CN111180065A - 保险用户评估方法、装置、电子设备及计算机可读介质 - Google Patents

Abstract

本公开涉及一种基于疾病风险模型的保险用户评估方法、装置、电子设备及计算机可读介质。涉及医疗保险信息处理领域，该方法包括：通过至少一个数据源获取用户的医疗数据；对所述医疗数据进行数据处理生成特征数据；将所述特征数据输入至少一个疾病风险模型中以获取疾病风险数据；以及根据所述疾病风险数据确定所述用户的风险标签。本公开涉及的基于疾病风险模型的保险用户评估方法、装置、电子设备及计算机可读介质，能够在保险核验端快速、准确识别具有风险的用户保单，辅助进行精准核保定价。

Description

保险用户评估方法、装置、电子设备及计算机可读介质

技术领域

本公开涉及医疗信息处理领域，具体而言，涉及一种基于疾病风险模型的保险用户评估方法、装置、电子设备及计算机可读介质。

背景技术

人身保险是以人的寿命和身体为保险标的的保险。健康告知是将被保险人的身体健康状况，告知给保险公司，供他们做风险评估，最终确定是否可以承保的过程。为了评估被保人的健康状况，以确定承保费率，各保险公司在接受客户投保申请时，要求其填写健康告知书，亦即关于健康情况的说明。根据《保险法》第十六条规定，投保人故意或因重大过失未履行如实告知义务，足以影响保险公司决定是否承保或提高保险费率的，保险公司有权解除保险合同，保险公司对于保险合同解除前发生的保险事故，不承担赔付保险金的责任，并不退还保险费。

然而在保险实务中，相当一部分投保人、被保险人往往是患病以后才意识到参加保险的重要性，于是投保，但在投保申请书上并未如实写明病史。据不完全统计，每年不如实告知保单占比高达15％～20％，给整个保险行业带来上百亿的额外损失。

为了避免因不如实告知带来损失，保险公司通常会对投保申请进行审核(该审核可能在客户投保、承保后抗辩期内或理赔阶段进行)。由于体检和人工调查的成本高、时效低，保险公司只能让部分疑似保单进行核实。而且在信息不足情况下，核保员只能凭经验人工判断疑似风险。这个过程需要耗费大量人力，准确度也非常有限。能否在核保端快速、准确识别不如实告知保单是当前保险公司迫切需求。

因此，本申请提出一种新的基于疾病风险模型的保险用户评估方法、装置、电子设备及计算机可读介质。

在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它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

有鉴于此，本公开提供一种基于疾病风险模型的保险用户评估方法、装置、电子设备及计算机可读介质，能够在保险核验端快速、准确识别具有风险的用户保单，辅助进行精准核保定价。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一方面，提出一种基于疾病风险模型的保险用户评估方法，该方法包括：通过多个数据源获取用户的医疗数据；对所述医疗数据进行数据处理生成特征数据；将所述特征数据输入至少一个疾病风险模型中以获取疾病风险数据；以及根据所述疾病风险数据确定所述用户的风险标签。

在本公开的一种示例性实施例中，还包括：通过历史医疗数据建立疾病风险模型模型。

在本公开的一种示例性实施例中，所述通过历史医疗数据建立疾病判定模型包括：按照疾病特征将所述历史医疗数据进行分类；以及对每一类所述历史医疗数据分别建立所述疾病风险模型。

在本公开的一种示例性实施例中，还包括：根据所述疾病风险数据确定所述用户的保险费用。

在本公开的一种示例性实施例中，通过多个数据源获取用户的医疗数据包括：通过所述多个数据源获取用户的数据；以及根据预定映射规则通过所述数据筛选生成所述医疗数据。

在本公开的一种示例性实施例中，对所述医疗数据进行数据处理生成特征数据包括：对所述医疗数据进行自然语言结构化处理，生成结构化数据；对所述结构化数据进行归一化处理，生成归一化数据；以及对所述归一化数据进行特征处理，生成所述特征数据。

在本公开的一种示例性实施例中，疾病风险数据包括：疾病名称、风险评分、准确度、以及时效性。

根据本公开的一方面，提出一种保险用户评估装置，该装置包括：数据模块，用于通过多个数据源获取用户的医疗数据；处理模块，用于对所述医疗数据进行数据处理生成特征数据；评分模块，用于将所述特征数据输入至少一个疾病风险模型中以获取疾病风险数据；以及结果模块，用于根据所述疾病风险数据确定所述用户的风险标签。

根据本公开的一方面，提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上文的方法。

根据本公开的一方面，提出一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上文中的方法。

根据本公开的基于疾病风险模型的保险用户评估方法、装置、电子设备及计算机可读介质，能够在保险核验端快速、准确识别具有风险的用户保单，辅助进行精准核保定价。

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的，并不能限制本公开。

附图说明

通过参照附图详细描述其示例实施例，本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例，对于本领域的普通技术人员来讲，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是根据一示例性实施例示出的一种基于疾病风险模型的保险用户评估方法的流程图。

图2是根据另一示例性实施例示出的一种基于疾病风险模型的保险用户评估方法的流程图。

图3是根据另一示例性实施例示出的一种基于疾病风险模型的保险用户评估方法的示意图。

图4是根据一示例性实施例示出的一种基于疾病风险模型的保险用户评估装置的框图。

图5是根据一示例性实施例示出的一种电子设备的框图。

图6是根据一示例性实施例示出一种计算机可读存储介质示意图。

具体实施方式

现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

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公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开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公开的各方面。

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。

应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用，术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。

本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本公开所必须的，因此不能用于限制本公开的保护范围。

本申请的发明人发现，现有技术中的还有一种保险公司发起建立的核保风险模型，其中核保风险评分模型同时考虑不实告知风险及自然状态(非不实告知)下的两年内出险风险。数据源以泰康内部数据为基础，包括保单基本信息(保额、渠道等)，投被保人信息(健康状况、财务状况、既往理赔等)和代理人信息(等级、工作年限等)。这套模型用于自动核保规则中，即通过模型自动判断被保人的风险，如果风险较高则要求被保人提供更详细的健康资料并转为人工审核。算法上采用逻辑回归等常见回归类算法进行训练，以保证模型的透明和可解释性。

现有技术中的还有一种保险公司发起建立的体检模型，其目的是通过模型判断高风险的被保人，以辅助决定被保人是否需要进一步体检。数据源与泰康类似，也是以内部数据为基础，考虑了保单基本信息、投被保人信息和代理人信息。算法也同样采用逻辑回归进行模型训练。与风险评分模型不同，体检模型分别根据两年内出险和拒保/延期作为风险定义建立了两个模型进行评估，最后根据实际运行情况优先选择效果更优的模型。

风险模型利用数据和机器学习算法提高了不实告知识别概率并实现一定程度的线上自动识别，但是在实际中有诸多缺点：

准确度低：仅利用保险公司内部的保单、投被保人、代理人等信息建立模型，这些信息仅能刻画被保人的风险画像，缺少疾病粒度的特征，实际准确度往往不到30％；

可解释性差：在实际保险实务中，一旦被认定为高风险被保人，保险公司可能对应下发体检或调查，甚至直接拒保，这些操作势必影响销售，引发销售部门或客户疑议。然而基于模型认为被保人与历史上不实告知案例在画像上相似的解释说服力不足；

识别精度低：风险模型仅能判断被保人是否高风险，无法在疾病或健康粒度判断，保险核保员难以决定通过何种方法进一步验证具体疾病风险；

依赖保险数据质量：由于风险模型根据保险公司内部的保单、投被保人信息建立，这些信息可能来由投保人或代理人自行填写，由于填写过程并不能很好控制质量，或者为了掩盖不实告知，可能刻意不实填写。这种基于低可信数据建立的模型可能存在重大的误差；

容易受核保能力干扰：风险模型(尤其是以核保拒保作为判定标准)基于历史已明确的风险被保人作为模型训练观察对象，然而实际中仍有大量的风险客户由于缺少有效手段未被有效识别。不同公司或核保员的核保能力高低不一，识别风险的比例也不同。当大量未被识别的风险客户误认为无风险时，他们的画像特征也纳入到了无风险类别中。而随着核保能力越低，误差越大，越多被保人被误认为无风险，又进一步降低识别率，导致进入恶性循环的状况；

受客户群分布影响大：由于保险公司产品和不同阶段的销售策略差异，客户群的分布特征会不停变化，比如本来面向一线城市的保险公司，开始主攻乡镇市场。基于一线城市客户构建的风险模型，很可能不适用于乡镇客户群。所以一旦客户群发生改变，就会大大影响风险模型的有效性，导致模型效果快速衰退。

基于以上现有技术中的缺陷，本申请提出了一种基于疾病风险模型的保险用户评估方法，具体的来说，这是一种实现疾病粒度的不实告知风险识别方法；该基于疾病风险模型的保险用户评估方法不受保险公司客户分布、核保能力、历史保单数据质量的影响，能够提高可解释性，能够提供保险实务的操作建议，还能够能够快速实时反馈，不影响客户体验。

图1是根据一示例性实施例示出的一种基于疾病风险模型的保险用户评估方法的流程图。基于疾病风险模型的保险用户评估方法10至少包括步骤S102至S108。

如图1所示，在S102中，通过至少一个数据源获取用户的医疗数据。包括：通过所述多个数据源获取用户的数据；以及根据预定映射规则通过所述数据筛选生成所述医疗数据。

用于风险评估的数据主要指所有被保人授权、并可用于评估被保人疾病风险的数据，其来源通常包括但不止于客户投保或理赔时填写或提交的保单信息、历史理赔记录、体检报告和病例资料等。

数据字段需要根据疾病风险评估所依赖的风险特征进行确定，并且需要充分考虑数据的可信度和客观性。比如通常认为客户或代理人手工录入的信息可信度较低，专业医生、核保或理赔员填写的疾病、核保或理赔结论可信度高但可能准确度会受到个人专业能力影响，精密医学检查或检验的结果相对比较客观和准确，所以除了数据字段定义外、数据来源和原始数据采集方式也是非常重要的信息。

授权要求数据使用前已授权风险评估机构采集及使用其个人信息用于不实告知风险评估。由于数据只用于疾病风险评估，所以不包含个人隐私信息，比如姓名、身份证号、联系方式，在整个使用过程中应充分对个人信息进行脱敏和安全保护。

其中，字段映射指把属于同类医学内容映射到一个标准的字段中。例如将来源于不同数据源的诊断结果(如住院诊断、门诊诊断、手术诊断、理赔诊断等)都属于疾病诊断，可以统一映射到诊断的字段中。经过字段映射之后获取医疗数据。

在S104中，对所述医疗数据进行数据处理生成特征数据。包括：对所述医疗数据进行自然语言结构化处理，生成结构化数据；对所述结构化数据进行归一化处理，生成归一化数据；以及对所述归一化数据进行特征处理，生成所述特征数据。

其中，数据处理主要是根据疾病风险评估要求的数据使用标准要求，结合医学相关专业知识对输入数据结构化、归一化、特征计算等数据处理。

其中，结构化处理指从医学文本或医学影像件中，利用自然语言结构化技术提取出疾病风险评估所需信息的处理过程，比如从住院病历的既往史中提取既往疾病信息，通过提取的信息生成结构化数据。

其中，归一化处理指将结构化数据中的信息转化成标准的格式和单位，比如同样是诊断名称二型糖尿病，不同的来源写法不同(可能是2型糖尿病、糖尿病II等)，统一归类成相同的名称或编码，归一化处理之后获得归一化数据。

其中，特征处理是指特征计算的过程，特征计算是指根据疾病评估要求把源数据计算成可用于评估算法输入的特征变量，比如原始字段为诊断名称，但是评估算法要求输入为是否糖尿病，需要对诊断内容进行逻辑判断的计算，经过特征处理后生成特征数据。

在本申请中，数据处理方法不仅限于上述的步骤，只要是能够通过数据处理把源数据内容转化为可直接用于疾病风险计算的变量的数据处理方法均可使用。

在S106中，将所述特征数据输入至少一个疾病风险模型中以获取疾病风险数据。疾病风险模型是指评估被保人在投保时的疾病风险的数学模型。评估疾病风险的疾病粒度可以是一个疾病***大类，也可能是一个具体的疾病亚型，具体由不同险种需求确定。疾病风险模型可以是基于医疗大数据或随诊数据建立的疾病风险评估模型，或者根据权威诊疗指南精标准的专家规则。评估的结果以风险评分方式给出，并根据不同评估方法的精准度给出准确度。其中，疾病风险数据包括：疾病名称、风险评分、准确度、以及时效性。

在一个实施例中，将特征数据分别输入不同的疾病风险模型中，得到该用户对于不同疾病的患病可能的疾病风险数据。特征数据可例如输入***中已有的所有的疾病风险模型中，还可例如，在输入之前，通过对特殊数据的初步判断，例如，对某些参数的判断，以确定将特征数据输入到部分疾病风险模型中，达到提高模型计算效率的目的。

在S108中，根据所述疾病风险数据确定所述用户的风险标签。根据疾病风险程度，结合已有的保险业务数据，利用事先商定的核保风险标签评估规则或算法和对应的实务操作规则，给出核保风险标签和操作建议结论。

在一个实施例中，还包括：根据所述疾病风险数据确定所述用户的保险费用。可例如，根据被保人风险标签的疾病风险数据，确定该被保人的保费需要上调还是下降。

根据本公开的基于疾病风险模型的保险用户评估方法，通过将不同来源的数据进行数据处理，并将所述数据输入疾病风险模型中，通过疾病风险评分进而进行确定所述用户的风险标签的方式，能够在保险核验端快速、准确识别具有风险的用户保单，辅助进行精准核保定价。

应清楚地理解，本公开描述了如何形成和使用特定示例，但本公开的原理不限于这些示例的任何细节。相反，基于本公开公开的内容的教导，这些原理能够应用于许多其它实施例。

图2是根据另一示例性实施例示出的一种基于疾病风险模型的保险用户评估方法的流程图。图2所示的流程是对图1所示的流程中S106“将所述特征数据输入至少一个疾病风险模型中以获取疾病风险数据”中，疾病风险模型建立过程的详细描述。

如图2所示，在S202中，获取历史医疗数据。其中，历史医疗数据可以来源于历史上所有被保人授权、并可用于评估被保人疾病风险的数据，其来源通常包括但不止于历史数据中客户投保或理赔时填写或提交的保单信息、历史理赔记录、体检报告和病例资料等。

在S204中，按照疾病特征将所述历史医疗数据进行分类。可例如，按照不同的疾病特征将历史数据分成不同的类别，疾病的特征可例如根据保险公司的相关参考文件建立，还可例如通过医学数据或者临床数据进行分类，本申请不以此为限。

在一个实施例中，设计开发疾病评估模型时，需要分疾病进行，不同的疾病风险评估方法参考的特征不同，所以每个疾病风险评估方法的输入不同。

在一个实施例中，评估疾病风险的疾病评估模型中疾病粒度可以是一个疾病***大类，也可能是一个具体的疾病亚型，具体由不同险种需求确定。

在一个实施例中，评估被保人在投保时的风险，数据源的发生时间可能来自于历史病例，也可能是投保后的出险或就诊病例，由于原始数据发生时间和投保时间差异，需要考虑这个差异的时效性；

在一个实施例中，不同的疾病风险评估方法参考的特征不同，所以每个疾病风险评估方法的输入不同；疾病风险评估的输出结果包括：疾病名、疾病风险评分、疾病评估准确度、疾病评估时效性。

在S206中，对每一类所述历史医疗数据分别建立所述疾病风险模型。对每一类数据，可例如分别通过机器学习算法建立疾病风险模型。

其中，机器学习(Machine Learning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

根据算法的功能和形式的类似性，机器学习算法可例如有回归算法、正则化方法、基于实例的算法、决策树算法、贝叶斯方法、基于核的算法、聚类算法、人工神经网络算法等等。本申请中的机器学习算法可例如包括以上算法中的一类或者几种相结合，本申请不限于此。

在一个实施例中，评估疾病风险的疾病评估模型可以是基于医疗大数据或随诊数据建立的疾病风险评估模型，或者根据权威诊疗指南精标准的专家规则。评估的结果以风险评分方式给出，并根据不同评估方法的精准度给出准确度。

根据本公开的保险审核方法，通过建立疾病风险模型，对被保人进行风险评估的方式，能够针对被保人的医疗健康方面的数据评估其投保当时或既往患有疾病风险，再根据疾病风险程度和风险时间采取对应的核保措施。

图3是根据另一示例性实施例示出的一种基于疾病风险模型的保险用户评估方法的示意图。图3示例性的描述了基于疾病风险模型的保险用户评估方法全过程。

如图3所示，数据源及授权用于风险评估的数据主要指所有被保人授权、并可用于评估被保人疾病风险的数据，其来源通常包括但不止于客户投保或理赔时填写或提交的保单信息、历史理赔记录、体检报告和病例资料等。

健康数据预处理用于根据疾病风险评估要求的数据使用标准要求，结合医学相关专业知识对输入数据进行字段映射、结构化、归一化、特征计算等数据处理。

疾病风险评估用于将医疗健康特征变量输入到疾病风险模型中评估被保人在投保时的疾病风险。

核保风险评级与操作建议用于根据疾病风险程度，结合已有的保险业务数据，利用事先商定的核保风险标签评估规则或算法和对应的实务操作规则，给出核保风险标签和操作建议结论。

根据本公开的基于疾病风险模型的保险用户评估方法，能够有效识别不实告知客户，避免额外的赔付损失和人力成本；能够给出疾病粒度的不实告知风险，有助于核保部门更加精准地核实和评估该客户的风险，并给出对应的核保实务操作；

根据本公开的基于疾病风险模型的保险用户评估方法，整个过程自动化完成，可以快速反馈客户，不会阻断线上投保流程，避免由于人工审核流程过长导致诚信、高质量客户流失；而且该方法的规则相对客观、标准和统一，不会受到核保员人为判断能力、客户恶意告知的影响。

值得一提的是，本公开的基于疾病风险模型的保险用户评估方法除了在承保前核保阶段进行风险识别外，也可以在承保后、理赔阶段采用该方法进行不实告知风险识别；

本公开的基于疾病风险模型的保险用户评估方法，除了疾病风险评估、核保风险评级及操作规则分别执行外，也可以合为一个规则树或模型一次性执行；

本公开的基于疾病风险模型的保险用户评估方法，除了用于不实告知识别外，也可以用于逆选择识别和次标体客户的精准核保定价

本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时，执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。

此外，需要注意的是，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图4是根据一示例性实施例示出的一种保险用户评估装置的框图。保险用户评估装置40包括：数据模块402，处理模块404，评分模块406，以及结果模块408。

数据模块402用于通过多个数据源获取用户的医疗数据。包括：通过所述多个数据源获取用户的数据；以及根据预定映射规则通过所述数据筛选生成所述医疗数据。

处理模块404用于对所述医疗数据进行数据处理生成特征数据。包括：对所述医疗数据进行自然语言结构化处理，生成结构化数据；对所述结构化数据进行归一化处理，生成归一化数据；以及对所述归一化数据进行特征处理，生成所述特征数据。

评分模块406用于将所述特征数据输入至少一个疾病风险模型中以获取疾病风险数据。疾病风险模型是指评估被保人在投保时的疾病风险的数学模型。评估疾病风险的疾病粒度可以是一个疾病***大类，也可能是一个具体的疾病亚型，具体由不同险种需求确定。疾病风险模型可以是基于医疗大数据或随诊数据建立的疾病风险评估模型，或者根据权威诊疗指南精标准的专家规则。评估的结果以风险评分方式给出，并根据不同评估方法的精准度给出准确度。

结果模块408用于根据所述疾病风险数据确定所述用户的风险标签。还可用于根据所述疾病风险数据确定所述用户的保险费用。其中，疾病风险数据包括：疾病名称、风险评分、准确度、以及时效性。

根据本公开的保险用户评估装置，通过将不同来源的数据进行数据处理，并将所述数据输入疾病风险模型中，通过疾病风险评分进而进行确定所述用户的风险标签的方式，能够在保险核验端快速、准确识别具有风险的用户保单，辅助进行精准核保定价。

图5是根据一示例性实施例示出的一种电子设备的框图。

下面参照图5来描述根据本公开的这种实施方式的电子设备200。图5显示的电子设备200仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图5所示，电子设备200以通用计算设备的形式表现。电子设备200的组件可以包括但不限于：至少一个处理单元210、至少一个存储单元220、连接不同***组件(包括存储单元220和处理单元210)的总线230、显示单元240等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元210执行，使得所述处理单元210执行本说明书上述电子处方流转处理方法部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元210可以执行如图1，图2中所示的步骤。

所述存储单元220可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)2201和/或高速缓存存储单元2202，还可以进一步包括只读存储单元(ROM)2203。

所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204，这样的程序模块2205包括但不限于：操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线230可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备200也可以与一个或多个外部设备300(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备200交互的设备通信，和/或与使得该电子设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口250进行。并且，电子设备200还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器260可以通过总线230与电子设备200的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备200使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。

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，根据本公开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、或者网络设备等)执行根据本公开实施方式的上述方法。

图6示意性示出本公开示例性实施例中一种计算机可读存储介质示意图。

参考图6所示，描述了根据本公开的实施方式的用于实现上述方法的程序产品400，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，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。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。

所述计算机可读存储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，其中承载了可读程序代码。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。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。可读存储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、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

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设备执行时，使得该计算机可读介质实现如下功能：通过多个数据源获取用户的医疗数据；对所述医疗数据进行数据处理生成特征数据；将所述特征数据输入至少一个疾病风险模型中以获取疾病风险数据；以及根据所述疾病风险数据确定所述用户的风险标签。

本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。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。

通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例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、移动终端、或者网络设备等)执行根据本公开实施例的方法。

以上具体地示出和描述了本公开的示例性实施例。应可理解的是，本公开不限于这里描述的详细结构、设置方式或实现方法；相反，本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。

此外，本说明书说明书附图所示出的结构、比例、大小等，均仅用以配合说明书所公开的内容，以供本领域技术人员了解与阅读，并非用以限定本公开可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本公开所能产生的技术效果及所能实现的目的下，均应仍落在本公开所公开的技术内容得能涵盖的范围内。同时，本说明书中所引用的如“上”、“第一”、“第二”及“一”等的用语，也仅为便于叙述的明了，而非用以限定本公开可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当也视为本公开可实施的范畴。

Claims (10)

1.一种基于疾病风险模型的保险用户评估方法，其特征在于，包括：

通过至少一个数据源获取用户的医疗数据；

对医疗数据进行数据处理生成特征数据；

将所述特征数据输入至少一个疾病风险模型中以获取疾病风险数据；以及

根据所述疾病风险数据确定所述用户的风险标签。

2.如权利要求1所述的方法，其特征在于，还包括：

通过历史医疗数据与机器学习算法建立疾病风险模型模型。

3.如权利要求1所述的方法，其特征在于，所述通过历史医疗数据与机器学习算法建立疾病风险模型模型包括：

按照疾病特征将所述历史医疗数据进行分类；以及

每一类所述历史医疗数据分别通过所述机器学习算法建立所述疾病风险模型。

4.如权利要求1所述的方法，其特征在于，所述所述机器学习算法包括以下算法中的一种或多种：

回归算法、正则化方法、基于实例的算法、决策树算法、贝叶斯方法、基于核的算法、聚类算法、人工神经网络算法。

5.如权利要求1所述的方法，其特征在于，通过多个数据源获取用户的医疗数据包括：

通过所述多个数据源获取用户的数据；以及

根据预定映射规则通过所述数据筛选生成所述医疗数据。

6.如权利要求1所述的方法，其特征在于，对所述医疗数据进行数据处理生成特征数据包括：

对所述医疗数据进行自然语言结构化处理，生成结构化数据；

对所述结构化数据进行归一化处理，生成归一化数据；以及

对所述归一化数据进行特征处理，生成所述特征数据。

7.如权利要求1所述的方法，其特征在于，疾病风险数据包括：

疾病名称、风险评分、准确度、以及时效性。

8.一种保险用户评估装置，其特征在于，包括：

数据模块，用于通过至少一个数据源获取用户的医疗数据；

处理模块，用于对所述医疗数据进行数据处理生成特征数据；

评分模块，用于将所述特征数据输入至少一个疾病风险模型中以获取疾病风险数据；以及

结果模块，用于根据所述疾病风险数据确定所述用户的风险标签。

9.一种电子设备，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，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

10.一种计算机可读介质，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1-7中任一所述的方法。

Images