一种人员评定方法、装置、设备及存储介质制造方法及图纸

本申请涉及人工智能和数字医疗技术领域，应用于智慧医疗领域中，揭露了一种人员评定方法、装置、设备及存储介质，所述方法包括：获取各候选对象对应的医保数据和身份数据；对医保数据和身份数据进行数据清洗,得到第一特征数据；第一特征数据经分析模型处理，得到各候选对象的评分结果；通过将评分结果与预设阈值进行比较，判断各候选对象是否为帮助对象；在候选对象为帮助对象时，基于动态分级模型，得到帮助对象对应的经济状况等级；根据经济状况等级，获取对应的预设医疗报销比例。本申请还涉及区块链技术，医保数据、身份数据以及经济状况等级数据存储于区块链中。本申请实现有效对候选对象进行经济状况认定。候选对象进行经济状况认定。候选对象进行经济状况认定。

【技术实现步骤摘要】
一种人员评定方法、装置、设备及存储介质


[0001]本申请涉及人工智能和数字医疗领域，尤其涉及一种人员评定方法、装置、设备及存储介质。

技术介绍

[0002]现有技术中，常由相关工作人员来对待审核人员的状况进行评定，由人工进行评定时，常出现评定效率较低且相关工作人员的评定规则常常会出现偏差等问题。因此，如何快速且准确对相关人员进行经济状况认定成为了亟待解决的问题。

技术实现思路

[0003]本申请提供了一种人员评定方法、装置、设备及存储介质，以解决现有技术中不能有效对相关人员进行经济状况认定的问题。
[0004]为解决上述问题，本申请提供了一种人员评定方法，包括：
[0005]获取各候选对象对应的医保数据和身份数据；
[0006]对所述医保数据和身份数据进行数据清洗,得到第一特征数据；
[0007]所述第一特征数据经分析模型处理，得到各所述候选对象的评分结果；
[0008]通过将所述评分结果与预设阈值进行比较，判断各所述候选对象是否为帮助对象；
[0009]在所述候选对象为帮助对象时，基于动态分级模型，得到所述帮助对象对应的经济状况等级；
[0010]根据所述经济状况等级，获取对应的预设医疗报销比例。
[0011]进一步的，所述获取各候选对象对应的医保数据和身份数据包括：
[0012]向预设知识库发送调用请求，所述调用请求携带验签令牌；
[0013]接收所述知识库返回的验签结果，并在验签结果为通过时，调用所述知识库中各候选对象对应的医保数据和身份数据，所述验签结果为所述知识库根据所述验签令牌进行RSA非对称加密方式验证得到。
[0014]进一步的，在所述第一特征数据经分析模型处理之前，还包括：
[0015]获取历史医保数据以及所述历史医保数据对应的历史身份数据；
[0016]对所述历史医保数据和历史身份数据进行数据清洗和数据衍生，得到第二特征数据；
[0017]利用合成少数类过采样算法对第二特征数据进行均衡处理，得到第三特征数据；
[0018]通过特征选取模型对所述第三特征数据进行特征重要性计算，根据所述特征重要性，提取预设比例的第三特征数据，得到训练集；
[0019]将所述训练集输入逻辑回归模型进行训练，得到所述分析模型。
[0020]进一步的，所述基于动态分级模型，得到所述帮助对象对应的经济状况等级包括：
[0021]获取所述帮助对象对应的所述医保数据和身份数据；
[0022]将所述帮助对象对应的医保数据和身份数据进行数据进行数据清洗，得到第四特征数据；
[0023]将所述第四特征数据输入所述动态分级模型进行处理，得到所述帮助对象对应的经济状况等级，所述动态分级模型为基于线性回归模型训练得到的。
[0024]进一步的，所述对所述历史医保数据和历史身份数据进行数据清洗包括：
[0025]通过对所述历史医保数据和历史身份数据中的缺失数据和异常数据进行热卡填充处理，对所述历史医保数据和历史身份数据中的重复数据进行删除处理。
[0026]进一步的，所述对所述历史医保数据和历史身份数据进行数据衍生包括：
[0027]通过对所述历史医保数据和历史身份数据进行线性变换处理，实现数据衍生。
[0028]进一步的，所述利用合成少数类过采样算法对第二特征数据进行均衡处理包括：
[0029]获取所述第二特征数据中的类型以及所述类型对应的数据量，基于各所述类型对应的数据量得到平均数据量；
[0030]将各所述类型对应的数据量与所述平均数据量进行比较；
[0031]当所述类型对应的数据量小于所述平均数据量时，则计算该所述类型对应的数据量与平均数据量的差值，得到增广数量；
[0032]基于所述增广数量，采用所述合成少数类过采样算法，对所述类型对应的数据量小于所述平均数据量的类型下的数据进行增广。
[0033]为了解决上述问题，本申请还提供一种人员评定装置，所述装置包括：
[0034]获取模块，用于获取各候选对象对应的医保数据和身份数据；
[0035]数据清洗模块，用于对所述医保数据和身份数据进行数据清洗,得到第一特征数据；
[0036]评分模块，用于所述第一特征数据经分析模型处理，得到各所述候选对象的评分结果；
[0037]比较判断模块，用于通过将所述评分结果与预设阈值进行比较，判断各所述候选对象是否为帮助对象；
[0038]分级模块，用于在所述候选对象为帮助对象时，基于动态分级模型，得到所述帮助对象对应的经济状况等级；
[0039]提取模块，用于根据所述经济状况等级，获取对应的预设医疗报销比例。
[0040]为了解决上述问题，本申请还提供一种计算机设备，包括：
[0041]至少一个处理器；以及，
[0042]与所述至少一个处理器通信连接的存储器；其中，
[0043]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的人员评定方法。
[0044]为了解决上述问题，本申请还提供一种非易失性的计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上所述的人员评定方法。
[0045]根据本申请实施例提供的一种人员评定方法、装置、设备及存储介质，与现有技术相比至少具有以下有益效果：
[0046]通过获取各候选对象对应的医保数据和身份数据，便于后续对数据进行分析；并
且还对所述医保数据和身份数据进行数据清洗，即进行一些缺失值处理、异常值处理和重复值处理，得到第一特征数据，通过将第一特征数据经分析模型处理，得到各所述候选对象的评分结果，通过将评分结果与预设阈值进行比较，判断各所述候选对象是否为帮助对象；在所述候选对象为帮助对象时，基于动态分级模型，得到所述帮助对象对应的经济状况等级，从而根据不同经济状况等级，获取对应的预设医疗报销比例，本申请能对各候选对象进行准确的经济状况认定，本申请还能有效监控医疗致经济状况差的情况，并且针对这一情况，还获取对应的处理方案，来避免或者缓解医疗致经济状况差的情况。
附图说明
[0047]为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图做一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0048]图1为本申请一实施例提供的人员评定方法的流程示意图；
[0049]图2为本申请一实施例提供的人员评定装置的模块示意图；
[0050]图3为本申请一实施例的计算机设备的结构示意图。
具体实施方式
[0051]除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的
的技术人员通常理解的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人员评定方法，其特征在于，所述方法包括：获取各候选对象对应的医保数据和身份数据；对所述医保数据和身份数据进行数据清洗,得到第一特征数据；所述第一特征数据经分析模型处理，得到各所述候选对象的评分结果；通过将所述评分结果与预设阈值进行比较，判断各所述候选对象是否为帮助对象；在所述候选对象为帮助对象时，基于动态分级模型，得到所述帮助对象对应的经济状况等级；根据所述经济状况等级，获取对应的预设医疗报销比例。2.根据权利要求1所述的人员评定方法，其特征在于，所述获取各候选对象对应的医保数据和身份数据包括：向预设知识库发送调用请求，所述调用请求携带验签令牌；接收所述知识库返回的验签结果，并在验签结果为通过时，调用所述知识库中各候选对象对应的医保数据和身份数据，所述验签结果为所述知识库根据所述验签令牌进行RSA非对称加密方式验证得到。3.根据权利要求1所述的人员评定方法，其特征在于，在所述第一特征数据经分析模型处理之前，还包括：获取历史医保数据以及所述历史医保数据对应的历史身份数据；对所述历史医保数据和历史身份数据进行数据清洗和数据衍生，得到第二特征数据；利用合成少数类过采样算法对第二特征数据进行均衡处理，得到第三特征数据；通过特征选取模型对所述第三特征数据进行特征重要性计算，根据所述特征重要性，提取预设比例的第三特征数据，得到训练集；将所述训练集输入逻辑回归模型进行训练，得到所述分析模型。4.根据权利要求1所述的人员评定方法，其特征在于，所述基于动态分级模型，得到所述帮助对象对应的经济状况等级包括：获取所述帮助对象对应的所述医保数据和身份数据；将所述帮助对象对应的医保数据和身份数据进行数据进行数据清洗，得到第四特征数据；将所述第四特征数据输入所述动态分级模型进行处理，得到所述帮助对象对应的经济状况等级，所述动态分级模型为基于线性回归模型训练得到的。5.根据权利要求3所述的人员评定方法，其特征在于，所述对所述历史医保数据和历史身份数据进行数据清洗包括：通过对所述历史医...

【专利技术属性】
技术研发人员：马金宇，
申请(专利权)人：平安医疗健康管理股份有限公司，
类型：发明
国别省市：