[发明专利]一种融合贝叶斯网络与回归分析的治疗费用预测方法

说明书

本发明涉及治疗费用预测技术领域，提供一种融合贝叶斯网络与回归分析的治疗费用预测方法，包括：步骤1：获取初始电子病历数据集：获取确诊为预设疾病的多份历史电子病历，确定与预设疾病相关的评价指标，抓取与预设疾病相关的评价指标数据、治疗方案类型数据、治疗费用数据，并对描述型评价指标进行数值化处理；步骤2：分析数据缺失程度，对部分缺失变量插值；步骤3：构建并训练基于高斯贝叶斯网络的治疗方案分类模型；步骤4：构建并训练每个治疗方案类型下基于回归分析的治疗费用预测模型；步骤5：对确诊为预设疾病的病人的治疗费用进行预测。本发明充分利用了文本电子病历数据，能够在数据量较小时提高治疗费用预测的精度和鲁棒性。

技术领域

本发明涉及治疗费用预测技术领域，特别是涉及一种融合贝叶斯网络与回归分析的治疗费用预测方法。

背景技术

目前我国的医疗保障体系存在“一刀切”、报销比例不合理等问题，在这种情况下，医院为盈利或免亏会出现少开药、滥检查和医院不愿收治慢性病等需长期住院治疗的重症患者的现象。精准预测病人治疗费用，能够对按病情报销的医疗改革方向提供重要的数据基础，促进医疗改革的合理性；能够为院方资源配置与规划提供数据支撑，提高医院效益；能够为病人选择治疗方案提供参考。

长期以来，我国有不少医疗费用的相关研究，但仍存在定性研究多，用数学方法进行精确研究较少的问题，在应用数学的方法中，又以研究病人发病率居多，研究病人治疗费用较少。目前，针对病人电子病历进行相关预测的方法普遍存在以下问题：(1)病人入院电子病历的文本数据比例偏高，且病历出自医生导致格式和内容不统一，因此如何有效地从病历中提取关键信息便成为了预测的重要前提；(2)由于病历数据来源于某医院，因此数据量整体偏小；在得到预测数据后，需根据数据特性选取合适的模型，目前常用于预测的方法主要有逻辑回归、机器学习、大数据等方法，但是此类方法往往对数据量提出较高要求；(3)在确定预测模型后，优化模型的网络参数能够进一步提高预测的精度；而各类网络模型具有不同的特性，因此选择何种优化方法对网络进行优化也成为一个重要的研究课题。

发明内容

针对现有技术存在的问题，本发明提供一种融合贝叶斯网络与回归分析的治疗费用预测方法，充分利用了文本电子病历数据，能够在数据量较小时提高治疗费用预测的精度和鲁棒性。

本发明的技术方案为：

一种融合贝叶斯网络与回归分析的治疗费用预测方法，其特征在于：包括下述步骤：

步骤1：获取初始电子病历数据集

步骤1.1：获取确诊为预设疾病的多份历史电子病历；

步骤1.2：确定与预设疾病相关的评价指标；

步骤1.3：从每份历史电子病历中抓取与预设疾病相关的评价指标数据、治疗方案类型数据、治疗费用数据；所述治疗方案分为3类，第1、2、3类治疗方案分别为药物治疗、放化疗、手术，所述治疗费用为检查费用、药物费用、手术费用的总和，所述药物费用包括治疗药物费用、放化疗药物费用；

步骤1.4：对每份历史电子病历中的描述型评价指标进行数值化处理，得到初始电子病历数据集；每份初始电子病历数据包括与预设疾病相关的数值型评价指标数据、数值化处理后的描述型评价指标数据、治疗方案类型数据、治疗费用数据；

步骤2：分析数据缺失程度，对部分缺失变量插值

步骤2.1：对初始电子病历数据集进行筛选：计算每份初始电子病历数据中评价指标数据的缺失率，删除缺失率超过20％的电子病历数据，得到筛选后的电子病历数据集；其中，缺失率为每份初始电子病历数据中缺失的评价指标数据个数占评价指标总个数的比值；