一种关于医院财务审计的系统方法技术方案

本发明专利技术公开了一种关于医院财务审计的系统方法，包括云端计算平台和客户端管理平台；所述云端计算平台包括云数据中心、云计算中心和底层应用模块；本发明专利技术涉及财务审计领域，特别指一种关于医院财务审计的系统方法。本发明专利技术的优点在于：利用数据管理平台实现内部审计与外部审计的协调统一，极大减少了审计成本并可有效提高审计效率，利用客户端管理平台的门诊结算模块、住院结算模块、药品管理模块、人员经费模块、固定资产管理模块和本地数据中心可极大简化内部审计工作，并缩短审计周期；对于包含有大量表格的本本数据，利用本发明专利技术提出的AiNa文本块识别模型和序列转化模型可有效提升表格类文本的识别准确度，大大减少内审工作人员的劳动强度。人员的劳动强度。人员的劳动强度。

【技术实现步骤摘要】
一种关于医院财务审计的系统方法


[0001]本专利技术涉及财务审计领域，特别指一种关于医院财务审计的系统方法。

技术介绍

[0002]随着医疗改革的不断推进，对医院的政策和监管不断增强，医院的内部运营和管理的预算、成本和绩效审查也应进一步完善，内部审计是医院内部监督的重要环节，内部审查人员首先要细致梳理医院的内部业务流程和财务管理制度，也就是符合性测试，包括审核测试医院内部控制健全性、合理性与合法性，例如费用报销制度、药品耗材采购流程、诊疗流程和质控流程等。
[0003]符合性测试的过程中会涉及到一些相关的文档数据作为支持，以费用报销为例，费用报销需要准备费用申请表，申请表上会有申请人（报销人）的签名和复核者（审批人）的批准签名，然后该申请表会递交到财务部，财务部会将之入帐，入帐凭证上也应该有会计和会计主管的签名，这些与财务数据中包含大量的表格和文本信息，内审人员在寻找、提取和校对这些关键信息时需要投入大量的人工劳动和时间，现有的OCR技术在处理大文本表格数据时往往效率低下。
[0004]对医院的外部审计是由审计机关派去的审计人员或社会审计机构对医院的经济业务活动进行审查，但内部审计和外部审计总体目标是一致的,两者均是审计监督体系的有机组成部门。内部审计具有预防性、经常性和针对性,是外部审计的基础,对外部审计能起辅助和补充作用；而外部审计对内部审计又能起到支持和指导作用；现有的医院财务审计系统要么仅针对内部审计，要么仅针对外部审计。

技术实现思路

[0005]（一）要解决的技术问题为解决现有技术上的问题，本专利技术提供一种关于医院财务审计的系统方法，其目的在于解决：（1）针对包含有大量文本信息的表格类述的人工审计效率低下的问题，本专利技术提出一种基于计算机视觉与循环神经网络相结合的OCR模型，可有效提升审计效率；（2） 利用数据管理平台实现内部审计与外部审计的协调统一，极大减少了审计成本并进一步提高审计效率；（3）利用本地计算设备与云计算平台分工合作，可有效保障财务审计的实时性。
[0006]（二）技术方案针对本专利技术要解决的技术问题，提出一种关于医院财务审计的系统方法，包括云端计算平台和客户端管理平台；所述云端计算平台包括云数据中心、云计算中心和底层应用模块；所述客户端管理平台包括门诊结算模块、住院结算模块、药品管理模块、人员经费模块、固定资产管理模块和本地数据中心；所述云端计算平台与客户端管理平台通过互联网连接。
[0007]进一步地，所述云数据中心包括数据加密组件和数据存储与管理组件，所述数据加密组件对客户端管理平台上传的数据进行加密，数据存储与管理组件用于对客户端管理平台的财务数据存储和管理，所述财务数据包括各类财务报表、用于OCR识别的中文字典集、英文字典集和医学字典集。
[0008]进一步地，所述云计算中心部署包括用于神经网络模型计算的多组TPU以及用于图形计算的多组GPU。
[0009]进一步地，所述底层应用模块包括AinaOCR组件、模板匹配组件、签字校对组件和印章校对组件，所述AinaOCR组件用于含有大量文本信息的表格类数据的读取、检索和校对，所述模板匹配组件用于对表格类数据进行二次编辑，所述签字校对组件用于对表格类数据中的手写签字进行识别和验证校对，所述印章校对组件用于对公章的读、识别和校验。
[0010]人员经费模块进一步地，所述门诊结算模块包括挂号组件、门诊诊察组件、门诊检查组件、门诊化验组件、门诊治疗组件和门诊报销组件；挂号组件，用于挂号费用的结算与审查；所述门诊结算模块用于与挂号、门诊诊察、门诊检查、门诊化验、门诊治疗和门诊报销相关的结算、统计和审查。
[0011]进一步地，所述住院结算模块包括床位结算组件、住院诊察组件、住院检查组件、住院化验组件、住院治疗组件、住院药品组件和住院报销组件，用于与住院床位、住院诊察、住院检查、住院化验、住院治疗、住院药品和住院报销相关的结算、统计和审查。
[0012]进一步地，所述药品管理模块用于对各种药品的采购、销售、核算、统计和审查。
[0013]作为优选地，所述人员经费模块用于结算工作人员的基本工资与绩效工资。
[0014]作为优选地，所述固定资产管理模块用于对医院的医疗器械和固定资产进行管理统计。
[0015]进一步地，所述本地数据中心用于存储门诊结算模块、住院结算模块、人员经费模块和固定资产管理模块的中间数据，并用于对门诊结算模块、住院结算模块、人员经费模块和固定资产管理模块的数据进行汇总，并生成当日财务报表、月度财务报表、季度财务报表和年财务报表。
[0016]进一步地，所述AiNaOCR组件包括角点检测层、AiNa文本块识别模型、序列转化模型、BLSTM网络、CTC转录层和BeamSearch预测算法；所述角点检测层，使用Hog角点检测算法提取表格中的角点，同时记录角点组的中心坐标。
[0017]进一步地，所述AiNa文本块识别模型包括深度特征提取、上采样、通道合并和组合卷积，所述深度特征提取包括特征层一、特征层二、特征层三和特征层四，搭建AiNa文本块识别模型的具体步骤如下：（1）将图像依次经过特征层一、特征层二和特征层三分别得到尺寸为40
×
40
×
256、20
×
20
×
128和尺寸为10
×
10
×
128的特征图像，分别记为特征图像F1、特征图像F2和特征图像F3，其中特征层一包含卷积和特征融合C3；（2）将特征图像F3进行上采样操作，得到尺寸为20
×
20
×
128的特征图像F4，此时特征图像F4和特征图像F2具有相同的图像宽度、图像高度和通道数目，将特征图像F4与特征图像F2进行通道合并操作，得到尺寸为20
×
20
×
256的特征图像F5；（3）对特征图像F1进行特征提取四操作，得到尺寸为20
×
20
×
256的特征图像F6；（4）将特征图像F5和特征图像F6进行通道合并，得到尺寸为20
×
20
×
512的特征图
像F7；（5）将特征图像F7进行组合卷积得到尺度为20
×
20
×
15的文本块识别预测结果F8；其中每个20
×
20像素中，每个像素负责预测三个候选框，每个候选框负责预测文本块的左上角坐标（x1，y1）、右下角坐标（x2，y2）包含有文本的置信度P，即每个候选框预测5个参数，三个候选框共计15个参数，这就是文本块识别预测结果F8的通道数为15的原因。
[0018]进一步地，所述序列转化模型，包含根据文本块识别预测结果F8查找文本块，并将文本块送入序列转化模型中得到特征向量序列。
[0019]进一步地，所述BLSTM网络包括遗忘门、更新门、输出门、记忆细胞状态和隐含状态，所述BLSTM网络的作用是将序列转化模型得到的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种关于医院财务审计的系统方法，其特征在于：包括云端计算平台和客户端管理平台；所述云端计算平台包括云数据中心、云计算中心和底层应用模块；所述客户端管理平台包括门诊结算模块、住院结算模块、药品管理模块、人员经费模块、固定资产管理模块和本地数据中心；所述云端计算平台与客户端管理平台通过互联网连接；底层应用模块，包括AinaOCR组件、模板匹配组件、签字校对组件和印章校对组件，所述AinaOCR组件用于含有大量文本信息的表格类数据的读取、检索和校对，所述模板匹配组件用于对表格类数据进行二次编辑，所述签字校对组件用于对表格类数据中的手写签字进行识别和验证校对，所述印章校对组件用于对公章的读、识别和校验。2.如权利要求1所述的一种关于医院财务审计的系统方法，其特征在于：所述AiNaOCR组件，包括角点检测层、AiNa文本块识别模型、序列转化模型，BLSTM网络、CTC转录层、BeamSearch预测算法：（1）角点检测层，使用Hog角点检测算法提取表格中的角点，同时记录角点组的中心坐标；（2）AiNa文本块识别模型，包括深度特征提取、上采样、通道合并和组合卷积，所述深度特征提取包括特征层一、特征层二、特征层三和特征层四；（3）序列转化模型，包含根据文本块识别预测结果F8查找文本块，并将文本块送入序列转化模型中得到特征向量序列：其中，x
i
的维度为1
×
256的向量；（4）BLSTM网络，包括遗忘门、更新门、输出门、记忆细胞状态和隐含状态，所述BLSTM网络的作用是将序列转化模型得到的特征向量序列进行预测得到词概率向量：其中，yi是与字典长度相等的概率向量，且有：（5）CTC转录层,对词概率向量进行B变换操作，将重复字符合并，生成对应的词向量；（6）BeamSearch预测算法，在模型的预测阶段使用BeamSearch算法进行最终检测。3.如权利要求2所述的一种关于医院财务审计的系统方法，其特征在于：搭建AiNa文本块识别模型的具体步骤如下：（1）将图像依次经过特征层一、特征层二和特征层三分别得到尺寸为40
×
40
×
256、20
×
20
×
128和尺寸为10
×
10
×
128的特征图像，分别记为特征图像F1、特征图像F2和特征图像F3，其中特征层一包含卷积和特征融合C3；（2）将特征图像F3进行上采样操作，得到尺寸为20
×
20
×
128的特征图像F4，此时特征图像F4和特征图像F2具有相同的图像宽度、图像高度和通道数目，将特征图像F4与特征图
像F2进行通道合并操作，得到尺寸为20
×
20
×
256的特征图像F5；（3）对特征图像F1进行特征提取四操作，得到尺寸为20
×
20
×
256的特征图像F6；（4）将特征图像F5和特征图像F6进行通道合并，得到尺寸为20
×
20
×
512的特征图像F7；（5）将特征图像F7进行组合卷积得到尺度为20
×
20
×
15的文本块识别预测结果F8；其中每个20
×
20像素中，每个像素负责预测三个候选框，每个候选框负责预测文本...

【专利技术属性】
技术研发人员：姚远，
申请(专利权)人：姚远，
类型：发明
国别省市：