[发明专利]基于机器学习的就诊数据异常识别方法、设备及存储介质

权利要求书

1.一种基于机器学习的就诊数据异常识别方法，其特征在于，所述就诊数据异常识别方法包括以下步骤：

接收医疗机构采集并上传的参保人的历史就诊数据，并根据所述历史就诊数据的数据内容与预设昂贵检测项目，筛选出含有所述预设昂贵检测项目的就诊数据，其中，所述预设昂贵检测项目至少包括脑尿钠肽BNP、断层扫描CT、核磁共振MRI；

以筛选出的就诊数据作为训练样本，采用机器学习方式，建立昂贵项目就诊异常模型；

获取待检测就诊数据，并将所述待检测就诊数据导入至所述昂贵项目就诊异常模型进行异常识别，得到识别结果；

若所述待检测就诊数据的识别结果为异常，则确定所述待检测就诊数据为昂贵项目过度医疗。

2.如权利要求1所述的就诊数据异常识别方法，其特征在于，所述根据所述历史就诊数据的数据内容与预设昂贵检测项目，筛选出含有所述预设昂贵检测项目的就诊数据，包括：

根据所述历史就诊数据的数据内容与预设昂贵检测项目，筛选出含有所述预设昂贵检测项目的历史就诊数据，其中，所述数据内容至少包括就诊时间、检测项目和检测费用；

根据筛选出的历史就诊数据中的就诊时间和昂贵检测项目，统计得到单日昂贵检测次数和月昂贵检测次数；

判断历史就诊数据的单日昂贵检测次数和/或月昂贵检测次数是否大于或等于预设阈值；

若历史就诊数据的单日昂贵检测次数和/或月昂贵检测次数大于或等于预设阈值，则将历史就诊数据标注为异常就诊数据；

若历史就诊数据的单日昂贵检测次数和/或月昂贵检测次数小于预设阈值，则将历史就诊数据标注为正常就诊数据；

将标注的异常就诊数据和正常就诊数据合并，得到就诊数据。

3.如权利要求1所述的就诊数据异常识别方法，其特征在于，所述以筛选出的就诊数据作为训练样本，采用机器学习方式，建立昂贵项目就诊异常模型包括：

对筛选出的就诊数据进行提取处理，得到特征参数和时序信息；

以筛选出的就诊数据所对应的参保人的历史就诊数据作为输入量、以该就诊数据处理得到的特征参数和时序信息作为输出量，采用递归神经网络对所述输入量和所述输出量的取值样本进行训练，得到昂贵项目就诊异常模型。

4.如权利要求3所述的就诊数据异常识别方法，其特征在于，所述对筛选出的就诊数据进行提取处理，得到特征参数和时序信息包括：

对筛选出的就诊数据依次进行数据清洗、分词切片和去除无关用词，得到词条，并对所述词条进行特征提取，得到特征参数；

根据所述特征参数在就诊数据中的时间位置，确定特征参数对应的时序信息。

5.如权利要求3所述的就诊数据异常识别方法，其特征在于，在所述得到昂贵项目就诊异常模型的操作之后，所述就诊数据异常识别方法还包括：

采用K折交叉验证或随机交叉Holdout验证对所述昂贵项目就诊异常模型进行验证，得到验证结果，以供维护人员根据所述验证结果对所述昂贵项目就诊异常模型进行维护或改进。

6.如权利要求1所述的就诊数据异常识别方法，其特征在于，所述将所述待检测就诊数据导入至所述昂贵项目就诊异常模型进行异常识别，得到识别结果包括：

将所述待检测就诊数据导入至所述昂贵项目就诊异常模型进行异常识别，以得出所述待检测就诊数据的指标值；

判断所述指标值是否大于或等于预设标准值；

若所述指标值大于或等于预设标准值，则确定所述待检测就诊数据的识别结果为异常；

若所述指标值小于预设标准值，则确定所述待检测就诊数据的识别结果为正常。

7.如权利要求1所述的就诊数据异常识别方法，其特征在于，在所述获取待检测就诊数据，并将所述待检测就诊数据导入至所述昂贵项目就诊异常模型进行异常识别，得到识别结果的操作之后，所述就诊数据异常识别方法还包括：

将所述待检测就诊数据与筛选出的就诊数据进行合并，用以更新所述昂贵项目就诊异常模型的训练样本；

根据更新的所述训练样本，对所述昂贵项目就诊异常模型进行进一步的训练，以得到更新的昂贵项目就诊异常模型。