基于规则增强大语言模型的ICU不合理费用检测框架及其在医保基金监管中的应用

本文提出一种基于DeepSeek-R1-32B大语言模型（LLM）的规则增强框架，通过提示学习技术整合ICU医保监管规则，显著提升对不合理诊疗行为的检测能力。该系统突破传统阈值规则的局限，兼具错误识别与 emergent capabilities（涌现能力），并提供可解释的判定依据，为医保智能监管提供新范式。

　　

Highlight

（本部分内容为论文核心亮点概述）

Section snippets

Dataset construction

构建LLM框架的首要步骤是创建任务专用数据集。本研究采用经医保基金监管专家标注的真实场景数据，涵盖患者基本信息（年龄、性别）、费用明细、结算记录及诊断数据等字段。数据集经过严格的脱敏处理与预处理，形成国内首个针对ICU不合理收费检测任务定制的数据集。

Experiments and results

我们将对比实验结果分为多个维度，全面评估基于规则的大模型在ICU医保基金不合理使用识别任务中的优势，并分析不同参数规模模型（Qwen-1.5B、DeepSeek-R1-14B与DeepSeek-R1-32B）在加载相同规则模板条件下的性能表现。

Conclusion and future work

本文提出了一种基于DeepSeek-R1-32B和提示学习（prompt learning）的规则增强LLM框架，用于检测ICU不合理行为，具有较强的实用性与应用前景。该系统通过多轮对话提升判别准确率，为医保反不合理行为提供了新思路与技术路径。未来将持续扩展ICU费用与诊疗数据，覆盖更多医疗行为及医院样本，并构建