基于大數(shù)據(jù)的醫(yī)保報(bào)銷費(fèi)用決策模型研究與實(shí)現(xiàn).pdf

1、伴隨國家與社會(huì)對(duì)于醫(yī)療保險(xiǎn)的重視程度越來越高，醫(yī)保報(bào)銷補(bǔ)償費(fèi)在醫(yī)院收入以及群眾看病費(fèi)用當(dāng)中所占據(jù)的比例也逐漸提升。于是，為有效適應(yīng)醫(yī)?？焖侔l(fā)展，研究界開始對(duì)合理的醫(yī)保報(bào)銷費(fèi)用制定方法予以關(guān)注。在傳統(tǒng)方式之下，醫(yī)保報(bào)銷費(fèi)決策主要是采取人工方式完成，按照人的經(jīng)驗(yàn)制定報(bào)表來分析各月醫(yī)保情況，這種人工方式在靈活性與及時(shí)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(yīng)用數(shù)據(jù)挖掘理論構(gòu)建了醫(yī)保報(bào)銷費(fèi)用決策模型，通過數(shù)據(jù)挖掘算

2、法對(duì)醫(yī)保數(shù)據(jù)去噪，并對(duì)醫(yī)保報(bào)銷費(fèi)用進(jìn)行預(yù)測(cè)，相比傳統(tǒng)的醫(yī)保報(bào)銷費(fèi)用決策方法，本模型在靈活性、及時(shí)性、效率上都得到了提高。本文具體工作包括：
　　1)離群點(diǎn)檢測(cè)分析：海量的動(dòng)態(tài)數(shù)據(jù)中難免會(huì)有異常（壞）數(shù)據(jù)，如果這些異常的數(shù)據(jù)沒有被檢測(cè)出來而被加入計(jì)算模型，會(huì)大大增加分類結(jié)果的誤差。本文分析了傳統(tǒng)的離群點(diǎn)檢測(cè)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(cè)的方法對(duì)醫(yī)保數(shù)據(jù)進(jìn)行離群點(diǎn)檢測(cè)。實(shí)驗(yàn)證明在醫(yī)保大數(shù)據(jù)環(huán)境下，集

3、成的異常點(diǎn)檢測(cè)方法相比單一的算法，能夠提高正確率，降低誤報(bào)率。為提高后續(xù)決策模型的準(zhǔn)確度，本文對(duì)多種集成的離群點(diǎn)檢測(cè)算法進(jìn)行了對(duì)比測(cè)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(jìn)行數(shù)據(jù)去噪。
　　2)決策模型的研究：為改善人工統(tǒng)計(jì)這種低效的醫(yī)保決策方式，本文分析了醫(yī)保報(bào)銷費(fèi)用決策需求，基于決策樹算法建立了醫(yī)保報(bào)銷費(fèi)用決策模型，采用關(guān)聯(lián)規(guī)則算法進(jìn)行了屬性選取優(yōu)化，在決策樹的剪枝過程中，