[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

说明书

本发明公开了一种基于机器学习的就诊数据异常识别方法，包括：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，筛选出含有预设昂贵检测项目的就诊数据；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，并将待检测就诊数据导入至昂贵项目就诊异常模型进行异常识别，得到识别结果；若待检测就诊数据的识别结果为异常，则确定待检测就诊数据为昂贵项目过度医疗。本发明还公开了一种设备及存储介质。本发明通过人工智能技术中的机器学习实现数据的智能分析，从而精准有效地识别出可疑的就诊数据，并有效扼制违规的医疗操作。

技术领域

本发明涉及数据处理技术领域，尤其涉及一种基于机器学习的就诊数据异常识别方法、设备及存储介质。

背景技术

社会医疗保险是国家和社会根据一定的法律法规，为向保障范围内的劳动者提供患病时基本医疗需求保障而建立的社会保险制度。目前，医疗服务机构分布广泛，为参保人员提供更为便民的医疗服务，然而在利益的驱动下，一些机构出现乱检查、乱开药、重复就诊重复开药、乱收费用等违规操作，浪费了本就有限的医疗资源，同时还损害了参保人员的合法利益，进而不利于医疗质量和医疗健康的可持续发展。

发明内容

本发明的主要目的在于提供一种基于机器学习的就诊数据异常识别方法、设备及存储介质，旨在解决如何精准有效地识别出可疑的就诊数据，从而有效扼制违规的医疗操作的技术问题。

为实现上述目的，本发明提供的一种基于机器学习的就诊数据异常识别方法，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。

可选地，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。

可选地，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。