本发明专利技术涉及数字医疗领域，提供了一种门慢的异常行为监控方法、装置、设备以及存储介质，其中，方法包括：通过获取指定用户的慢病信息，以及所述指定用户基于慢病的各个报销药品的药品信息，输入至慢病相关度计算模型中进行计算，得到每个药品信息与所述慢病信息的相关度，基于相关度认定所述指定用户的异常行为。从而实现了自动认定异常行为，省去了相关人员对各个患者的药品信息逐一核对的时间，从而降低了人力成本。低了人力成本。低了人力成本。
【技术实现步骤摘要】
门慢的异常行为监控方法、装置、设备以及存储介质
[0001]本专利技术涉及数字医疗领域，特别涉及一种门慢的异常行为监控方法、装置、设备以及存储介质。
技术介绍
[0002]门慢是门诊慢性病的简称，其主要特点是病程长、病因复杂、需要长期用药，疾病发展到一定阶段后，通常会造成心、脑、肾等多器官损害，造成伤残，甚至死亡。具有门慢资质的患者具有长期从医院低价获得慢性病药品及相关治疗项目的优惠政策。同时这些优惠政策，也可能被患者所利用，通过倒卖药品来赚取差价，进而从中牟利，因此需要对这种异常行为进行监督。
[0003]传统监督的方式主要是通过经验丰富的相关人员对各个患者的用药进行监控，然而经验丰富的相关人员需要经过大量培训，造成巨大的人力成本。
技术实现思路
[0004]本专利技术的主要目的为提供一种门慢的异常行为监控方法、装置、设备以及存储介质，旨在解决通过经验丰富的相关人员对各个患者的用药进行监控会造成巨大的人力成本的问题。
[0005]本专利技术提供了一种门慢的异常行为监控方法，包括：
[0006]获取指定用户的慢病信息，以及所述指定用户基于慢病的各个报销药品的药品信息；
[0007]将所述慢病信息和各所述药品信息依次组合，并输入至慢病相关度计算模型中进行计算，得到每个药品信息与所述慢病信息的相关度；其中，所述慢病相关度计算模型基于各种慢病信息、各种所述慢病信息对应的报销药品的药品信息，以及各所述药品信息和所述慢病信息之间的相关度训练而成；
[0008]判断各所述药品信息中是否具有所述相关度小于第一预设相关度的药品信息；
[0009]若具有所述相关度小于第一预设相关度的药品信息，则判定所述指定用户具有异常行为。
[0010]进一步地，所述慢病相关度计算模型包括多个子模型，各个所述子模型用于计算各所述药品信息的与所述慢病信息的子相关度，所述将所述慢病信息和各所述药品信息依次组合，并输入至慢病相关度计算模型中进行计算，得到每个药品信息与所述慢病信息的相关度，包括：
[0011]将所述慢病信息和各所述药品信息依次组合，得到多个待计算组合；
[0012]将各所述待计算组合分别输入至各个所述子模型中，分别得到每个所述待计算组合的多个子相关度；
[0013]基于每个所述待计算组合的多个所述子相关度计算对应的药品信息与所述慢病信息的所述相关度。
[0014]进一步地，所述基于每个所述待计算组合的多个所述子相关度计算对应的药品信息与所述慢病信息的所述相关度，包括：
[0015]获取用于检测各所述子模型的损失值的测试集；
[0016]将所述测试集分别输入至各所述子模型中，分别得到各所述子模型对应的预测结果；
[0017]基于所述测试集中的实际结果以及各个预测结果，通过损失值计算公式，得到各所述子模型的损失值；
[0018]根据公式计算得到所述相关度；其中，cor为所述相关度，Y为所述实际结果，y
i
为第i个子模型的所述预测结果，l(y
i
，Y)表示第i个子模型的损失值，w
i
(l(y
i
，Y))表示第i个子模型的权重，x
i
表示第i个子模型对应的子相关度，Ω(l(y
i
，Y))表示第i个子模型对应的惩罚项。
[0019]进一步地，所述子模型为皮尔逊计算子模型、xgboost子模型以及lightgbm子模型中任意一种子模型。
[0020]进一步地，所述若具有所述相关度小于第一预设相关度的药品信息，则判定所述指定用户具有异常行为之后，还包括：
[0021]统计指定区域内各类药品的每个月的报销数额；
[0022]根据公式计算每个报销数额的异常值；其中Z
ij
表示第j类药品的第i个月的报销数额对应的所述异常值，μ表示第j类药品中各个月的平均值，且σ表示j类药品的标准差，且x
ij
表示第j类药品中第i个月的报销数额；
[0023]将|Z
ij
|＞Z
thr
对应的报销数额提取出来，并作为该类药物报销的异常行为，其中Z
thr
为设定的参数值。
[0024]进一步地，所述判断各所述药品信息中是否具有所述相关度小于第一预设相关度的药品信息之后，还包括：
[0025]判断各所述药品信息中是否具有所述相关度大于第一预设相关度，且小于第二预设相关度的可疑药品信息；
[0026]若具有所述可疑药品信息，则提取将所述可疑药品信息和所述慢病信息发送给相关人员进行认定。
[0027]进一步地，所述获取指定用户的慢病信息，以及所述指定用户基于慢病的各个报销药品的药品信息之后，还包括：
[0028]基于所述慢病信息获取所述指定用户可报销的目标药品信息；
[0029]判断各个所述报销药品的药品信息是否存在与所述目标药品信息不符的药品信息；
[0030]若存在与所述目标药品信息不符的药品信息，则判定所述指定用户具有异常行为。
[0031]本专利技术还提供了一种基于门慢的异常行为监控装置，包括：
[0032]获取模块，用于获取指定用户的慢病信息，以及所述指定用户基于慢病的各个报销药品的药品信息；
[0033]组合模块，用于将所述慢病信息和各所述药品信息依次组合，并输入至慢病相关度计算模型中进行计算，得到每个药品信息与所述慢病信息的相关度；其中，所述慢病相关度计算模型基于各种慢病信息、各种所述慢病信息对应的报销药品的药品信息，以及各所述药品信息和所述慢病信息之间的相关度训练而成；
[0034]判断模块，用于判断各所述药品信息中是否具有所述相关度小于第一预设相关度的药品信息；
[0035]判定模块，用于若具有所述相关度小于第一预设相关度的药品信息，则判定所述指定用户具有异常行为。
[0036]本专利技术还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
[0037]本专利技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
[0038]本专利技术的有益效果：通过获取指定用户的慢病信息，以及所述指定用户基于慢病的各个报销药品的药品信息，输入至慢病相关度计算模型中进行计算，得到每个药品信息与所述慢病信息的相关度，基于相关度认定所述指定用户的异常行为。从而实现了自动认定异常行为，省去了相关人员对各个患者的药品信息逐一核对的时间，从而降低了人力成本。
附图说明
[0039]图1是本专利技术一实施例的一种门慢的异常行为监控方法的流程示意图；
[0040]图2是本专利技术一实施例的一种门慢的异常行为监控装置的结构示意框图；
[0041]图3为本申请一实施例的计算机设备的结构示意框图。
[004本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种门慢的异常行为监控方法，其特征在于，包括：获取指定用户的慢病信息，以及所述指定用户基于慢病的各个报销药品的药品信息；将所述慢病信息和各所述药品信息依次组合，并输入至慢病相关度计算模型中进行计算，得到每个药品信息与所述慢病信息的相关度；其中，所述慢病相关度计算模型基于各种慢病信息、各种所述慢病信息对应的报销药品的药品信息，以及各所述药品信息和所述慢病信息之间的相关度训练而成；判断各所述药品信息中是否具有所述相关度小于第一预设相关度的药品信息；若具有所述相关度小于第一预设相关度的药品信息，则判定所述指定用户具有异常行为。2.如权利要求1所述的门慢的异常行为监控方法，其特征在于，所述慢病相关度计算模型包括多个子模型，各个所述子模型用于计算各所述药品信息的与所述慢病信息的子相关度，所述将所述慢病信息和各所述药品信息依次组合，并输入至慢病相关度计算模型中进行计算，得到每个药品信息与所述慢病信息的相关度包括：将所述慢病信息和各所述药品信息依次组合，得到多个待计算组合；将各所述待计算组合分别输入至各个所述子模型中，分别得到每个所述待计算组合的多个子相关度；基于每个所述待计算组合的多个所述子相关度，计算对应的药品信息与所述慢病信息的所述相关度。3.如权利要求2所述的门慢的异常行为监控方法，其特征在于，所述基于每个所述待计算组合的多个所述子相关度计算对应的药品信息与所述慢病信息的所述相关度包括：获取用于检测各所述子模型的损失值的测试集；将所述测试集分别输入至各所述子模型中，分别得到各所述子模型对应的预测结果；基于所述测试集中的实际结果以及各个预测结果，通过损失值计算公式，得到各所述子模型的损失值；根据公式计算得到所述相关度；其中，cor为所述相关度，Y为所述实际结果，y
i
为第i个子模型的所述预测结果，l(y
i
，Y)表示第i个子模型的损失值，w
i
(l(y
i
，Y))表示第i个子模型的权重，x
i
表示第i个子模型对应的子相关度，Ω(l(y
i
，Y))表示第i个子模型对应的惩罚项。4.如权利要求2
‑
3任一项所述的门慢的异常行为监控方法，其特征在于，所述子模型为皮尔逊计算子模型、xgboost子模型以及lightgbm子模型中任意一种子模型。5.如权利要求1所述的门慢的异常行为监控方法，其特征在于，所述若具有所述相关度小于...
【专利技术属性】
技术研发人员：满天龙，
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：
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。