基于数据挖掘医保系统的研究
开篇：润墨网以专业的文秘视角，为您筛选了一篇基于数据挖掘医保系统的研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
【 摘 要 】 随着医保领域业务的日益复杂化，对于医疗信息系统的建设提出了更高的要求。本文通过数据挖掘中聚类分析方法在医保系统中的应用研究，从海量的医保系统中提取出有用的信息，指导医疗系统中各个子系统的优化建设，同时分析出有价值的预测数据，推动医保业务的健康发展。
【 关键词 】 数据挖掘；聚类分析；医保系统；预测
1 前言
随着计算机机技术的快速发展，信息系统的建设已渗入到IT、金融、政府、教育以及各大传统行业，医疗保险行业亦在其中。目前而言，信息技术的发展，已经从基础的信息系统的建设跨越到了“用数据决策”，即通过数据的采集处理、整合加工、分析预测来指导业务的发展。医保行业涉及到的业务系统繁杂、业务处理流程复杂、数据量大，正是数据挖掘能够发挥其作用的有利基础，因此如何能够利用现有的优势，有效利用数据挖掘技术，来发掘出数据本身的价值、关联数据价值，来对行业的发展、监控提供支持，是亟待研究与实践的领地。
2 医疗保险系统的发展现状及存在的问题
与大多数行业及企业信息系统建设情况相似，医疗保险系统的建设由于缺乏整体的顶层设计，各个业务系统的建设都是相对独立的，而且由于系统设计架构的差异，各个子系统之间的数据并未建立关联关系，形成了大量的“信息孤岛”。当然，数据仓库技术在某种程度上解决了数据的集中化管理，但是由于数据仓库只是将数据进行存储，当要取出使用时，还是会存在数据之间的关联关系不明确，数据本身的含义不明确等问题，且由于数据仓库只提供了传统的汇总与统计，并未对数据进行更深的加工或分析。根据以上现状，我国医疗保险信息系统建设面临的一个重大挑战，就是如何能够将这些独立的数据进行有关联的集中化管理，形成医疗保险的数据资源库，基于这个基础数据资源库，通过数据挖掘技术，来对业务的发展、管理模式以及政策的制定提供更有力的支撑。
由于医疗保险业务涉及到的用户数据是海量的，而且资金的流动也相对频繁，业务办理分布多，业务处理流程复杂且处理的主体是变化的，因此出现了由医保系统来替代传统的人式方式，用于能够提高业务处理的速度与质量，并对数据进行方便的管理。本文将基于数据挖掘技术的相关算法，来谈一谈其在医疗业务系统子系统的优化与流程优化中使用方法。
数据挖掘技术中的模糊聚类分析，主要用于对医疗保险系统的各个子系统的划分，通过几个步骤来优化各个子系统的分布。
1） 确定分类的标准，对于医保系统来说，可按照各个系统服务的对象为标准来进行划分，即医疗保险管理者、参加保险的人员和医疗定点机构，以此作为各个子系统建设依据。
2） 对三个主体对象对于其各个业务的功能要求与业务要求进行调研，确立各个子系统的功能模块。
3） 对于各个子系统的业务流程选定一个时间段（如按月）进行系统使用次数的统计，如表1所示。
通过对调研数据进行规范化处理，即模糊聚类算法，计算出各个子系统之间的关联程度，以及业务的重合度，对子系统进行合并处理得到如图1所示的优化后的子系统，以减少系统架设不必要的开销。
根据各个子系统的划分，如图2所示，为医疗保险系统的应用逻辑架构图，可分为两大部分。左侧是核心应用，主要包括医疗保险费用的在线结、现金报销、保费的审核以及个人账户的管理与维护，此部分的核心应用都需要医疗保险数据库的支撑。右侧是相关的辅助业务，即主要是用于管理与查询，包括利息计算、查询服务、统计报表、年度/季度数据管理，以及为与外部数据进行交换的接口等等，这些业务对于实时性要求不高，从一定程度上与主要的业务系统进行了分离，从而在不会影响核心业务系统。
SQL Server 2008提供了一种基于时间序列的分析方法，即决策树算法中的一种。具体的方法即选取一系列有时间先后顺序的数据集，如按年、按季度、按月等方式。在医保领域，一个参保人员每月的总体费用即一个时间序列。分析的目的是对未来进行预测。分析方法有回归预测、指数模型、ARMA模型等。其中最后一种模型使用起来最为方便，以下为此算法的分析公式：
Zt=（1-B）dYt
Zt=φ0+φ1Zt-1+...+φpZt-p+αt-θ1αt-1-...-θqαt-q
参保人员的总费用是医保监管的重要组成部分，通过对这部分数据的挖掘分析，可以对于医保人员每年/每季度/每月的总体费用有一个非常清晰的了解，总结出总体费用的上限，同时通过监管，进行医疗总体费用的有效管控，使其不超过限定的额度。如通过历史数据来进行未来医疗总费用的预测，来与真实发生的数据进行比对，通过多次验证，如差距不大，即可将预测数据作为未来医保人员的医疗费用的限定额度。
除了时间序列分析方法与聚类分析方法之外，常见的预测类分析还包括关联分析、数据分类等。关联分析即找到数据之间的关联关系，将各个数据库与业务系统产生的数据之间的关系建立起来，即可对发现事物与事物之间的关联性，最经典的案例即“啤酒与尿布”。同样在医保行业，用户的账户信息、费用使用信息、门诊信息等都会存在内部关联。
数据分类即找出数据库中某组对象的共同属性，便于进行统一管理，避免重复记录信息加大系统处理负担。
孤立点分析，在数据库中保存的数据，有一部分可能是与普通的数据规则与数据模式相背的数据，传统的处理方式即丢弃或者不予处理，但是有些孤立点的数据里可能隐藏相当有价值的信息，例如在保险欺诈的数据挖掘中，对于孤立点的分析就至关重要。
对数据挖掘技术在医保行业的使用，已有相应的成功案例，可佐证其在这一领域的可行性与重要性。美国最大的医保公司，利用数据挖掘技术中的模型成功找出未据实开具医疗凭证的医生，为其节省了不必要的医疗费用支出近4000万美元。而美国的另一家医保公司HCFA，刚通过利用数据挖掘技术的可视化系统，有效避免了在医疗保险行业中的欺诈现象。
4 结束语
数据挖掘技术在医保领域的应用，将能够从几个方面推动医保行业的持续健康发展。首先，对于医疗参保人员来说，其相应的政策变得不透明，参保人员可以通过查询系统，方便地了解到适合自身的投保标准，选择相应的投保种类。其次，对于医保管理中心的工作人员来说，能够有一个更优化的平台进行各项繁杂业务的处理，有效提高工作效率与工作质量。再次，对于决策层来说，通过数据挖掘提取出的预测信息，能够自定义其关注的主题、专题等，对于医保人员的总体费用、各项费用所占比例等进行多维分析，为控制医疗费用、监管及政策制定等提供科学的数据依据
参考文献
[1] 纪玉山，李晓林. 对我国城镇职工社会医疗保险改革的再认识. 经济视角，2006（5）：38～40.
[2] 王星，谢邦星，戴稳胜. 数据挖掘在保险业中的应用. 北京统计，2004（4）：50～51.
[3] 张劲松，保险公司数据挖掘技术应用探索. 商场现代化（学术版），2004（12）：109～111.
[4] 刘明霞，任仕泉. 医疗保险风险因素的相对风险度分析. 现代预防医学，2004（2）：159～161.
作者介绍：
甘枥元（1982-），男，广西南宁人，计算机科学技术专业研究生学历，广西中医药大学第一附属医院信息科；主要研究方向：计算机信息。