WO2017161895A1 - 基于社交数据的保险精算系统及方法 - Google Patents

基于社交数据的保险精算系统及方法 Download PDF

Info

Publication number
WO2017161895A1
WO2017161895A1 PCT/CN2016/105115 CN2016105115W WO2017161895A1 WO 2017161895 A1 WO2017161895 A1 WO 2017161895A1 CN 2016105115 W CN2016105115 W CN 2016105115W WO 2017161895 A1 WO2017161895 A1 WO 2017161895A1
Authority
WO
WIPO (PCT)
Prior art keywords
social
social data
data
date
health insurance
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/CN2016/105115
Other languages
English (en)
French (fr)
Inventor
张贯京
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Qianhai AnyCheck Information Technology Co Ltd
Original Assignee
Shenzhen Qianhai AnyCheck Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Qianhai AnyCheck Information Technology Co Ltd filed Critical Shenzhen Qianhai AnyCheck Information Technology Co Ltd
Publication of WO2017161895A1 publication Critical patent/WO2017161895A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • G—PHYSICS
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Definitions

  • the actuarial system for analysis and processing of medical data does not consider the social data generated by users using social platforms.
  • the risk of insurance companies is increased.
  • an extraction module configured to extract social data corresponding to a date from the classified social data
  • the calculating module is further configured to calculate the health insurance premium of the user according to the first risk rate, the second risk rate, and a preset health insurance actuarial algorithm.
  • the social data includes a user name, a social account number, a contact information, an annual date, a gender, a date, a geographical location information, and social content information.
  • Alx (3+P1-P2) xA2xA3 , A2 l+A21, where S is the health insurance premium and A is the medical compensation fee
  • B is the preventive health care fee
  • C is the management fee
  • D is the reserve fund
  • A1 is the medical fee baseline data
  • A2 is the insurance factor
  • A3 is the compensation ratio
  • P1 is the first risk rate
  • P2 is the second risk rate.
  • A21 is the increase rate of medical service utilization.
  • Z is the health insurance premium
  • X is the standard premium set by the insurance company
  • P1 is the first risk rate
  • P1 is the second risk rate
  • kl and k2 are constant.
  • the present invention further provides a health insurance actuarial method based on social data, which is applied to a data center, where the data center is connected to a social platform through a network, and the social platform is connected to the client through the network.
  • the method includes:
  • Alx (3+P1-P2) xA2xA3 , A2 l+A21, where S is the health insurance premium, A is the medical compensation fee, B is the preventive health care fee, C is the management fee, D is the reserve fund, and A1 is the medical fee.
  • Baseline data A2 is the insurance factor, A3 is the compensation ratio, P1 is the first risk rate, and P2 is the second risk rate.
  • the parameters B, C, D, A1, and A3 in the formula are fixed values, and A21 is the medical service. The rate of increase in utilization.
  • FIG. 2 is a functional block diagram of a preferred embodiment of a social data based insurance actuarial system of the present invention
  • FIG. 1 is a schematic diagram of an application environment of an insurance actuarial system based on social data according to the present invention.
  • the social data based insurance actuarial system 20 in the present invention operates in the data center 2.
  • the data center 2 is connected to the social platform 5 via the network 3.
  • the social platform 5 is also illustrated by the network 3 and one or more clients 4 (three in FIG. 1 as an example)
  • the social platform 5 is configured to provide social services, and record social data generated by the user logging in to the social platform through the client 4. Specifically, the client 4 logs in to the social platform 5 and uploads social data to the social platform 5.
  • the social data includes, but is not limited to, a user name, a social account number, a contact information, an age, a gender, a date, a geographical location information, and social content information (eg, a user-supplied image, an article review, etc.) and / or fitness data (for example, weight, height, fitness time, fitness end, fitness mileage, fitness area, fitness name, fitness program, heart rate and fitness steps).
  • the social platform 5 can be, but is not limited to, an electronic bulletin board (Bulletin Board)
  • the social platform 5 provides a data import interface (for example, an application program interface, API), and a device or system that accesses the API interface can obtain a user from the social platform 5 through the client 4 The social data generated.
  • the data center 2 acquires the social data on the basis of the authorization of the social platform 5 (ie, authorizes access to the API interface provided by the social platform 5), and parses the social data.
  • 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 connected to the client 4 via a network 3. It should be noted that the data center 2 is a server in the cloud platform or the cloud platform, and the data transmission capability and data storage capability of the data center 2 can better manage and/or assist with the data center.
  • the connected client 4 facilitates understanding of the social data generated by the user through the client 4.
  • the client 4 may be, but is not limited to, any other suitable electronic device having a network connection function, such as a smart phone, a tablet computer, a notebook computer, a desktop computer, and the like.
  • FIG. 2 it is a functional block diagram of a preferred embodiment of the social data based insurance actuarial system of the present invention.
  • the social data based insurance actuarial system 20 is applied to the data center 2.
  • the data center 2 includes, but is not limited to, a social data based insurance actuarial system 20, 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 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 obtaining module 200 is configured to acquire social data generated by the user using the client 4 from the social platform 5
  • the social data belongs to the private information
  • the social data is sent to the data center 2
  • the encryption and decryption algorithm is adopted (for example, the MD5 encryption and decryption algorithm and the RSA encryption and decryption algorithm).
  • the DES encryption and decryption algorithm, the DSA encryption and decryption algorithm, the AES encryption and decryption algorithm, etc. first encrypt the social data, and then transmit to the data center 2.
  • the classification module 210 is configured to classify the social data by date. Specifically, since the social data includes dates, the extraction module 220 extracts dates in the social data and classifies the social data according to dates.
  • the classified social data forms a plurality of social data by date, for example, social data on January 1, social data on January 2, and the like. The user can extract the social data corresponding to the period through the date.
  • the extraction module 220 is configured to extract social data corresponding to a date from the classified social data.
  • the extraction module 220 extracts social data corresponding to the flood season in a date order (for example, from January 1 to December 31).
  • the determining module 230 is configured to determine whether the geographic location information in the social data corresponding to the date is the location of the medical institution.
  • the generating module 240 is configured to generate, when the geographic location information in the social data corresponding to the date is the location of the medical institution, a medical check mark indicating that the user sees the doctor on the date.
  • the determining module 230 is further configured to: when the geographic location information in the social data corresponding to the date is not the location of the medical institution, determine whether the fitness data corresponding to the date includes the fitness data.
  • the judging module 2 30 searches in the social data by using preset fitness keywords (for example, “fitness”, “exercise”, “running”, “swim” and the names of various fitness softwares), If there is a preset fitness keyword in the social data, it is determined that the social data includes fitness data.
  • the generating module 240 is further configured to: when the social data corresponding to the date includes fitness data, generate one Fitness tag, the fitness tag indicates that the user is fitness on that date.
  • the calculation module 250 is configured to calculate the number of the medical indications when the classified social data is all extracted, to obtain a first risk ratio.
  • the total number of days between, for example, the earliest date in social data is January 1, 2015, and the latest date is January 4, 2016, then the value of N1 is 370.
  • the calculation module 250 is further configured to calculate the number of the fitness markers to obtain a second risk ratio.
  • the total number of days between, for example, the earliest date in social data is January 1, 2015, the latest date is January 4, 2016, and the value of Bay UN 2 is 370.
  • the parameters B, C, D, A1 and A3 in the formula are fixed values.
  • the insurance factor is the degree of increase in the use of medical services by the insured.
  • the above-mentioned health insurance actuarial algorithm is merely an example, and the health insurance actuarial algorithm in the present invention may also be other existing insurance actuarial algorithms including the second risk rate.
  • FIG. 3 it is a flowchart of a preferred embodiment of the health insurance actuarial method based on social data of the present invention.
  • the social data-based health insurance actuarial method is applied to the data center 2, and the method includes the following steps:
  • Step S10 The obtaining module 200 acquires social data generated by the user using the client 4 from the social platform 5.
  • the social platform 5 provides an API interface, and the device or system accessing the API interface can obtain the social data from the social platform 5.
  • the obtaining module 200 invokes an API interface provided by the social platform 5 to obtain the social data.
  • the social data belongs to the private information
  • the social data is sent to the data center 2
  • the encryption and decryption algorithm is adopted (for example, the MD5 encryption and decryption algorithm and the RSA encryption and decryption algorithm).
  • the DES encryption and decryption algorithm, the DSA encryption and decryption algorithm, the AES encryption and decryption algorithm, etc. first encrypt the social data, and then transmit to the data center 2.
  • Step S12 The extraction module 220 extracts social data corresponding to a date from the classified social data.
  • the extraction module 220 extracts social data corresponding to the date in a date order (for example, from January 1 to December 31).
  • Step S13 The determining module 230 determines whether the geographical location information in the social data corresponding to the date is the location of the medical institution. When the geographical location information in the social data corresponding to the date is the location of the medical institution, the flow proceeds to step S14. Otherwise, when the geographical location information in the social data corresponding to the date is not the location of the medical institution, the flow proceeds to step S15.
  • Step S14 The generating module 240 generates a medical check mark indicating that the user sees a doctor on the date.
  • Step S15 The determining module 230 determines whether the fitness data is included in the social data corresponding to the date.
  • the determining module 230 searches in the social data by using preset fitness keywords (for example, “fitness”, “exercise”, “running”, “swimming” and the names of various fitness softwares, etc.
  • the preset fitness keyword exists in the social data, and it is determined that the social data includes fitness data.
  • the flow proceeds to step S16. Otherwise, when the fitness data is not included in the social data corresponding to the date, the flow proceeds to step S17.
  • Step S16 The generating module 240 generates a fitness mark indicating that the user is exercising on the date.
  • Step S17 The determining module 230 determines whether the classified social data is all extracted. When the classified social data is all extracted, the flow proceeds to step S18. Otherwise, the classified social data is not fully extracted, and the flow returns to step S12.
  • the total number of days between, for example, the earliest date in social data is January 1, 2015, and the latest date is January 4, 2016, then the value of N1 is 370.
  • Step S19 The calculating module 250 calculates the number of the fitness markers to obtain a second risk ratio.
  • the total number of days between, for example, the earliest date in social data is January 1, 2015, and the latest date is January 4, 2016. Then the value of N2 is 370.
  • Step S20 The calculating module 250 calculates the health insurance premium of the user according to the first risk rate, the second risk rate, and a preset health insurance actuarial algorithm.
  • the lower the second risk rate the other things being equal, means that the higher the probability of insurance payment, the higher the health insurance premium, that is, the more the user's fitness is performed. Less, the higher the health insurance premium.
  • the higher the second risk rate means that the possibility of insurance payment is reduced, which means that the health insurance premium is reduced. That is to say, the more the user's fitness, the health insurance premium. The lower.
  • the above-mentioned health insurance actuarial algorithm is merely an example, and the health insurance actuarial algorithm in the present invention may also be other existing insurance actuarial algorithms including the second risk rate.
  • step S15 and step S16 are performed first, and then step S13 and step are performed.
  • step S14; and step S18 and step S19 may be combined, or the sequence may be reversed.
  • step S1 9 is performed first, and then step S18 is performed.
  • the present invention adopts the above technical solution, and brings the technical effects as follows:
  • the social data-based insurance actuarial system and method according to the present invention combines user social data to know the number of times the user goes to the medical institution and the number of times the user goes to the fitness, and According to the number of times the user goes to the medical institution and the number of times the user goes to fitness, the health insurance premium is adjusted accordingly, which reduces the risk of health insurance and improves the profitability of the insurance company.

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

一种基于社交数据的健康险精算方法，该方法包括：从社交平台获取用户的社交数据（S10）；按照日期对社交数据分类（S11）；从分类的社交数据中提取一日期对应的社交数据（S12）；当该日期对应的社交数据中的地理位置信息是医疗机构所在地时（S13），生成一个看病标记（S14），及当该日期对应的社交数据中包括健身数据时（S15），生成一个健身标记（S16）；当所述分类的社交数据全部提取时（S17），计算所述看病标记的数量，以获得第一风险比例（S18），计算所述健身标记的数量，以获得第二风险比例（S19）；根据所述第一风险比例、第二风险比例及预设的健康险精算算法计算出该用户的健康险保费（S20）。通过用户的社交数据动态调整健康险保费，降低了健康险的风险，提高了保险公司的盈利能力。

Description

基于社交数据的保险精算系统及方法
技术领域
[0001] 本发明涉及保险精算领域， 尤其涉及一种基于社交数据的保险精算系统及方法 背景技术
[0002] 近年来随着互联网、 云计算、 移动通信和物联网等技术的迅猛发展， 无所不在 的移动设备、 RFID、 无线传感器每分每秒都在产生数据， 数以亿计用户的互联 网服务吋吋刻刻在产生巨量的交互， 要处理的数据量巨大， 数据一直都在以每 年 50%的速度增长， 而业务需求和竞争压力对数据处理的实吋性、 有效性又提出 了更高要求， 传统的常规技术手段根本无法应付， 因此， 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。
[0003] 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、 高复杂的社交数据中提取价值。
[0004] 然而， 现阶段的保险精算系统在针对医疗数据进行分析处理吋， 并没有考虑用 户使用社交平台所产生的社交数据， 在网络大数据吋代， 增加了保险公司的风 险。
技术问题
[0005] 本发明的主要目的在于提供一种基于社交数据的保险精算系统及方法， 旨在解 决现有保险精算系统中没有基于社交数据进行保险精算的技术问题。
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社交数据的保险精算系统， 运行于数 据中心， 所述数据中心通过网络与社交平台连接， 所述社交平台通过所述网络 与客户端连接， 该系统包括：
[0007] 获取模块， 用于从社交平台获取用户使用客户端吋所产生的社交数据， 所述社 交数据包括日期及地理位置信息； [0008] 分类模块， 用于按照日期对所述社交数据分类；
[0009] 提取模块， 用于从分类的社交数据中提取一日期对应的社交数据；
[0010] 生成模块， 用于当该日期对应的社交数据中的地理位置信息是医疗机构所在地 吋， 生成一个看病标记， 及当该日期对应的社交数据中包括健身数据吋， 生成 一个健身标记；
[0011] 计算模块， 用于当所述分类的社交数据全部提取吋， 计算所述看病标记的数量
， 以获得第一风险比例， 计算所述健身标记的数量， 以获得第二风险比例； 及
[0012] 所述计算模块， 还用于根据所述第一风险率、 第二风险率及预设的健康险精算 算法计算出该用户的健康险保费。
[0013] 优选的， 所述社交数据包括用户姓名、 社交账号、 联系方式、 年齢、 性别、 日 期、 地理位置信息及社交内容信息。
[0014] 优选的， 所述第一风险比例的计算公式为： P1=M1/N1， 所述第二风险比例的 计算公式为： P2=M2/N2， 其中， P1为第一风险率， Ml为看病标记的数量， P2 为第二风险率， M2为健身标记的数量， 所述 N1及 N2均为该用户的社交数据中最 早日期至最晚日期之间的总天数。
[0015] 优选的， 所述预设的健康险精算算法采用如下公式： S=A+B+C+D， A =
Alx (3+P1-P2) xA2xA3 , A2=l+A21， 其中， S为健康险保费、 A为医药补偿费
、 B为预防保健费、 C为管理费、 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、 P1为第一风险率、 P2为第二风险率， 所述公式中的参数 B
、 C、 D、 A1及 A3为固定值， A21为医疗服务利用的增加率。
[0016] 优选的， 所述预设的健康险精算算法采用如下公式： Z=X+klxPl-k2xP2， 其中
， Z为健康险保费， X为保险公司设定的标准保费， P1为第一风险率， P1为第二 风险率， kl及 k2为常数。
[0017] 另一方面， 本发明还提供一种基于社交数据的健康险精算方法， 应用于数据中 心， 所述数据中心通过网络与社交平台连接， 所述社交平台通过所述网络与客 户端连接， 该方法包括：
[0018] 从社交平台获取用户使用客户端吋所产生的社交数据， 所述社交数据包括曰期 及地理位置信息； [0019] 按照日期对所述社交数据分类；
[0020] 从分类的社交数据中提取一日期对应的社交数据；
[0021] 当该日期对应的社交数据中的地理位置信息是医疗机构所在地吋， 生成一个看 病标记， 及当该日期对应的社交数据中包括健身数据吋， 生成一个健身标记；
[0022] 当所述分类的社交数据全部提取吋， 计算所述看病标记的数量， 以获得第一风 险比例， 计算所述健身标记的数量， 以获得第二风险比例； 及
[0023] 根据所述第一风险率、 第二风险率及预设的健康险精算算法计算出该用户的健 康险保费。
[0024] 优选的， 所述社交数据包括用户姓名、 社交账号、 联系方式、 年齢、 性别、 曰 期、 地理位置信息及社交内容信息。
[0025] 优选的， 所述第一风险比例的计算公式为： P1=M1/N1， 所述第二风险比例的 计算公式为： P2=M2/N2， 其中， P1为第一风险率， Ml为看病标记的数量， P2 为第二风险率， M2为健身标记的数量， 所述 N1及 N2均为该用户的社交数据中最 早日期至最晚日期之间的总天数。
[0026] 优选的， 所述预设的健康险精算算法采用如下公式： S=A+B+C+D， A =
Alx (3+P1-P2) xA2xA3 , A2=l+A21， 其中， S为健康险保费、 A为医药补偿费 、 B为预防保健费、 C为管理费、 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、 P1为第一风险率、 P2为第二风险率， 所述公式中的参数 B 、 C、 D、 A1及 A3为固定值， A21为医疗服务利用的增加率。
[0027] 优选的， 所述预设的健康险精算算法采用如下公式： Z=X+klxPl-k2xP2， 其中
， Z为健康险保费， X为保险公司设定的标准保费， P1为第一风险率， P1为第二 风险率， kl及 k2为常数。
发明的有益效果
有益效果
[0028] 本发明采用上述技术方案， 带来的技术效果为： 本发明所述基于社交数据的保 险精算系统及方法， 结合用户社交数据了解用户去医疗机构的次数及用户去健 身的次数， 并根据用户去医疗机构的次数及用户去健身的次数相应地调整健康 险的保费， 降低了健康险的风险， 提高了保险公司的盈利能力。 对附图的简要说明
附图说明
[0029] 图 1是本发明基于社交数据的保险精算系统的应用环境示意图；
[0030] 图 2是本发明基于社交数据的保险精算系统的优选实施例的功能模块图；
[0031] 图 3是本发明基于社交数据的健康险精算方法的优选实施例的流程图。
[0032]
[0033] 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
[0034] 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。
[0035] 参照图 1所示， 图 1是本发明基于社交数据的保险精算系统的应用环境示意图。
[0036] 本发明中的基于社交数据的保险精算系统 20运行于数据中心 2。 所述数据中心 2 通过网络 3与社交平台 5连接。
[0037] 所述社交平台 5还通过网络 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。
[0038] 所述社交平台 5用于提供社交服务， 并记录用户通过所述客户端 4登陆所述社交 平台 5吋所产生的社交数据。 具体的说， 所述客户端 4登录到所述社交平台 5， 并 上传社交数据至社交平台 5。
[0039] 所述社交数据包括， 但不限于， 用户姓名、 社交账号、 联系方式、 年齢、 性别 、 日期、 地理位置信息、 社交内容信息 （例如， 用户发的图片、 文章的点评等 信息） 及 /或健身数据 （例如， 体重、 身高、 健身幵始吋间、 健身结束吋间、 健 身里程、 健身所在区域、 健身场所名称、 健身项目、 心率及健身步数等信息） 等。 所述社交平台 5可以是， 但不限于， 电子布告栏 （Bulletin Board
System, BBS) ， 即吋通信平台 （如， 微信） 、 微博、 人人网、 同学录网站等各 种类型的社交平台 5。 [0040] 所述社交平台 5提供数据导入接口 （例如， 应用程序接口， Application Program Interface, API) ， 接入该 API接口的设备或系统都可以从所述社交平台 5中获取 用户通过客户端 4所产生的社交数据。 所述数据中心 2在所述社交平台 5授权的基 础上 （即授权接入所述社交平台 5提供的 API接口） 获取所述社交数据， 并对所 述社交数据进行解析。
[0041] 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。
[0042] 此外， 所述数据中心 2通过网络 3与所述客户端 4连接。 需要说明的是， 所述数 据中心 2是云平台或云平台中的某一台服务器， 通过数据中心 2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 利于了解用户通过所述客户端 4所产生的社交数据。
[0043] 所述客户端 4可以是， 但不限于， 智能手机、 平板电脑、 笔记本电脑、 台式电 脑等其它任意合适的具有网络连接功能的电子设备。
[0044] 参照图 2所示， 是本发明基于社交数据的保险精算系统的优选实施例的功能模 块图。 在本实施例中， 所述基于社交数据的保险精算系统 20应用于数据中心 2。 该数据中心 2包括， 但不仅限于， 基于社交数据的保险精算系统 20、 存储单元 22 、 处理单元 24及通讯单元 26。
[0045] 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。
[0046] 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。
[0047] 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。
[0048] 所述基于社交数据的保险精算系统 20包括， 但不局限于， 获取模块 200、 分类 模块 210、 提取模块 220、 判断模块 230、 生成模块 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。
[0049] 所述获取模块 200用于从社交平台 5获取用户使用客户端 4吋所产生的社交数据
[0050] 具体而言， 所述社交平台 5提供 API接口， 接入该 API接口的设备或系统都可以 从所述社交平台 5中获取所述社交数据。 所述获取模块 200调用所述社交平台 5提 供的 API接口以获取所述社交数据。
[0051] 需要说明的是， 由于所述社交数据属于隐私信息， 为了确保信息安全， 所述社 交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） 先对社交 数据进行加密处理， 之后传输给所述数据中心 2。
[0052] 所述分类模块 210用于按照日期对所述社交数据分类。 具体而言， 由于所述社 交数据中包括日期， 所述提取模块 220提取所述社交数据中的日期， 并根据日期 对所述社交数据进行分类。 分类之后的社交数据按照日期形成多笔社交数据， 例如， 1月 1日的社交数据， 1月 2日的社交数据等等。 用户通过日期可以提取出 该曰期对应的社交数据。
[0053] 所述提取模块 220用于从分类的社交数据中提取一日期对应的社交数据。 在本 实施例中， 所述提取模块 220按照日期顺序 （例如， 从 1月 1日至 12月 31日） 提取 曰期对应的社交数据。
[0054] 所述判断模块 230用于判断该日期对应的社交数据中的地理位置信息是否为医 疗机构所在地。
[0055] 所述生成模块 240用于当该日期对应的社交数据中的地理位置信息为医疗机构 所在地， 生成一个看病标记， 该看病标记表明用户在该日期看病。
[0056] 所述判断模块 230还用于当该日期对应的社交数据中的地理位置信息不是医疗 机构所在地， 判断该日期对应的社交数据中是否包括健身数据。 所述判断模块 2 30通过预设的健身关键字 （例如， "健身"、 "锻炼"、 "跑步"、 "游泳 "及各种健身 软件的名称等关键字） 在所述社交数据中检索， 若所述社交数据中存在预设的 健身关键字， 则认定所述社交数据中包括健身数据。
[0057] 所述生成模块 240还用于当该日期对应的社交数据中包括健身数据， 生成一个 健身标记， 该健身标记表明用户在该日期健身。
[0058] 所述判断模块 230还用于当该日期对应的社交数据中不包括健身数据， 判断所 述分类的社交数据是否全部提取。
[0059] 所述计算模块 250用于当所述分类的社交数据全部提取吋， 计算所述看病标记 的数量， 以获得第一风险比例。 所述第一风险比例的计算公式为： P1=M1/N1， 其中， P1为第二风险率， Ml为看病标记的数量， 所述 N1为该用户的社交数据中 最早日期至最晚日期之间的总天数， 例如， 社交数据中最早日期为 2015年 1月 1 日， 最晚日期为 2016年 1月 4日， 则 N1的值为 370。
[0060] 所述计算模块 250还用于计算所述健身标记的数量， 以获得第二风险比例。 所 述第二风险比例的计算公式为： P2=M2/N2， 其中， P2为第二风险率， M2为健身 标记的数量， 所述 N2为该用户的社交数据中最早日期至最晚日期之间的总天数 ， 例如， 社交数据中最早日期为 2015年 1月 1日， 最晚日期为 2016年 1月 4日， 贝 UN 2的值为 370。
[0061] 所述计算模块 250还用于根据所述第一风险率、 第二风险率及预设的健康险精 算算法计算出该用户的健康险保费。 所述预设的健康险精算算法包括如下公式 ： S=A+B+C+D， A = Alx (3+P1-P2) xA2xA3; 其中， S为健康险保费、 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， P1为第一风 险率， P2为第二风险率。 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=l+A21， A2 1为医疗服务利用的增加率 （即连续两年医疗机构就诊人数的差值与医疗机构最 大负荷就诊人数之间的比例） 。
[0062] 从上述公式可知， 第一风险率越高， 在其它条件相同的情况下， 意味着发生保 险赔付的可能性越高， 也意味着健康险保费的增加， 也就是说， 用户去医疗机 构的次数越多， 健康险保费越高。 反之， 第一风险率越低， 在其它条件相同的 情况下， 意味着发生保险赔付的可能性减少， 也意味着健康险保费的降低， 也 就是说， 用户去医疗机构的次数越少， 健康险保费越低。
[0063] 相应地， 第二风险率越低， 在其它条件相同的情况下， 意味着发生保险赔付的 可能性越高， 也意味着健康险保费的增加， 也就是说， 用户健身的次数越少， 健康险保费越高。 反之， 第二风险率越高， 在其它条件相同的情况下， 意味着 发生保险赔付的可能性减少， 也意味着健康险保费的降低， 也就是说， 用户健 身的次数越多， 健康险保费越低。
[0064] 所述预设的健康险精算算法包括如下公式： Z=X+klxPl-k2xP2， 其中， Z为健 康险保费， X为保险公司设定的标准保费， P1为第一风险率， P2为第二风险率， kl及 K2为常数。 需要说明的是， 所述标准保费的计算方式为现有的， 在此不再 赘述。
[0065] 此外， 上述健康险精算算法仅仅是举例说明， 本发明中的所述健康险精算算法 还可以是其它现有的包含第二风险率的保险精算算法。
[0066] 参照图 3所示， 是本发明基于社交数据的健康险精算方法的优选实施例的流程 图。 结合图 2所示， 在本实施例中， 所述的基于社交数据的健康险精算方法应用 于数据中心 2， 该方法包括以下步骤：
[0067] 步骤 S10: 所述获取模块 200从社交平台 5获取用户使用客户端 4吋所产生的社交 数据。
[0068] 具体而言， 所述社交平台 5提供 API接口， 接入该 API接口的设备或系统都可以 从所述社交平台 5中获取所述社交数据。 所述获取模块 200调用所述社交平台 5提 供的 API接口以获取所述社交数据。
[0069] 需要说明的是， 由于所述社交数据属于隐私信息， 为了确保信息安全， 所述社 交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） 先对社交 数据进行加密处理， 之后传输给所述数据中心 2。
[0070] 步骤 S11 : 所述分类模块 210按照日期对所述社交数据分类。 具体而言， 由于所 述社交数据中包括日期， 所述提取模块 220提取所述社交数据中的日期， 并根据 曰期对所述社交数据进行分类。 分类之后的社交数据按照日期形成多笔社交数 据， 例如， 1月 1日的社交数据， 1月 2日的社交数据等等。 用户通过日期可以提 取出该日期对应的社交数据。
[0071] 步骤 S12: 所述提取模块 220从分类的社交数据中提取一日期对应的社交数据。 在本实施例中， 所述提取模块 220按照日期顺序 （例如， 从 1月 1日至 12月 31日） 提取日期对应的社交数据。
[0072] 步骤 S13: 所述判断模块 230判断该日期对应的社交数据中的地理位置信息是否 为医疗机构所在地。 当该日期对应的社交数据中的地理位置信息为医疗机构所 在地， 流程进入步骤 S14。 否则， 当该日期对应的社交数据中的地理位置信息不 是医疗机构所在地， 流程进入步骤 S15。
[0073] 步骤 S14: 所述生成模块 240生成一个看病标记， 该看病标记表明用户在该日期 看病。
[0074] 步骤 S15: 所述判断模块 230判断该日期对应的社交数据中是否包括健身数据。
所述判断模块 230通过预设的健身关键字 （例如， "健身"、 "锻炼"、 "跑步"、 "游 泳"及各种健身软件的名称等关键字） 在所述社交数据中检索， 若所述社交数据 中存在预设的健身关键字， 则认定所述社交数据中包括健身数据。 当该日期对 应的社交数据中包括健身数据， 流程进入步骤 S16。 否则， 当该日期对应的社交 数据中不包括健身数据， 流程进入步骤 S17。
[0075] 步骤 S16: 所述生成模块 240生成一个健身标记， 该健身标记表明用户在该日期 健身。
[0076] 步骤 S17: 所述判断模块 230判断所述分类的社交数据是否全部提取。 当所述分 类的社交数据全部提取， 流程进入步骤 S18。 否则， 所述分类的社交数据没有全 部提取， 流程返回步骤 S12。
[0077] 步骤 S18: 所述计算模块 250计算所述看病标记的数量， 以获得第一风险比例。
所述第一风险比例的计算公式为： P1=M1/N1， 其中， P1为第二风险率， Ml为看 病标记的数量， 所述 N1为该用户的社交数据中最早日期至最晚日期之间的总天 数， 例如， 社交数据中最早日期为 2015年 1月 1日， 最晚日期为 2016年 1月 4日， 则 N1的值为 370。
[0078] 步骤 S19: 所述计算模块 250计算所述健身标记的数量， 以获得第二风险比例。
所述第二风险比例的计算公式为： P2=M2/N2， 其中， P2为第二风险率， M2为健 身标记的数量， 所述 N2为该用户的社交数据中最早日期至最晚日期之间的总天 数， 例如， 社交数据中最早日期为 2015年 1月 1日， 最晚日期为 2016年 1月 4日， 则 N2的值为 370。
步骤 S20: 所述计算模块 250根据所述第一风险率、 第二风险率及预设的健康险 精算算法计算出该用户的健康险保费。 所述预设的健康险精算算法包括如下公 式： S=A+B+C+D， A = Alx (3+P1-P2) xA2xA3; 其中， S为健康险保费、 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， P1为第一 风险率， P2为第二风险率。 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=l+A21， A21为医疗服务利用的增加率 （即连续两年医疗机构就诊人数的差值与医疗机构 最大负荷就诊人数之间的比例） 。
[0080] 从上述公式可知， 第一风险率越高， 在其它条件相同的情况下， 意味着发生保 险赔付的可能性越高， 也意味着健康险保费的增加， 也就是说， 用户去医疗机 构的次数越多， 健康险保费越高。 反之， 第一风险率越低， 在其它条件相同的 情况下， 意味着发生保险赔付的可能性减少， 也意味着健康险保费的降低， 也 就是说， 用户去医疗机构的次数越少， 健康险保费越低。
[0081] 相应地， 第二风险率越低， 在其它条件相同的情况下， 意味着发生保险赔付的 可能性越高， 也意味着健康险保费的增加， 也就是说， 用户健身的次数越少， 健康险保费越高。 反之， 第二风险率越高， 在其它条件相同的情况下， 意味着 发生保险赔付的可能性减少， 也意味着健康险保费的降低， 也就是说， 用户健 身的次数越多， 健康险保费越低。
[0082] 所述预设的健康险精算算法包括如下公式： Z=X+klxPl-k2xP2， 其中， Z为健 康险保费， X为保险公司设定的标准保费， P1为第一风险率， P2为第二风险率， kl及 K2为常数。 需要说明的是， 所述标准保费的计算方式为现有的， 在此不再 赘述。
[0083] 此外， 上述健康险精算算法仅仅是举例说明， 本发明中的所述健康险精算算法 还可以是其它现有的包含第二风险率的保险精算算法。
[0084] 需要说明的是， 所述流程图中的步骤顺序并不是固定的， 在其它实施例中， 所 述步骤顺序可以调整， 例如， 先执行步骤 S15及步骤 S16， 之后执行步骤 S13及步 骤 S14; 而步骤 S18及步骤 S19可以合并， 也可以调换顺序， 例如， 先执行步骤 S1 9， 之后执行步骤 S 18。
[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
[0086] 本发明采用上述技术方案， 带来的技术效果为： 本发明所述基于社交数据的保 险精算系统及方法， 结合用户社交数据了解用户去医疗机构的次数及用户去健 身的次数， 并根据用户去医疗机构的次数及用户去健身的次数相应地调整健康 险的保费， 降低了健康险的风险， 提高了保险公司的盈利能力。

Claims

权利要求书
[权利要求 1] 一种基于社交数据的保险精算系统， 运行于数据中心， 其特征在于， 所述数据中心通过网络与社交平台连接， 所述社交平台通过所述网络 与客户端连接， 该系统包括： 获取模块， 用于从社交平台获取用户使 用客户端吋所产生的社交数据， 所述社交数据包括日期及地理位置信 息； 分类模块， 用于按照日期对所述社交数据分类； 提取模块， 用于 从分类的社交数据中提取一日期对应的社交数据； 生成模块， 用于当 该日期对应的社交数据中的地理位置信息是医疗机构所在地吋， 生成 一个看病标记， 及当该日期对应的社交数据中包括健身数据吋， 生成 一个健身标记； 计算模块， 用于当所述分类的社交数据全部提取吋， 计算所述看病标记的数量， 以获得第一风险比例， 计算所述健身标记 的数量， 以获得第二风险比例； 及所述计算模块， 还用于根据所述第 一风险率、 第二风险率及预设的健康险精算算法计算出该用户的健康 险保费。
[权利要求 2] 如权利要求 1所述的基于社交数据的保险精算系统， 其特征在于， 所 述社交数据还包括用户姓名、 社交账号、 联系方式、 年齢、 性别及社 交内容信息。
[权利要求 3] 如权利要求 1所述的基于社交数据的保险精算系统， 其特征在于， 所 述第一风险比例的计算公式为： P1=M1/N1， 所述第二风险比例的计 算公式为： P2=M2/N2， 其中， P1为第一风险率， Ml为看病标记的数 量， P2为第二风险率， M2为健身标记的数量， 所述 N1及 N2均为该用 户的社交数据中最早日期至最晚日期之间的总天数。
[权利要求 4] 如权利要求 3所述的基于社交数据的保险精算系统， 其特征在于， 所 述预设的健康险精算算法采用如下公式： S=A+B+C+D， A = Alx (3+P1-P2) xA2xA3 , A2=l+A21， 其中， S为健康险保费、 A为 医药补偿费、 B为预防保健费、 C为管理费、 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、 P1为第一风险率、 P2为 第二风险率， 所述公式中的参数 B、 C、 D、 A1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 3所述的基于社交数据的保险精算系统， 其特征在于， 所 述预设的健康险精算算法采用如下公式： Z=X+klxPl-k2xP2， 其中， Z为健康险保费， X为保险公司设定的标准保费， P1为第一风险率， P 1为第二风险率， kl及 k2为常数。
[权利要求 6] —种基于社交数据的健康险精算方法， 应用于数据中心， 其特征在于
， 所述数据中心通过网络与社交平台连接， 所述社交平台通过所述网 络与客户端连接， 该方法包括从社交平台获取用户使用客户端吋所产 生的社交数据， 所述社交数据包括日期及地理位置信息； 按照日期对 所述社交数据分类； 从分类的社交数据中提取一日期对应的社交数据 ； 当该日期对应的社交数据中的地理位置信息是医疗机构所在地吋， 生成一个看病标记， 及当该日期对应的社交数据中包括健身数据吋， 生成一个健身标记； 当所述分类的社交数据全部提取吋， 计算所述看 病标记的数量， 以获得第一风险比例， 计算所述健身标记的数量， 以 获得第二风险比例； 及根据所述第一风险率、 第二风险率及预设的健 康险精算算法计算出该用户的健康险保费。
[权利要求 7] 如权利要求 6所述的基于社交数据的健康险精算方法， 其特征在于， 所述社交数据还包括用户姓名、 社交账号、 联系方式、 年齢、 性别及 社交内容信息。
[权利要求 8] 如权利要求 6所述的基于社交数据的健康险精算方法， 其特征在于， 所述第一风险比例的计算公式为： P1=M1/N1， 所述第二风险比例的 计算公式为： P2=M2/N2， 其中， P1为第一风险率， Ml为看病标记的 数量， P2为第二风险率， M2为健身标记的数量， 所述 N1及 N2均为该 用户的社交数据中最早日期至最晚日期之间的总天数。
[权利要求 9] 如权利要求 8所述的基于社交数据的健康险精算方法， 其特征在于， 所述预设的健康险精算算法采用如下公式： S=A+B+C+D， Α = Α1χ
(3+P1-P2) xA2xA3 , A2=l+A21， 其中， S为健康险保费、 A为医药 补偿费、 B为预防保健费、 C为管理费、 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、 P1为第一风险率、 P2为第二 风险率， 所述公式中的参数 B、 C、 D、 Al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 8所述的基于社交数据的健康险精算方法， 其特征在于， 所述预设的健康险精算算法采用如下公式： Z=X+klxPl-k2xP2， 其中 ， Z为健康险保费， X为保险公司设定的标准保费， P1为第一风险率 ， P1为第二风险率， kl及 k2为常数。
PCT/CN2016/105115 2016-03-19 2016-11-08 基于社交数据的保险精算系统及方法 Ceased WO2017161895A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201610163964.7A CN105844093A (zh) 2016-03-19 2016-03-19 基于社交数据的保险精算系统及方法
CN201610163964.7 2016-03-19

Publications (1)

Publication Number Publication Date
WO2017161895A1 true WO2017161895A1 (zh) 2017-09-28

Family

ID=56587697

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2016/105115 Ceased WO2017161895A1 (zh) 2016-03-19 2016-11-08 基于社交数据的保险精算系统及方法

Country Status (2)

Country Link
CN (1) CN105844093A (zh)
WO (1) WO2017161895A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105844529A (zh) * 2016-03-19 2016-08-10 深圳市前海安测信息技术有限公司 基于健身数据的健康险精算系统及方法
CN105844093A (zh) * 2016-03-19 2016-08-10 深圳市前海安测信息技术有限公司 基于社交数据的保险精算系统及方法
CN109035034A (zh) * 2018-06-12 2018-12-18 昆明理工大学 一种基于支付数据的健康保险精算系统与方法
CN109636640A (zh) * 2018-12-13 2019-04-16 平安医疗健康管理股份有限公司 参保药品的报销方法、装置、设备及存储介质
CN109859844A (zh) * 2018-12-26 2019-06-07 江苏恒宝智能系统技术有限公司 一种可穿戴设备、人体健康险预测系统及预测方法
CN111192684A (zh) * 2019-11-25 2020-05-22 泰康保险集团股份有限公司 一种健康数据处理的方法及装置、电子设备、存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060041454A1 (en) * 2004-07-26 2006-02-23 Shaun Matisonn Data processing system for accurately calculating a policyholder's discount in a medical insurance plan and a method therefor
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
CN102713960A (zh) * 2009-08-17 2012-10-03 大都会人寿保险公司 保险承保的在线系统和方法
CN103366323A (zh) * 2012-04-08 2013-10-23 三星电子株式会社 执行用户定制的健康管理的用户终端装置和系统及其方法
CN105844093A (zh) * 2016-03-19 2016-08-10 深圳市前海安测信息技术有限公司 基于社交数据的保险精算系统及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060041454A1 (en) * 2004-07-26 2006-02-23 Shaun Matisonn Data processing system for accurately calculating a policyholder's discount in a medical insurance plan and a method therefor
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
CN102713960A (zh) * 2009-08-17 2012-10-03 大都会人寿保险公司 保险承保的在线系统和方法
CN103366323A (zh) * 2012-04-08 2013-10-23 三星电子株式会社 执行用户定制的健康管理的用户终端装置和系统及其方法
CN105844093A (zh) * 2016-03-19 2016-08-10 深圳市前海安测信息技术有限公司 基于社交数据的保险精算系统及方法

Also Published As

Publication number Publication date
CN105844093A (zh) 2016-08-10

Similar Documents

Publication Publication Date Title
Van Panhuis et al. A systematic review of barriers to data sharing in public health
KR102088980B1 (ko) 사용자 맞춤형 의료정보 제공 시스템 및 이의 구동방법
Morera et al. Security recommendations for mHealth apps: Elaboration of a developer’s guide
WO2017161896A1 (zh) 基于健身数据的健康险精算系统及方法
US10891352B1 (en) Code vector embeddings for similarity metrics
US11424013B2 (en) Systems and methods for sorting findings to medical coders
CN105844093A (zh) 基于社交数据的保险精算系统及方法
CN110275887A (zh) 一种基于区块链系统的数据处理方法、系统及装置
WO2023205445A1 (en) Machine learning for data anonymization
Chen et al. Temporal data analytics on COVID-19 data with ubiquitous computing
WO2017152640A1 (zh) 基于搜索关键字的保险精算系统及方法
WO2017152638A1 (zh) 基于网页浏览的医疗大数据分析及处理系统及方法
WO2018153030A1 (zh) 医疗信息化基于网页的医生评级推荐系统及方法
CN114550870A (zh) 基于人工智能的处方审核方法、装置、设备及介质
WO2017148170A1 (zh) 医疗大数据分析及预警系统及方法
CN104112210B (zh) 一种推送广告的方法及设备
CN105812463A (zh) 基于医疗大数据的疾病预警系统及方法
US12136489B2 (en) Predictive recommendation systems using compliance profile data objects
CN111429288A (zh) 用户画像的构建方法及装置、计算机设备、存储介质
CN111985578A (zh) 多源数据融合方法、装置、计算机设备及存储介质
Khan et al. Health data integration with Secured Record Linkage: A practical solution for Bangladesh and other developing countries
CN109978747A (zh) 用于审核图片的方法及装置
CN113764089B (zh) 就诊医院的绑定方法、装置、设备及存储介质
CN113707335A (zh) 确定目标接诊用户的方法、装置、电子设备和存储介质
Clement et al. Primary care physician visits by patients with incident hypertension

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: 16895240

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 1205A DATED 11.03.2019)

122 Ep: pct application non-entry in european phase

Ref document number: 16895240

Country of ref document: EP

Kind code of ref document: A1