本项目构建了一个端到端的医疗保险欺诈检测系统，集成了数据分析、模型训练、特征解释和防控策略生成等功能。系统基于美国医疗保险和医疗补助服务中心（CMS）以及美国卫生与公众服务部监察长办公室（OIG）的公开数据构建。项目创新性地引入了智能风控Agent架构，通过PM/工程师双层设计实现了从欺诈识别到风险防范的全流程智能化,尤其实现了工程架构上的创新，极大程度实现提效的目的。
- 全流程自动化：从数据预处理到模型部署的完整流程自动化
- 多模型集成：集成了逻辑回归、随机森林、XGBoost和深度神经网络等多个模型
- 可解释性分析：使用SHAP值提供详细的模型解释
- 防控策略生成：自动生成可执行的风险防控规则
- 智能Agent架构：PM/工程师双层架构，实现从需求分析到代码实现的智能协作
本项目利用两个主要数据源构建医疗保险欺诈检测数据集：
- CMS Medicare Part B 数据
- 来源：美国医疗保险和医疗补助服务中心（CMS）
- 内容：医生执行的具体诊疗项目及费用信息
- 特点：
- 基于医生NPI（National Provider Identifier）唯一标识
- 使用HCPCS（Healthcare Common Procedure Coding System）编码标识医疗程序
- 包含平均支付金额、收费次数、医疗专业等信息
- 按提供者NPI、HCPCS代码和服务地点进行聚合
- LEIE（List of Excluded Individuals/Entities）数据
- 来源：美国卫生与公众服务部监察长办公室（OIG）
- 更新频率：每月更新
- 用途：识别被排除在联邦医疗保健计划之外的个人或实体
- 特点：包含医疗保险欺诈相关刑事定罪记录
- 通过医疗实体唯一识别码（NPI）将CMS数据与LEIE黑名单关联
- 提取相关特征并进行标准化处理
- 生成最终包含95万条记录的特征库
- 样本规模：95万条医疗记录
- 特征数量：11个特征（7个数值特征，4个类别特征）
每条记录包含：
- 医生唯一标识（NPI）
- 提供者类型（专业领域）
- HCPCS服务代码
- 服务地点（医院/诊所）
- 索赔计数和相关属性
- 梯度剥离噪声技术：通过梯度下降法识别并剥离数据中的噪声，提高特征质量
- 时序比值特征：融合就诊频次与费用波动构建时序比值特征，捕捉异常模式
- 决策树逆向解析：通过决策树模型逆向解析异常场景关联规律，提取高价值特征
- 三层级模型体系：构建"快筛-精筛-归因"三层级模型体系
- 快筛层：基于轻量级模型快速筛选高风险案例
- 精筛层：使用复杂模型对高风险案例进行精细分析
- 归因层：通过可解释AI技术对欺诈行为进行归因分析
- 双层筛查机制：耦合有监督与无监督检测方法，提高检测准确性
- 模型性能：KS值达0.37，F2分数达0.76
- 欺诈路径逆向解析：通过模型解释技术逆向解析欺诈路径
- 规则链生成：基于欺诈路径自动生成风险防控规则链
- 动态阈值优化：基于成本敏感学习动态优化风险阈值
- 断点回归验证：使用断点回归方法验证策略有效性
- PM层：负责需求分析、任务分解和结果评估
- 需求理解与转化
- 任务优先级排序
- 成果质量评估
- 迭代方向决策
- 工程师层：负责技术实现和代码优化
- 算法设计与实现
- 代码优化与重构
- 技术文档生成
- 单元测试与调试
- 结构化文档体系：
- 需求文档模板
- 技术规范文档
- 代码注释规范
- 测试报告模板
- 动态反馈循环：
- 实时进度追踪
- 阶段性成果评估
- 问题快速响应机制
- 持续优化建议
- 自我进化机制：
- 代码自动重构
- 性能自动优化
- 文档自动更新
- 测试自动生成
- 完成度突破策略：
- 模块化设计
- 增量式开发
- 持续集成部署
- 自动化测试覆盖
murphysystermmodelcode/
├── config/ # 配置文件
│ ├── model_config.py # 模型配置
│ └── system_config.py # 系统配置
├── models/ # 模型实现
│ ├── feature_engineering/# 特征工程模块
│ │ ├── gradient_noise_removal.py # 梯度剥离噪声
│ │ └── temporal_ratio_features.py # 时序比值特征
│ ├── detection/ # 欺诈检测模块
│ │ ├── quick_screening.py # 快筛模型
│ │ ├── fine_screening.py # 精筛模型
│ │ └── attribution.py # 归因模型
│ └── policy/ # 策略优化模块
│ ├── rule_generation.py # 规则生成
│ └── threshold_optimization.py # 阈值优化
├── agent/ # 智能Agent架构_cursor
│ ├── pm/ # PM层实现
│ │ ├── requirement_analyzer.py # 需求分析器
│ │ └── task_scheduler.py # 任务调度器
│ └── engineer/ # 工程师层实现
│ ├── code_generator.py # 代码生成器
│ └── code_optimizer.py # 代码优化器
├── utils/ # 工具函数
│ ├── data_processor.py # 数据处理
│ ├── visualization.py # 可视化工具
│ └── evaluation.py # 评估工具
├── evaluation/ # 评估结果
├── output/ # 输出文件
└── logs/ # 日志文件
| 模型 | PR-AUC | F2-Score | Lift@10% | KS值 |
|---|---|---|---|---|
| XGBoost | 0.892 | 85.34% | 3.45x | 0.39 |
| RandomForest | 0.878 | 83.21% | 3.21x | 0.36 |
| DNN | 0.865 | 82.15% | 3.12x | 0.34 |
| LogisticRegression | 0.843 | 80.56% | 2.98x | 0.32 |
- 环境配置
pip install -r requirements.txt- 运行实验
python run_experiment.py- 启动智能Agent
python run_agent.py --mode full- 数据预处理报告（含特征分布可视化）
- 模型性能对比表（LaTeX格式）
- SHAP解释图集（300dpi TIFF格式）
- 防控策略手册（含可执行规则）
- 实验日志（含MD5校验）
- Agent工作报告（含任务分解与完成情况）
数值特征:
- Tot_Benes: 服务的受益人总数
- Tot_Srvcs: 提供的服务总次数
- Tot_Bene_Day_Srvcs: 受益人接受服务的总天数
- Avg_Sbmtd_Chrg: 平均提交费用
- Avg_Mdcr_Alowd_Amt: 医保允许的平均金额
- Avg_Mdcr_Pymt_Amt: 医保实际支付的平均金额
- Bi_Wk_Avg_SC: 双周服务费用
类别特征:
- Rndrng_Prvdr_Type: 提供者类型
- Rndrng_Prvdr_Gndr: 提供者性别
- HCPCS_Cd: 医疗服务代码
- Place_Of_Srvc: 服务地点
本项目采用智能Agent驱动的开发流程，实现了从需求分析到代码实现的高效协作：
- 需求分析阶段：PM层Agent分析业务需求，拆解为明确的技术任务
- 设计阶段：PM与工程师层Agent协作设计系统架构和算法流程
- 实现阶段：工程师层Agent负责代码实现，PM层Agent进行质量监控
- 测试阶段：自动化测试与人工评估相结合，确保系统质量
- 部署阶段：自动化部署流程，实现快速迭代
通过这一流程，项目开发效率提升至小时级，相比传统开发方式提速约10倍。
- 工具拓展：为Agent提供更多外部工具调用能力，拓展解决问题的边界
- 多步决策优化：增强Agent的多步决策能力，提高复杂任务处理质量
- 自我迭代机制：完善Agent自我评估与优化机制，实现持续进化
- 感知能力增强：提升Agent对业务场景的理解能力，减少人工干预
- 标准化体系：建立更完善的评估标准体系，提高Agent输出质量
- 框架简化：优化Agent架构，降低使用门槛，提高适用性