【技术实现步骤摘要】
一种医院DRGs分组判断方法及工作系统
[
][0001]本专利技术涉及一种医院DRGs分组判断方法及工作系统。
[
技术介绍
][0002]疾病诊断相关分组(Diagnosis Related Groups,DRGs)被广泛应用于医院的运行分析、医疗管理，是实现医院精细化管理、现代化管理的重要工具，DRGs实质是一种病历分类方案，是根据病例的诊断、年龄、并发症、手术等诊疗因素将病人分入若干诊断组的管理方法。DRGs分组结果是根据病例的诊断、年龄、并发症、手术等数据，输入分组器完成分组的。
[0003]现有DRGs分组结果获取主要依靠：1)用户将病案信息上传至官方分组网站，在经过2个月以上的分组器计算后发放DRGs分组结果给用户。2)根据固定或预设的规则进行推理和判断得出DRGs分组结果。3)根据人的经验结合有技术资料进行人工分组。
[0004]上述的方案存在的缺点是：第一种方案DRGs的分组的逻辑并没有对外公布，需要用户进行长时间的等待，效率不高。第二种方案，主要依靠固定或预设的规则依靠参数的进行推理从而确定分组结果，分组规则的制...
【技术保护点】
【技术特征摘要】
1.一种医院DRGs分组判断方法，其步骤如下：S1、获取医院信息系统中的待分组数据，并根据待分组数据获取扩充信息数据；S2、对扩充信息数据进行标准化处理和标签编码处理，得到标准数据样本；S3、将标准数据样本进行特征工程处理，得到标准数据特征；S4、将准数据特征输入到DRGs预测模型中，得到预测的DRGs分组结果集和结果集对应的可能性概率，取结果集中概率最高的E个可能分组结果和该结果对应的概率。2.根据权利要求1所述的一种医院DRGs分组判断方法，其特征在于：DRGs预测模型为，以历史分组数据处理后的所有标准数据特征为输入，以DRGs分组结果集和结果集对应的可能性概率为输出，对机器学习模型进行训练得到，具体包括：S41、获取医院信息系统中的历史分组数据，并根据历史分组数据获取扩充信息数据；S42、对扩充信息数据进行标准化处理和标签编码处理，得到标准数据样本；S43、将标准数据样本进行特征工程处理，得到标准数据特征；S44、将历史分组数据处理后的所有标准数据特征作为训练数据，并随机抽取一部分训练数据作为训练集，而另一部分训练数据作为测试集；S45、将训练集中的数据输入到随机森林模型和SVM模型中训练机器学习，得到训练后的随机森林模型和训练后的SVM模型；将测试集中的训练数据分别输入到训练后的随机森林模型和训练后的SVM模型中，得到1个随机森林训练的预测DRGs的结果集和DRGs结果集概率矩阵，以及得到1个SVM训练的预测DRGs的结果集和DRGs结果集概率矩阵；S46、设定一个判决参数阈值A，且取值为0到1，若随机森林训练的预测DRGs结果集概率最大的概率大于阈值A，则使用随机森林训练的预测DRGs结果和对应的结果集概率矩阵；否则对比SVM的预测结果和随机森林的预测结果中概率最大的概率，当SVM的预测结果概率较高则使用SVM的预测结果集，当随机森林的预测结果概率较高则使用随机森林的预测结果集，得到初步DRGs判断模型；S47、将初步DRGs分组判断模型进行调优，得到DRGs预测模型。3.根据权利要求1或2所述的一种医院DRGs分组判断方法，其特征在于：S1中的扩充信息数据包括有诊断信息、手术信息、费用信息、患者年龄、体重，住院天数，检验结果、检查结果和病案首页信息。4.根据权利要求1或2所述的一种医院DRGs分组判断方法，其特征在于：S2中的标准化处理包括有缺失值处理、异常值处理、数值分箱处理和文字映射处理。5.根据权利要求1或2所述的一种医院DRGs分组判断方法，其特征在于：S2中的标签编码处理中，对于扩充信息数据中的参数主诊断编码和主手术编码，先采用标签编码的方式对诊断字典库数据进行转换，再使用编码后的数字标签进行分类；对于扩充信息数据中的其他非数字型参数采用标签编码的方式进行数据转换；对于扩充信息数据中的数字型参数可直接用于分类。6.根据权利要求1或2所述的一种医院DRGs分组判断方法，其特征在于：S3中的标准数据特征包括有主诊断特征、主手术特征、费用特征、关联诊断数特征、呼吸机使用时间特征、重症监护时长特征、病危病重特征、病理特征、...
【专利技术属性】
技术研发人员：吴尔律，梁洪彬，蒙浩，翟玉兰，石昌荆，褚琦，
申请(专利权)人：广西医科大学第一附属医院，
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。