CN109712004B - 一种基于智能决策的医保基金风险预测方法和装置 - Google Patents
一种基于智能决策的医保基金风险预测方法和装置 Download PDFInfo
- Publication number
- CN109712004B CN109712004B CN201811525770.2A CN201811525770A CN109712004B CN 109712004 B CN109712004 B CN 109712004B CN 201811525770 A CN201811525770 A CN 201811525770A CN 109712004 B CN109712004 B CN 109712004B
- Authority
- CN
- China
- Prior art keywords
- medical insurance
- slow
- insurance fund
- amount
- month
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 201000010099 disease Diseases 0.000 claims abstract description 154
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 154
- 208000017667 Chronic Disease Diseases 0.000 claims abstract description 45
- 238000013139 quantization Methods 0.000 claims abstract description 43
- 238000011002 quantification Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 201000008827 tuberculosis Diseases 0.000 description 2
- 206010007558 Cardiac failure chronic Diseases 0.000 description 1
- 206010018367 Glomerulonephritis chronic Diseases 0.000 description 1
- 208000002972 Hepatolenticular Degeneration Diseases 0.000 description 1
- 201000003793 Myelodysplastic syndrome Diseases 0.000 description 1
- 208000021386 Sjogren Syndrome Diseases 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 208000019425 cirrhosis of liver Diseases 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000002216 heart Anatomy 0.000 description 1
- 210000003709 heart valve Anatomy 0.000 description 1
- 208000003532 hypothyroidism Diseases 0.000 description 1
- 230000002989 hypothyroidism Effects 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 206010028417 myasthenia gravis Diseases 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 208000005069 pulmonary fibrosis Diseases 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明实施例公开了一种基于智能决策的医保基金风险预测方法和装置,包括:根据第一预设条件获取慢病信息作为医保基金相关的驱动因素,第一预设条件包括第一地域和第一预设时间段;对驱动因素进行量化处理,获得慢病信息量化值;根据慢病信息量化值和医保基金收支模型对医保基金的收入金额和支出金额进行预测,获得预期收入金额和预期支出金额;当预期支出金额和预期收入金额的差值超过第一预设阈值时,判定医保基金存在透支风险,对医保基金进行风险管控。采用本发明,能够通过将慢病信息作为医保基金的驱动因素对医保基金的收支进行预测,进而对医保基金的收支平衡进行管理。增加医保基金管理的针对性,进而提升医保基金的管理效率。
Description
技术领域
本发明涉及数据处理领域,具体涉及一种基于智能决策的医保基金风险预测方法和装置。
背景技术
医疗保险是社会保险的重要组成部分,对医疗保险基金收支情况进行预测能够及时进行医疗保险基金管控或政策调整,以避免出现医保基金亏空风险,保证医保基金收支平衡。
传统的医保基金风险管控没有将医保基金驱动因素进行拆解和量化分析,并根据量化分析结果确定这些驱动因素对医保基金收支的影响程度,导致对医保基金的管理非常粗糙,难以从驱动因素中获得有用的信息,进而使得对医保基金的管控精确到医疗保险的整个流程中的各个环节。这样导致对医保基金的风险管理针对性低且效率低下,无法满足医保基金管理的需求。
发明内容
本发明实施例提供一种基于智能决策的医保基金风险预测方法和装置,能够通过将慢病信息作为医保基金的驱动因素进行量化处理,然后根据慢病信息量化值对医保基金的收支进行预测,进而对医保基金的收支平衡进行管理。增加医保基金管理的针对性,进而提升医保基金的管理效率,使得医保基金能够提前进行风险管控,保证医保基金的收支平衡。
本发明实施例的第一方面提供了一种基于智能决策的医保基金风险预测方法,所述基于智能决策的医保基金风险预测方法包括:
根据第一预设条件获取慢病信息作为医保基金相关的驱动因素,所述第一预设条件包括第一地域和第一预设时间段;
对所述驱动因素进行量化处理,获得慢病信息量化值;
根据所述慢病量化值和医保基金收支模型对医保基金的收入金额和支出金额进行预测,获得预期收入金额和预期支出金额;
当所述预期支出金额和所述预期收入金额的差值超过第一预设阈值时,判定所述医保基金存在透支风险,对所述医保基金进行风险管控。
在可选的情况下,所述根据第一预设条件获取慢病信息作为医保基金相关的驱动因素,并对所述驱动因素进行量化处理,获得慢病信息量化值,包括:
获取第一地域在第一预设时间段的慢病信息;
对所述慢病信息进行公式计算,获得目标月末慢病人口;
将所述目标月末慢病人口确定为所述慢病信息量化值。
在可选的情况下,所述对所述慢病信息进行公式计算,获得目标月末慢病人口,包括:
获取到的所述慢病信息包括第一预设时间段前的上月末慢病人口、上月末非慢病人口、慢病发生率和慢病死亡人口;
对所述慢病信息进行公式计算,获得目标月末慢病人口,其中,所述公式为:
M1=M0,
M1’=M1+(Mn×p1)-Md;
其中,M0表示上月末慢病人口,M1表示目标月份的月初慢病人口,M1’表示目标月末慢病人口,Mx表示上月末非慢病人口,p1表示慢病发生率,Md表示慢病死亡人口。
在可选的情况下,在根据所述慢病信息量化值和医保基金收支模型对医保基金的收入金额和支出金额进行预测,获得预期收入金额和预期支出金额之前,所述方法还包括建立医保基金收支模型,具体包括:
获取目标地域在目标时间段的医保政策和人口结构;
根据所述医保政策和所述人口结构,确定所述目标地域在目标时间段的医保缴费情况,形成所述医保基金收入模型;
获取目标地域在目标时间段的医疗数据,所述医疗数据包括所述目标时间段的月均慢病报销人数、慢病报销金额和总的报销金额;
根据所述医疗数据建立以所述月末慢病人口为自变量的医保基金支出模型;
根据所述医保基金收入模型和所述以所述月末慢病人口为自变量的医保基金支出模型,获取所述以月末慢病人口为自变量的医保基金收支模型。
在可选情况下,所述根据所述慢病信息量化值和医保基金收支模型对医保基金的收入金额和支出金额进行预测,获得预期收入金额和预期支出金额,包括:
将所述慢病信息对应的所述第一地域和所述第一预设时间段分别与所述医保基金收支模型对应的所述目标地域和所述目标时间段进行匹配;
确定所述第一地域与所述目标地域完全匹配,所述第一预设时间段与所述目标时间段为周期相同但对应时间不同的时间段,且所述第一预设时间段在所述目标时间段之后;
将所述慢病信息量化值导入所述医保基金收支模型中,对医保基金的收入金额和支出金额进行预测;
获取所述医保基金收支模型预测出的所述收入金额作为预期收入金额,获取预测出的所述支出金额作为预期支出金额。
在可选的情况下,所述对所述医保基金进行风险管控包括:
对所述第一地域在第一预设时间段的慢病人口进行核查,确定慢病人口增长率是否高于第二预设阈值;
若是,则对所述慢病人口进行校准,获得准确的慢病人口增长率。
本发明实施例的第二方面提供了一种医保基金风险预测装置,所述医保基金风险预测装置包括:
获取单元,用于根据第一预设条件获取慢病信息作为医保基金相关的驱动因素,所述第一预设条件包括第一地域和第一预设时间段;
量化单元,用于对所述驱动因素进行量化处理,获得慢病信息量化值;
预测单元,根据所述慢病量化值和医保基金收支模型对医保基金的收入金额和支出金额进行预测,获得预期收入金额和预期支出金额;
风险管控单元,用于当所述预期支出金额和所述预期收入金额的差值超过第一预设阈值时,判定所述医保基金存在透支风险,对所述医保基金进行风险管控。
本发明实施例第三方面提供了一种电子装置,包括处理器、存储器、通信接口,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,并且被配置由所述处理器执行,所述程序包括用于执行第一方面任一方法中的步骤的指令。
本发明实施例第四方面提供了一种计算机可读存储介质,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第一方面任一方法所述的步骤的指令。
可见,本发明实施例所描述的基于智能决策的医保基金风险预测方法中,首先根据第一预设条件获取慢病信息作为医保基金相关的驱动因素,第一预设条件包括第一地域和第一预设时间段;然后对驱动因素进行量化处理,获得慢病信息量化值;再根据慢病量化值和医保基金收支模型,对医保基金的收入金额和支出金额进行预测,获得预期收入金额和预期支出金额;最后当预期支出金额和预期收入金额的差值超过第一预设阈值时,判定所述医保基金存在透支风险,对医保基金进行风险管控。在这个过程中,通过将慢病信息作为医保基金的驱动因素进行量化处理,然后根据慢病信息量化值对医保基金的收支进行预测,提升了医保基金收支预测的准确度,进而提升了对医保基金的收支平衡进行管理的有效性。使得医保基金能够提前进行风险管控,保证医保基金的收支平衡。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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。
图1是本发明实施例提供的一种基于智能决策的医保基金风险预测方法流程示意图;
图2是本发明实施例提供的另一种基于智能决策的医保基金风险预测方法的流程示意图;
图3是本发明实施例提供的另一种基于智能决策的医保基金风险预测方法的流程示意图;
图4是本发明实施例提供的另一种基于智能决策的医保基金风险预测方法的流程示意图;
图5是本发明实施例提供的一种电子装置的结构示意图;
图6是本发明实施例提供的一种医保基金风险预测装置的结构框图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动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。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置展示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。
下面对本发明实施例进行详细介绍。
请参阅图1,图1为本发明实施例中一种基于智能决策的医保基金风险预测方法流程示意图,如图1所示,所述基于智能决策的医保基金风险预测方法包括:
101、根据第一预设条件获取慢病信息作为医保基金相关的驱动因素,所述第一预设条件包括第一地域和第一预设时间段。
医保基金是指医疗保险基金,医疗保险基金由用人单位和个人进行共同缴纳,缴纳的基金被分为社会统筹基金和个人帐户两部分,统筹基金用于为患者的医疗消费按照医保政策进行报销,个人账户部分用于患者进行医疗消费。
慢病是门诊慢性病,例如慢性肾小球肾炎、重症肌无力、甲状腺机能减退症、肝豆状核变性、肺间质纤维化、干燥综合征、骨髓异常增生综合征、心脏瓣膜置换和冠状动脉搭桥术后等。其特征为治疗周期较长、病情相对稳定、短期内无法治愈。慢性病的危害主要是造成脑、心、肾等重要脏器的损害,易造成伤残,影响劳动能力和生活质量,且医疗费用极其昂贵,增加了社会和家庭的经济负担。因此,国家针对慢性病进行了补贴,对于慢病申请登记认证通过的医保缴费居民,可以按照月份领取慢病补贴,用于当月的慢病治疗费用报销。慢病及其医疗报销标准如表1所示:
表1慢病医疗报销标准(部分)
门诊慢性病病种 | 月报销金额 |
1、慢性心功能衰竭 | 290元/月 |
2、肝硬化失代偿 | 420元/月 |
3、结核病 | 160元/月 |
不同地区在不同时间段,需要进行慢病报销的人口(简称慢病人口)是不同的,因此,根据第一预设条件获取慢病信息作为医保基金相关的驱动因素,第一预设条件包括第一地域和第一预设时间段。
102、对所述驱动因素进行量化处理,获得慢病信息量化值。
获得的驱动因素信息,即慢病信息,其内容是非常丰富的,包括月初慢病人口、月末慢病人口、慢病发病率,慢病死亡人口和新增慢病人口等,其中慢病人口表示慢性病的发病人口。这些数据只有进行量化处理才能用作医疗基金的收支预测,确定驱动因素对预测结果的影响力。
可选的,对驱动因素进行量化处理,获得慢病信息量化值,包括:对慢病信息进行公式计算,获得目标月末慢病人口;将目标月末慢病人口确定为慢病信息量化值。
只有将获得的慢病的具体数值进行公式计算,获得变化准的数值,才能够量化地分析慢病对医疗基金预测结果的影响力。求取某个月份的月末人口,即目标月末慢病人口,将月末慢病人口作为慢病信息量化值。
可选的,对慢病信息进行公式计算,获得目标月末慢病人口,包括:获取到的慢病信息包括第一预设时间段前的上月末慢病人口、上月末非慢病人口、慢病发生率和慢病死亡人口;对慢病信息进行公式计算,获得目标月末慢病人口,其中,公式为:M1=M0,M1’=M1+(Mn×p1)-Md;其中,M0表示上月末慢病人口,M1表示目标月份的月初慢病人口,M1’表示目标月末慢病人口,Mx表示上月末非慢病人口,p1表示慢病发生率,Md表示慢病死亡人口。
具体地,要计算获得目标月末慢病人口,例如2018年1月末的慢病人口,首先需要确定上月末慢病人口,即2017年12月的月末慢病人口,另外,根据慢病人口的历史数据,可以确定上月末非慢病人口,即上月末非慢病人口=上月末医保人口-上月末慢病人口,同样也可根据历史慢病数据确定慢病发生率,慢病死亡率,然后可知:月末慢病死亡人口=月初慢病人口×慢病死亡率。
在已经确定上月末慢病人口M0,上月末非慢病人口Mn,慢病发生率p1,慢病死亡人口Md的前提下,可根据公式:
确定目标月份的月末慢病人口M1’,同样的,根据该公式可以迭代求取目标月份下一个月的月末慢病人口,乃至于求得第一预设时间段中所有月份的月末慢病人口。
可见,在本发明实施例中,通过将慢病信息作为医保基金相关的驱动因素,并对慢病信息进行量化处理,获得慢病信息量化值,可以监控第一预设条件下,慢病信息量化值的变化对于医保基金收入支出的影响,提升在慢病信息发现变化的情况下,对医疗基金收入金额和支出金额的预测准确度,进而提升对医保基金进行风险管理的准确性和有效性。
103、根据所述慢病信息量化值和医保基金收支模型对医保基金的收入金额和支出金额进行预测,获得预期收入金额和预期支出金额。
医保基金收支模型是一个其他变量确定,只有慢病量化值未知的模型,因此,将根据第一预设条件确定的慢病量化值导入医保基金收支模型中,即可获得第一预设条件下的预期收入金额和预期支出金额。
可选的,在根据慢病量化值和医保基金收支模型对医保基金的收入金额和支出金额进行预测之前,该方法还包括建立医保基金收支模型,具体包括:获取目标地域在目标时间段的医保政策和人口结构;根据医保政策和人口结构,确定目标地域在目标时间段的医保缴费情况,形成医保基金收入模型;获取目标地域在目标时间段的医疗数据,医疗数据包括目标时间段的月均慢病报销人数、慢病报销金额和总的报销金额;根据医疗数据建立以月末慢病人口为自变量的医保基金支出模型;根据医保基金收入模型和以月末慢病人口为自变量的医保基金支出模型,获取以月末慢病人口为自变量的医保基金收支模型。
医保基金收支模型中包括医保基金收入模型和医保基金支出模型,其中,医保基金收入模型与当地的医保政策和人口结构有关,医保政策中包括不同的医保缴费档次,以及每个档次对应的缴费金额,人口结构中包括城乡居民和职工,对于城乡居民来说,缴费频率为每年一缴,缴费时点在医保年度的首月月末,因此城乡居民医保基金收入公式如下:
其中,R1表示个人年缴费额,R2表示年财政补贴额,Mz表示医保缴费人口,p1表示城乡居民人口比例,T1表示城乡居民的医保基金收入,个人年缴费额与年财政补贴额根据各地区医保政策中的缴费政策和补贴政策确定。
对于职工来说,缴费频率为每月一缴。缴费金额为缴费基数乘以相应缴费方的缴费比例,再按划入个账比例分配到统筹账户和个人账户中,医保基金收入公式如下:
其中R3表示个人缴费基数,P1表示个人缴费比例,P0表示划入个账比例,P2表示单位缴费比例,p2表示职工占比。T2表示职工医保基金收入,对于医保基金管理来说,只针对统筹账户,不针对个人账户,因此只获取统筹账户基金即可。个人缴费基数根据个人工资水平和当地医疗保险制度确定,个人缴费比例、划转个账比例、单位缴费比例根据当地医疗保险制度确定。
由此可知,在当地的医保政策不变,医保人口结构确定的情况下,可以该地域的医保基金收入模型为:
Ts=T1+T2(4)
其中Ts表示医保基金收入。
医保基金支出模型与当地的医疗数据相关,医疗数据中包括目标时间段的月均慢病报销人数、慢病报销金额和总的报销金额。在假设医疗数据中的各项数值不变的情况下,可获得以月末慢病人口为自变量的医疗基金支出模型:
其中,Tj表示月均人均慢性病报销金额,Tm表示月均慢病报销金额,Mj表示月均慢病报销人数,Tz表示医保基金支出金额,mn’表示在目标时间段内的第n个月末慢病人口,T0表示目标时间段的月均总的报销金额。
根据公式(4)和公式(5)确定医保基金收入模型和医保基金支出模型,结合即可确定医保基金收支模型。且在其他参数已知,而只有慢病信息量化值未知的情况下,该医保基金收支模型为以慢病信息量化值为自变量的医保基金收支模型。根据该医保基金收支模型,结合已经确定的慢病信息量化值,即可对医保基金的收入金额和支出金额进行预测。
可选的,根据慢病量化值和医保基金收支模型对医保基金的收入金额和支出金额进行预测,获得预期收入金额和预期支出金额,包括:将慢病信息量化值对应的第一地域和第一预设时间段与医保基金收支模型对应的目标地域和目标时间段进行匹配;确定所述第一地域与所述目标地域完全匹配,所述第一预设时间段与所述目标时间段为周期相同但对应时间不同的时间段,且所述第一预设时间段在所述目标时间段之后;将慢病信息量化值导入医保基金收支模型中,对医保基金的收入金额和支出金额进行预测;获取医保基金收支模型预测出的收入金额作为预期收入金额,获取预测出的支出金额作为预期支出金额。
驱动因素的量化信息是按照第一预设条件获取的,第一预设条件包括第一地域和第一预设时间段,医保基金收支模型是按照目标地域和目标时间段建立的,因此需要将第一地域和目标地域进行匹配,将第一预设时间段和目标时间段进行匹配。对于地域匹配,因为不同地域的各种数据都会存在较大差异,因此慢病信息量化值对应的第一地域和医保基金收支模型对应的目标地域必须完全匹配,可以通过关键字匹配,而每一个地区的关键字,包括省级全称和省级简称。例如广东省的关键字包括:广东、广东省、粤。
对于时间匹配,由于获得驱动因素的量化值时为了预测医保基金的收入金额和支出金额,因此,驱动因素对应的第一预设时间段与医保基金收支模型对应的目标时间段为周期相同但对应时间不同的时间段,且第一预设时间段在目标时间段之后。其中周期可以是两年,一年,或者半年,也可以是三个月等。如表1所示:
表2第一预设时间段与目标时间段
根据表2所示的实例可知,第一预设时间段与目标时间段的周期都为1~12月,而第一预设时间段为2017年,目标时间段为2016年或2015年,在2017年之前,因为目标时间段与第一预设时间段越接近,医保基金收支模型中的参数变化越小,预测结果也会越准确,因此,确定第一预设时间段与目标时间段的最大差值为2个目标时间段周期。另外,第一预设时间段与目标时间段的匹配精确度可以是月份,也可以是天数,也可以是小时。
匹配成功后,将获得的第一预设条件下的慢病信息量化值导入医保基金收支模型中,替换原公式中的目标地域在目标时间段的慢病信息量化值,可得到公式如下:
Tz=Tj×[M1′+M2′+…Mn′]+(T0-Tm)×n (5)
公式(4)中的m1’+m2’+…+mn’由公式(1)中获取到的第一预设条件下的慢病信息量化值替换,记得获得医保基金支出金额。医保基金收入金额由公式(2)-(4)可确定。最终获得预期收入金额和预期支出金额。
104、当所述预期支出金额和所述预期收入金额的差值超过第一预设阈值时,判定所述医保基金存在透支风险,对所述医保基金进行风险管控。
根据步骤103确定预期收入金额Ts和预期支出金额Tz后,获得其差值为:差值=Tz-Ts,第一预设阈值是一个金额值,例如50万元等,当差值大于第一预设阈值时,说明医保基金存在透支的可能性,判定医保基金存在风险,对医保基金进行风险管控。
可选的,对医保基金进行风险管控包括:对第一地域在第一预设时间段的对第一地域在第一预设时间段的慢病人口进行核查,确定慢病人口增长率是否高于第二预设阈值;若是,则对慢病人口进行校准,获得准确的慢病人口增长率。
具体地,在本发明实施例中的医保基金收支过程,因为其他数据都是确定不变的,只有慢病信息量化值随着时间的变化而发生变化,因此,在上一年的各项指标不存在遗留问题的情况下,如果预测结果表明医保基金存在透支风险,则很大概率是慢病信息量化值的问题。例如慢病人口增长过快,可以对慢病人口增长率进行校准,获得更准确的慢病人口增长率。或者对慢病发生源头进行调查,提高人们的疾病防患意识,降低人们的慢病发病率。
可见,在本发明实施例中,首先根据第一预设条件获取慢病信息作为医保基金相关的驱动因素,第一预设条件包括第一地域和第一预设时间段;然后对驱动因素进行量化处理,获得慢病信息量化值;再根据慢病量化值和医保基金收支模型,对医保基金的收入金额和支出金额进行预测,获得预期收入金额和预期支出金额;最后当预期支出金额和预期收入金额的差值超过第一预设阈值时,判定所述医保基金存在透支风险,对医保基金进行风险管控。在这个过程中,通过将慢病信息作为医保基金的驱动因素进行量化处理,然后根据慢病信息量化值对医保基金的收支进行预测,提升了医保基金收支预测的准确度,进而提升了对医保基金的收支平衡进行管理的有效性。使得医保基金能够提前进行风险管控,保证医保基金的收支平衡。
请参阅图2,图2是本发明实施例提供的另一种基于智能决策的医保基金风险预测方法的流程示意图,如图所示,本实施例中的基于智能决策的医保基金风险预测方法包括:
201、根据第一预设条件获取慢病信息作为医保基金相关的驱动因素,所述第一预设条件包括第一地域和第一预设时间段;
202、获取到的所述慢病信息包括第一预设时间段前的上月末慢病人口、上月末非慢病人口、慢病发生率和慢病死亡人口;
203、对所述慢病信息进行公式计算,获得目标月末慢病人口,其中,所述公式为:M1=M0,M1’=M1+(Mn×p1)-Md;
其中,M0表示上月末慢病人口,M1表示目标月份的月初慢病人口,M1’表示目标月末慢病人口,Mx表示上月末非慢病人口,p1表示慢病发生率,Md表示慢病死亡人口。
204、将所述目标月末慢病人口确定为所述慢病信息量化值;
205、根据所述慢病信息量化值和医保基金收支模型对医保基金的收入金额和支出金额进行预测,获得预期收入金额和预期支出金额;
206、当所述预期支出金额和所述预期收入金额的差值超过第一预设阈值时,判定所述医保基金存在透支风险,对所述医保基金进行风险管控。
在本发明实施例中,首先根据第一预设条件获取慢病信息作为医保基金相关的驱动因素,然后对慢病信息进行公式计算,获得月末慢病人口作为慢病信息量化值,这样将可以使得医保基金收支预测的驱动因素更具体化,有针对性地根据慢病信息对医保基金收入金额和支出金额做出更准确的预测,提升了对医保基金的收支平衡进行管理的有效性。使得医保基金能够提前进行风险管控,保证医保基金的收支平衡。
请参阅图3,图3是本发明实施例提供的另一种基于智能决策的医保基金风险预测方法的流程示意图,如图所示,本实施例中的基于智能决策的医保基金风险预测方法包括:
301、根据第一预设条件获取慢病信息作为医保基金相关的驱动因素,所述第一预设条件包括第一地域和第一预设时间段;
302、对所述慢病信息进行公式计算,获得目标月末慢病人口,并将所述目标月末慢病人口确定为所述慢病信息量化值;
303、获取目标地域在目标时间段的医保政策和人口结构;
304、根据所述医保政策和所述人口结构,确定所述目标地域在目标时间段的医保缴费情况,形成所述医保基金收入模型;
305、获取目标地域在目标时间段的医疗数据,所述医疗数据包括所述目标时间段的月均慢病人数、慢病报销金额和总的报销金额;
306、根据所述医疗数据建立以所述月末慢病人口为自变量的医保基金支出模型;
307、根据所述医保基金收入模型和所述以所述月末慢病人口为自变量的医保基金支出模型,获取所述以月末慢病人口为自变量的医保基金收支模型;
308、将所述慢病信息对应的所述第一地域和所述第一预设时间段分别与所述医保基金收支模型对应的所述目标地域和所述目标时间段进行匹配;
309、确定所述第一地域与所述目标地域完全匹配,所述第一预设时间段与所述目标时间段为周期相同但对应时间不同的时间段,且所述第一预设时间段在所述目标时间段之后;
310、将所述慢病信息量化值导入所述医保基金收支模型中,对医保基金的收入金额和支出金额进行预测;
311、获取所述医保基金收支模型预测出的所述收入金额作为预期收入金额,获取预测出的所述支出金额作为预期支出金额;
312、当所述预期支出金额和所述预期收入金额的差值超过第一预设阈值时,判定所述医保基金存在透支风险,对所述医保基金进行风险管控。
在本发明实施例中,根据历史医保政策和人口结构,建立医保基金收入模型,获得预期收入金额;然后根据历史医疗数据建立以月末慢病人口为自变量的医保基金支出模型,再将需要进行预测的第一预设条件下求得的月末慢病人口导入医保基金支出模型中,获得预期支出金额,在这个过程中,通过在其他条件不变的基础上根据月末慢病人口的预期支出金额,使得预测结果更具有针对性,更能通过驱动因素量化地分析影响医保基金支出金额程度,提升了对医保基金的收支平衡进行管理的有效性。使得医保基金能够提前进行风险管控,保证医保基金的收支平衡。
请参阅图4,图4是本发明实施例提供的另一种基于智能决策的医保基金风险预测方法的流程示意图,如图所示,本实施例中的基于智能决策的医保基金风险预测方法包括:
401、根据第一预设条件获取慢病信息作为医保基金相关的驱动因素,所述第一预设条件包括第一地域和第一预设时间段;
402、对所述驱动因素进行量化处理,获得慢病信息量化值;
403、根据所述慢病信息量化值和医保基金收支模型对医保基金的收入金额和支出金额进行预测,获得预期收入金额和预期支出金额;
404、当所述预期支出金额和所述预期收入金额的差值超过第一预设阈值时,判定所述医保基金存在透支风险;
405、对所述第一地域在第一预设时间段的慢病人口进行核查,确定慢病人口增长率是否高于第二预设阈值;
406、若是,则对所述慢病人口进行校准,获得准确的慢病人口增长率。
在本发明实施例中,将慢病信息作为医保基金的驱动因素,然后对慢病信息进行量化处理,获得慢病信息量化值,再根据慢病信息量值结合医保基金收支预测模型,对医保基金的收入金额和支出金额进行预测,提升了医保基金收入金额和支出金额的预测准确率和有效率,最后,在确定医保基金存在风险时,对慢病人口进行核查和校准,从源头上消减导致医保基金透支的因素,提升对医保基金的收支平衡进行管理的有效性。
图5是本发明实施例提供的一种电子装置的结构示意图,如图5所示,该电子装置包括处理器、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:
根据第一预设条件获取慢病信息作为医保基金相关的驱动因素,所述第一预设条件包括第一地域和第一预设时间段;
对所述驱动因素进行量化处理,获得慢病信息量化值;
根据所述慢病信息量化值和医保基金收支模型对医保基金的收入金额和支出金额进行预测,获得预期收入金额和预期支出金额;
当所述预期支出金额和所述预期收入金额的差值超过第一预设阈值时,判定所述医保基金存在透支风险,对所述医保基金进行风险管控。
可见,电子装置首先根据第一预设条件获取慢病信息作为医保基金相关的驱动因素,第一预设条件包括第一地域和第一预设时间段;然后对驱动因素进行量化处理,获得慢病信息量化值;再根据慢病量化值和医保基金收支模型,对医保基金的收入金额和支出金额进行预测,获得预期收入金额和预期支出金额;最后当预期支出金额和预期收入金额的差值超过第一预设阈值时,判定所述医保基金存在透支风险,对医保基金进行风险管控。在这个过程中,通过将慢病信息作为医保基金的驱动因素进行量化处理,然后根据慢病信息量化值对医保基金的收支进行预测,提升了医保基金收支预测的准确度,进而提升了对医保基金的收支平衡进行管理的有效性。使得医保基金能够提前进行风险管控,保证医保基金的收支平衡。
在一个可能的示例中,所述对所述驱动因素进行量化处理,获得慢病信息量化值,包括:
对所述慢病信息进行公式计算,获得目标月末慢病人口;
将所述目标月末慢病人口确定为所述慢病信息量化值。
在一个可能的示例中,所述对所述慢病信息进行公式计算,获得目标月末慢病人口,包括:
获取到的所述慢病信息包括第一预设时间段前的上月末慢病人口、上月末非慢病人口、慢病发生率和慢病死亡人口;
对所述慢病信息进行公式计算,获得目标月末慢病人口,其中,所述公式为:
M1=M0,
M1’=M1+(Mn×p1)-Md;
其中,M0表示上月末慢病人口,M1表示目标月份的月初慢病人口,M1’表示目标月末慢病人口,Mx表示上月末非慢病人口,p1表示慢病发生率,Md表示慢病死亡人口。
在一个可能的示例中,在根据所述慢病信息量化值和医保基金收支模型对医保基金的收入金额和支出金额进行预测,获得预期收入金额和预期支出金额之前,所述方法还包括建立医保基金收支模型,具体包括:
获取目标地域在目标时间段的医保政策和人口结构;
根据所述医保政策和所述人口结构,确定所述目标地域在目标时间段的医保缴费情况,形成所述医保基金收入模型;
获取目标地域在目标时间段的医疗数据,所述医疗数据包括所述目标时间段的月均慢病人数、慢病报销金额和总的报销金额;
根据所述医疗数据建立以所述月末慢病人口为自变量的医保基金支出模型;
根据所述医保基金收入模型和所述以所述月末慢病人口为自变量的医保基金支出模型,获取所述以月末慢病人口为自变量的医保基金收支模型。
在一个可能的示例中,所述根据所述慢病信息量化值和医保基金收支模型对医保基金的收入金额和支出金额进行预测,获得预期收入金额和预期支出金额,包括:
将所述慢病信息对应的所述第一地域和所述第一预设时间段分别与所述医保基金收支模型对应的所述目标地域和所述目标时间段进行匹配;
确定所述第一地域与所述目标地域完全匹配,所述第一预设时间段与所述目标时间段为周期相同但对应时间不同的时间段,且所述第一预设时间段在所述目标时间段之后;
将所述慢病信息量化值导入所述医保基金收支模型中,对医保基金的收入金额和支出金额进行预测;
获取所述医保基金收支模型预测出的所述收入金额作为预期收入金额,获取预测出的所述支出金额作为预期支出金额。
在一个可能的示例中,所述对所述医保基金进行风险管控包括:
对所述第一地域在第一预设时间段的慢病人口进行核查,确定慢病人口增长率是否高于第二预设阈值;
若是,则对所述慢病人口进行校准,获得准确的慢病人口增长率。
图6是本发明实施例中所涉及的医保基金风险预测装置600的功能单元组成框图。该医保基金风险预测装置600应用于电子装置,所述医保基金风险预测装置包括:
获取单元601,用于根据第一预设条件获取慢病信息作为医保基金相关的驱动因素,所述第一预设条件包括第一地域和第一预设时间段;
量化单元602,用于对所述驱动因素进行量化处理,获得慢病信息量化值;
预测单元603,根据所述慢病量化值和医保基金收支模型对医保基金的收入金额和支出金额进行预测,获得预期收入金额和预期支出金额;
风险管控单元604,用于当所述预期支出金额和所述预期收入金额的差值超过第一预设阈值时,判定所述医保基金存在透支风险,对所述医保基金进行风险管控。
在此,需要说明的是,上述获取单元601、量化单元602、预测单元603和风险控制单元604的具体工作过程参见上述步骤101-104的相关描述。在此不再赘述。
可以看出,在本发明实施例中,医保基金风险预测装置首先根据第一预设条件获取慢病信息作为医保基金相关的驱动因素,第一预设条件包括第一地域和第一预设时间段;然后对驱动因素进行量化处理,获得慢病信息量化值;再根据慢病量化值和医保基金收支模型,对医保基金的收入金额和支出金额进行预测,获得预期收入金额和预期支出金额;最后当预期支出金额和预期收入金额的差值超过第一预设阈值时,判定所述医保基金存在透支风险,对医保基金进行风险管控。在这个过程中,通过将慢病信息作为医保基金的驱动因素进行量化处理,然后根据慢病信息量化值对医保基金的收支进行预测,提升了医保基金收支预测的准确度,进而提升了对医保基金的收支平衡进行管理的有效性。使得医保基金能够提前进行风险管控,保证医保基金的收支平衡。
在可选情况下,在对所述驱动因素进行量化处理,获得慢病信息量化值方面,所述获取单元601具体用于:
对所述慢病信息进行公式计算,获得目标月末慢病人口;
将所述目标月末慢病人口确定为所述慢病信息量化值。
在可选情况下,在所述对所述慢病信息进行公式计算,获得目标月末慢病人口方面,所述获取单元601具体用于:
获取到的所述慢病信息包括第一预设时间段前的上月末慢病人口、上月末非慢病人口、慢病发生率和慢病死亡人口;
对所述慢病信息进行公式计算,获得目标月末慢病人口,其中,所述公式为:
M1=M0,M1’=M1+(Mn×p1)-Md;
其中,M0表示上月末慢病人口,M1表示目标月份的月初慢病人口,M1’表示目标月末慢病人口,Mx表示上月末非慢病人口,p1表示慢病发生率,Md表示慢病死亡人口。
在可选情况下,所述医保基金风险预测装置还包括模型建立单元605,在根据所述慢病信息量化值和医保基金收支模型对医保基金的收入金额和支出金额进行预测,获得预期收入金额和预期支出金额之前,所述模型建立单元605具体用于:
获取目标地域在目标时间段的医保政策和人口结构;
根据所述医保政策和所述人口结构,确定所述目标地域在目标时间段的医保缴费情况,形成所述医保基金收入模型;
获取目标地域在目标时间段的医疗数据,所述医疗数据包括所述目标时间段的月均慢病人数、慢病报销金额和总的报销金额;
根据所述医疗数据建立以所述月末慢病人口为自变量的医保基金支出模型;
根据所述医保基金收入模型和所述以所述月末慢病人口为自变量的医保基金支出模型,获取所述以月末慢病人口为自变量的医保基金收支模型。
在可选情况下,在根据所述慢病信息量化值和医保基金收支模型对医保基金的收入金额和支出金额进行预测,获得预期收入金额和预期支出金额方面,所述预测单元603具体用于:
将所述慢病信息对应的所述第一地域和所述第一预设时间段分别与所述医保基金收支模型对应的所述目标地域和所述目标时间段进行匹配;
确定所述第一地域与所述目标地域完全匹配,所述第一预设时间段与所述目标时间段为周期相同但对应时间不同的时间段,且所述第一预设时间段在所述目标时间段之后;
将所述慢病信息量化值导入所述医保基金收支模型中,对医保基金的收入金额和支出金额进行预测;
获取所述医保基金收支模型预测出的所述收入金额作为预期收入金额,获取预测出的所述支出金额作为预期支出金额。
在可选情况下,在对所述医保基金进行风险管控方面,所述风险管控单元604具体用于:
对所述第一地域在第一预设时间段的慢病人口进行核查,确定慢病人口增长率是否高于第二预设阈值;
若是,则对所述慢病人口进行校准,获得准确的慢病人口增长率。
本发明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一方法的部分或全部步骤,上述计算机包括移动终端。
本发明实施例还提供一种计算机程序产品,上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,上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一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包,上述计算机包括移动终端。
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,例如上述单元的划分,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。
上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,也可以采用软件功能单元的形式实现。
上述集成的单元若以软件功能单元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上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(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、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、ROM、RAM、磁盘或光盘等。
以上对本发明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 (8)
1.一种基于智能决策的医保基金风险预测方法,其特征在于,所述方法包括:
根据第一预设条件获取慢病信息作为医保基金相关的驱动因素,所述第一预设条件包括第一地域和第一预设时间段;
对所述驱动因素进行量化处理,获得慢病信息量化值;
获取目标地域在目标时间段的医保政策和人口结构;
根据所述医保政策和所述人口结构,确定目标地域在目标时间段的医保缴费情况,形成医保基金收入模型;
获取目标地域在目标时间段的医疗数据,所述医疗数据包括所述目标时间段的月均慢病人数、慢病报销金额和总的报销金额;
根据所述医疗数据建立以月末慢病人口为自变量的医保基金支出模型;
根据所述医保基金收入模型和以月末慢病人口为自变量的医保基金支出模型,获取以月末慢病人口为自变量的医保基金收支模型;
根据所述慢病信息量化值和医保基金收支模型对医保基金的收入金额和支出金额进行预测,获得预期收入金额和预期支出金额;包括:
将所述慢病信息对应的第一地域和第一预设时间段分别与所述医保基金收支模型对应的目标地域和目标时间段进行匹配;确定所述第一地域与所述目标地域完全匹配,所述第一预设时间段与所述目标时间段为周期相同但对应时间不同的时间段,且所述第一预设时间段在所述目标时间段之后;将所述慢病信息量化值导入所述医保基金收支模型中,对医保基金的收入金额和支出金额进行预测;获取所述医保基金收支模型预测出的所述收入金额作为预期收入金额,获取预测出的所述支出金额作为预期支出金额;
医保基金收入模型满足以下公式:
Ts=T1+T2,其中,Ts表示医保基金收入金额,T1表示城乡居民的医保基金收入,T2表示职工医保基金收入;
T1满足以下公式:
其中,R1表示个人年缴费额,R2表示年财政补贴额,Mz表示医保缴费人口,p1表示城乡居民人口比例,T1表示城乡居民的医保基金收入;
T2满足以下公式:
其中R3表示个人缴费基数,P1表示个人缴费比例,P0表示划入个账比例, P2表示单位缴费比例,p2表示职工占比;
所述医保基金支出模型满足以下公式:
其中,Tj表示月均人均慢性病报销金额,Tm表示月均慢病报销金额,Mj表示月均慢病报销人数,Tz表示医保基金支出金额,mn’表示在目标时间段内的第n个月末慢病人口,T0表示目标时间段的月均总的报销金额;
当所述预期支出金额和所述预期收入金额的差值超过第一预设阈值时,判定所述医保基金存在透支风险,对所述医保基金进行风险管控。
2.根据权利要求1所述的方法,其特征在于,所述对所述驱动因素进行量化处理,获得慢病信息量化值,包括:
对所述慢病信息进行公式计算,获得目标月末慢病人口;
将所述目标月末慢病人口确定为所述慢病信息量化值。
3.根据权利要求2所述的方法,其特征在于,所述对所述慢病信息进行公式计算,获得目标月末慢病人口,包括:
获取到的所述慢病信息包括第一预设时间段前的上月末慢病人口、上月末非慢病人口、慢病发生率和慢病死亡人口;
对所述慢病信息进行公式计算,获得目标月末慢病人口,其中,所述公式为:
M1=M0,
M1’=M1+(Mn×p1)-Md;
其中,M0表示上月末慢病人口,M1表示目标月份的月初慢病人口, M1’表示目标月末慢病人口,Mn表示上月末非慢病人口,p1表示慢病发生率,Md表示慢病死亡人口。
4.根据权利要求1所述的方法,其特征在于,所述对所述医保基金进行风险管控包括:
对所述第一地域在第一预设时间段的慢病人口进行核查,确定慢病人口增长率是否高于第二预设阈值;
若是,则对所述慢病人口进行校准,获得准确的慢病人口增长率。
5.一种医保基金风险预测装置,其特征在于,所述医保基金风险预测装置用于执行权利要求1-4任一项所述的方法,所述医保基金风险预测装置包括:
获取单元,用于根据第一预设条件获取慢病信息作为医保基金相关的驱动因素,所述第一预设条件包括第一地域和第一预设时间段;
量化单元,用于对所述驱动因素进行量化处理,获得慢病信息量化值;
预测单元,根据所述慢病量化值和医保基金收支模型对医保基金的收入金额和支出金额进行预测,获得预期收入金额和预期支出金额;
风险管控单元,用于当所述预期支出金额和所述预期收入金额的差值超过第一预设阈值时,判定所述医保基金存在透支风险,对所述医保基金进行风险管控。
6.根据权利要求5所述的装置,其特征在于,在对所述驱动因素进行量化处理,获得慢病信息量化值方面,所述获取单元具体用于:
对所述慢病信息进行公式计算,获得目标月末慢病人口;
将所述目标月末慢病人口确定为所述慢病信息量化值。
7.一种电子装置,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,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1-4任一方法中的步骤的指令。
8.一种计算机可读存储介质,其特征在于,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权利要求1-4中任一方法中的步骤的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811525770.2A CN109712004B (zh) | 2018-12-13 | 2018-12-13 | 一种基于智能决策的医保基金风险预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811525770.2A CN109712004B (zh) | 2018-12-13 | 2018-12-13 | 一种基于智能决策的医保基金风险预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109712004A CN109712004A (zh) | 2019-05-03 |
CN109712004B true CN109712004B (zh) | 2024-05-14 |
Family
ID=66256505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811525770.2A Active CN109712004B (zh) | 2018-12-13 | 2018-12-13 | 一种基于智能决策的医保基金风险预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109712004B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008257310A (ja) * | 2007-03-31 | 2008-10-23 | Nli Research Institute | 公的年金財政予測システム及び公的年金財政予測プログラム |
CN106202955A (zh) * | 2016-07-19 | 2016-12-07 | 中电科软件信息服务有限公司 | 基于编码智能适配的诊断相关分组方法及*** |
WO2017157030A1 (zh) * | 2016-03-18 | 2017-09-21 | 深圳市前海安测信息技术有限公司 | 医疗保险费折扣精算***及方法 |
CN107767009A (zh) * | 2017-06-29 | 2018-03-06 | 平安医疗健康管理股份有限公司 | 医疗保险基金精算预测方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8799150B2 (en) * | 2009-09-30 | 2014-08-05 | Scorelogix Llc | System and method for predicting consumer credit risk using income risk based credit score |
-
2018
- 2018-12-13 CN CN201811525770.2A patent/CN109712004B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008257310A (ja) * | 2007-03-31 | 2008-10-23 | Nli Research Institute | 公的年金財政予測システム及び公的年金財政予測プログラム |
WO2017157030A1 (zh) * | 2016-03-18 | 2017-09-21 | 深圳市前海安测信息技术有限公司 | 医疗保险费折扣精算***及方法 |
CN106202955A (zh) * | 2016-07-19 | 2016-12-07 | 中电科软件信息服务有限公司 | 基于编码智能适配的诊断相关分组方法及*** |
CN107767009A (zh) * | 2017-06-29 | 2018-03-06 | 平安医疗健康管理股份有限公司 | 医疗保险基金精算预测方法及装置 |
Non-Patent Citations (2)
Title |
---|
吴彬 ; 罗仁夏 ; 曹建平 ; .等维新息灰色***GM(1,1)模型在福建省医保统筹基金风险预测中的应用.中国卫生统计.2015,(第04期),第63-65页. * |
城镇职工基本医疗保险基金收支失衡风险预测研究;马桂峰;朱忠池;仇蕾洁;盛红旗;安洪庆;高倩倩;井淇;张惠卿;杨蕾;;中国卫生统计;20180625(第03期);第105-107页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109712004A (zh) | 2019-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Strauser et al. | Vocational services associated with competitive employment in 18–25 year old cancer survivors | |
US8428962B1 (en) | Systems and methods for determining return on community investment in healthcare access programs | |
Kelly et al. | Public hospital spending in England: evidence from National Health Service administrative records | |
Edwards et al. | The value of the CRB65 score to predict mortality in exacerbations of COPD requiring hospital admission | |
Doran et al. | Exempting dissenting patients from pay for performance schemes: retrospective analysis of exception reporting in the UK Quality and Outcomes Framework | |
US20130144641A1 (en) | Method of Measuring Healthcare Outcomes | |
Mason et al. | The impact of paying treatment providers for outcomes: difference‐in‐differences analysis of the ‘payment by results for drugs recovery’pilot | |
Hartley et al. | The Noninvasive Ventilation Outcomes (NIVO) score: prediction of in-hospital mortality in exacerbations of COPD requiring assisted ventilation | |
CN111242466A (zh) | 一种基于按病种与病组分值付费的医院绩效管理***及方法 | |
Ekwunife et al. | Cost-utility analysis of antihypertensive medications in Nigeria: a decision analysis | |
Kaplan et al. | How have 30-day readmission penalties affected racial disparities in readmissions?: an analysis from 2007 to 2014 in five US States | |
Łyszczarz | Indirect costs and public finance consequences of heart failure in Poland, 2012–2015 | |
Gutacker et al. | Does regulation increase the rate at which doctors leave practice? Analysis of routine hospital data in the English NHS following the introduction of medical revalidation | |
Ndumele et al. | Medicaid expansion and health plan quality in Medicaid managed care | |
CN109712004B (zh) | 一种基于智能决策的医保基金风险预测方法和装置 | |
Hanspach | The home bias in procurement. Cross-border procurement of medical supplies during the Covid-19 pandemic. | |
Van Soest et al. | Prospective validation of pathologic complete response models in rectal cancer: Transferability and reproducibility | |
Soto et al. | Implementation and impact analysis of a transitional care pathway for patients presenting to the emergency department with cardiac-related complaints | |
Kim et al. | Retrospective cohort study comparing surgical inpatient charges, total costs, and variable costs as hospital cost savings measures | |
CN110210985A (zh) | 基本医保政策调整对基金支出影响的量化方法及*** | |
CN109472710A (zh) | 一种医保基金风险预测方法和装置 | |
US8326678B1 (en) | Customer impact measuring system | |
Barnes et al. | Threshold-based Medicare incentives and aggressive patient reporting in US hospitals | |
Singh et al. | The WISDOM self‐management intervention: A cost‐effectiveness analysis to support the transformation of type 2 diabetes care in England | |
CN113837869A (zh) | 基于多维度的客户分析及管理方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |