Supervised Learning Methods For Fraud Detection in Healthcare Insurance

论文传送门

作者

路易斯安那理工大学

• Prerna Dua
• Sonali Bais

摘要

医疗体系中的欺诈是一个主要问题，其猖獗的增长已经深深影响了美国*。除了这种欺诈造成的经济损失之外，真正需要医疗护理的病人还会因为得不到服务而遭受损失，而得不到服务又会导致资金短缺。医疗欺诈在不同级别以不同的方式实施，这使得欺诈检测过程更具挑战性。主要由保险公司提供的用于检测医疗欺诈的数据非常庞大，因此无法手动审计欺诈行为。数据挖掘和机器学习技术有望为分析这些庞大的医疗保险数据库中的欺诈模式提供复杂的工具。在数据挖掘方法中，监督分类已成为了解欺诈性和非欺诈性交易活动的关键步骤，因为可以对它们进行训练和调整，以检测复杂和不断增长的欺诈计划。本章全面综述了基于监督机器学习技术的数据挖掘欺诈检测模型，用于医疗保健中的欺诈检测。

主要内容

本文是一本书的一章，主要介绍了医疗保险欺诈检测的常用监督机器学习模型。

欺诈的种类有四个层次：

• Service Provider
• Medical Resource Provider
• Insurance Policy Holders
• Insurance Policy Providers

数据源有：

• Health Insurance Commission (HIC) of Australia
• Medicare Australia’s Enterprise Data Warehouse, Prism
• National Health Insurance (NHI) Program in *
• *’s National Health Insurance (NHI) System
• ISAPRE (A private health insurance company in Chile) [13, 21] and Banmedica S.A.
• Taipei Health Insurance Bureau

常用方法有：

• Neural Network
• Bayesian Belief Network
• Fuzzy Bayesian Classifier
• Logistic Regression
• Classification Tree
• Genetic Algorithm
• K Nearest Neighbor
• Association Rules

要建立一个运行良好的医疗保健系统，重要的是要有一个良好的欺诈检测系统，能够打击已经存在的欺诈和未来可能出现的欺诈。本章试图对医疗保健系统中的欺诈行为进行分类，识别数据源，描述数据特征，并解释受监督的机器学习欺诈检测模型。尽管在这一领域已经做了大量的研究，但还需要解决更多的挑战。欺诈检测不仅限于发现欺诈模式，还包括在应用于大规模数据集时，以更低的计算成本提供更快的方法。

思考

Critical thinking:
数据集来源

Creative thinking:
多模型的集成学习

How to apply to our work:
Machine Learning in Healthcare Informatics 这本书值得一看