[发明专利]一种基于反馈式机器学习的最优化医疗保险智能审核系统

说明书

本发明公开了一种基于反馈式机器学习的最优化医疗保险智能审核系统，其特征在于，包括输入设备、计算设备及输出设备，系统可以自动生产可供稽核人员使用的报告，并将报告显示在稽核人员方便携带的智能手机或平板电脑中，方便稽核人员实地稽核过程中直接记录稽核过程和结果，进行无纸化作业。在条件不允许的情况下，系统也可以将报告打印，稽核人员携带纸质报告稽核，稽核完成后将结果录入系统。

技术领域

本发明涉及医疗审核系统，具体为一种基于反馈式机器学习的最优化医疗保险智能审核系统。

背景技术

随着人工智能技术的发展和我国医院和医保信息化建设的加强，基于机器学习模型的医保智能审核系统越来越多的运用在了医保反欺诈的过程中。在学术界，人们关注的重点是如何设计新的算法以及如何提高算法的计算性能等方面，还没有人尝试将稽核人员实地调查案件的难度考虑进系统，在提高系统风控准确性的同时也优化稽核人员的工作效率。因此对现在流行的机器学习方法做出改进，增加了模型自动更新模块和稽核优化模块，以满足审核系统在医保稽核工作中的实际需求。

发明内容

本发明的目的在于针对上述问题，克服现有技术不足，公开了一种基于反馈式机器学习的最优化医疗保险智能审核系统，本系统使用基于人工神经网络的风控模型，该模型的好处是可以模拟既可以支持批量更新，也可以支持实时更新，与其他模型(比如支持向量机、逻辑斯蒂回归、朴素贝叶斯等)相比，改模型不需要每次全量数据重新训练，因此该模型可以很好的适应实时更新，为反馈式机器学习模型。目前可用于支持人工神经网络建模的平台很多，比如谷歌的Tensorflow,伯克利的Caffe平台等，这些平台提供丰富的建模方式，但需要用户提供模型参数。我们系统的模型参数保存于系统配置模块，有专门的机器学习工程师根据不同地区的社保政策与数据特点调整。

为实现上述目的，本发明采用以下技术方案：

一种基于反馈式机器学习的最优化医疗保险智能审核系统，包括输入设备、计算设备及输出设备；

所述计算设备包括数据质量检查模块、风险特征抽取模块、风险模型模块、风险模型更新模块、稽核优化模块及稽核报告生成模块；

所述数据质量检查清单检查结算数据的字段完整性，是否有缺失值，是否必要值为空，检查结算数据的正确性，是否有重复上传的单据或条目，检查结算数据的正确性，是否医院、项目、诊断的编码与名称匹配，检查结算金额的正确性，是否明细汇总求和与发票匹配；

所述风险特征抽取模块根据结算数据计算数以万计的风险特征，该模块会从验证后的数据中提取高纬度的风险特征，计算患者就诊前三个月内的就诊次数，就诊医院数量，疾病诊断数量等信息，供后续风险模型模块使用；

所述风险模型模块用于保存风控模型，并对每笔医保结算做出风险点和风险程度判断，该模块会将风险大于一定程度的结算信息传递给稽核优化模块；

所述风险模型更新模块负责风险模型模块中模型的更新，模型的更新方式有三种：(1)只要系统收集到稽核反馈即实时更新模型；(2)按固定周期更新模型，比如每小时、每天、每周等；(3)按稽核反馈的数量更新，比如没收到10个反馈更新一次模型，或没收到100个反馈更新一次模型；

所述稽核优化模块将风险模型的结果与稽核反馈信息结合，以稽核效率为目标，优化稽核人员的工作内容和顺序，保证每个稽核人员得到最适合自己的任务，优化结构将写入稽核报告生成模块；

所述稽核报告生成模块负责收集医保结算中的各种问题，并将其转化为方便稽核人员读取的格式，方便稽核人员进行实地稽核。

优选的，所述输入设备包括医保结算数据收集模块、稽核反馈收集模块稽系统配置模块；

所述医保结算数据收集模块：主要用于从医保核心系统中读取和同步结算数据，并将这些数据导入到我们的系统中，以便后续分析使用；