CN111062751A - 一种基于药品自动关联耗材的计费***及方法 - Google Patents

一种基于药品自动关联耗材的计费***及方法 Download PDF

Info

Publication number
CN111062751A
CN111062751A CN201911280382.7A CN201911280382A CN111062751A CN 111062751 A CN111062751 A CN 111062751A CN 201911280382 A CN201911280382 A CN 201911280382A CN 111062751 A CN111062751 A CN 111062751A
Authority
CN
China
Prior art keywords
data
charging
attribute
redundancy
attributes
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
Application number
CN201911280382.7A
Other languages
English (en)
Inventor
陈微微
刘健
庄利梅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
TCL China Star Optoelectronics Technology Co Ltd
Zhenjiang First Peoples Hospital
Original Assignee
Shenzhen China Star Optoelectronics Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen China Star Optoelectronics Technology Co Ltd filed Critical Shenzhen China Star Optoelectronics Technology Co Ltd
Priority to CN201911280382.7A priority Critical patent/CN111062751A/zh
Publication of CN111062751A publication Critical patent/CN111062751A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0283—Price estimation or determination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/602—Providing cryptographic facilities or services
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Child & Adolescent Psychology (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Bioethics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明属于电子支付技术领域，具体涉及一种基于药品自动关联耗材的计费***及方法。所述***包括：药品属性控制单元、计费规则属性控制单元、计费执行单元、流程优化控制单元和数据安全控制单元；所述药品属性控制单元，用于制定、修改、删除和执行药品医嘱属性；所述药品医嘱属性包括：医嘱用法、医嘱频次、医嘱执行签名和药品属性；所述计费执行单元，用于制定、修改、删除和执行计费规则属性；所述计费规则属性包括：规则名称、包含用法、收费项目名称、计费数量、计费类型、药品目录、排除病区和使用病区；具有数据冗余度低，运行效率高和数据安全性高的优点。

Description

一种基于药品自动关联耗材的计费***及方法
技术领域
本发明属于电子支付技术领域，具体涉及一种医保和多种支付方式集成的结算处理***及方法。
背景技术
临床护士的日常工作之一是录入病人治疗过程中使用的耗材费用。这就要求护士必须要精准的记录病人治疗过程中使用的耗材的型号及数量；目前，耗材计费的方式主要有两种：第一，护士每日核对费用清单，手工补记未收费的材料；第二，根据医生开的医嘱，设定关联的收费包，每日按照预设的材料数量进行计费，实施多退少补的计费方式。以上两种方式存在以下缺点：其一，人工计费耗时耗力，而且极易出错；其二，预设的收费数量很难跟医嘱实际消耗的数量保持一致，造成费用误收，降低患者的满意度。
在计算机领域里，很多***的开发和使用都离不开准确的数据。而这些数据很多时候都是由别的***或资源产生和提供的。数据在不同的***之间虽然内含一致，但表现形势不同。因此我们往往需要将数据从一个***导入另一个***中，而大部分数据需要经过处理后再导入。而这个过程会出现三个问题。
第一个问题是处理速度。如果数据量比较大，或者涉及数据库表非常多，或者转化过程逻辑很复杂，或者数据大部分都需要映射。那么处理数据和导入数据的过程就会占用大量的时间，在这段时间内很多因素都会导致批量处理过程的失败，这就造成了***的不稳定性。而有些批量处理数据过程也需要在短时间完成，以给用户以良好的体验过程。这个是论文解决的重点。
第二个问题就是导入过程往往是把抽取数据，转化数据，导入数据过程和它们关联的业务仅仅联系在一起。让代码变得耦合性高和杂乱无章。使得批量处理过程没法扩展和重用。如果出现了一个新的业务的批量数据导入，就要做很多重复工作，甚至重新导数据。人们曾经利用MVC模式的struts框架成功分离了页面元素和业务逻辑元素。那么导数据过程也可以利用框架分离准备数据过程和处理数据过程，让程序员把业务逻辑都写入一个业务逻辑类中。而取数据，***数据过程由框架完成。
第三个问题是，在处理数据的过程中，对于过程中处理的异常状况没有恰当的处理。最坏的情况下是导完数据后，不知道哪些成功了，哪些失败了。这样导数据工作将变得毫无意义。稍微好一点的情况是知道导入失败的记录，然后利用记录去手工调整。这样虽然最后也能完成批量处理数据过程，但浪费了很多时间。框架会把异常记录成为异常信息和异常关键字两部分，根据异常信息进行微调，在根据异常关键字进行补发。
发明内容
有鉴于此，本发明的主要目的在于提供一种医保和多种支付方式集成的结算处理***及方法，减少了护士人工补录的工作量，又提高了耗材计费的准确性，同时，具有数据冗余度低，运行效率高和数据安全性高的优点。
为达到上述目的，本发明的技术方案是这样实现的：
一种基于药品自动关联耗材的计费***，所述***包括：药品属性控制单元、计费规则属性控制单元、计费执行单元、流程优化控制单元和数据安全控制单元；所述药品属性控制单元，用于制定、修改、删除和执行药品医嘱属性；所述药品医嘱属性包括：医嘱用法、医嘱频次、医嘱执行签名和药品属性；所述计费执行单元，用于制定、修改、删除和执行计费规则属性；所述计费规则属性包括：规则名称、包含用法、收费项目名称、计费数量、计费类型、药品目录、排除病区和使用病区；所述计费执行单元，用于执行计费流程，设定计费执行时间和设定计费时间范围；所述流程优化控制单元，用于统计药品医嘱属性和计费规则属性的数据，建立数据优化模型，对药品医嘱属性和计费规则属性进行数据优化；所述数据优化过程包括：计算数据量上下限，根据上下限，对数据进行第一次聚类，计算出第一次数据冗余量，然后根据建立的数据优化模型，进行第二次聚类，计算出第二次数据冗余量，根据两次计算出的数据冗余量，进行数据优化；所述数据安全控制单元，用于在数据传递过程中，对数据进行加密，在数据进行优化过程中，对数据进行解密。
进一步的，所述数据优化过程中，计算数据量上下限的方法执行以下步骤：
Figure BDA0002314308990000031
其中，所述Nch-min表示数据下限；所述Nch-max表示数据上限；所述Qtraal表述数据总量大小，Stotal表示属性数量，药品医嘱属性中，医嘱用法、医嘱频次、医嘱执行签名和药品属性的属性数量即为4，添加属性后，属性数量为5；所述Smax表示属性最大值，即***中，可以添加的属性的最大值。
进一步的，所述数据优化过程中，对数据进行第一次聚类的方法执行以下步骤：设定每一属性的第一聚类中心0″，计算每一属性中每个数据的初始聚类中心0″的中心距离Din，然后根据如下公式，按照最邻近原则对各属性进行划分，形成一次聚类：＝β×d(vi,θn)，
Figure BDA0002314308990000032
其中，所述β为数据非直线系数，通常范围为0.8～1.5；所述d(vi,θn)为每个属性到第一聚类中心的距离；所述
Figure BDA0002314308990000041
和
Figure BDA0002314308990000042
为第一聚类中心的横坐标和纵坐标；所述
Figure BDA0002314308990000043
和
Figure BDA0002314308990000044
为属性的横坐标和纵坐标。
进一步的，所述根据第一次聚类的结果，计算数据冗余量的方法执行以下步骤：通过如下公式，计算每一个属性的数据在各个维度的数据冗余量：
Figure BDA0002314308990000045
其中，
Figure BDA0002314308990000046
和
Figure BDA0002314308990000047
分别表示在第一维度、第二维度和第三维度的数据荣誉量；所述
Figure BDA0002314308990000048
和μj分别表示第一维度计算常数、第二维度计算常数和第三维度计算常数，分别的取值范围为：0.1～0.3、0.1～0.3和1.1～1.6；所述plong、peq和ptine分别表示第一冗余度、第二冗余度和第三冗余度，根据实际需求设定；所述y和v分别表示幂指常数，值为第一荣冗余度、第二冗余度和第三冗余度的均值；则得到的数据冗余量为：
Figure BDA0002314308990000049
Figure BDA00023143089900000410
进一步的，所述数据优化过程中，根据建立的数据优化模型，进行第二次聚类，计算出第二次数据冗余量的方法执行以下步骤：所述数据优化模型为聚类优化模型；通过如下公式，计算第二次数据冗余量：
Figure BDA00023143089900000411
Figure BDA00023143089900000412
其中，所述N，表示正整数。
一种基于药品自动关联耗材的计费方法，所述方法执行以下步骤：
步骤1：药品属性控制单元，制定、修改、删除和执行药品医嘱属性；所述药品医嘱属性包括：医嘱用法、医嘱频次、医嘱执行签名和药品属性；
步骤2：计费执行单元，制定、修改、删除和执行计费规则属性；所述计费规则属性包括：规则名称、包含用法、收费项目名称、计费数量、计费类型、药品目录、排除病区和使用病区；
步骤3：计费执行单元，执行计费流程，设定计费执行时间和设定计费时间范围；
步骤4：流程优化控制单元，统计药品医嘱属性和计费规则属性的数据，建立数据优化模型，对药品医嘱属性和计费规则属性进行数据优化。
步骤5：所数据安全控制单元，在数据传递过程中，对数据进行加密，在数据进行优化过程中，对数据进行解密。
进一步的，所述数据优化过程包括：计算数据量上下限，根据上下限，对数据进行第一次聚类，计算出第一次数据冗余量，然后根据建立的数据优化模型，进行第二次聚类，计算出第二次数据冗余量，根据两次计算出的数据冗余量，进行数据优化。
进一步的，所述数据安全控制单元，在数据传递过程中，对数据进行加密的方法执行以下步骤：将每个属性的数据转换为矩阵数据，转换公式如下：
Figure BDA0002314308990000051
其中，
Figure BDA0002314308990000052
为常数；所述Gk为K时刻的标准矩阵，
Figure BDA0002314308990000053
为Gk的协方差矩阵，所述Gk的计算公式为：
Figure BDA0002314308990000054
其中，
Figure BDA0002314308990000055
为K时刻的标准计数器，tj为检测概率，β为归一化常数。
进一步的，所述所述数据优化过程中，计算数据量上下限的方法执行以下步骤：
Figure BDA0002314308990000056
其中，所述Nch-min表示数据下限；所述Nch-max表示数据上限；所述Qtraal表述数据总量大小，Stotal表示属性数量，药品医嘱属性中，医嘱用法、医嘱频次、医嘱执行签名和药品属性的属性数量即为4，添加属性后，属性数量为5；所述Smax表示属性最大值，即***中，可以添加的属性的最大值。
进一步的，所述数据优化过程中，对数据进行第一次聚类的方法执行以下步骤：设定每一属性的第一聚类中心0″，计算每一属性中每个数据的初始聚类中心0″的中心距离Din，然后根据如下公式，按照最邻近原则对各属性进行划分，形成一次聚类：＝β×d(vi,θn)，
Figure BDA0002314308990000061
其中，所述β为数据非直线系数，通常范围为0.8～1.5；所述d(vi,θn)为每个属性到第一聚类中心的距离；所述
Figure BDA0002314308990000062
和
Figure BDA0002314308990000063
为第一聚类中心的横坐标和纵坐标；所述
Figure BDA0002314308990000064
和
Figure BDA0002314308990000065
为属性的横坐标和纵坐标；所述根据第一次聚类的结果，计算数据冗余量的方法执行以下步骤：通过如下公式，计算每一个属性的数据在各个维度的数据冗余量：
Figure BDA0002314308990000066
其中，
Figure BDA0002314308990000067
和
Figure BDA0002314308990000068
分别表示在第一维度、第二维度和第三维度的数据荣誉量；所述
Figure BDA0002314308990000069
和μj分别表示第一维度计算常数、第二维度计算常数和第三维度计算常数，分别的取值范围为：0.1～0.3、0.1～0.3和1.1～1.6；所述plong、peq和ptine分别表示第一冗余度、第二冗余度和第三冗余度，根据实际需求设定；所述y和v分别表示幂指常数，值为第一荣冗余度、第二冗余度和第三冗余度的均值；则得到的数据冗余量为：
Figure BDA00023143089900000610
Figure BDA00023143089900000611
所述数据优化过程中，根据建立的数据优化模型，进行第二次聚类，计算出第二次数据冗余量的方法执行以下步骤：所述数据优化模型为聚类优化模型；通过如下公式，计算第二次数据冗余量：
Figure BDA00023143089900000612
其中，所述N，表示正整数。
本发明的一种医保和多种支付方式集成的结算处理***及方法，具有如下有益效果：临床护士的工作任务极其繁重，这就要求护士必须高效的工作。药品自动关联耗材计费算法大大节约了护士查账记账的时间，既减轻了护士的工作负担，提高了护士的工作效率，又保证了计费的准确性，避免了因费用问题引起的医患矛盾。同时，在进行费用执行过程中，由于一个医院内的患者数据量一般较大，而人为进行数据整理和优化的过程往往耗时较长，且效率较低，如果不进行数据优化，随着后续的数据量的增大，***运行效率将会降低，因此本发明采用的数据优化方法，相较于传统的数据优化方法，其从多个维度，多次聚类进行优化，数据优化的效率较高。同时，数据安全性也较高。
附图说明
图1为本发明的实施例提供的基于药品自动关联耗材的计费***的***结构示意图；
图2为本发明的实施例提供的基于药品自动关联耗材的计费方法的方法流程示意图；
图3为本发明的实施例提供的基于药品自动关联耗材的计费***及方法中数据优化方法随着数据量变化对应的数据运行效率与现有技术的数据优化方法随着数量变化对应的数据运行效率的实验效果示意图。
具体实施方式
下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。
实施例1
一种基于药品自动关联耗材的计费***，所述***包括：药品属性控制单元、计费规则属性控制单元、计费执行单元、流程优化控制单元和数据安全控制单元；所述药品属性控制单元，用于制定、修改、删除和执行药品医嘱属性；所述药品医嘱属性包括：医嘱用法、医嘱频次、医嘱执行签名和药品属性；所述计费执行单元，用于制定、修改、删除和执行计费规则属性；所述计费规则属性包括：规则名称、包含用法、收费项目名称、计费数量、计费类型、药品目录、排除病区和使用病区；所述计费执行单元，用于执行计费流程，设定计费执行时间和设定计费时间范围；所述流程优化控制单元，用于统计药品医嘱属性和计费规则属性的数据，建立数据优化模型，对药品医嘱属性和计费规则属性进行数据优化；所述数据优化过程包括：计算数据量上下限，根据上下限，对数据进行第一次聚类，计算出第一次数据冗余量，然后根据建立的数据优化模型，进行第二次聚类，计算出第二次数据冗余量，根据两次计算出的数据冗余量，进行数据优化；所述数据安全控制单元，用于在数据传递过程中，对数据进行加密，在数据进行优化过程中，对数据进行解密。
具体的，对数据进行分析重组可以很大程度上减少数据转化过程中的为了转化而进行的查询次数，也能最大程度上的提高缓存命中率。首先我们判定哪些字段需要进行转化。如果仅有一个字段需要转化，那么只需将数据根据相关字段进行分组重排。这组数据的字段转化关系可以完全加入到缓存中。而且可以保证的是这个组的数据处理完毕后，其他的组不会用到这个缓存中的数据。也就是说这个字段被移除缓存后，就不会再加入缓存了。如果有多个字段，就要通过抽样试验分析字段问的相关性，按相关性的顺序进行数据重组。
程序员在进行数据抽取时只要声明要转化字段和相关性字段就可以了。并把它保存在配置文件中。转化字段非常容易的识别出，但是相关性字段除了一些常识性的可以立刻判断出，如一个部门的人重叠性很高，一个品牌的汽车重叠性很高。但有很多，用户也无法识别。框架提供了相关性抽样试验数据学***均值。最高的就为最相关的字段。
用户编写的SQL语句，要先进行语法语义分析。先分析这个SQL有哪些字段。去优化配置文件中找出待转化字段和相关字段，判断该SQL是要加入分组条件还是分组加排序条件。第二就是看看该SQL是不是会进行全盘扫描。如果会导致全盘扫描转化为按照索引进行扫描。最后根据以上两个方面进行SQL重写，生成符合要求的SQI，让取出的数据变得有规律，使得下一步进行数据转化，缓存命中率大大提高。
实施例2
在上一实施例的基础上，所述数据优化过程中，计算数据量上下限的方法执行以下步骤：
Figure BDA0002314308990000091
其中，所述Nch-min表示数据下限；所述Nch-max表示数据上限；所述Qtraal表述数据总量大小，Stotal表示属性数量，药品医嘱属性中，医嘱用法、医嘱频次、医嘱执行签名和药品属性的属性数量即为4，添加属性后，属性数量为5；所述Smax表示属性最大值，即***中，可以添加的属性的最大值。
实施例3
在上一实施例的基础上，所述数据优化过程中，对数据进行第一次聚类的方法执行以下步骤：设定每一属性的第一聚类中心0″，计算每一属性中每个数据的初始聚类中心0″的中心距离Din，然后根据如下公式，按照最邻近原则对各属性进行划分，形成一次聚类：＝β×d(vi,θn)，
Figure BDA0002314308990000092
Figure BDA0002314308990000093
其中，所述β为数据非直线系数，通常范围为0.8～1.5；所述d(vi,θn)为每个属性到第一聚类中心的距离；所述
Figure BDA0002314308990000094
和
Figure BDA0002314308990000095
为第一聚类中心的横坐标和纵坐标；所述
Figure BDA0002314308990000096
和
Figure BDA0002314308990000097
为属性的横坐标和纵坐标。
具体的，将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类。由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异。“物以类聚，人以群分”，在自然科学和社会科学中，存在着大量的分类问题。聚类分析又称群分析，它是研究(样品或指标)分类问题的一种统计分析方法。聚类分析起源于分类学，但是聚类不等于分类。聚类与分类的不同在于，聚类所要求划分的类是未知的。聚类分析内容非常丰富，有***聚类法、有序样品聚类法、动态聚类法、模糊聚类法、图论聚类法、聚类预报法等。
实施例4
在上一实施例的基础上，所述根据第一次聚类的结果，计算数据冗余量的方法执行以下步骤：通过如下公式，计算每一个属性的数据在各个维度的数据冗余量：
Figure BDA0002314308990000101
其中，
Figure BDA0002314308990000102
和
Figure BDA0002314308990000103
分别表示在第一维度、第二维度和第三维度的数据荣誉量；所述
Figure BDA0002314308990000104
和μj分别表示第一维度计算常数、第二维度计算常数和第三维度计算常数，分别的取值范围为：0.1～0.3、0.1～0.3和1.1～1.6；所述plong、peq和ptine分别表示第一冗余度、第二冗余度和第三冗余度，根据实际需求设定；所述y和v分别表示幂指常数，值为第一荣冗余度、第二冗余度和第三冗余度的均值；则得到的数据冗余量为：
Figure BDA0002314308990000105
具体的，大部分划分方法是基于距离的。给定要构建的分区数k，划分方法首先创建一个初始化划分。然后，它采用一种迭代的重定位技术，通过把对象从一个组移动到另一个组来进行划分。一个好的划分的一般准备是：同一个簇中的对象尽可能相互接近或相关，而不同的簇中的对象尽可能远离或不同。还有许多评判划分质量的其他准则。传统的划分方法可以扩展到子空间聚类，而不是搜索整个数据空间。当存在很多属性并且数据稀疏时，这是有用的。为了达到全局最优，基于划分的聚类可能需要穷举所有可能的划分，计算量极大。实际上，大多数应用都采用了流行的启发式方法，如k-均值和k-中心算法，渐近的提高聚类质量，逼近局部最优解。这些启发式聚类方法很适合发现中小规模的数据库中小规模的数据库中的球状簇。为了发现具有复杂形状的簇和对超大型数据集进行聚类，需要进一步扩展基于划分的方法。
实施例5
在上一实施例的基础上，所述数据优化过程中，根据建立的数据优化模型，进行第二次聚类，计算出第二次数据冗余量的方法执行以下步骤：所述数据优化模型为聚类优化模型；通过如下公式，计算第二次数据冗余量：
Figure BDA0002314308990000111
Figure BDA0002314308990000112
其中，所述N，表示正整数。
如图3所示，在进行费用执行过程中，由于一个医院内的患者数据量一般较大，而人为进行数据整理和优化的过程往往耗时较长，且效率较低，如果不进行数据优化，随着后续的数据量的增大，***运行效率将会降低，因此本发明采用的数据优化方法，相较于传统的数据优化方法，其从多个维度，多次聚类进行优化，数据优化的效率较高。本发明相较于现有技术，显著提升了***的运行效率，在数据量随着***运行累积过程中，有效清除掉数据冗余，显著提升数据的运行和获取效率，提升***的运行率。
实施例6
一种基于药品自动关联耗材的计费方法，所述方法执行以下步骤：
步骤1：药品属性控制单元，制定、修改、删除和执行药品医嘱属性；所述药品医嘱属性包括：医嘱用法、医嘱频次、医嘱执行签名和药品属性；
步骤2：计费执行单元，制定、修改、删除和执行计费规则属性；所述计费规则属性包括：规则名称、包含用法、收费项目名称、计费数量、计费类型、药品目录、排除病区和使用病区；
步骤3：计费执行单元，执行计费流程，设定计费执行时间和设定计费时间范围；
步骤4：流程优化控制单元，统计药品医嘱属性和计费规则属性的数据，建立数据优化模型，对药品医嘱属性和计费规则属性进行数据优化。
步骤5：所数据安全控制单元，在数据传递过程中，对数据进行加密，在数据进行优化过程中，对数据进行解密。
具体的，各病区梳理药品医嘱执行过程中用到的耗材项目；全院共性的收费项目，定义成共性的关联计费规则。专科个性的收费项目，定义成专科计费规则；确定计费规则涉及的关联参数：医嘱的执行状态、医嘱的频次、医嘱的用法、药品的属性等；按照物价局的收费标准及病区用药治疗中实际耗费的材料，制定自动关联计费的规则：即每条规则适用的范围及相对应的收费项目及数量。***设定后台运行服务，将病人药品医嘱与设定的规则进行校验，对于适用的规则，***自动收取所对应收费项目的费用。
具体的，医嘱用法：不同的医嘱用法，关联的耗材项目种类不同：如“雾化吸入”用法，需要关联收费项目“氧气吸入”，“静推”用法，需要关联收费项目“静脉注射”；医嘱频次：不同的医嘱频次，医嘱每日产生的用药顿数不同；如QD，一天一次，医嘱每日产生的用药顿数为1；如TID，一天三次，医嘱每日产生的用药顿数为3；医嘱执行签名情况：根据医嘱产生的每日用药顿数，有护士执行签字的，表示该顿病人已实际用药，在计算规则计费数量时，该顿为有效顿数；当护士执行签字为空时，表示该顿病人并未用药，则此顿无效，不纳入计费算法；药品属性：根据不同的药品属性，关联的计费项目种类有所不同；如避光药品，需要关联“避光延长管”等项目，如肿瘤药品，需要关联“抗肿瘤药物配置”等项目。
实施例7
在上一实施例的基础上，所述数据优化过程包括：计算数据量上下限，根据上下限，对数据进行第一次聚类，计算出第一次数据冗余量，然后根据建立的数据优化模型，进行第二次聚类，计算出第二次数据冗余量，根据两次计算出的数据冗余量，进行数据优化。
实施例8
在上一实施例的基础上，所述数据安全控制单元，在数据传递过程中，对数据进行加密的方法执行以下步骤：将每个属性的数据转换为矩阵数据，转换公式如下：
Figure BDA0002314308990000131
其中，
Figure BDA0002314308990000132
为常数；所述Gk为K时刻的标准矩阵，
Figure BDA0002314308990000133
为Gk的协方差矩阵，所述Gk的计算公式为：
Figure BDA0002314308990000134
Figure BDA0002314308990000135
其中，
Figure BDA0002314308990000136
为K时刻的标准计数器，tj为检测概率，β为归一化常数。
实施例9
在上一实施例的基础上，所述数据优化过程中，计算数据量上下限的方法执行以下步骤：
Figure BDA0002314308990000137
其中，所述Nch-min表示数据下限；所述Nch-max表示数据上限；所述Qtraal表述数据总量大小，Stotal表示属性数量，药品医嘱属性中，医嘱用法、医嘱频次、医嘱执行签名和药品属性的属性数量即为4，添加属性后，属性数量为5；所述Smax表示属性最大值，即***中，可以添加的属性的最大值。
具体的，包括规则名称、包含用法、收费项目名称、计费数量、计费类型、药品目录、排除病区、使用病区；规则名称：给每一条规则命名，在生成计费项目时，每条计费项目后注明该项目由哪条规则产生，方便护士核对计费的准确性；包含用法：该规则适用的医嘱用法；当不同用法关联的计费项目一致时，一条规则可对应多个医嘱用法；收费项目名称：定义计费规则中可关联的收费项目；按照物价局的收费标准，每条规则中可收的项目种类不同；计费数量：定义每条规则中每个收费项目的收费数量；按照物价局的收费标准，每个收费项目对应的收费数量不同；计费类型：根据物价局的收费标准及临床护士实际治疗的操作规范，不同的规则对应的计费类型不同；本套规则中主要分为四类：按顿、按天、按医嘱最高频次、按药品种类；按顿：根据医嘱频次计算医嘱用药顿数；当同时存在多条符合规则的医嘱时，用药顿数进行加和，总顿数即为规则的执行数量。按天：不管符合规则的医嘱有几条，频次为多少，按天计费的规则执行数量为1按医嘱最高频次：对于符合规则的医嘱，取所有医嘱中频次最高的频次数作为规则的执行数量；按药品种类：对于符合规则的医嘱，按药品的种类数作为规则的执行数量；药品目录：规则适用的药品范围，如避光药品、精密药品、肿瘤药品、肠外营养药品等；排除病区：定义规则不适用的病区；不在排除范围的病区，适用该条规则；使用病区：定义规则适用的病区：在使用范围内的病区，适用该条规则；
实施例10
在上一实施例的基础上，所述数据优化过程中，对数据进行第一次聚类的方法执行以下步骤：设定每一属性的第一聚类中心0″，计算每一属性中每个数据的初始聚类中心0″的中心距离Din，然后根据如下公式，按照最邻近原则对各属性进行划分，形成一次聚类：＝β×d(vi,θn)，
Figure BDA0002314308990000151
Figure BDA0002314308990000152
其中，所述β为数据非直线系数，通常范围为0.8～1.5；所述d(vi,θn)为每个属性到第一聚类中心的距离；所述
Figure BDA0002314308990000153
和
Figure BDA0002314308990000154
为第一聚类中心的横坐标和纵坐标；所述
Figure BDA0002314308990000155
和
Figure BDA0002314308990000156
为属性的横坐标和纵坐标；所述根据第一次聚类的结果，计算数据冗余量的方法执行以下步骤：通过如下公式，计算每一个属性的数据在各个维度的数据冗余量：
Figure BDA0002314308990000157
其中，
Figure BDA0002314308990000158
Figure BDA0002314308990000159
和
Figure BDA00023143089900001510
分别表示在第一维度、第二维度和第三维度的数据荣誉量；所述
Figure BDA00023143089900001511
Figure BDA00023143089900001512
和μj分别表示第一维度计算常数、第二维度计算常数和第三维度计算常数，分别的取值范围为：0.1～0.3、0.1～0.3和1.1～1.6；所述plong、peq和ptine分别表示第一冗余度、第二冗余度和第三冗余度，根据实际需求设定；所述y和v分别表示幂指常数，值为第一荣冗余度、第二冗余度和第三冗余度的均值；则得到的数据冗余量为：
Figure BDA00023143089900001513
所述数据优化过程中，根据建立的数据优化模型，进行第二次聚类，计算出第二次数据冗余量的方法执行以下步骤：所述数据优化模型为聚类优化模型；通过如下公式，计算第二次数据冗余量：
Figure BDA00023143089900001514
其中，所述N，表示正整数。
具体的，(设定规则执行时间点为每天的23：00；选择该时刻主要因为夜间临床业务相对较少，尽量避免因***服务运行耗费服务器资源而造成临床业务***的运行负担；设定规则执行的时间范围为前一天23：00到今日23：00，确保23：00-00：00之间执行签字的医嘱，可以纳入计费算法中，避免漏计费问题发生；规则执行时，***首先获取当前全院所有的在院病人，循环取每一个病人，取该病人在执行范围内所有护士执行签字的医嘱，然后逐条判断计费规则是否适用；同一医嘱根据计费算法可同时适用多条计费规则；对于适用的规则，根据计费算法，生成计费项目明细；对于23：00之前转区或出区的患者，***在转区或出区操作时，自动执行规则计算，确保关联计费的准确性；
以上所述仅为本发明的一个实施例子，但不能以此限制本发明的范围，凡依据本发明所做的结构上的变化，只要不失本发明的要义所在，都应视为落入本发明保护范围之内受到制约。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的***，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨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/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (10)

1.一种基于药品自动关联耗材的计费***，所述***包括：药品属性控制单元、计费规则属性控制单元、计费执行单元、流程优化控制单元和数据安全控制单元；所述药品属性控制单元，用于制定、修改、删除和执行药品医嘱属性；所述药品医嘱属性包括：医嘱用法、医嘱频次、医嘱执行签名和药品属性；所述计费执行单元，用于制定、修改、删除和执行计费规则属性；所述计费规则属性包括：规则名称、包含用法、收费项目名称、计费数量、计费类型、药品目录、排除病区和使用病区；所述计费执行单元，用于执行计费流程，设定计费执行时间和设定计费时间范围；其特征在于，所述流程优化控制单元，用于统计药品医嘱属性和计费规则属性的数据，建立数据优化模型，对药品医嘱属性和计费规则属性进行数据优化；所述数据优化过程包括：计算数据量上下限，根据上下限，对数据进行第一次聚类；所述数据优化过程中，计算数据量上下限的方法执行以下步骤：
Figure FDA0002314308980000011
其中，所述Nch-min表示数据下限；所述Nch-max表示数据上限；所述Qtraal表述数据总量大小，Stotal表示属性数量，药品医嘱属性中，医嘱用法、医嘱频次、医嘱执行签名和药品属性的属性数量即为4，添加属性后，属性数量为5；所述Smax表示属性最大值，即***中，可以添加的属性的最大值。
2.如权利要求1所述的***，其特征在于，所述数据优化过程还包括：根据计算出的数据量的上下限，计算出第一次数据冗余量，然后根据建立的数据优化模型，进行第二次聚类，计算出第二次数据冗余量，根据两次计算出的数据冗余量，进行数据优化；所述数据安全控制单元，用于在数据传递过程中，对数据进行加密，在数据进行优化过程中，对数据进行解密。
3.如权利要求2所述的***，其特征在于，所述数据优化过程中，对数据进行第一次聚类的方法执行以下步骤：设定每一属性的第一聚类中心0″，计算每一属性中每个数据的初始聚类中心0″的中心距离Din，然后根据如下公式，按照最邻近原则对各属性进行划分，形成一次聚类：＝β×d(vi,θn)，
Figure FDA0002314308980000021
其中，所述β为数据非直线系数，通常范围为0.8～1.5；所述d(vi,θn)为每个属性到第一聚类中心的距离；所述
Figure FDA0002314308980000022
和
Figure FDA0002314308980000023
为第一聚类中心的横坐标和纵坐标；所述
Figure FDA0002314308980000024
和
Figure FDA0002314308980000025
为属性的横坐标和纵坐标。
4.如权利要求3所述的***，其特征在于，所述根据第一次聚类的结果，计算数据冗余量的方法执行以下步骤：通过如下公式，计算每一个属性的数据在各个维度的数据冗余量：
Figure FDA0002314308980000026
其中，
Figure FDA0002314308980000027
和
Figure FDA0002314308980000028
分别表示在第一维度、第二维度和第三维度的数据荣誉量；所述
Figure FDA0002314308980000029
和μj分别表示第一维度计算常数、第二维度计算常数和第三维度计算常数，分别的取值范围为：0.1～0.3、0.1～0.3和1.1～1.6；所述plong、peq和ptine分别表示第一冗余度、第二冗余度和第三冗余度，根据实际需求设定；所述y和v分别表示幂指常数，值为第一荣冗余度、第二冗余度和第三冗余度的均值；则得到的数据冗余量为：
Figure FDA00023143089800000210
Figure FDA00023143089800000211
5.如权利要求4所述的***，其特征在于，所述数据优化过程中，根据建立的数据优化模型，进行第二次聚类，计算出第二次数据冗余量的方法执行以下步骤：所述数据优化模型为聚类优化模型；通过如下公式，计算第二次数据冗余量：
Figure FDA00023143089800000212
其中，所述N，表示正整数。
6.一种基于权利要求1至5之一所述***的基于药品自动关联耗材的计费方法，其特征在于，所述方法执行以下步骤：
步骤1：药品属性控制单元，制定、修改、删除和执行药品医嘱属性；所述药品医嘱属性包括：医嘱用法、医嘱频次、医嘱执行签名和药品属性；
步骤2：计费执行单元，制定、修改、删除和执行计费规则属性；所述计费规则属性包括：规则名称、包含用法、收费项目名称、计费数量、计费类型、药品目录、排除病区和使用病区；
步骤3：计费执行单元，执行计费流程，设定计费执行时间和设定计费时间范围；
步骤4：流程优化控制单元，统计药品医嘱属性和计费规则属性的数据，建立数据优化模型，对药品医嘱属性和计费规则属性进行数据优化。
步骤5：所数据安全控制单元，在数据传递过程中，对数据进行加密，在数据进行优化过程中，对数据进行解密。
7.如权利要求6所述的方法，其特征在于，所述数据优化过程包括：计算数据量上下限，根据上下限，对数据进行第一次聚类，计算出第一次数据冗余量，然后根据建立的数据优化模型，进行第二次聚类，计算出第二次数据冗余量，根据两次计算出的数据冗余量，进行数据优化。
8.如权利要求7所述的方法，其特征在于，所述数据安全控制单元，在数据传递过程中，对数据进行加密的方法执行以下步骤：将每个属性的数据转换为矩阵数据，转换公式如下：
Figure FDA0002314308980000031
其中，
Figure FDA0002314308980000032
为常数；所述Gk为K时刻的标准矩阵，
Figure FDA0002314308980000033
为Gk的协方差矩阵，所述Gk的计算公式为：
Figure FDA0002314308980000041
其中，
Figure FDA0002314308980000042
为K时刻的标准计数器，tj为检测概率，β为归一化常数。
9.如权利要求8所述的方法，其特征在于，所述数据优化过程中，计算数据量上下限的方法执行以下步骤：
Figure FDA0002314308980000043
其中，所述Nch-min表示数据下限；所述Nch-max表示数据上限；所述Qtraal表述数据总量大小，Stotal表示属性数量，药品医嘱属性中，医嘱用法、医嘱频次、医嘱执行签名和药品属性的属性数量即为4，添加属性后，属性数量为5；所述Smax表示属性最大值，即***中，可以添加的属性的最大值。
10.如权利要求9所述的方法，其特征在于，所述数据优化过程中，对数据进行第一次聚类的方法执行以下步骤：设定每一属性的第一聚类中心0″，计算每一属性中每个数据的初始聚类中心0″的中心距离Din，然后根据如下公式，按照最邻近原则对各属性进行划分，形成一次聚类：＝β×d(vi,θn)，
Figure FDA0002314308980000044
其中，所述β为数据非直线系数，通常范围为0.8～1.5；所述d(vi,θn)为每个属性到第一聚类中心的距离；所述
Figure FDA0002314308980000045
和
Figure FDA0002314308980000046
为第一聚类中心的横坐标和纵坐标；所述
Figure FDA0002314308980000047
和
Figure FDA0002314308980000048
为属性的横坐标和纵坐标；所述根据第一次聚类的结果，计算数据冗余量的方法执行以下步骤：通过如下公式，计算每一个属性的数据在各个维度的数据冗余量：
Figure FDA0002314308980000049
其中，
Figure FDA00023143089800000410
和
Figure FDA00023143089800000411
分别表示在第一维度、第二维度和第三维度的数据荣誉量；所述
Figure FDA00023143089800000412
和μj分别表示第一维度计算常数、第二维度计算常数和第三维度计算常数，分别的取值范围为：0.1～0.3、0.1～0.3和1.1～1.6；所述plong、peq和ptine分别表示第一冗余度、第二冗余度和第三冗余度，根据实际需求设定；所述y和v分别表示幂指常数，值为第一荣冗余度、第二冗余度和第三冗余度的均值；则得到的数据冗余量为：
Figure FDA0002314308980000051
Figure FDA0002314308980000052
所述数据优化过程中，根据建立的数据优化模型，进行第二次聚类，计算出第二次数据冗余量的方法执行以下步骤：所述数据优化模型为聚类优化模型；通过如下公式，计算第二次数据冗余量：
Figure FDA0002314308980000053
其中，所述N，表示正整数。
CN201911280382.7A 2019-12-12 2019-12-12 一种基于药品自动关联耗材的计费***及方法 Pending CN111062751A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911280382.7A CN111062751A (zh) 2019-12-12 2019-12-12 一种基于药品自动关联耗材的计费***及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911280382.7A CN111062751A (zh) 2019-12-12 2019-12-12 一种基于药品自动关联耗材的计费***及方法

Publications (1)

Publication Number Publication Date
CN111062751A true CN111062751A (zh) 2020-04-24

Family

ID=70300970

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911280382.7A Pending CN111062751A (zh) 2019-12-12 2019-12-12 一种基于药品自动关联耗材的计费***及方法

Country Status (1)

Country Link
CN (1) CN111062751A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113379568A (zh) * 2021-06-23 2021-09-10 丽水市中心医院 基于给药途径自动关联诊疗和材料费用的计费***及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103218404A (zh) * 2013-03-20 2013-07-24 华中科技大学 一种基于关联特性的多维元数据管理方法和***
CN104992053A (zh) * 2015-06-17 2015-10-21 广州慧扬信息***科技有限公司 医嘱执行过程中涉及的附带项目的自动计费方法
CN106503455A (zh) * 2016-11-01 2017-03-15 山东众阳软件有限公司 基于药品规则组合的医嘱智能审核***及方法
CN106778052A (zh) * 2017-03-24 2017-05-31 重庆医科大学附属永川医院 临床药品管控及处方医嘱评价方法
CN107609105A (zh) * 2017-09-12 2018-01-19 电子科技大学 大数据加速结构的构建方法
CN108128584A (zh) * 2017-12-01 2018-06-08 上海神添实业有限公司 一种智能化与自动化药房

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103218404A (zh) * 2013-03-20 2013-07-24 华中科技大学 一种基于关联特性的多维元数据管理方法和***
CN104992053A (zh) * 2015-06-17 2015-10-21 广州慧扬信息***科技有限公司 医嘱执行过程中涉及的附带项目的自动计费方法
CN106503455A (zh) * 2016-11-01 2017-03-15 山东众阳软件有限公司 基于药品规则组合的医嘱智能审核***及方法
CN106778052A (zh) * 2017-03-24 2017-05-31 重庆医科大学附属永川医院 临床药品管控及处方医嘱评价方法
CN107609105A (zh) * 2017-09-12 2018-01-19 电子科技大学 大数据加速结构的构建方法
CN108128584A (zh) * 2017-12-01 2018-06-08 上海神添实业有限公司 一种智能化与自动化药房

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113379568A (zh) * 2021-06-23 2021-09-10 丽水市中心医院 基于给药途径自动关联诊疗和材料费用的计费***及方法
CN113379568B (zh) * 2021-06-23 2023-07-28 丽水市中心医院 基于给药途径自动关联诊疗和材料费用的计费***及方法

Similar Documents

Publication Publication Date Title
US20210374610A1 (en) Efficient duplicate detection for machine learning data sets
CN113157448B (zh) 用于管理特征处理的***和方法
US20200050968A1 (en) Interactive interfaces for machine learning model evaluations
Berndt et al. The Catch data warehouse: support for community health care decision-making
US9378271B2 (en) Database system for analysis of longitudinal data sets
Fan et al. Discovering and reconciling value conflicts for numerical data integration
JP7106743B2 (ja) グラフ計算技術に基づく請求不正防止方法、装置、機器及び記憶媒体
CN109074858A (zh) 没有明显准标识符的去识别的健康护理数据库的医院匹配
CN115497631A (zh) 一种临床科研大数据分析***
US20200051698A1 (en) Precision clinical decision support with data driven approach on multiple medical knowledge modules
Mohammed et al. Clinical data warehouse issues and challenges
CN111062751A (zh) 一种基于药品自动关联耗材的计费***及方法
Hamoud et al. Design and implementing cancer data warehouse to support clinical decisions
JP2001175724A (ja) 診療報酬明細書分析システム
CN109144999B (zh) 一种数据定位方法、装置及存储介质、程序产品
Chondrogiannis et al. A novel approach for clinical data harmonization
CN110010231A (zh) 一种数据处理***及计算机可读存储介质
CN108985811A (zh) 用于精准营销的方法、装置及电子设备
Gu et al. Probability model of sensitive similarity measures in information retrieval
Konijn Detecting interesting differences: Data mining in health insurance data using outlier detection and subgroup discovery
Samra et al. Design of a clinical database to support research purposes: Challenges and solutions
CN112016302B (zh) 分解住院行为的识别方法、装置、电子设备及存储介质
Tanaglia et al. Multidimensional Design and Analysis of a Data Mart Related to Healthcare Treatments with Biologic Drugs
Yeramwar Pre-processing Techniques for Optimizing Association Rule Mining Algorithms
Zhang et al. Fuzzy Clustering: A New Clustering Method in Heterogeneous Medical Records Searching

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: 20200424