本发明涉及互联网数据处理
技术领域：
，尤其涉及基于统筹基金支付和风控场景建立的社保慢病管理方法及系统。
背景技术：
：慢性非传染性疾病(慢病)，是指以心脑血管疾病、糖尿病、恶性肿瘤、慢性阻塞性肺部疾病、精神异常等为代表的一组疾病。慢病通常发病隐匿，且潜伏期长，一旦发病不能治愈或很难治愈，愈后差、易复发，并伴有严重的并发症。近年来，随着人类疾病谱的变化，因慢病引起的发病和死亡比例呈上升趋势。由于慢病的患者日渐增多，慢病管理以逐步成为了世界医学界和社会管理领域的焦点。慢病管理的概念是指在医务人员(医生、药师、护士等)对慢性疾病的患者提供的全面的连续性的管理。现有社保慢病管理模式比较粗放，主要通过下发政策文件、定期人工抽查稽核等方法进行管理，基金支出持续增长，管控力度和精细度有待提升。就此，存在这样的需求：基于政府的政策、疾病的临床指南等，建立慢病知识体系，在支付端2b和参保人端2c设立疾病申报、资格审核、事中提醒(提醒医生)、事后审核、健康管理、患者教育，减少不必要的支出。技术实现要素：有鉴于此，针对现有技术的上述问题，本发明提出了一种以疾病为中心、以数据为支撑的慢病基金风险控制的方法，其主要目的是为了推广到并适用于各种慢性病的风险管控中。这一方法可分为两个部分，一是后台知识体系的搭建，二是落实风险控制的过程。根据本发明的实施例，提供了一种慢病管理方法，其在风控对象每次发生慢病治疗时被执行，其特征在于，所述方法包括如下步骤：步骤1、获取所述风控对象的与慢病治疗有关的当前治疗数据；步骤2、获取所述风控对象的静态属性数据、以及历史治疗数据；步骤3、使用分类器，根据从步骤1和2所得到的数据中提取的特征，确定风控对象的当前治疗数据所对应的当前治疗类别；步骤4、将在步骤3中确定的当前治疗类别结合先前治疗类别，预测风控对象将来的治疗费用，其中，所述先前治疗类别是在所述风控对象前次发生慢病治疗时执行步骤3后确定的。根据本发明的实施例，提供了一种用于进行所述方法的慢病管理系统，包括：数据获取模块，用于获取与风控对象的慢病治疗有关的当前治疗数据，并获取与风控对象的慢病治疗有关的静态属性数据、以及历史治疗数据；特征提取模块，用于从由所述数据获取模块获取的上述数据中提取风控对象的相应特征；分类模块，用于使用分类器，根据所述特征提取模块提取的特征，确定风控对象的当前治疗数据所对应的当前治疗类别；预测模块，用于将所得到的当前治疗类别结合之前确定的治疗类别，预测风控对象将来的诊疗费用和药品费用。根据本发明的实施例，提供了一种计算机可读存储介质，其上存储用于执行慢病管理方法的程序，所述程序被处理器执行时，实现根据所述方法的步骤。本发明的有益效果主要在于：通过对临床医疗数据的整合，能够自动识别/发现费用异常的案例，并进一步进行追踪、稽查和重点管控，从而有助于建立有科学依据的慢病管理体系，为支付方提供科学、合理、精细化的慢病管理服务。附图说明图1为根据本发明的实施例的慢病管理系统的功能架构示意图；图2为根据本发明的实施例的慢病管理方法的总体流程示意图；图3为根据本发明的实施例的慢病管理方法的分类器训练的流程示意图；图4为根据本发明的实施例的慢病管理方法的预测过程的流程示意图；图5示出了根据本发明的实施例的安装了应用程序的系统的运行环境。具体实施方式下面，结合附图对技术方案的实施作进一步的详细描述。本领域的技术人员能够理解，尽管以下的说明涉及到有关本发明的实施例的很多技术细节，但这仅为用来说明本发明的原理的示例、而不意味着任何限制。本发明能够适用于不同于以下例举的技术细节之外的场合，只要它们不背离本发明的原理和精神即可。另外，为了避免使本说明书的描述限于冗繁，在本说明书中的描述中，可能对可在现有技术资料中获得的部分技术细节进行了省略、简化、变通等处理，这对于本领域的技术人员来说是可以理解的，并且这不会影响本说明书的公开充分性。下文中，将参照附图描述本发明的实施例。注意，将以下面的次序给出描述：1、根据本发明的实施例的慢病管理系统的功能架构(图1)；2、根据本发明的实施例的慢病管理方法的流程(图2至4)；3、根据本发明的实施例的安装了应用程序的系统、以及存储所述应用程序的计算机可读介质(图5)。1、慢病管理系统的架构图1为根据本发明的实施例的慢病管理系统的功能架构示意图。如图1所示，根据本发明的实施例，提供了一种基于统筹基金支付和风控场景的慢病管理系统，包括：数据获取模块，用于获取与风控对象的慢病治疗有关的当前治疗数据，并获取与风控对象的慢病治疗有关的静态属性数据、以及历史治疗数据；特征提取模块，用于从由所述数据获取模块获取的上述数据中提取风控对象的相应特征；分类模块，用于使用分类器，根据所述特征提取模块提取的特征，确定风控对象的当前治疗数据所对应的当前治疗类别；预测模块，用于将所得到的当前治疗类别结合之前确定的治疗类别，预测风控对象将来的诊疗费用和药品费用。其中，所述风控对象包括在医疗机构就诊的病人/参保人员，在所述慢病管理系统与医疗机构的管理系统(his系统)联网的情况下，所述数据获取模块能够从风控对象当前就诊的医疗机构实时获取风控对象的与慢病治疗有关的当前治疗数据，并且，所述慢病管理系统还能够从各种数据源获取(例如，从社保机构、商保机构调取)风控对象的其它个人数据，构成所述静态属性数据、以及历史治疗数据。其中，所述当前治疗数据包括用户当前就诊的行为数据(包括就诊时间、科室等信息)、诊疗项目、以及与当前就诊相关的其它医疗信息，包括本次所开药品等信息。所述静态属性数据包括风控对象的年龄、性别、文化水平、职业等人口学信息，医疗机构规模、地理位置、等级数据、医生职称、注册情况等信息。本领域的技术人员可以理解，上述信息属于静态信息，是相对于实时发生的当前治疗行为而言，并非一直不变，可适时更新。另外，可选地，所述数据获取模块还可从公开数据源(如新闻网站)等抓取的各地医保基金稽核情况和通报情况、既往医保基金稽核中识别为问题的个案行为，等等，作为补充数据。其中，所述历史治疗数据包括风控对象的慢病就诊结算数据，如下表所示)：由此，所述之前确定的治疗类别可从所述历史治疗数据中得到。其中，所述特征提取模块提取的特征包括风控对象的各个维度的特征，包括：可直接从原始数据中导出的特征，如人口学特征、地理特征、时间特征(如就诊时间、就诊间期、参保时间等)、医疗特征(如诊断、就诊科室、医疗消费清单、医疗机构规模、医疗机构等级、医疗机构既往案底标签、医生职称等)、费用特征(如每次就诊花费)，等等；通过计算获得的二次数据，如就诊者的就诊频率(一年内)、就诊费用随时间的分布、时间段总花费、费用构成比例，等等。其中，所述分类模块所使用的分类器为参考医学知识库和真实训练样本数据训练得到的分类器，所述医学知识库包括医学教材、行业权威参考书籍及国内外临床指南、诊疗规范。所述分类器可包括rvm分类器、crf(条件随机场)模型等，所述rvm分类器通过事先进行的训练过程而生成，这将在下面的章节“2、根据本发明的实施例的慢病管理方法的流程”中详述。作为示例，所述治疗类别可对应于不同人群的不同疾病类别，如将肿瘤病人的治疗分为以消费检验检查为主的初诊状态和以药品为主的化疗状态，或者，将糖尿病人的治疗分为i型糖尿病前期治疗、i型糖尿病中期治疗、ii型糖尿病前期治疗、ii型糖尿病中期治疗，等等。作为示例，所述预测模块可以根据风控对象在就诊过程中发生的所述治疗类别的变化而预测风控对象的治疗目的。作为示例，所述治疗目的可包括“体检”、“初诊”、“复诊”、“配药”、“住院”等已知治疗目的，其对应于慢病治疗/管理中的正常情况/事件；此外，所述治疗目的还可包括“异常”状态，其意味/暗示着：风控对象在就诊过程中发生的所述治疗类别的变化可能会产生不合理的费用支出。其中，所述预测模块可使用隐马尔可夫模型(hmm)，将风控对象的治疗类别序列输入到隐马尔可夫模型(hmm)进行评估，得到风控对象的行为类别变化的后验概率，其中，所述行为类别变化的过程指示风控对象的疾病诊治过程是否存在异常。所述hmm可通过事先进行的训练过程而生成，这将在下面的章节“2、根据本发明的实施例的慢病管理方法的流程”中详述。其中，在风控对象的疾病诊治过程不存在异常的情况下，所述预测模块根据在步骤3中确定的治疗类别所对应的诊疗项目，依据临床指南和诊疗常规数据，确定每个项目检查的频率，从而预测出风控对象将来在慢病治疗的过程中会发生的费用，例如，预测风控对象在将来一年内、两年内会发生的费用。可选地，预测模块还可根据当地历史数据计算每个项目的年平均使用数量，再结合该项目在当地的收费价格，可测算出风控对象在将来一定时期(例如，一年)内的费用总额。可选地，预测模块可将预测的费用输入到后端的智能审核系统，智能审核系统将费用数据与当地的风控对象(参保人)的实际就诊费用进行比对、统计，如发现费用异常(显著超出正常范围)的案例，则提示需要进行追踪、稽查、人工管控，等等。2、慢病管理方法的流程图2为根据本发明的实施例的慢病管理方法的流程示意图。如图2所示，根据本发明的实施例，基于上述慢病管理系统，还提供了一种慢病管理方法，其在风控对象每次发生慢病治疗时被执行，所述方法包括：步骤s100、获取风控对象的与慢病治疗有关的当前治疗数据；步骤s200、获取风控对象的静态属性数据、以及历史治疗数据；步骤s300、使用分类器，根据从步骤1和2所得到的数据中提取的特征，确定风控对象的当前治疗数据所对应的当前治疗类别；步骤s400、将所得到的当前治疗类别结合之前确定的治疗类别，预测风控对象将来的诊疗费用和药品费用。在步骤s100中，在所述慢病管理系统与医疗机构的管理系统(his系统)联网的情况下，该步骤能够直接从风控对象当前就诊的医疗机构实时获取风控对象的与慢病治疗有关的当前治疗数据。或者，如果不能做到实时在线获取数据，可在离线情况下定期从医疗机构调取上述数据。在步骤s200中，能够从各种数据源获取(例如，从社保机构、商保机构调取)风控对象的其它个人数据(作为所述静态属性数据)、以及历史治疗数据。其中，所述当前治疗数据包括用户当前就诊的行为数据(包括就诊时间、科室等信息)、诊疗项目、以及与当前就诊相关的其它医疗信息，包括本次治疗手段、所开药品等信息。所述静态属性数据包括风控对象的年龄、性别、文化水平、职业等人口学信息，医疗机构规模、地理位置、等级数据、医生职称、注册情况等信息。本领域的技术人员可以理解，上述信息属于静态信息，是相对于实时发生的当前治疗行为而言，并非一直不变，可适时更新。可选地，在步骤s200中，还可从公开数据源(如新闻网站)等抓取的各地医保基金稽核情况和通报情况、既往医保基金稽核中识别为问题的个案行为，等等，作为补充数据。其中，所述历史治疗数据包括风控对象的慢病就诊结算数据。其中，所提取的特征包括风控对象的各个维度的特征，包括可直接从原始数据中导出的特征，如人口学特征、地理特征、时间特征(如就诊时间、就诊间期、参保时间等)、医疗特征(如诊断、就诊科室、医疗消费清单、医疗机构规模、医疗机构等级、医疗机构既往案底标签、医生职称等)、费用特征(如每次就诊花费)，等等。所提取的特征包括还可包括通过计算获得的二次数据，如就诊者的就诊频率(一年内)、就诊费用随时间的分布、时间段总花费、费用构成比例，等等。在步骤s300中，所使用的分类器为参考医学知识库和真实训练样本数据训练得到的分类器，所述医学知识库包括医学教材、行业权威参考书籍及国内外临床指南、诊疗规范。所述分类器可包括rvm分类器、crf(条件随机场)模型等，所述rvm分类器通过事先进行的训练过程而生成。作为示例，如图3所示，所述rvm分类器的训练过程包括以下步骤：步骤s301、从分别属于所述不同治疗类别的训练样本数据中提取所述特征，组成特征矩阵x，所有训练样本数据对应的所述治疗行为组成向量y；步骤s302、采用rbf核函数，将所述特征矩阵x映射到高维空间；步骤s303、根据贝叶斯准则，求解最优的权重分布和分布参数，作为rvm参数。其中，所述训练样本数据(又称测试集)主要来自真实数据源(医院等机构)，包括从各类医疗机构汇总的各类对象的各类就诊数据。作为示例，所述治疗类别可对应于不同人群的不同疾病类别，如将肿瘤病人的治疗分为以消费检验检查为主的初诊状态和以药品为主的化疗状态，或者，将糖尿病人的治疗分为i型糖尿病前期治疗、i型糖尿病中期治疗、ii型糖尿病前期治疗、ii型糖尿病中期治疗，等等。在步骤s400中，可根据风控对象在就诊过程中发生的所述治疗类别的变化而预测风控对象的治疗目的。作为示例，所述治疗目的可包括“体检”、“初诊”、“复诊”、“配药”、“住院”等已知治疗目的，其对应于慢病治疗/管理中的正常情况/事件；此外，所述治疗目的还可包括“异常”状态，其意味/暗示着：风控对象在就诊过程中发生的所述治疗类别的变化可能会产生不合理的费用支出。图4为根据本发明的实施例的慢病管理方法的预测过程的流程示意图。如图4所示，作为示例，步骤s400包括：步骤s401、使用隐马尔可夫模型(hmm)，将风控对象的治疗类别序列输入到隐马尔可夫模型(hmm)进行评估，得到风控对象的行为类别变化的后验概率，其中，所述行为类别变化的过程指示风控对象的疾病诊治过程是否存在异常。假设在步骤s300中将就诊类别分为4类(就诊类别)，则计算出的hmm的观测状态概率矩阵和状态转移概率矩阵分别举例如下(为便于理解，以表格方式呈现)。表1观测状态概率矩阵表2状态转移概率矩阵体检初诊复诊配药住院异常体检0.320.010.130.340.190.01初诊0.070.160.310.020.090.35复诊0.080.370.070.260.200.02配药0.070.250.030.290.050.31住院0.130.140.130.290.040.27异常0.070.340.270.150.120.05上述表格中数据(矩阵中的值)为通过数据统计获得的概率，其可为从医疗机构获取的已知数据中汇总得出。作为示例，步骤s400包括：步骤s402、在风控对象的疾病诊治过程不存在异常的情况下，根据在步骤s300中确定的治疗类别所对应的诊疗项目，依据临床指南和诊疗常规数据，确定每个项目检查的频率，从而预测出风控对象将来在慢病治疗的过程中会发生的费用(例如，预测风控对象在将来一年内、两年内会发生的费用)。作为示例，步骤s400包括：步骤s403、根据当地历史数据计算每个项目的年平均使用数量，再结合该项目在当地的收费价格，可测算出风控对象在将来一定时期(例如，一年)内的费用总额。可选地，步骤s400还可包括：步骤s404、将预测的费用输入到后端的智能审核系统，智能审核系统将费用数据与当地的风控对象(参保人)的实际就诊费用进行比对、统计，如发现费用异常(显著超出正常范围)的案例，则提示需要进行追踪、稽查、人工管控，等等。作为示例，所述hmm(隐马尔科夫模型)的训练过程包括以下步骤：步骤s411、输入包含异常事件的异常行为样本数据；步骤s412、从异常行为样本数据中提取所述特征，并使用所述rvm分类器，确定每一异常行为所对应的行为类别，组成hmm观测序列集合；步骤s413、利用基于多观测序列的baum-welch训练算法训练得到hmm模型。其中，所述异常行为样本数据(又称测试集)，包括异常事件，主要来自真实数据源(医院等机构)，包括从各类医疗机构汇总的各类对象的各类就诊数据，其中包括确定或疑似异常的就诊数据，所述异常行通常指的是风控对象(参保人/患者)的行为超出了正常治疗的一般范围，例如，所述异常行为可来自社保机构拒绝理赔的案例。3、安装了用于实现本发明的实施例的应用程序的系统此外，本发明的不同实施例也可以通过软件模块或存储在一个或多个计算机可读介质上的计算机可读指令的方式实现，其中，所述计算机可读指令当被处理器或设备组件执行时，执行本发明所述的不同的实施例。类似地，软件模块、计算机可读介质和硬件部件的任意组合都是本发明预期的。所述软件模块可以被存储在任意类型的计算机可读存储介质上，例如ram、eprom、eeprom、闪存、寄存器、硬盘、cd-rom、dvd等等。具体地，本发明的另一个方面涉及使用硬件和/或软件实现上述不同的实施例。本领域的技术人员应该理解，可以使用计算设备或者一个或多个处理器实现或执行本发明的实施例。计算设备或处理器可以是例如通用处理器、数字信号处理器(dsp)、专用集成芯片(asic)、现场可编程门阵列(fpga)或其他可编程逻辑设备，等等。本发明不同的实施例也可以被这些设备的组合执行或体现。参照图5，其示出了根据本发明的实施例的安装了应用程序的系统的运行环境。在本实施例中，所述的安装应用程序的系统安装并运行于电子装置中。所述电子装置可以是桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该电子装置可包括但不限于存储器、处理器及显示器。图5仅示出了具有上述组件的电子装置，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。所述存储器在一些实施例中可以是所述电子装置的内部存储单元，例如该电子装置的硬盘或内存。所述存储器在另一些实施例中也可以是所述电子装置的外部存储设备，例如所述电子装置上配备的插接式硬盘，智能存储卡(smartmediacard，smc)，安全数字(securedigital，sd)卡，闪存卡(flashcard)等。进一步地，所述存储器还可以既包括所述电子装置的内部存储单元也包括外部存储设备。所述存储器用于存储安装于所述电子装置的应用软件及各类数据，例如所述安装应用程序的系统的程序代码等。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。所述处理器在一些实施例中可以是中央处理单元(centralprocessingunit，cpu)、微处理器或其他数据处理芯片，用于运行所述存储器中存储的程序代码或处理数据，例如执行所述安装应用程序的系统等。通过以上的实施方式的描述，本领域的技术人员可以清楚地了解，上述实施方式中的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件来实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁盘、光盘)中，包括若干指令用以使得一台终端设备(可以是手机、计算机、服务器、空调或网络设备等)执行本发明本申请各个实施例所述的方法。也就是说，根据本发明的实施例，还提供了一种计算机可读存储介质，其上存储用于执行所述慢病管理方法的程序，所述程序在被处理器执行时，实现根据所述方法的各个步骤。由上，将理解，为了说明的目的，这里已描述了本发明的具体实施例，但是，可作出各个修改，而不会背离本发明的范围。本领域的技术人员将理解，流程图步骤中所绘出或这里描述的操作和例程可以多种方式变化。更具体地，可重新安排步骤的次序，可并行执行步骤，可省略步骤，可包括其它步骤，可作出例程的各种组合或省略。因而，本发明仅由所附权利要求限制。当前第1页12