CN111179102B

CN111179102B - 医疗保险核保风控方法、装置及存储介质

Info

Publication number: CN111179102B
Application number: CN201911360260.9A
Authority: CN
Inventors: 唐劭; 孙龙超; 张斌; 龚平; 曾永钢
Original assignee: Beijing Asiainfo Data Co ltd
Current assignee: Beijing Asiainfo Data Co ltd
Priority date: 2019-12-25
Filing date: 2019-12-25
Publication date: 2023-10-03
Anticipated expiration: 2039-12-25
Also published as: CN111179102A

Abstract

为了解决现有技术的问题，提供一种医疗保险核保风控方法、装置及存储介质，降低核保难度，并为保费测算提供更为精准依据，本公开涉及大数据领域，本公开的方法，包括：获取待投保人员的医疗数据；根据所述医疗数据确定待投保人员所患疾病的疾病组以及待投保人员的风险因数指标信息；根据待投保人员所患疾病的疾病组的逻辑回归模型以及待投保人员的风险因数指标信息，确定并输出待投保人员的重大疾病风险值。本公开的技术方案可以根据待投保人员的医疗数据确定待投保人员的重大疾病风险值，以降低核保难度，并为保费测算提供更为精准依据。

Description

医疗保险核保风控方法、装置及存储介质

技术领域

本公开涉及大数据技术领域，尤其涉及一种医疗保险核保风控方法、装置及存储介质。

背景技术

商业保险飞速发展，越来越多的人购买了医疗商业保险。但目前商业保险公司在进行核保时，为节约成本，并不是人人都下发健康体检、调取既往就诊信息，通常是有保险销售人员进行简单的询问和记录，由核保师销售人员登记的信息进行核保。信息获取非常有限，而且不排除销售人员为了业绩而故意模糊和隐瞒一些信息。这些都使得商业保险公司核保困难增大，无法有效识别客户潜在风险，易发生逆选择或骗赔等情况，给商业保险公司带来巨大损失。

发明内容

为了解决上述技术问题中的至少一个，本公开提供了一种医疗保险核保风控方法、装置及存储介质，降低核保难度。

本公开的第一方面，医疗保险核保风控方法，包括：

获取待投保人员的医疗数据；

根据所述医疗数据确定待投保人员所患疾病的疾病组以及待投保人员的风险因数指标信息；

根据待投保人员所患疾病的疾病组的逻辑回归模型以及待投保人员的风险因数指标信息，确定并输出待投保人员的重大疾病风险值；其中，所述逻辑回归模型的自变量为风险因数指标，所述逻辑回归模型的因变量为重大疾病发生风险值。

可选的，所述获取待投保人员的医疗数据前，还包括：

构建逻辑回归模型；

获取疾病组的病例样本，所述病例样本包括风险因数指标信息；

根据疾病组的病例样本训练逻辑回归模型，以获取疾病组的逻辑回归模型。

可选的，根据所述医疗数据确定待投保人员所患疾病的疾病组以及待投保人员的风险因数指标信息，包括：

从医疗数据中获取待投保人员所患疾病以及待投保人员的风险因数指标信息，根据待投保人员所患疾病以及预设的疾病与疾病组的映射关系，确定待投保人员所患疾病的疾病组。

可选的，所述方法还包括：

获取病例组的维度值；

根据病例组的维度值和预设的维度值权重，确定病例组的疾病严重程度值；

根据待投保人员所患疾病的疾病组确定并输出待投保人员的疾病严重程度值。

本公开的第二方面，医疗商业保险核保风控装置，包括：

获取模块，用于获取待投保人员的医疗数据；

信息确定模块，用于根据所述医疗数据确定待投保人员所患疾病的疾病组以及待投保人员的风险因数指标信息；

风险分析模块，用于根据待投保人员所患疾病的疾病组的逻辑回归模型以及待投保人员的风险因数指标信息，确定并输出待投保人员的重大疾病风险值；其中，所述逻辑回归模型的自变量为风险因数指标，所述逻辑回归模型的因变量为重大疾病发生风险值。

可选的，所述装置还包括：

逻辑回归模型构建模块，用于构建逻辑回归模型；获取疾病组的病例样本，所述病例样本包括风险因数指标信息；根据疾病组的病例样本训练逻辑回归模型，以获取疾病组的逻辑回归模型。

可选的，所述信息确定模块，还用于根据病例组的维度值和预设的维度值权重，确定病例组的疾病严重程度值；

所述风险分析模块，还用于根据待投保人员所患疾病的疾病组确定并输出待投保人员的疾病严重程度值。

本公开的第三方面，计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本公开的第一方面任一所述的方法的步骤。

本公开的第四方面，计算设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本公开的第一方面任一所述的方法的步骤。

本公开的技术方案，根据从医疗数据库中获取的待投保人员的医疗数据，确定待投保人员所患疾病的疾病组以及待投保人员的风险因数指标信息；并根据待投保人员所患疾病的疾病组的逻辑回归模型以及待投保人员的风险因数指标信息，确定并输出待投保人员的重大疾病风险值。以使得保险公司可以根据待投保人员的重大疾病风险值确定待投保人员的投保风险以及确定是否可以投保，降低核保难度，并为保费测算提供更为精准依据。

附图说明

附图示出了本公开的示例性实施方式，并与其说明一起用于解释本公开的原理，其中包括了这些附图以提供对本公开的进一步理解，并且附图包括在本说明书中并构成本说明书的一部分。

图1是本公开的一个实施例中的医疗保险核保风控方法的一个流程图；

图2是本公开的一个实施例中的医疗保险核保风控方法的另个一个流程图；

图3是本公开的一个实施例中的医疗商业保险核保风控装置的一个装置图。

具体实施方式

下面结合附图和实施方式对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施方式仅用于解释相关内容，而非对本公开的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本公开相关的部分。

需要说明的是，在不冲突的情况下，本公开中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本公开。

实施例1：

参见图1，一种医疗保险核保风控方法，包括：

步骤S1：获取待投保人员的医疗数据；

步骤S2：根据医疗数据确定待投保人员所患疾病的疾病组以及待投保人员的风险因数指标信息；

步骤S3：根据待投保人员所患疾病的疾病组的逻辑回归模型以及待投保人员的风险因数指标信息，确定并输出待投保人员的重大疾病风险值；其中，逻辑回归模型的自变量为风险因数指标，逻辑回归模型的因变量为重大疾病发生风险值。

区域大数据公司的医疗数据库拥有大量医疗数据，但不能直接输出个人任何信息。经授权可以对区域医疗数据进行分析，可以利用分析结果。步骤S1可以从医疗数据库中获取待投保人员的医疗数据。

本公开的方法，根据从医疗数据库中获取的待投保人员的医疗数据，确定待投保人员所患疾病的疾病组以及待投保人员的风险因数指标信息；并根据待投保人员所患疾病的疾病组的逻辑回归模型以及待投保人员的风险因数指标信息，确定并输出待投保人员的重大疾病风险值。以使得保险公司可以根据待投保人员的重大疾病风险值确定待投保人员的投保风险以及确定是否可以投保，降低核保难度，并为保费测算提供更为精准依据。

上述医疗数据包含待投保人员的疾病以及待投保人员的风险因数指标信息；

上述风险因数指标信息包括地区、性别、年龄、身高、体重、身体质量指数值、婚育史、既往史、家族史、饮食嗜好和生活作息中的至少两种，优选包括全部。

上述疾病组可以根据内部的疾病标准对疾病分组；如可以参考医疗行业中正在使用的多个ICD10版本，融合去重之后，建立属于自己内部的疾病标准，并利用疾病的编码特点，利用excel的函数、排序等方法将前5位或前3位相同的分为一组，人工再从经验上根据疾病的出险概率对分组进行校验、调整。

在一个实施方式中，参见图2，获取待投保人员的医疗数据前，还包括：

步骤S01：构建逻辑回归模型；

步骤S02：获取疾病组的病例样本，病例样本包括风险因数指标信息；

步骤S03：根据疾病组的病例样本训练逻辑回归模型，以获取疾病组的逻辑回归模型。

根据疾病组的病例样本训练逻辑回归模型得到疾病组的逻辑回归模型。

在一个实施方式中，根据医疗数据确定待投保人员所患疾病的疾病组以及待投保人员的风险因数指标信息，包括：

通过预设的疾病与疾病组的映射关系，确定疾病的疾病组。如医疗数据中的疾病名称“高血压1级”映射到疾病组“轻度血压”，医疗数据中的疾病名称“高血压3级”映射到疾病组“重度高血压轻症”。

在一个实施方式中，方法还包括：

获取病例组的维度值；

上述维度值包括发病率、患病率、复发率、复发间期、发生重大并发症比率、死亡率、轻度致残率、重度致残率和平均死亡年龄中的至少两个，可以全选。

本公开的方法，根据待投保人员所患疾病的疾病组确定并输出待投保人员的疾病严重程度值，以供保险公司根据疾病严重程度值确定投保风险以及是否提供投保。

实施例2：

参见图3，医疗商业保险核保风控装置，包括：

获取模块1，用于获取待投保人员的医疗数据；

信息确定模块2，用于根据医疗数据确定待投保人员所患疾病的疾病组以及待投保人员的风险因数指标信息；

风险分析模块3，用于根据待投保人员所患疾病的疾病组的逻辑回归模型以及待投保人员的风险因数指标信息，确定并输出待投保人员的重大疾病风险值；其中，逻辑回归模型的自变量为风险因数指标，逻辑回归模型的因变量为重大疾病发生风险值。

本公开的装置，根据从医疗数据库中获取的待投保人员的医疗数据，确定待投保人员所患疾病的疾病组以及待投保人员的风险因数指标信息；并根据待投保人员所患疾病的疾病组的逻辑回归模型以及待投保人员的风险因数指标信息，确定并输出待投保人员的重大疾病风险值。以使得保险公司可以根据待投保人员的重大疾病风险值确定待投保人员的投保风险以及确定是否可以投保，降低核保难度。

在一个实施方式中，参见图3，装置还包括：

逻辑回归模型构建模块4，用于构建逻辑回归模型；获取疾病组的病例样本，病例样本包括风险因数指标信息；根据疾病组的病例样本训练逻辑回归模型，以获取疾病组的逻辑回归模型。

在一个实施方式中，信息确定模块，还用于根据病例组的维度值和预设的维度值权重，确定病例组的疾病严重程度值；

风险分析模块，还用于根据待投保人员所患疾病的疾病组确定并输出待投保人员的疾病严重程度值。

本实施例的装置与实施例1中方法的原理和效果相同，本实施例不再详细描述。

实施例3：

计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现实施例1任一项的方法的步骤。

本实施例的计算机可读存储介质与实施例1中方法的原理和效果相同，本实施例不再详细描述。

实施例4：

计算设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现实施例1任一项方法的步骤。

本实施例的计算设备与实施例1中方法的原理和效果相同，本实施例不再详细描述。

实施例5：

第一步：内部疾病标准分组、建立统计维度、风险指标

参考医疗行业中正在使用的多个ICD10版本，融合去重之后，建立属于自己内部的疾病标准，并利用疾病的编码特点，利用excel的函数、排序等方法将前5位或前3位相同的分为一组，人工再从经验上根据疾病的出险概率对分组进行校验、调整。

同时专业人员建立哪些疾病组属于重大疾病。

建立需要统计的维度，如发病率、患病率、复发率、复发间期、发生重大并发症比率、死亡率、轻度致残率、重度致残率、平均死亡年龄等。并从商业保险对每个维度的关注程度赋予权重。

建立风险因素指标，如地区、性别、年龄、身高、体重、BMI值、婚育史、既往史、家族史、饮食嗜好、生活作息。对每个风险因素指标赋予权重。

第二步：业务医疗数据的疾病映射

业务医疗数据中的疾病，根据名称，利用NLP技术映射到内部的疾病标准上，对NLP匹配结果中匹配度不是1的经过人工校验。

第三步：数据的纳排，构建疾病的风险分析模型

在数据库里，根据业务数据的主诊断，计算机自动将病历分属各个疾病组，每个组分别统计各个维度并Logistic回归模型分析疾病组与那些风险因子有关。如高血压这一组患者每年新发病例数、这一年高血压患者总数，发生脑出血、脑梗死等重大并发症病例数等指标。分析发现高血压与既往史、饮食嗜好有关。

第四步：投保人查询结果输出

投保人身份证号码、常住地址信息输入后，计算机在业务数据中找到他的所有医疗信息，并根据这些信息匹配到相应的疾病风险模型中，输出该投保人的重大疾病发生风险系数、致残风险系数、复发风险系数、死亡风险系数。如果患者多种疾病，输出多种疾病的各个值，给保险公司展示最高分值。

以待投保人员患高血压3级为例，将医生的具体诊断“高血压3级”归为“重度高血压”这一组。

在数据库里几百家医院的医疗数据抽取主要诊断为“高血压3级”的全部病例。

分析这组病例里的发病率、患病率、复发率、复发间期、发生重大并发症比率、死亡率、轻度致残率、重度致残率、平均死亡年龄等。根据各个维度的权重计算出“重度高血压”的分值，如为75分。分值越高，疾病程度越重。

分析全部病例里的地区、性别、年龄、婚育史、既往史、家族史、饮食嗜好、生活作息等指标，找出与死亡率、平均死亡年龄、重大疾病发生率、致残率、复发率等上面统计指标有关的风险因子。如重度高血压组的重大疾病发生率和性别中的男性、年龄>65岁、BMI>30、饮食嗜好中的嗜肥腻和嗜甜食、家族史中直系亲属同是高血压有关，并且根据相关性的密切程度赋予不同的权重，男性权重10％、年龄>65岁权重15％、BMI>30权重30％、饮食嗜好中的嗜肥腻权重10％和嗜甜食15％、家族史中直系亲属同是高血压20％。

输入投保人身份证号，找到该投保人的所有医疗数据。如该患者诊断有“高血压3级”，归为“重度高血压”组，所以该投保人的疾病风险分值为75分；该投保人为男性(10分)，50岁(0分)，BMI28(0分)，病历个人史中“爱吃甜食”(15分)，家族史中父亲高血压病史(20分)。那么该投保人的重大疾病发生风险分值为45分。

如果患者还有诊断“脑出血后后遗症”那么本身已经是重大疾病，那么输出的重大疾病风险分值则直接为100分。

在本说明书的描述中，参考术语“一个实施例/方式”、“一些实施例/方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例/方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例/方式或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例/方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例/方式或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例/方式或示例以及不同实施例/方式或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

本领域的技术人员应当理解，上述实施方式仅仅是为了清楚地说明本公开，而并非是对本公开的范围进行限定。对于所属领域的技术人员而言，在上述公开的基础上还可以做出其它变化或变型，并且这些变化或变型仍处于本公开的范围内。

Claims

1.医疗保险核保风控方法，其特征在于，包括：

获取待投保人员的医疗数据；

根据所述医疗数据确定待投保人员所患疾病的疾病组以及待投保人员的风险因数指标信息，包括：

从医疗数据中获取待投保人员所患疾病以及待投保人员的风险因数指标信息，根据待投保人员所患疾病以及预设的疾病与疾病组的映射关系，确定待投保人员所患疾病的疾病组；

根据待投保人员所患疾病的疾病组的逻辑回归模型以及待投保人员的风险因数指标信息，确定并输出待投保人员的重大疾病风险值；其中，所述逻辑回归模型的自变量为风险因数指标，所述逻辑回归模型的因变量为重大疾病发生风险值；

获取病例组的维度值；

2.如权利要求1所述的方法，其特征在于，所述获取待投保人员的医疗数据前，还包括：

构建逻辑回归模型；获取疾病组的病例样本，所述病例样本包括风险因数指标信息；

3.医疗商业保险核保风控装置，其特征在于，包括：

获取模块，用于获取待投保人员的医疗数据；

风险分析模块，用于根据待投保人员所患疾病的疾病组的逻辑回归模型以及待投保人员的风险因数指标信息，确定并输出待投保人员的重大疾病风险值；其中，所述逻辑回归模型的自变量为风险因数指标，所述逻辑回归模型的因变量为重大疾病发生风险值；

述信息确定模块，还用于根据病例组的维度值和预设的维度值权重，确定病例组的疾病严重程度值；

4.如权利要求3所述的装置，其特征在于，所述装置还包括：

5.计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至2中任一项所述的方法的步骤。

6.计算设备，包括存储器和处理器，其特征在于，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至2中任一项所述方法的步骤。