【技术实现步骤摘要】
基于相似性学习的就医迁移方案推荐方法及系统
本公开涉及医保信息处理
,特别是涉及基于相似性学习的就医迁移方案推荐方法及系统。
技术介绍
本部分的陈述仅仅是提到了与本公开相关的
技术介绍
,并不必然构成现有技术。随着城市医疗水平的差异化发展、各地医疗知识网络的普及和居民生活水平的上升,为就医个体迁至更高治疗水平和更优惠报销政策的医院就医提供了条件,由此导致就医迁移问题日益突出和各医院医疗资源利用率的此消彼长,进而造成了医疗资源的浪费;同时,互联网发展导致信息交互水平不断提升、医疗水平被认知的同时,作为双刃剑也导致了信息爆炸的产生,就医个体难以实现对各医院全面真实数据的掌握及横向对比,缺乏对信息价值及有效性的综合评价机制。因此,如何对海量医保数据进行分析,挖掘出隐藏在医保大数据中参保人的就医规律,构建就医行为推荐模型,为就医选择提供可靠参考,避免不必要的就医迁移,进而可为医保资金分配和医疗资源优化调度提供辅助性决策支撑,成为医保领域中一个重要的研究问题。在实现本公开的过程中,专利技术人发现现有技术中存在以下技术问题:目前,医保领域中传统的推荐方法主要分两个步骤:(1)计算患者之间的相似性;(2)根据相似度以及患者历史就医行为给患者生成推荐列表。基于医保数据,许多相似性学习方法被提出。然而,这些方法没有考虑就医序列之间时间信息的影响。近年来,随着医保信息
的推进,深度学习方法已被广泛采用并在患者相似学习中迅速发展,例如自动编码器,递归神经网络(RecurrentNeuralNetwork,R
【技术保护点】
1.基于相似性学习的就医迁移方案推荐方法,其特征是,包括:训练阶段和应用阶段;/n所述训练阶段,包括:获取所有医保人员的历史就医数据,基于获取的数据训练出就医迁移方案推荐模型;/n所述应用阶段,包括:基于就医迁移方案推荐模型,为待推荐患者推荐出不同就医迁移方案的推荐比例。/n
【技术特征摘要】
1.基于相似性学习的就医迁移方案推荐方法,其特征是,包括:训练阶段和应用阶段;
所述训练阶段,包括:获取所有医保人员的历史就医数据,基于获取的数据训练出就医迁移方案推荐模型;
所述应用阶段,包括:基于就医迁移方案推荐模型,为待推荐患者推荐出不同就医迁移方案的推荐比例。
2.如权利要求1所述的方法,其特征是,所述训练阶段,包括:S1-S7;
S1:从医保数据中获取所有医保人员的历史就医数据;
S2:对所获取的历史就医数据进行不平衡处理,从而获得训练集;
S3:从训练集输入到第一卷积神经网络CNN中,输出若干个相似患者群,每个相似患者群均包括若干个相似患者;
S4:对每个相似患者群中的每个相似患者的历史就医数据利用第二卷积神经网络CNN进行特征提取,得到每个相似患者群中每个相似患者的特征表示向量;
S5:对每个相似患者群中每个相似患者的特征表示向量,采用注意力机制更新特征表示向量中各个特征值的权重值,对各个特征值进行加权求和,得到每个相似患者群中每个相似患者的综合特征向量;
S6:将每个相似患者群中每个相似患者的综合特征向量,输入到softmax函数中,输出每个相似患者的转到不同家医院或不建议转院的推荐比例值;
S7:计算softmax函数输出值的损失函数,采用反向传播算法训练第二卷积神经网络CNN的学习参数,完成第二卷积神经网络CNN的训练。
3.如权利要求1所述的方法,其特征是,所述应用阶段,包括:S8-S11;
S8:获取待推荐患者的就医数据,将待推荐患者的就医数据和训练集输入到第一卷积神经网络CNN中,输出待推荐患者的相似患者群;
S9:将待推荐患者的相似患者群中的每个相似患者的历史就医数据利用训练好的第二卷积神经网络CNN进行特征提取,得到待推荐患者的相似患者群中每个相似患者的特征表示向量;
S10:对待推荐患者的相似患者群中每个相似患者的特征表示向量,采用注意力机制更新特征表示向量中各个特征值的权重值,对各个特征值进行加权求和,得到待推荐患者的相似患者群中每个相似患者的综合特征向量;
S11:将待推荐患者的相似患者群中每个相似患者的综合特征向量,输入到softmax函数中,输出待推荐患者的转到不同家医院推荐比例值或不建议转院的推荐比例值。
4.如权利要求2所述的方法,其特征是,
所述S2中,对所获取的历史就医数据进行不平衡处理,从而获得训练集;其中不均衡处理是利用自适应边界采样算法AB-SMOTE算法来实现;
或者,
所述S3中,第一卷积神经网络CNN为改进型卷积神经网络;所述第一卷积神经网络CNN,包括:并列的两条支线;
第一条支线,包括:第一输入层、第一卷积层、第一池化层、第一加权汇总层和第一向量表示层;
第二条支线,包括:第二输入层、第二卷积层、第二池化层、第二加权汇总层和第二向量表示层;
所述第一向量表示层的第一输出值和第二向量表示层的第二输出值均输入到匹配矩阵中,匹配矩阵输出第一输出值和第二输出值的相似性表示;
将第一输出值和第二输出值的相似性表示,输入到softmax函数中,softmax函数输出相似度;将相似度大于设定阈值的患者归为一类;
其中,第一输入层,用于输入患者A的患者数据;第一卷积层用于对患者A的患者数据进行特征提取;第一池化层用于对特征提取的结果进行池化处理;第一加权汇总层用于对池化层输出的结果进行加权求和;第一向量表示层用于对加权求和后的结果进行表示;
其中,第二输入层,用于输入患者B的患者数据;第二卷积层用于对患者B的患者数据进行特征提取;第二池化层用于对特征提取的结果进行池化处理;第二加权汇总层用于对池化层输出的结果进行加权求和;第二向量表示层用于对加权求和后的结果进行表示;
其中,匹配矩阵是指一个m行n列的对称矩阵,它用于转换患者A和患者B的相似度向量。
5.如权利要求2所述的方法,其特征是,所述S5的步骤包括:
基于利用相似人群的特征表示向量Wc,结合社保系统传输的各医院就医分布数据概率统计获取相似人群的综合特征表示H,采用注意力Attention机制更新各个特征的权重值,即:
ut=tanh(wHt+b)(8)
δ=∑tatHt(10)
其中,w∈RL×|C|和b∈RL分别表示权重矩阵和基本矩阵,L为医院数量,C为疾病类别,ut代表医院-特征的关注性向量,T表示t时刻生成的各医院...
【专利技术属性】
技术研发人员:史玉良,程林,管永明,张晖,吕梁,姜诚,
申请(专利权)人:山大地纬软件股份有限公司,
类型:发明
国别省市:山东;37
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。