CN109360109A

CN109360109A - 基于大数据分析和处理的智能理赔审核辅助方法和系统

Info

Publication number: CN109360109A
Application number: CN201811122935.1A
Authority: CN
Inventors: 唐晶
Original assignee: Ping An Medical and Healthcare Management Co Ltd
Current assignee: Ping An Medical and Healthcare Management Co Ltd
Priority date: 2018-09-26
Filing date: 2018-09-26
Publication date: 2019-02-19

Abstract

本公开涉及基于大数据分析和处理的智能理赔审核辅助方法和系统，该方法包括以下步骤：1、在参保人针对特定项目提出理赔请求时，获取参保人就特定项目已产生的花费，并预测将来产生的花费；2、将已产生的花费及将来产生的花费求和，得到特定项目的总花费；3、基于项目的统计数据，得到总花费所处的费用区间；4、根据总花费所处的费用区间，得到总花费的合理性指标；5、如果合理性指标超过预定阈值，则将理赔请求判定为高风险请求，并提示需要后台干预。本公开基于大数据处理和分析，采用了先进的统计模型和分析算法，为案件理赔审核提供了费用合理性评估以及欺诈风险评估，提升理赔自动化率，降低不合理赔付费用。

Description

基于大数据分析和处理的智能理赔审核辅助方法和系统

技术领域

本发明涉及互联网服务技术领域，尤其涉及一种基于大数据分析和处理的智能理赔审核辅助方法和系统。

背景技术

目前的理赔系统主要是审核人员根据理赔案件的材料，从中提取理赔人信息，再依据理赔规则和审核人判断，计算支付金额和赔付方案。因此，当前的理赔审核主要依赖于固定的理赔规则和审核人专业能力，没有可供参考的全国性核赔结论和赔付基准数据。

目前，存在相当数量的医保欺诈行为，而现有技术对于医保欺诈缺乏有效的科学鉴别手段，严重影响了医保基金的收支平衡，侵害了广大参保人的利益、乃至公众利益。

政府和相关部门已致力于采用大数据方法鉴别医保欺诈行为，控制医保风险。然而，现有的医保风控方案多基于设定阈值红线以达到监测欺诈、浪费、滥用等违规行为，而因违规行为常随政策、支付方式及监管力度变化，故简单的阈值划分不适合多场景、参保人员组成、政策更替的实际应用环境。

因此，存在对于高效且准确率高的智能理赔审核方法的需要。

发明内容

考虑到现有技术的上述问题，发明人做出了本发明，其基于人工智能算法，通过对医疗大数据以及商保理赔数据的分析和洞察，进行案件模式识别、风险预测、理赔决策证据提示、合理诊疗方式归纳、医疗费用预测等，并且可以通过机器学习的认知和算法对历史经验进行学习，实现模型的自动优化和迭代。

根据本发明的实施例，提供了一种智能理赔审核辅助方法，其特征在于包括以下步骤：

步骤1、在参保人针对特定项目提出理赔请求时，获取所述参保人就所述特定项目已产生的花费，并预测将来产生的花费；

步骤2、将所述已产生的花费以及所述将来产生的花费求和，得到所述特定项目的总花费；

步骤3、基于所述项目的统计数据，得到所述总花费所处的费用区间，其中，不同的费用区间对应于不同的合理性指标；

步骤4、根据所述总花费所处的费用区间，得到所述总花费的合理性指标；

步骤5、如果所述合理性指标超过预定阈值，则将所述理赔请求判定为高风险请求，并提示需要后台干预。

根据本发明的实施例，所述理赔请求为医疗理赔请求，所述特定项目为医疗项目，在所述步骤1中，通过医疗费用预测模型预测将来产生的花费，所述医疗费用预测模型是以医保理赔大数据作为训练数据、利用神经网络训练出的。

根据本发明的实施例，所述步骤1包括：

步骤1-1、获取所述参保人的当前及历史就诊行为数据、以及与所述参保人相关的个人信息和公共数据；

步骤1-2、从在步骤1-1获取的数据中提取与所述参保人的就诊行为相关的特征；

步骤1-3、将在步骤1-2中获取的特征输入到所述医疗费用预测模型，预测出预测将来产生的花费。

根据本发明的实施例，所述与所述参保人的就诊行为相关的特征包括：

人口学特征，包括参保人的年龄、性别、职业、文化水平；

地理特征，包括参保人的籍贯、公司地理位置、医疗机构地理位置、参保区域等；

时间特征，包括参保人的就诊时间、就诊间期、参保时间；

医疗特征，包括参保人的诊断数据、就诊科室、医疗消费清单、医疗机构规模、医疗机构等级、医疗机构的既往案底标签、医生平均职称；

费用特征，包括参保人的单次花费、时间段总花费、费用构成比例。

根据本发明的实施例，与所述参保人相关的个人信息包括：参保人的医保结算数据、参保人的年龄、性别、文化、职业等人口学信息，

与所述参保人相关的公共信息包括：结合公开数据库如公司工商注册数据获取的医疗机构规模、地理、等级数据、医生职称、注册情况等信息、从新闻等公开信息抓取的各地医保基金稽核情况和通报情况、既往医保基金稽核中识别为问题的个案行为。

根据本发明的实施例，在所述步骤3中，通过所述统计数据，得到所述总花费所在的分位点p，其中分位点p的取值范围为0至100，对应于所述总花费在所述理赔统计数据中的百分数位置。

根据本发明的实施例，在所述步骤4中，通过以下公式来计算合理性指标score：

score＝(p-t)^b+t

其中，

其中，pr为离群点边界/2所在的分位点，

其中，离群点边界＝60％分位点+1.65×(75％分位点+25％分位点)；

其中，

其中，r5＝ln(95％分位点/76％分位点)，

上述公式中的各个xx％分位点表示各个分位点所对应的具体花费。

根据本发明的实施例，所述智能理赔审核辅助方法还包括：

步骤6、根据与所述参保人的就诊行为相关的特征，预测所述参保人与所述医疗项目相关的患病时长；

步骤7、将预测出的患病时长与所述参保人的投保时长进行比较，若预测出的患病时长大于或等于投保时长，则将所述参保人判定为“高风险”，并提示需要后台干预。

根据本发明的实施例，还提供了一种用于执行所述方法的智能理赔审核辅助系统，其包括预测模型构建模块、费用预测模块、合理性计算模块、风险识别模块。

所述预测模型构建模块用于在参保人针对特定项目提出理赔请求时，获取所述参保人就所述特定项目已产生的花费，并预测将来产生的花费，由此得到总花费；

所述费用预测模块用于基于所述项目的统计数据，得到所述总花费所处的费用区间，其中，不同的费用区间对应于不同的合理性指标；

所述合理性计算模块用于根据所述总花费所处的费用区间，得到所述总花费的合理性指标；

所述风险识别模块用于在所述合理性指标超过预定阈值时，将所述理赔请求判定为高风险请求，并提示需要后台干预；

所述风险识别模块还用于根据与所述参保人的就诊行为相关的特征，预测所述参保人与所述医疗项目相关的患病时长，将预测出的患病时长与所述参保人的投保时长进行比较，若预测出的患病时长大于或等于投保时长，则将所述参保人判定为“高风险”，并提示需要后台干预。

根据本发明的实施例，还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有用于上述方法的程序，所述程序被处理器执行时，执行根据所述方法的步骤。

本发明的有益效果主要在于：1、为案件理赔审核提供了费用合理性评估以及欺诈风险评估；2、提升理赔自动化率，降低不合理赔付费用。

附图说明

图1为根据本发明的一个实施例的智能理赔审核辅助方法的部分流程示意图；

图2为根据本发明的另一个实施例的智能理赔审核辅助方法的部分流程示意图；

图3为根据本发明的实施例的智能理赔审核辅助系统的功能架构示意图；

图4为根据本发明实施例的安装了应用程序的系统的运行环境的示意图。

具体实施方式

下面，结合附图对技术方案的实施作进一步的详细描述。

本领域的技术人员能够理解，尽管以下的说明涉及到有关本发明的实施例的很多技术细节，但这仅为用来说明本发明的原理的示例、而不意味着任何限制。本发明能够适用于不同于以下例举的技术细节之外的场合，只要它们不背离本发明的原理和精神即可。

另外，为了避免使本说明书的描述限于冗繁，在本说明书中的描述中，可能对可在现有技术资料中获得的部分技术细节进行了省略、简化、变通等处理，这对于本领域的技术人员来说是可以理解的，并且这不会影响本说明书的公开充分性。

下文中，将描述用于进行本发明的实施例。注意，将以下面的次序给出描述：1、发明构思的概要；2、智能理赔审核辅助方法(图1和2)；3、智能理赔审核辅助系统(图3)；4、根据本发明的实施例的安装了应用程序的系统、以及存储所述应用程序的计算机可读介质(图4)。

1、发明构思的概要

本发明采用深度学习的人工智能算法，通过对医疗大数据以及商保理赔数据的分析和洞察，进行案件模式识别、风险预测、理赔决策证据提示、合理诊疗方式归纳、医疗费用预测等，并且可以通过机器学习的认知和算法对历史经验进行学习，实现模型的自动优化和迭代。根据本发明的实施例，审核辅助系统主要包括以下方面：

1、医疗费用合理性智能分析：基于机器学习算法及和疾病分组器进行合理医疗费用预测，对理赔案件诊疗及费用的合理性进行评估并提示理赔决策。

2、欺诈风险识别：通过基于深度学习的疾病病程推测治疗周期模型将诊疗路径数据数字化，智能识别就诊历史及病程判断，对案件的欺诈风险进行预测。具体地，通过病患的年龄、，性别，、是否有并发症/合并症等角度，推断病患的患病病程，结合其投保年份，推断病患在投保前已发病的风险。

下面，结合实施例来说明上述发明构思的实现。

2、智能理赔审核辅助方法

图1和2为根据本发明的实施例的智能理赔审核辅助方法的部分流程示意图。

如图1所示，本发明的实施例提供了一种智能理赔审核辅助方法，主要包括以下步骤：

步骤S100、根据医保理赔大数据，构建医疗费用预测模型，用于预测个人的医疗花费；

其中，通过所述医疗费用预测模型，以医疗项目和个人为单位，以与医保理赔相关的就诊数据作为输入，能够得到已产生的医疗花费，并计算出后续相关医疗花费的预期值；

步骤S200、在所述个人针对某个医疗项目提出医保理赔请求时，通过所述个人医疗费预测模型，预测该个人的与所述医保理赔请求相关的医疗花费，其包括已产生的医疗花费、以及将来可能产生的医疗花费；

其中，例如，已产生的医疗花费是从自医疗机构获取的数据中提取整理而得，而将来可能产生的医疗花费是通过所述个人医疗费预测模型计算而得，本领域的技术人员可以理解，随着所述个人医疗费预测模型的建立基础(包括医保理赔大数据)的更新，对于同样的个人、同样的医疗项目，可能会对预测出的将来可能产生的医疗花费进行更新；

步骤S300、通过所述医保理赔大数据，获取关于所述医疗项目的统计数据，得出在步骤S200中预测的所述医疗花费所处的费用区间；

其中，所述统计数据中记录了关于所述医疗项目的历史花费情况，即，理赔部门能够从大数据中获取的全部参保人和其他公众的花费情况，包括所述医疗项目的费用总金额以及相应的分项金额，等等。

其中，所述费用区间可通过分位点来表示，例如，分位点可为0～100，表示该个人的医疗花费在统计得到的整个范围的高低水平。

步骤S400、根据所述医疗花费所在的费用区间，对所述医疗花费进行关于合理性的量化评估，得到合理性指标；

其中，可构建合理性指标计算公式(将在后面的示例中详述)，通过上述分位点计算得到代表合理性的分数，例如，计算出的分数可为0～100，分数越高则合理性越高，或反之亦然。

步骤S500、如果所述合理性指标超出预定阈值，则提示需要采用附加干预手段。

其中，例如，通过消息或邮件方式，提示审核部门需要采用附加干预手段，附加干预手段包括后台人工干预，审核部门的人员收到所述提示之后(例如，收到系统自动发送的邮件)，调取与该理赔请求相关的资料、以及与该参照人相关的资料，以人工方式向参保人和/或医疗机构核实所述医疗项目的花费情况，最终决定是否批准理赔请求。

其中，例如，阈值是通过理赔统计数据的检验而人工设定的，可为70，即，如计算出的分数超过70，则将该个人的医疗花费判定为不合理，进一步将相应的理赔请求判定为疑似欺诈/高风险。

具体地，在所述步骤S100中，所述医疗费用预测模型以个人(参保人)年龄、性别、地域、疾病诊断、用药、治疗项目明细、治疗类别等作为预测因子，用于预测治疗费用与以上因子的关系，

所述步骤S100可包括如下步骤：

步骤S101、数据归一化，利用PCA，Word2Vec方法提取有效特征，包括所述个人的各个维度的特征，如人口学特征、地理特征、时间特征(如就诊时间、就诊间期、参保时间等)、医疗特征(如诊断、就诊科室、医疗消费清单、医疗机构规模、医疗机构等级、医疗机构既往案底标签、医生职称等)、费用特征(如每次就诊花费)，等等；

其中，上述特征来自于医保结算数据、参保人的年龄、性别、文化、职业等人口学信息等个人信息、以及公共信息，所述公共信息包括包括结合公开数据库如公司工商注册数据获取的医疗机构规模、地理、等级数据、医生职称、注册情况等信息、从新闻等公开信息抓取的各地医保基金稽核情况和通报情况、既往医保基金稽核中识别为问题的个案行为，等等。

其中，所述治疗项目明细包括个人的就诊结算数据，如下面的表1所示：

表1

步骤S102、以医保理赔大数据作为训练数据，利用深度神经网络(如RNN、LSTM等模型)训练出所述医疗费用预测模型。

具体地，在所述步骤S300中，通过所述医疗费预测模型预测出所述个人在所述医疗项目的医疗花费，之后，再次通过所述医疗理赔大数据，得出所述医疗花费所在的分位点p，

具体地，在所述步骤S400中，构建如下的费用合理性打分公式：

score＝(p-t)^b+t

其中，

其中，pr为离群点边界/2所在的分位点，

其中，

其中，r5＝ln(95％分位点/76％分位点)。

上述公式中的各个xx％分位点的含义为各个分位点所对应的具体花费数值。

在所述步骤S500中，如果计算出的分数score超过70，则判定为不合理费用。

例如，如果p＝60、t＝80、b＝1，则可以计算出合理性分数为60，未超过阈值70；

如果p＝90、t＝80、b＝1.2，则可以计算出合理性分数为95.84，超过阈值70，被判定为不合理花费。

如图1所示，可选地，为了进一步优化上述医保欺诈风险识别，所述方法还可包括：

步骤S600、通过从所述医保理赔大数据中获取的所述个人的年龄、性别、是否有并发症/合并症等个人数据，推断病患的患病病程，结合其投保年份，推断病患在投保前已发病的风险。

所述步骤S600可包括如下步骤：

步骤S601、构建疾病治疗周期模型，用于判断个人，疾病，用药等因子与疾病患病周期的关系，具体包括：

i)以个人为研究对象，构建一系列与其基本信息和行为相关的变量，包括：年龄、性别、患某种疾病的年数、目前的用药情况、是否有并发症、是否有合并症、医疗花费等；

作为示例，上述与其基本信息和行为相关的变量主要分为以下几类：

人口学特征：包括年龄、性别、职业、文化水平等；

地理特征：参保人籍贯、公司地理位置、医疗机构地理位置、参保区域等；

时间特征：就诊时间、就诊间期、参保时间；

医疗特征：诊断、就诊科室、医疗消费清单、医疗机构规模、医疗机构等级、医疗机构既往案底标签、医生职称等；

费用特征：单次花费、时间段总花费、费用构成比例(诊疗费用、药品费用、检验检查费用、材料费用)等；

ii)数据归一化，利用Word2Vec提取和数字化以及文字特征，即，从外部输入的医疗数据中提取医疗文本和有效数据，并将其转换为与用于训练的规范数据，所述规范数据包括医疗数据规范词表；

其中，word2vec也可被称为word embeddings、词向量，作用就是将自然语言中的字词转为计算机可以理解的稠密向量(Dense Vector)，并且其中意思相近的词将被映射到向量空间中相近的位置。

iii)以上述数据作为训练数据，利用深度神经网络训练模型；其中，所述深度神经网络可为CNN(卷积神经网络)、RNN(循环神经网络)、DNN(深度神经网络)等网络结构。

步骤S602、利用疾病治疗周期模型预测所述个人的患病时长，并与投保时长进行对比，若预测患病时长大于或等于投保时长，表示该投保人在投保时没有如实告知自身疾病情况，将所述个人判定为“高风险”的参保人，若预测患病时长小于投保时长，则判定为“正常”。

综上所述，根据本发明的实施例，通过预测花费并利用以分位点为主的指标来判定医疗花费(索赔费用)合理性的手段，并进一步结合患病病程来综合判定医疗理赔行为的合理性/真实性的手段，通过对临床医疗数据的整合，能够自动识别或发现费用/行为异常的案例，并可进一步进行追踪、稽查和重点管控，从而有助于建立有科学依据的管理体系，为支付方(保险公司)提供科学、合理、精细化的管理服务。

3、智能理赔审核辅助系统

根据本发明的实施例，还提供了一种智能审核辅助系统，用于执行本申请中的所述方法的各个步骤，如图3所示，所述智能审核辅助系统主要包括预测模型构建模块、费用预测模块、合理性计算模块、风险识别模块。

所述预测模型构建模块用于根据医保理赔大数据，构建医疗费用预测模型，用于预测个人的医疗花费；

所述费用预测模块用于在所述个人针对某个医疗项目提出医保理赔请求时，通过所述个人医疗费预测模型，预测该个人的与所述医保理赔请求相关的医疗花费，其包括已产生的医疗花费、以及将来可能产生的医疗花费；

所述合理性计算模块用于通过所述医保理赔大数据，获取关于所述医疗项目的历史数据，得出所预测的所述医疗花费所处的费用区间；

所述合理性计算模块还用于根据所述医疗花费所在的费用区间，对所述医疗花费进行关于合理性的量化评估，得到合理性指标；

所述风险识别模块用于判定所述合理性指标是否超出预定阈值。

所述风险识别模块还用于通过从所述医保理赔大数据中获取的所述个人的年龄、性别、是否有并发症/合并症等个人数据，推断病患的患病病程，结合其投保年份，推断病患在投保前已发病的风险。

此外，本发明的不同实施例也可以通过软件模块或存储在一个或多个计算机可读介质上的计算机可读指令的方式实现，其中，所述计算机可读指令是当被处理器或设备组件执行时，执行本发明所述的不同的实施例。类似地，软件模块、计算机可读介质和硬件部件的任意组合都是本发明预期的。所述软件模块可以被存储在任意类型的计算机可读存储介质上，例如RAM、EPROM、EEPROM、闪存、寄存器、硬盘、CD-ROM、DVD等等。

4、根据本发明的实施例的安装了应用程序的系统

参照图4，其示出了根据本发明实施例的安装了应用程序的系统的运行环境。在本实施例中，所述的安装应用程序的系统安装并运行于电子装置中。所述电子装置可以是桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该电子装置可包括但不限于存储器、处理器及显示器。附图仅示出了具有上述组件的电子装置，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

所述存储器在一些实施例中可以是所述电子装置的内部存储单元，例如该电子装置的硬盘或内存。所述存储器在另一些实施例中也可以是所述电子装置的外部存储设备，例如所述电子装置上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器还可以既包括所述电子装置的内部存储单元也包括外部存储设备。所述存储器用于存储安装于所述电子装置的应用软件及各类数据，例如所述安装应用程序的系统的程序代码等。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。

所述处理器在一些实施例中可以是中央处理单元(Central Processing Unit，CPU)、微处理器或其他数据处理芯片，用于运行所述存储器中存储的程序代码或处理数据，例如执行所述安装应用程序的系统等。

所述显示器在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。所述显示器用于显示在所述电子装置中处理的信息以及用于显示可视化的客户界面，例如应用菜单界面、应用图标界面等。所述电子装置的部件通过系统总线相互通信。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解，上述实施方式中的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件来实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件商品的形式体现出来，该计算机软件商品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明本申请各个实施例所述的方法。

也就是说，根据本发明的实施例，还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有用于执行根据本发明的实施例的所述方法的程序，所述程序被处理器执行时，执行所述方法的各个步骤。

由上，将理解，为了说明的目的，这里已描述了本发明的具体实施例，但是，可作出各个修改，而不会背离本发明的范围。本领域的技术人员将理解，流程图步骤中所绘出或这里描述的操作和例程可以多种方式变化。更具体地，可重新安排步骤的次序，可并行执行步骤，可省略步骤，可包括其它步骤，可作出例程的各种组合或省略。因而，本发明仅由所附权利要求限制。

Claims

1.一种智能理赔审核辅助方法，其特征在于包括以下步骤：

步骤3、基于所述特定项目的统计数据，得到所述总花费所处的费用区间，其中，不同的费用区间对应于不同的合理性指标；

2.根据权利要求1所述的智能理赔审核辅助方法，其特征在于，所述理赔请求为医疗理赔请求，所述特定项目为医疗项目，在所述步骤1中，通过医疗费用预测模型预测将来产生的花费，所述医疗费用预测模型是以医保理赔大数据作为训练数据、利用神经网络训练出的。

3.根据权利要求2所述的智能理赔审核辅助方法，其特征在于，所述步骤1包括：

4.根据权利要求3所述的智能理赔审核辅助方法，其特征在于，所述与所述参保人的就诊行为相关的特征包括：

人口学特征，包括参保人的年龄、性别、职业、文化水平；

时间特征，包括参保人的就诊时间、就诊间期、参保时间；

5.根据权利要求3所述的智能理赔审核辅助方法，其特征在于，与所述参保人相关的个人信息包括：参保人的医保结算数据、参保人的年龄、性别、文化、职业等人口学信息，

6.根据权利要求1所述的智能理赔审核辅助方法，其特征在于，在所述步骤3中，通过所述统计数据，得到所述总花费所在的分位点p，其中分位点p的取值范围为0至100，对应于所述总花费在所述理赔统计数据中的百分数位置。

7.根据权利要求6所述的智能理赔审核辅助方法，其特征在于，在所述步骤4中，通过以下公式来计算合理性指标score：

score＝(p-t)^b+t

其中，

其中，pr为离群点边界/2所在的分位点，

其中，

其中，r5＝ln(95％分位点/76％分位点)，

其中，上述公式中的“xx％分位点”表示各个分位点所对应的具体花费。

8.根据权利要求3所述的智能理赔审核辅助方法，其特征在于还包括：

9.一种用于执行根据权利要求1至8中的任一个所述的方法的智能理赔审核辅助系统，其特征在于包括预测模型构建模块、费用预测模块、合理性计算模块、风险识别模块，

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有用于执行根据权利要求1至8中的任一个所述的方法的程序，所述程序被处理器执行时，执行根据权利要求1至8中的任一个所述的方法的步骤。