数事本与离用
应用研究
基于神经网络的医保欺诈主动发现模型
王超韩可欣黄登一
(华北电力大学北京102206)
摘要：本文阐速了运用白组织竞争型神经网络(SOM)与BP神经同络相结合,建立医保欺许主动发现模型的原理和过程。主要介绍医疗数据的特征，海量数据初步分类和精选样本对BP神经网络进行训练的方法，最后采用遗传算法对BP神经网络的权值和阅值进行优化。研究成累较好地实现了对医保股诈行为的主动别
关键词:SOM神经网络BP神经网络医保股诈识别模型
中图分类号：TP399
文献标识码：A
文章编号:1007-9416(2016)05-0075-02
Abstract:In order to build a model for deteetion of fraud in medical services, the paper proposes a new algorithm by combining selforganized map neural network(SOM) with backpropugation artificial neural network(BP).The authos fistly introduce the characteristic of medical data, and then investigate approach based on SOM to select samples for the training of BP neural network. At last, the paper applies genetic algorithm into the model, so as to optimize initial weights and biases. It turns out that the model is highly effective in intlligent recognition of fraud.
Key Words:SOM neural network; BP neural network; Fraud in medical; Model for detection
1引言
随着我国医疗保险普及率的提高，医保基金的安全问题日渐引人关注。自城镇职工医疗保险和新型农村合作医疗制度实施以来，骗取医保基金的案件不断发生"。据不完全统计，在许多国家医保欺诈和温用每年造成的损失都达数亿美元基至更多，严重妨碍了各国医保政策的顺利实施。因此，构建一个相对准确的医保欺诈主动发现和预警机制，对保障参保人员权益、提高医保基金使用效率都具有重大意义，
目前，反医保欺诈的研究是一个世界性的课题。由于医疗数据的海量信息和欺诈行为的隐蔽性，有效识别欺诈行为是反欺诈研究的重点和难点。国外学者的研究中，美国的Fen-May Lion对Logis tic回归模型、神经网络和决策数等三种方法用于医疗数据挖掘，的
表1就医行为数据库部分示例
病人ID 241 440 454 621 642 990 1058
年龄 31 37 32 4 37 48 41
单数
总价 74.04 117.04 15.68 116 75.62 62.8 118.64
住院情况
0 0
0 0 0
注：住院情况中，数字"0"代表未住院，数字“1"代表住院。
方法和效果情况分析比较"，美国的Kweku-Muata和Osei-Bryson 分析了目前数据挖掘中存在影响因子过多的问题，并提出VFT和 GQM的解决方法。国内针对医保欺诈的研究，目前多数停留在社会和法律层面的分析，关于医保欺诈行为识别方法，主要有杨超等提出的统计回归和神经网络相结合的方法，研究的深度和广度都有待进一步拓展。
本研究采用自组织竞争型神经网络，对海量医疗数据按疑似联诈数据和非欺诈数据两类进行初步筛选；在此基础上，人工精选一些分类后的数据作为BP神经网络的训练样本，并用遗传算法对BP 神经网络进行优化。经验证，优化后的BP神经网络对医保欺诈具有良好的识别效果。
2医保欺诈的概念及数据特点
2.1医保款诈定义和类型
医疗保险欺诈一般是指医疗保险制度的相关利益主体以骗取医疗保险基金或医疗保险待遇为目的，采取各种形式隐瞄自已的真实身份或实际诊疗情况，从而骗取相关利益的行为。本研究所指的医保欺诈采用广义的定义，即任何因不符合正常就医规律的行为面导致的对医保基金的用或骗取都被视为医保诈。
根据严重程度的不同，医保欺诈可分为两类：一类是对医保基金的温用，如小病住院，开高价药，过度检查等造成的医保资源的浪费，另一类则带有明显的欺诈故意，如非投保人使用投保人的证件，
表2不同步数下欺诈与非欺诈人群的分类结果
步数 20 3 50
仿真误差
遗传算法优化前遗传算法优化后
收稿日期：2016-03-24
欺诈人数
211 603 600
样本类型
非联人数
9839 9447 9450
步数 100 200 300
表3遗传算法优化前后结果对比
训练样本 3.5687% 3.1256%
欺详人款
580 569 545
测试样本 15.5362% 5.545%
非欺详人数
9505 9579 9470
作者简介：王超(1996一),男山西吕梁人,华北电力大学电气与电子工程学院2013级学生,研究方向电气工程及其自动化,本论文是作者参
加大学生创新创业训练计划项目的研究成果
75