[发明专利]就医行为识别方法、装置、终端设备及存储介质

说明书

本申请适用于人工智能技术领域，提供了一种就医行为识别方法、装置、终端设备及存储介质，通过对患者的时序就医数据分层级进行频繁模式挖掘，用挖掘得到的频繁模式表示患者的单次就医行为，实现对患者的单次就医行为的简化；同时，为了减少潜在的相似频繁模式，对频繁模式进行聚类，用聚类后的代表模式表示患者的单次就医行为，以实现对患者的单次就医行为的进一步简化，降低了患者的就医行为模式的复杂度，从而在对患者的多次就医行为进行时序关联规则挖掘时，可以有效降低计算量、提高挖掘效率，有效缩短完成时序关联规则挖掘所需的时间，进而可以基于时序关联规则快速、准确的识别患者的就医行为是否异常。

技术领域

本申请涉及人工智能技术领域，尤其涉及一种就医行为识别方法、装置、终端设备及存储介质。

背景技术

随着人口老龄化和慢性病患者数量的增多，越来越多的患者会发生周期性的医疗行为，理解患者多次就医的行为模式，对于发现异常的医疗行为和医保控费具有至关重要的意义。异常医疗行为的发现往往是基于规则的方法，需要从就医数据中挖掘出正常的行为模式，若违反该行为模式，就可判定为异常就医行为。比如，发现规则“第t周进行唐氏筛查，则第t+28周之前会进行生产手术”，如果患者违反了该条规则，则存在可疑风险。类似这样的时序关联规则可以通过如序列模式挖掘(prefixspan)这样成熟的算法进行挖掘，但在医保控费中，由于存在的候选项目过多，且这类时序关联的规则往往涉及到多次就医行为，如果把每次就医的所有花费项目直接输入已有的时序关联规则算法中，由于计算量过大(例如，有1000个花费项目，两次就医，则总共的候选项目有2¹⁰⁰¹个)，根本无法完成运算。

发明内容

有鉴于此，本申请实施例提供了一种就医行为识别方法、装置、终端设备及存储介质，以解决现有的直接把每次就医的所有花费项目直接输入时序关联规则算法中进行挖掘的方式，会产生计算量过大、无法完成运算的问题。

本申请实施例的第一方面提供了一种就医行为识别方法，包括：

获取至少一个患者的时序就医数据，每个时序就医数据包括一个患者在所有就医时间下的诊断结果、花费类别和花费项；

对所有时序就医数据中同一类诊断结果和同一类花费类别的花费项进行频繁项集挖掘、聚类和映射，以将每个时序就医数据中每个花费类别的花费项简化为一个频繁项集；

对每个时序就医数据中同一就医时间下的同一类诊断结果的所有类花费类别进行频繁模式挖掘、聚类和映射，以将每个时序就医数据中每个就医时间下的同一类诊断结果的所有类花费类别简化为一个频繁模式；

将每个时序就医数据中所有就医时间下的每一类诊断结果的频繁模式，作为一个目标时序就医数据；

对每个目标时序就医数据进行时序关联规则挖掘，获得每个目标时序就医数据中所有类诊断结果的频繁模式之间的时序关联规则；

根据每个时序关联规则，识别相应患者的就医行为是否异常。

本申请实施例的第二方面提供了一种就医行为识别装置，包括：

数据获取单元，用于获取至少一个患者的时序就医数据，每个时序就医数据包括一个患者在所有就医时间下的诊断结果、花费类别和花费项；

频繁项集挖掘单元，用于对所有时序就医数据中同一类诊断结果和同一类花费类别的花费项进行频繁项集挖掘、聚类和映射，以将每个时序就医数据中每个花费类别的花费项简化为一个频繁项集；

频繁模式挖掘单元，用于对每个时序就医数据中同一就医时间下的同一类诊断结果的所有类花费类别进行频繁模式挖掘、聚类和映射，以将每个时序就医数据中每个就医时间下的同一类诊断结果的所有类花费类别简化为一个频繁模式；

数据生成单元，用于将每个时序就医数据中所有就医时间下的每一类诊断结果的频繁模式，作为一个目标时序就医数据；