一种服务医疗机构和/或药店的商业保险支付方法及系统与流程

本技术涉及数据处理，特别是涉及一种服务医疗机构和/或药店的商业保险支付方法及系统。

背景技术：

1、目前，商业保险市场保持着强劲增长态势，越来越多的保险公司选择与医疗机构和药店进行合作，完成理赔费用支付等诸多操作。因此，统一的商业保险支付平台应运而生，其可以为各医疗机构和药店提供统一的接口和服务，实现数据标准统一。现有的商业保险支付平台风险识别能力差，难以有效预防保险欺诈的发生。

2、因此，如何提高商保支付的风险识别能力，降低保险欺诈风险，是本领域技术人员亟待解决的技术问题。

技术实现思路

1、为解决上述技术问题，本技术提供一种服务医疗机构和/或药店的商业保险支付方法，能够提高商保支付的风险识别能力，降低保险欺诈风险。本技术还提供一种服务医疗机构和/或药店的商业保险支付系统，具有相同的技术效果。

2、本技术的第一个目的为提供一种服务医疗机构和/或药店的商业保险支付方法。

3、本技术的上述申请目的一是通过以下技术方案得以实现的：

4、一种服务医疗机构和/或药店的商业保险支付方法，包括：

5、获取用户在医疗机构和/或药店的诊疗数据；

6、根据所述诊疗数据，判断所述用户是否为保险产品的关联人，若是，则：

7、对所述诊疗数据，进行特征提取，得到特征数据；

8、利用预先训练好的风险识别模型，对所述特征数据进行分析，得到识别结果，其中，所述识别结果为欺诈理赔、正常理赔和延迟理赔中的一种；

9、根据所述识别结果，进行理赔计算，得到商保结算结果；

10、将所述商保结算结果发送至医疗机构和/或药店，以进行商保支付结算；

11、其中，所述风险识别模型，通过如下步骤构建：

12、获取携带有预设风险类别标签的理赔案件样本，其中，预设风险类别包括欺诈理赔、正常理赔和延迟理赔；

13、对所述理赔案件样本进行特征提取，得到特征样本；

14、以所述特征样本作为输入变量，所述特征样本的预测的风险类别标签作为目标变量，构建基于xgboost的初始模型；

15、利用所述特征样本，对所述初始模型进行训练，得到训练好的风险识别模型。

16、优选地，所述服务医疗机构和/或药店的商业保险支付方法中，所述获取携带有预设风险类别标签的理赔案件样本，包括：

17、获取保险产品的已结案的理赔案件文本；

18、对所述理赔案件文本，进行预处理，得到预处理文本；

19、对所述预处理文本，进行信息抽取，得到理赔案件样本；

20、根据所述预设风险类别，对所述理赔案件样本进行标注，得到携带有预设风险类别标签的理赔案件样本。

21、优选地，所述服务医疗机构和/或药店的商业保险支付方法中，所述对所述预处理文本，进行信息抽取，得到理赔案件样本，包括：

22、利用预先训练好的信息抽取模型，对所述预处理文本，进行信息抽取，得到理赔案件样本。

23、优选地，所述服务医疗机构和/或药店的商业保险支付方法中，所述利用所述特征样本，对所述初始模型进行训练，得到训练好的风险识别模型，包括：

24、将所述特征样本，划分为训练集和测试集；

25、利用所述训练集，对所述初始模型进行训练，得到训练后的初始模型；

26、利用所述测试集，对所述训练后的初始模型进行测试，得到测试结果；

27、判断所述测试结果是否满足预设要求，若是，则：

28、将所述训练后的初始模型，作为训练好的风险识别模型。

29、优选地，所述服务医疗机构和/或药店的商业保险支付方法中，所述测试结果包括模型准确率；

30、所述判断所述测试结果是否满足预设要求，包括：

31、判断所述模型准确率是否超过预设阈值，若是，则认为所述测试结果满足预设要求。

32、优选地，所述服务医疗机构和/或药店的商业保险支付方法中，所述根据所述识别结果，进行理赔计算，得到商保结算结果，包括：

33、若所述识别结果为欺诈理赔，则输出默认的商保结算结果，或者直接退出支付流程；

34、若所述识别结果为正常理赔，则根据所述诊疗数据和预设的第一理赔计算规则，计算得到商保结算结果；

35、若所述识别结果为延迟理赔，则根据所述诊疗数据和预设的第二理赔计算规则，计算得到商保结算结果。

36、优选地，所述服务医疗机构和/或药店的商业保险支付方法中，还包括：

37、若所述识别结果为欺诈理赔或者延迟理赔，从预设的编码数据库中，获取保险产品的唯一编码；

38、将所述唯一编码发送至医疗机构和/或药店。

39、优选地，所述服务医疗机构和/或药店的商业保险支付方法中，所述编码数据库通过如下步骤构建：

40、获取保险公司的保险产品的上市信息；

41、根据所述上市信息和预设的编码规则，生成保险产品的唯一编码；

42、构建关系型数据库，对所述唯一编码进行存储，得到编码数据库。

43、优选地，所述服务医疗机构和/或药店的商业保险支付方法中，所述唯一编码由保险产品归属的保险公司代码、保险产品归属的销售省份代码、险种类型代码、保险产品上市时间代码和产品序号组成。

44、本技术的第二个目的为提供一种服务医疗机构和/或药店的商业保险支付系统。

45、本技术的上述申请目的二是通过以下技术方案得以实现的：

46、一种服务医疗机构和/或药店的商业保险支付系统，包括：

47、获取单元，用于获取用户在医疗机构和/或药店的诊疗数据；

48、判断单元，用于根据所述诊疗数据，判断所述用户是否为保险产品的关联人；

49、提取单元，用于当所述判断单元判断出所述用户为保险产品的关联人时，对所述诊疗数据，进行特征提取，得到特征数据；

50、识别单元，用于利用预先训练好的风险识别模型，对所述特征数据进行分析，得到识别结果，其中，所述识别结果为欺诈理赔、正常理赔和延迟理赔中的一种；

51、计算单元，用于根据所述识别结果，进行理赔计算，得到商保结算结果；

52、发送单元，用于将所述商保结算结果发送至医疗机构和/或药店，以进行商保支付结算；

53、构建单元，用于构建所述风险识别模型，所述构建单元在执行所述构建所述风险识别模型时，具体用于：

54、获取携带有预设风险类别标签的理赔案件样本，其中，预设风险类别包括欺诈理赔、正常理赔和延迟理赔；

55、对所述理赔案件样本进行特征提取，得到特征样本；

56、以所述特征样本作为输入变量，所述特征样本的预测的风险类别标签作为目标变量，构建基于xgboost的初始模型；

57、利用所述特征样本，对所述初始模型进行训练，得到训练好的风险识别模型。

58、上述技术方案，通过获取用户在医疗机构和/或药店的诊疗数据；根据诊疗数据，判断用户是否为保险产品的关联人，若是，则：对诊疗数据，进行特征提取，得到特征数据；利用预先训练好的风险识别模型，对特征数据进行分析，得到识别结果，其中，以特征样本作为输入变量，特征样本的预测的风险类别标签作为目标变量，训练基于xgboost的初始模型，得到能够准确识别出理赔风险类别的风险识别模型；根据识别结果，进行理赔计算，得到商保结算结果，以此提高理赔计算的准确性，降低保险欺诈风险；将商保结算结果发送至医疗机构和/或药店，以进行商保支付结算。综上所述，上述技术方案能够提高商保支付的风险识别能力，降低保险欺诈风险。

59、此外，上述技术方案，还通过生成保险产品的唯一编码，用于保险公司、支付平台、药店和医疗机构等多方机构对账结算，既能满足消费者、监管机构通过保险产品的唯一编码追溯理赔信息的需求，又能满足保险公司与医疗机构和药店进行对账结算的互认和调用的需求，能够提升商业保险支付平台的服务能力。