医療保険データにおける説明可能な教師なし異常検知
カテゴリ：医療現場の業務効率化
公開日：2026年2月19日
タイトル：Explainable unsupervised anomaly detection for healthcare insurance data
雑誌名：BMC Med Inform Decis Mak. 2025 Jan 09; 25(1): 14.
概 要：
本研究は、医療保険における無駄や詐欺の問題に対処するためのデータマイニングと機械学習手法を用いたワークフローを提案しています。ラベル付きデータの取得が困難な中、異常なリソース使用を示す医療提供者を特定することで、効率的に無駄や詐欺を検出することを目的としています。高次元のカテゴリ変数に対処するためのカテゴリ埋め込み、最先端の教師なし異常検知技術、モデル出力を説明するためのSHAPを組み合わせています。
方 法：
本研究では、異常なプロファイルを持つ医療提供者を対象に、カテゴリ埋め込み、教師なし異常検知技術、SHAPを用いたワークフローを構築しました。これにより、医療保険の異常検知において新たなアプローチを提供します。評価は、ベルギーの最大の健康保険基金の専門家の協力を得て行われました。
結 果：
提案した手法は、既知の異常プロファイルを持つ医療提供者に対して評価され、定量的実験により、カテゴリ埋め込みが標準的手法に比べて有意な改善を示し、最先端の教師なし異常検知技術が従来の手法に対して一般的に改善を示しました。実際の設定では、SHAPを用いたワークフローが一般開業医の間で以前は知られていなかった異常な傾向を検出しました。
結 論：
提案したワークフローは、異常な行動を示す医療提供者を検出し、専門家が医療保険分野における詐欺や過剰消費に関する情報に基づいた意思決定を行うのを支援します。