CN111582879A - 一种基于遗传算法的医疗保险反欺诈识别方法 - Google Patents
一种基于遗传算法的医疗保险反欺诈识别方法 Download PDFInfo
- Publication number
- CN111582879A CN111582879A CN201910089511.8A CN201910089511A CN111582879A CN 111582879 A CN111582879 A CN 111582879A CN 201910089511 A CN201910089511 A CN 201910089511A CN 111582879 A CN111582879 A CN 111582879A
- Authority
- CN
- China
- Prior art keywords
- data
- medical insurance
- medical
- genetic algorithm
- patient
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 49
- 230000002068 genetic effect Effects 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000012360 testing method Methods 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000005215 recombination Methods 0.000 claims abstract description 7
- 230000006798 recombination Effects 0.000 claims abstract description 6
- 239000003814 drug Substances 0.000 claims description 31
- 229940079593 drug Drugs 0.000 claims description 25
- 108090000623 proteins and genes Proteins 0.000 claims description 15
- 210000000349 chromosome Anatomy 0.000 claims description 14
- 239000008280 blood Substances 0.000 claims description 4
- 210000004369 blood Anatomy 0.000 claims description 4
- 230000036541 health Effects 0.000 claims description 3
- 206010020751 Hypersensitivity Diseases 0.000 claims description 2
- 208000026935 allergic disease Diseases 0.000 claims description 2
- 230000007815 allergy Effects 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 abstract description 29
- 238000001514 detection method Methods 0.000 abstract description 15
- 230000008901 benefit Effects 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 241000209202 Bromus secalinus Species 0.000 description 11
- 230000006399 behavior Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 230000035772 mutation Effects 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000002759 chromosomal effect Effects 0.000 description 2
- 238000002483 medication Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 101000986989 Naja kaouthia Acidic phospholipase A2 CM-II Proteins 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009396 hybridization Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012011 method of payment Methods 0.000 description 1
- 238000007431 microscopic evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000002747 voluntary effect Effects 0.000 description 1
Images
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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Technology Law (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于遗传算法的医疗保险反欺诈识别方法，涉及医保领域，要解决的是现行的医保检测方式存在的缺陷。本申请具体步骤如下：步骤一，建立数据库；步骤二，对医保数据进行预处理，得到训练样本集合以及测试样本集合；步骤三，对训练样本集合以及测试样本集合进行数据重组，分别进行优化，将得到的结果进行交集，最终得到高准确度数据值。本申请利用遗传算法，同时采用多个计算结果集相交的相关方法，大大地提高检测精度，从而有效且精确地侦测可疑个案，减少误检次数与误检时间；本申请的仿真结果表明，利用6种不同的欺诈场景对欺诈情况的检测是成功的，训练样本平均精确度达到99.52％，测试样本平均准确度达到96.38％。
Description
技术领域
本发明涉及医保领域，具体是一种基于遗传算法的医疗保险反欺诈识别方法。
背景技术
随着医疗保险在国内实现了全覆盖、保障水平逐年提高、刷社保卡就医实时结算等服务便利性提升，一些不法分子在利益驱动下违规操作套取社保基金、或违规过度享受医疗服务的情况时有发生，危害医保基金的安全，损害了大多数参保人的利益，由于现在医保欺诈问题越来越严重，对于医保基金危害越来越大。而且现行的医保检测方式存在明显缺陷，已经不适应医保欺诈审核的需求，严重阻碍医保基金的运作。
国内目前运行的医疗保险监控分析系统分实时监控和事后分析两种。采用实时监控类系统的主要是天津、宁波、武汉等地，其中天津采用建立诚信医师和参保人“黑名单、灰名单”的做法，对医保卡实时就医结算数据，实时分析人均就诊人数、每次费用金额、每次开药天数对违规监控，并设定费用金额、每次开药天数来对违规监控，并设定红黄蓝三级门限，超过红色门限的给予实时停卡；采用事后分析的地方有上海医保监督所采取的病种和药品适应症匹配及药品用量量化分析，济南采用医保基金预警预报、参数分析、四分法归类和合理施治分析四个步骤，结合费用结算公式，辅以基金报表、明细查询、质量评价三种手段实现从宏观到微观的分析系统。以上实时监控系统的优点是可针对重点人群，及时弥补损失，但存在明显漏洞：对复杂情况下的即时处理存在误判或者漏判的可能，况且我国参保人员就医总量巨大、医疗违规行为相对隐蔽，各地医保监管以及反欺诈面临稽核人员不足、技术手段落后等困难。如何做好医疗服务监管与医保反欺诈工作，保障基金安全显得更加紧迫和重要，人们也在进行相关方面的研究。
发明内容
本发明的目的在于提供一种基于遗传算法的医疗保险反欺诈识别方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于遗传算法的医疗保险反欺诈识别方法，具体步骤如下：
步骤一，收集医保数据，建立数据库；
步骤二，对医保数据进行预处理，完善缺少的数据信息，得到训练样本集合以及测试样本集合；
步骤三，对训练样本集合以及测试样本集合进行数据重组，同一数据形成理赔、患者以及发生理赔的医院三类数据集，分别通过费用理赔遗传算法模块、患者遗传算法模块以及医院遗传算法模块进行优化，将得到的索赔的结果、患者的结果和医院的结果进行交集，即A∩B、A∩C、B∩C和A∩B∩C(这里，索赔的结果是A；GA患者的结果是B；医院的结果是C；∩表示交集)，最终得到高准确度数据值。
作为本发明进一步的方案：医保数据包括诊断数据、服务数据、消费数据和患者个人数据。
作为本发明进一步的方案：诊断数据包括患者病历、医嘱条例、执行状态等信息；服务数据包括患者就诊的执行科室、医嘱时间、执行医生、开嘱医生、核算分类等信息。
作为本发明进一步的方案：消费数据包括患者的消费内容、消费时间地点、支付对象、药品明细表等信息；患者个人数据包括医保手册、病历号、门诊号等医疗档案资料，以及身高、体重、血糖血脂、过敏记录等健康档案资料。
作为本发明进一步的方案：医保数据的类型包括静态数据和动态数据两种，静态数据是指通常不会改变的数据，如患者的基本信息、个人偏好等，动态数据则是指在系统中随时变化而改变的数据，如患者就诊时间地点、账单数额、医嘱处方内容等
作为本发明进一步的方案：医保数据包括合法案例数据和欺诈案例数据，数据库包括合法案例数据库和欺诈案例数据库。
作为本发明进一步的方案：步骤三中数据重组后得到医保人医疗费用信息(用于医保报销以及保险理赔)、患者信息以及医院医疗数据信息三类数据集，包括患者身份ID：为患者身份证号码；患者年龄：患者性别；付款来源；付款方式：AA(政府或组织部门报销)、BB(医保)、CC(人寿保险)、DD(自付)；医院代码ID；医保报销以及人寿保险公司理赔覆盖患者可能的医疗费用；医保费用：应用于医保报销。
作为本发明进一步的方案：费用理赔遗传算法模块、患者遗传算法模块以及医院遗传算法模块的公式如下：
将先染色体个体内每个基因属性值(基因权重)与其对应基因属性等级进行乘积，然后从i＝1到N进行和汇总，这里N表示染色体个体内基因属性数量。
与现有技术相比，本发明的有益效果是：
本申请利用遗传算法，同时采用多个计算结果集相交的相关方法，大大地提高检测精度，从而有效且精确地侦测可疑个案，减少误检次数与误检时间；
本申请的仿真结果表明，利用6种不同的欺诈场景，对欺诈情况的检测无疑是成功的，训练样本平均精确度达到99.52％，测试样本平均准确度达到96.38％，具有广阔的应用前景。
附图说明
图1为基于遗传算法的医疗保险反欺诈识别方法的流程图。
图2为基于遗传算法的医疗保险反欺诈识别方法中仿真训练样本中GA理赔算法的适应值与迭代次数结果曲线以及种群样本标准差与迭代次数变化曲线关系图。
具体实施方式
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
医保数据主要来源于医疗机构以及医疗保险机构信息中心，其特点是数据庞大、种类繁杂。
由于不同来源的医保数据存在交叉与重合情形，海量医保数据中包含大量非典型特征与无关的数据，数据预处理就是剔除大量无用数据，并对无效值、缺少值进行清理，获得干净、准确、具有针对性的医保数据集，所以数据预处理是数据挖掘的极其重要的一部分，数据预处理见表1。
表1
医保欺诈以及违规行为主要分为医疗保险参保方(需方)的欺诈、违规行为，医疗服务供方(医院和药店)和参保患者合谋的欺诈、违规行为，医疗服务供方(医院和药店)的欺诈、违规行为。根据我国医疗保险欺诈情况进行分类，可以概括为以下几种常见欺诈类型：1、过高的医疗费用或过度治疗：医疗服务机构(医院)对于患者实行小病住院，开高价药，过度检查等行为，造成对医保基金的滥用，考察变量：患者成本和服务费用。2.患者骗保人拿着一张医保卡在一定时间内反复多次拿药：违法事件与患者在一定时间内反复多次拿药有关，可通过设定次数阈值，超过阈值即为虚假行为。3.骗保人付款方式异常：拿着别人的医保卡配药付费，主要可疑信号是患者支付方法。考察变量：支付来源。4.骗保人罕见使用特定药物：这种欺诈案例表现为患者使用不寻常的药物，患者对某种药物的可疑偏好或用于其他目的的自愿药物处方。变量：药品ID、医药费、药品数量。5.骗保人过量配用特定的药物：患者在不同医院和医生处重复大量配药。过量的药品可能转售给别人，谋取利益。考察变量：药品ID、医药费、药品数量。6.骗保人单张处方价格过高：这种欺诈情况描述为单张处方价格过高，可能表现为欺诈。在这种欺诈中，药品价格比正常生成情况的最大可能性高出两到三倍。考察变量：药品ID、医药费、药品数量。
本申请的总体思路是：预先获取部分医保数据，将其分为合法案例数据和欺诈案例数据，组成两个数据库。通过样本过滤进行数据预处理，完善缺少数据信息。然后将其分成训练样本集合以及测试样本集合。对训练样本集合以及测试样本集合进行数据重组，同一数据形成理赔、患者以及发生理赔的医院三种类数据集，分别通过费用理赔遗传算法模块、患者遗传算法模块以及医院遗传算法模块进行优化，最后将所得到GA索赔的结果将与GA患者和GA医院结果进行交集：即A∩B、A∩C、B∩C和A∩B∩C(这里，GA医院索赔：A；GA患者：B；GA医院：C；∩表示结果集交集)，最终得到高准确度数据值。
医保数据在经过遗传算法模块之前，通过数据预处理且梳理后，将数据分成三类数据集：医保人医疗费用信息(用于医保报销以及保险理赔)、患者信息以及医院医疗数据信息。其中，包括患者身份ID：为患者身份证号码；患者年龄；患者性别；付款来源；付款方式：AA(政府或组织部门报销)、BB(医保)、CC(人寿保险)、DD(自付)；医院代码ID；医保报销以及人寿保险公司理赔覆盖患者可能的医疗费用；医保费用：应用于医保报销。
针对上述情况，对于6种欺诈情形下的遗传算法染色体基因权重数值偏重于各案例相关变量，但是要求每个染色体各基因权重之和应等于1。遗传算法中染色体基因见表2。
表2 染色体基因组合
在表2中选择合适的一条N个基因染色体个体(对于算法1，N＝12；对于算法1，N＝14；对于算法3，N＝14)，需要经过选择、杂交、变异、竞争等阶段，进化到下一代。该个体适应度函数按下面公式计算：
其中，染色体基因等级是指根据约定规定，将表2中染色体基因进行规范化，得到表3。
表3
从公式(1)得出染色体适应值与正常染色体适应值比较，若大于正常值标准，则被认为欺诈报销或索赔，否则合法理赔或报销。然后确定假阳性率(假正率)FP与真阳性率(真正率)TP。真阳性率TP(真正率)是指被正确地分类为欺诈性的索赔数量，除以欺诈索赔总数；假阳率FP(假正率)是指被归类为欺诈但合法的索赔数量除以合法理赔总数。个体适应度控制数值等于真阳性率(真正率)和假阳性率(假正率)之差
适应度控制数值g＝TP-FP (2)
种群内个体适应度不能超过适应度控制数值，以便调整迭代后各代种群个体适应度数值范围。
本申请的具体步骤如下：
Step 1初始化群体
确定案件库种群总数M＝1030件，其中初步确定合理理赔案件数量为M1＝1000件，初步确定欺诈索赔案件M2＝30件。将合理理赔案件(初步确定)M1随机抽取划分为合理理赔训练样本XM1和合理理赔测试样本CM1，确保M1＝XM1+CM1。
将欺诈理赔案件(初步确定)M2随机抽取划分为欺诈理赔训练样本XM2和欺诈理赔测试样本CM2，确保M2＝XM2+CM2。
将训练样本分别按照如前所述的六种欺诈行为(1、过高的医疗费用或过度治疗；2.患者骗保人拿着一张医保卡在一定时间内反复多次拿药；3.骗保人付款方式异常；4.骗保人罕见使用特定药物；5.骗保人过量配用特定的药物；6.骗保人单张处方价格过高)分类为训练仿真1、训练仿真2、训练仿真3、训练仿真4、训练仿真5与训练仿真6。对于6种欺诈情形下的遗传算法染色体个体基因权重数值偏重于各案例相关变量初始化，但是要求染色体个体内各基因权重之和应等于1。
将测试样本分别按照如前所述的六种欺诈行为(1、过高的医疗费用或过度治疗；2.患者骗保人拿着一张医保卡在一定时间内反复多次拿药；3.骗保人付款方式异常；4.骗保人罕见使用特定药物；5.骗保人过量配用特定的药物；6.骗保人单张处方价格过高)分类为测试仿真1、测试仿真2、测试仿真3、测试仿真4、测试仿真5与测试仿真6。测试样本个体内基因权重采用训练样本经过遗传算法优化后的权重。
Step 2计算适应度：根据适应度函数式(1)计算第k代种群每个个体的适应值
NNk为第k代种群数量(训练样本或测试样本)，记具有最高适应值的个体
Step 3选择：计算出每个个体相对适应度
将父种群中个体相对适应度从高到低排列，淘汰相对适应度最低20个个体。
Step 4交叉变异：交叉运算从
相同或者近似相对适应度选出多组两个个体对，两个个体之间以事先给定的概率PC＝70％执行重组运算，产生两个新个体，对新个体权重进行适当调整，确保个体内基因权重之和为1，重复这一过程。变异运算根据一定的变异率PM随机地对一个体的实现多点进行翻转，产生一个新的个体，变异率PM是服从正态分布的随机数，当迭代次数小于等于15时，PM＝normrnd(0.2，0.1)，normrnd表示正态分布随机数，当迭代次数大于15时，PM＝normrnd(0.3，0.3)重复这一过程。然后并入入Step 2最高适应值的个体
最终形成新一代群体
记具有最高适应值的个体
Step 5若遗传代数满足终止条件，则停止运算，输出
作为近似最优个体；否则令k＝k+1转Step 2。
终止条件：该算法仅在第15代后对终止条件进行验证。第k代迭代终止条件由三个参数：标准差、适应度最大值和适应度最小值进行评估。种群样本标准差小于0.025，k代种群的最大适应度等于前面k-8代最大适应度数值，k代种群的最小适应度与前k-5代种群的最小适应度之差不大于10％。
Step 6
无论训练还是测试样本集，都归类为医疗账单报销及理赔、患者以及相关医院三种情况，分别通过遗传算法优化，得到最优结果集分别是A、B、C。由于三种情形下的数据属于同一样本集，发生欺诈结果应该是相同，采用A∩B∩C，可以有效减少差错。真阳率(真反率)TN是指被正确地分类为合法的索赔数量，除以合法总数；假阴率(假反率)FN是指被归类为合法但欺诈的索赔数量除以欺诈索赔总数。因此真反率TN＝1-FP，假反率FN＝1-TP，种群总数＝合法数量+欺诈数量，∑真正例＝TP×欺诈数量，∑真反例＝TN×合法数量。
得到表4和表5。
表4 种群信息
| 群体总数1030 | 合法理赔(初步确定)1000 | 欺诈索赔(初步确定)30 |
| 训练样本765 | 合法理赔(初步确定)750 | 欺诈索赔(初步确定)15 |
| 测试样本265 | 合法理赔(初步确定)250 | 欺诈索赔(初步确定)15 |
表5 仿真结果
从表5可知，在训练集中，除了训练仿真2的情况，均有TP较高数值，特别是训练仿真4和训练仿真5的情形，TP全部达到1。在测试集中，除了训练仿真3、训练仿真4和训练仿真5案例，其余测试样本TP较低。对于FP，除了训练仿真1的FP为零外，其余情况的FP均有一定数值。在理赔样本中，训练仿真3(训练与测试)的FP均较高，可能是由于遗传算法迭代收敛出现偏差。尽管在训练仿真3的案例中，训练样本中，GA理赔算法的FP为0.68，但是GA患者和GA医院算法的FP值分别为0.2与0，所以GA理赔结果集A与GA患者结果集B的交集A∩B为0.2266，GA理赔结果集A与GA医院结果集C的交集A∩C为0，GA患者结果集B和GA医院结果集C的交集B∩C为0，最终A∩B∩C＝0。类似地，在训练仿真3的测试样本中，GA理赔算法的FP为0.68，但是GA患者和GA医院算法的FP值分别为0.2608与0，所以GA理赔结果集A与GA患者结果集B交集A∩B为0.28，GA理赔结果集A与GA医院结果集C交集A∩C为0，GA患者结果集B和GA医院结果集C的交集A∩B为0。最终A∩B∩C＝0。由此可见通过对三个结果的交集运算，可以有效地减除遗传算法中发生可能局部收敛，导致最后结果的误差，因而提高了整个算法过程的检测精度。
通过公式(4)计算，可以得出如表5所示各仿真案例检测精确度。其中在训练集中，训练仿真4与训练仿真5的训练样本的检测精确度为100％，误差率为0，其余案例精确度也在98.63％以上。相对来说，测试集样本中检测精度较低，达到94.34％以上，主要原因是测试样本个体数量偏少，且直接采用训练集最后优化参数进行测试。
表5所示在本文所开发的遗传算法中，训练样本的平均精度为99.52％，测试样本的平均精度为96.38％。根据以往统计资料显示，对Logistic回归、神经网络和分类树进行聚类分析，结果分别为92.18％、95.73％和99.37％。充分证明本申请的方法正确性，采用结果集相交的方法可极大地减少误检次数。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (7)
1.一种基于遗传算法的医疗保险反欺诈识别方法，其特征在于，具体步骤如下：
步骤一，收集医保数据，建立数据库；
步骤二，对医保数据进行预处理，得到训练样本集合以及测试样本集合；
步骤三，对训练样本集合以及测试样本集合进行数据重组，分别通过费用理赔遗传算法模块、患者遗传算法模块以及医院遗传算法模块进行优化，将得到的索赔的结果、患者的结果和医院的结果进行交集，最终得到高准确度数据值。
2.根据权利要求1所述的基于遗传算法的医疗保险反欺诈识别方法，其特征在于，所述医保数据包括诊断数据、服务数据、消费数据和患者个人数据。
3.根据权利要求2所述的基于遗传算法的医疗保险反欺诈识别方法，其特征在于，所述诊断数据包括患者病历、医嘱条例和执行状态的信息，服务数据包括患者就诊的执行科室、医嘱时间、执行医生、开嘱医生以及核算分类的信息，消费数据包括患者的消费内容、消费时间地点、支付对象和药品明细表的信息，患者个人数据包括医疗档案资料和健康档案资料。
4.根据权利要求3所述的基于遗传算法的医疗保险反欺诈识别方法，其特征在于，所述医疗档案资料包括医保手册、病历号和门诊号，健康档案资料包括身高、体重、血糖血脂和过敏记录。
5.根据权利要求1所述的基于遗传算法的医疗保险反欺诈识别方法，其特征在于，所述医保数据包括合法案例数据和欺诈案例数据，数据库包括合法案例数据库和欺诈案例数据库。
6.根据权利要求1所述的基于遗传算法的医疗保险反欺诈识别方法，其特征在于，所述步骤三中数据重组后得到医保人医疗费用信息、患者信息以及医院医疗数据信息三类数据集。
7.根据权利要求1或5所述的基于遗传算法的医疗保险反欺诈识别方法，其特征在于，所述费用理赔遗传算法模块、患者遗传算法模块以及医院遗传算法模块的公式如下：适应度函数
N表示染色体个体内基因属性数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910089511.8A CN111582879A (zh) | 2019-01-30 | 2019-01-30 | 一种基于遗传算法的医疗保险反欺诈识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910089511.8A CN111582879A (zh) | 2019-01-30 | 2019-01-30 | 一种基于遗传算法的医疗保险反欺诈识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111582879A true CN111582879A (zh) | 2020-08-25 |
Family
ID=72110790
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910089511.8A Pending CN111582879A (zh) | 2019-01-30 | 2019-01-30 | 一种基于遗传算法的医疗保险反欺诈识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111582879A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112835893A (zh) * | 2021-01-18 | 2021-05-25 | 浙江大学山东工业技术研究院 | 一种基于聚类的医保欺诈行为的检测方法及系统 |
| CN113642672A (zh) * | 2021-08-31 | 2021-11-12 | 平安医疗健康管理股份有限公司 | 医保数据的特征加工方法、装置、计算机设备及存储介质 |
| CN115545955A (zh) * | 2022-10-19 | 2022-12-30 | 清华大学 | 医疗档案数据中异常数据的检测方法、装置和电子设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102622552A (zh) * | 2012-04-12 | 2012-08-01 | 焦点科技股份有限公司 | 一种基于数据挖掘的b2b平台欺诈访问的检测方法和系统 |
| US20140149142A1 (en) * | 2012-11-29 | 2014-05-29 | Fair Isaac Corporation | Detection of Healthcare Insurance Claim Fraud in Connection with Multiple Patient Admissions |
| CN105787743A (zh) * | 2016-02-26 | 2016-07-20 | 中国银联股份有限公司 | 基于样本聚类的欺诈交易检测方法 |
| CN106600423A (zh) * | 2016-11-18 | 2017-04-26 | 云数信息科技（深圳）有限公司 | 基于机器学习的车险数据处理方法、车险欺诈识别方法及装置 |
| CN107294993A (zh) * | 2017-07-05 | 2017-10-24 | 重庆邮电大学 | 一种基于集成学习的web异常流量监测方法 |
| CN107766418A (zh) * | 2017-09-08 | 2018-03-06 | 广州汪汪信息技术有限公司 | 一种基于融合模型的信用评估方法、电子设备和存储介质 |
| CN109064065A (zh) * | 2018-09-12 | 2018-12-21 | 医倍思特（北京）医疗信息技术有限公司 | 一种人伤理赔风险评估方法及装置 |
-
2019
- 2019-01-30 CN CN201910089511.8A patent/CN111582879A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102622552A (zh) * | 2012-04-12 | 2012-08-01 | 焦点科技股份有限公司 | 一种基于数据挖掘的b2b平台欺诈访问的检测方法和系统 |
| US20140149142A1 (en) * | 2012-11-29 | 2014-05-29 | Fair Isaac Corporation | Detection of Healthcare Insurance Claim Fraud in Connection with Multiple Patient Admissions |
| CN105787743A (zh) * | 2016-02-26 | 2016-07-20 | 中国银联股份有限公司 | 基于样本聚类的欺诈交易检测方法 |
| CN106600423A (zh) * | 2016-11-18 | 2017-04-26 | 云数信息科技（深圳）有限公司 | 基于机器学习的车险数据处理方法、车险欺诈识别方法及装置 |
| CN107294993A (zh) * | 2017-07-05 | 2017-10-24 | 重庆邮电大学 | 一种基于集成学习的web异常流量监测方法 |
| CN107766418A (zh) * | 2017-09-08 | 2018-03-06 | 广州汪汪信息技术有限公司 | 一种基于融合模型的信用评估方法、电子设备和存储介质 |
| CN109064065A (zh) * | 2018-09-12 | 2018-12-21 | 医倍思特（北京）医疗信息技术有限公司 | 一种人伤理赔风险评估方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 窦一峰: "数据挖掘技术在医保欺诈检测识别中的应用研究" * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112835893A (zh) * | 2021-01-18 | 2021-05-25 | 浙江大学山东工业技术研究院 | 一种基于聚类的医保欺诈行为的检测方法及系统 |
| CN112835893B (zh) * | 2021-01-18 | 2023-03-21 | 浙江大学山东工业技术研究院 | 一种基于聚类的医保欺诈行为的检测方法及系统 |
| CN113642672A (zh) * | 2021-08-31 | 2021-11-12 | 平安医疗健康管理股份有限公司 | 医保数据的特征加工方法、装置、计算机设备及存储介质 |
| CN113642672B (zh) * | 2021-08-31 | 2024-05-14 | 平安医疗健康管理股份有限公司 | 医保数据的特征加工方法、装置、计算机设备及存储介质 |
| CN115545955A (zh) * | 2022-10-19 | 2022-12-30 | 清华大学 | 医疗档案数据中异常数据的检测方法、装置和电子设备 |
| CN115545955B (zh) * | 2022-10-19 | 2024-05-31 | 清华大学 | 医疗档案数据中异常数据的检测方法、装置和电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11900473B2 (en) | Method of personalizing, individualizing, and automating the management of healthcare fraud-waste-abuse to unique individual healthcare providers | |
| Liu et al. | Healthcare fraud detection: A survey and a clustering model incorporating geo-location information | |
| US20160267396A1 (en) | System and Method for Using Machine Learning to Generate a Model from Audited Data | |
| Chandola et al. | Knowledge discovery from massive healthcare claims data | |
| CN108492196A (zh) | 通过数据分析推断医疗保险违规行为的风控方法 | |
| US9779407B2 (en) | Healthcare fraud preemption | |
| US20150046181A1 (en) | Healthcare fraud protection and management | |
| US20140081652A1 (en) | Automated Healthcare Risk Management System Utilizing Real-time Predictive Models, Risk Adjusted Provider Cost Index, Edit Analytics, Strategy Management, Managed Learning Environment, Contact Management, Forensic GUI, Case Management And Reporting System For Preventing And Detecting Healthcare Fraud, Abuse, Waste And Errors | |
| CN111582879A (zh) | 一种基于遗传算法的医疗保险反欺诈识别方法 | |
| CN111695836B (zh) | 临床试验在线运行管控集成系统 | |
| Dua et al. | Supervised learning methods for fraud detection in healthcare insurance | |
| Glied et al. | The net benefits of depression management in primary care | |
| US8782087B2 (en) | Analyzing large data sets to find deviation patterns | |
| CN113657548A (zh) | 医保异常检测方法、装置、计算机设备及存储介质 | |
| US10776890B1 (en) | Generation from data threats and predictive application of the data models | |
| CN108898316A (zh) | 理赔费用预警方法及系统 | |
| US11361381B1 (en) | Data integration and prediction for fraud, waste and abuse | |
| CN117409913A (zh) | 一种基于云技术的医疗服务方法和平台 | |
| CN109636648A (zh) | 社保违规检测方法、装置、设备及计算机存储介质 | |
| Yange | A Fraud Detection System for Health Insurance in Nigeria | |
| CN112786196A (zh) | 基于大数据医疗管理的智能护理交互系统 | |
| US8818825B1 (en) | Patient authentication fraud prevention system and method | |
| CN114493900A (zh) | 一种新支付制度下的基金监管系统及实现方法 | |
| CN114360680A (zh) | 基于区块链和云服务的健康大数据管理系统 | |
| CN114418560A (zh) | 一种多方对账处理方法及装置 |
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: 20200825 |