买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：平安科技(深圳)有限公司

摘要：本申请实施例公开了一种基于人工智能的医保违规行为检测方法及相关装置，该方法包括：从医疗数据库中获取待检测对象在预设时段内的医疗数据，待检测对象包括以下至少一种：一个参保人、多个参保人、医疗机构；将医疗数据输入行为检测模型进行处理，输出行为检测结果，行为检测模型预设有多种行为检测规则，行为检测结果用于表征待检测对象是否具有医保违规行为；若行为检测结果为具有医保违规行为，则发送提示信息至待检测对象的关联设备，提示信息用于提示待检测对象具有医保违规行为。采用本申请实施例有助于解决现有技术中无法有效审核医保违规行为、医保基金审核难度大的问题。

主权项：1.一种基于人工智能的医保违规行为检测方法，其特征在于，所述方法包括：从医疗数据库中获取待检测对象在预设时段内的医疗数据，所述待检测对象包括以下至少一种：一个参保人、多个参保人、医疗机构；若所述待检测对象为一个参保人，则所述医疗数据包括多个第一就诊数据，每个第一就诊数据包括就诊时间、至少一个疾病名称和第一药品集；确定所述多个第一就诊数据中每个第一就诊数据包括的至少一个疾病名称与轻微疾病集的包含关系，所述轻微疾病集包括多个轻微疾病名称；若所述第一就诊数据包括的至少一个疾病名称包含于所述轻微疾病集，则保留所述第一就诊数据，得到至少一个第一就诊数据；将所述医疗数据输入行为检测模型进行处理，输出行为检测结果，所述行为检测模型预设有多种行为检测规则，所述行为检测结果用于表征待检测对象是否具有医保违规行为，包括：确定第一目标就诊数据，所述第一目标就诊数据包括的就诊时间为至少一个第一就诊数据包括的至少一个就诊时间中最早的，其中，该至少一个就诊数据中的每个第一就诊数据包括的至少一个疾病名称包含于所述轻微疾病集；将所述第一目标就诊数据包括的至少一个疾病名称输入所述行为检测模型，以及根据所述行为检测模型中预先存储的疾病名称与复诊结果的映射关系确定所述第一目标就诊数据对应的复诊结果，所述复诊结果包括无需复诊和多个不同的复诊间隔时间；若所述复诊结果为第一复诊间隔时间，根据所述第一目标就诊数据包括的就诊时间和所述第一复诊间隔时间确定第一复诊时间；确定所述至少一个第一就诊数据中是否存在第二目标就诊数据，所述第二目标就诊数据与所述第一目标就诊数据的疾病名称个数和疾病名称均相同，所述第二目标就诊数据包括的就诊时间早于所述第一复诊时间；若确定存在所述第二目标就诊数据，则确定所述行为检测结果为具有第一医保违规行为；若所述行为检测结果为具有医保违规行为，则发送提示信息至所述待检测对象的关联设备，所述提示信息用于提示待检测对象具有医保违规行为。

全文数据：基于人工智能的医保违规行为检测方法及相关装置技术领域本申请涉及医疗保险技术领域，具体涉及一种基于人工智能的医保违规行为检测方法及相关装置。背景技术为了监督医保基金的使用情况，各地上线医保基金智能审核系统，通过经验规则及医学规则进行医疗机构、参保人的行为监控及审核。但是，经过多年审核规则的规范，审核经验内的违规行为越来越少，通过非常规的医保违规行为套取医保基金的现象愈演愈烈，医保基金审核难度持续升级，亟需引进新的技术提高审核效果。发明内容本申请实施例提供一种基于人工智能的医保违规行为检测方法及相关装置，旨在解决现有技术中无法有效审核医保违规行为、医保基金审核难度大的问题。第一方面，本申请实施例提供一种基于人工智能的医保违规行为检测方法，所述方法包括：从医疗数据库中获取待检测对象在预设时段内的医疗数据，所述待检测对象包括以下至少一种：一个参保人、多个参保人、医疗机构；将所述医疗数据输入行为检测模型进行处理，输出行为检测结果，所述行为检测模型预设有多种行为检测规则，所述行为检测结果用于表征待检测对象是否具有医保违规行为；若所述行为检测结果为具有医保违规行为，则发送提示信息至所述待检测对象的关联设备，所述提示信息用于提示待检测对象具有医保违规行为。第二方面，本申请实施例提供一种基于人工智能的医保违规行为检测装置，所述装置包括：获取单元，用于从医疗数据库中获取待检测对象在预设时段内的医疗数据，所述待检测对象包括以下至少一种：一个参保人、多个参保人、医疗机构；确定单元，用于将所述医疗数据输入行为检测模型进行处理，输出行为检测结果，所述行为检测模型预设有多种行为检测规则，所述行为检测结果用于表征待检测对象是否具有医保违规行为；发送单元，用于若所述行为检测结果为具有医保违规行为，则发送提示信息至所述待检测对象的关联设备，所述提示信息用于提示待检测对象具有医保违规行为。第三方面，本申请实施例提供一种服务器，包括处理器、存储器、通信接口以及一个或多个程序，其中，上述一个或多个程序被存储在上述存储器中，并且被配置由上述处理器执行，上述程序包括用于执行本申请实施例第一方面所述的方法中的步骤的指令。第四方面，本申请实施例提供了一种计算机可读存储介质，上述计算机可读存储介质用于存储电子数据交换的计算机程序，其中，上述计算机程序使得计算机执行如本申请实施例第一方面所述的方法中所描述的部分或全部步骤。第五方面，本申请实施例提供了一种计算机程序产品，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如本申请实施例第一方面所述的方法中所描述的部分或全部步骤。可以看出，在本申请实施例中，服务器首先从医疗数据库中获取待检测对象一个或多个参保人、医疗机构在预设时段内的医疗数据，然后将医疗数据输入行为检测模型进行处理，输出行为检测结果，最后若行为检测结果为具有医保违规行为，发送提示信息至待检测对象的关联设备。这样可检测待检测对象是否具有非常规的医保违规行为，比如成群结队开药、轻症频繁入院等，通过提示信息提示待检测对象具有医保违规行为，使得待检测对象不再利用非常规的医保违规行为套取医保基金，在一定程度上减少了通过非常规的医保违规行为套取医保基金的现象，有助于解决现有技术中无法有效审核医保违规行为、医保基金审核难度大的问题。本申请的这些方面或其他方面在以下实施例的描述中会更加简明易懂。附图说明为了更清楚地说明本申请实施例或背景技术中的技术方案，下面将对本申请实施例或背景技术中所需要使用的附图进行说明。图1A是本申请实施例提供的第一种基于人工智能的医保违规行为检测方法的流程示意图；图1B是本申请实施例提供的一种示意图；图1C是本申请实施例提供的另一种示意图；图2是本申请实施例提供的第二种基于人工智能的医保违规行为检测方法的流程示意图；图3是本申请实施例提供的第三种基于人工智能的医保违规行为检测方法的流程示意图；图4是本申请实施例提供的一种基于人工智能的医保违规行为检测装置的结构示意图；图5是本申请实施例提供的一种服务器的结构示意图。具体实现方式为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。以下分别进行详细说明。本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。以下，对本申请中的部分用语进行解释说明，以便于本领域技术人员理解。1终端可以包括各种具有无线通信功能的手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其他处理设备，以及各种形式的用户设备UserEquipment，UE，移动台MobileStation，MS，终端设备TerminalDevice，TD，等等。2服务器，也称伺服器，是提供计算服务的设备。服务器的构成包括处理器、硬盘、内存、系统总线等，和通用的计算机架构类似。在网络环境下，根据服务器提供的服务类型不同，分为文件服务器，数据库服务器，应用程序服务器，WEB服务器等。下面对本申请实施例进行详细介绍。请参阅图1A，图1A是本申请实施例提供的第一种基于人工智能的医保违规行为检测方法的流程示意图，该基于人工智能的医保违规行为检测方法包括：步骤101：服务器从医疗数据库中获取待检测对象在预设时段内的医疗数据，所述待检测对象包括以下至少一种：一个参保人、多个参保人、医疗机构。其中，预设时段的终止时刻可以为当前系统时刻，预设时段的时长可以为3天、5天、7天、10天、15天或者是其他值。其中，若待检测对象为一个参保人，则医疗数据包括多个第一就诊数据，每个第一就诊数据包括就诊时间、至少一个疾病名称和第一药品集。其中，若待检测对象为多个参保人，则医疗数据包括多个参保人中每个参保人的至少一个第二就诊数据，每个第二就诊数据包括就诊时间、一个医疗机构名称、第二药品集和药品支付费用，第二药品集包括至少一个药品名称和至少一个药品数量，每个药品数量对应一个药品名称。其中，若待检测对象为医疗机构，则医疗数据包括多个药品中每个药品的第一使用量、每个药品的第二使用量和每个药品对应的患者人数，每个药品的第一使用量为医疗机构的服务器存储的多个药品单据中相同药品的使用量，多个药品单据中每个药品单据为医疗机构的医生开具的，每个药品的第二使用量为医疗机构的药品库中相同药品的消耗量，药品库指的是医疗机构存储药品的库房，每个药品对应的患者人数指的是包括该药品的药品单据的数量，每个药品单据对应一个患者。其中，若待检测对象为医疗机构，则医疗数据库存储于该医疗机构的服务器中；若待检测对象为一个或多个参保人，则医疗数据库指的是该一个或多个参保人所就诊的至少一家医疗机构的服务器中存储的至少一个医疗数据库。进一步地，服务器从医疗数据库中获取待检测对象在预设时段内的医疗数据之前，所述方法还包括：若医保违规行为平台的医保违规行为检测功能处于开启状态，则医保违规行为平台在其显示界面显示预设时段选项、待检测对象选项和医保违规行为检测按钮，预设时段选项包括起始时间标识、起始时间输入框、终止时间标识、终止时间输入框和时间选择框，待检测对象选项包括医疗机构标识与多个医疗机构名称、一个参保人标识与姓名标识、姓名输入框、电话号码标识及电话号码输入框、多个参保人标识与多个地区名称，如图1B所示；医保违规行为平台检测到针对预设时段内待检测对象的医保违规行为检测按钮的点击操作；医保违规行为平台向服务器发送指示信息，指示信息用于指示服务器从医疗数据库中获取待检测对象在预设时段内的医疗数据。其中，点击起始时间输入框，通过时间选择框选择起始时间；点击终止时间选择框，通过时间选择框选择终止时间；通过点击医疗机构名称选择医疗机构；通过输入姓名和电话号码选择一个参保人；通过点击地区名称选择在该地区的至少一家医疗机构就诊的多个参保人。具体地，若待检测对象为一个参保人，则服务器从医疗数据库中获取待检测对象在预设时段内的医疗数据的实施方式可以是：接收医保违规行为平台发送的指示信息，指示信息用于指示服务器从医疗数据库中获取目标参保人在预设时段内的医疗数据；获取目标参保人所就诊的多家医疗机构名称，并向目标参保人所就诊的多家医疗机构的服务器发送多个第一请求信息，每个第一请求信息用于指示一家医疗机构的服务器反馈其医疗数据库中存储的目标参保人在预设时段的所有第一就诊数据；接收针对多个第一请求信息发送的目标参保人在预设时段的医疗数据。其中，服务器与多家医疗机构的服务器具有连接关系。具体地，若待检测对象为多个参保人，则服务器从医疗数据库中获取待检测对象在预设时段内的医疗数据的实施方式可以是：接收医保违规行为平台发送的指示信息，指示信息用于指示服务器从医疗数据库中获取目标地区的多个参保人在预设时段内的医疗数据；向目标地区的多家医疗机构的服务器发送多个第二请求信息，每个第二请求信息用于指示一家医疗机构的服务器反馈其医疗数据库存储的所有参保人中每个参保人在预设时段内的至少一个第二就诊数据；接收针对多个第二请求信息发送的目标地区的多个参保人在预设时段内的医疗数据。其中，服务器与多家医疗机构的服务器具有连接关系。具体地，若待检测对象为医疗机构，则服务器从医疗数据库中获取待检测对象在预设时段内的医疗数据的实施方式可以是：接收医保违规行为平台发送的指示信息，指示信息用于指示服务器从医疗数据库中获取目标医疗机构在预设时段内的医疗数据；向目标医疗机构的服务器发送第三请求信息，第三请求信息用于指示目标医疗机构的服务器反馈其医疗数据库存储的预设时段内多个药品中每个药品的第一使用量、每个药品的第二使用量和每个药品对应的患者人数；接收针对第三请求信息发送的目标医疗机构在预设时段内的医疗数据，如图1C所示。其中，服务器与目标医疗机构的服务器具有连接关系。步骤102：服务器将所述医疗数据输入行为检测模型进行处理，输出行为检测结果，所述行为检测模型预设有多种行为检测规则，所述行为检测结果用于表征待检测对象是否具有医保违规行为。其中，不同行为检测规则适用于不同的待检测对象。在一个可能的示例中，若所述待检测对象为一个参保人，则所述医疗数据包括多个第一就诊数据，每个第一就诊数据包括就诊时间、至少一个疾病名称和第一药品集，服务器将所述医疗数据输入行为检测模型进行处理，输出行为检测结果之前，所述方法还包括：服务器确定多个第一就诊数据中每个第一就诊数据包括的至少一个疾病名称与轻微疾病集的包含关系，所述轻微疾病集包括多个轻微疾病名称；若所述第一接诊数据包括的至少一个疾病名称包含于所述轻微疾病集，则保留所述第一就诊数据，得到至少一个第一就诊数据。其中，至少一个第一就诊数据中每个第一就诊数据为该参保人在预设时段内患有至少一种轻微疾病就诊时的就诊数据。在一个可能的示例中，服务器将所述医疗数据输入行为检测模型进行处理，输出行为检测结果，包括：服务器确定第一目标就诊数据，所述第一目标就诊数据包括的就诊时间为所述至少一个第一就诊数据包括的至少一个就诊时间中最早的；服务器将所述第一目标就诊数据包括的至少一个疾病名称输入所述行为检测模型；服务器根据所述行为检测模型中预先存储的疾病名称与复诊结果的映射关系确定所述第一目标就诊数据对应的第一复诊结果，所述复诊结果包括无需复诊和多个不同的复诊间隔时间；若所述第一复诊结果为第一复诊间隔时间，服务器根据所述第一目标就诊数据包括的就诊时间和所述第一复诊间隔时间确定第一复诊时间；服务器确定所述至少一个第一就诊数据中是否存在第二目标就诊数据，所述第二目标就诊数据与所述第一目标就诊数据的疾病名称个数和疾病名称均相同，所述第二目标就诊数据包括的就诊时间早于所述第一复诊时间；若确定存在所述第二目标就诊数据，则服务器确定所述行为检测结果为具有第一医保违规行为。其中，疾病名称与复诊结果的映射关系如下表1所示：表1疾病名称复诊结果疾病1无需复诊疾病2第一复诊间隔时间疾病3第二复诊间隔时间疾病4、疾病5第三复诊间隔时间............其中，第一复诊时间为第一目标就诊数据包括的就诊时间与第一复诊间隔时间之和。其中，第一医保违规行为指的是该参保人在预设时段内患有至少一种轻微疾病的就诊次数大于或等于第三阈值，即轻症频繁入院，第三阈值可以是用户自定义的，也可以是服务器自定义的。在一个可能的示例中，若所述待检测对象为多个参保人，则所述医疗数据包括所述多个参保人中每个参保人的至少一个第二就诊数据，每个第二就诊数据包括就诊时间、医疗机构名称、第二药品集和药品支付费用，所述第二药品集包括至少一个药品名称和至少一个药品数量，服务器将所述医疗数据输入行为检测模型进行处理，输出行为检测结果之前，所述方法还包括：服务器根据医疗机构名称将所述多个参保人进行聚类分群，得到至少一个初始分组，每个初始分组包括至少两个参保人，所述每个初始分组包括的至少两个参保人的医疗机构名称是相同的。具体地，服务器根据医疗机构名称将多个参保人进行聚类分群，得到至少一个初始分组的实施方式可以是：将相同医疗机构名称对应的参保人分到一组，得到多个初始分组；获取多个初始分组中每个分组包括的参保人的人数，得到多个初始分组对应的多个人数，每个人数对应一个初始分组；保留人数大于等于两人的初始分组，得到至少一个初始分组。其中，每个初始分组对应一个医疗机构名称。在一个可能的示例中，服务器将所述医疗数据输入行为检测模型进行处理，输出行为检测结果，包括：服务器将所述至少一个初始分组中每个初始分组包括的至少两个第二药品集输入所述行为检测模型；服务器根据所述行为检测模型中预先存储的药品相似度公式确定所述每个初始分组中任意两个第二药品集的药品相似度，得到所述至少两个第二药品集对应的多个药品相似度，所述任意两个第二药品集对应不同的参保人；服务器根据药品相似度对所述每个初始分组进行筛选，得到至少一个分组，每个分组中任意两个第二药品集的药品相似度大于等于第一阈值；服务器获取所述至少一个分组中每个分组的第一就诊时间和第二就诊时间，所述第一就诊时间和所述第二就诊时间分别为所述每个分组对应的至少两个就诊时间中最早的和最晚的；服务器确定所述第一就诊时间与所述第二就诊时间的时间差值，得到所述至少一个分组对应的至少一个时间差值，每个时间差值对应一个分组；服务器确定所述至少一个时间差值中每个时间差值是否小于等于第二阈值；若所述分组的时间差值小于等于所述第二阈值，则服务器确定所述分组的行为检测结果为具有第二医保违规行为。其中，药品相似度公式为：药品相似度ij＝第一药品数量第一药品数量+第二药品数量其中，第一药品数量为第二药品集i与第二药品集j相同药品的数量，第二药品数量为第二药品集i与第二药品集j不同药品的数量，第二药品集i和第二药品集j均为至少两个第二药品集中的其中一个；比如，第二药品集i存在5个药品名称，第二药品集j存在6个药品名称，若第二药品集i与第二药品集j相同药品的数量为3，则第二药品集i与第二药品集j不同药品的数量为2，药品相似度ij＝33+2＝60％。举例来说，某个初始分组有7个第二药品集，2个第二药品集对应参保人1，3个第二药品集对应参保人2，2个第二药品集对应参保人3，则其中，第一阈值和第二阈值均可以是用户自定义的，也可以是服务器自定义的。其中，第二医保违规行为指的是在同一家医疗机构就诊的多个参保人在预设时段内的多个第二药品集中任意两个第二药品集的药品相似度大于或等于第一阈值，即成群结队开药。在一个可能的示例中，若所述待检测对象为医疗机构，则所述医疗数据包括多个药品中每个药品的第一使用量、每个药品的第二使用量和每个药品对应的患者人数，所述每个药品的第一使用量为所述医疗机构的服务器存储的多个药品单据中相同药品的使用量，所述每个药品的第二使用量为所述医疗机构的药品库中相同药品的消耗量，服务器将所述医疗数据输入行为检测模型进行处理，输出行为检测结果，包括：服务器将所述医疗机构包括的多个药品中每个药品的第一使用量、每个药品的第二使用量和每个药品对应的患者人数输入所述行为检测模型；服务器确定所述每个药品的第一使用量是否大于所述每个药品的第二使用量；若确定存在至少一个药品的第一使用量大于所述药品的第二使用量，则服务器确定所述医疗机构的行为检测结果为具有第三医保违规行为。在一个可能的示例中，服务器将所述医疗数据输入行为检测模型进行处理，输出行为检测结果，包括：服务器将所述医疗机构包括的多个药品中每个药品的第一使用量、每个药品的第二使用量和每个药品对应的患者人数输入行为检测模型；服务器确定所述每个药品的第一使用量是否大于所述每个药品的第二使用量；若确定所述每个药品的第一使用量小于等于所述每个药品的第二使用量，服务器根据所述每个药品对应的患者人数和所述每个药品的人均使用量确定所述每个药品的预测使用量；服务器确定所述每个药品的第一使用量是否大于所述每个药品的预测使用量；若确定存在至少一个药品的第一使用量大于所述药品的预测使用量，则服务器确定所述医疗机构的行为检测结果为具有第三医保违规行为。其中，服务器确定每个药品的人均使用量的实施方式可以是：获取每个药品在第一预设时段内的药品消耗量，第一预设时段与预设时段的时长相同，第一预设时段早于预设时段；获取第一预设时段内每个药品对应的患者人数；将第一预设时段内每个药品的药品消耗量与所述每个药品对应的患者人数的比值作为每个药品的人均使用量。其中，第三医保违规行为指的是医疗机构存在至少一个药品的使用量大于药品的消耗量或预测使用量，即医疗机构虚开药品。步骤103：若所述行为检测结果为具有医保违规行为，则服务器发送提示信息至所述待检测对象的关联设备，所述提示信息用于提示待检测对象具有医保违规行为。其中，若待检测对象为一个或多个参保人，则关联设备为一个或多个参保人的终端。其中，若待检测对象为医疗机构，服务器发送提示信息至待检测对象的关联设备的实施方式可以是：向医疗机构的服务器发送提示信息，以使得医疗机构的服务器发送提示信息至医保违规行为平台并显示在医保违规行为平台的显示界面。可以看出，在本申请实施例中，服务器首先从医疗数据库中获取待检测对象一个或多个参保人、医疗机构在预设时段内的医疗数据，然后将医疗数据输入行为检测模型进行处理，输出行为检测结果，最后若行为检测结果为具有医保违规行为，发送提示信息至待检测对象的关联设备。这样可检测待检测对象是否具有非常规的医保违规行为，比如成群结队开药、轻症频繁入院等，通过提示信息提示待检测对象具有医保违规行为，使得待检测对象不再利用非常规的医保违规行为套取医保基金，在一定程度上减少了通过非常规的医保违规行为套取医保基金的现象，有助于解决现有技术中无法有效审核医保违规行为、医保基金审核难度大的问题。在一个可能的示例中，所述方法还包括：服务器根据药品价格和所述分组包括的至少两个第二药品集确定所述分组对应的药品总费用；服务器获取所述分组包括的至少两个第二药品集对应的至少两个药品支付费用，以及根据所述至少两个药品支付费用确定药品总支付费用；服务器根据费用差值与医保违规行为等级的映射关系确定所述药品总费用与所述药品总支出费用的费用差值对应的目标医保违规行为等级；若所述目标医保违规行为等级小于设定医保违规行为等级，则服务器发送所述目标医保违规行为等级至所述分组包括的至少两个参保人的关联设备；若所述目标医保违规行为等级大于等于所述设定医保违规行为等级，则服务器将所述分组包括的至少两个参保人添加到医保黑名单中。具体地，服务器根据药品价格和分组包括的至少两个第二药品集确定分组对应的药品总费用的实施方式可以是：根据药品价格、分组包括的至少两个第二药品集和药品费用公式确定分组对应的药品总费用。其中，药品费用公式为：S＝A1×T1+A2×T2+A3×T3+…+An×Tn其中，S为分组对应的药品总费用，A1为至少两个第二药品集中第1个药品的药品价格，T1为该第1个药品的药品数量，A2为至少两个第二药品集中第2个药品的药品价格，T2为该第2个药品的药品数量，A3为至少两个第二药品集中第3个药品的药品价格，T3为该第3个药品的药品数量，An为至少两个第二药品集中第n个药品的药品价格，Tn为该第n个药品的药品数量。其中，每个药品支付费用对应一个第二药品集，每个药品支付费用指的是参保人为所购买的第二药品集经医保报销后实际支付的费用。其中，药品总支付费用为至少两个药品支付费用之和。其中，费用差值与医保违规行为等级的映射关系如下表2所示：表2费用差值医保违规行为等级0～S1第一违规等级S1～S2第二违规等级S2～S3第三违规等级............其中，S1＜S2＜S3，第一违规等级表示轻度违规，第二违规等级表示中度违规，第三违规等级表示重度违规。其中，设定医保违规行为等级可以是第一违规等级，设定医保违规行为等级可以是用户自定义的，也可以是服务器自定义的。其中，医保黑名单包括不具有医保基金报销资质的多个参保人的姓名。请参阅图2，图2是本申请实施例提供的第二种基于人工智能的医保违规行为检测方法的流程示意图，该基于人工智能的医保违规行为检测方法包括：步骤201：服务器从医疗数据库中获取待检测对象在预设时段内的医疗数据，所述待检测对象为一个参保人，所述医疗数据包括多个第一就诊数据，每个第一就诊数据包括就诊时间、至少一个疾病名称和第一药品集。步骤202：服务器确定所述多个第一就诊数据中每个第一就诊数据包括的至少一个疾病名称与轻微疾病集的包含关系，所述轻微疾病集包括多个轻微疾病名称。步骤203：若所述第一就诊数据包括的至少一个疾病名称包含于所述轻微疾病集，则服务器保留所述第一就诊数据，得到至少一个第一就诊数据。步骤204：服务器确定第一目标就诊数据，所述第一目标就诊数据包括的就诊时间为所述至少一个第一就诊数据包括的至少一个就诊时间中最早的。步骤205：服务器将所述第一目标就诊数据包括的至少一个疾病名称输入所述行为检测模型，以及根据所述行为检测模型中预先存储的疾病名称与复诊结果的映射关系确定所述第一目标就诊数据对应的第一复诊结果，所述复诊结果包括无需复诊和多个不同的复诊间隔时间。步骤206：若所述第一复诊结果为第一复诊间隔时间，服务器根据所述第一目标就诊数据包括的就诊时间和所述第一复诊间隔时间确定第一复诊时间。步骤207：服务器确定所述至少一个第一就诊数据中是否存在第二目标就诊数据，所述第二目标就诊数据与所述第一目标就诊数据的疾病名称个数和疾病名称均相同，所述第二目标就诊数据包括的就诊时间早于所述第一复诊时间。步骤208：若确定存在所述第二目标就诊数据，则服务器确定所述行为检测结果为具有第一医保违规行为。步骤209：服务器发送提示信息至所述参保人的关联设备，所述提示信息用于提示待检测对象具有第一医保违规行为。需要说明的是，图2所示的方法的各个步骤的具体实现过程可参见上述方法所述的具体实现过程，在此不再叙述。请参阅图3，图3是本申请实施例提供的第三种基于人工智能的医保违规行为检测方法的流程示意图，该基于人工智能的医保违规行为检测方法包括：步骤301：服务器从医疗数据库中获取待检测对象在预设时段内的医疗数据，所述待检测对象为多个参保人，所述医疗数据包括所述多个参保人中每个参保人的至少一个第二就诊数据，每个第二就诊数据包括就诊时间、医疗机构名称、第二药品集和药品支付费用，所述第二药品集包括至少一个药品名称和至少一个药品数量。步骤302：服务器根据医疗机构名称将所述多个参保人进行聚类分群，得到至少一个初始分组，每个初始分组包括至少两个参保人，所述每个初始分组包括的至少两个参保人的医疗机构名称是相同的。步骤303：服务器将所述至少一个初始分组中每个初始分组包括的至少两个第二药品集输入所述行为检测模型。步骤304：服务器根据所述行为检测模型中预先存储的药品相似度公式确定所述每个初始分组中任意两个第二药品集的药品相似度，得到所述至少两个第二药品集对应的多个药品相似度，所述任意两个第二药品集对应不同的参保人。步骤305：服务器根据药品相似度对所述每个初始分组进行筛选，得到至少一个分组，每个分组中任意两个第二药品集的药品相似度大于等于第一阈值。步骤306：服务器获取所述至少一个分组中每个分组的第一就诊时间和第二就诊时间，所述第一就诊时间和所述第二就诊时间分别为所述每个分组对应的至少两个就诊时间中最早的和最晚的；步骤307：服务器确定所述第一就诊时间与所述第二就诊时间的时间差值，得到所述至少一个分组对应的至少一个时间差值，每个时间差值对应一个分组；步骤308：服务器确定所述至少一个时间差值中每个时间差值是否小于等于第二阈值。步骤309：若所述分组对应的时间差值小于等于所述第二阈值，则服务器确定所述分组的行为检测结果为具有第二医保违规行为。步骤310：服务器发送提示信息至所述多个参保人的关联设备，所述提示信息用于提示待检测对象具有第二医保违规行为。需要说明的是，图3所示的方法的各个步骤的具体实现过程可参见上述方法所述的具体实现过程，在此不再叙述。上述主要从方法侧执行过程的角度对本申请实施例的方案进行了介绍。可以理解的是，基于人工智能的医保违规行为检测装置为了实现上述功能，其包含了执行各个功能相应的硬件结构和或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。本申请实施例可以根据上述方法示例对基于人工智能的医保违规行为检测装置进行功能单元的划分，例如，可以对应各个功能划分各个功能单元，也可以将两个或两个以上的功能集成在一个处理单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。需要说明的是，本申请实施例中对单元的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。请参阅图4，图4是本申请实施例提供的一种基于人工智能的医保违规行为检测装置的结构示意图，该基于人工智能的医保违规行为检测装置400包括处理单元401、存储单元402和通信单元403，处理单元401包括获取单元、确定单元和发送单元，其中：获取单元，用于从医疗数据库中获取待检测对象在预设时段内的医疗数据，所述待检测对象包括以下至少一种：一个参保人、多个参保人、医疗机构；确定单元，用于将所述医疗数据输入行为检测模型进行处理，输出行为检测结果，所述行为检测模型预设有多种行为检测规则，所述行为检测结果用于表征待检测对象是否具有医保违规行为；发送单元，用于若所述行为检测结果为具有医保违规行为，则发送提示信息至所述待检测对象的关联设备，所述提示信息用于提示待检测对象具有医保违规行为。可见，在本示例中，首先从医疗数据库中获取待检测对象一个或多个参保人、医疗机构在预设时段内的医疗数据，然后将医疗数据输入行为检测模型进行处理，输出行为检测结果，最后若行为检测结果为具有医保违规行为，发送提示信息至待检测对象的关联设备。这样可检测待检测对象是否具有非常规的医保违规行为，比如成群结队开药、轻症频繁入院等，通过提示信息提示待检测对象具有医保违规行为，使得待检测对象不再利用非常规的医保违规行为套取医保基金，在一定程度上减少了通过非常规的医保违规行为套取医保基金的现象，有助于解决现有技术中无法有效审核医保违规行为、医保基金审核难度大的问题。在一个可能的示例中，若所述待检测对象为一个参保人，则所述医疗数据包括多个第一就诊数据，每个第一就诊数据包括就诊时间、至少一个疾病名称和第一药品集，将所述医疗数据输入行为检测模型进行处理，输出行为检测结果之前，上述处理单元401还包括：第一确定单元，用于确定所述多个第一就诊数据中每个第一就诊数据包括的至少一个疾病名称与轻微疾病集的包含关系，所述轻微疾病集包括多个轻微疾病名称；保留单元，用于若所述第一就诊数据包括的至少一个疾病名称包含于所述轻微疾病集，则保留所述第一就诊数据，得到至少一个第一就诊数据。在一个可能的示例中，在将所述医疗数据输入行为检测模型进行处理，输出行为检测结果方面，上述确定单元具体用于：确定第一目标就诊数据，所述第一目标就诊数据包括的就诊时间为所述至少一个第一就诊数据包括的至少一个就诊时间中最早的；将所述第一目标就诊数据包括的至少一个疾病名称输入所述行为检测模型；根据所述行为检测模型中存储的疾病名称与复诊结果的映射关系确定所述第一目标就诊数据对应的第一复诊结果，所述复诊结果包括无需复诊和多个不同的复诊间隔时间；若所述第一复诊结果为第一复诊间隔时间，根据所述第一目标就诊数据包括的就诊时间和所述第一复诊间隔时间确定第一复诊时间；确定所述至少一个第一就诊数据中是否存在第二目标就诊数据，所述第二目标就诊数据与所述第一目标就诊数据的疾病名称个数和疾病名称均相同，所述第二目标就诊数据包括的就诊时间早于所述第一复诊时间；若确定存在所述第二目标就诊数据，则确定所述行为检测结果为具有第一医保违规行为。在一个可能的示例中，若所述待检测对象为多个参保人，则所述医疗数据包括所述多个参保人中每个参保人的至少一个第二就诊数据，每个第二就诊数据包括就诊时间、医疗机构名称、第二药品集和药品支付费用，所述第二药品集包括至少一个药品名称和至少一个药品数量，将所述医疗数据输入行为检测模型进行处理，输出行为检测结果之前，上述处理单元401还包括：分类单元，用于根据医疗机构名称将所述多个参保人进行聚类分群，得到至少一个初始分组，每个初始分组包括至少两个参保人，所述每个初始分组包括的至少两个参保人的医疗机构名称是相同的。在一个可能的示例中，在将所述医疗数据输入行为检测模型进行处理，输出行为检测结果方面，上述确定单元具体用于：将所述至少一个初始分组中每个初始分组包括的至少两个第二药品集输入所述行为检测模型；根据所述行为检测模型中预先存储的药品相似度公式确定所述每个初始分组中任意两个第二药品集的药品相似度，得到所述至少两个第二药品集对应的多个药品相似度，所述任意两个第二药品集对应不同的参保人；根据药品相似度对所述每个初始分组进行筛选，得到至少一个分组，每个分组中任意两个第二药品集的药品相似度大于等于第一阈值；获取所述至少一个分组中每个分组的第一就诊时间和第二就诊时间，所述第一就诊时间和所述第二就诊时间分别为所述每个分组对应的至少两个就诊时间中最早的和最晚的；确定所述第一就诊时间与所述第二就诊时间的时间差值，得到所述至少一个分组对应的至少一个时间差值，每个时间差值对应一个分组；确定所述至少一个时间差值中每个时间差值是否小于等于第二阈值；若所述分组的时间差值小于等于所述第二阈值，则确定所述分组的行为检测结果为具有第二医保违规行为。在一个可能的示例中，若所述待检测对象为医疗机构，则所述医疗数据包括多个药品中每个药品的第一使用量、每个药品的第二使用量和每个药品对应的患者人数，所述每个药品的第一使用量为所述医疗机构的服务器存储的多个药品单据中相同药品的使用量，所述每个药品的第二使用量为所述医疗机构的药品库中相同药品的消耗量，在将所述医疗数据输入行为检测模型进行处理，输出行为检测结果方面，上述确定单元具体用于：将所述医疗机构包括的多个药品中每个药品的第一使用量、每个药品的第二使用量和每个药品对应的患者人数输入所述行为检测模型；确定所述每个药品的第一使用量是否大于所述每个药品的第二使用量；若确定存在至少一个药品的第一使用量大于所述药品的第二使用量，则确定所述医疗机构的行为检测结果为具有第三医保违规行为。在一个可能的示例中，上述处理单元401还包括：第二确定单元，用于根据药品价格和所述分组包括的至少两个第二药品集确定所述分组对应的药品总费用；第三确定单元，用于获取所述分组包括的至少两个第二药品集对应的至少两个药品支付费用，以及根据所述至少两个药品支付费用确定药品总支付费用；第四确定单元，用于根据费用差值与医保违规行为等级的映射关系确定所述药品总费用与所述药品总支出费用的费用差值对应的目标医保违规行为等级；第一发送单元，用于若所述目标医保违规行为等级小于设定医保违规行为等级，则发送所述目标医保违规行为等级至所述分组包括的至少两个参保人的关联设备；添加单元，用于若所述目标医保违规行为等级大于等于所述设定医保违规行为等级，则将所述分组包括的至少两个参保人添加到医保黑名单中。其中，处理单元401可以是处理器或控制器，例如可以是中央处理器CentralProcessingUnit，CPU，通用处理器，数字信号处理器DigitalSignalProcessor，DSP，专用集成控制器Application-SpecificIntegratedCircuit，ASIC，现场可编程门阵列FieldProgrammableGateArray，FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。存储单元402可以是存储器，通信单元403可以是收发器、收发控制器、射频芯片、通信接口等。与上述图1A、图2和图3所示的实施例一致的，请参阅图5，图5是本申请实施例提供的一种服务器的结构示意图，该服务器包括处理器、存储器、通信接口以及一个或多个程序，其中，上述一个或多个程序被存储在上述存储器中，并且被配置由上述处理器执行，上述程序包括用于执行以下步骤的指令：从医疗数据库中获取待检测对象在预设时段内的医疗数据，所述待检测对象包括以下至少一种：一个参保人、多个参保人、医疗机构；将所述医疗数据输入行为检测模型进行处理，输出行为检测结果，所述行为检测模型预设有多种行为检测规则，所述行为检测结果用于表征待检测对象是否具有医保违规行为；若所述行为检测结果为具有医保违规行为，则发送提示信息至所述待检测对象的关联设备，所述提示信息用于提示待检测对象具有医保违规行为。可见，在本示例中，服务器首先从医疗数据库中获取待检测对象一个或多个参保人、医疗机构在预设时段内的医疗数据，然后将医疗数据输入行为检测模型进行处理，输出行为检测结果，最后若行为检测结果为具有医保违规行为，发送提示信息至待检测对象的关联设备。这样可检测待检测对象是否具有非常规的医保违规行为，比如成群结队开药、轻症频繁入院等，通过提示信息提示待检测对象具有医保违规行为，使得待检测对象不再利用非常规的医保违规行为套取医保基金，在一定程度上减少了通过非常规的医保违规行为套取医保基金的现象，有助于解决现有技术中无法有效审核医保违规行为、医保基金审核难度大的问题。在一个可能的示例中，若所述待检测对象为一个参保人，则所述医疗数据包括多个第一就诊数据，每个第一就诊数据包括就诊时间、至少一个疾病名称和第一药品集，将所述医疗数据输入行为检测模型进行处理，输出行为检测结果之前，上述程序还包括用于执行以下步骤的指令：确定所述多个第一就诊数据中每个第一就诊数据包括的至少一个疾病名称与轻微疾病集的包含关系，所述轻微疾病集包括多个轻微疾病名称；若所述第一就诊数据包括的至少一个疾病名称包含于所述轻微疾病集，则保留所述第一就诊数据，得到至少一个第一就诊数据。在一个可能的示例中，在将所述医疗数据输入行为检测模型进行处理，输出行为检测结果方面，上述程序包括具体用于执行以下步骤的指令：确定第一目标就诊数据，所述第一目标就诊数据包括的就诊时间为所述至少一个第一就诊数据包括的至少一个就诊时间中最早的；将所述第一目标就诊数据包括的至少一个疾病名称输入所述行为检测模型；根据所述行为检测模型中存储的疾病名称与复诊结果的映射关系确定所述第一目标就诊数据对应的第一复诊结果，所述复诊结果包括无需复诊和多个不同的复诊间隔时间；若所述第一复诊结果为第一复诊间隔时间，根据所述第一目标就诊数据包括的就诊时间和所述第一复诊间隔时间确定第一复诊时间；确定所述至少一个第一就诊数据中是否存在第二目标就诊数据，所述第二目标就诊数据与所述第一目标就诊数据的疾病名称个数和疾病名称均相同，所述第二目标就诊数据包括的就诊时间早于所述第一复诊时间；若确定存在所述第二目标就诊数据，则确定所述行为检测结果为具有第一医保违规行为。在一个可能的示例中，若所述待检测对象为多个参保人，则所述医疗数据包括所述多个参保人中每个参保人的至少一个第二就诊数据，每个第二就诊数据包括就诊时间、医疗机构名称、第二药品集和药品支付费用，所述第二药品集包括至少一个药品名称和至少一个药品数量，将所述医疗数据输入行为检测模型进行处理，输出行为检测结果之前上述程序还包括用于执行以下步骤的指令：根据医疗机构名称将所述多个参保人进行聚类分群，得到至少一个初始分组，每个初始分组包括至少两个参保人，所述每个初始分组包括的至少两个参保人的医疗机构名称是相同的。在一个可能的示例中，在将所述医疗数据输入行为检测模型进行处理，输出行为检测结果方面，上述程序包括具体用于执行以下步骤的指令：将所述至少一个初始分组中每个初始分组包括的至少两个第二药品集输入所述行为检测模型；根据所述行为检测模型中预先存储的药品相似度公式确定所述每个初始分组中任意两个第二药品集的药品相似度，得到所述至少两个第二药品集对应的多个药品相似度，所述任意两个第二药品集对应不同的参保人；根据药品相似度对所述每个初始分组进行筛选，得到至少一个分组，每个分组中任意两个第二药品集的药品相似度大于等于第一阈值；获取所述至少一个分组中每个分组的第一就诊时间和第二就诊时间，所述第一就诊时间和所述第二就诊时间分别为所述每个分组对应的至少两个就诊时间中最早的和最晚的；确定所述第一就诊时间与所述第二就诊时间的时间差值，得到所述至少一个分组对应的至少一个时间差值，每个时间差值对应一个分组；确定所述至少一个时间差值中每个时间差值是否小于等于第二阈值；若所述分组的时间差值小于等于所述第二阈值，则确定所述分组的行为检测结果为具有第二医保违规行为。在一个可能的示例中，若所述待检测对象为医疗机构，则所述医疗数据包括多个药品中每个药品的第一使用量、每个药品的第二使用量和每个药品对应的患者人数，所述每个药品的第一使用量为所述医疗机构的服务器存储的多个药品单据中相同药品的使用量，所述每个药品的第二使用量为所述医疗机构的药品库中相同药品的消耗量，在将所述医疗数据输入行为检测模型进行处理，输出行为检测结果方面，上述程序包括具体用于执行以下步骤的指令：将所述医疗机构包括的多个药品中每个药品的第一使用量、每个药品的第二使用量和每个药品对应的患者人数输入所述行为检测模型；确定所述每个药品的第一使用量是否大于所述每个药品的第二使用量；若确定存在至少一个药品的第一使用量大于所述药品的第二使用量，则确定所述医疗机构的行为检测结果为具有第三医保违规行为。在一个可能的示例中，上述程序还包括用于执行以下步骤的指令：根据药品价格和所述分组包括的至少两个第二药品集确定所述分组对应的药品总费用；获取所述分组包括的至少两个第二药品集对应的至少两个药品支付费用，以及根据所述至少两个药品支付费用确定药品总支付费用；根据费用差值与医保违规行为等级的映射关系确定所述药品总费用与所述药品总支出费用的费用差值对应的目标医保违规行为等级；若所述目标医保违规行为等级小于设定医保违规行为等级，则发送所述目标医保违规行为等级至所述分组包括的至少两个参保人的关联设备；若所述目标医保违规行为等级大于等于所述设定医保违规行为等级，则将所述分组包括的至少两个参保人添加到医保黑名单中。本申请实施例还提供一种计算机存储介质，该计算机存储介质用于存储电子数据交换的计算机程序，其中，该计算机程序使得计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。本申请实施例还提供一种计算机程序产品，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包。需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备可为个人计算机、服务器或者网络设备等执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器ROM，Read-OnlyMemory、随机存取存储器RAM，RandomAccessMemory、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器英文：Read-OnlyMemory，简称：ROM、随机存取器英文：RandomAccessMemory，简称：RAM、磁盘或光盘等。以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实现方式及应用范围上均会有改变之处，综上上述，本说明书内容不应理解为对本申请的限制。

权利要求：1.一种基于人工智能的医保违规行为检测方法，其特征在于，所述方法包括：从医疗数据库中获取待检测对象在预设时段内的医疗数据，所述待检测对象包括以下至少一种：一个参保人、多个参保人、医疗机构；将所述医疗数据输入行为检测模型进行处理，输出行为检测结果，所述行为检测模型预设有多种行为检测规则，所述行为检测结果用于表征待检测对象是否具有医保违规行为；若所述行为检测结果为具有医保违规行为，则发送提示信息至所述待检测对象的关联设备，所述提示信息用于提示待检测对象具有医保违规行为。2.根据权利要求1所述的方法，其特征在于，若所述待检测对象为一个参保人，则所述医疗数据包括多个第一就诊数据，每个第一就诊数据包括就诊时间、至少一个疾病名称和第一药品集，所述将所述医疗数据输入行为检测模型进行处理，输出行为检测结果之前，所述方法还包括：确定所述多个第一就诊数据中每个第一就诊数据包括的至少一个疾病名称与轻微疾病集的包含关系，所述轻微疾病集包括多个轻微疾病名称；若所述第一就诊数据包括的至少一个疾病名称包含于所述轻微疾病集，则保留所述第一就诊数据，得到至少一个第一就诊数据。3.根据权利要求2所述的方法，其特征在于，所述将所述医疗数据输入行为检测模型进行处理，输出行为检测结果，包括：确定第一目标就诊数据，所述第一目标就诊数据包括的就诊时间为所述至少一个第一就诊数据包括的至少一个就诊时间中最早的；将所述第一目标就诊数据包括的至少一个疾病名称输入所述行为检测模型，以及根据所述行为检测模型中预先存储的疾病名称与复诊结果的映射关系确定所述第一目标就诊数据对应的第一复诊结果，所述复诊结果包括无需复诊和多个不同的复诊间隔时间；若所述第一复诊结果为第一复诊间隔时间，根据所述第一目标就诊数据包括的就诊时间和所述第一复诊间隔时间确定第一复诊时间；确定所述至少一个第一就诊数据中是否存在第二目标就诊数据，所述第二目标就诊数据与所述第一目标就诊数据的疾病名称个数和疾病名称均相同，所述第二目标就诊数据包括的就诊时间早于所述第一复诊时间；若确定存在所述第二目标就诊数据，则确定所述行为检测结果为具有第一医保违规行为。4.根据权利要求1所述的方法，其特征在于，若所述待检测对象为多个参保人，则所述医疗数据包括所述多个参保人中每个参保人的至少一个第二就诊数据，每个第二就诊数据包括就诊时间、医疗机构名称、第二药品集和药品支付费用，所述第二药品集包括至少一个药品名称和至少一个药品数量，所述将所述医疗数据输入行为检测模型进行处理，输出行为检测结果之前，所述方法还包括：根据医疗机构名称将所述多个参保人进行聚类分群，得到至少一个初始分组，每个初始分组包括至少两个参保人，所述每个初始分组包括的至少两个参保人的医疗机构名称是相同的。5.根据权利要求4所述的方法，其特征在于，所述将所述医疗数据输入行为检测模型进行处理，输出行为检测结果，包括：将所述至少一个初始分组中每个初始分组包括的至少两个第二药品集输入所述行为检测模型；根据所述行为检测模型中预先存储的药品相似度公式确定所述每个初始分组中任意两个第二药品集的药品相似度，得到所述至少两个第二药品集对应的多个药品相似度，所述任意两个第二药品集对应不同的参保人；根据药品相似度对所述每个初始分组进行筛选，得到至少一个分组，每个分组中任意两个第二药品集的药品相似度大于等于第一阈值；获取所述至少一个分组中每个分组的第一就诊时间和第二就诊时间，所述第一就诊时间和所述第二就诊时间分别为所述每个分组对应的至少两个就诊时间中最早的和最晚的；确定所述第一就诊时间与所述第二就诊时间的时间差值，得到所述至少一个分组对应的至少一个时间差值，每个时间差值对应一个分组；确定所述至少一个时间差值中每个时间差值是否小于等于第二阈值；若所述分组的时间差值小于等于所述第二阈值，则确定所述分组的行为检测结果为具有第二医保违规行为。6.根据权利要求1所述的方法，其特征在于，若所述待检测对象为医疗机构，则所述医疗数据包括多个药品中每个药品的第一使用量、每个药品的第二使用量和每个药品对应的患者人数，所述每个药品的第一使用量为所述医疗机构的服务器存储的多个药品单据中相同药品的使用量，所述每个药品的第二使用量为所述医疗机构的药品库中相同药品的消耗量，所述将所述医疗数据输入行为检测模型进行处理，输出行为检测结果，包括：将所述医疗机构包括的多个药品中每个药品的第一使用量、每个药品的第二使用量和每个药品对应的患者人数输入所述行为检测模型；确定所述每个药品的第一使用量是否大于所述每个药品的第二使用量；若确定存在至少一个药品的第一使用量大于所述药品的第二使用量，则确定所述医疗机构的行为检测结果为具有第三医保违规行为。7.根据权利要求5所述的方法，其特征在于，所述方法还包括：根据药品价格和所述分组包括的至少两个第二药品集确定所述分组对应的药品总费用；获取所述分组包括的至少两个第二药品集对应的至少两个药品支付费用，以及根据所述至少两个药品支付费用确定药品总支付费用；根据费用差值与医保违规行为等级的映射关系确定所述药品总费用与所述药品总支出费用的费用差值对应的目标医保违规行为等级；若所述目标医保违规行为等级小于设定医保违规行为等级，则发送所述目标医保违规行为等级至所述分组包括的至少两个参保人的关联设备；若所述目标医保违规行为等级大于等于所述设定医保违规行为等级，则将所述分组包括的至少两个参保人添加到医保黑名单中。8.一种基于人工智能的医保违规行为检测装置，其特征在于，所述装置包括：获取单元，用于从医疗数据库中获取待检测对象在预设时段内的医疗数据，所述待检测对象包括以下至少一种：一个参保人、多个参保人、医疗机构；确定单元，用于将所述医疗数据输入行为检测模型进行处理，输出行为检测结果，所述行为检测模型预设有多种行为检测规则，所述行为检测结果用于表征待检测对象是否具有医保违规行为；发送单元，用于若所述行为检测结果为具有医保违规行为，则发送提示信息至所述待检测对象的关联设备，所述提示信息用于提示待检测对象具有医保违规行为。9.一种服务器，其特征在于，包括处理器、存储器、通信接口以及一个或多个程序，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述程序包括用于执行如权利要求1-7任一项所述的方法中的步骤的指令。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用于存储电子数据交换的计算机程序，其中，所述计算机程序使得计算机执行如权利要求1-7任一项所述的方法。

百度查询： 平安科技(深圳)有限公司 基于人工智能的医保违规行为检测方法及相关装置