[发明专利]通过数据分析推断医疗保险违规行为的风控方法

权利要求书

1.一种通过数据分析推断医疗保险违规行为的风控方法，其特征在于，风控对象的就诊目的被划分为正常目的和异常目的，所述方法包括以下步骤：

步骤1、获取风控对象的当前及历史就诊行为数据、以及与风控对象相关的个人信息和公共数据；

步骤2、从在步骤1获取的数据中提取与风控对象的就诊行为相关的特征；

步骤3、根据所提取的特征，将风控对象的当前及历史就诊行为中的每次就诊行为划分到相应的就诊类别，形成就诊类别序列；

步骤4、将在步骤3中形成的就诊类别序列作为观测序列，将就诊目的作为隐含状态，根据隐马尔可夫模型计算出最可能的隐含状态序列；所述隐马尔可夫模型包含观测概率矩阵和状态转移概率矩阵，其中，所述观测概率矩阵中记录有每个就诊目的下的各个就诊类别的概率，所述状态转移概率矩阵中记录有从一个就诊目的转移到另一个就诊目的的概率；

步骤5、如果所述最可能的隐含状态序列中包含的一个或多个隐含状态对应于异常目的、或者所述最可能的隐含状态序列的发生概率低于预定阈值，则输出与所述风控对象的当前及历史就诊行为相关的医疗数据；

如果包含异常目的的全部隐含状态序列的发生概率之和高于预定阈值，则将所述风控对象识别为风险目标并输出到后端系统；

和/或，如果所述最可能的隐含状态序列中包含的所述风控对象的就诊目的中的一个或多个对应于异常目的，则将所述风控对象识别为风险目标并输出到后端系统；

和/或，如果所述最可能的隐含状态序列中不包含异常目的、但所述最可能的隐含状态序列的发生概率低于预定阈值，则将所述风控对象识别为风险目标并输出到后端系统。

2.根据权利要求1所述的通过数据分析推断医疗保险违规行为的风控方法，其特征在于，在步骤3中，使用K-Means或者RVM分类器，将风控对象的当前及历史就诊行为中的每次就诊行为划分到相应的就诊类别，

其中，与风控对象相关的个人数据包括风控对象的医保结算数据、风控对象的人口学数据，

与风控对象相关的公共数据包括医疗机构相关数据、以及医保基金稽核数据。

3.根据权利要求1所述的通过数据分析推断医疗保险违规行为的风控方法，其特征在于，所述正常就诊目的包括：体检、初诊、复诊、配药、住院，

观测概率矩阵和状态转移概率矩阵是利用Baum-Welch算法推导出的。

4.根据权利要求1所述的通过数据分析推断医疗保险违规行为的风控方法，其特征在于，在步骤2中，所述特征包括：

人口学特征，包括风控对象的年龄、性别、职业、文化水平；

地理特征，包括风控对象的籍贯、公司地理位置、医疗机构地理位置、参保区域等；

时间特征，包括风控对象的就诊时间、就诊间期、参保时间；

医疗特征，包括风控对象的诊断数据、就诊科室、医疗消费清单、医疗机构规模、医疗机构等级、医疗机构的既往案底标签、医生平均职称；

费用特征，包括风控对象的单次花费、时间段总花费、费用构成比例。

5.一种用于进行如权利要求1至4中的一个所述的方法的风控系统，包括：

风控对象数据获取模块，被配置用于获取风控对象的当前及历史就诊行为数据、以及与风控对象相关的个人信息和公共数据；

特征提取模块，被配置用于从所述风控对象数据获取模块获取的数据中提取与风控对象的就诊行为相关的特征；

就诊分类模块，被配置用于根据所提取的特征，将风控对象的当前及历史就诊行为中的每次就诊行为划分到相应的就诊类别，形成就诊类别序列；

就诊目的推测模块，被配置用于将在所述就诊类别序列作为观测序列，将就诊目的作为隐含状态，根据隐马尔可夫模型计算出最可能的隐含状态序列；

异常输出模块，被配置用于在所述隐含状态序列中包含的隐含状态中的一个对应于异常目的的情况下，输出与所述风控对象的当前及历史就诊行为相关的医疗数据；以及

隐马尔可夫模型建立模块，被配置用于利用Baum-Welch算法，基于从医疗机构或公开数据源获取的大数据，计算出隐马尔可夫模型对应的观测概率矩阵和状态转移概率矩阵。

6.一种计算机可读存储介质，其上存储有用于执行通过数据分析推断医疗保险违规行为的风控方法的程序，所述程序被处理器执行时，实现根据权利要求1至4中的一个所述的方法的步骤。