醫(yī)療保險數(shù)據(jù)異常行為檢測算法和系統(tǒng).pdf

1、隨著全民醫(yī)保的進一步推進，醫(yī)?？ǖ氖褂迷絹碓狡毡?，同時出現(xiàn)了一些醫(yī)?？ǖ牟缓弦?guī)使用行為，如醫(yī)療欺詐、醫(yī)?？ㄌ赚F(xiàn)、過度診療等。針對這些不合規(guī)的行為，傳統(tǒng)的檢測方法是制定規(guī)則集，這種方法的缺點十分明顯，規(guī)則是人為制定的，準確率低下。隨著機器學習、模式識別等領(lǐng)域的快速發(fā)展，異常檢測技術(shù)也有了很大的突破。我們使用異常檢測技術(shù)，快速檢測到醫(yī)保數(shù)據(jù)集中的異常行為記錄，提高了異常行為檢測的準確率和召回率，減輕了醫(yī)保監(jiān)控工作人員的負擔，有著重要的研究意

2、義和應(yīng)用價值。
　　本文對醫(yī)保數(shù)據(jù)的異常行為檢測技術(shù)展開研究，主要內(nèi)容和研究成果有:
　?、俳榻B異常檢測技術(shù)。概括出現(xiàn)異常點的幾大原因，對比傳統(tǒng)基于規(guī)則的異常檢測方法，我們詳細闡述基于分類、聚類、統(tǒng)計和距離的異常檢測技術(shù)，包括它們各自的優(yōu)缺點和適用范圍。
　　②提出了基于聚類的在線異常檢測算法:增量Cluster-Based LOF。該算法先對數(shù)據(jù)集聚類，然后計算每個數(shù)據(jù)對象的異常程度值，選擇得分值最高的一部分數(shù)據(jù)作為

3、異常點。算法的基本思想是依據(jù)數(shù)據(jù)對象與鄰近點的偏離程度，來判定這個數(shù)據(jù)是否異常。該算法模型能夠檢測出全局和局部的異常點。
　?、厶岢隽薆FS(Breadth-First-Search) SmartSifter在線異常檢測算法模型。該算法根據(jù)數(shù)據(jù)的離散屬性把數(shù)據(jù)集分散到不同的cell中，對每個cell構(gòu)建一個混合高斯模型。算法的基本思想是依據(jù)數(shù)據(jù)對象對模型的改變程度，來判斷該數(shù)據(jù)對象是否異常。
　?、軐崿F(xiàn)了醫(yī)保數(shù)據(jù)在線異常行為