论文部分内容阅读
摘 要：如今，我国正在加大医疗改革的力度，并在全国范围内普及医疗保险制度，出台了一系列医疗保险相关的政策，给医院带来机遇的同时也带来了新的挑战。在激烈的社会竞争下，医院要想提高自身的社会竞争力就必须引进先进的数据清理关键技术，提高医院数据的利用率，提取出有价值的信息，为医疗管理提供数据支持，推动医院的快速发展。
关键词：数据清理关键技术 医疗保险管理系统 应用
目前，我国医疗保险的保障范围在不断扩大，为了保障群众的正当权益，医院必须对医疗保险信息进行严格把关审核。但是，医疗保险数据种类和数量都比较大，传统的数据处理系统已经无法满足数据处理需求。在新形势下，数据清理关键技术被广泛应用于医疗保险管理系统中，提高了数据的利用率。
一、数据清理关键技术
1.数据清理关键技术的概念。从1960年开始，数据库的功能就在不断增强，随后发展成为数据库系统，数据库的功能有以下几个：一是查询语言，二是用户界面，三是优化查询处理，四是事物管理。随着社会的快速发展，计算机技术也得到迅猛发展，解决了数据储存问题。大量的数据信息如果单一依靠人的力量是无法实现数据分析的，而且数据会积累越多，这就会导致重要数据的丢失和遗漏，在这样的情况下数据清理关键技術产生了。数据源中主要包括以下数据：一是结构化数据，二是半结构化数据，三是非结构化数据。数据清理关键技术可以从大量的数据中清理掉没有价值的信息，进而筛选出有价值的信息。
2.数据清理关键技术的特点。数据清理关键技术所处理的数据信息和规模非常大。传统的数据清理技术只具备数据的查询和维护功能，而数据清理关键技术还具备数据挖掘功能，能够发现数据的潜在规律，挖掘出重要数据。数据清理关键技术可以及时对数据的变化作出反应，并自动作出调整，不定期更新数据结果，提高数据的利用率。
3.数据清理关键技术的应用过程。数据清理是一个比较复杂的过程，每个步骤都是相互管理的，缺一不可。在应用数据清理关键技术时，必须对用户的业务流程进行分析研究，了解用户的实际需求，切实帮助用户遇到的实际问题，为数据清理做准备。技术人员还需要对大量的数据进行分类，确定数据的类型，明确数据的特点。技术人员在筛选数据的过程中，由于数据数量非常多，而且数据库中还会掺杂一些冗余的数据，无法直接对数据进行分析，这就要求技术人员必须应用数据清理关键技术，去除掉多余的数据，提高数据挖掘的效率和质量。在开展数据挖掘工作之前必须做好准备工作。建立模型也是数据清理的关键环节，技术人员需要结合用户的实际情况来建立模型，而且要合理选择数据算法来确定模型的维度。建立数据模型可以利用历史数据对现有数据挖掘和清理作出参考预测。当然，数据模型的建立是一个复杂的过程，需要反复的过程，而且每个用户的实际情况不同，就需要建立不同的数据模型。目前，比较常用的数据模型有以下几种：一是预测性模型，二是描述性模型。其中，描述性模式实际上就是对数据库中数据的特征进行描述。预测性模型实际上就是对数据库现有的模型进行推断。预测性模型更加注重对未来的预测，而不是用来解决数据库现存的问题。预测性模型建立技术包括：一是关联性分析，二是数据分类，三是聚类分析，四是孤立点分析。关联分析可以确定数据库中关联数据的规则，这些规则具有一定的属性，关联性分析的根本目的是对数据库内的数据进行分类处理。
二、数据清理关键技术在医疗保险管理系统中的应用
1.数据准备。要想发挥出医疗保险管理系统的作用就必须应用数据清理关键技术，从医疗保险管理系统中把数据清理出来，按照需求建立数据模型，在通过数据模型来分析数据的主题，为医疗管理作出决策提供中重要依据。要想保证医疗保费定额的准确定就需要保证数据模型的精准度，在建立数据模型时会从不同的数据库中提取数据，但是数据提取质量受到多种因素的影响，如果在建立模型之前技术人员不对数据进行专业处理，就会导致数据错误的出现，影响数据模型建立的进度，进而影响数据挖掘的效率。数据准备包括以下环节：一是数据集成，二是数据清洗。数据集成是发挥医疗保险管理系统功能的关键，数据集成的本质实际上就是把医疗保险管理系统中原有的数据进行统计，并把数据导出制作成表格，这也是数据清理的前提和基础。对于数据表格中异常的数据需要转换，形成统一的格式。
2.建立模型。数据模型的构建必须建立在数据分析的基础之上，对已有业务数据进行分类处理，根据实际需求把关联的信息整合在一起，整理成模型文件，这也是数据挖掘的关键环节。当然，根据数据的类型可以划分成多个模型文件。数据模型的构建需要按照以下步骤进行：一是选择数据源，二是确定模型维度，三是确定摘要和重要信息，四是构建数据模型关联图，五是构建数据模型。
3.模型展示。模型展示实际上就是对模型内部数据进行查看和研究分析，对于模型内的数据需要采用分层分析的方法，并对模型的维度进行钻取，选取出模型中的一部分进行分析研究，而并非是整个模型。
4.功能评价。相比于传统的医疗保险办理流程，数据清理关键技术的应用可以自动生成医疗保险定额指标，减轻了医疗保险工作人员的工作量和工作压力，工作人员不需要再重复计算保额，提高了医疗保险反馈的效率。相关人员可以通过钻取数据模型来查找所需要的数据。采用数据关联计算方法可以从多角度分析数据，可以了解不同年龄段病人的住院费用情况，并对特定的病人给予特殊的关注度，在保证病人治疗效果的同时可以对病人的医疗保险费用进行监测，配合医院的相关管理办法，提高医院的办事效率。在医疗保险管理系统中应用数据清理关键技术对于技术人员的专业水平和综合素质提出了较高的要求，技术人员必须不断参加专业化培训，并不断学习，丰富自身的知识储备，提高自身接受新事物和新技能的能力，进而提高自身的专业水平和综合素质，提高数据清理关键技术的应用水平。数据清理关键技术的种类比较多，技术人员必须结合医疗保险管理系统的特点来选择数据清理关键技术，真正发挥出数据清理关键技术的作用，提高数据的利用率。
三、结语
如今，人们对医疗保险管理问题的关注度不断提高，而数据清理关键技术的应用可以提高医疗保险管理效率和水平。当然，在应用数据清理关键技术之前，技术人员必须对医疗保险管理系统内部原有的信息进行整理，分类，并结合实际情况建立数据模型，通过对数据模型的钻取来提取出有价值的信息，为医疗保险管理决策提供重要依据和支持。数据清理关键技术在医疗保险管理系统内的应用可以实现数据的自动生成，提高数据的利用率，提高了医疗保险管理人员的工作效率，节省大量人力和物力，在保证病人治疗效果的同时为病人提供治疗费用。在应用数据清理关键技术之前，技术人员必须结合医疗保险管理系统的特点和实际情况制定应用方案。数据清理关键技术在医疗保险管理系统中的应用对于技术人员的专业性提出了较高的要求，技术人员必须增强责任心，明确数据清理关键技术应用的目的，全方位考虑，提高数据清理关键技术应用水平，完善医疗保险管理系统，为人们的医疗提供保障，解决群众看病难的问题。
参考文献：
[1]蔡钟杰.数据清理关键技术在医疗保险管理系统的应用研究[D].兰州交通大学，2014.
[2]冯永，吴开贵，熊忠阳，吴中福.面向商业OLAP的并行数据抽取接口设计[J].重庆大学学报（自然科学版），2004，（12）：116-119+123.[2017-09-05].
关键词：数据清理关键技术 医疗保险管理系统 应用
目前，我国医疗保险的保障范围在不断扩大，为了保障群众的正当权益，医院必须对医疗保险信息进行严格把关审核。但是，医疗保险数据种类和数量都比较大，传统的数据处理系统已经无法满足数据处理需求。在新形势下，数据清理关键技术被广泛应用于医疗保险管理系统中，提高了数据的利用率。
一、数据清理关键技术
1.数据清理关键技术的概念。从1960年开始，数据库的功能就在不断增强，随后发展成为数据库系统，数据库的功能有以下几个：一是查询语言，二是用户界面，三是优化查询处理，四是事物管理。随着社会的快速发展，计算机技术也得到迅猛发展，解决了数据储存问题。大量的数据信息如果单一依靠人的力量是无法实现数据分析的，而且数据会积累越多，这就会导致重要数据的丢失和遗漏，在这样的情况下数据清理关键技術产生了。数据源中主要包括以下数据：一是结构化数据，二是半结构化数据，三是非结构化数据。数据清理关键技术可以从大量的数据中清理掉没有价值的信息，进而筛选出有价值的信息。
2.数据清理关键技术的特点。数据清理关键技术所处理的数据信息和规模非常大。传统的数据清理技术只具备数据的查询和维护功能，而数据清理关键技术还具备数据挖掘功能，能够发现数据的潜在规律，挖掘出重要数据。数据清理关键技术可以及时对数据的变化作出反应，并自动作出调整，不定期更新数据结果，提高数据的利用率。
3.数据清理关键技术的应用过程。数据清理是一个比较复杂的过程，每个步骤都是相互管理的，缺一不可。在应用数据清理关键技术时，必须对用户的业务流程进行分析研究，了解用户的实际需求，切实帮助用户遇到的实际问题，为数据清理做准备。技术人员还需要对大量的数据进行分类，确定数据的类型，明确数据的特点。技术人员在筛选数据的过程中，由于数据数量非常多，而且数据库中还会掺杂一些冗余的数据，无法直接对数据进行分析，这就要求技术人员必须应用数据清理关键技术，去除掉多余的数据，提高数据挖掘的效率和质量。在开展数据挖掘工作之前必须做好准备工作。建立模型也是数据清理的关键环节，技术人员需要结合用户的实际情况来建立模型，而且要合理选择数据算法来确定模型的维度。建立数据模型可以利用历史数据对现有数据挖掘和清理作出参考预测。当然，数据模型的建立是一个复杂的过程，需要反复的过程，而且每个用户的实际情况不同，就需要建立不同的数据模型。目前，比较常用的数据模型有以下几种：一是预测性模型，二是描述性模型。其中，描述性模式实际上就是对数据库中数据的特征进行描述。预测性模型实际上就是对数据库现有的模型进行推断。预测性模型更加注重对未来的预测，而不是用来解决数据库现存的问题。预测性模型建立技术包括：一是关联性分析，二是数据分类，三是聚类分析，四是孤立点分析。关联分析可以确定数据库中关联数据的规则，这些规则具有一定的属性，关联性分析的根本目的是对数据库内的数据进行分类处理。
二、数据清理关键技术在医疗保险管理系统中的应用
1.数据准备。要想发挥出医疗保险管理系统的作用就必须应用数据清理关键技术，从医疗保险管理系统中把数据清理出来，按照需求建立数据模型，在通过数据模型来分析数据的主题，为医疗管理作出决策提供中重要依据。要想保证医疗保费定额的准确定就需要保证数据模型的精准度，在建立数据模型时会从不同的数据库中提取数据，但是数据提取质量受到多种因素的影响，如果在建立模型之前技术人员不对数据进行专业处理，就会导致数据错误的出现，影响数据模型建立的进度，进而影响数据挖掘的效率。数据准备包括以下环节：一是数据集成，二是数据清洗。数据集成是发挥医疗保险管理系统功能的关键，数据集成的本质实际上就是把医疗保险管理系统中原有的数据进行统计，并把数据导出制作成表格，这也是数据清理的前提和基础。对于数据表格中异常的数据需要转换，形成统一的格式。
2.建立模型。数据模型的构建必须建立在数据分析的基础之上，对已有业务数据进行分类处理，根据实际需求把关联的信息整合在一起，整理成模型文件，这也是数据挖掘的关键环节。当然，根据数据的类型可以划分成多个模型文件。数据模型的构建需要按照以下步骤进行：一是选择数据源，二是确定模型维度，三是确定摘要和重要信息，四是构建数据模型关联图，五是构建数据模型。
3.模型展示。模型展示实际上就是对模型内部数据进行查看和研究分析，对于模型内的数据需要采用分层分析的方法，并对模型的维度进行钻取，选取出模型中的一部分进行分析研究，而并非是整个模型。
4.功能评价。相比于传统的医疗保险办理流程，数据清理关键技术的应用可以自动生成医疗保险定额指标，减轻了医疗保险工作人员的工作量和工作压力，工作人员不需要再重复计算保额，提高了医疗保险反馈的效率。相关人员可以通过钻取数据模型来查找所需要的数据。采用数据关联计算方法可以从多角度分析数据，可以了解不同年龄段病人的住院费用情况，并对特定的病人给予特殊的关注度，在保证病人治疗效果的同时可以对病人的医疗保险费用进行监测，配合医院的相关管理办法，提高医院的办事效率。在医疗保险管理系统中应用数据清理关键技术对于技术人员的专业水平和综合素质提出了较高的要求，技术人员必须不断参加专业化培训，并不断学习，丰富自身的知识储备，提高自身接受新事物和新技能的能力，进而提高自身的专业水平和综合素质，提高数据清理关键技术的应用水平。数据清理关键技术的种类比较多，技术人员必须结合医疗保险管理系统的特点来选择数据清理关键技术，真正发挥出数据清理关键技术的作用，提高数据的利用率。
三、结语
如今，人们对医疗保险管理问题的关注度不断提高，而数据清理关键技术的应用可以提高医疗保险管理效率和水平。当然，在应用数据清理关键技术之前，技术人员必须对医疗保险管理系统内部原有的信息进行整理，分类，并结合实际情况建立数据模型，通过对数据模型的钻取来提取出有价值的信息，为医疗保险管理决策提供重要依据和支持。数据清理关键技术在医疗保险管理系统内的应用可以实现数据的自动生成，提高数据的利用率，提高了医疗保险管理人员的工作效率，节省大量人力和物力，在保证病人治疗效果的同时为病人提供治疗费用。在应用数据清理关键技术之前，技术人员必须结合医疗保险管理系统的特点和实际情况制定应用方案。数据清理关键技术在医疗保险管理系统中的应用对于技术人员的专业性提出了较高的要求，技术人员必须增强责任心，明确数据清理关键技术应用的目的，全方位考虑，提高数据清理关键技术应用水平，完善医疗保险管理系统，为人们的医疗提供保障，解决群众看病难的问题。
参考文献：
[1]蔡钟杰.数据清理关键技术在医疗保险管理系统的应用研究[D].兰州交通大学，2014.
[2]冯永，吴开贵，熊忠阳，吴中福.面向商业OLAP的并行数据抽取接口设计[J].重庆大学学报（自然科学版），2004，（12）：116-119+123.[2017-09-05].