一种基于知识图谱的高套病种识别模型的制作方

本发明涉及高套病种行为识别，具体为一种基于知识图谱的高套病种识别模型。背景技术：1、drg/dip付费方式下，会带来新的基金安全风险，比如为获得更高支付标准或分值，有些医疗机构通过疾病诊断升级或选取高资源消耗治疗方式等手段，利用病种组合规则使相对简单的病例进入较高的组别，这种现象被称作“高套病种”。2、现有医疗保障基金智能审核依托监控知识库、规则库(以下简称“两库”)对新医保支付体系下的逐渐显现出来分值高套(提升诊断、增加并发症/合并症)医疗违规行为甄别能力有限，需要大量的人工审核，在支付方式改革2025年之前全面铺开的情况下，会出现如下两个问题：3、大量审核任务与现有人工审核不足相矛盾的局面，4、现有监管系统人工审核大量依赖审核人员的专业知识，存在审核标准不一的问题。5、因此，为提升“高套病种”的智能化审核水平，本方案提出一种基于知识图谱的病种高套风控预警引擎，通过搭建涵盖医疗合规知识库、临床合理知识库、医保报销知识库三大知识库为基础的“分值高套”知识图谱，建立覆盖drg/dip全病种“高套病种”违规行为智能化监管体系，从而解决上述背景技术中提出的问题。技术实现思路1、本发明的目的在于提供一种基于知识图谱的高套病种识别模型，以解决上述背景技术中提出的问题。2、为实现上述目的，本发明提供如下技术方案：3、一种基于知识图谱的高套病种识别模型，包括获取模块、确定模块、判断模块以及输出模块，所述获取模块、确定模块、判断模块以及输出模块之间均通过中继链相连接。4、作为本发明优选的方案，所述获取模块的具体分析步骤为：首先从不同来源、不同结构的数据中获取数据，做出临床诊断和icd10之间的关系图谱，将医学文本命名实体划分为九大类，包括：疾病(dis)，临床表现(sym)，药物(dru)，医疗设备(equ)，医疗程序(pro)，身体(bod)，医学检验项目(ite)，微生物类(mic)，科室(dep)，以实体为点、关系为边，训练实体之间的逻辑关系，运用信息抽取、知识融合、知识加工、二分法，监督与半监督学习步骤，构建完善的实体相似度置信度模型，最终获取每个实体的三元组知识结构数据模型，给定schema约束集合及句子sentence，其中schema定义了关系predicate以及其对应的主体subject和客体object的类别，任务要求参评系统自动地对句子进行分析，输出句子中所有满足schema约束的spo三元组知识triples＝[(s1,，p1,，o1),，(s2,，p2,，o2)…]。5、作为本发明优选的方案，所述确定模块的具体分析步骤为：6、s1，数据分桶，对所有的多源实体数据进行一个粗聚类，同名实体分在一个桶内，除了基于名称匹配，采用一些专有的属性值进行分桶，如将所属科室的诊疗，疾病分在一个桶；7、s2，实体相似度计算，进行精排，进一步确定实体的相似度，并确定实体是否能够合并，引入了异构网络表示的特征来解决由于医学诊疗的不确定性以及描述差异性导致的相似特征稀疏问题，引入了互斥特征解决部分实体之间过度相似导致的过融合问题；8、s3，实体融合与关联推理，将不同源的实体建立一条关系边，从而将分散的知识实体构建起知识网络，同时，使用推理技术建立潜在关系边。9、作为本发明优选的方案，所述判断模块的具体分析步骤为：当知识图谱模型构造完毕之后，已有技术中规则匹配问题转化为挖掘关实体之间知识关系的问题，将其转化为召回其关联的知识实体，通过判断每个知识结构中的点和边的连通关系，获取两两实体之间互为关联的最大范围聚集性群体，进而根据业务定义，输出审核指标。10、作为本发明优选的方案，所述获取数据场景包括医学教材、医学百科、临床病例、医学期刊、入院记录、检验报告等，数据存储涉及nosql数据库和用图数据库，临床诊断使用电子病历出院小结中的出院诊断、次要诊断或病案首页中主要诊断和次要诊断，icd10为诊断名称和诊断编码。11、作为本发明优选的方案，所述s2中引入了异构网络表示的特征和互斥特征的具体操作步骤为12、s21，将每个来源的实体，构建一个同源的实体关联网络13、s22，文本相似特征计算，主要是针对存在简介信息的实体，利用bert编码得到向量，如果两个实体都存在简介信息，则将两个简介向量进行点乘得到他们的文本相似度特征14、s23，计算基本特征相似度，基本特征是其他属性的相似度特征，每一维表示属性，每一维的值表示该属性值的一个jaccard相似度；15、s24，互斥特征计算，主要依据诊断的基本医学常识，比如科室，性别等特征维度；16、s25，建立实体映射关系，将多源异构网络进行合并17、s26，基于deepwalk方式得到多源异构网络的节点向量化表示特征。18、作为本发明优选的方案，所述s3中使用推理技术建立潜在关系边的具体操作步骤为：19、s31，根据实体特征明显关联关系大于阈值的实体，建立确定实体关系，生成融合实例id20、s32，运用伴随推理，反向推理，多实体推理等技术挖掘实体之间的关联关系；21、s33，计算实体关系的实体的知名度指标，用于量化不同实体的重要性程度，使用pagerank算法为核心算法，以对新热实体的popularity调整为辅，并配以直接的人工干预来快速解决badcase。22、作为本发明优选的方案，所述s32中实体之间的关联关系包括在a，+，path，＝，c，a+r0＝c情况下，得到的第一种规则，[path(r1r2)＝r0]以及在a，+，r1，＝，b，a+r2＝c，b+r0＝c的情况，得到第二种规则[r1，&r2，＝，r0]。23、与现有技术相比，本发明的有益效果是：24、1、本发明中，通过构建基于知识图谱的高套病组审核模型来作为dip监管系统核心引擎之一，能够在规范指导全国各地市医保部门在dip监管工作方面发挥重要作用，建立起一道医保基金的防火墙，医疗费用不合理增长将得以有效遏制，医保基金运行效率和抗风险能力得以极大提高，dip监管系统建成和投入运行后，将在规范指导全省各地市医保部门在dip监管工作方面发挥重要作用，促进全省各地市医保部门提高监管工作的智能化水平，同时，系统建设将借助深度借助医保大数据的技术能力，全省医保基金非现场监督能力和医疗费用智能监管能力将得以极大提高，从而有效减轻全省各地市医保监管部门的人力成本、智力成本投入，降低行政成本，提高办事效率，带来直接的经济效益，dip监管系统建成和投入运行后，将极大提高dip付费下的医疗服务智能监控能力，信息化在形成新格局下医疗保障战略购买力、规模化优势及专业化能力方面，将发挥巨大的支撑作用，对于医保基金浪费、欺诈情况将得以有效消解，医疗费用不合理增长将得以有效遏制，医保基金运行效率和抗风险能力得以极大提高，能够更好满足人民群众日益增长的医疗保障需求，按照国家电子政务工程建设项目管理规范立项，确保工程建设效能，落实电子政务建设工程规范化、集约化、可持续化的政策要求，进行了广泛而充分的项目分析与论证，以此确保项目建设目标明确、项目建设内容合理、项目建设边界清晰、项目必要性分析与可行性论证充分，能够有效支撑全国推动dip支付方式改革的使命，能够有效支撑达成新时代医疗保障事业发展目标，提高基金持续保障能力，增强群众安全感，dip监管系统建成和投入运行后，将有效提高医保基金运行效率和抗风险能力，提高医保基金持续保障能力，助力群众“病有所医、病有良医”，增强群众安全感，通过dip付费的实施，推动实行多元复合式医保支付方式，实行精细化管理，激发医疗机构规范行为、控制成本、合理收治和转诊患者的内生动力，引导医疗资源合理配置和患者有序就医，切实保障广大参保人员基本医疗权益和医保制度长期可持续发展。