2015深圳杯优秀论文.pdfVIP

医保欺诈行为的主动发现 摘 要 随着我国医保制度推广范围的不断扩大，以及管理上存在的一定程度的疏忽， 医保欺诈现象越发严重，造成了医疗资源的分配不公和公众利益的损失。 本文着眼于分析医保欺诈的三种常方式 ，探讨这些行为所具有的不同 特征，对这些手段，分别设计了检测方法，建立了三种不同的数学模型。 模型一对一张卡在一定时间 次药。对此我们可以统计出每张卡在 医院开药单的时间频率，同时还必须探究开药频率和病人自身属性的关联性，通过 比较数据在不同分类水平下的频率直方图，进一步通过列联表法检验了不同病人属 性下就诊频次之间的独立性是否存在，通过 制式图 ，通过分位数界定了一部 分离群点，作为高度怀疑的对象。 模型对于单张方药过高进行别。对于特定类型的病人，医生往往会有 对应的开药模式，若某些外在因素相似的病人，在开药模式上呈现出很大的差异 性，则有理由怀疑为行为异常者。对此，我们采用了在无监督机器学习 ，建 立了能过器模型 ，对于数据库中的离散分类数据和连续变量分别采用 SDLE ， SDEM方法，引入高合模型刻画其概率密度，基于新数据点对原有数据分布的 影响大小，计算了 Hellinger Distance Logarithmic Loss作为得分，得分越 高代表该数据点在与其类似的数据点中行为越异常，理论上结合经验阈值可以转 化为有监督机器学习模型来优化原有模型。 模型三探测一人卡配药的。因为不同的病人去医院开药的行为通常是 相互独立的，如果若干张医保卡在开药行为上存在高度的一致性，则很可能这些医 保卡为同一人在使用。为探测这种关联性，采用了 Eclat 关联则算法 ，对庞大的 数据库按时序进行数据挖掘，提高度频繁项集 ，作为怀疑的对象。 我们队以上模型都基于现有数据库进行了模型仿真，对结果进行了评价，得到 了合理的结果，并对模型的进一步完善提出了展望。 关 无监督机器学习, 列联表, Hellinger 距离, 对数损失, Eclat, 频繁项集 1 1 问题重述 的的 的的的 重题求附的建立模型求解问题 1. 的 2. 的 3. 重的 2 问题分析 问题的 的的 的的的的 的分析 问题的 模的模本 的的本题 的的 问题 的本文 的的的 3 模型基本假设 1. 2. 参的分 4 模型的建立与求解 4.1 模型的 题的的 的的 的的 的 的: 的的 2 附 的本的 的附的录 的的 的重 附的的 rowid 的的 Q : 的分 Q : 的分 ∆Q: 分的 4.1.1 的 分8 0 70 10 分70 的的 的分 1 1: 述的的分 与立与立立的 的立 1 假设与立 ∑ ∑ (n − npˆ pˆ ) · · χ = npˆ pˆ · · pˆ = ,pˆ = · · 3 1: 1 2 3 4 5 6 7