基于科室维度的收费异常识别方法、装置、设备及介质与流程

本发明涉及数字医疗，尤其涉及一种基于科室维度的收费异常识别方法、装置、设备及介质。

背景技术：

1、控制不合理的医疗费用增长是目前我国医改的重要目标之一。存在多种原因会导致不合理的医疗费用支出，针对医疗控费的目的，不同地区已经提出了多种措施进行医疗控费。

2、现有的方法一般是通过人工挑选一些病例进行检查，另一方面在医疗项目的费用维度应用一些统计模型发现费用异常高的病例的方法进行医疗费用控制，然而这些方法普遍存在人工参与高，效率低，无法发现复杂的、隐蔽的异常医疗收费的问题。

技术实现思路

1、本发明提供一种科室维度的收费异常识别方法、装置、计算机设备及介质，以解决现有方法普遍存在人工参与高，效率低，无法发现复杂的、隐蔽的异常医疗收费的技术问题。

2、第一方面，提供了一种基于科室维度的收费异常识别方法，包括：

3、获取预设时间段的科室的就诊数据，将所述就诊数据输入至就诊数据向量表示模型中，获取就诊数据向量；其中，所述就诊数据向量表示模型为第一自编码器；

4、获取预设时间段的所述科室的医生数据，将所述医生数据输入至医生数据向量表示模型中，获取医生数据向量；其中，所述医生数据向量表示模型为第二自编码器；

5、将所述就诊数据向量和所述医生数据向量进行融合获取所述科室的科室综合向量；

6、将所述科室综合向量输入至对收费异常识别模型中，获取所述科室的收费正常或异常情况，其中，所述收费异常识别模型为多层感知器神经网络模型。

7、第二方面，提供了一种基于科室维度的收费异常识别装置，包括：

8、就诊数据向量获取模块，用于获取预设时间段的科室的就诊数据，将所述就诊数据输入至就诊数据向量表示模型中，获取就诊数据向量；其中，所述就诊数据向量表示模型为第一自编码器；

9、医生数据向量获取模块，用于获取预设时间段的所述科室的医生数据，将所述医生数据输入至医生数据向量表示模型中，获取医生数据向量；其中，所述医生数据向量表示模型为第二自编码器；

10、科室综合向量获取模块，用于将所述就诊数据向量和所述医生数据向量进行融合获取所述科室的科室综合向量；

11、收费识别模块，用于将所述科室综合向量输入至对收费异常识别模型中，获取所述科室的收费正常或异常情况，其中，所述收费异常识别模型为多层感知器神经网络模型。

12、第三方面，提供了一种计算机设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述基于科室维度的收费异常识别方法的步骤。

13、第四方面，提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述基于科室维度的收费异常识别方法的步骤。

14、上述基于科室维度的收费异常识别方法、装置、设备及介质所实现的方案中，可以通过获取一定段内某一科室的就诊数据和医生数据，并根据其就诊数据和医生数据分别获取该科室的就诊数据向量和医生数据向量，并将该就诊数据向量和医生数据向量进行融合以获取该科室的科室综合向量，然后将该科室的科室综合向量输入至通过利用带有标签的科室综合向量对多层感知器进行训练完成后构建的收费异常识别模型中，以判断该科室是否存在收费异常的情况，在本发明中，针对医院中某一科室中获取到海量的、复杂的数据进行特征提取融合，从而获取该科室的科室综合向量，通过该科室综合向量从科室的维度上来判断科室是否存在收费异常的情况，能够从海量的、复杂的数据中发现异常数据模式，从而达到最终控费的目的，相较于已有的、常见的通过费用检查的方法进行异常识别的方法，本方案提出的方法建立的模型异常识别的准确率更高，同时，能够在科室维度自动识别收费异常，相较于之前人工检查的方式，提升了效率，大大解放了人力。

技术特征：

1.一种基于科室维度的收费异常识别方法，其特征在于，包括：

2.根据权利要求1所述的基于科室维度的收费异常识别方法，其特征在于，所述获取科室的就诊数据，将所述就诊数据输入至就诊数据向量表示模型中，获取就诊数据向量包括：

3.根据权利要求2所述的基于科室维度的收费异常识别方法，其特征在于，获取就诊数据，根据所述就诊数据获取初始就诊数据向量的步骤包括：

4.根据权利要求1所述的基于科室维度的收费异常识别方法，其特征在于，获取所述科室的医生数据，将所述医生数据输入至医生数据向量表示模型中获取医生数据向量包括：

5.根据权利要求1所述的基于科室维度的收费异常识别方法，其特征在于，所述将所述就诊数据向量和所述医生数据向量进行融合获取所述科室的科室综合向量包括：

6.根据权利要求1所述的基于科室维度的收费异常识别方法，其特征在于，将所述科室综合向量输入至收费异常识别模型中，获取所述科室的收费正常或异常情况包括：

7.根据权利要求1所述的基于科室维度的收费异常识别方法，其特征在于，所述多层感知器神经网络模型是训练样本集训练获得的，其中，所述训练样本集为带有是否收费异常的标签的科室综合向量组成；所述训练集样本集是按照如下步骤获得的：

8.一种基于科室维度的收费异常识别装置，其特征在于，包括：

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述基于科室维度的收费异常识别方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于科室维度的收费异常识别方法的步骤。

技术总结
本发明涉及数字医疗领域，公开了一种基于科室维度的收费异常识别方法、装置、设备及介质，方法包括：获取预设时间段的科室的就诊数据，将就诊数据输入至就诊数据向量表示模型中获取就诊数据向量；获取预设时间段的科室的医生数据，将医生数据输入至医生数据向量表示模型中获取医生数据向量；将就诊数据向量和医生数据向量进行融合获取科室的科室综合向量；将科室综合向量输入至对收费异常识别模型中，获取科室的收费正常或异常情况，收费异常识别模型为多层感知器神经网络模型。本发明通过在科室维度自动识别收费异常，能够从海量的、复杂的数据中发现异常数据，从而达到最终控费目的，且异常识别的准确率更高，提升了效率，大大解放了人力。

技术研发人员：唐蕊
受保护的技术使用者：平安科技（深圳）有限公司
技术研发日：
技术公布日：2024/1/13