CN109545317A - 基于住院预测模型判定住院行为的方法及相关产品 - Google Patents

Abstract

本申请公开了一种基于住院预测模型判定住院行为的方法及相关产品，该方法应用于电子设备，该方法包括：接收在住院信息管理界面输入的参保人的住院数据，所述住院数据中至少包括诊断数据和用药数据；提取所述住院数据中的诊断数据，将所述诊断数据输入到预先训练好的住院预测模型，以得到所述参保人的住院概率；在所述住院概率满足预设条件时，获取所述诊断数据对应的预设用药数据；将所述用药数据和所述预设用药数据进行比对，确定所述参保人的住院行为是否合法。本申请实施例有利于减少套取医保基金的概率，规范住院行为。

Description

基于住院预测模型判定住院行为的方法及相关产品

技术领域

本申请涉及医疗技术领域，具体涉及一种基于住院预测模型判定住院行为的方法及相关产品。

背景技术

随着国家基本医保制度不断加强，越来越多的人加入医保行列，参保人就诊时，医保统筹基金会为参保人报销绝大的医疗费用，但是目前的医保制度仍然不够完善，导致报销过程中存在很多利益问题。在很多城市，对体检项目未纳入医保统筹基金的报销范畴，参保人的体检费用只能个人报销。但是对于参保人来说，住院费用只要符合起付线等条件，可使用医保统筹基金报销部分甚至全部住院费用。因此部分参保人可能与医生合谋，在参保人无需住院的情况下，将参保人收入院，开取额外的药品，从而增加药品费用，增加住院的总费用，使住院费用达到起付线，从而套取医保统筹基金支付药品费用。而且，甚至将购买到的药品高价卖出，牟取暴利。

故现有的确认参保人是否具有住院资格的方式单一、准确度低，存在套取统筹基金支付药品费用的行为。因此，亟需提供一种从住院用药角度判断参保人住院是否具有住院资格的方法。

发明内容

本申请实施例提供了一种基于住院预测模型判定住院行为的方法及相关产品，以期根据住院时的用药数据判断参保人的住院请求是否合法，减少套取医保基金购买药品的概率。

第一方面，本申请实施例提供一种基于住院预测模型判定住院行为的方法，所述方法应用于电子设备，所述方法包括：

接收在住院信息管理界面输入的参保人的住院数据，所述住院数据中至少包括诊断数据和用药数据；

提取所述住院数据中的诊断数据，将所述诊断数据输入到预先训练好的住院预测模型，以得到所述参保人的住院概率；

在所述住院概率满足预设条件时，获取所述诊断数据对应的预设用药数据；

将所述用药数据和所述预设用药数据进行比对，确定所述参保人的住院行为是否合法。

第二方面，本申请实施例提供一种基于住院预测模型判定住院行为的电子设备，所述电子设备包括：

接收单元，用于接收在住院信息管理界面输入的参保人的住院数据，所述住院数据中至少包括诊断数据和用药数据；

提取单元，用于提取所述住院数据中的诊断数据，将所述诊断数据输入到预先训练好的住院预测模型，以得到所述参保人的住院概率；

获取单元，用于在所述住院概率满足预设条件时，获取所述诊断数据对应的预设用药数据；

确定单元，用于将所述用药数据和所述预设用药数据进行比对，确定所述参保人的住院行为是否合法。

第三方面，本申请实施例提供一种电子设备，包括一个或多个处理器、一个或多个存储器、一个或多个收发器，以及一个或多个程序，所述一个或多个程序被存储在所述存储器中，并且被配置由所述一个或多个处理器执行，所述程序包括用于执行如第一方面所述的方法中的步骤的指令。

第四方面，本申请实施例提供一种计算机可读存储介质，其存储用于电子数据交换的计算机程序，其中，所述计算机程序使得计算机执行如第一方面所述的方法。

第五方面，本申请实施例提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机可操作来使计算机执行如第一方面所述的方法。

实施本申请实施例，具有如下有益效果：

可以看出，在本申请实施例中，在发生住院行为时，接收输入的住院数据，提取所述住院数据中的诊断数据，根据预先训练好的住院预测模型预测所述参保人的住院概率，在住院概率满足预设条件时，获取所述诊断数据对应的预设用药数据，将所述住院数据中的用药数据和所述预设用药数据比对，以判断所述住院数据中的用药数据是否合理，从而判断所述参保人的住院行为是否合法，故而从用药角度来判断参保人的住院行为，以判断参保人是否存在虚假住院行为，从而减少套取医保基金购买药品的概率，为医疗体制改革提供数据参考，完善医疗体制。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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的附图。

图1为本申请实施例提供的一种基于住院预测模型判定住院行为的方法的流程示意图；

图2为本申请实施例提供的另一种基于住院预测模型判定住院行为的方法的流程示意图；

图3为本申请实施例提供的另一种基于住院预测模型判定住院行为的方法的流程示意图；

图4为本申请实施例提供的一种基于住院预测模型判定住院行为的电子设备的结构示意图；

图5是本申请实施例提供的一种基于住院预测模型判定住院行为的电子设备的功能单元组成框图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结果或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

本申请中的电子设备可以包括智能手机(如Android手机、iOS手机、WindowsPhone手机等)、平板电脑、掌上电脑、笔记本电脑、移动互联网设备MID(Mobile InternetDevices，简称：MID)或穿戴式设备等，上述电子设备仅是举例，而非穷举，包含但不限于上述电子设备，为了描述的方便，下面实施例中将上述电子设备称为用户设备UE(Userequipment，简称：UE)。当然在实际应用中，上述用户设备也不限于上述变现形式，例如还可以包括：智能车载终端、计算机设备等等。

参阅图1，图1为本申请实施例提供的一种基于住院预测模型判定住院行为的方法的流程示意图，该方法应用于电子设备，该方法包括如步骤S101～S104中所示的内容：

步骤S101、接收在住院信息管理界面输入的参保人的住院数据，所述住院数据中至少包括诊断数据和用药数据。

其中，所述该诊断数据至少包括参保人的人口学参数和疾病信息，其人口学参数包括身高、体重、年龄、疾病史、文化程度、婚姻状况，等等；其疾病信息具体为疾病名称、疾病严重等级，等等；所述用药数据具体包括：药品种类、每种药品的用药量(即剂量)，等等。

可选的，获取到医师开取的诊断数据后，参保人在线向医疗机构提交住院请求，所述住院请求用于请求所述医疗机构将所述参保人收住入院，在发起住院请求后，医师需在住院信息管理界面输入针对所述参保人的住院数据。

步骤S102、提取所述住院数据中的诊断数据，将所述诊断数据输入到预先训练好的住院预测模型，以得到所述参保人的住院概率。

可选的，对所述住院数据进行关键字识别，识别出所述住院数据中的诊断数据，即疾病名称、疾病严重等级、人口学参数，将所述疾病名称、疾病严重等级、人口学参数组成输入数据输入到预设训练好的住院预测模型，得到所述参保人的住院概率。其中，将所述疾病名称、疾病严重等级、人口学参数组成输入数据具体包括：将所述疾病名称、疾病严重等级、人口学参数构建为初始特征矩阵，其中，该初始特征矩阵为非0-1的信息矩阵，对于所述初始特征矩阵中的非0-1数据进行归一化处理，即将所述特征矩阵中的所有元素转化为数字0～1的数据矩阵，然后对所述数据矩阵中为0的数据进行重排列，即将所述数据矩阵中的0值紧邻排列在同一行或者同一列组成输入数据矩阵，将所述输入数据矩阵输入到该预先训练好的住院预测模型执行多层正向运算，经过全局池化后得到所述输入数据矩阵对应的特征向量，将所述特征向量输入到softmax分类器，得到所述特征向量对应的“类别号”，获取所述“类别号”对应的具体数值，得到所述参保人的住院概率。

步骤S103、在所述住院概率满足预设条件时，获取所述诊断数据对应的预设用药数据。

可选的，在所述住院概率满足预设条件时，获取所述诊断数据对应的预设用药数据具体包括：在所述住院概率大于第一阈值时，确定所述参保人满足住院条件；获取所述诊断数据中的疾病名称；由医学知识可得，如确定需要住院时，可预先建立每个住院疾病与用药数据的映射关系，即可根据疾病名称和用药数据的映射关系确定所述诊断数据对应的预设用药数据，即确定此次疾病名称手术时所需要的药品种类，以及每种药品的用药量，其中，每种药品的用药量可以为一个确定值，也可以为一个区间，不做限定。

其中，所述第一阈值可以为0.6、0.7、0.8、0.9或者其他值。

举例来说，如表1示出了疾病名称和预设用药数据的映射关系，依据表1所示的映射关系获取所述疾病名称对应的预设用药数据，即得到该诊断数据对应的预设药品种类集以及每种药品的用药区间，当前，可将表1中的用药区间替换为固定用药量。

表1

步骤S104、将所述用药数据和所述预设用药数据进行比对，确定所述参保人的住院行为是否合法。

可选的，将所述用药数据和所述预设用药数据比对具体包括：将所述用药数据与所述预设用药数据在药品种类维度上进行比对，或者，将所述用药数据与所述预设用药数据在药品用药量维度上进行比对，或者，将所述用药数据与所述预设用药数据在住院费用贡献度维度上进行比对；如确定在药品种类维度或者药品用药量维度上或者住院费用贡献度维度任意一个维度异常时，确定所述参保人的住院行为不合法。

下面分别详细叙述在药品种类维度、药品用药量维度和住院费用贡献度维度上的比对方法。

可选的，在药品种类维度上比对时，提取所述用药数据中的药品种类，得到所述用药数据的药品种类集合A；提取所述预设用药数据中的药品种类，得到所述预设用药数据的预设药品种类集合B；在所述药品种类集合A与所述预设药品种类集合B的交集C为空集时，确定所述参保人的住院数据中的药品种类不合理，确定所述参保人的住院行为不合法；在所述药品种类集合A与所述预设药品种类集合B的交集C为非空集时，确定所述药品种类集合A与所述预设药品种类集合B的差集，得到第一集合D，即D＝A-B，确定所述预设药品种类集合B与所述药品种类集合A的差集，得到第二集合E＝B-A，如所述第一集合D中的第i个元素所对应的第i个药品为所述第二集合E中的第j个元素所对应的第j个药品的预设可替代药品，确定第i个元素为所述第j个元素的可替代元素，然后获取所述第一集合D中的所有可替代元素，确定所述第一集合D中除去所述所有可替代元素之外的其他元素的总数量，如所述总数量大于第二阈值，确定所述参保人的住院数据中的药品种类超量，确定所述参保人的住院行为不合法，其中，所述第i个元素为所述第一集合D中的任意一个元素，所述第j个元素为所述第二集合E中的任意一个元素，所述i、j均为大于或者等于1的整数。上述预设可替代药品的理由是：在手术时，对于一些药品来说可存在可替代的药品，即两者药效相同、功能相同，如短期内缺少其中某一种药品时，在手术时，可开取另一种药品作为替代药品，即两者在用药时可灵活使用，因此，去除所述药品种类集合与所述预设药品种类集合中相同的元素以及可替代的元素，获取剩余元素，如所述剩余元素的总数量仍大于所述第二阈值，确定所述药品种类集合中的药品种类过多，即确定参保人在住院时，开取了大量的其他与当前手术无关的药品，确定所述参保人的用药不合理，故存在套取医保基金支付购药行为。

其中，所述第二阈值可以为6、7、9、11、13或者其他值。

当然，可确定所述第一集合D中除去所述所有可替代元素之外的其他元素的总数量与所述第一集合D中的元素总数量的比值，如所述比值大于比值阈值，确定所述药品种类集合中的药品种类过多，即确定参保人在住院时，开取了大量的其他与当前手术无关的药品，确定所述参保人的用药不合理，故存在套取医保基金支付购药行为。

其中，所述比值阈值可以为05、06、07、08或者其他值。

当然，在种类维度上比对时，还可包括如下方法：

确定所述药品种类集合与所述预设药品种类集合的相似度；如所述相似度小于相似度阈值，获取所述药品种类集合中的第一元素总数量以及预设药品种类集合中的第二元素总数量，如所述第二元素总数量大于所述第一元素总数量，确定所述参保人的用药数据不合理，确定所述参保人的住院数据中的药品种类超量，确定所述参保人的住院行为不合法。

其中，

S为所述药品种类集合与所述预设药品种类集合的相似度，A为所述药品种类集合，B为所述预设药品种类集合，Card(A∩B)为A∩B中的元素个数，Card(A∪B)为A∪B中的元素个数。

其中，所述相似度阈值可以为0.5、0.6、0.7、0.8或者其他值。

可选的，在药品用药量维度上比对时，由于相同药品之间比对，方可确定药品用药量是否合理，故在所述总数量小于或者等于所述第二阈值时，获取所述药品种类集合A与所述预设药品种类集合B的交集C；根据所述用药数据确定所述交集C中每一个药品的实际用药量，根据所述预设用药数据确定所述药品的预设用药量；如所述实际用药量超过所述预设用药量时，确定所述药品的用药超量；获取所述交集C中用药超量的药品的总数量，确定所述交集中用药超量的药品的总数量与所述交集中的元素的总数量的比例；如所述比例大于第三阈值，确定所述参保人的住院数据中的药品用药超量，确定所述参保人的住院行为不合法。

其中，所述第三阈值可以为0.5、0.6、0.7、0.8或者其他值。

可选的，在住院费用贡献度维度上比对时，由于所述药品种类集合和所述预设药品种类集合中存在可替代药品，而有些可替代药品为昂贵的药品，如为了躲避检测药品种类是否过多以及药品用量是否超量，则可开取大量的昂贵的可替代药品，从而增加住院费用中的药品费用，而此时由于所述药品种类集合与所述预设药品种类集合相近，无法判断所述参保人是否存在套取医保基金购买药品的行为，因此在所述总数量小于或者等于所述第二阈值且所述交集中的任何一种药品的用药量均未超量时，需要在费用维度微观判断所述参保人的住院行为是否合理，具体包括：确定药品总费用，即依据所述药品种类集合、每种药品的用药量和每种药品的单价确定所述药品总费用，确定住院总费用，即依据输入的住院数据中的手术类型、床位类型等信息确定所述住院总费用；确定所述药品总费用对所述住院总费用的贡献度，即比值，如所述贡献度大于贡献度阈值，确定所述参保人的住院数据中的药品费用超额，确定所述参保人的住院行为不合法。

其中，所述贡献度阈值可以为0.7、075、0.8、0.85、0.9或者其他值。

可以看出，在本申请实施例中，在发生住院行为时，接收在住院信息管理界面输入的住院数据，提取所述住院数据中的诊断数据，根据预先训练好的住院预测模型预测所述参保人的住院概率，在住院概率大于第一阈值时，确定所述参保人满足住院条件，故根据预先建立的映射关系获取所述诊断数据对应的预设用药数据，并在种类维度、用药量维度和费用维度上分别确定所述参保人的用药数据是否合理，在确定所述参保人的用药数据，确定所述参保人此次的住院行为不合理，由于在种类维度、用药量维度和费用维度三个维度判断参保人是否存在虚假住院场景，故提高了核对参保人的住院行为的准确度，增加了核对方式，从用药角度核对住院行为，从而减少了套取医保基金购买药品的概率，并为医疗机构改革住院时的用药体制提供数据参考，完善医疗机构的医疗体制，保护公众利益。

在一可能的示例中，所述方法还包括：

在所述住院概率不满足所述预设条件时，即小于或者等于所述第一阈值时，将所述参保人的住院数据转发至线上核对中心，接收来自所述线上核对中心的验证结果。理由时，预先建立线上核对中心，在该住院概率小于第一阈值时，说明该参保人很大程度上无需住院治疗，由于无需住院治疗，故无法获取所述参保人的预设用药数据，利用比对的方法无法准确判断出所述参保人住院请求的合法性。故将所述参保人的住院数据发送至线上核对中心，提示核对所述参保人的用药数据是否异常，以便线上核对中心的***管理员根据所述住院数据综合判断所述参保人的用药数据是否异常，确定是否将所述参保人收纳住院。

参阅图2，图2为本申请实施例提供的另一种基于住院预测模型判定住院行为的方法的流程示意图，该方法应用于电子设备，该方法包括如步骤S201～S208中所示的内容：

步骤S201、接收在住院信息管理界面输入的参保人的住院数据，所述住院数据中至少包括诊断数据和用药数据。

步骤S202、提取所述住院数据中的诊断数据，将所述诊断数据输入到预先训练好的住院预测模型，以得到所述参保人的住院概率。

步骤S203、在所述住院概率满足预设条件时，获取所述诊断数据对应的预设用药数据。

步骤S204、将所述用药数据和所述预设用药数据进行比对，如确定所述用药数据异常时，确定所述参保人的住院行为不合法。

步骤S205、确定所述用药数据中的异常药品种类，得到异常药品种类集合。

可选的，确定所述用药数据中的异常药品种类具体包括：获取所述用药数据中的药品种类，得到所述用药数据的药品种类集，获取所述预设用药数据中的药品种类，得到所述预设用药数据的预设药品种类集，在药品种类维度上比对时，在确定所述用药数据的药品种类超量时，获取所述药品种类集与所述预设药品种类集的交集，将所述药品种类集中除所述交集中的药品以及可替代药品之外的所有药品对应的药品名称标记为异常药品，得到第一异常药品种类集；在药品用药量维度上比对时，在确定所述交集中药品用药超量时，将所述交集中用药超量的所有药品对应的药品名称标记为异常药品，得到第二异常药品种类集；在住院费用贡献度维度上比对时，在确定药品费用异常时，将所述可替代药品中药品费用远高于所替代的药品费用的所有可替代药品对应的药品名称标记异常药品，得到第三异常药品种类集，将所述第一异常药品种类集、第二异常药品种类集和第三异常药品种类集的并集标记为所述异常药品种类集。

步骤S206、统计在预设时间段内住院数据中的用药数据不合理的若干个参保人，确定所述若干个参保人中每个参保人的异常药品种类集，得到多个异常药品种类集。

步骤S207、根据所述多个异常药品种类集确定目标异常药品种类集。

可选的，根据所述多个异常药品种类集确定目标异常药品种类集具体包括：将所述每个参保人的异常药品种类集标记为事物集，得到所述多个参保人对应的多个事物集，其中，每一个参保人对应一个事物集，对每个参保人的事物集编号，将编号信息作为该事物集的ID信息，例如，将该多个参保人的事物集分别编号为001、002、003、……；根据FP-Growth算法确定所述多个事物集中的频繁项集，将所述频繁项集中的元素均标记为所述医疗机构的目标用药数据，其具体包括设置第一最小支持度P1，基于该最小支持度P筛选该多个事物集中的多个频繁元素，利用该多个频繁元素构建所述多个事物集的FP树，设置频繁项集中所需的元素数量或者设置第二最小支持度P2，从该FP树中读取符合该元素数量的或者支持度大于P2的多个频繁项集，获取所述多个频繁项集中支持度最大的频繁项集，如该支持度最大的频繁项集的数量为多个时，获取该多个频繁项集的交集，将该交集中的元素作为所述目标异常药品种类集或者获取该多个频繁项集的并集，将该并集中的元素作为该目标异常药品种类集。

下面举例说明确定频繁项集和目标异常药品种类集的具体过程。

假定在预设时间段内获取到6个参保人的住院行为不合理，获得6个实际术前检查项目集，将该6个实际术前检查项目集分别进行编号为001、002、003、004、005、006，将该6个实际术前检查项目集中的元素(即术前检查项目)分别以字母表示，例如，001中的术前检查项目集分别为血常规、尿常规、心电图、血压、血糖、口腔，然后，将该血常规、尿常规、心电图、血压、血糖、口腔分别以字母r,z,h,j,p表示，故可得001＝{r,z,h,j,p}，基于得到001的方式，可对002、003、004、005和006的术前检查项目字母化，得到002＝{z,y,x,w,v,u,t,s}，003＝{z}，004＝{r,x,n,o,s}，005＝{y,r,x,z,q,t,p}，006＝{y,z,x,e,q,s,t,m}；首先开启第一轮扫描，设置第一最小支持度P1＝3，将001、002、003、004、005、006中元素出现次数小于支持度P1剔除,即剔除q、n、o、h、j、p、w、v、u和e，得到新的事物集{r,z}，{z,y,x,t,s}，{z}，{r,x,s}，{y,r,x,z,t}，{y,z,x,s,t}，开启第二轮扫描依次扫描新的事物集，以空集为根节点开始创建FP树，在扫描每一个新的事物集时依次往该FP树中添加元素，如扫描{r,z}时，可添加元素r、z，扫描{z,y,x,t,s}时，可在第一次添加元素r、z得到的FP树中添加元素z,y,x,t,s，全部扫描完后，完成FP树的构建；所以该FP树的树节点上给出集合中的单个元素及其在新的事物集中出现的总次数，路径的根节点的元素的出现次数示出该路径对应的序列的出现次数(即支持度)。可以看出，每个路径上的所有元素构成一个频繁项集，以及每个路径的根节点示出每个频繁项集的支持度；然后，设置频繁项集中所需的元素数量，从该FP树的树节点截取与该元素数量对应的根节点，将该树节点与该根节点之间的元素组成频繁项集，例如，设置频繁项集中的元素数量为4时，可获得频繁项集为{z,x,y,s}，{z,x,y,r}，{x,y,s,t}，{x,y,r,t}，且各自的支持度分别为2、1、2和1，故支持度最大的频繁项集为{z,x,y,s}和{x,y,s,t}，故可将该频繁项集{z,x,y,s}和{x,y,s,t}的并集{z,x,y,s,t}作为该多个事物集的频繁项集，即将z,x,y,s,t组成目标异常药品种类集或者将该频繁项集{z,x,y,s}和{x,y,s,t}的交集{x,y,s}作为该多个事物集的频繁项集，即将x,y,s组成目标异常药品种类集；或者设置第二支持度P2，以第二支持度P2为基础开启第三轮扫描，扫描该FP树中支持度大于或者等于P2的集合，将该集合作为频繁项集，例如P2＝3时，由于集合{z}，{z,x}，{z,x,y}和{x,y}的支持度分别为5、3、3和3，确定其满足P2，将{z}，{z,x}，{z,x,y}和{x,y标记为频繁项集。由于{z}，{z,x}，{z,x,y}和{x,y}的交集为此时不满足条件，舍弃，取{z}，{z,x}，{z,x,y}和{x,y}的并集{z,x,y}作为目标频繁项集，即将z,x,y组成目标异常药品种类集。

步骤S208、向医疗机构的网络侧设备发送所述目标异常药品种类集，以调整对所述目标异常种类集中任意一个药品的管理制度。

可以看出，在本申请实施例中，在发生住院行为时，接收在住院信息管理界面输入的住院数据，提取所述住院数据中的诊断数据，根据预先训练好的住院预测模型预测所述参保人的住院概率，在住院概率大于第一阈值时，确定所述参保人满足住院条件，故根据预先建立的映射关系获取所述诊断数据对应的预设用药数据，并在种类维度、用药量维度和费用维度上分别确定所述参保人的用药数据是否合理，在确定所述参保人的用药数据，确定所述参保人此次的住院行为不合理，由于在种类维度、用药量维度和费用维度三个维度判断参保人是否存在虚假住院场景，故提高了核对参保人的住院行为的准确度，增加了核对方式，从用药角度核对住院行为，从而减少了套取医保基金购买药品的概率；而且，确定出医疗机构的目标异常药品种类集，实现医院针对性改革在异常药品种类集的用药制度，提高医疗体制改革的效率，由于确定出异常种类集，医疗机构能够及时并正确的调整医疗体制，提高医疗机构应对风险的能力，完善医疗机构的医疗体制，保护了公众利益。

可选的，在一可能的示例中，所述方法还包括：

确定所述医疗机构中具有临床手术资格的各个科室，获取所述各个科室在预设时间段内若干个参保人的住院数据，确定各个科室的若干个参保人中住院数据中的用药数据异常的若干个参保人，计算各个科室在所述预设时间段内用药数据异常的参保人的总数量与各个科室在所述预设时间段内请求住院的参保人的总数量的比例，依据该比例对各个科室进行排序，调整排序在前五的科室的住院制度，加强对排序在前五的科室在用药方面的管理。

可以看出，本示例中分析各个科室在预设时间段内的住院数据，得到在各个科室就诊的参保人用药数据异常的比例，根据该比例对各个科室进行排序得到排序结果，依据排序结果调整排名靠前的科室，从而针对性调整科室的住院制度，为医疗机构改革住院制度提供数据参考，有利于提高医疗机构的综合质量，减少各个科室采用住院模式套取医保基金支付购药费用的概率。

可选的，在一可能的示例中，所述方法还包括：

统计医疗机构在预设时间段内住院数据中的用药数据异常的所有参保人，获取该用药数据异常的所有参保人对应的所有住院数据，提取该所有住院数据中所有的医生信息，获取每个医生信息的出现频率，根据该出现频率监管该所有的医生信息对应的医生的开药行为，其具体包括：对出现频率排名前五的医生信息对应的医生定期从医疗数据库中获取其所开取的住院数据单，如该住院数据单中的用药数据异常次数大于各自的预设阈值时，将该医生信息上传至住院管理***，以监管该医生开取的住院数据单的合理性，其中，该预设阈值与医生排名相关，排名越靠前预设阈值越小。

可以看出，本示例中分析用药数据异常的所有参保人的住院数据，获取各个医生信息的出现频率，依据该出现频率监管医生开取的住院数据单，减少医生通过低标准将参保人收入住院来套取医保基金支付术购药费用的概率。

参阅图3，图3为本申请实施例提供的另一种基于住院预测模型判定住院行为的方法的流程示意图，该方法应用于电子设备，该方法包括如步骤S301～S309中所示的内容：

步骤S301、从医疗机构的数据库中获取预设数量的医疗数据样本。

其中，所述医疗数据样本中包括参保人的人口学参数、疾病名称、疾病严重等级、是否住院治疗信息，等等。

步骤S302、将获取到的预设数量的医疗数据样本分为第一比例的训练集和第二比例的测试集。

其中，所述第一比例可以为90％、80％、70％、60％或者其他值。

其中，所述第二比例可以为10％、20％、30％、40％或者其他值。

步骤S303、利用所述训练集中的各个医疗数据样本训练预先确定的住院预测模型，以得到所述预设训练好的住院预测模型。

步骤S304、利用所述测试集中的各个医疗数据样本对所述预设训练好的住院预测模型进行测试，如测试通过，执行步骤S305，如测试不通过，从所述医疗机构的数据库中增加医疗数据样本的数量，返回执行S302。

可选的，利用所述测试集中的各个医疗数据样本对所述预设训练好的住院预测模型进行测试具体包括：利用所述预设训练好的住院预测模型对所述测试集中的各个医疗数据样本进行分析计算，以得出各个医疗数据样本对应的住院概率；利用各个医疗数据样本的标识信息，查询各个医疗数据样本的实际住院情况，确定利用所述预设训练好的住院预测模型得到的住院概率与所述个医疗数据样本的实际住院情况得到对所述预设训练好的住院预测模型的准确性测试结果，其输出结果为二值数据，即0和1的二值数据，0代表准确性测试结果为错误，1代表准确性测试结果为正确，具体为如得到的住院概率大于第一阈值，且所述医疗数据样本中的实际住院情况为住院，得到其准确性测试结果为1，如得到的住院概率小于或者等于所述第一阈值，且所述医疗数据样本中的实际住院情况为未住院，确定准确性测试结果为1，其他情况的准确性测试结果均为0，确定准确性测试结果为1占所有准确性测试结果的百分比，如所述百分比大于百分比阈值(例如，80％)，则确定对所述预设训练好的住院预测模型的测试通过，或者，如所述百分比比小于或者等于所述百分比阈值，确定对所述设训练好的住院预测模型的测试不通过，需从所述医疗机构的数据库中增加医疗数据样本的数量，重新训练。

步骤S305、完成训练，得到所述预设训练好的住院预测模型，将所述预设训练好的住院预测模型嵌入医疗机构的服务器，以预测参保人的住院概率。

步骤S306、接收在住院信息管理界面输入的参保人的住院数据。

其中，所述住院数据中至少包括诊断数据和用药数据。

步骤S307、提取所述住院数据中的诊断数据，将所述诊断数据输入到所述医疗机构的服务器中已嵌入的预设训练好的住院预测模型，得到所述参保人的住院概率。

步骤S308、在所述住院概率满足预设条件时，获取所述诊断数据对应的预设用药数据。

步骤S309、将所述用药数据和所述预设用药数据进行比对，在确定所述用药数据异常时，确定所述参保人的住院行为不合法。

可以看出，在本申请实施例中，先从医疗机构的医疗数据库中获取医疗数据样本，以训练住院预测模型，故本申请的住院模型对住院概率的预测更具有针对性更加准确；而且，在发生住院行为时，接收在住院信息管理界面输入的住院数据，提取所述住院数据中的诊断数据，根据预先训练好的住院预测模型预测所述参保人的住院概率，在住院概率大于第一阈值时，确定所述参保人满足住院条件，故根据预先建立的映射关系获取所述诊断数据对应的预设用药数据，并在种类维度、用药量维度和费用维度上分别确定所述参保人的用药数据是否合理，在确定所述参保人的用药数据，确定所述参保人此次的住院行为不合理，由于在种类维度、用药量维度和费用维度三个维度判断参保人是否存在虚假住院场景，故提高了核对参保人的住院行为的准确度，增加了核对方式，从用药角度核对住院行为，从而减少了套取医保基金购买药品的概率，并为医疗机构改革住院时的用药体制提供数据参考，完善医疗机构的医疗体制，保护公众利益。

与上述图1、图2、图3所示的实施例一致的，请参阅图4，图4为本申请实施例提供的一种基于住院预测模型判定住院行为的电子设备400的结构示意图，如图4所示，该电子设备400包括处理器、存储器、通信接口以及一个或多个程序，其中，上述一个或多个程序不同于上述一个或多个应用程序，且上述一个或多个程序被存储在上述存储器中，并且被配置由上述处理器执行，上述程序包括用于执行以下步骤的指令；

接收在住院信息管理界面输入的参保人的住院数据，所述住院数据中至少包括诊断数据和用药数据；

提取所述住院数据中的诊断数据，将所述诊断数据输入到预先训练好的住院预测模型，以得到所述参保人的住院概率；

在所述住院概率满足预设条件时，获取所述诊断数据对应的预设用药数据；

将所述用药数据和所述预设用药数据进行比对，确定所述参保人的住院行为是否合法。

在一可能的示例中，当所述诊断数据中包括疾病名称、疾病严重等级、参保人的人口学参数时，在将所述诊断数据输入到预先训练好的住院预测模型，以得到所述参保人的住院概率方面，上述程序中的指令具体用于执行以下操作：

提取所述诊断数据中的疾病名称、疾病严重等级、参保人的人口学参数；

将所述疾病名称、疾病严重等级、人口学参数组成输入数据矩阵输入到预先训练好的住院预测模型执行正向运算，以得到所述参保人的住院概率。

在一可能的示例中，在所述住院概率满足预设条件时，获取所述诊断数据对应的预设用药数据方面，上述程序中的指令具体用于执行以下操作：

在所述住院概率大于第一阈值时，确定所述参保人满足住院条件；

获取所述诊断数据中的疾病名称；

根据疾病名称和用药数据的映射关系确定所述诊断数据对应的预设用药数据。

在一可能的示例中，在将所述用药数据和所述预设用药数据比对，确定所述参保人的住院行为是否合法方面，上述程序中的指令具体用于执行以下操作：

提取所述用药数据中的药品种类，得到所述用药数据的药品种类集合；

提取所述预设用药数据中的药品种类，得到所述预设用药数据的预设药品种类集合；

在所述药品种类集合与所述预设药品种类集合的交集为空集时，确定所述参保人的住院数据中的药品种类不合理，确定所述参保人的住院行为不合法。

在一可能的示例中，在所述提取所述预设用药数据中的药品种类，得到所述预设用药数据的预设药品种类集合之后，上述程序中的指令还用于执行以下操作：

在所述药品种类集合与所述预设药品种类集合的交集为非空集时，确定所述药品种类集合与所述预设药品种类集合的差集，得到第一集合，确定所述预设药品种类集合与所述药品种类集合的差集，得到第二集合；

如所述第一集合中的第i个元素所对应的第i个药品为所述第二集合中的第j个元素所对应的第j药品的预设可替代药品，则确定所述第i个元素为所述第j个元素的可替代元素；

获取所述第一集合中的所有可替代元素，确定所述第一集合中除去所述所有可替代元素之外的其他元素的总数量；如所述总数量大于第二阈值，则确定所述参保人的住院行为不合法；

其中，所述第i个元素为所述第一集合中的任意一个元素，所述第j个元素为所述第二集合中的任意一个元素，所述i、j均为大于或者等于1的整数。

在一可能的示例中，在将所述用药数据和所述预设用药数据比对，确定所述参保人的住院行为是否合法方面，上述程序中的指令具体用于执行以下操作：

如所述总数量小于或者等于所述第二阈值时，获取所述药品种类集合与所述预设药品种类集合的交集；

根据所述用药数据确定所述交集中每一个药品的实际用药量，根据所述预设用药数据确定所述药品的预设用药量；

如所述实际用药量超过所述预设用药量时，确定所述药品的用药超量；

获取所述交集中用药超量的药品的总数量，确定所述交集中用药超量的药品的总数量与所述交集中的元素的总数量的比例；

如所述比例大于第三阈值，确定所述参保人的住院数据中的药品用药超量，确定所述参保人的住院行为不合法。

在一可能的示例中，上述程序中的指令还用于执行以下操作：

从医疗机构的数据库中获取预设数量的医疗数据样本，所述医疗数据样本中包括参保人的人口学参数、疾病名称、疾病严重等级、是否住院治疗信息；

将获取到的预设数量的医疗数据样本分为第一比例的训练集和第二比例的测试集；

利用所述训练集中的各个医疗数据样本训练预先确定的住院预测模型，以得到所述预设训练好的住院预测模型，利用所述测试集中的各个医疗数据样本对所述预设训练好的住院预测模型进行测试，若测试通过，则训练结束，若测试不通过，则从所述医疗机构的数据库中增加医疗数据样本的数量，重新训练。

参阅图5，图5示出了上述实施例中所涉及的基于住院预测模型判定住院行为的电子设备500的一种可能的功能单元组成框图，电子设备500包括接收单元510、提取单元520、获取单元530、确定单元540、其中；

接收单元510，用于接收在住院信息管理界面输入的参保人的住院数据，所述住院数据中至少包括诊断数据和用药数据；

提取单元520，用于提取所述住院数据中的诊断数据，将所述诊断数据输入到预先训练好的住院预测模型，以得到所述参保人的住院概率；

获取单元530，用于在所述住院概率满足预设条件时，获取所述诊断数据对应的预设用药数据；

确定单元540，用于将所述用药数据和所述预设用药数据进行比对，确定所述参保人的住院行为是否合法。

在一可能的示例中，当所述诊断数据中包括疾病名称、疾病严重等级、参保人的人口学参数时，在将所述诊断数据输入到预先训练好的住院预测模型，以得到所述参保人的住院概率时，提取单元520，具体用于：提取所述诊断数据中的疾病名称、疾病严重等级、参保人的人口学参数；以及用于将所述疾病名称、疾病严重等级、人口学参数组成输入数据矩阵输入到预先训练好的住院预测模型执行正向运算，以得到所述参保人的住院概率。

在一可能的示例中，在所述住院概率满足预设条件时，获取所述诊断数据对应的预设用药数据时，获取单元530，具体用于：在所述住院概率大于第一阈值时，确定所述参保人满足住院条件；以及用于获取所述诊断数据中的疾病名称；以及用于根据疾病名称和用药数据的映射关系确定所述诊断数据对应的预设用药数据。

在一可能的示例中，在将所述用药数据和所述预设用药数据比对，确定所述参保人的住院行为是否合法时，确定单元540，具体用于：提取所述用药数据中的药品种类，得到所述用药数据的药品种类集合；以及用于提取所述预设用药数据中的药品种类，得到所述预设用药数据的预设药品种类集合；以及用于在所述药品种类集合与所述预设药品种类集合的交集为空集时，确定所述参保人的住院数据中的药品种类不合理，确定所述参保人的住院行为不合法。

在一可能的示例中，在所述提取所述预设用药数据中的药品种类，得到所述预设用药数据的预设药品种类集合之后，确定单元540，还用于在所述药品种类集合与所述预设药品种类集合的交集为非空集时，确定所述药品种类集合与所述预设药品种类集合的差集，得到第一集合，确定所述预设药品种类集合与所述药品种类集合的差集，得到第二集合；以及用于如所述第一集合中的第i个元素所对应的第i个药品为所述第二集合中的第j个元素所对应的第j药品的预设可替代药品，则确定所述第i个元素为所述第j个元素的可替代元素；以及用于获取所述第一集合中的所有可替代元素，确定所述第一集合中除去所述所有可替代元素之外的其他元素的总数量；如所述总数量大于第二阈值，则确定所述参保人的住院行为不合法；其中，所述第i个元素为所述第一集合中的任意一个元素，所述第j个元素为所述第二集合中的任意一个元素，所述i、j均为大于或者等于1的整数。

在一可能的示例中，在将所述用药数据和所述预设用药数据比对，确定所述参保人的住院行为是否合法时，确定单元540，还用于如所述总数量小于或者等于所述第二阈值时，获取所述药品种类集合与所述预设药品种类集合的交集；以及用于根据所述用药数据确定所述交集中每一个药品的实际用药量，根据所述预设用药数据确定所述药品的预设用药量；以及用于如所述实际用药量超过所述预设用药量时，确定所述药品的用药超量；以及用于获取所述交集中用药超量的药品的总数量，确定所述交集中用药超量的药品的总数量与所述交集中的元素的总数量的比例；以及用于如所述比例大于第三阈值，确定所述参保人的住院数据中的药品用药超量，确定所述参保人的住院行为不合法。

在一可能的示例中，电子设备500还包括：训练单元550；

其中，训练单元550，用于：从医疗机构的数据库中获取预设数量的医疗数据样本，所述医疗数据样本中包括参保人的人口学参数、疾病名称、疾病严重等级、是否住院治疗信息；以及用于将获取到的预设数量的医疗数据样本分为第一比例的训练集和第二比例的测试集；以及用于利用所述训练集中的各个医疗数据样本训练预先确定的住院预测模型，以得到所述预设训练好的住院预测模型，利用所述测试集中的各个医疗数据样本对所述预设训练好的住院预测模型进行测试，若测试通过，则训练结束，若测试不通过，则从所述医疗机构的数据库中增加医疗数据样本的数量，重新训练。

本申请实施例还提供一种计算机存储介质，其中，该计算机存储介质存储用于电子数据交换的计算机程序，该计算机程序使得计算机执行如上述方法实施例中记载的任何一种基于住院预测模型判定住院行为的方法的部分或全部步骤。

本申请实施例还提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序可操作来使计算机执行如上述方法实施例中记载的任何一种基于住院预测模型判定住院行为的方法的部分或全部步骤。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本申请所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件程序模块的形式实现。

所述集成的单元如果以软件程序模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。

以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种基于住院预测模型判定住院行为的方法，其特征在于，所述方法应用于电子设备，所述方法包括：

接收在住院信息管理界面输入的参保人的住院数据，所述住院数据中至少包括诊断数据和用药数据；

提取所述住院数据中的诊断数据，将所述诊断数据输入到预先训练好的住院预测模型，以得到所述参保人的住院概率；

在所述住院概率满足预设条件时，获取所述诊断数据对应的预设用药数据；

将所述用药数据和所述预设用药数据进行比对，确定所述参保人的住院行为是否合法。

2.根据权利要求1所述的方法，其特征在于，当所述诊断数据中包括疾病名称、疾病严重等级、参保人的人口学参数时，所述将所述诊断数据输入到预先训练好的住院预测模型，以得到所述参保人的住院概率具体包括：

提取所述诊断数据中的疾病名称、疾病严重等级、参保人的人口学参数；

将所述疾病名称、疾病严重等级、人口学参数组成输入数据矩阵输入到预先训练好的住院预测模型执行正向运算，以得到所述参保人的住院概率。

3.根据权利要求1或2所述的方法，其特征在于，所述在所述住院概率满足预设条件时，获取所述诊断数据对应的预设用药数据具体包括：

在所述住院概率大于第一阈值时，确定所述参保人满足住院条件；

获取所述诊断数据中的疾病名称；

根据疾病名称和用药数据的映射关系确定所述诊断数据对应的预设用药数据。

4.根据权利要求1或2所述的方法，其特征在于，所述将所述用药数据和所述预设用药数据比对，确定所述参保人的住院行为是否合法具体包括：

提取所述用药数据中的药品种类，得到所述用药数据的药品种类集合；

提取所述预设用药数据中的药品种类，得到所述预设用药数据的预设药品种类集合；

在所述药品种类集合与所述预设药品种类集合的交集为空集时，确定所述参保人的住院数据中的药品种类不合理，确定所述参保人的住院行为不合法。

5.根据权利要求4所述的方法，其特征在于，在所述提取所述预设用药数据中的药品种类，得到所述预设用药数据的预设药品种类集合之后，所述方法还包括：

在所述药品种类集合与所述预设药品种类集合的交集为非空集时，确定所述药品种类集合与所述预设药品种类集合的差集，得到第一集合，确定所述预设药品种类集合与所述药品种类集合的差集，得到第二集合；

如所述第一集合中的第i个元素所对应的第i个药品为所述第二集合中的第j个元素所对应的第j药品的预设可替代药品，则确定所述第i个元素为所述第j个元素的可替代元素；

获取所述第一集合中的所有可替代元素，确定所述第一集合中除去所述所有可替代元素之外的其他元素的总数量；如所述总数量大于第二阈值，则确定所述参保人的住院行为不合法；

其中，所述第i个元素为所述第一集合中的任意一个元素，所述第j个元素为所述第二集合中的任意一个元素，所述i、j均为大于或者等于1的整数。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

如所述总数量小于或者等于所述第二阈值时，获取所述药品种类集合与所述预设药品种类集合的交集；

根据所述用药数据确定所述交集中每一个药品的实际用药量，根据所述预设用药数据确定所述药品的预设用药量；

如所述实际用药量超过所述预设用药量时，确定所述药品的用药超量；

获取所述交集中用药超量的药品的总数量，确定所述交集中用药超量的药品的总数量与所述交集中的元素的总数量的比例；

如所述比例大于第三阈值，确定所述参保人的住院数据中的药品用药超量，确定所述参保人的住院行为不合法。

7.根据权利要求1-6任一项所述的方法，其特征在于，所述方法还包括：

从医疗机构的数据库中获取预设数量的医疗数据样本，所述医疗数据样本中包括参保人的人口学参数、疾病名称、疾病严重等级、是否住院治疗信息；

将获取到的预设数量的医疗数据样本分为第一比例的训练集和第二比例的测试集；

利用所述训练集中的各个医疗数据样本训练预先确定的住院预测模型，以得到所述预设训练好的住院预测模型，利用所述测试集中的各个医疗数据样本对所述预设训练好的住院预测模型进行测试，若测试通过，则训练结束，若测试不通过，则从所述医疗机构的数据库中增加医疗数据样本的数量，重新训练。

8.一种基于住院预测模型判定住院行为的电子设备，其特征在于，所述电子设备包括：

接收单元，用于接收在住院信息管理界面输入的参保人的住院数据，所述住院数据中至少包括诊断数据和用药数据；

提取单元，用于提取所述住院数据中的诊断数据，将所述诊断数据输入到预先训练好的住院预测模型，以得到所述参保人的住院概率；

获取单元，用于在所述住院概率满足预设条件时，获取所述诊断数据对应的预设用药数据；

确定单元，用于将所述用药数据和所述预设用药数据进行比对，确定所述参保人的住院行为是否合法。

9.一种电子设备，其特征在于，包括处理器、存储器、通信接口以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述程序包括用于执行权利要求1-7任一项方法中的步骤的指令。

10.一种计算机可读存储介质，其特征在于，其用于存储计算机程序，其中，所述计算机程序使得计算机执行如权利要求1-7任一项所述的方法。