itzdivicodes/Medical-Insurance-Fraud-Detection

# 🏥 医疗保险欺诈检测的可解释且可扩展的人工智能框架 ## 📌 项目概述 本项目提出一个基于人工智能的可解释且可扩展的框架，用于通过多模态时序分析检测医疗保险索赔欺诈。系统利用机器学习技术识别患者、提供方和索赔数据中的可疑模式，同时确保可解释性和可靠性。 ### 📊 数据集 本项目使用的数据集来源于 Kaggle： 🔗 https://www.kaggle.com/datasets/tejalaveti2306/health-insurance-claims-data-for-fraud-detection/data - 包含 **20,000 条合成医疗保险索赔记录** - 覆盖 **1,000 家医疗机构** - 包含 **30 个特征**，如索赔详情、计费信息和提供方数据 该数据集为人工生成，旨在模拟真实医疗场景并保护数据隐私。 ### 🎯 目标 - 使用人工智能/机器学习模型检测欺诈性保险索赔 - 分析索赔历史中的时序模式 - 确保 **模型可解释性**，以建立信任与透明度 - 构建 **可扩展框架**，以处理大规模医疗数据 ### ⚙️ 关键特性 - 多模态数据分析（索赔、患者、提供方数据） - 使用高级模型（如 LSTM）进行时序模式学习 - 可解释人工智能技术（如 SHAP、特征重要性） - 欺诈分类（真实索赔 vs 欺诈索赔） ### 🧠 方法论 1. 数据预处理与清洗 2. 特征工程 3. 处理类别不平衡 4. 模型训练（随机森林、LSTM 等） 5. 可解释性分析 6. 性能评估 ### 📈 应用场景 - 保险欺诈检测系统 - 医疗分析研究 - 风险评分与异常检测 - 策略与索赔审计 ### 🛠️ 技术栈 - Python - Pandas、NumPy - Scikit-learn - TensorFlow / Keras - Matplotlib / Seaborn ### 📊 预期输出 - 高准确率的欺诈检测模型 - 对欺诈模式的可解释性洞察 - 可用于实际部署的可扩展管道 ### 🚀 后续增强 - 实时欺诈检测系统 - 与医院数据库集成 - 高级深度学习模型（Bi-LSTM、注意力模型） - 使用云平台进行部署 ### 👩‍💻 作者 **Divya P** **Lokireddy Madhavi** **Bagadi Anjana**

标签：AI审计, Apex, Keras, LSTM, Matplotlib, NumPy, Python, Scikit-learn, Seaborn, SHAP, TensorFlow, XAI, 保险欺诈, 健康保险, 医疗保险欺诈检测, 医疗数据分析, 可扩展AI框架, 可解释AI, 多模态数据, 异常检测, 提供者行为, 政策审核, 无后门, 时间序列分析, 时间模式, 机器学习, 模型可解释性, 欺诈检测, 特征工程, 类别不平衡, 索赔分析, 逆向工具, 随机森林, 风险评分