[发明专利]基于人工智能的异常案例识别方法、装置、计算机设备

说明书

本申请涉及大数据,提供了一种基于人工智能的异常案例识别方法，应用于平台服务器，包括：获取同一病种对应的诊疗项目数据，以诊疗时间为单位，将诊疗项目数据作为文本中的单词进行文本构建，构建的文本包括对应诊疗时间段内同一病种不同用户的诊疗项目数据；对文本进行主题模型构建得到对应的主题向量分布，每个主题向量分布对应一个主题，包括多个单词标识和对应的单词权重，其中各个主题对于不同用户有不同的用户主题权重；将各个文本对应的主题向量分布对齐并进行聚类得到各个用户在不同时间对应的诊疗项目类别形成用户对应的诊疗序列；将各个用户在不同诊疗时间对应的诊疗序列输入过程挖掘模型得到病种对应的标准临床路径从而识别异常案例。

技术领域

本申请涉及计算机技术领域，特别是涉及一种基于人工智能的异常案例识别方法、装置、计算机设备和存储介质。

背景技术

随着医保制度改革与发展的进一步推进，医保欺诈行为也愈演愈烈。医保欺诈的手段多种多样，包括过度医疗、违规开药、分解住院、虚假套名、代刷医保卡、非法报销等。面对骗保行为的巨大威胁，现在的医保系统缺少有效的反制手段。

传统异常案例识别通常由各个医疗机构通过本地服务器采用自定义的算法进行识别，如第一医疗机构通过第一医院服务器采用第一识别算法识别异常案例，各种自定义的算法进行识别的识别范围低、识别准确率差，很难高效地覆盖含有疑点的案例，且需要各个医疗机构在本地服务器布置识别算法，浪费了大量的计算机资源。

发明内容

基于此，有必要针对上述技术问题，提供一种基于人工智能的异常案例识别方法、装置、计算机设备和存储介质，使得异常案例的识别通过统一的平台服务器进行，提高异常案例的识别准确率和识别范围，节省计算机资源。

一种基于人工智能的异常案例识别方法，应用于平台服务器，所述方法包括：

获取同一病种对应的诊疗项目数据，以诊疗时间为单位，将所述诊疗项目数据作为文本中的单词进行文本构建，构建的每个文本包括对应诊疗时间段内同一病种不同用户的诊疗项目数据；

对各个所述文本进行主题模型构建，获得各个文本对应的主题向量分布，每个主题向量分布包括多个单词标识和对应的单词权重，每个主题向量分布对应一个主题，其中各个主题相对于不同用户具有不同的用户主题权重；

将各个文本对应的主题向量分布对齐，将对齐后的各个主题向量分布进行聚类得到各个用户在不同时间对应的诊疗项目类别，每个用户对应的各个诊疗项目类别形成用户对应的诊疗序列；

将各个用户在不同诊疗时间对应的诊疗序列输入过程挖掘模型得到病种对应的标准临床路径，根据所述标准临床路径识别异常案例。

在其中一个实施例中，所述方法还包括：

获取同一病种多个不同用户对应的诊疗项目数据和案例描述信息，将各个用户对应的诊疗项目数据和案例描述信息构建形成各个用户对应的诊疗样本；

将各个用户对应的诊疗样本基于深度神经网络的表征学习进行降维，提取得到上下文属性向量；

对各个用户对应的上下文属性向量进行离群点检测，计算各个诊疗样本对应的异常分数，将异常分数高于阈值的诊疗样本识别为异常诊疗样本。

在其中一个实施例中，所述对各个用户对应的上下文属性向量进行离群点检测，计算各个诊疗样本对应的异常分数，将异常分数高于阈值的诊疗样本识别为异常诊疗样本包括：

计算任意两个用户的上下文属性向量之间的距离，获取与第一用户距离小于预设阈值的用户得到关联用户集合；

根据所述关联用户集合中各个用户对应的实际诊疗费用等级，确定所述第一用户对应的预测诊疗费用等级；