[发明专利]基于人工智能的住院费用预测方法、装置及计算机设备

权利要求书

1.一种基于人工智能的住院费用预测方法，其特征在于，包括：

获取已有区域医院的住院医疗数据；

根据已有区域医院的住院医疗数据，训练得到已有区域医院的住院费用预测模型；

响应于对新区域目标医院进行住院费用预测的指令，判断所述新区域目标医院的住院医疗数据是否符合可用于训练得到达标模型的数据条件；

若所述新区域目标医院的住院医疗数据不符合所述数据条件，则基于所述已有区域医院的住院费用预测模型进行迁移学习处理，得到所述新区域目标医院的住院费用预测模型；

利用所述新区域目标医院的住院费用预测模型，预测目标用户在所述新区域目标医院中住院治疗所需的住院费用。

2.根据权利要求1所述的方法，其特征在于，所述基于所述已有区域医院的住院费用预测模型进行迁移学习处理，得到所述新区域目标医院的住院费用预测模型，具体包括：

确定新区域的区域相对医疗费用水平系数和医院对标指标，其中，所述医院对标指标包括：医院床位数、医院等级、医院类别、医院单位性质信息中的一个或多个；

根据所述区域相对医疗费用水平系数和医院对标指标，对所述已有区域医院的住院费用预测模型的模型参数进行调整，得到所述新区域目标医院的住院费用预测模型。

3.根据权利要求2所述的方法，其特征在于，若根据所述新区域目标医院的住院医疗数据确定样本用户量小于第一预设阈值，则所述确定新区域的区域相对医疗费用水平系数，具体包括：

通过比对新区域与已有区域的区域特征，得到区域相对医疗费用水平系数，其中，所述区域特征包括：区域的级别、人口量级、建设程度、医疗水平等级中的一个或多个；

所述根据所述区域相对医疗费用水平系数和医院对标指标，对所述已有区域医院的住院费用预测模型的模型参数进行调整，得到所述新区域目标医院的住院费用预测模型，具体包括：

基于医院对标指标，在已有区域覆盖的医院中选择与所述新区域目标医院相似度最高的医院所对应的模型参数，乘以区域相对医疗费用水平系数，得到目标模型参数；

按照目标模型参数，对所述已有区域医院的住院费用预测模型的模型参数进行调整，得到所述新区域目标医院的住院费用预测模型。

4.根据权利要求2所述的方法，其特征在于，若根据所述新区域目标医院的住院医疗数据确定样本用户量大于第一预设阈值、且小于第二预设阈值，则所述确定新区域的区域相对医疗费用水平系数，具体包括：

计算样本用户在所述新区域目标医院的住院费用，与相同伤情在所述新区域预设标准级别医院治疗案件的平均住院费用的比值；

依据所述比值和所述新区域目标医院的样本用户量，确定相应的目标权重；

将通过比对新区域与已有区域的区域特征得到的相对系数乘以所述目标权重，得到区域相对医疗费用水平系数；

所述根据所述区域相对医疗费用水平系数和医院对标指标，对所述已有区域医院的住院费用预测模型的模型参数进行调整，得到所述新区域目标医院的住院费用预测模型，具体包括：

基于医院对标指标，在已有区域覆盖的医院中选择目标医院所对应的模型参数，乘以区域相对医疗费用水平系数，得到目标模型参数，其中，所述目标医院是根据同一医院所有样本实际案件住院费用，选择的方差最小的一家医院；

按照目标模型参数，对所述已有区域医院的住院费用预测模型的模型参数进行调整，得到所述新区域目标医院的住院费用预测模型。

5.根据权利要求4所述的方法，其特征在于，所述依据所述比值和所述新区域目标医院的样本用户量，确定相应的目标权重，具体包括：

将所述新区域目标医院每个样本用户对应的所述比值相加求和，再除以所述新区域目标医院的样本用户量，得到所述目标权重。

6.根据权利要求1所述的方法，其特征在于，所述根据已有区域医院的住院医疗数据，训练得到已有区域医院的住院费用预测模型，具体包括：

从已有区域医院的住院医疗数据中，筛选得到与住院费用支出相关的目标数据；

基于所述目标数据，构建模型训练所需的训练集和测试集；

利用所述训练集和测试集，基于lasso回归算法，训练得到已有区域医院的住院费用预测模型。