医保违规行为的检测方法及检测装置、医保控费系统与流程

本发明涉及医保控费技术领域，尤其涉及一种医保违规行为的检测方法及检测装置、医保控费系统。

背景技术：

随着医疗费用的快速增长，医保基金出现入不敷出的现实情况，因此医保控费成为当下的重中之重。医保控费可依托医保控费系统实行，传统医保控费系统多数采用医保规则库判断模式，即根据医保规则库对医保数据进行合规性分析，检测出医保违规行为。但是医保规则库的数理逻辑不涉及对医疗过程合规性的分析，这直接导致医保规则库核查所节约资金有限，并且无法及时、准确、有效地检测出医疗过程中的医保违规行为。

针对上述问题，现有技术中大部分根据医药知识库等专家规则对医疗过程中的医保违规行为进行检测。而实际上由于数据的多源异构特性与医疗行为本身的复杂性，因此很难用一些具体规则就将所有医保违规行为检测出来；并且随着当前按人头收费、预付费、按病种付费等控费方式的执行，医保违规行为会快速发生变化，这些因素均导致现有的医保控费系统及对医保违规行为的检测方法的失效及滞后性。

技术实现要素：

针对上述现有技术中的问题，本发明实施例提供一种医保违规行为的检测方法及检测装置、医保控费系统，以提高医保违规行为检测的准确性、及时性、有效性。

为达到上述目的，本发明实施例采用如下技术方案：

第一方面，本发明实施例提供了一种医保违规行为的检测方法，该检测方法包括以下步骤：s1：获取医保数据，及其所对应的医疗数据，从多个角度对所述医疗数据进行描述；s2：采用机器学习算法对所述医疗数据和所述医保数据进行特征提取，获得特征向量；s3：采用深度学习算法对所述特征向量和所述医保数据进行训练，生成多维特征模型；s4：查找待检测医保数据所对应的医疗数据，将所述待检测医保数据及其所对应的医疗数据输入所述多维特征模型，检测所述待检测医保数据所包含的医保行为所属的类型；其中，所述类型包括正常、疑似和违规。

在上述医保违规行为的检测方法中，通过引入医疗数据，并从多角度描述医疗数据，使得检测所依据的数据源更加全面，并且采用机器学习和深度学习算法对数据进行训练建模，以实现对医保违规行为的检测，从而提高了医保违规行为检测的准确性、及时性、有效性，有助于提高医保控费的成效。

第二方面，本发明实施例提供了一种医保违规行为的检测装置，该检测装置包括：医保数据存储模块，用于存储医保数据。医疗数据存储模块，用于存储所述医保数据所对应的医疗数据，且所述医疗数据为从多个角度进行描述的数据。与所述医保数据存储模块和所述医疗数据存储模块相连的特征提取模块，用于采用机器学习算法对所述医疗数据和所述医保数据进行特征提取，获得特征向量。与所述特征提取模块和所述医保数据存储模块相连的训练模块，用于采用深度学习算法对所述特征向量和所述医保数据进行训练，生成多维特征模型。与所述训练模块和所述医保数据存储模块相连的检测模块，用于查找待检测医保数据所对应的医疗数据，将所述待检测医保数据及其所对应的医疗数据输入所述多维特征模型，检测所述待检测医保数据所包含的医保行为所属的类型；其中，所述类型包括正常、疑似和违规。

上述医保违规行为的检测装置所能产生的有益效果与第一方面所述的医保违规行为的检测方法的有益效果相同，此处不再赘述。

第三方面，本发明实施例还提供了一种医保控费系统，该医保控费系统包括如第二方面所述的检测装置。

上述医保控费系统所能产生的有益效果与第二方面所述的医保违规行为的检测装置的有益效果相同，此处不再赘述。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例所提供的医保违规行为的检测方法的基本流程图；

图2为本发明实施例所提供的医保违规行为的检测装置的基本结构图。

附图标记说明：

1-医保数据存储模块；2-医疗数据存储模块；

3-特征提取模块；4-训练模块；

5-检测模块；6-人工审核模块。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例，均属于本发明保护的范围。

正如背景技术所述，现有技术中主要根据医药知识库等专家规则对医疗过程中的医保违规行为进行检测，但这种检测方式的准确性、及时性、有效性较差。针对这一问题，本发明的发明人提出：通过引入医疗数据，从多角度描述医疗数据，以提高检测所依据的数据源的全面性，然后利用机器学习算法对医保数据和医疗数据进行特征提取，利用深度学习算法对特征向量和医保数据进行训练建模，实现对医保违规行为的检测，以提高医保违规行为检测的准确性、及时性、有效性。

以上为本发明实施例的基本技术构思，基于该基本技术构思，下面对本发明实施例的技术方案进行详细介绍。

本实施例提供了一种医保违规行为的检测方法，请参见图1，该检测方法包括以下步骤：

s1：获取医保数据，及其所对应的医疗数据，从多个角度对所获取的医疗数据进行描述。

医疗过程中主要存在欺诈、浪费、滥用三种问题，对医疗过程中的医保违规行为的检测主要在于如何对医疗行为进行真实、适时、适当、适量的描述，因此步骤s1中从多个角度对医疗数据进行描述，这主要包括以下四个方面：

(1)从医疗资源消耗角度，采用疾病诊断相关分组(diagnosisrelatedgroups，简称drgs)方式，对医疗数据进行描述。

其中，所谓“疾病诊断相关分组”是指根据病人的年龄、性别、住院天数、临床诊断、病症、手术、疾病严重程度、合并症与并发症及转归等因素，把病人分入500～600个诊断相关组，然后决定应该给医院多少补偿。

(2)从医疗行为主体角度，通过医院、医生、患者三者的基本信息及关系，对医疗数据进行描述。

(3)从医疗行为合规角度，从临床路径(clinicalpathway)、专家规则等方向，对医疗数据进行描述。

其中，所谓“临床路径”是指针对某一疾病建立一套标准化治疗模式与治疗程序，是一个有关临床治疗的综合模式，以循证医学证据和指南为指导来促进治疗组织和疾病管理的方法。专家规则包括医药知识库等内容。

(4)从多类不同特性的数据方向，如离散数据、连续数据、时序数据等方向，对医疗数据进行描述。

需要说明的是，本步骤中，进行描述的医疗数据是指医保报销申请(医保数据)对应的脱敏后的医疗数据，以保证医疗数据的真实性及全方位描述。所谓“脱敏”指对某些敏感信息通过脱敏规则进行数据的变形，实现敏感隐私数据的可靠保护，这样就可以在开发、测试和其它非生产环境以及外包环境中安全地使用脱敏后的真实数据集。

s2：采用机器学习算法对所获取的医保数据和经过多角度描述的医疗数据进行特征提取，获得特征向量。

在上述步骤s2中，所谓“机器学习算法”是指专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。上述步骤s2具体可包括以下三个方面：

(1)根据疾病诊断相关分组，根据病人的年龄、性别、住院天数、临床诊断、病症、手术、疾病严重程度、合并症与并发症及转归等因素，将病人分入诊断相关组，为各诊断相关组提供同等医疗资源条件下的医保费用区间。

(2)通过医院、医生、患者三者的基本信息及关系，分析医疗数据，并采用多种机器学习算法对医疗数据进行数据标准化。

其中，多种机器学习算法具体可为多种无监督的机器学习算法。

对医疗数据进行数据标准化具体可包括：

(i)采用统计分布方式，将费用、住院天数数据归一化至[0，1]区间。具体过程为：以5分位作为初始最小值，以95分位作为初始最大值，费用、住院天数数据中小于5分位及大于95分位的数据均置1，费用、住院天数数据中≥5分位且≦95分位的数据均置0。

(ii)通过聚类算法，对西药用药记录、检查化验记录计算数据记录欧式距离，然后进行归一化。具体过程为：以国际疾病分类(internationalclassificationofdiseases，简称icd)为分组依据，在同病种内对西药用药记录、检查化验记录进行聚类，得到西药用药种类、检查化验项；在药品白名单内的西药用药种类标记为1(即为离群点)，否则标记为0(即为正常项)；在检查化验白名单内的检查化验项标记为1，否则标记为0。

(3)将专家规则作为特征输入，得到专家规则的返回结果数据，将该返回结果数据分为多类不同特性的数据，如：二值型数据、连续型数据等，然后分别将各类数据归一化至[0，1]区间。其中，返回结果数据中疑似程度越大的数据，分值越高。

s3：采用深度学习算法对所获得的特征向量和所获取的医保数据进行训练，生成多维特征模型。

上述步骤s3具体包括以下过程：

对所获取的医保数据、经过多角度描述的医疗数据和所获得的特征向量进行拼接，形成n维的训练数据。其中，前述医疗数据为n1维数据，前述医保数据为n2维数据，前述特征向量为n3维数据，n维＝n1维+n2维+n3维。

用m维的向量在所形成的n维的训练数据上进行取值，默认步长设置为1，产生2m+1个m维的向量，将该2m+1个m维的向量经过预设类型的森林进行处理，分别产生2m+1个3维向量，将该2m+1个3维向量连接到一个，产生一个g维向量。其中，m＝n/3，g＝3×(2m+1)×森林个数。

针对所产生的g维向量，采用级联方式每层都接受特征向量所包含的特征信息，经过多层多类型森林组合进行特征学习，每一层的输出结果与所产生的g维向量进行拼接，再次经过每层的森林组合进行特征学习，根据训练次数与收敛指标保存各层参数作为多维特征模型。

s4：查找待检测医保数据所对应的医疗数据，将待检测医保数据及其所对应的医疗数据输入所生成的多维特征模型，检测待检测医保数据所包含的医保行为所属的类型。其中，医保行为所属的类型包括正常、疑似和违规。

通过上述步骤s1～s4，多维特征模型即作为对医保违规行为的检测模型，能够实现准确、及时、有效地检测出医疗过程中的医保违规行为，从而有助于提高医保控费所节约的资金，控制医保基金的合理增长。

为了进一步提高医保违规行为检测的准确性、及时性、有效性，作为一种可能的实现方式，可在步骤s4之后，增加下述步骤：

s5：对检测为疑似和违规的医保行为进行人工审核，人工审核的结果作为标记过的训练样本返回步骤s3。

通过步骤s5能够形成医保违规行为检测自学习闭环，从而在极大程度上提升了检测模型(即多维特征模型)的敏感性，对新出现的医保违规行为能更快速地检测出来。

需要指出的是，本实施例所提供的医保违规行为的检测方法，除了有助于提高医保控费所节约的资金外，还能够对医疗过程进行合理、合规的监控，针对不同违规行为进行事前预防预警，事中告警提示，事后分析控制，保证医疗行为的真实、适时、适当、适量。

基于上述医保违规行为的检测方法，本实施例还提供了一种医保违规行为的检测装置，如图2所示，该检测装置包括：医保数据存储模块1、医疗数据存储模块2、特征提取模块3、训练模块4和检测模块5。

其中，医保数据存储模块1用于存储医保数据。

医疗数据存储模块2用于存储医疗数据，该医疗数据与医保数据存储模块1中所存储的医保数据相对应，且该医疗数据为从医疗资源消耗、医疗行为主体、医疗行为合规、数据特性等多个角度进行描述的数据，以提高数据的真实性和全面性。

特征提取模块3与医保数据存储模块1和医疗数据存储模块2相连，用于从医保数据存储模块1中获取其所存储的医保数据，并从医疗数据存储模块2中获取其所存储的医疗数据，然后采用机器学习算法对所获取的医疗数据和医保数据进行特征提取，获得特征向量。

训练模块4与特征提取模块3和医保数据存储模块1相连，用于从医保数据存储模块1中获取医保数据，并从特征提取模块3中获取特征向量，然后采用深度学习算法对所获取的特征向量和医保数据进行训练，生成多维特征模型，作为检测模型。

检测模块5与训练模块4和医保数据存储模块1相连，用于查找待检测医保数据所对应的医疗数据，并从训练模块4中获取多维特征模型，然后将待检测医保数据及其所对应的医疗数据输入该多维特征模型，利用该多维特征模型检测待检测医保数据所包含的医保行为所属的类型是正常、疑似和违规中的哪一种类型。

采用以上所提供的医保违规行为的检测装置，通过引入医疗数据，从多角度全方位的描述医疗数据，然后根据这些医疗数据和医保数据，利用机器学习算法结合深度学习算法进行训练建模，从而实现了准确、及时、有效的对医保违规行为进行检测。

作为一种可能的设计，请继续参见图2，本实施例所提供的检测装置还可以包括：人工审核模块6，该人工审核模块6与检测模块5和训练模块4相连，用于从检测模块5中获取对医保行为的检测结果，然后对检测为疑似和违规的医保行为进行人工审核，并将人工审核的结果作为标记过的训练样本反馈至训练模块4。

通过上述结构，使得训练模块4、检测模块5和人工审核模块6形成医保违规行为检测自学习闭环，从而在极大程度上提升了检测模型(即多维特征模型)的敏感性，对新出现的医保违规行为能更快速地检测出来。

在上述结构中，可以提供多种访问方式供人工审核模块6使用，以便于审核人员对疑似和违规的医保行为进行审核。

此外，在人工审核模块6将人工审核的结果作为标记过的训练样本反馈至训练模块4后，训练模块4可在标记过的训练样本满足策略后进行检测模型自学习。其中，所谓“预设策略”可以为标记过的训练样本的数量满足一定阈值，当然也可以是其他策略，此处不限定。

基于上述医保违规行为的检测装置，本实施例还提供了一种医保控费系统，该医保控费系统包括如本实施例所提供的医保违规行为的检测装置。

在该医保控费系统中，通过本实施例所提供的检测装置对医保违规行为进行快速、准确的检测，然后根据检测结果进行医保控费，提高了医保控费所能够节约的资金。

以上所述仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。