[发明专利]一种自适应调整医疗保险覆盖策略的方法

权利要求书

1.一种自适应调整医疗保险覆盖策略的方法，其特征在于，包括如下步骤：

S1、步骤S1，收集就诊患者的基本就诊信息，包括姓名、性别、年龄、所属的收入等级水平、参加的医疗保险种类、个人医疗保险筹资占总医疗保险筹资的比重、个人医疗保险筹资水平占其收入的比重，以及患病情况，将收集到的就诊信息标记为训练样本的“状态”信息；

S2、结合S1收集的基本就诊信息，整理患者就诊后对应的用药情况，包括所使用的医疗保险覆盖下药物的价格、用量以及非医疗保险覆盖下药物的价格、用量，将这些收集到的信息标记为训练样本的“动作”信息，收集就医治疗后对应的效果，包括患者用药后恢复健康情况、患者就医后的生活开支受到的影响；

S3、设计深度强化学习神经网络，将医保策略信息输入至卷积层网络中，对输入信息进行卷积操作，并使用padding操作，在进行padding操作时利用np.pad()函数，信息通过不同卷积核卷积并且加偏置bias，提取局部特征，每一个卷积核产生新的信息；

对卷积输出结果采用ReLU函数进行非线性激活函数处理，包括如下：

tf.nn.conv2d(X,W1,strides＝[1,s,s,1],padding＝'SAME')：将输入X和W1进行卷积计算，第三个输入strides规定了在X(shape为(m,n_H_prev,n_W_prev,n_C_prev))各维度上的步长s，第四个输入padding规定padding的方式；

tf.nn.max_pool(A,ksize＝[1,f,f,1],strides＝[1,s,s,1],padding＝'SAME'):以ksize和strides规定的方式对输入A进行max-pooling操作；

tf.nn.relu(Z1):Relu作为激活函数；

tf.contrib.layers.flatten(P):将P中每个样本flatten成一维向量，最后返回一个flatten的shape为[batch_size,k]的图；

并增加若干个卷积层，然后全连接层(FC)，与神经网络的隐藏层相对应，最后softmax层预测输出值y_hat；

其中，卷积操作后输出的矩阵信息需满足如下公式：

利用非线性编码器对患者的基本信息和疾病情况进行编码，通过深度强化学习神经网络得到对应的多元特征向量；

S4、将步骤S1和S2收集到的信息进行整理，构建“状态-动作-反馈”训练样本集合，对医疗保险覆盖策略进行迭代训练，利用深度强化学习神经网络对每一个训练样本的“状态”信息，采取对应的“动作”，最后基于“反馈”信息来调整当前的策略；

S5、利用S4的样本对深度强化学习神经网络进行迭代训练，作为新的医疗保险覆盖策略；

S6、测试阶段，即参照步骤S1和S2来收集新的患者样本信息，根据训练好的医疗保险覆盖策略，得到用药情况，并根据患者真实的就医效果对此进行评判。

2.根据权利要求1所述的一种自适应调整医疗保险覆盖策略的方法，其特征在于：所述S2中，患者在多次就诊时，需要对多次就诊后对应的效果分别进行整理。

3.根据权利要求1所述的一种自适应调整医疗保险覆盖策略的方法，其特征在于：所述S4中，利用深度强化学习神经网络调节策略具体为：对每一个患者的就诊和患病情况，在当前的深度强化学习神经网络策略下，给出治疗药物，并基于治疗效果对深度强化学习神经网络再训练，最后将深度强化学习神经网络作为医疗保险覆盖策略。