一种基于大数据的健康保险核保系统、方法及商保云平台技术方案

本发明专利技术提供一种基于大数据的健康保险核保系统、方法及商保云平台，包括以下步骤：步骤(1).对基于大数据提取的个人医疗健康记录特征标签按时间序列进行One

【技术实现步骤摘要】
一种基于大数据的健康保险核保系统、方法及商保云平台


[0001]本专利技术涉及自动化识别
，具体为一种基于大数据的健康保险核保系统、方法及商保云平台。

技术介绍

[0002]传统的健康保险核保业务通常采用人工审阅被保人的医疗健康记录来完成。这样的处理方式存在核保速度慢、风险识别准确度依赖核保人的经验不稳定、全量医疗健康记录存在数据冗余和噪音数据等诸多问题。这些问题导致健康保险产品的行业发展一直存在很大的瓶颈制约，无法体现出良好的效益。

技术实现思路

[0003]本专利技术所解决的技术问题在于提供一种基于大数据的健康保险核保系统、方法及商保云平台，以解决上述
技术介绍
中提出的问题。
[0004]本专利技术所解决的技术问题采用以下技术方案来实现：一种基于大数据的健康保险核保系统、方法及商保云平台，包括以下步骤：
[0005]步骤(1).对基于大数据提取的个人医疗健康记录特征标签按时间序列进行One-Hot Encoding形成每个人的医疗健康特征向量集；
[0006]步骤(2).通过参照已知的健康保险产品的核保规则，由人工对每个人的医疗健康特征向量集进行核保结果标注；
[0007]步骤(3).将人工完成的核保结果标注进行One-Hot Encoding形成每个人的核保结果特征向量集；
[0008]步骤(4).通过构建实现LSTM模型，以便完成对随机采样的特征向量集进行训练学习以形成有效的预测模型；
[0009]步骤(5).对被核保人员的个人医疗健康记录完成特征标签提取；通过对健康保险产品的核保规则进行复核校验，确认核保结果输出的有效性，将存疑的核保结果输出进一步转由人工复核校验；
[0010]步骤(6).对核保结果按安全报文格式进行封装以对接健康保险核心业务处理平台。
[0011]进一步地，所述步骤(4)中对随机采样的特征向量集进行训练学习包括以下步骤：
[0012]步骤(4.1).基于大数据通过在不同的年龄段、性别、籍贯的人群分类下随机采样提取医疗健康特征向量集并完成核保结果特征向量集的人工标注；最终形成每个人群分类不少于10万的样本集。
[0013]步骤(4.2).将样本集随机分拣为学习训练样本和学习校验样本；通过实现的LSTM模型对学习训练样本进行深度学习，优化模型参数以尽可能提高对学习校验样本的验证率和训练样本的召回率；
[0014]步骤(4.3).当验证率和召回率达到可应用阈值范围内后，即可将训练好的LSTM模
型投入实际的应用运行；
[0015]步骤(4.4).在实际应用运行过程中对实际预测结果进行抽样人工校核并将结果反馈到学习样本集中以便对训练好的LSTM模型进行持续的训练优化，进一步提高模型预测准确性。
[0016]进一步地，所述步骤(5)中对提取出的个人医疗健康记录进行One-Hot Encoding形成医疗健康特征向量集；通过训练好的LSTM模型对医疗健康特征向量集进行输入预测生成核保结果预测特征向量集。
[0017]进一步地，所述步骤(5)中对核保结果预测特征向量集进行One-Hot Decoding形成实际的核保结果输出。
[0018]进一步地，所述步骤(5)中经过人工复核校验的核保结果重新通过One-Hot Encoding形成核保结果特征向量集后，可以再导入到LSTM模型的学习样本集中供后续的进一步模型训练优化使用。
[0019]进一步地，所述步骤(6)中对核保结果按安全报文格式进行封装包括以下几个步骤：
[0020]步骤(6.1).将核保结果的文字内容转换为BASE64编码；
[0021]步骤(6.2).使用核保业务系统的数字证书私钥对BASE64编码后的核保结果数据进行数字签名算法计算输出BASE64编码的签名结果；
[0022]步骤(6.3).使用健康保险核心业务平台的数字证书公钥使用非对称的加密算法将BASE64编码的核保结果数据与数字签名结果进行数据加密后输出BASE64编码的加密核保结果；
[0023]步骤(6.4).使用网络通讯地址及系统识别码作为安全报文的报文头信息，使用加密核保结果做为安全报文的报文体。组成安全报文后，可以将信息安全可靠地传输给健康保险核心业务处理平台进行处理。
[0024]与现有技术相比，本专利技术的有益效果是：本专利技术在健康保险核保业务处理的时效性和准确性上比现有的人工审核的方式有很大的提高，同时随着大数据的积累和编码预测模型的不断优化，能够为将来新型的健康保险产品核保提供有效的基础支持能力保障。
附图说明
[0025]图1为本专利技术的流程示意图。
具体实施方式
[0026]为了使本专利技术的实现技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本专利技术，在本专利技术的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以两个元件内部的连通。
[0027]实施例1
[0028]如图1所示，一种基于大数据的健康保险核保系统、方法及商保云平台，包括以下步骤：
[0029]步骤(1).对基于大数据提取的个人医疗健康记录特征标签按时间序列进行One-Hot Encoding形成每个人的医疗健康特征向量集；
[0030]步骤(2).通过参照已知的健康保险产品的核保规则，由人工对每个人的医疗健康特征向量集进行核保结果标注；
[0031]步骤(3).将人工完成的核保结果标注进行One-Hot Encoding形成每个人的核保结果特征向量集；
[0032]步骤(4).通过构建实现LSTM模型，以便完成对随机采样的特征向量集进行训练学习以形成有效的预测模型；
[0033]步骤(5).对被核保人员的个人医疗健康记录完成特征标签提取；通过对健康保险产品的核保规则进行复核校验，确认核保结果输出的有效性，将存疑的核保结果输出进一步转由人工复核校验；
[0034]步骤(6).对核保结果按安全报文格式进行封装以对接健康保险核心业务处理平台。
[0035]所述步骤(4)中对随机采样的特征向量集进行训练学习包括以下步骤：步骤(4.1).基于大数据通过在不同的年龄段、性别、籍贯的人群分类下随机采样提取医疗健康特征向量集并完成核保结果特征向量集的人工标注；最终形成每个人群分类不少于10万的样本集。步骤(4.2).将样本集随机分拣为学习训练样本和学习校验样本；通过实现的LSTM模型对学习训练样本进行深度学习，优化模型参数以尽可能提高对学习校验样本的验证率和训练样本的召回率；步骤(4.3).当验证率和召回率达到可应用阈值范围内后，即可将训练好的LSTM模型投入实际的应用运行；步骤(4.4).在实际应用运行过程中对实际预测结果进行抽样人工校核并将结果反馈到学习样本集中以便本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据的健康保险核保系统、方法及商保云平台，其特征在于：包括以下步骤：步骤(1).对基于大数据提取的个人医疗健康记录特征标签按时间序列进行One-Hot Encoding形成每个人的医疗健康特征向量集；步骤(2).通过参照已知的健康保险产品的核保规则，由人工对每个人的医疗健康特征向量集进行核保结果标注；步骤(3).将人工完成的核保结果标注进行One-Hot Encoding形成每个人的核保结果特征向量集；步骤(4).通过构建实现LSTM模型，以便完成对随机采样的特征向量集进行训练学习以形成有效的预测模型；步骤(5).对被核保人员的个人医疗健康记录完成特征标签提取；通过对健康保险产品的核保规则进行复核校验，确认核保结果输出的有效性，将存疑的核保结果输出进一步转由人工复核校验；步骤(6).对核保结果按安全报文格式进行封装以对接健康保险核心业务处理平台。2.根据权利要求1所述的一种基于大数据的健康保险核保系统、方法及商保云平台，其特征在于：所述步骤(4)中对随机采样的特征向量集进行训练学习包括以下步骤：步骤(4.1).基于大数据通过在不同的年龄段、性别、籍贯的人群分类下随机采样提取医疗健康特征向量集并完成核保结果特征向量集的人工标注；步骤(4.2).将样本集随机分拣为学习训练样本和学习校验样本；通过实现的LSTM模型对学习训练样本进行深度学习，优化模型参数以尽可能提高对学习校验样本的验证率和训练样本的召回率；步骤(4.3).当验证率和召回率达到可应用阈值范围内后，即可将训练好的LSTM模型投入实际的应用运行；步骤(4.4).在实际应用运行过程中对实际预测结果进行抽样人工校核并将结果反馈到学习样本集中以便对训练好的LSTM模型进行持续的训练优化，进一步...

【专利技术属性】
技术研发人员：汤文巍，章智云，
申请(专利权)人：好人生上海健康科技有限公司，
类型：发明
国别省市：