基于医保病种付费制ICD编码人工智能审核质控模式与系统

摘要

本发明公开了一种基于医保病种付费制ICD编码人工智能审核质控模式与系统，包括数据采集处理单元、知识库单元、规则库单元、预警单元、人工内涵质控单元、云质控单元、交互单元和分析单元。本发明属于医保病种付费技术领域，具体是基于医保病种付费制ICD编码人工智能审核质控模式与系统，应用大数据挖掘技术从历史数据形成ICD编码相关识库，运用知识融合术抽取和转换获得隐藏在数据资源中ICD编码知识因子及其关联关系；通过自然语言处理技术，建立动态的ICD编码表与各相关知识库的结构化审核逻辑判别数据库，理念是辩证地将特殊病历全质控和其他随机抽查相结合；应用大数据深度挖掘、人工智能技术先进技术和编码经验相结合。

说明书

技术领域

本发明涉及医保付费ICD质控及医疗信息技术领域，具体是指基于医保病种付费制ICD编码人工智能审核质控模式与系统。

背景技术

随着全国基本医保基金风险逐年加大，人口老龄化导致过快的医疗费用上涨给医保基金运行带来了巨大的压力。病种付费医保支付是控制医疗费用不合理增长、减轻患者负担的重要有效手段。病种付费制是以病案首页中主要诊断的(ICD-10)编码以及手术与操作诊断的(ICD-9-CM-3)编码作为计算分值的依据，在总额预算内根据病种的次均费用确定分值，进行医疗费用的结算，也就是说诊疗信息的ICD编码是病种分组关键依据，编码质量不但直接影响各医院获得医保基金，而且也影响医保年度清算拒付率；ICD编码的准确性已引起医院管理部门高度重视，医院必须设有编码审核质控岗位确保编码准确性。一般来说少部分的编码是错误的，因我国质控编码人才短缺，目前医院编码质控工作模式是随机抽查审核，人工质控为主，极少数先进医院有些简单逻辑条件审核为辅，这种工作模式不能精准判别编码错误或可疑错误病历，而且质控时没有质控重点方向，导致部分需要质控的编码病例没有得到质控，而正确编码病例又进行了不必要的质控，这种工作模式效率低，提高编码正确率的成效也低，远远达不到医保病种付费制对编码质量的要求。

随着人工智能技术的逐步推进，已广泛应用于医疗领域，为了解决上述困境，拟探索研究一种人工智能审核质控新模式，智能精准判别需要编码质控的病例及提示质控方向，减少不必要的工作，提高工作效率，提高编码的准确率。

发明内容

针对上述情况，为克服现有技术的缺陷，本发明提供基于医保病种付费制 ICD编码人工智能审核质控模式与系统，应用大数据挖掘技术从历史数据形成 ICD编码相关识库，运用知识融合术抽取和转换获得隐藏在数据资源中ICD编码知识因子及其关联关系；通过自然语言处理技术，建立动态的ICD编码表与各相关知识库的结构化审核逻辑判别数据库，理念是辩证地将特殊病历全质控和其他随机抽查相结合，智能审核为主，人工质控为辅，最大限度将质控的人力集中在刀刃上，提高效率，提高成效；应用大数据深度挖掘、人工智能技术先进技术和编码经验相结合。

本发明基于医保病种付费制的ICD编码人工智能审核质控系统，包括数据采集处理单元、知识库单元、规则库单元、预警单元、人工内涵质控单元、云质控单元、交互单元和分析单元，所述知识库单元和规则库单元分别与数据采集处理单元相连，所述预警单元与知识库单元和规则库单元相连，所述人工内涵质控单元和云质控单元分别与预警单元相连，所述交互单元与预警单元相连，所述分析单元与交互单元相连。

本发明基于医保病种付费制的ICD编码人工智能审核质控模式，包括如下步骤：

(1)临床数据采集：通过数据采集处理单元与本院相关数据系统的数据库对接，抽取历史数据，通过连接医院省病案统计软件、EMR、HIS等系统的数据库，按照接口规范采用视图的方法，使用主索引病人ID关联院内这些系统数据，并抽取近五年首页信息、收费信息、医生书写的诊疗术语等相关历史数据，为了保证数据的质量，对数据进行清洗、转换、装载至数据仓库；

(2)建立基础ICD编码匹配知识(P)和逻辑审核基础库(L)：结合编码质控实践经验、文献检索、专家咨询等方式，包括ICD编码知识规则表、审核逻辑表、四个版本ICD编码映射合一表、国家统一临床术语知识表；

(3)建立ICD审核数据质控判别库(S)：

1对数据仓库中的历史数据统计分析，并形成相关知识表，包括需要填写手术栏的手术费用和高值耗材收费项目表、院内规范临床诊疗术语表、院内与国家诊疗术语映射表等；

2运用知识融合术抽取和转换获得隐藏在ICD疾病诊断手术表与相关知识表中编码知识因子及其关联和逻辑关系，建立各种关系模型：包括国家统一临床诊疗术语表和ICD关系模型、手术和高值耗材收费与诊疗术语关系模型、手术和高值耗材收费项目与ICD编码关系模型、手术编码与疾病编码相互对应关系模型、病种与平均费用住院日等关键指标关系模型、DRG未入组及QY分组模型、年龄与病种分组的关系模型；

(4)应用AI形成动态ICD云质控库(Y)：云质控单元包括上述各类逻辑关系表等，各表至少包括审核的条件、质控内容、质控病例类别，各类逻辑关系是动态的，定期与不定期更新，政策稳定则定期更新，政策变动可实时调整或更新，关系的范围一般以区域医院编码质控数据进行统计，小概率事件为假设异常；

(5)建立维护医保付费质控库(F)：整理融合各地市医保付费相关的政策及专项检查项目等，从付费方式匹配、医保结算计算、诊疗收费规范扫描、院内ICD疾病编码与物价收费关系模型等维度，综合质控预警问题病历。

(6)普通病历质控预警：根据ICD审核质控逻辑判别库、编码相关知识库，应用计算机技术对需质控编码病例的ICD编码、年龄、费用等信息进行智能判别质控类别及提示质控内容，对于普通病例按合适抽样方式进行抽查质控；

(7)编码员抽检算法：选取近五年各编码人员质控资料，统计每年各编码人员常见及多发病病例编码正确率，采用多重线性回归方法，收集影响编码正确率的编码人员关键因素资料，并应用SPSS21.0软件进行单因素和多因素回归分析，确定合适的抽样模式，包括抽查率和抽查方式；

(8)应用基于医保病种付费制的ICD编码人工智能审核质控系统：编写 API通用接口融合不同的ICD编码系统，通过通用接口将智能审核质控模式融合于医院，ICD编码功能的系统进行实时抽查质控；

(9)编码质控成效分析：通过分析单元对ICD编码智能审核质控模式实施前后半年主要成效指标(编码正确率)进行对比评估。

进一步地，步骤(2)所述的四个版本ICD编码为本院、省版、医保版和国家临床版。

进一步地，步骤(3)①所述的院内规范临床诊疗术语表为疾病诊断表、病理诊断表和手术名称表。

进一步地，步骤(3)②所述的关系模式，涉及多种诊断描述对应多种 ICD疾病及手术、关联药品/材料/诊疗项目收费代码，以治疗组合的方式存储于数据库，如组合Sx1-1、Sx1-2、Sx1-3等，对应触发诊断描述及关键参数标签K1.1、K1.11、K1.12；关联公示为(Sx1*权重+K1*权重)/触发项＝预警系数。

进一步地，步骤(3)②所述的病种为市医保单病种和省版DRGs病种。

进一步地，步骤(4)所述AI云质控库包括但不限于医学术语集、区域编码集、病种手术集、诊疗组合集、编码依据集、ICD加码集、收费项目集、疑难编码集等，通过对多医院ICD编码质控数据模型分析，采用地区性质控系数+国家质控规范相结合的方式进行映射。

进一步地，步骤(6)所述的质控类别为特殊病例质控和普通病例质控。

进一步地，步骤(7)所述的编码人员关键因素资料为医学背景、学历、擅长专业、工作年限、工作中主要章节编码、易错编码类目等。

进一步地，步骤(8)所述的API含数据接口及前端封装模块，支持其他系统一键调用且用户质控体验一致。

采用上述结构本发明取得的有益效果如下：本方案基于医保病种付费制的 ICD编码人工智能审核质控模式，应用大数据挖掘技术从历史数据形成ICD编码相关识库，运用知识融合术抽取和转换获得隐藏在数据资源中ICD编码知识因子及其关联关系；通过自然语言处理技术，建立动态的ICD编码表与各相关知识库的结构化审核逻辑判别数据库，理念是辩证地将特殊病历全质控和其他随机抽查相结合，智能审核为主，人工质控为辅，最大限度将质控的人力集中在刀刃上，提高效率，提高成效；应用大数据深度挖掘、人工智能技术先进技术和编码经验相结合。

附图说明

图1是本发明基于医保病种付费制ICD编码人工智能审核质控模式框架结构图。

图2是本发明基于医保病种付费制ICD编码人工智能审核质控系统的系统构成。

图3是本发明基于医保病种付费制ICD编码人工智能审核质控模式与系统相匹配的使用流程图。

具体实施方式

下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明基于医保病种付费制的ICD编码人工智能审核质控系统，包括数据采集处理单元、知识库单元、规则库单元、预警单元、人工内涵质控单元、云质控单元、交互单元和分析单元，所述知识库单元和规则库单元分别与数据采集处理单元相连，所述预警单元与知识库单元和规则库单元相连，所述人工内涵质控单元和云质控单元分别与预警单元相连，所述交互单元与预警单元相连，所述分析单元与交互单元相连。

本发明基于医保病种付费制的ICD编码人工智能审核质控模式，包括如下步骤：

(1)临床数据采集：通过数据采集处理单元与本院相关数据系统的数据库对接，抽取历史数据，通过连接医院省病案统计软件、EMR、HIS等系统的数据库，按照接口规范采用视图的方法，使用主索引病人ID关联院内这些系统数据，并抽取近五年首页信息、收费信息、医生书写的诊疗术语等相关历史数据，为了保证数据的质量，对数据进行清洗、转换、装载至数据仓库；

(2)建立基础ICD编码匹配知识(P)和逻辑审核基础库(L)：结合编码质控实践经验、文献检索、专家咨询等方式，包括ICD编码知识规则表、审核逻辑表、四个版本ICD编码映射合一表、国家统一临床术语知识表；

(3)建立ICD审核数据质控判别库(S)：

3对数据仓库中的历史数据统计分析，并形成相关知识表，包括需要填写手术栏的手术费用和高值耗材收费项目表、院内规范临床诊疗术语表、院内与国家诊疗术语映射表等；

4运用知识融合术抽取和转换获得隐藏在ICD疾病诊断手术表与相关知识表中编码知识因子及其关联和逻辑关系，建立各种关系模型：包括国家统一临床诊疗术语表和ICD关系模型、手术和高值耗材收费与诊疗术语关系模型、手术和高值耗材收费项目与ICD编码关系模型、手术编码与疾病编码相互对应关系模型、病种与平均费用住院日等关键指标关系模型、DRG未入组及QY分组模型、年龄与病种分组的关系模型；

(4)应用AI形成动态ICD云质控库(Y)：云质控单元包括上述各类逻辑关系表等，各表至少包括审核的条件、质控内容、质控病例类别，各类逻辑关系是动态的，定期与不定期更新，政策稳定则定期更新，政策变动可实时调整或更新，关系的范围一般以区域医院编码质控数据进行统计，小概率事件为假设异常；

(5)建立维护医保付费质控库(F)：整理融合各地市医保付费相关的政策及专项检查项目等，从付费方式匹配、医保结算计算、诊疗收费规范扫描、院内ICD疾病编码与物价收费关系模型等维度，综合质控预警问题病历。

(6)普通病历质控预警：根据ICD审核质控逻辑判别库、编码相关知识库，应用计算机技术对需质控编码病例的ICD编码、年龄、费用等信息进行智能判别质控类别及提示质控内容，对于普通病例按合适抽样方式进行抽查质控；

(7)编码员抽检算法：选取近五年各编码人员质控资料，统计每年各编码人员常见及多发病病例编码正确率，采用多重线性回归方法，收集影响编码正确率的编码人员关键因素资料，并应用SPSS21.0软件进行单因素和多因素回归分析，确定合适的抽样模式，包括抽查率和抽查方式；

(8)应用基于医保病种付费制的ICD编码人工智能审核质控系统：编写 API通用接口融合不同的ICD编码系统，通过通用接口将智能审核质控模式融合于医院，ICD编码功能的系统进行实时抽查质控；

(9)编码质控成效分析：通过分析单元对ICD编码智能审核质控模式实施前后半年主要成效指标(编码正确率)进行对比评估。

步骤(2)所述的四个版本ICD编码为本院、省版、医保版和国家临床版。

步骤(3)①所述的院内规范临床诊疗术语表为疾病诊断表、病理诊断表和手术名称表。

步骤(3)②所述的关系模式，涉及多种诊断描述对应多种ICD疾病及手术、关联药品/材料/诊疗项目收费代码，以治疗组合的方式存储于数据库，如组合Sx1-1、Sx1-2、Sx1-3等，对应触发诊断描述及关键参数标签 K1.1、K1.11、K1.12；关联公示为(Sx1*权重+K1*权重)/触发项＝预警系数。

步骤(3)②所述的病种为市医保单病种和省版DRGs病种。

步骤(4)所述AI云质控库包括但不限于医学术语集、区域编码集、病种手术集、诊疗组合集、编码依据集、ICD加码集、收费项目集、疑难编码集等，通过对多医院ICD编码质控数据模型分析，采用地区性质控系数+ 国家质控规范相结合的方式进行映射。

步骤(6)所述的质控类别为特殊病例质控和普通病例质控。

步骤(7)所述的编码人员关键因素资料为医学背景、学历、擅长专业、工作年限、工作中主要章节编码、易错编码类目等。

步骤(8)所述的API含数据接口及前端封装模块，支持其他系统一键调用且用户质控体验一致。

具体使用时，根据编码相关知识和编码质控实践经验，以开发环境为 Win10，后台数据库为MySQL，采用PHP+Python+Apache搭配开发进行大数据挖掘，知识整合术，自然语言处理等智能技术研究ICD编码智能审核质控模式；采用SPSS21.0多重线性回归方法对编码正确率有影响的编码人员关键因素多因子分析确定最合适的抽样模式；在实际使用中，本发明所述模式与系统中有数万条ICD质控规则无法一一阐述，基于医保病种付费制的ICD编码人工智能审核质控结合图1图2图3所示，对本发明的一个具体实施例进行详细描述。在人工智能审核质控模式流程B1～B6中，结合相应的如提高临床编码匹配 (P)、病案编码首页及病历关键指标数据质控(S)、icd逻辑质控(L)、关联市医保付费质控(F)规则及算法、辅之区域云质控(A)等单元模块，形成本发明所述的ICD编码人工智能审核质控模式，具体步骤如下：B1:数据采集将与医疗机构现有的临床数据库进行对接，将在Oracle数据库的EMR/HIS数据和在Sql Server病案数据等进行采集，含病人住院信息、医嘱收费明细、门诊/住院/病理诊断、医生手术、病程/手术/护理记录、病案his_ba1～9、市社保系统返回表等，并对患者的住院号、住院次数、流水号进行主索引关联。对数据清洗方式包括不限于标点符号修正、数据类型修正、相同字段不同数据的合并/删除等；系统每天定时采集并整理数据，形成本地基础数据仓库，用于相关的数据分析及质控工作；系统将自动通过P2进行医生诊断及手术的icd 匹配，并进行P1计算。医生诊断为D1，对D1分词为(D1.1、D1.2、D1.3····)，通过关联是S1的术语关系，确认主导词后匹配符合度高的 ICD疾病；进行临床用户可登录此模块，进行手动匹配，查看相关的编码依据说明，前移至患者在院期间能基于医保病种付费制进行费用及诊断的预期评估，管理在院治疗手段，实时查看P1数值，合理保障患者的医疗质量。B2：用户进行首页编码时，将触发L、S的相关规则，如当出现编码E04与E05类目时，将触发L4规则，提示以上编码互相排斥。当出现Q42.1与Q43.6编码时，触发L3规则，提示以上编码需合并为Q42.0；当出现手术编码52.4时，触发S3规则，提示主要诊断只能是K86.2/K86.3/Q45.2；编码质控等级包括但不限于警告/缺失/建议/提示/可疑等，其中第三级别将再次触发AI云质控规则，将患者关键参数脱敏校验，如体征、检查检验、收费项目等进行AI判断，将结果推送至B5辅助人工质控。B3/B4:将对质控预警的一二级结果进行初步处理，可进行直接修正或驳回至临床端重新录入并更新，并在此环节，对 F3的诊疗收费规则进行计算，如“开髓引流术”与“牙髓失活术”同时收取、“压疮护理”超每日限定费用、“血氧饱和度监测”超次数收取、“术前灌肠”串换为“结肠水疗”收费等，通过对此病历的医嘱、病程记录、手术记录、护理记录等，解析文本内的关键描述，判定是否存在违规行为，如有将对原文进行标注，推送至B5人工复审。B5:将所有预警信息集合汇总，按预警级别严重程度、病历类型、编码员等多维度进行展示，结合普通病历抽检、编码员易错编码抽检的模式进行复审质控。质控同时记录新规则，按分类维护更新至对应规则库。B6:将定期进行质控成效的数据比对，如首次质控正确率、归档预警率，对编码员的错误率统计，以优化相应的抽检算法；对ICD各大章节修正编码率进行分析，每1％病例数占比优化院内病历类型权重，加大队权重高的病历的质控扫描规则及触发等级。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

以上对本发明及其实施方式进行了描述，这种描述没有限制性，只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。