CN112017064A - 适用于辅助生殖保险的投保建议评估方法及装置 - Google Patents
适用于辅助生殖保险的投保建议评估方法及装置 Download PDFInfo
- Publication number
- CN112017064A CN112017064A CN202010872951.3A CN202010872951A CN112017064A CN 112017064 A CN112017064 A CN 112017064A CN 202010872951 A CN202010872951 A CN 202010872951A CN 112017064 A CN112017064 A CN 112017064A
- Authority
- CN
- China
- Prior art keywords
- insurance
- training
- prediction model
- index data
- preset
- 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
- 230000001850 reproductive effect Effects 0.000 title claims abstract description 36
- 238000011156 evaluation Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 65
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 230000035935 pregnancy Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 238000002790 cross-validation Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000005314 correlation function Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000007477 logistic regression Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000012502 risk assessment Methods 0.000 abstract description 5
- 230000036541 health Effects 0.000 abstract description 4
- 238000012797 qualification Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 230000036512 infertility Effects 0.000 description 5
- 208000000509 infertility Diseases 0.000 description 5
- 231100000535 infertility Toxicity 0.000 description 5
- 238000012795 verification Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 208000035752 Live birth Diseases 0.000 description 2
- 206010000210 abortion Diseases 0.000 description 2
- 231100000176 abortion Toxicity 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 210000002257 embryonic structure Anatomy 0.000 description 2
- 229940088597 hormone Drugs 0.000 description 2
- 239000005556 hormone Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000009612 semen analysis Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002611 ovarian Effects 0.000 description 1
- 210000001672 ovary Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Optimization (AREA)
- Quality & Reliability (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Analysis (AREA)
- Tourism & Hospitality (AREA)
- Computational Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Educational Administration (AREA)
- Algebra (AREA)
- Technology Law (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供一种适用于辅助生殖保险的投保建议评估方法及装置，包括：接收生殖保险承保的申请人输入的指标数据，所述指标数据包括体检结果信息以及生理特征信息中的任意一种或多种；基于预设的预测模型对所述指标数据进行处理，生成投保建议结果，其中所述预测模型预先训练生成。本发明提供的技术方案，能准确快速的确认客户的投保资格，为辅助生殖保险承保提供风险评估，使得保险公司的定价更准确，为保险决策支持和风险管理提供了改进的风险分类，从而为投保人提供高品质健康管理及保障服务。
Description
技术领域
本发明涉及人工智能技术，尤其涉及一种适用于辅助生殖保险的投保建议评估方法及装置。
背景技术
现有的辅助生殖保险通过与特定辅助生殖医疗中心合作，然后通过生殖医疗中心对辅助生殖保险的的整体风险属性进行评估，来决定是否为个体投保人提供保障。在特定辅助生殖医疗中心进行评估前，保险公司不能及时准确识别个体投保人的风险属性，从而无法提供定价优势，也无法与更多的医疗机构展开合作以及为更多辅助生殖患者提供保障服务。
发明内容
本发明实施例提供一种适用于辅助生殖保险的投保建议评估方法及装置，能准确快速的确认客户的投保资格，为辅助生殖保险承保提供风险评估，使得保险公司的定价更准确，为保险决策支持和风险管理提供了改进的风险分类，从而为投保人提供高品质健康管理及保障服务。
本发明实施例的第一方面，提供一种适用于辅助生殖保险的投保建议评估方法，包括：
接收生殖保险承保的申请人输入的指标数据，所述指标数据包括体检结果信息以及生理特征信息中的任意一种或多种；
基于预设的预测模型对所述指标数据进行处理，生成投保建议结果，其中所述预测模型预先训练生成。
可选地，在第一方面的一种可能实现方式中，所述基于预设的预测模型对所述指标数据进行处理，生成投保建议结果，其中所述预测模型预先训练生成包括：
获取数据库中预设数量的样本作为训练样本集；
基于预设算法，以每对夫妇做辅助生殖而怀孕的次数为预测目标、对训练样本集清理后的原始变量或衍生变量作为训练特征集，得到预测目标和训练特征集的关联函数；
对所述预测目标和训练特征集的关联函数优化得到终参数集。
可选地，在第一方面的一种可能实现方式中，所述预测模型基于分层随机抽样方法预先训练生成。
可选地，在第一方面的一种可能实现方式中，基于K倍交叉验证的网格搜索确定预测模型的最优超参数，获取平均准确度最大化的超参数集；
将所述预测模型分别与整个训练数据集拟合。
可选地，在第一方面的一种可能实现方式中，所述预设算法为逻辑回归算法、随机森林算法以及catboost算法中的任意一种或多种。
本发明实施例的第二方面，提供一种适用于辅助生殖保险的投保建议评估装置，包括：
申请人数据接收模块，用于接收生殖保险承保的申请人输入的指标数据，所述指标数据包括体检结果信息以及生理特征信息中的任意一种或多种；
投保建议结果生成模块，用于基于预设的预测模型对所述指标数据进行处理，生成投保建议结果，其中所述预测模型预先训练生成。
可选地，在第二方面的一种可能实现方式中，所述基于预设的预测模型对所述指标数据进行处理，生成投保建议结果，其中所述预测模型预先训练生成包括：
获取数据库中预设数量的样本作为训练样本集；
基于预设算法，以每对夫妇做辅助生殖而怀孕的次数为预测目标、对训练样本集清理后的原始变量或衍生变量作为训练特征集，得到预测目标和训练特征集的关联函数；
对所述预测目标和训练特征集的关联函数优化得到终参数集。
可选地，在第二方面的一种可能实现方式中，所述预测模型基于分层随机抽样方法预先训练生成。
可选地，在第二方面的一种可能实现方式中，基于K倍交叉验证的网格搜索确定预测模型的最优超参数，获取平均准确度最大化的超参数集；
将所述预测模型分别与整个训练数据集拟合。
本发明实施例的第三面，提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现本发明第一方面及第一方面各种可能设计的所述方法。
本发明提供的一种适用于辅助生殖保险的投保建议评估方法及装置，以医疗健康数据为依据，所开发的人工智能算法为核心的智能核保引擎，是目前辅助生殖保险的首例开发应用，智能核保引擎通过预测模型进行投保建议评估。
本发明能准确快速的确认客户的投保资格，为辅助生殖保险承保提供风险评估，使得保险公司的定价更准确，为保险决策支持和风险管理提供了改进的风险分类，从而为投保人提供高品质健康管理及保障服务。本核保引擎，基于个人风险属性进行筛选，申请承保流程高效快速，能广泛于各类辅助生殖机构开展业务，从而为更多患者提供高质量、持续稳定的保障金融服务。。
附图说明
图1为适用于辅助生殖保险的投保建议评估方法的第一种实施方式的流程图；
图2为适用于辅助生殖保险的投保建议评估方法的第二种实施方式的流程图；
图3为辅助生殖保险的风险评估的流程图；。
图4为适用于辅助生殖保险的投保建议评估装置的结构图；
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解，在本发明的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
应当理解，在本发明中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本发明中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含，“包含A、B或C”是指包含A、B、C三者之一，“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解，在本发明中，“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”，表示B与A相关联，根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。A与B的匹配，是A与B的相似度大于或等于预设的阈值。
取决于语境，如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
本发明提供一种适用于辅助生殖保险的投保建议评估方法，如图1所示其流程图，包括：
S10、接收生殖保险承保的申请人输入的指标数据，所述指标数据包括体检结果信息以及生理特征信息中的任意一种或多种。其中体检结果信息以及生理特征信息分别包括年龄、卵巢储备(AMH，AFC，FSH等)、体重指数BMI、激素六项、***分析、***持续时间、以前的活产、以前的流产和***类型等等。
S20、基于预设的预测模型对所述指标数据进行处理，生成投保建议结果，其中所述预测模型预先训练生成。
在一个实施例中，如图2所示，基于预设的预测模型对所述指标数据进行处理，生成投保建议结果，其中所述预测模型预先训练生成包括：
S201、获取数据库中预设数量的样本作为训练样本集；
S202、基于预设算法，以每对夫妇做辅助生殖而怀孕的次数为预测目标、对训练样本集清理后的原始变量或衍生变量作为训练特征集，得到预测目标和训练特征集的关联函数；
S203、对所述预测目标和训练特征集的关联函数优化得到终参数集。
在上述步骤中，数据处理后，随机选择70％的数据集作为训练集以建立预测模型，其余的30％用于验证。采用多种监督机器学习算法来构建预测模型/需补充模型的主要构成，以方便后续逻辑回归和分层随机抽样的引用逻辑回归、随机森林以及catboost。上述三种算法虽然各有优劣，但都拥有可解释属性，可以在完全理解算法的情况下重复(“可仿真性”)计算过程，(“算法透明性”)模型的每个部分都有一个直观的解释。预测模型以每对夫妇需要做几次辅助生殖周期才会怀孕为预测目标，清理后的原始变量或衍生变量作为训练特征集，挖掘训练特征之间的相互作用关系，通过优化目标函数得到最终参数集。
进一步的，所述预测模型基于分层随机抽样方法预先训练生成。
进一步的，基于K倍交叉验证的网格搜索确定预测模型的最优超参数，获取平均准确度最大化的超参数集；
将所述预测模型分别与整个训练数据集拟合。
预测模型的训练过程采用分层随机抽样方法，以确保训练集和验证集中活产和无活产病例的比例与原始数据集相同。由K倍交叉验证的网格搜索选择算法最优超参数，最后得出平均准确度最大化的超参数集，并将模型分别与整个训练数据集拟合。最终本发明评估了接收器工作特性(ROC)曲线选择最终模型。
由于本发明用于进入周期前的辅助生殖保险的风险评估，如图3所示，因此本发明只能使用在开始IVF程序之前获得的临床数据。
本发明基于大量健康生理和临床数据来训练开发人工智能算法，并用训练数据之外的保留数据对算法进行验证。在申请人提供一些体检结果和生理特征的情况下，对辅助生殖保险申请人的风险属性进行评估。通过识别保险承保的不利事件，并加快申请和承保过程，为保险公司在保险咨询，申请流程，承保流程和风险管理领域提供有效解决方案，使其为客户提供高质量和负担得起的辅助生殖保障和健康管理服务。
在模型训练的最初数据中，使用了负责监管英国的生育治疗的人类受精和胚胎学管理局(HFEA)记录的超过100,000对夫妇的匿名数据。匿名数据是将病人身份信息隐去后，包括了大部分自1991年以来的登记数据。无识别码的匿名数据通过分级化或隐藏部分信息来保护患者隐私。使用匿名数据的科学研究仍然可以回答重要的疑问。诸如哪些因素(患者，治法类型，所使用技术)可以影响治疗结果，或者那些指标提示患者在治疗中仅需植入一到两个胚胎即可。这些信息涵盖自1991年1月1日至2009年三月31日期间的周期。这个数据集包含约90多个变量。并非所有变量都对活产婴儿具有显着的预测效果。在生殖医疗专家的指导下，本发明重新对数据进行清理纠错并明确定义，标准化变量，使得重现候选预测变量。
并且，剔除原数据中自相矛盾数据点例如没有过往怀孕生育史，却在后期使用了自己的冷冻胚；使用原始变量来产生衍生变量例如体重身高来计算体重指数BMI，并对其进行分类标签；对***不育病病因，生殖医疗专家加以归类及打分等等。
在上述初次训练及验证的过程中通过评估参数特征对最终预测结果的重要性，提取了多个男女双方进入辅助生殖周前的相关变量，例如年龄，卵巢储备(AMH，AFC，FSH等)，体重指数BMI，激素六项，***分析，***持续时间，以前的活产，以前的流产和***类型等申请人成功怀孕需要做几个IVF周期进行预测。结合预测结果并通过回顾性分析做特征重要性排名找出申请人的最相关特征来最终评估辅助生殖保险申请人的风险属性：极高风险，高风险，中度风险，中低风险以及低风险。/需要添加风险属性的分类名称/
在确定辅助生殖保险的风险评估的最终预测之后，在整个训练数据进行最终拟合得出最终的初代核保引擎。并且参与国内辅助生殖“好孕险”保险业务，使用多个生殖医疗中心的数据进行验证以及迭代。
本发明实施例的第二方面，提供一种适用于辅助生殖保险的投保建议评估装置，如图4所示，包括：
申请人数据接收模块，用于接收生殖保险承保的申请人输入的指标数据，所述指标数据包括体检结果信息以及生理特征信息中的任意一种或多种；
投保建议结果生成模块，用于基于预设的预测模型对所述指标数据进行处理，生成投保建议结果，其中所述预测模型预先训练生成。
进一步的，所述基于预设的预测模型对所述指标数据进行处理，生成投保建议结果，其中所述预测模型预先训练生成包括：
获取数据库中预设数量的样本作为训练样本集；
基于预设算法，以每对夫妇做辅助生殖而怀孕的次数为预测目标、对训练样本集清理后的原始变量或衍生变量作为训练特征集，得到预测目标和训练特征集的关联函数；
对所述预测目标和训练特征集的关联函数优化得到终参数集。
进一步的，所述预测模型基于分层随机抽样方法预先训练生成。
进一步的，基于K倍交叉验证的网格搜索确定预测模型的最优超参数，获取平均准确度最大化的超参数集；
将所述预测模型分别与整个训练数据集拟合。
其中，可读存储介质可以是计算机存储介质，也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如，可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(ApplicationSpecific Integrated Circuits，简称：ASIC)中。另外，该ASIC可以位于用户设备中。当然，处理器和可读存储介质也可以作为分立组件存在于通信设备中。可读存储介质可以是只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本发明还提供一种程序产品，该程序产品包括执行指令，该执行指令存储在可读存储介质中。设备的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。
在上述终端或者服务器的实施例中，应理解，处理器可以是中央处理单元(英文：Central Processing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，简称：DSP)、专用集成电路(英文：Application SpecificIntegrated Circuit，简称：ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种适用于辅助生殖保险的投保建议评估方法，其特征在于，包括：
接收生殖保险承保的申请人输入的指标数据，所述指标数据包括体检结果信息以及生理特征信息中的任意一种或多种；
基于预设的预测模型对所述指标数据进行处理，生成投保建议结果，其中所述预测模型预先训练生成。
2.根据权利要求1所述的投保建议评估方法，其特征在于，
所述基于预设的预测模型对所述指标数据进行处理，生成投保建议结果，其中所述预测模型预先训练生成包括：
获取数据库中预设数量的样本作为训练样本集；
基于预设算法，以每对夫妇做辅助生殖而怀孕的次数为预测目标、对训练样本集清理后的原始变量或衍生变量作为训练特征集，得到预测目标和训练特征集的关联函数；
对所述预测目标和训练特征集的关联函数优化得到终参数集。
3.根据权利要求2所述的投保建议评估方法，其特征在于，
所述预测模型基于分层随机抽样方法预先训练生成。
4.根据权利要求3所述的投保建议评估方法，其特征在于，
基于K倍交叉验证的网格搜索确定预测模型的最优超参数，获取平均准确度最大化的超参数集；
将所述预测模型分别与整个训练数据集拟合。
5.根据权利要求2所述的投保建议评估方法，其特征在于，
所述预设算法为逻辑回归算法、随机森林算法以及catboost算法中的任意一种或多种。
6.一种适用于辅助生殖保险的投保建议评估装置，其特征在于，包括：
申请人数据接收模块，用于接收生殖保险承保的申请人输入的指标数据，所述指标数据包括体检结果信息以及生理特征信息中的任意一种或多种；
投保建议结果生成模块，用于基于预设的预测模型对所述指标数据进行处理，生成投保建议结果，其中所述预测模型预先训练生成。
7.根据权利要求6所述的投保建议评估装置，其特征在于，
所述基于预设的预测模型对所述指标数据进行处理，生成投保建议结果，其中所述预测模型预先训练生成包括：
获取数据库中预设数量的样本作为训练样本集；
基于预设算法，以每对夫妇做辅助生殖而怀孕的次数为预测目标、对训练样本集清理后的原始变量或衍生变量作为训练特征集，得到预测目标和训练特征集的关联函数；
对所述预测目标和训练特征集的关联函数优化得到终参数集。
8.根据权利要求7所述的投保建议评估装置，其特征在于，
所述预测模型基于分层随机抽样方法预先训练生成。
9.根据权利要求8所述的投保建议评估装置，其特征在于，
基于K倍交叉验证的网格搜索确定预测模型的最优超参数，获取平均准确度最大化的超参数集；
将所述预测模型分别与整个训练数据集拟合。
10.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现权利要求1至5中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010872951.3A CN112017064A (zh) | 2020-08-26 | 2020-08-26 | 适用于辅助生殖保险的投保建议评估方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010872951.3A CN112017064A (zh) | 2020-08-26 | 2020-08-26 | 适用于辅助生殖保险的投保建议评估方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112017064A true CN112017064A (zh) | 2020-12-01 |
Family
ID=73503500
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010872951.3A Pending CN112017064A (zh) | 2020-08-26 | 2020-08-26 | 适用于辅助生殖保险的投保建议评估方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112017064A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN108257026A (zh) * | 2017-05-08 | 2018-07-06 | 平安科技（深圳）有限公司 | 处理投保单的方法及装置 |
| CN109410071A (zh) * | 2018-09-17 | 2019-03-01 | 平安科技（深圳）有限公司 | 核保数据处理方法、装置、计算机设备和存储介质 |
| CN109523412A (zh) * | 2018-11-14 | 2019-03-26 | 平安科技（深圳）有限公司 | 智能核保方法、装置、计算机设备及计算机可读存储介质 |
| CN109559243A (zh) * | 2018-12-13 | 2019-04-02 | 泰康保险集团股份有限公司 | 保险核保方法、装置、介质及电子设备 |
| CN111222994A (zh) * | 2018-11-23 | 2020-06-02 | 泰康保险集团股份有限公司 | 客户风险评估方法、装置、介质和电子设备 |
| CN111260243A (zh) * | 2020-02-10 | 2020-06-09 | 京东数字科技控股有限公司 | 风险评估方法、装置、设备及计算机可读存储介质 |
-
2020
- 2020-08-26 CN CN202010872951.3A patent/CN112017064A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108257026A (zh) * | 2017-05-08 | 2018-07-06 | 平安科技（深圳）有限公司 | 处理投保单的方法及装置 |
| 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 |
| CN109410071A (zh) * | 2018-09-17 | 2019-03-01 | 平安科技（深圳）有限公司 | 核保数据处理方法、装置、计算机设备和存储介质 |
| CN109523412A (zh) * | 2018-11-14 | 2019-03-26 | 平安科技（深圳）有限公司 | 智能核保方法、装置、计算机设备及计算机可读存储介质 |
| CN111222994A (zh) * | 2018-11-23 | 2020-06-02 | 泰康保险集团股份有限公司 | 客户风险评估方法、装置、介质和电子设备 |
| CN109559243A (zh) * | 2018-12-13 | 2019-04-02 | 泰康保险集团股份有限公司 | 保险核保方法、装置、介质及电子设备 |
| CN111260243A (zh) * | 2020-02-10 | 2020-06-09 | 京东数字科技控股有限公司 | 风险评估方法、装置、设备及计算机可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109447183B (zh) | 预测模型训练方法、装置、设备以及介质 | |
| KR102153920B1 (ko) | 정제된 인공지능 강화학습 데이터 생성을 통한 의료영상 판독 시스템 및 그 방법 | |
| US7389277B2 (en) | Machine learning systems and methods | |
| JP2022031730A (ja) | 確率分布をモデル化するためのシステムおよび方法 | |
| US7917377B2 (en) | Patient data mining for automated compliance | |
| JP2023162235A (ja) | 画像および専門知識から皮膚症状を収集し特定するシステム | |
| WO2021179630A1 (zh) | 一种并发症风险预测***、方法、装置、设备及介质 | |
| CN111144658B (zh) | 医疗风险预测方法、装置、***、存储介质与电子设备 | |
| CN116386869B (zh) | 一种基于多变量的病情危重程度评估方法 | |
| CN115050442B (zh) | 基于挖掘聚类算法的病种数据上报方法、装置及存储介质 | |
| CN111415760B (zh) | 医生推荐方法、***、计算机设备及存储介质 | |
| CN113724858A (zh) | 基于人工智能的疾病检查项目推荐设备、方法及装置 | |
| EP4199002A1 (en) | A computer implemented method and a system | |
| CN114298314A (zh) | 一种基于电子病历的多粒度因果关系推理方法 | |
| CN111816318A (zh) | 一种心脏疾病数据队列生成方法和风险预测*** | |
| CN110473636B (zh) | 基于深度学习的智能医嘱推荐方法及*** | |
| CN116564539A (zh) | 基于信息抽取和实体归一的医学相似病例推荐方法和*** | |
| US20230060794A1 (en) | Diagnostic Tool | |
| CN110610766A (zh) | 基于症状特征权重推导疾病概率的装置和存储介质 | |
| AU2021102593A4 (en) | A Method for Detection of a Disease | |
| CN112017064A (zh) | 适用于辅助生殖保险的投保建议评估方法及装置 | |
| Selvan et al. | [Retracted] An Image Processing Approach for Detection of Prenatal Heart Disease | |
| CN114550930A (zh) | 疾病预测方法、装置、设备及存储介质 | |
| CN113537407A (zh) | 基于机器学习的图像数据评价处理方法及装置 | |
| Akhtar et al. | Effective voting ensemble of homogenous ensembling with multiple attribute-selection approaches for improved identification of thyroid disorder. Electron. 2021; 10 (23): 3026 |
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 |