医保智能审核系统的构建与实践-2

医保智能审核系统的构建与实践演讲人#医保智能审核系统的构建与实践作为长期深耕医保管理领域的一线工作者，我亲身经历了医保基金从“粗放式管理”到“精细化治理”的转型历程。曾几何时，人工审核是医保基金监管的主要手段：审核员埋堆在堆积如山的票据中，用肉眼识别药品、诊疗项目与收费的匹配度；面对日均数万份的结算数据，误判、漏判时有发生；更有甚者，一些医疗机构通过“分解住院”“串换项目”等手段套取基金，监管手段滞后与骗保手段升级的矛盾日益凸显。2018年国家医保局成立后，医保基金“严监管、强治理”的号角吹响，智能审核系统作为科技赋能医保的核心载体，成为破解这些难题的“金钥匙”。今天，我想结合自身参与系统构建与落地实践的经历，从需求洞察到技术攻坚，从模块设计到应用成效，与大家共同探讨医保智能审核系统的“前世今生”。##一、医保智能审核系统的构建：以需求为锚，以技术为帆#医保智能审核系统的构建与实践###（一）需求驱动：从“痛点”到“靶点”的精准定位医保智能审核系统的构建，始于对传统审核模式“病灶”的深度剖析。在人工审核时代，我们面临三大核心痛点：一是审核效率“瓶颈”。随着全民医保覆盖超13.6亿人，医保年基金支出超2.4万亿元，结算数据量呈指数级增长。某省级医保中心曾告诉我，他们每月需审核2000万份结算单，按每份单据平均审核5分钟计算，仅基础审核就需要166万分钟，相当于300名审核员全职工作1个月，仍难以满足实时审核需求。二是审核标准“模糊”。医保政策复杂度高，不同地区、不同病种的报销范围、支付标准差异显著。例如，“糖尿病并发症”在不同医院的诊断描述可能为“糖尿病肾病”“糖尿病视网膜病变”，人工审核时需依赖经验判断，易出现“同病不同审”的偏差。#医保智能审核系统的构建与实践三是监管手段“滞后”。传统审核多为“事后追溯”，基金违规行为发生后才能介入，损失已造成。更有甚者，部分骗保行为具有隐蔽性（如“虚计费用”“分解处方”），人工审核难以发现系统性漏洞。面对这些痛点，我们明确智能审核系统的核心需求：以“实时、精准、智能”为目标，构建覆盖“事前提醒、事中控制、事后监管”全流程的审核体系。具体而言，系统需实现三大功能：一是实时拦截违规行为，在医疗机构上传数据时完成审核；二是动态适配政策规则，支持地区差异、病种差异的灵活配置；三是深度挖掘数据价值，从“审核工具”升级为“决策支持平台”。###（二）总体架构：分层设计，筑牢“四梁八柱”为满足上述需求，我们采用“中台化、模块化、微服务”的架构理念，设计了医保智能审核系统的“五层架构”（见图1），确保系统稳定性、扩展性与可维护性。基础设施层：云原生架构支撑弹性扩展基础设施层是系统的“基石”，我们采用“私有云+混合云”部署模式：核心业务部署在医保局私有云，保障数据安全；弹性计算资源（如规则引擎训练、批量审核）接入公有云，应对峰值流量。通过容器化技术（Docker+K8s）实现资源动态调度，确保在“双11”等医疗结算高峰期，系统并发处理能力提升5倍以上，响应时间控制在200毫秒内。数据层：多源数据融合构建“数据底座”数据是智能审核的“燃料”，我们构建了“1+3+N”数据体系：“1”个中心数据库（医保结算主数据库），“3”类基础数据（参保人信息、医疗机构信息、药品/诊疗项目目录数据），“N”类业务数据（门诊/住院结算数据、电子病历数据、药店销售数据）。为解决“数据孤岛”问题，我们打通了医院HIS系统、医保结算系统、卫健平台等12个数据源，通过ETL工具实现数据实时同步，数据接入延迟控制在10分钟以内。算法层：规则引擎与AI模型“双轮驱动”算法层是系统的“大脑”，我们创新性提出“规则引擎+机器学习”双模架构：-规则引擎：采用基于Drools的动态规则库，支持医保政策“可视化配置”。例如，针对“住院天数超限”规则，审核员可通过界面设置“单次住院最长天数”“特殊病种延长天数”等参数，无需代码即可更新规则，规则响应时间从“小时级”缩短至“秒级”。-机器学习模型：针对复杂场景（如“过度医疗”“分解住院”），我们训练了XGBoost、LSTM、图神经网络（GNN）等模型。例如，通过GNN构建“患者-医生-医院”知识图谱，识别“同一患者短期内在不同医院重复检查”的异常链路，模型准确率达92%，较传统规则提升35个百分点。应用层：全场景覆盖的审核模块应用层是系统的“躯干”，我们设计了五大核心模块，覆盖审核全流程：-实时审核模块：对接医院结算接口，在数据上传时自动完成“费用合理性”“政策符合性”审核，生成“通过”“拦截”“需人工复核”三类结果，实时反馈至医院端。-疑点筛查模块：对批量历史数据开展“深度挖掘”，通过聚类算法识别“高频次超适应症用药”“高值耗材异常使用”等疑点，生成审核工单。-申诉复核模块：支持医疗机构在线提交申诉材料（如电子病历、检查报告），审核员通过系统调取原始数据，完成二次审核，全程留痕可追溯。-监管分析模块：基于审核结果，生成“基金运行热力图”“违规行为趋势图”“医疗机构信用评分”等可视化报表，为监管决策提供数据支撑。-政策配置模块：实现“国家-省-市”三级政策分层管理，支持新政策“一键下发”，确保审核标准与政策调整实时同步。交互层：多角色协同的“一站式门户”交互层是系统的“窗口”，我们为参保人、医疗机构、审核员、监管人员四类角色定制差异化门户：1-参保人端：通过“医保APP”查询审核结果、申诉进度，实现“阳光审核”；2-医疗机构端：提供“事前自查”“实时反馈”“数据看板”功能，辅助医院规范诊疗行为；3-审核员端：集成“智能辅助审核”（如AI预判审核结果、推荐审核要点），提升人工审核效率；4-监管人员端：开放“违规行为追踪”“基金风险预警”等功能，支撑精准监管。5###（三）核心模块：从“单点突破”到“系统联动”6在系统构建中，我们聚焦三大核心模块攻坚克难，确保“能用、好用、管用”。7动态规则引擎：让政策“活”起来传统规则引擎存在“硬编码”“更新难”的问题，我们设计了一套“规则-参数-阈值”三级配置体系：-规则层：将医保政策拆解为“基础规则”（如“药品必须在目录内”）、“组合规则”（如“诊疗项目与诊断匹配”）、“特殊规则”（如“谈判药品适应症限定”），每条规则关联唯一ID；-参数层：为规则配置可变参数，例如“住院天数规则”的“最大天数”“可延长时间”等，支持按地区、医院等级差异化设置；-阈值层：设定规则的触发阈值，如“次均费用增幅超过20%时触发预警”，避免“一刀切”审核。通过这套体系，某省医保局在2023年DRG支付政策调整后，仅用2小时就完成了全省审核规则的更新，较传统方式（需7天代码开发测试）效率提升84倍。智能审核引擎：让判断“准”起来针对人工审核“经验依赖强、一致性差”的痛点，我们构建了“多模态融合审核”模型：-结构化数据审核：对费用金额、药品数量等结构化数据，采用阈值校验、逻辑校验（如“注射费+药品费≤床位费”），准确率达99%；-非结构化数据审核：对电子病历、诊断证明等文本数据，采用NLP技术提取关键信息（如诊断、手术、用药指征），通过知识图谱验证“诊断-用药-检查”的合理性。例如，系统通过识别“诊断为‘普通感冒’但使用‘抗肿瘤药物’”的矛盾点，拦截违规用药23例；-行为数据审核：对医生处方行为、医疗机构结算行为进行时序分析，识别“异常频次”（如某医生1天开具200张含“抗生素”的处方），“异常关联”（如某医院“骨科手术”与“高值心脏支架”同时结算率异常）。数据治理体系：让数据“净”起来0504020301“垃圾进，垃圾出”，数据质量直接决定审核效果。我们建立了“采集-清洗-校验-更新”全流程数据治理机制：-采集端：制定医保数据交换标准（如《医保结算数据元规范》），要求医疗机构上传数据时强制校验关键字段（如“医保编码”“诊断编码”），不达标数据自动驳回；-清洗端：开发“数据质量监控平台”，对重复数据、缺失数据、异常值（如“年龄=200岁”）自动识别并修复，数据准确率从85%提升至98%；-校验端：构建“数据血缘关系图”，追踪数据流转路径，确保“结算数据-电子病历-费用清单”三者一致；-更新端：建立“目录数据动态更新机制”，每月同步国家医保药品目录、诊疗项目目录，确保审核依据“最新”。数据治理体系：让数据“净”起来##二、医保智能审核系统的实践：在“试错”中“迭代”，在“落地”中“增值”###（一）试点先行：从“实验室”到“战场”的淬炼2021年，我们选择某中部省份作为试点，覆盖3家三甲医院、10家社区医院、50家零售药店，开启“小切口、深试验”的实践之路。试点初期，我们遭遇了三大挑战：一是“系统水土不服”：试点医院HIS系统版本老旧，数据接口标准不统一，导致30%的数据无法正常接入。为此，我们组建“专项攻坚小组”，逐家医院对接，开发“中间件适配器”，实现新旧系统数据转换，最终将数据接入成功率提升至100%。二是“规则落地难”：部分医生对智能审核存在抵触情绪，认为“系统太严格，影响临床诊疗”。例如，某心内科医生因给心绞痛患者开具“超出说明书剂量”的硝酸甘油被系统拦截，认为“这是个体化治疗需求”。为此，我们邀请临床专家、医保专家、审核员共同召开“规则论证会”，在“安全用药”前提下，增加“特殊用药申请通道”，医生可通过上传“病情说明”“用药依据”提交人工复核，既保障基金安全，又尊重医疗专业判断。数据治理体系：让数据“净”起来三是“模型准确率不足”：试点地区农村人口占比高，部分患者“小病大养”“重复开药”，但初期模型对“分解处方”（如将1个月用量拆分为4次开药）的识别准确率仅70%。我们通过补充“患者历史就诊数据”“药店销售数据”，优化LSTM模型的时序特征提取能力，并结合“患者-药店”关联图谱，识别“同一患者1天内在不同药店开药”的异常行为，最终模型准确率提升至91%。###（二）全面推广：从“点”到“面”的价值扩散在试点成功的基础上，2022年起，我们逐步将系统推广至全国8个省份、200余家医疗机构。推广过程中，我们总结出“三步走”落地策略：数据治理体系：让数据“净”起来第一步：“定制化适配”针对不同地区医保政策差异（如某省对“中医诊疗项目”额外报销15%），开发“政策配置模块”，支持“一省一策”；针对不同医疗机构类型（如专科医院与综合医院诊疗结构差异），构建“疾病-诊疗”知识图谱，实现“一院一策”。第二步：“分层化培训”对医疗机构，开展“系统操作+医保政策”双培训，编制《智能审核操作手册》，制作15个教学短视频；对审核员，开展“规则解读+AI辅助审核”培训，培养“懂政策、懂数据、懂临床”的复合型审核人才。第三步：“持续性迭代”建立“用户反馈-需求分析-版本优化”闭环机制，每月收集医疗机构、审核员意见，快速迭代功能。例如，根据基层医院“缺乏专职IT人员”的反馈，我123数据治理体系：让数据“净”起来213们开发了“轻量化客户端”，支持手机端审核、数据查看，降低使用门槛。###（三）成效显现：从“工具”到“引擎”的价值跃迁经过3年的实践，医保智能审核系统已从“审核工具”升级为“医保治理引擎”，成效显著：基金监管效能“双提升”-审核效率提升：实时审核覆盖95%的结算数据，人工审核量减少70%，审核周期从“7-15天”缩短至“实时-24小时”；-违规行为精准打击：累计拦截违规结算资金超15亿元，识别“分解住院”“串换项目”等骗保行为3.2万起，某省通过系统发现某医院通过“虚记手术”套取基金2000余万元，案件查处效率提升5倍。医疗机构行为“双优化”-诊疗行为更规范：医疗机构“超适应症用药”“重复检查”等违规行为发生率下降45%，三级医院次均费用增幅从8%降至3%；-管理效率更高效：医院通过“事前自查”功能，主动修改不合理处方占比达60%，减少医保拒付纠纷，财务人员工作量减少50%。参保人获得感“双增强”-报销更便捷：95%的合规费用实现“秒批秒付”，参保人等待时间从“平均30分钟”缩短至“5分钟”；-基金更安全：基金违规率从1.2‰降至0.3‰，相当于每年为每位参保人节省医保费用约120元，切实守护了“救命钱”。###（一）当前面临的挑战尽管系统取得了一定成效，但实践中仍面临三大挑战：一是数据共享“最后一公里”未打通：部分医院因担心数据泄露，不愿开放电子病历接口；卫健、药监等部门数据尚未完全接入，导致“患者全生命周期数据”缺失，影响模型判断准确性。二是AI模型“可解释性”不足：对于复杂审核结果（如“是否构成过度医疗”），机器学习模型难以给出清晰的理由，导致医疗机构对审核结果存疑，申诉率较高。三是跨部门协同机制待完善：智能审核发现的涉嫌骗保行为，需移交医保、卫健、公安等多部门处理，但目前部门间线索移送、案件查办流程仍不够顺畅，影响监管合力。###（二）未来发展方向###（一）当前面临的挑战面向未来，我们将从三方面持续发力，推动医保智能审核系统向“更智能、更协同、更普惠”升级：一是深化“AI+业务”融合：探索“预测性审核”模式，通过分析历史数据，提前识别“基金运行风险”（如某地区糖尿病费用异常增长），实现“从被动审核到主动防控”的转变；开发“可解释AI”模型，通过可视化界面展示审核依据（如“该药品不在医保目录内，依据《2023年医保药品