疾病药品关系映射模型训练及相关推荐、检测方法和装置制造方法及图纸

本发明专利技术公开了一种疾病药品关系映射模型训练方法、检测疾病药品关系异常的方法和装置。所述方法包括：获取选定时间范围内的医保数据，医保数据包含多条医保记录，从每条医保记录中提取疾病数据和与疾病数据对应的药品数据；根据预先建立的索引，生成各条疾病数据和对应的药品数据的向量对，作为样本集；调用样本集对预设的深度神经网络进行训练，得到疾病药品关系映射模型。本发明专利技术能够高效准确地检测出医保数据中疾病药品关系异常的情况，从而实现对医生违规开药行为的准确识别。实现对医生违规开药行为的准确识别。实现对医生违规开药行为的准确识别。

【技术实现步骤摘要】
疾病药品关系映射模型训练及相关推荐、检测方法和装置


[0001]本专利技术涉及医保风控领域，特别涉及一种疾病药品关系映射模型训练、药品推荐、检测疾病药品关系异常的方法和相关装置。

技术介绍

[0002]在实际的就医行为中，大部分医生开药是根据患者现有疾病和历史疾病开出与之相对应的药品，专利技术人在对大量医保记录组成的医保数据进行研究与分析后发现，医保数据中可能存在一些患者所患疾病与所开具的药品对应异常的情况，检测这些疾病药品关系异常的情况，有助于监控超适应症开药的违规行为，但是医保风控数据庞大且复杂，尚没有一种技术手段可以高效准确地检测出疾病药品关系异常的情况。

技术实现思路

[0003]在庞大且复杂的医保数据中，很难通过人工检测的方法高效准确地检测到患者所患疾病与所开具的药品对应异常的情况，通过对医保数据的研究和分析，本专利技术的专利技术人发现，患者所患疾病和医生所开具的药品之间存在一定的联系，利用神经网络结构来构建疾病与药品之间的关系，能够高效准确地检测到疾病药品关系异常的情况，从而找出医生违规开药的行为。
[0004]鉴于上述问题和发现，提出了本专利技术以便提供一种克服上述问题或者至少部分地解决上述问题的一种疾病药品关系映射模型训练方法、检测疾病药品关系异常的方法和装置。
[0005]第一方面，本专利技术实施例提供一种疾病药品关系映射模型训练方法，包括：获取选定时间范围内的医保数据，所述医保数据包含多条医保记录，从所述每条医保记录中提取疾病数据和与所述疾病数据对应的药品数据；根据预先建立的索引，生成各条疾病数据和对应的药品数据的向量对，作为样本集；调用所述样本集对预设的深度神经网络进行训练，得到疾病药品关系映射模型。
[0006]在一个实施例中，所述根据预先建立的索引，生成各条疾病数据和对应的药品数据的向量对，作为样本集，包括：对所述医保记录中的所述疾病数据进行特征编码得到第一疾病向量；对所述医保记录中的所述药品数据进行特征编码得到第一药品向量；将每条所述医保记录对应的第一疾病向量和第一药品向量进行组合，得到每条医保记录的向量对，生成所述样本集。
[0007]在一个实施例中，对所述医保记录中的所述疾病数据进行特征编码得到第一疾病向量，包括：根据所述疾病数据包含的至少一个疾病标识在预设的第一集合中的索引，对医保记录中的所述疾病数据进行独热向量编码，以使得独热向量编码得到的所述第一疾病向量
中包含至少一个有效数据位，所述至少一个有效数据位用于表征所述疾病数据中包含的至少一个疾病标识；且所述每个有效数据位在所述第一疾病向量中的位置，与所述疾病标识在所述第一集合中的索引对应；所述第一集合是由多个种类疾病标识的索引组成的集合。
[0008]在一个实施例中，对所述医保记录中的所述疾病数据进行特征编码得到第一疾病向量的步骤之前，还包括：获取所述医保记录中包含的历史疾病数据，若所述历史疾病数据中的疾病标识存在于预设的慢病列表中，且所述历史疾病数据中的疾病标识对应的索引存在于所述第一集合中，则将所述历史疾病数据与该条医保记录的疾病数据合并，对合并后的数据进行特征编码。
[0009]在一个实施例中，所述第一集合通过下述方式得到：从疾病数据库中挑选出现频率最高的预设数量的疾病标识，并为挑选出来的疾病标识分别建立索引，生成所述第一集合。
[0010]在一个实施例中，生成疾病数据和对应的药品数据的向量对的步骤之前，包括：用标准编码替代所述疾病数据和对应的药品数据。
[0011]第二方面，本专利技术实施例提供一种药品的推荐方法，包括：获取待推荐药品的疾病数据，对所述疾病数据进行特征提取，得到对应的疾病向量；所述疾病数据包括至少一种疾病标识；将所述疾病向量输入至预设的疾病药品关系映射模型中，通过所述疾病药品关系映射模型输出与所述疾病向量对应的推荐药品向量；根据所述推荐药品向量，确定所述疾病数据对应的待推荐药品及各待推荐药品对应的推荐分值并推送；所述疾病药品关系映射模型是通过如前述的疾病药品关系映射模型训练方法得到的。
[0012]第三方面，本专利技术实施例提供一种检测疾病药品关系异常的方法，包括：获取待预测的多条医保记录，从各条医保记录中分别提取疾病数据和对应的实际药品数据，对所述疾病数据和对应的实际药品数据进行特征提取，分别得到第二疾病向量和第二药品向量，所述第二药品向量的有效数据位表征对应的医保记录实际开具的药品；将所述第二疾病向量输入至疾病药品关系映射模型中，通过所述疾病药品关系映射模型输出与所述第二疾病向量对应的预测向量；所述预测向量的有效数据位表征与所述疾病数据对应的预测的药品；根据所述预测向量和第二药品向量，确定疾病药品关系异常的医保记录；所述疾病药品关系映射模型是通过如前所述的疾病药品关系映射模型训练方法得到的。
[0013]在一个实施例中，根据所述预测向量和第二药品向量，确定疾病药品关系异常的医保记录，包括：对于每条待预测的医保记录，将所述第二药品向量与所述预测向量进行预设的运算，得到疾病药品关系得分；根据所述疾病药品关系得分，确定待预测的多条医保记录中疾病药品关系异常的医保记录。
[0014]在一个实施例中，根据所述预测向量和第二药品向量，确定疾病药品关系异常的医保记录，包括：对所述预测分值按照大小进行排序，选择从最大开始的预设数量的预测分值对应的预测药品作为疾病药品关系正常的范围；针对所述每条待预测的医保记录对应的第二药品向量，判断所述第二药品向量中所有的有效位对应的药品是否均在所述范围内，若否，则确定所述待预测的医保记录存在疾病药品关系异常。
[0015]第四方面，本专利技术实施例提供一种疾病药品关系映射模型训练装置，包括：提取模块，用于获取选定时间范围内的医保数据，所述医保数据包含多条医保记录，从所述每条医保记录中提取疾病数据和与所述疾病数据对应的药品数据；生成模块，用于根据预先建立的索引，生成各条疾病数据和对应的药品数据的向量对，作为样本集；训练模块，用于调用所述样本集对预设的深度神经网络进行训练，得到疾病药品关系映射模型。
[0016]第五方面，本专利技术实施例提供一种药品推荐的装置，包括：疾病向量提取模块，用于获取待推荐药品的疾病数据，对所述疾病数据进行特征提取，得到对应的疾病向量；所述疾病数据包括至少一种疾病标识；药品向量输出模块，用于将所述疾病向量输入至预设的疾病药品关系映射模型中，通过所述疾病药品关系映射模型输出与所述疾病向量对应的推荐药品向量；推送模块，用于根据所述推荐药品向量，确定所述疾病数据对应的待推荐药品及各待推荐药品对应的推荐分值并推送；所述疾病药品关系映射模型是通过如前所述的疾病药品关系映射模型训练方法得到的。
[0017]第六方面，本专利技术实施例提供一种疾病药品关系异常的检测装置，包括：特征提取模块，用于获取待预测的多条医保记录，从各条医保记录中分别提取疾病数据和对应的实际药品数据，对所述疾病数据和对应的实际药品数据进行特征提取，分别得到第二疾病向量和第二药品向量，所述第二药品向量的有效数据位表征对应的医保记录实际开具的药品；预测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种疾病药品关系映射模型训练方法，其特征在于，包括：获取选定时间范围内的医保数据，所述医保数据包含多条医保记录，从所述每条医保记录中提取疾病数据和与所述疾病数据对应的药品数据；根据预先建立的索引，生成各条疾病数据和对应的药品数据的向量对，作为样本集；调用所述样本集对预设的深度神经网络进行训练，得到疾病药品关系映射模型。2.如权利要求1所述的方法，其特征在于，所述根据预先建立的索引，生成各条疾病数据和对应的药品数据的向量对，作为样本集，包括：对所述医保记录中的所述疾病数据进行特征编码得到第一疾病向量；对所述医保记录中的所述药品数据进行特征编码得到第一药品向量；将每条所述医保记录对应的第一疾病向量和第一药品向量进行组合，得到每条医保记录的向量对，生成所述样本集。3.如权利要求2所述的方法，其特征在于，对所述医保记录中的所述疾病数据进行特征编码得到第一疾病向量，包括：根据所述疾病数据包含的至少一个疾病标识在预设的第一集合中的索引，对医保记录中的所述疾病数据进行独热向量编码，以使得独热向量编码得到的所述第一疾病向量中包含至少一个有效数据位，所述至少一个有效数据位用于表征所述疾病数据中包含的至少一个疾病标识；且所述每个有效数据位在所述第一疾病向量中的位置，与所述疾病标识在所述第一集合中的索引对应；所述第一集合是由多个种类疾病标识的索引组成的集合。4.如权利要求3所述的方法，其特征在于，对所述医保记录中的所述疾病数据进行特征编码得到第一疾病向量的步骤之前，还包括：获取所述医保记录中包含的历史疾病数据，若所述历史疾病数据中的疾病标识存在于预设的慢病列表中，且所述历史疾病数据中的疾病标识对应的索引存在于所述第一集合中，则将所述历史疾病数据与该条医保记录的疾病数据合并，对合并后的数据进行特征编码。5.如权利要求3所述的方法，其特征在于，所述第一集合通过下述方式得到：从疾病数据库中挑选出现频率最高的预设数量的疾病标识，并为挑选出来的疾病标识分别建立索引，生成所述第一集合。6.如权利要求1所述的方法，其特征在于，建立疾病数据和药品数据的索引的步骤之前，还包括：分别对提取的疾病数据中的疾病标识和提取的药品数据中的药品标识进行标准编码，得到疾病标识的标准编码以及药品标识的标准编码；将疾病标识的标准编码作为所述疾病数据中的疾病标识；将药品标识的标准编码作为所述药品数据中的药品标识。7.一种药品的推荐方法，其特征在于，包括：获取待推荐药品的疾病数据，对所述疾病数据进行特征提取，得到对应的疾病向量；所述疾病数据包括至少一种疾病标识；将所述疾病向量输入至预设的疾病药品关系映射模型中，通过所述疾病药品关系映射模型输出与所述疾病向量对应的推荐药品向量；根据所述推荐药品向量，确定所述疾病数据对应的待推荐药品及各待推荐药品对应的
推荐分值并推送；所述疾病药品关系映射模型是通过如权利要求1
‑
6任一项所述的疾病药品关系映射模型训练方法得到的。8.一种疾病药品关系异常的检测方法，其特征在于，包括：获取待预测的多条医保记录，从各条医保记录中分别提取疾病数据和对应的实际药品数据，对所述疾病数据和对应的实际药品数据进行特征提取，分别得到第二疾病向量和第二药品向量，所述第二药品向量的有效数据位表征对应的医保记...

【专利技术属性】
技术研发人员：沈丹婷，张灏，赵礼悦，齐综擎，
申请(专利权)人：北京亚信数据有限公司，
类型：发明
国别省市：