一种医保违规行为的数据分析评估方法与流程

本发明涉及数据处理，特别涉及一种医保违规行为的数据分析评估方法。

背景技术：

1、随着医疗保障信息化建设不断推进，医保结算系统持续积累大量门诊慢性病购药流水数据。为加强医保基金使用行为分析，现有技术通常基于患者在预设周期内的总就诊次数、总开药数量以及总结算金额等汇总特征构建异常检测模型，并采用马氏距离等统计距离度量方法评估患者用药行为相对于正常群体分布中心的偏离程度，以识别可能存在的异常购药行为。

2、然而，在实际医保结算场景中，部分异常购药行为会通过短时间内跨多家医疗机构分散获取同一药品的方式降低单次购药量，使患者在周期内形成的总就诊次数、总开药数量及总结算金额等汇总特征仍处于正常区间。现有基于标量累加的特征聚合方式主要反映数据总量变化，难以保留药品获取数量在不同医疗机构之间的分布差异，也难以表征相邻购药记录对应的处方规定可用天数在实际时间轴上的重叠状态，从而使空间分散程度和时间折叠程度等关联特征在聚合过程中被弱化或丢失。

3、因此，在总量特征相近的情况下，跨医疗机构分散购药形成的异常样本容易在特征空间中接近正常患者群体，导致基础马氏距离偏低，并产生假阴性漏报。如何在保留现有统计异常检测框架的基础上，进一步提取跨医疗机构药品获取分布特征与处方时间重叠特征，并利用时空关联信息修正异常距离评估结果，成为医保违规行为数据分析评估领域亟需解决的问题。

技术实现思路

1、有鉴于此，本发明旨在提出一种医保违规行为的数据分析评估方法，以解决现有方法难以识别跨机构分散购药及处方时间重叠导致隐蔽违规行为漏报的问题。

2、为达到上述目的，本发明的技术方案是这样实现的：

3、一种医保违规行为的数据分析评估方法，所述方法包括：

4、步骤s1：通过对医保门诊结算流水数据进行采集与预处理，获取医保门诊结算特征数据；

5、步骤s2：通过对医保门诊结算特征数据中的跨医疗机构药品获取分布特征进行去中心化映射处理，获取空间隐匿伪装因子；

6、步骤s3：通过对医保门诊结算特征数据中的购药时间戳序列与处方规定可用天数序列进行时间折叠评估处理，获取时空折叠压缩因子；

7、步骤s4：通过对全局患者基础特征矩阵进行马氏距离计算获取基础马氏距离，并通过对基础马氏距离、空间隐匿伪装因子与时空折叠压缩因子进行非线性联合修正获取重构马氏距离；

8、步骤s5：通过对重构马氏距离与异常研判阈值进行比对分析，获取医保违规行为评估结果。

9、进一步的，所述通过对医保门诊结算流水数据进行采集与预处理，获取医保门诊结算特征数据，包括：

10、获取目标统筹区域内医保结算系统在预设评估周期内记录的门诊慢性病购药结算流水数据并进行数据脱敏；对于任一门诊慢性病购药结算记录，提取患者唯一身份标识码、医疗机构代码、购药时间戳、药品统一编码、药品开具数量以及结算金额，将提取得到的数据作为医保门诊结算流水数据；

11、以患者唯一身份标识码为数据聚合维度，对医保门诊结算流水数据进行异常记录剔除与时序整理处理，剔除药品统一编码为空或药品开具数量异常的门诊慢性病购药结算记录，并根据药品说明书或医保目录中对应药品的日标准用量，将各门诊慢性病购药结算记录中的药品开具数量转换为对应的处方规定可用天数；按照购药时间戳的先后顺序对同一患者对应的门诊慢性病购药结算记录进行排列；

12、对于任一目标患者，基于预设评估周期内对应的门诊慢性病购药结算记录统计获取总就诊次数、总开药数量以及总结算金额，将总就诊次数、总开药数量以及总结算金额作为目标患者的第一类汇总特征；并针对目标药品统计获取目标患者访问的不同医疗机构总数、目标药品的累加总数量以及单家医疗机构开具目标药品的最大数量，同时获取目标患者对应的购药时间戳序列与处方规定可用天数序列，将不同医疗机构总数、目标药品的累加总数量、单家医疗机构开具目标药品的最大数量、购药时间戳序列与处方规定可用天数序列作为目标患者的第二类时空轨迹特征；

13、将预设评估周期内全部患者的第一类汇总特征按照患者维度进行组合，获取全局患者基础特征矩阵，并将全局患者基础特征矩阵与全部患者对应的第二类时空轨迹特征作为医保门诊结算特征数据。

14、进一步的，所述通过对医保门诊结算特征数据中的跨医疗机构药品获取分布特征进行去中心化映射处理，获取空间隐匿伪装因子，包括：

15、通过对医保门诊结算特征数据中的访问医疗机构总数与药品获取数量分布数据进行跨机构分布特征提取处理，获取机构散度约束数据与药品去中心化深度数据；

16、通过对机构散度约束数据与药品去中心化深度数据进行交叉耦合与指数映射处理，获取空间隐匿伪装因子。

17、进一步的，所述通过对医保门诊结算特征数据中的访问医疗机构总数与药品获取数量分布数据进行跨机构分布特征提取处理，获取机构散度约束数据与药品去中心化深度数据，包括：

18、对于任一目标患者，从医保门诊结算特征数据中提取目标患者对应的访问医疗机构总数、目标药品的累加总数量以及单家医疗机构开具目标药品的最大数量；

19、将目标患者对应的访问医疗机构总数与常数1的差值作为目标患者对应的机构分散数量评估，将机构分散数量评估作为分子，将访问医疗机构总数作为分母，将对应得到的分式作为目标患者对应的机构散度约束数据；

20、将目标患者对应的目标药品的累加总数量与单家医疗机构开具目标药品的最大数量的差值作为目标患者对应的非主要医疗机构药品数量评估，将非主要医疗机构药品数量评估作为分子，将目标药品的累加总数量作为分母，将对应得到的分式作为目标患者对应的药品去中心化深度数据。

21、进一步的，所述通过对机构散度约束数据与药品去中心化深度数据进行交叉耦合与指数映射处理，获取空间隐匿伪装因子，包括：

22、对于任一目标患者，获取目标患者对应的机构散度约束数据与药品去中心化深度数据；

23、将目标患者对应的机构散度约束数据与药品去中心化深度数据相乘，将对应得到的乘积作为目标患者对应的跨机构去中心化交叉评估；

24、对目标患者对应的跨机构去中心化交叉评估进行以自然常数为底数的指数映射，将对应得到的映射结果作为目标患者对应的空间隐匿伪装因子。

25、进一步的，所述通过对医保门诊结算特征数据中的购药时间戳序列与处方规定可用天数序列进行时间折叠评估处理，获取时空折叠压缩因子，包括：

26、通过对医保门诊结算特征数据中的购药时间戳序列与处方规定可用天数序列进行相邻时序关联处理，获取相邻购药时间间隔数据与对应的处方可用时长数据；

27、通过对相邻购药时间间隔数据与对应的处方可用时长数据进行时间重叠截断与累积处理，获取累计处方时间重叠数据；

28、通过对累计处方时间重叠数据与购药时间戳序列对应的购药时间跨度数据进行归一化映射处理，获取时空折叠压缩因子。

29、进一步的，所述通过对医保门诊结算特征数据中的购药时间戳序列与处方规定可用天数序列进行相邻时序关联处理，获取相邻购药时间间隔数据与对应的处方可用时长数据，包括：

30、对于任一目标患者，从医保门诊结算特征数据中提取目标患者对应的购药时间戳序列与处方规定可用天数序列，并统计获取目标患者在预设评估周期内对应的购药记录总次数；

31、对于目标患者对应的购药时间戳序列中除首次购药记录以外的任一目标购药记录，获取目标购药记录对应的购药时间戳与目标购药记录的前一购药记录对应的购药时间戳，将目标购药记录对应的购药时间戳与前一购药记录对应的购药时间戳的差值作为目标购药记录对应的相邻购药时间间隔数据；

32、从目标患者对应的处方规定可用天数序列中提取前一购药记录对应的处方规定可用天数，将前一购药记录对应的处方规定可用天数作为目标购药记录对应的处方可用时长数据。

33、进一步的，所述通过对相邻购药时间间隔数据与对应的处方可用时长数据进行时间重叠截断与累积处理，获取累计处方时间重叠数据，包括：

34、对于任一目标患者对应的除首次购药记录以外的任一目标购药记录，获取目标购药记录对应的相邻购药时间间隔数据与处方可用时长数据；

35、将目标购药记录对应的处方可用时长数据与相邻购药时间间隔数据的差值作为目标购药记录对应的初始处方时间重叠评估；当初始处方时间重叠评估大于常数0时，将初始处方时间重叠评估作为目标购药记录对应的处方时间重叠评估；当初始处方时间重叠评估小于或等于常数0时，将目标购药记录对应的处方时间重叠评估设置为常数0；

36、将目标患者对应的全部除首次购药记录以外的购药记录对应的处方时间重叠评估相加，将对应得到的累加结果作为目标患者对应的累计处方时间重叠数据。

37、进一步的，所述通过对累计处方时间重叠数据与购药时间戳序列对应的购药时间跨度数据进行归一化映射处理，获取时空折叠压缩因子，包括：

38、对于任一目标患者，从医保门诊结算特征数据中提取目标患者对应的购药时间戳序列，获取购药时间戳序列中首次购药记录对应的购药时间戳与末次购药记录对应的购药时间戳；

39、将末次购药记录对应的购药时间戳与首次购药记录对应的购药时间戳的差值作为目标患者对应的初始购药时间跨度评估；当初始购药时间跨度评估大于或等于常数1时，将初始购药时间跨度评估作为目标患者对应的购药时间跨度数据；当初始购药时间跨度评估小于常数1时，将目标患者对应的购药时间跨度数据设置为常数1；

40、获取目标患者对应的累计处方时间重叠数据，将累计处方时间重叠数据与购药时间跨度数据相加的计算结果作为目标患者对应的时间折叠归一化尺度；将累计处方时间重叠数据作为分子，将时间折叠归一化尺度作为分母，将对应得到的分式作为目标患者对应的时空折叠压缩因子。

41、进一步的，所述通过对全局患者基础特征矩阵进行马氏距离计算获取基础马氏距离，并通过对基础马氏距离、空间隐匿伪装因子与时空折叠压缩因子进行非线性联合修正获取重构马氏距离，包括：

42、基于全局患者基础特征矩阵对预设评估周期内全部患者对应的总就诊次数、总开药数量以及总结算金额分别进行均值计算，获取全局均值特征向量，并基于全局患者基础特征矩阵计算全部患者对应基础特征之间的方差与协方差，获取全局协方差矩阵以及对应的全局协方差逆矩阵；

43、对于任一目标患者，从全局患者基础特征矩阵中提取目标患者对应的第一类汇总特征，并基于目标患者对应的总就诊次数、总开药数量以及总结算金额构建目标患者基础特征向量；将目标患者基础特征向量与全局均值特征向量的差值作为目标患者对应的特征偏离向量，将特征偏离向量的转置向量、全局协方差逆矩阵以及特征偏离向量依次进行矩阵乘积运算，将对应得到的计算结果作为目标患者对应的马氏距离平方评估，并将马氏距离平方评估的平方根作为目标患者对应的基础马氏距离；

44、获取目标患者对应的空间隐匿伪装因子与时空折叠压缩因子，将时空折叠压缩因子的三次方作为目标患者对应的时间折叠非线性评估，将空间隐匿伪装因子与时间折叠非线性评估相乘，将对应得到的乘积作为目标患者对应的时空伪装联合评估；

45、对目标患者对应的时空伪装联合评估进行以自然常数为底数的指数映射，将对应得到的映射结果作为目标患者对应的距离重构放大因子；将目标患者对应的基础马氏距离与距离重构放大因子相乘，将对应得到的乘积作为目标患者对应的重构马氏距离。

46、相对于现有技术，本发明具有以下优势：

47、本发明所述的一种医保违规行为的数据分析评估方法，通过对患者跨医疗机构获取同类药品时的机构分布离散程度、药品数量去中心化程度以及处方可用时间在实际购药时间轴上的重叠程度进行联合表征，能够将传统总量汇总特征中被压缩丢失的时空关联信息重新提取出来。对于短时间内辗转多家医疗机构、单次少量开药但累计获取量异常的隐蔽购药行为，可有效放大其与正常患者稳定就诊、按实际用药周期复诊购药之间的数据差异，从而降低跨机构分解购药造成的假阴性漏报。同时，本发明利用时空折叠特征对跨机构分布特征进行约束，并通过非线性联合修正机制对基础马氏距离进行重构，使正常异地就医、差旅购药以及合理提前备药产生的轻微异常特征得到一定程度的抑制，而对同时具有跨机构去中心化分布和高强度处方时间重叠的异常行为形成显著增强。由此能够在保留现有马氏距离统计判别框架的基础上，提高医保门诊结算异常评估对隐蔽违规购药行为的区分能力和判定准确性，为医保基金稽核人员开展高风险样本筛查和后续核查提供更可靠的数据依据。