CN109559243A - 保险核保方法、装置、介质及电子设备 - Google Patents
保险核保方法、装置、介质及电子设备 Download PDFInfo
- Publication number
- CN109559243A CN109559243A CN201811527012.4A CN201811527012A CN109559243A CN 109559243 A CN109559243 A CN 109559243A CN 201811527012 A CN201811527012 A CN 201811527012A CN 109559243 A CN109559243 A CN 109559243A
- Authority
- CN
- China
- Prior art keywords
- target user
- data
- illness
- probability
- physical examination
- 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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明实施例提供了一种保险核保方法、装置、介质及电子设备,该保险核保方法包括:获取不同年龄患者的医疗数据;从所述医疗数据中确定多个疾病影响因子;获取目标用户的体检数据,根据所述体检数据及所述疾病影响因子确定所述目标用户的患病概率;根据所述目标用户的患病概率确定所述目标用户的承保方案。本发明实施例的技术方案可以提高核保的精确性。
Description
技术领域
本发明涉及数据处理技术领域,具体而言,涉及一种保险核保方法、保险核保装置、存储介质及电子设备。
背景技术
随着人们对生活保障的重视,保险业务的发展越来越快,而保险核保业务的难度却越来越大。
保险核保人员在有用户投保时会对该用户进行审核评估,根据该用户的年龄、健康状况、病历记录以及从事的职业等各个方面,确定对于该用户的风险,然后确定是否承保并确定该用户的保费。在承保之后,如果用户需要理赔,核保人员可以根据用户的就医数据进行评估,确定用户的出险情况,进而对用户进行理赔。但是,对于重大疾病保险来说,只要用户被确定为保险合同中约定的某种疾病,保险公司就会进行赔付,对于保险公司来说,这种情况下面临的风险非常大。然而,在对用户核保时,却无法对这种风险进行识别,导致核保不精确、不全面。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本发明的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明实施例的目的在于提供一种保险核保方法、保险核保装置、存储介质及电子设备,进而至少在一定程度上克服保险核保不精确、不全面的问题。
本发明的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本发明的实践而习得。
根据本发明实施例的第一方面,提供了一种保险核保方法,包括:获取不同年龄患者的医疗数据;从医疗数据中确定多个疾病影响因子;然后获取目标用户的体检数据,根据目标用户的体检数据及疾病影响因子确定目标用户的患病概率;进而根据目标用户的患病概率确定目标用户的承保方案。
可选地,从医疗数据中确定多个疾病影响因子可以包括:将医疗数据作为训练数据,训练针对各种疾病的神经网络模型;利用各神经网络模型确定多个疾病影响因子。
可选地,获取目标用户的体检数据,根据体检数据及疾病影响因子确定目标用户的患病概率可以包括:利用包含疾病影响因子的医疗数据训练分类模型;从体检数据中提取出第一目标数据,将第一目标数据输入训练后的分类模型中,得到目标用户的第一患病概率。
可选地,获取目标用户的体检数据,根据体检数据及疾病影响因子确定目标用户的患病概率可以包括:从医疗数据中提取出肿瘤信息,其中,疾病影响因子中包含肿瘤信息;根据肿瘤信息的时间序列确定肿瘤变化预测模型;从体检数据中提取出第二目标数据,将第二目标数据输入肿瘤变化预测模型中,得到目标用户的第二患病概率;其中第一目标数据包含第二目标数据。
可选地,根据目标用户的患病概率确定目标用户的承保方案可以包括:根据第一患病概率和/或第二患病概率确定目标用户的健康评估结果;根据目标用户的健康评估结果判断目标用户是否满足承保条件;在目标用户满足承保条件时,确定目标用户的承保方案。
可选地,根据第一患病概率和/或第二患病概率确定目标用户的健康评估结果包括:将第一患病概率和第二患病概率输入评估模型,得到目标用户的评估分值;确定目标用户的评估分值对应的风险等级,将评估分值及风险等级作为目标用户的健康评估结果。
可选地,根据目标用户的患病概率确定目标用户的承保方案包括:若风险等级满足预设条件则确定目标用户满足承保条件,并确定目标用户的保险产品以及保险费用。
根据本发明实施例的第二方面,提供了一种保险核保装置,包括:数据获取单元,用于获取不同年龄患者的医疗数据;特征提取单元,用于从所述医疗数据中确定多个疾病影响因子;概率确定单元,用于获取目标用户的体检数据,根据所述体检数据及所述疾病影响因子确定所述目标用户的患病概率;承保单元,用于根据所述目标用户的患病概率确定所述目标用户的承保方案。
可选地,特征提取单元可以包括:训练单元,用于将所述医疗数据作为训练数据,训练针对各种疾病的神经网络模型;特征输出单元,用于利用各所述神经网络模型确定多个疾病影响因子。
可选地,概率确定单元可以包括:第一模型单元,用于利用包含所述疾病影响因子的医疗数据训练分类模型;第一概率输出单元,用于从所述体检数据中提取出第一目标数据,将所述第一目标数据输入训练后的所述分类模型中,得到所述目标用户的第一患病概率。
可选地,概率确定单元可以包括:信息提取单元,用于从所述医疗数据中提取出肿瘤信息,其中,所述疾病影响因子中包含所述肿瘤信息;第二模型单元,用于根据所述肿瘤信息的时间序列确定肿瘤预测模型;第二概率输出单元,用于从所述体检数据中提取出第二目标数据,将所述第二目标数据输入所述肿瘤预测模型中,得到所述目标用户的第二患病概率;其中,所述第一目标数据包含所述第二目标数据。
可选地,承保单元可以包括:健康评估单元,用于根据所述第一患病概率和/或所述第二患病概率确定所述目标用户的健康评估结果;判断单元,用于根据所述目标用户的健康评估结果判断所述目标用户是否满足承保条件;承保方案确定单元,用于在所述目标用户满足承保条件时,确定所述目标用户的承保方案。
可选地,健康评估单元可以包括:评估分值确定单元,用于将所述第一患病概率和所述第二患病概率输入评估模型,得到所述目标用户的评估分值;风险确定单元,用于确定所述目标用户的评估分值对应的风险等级,将所述评估分值及所述风险等级作为所述目标用户的健康评估结果。
可选地,承保单元可以包括:保险确定单元,用于若所述风险等级满足预设条件则确定所述目标用户满足承保条件,确定所述目标用户的保险产品以及保险费用。
根据本发明实施例的第三方面,提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现如上述实施例中第一方面所述的保险核保方法。
根据本发明实施例的第四方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述实施例中第一方面所述的保险核保方法。
本发明实施例提供的技术方案可以包括以下有益效果:
在本发明的一些实施例所提供的技术方案中,通过获取不同年龄患者的医疗数据,从医疗数据中确定多个疾病影响因子,进而根据目标用户的体检数据以及疾病影响因子确定目标用户的患病概率,从而确定目标用户的承保方案。一方面,能够在保险核保时预测用户的患病概率,提供核保的精确性以及全面性;并且,根据预测的患病概率也能够使得用户对某种疾病进行防范,从而更好地保障用户的身体健康;另一方面,可以针对用户可能面临的疾病风险可以给用户推荐更具有针对性的保险方案,增强用户的安全保障;再一方面,对用户的患病情况进行预测可以及时发现用户的患病情况,在对用户病情进行控制的同时也可以降低保险公司的风险。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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。在附图中:
图1示意性示出了根据本发明的实施例的保险核保方法的流程图;
图2示意性示出了根据本发明的另一实施例的保险核保方法的流程图;
图3示意性示出了根据本发明的又一实施例的保险核保方法的流程图;
图4示意性示出了根据本发明的再一实施例的保险核保方法的流程图;
图5示意性示出了根据本发明的实施例的保险核保***的框图;
图6示意性示出了根据本发明的实施例的保险核保装置的框图;
图7示出了适于用来实现本发明实施例的电子设备的计算机***的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本发明将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本发明的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本发明的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
图1示意性示出了本实施例的保险核保方法的流程图,该保险核保方法的执行主体可以是服务器或终端设备等。
如图1所示,本示例实施例的保险核保方法可以包括步骤S11、步骤S12、步骤S13和步骤S14。其中:
步骤S11,获取不同年龄患者的医疗数据;
步骤S12,从医疗数据中确定多个疾病影响因子;
步骤S13,获取目标用户的体检数据,根据体检数据及疾病影响因子确定目标用户的患病概率;
步骤S14,根据目标用户的患病概率确定目标用户的承保方案。
根据图1所示的保险核保方法,通过获取不同年龄患者的医疗数据,从医疗数据中确定多个疾病影响因子,进而根据目标用户的体检数据以及疾病影响因子确定目标用户的患病概率,从而确定目标用户的承保方案。一方面,能够在保险核保时预测用户的患病概率,提供核保的精确性以及全面性;并且,根据预测的患病概率也能够使得用户对某种疾病进行防范,从而更好地保障用户的身体健康;另一方面,可以针对用户可能面临的疾病风险可以给用户推荐更具有针对性的保险方案,增强用户的安全保障;再一方面,对用户的患病情况进行预测可以及时发现用户的患病情况,在对用户病情进行控制的同时也可以降低保险公司的风险。
接下来,结合图1对本示例实施例的保险核保方法的各个步骤进行更加详细的说明。
参考图1,在步骤S11中,医疗数据可以包括医学检查过程中产生的数据,例如血常规、尿常规、各种医学影像数据等;也可以包括医生的诊断数据,例如糖尿病诊断书、住院证明等。并且,医疗数据还可以包括用户的医疗用品购买记录,例如药品、医疗器械等。此外,医疗数据也可以包括其他数据,例如门诊记录、门诊费用报销记录等等,本示例实施方式对此不做限定。
用户通过医疗服务机构就诊或买药时就会产生医疗数据。并且,通常情况,每隔一段时间,人们都要进行体检已确保能够对身体健康状况进行监控。因此,通过医疗机构对应的服务器或者终端设备可以获取到大量的医疗数据,从而对这些医疗数据进行处理得到不同年龄的用户的医疗数据。这些医疗数据可以有多维度的特征,例如肺部检查数据、胸部检查数据等,或者是超声检查、血液检查等,本示例实施方式对此不做限定。
在步骤S12中,获取到医疗数据后,可以从医疗数据中确定多个疾病影响因子。其中,疾病影响因子可以指医疗数据中的医学指标,例如白细胞计数、血红蛋白含量等;也可以指医疗数据的某一属性,例如患者年龄、性别、体重等;或者,疾病影响因子可以是医疗数据的特征,例如手术数据、体检数据、就诊数据、影响数据等。此外,疾病影响因子也可以是其他数据,例如医疗数据中的某一参数(如就诊时间、手术时间等)等,本示例实施方式对此不做特殊限定。此外,疾病影响因子可以有多个,或者一个。
通过对医疗数据进行分析,可以从医疗数据中确定出疾病影响因子。详细而言,可以将医疗数据中包含的每一属性提取出来,分析在各条数据中该属性的属性值变化时,患者的疾病状态是否会受到影响,即,分析该属性与疾病的相关性。因此,可以通过相关性计算得到每一患者的医疗数据中疾病状态与各属性的相关性,进而确定与每一疾病最相关的多个属性,将这些属性作为疾病影响因子。
可选地,也可以通过建立模型来确定疾病影响因子。详细而言,可以利用深度学习算法,针对每一疾病设计不同的神经网络模型,通过对神经网络模型进行训练来完成对医疗数据的特征的降维,从而得到预设数量的特征,将这些特征可以作为疾病影响因子。例如,肺癌、卵巢癌采用12层神经网络,导出256维特征;肝癌、胃癌采用8层神经网络,导出128维特征;***癌、淋巴癌采用10层神经网络,导出64维特征;乳腺癌、甲状腺癌采用6层神经网络,导出128维特征,从而可以确定常见癌症的疾病影响因子。
因此,在一些实施方式中,从医疗数据中确定多个疾病影响因子可以通过将医疗数据作为训练数据,训练针对各种疾病的神经网络模型;进而利用各神经网络模型确定多个疾病影响因子。此外,从医疗数据中确定出疾病影响因子还可以通过其他方式,例如通过决策树模型确定出疾病影响因子等。
在步骤S13中,获取目标用户的体检数据,然后根据该体检数据以及上述疾病影响因子确定目标用户的患病概率。其中,目标用户可以包括需要进行投保的用户。在用户投保时,为了防止骗保风险,保险业务人员需要对用户的投保进行审查以确定用户的健康状态。此时,用户可以主动提供自己的体检数据,或者也可以从医疗机构获取用户的体检记录。在获取到目标用户的体检数据后,可以从体检数据中确定出各疾病影响因子对应的检查结果。例如,若疾病影响因子为“核磁”,那么可以从目标用户的体检数据中提取出核磁检查结果。进而,可以确定每一疾病影响因子对应的目标用户的检查数据,通过确定出的多个检查数据确定目标用户的患病概率。举例而言,如果目标用户的某一疾病影响因子对应的检查数据与医疗数据中患者的该疾病影响因子对应的检查数据一致,或者不超出患者的检查数据的某一范围,那么可以为目标用户的该疾病影响因子赋值为“1”,进而可以得到目标用户的每一疾病影响因子的值,从而根据各疾病影响因子与疾病的相关系数确定目标用户的患病概率。
可选地,根据体检数据及疾病影响因子确定目标用户的患病概率可以包括步骤S201和步骤S202,如图2所示。其中:
在步骤S201中,确定疾病影响因子后,可以将医疗数据作为训练数据,训练分类模型。在医疗数据中,不同的患者的疾病影响因子对应的检查数据可能是不一样的,将每一患者的各疾病影响因子对应的检查数据作为一条训练数据输入分类模型,从而得到训练后的分类模型。
然后,在步骤S202中,从目标用户的体检数据中提取出第一目标数据,将该第一目标数据输入到该分类模型中可以确定目标用户的第一患病概率。其中,第一目标数据可以包括体检数据中的数据片段,或者参数。并且,第一目标数据还可以是目标用户的体检数据的特征,或者第一目标数据可以包括各疾病影响因子对应的检查数据。在得到分类模型输出的第一患病概率后,该第一患病概率可以是目标用户的患病概率,基于该第一患病概率可以确定目标用户的承保方案。
为了使得目标用户的患病概率更加精确,本示例实施例还可以包括步骤S301、步骤S302和步骤S303,如图3所示。其中:
在步骤S301中,从医疗数据中可以提取出肿瘤信息。肿瘤信息可以包括与肿瘤相关的检查数据,例如肿瘤标志物检查数据、B超检查数据、肺部CT图像数据等;也可以包括与肿瘤筛查、治疗有关的医学指标,例如CA-125、血液检测指标(肿瘤特异生长因子TSGF、癌胚抗原CEA、细胞角蛋白19片段CYFRA21-1、鳞癌抗原SCC Ag、神经元特异性烯醇化酶NSE等)。此外,疾病影响因子中可以包括肿瘤信息。
然后,在步骤S302中,根据肿瘤信息的时间序列确定肿瘤变化预测模型。不同患者的年龄不同,做检查的时间不同,在医疗数据中每一患者的肿瘤信息对应的时间也可以是不同的,因此可以按照肿瘤信息的时间序列训练肿瘤预测模型。将多个患者的不同时间段的肿瘤信息作为训练数据,可以得到该肿瘤预测模型。
最后,在步骤S303中,从目标用户的体检数据中提取第二目标数据,将第二目标数据输入肿瘤预测模型,得到目标用户的第二患病概率。其中,第二目标数据可以包括目标用户的肿瘤信息,例如目标用户的肿瘤标志物检查数据、CT映像数据等。并且,第一目标数据中可以包括第二目标数据。得到第二目标数据后,可以利用肿瘤预测模型得到目标用户的第二患病概率。同样的,第二患病概率可以是目标用户的患病概率,基于该第二患病概率可以确定目标用户的承保方案。
由上可知,第一患病概率可以是根据各个疾病影响因子而确定的目标用户的患病概率,对于患病概率的预测比较全面,而第二患病概率是基于肿瘤信息对患病概率的预测,对于癌症等重大疾病来说,比较重要并且有针对性。因此,在步骤S14中,根据目标用户的患病概率确定目标用户的承保方案时,可以根据第一患病概率确定目标用户的承保方案,或者根据第二患病概率确定目标用户的承保方案。
在一些实施方式中,根据目标用户的患病概率确定目标用户的承保方案可以包括步骤S401、步骤S402和步骤S403,如图4所示。其中:
在步骤S401中,根据第一患病概率和/或第二患病概率确定目标用户的健康评估结果。目标用户的健康评估结果可以包括对目标用户的评估分值;或者,对目标用户的健康状态进行分类,从而确定的目标用户的健康等级。并且,健康评估结果可以包括评估分值,也可以包括健康等级;健康评估结果也可以是其他评估结果,例如通过分类模型对目标用户进行分类,该分类结果可以为目标用户的健康评估结果。
进而在步骤S402中,根据目标用户的健康评估结果判断目标用户是否满足承保条件。可以预先确定对于各种类型的用户的承保条件,例如,对年龄进行分类,可以确定各年龄段的用户的承保条件;对性别进行分类,可以确定各性别的用户的承保条件等。确定目标用户的承保条件后,可以判断目标用户的健康评估结果是否满足该承保条件。举例而言,可以根据评估分值划分多个等级:“高风险”、“中高风险”、“中风险”、“中低风险”、“低风险”等,如果用户的评估分值为对应的等级为“中风险”,那么可以判断用户是否满足中风险的承保条件。
然后,在步骤S403中,确定目标用户满足承保条件时,确定目标用户的承保方案。承保方案中可以包括目标用户的保险费用、赔付比例;也可以包括目标用户的保险时限等各种数据。根据用户的承保方案可以确定用户的保险合同,进而对用户进行承保。
在本发明的一个实施例中,确定目标用户的健康评估结果还可以通过将上述第一患病概率和第二患病概率输入评估模型,得到目标用户的评估分值;进而确定目标用户的评估分值对应的风险等级,该风险等级可以是目标用户的健康评估结果。其中,评估模型可以是机器学习模型,例如聚类模型、回归模型等;也可以是自定义的其他数学模型,例如二元函数模型等。举例而言,设评估模型为:
其中P1可以表示第一患病概率,P2可以表示第二患病概率,利用机器学习训练方法确定参数α1、α2以及β的参数值,可以使得输出的S为[0,1]范围内的数。即,S的值为目标用户的评估分值。
得到目标用户的评估分值后,可以确定该评估分值对应的风险等级。可以预先确定每一风险等级对应的评估分值的范围,如下表表1所示:
高风险 | 中高风险 | 中风险 | 中低风险 | 低风险 |
S>0.8 | 0.6<S<=0.8 | 0.4<S<=0.6 | 0.2<S<=0.4 | S<=0.2 |
表1
然而,风险等级与评估分值也可以设置为其他方式,例如“0.1~0.3”范围的评估分为对应的风险等级为“低风险”、“0.7~0.9”对应“高风险”、“1”对应“疑似患者”等。然后,根据得到的评估分值查询该评估分值对应的风险等级。因而,目标用户的健康评估结果可以包括该风险等级,也可以包括对目标用户的评估分值。
可选地,如果目标用户的风险等级满足预设条件,则可以确定目标用户满足承保条件,此时,可以确定目标用户的保险产品以及保险费用。举例而言,如果评估分值为“1”对应的风险等级为“疑似患者”,预设条件为风险等级不为“疑似患者”,那么可以确定评估分值不等于1的用户满足承保条件。并且,可以根据目标用户对应的风险等级确定目标用户的保险产品以及保险费用。
以下介绍本发明的装置实施例。
图5示意性示出了根据本发明实施例的保险核保***的框图。
参考图5所示,本发明的实施例的保险核保***50可以包括:数据预处理子***51、重疾预测子***52,以及重疾险核保子***53。
其中,数据预处理子***51负责将采集到的患者的医疗数据进行预处理,例如将患者的医学映像数据、体检数据、肿瘤标志物数据进行格式化,以统一的格式进行存储。
重疾预测子***52可以利用上述格式化后的数据进行深度学习模型的训练,并且还可以针对各种重大疾病训练不同类型的模型。进而利用模型对投保用户的体检数据进行预测,得到该投保用户的患病概率,从而可以预测到该投保用户患各种重大疾病的概率,有利于用户对疾病进行的预防。
在本发明的一个实施例中,重疾预测子***52可以包括:首先,可以针对肺癌、卵巢癌训练一12层神经网络,导出256维特征;肝癌、胃癌采用8层神经网络,导出128维特征;***癌、淋巴癌采用10层神经网络,导出64维特征;乳腺癌、甲状腺癌采用6层神经网络,导出128维特征。然后,利用提取的特征进行SVM模型的训练,进而得到第一预测模型,将投保人的体检数据输入该模型,得到第一患病概率;同时,利用肿瘤标志物数据的时间序列训练第二预测模型,将投保人的体检数据中的肿瘤标志物数据输入该第二预测模型,得到第二患病概率。最后,将获得的第一患病概率与第二患病概率输入第三预测模型,得到投保人的健康评估分值。
重疾险核保子***53可以根据投保人的评估分值对投保人进行合理的分类,并且确定对该投保人是否承保、保险费用等各种承保条件。并且,还可以给出对投保人的健康建议,有助于投保人进行风险规避,增强投保人的安全保障。
图6示意性示出了根据本发明的实施例的保险核保装置的框图。
参考图6所示,该保险核保装置60可以包括:数据获取单元61,用于获取不同年龄患者的医疗数据;特征提取单元62,用于从所述医疗数据中确定多个疾病影响因子;概率确定单元63,用于获取目标用户的体检数据,根据所述体检数据及所述疾病影响因子确定所述目标用户的患病概率;承保单元64,用于根据所述目标用户的患病概率确定所述目标用户的承保方案。
在本发明的一个实施例中,特征提取单元62可以包括:训练单元601,用于将所述医疗数据作为训练数据,训练针对各种疾病的神经网络模型;特征输出单元602,用于利用各所述神经网络模型确定多个疾病影响因子。
在本发明的一个实施例中,概率确定单元63可以包括:第一模型单元603,用于利用包含所述疾病影响因子的医疗数据训练分类模型;第一概率输出单元604,用于从所述体检数据中提取出第一目标数据,将所述第一目标数据输入训练后的所述分类模型中,得到所述目标用户的第一患病概率。
在本发明的一个实施例中,概率确定单元63可以包括:信息提取单元605,用于从所述医疗数据中提取出肿瘤信息,其中,所述疾病影响因子中包含所述肿瘤信息;第二模型单元606,用于根据所述肿瘤信息的时间序列确定肿瘤预测模型;第二概率输出单元607,用于从所述体检数据中提取出第二目标数据,将所述第二目标数据输入所述肿瘤预测模型中,得到所述目标用户的第二患病概率;其中,所述第一目标数据包含所述第二目标数据。
在本发明的一个实施例中,承保单元64可以包括:健康评估单元608,用于根据所述第一患病概率和/或所述第二患病概率确定所述目标用户的健康评估结果;判断单元609,用于根据所述目标用户的健康评估结果判断所述目标用户是否满足承保条件;承保方案确定单元610,用于在所述目标用户满足承保条件时,确定所述目标用户的承保方案。
在本发明的一个实施例中,健康评估单元608可以包括:评估分值确定单元611,用于将所述第一患病概率和所述第二患病概率输入评估模型,得到所述目标用户的评估分值;风险确定单元612,用于确定所述目标用户的评估分值对应的风险等级,将所述评估分值及所述风险等级作为所述目标用户的健康评估结果。
在本发明的一个实施例中,承保单元64可以包括:保险确定单元613,用于若所述风险等级满足预设条件则确定所述目标用户满足承保条件,确定所述目标用户的保险产品以及保险费用。
由于本发明的示例实施例的保险核保装置的各个功能模块与上述保险核保方法的示例实施例的步骤对应,因此对于本发明装置实施例中未披露的细节,请参照本发明上述的保险核保方法的实施例。
下面参考图7,其示出了适于用来实现本发明实施例的电子设备的计算机***70的结构示意图。图7示出的电子设备的计算机***70仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,计算机***70包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有***操作所需的各种程序和数据。CPU701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地,根据本发明的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本申请的***中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现如上述实施例中所述的保险核保方法。
例如,所述的电子设备可以实现如图1中所示的:步骤S11,获取不同年龄患者的医疗数据;步骤S12,从所述医疗数据中确定多个疾病影响因子;步骤S13,获取目标用户的体检数据,根据所述体检数据及所述疾病影响因子确定所述目标用户的患病概率;步骤S14,根据所述目标用户的患病概率确定所述目标用户的承保方案。
又如,所述的电子设备可以实现如图2所示的各个步骤。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本发明实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (10)
1.一种保险核保方法,其特征在于,包括:
获取不同年龄患者的医疗数据;
从所述医疗数据中确定多个疾病影响因子;
获取目标用户的体检数据,根据所述体检数据及所述疾病影响因子确定所述目标用户的患病概率;
根据所述目标用户的患病概率确定所述目标用户的承保方案。
2.根据权利要求1所述的保险核保方法,其特征在于,所述从所述医疗数据中确定多个疾病影响因子包括:
将所述医疗数据作为训练数据,训练针对各种疾病的神经网络模型;
利用各所述神经网络模型确定多个疾病影响因子。
3.根据权利要求1所述的保险核保方法,其特征在于,所述获取目标用户的体检数据,根据所述体检数据及所述疾病影响因子确定所述目标用户的患病概率包括:
利用包含所述疾病影响因子的医疗数据训练分类模型;
从所述体检数据中提取出第一目标数据,将所述第一目标数据输入训练后的所述分类模型中,得到所述目标用户的第一患病概率。
4.根据权利要求3所述的保险核保方法,其特征在于,所述获取目标用户的体检数据,根据所述体检数据及所述疾病影响因子确定所述目标用户的患病概率包括:
从所述医疗数据中提取出肿瘤信息,其中,所述疾病影响因子中包含所述肿瘤信息;
根据所述肿瘤信息的时间序列确定肿瘤变化预测模型;
从所述体检数据中提取出第二目标数据,将所述第二目标数据输入所述肿瘤变化预测模型中,得到所述目标用户的第二患病概率;其中
所述第一目标数据包含所述第二目标数据。
5.根据权利要求4所述的保险核保方法,其特征在于,所述根据所述目标用户的患病概率确定所述目标用户的承保方案包括:
根据所述第一患病概率和/或所述第二患病概率确定所述目标用户的健康评估结果;
根据所述目标用户的健康评估结果判断所述目标用户是否满足承保条件;
在所述目标用户满足承保条件时,确定所述目标用户的承保方案。
6.根据权利要求5所述的保险核保方法,其特征在于,所述根据所述第一患病概率和/或所述第二患病概率确定所述目标用户的健康评估结果包括:
将所述第一患病概率和所述第二患病概率输入评估模型,得到所述目标用户的评估分值;
确定所述目标用户的评估分值对应的风险等级,将所述评估分值及所述风险等级作为所述目标用户的健康评估结果。
7.根据权利要求6所述的保险核保方法,其特征在于,所述根据所述目标用户的患病概率确定所述目标用户的承保方案包括:
若所述风险等级满足预设条件则确定所述目标用户满足承保条件,确定所述目标用户的保险产品以及保险费用。
8.一种保险核保装置,其特征在于,包括:
数据获取单元,用于获取不同年龄患者的医疗数据;
特征提取单元,用于从所述医疗数据中确定多个疾病影响因子;
概率确定单元,用于获取目标用户的体检数据,根据所述体检数据及所述疾病影响因子确定所述目标用户的患病概率;
承保单元,用于根据所述目标用户的患病概率确定所述目标用户的承保方案。
9.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1至7中任一项所述的保险核保方法。
10.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至7中任一项所述的保险核保方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811527012.4A CN109559243A (zh) | 2018-12-13 | 2018-12-13 | 保险核保方法、装置、介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811527012.4A CN109559243A (zh) | 2018-12-13 | 2018-12-13 | 保险核保方法、装置、介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109559243A true CN109559243A (zh) | 2019-04-02 |
Family
ID=65869889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811527012.4A Pending CN109559243A (zh) | 2018-12-13 | 2018-12-13 | 保险核保方法、装置、介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109559243A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110335060A (zh) * | 2019-05-20 | 2019-10-15 | 微民保险代理有限公司 | 产品信息推送方法、装置、存储介质和计算机设备 |
CN110364259A (zh) * | 2019-05-30 | 2019-10-22 | 中国人民解放军总医院 | 一种高原疾病预测方法、***、介质及电子设备 |
CN110852894A (zh) * | 2019-11-04 | 2020-02-28 | 泰康保险集团股份有限公司 | 保险核保方法及装置、计算机存储介质、电子设备 |
CN110895970A (zh) * | 2019-10-22 | 2020-03-20 | 泰康保险集团股份有限公司 | 数据处理方法、装置、电子设备和计算机可读介质 |
CN111127225A (zh) * | 2019-11-25 | 2020-05-08 | 泰康保险集团股份有限公司 | 保险核保的***、方法、设备和计算机可读介质 |
CN111179102A (zh) * | 2019-12-25 | 2020-05-19 | 北京亚信数据有限公司 | 医疗保险核保风控方法、装置及存储介质 |
CN111261298A (zh) * | 2019-12-25 | 2020-06-09 | 南京医康科技有限公司 | 一种医疗数据质量预判方法、装置、可读介质及电子设备 |
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 |
CN111652746A (zh) * | 2020-05-29 | 2020-09-11 | 泰康保险集团股份有限公司 | 信息生成方法、装置、电子设备及存储介质 |
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 |
CN112634063A (zh) * | 2020-12-02 | 2021-04-09 | 北京健康之家科技有限公司 | 保险理赔审核方法、装置和电子设备 |
CN112712435A (zh) * | 2020-12-28 | 2021-04-27 | 天津幸福生命科技有限公司 | 服务管理***、计算机可读存储介质及电子设备 |
CN113657808A (zh) * | 2021-08-31 | 2021-11-16 | 平安医疗健康管理股份有限公司 | 一种人员评定方法、装置、设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1478634A (zh) * | 2002-07-16 | 2004-03-03 | ���µ�����ҵ��ʽ���� | 便携式电源*** |
CN101346629A (zh) * | 2005-11-16 | 2009-01-14 | 儿童医学中心公司 | 评估乳癌风险的方法 |
CN101689220A (zh) * | 2007-04-05 | 2010-03-31 | 奥利安实验室有限公司 | 用于治疗、诊断和预测医学病症发生的***和方法 |
CN101710371A (zh) * | 2009-12-25 | 2010-05-19 | 张立彬 | 人体健康状况全息采集及计算机辅助诊断与健康风险评估技术 |
CN104704526A (zh) * | 2013-10-01 | 2015-06-10 | 国立大学法人东北大学 | 健康信息处理装置、健康信息显示装置以及方法 |
CN106257471A (zh) * | 2016-03-31 | 2016-12-28 | 泰康保险集团股份有限公司 | 一种客户评测方法和装置 |
CN107910068A (zh) * | 2017-11-29 | 2018-04-13 | 平安健康保险股份有限公司 | 投保用户的健康风险预测方法、装置、设备及存储介质 |
CN108460692A (zh) * | 2018-03-23 | 2018-08-28 | 深圳市慧择保险经纪有限公司 | 一种基于健康险的线上核保方法、装置、设备和存储介质 |
CN108573752A (zh) * | 2018-02-09 | 2018-09-25 | 上海米因医疗器械科技有限公司 | 一种基于健康大数据的健康信息处理的方法及*** |
CN108846764A (zh) * | 2018-06-12 | 2018-11-20 | 泰康保险集团股份有限公司 | 一种核保方法、装置、介质和电子设备 |
-
2018
- 2018-12-13 CN CN201811527012.4A patent/CN109559243A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1478634A (zh) * | 2002-07-16 | 2004-03-03 | ���µ�����ҵ��ʽ���� | 便携式电源*** |
CN101346629A (zh) * | 2005-11-16 | 2009-01-14 | 儿童医学中心公司 | 评估乳癌风险的方法 |
CN101689220A (zh) * | 2007-04-05 | 2010-03-31 | 奥利安实验室有限公司 | 用于治疗、诊断和预测医学病症发生的***和方法 |
CN101710371A (zh) * | 2009-12-25 | 2010-05-19 | 张立彬 | 人体健康状况全息采集及计算机辅助诊断与健康风险评估技术 |
CN104704526A (zh) * | 2013-10-01 | 2015-06-10 | 国立大学法人东北大学 | 健康信息处理装置、健康信息显示装置以及方法 |
CN106257471A (zh) * | 2016-03-31 | 2016-12-28 | 泰康保险集团股份有限公司 | 一种客户评测方法和装置 |
CN107910068A (zh) * | 2017-11-29 | 2018-04-13 | 平安健康保险股份有限公司 | 投保用户的健康风险预测方法、装置、设备及存储介质 |
CN108573752A (zh) * | 2018-02-09 | 2018-09-25 | 上海米因医疗器械科技有限公司 | 一种基于健康大数据的健康信息处理的方法及*** |
CN108460692A (zh) * | 2018-03-23 | 2018-08-28 | 深圳市慧择保险经纪有限公司 | 一种基于健康险的线上核保方法、装置、设备和存储介质 |
CN108846764A (zh) * | 2018-06-12 | 2018-11-20 | 泰康保险集团股份有限公司 | 一种核保方法、装置、介质和电子设备 |
Non-Patent Citations (4)
Title |
---|
徐亮 等: ""人工智能在疾病预测中的应用"", 《自然杂志》 * |
祝恒琛 等: "《疾病预测学》", 30 September 2008 * |
胡敏 等: ""痛风月发病趋势预测及预测模型效果探讨"", 《重庆医科大学学报》 * |
陈勇 等: ""1972-2001年启东市肺癌发病趋势的时间序列分析及预测模型探讨"", 《南京医科大学学报(自然科学版)》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110335060A (zh) * | 2019-05-20 | 2019-10-15 | 微民保险代理有限公司 | 产品信息推送方法、装置、存储介质和计算机设备 |
CN110364259A (zh) * | 2019-05-30 | 2019-10-22 | 中国人民解放军总医院 | 一种高原疾病预测方法、***、介质及电子设备 |
CN110364259B (zh) * | 2019-05-30 | 2022-05-31 | 中国人民解放军总医院 | 一种高原疾病预测方法、***、介质及电子设备 |
CN110895970A (zh) * | 2019-10-22 | 2020-03-20 | 泰康保险集团股份有限公司 | 数据处理方法、装置、电子设备和计算机可读介质 |
CN110852894A (zh) * | 2019-11-04 | 2020-02-28 | 泰康保险集团股份有限公司 | 保险核保方法及装置、计算机存储介质、电子设备 |
CN110852894B (zh) * | 2019-11-04 | 2023-06-27 | 泰康保险集团股份有限公司 | 保险核保方法及装置、计算机存储介质、电子设备 |
CN111127225A (zh) * | 2019-11-25 | 2020-05-08 | 泰康保险集团股份有限公司 | 保险核保的***、方法、设备和计算机可读介质 |
CN111261298A (zh) * | 2019-12-25 | 2020-06-09 | 南京医康科技有限公司 | 一种医疗数据质量预判方法、装置、可读介质及电子设备 |
CN111261298B (zh) * | 2019-12-25 | 2024-02-23 | 医渡云(北京)技术有限公司 | 一种医疗数据质量预判方法、装置、可读介质及电子设备 |
CN111179102B (zh) * | 2019-12-25 | 2023-10-03 | 北京亚信数据有限公司 | 医疗保险核保风控方法、装置及存储介质 |
CN111179102A (zh) * | 2019-12-25 | 2020-05-19 | 北京亚信数据有限公司 | 医疗保险核保风控方法、装置及存储介质 |
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 |
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 |
CN111652746A (zh) * | 2020-05-29 | 2020-09-11 | 泰康保险集团股份有限公司 | 信息生成方法、装置、电子设备及存储介质 |
CN111652746B (zh) * | 2020-05-29 | 2023-08-29 | 泰康保险集团股份有限公司 | 信息生成方法、装置、电子设备及存储介质 |
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 |
CN112634063A (zh) * | 2020-12-02 | 2021-04-09 | 北京健康之家科技有限公司 | 保险理赔审核方法、装置和电子设备 |
CN112712435A (zh) * | 2020-12-28 | 2021-04-27 | 天津幸福生命科技有限公司 | 服务管理***、计算机可读存储介质及电子设备 |
CN113657808A (zh) * | 2021-08-31 | 2021-11-16 | 平安医疗健康管理股份有限公司 | 一种人员评定方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109559243A (zh) | 保险核保方法、装置、介质及电子设备 | |
Fletcher et al. | Addressing fairness, bias, and appropriate use of artificial intelligence and machine learning in global health | |
US11600390B2 (en) | Machine learning clinical decision support system for risk categorization | |
US20220358157A1 (en) | Methods and systems for analyzing and reporting medical images | |
Ong et al. | National expenditure for false-positive mammograms and breast cancer overdiagnoses estimated at $4 billion a year | |
Johantgen et al. | Quality indicators using hospital discharge data: state and national applications | |
Mazzola et al. | Recent enhancements to the genetic risk prediction model BRCAPRO | |
CN109545387B (zh) | 一种基于神经网络的异常病例识别方法及计算设备 | |
Halpern et al. | A comparison of dimensionality reduction techniques for unstructured clinical text | |
Lu et al. | Machine learning–based short-term mortality prediction models for patients with cancer using electronic health record data: systematic review and critical appraisal | |
Fogliatto et al. | Decision support for breast cancer detection: classification improvement through feature selection | |
CN109448858A (zh) | 结直肠癌医疗数据处理方法及装置、存储介质、电子设备 | |
Pruitt et al. | A natural language processing algorithm to extract characteristics of subdural hematoma from head CT reports | |
Hardy et al. | Racial disparities and survival for nonsmall‐cell lung cancer in a large cohort of black and white elderly patients | |
Yu et al. | Assessing the documentation of social determinants of health for lung cancer patients in clinical narratives | |
McCarthy et al. | Validation of breast cancer risk models by race/ethnicity, family history and molecular subtypes | |
Diaz-Garelli et al. | Lost in translation: diagnosis records show more inaccuracies after biopsy in oncology care EHRs | |
Kashyap et al. | A deep learning method to detect opioid prescription and opioid use disorder from electronic health records | |
Huang et al. | Clinical decision support system for managing copd-related readmission risk | |
Cutti et al. | A multidimensional approach of surgical mortality assessment and stratification (SMATT score) | |
CN112562857A (zh) | 基于k均值聚类实现高危手术预测的方法、装置、处理器及其存储介质 | |
Al-Louzi et al. | Lesion size and shape in central vein sign assessment for multiple sclerosis diagnosis: an in vivo and postmortem MRI study | |
CN113138259B (zh) | 一种预测载药微球化疗栓塞治疗肝癌预后的试剂盒 | |
Mannix et al. | Insurance status and the care of adult patients 19 to 64 years of age visiting the emergency department | |
CN110245703A (zh) | 医疗信息处理方法、装置、介质及电子设备 |
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: 20190402 |