[发明专利]面向医院医保限额分配的数据交互系统及方法

说明书

本发明公开了面向医院医保限额分配的数据交互系统及方法，某个医院信息系统的医院办公服务器将包含医院唯一编码的医保限额分配请求发送给对应的私有云服务器，私有云服务器将所述医保限额分配请求上传给公有云服务器，公有云服器将所述医保限额分配请求发送给医保中心服务器；医保中心服务器根据医保限额分配请求，对当前医院的社保限额分配额度进行计算，将计算得到的医保限额分配额度依次通过公有云服务器和私有云服务器发送给对应的医院办公服务器。

技术领域

本公开涉及医保限额分配技术领域，特别是涉及面向医院医保限额分配的数据交互系统及方法。

背景技术

本部分的陈述仅仅是提到了与本公开相关的背景技术，并不必然构成现有技术。

医疗保险是为了补偿劳动者因疾病风险造成的经济损失而建立的一项社会保险制度。近年来，随着全民医保的普及和不断完善，医疗费用也走上了增长的快车道，医保基金也因此面临越来越大的支付压力。因此，医疗保险必须控制医疗费用过快增长，维护医保基金的收支平衡，保障医保制度的安全和可持续。而总额控制就是控制医疗费用过快增长的基础性管理和支付工具。医疗保险总额控制本质上是医保基金的预算管理和约束，也就是根据医保基金收入预算来分配可用的基金，使得基金收支保持预算平衡。然而，总额控制有其自身的弊端和缺点，主要问题是总额控制标准设置不合理，而且也没有考虑到各定点医疗机构的实际情况。因此如何准确预测医院的医疗总额，为医保机构实行总额控制提供参考，具有重要意义。

目前，预测医院费用总额问题可以看作是一个时间序列分析问题，传统的时间序列分析方法都是通过模拟序列本身的趋势性和周期性来预测未来的发展。随着计算性能的不断提高，深度神经网络在数据处理和机器翻译等许多领域的成功，为时间序列预测任务提供了新的契机。其中，递归神经网络(Recurrent Neural Networks，RNNs)能够对时间模式进行深度非线性建模。为避免梯度爆炸并延长短时预测，长短期记忆(Long-Short TermMemory，LSTM)和门控循环单元(Gated Recurrent Unit，GRU)，作为其变体，在时序序列预测方面展现出优越性能，而后者在更小更简单的数据集上仍可良好拟合数据时序规律。然而，在实际的医院费用预测的过程中，发明人发现就医序列中的极端事件的发生对医院费用总额的预测也是有影响的。极端事件(如2003年非典疫情)的发生，虽然是小概率事件，但往往占赔付金额的比重较高。医保基金需考虑该类事件的临时赔付金额剧增，故亟需基于当前医保基金预测的基础上，通过捕获数据分布规律的相似性，加强对极端事件的预测，提高模型预测的精准度，保障医保基金储备的合理性。

在实现本公开的过程中，发明人发现现有技术中存在以下技术问题：

目前各医院的医保限额分配不均，缺乏对各个医院的自身就诊量的考虑，而且医保中心服务器与各家医院信息系统之间没有有效的数据交互，医保中心服务器对各家医院信息系统的数据采集数量庞大的时候会严重影响各家医院信息系统自身工作的性能，医保中心服务器对各家医院信息系统的错时采集又会降低数据采集的时间准确度，医保中心服务器对各家医院信息系统的重复采集会使医保中心服务器收集到的数据存在冗余，而且各家医院信息系统同时往医保中心服务器上传数据量过大，会给医保中心服务器带来数据存储和计算的压力，也会影响医保中心服务器计算的速度，进一步影响各家医院信息系统对医保中心服务器的服务体验。

发明内容

为了解决现有技术的不足，本公开提供了面向医院医保限额分配的数据交互系统及方法；

第一方面，本公开提供了面向医院医保限额分配的数据交互系统；

面向医院医保限额分配的数据交互系统，包括：

医保中心服务器，所述医保中心服务器与公有云服务器进行通信，所述公有云服务器与若干个私有云服务器进行通行，每个私有云服务器与对应的医院信息系统进行通信；