CN108805729A - 一种异常就医轨迹判断方法与装置 - Google Patents
一种异常就医轨迹判断方法与装置 Download PDFInfo
- Publication number
- CN108805729A CN108805729A CN201810614309.8A CN201810614309A CN108805729A CN 108805729 A CN108805729 A CN 108805729A CN 201810614309 A CN201810614309 A CN 201810614309A CN 108805729 A CN108805729 A CN 108805729A
- Authority
- CN
- China
- Prior art keywords
- information
- medical
- medical treatment
- treatment track
- coordinate information
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明实施例提出一种异常就医轨迹判断方法与装置,涉及医疗技术领域。通过获取患者的多个就诊数据信息,然后依据就诊位置信息获取就诊坐标信息,最后对就诊坐标信息按预设的模型算法进行处理,从而判断出多个就诊数据信息中是否存在异常就医轨迹数据信息。本发明提供的异常就医轨迹判断方法与装置具有高效、实用以及精确的优点。
Description
技术领域
本发明涉及医疗技术领域,具体而言,涉及一种异常就医轨迹判断方法与装置。
背景技术
医疗领域一直是人们重点关注的领域,自从国家医保政策实施以来,实现了人们看病易且看病更加便宜的效果。并且,目前为方便人们看病,我国医院的数量还在不断增长中。
但是,随着医保政策实施以来,也出现了不少骗保的行为,即伪造报销记录,或患者擅自将自己的医保卡借给他人使用,相关的审查人员也可能由于报销人数众多等原因没有发现这一行为。
有鉴于此,如何改善上述问题,是本领域技术人员关注的重点。
发明内容
有鉴于此,本发明的目的在于提供一种异常就医轨迹判断方法,以解决现有技术中存在伪造报销记录、患者私下将自己的医保卡借给他人使用的问题。
本发明的另一目的在于提供一种异常就医轨迹判断方法,以解决现有技术中存在伪造报销记录、患者私下将自己的医保卡借给他人使用的问题。
为了实现上述目的,本发明实施例采用的技术方案如下:
一方面,本发明实施例提出了一种异常就医轨迹判断方法,所述异常就医轨迹判断方法包括:
获取一患者的多个就诊数据信息,其中,所述就诊数据信息包括就诊位置信息;
依据所述就诊位置信息获取与所述就诊位置信息对应的就诊坐标信息;
对所述就诊坐标信息按预设的模型算法进行处理,以判断所述多个就诊数据信息中是否存在异常就医轨迹数据信息。
另一方面,本发明实施例还提供了一种异常就医轨迹判断装置,所述异常就医轨迹判断装置包括:
信息获取单元,用于获取一患者的多个就诊数据信息,其中,所述就诊数据信息包括就诊位置信息;
信息获取单元还用于依据所述就诊位置信息获取与所述就诊位置信息对应的就诊坐标信息;
信息处理单元,用于对所述就诊坐标信息按预设的模型算法进行处理,以判断所述多个就诊数据信息中是否存在异常就医轨迹数据信息。
相对现有技术,本发明具有以下有益效果:
本发明提供了一种异常就医轨迹判断方法与装置,通过获取患者的多个就诊数据信息,然后依据就诊位置信息获取就诊坐标信息,最后对就诊坐标信息按预设的模型算法进行处理,从而判断出多个就诊数据信息中是否存在异常就医轨迹数据信息。一方面,由于该异常就医轨迹判断方法与装置能够判断出异常就医轨迹数据信息,由于当存在异常就医轨迹时,即表示患者此次的就诊数据存在异常,进而能够方便审查人员进行审查,有效找出存在伪造报销记录或存在患者将医保卡私自借给他人使用的信息,更加高效且实用。另一方面,由于该异常就医轨迹判断方法与装置获取的数据为每个患者的多个数据,所以数据充足,处理更加精确。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本发明的实施例提供的服务器的功能模块示意图。
图2示出了本发明的实施例提供的异常就医轨迹判断方法的流程图。
图3示出了图2中步骤S105的子步骤的流程图。
图4示出了图3中子步骤S1053的子步骤的流程图。
图5示出了本发明的施例提供的同质人群筛选装置的模块示意图。
图6示出了本发明的施例提供的信息处理单元的模块示意图。
图标:10-服务器;12-存储器;13-存储控制器;14-处理器;100-同质人群筛选装置;110-信息获取单元;120-判断单元;130-信息剔除单元;140-信息处理单元;141-信息优化模块;142-信息确定模块;143-判断模块;144-范围确定模块;150-信息关联单元;160-推送单元。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,术语“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。下面结合附图,对本发明的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
如图1所示,是本发明提供的服务器10的功能模块示意图。该服务器10包括如图1所示,是本发明提供的服务器10的功能模块示意图。该服务器10包括异常就医轨迹判断装置、存储器12、存储控制器13以及处理器14。
所述存储器12、存储控制器13以及处理器14各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述异常就医轨迹判断装置包括至少一个可以软件或固件(firmware)的形式存储于所述存储器12中或固化在所述服务器10的操作***(operating system,OS)中的软件功能模块。所述处理器14用于执行存储器12中存储的可执行模块,例如所述异常就医轨迹判断装置包括的软件功能模块或计算机程序。
其中,存储器12可以是,但不限于,随机存取存储器12(Random Access Memory,RAM),只读存储器12(Read Only Memory,ROM),可编程只读存储器12(Programmable Read-Only Memory,PROM),可擦除只读存储器12(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器12(Electric Erasable Programmable Read-Only Memory,EEPROM)等。其中,存储器12用于存储程序,所述处理器14在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的服务器10所执行的方法可以应用于处理器14中,或者由处理器14实现。
处理器14可能是一种集成电路芯片,具有信号的处理能力。上述的处理器14可以是通用处理器14,包括中央处理器14(Central Processing Unit,简称CPU)、网络处理器14(Network Processor,简称NP)等;还可以是数字信号处理器14(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器14可以是微处理器14或者该处理器14也可以是任何常规的处理器14等。
请参阅图2,是本发明较佳实施例提供的应用于图1所示的异常就医轨迹判断方法的流程图。下面将对图2所示的具体流程进行详细阐述。
步骤S101,获取一患者的多个就诊数据信息,其中,所述就诊数据信息包括就诊位置信息。
在本实施例中,由于患者一般的就医地点(即就诊位置信息)有一定的规律,即在一定的范围内,而当出现骗保或者患者将医保卡借给他人使用时,则就医地点一般会出现反常情况,可根据患者的就医地点是否反常判断该名患者是否存在骗保或者将医保卡借给他人使用的情况。例如,一名患者平常的就医地点均为成都市南部地区,而目前出现了该名患者去北部地区治疗的情况,因此,则该次就诊行为可看做异常行为,可能存在患者骗保的情况。
因此,为了找出异常就医轨迹,即找出患者的异常就医地点,需首先获取一患者的多个就诊数据信息,例如获取患者近一年内的所有就诊数据信息,并且,该就诊数据信息包括就诊位置信与就诊费用信息等。
步骤S102,依据所述就诊位置信息获取与所述就诊位置信息对应的就诊坐标信息。
由于在实际应用中,通过位置信息无法直接获取患者是否处于异常就医轨迹,并且,由于每个位置均具备坐标,因此在本实施例中,服务器10会利用该就诊位置信息确定就诊坐标信息,然后对就诊坐标信息进行处理。
步骤S103,判断多个就诊数据信息中的任意一个就诊费用信息是否低于预设的就诊费用信息,如果是,则执行步骤S104。
在本实施例中,由于患者的就诊数据信息的数据较多,会出现有些不必要的数据,所以为了使结果更加精确,在本实施例中,需要对患者的就诊数据信息进行去噪。
具体地,由于在实际应用中,就诊数据信息包括就诊费用信息,由于一般患者骗保会将医保卡借给其他人使用时,费用信息均可能较高,所以对于部分费用较低的数据信息,其实际的参考价值并不大,且还会占用处理资源,因此,本实施例会判断该多个就诊数据信息中的任意一个就诊费用信息是否低于预设的就诊费用信息。
步骤S104,剔除低于所述预设的就诊费用信息的就诊数据信息。
当多个就诊数据信息中的任意一个就诊费用信息是否低于预设的就诊费用信息时,该低于所述预设的就诊费用信息的就诊数据信息实质价值并不大,因此在本实施例中会直接剔除这部分就诊数据信息。例如将预设的就诊费用信息设置为100,当就诊费用信息小于100元时,浙江该就诊费用信心剔除。
步骤S105,对所述就诊坐标信息按预设的模型算法进行处理,以判断所述多个就诊数据信息中是否存在异常就医轨迹数据信息。
在对数据进行除噪后,需按预设的模型算法对就诊数据信息进行处理,从而判断患者的多个就诊数据信息中,是否存在异常就医轨迹数据信息。
具体地,在本实施例中,步骤S105包括:
子步骤S1051,对所述就诊坐标信息按K-means聚类算法进行优化处理。
K-means算法是一种硬聚类算法,为典型的基于原型的目标函数聚类方法的代表,它是数据点到原型的某种距离作为优化的目标函数,利用函数求极值的方法得到迭代运算的调整规则。K-means算法以欧式距离作为相似度测度,它是求对应某一初始聚类中心向量V最优分类,使得评价指标J最小。算法采用误差平方和准则函数作为聚类准则函数。通过K-means聚类算法可对患者的多个就诊数据信息进行优化处理,从而便于后续确点的操作。
子步骤S1052,对优化处理后的就诊坐标信息按Graph图算法进行确点,以确定第一坐标信息与第二坐标信息。
在对数据进行优化后,即可通过Graph图算法进行确点,Graph图算法是一种利用特制的线条算图求得答案的一种简便算法。无向图、有向图和网络能运用很多常用的图算法,这些算法包括:各种遍历算法(这些遍历类似于树的遍历),寻找最短路径的算法,寻找网络中最低代价路径的算法,回答一些简单相关问题(例如,图是否是连通的,图中两个顶点间的最短路径是什么,等等)的算法。图算法可应用到多种场合,例如:优化管道、路由表、快递服务、通信网站等。通过Graph图算法进行确点可以确定用户的第一最常去的就诊区域的中心,即第一坐标信息。并且还可以确定用户的第二最常去的就诊区域的中心,即第二坐标信息。
需要说明的是,由于每个患者在进行治疗时,会优选离自己最近的医院进行就诊,因此,在本实施例中,可分析患者多次就诊时的位置信息判断出患者最常去的两个区域。并且,本实施例提供的第一坐标信息为患者的家的坐标信息;第二坐标信息为患者的公司的坐标信息,当然地,在其它的一些实施例中,第一坐标信息与第二坐标信息也为其它地方的坐标信息,本实施例对此并不做任何限定。
子步骤S1053,判断每个所述就诊数据信息是否均位于所述第一坐标信息或所述第二坐标信息的预设范围内,如果否,则执行子步骤S1057。
当确定了第一坐标信息与第二坐标信息后,即确定了两个用户常去的位置范围,进一步地,服务器10还会依次判断该用户的每个就诊数据信息的就诊位置信息是否均处于第一坐标信息或第二坐标信息的预设范围内,如果是,则表示患者的就诊数据信息正常;如果否,则表示患者出现了异常就医情况,可存在骗保的行为。
具体地,子步骤S1053包括:
子步骤S1054,以所述第一坐标信息为圆心,第一预设值为半径确定第一预设范围。
由于在实际生活中,患者在家附近时的运动轨迹一般为沿家的位置向四周扩散,所以在本实施例中,以第一坐标信息为圆心,第一预设值为半径作圆,以该圆所处的范围确定第一预设范围,即患者在家附近的活动范围。例如,第一预设值可以10公里,即表示患者一般去医院就诊的范围为以家为中心的方圆10公里的范围。
子步骤S1055,以所述第二坐标信息为圆心,第二预设值为半径确定第二预设范围。
子步骤S1056,判断每个所述就诊数据信息是否均位于所述第一预设范围或第二预设范围内。
在本实施例中,判断每个所述就诊数据信息是否均位于所述第一坐标信息或所述第二坐标信息的预设范围内即通过判断每个所述就诊数据信息是否均位于所述第一预设范围或第二预设范围内的方式实现。
子步骤S1057,确定未位于所述第一坐标信息或所述第二坐标信息的预设范围内的就诊数据信息为异常就医轨迹数据信息。
当就诊数据信息未位于所述第一坐标信息或所述第二坐标信息的预设范围内时,就表示患者此次的就诊数据信息存在反常,可能出现患者骗保的可能性,依次将未位于所述第一坐标信息或所述第二坐标信息的预设范围内的就诊数据信息为异常就医轨迹数据信息,并与审查人员审查。
步骤S106,依据所述就诊时间信息和/或所述就诊位置信息对多个异常就医轨迹数据信息进行关联。
当就诊数据信息出现异常时,可能出现对个就诊数据异常的情况,由于当患者出现骗保的情况时,可能出现患者与医生一起进行骗保,也可能出现多个患者同时骗保的情况,即出现团伙骗保的情况,因此,在本实施例中,当所述就诊数据信息中存在异常就医轨迹数据信息时,服务器10还会依据所述就诊时间信息和/或所述就诊位置信息对多个异常就医轨迹数据信息进行关联。
具体地,在本实施例中,关联指找出多个异常的就诊数据信息之间的关联性,例如,当患者的多个出现异常的就诊数据信息中的就诊位置信息均相同时,即患者在出现异常就诊数据信息时多次在一个医院进行就诊,则可能出现该名患者与医院内医生共用进行骗保;或者当多个患者在同一时间,同一地点的就诊数据信息出现异常,则可判断出该多个患者可能为骗保团伙。
步骤S107,将关联后的多个异常就医轨迹数据信息进行推送。
在进行关联后,服务器10会将该多个异常就医轨迹数据信息进行推送,从而使审查人员能够读取相关数据,方便审查人员进行审查。
第二实施例
请参阅图5,本发明实施例提供的图1所示的异常就医轨迹判断装置的功能单元示意图。需要说明的是,本实施例所提供的异常就医轨迹判断装置,其基本原理及产生的技术效果和上述实施例相同,为简要描述,本发明实施例部分未提及之处,可参考上述的实施例中相应内容。异常就医轨迹判断装置包括:
信息获取单元110,用于获取一患者的多个就诊数据信息,其中,所述就诊数据信息包括就诊位置信息。
可以理解的,通过信息获取单元110可执行步骤S101。
信息获取单元110还用于依据所述就诊位置信息获取与所述就诊位置信息对应的就诊坐标信息。
可以理解的,通过信息获取单元110可执行步骤S102。
判断单元120,用于判断多个就诊数据信息中的任意一个就诊费用信息是否低于预设的就诊费用信息。
可以理解的,通过判断单元120可执行步骤S103。
信息剔除单元130,用于剔除低于所述预设的就诊费用信息的就诊数据信息。
可以理解的,通过信息剔除单元130可执行步骤S104。
信息处理单元140,用于对所述就诊坐标信息按预设的模型算法进行处理,以判断所述多个就诊数据信息中是否存在异常就医轨迹数据信息。
可以理解的,通过信息处理单元140可执行步骤S105。
其中,信息处理单元140包括:
信息优化模块141,用于对所述就诊坐标信息按K-means聚类算法进行优化处理。
可以理解的,通过信息优化模块141可执行子步骤S1051。
信息确定模块142,用于对优化处理后的就诊坐标信息按Graph图算法进行确点,以确定第一坐标信息与第二坐标信息。
可以理解的,通过信息确定模块142可执行子步骤S1052。
判断模块143,用于判断每个所述就诊数据信息是否均位于所述第一坐标信息或所述第二坐标信息的预设范围内。
可以理解的,通过判断模块143可执行子步骤S1053。
其中,请参阅图6,判断模块143包括:
范围确定模块144,用于以所述第一坐标信息为圆心,第一预设值为半径确定第一预设范围。
可以理解的,通过范围确定模块144可执行子步骤S1054。
范围确定模块144,还用于以所述第二坐标信息为圆心,第二预设值为半径确定第二预设范围。
可以理解的,通过范围确定模块144可执行子步骤S1055。
判断模块143,用于判断每个所述就诊数据信息是否均位于所述第一预设范围或第二预设范围内。
可以理解的,通过判断模块143可执行子步骤S1056。
信息确定模块142,用于确定未位于所述第一坐标信息或所述第二坐标信息的预设范围内的就诊数据信息为异常就医轨迹数据信息。
可以理解的,通过信息确定模块142可执行子步骤S1057。
信息关联单元150,用于依据所述就诊时间信息和/或所述就诊位置信息对多个异常就医轨迹数据信息进行关联。
可以理解的,通过信息关联单元150可执行步骤S106。
推送单元160,用于将关联后的多个异常就医轨迹数据信息进行推送。
可以理解的,通过推送单元160可执行步骤S107。
综上所述,本发明提供了一种异常就医轨迹判断方法与装置,通过获取患者的多个就诊数据信息,然后依据就诊位置信息获取就诊坐标信息,最后对就诊坐标信息按预设的模型算法进行处理,从而判断出多个就诊数据信息中是否存在异常就医轨迹数据信息。一方面,由于该异常就医轨迹判断方法与装置能够判断出异常就医轨迹数据信息,由于当存在异常就医轨迹时,即表示患者此次的就诊数据存在异常,进而能够方便审查人员进行审查,有效找出存在伪造报销记录或存在患者将医保卡私自借给他人使用的信息,更加高效且实用。另一方面,由于该异常就医轨迹判断方法与装置获取的数据为每个患者的多个数据,所以数据充足,处理更加精确。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他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、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
Claims (10)
1.一种异常就医轨迹判断方法,其特征在于,所述异常就医轨迹判断方法包括:
获取一患者的多个就诊数据信息,其中,所述就诊数据信息包括就诊位置信息;
依据所述就诊位置信息获取与所述就诊位置信息对应的就诊坐标信息;
对所述就诊坐标信息按预设的模型算法进行处理,以判断所述多个就诊数据信息中是否存在异常就医轨迹数据信息。
2.如权利要求1所述的异常就医轨迹判断方法,其特征在于,所述就诊数据信息还包括就诊费用信息,在所述对所述就诊坐标信息按预设的模型算法进行处理的步骤之前,所述异常就医轨迹判断方法还包括:
当所述多个就诊数据信息中的任意一个就诊费用信息低于预设的就诊费用信息时,剔除低于所述预设的就诊费用信息的就诊数据信息。
3.如权利要求1所述的异常就医轨迹判断方法,其特征在于,所述对所述就诊坐标信息按预设的模型算法进行处理,以判断所述多个就诊数据信息中是否存在异常就医轨迹数据信息的步骤包括:
对所述就诊坐标信息按K-means聚类算法进行优化处理;
对优化处理后的就诊坐标信息按Graph图算法进行确点,以确定第一坐标信息与第二坐标信息;
判断每个所述就诊数据信息是否均位于所述第一坐标信息或所述第二坐标信息的预设范围内;
如果否,则确定未位于所述第一坐标信息或所述第二坐标信息的预设范围内的就诊数据信息为异常就医轨迹数据信息。
4.如权利要求3所述的异常就医轨迹判断方法,其特征在于,所述判断每个所述就诊数据信息是否均位于所述第一坐标信息或所述第二坐标信息的预设范围内的步骤包括:
以所述第一坐标信息为圆心,第一预设值为半径确定第一预设范围;
以所述第二坐标信息为圆心,第二预设值为半径确定第二预设范围;
判断每个所述就诊数据信息是否均位于所述第一预设范围或第二预设范围内。
5.如权利要求1所述的异常就医轨迹判断方法,其特征在于,所述就诊数据信息还包括就诊时间信息与就诊编号信息,所述异常就医轨迹判断方法还包括:
当所述就诊数据信息中存在异常就医轨迹数据信息时,依据所述就诊时间信息和/或所述就诊位置信息对多个异常就医轨迹数据信息进行关联;
将关联后的多个异常就医轨迹数据信息进行推送。
6.一种异常就医轨迹判断装置,其特征在于,所述异常就医轨迹判断装置包括:
信息获取单元,用于获取一患者的多个就诊数据信息,其中,所述就诊数据信息包括就诊位置信息;
信息获取单元还用于依据所述就诊位置信息获取与所述就诊位置信息对应的就诊坐标信息;
信息处理单元,用于对所述就诊坐标信息按预设的模型算法进行处理,以判断所述多个就诊数据信息中是否存在异常就医轨迹数据信息。
7.如权利要求6所述的异常就医轨迹判断装置,其特征在于,所述异常就医轨迹判断装置还包括:
信息剔除单元,用于当所述多个就诊数据信息中的任意一个就诊费用信息低于预设的就诊费用信息时,剔除低于所述预设的就诊费用信息的就诊数据信息。
8.如权利要求6所述的异常就医轨迹判断装置,其特征在于,所述信息处理单元包括:
信息优化模块,用于对所述就诊坐标信息按K-means聚类算法进行优化处理;
信息确定模块,用于对优化处理后的就诊坐标信息按Graph图算法进行确点,以确定第一坐标信息与第二坐标信息;
判断模块,用于判断每个所述就诊数据信息是否均位于所述第一坐标信息或所述第二坐标信息的预设范围内;
信息确定模块,用于若所述就诊数据信息不全都位于所述第一坐标信息或所述第二坐标信息的预设范围内,则确定未位于所述第一坐标信息或所述第二坐标信息的预设范围内的就诊数据信息为异常就医轨迹数据信息。
9.如权利要求8所述的异常就医轨迹判断装置,其特征在于,所述信息确定模块包括:
范围确定模块,用于以所述第一坐标信息为圆心,第一预设值为半径确定第一预设范围;
范围确定模块,还用于以所述第二坐标信息为圆心,第二预设值为半径确定第二预设范围;
判断模块,用于判断每个所述就诊数据信息是否均位于所述第一预设范围或第二预设范围内。
10.如权利要求6所述的异常就医轨迹判断装置,其特征在于,所述就诊数据信息还包括就诊时间信息与就诊编号信息,所述异常就医轨迹判断装置还包括:
信息关联单元,用于当所述就诊数据信息中存在异常就医轨迹数据信息时,依据所述就诊时间信息和/或所述就诊位置信息对多个异常就医轨迹数据信息进行关联;
推送单元,用于将关联后的多个异常就医轨迹数据信息进行推送。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810614309.8A CN108805729A (zh) | 2018-06-14 | 2018-06-14 | 一种异常就医轨迹判断方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810614309.8A CN108805729A (zh) | 2018-06-14 | 2018-06-14 | 一种异常就医轨迹判断方法与装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108805729A true CN108805729A (zh) | 2018-11-13 |
Family
ID=64086101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810614309.8A Pending CN108805729A (zh) | 2018-06-14 | 2018-06-14 | 一种异常就医轨迹判断方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108805729A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111427926A (zh) * | 2020-03-23 | 2020-07-17 | 平安医疗健康管理股份有限公司 | 异常医保群组识别方法、装置、计算机设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218628A (zh) * | 2013-03-22 | 2013-07-24 | 中国科学技术大学 | 一种基于团块与轨迹特征的异常行为描述方法 |
CN103605362A (zh) * | 2013-09-11 | 2014-02-26 | 天津工业大学 | 基于车辆轨迹多特征的运动模式学习及异常检测方法 |
CN103793599A (zh) * | 2014-01-17 | 2014-05-14 | 浙江远图智控***有限公司 | 一种基于隐马尔科夫模型的出行异常检测方法 |
CN104202791A (zh) * | 2014-09-03 | 2014-12-10 | 创业软件股份有限公司 | 一种社区医疗体征数据无线传输中中继节点的选择方法 |
CN104408547A (zh) * | 2014-10-30 | 2015-03-11 | 浙江网新恒天软件有限公司 | 一种基于数据挖掘的医保欺诈行为的检测方法 |
CN104537764A (zh) * | 2014-12-31 | 2015-04-22 | 浙江大学 | 一种医保卡异常使用的检测方法和检测*** |
CN105159948A (zh) * | 2015-08-12 | 2015-12-16 | 成都数联易康科技有限公司 | 一种基于多特征的医疗保险欺诈检测方法 |
CN106874658A (zh) * | 2017-01-18 | 2017-06-20 | 天津艾登科技有限公司 | 一种基于主成分分析算法的医保欺诈识别方法 |
CN106981039A (zh) * | 2016-06-30 | 2017-07-25 | 平安科技(深圳)有限公司 | 数据生成方法和装置 |
-
2018
- 2018-06-14 CN CN201810614309.8A patent/CN108805729A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218628A (zh) * | 2013-03-22 | 2013-07-24 | 中国科学技术大学 | 一种基于团块与轨迹特征的异常行为描述方法 |
CN103605362A (zh) * | 2013-09-11 | 2014-02-26 | 天津工业大学 | 基于车辆轨迹多特征的运动模式学习及异常检测方法 |
CN103793599A (zh) * | 2014-01-17 | 2014-05-14 | 浙江远图智控***有限公司 | 一种基于隐马尔科夫模型的出行异常检测方法 |
CN104202791A (zh) * | 2014-09-03 | 2014-12-10 | 创业软件股份有限公司 | 一种社区医疗体征数据无线传输中中继节点的选择方法 |
CN104408547A (zh) * | 2014-10-30 | 2015-03-11 | 浙江网新恒天软件有限公司 | 一种基于数据挖掘的医保欺诈行为的检测方法 |
CN104537764A (zh) * | 2014-12-31 | 2015-04-22 | 浙江大学 | 一种医保卡异常使用的检测方法和检测*** |
CN105159948A (zh) * | 2015-08-12 | 2015-12-16 | 成都数联易康科技有限公司 | 一种基于多特征的医疗保险欺诈检测方法 |
CN106981039A (zh) * | 2016-06-30 | 2017-07-25 | 平安科技(深圳)有限公司 | 数据生成方法和装置 |
CN106874658A (zh) * | 2017-01-18 | 2017-06-20 | 天津艾登科技有限公司 | 一种基于主成分分析算法的医保欺诈识别方法 |
Non-Patent Citations (3)
Title |
---|
郭涛: ""医疗保险欺诈检测的研究与应用"", 《中国优秀硕士学位论文全文数据库•信息科技辑》 * |
陈华杰: ""基于Hadoop平台的医疗保险欺诈检测的研究与应用"", 《中国优秀硕士学位论文全文数据库•经济与管理科学辑》 * |
陈清凤等: ""大数据下医保欺诈的有效识别模型"", 《汕头大学学报(自然科学版)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111427926A (zh) * | 2020-03-23 | 2020-07-17 | 平安医疗健康管理股份有限公司 | 异常医保群组识别方法、装置、计算机设备及存储介质 |
CN111427926B (zh) * | 2020-03-23 | 2023-02-03 | 平安医疗健康管理股份有限公司 | 异常医保群组识别方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6618721B1 (en) | Method and mechanism for data screening | |
US11102092B2 (en) | Pattern-based examination and detection of malfeasance through dynamic graph network flow analysis | |
US20210326999A1 (en) | Method of personalizing, individualizing, and automating the management of healthcare fraud-waste-abuse to unique individual healthcare providers | |
US20200167786A1 (en) | System for anomaly detection and remediation based on dynamic directed graph network flow analysis | |
CN112132198B (zh) | 数据处理方法、装置、***和服务器 | |
Tsamboulas et al. | Use of multicriteria methods for assessment of transport projects | |
US6002787A (en) | Fingerprint analyzing and encoding system | |
CN106295349A (zh) | 账号被盗的风险识别方法、识别装置及防控*** | |
JPH09204480A (ja) | 金融取引システムにおける取引地点管理方法 | |
CN112508075B (zh) | 基于横向联邦的dbscan聚类方法、及其相关设备 | |
CN104036176A (zh) | 基于安全级别注册指纹特征点的方法、认证方法及终端设备 | |
Sax et al. | Wireless technology infrastructures for authentication of patients: PKI that rings | |
Rambola et al. | Data mining techniques for fraud detection in banking sector | |
Anbarasi et al. | Fraud detection using outlier predictor in health insurance data | |
CN109885597A (zh) | 基于机器学习的用户分群处理方法、装置及电子终端 | |
CN108805729A (zh) | 一种异常就医轨迹判断方法与装置 | |
AU675742B2 (en) | Fingerprint analyzing and encoding system | |
EP2023259B1 (en) | Method, computer program and apparatus for controlling access to a computer resource | |
CN104036268A (zh) | 指纹注册方法、快速指纹认证方法及终端设备 | |
CN109711856A (zh) | 基于大数据的用户分类方法、装置、服务器及存储介质 | |
US20220027813A1 (en) | Risk identification and response for mitigating disease transmission | |
Perez-Haro et al. | Attribute-based access control rules supported by biclique patterns | |
Bacic | The Canadian trusted computer product evaluation criteria | |
Kisore et al. | Empirical determination and evaluation of factors that impact ATM placement | |
Auerbach | Essays in network theory applications for transportation planning |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181113 |