[发明专利]一种健康保险赔欺诈及滥用的侦测方法和系统

说明书

技术领域

本发明实施例涉及数据处理技术领域，具体涉及一种健康保险赔欺诈及滥用的侦测方法和系统。

背景技术

随着商业健康保险在我国被越来越多的人接受，保险成为个人及家庭提供医疗保障的重要渠道。但保险欺诈行为不仅损害了保险机构的利益，也损害了广大投保人的利益。数据显示，国际上的保险诈骗金额约占赔付总额的10％，某些险种的欺诈金额占比甚至高达50％。美国卫生健康反欺诈协会估计健康欺诈每年至少680亿美元，其他机构估计欺诈金额高达每年2300亿美元。

健康医疗保险欺诈行为是指个人或机构利用欺骗手段，在医疗过程及保险理赔中获取利益。这既包括后续引发刑事诉讼行为的“硬性欺诈”(Fraud)，也包括过度医疗或高估医疗费用的“软性欺诈”(Abuse and Waste)。常见的医疗保险欺诈行为包括：1、伪造或篡改医疗病例或费用单据；2、升级医疗代码(upcoding)；3、隐瞒既存病史或既往病例；4、冒名顶替；5、拆分同一医疗事件为多个独立事件(unbundling)；6、挂床；7、把保险不涵盖的医疗手段或诊治改为涵盖的手段等等。

随着我国保险业的快速发展，保险公司业务范围不断扩大，各类保险欺诈活动也日益频繁。资料显示，在上世纪80年代末期，诈骗犯罪中涉及保险欺诈的仅占2％左右；到2000年底，这类案件上升到9％左右；到2012年，则升至12％左右。保险欺诈不仅损害了保险消费者权益，造成保险服务资源浪费，还增加了保险公司运营管控成本，破坏了正常的市场秩序。所以保险欺诈被喻为保险业无声的巨灾，吞噬着保险业的盈利空间，也扰乱保险市场秩序，成为隐藏在保险市场的一颗毒瘤。保险行业的反欺诈工作意义重大。但是由于保险欺诈的形式多样，人工核实困难，发现识别滞后等痛点，为大规模反欺诈系统建立提出了挑战。

鉴于此，如何提供一种健康保险赔欺诈及滥用的侦测方法和系统，以实现对健康保险赔欺诈及滥用进行侦测成为目前需要解决的技术问题。

发明内容

由于现有方法存在上述问题，本发明实施例提出一种健康保险赔欺诈及滥用的侦测方法和系统。

第一方面，本发明实施例提出一种健康保险赔欺诈及滥用的侦测方法，包括：

接收用户设备提交的理赔申请；

根据所述理赔申请，获取理赔所需数据；

根据所述理赔所需数据，判断是否调用预先建立的模型评分引擎和规则评分引擎；

若是，则基于所述理赔所需数据，调用所述模型评分引擎产生模型评分和风险提示因子，以及调用所述规则评分引擎产生规则触发结果和规则风险评分；

根据产生的模型评分、风险提示因子、规则触发结果和规则风险评分，生成风险评估报告；

根据所述风险评估报告，获得最终是否理赔的结论，并将获得的理赔结论的理赔数据存入历史理赔数据库。

可选地，所述理赔申请的数据，包括：被保人姓名、证件号码、出生日期、保单号、医生诊断书，处方、住院、诊治或药品的收据、医院名称及地址、诊治日期和住院日期。

可选地，所述理赔所需数据，包括：当前申请数据，历史理赔数据和保单数据；

相应地，所述根据所述理赔申请，获取理赔所需数据，包括：

用所述理赔申请的数据中的证件号码在预先存储的历史理赔数据库中进行匹配，调取当前被保人的历史理赔数据；

用所述理赔申请的数据中的证件号码在预先存储的保单数据库中进行匹配，调取当前被保人的保单数据。

可选地，所述当前申请数据是指从原始申请数据中到处理赔审核所需数据，包括：年龄、看病次数和每次看病的各项费用；

所述历史理赔数据，包括：历次理赔的时间、住院/诊治费用、诊治项目、疾病代码和住院天数；

所述保单数据，包括：保单信息、保险金额、保险余额、保险责任和起止日期。

可选地，所述模型评分引擎是基于历史理赔数据，采用无监督机器学习的方法预先建立的用于进行健康保险欺诈或滥用探测的模型；

相应地，所述基于所述理赔所需数据，调用所述模型评分引擎产生模型评分和风险提示因子，包括：

基于预设时间段内的历史理赔数据，产生分位数表，并存入更新预先建立的分位数表数据库；

从当前申请数据、历史理赔数据和本次产生的分位数表中提取特征变量，所述特征变量从不同维度刻画了健康保险赔案的特征，所述特征变量根据数据来源分为住院/诊治类、收费收据类、历史理赔类、当前理赔类及其它类别；

采用无监督机器学习的方法，对所提取的特征变量进行学习，获得原始评分；