[发明专利]一种融合ICD层级特征的DRG自动分组方法及系统

说明书

本发明公开了一种融合ICD层级特征的DRG自动分组方法及系统，该方法包括：基于历史的病例数据和结算信息构建训练集；将训练集进行特征编码；构建融合ICD编码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；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。本发明将医学领域知识与数据驱动的人工智能技术相结合，构建了精准普适的DRG自动分组方法，可助力于医疗服务质量评估和医保支付管理。

技术领域

本发明属于医学人工智能领域，具体是涉及一种融合ICD层级特征的DRG自动分组方法及系统。

背景技术

为深化医保支付方式改革，我国多个城市已推进按疾病诊断相关分组(DiagnosisRelated Groups,DRG)进行医保付费的工作。DRG本质上是一种病例组合分类方案，核心是以病例的诊断和手术/操作为基本依据，综合考虑病例的个体特征，将临床过程相近、费用消耗相似的病例分到同一DRG分组中，以期实现医、保、患三方共赢。但是目前医院DRG分组系统的分组结果与医保局反馈入组结果存在一定差距，导致不必要的医疗资源浪费或医疗支出无法得到合理补偿。

公开号为CN111048190A的中国专利文献公开了一种基于人工智能的DRG分组方法，包括：1)获取病案数据与结算数据，利用AI技术自动获取数据特征集，并对获取数据进行裁剪处理；2)按照主诊断分为26个MDC，结合主要手术操作，对其中25个MDC进行细分获得ADRG；3)在ADRG的基础上结合CC、MCC，将ADRG进一步细分成三组；4)在特征集中选择核心特征因子，利用聚类算法分别对ADRG细分三组的病案数据进行聚类，若干类得到DRG；5)利用决策森林对聚类后的DRG进行处理，合并部分分组，获得最终DRG分组。

现有方法利用人工智能技术有效避免了传统方法高度依赖人工经验的问题，但未能充分利用相关的领域知识，忽略了知识计算与推理，导致分组精度不高、应用效果较差等问题。因此，亟需设计一个融合领域知识的DRG分组方法，实现精准普适的DRG自动分组。

发明内容

为此，本发明所要解决的技术问题在于现有技术中DRG分组方法未能充分利用相关的领域知识，忽略了知识计算与推理，导致分组精度不高、应用效果较差等问题，从而本申请提出一种融合ICD层级特征的DRG自动分组方法及系统。该方法不依靠人工经验，使用浅层神经网络来自动学习和提取数据特征；同时引入领域知识，通过利用主诊断编码和主手术编码的ICD层级特征来丰富数据的向量表达，强化神经网络的知识计算和推理，最终得到精准普适的DRG自动分组器。

为达到上述目的，本发明的技术方案如下：

根据本发明的第一方面，提供一种融合ICD层级特征的DRG自动分组方法，该方法包括如下步骤：

S1：基于历史的病例数据和结算信息构建训练集；

S2：将训练集进行特征编码；

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；

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。

进一步地，所述步骤S1中：

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和主手术编码在内的自变量集合X，以及因变量DRG分组编码y。

进一步地，所述步骤S2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；