基于大數(shù)據(jù)的基本醫(yī)療保險參保人欺詐風(fēng)險評估

李 杰 蘭巧玲 馬士豪

河北工業(yè)大學(xué)經(jīng)濟(jì)管理學(xué)院 天津 300401

我國基本醫(yī)療保險主要包括城鎮(zhèn)職工基本醫(yī)療保險、城鎮(zhèn)居民基本醫(yī)療保險以及新型農(nóng)村合作醫(yī)療，并分別對應(yīng)城鎮(zhèn)職工、城鎮(zhèn)非就業(yè)居民和農(nóng)村居民。[1]醫(yī)療保險基金是醫(yī)療保險運(yùn)行的物質(zhì)基礎(chǔ)，然而近年來以各種欺詐騙保手段套取國家醫(yī)保基金的案例層出不窮。根據(jù)我國主要城市的報告，醫(yī)療保險欺詐所造成的損失約占國內(nèi)醫(yī)療費用的7%～8%，高于發(fā)達(dá)國家的平均水平。[2]醫(yī)療保險欺詐是指個人或組織故意欺騙或歪曲事實以使本人或組織獲得不法醫(yī)療保險資金的行為。[3]這種行為不僅對醫(yī)療保險基金安全構(gòu)成了巨大威脅，還嚴(yán)重侵害了誠實投保人的合法權(quán)益，導(dǎo)致出現(xiàn)制度內(nèi)的不公平，阻礙了我國社會醫(yī)療保險制度的有效運(yùn)行。2016年，人社部明確指出“要適應(yīng)信息化發(fā)展，大力挖掘和利用醫(yī)保大數(shù)據(jù)，全面推廣醫(yī)保智能監(jiān)控，強(qiáng)化醫(yī)保經(jīng)辦機(jī)構(gòu)能力建設(shè)，提升醫(yī)保管理服務(wù)水平”，并相繼印發(fā)關(guān)于社會保險欺詐犯罪管理辦法的通知。[4]可見，醫(yī)療保險欺詐風(fēng)險的智能監(jiān)控已成為社會醫(yī)療保險的重要課題之一，它也是制定醫(yī)療保險反欺詐政策的重要依據(jù)。

國內(nèi)外學(xué)者分別從不同視角展開對醫(yī)保欺詐問題的研究，積累了大量頗具影響的理論成果。就國外研究而言，研究主體涉及醫(yī)療保險投保人、醫(yī)療服務(wù)提供者以及醫(yī)療保險承擔(dān)者[5]，其中以醫(yī)療服務(wù)提供者為主。研究方法多采用數(shù)據(jù)挖掘方法，大體上可分為三大類：有監(jiān)督方法、無監(jiān)督方法以及兩者結(jié)合的方法。[6]由于我國醫(yī)療保障制度建立較晚，尚在不斷發(fā)展與改善，因此對于醫(yī)療保險欺詐的研究大部分聚焦于醫(yī)療保險制度的完善以及欺詐的原因與防范措施等定性分析。在經(jīng)濟(jì)學(xué)方面，則主要集中于博弈論和信息不對稱理論視角的研究。[7- 8]而對于數(shù)據(jù)挖掘方法在醫(yī)療保險欺詐識別方面的應(yīng)用研究尚處于起步階段。

從現(xiàn)階段研究成果來看，國際上相關(guān)研究為醫(yī)保欺詐風(fēng)險的智能評估提供了寶貴的理論與實踐基礎(chǔ)。但由于國內(nèi)外醫(yī)保制度、經(jīng)濟(jì)水平以及文化價值觀等存在顯著差異，國外的研究結(jié)論可能不符合我國的實際情況，因此有必要構(gòu)建符合我國基本醫(yī)療保險欺詐特征的風(fēng)險評估模型。此外，國內(nèi)對于醫(yī)療保險欺詐的評估目前多是基于小樣本的實證研究[9,10]，其研究結(jié)論具有一定的局限性，而對于大數(shù)據(jù)樣本的數(shù)據(jù)挖掘分析研究將具有更可靠、更普遍的意義。因此，本文旨在基于大規(guī)?，F(xiàn)實數(shù)據(jù)，運(yùn)用數(shù)據(jù)挖掘方法評估基本醫(yī)療保險參保人欺詐風(fēng)險，進(jìn)行欺詐預(yù)警，在此基礎(chǔ)上進(jìn)一步識別和量化欺詐行為人的潛在特征并構(gòu)造基本醫(yī)療保險欺詐識別指標(biāo)體系，從而推動醫(yī)保基金智能監(jiān)管，減少醫(yī)療保險欺詐行為，并為審核專家的后續(xù)處理與反欺詐措施的開展提供有效決策支持。

1 基本醫(yī)療保險欺詐風(fēng)險評估指標(biāo)構(gòu)建

通過梳理國內(nèi)外醫(yī)療保險欺詐的相關(guān)文獻(xiàn)，對醫(yī)療保險欺詐風(fēng)險評估的特征變量進(jìn)行歸類總結(jié)，其主要劃分為醫(yī)院信息、醫(yī)生信息、患者信息和商業(yè)保險信息四個大類。然而，目前用于醫(yī)療保險欺詐風(fēng)險評估的常用特征指標(biāo)或多或少涉及到個人隱私問題，并且多為顯性特征，沒有充分考慮病人就診歷史信息中所隱含的潛在行為模式。此外，醫(yī)保審核機(jī)構(gòu)若要通過醫(yī)療機(jī)構(gòu)和醫(yī)生的相關(guān)信息進(jìn)行參保人的欺詐風(fēng)險評估，在數(shù)據(jù)獲取方面存在一定的困難，在數(shù)據(jù)整合處理方面也面臨較大挑戰(zhàn)。事實上，不論參保人員通過何種手段套取醫(yī)?；?，最終都會在醫(yī)療就診費用記錄上反映出來。因此，其申請報銷的診療記錄數(shù)據(jù)中必定會包含欺詐違規(guī)的相關(guān)信息。

鑒于此，本文在保障參保人隱私的前提下，主要基于其診療項目、診療費用和診療頻率等大規(guī)模就診歷史記錄，參考以往研究的評估指標(biāo)，同時考慮現(xiàn)實中欺詐行為的表現(xiàn)形式，最終構(gòu)造出27個基于就診歷史信息記錄的基本醫(yī)療保險參保人欺詐評估指標(biāo)?？傮w而言，可將其概括為兩類，包括診療記錄與保險報銷指標(biāo)(表1)。

2 數(shù)據(jù)來源與預(yù)處理

2.1 數(shù)據(jù)來源

本研究所用數(shù)據(jù)來源于2017年天池大數(shù)據(jù)競賽中的全國社會保險大數(shù)據(jù)應(yīng)用創(chuàng)新大賽“精準(zhǔn)社?！辟愵}，該競賽由中國社會保險學(xué)會主辦，人社部信息中心、社保中心和醫(yī)療保險司指導(dǎo)，阿里云聯(lián)合杭州數(shù)夢工場科技有限公司具體承辦。數(shù)據(jù)樣本是從我國部分地區(qū)以往年度的醫(yī)療保險就醫(yī)結(jié)算記錄中隨機(jī)抽取的脫敏數(shù)據(jù)，主要包括2016年6月30日—12月31日期間20 000名參保人員的1 831 381條醫(yī)療費用記錄及其在不同醫(yī)保地址的6 533 889條消費金額明細(xì)與消費內(nèi)容。此外，還包括經(jīng)有關(guān)專家審核所得出的參保人員是否欺詐的數(shù)據(jù)標(biāo)簽(0-正常；1-欺詐)，當(dāng)中包含欺詐參保人1 000個，正常參保人19 000個。

表1 基本醫(yī)療保險參保人欺詐風(fēng)險評估指標(biāo)構(gòu)建

2.2 數(shù)據(jù)預(yù)處理

上述數(shù)據(jù)包含大量詳細(xì)信息。其中，醫(yī)療費用記錄表包含順序號、個人編碼、醫(yī)院編碼、藥品費發(fā)生金額、藥品費自費金額、藥品費申報金額、檢查費發(fā)生金額、起付線標(biāo)準(zhǔn)金額、基本醫(yī)療保險統(tǒng)籌基金支付金額、本次審批金額以及交易時間等共計69個特征變量。消費金額明細(xì)與消費內(nèi)容表則包含順序號、醫(yī)院編碼、服務(wù)項目、醫(yī)院服務(wù)項目名稱、單價、數(shù)量以及費用發(fā)生時間等共計11個特征變量。

原數(shù)據(jù)以每條費用記錄為一條數(shù)據(jù)的形式存儲，每人包含若干條記錄，因此無法直接用于模型訓(xùn)練，需通過剔除無效變量、缺失值填充以及數(shù)據(jù)整合等預(yù)處理，將每名參保人的記錄合并為一條數(shù)據(jù)，最終得到20 000名參保人的數(shù)據(jù)。隨后參考表1，構(gòu)造基于不同維度下診療費用或項目數(shù)量的總和、均值及所占比例等統(tǒng)計量的特征變量。不難理解，這些特征變量分別表示這些評估指標(biāo)所隱含的參保人行為規(guī)律。例如，單次就診賬單數(shù)的均值代表參保人員每次就診所產(chǎn)生的賬單數(shù)量的平均水平。最終得到827個特征變量，加上標(biāo)簽變量，與20 000個訓(xùn)練集樣本構(gòu)成維度為20 000×828的樣本—特征矩陣。

3 模型建立

3.1 模型選擇

醫(yī)療保險欺詐風(fēng)險識別的實質(zhì)就是區(qū)分醫(yī)療費用索賠賬單是合法的還是欺詐或濫用的，是數(shù)據(jù)挖掘中典型的分類問題。決策樹算法因其具有可解釋性、分類速度快等優(yōu)點，而在該類問題中被廣泛應(yīng)用。但其預(yù)測結(jié)果穩(wěn)定性較低且容易出現(xiàn)過擬合，即在訓(xùn)練數(shù)據(jù)集中擬合效果很好而在新的數(shù)據(jù)集中預(yù)測效果不佳。而這個問題能夠通過集成多棵決策樹得以解決，即增強(qiáng)決策樹(Tree Boosting)。

增強(qiáng)決策樹算法中最常用的是Adaboost(Adaptive Boosting)、GBDT(Gradient Boosting Decision Tree)和XGBoost(eXtreme Gradient Boosting)。[11]其中，XGBoost算法，即極端梯度提升算法，是結(jié)合分類與回歸樹算法(Classification and Regression Tree, CART)提出的梯度提升算法的變體，是一種適用于大規(guī)模數(shù)據(jù)的分布式集成學(xué)習(xí)算法。[12]XGBoost因其運(yùn)算速度快、預(yù)測準(zhǔn)確以及不易過擬合等優(yōu)點而被廣泛應(yīng)用。學(xué)術(shù)界也逐步開始嘗試應(yīng)用該算法解決分類與預(yù)測問題，并取得了不錯的效果。[11,13]因此，本文采用XGBoost構(gòu)造醫(yī)保欺詐風(fēng)險評估的基模型。

3.2 XGBoost的基評估模型

定義包含n個基本醫(yī)療保險參保人和m個特征屬性的數(shù)據(jù)集D={(Xi,yi)} (|>D|=n,Xi∈Rm,yi∈{0,1})，其中Xi表示參保人i的特征向量，yi表示參保人i是否欺詐(0-正常，1-欺詐)的分類標(biāo)簽。單棵CART能夠為每一個樣本訓(xùn)練出對應(yīng)的預(yù)測分?jǐn)?shù)f(Xi)，XGBoost則是集成多個CART的預(yù)測結(jié)果所得到的加法模型,如式(1)所示。

(1)

其中，F(xiàn)={f(x)=ωq(x)}(q:Rm→T,ω∈RT)表示CART的空間，q表示每棵樹的結(jié)構(gòu)，即將樣本映射到葉子節(jié)點的索引，T表示樹上的葉子數(shù)量，ω表示葉子節(jié)點的權(quán)重(分?jǐn)?shù))，每一棵fk對應(yīng)一個獨立的樹結(jié)構(gòu)q和葉子權(quán)重ω。對于一個給定的參保人樣本，通過運(yùn)用K棵CART的決策規(guī)則，將其映射到對應(yīng)的葉子節(jié)點，并將各個葉子節(jié)點的映射分?jǐn)?shù)相加則可得到該樣本最終的分類預(yù)測得分。

模型的目標(biāo)函數(shù)為：

(2)

由于該模型的參數(shù)中包含函數(shù)，即樹的結(jié)構(gòu)，而不是數(shù)值向量，無法采用傳統(tǒng)的歐幾里得空間求解方法。因此，采用迭代的方式進(jìn)行模型求解，從常數(shù)預(yù)測開始，每輪迭代新增加一個函數(shù)到模型中，即：

(3)

(4)

(5)

移除上式中的常數(shù)項，即可得到第t次迭代的簡化目標(biāo)函數(shù)：

(6)

(7)

定義Gj=∑i∈Ijgi,Hj=∑i∈Ijhi，則有：

(8)

(9)

上式可以作為衡量一棵樹分類效果好壞的標(biāo)準(zhǔn)，其值越小越好。對于包含大量特征變量的模型，列舉所有可能的樹結(jié)構(gòu)幾乎是不可能實現(xiàn)的。因此，對于樹結(jié)構(gòu)的求解采用貪婪算法，即從樹深度為0開始，對于每一個葉子節(jié)點迭代地添加一個特征進(jìn)行分裂。然后計算分裂前后的葉子分?jǐn)?shù)以求得信息增益(Gain)，即添加該特征能夠使數(shù)據(jù)集D的分類不確定性減少的程度。信息增益的計算公式如下：

(10)

3.3 基于EasyEnsemble的醫(yī)保欺詐風(fēng)險評估集成模型

在構(gòu)建分類模型時，需要為數(shù)據(jù)樣本劃分訓(xùn)練集和測試集。其中，訓(xùn)練集的數(shù)據(jù)用以擬合模型，挖掘其特征向量背后隱藏的規(guī)律。測試集則用來測試模型對新樣本的判別能力，即模型用于預(yù)測新的參保人員是否欺詐的風(fēng)險評估效能。原始數(shù)據(jù)中包含20 000名參保人員，其中欺詐人員1 000名，正常人員19 000名。由此可見，這是一個數(shù)據(jù)類別嚴(yán)重不平衡的分類問題。為保留數(shù)據(jù)分布特征，在劃分訓(xùn)練集與測試集時應(yīng)保證大類樣本和小類樣本的比例不變。并且為了保證模型的泛化能力，訓(xùn)練集和測試集樣本應(yīng)該盡可能地互斥。因此，本文采用分層抽樣的方法，以7:3的比例隨機(jī)劃分訓(xùn)練集和測試集。

兩類樣本的比例高達(dá)1:19，具有極度不平衡的特點，這也是現(xiàn)實數(shù)據(jù)的真實特征。而大多數(shù)分類學(xué)習(xí)算法的基本假設(shè)為不同類別訓(xùn)練樣本的數(shù)目相當(dāng)，若差別較大則會對學(xué)習(xí)過程造成干擾，從而影響模型的預(yù)測效能。因此，本文借鑒EasyEnsemble方法[14]，利用集成學(xué)習(xí)機(jī)制，將訓(xùn)練集中大類樣本通過欠抽樣劃分為若干子集，再分別與小類樣本組合構(gòu)成不同的訓(xùn)練集樣本，并應(yīng)用上述XGBoost算法訓(xùn)練出多個基評估模型。最后進(jìn)行模型集成，將所有基評估模型對于測試集樣本欺詐可能性概率的預(yù)測結(jié)果求均值，即可得到測試集樣本的最終風(fēng)險評估得分。基于XGBoost算法和EasyEnsemble方法的欺詐風(fēng)險評估集成模型構(gòu)建思路如圖1所示。

圖1 基本醫(yī)療保險參保人欺詐風(fēng)險評估集成模型

將該模型應(yīng)用于測試集的6 000個樣本中進(jìn)行欺詐風(fēng)險預(yù)測(圖1)，最終得到這6 000個參保人員的欺詐風(fēng)險預(yù)測概率。其中，欺詐風(fēng)險概率大于0.5則判定為欺詐(“1”)，反之則判定為正常(“0”)。對于判定為欺詐的樣本，發(fā)出預(yù)警提醒審核專家展開審核，進(jìn)而實施相應(yīng)的預(yù)防、警告與懲罰措施。

4 結(jié)果

4.1 模型性能評估

為了評估基本醫(yī)療保險參保人欺詐風(fēng)險，對于模型效果評價需關(guān)注的指標(biāo)為：準(zhǔn)確性ACC(Accuracy)、平衡預(yù)測值BPV(Balance Predictive Value)、平衡敏感性BS(Balance Sensitivity)以及AUC值(Area Under ROC Curve)四個指標(biāo)。根據(jù)數(shù)據(jù)樣本真實類別與模型預(yù)測類別的結(jié)果組合定義“混淆矩陣”，(表2)。

表2 混淆矩陣

則陽性預(yù)測值(PV1)、陰性預(yù)測值(PV0)、敏感性(S1)、特異性(S0)分別為：

其中，陽性與陰性預(yù)測值表示測試集中兩類樣本被正確預(yù)測的比例，即預(yù)測值與真實值相符的樣本數(shù)占該類別總樣本數(shù)的比例。敏感性與特異性表示測試集中兩類樣本被正確“召回”的比例，即實際為欺詐(或正常)的樣本中被正確預(yù)測為欺詐(或正常)的樣本比例。一般情況下，在數(shù)據(jù)挖掘中采用平均預(yù)測值和平均敏感性作為評估指標(biāo)。但由于研究數(shù)據(jù)的樣本類別存在極度不平衡的特點，因此應(yīng)根據(jù)樣本比例求平衡預(yù)測值和平衡敏感性。即：

最終得到基于XGBoost算法的基本醫(yī)療保險參保人欺詐風(fēng)險評估集成模型總體準(zhǔn)確率為0.83，平衡預(yù)測值為0.95，平衡敏感性為0.85。即預(yù)測結(jié)果與真實結(jié)果相符的樣本比例為95%，測試樣本能夠被正確預(yù)測的比例為85%。此外，為了減少欺詐行為所導(dǎo)致的損失，應(yīng)當(dāng)盡可能多地識別出有可能產(chǎn)生欺詐行為的參保人，因此還應(yīng)重點關(guān)注欺詐類樣本的敏感性，其結(jié)果為0.82，即實際產(chǎn)生欺詐行為的參保人中，有82%的人員能通過本模型有效識別。模型的AUC值，即受試工作者曲線ROC(Receiver Operating Characteristic Curve)下的面積為0.91，說明該模型對于兩類樣本的區(qū)分效果較好。綜上所述，本文所采用的基于XGBoost算法的風(fēng)險評估集成模型能夠有效地預(yù)測基本醫(yī)療保險參保人的欺詐風(fēng)險，從而實現(xiàn)快速有效的智能化風(fēng)險監(jiān)管。因此，模型中的重要特征亦能夠用于基本醫(yī)療保險參保人欺詐風(fēng)險評估指標(biāo)體系的構(gòu)建。

4.2 欺詐風(fēng)險評估指標(biāo)體系

XGBoost是一個基于增強(qiáng)樹的算法模型，每棵樹的構(gòu)造均基于特征重要度分?jǐn)?shù)，從而亦表明了每個特征對于欺詐風(fēng)險評估的重要性。特征越多地被用于增強(qiáng)樹構(gòu)造的關(guān)鍵決策，則該特征的重要度得分就越高。具體而言，該算法通過信息增益來計算特征重要度得分，即本文3.2部分中所提及的衡量樹分類純度的主要參考指標(biāo)。本文所采用的是基于EasyEnsemble方法的XGBoost集成模型，因此，首先對其所有子分類模型的特征取并集，并計算每個特征的重要度得分均值，即可得到集成模型的328個重要特征變量，及其對應(yīng)的特征重要度得分。隨后，將這些變量依照表1的風(fēng)險評估指標(biāo)分類匯總并對各類指標(biāo)的特征重要度得分求總和。最后，為了實現(xiàn)各類指標(biāo)重要度的有效對比，按照式(15)求取相對重要度得分，即可構(gòu)建出基本醫(yī)療保險參保人欺詐風(fēng)險評估指標(biāo)體系。

(15)

結(jié)合表1和表3的結(jié)果進(jìn)行整體分析：(1)就診療記錄而言，費用信息類的指標(biāo)重要度均排名靠前，表明診療費用是能夠反映基本醫(yī)療保險參保人是否存在欺詐行為最重要的一類指標(biāo)，在進(jìn)行欺詐風(fēng)險評估時應(yīng)重點參照；各類項目的數(shù)量和賬單數(shù)量類次之；最不重要的是就醫(yī)時間間隔等就診規(guī)律類指標(biāo)。(2)總申報費用、限額標(biāo)準(zhǔn)、各類項目各階段數(shù)量以及各類項目數(shù)量各階段增長比例這四個指標(biāo)對于基本醫(yī)療保險參保人的欺詐風(fēng)險評估效能幾乎沒有影響，因此在進(jìn)行欺詐風(fēng)險評估時可以不納入考慮范圍。(3)就保險報銷記錄而言，進(jìn)行欺詐風(fēng)險評估時應(yīng)重點關(guān)注各項費用申報金額、各項費用自費金額以及支付賬戶類指標(biāo)，而對于總費用申報比例和各項補(bǔ)助金額則無需過多考慮。

表3 基本醫(yī)療保險參保人欺詐風(fēng)險評估指標(biāo)體系

結(jié)合表3中評估指標(biāo)的現(xiàn)實含義來看，各項費用發(fā)生金額指標(biāo)最重要，其背后所代表的含義是基本醫(yī)療保險參保人員中的欺詐者有可能大量地進(jìn)行某幾類項目的診療。例如一定時間內(nèi)超量購買某些醫(yī)保藥品，以供他人使用或高價轉(zhuǎn)賣給“黃牛”謀取利益。與之相對的各類項目的數(shù)量指標(biāo)亦是同樣的道理。各階段費用發(fā)生金額指標(biāo)，即上旬、中旬和下旬的費用發(fā)生金額，表明欺詐人員有可能集中于每個月的固定時期進(jìn)行相對規(guī)律的醫(yī)保項目消費。因此，有可能存在被他人定期使用保險證/卡非法申領(lǐng)保險金以及主動要求醫(yī)院開具本人不必要的藥品由他人代用等情況。甚至可能存在詐騙團(tuán)伙誘使參保人出借尚余報銷額度的醫(yī)保卡，從而在某一時段(如月末)集中非法開藥，倒賣醫(yī)保藥品的問題。統(tǒng)籌基金支付金額與各項費用自費金額指標(biāo)，則表明欺詐人員實施欺詐行為時會綜合參考統(tǒng)籌基金支付與自付的相關(guān)費用，即有可能傾向于參與統(tǒng)籌基金支付比例較高的項目。

總之，本文所構(gòu)建的基本醫(yī)療保險參保人欺詐風(fēng)險評估指標(biāo)體系能夠很好地挖掘欺詐人員的潛在行為特征與行為規(guī)律。但值得注意的是，該指標(biāo)體系不能直接作為審核標(biāo)準(zhǔn)，而是在模型發(fā)出欺詐可能性預(yù)警后為專家提供評估思路與方向，實現(xiàn)決策支持。例如，費用信息類指標(biāo)最能反映欺詐人員的行為特征，則在評估參保人欺詐風(fēng)險時可構(gòu)造其各項費用發(fā)生金額、各階段費用發(fā)生金額與各階段費用增長比例等指標(biāo)的均值、標(biāo)準(zhǔn)差、最大值或最小值等，并與歷史記錄中正常參保人的平均水平相比較，從而得出評估結(jié)論。此外，亦有助于針對這些欺詐行為特征制定合理的反欺詐政策。

5 結(jié)論及建議

基本醫(yī)療保險制度的持續(xù)、有效運(yùn)行對于保障與改善民生至關(guān)重要，合理評估基本醫(yī)療保險參保人的欺詐風(fēng)險并構(gòu)建風(fēng)險評估指標(biāo)體系是社會保險反欺詐獲得成功的前提條件。本文基于我國基本醫(yī)療保險診療歷史記錄的大規(guī)模真實數(shù)據(jù)，運(yùn)用數(shù)據(jù)挖掘中的XGBoost算法構(gòu)造基本醫(yī)療保險參保人欺詐風(fēng)險評估集成模型，從而預(yù)測參保人的欺詐風(fēng)險概率，進(jìn)行參保人欺詐預(yù)警，并根據(jù)模型中的重要特征構(gòu)造基本醫(yī)療保險參保人欺詐風(fēng)險評估指標(biāo)體系。

研究結(jié)果表明，運(yùn)用該模型對基本醫(yī)療保險參保人進(jìn)行欺詐風(fēng)險評估，預(yù)測結(jié)果與真實結(jié)果相符的正確率為95%，參保人的欺詐可能性能夠被正確評估的概率為85%。其中，實際產(chǎn)生欺詐行為的參保人中，有82%的欺詐者能通過本模型有效識別。因此，本文所構(gòu)建的基本醫(yī)療保險參保人欺詐風(fēng)險評估指標(biāo)體系能夠很好地區(qū)分欺詐人員與正常人員。進(jìn)一步在此基礎(chǔ)上開發(fā)出基本醫(yī)療保險參保人欺詐風(fēng)險智能評估系統(tǒng)，就能保證對參保人行為的及時監(jiān)控，從而實現(xiàn)醫(yī)?；鸶又悄艿谋O(jiān)管。

為維護(hù)醫(yī)?；鸢踩?，保障醫(yī)保體系有效運(yùn)行，結(jié)合基本醫(yī)療保險參保人欺詐風(fēng)險評估指標(biāo)體系的重要指標(biāo)，即應(yīng)從開展誠信宣傳教育，加強(qiáng)醫(yī)療服務(wù)規(guī)范與醫(yī)療欺詐行為監(jiān)管，構(gòu)建大數(shù)據(jù)智能化監(jiān)控系統(tǒng)，完善反欺詐法律法規(guī)入手進(jìn)行政策構(gòu)建。

作者聲明本文無實際或潛在的利益沖突。