基于异构网络社区划分的医疗滥用检测研究

发布时间：2020-06-05 07:32

【摘要】：随着医疗信息化的推进,医疗保险欺诈案件逐年增加。在医保欺诈案件中,实施欺诈行为的人员复杂,欺诈手段繁多,严重危害到了医保基金的安全。我国医疗保险事业起步晚,参保人数众多且医保基金规模巨大,医保欺诈的问题更加突出,加大反欺诈力度,确保基金安全势在必行。医保欺诈问题一直存在,但现存的方法并没有很好地解决这个问题。基于规则的检测方法需要既精通欺诈检测研究又熟悉医保业务的专家来设计规则,同时欺诈者也会尽可能的去规避检测规则。异常检测是目前进行欺诈者检测的主要技术之一,该类方法多集中于寻找全局异常值,无法有效的检测局部异常值。在医疗欺诈者检测问题中,很难根据医生和病人的统计学特征对他们进行有效的聚类。因此,现存的检测方法并没有很好地解决欺诈检测的问题。医保数据错综复杂且分布不平衡,多数医疗记录对医生和患者的个人信息记录并不完备,传统的方法很难根据医生或病人的统计学特征对其进行有效的聚类。网络社区划分方法作为一种聚类方法,用来发现网络中的社区结构,将问题空间的每一个个体转化为网络上的节点,聚类过程中更加关注节点之间的关系而非节点上的属性,这个方法非常适合用来解决医保欺诈检测问题。目前该方法多应用于同构信息网络。由于医保领域存在着多种类型的实体,考虑使用异构网络社区划分方法来解决医保欺诈检测问题。本文对医保领域中的异常主体检测做出了一些有效的研究,具体工作和贡献概括如下:1.提出将医保数据建模为异构加权网络。医保数据中包含医生、病人、药品等多种不同类型的主体,将医生、病人和药品抽象成异构网络中的节点,根据医生、病人和药品之间的关系,为其分配权重。将数据放到异构网络中可以更加清晰的找到医疗数据中各主体之间的关系,有利于后续欺诈检测问题的解决。2.提出基于标签传播算法的欺诈病人检测方法FDBLPA。将医保数据构建成病人-药品异构加权网络;使用改进的重叠社区标签传播算法NSLPA对网络进行划分;最终,在划分好的社区内检测异常病人。该方法根据疾病编码对节点进行初始化操作,降低了原始方法的随机性。同时,为其设计了符合数据特征的标签传播规则,提高了异常病人检测的准确性。3.提出基于模块度优化算法的欺诈医生检测方法FDMOA。针对普通住院数据,将数据中的医生和药品建模为异构加权网络;使用模块度优化算法FNO将医生和药品划分到相应的社区。最后,通过医生社区和药品社区的对比,发现异常的医生。根据医生科室和疾病编码对医生和药品节点进行社区的初始化划分,提高了算法的效率。同时,在进行节点合并的过程中,将不同的边权重考虑其中,提高了算法的准确性。
【图文】：

社区,同构网络,异构网络,非重叠

基于网络的社区划分可以分为同构网络的社区划分和异构网络的社区划分，逡逑根据社区是否为重叠的，，又可以分为同构网络非重叠社区、同构网络重叠社区和逡逑异构网络重叠社区，图３－１对这三种网络分别进行了展示。近年来随着数据量的逡逑１３逡逑

传播过程,标签,社区,同构网络

（＾ｒ逡逑（Ｃ）异构重叠社区逡逑图３－１社区类型逡逑基于网络的社区划分可以分为同构网络的社区划分和异构网络的社区划分，逡逑根据社区是否为重叠的，又可以分为同构网络非重叠社区、同构网络重叠社区和逡逑异构网络重叠社区，图３－１对这三种网络分别进行了展示。近年来随着数据量的逡逑１３逡逑
【学位授予单位】：山东大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R-05;TP301.6

【相似文献】