[發明專利]基于機器學習的就診數據異常識別方法、設備及存儲介質

在審

• 申請號: 201811530979.8
• 申請日: 2018-12-13
• 公開（公告）號: CN109685671A
• 公開（公告）日: 2019-04-26
• 發明（設計）人: 陳明東;黃越;胥暢
• 申請（專利權）人: 平安醫療健康管理股份有限公司
• 主分類號: G06Q40/08
• 分類號: G06Q40/08;G06N20/00
• 代理公司: 深圳市世紀恒程知識產權代理事務所 44287
• 代理人: 胡海國

本發明公開了一種基于機器學習的就診數據異常識別方法，包括：接收醫療機構采集并上傳的參保人的歷史就診數據，并根據歷史就診數據的數據內容與預設昂貴檢測項目，篩選出含有預設昂貴檢測項目的就診數據；以篩選出的就診數據作為訓練樣本，采用機器學習方式，建立昂貴項目就診異常模型；獲取待檢測就診數據，并將待檢測就診數據導入至昂貴項目就診異常模型進行異常識別，得到識別結果；若待檢測就診數據的識別結果為異常，則確定待檢測就診數據為昂貴項目過度醫療。本發明還公開了一種設備及存儲介質。本發明通過人工智能技術中的機器學習實現數據的智能分析，從而精準有效地識別出可疑的就診數據，并有效扼制違規的醫療操作。

技術領域

本發明涉及數據處理技術領域，尤其涉及一種基于機器學習的就診數據異常識別方法、設備及存儲介質。

背景技術

社會醫療保險是國家和社會根據一定的法律法規，為向保障范圍內的勞動者提供患病時基本醫療需求保障而建立的社會保險制度。目前，醫療服務機構分布廣泛，為參保人員提供更為便民的醫療服務，然而在利益的驅動下，一些機構出現亂檢查、亂開藥、重復就診重復開藥、亂收費用等違規操作，浪費了本就有限的醫療資源，同時還損害了參保人員的合法利益，進而不利于醫療質量和醫療健康的可持續發展。

發明內容

本發明的主要目的在于提供一種基于機器學習的就診數據異常識別方法、設備及存儲介質，旨在解決如何精準有效地識別出可疑的就診數據，從而有效扼制違規的醫療操作的技術問題。

為實現上述目的，本發明提供的一種基于機器學習的就診數據異常識別方法，所述就診數據異常識別方法包括以下步驟：

接收醫療機構采集并上傳的參保人的歷史就診數據，并根據所述歷史就診數據的數據內容與預設昂貴檢測項目，篩選出含有所述預設昂貴檢測項目的就診數據，其中，所述預設昂貴檢測項目至少包括腦尿鈉肽BNP、斷層掃描CT、核磁共振MRI；

以篩選出的就診數據作為訓練樣本，采用機器學習方式，建立昂貴項目就診異常模型；

獲取待檢測就診數據，并將所述待檢測就診數據導入至所述昂貴項目就診異常模型進行異常識別，得到識別結果；

若所述待檢測就診數據的識別結果為異常，則確定所述待檢測就診數據為昂貴項目過度醫療。

可選地，所述根據所述歷史就診數據的數據內容與預設昂貴檢測項目，篩選出含有所述預設昂貴檢測項目的就診數據，包括：

根據所述歷史就診數據的數據內容與預設昂貴檢測項目，篩選出含有所述預設昂貴檢測項目的歷史就診數據，其中，所述數據內容至少包括就診時間、檢測項目和檢測費用；

根據篩選出的歷史就診數據中的就診時間和昂貴檢測項目，統計得到單日昂貴檢測次數和月昂貴檢測次數；

判斷歷史就診數據的單日昂貴檢測次數和/或月昂貴檢測次數是否大于或等于預設閾值；

若歷史就診數據的單日昂貴檢測次數和/或月昂貴檢測次數大于或等于預設閾值，則將歷史就診數據標注為異常就診數據；

若歷史就診數據的單日昂貴檢測次數和/或月昂貴檢測次數小于預設閾值，則將歷史就診數據標注為正常就診數據；

將標注的異常就診數據和正常就診數據合并，得到就診數據。

可選地，所述以篩選出的就診數據作為訓練樣本，采用機器學習方式，建立昂貴項目就診異常模型包括：

對篩選出的就診數據進行提取處理，得到特征參數和時序信息；

以篩選出的就診數據所對應的參保人的歷史就診數據作為輸入量、以該就診數據處理得到的特征參數和時序信息作為輸出量，采用遞歸神經網絡對所述輸入量和所述輸出量的取值樣本進行訓練，得到昂貴項目就診異常模型。