WO2020119118A1 - 异常数据的处理方法、装置、设备及计算机可读存储介质 - Google Patents

异常数据的处理方法、装置、设备及计算机可读存储介质 Download PDF

Info

Publication number
WO2020119118A1
WO2020119118A1 PCT/CN2019/096076 CN2019096076W WO2020119118A1 WO 2020119118 A1 WO2020119118 A1 WO 2020119118A1 CN 2019096076 W CN2019096076 W CN 2019096076W WO 2020119118 A1 WO2020119118 A1 WO 2020119118A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
abnormal data
deduction
medical examination
basis
Prior art date
Application number
PCT/CN2019/096076
Other languages
English (en)
French (fr)
Inventor
陈明东
黄越
胥畅
Original Assignee
平安医疗健康管理股份有限公司
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 平安医疗健康管理股份有限公司 filed Critical 平安医疗健康管理股份有限公司
Publication of WO2020119118A1 publication Critical patent/WO2020119118A1/zh

Links

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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance

Definitions

  • the present application relates to the field of big data technology, and in particular, to a method, apparatus, device, and computer-readable storage medium for processing abnormal data.
  • Medical insurance generally refers to basic medical insurance, a social insurance system established to compensate workers for economic losses caused by disease risks.
  • the medical insurance fund shall be established by the employer and the individual to pay the fees. After the insured person incurs medical expenses, the medical insurance institution shall give him certain economic compensation.
  • supervisors are equipped to monitor the social insurance behavior of the insured personnel, and to calculate the medical insurance settlement documents in order to manage the outpatient co-ordination fund expenditure.
  • due to the large base of medical insurance insurers relying solely on supervisors to supervise the insured data is not enough. For example, there may be suspected false examinations in the insured medical data, which will cause great waste to the outpatient pooling fund .
  • the main purpose of the present application is to provide an abnormal data processing method, device, equipment and computer-readable storage medium, which aims to solve the problem that the existing technology only relies on supervisors to supervise the insured data, and the strength is not enough, resulting in outpatient co-ordination funds Manage flawed technical issues.
  • the abnormal data processing method includes:
  • a basis for deduction is determined based on the abnormal data of the suspected fake inspection, so that a deduction notice is issued to the corresponding designated medical institution based on the basis for deduction.
  • the apparatus for processing abnormal data includes:
  • the inspection data acquisition module is used to obtain the medical examination data of the insured personnel
  • An abnormal data judgment module configured to input the medical examination data into a preset model, identify the medical examination data based on the preset model, and determine whether there is abnormal data of suspected false examination in the medical examination data ;
  • the deduction basis determination module is used to determine a deduction basis based on the abnormal data of the suspected fake inspection if it is, so as to issue a deduction notice to the corresponding designated medical institution based on the deduction basis.
  • the present application also provides an abnormal data processing device, the abnormal data processing device includes: a memory, a processor, and an exception stored in the memory and capable of running on the processor A data processing program that implements the steps of the abnormal data processing method described above when the abnormal data processing program is executed by the processor.
  • the present application also provides a computer-readable storage medium, the computer-readable storage medium stores an abnormal data processing program, the abnormal data processing program is executed by the processor to achieve the above Steps for handling abnormal data.
  • An abnormal data processing method proposed in this application first obtains the medical examination data of the insured persons and enters them into a preset model, and identifies the medical examination data based on the preset model to determine whether the medical examination data exists If the abnormal data of the suspected fake inspection exists, the basis for deduction is determined based on the abnormal data of the suspected fake inspection, so that the deduction notice is issued to the corresponding designated medical institution based on the basis of the deduction.
  • the insured personnel's medical examination is checked to determine whether there is abnormal data suspected of false inspection, and a fee deduction notice is issued to the designated medical institutions that appear to have suspected false inspection abnormal data. To prevent unreasonable outpatient expenses, effectively manage the outpatient co-ordination fund expenditures, and avoid wasting outpatient co-ordination funds.
  • FIG. 1 is a schematic diagram of a hardware structure of a device for processing abnormal data involved in an embodiment of the present application
  • FIG. 2 is a schematic flowchart of a first embodiment of a method for processing abnormal data of this application
  • FIG. 3 is a detailed flowchart of step S20 in FIG. 2;
  • FIG. 4 is a schematic flowchart of a second embodiment of a method for processing abnormal data of this application.
  • FIG. 5 is a schematic diagram of functional modules of a first embodiment of an apparatus for processing abnormal data according to the present application.
  • the main solution of the embodiment of the present application is to obtain medical examination data of insured persons; input the medical examination data into a preset model, identify the medical examination data based on the preset model, and judge the Whether there is abnormal data of suspected fake examination in the medical examination data; if it is, determine the basis for deduction based on the abnormal data of the suspected false examination, so as to issue a deduction notice to the corresponding designated medical institution based on the basis of the deduction.
  • the technical solution of the embodiment of the present application solves the technical problem in the prior art that only relying on supervisors to supervise the insured data, the strength is not enough, and the outpatient co-ordination fund management has defects.
  • FIG. 1 is a schematic diagram of a hardware structure of an abnormal data processing device involved in a solution of an embodiment of the present application.
  • the method for processing abnormal data according to the embodiments of the present application is mainly applied to a device for processing abnormal data.
  • the device for processing abnormal data may be a device with display and processing functions such as a PC, a portable computer, and a mobile terminal.
  • the processing of the abnormal data may include: a processor 1001, such as a CPU, a communication bus 1002, a user interface 1003, a network interface 1004, and a memory 1005.
  • the communication bus 1002 is used to implement connection communication between these components.
  • the user interface 1003 may include a display (Display), an input unit such as a keyboard (Keyboard), and the optional user interface 1003 may also include a standard wired interface and a wireless interface.
  • the network interface 1004 may optionally include a standard wired interface and a wireless interface (such as a WI-FI interface).
  • the memory 1005 may be a high-speed RAM memory or a stable memory (non-volatile memory), such as disk storage.
  • the memory 1005 may optionally be a storage device independent of the foregoing processor 1001.
  • the abnormal data processing device may also include a camera, RF (Radio Frequency (radio frequency) circuits, sensors, audio circuits, Wi-Fi modules, etc.
  • sensors such as light sensors, motion sensors and other sensors.
  • the abnormal data processing device can also be configured with other sensors such as gyroscopes, barometers, hygrometers, thermometers, infrared sensors, etc., which will not be repeated here.
  • the structure of the abnormal data processing device shown in FIG. 1 does not constitute a limitation on the abnormal data processing device, and may include more or less components than the illustration, or a combination of certain components, Or different component arrangements.
  • the memory 1005 as a computer storage medium may include an operating system, a network communication module, a user interface module, and an abnormal data processing program.
  • the network interface 1004 is mainly used to connect to a background server and perform data communication with the background server;
  • the user interface 1003 is mainly used to connect to a client (user side) and perform data communication with the client;
  • the processor 1001 and the memory 1005 It may be provided in an abnormal data processing device that calls the abnormal data processing program stored in the memory 1005 through the processor 1001 and executes the abnormal data processing method provided by the embodiment of the present application.
  • the solution provided in this embodiment first obtains the medical examination data of the insured personnel and enters it into a preset model, and identifies the medical examination data based on the preset model to determine whether there is a suspected false examination abnormality in the medical examination data If there is data, the basis for deduction is determined based on the abnormal data of the suspected fake inspection, so that the deduction notice is issued to the corresponding designated medical institution based on the basis for deduction.
  • the insured personnel's medical examination is checked to determine whether there is abnormal data suspected of false inspection, and a fee deduction notice is issued to the designated medical institutions that appear to have suspected false inspection abnormal data. To prevent unreasonable outpatient expenses, effectively manage the outpatient co-ordination fund expenditures, and avoid wasting outpatient co-ordination funds.
  • FIG. 2 is a schematic flowchart of a first embodiment of a method for processing abnormal data of the present application.
  • the method includes:
  • Step S10 Obtain medical examination data of the insured personnel
  • the charging terminal equipment of the designated medical institutions can upload the corresponding medical data to the core system of the human society.
  • the core system of the People's Society checks the corresponding medical data of the insured personnel to manage the outpatient co-ordination fund expenditure.
  • the medical examination of the insured personnel is detected. Therefore, the medical examination data in this embodiment specifically refers to the medical examination data.
  • the medical examination data includes at least the designated medical institution of the medical examination, information of the insured person, inspection items, number of examinations, the current physiological period of the insured person, etc.
  • the information of the insured person may specifically include the name of the insured person, Age and medical insurance card information of the insured.
  • Step S20 inputting the medical examination data into a preset model, identifying the medical examination data based on the preset model, and determining whether there is abnormal data of suspected false examination in the medical examination data; if so, then Go to step S30;
  • the preset model used in this embodiment is mainly a deviation detection model, and the deviation specifically refers to anomalous instances in classification samples, special cases that do not satisfy the rules, or the observation result is inconsistent with the model prediction value and the observation result changes with time. Changes, etc.
  • the basic goal of deviation detection is to find meaningful differences between observations and reference values.
  • the step S20 specifically includes:
  • step S21 the medical examination data is input into a preset model, and the text data in the medical examination data is converted into standard data based on the preset model, wherein the standard data includes at least the inspection item and the insured person Current physiological period;
  • the original medical examination data are all text data, which is not conducive to the model's processing of the data.
  • the original medical examination data is processed and converted into standard data.
  • Data cleaning is mainly to delete irrelevant data, duplicate data, smooth noise data in the original data set, and filter out data that is irrelevant to the subject of model detection, and deal with missing values. , Outliers, etc.
  • the information contained in the medical examination data that is not related to the medical examination such as auxiliary medication information, hospitalization information, etc.
  • standard data corresponding to the original medical examination data is obtained.
  • the text features are constructed based on the text data corresponding to the processed medical examination data, and the text is represented by a sequence of vectors, and the words are represented by word vectors, and the complete word vector is obtained by stitching forward and reverse calculations to further determine the word vector Sequence, and then use the bidirectional RNN model to encode the word vector into a sentence vector matrix in order to get the final standard data from the sentence vector matrix.
  • the standard data includes at least the inspection item and the current physiological period of the insured person. For example, the standard data of a certain insured person's medical examination is currently in pregnancy, and the examination item is CT examination.
  • step S22 the standard data is detected through a nested loop algorithm to obtain a detection result, and based on the detection result, it is determined whether there is abnormal data suspected of false checking in the standard data.
  • the standard data is detected by the nested loop algorithm.
  • the nested loop algorithm reads one row from a looped table and passes each row to the nested loop to process the connection.
  • a table in the process of multiple nested loops, judge whether there is abnormal data suspected of false checking in the standard data.
  • step S30 a basis for deduction is determined based on the abnormal data of the suspected fake inspection, so that a deduction notice is issued to the corresponding designated medical institution based on the basis for deduction.
  • a preset deduction rule is obtained, and the basis for deduction is determined according to the preset deduction rule and the abnormal data. It can be understood that For different abnormal data, there may be different preset deduction rules. For example, as mentioned above, the insured person who is currently in pregnancy has undergone CT examination or X-ray examination, according to the insured person's inspection items, and the number of inspections, etc., corresponding to different deductions rule.
  • a deduction notice is generated based on the deduction basis, and the deduction notice may include the designated medical institution for deduction penalties, the reason for the deduction, the deduction measures and the time, etc., and send the deduction notice to the corresponding fixed point Medical institutions in order to punish them.
  • the medical examination data of the insured personnel is first obtained and input into a preset model, and the medical examination data is identified based on the preset model to determine whether there is abnormal data of suspected false examination in the medical examination data If it exists, determine the basis for deduction based on the abnormal data of the suspected fake inspection, so as to issue the deduction notice to the corresponding designated medical institution based on the basis for deduction.
  • the insured personnel's medical examination is checked to determine whether there is abnormal data suspected of false inspection, and a fee deduction notice is issued to the designated medical institutions that appear to have suspected false inspection abnormal data. To prevent unreasonable outpatient expenses, effectively manage the outpatient co-ordination fund expenditures, and avoid wasting outpatient co-ordination funds.
  • the step S22 specifically includes:
  • step S221 the standard data is detected through a nested loop algorithm to determine whether there is standard data of the insured person whose current physiological period is pregnancy; if yes, step S222 is executed;
  • the standard data is detected by the nested loop algorithm.
  • the nested loop algorithm reads one row from a looped table and passes each row to the nested loop to process the connection.
  • a table in the process of multiple nested loops, judge whether there is abnormal data suspected of false checking in the standard data.
  • the nested loop algorithm is used to test the standard data to determine whether the current physiological period of the insured person is in the pregnancy period in the above standard data, so as to further determine the inspection items of the insured person during pregnancy.
  • step S222 it is determined whether the inspection item corresponding to the standard data of the current physiological period of the insured person during pregnancy is CT examination and/or X-ray; if so, step S30 is executed.
  • the data can be regarded as abnormal data that is suspected of false examination.
  • the violation level corresponding to the abnormal data can also be determined by counting the number of inspections corresponding to the abnormal data of the suspected fake inspection In order to punish the designated medical institutions according to different violation levels.
  • the number of inspections corresponding to the standard data of the suspected fake inspection is obtained, and the frequency range in which the inspection frequency is located is determined to determine the corresponding violation level according to the frequency range. It is understandable that different frequency ranges correspond to Different violation levels, the higher the number of times corresponding to the frequency range, the higher the corresponding violation level, and determine the corresponding punishment measures according to different violation levels to punish the designated medical institutions, the higher the violation level, the stricter the punishment measures.
  • the embodiments of the present application also provide an apparatus for processing abnormal data.
  • FIG. 5 is a schematic diagram of functional modules of a first embodiment of an apparatus for processing abnormal data according to the present application.
  • the data acquisition unit is used to obtain the medical examination data of the insured persons uploaded by the designated medical institution, wherein the medical examination data includes at least the designated medical institution of the medical examination, the information of the insured person, the inspection items, the number of inspections, the insured persons Current physiological period.
  • the frequency range determination module is used to obtain the number of inspections corresponding to the abnormal data of the suspected false inspection, and determine the frequency range in which the inspections are located;
  • an embodiment of the present application also provides a computer-readable storage medium that stores an abnormal data processing program on the computer-readable storage medium.
  • the abnormal data processing program is executed by the processor, the abnormal data described above is implemented. Processing method steps.
  • the methods in the above embodiments can be implemented by means of software plus a necessary general hardware platform, and of course, can also be implemented by hardware, but in many cases the former is better Implementation.
  • the technical solution of the present application can be embodied in the form of a software product in essence or part that contributes to the existing technology, and the computer software product is stored in a storage medium (such as ROM/RAM as described above) , Magnetic disk, optical disk), including several instructions to make a terminal device (which can be a mobile phone, computer, server, air conditioner, or network equipment, etc.) to perform the method described in each embodiment of the present application.

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

一种异常数据的处理方法，包括：获取参保人员的就诊检查数据（S10）；将所述就诊检查数据输入预设模型中，基于所述预设模型对所述就诊检查数据进行识别，并判断所述就诊检查数据中是否存在疑似假检查的异常数据（S20）；若是，则基于所述疑似假检查的异常数据确定扣费依据，以便基于所述扣费依据向对应的定点医疗机构出具扣费通知（S30）。还公开了一种异常数据的处理装置、设备及计算机可读存储介质，实现了有效管理门诊统筹基金的支出，防止有不合理的门诊费用支出。

Description

异常数据的处理方法、装置、设备及计算机可读存储介质
本申请要求于2018年12月13日提交中国专利局、申请号为201811526901.9、发明名称为“异常数据的处理方法、装置、设备及计算机可读存储介质”的中国专利申请的优先权，其全部内容通过引用结合在申请中。
技术领域
本申请涉及大数据技术领域，尤其涉及一种异常数据的处理方法、装置、设备及计算机可读存储介质。
背景技术
医疗保险一般指基本医疗保险，是为了补偿劳动者因疾病风险造成的经济损失而建立的一项社会保险制度。通过用人单位与个人缴费，建立医疗保险基金，参保人员患病就诊发生医疗费用后，由医疗保险机构对其给予一定的经济补偿。现有技术中都是配备监管人员对参保人员的社保行为进行监控，以及对医保结算单据进行核算，以便管理门诊统筹基金的支出。但是，由于医保参保人员基数大，仅依靠监管人员对参保数据进行监管，力度不够，例如，在参保医疗数据中可能会出现疑似假检查的情况，对门诊统筹基金造成极大的浪费。
发明内容
本申请的主要目的在于提供一种异常数据的处理方法、装置、设备及计算机可读存储介质，旨在解决现有技术中仅依靠监管人员对参保数据进行监管，力度不够，造成门诊统筹基金管理存在缺陷的技术问题。
为实现上述目的，本申请提供一种异常数据的处理方法，所述异常数据的处理方法包括：
获取参保人员的就诊检查数据；
将所述就诊检查数据输入预设模型中，基于所述预设模型对所述就诊检查数据进行识别，并判断所述就诊检查数据中是否存在疑似假检查的异常数据；
若是，则基于所述疑似假检查的异常数据确定扣费依据，以便基于所述扣费依据向对应的定点医疗机构出具扣费通知。
此外，为实现上述目的，本申请还提供一种异常数据的处理装置，所述异常数据的处理装置包括：
检查数据获取模块，用于获取参保人员的就诊检查数据；
异常数据判断模块，用于将所述就诊检查数据输入预设模型中，基于所述预设模型对所述就诊检查数据进行识别，并判断所述就诊检查数据中是否存在疑似假检查的异常数据；
扣费依据确定模块，用于若是，则基于所述疑似假检查的异常数据确定扣费依据，以便基于所述扣费依据向对应的定点医疗机构出具扣费通知。
此外，为实现上述目的，本申请还提供一种异常数据的处理设备，所述异常数据的处理设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的异常数据处理程序，所述异常数据处理程序被所述处理器执行时实现如上所述的异常数据的处理方法的步骤。
此外，为实现上述目的，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有异常数据处理程序，所述异常数据处理程序被处理器执行时实现如上所述的异常数据的处理方法的步骤。
本申请提出的一种异常数据的处理方法，首先获取参保人员的就诊检查数据，并将其输入预设模型中，基于预设模型对就诊检查数据进行识别，以判断就诊检查数据中是否存在疑似假检查的异常数据，如果存在，则基于疑似假检查的异常数据确定扣费依据，以便基于扣费依据向对应的定点医疗机构出具扣费通知。通过本申请提出的异常数据的处理方法，对参保人员的就诊检查情况进行检测，判断其中是否存在疑似假检查的异常数据，并对出现疑似假检查异常数据的定点医疗机构出具扣费通知，以防止有不合理的门诊费用支出，有效管理门诊统筹基金的支出，避免对门诊统筹基金造成浪费。
附图说明
图1为本申请实施例方案中涉及的异常数据的处理设备的硬件结构示意图；
图2为本申请异常数据的处理方法第一实施例的流程示意图；
图3为图2中的步骤S20的细化流程示意图；
图4为本申请异常数据的处理方法第二实施例的流程示意图；
图5为本申请异常数据的处理装置第一实施例的功能模块示意图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例的主要解决方案是：获取参保人员的就诊检查数据；将所述就诊检查数据输入预设模型中，基于所述预设模型对所述就诊检查数据进行识别，并判断所述就诊检查数据中是否存在疑似假检查的异常数据；若是，则基于所述疑似假检查的异常数据确定扣费依据，以便基于所述扣费依据向对应的定点医疗机构出具扣费通知。通过本申请实施例的技术方案，解决了现有技术中仅依靠监管人员对参保数据进行监管，力度不够，造成门诊统筹基金管理存在缺陷的技术问题。
如图1所示，图1为本申请实施例方案中涉及的异常数据的处理设备的硬件结构示意图。
本申请实施例涉及的异常数据的处理方法主要应用于异常数据的处理设备，该异常数据的处理设备可以是PC、便携计算机、移动终端等具有显示和处理功能的设备。
如图1所示，该异常数据的处理可以包括：处理器1001，例如CPU，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。存储器1005可以是高速RAM存储器，也可以是稳定的存储器（non-volatile memory），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地，异常数据的处理设备还可以包括摄像头、RF（Radio Frequency，射频）电路，传感器、音频电路、Wi-Fi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。当然，异常数据的处理设备还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
本领域技术人员可以理解，图1中示出的异常数据的处理设备结构并不构成对异常数据的处理设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及异常数据处理程序。在图1中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端（用户端），与客户端进行数据通信；而处理器1001、存储器1005可以设置在异常数据的处理装置中，所述异常数据的处理装置通过处理器1001调用存储器1005中存储的异常数据处理程序，并执行本申请实施例提供的异常数据的处理方法。
本实施例提供的方案，首先获取参保人员的就诊检查数据，并将其输入预设模型中，基于预设模型对就诊检查数据进行识别，以判断就诊检查数据中是否存在疑似假检查的异常数据，如果存在，则基于疑似假检查的异常数据确定扣费依据，以便基于扣费依据向对应的定点医疗机构出具扣费通知。通过本申请提出的异常数据的处理方法，对参保人员的就诊检查情况进行检测，判断其中是否存在疑似假检查的异常数据，并对出现疑似假检查异常数据的定点医疗机构出具扣费通知，以防止有不合理的门诊费用支出，有效管理门诊统筹基金的支出，避免对门诊统筹基金造成浪费。
基于上述硬件结构，提出本申请异常数据的处理方法实施例。
参照图2，图2为本申请异常数据的处理方法第一实施例的流程示意图，在该实施例中，所述方法包括：
步骤S10，获取参保人员的就诊检查数据；
现有技术中，参保人员在定点医疗机构，例如医院、药店等地方使用医保卡进行就诊费用结算时，定点医疗机构的收费终端设备即可将对应的就诊数据上传至人社核心系统，以便人社核心系统对参保人员相应的医疗数据进行核对，以此管理门诊统筹基金的支出。在本实施例中，是通过对参保人员的就诊检查情况进行检测，因此，本实施例中的就诊数据具体指的是就诊检查数据。
具体地，就诊检查数据中至少包括就诊检查的定点医疗机构、参保人信息、检查项目、检查次数、参保人员当前生理时期等，其中，参保人信息具体可以包括参保人的姓名、年龄以及参保人医保卡信息等。
步骤S20，将所述就诊检查数据输入预设模型中，基于所述预设模型对所述就诊检查数据进行识别，并判断所述就诊检查数据中是否存在疑似假检查的异常数据；若是，则执行步骤S30；
在本实施例中，是通过将就诊检查数据放入预设模型中运行，来判断参保人员的就诊检查数据中是否存在疑似假检查的异常数据，例如，检测妊娠期的参保人员是否发生X光或CT检查收费的行为，若是，则视为不符合常理，疑似为虚假检查项目的行为。具体地，本实施例中所使用的预设模型主要是偏差检测模型，偏差具体指分类样本中的反常实例、不满足规则的特例，或者观测结果与模型预测值不一致且观测结果随时间变化而变化等，偏差检测的基本目标是寻找观测结果与参照值之间有意义的差别。
具体地，如图3所示，所述步骤S20具体包括：
步骤S21，将所述就诊检查数据输入预设模型中，基于所述预设模型将所述就诊检查数据中的文本数据转化为标准数据，其中，所述标准数据至少包括检查项目、参保人员当前生理时期；
具体地，对于上传至人社核心系统的就诊检查数据中，存在一些不必要的信息，并且原始的就诊检查数据均是文本数据，不利于模型对数据的处理，因此，首先通过偏差检测模型对原始的就诊检查数据进行处理，将其转化为标准数据。
首先，将就诊检查数据输入偏差检测模型中，并对就诊检查数据进行清洗。就诊检查数据中存在一些不必要的数据或者不规范的数据，数据清洗主要是删除原始数据集中的无关数据、重复数据，平滑噪声数据，并筛选掉与模型检测主题无关的数据，以及处理缺失值、异常值等，例如，就诊检查数据中包含的与就诊检查无关的信息，如辅助用药信息、住院信息等。通过数据清洗，得到原始的就诊检查数据对应的规范数据。
进一步地，基于得到的规范数据构造文本特征，以得到对应的词向量。首先，利用RNN（Recurrent Neural Network，循环神经网络）模型对清洗后的就诊检查数据进行分词处理及去除无用词。对于中文文本数据，比如一个包含中文的句子，词与词之间是连续的，而数据分析的最小单位粒度是词语，因此，需要对就诊检查数据进行分词处理。进一步地，对分词处理后的数据进行无用词的去除，无用词是指对文本特征没有任何贡献作用的词语，比如：啊、的、是的、你、我，当然，还有一些标点符号，这些无用词并不能反应出文本的意思，因此，需要进行无用词的去除处理。经过分词处理及去除无用词后，即可得到就诊检查数据对应的文本数据，以便根据该文本数据进行文本特征的构造，以进一步得到其对应的词向量。
基于处理后的就诊检查数据对应的文本数据构造文本特征，将文本用一个向量的序列表示，将词语用词向量表示，通过正向计算及逆向计算拼接得到完整的词向量，以便进一步确定词向量的序列，然后使用双向RNN模型将词向量编码为一个句子向量矩阵，以便从该句子向量矩阵中得到最终的标准数据。在本实施例中，标准数据中至少包括检查项目、参保人当前生理时期。例如，某一参保人员的就诊检查的标准数据为当前处于妊娠期，检查项目为CT检查。
步骤S22，通过嵌套循环算法对所述标准数据进行检测，得到检测结果，并基于所述检测结果判断所述标准数据中是否存在疑似假检查的异常数据。
在本实施例中，是通过嵌套循环算法对标准数据进行检测，嵌套循环算法是从一个循环的表中读取其中一行，并将每行传递给嵌套循环，以处理连接中的下一个表，在多次嵌套循环的过程中，判断该标准数据中是否存在疑似假检查的异常数据。
步骤S30，基于所述疑似假检查的异常数据确定扣费依据，以便基于所述扣费依据向对应的定点医疗机构出具扣费通知。
在本实施例中，若检测到就诊检查数据中存在疑似假检查的异常数据，则获取预设扣费规则，并根据该预设扣费规则以及异常数据确定扣费依据，可以理解的是，对于不同的异常数据可以对应有不同的预设扣费规则。例如，如上所述的当前处于妊娠期的参保人员进行了CT检查，或者是进行了X光检查，可以根据该参保人员检查项目的不同，以及检查的次数等，对应有不同的扣费规则。
进一步地，依据扣费依据生成扣费通知，该扣费通知中可以包括进行扣费处罚的定点医疗机构、扣费原因、扣费措施及时间等，并将该扣费通知发送至对应的定点医疗机构，以便对其进行处罚。
在本实施例中，首先获取参保人员的就诊检查数据，并将其输入预设模型中，基于预设模型对就诊检查数据进行识别，以判断就诊检查数据中是否存在疑似假检查的异常数据，如果存在，则基于疑似假检查的异常数据确定扣费依据，以便基于扣费依据向对应的定点医疗机构出具扣费通知。通过本申请提出的异常数据的处理方法，对参保人员的就诊检查情况进行检测，判断其中是否存在疑似假检查的异常数据，并对出现疑似假检查异常数据的定点医疗机构出具扣费通知，以防止有不合理的门诊费用支出，有效管理门诊统筹基金的支出，避免对门诊统筹基金造成浪费。
进一步的，参照图4，基于上述实施例，提出本申请异常数据的处理方法第二实施例，在本实施例中，所述步骤S22具体包括：
步骤S221，通过嵌套循环算法对所述标准数据进行检测，判断其中是否存在参保人员当前生理时期为妊娠期的标准数据；若是，则执行步骤S222；
在本实施例中，是通过嵌套循环算法对标准数据进行检测，嵌套循环算法是从一个循环的表中读取其中一行，并将每行传递给嵌套循环，以处理连接中的下一个表，在多次嵌套循环的过程中，判断该标准数据中是否存在疑似假检查的异常数据。
首先，通过嵌套循环算法对标准数据进行检测，判断上述标准数据中是否存在参保人员当前生理时期为妊娠期的情况，以便进一步对处于妊娠期的参保人员的检查项目进行判断。
步骤S222，判断所述参保人员当前生理时期为妊娠期的标准数据对应的检查项目是否为CT检查和/或X光；若是，则执行步骤S30。
进一步地，判断该处于妊娠期的参保人员的检查项目中是否存在CT检查和/或X光的检查项目，因为X光检查或CT检查是有一定辐射的，妊娠期间的孕妇应避免辐射，以免对胎儿造成影响，因此，若出现妊娠或生育的参保人发生X光或CT检查项目，即可视为该数据为疑似假检查的异常数据。
在本实施例的另一实施方式中，还可以是先通过嵌套循环算法对标准数据进行检测，判断其中是否存在检查项目为CT检查和/或X光的标准数据；若存在，则进一步地确认该标准数据对应的参保人员是否是可以进行CT检查和/或X光的人群，例如，处于妊娠期的参保人则不是适宜进行CT检查和/或X光的人群，当然还包括其他的不适宜人群，如60岁以上的老人、存在心脏病变的人群等。若存在检查项目为CT检查和/或X光的标准数据对应的参保人员中存在这些不适宜进行CT检查和/或X光检查的人群，则同样可以将其视为疑似假检查的异常数据。如果存在疑似假检查的异常数据，则基于该异常数据中的明细确定扣费依据。
进一步地，在本实施例中，当基于扣费依据向对应的定点医疗机构出具扣费通知之后，还可以通过统计该疑似假检查的异常数据对应的检查次数，判断该异常数据对应的违规等级，以便根据不同的违规等级向相应的定点医疗机构进行处罚。
具体地，获取该疑似假检查的标准数据所对应的检查次数，并确定该检查次数所在的次数范围，以根据该次数范围确定其对应的违规等级，可以理解的是，不同的次数范围对应的违规等级不同，次数范围对应的次数越高，对应的违规等级越高，并根据不同的违规等级确定相应的处罚措施对定点医疗机构进行处罚，违规等级越高，处罚措施越严厉。
在本实施例中，通过嵌套循环算法对标准数据进行检测，判断其中是否存在参保人员当前生理时期为妊娠期的标准数据，若是，则进一步判断该标准数据对应的检查项目是否为CT检查和/或X光，若其对应的检查项目是CT检查和/或X光，则将其视为疑似假检查的异常数据，以便基于该异常数据中的明细确定扣费依据、出具扣费通知，对门诊统筹基金的支付进行管理，防止不合理的疑似假检查的费用支出。
此外，本申请实施例还提供一种异常数据的处理装置。
参照图5，图5为本申请异常数据的处理装置第一实施例的功能模块示意图。
本实施例中，所述异常数据的处理装置包括：
检查数据获取模块10，用于获取参保人员的就诊检查数据；
异常数据判断模块20，用于将所述就诊检查数据输入预设模型中，基于所述预设模型对所述就诊检查数据进行识别，并判断所述就诊检查数据中是否存在疑似假检查的异常数据；
扣费依据确定模块30，用于若是，则基于所述疑似假检查的异常数据确定扣费依据，以便基于所述扣费依据向对应的定点医疗机构出具扣费通知。
进一步地，所述检查数据获取模块10具体包括：
数据获取单元，用于获取定点医疗机构上传的参保人员的就诊检查数据，其中，所述就诊检查数据至少包括就诊检查的定点医疗机构、参保人信息、检查项目、检查次数、参保人员当前生理时期。
进一步地，所述异常数据判断模块20具体包括：
数据转化单元，用于将所述就诊检查数据输入预设模型中，基于所述预设模型将所述就诊检查数据中的文本数据转化为标准数据，其中，所述标准数据至少包括检查项目、参保人员当前生理时期；
数据检测单元，用于通过嵌套循环算法对所述标准数据进行检测，得到检测结果，并基于所述检测结果判断所述标准数据中是否存在疑似假检查的异常数据。
进一步地，所述数据转化单元具体包括：
数据清洗子单元，用于将所述就诊检查数据输入预设模型中，并对所述就诊检查数据进行清洗，以得到清洗后的规范数据；
文本特征构造子单元，用于基于所述规范数据构造文本特征，以得到对应的词向量；
标准数据确定子单元，用于基于所述预设模型中的双向循环神经网络RNN模型将所述词向量编码为向量矩阵，以便基于所述向量矩阵确定对应的标准数据。
进一步地，所述数据检测单元具体包括：
生理时期检测子单元，用于通过嵌套循环算法对所述标准数据进行检测，判断其中是否存在参保人员当前生理时期为妊娠期的标准数据；
检查项目检测子单元，用于若是，则判断所述参保人员当前生理时期为妊娠期的标准数据对应的检查项目是否为CT检查和/或X光。
进一步地，所述扣费依据确定模块30具体包括：
扣费单元，用于获取预设扣费规则，并基于所述预设扣费规则和所述疑似假检查的异常数据确定扣费依据；
扣费通知单元，用于基于所述扣费依据生成扣费通知，并将所述扣费通知发送至对应的定点医疗机构。
进一步地，所述异常数据的处理装置还包括：
次数范围确定模块，用于获取所述疑似假检查的异常数据对应的检查次数，并确定所述检查次数所在的次数范围；
处罚措施确定模块，用于基于预设处罚规则确定所述次数范围对应的违规等级，并获取所述违规等级对应的处罚措施；
处罚模块，用于基于所述处罚措施对相应的定点医疗机构进行处罚。
其中，上述异常数据的处理装置中各个模块与上述异常数据的处理方法实施例中各步骤相对应，其功能和实现过程在此处不再一一赘述。
需要说明的是，本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
此外，本申请实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有异常数据处理程序，所述异常数据处理程序被处理器执行时实现如上所述的异常数据的处理方法的步骤。
其中，异常数据处理程序被执行时所实现的方法可参照本申请异常数据的处理方法的各个实施例，此处不再赘述。
本实施例提供的方案，首先获取参保人员的就诊检查数据，并将其输入预设模型中，基于预设模型对就诊检查数据进行识别，以判断就诊检查数据中是否存在疑似假检查的异常数据，如果存在，则基于疑似假检查的异常数据确定扣费依据，以便基于扣费依据向对应的定点医疗机构出具扣费通知。通过本申请提出的异常数据的处理方法，对参保人员的就诊检查情况进行检测，判断其中是否存在疑似假检查的异常数据，并对出现疑似假检查异常数据的定点医疗机构出具扣费通知，以防止有不合理的门诊费用支出，有效管理门诊统筹基金的支出，避免对门诊统筹基金造成浪费。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请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，均同理包括在本申请的专利保护范围内。

Claims (20)

  1. 一种异常数据的处理方法，其特征在于，所述异常数据的处理方法包括以下步骤：
    获取参保人员的就诊检查数据；
    将所述就诊检查数据输入预设模型中，基于所述预设模型对所述就诊检查数据进行识别，并判断所述就诊检查数据中是否存在疑似假检查的异常数据；
    若是，则基于所述疑似假检查的异常数据确定扣费依据，以便基于所述扣费依据向对应的定点医疗机构出具扣费通知。
  2. 如权利要求1所述的异常数据的处理方法，其特征在于，所述获取参保人员的就诊检查数据的步骤包括：
    获取定点医疗机构上传的参保人员的就诊检查数据，其中，所述就诊检查数据至少包括就诊检查的定点医疗机构、参保人信息、检查项目、检查次数、参保人员当前生理时期。
  3. 如权利要求1所述的异常数据的处理方法，其特征在于，所述将所述就诊检查数据输入预设模型中，基于所述预设模型对所述就诊检查数据进行识别，并判断所述就诊检查数据中是否存在疑似假检查的异常数据的步骤包括：
    将所述就诊检查数据输入预设模型中，基于所述预设模型将所述就诊检查数据中的文本数据转化为标准数据，其中，所述标准数据至少包括检查项目、参保人员当前生理时期；
    通过嵌套循环算法对所述标准数据进行检测，得到检测结果，并基于所述检测结果判断所述标准数据中是否存在疑似假检查的异常数据。
  4. 如权利要求3所述的异常数据的处理方法，其特征在于，所述将所述就诊检查数据输入预设模型中，基于所述预设模型将所述就诊检查数据中的文本数据转化为标准数据的步骤包括：
    将所述就诊检查数据输入预设模型中，并对所述就诊检查数据进行清洗，以得到清洗后的规范数据；
    基于所述规范数据构造文本特征，以得到对应的词向量；
    基于所述预设模型中的双向循环神经网络RNN模型将所述词向量编码为向量矩阵，以便基于所述向量矩阵确定对应的标准数据。
  5. 如权利要求3所述的异常数据的处理方法，其特征在于，所述通过嵌套循环算法对所述标准数据进行检测，得到检测结果，并基于所述检测结果判断所述标准数据中是否存在疑似假检查的异常数据的步骤包括：
    通过嵌套循环算法对所述标准数据进行检测，判断其中是否存在参保人员当前生理时期为妊娠期的标准数据；
    若是，则判断所述参保人员当前生理时期为妊娠期的标准数据对应的检查项目是否为CT检查和/或X光。
  6. 如权利要求5所述的异常数据的处理方法，其特征在于，所述基于所述疑似假检查的异常数据确定扣费依据，以便基于所述扣费依据向对应的定点医疗机构出具扣费通知的步骤包括：
    获取预设扣费规则，并基于所述预设扣费规则和所述疑似假检查的异常数据确定扣费依据；
    基于所述扣费依据生成扣费通知，并将所述扣费通知发送至对应的定点医疗机构。
  7. 如权利要求1所述的异常数据的处理方法，其特征在于，所述基于所述疑似假检查的异常数据确定扣费依据，以便基于所述扣费依据向对应的定点医疗机构出具扣费通知的步骤之后，所述方法还包括：
    获取所述疑似假检查的异常数据对应的检查次数，并确定所述检查次数所在的次数范围；
    基于预设处罚规则确定所述次数范围对应的违规等级，并获取所述违规等级对应的处罚措施；
    基于所述处罚措施对相应的定点医疗机构进行处罚。
  8. 如权利要求2所述的异常数据的处理方法，其特征在于，所述基于所述疑似假检查的异常数据确定扣费依据，以便基于所述扣费依据向对应的定点医疗机构出具扣费通知的步骤之后，所述方法还包括：
    获取所述疑似假检查的异常数据对应的检查次数，并确定所述检查次数所在的次数范围；
    基于预设处罚规则确定所述次数范围对应的违规等级，并获取所述违规等级对应的处罚措施；
    基于所述处罚措施对相应的定点医疗机构进行处罚。
  9. 如权利要求3所述的异常数据的处理方法，其特征在于，所述基于所述疑似假检查的异常数据确定扣费依据，以便基于所述扣费依据向对应的定点医疗机构出具扣费通知的步骤之后，所述方法还包括：
    获取所述疑似假检查的异常数据对应的检查次数，并确定所述检查次数所在的次数范围；
    基于预设处罚规则确定所述次数范围对应的违规等级，并获取所述违规等级对应的处罚措施；
    基于所述处罚措施对相应的定点医疗机构进行处罚。
  10. 一种异常数据的处理装置，其特征在于，所述异常数据的处理装置包括：
    检查数据获取模块，用于获取参保人员的就诊检查数据；
    异常数据判断模块，用于将所述就诊检查数据输入预设模型中，基于所述预设模型对所述就诊检查数据进行识别，并判断所述就诊检查数据中是否存在疑似假检查的异常数据；
    扣费依据确定模块，用于若是，则基于所述疑似假检查的异常数据确定扣费依据，以便基于所述扣费依据向对应的定点医疗机构出具扣费通知。
  11. 如权利要求10所述的异常数据的处理装置，其特征在于，所述检查数据获取模块10具体包括：
    数据获取单元，用于获取定点医疗机构上传的参保人员的就诊检查数据，其中，所述就诊检查数据至少包括就诊检查的定点医疗机构、参保人信息、检查项目、检查次数、参保人员当前生理时期。
  12. 如权利要求10所述的异常数据的处理装置，其特征在于，所述异常数据判断模块20具体包括：
    数据转化单元，用于将所述就诊检查数据输入预设模型中，基于所述预设模型将所述就诊检查数据中的文本数据转化为标准数据，其中，所述标准数据至少包括检查项目、参保人员当前生理时期；
    数据检测单元，用于通过嵌套循环算法对所述标准数据进行检测，得到检测结果，并基于所述检测结果判断所述标准数据中是否存在疑似假检查的异常数据。
  13. 如权利要求12所述的异常数据的处理装置，其特征在于，所述数据转化单元具体包括：
    数据清洗子单元，用于将所述就诊检查数据输入预设模型中，并对所述就诊检查数据进行清洗，以得到清洗后的规范数据；
    文本特征构造子单元，用于基于所述规范数据构造文本特征，以得到对应的词向量；
    标准数据确定子单元，用于基于所述预设模型中的双向循环神经网络RNN模型将所述词向量编码为向量矩阵，以便基于所述向量矩阵确定对应的标准数据。
  14. 如权利要求12所述的异常数据的处理装置，其特征在于，所述数据检测单元具体包括：
    生理时期检测子单元，用于通过嵌套循环算法对所述标准数据进行检测，判断其中是否存在参保人员当前生理时期为妊娠期的标准数据；
    检查项目检测子单元，用于若是，则判断所述参保人员当前生理时期为妊娠期的标准数据对应的检查项目是否为CT检查和/或X光。
  15. 如权利要求14所述的异常数据的处理装置，其特征在于，所述扣费依据确定模块30具体包括：
    扣费单元，用于获取预设扣费规则，并基于所述预设扣费规则和所述疑似假检查的异常数据确定扣费依据；
    扣费通知单元，用于基于所述扣费依据生成扣费通知，并将所述扣费通知发送至对应的定点医疗机构。
  16. 如权利要求10所述的异常数据的处理装置，其特征在于，所述异常数据的处理装置还包括：
    次数范围确定模块，用于获取所述疑似假检查的异常数据对应的检查次数，并确定所述检查次数所在的次数范围；
    处罚措施确定模块，用于基于预设处罚规则确定所述次数范围对应的违规等级，并获取所述违规等级对应的处罚措施；
    处罚模块，用于基于所述处罚措施对相应的定点医疗机构进行处罚。
  17. 如权利要求11所述的异常数据的处理装置，其特征在于，所述异常数据的处理装置还包括：
    次数范围确定模块，用于获取所述疑似假检查的异常数据对应的检查次数，并确定所述检查次数所在的次数范围；
    处罚措施确定模块，用于基于预设处罚规则确定所述次数范围对应的违规等级，并获取所述违规等级对应的处罚措施；
    处罚模块，用于基于所述处罚措施对相应的定点医疗机构进行处罚。
  18. 如权利要求12所述的异常数据的处理装置，其特征在于，所述异常数据的处理装置还包括：
    次数范围确定模块，用于获取所述疑似假检查的异常数据对应的检查次数，并确定所述检查次数所在的次数范围；
    处罚措施确定模块，用于基于预设处罚规则确定所述次数范围对应的违规等级，并获取所述违规等级对应的处罚措施；
    处罚模块，用于基于所述处罚措施对相应的定点医疗机构进行处罚。
  19. 一种异常数据的处理设备，其特征在于，所述异常数据的处理设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的异常数据处理程序，所述异常数据处理程序被所述处理器执行时，实现以下步骤：
    获取参保人员的就诊检查数据；
    将所述就诊检查数据输入预设模型中，基于所述预设模型对所述就诊检查数据进行识别，并判断所述就诊检查数据中是否存在疑似假检查的异常数据；
    若是，则基于所述疑似假检查的异常数据确定扣费依据，以便基于所述扣费依据向对应的定点医疗机构出具扣费通知。
  20. 一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有异常数据处理程序，所述异常数据处理程序被处理器执行时，实现以下步骤：
    获取参保人员的就诊检查数据；
    将所述就诊检查数据输入预设模型中，基于所述预设模型对所述就诊检查数据进行识别，并判断所述就诊检查数据中是否存在疑似假检查的异常数据；
    若是，则基于所述疑似假检查的异常数据确定扣费依据，以便基于所述扣费依据向对应的定点医疗机构出具扣费通知。
PCT/CN2019/096076 2018-12-13 2019-07-16 异常数据的处理方法、装置、设备及计算机可读存储介质 WO2020119118A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201811526901.9A CN109559242A (zh) 2018-12-13 2018-12-13 异常数据的处理方法、装置、设备及计算机可读存储介质
CN201811526901.9 2018-12-13

Publications (1)

Publication Number Publication Date
WO2020119118A1 true WO2020119118A1 (zh) 2020-06-18

Family

ID=65869922

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2019/096076 WO2020119118A1 (zh) 2018-12-13 2019-07-16 异常数据的处理方法、装置、设备及计算机可读存储介质

Country Status (2)

Country Link
CN (1) CN109559242A (zh)
WO (1) WO2020119118A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109559242A (zh) * 2018-12-13 2019-04-02 平安医疗健康管理股份有限公司 异常数据的处理方法、装置、设备及计算机可读存储介质
CN110727711B (zh) * 2019-10-14 2023-10-27 深圳平安医疗健康科技服务有限公司 基金数据库中异常数据检测方法、装置和计算机设备
CN113515588A (zh) * 2020-04-10 2021-10-19 富泰华工业（深圳）有限公司 表单数据检测方法、计算机装置及存储介质
CN113537274A (zh) * 2021-04-14 2021-10-22 内蒙古卫数数据科技有限公司 一种基于机器学习技术的设备异常识别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015132903A1 (ja) * 2014-03-05 2015-09-11 株式会社日立製作所 医療データ分析システム、医療データ分析方法及び記憶媒体
CN107392304A (zh) * 2017-08-04 2017-11-24 中国电力科学研究院 一种风电机组异常数据识别方法及装置
CN107910068A (zh) * 2017-11-29 2018-04-13 平安健康保险股份有限公司 投保用户的健康风险预测方法、装置、设备及存储介质
CN108492196A (zh) * 2018-03-08 2018-09-04 平安医疗健康管理股份有限公司 通过数据分析推断医疗保险违规行为的风控方法
CN108921710A (zh) * 2018-06-08 2018-11-30 东莞迪赛软件技术有限公司 医保异常检测的方法及系统
CN109559242A (zh) * 2018-12-13 2019-04-02 平安医疗健康管理股份有限公司 异常数据的处理方法、装置、设备及计算机可读存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102013084A (zh) * 2010-12-14 2011-04-13 江苏大学 用于检测医疗保险门诊欺诈性交易的系统和方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015132903A1 (ja) * 2014-03-05 2015-09-11 株式会社日立製作所 医療データ分析システム、医療データ分析方法及び記憶媒体
CN107392304A (zh) * 2017-08-04 2017-11-24 中国电力科学研究院 一种风电机组异常数据识别方法及装置
CN107910068A (zh) * 2017-11-29 2018-04-13 平安健康保险股份有限公司 投保用户的健康风险预测方法、装置、设备及存储介质
CN108492196A (zh) * 2018-03-08 2018-09-04 平安医疗健康管理股份有限公司 通过数据分析推断医疗保险违规行为的风控方法
CN108921710A (zh) * 2018-06-08 2018-11-30 东莞迪赛软件技术有限公司 医保异常检测的方法及系统
CN109559242A (zh) * 2018-12-13 2019-04-02 平安医疗健康管理股份有限公司 异常数据的处理方法、装置、设备及计算机可读存储介质

Also Published As

Publication number Publication date
CN109559242A (zh) 2019-04-02

Similar Documents

Publication Publication Date Title
WO2020119118A1 (zh) 异常数据的处理方法、装置、设备及计算机可读存储介质
WO2020119403A1 (zh) 住院数据异常检测方法、装置、设备及可读存储介质
WO2018205373A1 (zh) 人伤理赔定损费用测算方法、装置、服务器和介质
WO2020078053A1 (zh) 医疗数据异常检测方法、装置、设备及存储介质
WO2015008936A1 (ko) 습관을 이용한 진단 장치 및 진단 관리 장치와 그를 이용한 진단 방법
WO2020078058A1 (zh) 医疗数据异常识别方法、装置、终端及存储介质
WO2020119176A1 (zh) 报销数据的排查方法、识别服务端及存储介质
WO2022145782A2 (ko) 빅데이터 및 클라우드 시스템 기반 인공지능 응급의료 의사결정 및 응급환자 이송 시스템과 그 방법
WO2016165177A1 (zh) 基于面部识别的网络医院自助缴费方法和系统
WO2016165201A1 (zh) 基于网络医院的自助缴费方法和系统
WO2010067981A9 (ko) 의료기기 정보연동 시스템 및 방법
WO2020119131A1 (zh) 用药方案异常的识别方法、装置、终端及可读存储介质
WO2018105995A2 (ko) 빅데이터를 활용한 건강정보 예측 장치 및 방법
WO2020119402A1 (zh) 无关用药的识别方法、装置、终端及计算机可读存储介质
WO2020119384A1 (zh) 基于大数据分析的医保异常检测方法、装置、设备和介质
WO2019100595A1 (zh) 保险理赔案件互斥信息的确定方法及装置
WO2020087981A1 (zh) 风控审核模型生成方法、装置、设备及可读存储介质
WO2020226456A1 (ko) 처방 정보를 통한 의료 정보 제공 방법 및 장치
WO2016068391A1 (ko) 환자 개인 특성에 대한 분석 방법 및 그 장치
WO2020108111A1 (zh) 医保欺诈行为的识别方法、装置、设备及可读存储介质
WO2020119401A1 (zh) 医师违规执业的监控方法、监控服务端及存储介质
WO2016179880A1 (zh) 网络医院平台、专家平台及基于专家平台的紧急专家会诊请求方法
WO2020062641A1 (zh) 识别用户角色的方法、用户设备、存储介质及装置
WO2020119111A1 (zh) 非疾病治疗项目的保费计算方法、装置、设备及存储介质
WO2020119175A1 (zh) 医疗费用异常的监控方法、监控服务端及存储介质

Legal Events

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

Ref document number: 19894952

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

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 15.10.2021)

122 Ep: pct application non-entry in european phase

Ref document number: 19894952

Country of ref document: EP

Kind code of ref document: A1