[发明专利]一种医院DRGs分组判断方法及工作系统

说明书

本发明公开了一种医院DRGs分组判断方法，其步骤包括获取医院信息系统中的待分组数据，并根据待分组数据获取扩充信息数据；对扩充信息数据进行标准化处理和标签编码处理，得到标准数据样本；将标准数据样本进行特征工程处理，得到标准数据特征；将准数据特征输入到DRGs预测模型中，得到预测的DRGs分组结果集和结果集对应的可能性概率，取结果集中概率最高的E个可能分组结果和该结果对应的概率，实现了在数秒内实现DRGs分组结果的自动化判断功能。

[技术领域]

本发明涉及一种医院DRGs分组判断方法及工作系统。

[背景技术]

疾病诊断相关分组(Diagnosis Related Groups,DRGs)被广泛应用于医院的运行分析、医疗管理，是实现医院精细化管理、现代化管理的重要工具，DRGs实质是一种病历分类方案，是根据病例的诊断、年龄、并发症、手术等诊疗因素将病人分入若干诊断组的管理方法。DRGs分组结果是根据病例的诊断、年龄、并发症、手术等数据，输入分组器完成分组的。

现有DRGs分组结果获取主要依靠：1)用户将病案信息上传至官方分组网站，在经过2个月以上的分组器计算后发放DRGs分组结果给用户。2)根据固定或预设的规则进行推理和判断得出DRGs分组结果。3)根据人的经验结合有技术资料进行人工分组。

上述的方案存在的缺点是：第一种方案DRGs的分组的逻辑并没有对外公布，需要用户进行长时间的等待，效率不高。第二种方案，主要依靠固定或预设的规则依靠参数的进行推理从而确定分组结果，分组规则的制定和输入参数的标准化程度对分组结果的影响较强，不标准的输入参数直接影响分组效果，同时该分组结果缺乏官方分组结果的数据支持。第三种方案，受人的影响较大，效率低，缺乏官方分组结果支持，准确率也不高。

[发明内容]

本发明目的是针对上述问题和现有解决方案的缺陷，提供一种医院DRGs分组判断方法及工作系统。该方法采用机器学习算法训练病案数据和官方分组结果数据,能够在数秒内实现DRGs分组结果的自动化判断，同时可以该获取分组结果的分组逻辑。可缩短DRGs分组获取时间，提高DRGs分组的准确率和DRGs分组的可信度，提升精细化管理水平。

为实现上述目的，本发明采用了下列技术方案：

一种医院DRGs分组判断方法，其步骤如下：

S1、获取医院信息系统中的待分组数据，并根据待分组数据获取扩充信息数据；

S2、对扩充信息数据进行标准化处理和标签编码处理，得到标准数据样本；

S3、将标准数据样本进行特征工程处理，得到标准数据特征；

S4、将准数据特征输入到DRGs预测模型中，得到预测的DRGs分组结果集和结果集对应的可能性概率，取结果集中概率最高的E个可能分组结果和该结果对应的概率。

如上所述的一种医院DRGs分组判断方法，其特征在于：DRGs预测模型为，以历史分组数据处理后的所有标准数据特征为输入，以DRGs分组结果集和结果集对应的可能性概率为输出，对机器学习模型进行训练得到，具体包括：

S41、获取医院信息系统中的历史分组数据，并根据历史分组数据获取扩充信息数据；

S42、对扩充信息数据进行标准化处理和标签编码处理，得到标准数据样本；

S43、将标准数据样本进行特征工程处理，得到标准数据特征；

S44、将历史分组数据处理后的所有标准数据特征作为训练数据，并随机抽取一部分训练数据作为训练集，而另一部分训练数据作为测试集；