Die Betrugserkennung im Krankenhaus stützte sich oft auf regelmäßige Prüfungen, die sich entwickelnde, internetvermittelte Muster in elektronischen Ansprüchen übersehen. Es wird eine Pipeline für künstliche Intelligenz und maschinelles Lernen entwickelt, die lecksicher, ausgewogen und an die operationalen Kapazitäten für große Gesundheitsdatensätze angepasst ist. Der Vorverarbeitungs-Stack integriert vier Tabellen, entwickelt 13 Merkmale, wendet Imputation, kategorische Kodierung, Power-Transformation, Boruta-Auswahl und Denoising-Autoencoder-Darstellungen an, wobei das Klassenbalancing über SMOTE-ENN innerhalb der Kreuzvalidierungsfalten evaluiert wird. Acht Algorithmen werden unter einem betrugsorientierten, zusammengesetzten Produktivitätsindex verglichen, der Rückruf, Präzision, MCC, F1, ROC-AUC und G-Mean gewichtet, mit einer Kalibrierung des Schwellenwerts pro Falt und einer expliziten Berichterstattung über Typ-I- und Typ-II-Fehler. Das mehrschichtige Perzeptron erreicht den höchsten zusammengesetzten Index, während CatBoost die stärkste Kontrolle über falsch-positive Ergebnisse bei hoher Genauigkeit bietet. SMOTE-ENN bietet begrenzte Vorteile, sobald die Darstellungen die Klassengeometrie regulieren. Die kalibrierten Scores unterstützen die Vorabprüfung, die Nachprüfung und das Profiling auf Anbieterebene, indem sie das Alertvolumen mit der erwarteten Rückforderung verknüpfen und die Arbeitsbelastung der Ermittler schützen. Eingebettet im Kontext des zukünftigen Internets zielt diese Arbeit auf internetvermittelte Anspruchsflüsse und webzugängliche Anbieterregister ab. Governance-Verfahren zur Überwachung von Drift, Fairnessbewertung und Änderungssteuerung vervollständigen einen internetbereiten Bereitstellungsweg. Die Ergebnisse zeigen, dass diszipliniertes Preprocessing und Evaluierung mehr als nur die Wahl des Klassifikators KI-Verbesserungen in messbaren wirtschaftlichen Wert und nachhaltige Betrugsprävention in digitalen Gesundheitsökosystemen umsetzen.
Fourkiotis et al. (Mittw.) untersuchten diese Frage.