TWM534869U - 保險理賠詐欺偵測裝置 - Google Patents

保險理賠詐欺偵測裝置 Download PDF

Info

Publication number
TWM534869U
TWM534869U TW105209693U TW105209693U TWM534869U TW M534869 U TWM534869 U TW M534869U TW 105209693 U TW105209693 U TW 105209693U TW 105209693 U TW105209693 U TW 105209693U TW M534869 U TWM534869 U TW M534869U
Authority
TW
Taiwan
Prior art keywords
years
cancer
risk
score
points
Prior art date
Application number
TW105209693U
Other languages
English (en)
Inventor
劉文明
Original Assignee
國泰人壽保險股份有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 國泰人壽保險股份有限公司 filed Critical 國泰人壽保險股份有限公司
Priority to TW105209693U priority Critical patent/TWM534869U/zh
Publication of TWM534869U publication Critical patent/TWM534869U/zh

Links

Landscapes

  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Description

保險理賠詐欺偵測裝置
本新型係有關於一種偵測裝置,特別是一種有關於保險理賠詐欺偵測裝置。
近年來,隨著多起詐保事件的發生,理賠人員不得不提升對詐保事件的注意,但理賠人員在審理案件時,無法即時判斷是否疑似理賠詐欺案件,可能會導致誤賠事件發生,進而影響全體保戶之權益。
而且,目前並無整合理賠詐欺案件資訊的技術,導致理賠人員需人工於系統查詢相關資訊輔佐判斷,耗時又費力。
有鑑於此,本新型之目的為提供一種保險理賠詐欺偵測裝置,集合理賠人員之理賠實務經驗,彙整歸納出哪些指標對於評估理賠案件給付是有相關聯性。藉由設定各指標因子的權重與分數,計算風險分數,判斷屬於何種風險等級。
依據本新型的一種保險理賠詐欺偵測裝置,包含:因子輸入單元,係接收各種因子;因子分數設定單元,將前述因子依程度設定成有不同分數的複數個區間;因子權重設定單元,對應前述各種因子設定權重;風險分數計算單元,將每一種因子的分數乘上所對應的設定權重,並加總成風險分數;標準化單元,將前述風險分數標準化;風險等級分類單元,從前述標準化的風險分數歸類出風險等級;輸出單元,將前述風險等級輸出給使用者。
依據本新型的一種實施例的保險理賠詐欺偵測裝置,其中:前述因子包含:投保至本次事故間隔日數、累計疾病日額、亂序申請次數、近一年住院日數、近一年住院次數、不給付次數、不給付比率。
依據本新型的一種實施例的保險理賠詐欺偵測裝置,其中:前述因子包含:投保至本次事故間隔日數、累積理賠金額與所繳總保費比、累計疾病日額、近三年疾病交查後拒賠比率、近三年手術交查後拒賠比率、罹癌一至三年間住院日數、罹癌三至五年間住院日數、罹癌超過五年後住院日數、罹癌一至三年間住院次數、罹癌三至五年間住院次數、罹癌超過五年後住院次數、罹癌一至三年間門診次數、罹癌三至五年間門診次數、罹癌超過五年後門診次數、罹癌日本次事故日間隔日數、不給付次數、不給付比率。
依據本新型的一種實施例的保險理賠詐欺偵測裝置,其中:前述標準化風險分數設定在1~100分的範 圍內。
依據本新型的一種實施例的保險理賠詐欺偵測裝置,其中:前述風險分數的100分中,將0~60分歸類為低風險等級,將60~80分歸類為中風險等級,將80~90分歸類為中高風險等級,將90~100分歸類為高風險等級。
依據本新型的一種實施例的保險理賠詐欺偵測裝置,其中:當裝置判斷為高風險等級時,會發出一提示。
藉此,理賠新案件審核時,當裝置偵測出屬於高風險分數的保戶時,會提示理賠人員審核時須特別注意。理賠人員僅需輸入理賠的相關因子數值,即可快速地得知該保戶屬於何種風險區間,省去理賠人員以人工於系統查詢相關資訊的判斷時間,並可以得到高精確度的理賠風險指標。
1‧‧‧保險理賠詐欺偵測裝置
2‧‧‧因子輸入單元
3‧‧‧因子分數設定單元
4‧‧‧因子權重設定單元
5‧‧‧風險分數計算單元
6‧‧‧標準化單元
7‧‧‧風險等級分類單元
8‧‧‧輸出單元
圖1為本新型的保險理賠詐欺偵測裝置。
圖2為本新型之保險理賠詐欺偵測裝置的實施流程圖。
請參照圖1,其繪示本新型之保險理賠詐欺偵測裝置1。由圖1可知,保險理賠詐欺偵測裝置1,包 含:因子輸入單元2、因子分數設定單元3、因子權重設定單元4、風險分數計算單元5、標準化單元6、風險等級分類單元7、輸出單元8,以下,一邊參照圖2的實施流程圖一邊說明圖1之保險理賠詐欺偵測裝置的實施方式。
請參照圖2,首先,進行步驟S01的因子輸入,根據不同的理賠模型,藉由因子輸入單元2輸入不同的風險因子。接著,進行步驟S02的因子分數設定,因子分數設定單元3將前述因子依程度設定成對應有不同分數的複數個區間。再來,進行進行步驟S03的因子權重設定,因子權重設定單元4會對應前述各種不同的因子設定不同的權重。在設定完各個因子區間的因子權重之後,進行步驟S04的風險分數計算,風險分數計算單元5將每一種因子所對應的分數乘上所對應的設定權重,算出風險分數,並將風險分數加總。利用標準化單元5,進行步驟S05將加總後的風險分數標準化,並設定在1~100分的範圍內。之後再利用風險等級分類單元7進行步驟S06的風險等級分類,將經標準化的風險分數分類出風險等級。最後再藉由輸出單元8進行步驟S07的輸出,將前述風險等級分為輸出給使用者,且在判斷為高風險時提示使用者。
參照表10,前述風險等級可以例如是將標準化的100分中的0~60分歸類為低風險等級,將60~80分歸類為中風險等級,將80~90分歸類為中高風險等級,將90~100分歸類為高風險等級,以供理賠人員做參考。
(第一實施例)
以下,參照表1~9,以精神疾病的理賠為例說明有關本新型的保險理賠詐欺偵測裝置的實施方式,因為精神疾病的理賠不容易經由交查發現,因此本實施例設計七個因子組合的模型來評估精神疾病的理賠案件風險分數。首先,將精神疾病的因子分類成:投保至本次事故間隔日數、累計疾病日額、亂序申請次數、近一年住院日數、近一年住院次數、不給付次數、不給付比率。
再來,將前述精神疾病的各個因子,藉由因子分數設定單元3依程度設定成有不同分數的複數個區間。參照表1,以投保至本次事故間隔日數為例,將設定參數值(日數)為0~1644的區間設定為10分,將日數為1645~2192的區間設定為9.5分,將日數為2193~2922的區間設定為9分,將日數為2923~3653的區間設定為8分,將日數為3654~4018的區間設定為7分,將日數為4910以上的區間設定為4分。
在此實施例中,假設從保單投保始期到本次案件的事故日期經過天數為1700日,將落入表1投保至本次事故間隔日數中的1645~2192區間中,對應的分數為9.5分。假設本次案件前已經累計理賠的疾病日額總合為1200元,將落入表2累計疾病日額中的1001~1499區間中,對應的分數為4分。假設理賠未依照事故發生日期的先後順序申請的次數為0次,將落入表3亂序申請次數中的0區間中,對應的分數為0分。假設最近一年申請理 賠的住院日數總合為16日,將落入表4近一年住院日數中的15~24區間中,對應的分數為3分。假設最近一年申請理賠的住院次數總合為2次,將落入表5近一年住院次數中的2~2.9區間中,對應的分數為8.5分。假設過往理賠申請案件中,公司不給付的次數為1次,將落入表6不給付次數中的1~1.9區間中,對應的分數為3分。假設不給付比率(公司不給付次數總合/理賠申請案件的總次數)為5的話,將落入表7不給付比率中的0.01~10區間中,對應的分數為2分。
接著,參照表8,藉由因子權重設定單元4對應各種因子設定權重,將投保至本次事故間隔日數的權重設定為26,累計疾病日額的權重設定為12,將亂序申請次數的權重設定為12,將近一年住院日數的權重設定為6,將近一年住院次數的權重設定為6,將不給付次數的權重設定為18,將不給付比率的權重設定為20。
參照表9,風險分數計算單元5將每一種因子的分數乘上所對應的設定權重算出風險分數,並將風險分數加總。以投保至本次事故間隔日數為例,其參數設定值為1700,所對應的分數為9.5,將該所對應的分數乘上權重26,得到其風險分數為247。將各個因子的風險分數加總(247+48+0+18+51+54+40=458),得到總分458,因總分458難以分類,因此將其利用標準化單元6來進行標準化,形成範圍在1~100分內的標準化風險分數。
經標準化的風險分數為86.54,參照表10,會 發現86.54落在中高風險的區間。
當裝置偵測出屬於高風險分數的保戶時,會提示理賠人員審核時須特別注意。理賠人員僅需輸入精神疾病理賠的相關因子數值,即可快速地得知該保戶屬於何種風險區間,省去理賠人員以人工於系統查詢相關資訊的判斷時間,並可以得到高精確度的理賠風險指標。
(第二實施例)
以下,參照表11~28,以癌症醫療的理賠為例說明有關本新型的保險理賠詐欺偵測裝置的實施方式,因為癌症屬於需長時間治療的疾病,因此本實施例設計17個因子組合的模型來評估癌症醫療的理賠案件風險分數。首先,將癌症醫療的因子分類成:投保至本次事故間隔日數、累積理賠金額與所繳總保費比、累計疾病日額、近三年疾病交查後拒賠比率、近三年手術交查後拒賠比率、罹癌一至三年間住院日數、罹癌三至五年間住院日數、罹癌超過五年後住院日數、罹癌一至三年間住院次數、罹癌三至五年間住院次數、罹癌超過五年後住院次數、罹癌一至三年間門診次數、罹癌三至五年間門診次數、罹癌超過五年後門診次數、罹癌日本次事故日間隔日數、不給付次數、不給付比率。
再來,將前述癌症醫療的各個因子,藉由因子分數設定單元3依程度設定成有不同分數的複數個區間。參照表11,以投保至本次事故間隔日數為例,將設定參數值(日數)為0~730的區間設定為10分,將日數為 730~1096的區間設定為9分,將日數為1097~1461的區間設定為8分,將日數為1462~1826的區間設定為7分,將日數為1827以上的區間設定為3分。
在此實施例中,假設從保單投保始期到本次案件的事故日期經過天數為1700日,將落入表11中投保至本次事故間隔日數的1462~1826區間中,對應的分數為7分。假設累積已理賠金額/總繳的保費總合為105,將落入表12累積理賠金額與所繳總保費比中的70~199.99區間中,對應的分數為4分。假設本次案件前已經累計理賠的疾病日額總合為1200元,將落入表13累計疾病日額中的100~2999區間中,對應的分數為1分。假設最近三年有申請理賠的疾病給付/交查後公司不給付的比例為15,將落入表14近三年疾病交查後拒賠比率中的0.01~19.99區間中,對應的分數為1分。假設最近三年有申請理賠的手術給付/交查後公司不給付的比例為12,將落入表15近一年住院次數中的0.01~14.99區間中,對應的分數為2分。假設罹癌一至三年間住院日數總合為9日,將落入表16罹癌一至三年間住院日數中的1~9區間中,對應的分數為1分。假設罹癌三至五年間住院日數總合為5日,將落入表17罹癌三至五年間住院日數中的1~9區間中,對應的分數為2分。假設罹癌五年後的住院日數總合為11日,將落入表18罹癌超過五年後住院日數中的10~19區間中,對應的分數為4分。假設罹癌一至三年間住院次數總合為3次,將落入表19罹癌一至三年間住院 次數中的3區間中,對應的分數為5分。假設罹癌三至五年間住院次數總合為2次,將落入表20罹癌三至五年間住院次數中的2~2.9區間中,對應的分數為5分。假設罹癌五年後的住院次數總合為1次,將落入表21罹癌超過五年後住院次數中的1~1.9區間中,對應的分數為2分。假設罹癌一至三年間的門診次數總合為1次,將落入表22罹癌一至三年間門診次數中的1~9區間中,對應的分數為2分。假設罹癌三至五年間的門診次數總合為2次,將落入表23罹癌三至五年間門診次數中的1~9區間中,對應的分數為2分。假設罹癌五年後的住院次數總合為3次,將落入表24罹癌超過五年後門診次數中的1~9區間中,對應的分數為2分。假設確定罹癌日期距離本次事故日期的間隔天數為236日,將落入表25罹癌日本次事故日間隔日數中的183~365區間中,對應的分數為3.5分。假設過往理賠申請案件中,公司不給付的次數為1次,將落入表26不給付次數中的1~1.9區間中,對應的分數為3分。假設不給付比率(公司不給付次數總合/理賠申請案件的總次數)為7的話,將落入表27不給付比率中的0.01~9.99區間中,對應的分數為2分。
接著,參照表28,藉由因子權重設定單元4對應各種因子設定權重,將投保至本次事故間隔日數的權重設定為11,將累積理賠金額與所繳總保費比的權重設定為3,將累計疾病日額的權重設定為4,將近近三年疾病交查後拒賠比率的權重設定為18,將近三年手術交查 後拒賠比率的權重設定為14,將罹癌一至三年間住院日數的權重設定為2,將罹癌三至五年間住院日數的權重設定為5,將罹癌超過五年後住院日數的權重設定為5,將罹癌一至三年間住院次數的權重設定為2,將罹癌三至五年間住院次數的權重設定為5,將罹癌超過五年後住院次數的權重設定為5,將罹癌一至三年間門診次數的權重設定為4,將罹癌三至五年間門診次數的權重設定為5,將罹癌超過五年後門診次數的權重設定為5,將罹癌日本次事故日間隔日數的權重設定為4,將不給付次數的權重設定為3,將不給付比率的權重設定為5。
參照表28,風險分數計算單元5將每一種因子的分數乘上所對應的設定權重算出風險分數,並將風險分數加總。以投保至本次事故間隔日數為例,其參數設定值為1700,所對應的分數為7,將所對應的分數乘上權重11,得到其風險分數為77。將各個因子的風險分數加總,得到總分277,利用標準化單元6來進行標準化,形成範圍在1~100分內的標準化風險分數。
經標準化的風險分數為74.67,參照表10,會發現74.67落在中風險的區間。
當裝置偵測出屬於高風險分數的保戶時,會提示理賠人員審核時須特別注意。理賠人員僅需輸入癌症醫療理賠的相關因子數值,即可快速地得知該保戶屬於何種風險區間,省去理賠人員以人工於系統查詢相關資訊的判斷時間,並可以得到高精確度的理賠風險指標。
除了以上所例示的實施例以外,理賠人員人員可以因應不同的理賠情況,例如:疾病、意外等不同的理賠狀況,設定不同的因子組合模型,藉由輸入不同的因子參數算出該種理賠情況的風險。
雖然本新型已以實施方式揭露如上,然其並非用以限定本新型,任何熟習此技藝者,在不脫離本新型之精神和範圍內,當可作各種之更動與潤飾,因此本新型之保護範圍當視後附之申請專利範圍所界定者為準。
1‧‧‧保險理賠詐欺偵測裝置
2‧‧‧因子輸入單元
3‧‧‧因子分數設定單元
4‧‧‧因子權重設定單元
5‧‧‧風險分數計算單元
6‧‧‧標準化單元
7‧‧‧風險等級分類單元
8‧‧‧輸出單元

Claims (6)

  1. 一種保險理賠詐欺偵測裝置,包含:因子輸入單元,係接收各種因子;因子分數設定單元,將前述因子依程度設定成有不同分數的複數個區間;因子權重設定單元,對應前述各種因子設定權重;風險分數計算單元,將每一種因子的分數乘上所對應的設定權重,並加總成風險分數;標準化單元,將前述風險分數標準化;風險等級分類單元,從前述標準化的風險分數歸類出風險等級;輸出單元,將前述風險等級輸出給使用者。
  2. 如請求項1中所記載之保險理賠詐欺偵測裝置,其中:前述因子包含:投保至本次事故間隔日數、累計疾病日額、亂序申請次數、近一年住院日數、近一年住院次數、不給付次數、不給付比率。
  3. 如請求項1中所記載之保險理賠詐欺偵測裝置,其中:前述因子包含:投保至本次事故間隔日數、累積理賠金額與所繳總保費比、累計疾病日額、近三年疾病交查後拒賠比率、近三年手術交查後拒賠比率、罹癌一至三年間住院日數、罹癌三至五年間住院日數、罹癌超過五年後住院日數、罹癌一至三年間住院次數、罹癌三至五年間住院 次數、罹癌超過五年後住院次數、罹癌一至三年間門診次數、罹癌三至五年間門診次數、罹癌超過五年後門診次數、罹癌日本次事故日間隔日數、不給付次數、不給付比率。
  4. 如請求項1中所記載之保險理賠詐欺偵測裝置,其中:前述標準化風險分數設定在1~100分的範圍內。
  5. 如請求項4中所記載之保險理賠詐欺偵測裝置,其中:前述風險分數的100分中,將0~60分歸類為低風險等級,將60~80分歸類為中風險等級,將80~90分歸類為中高風險等級,將90~100分歸類為高風險等級。
  6. 如請求項5中所記載之保險理賠詐欺偵測裝置,其中:當裝置判斷為高風險等級時,會發出一提示。
TW105209693U 2016-06-28 2016-06-28 保險理賠詐欺偵測裝置 TWM534869U (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
TW105209693U TWM534869U (zh) 2016-06-28 2016-06-28 保險理賠詐欺偵測裝置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW105209693U TWM534869U (zh) 2016-06-28 2016-06-28 保險理賠詐欺偵測裝置

Publications (1)

Publication Number Publication Date
TWM534869U true TWM534869U (zh) 2017-01-01

Family

ID=58399519

Family Applications (1)

Application Number Title Priority Date Filing Date
TW105209693U TWM534869U (zh) 2016-06-28 2016-06-28 保險理賠詐欺偵測裝置

Country Status (1)

Country Link
TW (1) TWM534869U (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109508903A (zh) * 2018-12-14 2019-03-22 平安国际融资租赁有限公司 风险评估方法、装置、计算机设备和存储介质
CN109859059A (zh) * 2019-01-17 2019-06-07 深圳壹账通智能科技有限公司 保险理赔方法、装置、计算机设备及存储介质
TWI707281B (zh) * 2018-04-12 2020-10-11 香港商阿里巴巴集團服務有限公司 保險詐欺識別的資料處理方法、裝置、設備及伺服器
TWI785313B (zh) * 2020-02-26 2022-12-01 臺灣銀行股份有限公司 保險給付詐保風險評估系統及其方法
TWI819584B (zh) * 2022-04-28 2023-10-21 國泰人壽保險股份有限公司 保險理賠風險偵查方法與系統、電腦可讀取的記錄媒體

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI707281B (zh) * 2018-04-12 2020-10-11 香港商阿里巴巴集團服務有限公司 保險詐欺識別的資料處理方法、裝置、設備及伺服器
CN109508903A (zh) * 2018-12-14 2019-03-22 平安国际融资租赁有限公司 风险评估方法、装置、计算机设备和存储介质
CN109859059A (zh) * 2019-01-17 2019-06-07 深圳壹账通智能科技有限公司 保险理赔方法、装置、计算机设备及存储介质
TWI785313B (zh) * 2020-02-26 2022-12-01 臺灣銀行股份有限公司 保險給付詐保風險評估系統及其方法
TWI819584B (zh) * 2022-04-28 2023-10-21 國泰人壽保險股份有限公司 保險理賠風險偵查方法與系統、電腦可讀取的記錄媒體

Similar Documents

Publication Publication Date Title
TWM534869U (zh) 保險理賠詐欺偵測裝置
Calderón-Larrañaga et al. Association of population and primary healthcare factors with hospital admission rates for chronic obstructive pulmonary disease in England: national cross-sectional study
Beronio et al. How the Affordable Care Act and Mental Health Parity and Addiction Equity Act greatly expand coverage of behavioral health care
Claxton et al. Pre-existing conditions and medical underwriting in the individual insurance market prior to the ACA
WO2018149397A1 (zh) 一种理赔准备金的评估方法、存储介质、终端设备及装置
US20140149130A1 (en) Healthcare fraud detection based on statistics, learning, and parameters
JP6637135B2 (ja) 年配者コホートの慢性的重大疾患リスクについてリスク共有するための、患者データによりトリガされるプーリングシステム、及びその対応する方法
Rudmik et al. Geographic variation of endoscopic sinus surgery in the United States
WO2007047982A2 (en) Systems and methods for managing an expenditure cycle
US20150294420A1 (en) Systems, methods, and computer program products that facilitate life insurance underwriting with incomplete data
US20210042838A1 (en) Systems and methods for automated matching and conversion of term life insurance policies
US20200342969A1 (en) Monitoring treatment compliance using evidence-based guidelines
Oliver et al. Do falls and falls-injuries in hospital indicate negligent care—and how big is the risk? A retrospective analysis of the NHS Litigation Authority Database of clinical negligence claims, resulting from falls in hospitals in England 1995 to 2006
Fuse Brown Consumer Financial Protection in Health Care
Huguet et al. Prevalence of pre-existing conditions among community health center patients before and after the Affordable Care Act
Kyanko et al. The out-of-network benefit: problems and policy solutions
Fertig et al. Benefits and costs of a free community-based primary care clinic
US20140149129A1 (en) Healthcare fraud detection using language modeling and co-morbidity analysis
TWI785313B (zh) 保險給付詐保風險評估系統及其方法
Lueck Key Flaws of Short-Term Health Plans Pose Risks to Consumers
CN109523394B (zh) 一种基于数据处理的风险检测方法、装置及存储介质
Berdine Uncertainty and the welfare economics of medical care: an Austrian rebuttal: part 1
Sun Analyzing the Current State and Challenges in the Economic and Practical Aspects of Private Health Insurance in the United States
Lieneck et al. Rapid Review of “No Surprise” Medical Billing in the United States: Stakeholder Perceptions and Challenges. Healthcare 2023, 11, 761
Friesner et al. Does a single case mix index fit all hospitals? Empirical evidence from Washington state