CN108305176A - 一种基于反馈式机器学习的最优化医疗保险智能审核系统 - Google Patents
一种基于反馈式机器学习的最优化医疗保险智能审核系统 Download PDFInfo
- Publication number
- CN108305176A CN108305176A CN201810012376.2A CN201810012376A CN108305176A CN 108305176 A CN108305176 A CN 108305176A CN 201810012376 A CN201810012376 A CN 201810012376A CN 108305176 A CN108305176 A CN 108305176A
- Authority
- CN
- China
- Prior art keywords
- module
- risk
- medical
- check
- checks
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Educational Administration (AREA)
- Technology Law (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于反馈式机器学习的最优化医疗保险智能审核系统,其特征在于,包括输入设备、计算设备及输出设备,系统可以自动生产可供稽核人员使用的报告,并将报告显示在稽核人员方便携带的智能手机或平板电脑中,方便稽核人员实地稽核过程中直接记录稽核过程和结果,进行无纸化作业。在条件不允许的情况下,系统也可以将报告打印,稽核人员携带纸质报告稽核,稽核完成后将结果录入系统。
Description
技术领域
本发明涉及医疗审核系统,具体为一种基于反馈式机器学习的最优化医疗保险智能审核系统。
背景技术
随着人工智能技术的发展和我国医院和医保信息化建设的加强,基于机器学习模型的医保智能审核系统越来越多的运用在了医保反欺诈的过程中。在学术界,人们关注的重点是如何设计新的算法以及如何提高算法的计算性能等方面,还没有人尝试将稽核人员实地调查案件的难度考虑进系统,在提高系统风控准确性的同时也优化稽核人员的工作效率。因此对现在流行的机器学习方法做出改进,增加了模型自动更新模块和稽核优化模块,以满足审核系统在医保稽核工作中的实际需求。
发明内容
本发明的目的在于针对上述问题,克服现有技术不足,公开了一种基于反馈式机器学习的最优化医疗保险智能审核系统,本系统使用基于人工神经网络的风控模型,该模型的好处是可以模拟既可以支持批量更新,也可以支持实时更新,与其他模型(比如支持向量机、逻辑斯蒂回归、朴素贝叶斯等)相比,改模型不需要每次全量数据重新训练,因此该模型可以很好的适应实时更新,为反馈式机器学习模型。目前可用于支持人工神经网络建模的平台很多,比如谷歌的Tensorflow,伯克利的Caffe平台等,这些平台提供丰富的建模方式,但需要用户提供模型参数。我们系统的模型参数保存于系统配置模块,有专门的机器学习工程师根据不同地区的社保政策与数据特点调整。
为实现上述目的,本发明采用以下技术方案:
一种基于反馈式机器学习的最优化医疗保险智能审核系统,包括输入设备、计算设备及输出设备;
所述计算设备包括数据质量检查模块、风险特征抽取模块、风险模型模块、风险模型更新模块、稽核优化模块及稽核报告生成模块;
所述数据质量检查清单检查结算数据的字段完整性,是否有缺失值,是否必要值为空,检查结算数据的正确性,是否有重复上传的单据或条目,检查结算数据的正确性,是否医院、项目、诊断的编码与名称匹配,检查结算金额的正确性,是否明细汇总求和与发票匹配;
所述风险特征抽取模块根据结算数据计算数以万计的风险特征,该模块会从验证后的数据中提取高纬度的风险特征,计算患者就诊前三个月内的就诊次数,就诊医院数量,疾病诊断数量等信息,供后续风险模型模块使用;
所述风险模型模块用于保存风控模型,并对每笔医保结算做出风险点和风险程度判断,该模块会将风险大于一定程度的结算信息传递给稽核优化模块;
所述风险模型更新模块负责风险模型模块中模型的更新,模型的更新方式有三种:(1)只要系统收集到稽核反馈即实时更新模型;(2)按固定周期更新模型,比如每小时、每天、每周等;(3)按稽核反馈的数量更新,比如没收到10个反馈更新一次模型,或没收到100个反馈更新一次模型;
所述稽核优化模块将风险模型的结果与稽核反馈信息结合,以稽核效率为目标,优化稽核人员的工作内容和顺序,保证每个稽核人员得到最适合自己的任务,优化结构将写入稽核报告生成模块;
所述稽核报告生成模块负责收集医保结算中的各种问题,并将其转化为方便稽核人员读取的格式,方便稽核人员进行实地稽核。
优选的,所述输入设备包括医保结算数据收集模块、稽核反馈收集模块稽系统配置模块;
所述医保结算数据收集模块:主要用于从医保核心系统中读取和同步结算数据,并将这些数据导入到我们的系统中,以便后续分析使用;
所述稽核反馈收集模块:用于收集稽核人员的实地调查后的反馈信息,包括每个案件的最终稽核结果、每个案件的处理时间等;
所述系统配置模块:用于对整个系统进行配置,比如设置风险模块更新类型,稽核报告模板,数据检测项目。
优选的,所述输出设备包括稽核指引报告显示模块,该模块负责将计算设备生成的报告展示给稽核人员,该模块可以根据不同设备(比如PC机显示、智能手机、平板电脑、打印机)做必要的格式优化,以便稽核人员阅读。
优选的,所述风险特征包括:同一患者,本次就诊前N天内就诊次数、就诊金额、就诊医院数、疾病诊断数量、药品总费用总和、治疗费用总和等;同一患者,本次就诊前N天内被确认欺诈的次数,使用高风险药品的次数,使用高风险药品的金额,使用高风险诊疗项目的次数,使用高风险诊疗项目的金额;与患者相同疾病的其他人,在本次就诊前N天内就诊次数、就诊金额、就诊医院数、疾病诊断数量、药品总费用总和、治疗费用总和。
本发明的有益效果为:
从2014年开始,医保开始对费用进行控制,先后出台多项文件,在全国多地推行智能审核系统,经过3年多的使用和实践,传统的审核系统暴露出如下几点问题:
1.传统的智能审核系统大多基于人为给定的风险规则,属于先验知识。随着时间的推移,欺诈人群尤其是“药贩子”可以充分掌握规则设置逻辑,通过多种手段规避规则;
2.也有部分系统基于预先训练好的机器学习模型识别欺诈,但由于系统缺乏及时的反馈与自动化模型更新机制,也会面临与规则系统类似的问题,即职业欺诈群体容易掌握模型的评判规律,找到可以绕开审核系统的欺诈手法;
3.传统的智能审核系统大都强调规则的有效性,但忽略实地稽核人员的调查难度,系统常常提示出欺诈金额小且调查取证繁琐的案件,在调查人员数量不足的情况下,会造成医保基金的追回工作效率不高。
本发明应用反馈式机器学习和最优化方法创新医保风控之路,首先系统针对医保结算自动给出风险报告,稽核人员根据报告实地稽核,然后将结果反馈给系统,系统可以根据稽核人员的调查结果,实时的对模型进行无需人干预的自动更新,保证审核系统能够实时的学习到最新的欺诈方式与作案手法,在欺诈者总结出规律前就可以对模型做出更新,保证系统尽可能少的漏掉欺诈案件。其次系统会根据每个案件可能的调查难度,给不同稽核人员推荐不同的调查重点与顺序,同时兼顾案件的风险程度与调查难度,使稽核人员的工作效率达到最优。
1.系统可以根据反馈式的机器学习模型自动对医保结算进行分析,给出风险点提示与风险程度估计。系统可根据稽核人员的实地调查结果,及时进行无需人工干预的模型更新,从而保证系统不易被职业的医保欺诈人员找到规律;
2.系统可以记录稽核人员实地调查案件所需的时间和难道,再结合风险程度,避免稽核人员将时间花在调查难道大但风险金额较小的案件,从而优化整个稽核过程,提高稽核效率;
3.系统可以自动生产可供稽核人员使用的报告,并将报告显示在稽核人员方便携带的智能手机或平板电脑中,方便稽核人员实地稽核过程中直接记录稽核过程和结果,进行无纸化作业。在条件不允许的情况下,系统也可以将报告打印,稽核人员携带纸质报告稽核,稽核完成后将结果录入系统。
附图说明
图1是本发明的系统功能模块与总体框架图。
图2是本发明的计算设备流程图。
具体实施方式
下面结合附图对本发明作进一步的说明。
如图1、图2所示的一种基于反馈式机器学习的最优化医疗保险智能审核系统,其特征在于,包括输入设备、计算设备及输出设备,
输入设备:
医保结算数据收集模块:主要用于从医保核心系统中读取和同步结算数据,并将这些数据导入到我们的系统中,以便后续分析使用;
稽核反馈收集模块:用于收集稽核人员的实地调查后的反馈信息,包括每个案件的最终稽核结果、每个案件的处理时间等;
系统配置模块:用于对整个系统进行配置,比如设置风险模块更新类型,稽核报告模板,数据检测项目等。
计算设备:
数据质量检测模块:用于输入设备的数据质量,包括正确性和完整性等内容。比如检测医院名称与编码是否对应,就诊总金额是否与明细金额汇总后相等,是否药品或诊疗项目名称有缺失等。该模块会自动检测数据质量,并在检测后将通过检测的数据传输给后续模块,同时将不合格的数据希尔稽核报告生产模块;
风险特征抽取模块:该模块会从验证后的数据中提取高纬度的风险特征,计算患者就诊前三个月内的就诊次数,就诊医院数量,疾病诊断数量等信息,供后续风险模型模块使用;
风险模型模块:该模块用于保存风控模型,并对每笔医保结算做出风险点和风险程度判断,该模块会将风险大于一定程度的结算信息传递给稽核优化模块。
风险模型更新模块:该模块负责风险模型模块中模型的更新,模型的更新方式有三种:(1)只要系统收集到稽核反馈即实时更新模型;(2)按固定周期更新模型,比如每小时、每天、每周等;(3)按稽核反馈的数量更新,比如没收到10个反馈更新一次模型,或没收到100个反馈更新一次模型等;
稽核优化模块:该模块将风险模型的结果与稽核反馈信息结合,以稽核效率为目标,优化稽核人员的工作内容和顺序,保证每个稽核人员得到最适合自己的任务,优化结构将写入稽核报告生成模块;
稽核报告生成模块:该模块负责收集医保结算中的各种问题,并将其转化为方便稽核人员读取的格式,方便稽核人员进行实地稽核。
输出设备:
稽核指引报告显示模块:该模块负责将计算设备生成的报告展示给稽核人员,该模块可以根据不同设备(比如PC机显示、智能手机、平板电脑、打印机等)做必要的格式优化,以便稽核人员阅读。
计算设备是本系统的核心设备,该设备的工作流程图2所示,数据质量检查和风险特征抽取模块的任务清单如下:
数据质量检查清单:
检查结算数据的字段完整性,是否有缺失值,是否必要值为空;
检查结算数据的正确性,是否有重复上传的单据或条目;
检查结算数据的正确性,是否医院、项目、诊断的编码与名称匹配;
检查结算金额的正确性,是否明细汇总求和与发票匹配;
为了提高系统效率,以上各项检查可以并行进行,检查通过的数据直接传输给风险特征抽取模块,检查不通过的数据传输给报告生产模块。
风险特征清单(部分):
本系统会根据结算数据计算数以万计的风险特征,部分特征清单如下:
同一患者,本次就诊前N天内就诊次数、就诊金额、就诊医院数、疾病诊断数量、药品总费用总和、治疗费用总和等;
同一患者,本次就诊前N天内被确认欺诈的次数,使用高风险药品的次数,使用高风险药品的金额,使用高风险诊疗项目的次数,使用高风险诊疗项目的金额;
与患者相同疾病的其他人,在本次就诊前N天内就诊次数、就诊金额、就诊医院数、疾病诊断数量、药品总费用总和、治疗费用总和等;
风控模型与模型更新:
本系统使用基于人工神经网络的风控模型,该模型的好处是可以模拟既可以支持批量更新,也可以支持实时更新,与其他模型(比如支持向量机、逻辑斯蒂回归、朴素贝叶斯等)相比,改模型不需要每次全量数据重新训练,因此该模型可以很好的适应实时更新,为反馈式机器学习模型。目前可用于支持人工神经网络建模的平台很多,比如谷歌的Tensorflow,伯克利的Caffe平台等,这些平台提供丰富的建模方式,但需要用户提供模型参数。我们系统的模型参数保存于系统配置模块,有专门的机器学习工程师根据不同地区的社保政策与数据特点调整。
其中模型更新支持三种更新模式:
(1)只要系统收集到稽核反馈即实时更新模型;
(2)按固定周期更新模型,比如每小时、每天、每周等;
(3)按稽核反馈的数量更新,比如没收到10个反馈更新一次模型,或没收到
100个反馈更新一次模型等;
系统实施过程中可根据具体需求选择其中一种方式并配置相应参数。
稽核优化与报告生产:
稽核优化是本系统的核心创新点之一,该模块考虑如下因素:
(1)对于每个稽核人员,考虑其在不同地区,不同医院,稽核不同类型案件所花费的时间,该时间作为案件的处理难度指数参与计算;
(2)对于每个稽核人员,考虑其近期的任务量,保证其任务量不超过其最大工作负荷;
(3)对于每笔待调查案件,考虑其风险可能性和风险金额;
系统的优化目标为在保证稽核人员工作不超负荷的情况下,最大化可能最会的风险金额。该模可能会放弃风险金额虽大,但稽核时间过长的案件,因为稽核员可以花同样的时间,去稽核相对容易的案件,保证累计的案件金额更高。该模块的优化过程可以使用线性规划完成。
稽核报告生成模块会根据稽核优化结果,将报告发送给对应的稽核人员,报告中标注风险类型和风险金额。
上述实施例,只是本发明的较佳实施例,并非用来限制本发明实施范围,故凡以本发明权利要求所述内容所做的等效变化,均应包括在本发明权利要求范围之内。
Claims (4)
1.一种基于反馈式机器学习的最优化医疗保险智能审核系统,其特征在于,包括输入设备、计算设备及输出设备;
所述计算设备包括数据质量检查模块、风险特征抽取模块、风险模型模块、风险模型更新模块、稽核优化模块及稽核报告生成模块;
所述数据质量检查清单检查结算数据的字段完整性,是否有缺失值,是否必要值为空,检查结算数据的正确性,是否有重复上传的单据或条目,检查结算数据的正确性,是否医院、项目、诊断的编码与名称匹配,检查结算金额的正确性,是否明细汇总求和与发票匹配;
所述风险特征抽取模块根据结算数据计算数以万计的风险特征,该模块会从验证后的数据中提取高纬度的风险特征,计算患者就诊前三个月内的就诊次数,就诊医院数量,疾病诊断数量等信息,供后续风险模型模块使用;
所述风险模型模块用于保存风控模型,并对每笔医保结算做出风险点和风险程度判断,该模块会将风险大于一定程度的结算信息传递给稽核优化模块;
所述风险模型更新模块负责风险模型模块中模型的更新,模型的更新方式有三种:(1)只要系统收集到稽核反馈即实时更新模型;(2)按固定周期更新模型,比如每小时、每天、每周等;(3)按稽核反馈的数量更新,比如没收到10个反馈更新一次模型,或没收到100个反馈更新一次模型;
所述稽核优化模块将风险模型的结果与稽核反馈信息结合,以稽核效率为目标,优化稽核人员的工作内容和顺序,保证每个稽核人员得到最适合自己的任务,优化结构将写入稽核报告生成模块;
所述稽核报告生成模块负责收集医保结算中的各种问题,并将其转化为方便稽核人员读取的格式,方便稽核人员进行实地稽核。
2.根据权利要求1所述的一种基于反馈式机器学习的最优化医疗保险智能审核系统,其特征在于,所述输入设备包括医保结算数据收集模块、稽核反馈收集模块稽系统配置模块;所述医保结算数据收集模块:主要用于从医保核心系统中读取和同步结算数据,并将这些数据导入到我们的系统中,以便后续分析使用;
所述稽核反馈收集模块:用于收集稽核人员的实地调查后的反馈信息,包括每个案件的最终稽核结果、每个案件的处理时间等;
所述系统配置模块:用于对整个系统进行配置,比如设置风险模块更新类型,稽核报告模板,数据检测项目。
3.根据权利要求1所述的一种基于反馈式机器学习的最优化医疗保险智能审核系统,其特征在于,所述输出设备包括稽核指引报告显示模块,该模块负责将计算设备生成的报告展示给稽核人员,该模块可以根据不同设备(比如PC机显示、智能手机、平板电脑、打印机)做必要的格式优化,以便稽核人员阅读。
4.根据权利要求1所述的一种基于反馈式机器学习的最优化医疗保险智能审核系统,其特征在于,所述风险特征包括:同一患者,本次就诊前N天内就诊次数、就诊金额、就诊医院数、疾病诊断数量、药品总费用总和、治疗费用总和等;同一患者,本次就诊前N天内被确认欺诈的次数,使用高风险药品的次数,使用高风险药品的金额,使用高风险诊疗项目的次数,使用高风险诊疗项目的金额;与患者相同疾病的其他人,在本次就诊前N天内就诊次数、就诊金额、就诊医院数、疾病诊断数量、药品总费用总和、治疗费用总和。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810012376.2A CN108305176A (zh) | 2018-01-05 | 2018-01-05 | 一种基于反馈式机器学习的最优化医疗保险智能审核系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810012376.2A CN108305176A (zh) | 2018-01-05 | 2018-01-05 | 一种基于反馈式机器学习的最优化医疗保险智能审核系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108305176A true CN108305176A (zh) | 2018-07-20 |
Family
ID=62868628
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810012376.2A Pending CN108305176A (zh) | 2018-01-05 | 2018-01-05 | 一种基于反馈式机器学习的最优化医疗保险智能审核系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108305176A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523393A (zh) * | 2018-10-22 | 2019-03-26 | 平安医疗健康管理股份有限公司 | 一种审核服务的提供方法和装置、以及计算机设备 |
CN109559090A (zh) * | 2018-10-27 | 2019-04-02 | 平安医疗健康管理股份有限公司 | 基于数据分析的医疗项目风控方法、装置、服务器及介质 |
CN109584085A (zh) * | 2018-10-27 | 2019-04-05 | 平安医疗健康管理股份有限公司 | 一种医疗保险票据稽核方法、区块链节点设备及系统 |
CN109598628A (zh) * | 2018-11-30 | 2019-04-09 | 平安医疗健康管理股份有限公司 | 医保欺诈行为的识别方法、装置、设备及可读存储介质 |
CN109615204A (zh) * | 2018-11-30 | 2019-04-12 | 平安医疗健康管理股份有限公司 | 医疗数据的质量评估方法、装置、设备及可读存储介质 |
CN109636632A (zh) * | 2018-12-13 | 2019-04-16 | 平安医疗健康管理股份有限公司 | 基于机器学习的保险理赔方法、装置、设备及存储介质 |
CN110009475A (zh) * | 2019-02-12 | 2019-07-12 | 平安科技(深圳)有限公司 | 风险稽核监察方法、装置、计算机设备及存储介质 |
CN110046779A (zh) * | 2018-11-01 | 2019-07-23 | 阿里巴巴集团控股有限公司 | 一种数据处理方法及装置、一种计算设备及存储介质 |
CN110400041A (zh) * | 2019-06-12 | 2019-11-01 | 平安科技(深圳)有限公司 | 风险稽核方法、装置、计算机设备及计算机可读存储介质 |
CN111524017A (zh) * | 2019-02-01 | 2020-08-11 | 天津幸福生命科技有限公司 | 理赔数据的审核方法、装置及介质 |
CN115080997A (zh) * | 2022-06-02 | 2022-09-20 | 武汉金豆医疗数据科技有限公司 | 医保基金的移动稽查方法、装置、计算机设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020016722A1 (en) * | 1995-12-27 | 2002-02-07 | Kameda Medical Information Laboratory | Medical care schedule and record aiding system and method |
CN104133810A (zh) * | 2014-08-08 | 2014-11-05 | 平安养老保险股份有限公司 | 一种医保报销资格校验系统及医保报销资格校验方法 |
CN106408141A (zh) * | 2015-07-28 | 2017-02-15 | 平安科技(深圳)有限公司 | 异常费用自动提取系统及方法 |
-
2018
- 2018-01-05 CN CN201810012376.2A patent/CN108305176A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020016722A1 (en) * | 1995-12-27 | 2002-02-07 | Kameda Medical Information Laboratory | Medical care schedule and record aiding system and method |
CN104133810A (zh) * | 2014-08-08 | 2014-11-05 | 平安养老保险股份有限公司 | 一种医保报销资格校验系统及医保报销资格校验方法 |
CN106408141A (zh) * | 2015-07-28 | 2017-02-15 | 平安科技(深圳)有限公司 | 异常费用自动提取系统及方法 |
Non-Patent Citations (1)
Title |
---|
张连中: "保险经纪公司核心业务系统的设计与实现", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523393A (zh) * | 2018-10-22 | 2019-03-26 | 平安医疗健康管理股份有限公司 | 一种审核服务的提供方法和装置、以及计算机设备 |
CN109559090A (zh) * | 2018-10-27 | 2019-04-02 | 平安医疗健康管理股份有限公司 | 基于数据分析的医疗项目风控方法、装置、服务器及介质 |
CN109584085A (zh) * | 2018-10-27 | 2019-04-05 | 平安医疗健康管理股份有限公司 | 一种医疗保险票据稽核方法、区块链节点设备及系统 |
CN109584085B (zh) * | 2018-10-27 | 2023-08-18 | 平安医疗健康管理股份有限公司 | 一种医疗保险票据稽核方法、区块链节点设备及系统 |
CN110046779A (zh) * | 2018-11-01 | 2019-07-23 | 阿里巴巴集团控股有限公司 | 一种数据处理方法及装置、一种计算设备及存储介质 |
CN109615204B (zh) * | 2018-11-30 | 2023-02-03 | 平安医疗健康管理股份有限公司 | 医疗数据的质量评估方法、装置、设备及可读存储介质 |
CN109598628B (zh) * | 2018-11-30 | 2022-09-20 | 平安医疗健康管理股份有限公司 | 医保欺诈行为的识别方法、装置、设备及可读存储介质 |
CN109615204A (zh) * | 2018-11-30 | 2019-04-12 | 平安医疗健康管理股份有限公司 | 医疗数据的质量评估方法、装置、设备及可读存储介质 |
CN109598628A (zh) * | 2018-11-30 | 2019-04-09 | 平安医疗健康管理股份有限公司 | 医保欺诈行为的识别方法、装置、设备及可读存储介质 |
CN109636632A (zh) * | 2018-12-13 | 2019-04-16 | 平安医疗健康管理股份有限公司 | 基于机器学习的保险理赔方法、装置、设备及存储介质 |
CN111524017A (zh) * | 2019-02-01 | 2020-08-11 | 天津幸福生命科技有限公司 | 理赔数据的审核方法、装置及介质 |
CN111524017B (zh) * | 2019-02-01 | 2023-09-22 | 北京懿医云科技有限公司 | 理赔数据的审核方法、装置及介质 |
CN110009475A (zh) * | 2019-02-12 | 2019-07-12 | 平安科技(深圳)有限公司 | 风险稽核监察方法、装置、计算机设备及存储介质 |
CN110009475B (zh) * | 2019-02-12 | 2023-11-03 | 平安科技(深圳)有限公司 | 风险稽核监察方法、装置、计算机设备及存储介质 |
CN110400041A (zh) * | 2019-06-12 | 2019-11-01 | 平安科技(深圳)有限公司 | 风险稽核方法、装置、计算机设备及计算机可读存储介质 |
CN110400041B (zh) * | 2019-06-12 | 2023-08-15 | 平安科技(深圳)有限公司 | 风险稽核方法、装置、计算机设备及计算机可读存储介质 |
CN115080997A (zh) * | 2022-06-02 | 2022-09-20 | 武汉金豆医疗数据科技有限公司 | 医保基金的移动稽查方法、装置、计算机设备及存储介质 |
CN115080997B (zh) * | 2022-06-02 | 2024-01-09 | 武汉金豆医疗数据科技有限公司 | 医保基金的移动稽查方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108305176A (zh) | 一种基于反馈式机器学习的最优化医疗保险智能审核系统 | |
JP5586373B2 (ja) | 支払請求を処理するコンポーネントの機能をコンピュータシステムに実現させるプログラムが記録されているコンピュータ読み取り可能な記憶媒体、およびコンピュータシステムに支払請求を処理させるコンピュータシステムの動作方法 | |
CN106779457A (zh) | 一种企业信用评估方法及系统 | |
CN104361445B (zh) | 劳动力实时管理系统及管理方法 | |
CN109887153A (zh) | 一种财税处理方法和处理系统 | |
CN110517130A (zh) | 一种智能记账方法及其系统 | |
CN108597565B (zh) | 一种基于ocr与命名实体提取技术的临床队列数据协同校验方法 | |
CN111444793A (zh) | 基于ocr的票据识别方法、设备、存储介质及装置 | |
CN111178680A (zh) | 风电场工程质量全过程管理系统、方法及设备 | |
CN102982483A (zh) | 银行到账通知单数据的处理方法及其系统 | |
CN107730158A (zh) | 电网项目智能化评审方法及系统 | |
CN112990829A (zh) | 一种基于区块链的资产管理系统 | |
CN110097443A (zh) | 一种基于经济事务分类的账务处理方法及其系统 | |
CN117726472A (zh) | 一种基于自动化生成会计凭证的系统 | |
CN107798137A (zh) | 一种基于可加模型的多源异构数据融合架构系统 | |
CN101853432A (zh) | 医疗绩效控制系统和方法 | |
CN117272362A (zh) | 一种基于区块链的碳排放完善管理方法及系统 | |
CN110490434A (zh) | 一种医疗设备的效益分析方法 | |
CN113642669B (zh) | 基于特征分析的防欺诈检测方法、装置、设备及存储介质 | |
CN105787792A (zh) | 借贷业务的信息处理方法及装置 | |
CN115049512A (zh) | 一种智能理赔核算系统 | |
CN113987351A (zh) | 基于人工智能的智能推荐方法、装置、电子设备及介质 | |
Li et al. | Financial automatic management system based on artificial intelligence technology | |
CN103116837A (zh) | 组件设计支持方法以及系统 | |
CN117057941B (zh) | 基于多维度数据分析的异常消费检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180720 |