基于TLSTM的医疗保险欺诈检测

医疗保险欺诈对医疗基金的正确使用造成了严重威胁。随着信息化的发展,越来越多的用户属性信息和行为信息被积累下来,使得通过分析用户行为序列进行欺诈识别成为了可能。但在医疗保险背景下,由于供需双方存在严重的信息不对称现象,欺诈者会努力模仿合法用户的行为,而且欺诈者的比例很小,传统的基于分类的欺诈识别算法不再适用。此外,患者的就医行为具有一定的偶发性,时间分布不均匀。针对样本不平衡和时间分布不均匀的挑战,提出基于TLSTM的医保欺诈识别框架,将用户的历史就医行为序列作为TLSTM模型的输入,预测患者再入院原因及诊疗方案,通过比较模型输出与用户当前就医行为的差异程度,来判断用户存在欺诈的可能性。实验表明,该算法在欺诈识别准确度上明显优于已有算法。     

MedicareVis:面向医保反欺诈的联合可视分析方法

医保欺诈造成严重经济损失,对医保制度的安全稳定造成巨大冲击.然而,现有工作难以支持对多类欺诈行为的联合分析和探索.基于多维时序相关的医保数据,提出面向医保反欺诈的联合可视分析方法.该方法支持医保数据的时空多角度过滤,以更快地定位欺诈;并通过不同类别、不同主体的欺诈之间的关联分析,挖掘出隐蔽的欺诈行为;与医保领域专家合作,设计并实现一个面向医保反欺诈的可视分析系统MedicareVis,通过真实医保数据上的实例研究与专家访谈,证明该方法在帮助检测欺诈行为关联上的有效性和实用性.     

面向服务的上海医保基金风险防控平台的研究

从分析医保基金风险因素和控制框架入手,研究上海医保基金风险防控平台的技术和实现,采用面向服务架构、动态数据仓库和数据挖掘技术,基于医保基金风险防控模型库、方法库和规则库.该平台实现实时数据抽取、海量数据的整合、异构平台的集成.上海医保基金风险防控平台的研究,为控制医保基金的风险、保障基本医疗、促进医疗保险可持续发展提供...     

WKAG：一种针对不平衡医保数据的欺诈检测方法

医保欺诈检测具有迫切的现实意义,当前工作主要以机器学习方法为主,但面临两个重要问题：（1）数据不平衡问题较为突出,欺诈样本占比极小,影响识别效果;（2）数据特征的选取与构造过于依赖领域业务知识,难以保证特征有效性。针对这些问题,提出了一种针对不平衡医保数据的欺诈检测方法--WKAG。使用WGAN-KDE（Wasserstein Generative Adversarial Network-Kernel Density Estimation）方法改善数据不平衡问题,结合自编码器（Auto-Encoder）提取数据的深层隐藏特征,使用Gradient Boosted Decision Tree（GBDT）检测医保欺诈行为。在多个公开数据集上验证了该方法有效性,并在真实医保业务数据集上进行了实验验证,结果表明了WKAG可作为医保欺诈行为的有效检测方法。     

基于图卷积神经网络的医保欺诈检测算法

针对医疗保险欺诈检测当中欺诈样本不足、数据标注昂贵和传统基于欧氏空间的模型准确率低的问题,提出了一种新的基于图卷积和变分自编码的单分类医保欺诈检测模型(OCGVAE)。首先,通过病人就诊记录建立社交网络,计算病人和医生之间的权重关系,并设计了一个2层的图卷积神经网络(GCN)作为社交网络数据的输入,用以降低社交网络的数据维度;然后,设计了一个变分自编码(VAE)用以实现只存在一类欺诈样本标签的情况下的模型训练;最后,设计了一个逻辑回归(LR)模型用以判别数据类别。实验结果表明,OCGVAE模型的检测准确率达到87.26%,相较于一类对抗神经网络(OCAN)、一类高斯过程(OCGP)、一类近邻(OCNN)、一类支持向量机(OCSVM)和半监督图卷积神经网络(Semi-GCN)算法,分别高出16.1%、70.2%、31.7%、36.5%和27.6%,说明所提模型有效提高了医保欺诈筛查精度。     

一个医保基金风险防控平台中的数据挖掘技术

针对医保基金管理的关键环节和基金风险的主要因素,从医保业务出发,开发了相应的数据挖掘算法,构建医保基金风险防控的模型库和方法库,实现政策风险、运营风险、供需矛盾风险和违规欺诈风险防控。通过实施验证,不断修正并应用,从而全面建立与医保改革和管理相适应的医保基金风险防控机制,与日常运行的医保业务系统共同构成了基金运营、监控的良性循环,为医保基金风险防控系统的建设、实施奠定基础并提供借鉴意义。     

基于CNN的人脸反欺诈的框架研究与实现

随着5G的发展和信息技术的推广,人脸识别和反欺诈越来越受到重视,但市面上现有的人脸识别系统在技术上存在采集数据不完整、识别风险管理存在漏洞等问题,同时人为的欺诈行为也越来越常见。为防止人脸识别系统将假人识别为真实人脸用户,本文提出基于卷积神经网络的人脸反欺诈算法框架,最终实现自动化的人脸反欺诈识别技术。实验结果表明,该方法的准确率达到73.23%。     

基于网络信息技术下的山东费县医保信息管理现状与对策探析

医保管理信息化是社会保障信息化的重要内容,是加强医保基金有效监管,提高宏观决策水平的有力法宝,是改进医保管理方式,提高管理水平的有效手段,是一项深入民心的便民工程。本文主要分析了费县医疗保险信息管理现状及加强医疗保险信息管理的对策。     

大额保险大数据智能反欺诈系统设计

为了更好地识别针对大额保险的欺诈行为,总结了大额保险的主要风险类型,明确了大额保险反欺诈系统的主要构建方向.基于Apriori算法提出了大额保险大数据智能反欺诈系统模型,重点分析了数据统计识别、保险欺诈规律挖掘、保险欺诈行为识别.构建的大额保险大数据智能反欺诈系统经实证运行,结果表明,基于Apriori算法构建的大额保险大数据智能反欺诈系统能快速完成对大额保险欺诈行为的有效识别.     

失稳网络医保信息欺诈检测算法研究

传统医保信息欺诈检测算法存在运行时间长、效率低的问题,无法保障患者医保信息安全,为了解决该问题,采用基于随机森林算法对失稳网络医保信息欺诈行为进行检测。通过混合抽样可抽取在失稳情况下的数据,并建立非平衡数据分类算法抽样机制;进行迭代随机森林数据计算,采用多数投票法构建基分类器,并以此为基础筛选异常数据;利用模型实现该算法对医保信息欺诈检测。设计对比实验,验证该算法有效性。通过实验结果可知,基于随机森林算法运行时间较短、效率高。     

数据挖掘和信息融合在保险业欺诈识别中的应用

利用数据挖掘和信息融合技术对保险业欺诈行为进行预测。通过概念聚类识别孤立点,运用规划识别技术和贝叶斯因果网络实现目标的预测、识别,最终实现系统自学习。     

VPM:一个就医行为模式挖掘算法

在医保基金管理中,第三方付费机制和信息不对称等问题造成了基金运作面临严重道德风险困境,医药机构和参保人可能存在过度使用医保基金的倾向。通过对参保人就医行为序列的分析挖掘其就医行为模式,对于发现疾病发病规律、参保人健康状况以及是否存在违规欺诈行为,从而有效防范基金风险具有非常重要的作用。由于就医行为模式的特殊性,传统的序列模式挖掘算法在结果可用性和效率上存在问题,如挖掘结果丢失时间间隔较长的模式,挖掘过程需多次构造投影数据库等,因此难以直接应用。针对就医行为模式特点,提出了基于二叉树增长策略的向量模式挖掘算法VPM。实验表明,VPM算法在解决就医行为模式挖掘问题上具有良好的性能。     

基于BP 神经网络的医学图像分类

给出了一种基于LBP算子和BP神经网络的医学图像分类方法。该方法采用方向纹理谱描述符来描述图像的纹理特征,并以此特征作为网络的输入对BP神经网络进行训练,最后采用已训练的BP网络进行医学图像的分类。通过实验表明,该方法可以很好地对医学图像进行分类识别。     

一种结合PSO及改进BP网络的辨识方法

当辨识神经网络的类型和结构确定后,初始权值等辨识参数直接影响到辨识效果,而依靠先验知识试凑而得的参数值往往难以达到最佳效果。针对这一问题,提出了一种结合粒子群（PSO）算法及引入动量项的改进BP网络的辨识方法,利用PSO对改进BP网络辨识的初始权值/偏置、学习率、动量系数进行寻优,并将优化后的神经网络模型用在控制系统中进行修正,进一步完善辨识模型。应用在热工系统中,仿真结果表明了该辨识方法的有效性。