1、基于數(shù)據(jù)挖掘的醫(yī)保欺詐主動(dòng)發(fā)現(xiàn)電機(jī)系2013010932 方詩(shī)卉電機(jī)系2013010935 譚振飛電機(jī)系2013010946 賈鑫摘要目前社會(huì)上存在著一些不法分子在履行參保繳費(fèi)義務(wù)上虛構(gòu)事實(shí),隱瞞真相,以騙取醫(yī)保權(quán)益,或在醫(yī)療行為上虛構(gòu)事實(shí),隱瞞真相,以騙取醫(yī)保基金或醫(yī)保待遇。這類欺詐行為在各個(gè)國(guó)家普遍存在。這些違法行為已經(jīng)給我們國(guó)家?guī)砹藰O大的經(jīng)濟(jì)損失,嚴(yán)重影響我國(guó)醫(yī)療行業(yè)的進(jìn)一步發(fā)展。而在海量就醫(yī)病患信息中識(shí)別出騙保行為,靠人工的力量顯然是不行的。為了能高效地初步識(shí)別出騙保嫌疑對(duì)象,本文使用聚類分析、異常點(diǎn)挖掘、殘差分析等算法對(duì)病患就診信息進(jìn)行數(shù)據(jù)挖掘。針對(duì)不同的騙保手段,給出了四個(gè)騙保識(shí)

2、別因子作為評(píng)判標(biāo)準(zhǔn),并由此通過一種平方平均的方法得到了一個(gè)集中的騙保嫌疑評(píng)判指標(biāo)。通過計(jì)算每一例就醫(yī)記錄的嫌疑指標(biāo),并與設(shè)定的閾值比較,可以初步鎖定騙保嫌疑對(duì)象。再在這些對(duì)象中進(jìn)行更精細(xì)的人工調(diào)查,便可有效地識(shí)別騙保行為。關(guān)鍵詞:欺詐識(shí)別、數(shù)據(jù)挖掘、異類識(shí)別、SNN相似度、識(shí)別因子一、問題重述醫(yī)療保險(xiǎn)欺詐,是指公民、法人或者其他組織在參加醫(yī)療保險(xiǎn)、繳納醫(yī)療保險(xiǎn)費(fèi)、享受醫(yī)療保險(xiǎn)待遇過程中,故意捏造事實(shí)、弄虛作假、隱瞞真實(shí)情況等造成醫(yī)療保險(xiǎn)基金損失的行為。騙保人進(jìn)行醫(yī)保欺詐時(shí)通常使用的手段,一是拿著別人的醫(yī)?？ㄅ渌?二是在不同的醫(yī)院和醫(yī)生處重復(fù)配藥。下面這些情況都有可能是醫(yī)保欺詐:單張?zhí)幏剿庂M(fèi)特別

3、高,一張卡在一定時(shí)間內(nèi)反復(fù)多次拿藥等。根據(jù)附件中6個(gè)表格(病人資料、費(fèi)用明細(xì)表、醫(yī)囑表、醫(yī)囑子類、核算分類、患者類別中的數(shù)據(jù),找出可能的欺詐記錄。二、問題分析關(guān)于醫(yī)療保險(xiǎn)欺詐,騙保人會(huì)在醫(yī)保的使用過程中留下痕跡,會(huì)出現(xiàn)非正常消費(fèi)的情況。在本問題中,需要通過檢索分析消費(fèi)記錄來進(jìn)行選擇。首先,根據(jù)表格2.1病人資料,可以看出,有一部分人在醫(yī)院的記錄中使用了醫(yī)?？?而另一部分人沒有使用。所以對(duì)沒有使用醫(yī)保卡的情況可以斷定出沒有騙保嫌疑。同時(shí)還能看出一些其他問題,比如病人在醫(yī)院死亡,對(duì)這樣的病人也可以基本斷定不會(huì)有騙保嫌疑。所以在處理數(shù)據(jù)的第一步需要對(duì)原始數(shù)據(jù)做預(yù)處理,去掉無騙保嫌疑的人員,后續(xù)的數(shù)據(jù)

4、處理只針對(duì)剩下的人。對(duì)于剩下的無法直接排除嫌疑的人,不能一概而論,由于騙保行為多種多樣,所以在醫(yī)保消費(fèi)的過程中也存在不同的特點(diǎn)。這些特點(diǎn)大體上可以分為以下三種:1.數(shù)量特點(diǎn):由于騙保的人需要獲得更多的利潤(rùn),所以他需要在通過醫(yī)?？ㄙ?gòu)買很多藥,來實(shí)現(xiàn)騙保的行為。而這一點(diǎn)在表格中的體現(xiàn)便是某一個(gè)醫(yī)?？ㄌ?hào)對(duì)應(yīng)的消費(fèi)量多于正常值。所以在這一方面可通過找出每一個(gè)ID號(hào)所對(duì)應(yīng)的消費(fèi)量,并與均值相比較,來刻畫其騙保的可能性。2.頻次特點(diǎn):對(duì)于騙保人來說,有可能為避嫌而分多次購(gòu)買藥品。這一點(diǎn)在表格中的體現(xiàn)為某一個(gè)醫(yī)?？▽?shí)現(xiàn)無規(guī)律的多次消費(fèi)。所以在這方面可以通過找出每一個(gè)ID號(hào)對(duì)應(yīng)的消費(fèi)頻次,其中的異常情況既代表

5、著騙保出現(xiàn)的可能情況。3.類型特點(diǎn):根據(jù)表格2.3醫(yī)囑項(xiàng),可以分析出,對(duì)于一個(gè)的醫(yī)囑項(xiàng),在每個(gè)使用的病人上應(yīng)該具有大致相同的量,而一旦有一個(gè)量“與眾不同”,既代表著他有成為騙保人的可能。所以在這方面可以通過刻畫這個(gè)大致相同的量(即例均費(fèi)用來比對(duì)每一個(gè)的醫(yī)保使用量,從而刻畫出騙保的可能性。通過對(duì)這三個(gè)方向數(shù)據(jù)的綜合分析,就可以基本刻畫出騙保可能性的大小了。為了模型更精確更具普遍性,可以繼續(xù)考慮其他的影響程度比較小的因素,比如使用醫(yī)?？ǖ⑽词褂蒙矸葑C的患者有一定的嫌疑,等等。三、模型假設(shè)及符號(hào)說明1.模型假設(shè)我們建立的數(shù)學(xué)模型,是針對(duì)于每一個(gè)人,對(duì)每一個(gè)人在不同的指標(biāo)上進(jìn)行評(píng)分,每一種指標(biāo)0作為

6、嫌疑最小,1作為嫌疑最大,通過這樣的多個(gè)識(shí)別因子,在空間構(gòu)建一組多維向量,而在這個(gè)多維空間中,距離大多群體最遠(yuǎn)的個(gè)體的騙保嫌疑最大,可以表示出當(dāng)該人的值偏離遠(yuǎn)點(diǎn)到一定范圍之后就可以視作騙保。此外,構(gòu)建模型分析之前我們進(jìn)行以下假設(shè):1.1假設(shè)不用醫(yī)?？ㄏM(fèi)的患者不存在騙保費(fèi)用;1.2假設(shè)一次開的每一種藥量是一個(gè)定值,當(dāng)某個(gè)病人開的藥偏離這個(gè)標(biāo)準(zhǔn)值越遠(yuǎn),他的騙保嫌疑就越大;1.3假設(shè)有一些藥是需要按療程服用的,這樣同一個(gè)病人間隔一確定時(shí)間(如7天來買同一種藥視為比較正常,而間隔時(shí)間較短或者頻率不穩(wěn)定的騙保嫌疑較高。(例均費(fèi)用;1.4假設(shè)對(duì)于不同醫(yī)囑表和醫(yī)囑子類有著比較明顯的差距,醫(yī)囑表存在不會(huì)騙保

7、的項(xiàng)目,同時(shí)在醫(yī)囑表的一些不會(huì)騙保的項(xiàng)目中有消費(fèi)記錄的病人也基本排除騙保嫌疑;1.5假設(shè)存在某一個(gè)人使用不同的醫(yī)?？ㄔ谕粫r(shí)間重復(fù)買藥,這樣將這些醫(yī)?？ㄏ嗷リP(guān)聯(lián)操作。同時(shí)提高了騙保的嫌疑。2.符號(hào)說明 四、模型的建立與求解0.數(shù)據(jù)預(yù)處理通過表格2.1可以看出,在所有的病人就診記錄中,有一部分有醫(yī)?？ㄌ?hào)記錄(即使用了醫(yī)保卡,有一部分沒有醫(yī)?？ㄌ?hào)記錄(即未使用醫(yī)?？?。由于未使用醫(yī)?？ǖ牟∪嗽隍_保方面的嫌疑為0,所以在數(shù)據(jù)處理中需要先剔除掉未使用醫(yī)?？ǖ那闆r。這樣既減少了誤判的可能,又避免了重復(fù)計(jì)算加快了運(yùn)算效率。1.費(fèi)用額度異常篩選在進(jìn)行醫(yī)保欺詐的識(shí)別篩選中,最直接的指標(biāo)就是費(fèi)用額度。此部分將從每

8、人消費(fèi)總額與每單消費(fèi)總額兩方面確定識(shí)別因子。1.1基于年齡分布擬合的殘差異常識(shí)別不考慮個(gè)體差異,則每人一定時(shí)期內(nèi)就醫(yī)開支和年齡存在著較大的相關(guān)性。直觀上理解,年齡較小或較大者身體狀況較差,其一定時(shí)期內(nèi)就醫(yī)開支也將高于青壯年人群?；诖朔治?找出平均費(fèi)用額度對(duì)年齡段的分布情況,對(duì)該分布進(jìn)行回歸分析,求出擬合函數(shù)。之后以該函數(shù)作為參考標(biāo)準(zhǔn),對(duì)每個(gè)人的消費(fèi)數(shù)據(jù)進(jìn)行檢驗(yàn),求出每人消費(fèi)額的殘差,通過殘差大小確定其該項(xiàng)指標(biāo)的識(shí)別因子。所有年齡為y k的患者,他們的就醫(yī)消費(fèi)平均值為c k。c k與y k的函數(shù)關(guān)系為:c k=F(y k 可以看出該分布規(guī)律和預(yù)期基本一致,醫(yī)療開支基本隨著年齡的增大而增加,幼兒

9、和老年人的開支有顯著增加。但也不難發(fā)現(xiàn)65歲之后的分布波動(dòng)劇烈,這是由于年齡較大的人數(shù)較少,統(tǒng)計(jì)的結(jié)果受個(gè)體影響較大。對(duì)表中年齡為4至60歲的人群的平均消費(fèi)分布進(jìn)行最小二乘擬合,其余年齡段使用平均值作為對(duì)應(yīng)的標(biāo)準(zhǔn)函數(shù)值。計(jì)算每個(gè)患者的總就醫(yī)消費(fèi)與他所處年齡段的標(biāo)準(zhǔn)參考函數(shù)的偏差。由于不同年齡的消費(fèi)數(shù)額不同,因此需要對(duì)偏差進(jìn)行歸一化。計(jì)算每一患者的標(biāo)準(zhǔn)偏差:i=c kc kc k得到標(biāo)準(zhǔn)偏差的頻數(shù)分布表如下: 由此表可以看出,大部分?jǐn)?shù)據(jù)的標(biāo)準(zhǔn)偏差分布集中在-5,5范圍內(nèi),因此可以認(rèn)為不在此范圍內(nèi)的患者在就醫(yī)開支金額這一識(shí)別指標(biāo)上就有一定嫌疑。1.2識(shí)別因子確定雖然已經(jīng)得到標(biāo)準(zhǔn)偏差的分布狀況,具體

10、確定識(shí)別因子q1的取值有一定困難。但是我們認(rèn)為,基于單人消費(fèi)總額分布異常的識(shí)別因子q1至少應(yīng)滿足如下條件:a識(shí)別因子的取值范圍:0,1;b標(biāo)準(zhǔn)偏差越大,識(shí)別因子q1的值越大;c相應(yīng)區(qū)間的頻數(shù)越少,識(shí)別因子q1的值越大;d有明顯較多數(shù)據(jù)的區(qū)間可直接排除其嫌疑。根據(jù)這些基本條件,可以按如下公式確定識(shí)別因子:q1=N kP k 其中:N k表示偏差分布區(qū)間中點(diǎn)P k懷疑對(duì)象所占頻率、權(quán)重系數(shù)因子這一關(guān)系近似表示了識(shí)別因子q1與決定因素的關(guān)系,但權(quán)重系數(shù)因子、需要在最后的識(shí)別因子加總時(shí)進(jìn)行標(biāo)定。2.藥品種類與數(shù)量異常挖掘同一類藥品或治療手段,它們的單次使用數(shù)量、適用人群、療程周期等應(yīng)具有一定相似性。而

11、騙保行為往往會(huì)違背這些常規(guī),因此這也可以作為識(shí)別騙保行為的一個(gè)指標(biāo)。下面將使用基于SNN相似度的異常點(diǎn)篩檢算法進(jìn)行識(shí)別分析,同時(shí)借鑒MACLU聚類異常挖掘算法中高維混合數(shù)據(jù)的處理方法對(duì)算法進(jìn)行改進(jìn)。2.1數(shù)據(jù)預(yù)處理本問題需要考慮藥品種類(醫(yī)囑子類、醫(yī)囑類別、單次使用數(shù)量、就診人性別、療程周期、五個(gè)不同的指標(biāo),它們采用不同的度量單位,數(shù)值差別可能很大,會(huì)造成SNN相似度計(jì)算時(shí)距離計(jì)算得較大偏差。同時(shí),藥品種類和醫(yī)囑類別屬于符號(hào)型數(shù)據(jù),而后三者為數(shù)值型數(shù)據(jù),即這五個(gè)維度的數(shù)據(jù)包含混合數(shù)據(jù)類型,因此不能直接進(jìn)行聚類挖掘計(jì)算。因此需要首先對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化、正規(guī)化、符號(hào)類型數(shù)值域映射處理。每一就診病例的

12、上述五種特征類型數(shù)據(jù)構(gòu)成矩陣U,每一病例的五種特征數(shù)據(jù)構(gòu)成矩陣的一個(gè)列向量。標(biāo)準(zhǔn)化需要使得各特征類型的數(shù)據(jù)均值為0,方差為1.處理過程為:x ij=x ijx iS j(i=1,···,5;j=1,···,n其中:x i=1nx ijni=1S i=1n1(x ijx i2ni=1數(shù)據(jù)經(jīng)以上標(biāo)準(zhǔn)化之后數(shù)據(jù)范圍很可能不在0,1上,還需進(jìn)行下面的正規(guī)化變換。正規(guī)化變化處理如下:x ij=x ijmin1inx ijmax1in(x ijmin1inx ij其中變化公式的分母是數(shù)據(jù)矩陣U第i行的極差。經(jīng)此步變換后各變量最小值為0,極差均為1

13、,并且各特征屬性的基點(diǎn)相同、波動(dòng)范圍一致,這樣就方便后面的計(jì)算分析。為了使得符號(hào)類型特征能像數(shù)值特征一樣進(jìn)行處理,此步采用如下編碼映射方法進(jìn)行處理:為了保留符號(hào)類型特征的等同行本質(zhì),映射具體做法是:對(duì)于有m種不同取值的符號(hào)特性,用m位二進(jìn)制編碼對(duì)其編碼,當(dāng)且僅當(dāng)特征取值為第j種值時(shí),其編碼中的第j為為1,其余為0.但具體到本問題,由于包含的藥品類別十分之多,就有可能使得特征類型的像矢量過大。因此直接作出以藥品類別的代碼與該藥品(治療的使用數(shù)量的散點(diǎn)圖進(jìn)行觀察: 可以看出雖然藥品種類龐雜,但一段時(shí)間內(nèi)只有不到一半被患者用到,而其中又有相當(dāng)一部分的分布較為集中。可以認(rèn)為只有使用數(shù)量分布分散的藥品種

14、類才存在騙保的可能性,因此實(shí)際需要編碼映射變化的藥品種類是可以承受的。事實(shí)上,還可以對(duì)映射后的像矢量進(jìn)行PCA主成分分析進(jìn)行降維處理。具體實(shí)現(xiàn)太過復(fù)雜,此處僅提出概念,不做進(jìn)一步討論。2.2SNN相似度異常點(diǎn)篩檢將數(shù)據(jù)進(jìn)行合適的預(yù)處理之后,下面計(jì)算各樣本點(diǎn)之間的相似度矩陣,根據(jù)相似度矩陣確定各數(shù)據(jù)點(diǎn)之間的連接關(guān)系,確定出聚類中心和異常點(diǎn)數(shù)據(jù),進(jìn)而篩檢出異常數(shù)據(jù)。具體實(shí)現(xiàn)步驟如下:計(jì)算U矩陣中各5維列向量之間的歐式距離,構(gòu)造距離矩陣D。其中距離計(jì)算公式如下:8d ij=(x kix kj2k=1值得說明的是,距離矩陣D是對(duì)稱陣。對(duì)于每個(gè)樣本點(diǎn),在D中找出其最近的k個(gè)近鄰,將其存入k近鄰表KNN中

15、,其中KNN(i表示第i個(gè)樣本點(diǎn)的k近鄰列表。在SNN表中計(jì)算兩兩互為最近鄰居的樣本點(diǎn)見的SNN相似度。SNN相似的定義為:建立相近節(jié)點(diǎn)i和j之間的連接,則每個(gè)連接之間包含兩個(gè)樣本的s個(gè)共同鄰居,稱s為這一連接的連接強(qiáng)度,兩個(gè)最近節(jié)點(diǎn)之間的連接強(qiáng)度即為SNN相似度。計(jì)算得兩兩樣本點(diǎn)之間的SNN相似度,將其存入SNN相似度矩陣S?；赟NN相似度矩陣S,確定檢索閾值t,是要SNN相似度大于t,則建立兩個(gè)樣本點(diǎn)之間的關(guān)聯(lián),將其聚為一類;最終沒有和任何點(diǎn)聚為一類的樣本點(diǎn)即被認(rèn)為是異常點(diǎn)。2.3識(shí)別因子q2確定在上一步的SNN相似度異常點(diǎn)挖掘中,找出了明顯沒有聚類的數(shù)據(jù)點(diǎn),下面給出識(shí)別因子的確定方法:

16、首先對(duì)于聚類數(shù)據(jù),其識(shí)別因子q2取0;對(duì)于離群點(diǎn),其識(shí)別因子:q2=Ad out d n其中:d out離群點(diǎn)距離最近聚類中心的距離d n離群點(diǎn)距離其k個(gè)近鄰的平均距離A歸一化因子3.一單大額的異常識(shí)別在騙保的過程中,由于不是真正需要治病,而只是單純的用醫(yī)保購(gòu)藥,所以可能會(huì)一筆使用醫(yī)?？ㄏM(fèi)大額數(shù)據(jù),從而在醫(yī)療記錄中留下痕跡。對(duì)于消費(fèi)記錄來說,由于總量很多,同時(shí)絕大多數(shù)消費(fèi)額度較低,應(yīng)當(dāng)大致滿足指數(shù)分布,即隨著消費(fèi)額的增加,消費(fèi)人數(shù)大體呈指數(shù)衰減,而對(duì)于偏離指數(shù)分部的數(shù)據(jù)即存在騙保嫌疑,偏離越多嫌疑越大。3.1數(shù)據(jù)分析對(duì)于消費(fèi)總量一欄數(shù)據(jù)進(jìn)行處理,考察從0到4000,每100為一檔中的數(shù)據(jù),繪

17、制頻數(shù)分布直方圖,看每一個(gè)頻帶中落入數(shù)據(jù)的個(gè)數(shù),這些數(shù)據(jù)也基本上保持指數(shù)分布,繪制圖線如圖所示: 從上圖中可以看出,絕大多數(shù)的數(shù)據(jù)分布在小于100的區(qū)間,數(shù)據(jù)近似呈指數(shù)分布。對(duì)指數(shù)分布的各個(gè)數(shù)據(jù)取對(duì)數(shù),得到一個(gè)近似線性的直線,如下圖所示: 從本圖中可以看出,在費(fèi)用小于1500的區(qū)間基本呈直線下降,擬合得到直線的相關(guān)系數(shù)為0.9686。從這個(gè)分布可以看出,當(dāng)一單醫(yī)保費(fèi)用等于1500時(shí),頻次基本降為0。所以說可以定出閾值為1500。當(dāng)一單費(fèi)用超過1500時(shí)視為非正常消費(fèi),存在騙保嫌疑。3.2識(shí)別因子確定由于之前的部分在計(jì)算每個(gè)醫(yī)保號(hào)的消費(fèi)總額時(shí)在一定程度上包含了一單大額的數(shù)據(jù)信息,所以本模型只是上

18、一個(gè)模型的拓展,和單人消費(fèi)總額模型共同構(gòu)成本問題的第一個(gè)維度,可以由此確定第三個(gè)識(shí)別因子q3經(jīng)選取,可以得出最終有病歷號(hào)為:217527,267254,387776,397488, 405032,463011,477945,539869,579502,589176,608684,612657,615989,628287,639799,660150的符合這一點(diǎn)情況,其中,267254,387776,477945這三個(gè)的消費(fèi)記錄和別的沒有相同的項(xiàng)目,有很大的騙保嫌疑,剩下的幾個(gè)都有和其他人在不同時(shí)間的相同消費(fèi)記錄,騙保嫌疑較小。4.輔助識(shí)別4.1頻次特點(diǎn)的刻畫由于有一些藥品或者治療方案是講求療程和

19、階段的,所以在有些的醫(yī)保消費(fèi)記錄中,存在同一張醫(yī)?？?每隔一確定時(shí)間,重復(fù)購(gòu)買同一種藥品的情況。而對(duì)于騙保者來說,一般不會(huì)隔一確定周期來購(gòu)?fù)环N藥,尤其可能會(huì)在短時(shí)間內(nèi)多次購(gòu)買同一種藥。對(duì)于本模型來說,考慮其消費(fèi)日期記錄分部周期性較好的病人騙保的概率較低,而周期性較差,尤其是在短時(shí)間內(nèi)多次購(gòu)買同一藥品的,騙保的概率較高。在實(shí)際計(jì)算的過程中,需要跟蹤同一個(gè)人買的同一種藥,計(jì)算買藥周期,比對(duì)周期偏差,對(duì)于周期偏差的大小賦予不同的數(shù)值,來刻畫這個(gè)維度上的騙保嫌疑。4.2實(shí)名制的可信度刻畫在病人資料一欄中,有很多病人的有關(guān)信息,比如身份證號(hào),病人姓名等等。這些項(xiàng)目只有一部分的記錄中有,在一定程度上刻畫

20、出了實(shí)名制可信度情況的刻畫,一般的騙保人很少會(huì)使用實(shí)名制記錄。對(duì)于本模型來說,是要大大減少實(shí)名制登記的病人騙保的概率,可以通過提高其他未實(shí)名制登記的人的騙保概率來做到相對(duì)減少其相對(duì)值的大小。4.3多個(gè)醫(yī)保共同使用的情況刻畫對(duì)有些騙保人來說,他有可能在很短的一段時(shí)間內(nèi)用很多張醫(yī)?？ㄟM(jìn)行消費(fèi),以做到騙保的目的,同時(shí)不易察覺。所以需要針對(duì)這一問題使用特殊的模型進(jìn)行甄別區(qū)分。對(duì)于本模型來說,應(yīng)當(dāng)將在間隔時(shí)間較近買進(jìn)同一種藥的每一個(gè)人做以關(guān)聯(lián),在前面的分析基礎(chǔ)上,讓每個(gè)相互關(guān)聯(lián)的卡有一個(gè)統(tǒng)一的關(guān)聯(lián)系數(shù),在一個(gè)不信任度增加的時(shí)候,其他的也有所增加。這樣可以在一定程度上甄別這一問題。4.4特殊醫(yī)療使用的刻畫對(duì)于騙保人來說,更多的會(huì)使