[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
地址：	611730 四川省***	國省代碼：	四川;51
權利要求書：	查看更多	說明書：	查看更多
摘要：
搜索關鍵詞：	一種醫療保險異常數據在線智能檢測方法
鉆瓜網技術展會專利詞庫專利權人專利榜在售專利公布日期熱門專利

【說明書】：

技術領域

本發明涉及一種醫療保險異常數據在線智能檢測方法。

背景技術

隨著社會經濟的發展，國家為了給老百姓提供更好的醫保環境，醫保政策越來越好。然而，總有一些人通過各種各樣的手段來騙取醫保。

當前的醫療保險，行業整體業務經營與管理比較粗放，缺乏風險把控；粗放的理賠服務和條款賠付，缺乏對疾病治療的深度分析、醫療費用的風險把控、醫療服務的合理性判斷，導致大量欺詐、不合理醫療，嚴重損害了其他真正需要醫保救治人的權益，給危害了國家醫療保險制度。

對于這種問題，一般可以通過分析醫保人員的就醫數據，從而幫助社保機構檢測出異常數據；然而，面對醫院每天產生的原始醫保數據，如果僅通過人工手段來進行異常檢測的話，不僅速度慢，浪費人力，且難保證準確度，再加上醫院每天的數據都是動態增加，加大了人工處理的難度；因此，目前采用數據挖掘技術是發現醫保異常數據的重要智能化手段。

數據挖掘技術是發現數據潛在信息、揭示隱藏模型、預測發展趨勢的重要技術手段；在金融、電信、商業和保險等行業廣泛應用并取得成功；國內外醫療保險行業，常涉及定向營銷策略制定、客戶忠誠度分析、保險產品交叉銷售等；IBM研究中心的Marisa等人基于澳大利亞醫療機構，采用關聯規則和神經分割技術，從GB級的數據中獲取未知模式；MohitKumar等使用數據挖掘和機器學習技術，預測和預防保險公司在處理醫療保險申述過程中的支付錯誤、異常和欺詐檢測；國內研究主要集中在基金風險和控制醫療費用增長上，采用簡單規則的數據篩選方法，缺乏全面而強有力的大數據分析支持。

發明內容

本發明的目的在于克服現有技術的不足，提供一種醫療保險異常數據在線智能檢測方法，首先對原始醫保數據進行篩選，得到可疑特征數據簇，再對可疑特征數據簇中的數據進行人工審核標注，利用標注后的數據進行模型訓練，將訓練成熟后的模型用于醫保數據的在線自動檢測，大大減少人工檢測的勞動成本，同時可有效提高異常醫保數據檢測的準確率，從而能夠使得醫保基金使用更加合理應用到老百姓的就醫中，防止了醫保欺詐行為。

本發明的目的是通過以下技術方案來實現的：一種醫療保險異常數據在線智能檢測方法，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。

所述的一種醫療保險異常數據在線智能檢測方法，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。

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。