在使用GNN架构的医疗声明中检测和解释欺诈行为
Reem Muhammad1, Dina Tbaishat2,3, Amril Nazir4
1TachyHealth Inc., Cairo, Egypt.
Scientific reports
|November 24, 2025
概括
图形神经网络 (GNN) 通过分析复杂的医疗数据关系,有效地检测医疗保险欺诈行为. HINormer和RE-GraphSAGE模型在识别各种数据集大小的欺诈性索赔方面显示出高准确度.
科学领域:
- 人工智能的人工智能
- 机器学习 机器学习
- 医疗保健信息学 医疗保健信息学
背景情况:
- 医疗保险欺诈对医疗保健系统造成了巨大的经济负担.
- 传统的欺诈检测方法在医疗保健数据中难以捕捉复杂的实体间关系.
- 图形神经网络 (GNN) 为分析关系数据提供了一个有前途的方法.
研究的目的:
- 调查GNN在检测医疗保险索赔中的欺诈行为的有效性.
- 将医疗保健实体及其相互作用建模为欺诈分析的异质图.
- 将不同GNN架构的性能与真实世界索赔数据进行比较.
主要方法:
- 使用了两个最先进的异质GNN架构:HINormer和HybridGNN.
- 调整了一个同质的 GNN,RE-GraphSAGE,以处理异质的医疗保健数据.
- 对现实世界医疗索赔数据集的评估模型具有不同大小 (小,中,大) 的数据集,包括数百万项活动.
主要成果:
- 在小型数据集上,HINormer和RE-GraphSAGE获得了最高的F分 (84%和83%).
- 在中等数据集上,RE-GraphSAGE和HINormer表现出最高的性能 (84%和81%的F-score).
- 在大型数据集上,HINormer和RE-GraphSAGE获得了最佳结果 (82%和79%的F-score).
结论:
- GNN,特别是HINormer和RE-GraphSAGE,在检测医疗保险欺诈方面非常有效.
- 在不同的数据集大小中,GNN模型的性能有所不同.
- 可解释性技术 (GNNExplainer,PGExplainer) 提供了对模型决策和医学意义的见解.
