KR102503931B1 - Apparatus and method for predicting medical expenditures through big data analytics - Google Patents
Apparatus and method for predicting medical expenditures through big data analytics Download PDFInfo
- Publication number
- KR102503931B1 KR102503931B1 KR1020200169185A KR20200169185A KR102503931B1 KR 102503931 B1 KR102503931 B1 KR 102503931B1 KR 1020200169185 A KR1020200169185 A KR 1020200169185A KR 20200169185 A KR20200169185 A KR 20200169185A KR 102503931 B1 KR102503931 B1 KR 102503931B1
- Authority
- KR
- South Korea
- Prior art keywords
- medical
- predicting
- data
- result data
- group
- Prior art date
Links
Images
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
빅데이터 분석을 통한 진료비 예측 장치 및 방법이 제공된다. 상기 장치는, 의료 관련 빅데이터를 수신하는 통신부, 진료비 예측을 위한 적어도 하나의 프로그램을 구비한 메모리, 및 상기 프로그램을 실행하고, 상기 프로그램을 통해 상기 의료 관련 빅데이터에 포함된 변수별 통계 데이터를 추출하고, 상기 변수별 통계 데이터에 기초하여 분석 모델을 이용하여 제1 결과 데이터를 추출하고, 상기 제1 결과 데이터에 기초하여 의료 서비스에 대한 진료비를 예측하는 제어부를 포함한다.An apparatus and method for predicting medical expenses through big data analysis are provided. The device includes a communication unit that receives medical-related big data, a memory having at least one program for predicting medical expenses, and executing the program to obtain statistical data for each variable included in the medical-related big data through the program. and a control unit that extracts first result data by using an analysis model based on the statistical data for each variable, and predicts medical expenses for medical services based on the first result data.
Description
본 발명은 빅데이터 분석을 통한 진료비 예측 장치 및 방법에 관한 것이다.The present invention relates to an apparatus and method for predicting medical expenses through big data analysis.
현재 우리나라에서는 포용적인 복지국가를 표방하며 커뮤니티 케어 정책을 추친하고 있다. 고령화 사회에서 증가하고 있는 노인들의 요양 및 돌봄에 대한 요구를 충족시키기 위하여 건강과 의료 보장의 목적으로 '방문 건강 관리(방문 간호 포함)' 및 '재택 방문 의료'를 제공하면서, 주거 지원, 장기 요양, 식사 배달 등의 재가 서비스를 연계하여 지역 사회 내에서 통합적으로 케어를 제공할 수 있도록 하는 것이다. 이는 지역 사회 중심의 의료와 복지 서비스를 통합 제공하여 집에서 건강 관리와 일상 생활이 효율적으로 이루어지도록 함으로써 편안한 노후를 보장하고, 노인들의 삶의 만족도를 향상시키고자 함이다. Currently, Korea is advocating an inclusive welfare state and promoting community care policies. In order to meet the increasing needs of the elderly in an aging society for nursing care and care, 'visiting health care (including visiting nursing)' and 'home visit medical care' are provided for the purpose of health and medical security, while providing housing support and long-term care It is to provide integrated care within the community by linking in-home services such as food delivery and meal delivery. This is to ensure a comfortable old age and improve the life satisfaction of the elderly by providing community-centered medical and welfare services in an integrated way so that health care and daily life can be carried out efficiently at home.
하지만, 의료기관에서 전문간호사가 제공하고 있는 '가정 간호 서비스'와 같이 중증도가 높은 노인 환자들의 건강 요구도 및 전문적인 간호의 제공에 대한 연계는 아직까지 이루어지지 않은 실정이다. 따라서, 가정 간호 서비스에 대한 현황 분석을 통해 향후 커뮤니티 케어와 어떻게 연계할지 등 지역 사회로의 정착을 위한 연구가 필요하다.However, as with the 'home nursing service' provided by professional nurses in medical institutions, the health needs of elderly patients with high severity and the provision of professional nursing have not yet been established. Therefore, it is necessary to conduct research for settlement in the local community, such as how to connect with community care in the future through an analysis of the current state of home nursing service.
본 발명이 해결하고자 하는 과제는 빅데이터 분석을 통한 진료비 예측 장치 및 방법을 제공하는 것이다.The problem to be solved by the present invention is to provide an apparatus and method for predicting medical expenses through big data analysis.
다만, 본 발명이 해결하고자 하는 과제는 상기된 바와 같은 과제로 한정되지 않으며, 또다른 과제들이 존재할 수 있다.However, the problem to be solved by the present invention is not limited to the above problem, and other problems may exist.
상술한 과제를 해결하기 위한 본 발명의 일 실시예에 따른 빅데이터 분석을 통한 진료비 예측 장치는, 의료 관련 빅데이터를 수신하는 통신부, 진료비 예측을 위한 적어도 하나의 프로그램을 구비한 메모리, 및 상기 프로그램을 실행하고, 상기 프로그램을 통해 상기 의료 관련 빅데이터에 포함된 변수별 통계 데이터를 추출하고, 상기 변수별 통계 데이터에 기초하여 분석 모델을 이용하여 제1 결과 데이터를 추출하고, 상기 제1 결과 데이터에 기초하여 가정간호에 대한 진료비를 예측하는 제어부를 포함한다.An apparatus for predicting medical expenses through big data analysis according to an embodiment of the present invention for solving the above problems is a communication unit for receiving medical-related big data, a memory having at least one program for predicting medical expenses, and the program Execute, extract statistical data for each variable included in the medical big data through the program, extract first result data using an analysis model based on the statistical data for each variable, and extract the first result data Based on the control unit for predicting the medical expenses for home care.
본 발명에서, 상기 제어부는, 상기 변수별 통계 데이터로부터 추출되는 현황 데이터를 상기 분석 모델에 적용하여 상기 제1 결과 데이터를 추출하고, 상기 현황 데이터는 적어도 하나의 변수를 고려하여 추출될 수 있다.In the present invention, the control unit extracts the first result data by applying current status data extracted from the statistical data for each variable to the analysis model, and the current status data may be extracted in consideration of at least one variable.
본 발명에서, 상기 제어부는, 상기 제1 결과 데이터에 포함된 변수별 제1 값에 기초하여 각 변수가 상기 분석 모델에 유의미한지를 판단하고, 유의미하지 않은 것으로 판단된 변수는 제외하고 상기 진료비를 예측할 수 있다.In the present invention, the control unit determines whether each variable is meaningful to the analysis model based on the first value for each variable included in the first result data, and predicts the medical cost excluding variables determined to be insignificant. can
본 발명에서, 상기 제어부는, 상기 제1 값이 기 설정된 기준 값 보다 큰 변수에 대해서 유의미하지 않은 것으로 판단할 수 있다.In the present invention, the control unit may determine that the first value is not significant for a variable greater than a preset reference value.
본 발명에서, 상기 제어부는, 유의미한 것으로 판단된 변수의 제2 값을 이용하여 상기 진료비를 예측할 수 있다.In the present invention, the control unit may predict the treatment cost using the second value of the variable determined to be significant.
본 발명에서, 상기 제1 결과 데이터는, 제1 그룹과 관련된 제1 결과 데이터 및 제2 그룹에 관련된 제1 결과 데이터를 포함하고, 상기 제어부는, 제1 그룹과 관련된 제1 결과 데이터에 기초하여, 제1 그룹의 가정간호에 대한 진료비를 예측하고, 제2 그룹과 관련된 제1 결과 데이터에 기초하여, 제2 그룹의 가정간호에 대한 진료비를 예측할 수 있다.In the present invention, the first result data includes first result data related to the first group and first result data related to the second group, and the control unit, based on the first result data related to the first group, , It is possible to predict medical expenses for home care of the first group, and predict medical expenses for home care of the second group based on the first result data related to the second group.
본 발명에서, 상기 제1 그룹은 적어도 하나의 민간의료기관을 포함하고, 상기 제2 그룹은 적어도 하나의 공공의료기관을 포함할 수 있다.In the present invention, the first group may include at least one private medical institution, and the second group may include at least one public medical institution.
본 발명에서, 상기 제어부는, 변수별 통계 데이터에 기초하여 분석 모델을 이용하여 제2 결과 데이터를 추출하고, 상기 제2 결과 데이터에 기초하여 의료 서비스에 대한 이용건수를 예측할 수 있다.In the present invention, the control unit may extract second result data using an analysis model based on statistical data for each variable, and predict the number of medical service uses based on the second result data.
본 발명에서, 상기 변수는 나이, 연도, 요양일수, 수술여부, 지역, 성별, 진료과목, 주상병, 부상병, 보험자종별, 요양기관종별 및 그룹 중 적어도 하나를 포함할 수 있다.In the present invention, the variable may include at least one of age, year, number of days of recuperation, operation status, region, gender, treatment course, main illness, minor illness, type of insurer, type of care institution, and group.
상술한 과제를 해결하기 위한 본 발명의 일 실시예에 따른 빅데이터 분석을 통한 진료비 예측 방법은, 의료 관련 빅데이터를 수신하는 단계, 진료비 예측을 위한 적어도 하나의 프로그램을 실행하는 단계, 상기 프로그램을 통해 상기 의료 관련 빅데이터에 포함된 변수별 통계 데이터를 추출하는 단계, 상기 변수별 통계 데이터에 기초하여 분석 모델을 이용하여 제1 결과 데이터를 추출하는 단계, 및 상기 제1 결과 데이터에 기초하여 가정간호에 대한 진료비를 예측하는 단계를 포함한다.A method for predicting medical expenses through big data analysis according to an embodiment of the present invention for solving the above problems includes receiving medical-related big data, executing at least one program for predicting medical expenses, and executing the program. extracting statistical data for each variable included in the medical big data, extracting first result data using an analysis model based on the statistical data for each variable, and assuming based on the first result data. Estimating the cost of nursing care.
본 발명에서, 상기 제1 결과 데이터 추출 단계는, 상기 변수별 통계 데이터로부터 추출되는 현황 데이터를 상기 분석 모델에 적용하여 상기 제1 결과 데이터를 추출하고, 상기 현황 데이터는 적어도 하나의 변수를 고려하여 추출될 수 있다.In the present invention, in the step of extracting the first result data, the first result data is extracted by applying the current status data extracted from the statistical data for each variable to the analysis model, and the current status data is obtained by considering at least one variable can be extracted.
본 발명에서, 상기 진료비 예측 단계는, 상기 제1 결과 데이터에 포함된 변수별 제1 값에 기초하여 각 변수가 상기 분석 모델에 유의미한지를 판단하는 단계, 및 유의미하지 않은 것으로 판단된 변수는 제외하고 상기 진료비를 예측하는 단계를 포함할 수 있다.In the present invention, the medical cost prediction step is the step of determining whether each variable is meaningful to the analysis model based on the first value for each variable included in the first result data, and excluding variables determined to be insignificant A step of estimating the treatment cost may be included.
본 발명에서, 상기 유의미 판단 단계는, 상기 제1 값이 기 설정된 기준 값 보다 큰 변수에 대해서 유의미하지 않은 것으로 판단할 수 있다.In the present invention, in the significance determination step, it may be determined that the variable having the first value greater than a preset reference value is not significant.
본 발명에서, 상기 진료비 예측 단계는, 유의미한 것으로 판단된 변수의 제2 값을 이용하여 상기 진료비를 예측하는 단계를 포함할 수 있다.In the present invention, the step of estimating the medical expense may include predicting the medical expense using a second value of a variable determined to be significant.
본 발명에서, 상기 제1 결과 데이터는, 제1 그룹과 관련된 제1 결과 데이터 및 제2 그룹에 관련된 제1 결과 데이터를 포함하고, 상기 진료비 예측 단계는, 제1 그룹과 관련된 제1 결과 데이터에 기초하여, 제1 그룹의 가정간호에 대한 진료비를 예측하고, 제2 그룹과 관련된 제1 결과 데이터에 기초하여, 제2 그룹의 가정간호에 대한 진료비를 예측할 수 있다.In the present invention, the first result data includes first result data related to the first group and first result data related to the second group, and the medical expense prediction step is based on the first result data related to the first group. Based on the first group, the treatment cost for home care may be predicted, and based on the first result data related to the second group, the treatment cost for home care for the second group may be predicted.
본 발명에서, 상기 제1 그룹은 적어도 하나의 민간의료기관을 포함하고, 상기 제2 그룹은 적어도 하나의 공공의료기관을 포함할 수 있다.In the present invention, the first group may include at least one private medical institution, and the second group may include at least one public medical institution.
본 발명에서, 변수별 통계 데이터에 기초하여 분석 모델을 이용하여 제2 결과 데이터를 추출하는 단계, 및 상기 제2 결과 데이터에 기초하여 가정간호에 대한 이용건수를 예측하는 단계를 더 포함할 수 있다.In the present invention, the step of extracting second result data using an analysis model based on the statistical data for each variable, and predicting the number of cases of home care based on the second result data may further include. .
본 발명에서, 상기 변수는 나이, 연도, 요양일수, 수술여부, 지역, 성별, 진료과목, 주상병, 부상병, 보험자종별, 요양기관종별 및 그룹 중 적어도 하나를 포함할 수 있다.In the present invention, the variable may include at least one of age, year, number of days of recuperation, operation status, region, gender, treatment course, main illness, minor illness, type of insurer, type of care institution, and group.
이 외에도, 본 발명을 구현하기 위한 다른 방법, 다른 장치, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 컴퓨터 판독 가능한 기록 매체가 더 제공될 수 있다.In addition to this, another method for implementing the present invention, another device, another system, and a computer readable recording medium recording a computer program for executing the method may be further provided.
상술한 본 발명에 의하면, 과거의 의료 관련 빅데이터의 분석을 통해 다양한 변수별로 진료비에 대한 기여도를 확인할 수 있다.According to the present invention described above, it is possible to check the contribution to medical expenses for each variable through analysis of past medical-related big data.
또한, 가정 간호 관련 의료 서비스에 대한 진료비와 지역 사회 관련 의료 서비스에 대한 진료비를 구분하여 예측하고, 그 두 개의 값을 비교함으로써 가정 간호 서비스와 커뮤니티 케어의 연계 방향을 설정하기가 쉽다.In addition, it is easy to set the direction of linkage between home care service and community care by separately predicting the cost of medical service related to home care and the cost of medical service related to the community and comparing the two values.
이를 통해, 의료 자원의 효율적인 분배나 효과적인 의료 정책의 수립이 가능하다.Through this, it is possible to efficiently distribute medical resources or establish effective medical policies.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.The effects of the present invention are not limited to the effects mentioned above, and other effects not mentioned will be clearly understood by those skilled in the art from the description below.
도 1은 본 발명에 따른 진료비 예측 장치의 구성도이다.
도 2는 본 발명에 따른 진료비 예측 방법의 순서도이다.
도 3은 변수별 통계 데이터를 설명하기 위한 예시도이다.
도 4는 연도별 가정간호 제공 의료기관수와 관련된 현황 데이터를 설명하기 위한 도면이다.
도 5 및 도 6은 연도별, 보험자종별 및 지역별 가정간호 이용건수와 관련된 현황 데이터를 설명하기 위한 도면이다.
도 7 및 도 8은 연도별, 보험자종별 및 지역별 가정간호 총 진료비와 관련된 현황 데이터를 설명하기 위한 도면이다.
도 9 내지 도 11은 연도별, 연령별, 보험자종별 및 성별 가정간호 이용건수와 관련된 현황 데이터를 설명하기 위한 도면이다.
도 12 및 13은 연도별, 주상병별 및 그룹별 가정간호 이용건수와 연도별, 부상병별 및 그룹별 가정간호 이용건수와 관련된 현황 데이터를 설명하기 위합 도면이다.
도 14 및 15는 제1 결과 데이터를 이용하여 진료비를 예측하는 것을 설명하기 위한 도면이다.
도 16은 제2 결과 데이터를 이용하여 이용건수를 설명하기 위한 도면이다.1 is a block diagram of an apparatus for predicting medical expenses according to the present invention.
2 is a flowchart of a method for predicting medical expenses according to the present invention.
3 is an exemplary diagram for explaining statistical data for each variable.
4 is a diagram for explaining current status data related to the number of medical institutions providing home care by year.
5 and 6 are diagrams for explaining current status data related to the number of home care cases by year, by insurer type, and by region.
7 and 8 are diagrams for explaining current state data related to total home care medical expenses by year, by insurer type, and by region.
9 to 11 are diagrams for explaining current status data related to the number of cases of home care by year, age, insurer type, and gender.
12 and 13 are diagrams for explaining the current state data related to the number of home care use by year, by sick sickness and group, and by year, by injured soldier and by group.
14 and 15 are diagrams for explaining prediction of medical expenses using first result data.
16 is a diagram for explaining the number of uses using second result data.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. Advantages and features of the present invention, and methods of achieving them, will become clear with reference to the detailed description of the following embodiments taken in conjunction with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below, but may be implemented in various different forms, only these embodiments are intended to complete the disclosure of the present invention, and are common in the art to which the present invention belongs. It is provided to fully inform the person skilled in the art of the scope of the invention, and the invention is only defined by the scope of the claims.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.Terminology used herein is for describing the embodiments and is not intended to limit the present invention. In this specification, singular forms also include plural forms unless specifically stated otherwise in a phrase. As used herein, "comprises" and/or "comprising" does not exclude the presence or addition of one or more other elements other than the recited elements. Like reference numerals throughout the specification refer to like elements, and “and/or” includes each and every combination of one or more of the recited elements. Although "first", "second", etc. are used to describe various components, these components are not limited by these terms, of course. These terms are only used to distinguish one component from another. Accordingly, it goes without saying that the first element mentioned below may also be the second element within the technical spirit of the present invention.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.Unless otherwise defined, all terms (including technical and scientific terms) used in this specification may be used with meanings commonly understood by those skilled in the art to which the present invention belongs. In addition, terms defined in commonly used dictionaries are not interpreted ideally or excessively unless explicitly specifically defined.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다. Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings.
도 1은 본 발명에 따른 진료비 예측 장치의 구성도이다.1 is a block diagram of an apparatus for predicting medical expenses according to the present invention.
도 2는 본 발명에 따른 진료비 예측 방법의 순서도이다.2 is a flowchart of a method for predicting medical expenses according to the present invention.
도 3은 변수별 통계 데이터를 설명하기 위한 예시도이다.3 is an exemplary diagram for explaining statistical data for each variable.
도 4는 연도별 가정간호 제공 의료기관수와 관련된 현황 데이터를 설명하기 위한 도면이다.4 is a diagram for explaining current status data related to the number of medical institutions providing home care by year.
도 5 및 도 6은 연도별, 보험자종별 및 지역별 가정간호 이용건수와 관련된 현황 데이터를 설명하기 위한 도면이다.5 and 6 are diagrams for explaining current status data related to the number of home care cases by year, by insurer type, and by region.
도 7 및 도 8은 연도별, 보험자종별 및 지역별 가정간호 총 진료비와 관련된 현황 데이터를 설명하기 위한 도면이다.7 and 8 are diagrams for explaining current state data related to total home care medical expenses by year, by insurer type, and by region.
도 9 내지 도 11은 연도별, 연령별, 보험자종별 및 성별 가정간호 이용건수와 관련된 현황 데이터를 설명하기 위한 도면이다.9 to 11 are diagrams for explaining current status data related to the number of cases of home care by year, age, insurer type, and gender.
도 12 및 13은 연도별, 주상병별 및 그룹별 가정간호 이용건수와 연도별, 부상병별 및 그룹별 가정간호 이용건수와 관련된 현황 데이터를 설명하기 위합 도면이다.12 and 13 are diagrams for explaining the current state data related to the number of home care use by year, by sick sickness and group, and by year, by injured soldier and by group.
도 14 및 15는 제1 결과 데이터를 이용하여 진료비를 예측하는 것을 설명하기 위한 도면이다.14 and 15 are diagrams for explaining prediction of medical expenses using first result data.
도 16은 제2 결과 데이터를 이용하여 이용건수를 설명하기 위한 도면이다.16 is a diagram for explaining the number of uses using second result data.
도 1을 참조하면, 진료비 예측 장치(100)(이하, 장치)는 통신부(120), 메모리(140) 및 제어부(160)를 포함한다. Referring to FIG. 1 , a medical expense prediction apparatus 100 (hereinafter referred to as apparatus) includes a communication unit 120, a memory 140, and a control unit 160.
다만, 본 발명에서의 장치(100)는 도 1에 도시된 구성요소보다 더 적은 수의 구성요소나 더 많은 구성요소를 포함할 수도 있다.However, the
본 발명에서, 장치(100)는 진료비 예측을 위한 서버 장치를 의미할 수 있다. 예를 들어, 의료 기관의 서버 장치일 수 있고, 또는 정부 기관의 서버 장치일 수도 있지만 이에 한정되는 것은 아니다.In the present invention, the
통신부(120)는 장치(100)와 무선 통신 시스템 사이, 장치(100)와 사용자 단말기 사이, 또는 장치(100)와 외부 서버 사이의 무선 통신을 가능하게 하는 하나 이상의 모듈을 포함할 수 있다. 또한, 상기 통신부(12)0는 장치(100)를 하나 이상의 네트워크에 연결하는 하나 이상의 모듈을 포함할 수 있다.The communication unit 120 may include one or more modules enabling wireless communication between the
메모리(140)는 장치(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 메모리(140)는 장치(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 장치(100)의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 장치(100)의 기본적인 기능을 위하여 존재할 수 있다. 한편, 응용 프로그램은, 메모리(140)에 저장되고, 장치(100) 상에 설치되어, 제어부(160)에 의하여 장치(100)의 동작(또는 기능)을 수행하도록 구동될 수 있다.The memory 140 may store data supporting various functions of the
제어부(160)는 상기 응용 프로그램과 관련된 동작 외에도, 통상적으로 장치(100)의 전반적인 동작을 제어할 수 있다. 제어부(160)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(140)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.The controller 160 may control general operations of the
또한, 제어부(160)는 메모리(140)에 저장된 응용 프로그램을 구동하기 위하여, 도 1와 함께 살펴본 구성요소들 중 적어도 일부를 제어할 수 있다. 나아가, 제어부(160)는 상기 응용 프로그램의 구동을 위하여, 장치(100)에 포함된 구성요소들 중 적어도 둘 이상을 서로 조합하여 동작 시킬 수 있다.In addition, the controller 160 may control at least some of the components discussed in conjunction with FIG. 1 in order to drive an application program stored in the memory 140 . Furthermore, the controller 160 may combine and operate at least two or more of the components included in the
도 1에 도시하진 않았지만, 장치(100)는 디스플레이부를 더 포함하여, 예측된 결과를 디스플레이부 상에 표시할 수 있다. 이때, 디스플레이부는 LCD(Liquid Crystal Display), LED(Light Emitting Diode), PDP(Plasma Display Panel), OLED(Organic Light Emitting Diode) 등 다양한 디스플레이 장치로 구현될 수 있다.Although not shown in FIG. 1 , the
이하에서는 통신부(120), 메모리(140) 및 제어부(160)를 포함하는 장치(100)를 이용하여 빅데이터 분석을 통해 진료비를 예측하는 구체적인 방법에 대해서 설명하도록 한다.Hereinafter, a specific method of predicting medical expenses through big data analysis using the
통신부(120)는 의료 관련 빅데이터를 수신한다(S310).The communication unit 120 receives medical-related big data (S310).
구체적으로, 통신부(120)는 외부 기관의 서버, 예를 들어, 건강보험심사평가원의 서버로부터 의료 관련 빅데이터를 수신할 수 있다.Specifically, the communication unit 120 may receive medical-related big data from a server of an external institution, for example, a server of the Health Insurance Review and Assessment Service.
여기서, 의료 관련 빅데이터는 명세서일반내역, 진료내역, 상병내역을 포함할 수 있다.Here, the medical related big data may include general specifications, medical treatment details, and injury/disease details.
명세서일반내역은 명세서조인키, 보험자종별구분코드, 수진자개인식별대체키, 성별구부느, 수진자연령, 수진자통계연령, 요양기관식별대체키, 요양기관종별구분코드, 지역코드, 서식구분코드, 주상병코드, 부상병코드, 진료과목코드, 요양개시일지, 요양종료일자, 입내원일수, 요양일수, 심사결정본인부담금, 심사결정보험자부담금, 수술여부, 진료결과구분코드, 입원도착경로구분코드, 의료급여종별코드, 표시과목코드 등과 관련된 정보들을 포함할 수 있지만, 이에 제한되는 것은 아니며, 사용자(또는 관리자)의 선택에 따라 포함되는 정보가 다를 수 있다. The general details of the statement are the statement join key, insurer type classification code, examinee's personal identification replacement key, gender group, examinee's age, examinee's statistical age, nursing institution identification replacement key, medical institution type classification code, area code, format classification code, address Disease code, injured disease code, treatment subject code, treatment start date, treatment end date, hospitalization days, treatment days, review decision co-payment, review decision insurer co-payment, whether or not surgery, treatment result classification code, hospitalization arrival route classification code, medical It may include information related to a salary type code, a marked subject code, etc., but is not limited thereto, and the included information may differ depending on the user's (or manager's) selection.
진료내역은 명세서조인키, 항목코드, 분류코드구분, 분류코드, 1일투여량 또는 실시횟수, 총투여일수 또는 실시횟수, 총사용량, 단가, 금액, 가산적용금액, 일반명코드, 진료예외구분코드, 1_2구분코드 등과 관련된 정보들을 포함할 수 있지만, 이에 제한되는 것은 아니며, 사용자(또는 관리자)의 선택에 따라 포함되는 정보가 다를 수 있다. Treatment details are specification join key, item code, classification code division, classification code, daily dose or number of times of administration, total number of days of administration or number of times of administration, total amount of use, unit price, amount, additional amount applied, common name code, treatment exception classification It may include information related to code, 1_2 division code, etc., but is not limited thereto, and the included information may be different depending on the user's (or manager's) selection.
상병내역은 명세서조인키, 일련번호, 사아병코드, 상병코드, 상병분류구분, 진료과목코드, 내과세부전문과목 등과 관련된 정보들을 포함할 수 있지만, 이에 제한되는 것은 아니며, 사용자(또는 관리자)의 선택에 따라 포함되는 정보가 다를 수 있다.Injury details may include, but are not limited to, information related to specification join key, serial number, private disease code, disease code, disease classification, treatment department code, internal medicine subspecialty, etc., and the user (or manager) Depending on your selection, the information included may vary.
다음으로, 제어부(160)는 진료비 예측을 위한 적어도 하나의 프로그램을 실행한다(S320).Next, the controller 160 executes at least one program for predicting medical expenses (S320).
다음으로, 제어부(160)는 상기 프로그램을 통해 의료 관련 빅데이터에 포함된 변수별 통계 데이터를 추출한다(S330). Next, the control unit 160 extracts statistical data for each variable included in medical big data through the program (S330) .
여기서, 변수는 상기 의료 관련 빅데이터에 포함된 다양한 정보들에 기초하여 결정될 수 있다. Here, the variable may be determined based on various pieces of information included in the medical big data.
구체적으로, 변수는 나이, 연도, 요양일수, 수술여부, 지역, 성별, 진료과목, 주상병, 부상병, 보험자종별, 요양기관종별 및 그룹 중 적어도 하나를 포함할 수 있다.Specifically, the variable may include at least one of age, year, number of days of medical treatment, whether or not surgery was performed, region, gender, treatment category, primary disease, minor disease, type of insurer, type of medical institution, and group.
도 3은 수집된 총 32,774,706개의 의료 관련 빅데이터를 이용하여, 변수별로 구분하여 생성된 변수별 통계 데이터를 나타내는 도면이다.3 is a diagram showing statistical data for each variable generated by classifying according to variables using a total of 32,774,706 pieces of collected medical big data.
도 3a는 나이에 대한 통계 데이터를 나타낸다.3A shows statistical data for age.
예를 들어, 제어부(160)는 나이를 9이하, 10이상 19이하, 20이상 29이하, 30이상 39이하, 40이상 59이하, 50이상 59이하, 60이상 69이하, 70이상 79이하, 80이상 89이하, 90이상 99이하, 100이상으로 분류하여, 각 나이대별로 가정간호 이용빈도를 나타내는 통계 데이터를 추출할 수 있다.For example, the controller 160 sets the age to 9 or less, 10 or more to 19 or less, 20 or more to 29 or less, 30 or more to 39 or less, 40 or more to 59 or less, 50 or more to 59 or less, 60 or more to 69 or less, 70 or more to 79 or less, 80 Statistical data representing the frequency of home nursing care can be extracted by classifying them into 89 or more, 90 or more, 99 or less, and 100 or more.
도 3a를 참조하면, 70대와 80대의 이용빈도가 높은 것을 알 수 있다. Referring to Figure 3a, it can be seen that the frequency of use is high in the 70's and 80's.
도 3b는 요양기관종별에 대한 통계 데이터를 나타낸다.Figure 3b shows statistical data for each type of health care institution.
예를 들어, 제어부(160)는 요양기관종별을 상급종합병원, 종합병원, 병원, 요양병원, 의원, 보건소, 보건지소, 보건진료소, 보건의료원, 한방병원으로 분류하여, 각 의료기관별로 가정간호 이용빈도를 나타내는 통계 데이터를 추출할 수 있다.For example, the control unit 160 classifies the types of nursing institutions into tertiary general hospitals, general hospitals, hospitals, nursing hospitals, clinics, public health centers, health branch offices, health clinics, health care centers, and oriental medicine hospitals, and uses home nursing for each medical institution. Statistical data representing frequencies can be extracted.
도 3b를 참조하면, 의원의 이용빈도가 높은 것을 알 수 있다. Referring to Figure 3b, it can be seen that the frequency of use of the clinic is high.
도 3c은 그룹에 대한 통계 데이터를 나타낸다.3C shows statistical data for groups.
예를 들어, 제어부(160)는 그룹을 민간의료기관, 공공의료기관으로 분류하여, 각 그룹별로 가정간호 이용빈도를 나타내는 통계 데이터를 추출할 수 있다.For example, the control unit 160 may classify groups into private medical institutions and public medical institutions, and extract statistical data indicating frequency of home care use for each group.
이때, 민간의료기관은 상급종합병원, 종합병원, 병원, 요양병원, 의원을 포함할 수 있으며, 이는 본 명세서에서 제1 그룹으로 표현된다.At this time, private medical institutions may include tertiary general hospitals, general hospitals, hospitals, nursing hospitals, and clinics, which are expressed as the first group in this specification.
또한, 공공의료기관은 보건소, 보건지소, 보건진료소, 보건의료원, 한방병원을 포함할 수 있으며, 이는 본 명세서에서 제2 그룹으로 표현된다.In addition, public medical institutions may include public health centers, health branch offices, health clinics, health care centers, and oriental medicine hospitals, which are represented as a second group in this specification.
도 3c를 참조하면, 민간의료기관(즉, 제1 그룹)의 이용빈도가 훨씬 높은 것을 알 수 있다.Referring to FIG. 3C , it can be seen that the frequency of use of private medical institutions (ie, the first group) is much higher.
도 3d는 보험자종별에 대한 통계 데이터를 나타낸다.3D shows statistical data for each insurer type.
예를 들어, 제어부(160)는 보험자종별을 건강보험 및 의료급여로 분류하여, 각 종류별로 가정간호 이용빈도를 나타내는 통계 데이터를 추출할 수 있다.For example, the controller 160 may classify the type of insurer into health insurance and medical benefit, and extract statistical data representing the frequency of using home care for each type.
도 3d를 참조하면, 건강보험을 적용한 보험자의 이용빈도가 높은 것을 알 수 있다. Referring to FIG. 3D , it can be seen that the frequency of use of insurers applying health insurance is high.
도 3e는 지역에 대한 통계 데이터를 나타낸다.3E shows statistical data for regions.
예를 들어, 제어부(160)는 지역을 서울, 부산, 인천, 대구, 광주, 대전, 울산, 경기, 강원, 충북, 충남, 전북, 전남, 경북, 경남, 제주, 세종으로 분류하여, 각 지역별로 가정간호 이용빈도를 나타내는 통계 데이터를 추출할 수 있다.For example, the controller 160 classifies the region into Seoul, Busan, Incheon, Daegu, Gwangju, Daejeon, Ulsan, Gyeonggi, Gangwon, Chungbuk, Chungnam, Jeonbuk, Jeonnam, Gyeongbuk, Gyeongnam, Jeju, and Sejong, Statistical data representing the frequency of home care use can be extracted.
도 3e를 참조하면, 서울에서의 이용빈도가 높은 것을 알 수 있다. Referring to Figure 3e, it can be seen that the frequency of use in Seoul is high.
도 3f는 성별에 대한 통계 데이터를 나타낸다.3F shows statistical data for gender.
예를 들어, 제어부(160)는 성별을 남자 및 여자로 분류하여, 각 성별로 가정간호 이용빈도를 나타내는 통계 데이터를 추출할 수 있다.For example, the controller 160 may classify gender into male and female, and extract statistical data representing the frequency of using home care for each gender.
도 3f를 참조하면, 여자의 이용빈도가 높은 것을 알 수 있다. Referring to Figure 3f, it can be seen that the frequency of use of women is high.
도 3g는 연도에 대한 통계 데이터를 나타낸다.Figure 3g shows statistical data for year.
예를 들어, 제어부(160)는 연도를 2014, 2015, 2016, 2017, 2018, 2019로 분류하여, 각 연도별로 가정간호 이용빈도를 나타내는 통계 데이터를 추출할 수 있다.For example, the controller 160 classifies the year into 2014, 2015, 2016, 2017, 2018, and 2019, and extracts statistical data representing the frequency of home care use for each year.
도 3g를 참조하면, 2014년의 이용빈도가 가장 높은 것을 알 수 있다.Referring to Figure 3g, it can be seen that the frequency of use in 2014 is the highest.
도 3h는 진료과목에 대한 통계 데이터를 나타낸다.Fig. 3h shows statistical data for treatment subjects.
예를 들어, 제어부(160)는 진료과목을 내과계, 외과계, 기타기술적인의학, 치과계, 한방계로 분류하여, 각 진료과목별로 가정간호 이용빈도를 나타내는 통계 데이터를 추출할 수 있다.For example, the controller 160 may classify the treatment subjects into internal medicine, surgery, other technical medicine, dentistry, and oriental medicine, and extract statistical data representing the frequency of home care use for each treatment subject.
도 3h를 참조하면, 내과계의 이용빈도가 가장 높은 것을 알 수 있다.Referring to Figure 3h, it can be seen that the frequency of use of the internal medicine system is the highest.
도 3i는 주상병에 대한 통계 데이터를 나타낸다.Figure 3i shows statistical data for main illness.
예를 들어, 제어부(160)는 주상병을 고혈압, 허혈성심질환, 심부전, 당뇨, 뇌졸중, 치매, 암, 이상지질혈증, 신부전으로 분류하여, 각 주상병별로 가정간호 이용빈도를 나타내는 통계 데이터를 추출할 수 있다.For example, the controller 160 classifies the main illness into hypertension, ischemic heart disease, heart failure, diabetes, stroke, dementia, cancer, dyslipidemia, and renal failure, and extracts statistical data representing the frequency of home care use for each main illness. can do.
도 3i를 참조하면, 치매, 고혈압, 암의 이용빈도가 순서대로 높은 것을 알 수 있다.Referring to FIG. 3i , it can be seen that the frequency of use of dementia, hypertension, and cancer is sequentially high.
도 3j는 부상병에 대한 통계 데이터를 나타낸다.3J shows statistical data for injured soldiers.
예를 들어, 제어부(160)는 부상병을 고혈압, 허혈성심질환, 심부전, 당뇨, 뇌졸중, 치매, 암, 이상지질혈증, 신부전으로 분류하여, 각 부상병별로 가정간호 이용빈도를 나타내는 통계 데이터를 추출할 수 있다.For example, the controller 160 classifies injured diseases into hypertension, ischemic heart disease, heart failure, diabetes, stroke, dementia, cancer, dyslipidemia, and renal failure, and extracts statistical data representing the frequency of home care use for each injured disease. there is.
도 3j를 참조하면, 당뇨, 고협압의 이용빈도가 순서대로 높은 것을 알 수 있다.Referring to FIG. 3j , it can be seen that the frequency of use of diabetes and hypertension is sequentially high.
다음으로, 제어부(160)는 상기 변수별 통계 데이터에 기초하여 분석 모델을 이용하여 제1 결과 데이터를 추출한다(S340).Next, the controller 160 extracts first result data using an analysis model based on the statistical data for each variable (S340).
구체적으로, 제어부(160)는 변수별 통계 데이터로부터 추출되는 현황 데이터를 분석 모델에 적용하여 제1 결과 데이터를 추출한다.Specifically, the controller 160 extracts first result data by applying current status data extracted from statistical data for each variable to an analysis model.
이때, 현황 데이터는 적어도 하나의 변수를 고려하여 추출될 수 있다.At this time, the current status data may be extracted in consideration of at least one variable.
이하에서, 도 4 내지 도 12를 참조하여, 적어도 하나의 변수를 함께 고려하여 추출되는 현황 데이터를 상세히 설명하도록 한다.Hereinafter, with reference to FIGS. 4 to 12 , current status data extracted in consideration of at least one variable will be described in detail.
도 4는 변수 중 연도와 요양기관종별을 함께 고려하여 추출된 현황 데이터를 나타낸다.Figure 4 shows the current data extracted by considering the year and the type of health care institution among the variables.
구체적으로, 도 4a는 요양기관종별에 포함된 요양기관 중에서 민간의료기관(제1 그룹)의 연도별 이용빈도를 나타내고, 도 4b는 요양기관종별에 포함된 요양기관 중에서 공공의료기관(제2 그룹)의 연도별 이용빈도를 나타낸다.Specifically, FIG. 4a shows the frequency of use by year of private medical institutions (first group) among the health care institutions included in the type of health care institution, and FIG. Indicates the frequency of use by year.
도 4a를 참조하면, 민간의료기관(제1 그룹) 중에서 총 기간(2014-2019) 동안 총 이용빈도가 가장 높은 기관은 의원임을 알 수 있고, 각 연도 중에서 이용빈도가 가장 높은 연도는 2014년임을 알 수 있다.Referring to Figure 4a, it can be seen that among private medical institutions (first group), the institution with the highest total frequency of use during the total period (2014-2019) is a clinic, and the year with the highest frequency of use among each year is 2014 can
도 4b를 참조하면, 공공의료기관(제2 그룹) 중에서 총 기간(2014-2019) 동안 총 이용빈도가 가장 높은 기관은 보건소임을 알 수 있고, 각 연도 중에서 이용빈도가 가장 높은 연도는 2014년임을 알 수 있다.Referring to Figure 4b, it can be seen that among public medical institutions (group 2), the public health center has the highest total frequency of use during the total period (2014-2019), and the year with the highest frequency of use among each year is 2014 can
도 5 및 도 6은 변수 중 연도, 보험자종별 및 지역을 함께 고려하여 추출된 현황 데이터를 나타낸다.5 and 6 show current data extracted by considering year, insurer type, and region among variables together.
도 5a는 지역 중에서 서울에 대한 연도별 및 보험자종별 이용빈도를 나타낸다. 도 5a를 참조하면, 총 기간(2014-2019) 동안 의료급여 보다 건강보험을 적용한 보험자의 이용빈도가 높은 것을 알 수 있고, 각 연도 중에서 이용빈도가 가장 높은 연도는 2014년임을 알 수 있다.5A shows the frequency of use by year and by type of insurer for Seoul among regions. Referring to Figure 5a, it can be seen that the frequency of use of insurers applying health insurance is higher than that of medical benefits during the total period (2014-2019), and it can be seen that 2014 is the year with the highest frequency of use among each year.
도 5b는 지역 중에서 부산에 대한 연도별 및 보험자종별 이용빈도를 나타낸다. 도 5b를 참조하면, 총 기간(2014-2019) 동안 의료급여 보다 건강보험을 적용한 보험자의 이용빈도가 높은 것을 알 수 있고, 각 연도 중에서 이용빈도가 가장 높은 연도는 2014년임을 알 수 있다.5B shows the frequency of use by year and by insurer type for Busan among regions. Referring to FIG. 5B, it can be seen that the frequency of use of insurers applying health insurance is higher than that of medical benefits during the total period (2014-2019), and it can be seen that 2014 is the year with the highest frequency of use among each year.
이와 같이 나머지 지역(인천, 대구, 광주, 대전, 울산, 경기, 강원, 충북, 충남, 전북, 전남, 경북, 경남, 제주, 세종)에 대해서도 이용빈도를 산출하면, 도 6과 같은 현황 데이터가 추출된다.In this way, when the frequency of use is calculated for the remaining regions (Incheon, Daegu, Gwangju, Daejeon, Ulsan, Gyeonggi, Gangwon, Chungbuk, Chungnam, Jeonbuk, Jeonnam, Gyeongbuk, Gyeongnam, Jeju, and Sejong), the current status data as shown in FIG. is extracted
도 6을 참조하면, 각 연도 중에서 건강보험과 의료급여를 합한 이용빈도가 가장 높은 연도는 2014년임을 알 수 있다.Referring to FIG. 6 , it can be seen that 2014 is the year in which the frequency of use of health insurance and medical benefits is the highest in each year.
도 7 및 도 8은 변수 중 연도, 보험자종별 및 지역을 함께 고려하여 추출된 현황 데이터를 나타낸다.7 and 8 show current data extracted by considering year, insurer type, and region among variables together.
도 7a 내지 7f는 지역 중 서울의 가정간호 1회 이용시 평균 총 진료비를 연도별로 산출한 표를 나타낸다. 7a to 7f show tables calculated by year of the average total medical expenses when using home nursing once in Seoul among regions.
도 7a 내지 7f에서 관측치 수는 가정간호 총 이용건수를 나타낸다. 즉, 도 7a 내지 7f는 각각 2014년, 2015년, 2016년, 2017년, 2018년, 2019년에, 서울 지역의 환자들이 가정간호를 한 번 이용할 때마다 지불한 진료비를 전부 합한 총 진료비의 평균을 나타내는 표이다. 이하에서는, 가정간호 1회 이용시 평균 총 진료비를 총 진료비로 표기하도록 한다.In FIGS. 7A to 7F , the number of observations represents the total number of cases of home nursing care. That is, FIGS. 7a to 7f show the average of the total medical expenses, which are the sum of all medical expenses paid each time patients in the Seoul area used home nursing care in 2014, 2015, 2016, 2017, 2018, and 2019, respectively. is a table representing In the following, the average total medical expenses for one home care use is indicated as the total medical expenses.
도 7a를 참조하면, 2014년에 서울의 건강보험 적용 총 진료비는 63191.5으로 산출되고, 의료급여 적용 총 진료비는 63162.8으로 산출됨을 알 수 있다.Referring to FIG. 7A , it can be seen that in 2014, the total medical cost applied by health insurance in Seoul is calculated as 63191.5, and the total medical cost applied by medical benefit is calculated as 63162.8.
도 7b를 참조하면, 2015년에 서울의 건강보험 적용 총 진료비는 70522.3으로 산출되고, 의료급여 적용 총 진료비는 71608.3으로 산출됨을 알 수 있다.Referring to FIG. 7B, it can be seen that in 2015, the total medical cost applied by health insurance in Seoul is calculated as 70522.3, and the total medical cost applied by medical benefit is calculated as 71608.3.
도 7c를 참조하면, 2016년에 서울의 건강보험 적용 총 진료비는 79914.6으로 산출되고, 의료급여 적용 총 진료비는 75997.5으로 산출됨을 알 수 있다.Referring to FIG. 7c , it can be seen that in 2016, the total medical cost applied by health insurance in Seoul is calculated as 79914.6, and the total medical cost applied by medical benefit is calculated as 75997.5.
도 7d를 참조하면, 2017년에 서울의 건강보험 적용 총 진료비는 90238.5으로 산출되고, 의료급여 적용 총 진료비는 74756.1으로 산출됨을 알 수 있다.Referring to FIG. 7D , it can be seen that in 2017, the total medical cost applied by health insurance in Seoul is calculated as 90238.5, and the total medical cost applied by medical benefit is calculated as 74756.1.
도 7e를 참조하면, 2018년에 서울의 건강보험 적용 총 진료비는 98240.5으로 산출되고, 의료급여 적용 총 진료비는 78714.3으로 산출됨을 알 수 있다.Referring to FIG. 7E, it can be seen that in 2018, the total medical cost applied by health insurance in Seoul is calculated as 98240.5, and the total medical cost applied by medical benefit is calculated as 78714.3.
도 7f를 참조하면, 2019년에 서울의 건강보험 적용 총 진료비는 100071으로 산출되고, 의료급여 적용 총 진료비는 88102.8으로 산출됨을 알 수 있다.Referring to FIG. 7f , it can be seen that in 2019, the total medical cost applied by health insurance in Seoul is calculated as 100071, and the total medical cost applied by medical benefit is calculated as 88102.8.
이와 같이 나머지 지역(부산, 인천, 대구, 광주, 대전, 울산, 경기, 강원, 충북, 충남, 전북, 전남, 경북, 경남, 제주, 세종)에 대해서도 연도별 총 진료비를 산출하면, 도 8과 같은 현황 데이터가 추출된다.In this way, if the total medical expenses by year are calculated for the remaining regions (Busan, Incheon, Daegu, Gwangju, Daejeon, Ulsan, Gyeonggi, Gangwon, Chungbuk, Chungnam, Jeonbuk, Jeonnam, Gyeongbuk, Gyeongnam, Jeju, Sejong), Figure 8 and The same status data is extracted.
도 8을 참조하면, 각 연도 중에서 건강보험과 의료급여를 합한 총 진료비가 가장 높은 연도는 2019년임을 알 수 있다.Referring to FIG. 8 , it can be seen that 2019 is the year in which the total medical expenses combined with health insurance and medical benefits is the highest in each year.
도 9 내지 도 11은 변수 중 연도, 연령, 보험자종별 및 성별을 함께 고려하여 추출된 현황 데이터를 나타낸다.9 to 11 show current data extracted by considering year, age, insurer type, and gender among variables.
도 9a는 나이가 9세 이하인 남자의 연도별 건강보험 적용한 이용빈도와 의료급여 적용한 이용빈도를 나타내고, 도 9b는 나이가 9세 이하인 여자의 연도별 건강보험 적용한 이용빈도와 의료급여 적용한 이용빈도를 나타낸다.Figure 9a shows the frequency of use of health insurance and medical benefit by year for males aged 9 years or younger, and Figure 9b shows the frequency of using health insurance and medical benefit applied for females aged 9 or younger by year. indicate
도 9a를 참조하면, 나이가 9세 이하인 남자의 경우, 총 기간(2014-2019) 동안 의료급여 보다 건강보험을 적용한 이용빈도가 훨씬 높은 것을 알 수 있고, 각 연도별로 이용빈도가 비슷하긴 하지만, 그 중에서 2015년의 이용빈도가 가장 높은 것을 알 수 있다.Referring to Figure 9a, it can be seen that in the case of males aged 9 years or younger, the frequency of use of applying health insurance is much higher than that of medical benefits during the total period (2014-2019), and although the frequency of use is similar for each year, Among them, it can be seen that the frequency of use was the highest in 2015.
도 9b를 참조하면, 나이가 9세 이하인 여자의 경우, 총 기간(2014-2019) 동안 의료급여 보다 건강보험을 적용한 이용빈도가 훨씬 높은 것을 알 수 있고, 각 연도별로 이용빈도가 비슷하긴 하지만, 그 중에서 2016년의 이용빈도가 가장 높은 것을 알 수 있다.Referring to Figure 9b, in the case of women aged 9 years or younger, it can be seen that the frequency of use of applying health insurance is much higher than that of medical benefit during the total period (2014-2019), and although the frequency of use is similar for each year, Among them, it can be seen that the frequency of use was the highest in 2016.
도 10은 2014년 동안 진료를 받은 사람(수진자)의 평균 나이를 산출한 표를 나타낸다.10 shows a table in which the average age of people (recipients) who received treatment during 2014 was calculated.
도 10을 참조하면, 2014년 동안 진료를 받은 전체 수진자들의 평균 나이는 72세임을 알 수 있다.Referring to FIG. 10 , it can be seen that the average age of all examinees who received treatment in 2014 was 72 years old.
도 9와 같이 나머지 연령(10이상 19이하, 20이상 29이하, 30이상 39이하, 40이상 59이하, 50이상 59이하, 60이상 69이하, 70이상 79이하, 80이상 89이하, 90이상 99이하, 100이상)에 대해서도 성별로 건강보험 적용한 이용빈도와 의료급여 적용한 이용빈도를 산출하고, 도 10과 같이 나머지 연도(2015-2019)에 대해서도 수진자의 평균 나이를 산출하면, 도 11과 같은 현황 데이터가 추출된다.As shown in Figure 9, the remaining ages (10 or more 19 or less, 20 or more 29 or less, 30 or more 39 or less, 40 or more 59 or less, 50 or more 59 or less, 60 or more 69 or less, 70 or more 79 or less, 80 or more 89 or less, 90 or more 99 Hereinafter, 100 or more), the frequency of use of health insurance and medical benefits is calculated by gender, and the average age of examinees is calculated for the remaining years (2015-2019) as shown in FIG. 10, the same status as in FIG. data is extracted.
즉, 도 11은 산출된 연령별 및 성별에 따른 연도별 건강보험 적용한 이용빈도와 의료급여 적용한 이용빈도, 및 연도별 수진자의 평균 연령을 나타내는 현황 데이터이다.That is, FIG. 11 is current status data showing the frequency of use of health insurance and the frequency of use of medical benefit by year according to the calculated age and gender, and the average age of examinees by year.
도 11을 참조하면, 각 연도(2014-2019)의 수진자 평균 나이는 70대로 거의 비슷함을 알 수 있고, 모든 연도에서 가장 많은 이용빈도를 보이는 나이대가 70대와 80대임을 알 수 있다. 그리고, 전체적으로, 의료보험보다는 건강보험을 적용한 이용빈도가 많으며, 나이가 어릴 때는 남자의 이용빈도가 많지만, 나이가 많아질수록 여자의 이용빈도가 많아지는 것을 알 수 있다.Referring to FIG. 11, it can be seen that the average age of examinees in each year (2014-2019) is almost similar to 70, and it can be seen that the age groups showing the highest frequency of use in all years are in their 70s and 80s. And, as a whole, the frequency of use of health insurance is higher than that of medical insurance, and when the age is young, the frequency of use of men is high, but as the age increases, the frequency of use of women increases.
도 12는 변수 중 연도, 주상병 및 그룹을 함께 고려하여 추출된 현황 데이터를 나타낸다.12 shows current data extracted by considering year, disease, and group among variables together.
도 12a는 민간의료기관(즉, 제1 그룹)의 연도에 따른 주상병별 이용빈도의 변화를 나타낸다. 도 12a를 참조하면, 민간의료기관(즉, 제1 그룹)은 전체 기간(2014-2019) 동안 암에 대한 이용빈도가 가장 높았고, 각 연도 중에서 이용빈도가 가장 높았던 연도는 2017년임을 알 수 있다.Figure 12a shows the change in the frequency of use of private medical institutions (ie, the first group) by disease according to the year. Referring to FIG. 12A, it can be seen that private medical institutions (ie, the first group) had the highest frequency of use for cancer during the entire period (2014-2019), and that the year with the highest frequency of use among each year was 2017.
도 12b는 공공의료기관(즉, 제2 그룹)의 연도에 따른 주상병별 이용빈도의 변화 나타낸다. 도 12b를 참조하면, 공공의료기관(즉, 제2 그룹)은 전체 기간(2014-2019) 동안 고혈압에 대한 이용빈도가 가장 높았고, 각 연도 중에서 이용빈도가 가장 높았던 연도는 2014년임을 알 수 있다.Figure 12b shows the change in the frequency of use for each main disease according to the year of the public medical institution (ie, the second group). Referring to FIG. 12B, it can be seen that public medical institutions (ie, the second group) had the highest frequency of use for hypertension during the entire period (2014-2019), and that the year with the highest frequency of use among each year was 2014.
도 13은 변수 중 연도, 부상병 및 그룹을 함께 고려하여 추출된 현황 데이터를 나타낸다.13 shows current data extracted by considering the year, injured soldier, and group among the variables together.
도 13a는 민간의료기관(즉, 제1 그룹)의 연도에 따른 부상병별 이용빈도의 변화를 나타낸다. 도 13a를 참조하면, 민간의료기관(즉, 제1 그룹)은 전체 기간(2014-2019) 동안 고혈압에 대한 이용빈도가 가장 높았고, 각 연도 중에서 2016년과 2017년이 비슷한 수치로 이용빈도가 가장 높았음을 알 수 있다.Figure 13a shows the change in the frequency of use for each injured soldier according to the year of the private medical institution (ie, the first group). Referring to Figure 13a, private medical institutions (i.e., the first group) had the highest frequency of use for hypertension during the entire period (2014-2019), and among each year, 2016 and 2017 had the highest frequency of use at a similar number sound can be heard
도 13b는 공공의료기관(즉, 제2 그룹)의 연도에 따른 부상병별 이용빈도의 변화 나타낸다. 도 13b를 참조하면, 공공의료기관(즉, 제2 그룹)은 전체 기간(2014-2019) 동안 고혈압에 대한 이용빈도가 가장 높았고, 각 연도 중에서 이용빈도가 가장 높았던 연도는 2017년임을 알 수 있다.Figure 13b shows the change in the frequency of use for each injured soldier according to the year of the public medical institution (ie, the second group). Referring to FIG. 13B, it can be seen that public medical institutions (ie, the second group) had the highest frequency of use for hypertension during the entire period (2014-2019), and the year with the highest frequency of use among each year was 2017.
상술한 바와 같이, 제어부(160)는 다양한 변수들을 복합적으로 분석하여, 다양한 현황 데이터를 추출하고, 이를 분석 모델에 적용하여 제1 결과 데이터를 추출하게 된다.As described above, the control unit 160 extracts various current status data by complexly analyzing various variables, and extracts first result data by applying it to an analysis model.
여기서, 분석 모델은 회귀 분석을 이용할 수 있지만, 이에 제한되지 않고 예를 들어, 기술통계분석 및 ANOVA 등을 이용할 수도 있다.Here, the analysis model may use regression analysis, but is not limited thereto, and for example, descriptive statistical analysis and ANOVA may be used.
여기서, 제1 결과 데이터는 제1 그룹과 관련된 제1 결과 데이터 및 제2 그룹에 관련된 제1 결과 데이터를 포함한다.Here, the first result data includes first result data related to the first group and first result data related to the second group.
즉, 제어부(160)는 민간의료기관에 대한 결과 데이터와 공공의료기관에 대한 결과 데이터를 구분하여 추출한다. 도 14는 민간의료기관에 대한 진료비를 예측하기 위한 제1 결과 데이터를 나타내는 표이고, 도 15는 공공의료기관에 대한 진료비를 예측하기 위한 제1 결과 데이터를 나타내는 표이다.That is, the control unit 160 separates and extracts result data for private medical institutions and result data for public medical institutions. 14 is a table showing first result data for predicting medical expenses for private medical institutions, and FIG. 15 is a table showing first result data for predicting medical expenses for public medical institutions.
다음으로, 제어부(160)는 상기 제1 결과 데이터에 기초하여 가정간호에 대한 진료비를 예측한다(S350).Next, the controller 160 predicts the medical expenses for home care based on the first result data (S350).
제어부(160)는 제1 그룹과 관련된 제1 결과 데이터에 기초하여, 제1 그룹의 가정간호에 대한 진료비를 예측하고, 제2 그룹과 관련된 제1 결과 데이터에 기초하여, 제2 그룹의 가정간호에 대한 진료비를 예측한다.The controller 160 predicts the medical expenses for the home care of the first group based on the first result data related to the first group, and based on the first result data related to the second group, the second group of home care predict the cost of treatment for
상술한 바와 같이, 제1 그룹은 적어도 하나의 민간의료기관을 포함한다. 예를 들어, 제1 그룹은 민간의료기관은 상급종합병원, 종합병원, 병원, 요양병원, 의원 등을 포함할 수 있지만 이에 제한되는 것은 아니다.As described above, the first group includes at least one private medical institution. For example, private medical institutions in the first group may include, but are not limited to, tertiary general hospitals, general hospitals, hospitals, nursing hospitals, and clinics.
또한, 제2 그룹은 적어도 하나의 공공의료기관을 포함한다. 예를 들어, 공공의료기관은 보건소, 보건지소, 보건진료소, 보건의료원, 한방병원을 포함할 수 있지만 이에 제한되는 것은 아니다.Also, the second group includes at least one public medical institution. For example, public health institutions may include, but are not limited to, public health centers, health branch offices, health clinics, health care centers, oriental hospitals.
제어부(160)는 제1 결과 데이터에 포함된 변수별 제1 값에 기초하여 각 변수가 상기 분석 모델에 유의미한지를 판단한다.The controller 160 determines whether each variable is meaningful to the analysis model based on the first value for each variable included in the first result data.
여기서, 제1 값은 도 14 및 도 15에 도시된 제1 결과 데이터의 tValue의 절대값 크기에 따라 결정되는 p-value(Pr) 값(즉, 도 14 및 도 15에 도시된 probt 값)을 의미한다. Here, the first value is a p-value (Pr) value determined according to the absolute value of tValue of the first result data shown in FIGS. 14 and 15 (ie, the probt value shown in FIGS. 14 and 15) it means.
제어부(160)는 제1 값이 기 설정된 기준 값 보다 큰 변수에 대해서 유의미하지 않은 것으로 판단할 수 있다. The control unit 160 may determine that the first value is not significant for a variable greater than a preset reference value.
여기서, 기 설정된 기준 값은 0.05일 수 있지만, 이에 제한되지 않는다.Here, the preset reference value may be 0.05, but is not limited thereto.
그리고, 제어부(160)는 판단 결과에 따라, 제어부(160)는 유의미하지 않은 것으로 판단된 변수는 제외하고 진료비를 예측한다.And, according to the determination result, the control unit 160 predicts the medical expenses excluding variables determined to be insignificant.
즉, 유의미한 것으로 판단된 변수만을 가지고 진료비를 예측하는데, 이때, 제어부(160)는 유의미한 것으로 판단된 변수의 제2 값을 이용하여 상기 진료비를 예측할 수 있다.That is, the medical expenses are predicted using only the variables determined to be significant, and at this time, the controller 160 may predict the medical expenses using the second value of the variables determined to be significant.
여기서, 제2 값은 도 14 및 도 15에 도시된 제1 결과 데이터의 estimate(기여도) 값을 의미한다.Here, the second value means an estimate (contribution) value of the first result data shown in FIGS. 14 and 15 .
도 14를 참조하면, 기준 값이 0.05로 설정된 경우, 제1 값이 0.05보다 큰 변수는 지역 중 제주 변수, 진료과목 중 한방계, 치과계, 외과계, 내과계 변수이므로, 제어부(160)는 이들을 제외하고 나머지 변수들의 제2 값, 즉 기여도를 이용하여 민간의료기관에 대한 진료비를 예측할 수 있다. Referring to FIG. 14 , when the reference value is set to 0.05, variables having a first value greater than 0.05 are Jeju variables among regions and oriental, dental, surgical, and internal medicine variables among treatment subjects, so the control unit 160 excludes them. And the second value of the remaining variables, that is, the contribution, can be used to predict the medical expenses for private medical institutions.
도 15를 참조하면, 기준 값이 0.05로 설정된 경우, 제1 값이 0.05보다 큰 변수는 진료과목 중 한방계, 내과계 변수, 주상병 중 신부전, 심부전 변수이므로, 제어부(160)는 이들을 제외하고 나머지 변수들의 제2 값, 즉 기여도를 이용하여 공공의료기관에 대한 진료비를 예측할 수 있다. Referring to FIG. 15 , when the reference value is set to 0.05, variables having a first value greater than 0.05 are either oriental and internal medicine variables among treatment subjects, and renal failure and heart failure variables among main diseases, so the control unit 160 excludes them. The treatment cost for the public medical institution may be predicted using the second value of the remaining variables, that is, the contribution.
상기에서는, 진료비 예측을 위해, 단변량 회귀(univariate regression) 분석 방법을 이용한 것으로 설명하였지만, 이에 제한되지 않고, 다변량 회귀(Multivariate regression) 분석 방법도 이용할 수 있다.In the above, it has been described that a univariate regression analysis method was used to predict medical expenses, but it is not limited thereto, and a multivariate regression analysis method may also be used.
한편, 도 2에 도시하지는 않았지만, 본 발명은 제어부(160)가 변수별 통계 데이터에 기초하여 분석 모델을 이용하여 제2 결과 데이터를 추출하는 단계를 더 포함한다.Meanwhile, although not shown in FIG. 2 , the present invention further includes extracting, by the control unit 160, second result data using an analysis model based on the statistical data for each variable.
이때, S350에서 추출된 변수별 통계 데이터를 분석 모델에 적용하여, 제2 결과 데이터를 추출한다. 도 16a는 1인당 1년 이용건수를 예측하기 위한 제2 결과 데이터를 나타내는 표이고, 도 16b는 1인당 6년 이용건수를 예측하기 위한 제2 결과 데이터를 나타내는 표이다.At this time, second result data is extracted by applying the statistical data for each variable extracted in S350 to the analysis model. 16A is a table showing second result data for predicting the number of uses per person in one year, and FIG. 16B is a table showing second result data for predicting the number of uses per person for six years.
진료비 예측과 마찬가지로, 제어부(160)는 제2 결과 데이터에 포함된 변수별 제1 값에 기초하여 각 변수가 상기 분석 모델에 유의미한지를 판단한다.Similar to the medical cost prediction, the controller 160 determines whether each variable is meaningful to the analysis model based on the first value for each variable included in the second result data.
여기서, 제1 값은 도 16에 도시된 제2 결과 데이터의 tValue의 절대값 크기에 따라 결정되는 p-value(Pr) 값을 의미한다.Here, the first value means a p-value (Pr) value determined according to the magnitude of the absolute value of tValue of the second result data shown in FIG. 16 .
제어부(160)는 제1 값이 기 설정된 기준 값 보다 큰 변수에 대해서 유의미하지 않은 것으로 판단할 수 있다. The control unit 160 may determine that the first value is not significant for a variable greater than a preset reference value.
여기서, 기 설정된 기준 값은 0.05일 수 있지만, 이에 제한되지 않는다.Here, the preset reference value may be 0.05, but is not limited thereto.
그리고, 제어부(160)는 판단 결과에 따라, 제어부(160)는 유의미하지 않은 것으로 판단된 변수는 제외하고 이용건수(이용빈도)를 예측한다.And, according to the determination result, the control unit 160 predicts the number of uses (frequency of use) excluding variables determined to be insignificant.
즉, 유의미한 것으로 판단된 변수만을 가지고 이용건수를 예측하는데, 이때, 제어부(160)는 유의미한 것으로 판단된 변수의 제2 값을 이용하여 상기 이용건수를 예측할 수 있다.That is, the number of uses is predicted using only the variables determined to be significant. At this time, the controller 160 may predict the number of uses using the second value of the variable determined to be significant.
여기서, 제2 값은 도 16에 도시된 제2 결과 데이터의 estimate(기여도) 값을 의미한다.Here, the second value means an estimate (contribution) value of the second result data shown in FIG. 16 .
도 16a를 참조하면, 기준 값이 0.05로 설정된 경우, 제1 값이 0.05보다 큰 변수는 지역 중 서울 변수이므로, 제어부(160)는 이를 제외하고 나머지 변수들의 제2 값, 즉 기여도를 이용하여 1인당 1년 이용건수를 예측할 수 있다. Referring to FIG. 16A , when the reference value is set to 0.05, since a variable having a first value greater than 0.05 is a Seoul variable among regions, the controller 160 excludes this variable and uses the second value of the remaining variables, that is, the contribution, to calculate 1 It is possible to predict the number of uses per person per year.
도 16b를 참조하면, 기준 값이 0.05로 설정된 경우, 제1 값이 0.05보다 큰 변수는 지역 중 서울 변수이므로, 제어부(160)는 이를 제외하고 나머지 변수들의 제2 값, 즉 기여도를 이용하여 1인당 6년 이용건수를 예측할 수 있다. Referring to FIG. 16B, when the reference value is set to 0.05, since a variable having a first value greater than 0.05 is a Seoul variable among regions, the control unit 160 excludes this variable and uses the second value of the remaining variables, that is, the contribution, to calculate 1 It is possible to predict the number of uses per person for 6 years.
이렇게 예측된 민간의료기관에 대한 진료비와 공공의료기관에 대한 진료비를 비교함으로써, 각 경우 마다 큰 영향을 미치는 변수를 파악하고, 공공의료기관에 대한 비선호 및 민간의료기관에 대한 선호의 이유가 무엇인지 어떤 변수로 인한 것인지를 파악할 수 있다. 또한, 민간의료기관 1인당 1년 이용건수와 1인당 6년 이용건수를 비교함으로써, 단기간(1년) 및 장기간(6년) 동안 가정간호에 대한 이용건수를 예측할 수가 있다. 이를 통해 적절한 정책을 수립할 수 있고, 효율적으로 의료 자원을 배분할 수 있어, 환자들이 민간의료기관뿐만 아니라 공공의료기관에서도 가정간호를 편리하고 만족도 높게 이용할 수 있도록 할 수 있다.By comparing the predicted treatment costs for private medical institutions and public medical institutions, variables that have a large impact in each case are identified, and the reasons for the non-preference for public medical institutions and the preference for private medical institutions are determined by which variables. can figure out whether In addition, by comparing the number of cases of use for 6 years per person with the number of cases of use for 6 years per person in private medical institutions, it is possible to predict the number of cases for home care in the short term (1 year) and long term (6 years). Through this, appropriate policies can be established and medical resources can be efficiently allocated, so that patients can use home nursing conveniently and with high satisfaction in private medical institutions as well as public medical institutions.
도 2는 단계 S310 내지 단계 S350을 순차적으로 실행하는 것으로 기재하고 있으나, 이는 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 도 3에 기재된 순서를 변경하여 실행하거나 단계 S310 내지 단계 S350 중 하나 이상의 단계를 병렬적으로 실행하는 것으로 다양하게 수정 및 변형하여 적용 가능할 것이므로, 도 2는 시계열적인 순서로 한정되는 것은 아니다.2 describes that steps S310 to S350 are sequentially executed, but this is merely an example of the technical idea of this embodiment, and those skilled in the art to which this embodiment belongs will Since it will be possible to change and execute the order described in FIG. 3 without departing from the essential characteristics or to perform various modifications and variations by executing one or more steps of steps S310 to S350 in parallel, FIG. 2 is shown in a time-series order. It is not limited.
이상에서 전술한 본 발명의 일 실시예에 방법은, 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 애플리케이션)으로 구현되어 매체에 저장될 수 있다.The method in one embodiment of the present invention described above may be implemented as a program (or application) to be executed in combination with a computer, which is hardware, and stored in a medium.
상기 전술한 프로그램은, 상기 컴퓨터가 프로그램을 읽어 들여 프로그램으로 구현된 상기 방법들을 실행시키기 위하여, 상기 컴퓨터의 프로세서(CPU)가 상기 컴퓨터의 장치 인터페이스를 통해 읽힐 수 있는 C, C++, JAVA, Ruby, 기계어 등의 컴퓨터 언어로 코드화된 코드(Code)를 포함할 수 있다. 이러한 코드는 상기 방법들을 실행하는 필요한 기능들을 정의한 함수 등과 관련된 기능적인 코드(Functional Code)를 포함할 수 있고, 상기 기능들을 상기 컴퓨터의 프로세서가 소정의 절차대로 실행시키는데 필요한 실행 절차 관련 제어 코드를 포함할 수 있다. 또한, 이러한 코드는 상기 기능들을 상기 컴퓨터의 프로세서가 실행시키는데 필요한 추가 정보나 미디어가 상기 컴퓨터의 내부 또는 외부 메모리의 어느 위치(주소 번지)에서 참조되어야 하는지에 대한 메모리 참조관련 코드를 더 포함할 수 있다. 또한, 상기 컴퓨터의 프로세서가 상기 기능들을 실행시키기 위하여 원격(Remote)에 있는 어떠한 다른 컴퓨터나 서버 등과 통신이 필요한 경우, 코드는 상기 컴퓨터의 통신 모듈을 이용하여 원격에 있는 어떠한 다른 컴퓨터나 서버 등과 어떻게 통신해야 하는지, 통신 시 어떠한 정보나 미디어를 송수신해야 하는지 등에 대한 통신 관련 코드를 더 포함할 수 있다.The above-mentioned program is C, C++, JAVA, Ruby, C, C++, JAVA, Ruby, which the processor (CPU) of the computer can read through the device interface of the computer so that the computer reads the program and executes the methods implemented as a program. It may include a code coded in a computer language such as machine language. These codes may include functional codes related to functions defining necessary functions for executing the methods, and include control codes related to execution procedures necessary for the processor of the computer to execute the functions according to a predetermined procedure. can do. In addition, these codes may further include memory reference related codes for which location (address address) of the computer's internal or external memory should be referenced for additional information or media required for the computer's processor to execute the functions. there is. In addition, when the processor of the computer needs to communicate with any other remote computer or server in order to execute the functions, the code uses the computer's communication module to determine how to communicate with any other remote computer or server. It may further include communication-related codes for whether to communicate, what kind of information or media to transmit/receive during communication, and the like.
상기 저장되는 매체는, 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상기 저장되는 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있지만, 이에 제한되지 않는다. 즉, 상기 프로그램은 상기 컴퓨터가 접속할 수 있는 다양한 서버 상의 다양한 기록매체 또는 사용자의 상기 컴퓨터상의 다양한 기록매체에 저장될 수 있다. 또한, 상기 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장될 수 있다.The storage medium is not a medium that stores data for a short moment, such as a register, cache, or memory, but a medium that stores data semi-permanently and is readable by a device. Specifically, examples of the storage medium include ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical data storage device, etc., but are not limited thereto. That is, the program may be stored in various recording media on various servers accessible by the computer or various recording media on the user's computer. In addition, the medium may be distributed to computer systems connected through a network, and computer readable codes may be stored in a distributed manner.
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.The above description of the present invention is for illustrative purposes, and those skilled in the art can understand that it can be easily modified into other specific forms without changing the technical spirit or essential features of the present invention. will be. Therefore, the embodiments described above should be understood as illustrative in all respects and not limiting. For example, each component described as a single type may be implemented in a distributed manner, and similarly, components described as distributed may be implemented in a combined form.
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.The scope of the present invention is indicated by the following claims rather than the detailed description above, and all changes or modifications derived from the meaning and scope of the claims and equivalent concepts should be construed as being included in the scope of the present invention. do.
100 : 진료비 예측 장치
120 : 통신부
140 : 메모리
160 : 제어부100: medical cost prediction device
120: communication department
140: memory
160: control unit
Claims (19)
진료비 예측을 위한 적어도 하나의 프로그램을 구비한 메모리; 및
상기 프로그램을 실행하고,
상기 프로그램을 통해 상기 의료 관련 빅데이터에 포함된 변수별 통계 데이터를 추출하고,
상기 변수별 통계 데이터에 기초하여 분석 모델을 이용하여 제1 결과 데이터를 추출하고,
상기 제1 결과 데이터에 기초하여 가정간호에 대한 진료비를 예측하는 제어부;를 포함하고,
상기 제어부는,
상기 변수별 통계 데이터로부터 추출되는 현황 데이터를 상기 분석 모델에 적용하여 상기 제1 결과 데이터를 추출하되,
상기 현황 데이터는, 나이, 연도, 요양일수, 수술여부, 지역, 성별, 진료과목, 주상병, 부상병, 보험자종별, 요양기관종별 및 그룹 중 두 개 이상의 변수를 복합적으로 고려하여 추출되는 것이고,
상기 제어부는,
상기 연도 및 상기 요양기관종별을 변수로 고려한 경우, 특정 기간 동안 복수의 의료기관 중 이용빈도가 가장 높은 의료기관, 및 상기 특정 기간 중 상기 복수의 의료기관 각각의 이용빈도를 합한 전체 이용빈도가 가장 높은 연도를 나타내는 현황 데이터를 추출하고,
상기 연도, 상기 보험자종별 및 상기 지역을 변수로 고려한 경우, 각 지역 별로 상기 특정 기간 동안 복수의 보험종류 중 이용빈도가 가장 높은 보험종류, 및 상기 각 지역 별로 상기 특정 기간 중 상기 복수의 보험종류 각각의 이용빈도를 합한 전체 이용빈도가 가장 높은 연도를 나타내는 현황 데이터를 추출하는,
빅데이터 분석을 통한 진료비 예측 장치.A communication unit receiving medical big data;
a memory having at least one program for predicting medical expenses; and
run the program,
Extract statistical data for each variable included in the medical big data through the program;
Extracting first result data using an analysis model based on the statistical data for each variable;
A control unit for predicting a medical expense for home care based on the first result data;
The control unit,
Extracting the first result data by applying the current data extracted from the statistical data for each variable to the analysis model,
The current status data is extracted by considering two or more variables of age, year, number of days of medical treatment, surgery status, region, gender, treatment category, main disease, injured disease, type of insurer, type of medical institution, and group,
The control unit,
When the year and the type of health care institution are considered as variables, the medical institution with the highest frequency of use among a plurality of medical institutions during a specific period and the year with the highest total frequency of use by summing the frequencies of use of each of the plurality of medical institutions during the specific period Extract the current status data,
When the year, the type of insurer, and the region are considered as variables, the insurance type with the highest frequency of use among a plurality of insurance types during the specific period for each region, and among the specific period for each region Extracting current status data indicating the year in which the total frequency of use is the highest by summing the frequency of use of each of the plurality of types of insurance,
Medical cost prediction device through big data analysis.
상기 제어부는,
상기 제1 결과 데이터에 포함된 변수별 제1 값에 기초하여 각 변수가 상기 분석 모델에 유의미한지를 판단하고,
유의미하지 않은 것으로 판단된 변수는 제외하고 상기 진료비를 예측하는,
빅데이터 분석을 통한 진료비 예측 장치.According to claim 1,
The control unit,
Determine whether each variable is significant to the analysis model based on a first value for each variable included in the first result data;
Excluding variables judged to be insignificant and predicting the medical expenses,
Medical cost prediction device through big data analysis.
상기 제어부는,
상기 제1 값이 기 설정된 기준 값 보다 큰 변수에 대해서 유의미하지 않은 것으로 판단하는,
빅데이터 분석을 통한 진료비 예측 장치.According to claim 3,
The control unit,
Determining that the first value is not significant for a variable greater than a preset reference value,
Medical cost prediction device through big data analysis.
상기 제어부는,
유의미한 것으로 판단된 변수의 제2 값을 이용하여 상기 진료비를 예측하는,
빅데이터 분석을 통한 진료비 예측 장치.According to claim 3,
The control unit,
Predicting the medical expense using the second value of the variable determined to be significant,
Medical cost prediction device through big data analysis.
상기 제1 결과 데이터는,
제1 그룹과 관련된 제1 결과 데이터 및 제2 그룹에 관련된 제1 결과 데이터를 포함하고,
상기 제어부는,
제1 그룹과 관련된 제1 결과 데이터에 기초하여, 제1 그룹의 가정간호에 대한 진료비를 예측하고,
제2 그룹과 관련된 제1 결과 데이터에 기초하여, 제2 그룹의 가정간호에 대한 진료비를 예측하는,
빅데이터 분석을 통한 진료비 예측 장치.According to claim 1,
The first result data,
Includes first result data related to the first group and first result data related to the second group;
The control unit,
Based on the first result data related to the first group, predicting the medical expenses for home care in the first group;
Based on the first result data related to the second group, predicting the treatment cost for home care in the second group,
Medical cost prediction device through big data analysis.
상기 제1 그룹은 적어도 하나의 민간의료기관을 포함하고, 상기 제2 그룹은 적어도 하나의 공공의료기관을 포함하는,
빅데이터 분석을 통한 진료비 예측 장치.According to claim 6,
The first group includes at least one private medical institution, and the second group includes at least one public medical institution.
Medical cost prediction device through big data analysis.
상기 제어부는,
변수별 통계 데이터에 기초하여 분석 모델을 이용하여 제2 결과 데이터를 추출하고,
상기 제2 결과 데이터에 기초하여 가정간호에 대한 이용건수를 예측하는,
빅데이터 분석을 통한 진료비 예측 장치.According to claim 1,
The control unit,
Extracting second result data using an analysis model based on the statistical data for each variable;
Predicting the number of uses for home care based on the second result data,
Medical cost prediction device through big data analysis.
의료 관련 빅데이터를 수신하는 단계;
진료비 예측을 위한 적어도 하나의 프로그램을 실행하는 단계;
상기 프로그램을 통해 상기 의료 관련 빅데이터에 포함된 변수별 통계 데이터를 추출하는 단계;
상기 변수별 통계 데이터에 기초하여 분석 모델을 이용하여 제1 결과 데이터를 추출하는 단계; 및
상기 제1 결과 데이터에 기초하여 가정간호에 대한 진료비를 예측하는 단계;를 포함하고,
상기 제1 결과 데이터 추출 단계는,
상기 변수별 통계 데이터로부터 추출되는 현황 데이터를 상기 분석 모델에 적용하여 상기 제1 결과 데이터를 추출하되,
상기 현황 데이터는, 나이, 연도, 요양일수, 수술여부, 지역, 성별, 진료과목, 주상병, 부상병, 보험자종별, 요양기관종별 및 그룹 중 두 개 이상의 변수를 복합적으로 고려하여 추출되는 것이고,
상기 연도 및 상기 요양기관종별을 변수로 고려한 경우, 상기 현황 데이터는, 특정 기간 동안 복수의 의료기관 중 이용빈도가 가장 높은 의료기관, 및 상기 특정 기간 중 상기 복수의 의료기관 각각의 이용빈도를 합한 전체 이용빈도가 가장 높은 연도를 나타내도록 추출되고,
상기 연도, 상기 보험자종별 및 상기 지역을 변수로 고려한 경우, 상기 현황 데이터는, 각 지역 별로 상기 특정 기간 동안 복수의 보험종류 중 이용빈도가 가장 높은 보험종류, 및 상기 각 지역 별로 상기 특정 기간 중 상기 복수의 보험종류 각각의 이용빈도를 합한 전체 이용빈도가 가장 높은 연도를 나타내도록 추출되는,
빅데이터 분석을 통한 진료비 예측 방법.In the method of predicting medical expenses through big data analysis performed by a medical expense predicting device,
Receiving medical big data;
Executing at least one program for predicting medical expenses;
extracting statistical data for each variable included in the medical big data through the program;
extracting first result data using an analysis model based on the statistical data for each variable; and
Predicting a medical expense for home care based on the first result data; Including,
The first result data extraction step,
Extracting the first result data by applying the current data extracted from the statistical data for each variable to the analysis model,
The current status data is extracted by considering two or more variables of age, year, number of days of medical treatment, surgery status, region, gender, treatment category, main disease, injured disease, type of insurer, type of medical institution, and group,
When the year and the type of health care institution are considered as variables, the current status data is the total frequency of use, which is the sum of the medical institution with the highest frequency of use among a plurality of medical institutions during a specific period and the frequency of use of each of the plurality of medical institutions during the specific period. is extracted to indicate the year with the highest,
When the year, the type of insurer, and the region are considered as variables, the current status data is the insurance type with the highest frequency of use among a plurality of insurance types during the specific period for each region, and the specific period for each region. Extracted to indicate the year in which the total frequency of use of each of the plurality of insurance types is the highest,
A method for predicting medical expenses through big data analysis.
상기 진료비 예측 단계는,
상기 제1 결과 데이터에 포함된 변수별 제1 값에 기초하여 각 변수가 상기 분석 모델에 유의미한지를 판단하는 단계; 및
유의미하지 않은 것으로 판단된 변수는 제외하고 상기 진료비를 예측하는 단계;를 포함하는,
빅데이터 분석을 통한 진료비 예측 방법.According to claim 10,
In the step of predicting the medical cost,
determining whether each variable is meaningful to the analysis model based on a first value for each variable included in the first result data; and
Predicting the medical cost excluding variables determined to be insignificant; including,
A method for predicting medical expenses through big data analysis.
상기 유의미 판단 단계는,
상기 제1 값이 기 설정된 기준 값 보다 큰 변수에 대해서 유의미하지 않은 것으로 판단하는,
빅데이터 분석을 통한 진료비 예측 방법.According to claim 12,
In the significance judgment step,
Determining that the first value is not significant for a variable greater than a preset reference value,
A method for predicting medical expenses through big data analysis.
상기 진료비 예측 단계는,
유의미한 것으로 판단된 변수의 제2 값을 이용하여 상기 진료비를 예측하는 단계;를 포함하는,
빅데이터 분석을 통한 진료비 예측 방법.According to claim 12,
In the step of predicting the medical cost,
Predicting the medical expense using a second value of a variable determined to be significant; including,
A method for predicting medical expenses through big data analysis.
상기 제1 결과 데이터는,
제1 그룹과 관련된 제1 결과 데이터 및 제2 그룹에 관련된 제1 결과 데이터를 포함하고,
상기 진료비 예측 단계는,
제1 그룹과 관련된 제1 결과 데이터에 기초하여, 제1 그룹의 가정간호에 대한 진료비를 예측하고, 제2 그룹과 관련된 제1 결과 데이터에 기초하여, 제2 그룹의 가정간호에 대한 진료비를 예측하는,
빅데이터 분석을 통한 진료비 예측 방법.According to claim 10,
The first result data,
Includes first result data related to the first group and first result data related to the second group;
In the step of predicting the medical cost,
Based on the first result data related to the first group, the medical expenses for home care of the first group are predicted, and based on the first result data related to the second group, the medical expenses for home care of the second group are predicted. doing,
A method for predicting medical expenses through big data analysis.
상기 제1 그룹은 적어도 하나의 민간의료기관을 포함하고, 상기 제2 그룹은 적어도 하나의 공공의료기관을 포함하는,
빅데이터 분석을 통한 진료비 예측 방법.According to claim 15,
The first group includes at least one private medical institution, and the second group includes at least one public medical institution.
A method for predicting medical expenses through big data analysis.
변수별 통계 데이터에 기초하여 분석 모델을 이용하여 제2 결과 데이터를 추출하는 단계; 및
상기 제2 결과 데이터에 기초하여 가정간호에 대한 이용건수를 예측하는 단계;를 더 포함하는,
빅데이터 분석을 통한 진료비 예측 방법.According to claim 10,
extracting second result data using an analysis model based on the statistical data for each variable; and
Further comprising: predicting the number of uses for home care based on the second result data;
A method for predicting medical expenses through big data analysis.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200169185A KR102503931B1 (en) | 2020-12-07 | 2020-12-07 | Apparatus and method for predicting medical expenditures through big data analytics |
PCT/KR2021/016918 WO2022124622A1 (en) | 2020-12-07 | 2021-11-17 | Method and device for predicting medical service fee through big data analysis |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200169185A KR102503931B1 (en) | 2020-12-07 | 2020-12-07 | Apparatus and method for predicting medical expenditures through big data analytics |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20220080266A KR20220080266A (en) | 2022-06-14 |
KR102503931B1 true KR102503931B1 (en) | 2023-02-24 |
Family
ID=81974692
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200169185A KR102503931B1 (en) | 2020-12-07 | 2020-12-07 | Apparatus and method for predicting medical expenditures through big data analytics |
Country Status (2)
Country | Link |
---|---|
KR (1) | KR102503931B1 (en) |
WO (1) | WO2022124622A1 (en) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015090689A (en) * | 2013-11-07 | 2015-05-11 | 株式会社日立製作所 | Medical data analysis system and medical data analysis method |
JP2017117469A (en) * | 2015-12-22 | 2017-06-29 | 国立研究開発法人理化学研究所 | Risk evaluation method, risk evaluation device, and risk evaluation program |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100597289B1 (en) | 2006-03-03 | 2006-07-04 | 건강보험심사평가원 | The method for electronic examination of medical fees |
JP5350858B2 (en) * | 2009-03-27 | 2013-11-27 | 株式会社エヌ・ティ・ティ・データ | Regional medical cooperation support server, regional medical cooperation support method, and regional medical cooperation support program |
KR101873926B1 (en) * | 2017-11-22 | 2018-07-04 | 김광호 | Method for providing medical counseling service between insurance organization and specialist based on bigdata |
KR102202865B1 (en) * | 2019-03-05 | 2021-01-15 | (주)비바이노베이션 | Apparatus of providing disease prediction information through bid data analysis and artificial intelligence |
-
2020
- 2020-12-07 KR KR1020200169185A patent/KR102503931B1/en active IP Right Grant
-
2021
- 2021-11-17 WO PCT/KR2021/016918 patent/WO2022124622A1/en active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015090689A (en) * | 2013-11-07 | 2015-05-11 | 株式会社日立製作所 | Medical data analysis system and medical data analysis method |
JP2017117469A (en) * | 2015-12-22 | 2017-06-29 | 国立研究開発法人理化学研究所 | Risk evaluation method, risk evaluation device, and risk evaluation program |
Non-Patent Citations (1)
Title |
---|
오필재 외 2인. "A method for evaluating and scoring of health status". The Korean Journal of Applied Statistics (2020). 제33권, 제2호, pp.239-256, 2020.03.23. 채택 (2020.06.03. 발행) 1부.* |
Also Published As
Publication number | Publication date |
---|---|
WO2022124622A1 (en) | 2022-06-16 |
KR20220080266A (en) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11664097B2 (en) | Healthcare information technology system for predicting or preventing readmissions | |
US20200265956A1 (en) | Machine learning clinical decision support system for risk categorization | |
US8949082B2 (en) | Healthcare information technology system for predicting or preventing readmissions | |
Raghupathi et al. | An overview of health analytics | |
Zecevic et al. | Estimating the cost of serious injurious falls in a Canadian acute care hospital | |
CN111145909B (en) | Diagnosis and treatment data processing method and device, storage medium and electronic equipment | |
US11403716B2 (en) | Time data analysis | |
Mohamadlou et al. | Multicenter validation of a machine-learning algorithm for 48-h all-cause mortality prediction | |
US8041580B1 (en) | Forecasting consequences of healthcare utilization choices | |
US20160117468A1 (en) | Displaying Predictive Modeling and Psychographic Segmentation of Population for More Efficient Delivery of Healthcare | |
Harrison et al. | The complex association of race and leaving the pediatric emergency department without being seen by a physician | |
US20180322942A1 (en) | Medical protocol evaluation | |
Benchimol et al. | Institutional registry of elderly patients with hip fracture in a community-based tertiary care hospital in Argentina (RIAFC) | |
Cope et al. | Developing a specialist-nurse-led ‘COPD in-reach service’ | |
KR102503931B1 (en) | Apparatus and method for predicting medical expenditures through big data analytics | |
CN111326242B (en) | Information processing method, apparatus, and recording medium storing information processing program | |
Peytremann-Bridevaux et al. | Inventory and perspectives of chronic disease management programs in Switzerland: an exploratory survey | |
US20180322959A1 (en) | Identification of low-efficacy patient population | |
Broyles et al. | Adverse medical events: Do they influence discharge decisions? | |
Haule et al. | The what, why, and how of health information systems: A systematic review | |
Borlawsky et al. | Evaluation of an automated pressure ulcer risk assessment model | |
US20210174915A1 (en) | Bi-directional documentation building system | |
Sistla et al. | Developing a Real-Time Prediction Model for Medicine Service 30-Day Readmissions | |
Trautwein et al. | Developing a Real-Time Prediction Model for Medicine Service 30-Day Readmissions. | |
Kudyba et al. | Electronic Health Information, Healthcare System Interoperability, Mobile Health, and the Formation of a Community of Health and Wellness |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
AMND | Amendment | ||
E601 | Decision to refuse application | ||
AMND | Amendment | ||
X701 | Decision to grant (after re-examination) | ||
GRNT | Written decision to grant |