3. 医疗支付数据治理与特征工程

医疗支付风控的效果，往往不取决于模型有多复杂，而取决于数据底座是否干净、模型是否贴合业务、特征是否真正刻画了风险。本章围绕“数据源接入—数据模型—质量校验—特征体系”这条主线展开，重点讲清楚每一步实际要做什么、关键参数如何设定、结果如何判断。

一、数据源接入：先分清“谁在什么时点产生什么数据”

医疗支付的数据源大致可分为四类：参保与身份类（参保状态、险种、人员类别）、诊疗过程类（门诊/住院就诊记录、诊断、医嘱、手术、检查检验）、费用结算类（费用明细、结算清单、医保结算单、基金支付明细）、监管与外部类（智能监管规则库、药品/耗材目录、医师执业信息、第三方审计结果）。接入时不能只做“表对表”的搬运，而要明确每条数据的业务主键、时间戳、数据归属机构、更新频率。

以医保结算数据为例，接入的关键字段至少包括：结算单号（唯一主键）、就诊ID、参保人ID（脱敏后）、定点机构编码、就诊类型（门诊/住院/门特）、入院与出院日期、主要诊断ICD编码、手术操作编码、医疗总费用、医保基金支付、个人自付、结算时间。接入方式上，批量场景常用T+1离线抽取，实时风控场景则需要通过消息队列或接口对接获取结算与就诊事件。接入后必须做幂等处理，避免同一结算单重复入账导致金额虚增。

二、诊疗与结算数据模型：把“一次就诊”作为分析单元

风控分析的最小单元通常不是单条费用明细，而是一次就诊（一次住院或一次门诊结算）。因此数据模型建议采用“就诊事实表 + 费用明细表 + 诊断/手术维表”的星型结构：就诊事实表一行对应一次就诊，记录机构、参保人、诊断、总费用、基金支付、住院天数等；费用明细表一行对应一条收费项目，记录项目编码、名称、单价、数量、金额、自付比例；诊断与手术表则记录编码、名称、是否主要诊断。这样既能按就诊聚合做异常检测，也能下钻到明细定位具体违规项目。

建模时要注意两个易错点：一是时间口径统一，入院日期、出院日期、结算日期、费用发生日期必须区分清楚，否则住院天数、分解住院等特征会算错；二是金额口径统一，医疗总费用、医保范围内费用、基金支付、个人自付之间要能对账，建议在模型中保留“费用平衡校验”字段，即总费用 = 基金支付 + 个人自付 + 其他支付，差额超过阈值即标记异常。

三、数据质量校验：把“脏数据”挡在特征计算之前

质量校验建议按六个维度落地：完整性（关键字段空值率）、唯一性（结算单号是否重复）、一致性（诊断编码与手术编码是否匹配、金额是否平衡）、及时性（数据到达时间是否超过约定延迟）、值域合法性（ICD编码是否在目录内、性别与诊断是否矛盾）、逻辑合理性（出院日期早于入院日期、费用为负）。

实操中可设置分级阈值：例如关键字段空值率超过1%触发告警，结算单号重复率超过0.1%进入隔离区，金额平衡差额绝对值大于1元标记为待核查。校验不通过的数据不应直接进入特征计算，而应写入隔离表并附带失败原因，由数据运营人员回溯上游修正。这一步看似繁琐，却是避免“垃圾进、垃圾出”的关键闸门。

四、支付风控特征体系设计：从业务风险倒推特征

特征设计不应从“有什么字段”出发，而应从“要识别什么风险”倒推。常见风险包括：分解住院、挂床住院、过度诊疗、串换项目、虚假就医、冒名就医、团伙骗保。对应到特征上，可归纳为四类：

• 主体特征：参保人年龄、险种、既往就诊频次、机构等级、医师执业年限、参保状态连续性。
• 行为特征：住院天数、入院与出院时间间隔、同一诊断重复入院次数、夜间就诊占比、转科转院频次。
• 费用特征：次均费用、日均费用、药品与耗材占比、自付比例、费用偏离同病种均值的程度。
• 关系特征：参保人与机构的关联度、医师与诊断组合频次、药品与诊断匹配度、同机构同项目聚集度、团伙就诊网络密度。

以“分解住院”为例，可构造特征：同一参保人、同一主要诊断、出院后7天内再次入院，且两次住院费用均低于同病种P50。若该特征命中，则进入高风险名单。再如“过度诊疗”，可计算某机构某病种的药品占比与检查占比，若同时高于同级别机构P95，则触发预警。特征计算时要注意时间窗口（如30天、90天、180天）和聚合粒度（按参保人、按机构、按医师），不同窗口和粒度会显著影响命中率，需在回测中确定。

五、一个可落地的特征计算示例

假设要计算“同一参保人30天内住院次数”这一特征，可按如下逻辑实现：

-- 以就诊事实表为基础，按参保人ID分组
SELECT 参保人ID,
       COUNT(DISTINCT 就诊ID) AS 住院次数_30天
FROM 就诊事实表
WHERE 就诊类型 = '住院'
  AND 入院日期 >= DATE_SUB(当前结算日期, INTERVAL 30 DAY)
  AND 入院日期 <= 当前结算日期
GROUP BY 参保人ID;

计算完成后，将结果与阈值比较：若住院次数_30天 ≥ 3，则标记为“高频住院”风险。实际部署时，该特征可离线批量计算，也可在实时风控中通过流式计算窗口聚合。无论哪种方式，都要保证时间参照系一致——本文所有“30天”均指以当前结算日期为终点向前回溯30个自然日，跨月、跨年不特殊处理。

数据治理与特征工程不是一次性项目，而是持续迭代的过程。接入新数据源、调整校验规则、新增风险特征，都需要配套的版本管理和回测机制。只有把数据底座打牢，后续的模型与规则才能真正发挥支付风控的效力。