[发明专利]医保异常检测方法、装置、计算机设备及存储介质

说明书

本申请公开一种医保异常检测方法、装置、计算机设备及存储介质，涉及医疗大数据处理领域，用于提高医保异常行为的检测效率和准确度。该医保异常检测方法包括：获取医保机构开放共享的医保数据，并对医保数据进行数据预处理，得到原始数据；通过预设维度对原始数据进行描述，得到目标数据；采用机器学习算法对所述原始数据以及所述目标数据进行特征提取，获得特征向量；将所述原始数据和所述特征向量作为训练数据集输入至预设的神经网络进行训练，生成医保检测模型；将待检测医保数据输入所述医保检测模型，根据所述医保检测模型检测所述待检测医保数据所属的类型。本申请可以通过训练好的医保检测模型能有效提高医保异常数据的审核效率和准确度。

技术领域

本发明实施例涉及医疗大数据处理领域，尤其是一种医保异常检测方法、装置、计算机设备及存储介质。

背景技术

随着医保覆盖不断扩大，参保人医疗需求也在不断增长，医疗基金上的支出也不断增加，医保基金的监管的任务越来越重，其中就存在医疗欺诈行为而产生的支出，而传统医保基金监管依赖经验审核，主要通过人工对医疗数据中的报销人信息、病由、医疗方案、用药以及康复医疗等数据进行审核，耗时耗力，而且没有具体的审核标准，审核标准因人而异，导致审核准确率较低。

另一方面，随着时间的推移，医保欺诈行为日趋隐蔽且复杂多变，进一步导致风控难度持续升级，导致很多违规行为无法被精准识别，出现漏审、误审的情况，审核效果差。

发明内容

本发明实施例提供一种能够提高医保异常行为检测效率和准确度的医保异常检测方法、装置、计算机设备及存储介质。

为达到上述目的，本申请实施例采用如下技术方案：

第一方面，提供一种医保异常检测方法，包括：

获取医保机构开放共享的医保数据，并对所述医保数据进行数据预处理，得到原始数据；

通过预设维度对所述原始数据进行描述，得到目标数据；

采用机器学习算法对所述原始数据以及所述目标数据进行特征提取，获得特征向量；

将所述原始数据和所述特征向量作为训练数据集输入至预设的神经网络进行训练，生成医保检测模型；

将待检测医保数据输入所述医保检测模型，根据所述医保检测模型检测所述待检测医保数据所属的类型。

可选地，在所述将待检测医保数据输入所述医保检测模型，根据所述医保检测模型检测所述待检测医保数据所属的类型的步骤之后，所述方法还包括如下步骤：

获取对异常类型的所述待检测医保数据进行复审核的审核结果；

将所述审核结果作为标记过的训练样本加入所述训练数据集。

可选地，在所述将所述审核结果作为标记过的训练样本加入所述医保检测模型的训练数据集的步骤之后，所述方法还包括如下步骤：

获取与审核结果为违规的所述待检测医保数据对应的目标参保人；

将所述目标参保人加入至预设的黑名单中。

可选地，所述通过预设维度对所述原始数据进行描述，得到目标数据的步骤，具体包括如下步骤：

从疾病诊断维度、医疗行为主体维度、医疗行为合规维度以及回流的打标数据维度，描述所述原始数据的数据属性以得到所述目标数据。

可选地，所述采用机器学习算法对所述原始数据以及所述目标数据进行特征提取，获得特征向量的步骤，具体包括如下步骤：

提取所述原始数据以及所述目标数据中的数值型数据和分类型数据；

通过统计分布算法和聚类算法分别对所述数值型数据和分类型数据进行归一化得到所述特征向量。