服务类

名称：宿州市医保反欺诈大数据应用监管建设及服务项目（一包）

服务范围：本项目依托全省一体化数据基础平台宿州节点建设，根据需求建设医保反欺诈大数据应用监管项目，提高医保反欺诈能力，具体包括以下内容：

1.构建反欺诈数据监测专区，实现安徽省国家医保信息平台宿州市全量数据访问权限，实现数据共享；与国家医保信息平台反欺诈数据监测专区实现业务协同，数据协同；与国家医保信息平台反欺诈数据监测专区实现业务协同，数据协同；实现对全量业务数据的抽取、清洗和治理；

2.构建反欺诈分析模型，聚焦药店数据、异地就医、DIP 监管等领域，根据以往发现的骗保案例，提炼总结出需要重点监控的方向，并进行针对性大数据模型搭建、参数校验等，通过线索核查的方式，对模型进行反馈验证和优化训练，确保模型的精准性、适用性；

3.构建指标监测能力体系，针对各项重点领域展开监测，包括重点医药机构、重点参保人群、重点业务场景、重点违规行为等，实现对医保海量业务数据监测筛查，缩小可疑数据范围。包括参保人员监测、诊疗行为监测。

4.数据治理开发，构建医保数据资源池，将原始医保基础、服务、经办、管理数据通过数据汇聚整合形成医保数据资源池，解决数据分散、数据交换及分析统计数据源头问题。磋商文件涉及的服务范围所有内容，我公司均承诺按照磋商文件要求提供优质服务。

服务要求：本项目依托全省一体化数据基础平台宿州节点建设，根据需求建设医保反欺诈大数据应用监管项目，提高医保反欺诈能力，具体包括以下内容：1.构建反欺诈数据监测专区，实现安徽省国家医保信息平台宿州市全量数据访问权限，实现数据共享；与国家医保信息平台反欺诈数据监测专区实现业务协同，数据协同；与国家医保信息平台反欺诈数据监测专区实现业务协同，数据协同；实现对全量业务数据的抽取、清洗和治理；2.构建反欺诈分析模型，聚焦药店数据、异地就医、DIP 监管等领域，根据以往发现的骗保案例，提炼总结出需要重点监控的方向，并进行针对性大数据模型搭建、参数校验等，通过线索核查的方式，对模型进行反馈验证和优化训练，确保模型的精准性、适用性；

3.构建指标监测能力体系，针对各项重点领域展开监测，包括重点医药机构、重点参保人群、重点业务场景、重点违规行为等，实现对医保海量业务数据监测筛查，缩小可疑数据范围。包括参保人员监测、诊疗行为监测。

4.数据治理开发，构建医保数据资源池，将原始医保基础、服务、经办、管理数据通过数据汇聚整合形成医保数据资源池，解决数据分散、数据交换及分析统计数据源头问题。

1.3. 主要产出

1.3.1. 构建反欺诈数据监测专区建立基金监管反欺诈数据监测专区，实现对医保基金监管相关数据的整合、汇聚和统一管理，对数据进行清洗、过滤、统一标准化处理，以确保数据的准确性和可靠性，支持结构化、半结构化和非结构化数据类型采集。在医保基金监管中涉及到的数据来源有医保业务系统、数据中台、两定机构数据、互联网数据、跨部门共享数据等。

1.3.1.1. 数据安全依据不同种类数据实体（属性）的相关业务特征和管控要求，对数据在生产、传输、存储和应用过程中采取的安全措施，确定所需的数据对象和相关的属性，根据配置好的安全标签的等完成数据授权管理，支持数据分发工作，以及服务访问时的数据安全；

1.3.1.2. 数据管理通过建立基金监管反欺诈数据监测专区，实现对医保基金监管相关数据的统一管理，包含数据授权管理、脱敏规则管理。1.3.1.3. 数据采集对结构化、半结构化和非结构化数据类型，采用不同的技术手段完成接入。基于大数据多源异构数据源适配技术，支持多种数据源的连接访问和数据集成，包括但不限于主流关系型RDBMS、MPP、Excel/CSV 文本数据源、基于 Hadoop 的大数据平台数据源以及其他多种 JDBC 数据源等。对内部、外部各种类别的数据交换共享，数据源分类管理、服务数据源的增删改查、数据源测试的可视化配置。

1.3.1.4. 数据处理数据处理主要任务是面向具体的数据内容，建立标准化的数据汇聚适配接入模式，按照提取、清洗、关联、比对、标识等规范流程进行转换处理，为上层的各类数据应用实现数据增值、数据准备、数据抽象，最终实现将数据处理流程划分为一系列的有序阶段或步骤，以便更好地组织、管理和执行数据处理任务。

1.3.1.5. 数据应用通过对数据的需求分析、设计、开发、测试、上线、运行和优化等提升提高数据应用的质量和稳定性。

1.3.1.6. 数据汇聚通过配置前置系统模块，数据源管理，数据探查，数据读取，任务管理，数据分发，服务调度管理，接入统计等方面的技术手段，完成相关的基础数据、业务数据和感知数据等汇聚。

1.3.1.7. 专区协同通过建立与国家医疗保障局建设平台的互联，在系统上完成业务协同，数据协同内容，建设反欺诈数据监测专区协同，确保信息共享、协同调查、联合督查等工作的顺利开展。

1.3.1.8. 服务方式提供一线团队驻场和二线团队远程技术支撑的方式。1.3.2. 构建反欺诈分析模型构建反欺诈分析模型，聚焦药店数据、异地就医、DIP 监管等领域，根据以往发现的骗保案例，提炼总结出需要重点监控的方向，并进行针对性大数据模型搭建、参数校验等，通过线索核查的方式，对模型进行反馈验证和优化训练，确保模型的精准性、适用性。

1.3.2.1. 药店数据筛查模型就诊购药监管卡聚集购药模型：在同时同地出现同卡群（3 张卡及以上）在一小时内集中购药的行为。一个月内在不同定点医药机构两次及以上同一卡群集中购药。就诊购药监管结算时序异常模型：定点零售药店在非常规营业时间或某一时间段内的销售数据（数量或金额）明显异常增加。就诊购药监管慢特病药品连续性异常模型：单人出现用于慢特病的 5 种及以上药品，追溯过往购药情况判断用药的持续性。就诊购药监管慢特病用药范围模型：医保结算药品是否符合治疗申报病种范围内慢特病药品。就诊购药监管超/批量购药模型：每个人单次购买单种药品的数量，结合最大服用剂量，找出购药数量明显不合理记录。就诊购药监管重复购药模型：单次流水订单中，出现药理作用相同，且非同一品种的药物。就诊购药监管分散购药模型：购药人一天内在 2 个及以上不同定点医药机构购买同类药品就诊购药监管串换药品模型：同一定点零售药店同一时间段同一药品出现不同结算价格或同一药品销售量异常增加。进销存监管库存异常监测模型：库存异常数据分析，如：药品销售量高于进货量，药品医保结算量高于销售量等不符合逻辑情况，防范串换药等欺诈风险。

1.3.2.2. DIP 监管模型分解住院模型：未按照临床出院标准规定，人为将一次连续住院治疗过程，分解为二次甚至多次住院治疗，或人为将参保人员在院际之间、院内科室之间频繁转科（科室互转、医联体互转），还有拆解手术等行为。另外，出院 14 天内无正当理由再次入院也视为分解住院。分解收费模型：将诊疗服务项目实施过程分解成多个环节逐个（分别）收费，或将诊疗项目内涵中已包含的内容，单独计费，造成多收费，或为达到控费或更多结余目的而不收和少收等行为。低标入院模型：不符合入院标准或降低入院指征的住院管理行为，筛选出住院购药费用占总费用比例大于 70%的患者。筛选出住院体检、检查费用占总费用比例大于 70%的患者。编码高套模型：为获得更大利益，编码员填写编码过程中，以支付标准较高的诊断或手术替换支付标准较低的诊断或手术、或者上传实际未发生治疗行为的诊断或手术、编码拆分（例如联合诊断、联合手术）等行为。编码套低模型：因诊断漏填、主诊断选择错误、手术漏填、主手术选择错误等导致病案进入费用较低病种，以获得更大结余或降低超支额度等行为。费用转嫁模型：刻意将 DIP 服务包中的费用向不同支付项目间或政策漏洞转嫁等行为，DIP 病种单次费用低于 DIP 分组付费标准（10%-20%）。

1.3.2.3. 异地就医监管模型疾病费用对比分析模型：对比就医地同疾病不同参保人群（参保地人群与就医地参保人员）治疗费用及明细结构，分析统筹区内与统筹区外治疗费用差异，横向比较关注重点监测指标。就医趋势分析模型：分析各统筹区异地就医变化趋势，结合就医地医疗服务水平，关注医疗费用、基金增长异常，侧重发展医疗服务不足地方。成群结队异地就诊套刷模型模型：多个参保人数，同一医疗机构，相同时间门诊或出入院，且次数超过阈值，则认定为可疑。人聚集；病种集中；重点监控民营医疗机构或专科医院。冒名（死亡、虚假）就医模型：结合参保人前后一个月（不限）内就医记录，是否存在人员在参保地活动同时在就医地就诊记录，或通过比对公安、民政、人社、卫生健康委员会相关信息等方式辨别是否本人就医。低标入院模型：不符合入院标准或降低入院指征的住院管理行为，根据医疗机构级别筛选出住院药品费用占总费用比例分别大于就医地上年度平均药占比 20%的；根据医疗机构级别筛选出住院检查、检验费用占总费用比例分别大于就医地上年度平均值占比 20%的。过度诊疗模型：同疾病参保人住院费用大于当地参保人群次均住院费用 20%及以上；结合诊疗项目、药品数据筛查同类项目计费次数、药占比、检查占比等数据判断治疗是否合理。存在第三方责任的住院模型：比对公安、卫健、法院、人社等部门推送的数据，筛查交通事故、医疗纠纷、工伤等不符合医保基金支付范围的医药服务产生的医保结算费用。其他超医保基金支付范围住院模型：结合疾病诊断、手术和主要诊疗方式等数据，筛查美容整形、激光近视矫正、减重代谢、辅助生殖、不孕不育等不符合医保基金支付范围的医药服务结算数据。违规行为审核模型：基于国家三大目录，依托本地智能监管审核系统筛查涉嫌违规的医疗服务行为。

1.3.2.4. 服务方式提供一线团队驻场和二线团队远程技术支撑的方式。1.3.3. 构建指标监测能力体系针对各项重点领域展开监测，包括重点医药机构、重点参保人群、重点业务场景、重点违规行为等，实现对医保海量业务数据监测筛查，缩小可疑数据范围。包括参保人员监测、诊疗行为监测。

1.3.3.1. 参保人员监测基于参保人，从个人账户、住院，特定人群维度，