[发明专利]基于分类器的数据处理方法、设备、存储介质及装置

说明书

本发明公开了一种基于分类器的数据处理方法、设备、存储介质及装置，该方法包括：获取待处理病例数据，按照数据类型从所述待处理病例数据中提取对应的目标类型数据；按照所述数据类型对所述目标类型数据进行编码处理，获得特征数据；获取预设费用预测模型，所述预设费用预测模型为通过对基础分类器进行训练获得；通过所述预设费用预测模型对所述特征数据进行费用预测，获得目标预测费用。基于人工智能，采用对基础分类器进行训练获得的预设费用模型进行费用预测，多角度考虑付费合理性，提高费用制定准确性。

技术领域

本发明涉及人工智能的技术领域，尤其涉及一种基于分类器的数据处理方法、设备、存储介质及装置。

背景技术

医疗行业业内现有的支付方式主要有：(1)按服务项目付费，缺点服务项目定价困难，将所有风险都转移给医疗服务购买方，医疗服务提供方并不承担任何风险，缺乏成本控制意识，刺激医疗服务提供方引入尖端诊疗设备和推销高价药物，逆向选择风险增大，从而导致医疗服务的过度提供，造成医疗资源的浪费，医疗保险方的监管成本较高；(2)按总额付费，缺点是确定付费总额有一定的难度，因为合理支出难以界定，过高的预付额会导致医疗服务供给的不合理增长，过低的预付额会导致医疗服务供方过度减少医疗服务供给；(3)按服务单元付费，包括按住院床日、住院天数和人次支付等，缺点是医疗机构通过诱导需求和分解服务人次以及延长住院时间等增加数量来增加收入，医疗机构还可能出现拒收危重病人，降低服务水平等现象；(4)按人头付费，缺点是医生可能会限制所提供的医疗服务的数量和放弃某些高质量或高成本的治疗方案，医生为了节约成本，限制病人转诊，医生更愿意接受相对健康的病人；(5)按病种支付付费，比如各类诊断相关分组(Diagnosis relatedgroups，DRGs)，缺点是集中适用于住院患者，暂时对门诊患者和门诊特殊疾病适应性不高，部分医疗费用不易控制，收治患者容易出现推诿现象，付费模式较为粗狂，一旦DRG组确定后，落入该组用户费用确定，无法体现同一组别中患者在医疗治疗费用的差异性。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种基于分类器的数据处理方法、设备、存储介质及装置，旨在解决现有技术中医疗费用制定不合理的技术问题。

为实现上述目的，本发明提供一种基于分类器的数据处理方法，所述基于分类器的数据处理方法包括以下步骤：

获取待处理病例数据，按照数据类型从所述待处理病例数据中提取对应的目标类型数据；

按照所述数据类型对所述目标类型数据进行编码处理，获得特征数据；

获取预设费用预测模型，所述预设费用预测模型为通过对基础分类器进行训练获得；

通过所述预设费用预测模型对所述特征数据进行费用预测，获得目标预测费用。

优选地，所述获取待处理病例数据，按照数据类型从所述待处理病例数据中提取对应的目标类型数据之前，所述基于分类器的数据处理方法还包括：

获取多个样本数据，并对各所述样本数据设置相同的数据权重；

建立多个基础分类器，根据所述样本数据及对应的所述数据权重对各所述基础分类器进行训练，获得弱分类器及预测值；

根据所述预测值调整各所述样本数据的数据权重；

根据各所述样本数据及对应的新的数据权重对各所述弱分类器进行训练，将经过训练的弱分类器进行集成，获得预设费用预测模型。

优选地，所述根据所述预测值调整各所述样本数据的数据权重，包括：

获取各所述样本数据对应的样本费用真实值；

计算所述预测值与所述样本费用真实值之间的误差；