(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211417617.4 (22)申请日 2022.11.14 (71)申请人 华信咨询设计 研究院有限公司 地址 310051 浙江省杭州市滨江区长河街 道春波路9 99号 (72)发明人 王辉　金敏玉　张羽玄　 (74)专利代理 机构 杭州杭诚专利事务所有限公 司 33109 专利代理师 王江成 (51)Int.Cl. G06Q 40/08(2012.01) G16H 10/60(2018.01) G16H 50/20(2018.01) G06K 9/62(2022.01) (54)发明名称 基于机器学习的医保 反欺诈方法及系统 (57)摘要 本发明公开了基于机器学习的医保反欺诈 方法及系统。 该方法将医院中所有医生分为多个 第一类别； 将在该医院就诊 过的所有患者分为多 个第二类别； 当第一类别和第二类别存在医患关 系时， 获取医生和患者之间的边值， 进而构建第 一医患图和第二医患图； 基于第一医患图获取每 个医生的第一异常概率； 根据医疗向量获取每个 医生的独立因子进而获取第二异常概率； 以第一 异常概率和第二异常概率的乘积作为每个医生 的异常概率； 获取每个患者的异常概率； 当异常 概率大于 预设阈值时， 对应的医生或者患者存在 异常； 当存在异常的医生和患者存在边值， 判定 存在联合骗保行为。 本发明能够对 联合骗保行为 进行有效识别， 避免医保基金的损失。 权利要求书2页 说明书8页 附图2页 CN 115456805 A 2022.12.09 CN 115456805 A 1.基于机器学习的医保 反欺诈方法， 其特 征在于， 包括以下步骤： 获取医院中每个医生的过往诊断经历， 用数字表示疾病类型， 得到每个医生的诊断集 合， 基于所有医生的诊断集合将所有医生分为不同的第一类别； 获取在该医院就诊过的每 个患者的病史， 得到患病集 合， 基于所有患者的患病集 合将所有患者分为 不同的第二类别； 当第一类别和第二类别存在医患关系时， 基于 医生和患 者之间的就诊频率获取医生和 患者之间的边值， 进而构建对应的医患二分权图， 将医生视角的医患二分权图记为第一医 患图， 将患者视角的医患二分权图记为第二医患图； 获取第一医患图中每个医生的边值序列， 基于边值序列的归属度获取第一异常概率； 将存在边值的医生和 患者组成一个二元组， 根据医生对患者的诊断结果 获取二元组的医疗 向量， 通过对每个第一类别中所有医疗向量进行 因子分析， 获取对应医生的独立因子， 基于 独立因子的归属度获取第二异常概率； 以第一异常概率和 第二异常概率的乘积作为对应医 生的异常概 率； 根据第二医患图中的边值和医疗向量获取每个患 者的异常概率； 当异常概率大于预设 阈值时， 对应的医生或者患者存在异常； 当存在异常的医生和 患者同时存在边值， 判定存在 联合骗保行为。 2.根据权利要求1所述的基于机器学习的医保反欺诈方法， 其特征在于， 所述将所有医 生分为不同的第一类别， 包括： 计算每两个医生的诊断集合的交集和并集， 以交集中的元素数量与并集中的元素数量 的比值作为对应两个医生的诊断相近程度， 诊断相近程度大于预设的诊断相近阈值的医生 为一个第一类别。 3.根据权利要求1所述的基于机器学习的医保反欺诈方法， 其特征在于， 所述将所有患 者分为不同的第二类别， 包括： 计算每两个患 者的患病集合的交集和并集， 以交集中的元素数量与并集中的元素数量 的比值作为对应两个患者的患病相近程度， 患病相近程度大于预设的患病相近阈值的患者 为一个第二类别。 4.根据权利要求1所述的基于机器学习的医保反欺诈方法， 其特征在于， 所述医患关系 的判断过程 为： 以每个第一类别中所有医生的诊断集合的并集作为对应第 一类别的第 一集合， 以每个 第二类别中所有患者的患病集合的并集作为对应第二类别的第二集合； 当第一集合和 第二 集合存在交集时， 对应的第一类别和第二类别存在医患关系。 5.根据权利要求1所述的基于机器学习的医保反欺诈方法， 其特征在于， 所述医患 二分 权图的构建方法为： 基于医生视角， 获取每个医生诊断过的所有患者的总诊断次数， 以每个患者被该医生 诊断的次数与所述总诊断次数的比值作为该医生与对应患者之 间的第一边值， 根据所有第 一边值构建所述第一医患图； 基于患者视角， 获取每个患者在该医院的就诊次数， 以该患者被每个医生诊断的次数 与所述就诊次数的比值作为该患者和对应医生之间的第二边值， 根据所有第二边值构建所 述第二医患图。 6.根据权利要求5所述的基于机器学习的医保反欺诈方法， 其特征在于， 所述第 一异常权　利　要　求　书 1/2 页 2 CN 115456805 A 2概率的获取步骤 包括： 对于每个医生， 将对应的所有第一边值按照所述第一医患图中的患者顺序排列， 组成 医生的边值序列； 计算边值序列中所有第一边值的平均值， 以平均值替换第一边值为零的 元素， 得到优化 边值序列； 计算每个优化边值序列与每个同类别其他医生对应的优化边值序列之间的余弦相似 度， 所有余弦相似度的和即为该优化边值序列在该类别中的归属度， 由预设值减去所述归 属度得到对应医生的所述第一异常概 率。 7.根据权利要求5所述的基于机器学习的医保反欺诈方法， 其特征在于， 所述第 二异常 概率的获取步骤 包括： 计算每个独立因子与同类别其他每个独立因子之间的余弦相似度， 所有余弦相似度的 和为该独立因子在相应类别中的归属度， 由预设值减去每个医生对应的最小归属度得到对 应医生的所述第二异常概 率。 8.根据权利要求1所述的基于机器学习的医保反欺诈方法， 其特征在于， 所述患 者的异 常概率的获取步骤 包括： 获取第二医患图中每个患者的边值序列， 基于边值序列的归属度获取第三异常概率； 获取每个患者对应的医疗向量， 通过对每个第二类别中所有医疗向量进行因子分析， 获取 对应患者的独立因子， 基于独立因子的归属度获取第四异常概率； 以第三异常概率和第四 异常概率的乘积作为对应患者的异常概 率。 9.基于机器学习的医保反欺诈系统， 包括存储器、 处理器以及存储在所述存储器中并 可在所述处理器上运行 的计算机程序， 其特征在于， 所述处理器执行所述计算机程序时实 现如权利要求1~8任意一项所述基于 机器学习的医保 反欺诈方法的步骤。权　利　要　求　书 2/2 页 3 CN 115456805 A 3