疾病诊断相关分组（Diagnosis Related Groups,DRG）是一种利用疾病诊断及其他主要疾病个体特征（性别、年龄、体重、合并症、并发症等）,将医疗过程相似,资源消耗相近的病例分入同一组的病例组合方法。针对进入同一DRG分组的病例,开展治疗方案、费用及质量等方面的分析评价研究,并据此制定相对应的科学合理的治疗方案、医疗保险费用补偿标准及医疗质量考核指标等,对医疗行为、医保政策、卫生政策实施管理。既能起到引导主动合理控制医疗行为,防止医疗过度或不足,提高医疗质量;又能降低医疗费用,促进医疗资源合理配置的作用。最终实现医、保、患三方共同获益,各方平衡、可持续发展的国家大健康战略。因此,目前DRG已广泛应用于医疗保险、医院绩效考核、临床专科评价、临床路径评价与制定等领域。而一套优质的DRG医保支付分组方案,能够实现组内病例费用变异较小、组间差异明显,使得以此制定的医保支付标准更符合医疗实际情况,避免产生过度补偿引导过度医疗,或补偿不足引发的医疗不足或选择性收治情况。从而起到保证患者医疗需求前提下,正确引导合理控制费用的作用。而当前在DRG分组方案中,最具挑战的部分在于疾病个体特征的表达及对费用影响程度分析,一是疾病个体特征涵盖面广,蕴含在各类多源医疗数据中,二是个体特征与费用的关系复杂。既往DRG分组方案及相关多源医疗数据分析技术,主要基于专家经验,并结合统计分析、机器学习方法,在数据表征、因素关联分析、数据管理、业务实践等方面均存在不足,需要结合更加全面、智能的技术方法加以改进。当前,随着多源医疗数据的涌现和积累,充分利用其蕴含的高价值信息,结合大数据、人工智能新方法,能够有效促进DRG支付分组方案优化及业务实施,已成为医疗费用保障等领域的重要发展方向。论文针对医疗费用控制及医疗资源优化的现实需求和焦点问题,基于多源医疗数据深入开展了DRG分析方法及应用研究。主要研究内容包括:1.基于多任务学习的费用区间预测方法。准确的费用区间预测是形成合理DRG分组方案及支付标准制定的重要前提,影响医疗费用及医疗资源利用的整体效果。为此,本文提出了一种基于多任务深度学习模型的费用区间预测模型。该模型综合疾病类型、病理特征、患者客观属性等多源数据,结合逻辑回归等数据预处理技术,联合表征数据特征。而后通过多任务学习策略,利用不同费用构成关联关系,联合预测病例不同费用子项及总费用取值区间,从而实现费用区间综合预测。实验表明模型能够显著提升费用预测精度。2.基于多费用联合分析的DRG支付分组方案。构建合理、优质的DRG分组方案,组内医疗预测费用差异越小,医保费用支付标准越客观合理,避免补偿过度或不足带来的不利影响。同时也是实现临床路径评估、医疗质量评价等任务的重要前提。而疾病特征是影响费用差异的主要因素,也是DRG分组的难点。为此,本文提出基于多费用联合分析的DRG分组方案。该方法考虑多源医疗数据中疾病个体特征信息的分组关联因素,并基于多种费用组成,实现综合、全面的分组方案构建。提出一种GBDT集成策略,分别评估多因素同不同费用子项、总费用,以及各费用项之间的关联关系,基于多因素加权权重,生成DRG分组方案。并进一步融入数据深层特征,提升分组准确性。实验结果表明分组结果能够获得更小的组内费用变异。3.面向DRG的多源医疗数据平台设计与实现。多源医疗数据管理是DRG应用的重要基础,直接影响到DRG业务实施效率与可行性。为此,本文提出了面向DRG分组的多源医疗大数据平台设计及研发实现。依据数据处理、数据分析、业务分析等维度,以全面支撑DRG应用为目标,提出了系统设计方案,并通过编码开发,研发多源医疗大数据平台,集成所设计的费用预测模型、DRG分组框架等方法,围绕典型医疗费用管理应用进行了功能实现展示,验证了系统可行性。4.基于多源医疗数据的DRG应用。基于上述方法与平台,本文进一步提出了基于多源医疗数据的DRG应用实践方案,涵盖了DRG分组体系、费用管理、临床路径评价、核心资源配置优化和成本效率评价等业务环节,分别阐述其主要目标、实践方案、及实践效果。以胃癌临床路径评价分析为案例进行了深入解析,分析了DRG实践的具体过程及结果。