美国加利福尼亚州旧金山 - 2024年11月8日 — 照片来源：Nithin Reddy Desani
一个独立研究团队发表了一篇研究论文，介绍了一种新的用于Medicare欺诈检测的人工智能技术。这种新方法使用非线性逻辑回归分析（NL-LRA），在识别欺诈性Medicare索赔方面表现出高水平的准确性。Medicare欺诈仍然是一个重大挑战，每年给美国联邦医疗系统造成约130亿美元的损失。传统的欺诈检测方法常常面临数据不平衡、缺失值和高维度等问题，导致准确率较低和过拟合。研究团队的新技术NL-LRA通过结合先进的机器学习（ML）算法和基于树的方法，解决了这些常见问题，提供了高准确率和可解释性的欺诈检测过程。
“我们的研究是在现有欺诈检测方法基础上迈出的一大步，”研究论文的贡献者Nithin Reddy Desani说，“我们引入了惩罚逻辑树回归，这使得识别欺诈性索赔的准确率达到99.2%，同时保持了94.5%的精确率和99.09%的召回率。”
该研究利用合成少数类过采样技术（SMOTE）解决数据不平衡问题，并采用线性判别分析（LDA）进行特征选择，从而构建了一个更强、更可靠的欺诈检测系统。研究还引入了基于LIME的可解释性模型，使AI的决策过程对医疗提供者和管理者透明和可解释。
“对于那些不熟悉AI系统的人来说，基于LIME的可解释性几乎是必需的。更好的是，有了这个系统，AI驱动的欺诈检测可以变得更加透明和负责任，”Desani解释道，“当然，透明度和法规遵从性是医疗提供者的必要条件。如果你不知道系统内部是如何工作的，你怎么知道它是否准确地检测到欺诈案件？我们最不希望的是拒绝那些真正需要医疗帮助的人。这就是为什么进一步研究这些方法如此重要。”
研究团队的发现已通过全面测试和与现有方法（包括CatBoost和自编码器技术）的比较分析进行了验证。结果表明，在所有关键指标上都表现出优越的性能，使其成为未来可能在全国范围内采用的一系列潜在医疗欺诈预防系统中的第一个。
完整的研究报告，包括详细的方法和结果，可通过学术渠道查阅。
关于研究团队：
研究团队由专注于数据工程、机器学习和医疗数据分析的独立研究人员和行业专业人士组成。团队由Saigurudatta Pamulaparthyvenkata领导，包括来自各种技术背景的资深专业人士，致力于通过先进的AI解决方案推进医疗欺诈检测领域的发展。
联系信息：
姓名：Alex Sterling
电子邮件：发送邮件
组织：Global Recognition Awards
网站：
发布ID：89145717
如果您在本新闻稿中遇到任何问题、差异或关注事项，需要采取行动或要求撤下新闻稿，我们强烈建议您立即联系error@releasecontact.com（请注意，这是处理此类事务的授权渠道，向多个地址发送多封邮件不一定能加快您的请求）。我们的团队将全天候为您提供服务，在8小时内解决您的问题，并采取适当措施纠正发现的问题或支持新闻稿的移除。确保信息的准确性和可靠性是我们不变的承诺。
(全文结束)
