한 도 2의 예측 서비스 제공 서버의 구성에 따른 동작 과정을 도 3 및 도 4를 예로 들어 상세히 설명하기로 한다. 다만, 실시예는 본 발명의 다양한 실시예 중 어느 하나일 뿐, 이에 한정되지 않음은 자명하다 할 것이다.

도 3a와 같은 필요성을 인지하고 도 3b의 본 발명의 플랫폼(라이프캐치, 그린리본)은, 도 3c와 같은 솔루션을 제공한다. 사용자가 일일이 정보를 입력하지 않아도 본인인증 및 정보이용동의만 하면 숨어있는 미청구 보험금이 출력된다. 이를 확인한 후 사용자는 본 발명의 플랫폼에 의뢰를 할 것인지 또는 직접 청구할 것인지를 결정하면 되는데, 전자의 경우에는 사용자는 할 일이 전혀 없고 본 발명의 플랫폼(라이프캐치, 그린리본)에서 진단코드 추출, 청구서 작성 및 청구서 접수의 과정을 모두 진행한다. 본 발명의 플랫폼은 작년에 출시되어 도 3d와 같은 사례를 보유하고 있으며, 도 3e와 같이 비대면 보상 서비스가 증가함에 따라 도 3f와 같은 연구개발을 진행하고 있다. 도 3g와 같은 로드맵 및 도 3h와 같은 차별점을 기반으로, 도 4a 및 도 4b와 같은 본 발명의 일 실시예에 따른 원천기술을 이용하여 도 4c 내지 도 4g와 같은 애플리케이션을 출시했다. 도 4i와 같이 의료 데이터를 얻기 위해 홈텍스 연동을 하고, 도 4j와 같이 인증을 실시하며 도 4k와 같이 한국신용정보원 연동을 하고 또 인증을 수행하면 도 4l와 같이 병원비와 받은 보험금 또 예상보험금이 도출된다. 이렇게 숨은 보험금이 예측되면, 도 4m과 같이 간편청구를 클릭하여 도 4n과 같이 신용정보원에 가입 또는 로그인을 수행하여 더 정확한 보험금을 조회하며, 신분증 인증을 실시하고 도 4o과 같이 보험금 청구를 위한 위임장에 서명을 하면 사용자가 해야 할 일은 끝이 난다. 이제 직원 단말(400)로 업무가 배분되어 직원이 위임장을 가지고 각 병원 또는 약국에서 직접 제증명서류를 발급받거나, EMR사 단말로부터 제증명서류를 발급받아 업무를 처리할 수 있다. 정리하면 도 4p와 같다.

이와 같은 도 2 내지 도 4의 의료비 지출내역 기반 진단코드 예측 서비스 제공 방법에 대해서 설명되지 아니한 사항은 앞서 도 1을 통해 의료비 지출내역 기반 진단코드 예측 서비스 제공 방법에 대하여 설명된 내용과 동일하거나 설명된 내용으로부터 용이하게 유추 가능하므로 이하 설명을 생략하도록 한다.

도 5는 본 발명의 일 실시예에 따른 도 1의 의료비 지출내역 기반 진단코드 예측 서비스 제공 시스템에 포함된 각 구성들 상호 간에 데이터가 송수신되는 과정을 나타낸 도면이다. 이하, 도 5를 통해 각 구성들 상호간에 데이터가 송수신되는 과정의 일 예를 설명할 것이나, 이와 같은 실시예로 본원이 한정 해석되는 것은 아니며, 앞서 설명한 다양한 실시예들에 따라 도 5에 도시된 데이터가 송수신되는 과정이 변경될 수 있음은 기술분야에 속하는 당업자에게 자명하다.

도 5를 참조하면, 예측 서비스 제공 서버는, 사용자 단말에서 적어도 하나의 공공기관에 본인인증을 수행하는 경우 의료 데이터를 수신한다(S5100).

그리고, 예측 서비스 제공 서버는, 의료 데이터 내 사업자번호, 상호 및 지출금액을 추출한 후, 기 구축된 빅데이터 기반 인공지능 알고리즘에 질의로 입력하여 진단코드를 출력한다(S5200).

또, 예측 서비스 제공 서버는, 위임장으로 확보된 의료기록사본으로 진단코드를 검증한다(S5300).

상술한 단계들(S5100~S5300)간의 순서는 예시일 뿐, 이에 한정되지 않는다. 즉, 상술한 단계들(S5100~S5300)간의 순서는 상호 변동될 수 있으며, 이중 일부 단계들은 동시에 실행되거나 삭제될 수도 있다.

이와 같은 도 5의 의료비 지출내역 기반 진단코드 예측 서비스 제공 방법에 대해서 설명되지 아니한 사항은 앞서 도 1 내지 도 4를 통해 의료비 지출내역 기반 진단코드 예측 서비스 제공 방법에 대하여 설명된 내용과 동일하거나 설명된 내용으로부터 용이하게 유추 가능하므로 이하 설명을 생략하도록 한다.

도 5를 통해 설명된 일 실시예에 따른 의료비 지출내역 기반 진단코드 예측 서비스 제공 방법은, 컴퓨터에 의해 실행되는 애플리케이션이나 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.

전술한 본 발명의 일 실시예에 따른 의료비 지출내역 기반 진단코드 예측 서비스 제공 방법은, 단말기에 기본적으로 설치된 애플리케이션(이는 단말기에 기본적으로 탑재된 플랫폼이나 운영체제 등에 포함된 프로그램을 포함할 수 있음)에 의해 실행될 수 있고, 사용자가 애플리케이션 스토어 서버, 애플리케이션 또는 해당 서비스와 관련된 웹 서버 등의 애플리케이션 제공 서버를 통해 마스터 단말기에 직접 설치한 애플리케이션(즉, 프로그램)에 의해 실행될 수도 있다. 이러한 의미에서, 전술한 본 발명의 일 실시예에 따른 의료비 지출내역 기반 진단코드 예측 서비스 제공 방법은 단말기에 기본적으로 설치되거나 사용자에 의해 직접 설치된 애플리케이션(즉, 프로그램)으로 구현되고 단말기에 등의 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다.

전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.

본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims

적어도 하나의 공공기관에 본인인증을 수행하여 의료 데이터를 제공하고, 의무기록사본을 제출하기 위한 위임장에 서명을 입력하는 사용자 단말; 및
상기 사용자 단말에서 상기 적어도 하나의 공공기관에 본인인증을 수행하는 경우 상기 의료 데이터를 수신하는 수신부, 상기 의료 데이터 내 사업자번호, 상호 및 지출금액을 추출한 후, 기 구축된 빅데이터 기반 인공지능 알고리즘에 질의로 입력하여 진단코드를 출력하는 코드예측부, 상기 위임장으로 확보된 의료기록사본으로 상기 진단코드를 검증하는 검증부를 포함하는 예측 서비스 제공 서버;
를 포함하는 의료비 지출내역 기반 진단코드 예측 서비스 제공 시스템.
제 1 항에 있어서,
상기 예측 서비스 제공 서버는,
병원명과 병원정보를 매핑하여 저장하고, 진단명, 진단코드 및 의료비를 매핑하여 저장하며, 병원, 위치, 사업자등록번호, 진료과목, 규모, 진단코드 및 의료비가 매핑되도록 빅데이터를 구축하는 병원빅데이터구축부;
를 더 포함하고,
상기 병원정보는 위치, 상호, 사업자등록번호, 진료과 및 규모를 포함하고, 상기 의료비는 급여 또는 비급여인지의 여부와 세부내역서를 포함하는 것을 특징으로 하는 의료비 지출내역 기반 진단코드 예측 서비스 제공 시스템.
제 2 항에 있어서,
상기 예측 서비스 제공 서버는,
적어도 하나의 인공지능 알고리즘으로 사업자번호, 상호 및 지출금액을 입력하는 경우 진단코드를 출력하도록 학습 및 검증하는 진단코드매칭부;
를 더 포함하는 것을 특징으로 하는 의료비 지출내역 기반 진단코드 예측 서비스 제공 시스템.
제 2 항에 있어서,
상기 사용자 단말은 서로 다른 주체에 귀속된 복수의 사용자 단말이고,
상기 예측 서비스 제공 서버는,
상기 복수의 사용자 단말로부터 수집되는 의료 데이터를 이용하여 상기 병원정보를 업데이트하는 업데이트부;
를 더 포함하는 것을 특징으로 하는 의료비 지출내역 기반 진단코드 예측 서비스 제공 시스템.
제 1 항에 있어서,
상기 예측 서비스 제공 서버는,
상기 사용자 단말에서 위임장에 서명이 입력되는 경우, 상기 의료기록사본의 수집 및 업로드를 할당하는 할당부;
를 더 포함하는 것을 특징으로 하는 의료비 지출내역 기반 진단코드 예측 서비스 제공 시스템.
제 5 항에 있어서,
상기 예측 서비스 제공 서버는,
적어도 하나의 권역별로 상기 의료기록사본의 수집 및 업로드를 할당받는 적어도 하나의 직원 단말을 배치하는 직원배치부;
를 더 포함하는 것을 특징으로 하는 의료비 지출내역 기반 진단코드 예측 서비스 제공 시스템.
제 3 항에 있어서,
상기 예측 서비스 제공 서버는,
상기 코드예측부에서 예측된 진단코드가 상기 검증부에서 오류로 파악된 경우, 오류 부분 및 오류 원인을 입력받고, 상기 오류 부분 및 오류 원인에 대한 오류 패턴을 발견하는 경우, 상기 오류 패턴을 제거하도록 상기 적어도 하나의 인공지능 알고리즘을 재학습시키는 오류제거부;
를 더 포함하는 것을 특징으로 하는 의료비 지출내역 기반 진단코드 예측 서비스 제공 시스템.
제 1 항에 있어서,
상기 예측 서비스 제공 서버는,
적어도 하나의 공공기관 서버로부터 병원정보를 수집하고, 상기 병원정보를 분석 및 라벨링을 수행하며, 기 구축된 의료기관 데이터베이스와 매칭을 시키는 데이터베이스화부;
를 더 포함하는 것을 특징으로 하는 의료비 지출내역 기반 진단코드 예측 서비스 제공 시스템.
제 8항에 있어서,
상기 적어도 하나의 공공기관 서버는, 공공기관포털 및 건강보험심사평가원의 서버인 것을 특징으로 하는 의료비 지출내역 기반 진단코드 예측 서비스 제공 시스템.