医疗保险服务是为公民提供可靠的医疗保障,为广大人民群众解决看病治疗难的社会福利体系。近年来,各类医保欺诈、骗保行为对于我国医保基金的健康发展造成了巨大的冲击,严重的影响到了我国医疗体系的持续发展。针对层出不穷的医保欺诈行为,如何提高对医保欺诈行为的监测,是当前医保体系信息化建设的发展重点。本文的主要研究内容如下:(1)医保欺诈行为的评价指标和识别方法研究。结合国内外在医保欺诈行为检测方面的研究进行分析,国内外在判断患者是否存在医保欺诈行为的原因有很多,至今也没有形成统一的方案。本文选取了患者费用明细中的购药频次、全部订单总金额、购药数量和购药种类四个指标来评价患者是否存在医保欺诈行为。(2)医保欺诈行为的深度学习检测算法研究。医保欺诈行为在本质上属于多特征分类问题,根据数据的特征来将其划分为多个类别。传统的数据分类方法包括聚类分类、支持向量机、决策树等;本文使用的深度学习分类方法则通过应用深度学习来实现有监督式的数据分类,它可以提高数据分类结果的准确性。(3)医保欺诈行为的机器学习评估分析模型算法研究。本文将结合聚类分析算法和深度神经网络学习模型,用来实现对医保欺诈行为进行分类和预测。首先,通过聚类算法对患者费用明细中的患者信息按照评价指标进行数据预处理,再用标记的数据作为DNN算法预测模型的输入数据进行训练后,得到一个深度预测模型。通过该模型可以对用户的新输入数据进行预测,完善人工数据标注和人工分类存在的不足。本文的创新成果如下:(1)提出了一种基于深度学习的医保欺诈行为预测模型。由于数据集中的人工标记算法难度较大、出错率高,本文在所提的模型数据预处理阶段,采用聚类算法来对数据进行预处理,提高人工标记的准确度和降低手动标记的工作量。(2)搭建一个多变量的深度学习预测模型,采用经典的分类预测模型来基于数据集中多个变量来对患者的医保行为进行分析,通过训练得到一个预测模型,用来对未来患者的就医行为进行预测,对于帮助有关部门强化医保检测行为具有重要的意义。在医保欺诈行为的识别中,需要结合多特征来分析用户的行为,本文将结合患者的就医次数、总订单总金额、医嘱购药数量和购药种类等四个指标来判断患者的就医行为是否为正常行为、疑似欺诈行为和欺诈行为,本文通过Softmax逻辑回归来对深度学习模型进行调优,使其可以处理两个以上的标签分类问题,以满足本文所提出的深度学习算法模型处理多特征多分类问题的要求,同时提高模型预测的准确度和可靠性。综上,本文提出了一种基于深度学习的医保欺诈行为预测模型,它应用聚类分析方法和深度神经网络相结合,能够准确的解决数据中的特征分类问题,具有较高的准确度。