基于大數(shù)據(jù)的醫(yī)保報銷費用決策模型研究與實現(xiàn).pdf

1、伴隨國家與社會對于醫(yī)療保險的重視程度越來越高，醫(yī)保報銷補償費在醫(yī)院收入以及群眾看病費用當中所占據(jù)的比例也逐漸提升。于是，為有效適應醫(yī)保快速發(fā)展，研究界開始對合理的醫(yī)保報銷費用制定方法予以關(guān)注。在傳統(tǒng)方式之下，醫(yī)保報銷費決策主要是采取人工方式完成，按照人的經(jīng)驗制定報表來分析各月醫(yī)保情況，這種人工方式在靈活性與及時性上都比較差，并且由于人工方式的客觀原因，效率也非常低下。鑒于此，本文應用數(shù)據(jù)挖掘理論構(gòu)建了醫(yī)保報銷費用決策模型，通過數(shù)據(jù)挖掘算

2、法對醫(yī)保數(shù)據(jù)去噪，并對醫(yī)保報銷費用進行預測，相比傳統(tǒng)的醫(yī)保報銷費用決策方法，本模型在靈活性、及時性、效率上都得到了提高。本文具體工作包括：
　　1)離群點檢測分析：海量的動態(tài)數(shù)據(jù)中難免會有異常（壞）數(shù)據(jù)，如果這些異常的數(shù)據(jù)沒有被檢測出來而被加入計算模型，會大大增加分類結(jié)果的誤差。本文分析了傳統(tǒng)的離群點檢測算法在醫(yī)保大數(shù)據(jù)環(huán)境下存在的缺陷，并結(jié)合聚類算法，通過先聚類再檢測的方法對醫(yī)保數(shù)據(jù)進行離群點檢測。實驗證明在醫(yī)保大數(shù)據(jù)環(huán)境下，集

3、成的異常點檢測方法相比單一的算法，能夠提高正確率，降低誤報率。為提高后續(xù)決策模型的準確度，本文對多種集成的離群點檢測算法進行了對比測試，最終選擇了正確率最高的由canopy-kmeans算法和KNN算法集成的方法來為后續(xù)模型進行數(shù)據(jù)去噪。
　　2)決策模型的研究：為改善人工統(tǒng)計這種低效的醫(yī)保決策方式，本文分析了醫(yī)保報銷費用決策需求，基于決策樹算法建立了醫(yī)保報銷費用決策模型，采用關(guān)聯(lián)規(guī)則算法進行了屬性選取優(yōu)化，在決策樹的剪枝過程中，