CN115080997A - 医保基金的移动稽查方法、装置、计算机设备及存储介质 - Google Patents
医保基金的移动稽查方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN115080997A CN115080997A CN202210621871.XA CN202210621871A CN115080997A CN 115080997 A CN115080997 A CN 115080997A CN 202210621871 A CN202210621871 A CN 202210621871A CN 115080997 A CN115080997 A CN 115080997A
- Authority
- CN
- China
- Prior art keywords
- behavior
- medical
- personnel
- analyzed
- data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000007689 inspection Methods 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 238000000586 desensitisation Methods 0.000 claims abstract description 15
- 230000006399 behavior Effects 0.000 claims description 397
- 201000010099 disease Diseases 0.000 claims description 39
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 39
- 238000012550 audit Methods 0.000 claims description 26
- 238000007726 management method Methods 0.000 claims description 25
- 238000011272 standard treatment Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 239000003814 drug Substances 0.000 description 12
- 229940079593 drug Drugs 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000001960 triggered effect Effects 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002558 medical inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
- G06F21/6254—Protecting personal data, e.g. for financial or medical purposes by anonymising data, e.g. decorrelating personal data from the owner's identification
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Bioethics (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明涉及行为稽查的技术领域，尤其是涉及一种医保基金的移动稽查方法、装置、计算机设备及存储介质，方法包括：获取人员参保行为数据，并根据所述人员参保行为数据构建医保经办数据库；从所述医保经办数据库中提取人员敏感信息，对所述人员敏感信息进行脱敏处理，得到人员敏感信息和与每个所述人员敏感信息相关联的待分析行为数据；将所述待分析行为数据输入至预设的医保规则模型中分析，以获取待稽查行为数据；当获取到所述待稽查行为数据时，获取与所述待稽查行为数据相对应的所述人员敏感信息，对所述人员敏感信息进行加密后，根据加密后的所述人员敏感信息和所述待稽查行为数据触发移动稽查信息。本申请具有提医疗保险的稽查能力的效果。
Description
技术领域
本发明涉及行为稽查的技术领域，尤其是涉及一种医保基金的移动稽查方法、装置、计算机设备以及存储介质。
背景技术
随着经济社会的快速发展，社会保障制度的日益健全，国家对基本医疗保险领域的投入逐年增加，社会保障水平不断提高。与此同时，医保基金不合理支出，甚至骗保现象屡见报端，骗保手段不断翻新，性质愈加恶劣，问题越发严重 ，引起社会各界的高度关注，医保监管的责任屡屡被提及。医疗机构为了增加收入以补贴取消药品加成减少的利润，过度检验检査等现象比较普遍，同时降低入院标准，小病大治，且入院后动辄做一些不必要的高、新、精项目检查的现象屡见不鲜。小病大治，高精尖医疗技术滥用，参保患者盲目“点菜”甚至医患合谋骗取医保基金现象时有发生。
面对定点医药机构不断变换的违规方式，医疗审核的难度越来越大，对监管人员的专业技术水平提出了挑战。医保稽核是监管的主要手段，日益加重的基金支付压力和规范管理呼唤强有力的监管，加强稽核是保证基金合理支出与基金安全的迫切需要。
发明内容
为了提医疗保险的稽查能力，本申请提供一种医保基金的移动稽查方法、装置、计算机设备及存储介质。
本申请的上述发明目的一是通过以下技术方案得以实现的：
一种医保基金的移动稽查方法，所述医保基金的移动稽查方法包括：
获取人员参保行为数据，并根据所述人员参保行为数据构建医保经办数据库；
从所述医保经办数据库中提取人员敏感信息，对所述人员敏感信息进行脱敏处理，得到人员敏感信息和与每个所述人员敏感信息相关联的待分析行为数据；
将所述待分析行为数据输入至预设的医保规则模型中分析，以获取待稽查行为数据；
当获取到所述待稽查行为数据时，获取与所述待稽查行为数据相对应的所述人员敏感信息，对所述人员敏感信息进行加密后，根据加密后的所述人员敏感信息和所述待稽查行为数据触发移动稽查信息。
通过采用上述技术方案，通过将人员参保行为数据构建该医保经办数据库，能够将人员参保的行为组成大数据，在对人员信息进行脱敏后，利用大数据分析的能力，得到每一个人员的待分析行为数据，并将该待分析行为数据输入至预设的医保规则模型中进行分析，从而能够筛选出可疑的医保行为，并将该可疑的医保行为触发该移动稽查信息，从而使得对应的稽查人员能够根据该移动稽查信息进行现场的考察，收集相关证据等，同时，在收集好相关证据后，不仅提升了稽查的效率，也能够完善并丰富相关的规定，有助于提升医保相关的规范性。
本申请在一较佳示例中可以进一步配置为：在所述将所述待分析行为数据输入至预设的医保规则模型中分析之前，所述医保基金的移动稽查方法还包括：
获取病种类型数据，根据所述病种类型数据获取对应的标准医疗行为；
根据每个所述病种类型数据，获取对应的历史正常医疗行为，根据所述历史正常医疗行为和所述标准医疗行为构建威尔逊模型，将构建得到的所述威尔逊模型作为所述医保规则模型。
通过采用上述技术方案，由于常规的威尔逊算法是用于计算用户对某个文章、商品或者评论的评价的行为的排序算法，通过利用威尔逊算法构建得到的医保规则模型，能够将标准医疗行为作为基准，从而计算出待分析医疗行为相对该标准医疗行为的热度，将该热度作为与标准医疗行为之间的相关程度，从而能够通过该构建得到的威尔逊模型，即医保规则模型计算出待分析行为数据的得分，从而有助于得出对应的待稽查行为数据。
本申请在一较佳示例中可以进一步配置为：所述根据所述历史正常医疗行为和所述标准医疗行为构建威尔逊模型，将构建得到的所述威尔逊模型作为所述医保规则模型，具体包括：
从所述正常医疗行为和/或从所述标准医疗行为中获取每个所述病种类型数据对应的治疗项目类型；
根据所述治疗项目类型从所述正常医疗行为中获取正常治疗项目行为，以及，根据所述治疗项目类型从所述标准医疗行为中获取标准治疗项目行为；
根据每个所述病种类型数据计算每个所述治疗项目类型中，所述正常治疗项目行为和所述标准治疗项目行为之间的行为差值；
根据所述行为差值构建所述医保规则模型。
通过采用上述技术方案，由于每个地区或者每个患者的实际病情不同，具体的医疗行为可能会存在与标准的医疗行为之间产生差别，从而，将通过稽查或者其他方式已经定义为正常医疗行为与对应的标准医疗行为进行比对，从而得到对应的行为差值，作为误差阈值，从而使得构建得到的医保规则模型跟实际情况更加符合，提升了该医保规则模型的精确度。
本申请在一较佳示例中可以进一步配置为：将所述待分析行为数据输入至预设的医保规则模型中分析，以获取待稽查行为数据，具体包括：
从所述待分析行为数据中获取待分析行为类型和每个所述待分析行为类型对应的待分析医疗内容；
根据所述待分析行为类型获取对应的所述治疗项目类型和与所述治疗项目类型对应的所述标准治疗项目行为，作为待比对项目内容；
将所述待分析医疗内容与所述待比对项目内容进行比对，得到比对差值，并判断所述比对差值是否小于所述行为差值，得到判断结果；
根据所述判断结果，通过以下公式计算出所述待分析行为数据的行为威尔逊得分：
其中，n为在所述待分析行为数据中，所述待分析行为类型的总数量；u为在所述待分析行为数据中，所述比对差值小于或等于所述行为差值对应的所述待分析行为类型的数量；v为在所述待分析行为数据中，所述比对差值大于所述行为差值，以及无法匹配出对应的治疗项目类型对应的所述待分析行为类型的数量；Z为权重参数，S为所述威尔逊得分；
若所述威尔逊得分小于预设值，则将所述待分析行为数据作为所述待稽查行为数据。
通过采用上述技术方案，通过计算出待分析医疗行为的威尔逊得分，从而能够得出待分析行为数据相对于对应的标准医疗行为的热度，即与标准医疗行为的关联程度，且该威尔逊得分越高，说明关联程度越高，若该行为威尔逊得分低于预设值，则说明待分析行为数据异常，作为待稽查行为数据，从而能够提升医疗稽查的效率；同时，能够通过根据实际情况调整权重参数Z，以提升稽查的准确度。
本申请在一较佳示例中可以进一步配置为：所述根据所述人员敏感信息从所述待稽查行为数据中获取人员医保轨迹信息，具体包括：
将所述待稽查行为数据与预设的医疗数据库进行匹配，得到行为经纬度和行为时间；
按照所述行为时间的顺序对所述行为经纬度进行排序，得到所述人员医保轨迹信息。
通过采用上述技术方案，通过获取该行为经纬度和行为时间，能够准确地生成该人员医保轨迹信息。
本申请的上述发明目的二是通过以下技术方案得以实现的：
一种医保基金的移动稽查装置，所述医保基金的移动稽查装置包括：
数据库构建模块，用于获取人员参保行为数据，并根据所述人员参保行为数据构建医保经办数据库；
脱敏处理模块，用于从所述医保经办数据库中提取人员敏感信息，对所述人员敏感信息进行脱敏处理，得到人员敏感信息和与每个所述人员敏感信息相关联的待分析行为数据；
行为分析模块，用于将所述待分析行为数据输入至预设的医保规则模型中分析，以获取待稽查行为数据；
移动稽查模块，用于当获取到所述待稽查行为数据时，获取与所述待稽查行为数据相对应的所述人员敏感信息，对所述人员敏感信息进行加密后，根据加密后的所述人员敏感信息和所述待稽查行为数据触发移动稽查信息。
通过采用上述技术方案，通过将人员参保行为数据构建该医保经办数据库，能够将人员参保的行为组成大数据，在对人员信息进行脱敏后，利用大数据分析的能力，得到每一个人员的待分析行为数据，并将该待分析行为数据输入至预设的医保规则模型中进行分析，从而能够筛选出可疑的医保行为，并将该可疑的医保行为触发该移动稽查信息，从而使得对应的稽查人员能够根据该移动稽查信息进行现场的考察，收集相关证据等，同时，在收集好相关证据后，不仅提升了稽查的效率，也能够完善并丰富相关的规定，有助于提升医保相关的规范性。
本申请的上述目的三是通过以下技术方案得以实现的：
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述医保基金的移动稽查方法的步骤。
本申请的上述目的四是通过以下技术方案得以实现的：
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述医保基金的移动稽查方法的步骤。
综上所述，本申请包括以下至少一种有益技术效果：
1、通过将人员参保行为数据构建该医保经办数据库，能够将人员参保的行为组成大数据，在对人员信息进行脱敏后，利用大数据分析的能力，得到每一个人员的待分析行为数据，并将该待分析行为数据输入至预设的医保规则模型中进行分析，从而能够筛选出可疑的医保行为，并将该可疑的医保行为触发该移动稽查信息，从而使得对应的稽查人员能够根据该移动稽查信息进行现场的考察，收集相关证据等，同时，在收集好相关证据后，不仅提升了稽查的效率，也能够完善并丰富相关的规定，有助于提升医保相关的规范性；
2、由于常规的威尔逊算法是用于计算用户对某个文章、商品或者评论的评价的行为的排序算法，通过利用威尔逊算法构建得到的医保规则模型，能够将标准医疗行为作为基准，从而计算出待分析医疗行为相对该标准医疗行为的热度，将该热度作为与标准医疗行为之间的相关程度，从而能够通过该构建得到的威尔逊模型，即医保规则模型计算出待分析行为数据的得分，从而有助于得出对应的待稽查行为数据；
3、由于每个地区或者每个患者的实际病情不同，具体的医疗行为可能会存在与标准的医疗行为之间产生差别，从而，将通过稽查或者其他方式已经定义为正常医疗行为与对应的标准医疗行为进行比对，从而得到对应的行为差值，作为误差阈值，从而使得构建得到的医保规则模型跟实际情况更加符合，提升了该医保规则模型的精确度；
4、通过计算出待分析医疗行为的威尔逊得分，从而能够得出待分析行为数据相对于对应的标准医疗行为的热度，即与标准医疗行为的关联程度，且该威尔逊得分越高，说明关联程度越高，若该行为威尔逊得分低于预设值，则说明待分析行为数据异常，作为待稽查行为数据，从而能够提升医疗稽查的效率；同时，能够通过根据实际情况调整权重参数Z，以提升稽查的准确度。
附图说明
图1是本申请一实施例中医保基金的移动稽查方法的一流程图；
图2是本申请一实施例中医保基金的移动稽查方法中另一实现流程图；
图3是本申请一实施例中医保基金的移动稽查方法中步骤S302的实现流程图；
图4是本申请一实施例中医保基金的移动稽查方法中步骤S30的实现流程图；
图5是本申请一实施例中医保基金的移动稽查方法中步骤S41的实现流程图；
图6是本申请一实施例中医保基金的移动稽查装置的一原理框图；
图7是本申请一实施例中的设备示意图。
具体实施方式
以下结合附图对本申请作进一步详细说明。
在一实施例中，如图1所示，本申请公开了一种医保基金的移动稽查方法，具体包括如下步骤：
S10：获取人员参保行为数据，并根据人员参保行为数据构建医保经办数据库。
在本实施例中，人员参保行为数据是指人员在做出了医疗行为，并通过医保进行报销时生成的数据。医保经办数据库是指存储有每个人员的参保行为的数据库。
具体地，在有人员触发了医保报销的行为时，从该医保报销的清单中获取该人员的就医行为数据、定点医疗机构信息以及定点药店信息等信息，组成该人员参保行为数据。
进一步地，将收集得到的人员参保行为数据存储至数据库中，得到该医保经办数据库。
S20：从医保经办数据库中提取人员敏感信息，对人员敏感信息进行脱敏处理，得到人员敏感信息和与每个人员敏感信息相关联的待分析行为数据。
在本实施例中，人员敏感信息是指在人员参保行为数据中，用于区分每个人员的个人信息。待分析行为数据是指该人员具体的医保行为的数据。
具体地，由于每个人员在填写或者申报医保时，均会输入或者填写个人信息，如姓名、性别、身份证号码、手机号码以及家庭住址等信息，因此，在获取到人员参保行为数据时，定位出具体的人员后，将该人员的个人信息作为人员敏感信息，将该人员敏感信息进行脱敏后，得到该人员在该人员参保行为数据中的具体行为作为待分析行为数据，可以包括疾病的种类、就医时采取的医疗行为、处方中涉及的药物以及定点医院等信息。
S30：将待分析行为数据输入至预设的医保规则模型中分析，以获取待稽查行为数据。
在本实施例中，医保规则模型是指用于判定并筛选出可疑医保行为的模型。待稽查行为数据是指判定为可疑的医保行为的数据。
具体地，预先根据历史的医保行为，包括正常的医保行为和已经判定为不合规的医保行为的数据，将该医保行为进行训练，从而得到该医保规则模型。进一步地，将该待分析行为数据输入至该医保规则模型中进行分析，从而由该医保规则模型判断该待分析行为数据是否可疑，若是，则将待分析行为数据作为待稽查行为数据。
S40：当获取到待稽查行为数据时，获取与待稽查行为数据相对应的人员敏感信息，对人员敏感信息进行加密后，根据加密后的人员敏感信息和待稽查行为数据触发移动稽查信息。
在本实施例中，移动稽查信息是指通知稽查人员进行现场取证判断待稽查行为是否违规的信息。
具体地，在通过医保规则模型判断得到待稽查行为数据后，对脱敏处理得到的人员敏感信息进行加密后，将加密后的人员敏感信息和待稽查行为数据发送至稽查人员的客户端，使得该稽查人员能够根据该人员敏感信息和对应的待稽查行为数据进行取证。
在本实施例中，通过将人员参保行为数据构建该医保经办数据库，能够将人员参保的行为组成大数据，在对人员信息进行脱敏后，利用大数据分析的能力，得到每一个人员的待分析行为数据，并将该待分析行为数据输入至预设的医保规则模型中进行分析，从而能够筛选出可疑的医保行为，并将该可疑的医保行为触发该移动稽查信息，从而使得对应的稽查人员能够根据该移动稽查信息进行现场的考察，收集相关证据等，同时，在收集好相关证据后，不仅提升了稽查的效率，也能够完善并丰富相关的规定，有助于提升医保相关的规范性。
在一实施例中，如图2所示，在所述将所述待分析行为数据输入至预设的医保规则模型中分析之前，所述医保基金的移动稽查方法还包括：
S301：获取病种类型数据，根据病种类型数据获取对应的标准医疗行为。
在本实施例中，病种类型数据是指能够进行医疗保险的疾病类型。标准医疗行为是指为了医治对应的疾病类型，预先制定好的治疗项目、药物以及对应的费用。
具体地，按照能够进行医疗保险报销的疾病类型，即病种类型数据，获取相关部门或者医疗单位指定的，为了治疗该类型的疾病，所需要的治疗项目以及不同程度的病状所使用的药物清单，并根据当前药物的单价和治疗项目的费用，组成该标准医疗行为。
S302：根据每个病种类型数据，获取对应的历史正常医疗行为，根据历史正常医疗行为和标准医疗行为构建威尔逊模型，将构建得到的威尔逊模型作为医保规则模型。
具体地，获取与每个病种类型数据中，对应的历史治疗记录，并根据过往对这些历史治疗记录进行稽查的结果，筛选出对应的历史正常医疗行为。进一步地，将每个病种类型数据对应的历史正常医疗行为进行比对，根据比对结果采用威尔逊算法，构建出对应的威尔逊模型，即该医保规则模型，从而能够将待分析行为数据相对于标准医疗行为的威尔逊得分，从而能够根据威尔逊得分判断待分析行为数据是否合规。
在一实施例中，如图3所示，在步骤S302中，即根据历史正常医疗行为和标准医疗行为构建威尔逊模型，将构建得到的威尔逊模型作为医保规则模型，具体包括：
S3021：从正常医疗行为和/或从标准医疗行为中获取每个病种类型数据对应的治疗项目类型。
在本实施例中，治疗项目类型是指为了治疗该类型的病种所采用的医疗项目。
具体地，由于已经被认定为正常的医疗行为，在实际治疗时，采用的医疗项目以及所产生的费用与标准医疗行为基本相同，因此在获取对应的治疗项目类型时，可以从标准医疗行为或正常医疗行为的任意一项中获取，而由于根据实际患者的患病情况，例如患病的程度、个人的身体素质导致其他并发症等，即使是被认定为正常的医疗行为，所采用的医疗项目、采用的药物以及对应的费用可能产生不同，为了扩充后续使用威尔逊算法计算待分析行为数据的威尔逊得分的计算维度，可以结合该病种类型数据的所有正常医疗行为中，与标准医疗行为不同的医疗项目、采用的药物和/或产生的费用，作为该治疗项目类型。
S3022：根据治疗项目类型从正常医疗行为中获取正常治疗项目行为，以及，根据治疗项目类型从标准医疗行为中获取标准治疗项目行为。
具体地，分别根据治疗行为类型从每个正常医疗行为中获取正常治疗项目行为，以及从治疗项目类型从标准医疗行为中获取标准治疗项目行为。
S3023：根据每个病种类型数据计算每个治疗项目类型中，正常治疗项目行为和标准治疗项目行为之间的行为差值。
具体地，将同一个病种类型数据中的正常治疗项目分别与对应的标准治疗行为进行比对，得到初始的行为差值；进一步地，由于每个正常治疗行为与标准治疗行为之间的差异均存在差异，因此，按照将相同标准治疗行为计算得到的初始的行为差值计算平均值，从而得到行为差值，或选取数值最大的初始的行为差值作为最终的行为差值。
S3024：根据行为差值构建医保规则模型。
具体地，将该行为差值作为判定待分析行为数据中的每个医疗项目、所采用的药物以及对应的费用是否符合预期的基准值，构建出该医保规则模型。
在一实施例中，如图4所示，在步骤S30中，即将待分析行为数据输入至预设的医保规则模型中分析，以获取待稽查行为数据，具体包括：
S31：从待分析行为数据中获取待分析行为类型和每个待分析行为类型对应的待分析医疗内容。
具体地，从该待分析息行为数据中拆分出对应的医疗项目，作为该待分析行为类型以及，与每个待分析类型对应的待分析医疗内容。
S32：根据待分析行为类型获取对应的治疗项目类型和与治疗项目类型对应的标准治疗项目行为，作为待比对项目内容。
具体地，根据该待分析行为类型，从待分析行为数据对应的病种类型数据中，匹配出对应的治疗项目类型以及对应的标准治疗项目行为，并对匹配识别的待分析行为类型进行标记。
S33：将待分析医疗内容与待比对项目内容进行比对，得到比对差值，并判断比对差值是否小于行为差值，得到判断结果。
S34：根据判断结果，通过以下公式计算出待分析行为数据的行为威尔逊得分：
其中，n为在待分析行为数据中，待分析行为类型的总数量；u为在待分析行为数据中，比对差值小于或等于行为差值对应的待分析行为类型的数量；v为在待分析行为数据中，比对差值大于行为差值，以及无法匹配出对应的治疗项目类型对应的待分析行为类型的数量；Z为权重参数，S为威尔逊得分。
具体地，统计出待分析行为类型的总数量n，统计比对差值小于或者等于行为差值的待分析行为类型的数量，作为参数n，以及，统计比对差值大于行为差值，以及无法匹配出对应的治疗项目类型对应的待分析行为类型的数量，作为参数v，并根据实际情况设置权重参数Z后，计算出行为威尔逊得分S。
S35：若威尔逊得分小于预设值，则将待分析行为数据作为待稽查行为数据。
在一实施例中，如图5所示，在步骤S41中，即根据人员敏感信息从待稽查行为数据中获取人员医保轨迹信息，具体包括：
S411：将待稽查行为数据与预设的医疗数据库进行匹配，得到行为经纬度和行为时间。
在本实施例中，医疗数据库是指记录有医疗机构的相关信息的数据库。行为经纬度是指具体在用经纬度表示的待稽查行为数据中，做出每一个医疗动作的位置。
具体地，将该稽查行为数据输入至医疗数据库中进行匹配，获取匹配成功的医疗行为的触发地点，即该人员具体问诊、治疗以及买药等动作的医院以及药店的位置，在获取到触发地点后，从该稽查行为数据中获取每一个触发地点被触发时的时间，作为行为时间，并在该医疗数据库中获取每个触发地点的经纬度信息，作为该行为经纬度。
S412：按照行为时间的顺序对行为经纬度进行排序，得到人员医保轨迹信息。
具体地，按照行为时间的顺序对行为经纬度进行排序，得到人员医保轨迹信息。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
在一实施例中，提供一种医保基金的移动稽查装置，该医保基金的移动稽查装置与上述实施例中医保基金的移动稽查方法一一对应。如图6所示，该医保基金的移动稽查装置包括数据库构建模块、脱敏处理模块、行为分析模块和移动稽查模块。各功能模块详细说明如下：
数据库构建模块，用于获取人员参保行为数据，并根据人员参保行为数据构建医保经办数据库；
脱敏处理模块，用于从医保经办数据库中提取人员敏感信息，对人员敏感信息进行脱敏处理，得到人员敏感信息和与每个人员敏感信息相关联的待分析行为数据；
行为分析模块，用于将待分析行为数据输入至预设的医保规则模型中分析，以获取待稽查行为数据；
移动稽查模块，用于当获取到待稽查行为数据时，获取与待稽查行为数据相对应的人员敏感信息，对人员敏感信息进行加密后，根据加密后的人员敏感信息和待稽查行为数据触发移动稽查信息。
可选的，医保基金的移动稽查装置还包括：
标准行为获取模块，用于获取病种类型数据，根据病种类型数据获取对应的标准医疗行为；
模型构建模块，用于根据每个病种类型数据，获取对应的历史正常医疗行为，根据历史正常医疗行为和标准医疗行为构建威尔逊模型，将构建得到的威尔逊模型作为医保规则模型。
可选的，模型构建模块包括：
项目类型获取子模块，用于从正常医疗行为和/或从标准医疗行为中获取每个病种类型数据对应的治疗项目类型；
行为提取子模块，用于根据治疗项目类型从正常医疗行为中获取正常治疗项目行为，以及，根据治疗项目类型从标准医疗行为中获取标准治疗项目行为；
行为比对子模块，用于根据每个病种类型数据计算每个治疗项目类型中，正常治疗项目行为和标准治疗项目行为之间的行为差值；
模型构建子模块，用于根据行为差值构建医保规则模型。
可选的，行为分析模块包括：
内容提取子模块，用于从待分析行为数据中获取待分析行为类型和每个待分析行为类型对应的待分析医疗内容；
基准内容比对子模块，用于根据待分析行为类型获取对应的治疗项目类型和与治疗项目类型对应的标准治疗项目行为，作为待比对项目内容；
行为判断子模块，用于将待分析医疗内容与待比对项目内容进行比对，得到比对差值，并判断比对差值是否小于行为差值，得到判断结果；
分值计算子模块，用于根据判断结果，通过以下公式计算出待分析行为数据的行为威尔逊得分：
其中，n为在待分析行为数据中，待分析行为类型的总数量；u为在待分析行为数据中，比对差值小于或等于行为差值对应的待分析行为类型的数量；v为在待分析行为数据中，比对差值大于行为差值，以及无法匹配出对应的治疗项目类型对应的待分析行为类型的数量；Z为权重参数，S为威尔逊得分；
输出反馈子模块，用于若威尔逊得分小于预设值，则将待分析行为数据作为待稽查行为数据。
可选的，轨迹获取子模块包括：
行为数据匹配单元，用于将待稽查行为数据与预设的医疗数据库进行匹配，得到行为经纬度和行为时间；
轨迹获取单元，用于按照行为时间的顺序对行为经纬度进行排序，得到人员医保轨迹信息。
关于医保基金的移动稽查装置的具体限定可以参见上文中对于医保基金的移动稽查方法的限定，在此不再赘述。上述医保基金的移动稽查装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储历史医疗数据以及人员参保信息。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种医保基金的移动稽查方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
获取人员参保行为数据，并根据人员参保行为数据构建医保经办数据库；
从医保经办数据库中提取人员敏感信息，对人员敏感信息进行脱敏处理，得到人员敏感信息和与每个人员敏感信息相关联的待分析行为数据；
将待分析行为数据输入至预设的医保规则模型中分析，以获取待稽查行为数据；
当获取到待稽查行为数据时，获取与待稽查行为数据相对应的人员敏感信息，对人员敏感信息进行加密后，根据加密后的人员敏感信息和待稽查行为数据触发移动稽查信息。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取人员参保行为数据，并根据人员参保行为数据构建医保经办数据库；
从医保经办数据库中提取人员敏感信息，对人员敏感信息进行脱敏处理，得到人员敏感信息和与每个人员敏感信息相关联的待分析行为数据；
将待分析行为数据输入至预设的医保规则模型中分析，以获取待稽查行为数据；
当获取到待稽查行为数据时，获取与待稽查行为数据相对应的人员敏感信息，对人员敏感信息进行加密后，根据加密后的人员敏感信息和待稽查行为数据触发移动稽查信息。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种医保基金的移动稽查方法，其特征在于，所述医保基金的移动稽查方法包括：
获取人员参保行为数据，并根据所述人员参保行为数据构建医保经办数据库；
从所述医保经办数据库中提取人员敏感信息，对所述人员敏感信息进行脱敏处理，得到人员敏感信息和与每个所述人员敏感信息相关联的待分析行为数据；
将所述待分析行为数据输入至预设的医保规则模型中分析，以获取待稽查行为数据；
当获取到所述待稽查行为数据时，获取与所述待稽查行为数据相对应的所述人员敏感信息，对所述人员敏感信息进行加密后，根据加密后的所述人员敏感信息和所述待稽查行为数据触发移动稽查信息。
2.根据权利要求1所述的医保基金的移动稽查方法，其特征在于，在所述将所述待分析行为数据输入至预设的医保规则模型中分析之前，所述医保基金的移动稽查方法还包括：
获取病种类型数据，根据所述病种类型数据获取对应的标准医疗行为；
根据每个所述病种类型数据，获取对应的历史正常医疗行为，根据所述历史正常医疗行为和所述标准医疗行为构建威尔逊模型，将构建得到的所述威尔逊模型作为所述医保规则模型。
3.根据权利要求2所述的医保基金的移动稽查方法，其特征在于，所述根据所述历史正常医疗行为和所述标准医疗行为构建威尔逊模型，将构建得到的所述威尔逊模型作为所述医保规则模型，具体包括：
从所述正常医疗行为和/或从所述标准医疗行为中获取每个所述病种类型数据对应的治疗项目类型；
根据所述治疗项目类型从所述正常医疗行为中获取正常治疗项目行为，以及，根据所述治疗项目类型从所述标准医疗行为中获取标准治疗项目行为；
根据每个所述病种类型数据计算每个所述治疗项目类型中，所述正常治疗项目行为和所述标准治疗项目行为之间的行为差值；
根据所述行为差值构建所述医保规则模型。
4.根据权利要求3所述的医保基金的移动稽查方法，其特征在于，所述将所述待分析行为数据输入至预设的医保规则模型中分析，以获取待稽查行为数据，具体包括：
从所述待分析行为数据中获取待分析行为类型和每个所述待分析行为类型对应的待分析医疗内容；
根据所述待分析行为类型获取对应的所述治疗项目类型和与所述治疗项目类型对应的所述标准治疗项目行为，作为待比对项目内容；
将所述待分析医疗内容与所述待比对项目内容进行比对，得到比对差值，并判断所述比对差值是否小于所述行为差值，得到判断结果；
根据所述判断结果，通过以下公式计算出所述待分析行为数据的行为威尔逊得分：
其中，n为在所述待分析行为数据中，所述待分析行为类型的总数量；u为在所述待分析行为数据中，所述比对差值小于或等于所述行为差值对应的所述待分析行为类型的数量；v为在所述待分析行为数据中，所述比对差值大于所述行为差值，以及无法匹配出对应的治疗项目类型对应的所述待分析行为类型的数量；Z为权重参数，S为所述威尔逊得分；
若所述威尔逊得分小于预设值，则将所述待分析行为数据作为所述待稽查行为数据。
5.根据权利要求1所述的医保基金的移动稽查方法，其特征在于，所述根据所述人员敏感信息从所述待稽查行为数据中获取人员医保轨迹信息，具体包括：
将所述待稽查行为数据与预设的医疗数据库进行匹配，得到行为经纬度和行为时间；
按照所述行为时间的顺序对所述行为经纬度进行排序，得到所述人员医保轨迹信息。
6.一种医保基金的移动稽查装置，其特征在于，所述医保基金的移动稽查装置包括：
数据库构建模块，用于获取人员参保行为数据，并根据所述人员参保行为数据构建医保经办数据库；
脱敏处理模块，用于从所述医保经办数据库中提取人员敏感信息，对所述人员敏感信息进行脱敏处理，得到人员敏感信息和与每个所述人员敏感信息相关联的待分析行为数据；
行为分析模块，用于将所述待分析行为数据输入至预设的医保规则模型中分析，以获取待稽查行为数据；
移动稽查模块，用于当获取到所述待稽查行为数据时，获取与所述待稽查行为数据相对应的所述人员敏感信息，对所述人员敏感信息进行加密后，根据加密后的所述人员敏感信息和所述待稽查行为数据触发移动稽查信息。
7.根据权利要求6所述的医保基金的移动稽查装置，其特征在于，，所述医保基金的移动稽查装置还包括：
标准行为获取模块，用于获取病种类型数据，根据所述病种类型数据获取对应的标准医疗行为；
模型构建模块，用于根据每个所述病种类型数据，获取对应的历史正常医疗行为，根据所述历史正常医疗行为和所述标准医疗行为构建威尔逊模型，将构建得到的所述威尔逊模型作为所述医保规则模型。
8.根据权利要求6所述的医保基金的移动稽查装置，其特征在于，所述模型构建模块包括：
项目类型获取子模块，用于从所述正常医疗行为和/或从所述标准医疗行为中获取每个所述病种类型数据对应的治疗项目类型；
行为提取子模块，用于根据所述治疗项目类型从所述正常医疗行为中获取正常治疗项目行为，以及，根据所述治疗项目类型从所述标准医疗行为中获取标准治疗项目行为；
行为比对子模块，用于根据每个所述病种类型数据计算每个所述治疗项目类型中，所述正常治疗项目行为和所述标准治疗项目行为之间的行为差值；
模型构建子模块，用于根据所述行为差值构建所述医保规则模型。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述医保基金的移动稽查方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述医保基金的移动稽查方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210621871.XA CN115080997B (zh) | 2022-06-02 | 2022-06-02 | 医保基金的移动稽查方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210621871.XA CN115080997B (zh) | 2022-06-02 | 2022-06-02 | 医保基金的移动稽查方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115080997A true CN115080997A (zh) | 2022-09-20 |
| CN115080997B CN115080997B (zh) | 2024-01-09 |
Family
ID=83248406
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210621871.XA Active CN115080997B (zh) | 2022-06-02 | 2022-06-02 | 医保基金的移动稽查方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115080997B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160379309A1 (en) * | 2015-06-24 | 2016-12-29 | IGATE Global Solutions Ltd. | Insurance Fraud Detection and Prevention System |
| CN108305176A (zh) * | 2018-01-05 | 2018-07-20 | 上海栈略数据技术有限公司 | 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 |
| CN108921710A (zh) * | 2018-06-08 | 2018-11-30 | 东莞迪赛软件技术有限公司 | 医保异常检测的方法及系统 |
| CN109544373A (zh) * | 2018-10-30 | 2019-03-29 | 平安科技（深圳）有限公司 | 基于人工智能的医保违规行为检测方法及相关装置 |
| CN109934719A (zh) * | 2017-12-18 | 2019-06-25 | 北京亚信数据有限公司 | 医保违规行为的检测方法及检测装置、医保控费系统 |
| CN110827019A (zh) * | 2019-11-07 | 2020-02-21 | 南京远致数据技术有限公司 | 基于区块链的移动医保支付方法、存储介质及计算机设备 |
| CN110929036A (zh) * | 2019-11-29 | 2020-03-27 | 南方电网数字电网研究院有限公司 | 电力营销稽查管理方法、装置、计算机设备和存储介质 |
| WO2020108111A1 (zh) * | 2018-11-30 | 2020-06-04 | 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 |
| CN112801805A (zh) * | 2021-01-21 | 2021-05-14 | 浙江大学山东工业技术研究院 | 基于深度自监督神经网络的医保小卡欺诈检测方法及系统 |
| 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 |
| CN112884593A (zh) * | 2021-02-01 | 2021-06-01 | 浙江大学山东工业技术研究院 | 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 |
| CN113076416A (zh) * | 2021-03-15 | 2021-07-06 | 北京明略软件系统有限公司 | 信息热度评估方法、装置和电子设备 |
| 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 |
| CN113657548A (zh) * | 2021-08-31 | 2021-11-16 | 平安医疗健康管理股份有限公司 | 医保异常检测方法、装置、计算机设备及存储介质 |
| CN114037540A (zh) * | 2021-11-05 | 2022-02-11 | 湖南创研科技股份有限公司 | 一种医保基金监管系统及其监控方法 |
-
2022
- 2022-06-02 CN CN202210621871.XA patent/CN115080997B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160379309A1 (en) * | 2015-06-24 | 2016-12-29 | IGATE Global Solutions Ltd. | Insurance Fraud Detection and Prevention System |
| CN109934719A (zh) * | 2017-12-18 | 2019-06-25 | 北京亚信数据有限公司 | 医保违规行为的检测方法及检测装置、医保控费系统 |
| CN108305176A (zh) * | 2018-01-05 | 2018-07-20 | 上海栈略数据技术有限公司 | 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 |
| CN108921710A (zh) * | 2018-06-08 | 2018-11-30 | 东莞迪赛软件技术有限公司 | 医保异常检测的方法及系统 |
| CN109544373A (zh) * | 2018-10-30 | 2019-03-29 | 平安科技（深圳）有限公司 | 基于人工智能的医保违规行为检测方法及相关装置 |
| WO2020108111A1 (zh) * | 2018-11-30 | 2020-06-04 | 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 |
| CN110827019A (zh) * | 2019-11-07 | 2020-02-21 | 南京远致数据技术有限公司 | 基于区块链的移动医保支付方法、存储介质及计算机设备 |
| CN110929036A (zh) * | 2019-11-29 | 2020-03-27 | 南方电网数字电网研究院有限公司 | 电力营销稽查管理方法、装置、计算机设备和存储介质 |
| 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 |
| CN112801805A (zh) * | 2021-01-21 | 2021-05-14 | 浙江大学山东工业技术研究院 | 基于深度自监督神经网络的医保小卡欺诈检测方法及系统 |
| CN112884593A (zh) * | 2021-02-01 | 2021-06-01 | 浙江大学山东工业技术研究院 | 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 |
| CN113076416A (zh) * | 2021-03-15 | 2021-07-06 | 北京明略软件系统有限公司 | 信息热度评估方法、装置和电子设备 |
| 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 |
| CN113657548A (zh) * | 2021-08-31 | 2021-11-16 | 平安医疗健康管理股份有限公司 | 医保异常检测方法、装置、计算机设备及存储介质 |
| CN114037540A (zh) * | 2021-11-05 | 2022-02-11 | 湖南创研科技股份有限公司 | 一种医保基金监管系统及其监控方法 |
Non-Patent Citations (3)
| Title |
|---|
| MARINA EVRIM JOHNSON 等: "Multi-stage methodology to detect health insurance claim fraud", HEALTH CARE MANAGEMENT SCIENCE * |
| 易东义 等: "基于图卷积神经网络的医保欺诈检测算法", 计算机应用, vol. 40, no. 05 * |
| 顾学宁 等: "如何运用医院信息化手段打击骗保倒药行为", 天津社会保险, no. 04 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115080997B (zh) | 2024-01-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10679299B2 (en) | Machine learning risk factor identification and mitigation system | |
| CN109545317A (zh) | 基于住院预测模型判定住院行为的方法及相关产品 | |
| CN109544364B (zh) | 基于数据分析的违规行为检测方法、装置及终端 | |
| US10540421B2 (en) | Method for central statistical monitoring of data collected over a plurality of distributed data collection centers | |
| US20090216555A1 (en) | System, method and computer program product for performing automatic surveillance and tracking of adverse events | |
| CN110729054B (zh) | 异常就诊行为检测方法、装置、计算机设备及存储介质 | |
| 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 | |
| Wang et al. | The evaluation of trustworthiness to identify health insurance fraud in dentistry | |
| CN113642672B (zh) | 医保数据的特征加工方法、装置、计算机设备及存储介质 | |
| CN117409913A (zh) | 一种基于云技术的医疗服务方法和平台 | |
| Gao et al. | Predicting opioid use disorder and associated risk factors in a Medicaid managed care population. | |
| CN109523404B (zh) | 基于数据分析的违规行为检测方法、装置及终端 | |
| Perez et al. | Should we do more to police medicaid fraud? Evidence on the intended and unintended consequences of expanded enforcement | |
| US20160253770A1 (en) | Systems and methods for genetic testing algorithms | |
| JP2020106882A (ja) | 保険設計支援システム及び保険設計支援方法 | |
| CN115080997A (zh) | 医保基金的移动稽查方法、装置、计算机设备及存储介质 | |
| CN110781222A (zh) | 异常医保申请检测方法、装置、计算机设备和存储介质 | |
| US8818825B1 (en) | Patient authentication fraud prevention system and method | |
| CN111274231B (zh) | 异常医保数据排查方法、装置、计算机设备和存储介质 | |
| CN114240679A (zh) | 医疗理赔的风险评估方法、装置、设备和存储介质 | |
| Herland | Big Data Analytics and Engineering for Medicare Fraud Detection | |
| TWI785313B (zh) | 保險給付詐保風險評估系統及其方法 | |
| CN112035617A (zh) | 基于数据比对的系统测试方法、装置、计算机设备和介质 | |
| CN110910255A (zh) | 基于家庭风险评测结果的产品匹配方法和装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |