医保欺诈行为的主动发现

《医保欺诈行为的主动发现》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、封一答卷编号（参赛学校填写）：答卷编号（竞赛组委会填写）：论文题目：（标明A、B、C、D之一）A组别：(填写研究生、本科生、专科生或中学生)本科生参赛队员信息(必填)：姓名学号联系电话参赛队员1高雪201111530272B18646297313参赛队员2杨建康20124138005518745733550参赛队员3顾腾鉴20122134004218645110373参赛学校：哈尔滨商业大学封二答卷编号（参赛学校填写）：答卷编号（竞赛组委会填写）：评阅情况（学校评阅专家填写）：学校评阅1.学校评阅2.学校评阅3.评阅情况（

2、联赛评阅专家填写）：联赛评阅1.联赛评阅2.联赛评阅3.A题医保欺诈行为的主动发现摘要本文利用题目附件所给的原始医疗数据，用Excel和SPSS软件对数据进行整合、分析，最终判别出可能存在的医保欺诈行为。首先，本文对数据进行删除冗余数据、无用变量等预处理，然后通过Excel软件中的VLOOKUP函数对附表2.1和2.2进行连接，得到一个待处理数据的总表。再利用Excel软件中的CONCATENATE函数和VALUE函数以及相关操作，将病人ID列与各指标列分别进行合并、筛选，观察同一医保卡号是否仅对应一个病人ID，若是则存在

3、“一卡多用”这种医保欺诈行为。其次，将数据分成有医保病人数据和无医保病人数据两类，用SPSS软件进行统计分析，无医保病人数据中不可能存在欺诈行为，将有医保病人数据分析结果与无医保病人数据分析结果进行对比，从而发现有医保病人数据中存在的医保欺诈行为。最后，按病人是否住院将数据分成两类，用SPSS软件进行统计分析。以无住院病人为例，分别考虑有医保和无医保两种情况进行相关分析：对有医保病人数据，分别对其执行科室、病人科室、下医嘱科室、核算分类等指标进行偏相关分析，将相关性弱的冗余指标剔除，再对无医保病人数据和有医保病人数据进行探

4、索性分析，探索各指标对病人单次消费额、总消费额的影响，找出影响较大的指标。对无医保病人数据，对消费总额超过1000元病人数据用SPSS软件进行聚类分析，将开嘱医生ID、病人就诊科室和个案数作为自变量，消费总额作为因变量。我们将类数分为4类，得到每个个案的聚类类别表，然后将聚类类别表用SPSS软件与有医保病人中消费总额超过1000元病人数据进行个案连接得到连接表，然后对连接表进行判别分析，观察有医保病人的类别并从中找出可能存在医保欺诈行为的病人ID,最后用神经网络模型对结果进行检验，判断结果的有效性。关键词：医保欺诈；聚类分

5、析；判别分析；神经网络模型；SPSS；EXCEL241问题重述1.1问题的背景医保卡(即医疗保险卡)是医疗保险个人帐户专用卡,以个人身份证为识别码,储存记载着个人身份证号码、姓名、性别以及账户金的拨付、使用情况等详细资料信息。参保人员可凭医保卡进行身份确认和在市内就诊购药、进行个人账户使用;可以直接在计算机联网的定点医院办理住院手续;在计算机联网的定点医院、药店划卡结算应由个人支付的医疗费;持卡到定点医院、药店和医保机构的查询台随时查询本人个人账户明细情况医疗保险是为补偿疾病或意外风险所带来的医疗费用的一种措施。医疗保险制

6、度的实施对保障人民的身体健康和促进卫生事业发展起到了不可低估的作用。然而由于利益驱动、信息不透明、监督机制不完善和法律制度不健全等原因，各类医保欺诈行为随之出现，严重影响医保基金安全运行，社会危害极大。1.2问题的重述医疗保险欺诈，是指公民、法人或者其他组织在参加医疗保险、缴纳医疗保险费、享受医疗保险待遇过程中，故意捏造事实、弄虚作假、隐瞒真实情况等造成医疗保险基金损失的行为。骗保人进行医保欺诈时通常使用的手段，一是拿着别人的医保卡配药，二是在不同的医院和医生处重复配药。下面这些情况都有可能是医保欺诈：单张处方药费特别高，

7、一张卡在一定时间内反复多次拿药等。请根据附件中的数据，找出可能的欺诈记录。2问题分析2.1题目分析医疗欺诈的手段多种多样，其中违规治疗、伪造处方或票据、挂名住院或诊疗和以虚假之名套用或挪用基金为常见的骗取医保基金的手段。骗取医保基金给国家造成了巨大的经济损失，并且损害了参保人的合法权益，严重妨害了医疗保险基金的安全运行。首先，根据附件中所给数据及考虑各欺诈行为的特征，我们将医保欺诈行为分为四类，各类别及特征如下：（1）拿着别人的医保卡配药：同一张医保卡，不同的病人ID使用。（2）在不同医生处重复配药：同一张医保卡对应的医生

8、ID数越多，可能出现在不同医生处重复配药的可能性越大。（3）单张处方药费特别高：同一医嘱项里，单价出现的异常值。（4）一张卡在一定时间内反复拿药：同一张医保卡号在一定时间间隔内看病的频数较高。242.2问题的解决思路首先对数据进行预处理，然后将处理后的数据分成有医保和无医保两类进行初步分析，我们认为无医