目前醫(yī)療保險行業(yè)存在大量的醫(yī)保記錄數(shù)據(jù),為了更好的保障醫(yī)療保險基金合法使用,需要優(yōu)化對欺詐騙保的審查手段,加大對醫(yī)�；鸬谋O(jiān)管力度。本文基于大規(guī)模的醫(yī)保數(shù)據(jù),研究改進(jìn)聚類及分類算法,將聚類及分類算法應(yīng)用于醫(yī)保數(shù)據(jù)集,設(shè)計并實現(xiàn)醫(yī)保智能審核模型。本文主要研究內(nèi)容如下:1.為了更有效地利用醫(yī)保無標(biāo)簽數(shù)據(jù),本文首先采用聚類算法對無標(biāo)簽醫(yī)保數(shù)據(jù)進(jìn)行聚類分析。由于傳統(tǒng)K-Means存在容易陷入局部最優(yōu)的問題,本文提出了改進(jìn)的蟻獅優(yōu)化與K-Means相結(jié)合的聚類模型ALO-KM。該模型首先通過蟻獅優(yōu)化算法幫助K-Means選擇初始簇中心,在迭代過程中再利用蟻獅優(yōu)化算法更新樣本簇的簇中心,削弱了K-Means對初始簇中心的敏感程度。然后提出了基于高斯分布的改進(jìn)隨機(jī)游走策略,能夠更加全面地搜索解空間,實現(xiàn)對蟻獅優(yōu)化算法搜索能力的提高。實驗證明本文提出的模型在多個指標(biāo)上都提高了醫(yī)保無標(biāo)簽樣本的劃分純度和聚類效果,有效地解決了醫(yī)保無標(biāo)簽數(shù)據(jù)利用率低以及K-Means易陷入局部最優(yōu)的問題。2.為了更有效地同時利用醫(yī)保數(shù)據(jù)中的無標(biāo)簽樣本和有標(biāo)簽樣本,提高對騙保行為的分辨能力,本文設(shè)計了K-Means與邏輯回歸相結(jié)合的KM-LR模型。首先提出K-Means迭代訓(xùn)練中特征距離向量的概念,在K-Means訓(xùn)練后將特征距離向量映射為邏輯回歸模型的回歸系數(shù);然后通過邏輯回歸訓(xùn)練后學(xué)習(xí)到的模型對樣本進(jìn)行劃分,并分別求得劃分后兩類的簇中心,再進(jìn)行下一次整體的迭代。這種交互式的訓(xùn)練模式緊密地連接了聚類與分類兩個部分,有效地提高了醫(yī)保數(shù)據(jù)的利用率。通過實驗證明了KM-LR算法有效地優(yōu)化了對醫(yī)保數(shù)據(jù)的分辨能力,在多種評價指標(biāo)上均較大地提升了分類精度,達(dá)到了同時利用醫(yī)保無標(biāo)簽樣本與有標(biāo)簽樣本的目的。3.為了給醫(yī)保智能化審核與信息化監(jiān)管提供現(xiàn)代技術(shù)支撐,本文構(gòu)建了基于大數(shù)據(jù)的醫(yī)保智能審核系統(tǒng)。該系統(tǒng)可以利用醫(yī)保數(shù)據(jù)進(jìn)行多種模型訓(xùn)練,包括本文提出的ALO-KM與KM-LR,可以由用戶上傳需要審核的數(shù)據(jù)樣本進(jìn)行醫(yī)保防騙審核,可以通過不同的統(tǒng)計圖表進(jìn)行對比分析,最后提供了可視化界面為用戶展示各個功能模塊的結(jié)果。
【學(xué)位單位】：電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：R197.1;TP311.13
【部分圖文】：

圖 3-1 蟻獅優(yōu)化算法流程3.3 蟻獅優(yōu)化算法與 K-Means 的結(jié)合模型研究3.3.1 蟻獅優(yōu)化算法與 K-Means 的結(jié)合模型設(shè)計K-Means 由于對初始聚類簇中心較敏感，常陷入局部最優(yōu)的情況，因此本章提出蟻獅優(yōu)化算法與 K-Means 相結(jié)合的聚類模型，利用蟻獅優(yōu)化算法設(shè)置初始簇中心，減少 K-Means 對初始簇中心的敏感程度，優(yōu)化醫(yī)保無標(biāo)簽樣本的聚類效果。（1）蟻獅與螞蟻的數(shù)據(jù)結(jié)構(gòu)設(shè)計由于每一只蟻獅都代表解空間中一種可能的解，且 K-Means 最后劃分結(jié)果的解就是輸出 k 個簇中心，也就是說對于利用蟻獅優(yōu)化算法選擇 K-Means 的初始簇中心來說，即表示每一種解就是 k 個初始簇中心，所以在本章提出的結(jié)合算法中，蟻獅和螞蟻的結(jié)構(gòu)均以 k 個簇中心表示，即 k*n 向量，n 為樣本的特征維數(shù)。（2）適應(yīng)度函數(shù)設(shè)計群智能優(yōu)化算法中，適應(yīng)度是促進(jìn)迭代更新的動力，以生物進(jìn)化的視角看，

表 3-4 多種算法不同樣本數(shù)時 Calinski-Harabasz 分?jǐn)?shù)對比進(jìn)的 ALO-KM、3.3 節(jié)的 ALO-KM、傳統(tǒng) K-Means 以及 BIRCHBouldin 指數(shù)結(jié)果，分別如圖 3-2 與表 3-5。如圖 3-2 所示的 Davie分析，改進(jìn)的 ALO-KM 大約提升了 3%。當(dāng)醫(yī)保無標(biāo)簽樣本數(shù)逐漸 ALO-KM 的 Davies-Bouldin 指數(shù)上升得較慢并且上升幅度不劇烈法的 Davies-Bouldin 指數(shù)上升得較快且幅度較大。當(dāng)樣本數(shù)達(dá)到，此時的指數(shù)下降表示找到了更優(yōu)的劃分，且劃分效果顯著。樣本數(shù)2000 4000 6000 8000 LO-KM 6365.087339 15525.054033 24464.883892 37579.489150 461-KM 6315.031131 15117.802761 22963.439460 37091.090331 442eans 6315.013096 15114.393566 22961.902583 36999.838004 440CH 6302.375281 15332.554205 23618.230416 37086.756532 441

電子科技大學(xué)碩士學(xué)位論文表 3-5 不同樣本數(shù)時 Davies-Bouldin 指數(shù)的詳細(xì)情況說明 Fowlkes-Mallows Index 與 Accuracy 兩種評價指標(biāo)需要樣本具有才能計算，所以接下來的實驗使用有標(biāo)簽的醫(yī)保數(shù)據(jù)集進(jìn)行驗證9000 條有醫(yī)保樣本，如圖 3-3。樣本數(shù)2000 4000 6000 8000 O-KM 0.09870322 0.11477331 0.09896026 0.10658814 -KM 0.09987791 0.12300884 0.12018901 0.12366127 eans 0.09942566 0.12301509 0.12039113 0.12310640 CH 0.09997259 0.11674069 0.11871264 0.11584019

【參考文獻(xiàn)】

相關(guān)期刊論文 前4條

1 趙振基;;醫(yī)�？刭M,引爆PBM大市場[J];中國藥店;2015年05期

2 高憲超;陳一銘;俞志維;季彤;;基于數(shù)據(jù)挖掘技術(shù)的老年口腔癌患者圍術(shù)期并發(fā)癥發(fā)生概率評估系統(tǒng)的建立[J];中國口腔頜面外科雜志;2013年02期

3 沈培;張吉凱;;聚類分析在醫(yī)療費用數(shù)據(jù)挖掘中的應(yīng)用[J];華南預(yù)防醫(yī)學(xué);2012年01期

4 高臻耀;張敬誼;林志杰;熊峗;朱揚勇;;一個醫(yī)保基金風(fēng)險防控平臺中的數(shù)據(jù)挖掘技術(shù)[J];計算機(jī)應(yīng)用與軟件;2011年08期

相關(guān)博士學(xué)位論文 前2條

1 楊春梅;基因表達(dá)數(shù)據(jù)聚類分析算法研究和應(yīng)用[D];天津大學(xué);2006年

2 羅可;數(shù)據(jù)庫中數(shù)據(jù)挖掘理論方法及應(yīng)用研究[D];湖南大學(xué);2005年

相關(guān)碩士學(xué)位論文 前10條

1 李璇;K-means算法參數(shù)優(yōu)化方法研究[D];山東科技大學(xué);2017年

2 吉昱虹;基于云環(huán)境的醫(yī)療疫苗大數(shù)據(jù)系統(tǒng)的設(shè)計與實現(xiàn)[D];吉林大學(xué);2016年

3 馬可;基于Storm的流數(shù)據(jù)聚類挖掘算法的研究[D];南京郵電大學(xué);2016年

4 田園;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)[D];電子科技大學(xué);2016年

5 俞麗穎;基于規(guī)則的醫(yī)保智能審核系統(tǒng)的研究[D];電子科技大學(xué);2016年

6 邵笑笑;基于醫(yī)保費用的分析與異常檢測研究[D];電子科技大學(xué);2016年

7 馬宗帥;基于深度學(xué)習(xí)的心腦血管疾病預(yù)測方法研究[D];西安建筑科技大學(xué);2015年

8 楊超;基于BP神經(jīng)網(wǎng)絡(luò)的健康保險欺詐識別研究[D];青島大學(xué);2014年

9 郭鵬妮;嶺回歸與分位數(shù)回歸的研究及結(jié)合應(yīng)用[D];哈爾濱工業(yè)大學(xué);2014年

10 李群山;基于視頻的人數(shù)計數(shù)系統(tǒng)算法設(shè)計[D];電子科技大學(xué);2013年

本文編號：2819106