医疗行为的监控方法、装置、计算机设备以及存储介质与流程

1.本发明涉及医疗检测的技术领域，尤其是涉及一种医疗行为的监控方法、装置、计算机设备以及存储介质。


背景技术：

2.现阶段，对于病患在结算清单中的药品、检查、诊疗项目和医用材料等报销费用的使用合理性的审核存在一定的难度；目前的智能审核系统往往只能起到数据质量控制的作用，而医疗费用清单内的明细仍需大量专业人士进行人工审核，人工审核的工作量大。


技术实现要素：

3.为了提升对医疗行为的审核的效率，本技术提供一种医疗行为的监控方法、装置、计算机设备以及存储介质。
4.本技术的上述发明目的一是通过以下技术方案得以实现的：一种医疗行为的监控方法，所述医疗行为的监控方法包括：获取待监控医疗行为数据，从所述待监控医疗行为数据中提取待分析项目数据和与每个所述待分析项目数据对应的待分析费用数据；获取所述待监控医疗行为数据对应的病种类型数据；根据所述病种类型数据获取对应的病种项目大数据分析模型，将所述待分析项目数据和所述待分析费用数据输入至所述大数据分析模型，得到医疗行为可疑数据；对所述医疗行为可疑数据进行计算，得到对应的行为影响排序数据。
5.通过采用上述技术方案，在有医疗行为发生时，获取该待监控医疗行为数据对应的病种类型数据，根据该病种类型数据，通过大数据分析模型记性分析，从而能够智能分析出该待监控医疗行为数据中包含的费用相对于该医疗项目的历史费用是否合理，在对不合理的待监控医疗行为作为该医疗行为可疑数据，从而能够利用大数据分析提升发现有可以医疗行为的效率；同时，通过计算医疗行为可疑数据进行计算，从而能够得到在医疗可疑行为中的影响项目，即应当为患者提供的医疗项目没有提供或者费用偏差过大，或者向患者提供了与该并中类型数据不符合医疗项目，能够便于审核人员进一步核实可疑的行为的效率。
6.本技术在一较佳示例中可以进一步配置为：获取所述待监控医疗行为数据对应的病种类型数据，具体包括：获取历史病历数据，根据预设的分类标准对所述历史病历数据进行分类；获取每类所述历史病历数据对应的总费用数据，根据所述总费用数据计算每类所述历史病历数据对应的变异系数，将所述变异系数小于预设值对应的历史病历数据的类别作为待匹配病种组；将所述待监控医疗行为数据在所述待匹配病种组中匹配，得到所述病种类型数据。
7.通过采用上述技术方案，由于在不同的地区，对病种采用的分类方式可能存在差异，为了减少不同地区不同标准的分类标准导致监控出的可疑医疗行为的问题，需要采用一种统一的对病种分类的方式。由于本技术判定医疗行为是否可疑的标准与对患者的医疗产生的费用相关，因此通过对历史病历数据对应的总费用数据计算变异系数，在得到的变异系数小于预设值，从而得到价格平稳的病种类型，即待匹配病种组，从而使得得到的病种类型数据符合本技术进行大数据分析的基础。
8.本技术在一较佳示例中可以进一步配置为：在所述根据所述病种类型数据获取对应的病种项目大数据分析模型，将所述待分析项目数据和所述待分析费用数据输入至所述大数据分析模型，得到医疗行为可疑数据之前，所述医疗行为的监控方法还包括：从所述历史病历数据中获取与所述病种类型数据相关联的历史医疗行为信息，每个历史医疗行为信息包括对应的医疗项目信息和对应的项目费用信息；统计所述医疗项目信息以及对应的所述项目费用信息，根据每个所述医疗项目信息以及对应的所述项目费用信息计算每一个所述医疗项目信息的标准费用信息；根据所述标准费用信息计算每个所述历史医疗行为信息对应的行为余弦值，并对每个所述医疗行为信息对应的所述行为余弦值从小到大进行排序，得到排序结果；获取预设的区间分位数，根据所述分位数和所述排序结果设置余弦合理区间。
9.通过采用上述技术方案，对历史病历数据中的历史行为信息进行统计，从而能够得到每个医疗项目信息的标准费用信息，且由于不同的病例可能发生于不同地区、不同医院或者不同医生，有不同的实际情况，因此相同的医疗项目可能存在波动，因此根据标准费用信息计算每个历史医疗行为信息对应的余弦值，从而能够制定出该医疗项目信息的合理区间，同时，通过余弦值的从小到大的顺序指定该合理区间，能够根据实际的需求，对设置该区间分位数，灵活调整该余弦合理区间，使得得到的医疗行为可疑数据与实际需求更加吻合。
10.本技术在一较佳示例中可以进一步配置为：所述根据所述病种类型数据获取对应的病种项目大数据分析模型，将所述待分析项目数据和所述待分析费用数据输入至所述大数据分析模型，得到医疗行为可疑数据，具体包括：根据所述待分析费用和所述标准费用信息，计算所述待监控医疗行为数据对应的行为余弦值；若所述行为余弦值小于所述余弦合理区间的下限值，则将所述待监控医疗行为数据作为所述医疗行为可疑数据。
11.通过采用上述技术方案，通过计算实际的待分析费用的行为余弦值，能够利用该余弦合理区间，快速判断出该待监控医疗行为是否属于医疗行为可疑数据。
12.本技术在一较佳示例中可以进一步配置为：对所述医疗行为可疑数据进行计算，得到对应的行为影响排序数据，具体包括：从所述医疗行为可疑数据中获取行为项目类型以及每个所述行为项目类型对应的项目费用数据；根据所述行为项目类型对应的项目费用数据和统计得到的所述统计所述医疗项目信息以及对应的所述项目费用信息计算每个所述行为项目类型的影响值；根据所述影响值从大到小的顺序，对所述行为项目类型进行排序，得到所述行为
影响排序数据。
13.通过采用上述技术方案，通过医疗行为可疑数据中计算该影响值，从而能够得到出现异常的具体医疗项目，从而能够便于审核人员做出进一步的核实，提升了审核的效率。
14.本技术的上述发明目的二是通过以下技术方案得以实现的：一种医疗行为的监控装置，所述医疗行为的监控装置包括：待分析数据获取模块，用于获取待监控医疗行为数据，从所述待监控医疗行为数据中提取待分析项目数据和与每个所述待分析项目数据对应的待分析费用数据；种类识别模块，用于获取所述待监控医疗行为数据对应的病种类型数据；可疑行为判定模块，用于根据所述病种类型数据获取对应的病种项目大数据分析模型，将所述待分析项目数据和所述待分析费用数据输入至所述大数据分析模型，得到医疗行为可疑数据；影响因素获取模块，用于对所述医疗行为可疑数据进行计算，得到对应的行为影响排序数据。
15.通过采用上述技术方案，在有医疗行为发生时，获取该待监控医疗行为数据对应的病种类型数据，根据该病种类型数据，通过大数据分析模型记性分析，从而能够智能分析出该待监控医疗行为数据中包含的费用相对于该医疗项目的历史费用是否合理，在对不合理的待监控医疗行为作为该医疗行为可疑数据，从而能够利用大数据分析提升发现有可以医疗行为的效率；同时，通过计算医疗行为可疑数据进行计算，从而能够得到在医疗可疑行为中的影响项目，即应当为患者提供的医疗项目没有提供或者费用偏差过大，或者向患者提供了与该并中类型数据不符合医疗项目，能够便于审核人员进一步核实可疑的行为的效率。
16.本技术的上述目的三是通过以下技术方案得以实现的：一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述医疗行为的监控方法的步骤。
17.本技术的上述目的四是通过以下技术方案得以实现的：一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述医疗行为的监控方法的步骤。
18.综上所述，本技术包括以下至少一种有益技术效果：1、将夹角余弦公式应用于判断医疗行为的合理性，通过大数据模型对医疗行为进行监控，对历史医疗行为类似的病患进行病种分类，对分类后的病种进行建模分析，提供患者整体费用合理性标识，并对患者项目清单进行可疑影响排序，从而降低了对医疗行为合理性的审核难度，大幅降低了专业人士进行人工审核的工作量；2、根据标准费用信息计算每个历史医疗行为信息对应的余弦值，从而能够制定出该医疗项目信息的合理区间，同时，通过余弦值的从小到大的顺序指定该合理区间，能够根据实际的需求，对设置该区间分位数，灵活调整该余弦合理区间，使得得到的医疗行为可疑数据与实际需求更加吻合；3、通过计算实际的待分析费用的行为余弦值，能够利用该余弦合理区间，快速判断出该待监控医疗行为是否属于医疗行为可疑数据。
附图说明
19.图1是本技术一实施例中医疗行为的监控方法的一流程图；图2是本技术一实施例中医疗行为的监控方法中步骤s20的实现流程图；图3是本技术一实施例中医疗行为的监控方法中另一实现流程图；图4是本技术一实施例中医疗行为的监控方法中步骤s30的实现流程图；图5是本技术一实施例中医疗行为的监控方法中步骤s40的实现流程图；图6是本技术一实施例中医疗行为的监控系统的一原理框图；图7是本技术一实施例中的设备示意图。
具体实施方式
20.以下结合附图对本技术作进一步详细说明。
21.在一实施例中，如图1所示，本技术公开了一种医疗行为的监控方法，具体包括如下步骤：s10：获取待监控医疗行为数据，从待监控医疗行为数据中提取待分析项目数据和与每个待分析项目数据对应的待分析费用数据。
22.在本实施例中，待监控医疗行为数据是指已经发生，且需要判断对患者进行治疗的医疗行为是否合理的数据。待分析项目数据是指本次医疗行为中，对该患者采用的医疗项目的信息。待分析费用数据是指每个待分析项目数据具体产生的费用的数据。
23.具体地，在对患者进行诊断，并采用相应的治疗后，产生该待监控医疗行为数据。进一步地，从该待监控医疗行为数据中提取对应的待分析项目数据和产生的待分析费用数据。
24.s20：获取待监控医疗行为数据对应的病种类型数据。
25.在本实施例中，病种类型数据是指该待监控医疗行为数据属于预定的分类标准中的具体类型。
26.具体地，预先设置分类规则，对历史的病例数据进行分类，得到总费用在预定范围内稳定的病种类型。
27.进一步地，根据该待监控医疗行为数据，获取该患者的疾病类型或者治疗类型，进而判断该待监控医疗行为数据所属的病种类型数据。
28.s30：根据病种类型数据获取对应的病种项目大数据分析模型，将待分析项目数据和待分析费用数据输入至大数据分析模型，得到医疗行为可疑数据。
29.在本实施例中，病种项目大数据分析模型是指用于分析医疗行为是否可疑的模型。医疗行为可疑数据是指出现费用不合理的的医疗行为。
30.具体地，采用大数据建模的方式，预先根据历史的病例数据，构建出该病种项目大数据分析模型，用于计算以及判断当前的医疗行为是否存在费用不合理的可疑项。
31.进一步地，通过该病种类型数据获取对应的大数据分析模型，并将待分析项目数据和对应的待分析费用数据输入至该大数据分析模型中进行判断，若判断为可疑，则将该待监控医疗行为数据作为该医疗行为可疑数据。
32.s40：对医疗行为可疑数据进行计算，得到对应的行为影响排序数据。
33.具体地，从医疗行为可疑数据中获取每一个发生的医疗项目和费用，并从历史的
病历数据中获取该病种类型数据所采用过的项目以及对应的费用，通过该历史采用的项目与该医疗项目和费用进行比对，根据比对的相差程度得到医疗行为可疑数据中获取每一个发生的医疗项目的偏差程度，根据该偏差程度从大到小进行排序，得到行为影响排序数据，从而使得审核人员能够根据该行为影响排序数据找到导致该医疗行为不合理的关键因素。
34.在本实施例中，在有医疗行为发生时，获取该待监控医疗行为数据对应的病种类型数据，根据该病种类型数据，通过大数据分析模型记性分析，从而能够智能分析出该待监控医疗行为数据中包含的费用相对于该医疗项目的历史费用是否合理，在对不合理的待监控医疗行为作为该医疗行为可疑数据，从而能够利用大数据分析提升发现有可以医疗行为的效率；同时，通过计算医疗行为可疑数据进行计算，从而能够得到在医疗可疑行为中的影响项目，即应当为患者提供的医疗项目没有提供或者费用偏差过大，或者向患者提供了与该并中类型数据不符合医疗项目，能够便于审核人员进一步核实可疑的行为的效率。
35.在一实施例中，如图2所示，在步骤s20中，即获取待监控医疗行为数据对应的病种类型数据，具体包括：s21：获取历史病历数据，根据预设的分类标准对历史病历数据进行分类。
36.在本实施例中，历史病历数据是指在过去一段时间，已经发生的医疗行为的数据。
37.具体地，通过获取过去3个月、半年或者一年等时间周期的病例数据，作为该历史病历数据。进一步地，可以采用drg分类（疾病诊断相关分组，diagnosis related groups，drg，）作为该分类标准，对该历史病历数据进行首次分类。
38.s22：获取每类历史病历数据对应的总费用数据，根据总费用数据计算每类历史病历数据对应的变异系数，将变异系数小于预设值对应的历史病历数据的类别作为待匹配病种组。
39.在本实施例中，待匹配病种组是指用于查询待监控医疗行为数据的病种类型的集合。
40.具体地，获取每一类的历史病历数据中的病例数量以及总费用数据，计算得到该类的历史病历数据的平均费用。
41.进一步地，获取该类的历史病历中，每一个病历的总费用，并采用以下公式计算出该类历史病历数据的变异系数，其中，该变异系数越小，说明该历史病历数据的价格越趋于稳定，价格越趋于稳定，说明该类的疾病越常见：；进一步地， 将该变异系数小于预设的阈值的类别，作为待匹配病种组。
42.s23：将待监控医疗行为数据在待匹配病种组中匹配，得到病种类型数据。
43.具体地，将待监控医疗行为数据在待匹配病种组中匹配，得到病种类型数据。
44.在一实施例中，如图3所示，在步骤s30之前，根据病种类型数据获取对应的病种项目大数据分析模型，将待分析项目数据和待分析费用数据输入至大数据分析模型，得到医疗行为可疑数据之前，医疗行为的监控方法还包括：s301：从历史病历数据中获取与病种类型数据相关联的历史医疗行为信息，每个
历史医疗行为信息包括对应的医疗项目信息和对应的项目费用信息。
45.具体地，在每一类的历史病历数据中，获取每一个病历中采用的历史医疗行为信息，即已经发生的医疗项目信息，以及对应的项目费用信息。
46.s302：统计医疗项目信息以及对应的项目费用信息，根据每个医疗项目信息以及对应的项目费用信息计算每一个医疗项目信息的标准费用信息。
47.具体地，对于同一类的历史病历数据中，统计所有的医疗项目信息，即总共发生的所有医疗项目，以及每个医疗项目产生过的项目费用信息m。
48.进一步地，根据病例数量，计算每一个医疗项目信息的平均费用，作为该标准费用信息m。
49.s303：根据标准费用信息计算每个历史医疗行为信息对应的行为余弦值，并对每个医疗行为信息对应的行为余弦值从小到大进行排序，得到排序结果。
50.具体地，采用以下公式计算每个医疗行为信息对应的行为余弦值：。
51.进一步地，在得到每个医疗行为信息的行为余弦值后，按照从小到大的顺序进行排序，得到该排序结果。
52.s304：获取预设的区间分位数，根据分位数和排序结果设置余弦合理区间。
53.具体地，可以根据统计学的概念选择5%的分位数，或者根据相关实际需求设置该分位数，根据该区间分位数，作为余弦合理区间的下限值，即该余弦合理区间为。
54.在一实施例中，如图4所示，在步骤s30中，即根据病种类型数据获取对应的病种项目大数据分析模型，将待分析项目数据和待分析费用数据输入至大数据分析模型，得到医疗行为可疑数据，具体包括：s31：根据待分析费用和标准费用信息，计算待监控医疗行为数据对应的行为余弦值。
55.具体地，采用余弦公式，根据每个待分析项目数据对应的待分析费用和标准费用，计算该待监控医疗行为对应的余弦值。
56.s32：若行为余弦值小于余弦合理区间的下限值，则将待监控医疗行为数据作为医疗行为可疑数据。
57.具体地，将该将该余弦值与余弦合理区间进行比对，若该余弦值小于余弦合理区间的下限值，则说明该带监控医疗行为数据发生了不合理的事项，即将该待监控医疗行为数据作为医疗行为可疑数据。
58.在一实施例中，如图5所示，在步骤s40中，即对医疗行为可疑数据进行计算，得到对应的行为影响排序数据，具体包括：s41：从医疗行为可疑数据中获取行为项目类型以及每个行为项目类型对应的项目费用数据。
59.具体地，将对应的待分析项目数据对应的待分析费用数据，作为行为项目类型对
应的项目费用数据。
60.s42：根据行为项目类型对应的项目费用数据和统计得到的统计医疗项目信息以及对应的项目费用信息计算每个行为项目类型的影响值。
61.具体地，患者的每个项目类型数据对应的项目费用数据为t1,t2,t3,...，病种标准项目费用为t1,t2,t3,...，可计算出患者项目费用相对病种项目费用标准的夹角余弦距离vecdist；假设t1=t1,计算得到夹角余弦距离vecdist1；则项目费用t1的影响值 influence1 = abs(vecdist1
‑
vecdist)/vecdist；从而获得影响值结果{influence1,influence2,influence3,...}。
62.s43：根据影响值从大到小的顺序，对行为项目类型进行排序，得到行为影响排序数据。
63.具体地，根据数值大小从大到小进行排序获得影响值排名结果。
64.应理解，上述实施例中各步骤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，而不应对本技术实施例的实施过程构成任何限定。
65.在一实施例中，提供一种医疗行为的监控装置，该医疗行为的监控装置与上述实施例中医疗行为的监控方法一一对应。如图6所示，该医疗行为的监控装置包括待分析数据获取模块、种类识别模块、可疑行为判定模块和影响因素获取模块。各功能模块详细说明如下：待分析数据获取模块，用于获取待监控医疗行为数据，从待监控医疗行为数据中提取待分析项目数据和与每个待分析项目数据对应的待分析费用数据；种类识别模块，用于获取待监控医疗行为数据对应的病种类型数据；可疑行为判定模块，用于根据病种类型数据获取对应的病种项目大数据分析模型，将待分析项目数据和待分析费用数据输入至大数据分析模型，得到医疗行为可疑数据；影响因素获取模块，用于对医疗行为可疑数据进行计算，得到对应的行为影响排序数据。
66.可选的，种类识别模块包括：分类子模块，用于获取历史病历数据，根据预设的分类标准对历史病历数据进行分类；变异系数计算子模块，用于获取每类历史病历数据对应的总费用数据，根据总费用数据计算每类历史病历数据对应的变异系数，将变异系数小于预设值对应的历史病历数据的类别作为待匹配病种组；种类识别子模块，用于将待监控医疗行为数据在待匹配病种组中匹配，得到病种类型数据。
67.可选的，医疗行为的监控装置还包括：历史信息获取模块，用于从历史病历数据中获取与病种类型数据相关联的历史医疗行为信息，每个历史医疗行为信息包括对应的医疗项目信息和对应的项目费用信息；数据统计模块，用于统计医疗项目信息以及对应的项目费用信息，根据每个医疗项目信息以及对应的项目费用信息计算每一个医疗项目信息的标准费用信息；余弦计算模块，用于根据标准费用信息计算每个历史医疗行为信息对应的行为余
弦值，并对每个医疗行为信息对应的行为余弦值从小到大进行排序，得到排序结果；区间设置模块，用于获取预设的区间分位数，根据分位数和排序结果设置余弦合理区间。
68.可选的，可疑行为判定模块包括：行为余弦计算子模块，用于根据待分析费用和标准费用信息，计算待监控医疗行为数据对应的行为余弦值；可疑行为判定子模块，用于若行为余弦值小于余弦合理区间的下限值，则将待监控医疗行为数据作为医疗行为可疑数据。
69.可选的，影响因素获取模块包括：数据获取子模块，用于从医疗行为可疑数据中获取行为项目类型以及每个行为项目类型对应的项目费用数据；影响值计算子模块，用于根据行为项目类型对应的项目费用数据和统计得到的统计医疗项目信息以及对应的项目费用信息计算每个行为项目类型的影响值；排序子模块，用于根据影响值从大到小的顺序，对行为项目类型进行排序，得到行为影响排序数据。
70.关于医疗行为的监控装置的具体限定可以参见上文中对于医疗行为的监控方法的限定，在此不再赘述。上述医疗行为的监控装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
71.在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储历史病历数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种医疗行为的监控方法。
72.在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：获取待监控医疗行为数据，从待监控医疗行为数据中提取待分析项目数据和与每个待分析项目数据对应的待分析费用数据；获取待监控医疗行为数据对应的病种类型数据；根据病种类型数据获取对应的病种项目大数据分析模型，将待分析项目数据和待分析费用数据输入至大数据分析模型，得到医疗行为可疑数据；对医疗行为可疑数据进行计算，得到对应的行为影响排序数据。
73.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取待监控医疗行为数据，从待监控医疗行为数据中提取待分析项目数据和与每个待分析项目数据对应的待分析费用数据；
获取待监控医疗行为数据对应的病种类型数据；根据病种类型数据获取对应的病种项目大数据分析模型，将待分析项目数据和待分析费用数据输入至大数据分析模型，得到医疗行为可疑数据；对医疗行为可疑数据进行计算，得到对应的行为影响排序数据。
74.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（rom）、可编程rom（prom）、电可编程rom（eprom）、电可擦除可编程rom（eeprom）或闪存。易失性存储器可包括随机存取存储器（ram）或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram（sram）、动态ram（dram）、同步dram（sdram）、双数据率sdram（ddrsdram）、增强型sdram（esdram）、同步链路（synchlink） dram（sldram）、存储器总线（rambus）直接ram（rdram）、直接存储器总线动态ram（drdram）、以及存储器总线动态ram（rdram）等。
75.所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，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单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
76.以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，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技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。