[发明专利]异常参保人购药数据检测方法、装置、设备及存储介质

说明书

本发明属于人工智能领域，提供一种异常参保人购药数据检测方法、装置、设备及存储介质，包括：获取待检测参保人购药数据，该数据包括限额使用率、购药时间和药品单价；将待检测参保人购药数据输入预先训练完成的聚类模型进行聚类，以将待检测参保人购药数据划分为若干个基于不同限额使用率范围的待检测群组；根据各个待检测群组的限额使用率范围从各个待检测群组中确定异常待检测群组，并根据异常待检测群组包含的各个待检测参保人购药数据的购药时间确定待检测时间段；对待检测时间段内异常待检测群组包含的各个待检测参保人购药数据中的药品单价种类个数进行分析，以从所述异常待检测群组中检测出异常参保人购药数据。本发明可提高检测效率。

技术领域

本发明涉及人工智能领域，尤其涉及一种异常参保人购药数据检测方法、装置、设备及存储介质。

背景技术

医保体系中，对于具有慢门(慢性病门诊)资格的参保人，每年均有一定的报销额度，若按照正常疾病治疗方案，部分参保人通常不会使用完限额，但存在参保人为了私利通过取药凑数的方式使用报销额度的现象，造成医保基金的浪费。为保障医保基金的合理支出，需要对具有慢门资格的参保人的医保数据进行异常检测，由于需要检测的数据量大，现有依靠人工检测的方式，检测速度较慢，效率很低。

发明内容

本发明的主要目的在于提供一种异常参保人购药数据检测方法、装置、设备及存储介质，旨在解决现有依靠人工检测参保人医保数据的方式效率低的技术问题。

为实现上述目的，本发明提供一种异常参保人购药数据检测方法，所述异常参保人购药数据检测方法包括以下步骤：

获取待检测参保人购药数据，其中，所述待检测参保人购药数据包括限额使用率、购药时间和药品单价；

将所述待检测参保人购药数据输入预先训练完成的聚类模型进行聚类，以将所述待检测参保人购药数据划分为若干个基于不同限额使用率范围的待检测群组；

根据各个待检测群组的限额使用率范围从各个待检测群组中确定异常待检测群组，并根据所述异常待检测群组包含的各个待检测参保人购药数据的购药时间，确定待检测时间段；

对所述待检测时间段内所述异常待检测群组包含的各个待检测参保人购药数据中的药品单价种类个数进行分析，以从所述异常待检测群组中检测出异常参保人购药数据。

可选地，所述获取待检测参保人购药数据的步骤之前，包括：

获取待检测参保人医保数据；

将所述待检测参保人医保数据输入预设清洗模型依次进行数据切片、数据分词、文本转换、字段填充的清洗处理，得到待检测参保人购药数据。

可选地，所述获取待检测参保人购药数据的步骤之前，还包括：

采用无监督学习方法训练聚类模型。

可选地，所述所述采用无监督学习方法训练聚类模型的步骤包括：

获取用于训练聚类模型的参保人购药数据；

根据用于训练聚类模型的参保人购药数据，建立用于训练聚类模型的训练样本；

根据所述训练样本，采用预设无监督学习聚类算法训练聚类模型。

可选地，所述根据所述训练样本，采用预设无监督学习聚类算法训练聚类模型的步骤之后，包括：

根据预设成熟度计算公式mature＝ε*rate计算训练完成的聚类模型的成熟度，其中，mature表示成熟度，rate表示准确率，ε表示权重值；

判断训练完成的聚类模型的成熟度是否达到预设成熟度阈值；

若训练完成的聚类模型的成熟度达到预设成熟度阈值，则执行步骤：获取待检测参保人购药数据。