基于医疗大数据的保险精算方法与流程

1.本公开涉及商业保险技术领域，尤其涉及一种基于医疗大数据的保险精算方法、投保规则、保单处理方法和保单处理系统。


背景技术：

2.目前，保险公司推出各种各样的健康险产品，针对不同产品并根据其特点制订出合理、准确和具有市场竞争力的价格是健康保险业务经营的基础，因此，建立并随时修正恰当的健康保险费率和费率表是健康保险精算中最传统的工作。保险产品设计人员需要对所覆盖的出险病种的一定期限后的出险率进行评估，并需要制定承保条件，对特定人群和体检指标的客户进行拒保或者差异化定价。目前承保条件制定通常是依靠经验或者保险公司自己掌握的数据，这样增加了产品设计的难度，且由于一些经验误差的存在增大了保险产品风险。
3.例如：在防范逆选择风险方面，98％以上的客户仍然以本人书面告知健康状况为主，现有险企针对投保客户的风险识别则依据被保险人的书面健康告知，由于健康告知与被保险人有直接的利益，如身体不健康时会加费或者拒保，所以，按照真实情况进行告知的客户较少，绝大多数均隐瞒真实的健康状况，使得书面告知不准确，进而导致险企由于缺乏数据支持，信息不对称，无法识别个人风险，险企控制逆选择风险难度大，风险成本大于收益，造成经营上的困难。也由于无法识别个人风险使得无法实现对个体定价，所以只能根据所有人的大数法则进行定价，这相当于健康人群为不健康人群承担了较多保费。也由于道德风险的客户的存在，险企也据此提高了保费，这样就对健康人群造成了损害，抬高了进入保险的门槛。
4.还例如，现有技术中的一种智能核保方法包括：接收前端发送的体检报告，所述体检报告与体检函相对应，所述体检函根据待体检投保单来生成；获取所述体检报告中的体检信息以及所述待体检投保单中的险种；根据所述险种获取所述体检信息对应的评点规则；将所述体检信息与所述评点规则进行比对，根据比对结果对所述待体检投保单生成核保决定。采用本方法针对下发过体检函的投保单能够有效提高核保效率。
5.该方法中获取的所述体检信息对应的评点规则，这些规则实践中往往会根据经验来制定。
6.又例如，现有技术还提供了一种基于医学大数据的保险精算方法和系统，将参保人员的体征信息和医疗信息作为参考数据计算参保人员的疾病风险概率，将疾病风险概率作为其中一个保险因子参与保险精算创建保险产品，降低了保险产品的输出风险。
7.但是，参保人员的体征信息和医疗信息的数据在数量上非常有限，仅基于参保人员的体征信息和医疗信息就最终得到保险产品，合理性不足。


技术实现要素：

8.为了解决上述问题，本技术提出一种基于医疗大数据的保险精算方法、投保规则、
保单处理方法和保单处理系统，以此基于真实、准确的客户医疗信息和合理、有效的投保规则而进行的自动数据处理过程，有利于提高保单处理结果的准确性、合理性，还有利于降低风险。
9.本技术一方面，提出一种基于医疗大数据的保险精算方法，包括如下步骤：
10.s100、采集医疗大数据，所述医疗大数据包括人群属性信息、指标病症以及病种信息；
11.s200、根据所述医疗大数据，分析并设定保险规则的决策条件；
12.s300、根据所述保险规则的决策条件，确定保险的承保条件和保险的拒保条件；
13.s400、整合所述承保条件和拒保条件为投保规则，并基于所述投保规则进行保险核算。
14.作为本技术的一种可选实施方案，可选地，在步骤s200中，所述根据所述医疗大数据，分析并设定保险规则的决策条件，包括：
15.s201、基于所述医疗大数据，分析得出若干数据组，其中，每个数据组包括人群属性信息、指标病症以及病种；
16.s202、预设病种概率计算算法，并计算在每个数据组的人群属性信息和指标病症的情况下，在预设年限内该数据组的病种发生的概率；
17.s203、采集各个数据组病种发生的概率，并作为各个数据组的决策因子。
18.作为本技术的一种可选实施方案，可选地，在步骤s300中，所述根据所述保险规则的决策条件，确定保险的承保条件和保险的拒保条件，包括：
19.s301、针对各个数据组的病种，预设病种发生概率阈值；
20.s302、将各个数据组病种发生的概率与所述病种发生概率阈值进行比对判断：
21.若所述数据组病种发生的概率大于所述病种发生概率阈值，则将该数据组确定为拒保条件；
22.若所述数据组病种发生的概率小于所述病种发生概率阈值，则将该数据组确定为承保条件。
23.作为本技术的一种可选实施方案，可选地，在步骤s400中，所述整合所述承保条件和拒保条件为投保规则，包括：
24.s401、采集各数据组的所述拒保条件和拒保条件；
25.s402、预设投保范围值，根据所述投保范围值，确定保险覆盖病种和保障年限；
26.s403、将所述保险覆盖病种和所述保障年限与各数据组匹配，将同时包含所述保险覆盖病种和所述保障年限的拒保条件及同时包含所述保险覆盖病种和所述保障年限的承保条件组成所述投保规则。
27.作为本技术的一种可选实施方案，可选地，在步骤s400中，所述整合所述承保条件和拒保条件为投保规则，包括：
28.s410、将所述投保规则推荐至保险机构；
29.s420、将保险机构选择的投保规则，部署在所述保险机构的核保引擎中；
30.s430、通过所述核保引擎，将客户的医疗信息与投保规则进行匹配：
31.当客户的医疗信息包括所述投保规则中的拒保条件时，确定该客户的保单核保失败，依此拒保；
32.当客户的医疗信息不包括投保规则中的拒保条件时，确定该客户的保单核保成功，依此承保。
33.本技术另一方面，提出一种投保规则，其特征在于，所述投保规则根据上述所述的基于医疗大数据的保险精算方法制定得出。
34.本技术另一方面，还提出一种保单处理方法，保单处理方法基于上述所述的基于医疗大数据的保险精算方法得出的投保规则进行实施，包括如下步骤：
35.s500、获取医疗大数据并储存，所述医疗大数据包括人群属性信息、指标病症以及病种信息；
36.s600、基于所述医疗大数据，分析得出若个数据组，并针对各个数据组的病种，计算病种发生的概率；根据预设阈值，分别确定出属于拒保条件的数据组和属于承保条件的数据组，将各数据组按照概率从大到小进行排序并存储；
37.s700、接收保险机构输入的保险覆盖病种及保障年限，并根据所述保险覆盖病种和所述保障年限匹配各数据组，将同时包含所述保险覆盖病种和所述保障年限的拒保条件及同时包含所述保险覆盖病种和所述保障年限的承保条件组成所述投保规则，并推荐至保险机构终端。
38.作为本技术的一种可选实施方案，可选地，还包括如下步骤：
39.s800、接收保险机构输入的选择指令，根据选择指令确定保险机构选择的投保规则，并部署在所述保险机构的核保引擎中；
40.s900、请求获取投保规则中承保条件对应的概率，并返回所请求数据；
41.s1000、根据投保规则中承保条件对应的概率，计算投保规则的出险率，将出险率结果返回给保险机构终端；
42.s1100、通过核保引擎将客户的医疗信息与投保规则进行匹配：
43.当客户的医疗信息包括投保规则中的拒保条件时，确定该客户的保单核保失败，依此对该客户拒保；
44.当客户的医疗信息不包括投保规则中的拒保条件时，确定该客户的保单核保成功，依此对该客户承保。
45.本技术另一方面，提出一种实现权利要求7或8所述的保单处理方法的保单处理系统，包括：
46.医疗信息获取模块，用于获取医疗大数据并发送至bi分析模块，所述医疗数据包括人群属性信息、指标病症以及病种数据；
47.bi分析模块，用于储存所述医疗大数据，并基于医疗大数据分析得出若个数据组，并针对各个数据组的病种，计算病种发生的概率；根据预设阈值，分别确定出属于拒保条件的数据组和属于承保条件的数据组，将各数据组按照概率从大到小进行排序并发送至投保规则推荐模块；
48.保险机构终端，用于输入保险覆盖病种及保障年限，以及根据推荐的投保规则，发出选择指令至所述投保规则推荐模块；
49.投保规则推荐模块，用于接收保险机构输入的保险覆盖病种及保障年限，并根据所述保险覆盖病种和所述保障年限匹配各数据组，将同时包含所述保险覆盖病种和所述保障年限的拒保条件及同时包含所述保险覆盖病种和所述保障年限的承保条件组成所述投
保规则，并推荐至保险机构终端；以及，接收保险机构的选择指令确定核保的投保规则，并将投保规则发给出险率计算模块；
50.出险率计算模块，用于从bi分析模块请求获取投保规则中承保条件对应的概率；以及，据投保规则中承保条件对应的概率，计算投保规则的出险率，将出险率结果返回给保险终端。
51.作为本技术的一种可选实施方案，可选地，还包括：
52.配置模块，用于将核保规则部署到医疗数据机构的核保引擎中；
53.理赔模块，用于通过核保引擎将客户的医疗信息与投保规则进行匹配：
54.当客户的医疗信息包括投保规则中的拒保条件时，确定该客户的保单核保失败，依此拒保；
55.当客户的医疗信息不包括投保规则中的拒保条件时，确定该客户的保单核保成功，依此承保。
56.本发明的技术效果：
57.本技术通过采集医疗大数据，所述医疗大数据包括人群属性信息、指标病症以及病种信息；根据所述医疗大数据，分析并设定保险规则的决策条件；根据所述保险规则的决策条件，确定保险的承保条件和保险的拒保条件；整合所述承保条件和拒保条件为投保规则，并基于所述投保规则进行保险核算。能够根据医疗机构的医疗数据来确定投保规则中的拒保条件，医疗机构的医疗数据可以是医院his数据、体检中心体检数据、社保数据等等，由于机构的医疗数据相对于经验而言，具备充足的大数据基础，有利于提高投保规则的合理性、有效性，进而有利于降低保单处理的风险性；此外，在保单处理过程中，从医疗机构获取客户的医疗信息，并基于获得的医疗信息与投保规则进行匹配，来确定保单的处理结果，由于直接基于从医疗机构获取客户的医疗信息来进行保单处理，避免出现隐瞒健康状况导致的信息不对称等问题。本技术的保单处理是基于真实、准确的客户医疗信息和合理、有效的投保规则而进行的自动数据处理过程，有利于提高保单处理结果的准确性、合理性，还有利于降低风险。
58.根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
59.包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
60.图1示出为本发明实施例1中提出的基于医疗大数据的保险精算方法的实施流程示意图；
61.图2示出为本发明实施例3中提出的保单处理方法的实施流程示意图；
62.图3示出为本发明实施例4保单处理系统的组成示意图。
具体实施方式
63.以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除
非特别指出，不必按比例绘制附图。
64.在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
65.另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
66.实施例1
67.如图1所示，公开提出了本技术一方面，提出一种基于医疗大数据的保险精算方法，包括如下步骤：
68.s100、采集医疗大数据，所述医疗大数据包括人群属性信息、指标病症以及病种信息；
69.根据医疗机构的医疗大数据来确定投保规则中的拒保条件，医疗机构的医疗大数据可以是医院his数据、体检中心体检数据、社保数据以及保险理赔数据等等。由于机构的医疗数据相对于经验而言，具备充足的大数据基础，有利于提高投保规则的合理性、有效性，进而有利于降低保单处理的风险性；此外，在保单处理过程中，从医疗机构获取客户的医疗信息，并基于获得的医疗信息与投保规则进行匹配，来确定保单的处理结果，由于直接基于从医疗机构获取客户的医疗信息来进行保单处理，避免出现隐瞒健康状况导致的信息不对称等问题。
70.医疗大数据包括有人群属性信息、指标病症以及病种，人群属性信息可以包括性别、年龄、行业、地域等自然人群属性信息；指标病症可以包括体重指数、血压、血糖等各种体检指标数据，指标病症还可以包括甲状腺有肿块等各种症状数据；病种可以包括肥胖、高血压、高血脂、甲状腺结节等疾病诊断数据。
71.s200、根据所述医疗大数据，分析并设定保险规则的决策条件；
72.设定保险规则时，需要结合上述医疗大数据，分析得到承保条件和拒保条件的决策条件，因此，需要针对不同的人群属性信息、不同指标病症以及不同病种组合成不同的数据组，来进行分析计算在不同人群属性信息和指标病症的情况下，各个病种在预设年限内的的发生概率。结合用户即保险机构的需求和市场环境以及国家要求，根据概率综合设定保险规则的决策条件。
73.s300、根据所述保险规则的决策条件，确定保险的承保条件和保险的拒保条件；
74.根据决策条件，分析得出承保条件和拒保条件后，则可以根据保险覆盖病种和保障年限确定出投保规则。
75.s400、整合所述承保条件和拒保条件为投保规则，并基于所述投保规则进行保险核算。
76.整合同时包含所述保险覆盖病种和所述保障年限的拒保条件以及同时包含所述保险覆盖病种和所述保障年限的承保条件，共同组成所述投保规则。
77.将保险规则配置到保险机构的核保引擎，按照核保理赔程序进行保单处理。保单处理时，根据客户的医疗信息的医疗机构可以是医院、体检中心、社保机构等，客户的医疗信息也包括客户的人群属性信息、病症以及诊断疾病等信息。
78.本技术的保单处理的核算规则，是基于真实、准确的客户医疗信息和合理、有效的
投保规则而进行的自动数据处理过程，有利于提高保单处理结果的准确性、合理性，还有利于降低风险。
79.作为本技术的一种可选实施方案，可选地，在步骤s200中，所述根据所述医疗大数据，分析并设定保险规则的决策条件，包括：
80.s201、基于所述医疗大数据，分析得出若干数据组，其中，每个数据组包括人群属性信息、指标病症以及病种；
81.本实施例，采用医疗大数据构成的若干数据组设定保险规则的决策条件。根据医疗机构的医疗数据，分析出多个数据组，每个数据组包括人群属性信息、指标病症以及病种；即不同人群属性信息、不同指标病症以及不同病种组合成不同的数据组，例如，如下表1所示，40岁男性、甲状腺功能异常以及甲状腺癌组成一个数据组1，40岁男性、同时具有甲状腺结节和甲状腺包块，以及甲状腺癌组成另一个数据组2；
[0082][0083]
表1
[0084]
s202、预设病种概率计算算法，并计算在每个数据组的人群属性信息和指标病症的情况下，在预设年限内该数据组的病种发生的概率；
[0085]
针对每个数据组，在该数据组的人群属性信息和指标病症的情况下，计算在预设年限内该数据组的病种发生的概率；例如，针对上述数据组1，甲状腺功能异常的40岁男性，在5年内被诊断为甲状腺癌的概率为3％，针对上述数据组2，具有甲状腺结节和甲状腺包块的40岁男性，在5年内被诊断为甲状腺癌的概率为10％。具体的，可以采用病种概率计算算法来分析数据组并计算各数据组在预设年限内的病种发生概率。
[0086]
本实施例，优选bi(bi分析模块)算法作为病种概率计算算法。
[0087]
s203、采集各个数据组病种发生的概率，并作为各个数据组的决策因子。
[0088]
整合各个数据组的概率，作为拒保和承保的决策因子，进行有效快速准确地提供报表并提出决策依据，帮助企业做出明智的业务经营决策。
[0089]
作为本技术的一种可选实施方案，可选地，在步骤s300中，所述根据所述保险规则的决策条件，确定保险的承保条件和保险的拒保条件，包括：
[0090]
s301、针对各个数据组的病种，预设病种发生概率阈值；
[0091]
针对各个数据组，将概率大于预设阈值的数据组确定为拒保条件，将概率小于预设阈值的数据组确定为承保条件。
[0092]
s302、将各个数据组病种发生的概率与所述病种发生概率阈值进行比对判断：
[0093]
若所述数据组病种发生的概率大于所述病种发生概率阈值，则将该数据组确定为
拒保条件；
[0094]
若所述数据组病种发生的概率小于所述病种发生概率阈值，则将该数据组确定为承保条件。
[0095]
本实施例，预设阈值的大小可以根据具体情况来确定，例如，预设阈值为5％，则上述数据组1对应的概率3％小于5％，则数据组1确定为承保条件；上述数据组2对应的概率10％大于5％，则数据组2确定为拒保条件。
[0096]
作为本技术的一种可选实施方案，可选地，在步骤s400中，所述整合所述承保条件和拒保条件为投保规则，包括：
[0097]
s401、采集各数据组的所述拒保条件和拒保条件；
[0098]
s402、预设投保范围值，根据所述投保范围值，确定保险覆盖病种和保障年限；
[0099]
在分析出承保条件和拒保条件后，则可以根据保险覆盖病种和保障年限确定出投保规则，例如，接收输入的保险覆盖病种和保障年限；例如，保险覆盖病种为甲状腺癌，保障年限为5年；
[0100]
s403、将所述保险覆盖病种和所述保障年限与各数据组匹配，将同时包含所述保险覆盖病种和所述保障年限的拒保条件及同时包含所述保险覆盖病种和所述保障年限的承保条件组成所述投保规则。
[0101]
将所述保险覆盖病种和所述保障年限与各数据组匹配，将同时包含所述保险覆盖病种和所述保障年限的拒保条件以及同时包含所述保险覆盖病种和所述保障年限的承保条件组成所述投保规则。例如，具体的，将甲状腺癌和5年与各数据组的信息进行匹配，属于拒保条件的上述数据组2同时包含甲状腺癌和5年，属于承保条件的上述数据组1同时包含甲状腺癌和5年，此时，将上述数据组1和上述数据组2的内容组成投保规则。
[0102]
作为本技术的一种可选实施方案，可选地，在步骤s400中，所述整合所述承保条件和拒保条件为投保规则，包括：
[0103]
s410、将所述投保规则推荐至保险机构；
[0104]
s420、将保险机构选择的投保规则，部署在所述保险机构的核保引擎中；
[0105]
s430、通过所述核保引擎，将客户的医疗信息与投保规则进行匹配：
[0106]
当客户的医疗信息包括所述投保规则中的拒保条件时，确定该客户的保单核保失败，依此拒保；
[0107]
当客户的医疗信息不包括投保规则中的拒保条件时，确定该客户的保单核保成功，依此承保。
[0108]
在确定出投保规则后，可以将投保规则展示给保险机构，以实现将确定的投保规则推荐给保险机构，为了满足不同的需要，还可以根据保险机构的选择确定出符合保险机构需求的个性化的投保规则，例如，接收选择指令；在同时包含所述保险覆盖病种和所述保障年限的拒保条件中，确定所述选择指令选中的拒保条件；在同时包含所述保险覆盖病种和所述保障年限的承保条件中，确定所述选择指令选中的承保条件；将选中的拒保条件和选中的承保条件组成投保规则。
[0109]
具体实施时，确定出投保规则之后，就可以基于投保规则来处理保单，例如，可以将投保规则部署在核保引擎中，核保引擎将客户的医疗信息与投保规则进行匹配，当客户的医疗信息包括投保规则中的拒保条件时，确定该客户的保单核保失败，依此结果可以对
该客户拒保；当客户的医疗信息不包括投保规则中的拒保条件时，确定该客户的保单核保成功，依此结果可以对该客户承保。
[0110]
具体实施时，获取客户的医疗信息的医疗机构可以是医院、体检中心、社保机构等，客户的医疗信息也包括客户的人群属性信息、病症以及诊断疾病等信息。
[0111]
具体实施时，为了进一步降低保单处理的风险，在本实施例中，还可以根据所述投保规则中承保条件对应的概率，计算所述投保规则的出险率，即可以得到依据该投保规则承保的保险的出险率，该出险率可以作为保险机构衡量风险的依据。其中，出险率(risk probability)亦称“出险概率”，指在一定时期内(通常为1年)一定数量的危险单位中可能出险的机率或平均出险频率，以百分数或千分数来表示。
[0112]
实施例2
[0113]
本技术另一方面，提出一种投保规则，其特征在于，所述投保规则根据上述实施例1所述的基于医疗大数据的保险精算方法制定得出。
[0114]
其获得方式，具体参见实施例，本处不再赘述。
[0115]
实施例3
[0116]
如图2所示，根据实施例1提出的保险精算方法，以及得到的投保规则，本实施例，对应提供一种利用该保险规则进行保单处理的方法。
[0117]
本实施例，通过保险机构终端，以及配置的医疗信息获取模块、bi分析模块、投保规则推荐模块、出险率计算模块、配置模块和理赔模块，进行实施本方法。各个模块的具体功能参见实施例4。
[0118]
本技术另一方面，还提出一种保单处理方法，保单处理方法基于上述所述的基于医疗大数据的保险精算方法得出的投保规则进行实施，包括如下步骤：
[0119]
s500、获取医疗大数据并储存，所述医疗大数据包括人群属性信息、指标病症以及病种信息；
[0120]
首先，医疗信息获取模块从医疗数据机构的数据库(包含医院his数据、体检中心体检数据、社保数据、保险理赔数据等)获取医疗数据，该医疗数据包括人群属性信息、指标病症以及病种等数据，将获取的医疗数据保存在bi分析模块中；
[0121]
s600、基于所述医疗大数据，分析得出若个数据组，并针对各个数据组的病种，计算病种发生的概率；根据预设阈值，分别确定出属于拒保条件的数据组和属于承保条件的数据组，将各数据组按照概率从大到小进行排序并存储；
[0122]
bi分析模块基于获取的医疗数据分析出多个数据组，并针对每个数据组，在该数据组的人群属性信息和指标病症的情况下，计算在预设年限内该数据组的病种发生的概率，进而根据预设阈值，分别确定出属于拒保条件的数据组和属于承保条件的数据组，将各数据组按照概率从大到小进行排序并存储在投保规则推荐模块中；
[0123]
s700、接收保险机构输入的保险覆盖病种及保障年限，并根据所述保险覆盖病种和所述保障年限匹配各数据组，将同时包含所述保险覆盖病种和所述保障年限的拒保条件及同时包含所述保险覆盖病种和所述保障年限的承保条件组成所述投保规则，并推荐至保险机构终端。
[0124]
保险机构通过其保险机构终端如保险机构web端，获得推荐的投保规则后，根据不同的需要，选择确定出符合保险机构需求的个性化的投保规则。然后，将选中的保险规则确
定并部署在保险机构终端的核保引擎中。
[0125]
投保规则推荐模块接收保险机构输入的保险覆盖病种及保障年限；以及，根据输入的保险覆盖病种及保障年限，将同时包含保险覆盖病种和保障年限的拒保条件以及同时包含保险覆盖病种和保障年限的承保条件组成投保规则，将确定出的投保规则输出，推荐给保险机构web端；
[0126]
此时，根据选择的保险规则，进行概率计算。通过保险机构终端配置的出险率计算模块从bi分析模块请求获取投保规则中承保条件对应的概率；bi分析模块返回给出险率计算模块所请求数据；出险率计算模块根据投保规则中承保条件对应的概率，计算投保规则的出险率，将出险率结果返回给保险机构web端。
[0127]
作为本技术的一种可选实施方案，可选地，还包括如下步骤：
[0128]
s800、接收保险机构输入的选择指令，根据选择指令确定保险机构选择的投保规则，并部署在所述保险机构的核保引擎中；
[0129]
s900、请求获取投保规则中承保条件对应的概率，并返回所请求数据；
[0130]
s1000、根据投保规则中承保条件对应的概率，计算投保规则的出险率，将出险率结果返回给保险机构终端；
[0131]
s1100、通过核保引擎将客户的医疗信息与投保规则进行匹配：
[0132]
当客户的医疗信息包括投保规则中的拒保条件时，确定该客户的保单核保失败，依此对该客户拒保；
[0133]
当客户的医疗信息不包括投保规则中的拒保条件时，确定该客户的保单核保成功，依此对该客户承保。
[0134]
配置模块，将核保规则部署到医疗数据机构的核保引擎中；理赔模块，通过核保引擎将客户的医疗信息与投保规则进行匹配，当客户的医疗信息包括投保规则中的拒保条件时，确定该客户的保单核保失败，依此结果可以对该客户拒保；当客户的医疗信息不包括投保规则中的拒保条件时，确定该客户的保单核保成功，依此结果可以对该客户承保。
[0135]
上述bi分析算法计算概率和web端，仅仅是其中一个实施方式，可以采用其他替换，只要能够按照本技术的技术思路实现本技术的技术目的和效果即可。
[0136]
实施例4
[0137]
如图3所示，基于实施例1-3的实施原理，本实施例提出本技术另一方面，提出一种实现权利要求7或8所述的保单处理方法的保单处理系统，包括：
[0138]
医疗信息获取模块，用于获取医疗大数据并发送至bi分析模块，所述医疗数据包括人群属性信息、指标病症以及病种数据；
[0139]
bi分析模块，用于储存所述医疗大数据，并基于医疗大数据分析得出若个数据组，并针对各个数据组的病种，计算病种发生的概率；根据预设阈值，分别确定出属于拒保条件的数据组和属于承保条件的数据组，将各数据组按照概率从大到小进行排序并发送至投保规则推荐模块；
[0140]
保险机构终端，用于输入保险覆盖病种及保障年限，以及根据推荐的投保规则，发出选择指令至所述投保规则推荐模块；
[0141]
投保规则推荐模块，用于接收保险机构输入的保险覆盖病种及保障年限，并根据所述保险覆盖病种和所述保障年限匹配各数据组，将同时包含所述保险覆盖病种和所述保
障年限的拒保条件及同时包含所述保险覆盖病种和所述保障年限的承保条件组成所述投保规则，并推荐至保险机构终端；以及，接收保险机构的选择指令确定核保的投保规则，并将投保规则发给出险率计算模块；
[0142]
出险率计算模块，用于从bi分析模块请求获取投保规则中承保条件对应的概率；以及，据投保规则中承保条件对应的概率，计算投保规则的出险率，将出险率结果返回给保险终端。
[0143]
作为本技术的一种可选实施方案，可选地，还包括：
[0144]
配置模块，用于将核保规则部署到医疗数据机构的核保引擎中；
[0145]
理赔模块，用于通过核保引擎将客户的医疗信息与投保规则进行匹配：
[0146]
当客户的医疗信息包括投保规则中的拒保条件时，确定该客户的保单核保失败，依此拒保；
[0147]
当客户的医疗信息不包括投保规则中的拒保条件时，确定该客户的保单核保成功，依此承保。
[0148]
显然，本领域的技术人员应该明白，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，可包括如上述各控制方法的实施例的流程。上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
[0149]
本领域技术人员可以理解，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，可包括如上述各控制方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)、随机存储记忆体(randomaccessmemory，ram)、快闪存储器(flashmemory)、硬盘(harddiskdrive，缩写：hdd)或固态硬盘(solid-statedrive，ssd)等；存储介质还可以包括上述种类的存储器的组合。
[0150]
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。