基于數(shù)據(jù)挖掘的醫(yī)保欺詐預警模型研究

陳亞琳++王旭明

摘要：為識別醫(yī)療保險中的欺詐行為，提出了一種基于數(shù)據(jù)挖掘的醫(yī)保欺詐預警模型。首先運用ACCESS數(shù)據(jù)庫軟件和SQL查詢語句，篩選出能運用于醫(yī)保欺詐行為檢測的數(shù)據(jù)；其次根據(jù)醫(yī)保數(shù)據(jù)的特點，結合SPSS Modeler軟件，采用聚類分析方法和分類決策樹算法，建立預測判別模型，識別某位病人在一段時間內是否存在醫(yī)保欺詐行為；最后通過數(shù)據(jù)映射關系來找到與嫌疑人有關的嫌疑科室、嫌疑醫(yī)生等。從而為醫(yī)療保險機構的決策者和醫(yī)?；疬\營監(jiān)管人員進行科學決策提供客觀依據(jù)，提升社會預測力和科學決策力。

關鍵詞：醫(yī)保欺詐；SQL查詢語句；聚類分析；C5.0決策樹

中圖分類號：TP311 文獻標識碼：A 文章編號：1009-3044（2016）11-0001-04

隨著近年來參保覆蓋面和基金規(guī)模的迅速擴大、定點服務機構的大量增加、社會對醫(yī)療保險的認知度增強以及信息管理的薄弱，導致了醫(yī)療保險欺詐問題日趨嚴峻。欺詐手段也開始呈現(xiàn)出復雜性與多樣性。這些欺詐行為嚴重損害著廣大參保人員的利益，制約醫(yī)療保險公平可持續(xù)發(fā)展。面對日益膨脹的醫(yī)?；饠?shù)額，以及其廣泛的影響力，僅靠人工檢測已明顯不能滿足需求。目前，國內醫(yī)療保險信息化日漸完善，在醫(yī)療保險信息化過程中操作型數(shù)據(jù)庫記錄了大量詳細的醫(yī)保相關的交易信息，為數(shù)據(jù)挖掘的研究與應用提供了廣闊的空間。因此通過選取醫(yī)保數(shù)據(jù)中的相關屬性特征，利用數(shù)據(jù)挖掘技術進行欺詐行為的識別和預警，建立合理的醫(yī)保欺詐預警模型，是一項極其重要的研究，能為醫(yī)保管理決策者提供支持。

1 醫(yī)保數(shù)據(jù)的預處理

由于醫(yī)療保險數(shù)據(jù)的來源廣泛和涉及內容多，其主要有四大特點：（1）數(shù)據(jù)類型多、動態(tài)性、數(shù)據(jù)量大；（2）存放數(shù)據(jù)的表繁多且關系復雜；（3）數(shù)據(jù)相對完整，空缺值較少；（4）存在大量不一致和沒有價值的數(shù)據(jù)。因此，數(shù)據(jù)預處理是數(shù)據(jù)挖掘的極其重要的一部分，能剔除大量“臟數(shù)據(jù)”，提供更為干凈、準確、具有針對性的數(shù)據(jù)。本研究采用的數(shù)據(jù)主要是某地區(qū)一個月的醫(yī)保數(shù)據(jù)，包括病人資料、醫(yī)療費用明細、醫(yī)囑表等6個Excel表格約30余萬條記錄，數(shù)據(jù)量符合數(shù)據(jù)挖掘的要求。

1.1 醫(yī)保數(shù)據(jù)的清洗

基于課題的研究背景、研究意義和研究方向，并結合6個excel表格，進行數(shù)據(jù)清洗，刪除大量對于本次數(shù)據(jù)挖掘沒有意義的數(shù)據(jù)。從這些表中選取的屬性數(shù)目如表1所示。

表1 原有數(shù)據(jù)與所用數(shù)據(jù)屬性數(shù)對比表

[表名＼&病人資料表＼&費用明細表＼&醫(yī)囑表＼&醫(yī)囑子類＼&核算分類＼&患者費別＼&原有屬性數(shù)＼&86＼&20＼&158＼&33＼&11＼&17＼&所選屬性數(shù)＼&4＼&14＼&5＼&5＼&4＼&3＼&]

1.2 醫(yī)保數(shù)據(jù)的轉換

上面清洗得到的數(shù)據(jù)表中的數(shù)據(jù)并不能直接使用，還需要轉換為需要的形式，首先將日期一律采用“年-月-日”格式；接著通過出生日期和就診日期得到患者年齡；最后將醫(yī)囑ID號精簡成數(shù)字型。

1.3 醫(yī)保數(shù)據(jù)的集成

由于數(shù)據(jù)分別儲存在數(shù)據(jù)庫的幾個表中，因此需要將相關的表通過SQL查詢語句進行連接，生成一個初步的集成表“醫(yī)保數(shù)據(jù)表”。

但是該表格的屬性繁多，冗余較大，還需進一步的處理。下面這些情況都有可能是醫(yī)保欺詐：單張?zhí)幏剿庂M偏高，就醫(yī)次數(shù)偏多，多人合伙進行欺詐等。因此，可計算病人就診時的單次賬單費用、每一個病人所看病的總消費額和就醫(yī)次數(shù)。生成兩個新的表格分別為“賬單費用表”和“綜合費用表”。

2 醫(yī)保欺詐模型的建立與求解

2.1 參保人騙保行為識別

根據(jù)相關知識和文獻可知，對參保人騙保行為的識別主要通過以下兩種情況：一是單次處方費用偏高的識別；二是就醫(yī)次數(shù)偏多的識別。然后結合醫(yī)保數(shù)據(jù)的特點，本模型將采用聚類的方法對問題進行研究。具體的研究流程圖如圖1。

1） 對所有病人聚類——Modeler的異常診斷方法

圖1 研究流程圖

根據(jù)病人的就醫(yī)特征，從“醫(yī)保數(shù)據(jù)表”中選取病人ID號、醫(yī)保手冊號、年齡、性別、就醫(yī)費用、就醫(yī)次數(shù)6個相關屬性，構建異常檢測聚類模型，對就醫(yī)人群進行聚類，判別出各類的異常點，從而找出就醫(yī)行為存在異常的參保人，即Modeler的異常診斷方法。

① SPSS Modeler的操作過程

先將醫(yī)保數(shù)據(jù)表導入到SPSS Modeler中，并將除病人ID號、醫(yī)保手冊號、年齡、性別、就醫(yī)費用、就醫(yī)次數(shù)外的字段過濾掉；接著從表中的醫(yī)保手冊號這個字段中可看出，有一部分人在醫(yī)院的記錄中使用了醫(yī)保卡，而一部分人沒有使用，具體表現(xiàn)為：未使用醫(yī)?？ǖ娜酸t(yī)保手冊號為1，因此將“醫(yī)保手冊號”屬性轉換成“是否參?！睂傩裕覍⒃摗搬t(yī)保手冊號”屬性過濾；然后選擇字段類型；最后利用Modeler的異常診斷方法，構建異常檢測聚類模型，找出就醫(yī)行為存在異常值。并設定訓練集中異常的記錄百分比為5%，SPSS Modeler的具體操作過程如下圖2。

② 運行結果如表2

通過表5可以篩選出就醫(yī)行為存在異常的病人，并將研究的對象從58010名病人縮小到2047名異常的參保病人。為了方便之后的研究，在醫(yī)保數(shù)據(jù)庫的綜合費用表中新增一列“異常情況”，并導入“異常情況”這一屬性，得到“新綜合費用表”，通過該表，就可以很容易的查找出就醫(yī)行為存在異常的參保病人。

2） 對異常參保人聚類——Modeler的K-means聚類

通過步驟一的Modeler異常診斷方法，可以得到異常參保人有829人，但這并不代表就醫(yī)行為存在異常的參保病人都會進行醫(yī)保欺詐，因此本文將對這些異常參保病人進行K-means聚類分析，找出不同類群的異常就醫(yī)行為的病人行為特征，并定義醫(yī)保欺詐手段，從而識別出存在醫(yī)療保險欺詐的類群，再從中找出可能存在醫(yī)保欺詐的參保人員。

① SPSS Modeler的操作過程

首先由于利用Modeler的K-means聚類方法時，首先需要給出聚類的類數(shù)，但是聚類的類數(shù)難以確定，因此選擇Modeler的自動聚類方法。

Modeler的自動聚類方法主要是Kohonen聚類、兩步聚類、K-means聚類，綜合本文實際情況、數(shù)據(jù)的特點以及聚類的質量，對比情況如圖4所示。因此最終選擇K-means聚類方法，從而找出不同類群的異常就醫(yī)行為的病人行為特征。

② 運行結果

聚類結果顯示：聚類數(shù)為5類時最為適合，且聚類質量較好，操作結果如表3所示。

根據(jù)表3聚類結果可以初步得知：

對于聚類-1，該類參保異常人平均年齡為5.78，屬于少年群體，平均就醫(yī)次數(shù)6次，平均單次就醫(yī)費用69.5元，此費用較低，屬于正常范圍，這與少年本身身體素質有關，治療費用并不需要太高，因此認為這類人群不存在醫(yī)保欺詐的行為；

對于聚類-2，該類參保異常人的平均年齡為46.06，屬于中年群體，平均就醫(yī)次數(shù)5次左右，平均單次就醫(yī)費用達到788.6元，與正常就醫(yī)行為特征相差十分大，因此認為該類人群存在醫(yī)保欺詐的行為；

對于聚類-3，該類參保異常人的平均年齡為35.70，也屬于青年群體，雖然平均單次就醫(yī)費用僅77.34元，但其平均就醫(yī)次數(shù)達到9.52，由于就醫(yī)頻次過高，因此認為該類人群存在醫(yī)保欺詐的行為；

對于聚類-4，該類參保異常人的平均年齡為68.44，已屬于老年群體，該類人群平均就醫(yī)次數(shù)3.42，平均單次就醫(yī)費用301.03；就醫(yī)費用較高，這與老年人體弱多病有關，一旦患病則需要較長的治療周期，因此本文認為該類人群不存在醫(yī)保欺詐的行為；

對于聚類-5，該類參保異常人的平均年齡為37.78，屬于青年群體，該類人群平均就醫(yī)次數(shù)3.31，平均單次就醫(yī)費用256.7元；可認為該類人群不存在醫(yī)保欺詐的行為。

根據(jù)以上的聚類結果和對各類人群的就醫(yī)行為特征進行歸納分析，可發(fā)現(xiàn)，參保人就醫(yī)行為存在異常的病人中有醫(yī)保欺詐行為的僅163人，占參保異常人總數(shù)的7.96%，符合實際情況。本文將要探討的醫(yī)保欺詐行為定義為以下三類：

a.參保人頻繁到醫(yī)院就醫(yī)，超量購藥，導致就醫(yī)次數(shù)偏高和就醫(yī)費用偏高；

b.若干參保人同一時間到醫(yī)院頻繁刷卡，開取昂貴藥，且開取的藥物藥效相似。

c.參保人購買的藥物類型與所屬的年齡段不相符；

3） 建立預測決策樹模型——Modeler的C5.0決策樹

根據(jù)步驟一、二，已識別出存在醫(yī)保欺詐行為的病人。因此，通過結合存在醫(yī)保欺詐行為病人的就醫(yī)行為和不存在醫(yī)保欺詐行為病人的就醫(yī)行為特征，運用C5.0決策樹算法，建立了一個識別某位病人在一段時間內是否存在醫(yī)保欺詐行為的判別分類模型。

① SPSS Modeler的操作過程

首先通過篩選建立參保病人表，確定決策樹的輸入變量為就醫(yī)次數(shù)、就醫(yī)費用以及年齡，輸出變量為“是否騙?！保渲袑⒋嬖卺t(yī)保欺詐的病人變量賦值為1，其余病人賦值為0；然后，將所有的樣本隨機劃分為兩個數(shù)據(jù)集，其中70%的參保病人作為決策樹的訓練集，用于進行決策樹的訓練，30%的參保病人作為決策樹的測試集，用于檢驗決策樹的正確率。具體的操作步驟如圖5。

根據(jù)圖6所示，可以得到以下幾條判斷某位參保人在一個月內存在醫(yī)保欺詐行為的5 條規(guī)則：

A. 如果 就醫(yī)次數(shù)>10，則存在醫(yī)保欺詐行為；

B. 如果 就醫(yī)次數(shù)>8 并且 年齡>55，則存在醫(yī)保欺詐行為；

C. 如果 就醫(yī)次數(shù)>7 并且 55>=年齡>15，則存在醫(yī)保欺詐行為；

D. 如果 就醫(yī)費用>2097.38 并且 57>=年齡>32，則存在醫(yī)保欺詐行為；

E. 如果 就醫(yī)費用>3305.02，則存在醫(yī)保欺詐行為。

為驗證建模結果的準確性，通過對模型添加矩陣節(jié)點和分析節(jié)點，可以得到模型的準確率和損失率。結果見如表3和表4。

通過表4可知：在訓練集里該決策樹的準確率高達100%，在測試集里準確率也高達99.94%，準確率極高。再通過表8的損失矩陣中可知：本來不存在醫(yī)保欺詐行為但是被該決策樹誤判為存在醫(yī)保欺詐行為的人數(shù)僅有1人；本來存在醫(yī)保欺詐行為但是被該決策樹誤判為不存在醫(yī)保欺詐行為的人數(shù)也只有5人。因此，該模型的準確率是非常高的，存在醫(yī)保欺詐行為的人數(shù)僅有163人，則該決策樹的適用范圍還是比較小的，具有可信度。

2.2 數(shù)據(jù)映射查找相關欺詐信息

通過對參保人騙保行為進行識別，找出了參保病人中可能進行醫(yī)保欺詐行為的病人。由醫(yī)保欺詐的欺詐對象來看，欺詐除了參保人還有醫(yī)生。因此，將繼續(xù)根據(jù)騙保人信息表的數(shù)據(jù)映射關系來找到與嫌疑人員有關的嫌疑科室、嫌疑醫(yī)生以及高頻醫(yī)囑子類、核算分類。從而可以確定協(xié)助作案的科室醫(yī)生以及醫(yī)保詐騙事故高發(fā)的醫(yī)囑項、醫(yī)囑子類以及核算類，便于以后的重點監(jiān)督和排查。

1） 查找嫌疑科室

根據(jù)醫(yī)保欺詐的欺詐方式來看，在某些情況下，科室可以通過偽造病歷、票據(jù)醫(yī)保等方式欺詐，以騙取醫(yī)保資金。顯然，通過這種操作方式會造成某些患者費用和頻率較高。因此，可以通過騙保人信息表篩選出與嫌疑參保人有關的科室，并且統(tǒng)計他們與嫌疑參保人進行操作的次數(shù)。本研究將采用醫(yī)保手冊號來統(tǒng)計下醫(yī)囑科室與嫌疑參保人進行操作的次數(shù)。

最終由條形圖可知，前5個科室的交易次數(shù)明顯高于其他科室，并且和與其相鄰的科室樣本突然發(fā)生較大變化，因此將下醫(yī)囑科室為173、124、133、203、143的認為是嫌疑科室。

2）查找嫌疑醫(yī)生

與嫌疑科室同理，嫌疑醫(yī)生可以通過偽造病歷、票據(jù)醫(yī)保等方式通過欺詐，以騙取醫(yī)保資金。因此根據(jù)同樣的方法查詢出嫌疑醫(yī)生，條形圖顯示，前2個醫(yī)生的交易次數(shù)明顯高于其他醫(yī)生，并且和與其相鄰的科室樣本突然發(fā)生較大變化，因此將開囑醫(yī)生ID號為1180、794的認為是嫌疑醫(yī)生。

3）查找高頻醫(yī)療作案項目

醫(yī)保欺詐通常選擇效率高、收益高、周期短的醫(yī)療項目作為作案目標，因此可以通過查找記錄中高頻醫(yī)囑項、高頻醫(yī)囑子類、高頻核算分類來確認醫(yī)保欺詐高發(fā)的作案項目。為更直觀地看到各高頻類在項目中所占的比例，將繪制成餅圖來統(tǒng)計。

由餅圖結果可以將醫(yī)囑項為6886、16428、5462等前十名，醫(yī)囑子類ID號為6、1、23，核算分類ID號為1的三個高頻項目認為是參保人極易選擇的作案項目，其內容具體意義為醫(yī)囑項：89SrCL2注射液[4mci]、重組人紅細胞生成素[5000IU/瓶]、0.9%氯化鈉注射液（直軟）[100ml]等，醫(yī)囑子類：針劑、口服藥、成藥口服，核算分類：西藥費。對于這幾種效率高、收益高、周期短的醫(yī)療項目要重點監(jiān)督，防止醫(yī)保欺詐。

3 研究結論

本文的研究結果表明：基于聚類分析和決策樹的數(shù)據(jù)挖掘方法對醫(yī)保欺詐行為能夠進行較為準確的預警，無論是學習還是最后實踐的識別準確率都達到了99%，可信度強。這種預警方法可以大大減少人工檢測，提高識別效率，為醫(yī)療保險機構的決策者和醫(yī)?；疬\營監(jiān)管人員進行科學決策提供客觀依據(jù)，提升社會預測力和科學決策力。

但在取得一些研究成果的同時，還存在一些不足：1）本研究所使用的費用相關數(shù)據(jù)都是只與藥物消費有關，因此研究的醫(yī)保欺詐行為也只局限在與藥物方面異常的有關情況，這使醫(yī)保欺詐主動發(fā)現(xiàn)的模型缺乏普遍性；2）在建立決策樹模型時，只利用到數(shù)據(jù)庫中的幾個相關屬性，具有局限性。若再進一步研究，可以將更多的信息用于建立決策樹模型，使得模型更具有普遍性；3）由于數(shù)據(jù)中沒有給出病人是否存在醫(yī)保欺詐的屬性指標，因此對模型的檢驗存在一定的缺陷。

參考文獻：

[1] 甘櫪元.基于數(shù)據(jù)挖掘醫(yī)保系統(tǒng)的研究[J].信息安全與技術，2013（10）：67-68.

[2] 陳真，秦偉，徐緒堪，房道偉.大數(shù)據(jù)環(huán)境下醫(yī)保數(shù)據(jù)監(jiān)測和預警模型構建[J].現(xiàn)代商業(yè)，2014（20）：101-102.

[3] 朱攀.基于人工神經網絡的醫(yī)保定點醫(yī)療機構信用等級評價模型[D].國防科學技術大學，2010.

[4] 高宇彤.基于離群點檢測的新農合醫(yī)保欺詐識別的研究[D].哈爾濱商業(yè)大學，2015.

[5] 樓磊磊.醫(yī)療保險數(shù)據(jù)異常行為檢測算法和系統(tǒng)[D].浙江大學，2015.

[6] 沈培，張吉凱.聚類分析在醫(yī)療費用數(shù)據(jù)挖掘中的應用[J].華南預防醫(yī)學，2012（1）.

[7] 馮麗蕓.數(shù)據(jù)挖掘在我國醫(yī)保方面應用綜述[J].電腦知識與技術，2014（05）：880-881.

[8] 孫晶晶，魏俊麗，萬昊，趙冠宏.數(shù)據(jù)信息在醫(yī)院醫(yī)療保險管理中的應用[J].中國醫(yī)院，2015（12）.

[9] 劉江超.數(shù)據(jù)挖掘算法在醫(yī)保數(shù)據(jù)上的應用研究[D].國防科學技術大學碩士論文，2009（11）.

[10] 薛薇.基于SPSS Modeler的數(shù)據(jù)挖掘[M].北京：中國人民大學出版社，2014.