JP2018526704A - 効率的な請求処理のための動的トポロジカルシステム及び方法 - Google Patents

Abstract

効率的な請求処理の動的トポロジカルシステム及び方法を提供する。効率的な請求処理のための動的トポロジカルシステム及び方法はヘルスケアシステムで使用することができる。効率的な請求処理のための動的トポロジカルシステム及び方法は、拡張容易、保全可能及び拡張可能である。
【選択図】図１

Description

本開示は、一般的には、ヘルスケア請求処理のためのシステム及び方法に関し、詳細には、効率的な請求処理のための動的トポロジカルシステム及び方法に関する。

ヘルスケアマーケットプレイスシステムは、明快な説明及び公示価格により透明性のあるヘルスサービスマーケットプレイスを提供することができる。多くのヘルスケアプロバイダ及び支払者は、多種多様なトランザクションに関しての情報、すなわち、資格チェック、請求処理及び給付エンロールメントに関しての情報をヘルスケアマーケットプレイスシステムに伝達するために、レガシーシステムを使用している。ヘルスケアマーケットプレイスシステムの能力をヘルスケアスペースの既存のシステムと統合するために、ヘルスケアサービスに関連付けられるトランザクションデータの大規模ストリームを処理できることが重要である。これらのトランザクションストリームを処理する能力により、見積要求に対するリアルタイムの資格チェック、サービス費用が控除できるように現金支払後にサービスに対する請求を提出すること、及び新しい医療補助が高価なサービス代を節約できるように新しい医療補助に消費者を加入させることが可能となる。これらのトランザクション能力の全てをヘルスサービスマーケットプレイスに統合することは、消費者に対して情報へのアクセスを容易にして、消費者のヘルスケア支出に関するインフォームド決定（十分な情報を得た上での決定）を行うのを助ける。また、このことは、ヘルスケアプロバイダ及び支払者に効率の向上を提供し、ヘルスケアトランザクションを処理するための管理コストがゼロに近付くようになる。動的トランザクションデータストリーミング能力がなければ、消費者は、現金ベースのトランザクション用のヘルスケアマーケットプレイスシステムを使用することしかできず、保険ベースの価格設定を他のシステムに相談しなくてはならなくなる。動的トランザクションデータストリーミングは、ヘルスケアサービスマーケットプレイスに参加するヘルスケア消費者及びプロバイダに対して最良のユーザ体験を提供することができる。

米国医師会（「ＡＭＡ」）によれば、多くのヘルスケアプロバイダ及び支払者が、多種多様なトランザクションの情報（資格チェック、請求処理及び給付エンロールメント）を伝達するためにレガシーシステムを使用しているので、ヘルスケア保険請求の処理に関連した管理費用は、米国で１年当たりに２１００億ドルを超えるようになった。ＡＭＡはまた、５つの請求に１つが不正確に処理され、浪費、不正、及び悪用に起因して莫大な金額が失われていると推定する。従って、支払者に提出される前に請求が拒否されるかどうかを正確に予測できること、並びに裁定後に請求が正確に支払われるかどうか予測することは、プロバイダの収益サイクル管理を大幅に改善する可能性がある。

「拒否（ｄｅｎｉｅｄ）」請求と「却下（ｒｅｊｅｃｔｅｄ）」請求との間には違いがあるが、これらの用語は、通常は互換的に使用される。拒否請求とは、処理がなされており、保険業者が支払可能ではないと判断した請求を指す。拒否請求は、通常は再検討のために訂正及び／又は不服申し立てをすることができる。却下請求とは、提供された情報に重大な誤りがあることに起因して、保険業者によって処理がなされていない請求を指す。請求が却下される一般的な原因には、不正確な個人情報（すなわち、名前と識別番号が一致しない）又は提供された情報の誤り（すなわち、不完全な手順コード、無効な診断コードなど）が含まれる。却下請求は、不服申し立てができないので処理はなされていない。代わりに、却下請求は、調査、訂正及び再提出する必要がある。

ヘルスケア請求における不正及び悪用を検出するためのデータ駆動型方法の使用に関する文献がかなり存在するが、他方、ヘルスケア請求における否認及び誤りを予測するためのこれらの方法の使用に関する文献は比較的少ない。請求トランザクションで提供された間違った情報に起因して誤って却下された請求とは異なり、あまり明らかでない理由で請求が拒否される。

拒否請求の一般的な理由
請求が拒否される理由には、多くの核となるものが存在する。以下は、拒否請求の理由の幾つかの関連の実施例である。
・請求提出とエンカウンタの間の遅延−エンカウンタと請求を提出しなくてはならない時間との間の許容可能な時間量を支払者が指定しているので、エンカウンタと請求提出との間に過度に長い時間期間が経過すると、請求が拒否される。
・診断コードと手順コードの不一致−診断コード（ＩＣＤ）が課金手順コード（ＣＰＴ）を認可しない場合、請求が拒否される。ＦＰグロース及びその他などの頻出アイテム集合マイニング方式を使用して、ＩＣＤコードとＣＰＴコード間のポジティブ及びネガティブアソシエーション規則を学習することができる。
・課金契約レートではない請求−プロバイダが支払者の保険プランを受け付けた場合、支払者の非保険者である患者に対して提供する各手順の契約レートに従う。支払者／プロバイダ／手順タプルにおける外れ値の検出は、直線回帰を使用して容易に検出できるが、１つの問題点があり、それが契約レートの変更時である。従って、システムは、契約レートのコンセプトオブドリフトを扱えなくてはならない。
・カバーされない請求−プロバイダによって実行される手順が、患者の保険でカバーされない。幾つかの状況が資格チェックに引っかかることがある。
・資格を失った患者−患者が様々な理由で支払者のプランの被保険メンバではもはやない場合に、多くの請求が提出される。これは、請求提出の前に資格要求を行うことによって対処できる。
・要求される事前承認−手順が前もって実行されなかった事前認証を要求した。
・プロバイダがネットワークの外にいる−プロバイダが支払者のネットワークのメンバではない。

最後の３つの理由（患者が適格者ではない、事前認証を要求されている、及びプロバイダがネットワークの外にいる）は、損害が起こってから申し立てる能力がないので、請求提出の時点で多少疑わしい。これらは、恐らくは、より有効であるエンカウンタの時点で「プロセス」において浮上するはずである。

従来のシステムは、この問題をエキスパートシステムにより解決しようとした。これらのシステムは、煩雑であり、広範なドメイン知識を必要とする。

請求処理の動的トポロジカル構成要素を組み入れることができるヘルスケアマーケットプレイスシステムを示す図である。 請求処理構成要素の詳細を示す図である。 請求処理構成要素を使用して実施することができる請求処理の方法を示す図である。 請求処理の方法のデータフローを示す図である。 Ｘ１２ ８３７の請求データの実施例を示す図である。 Ｘ１２ ８３７の請求データの実施例を示す図である。 Ｘ１２ ８３７の請求データの実施例を示す図である。 Ｘ１２ ８３７の請求データの実施例を示す図である。 Ｘ１２ ８３７の請求データの実施例を示す図である。 Ｘ１２ ８３７の請求データの実施例を示す図である。 ＥＤＩ２７７のデータの実施例を示す図である。 単体的複体の実施例を示す図である。 加重グラフの実施例を示す図である。 簡略化特徴行列の実施例を示す図である。

本開示は特に、以下に説明するヘルスシステムに組み込まれる請求処理システムに適用でき、本開示は、これに関連して説明される。しかしながら、本システム及び方法は、以下に開示するものとは異なる方式で実施することができ、且つ独立した請求処理システム並びに複数のサードパーティシステムに請求処理を提供するソフトウェアアズアサービス（ＳａａＳ）システムであってもよいので、より大きな利用度を有することは理解されるであろう。

ヘルスケアマーケットプレイスシステムは、ヘルスケアサービス及び製品の１又はそれよりも多い支払者、１又はそれよりも多いヘルスケアサービス及び製品プロバイダ、並びにヘルスケアサービス又は製品の１又はそれよりも多い消費者を含むことができる。支払者、プロバイダ及び消費者のコストを低減するために、以下に説明する請求処理システムは、以下に詳細に説明する医療サービス用のより効率的な請求処理を可能にするモデリングプロセスを提供する。

図１は、請求処理構成要素１１３を組み込むことができるヘルスネットワークシステム１００の実施例を示す。図１の実施例では、本システムは、クライアント／サーバ、ソフトウェアアズアサービス（ＳａａＳ）又はクラウドベースのアーキテクチャとして実施することができる。しかしながら、本システム、及び詳細には請求処理構成要素１１３は、以下に説明するように請求処理構成要素１１３の動作を実行するスタンドアローンコンピュータシステムで実施することができ、或いは請求処理システム１１３を他のシステムに統合することができる。

１つの実施構成では、図１に示すように、請求処理システム構成要素１１３は、１又はそれよりも多いコンピュータデバイス１０２が通信経路１０６を通じてバックエンド構成要素１０８に結合され、アクセス及びインタフェース接続することができるヘルスシステム１００に統合することができる。バックエンド構成要素１０８は、ヘルスマーケットプレイス１１０及び請求処理構成要素１１３を含むことができる。ヘルスマーケットプレイス１１０は、コンピュータデバイスのユーザが、ヘルスケアの購入、ヘルスケアブログ及びフォーラムの参加などを含む様々なヘルスケアに関連するアクティビティを実行するのを可能にすることができる。請求処理構成要素１１３は、特定の消費者の特定のヘルスケア請求に関する利用可能なデータに基づいて、特定の消費者の特定のヘルスケア請求の請求否認スコアを決定することができる。請求処理構成要素１１３の詳細な動作を以下に詳細に説明する。

本システムでは、コンピュータデバイス１０２ａ、１０２ｂ、．．．１０２ｎなどの各コンピュータデバイス１０２は、メモリ、永続ストレージ、有線又は無線通信回路及びディスプレイを備え、各コンピュータデバイスが通信経路１０６を通じてバックエンド構成要素１０８に接続及び結合できるようにするプロセッサベースのデバイスとすることができる。例えば、各コンピュータデバイスは、Ａｐｐｌｅコンピュータ製品、ＡｎｄｒｏｉｄＯＳベースの製品などのスマートフォンデバイス、タブレットコンピュータ、パーソナルコンピュータ、端末デバイス、ラップトップコンピュータなどとすることができる。図５Ａに示した１つの実施形態では、各コンピュータデバイス１０２は、メモリ内にアプリケーション１０４を格納し、コンピュータデバイスのプロセッサを使用してこのアプリケーションを実行し、バックエンド構成要素１０８とインタフェース接続することができる。例えばアプリケーションは、典型的なブラウザアプリケーションとすることができ、又はモバイルアプリケーションとすることができる。通信経路１０６は、セキュアプロトコル又はアンセキュアプロトコルを使用する有線又は無線通信経路とすることができる。例えば、通信経路１０６は、インターネット、イーサネット(登録商標)、無線データネットワーク、セルラーデジタルデータネットワーク、ＷｉＦｉネットワークなどとすることができる。システム１００はまた、バックエンド構成要素１０８に接続することができ、また本システムの一部である様々なデータ、情報及びコードを格納することができるストレージ１１４を有することもできる。ストレージ１１４はまた、ヘルスケア請求に関する情報を包含する請求データベースを格納することができる。

バックエンド構成要素１０８は、プロセッサ、メモリ、フラッシュメモリ、ハードディスクドライブ、ブレードサーバ、アプリケーションサーバ、データベースサーバ、サーバコンピュータ、クラウドコンピュータ資源などの１又はそれよりも多いコンピュータ資源を使用して実施することができる。ヘルスマーケットプレイス１１０及び請求処理構成要素１１３は各々、ソフトウェア又はハードウェアで実施することができる。ヘルスマーケットプレイス１１０及び請求処理構成要素１１３が各々、ソフトウェアで実施されるときには、各構成要素は、バックエンド構成要素１０８上に常駐する（又はバックエンド構成要素１０８にダウンロードされる）コンピュータコードの複数の行とすることができ、バックエンド構成要素１０８のプロセッサによって実行することができ、これにより、プロセッサは、ヘルスマーケットプレイス１１０又は請求処理構成要素１１３の動作を実行するよう構成される。ヘルスマーケットプレイス１１０及び請求処理構成要素１１３が各々ハードウェアで実施されるときには、各構成要素は、ヘルスマーケットプレイス１１０又は請求処理構成要素１１３の動作を実行する特定用途向け集積回路、マイクロコントローラ、プログラマブル論理デバイスなどとすることができる。

上述のような請求処理構成要素１１３として実施することができる効率的な請求処理のための動的トポロジカルシステム及び方法は、既知のシステムに優る様々な利点を有する。
１．拡張容易性−本システムは、電子データ交換（ＥＤＩ）アナリスト又は他の主題エキスパート（ＳＭＥ）などのプログラマ以外の人が、請求処理のための妥当性確認ロジックを閲覧、追加、編集、及び削除できるようにすることができる。
２．保全性−ＡＳＣ Ｘ１２仕様における妥当性確認はそれほど頻繁には変更されないが、サードパーティの取引相手についての妥当性確認要件が変更される。妥当性確認システムは、妥当性確認ロジックをアップデートすることが最悪な事態にならないような方式で設計される。これまでは、これは規則エンジンの複雑なメンテナンスによって対処されてきた。
３．拡張可能性−本システムは、支払者／プロバイダ／手順の特定の妥当性確認ロジックが一般的又は包括的ロジックに優先するのを可能にする。この場合も同様に、これまでの実施形態における拡張可能性は、数百万の規則を維持する必要がある規則ベースのエンジンを通じて行っていた。

分類は、機械学習及び統計学上の十分に研究された問題であり、ここでは、カテゴリ割り当てが既知である訓練データのセットに基づいて、カテゴリに新しい観察を割り当てることが目的である。ほとんどの分類アルゴリズムは、データセットの全てにわたってクラスを決定するための関数を最適化し、すなわち、データに関する包括的仮定をしようとすることによって動作する。請求処理システムは、請求データセットを局所近傍にセグメント化し、次いで、各近傍の最良分類子を訓練及び選ぶプロセスを有する。これらの包括的最適化をする方法は、プロセスに密接な関係がある。

図２は、請求データベース２００に関連付けられた請求処理構成要素１１３の詳細を示す。請求データベース２００は、本システムによって使用できる複数のヘルスケア請求（その実施例が図５Ａ〜５Ｆに示されている）に関する複数のデータを有することができる。請求処理構成要素１１３は、特徴行列コンバータ構成要素２０２、マッパー構成要素２０４及び分類構成要素２０６を有することができ、これらは、複数のヘルスケア請求に関する複数のデータを操作して、図３−４に関して以下に説明するように本システムの請求処理を実行する。請求処理構成要素１１３の各構成要素は、ソフトウェア又はハードウェアで実施することができる。構成要素の各々がソフトウェアで実施されるときには、各構成要素は、コンピュータコードの複数の行とすることができ、バックエンド構成要素１０８のプロセッサ（請求処理構成要素１１３をホストする）によって実行されて、プロセッサが、構成要素の動作を実行するよう構成される。構成要素が各々、ハードウェアで実施されるときには、各構成要素は、特定用途向け集積回路、マイクロコントローラ、プログラマブル論理デバイスなどとすることができ、これらが、以下に詳細に説明するように請求処理構成要素１１３の動作を実行する。

図３は、請求処理構成要素を用いて実施することができる請求処理のための方法３００を示し、図４は、請求処理の方法のデータフローを示す。これらの方法は、図１−２における構成要素によって、又は本方法のプロセスを実行するよう構成された他の要素によって実施することができる。

本方法の詳細を説明する前に、電子ヘルスケア請求データの概要を示す。ヘルスケア保険請求は、ＡＮＳＩ ＡＳＣ Ｘ１２規格を用いて電子的に送信される。専門家及び機関請求は、「ＡＮＳＩ ＡＳＣ Ｘ１２ ８３７ヘルスケア請求」仕様（以下「８３７」と呼ばれる）に詳述されるフォーマットを用いて提出される。ヘルスケア保険請求のステータスは、「ＡＮＳＩ ＡＳＣ Ｘ１２ ２２７ヘルスケア情報ステータス通知」トランザクション（以下「２７７」と呼ばれる）に記述されている。消費者の健康保険を検証した後、プロバイダは、患者を診察して診断をする。プロバイダは、消費者の現在の控除情報を決定するために一般資格審査（Ｘ１２ ２７０）を行うので、プロバイダは、消費者が現金又は保険で支払うことができる治療選択肢のセットを推奨するようになっている。診断及び治療が特定されると、プロバイダは、治療のコード（一般的にはＣＰＴ又はＩＣＤ−１０）を有するより具体的な資格審査（Ｘ１２ ２７０）を開始して、推奨される治療が消費者の保険プランによってカバーされるかどうか判定することができる。これにより、消費者は、消費者のヘルスケアプロバイダと面談しながら、治療及びその費用に関してインフォームド決定を行うことができる。治療が選択されると、ヘルスケアマーケットプレイスシステムは、治療購入トランザクションを記録して、消費者が保険で（一部）支払うことを選択した場合に必要なＸ１２ ８３７請求を保険会社に提出することになる。Ｘ１２ ８３５ヘルスケア請求支払応答を処理した後に治療コストの一部が残っている場合、ヘルスケアマーケットプレイスシステムは、Ｘ１２ ８３５請求支払トランザクションセットで配信された保険支払いと併せて、ファイル上のクレジットカードを介して消費者に課金し、プロバイダの銀行口座に資金を預けることができる。

Ｘ１２ ８３７ヘルスケア請求記録のデータの実施例が、図５Ａ−５Ｆにある。記録では、患者は加入者（Ｓｕｂｓｃｒｉｂｅｒ）とは異なる人であり、支払者は、商業健康保険会社である。

Ｘ１２ ２７７記録のデータの実施例が図６に示される。ＥＤＩ２７７ヘルスケア請求ステータス応答トランザクションセットは、ヘルスケア支払者（保険会社、メディケアなど）によって使用され、プロバイダによって以前提出された請求のステータス（８３７トランザクション）について報告される。請求ステータス情報の提出に対してＨＩＰＡＡによって指定された２７７トランザクションは、以下の３つの方法のうちの１つで使用することができる。
・Ａ２７７トランザクションは、以前受け取ったＥＤＩ２７６請求ステータス審査に応答して送信することができる（引用により組み込まれるｈｔｔｐｓ：／／ｗｗｗ．ｌｅｄｉｓｏｕｒｃｅ．ｃｏｍ／ｔｒａｎｓａｃｔｉｏｎ−ｓｅｔｓ？ｔｓｅｔ＝２７６に詳細が記述されている）。
・支払者は、２７７を使用して、提出された請求に関する付加的な情報を要求することができる（２７６なし）。
・支払者は、２７６を受信することなく、２７７を用いて請求ステータス情報をプロバイダに提供することができる。

２７７トランザクションで提供された情報は、一般的には、請求が保留中又は最終決定の何れのプロセスにあるかを指示する。最終決定の場合、トランザクションは、請求の処分−却下、拒否、支払の承認又は支払済みを指示する。請求が承認された又は支払われた場合、方法、日付、金額などの支払情報も２７７で提供することができる。請求が拒否又は却下された場合、トランザクションは、患者が適格でない場合などの説明を含むことができる。

２７６トランザクションは、ラインレベルで取引相手から受け取ることができる。２７６要求は、取引相手によって作られた応答型要求である。２７７応答トランザクションは、応答型要求２７６が受信されたときにのみ戻されることになる。以下のＳＴＣデータ要素は、請求が支払われた又は却下されたかどうかに応じて、２７７トランザクション上で戻されることになる。
ＳＴＣ０５−請求支払額：この要素は、請求支払済み額を反映するのに使用される。請求が支払われなかったか又は裁定期間が完了していないときには、この額は０（ゼロ）になる。
ＳＴＣ０６−裁定又は支払日付：この要素は、請求が支払われた又は却下された日付を反映するのに使用される。審査されている請求が裁定サイクルを完了していない場合、このフィールドは読み込まれない。
ＳＴＣ０７−支払方法コード：この要素は、裁定された請求を支払うために使用される方法のタイプを反映するのに使用される。この要素は、処理中、裁定プロセスを完了していない、又は却下された請求には使用されない。
ＳＴＣ０８−チェック問題又はＥＦＴ日付：この要素は、チェックが生成された日付又はＥＦＴ資金が引き渡された日付を反映するのに使用される。この要素は、完了した請求及び裁定及び支払サイクルにのみ使用される。
ＳＴＣ０９−チェックナンバー：この要素は、全体の請求が単一のチェック又はＥＦＴを用いて支払われたときに、全ての支払済み及び最終決定請求のためにＨＩＰＡＡによって要求される。この要素は、プロセス中、審査プロセスを完了していない、又は拒否された請求には使用されない。

図３及び４に戻って、本方法の間、請求データ（例えば、請求データベースに存在することができる）は、特徴行列に変換し（３０２）、図４に示すタイタンデータベースなどに格納することができる。８３７及び２７７メッセージ（その実施例が上記に提供されている）は、プレーンテキストで受け取ることができ、特徴行列（ｆｅａｔｕｒｅ ｍａｔｒｉｘ）Ｆに変換しなくてはならない。行列の列（ｃｏｌｕｍｎ）が請求の数字的特徴要素を表し、各行（ｒｏｗ）が単一の請求インスタンスであり、従って、Ｆの次元はｎ×ｍとなり、ここで、ｎｎはデータベースにおける請求の数であり、ｍｍは特徴の数である。この特徴行列の列スペースは、ＣＰＴコード、プロバイダＮＰＩ、及び取引相手ＩＤをカテゴライズする必要性に起因して極めて大きくなる可能性があり、すなわち、約９８００のＣＰＴコード、４５０万のプロバイダ、及び１０００の取引相手の各々に対して１つの列が存在することになる。同様に、限定ではないが、患者エンカウンタと請求提出との間の時間、請求において項目化された手順の総数、課金総額などを含む、請求の他の特徴が存在する。特徴行列の極めて簡単な実施例が図９に詳細に示される。図９に示すように、特徴行列は、患者の年齢、１又はそれよりも多い課金手順コード（ＣＰＴ）、プロバイダ情報、請求総額及び手順カウントなどの各請求に関する情報を包含する１又はそれよりも多い列を有することができる。特徴行列の各行は、特定の患者によってなされた特定の請求についての情報を包含する。

圧縮表現の生成
請求が拒否される可能性がある単一及び相関性のある理由が多くあるので、事例の全てを正確に考慮できる単一の分類子を訓練することは難しい可能性がある。マッパー構成要素は、請求データベースを組み合わせ構造に圧縮することができる。このプロセスにより、ある意味において類似している請求を識別して、これらの類似のグループの特定の分類子を構築することが可能となり、従って、分類割り当てのためのより直感的理由を提供するより正確で堅牢な分類システムが形成される。

従って、特徴行列が生成されると、本方法は、特徴行列を用いて、マッパー構成要素を使用した請求データベースの圧縮表現を生成することができる（３０４）。１つの実施形態において、圧縮表現はまた、ユーザ供給フィルタ関数に基づいて生成することができる。１つの実施形態において、圧縮表現は、１次元単体的複体とすることができ（３０４）、単体的複体の実施例を図７に示す。

プロセス３０４は、特徴行列Ｆを取り、Ｆの圧縮表現である単体的複体を生成し、それでもなお、オリジナルスペースの特定のトポロジカル特性を有する。
定義：単体は、三角形又は四面体の任意の次元への一般化である。より形式的には、ｋ単体はｋ＋１頂点の凸包である。従って、０単体は点であり、１単体は線分、２単体は三角形、３単体は四面体である、等々。
定義−単体的複体は、貼り付けが単体の面に沿って行われるように「貼り付け」単体によって生成されたトポロジカルスペースである。より形式的には、単体的複体Ｋは、以下のような単体のセット（集合）である。
１．Ｋにおける単体のあらゆる面がＫに存在する。
２．何れかの２つの単体σ₁、σ₂の交差
は、σ₁及びσ₂の面の両方である。
単体的複体出力を生成するプロセスは、以下を含むことができる。
１．請求特徴行列ＦをパラメータスペースＰにマップするための指定されたフィルタ関数ｆを使用する。
２．パラメータスペース上にオープンカバーＵを定義する方式を選択する。
３．クラスタリングアルゴリズムを選択して、オープンカバーにおける各セットに対して、当該セットに対してｆの事前イメージにクラスタする。
４．単体的複体出力のノードとして各クラスタを表現し、請求が両方のクラスタのメンバである場合はエッジによって何れかの２ノードも結合する。

フィルタ関数の選択
フィルタ関数は、ｆ：Ｆ→Ｐであるような関数であり、ここで、Ｆは請求特徴行列、パラメータスペースＰは
などのトポロジカルスペースである。これらのフィルタ関数は、ジオメトリからの中心性尺度又は統計値からのカーネル密度推定器などのデータセットＦの一部のジオメトリ又は接続性特性を実証する関数である。フィルタ関数はまた、ドメインエキスパートによって定義され、データの重要特性、すなわち患者エンカウンタと請求が提出された時間との間に経過した時間量を反映することができる。

フィルタ関数の実施例
以下は、ポイント間の距離の概念又は類似性を有する何れのデータセットにも作用する文献における一般フィルタ関数の説明である。

ガウスカーネル密度推定量
カーネル密度推定は、十分に発展した統計領域であり、所与のランダム変数の確率密度関数を推定するノンパラメトリック手法である。

ガウスカーネル密度推定アルゴリズム
ｎをＦの行の数とする。
ｍをＦの列の数とする。
各ポイントに対して
密度ｙ_x＝０とする。
各ポイントに対して、
になるように
である。

離心性
離心性尺度は、中心性の固有の概念がスペース内のポイントのペアワイズ距離から得られた場合に、どのデータセットのポイントが「中心」から離れているかを識別する関数である。

離心性アルゴリズム
ｅｘｐｏｎｅｎｔ（指数）を離心指数とする。
ｎをＦの行の数とする。
各ポイントに対して、

であれば:
各ポイントに対して、


であれば:

そうでなければ
各ポイントに対して、

ｆの画像上のカバーを定義する
フィルタ関数が選ばれると、本方法は、フィルタ関数ｆの画像スペース上のカバーを定義するための方式を選ぶことができる。

定義−トポロジカルスペースのオープンカバーＸは、その和集合がサブセットとしてＸを包含するオープンセット（開集合）の集まりである。より形式的には、
がオープンセットのファミリーである場合、Ｕａ及びＡは、有限インデクシングセットであり、Ｃは
である場合にＸのカバーである。

カバーの定義において２つのパラメータ、すなわちオープンセットの数（ｎ）とこれらの間のパーセントオーバーラップ（ｐ）がある。

例示的なカバー方式
ユニフォームカバー
ここでパラメータスペースのカバーにおけるｎオープンセットは、各オープンセットがパラメータスペースの同じ量をカバーするようなサイズにされる。すなわち、
ユニフォームカバー実施例
入力
フィルタ＿値を［１，２，３，４，５，６］とする
ｎ＝３とする
ｐ＝０．５とする
出力
バランスカバー
ここで、パラメータスペースのカバーのｎオープンセットは、各オープンセットがオリジナルデータスペースの同じ量をカバーするようなサイズにされる。すなわち、
バランスカバー実施例
入力
フィルタ＿値を［１，１，２，２，５，６］とする
ｎ＝３とする
ｐ＝０．５とする
出力

ｆの事前イメージにおけるクラスタリング
ここで本方法は、Ｃで示されるオーバーラッピングオープンセットの集まりであるパラメータスペースのオープンカバーを生成した。次に、本方法は、カバーにおける各オープンセットのｆの逆像の接続された構成要素の数を決定するための統計置換として任意のクラスタリングアルゴリズムｃｌｕｓｔを使用することができる。より正確には、
である。
実施可能なクラスタリングアルゴリズムの実施例
・以下のリンケージ関数の１つによる階層クラスタリング
○シングル
○コンプリート
○平均
○加重
○重心
○中央値
○ワード
・Ｋ平均クラスタリング
・Ｋメディアンクラスタリング
・ＤＢＳＣＡＮ
・自己編成マップ

マッパー出力の定義
最後に、本方法は、上記で作成したクラスタを用いてアブストラクト単体的複体を定義する。クラスタ（Ｃｌｕｓｔｅｒｓ）における各クラスタｃに対して、０次元単体又は頂点を複体に追加する。次に、
になるように
であり、
が非エンプティである場合に、１次元単体又はエッジを
例示的な単体的複体出力（その実施例が図７に示される）

単体的複体出力におけるノードを近傍に分類する
図３−４の方法を再度参照すると、本方法は、単体的複体をノードの近傍に区分化することができる（３０６）。１つの実施形態において、本方法は、各頂点
が請求のグループ
を表す場合に、加重無向グラフＧ＝（Ｖ，Ｅ）として１次元単体的複体を表すことができ、
の場合及びその場合に限り、各端
は２つの頂点
及び
を結合する。各頂点
は重み
を有し、各端
は重み
を有する。上述の加重グラフの実施例が図８に示される。

本方法は、重なり合わないグループ又はコミュニティへの頂点の自然な分割を検出するためコミュニティ検出における技術を適用し、ここでこれらのコミュニティは任意のサイズとすることができる。本方法は、
となるように頂点Ｖの区分Ｋを決定しようとする。

コミュニティ検出の技術は、グラフの隣接行列の近傍構造及び加重の両方に影響を受ける。このため、本方法は、最適分割を計算するためにドメイン知識とグラフ不変条件を組み合わせようとする。例えば、本方法は、前の段落で説明したように、ｆの事前イメージのクラスタにおける文書の分布からグラフの加重方式を使用することができる。すなわち、各頂点の加重は、ｆの事前イメージのクラスタに属する請求の数である、
となり、更に各端の加重は、ｆの事前イメージの各クラスタの交差における文書のカウントである、
とすることができる。

限定ではないが、頂点次数、ドミネーティングセット、クリーク割り当て、接続性、トポロジカル指数、強度、容量、独立性などのグラフ不変条件と対にされたときに、グラフ分析の技術とのドメイン知識の組み合わせは、単体的複体の加重隣接行列に無数のバリエーションをもたらす。本方法は、グラフセオリー及び本出願のスペースの両方からのドメイン知識の組み合わせを利用して、全体的分析パイプラインのためにコミュニティへの加重又は未加重グラフの最適分割を決定するようにする。

グラフ内の頂点のグループを発見するグラフセオリー技術は、長年にわたる歴史があり、一般的には２つのグループに分割することができる。一般にグラフ区分と呼ばれる方法の１つのセットは、アプリケーションのネットワークの頂点を並行コンピューティングに分割しようとする。コミュニティ検出アルゴリズム又は階層クラスタリングとして知られる方法の第２のセットは、隣接構造を利用してグラフ内のコミュニティ構造を識別する。本明細書で説明する方法は、アルゴリズムの第２クラスに適合し、教師なし方式で単体的複体グラフＧ内の自然分割をラベル付けしようとする。

コミュニティ検出におけるアルゴリズムは、関心のグラフを自然サブグループに分割しようとし、典型的にはグループの数及びサイズは、ネットワーク自体によって決定される。更に、コミュニティ検出の第１アプローチは、このような分割が存在しないと仮定する。各コミュニティのモジュラリティスコアの追加により、最適化のレベルが問題に導入され、本出願は、グラフのモジュラリティスコアを最適化する自然細分化を発見しようとする。コミュニティ検出における典型的なアプローチと同様に、グラフのモジュラリティスコアを最適化するグラフ分割におけるこの方法は、各サブグラフの数又はサイズによって限定されない。

本方法は、頂点及び端加重の分布の有意性に重きを置いた段階における最適化問題にアプローチすることができる。すなわち、グラフにおけるコミュニティ検出は、２つの別々であるが隣接するサブコミュニティを設定する最小カットをグラフにおいて選択することによってサブコミュニティを識別する。グラフの最小カットは、関心の不変条件を用いて結果として得られる分割の要素成分間の定量化できる差を最小にするように、取り除かれたときにグラフを２つの互いに交わらない要素成分に分離する端又は端のセットである。

本方法において、単体的複体の加重バリエーションは、グラフの頂点及び端を通して文書セット母集団の分布を表すことができる。加重グラフにおいてサブコミュニティ検出の方法を適用すると、端の加重の関係は、２つのサブコミュニティ間の分離又は共有隣接として端を分類するための有意性の２つの要素を伝達する。最初に、グラフにおける全ての端加重の分布の端加重の位置は、ネットワーク全体の全ての隣接に関する接続性の有意性の１つの尺度をもたらす。次に、本方法において、端及び頂点加重は、各それぞれのコミュニティの母集団サイズに直接関連付けることができる。このため、各隣接性に関連付けられる強度は、端上の各頂点の合計加重に局所的に関連付けられる。

最も基本的なアプリケーションでは、グラフの最小カットの識別は、端又は端の最も小さなセットを識別し、除去時にグラフを２つの互いに交わらない成分要素に分ける。加重グラフにおいて、最小カットの識別は、最小値の端、又は端のセット内の最小累積値を識別して、除去時にグラフを２つの互いに交わらない成分要素に分ける。端の数及び結果として生じた構成要素を最適化する際に、自明な解は、最適ソリューションとしてリーフの区分を識別し、又は分割を示唆しない。結果として、コミュニティ検出アルゴリズムは、分割後のコミュニティ構造を保持する他のグラフ不変条件の最適化を行おうとする。

従って、本方法は、加重されていない又は加重された単体的複体のモジュラリティスコアを最適化する方法をコミュニティ検出において適用する。１つのこのような方法は、グラフのモジュラリティスコアに従ってグラフを分割する。モジュラリティスコアは、グラフ全体にわたる全ての潜在的な隣接に関する、サブグラフ内の真のコミュニティ構造の定量化である。より形式的には、グラフのモジュラリティスコアは、グループ内の端の数からランダム端割り当てを有する同形のグラフにおける端の予想される数を引いたものである（以下の式から得られる）。モジュラリティスコアは、別々のクラスタ又はコミュニティへのネットワークの分割の強さを測定するよう設計された。グラフのモジュラリティスコアは、識別されたサブグラフ間の濃い接続性を有する高モジュラリティのグラフから、異なるサブグラフのノード間の疎な接続性を有するものにまで及ぶことができる。コミュニティ検出アルゴリズムに関する文献は、グラフ分割の最大モジュラリティスコアを最適化することが、固有のコミュニティ構造を保持すると同時にネットワークをサブネットワークに区分する方法であると提案している。既存の研究では、シミュレートアニーリング、グリーディアルゴリズム、及び外部最適化を適用して、グラフのモジュラリティスコアの測定を介して最良ネットワーク分割を識別している。

２つのコミュニティへのネットワークの最適分割
本方法は、加重及び無向グラフＧ＝（Ｖ，Ｅ）として１次元単体的複体を表すことができ、ここで｜Ｖ｜＝ｎ及び｜Ｅ｜＝ｍである。Ａ_ijは、Ｇの加重又はバイナリ隣接行列として表される。本方法は、グラフＧを何れのサイズにもすることができる重なり合わないコミュニティへの自然分割を発見するようにし、次いで、最適モジュラリティの方法を適用してこのような区分を分割及び発見することができる。加えて、限定ではないが、クリーク分析、ドミネーティング（支配）セット、独立セット、接続性、スモールワールド特性、ヘビーテイル次数分布、クラスタリング、統計推論、パーティショニング（区分）などのグラフ分割の他の技術を使用することができる。

モジュラリティスコアを適用する場合、本方法は、グラフＧを２つのグループに分割して、パラメータ
を全ての頂点
に割り当てることによって問題を初期化し、ここで
がグループ１にある場合、
であり、
がグループ２にある場合、
である。一般的に言えば、このグラフ区分のモジュラリティスコアは、各コミュニティ内の端の密度からグループ間の予想される端の数を引いたものと理解される。

本明細書で
で示される何れか２つの頂点間の予想される端の数は、同じ分布を有する全ての可能性のあるグラフを考慮しながらグラフの次数分布を保持する。何れの２つの頂点
及び
について、以下のように
を計算する。
ここで、
は、頂点
の次数を示し、
である。従って、モジュラリティは、同じグループの全ての頂点のペアに対して
であり、これ以外はゼロである。ノイマンの仕事に従うと、モジュラリティ行列は以下のように表される。
ここで、ｓは、グラフ区分割り当ての列ベクトルであり、行列
である。Ｂの正規化固有ベクトルｕ_iの線形組み合わせとしてｓを記述すると、ここで、
ここで
次式を得る。
ここで
は、固有ベクトル
に対応するＢの固有値である。固有値が降順
で表記されると仮定すると、本方法は、指数ベクトルｓの選択によるネットワークの適切な分割を選ぶことによってモジュラリティを最大化することができる。

ｎコミュニティへのネットワークの最適分割
ニューマン、マークＥＪの「ネットワークにおけるモジュラリティ及びコミュニティ構造」ナショナルアカデミーオブサイエンスの会報１０３．２３（２００６）８５７７−８５８２に詳述されるように、この手順は、コミュニティのサイズが指定されないときにアプリケーションに適用される。このプロセスでは、自明解ベクトル
があるが、対応する固有値はゼロである。更にまた、モジュラリティ行列の固有値を全てネガティブ（負）にできると注記されていることは重要である。この事例では、本方法は、ネットワークの更なる分割がモジュラリティスコアを向上させないことを意味し、従って、解は、更なる分割が存在しないことになる。次いで、ネットワークを分割するためのアルゴリズムが得られ、本方法は、加重隣接行列の先行固有ベクトルを計算して、このベクトルの要素の符号に従って、頂点を２つのグループに分割する。本方法は、先行固有値が非正であるときに終了する。加重隣接行列は、モジュラリティ行列、又はアプリケーション知識を有するグラフ不変条件の他の何らかの組み合わせとして構築することができる。

上記プロセスは、２つのセットへのグラフの最適区分を発見するための手順を記載しており、本方法は、グリーディ方式でこの技術を反復して適用し、何れのサイズにもすることができる重なり合わないコミュニティへのグラフＧの自然分割を発見することができる。このため、コミュニティの結果として生じる数及びサイズを最適化するためのプロセスは、以下のようになる。
最適＿分割（Ｇ）
をランダム区分で初期化する
行列を計算する

固有ベクトル及び固有値Ｂの
を計算する
になるように固有値を並べ替える。
である場合、
そうでなければ、
の標準化固有ベクトル
における要素
に対して、
である場合、
そうでなければ、


である場合、

である。

ｏｐｔｉｍａｌ＿ｓｐｌｉｔ（Ｇ）の上記の疑似コードは、関連する固有ベクトルからの主固有値計算及びバイナリ近傍割り当てに従って、ネットワーク分割のプロセスを記述する。限定ではないが、クリーク分析、ドミネーティングセット、独立セット、接続性、スモールワールド特性、ヘビーテール次数分布、クラスタリング、統計推論、パーティショニングなどのグラフ区分における他の技術を用いて、この分析アーキテクチャのための所望のグラフ分割をもたらすことができる。

各ノード近傍に関する分類子のグループを訓練する
図３−４を再度参照すると、本方法は、各ノード近傍に対して、当該近傍に関連付けられる特徴行列における請求ベクトルの全てに関する分類子のセットを訓練して（３０８）、最良分類子を選択し（３１０）、特定の請求のステータス（否認、過払い又は過少支払い）を決定することができる。上述のプロセスにおいて、本方法は、オリジナル請求データベースをアブストラクトグラフに圧縮し、グラフの各ノードはオリジナルデータベースにおける請求のグループを表しており、請求グループが何れにしても重なり合う場合に２つのノード間に端があり、本方法は、ノードを近傍にグループ化するためのノードパーティショニングにおけるグラフ不変条件及び技術を使用する。本方法は、「バケットオブモデル」手法を用いて、各ノード近傍の分類子を訓練することができる。
が定義され、ここで各
は分類子であり、
は、単体的複体のノード近傍の集まりである。

例えば、Ｎｉを任意のノード近傍とし、バケット＝ {SVM, RandomForest, LogisticRegression}とする。本方法は、Ｎｉのデータポイントを訓練セット及びクロス妥当性確認セットにランダムに分割して、ここでデータポイントの８０％が訓練に使用され、残りの２０％がクロス妥当性確認に提供される。バケットの各分類アルゴリズム（この実施例では、ＳＶＲ、ランダムフォーレスト、ロジスティック回帰）について、本方法は、訓練セットに対してアルゴリズムを訓練し、クロス妥当性確認データセットを使用して、分類子の二乗平均平方根誤差を計算する。次いで、本方法は、最低二乗平均平方根誤差を有するＮｉの分類子を選択する。

１つの実施形態において、各近傍の最良分類子を選択するための方法は、下記とすることができる。
各
に対して、
データを
の全てのノードに関連付けられる全ての請求ベクトルとする。
各
に対して
ｃ回実行する（ここでｃは任意定数である）。
データを２つのデータセットＡ及びＢにランダムに分割する。
をＡで訓練する。
をＢでテストする。
最高平均スコアを取得する分類子及び分類子の組み合わせを選択する。

例えば、図５Ａ−５Ｆの請求実施例を用いて、請求データベースが、上述のようにマッパー出力単体的複体を生成するのに使用され、この単体的複体は、上述のプロセスを用いてノード近傍に区分される。本方法は、請求データベースを特徴行列に変換した同じプロセスを用いて、請求をベクトルに変換し、マッパープロセスで使用されたフィルタ関数を利用して、近傍を近傍ｉと指定できる請求ベクトルがどのノード近傍に属するのかを決定する。次に、本方法は、この実施例においてＲａｎｄｏｍＦｏｒｅｓｔ（ランダムフォーレスト）ｉと仮定する近傍ｉの最適訓練分類子を探索する。ＲａｎｄｏｍＦｏｒｅｓｔ（ランダムフォーレスト）ｉがＮｅｉｇｈｂｏｒｈｏｏｄ（近傍）ｉの訓練分類子であるので、これを用いて請求ベクトルのクラスを予測することができる。分類子を予測できる実施可能なクラスは、「拒否」又は「許可」になる。

上記の説明は、説明の目的で特定の実施形態に関して記載されている。しかしながら、上記の例示的な議論は、包括的なもの又は本開示を開示された形態に限定することを意図していない。多くの修正形態及び変形形態が上記の教示に照らして実施可能である。本開示の原理及びその原理的な応用を最もよく説明するために実施形態が選択され記述されており、これによって当業者が本開示及び企図される特定の用途に合う様々な修正形態を備えた様々な実施形態を適正に利用することができる。

本明細書で開示されたシステム及び方法は、１又はそれよりも多い構成要素、システム、サーバ、機器、他の部分構成要素を介して実施することができ、又はこれらの要素間で分散させることができる。システムとして実施されるときには、このようなシステムは、汎用コンピュータに見られるソフトウェアモジュール、汎用ＣＰＵ、ＲＡＭなどの構成要素を含むことができ、及び／又は包含することができる。革新的手法がサーバ上に存在する実施構成では、サーバなどは、汎用コンピュータに見られるようなＣＰＵ、ＲＡＭなどの構成要素を含む、又は包含することができる。

加えて、本明細書におけるシステム及び方法は、上記に記載したもの以外の異種の又は全く異なるソフトウェア、ハードウェア及び／又はファームウェア構成要素による実施構成を介して達成することができる。本発明に関連付けられる又は本発明を具現化するこのような他の構成要素（ソフトウェア、構成要素など）及び／又はコンピュータ可読媒体に関しては、例えば、本明細書における革新的手法の態様は、多数の汎用又は専用コンピュータシステム又は構成と一致させて実施することができる。本明細書の革新的手法と共に使用するのに好適とすることができる様々な例示的なコンピュータシステム、環境、及び／又は構成は、限定ではないが、パーソナルコンピュータ内又はパーソナルコンピュータに実装されたソフトウェア又は他の構成要素、ルーティング／接続性構成要素などのサーバ又はサーバコンピュータデバイス、手持ち式又はラップトップデバイス、マルチプロセッサシステム、マイクロプロセッサベースのシステム、セットトップボックス、消費者電子デバイス、ネットワークＰＣ、他の既存のコンピュータプラットフォーム、上記のシステム又はデバイスの１又はそれ以上を含む分散コンピュータ環境などを含むことができる。

一部の事例では、本システム及び方法の態様は、プログラムモジュールを含む論理及び／又は論理命令を介して達成することができ、又はこれによって実行することができ、例えばこのような構成要素又は回路に関連付けて実行することができる。一般に、プログラムモジュールは、特定のタスクを実行するか又は本明細書の特定の命令を実施するルーチン、プログラム、オブジェクト、構成要素、データ構造などを含むことができる。本発明は、分散ソフトウェア、コンピュータ、又は通信バス、回路又はリンクを介して回路が接続される回路設定の関連で実施することもできる。分散設定では、制御／命令が、メモリストレージデバイスを含むローカル及びリモートコンピュータストレージ媒体の両方から発生することができる。

本明細書におけるソフトウェア、回路及び構成要素はまた、コンピュータ可読媒体の１又はそれよりも多いタイプを含む及び／又は利用することができる。コンピュータ可読媒体は、このような回路及び／又はコンピュータ構成要素に常駐又は関連付けられ、或いは、このような回路及び／又はコンピュータ構成要素によってアクセスすることができる何れの利用可能な媒体にもすることができる。限定ではなく実施例として、コンピュータ可読媒体は、コンピュータストレージ媒体及び通信媒体を含むことができる。コンピュータストレージ媒体は、コンピュータ可読命令、データ構造、プログラムモジュール又は他のデータなどの情報の記憶のための何れの方法又は技術においても実施される揮発性及び不揮発性、取り外し可能及び非取り外し可能媒体を含む。コンピュータストレージ媒体は、限定ではないが、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、フラッシュメモリ又は他のメモリ技術、ＣＤ−ＲＯＭ、デジタル多機能ディスク（ＤＶＤ）又は他の光学ストレージ、磁気テープ、磁気ディスクストレージ又は他の磁気ストレージデバイス、又は要求される情報を格納するために使用でき且つコンピュータ構成要素によってアクセスすることができる何れかの他の媒体を含む。通信媒体は、コンピュータ可読命令、データ構造、プログラムモジュール及び／又は他の構成要素を含むことができる。また通信媒体は、有線ネットワーク又は直接配線接続などの有線媒体を含むことができるが、本明細書における何れのこのようなタイプの媒体も一時的媒体を含まない。上記の何れの組み合わせもコンピュータ可読媒体の範囲内に含まれる。

本明細書において、構成要素、モジュール、デバイスなどの用語は、多種多様な方法で実施することができる論理的又は機能的ソフトウェア要素、回路、ブロック及び／又はプロセスの何れのタイプも指すことができる。例えば、様々な回路及び／又はブロックの機能は、他の何れかの数のモジュールにも互いに組み合わせることができる。各モジュールは、中央処理ユニットによって読み取られる有形メモリ（例えば、ランダムアクセスメモリ、読出し専用メモリ、ＣＤ−ＲＯＭメモリ、ハードディスクドライブなど）に格納されたソフトウェアプログラムとして実施し本明細書の革新的手法の機能を実施することができる。或いは、モジュールは、送信搬送波を介して汎用コンピュータ又は処理／グラフィックハードウェアに送信されたプログラミング命令を含むことができる。またモジュールは、本明細書の革新的手法によって包含される機能を実施するハードウェア論理回路として実施することができる。最後に、専用命令（ＳＩＭＤ命令）、要求されるレベル性能及びコストを提供するフィールドプログラマブル論理アレイ又はこの何れかの混合物を用いてモジュールを実施することができる。

本明細書で開示するように、本開示に一致する特徴は、コンピュータハードウェア、ソフトウェア及び／又はファームウェアを介して実施することができる。例えば、本明細書で開示するシステム及び方法は、例えば、データベース、デジタル電子回路、ファームウェア、ソフトウェア、又はこれらの組み合わせを含むコンピュータなどのデータプロセッサを含む様々な形態で実施することができる。また、開示する実施構成の一部は、本明細書の革新的手法に一致する特定のハードウェア構成要素、システム及び方法を記述しているが、ハードウェア、ソフトウェア及び／又はファームウェアの何れの組み合わせによっても実施することができる。また、本明細書の革新的手法の上述の特徴及び他の態様及び原理は、様々な環境で実施することができる。このような環境及び関連付けられるアプリケーションは、本発明に従う様々なルーチン、プロセス及び／又は動作を実行するよう特別に構成することができ、又は必要な機能を提供するためにコードによって選択的に起動又は再構成された汎用コンピュータ又はコンピュータプラットフォームを含むことができる。本明細書で開示したプロセスは、何れかの特定のコンピュータ、ネットワーク、アーキテクチャ、環境、又は他の装置に固有に関連付けられることはなく、ハードウェア、ソフトウェア、及び／又はファームウェアの適切な組み合わせによって実施することができる。例えば、本発明の教示に従って、書かれたプログラムを備えた様々な汎用機械を使用することができ、又は要求される方法及び技術を実行するために専用の装置又はシステムを構成することが便利なこともある。

論理などの本明細書で説明した方法及びシステムの態様は、フィールドプログラマブルゲートアレイ（「ＦＰＧＡ」）、プログラマブルアレイ論理（「ＰＡＬ」）デバイス、電子的プログラマブル論理及びメモリデバイス及び標準セルベースデバイス、並びに特定用途向け集積回路などのプログラマブル論理デバイス（「ＰＬＤ」）を含む多種多様な回路の何れかにプログラムされた機能として実施することもできる。態様を実施するための幾つかの他の可能性は、メモリデバイス、メモリ（ＥＥＰＲＯＭなど）を備えたマイクロコントローラ、組み込み式マイクロプロセッサ、ファームウェア、ソフトウェアなどを含む。またソフトウェアベースの回路エミュレーション、離散的論理（順次及び組み合わせ）、カスタムデバイス、ファジー（神経）論理、量子デバイス、及び上記のデバイスタイプの何れかのハイブリッド有するマイクロプロセッサで態様を実施することができる。元になるデバイス技術は、多種多様な構成要素タイプ、例えば相補型金属酸化膜半導体（「ＣＭＯＳ」）のような金属酸化膜半導体電界効果トランジスタ（「ＭＯＳＦＥＴ」）技術、エミッタ結合論理（「ＥＣＬ」）のような双極技術、ポリマー技術（例えば、シリコン共益ポリマー及び金属共益ポリマー金属構造）、アナログとデジタルの混合などで提供することができる。

本明細書で開示する様々な論理及び／又は機能を、様々な機械可読又はコンピュータ可読媒体で実施される、ハードウェア、ファームウェアの何れかの数の組み合わせを用いて、及び／又はデータ及び／又は命令として、その行動、レジスタ転送、論理構成要素、及び／又は他の特徴の点から使用可にできる点に留意されたい。このようなフォーマット化されたデータ及び／又は命令を実施することができるコンピュータ可読媒体は、限定ではないが、様々な形態（例えば、光学、磁気又は半導体ストレージ媒体）の不揮発性ストレージ媒体を含むが、一時的媒体は含まない。本関連が他に明確に要求しない限り、本説明全体を通して、「ｃｏｍｐｒｉｓｅ（含む）」、「ｃｏｍｐｒｉｓｉｎｇ（含んでいる）」などの用語は、排他的又は包括的な意味とは対照的に包含的な意味に捉えるべきであり、すなわち、「限定されないが含む」の意味である。単数又は複数を使用する語は、複数又は単数をそれぞれ含む。加えて、「本明細書に」、「下文に」、「上記に」、「以下に」及び類似の取り込みの語は、全体として本出願を指し、本出願の何れか特定の部分を指すものではない。「ｏｒ（又は）」という語が１又はそれよりも多い項目のリストを引用して使用されるときには、この語は、語の以下の解釈の全て、すなわちリストの項目の何れか、リストの項目の全て及びリストの項目の何れかの組み合わせを網羅する。

本発明の一定の現在好ましい実施構成を本明細書で詳細に説明したが、本明細書に図示及び説明した様々な実施構成の変形形態及び修正が本発明の精神及び範囲から逸脱することなく行い得ることは本発明に関わる当業者に明らかであろう。従って、本発明は適用可能な法の規則によって要求される限度まで限定されるものとする。

本開示の特定の実施形態に関して前記に説明したが、この実施形態における変更が、本開示の原理及び精神から逸脱することなく行い得ること、本開示の範囲は添付の請求項によって定められることが当業者によって理解されるであろう。

１００ ヘルスネットワークシステム
１０２ １０２ａ １０２ｂ １０２ｎ コンピュータデバイス
１０４ アプリケーション
１０６ 通信経路
１０８ バックエンド構成要素
１１０ ヘルスマーケットプレイス
１１３ 請求処理構成要素
１１４ ストレージ

Claims (18)

1. ヘルスケア請求処理装置であって、
   プロセッサ及びメモリを有するコンピュータシステムと、
   前記コンピュータシステムに関連付けられ、１又はそれよりも多い請求記録を格納するデータベースと、
   請求記録が関連付けられる複数のノードを有する前記１又はそれよりも多い請求記録の圧縮表現を生成して、前記圧縮表現をノードの１又はそれよりも多い近傍に区分し、分類子を用いて特定の請求のステータスを決定する請求処理構成要素と、
   を備え、前記ステータスが、拒否、過払い及び過少支払いのうちの１つである、ヘルスケア請求処理装置。
2. 前記圧縮表現は、単体的複体である、
   ことを特徴とする請求項１に記載の装置。
3. 前記請求処理構成要素は、前記１又はそれよりも多い請求記録の圧縮表現を生成する前に前記１又はそれよりも多い請求記録を特徴行列に変換する、
   ことを特徴とする請求項２に記載の装置。
4. 前記請求処理構成要素は、ノードの各近傍の１又はそれよりも多い分類子を訓練する、
   ことを特徴とする請求項１に記載の装置。
5. 前記請求処理構成要素は、ノードの特定の近傍の訓練された分類子から最良の分類子を選択し、前記特定の請求は、ノードの前記特定の近傍に関連付けられる、
   ことを特徴とする請求項４に記載の装置。
6. 前記請求処理構成要素は、前記請求のステータスを収集して、前記請求のステータスをフォードバックする、
   ことを特徴とする請求項１に記載の装置。
7. ヘルスケア請求処理のための方法であって、
   １又はそれよりも多い請求記録を取得するステップと、
   請求記録が関連付けられる複数のノードを有する、前記１又はそれよりも多い請求記録の圧縮表現を生成するステップと、
   前記圧縮表現をノードの１又はそれよりも多い近傍に区分するステップと、
   分類子を用いて、拒否、過払い及び過小支払いのうちの１つである特定の請求のステータスを決定するステップと、
   を含む方法。
8. 前記圧縮表現は、単体的複体である、
   ことを特徴とする請求項７に記載の方法。
9. 前記１又はそれよりも多い請求記録の圧縮表現を生成する前に前記１又はそれよりも多い請求記録を特徴行列に変換するステップを更に含む、
   ことを特徴とする請求項８に記載の方法。
10. 前記分類子の使用を決定するステップは、ノードの各近傍の１又はそれよりも多い分類子を訓練するステップを更に含む、
    ことを特徴とする請求項７に記載の方法。
11. 前記分類子の使用を決定するステップは、ノードの特定の近傍の訓練された分類子から最良分類子を選択するステップを含み、前記特定の請求は、ノードの前記特定の近傍に関連付けられる、
    ことを特徴とする請求項１０に記載の方法。
12. 前記請求のステータスを収集し、前記請求のステータスをフィードバックするステップを更に含む、
    ことを特徴とする請求項７に記載の方法。
13. ヘルスケアシステムであって、
    プロセッサ及びメモリを有するコンピュータシステムと、
    前記コンピュータシステムによってホストされるヘルスマーケットプレイスシステムと、
    前記コンピュータシステムに関連付けられ、１又はそれよりも多い請求記録を格納するデータベースと、
    請求記録が関連付けられる複数のノードを有する前記１又はそれよりも多い請求記録の圧縮表現を生成して、前記圧縮表現をノードの１又はそれよりも多い近傍に区分し、分類子を用いて特定の請求のステータスを決定する請求処理構成要素と、
    を備え、前記ステータスが、拒否、過払い及び過少支払いのうちの１つである、ヘルスケアシステム。
14. 前記圧縮表現は、単体的複体である、
    ことを特徴とする請求項１３に記載のシステム。
15. 前記請求処理構成要素は、前記１又はそれよりも多い請求記録の圧縮表現を生成する前に前記１又はそれよりも多い請求記録を特徴行列に変換する、
    ことを特徴とする請求項１４に記載のシステム。
16. 前記請求処理構成要素は、ノードの各近傍の１又はそれよりも多い分類子を訓練する、
    ことを特徴とする請求項１３に記載のシステム。
17. 前記請求処理構成要素は、ノードの特定の近傍の訓練された分類子から最良分類子を選択し、前記特定の請求は、前記ノードの特定の近傍に関連付けられる、
    ことを特徴とする請求項１６に記載のシステム。
18. 前記請求処理構成要素は、前記請求のステータスを収集して前記請求のステータスをフィードバックする、
    ことを特徴とする請求項１３に記載のシステム。