【技术实现步骤摘要】
医疗理赔数据预测系统
本申请涉及大数据处理
，特别是涉及一种医疗理赔数据预测系统。
技术介绍
随着大数据处理技术的飞速发展，以及数据信息化的普及，与人们日常工作、生活相关联的数据，包括医疗健康数据等日益剧增。随之而来的，对医疗健康领域的医疗健康等的保险理赔业务，也相应有所增加。因此，需要对不同疾病的保险理赔业务对应的疾病可能治疗方案以及相应方案的理赔费用，进行预先估算。对于在医疗健康保险的理赔过程中，需要对于案件合理费用进行预估的情况，传统上多采用基于理赔数据以诊断编码作为疾病组进行测算，得到该疾病组的治疗费用。然而，在医保结算等特定场景下，在进行理赔费用估算时，并没有对患者治疗过程中各项明细数据进行充分利用，得到的预测治疗方案有所偏差，相应预测得到的治疗费用或理赔费用的准确度较低，进而导致针对医疗保险理赔的风险管控效果较差。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够提升针对医疗保险理赔的风险管控效果的医疗理赔数据预测系统。一种医疗理赔数据预测系统，所述系统...
【技术保护点】
1.一种医疗理赔数据预测系统，所述系统包括：/n目标聚类簇数确定模块，用于基于根据训练数据集训练得到的主题生成模型，确定各类所述疾病的目标聚类簇数N；所述目标聚类簇数N为常数；/n概率分布计算模块，用于将每类疾病对应的全部治疗方案属性数据确定为N个聚类，并获取针对每类疾病预设的类别标签，基于所述N个聚类计算每类疾病的类别标签的概率分布；/n目标治疗方案标签确定模块，用于根据所述每类疾病的类别标签的概率分布，确定出对应疾病的目标治疗方案标签；/n预测理赔数据生成模块，用于基于所确定的目标治疗方案标签进行理赔费用预估，生成对应的预测理赔数据。/n
【技术特征摘要】
1.一种医疗理赔数据预测系统，所述系统包括：
目标聚类簇数确定模块，用于基于根据训练数据集训练得到的主题生成模型，确定各类所述疾病的目标聚类簇数N；所述目标聚类簇数N为常数；
概率分布计算模块，用于将每类疾病对应的全部治疗方案属性数据确定为N个聚类，并获取针对每类疾病预设的类别标签，基于所述N个聚类计算每类疾病的类别标签的概率分布；
目标治疗方案标签确定模块，用于根据所述每类疾病的类别标签的概率分布，确定出对应疾病的目标治疗方案标签；
预测理赔数据生成模块，用于基于所确定的目标治疗方案标签进行理赔费用预估，生成对应的预测理赔数据。
2.根据权利要求1所述的系统，其特征在于，所述系统还包括训练数据集生成模块，包括：
诊疗数据模块，用于从医保数据中获取每类疾病对应的不同患者的诊疗记录；
治疗方案属性数据获取模块，用于从所述诊疗记录中提取针对每类疾病且不同患者的治疗方案属性数据；所述治疗方案属性数据包括治疗过程的明细数据；
治疗方案属性数据预处理模块，用于对所述治疗方案属性数据进行预处理，生成训练数据集；所述训练数据集存储于区块链中；所述预处理包括去重处理、异常值处理以及缺失值处理。
3.根据权利要求2所述的系统，其特征在于，所述系统还包括主题生成模型训练模块，包括：
预设主题个数取值区间获取模块，用于获取预设主题个数取值区间；
候选主题个数确定模块，用于遍历所述预设主题个数取值区间内每一个取值对应的主题个数，确定出多个候选主题个数；
初始主题数确定模块，用于将各所述候选主题个数确定为原始主题生成模型对应的初始主题数；
候选主题生成模型生成模块，用于根据所述训练数据集对携带不同候选主题个数的原始主题生成模型，进行训练，生成候选主题生成模型；
类别标签设置模块，用于基于所述候选主题生成模型，对所述训练数据集中各条数据进行分类，并针对不同分类下的训练数据集分别设置对应的类别标签；
比值计算模块，用于基于已设置所述类别标签的所述训练数据集，计算各所述候选主题生成模型在所述训练数据集上的类间距和类内距的比值；
目标主题生成模型确定模块，用于提取出所述比值最大的候选主题生成模型，确定为训练后的目标主题生成模型。
4.根据权利要求3所述的系统，其特征在于，所述目标聚类簇数确定模块，包括：
主题数获取模块，用于获取训练后的各所述目标主题生成模型的主题数；
疾病获取模块，用于获取具有与所述主题数相同的类别标签数量对应的疾病，将所述主题数确定为该疾病对应的目标聚类簇数。
5.根据权利要求4所述的系统，其特征在于，所述概率分布计算模...
【专利技术属性】
技术研发人员：陈源，卞思雯，
申请(专利权)人：平安医疗健康管理股份有限公司，
类型：发明
国别省市：上海;31
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。