CN112735549A - 一种基于医保数据的数据处理方法及数据处理*** - Google Patents

Abstract

本发明属于数据处理技术领域，公开了一种基于医保数据的数据处理方法及数据处理***，维护私有区块链；通过用于控制交换的机制有条件地传送诊疗数据来响应一方的请求，该数据是预先从医保计算机中收集的，例如医保、医疗公共服务***的第三方服务***中台。扩展特别地涉及了以下用途：提供补偿或酬劳和管理访问权和/或使用许可的机制；智能合约；用于拍卖或交易数据集的机制；医保电子和非医保电子的数据的管理；应用于共享和合并数据的学习技术；侧链管理；后量子加密。本发明采用区块链分布式账本对患者诊疗、医保相关数据要素进行记账，形成患者健康数字资产存储于相关业务的节点上，满足患者各种不同的功能需求。

Description

一种基于医保数据的数据处理方法及数据处理***

技术领域

本发明属于数据处理技术领域，尤其涉及一种基于医保数据的数据处理方法、***、存储介质。

背景技术

目前：分布式账本技术产生的算法是一种强大的、具有颠覆性的创新，它有机会变革公共与私营服务的实现方式，并通过广泛的应用场景去提高生产力。

分布式账本，从实质上说就是一个可以在多个站点、不同地理位置或者多个机构组成的网络里进行分享的资产数据库。在一个网络里的参与者可以获得一个唯一、真实账本的副本。账本里的任何改动都会在所有的副本中被反映出来，反应时间会在几分钟甚至是几秒内。在这个账本里存储的资产可以是金融、法律定义上的、实体的或是电子的资产。在这个账本里存储的资产的安全性和准确性是通过公私钥以及签名的使用去控制账本的访问权，从而实现密码学基础上的维护。根据网络中达成共识的规则，账本中的记录可以由一个、一些或者是所有参与者共同进行更新。

分布式账本技术有潜力帮助政府征税、发放福利、发行护照、登记土地所有权、保证货物供应链的运行，并从整体上确保政府记录和服务的正确性。在英国国民健康保险制度(NHS)里，这项技术通过改善和验证服务的送达以及根据精确的规则去安全地分享记录，有潜力改善医疗保健***。对这些服务的消费者来说，这项技术根据不同的情况，有潜力让消费者们去控制个人记录的访问权并知悉其他机构对其记录的访问情况。

这代表的是当前市场经营者引进区块链技术的有限颠覆性。从技术的角度来看，这是最容易达成的场景，因为如果有任何的市场架构改变，这都是能最快速实施的。从商业的角度来看，这给市场提供最少的节省成本，这可以被看作是进一步进化的垫脚石。

在既定行业的产业参与者之间的数据共享仍然是合作与竞争相混合的活动。出于排外的目的，共享数据的原因常常与建立私有语料库的愿望相冲突。基本上，独立于产业参与者的策略之外来提取有价值的数据，这对于积累大量数据依然是有利的(例如互相关、相关、学习等)。

如果适当地采用某些技术，特别是区块链或分布式账本，则可重新定义共享数据的活动，并且针对新的共享形式创造机会。

在复杂的医保生态***中，医保计算机产生大量数据，许多产业参与者(医疗机构、药店、医生和连锁药店公司、负责医保报销的机构等)可能会对数据感兴趣。相同的参与者也会产生大量数据，从而导致生成通常无法共享的数据孤岛。由于没有公共地利用这些数据，因此很可能错过许多机会。使用各种各样的方法可丰富数据，并且从孤岛中提取价值。

因为允许从数据中提取价值的算法需要大量的数据以确保精确和可靠，所以拥有少量服务器的第三方服务商对共享数据具有真正的兴趣。然而，与少数拥有足够的数据集来执行分析的机构相比，大多数第三方服务商都属于这一类别。在共享数据的同时，重要的是能够确保其批准的来源(真实性)和兼容的传输(完整性)。

通过上述分析，现有技术存在的问题及缺陷为：

在现有的医保数据的处理中，容易生成无法共享的数据孤岛，影响了数据的共享使用。

解决以上问题及缺陷的难度为：医疗大数据使用大量医学信息来寻找趋势或关联，而在较小的数据集中则无法发现这些趋势或关联。那么，为什么没有更广泛地利用大数据呢？来自患者个人数据的大量医学信息是否有可能被用来识别新的风险或治疗选择，然后可以在个人层面应用这些新的风险或治疗选择以改善结果？在大多数情况下，医疗***的数据存储比较复杂，代表私人深度信息的医疗记录受到专门保护，不能公开获取。广泛地说，主要的障碍存在于获取数据方面。为了改进将现有数据转换为新的医疗保健解决方案，需要解决许多方面的问题。这些包括(但不限于)异构数据集的收集和标准化、数据的管理、使用非识别数据的事先知情同意，以及能够将这些数据提供给医疗保健研究人员以供进一步使用。原始医保、诊疗数据的非一致性及数据格式的非标准化，是数据集合之间的收集及分享的障碍。

解决以上问题及缺陷的意义为：电子健康记录(EHR)本质上是一种巨大的资源，因为发达国家的大多数患者都在这种情况下接受治疗。每个人纵向收集的信息量惊人，包括实验室测试结果、诊断、文本和成像。数十年来，已经***地收集了大量信息，而成本实际上为零。尽管EHR通常用于临床护理、计费和审计，但它越来越多地被用于大规模取证。基于人群的研究往往是针对疾病的，但是EHR在很大程度上与疾病无关。因此，EHR提供了研究几乎所有疾病以及风险因素(如遗传变异)的多效性影响的机会。由于EHR最初并不是为生成证据而设计的，因此利用这些数据在数据收集，标准化和管理方面具有一定挑战。尽管存在研究一系列表型的机会，但EHR中包含的数据通常不像基于队列研究中所收集的那样严格或完整。然而，这些EHR为涉及大数据的问题提供了潜在的解决方案，包括数据的可靠性和标准化以及EHR表型的准确性。

发明内容

针对现有技术存在的问题，本发明提供了一种基于医保数据的数据处理方法、***、存储介质。

本发明是这样实现的，一种基于医保数据的数据处理方法、***、存储介质包括：

从源数据库中获取多个用户的基础数据，并基于所述多个用户的基础数据获取与所述多个用户对应的医保关联数据；

从所述基础数据和医保关联数据中提取多个第一数据，并根据所述多个第一数据生成第一结果；

从所述基础数据和医保关联数据中提取多个第二数据至独立的目标数据库中；

根据预设规则与所述第一结果对所述多个第二数据结算，生成第二结果；

将目标数据库中的第二结果***源数据库，并根据所述第二结果生成年度结转表单。

进一步，所述多个第一数据包括：第一类数据、第二类数据以及第三类数据；

所述从所述基础数据和医保关联数据中提取多个第一数据包括：

根据所述基础数据获取对应的第一类表单、独立的第二类表单和独立的第三类表单；

根据预设结算时间在第一类表单上生成累计年度值，根据所述累计年度值获取目标第一类表单；

从所述目标第一类表单中提取多个第一类数据，从所述独立的第二类表单中获取多个第二类数据，以及从所述独立的第三类表单中获取多个第三类数据。

进一步，所述目标第一类表单包括当前年度第一类表单和新年度第一类表单；所述根据预设结算时间在第一类表单上生成累计年度值，根据所述累计年度值获取目标第一类表单还包括：

从所述医保关联数据中按照时序获取目标第一时间数据和目标第二时间数据；

当所述第一时间数据早于所述预设结算时间，且所述第二时间数据晚于所述结算时间时，生成当前年度值以及新年度值；

根据所述当前年度值获取当前年度第一类表单，以及根据所述新年度值获取新年度第一类表单。

进一步，第二数据包括第四类数据和第五类数据；

所述从所述基础数据和医保关联数据中提取多个第二数据至目标数据库中还包括：

从所述基础数据中提取对应的医保类型数据；

基于所述医保类型数据对用户分类，得到至少一个用户集合，所述用户集合包括至少一个医保类型相同的用户；

根据所述用户集合对应的医保类型提取对应的医保关联数据中的第四类数据和第五类数据至目标数据库中。

进一步，所述第一结果包括医保账户划入划出结果，所述第二结果包括新年度预划结果；所述根据预设规则与所述第一结果对所述多个第二数据结算，生成第二结果还包括：

根据所述用户集合对应的医保类型获取相应的第一预设规则；

基于所述医保账户划入划出结果对所述多个第二数据结算，生成新年度预划结果。

进一步，所述从所述基础数据和医保关联数据中提取多个第二数据至目标数据库中之前还包括：

获取当前时间，并基于所述当前时间为所述医保关联数据生成对应的当前流水号数据；

将目标数据库中的第二结果***源数据库，并根据所述第二结果生成年度结转表单之前还包括：

获取医保关联数据对应的当前流水号数据；

在所述当前流水号数据末尾添加随机码，以生成在线流水号数据。

进一步，所述源数据库中的基础数据和医保关联数据存储于区块链节点，所述从源数据库中获取多个用户的基础数据之前还包括：

从所述区块链节点中的源数据库获取目标统筹地区数据，并基于所述目标统筹地区数据获取多个用户的基础数据。

进一步，一个或多个智能合约实施交换规则，该规则确保满足FRAND条件，即价格是公平的、合理的且无歧视的。

进一步，所述基于医保数据的数据处理方法还包括：显示与一个或多个预定义方相关联的一个或多个评分。

进一步，所述医保关联数据来源于开放的医保电子数据和/或非医保电子数据。

进一步，所述医保电子数据包括：医保移动支付中心两定机构接口规范数据、ecToken电子凭证授权ecToken接口数据、出入参数据、payToken下单支付token数据、revsToken冲正token数据、sm2、sm4加密算法接口数据、医保扩展数据、身份信息数据、医保统筹基金结算数据、医保统筹基金待遇数据、门诊慢特病诊疗数据、住院诊疗数据、医疗收费数据、基金支付类型数据、医保统筹基金支付数据、大病保险支付数据、医疗救助支付数据、公务员医疗补助支付数据、、大额补充支付数据、企业补充支付数据、个人账户支付数据、与医保***相关的安全规范数据、非医保电子数据、与医保第三方服务中台的规范和接入分配的有关的数据。

进一步，所述非医保电子数据包括：来自基本医疗保障统筹基金周边的数据。

进一步，所述基于医保数据的数据处理方法还包括将机器学习应用到通过所述区块链和/或通过一个或多个智能合约可访问的数据。

进一步，所述机器学习是无人监督的，或使用各种合作的和/或对抗的机器学习技术自反地应用。

进一步，所述机器学习包括一种或多种算法，该算法从包括以下的算法中选择：支持向量机、分类器、神经网络、决策树和/或统计方法的步骤。

进一步，智能合约包括存储在所述区块链中和/或由所述区块链执行的计算机程序。

本发明的另一目的在于提供一种基于医保数据的数据处理***，所述基于医保数据的数据处理***包括：

由多个预定义和先前认证的参与方维护的私有区块链，所述区块链配置为执行一个或多个智能合约；

一台或多台医保计算机，例如医保公共服务***、医保智能监控***或DRGS，其以读取和/或写入模式直接地与所述区块链相关联，和/或通过一个或多个智能合约间接地与所述区块链相关联；

所述一个或多个智能合约配置为根据与在所述预定义的参与方之间交换的所述数据集有关的交易来执行补偿机制。

进一步，所述补偿机制控制财务流和/或名誉指标和/或交换数据的流动。

进一步，还包括集中式数据库和/或包含所述医保数据的所谓的次区块链，在所谓的主私有区块链中引用或索引所述数据。

进一步，所述基于医保数据的数据处理***还包括：

一个或多个神经网络，该一个或多个神经网络从包括以下的神经网络中选择：

人工神经网络；非循环人工神经网络；循环神经网络；前馈神经网络；卷积神经网络；和/或生成对抗神经网络；

所述一个或多个神经网络：

是通过主区块链或次区块链和/或通过一个或多个智能合约而使用软件来模拟；和/或是物理电路，其输入和输出能够由所述区块链和/或由一个或多个智能合约控制。

结合上述的所有技术方案，

本发明所具备的优点及积极效果为：

1、本发明采用区块链分布式账本对患者诊疗、医保相关数据要素进行记账，形成患者健康数字资产存储于相关业务的节点上，为患者提供健康评级、医保精算、医保核算、医保结算、医保风控、商业健康险精算、核保核赔、第三方大数据服务等功能。

2、本发明技术代替可以扩展到提供一个可扩展的‘智能账本’，这个场景可以通过行业参与者的合作达成。为主要医疗保险市场基础设施创建一个完全开放的合作性的平台，同时满足所有适用法规是一个巨大的挑战，这也不可能在短期之内就能达成。

3、全新的医疗保障基础设施：

分布式账本技术是一个真正的全球点对点网络，可以代替传统的医疗保障市场***，提供这种服务的几个技术平台已经以某种形式存在了，或者还处在开发中，但是还不清楚这些技术平台是否会给传统的市场基础设施带来挑战。正如我们所见，其他点对点技术如比特币和Uber，一定程度的适用法规架构互操作性是让主流社会接受的关键。

4、分布式账本技术的优势编辑：

分布式账本技术可以有效的改善当前医疗保障信息化基础设施中出现的效率极低成本高昂的问题，而导致当前市场基础设施成本高的原因可以分为三个：数据互联互通费用，维护险资精算的费用和险资风控费用。在某些情况下，特别是在有高水平的监管和成熟市场基础设施的地方，分布式账本技术更有可能会形成一个新的架构，而不是完全代替当前的机构。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，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基于医保数据的数据处理方法流程图。

图2是本发明实施例提供的分布式架构的连接原理图。

图3是本发明实施例提供的医保数据的区块链结构原理图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

针对现有技术存在的问题，本发明提供了一种基于医保数据的数据处理方法、***、存储介质，下面结合附图对本发明作详细的描述。

如图1所示，本发明实施例提供的基于医保数据的数据处理方法包括：

S100，获取参保患者的历史就诊记录，其中所述历史就诊记录包括参保患者的诊疗数据；

S200，对所述历史就诊记录中的诊疗数据的数据质量进行评估，并将评估结果不满足质量条件的诊疗数据进行剔除处理；

S300，利用指定编码方式对所述剔除处理得到的诊疗数据进行编码处理得到第一编码数据，并对所述第一编码数据进行分组合并处理；

S400，将所述分组合并第一编码数据，并对所述第一编码数据进行分组处理得到的第二遍吗数据输入医保费用审核模型，得到所述参保患者的医保报销费用信息；

下面结合具体实施例对本发明的技术方案进一步进行描述。

本发明的实施例可使用区块链来改善对大数据实施的机器学习。下文对这些对象或表述进行定义和解释。

这些对象拥有固有特性，即其内在的特性，并且不依赖于使用环境。然而，医保的约束或要求是许多和复杂的。“贸易”的约束和折中难以清楚地识别(问题发明)和证明或潜在地构造实施变体，否则这些变体仿佛是任意的。

大数据：

“大数据”的表述指示大规模实施的数据收集和分析。该概念与技术性质的特征相联系，这些特征包括：数量(例如大量的数据收集，即使它们是冗余的)、种类(例如使用许多不同的输入源)、速度(例如在变化的或动态的环境中“新鲜”的或不断更新的数据)、证明一定的真实性(例如，不会去除淹没在噪声中的微弱信号，随后可对其进行检测或放大)、为了最终实现一定的价值(例如，来自于技术的和/或专业的，即商业视角的实用性)。

机器学习

各种类型的机器学习(自动学习)都是可能的。机器学习属于计算领域，计算领域使用统计技术赋予计算***从数据中“学习”的能力(例如，为了逐渐地改善特定任务的性能)，而不用为此进行显式编程。

自动学习对于图案、结构化数据或趋势的检测和辨识是有利的。收集数据(例如来自医学影像或公司的数据)时常比显式编写管理所讨论集合的程序要更容易。此外，可重复利用神经网络(机器学习的硬件实施例或软件仿真)来处理新数据。机器学习可实施于特别大量的数据，即，使用尽可能多的数据(例如稳定性、收敛性、微弱信号等)。可连续添加新数据，并且可完善学习。

与根据本发明的特征相结合，可使用各种学习算法。该方法可包括算法中的一种或多种算法，这些算法包括：支持向量机(SVM)；提升(分类器)；神经网络(无监督学习)；决策树(随机森林)、统计方法，比如高斯混合模型；逻辑回归；线性判别分析；遗传算法。

通常将机器学习任务根据“信号”、学习输入、“信息反馈”或输出是否可用分为两大类。

表述“监督学习”指示的是将输入示例和(实际的或预期的)输出示例呈现给计算机的情况。然后，学习在于识别一组规则，该规则使输入对应于输出(这些规则可为人类可理解的，也可不是)。

表述“半监督学习”指示的是计算机仅接收不完整的数据集的情况：例如一些输出数据缺失。

“强化学习”的表述指示的是范式(paradigm)，该范式在于基于实验来学习要采取的操作，以便随着时间的推移优化定量的奖励。通过迭代实验，确定决策行为(称为策略或政策，其为将当前状态与要执行的操作相关联的功能)是最佳的，因为随着时间的推移，它最大化了奖励的总和。

表述“无监督学习”(也称为深度学习)指示的是这样情况，其中不存在注释(无标签、无描述等)，而使学习算法独自在输入和输出之间找到一个或多个结构。无监督学习本身可为目标(发现隐藏在数据中的结构)，或实现目标的方式(通过功能进行学习)。

取决于实施例，机器学习步骤中的人为贡献可变化。在某些实施例中，将机器学习应用于机器学习本身(自反性)。明确地，特别是如果使用多个模型，并且比较这些模型产生的结果，则整个学习过程可为自动化的。在大部分情况下，人类参与机器学习(人机回圈(human in the loop))。开发者或管理者负责维护数据集：数据摄取、数据清理、模型发现等。

机器学习可对应于通过计算机(例如CPU-GPU)来仿真的硬件架构，但是有时不能对应(可有专用于该学习的电路)。

可使用各种学习算法。该方法可包括算法中的一种或多种算法，该算法包括：支持向量机(SVM)；推进(分类器)；神经网络(在无监督学习中)；决策树(随机森林)、统计方法，比如高斯混合模型；逻辑回归；线性判别分析；以及遗传算法。

在硬件方面，取决于实施例，使用一个或多个神经网络可实施根据本发明的方法。根据本发明的神经网络可为在以下神经网络中所选择的一个或多个神经网络，包括：a)人工神经网络；b)非循环人工神经网络，例如多层感知器，因此不同于循环神经网络；c)前馈神经网络；d)霍普菲尔德神经网络(离散时间循环神经网络模型，该模型的连接矩阵是对称的，对角线上为零且动态是异步的，在每个时间单位中更新单个神经元)；e)循环神经元的网络(上述网络包含相互非线性相互作用的相互连接的单元，在所述网络的结构中存在至少一个循环)；f)卷积神经网络(CNN)，通过感知器的多层堆叠实现的前馈非循环人工神经元的网络种类；或g)生成式对抗网络(GAN)，一类无监督的学习算法。

分布式账本或区块链

根据***给出的定义，区块链或分布式账本(分布式账本技术或DLT)是使用密码技术进行安全保护的分布式数据库。将交换的交易以密码术进行安全保护的方式在有规律的时间间隔里分组为“区块”，从而形成链。在记录最近的交易之后，生成和分析新的区块。如果该区块是有效的(分布式共识)，则该区块可加上时间戳，并且将该区块添加到区块链中。每个区块通过哈希键链接到前一个。一旦添加到区块链中，就不能再修改或删除区块，这保证了网络的真实性和安全性。为了形成链，使用哈希函数和默克尔树(Merkle)。哈希树包含一组独立的控制集(control sum)。控制集在树形结构中相串接。哈希树能够验证数据集的完整性而不必在验证的时候处理所有的数据。通过存储节点保护区块链中的记录以防篡改或修改：篡改区块需要篡改整个链，因此总成本变得过高而难以承受，并且保证了整个区块的不被篡改的置信度等级。交易对所有网络都是可见的(折现剪枝(discountingpruning))。

时间是区块链中的重要因素(广播、传播、延迟等概念)。依赖所使用的技术，网络中所有节点的分布式共识可花费非常不同的时间量。可使用各种技术来加速，特别是侧链，这也会增加存储容量。

在分布式共识的背景下，区块链可使用工作量证明验证。从数学的角度来看，工作量证明是“难以提供但易于验证”的。基于证明的验证***通常是不对称的：作为服务请求的回报所需的计算对请求者是昂贵的，但容易由第三方进行验证。可使用各种技术，特别是hashcash(哈希现金)或Client-puzzle(客户难题)。

区块链可为公共的或私有的，或具有中间的管理形式，其可使用不同的进入壁垒(通过工作量证明进行验证)。“公共的”区块链以不具有可信任的第三方(所谓的不信任模型)方式运行，通常通过工作量证明(例如哈希现金)进行复杂的验证。公共的区块链通常不定义任何其他规则，只定义其组成的协议代码和软件技术的规则。“私有的”区块链包括参与共识的节点，预先定义这些节点然后进行认证。它的操作规则可能是外在的。

使用“智能合约”可使区块链为或成为可编程的。智能合约是计算性协议或软件包，其可促进、验证和执行合约的谈判或实行。它们旨在模仿或接近合约条款(合同法)的逻辑。智能合约并不严格等同于合约协议。因为它们通过数字化手段来控制奖励，所以使得违反协议变得昂贵。他们会或不会为合约中的第三方介入做准备，以监督合约的实行(例如“预言机(oracle)”或预言机服务)。智能合约为软件代码，该代码存储在区块链中并由区块链运行，并且该代码由外部数据触发，从而可允许该代码修改区块链或其他地方的其他数据。

智能合约的执行是可预测的；至少，该代码以及由此代码实施的计算或测试的性质是已知的。智能合约的代码存储在区块链中；在区块验证期间执行智能合约；分配计算资源，这意味着智能合约的执行本身是安全的：智能合约的代码在实施区块链的架构的多个节点上得到复制；因为它是确定的，所以各种执行的结果必须是相同的。因此，代码和代码的运行是安全的。

对于任何程序或计算机代码，可使用各种编程语言以及各种规则和安全模型(管理其他合约的主合约，级联合约等)。智能合约采取的形式可为多种多样的(例如服务、代理、代码片段、脚本、SOA、API、附加组件、插件、扩展、DLC等)。数学逻辑(针对数据做出的决策)可为常规逻辑、模糊逻辑、组合逻辑、直觉逻辑、模态逻辑、命题逻辑、部分逻辑、弗协调逻辑等，或这些类型的逻辑的组合。软件包以硬件形式可进行部分地或完全地编码。智能合约可为全部地或部分地开源和/或闭源。在开源情况下，可由参与方或第三方审核或验证代码。智能合约可将开源代码部分(例如可审核的、可验证的、可改进的部分等)结合于闭源代码部分(即专有的、秘密的、敏感的部分等)。闭源可为二进制代码，可选择地对其模糊或强化。所使用的密码技术可是多种多样的：对称的、不对称的、量子后、量子安全，利用量子密钥分配等。智能合约可为人类和/或机器可读的。

在一个实施例中，描述了用于共享医保数据的计算机实施的方法，所述方法包括维护私有区块链的步骤，所述私有区块链涉及多个预定义方；响应于预定各方中的一方的请求，通过用于控制交换的预定机制(例如，例如通过一个或多个智能合约编码到区块链中)，有条件地传送医保数据，所传送的医保数据是预先从位于预定义方的一架或多架医保器上的一台或多台医保计算机中采集的数据。

在一个实施例中，至少部分地将区块链的数据加密，并且至少一个智能合约确定对数据的访问，特别是通过加密密钥的管理。依赖实施例：所有数据可为明文；可加密和/或屏蔽所有数据；或者数据可为部分明文(元数据)和部分加密的。

在一个实施例中，至少对于预定义方，用于控制交换的机制和/或一个或多个智能合约的源代码是可访问的。在其他实施例中，源代码是部分封闭的(二进制的或混淆的，即是为了阻止或防止逆向工程，或甚至是加固)。

在一个实施例中，用于控制交换的机制包括确定与每个预定义方有关系的财务数额和/或名誉得分。可采用各种名誉管理机制，特别是参与者“健康评级”的管理。如果结果是相同的参与者总是与相同的其他参与者共享数据，则区块链可例如自动分叉(计算协议可抢先于人类组织决策)，转让价格可能会发生调整等。

通过智能合约可部分地或全部地管理数据的所有权。数字版权管理(DRM)机制可管理财产转让、许可权、是否专有等。例如，与较高的支付价格有关系的专有许可将导致元数据，该元数据表明可实施数据为确定的使用和控制机制而保留(可选地与制裁或处罚相关联)。如果交换是透明的且交换的规则是清晰的和预先定义的，则专有权的管理与使用区块链不矛盾。

在一个实施例中，例如通过应用一个或多个阈值或阈值范围，特别是依赖数据上载/下载比率来控制数据的交换。该方法是定量的，并且可通过更加定性的方案对该方法进行调整(其中，如果下游控制机制足够全面，则事先和/或随后评估共享数据的质量是可能的)。

在一个实施例中，一个或多个智能合约实施交换规则，确保满足FRAND条件，即价格是公平的、合理且无歧视的。通常可将所有竞争法的规则编码进智能合约，包含例如对滥用支配地位的检测和纠正。

在一个实施例中，该方法还包括步骤：显示与一个或多个预定义方有关系的一个或多个评分，例如证明在上载或下载数据中的剩余或不足的评分，或者确实在共享数据集的累积使用的数量的评分。

在一个实施例中，共享的医保数据是来源于开放的医保电子数据和/或非医保电子的数据。

在一个实施例中，所述医保电子数据例如包括：医保移动支付中心两定机构接口规范数据；ecToken电子凭证授权ecToken接口数据；出入参数据；payToken下单支付token数据；revsToken冲正token数据；sm2sm4加密算法接口数据；医保扩展数据；身份信息数据；医保统筹基金结算数据；医保统筹基金待遇数据；门诊慢特病诊疗数据；住院诊疗数据；医疗收费数据；基金支付类型数据；医保统筹基金支付数据；大病保险支付数据；医疗救助支付数据；公务员医疗补助支付数据；；大额补充支付数据；企业补充支付数据；个人账户支付数据；与医保***相关的安全规范数据；与医保第三方服务中台的规范和接入分配的有关的数据等。

该信息具有已证明的完整性(通过从A到D的“DAL”级别证明)。针对使用也对它们进行了验证，以保证所需的鲁棒性水平。该数据类型的列表并不是详尽性的。

在一个实施例中，该方法还包括一个或多个步骤，其中通过区块链和/或一个或多个智能合约将机器学习应用到可访问的数据。

在一个实施例中，机器学习是无人监督的。在一个实施例中，使用各种合作的和/或对抗的机器学习技术来自反地(reflexively)应用机器学习(***自己学会学习和选择最有效的技术)。

在一个实施例中，机器学习包括一种或多种算法，该算法从包括以下的算法中选择：支持向量机；分类器；神经网络；决策树和/或统计方法的步骤，例如高斯混合模型；逻辑回归；线性判别分析和/或遗传算法。

在一个实施例中，智能合约包括存储在所述区块链中和/或由所述区块链执行的计算机程序。

描述了用于共享医保数据的***，所述***包括：由多个预定义和先前认证的参与方维护的私有区块链，所述区块链配置为执行一个或多个智能合约；一台或多台医保计算机，例如医保智能监控***或drgs，以读取和/或写入模式直接地与区块链关联，和/或通过一个或多个智能合约间接地与区块链关联；所述一个或多个智能合约配置为根据与在预定义方之间交换的数据集有关的交易来执行补偿机制。

在一个实施例中，该***还包括集中式数据库和/或包含医保数据的所谓的次链，在所谓的主要私有区块链中引用或索引所述数据。更普遍地，N个区块链可独立地或有时相互依赖地共存，即互相链接。

在一个实施例中，该***还包括：一个或多个神经网络，从包括以下的神经网络中选择：人工神经网络；非循环人工神经网络；循环神经网络；前馈神经网络；卷积神经网络；和/或生成性对抗神经网络；通过所述的主链或次链和/或一个或多个智能合约来使用软件模拟一个或多个神经网络；和/或通过所述区块链和/或一个或多个智能合约控制输入和输出的物理电路。可使用其他类型的硬件(AI加速器、AI芯片，例如自适应网络、再生网络等)。

在一个实施例中，通过后量子密码术获得加密。这种类型的加密允许在适当情况下抵抗量子攻击。因此，即使开发出足够强大的量子计算机，现在也无法解密已加密的数据。医保数据是敏感数据，因此采用这种类型的加密是有利的。可使用同态密码术(使用加密数据进行计算，例如学习)。

在一个实施例中，使用一个或多个区块链来存储和共享数据(因此确保了数据的质量(例如时间戳、完整性、共识验证等))。可选地，通过一个或多个智能合约(例如用户对数据的访问、权限管理等)来管理(或允许、控制)这些数据(例如交易)的共享。

有利地，对医保信息的共享和分析进行改善。收集例如计算机供应商机构或这些计算机的用户中的医保计算机所生成的原始数据或处理后的数据，以从中提取具有技术的和/或专业价值的丰富信息。

有利地，因为使用了区块链，所以可确保操纵数据的真实性和完整性。

有利地，可清晰地和透明地监控、分类和跟踪交换(或贡献)，从而增加了共享的动机。对给定一方的“无用”的数据对另一方可具有高价值(例如，如果发布了可用性信息，则另一家公司可购买事先预留的用于商业保险精算或核保核赔、健康险风控、健康险产品设计等应用。

有利地，除安全之外，还有意地鼓励信息共享。

有利地，通过实施根据本发明的交换方法，可避免或减少使用中间商来管理数据交换。单个参与者(或中间商)或一些参与方(例如大型公司)中的数据的集中通常是次优的，因为它不允许一般性处理，无论他们的大小，所有的供应商和用户都能容易地访问。它偏向访问数据、增加交易成本、分散权限等。由于缺乏互惠或兴趣，或甚至由于访问数据的复杂性，数据的集中化可减少定量的和/或定性的数据收集。随后，从数据中得出的示教或分析的质量较低，从而对最终客户不利(例如，用户体验、医保安全等)。相反，本发明允许捕获数据，并且因此提高从其中(分析学)得出的分析的质量。本发明允许参与者之间流畅的和透明的交换，而不是次优交换，其中共享的动机是毫无疑问的，如果不可预测，共享是得到补偿的，并且各方的评分是透明的，无论它们在工业界中的规模如何。

根据本发明，对医保区块链感兴趣的每一方因此自由地专注于其工作领域，并且得益于由属于其他人的数据所创建的积极的外部效应，否则该数据将是无用的。一方将不会或常常很少通过中间商来采购不一定符合其特定需要的转换后的数据集(在AI意义上较少的控制，因为它依赖于由中间商所开发的算法)。

在医保电子设备中，与医保服务器和/或第三方之间的连通性的大量部署相结合的人工智能技术(本质上为机器学习)的应用，可大规模利用所有这些数据(称为“大数据”的方法)用于各种的和有利的目的，例如通过随着时间的推移对多个输入源的分析来改善维护；医保公司运营的增值服务的出现，例如医保精算、商保健康险产品设计、商保风控、预期产品值、单险种规模等；改善商保补充的安保性和/或安全性，例如，通过报销量分析以及通过对潜在的或难以先验地预测的异常现象的早期调整产品；通过提供针对***和健康险产品来改善参保用户体验等。

新的、补充的、附加的、最近的或其他丰富的医保数据都得到利用。

通过以特定方式(即，适合于医保行业所遇到的问题的方式)对与区块链和智能合约有关的技术进行整合，根据本发明的方法和***最终允许对医保安全进行改善。这种安全性在这个行业中是根本性地重要的。现有的医保架构非常封闭(由于对数据损坏、攻击、***性风险等的担忧，***之间的链接很少)；通过增加分析区域(数据量)和执行分析的质量，提出的解决方案可能显著地改善***间数据的技术管理。

图2示出了根据本发明的分布式架构的一个示例。

图2示出了4个数据区块B1到B4(101、102、103、104)。哈希树由一组相互依赖的哈希值构成。树的树叶是每一个初始数据区块的哈希值(111，112，113，114)。在(二进制)默克尔树中，然后将这些哈希值成对地串联，以允许计算新的父哈希(121、122)，依此类推，直到树的顶部，在顶部获得顶部哈希(131)。为了保证相对于所有数据的区块完整性，拥有兄弟哈希值、叔叔哈希值和顶部哈希就足够了。此外，只有顶部哈希(131)必须可靠地获得以保证由树所代表的所有数据的完整性。例如，如果期望验证区块B2的完整性，则只需获得哈希0-0(它的兄弟111)、哈希1(其叔叔122)和顶部哈希(131)。

数据区块可包括一个或多个代码、程序或智能合约140。

具体地，智能合约140可实现一种或多种机制：(a)访问数据或数据中的一些：i)管理访问权和共享加密密钥(在非对称加密的情况下，私有密钥是秘密的且只有用户知道，但是公共密钥可从寄存器中获得)；可使用硬件加密机制(TBM或HSM、芯片卡等)；ii)按时间单位(每天、每周、每月、每年等)和/或按数据量(例如下载的数据的Mb)进行订阅；可使用积分或点数***；b)支付；该交易可以按帐户单位进行结算(加密货币或信托货币)；

产生数据块(101、102、103、104)，然后由参与方或机构(例如，由151、152、153所示)对数据块进行消费，即以读取和/或写入模式对数据块进行访问。

参与方、机构或消费者可为商业保险公司、医院、药店、参保人或医保公司、健康服务公司、监管机构等。

参与方可为数据的“生产者”和/或数据的“消费者”。数据的消费者在下文中可称为“客户”、“请求者”、“接收者”或“买家”。生产者在下文中可称为“生成者”、“服务器”、“供应商”或“卖方”。“和/或”的表述强调了事实：生产和消费可能是连续的或交替的，甚至是同时的。由于每一个参与方可购买和/或出售、许可和/或授予许可、割让、赠与或共享其拥有的数据，因此也可访问其他参与方共享的数据。数据的共享允许创建其他数据，其中某些数据尤其具有商业的或技术的价值。

然而，这些数据以及其他一些数据代表机载计算机生成的原始数据的很小一部分。可共享其他内部的或外部的数据。

第三内部参与者管理或协调层(参与者轮流扮演生产者P 201或消费者C202的角色、读取和/或写入区块链100)。区块链参加者之间的达成一致可为(无声的)书面合同，或者通过参考数字140所标记类型的智能合约被部分地或全部地转录；

可选的第四层220可管理智能合约(链接合约、独立合约、修改在下游或者相反在上游的其他合约的主合约、合约之间的多重反馈回路、前馈回路等)。可选地，该区块220可代表一个或多个验证器(或预言机，其可对应于独立的人和/或机器，即算法编码验证)。本发明的大量实施例是可能的。下面描述了一些示例，应该理解的是，在所寻求的保护范围内，应当替换最小的变化。

私有链或公共链：

在一个实施例中，医保数据的区块链100是公共的。在一个实施例中，医保数据的区块链是私有的：每个参与者都事先被同意(通过合约或协议201-202)，并且技术上具有对他可用的密钥或认证手段。

次链或侧链：

附加地或作为替代，可使用一个或多个次链(未示出)。例如，主链可包含与医保数据有关的元数据(含有数据的哈希值)，然而次链可包含数据本身。

交换的算法编码

为了确保自由的和未被扭曲的竞争，可对极限或其他防呆(fool-proofing)机制进行算法上的编码。例如，如果一类数据(例如重大急症险)只有单一的供应商，则智能合约可能会施加用于调整价格或关税的自动机制：可应用“合理”的价格，移除访问条件(非歧视)。参与区块链的参与方所同意的独立的评级实体(预言机)可有助于评分和/或交易管理的模式。

可采用各种酬劳(或补偿、支付)机制。可实施各种激励模型。在某些情况下，机制可为静态的和预定义的。在其他情况下，这些机制可为动态的。在某些实施例中，该机制可尝试确保(先验地)平等地对待参加的参与方，或者确保给予“公平的”酬劳(后验地记录和/或改进的酬劳)。

交换的管理

即清晰地、公平地，并且以预定义的方式在算法上管理交换，例如在区块链中参与者的评分的确定和操作。

在一个实施例中，每个参与者与一个或多个评分有关，该评分可随着时间改变(例如定期更新评分、在每次交易后更新评分等)。在一个实施例中，将参与方的评分汇总为综合评分(“等级A”、“等级AA”等)，该综合评分可为多个标准的综合集合(包括发送的数据的质量的量化，例如由对等方的使用次数测量；已承诺的、已支出的或已接收的总和等)。

在一个实施例中，区块链中的节点或参与者与管理对交换的访问(作为数据的生产者和/或消费者)的综合评分或价值评分VS有关。

在一个实施例中，区块链可确定(例如实时地)参与区块链的参与方的评分。由于已将该分数写入区块链，因此改分数会受益于其属性(不可伪造的价值、确定的历史记录)。

在其他实施例中，可确定各种元分析或分析：贡献者的历史和排名、已经注入了错误的(即简单地错误的)数据或恶意的数据(即旨在削弱或破坏由第三方实施的机器学习的故意虚假数据)的风险的计算。由于区块链至少在某些数据(描述性元数据、交易历史等)方面是透明的，一个潜在的恶意方将很快被确定为这样的一方，并且将其从经过认证方的信任圈中驱逐出去。与此相反，***的透明度(其治理至少可以部分地审计)，鼓励有关各方放弃对数据的一定控制，以换取对第三方数据的访问和/或财务补偿。

当生产者通过在区块链100中发布响应地哈希值在数据库210中发布一个或多个数据组时，将相应的元数据添加到具有时间戳的区块中。该区块允许标识来源(成功认证)，并对所提供数据(哈希值)的完整性提供保证。当消费者从与区块链有关的库210中获取数据集时，将重新评估生产者的评分(例如，如果区块是经过验证的，则添加确定的总和；如果数据集被破坏、错误、为空或以其他方式无效，则减去总和)，和消费者自己的评分一样(例如，将反数值反映到计入生产商的值上，但可应用各种权重)。将包含这些贷方/借方、标识数据等的交易写入区块链。通过这种方式，参与方看起来要么是数据供应贷方，要么是数据供应借方。永久性或间歇性债务情况可能是可接受的(例如，可通过财务流来补偿)：主要是要使判决为透明的和安全的，即为可追踪的和不可伪造的。

本发明取得了良好的应用效果，举例如下：

1、医疗保障设计和精算定价

目前商业保险业务分团体险与个人险，其中个人险中以储蓄理财型产品为主，少部分是消费理赔型，即真正意义上的医疗保险。此间很大原因在于缺乏对实际医疗费用的估算把控能力，在保障设计及精算定价方面无据可依，从而限制了产品的开发。

2、理赔运营管理

在医疗保险理赔运营管理中至关重要的一个环节是及时发现欺诈、浪费、滥用等费用风险。欺诈虽案例不多，但常涉及较大金额；浪费与滥用属于过度医疗与不合理医疗，单笔金额也许不高但是数量庞大，很难根据经验判断，因此属于数据挖掘的重要应用领域。

大数据分析可以帮助找出一些典型的理赔费用风险问题，例如分解住院、不合理医疗检查项目或者不合理高值医用耗材、诊断和处方药品指征不匹配、药品剂量超标等。此类分

析对临床知识要求很高，需要专业分析技术和引擎才能完成。

3、对医疗机构的管理

在现今医疗保障仍为政府医保为主导的环境下，商业保险对医疗机构的话语权不大，对医疗机构的管控仍以政府医保为主。人社部于2012年出台的《关于开展基本医疗保险付费总额控制的意见》，将“逐步建立以保证质量、控制成本、规范诊疗为核心的医疗服务评价体系与监管体系”作为任务目标。但实际操作中，由于缺乏有力的临床分析能力，政府医保对医疗机构的管理仍停留在粗放型，力度欠缺且效果欠佳。总额控制的支付方式使医保将超出预算的财务风险全部或者部分转移给医疗机构，在收入既定的情况下，医疗机构有可能通过减少必要服务，尤其是拒绝成本消耗较高的患者或者项目来降低医疗成本，从而出现推诿重病人、增加自费费用等问题，与原本“保障质量、规范诊疗”的目标背道而驰。而且，总额控制支付方式下的总额基数和调整系数的确定在很大程度上参考历史数据和变化趋势，也就是在往年的额度基础上简单地加上增长空间，超值分担、结余分享的比例和调节过于依赖经验而非科学测算，导致医疗机构对于总额控制的认可度不高。

大数据精细化分析可以应用于科学合理的评估医疗费用及质量，从而为包括总额控制在内的多种支付方式提供支持。

4、市场和销售拓展

对于商业医疗保险机构的市场和销售而言，如何获得新客户和保留既有客户是核心内容。应用大数据挖掘可以剖析客户参保人群的费用驱动因素及健康情况，不仅可以为优化保障设计与精算定价提供有力支持，更可以以深度分析结果报告作为业务洽谈的基础，增进与客户的沟通，赢得客户对保险公司专业水平的信赖，并据此为客户量身定制相关增值服务。

5、战略决策支持

从上文可见，大数据分析在保障设计及精算定价、理赔运营管理、医疗机构管理、市场和销售拓展等医疗保险经营的各个领域均有很大的应用价值；在战略决策支持上，大数据应用同样有着举足轻重的作用。

除了平衡风险之外，医疗保险的最重要的核心价值在于保证医疗质量的前提下有效控制医疗费用。大数据分析可以为医疗保险找出费用的关键驱动因素，以此作为战略决策的依据，可以使决策者有针对性的制定措施解决问题关键。

在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上；术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于医保数据的数据处理方法，其特征在于，所述数据处理方法包括：

从源数据库中获取多个用户的基础数据，并基于所述多个用户的基础数据获取与所述多个用户对应的医保关联数据；

从所述基础数据和医保关联数据中提取多个第一数据，并根据所述多个第一数据生成第一结果；

从所述基础数据和医保关联数据中提取多个第二数据至独立的目标数据库中；

根据预设规则与所述第一结果对所述多个第二数据结算，生成第二结果；

将目标数据库中的第二结果***源数据库，并根据所述第二结果生成年度结转表单。

2.如权利要求1所述的基于医保数据的数据处理方法，其特征在于，所述多个第一数据包括：第一类数据、第二类数据以及第三类数据；

所述从所述基础数据和医保关联数据中提取多个第一数据包括：

根据所述基础数据获取对应的第一类表单、独立的第二类表单和独立的第三类表单；

根据预设结算时间在第一类表单上生成累计年度值，根据所述累计年度值获取目标第一类表单；

从所述目标第一类表单中提取多个第一类数据，从所述独立的第二类表单中获取多个第二类数据，以及从所述独立的第三类表单中获取多个第三类数据。

3.如权利要求1所述的基于医保数据的数据处理方法，其特征在于，所述目标第一类表单包括当前年度第一类表单和新年度第一类表单；所述根据预设结算时间在第一类表单上生成累计年度值，根据所述累计年度值获取目标第一类表单还包括：

从所述医保关联数据中按照时序获取目标第一时间数据和目标第二时间数据；

当所述第一时间数据早于所述预设结算时间，且所述第二时间数据晚于所述结算时间时，生成当前年度值以及新年度值；

根据所述当前年度值获取当前年度第一类表单，以及根据所述新年度值获取新年度第一类表单。

4.如权利要求2所述的基于医保数据的数据处理方法，其特征在于，所述第二数据包括第四类数据和第五类数据；

所述从所述基础数据和医保关联数据中提取多个第二数据至目标数据库中还包括：

从所述基础数据中提取对应的医保类型数据；

基于所述医保类型数据对用户分类，得到至少一个用户集合，所述用户集合包括至少一个医保类型相同的用户；

根据所述用户集合对应的医保类型提取对应的医保关联数据中的第四类数据和第五类数据至目标数据库中。

5.如权利要求1所述的基于医保数据的数据处理方法，其特征在于，所述第一结果包括医保账户划入划出结果，所述第二结果包括新年度预划结果；所述根据预设规则与所述第一结果对所述多个第二数据结算，生成第二结果还包括：

根据所述用户集合对应的医保类型获取相应的第一预设规则；

基于所述医保账户划入划出结果对所述多个第二数据结算，生成新年度预划结果。

6.如权利要求4所述的基于医保数据的数据处理方法，其特征在于，所述所述从所述基础数据和医保关联数据中提取多个第二数据至目标数据库中之前还包括：

获取当前时间，并基于所述当前时间为所述医保关联数据生成对应的当前流水号数据；

将目标数据库中的第二结果***源数据库，并根据所述第二结果生成年度结转表单之前还包括：

获取医保关联数据对应的当前流水号数据；

在所述当前流水号数据末尾添加随机码，以生成在线流水号数据。

7.如权利要求1所述的基于医保数据的数据处理方法，其特征在于，所述所述源数据库中的基础数据和医保关联数据存储于区块链节点，所述从源数据库中获取多个用户的基础数据之前还包括：

从所述区块链节点中的源数据库获取目标统筹地区数据，并基于所述目标统筹地区数据获取多个用户的基础数据。

8.如权利要求1所述的基于医保数据的数据处理方法，其特征在于，所述数据处理方法采用一个或多个智能合约实施交换规则，该规则确保满足FRAND条件，即价格是公平的、合理的且无歧视的；

所述基于医保数据的数据处理方法还包括：显示与一个或多个预定义方相关联的一个或多个评分；

所述医保关联数据来源于开放的医保电子数据和/或非医保电子数据；

所述医保电子数据包括：医保移动支付中心两定机构接口规范数据、ecToken电子凭证授权ecToken接口数据、出入参数据、payToken下单支付token数据、revsToken冲正token数据、sm2、sm4加密算法接口数据、医保扩展数据、身份信息数据、医保统筹基金结算数据、医保统筹基金待遇数据、门诊慢特病诊疗数据、住院诊疗数据、医疗收费数据、基金支付类型数据、医保统筹基金支付数据、大病保险支付数据、医疗救助支付数据、公务员医疗补助支付数据、、大额补充支付数据、企业补充支付数据、个人账户支付数据、与医保***相关的安全规范数据、非医保电子数据、与医保第三方服务中台的规范和接入分配的有关的数据；

所述非医保电子数据包括：来自基本医疗保障统筹基金周边的数据；

所述基于医保数据的数据处理方法还包括将机器学习应用到通过所述区块链和/或通过一个或多个智能合约可访问的数据；

所述机器学习是无人监督的，或使用各种合作的和/或对抗的机器学习技术自反地应用；

所述机器学习包括一种或多种算法，该算法从包括以下的算法中选择：支持向量机、分类器、神经网络、决策树和/或统计方法的步骤。

9.一种用于权利要求1～8任意一项所述的基于医保数据的数据处理方法的基于医保数据的数据处理***，其特征在于，所述基于医保数据的数据处理***包括：

由多个预定义和先前认证的参与方维护的私有区块链，所述区块链配置为执行一个或多个智能合约；

一台或多台医保计算机，例如医保公共服务***、医保智能监控***或DRGS，其以读取和/或写入模式直接地与所述区块链相关联，和/或通过一个或多个智能合约间接地与所述区块链相关联；

所述一个或多个智能合约配置为根据与在所述预定义的参与方之间交换的所述数据集有关的交易来执行补偿机制。

10.如权利要求9中任意一项所述的基于医保数据的数据处理***，其特征在于，所述基于医保数据的数据处理***还包括：

一个或多个神经网络，该一个或多个神经网络从包括以下的神经网络中选择：

人工神经网络；非循环人工神经网络；循环神经网络；前馈神经网络；卷积神经网络；和/或生成对抗神经网络；

所述一个或多个神经网络：

是通过主区块链或次区块链和/或通过一个或多个智能合约而使用软件来模拟；和/或是物理电路，其输入和输出能够由所述区块链和/或由一个或多个智能合约控制。

Images