CN112884593A - 一种基于图聚类分析的医保骗保行为检测方法及预警装置 - Google Patents
一种基于图聚类分析的医保骗保行为检测方法及预警装置 Download PDFInfo
- Publication number
- CN112884593A CN112884593A CN202110136938.6A CN202110136938A CN112884593A CN 112884593 A CN112884593 A CN 112884593A CN 202110136938 A CN202110136938 A CN 202110136938A CN 112884593 A CN112884593 A CN 112884593A
- Authority
- CN
- China
- Prior art keywords
- graph
- medical insurance
- data
- group
- cluster analysis
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 238000007621 cluster analysis Methods 0.000 title claims abstract description 15
- 230000006399 behavior Effects 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000013138 pruning Methods 0.000 claims abstract description 9
- 238000000586 desensitisation Methods 0.000 claims abstract description 6
- 230000036541 health Effects 0.000 claims abstract description 5
- 238000013075 data extraction Methods 0.000 claims abstract description 4
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 238000012805 post-processing Methods 0.000 claims abstract description 4
- 239000003814 drug Substances 0.000 claims description 40
- 230000002159 abnormal effect Effects 0.000 claims description 22
- 238000000034 method Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000008520 organization Effects 0.000 claims description 10
- 229940079593 drug Drugs 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000007418 data mining Methods 0.000 abstract description 2
- 238000012216 screening Methods 0.000 description 5
- 241000208340 Araliaceae Species 0.000 description 4
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 4
- 235000003140 Panax quinquefolius Nutrition 0.000 description 4
- 235000008434 ginseng Nutrition 0.000 description 4
- 238000011835 investigation Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- HHXYJYBYNZMZKX-UHFFFAOYSA-N 3,4:15,16-diepoxy-7-oxo-13(16),14-clerodadien-20,12-olide-(3alpha,4alpha)-form Natural products C12CCC3C4(C)CCCC(C)(C)C4CCC3(C)C1(C)CCC1C2(C)CCC1C(=C)C HHXYJYBYNZMZKX-UHFFFAOYSA-N 0.000 description 1
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 206010013654 Drug abuse Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 208000011117 substance-related disease Diseases 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2323—Non-hierarchical techniques based on graph theory, e.g. minimum spanning trees [MST] or graph cuts
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Discrete Mathematics (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明属于医疗健康大数据的数据挖掘技术领域，尤其是涉及一种基于图聚类分析的医保骗保行为检测方法及预警装置。一种基于图聚类分析的医保骗保行为检测方法，包括以下步骤：S1、数据提取与脱敏；S2、预处理与建图；S3、图模型剪枝；S4、图聚类分析；S5、阈值后处理和结果提取。本发明提供了一种利用不断更新的医保大数据作为输入，经过计算可以及时发现可疑的群体骗保行为的基于图聚类分析的医保骗保行为检测方法及预警装置。
Description
技术领域
本发明属于医疗健康大数据的数据挖掘技术领域，尤其是涉及一种基于图聚类分析的医保骗保行为检测方法及预警装置。
背景技术
近些年，随着人民生活水平不断提高，中国基本医疗保险参与人数已经达到13.5亿人，参保率超过了95％，医疗支出费用从2008年的1.45万亿增长到2015年的4.1万亿，年均增长率达16％，远远超过我国GDP同期增长率。其中很重要的一个原因就是医保欺诈、资源浪费和药物滥用(FWA)。根据联邦调查局估计，在美国每年欺诈占医疗保险的3-10％(大约占190亿美元到650亿美元之间)。着人口老年化加剧，FWA情况愈演愈烈。根据医疗机构的报告，2012年美国FWA总费用为750亿美元。与此同时，传统的欺诈检测是依靠专家调查，这会产生大量的时间成本和人力成本。根据案件难易程度每次调查的费用在200美元到20000美元之间。此外，随着医疗保险数据的爆炸性增长，领域专家人数无法满足现有欺诈案例的筛查。因此，医保欺诈方面有必要投入研究，尽早地发现预防甚至杜绝医疗保险欺诈的发生。
群体就医是常见的多种骗保行为中的一种。基层医疗机构、药店、诊所或民营医疗机构存在恶意收集参保人医保卡，或者“卡头”收集参保人医保卡。从结算数据中，往往表现出就诊结算时间相近、处方医生相对固定、诊断疾病的种类数、开具雷同药品组合或针对同一疾病频繁的变化药品商品名等现象，通过以上分析期望发现就诊类似的一组人进行筛查，确定欺诈骗保群体。
现有的医保大数据自动化异常检测主要分为两个方向：有监督学习和无监督学习。有监督学习指的是利用带标注的数据，也就是已经区分好是否异常的数据，进行模型的训练。有监督学习能够让模型从数据与标注中学习到一个映射关系，引导模型向正确的方向前进，是被动的学习。无监督学习和有监督学习的区别就在于没有提供标注，模型只能从数据中主动的学习其中的关联，通过挖掘数据之间的相似性以及异常，找到感兴趣的模式。相比于无监督学习，由于有监督学习获得了额外的标注信息，模型能够更加明确数据与结果的关系。因此，有监督学习在大多数任务重往往能够取得更好的结果。然而，由于医保数据量巨大，标注成本很高，我们能获得的往往都是没有经过标注的原始数据。在这个时候，无监督学习往往更能发挥其作用，挖掘出数据中的异常行为。
发明内容
本发明所要解决的技术问题是提供一种利用不断更新的医保大数据作为输入，经过计算可以及时发现可疑的群体骗保行为的基于图聚类分析的医保骗保行为检测方法及预警装置。为此，本发明采用以下技术方案：
一种基于图聚类分析的医保骗保行为检测方法，包括以下步骤：
S1、数据提取与脱敏，从医保数据库中提取参保人所有的结算记录，以机构为单位进行划分并进行预处理；
S2、预处理与建图，将步骤S1中提取出的结构化数据进行预处理，根据分组后参保人的购药行为构建图模型；
S3、图模型剪枝，结合群体就医骗保行为的特征对步骤S2建立的图模型进行剪枝；
S4、图聚类分析，根据步骤S3的图聚类结果，对图中的参保人节点划分为不同的社区，并在每个社区内提取这个社区中所有无相关关系的团，视为可能存在的团体购药异常群体；
S5、阈值后处理和结果提取，对步骤S4中得到的所有异常群体，提取整个团体的群体购药的明细数据并据此计算异常群体每次购药交易的平均时间间隔，去除平均时间间隔较大的群体后的结果作为异常结果进行输出。
其中，步骤S2中的购药行为是根据医保局提供的结算数据和交易详细来判定的，具体的，一条交易号对应一次购药行为；
步骤S3中利用特征进行剪枝可降低模型的复杂度，以减少计算量；
步骤S3中群体就医骗保行为的特征在于，在一定的时间范围内(通常是一天或者半天或者数小时之内)的多个参保人在一家或者数家药店进行购药行为，总的次数达到一个阈值(按照医保局的给定的标准，通常是4次或者6次)；
步骤S5中间隔较大的阈值属于按照对照经得来的超参量，在具体的实验过程中采用1小时，即一个疑似异常的群体，如果群体购药的平均时间间隔大于一小时，便不再认为其属于群体异常。
在采用上述技术方案的基础上，本发明还可采用以下进一步的技术方案：
所述步骤S1中的机构为医疗机构，至少包括药店、诊所、社区卫生服务中心。即按照医保局的筛查要求，筛查的机构包括除去公立医院外的所有医保定点机构。
所述步骤S1还包括：将政府医保系统中带有个人敏感信息的原始数据进行脱敏处理，再导出到工作系统当中并转至安全的工作系统中进行oracle数据的存储。
具体地，Oracle数据系统是目前世界上流行的关系数据库管理系统，系统可移植性好、使用方便、功能强，适用于各类大、中、小微机环境。它是一种高效率的、可靠性好的、适应高吞吐量的数据库方案。
所述步骤S2还包括：
S21、提取图聚类分析所必要的维度作为图分析的数据并去掉重复记录；
S22、将步骤S21所提取的记录按机构和日期进行分组；
S23、将一家机构一天范围内的有购药记录的任意两个参保人视为可能存在异常群体关系，在图模型中将两个参保人对应的顶点之间的边权加1，遍历整个数据集构建图模型。
所述维度包括就诊流水号、参保人ID、机构名称和结算时间。
所述步骤S3还包括去除图模型中边权小于群体购药次数阈值的所有边，以及去除没有边的孤立的点，该点为参保人。
所述步骤S4采用将贪心算法和快速模块度最大化相结合的社区发现算法，对于每个社区调用networkx函数包中的find_cliques函数寻找存在的团并进行去重处理。每个聚类的社区提取的团中的所有的参保人顶点两两之间必定存在边权大于群体购药次数阈值的边。
具体地，networkx函数包是用python语言编写的软件包，便于用户对复杂网络进行创建、操作和学习。利用networkx可以以标准化和非标准化的数据格式存储网络、生成多种随机网络和经典网络、分析网络结构、建立网络模型、设计新的网络算法、进行网络绘制等；find_cliques函数是networkx函数包中的函数，具体的作用是在已经建好的图中找到最最大团，最大团中的每一个顶点和其他顶点之间都有边相连。
所述步骤S5还包括通过在总交易记录中的就诊流水号和参保人ID信息唯一确定的交易来提取群体购药的整个明细数据，通过平均时间的阈值超参数对数据训练和验证，确定超参数的最佳值。
同时，本发明还提供以下技术方案：
一种基于图聚类分析的医保骗保行为的预警装置，包括：
存储器，用于存储计算机的可执行指令、和在执行所述可执行指令时使用或产生的数据；
处理器，用于执行存储器存储的计算机可执行指令，与所述存储器通信连接；
所述预警装置用于实现上述的方法。
其中，所述计算机存储器中存有医保全年交易数据，其包括结算记录和交易详情，结算记录包括交易流水号、机构编码、参保人编码、结算时间、金额等，交易详情包括交易流水号、药品编码、药品名称、剂量等。
与现有技术相比，本发明具有以下有益效果：
1)将图聚类算法用于医保群体购药异常的检测之中，对比原有采用人工规则式方式的筛查的做法在效率上有极大提高。
2)在对医保大数据进行图聚类分析时利用医保常识采用剪枝算法，节省了模型的时空开销。
3)能有效提升医保工作人员工作效率，为国家节省大量的医保基金。
附图说明
图1为本发明一种基于图聚类分析的医保骗保行为检测方法及预警装置的流程示意图。
具体实施方式
为了进一步理解本发明，下面结合具体实施方式对本发明提供的一种基于图聚类分析的医保骗保行为检测方法及预警装置进行具体描述，但本发明并不限于此，该领域技术人员在本发明核心指导思想下做出的非本质改进和调整，仍然属于本发明的保护范围。
一种基于图聚类分析的医保骗保行为检测方法，包括以下步骤：
S1、数据提取与脱敏，从医保数据库中提取参保人所有的结算记录，以机构为单位进行划分并进行预处理。脱敏包括：将政府医保系统中带有个人敏感信息的原始数据进行脱敏处理，再导出到工作系统当中并转至安全的工作系统中进行oracle数据的存储。
其中，机构为医疗机构，至少包括药店、诊所、社区卫生服务中心。
具体地，从医保系统中导出oracle数据库，并进行脱敏处理，再转至工作使用的oracle数据库,并从中提取参保人所有的结算记录共6000多万条行的结构化数据。
S2、预处理与建图，将步骤S1中提取出的结构化数据进行预处理，根据分组后参保人的购药行为构建图模型。
包括以下步骤：
S21、提取图聚类分析所必要的维度作为图分析的数据并去掉重复记录；
S22、将步骤S21所提取的记录按机构和日期进行分组；
S23、将一家机构一天范围内的有购药记录的任意两个参保人视为可能存在异常群体关系，在图模型中将两个参保人对应的顶点之间的边权加1，遍历整个数据集构建图模型。
其中，维度包括就诊流水号、参保人ID、机构名称和结算时间。
具体地，数据预处理的主要目的是减少本发明装置在运行时的内存消耗，在S1中提取出的结构化数据是参保人购药的明细信息，而在图聚类分析时只需要用到部分字段。因此，在预处理中，只提取S1中就诊流水号、参保人ID、机构编码和结算时间四个维度的数据，同时由于购药的多样性以上记录会存在数值上的重复，因此需要对DataFrame文件进行去重，具体的：保留重复记录的第一条记录，其余均去除。对于已经预处理好的Dataframe格式的数据，按照机构编码和结算时间两个维度进行groupby操作，对于同机构内同一天有购药记录的所有参保人视为存在异常购药关系并在新建的图中添加两个参保人之间的边，遍历所有的机构构建整个图模型，整个图模型中的点约有20万个。
S3、图模型剪枝，结合群体就医骗保行为的特征对步骤S2建立的图模型进行剪枝。
进一步地，包括去除图模型中边权小于群体购药次数阈值的所有边，以及去除没有边的孤立的点，该点为参保人。
具体地，图模型剪枝能很大程度上减少后续图聚类的计算量，具体的剪枝方法为：对于S2中构建图模型，剔除所有边权都小于群体购药次数阈值(阈值设置为4)的点及其所有的边，即我们认为如果一个参保人在筛查的时间范围内的购药次数小于阈值，那这个参保人无法构成异常群体。经过剪枝处理后，原有图模型中20万个点减少为7万个，很大程度上减少了计算量。
S4、图聚类分析，根据步骤S3的图聚类结果，对图中的参保人节点划分为不同的社区，并在每个社区内提取这个社区中所有无相关关系的团，视为可能存在的团体购药异常群体。
进一步地，采用将贪心算法和快速模块度最大化相结合的社区发现算法，对于每个社区调用networkx函数包中的find_cliques函数寻找存在的团并进行去重处理。每个聚类的社区提取的团中的所有的参保人顶点两两之间必定存在边权大于群体购药次数阈值的边。
具体地，图聚类算法采用将贪心算法(FN)和快速模块度最大化(louvain)相结合的社区发现算法，具体步骤为：
1)去掉网络中所有的边，网络的每个结点都单独作为一个社区；
2)网络中的每个连通部分作为一个社区，将还未加入网络的边分别重新加回网络，每次加入一条边，如果加入网络的边连接了两个不同的社区，则合并两个社区，并计算形成新社区划分的模块度增量。选择使模块度增量最大的两个社区进行合并；
3)如果一直能够找到使得模块度增大的合并，则返回步骤2)继续迭代，否则转到步骤4)；
4)遍历每种社区划分对应的模块度值，选取模块度最大的社区划分作为网络的最优划分。
在得到了社区的划分结果之后，在划分的每个社区内利用networkx包提供的find_cliques函数寻找社区中的团并注意剔除掉其中存在包含关系的团。
S5、阈值后处理和结果提取，对步骤S4中得到的所有异常群体，提取整个团体的群体购药的明细数据并据此计算异常群体每次购药交易的平均时间间隔，去除平均时间间隔较大的群体后的结果作为异常结果进行输出。
进一步地，还包括通过在总交易记录中的就诊流水号和参保人ID信息唯一确定的交易来提取群体购药的整个明细数据，通过平均时间的阈值超参数对数据训练和验证，确定超参数的最佳值。
具体地，提取整个团体的群体购药的明细数据并据此计算异常群体每次购药交易的平均时间间隔，剔除掉平均时间间隔在2小时以上的群体，将剩余的团视为可以群体，同时需要将可疑群体的结算明细从医保数据库中提取出来供相关人员核验。
平均购药时间间隔初步阈值设置为2小时，若提取出的人员过多，则适当增加阈值(考虑到实际稽查的难度和医保局查处欺诈骗保行为的威慑作用)，以获取异常人员和异常机构。在提取明细的过程中，为了核验的便利，需要提取参保人、机构、购买项目名称、项目编码、单价、数量、时间、列支费用、医保报销费用、性别、参保类型等相关变量供医保局稽查人员核验，具体内容会与当地数据库表结构和需求相关。
进一步地，为了实现上述方法，还提供了以下预警装置。
一种基于图聚类分析的医保骗保行为的预警装置，包括：
存储器，用于存储计算机的可执行指令、和在执行所述可执行指令时使用或产生的数据；
处理器，用于执行存储器存储的计算机可执行指令，与所述存储器通信连接；
所述预警装置用于实现上述的方法。
虽然本发明已通过参考优选的实施例进行了图示和描述，但是，本专业普通技术人员应当了解，在权利要求书的范围内，可作形式和细节上的各种各样变化。
Claims (9)
1.一种基于图聚类分析的医保骗保行为检测方法，其特征在于包括以下步骤：
S1、数据提取与脱敏，从医保数据库中提取参保人所有的结算记录，以机构为单位进行划分并进行预处理；
S2、预处理与建图，将步骤S1中提取出的结构化数据进行预处理，根据分组后参保人的购药行为构建图模型；
S3、图模型剪枝，结合群体就医骗保行为的特征对步骤S2建立的图模型进行剪枝；
S4、图聚类分析，根据步骤S3的图聚类结果，对图中的参保人节点划分为不同的社区，并在每个社区内提取这个社区中所有无相关关系的团，视为可能存在的团体购药异常群体；
S5、阈值后处理和结果提取，对步骤S4中得到的所有异常群体，提取整个团体的群体购药的明细数据并据此计算异常群体每次购药交易的平均时间间隔，去除平均时间间隔较大的群体后的结果作为异常结果进行输出。
2.根据权利要求1所述的一种基于图聚类分析的医保骗保行为检测方法，其特征在于所述步骤S1中的机构为医疗机构，至少包括药店、诊所、社区卫生服务中心。
3.根据权利要求2所述的一种基于图聚类分析的医保骗保行为检测方法，其特征在于所述步骤S1还包括：将政府医保系统中带有个人敏感信息的原始数据进行脱敏处理，再导出到工作系统当中并转至安全的工作系统中进行oracle数据的存储。
4.根据权利要求1所述的一种基于图聚类分析的医保骗保行为检测方法，其特征在于所述步骤S2还包括：
S21、提取图聚类分析所必要的维度作为图分析的数据并去掉重复记录；
S22、将步骤S21所提取的记录按机构和日期进行分组；
S23、将一家机构一天范围内的有购药记录的任意两个参保人视为可能存在异常群体关系，在图模型中将两个参保人对应的顶点之间的边权加1，遍历整个数据集构建图模型。
5.根据权利要求4所述的一种基于图聚类分析的医保骗保行为检测方法，其特征在于所述维度包括就诊流水号、参保人ID、机构名称和结算时间。
6.根据权利要求1所述的一种基于图聚类分析的医保骗保行为检测方法，其特征在于所述步骤S3还包括去除图模型中边权小于群体购药次数阈值的所有边，以及去除没有边的孤立的点，该点为参保人。
7.根据权利要求1所述的一种基于图聚类分析的医保骗保行为检测方法，其特征在于所述步骤S4采用将贪心算法和快速模块度最大化相结合的社区发现算法，对于每个社区调用networkx函数包中的find_cliques函数寻找存在的团并进行去重处理。
8.根据权利要求5所述的一种基于图聚类分析的医保骗保行为检测方法，其特征在于所述步骤S5还包括通过在总交易记录中的就诊流水号和参保人ID信息唯一确定的交易来提取群体购药的整个明细数据，通过平均时间的阈值超参数对数据训练和验证，确定超参数的最佳值。
9.一种基于图聚类分析的医保骗保行为的预警装置，其特征在于包括：
存储器，用于存储计算机的可执行指令、和在执行所述可执行指令时使用或产生的数据；
处理器，用于执行存储器存储的计算机可执行指令，与所述存储器通信连接；
所述预警装置用于实现如权利要求1-8中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110136938.6A CN112884593A (zh) | 2021-02-01 | 2021-02-01 | 一种基于图聚类分析的医保骗保行为检测方法及预警装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110136938.6A CN112884593A (zh) | 2021-02-01 | 2021-02-01 | 一种基于图聚类分析的医保骗保行为检测方法及预警装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112884593A true CN112884593A (zh) | 2021-06-01 |
Family
ID=76052332
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110136938.6A Pending CN112884593A (zh) | 2021-02-01 | 2021-02-01 | 一种基于图聚类分析的医保骗保行为检测方法及预警装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112884593A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN118378201A (zh) * | 2024-06-25 | 2024-07-23 | 浙江大学 | 一种医保群体异常行为检测方法和装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109615546A (zh) * | 2018-12-13 | 2019-04-12 | 平安医疗健康管理股份有限公司 | 异常就诊的识别方法、装置、终端及计算机可读存储介质 |
| CN109636652A (zh) * | 2018-12-13 | 2019-04-16 | 平安医疗健康管理股份有限公司 | 购药行为异常的监控方法、监控服务端及存储介质 |
| CN109658109A (zh) * | 2018-10-29 | 2019-04-19 | 平安医疗健康管理股份有限公司 | 医保异常刷卡的检测方法、装置、终端及存储介质 |
| CN109905254A (zh) * | 2017-12-07 | 2019-06-18 | 航天信息股份有限公司 | 一种社区发现方法及装置 |
| CN111427926A (zh) * | 2020-03-23 | 2020-07-17 | 平安医疗健康管理股份有限公司 | 异常医保群组识别方法、装置、计算机设备及存储介质 |
| CN111612636A (zh) * | 2020-04-29 | 2020-09-01 | 山东大学 | 基于双聚类算法的异常医保数据检测系统及方法 |
-
2021
- 2021-02-01 CN CN202110136938.6A patent/CN112884593A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109905254A (zh) * | 2017-12-07 | 2019-06-18 | 航天信息股份有限公司 | 一种社区发现方法及装置 |
| CN109658109A (zh) * | 2018-10-29 | 2019-04-19 | 平安医疗健康管理股份有限公司 | 医保异常刷卡的检测方法、装置、终端及存储介质 |
| CN109615546A (zh) * | 2018-12-13 | 2019-04-12 | 平安医疗健康管理股份有限公司 | 异常就诊的识别方法、装置、终端及计算机可读存储介质 |
| CN109636652A (zh) * | 2018-12-13 | 2019-04-16 | 平安医疗健康管理股份有限公司 | 购药行为异常的监控方法、监控服务端及存储介质 |
| CN111427926A (zh) * | 2020-03-23 | 2020-07-17 | 平安医疗健康管理股份有限公司 | 异常医保群组识别方法、装置、计算机设备及存储介质 |
| CN111612636A (zh) * | 2020-04-29 | 2020-09-01 | 山东大学 | 基于双聚类算法的异常医保数据检测系统及方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN118378201A (zh) * | 2024-06-25 | 2024-07-23 | 浙江大学 | 一种医保群体异常行为检测方法和装置 |
| CN118378201B (zh) * | 2024-06-25 | 2024-09-06 | 浙江大学 | 一种医保群体异常行为检测方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Herland et al. | Big data fraud detection using multiple medicare data sources | |
| Li et al. | A survey on statistical methods for health care fraud detection | |
| Kirlidog et al. | A fraud detection approach with data mining in health insurance | |
| 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 | |
| US5724488A (en) | Fuzzy logic entity behavior profiler | |
| JP2020532010A (ja) | 改善された異常検知システム | |
| US20210182859A1 (en) | System And Method For Modifying An Existing Anti-Money Laundering Rule By Reducing False Alerts | |
| US11062337B1 (en) | Next product purchase and lapse predicting tool | |
| US20090099884A1 (en) | Method and system for detecting fraud based on financial records | |
| CN107145587A (zh) | 一种基于大数据挖掘的医保反欺诈系统 | |
| WO2013126281A1 (en) | Systems and methods for putative cluster analysis | |
| US20120173289A1 (en) | System and method for detecting and identifying patterns in insurance claims | |
| CN113095927A (zh) | 一种反洗钱可疑交易识别方法及设备 | |
| CN113657548A (zh) | 医保异常检测方法、装置、计算机设备及存储介质 | |
| CN112884593A (zh) | 一种基于图聚类分析的医保骗保行为检测方法及预警装置 | |
| CN109978701A (zh) | 个人住院概率预测方法及系统 | |
| Duman et al. | Heath care fraud detection methods and new approaches | |
| US11769210B1 (en) | Computer-based management methods and systems | |
| Kajwang | Implications for big data analytics on claims fraud management in insurance sector | |
| Agrawal et al. | A comparative analysis of fraud detection in healthcare using data balancing & machine learning techniques | |
| Yange | A Fraud Detection System for Health Insurance in Nigeria | |
| Sheshasayee et al. | Implementation of data mining techniques in upcoding fraud detection in the monetary domains | |
| Herland | Big Data Analytics and Engineering for Medicare Fraud Detection | |
| Nguyen et al. | Reimagining peer-to-peer lending sustainability: unveiling predictive insights with innovative machine learning approaches for loan default anticipation | |
| Vajiram et al. | Correlating Medi-Claim Service by Deep Learning Neural Networks |
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 |
Application publication date: 20210601 |
|
| RJ01 | Rejection of invention patent application after publication |