巨额医保真假难辩，AI打开医保反欺诈之眼

2018年11月，央视《焦点访谈》节目曝光了一起骗保案件，沈阳济华医院、沈阳友好肾病中医院涉嫌骗取医保基金。从节目画面看到，有“中间人”集体将“病人”带到医院，这些病人没有接受医生做的任何检查，就按照一些病种安排买药或住院，住院的“病人”中有人喝着酒，有人玩着手机，还有人打着麻将消磨时间。出院时，每位老人都会被消费医疗费用上千元，以1000元为例，报销的970元医保部门会直接与医院结算，应由患者自付的30元，由医院垫付。这些老人最终通过中间人拿到200至300元好处费。

据新华社报道，2018年9月以来，北京市政府相关部门打掉骗保涉案团伙10个，刑事拘留103人，涉案金额5000余万元，期间发现136家定点医疗机构存在不同程度违规问题。据国家医保局发布2018年医疗保障事业发展统计快报显示,2018年基本医疗保险基金总支出17607.65亿元，维择科技黑产分析粗略计算，其中约有10%存在骗保嫌疑，数额巨大。

此类骗取医保的案件引起极大关注，国家为了让老百姓看得起病、住得起院，每年都在社会医疗保险中投入大量财政资金，却被不法分子钻了空子。针对此类情况，国家医疗保障局局长胡静林谈到：“2019年，我们要把打击欺诈骗保作为医保工作的头等大事。”同时，他还谈到，用好现代信息技术打击骗保非常重要。

人工智能发展至今在诸多领域成功落地，已进入拿着锤子找钉子的阶段，医保欺诈这颗钉子非常匹配。运用AI无监督机器学习算法去分析医疗保险大数据时，能提取出许多特征，检测出异常，从而有效捕捉可疑团伙、发现可疑的医保持卡人和医生，大幅降低骗保损失。

风控能力，有待提高

目前相比骗保问题的严重，反欺诈能力显得不足，尤其是在一些技术相对落后的非一线城市，医保风控体系几乎还是最原始的名单类，且名单信息严重缺失；或者利用一些简单规则拦截，比如一张医保卡一天中不能在5家医院就诊等，拦截精准度和覆盖度都非常有限。一旦医院、医生、病人、中间人勾结，是很难发现此类骗保问题的。

那么，想要有利用技术解决骗保问题，先熟悉下就诊流程，以及技术可以在哪些环节收集有效数据并发挥作用。

就诊流程：病人到医院后用医保卡挂号是第一步，挂号后等待就医，医生初诊后，病人用医保卡支付检查费，医生根据检查（比如化验单等）结果开出处方，病人依照处方用医保卡买药并在取药口领药，至此整个就诊过程结束。医保卡总共留下三次交易结算记录，挂号、付检查费、付药费。从这三次刷卡行为中可以提取许多有效数据，比如就诊时间、就诊间隔时间、看病医生、病种、购药种类等。

由此可见，数据就像是食材，模型技术是厨艺。正所谓巧妇难为无米之炊，一定量的有效数据是开发模型的基础；这道菜到底什么味，要看厨艺如何。目前，医保反欺诈最核心需要解决的问题是：提高厨艺。

AI之眼，发现欺诈

在DataVisor维择科技做的医保反欺诈案例中，我们理解了AI解决方案的精妙之处：聚类欺诈群组、异常数据分析、提供监管咨询服务。

聚类分析群组欺诈

维择科技的无监督机器学习算法曾发掘出一些具有明显团伙性质的骗保事件。我们对某市医保局单月的全量门急诊数据进行建模统计后发现，有大量相似就医行为的可疑群组，呈现出短时间内集体“看病”的现象，一位医生多天内为一群人看病且快速连续刷医保卡，这是几乎不可能发生的情况。由此我们不难想象，一位黑产中间人通过一些不正当途径获得一批医保卡后，串通医生在医院连续开药套现的情景。此类药品套现的案例单笔涉案金额甚至多达近万元，涉案人员购药种类多为长期服用的慢性药品，便于后期的倒卖，而中间人持大量医保卡重复操作，涉案金额将数十倍增加，严重扰乱医疗保障报销的规则。可怕的是，如果只查看单人的刷卡信息，并没有明显异常，传统的风控系统无法有效发现并拦截此类骗保行为，但是在无监督机器学习的聚类侦查下，这种不正常状况就暴露无遗。

（图片中提及姓名及时间为化名）

除上述黑产分子（中间人）集体套药的恶劣行为外，一些较常见的、小规模的、小金额的套药行为也躲不过无监督机器学习的法眼。比如维择科技发现的一起家庭为单位的医保购药套现事件里，我们发现了六个身份信息相近的参保人。从身份信息和地理数据等来看，六人应该是一家人六兄妹，但即便是一家人，一同去同一个社区医院就诊，且刷医保卡时间间隔只有一两分钟的行为是不属于正常看病情况的。于是，我们结合经验猜测，这六兄妹很可能与该街道医院的医生认识，通过关系，不定期去该医保点套取数额不算太大的药品。此类套药行为也许并不涉及到真正的黑产团伙在背后操纵倒卖，但实属违规。

（图片中提及姓名等信息均为化名）

异常数据分析

除了聚类出的群组骗保行为外，利用脱敏后的单月门诊数据（几千万条交易记录和交易明细），提取出了结算时间、报销金额、医生、机构代码、科室编码、参保人、药品明细、药品数量等数据和记录，维择科技结合经验和数据分析，也能发现对比出异常数据，并给出具有高解释性的检测结果，这些异常在维择科技的解决方案下无处遁形。

从可疑医生纬度来看，维择科技解决方案检测报告中给出的可疑医生排名，以李医生和张医生为例，我们是如何得出他们存在异常的结论的？

从上文提到的三次医保刷卡数据提取出的特征发现，正常医生一天中看病开药的交易行为往往呈现出较均匀的M字型，上午下午均匀分布。但李医生一大早就集中产生大量交易，间隔时间极短，数额较大，存在非常高的”没看病就开药，一开就开一堆”的嫌疑，且李医生下午时几乎没有交易了，可见他并非看病比别的医生快，而是虚假交易占比高。张医生呈现出的异常是在下班时段相比上午来说交易突增，这也与一般的看病情况相反，也视作可疑。

当然，该例子只是其中一个数据纬度，从大量挂号信息、结算信息里也可以发现蛛丝马迹，比如一个医保卡短时间内挂号两次，多张医保卡短时间内在遵照同一医生的处方购买了类似金额的类似药物，或一批人以类似病种一起生病住院。在现实生活中，此类低概率事件，在AI之眼的判断下，就是欺诈行为。惊人的是，维择科技测试的单月数据所检测出的可疑交易总金额高达近亿元。

监管咨询服务

维择科技的解决方案捕捉大量触目惊心的欺诈事件后，如何有效阻止类似事件的大量发生，是技术供应方和医保局机构等共同关注和探索的问题。

维择科技在医保监管模式的探索之路上提出诸多创新方案。当前，监管对象有参保人和医生两大类。而医生掌握开处方的权利，维择科技认为有效监管医生能更直接地从源头切断虚假套药和住院等行为。所以，在检测同时帮助医保局提供医疗信用体系搭建的咨询服务，也是维择科技的工作重点之一。

值得一提的是，国家也从多个层面加快建设创新的基金监管长效机制，按照《国家医疗保障局关于做好2019年医疗保障基金监管工作的通知》（医保发〔2019〕14号）要求，经各省（区、市）医保部门推荐并经国家医保局组织遴选，日前发布了国家医保局基金监管方式创新试点、基金监管信用体系建设试点和医保智能监控示范点名单，多个省市作为医保监管创新试点。那么，搭建医疗保障基金监管创新模式，医保局和科技企业具体可以怎么做？

参照交通信用体系的司机扣分制，建立医疗体系的信用分级或扣分制是值得探索的模式。具体来说，根据可疑交易和金额的数值的大小不同，设置风险分级，较轻的风险等级给予医生适当的警告，较严重的风险等级给予医生一定的扣分或处罚，搭建合理的信用评分体系将成为可能。

但是，各地区医保政策、监管政策和处理政策的不同，为保险反欺诈技术的落地布局和医疗信用体系的搭建带来挑战。也许，我们目前发现的问题仅是冰山一角，将有效的解决方案在各地区医保体系应用的路还有很长。

医保反欺诈解决方案相比一般风控解决方案有一定特殊性，因为医疗是国家极其重视且需要大量专业知识判断的领域，那解决方案也必须是一个活的解决方案，需要时刻贴近国家和地区医保政策的变化，需要专业医学知识在模型中进行判断和调试，比如一个人申请报销一周的住院费用，但他的病种也许根本不需要这么长时间的住院，这时就需要专业知识判断。

维择科技的医保反欺诈解决方案在算法和数据处理能力方面具有明显优势，目前维择正将互联网行业的反欺诈经验结合到骗保场景中，同时提供更可视化、平台化的操作系统，未来也将让更多专业医学人员上手参与到解决方案调优的过程中，从而真正实现技术、数据和业务的结合。