2025年，《中国银行保险报》连续第七年面向行业开展中国保险业数字化转型案例征集活动。
该案例聚焦医保基金系统的智能化监管，构建了“1个平台+4个子系统”的大数据监管平台，为医保治理提供了“全流程、一体化、一揽子”的高效解决方案，兼具创新意义与社会价值。
此项目基于中国人民健康保险股份有限公司(以下简称“人保健康”)在医保基金监管领域的丰富经验，结合医保DRG支付方式改革，在日常巡查、专项检查、飞行检查、重点检查、专家审查等相结合的多形式检查制度下，重新整理业务思路、医学与信息高度融合，通过搭建项目收费与DRG/DIP结算的“桥梁”、创建自有知识库与规则库、引入神经网络结构建立相互关联等方式，自主研发人保天芯(医保基金大数据监管平台)，解决了监管效率低下、疑似违规数据锁定欠精准、假阳性率过高、需要耗费大量的医学专家的难题。同时，系统采用前后端分离的形式，提高了系统的灵活性和可扩展性，模块化设计为不同地区的推广和使用降低了本地化改造成本，为维护医保基金的安全提供了有效的“护盾”、为服务国家医保治理提供了“全流程、一体化、一揽子”的“数智化”高效解决方案。
2018年以来，国家医保部门始终把加强医保基金监管作为首要任务，医保基金监管基本实现法治化、协同化、常态化、智能化。以日常巡查、专项检查、飞行检查、专家审核、智能审核相结合的多形式监督检查制度逐步形成。随着门诊统筹政策全面落地、飞行检查制度体系形成、支付方式改革进程加快、欺诈骗保行为转向隐蔽，现有的监管系统再难完全满足。目前医保基金智能监管系统呈现出零散化、碎片化的特征，甚至部分地区针对不同的监管内容分别建设了不同的系统，系统由多个服务商提供，系统与系统之间相互独立，系统运行效率较低。结合公司在医保基金监管项目领域的丰富经验，人保健康江苏分公司引入保险保障机制，创新性地构建了“1个平台+4个子系统”的大数据监管平台。1个平台指人保天芯(大数据监管平台)；4个子系统分别为人保天网(现场检查系统)、人保天机(飞检协同系统)、人保天河(DRG/DIP智能监管系统)、人保天眼(大数据反欺诈系统)，可以为医保基金的监管提供覆盖日常巡查、飞行检查、DRG/DIP监管、大数据反欺诈等全场景的“数智化”系统支持。
以某地“双随机”检查为例，“双随机”系统由市场监督管理部门提供，医保条线检查任务的分配由该平台产生，分配逻辑未考虑医保定点机构地域化特征。为了完成“双随机”考核指标，每年在平台抽取一定比例的定点机构进行检查。因为该平台由市场监督管理部门建设，检查内容与标准脱离医保实际，现场检查结束后，检查结果需要手工录入系统中，现场证据的保存、检查底稿等资料另行保存，可追溯性较低。除了“双随机”检查，其他日常巡查时，检查人员与被检查机构名单产生的随意性较大，未体现“双随机”原则。医保部门缺少自己的“双随机”现场检查管理系统。
自2019年以来，飞行检查制度不断完善，飞行检查工作效率不断提高，但目前不论是国家还是省级组织的飞行检查，数据处理仍停留在大量的信息人员进行人工处理层面。虽然有部分“第三方”服务机构提供了飞行检查系统，但是该系统仍然局限于“第三方”人员自行使用，飞行检查主检地区的工作人员基本上不会使用“第三方”服务机构提供的“飞行检查”系统，主要原因包括以下三个方面。
1.系统角色分配过于复杂。大部分“飞行检查系统”采用“项目制”管理的模式，首先要创建一个“项目”，分配组长、副组长、小组长、组员等角色，根据不同的角色再分配不同的系统权限，系统的部署周期较长。这种模式不适用于具有“短、平、快”节奏特征的飞行检查，更适用于日常监管稽核。
2.对系统学习的时间成本、检查人员沟通的时间成本较大。目前飞行检查系统的功能设置过于复杂，医学人员需要较强的计算机数据处理逻辑，现场检查学习时间紧张、从接触系统到运用的时间较长，医学人员以主检地派员为主，依从性较差。现场检查阶段仍然以医学描述违规、信息使用SQL语句实现的方式进行。
3.不具备“全生命周期”管理功能。飞行检查从进场到离场，涉及各种数据、台账、资料、证据等内容，目前仍然是数据进系统，资料脱离在外，数据筛查逻辑、违规数据明细及对应的证据底稿等材料之间未建立有效的数据关联，当一个数据结果存在异常时，无法进行及时追溯。一个违规点从疑似违规发现，到现场确定违规、违规证据及笔录、数据筛查需求提出、数据验证、筛查规则修改、数据再验证、违规数据确认、申诉反馈、违规数据终定等环节，未形成全过程管理。从整个飞检过程来看，从数据及资料提取、数据初筛及验证、现场检查及数据确定、申诉反馈等过程，未形成“全生命周期”管理。
根据国家医保部门关于DRG/DIP支付方式改革相关文件要求，到2025年底，DRG/DIP支付方式覆盖所有符合条件的开展住院服务的医疗机构，基本实现病种、医保基金全覆盖，目前部分地区已经提前完成改革要求。支付方式改革给医保基金监管带来了新的难题和挑战，在按项目付费支付下，医疗机构违规以重复收费、分解收费、超标准收费、串换收费、超范围支付等为主，支付方式改革后，除了按项目付费下的各类违规情形仍然会出现以外，低指征住院、无指征住院、推诿患者、低编高靠、转嫁费用等新的违规类型将不断出现。DRG/DIP支付方式改革能降低住院患者的“次均费用”，但是无法从根本上解决“人头费用”，从按项目付费下对每个明细进行监管，到DRG/DIP付费下对每个病例进行监管，需要设置新的监管模型。目前，各地按项目付费监管与DRG/DIP付费监管相对脱离，检查发现问题后，违规金额计算标准未进行明确。从检查思路上来看，日常稽核、智能监管平台着眼于收费项目本身，DRG/DIP监管又过分追求编码本身，按项目付费下的监管与DRG/DIP的监管没有搭建一道“桥梁”，导致监管效率低下，疑似违规数据锁定欠精准、假阳性率过高，需要耗费大量的医学专家、编码员对疑似违规病例进行复审判定。
欺诈行为存在巨大的犯罪风险，为了隐藏这种行为，违规手段“层出不穷”，参保人员、定点机构、犯罪集团可能独立存在，也可能交织存在。每一条刷卡流水会同时关联到药品生产、供应链、参保人、机构，目前大数据反欺诈系统做“聚类、离群”分析，取得了一定的成果，但是面对“更新迭代”违规的行为，如果仅对其中一个点进行分析，很难将隐蔽的欺诈行为“揪出来”。
建立健全DRG监管规则体系，针对不同类型的违规行为制定详细的识别标准和判定规则。利用大数据分析技术，对医疗机构的诊疗数据进行深度挖掘和分析，构建违规行为识别模型，提高对隐蔽违规行为的精准识别能力。例如，通过分析病组费用异常波动、病例数量增长趋势等指标，及时发现潜在的违规线索。
加强对医疗机构病案数据质量管理，建立数据质量考核机制，督促医疗机构规范病历书写和编码操作，提高数据的准确性和完整性。同时，建议国家层面应制定统一的DRG分组标准和数据采集规范，促进各地数据的标准化和规范化，提高数据的可比性和共享性。
构建全面、科学的DRG监测指标体系，涵盖医疗质量、费用控制、资源利用等多个维度，综合反映医疗机构的运行情况和医保基金使用效率。创新监管方式，加强事前预警和事中干预，利用实时监测数据对医疗机构的诊疗行为进行风险评估，及时发出预警信号，对违规行为进行实时阻断。例如，通过设置费用预警阈值，当医疗机构某DRG组费用超出预警线时，系统自动提示医保部门和医疗机构进行干预。
建立医保部门与医疗机构之间的常态化沟通协作机制，加强政策宣传和业务培训，提高医疗机构对医保政策的理解和执行能力。在制定监管规则时，充分征求医疗机构及医疗专家的意见，确保规则的合理性和可行性。同时，医疗机构应建立内部审查机制，加强自我监管，主动规范诊疗行为，实现医保、医疗协同监管。
监管平台系统将日常检查、专项检查、飞行检查、专家审核、智能审核、DRG/DIP智能监管、大数据反欺诈监管等多形式监督检查集中在同一平台。将分散的系统集中整合，提高运行效率。
1.人保天芯(大数据监管平台)，见图1。对以往以及现今所有检查发现的问题进行归类处理，分析具体现象、违规情形、违规产生的深层次原因，形成可视化数据逻辑。对所有结算数据进行计算机数据清洗，将任务规划、线下检查同步线上反馈，通过大数据模型深度学习，人工智能推测预警疑似高风险机构、高风险参保人员或者高风险结算数据。
2.人保天网(现场检查系统)。系统可以根据任务安排，结合定点机构坐标点数据，形成数据集，通过算法设计出最短路径分析，并且可结合医保实际生成“双随机”检查任务。其他日常检查时亦可通过系统进行任务分配。
数据挖掘和机器学习技术可以用于分析和预测路线数据中的模式、趋势和关联性。通过历史路线数据进行挖掘和分析，可以发现潜在的规律，并基于这些规律进行路线优化和预测。通过网络分析Dijkstra算法，来帮助监管人员确定药店之间短距离路线的实现。形成聚合数据包，将数据包随机分配给不同的监管人员。
监管人员通过现场检查，及时线上问题反馈，将现场检查的机构特征存储，进行进一步的数据分析。
(1)系统通过监管人员经验及历史数据，对机构历年数据进行按项目分析，以机构现实数据正向分析、诊疗规范的反向确定违法违规情况。
(2)为适应现今“短、平、快”节奏的飞行检查，将飞行检查的一系列工作直接以系统模板体现，将信息与医学人员的翻译过程通过系统手段实现。减少现场检查的学习时间以及成本，医学人员仅需使用简单的需求提出模块，信息人员后台就可生成相应规则。部分简单的逻辑需求医学人员可以使用既有的SQL语句生成数据，大大减少检查人员的时间成本。
(3)系统可直接生成数据、台账、证据目录以及笔录文档等材料，并且现场取证的材料也可以通过系统上传。将完整的检查材料保留在系统内，医保部门可通过系统查阅历史数据，并将违法违规情况对机构进行特征处理。形成完整的“生命周期”管理。
4.人保天河(DRG/DIP智能监测监管系统)。通过患者的诊疗费用明细，反向推算是否符合该结算方案。通过还原DRG/DIP算法，分析是否有疑似违规情况。
系统实现将按项目付费与DRG/DIP监管相结合的新的监管模型。在实现DRG/DIP监管的同时，与按项目付费相结合，通过系统自动结算生成违规金额。
5.人保天眼(大数据反欺诈系统)。通过现场检查监管系统、飞检协同系统、DRG/DIP智能监管系统的全数据特征处理完成，当现场检查发现违规问题时，通过该问题特征分析出其他医疗机构是否有类似情况。也可通过数据挖掘分析相似问题，进行聚合处理，从而缩小问题范围，进一步提高监管效率。也可通过个人的用卡习惯，分析路径、分析参保人员特征，以及全量分析整个统筹地的基金使用流向。
为了提高系统的灵活性和可扩展性，采用前后端分离的形式。前端采用React+Typescript框架，通过模块化设计，实现界面的清晰和易维护性；后端则选用Python+Flask+sqlserver进行接口开发。
系统通过和医疗专家的充分交流，使用规则加模型的双重监管方案，将医疗专家发现的问题规则写入系统，部分数据投入机器学习。通过规则筛选的数据与机器学习模型结果做比对，不断提高模型的准确率。
系统的功能涵盖数据采集模块、数据分析模块、预警提示模块以及报表生成模块等。数据采集模块负责从各个数据源获取数据，并进行整合和存储；数据分析模块则对采集的数据进行深度分析，提供有价值的信息和见解；预警提示模块能够及时发现数据异常或趋势变化，并进行预警提示，以帮助用户及时应对；而报表生成模块则能够根据用户需求，自动生成定制化的报表，为决策提供可靠支持。
通过以上架构设计和功能模块的实现，系统能够为用户提供全面、高效的数据管理和分析服务，助力用户更好地理解数据、把握趋势、作出科学决策。实现对统筹区或医疗机构的全方位数据分析、实现对DRG/DIP下的各类违规情形的精准识别。不同于按项目付费监管的着眼于项目本身，DRG/DIP监管着眼于整个病例，需要对病案首页、医保结算清单、医保结算明细等数据进行全方位分析，有条件的情况下可以结合HIS、LIS、PACS数据来提高检出率。
使用Sklearn通过对数据的特征分析建立模型。通过建立的系统进行应用。目前部署在微软系服务器下，未来可考虑部署在国产服务器下进行使用。大数据监管平台最低使用16G内存，在I5系列12代cpu环境下运行，预留100G安装空间(包含根据要求生成的EXCEL文件)。
针对日常检查、专项检查、双随机检查、飞行检查等建立相应的模块。使用前后端分离的模式，前端使用react+typescript框架、高德地图api进行前端开发。后端使用“python+flask+sqlserver”架构进行数据处理、业务逻辑和数据库交互，Hadoop框架用于集群和大数据机器学习。
3台均衡型节点和3台管控型节点为基础进行集群离线台应用型节点用于部署更新机器学习模型技术。1台备份机用于备份数据存储学习数据。大数据监管平台系统部署在各个监管团队本地，连接应用节点进行更新。
使用Nginx负载均衡功能，保证所有服务器不会因为大量的数据访问而宕机。通过冗余的服务器资源，避免单点故障，确保系统的高可用性，从而进一步提高了系统的稳定性；同时，通过负载均衡的方式，可以隐藏内部服务器的真实IP地址，增强系统的安全性。
简单的用户手册，去除烦琐的其他功能，使监管人员上手即操作，给用户提供较好的使用体验。
2.Flask作为Web框架，因为它轻量且灵活，适合构建快速原型和微服务架构。
3.Microsoft SQL Server作为数据库管理系统，因其强大的性能和数据处理能力。
4.Nginx作为反向代理服务器和负载均衡器，以提高系统的并发处理能力和性能。
5.Sklearn是一个用于机器学习的Python库，提供了简单而高效的工具，用于数据挖掘和数据分析，建立在NumPy、SciPy和matplotlib之上。它具有丰富的功能和良好的文档支持，是机器学习领域广泛使用的库之一。
系统中使用的技术架构均已广泛应用于各个工作场景，具有成熟的架构环境和社区资源。经过验证与分析，能行之有效地投入大数据监管平台中使用。
1.大数据监管平台使用了前后端分离的设计，使得前端和后端技术充分发挥；单页面网页结构，让用户体验页面的瞬间跳转，不再存在网页白屏和长时间加载的烦恼，极大地提高了系统的响应速度。
2.各系统拥有简易的配置文件，可让使用的信息人员，简单地配置连接的数据库。
3.人保天机(飞检协同系统)中拥有丰富的SQL语句模板，覆盖监管中SQL语句的70%以上。
4.人保天河(DRG智能监测监管系统)基础数据库使用SQLserver数据库，由于医保、医院的数据中心往往由SQLserver或者Oracle数据库构建。人保天河使用完全隔离的机制，将医院数据与大数据监管平台数据完全分离。未来，可以直接连接医院端数据库，在院端进行验数操作，真正做到医院数据不离开医院，给数据多一层安全保障。
5.人保天眼(大数据反欺诈系统)将过去数据作为基础，分析现在机构的异常增长情况，为现场检查提供数据支持。
6.人保天网(现场检查系统)可以对购药行为进行深度分析，通过扫描药品二维码，自动识别药品规格、支付价格及相关药品的历史销量数据等。解决了监管人员人工录入药品规格、型号有遗漏的问题。
7.通过使用内置标准化的检查表格，使学习成本大大降低，大幅地提高了监管人员在现场检查的工作效率。
1.兼容性。大数据监管平台使用前后端分离最大的益处即兼容性，后端接口设计可兼容通过任何形式(APP，h5)经过认证的前端的访问。大数据监管平台能够适应绝大部分的应用环境及工作场景，在后端接口能够兼容通过任何形式经过认证的前端访问的情况下，该系统可适配任意其他信息系统，有着非常优秀的兼容性。
2.经济性。该系统在成本上易于实施，大数据监管平台大部分使用离线模式进行计算，上线数据内容较少，并发成本较低，不涉及需要的额外资源和开销(如较高的CPU使用率、内存消耗、网络带宽、磁盘I/O等)，大大压缩及控制了开发成本，整体上保证了搭建系统的经济性。
1.通过实时监控医疗机构的服务行为、参保人员的就医行为和医保基金的使用情况，确保医保资金的安全、合理、有效使用。这不仅有助于保障患者的合法权益，提升患者对于医疗服务的满意度，还有助于优化医疗资源的配置，提高医保基金的配置效率。
2.深度分析和挖掘采集到的数据，为医保管理部门提供科学决策支持。例如，系统可以帮助制定和调整医保政策，优化医保支付标准，从而推动医保制度的不断完善和发展。
3.通过识别医疗保障领域的风险点，进行风险评估和预警，帮助医保管理部门及时采取应对措施，降低风险。这有助于维护医疗保障制度的稳健运行，提升社会保障水平。
4.实现与相关部门的信息共享，提高监管效率和协同能力。这有助于打破信息孤岛，促进各部门之间的合作与沟通，共同推动医疗保障事业的发展。
大数据监管平台带来的社会价值不仅体现在保障医保资金安全和提升医疗服务质量上，还体现在推动医保制度改革和完善、优化医疗资源配置以及提高监管效率和协同能力等方面。
未来，大数据监管平台将与机构企业信息查询、人脸识别等手段相结合，应用于反欺诈大数据模型，将机构行为实时划分风险等级，智能监管平台可实时查看相关预警，及时处理疑似重大案件线索，亦可将欺诈行为扼杀在摇篮中。真正实现线上与线下相结合的全流程闭环监管模式，运用大数据和人工智能技术构建全方位、多层次、立体化监管体系，建立医保基金的安全屏障。
0572-2909989
