智能引擎

内置丰富的模型库和自然语言匹配算法，针对不同数据质量自适应匹配，能有效解决数据样本偏差、不足、和疾病名码缺失的问题；同时内置了疾病知识库，可提供关于疾病的预防建议、病因等基础知识。

准确率高

达到传统统计学群体高发预测法的2.2倍。

应用场景适配强

可根据不同应用场景（如重疾核保、在线页面）输出不同字段。

疾病覆盖广

不同于传统单病种预测，Fra+疾病预测技术能够覆盖多达6000种细分疾病，且能根据不同业务场景的需要，对疾病划分的颗粒度进行动态调整。

产品简介

国内外的医疗组织、保险公司和健康管理机构存有大量人群的历史疾病信息，尤其是疾病诊断记录。这些数据在多个场景下具有极高的应用价值，但是往往这些数据具有时序发生的序列，且缺乏统一、标准化的记录规范，在数据清洗、数据建模和数据应用上具有较大的困难。

为了解决这些问题，华院计算分维产品中心借助Smale研究院的学界权威，联合数学和医疗信息领域的专家团队，开发了Fra+疾病预测技术，构建了医疗病例数据清洗和建模的自动化、标准化流程。这一技术帮助保险公司挖掘病例数据的潜在价值，在核保、核赔、健康管理和团险增值服务等业务应用场景上，帮助保险公司在销售端和业务端开源节流，创造价值。

目前，Fra+疾病预测技术基于国际权威疾病分类标准，覆盖了400余种大类疾病，6000余种细分疾病，并对自有数据进行了本土化适配，使得模型涵盖数据规模超过5000万条、近1000万人，模型预测准确率达到传统统计学群体高发预测法的2.2倍。随着业务推进，模型持续迭代，预测准确率稳步上升。此外，Fra+疾病预测技术也可根据保险公司的合规性进行离线部署和离线数据训练，保护企业数据安全。

Smale研究院的顶级专家研发Prof. Michael Shub毕业于UC Berkley，曾供职于IBM Watson，Dr. Indika Rajapakse 供职于密歇根大学医学院，从事医疗与生物信息学基础研究。