患者信息与医疗服务关系检测模型训练、检测方法及装置与流程

本发明涉及医保欺诈检测领域，特别涉及一种患者信息与医疗服务关系检测模型训练方法、患者信息与医疗服务匹配异常的检测方法及相关装置。

背景技术：

1、医保欺诈行为会对医保基金使用的公平性和有效性产生负面影响，在多种医保欺诈的手段中，部分欺诈者通过从医院或者与自身不相符的医疗服务进而获得报销来实现欺诈。现实场景中，医疗服务与患者的就诊信息不相符的具体情形可能复杂多样，并且随着医疗技术的发展，医保相关规章、政策和法律的不断完善和改变，这种情形会随着时间推移而不断变化，因此，如果想要利用异常识别规则对异常行为进行检测，一方面现实情况下很难穷尽所有的检测规则，而有限的检测规则显然会使得检测结果准确率偏低；另一方面，即便可以穷尽所有的检测规则，如果对每条医保数据都按照海量的规则进行检测，其计算量非常庞大，其效率也很难接受，因此亟需一种能够高效且准确检测患者信息与医疗服务是否匹配的方法。

技术实现思路

1、在庞大的患者数据中，真正患者信息与医疗服务匹配异常的样本较少，同时获取数据成本较高，通过现有技术检测患者信息与医疗服务对应异常的情况，还存在一系列问题。通过对医保数据的研究和分析，本发明的发明人发现，利用非常多的样本量（包括噪声），通过无监督学习挖掘患者信息和医疗服务不匹配的规则，能够高效且准确检测患者信息与医疗服务不匹配的医保记录。

2、鉴于上述问题和发现，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种患者信息与医疗服务关系检测模型训练方法、患者信息与医疗服务匹配异常的检测方法及相关装置。

3、第一方面，本发明实施例提供一种患者信息与医疗服务关系检测模型训练方法，包括：

4、获取患者就诊信息和医疗服务信息；

5、对所述患者就诊信息和医疗服务信息分别进行特征编码，得到患者信息向量和医疗服务向量；

6、将包含有所述患者信息向量和所述医疗服务向量的向量对作为样本数据，生成样本数据集；

7、使用所述样本数据集对预设的深度学习模型进行训练，得到患者信息与医疗服务关系检测模型。

8、在一个实施例中，所述患者就诊信息和/或医疗服务信息中包括：连续型数据；

9、对所述患者就诊信息和医疗服务信息分别进行特征编码，包括：

10、将所述连续型数据映射到预先划分的多个数据区间中对应的数据区间，根据所述对应的数据区间，对所述连续型数据进行特征编码。

11、在一个实施例中，所述患者就诊信息包括：至少一条历史疾病数据；

12、对患者就诊信息进行特征编码，包括：

13、对患者对应的至少一条历史疾病数据进行特征编码，得到历史疾病向量；所述历史疾病向量中包含分别与所述至少一条历史疾病数据对应的有效数据位。

14、在一个实施例中，所述得到历史疾病向量之后，还包括：

15、将所述历史疾病向量与对应的时间衰减函数相乘；所述时间衰减函数中包含至少一个时间衰减系数；所述时间衰减系数用于对所述历史疾病向量中每个历史疾病对应的有效数据位的数值进行衰减，且衰减程度与所述历史疾病的跨越时长正相关。

16、在一个实施例中，所述患者信息向量包括：就诊科室向量和就诊医院等级向量；

17、得到患者信息向量的步骤之后，还包括：

18、将所述就诊科室向量和就诊医院等级向量进行运算，得到交叉向量；

19、对所述交叉向量进行变换，得到科室-医院等级向量；

20、使用所述科室-医院等级向量，替代所述就诊科室向量和就诊医院等级向量。

21、在一个实施例中，医疗服务信息中包括组合医疗服务信息；

22、对医疗服务信息进行特征编码，包括：

23、对患者对应的至少一个组合医疗服务信息进行特征编码，得到组合医疗服务向量，所述组合医疗服务向量中包含与所述至少一个组合医疗服务信息对应的有效数据位。

24、在一个实施例中，将包含有所述患者信息向量和所述医疗服务向量的向量对作为样本数据，生成样本数据集，包括：

25、对于各条医保记录，分别将每条医保记录对应的所述患者信息向量和对应的医疗服务向量连接，生成多个正样本数据；

26、对所述多个正样本数据中的患者信息向量和/或医疗服务向量进行混洗，得到多个负样本数据；

27、将所述多个正样本数据和所述多个负样本数据组合，生成样本数据集。

28、第二方面，本发明实施例提供一种患者信息与医疗服务匹配异常的检测方法，包括：

29、获取待检测的医保记录，从所述医保记录中提取患者就诊信息和对应的医疗服务信息；

30、对所述患者就诊信息和对应的医疗服务信息分别进行特征编码，生成待检测的患者信息向量和待检测的医疗服务向量；

31、将所述待检测的患者信息向量和待检测的医疗服务向量输入至训练好的患者信息与医疗服务关系检测模型中，通过所述患者信息与医疗服务关系检测模型输出待检测医保记录的患者信息与医疗服务匹配的概率值；

32、根据所述待检测医保记录的患者信息与医疗服务匹配的概率值，确定待检测医保记录的患者信息与医疗服务匹配是否存在异常；

33、所述患者信息与医疗服务关系检测模型是通过如前所述的患者信息与医疗服务关系检测模型训练方法得到的。

34、第三方面，本发明实施例提供一种患者信息与医疗服务关系检测模型训练装置，包括：

35、获取模块，用于获取患者就诊信息和医疗服务信息；

36、编码模块，用于对所述患者就诊信息和医疗服务信息分别进行特征编码，得到患者信息向量和医疗服务向量；

37、生成模块，用于将包含有所述患者信息向量和所述医疗服务向量的向量对作为样本数据，生成样本数据集；

38、训练模块，用于使用所述样本数据集对预设的深度学习模型进行训练，得到患者信息与医疗服务关系检测模型。

39、第四方面，本发明实施例提供一种患者信息与医疗服务匹配异常的检测的装置，包括：

40、提取模块，用于获取待检测的医保记录，从所述医保记录中提取患者就诊信息和对应的医疗服务信息；

41、编码模块，用于对所述患者就诊信息和对应的医疗服务信息分别进行特征编码，生成待检测的患者信息向量和待检测的医疗服务向量；

42、检测模块，用于将所述待检测的患者信息向量和待检测的医疗服务向量输入至训练好的患者信息与医疗服务关系检测模型中，通过所述患者信息与医疗服务关系检测模型输出待检测医保记录的患者信息与医疗服务匹配的概率值；

43、确定模块，用于根据所述待检测医保记录的患者信息与医疗服务匹配的概率值，确定待检测医保记录的患者信息与医疗服务匹配是否存在异常；

44、所述患者信息与医疗服务关系检测模型是通过如前所述的患者信息与医疗服务关系检测模型训练方法得到的。

45、第五方面，本发明实施例提供一种计算机存储介质，其特征在于，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现如前所述的患者信息与医疗服务关系检测模型的训练方法或如前所述的患者信息与医疗服务匹配异常的检测方法。

46、第六方面，本发明实施例提供一种电子设备，其特征在于，包括：存储器、处理器及存储于存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如前所述的患者信息与医疗服务关系检测模型的训练方法或如前所述的患者信息与医疗服务匹配异常的检测方法。

47、本发明实施例提供的上述技术方案的有益效果至少包括：

48、本发明实施例提供的患者信息与医疗服务关系检测模型的训练方法，获取患者就诊信息和医疗服务信息，作为训练患者信息与医疗服务关系检测模型的基础数据，对患者就诊信息和医疗服务信息分别进行特征编码，得到患者信息向量和医疗服务向量，将患者信息向量和医疗服务向量组成向量对，得到样本数据集，使用样本数据集训练预设的深度学习模型，得到患者信息与医疗服务关系检测模型，由于海量医疗相关数据中大多数是相互匹配的患者就诊信息和医疗服务信息，本发明实施例通过无监督学习的方式，创建深度学习模型以充分挖掘和学习海量医疗相关数据中蕴含的患者就诊信息与医疗服务信息之间的匹配关系，从而可得到患者信息与医疗服务关系检测模型，利用该模型可快速、准确地判断出患者信息与医疗服务之间是否是匹配，避免了现有技术中使用检测规则进行识别带来的检测准确性和效率都较低的问题，极大地提高了筛选患者就诊信息和医疗服务信息不匹配的医保记录的效率和准确率。

49、在本发明实施例中，深度学习模型的训练过程，剔除了与患者就诊信息和医疗服务信息无关的数据，减少了噪音数据对患者信息与医疗服务关系检测模型的干扰，进一步提高了患者信息与医疗服务关系检测模型的训练效率和准确性。

50、基于上述训练好的患者信息与医疗服务关系检测模型，将患者就诊信息与医疗服务信息输入至该模型中，能够输出二者匹配的概率值，二者匹配的概率值能够表征二者匹配的程度，实现高效准确地筛选出患者就诊信息和医疗服务信息不匹配的医保记录。

51、本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

52、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。