[發明專利]一種醫療保險異常數據在線智能檢測方法

在審

• 申請號: 201510760477.4
• 申請日: 2015-11-10
• 公開（公告）號: CN105279382A
• 公開（公告）日: 2016-01-27
• 發明（設計）人: 付波;李民強;沈磊;張巖龍;鄧軍
• 申請（專利權）人: 成都數聯易康科技有限公司
• 主分類號: G06F19/00
• 分類號: G06F19/00;G06F17/30;G06K9/62
• 代理公司: 成都金英專利代理事務所(普通合伙) 51218
• 代理人: 袁英

1.一種醫療保險異常數據在線智能檢測方法，其特征在于：包括以下步驟：

S1.訓練數據集獲取：提取原始醫保數據并進行聚類和篩選得到可疑特征數據簇，對篩選出來的可疑特征數據簇中的數據進行人工審核和標注，并將標注后的數據加入待訓練數據集；

S2.在線學習：訓練模型利用標注后的可疑特征數據簇進行在線訓練學習，直到訓練模型的成熟度滿足要求后，定義訓練模型訓練成熟，存儲訓練成熟的模型參數；

S3.在線檢測：讀取成熟的模型參數初始化相應模型，來對輸入的醫保數據進行在線檢測和標記，根據標記結果判斷醫保數據是異常，將異常數據保存到異常數據庫中。

2.根據權利要求1所述的一種醫療保險異常數據在線智能檢測方法，其特征在于：還包括一個檢測修正步驟S4，包括以下子步驟：

S41.醫保業務系統在使用檢測后的醫保數據時，發現數據檢測結果與具體業務有差異，則調整檢測標記值，并將有差異的數據存儲到反饋數據庫中；

S42.從反饋數據庫提取數據，跳轉至步驟S2，重新利用這部分數據進行訓練和學習，從而調整模型參數，并將調整后的模型參數進行存儲。

3.根據權利要求1所述的一種醫療保險異常數據在線智能檢測方法，其特征在于：所述的步驟S1包括以下子步驟：

S11.從醫保數據庫中提取原始數據；

S12.構造數據篩選器，對提取的原始數據進行聚類和篩選，得到可疑數據特征簇C；

S13.將可疑數據特征簇C交由人工進行進一步判斷；

S14.根據人工判斷結果，對可疑數據特征簇C中的每條特征數據均使用標簽x進行標注，并將標注后的數據加入待訓練數據集作為待訓練數據，標簽x為0或者1，標簽x為0是代表對應的特征數據為正常數據，標簽x為1時代表對應的特征數據為異常數據。

4.根據權利要求1所述的一種醫療保險異常數據在線智能檢測方法，其特征在于：所述的步驟S2包括以下子步驟：

S21.初始化訓練模型的參數；

S22.從待訓練數據集中提取待訓練數據，采用訓練模型對當前訓練數據進行檢測得到其檢測值y；

S23.計算當前數據檢測值y與標簽x之間的差值，記為損失β＝|x-y|，利用損失β＝|x-y|對訓練模型的參數進行調整；

S24.計算當前訓練模型的成熟度，作為在線學習階段模型成熟的依據；判斷訓練模型的成熟度是否滿足預設條件：

(1)訓練模型成熟度滿足條件時，定義認為模型訓練成熟，即可以使用，同時保存成熟模型的參數，訓練結束；

(2)訓練模型成熟度不滿足條件時，保存當前的模型并且跳轉至步驟S22，再次從待訓練數據集中提取數據，在保存的當前模型的基礎上,繼續進行步驟S22到步驟S24的訓練。

5.根據權利要求1所述的一種醫療保險異常數據在線智能檢測方法，其特征在于：所述的步驟S3包括以下子步驟：

S31.讀取成熟的模型參數初始化相應模型，生成模型實例；

S32.將當前待檢測醫保數據輸入模型實例；

S33.模型實例檢測當前輸入的醫保數據，得到當前醫保數據的檢測值,使用檢測值標記當前輸入的醫保數據；

S34.根據當前醫保數據的檢測值，判斷醫保數據是否異常：

(1)醫保數據正常，跳轉至步驟S35；

(2)醫保數據異常，將當前的醫保數據存儲到異常數據庫中，并跳轉至步驟S35；

S35.依次輸入所有待檢測的醫保數據，每次輸入數據后重復進行步驟S32～步驟S34，直到沒有待檢測醫保數據輸入為止。

6.根據權利要求4所述的一種醫療保險異常數據在線智能檢測方法，其特征在于：所述的步驟S21包括以下子步驟:

S211.在訓練模型中，預先存儲醫保系統中已知的所有數據特征項；

S212.對每一個數據特征項中所有可能出現的特征值分別賦予一個FTRL參數，也叫特征值參數，并將所有FTRL參數均初始化為0；

S213.對每一個數據特征項中所有可能出現的特征值分別賦予一個FM參數，也叫特征關系參數，所述的FM參數為一列4維向量，并將FM參數初始化為高斯概率分布。