用于医疗保险欺诈检测的多输入神经网络
机器学习
2022-03-14 v1
摘要
医疗保险欺诈给政府和保险公司带来巨大损失,并导致客户保费上涨。在欧洲,医疗保险欺诈每年造成约 130 亿欧元损失,在美国每年造成 210 亿至 710 亿美元损失。本研究旨在使用基于人工神经网络的分类器来预测医疗保险欺诈。在欺诈检测或更一般的异常检测中使用机器学习技术的主要困难在于数据集高度不平衡。为检测医疗保险欺诈,我们提出了一种带有长短期记忆(LSTM)自编码器组件的多输入深度神经网络分类器。该架构能够在不混合多种数据源的情况下加以利用,并使最终模型的分类任务更容易。从 LSTM 自编码器提取的潜在特征具有很强的判别力,并将提供者分离为同质簇。我们使用来自美国联邦政府医疗补助和医疗保险服务中心(CMS)的数据集。CMS 提供公开可用数据,汇集了美国医院向医疗保险公司发送的所有成本价格请求。我们的结果表明,尽管基线人工神经网络性能良好,但被我们的多输入神经网络超越。我们已经证明,使用 LSTM 自编码器嵌入提供者行为可得到更好的结果,并使分类器对类别不平衡更具鲁棒性。
引用
@article{arxiv.2203.05842,
title = {Multiple Inputs Neural Networks for Medicare fraud Detection},
author = {Mansour Zoubeirou A Mayaki and Michel Riveill},
journal= {arXiv preprint arXiv:2203.05842},
year = {2022}
}