一种基于反馈式机器学习的最优化医疗保险智能审核系统技术方案

本发明专利技术公开了一种基于反馈式机器学习的最优化医疗保险智能审核系统，其特征在于，包括输入设备、计算设备及输出设备，系统可以自动生产可供稽核人员使用的报告，并将报告显示在稽核人员方便携带的智能手机或平板电脑中，方便稽核人员实地稽核过程中直接记录稽核过程和结果，进行无纸化作业。在条件不允许的情况下，系统也可以将报告打印，稽核人员携带纸质报告稽核，稽核完成后将结果录入系统。

An optimized medical insurance intelligent audit system based on feedback machine learning

The invention discloses an intelligent medical insurance intelligent audit system based on feedback machine learning. Its features include input equipment, computing equipment and output equipment. The system can automatically produce reports that can be used by the auditor and display the report on the smart phone or tablet power that the auditor can carry easily. In the brain, a convenient auditor directly records the audit process and results in the field audit process, and carries out paperless operation. If the conditions are not allowed, the system can also print the report, and the auditor carries the paper report audit. After the audit is completed, the result is input into the system.

【技术实现步骤摘要】
一种基于反馈式机器学习的最优化医疗保险智能审核系统
本专利技术涉及医疗审核系统，具体为一种基于反馈式机器学习的最优化医疗保险智能审核系统。
技术介绍
随着人工智能技术的发展和我国医院和医保信息化建设的加强，基于机器学习模型的医保智能审核系统越来越多的运用在了医保反欺诈的过程中。在学术界，人们关注的重点是如何设计新的算法以及如何提高算法的计算性能等方面，还没有人尝试将稽核人员实地调查案件的难度考虑进系统，在提高系统风控准确性的同时也优化稽核人员的工作效率。因此对现在流行的机器学习方法做出改进，增加了模型自动更新模块和稽核优化模块，以满足审核系统在医保稽核工作中的实际需求。
技术实现思路
本专利技术的目的在于针对上述问题，克服现有技术不足，公开了一种基于反馈式机器学习的最优化医疗保险智能审核系统，本系统使用基于人工神经网络的风控模型，该模型的好处是可以模拟既可以支持批量更新，也可以支持实时更新，与其他模型(比如支持向量机、逻辑斯蒂回归、朴素贝叶斯等)相比，改模型不需要每次全量数据重新训练，因此该模型可以很好的适应实时更新，为反馈式机器学习模型。目前可用于支持人工神经网络建模的平台很多，比如谷歌的Tensorflow,伯克利的Caffe平台等，这些平台提供丰富的建模方式，但需要用户提供模型参数。我们系统的模型参数保存于系统配置模块，有专门的机器学习工程师根据不同地区的社保政策与数据特点调整。为实现上述目的，本专利技术采用以下技术方案：一种基于反馈式机器学习的最优化医疗保险智能审核系统，包括输入设备、计算设备及输出设备；所述计算设备包括数据质量检查模块、风险特征抽取模块、风险模型模块、风险模型更新模块、稽核优化模块及稽核报告生成模块；所述数据质量检查清单检查结算数据的字段完整性，是否有缺失值，是否必要值为空，检查结算数据的正确性，是否有重复上传的单据或条目，检查结算数据的正确性，是否医院、项目、诊断的编码与名称匹配，检查结算金额的正确性，是否明细汇总求和与发票匹配；所述风险特征抽取模块根据结算数据计算数以万计的风险特征，该模块会从验证后的数据中提取高纬度的风险特征，计算患者就诊前三个月内的就诊次数，就诊医院数量，疾病诊断数量等信息，供后续风险模型模块使用；所述风险模型模块用于保存风控模型，并对每笔医保结算做出风险点和风险程度判断，该模块会将风险大于一定程度的结算信息传递给稽核优化模块；所述风险模型更新模块负责风险模型模块中模型的更新，模型的更新方式有三种：(1)只要系统收集到稽核反馈即实时更新模型；(2)按固定周期更新模型，比如每小时、每天、每周等；(3)按稽核反馈的数量更新，比如没收到10个反馈更新一次模型，或没收到100个反馈更新一次模型；所述稽核优化模块将风险模型的结果与稽核反馈信息结合，以稽核效率为目标，优化稽核人员的工作内容和顺序，保证每个稽核人员得到最适合自己的任务，优化结构将写入稽核报告生成模块；所述稽核报告生成模块负责收集医保结算中的各种问题，并将其转化为方便稽核人员读取的格式，方便稽核人员进行实地稽核。优选的，所述输入设备包括医保结算数据收集模块、稽核反馈收集模块稽系统配置模块；所述医保结算数据收集模块：主要用于从医保核心系统中读取和同步结算数据，并将这些数据导入到我们的系统中，以便后续分析使用；所述稽核反馈收集模块：用于收集稽核人员的实地调查后的反馈信息，包括每个案件的最终稽核结果、每个案件的处理时间等；所述系统配置模块：用于对整个系统进行配置，比如设置风险模块更新类型，稽核报告模板，数据检测项目。优选的，所述输出设备包括稽核指引报告显示模块，该模块负责将计算设备生成的报告展示给稽核人员，该模块可以根据不同设备(比如PC机显示、智能手机、平板电脑、打印机)做必要的格式优化，以便稽核人员阅读。优选的，所述风险特征包括：同一患者，本次就诊前N天内就诊次数、就诊金额、就诊医院数、疾病诊断数量、药品总费用总和、治疗费用总和等；同一患者，本次就诊前N天内被确认欺诈的次数，使用高风险药品的次数，使用高风险药品的金额，使用高风险诊疗项目的次数，使用高风险诊疗项目的金额；与患者相同疾病的其他人，在本次就诊前N天内就诊次数、就诊金额、就诊医院数、疾病诊断数量、药品总费用总和、治疗费用总和。本专利技术的有益效果为：从2014年开始，医保开始对费用进行控制，先后出台多项文件，在全国多地推行智能审核系统，经过3年多的使用和实践，传统的审核系统暴露出如下几点问题：1.传统的智能审核系统大多基于人为给定的风险规则，属于先验知识。随着时间的推移，欺诈人群尤其是“药贩子”可以充分掌握规则设置逻辑，通过多种手段规避规则；2.也有部分系统基于预先训练好的机器学习模型识别欺诈，但由于系统缺乏及时的反馈与自动化模型更新机制，也会面临与规则系统类似的问题，即职业欺诈群体容易掌握模型的评判规律，找到可以绕开审核系统的欺诈手法；3.传统的智能审核系统大都强调规则的有效性，但忽略实地稽核人员的调查难度，系统常常提示出欺诈金额小且调查取证繁琐的案件，在调查人员数量不足的情况下，会造成医保基金的追回工作效率不高。本专利技术应用反馈式机器学习和最优化方法创新医保风控之路，首先系统针对医保结算自动给出风险报告，稽核人员根据报告实地稽核，然后将结果反馈给系统，系统可以根据稽核人员的调查结果，实时的对模型进行无需人干预的自动更新，保证审核系统能够实时的学习到最新的欺诈方式与作案手法，在欺诈者总结出规律前就可以对模型做出更新，保证系统尽可能少的漏掉欺诈案件。其次系统会根据每个案件可能的调查难度，给不同稽核人员推荐不同的调查重点与顺序，同时兼顾案件的风险程度与调查难度，使稽核人员的工作效率达到最优。1.系统可以根据反馈式的机器学习模型自动对医保结算进行分析，给出风险点提示与风险程度估计。系统可根据稽核人员的实地调查结果，及时进行无需人工干预的模型更新，从而保证系统不易被职业的医保欺诈人员找到规律；2.系统可以记录稽核人员实地调查案件所需的时间和难道，再结合风险程度，避免稽核人员将时间花在调查难道大但风险金额较小的案件，从而优化整个稽核过程，提高稽核效率；3.系统可以自动生产可供稽核人员使用的报告，并将报告显示在稽核人员方便携带的智能手机或平板电脑中，方便稽核人员实地稽核过程中直接记录稽核过程和结果，进行无纸化作业。在条件不允许的情况下，系统也可以将报告打印，稽核人员携带纸质报告稽核，稽核完成后将结果录入系统。附图说明图1是本专利技术的系统功能模块与总体框架图。图2是本专利技术的计算设备流程图。具体实施方式下面结合附图对本专利技术作进一步的说明。如图1、图2所示的一种基于反馈式机器学习的最优化医疗保险智能审核系统，其特征在于，包括输入设备、计算设备及输出设备，输入设备：医保结算数据收集模块：主要用于从医保核心系统中读取和同步结算数据，并将这些数据导入到我们的系统中，以便后续分析使用；稽核反馈收集模块：用于收集稽核人员的实地调查后的反馈信息，包括每个案件的最终稽核结果、每个案件的处理时间等；系统配置模块：用于对整个系统进行配置，比如设置风险模块更新类型，稽核报告模板，数据检测项目等。计算设备：数据质量检测模块：用于输入设备的数据质量，包括正确性和完整性等内容。比如检测医院名称与本文档来自技高网...

【技术保护点】
1.一种基于反馈式机器学习的最优化医疗保险智能审核系统，其特征在于，包括输入设备、计算设备及输出设备；所述计算设备包括数据质量检查模块、风险特征抽取模块、风险模型模块、风险模型更新模块、稽核优化模块及稽核报告生成模块；所述数据质量检查清单检查结算数据的字段完整性，是否有缺失值，是否必要值为空，检查结算数据的正确性，是否有重复上传的单据或条目，检查结算数据的正确性，是否医院、项目、诊断的编码与名称匹配，检查结算金额的正确性，是否明细汇总求和与发票匹配；所述风险特征抽取模块根据结算数据计算数以万计的风险特征，该模块会从验证后的数据中提取高纬度的风险特征，计算患者就诊前三个月内的就诊次数，就诊医院数量，疾病诊断数量等信息，供后续风险模型模块使用；所述风险模型模块用于保存风控模型，并对每笔医保结算做出风险点和风险程度判断，该模块会将风险大于一定程度的结算信息传递给稽核优化模块；所述风险模型更新模块负责风险模型模块中模型的更新，模型的更新方式有三种：(1)只要系统收集到稽核反馈即实时更新模型；(2)按固定周期更新模型，比如每小时、每天、每周等；(3)按稽核反馈的数量更新，比如没收到10个反馈更新一次模型，或没收到100个反馈更新一次模型；所述稽核优化模块将风险模型的结果与稽核反馈信息结合，以稽核效率为目标，优化稽核人员的工作内容和顺序，保证每个稽核人员得到最适合自己的任务，优化结构将写入稽核报告生成模块；所述稽核报告生成模块负责收集医保结算中的各种问题，并将其转化为方便稽核人员读取的格式，方便稽核人员进行实地稽核。...

【技术特征摘要】
1.一种基于反馈式机器学习的最优化医疗保险智能审核系统，其特征在于，包括输入设备、计算设备及输出设备；所述计算设备包括数据质量检查模块、风险特征抽取模块、风险模型模块、风险模型更新模块、稽核优化模块及稽核报告生成模块；所述数据质量检查清单检查结算数据的字段完整性，是否有缺失值，是否必要值为空，检查结算数据的正确性，是否有重复上传的单据或条目，检查结算数据的正确性，是否医院、项目、诊断的编码与名称匹配，检查结算金额的正确性，是否明细汇总求和与发票匹配；所述风险特征抽取模块根据结算数据计算数以万计的风险特征，该模块会从验证后的数据中提取高纬度的风险特征，计算患者就诊前三个月内的就诊次数，就诊医院数量，疾病诊断数量等信息，供后续风险模型模块使用；所述风险模型模块用于保存风控模型，并对每笔医保结算做出风险点和风险程度判断，该模块会将风险大于一定程度的结算信息传递给稽核优化模块；所述风险模型更新模块负责风险模型模块中模型的更新，模型的更新方式有三种：(1)只要系统收集到稽核反馈即实时更新模型；(2)按固定周期更新模型，比如每小时、每天、每周等；(3)按稽核反馈的数量更新，比如没收到10个反馈更新一次模型，或没收到100个反馈更新一次模型；所述稽核优化模块将风险模型的结果与稽核反馈信息结合，以稽核效率为目标，优化稽核人员的工作内容和顺序，保证每个稽核人员得到最适合自己的任务，优化结构将写入稽核报告生成模块；所述稽核报告生成模块负责收集医保结算中的各种问题，并将其转化为方...

【专利技术属性】
技术研发人员：王梦蛟，郝磊，郭志扬，刘戈杰，
申请(专利权)人：上海栈略数据技术有限公司，
类型：发明
国别省市：上海,31