易东义，邓根强，董超雄，祝苗苗，吕周平，朱岁松

（华中科技大学协和深圳医院，广东深圳518060）

（∗通信作者电子邮箱denggenqiang@qq.com）

0 引言

近些年，随着人民生活水平不断提高，中国基本医疗保险参与人数已经达到13.5亿人，参保率超过了95%，医疗支出费用从2008年的1.45万亿增长到2015年的4.10万亿，年均增长率达16%，远远超过我国国内生产总值（Gross Domestic Product，GDP）同期增长率［1］，其中很重要的一个原因就是医保欺诈、资源浪费和药物滥用（Fraud-Waste-Abuse，FWA）。根据联邦调查局估计，在美国每年欺诈占医疗保险的3%～10%（大约占190～650亿美元）［2］。随着人口老年化加剧，FWA情况愈演愈烈。根据医疗机构的报告，2012年美国FWA总费用为750亿美元［3-4］。在国内，2017年，仅四川省公布的56件医保欺诈案件中，“11.28”特大骗保案件就涉及5400余万元；2018年“沈阳骗保案”轰动一时，主要涉事人员40余人，给国家带来巨大的损失。与此同时，传统的欺诈检测依靠专家调查，这会产生大量的时间成本和人力成本。根据案件难易程度每次调查的费用在200～20 000美元［4］。此外，随着医疗保险数据的爆炸性增长，领域专家人数无法满足现有欺诈案例筛查的需要。因此，医保欺诈方面有必要投入研究，尽早地发现、预防甚至杜绝医疗保险欺诈的发生。

现有的自动医保欺诈检测方法分为两个研究方向［5-6］：无监督学习和有监督学习。基于无监督学习［7-9］的欺诈检测方法非常依赖数据的分布，其特点是寻找离群点作为欺诈点，但是这种方法非常不适合偏移的数据集，比如医疗保险数据集［10］。 Zhang 等［9］提 出 了 imLOF（improved Local Outlier Factor）局部异常检测算法，将局部异常点作为欺诈点。……