CN108921710A - 医保异常检测的方法及*** - Google Patents

Abstract

本发明公开了一种医保异常检测的方法及***，涉及信息技术领域，该医保异常检测的方法及***通过对医保数据进行处理后，利用机器学习xgboost分类算法对其进行建模，并构建规则数据库，在此基础上搭建医保异常检测***，能够高效准确的对医保费用数据中异常和违规行为进行甄别并有效预测基金趋势。大大缩小了医保审核人员的工作量，并提高了审核的准确度。

Description

医保异常检测的方法及***

技术领域

本发明涉及信息技术领域，具体来说，本发明涉及一种医保异常检测的方法及***。

背景技术

近年来，中国的医疗保险制度在不断的发展，在覆盖深度和广度上都有了很大的提高，它涵盖了与人们生活息息相关的养老、医疗、失业、生育等诸多领域。随着我国医疗保险制度的不断发展，覆盖的人数也在不断增长，医保欺诈行为正在呈现愈演愈烈之势。医疗保险欺诈是指通过虚构或夸大医疗行为等方法违反医疗保险管理的相关政策和法律法规，非法获得相应医保待遇或医保基金的行为。

由于欺诈的形式多样，而且操作隐秘，加上中国缺少反欺诈的相关经验，所以现阶段医保反欺诈工作面临着很大的挑战。目前对医保欺诈行为的查处，还主要是依靠工作人员对海量单据进行抽检，再根据自身的经验进行判断。这样做不仅工作量巨大、效率低，而且不能保证欺诈行为的正确发现。另一方面中国的医院信息化***积累了大量病人的就诊记录，然而其中的信息并没有得到充分的利用。

医疗保险的审核工作既与参保人的利益紧密相关，同时也与医保基金的合理支出和承受能力密切相关。而现阶段的医保费用控制工作，一般采用较为粗放的审核方式。一是制定一次诊断或某些项目、检查的费用上限，或是增加自负比例，以避免医保基金的浪费；二是通过抽查，或接到举报后到现场进行检查核实，如定期到医院稽查住院患者是否存在未在医院的情况、药店是否存在售卖非药品物品的情况；三是在信息***中进行简单的统计、查询、筛选和分析。医保审核人员需要对病人费用清单上的多项内容进行检查，如：患者的医保卡是否到期；患者的入院和出院日期是否正确有效；给患者开具的药品的用量与种类是否符合规范；治疗项目和病种是否在医保诊疗目录库范围内；医用材料是不是可报销项目，如一些进口材料是不可报销的；药店消费是否有非药品消费信息；诊断与性别、年龄等是否相符等等。医保审核的工作量巨大同时，医保审核又是一项专业性极强的工作，对没有专业知识的人员，要正确的对单据进行审核是十分困难的，而医保审核工作人员素质参差不齐，对医保审核的正确性和全面性也不能够保证。目前，也有某些地市开始对医保审核工作进行改革，但总体上看，各地开发的***都以统计或是结算为主，或仅仅是在历史数据的基础上进行预测和跟踪，费用监控不是其主要目的，缺乏智能的，可以对医保异常进行高效的审核的***。

发明内容

本发明所要解决的技术问题是提供一种医保异常检测的方法及***，通过采用热粘合技术制造隐形袜，以解决现有的隐形袜制造工艺复杂，穿着不舒适，弹性差，使用寿命短的缺陷。

为实现上述目的，本发明提供以下的技术方案：

该医保异常检测的方法及***包括如下步骤：

(1)构建医保检测数据中心；

(2)特征工程提取数据特征：定时对采集的医保数据进行数据分析处理，提取目标特征；

所述目标特征提取步骤包括以下子步骤：

数据预处理：对结构化的医保数据进行重复数据的清洗、完整性检查、数据有效性、一致性验证；

目标特征提取：利用标准化，归一化，特征的离散化方法转化数据，使之成为有效的特征；

目标特征存储：将获取到的目标特征存储至缓存器中；

(3)利用经过处理的样本数据训练Xgboost分类模型；

(4)通过测试集测试分类器的分类性能，不断调整参数优化模型；

(5)上传新的医保数据，通过同样的数据处理步骤后，利用训练好的xgboost模型进行检测，输出预测结果；

(6)自定义指标，并对每个指标设置一个阈值，当样本中对应指标的值超过阈值则提供报警提示，尤其可以针对一些重点关注的指标进行针对性的设置监控，具体如次均费用，药占比，医疗人员待遇,医院清算资金情况,个人结算基金使用情况,医院定额使用比例等；

(7)利用ARIMA算法对基金趋势进行预测，根据预测效果动态切换预测算法，通过提前对基金消耗趋势了解，让决策部门更早的发现基金运行中潜在的问题，并及时调整政策进行处理。

优选的，所述数据中心包括以下几个数据库：

1、基础数据库：基础数据库通过标准数据输入接口收集***所需各机构原始医保数据，主要由定点医疗机构门诊费用结算数据与住院费用结算数据、定点零售药店个人帐户费用报销数据构成；

2、规则库：规则库包含从医保审核人员“经验”和政策规定中提取出的审核规则，根据医学要求、药品、检查项目的使用限制，对医保费用明细进行自动审核。

优选的，所述所述规则库具体包含：

合理用药库：包含例如儿童用药、药物相互作用、药物用量等规则；

诊疗规范库：包含例如住院间隔异常、门诊频繁取药异常、诊疗限定性别、出院带药超量等规则；

医保政策规则库：包含例如限定就医方式、限定适应症、限定医院类型等规则。

采用以上技术方案的有益效果是：该医保异常检测的方法及***通过对医保数据进行处理后，利用机器学习xgboost分类算法对其进行建模，并构建规则数据库，在此基础上搭建医保异常检测***，能够高效准确的对医保费用数据中异常和违规行为进行甄别并有效预测基金趋势。大大缩小了医保审核人员的工作量，并提高了审核的准确度。

附图说明

下面结合附图对本发明的具体实施方式作进一步详细的描述。

图1是数据清洗算法流程图；

图2是医保审核***架构图。

具体实施方式

下面结合附图详细说明本发明医保异常检测的方法及***的优选实施方式。

图1和图2出示本发明医保异常检测的方法及***的具体实施方式：

GBDT(Gradient Boosting Decision Tree)算法是Boosting方法的扩展，是一个迭代累加的决策算法，每次迭代的过程，就是减少残差的过程。GBDT的核心是每棵树学习之前所有树的结论和残差，使得后面的树是在残差减小的方向建立的。对于回归问题，如果目标是均方误差，那么就是基于残差的学习，在分类问题上，往往基于损失函数在函数空间的负梯度学习，也可以理解成基于残差的学习。具体的流程如下：

(1)初始化模型为常数

(2)迭代生成M个分类器

1.计算残差：将损失函数的负梯度在当前模型的值，作为残差的估计；

2.基于生成基分类器h_m(x)

3.计算最优γ_m

4.更新模型F_m(x)＝F_m-1(x)+γ_mh_m(x)

(3)输出最后的GBDT分类器F_M(x)

GBDT算法优点是Boosting方法有效提升了分类的准确度，而且不需要复杂的特征工程和特征变换，由于使用了非线性变化，使得其有很强的表达能力。但是也有自己的缺点，就是计算的迭代过程是串行进行，计算耗时较长。Xgboost(eXtreme GradientBoosting)算法是在GBDT算法上的优化，最早由Tianqi Chen于2015年提出，是GBDT算法的高效实现。和GBDT最大的区别是，GBDT只是用了损失函数的一阶导数计算残差，而xgboost不仅使用了一阶导数，而且使用了损失函数的二阶导数，所以xgboost算法要求损失函数可以二阶求导。

如图2所示，该医保异常检测的方法及***包括如下步骤：

(1)构建医保检测数据中心；

数据中心包括以下几个数据库：

1、基础数据库：基础数据库通过标准数据输入接口收集***所需各机构原始医保数据，主要由定点医疗机构门诊费用结算数据与住院费用结算数据、定点零售药店个人帐户费用报销数据构成；

2、规则库：规则库包含从医保审核人员“经验”和政策规定中提取出的审核规则，根据医学要求、药品、检查项目的使用限制，对医保费用明细进行自动审核。

规则库具体包含：

合理用药库：包含例如儿童用药、药物相互作用、药物用量等规则；

诊疗规范库：包含例如住院间隔异常、门诊频繁取药异常、诊疗限定性别、出院带药超量等规则；

医保政策规则库：包含例如限定就医方式、限定适应症、限定医院类型等规则。

(2)特征工程提取数据特征：定时对采集的医保数据进行数据分析处理，提取目标特征；

所述目标特征提取步骤包括以下子步骤：

数据预处理：对结构化的医保数据进行重复数据的清洗、完整性检查、数据有效性、一致性验证，具体流程如图1所示；

目标特征提取：利用标准化，归一化，特征的离散化方法转化数据，使之成为有效的特征；

目标特征存储：将获取到的目标特征存储至缓存器中；

(3)利用经过处理的样本数据训练Xgboost分类模型；

(4)通过测试集测试分类器的分类性能，不断调整参数优化模型；

(5)上传新的医保数据，通过同样的数据处理步骤后，利用训练好的xgboost模型进行检测，输出预测结果；

(6)自定义指标，并对每个指标设置一个阈值，当样本中对应指标的值超过阈值则提供报警提示，尤其可以针对一些重点关注的指标进行针对性的设置监控，具体如次均费用，药占比，医疗人员待遇,医院清算资金情况,个人结算基金使用情况,医院定额使用比例等；

(7)利用ARIMA算法对基金趋势进行预测，根据预测效果动态切换预测算法，通过提前对基金消耗趋势了解，让决策部门更早的发现基金运行中潜在的问题，并及时调整政策进行处理。

以上的仅是本发明的优选实施方式，应当指出，对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (3)

1.一种医保异常检测的方法及***，其特征在于：所述医保异常检测的方法及***包括如下步骤：

(1)构建医保检测数据中心；

(2)特征工程提取数据特征：定时对采集的医保数据进行数据分析处理，提取目标特征；

所述目标特征提取步骤包括以下子步骤：

数据预处理：对结构化的医保数据进行重复数据的清洗、完整性检查、数据有效性、一致性验证；

目标特征提取：利用标准化，归一化，特征的离散化方法转化数据，使之成为有效的特征；

目标特征存储：将获取到的目标特征存储至缓存器中；

(3)利用经过处理的样本数据训练Xgboost分类模型；

(4)通过测试集测试分类器的分类性能，不断调整参数优化模型；

(5)上传新的医保数据，通过同样的数据处理步骤后，利用训练好的xgboost模型进行检测，输出预测结果；

(6)自定义指标，并对每个指标设置一个阈值，当样本中对应指标的值超过阈值则提供报警提示，尤其可以针对一些重点关注的指标进行针对性的设置监控，具体如次均费用，药占比，医疗人员待遇,医院清算资金情况,个人结算基金使用情况,医院定额使用比例等；

(7)利用ARIMA算法对基金趋势进行预测，根据预测效果动态切换预测算法，通过提前对基金消耗趋势了解，让决策部门更早的发现基金运行中潜在的问题，并及时调整政策进行处理。

2.根据权利要求1所述的医保异常检测的方法及***，其特征在于：所述数据中心包括以下几个数据库：

1、基础数据库：基础数据库通过标准数据输入接口收集***所需各机构原始医保数据，主要由定点医疗机构门诊费用结算数据与住院费用结算数据、定点零售药店个人帐户费用报销数据构成；

2、规则库：规则库包含从医保审核人员“经验”和政策规定中提取出的审核规则，根据医学要求、药品、检查项目的使用限制，对医保费用明细进行自动审核。

3.根据权利要求1所述的医保异常检测的方法及***，其特征在于：所述规则库具体包含：

合理用药库：包含例如儿童用药、药物相互作用、药物用量等规则；

诊疗规范库：包含例如住院间隔异常、门诊频繁取药异常、诊疗限定性别、出院带药超量等规则；

医保政策规则库：包含例如限定就医方式、限定适应症、限定医院类型等规则。