本文關(guān)鍵詞：社保醫(yī)療消費(fèi)中的異常信息檢測(cè)研究，由筆耕文化傳播整理發(fā)布。

【摘要】：社會(huì)醫(yī)療保險(xiǎn)是社會(huì)醫(yī)療保障的基礎(chǔ),堅(jiān)持“低水平,廣覆蓋”的原則,強(qiáng)調(diào)“公平優(yōu)先、兼顧效率”,承擔(dān)基本醫(yī)療的保障職責(zé)。我國(guó)對(duì)社會(huì)醫(yī)療保險(xiǎn)的投入一直在不斷的增長(zhǎng),社會(huì)醫(yī)療保險(xiǎn)領(lǐng)域的信息化建設(shè)正在迅速發(fā)展。社保醫(yī)療信息管理系統(tǒng)的建設(shè),為醫(yī)療基金的管理帶來了方便,但是隨著參保人數(shù)以及待遇項(xiàng)目不斷增多,目前,不同地區(qū)的醫(yī)保信息系統(tǒng)里已經(jīng)積累了大量歷史數(shù)據(jù),如何對(duì)這些數(shù)據(jù)做一些有效的分析,已經(jīng)成為現(xiàn)階段數(shù)據(jù)管理的一個(gè)難點(diǎn)。隨著數(shù)據(jù)挖掘技術(shù)的不斷成熟與發(fā)展,其對(duì)數(shù)據(jù)的處理功能已經(jīng)被人們接受并且廣‘泛應(yīng)用到有數(shù)據(jù)分析需求的行業(yè)之中。在醫(yī)保信息管理方面引入數(shù)據(jù)挖掘技術(shù),對(duì)大量沉積的歷史數(shù)據(jù)進(jìn)行處理,得出一些沒有發(fā)現(xiàn)的信息和規(guī)則,輔助醫(yī)�；痫L(fēng)險(xiǎn)防控和安全運(yùn)營(yíng)。 本文首先總結(jié)了目前在社會(huì)醫(yī)療保險(xiǎn)管理上遇到的問題。介紹了常用的數(shù)據(jù)挖掘方法,對(duì)聚類分析進(jìn)行深入的探討。研究了EM算法,并在選取初始化參數(shù)和最大化步驟上對(duì)EM算法進(jìn)行改進(jìn)。在SQL Server2008數(shù)據(jù)挖掘平臺(tái)基礎(chǔ)上,實(shí)現(xiàn)改進(jìn)EM算法,并通過插件方式注冊(cè)到分析服務(wù)器算法庫中,通過與EM算法的比較,得出改進(jìn)EM算法的有效性。隨后,在SQL Server2008上創(chuàng)建面向醫(yī)療消費(fèi)費(fèi)用異常檢測(cè)主題的數(shù)據(jù)倉庫,生成多維數(shù)據(jù)集,用改進(jìn)EM算法創(chuàng)建數(shù)據(jù)挖掘模型,在此模型上,利用predict函數(shù)取得各種醫(yī)療消費(fèi)費(fèi)用的預(yù)測(cè)值,并通過一系列的數(shù)據(jù)分析規(guī)則,得出醫(yī)療消費(fèi)費(fèi)用的異常記錄。同時(shí),標(biāo)注真實(shí)的異常消費(fèi)記錄作為跟蹤,比較改進(jìn)EM算法在查找異常記錄上的查準(zhǔn)率,證實(shí)了該算法在實(shí)際應(yīng)用中的有效性。本文的內(nèi)容作為一種嘗試性的探測(cè),得出一種取得醫(yī)療費(fèi)用異常消費(fèi)記錄的分析方法。 本文主要研究成果包括：(1)改進(jìn)EM算法,并驗(yàn)證改進(jìn)EM算法的有效性；(2)創(chuàng)建面向醫(yī)療消費(fèi)費(fèi)用異常分析主題的數(shù)據(jù)倉庫,生成多維數(shù)據(jù)集,并在此基礎(chǔ)上完成數(shù)據(jù)分析流程,取得費(fèi)用的異常消費(fèi)記錄,成為一種有效的分析消費(fèi)費(fèi)用異常的方法。
【關(guān)鍵詞】：社保醫(yī)療 異常檢測(cè) 數(shù)據(jù)挖掘 聚類分析
【學(xué)位授予單位】：中南林業(yè)科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2012
【分類號(hào)】：TP311.13
【目錄】：

• 摘要4-5
• ABSTRACT5-9
• 1 緒論9-13
• 1.1 選題背景9-10
• 1.2 本課題研究狀況10-11
• 1.3 本文主要內(nèi)容11-13
• 2 數(shù)據(jù)挖掘技術(shù)13-23
• 2.1 數(shù)據(jù)挖掘相關(guān)概念13-18
• 2.1.1 數(shù)據(jù)倉庫技術(shù)13-14
• 2.1.2 OLAP技術(shù)14-16
• 2.1.3 數(shù)據(jù)挖掘技術(shù)16-18
• 2.2 數(shù)據(jù)挖掘模式與算法18-19
• 2.3 常用數(shù)據(jù)挖掘軟件19-23
• 3 聚類算法分析及EM算法的改進(jìn)23-35
• 3.1 聚類分析概述23-26
• 3.2 聚類分析方法26-29
• 3.2.1 聚類分析方法分類26-28
• 3.2.2 聚類相關(guān)問題研究28-29
• 3.3 EM算法29-32
• 3.4 EM算法的改進(jìn)32-35
• 4 SQL SERVER 2008數(shù)據(jù)挖掘平臺(tái)和插件算法35-45
• 4.1 SQL SERVER 2008商業(yè)智能35-38
• 4.2 插件算法38-45
• 4.2.1 算法重寫39-42
• 4.2.2 算法的實(shí)現(xiàn)與比較42-45
• 5 醫(yī)療費(fèi)用異常信息檢測(cè)系統(tǒng)的實(shí)現(xiàn)45-55
• 5.1 醫(yī)療保險(xiǎn)數(shù)據(jù)中心管理平臺(tái)45-46
• 5.2 異常檢測(cè)數(shù)據(jù)挖掘與數(shù)據(jù)分析過程46-50
• 5.2.1 醫(yī)療費(fèi)用異常檢測(cè)數(shù)據(jù)來源46
• 5.2.2 數(shù)據(jù)ETL過程46-47
• 5.2.3 數(shù)據(jù)倉庫的設(shè)計(jì)47-50
• 5.3 創(chuàng)建數(shù)據(jù)挖掘模型并取得異常數(shù)據(jù)50-52
• 5.4 數(shù)據(jù)處理結(jié)果52-55
• 6 總結(jié)與展望55-57
• 參考文獻(xiàn)57-63
• 附錄 攻讀學(xué)位期間的主要學(xué)術(shù)成果63-65
• 致謝65

【引證文獻(xiàn)】

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 白聃;醫(yī)療費(fèi)用挖掘系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];黑龍江大學(xué);2012年

  本文關(guān)鍵詞：社保醫(yī)療消費(fèi)中的異常信息檢測(cè)研究，，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：355411