本发明属于医疗健康数据挖掘，具体涉及一种处方篡改行为的综合检测方法和系统。
背景技术：
1、随着医疗保险体系中存在处方篡改行为，处方篡改行为包括非法更改药品剂量、类型或者药品数量等，这类行为不仅造成巨大的经济损失，还可能危害患者健康，甚至生命安全。因此，开发有效的技术来检测和预防此类行为具有重要意义。
2、目前，处方篡改行为的检测主要依赖于传统的统计分析方法和规则检查系统。这些方法在处理简单和明显的处方篡改行为时表现良好，但面对复杂的医疗数据和精心设计的处方篡改行为时，往往效果不佳。统计方法通常需要预定义的阈值和规则，这使得它们在新型篡改行为手段面前显得力不从心。此外，随着医疗数据量的急速增加，传统方法在数据处理速度和效率低下，难以适应医疗保险数据的快速增长和更新。
3、机器学习特别是深度学习技术在医疗数据分析领域显示出巨大潜力。无监督学习模型，如孤立森林算法（isolation forest）、局部异常因子算法（local outlier factor，lof）、单类支持向量机（one-class svm）和自编码器等，已被用于检测各种异常行为，例如申请公布号为cn106682685a的专利申请公开的基于微波加热温度场分布特征深度学习的局部温度变化异常检测方法，其利用孤立森林算法进行异常检测，再例如申请公布号为cn115080964a的专利申请公开的基于图深度学习的数据流转异常检测方法及系统，其利用图深度学习和孤立森林算法进行异常检测。这些模型能够从大量未标记的数据中学习，并自动识别数据中的异常模式。然而，这些模型通常需要大量的调优和专业知识才能达到最佳性能，且单一模型往往难以应对多样化的处方篡改行为。
技术实现思路
1、鉴于上述，本发明的目的是提供一种处方篡改行为的综合检测方法和系统，其基于统计分析、无监督学习与深度学习来综合实现对处方篡改行为的准确检测，适用于各类多样化的处方篡改行为。
2、为实现上述发明目的，实施例提供的一种处方篡改行为的综合检测方法，包括以下步骤：
3、获取医保诊疗数据并提取特征信息后基于特征信息计算处方数量和药品剂量变化；
4、通过对处方数量和药品剂量变化进行统计分析得到描述性特征、趋势性特征，并依据这些特征进行初级异常检测；
5、以初级异常检测得到的描述性特征、趋势性特征以及引入的行为特征构成数据集，利用孤立森林算法对数据集进行二级异常检测来确定初始异常数据点并标记，其中孤立森林算法中采用的分割点基于随机分割策略、基于中位数分割策略、以及特征重要性分割策略中的至少2种来确定；
6、利用深度学习模型基于标记的初始异常数据点进行数据重构，通过比较重构误差与异常阈值进行终级异常检测来确定最终异常数据点，并基于最终异常数据点确定处方篡改行为。
7、优选地，获取医保诊疗数据并提取特征信息后基于特征信息计算处方数量和药品剂量变化，包括：
8、获取医保诊疗数据并提取特征信息，特征信息包括购药信息、药品种类、金额、处方医生、购药时间、医保定点机构名称和编码；
9、基于特征信息计算每个患者在固定时间窗口内的处方数量和处方中药品剂量变化。
10、优选地，通过对处方数量和药品剂量变化进行统计分析得到描述性特征、趋势性特征，包括：
11、对处方数量、药品剂量变化进行统计分析得到的描述性特征包括平均药品剂量、药品剂量标准差、基于药品在固定时间窗口内出现在处方中的次数和次数占比统计的药品种类分布、以及基于患者在固定时间窗口内的处方数量确定的处方次数和处方频次；
12、趋势特征包括统计时间窗口的处方数量变化和药品剂量变化，其中统计时间窗口包括1天、3天、7天、一个月、以及一个季度；
13、引入的行为特征包括历史处方模式、医生开具药品的频率、药物替代频率、医生处方的多样性、以及处方药物组合模式。
14、优选地，构造移动平均线，使用移动平均线去平滑处方数量的时间序列数据和药品剂量的时间序列数据，来得到1天、3天、7天、以及一个月的处方数量变化和药品剂量变化，其中，移动平均，其中k是移动窗口的大小，表示第i个数据点，t表示某一个时间点；
15、季度的处方数量变化和药品剂量变化通过stl分解算法对计算得到。
16、优选地，孤立森林算法中采用的分割点基于随机分割测量、基于中位数分割策略、以及特征重要性分割策略中的至少2种来确定，包括：
17、生成一个随机数r，且0≤ r<1，若0 ≤r<p1，选择随机分割策略，若p1 ≤ r<p1 +p2，选择基于中位数分割策略，若p1 + p2 ≤ r<p1 + p2 + p3，选择特征重要性分割策略，生成的随机数r按照上述测量选择方式能够选择至少2种策略，其中，p1为随机分割策略的概率，p2为基于中位数分割策略的概率，p3为特征重要性分割策略的概率；
18、分别计算被选择策略下的分割点，并按照每个策略的权重对被选择策略下的分割点进行加权合并得到最终分割点。
19、优选地，所述深度学习模型采用引入注意力机制的变分自编码器，其在被应用之前经过参数优化，参数优化时采用的损失函数包括重构损失和kl散度损失。
20、优选地，通过比较重构误差与异常阈值来确定最终异常数据点，包括：
21、准备测试数据集，并将测试数据集输入至深度学习模型中，计算测试数据集中每个数据点的重构误差，并依据重构误差的分布设定异常阈值；
22、比较初始异常数据点的重构误差与异常阈值，将高于异常阈值的初始异常数据点确定为最终异常数据点。
23、为实现上述发明目的，本发明实施例提供了一种处方篡改行为的综合检测系统，包括：
24、数据处理模块，其用于获取医保诊疗数据并提取特征信息后基于特征信息计算处方数量和药品剂量变化；
25、初级检测模块，其用于通过对处方数量和药品剂量变化进行统计分析得到描述性特征、趋势性特征，并依据这些特征进行初级异常检测；
26、二级检测模块，其用于以初级异常检测得到的描述性特征、趋势性特征以及引入的行为特征构成数据集，利用孤立森林算法对数据集进行二级异常检测来确定初始异常数据点并标记，其中孤立森林算法中采用的分割点基于随机分割策略、基于中位数分割策略、以及特征重要性分割策略中的至少2种来确定；
27、终级检测模块，其用于利用深度学习模型基于标记的初始异常数据点进行数据重构，通过比较重构误差与异常阈值进行终级异常检测来确定最终异常数据点，并基于最终异常数据点确定处方篡改行为。
28、为实现上述发明目的，实施例还提供了一种计算设备，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现上述处方篡改行为的综合检测方法。
29、为实现上述发明目的，实施例还提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述处方篡改行为的综合检测方法。
30、与现有技术相比，本发明具有的有益效果至少包括：
31、通过统计分析确定描述性特征和趋势性特征，并基于这些特征进行初级异常检测，在初级异常检测得到的描述性特征、趋势性特征中同时引入行为特征，以这些特征为数据集来通过孤立森林算法进行二级异常检测，在检测时通过基于随机分割策略、基于中位数分割策略、以及特征重要性分割策略中的至少2种来确定分割点，这样能够更加准确高效地筛选初级异常数据点，然后以初始异常数据点为基础，通过基于深度学习模型的数据重构来终级判断最终的异常数据点，这种综合统计分析、独立森林算法等无监督学习、以及深度学习的方式来进行异常检测，不仅可以从不同的角度识别异常，还能相互验证和补充，从而提高整体的检测准确性和效率。
1.一种处方篡改行为的综合检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的处方篡改行为的综合检测方法，其特征在于，获取医保诊疗数据并提取特征信息后基于特征信息计算处方数量和药品剂量变化，包括：
3.根据权利要求1所述的处方篡改行为的综合检测方法，其特征在于，通过对处方数量和药品剂量变化进行统计分析得到描述性特征、趋势性特征，包括：
4.根据权利要求3所述的处方篡改行为的综合检测方法，其特征在于，构造移动平均线，使用移动平均线去平滑处方数量的时间序列数据和药品剂量的时间序列数据，来得到1天、3天、7天、以及一个月的处方数量变化和药品剂量变化，其中，移动平均，其中k是移动窗口的大小，表示第i个数据点，t表示某一个时间点；
5.根据权利要求1所述的处方篡改行为的综合检测方法，其特征在于，孤立森林算法中采用的分割点基于随机分割测量、基于中位数分割策略、以及特征重要性分割策略中的至少2种来确定，包括：
6.根据权利要求1所述的处方篡改行为的综合检测方法，其特征在于，所述深度学习模型采用引入注意力机制的变分自编码器，其在被应用之前经过参数优化，参数优化时采用的损失函数包括重构损失和kl散度损失。
7.根据权利要求1所述的处方篡改行为的综合检测方法，其特征在于，通过比较重构误差与异常阈值来确定最终异常数据点，包括：
8.一种处方篡改行为的综合检测系统，其特征在于，包括：
9.一种计算设备，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，其特征在于，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1-7中任一项所述的处方篡改行为的综合检测方法。
10.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1-7中任一项所述的处方篡改行为的综合检测方法。
