一种通过时间特征捕获与置信度保障实现的可解释医疗保险欺诈检测框架

《npj Digital Medicine》：An explainable detection framework for health insurance fraud via temporal capture and confidence assurance

　　

摘要

欺诈检测对于保障健康保险基金至关重要，但现有方法往往缺乏针对提供商层级情境的针对性。本研究利用提供商提交的理赔数据，分析理赔序列中的时间模式，以区分欺诈提供商和正规提供商。长短期记忆（LSTM）模型从长理赔序列中提取时间和间隔特征，而注意力机制则聚合变长序列并识别个别理赔对提供商表征的贡献。共形预测构建预测集，并在不同运营需求下量化事后不确定性。两种共形策略通过经验覆盖率和预测集大小进行评估，提供不确定信息以在审计分级过程中补充提供商风险分数。通过对比实验和消融实验，将所提框架与九种机器学习、集成学习和深度学习基准模型进行了比较。TADCA 取得了最高的 AUROC 值 0.907，并在固定的 10% 审计预算下表现最佳，其精度@10% 和召回率@10% 分别为 0.624 和 0.648。这些共形策略在经验覆盖率和预测集大小之间展现了不同的权衡取舍，覆盖率最高可达 0.992。示例进一步表明，注意力特征和共形预测集可能支持健康保险欺诈管理中的基于风险的审计优先级排序和不确定性感知的人工审查。