[发明专利]一种基于大数据的健康保险核保系统、方法及商保云平台

说明书

本发明提供一种基于大数据的健康保险核保系统、方法及商保云平台，包括以下步骤：步骤(1).对基于大数据提取的个人医疗健康记录特征标签按时间序列进行One‑Hot Encoding形成每个人的医疗健康特征向量集；步骤(2).通过参照已知的健康保险产品的核保规则，由人工对每个人的医疗健康特征向量集进行核保结果标注；步骤(3).将人工完成的核保结果标注进行One‑Hot Encoding形成每个人的核保结果特征向量集；步骤(4).通过构建实现LSTM模型，步骤(5).对被核保人员的个人医疗健康记录完成特征标签提取；通过对健康保险产品的核保规则进行复核校验，确认核保结果输出的有效性，将存疑的核保结果输出进一步转由人工复核校验。

技术领域

本发明涉及自动化识别技术领域，具体为一种基于大数据的健康保险核保系统、方法及商保云平台。

背景技术

传统的健康保险核保业务通常采用人工审阅被保人的医疗健康记录来完成。这样的处理方式存在核保速度慢、风险识别准确度依赖核保人的经验不稳定、全量医疗健康记录存在数据冗余和噪音数据等诸多问题。这些问题导致健康保险产品的行业发展一直存在很大的瓶颈制约，无法体现出良好的效益。

发明内容

本发明所解决的技术问题在于提供一种基于大数据的健康保险核保系统、方法及商保云平台，以解决上述背景技术中提出的问题。

本发明所解决的技术问题采用以下技术方案来实现：一种基于大数据的健康保险核保系统、方法及商保云平台，包括以下步骤：

步骤(1).对基于大数据提取的个人医疗健康记录特征标签按时间序列进行One-Hot Encoding形成每个人的医疗健康特征向量集；

步骤(2).通过参照已知的健康保险产品的核保规则，由人工对每个人的医疗健康特征向量集进行核保结果标注；

步骤(3).将人工完成的核保结果标注进行One-Hot Encoding形成每个人的核保结果特征向量集；

步骤(4).通过构建实现LSTM模型，以便完成对随机采样的特征向量集进行训练学习以形成有效的预测模型；

步骤(5).对被核保人员的个人医疗健康记录完成特征标签提取；通过对健康保险产品的核保规则进行复核校验，确认核保结果输出的有效性，将存疑的核保结果输出进一步转由人工复核校验；

步骤(6).对核保结果按安全报文格式进行封装以对接健康保险核心业务处理平台。

进一步地，所述步骤(4)中对随机采样的特征向量集进行训练学习包括以下步骤：

步骤(4.1).基于大数据通过在不同的年龄段、性别、籍贯的人群分类下随机采样提取医疗健康特征向量集并完成核保结果特征向量集的人工标注；最终形成每个人群分类不少于10万的样本集。

步骤(4.2).将样本集随机分拣为学习训练样本和学习校验样本；通过实现的LSTM模型对学习训练样本进行深度学习，优化模型参数以尽可能提高对学习校验样本的验证率和训练样本的召回率；

步骤(4.3).当验证率和召回率达到可应用阈值范围内后，即可将训练好的LSTM模型投入实际的应用运行；

步骤(4.4).在实际应用运行过程中对实际预测结果进行抽样人工校核并将结果反馈到学习样本集中以便对训练好的LSTM模型进行持续的训练优化，进一步提高模型预测准确性。

进一步地，所述步骤(5)中对提取出的个人医疗健康记录进行One-Hot Encoding形成医疗健康特征向量集；通过训练好的LSTM模型对医疗健康特征向量集进行输入预测生成核保结果预测特征向量集。

进一步地，所述步骤(5)中对核保结果预测特征向量集进行One-Hot Decoding形成实际的核保结果输出。