基于离群点检测的医保欺诈检测研究

发布时间：2020-07-03 04:24

【摘要】：随着医疗保险的普及和覆盖范围的日益扩大,我国的参保人数在不断增加,医保业务也愈加繁杂。但是,在我国医疗保险事业取得长足发展的同时,也存在着各种各样的医保欺诈问题,这些不法行为已对我国医保基金运营造成了很大的危害。目前国内对于医保欺诈行为检测主要靠人工制定审查规则和人工审核,面对日益增大的医保业务量,仅靠人工审核已经明显无法满足需求,这时就需要用信息化技术来辅助审核人员完成检查工作。随着我国医疗保险行业的发展,医保信息系统也得到了迅速的应用与发展,并且积累了大量的相关医保数据。这为将离群点检测技术应用于医保数据分析提供了必要条件。离群点检测可以发现医疗保险数据中潜在的有意义的信息,用于辅助决策。在银行、证券交易所等金融机构的欺诈检测中已经有了许多应用案例,并且具有很好的性能。因此,本文希望能够将离群点检测技术应用于我国的医疗保险欺诈检测中,找出其中的可疑数据,辅助工作人员的决策。本文主要以医疗保险欺诈检测中的费用异常和用药异常两个问题作为切入点。通过研究原始医疗保险数据,分析其特点,进行了医保数据预处理。之后就具体的费用异常与用药异常问题,分别分析其数据集的数据特征,提出了基于聚类的ODC离群点检测算法与基于剪枝的OAP离群点检测算法。经过实验对比,发现其均优于原有算法,在实际医疗保险数据集的运用中表现出良好性能。
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：F842.684;TP311.13
【图文】：

肺源性心脏病,数据聚类,药品费

图４－３逦时肺源性心脏病数据聚类结果逡逑Ｆｉｇ．邋４￣３邋ｋ＝Ｓ邋Ｐｕｌｍｏｎａｒｙ邋Ｈｅａｒｔ邋Ｄｉｓｅａｓｅ邋Ｄａｔａ邋Ｃｌｕｓｔｅｒｉｎｇ逡逑上图４－３表示的是当时肺源性心脏病数据聚类的结果，８个聚类簇中的数逡逑据数目分别为邋１７５，邋４１９，邋３５，邋２８５，邋４０２，邋１５８，邋６９，邋３４８。逡逑＞逦ｋｍｅａｎｓ．ｒｅｓｕｌｔＳｓｉｚｅ逡逑１７５邋４１９邋３５邋２３５邋４０２邋１５３邋６９邋３４３逡逑＞＃异常值的行号逡逑＞逦ｐｒｉｎｔ（ｏｕｔｌｉｅｒｓ）逡逑［１］逦１４３逦１４３２逦１１５３逦２３４逦５３５逦５３１逦９８３逦１４９７逦１３１６逦９６逦３０６逦１６９４逦１２５９逦３２逡逑［１５］逦１２９４逦３２７逦９４６逦１２３４逦１５２７逦４５９逦６００逦９３５逦１１３１逦４５０逦１８３６逦２３３逦１４１６逦１２９７逡逑｛２３］逦９２４逦１２逦４１４逦１７０９逦１６２７逦１５８０逦５７９逦１０５６逦１６７４逦７５９逡逑＞逦ｐｒｉｎｔ（ＤＡＴＡＩ［ｏｕｔｌｉｅｒｓ，］）逡逑药品费哥报销药品费逦住院费一般检查费大型检查费逦治疗费逡逑［１

趋势图,检出率,趋势图,肺源性心脏病

图４－５值变化时检出率趋势图逡逑Ｆｉｇ．邋４￣５邋ｐ＝２，邋Ａ邋Ｔｒｅｎｄ邋Ｍａｐ邋ｏｆ邋ｔｈｅ邋Ｄｅｔｅｃｔｉｏｎ邋Ｒａｔｅ邋Ｗｈｅｎ邋Ｔｈｅ邋Ｋ邋Ｖａｌｕｅ邋Ｃｈａｎｇｅｓ逡逑如上图４－５所示对肺炎、肺源性心脏病、慢性气管炎三类病例数据分别进行实逡逑验，当确定ｐ值不变时，变换Ａ：值所得检出率变化趋势。肺炎和慢性气管炎的检逡逑出率都在聚类数目为６时达到最大值８２％和７６％，即当ｉｔ为６时检测出了最多逡逑的２１和１５个可疑数据。而肺源性心脏病则是在聚类数目为８时，达到检出率最逡逑高值。这是因为肺炎和慢性气管炎的数据量少于肺源性心脏病病例的数据量，因逡逑此当Ａ：值变大时，簇的数目变多，阚值不变的情况下，离群点就变得较难提取。逡逑总体来说，０ＤＣ离群点检测算法对于现实的医保数据具有良好的表现，对于逡逑肺炎、肺源性心脏病、慢性气管炎三类病种的检出率分别能达到８２％，８６％，７６％。逡逑在接下来的实验中

【参考文献】