一种大数据分析对制造技术

本发明专利技术属于数据采集

【技术实现步骤摘要】
一种大数据分析对DRG及DIP医保支付风险监控和预警的方法


[0001]本专利技术属于数据采集
、
智能监控以及大数据分析
，具体涉及一种大数据分析对
DRG
及
DIP
医保支付风险监控和预警的方法
。

技术介绍

[0002]DRG
及
DIP
分类系统的设计和实施可以根据不同国家和地区的医疗体系而有所不同，其核心原则是将患者根据一系列临床和资源利用标准进行分类，以确定适当的付款水平
。
这种分类系统有助于管理医疗保健成本，提高医疗服务的质量，并确保医疗资源的合理分配
。
在
DRG
及
DIP
改革推进的过程中，存在着多种类的支付风险，这些支付风险主要包括医疗不足
、
转嫁费用
、
过度医疗以及欺诈骗保等形式，这些支付风险下分别包括若干细分类型的支付风险
。
然而
DRG
及
DIP
分类系统中对支付风险的监测以及鉴别一直是其推广过程中的关键性挑战，因为支付风险的问题将直接影响
DRG
及
DIP
支付模型的精确性和时效性，直接影响医疗决策的反应性以及支付模型偏向性，其中支付模型偏向性又包括医疗机构亏损，尤其是在处理复杂或高风险患者时的支付不足风险，还包括支付模型鼓励医疗机构限制资源的使用，以节省成本导致的资源使用不足风险
。
因此当下出现了利用大数据人工智能对信息系统自动筛查发现违法违规
、
欺诈骗保等行为的智能监控和预警方法，然而不同的监测模型往往分别多种类的风险问题构建，在此过程中构成了大量的模型运算，传统方法的监测形式对新落成的监测模型或者叠加的监测模型在应用上往往具有运算复杂和冗杂问题，使得监测过程缓慢而且效率低下，对现有的多个监测模型的兼容状态无法有效甄别和比较筛选，因此亟需一种对
DRG
及
DIP
医保支付风险监控模型的兼容性进行科学判别的方法以提升监测手段的应用效率
。

技术实现思路

[0003]本专利技术的目的在于提出一种大数据分析对
DRG
及
DIP
医保支付风险监控和预警的方法，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件
。
[0004]为了实现上述目的，根据本专利技术的一方面，提供一种大数据分析对
DRG
及
DIP
医保支付风险监控和预警的方法，所述方法包括以下步骤：
S100
，布置医保支付风险监控环境，并从中识别风险监控模型；
S200
，分别获取各个风险监控模型的监质水平；
S300
，通过监质水平进行监质兼容分析；
S400
，根据监质兼容分析的结果，对医保支付风险进行监控预警
。
[0005]进一步地，在步骤
S100
中，所述布置医保支付风险监控环境，并从中识别风险监控模型的方法是：医保支付风险监控环境中包括监控模型库，监控模型库中包含若干风险监控模型，风险监控模型用于为基于大数据的预测模型，预测模型包括任一种基于机器学习的大数据训练模型，各个风险监控模型分别用于识别
DRG
及
DIP
中存在医保支付风险的数据
或者案例，每个风险监控模型有对应一个或者多个支付风险标签，支付风险标签与支付风险的类型有一一对应关系
。
[0006]其中支付风险类型包括医疗不足
、
转嫁费用
、
过度医疗或者欺诈骗保类型的风险，上述支付风险类型为基础风险类型，在其基础上有更多细分的支付风险子类，根据时段或者地区支付风险子类可以被覆盖定义或者新建定义
。
支付风险类型和支付风险子类型均由对应的支付风险标签进行区分
。
[0007]进一步地，在步骤
S200
中，所述分别获取各个风险监控模型的监质水平的方法是：以任一个风险监控模型作为监督节点，通过若干个监督节点的组合作为监督组；以服务器中正在应用的监督组作为落行监督组；设定一个时间段作为规划期
TDS, 规划期的取值范围是
TDS∈[180,720] 个自然日；将最近
TDS
时段内曾用为落行监督组的各个监督组均作为参考监督组；各个参考监督组在最近
TDS
时段内的召回率构建成序列作为监督组表现序列，以监督组表现序列中的最大值与落行监督组在最近
TDS
时段内的召回率的比值作为当前的参组召比，以参考监督组在最近
TDS
时段内的准确率作为参组准度，将参组召比和参组准度构成的二元组作为一个参考监督组当前的监质水平，以自然日为单位获取参考监督组的监质水平
。
[0008]落行监督组指的是实际应用于监测
DRG
及
DIP
医保支付风险的各个风险监控模型的集合；以自然日为单位获取监质水平指的是，获取监质水平的时间间隔为一个自然日；任一监督组的召回率为监督组内各个监督节点的召回率的平均值；前文中的当前等同当前自然日；进一步地，在步骤
S300
中，所述通过监质水平进行监质兼容分析的方法是：设定一个时间段作为规划期
TDS, TDS∈[180,720] 个自然日；根据同一个自然日中不同参考监督组对应监质水平的参组准度构成序列，作为参组准度序列，以参组准度序列中的最大值与中位值的比值作为该自然日的准度跃迁率
ORT
；设定一个数值区间
O_Zn, O_Zn∈[0.7,0.9]；如果一个自然日中准度跃迁率满足
ORT
＜
O_Zn
，则定义该自然日为兼容险位；在最近
TDS
内将任意时序上连续的若干兼容险位作为一个险位点，险位点中包含兼容险位的数量作为其延续险度
DURP
，险位点的总数量记作
nRD
；获取最近
TDS
内各个自然日对应参组召比的平均值作为召比水平
RRCL
，当一个自然日对应的参组召比大于召比水平则为该自然日作优质兼容标记，否则作质疑兼容标记；一个险位点中含有优质兼容标记的自然日数量与其延续险度
DURP
的比值记作优质兼容率
Rt_epl
；一个险位点中含有优质兼容标记的各个自然日中参组召比的最大值记作第一参组召比
Mx_epl
；根据召比水平和险位点的定义进行监质兼容分析，计算兼容性能
ETHN
：；其中
j1
为累加变量，以
Rt_epl
j1
和
Mx_epl j1
分别代表第
j1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种大数据分析对
DRG
及
DIP
医保支付风险监控和预警的方法，其特征在于，所述方法包括以下步骤：
S100
，布置医保支付风险监控环境，并从中识别风险监控模型；
S200
，分别获取各个风险监控模型的监质水平；
S300
，通过监质水平进行监质兼容分析；
S400
，根据监质兼容分析的结果，对医保支付风险进行监控预警；其中，步骤
S300
的方法是，设定一个时间段作为规划期，根据规划期内的各个监质水平形成参组准度序列，并根据该序列计算准度跃迁率，根据准度跃迁率筛选出规划期内的兼容险位，并由兼容险位定义险位点；通过险位点计算延续险度以及优质兼容率，最后根据召比水平和险位点的属性进行监质兼容分析计算获得兼容性能，作为监质兼容分析的结果
。2.
根据权利要求1所述的一种大数据分析对
DRG
及
DIP
医保支付风险监控和预警的方法，其特征在于，在步骤
S100
中，所述布置医保支付风险监控环境，并从中识别风险监控模型的方法是：医保支付风险监控环境中包括监控模型库，监控模型库中包含若干风险监控模型，风险监控模型用于为基于大数据的预测模型，预测模型包括任一种基于机器学习的大数据训练模型，各个风险监控模型分别用于识别
DRG
及
DIP
中存在医保支付风险的数据或者案例，每个风险监控模型有对应一个或者多个支付风险标签，支付风险标签与支付风险的类型有一一对应关系
。3.
根据权利要求1所述的一种大数据分析对
DRG
及
DIP
医保支付风险监控和预警的方法，其特征在于，在步骤
S200
中，所述分别获取各个风险监控模型的监质水平的方法是：以任一个风险监控模型作为监督节点，通过若干个监督节点的组合作为监督组；以服务器中正在应用的监督组作为落行监督组；设定一个时间段作为规划期
TDS, 规划期的取值范围是
TDS∈[180,720] 个自然日；将最近
TDS
时段内曾用为落行监督组的各个监督组均作为参考监督组；各个参考监督组在最近
TDS
时段内的召回率构建成序列作为监督组表现序列，以监督组表现序列中的最大值与落行监督组在最近
TDS
时段内的召回率的比值作为当前的参组召比，以参考监督组在最近
TDS
时段内的准确率作为参组准度，将参组召比和参组准度构成的二元组作为一个参考监督组当前的监质水平，以自然日为单位获取参考监督组的监质水平
。4.
根据权利要求1所述的一种大数据分析对
DRG
及
DIP
医保支付风险监控和预警的方法，其特征在于，在步骤
S300
中，所述通过监质水平进行监质兼容分析的方法是：设定一个时间段作为规划期
TDS, TDS∈[180,720] 个自然日；根据同一个自然日中不同参考监督组对应监质水平的参组准度构成序列，作为参组准度序列，以参组准度序列中的最大值与中位值的比值作为该自然日的准度跃迁率
ORT
；设定一个数值区间
O_Zn, O_Zn∈[0.7,0.9]
；如果一个自然日中准度跃迁率满足
ORT
＜
O_Zn
，则定义该自然日为兼容险位；在最近
TDS
内将任意时序上连续的若干兼容险位作为一个险位点，险位点中包含兼容险位的数量作为其延续险度
DURP
，险位点的总数量记作
nRD
；获取最近
TDS
内各个自然日对应参组召比的平均值作为召比水平
RRCL
，当一个自然日对应的参组召比大于召比水平则为该自然日作优质兼容标记，否则作质疑兼容标记；一个险位点中含有优质兼容标记的自然日数量与其延续险度
DURP
的比值记作优质兼容率
Rt_epl
；一个险位点中含有优质兼容标记的各个自然日中参组召比的最大值记
作第一参组召比
Mx_epl
；根据召...

【专利技术属性】
技术研发人员：彭宪峰，苑光波，刘冰，
申请(专利权)人：北京创智和宇科技有限公司，
类型：发明
国别省市：