【技术实现步骤摘要】
医疗资源规划方法、装置、设备及存储介质
[0001]本申请涉及数字医疗领域，特别是涉及到医疗资源规划方法、装置、设备及存储介质。
技术介绍
[0002]DRGs(Diagnosis Related Groups，疾病诊断分类)付费，是将住院病人分组后、根据分组按支付标准付费的医保支付方式。根据年龄、诊断、并发症、治疗方式、病症严重程度及资源消耗等因素，将患者分诊断组管理，进而对各诊断组制定支付标准，预付医疗费用。DRGs旨在合理配置医疗费用，帮助优化医生诊疗行为、控制总费用上升，是近期国家医疗保障局重点推广的支付方式之一。但不同地区以及不同医院的目标病患结构与实际需求不同，全国统一的DRGs医保支付标准不具有普适性，各地区或医院需根据实际情况调整适用DRGs标准。为了制定符合地域现状的DRGs标准，需要优化决策出最优的本地DRGs分组权重与支付标准。然而由于支付标准存在上下限以及决策目标的复杂性等，导致决策目标函数受不连续可导性的缺陷困扰，难以准确求解，导致优化不精准。
技术实现思路
[0003]本申请的主要目的为提供医疗资源规划方法，旨在解决现有符合地域现状的DRGs标准无法精准优化的技术问题。
[0004]本申请提出一种医疗资源规划方法，包括：
[0005]根据预设优化目标、预设约束条件和决策变量构建指定地域的疾病诊断分类的决策模型，其中，所述决策变量包括疾病分组的分组权重以及各所述疾病分组分别对应的可配置资源标准；
[0006]获取所述指定地域的历史资源样本数据；>[0007]根据所述历史资源样本数据，形成所述指定地域的决策模型的目标函数曲线；
[0008]通过多重幂指函数平滑所述目标函数曲线中的拐点，得到优化的目标函数；
[0009]对所述优化的目标函数求解最优解，得到各所述疾病分组分别对应的最优分组权重和最优资源配置标准；
[0010]根据各所述疾病分组分别对应的最优分组权重和最优支付标准，形成资源配置方案。
[0011]优选地，所述通过多重幂指函数平滑所述目标函数曲线中的拐点，得到优化的目标函数的步骤，包括：
[0012]获取所述目标函数曲线中的指定拐点，其中，所述指定拐点为所述目标函数曲线中的任意一拐点；
[0013]将所述目标函数曲线中的第一线段表示为所述多重幂指函数的第一表达式，将所述目标函数曲线中指定拐点的第二线段表示为所述多重幂指函数的第二表达式，其中，所述第一线段和所述第二线段分别处于所述指定拐点的两侧，所述第一线段或所述第二线段
对应的替换公式为对应的替换公式为表示所述多重幂指函数，kx表示所述第一线段或所述第二线段，k表示线段斜率，
ɑ
表示拟合调控参数，x表示自变量，e表示自然对数；
[0014]将所述第一表达式和所述第二表达式组成方程组；
[0015]求解所述方程组，得到同时适合所述第一表达式和所述第二表达式的指定拟合调控参数；
[0016]通过所述指定拟合调控参数对应的多重幂指函数，替换所述第一线段的函数表达式和所述第二线段的函数表达式；
[0017]根据所述指定拐点的优化方式，优化所述目标函数曲线中的所有拐点，得到所述优化的目标函数。
[0018]优选地，所述获取所述目标函数曲线中的指定拐点的步骤，包括：
[0019]判断所述预设约束条件中是否存在最高限额和/或最低限额；
[0020]若是，则定位所述目标函数曲线中所述最高限额和/或最低限额对应的临界点；
[0021]将所述临界点作为所述指定拐点。
[0022]优选地，所述获取所述目标函数曲线中的指定拐点的步骤，包括：
[0023]判断所述预设优化目标中是否存在支付结算与预算差额的惩罚项；
[0024]若是，则定位所述目标函数曲线中所述惩罚项对应的函数点；
[0025]将所述函数点作为所述指定拐点。
[0026]优选地，所述获取所述指定地域的历史资源样本数据的步骤，包括：
[0027]获取数据库中指定历史时间段内的数据集；
[0028]根据数据集中各数据分别携带的地域标签，形成所述指定地域对应的第一数据集；
[0029]判断所述第一数据集是否符合预设条件；
[0030]若是，则将所述第一数据集作为所述指定地域的历史资源样本数据。
[0031]优选地，所述判断所述第一数据集是否符合预设条件的步骤之后，包括：
[0032]若所述第一数据集不符合预设条件，则获取所述第一数据集与预设条件的差异量，其中，所述预设条件包括数据数量、数据的类型分布状态，所述差异量包括数据数量对应的第一差异、数据的类型分布状态对应的第二差异；
[0033]根据所述第一差异和所述第二差异，生成数据生成模型的信息维度；
[0034]根据所述信息维度，通过所述数据生成模型生成补充数据；
[0035]将所述补充数据添加至所述第一数据集，形成第二数据集；
[0036]将所述第二数据集作为所述指定地域的历史资源样本数据。
[0037]优选地，所述数据生成模型包括神经自回归流模型，所述神经自回归流模型包括第一神经网络、第二神经网络和第三神经网络，所述根据所述信息维度，通过所述数据生成模型生成补充数据的步骤，包括：
[0038]将前序变量输入第一神经网络，得到所述前序变量对应的隐变量层，其中，所述信息维度包括多个变量，所述前序变量为排列在当前变量中的所有变量，所述当前变量为所述信息维度中所有变量中的任一个；
[0039]将所述隐变量层输入第二神经网络，得到输入变量到输出变量的第三神经网络的
权重矩阵；
[0040]将当前变量输入和所述第三神经网络的权重矩阵输入所述第三神经网络，得到所述当前变量对应的输出变量；
[0041]根据当前变量对应的输出变量的方式，得到所述信息维度中所有变量分别对应的输出变量；
[0042]根据所述信息维度中所有变量分别对应的输出变量，形成所述补充数据。
[0043]本申请还提供了一种医疗资源规划装置，包括：
[0044]构建模块，用于根据预设优化目标、预设约束条件和决策变量构建指定地域的疾病诊断分类的决策模型，其中，所述决策变量包括疾病分组的分组权重以及各所述疾病分组分别对应的可配置资源标准；
[0045]获取模块，用于获取所述指定地域的历史资源样本数据；
[0046]第一形成模块，用于根据所述历史资源样本数据，形成所述指定地域的决策模型的目标函数曲线；
[0047]平滑模块，用于通过多重幂指函数平滑所述目标函数曲线中的拐点，得到优化的目标函数；
[0048]求解模块，用于对所述优化的目标函数求解最优解，得到各所述疾病分组分别对应的最优分组权重和最优资源配置标准；
[0049]第二形成模块，用于根据各所述疾病分组分别对应的最优分组权重和最优支付标准，形成资源配置方案。
本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种医疗资源规划方法，其特征在于，包括：根据预设优化目标、预设约束条件和决策变量构建指定地域的疾病诊断分类的决策模型，其中，所述决策变量包括疾病分组的分组权重以及各所述疾病分组分别对应的可配置资源标准；获取所述指定地域的历史资源样本数据；根据所述历史资源样本数据，形成所述指定地域的决策模型的目标函数曲线；通过多重幂指函数平滑所述目标函数曲线中的拐点，得到优化的目标函数；对所述优化的目标函数求解最优解，得到各所述疾病分组分别对应的最优分组权重和最优资源配置标准；根据各所述疾病分组分别对应的最优分组权重和最优支付标准，形成资源配置方案。2.根据权利要求1所述的医疗资源规划方法，其特征在于，所述通过多重幂指函数平滑所述目标函数曲线中的拐点，得到优化的目标函数的步骤，包括：获取所述目标函数曲线中的指定拐点，其中，所述指定拐点为所述目标函数曲线中的任意一拐点；将所述目标函数曲线中的第一线段表示为所述多重幂指函数的第一表达式，将所述目标函数曲线中指定拐点的第二线段表示为所述多重幂指函数的第二表达式，其中，所述第一线段和所述第二线段分别处于所述指定拐点的两侧，所述第一线段或所述第二线段对应的替换公式为的替换公式为表示所述多重幂指函数，kx表示所述第一线段或所述第二线段，k表示线段斜率，
ɑ
表示拟合调控参数，x表示自变量，e表示自然对数；将所述第一表达式和所述第二表达式组成方程组；求解所述方程组，得到同时适合所述第一表达式和所述第二表达式的指定拟合调控参数；通过所述指定拟合调控参数对应的多重幂指函数，替换所述第一线段的函数表达式和所述第二线段的函数表达式；根据所述指定拐点的优化方式，优化所述目标函数曲线中的所有拐点，得到所述优化的目标函数。3.根据权利要求2所述的医疗资源规划方法，其特征在于，所述获取所述目标函数曲线中的指定拐点的步骤，包括：判断所述预设约束条件中是否存在最高限额和/或最低限额；若是，则定位所述目标函数曲线中所述最高限额和/或最低限额对应的临界点；将所述临界点作为所述指定拐点。4.根据权利要求2所述的医疗资源规划方法，其特征在于，所述获取所述目标函数曲线中的指定拐点的步骤，包括：判断所述预设优化目标中是否存在支付结算与预算差额的惩罚项；若是，则定位所述目标函数曲线中所述惩罚项对应的函数点；将所述函数点作为所述指定拐点。5.根据权利要求1所述的医疗资源规划方法，其特征在于，所述获取所述指定地域的历史资源样本数据的步骤，包括：
获取数据库中指定历史时间段内的数据集；根据数据集中各数据分别携带的地域标签，形成所述指定地域对应的第一数据集；判断所述第一数据集是否符合预设条件；若是，...
【专利技术属性】
技术研发人员：李娜，巴堃，刘玉琦，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：
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。