[发明专利]医保收费违规的排他性检测系统

说明书

本发明公开了一种医保收费违规的排他性检测系统，包括数据收集模块和数据处理模块，所述数据收集模块获取包括医保收费数据和诊疗相关数据的脱敏医疗信息；所述数据处理模块首先从脱敏医疗信息中获取已经产生的违规信息并且申诉成功的医疗数据。本发明公开的一种医保收费违规的排他性检测系统，在医保收费违规检查的基础上，增加排他项目的检查，提高事前预警规则的准确性，在确保医保收费合理的基础上减少对临床开单的影响；并且应对医保管理部门下发的违规项目自审时，可以对疑点数据进行检查，快速筛查出可申述的疑点项目进行检查。

技术领域

本发明属于医保数据检测技术领域，具体涉及一种医保收费违规的排他性检测系统。

背景技术

支付方式的多样性是医保基金支付的常态化趋势。但无论是哪种支付方式，医保基金使用的合理性都是医保监管部门监督审查的重中之重。医保收费监管成为当下的重中之重。

现有方法是通过规则知识库对医疗过程中的医保收费行为进行监测。而实际上由于医疗行为本身的复杂性与临床诊疗方案的多样性，许多监测疑似违规的收费行为都是合理的。目前医保管理部门将违规疑点收费数据下发给医疗机构，由医疗机构自己进行核对、申述，该方法存在滞后性，并且一次下发大量的违规疑点数据对医院的医保管理部门与临床科室带来巨大的工作量。

因此，针对上述问题，予以进一步改进。

发明内容

本发明的主要目的在于提供医保收费违规的排他性检测系统，在医保收费违规检查的基础上，增加排他项目的检查，提高事前预警规则的准确性，在确保医保收费合理的基础上减少对临床开单的影响；并且应对医保管理部门下发的违规项目自审时，可以对疑点数据进行检查，快速筛查出可申述的疑点项目进行检查。

为达到以上目的，本发明提供一种医保收费违规的排他性检测系统，包括数据收集模块和数据处理模块，其中：

所述数据收集模块获取包括(医保系统中的)医保收费数据和诊疗相关数据的脱敏医疗信息(即历史数据)；

所述数据处理模块首先从脱敏医疗信息中获取已经产生的违规信息并且申诉成功的医疗数据，以通过机器学习算法对该医疗数据进行特征提取，从而获得第一特征数据；所述数据处理模块然后对开单科室与违规费用的产生时间进行特征提取，从而获得第二特征数据；所述数据处理模块再次对疾病诊断与手术操作(采用医保ICD编码2.0标准)与违规项目的关系映射进行特征提取，从而获得第三特征向数据；

所述数据处理模块通过深度学习算法对第一特征数据、第二特征数据和第三特征数据进行训练，从而生成特征模型；

将医保系统判定的(疑似)违规数据及对应的诊疗相关数据(即现在的实时数据)输入到所述特征模型中，所述特征模型进行处理后筛选出真正的违规数据和实际并不违规的排他数据(例如，特征模型对医保系统检测的100条违规数据进行处理分析，确定其中20条是真正的违规，而剩余的80条是符合临床条件的，并不算真正违规，所以该80条属于排他数据，可以降低医保系统的判错率，提高精确度)，将排他数据进行人工审核并且将人工审核的结果作为标记过的训练样本，进一步补充到特征模型，以进行模型数据迭代完善(每次将排他数据输入到特征模型，进行数据迭代更新，从而使得后续对于输入到特征模型中的相同的排他数据，则直接认为是排他数据，而不用经过人工审核，减少工作量和提高效率)。

作为上述技术方案的进一步优选的技术方案，排他数据指的是医保系统判定的违规数据中的例外情况(举个例子：特拉唑嗪，医保限定男性使用，但是如果有高血压相关诊断，女性也可以用)。

作为上述技术方案的进一步优选的技术方案，医保收费数据包括通过规则库或医保管理部门下发的违规疑点数据和对医保违规的申述以及申述的反馈数据，诊疗相关数据包括费用信息、人员基本信息与医保待遇、诊断信息和转科信息。