CN107910068A - 投保用户的健康风险预测方法、装置、设备及存储介质 - Google Patents
投保用户的健康风险预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN107910068A CN107910068A CN201711222721.7A CN201711222721A CN107910068A CN 107910068 A CN107910068 A CN 107910068A CN 201711222721 A CN201711222721 A CN 201711222721A CN 107910068 A CN107910068 A CN 107910068A
- Authority
- CN
- China
- Prior art keywords
- user
- health
- health risk
- risk
- insures
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种投保用户的健康风险预测方法、装置、设备及存储介质,所述方法包括:获取待预测投保用户的个人健康数据信息和投保信息;按预设规则对所述个人健康数据信息进行提取,获取目标健康特征数据;根据所述投保信息,从预先训练好的健康风险预测模型中确定对应的目标健康风险预测模型;将所述目标健康特征数据送入到所述目标健康风险预测模型中,以获取所述待预测投保用户对应的健康风险概率;由于是根据预先训练的健康风险预测模型来确定对应的目标健康风险预测模型,并计算健康风险概率,从而能够较为准确地根据投保信息确定所述待预测投保用户对应的健康风险等级,在保证了健康风险预测效果的同时,也减轻了工作人员的工作量。
Description
技术领域
本发明涉及数据分析技术领域,尤其涉及一种投保用户的健康风险预测方法、装置、设备及存储介质。
背景技术
在保险行业尤其是健康险(以被保险人的身体为保险标的,使被保险人在疾病或意外事故所致伤害时发生的费用或损失获得补偿的一种保险)业务中,保险公司往往需要对投保用户的健康风险进行预测,从而判断未来可能出现的理赔概率或数额。
目前,保险公司通常依靠核保、报价人员的个人经验、医学知识、精算/统计知识,对已投保用户的既往理赔信息进行分析、判断,然后对待预测的投保用户进行健康风险预测,但这种预测方式中核保、报价人员的个人主观因素占比较高,预测的准确性较低。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种投保用户的健康风险预测方法、装置、设备及存储介质,旨在解决现有技术在对投保用户的健康风险进行预测时,准确性较低,效果较差的技术问题。
为实现上述目的,本发明提供了一种投保用户的健康风险预测方法,所述方法包括以下步骤:
获取待预测投保用户的个人健康数据信息和投保信息;
按预设规则对所述个人健康数据信息进行提取,获取目标健康特征数据;
根据所述投保信息,从预先训练好的健康风险预测模型中确定对应的目标健康风险预测模型;
将所述目标健康特征数据送入到所述目标健康风险预测模型中,以获取所述待预测投保用户对应的健康风险概率;
根据所述健康风险概率和所述投保信息确定所述待预测投保用户对应的健康风险等级。
优选地,所述获取待预测投保用户的个人健康数据信息和投保信息之前,所述方法还包括:
获取预设数量的已投保用户的个人健康数据信息,从所述个人健康数据信息中提取出预设类型的健康特征数据;
根据预设疾病分类规则对所述健康特征数据进行分类,获取不同的疾病样本以及各疾病样本对应的疾病影响因子;
根据不同的疾病样本以及各疾病样本对应的疾病影响因子分别对预设模型进行训练,获取不同疾病样本下各疾病对应的健康风险预测模型。
优选地,所述根据不同的疾病样本以及各疾病样本对应的疾病影响因子分别对预设模型进行训练,获取不同疾病样本下各疾病对应的健康风险预测模型,具体包括:
分别计算出不同疾病样本中每一疾病影响因子对应的疾病影响因子平均值;
通过预设生存分析法获取各疾病样本对应的样本人群在不同时点的生存率;
根据所述生存率、疾病影响因子以及疾病影响因子平均值对预设模型进行训练,获取不同疾病样本下各疾病对应的健康风险预测模型。
优选地,所述预设模型为:
其中,βi为第i个疾病影响因子对应的回归系数;Xi为第i个疾病影响因子;为疾病样本中第i个疾病影响因子的平均值;S0(t)为样本人群在t时点的生存率;P为待预测用户在t时点的健康风险概率。
优选地,所述获取预设数量的已投保用户的个人健康数据信息,从所述个人健康数据信息中提取出预设类型的健康特征数据,具体包括:
获取预设数量的已投保用户的个人健康数据信息;
对所述个人健康数据信息进行筛选,将具有患病史的已投保用户作为目标用户;
从所述目标用户对应的个人健康数据信息中提取出预设类型的健康特征数据。
优选地,所述根据所述健康风险概率和所述投保信息确定所述待预测投保用户对应的健康风险等级,具体包括:
在所述健康风险概率超过预设概率时,将所述待预测投保用户判定为高风险用户;
根据所述投保信息获取所述高风险用户购买的保险金额,在所述保险金额超过预设金额时,将所述高风险用户标记为高风险理赔用户,以确定所述待预测投保用户对应的健康风险等级。
优选地,所述根据所述投保信息获取所述高风险用户购买的保险金额,在所述保险金额超过预设金额时,将所述高风险用户标记为高风险理赔用户之后,所述方法还包括:
每隔预设时间周期获取所述高风险理赔用户的当前个人健康数据信息;
根据所述当前个人健康数据信息以及所述目标健康风险预测模型,计算出所述高风险理赔用户当前的实际健康风险概率;
在所述实际健康风险概率低于所述预设概率时,撤销对所述高风险理赔用户的标记,并根据所述实际健康风险概率确定所述待预测投保用户当前对应的健康风险等级。
此外,为实现上述目的,本发明还提出一种投保用户的健康风险预测设备,所述设备包括:
存储器、处理器及存储在所述存储器上并可在所述处理器上运行的投保用户的健康风险预测程序,所述投保用户的健康风险预测程序配置为实现如上文所述的投保用户的健康风险预测方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有投保用户的健康风险预测程序,所述投保用户的健康风险预测程序被处理器执行时实现如上文所述的投保用户的健康风险预测方法的步骤。
此外,为实现上述目的,本发明还提出一种投保用户的健康风险预测装置,所述装置包括:
信息获取模块,用于获取待预测投保用户的个人健康数据信息和投保信息;
信息提取模块,用于按预设规则对所述个人健康数据信息进行提取,获取目标健康特征数据;
模型选取模块,用于根据所述投保信息,从预先训练好的健康风险预测模型中确定对应的目标健康风险预测模型;
风险预测模块,用于将所述目标健康特征数据送入到所述目标健康风险预测模型中,以获取所述待预测投保用户对应的健康风险概率;
风险评估模块,用于根据所述健康风险概率和所述投保信息确定所述待预测投保用户对应的健康风险等级。
本发明获取待预测投保用户的个人健康数据信息和投保信息;按预设规则对所述个人健康数据信息进行提取,获取目标健康特征数据;根据所述投保信息,从预先训练好的健康风险预测模型中确定对应的目标健康风险预测模型;将所述目标健康特征数据送入到所述目标健康风险预测模型中,以获取所述待预测投保用户对应的健康风险概率;根据所述健康风险概率和所述投保信息确定所述待预测投保用户对应的健康风险等级;从而能够根据健康风险概率和所述投保信息,较为简便确定所述待预测投保用户对应的健康风险等级,在保证了健康风险预测效果准确性的同时,也减轻了工作人员的工作量。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的投保用户的健康风险预测设备的结构示意图;
图2为本发明投保用户的健康风险预测方法第一实施例的流程示意图;
图3为本发明投保用户的健康风险预测方法第二实施例的流程示意图;
图4为本发明投保用户的健康风险预测方法第三实施例的流程示意图;
图5为本发明投保用户的健康风险预测装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的投保用户的健康风险预测设备结构示意图。
如图1所示,该投保用户的健康风险预测设备(以下简称健康风险预测设备)可以包括:处理器1001,例如CPU,通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对健康风险预测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及投保用户的健康风险预测程序。
在图1所示的健康风险预测设备中,网络接口1004主要用于连接服务器,与服务器进行数据通信;用户接口1003主要用于连接客户端,与客户端进行数据通信,所述健康风险预测设备通过处理器1001调用存储器1005中存储的投保用户的健康风险预测程序,并执行以下操作:
获取待预测投保用户的个人健康数据信息和投保信息;
按预设规则对所述个人健康数据信息进行提取,获取目标健康特征数据;
根据所述投保信息,从预先训练好的健康风险预测模型中确定对应的目标健康风险预测模型;
将所述目标健康特征数据送入到所述目标健康风险预测模型中,以获取所述待预测投保用户对应的健康风险概率;
根据所述健康风险概率和所述投保信息确定所述待预测投保用户对应的健康风险等级。
进一步地,处理器1001可以调用存储器1005中存储的投保用户的健康风险预测程序,还执行以下操作:
获取预设数量的已投保用户的个人健康数据信息,从所述个人健康数据信息中提取出预设类型的健康特征数据;
根据预设疾病分类规则对所述健康特征数据进行分类,获取不同的疾病样本以及各疾病样本对应的疾病影响因子;
根据不同的疾病样本以及各疾病样本对应的疾病影响因子分别对预设模型进行训练,获取不同疾病样本下各疾病对应的健康风险预测模型。
进一步地,处理器1001可以调用存储器1005中存储的投保用户的健康风险预测程序,还执行以下操作:
分别计算出不同疾病样本中每一疾病影响因子对应的疾病影响因子平均值;
通过预设生存分析法获取各疾病样本对应的样本人群在不同时点的生存率;
根据所述生存率、疾病影响因子以及疾病影响因子平均值对预设模型进行训练,获取不同疾病样本下各疾病对应的健康风险预测模型。
进一步地,处理器1001可以调用存储器1005中存储的投保用户的健康风险预测程序,还执行以下操作:
获取预设数量的已投保用户的个人健康数据信息;
对所述个人健康数据信息进行筛选,将具有患病史的已投保用户作为目标用户;
从所述目标用户对应的个人健康数据信息中提取出预设类型的健康特征数据。
进一步地,处理器1001可以调用存储器1005中存储的投保用户的健康风险预测程序,还执行以下操作:
在所述健康风险概率超过预设概率时,将所述待预测投保用户判定为高风险用户;
根据所述投保信息获取所述高风险用户购买的保险金额,在所述保险金额超过预设金额时,将所述高风险用户标记为高风险理赔用户,以确定所述待预测投保用户对应的健康风险等级。
进一步地,处理器1001可以调用存储器1005中存储的投保用户的健康风险预测程序,还执行以下操作:
每隔预设时间周期获取所述高风险理赔用户的当前个人健康数据信息;
根据所述当前个人健康数据信息以及所述目标健康风险预测模型,计算出所述高风险理赔用户当前的实际健康风险概率;
在所述实际健康风险概率低于所述预设概率时,撤销对所述高风险理赔用户的标记,并根据所述实际健康风险概率确定所述待预测投保用户当前对应的健康风险等级。
本实施例通过按预设规则对所述个人健康数据信息进行提取,获取目标健康特征数据;根据所述投保信息,从预先训练好的健康风险预测模型中确定对应的目标健康风险预测模型;将所述目标健康特征数据送入到所述目标健康风险预测模型中,以获取所述待预测投保用户对应的健康风险概率;根据所述健康风险概率和所述投保信息确定所述待预测投保用户对应的健康风险等级;从而能够根据健康风险概率和所述投保信息,较为简便确定所述待预测投保用户对应的健康风险等级,在保证了健康风险预测效果准确性的同时,也减轻了工作人员的工作量。
基于上述硬件结构,提出本发明投保用户的健康风险预测方法实施例。
参照图2,图2为本发明投保用户的健康风险预测方法第一实施例的流程示意图。
本实施例中,所述方法包括以下步骤:
步骤S10:获取待预测投保用户的个人健康数据信息和投保信息;
需要说明的是,所述待预测投保用户可以是已购买或预购买健康险或其他类别保险的用户;所述个人健康数据信息可包括:年龄、性别、生理参数(例如体重、血型/血压、心率、肺活量等)、既往就医史、家族遗传病史以及职业等,与用户人身相关基本信息。所述投保信息可以是用户购买健康险或其他类保险的信息,例如:保险人和被保险人的名称、保险标的、保险金额、保险费、保险期限、赔偿或给付的责任范围、历史赔付记录等,当然具体的投保信息的种类可根据实际情况设定,本实施例对此不加以限制。
在具体实现中,所述个人健康数据信息和投保信息的获得可以是通过对用户进行健康问卷调查或者根据公安***、医疗***和/或保险***中用户的个人资料中获得。
步骤S20:按预设规则对所述个人健康数据信息进行提取,获取目标健康特征数据;
需要说明的是,所述预设规则可以是对待预测投保用户个人健康数据信息进行筛选,以从中去掉对健康风险预测结果影响不大或几乎无影响的信息的过滤规则,也可以是预设的用于对个人健康数据信息进行提取的信息提取列表,具体的信息提取列表中包括的信息选项或种类,可根据实际情况设定与增删,本实施例对此不加以限制。
应理解的是,所述目标健康特征数据可以是能够反映出待预测用户过去一段时间身体健康状况相关的数据,例如:去医院就诊的次数,所患疾病的种类、近几次的体检数据,年龄、职业以及家族遗传病等信息数据。
在具体实现中,在获取到待预测投保用户的个人健康数据信息后,可按预设规则对所述个人健康数据信息进行提取,获取目标健康特征数据。
步骤S30:根据所述投保信息,从预先训练好的健康风险预测模型中确定对应的目标健康风险预测模型;
需要说明的是,所述健康风险模型可以类似于支持向量机模型的有监督的学习模型;也可以是类似于Cox比例风险模型或Weibull回归模型等统计学模型;具体的预测模型的选用及训练可根据实际情况而定,本实施例对此不加以限制。此外,在本实施例中所述健康风险预测模型为已根据大量用户的健康特征数据训练好的能够对待预测用户的进行健康风险预测的模型。本实施例中,不同的疾病均对应有相应的健康风险预测模型。
可理解的是,待预测投保用户的投保信息中,保险标的一般会标明对应的投保事项,例如投保的疾病种类等,因此在获取到所述投保信息后,可根据投保信息中的投保事项来从预先训练好的健康风险预测模型中确定对应的目标健康风险预测模型,例如:用户投保的疾病为心脏病,则可以从预先训练好的健康风险预测模型中选取心脏病的目标健康风险预测模型。
步骤S40:将所述目标健康特征数据送入到所述目标健康风险预测模型中,以获取所述待预测投保用户对应的健康风险概率。
在本实施例中,所述健康风险概率可以是用户在当前时刻(时点)或将来一段时间内发生健康问题(例如:生病、死亡或意外伤害等)的概率。
步骤S50:根据所述健康风险概率和所述投保信息确定所述待预测投保用户对应的健康风险等级。
需要说明的是,本实施例中所述健康风险等级可以分为高风险用户、普通风险用户以及低风险用户三个级别,而不同级别的风险用户又可以根据其投保信息中的保险金额分为高理赔用户、普通理赔用户以及低理赔用户三个级别,例如:通过待预测用户A的目标健康特征数据以及所述健康风险预测模型计算出了待预测用户A在接下来半年可能换高血压疾病的概率为80%(属于高风险用户),而用户A的投保信息中的保险标的为人身保险,且保险金额为20万(属于高理赔用户),则可认定用户A为高风险理赔用户。当然,风险级别与理赔级别的种类划分与评判标准均可根据实际情况设定,本实施例对此不加以限制。
在具体实现中,在根据所述健康风险预测模型计算出待预测用户的健康风险概率后,可结合待预测用户的投保信息确定出所述待预测投保用户对应的健康风险等级,以实现健康风险预测。
本实施例通过获取待预测投保用户的个人健康数据信息和投保信息;按预设规则对所述个人健康数据信息进行提取,获取目标健康特征数据;将所述目标健康特征数据送入到预先训练好的健康风险预测模型中,以获取所述待预测投保用户对应的健康风险概率;从而能够根据健康风险概率和所述投保信息,较为简便地确定所述待预测投保用户对应的健康风险等级,在保证了健康风险预测效果准确性的同时,也减轻了工作人员的工作量。
参考图3,图3为本发明投保用户的健康风险预测方法第二实施例的流程示意图。
基于上述第一实施例,本实施例提出的投保用户的健康风险预测方法在所述步骤S10之前,还包括:
步骤S01:获取预设数量的已投保用户的个人健康数据信息,从所述个人健康数据信息中提取出预设类型的健康特征数据;
需要说明的是,所述已投保用户为已经购买了各种健康类保险的用户。为了保证后续获得的健康风险预测模型具有较高的准确率,从而提高健康风险的预测水平,在选取模型样本时,可根据实际情况来确定模型样本数量,例如:10万、50万或100万等。所述预设类型可以是预先定义的信息类别,例如:体检数据、年龄、就医次数、就医花费等,本实施例对此不加以限制。
应理解的是,在众多的已投保用户中可能存在一部分在保险期间内没有患病就医记录或刚刚购买保险的用户,而这些投保用户的健康特征数据对模型训练的使用意义不大,考虑到在进行模型训练时,通常情况下模型样本数量较大,需要收集和提取的用户个人健康数据信息的体量也较为庞大,为了保证提取到的健康特征数据真实有效,在本实施例中所述步骤S10可具体包括:获取预设数量的已投保用户的个人健康数据信息;对所述个人健康数据信息进行筛选,将具有患病史的已投保用户作为目标用户;从所述目标用户对应的个人健康数据信息中提取出预设类型的健康特征数据。
步骤S02:根据预设疾病分类规则对所述健康特征数据进行分类,获取不同的疾病样本以及各疾病样本对应的疾病影响因子;
需要说明的是,所述预设疾病分类规则可以是对不同用户所患的疾病进行分类的规则,具体的分类规则可依据《国际疾病分类》或全国统一的《医院住院病人疾病分类》来制定,本实施例对此不加以限制。
可理解的是,在相应的疾病分类规则(即所述预设疾病分类规则)制定完成后,可根据该疾病分类规则对各已投保用户对应的健康特征数据进行分类,获取不同的疾病样本(例如:高血压样本、高血脂样本、冠心病样本等)以及各疾病样本对应的疾病影响因子(例如:血压、血脂、心率、肺活量等)。
在实际情况中,部分已投保用户可能患有多种疾病,例如身患高血压和高血脂的用户,在获取到此用户的健康特征数据后,在进行疾病分类时,需要将这类用户的健康特征数据分别划入到高血压样本和高血脂样本中,也就是说高血糖样本中含有此用户的健康特征数据,高血脂样本中也含有此用户的健康特征数据。
步骤S03:根据不同的疾病样本以及各疾病样本对应的疾病影响因子对预设模型进行训练,获取不同疾病样本下各疾病对应的健康风险预测模型;
在获取到不同的疾病样本后,可根据各疾病样本对应的疾病影响因子对预设模型进行训练,获取不同疾病样本下各疾病对应的健康风险预测模型,例如:通过高血压样本以及高血压样本包含的健康特征数据获取高血压对应的健康风险预测模型、通过冠心病样本以及冠心病样本包含的健康特征数据获取冠心病对应的健康风险预测模型等。
在具体实现中,所述步骤S03可具体包括:计算出不同疾病样本中各疾病影响因子对应的疾病影响因子平均值;分别计算出不同疾病样本中每一疾病影响因子对应的疾病影响因子平均值;通过预设生存分析法获取各疾病样本对应的样本人群在不同时点的生存率;根据所述生存率、疾病影响因子以及疾病影响因子平均值对预设模型进行训练,获取不同疾病样本下各疾病对应的健康风险预测模型。
进一步地,考虑到获取到的已投保用户的健康特征数据可能没有一定的分布规律,本实施例中所述预选模型选用对数据分布情况没有要求的模型:
其中,βi为第i个疾病影响因子对应的回归系数;Xi为第i个疾病影响因子;为疾病样本中第i个疾病影响因子的平均值;S0(t)为样本人群在t时点的生存率;P为待预测用户在t时点的健康风险概率。
本实施例通过获取预设数量的已投保用户的个人健康数据信息,从所述个人健康数据信息中提取出预设类型的健康特征数据;根据预设疾病分类规则对所述健康特征数据进行分类,获取不同的疾病样本以及各疾病样本对应的疾病影响因子;根据不同的疾病样本以及各疾病样本对应的疾病影响因子分别对预设模型进行训练,获取不同疾病样本下各疾病对应的健康风险预测模型,由于是通过预设疾病分类规则对健康特征数据进行分类,然后针对每一类疾病都进行模型训练,获取不同疾病样本下各疾病对应的健康风险预测模型,从而提高了健康风险预测模型预测结果的可靠性与准确性。
参考图4,图4为本发明投保用户的健康风险预测方法第三实施例的流程示意图。
基于上述各实施例,本实施例提出的投保用户的健康风险预测方法中,所述步骤S50可具体包括:
步骤S501:在所述健康风险概率超过预设概率时,将所述待预测投保用户判定为高风险用户;
步骤S502:根据所述投保信息获取所述高风险用户购买的保险金额,在所述保险金额超过预设金额时,将所述高风险用户标记为高风险理赔用户,以确定所述待预测投保用户对应的健康风险等级。
需要说明的是,所述预设概率可以是预先设定的判断用户是否为高风险用户的概率,当发现待预测用户的健康风险概率超过所述预设概率时,则判定用户为高风险用户,例如:所述预设概率为60%,经计算得出的用户B的健康风险概率为79%超过了所述预设概率,则判定所述用户B为高风险用户。
可以理解的是,由于投保用户的年龄段、职业、经济水平各不相同,因此他们购买保险时购买的保险金额也不尽相同,为了进一步对所述高风险用户人群进行区分,方便业务人员直观有效地确认每个高风险用户所属的等级,还可以预先设定一个理赔金额(即预设金额)来对判定为高风险用户的健康风险等级继续进行划分。
在具体实现中,通过获取高风险用户的投保信息,确定所述高风险用户的保险金额,再将所述保险金额与所述预设金额进行比较,在所述保险金额超过预设金额时,将所述高风险用户标记为高风险理赔用户,以确定所述待预测投保用户对应的健康风险等级。
进一步地,对于部分高风险用户可能会由于身体机能的恢复带来身体状况的改善,相应地健康风险也大大降低,为了尽可能的对此类高风险用户的健康风险等级进行实时判断,本实施例方法在所述步骤S501之后,还可包括:每隔预设时间周期获取所述高风险理赔用户的当前个人健康数据信息;根据所述当前个人健康数据信息以及所述健康风险预测模型,计算出所述高风险理赔用户当前的实际健康风险概率;在所述实际健康风险概率低于所述预设概率时,撤销对所述高风险理赔用户的标记,并根据所述实际健康风险概率确定所述待预测投保用户当前对应的健康风险等级。
本实施例在计算出的所述健康风险概率超过预设概率时,将所述待预测投保用户判定为高风险用户;根据所述投保信息获取所述高风险用户购买的保险金额,在所述保险金额超过预设金额时,将所述高风险用户标记为高风险理赔用户,从而能够实现对每个待预测用户对应的健康风险等级进行准确划分。
参照图5,图5为本发明投保用户的健康风险预测装置第一实施例的结构框图。
如图5所示,本实施例提出的投保用户的健康风险预测装置101包括:
信息获取模块1011,用于获取待预测投保用户的个人健康数据信息和投保信息;
需要说明的是,所述待预测投保用户可以是已购买或预购买健康险或其他类别保险的用户;所述个人健康数据信息可包括:年龄、性别、生理参数(例如体重、血型/血压、心率、肺活量等)、既往就医史、家族遗传病史以及职业等,与用户人身相关基本信息。所述投保信息可以是用户购买健康险或其他类保险的信息,例如:保险人和被保险人的名称、保险标的、保险金额、保险费、保险期限、赔偿或给付的责任范围、历史赔付记录等,当然具体的投保信息的种类可根据实际情况设定,本实施例对此不加以限制。
在具体实现中,所述个人健康数据信息和投保信息的获得可以由所述信息获取模块1011通过对用户进行健康问卷调查或者根据公安***、医疗***和/或保险***中用户的个人资料中获得。
信息提取模块1012,用于按预设规则对所述个人健康数据信息进行提取,获取目标健康特征数据;
需要说明的是,所述预设规则可以是对待预测投保用户个人健康数据信息进行筛选,以从中去掉对健康风险预测结果影响不大或几乎无影响的信息的过滤规则,也可以是预设的用于对个人健康数据信息进行提取的信息提取列表,具体的信息提取列表中包括的信息选项或种类,可根据实际情况设定与增删,本实施例对此不加以限制。
应理解的是,所述目标健康特征数据可以是能够反映出待预测用户过去一段时间身体健康状况相关的数据,例如:去医院就诊的次数,所患疾病的种类、近几次的体检数据,年龄、职业以及家族遗传病等信息数据。
模型选取模块1013,根据所述投保信息,从预先训练好的健康风险预测模型中确定对应的目标健康风险预测模型;
需要说明的是,所述健康风险模型可以类似于支持向量机模型的有监督的学习模型;也可以是类似于Cox比例风险模型或Weibull回归模型等统计学模型;具体的预测模型的选用及训练可根据实际情况而定,本实施例对此不加以限制。此外,在本实施例中所述健康风险预测模型为已根据大量用户的健康特征数据训练好的能够对待预测用户的进行健康风险预测的模型。本实施例中,不同的疾病均对应有相应的健康风险预测模型。
可理解的是,待预测投保用户的投保信息中,保险标的一般会标明对应的投保事项,例如投保的疾病种类等,因此在获取到所述投保信息后,可根据投保信息中的投保事项来从预先训练好的健康风险预测模型中确定对应的目标健康风险预测模型,例如:用户投保的疾病为心脏病,则可以从预先训练好的健康风险预测模型中选取心脏病的目标健康风险预测模型。
风险预测模块1014,用于将所述目标健康特征数据送入到所述目标健康风险预测模型中,以获取所述待预测投保用户对应的健康风险概率;
在本实施例中,所述健康风险概率可以是用户在当前时刻(时点)或将来一段时间内发生健康问题(例如:生病、死亡或意外伤害等)的概率。
风险评估模块1015,用于根据所述健康风险概率和所述投保信息确定所述待预测投保用户对应的健康风险等级。
需要说明的是,本实施例中所述健康风险等级可以分为高风险用户、普通风险用户以及低风险用户三个级别,而不同级别的风险用户又可以根据其投保信息中的保险金额分为高理赔用户、普通理赔用户以及低理赔用户三个级别,例如:通过待预测用户A的目标健康特征数据以及所述健康风险预测模型计算出了待预测用户A在接下来半年可能换高血压疾病的概率为80%(属于高风险用户),而用户A的投保信息中的保险标的为人身保险,且保险金额为20万(属于高理赔用户),则可认定用户A为高风险理赔用户。当然,风险级别与理赔级别的种类划分与评判标准均可根据实际情况设定,本实施例对此不加以限制。
本实施例根据获取的健康风险概率和投保信息,较为简便地确定所述待预测投保用户对应的健康风险等级,在保证了健康风险预测效果准确性的同时,也减轻了工作人员的工作量。
基于上述投保用户的健康风险预测装置第一实施例,本实施例中所述投保用户的健康风险预测装置101还包括:数据获取模块、样本分类模块以及模型训练模块。
所述数据获取模块,用于获取预设数量的已投保用户的个人健康数据信息,从所述个人健康数据信息中提取出预设类型的健康特征数据;
需要说明的是,所述已投保用户为已经购买了各种健康类保险的用户。为了保证后续获得的健康风险预测模型具有较高的准确率,从而提高健康风险的预测水平,在选取模型样本时,可根据实际情况来确定模型样本数量,例如:10万、50万或100万等。所述预设类型可以是预先定义的信息类别,例如:体检数据、年龄、就医次数、就医花费等,本实施例对此不加以限制。
应理解的是,在众多的已投保用户中可能存在一部分在保险期间内没有患病就医记录或刚刚购买保险的用户,而这些投保用户的健康特征数据对模型训练的使用意义不大,考虑到在进行模型训练时,通常情况下模型样本数量较大,需要收集和提取的用户个人健康数据信息的体量也较为庞大,为了保证提取到的健康特征数据真实有效,在本实施例中所述数据获取模块,还用于获取预设数量的已投保用户的个人健康数据信息;对所述个人健康数据信息进行筛选,将具有患病史的已投保用户作为目标用户;从所述目标用户对应的个人健康数据信息中提取出预设类型的健康特征数据。
所述样本分类模块,用于根据预设疾病分类规则对所述健康特征数据进行分类,获取不同的疾病样本以及各疾病样本对应的疾病影响因子;
需要说明的是,所述预设疾病分类规则可以是对不同用户所患的疾病进行分类的规则,具体的分类规则可依据《国际疾病分类》或全国统一的《医院住院病人疾病分类》来制定,本实施例对此不加以限制。
可理解的是,在相应的疾病分类规则(即所述预设疾病分类规则)制定完成后,可根据该疾病分类规则对各已投保用户对应的健康特征数据进行分类,获取不同的疾病样本(例如:高血压样本、高血脂样本、冠心病样本等)以及各疾病样本对应的疾病影响因子(例如:血压、血脂、心率、肺活量等)。
在实际情况中,部分已投保用户可能患有多种疾病,例如身患高血压和高血脂的用户,在获取到此用户的健康特征数据后,在进行疾病分类时,需要将这类用户的健康特征数据分别划入到高血压样本和高血脂样本中,也就是说高血糖样本中含有此用户的健康特征数据,高血脂样本中也含有此用户的健康特征数据。
所述模型训练模块,用于根据不同的疾病样本以及各疾病样本对应的疾病影响因子对预设模型进行训练,获取不同疾病样本下各疾病对应的健康风险预测模型。
可以理解的是,在获取到不同的疾病样本后,可根据各疾病样本对应的疾病影响因子对预设模型进行训练,获取不同疾病样本下各疾病对应的健康风险预测模型,例如:通过高血压样本以及高血压样本包含的健康特征数据获取高血压对应的健康风险预测模型、通过冠心病样本以及冠心病样本包含的健康特征数据获取冠心病对应的健康风险预测模型等。
本实施例中,所述模型训练模块,还用于计算出不同疾病样本中各疾病影响因子对应的疾病影响因子平均值;通过预设生存分析法(例如Kaplan-Meier分析法)获取各疾病样本对应的样本人群在不同时点的生存率;根据所述生存率、疾病影响因子以及疾病影响因子平均值对预设模型进行训练,获取不同疾病样本下各疾病对应的健康风险预测模型。考虑到获取到的已投保用户的健康特征数据可能没有一定的分布规律,本实施例中所述预选模型选用对数据分布情况没有要求的模型:
其中,βi为第i个疾病影响因子对应的回归系数;Xi为第i个疾病影响因子;为疾病样本中第i个疾病影响因子的平均值;S0(t)为样本人群在t时点的生存率;P为待预测用户在t时点的健康风险概率。
进一步地,所述风险评估模块1015,还用于在所述健康风险概率超过预设概率时,将所述待预测投保用户判定为高风险用户;根据所述投保信息获取所述高风险用户购买的保险金额,在所述保险金额超过预设金额时,将所述高风险用户标记为高风险理赔用户,以确定所述待预测投保用户对应的健康风险等级。
需要说明的是,所述预设概率可以是预先设定的判断用户是否为高风险用户的概率,当发现待预测用户的健康风险概率超过所述预设概率时,则判定用户为高风险用户,例如:所述预设概率为60%,经计算得出的用户B的健康风险概率为79%超过了所述预设概率,则判定所述用户B为高风险用户。
可以理解的是,由于投保用户的年龄段、职业、经济水平各不相同,因此他们购买保险时购买的保险金额也不尽相同,为了进一步对所述高风险用户人群进行区分,方便业务人员直观有效地确认每个高风险用户所属的等级,还可以预先设定一个理赔金额(即预设金额)来对判定为高风险用户的健康风险等级继续进行划分。
进一步地,对于部分高风险用户可能会由于身体机能的恢复带来身体状况的改善,相应地健康风险也大大降低,为了尽可能的对此类高风险用户的健康风险等级进行实时判断。本实施例中所述风险评估模块1015,还用于每隔预设时间周期获取所述高风险理赔用户的当前个人健康数据信息;根据所述当前个人健康数据信息以及所述健康风险预测模型,计算出所述高风险理赔用户当前的实际健康风险概率;在所述实际健康风险概率低于所述预设概率时,撤销对所述高风险理赔用户的标记,并根据所述实际健康风险概率确定所述待预测投保用户当前对应的健康风险等级。
本实施例在计算出的所述健康风险概率超过预设概率时,将所述待预测投保用户判定为高风险用户;根据所述投保信息获取所述高风险用户购买的保险金额,在所述保险金额超过预设金额时,将所述高风险用户标记为高风险理赔用户,从而能够实现对每个待预测用户对应的健康风险等级进行准确划分。
此外,本发明还提供一种存储介质,所述存储介质上存储有投保用户的健康风险预测程序,所述投保用户的健康风险预测程序被处理器执行时实现如下操作:
获取待预测投保用户的个人健康数据信息和投保信息;
按预设规则对所述个人健康数据信息进行提取,获取目标健康特征数据;
根据所述投保信息,从预先训练好的健康风险预测模型中确定对应的目标健康风险预测模型;
将所述目标健康特征数据送入到所述目标健康风险预测模型中,以获取所述待预测投保用户对应的健康风险概率;
根据所述健康风险概率和所述投保信息确定所述待预测投保用户对应的健康风险等级。
进一步地,所述投保用户的健康风险预测程序被处理器执行时还实现如下操作:
获取预设数量的已投保用户的个人健康数据信息,从所述个人健康数据信息中提取出预设类型的健康特征数据;
根据预设疾病分类规则对所述健康特征数据进行分类,获取不同的疾病样本以及各疾病样本对应的疾病影响因子;
根据不同的疾病样本以及各疾病样本对应的疾病影响因子对预设模型进行训练,获取不同疾病样本下各疾病对应的健康风险预测模型。
进一步地,所述投保用户的健康风险预测程序被处理器执行时还实现如下操作:
分别计算出不同疾病样本中每一疾病影响因子对应的疾病影响因子平均值;
通过预设生存分析法获取各疾病样本对应的样本人群在不同时点的生存率;
根据所述生存率、疾病影响因子以及疾病影响因子平均值对预设模型进行训练,获取不同疾病样本下各疾病对应的健康风险预测模型。
进一步地,所述投保用户的健康风险预测程序被处理器执行时还实现如下操作:
获取预设数量的已投保用户的个人健康数据信息;
对所述个人健康数据信息进行筛选,将具有患病史的已投保用户作为目标用户;
从所述目标用户对应的个人健康数据信息中提取出预设类型的健康特征数据。
进一步地,所述投保用户的健康风险预测程序被处理器执行时还实现如下操作:
在所述健康风险概率超过预设概率时,将所述待预测投保用户判定为高风险用户;
根据所述投保信息获取所述高风险用户购买的保险金额,在所述保险金额超过预设金额时,将所述高风险用户标记为高风险理赔用户,以确定所述待预测投保用户对应的健康风险等级。
进一步地,所述投保用户的健康风险预测程序被处理器执行时还实现如下操作:
每隔预设时间周期获取所述高风险理赔用户的当前个人健康数据信息;
根据所述当前个人健康数据信息以及所述目标健康风险预测模型,计算出所述高风险理赔用户当前的实际健康风险概率;
在所述实际健康风险概率低于所述预设概率时,撤销对所述高风险理赔用户的标记,并根据所述实际健康风险概率确定所述待预测投保用户当前对应的健康风险等级。
本实施例根据获取的健康风险概率和投保信息,较为简便地确定所述待预测投保用户对应的健康风险等级,在保证了健康风险预测效果准确性的同时,也减轻了工作人员的工作量。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
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到上述实施例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,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、磁碟、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,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种投保用户的健康风险预测方法,其特征在于,所述方法包括:
获取待预测投保用户的个人健康数据信息和投保信息;
按预设规则对所述个人健康数据信息进行提取,获取目标健康特征数据;
根据所述投保信息,从预先训练好的健康风险预测模型中确定对应的目标健康风险预测模型;
将所述目标健康特征数据送入到所述目标健康风险预测模型中,以获取所述待预测投保用户对应的健康风险概率;
根据所述健康风险概率和所述投保信息确定所述待预测投保用户对应的健康风险等级。
2.如权利要求1所述的方法,其特征在于,所述获取待预测投保用户的个人健康数据信息和投保信息之前,所述方法还包括:
获取预设数量的已投保用户的个人健康数据信息,从所述个人健康数据信息中提取出预设类型的健康特征数据;
根据预设疾病分类规则对所述健康特征数据进行分类,获取不同的疾病样本以及各疾病样本对应的疾病影响因子;
根据不同的疾病样本以及各疾病样本对应的疾病影响因子分别对预设模型进行训练,获取不同疾病样本下各疾病对应的健康风险预测模型。
3.如权利要求2所述的方法,其特征在于,所述根据不同的疾病样本以及各疾病样本对应的疾病影响因子分别对预设模型进行训练,获取不同疾病样本下各疾病对应的健康风险预测模型,具体包括:
分别计算出不同疾病样本中每一疾病影响因子对应的疾病影响因子平均值;
通过预设生存分析法获取各疾病样本对应的样本人群在不同时点的生存率;
根据所述生存率、疾病影响因子以及疾病影响因子平均值对预设模型进行训练,获取不同疾病样本下各疾病对应的健康风险预测模型。
4.如权利要求3所述的方法,其特征在于,所述预设模型为:
<mrow>
<mi>P</mi>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>S</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>p</mi>
</msubsup>
<msub>
<mi>&beta;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>p</mi>
</msubsup>
<msub>
<mi>&beta;</mi>
<mi>i</mi>
</msub>
<msub>
<mover>
<mi>X</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
其中,βi为第i个疾病影响因子对应的回归系数;Xi为第i个疾病影响因子;为疾病样本中第i个疾病影响因子的平均值;S0(t)为样本人群在t时点的生存率;P为待预测用户在t时点的健康风险概率。
5.如权利要求4所述的方法,其特征在于,所述获取预设数量的已投保用户的个人健康数据信息,从所述个人健康数据信息中提取出预设类型的健康特征数据,具体包括:
获取预设数量的已投保用户的个人健康数据信息;
对所述个人健康数据信息进行筛选,将具有患病史的已投保用户作为目标用户;
从所述目标用户对应的个人健康数据信息中提取出预设类型的健康特征数据。
6.如权利要求5所述的方法,其特征在于,所述根据所述健康风险概率和所述投保信息确定所述待预测投保用户对应的健康风险等级,具体包括:
在所述健康风险概率超过预设概率时,将所述待预测投保用户判定为高风险用户;
根据所述投保信息获取所述高风险用户购买的保险金额,在所述保险金额超过预设金额时,将所述高风险用户标记为高风险理赔用户,以确定所述待预测投保用户对应的健康风险等级。
7.如权利要求6所述的方法,其特征在于,所述根据所述投保信息获取所述高风险用户购买的保险金额,在所述保险金额超过预设金额时,将所述高风险用户标记为高风险理赔用户,以确定所述待预测投保用户对应的健康风险等级之后,所述方法还包括:
每隔预设时间周期获取所述高风险理赔用户的当前个人健康数据信息;
根据所述当前个人健康数据信息以及所述目标健康风险预测模型,计算出所述高风险理赔用户当前的实际健康风险概率;
在所述实际健康风险概率低于所述预设概率时,撤销对所述高风险理赔用户的标记,并根据所述实际健康风险概率确定所述待预测投保用户当前对应的健康风险等级。
8.一种投保用户的健康风险预测装置,其特征在于,所述装置包括:
信息获取模块,用于获取待预测投保用户的个人健康数据信息和投保信息;
信息提取模块,用于按预设规则对所述个人健康数据信息进行提取,获取目标健康特征数据;
模型选取模块,根据所述投保信息,从预先训练好的健康风险预测模型中确定对应的目标健康风险预测模型;
风险预测模块,用于将所述目标健康特征数据送入到预先训练好的健康风险预测模型中,以获取所述待预测投保用户对应的健康风险概率;
风险评估模块,用于根据所述健康风险概率和所述投保信息确定所述待预测投保用户对应的健康风险等级。
9.一种投保用户的健康风险预测设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的投保用户的健康风险预测程序,所述投保用户的健康风险预测程序配置为实现如权利要求1至7中任一项所述的投保用户的健康风险预测方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有投保用户的健康风险预测程序,所述投保用户的健康风险预测程序被处理器执行时实现如权利要求1至7任一项所述的投保用户的健康风险预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711222721.7A CN107910068A (zh) | 2017-11-29 | 2017-11-29 | 投保用户的健康风险预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711222721.7A CN107910068A (zh) | 2017-11-29 | 2017-11-29 | 投保用户的健康风险预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107910068A true CN107910068A (zh) | 2018-04-13 |
Family
ID=61849089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711222721.7A Pending CN107910068A (zh) | 2017-11-29 | 2017-11-29 | 投保用户的健康风险预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107910068A (zh) |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510402A (zh) * | 2018-06-06 | 2018-09-07 | 中国平安人寿保险股份有限公司 | 险种信息推荐方法、装置、计算机设备及存储介质 |
CN108682457A (zh) * | 2018-04-17 | 2018-10-19 | 中国医学科学院阜外医院 | 患者长期预后定量预测和干预***及方法 |
CN108921707A (zh) * | 2018-06-05 | 2018-11-30 | 中国平安人寿保险股份有限公司 | 核保处理方法、装置、计算机设备和存储介质 |
CN109192306A (zh) * | 2018-09-21 | 2019-01-11 | 广东工业大学 | 一种糖尿病的判断装置、设备及计算机可读存储介质 |
CN109345397A (zh) * | 2018-09-17 | 2019-02-15 | 平安科技(深圳)有限公司 | 智能分保方法、服务器及存储介质 |
CN109377388A (zh) * | 2018-09-13 | 2019-02-22 | 平安医疗健康管理股份有限公司 | 医保投保方法、装置、计算机设备和存储介质 |
CN109377384A (zh) * | 2018-09-03 | 2019-02-22 | 阿里巴巴集团控股有限公司 | 健康险的确定方法、装置和服务器 |
CN109472711A (zh) * | 2018-12-14 | 2019-03-15 | 平安健康保险股份有限公司 | 健康险的核保方法、装置、设备及计算机可读存储介质 |
CN109493972A (zh) * | 2018-10-30 | 2019-03-19 | 平安医疗健康管理股份有限公司 | 基于预测模型的数据处理方法、装置、服务器及存储介质 |
CN109493244A (zh) * | 2018-11-07 | 2019-03-19 | 平安医疗健康管理股份有限公司 | 基于预测模型配置保险需求的方法及相关产品 |
CN109523067A (zh) * | 2018-10-30 | 2019-03-26 | 平安医疗健康管理股份有限公司 | 基于预测模型的费用预测方法、装置、服务器及存储介质 |
CN109559243A (zh) * | 2018-12-13 | 2019-04-02 | 泰康保险集团股份有限公司 | 保险核保方法、装置、介质及电子设备 |
CN109620194A (zh) * | 2018-12-12 | 2019-04-16 | 泰康保险集团股份有限公司 | 心率检测处理方法、装置、介质及电子设备 |
CN109727125A (zh) * | 2019-01-25 | 2019-05-07 | 深圳乐信软件技术有限公司 | 借款金额预测方法、装置、服务器、存储介质 |
CN110110906A (zh) * | 2019-04-19 | 2019-08-09 | 电子科技大学 | 一种基于Efron近似优化的生存风险建模方法 |
CN110993103A (zh) * | 2019-11-28 | 2020-04-10 | 阳光人寿保险股份有限公司 | 疾病风险预测模型的建立方法和疾病保险产品的推荐方法 |
CN111105316A (zh) * | 2019-11-13 | 2020-05-05 | 泰康保险集团股份有限公司 | 长期护理保险的数据处理方法、装置、介质与电子设备 |
CN111179095A (zh) * | 2018-11-09 | 2020-05-19 | 天津幸福生命科技有限公司 | 基于健康风险评估的核保方法、***、设备及存储介质 |
CN111180065A (zh) * | 2018-11-09 | 2020-05-19 | 天津幸福生命科技有限公司 | 保险用户评估方法、装置、电子设备及计算机可读介质 |
CN111179096A (zh) * | 2018-11-09 | 2020-05-19 | 天津幸福生命科技有限公司 | 医疗数据审核方法、装置、电子设备及计算机可读介质 |
CN111275558A (zh) * | 2020-01-13 | 2020-06-12 | 上海维跃信息科技有限公司 | 用于确定保险数据的方法和装置 |
WO2020119118A1 (zh) * | 2018-12-13 | 2020-06-18 | 平安医疗健康管理股份有限公司 | 异常数据的处理方法、装置、设备及计算机可读存储介质 |
CN111462910A (zh) * | 2020-03-31 | 2020-07-28 | 上海商汤智能科技有限公司 | 项目的匹配方法及装置、电子设备和存储介质 |
CN111584084A (zh) * | 2020-05-25 | 2020-08-25 | 泰康保险集团股份有限公司 | 用户信息处理的方法、装置、电子设备和存储介质 |
CN111666591A (zh) * | 2020-06-09 | 2020-09-15 | 山东健康医疗大数据有限公司 | 线上核保数据安全处理方法、***、设备及存储介质 |
WO2020207317A1 (zh) * | 2019-04-09 | 2020-10-15 | Oppo广东移动通信有限公司 | 用户健康评估方法、装置、存储介质及电子设备 |
CN111986808A (zh) * | 2020-07-30 | 2020-11-24 | 珠海中科先进技术研究院有限公司 | 健康保险风险评估及控制的方法、装置及介质 |
CN112017064A (zh) * | 2020-08-26 | 2020-12-01 | 上海爱佰医疗科技发展有限公司 | 适用于辅助生殖保险的投保建议评估方法及装置 |
CN112117015A (zh) * | 2020-10-28 | 2020-12-22 | 平安科技(深圳)有限公司 | 一种脓毒症的预警设备、方法、装置及存储介质 |
CN112465231A (zh) * | 2020-12-01 | 2021-03-09 | 平安医疗健康管理股份有限公司 | 地区人口健康状态预测方法、设备和可读存储介质 |
CN109493972B (zh) * | 2018-10-30 | 2024-06-25 | 深圳平安医疗健康科技服务有限公司 | 基于预测模型的数据处理方法、装置、服务器及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106447434A (zh) * | 2016-09-14 | 2017-02-22 | 全联征信有限公司 | 个人信用生态平台 |
CN106874663A (zh) * | 2017-01-26 | 2017-06-20 | 中电科软件信息服务有限公司 | 心脑血管疾病风险预测方法及*** |
CN107146160A (zh) * | 2016-02-26 | 2017-09-08 | 平安科技(深圳)有限公司 | 投保客户健康状况分析方法及服务器 |
-
2017
- 2017-11-29 CN CN201711222721.7A patent/CN107910068A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107146160A (zh) * | 2016-02-26 | 2017-09-08 | 平安科技(深圳)有限公司 | 投保客户健康状况分析方法及服务器 |
CN106447434A (zh) * | 2016-09-14 | 2017-02-22 | 全联征信有限公司 | 个人信用生态平台 |
CN106874663A (zh) * | 2017-01-26 | 2017-06-20 | 中电科软件信息服务有限公司 | 心脑血管疾病风险预测方法及*** |
Cited By (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108682457A (zh) * | 2018-04-17 | 2018-10-19 | 中国医学科学院阜外医院 | 患者长期预后定量预测和干预***及方法 |
CN108921707A (zh) * | 2018-06-05 | 2018-11-30 | 中国平安人寿保险股份有限公司 | 核保处理方法、装置、计算机设备和存储介质 |
CN108510402A (zh) * | 2018-06-06 | 2018-09-07 | 中国平安人寿保险股份有限公司 | 险种信息推荐方法、装置、计算机设备及存储介质 |
CN109377384A (zh) * | 2018-09-03 | 2019-02-22 | 阿里巴巴集团控股有限公司 | 健康险的确定方法、装置和服务器 |
CN109377388A (zh) * | 2018-09-13 | 2019-02-22 | 平安医疗健康管理股份有限公司 | 医保投保方法、装置、计算机设备和存储介质 |
CN109377388B (zh) * | 2018-09-13 | 2023-08-18 | 深圳平安医疗健康科技服务有限公司 | 医保投保方法、装置、计算机设备和存储介质 |
CN109345397A (zh) * | 2018-09-17 | 2019-02-15 | 平安科技(深圳)有限公司 | 智能分保方法、服务器及存储介质 |
CN109192306A (zh) * | 2018-09-21 | 2019-01-11 | 广东工业大学 | 一种糖尿病的判断装置、设备及计算机可读存储介质 |
CN109493972B (zh) * | 2018-10-30 | 2024-06-25 | 深圳平安医疗健康科技服务有限公司 | 基于预测模型的数据处理方法、装置、服务器及存储介质 |
CN109493972A (zh) * | 2018-10-30 | 2019-03-19 | 平安医疗健康管理股份有限公司 | 基于预测模型的数据处理方法、装置、服务器及存储介质 |
CN109523067A (zh) * | 2018-10-30 | 2019-03-26 | 平安医疗健康管理股份有限公司 | 基于预测模型的费用预测方法、装置、服务器及存储介质 |
CN109493244A (zh) * | 2018-11-07 | 2019-03-19 | 平安医疗健康管理股份有限公司 | 基于预测模型配置保险需求的方法及相关产品 |
CN111180065A (zh) * | 2018-11-09 | 2020-05-19 | 天津幸福生命科技有限公司 | 保险用户评估方法、装置、电子设备及计算机可读介质 |
CN111179095A (zh) * | 2018-11-09 | 2020-05-19 | 天津幸福生命科技有限公司 | 基于健康风险评估的核保方法、***、设备及存储介质 |
CN111179096A (zh) * | 2018-11-09 | 2020-05-19 | 天津幸福生命科技有限公司 | 医疗数据审核方法、装置、电子设备及计算机可读介质 |
CN109620194A (zh) * | 2018-12-12 | 2019-04-16 | 泰康保险集团股份有限公司 | 心率检测处理方法、装置、介质及电子设备 |
WO2020119118A1 (zh) * | 2018-12-13 | 2020-06-18 | 平安医疗健康管理股份有限公司 | 异常数据的处理方法、装置、设备及计算机可读存储介质 |
CN109559243A (zh) * | 2018-12-13 | 2019-04-02 | 泰康保险集团股份有限公司 | 保险核保方法、装置、介质及电子设备 |
CN109472711A (zh) * | 2018-12-14 | 2019-03-15 | 平安健康保险股份有限公司 | 健康险的核保方法、装置、设备及计算机可读存储介质 |
CN109727125A (zh) * | 2019-01-25 | 2019-05-07 | 深圳乐信软件技术有限公司 | 借款金额预测方法、装置、服务器、存储介质 |
WO2020207317A1 (zh) * | 2019-04-09 | 2020-10-15 | Oppo广东移动通信有限公司 | 用户健康评估方法、装置、存储介质及电子设备 |
CN110110906A (zh) * | 2019-04-19 | 2019-08-09 | 电子科技大学 | 一种基于Efron近似优化的生存风险建模方法 |
CN111105316A (zh) * | 2019-11-13 | 2020-05-05 | 泰康保险集团股份有限公司 | 长期护理保险的数据处理方法、装置、介质与电子设备 |
CN111105316B (zh) * | 2019-11-13 | 2023-06-09 | 泰康保险集团股份有限公司 | 长期护理保险的数据处理方法、装置、介质与电子设备 |
CN110993103A (zh) * | 2019-11-28 | 2020-04-10 | 阳光人寿保险股份有限公司 | 疾病风险预测模型的建立方法和疾病保险产品的推荐方法 |
CN111275558A (zh) * | 2020-01-13 | 2020-06-12 | 上海维跃信息科技有限公司 | 用于确定保险数据的方法和装置 |
CN111275558B (zh) * | 2020-01-13 | 2024-02-27 | 上海维跃信息科技有限公司 | 用于确定保险数据的方法和装置 |
CN111462910A (zh) * | 2020-03-31 | 2020-07-28 | 上海商汤智能科技有限公司 | 项目的匹配方法及装置、电子设备和存储介质 |
CN111584084A (zh) * | 2020-05-25 | 2020-08-25 | 泰康保险集团股份有限公司 | 用户信息处理的方法、装置、电子设备和存储介质 |
CN111666591A (zh) * | 2020-06-09 | 2020-09-15 | 山东健康医疗大数据有限公司 | 线上核保数据安全处理方法、***、设备及存储介质 |
CN111986808A (zh) * | 2020-07-30 | 2020-11-24 | 珠海中科先进技术研究院有限公司 | 健康保险风险评估及控制的方法、装置及介质 |
CN111986808B (zh) * | 2020-07-30 | 2023-12-12 | 珠海中科先进技术研究院有限公司 | 健康保险风险评估及控制的方法、装置及介质 |
CN112017064A (zh) * | 2020-08-26 | 2020-12-01 | 上海爱佰医疗科技发展有限公司 | 适用于辅助生殖保险的投保建议评估方法及装置 |
CN112117015B (zh) * | 2020-10-28 | 2023-09-05 | 平安科技(深圳)有限公司 | 一种脓毒症的预警设备、方法、装置及存储介质 |
CN112117015A (zh) * | 2020-10-28 | 2020-12-22 | 平安科技(深圳)有限公司 | 一种脓毒症的预警设备、方法、装置及存储介质 |
CN112465231B (zh) * | 2020-12-01 | 2023-02-03 | 深圳平安医疗健康科技服务有限公司 | 地区人口健康状态预测方法、设备和可读存储介质 |
CN112465231A (zh) * | 2020-12-01 | 2021-03-09 | 平安医疗健康管理股份有限公司 | 地区人口健康状态预测方法、设备和可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107910068A (zh) | 投保用户的健康风险预测方法、装置、设备及存储介质 | |
US7640174B2 (en) | Method and system for gainsharing of physician services | |
CN108765176A (zh) | 保险理赔案件处理方法、装置、计算机设备及存储介质 | |
CN108416664A (zh) | 基于消费信贷场景的风险评估方法及***实现 | |
CN112529716B (zh) | 额度预测方法、设备及计算机可读存储介质 | |
CN108346036A (zh) | 保险保单集中核单方法、电子装置及可读存储介质 | |
CN109670104A (zh) | 基于机器学习的信息推送方法、设备、装置及存储介质 | |
CN113742492B (zh) | 保险方案生成方法、装置、电子设备及存储介质 | |
CN107146160B (zh) | 投保客户健康状况分析方法及服务器 | |
CN106971343A (zh) | 保险数据的风险分析方法及*** | |
CN109711424A (zh) | 一种基于决策树的行为规则获取方法、装置及设备 | |
CN108197742A (zh) | 用户的续保行为预测方法、***及计算机可读存储介质 | |
CN111192133A (zh) | 用户贷后风险模型生成方法、装置及电子设备 | |
CN107844862A (zh) | 订单失效预测方法、装置、介质及电子设备 | |
CN111179095A (zh) | 基于健康风险评估的核保方法、***、设备及存储介质 | |
CN109492863A (zh) | 金融单证的自动生成方法及装置 | |
CN109389511A (zh) | 保险产品开发方法、装置、终端及计算机可读存储介质 | |
CN109711856B (zh) | 基于大数据的用户分类方法、装置、服务器及存储介质 | |
CN112085517A (zh) | 优惠券发放方法、装置、电子设备及可读存储介质 | |
CN109816470B (zh) | 险种推荐方法、装置、电子设备及计算机可读存储介质 | |
CN110766559B (zh) | 标签配置方法及装置 | |
CN114493250A (zh) | 一种异常行为检测方法、计算设备及可读存储介质 | |
JP6895912B2 (ja) | 保険設計支援システム及び保険設計支援方法 | |
CN110162545A (zh) | 基于大数据的信息推送方法、设备、存储介质及装置 | |
CN110782361A (zh) | 定制保险的推荐方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180413 |
|
RJ01 | Rejection of invention patent application after publication |