WO2017152639A1 - 基于医疗大数据的医疗保险精算系统及方法 - Google Patents

基于医疗大数据的医疗保险精算系统及方法 Download PDF

Info

Publication number
WO2017152639A1
WO2017152639A1 PCT/CN2016/104132 CN2016104132W WO2017152639A1 WO 2017152639 A1 WO2017152639 A1 WO 2017152639A1 CN 2016104132 W CN2016104132 W CN 2016104132W WO 2017152639 A1 WO2017152639 A1 WO 2017152639A1
Authority
WO
WIPO (PCT)
Prior art keywords
medical
weather
disease
affected
data
Prior art date
Application number
PCT/CN2016/104132
Other languages
English (en)
French (fr)
Inventor
张贯京
Original Assignee
深圳市前海安测信息技术有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 深圳市前海安测信息技术有限公司 filed Critical 深圳市前海安测信息技术有限公司
Publication of WO2017152639A1 publication Critical patent/WO2017152639A1/zh

Links

Classifications

    • G06F19/328—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance

Definitions

  • the present invention relates to the field of big data analysis and mining, and in particular to a medical insurance actuarial system and method based on medical big data.
  • Actuarial calculations refer to the use of knowledge and principles in the fields of mathematics, statistics, finance, insurance, and demography to address the need for accurate calculations in commercial insurance and various social security services, such as the determination of mortality.
  • Big Data has become a recent technology hotspot, which has attracted wide attention. Big data technology can accelerate the risk prediction of actuarial insurance: With the growing popularity of private and public user information, big data technology helps people extract value from large, highly complex data.
  • the main object of the present invention is to provide a medical insurance actuarial system and method based on medical big data, aiming at solving the technical problem that the medical big data is not considered in the actuarial process of medical insurance.
  • the present invention provides a medical insurance actuarial system based on medical big data, which is operated in a data center, and the data center is connected to a hospital information system and a weather information platform through a network, and the insurance actuarial system Includes:
  • an obtaining module configured to obtain medical data from a hospital information system
  • a search module configured to search for a sick date in the medical data
  • an association module configured to acquire historical weather information corresponding to a diseased date in the medical data from the weather information platform, and associate the medical data with the historical weather information
  • an analysis module configured to analyze medical data associated with historical weather information to obtain a patient affected by weather factors
  • a classification module configured to classify the patient affected by the weather factor according to a preset annual segmentation rule, and extract the number of patients affected by the weather factor corresponding to each year segment;
  • a calculation module configured to calculate a disease incidence rate affected by weather factors according to the number of patients affected by weather factors corresponding to each year, and calculate according to the disease incidence rate and a preset medical insurance actuarial algorithm Health insurance premiums for patients affected by weather factors for each year.
  • the medical data includes a patient name, a patient's name, a diseased day, a disease name, a disease cause, a drug name, a disease diagnosis information, a drug quantity, a doctor name, a medical department, a medical expenses, and a patient's Contact information.
  • the manner in which the analysis module obtains a patient affected by weather factors is as follows:
  • the disease is determined to be affected by weather factors
  • the present invention further provides a medical insurance actuarial method based on medical big data, which is applied to a data center, wherein the data center is connected to a hospital information system and a weather information platform through a network, and the method includes:
  • the medical data includes a patient name, a patient's name, a diseased day, a disease name, a disease cause, a drug name, a disease diagnosis information, a drug quantity, a doctor name, a medical department, a medical expenses, and a patient's Contact information.
  • the step of analyzing the medical data associated with the historical weather information to obtain the patient affected by the weather factor further comprises the following steps:
  • the disease is determined to be affected by weather factors
  • the parameters B, C, D, Al, A2, and A3 in the formula are fixed values, and A21 is the increase rate of medical service utilization.
  • the medical insurance actuarial system and method based on medical big data according to the present invention adopts the above technical solution, and the technical effects brought about by: the medical big data and the weather information can be associated, and the medical treatment associated with the weather information is
  • the data analysis process is to obtain the patients affected by the weather factors, calculate the incidence rate of the diseases affected by the weather, and adjust the insurance premium according to the disease incidence rate, which can reduce the risk of medical insurance and improve the insurance company's Profitability.
  • FIG. 1 is a schematic diagram of an application environment of a medical insurance actuarial system based on medical big data according to the present invention.
  • FIG. 2 is a block diagram of a preferred embodiment of a medical insurance actuarial system based on medical big data according to the present invention.
  • FIG. 3 is a flow chart of a preferred embodiment of the medical insurance actuarial method based on medical big data of the present invention.
  • FIG. 4 is a schematic diagram of a disease name corresponding to weather information and the number of each disease name according to the present invention.
  • FIG. 1 is a schematic diagram of an application environment of a medical insurance actuarial system based on medical big data according to the present invention.
  • the medical big data based medical insurance actuarial system 20 in the present invention operates in the data center 2.
  • the data center 2 is communicatively coupled to one or more hospital information systems 1 (illustrated by three in FIG. 1) via the network 3 to obtain medical data from the hospital information system connection 1.
  • the medical data includes, but is not limited to, patient name, patient's age, disease, disease name, disease cause, disease diagnosis information, drug name, drug quantity, doctor name, visiting department, cost, and patient contact information. (for example, email address, mobile phone number, instant messaging account, etc.).
  • the hospital information system 1 is a hospital information medical system for collecting medical data of a patient. For example, the patient looks After the illness, the doctor inputs the patient's medical data in the hospital information system 1 according to the patient's condition.
  • the network 3 may be a wired communication network or a wireless communication network.
  • the network 3 is preferably a wireless communication network including, but not limited to, a GSM network, a GPRS network, a CDMA network, a TD-SCDMA network, a WiMAX network, a TD-LTE network, an FDD-LTE network, and the like.
  • the data center 2 is communicatively connected to one or more clients 4 (illustrated by three in FIG. 1) through the network 3, and transmits medical data corresponding to the patient to the patient.
  • the data center 2 may further analyze and process the medical data, and send the analyzed medical data (for example, medical data associated with historical weather information) to the corresponding network through the network 3.
  • the data center 2 is communicatively connected to the weather information platform 5 through the network 3 for acquiring historical weather information from the weather information platform 5.
  • the weather information platform 5 is configured to provide historical weather information, including, but not limited to, location, temperature (highest temperature and minimum temperature), wind direction (eg, southerly wind, northerly wind) Etc., weather conditions (eg weather conditions such as fine weather, light rain, heavy rain, snow, heavy snow) and air quality (eg PM 2.5 values).
  • the data center 2 is a server of a cloud platform or a data center, and can better manage and/or assist with the data transmission capability and data storage capability of the cloud platform or the data center.
  • the data center 2 is connected to the client 4, which helps the insurance company to design insurance products based on the patient's medical data.
  • the client 4 may be, but is not limited to, any other suitable portable electronic device such as a smart phone, a tablet computer, a personal digital assistant (PDA), a personal computer, an electronic signboard, and the like.
  • a smart phone such as a smart phone, a tablet computer, a personal digital assistant (PDA), a personal computer, an electronic signboard, and the like.
  • PDA personal digital assistant
  • FIG. 2 it is a block diagram of a preferred embodiment of the medical insurance actuarial system based on medical big data of the present invention.
  • the medical big data based medical insurance actuarial system 20 is applied to the data center 2.
  • the data center 2 includes, but is not limited to, a medical insurance actuarial system 20 based on medical big data, a storage unit 22, a processing unit 24, and a communication unit 26.
  • the storage unit 22 may be a read only storage unit ROM, an electrically erasable storage unit EEPRO M, a flash storage unit FLASH or a solid hard disk.
  • the processing unit 24 may be a central processing unit (CPU), A microcontroller (MCU), a data processing chip, or an information processing unit with data processing functions.
  • CPU central processing unit
  • MCU microcontroller
  • data processing chip or an information processing unit with data processing functions.
  • the communication unit 26 is a wireless communication interface with remote wireless communication functions, for example, supports communication technologies such as GSM, GPRS, WCDMA, CDMA, TD-SCDMA, WiMAX, TD-LTE, FDD-LT E. Communication interface.
  • communication technologies such as GSM, GPRS, WCDMA, CDMA, TD-SCDMA, WiMAX, TD-LTE, FDD-LT E. Communication interface.
  • the medical big data-based medical insurance actuarial system 20 includes, but is not limited to, an acquisition module 200, a search module 210, an association module 220, an analysis module 230, a classification module 240, and a calculation module 250.
  • a module referred to in the present invention refers to a series of computer program instruction segments that can be executed by the processing unit 24 of the data center 2 and that are capable of performing a fixed function, which are stored in the storage unit 22 of the data center 2.
  • the acquisition module 200 is configured to acquire medical data from the hospital information system 1.
  • the hospital information system 1 provides a data import interface (eg, an application program interface, API), and the device or system that accesses the data import interface can be from the hospital information system.
  • a data import interface eg, an application program interface, API
  • the obtaining module 200 invokes an API interface provided by the hospital information system 1 to obtain medical data.
  • the medical data belongs to private information
  • the medical data is sent to the data center 2, and the encryption and decryption algorithm is adopted (for example, the MD5 encryption and decryption algorithm and the RSA encryption and decryption algorithm).
  • DES encryption and decryption algorithm for example, the MD5 encryption and decryption algorithm and the RSA encryption and decryption algorithm.
  • DSA encryption and decryption algorithm for example, the MD5 encryption and decryption algorithm and the RSA encryption and decryption algorithm
  • AES encryption and decryption algorithm etc.
  • the search module 210 is configured to search for a sick date in the medical data. Specifically, the search module 2 10 searches for the date of illness in the medical data by means of keyword search. For example, the date of illness in the medical data is retrieved by using the "date of illness” or "disease between illnesses" as a key.
  • the association module 220 acquires historical weather information corresponding to the diseased date in the medical data from the weather information platform 5, and associates the medical data with the historical weather information.
  • the weather information platform 5 provides a data import interface (eg, an application interface, Application)
  • a data import interface eg, an application interface, Application
  • Program Interface API
  • the device or system accessing the data import interface can obtain historical weather information from the weather information platform 5.
  • the association module 220 invokes an API interface provided by the weather information platform 5 to obtain historical weather information.
  • the association module 220 invokes an API interface provided by the weather information platform 5 and transmits the same.
  • the date of the disease is given to the weather information platform 5, and the weather information platform 5 searches for the historical weather information corresponding to the diseased date to be returned to the data center 2 by using the date of the disease as a key.
  • the analysis module 230 is configured to analyze medical data associated with historical weather information to obtain a patient affected by weather factors.
  • the manner in which the analysis module 230 obtains a patient affected by weather factors is as follows: (1) The analysis module 230 classifies the medical data associated with the historical weather information, and obtains the disease name and each type corresponding to each historical weather information.
  • the number of disease names for example, as shown in Figure 4, in the case of heavy snow, there are four diseases in the medical data, namely, a cold, a fever, an asthma, and a fracture. Among them, there are fifty-eight colds, There are twenty strokes for fever, fifteen strokes for asthma, and twenty-seven for fractures.
  • Analysis module 230 calculates the weight of the disease affected by weather factors based on the number of each disease name.
  • the calculated weight is equal to the number of each disease name, that is, in the case of FIG. 4, the number of asthma is fifteen, and the weight of asthma affected by weather factors is ten. Fives. (3) If the weight exceeds a preset value (for example, 10), the analysis module 230 determines that the disease is affected by weather factors, as shown in FIG. 4, if the number of asthma is 15, the preset value is 10, then Analysis module 230 determines that asthma is affected by weather factors. (4) The analysis module 230 retrieves the patient in the medical data according to the name of the disease affected by the weather factor, and the retrieved patient is a patient affected by weather factors, for example, using "asthma" as a keyword in the medical data. retrieve patients with asthma.
  • a preset value for example, 10
  • the classification module 240 is configured to classify the patient affected by the weather factor according to a preset annual segmentation rule, and extract the number of patients affected by the weather factor corresponding to each year segment.
  • the preset annual segmentation rule refers to a preset age as a starting point (for example, 18 years old) to divide a person's life into multiple years. For example, at the age of 18, the starting point is divided, among which 18-34 years old are young, 35-45 years old are middle-aged, 45-60 are middle-aged, and 60-year old are old.
  • the classification module 230 classifies the patient affected by the weather factor according to the age of the patient affected by the weather factor and according to a preset annual segmentation rule.
  • the calculating module 250 is configured to calculate a disease incidence rate affected by weather factors according to the number of patients affected by weather factors corresponding to each year.
  • the calculating module 250 is further configured to calculate, according to the disease incidence rate and a preset medical insurance actuarial algorithm, a health insurance premium for a patient affected by a weather factor corresponding to each year.
  • the parameters B, C, D, A 1 and A3 in the formula are fixed values.
  • the insurance factor is the increase in the use of medical services by the insured.
  • preset medical insurance actuarial algorithm is merely an example.
  • the preset medical insurance actuarial algorithm in the present invention may also be other existing insurance actuarial algorithms including a disease incidence rate.
  • FIG. 3 it is a flow chart of a preferred embodiment of the medical insurance actuarial method based on medical big data of the present invention.
  • the medical big data-based medical insurance actuarial method is applied to the data center 2, and the method includes the following steps:
  • Step S10 The acquisition module 200 acquires medical data from the hospital information system 1.
  • the hospital information system 1 provides a data import interface (eg, an application program interface, an API), and a device or system that accesses the data import interface can be from the hospital information system.
  • a data import interface eg, an application program interface, an API
  • the obtaining module 200 invokes an API interface provided by the hospital information system 1 to obtain medical data.
  • the medical data belongs to private information
  • the medical data is sent to the data center 2, and the encryption and decryption algorithm is adopted (for example, the MD5 encryption and decryption algorithm and the RSA encryption and decryption algorithm). , DES encryption and decryption algorithm, DSA encryption and decryption algorithm, AES encryption and decryption algorithm, etc.)
  • the data is encrypted and then transmitted to the data center 2.
  • Step S11 The search module 210 searches for a diseased date in the medical data. Specifically, the search module 210 searches for the date of illness in the medical data by means of keyword search. For example, with "date of illness"
  • Step S12 The association module 220 acquires historical weather information corresponding to the diseased period in the medical data from the weather information platform 5, and associates the medical data with the historical weather information.
  • the weather information platform 5 provides a data import interface (eg, an application interface, Application)
  • Program Interface API
  • the device or system accessing the data import interface can obtain historical weather information from the weather information platform 5.
  • the association module 220 invokes an API interface provided by the weather information platform 5 to obtain historical weather information.
  • the association module 220 invokes an API interface provided by the weather information platform 5 and sends the disease date to the weather information platform 5, and the weather information platform 5 uses the disease date as a key.
  • the historical weather information corresponding to the diseased date is retrieved for return to the data center 2.
  • Step S13 The analysis module 230 analyzes medical data associated with historical weather information to obtain a patient affected by weather factors.
  • the analyzing module 230 analyzes medical data associated with historical weather information to obtain a patient affected by weather factors, and includes the following steps: (1) classifying medical data associated with historical weather information to obtain each The name of the disease corresponding to the historical weather information and the number of each disease name. For example, as shown in Figure 4, in the case of heavy snow, there are four diseases in the medical data, namely, cold, fever, asthma and fracture. Among them, there are fifty-eight pens for colds, twenty pens for fever, fifteen strokes for asthma, and twenty-seven for fractures. (2) Calculate the weight of the disease affected by weather factors based on the number of each disease name.
  • the calculated weight is equal to the number of each disease name, that is, in the case of FIG. 4, the number of asthma is fifteen, and the weight of asthma affected by weather factors is ten. Fives. (3) If the weight exceeds the preset value (for example, 10) ⁇ , the disease is determined to be affected by weather factors. For example, in Figure 4, the number of asthma is 15, and the default value is 10, then the asthma is considered to be weathered. Factor influence. (4) Retrieving the patient in the medical data according to the name of the disease affected by the weather factor, the patient being searched for is a patient affected by weather factors, for example, using "asthma" as a key, searching for the disease in the medical data Asthmatic patients.
  • Step S14 The classification module 240 classifies the patients affected by the weather factors according to a preset annual segmentation rule, and extracts the number of patients affected by the weather factors corresponding to each annual segment.
  • the preset year-end division rule refers to a preset year-end as a starting point (for example, 18 years old), and the life of the person is divided into a plurality of years. For example, at the age of 18, the starting point is divided, among which 18-34 years old are young, 35-45 years old are middle-aged, 45-60 are middle-aged, and 60-year old are old.
  • the classification module 230 classifies the patients affected by the weather factors according to the age of the patient affected by the weather factors and according to a preset annual segmentation rule.
  • Step S15 The calculation module 250 calculates the incidence rate of the disease affected by the weather factor according to the number of patients affected by the weather factors corresponding to each year.
  • Step S16 The calculation module 250 calculates the health insurance premium of the patient affected by the weather factor corresponding to each year period according to the disease occurrence rate and the preset medical insurance actuarial algorithm.
  • the parameters B, C, D, A1 and A3 in the formula are fixed values.
  • the insurance factor is the increase in the use of medical services by the insured.
  • the above-mentioned medical insurance actuarial algorithm is merely an example, and the medical insurance actuarial algorithm in the present invention may also be other existing actuarial algorithms including a disease incidence rate.
  • the medical insurance actuarial system and method based on medical big data according to the present invention adopts the above technical solutions, and the technical effects are as follows:
  • the medical big data can be associated with the weather information, and the medical big data related to the weather information is analyzed and processed.
  • the incidence rate of the disease affected by the weather is calculated, and the insurance premium is adjusted according to the disease incidence rate, which can reduce the risk of medical insurance and improve the profitability of the insurance company.

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Economics (AREA)
  • Technology Law (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

一种基于医疗大数据的医疗保险精算系统及方法，该方法包括：从医院信息系统获取医疗数据（S10）；搜索医疗数据中的患病日期（S11）；从天气信息平台获取医疗数据中的患病日期所对应的历史天气信息，并将医疗数据与历史天气信息关联（S12）；分析与历史天气信息关联的医疗数据以获得受天气因素影响的患者（S13）；根据预设的年龄段划分规则对受天气因素影响的患者进行分类，并提取每个年龄段所对应的受天气因素影响的患者数量（S14）；根据每个年龄段对应的受天气因素影响的患者数量计算受天气因素影响的疾病发生率（S15），及根据疾病发生率及预设的医疗保险精算算法计算每个年龄段中受天气因素影响的患者的健康险保费（S16）。所述系统及方法降低医疗保险的理赔风险，提高了保险公司的盈利能力。

Description

说明书 发明名称：基于医疗大数据的医疗保险精算系统及方法 技术领域
[0001] 本发明涉及大数据分析与挖掘领域， 尤其涉及一种基于医疗大数据的医疗保险 精算系统及方法。
背景技术
[0002] 保险精算是指运用数学、 统计学、 金融学、 保险学及人口学等学科的知识与原 理， 去解决商业保险与各种社会保障业务中需要精确计算的项目， 如死亡率的 测定、 生命表的构造、 费率的厘定、 准备金的计提以及业务盈余分配等， 以此 保证保险经营的稳定性和安全性。
[0003] 近年来， 大数据技术 （Big Data) 成为近来的一个技术热点， 引起了广泛的重 视。 通过大数据技术可以加速保险精算的风险预测： 借助于不断增长的私密和 公幵用户信息， 大数据技术帮助人们从大体量、 高复杂的数据中提取价值。
[0004] 然而， 现阶段的保险精算系统并没有考虑医疗大数据的因素， 降低了医疗保险 精算的准确性， 增加了保险公司的理赔风险。
技术问题
[0005] 本发明的主要目的在于提供一种基于医疗大数据的医疗保险精算系统及方法， 旨在解决现有对医疗保险精算过程中没有考虑医疗大数据的技术问题。
问题的解决方案
技术解决方案
[0006] 为实现上述目的， 本发明提供了一种基于医疗大数据的医疗保险精算系统， 运 行于数据中心， 所述数据中心通过网络与医院信息系统及天气信息平台连接， 所述保险精算系统包括：
[0007] 获取模块， 用于从医院信息系统获取医疗数据；
[0008] 搜索模块， 用于搜索医疗数据中的患病日期；
[0009] 关联模块， 用于从所述天气信息平台获取医疗数据中的患病日期所对应的历史 天气信息， 并将医疗数据与所述历史天气信息关联； [0010] 分析模块， 用于分析与历史天气信息关联的医疗数据以获得受天气因素影响的 患者；
[0011] 分类模块， 用于根据预设的年齢段划分规则对所述受天气因素影响的患者进行 分类， 并提取每个年齢段所对应的受天气因素影响的患者数量； 及
[0012] 计算模块， 用于根据每个年齢段对应的受天气因素影响的患者数量计算出受天 气因素影响的疾病发生率， 及根据所述疾病发生率及预设的医疗保险精算算法 计算出每个年齢段对应的受天气因素影响的患者的健康险保费。
[0013] 优选的， 所述医疗数据包括患者姓名、 患者年齢、 患病吋间、 疾病名称、 患病 原因、 药品名称、 疾病诊断信息、 药品数量、 医生姓名、 就诊科室、 医疗费用 及患者的联系方式。
[0014] 优选的， 所述分析模块获得受天气因素影响的患者的方式如下：
[0015] 将与历史天气信息关联的医疗数据进行分类， 获得每种历史天气信息对应的疾 病名称及每种疾病名称的数量；
[0016] 根据每种疾病名称的数量计算该疾病受天气因素影响的权重；
[0017] 若所述权重超过预设值吋， 则认定该疾病受天气因素影响； 及
[0018] 根据受天气因素影响的疾病名称在医疗数据中检索出受天气因素影响的患者。
[0019] 优选的， 所述疾病发生率的计算公式为： P=M/N， 其中， M为每个年齢段对应 的受天气因素影响的患者数量， N为每个年齢段对应的患者数量。
[0020] 优选的， 所述预设的医疗保险精算算法采用如下公式： S=A+B+C+D， Α = Α1χ
(1+kxP) xA2xA3 , A2=l+A21， 其中， S为医疗保险费、 A为医药补偿费、 B为 预防保健费、 C为管理费 （即保险公司管理健康险的管理费） 、 D为储备金、 A1 为医药费基线数据、 A2为保险因子、 A3为补偿比、 P为疾病发生率以及 k为常数 ， 所述公式中的参数 B、 C、 D， Al、 A2及 A3为固定值， A21为医疗服务利用的 增加率。
[0021] 另一方面， 本发明还提供一种基于医疗大数据的医疗保险精算方法， 应用于数 据中心， 所述数据中心通过网络与医院信息系统及天气信息平台连接， 该方法 包括：
[0022] 从医院信息系统获取医疗数据； [0023] 搜索医疗数据中的患病日期；
[0024] 从所述天气信息平台获取医疗数据中的患病日期所对应的历史天气信息， 并将 医疗数据与所述历史天气信息关联；
[0025] 分析与历史天气信息关联的医疗数据以获得受天气因素影响的患者；
[0026] 根据预设的年齢段划分规则对所述受天气因素影响的患者进行分类， 并提取每 个年齢段所对应的受天气因素影响的患者数量； 及
[0027] 根据每个年齢段对应的受天气因素影响的患者数量计算出受天气因素影响的疾 病发生率， 及根据所述疾病发生率及预设的医疗保险精算算法计算出每个年齢 段对应的受天气因素影响的患者的健康险保费。
[0028] 优选的， 所述医疗数据包括患者姓名、 患者年齢、 患病吋间、 疾病名称、 患病 原因、 药品名称、 疾病诊断信息、 药品数量、 医生姓名、 就诊科室、 医疗费用 及患者的联系方式。
[0029] 优选的， 所述分析与历史天气信息关联的医疗数据以获得受天气因素影响的患 者的步骤中还包括如下步骤：
[0030] 将与历史天气信息关联的医疗数据进行分类， 获得每种历史天气信息对应的疾 病名称及每种疾病名称的数量；
[0031 ] 根据每种疾病名称的数量计算该疾病受天气因素影响的权重；
[0032] 若所述权重超过预设值吋， 则认定该疾病受天气因素影响； 及
[0033] 根据受天气因素影响的疾病名称在医疗数据中检索受天气因素影响的患者。
[0034] 优选的， 所述疾病发生率的计算公式为： P=M/N， 其中， M为每个年齢段对应 的受天气因素影响的患者数量， N为每个年齢段对应的患者数量。
[0035] 优选的， 所述预设的医疗保险精算算法采用如下公式： S=A+B+C+D， Α = Α1χ
(1+kxP) xA2xA3 , A2=l+A21， 其中， S为医疗保险费、 A为医药补偿费、 B为 预防保健费、 C为管理费 （即保险公司管理健康险的管理费） 、 D为储备金、 A1 为医药费基线数据、 A2为保险因子、 A3为补偿比、 P为疾病发生率以及 k为常数
， 所述公式中的参数 B、 C、 D， Al、 A2及 A3为固定值， A21为医疗服务利用的 增加率。
发明的有益效果 有益效果
[0036] 本发明所述基于医疗大数据的医疗保险精算系统及方法采用上述技术方案， 带 来的技术效果为： 可以对医疗大数据与天气信息关联， 将通过对与天气信息关 联的医疗大数据分析处理以得到受天气因素影响的患者， 计算出受天气影响的 患者患病的疾病发生率， 并根据疾病发生率相应调整医疗保险的保费， 能够降 低医疗保险的风险， 提高了保险公司的盈利能力。
对附图的简要说明
附图说明
[0037] 图 1是本发明基于医疗大数据的医疗保险精算系统的应用环境示意图。
[0038] 图 2是本发明基于医疗大数据的医疗保险精算系统的优选实施例的模块示意图
[0039] 图 3是本发明基于医疗大数据的医疗保险精算方法的优选实施例的流程图。
[0040] 图 4是本发明一种天气信息对应的疾病名称及每种疾病名称的数量的示意图。
[0041] 本发明目的的实现、 功能特点及优点将结合实施例， 参照附图做进一步说明。
实施该发明的最佳实施例
本发明的最佳实施方式
[0042] 为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效， 以下结 合附图及较佳实施例， 对本发明的具体实施方式、 结构、 特征及其功效， 详细 说明如下。 应当理解， 此处所描述的具体实施例仅仅用以解释本发明， 并不用 于限定本发明。
[0043] 参照图 1所示， 图 1是本发明基于医疗大数据的医疗保险精算系统的应用环境示 意图。 本发明中的基于医疗大数据的医疗保险精算系统 20运行于数据中心 2。 所 述数据中心 2通过网络 3与一个或多个医院信息系统 1 (图 1中以三个为例进行说 明） 通信连接， 以从所述医院信息系统连接 1获取医疗数据。 所述医疗数据包括 ， 但不限于， 患者姓名、 患者年齢、 患病吋间、 疾病名称、 患病原因、 疾病诊 断信息、 药品名称、 药品数量、 医生姓名、 就诊科室、 费用及患者的联系方式 (例如， 电子邮箱地址、 手机号码、 即吋通信账号等） 等信息。 所述医院信息 系统 1为医院的信息医疗化系统， 用于采集患者的医疗数据。 举例而言， 患者看 病后， 医生根据患者的情况在所述医院信息系统 1中输入患者的医疗数据。
[0044] 所述网络 3可以是有线通讯网络或无线通讯网络。 所述网络 3优选为无线通讯网 络， 包括但不限于， GSM网络、 GPRS网络、 CDMA网络、 TD-SCDMA网络、 W iMAX网络、 TD-LTE网络、 FDD-LTE网络等无线传输网络。
[0045] 所述数据中心 2通过所述网络 3与一个或多个客户端 4 (图 1中以三个为例进行说 明） 通信连接， 将患者对应的医疗数据发送给患者。 在其它实施例中， 所述数 据中心 2还可以对所述医疗数据进行分析处理， 并将分析处理后的医疗数据 （例 如， 与历史天气信息关联后的医疗数据） 通过网络 3发送给对应的客户端 4。
[0046] 所述数据中心 2通过所述网络 3与天气信息平台 5通信连接， 用于从所述天气信 息平台 5获取历史天气信息。 具体地说， 所述天气信息平台 5用于提供历史天气 信息， 所述历史天气信息包括， 但不限于， 地点、 温度 （最高气温及最低气温 ) 、 风向 （例如， 偏南风、 偏北风等） 、 天气情况 （例如， 天晴、 小雨、 大雨 、 雪、 大雪等天气情况） 及空气质量 （例如， PM 2.5值） 等信息。
[0047] 需要说明的是， 所述数据中心 2是云平台或数据中心的某一台服务器， 通过云 平台或数据中心的数据传输能力及数据存储能力， 可以更好地管理及 /或协助与 该数据中心 2连接的客户端 4， 有利于保险公司根据患者的医疗数据设计保险产
P
[0048] 所述客户端 4可以是， 但不限于， 智能手机、 平板电脑、 个人数字助理 （Person al Digital Assistant, PDA) 、 个人电脑、 电子看板等其它任意合适的便携式电子 设备。
[0049]
[0050] 参照图 2所示， 是本发明基于医疗大数据的医疗保险精算系统的优选实施例的 模块示意图。 在本实施例中， 结合图 1所示， 所述基于医疗大数据的医疗保险精 算系统 20应用于数据中心 2。 该数据中心 2包括， 但不仅限于， 基于医疗大数据 的医疗保险精算系统 20、 存储单元 22、 处理单元 24及通讯单元 26。
[0051] 所述的存储单元 22可以为一种只读存储单元 ROM, 电可擦写存储单元 EEPRO M、 快闪存储单元 FLASH或固体硬盘等。
[0052] 所述的处理单元 24可以为一种中央处理器 （Central Processing Unit, CPU) 、 微控制器 （MCU) 、 数据处理芯片、 或者具有数据处理功能的信息处理单元。
[0053] 所述的通讯单元 26为一种具有远程无线通讯功能的无线通讯接口， 例如， 支持 GSM、 GPRS、 WCDMA、 CDMA、 TD-SCDMA、 WiMAX、 TD-LTE、 FDD-LT E等通讯技术的通讯接口。
[0054] 所述基于医疗大数据的医疗保险精算系统 20包括， 但不局限于， 获取模块 200 、 搜索模块 210、 关联模块 220、 分析模块 230、 分类模块 240及计算模块 250。 本 发明所称的模块是指一种能够被所述数据中心 2的处理单元 24执行并且能够完成 固定功能的一系列计算机程序指令段， 其存储在所述数据中心 2的存储单元 22中
[0055] 所述获取模块 200用于从医院信息系统 1获取医疗数据。
[0056] 具体而言， 所述医院信息系统 1提供数据导入接口 （例如， 应用程序接口， App lication Program Interface, API) ， 接入该数据导入接口的设备或系统都可以从 所述医院信息系统 1中获取医疗数据。 所述获取模块 200调用所述医院信息系统 1 提供的 API接口以获取医疗数据。
[0057] 需要说明的是， 由于所述医疗数据属于隐私信息， 为了确保信息安全， 所述医 疗数据发送给数据中心 2吋， 会通过加解密算法 （例如， MD5加解密算法、 RSA 加解密算法、 DES加解密算法、 DSA加解密算法、 AES加解密算法等） 先对医疗 数据进行加密处理， 之后传输给所述数据中心 2。
[0058] 所述搜索模块 210用于搜索医疗数据中的患病日期。 具体地说， 所述搜索模块 2 10通过关键字检索的方式搜索医疗数据中的患病日期。 例如， 以"患病日期"或" 患病吋间"作为关键字， 检索出医疗数据中的患病日期。
[0059] 所述关联模块 220从所述天气信息平台 5获取医疗数据中的患病日期所对应的历 史天气信息， 并将医疗数据与所述历史天气信息关联。
[0060] 所述天气信息平台 5提供数据导入接口 （例如， 应用程序接口， Application
Program Interface, API) ， 接入该数据导入接口的设备或系统都可以从所述天气 信息平台 5中获取历史天气信息。 所述关联模块 220调用所述天气信息平台 5提供 的 API接口以获取历史天气信息。
具体地说， 所述关联模块 220调用所述天气信息平台 5提供的 API接口并发送所 述患病日期给天气信息平台 5， 天气信息平台 5以所述患病日期为关键字， 检索 所述患病日期对应的历史天气信息以回传给所述数据中心 2。
[0062] 所述分析模块 230用于分析与历史天气信息关联的医疗数据以获得受天气因素 影响的患者。
[0063] 所述分析模块 230获得受天气因素影响的患者的方式如下： （1) 分析模块 230 将与历史天气信息关联的医疗数据进行分类， 获得每种历史天气信息对应的疾 病名称及每种疾病名称的数量， 举例而言， 如图 4所示， 大雪的天气情况下， 所 述医疗数据中有四种疾病， 分别为感冒、 发烧、 哮喘及骨折， 其中， 感冒有五 十八笔、 发烧有二十笔、 哮喘有十五笔及骨折有二十七笔。 （2) 分析模块 230 根据每种疾病名称的数量计算该疾病受天气因素影响的权重。 在本实施例中， 为了简化起见， 所述计算的权重等于每种疾病名称的数量， 也就是说， 以图 4为 例， 哮喘的数量十五笔， 则哮喘受天气因素影响的权重为十五。 （3) 若所述权 重超过预设值 （例如， 10) 吋， 分析模块 230则认定该疾病受天气因素影响， 以 图 4为例， 假如哮喘的数量为 15， 预设值为 10， 则分析模块 230认定哮喘受天气 因素影响。 （4) 分析模块 230根据受天气因素影响的疾病名称在医疗数据中检 索出患者， 所述检索的患者即为受天气因素影响的患者， 例如， 以"哮喘"作为关 键字， 在医疗数据中检索出患哮喘的患者。
[0064] 所述分类模块 240用于根据预设的年齢段划分规则对所述受天气因素影响的患 者进行分类， 并提取每个年齢段所对应的受天气因素影响的患者数量。 所述预 设的年齢段划分规则是指预设年齢为起点 （例如， 18岁） 将人的寿命设划分为 多个年齢段。 例如， 在 18岁与为起点进行划分， 其中， 18-34岁为青年、 35-45岁 为壮年、 45-60为中年、 60岁以上为老年。 所述分类模块 230根据所述受天气因素 影响的患者的年齢， 并根据预设的年齢段划分规则对所述受天气因素影响的患 者进行分类。
[0065] 所述计算模块 250用于根据每个年齢段对应的受天气因素影响的患者数量计算 出受天气因素影响的疾病发生率。 所述疾病发生率的计算公式为： P=M/N， 其 中， M为每个年齢段对应的受天气因素影响的患者数量， N为每个年齢段对应的 患者数量。 举例而言， 假如受天气因素影响的患者数量为一万人， 而青年阶段 (例如 18岁至 34岁） 的患者数量为二十万人， 则所述计算模块 250确定青年阶段 受天气因素影响的患者的疾病发生率为 5%。
[0066] 所述计算模块 250还用于根据所述疾病发生率及预设的医疗保险精算算法计算 出每个年齢段对应的受天气因素影响的患者的健康险保费。 所述预设的医疗保 险精算算法采用如下公式为 S=A+B+C+D， A = Alx (l+kxP) xA2xA3; 其中， S 为医疗保险费、 A为医药补偿费、 B为预防保健费、 C为管理费 （即保险公司管 理健康险的管理费） 、 D为储备金、 A1为医药费基线数据、 A2为保险因子、 A3 为补偿比、 P为疾病发生率以及 k为常数。 其中， 所述公式中的参数 B、 C、 D， A 1及 A3为固定值。 保险因子是参保人对医疗服务利用的增加程度， 其计算公式为 A2=l+A21， A21为医疗服务利用的增加率 （例如， 连续两年医疗结构就诊人数 的差值与医疗机构负荷就诊人数之间的比例） 。
[0067] 从上述公式可知， 具体地说， 疾病发生率越高， 意味着发生保险赔付的可能性 增大， 也意味着保险费用的增加； 反之， 疾病发生率越低， 意味着发生保险赔 付的可能性减少， 也意味着保险费用的下降。
[0068] 此外， 上述预设的医疗保险精算算法仅仅是举例说明， 本发明中的所述预设的 医疗保险精算算法还可以是其它现有的包含疾病发生率的保险精算算法。
[0069]
[0070] 参照图 3所示， 是本发明基于医疗大数据的医疗保险精算方法的优选实施例的 流程图。 在本实施例中， 所述的基于医疗大数据的医疗保险精算方法应用于数 据中心 2， 该方法包括以下步骤：
[0071] 步骤 S10: 所述获取模块 200从医院信息系统 1获取医疗数据。
[0072] 具体而言， 所述医院信息系统 1提供数据导入接口 （例如， 应用程序接口， App lication Program Interface, API) ， 接入该数据导入接口的设备或系统都可以从 所述医院信息系统 1中获取医疗数据。 所述获取模块 200调用所述医院信息系统 1 提供的 API接口以获取医疗数据。
[0073] 需要说明的是， 由于所述医疗数据属于隐私信息， 为了确保信息安全， 所述医 疗数据发送给数据中心 2吋， 会通过加解密算法 （例如， MD5加解密算法、 RSA 加解密算法、 DES加解密算法、 DSA加解密算法、 AES加解密算法等） 先对医疗 数据进行加密处理， 之后传输给所述数据中心 2。
[0074] 步骤 S11 : 所述搜索模块 210搜索医疗数据中的患病日期。 具体地说， 所述搜索 模块 210通过关键字检索的方式搜索医疗数据中的患病日期。 例如， 以"患病日期
"或"患病吋间"作为关键字， 检索出医疗数据中的患病日期。
[0075] 步骤 S12: 所述关联模块 220从所述天气信息平台 5获取医疗数据中的患病曰期 所对应的历史天气信息， 并将医疗数据与所述历史天气信息关联。
[0076] 所述天气信息平台 5提供数据导入接口 （例如， 应用程序接口， Application
Program Interface, API) ， 接入该数据导入接口的设备或系统都可以从所述天气 信息平台 5中获取历史天气信息。 所述关联模块 220调用所述天气信息平台 5提供 的 API接口以获取历史天气信息。
[0077] 具体地说， 所述关联模块 220调用所述天气信息平台 5提供的 API接口并发送所 述患病日期给天气信息平台 5， 天气信息平台 5以所述患病日期为关键字， 检索 所述患病日期对应的历史天气信息以回传给所述数据中心 2。
[0078] 步骤 S13: 所述分析模块 230分析与历史天气信息关联的医疗数据以获得受天气 因素影响的患者。
[0079] 所述分析模块 230分析与历史天气信息关联的医疗数据以获得受天气因素影响 的患者的步骤包括如下步骤： （1) 将与历史天气信息关联的医疗数据进行分类 ， 以得到每种历史天气信息对应的疾病名称及每种疾病名称的数量， 举例而言 ， 如图 4所示， 大雪的天气情况下， 所述医疗数据中有四种疾病， 分别为感冒、 发烧、 哮喘及骨折， 其中， 感冒有五十八笔、 发烧有二十笔、 哮喘有十五笔及 骨折有二十七笔。 （2) 根据每种疾病名称的数量计算该疾病受天气因素影响的 权重。 在本实施例中， 为了简化起见， 所述计算的权重等于每种疾病名称的数 量， 也就是说， 以图 4为例， 哮喘的数量十五笔， 则哮喘受天气因素影响的权重 为十五。 （3) 若所述权重超过预设值 （例如， 10) 吋， 则认定该疾病受天气因 素影响， 以图 4为例， 哮喘的数量为 15， 预设值为 10， 则认定哮喘受天气因素影 响。 （4) 根据受天气因素影响的疾病名称在医疗数据中检索出患者， 所述检索 的患者即为受天气因素影响的患者， 例如， 以"哮喘"作为关键字， 在医疗数据中 检索出患哮喘的患者。 [0080] 步骤 S14: 所述分类模块 240根据预设的年齢段划分规则对所述受天气因素影响 的患者进行分类， 并提取每个年齢段所对应的受天气因素影响的患者数量。 所 述预设的年齢段划分规则是指预设年齢为起点 （例如， 18岁） 将人的寿命设划 分为多个年齢段。 例如， 在 18岁与为起点进行划分， 其中， 18-34岁为青年、 35- 45岁为壮年、 45-60为中年、 60岁以上为老年。 所述分类模块 230根据所述受天气 因素影响的患者的年齢， 并根据预设的年齢段划分规则对所述受天气因素影响 的患者进行分类。
[0081] 步骤 S15: 所述计算模块 250根据每个年齢段对应的受天气因素影响的患者数量 计算出受天气因素影响的疾病发生率。 所述疾病发生率的计算公式为： P=M/N ， 其中， M为每个年齢段对应的受天气因素影响的患者数量， N为每个年齢段对 应的患者数量。 举例而言， ， 假如受天气因素影响的患者数量为一万人， 而青 年阶段 （18岁至 34岁） 的患者数量为二十万人， 则所述计算模块 250确定青年阶 段受天气因素影响的患者的疾病发生率为 5%。
[0082] 步骤 S16: 所述计算模块 250根据所述疾病发生率及预设的医疗保险精算算法计 算出每个年齢段对应的受天气因素影响的患者的健康险保费。 所述医疗保险精 算算法采用如下公式为8=八+8+。+0， A = Alx (1+kxP) xA2xA3; 其中， S为医 疗保险费、 A为医药补偿费、 B为预防保健费、 C为管理费 （即保险公司管理健 康险的管理费） 、 D为储备金、 A1为医药费基线数据、 A2为保险因子、 A3为补 偿比、 P为疾病发生率以及 k为常数。 其中， 所述公式中的参数 B、 C、 D， A1及 A3为固定值。 保险因子是参保人对医疗服务利用的增加程度， 其计算公式为 A2 = 1+A21， A21为医疗服务利用的增加率 （例如， 连续两年医疗结构就诊人数的 差值与医疗机构负荷就诊人数之间的比例） 。
[0083] 从上述公式可知， 具体地说， 疾病发生率越高， 意味着发生保险赔付的可能性 增大， 也意味着保险费用的增加； 反之， 疾病发生率越低， 意味着发生保险赔 付的可能性减少， 也意味着保险费用的下降。
[0084] 此外， 上述医疗保险精算算法仅仅是举例说明， 本发明中的所述医疗保险精算 算法还可以是其它现有的包含疾病发生率的保险精算算法。
[0085] 以上仅为本发明的优选实施例， 并非因此限制本发明的专利范围， 凡是利用本 发明说明书及附图内容所作的等效结构或等效流程变换， 或直接或间接运用在 其他相关的技术领域， 均同理包括在本发明的专利保护范围内。
工业实用性
本发明所述基于医疗大数据的医疗保险精算系统及方法采用上述技术方案， 带 来的技术效果为： 可以对医疗大数据与天气信息关联， 将通过对与天气信息关 联的医疗大数据分析处理以得到受天气因素影响的患者， 计算出受天气影响的 患者患病的疾病发生率， 并根据疾病发生率相应调整医疗保险的保费， 能够降 低医疗保险的风险， 提高了保险公司的盈利能力。

Claims

权利要求书
一种基于医疗大数据的医疗保险精算系统， 运行于数据中心， 所述数 据中心通过网络与医院信息系统天气信息平台连接， 其特征在于， 所 述保险精算系统包括： 获取模块， 用于从医院信息系统获取医疗数据 ； 搜索模块， 用于搜索医疗数据中的患病日期； 关联模块， 用于从所 述天气信息平台获取医疗数据中的患病日期所对应的历史天气信息， 并将医疗数据与所述历史天气信息关联； 分析模块， 用于分析与历史 天气信息关联的医疗数据以获得受天气因素影响的患者； 分类模块， 用于根据预设的年齢段划分规则对所述受天气因素影响的患者进行分 类， 并提取每个年齢段所对应的受天气因素影响的患者数量； 及计算 模块， 用于根据每个年齢段对应的受天气因素影响的患者数量计算出 受天气因素影响的疾病发生率， 及根据所述疾病发生率及预设的医疗 保险精算算法计算出每个年齢段对应的受天气因素影响的患者的健康 险保费。
如权利要求 1所述的基于医疗大数据的医疗保险精算系统， 其特征在 于， 所述医疗数据包括患者姓名、 患者年齢、 患病吋间、 疾病名称、 患病原因、 药品名称、 疾病诊断信息、 药品数量、 医生姓名、 就诊科 室、 医疗费用及患者的联系方式。
如权利要求 1所述的基于医疗大数据的医疗保险精算系统， 其特征在 于， 所述疾病发生率的计算公式为： P=M/N， 其中， M为每个年齢段 对应的受天气因素影响的患者数量， N为每个年齢段对应的患者数量 如权利要求 3所述的基于医疗大数据的医疗保险精算系统， 其特征在 于， 所述预设的医疗保险精算算法采用如下公式： S=A+B+C+D， A = Alx (1+kxP) xA2xA3 , A2=l+A21， 其中， S为医疗保险费、 A为 医药补偿费、 B为预防保健费、 C为管理费 （即保险公司管理健康险 的管理费） 、 D为储备金、 A1为医药费基线数据、 A2为保险因子、 A 3为补偿比、 P为疾病发生率以及 k为常数， 所述公式中的参数 B、 C、 D， Al、 A2及 A3为固定值， A21为医疗服务利用的增加率。
[权利要求 5] 如权利要求 1至 4任一项所述的基于医疗大数据的医疗保险精算系统， 其特征在于， 所述分析模块还用于： 将与历史天气信息关联的医疗数 据进行分类， 获得每种历史天气信息对应的疾病名称及每种疾病名称 的数量； 根据每种疾病名称的数量计算该疾病受天气因素影响的权重 ； 若所述权重超过预设值吋， 则认定该疾病受天气因素影响； 及根据 受天气因素影响的疾病名称在医疗数据中检索出受天气因素影响的患 者。 。
[权利要求 6] —种基于医疗大数据的医疗保险精算方法， 应用于数据中心， 所述数 据中心通过网络与医院信息系统及天气信息平台连接， 其特征在于， 该方法包括步骤： 从医院信息系统获取医疗数据； 搜索医疗数据中的 患病日期； 从所述天气信息平台获取医疗数据中的患病日期所对应的 历史天气信息， 并将医疗数据与所述历史天气信息关联； 分析与历史 天气信息关联的医疗数据以获得受天气因素影响的患者； 根据预设的 年齢段划分规则对所述受天气因素影响的患者进行分类， 并提取每个 年齢段所对应的受天气因素影响的患者数量； 根据每个年齢段对应的 受天气因素影响的患者数量计算出受天气因素影响的疾病发生率； 及 根据所述疾病发生率及预设的医疗保险精算算法计算出每个年齢段对 应的受天气因素影响的患者的健康险保费。
[权利要求 7] 如权利要求 6所述的基于医疗大数据的医疗保险精算方法， 其特征在 于， 所述医疗数据包括患者姓名、 患者年齢、 患病吋间、 疾病名称、 患病原因、 药品名称、 疾病诊断信息、 药品数量、 医生姓名、 就诊科 室、 医疗费用及患者的联系方式。
[权利要求 8] 如权利要求 6所述的基于医疗大数据的医疗保险精算方法， 其特征在 于， 所述疾病发生率的计算公式为： P=M/N， 其中， M为每个年齢段 对应的受天气因素影响的患者数量， N为每个年齢段对应的患者数量
[权利要求 9] 如权利要求 8所述的基于医疗大数据的医疗保险精算方法， 其特征在 于， 所述预设的医疗保险精算算法采用如下公式： S=A+B+C+D， A = Alx (1+kxP) xA2xA3 , A2=l+A21， 其中， S为医疗保险费、 A为 医药补偿费、 B为预防保健费、 C为管理费 （即保险公司管理健康险 的管理费） 、 D为储备金、 A1为医药费基线数据、 A2为保险因子、 A 3为补偿比、 P为疾病发生率以及 k为常数， 所述公式中的参数 B、 C、 D， Al、 A2及 A3为固定值， A21为医疗服务利用的增加率。
[权利要求 10] 如权利要求 6至 9任一项所述的基于医疗大数据的医疗保险精算方法， 其特征在于， 所述分析与历史天气信息关联的医疗数据以获得受天气 因素影响的患者的步骤包括如下步骤： 将与历史天气信息关联的医疗 数据进行分类， 获得每种历史天气信息对应的疾病名称及每种疾病名 称的数量； 根据每种疾病名称的数量计算该疾病受天气因素影响的权 重； 若所述权重超过预设值吋， 则认定该疾病受天气因素影响； 及根 据受天气因素影响的疾病名称在医疗数据中检索受天气因素影响的患 者。
PCT/CN2016/104132 2016-03-10 2016-10-31 基于医疗大数据的医疗保险精算系统及方法 WO2017152639A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201610136622.6A CN105631235A (zh) 2016-03-10 2016-03-10 基于医疗大数据的医疗保险精算系统及方法
CN201610136622.6 2016-03-10

Publications (1)

Publication Number Publication Date
WO2017152639A1 true WO2017152639A1 (zh) 2017-09-14

Family

ID=56046164

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2016/104132 WO2017152639A1 (zh) 2016-03-10 2016-10-31 基于医疗大数据的医疗保险精算系统及方法

Country Status (2)

Country Link
CN (1) CN105631235A (zh)
WO (1) WO2017152639A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109448846A (zh) * 2018-09-07 2019-03-08 北京大学 一种基于医保大数据测算罕见病发病率的分析方法
CN109658269A (zh) * 2018-12-17 2019-04-19 泰康保险集团股份有限公司 药品信息处理方法、装置、介质及电子设备

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631235A (zh) * 2016-03-10 2016-06-01 深圳市前海安测信息技术有限公司 基于医疗大数据的医疗保险精算系统及方法
CN106127380A (zh) * 2016-06-22 2016-11-16 北京拓明科技有限公司 一种大数据风险分析方法
CN106295211B (zh) * 2016-08-18 2019-12-06 昆仑健康保险股份有限公司 中医体质判定生成保险保单的方法及系统、终端、服务器
CN106503418B (zh) * 2016-09-23 2019-04-23 广州慧扬信息系统科技有限公司 一种以指数衰减为模型的科室限额分析系统及方法
CN106650232A (zh) * 2016-11-09 2017-05-10 北京好运到信息科技有限公司 一种根据药物计算疾病发生概率的方法及其系统
CN110969534A (zh) * 2018-09-30 2020-04-07 上海笛乐护斯健康科技有限公司 智能健康管理和生命安全保险系统及其实现方法
CN109712712A (zh) * 2018-12-13 2019-05-03 平安医疗健康管理股份有限公司 一种健康评估方法、健康评估装置及计算机可读存储介质
CN109615535A (zh) * 2018-12-13 2019-04-12 平安医疗健康管理股份有限公司 基于大数据的药物保费定价方法、装置、设备及存储介质
CN110570130B (zh) * 2019-09-16 2020-12-29 广州市花都区人民医院 基于科室成本管控的排班方法、装置、设备及存储介质
CN111275558B (zh) * 2020-01-13 2024-02-27 上海维跃信息科技有限公司 用于确定保险数据的方法和装置
CN112632995A (zh) * 2020-12-02 2021-04-09 北京健康之家科技有限公司 用户服务请求处理方法及装置、服务器、存储介质
CN116561183B (zh) * 2023-07-10 2023-09-19 北京环球医疗救援有限责任公司 一种海量医疗保险数据智能信息检索系统
CN116978529B (zh) * 2023-09-25 2023-12-12 万链指数(青岛)信息科技有限公司 一种医疗大数据的智能分析系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1758281A (zh) * 2005-10-13 2006-04-12 徐汇丰 人寿保险公司对保险标的风险评估数据库系统
CN1853194A (zh) * 2003-10-30 2006-10-25 瑞士再保险公司 基于计算机的数据捕捉系统
CN104751365A (zh) * 2013-12-27 2015-07-01 中国科学院沈阳自动化研究所 医疗保险实时保费计算方法
CN105631235A (zh) * 2016-03-10 2016-06-01 深圳市前海安测信息技术有限公司 基于医疗大数据的医疗保险精算系统及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1853194A (zh) * 2003-10-30 2006-10-25 瑞士再保险公司 基于计算机的数据捕捉系统
CN1758281A (zh) * 2005-10-13 2006-04-12 徐汇丰 人寿保险公司对保险标的风险评估数据库系统
CN104751365A (zh) * 2013-12-27 2015-07-01 中国科学院沈阳自动化研究所 医疗保险实时保费计算方法
CN105631235A (zh) * 2016-03-10 2016-06-01 深圳市前海安测信息技术有限公司 基于医疗大数据的医疗保险精算系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
LI, YUAN: "Study of Relation Between Epidemic Features of Influenza in Tianjin and Meteorological Factors", CHINA MASTER'S THESES FULL-TEXT DATABASE (ELECTRONIC JOURNALS, 30 April 2012 (2012-04-30), ISSN: 1674-0246 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109448846A (zh) * 2018-09-07 2019-03-08 北京大学 一种基于医保大数据测算罕见病发病率的分析方法
CN109658269A (zh) * 2018-12-17 2019-04-19 泰康保险集团股份有限公司 药品信息处理方法、装置、介质及电子设备

Also Published As

Publication number Publication date
CN105631235A (zh) 2016-06-01

Similar Documents

Publication Publication Date Title
WO2017152639A1 (zh) 基于医疗大数据的医疗保险精算系统及方法
US11631481B2 (en) Healthcare object recognition, systems and methods
US20190214113A1 (en) Dynamic analysis of health and medical data applied to clinical trials
Lanzkron et al. The burden of emergency department use for sickle cell disease: An analysis of the national emergency department sample database
WO2017161896A1 (zh) 基于健身数据的健康险精算系统及方法
WO2017148170A1 (zh) 医疗大数据分析及预警系统及方法
WO2021174777A1 (zh) 老年人健康检测系统、方法、计算机设备及可读存储介质
Hu The economic burden of depression and reimbursement policy in the Asia Pacific region
WO2017152640A1 (zh) 基于搜索关键字的保险精算系统及方法
Barbour et al. Telehealth for patients with Parkinson’s disease: delivering efficient and sustainable long-term care
Owusu-Bempah et al. Years of life lost to incarceration: inequities between Aboriginal and non-Aboriginal Canadians
US10319056B1 (en) Biased task assignments based on geotracking of discharge vehicles
WO2017152636A1 (zh) 基于医疗大数据的疾病预警系统及方法
WO2017152638A1 (zh) 基于网页浏览的医疗大数据分析及处理系统及方法
CN107809370B (zh) 用户推荐方法及装置
KR20220073900A (ko) 블록체인 기반의 토탈 헬스케어 솔루션
Behan et al. Are Irish adult general practice consultation rates as low as official records suggest? A cross sectional study at six general practices
JP2011233110A (ja) データ連携システム
CN109522331B (zh) 以个人为中心的区域化多维度健康数据处理方法及介质
Lee Blockchain-based Medical Information Sharing Service Architecture
Xue et al. Selection and Ranking of Fog Computing‐Based IoT for Monitoring of Health Using the Analytic Network Approach
Crane et al. Telemedicine delivery and successful reimbursement in toxicology
Sabharwal et al. Approaches to using protected health information (PHI) for patient-centered outcomes research (PCOR): regulatory requirements, de-identification strategies, and policy
Mick et al. Complex patients have more emergency visits: don’t punish the systems that serve them
Coucheron et al. Edmon-a system architecture for real-time infection monitoring and outbreak detection based on self-recorded data from people with type 1 diabetes: System design and prototype implementation

Legal Events

Date Code Title Description
NENP Non-entry into the national phase

Ref country code: DE

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 16893284

Country of ref document: EP

Kind code of ref document: A1

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205 DATED 12/03/2019)