医保就医聚集行为挖掘.doc

医保就医聚集行为挖掘 医保就医聚集行为挖掘对于加强医保管理、保证医保基金的平稳运作具有非常重要的作用。数据挖掘技术可以为就医聚集行为挖掘提供有效的解决方案。找出具有就医聚集行为的人群，有助于对该人群进行更具有针对性的管理，提高管理效率。本文针对医保基金运营过程中出现的就医聚集行为，提出基于频繁模式挖掘的一致行为挖掘算法CBM，实验表明该算法比Apriori和Eclat具有更好的性能，能有效检测就医聚集行为。此外，CBM算法应用于医保管理与监督中并取得显著成效。 就医聚集，一致行为挖掘，频繁模式，医保管理 MINING CONSISTENT BEHAVIOR IN HOSPITALIZATION 3(School of Computer Science, Fudan University, Shanghai 200433, China) Detection of behavior in hospitalization is of significant importance for preventing risk of medical insurance fund and ensuring the steady operation of the fund. Data mining algorithms can offer new thread of thinking and new methods for detecting fraud behavior in hospitalization. This paper, focusing on consistent fraud behavior in hospitalization, proposes a consistent behavior mining algorithm CBM based on frequent pattern mining. The experiment indicates that the algorithm, which can detect consistent behavior effectively, performs better than both Apriori and Eclat. Moreover, a platform called consistent behavior of fraud mining is developed based on CBM, and it works well in practice. Consistent behavior Frequent pattern Hospitalization Insurance Management 引　言 近年来，我国的社会医疗保险得到了迅速的发展，覆盖面越来越大，成为我国社会保障制度最重要的组成部分。社会医疗保险基金数额大影响广，如何保证社会医疗保险基金的正常运作，提升医保管理水平，合理有效地规避潜在的运营风险成为一项极为重要的课题。 在国外，数据挖掘技术在保险风险防控中有较广泛的应用。国内由于保险业起步较晚，对风险防控的研究多停留在基本的统计学等方法上。然而，经过多年的信息化发展，医疗保险行业已经积累了海量的数据，而数据挖掘技术正为海量数据处理提供了可能。 在医保管理过程中，我们发现存在一些就医聚集行为，出现就医聚集行为可能是由于某些特殊病症人群如某些慢性病人群造成，也有可能存在欺诈行为。找出这些具有就医聚集行为的人群一方面能够对特殊疾病人群提供针对性的管理和服务，另一方面能有效提高对违规人群的监督力度。 本文通过抽象出现实中就医聚集行为，采用相应的数据挖掘技术分析并提出一致行为挖掘算法CBM。该算法能有效解决问题，并且在性能上较同类算法更为高效。 相关工作 国外对医疗保险风险的防控有较长的研究。基于统计分析的方法[1]是一类基本的研究方法，然而为了能够处理海量数据，在保险业特别是一些商业保险公司中，数据挖掘技术越来越广泛地被应用于保险风险防控中[2,3,4,5]，包括神经网络[3]，分类[5]，关联规则[4]等。 在医保管理过程中，我们遇到一种特殊的就医现象，本文称之为就医聚集行为。就医聚集行为通常表现为多张医保卡过于频繁地同时同地消费。本文形式化地抽象出这类行为模式，并设计基于频繁模式挖掘的算法来检测该类行为。 经典的频繁模式挖掘算法是Apriori算法[6]，该算法采用水平数据集，通过维增长方式从低维到高维逐层生成频繁模式。Apriori算法的主要缺陷是生成的候选集多，并需要反复地扫描全局数据库计算支持度，导致算法效率较低。Eclat[7]算法使用垂直数据格式减少了数据库全局扫描次数，但若数据库中事务较多时，产生的中间模式需要大量存储空间。 本文提出