文章来源：ATYUN AI平台
佛罗里达大西洋大学工程与计算机科学学院的研究人员发表了一项健康信息科学与系统的研究，该研究展示了机器学习和高级分析如何检测医疗保险欺诈检测。这一突破可能避免每年医疗保险基金的欺诈损失（19-65亿美元）。
研究人员使用Medicare B部分数据对平衡和不平衡数据集上的六个不同机器学习者进行了测试，最终发现RF100随机森林算法在检测潜在欺诈性声明方面最有效，并且不平衡数据集提供了最准确的结果。
该研究团队使用了四年医疗保险数据，共计3700万个案例，并检查了他们是否有可能滥用，忽视，过度收费或对从未提供的服务收费。
他们使用了NPI，即国家提供者标识符，这是政府向医疗保健提供者发放的唯一标识号，将欺诈标签与数据相匹配，检查提供商详细信息，付款和收费，程序代码，执行的总程序以及医疗专业。
然后，计算机将数据与医生专业的统计分析进行比较，整理出异常行为，并将其标记为可能的欺诈行为。
FAU的资深作者和博士生Richard A. Bauder在医疗保健分析新闻中表示，“有很多错综复杂的东西决定到底哪些是欺诈，哪些不是欺诈，比如文书错误，我们的目标是让机器学习者能够剔除所有这些数据并标记任何可疑的数据。然后我们可以提醒调查人员和审计人员，他们只需关注50个案例而不是500个案例或更多。”
本文转自ATYUN人工智能媒体平台，原文链接：研究人员利用机器学习算法检测医疗保险欺诈
更多推荐
LSTM循环神经网络实例：教你处理LSTM神经网络序列预测问题
304
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
