一种基于神经网络的异常病例识别方法及计算设备与流程

本发明涉及医疗管理技术领域，具体涉及一种基于神经网络的异常病例识别方法及计算设备。

背景技术：

随着国家公共医疗的布局和医疗改革的不断深入，支付制度改革是系统工程是医保管理理念和医保经办机构角色发生重大转变的体现。推行按照病种付费，充分体现了支付制度才是全面医改的关键所在。

所谓按病种付费，就是指通过统一的疾病诊断分类，科学地制定出每一种疾病的定额偿付标准，社保机构按照该标准与住院人次，向定点医疗机构支付住院费用，使得医疗资源利用标准化，即医疗机构资源消耗与所治疗的住院病人的数量、疾病复杂程度和服务强度成正比。简而言之，就是明确规定某一种疾病该花多少钱，从而既避免了医疗单位滥用医疗服务项目、重复项目和分解项目，防止医院小病大治，又保证了医疗服务质量。

标准化的医疗信息对于医疗信息大数据应用于按病种收费的支付方式非常重要，医疗信息的标准化是实现医疗大数据进行应用的前提。病种的分类目前通常采用国际疾病分类(internationalclassificationofdiseases,icd)。icd-10根据病因、部位、病理及临床表现等特征将疾病划分为21章节、26000多种病种，并对各个病种进行编码。然而，对于中国的医疗的整体环境来说，各个地区常见的病种远远少于26000，且医疗人员在记录病例时，由于现有技术中病种的多样性、复杂性，医务人员往往不按照国际的标准来等级，各个地区有地区化的语言描述，给按病种付费的实施带来一定困难。

按照规定，各地确定按病种付费支付标准时，应充分考虑医疗服务成本、既往实际发生费用、医保基金承受能力和参保人负担水平等因素，结合病种主要操作和治疗方式，通过与医疗机构协商谈判合理确定，如何根据各地的医疗情况确定支付标准，如何管理按病种付费的医疗费用，检测和分析病例、医疗付费标准等都是目前急需解决的技术问题。

技术实现要素：

本发明实施例提供了一种基于神经网络的异常病例识别方法及计算设备，可实现异常病例的识别。

第一方面，本发明实施例提供一种基于神经网络的异常病例识别方法，包括：

接收第一病例，所述第一病例的病例数据包括实际检查项组合，所述实际检查项组合包括至少一个检查项；

提取所述第一病例的病例特征，并将所述病例特征输入到检查分类模型，得到所述第一病例的预测检查项组合；

将所述实际检查项组合与所述预测检查项组合中的项进行比对，计算所述实际检查项组合与所述预测检查项组合的第一相同率，所述第一相同率用于表示所述实际检查项组合与所述预测检查项组合的相似程度；

在所述第一相同率小于第一阈值时，识别所述第一病例为异常病例，并输出用于提示所述第一病例为异常病例的提示信息。

在本申请的一种实现中，所述预测检查组合包括v个组合，v为正整数，所述第一相同率的计算方法为：

其中，i为所述实际检查组合中检查项的索引，i为正整数；j为所述预测检查组合的索引，j为正整数，且j≤v；rj为所述预测检查组合j的概率，且∑jrj＝1；若检查项i为所述预测检查项组合j中的项则qi,j等于1，若所述检查项i不为所述预测检查项组合j中的项，则qi,j为0。

在本申请的又一种实现中，所述将所述病例特征输入到检查分类模型，得到所述第一病例的预测检查项组合之前，所述方法还包括：

获取样本病例集，所述样本病例集中任一病例包括病例特征和真实检查项组合；

将所述样本病例集中每一个病例的病例特征输入到新建分类模型，通过监督所述样本病例集中每一个病例的真实检查项组合对所述新建分类模型进行训练，得到所述新建分类模型的模型参数；

将所述模型参数输入到所述新建分类模型，得到所述检查分类模型。

在本申请的又一种实现中，所述方法还包括：

根据所述第一相同率计算所述第一病例的风险系数，所述风险系数用于指示所述第一病例为异常病例的概率，所述第一相同率越大则所述风险系数越小；其中，

其中，f为所述风险系数，p为所述第一相同率。

在本申请的又一种实现中，所述实际检查项组合包括实际定性检查项组合以及实际定量检查项组合，所述预测检查项组合包括预测定性检查项组合以及预测定量检查项组合，所述在所述相同率小于第一阈值时，识别所述第一病例为异常病例，输出用于提示所述第一病例为异常病例的提示信息之后，方法还包括：

计算所述实际定性检查项组合与所述预测定性检查项组合的第二相同率，以及计算所述实际定量检查项组合与所述预测定量检查项组合的第三相同率；

在所述第二相同率小于第二阈值时，输出用于指示所述第一病例的实际定性检查项组合存在异常的提示信息；

在所述第三相同率小于第三阈值时，输出用于指示所述第一病例的实际定量检查项组合存在异常的提示信息。

在本申请的又一种实现中，所述方法还包括：

获取第一病例集，所述第一病例为所述第一病例集中任一病例；

确定所述第一病例集中的异常病例，可视化显示所述第一病例集中所有的异常病例。

可选地，所述可视化显示所述第一病例集中所有的异常病例包括：

统计所述第二病例集中第一检查项出现的频次，所述第二病例集为所述第一病例集中所有的异常病例的集合，所述第一检查项为所述第二病例集中每一个病例包括的检测项组成的集合中的任意一种检查项；

输出第一图像，所述第一图像包括所述第一检查项与所述第一检查项的频次的对应关系。

第二方面，本申请实施例还提供了一种计算设备，包括：

接收单元，用于接收第一病例，所述第一病例的病例数据包括实际检查项组合，所述实际检查项组合包括至少一个检查项；

第一计算单元，用于提取所述第一病例的病例特征，并将所述病例特征输入到检查分类模型，得到所述第一病例的预测检查项组合；

第二计算单元，用于将所述实际检查项组合与所述预测检查项组合中的项进行比对，计算所述实际检查项组合与所述预测检查项组合的第一相同率，所述第一相同率用于表示所述实际检查项组合与所述预测检查项组合的相似程度；

识别输出单元，用于在所述第一相同率小于第一阈值时，识别所述第一病例为异常病例，并输出用于提示所述第一病例为异常病例的提示信息。

在本申请的一种实现中，所述预测检查组合包括v个组合，v为正整数，所述第一相同率的计算方法为：

其中，i为所述实际检查组合中检查项的索引，i为正整数；j为所述预测检查组合的索引，j为正整数，且j≤v；rj为所述预测检查组合j的概率，且∑jrj＝1；若检查项i为所述预测检查项组合j中的项则qi,j等于1，若所述检查项i不为所述预测检查项组合j中的项，则qi,j为0。

在本申请的又一种实现中，所述计算设备还包括：学习单元，用于：

在所述第一计算单元执行所述将所述病例特征输入到检查分类模型，得到所述第一病例的预测检查项组合之前，获取样本病例集，所述样本病例集中任一病例包括病例特征和真实检查项组合；

将所述样本病例集中每一个病例的病例特征输入到新建分类模型，通过监督所述样本病例集中每一个病例的真实检查项组合对所述新建分类模型进行训练，得到所述新建分类模型的模型参数；

将所述模型参数输入到所述新建分类模型，得到所述检查分类模型。

在本申请的又一种实现中，所述计算设备还包括：第三计算单元，用于：根据所述第一相同率计算所述第一病例的风险系数，所述风险系数用于指示所述第一病例为异常病例的概率，所述第一相同率越大则所述风险系数越小；其中，

其中，f为所述风险系数，p为所述第一相同率。

在本申请的又一种实现中，所述实际检查项组合包括实际定性检查项组合以及实际定量检查项组合，所述预测检查项组合包括预测定性检查项组合以及预测定量检查项组合，所述计算设备还包括：第四计算单元，用于在所述第二计算单元执行所述在所述相同率小于第一阈值时，识别所述第一病例为异常病例，输出用于提示所述第一病例为异常病例的提示信息之后，计算所述实际定性检查项组合与所述预测定性检查项组合的第二相同率，以及计算所述实际定量检查项组合与所述预测定量检查项组合的第三相同率；

所述识别输出单元还用于：在所述第二相同率小于第二阈值时，输出用于指示所述第一病例的实际定性检查项组合存在异常的提示信息；以及，在所述第三相同率小于第三阈值时，输出用于指示所述第一病例的实际定量检查项组合存在异常的提示信息。

在本申请的又一种实现中，

所述获取单元还用于：获取第一病例集，所述第一病例为所述第一病例集中任一病例；

所述计算设备还包括确定单元，用于确定所述第一病例集中的异常病例；以及，可视化单元，用于可视化显示所述第一病例集中所有的异常病例。

可选地，所述可视化单元具体用于：

统计所述第二病例集中第一检查项出现的频次，所述第二病例集为所述第一病例集中所有的异常病例的集合，所述第一检查项为所述第二病例集中每一个病例包括的检测项组成的集合中的任意一种检查项；

输出第一图像，所述第一图像包括所述第一检查项与所述第一检查项的频次的对应关系。

第三方面，本申请实施例还提供了一种计算设备，包括处理器、存储器以及通信模块，所述处理器耦合所述存储器、通信模块，所述处理器用于调用所述存储器存储的程序代码执行：

通过所述通信模块接收第一病例，所述第一病例的病例数据包括实际检查项组合，所述实际检查项组合包括至少一个检查项；

提取所述第一病例的病例特征，并将所述病例特征输入到检查分类模型，得到所述第一病例的预测检查项组合；

将所述实际检查项组合与所述预测检查项组合中的项进行比对，计算所述实际检查项组合与所述预测检查项组合的第一相同率，所述第一相同率用于表示所述实际检查项组合与所述预测检查项组合的相似程度；

在所述第一相同率小于第一阈值时，识别所述第一病例为异常病例，并输出用于提示所述第一病例为异常病例的提示信息。

在本申请的一种实现中

，所述预测检查组合包括v个组合，v为正整数，所述第一相同率的计算方法为：

其中，i为所述实际检查组合中检查项的索引，i为正整数；j为所述预测检查组合的索引，j为正整数，且j≤v；rj为所述预测检查组合j的概率，且∑jrj＝1；若检查项i为所述预测检查项组合j中的项则qi,j等于1，若所述检查项i不为所述预测检查项组合j中的项，则qi,j为0。

在本申请的又一种实现中，所述处理器执行所述将所述病例特征输入到检查分类模型，得到所述第一病例的预测检查项组合之前，所述处理器还可以执行：

获取样本病例集，所述样本病例集中任一病例包括病例特征和真实检查项组合；

将所述样本病例集中每一个病例的病例特征输入到新建分类模型，通过监督所述样本病例集中每一个病例的真实检查项组合对所述新建分类模型进行训练，得到所述新建分类模型的模型参数；

将所述模型参数输入到所述新建分类模型，得到所述检查分类模型。

在本申请的又一种实现中，所述处理器还用于执行：根据所述第一相同率计算所述第一病例的风险系数，所述风险系数用于指示所述第一病例为异常病例的概率，所述第一相同率越大则所述风险系数越小；其中，

其中，f为所述风险系数，p为所述第一相同率。

在本申请的又一种实现中，所述实际检查项组合包括实际定性检查项组合以及实际定量检查项组合，所述预测检查项组合包括预测定性检查项组合以及预测定量检查项组合，所述处理器执行所述在所述相同率小于第一阈值时，识别所述第一病例为异常病例，输出用于提示所述第一病例为异常病例的提示信息之后，所述处理器还用于执行：

计算所述实际定性检查项组合与所述预测定性检查项组合的第二相同率，以及计算所述实际定量检查项组合与所述预测定量检查项组合的第三相同率；

在所述第二相同率小于第二阈值时，输出用于指示所述第一病例的实际定性检查项组合存在异常的提示信息；

在所述第三相同率小于第三阈值时，输出用于指示所述第一病例的实际定量检查项组合存在异常的提示信息。

在本申请的又一种实现中，所述处理器还用于执行：

获取第一病例集，所述第一病例为所述第一病例集中任一病例；

确定所述第一病例集中的异常病例，可视化显示所述第一病例集中所有的异常病例。

在本申请的又一种实现中，所述处理器执行所述可视化显示所述第一病例集中所有的异常病例，具体包括执行：

统计所述第二病例集中第一检查项出现的频次，所述第二病例集为所述第一病例集中所有的异常病例的集合，所述第一检查项为所述第二病例集中每一个病例包括的检测项组成的集合中的任意一种检查项；

通过输出装置输出第一图像，所述第一图像包括所述第一检查项与所述第一检查项的频次的对应关系。

第四方面，本申请实施例还提供了一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述任意一种基于神经网络的异常病例识别方法。

第五方面，本申请实施例还提供了一种计算机程序，所述计算机程序包括计算机软件指令，所述计算机软件指令当被处理器执行时实现如第一方面所述的任意一种基于神经网络的异常病例识别方法。

综上，本发明实施例计算设备通过接收第一病例，所述第一病例的病例数据包括实际检查项组合，所述实际检查项组合包括至少一个检查项；提取所述第一病例的病例特征，并将所述病例特征输入到检查分类模型，得到所述第一病例的预测检查项组合；将所述实际检查项组合与所述预测检查项组合中的项进行比对，计算所述实际检查项组合与所述预测检查项组合的第一相同率；在所述第一相同率小于第一阈值时，识别所述第一病例为异常病例，并输出用于提示所述第一病例为异常病例的提示信息，进而实现对异常病例的识别。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种医保管理平台的功能架构图；

图2为本发明实施例提供的一种异常病例识别方法的流程图；

图3为本发明实施例提供的另一种异常病例识别方法的流程图；

图4为本发明实施例提供的一种计算设备的结构示意图；

图5为本发明实施例提供的又一种计算设备的结构示意图；

图6为本发明实施例提供的又一种计算设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

为了更好理解本发明实施例，下面先对本发明实施例适用的医保管理平台的各个功能进行描述，请参阅图1，图1为本发明实施例提供的一种医保管理平台的功能架构图，该医保管理平台可以运行在计算设备中，为医保管理平台的运行商提供的一系列和病例、医保、病种分值等相关的功能，该医保管理平台包括但不限于如下部分或全部功能的实现：

病种编码，医保管理平台可以根据输入病例的病例数据对该病例中主诊断得到的病种进行编码，该病种编码方法可以采用icd-10编码(本申请中也称六位码编码)、也可以采用其他编码方法，例如四位码编码(即六位码的前4位)、三位码编码(即六位码的前3位)等。可以理解，可以通过某一地区发生病例集通过病种编码方法建立适用该地区的病种分类字典，病种分类字典包括m个病种分类的名称以及与该m个病种分类的名称一一对应的m个病种分类码，m为正整数。可选地，计算设备可以基于医保管理平台识别病例数据中有医务人员填写的诊断名称、病种编码等信息识别到该病例对应的病种分类，进而将该病种分类对应的病种分类码补充到病例数据中，以便于进一步地计算该病例的病种分值，进而实现按病种付费、基于病种分值进行病例数据真实性的检测等功能。

病种分值计算，医保管理平台可以存储病种与病种分值的对应关系表或者包含病种分值计算程序，可以通过病例中病种名称、病种编码等确定该病例中参保人(即病人)所患病种分类，进而根据病种分类与病种分值的对应关系或者病种分值计算程序等基于病种分类确定病种分值的实现过程确定该病例的病种分值。其中，病种分值为地区(比如，国家、省或市等)基于病例大数据确定的用于计算医疗费用(比如预测医保费用、预测总费用等)的标准分值。具体的，可以建立病种分值字典，该病种分值字典包括m个病种分类的标识与m个基础病种分值的一一对应关系，再根据病例的实际情况(比如参保人年龄、患病的严重程度、所在医院、所属科室等信息)在基础病种分值的基础上进行调整，以得到适合该病例的病种分值。病种分值与医疗费用呈正相关关系，即病种分值越高，该病种的医疗费用越高。

病例数据的统计分析，医保管理平台可以按照评估周期(比如，月度、季度、年度等)对该地区内各个医院上报的病例进行统计分析。上述对病例的统计分析可以支持按月度、季度、年度等进行统计分析，支持对不同医院、不同费用区间、不同病种等中的一种或多种的组合进行发生例数、总费用、实际医保费用、预测医保费用等的统计分析，以基于统计分析结果对下个评估周期所采用的各个病种的病种分值进行调整。应理解，基于统计分析结果还可以实现对其他功能，比如基于统计得到的各个医院的收入和支出对医院的医院级别系数进行调整等，对此，本申请实施例不作限定。

病例的真实性检测，医保管理平台可以基于病例中的病例数据对该病例的真实性进行检测，当检测到该病例包含虚假数据时，对该病例进行标记、输出该病例包含虚假数据的提示消息等，以便于医保管理平台的运行商及时识别到问题病例，并分析问题病例原因。

数据可视化，医保管理平台可以对病例数据的统计分析功能得到的统计分析结果进行可视化，也可以对问题病例进行统计分析的结果进行可视化，以便于医保管理平台的运行商统计分析结果。

本申请中，计算设备可以包括但不限于移动电话、移动电脑、平板电脑、媒体播放器、计算机、服务器等包含数据处理功能的设备。运行医保管理平台各个功能的计算设备可以接收到来自医院等机构或个体上报的病例。

不限于图1所示，本申请提供的医保管理平台还可以包括其他功能的实现，例如，病种分值的优化等，对此，本申请实施例不作限定。

下面对本发明涉及的概念进行描述：

疾病的检查分为定性检查和定量检查，其中，对病种的定性检查可以判断检查者是否患有该病种指定的疾病，对该病种的定量检查，则可以确定检查者体内与该病种相关的指标的含量，不仅可以确定是否患有该病种指定的疾病，还可以了解到与该病种相关的各个指标的量，进而指导医生对该检查者治疗，因而定量检查比定性检查要准确，且结果更加精确，像影地，费用也较高。然而，医院通常先进行定性检查再进行定量检查，以节约医疗成本，因而，正常情况下，病例数据中定性检查的数量应该高于定量检查，当一个医院定性检查的例数大于定量检查的例数时，可能存在医院滥用定量检查的嫌疑。

例如，乙肝五项定性检查只能判断这五项为阴性或是阳性，体内是否感染了乙肝病毒；而乙肝五项定量检查结果显示为具体的数字，不仅可以判断患者是否感染乙肝病毒，还可以查出五项指标的具体值，根据五项指标的具体值可以得知乙肝患者的治疗效果以及健康者何时需要注射乙肝疫苗。总之，乙肝五项定量检查比乙肝五项定性检查要准确，而且更先进。

本发明实施例提供一种基于神经网络的异常病例识别方法及计算设备，通过将病例中的实际检查项组合与通过检查分类模型预测得到的预测检查项组合进行比对，得到该实际检查项组合与预测检查项组合的相同率，其目的在于根据该相同率来识别该病例是否为异常病例。可以理解，该相同率越高，则病例的实际检查项组合越真实，相反该相同率越低，病例的实际检查项组合虚假的可能性越大，实现对异常病例的识别。

请参见图2，图2是本申请提供的一种基于神经网络的异常病例识别方法的流程示意图。在图2实施例中，以异常病例识别方法的执行主体为计算设备(运行病例管理平台各个功能的设备)为例来描述，可以理解，该异常病例识别方法还可以由其他终端或服务器等具备数据处理功能的设备，对此，本申请实施例不作限定。如图2所示，该方法可以包括但不限于如下部分或全部步骤：

s2：接收第一病例，所述第一病例的病例数据包括实际检查项组合，所述实际检查项组合包括至少一个检查项。

病例为由医院针对病人记录的病人诊断治疗过程。病例数据可以包括或可以提取出多个病例特征，例如，病例数据中的病例特征可以包括但不限于病例数据中记录的：诊断标识、就诊医院、参保人年龄、参保人性别、就诊时间、就诊类型、一个或多个治疗项、一个或多个药品、主治医师、就诊时间、就诊类型、费用项等中的一种或多种的组合。

其中，就诊类型可以包括门诊和住院。病种分类可以是国际疾病分类(icd)中病种，也可以是国家或各个地区提供的病种分类字典中病种分类。诊断项可以包括用于确诊参保人所发生病种所发生的疾病检查或诊断方式，例如血压检查、抽血检查、心电图诊断、内窥镜诊断、核磁共振诊断、超声波检查、体检诊断、手术探查诊断等。治疗项可以包括治疗方式，包括但不限于阑尾手术、异物摘除术、人工剥离胎盘术、肠切除术、经皮静脉内支架置入术等各专业手术分类目录中的项，艾灸、针刺、拔罐、推拿等中医中的治疗方式。药品项为参保人在治疗期间使用的药品，可以是药品的通用名称或商品名称。费用项可以为病人在治疗过程中产生的手术费、住院费、检测费、挂号费、药品费、总费用等中的一种或多种的组合。

第一病例可以是第一地区在第一评估周期发生的病例的集合中的任意一个病例，第一地区可以是北京市、深圳市、广东省等由医保管理平台的运营商确定的区域。评估周期可以是周、月、季度、或年等时间区间，例如，第一评估周期可以是当前时间所在评估周期的上一个评估周期。

可以理解，第一病例也可以是第一地区在第一评估周期发生的病例的集合经过筛选得到的病例中的任意一个病例。

例如，从第一地区在第一评估周期发生的病例的集合中筛选出发生医院为第一医院的病例，该第一病例为筛选得到的病例中的任意一个病例。

又例如，从第一地区在第一评估周期发生的病例的集合中筛选出就诊时间在第一时间区间且参保人为第一参保人的病例，，该第一病例为筛选得到的病例中的任意一个病例。

s4：提取所述第一病例的病例特征，并将所述病例特征输入到检查分类模型，得到所述第一病例的预测检查项组合。

可以理解，该检查分类模型可以是神经网络模型。在s4之前，计算设备可以通过学习得待该检查分类模型。学习的方法可以包括但不限于如下步骤：

s31：获取样本病例集，所述样本病例集中任一病例包括病例特征和真实检查项组合。

s32：将所述样本病例集中每一个病例的病例特征输入到新建分类模型，通过监督所述样本病例集中每一个病例的真实检查项组合对所述新建分类模型进行训练，得到所述新建分类模型的模型参数。

s33：将所述模型参数输入到所述新建分类模型，得到所述检查分类模型。

s6：将所述实际检查项组合与所述预测检查项组合中的项进行比对，计算所述实际检查项组合与所述预测检查项组合的第一相同率。

其中，第一相同率用于表示实际检查项组合与预测检查项组合的相似程度。

可选地，输入到新建分类模型或检查分类模型的病例特征可以至少包括：诊断标识、一个或多个治疗项、一个或多个药品、就诊类型等中的一种或多种的组合。

具体的，实际检查组合包括n个检查项，n为正整数。此时，该第一病例的第一相同率的计算方法为：

p＝∑iqi/m

其中，i为实际检查组合中检查项的索引，i为正整数，且i≤n；若检查项i为预测检查项组合中的项则qi等于1，否则，若检查项i不为预测检查项组合中的项，则qi为0。

其中，在一种实现方式中，m可以等于n；在另一种实现方式中，m为预测检查项组合中检查项的个数，或实际检查项组和预测检查项组合中检查项的个数的平均值。

在本申请一实施例中，预测检查组合可以包括v个组合，以及各个组合对应的概率值。此时，该第一病例的第一相同率的计算方法为：

其中，i为实际检查组合中检查项的索引，i为正整数，且i≤n；j为预测检查组合的索引，j为正整数，且j≤v；rj为预测检查组合j的概率，且∑jrj＝1；若检查项i为预测检查项组合j中的项则qi,j等于1，否则，若检查项i不为预测检查项组合j中的项，则qi,j为0。

应理解，在一种实现方式中，m可以等于n；在另一种实现方式中，m为单个预测检查项组合中检查项的平均个数等。

s8：在所述第一相同率小于第一阈值时，识别所述第一病例为异常病例，并输出用于提示所述第一病例为异常病例的提示信息。

其中，该第一阈值可以是0.75、0.8、0.9或其他数值等，本申请实施例不作限定。应理解，在所述第一相同率不小于第一阈值时，则认为第一病例为正常病例。

可选地，在识别第一病例为异常病例后，计算设备还可以输出实际检查组合中不在预测检查组合中的检查项，以帮助医务人员进一步审核该病例的风险。

本发明一实施例中，计算设备还可以计算第一病例的检查费用的相同率。该第一病例的检查费用的相同率表示第一病例的实际检查项组合中各个检查项的费用与预测检查项组合中各个检查项的标准费用的相似程度。

具体的，可以通过预测检查项组合中各个检查项的标准费用计算预测检查项组合的总费用y1，以及根据第一病例种实际检查项组合中各个检查项的费用，计算实际检查项组合的总费用y2，进而计算第一病例的检查费用的相同率p′。

在一种实现方式中，第一病例的检查费用的相同率p′为：

其中，p′还可以是其他计算方式，本申请实施例不作限定。

对应于，预测检查项组合可以包括多个组合的实施例。

y1＝∑jsj*j

其中，sj为预测检查项组合j中各个检查项的总费用。

此时，实际检查组合的相同率为检查项的相同率和费用的相同率的加权求和。可以设定检查项的相同率的权重和费用的相同率，进而，得到最终的实际检查组合的相同率p。rj为预测检查组合j的概率，且∑jrj＝1。

可选地，第一病例的际检查项组合与所述预测检查项组合的相同率可以为上述第一相同率p与第一病例的检查费用的相同率p′的加权求和。

本申请一实施例中，步骤s8之后，该方法还可以包括：计算设备根据所述第一相同率计算所述第一病例的风险系数，所述风险系数用于指示所述第一病例为异常病例的概率，所述第一相同率越大则所述风险系数越小。

例如，将第一相同率通过sigmoid函数转化为风险系数，以指示第一病例为异常病例的概率：

其中，f为风险系数，p为第一相同率。

本申请中，风险系数还可以包括其他计算方式，本申请实施例不再赘述。

本申请一实施例中，实际检查项组合包括实际定性检查项组合以及实际定量检查项组合，所述预测检查项组合包括预测定性检查项组合以及预测定量检查项组合，步骤s8之后，该方法还包括如下部分或全部步骤：

s91：计算所述实际定性检查项组合与所述预测定性检查项组合的第二相同率。

s92：在所述第二相同率小于第二阈值时，输出用于指示所述第一病例的实际定性检查项组合存在异常的提示信息。

s93：计算所述实际定量检查项组合与所述预测定量检查项组合的第三相同率。

s94：在所述第三相同率小于第三阈值时，输出用于指示所述第一病例的实际定量检查项组合存在异常的提示信息。

其中，该第二阈值可以是0.75、0.8、0.9或其他数值等，本申请实施例不作限定。应理解，在所述第二相同率不小于第二阈值时，则认为第一病例的实际定性检查项组合正常。

其中，该第三阈值可以是0.75、0.8、0.9或其他数值等，本申请实施例不作限定。应理解，在所述第三相同率不小于第三阈值时，则认为第一病例的实际定量检查项组合正常。

本申请一实施例中，还可以病例集作为研究对象，得到病例集中各个病例的实际检查项组合与预测检查项组合的相同率，以识别病例集中异常病例。请参阅图3，图3是本发明实施例提供的另一种异常病例的识别方法的流程示意图，该方法可以包括但不限于如下步骤：

s10：获取第一病例集，所述第一病例为所述第一病例集中任一病例。

s11：确定所述第一病例集中的异常病例。

s12：可视化显示所述第一病例集中所有的异常病例。

可选地，s12的一种实现方式可以包括：

s121：统计所述第二病例集中第一检查项出现的频次，所述第二病例集为所述第一病例集中所有的异常病例的集合，所述第一检查项为所述第二病例集中每一个病例包括的检测项组成的集合中的任意一种检查项。

应理解，第一检查项的频次可以为第一检查项的在第二病例集中所有的病例出现的总次数；也可以是占比，即该第一检查项的在第二病例集中所有的病例出现的总次数与第二病例集中所有病例包括的检查项的总个数的比值。

s122：输出第一图像，所述第一图像包括所述第一检查项与所述第一检查项的频次的对应关系。

应理解，第一图像可以包括第二病例集中每一个检查项以及该第二病例集中每一个检查项分别对应的频次。

可选地，第一病例集从获取到各个医院上报的病例中通过筛选条件筛选出的病例组成的病例集，该筛选条件可以包括至少一个项目，该项目可以包括医院、就诊时间区间、参保人、病种等项中的一种或多种的组合。

例如，第一病例集也可以第一医院在第一时间区间的病例的集合。

又例如，第一病例集也可以是第一病种在第一时间区间的病例的集合。

又例如，第一病例集也可以是第一医院发生的第一病种分类在第一时间区间的病例的集合。

可见，通过数据可视化显示第一病例集或第二病例中各个病例的实际检查项组合与预设检查项组合的相同率，以帮助管理人员根据可视化的数据分析出该第一病例集中异常病例的主要原因。

综上，本发明实施例计算设备通过接收第一病例，所述第一病例的病例数据包括实际检查项组合，所述实际检查项组合包括至少一个检查项；提取所述第一病例的病例特征，并将所述病例特征输入到检查分类模型，得到所述第一病例的预测检查项组合；将所述实际检查项组合与所述预测检查项组合中的项进行比对，计算所述实际检查项组合与所述预测检查项组合的第一相同率；在所述第一相同率小于第一阈值时，识别所述第一病例为异常病例，并输出用于提示所述第一病例为异常病例的提示信息，进而实现对异常病例的识别。

下面介绍发明实施例涉及的装置。

请参阅图4计算设备40，包括但不限于：接收单元41、第一计算单元42、第二计算单元43和识别输出单元44等。其中，

接收单元41，用于接收第一病例，所述第一病例的病例数据包括实际检查项组合，所述实际检查项组合包括至少一个检查项；

第一计算单元42，用于提取所述第一病例的病例特征，并将所述病例特征输入到检查分类模型，得到所述第一病例的预测检查项组合；

第二计算单元43，用于将所述实际检查项组合与所述预测检查项组合中的项进行比对，计算所述实际检查项组合与所述预测检查项组合的第一相同率；

分析单元44，用于在所述第一相同率小于第一阈值时，识别所述第一病例为异常病例，并输出用于提示所述第一病例为异常病例的提示信息。

在本申请的一种实现中，所述病例特征包括以下至少一项：诊断标识、就诊医院、参保人年龄、参保人性别、就诊时间、就诊类型、一个或多个治疗项、一个或多个药品。

请参阅图5,所示的计算设备，该计算设备50除包括图4中计算设备而40所示的各个单元外，还可以包括，学习单元45。其中，学习单元45，用于：

在所述第一计算单元执行所述将所述病例特征输入到检查分类模型，得到所述第一病例的预测检查项组合之前，获取样本病例集，所述样本病例集中任一病例包括病例特征和真实检查项组合；

将所述样本病例集中每一个病例的病例特征输入到新建分类模型，通过监督所述样本病例集中每一个病例的真实检查项组合对所述新建分类模型进行训练，得到所述新建分类模型的模型参数；

将所述模型参数输入到所述新建分类模型，得到所述检查分类模型。

在本申请的又一种实现中，所述计算设备还包括：第三计算单元46，用于：根据所述第一相同率计算所述第一病例的风险系数，所述风险系数用于指示所述第一病例为异常病例的概率，所述第一相同率越大则所述风险系数越小；其中，

其中，f为所述风险系数，p为所述第一相同率。

在本申请的又一种实现中，所述实际检查项组合包括实际定性检查项组合以及实际定量检查项组合，所述预测检查项组合包括预测定性检查项组合以及预测定量检查项组合，所述计算设备还包括：第四计算单元，用于在所述第二计算单元执行所述在所述相同率小于第一阈值时，识别所述第一病例为异常病例，输出用于提示所述第一病例为异常病例的提示信息之后，计算所述实际定性检查项组合与所述预测定性检查项组合的第二相同率，以及计算所述实际定量检查项组合与所述预测定量检查项组合的第三相同率；

所述识别输出单元44还用于：在所述第二相同率小于第二阈值时，输出用于指示所述第一病例的实际定性检查项组合存在异常的提示信息；以及，在所述第三相同率小于第三阈值时，输出用于指示所述第一病例的实际定量检查项组合存在异常的提示信息。

在本申请的又一种实现中，所述计算设备还包括：

所述接收单元41还用于获取第一病例集，所述第一病例为所述第一病例集中任一病例；

所述计算设备还包括可视化单元47，用于确定所述第一病例集中的异常病例；以及，可视化显示所述第一病例集中所有的异常病例。

可选地，所述可视化单元47执行所述可视化显示所述第一病例集中所有的异常病例，具体包括用于：

统计所述第二病例集中第一检查项出现的频次，所述第二病例集为所述第一病例集中所有的异常病例的集合，所述第一检查项为所述第二病例集中每一个病例包括的检测项组成的集合中的任意一种检查项；

输出第一图像，所述第一图像包括所述第一检查项与所述第一检查项的频次的对应关系。

需要说明的是，上述计算设备的各个单元的具体实现可以参见上述方法实施例中相关描述，本申请不再赘述。

如图6所示的计算设备，该计算设备600可包括：基带芯片610、存储器615(一个或多个计算机可读存储介质)、通信模块616(例如，射频(rf)模块6161和/或通信接口6162)、外围系统617、通信接口623。这些部件可在一个或多个通信总线614上通信。

外围系统617主要用于实现计算设备610和用户/外部环境之间的交互功能，主要包括计算设备600的输入/输出装置。具体实现中，外围系统617可包括：触摸屏控制器618、摄像头控制器619、音频控制器620以及传感器管理模块621。其中，各个控制器可与各自对应的外围设备(如触摸屏623、摄像头624、音频电路625以及传感器626)耦合。需要说明的，外围系统617还可以包括其他i/o外设。

基带芯片610可集成包括：一个或多个处理器611、时钟模块622以及电源管理模块613。集成于基带芯片610中的时钟模块622主要用于为处理器611产生数据传输和时序控制所需要的时钟。集成于基带芯片610中的电源管理模块613主要用于为处理器611、射频模块6161以及外围系统提供稳定的、高精确度的电压。

射频(rf)模块6161用于接收和发送射频信号，主要集成了计算设备600的接收器和发射器。射频(rf)模块6161通过射频信号与通信网络和其他通信设备通信。具体实现中，射频(rf)模块6161可包括但不限于：天线系统、rf收发器、一个或多个放大器、调谐器、一个或多个振荡器、数字信号处理器、codec芯片、sim卡和存储介质等。在一些实施例中，可在单独的芯片上实现射频(rf)模块6161。

通信模块616用于计算设备600与其他设备之间的数据交换。

存储器615与处理器611耦合，用于存储各种软件程序和/或多组指令。具体实现中，存储器615可包括高速随机存取的存储器，并且也可包括非易失性存储器，例如一个或多个磁盘存储设备、闪存设备或其他非易失性固态存储设备。存储器615可以存储操作系统(下述简称系统)，例如android，ios，windows，或者linux等嵌入式操作系统。存储器615还可以存储网络通信程序，该网络通信程序可用于与一个或多个附加设备，一个或多个计算设备设备，一个或多个网络设备进行通信。存储器615还可以存储用户接口程序，该用户接口程序可以通过图形化的操作界面将应用程序的内容形象逼真的显示出来，并通过菜单、对话框以及按键等输入控件接收用户对应用程序的控制操作。

存储器615还可以存储一个或多个应用程序。如图6所示，这些应用程序可包括：社交应用程序(例如facebook)，图像管理应用程序(例如相册)，地图类应用程序(例如谷歌地图)，浏览器(例如safari，googlechrome)等等。

本申请中，处理器611可用于读取和执行计算机可读指令。具体的，处理器611可用于调用存储于存储器615中的程序，例如本申请提供的病种分值计算方法的实现程序，并执行该程序包含的指令。

具体的，处理器611可用于调用存储于存储器615中的程序，如本申请提供的病种分值计算方法的实现程序，并执行下述流程：

通过所述通信模块616接收第一病例，所述第一病例的病例数据包括实际检查项组合，所述实际检查项组合包括至少一个检查项；

提取所述第一病例的病例特征，并将所述病例特征输入到检查分类模型，得到所述第一病例的预测检查项组合；

将所述实际检查项组合与所述预测检查项组合中的项进行比对，计算所述实际检查项组合与所述预测检查项组合的第一相同率；

在所述第一相同率小于第一阈值时，识别所述第一病例为异常病例，并输出用于提示所述第一病例为异常病例的提示信息。

在本申请的一种实现中，所述病例特征包括以下至少一项：诊断标识、就诊医院、参保人年龄、参保人性别、就诊时间、就诊类型、一个或多个治疗项、一个或多个药品。

在本申请的又一种实现中，所述处理器611执行所述将所述病例特征输入到检查分类模型，得到所述第一病例的预测检查项组合之前，所述处理器611还可以执行：

获取样本病例集，所述样本病例集中任一病例包括病例特征和真实检查项组合；

将所述样本病例集中每一个病例的病例特征输入到新建分类模型，通过监督所述样本病例集中每一个病例的真实检查项组合对所述新建分类模型进行训练，得到所述新建分类模型的模型参数；

将所述模型参数输入到所述新建分类模型，得到所述检查分类模型。

在本申请的又一种实现中，所述处理器611还用于执行：根据所述第一相同率计算所述第一病例的风险系数，所述风险系数用于指示所述第一病例为异常病例的概率，所述第一相同率越大则所述风险系数越小；其中，

其中，f为所述风险系数，p为所述第一相同率。

在本申请的又一种实现中，所述实际检查项组合包括实际定性检查项组合以及实际定量检查项组合，所述预测检查项组合包括预测定性检查项组合以及预测定量检查项组合，所述处理器611执行所述在所述相同率小于第一阈值时，识别所述第一病例为异常病例，输出用于提示所述第一病例为异常病例的提示信息之后，所述处理器611还用于执行：

计算所述实际定性检查项组合与所述预测定性检查项组合的第二相同率，以及计算所述实际定量检查项组合与所述预测定量检查项组合的第三相同率；

在所述第二相同率小于第二阈值时，输出用于指示所述第一病例的实际定性检查项组合存在异常的提示信息；

在所述第三相同率小于第三阈值时，输出用于指示所述第一病例的实际定量检查项组合存在异常的提示信息。

在本申请的又一种实现中，所述处理器611还用于执行：

获取第一病例集，所述第一病例为所述第一病例集中任一病例；

确定所述第一病例集中的异常病例，可视化显示所述第一病例集中所有的异常病例。

在本申请的又一种实现中，所述处理器611执行所述可视化显示所述第一病例集中所有的异常病例，具体包括执行：

统计所述第二病例集中第一检查项出现的频次，所述第二病例集为所述第一病例集中所有的异常病例的集合，所述第一检查项为所述第二病例集中每一个病例包括的检测项组成的集合中的任意一种检查项；

通过输出装置输出第一图像，所述第一图像包括所述第一检查项与所述第一检查项的频次的对应关系。

可以理解，上述各个流程和各个功能单元的具体实现可以参照上述方法实施例中相关描述，本申请实施例不再赘述。

应当理解，计算设备600仅为本发明实施例提供的一个例子，并且，计算设备600可具有比示出的部件更多或更少的部件，可以组合两个或更多个部件，或者可具有部件的不同配置实现。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)或随机存储记忆体(randomaccessmemory，ram)等。

本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。

本发明实施例装置中的模块可以根据实际需要进行合并、划分和删减。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。