[发明专利]医保欺诈预测网络的训练方法、装置、设备及存储介质

说明书

本发明适用计算机技术领域，提供了一种医保欺诈预测网络的训练方法、装置、设备及存储介质，该方法包括：根据训练样本集中患者样本的就诊信息，获取患者特征矩阵，并根据就诊信息对患者与医生之间的医患关系进行分析，获得医患关系对应的医患关系邻接矩阵，根据患者特征矩阵和医患关系邻接矩阵，对由图卷积神经网络和变分自编码器组成的医保欺诈预测网络进行预测训练，直至达到预设的训练次数，则结束预测训练，从而通过图卷积神经网络能很好的学习到有关联患者的特征，并利用变分自编码器算法挖掘患者特征中隐藏的表示信息，以实现通过该医保欺诈预测网络在医疗数据集中找到欺诈人群以及欺诈嫌疑度最大的人群，提高了医保欺诈预测准确率。

技术领域

本发明属于计算机技术领域，尤其涉及一种医保欺诈预测网络的训练方法、装置、设备及存储介质。

背景技术

随着科技、医疗、经济、人文等方面的变迁，造成了现代人工作紧张，随之相伴的是生活无规律、消耗过度、运动量不足，许多文明病于是乘虚而入，且治愈难度越来越大，随之，医疗健康以及医疗开支问题越来越受到人们的关注，而医疗保障社会化是社会发展的必然趋势。

目前，医疗保险已成为许多国家的主要支出，根据英国保险协会2012年报道，每天每小时会发生15起潜在的医疗欺诈行为。医保欺诈行为的发生对我国医保基金造成巨大冲击，每年将造成百亿元的经济损失。目前有效的检测手段仅仅限于人工筛查，然而，人工筛查需要人为制定相关的欺诈规则，规则比较死板，很难应对多样性的欺诈手段；其次，在数据爆炸时代，每分钟都会产生数以千万计的诊断，人工检测的效率极低；再者，人工筛查需要更多的领域专家的专业知识。随着信息技术的发展，相关研究人员用机器学习算法对医保欺诈做了大量研究，其主要用到了有监督方式中的支持向量机(Support VectorMachine，SVM)、逻辑回归、神经网络等算法，无监督方式中的局部离群因子(Local OutlierFactor，LOF)、具有噪声的基于密度的聚类方法(Density-Based Spatial Clustering ofApplications with Noise，DBSCAN)等算法，然而，这些算法需要使用大量的欺诈样本(正样本)和非欺诈样本(负样本)用来训练，而现实中欺诈样本的数量并不能满足训练的要求，因此，不能取得较好的训练结果。

发明内容

本发明的目的在于提供一种医保欺诈预测网络的训练方法、装置、设备及存储介质，旨在解决由于现有技术导致对医保欺诈患者预测的效率低，且预测准确率不高的问题。

一方面，本发明提供了一种医保欺诈预测网络的训练方法，所述方法包括下述步骤：

从预设的医院信息系统中抽取预设数量个患者样本，所述患者样本包括已标注欺诈标签的医保欺诈患者和未标注标签的未知患者；

根据由所述患者样本组成的训练样本集中每个患者样本的就诊信息，获取所述训练样本集的患者特征矩阵，并根据所述就诊信息对患者与医生之间的医患关系进行分析，获得所述医患关系对应的医患关系邻接矩阵；

根据所述患者特征矩阵和所述医患关系邻接矩阵，对预先构建的医保欺诈预测网络进行预测训练，直至达到预设的训练次数，则结束所述预测训练，以实现通过训练好的所述医保欺诈预测网络检测出未知患者中涉嫌医保欺诈的可疑患者，其中，所述医保欺诈预测网络由预设的图卷积神经网络和变分自编码器组成，所述图卷积神经网络包括2个隐含层。

另一方面，本发明提供了一种医保欺诈预测网络的训练装置，所述装置包括：

患者样本抽取单元，用于从预设的医院信息系统中抽取预设数量个患者样本，所述患者样本包括已标注欺诈标签的医保欺诈患者和未标注标签的未知患者；

矩阵获取单元，用于根据所述训练样本集中所述患者样本的就诊信息，获取所述训练样本集的患者特征矩阵，并根据所述就诊信息对患者与医生之间的医患关系进行分析，获得所述医患关系对应的医患关系邻接矩阵；以及