基于医保数据的就医行为预测及推荐模型的研究

作     者：程林 

作者单位：山东大学 

学位级别：硕士

导师姓名：史玉良

授予年度：2019年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081203[工学-计算机应用技术] 08[工学] 081104[工学-模式识别与智能系统] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：就医序列 住院就医行为预测 分组预测 推荐模型 

摘      要：近年来,随着我国医保政策的不断发展,越来越多的人加入医保政策。依据历史医保数据预测患者未来的就医行为已成为医保领域中一个重要的研究内容,其中对住院就医行为的预测尤为重要。因为它关系到政府医保资金分配的问题。医保数据包含参保人的多个就医序列,其中每个就医序列包含多个就医编码、诊断、就医医院、药物等多个不同的属性。该研究内容最大的挑战是如何根据具有高维时间特性的医保数据进行建模并解释预测结果。目前,大多数研究是通过使用递归神经网络(RNNs)对就医序列进行建模来解决这个问题。然而,当病人的就医序列长度较大时,RNNs不能有效地解决长期的依赖关系,预测性能会有所下降。同时RNNs忽略了就医序列内部时间间隔的长短对住院就医行为预测的影响。除此之外,该RNNs不仅没有很好的实现结果的可解释性,还忽略了某些不同群体的特定信息。而且,该模型的预测结果是否有意义仍需要进一步验证。因此,本文对上述问题进行了深入研究:1.提出一个基于注意力和时间调整因子的双向LSTM的住院就医行为预测模型(Attention and Time Adjustment Factors in Bidirectional LSTM,ATB-LSTM)。该模型在双向递归神经网络框架的基础上,使用隐藏层保存不同时刻就医记录对后续预测的影响状态,引入注意力机制和时间调整因子,使其对隐藏层中不同时刻的隐藏状态加权,自动学习并调整对上下文特征输入的关注度,显著提升了模型对住院就医行为预测的建模能力。2.提出一个基于张量分解的就医行为分组预测模型。该模型是对ATB-LSTM模型的改进,它主要包括相似性人群分组和分组预测两部分。对于相似性人群分组,首先根据历史的就医序列构建异构信息网络,并采用张量CANDECOMP/PARAFAC(CP)分解的方法实现相似性人群分组。对于分组预测,本文在双向LSTM框架的基础上,本文引入注意力机制和时间调整因子来实现多任务就医行为预测,即疾病预测和住院就医行为预测。3.提出一个基于双层CNN框架的就医迁移推荐模型。该模型首先采用BW-SMOTE算法对医保数据进行不平衡处理,降低数据分布的不平衡度。然后根据前两部分研究内容得到的预测结果,即发生就医迁移的情况,通过相似性学习的方法,在发生就医迁移和未发生就医迁移的人群中,找到与测试病人就医行为相似的参保人。通过特征对比的方法,得出预测的参保人是否值得发生就医迁移。最后,本文采用真实的数据集对以上所提出的模型进行评估。实验证明,本文提出的预测模型与传统预测方法相比准确率更高。通过上述的研究,本文实现了对病人未来就医行为的预测。医疗机构和政府部门可以根据预测结果做出相应的调整策略,让更多人得到恰当、适宜的诊疗,使医疗资源价值最大化。