医疗清单信息处理方法、装置、计算机设备及存储介质与流程

1.本技术涉及人工智能技术的神经网络技术领域，具体而言，本技术涉及一种医疗清单信息处理方法、装置、计算机设备及存储介质。


背景技术：

2.目前在保险理赔医疗定损领域，当用户在保险公司购买保险后，如果该用户出险时将会在保险公司申请理赔，保险公司需要根据用户的医疗清单信息及保险合同，履行赔偿或给付责任，这个过程一般会借助计算机计算该用户的医疗赔偿数值。
3.由于不同清单类型的医疗清单信息的计算规则可能存在较大差异，现有的计算机只能机械地处理单一清单类型的医疗清单信息，当需要计算机处理多种清单类型的医疗清单信息时，则需要借助多台计算机分别处理，操作不便，影响处理效率，且多台计算机分别处理的方式也容易增加医疗清单信息输入出错的概率，最终导致计算得到的医疗赔偿数值不准确，从而无法准确评估用户的医疗赔偿数值。例如，由于各地医院或诊所出具的医保结算单、费用清单等医疗清单信息不统一，且各地医保类用药标准、收费标准也存在差异，因此对应的计算规则具有较大差异，则需要获取每种计算规则相对应的计算机，借助多台计算机分别处理，操作不便，影响处理效率。


技术实现要素：

4.本技术的主要目的为提供一种医疗清单信息处理方法、装置、计算机设备及存储介质，无需借助多台计算机分别处理，操作便利，提高医疗清单信息的处理效率。
5.为了实现上述发明目的，本技术提供一种医疗清单信息处理方法，其包括：
6.获取用户的医疗清单信息，根据清单类型对所述医疗清单信息进行分类处理，得到每种清单类型对应的目标医疗清单信息；
7.根据每个所述目标医疗清单信息的清单类型查询每个所述目标医疗清单信息对应的结算模型；
8.将每个所述目标医疗清单信息分别输入对应的结算模型进行模拟运算，得到每个所述目标医疗清单信息的报销系数；
9.从每个所述目标医疗清单信息中提取费用数据，得到每个所述目标医疗清单信息的费用数据；
10.根据每个所述目标医疗清单信息的所述费用数据及对应的报销系数计算得到所述用户的医疗赔偿数值。
11.优选地，所述从每个所述目标医疗清单信息中提取费用数据，包括：
12.根据每个所述目标医疗清单信息的报销系数进行标准方差计算，得到标准方差值；
13.判断所述标准方差值是否小于预设标准方差值；
14.若是，则从每个所述目标医疗清单信息中提取费用数据。
15.优选地，所述根据每个所述目标医疗清单信息的清单类型查询每个所述目标医疗清单信息对应的结算模型，包括：
16.获取训练数据；其中，所述训练数据包括医疗清单信息样本及对应的参考报销系数；
17.利用所述训练数据对预设的初始神经网络模型进行训练；
18.获取所述初始神经网络模型完成训练后的训练结果，判断所述训练结果是否满足要求；
19.在确定所述训练结果满足要求时，将完成训练的所述初始神经网络模型作为所述结算模型。
20.优选地，所述判断所述训练结果是否满足要求，包括：
21.根据所述训练结果及预设的损失函数计算所述初始神经网络模型的损失值；
22.判断所述损失值是否小于预设损失值；
23.若是，则判定所述训练结果满足要求；
24.若否，根据所述损失值调整所述初始神经网络模型的相关参数，利用所述训练数据对调整相关参数后的初始神经网络模型进行重新训练，直至所述初始神经网络模型的损失值小于预设损失值为止。
25.优选地，所述将完成训练的所述初始神经网络模型作为所述结算模型，包括：
26.定期获取新增的医疗清单信息样本；
27.对所述新增的医疗清单信息样本进行清洗处理，得到目标训练数据；
28.根据所述目标训练数据对完成训练的所述初始神经网络模型进行迭代优化，得到迭代优化结果；
29.判断所述迭代优化结果是否满足要求；
30.若是，则确定迭代优化结束，将迭代优化后的所述初始神经网络模型作为所述结算模型。
31.优选地，所述根据清单类型对所述医疗清单信息进行分类处理，包括：
32.计算所述医疗清单信息的完整度；其中，所述完整度用于评估所述医疗清单信息中关键信息的缺失情况；
33.判断所述完整度是否大于预设值；
34.若否，从数据库中获取所述医疗清单信息缺失的关键信息，得到目标关键信息，将所述目标关键信息导入所述医疗清单信息中，并根据清单类型对导入所述目标关键信息的所述医疗清单信息进行分类处理。
35.优选地，所述根据每个所述目标医疗清单信息的所述费用数据及对应的报销系数计算得到所述用户的医疗赔偿数值，包括：
36.将每个所述目标医疗清单信息的所述费用数据乘以对应的报销系数并进行累加后，得到所述用户的医疗赔偿数值。
37.本技术还提供一种医疗清单信息处理装置，其包括：
38.获取模块，用于获取用户的医疗清单信息，根据清单类型对所述医疗清单信息进行分类处理，得到每种清单类型对应的目标医疗清单信息；
39.查询模块，用于根据每个所述目标医疗清单信息的清单类型查询每个所述目标医
疗清单信息对应的结算模型；
40.输入模块，用于将每个所述目标医疗清单信息分别输入对应的结算模型进行模拟运算，得到每个所述目标医疗清单信息的报销系数；
41.提取模块，用于从每个所述目标医疗清单信息中提取费用数据，得到每个所述目标医疗清单信息的费用数据；
42.计算模块，用于根据每个所述目标医疗清单信息的所述费用数据及对应的报销系数计算得到所述用户的医疗赔偿数值。
43.本技术还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
44.本技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述任一项所述方法的步骤。
45.本技术所提供的一种医疗清单信息处理方法、装置、计算机设备及存储介质，通过获取用户的医疗清单信息，根据清单类型对医疗清单信息进行分类处理，得到每种清单类型对应的目标医疗清单信息，根据每个目标医疗清单信息的清单类型查询每个目标医疗清单信息对应的结算模型，将每个目标医疗清单信息分别输入对应的结算模型进行模拟运算，得到每个目标医疗清单信息的报销系数，从每个目标医疗清单信息中提取费用数据，得到每个目标医疗清单信息的费用数据，根据每个目标医疗清单信息的费用数据及对应的报销系数计算得到用户的医疗赔偿数值，以按照医疗清单信息的清单类型，利用不同的结算模型计算得到相应的报销系数，基于所有报销系数确定医疗赔偿数值，以提高医疗赔偿数值的准确性，加快整个理赔流程，使保险客户获得更流畅的理赔服务；且不同的结算模型可配置在同一台计算机中，借助不同的结算模型处理不同清单类型的医疗清单信息，提高医疗清单信息的处理效率，也无需将医疗清单信息按照清单类型分别输入不同的计算机中，减少输入出错的概率。
附图说明
46.图1为本技术一实施例的医疗清单信息处理方法的流程示意图；
47.图2为本技术一实施例的医疗清单信息处理装置的结构示意框图；
48.图3为本技术一实施例的计算机设备的结构示意框图。
49.本技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
50.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
51.本技术提出一种医疗清单信息处理方法，本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(art i f i c i a li nte l l i gence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
52.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、
大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
53.本技术提出的一种医疗清单信息处理方法，以服务器为执行主体，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
54.该医疗清单信息处理方法用于解决现有的计算机只能机械地处理单一清单类型的医疗清单信息，当需要计算机处理多种清单类型的医疗清单信息时，则需要借助多台计算机分别处理，操作不便，影响处理效率的技术问题。参考图1，其中一个实施例中，该医疗清单信息处理方法包括：
55.s11、获取用户的医疗清单信息，根据清单类型对所述医疗清单信息进行分类处理，得到每种清单类型对应的目标医疗清单信息；
56.s12、根据每个所述目标医疗清单信息的清单类型查询每个所述目标医疗清单信息对应的结算模型；
57.s13、将每个所述目标医疗清单信息分别输入对应的结算模型进行模拟运算，得到每个所述目标医疗清单信息的报销系数；
58.s14、从每个所述目标医疗清单信息中提取费用数据，得到每个所述目标医疗清单信息的费用数据；
59.s15、根据每个所述目标医疗清单信息的所述费用数据及对应的报销系数计算得到所述用户的医疗赔偿数值。
60.如上述步骤s11所述，当用户需要医疗报销时，可通过用户所在终端上传医疗清单信息，该医疗清单信息为用户看病或住院时期开具的清单，可包括：医保结算单、费用清单、发票等，医保结算单包括费用项目、自费费用、部分项目自付费用、累计费用等等；费用清单可包括诊断费、检查费、住院费及药费等等。本实施例的服务器可获取用户的所有医疗清单信息，根据清单类型对所有医疗清单信息进行分类处理，得到每种清单类型对应的目标医疗清单信息，如医疗清单信息可根据存证的清单类型进行分类，可根据存证的清单类型不同分别归类为发票或单据存证，发票类型的医疗清单信息为用户看病后开具的发票，包括疾病信息、基本用户信息、药物费用等等信息，
61.如上述步骤s12所述，对于每个清单类型的医疗清单信息都会运行一个结算模型，该结算模型为预先训练好的神经网络模型，用于基于医疗清单信息生成相应的报销系数，该报销系数也称为报销比例。具体的，本实施例可根据每个目标医疗清单信息的清单类型查询相应的结算模型，得到每个目标医疗清单信息的结算模型，不同的结算模型配置在同一台计算机中，实现在一台计算机中，借助不同的结算模型处理不同清单类型的医疗清单信息，也无需将医疗清单信息按照清单类型分别输入不同的计算机中，减少输入出错的概率。
62.如上述步骤s13-s15所述，本实施例将每个目标医疗清单信息分别输入对应的结算模型进行模拟运算，得到每个目标医疗清单信息的报销系数，并提取每个所述目标医疗清单信息的费用数据，根据每个目标医疗清单信息的报销系数及相应的费用数据计算得到
用户的医疗赔偿数值。
63.例如，当用户有三个目标医疗清单信息a、b、c时，三个目标医疗清单信息a、b、c对应计算得到的报销系数为0.9、0.8、0.7，三个目标医疗清单信息a、b、c对应的总费用分别为1000、100、1000，则计算得到用户的医疗赔偿数值为1000*0.9 100*0.8 1000*0.7＝1680。
64.本技术所提供的一种医疗清单信息处理方法，通过获取用户的医疗清单信息，根据清单类型对医疗清单信息进行分类处理，得到每种清单类型对应的目标医疗清单信息，根据每个目标医疗清单信息的清单类型查询每个目标医疗清单信息对应的结算模型，将每个目标医疗清单信息分别输入对应的结算模型进行模拟运算，得到每个目标医疗清单信息的报销系数，从每个目标医疗清单信息中提取费用数据，得到每个目标医疗清单信息的费用数据，根据每个目标医疗清单信息的费用数据及对应的报销系数计算得到用户的医疗赔偿数值，以按照医疗清单信息的清单类型，利用不同的结算模型计算得到相应的报销系数，基于所有报销系数确定医疗赔偿数值，以提高医疗赔偿数值的准确性，加快整个理赔流程，使保险客户获得更流畅的理赔服务；且不同的结算模型可配置在同一台计算机中，借助不同的结算模型处理不同清单类型的医疗清单信息，提高医疗清单信息的处理效率，也无需将医疗清单信息按照清单类型分别输入不同的计算机中，减少输入出错的概率。
65.在一实施例中，所述从每个所述目标医疗清单信息中提取费用数据，可具体包括：
66.根据每个所述目标医疗清单信息的报销系数进行标准方差计算，得到标准方差值；
67.判断所述标准方差值是否小于预设标准方差值；
68.若是，则从每个所述目标医疗清单信息中提取费用数据。
69.本实施例在计算得到每个目标医疗清单信息的报销系数后，对每个目标医疗清单信息的报销系数进行标准方差计算，得到标准方差值，并判断标准方差值是否小于预设标准方差值，在判定标准方差值小于预设标准方差值时，则从每个目标医疗清单信息中提取费用数据；在判定标准方差值不小于预设标准方差值时，则需重新计算每个医疗清单信息的报销系数，如通过人工核算的方式进行重新计算，以确保数据的准确性。其中，该标准方差值可用于评估计算得到的所有报销系数之间的偏差情况，标准方差值越大，则报销系数之间的偏差较大，结算模型计算得到的报销系数的可靠性较低；标准方差值越小，则报销系数之间的偏差较小，结算模型计算得到的报销系数的可靠性较高。
70.在一实施例中，本实施例还可计算所有医疗清单信息的报销系数的平均值，得到平均报销系数，将每个医疗清单信息的报销系数与平均报销系数进行一一比对，计算得到多个偏差值，从所有医疗清单信息的报销系数中提取出偏差值较大的报销系数，得到目标报销系数，通过人工核算的方式对该目标报销系数对应的医疗清单信息进行重新计算。
71.在一实施例中，所述根据每个所述目标医疗清单信息的报销系数进行标准方差计算，得到标准方差值，包括如下公式：
[0072][0073]
其中，所述s为标准方差值，所述xi某个医疗清单信息的报销系数，所述y为所有医疗清单信息的报销系数的平均值，n为报销系数的数量。
[0074]
在一实施例中，所述根据每个所述目标医疗清单信息的清单类型查询每个所述目
标医疗清单信息对应的结算模型，可具体包括：
[0075]
获取训练数据；其中，所述训练数据包括医疗清单信息样本及对应的参考报销系数；
[0076]
利用所述训练数据对预设的初始神经网络模型进行训练；
[0077]
获取所述初始神经网络模型完成训练后的训练结果，判断所述训练结果是否满足要求；
[0078]
在确定所述训练结果满足要求时，将完成训练的所述初始神经网络模型作为所述结算模型。
[0079]
本实施例可从数据库、医疗科技平台或医疗系统中获取预设历史周期内的真实的医疗清单信息作为医疗清单信息样本，并确定每个医疗清单信息样本对应的参考报销系数，生成训练数据，将训练数据输入到预先搭建的初始神经网络模型中进行迭代训练，在初始神经网络模型完成最后一次训练后，获取初始神经网络模型最后一次训练后的训练结果，判断训练结果是否满足，在确定训练结果满足要求后，将训练结果满足要求的初始神经网络模型作为结算模型，以得到训练好的结算模型。其中，医疗科技平台根据国家最新标准和海量各地医疗标准库输出对应费用项的医保标准、药品与疾病冲突、药品之间冲突、药效重复信息。
[0080]
需要说明的是，医疗清单信息样本的数量需大于预设数量，医疗清单信息样本的数量越多，则训练得到的结算模型的计算精度越高。
[0081]
在一实施例中，所述判断所述训练结果是否满足要求，可具体包括：
[0082]
根据所述训练结果及预设的损失函数计算所述初始神经网络模型的损失值；
[0083]
判断所述损失值是否小于预设损失值；
[0084]
若是，则判定所述训练结果满足要求；
[0085]
若否，根据所述损失值调整所述初始神经网络模型的相关参数，利用所述训练数据对调整相关参数后的初始神经网络模型进行重新训练，直至所述初始神经网络模型的损失值小于预设损失值为止。
[0086]
在本实施例中，在对初始神经网络模型每次训练后，可利用预设的损失函数计算每次训练完成后的初始神经网络模型的损失值，并在损失值满足预设阈值或小于预设损失值时，即满足要求，则表明初始神经网络模型达到训练要求，完成所述初始神经网络模型的训练，以提高结算模型的计算精度。其中，损失函数用来评价神经网络模型的预测值和真实值不一样的程度，损失函数越好，通常神经网络模型的性能越好。损失函数包括均方差损失函数，均方差损失函数常用在最小二乘法中，其使得各个训练点到最优拟合线的距离最小。
[0087]
当初始神经网络模型的损失值不小于预设损失值时，可根据损失值在初始神经网络模型的神经网络结构中进行前向传递的特性，调整初始神经网络模型的相关参数，基于重新设置的相关参数对调整后的初始神经网络模型进行重新训练，直至初始神经网络模型的损失值小于预设损失值为止，至此初始神经网络模型训练结束，得到训练结果满足要求的初始神经网络模型，进而得到训练好的结算模型。
[0088]
在一实施例中，所述将完成训练的所述初始神经网络模型作为所述结算模型，可具体包括：
[0089]
定期获取新增的医疗清单信息样本；
[0090]
对所述新增的医疗清单信息样本进行清洗处理，得到目标训练数据；
[0091]
根据所述目标训练数据对完成训练的所述初始神经网络模型进行迭代优化，得到迭代优化结果；
[0092]
判断所述迭代优化结果是否满足要求；
[0093]
若是，则确定迭代优化结束，将迭代优化后的所述初始神经网络模型作为所述结算模型。
[0094]
本实施例可对结算模型的计算结果进行人工质检,修正微量计算误差。具体的，定期获取新增的医疗清单信息样本，对新增的医疗清单信息样本进行清洗处理，以去除不符合格式要求或无实质意义的数据，最终得到目标训练数据，根据目标训练数据对结算模型进行迭代优化，获取迭代优化结果，当迭代优化结果满足要求时，确定迭代优化结束，得到迭代优化后的初始神经网络模型作为结算模型，以对训练后的初始神经网络模型进行不断调整、优化。
[0095]
在一实施例中，还可以比对每次训练后的初始神经网络模型的实际性能，获得当前初始神经网络模型输出得到的报销系数的误差，将该误差前向反馈至初始神经网络模型中，以使初始神经网络模型根据该误差更新参数，并基于更新后的参数执行下一次迭代操作，以不断优化初始神经网络模型。在每一次迭代操作之后，可以判断更新参数后的初始神经网络模型是否达到预设的收敛条件，若未达到预设的收敛条件，则基于更新参数后的初始神经网络模型返回执行下一次迭代操作。其中，该预设的收敛条件可以包括：初始神经网络模型每次输出的报销系数的误差小于预设误差阈值；在最近的若干次迭代操作中初始神经网络模型的参数更新率持续低于预设更新率阈值，迭代操作的次数达到预设的阈值。
[0096]
在一实施例中，所述根据清单类型对所述医疗清单信息进行分类处理，可具体包括：
[0097]
计算所述医疗清单信息的完整度；其中，所述完整度用于评估所述医疗清单信息中关键信息的缺失情况；
[0098]
判断所述完整度是否大于预设值；
[0099]
若否，从数据库中获取所述医疗清单信息缺失的关键信息，得到目标关键信息，将所述目标关键信息导入所述医疗清单信息中，并根据清单类型对导入所述目标关键信息的所述医疗清单信息进行分类处理。
[0100]
本实施例遍历医疗清单信息的所有信息，将其划分为关键信息及非关键信息，该关键信息可以是用户姓名、身份证号码、手机号码、费用等等；非关键信息可以是住院地址、医院级别等等。同时计算未缺失的关键信息的数量，得到第一数值，计算医疗清单信息的所有信息的数量，得到第二数值，计算第一数值与第二数值的比值，得到医疗清单信息的完整度，用于评估医疗清单信息中关键信息的缺失情况，完整度越高，则关键信息的缺失数量越少，反之则越多。
[0101]
本实施例可预先设定预设值，该预设值为结算模型能处理的最低完整度，在得到医疗清单信息的完整度之后，判断该完整度是否低于预设值，在确定该完整度低于预设值时，确定医疗清单信息缺失的关键信息，从数据库中查询缺失的关键信息，将缺失的关键信息导入所述医疗清单信息中，以使医疗清单信息的完整度大于预设值，避免因医疗清单信息的关键信息缺失严重，导致结算模型无法计算出准确的报销系数。
[0102]
在一实施例中，所述根据每个所述目标医疗清单信息的所述费用数据及对应的报销系数计算得到所述用户的医疗赔偿数值，可具体包括：
[0103]
将每个所述目标医疗清单信息的所述费用数据乘以对应的报销系数并进行累加后，得到所述用户的医疗赔偿数值。
[0104]
本实施例将每个目标医疗清单信息的费用数据乘以对应的报销系数后，得到每个目标医疗清单信息对应的报销费用，将每个目标医疗清单信息对应的报销费用进行累加后，得到用户的医疗赔偿数值。例如，当用户有三个目标医疗清单信息a、b、c时，三个目标医疗清单信息a、b、c对应计算得到的报销系数为0.9、0.8、0.7，三个目标医疗清单信息a、b、c对应的总费用分别为1000、100、1000，则计算得到用户的医疗赔偿数值为1000*0.9 100*0.8 1000*0.7＝1680。
[0105]
参照图2，本技术实施例中还提供一种医疗清单信息处理装置，包括：
[0106]
获取模块11，用于获取用户的医疗清单信息，根据清单类型对所述医疗清单信息进行分类处理，得到每种清单类型对应的目标医疗清单信息；
[0107]
查询模块12，用于根据每个所述目标医疗清单信息的清单类型查询每个所述目标医疗清单信息对应的结算模型；
[0108]
输入模块13，用于将每个所述目标医疗清单信息分别输入对应的结算模型进行模拟运算，得到每个所述目标医疗清单信息的报销系数；
[0109]
提取模块14，用于从每个所述目标医疗清单信息中提取费用数据，得到每个所述目标医疗清单信息的费用数据；
[0110]
计算模块15，用于根据每个所述目标医疗清单信息的所述费用数据及对应的报销系数计算得到所述用户的医疗赔偿数值。
[0111]
当用户需要医疗报销时，可通过用户所在终端上传医疗清单信息，该医疗清单信息为用户看病或住院时期开具的清单，可包括：医保结算单、费用清单、发票等，医保结算单包括费用项目、自费费用、部分项目自付费用、累计费用等等；费用清单可包括诊断费、检查费、住院费及药费等等。本实施例的服务器可获取用户的所有医疗清单信息，根据清单类型对所有医疗清单信息进行分类处理，得到每种清单类型对应的目标医疗清单信息，如医疗清单信息可根据存证的清单类型进行分类，可根据存证的清单类型不同分别归类为发票或单据存证，发票类型的医疗清单信息为用户看病后开具的发票，包括疾病信息、基本用户信息、药物费用等等信息，
[0112]
此外，对于每个清单类型的医疗清单信息都会运行一个结算模型，该结算模型为预先训练好的神经网络模型，用于基于医疗清单信息生成相应的报销系数，该报销系数也称为报销比例。具体的，本实施例可根据每个目标医疗清单信息的清单类型查询相应的结算模型，得到每个目标医疗清单信息的结算模型，不同的结算模型配置在同一台计算机中，实现在一台计算机中，借助不同的结算模型处理不同清单类型的医疗清单信息，也无需将医疗清单信息按照清单类型分别输入不同的计算机中，减少输入出错的概率。
[0113]
本实施例将每个目标医疗清单信息分别输入对应的结算模型进行模拟运算，得到每个目标医疗清单信息的报销系数，并提取每个所述目标医疗清单信息的费用数据，根据每个目标医疗清单信息的报销系数及相应的费用数据计算得到用户的医疗赔偿数值。
[0114]
例如，当用户有三个目标医疗清单信息a、b、c时，三个目标医疗清单信息a、b、c对
应计算得到的报销系数为0.9、0.8、0.7，三个目标医疗清单信息a、b、c对应的总费用分别为1000、100、1000，则计算得到用户的医疗赔偿数值为1000*0.9 100*0.8 1000*0.7＝1680。
[0115]
如上所述，可以理解地，本技术中提出的所述医疗清单信息处理装置的各组成部分可以实现如上所述医疗清单信息处理方法任一项的功能，具体结构不再赘述。
[0116]
参照图3，本技术实施例中还提供一种计算机设备，其内部结构可以如图3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，该计算机设计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存储介质、内存储器。该存储介质存储有操作系统、计算机程序和数据库。该内存器为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所述医疗清单信息处理方法的相关数据。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清单信息处理方法。
[0117]
上述处理器执行上述的医疗清单信息处理方法，包括：
[0118]
获取用户的医疗清单信息，根据清单类型对所述医疗清单信息进行分类处理，得到每种清单类型对应的目标医疗清单信息；
[0119]
根据每个所述目标医疗清单信息的清单类型查询每个所述目标医疗清单信息对应的结算模型；
[0120]
将每个所述目标医疗清单信息分别输入对应的结算模型进行模拟运算，得到每个所述目标医疗清单信息的报销系数；
[0121]
从每个所述目标医疗清单信息中提取费用数据，得到每个所述目标医疗清单信息的费用数据；
[0122]
根据每个所述目标医疗清单信息的所述费用数据及对应的报销系数计算得到所述用户的医疗赔偿数值。
[0123]
本技术一实施例还提供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一种医疗清单信息处理方法，包括步骤：
[0124]
获取用户的医疗清单信息，根据清单类型对所述医疗清单信息进行分类处理，得到每种清单类型对应的目标医疗清单信息；
[0125]
根据每个所述目标医疗清单信息的清单类型查询每个所述目标医疗清单信息对应的结算模型；
[0126]
将每个所述目标医疗清单信息分别输入对应的结算模型进行模拟运算，得到每个所述目标医疗清单信息的报销系数；
[0127]
从每个所述目标医疗清单信息中提取费用数据，得到每个所述目标医疗清单信息的费用数据；
[0128]
根据每个所述目标医疗清单信息的所述费用数据及对应的报销系数计算得到所述用户的医疗赔偿数值。
[0129]
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，本技术所提供的和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。非易失性存储器可以包括只读存储器(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)、双速据率sdram(ssrsdram)、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。
[0130]
综上所述，本技术的最大有益效果在于：
[0131]
本技术所提供的一种医疗清单信息处理方法、装置、计算机设备及存储介质，通过获取用户的医疗清单信息，根据清单类型对医疗清单信息进行分类处理，得到每种清单类型对应的目标医疗清单信息，根据每个目标医疗清单信息的清单类型查询每个目标医疗清单信息对应的结算模型，将每个目标医疗清单信息分别输入对应的结算模型进行模拟运算，得到每个目标医疗清单信息的报销系数，从每个目标医疗清单信息中提取费用数据，得到每个目标医疗清单信息的费用数据，根据每个目标医疗清单信息的费用数据及对应的报销系数计算得到用户的医疗赔偿数值，以按照医疗清单信息的清单类型，利用不同的结算模型计算得到相应的报销系数，基于所有报销系数确定医疗赔偿数值，以提高医疗赔偿数值的准确性，加快整个理赔流程，使保险客户获得更流畅的理赔服务；且不同的结算模型可配置在同一台计算机中，借助不同的结算模型处理不同清单类型的医疗清单信息，提高医疗清单信息的处理效率，也无需将医疗清单信息按照清单类型分别输入不同的计算机中，减少输入出错的概率。
[0132]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
[0133]
以上所述仅为本技术的优选实施例，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利保护范围内。