一种基于神经网络的异常病例识别方法及计算设备技术

本发明专利技术实施例公开了一种基于神经网络的异常病例识别方法及计算设备，该方法包括：接收第一病例，所述第一病例的病例数据包括实际检查项组合，所述实际检查项组合包括至少一个检查项；提取所述第一病例的病例特征，并将所述病例特征输入到检查分类模型，得到所述第一病例的预测检查项组合；将所述实际检查项组合与所述预测检查项组合中的项进行比对，计算所述实际检查项组合与所述预测检查项组合的第一相同率；在所述第一相同率小于第一阈值时，识别所述第一病例为异常病例，并输出用于提示所述第一病例为异常病例的提示信息，进而实现对异常病例的识别。

【技术实现步骤摘要】
一种基于神经网络的异常病例识别方法及计算设备
本专利技术涉及医疗管理
，具体涉及一种基于神经网络的异常病例识别方法及计算设备。
技术介绍
随着国家公共医疗的布局和医疗改革的不断深入，支付制度改革是系统工程是医保管理理念和医保经办机构角色发生重大转变的体现。推行按照病种付费，充分体现了支付制度才是全面医改的关键所在。所谓按病种付费，就是指通过统一的疾病诊断分类，科学地制定出每一种疾病的定额偿付标准，社保机构按照该标准与住院人次，向定点医疗机构支付住院费用，使得医疗资源利用标准化，即医疗机构资源消耗与所治疗的住院病人的数量、疾病复杂程度和服务强度成正比。简而言之，就是明确规定某一种疾病该花多少钱，从而既避免了医疗单位滥用医疗服务项目、重复项目和分解项目，防止医院小病大治，又保证了医疗服务质量。标准化的医疗信息对于医疗信息大数据应用于按病种收费的支付方式非常重要，医疗信息的标准化是实现医疗大数据进行应用的前提。病种的分类目前通常采用国际疾病分类(internationalClassificationofdiseases,ICD)。ICD-10根据病因、部位、病理及临床表现等特征将疾病划分为21章节、26000多种病种，并对各个病种进行编码。然而，对于中国的医疗的整体环境来说，各个地区常见的病种远远少于26000，且医疗人员在记录病例时，由于现有技术中病种的多样性、复杂性，医务人员往往不按照国际的标准来等级，各个地区有地区化的语言描述，给按病种付费的实施带来一定困难。按照规定，各地确定按病种付费支付标准时，应充分考虑医疗服务成本、既往实际发生费用、医保基金承受能力和参保人负担水平等因素，结合病种主要操作和治疗方式，通过与医疗机构协商谈判合理确定，如何根据各地的医疗情况确定支付标准，如何管理按病种付费的医疗费用，检测和分析病例、医疗付费标准等都是目前急需解决的技术问题。
技术实现思路
本专利技术实施例提供了一种基于神经网络的异常病例识别方法及计算设备，可实现异常病例的识别。第一方面，本专利技术实施例提供一种基于神经网络的异常病例识别方法，包括：接收第一病例，所述第一病例的病例数据包括实际检查项组合，所述实际检查项组合包括至少一个检查项；提取所述第一病例的病例特征，并将所述病例特征输入到检查分类模型，得到所述第一病例的预测检查项组合；将所述实际检查项组合与所述预测检查项组合中的项进行比对，计算所述实际检查项组合与所述预测检查项组合的第一相同率，所述第一相同率用于表示所述实际检查项组合与所述预测检查项组合的相似程度；在所述第一相同率小于第一阈值时，识别所述第一病例为异常病例，并输出用于提示所述第一病例为异常病例的提示信息。在本申请的一种实现中，所述预测检查组合包括V个组合，V为正整数，所述第一相同率的计算方法为：其中，i为所述实际检查组合中检查项的索引，i为正整数；j为所述预测检查组合的索引，j为正整数，且j≤V；Rj为所述预测检查组合j的概率，且∑jRj＝1；若检查项i为所述预测检查项组合j中的项则Qi,j等于1，若所述检查项i不为所述预测检查项组合j中的项，则Qi,j为0。在本申请的又一种实现中，所述将所述病例特征输入到检查分类模型，得到所述第一病例的预测检查项组合之前，所述方法还包括：获取样本病例集，所述样本病例集中任一病例包括病例特征和真实检查项组合；将所述样本病例集中每一个病例的病例特征输入到新建分类模型，通过监督所述样本病例集中每一个病例的真实检查项组合对所述新建分类模型进行训练，得到所述新建分类模型的模型参数；将所述模型参数输入到所述新建分类模型，得到所述检查分类模型。在本申请的又一种实现中，所述方法还包括：根据所述第一相同率计算所述第一病例的风险系数，所述风险系数用于指示所述第一病例为异常病例的概率，所述第一相同率越大则所述风险系数越小；其中，其中，F为所述风险系数，P为所述第一相同率。在本申请的又一种实现中，所述实际检查项组合包括实际定性检查项组合以及实际定量检查项组合，所述预测检查项组合包括预测定性检查项组合以及预测定量检查项组合，所述在所述相同率小于第一阈值时，识别所述第一病例为异常病例，输出用于提示所述第一病例为异常病例的提示信息之后，方法还包括：计算所述实际定性检查项组合与所述预测定性检查项组合的第二相同率，以及计算所述实际定量检查项组合与所述预测定量检查项组合的第三相同率；在所述第二相同率小于第二阈值时，输出用于指示所述第一病例的实际定性检查项组合存在异常的提示信息；在所述第三相同率小于第三阈值时，输出用于指示所述第一病例的实际定量检查项组合存在异常的提示信息。在本申请的又一种实现中，所述方法还包括：获取第一病例集，所述第一病例为所述第一病例集中任一病例；确定所述第一病例集中的异常病例，可视化显示所述第一病例集中所有的异常病例。可选地，所述可视化显示所述第一病例集中所有的异常病例包括：统计所述第二病例集中第一检查项出现的频次，所述第二病例集为所述第一病例集中所有的异常病例的集合，所述第一检查项为所述第二病例集中每一个病例包括的检测项组成的集合中的任意一种检查项；输出第一图像，所述第一图像包括所述第一检查项与所述第一检查项的频次的对应关系。第二方面，本申请实施例还提供了一种计算设备，包括：接收单元，用于接收第一病例，所述第一病例的病例数据包括实际检查项组合，所述实际检查项组合包括至少一个检查项；第一计算单元，用于提取所述第一病例的病例特征，并将所述病例特征输入到检查分类模型，得到所述第一病例的预测检查项组合；第二计算单元，用于将所述实际检查项组合与所述预测检查项组合中的项进行比对，计算所述实际检查项组合与所述预测检查项组合的第一相同率，所述第一相同率用于表示所述实际检查项组合与所述预测检查项组合的相似程度；识别输出单元，用于在所述第一相同率小于第一阈值时，识别所述第一病例为异常病例，并输出用于提示所述第一病例为异常病例的提示信息。在本申请的一种实现中，所述预测检查组合包括V个组合，V为正整数，所述第一相同率的计算方法为：其中，i为所述实际检查组合中检查项的索引，i为正整数；j为所述预测检查组合的索引，j为正整数，且j≤V；Rj为所述预测检查组合j的概率，且∑jRj＝1；若检查项i为所述预测检查项组合j中的项则Qi,j等于1，若所述检查项i不为所述预测检查项组合j中的项，则Qi,j为0。在本申请的又一种实现中，所述计算设备还包括：学习单元，用于：在所述第一计算单元执行所述将所述病例特征输入到检查分类模型，得到所述第一病例的预测检查项组合之前，获取样本病例集，所述样本病例集中任一病例包括病例特征和真实检查项组合；将所述样本病例集中每一个病例的病例特征输入到新建分类模型，通过监督所述样本病例集中每一个病例的真实检查项组合对所述新建分类模型进行训练，得到所述新建分类模型的模型参数；将所述模型参数输入到所述新建分类模型，得到所述检查分类模型。在本申请的又一种实现中，所述计算设备还包括：第三计算单元，用于：根据所述第一相同率计算所述第一病例的风险系数，所述风险系数用于指示所述第一病例为异常病例的概率，所述第一相同率越大则所述风险系数越小；其中，其中，F为所述风险系数，P为所述第一相同率。在本申请的本文档来自技高网...

【技术保护点】
1.一种基于神经网络的异常病例识别方法，其特征在于，包括：接收第一病例，所述第一病例的病例数据包括实际检查项组合，所述实际检查项组合包括至少一个检查项；提取所述第一病例的病例特征，并将所述病例特征输入到检查分类模型，得到所述第一病例的预测检查项组合；将所述实际检查项组合与所述预测检查项组合中的项进行比对，计算所述实际检查项组合与所述预测检查项组合的第一相同率，所述第一相同率用于表示所述实际检查项组合与所述预测检查项组合的相似程度；在所述第一相同率小于第一阈值时，识别所述第一病例为异常病例，并输出用于提示所述第一病例为异常病例的提示信息。

【技术特征摘要】
1.一种基于神经网络的异常病例识别方法，其特征在于，包括：接收第一病例，所述第一病例的病例数据包括实际检查项组合，所述实际检查项组合包括至少一个检查项；提取所述第一病例的病例特征，并将所述病例特征输入到检查分类模型，得到所述第一病例的预测检查项组合；将所述实际检查项组合与所述预测检查项组合中的项进行比对，计算所述实际检查项组合与所述预测检查项组合的第一相同率，所述第一相同率用于表示所述实际检查项组合与所述预测检查项组合的相似程度；在所述第一相同率小于第一阈值时，识别所述第一病例为异常病例，并输出用于提示所述第一病例为异常病例的提示信息。2.如权利要求1所述的方法，其特征在于，所述预测检查组合包括V个组合，V为正整数，所述第一相同率的计算方法为：其中，i为所述实际检查组合中检查项的索引，i为正整数；j为所述预测检查组合的索引，j为正整数，且j≤V；Rj为所述预测检查组合j的概率，且∑jRj＝1；若检查项i为所述预测检查项组合j中的项则Qi,j等于1，若所述检查项i不为所述预测检查项组合j中的项，则Qi,j为0。3.如权利要求1所述的方法，其特征在于，所述将所述病例特征输入到检查分类模型，得到所述第一病例的预测检查项组合之前，所述方法还包括：获取样本病例集，所述样本病例集中任一病例包括病例特征和真实检查项组合；将所述样本病例集中每一个病例的病例特征输入到新建分类模型，通过监督所述样本病例集中每一个病例的真实检查项组合对所述新建分类模型进行训练，得到所述新建分类模型的模型参数；将所述模型参数输入到所述新建分类模型，得到所述检查分类模型。4.如权利要求1-3任一项所述的方法，其特征在于，所述方法还包括：根据所述第一相同率计算所述第一病例的风险系数，所述风险系数用于指示所述第一病例为异常病例的概率；其中，其中，F为所述风险系数，P为所述第一相同率。5.如权利要求1-3任一项所述的方法，其特征在于，所述实际检查项组合包括实际定性检查项组合以及实际定量检查项组合，所述预测检查项组合包括预测定性检查项组合以及预测定量检查项组合，所述在所述相同率小于第一阈值时，识别所述第一病例为异常病例，输出用于提示所述第一病例为异常病例的提示信息之后，方法...

【专利技术属性】
技术研发人员：南致超，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东,44