[发明专利]一种融合ICD层级特征的DRG自动分组方法及系统

权利要求书

1.一种融合ICD层级特征的DRG自动分组方法，其特征在于，包括如下步骤：

S1：基于历史的病例数据和结算信息构建训练集，所述训练集是从历史的病例数据和结算信息中获取的，且一条训练数据包含主诊断编码、主手术编码次诊断编码、次手术编码、是否有主手术、次诊断的个数、次手术的个数、住院天数、医疗总费用在内的自变量集合X，以及因变量DRG分组编码y；

S2：将训练集进行特征编码，具体包括如下步骤：

S21：将自变量集合X中的数值型变量进行归一化处理得到V₁，将自变量集合X中的分类型变量进行独热编码得到V₂；

S22：将步骤S21中的V₁和V₂进行拼接，得到自变量的特征编码[V₁:₂]；

S23：将DRG分组编码y进行独热编码，得到因变量的特征编码Y；

S3：构建融合ICD层级特征的浅层神经网络模型，并利用特征编码后的训练集对其进行迭代训练，直至训练完毕，具体包括如下步骤：

S31：基于ICD-10代码的层级结构，获取主诊断编码的层级信息，包括章、节、类目代码和亚目代码；

S32：基于ICD-9-CM3代码的层级结构，获取主手术编码的层级信息，包括章、类目代码、亚目代码和细目代码；

S33：对步骤S31获得的主诊断编码的4层层级信息进行独热编码，并通过特征融合方法f进行融合，得到主诊断编码的层级特征V₃；

S34：对步骤S32获得的主手术编码的4层层级信息进行独热编码，并通过特征融合方法f进行融合，得到主手术编码的层级特征V₄；

S35：将步骤S22所得的[V₁:₂]、步骤S33所得的V₃和步骤S34所得的V₄进行拼接，得到融合ICD层级特征的向量V＝[V₁:₂:₃:₄]；

S36：构建融合ICD层级特征的浅层神经网络模型，该模型包括输入层、特征学习层和输出层；其中，输入层为基于训练集的特征编码和基于ICD层级结构的层级特征；特征学习层由3层网络组成，特征学习层的第一层为一个卷积层，特征学习层的第二层由一个卷积层和池化层组成，特征学习层的第三层是一个全连接层；输出层由全连接层和softmax层组成；

S37：初始化融合ICD层级特征的浅层神经网络模型；

S38：将步骤S35所得的融合ICD层级特征的向量V输入到融合ICD层级特征的浅层神经网络模型中进行前向传播计算，得到预测分组编码

S39：根据真实的DRG分组编码Y和预测分组编码计算融合ICD层级特征的浅层神经网络模型的多分类交叉熵损失L，计算方式如下：

其中，N为训练集的总样本数，K为DRG分组编码的总类别数，代表第n个样本为第k类DRG分组编码的预测值，Y_n,k代表第n个样本的真实标签为第k类DRG分组编码；

S310：将多分类交叉熵损失L进行反向传播来更新网络参数，直至达到最大迭代次数τ，最终得到训练好的融合ICD层级特征的浅层神经网络模型；

S4：将待分组的病例数据输入到训练好的融合ICD层级特征的浅层神经网络模型中，得到对应的DRG分组编码。

2.一种利用权利要求1所述方法实现的融合ICD层级特征的DRG自动分组系统，其特征在于，包括：

训练集构建模块：基于历史的病例数据和结算信息构建训练集；

特征编码模块：将训练集进行特征编码；

模型构建模块：构建融合ICD层级特征的浅层神经网络模型，并利用特征编码后的训练集对其进行迭代训练，直至训练完毕；

DRG分组模块：将待分组的病例数据输入到训练好的融合ICD层级特征的浅层神经网络模型中，得到对应的DRG分组编码。

3.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1所述融合ICD层级特征的DRG自动分组方法的步骤。

4.一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1所述融合ICD层级特征的DRG自动分组方法的步骤。