基于双聚类的异常共现就医欺诈行为识别方法研究

发布时间：2020-12-27 18:48

　　我国进入全民医保时代,医疗保险制度覆盖范围不断扩大,受益人群不断增多。这给人们的就医带来方便,人们可以携卡就医,即时结算。但是,也有部分非法分子暗中进行医疗保险欺诈行为。医保欺诈的行为有很多种,异常共现就医欺诈行为是一种较为常见的骗保行为,通常表现为欺诈者非法使用多个他人的医保卡,通过多次倒卖药品非法套取医保基金。这种欺诈行为具有两种特点:一是这些被欺诈者占据的医保卡,多次在相同时间相同地点消费;二是欺诈者为方便倒卖药品,通常购买类似的药物。通常,因为可能有医疗机构人员的参加,或者医保政策的公开性,使得这种行为通常和普通正常参保人群的就医行为类似,很难识别。但是,异常共现就医行为给医保基金带来的损失越来越巨大,比如2017年宁波市药贩子勾结几十名退休参保职工,倒卖药品,损害医保基金90万余元,针对异常共现就医欺诈行为的识别变得日益紧迫。目前有一些欺诈行为识别方法,比如基于聚类的、频繁模式挖掘的方法。这些方法通常不能完全考虑到异常共现就医欺诈行为的两个特征,会误判正常的就医行为,导致不能精确地识别欺诈行为。因此,如何精准地识别异常共现就医欺诈行为是一个挑战。为了尽可能精准地识别异常共现就... 

【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校

【文章页数】：97 页

【学位级别】：硕士

【部分图文】：

图３－１异常共现就医欺诈患者就医记录可视化??为了能够更加方便地利用计算机技术在医保数据集中检测异常共现就医欺??

山东大学硕士学位论文??４．２．１构建患者－就医时间地点维度异构加权图Ｇ１??为了能够挖掘异常共现就医行为模式，本文首先需要构建异构加权图??Ｇｌ?＝?〇ＰｕＴＡ＆Ｗ），其中Ｐ代表患者，７Ｔ代表时间地点维度，６代表图中的边，??Ｗ代表图中的权重。Ｇ１中包含两种类型的边：其中一种是患者和时间地点维度??之间的边，Ｇｅ（Ａ＋為），Ｐ，?ｅ?Ｐ為ｅ冗；另一种是患者和患者之间的边，??ＫＰｎＰ／ｈＰｎＰｊ?Ｊ。??＼?＞ｓ＜ｘ＞？??！?＾＾＞￡）??图４－１异构加权图Ｇ１示例??对于不同类型的边的权重，有不同的赋值方法。对于Ｇｆ〇？，．，４），与患者ｐ，在??ｆ／；所代表的地点的就医时间有关。ｗ〇，．，４）被定义为：??為）＝ｍａｘ（ｅ如，ｆｌ，０ｊ，卜；－（｜?＜?Ｏ?（４．１）??其中，ｔ；是Ａ所表示的时间，ｔ；是患者巧在ｔＺ；所表示的地点就医的时间。当??时，由于ｔ；Ｒ］能由多个数值，因此＝?即选择与？??２４??

山东大学硕士学位论文??最接近的ｔｉ。当卜－／，＃＊！）时，Ｗ（；７，．，／／＾?＝?０。??对于它的权重代表患者之间医药处方的相似度，将在之后的步??骤中给出计算方法。??举例：??假设患者ｈ的历史就医记录如下图所示，时间地点维度集合＝｛叫：＜??２０１５．１０．１３，山东省立医院＞?，ｔ／２：?＜?２０１５．１０．１３，齐鲁医院?＞?此：＜??２０１５．１０．１８，济南市中心医院＞，ｔＺ４：?＜?２０１５．１０．２０，山东省立医院＞，ｔＺ５：?＜??２０１５．１１．８，山东省立医院＞｝，?０?＝?０。那么的值如表４－１所示。??患者Ｐｉ?患者Ｐｉ?患者Ｐｉ??４?．??Ｉ??２０１５．１０．１３?２０１５．１０．２０?２０１５．１１．８??山东省立医院?山东省立医院?山东省立医院?????????????图４－２患者？１的历史就医记录??表４－１患者０１与７＾１之间边的权重计算??ＴＬ??患者????ｔｌ＼?ｔ【２?ｔ＾４?ｔ／５??ｎ?１?０?０?１?１??Ｆ＼??４．２．２在图Ｇ１中双聚类获得可疑的患者群体以及可疑的就医记录??在这一小节中，本文将介绍一种新颖的双聚类方法，通过同时聚类ｐ和ｔ／，??本文可以获得符合相同时间相同地点就医的可疑患者群体，以及他们可疑的就医??记录。双聚类得到的ｔｉ集合表明了对应患者在何时何地出现了共现就医行为。??２５??

【参考文献】：
期刊论文
[1]基于医保大数据挖掘门诊特殊疾病患者异常就医行为的实证研究[J]. 刘江,潘杰,吴奎,刘一彬,吴刚,蔡江瑶.  预防医学情报杂志. 2018(11)
[2]DAY-BY-DAY行为数据集上基于图的特异群组挖掘[J]. 马剑青,孙婧.  计算机应用与软件. 2013(12)
[3]医保就医聚集行为挖掘[J]. 何俊华,张静谊,熊赟,朱扬勇.  计算机应用与软件. 2011(07)



本文编号：2942286