基于優化算法的醫院醫保智能審核系統

周文娟 王一敏* 李積軍 楊燕 杜曉剛

（1.甘肅省人民醫院網絡中心 甘肅省蘭州市 730070 2.蘭州交通大學電子與信息工程學院 甘肅省蘭州市 730070）

1 醫保智能審核系統的概述及現狀

隨著國家基本醫療報銷比例的增加，患者醫保費用增長過快，醫保管理機構越來越重視醫保患者的診療規范，及醫保基金的合理使用。醫保智能審核在20 世紀60年代始于美國藥品管理機構，為了掌控醫師和藥師的醫療行為提出的醫保審核思路。我國人社部在2016年起，在全國范圍內推行醫保智能審核機制，以國家研發的統一軟件為基礎，根據各地醫保管理政策的差異，推行因地適宜的審核系統，各地的規則庫也會有差異性[1]。

目前醫保審核系統在一些發達地區可以實現同一名患者在各醫療機構就醫過程的聯動審核，醫保專家和醫院專家可以定期聯合完善專家庫，并且將審核工作延伸到事前提醒，事中監控及事后反饋。智能審核系統以建立規則引擎為核心構件，運用智能審核算法建立高效的醫保智能審核系統，如何提高審核的精準性和效率是亟待解決的問題[2]。

2 醫保智能審核系統的總體設計

為實現醫保審核的及時性，建立與醫療管理機構同步的院內醫保智能審核系統是實現全流程醫保審核的有效解決方案。院內醫保智能審核系統框架如圖1 示。院內醫保審核系統是基于HIS 系統構建的，通過與醫療管理機構審核系統對接，系統可以實時提醒醫生開具醫囑和處方過程中違規的診療行為，真正實現醫療費用和診療行為的全面監控和審核，將違規行為控制在院內并及時解決[3]。

3 醫保智能審核系統的關鍵技術

3.1 醫保智能審核系統規則引擎

院內醫保智能審核系統的設計必須允許異構兼容，規則引擎作為審核系統的核心技術，其應用著力于自定義業務邏輯規則，通過不斷改進滿足醫保業務審核需求，以靈活高效的特點應用于醫保審核系統中，從而提高系統監管和審核的綜合水平。

3.2 基于規則的機器學習

醫保原始數據通常是大量無標簽數據和少量有標簽數據組成的，在建立規則庫的前提下，對部分有標簽原始數據可以直接通過特征值和目標值的線性關系，建立分類模型，通過不斷監督學習，達到對有標簽數據的分類[8]。對無標簽原始數據進行分類，通過數據的相似性，建立數據的潛在關聯，快速將海量數據劃分應用于復雜交叉的規則項中，再通過隨機算法提高這種無監督的機器學習的效率，最終提高審核效率。

3.3 基于K-Means的果蠅算法在規則引擎中的應用

3.3.1 K-Means 聚類算法應用于無標簽醫保數據

醫保審核系統的工作重點之一是對各類醫保費用進行核查、分析、判斷。審核系統需要對每一筆費用核驗，但其數據挖掘模塊無需涉及每一個費用項目。通過半監督學習聚類模型對無標簽數據預處理，進行不斷迭代自我學習，找到一定的相似性，得到最優模型，最后將無標簽數據分類變成有標簽的可用數據。

圖1：智能審核系統框架圖

圖2：算法的流程

聚類算法中K-Means 算法最為典型，K-Means 算法對挑選的初始簇中心很敏感，通過尋找與簇中心相似的樣本，將樣本聚集到簇中心，通過不斷迭代降低數據的維度，將原始數據集分為幾個樣本集。

假設將數據集樣本簇劃分為(c1,c2,c3,…,ci)，其中ui是簇ci的均值向量，質心表達式可定義為：

該算法在模型訓練前需要設定簇的個數K 值，在醫保審核模型中以審核規則說明的分類作為K 值選取依據。醫保審核規則大致分為四類：支付政策性審核規則、診療合理性審核規則、臨床規范性審核規則、醫療行為異常監控規則。其中規則說明包含限定醫院類型級別、限兒童、限性別、中藥飲片審核、超限定頻次、用藥安全審核、限定適應癥用藥、違反項目匹配等。通過政策的調整，及審核規則的增減，調整K 值的選取。

3.3.2 基于K-Means 的果蠅尋優算法

果蠅算法是一種新興啟發式算法, 模擬自然界果蠅的覓食活動尋求目標函數的最優解, 算法的核心參數有種群位置，搜索步長，種群規模和迭代次數。在聚類算法的尋優過程中，為解決陷入局部最優達到全局尋優的目標，選取聚類初始化中心對聚類結果的具有重要影響[8]。

基于K-Means 聚類算法和果蠅算法的結合，在每次迭代過程中，首先利用果蠅算法尋找聚類中心點，確保聚類結果的質量，再將每一個聚類中心點進行一次K 均值優化，兩種算法交替進行，直到聚類結束[9]。通過K 均值優化加快收斂速度，融入果蠅算法降低對聚類中心點的依賴性。有效地提升醫保無標簽數據利用率，增加醫保審核的準確率。改進后的融合算法流程如圖2 所示。

4 應用效果

表1：醫保審核系統部分項目分析

通過優化改進審核系統的規則匹配算法，大幅度的提高了違規數據的審核的精準率，對系統的運營監管和醫保控費都有顯著的成效。結合2019年和2020年度醫保監管部門反饋的扣罰情況，較上一年相比，在用藥違規方面，沒有出現用藥重復超量、中藥飲片超量等問題。在項目違規方面，違反限定條件適應癥（條件）用藥，違反項目匹配、用藥安全審查、超限定頻次等指標均有下降。限定就醫方式、限兒童等指標顯著下降。從整體情況來看，通過不斷擴充匹配規則，院內審核系統對違規診療行為的精準匹配，確實幫助醫生在事前規范了診療行為，違規現象有所減少。

4.1 數據分析

選取兩年內有代表性的三項違規指標作統計學分析，對超限定頻次、違反項目匹配、用藥安全審核三項違規率數據進行卡方檢驗（X2）分析，卡方檢驗結果的P 值小于0.05，則具有統計學意義上的顯著差異性。

2019年與2020年三項指標卡方檢驗結果P 值均小于0.05，證明規則匹配算法的優化在對這三項違規指標的監管問題上是具有統計學意義上的顯著差異。在2020年三項違規率均有降低, 達到提高醫保審核的精準性和效率，減低違規率的目的，對三項違規指標的數據分析見表1 醫保審核系統部分項目分析。

4.2 應用先進性

醫保審核系統不僅應用于醫保管理科室，而且貫穿于臨床科室的診療過程中。通過對整個診療過程的監控，對結果統計分析，不斷改進不規范的診療行為，使得對臨床科室規范醫保管理更具有針對性[13]。

4.2.1 規范診療行為

通過制定臨床路徑規則，醫囑規則，藥品規則，護理規則等相結合，審核系統在診療環節會給醫護人員給予醫囑規范指導和違規提示，使得醫生作出滿足患者需求又符合醫保政策的診療行為。

4.2.2 規范審核流程

審核平臺通過事前對醫生診療行為的干預和提示，事中對審核結果的查閱，事后對不合規項目申訴。最終實現統一的審核標準，規范了審核流程，在整個醫保管理過程中形成完整的PDCA 精細化管理流程[14]。

4.2.3 提高審核質量

醫保智能審核系統包括規則引擎和規則庫，其中規則庫包含醫保政策預設的審核規則，同時根據管理部門需要，可不斷完善充實系統規則體系。審核規則采用分級制的建立，全面覆蓋涉及醫保管理的每一個細節，平穩完善了智能審核規則。借助人工智能機器學習的智能算法技術，通過對海量數據指標的篩查，提高審核速度的同時極大地保障了審核的精準性和有效性。

5 結論

2019年11月國家醫保服務平臺公布開通，全國首張醫保電子憑證在濟南申領成功，建立與國家醫保服務平臺同步的院內醫保審核系統勢在必行。將K-Means 算法和果蠅算法結合的優化算法在醫療保險審核領域中的初步探索，快速準確的篩查違規項目，規范了醫護的診療行為，降低了診療過程的違規率，提高了醫院醫保監管能力。