《中共中央 国务院关于深化医疗保障制度改革的意见》提出要“实施大数据实时动态智能监控”。近年来，国家医保局大力推行医疗保障基金智能审核知识库、规则库建设，构建了全国统一的医保基金智能监控标准体系，加速推进医保基金智能审核全覆盖，通过动态更新机制和智能算法优化有效解决了地方规则碎片化和权威性不足等问题，并已逐步成为与人工审核并行的重要医疗费用监管手段。但由于医疗行为的复杂性、专业性，随着监控规则的不断更新、完善，需要先由医疗机构反馈申诉意见、再经过人工复核确认的疑点数据日趋增加，在基层普遍面临人员、硬件、软件短缺的状态下，如何提高智能审核的末端效率成为一个急需解决的问题。笔者作为一名基层医保监管工作者，面对人工智能飞速发展的时代，尝试探索将基础性信息技术与医保审核业务深度融合，将AI+办公系统构建“零成本、易上手、见效快”的智能审核末端，为破解基层监管资源瓶颈提供立竿见影的可复制经验。
一
医保智能审核末端的现实挑战
一是智能审核疑点客观上体量较大，超出大部分基层地区现有审核人力资源。从试点部分规则到全面应用，尽管在不断优化，但全量结算数据跑完规则后输出的疑点数量仍过于庞大，医疗机构逐条反馈的文本信息以及附带的病历、检验结果等佐证信息，要人工做到逐条复查对末端的审核人员而言存在困难。二是审核人员从人工抽检经验向规则化集成审核的系统性转型不足。部分审核人员知识储备的不全面，缺乏医学逻辑、数据分析、收费物价的整合能力，无法将历年飞行检查、专项治理中的典型案例活化到核查中。三是人工复核标准不统一。面对大量的规则以及如物价内涵的调整、限制用药范围的更新，人工处置会存在一定的差错率和未及时率。
二
AI大模型用于智能监管的基层实践
笔者从GPT问世后一直高度关注人工智能在医保监管中的运用，随着国产AI大模型在自然语言理解和拟人化推理方面的精准度的突破应用层面的阈值要求，笔者尝试使用“AI理解+VBA编程+WPS数据处理”的模式，探索适应基层的智能审核末端高效处理模式，即首先让AI读懂医保规则，通过AI学习医学知识（如药品说明书）和医药机构的回复情况（指脱敏后的文本反馈信息），通过不断的对话、纠错、校对，形成用于VBA编程的指令库，输出VBA脚本代码，添加在本地计算机WPS等办公软件运行脚本代码，自动输出初筛情况。下面以“伏诺拉生”限制用药规则为例，介绍具体步骤。
（一）规范医院回复。为了后续处理的准确性，首先需要确保基础数据的准确性。根据《国家药品目录》，伏诺拉生限反流性食管炎的患者，笔者首先根据疾病诊断分类与代码医保版，向所负责的医疗机构明确，凡是诊断反流性食管炎、使用医保基金支付伏诺拉生，病历或对审核疑点提供的申诉材料中，诊断建议规范填写为“反流性食管炎”（K21.001），经与临床讨论，如因主要治疗原发疾病而以“胃-食管反流性疾病伴有食管炎”（K21.000）作为主要诊断的，也符合医保支付条件。
（二）AI指令调试。规范医院回复后，即可开始调试指令。经过笔者反复测试，直接将脱敏的医院反馈文本导入目前主流的各种通用AI大模型，要求其根据“伏诺拉生限反流性食管炎的患者”这一规则输出是否符合支付条件，准确率均无法超过60%，这可能与通用AI大模型底层推理式算法导致的“AI幻觉”有关，即把简单的问题复杂化了。因此笔者转变思路，作为一名从未学习过编程的审核人员，笔者要求AI按照以下要求生成可供WPS软件导入使用的VBA代码：“伏诺拉生根据《国家药品目录》，限反流性食管炎的患者。在反馈意见列回复中出现“反流”及“食管炎”字段（即同时纳入K21.001和K21.000），且病例诊断列中含“反流”字段的（即原诊断已有体现，并非医院为申诉而杜撰说明），在结论列输出“符合””。上述指令输入后无需调整，输出的VBA指令可供直接使用，在给出指令时要特别注意及、或等指示词的使用，确保与规则逻辑一致。
（三）数据批量处理。将VBA代码导入WPS软件，笔者目前同时运行约40条智能审核的VBA代码，约覆盖全部智能审核医院反馈数据的70%，每次运行大约耗时0.5秒可以完成运算。
（四）人工复核。主要复核两方面，一是提示“符合”的，按5%-10%的比例抽查医疗机构提供的病案首页等原始佐证材料，确保反馈情况的真实性。二是提示“不符合”的，按100%比例复核，以伏诺拉生为例，医院在反馈意见确认不符合的，约占40%，医院反馈符合，但未提及“反流”及“食管炎”的，约占20%，需退回医院补充，经培训规范，此类情况占比不断降低，医院反馈符合，也提及“反流”及“食管炎”，但医保结算数据中的诊断未含“反流”的，约占40%，主要原因是结算时漏填诊断，需结合病程记录描述或检查检验情况复核确认。
三
启发与展望
上述处理模式主要具有以下优势：一是规则的标准化，从经验判断转向数据驱动，通过建立标准化的规则代码，减少在审核过程中的判断偏差，实现审核标准的绝对统一。二是人力资源使用效能倍增，使用AI后，用于逐条审阅医院回复、提出补充意见的人力投入保守估计将减少90%以上，可释放大量人力资源投入病历资料复核、大模型构建、数据深度挖掘、DIP/DRG异常病例专项核查等高精度、高价值工作。三是零成本部署、低门槛应用，基于既有办公电脑与Office环境，避免硬件采购与商业软件投入，无需具备专业的编程知识，只需要最直白的文字指令，基础的办公软件操作能力即可使用，可解决“不符合限制用药范围”、“超限定频次”、“重复收费”等多个规则医药机构回复情况的初判。四是确保数据安全。实现医保敏感数据全流程本地处理，审核日志实现全流程可追溯，数据不出域。
但笔者在使用中也认识到这一模式的局限性，一是规则还是需要人工构建，无法由AI自动生成，二是VBA代码对回复意见判断的灵活性不足，没有发挥AI模型推理能力的优势。要解决这些问题，依赖于本地化部署AI大模型，通过医保大数据投喂，和专业审核人员训练，形成本地化的智能审核专用大模型，目前笔者所在城市已在进行相关尝试并取得一定突破。
智能监管从来不是"高端设备+专业团队"的专利，只用当前的工具借力AI基础编码技能与医保专业知识相结合，基层工作者完全可自主构建效率工具，或许才是破解人少事多困局的最短路径。展望未来，随着医疗AI产业纵深发展，医保监管领域将经历三个维度的范式跃迁：在技术应用层面向深度机器学习演进，在知识图谱构建上强化跨领域数据融合，在决策支持层面实现智能化风险预警。通过这三重进阶，人工智能将赋能构建起全天候、全流程的医疗行为监测网络，这不仅大幅提升基金监管效度，更将为三医联动改革提供突破性的支撑体系，推动中国特色的智能医保监管模式跻身世界前沿。
作者 | 莫淑然
来源 | 中国医疗保险
编辑 | 崔秀娟 高鹏飞
热点文章
