【技术实现步骤摘要】
本申请涉及计算机，特别是涉及一种异常行为检测方法、系统、设备、程序产品及存储介质。
技术介绍
1、近年来，慢性病发病率持续攀升，且呈现出年轻化的趋势。这一变化导致慢病人群的保障需求不断释放，慢病患者往往需要长期甚至终身服用药物治疗。这一现象不仅极大地增加了医疗系统的负担，同时也给保险公司带来了较高的理赔风险。
2、目前医保局和保险公司主要采取人工审核的方式来识别不合理用药行为，人工审核方法虽然能够针对个案进行细致的分析，但其局限性同样显著。一方面，人工审核需要耗费大量的时间和人力资源，成本高昂；另一方面，由于审核过程中容易受到审核人员主观判断的影响，导致审核结果存在不一致性和准确性不高的问题。随着慢病患者数量的不断增加，人工审核的速度和效率更是难以满足实际需求。
技术实现思路
1、基于上述问题，本申请提供了一种异常行为检测方法、系统、设备、程序产品及存储介质。
2、本申请实施例公开了如下技术方案：
3、本申请实施例第一方面提供了一种异常行为检测方法，包括：
4、获取医疗行为信息；
5、将所述医疗行为信息作为节点，基于各个节点之间的关系构建边，得到医疗行为关系网络；
6、利用社区检测算法，基于所述医疗行为关系网络中各个节点之间的相关性进行社区划分，划分得到的社区代表具有相似度符合预设相似度标准的医疗行为特征的节点群体；
7、基于划分得到的各个社区，确定各个社区对应的高频医疗行为事件；
8、
9、在一种可能的实现方式中，所述基于划分得到的各个社区，得到高频医疗行为事件，包括：
10、针对每个社区，统计社区内医疗行为，和/或，患者特征的出现频率；
11、基于统计得到的频率结果，与对应的预设频率阈值进行比较，筛选出各个社区高于预设频率阈值的医疗行为事件，作为高频医疗行为事件。
12、在一种可能的实现方式中，所述训练完毕的检测模型的确定方式包括：
13、获取疾病理论信息；
14、基于疾病理论信息构建得到疾病知识图谱；
15、利用图嵌入算法将疾病知识图谱中的实体和实体间的关系转换为高维空间中的向量表示；使用大语言模型将疾病理论信息转换为高维空间中的向量表示；
16、将来自疾病知识图谱和疾病理论信息的高维空间中的向量表示对齐，所述对齐用于实现统一的表示形式，以使模型在同一框架内同时处理结构化和非结构化信息；
17、基于提示词对所述大语言模型进行训练，以使得到在高频医疗行为事件中识别出异常用药行为的准确率达到预设阈值的检测模型，所述提示词用于引导所述大语言模型生成有关不合理用药行为的检测内容。
18、在一种可能的实现方式中，所述基于提示词对所述大语言模型进行训练，以使得到在高频医疗行为事件中识别出异常用药行为的准确率达到预设阈值的检测模型之前，还包括：
19、结合所述疾病知识图谱的优化目标和所述大语言模型的任务目标，将结合得到的统一目标对所述大语言模型进行训练，以使模型同时完成所述疾病知识图谱的优化目标和所述大语言模型的任务目标。
20、在一种可能的实现方式中，所述获取医疗行为信息，包括：
21、获取预备数据信息；
22、对所述预备数据信息进行清洗，并对清洗后的预备数据信息进行标准化处理，得到医疗行为信息，所述标准化处理用于使预备数据信息中相同概念的数据信息以一致的方式呈现。
23、本申请实施例第一方面提供了一种异常行为检测系统，包括：
24、获取单元，用于获取医疗行为信息；
25、构建单元，用于将所述医疗行为信息作为节点，基于各个节点之间的关系构建边，得到医疗行为关系网络；
26、划分单元，用于利用社区检测算法，基于所述医疗行为关系网络中各个节点之间的相关性进行社区划分，划分得到的社区代表具有相似度符合预设相似度标准的医疗行为特征的节点群体；
27、确定单元，用于基于划分得到的各个社区，确定各个社区对应的高频医疗行为事件；
28、检测单元，用于将所述高频医疗行为事件和提示词输入训练完毕的检测模型，得到所述高频医疗行为事件中异常用药行为，所述检测模型为基于大语言模型与疾病知识图谱构建和训练得到的，识别异常用药行为的准确率达到预设阈值的模型。
29、本申请实施例第三方面提供了一种电子设备，包括：存储器，处理器，及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如前述第一方面所述的异常行为检测方法。
30、本申请实施例第四方面提供了一种计算机程序产品，当所述计算机程序产品在计算机上运行时，所述计算机执行如前述第一方面所述的异常行为检测方法。
31、本申请实施例第五方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行如前述第一方面所述的异常行为检测方法。
32、相较于现有技术，本申请具有以下有益效果：
33、本申请通过获取医疗行为信息并构建医疗行为关系网络，实现了对大量医疗数据的自动化处理。相比传统的人工逐案审查方式，这种方法可以大幅减少所需的时间和人力资源。利用社区检测算法进行大规模数据分析，能够同时处理海量医疗行为事件，并快速识别出高频次的、可能为异常状态的医疗行为事件。将所述高频医疗行为事件和提示词输入训练完毕的检测模型，得到所述高频医疗行为事件中异常用药行为。检测模型基于大语言模型和疾病知识图谱构建，经过大量的训练和优化，具备较高的识别准确率和稳定性，能够有效地避免人工审核过程中的主观判断错误。由此，相比于人工审核方式，本申请能够同时处理大量的医疗行为数据，实现了对高频医疗行为事件中异常用药行为的自动识别，不仅提高了工作效率，也使得能够应对医疗行为数据日益增长的挑战。
本文档来自技高网...【技术保护点】
1.一种异常行为检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述基于划分得到的各个社区，得到高频医疗行为事件，包括：
3.根据权利要求1所述的方法，其特征在于，所述训练完毕的检测模型的确定方式包括：
4.根据权利要求3所述的方法，其特征在于，所述基于提示词对所述大语言模型进行训练，以使得到在高频医疗行为事件中识别出异常用药行为的准确率达到预设阈值的检测模型之前，还包括：
5.根据权利要求1所述的方法，其特征在于，所述获取医疗行为信息，包括：
6.根据权利要求3所述的方法，其特征在于，所述方法还包括：
7.一种异常行为检测系统，其特征在于，包括：
8.一种电子设备，其特征在于，包括：存储器，处理器，及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-6任一项所述的异常行为检测方法。
9.一种计算机程序产品，其特征在于，当所述计算机程序产品在计算机上运行时，所述计算机执行如权利要求1-6任一项所述的异常行为检
10.一种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中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行如权利要求1-6任一项所述的异常行为检测方法。
...【技术特征摘要】
1.一种异常行为检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述基于划分得到的各个社区，得到高频医疗行为事件，包括：
3.根据权利要求1所述的方法，其特征在于，所述训练完毕的检测模型的确定方式包括：
4.根据权利要求3所述的方法，其特征在于，所述基于提示词对所述大语言模型进行训练，以使得到在高频医疗行为事件中识别出异常用药行为的准确率达到预设阈值的检测模型之前，还包括：
5.根据权利要求1所述的方法，其特征在于，所述获取医疗行为信息，包括：
6.根据权利要求3所述的方法，其特征在于，所述方法还包括：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。