新型农村合作医疗数据挖掘研究
|
摘要
研究目的
总目标:为提高新农合管理者利用历史数据进行定量管理决策的能力,研究新农合数据挖掘流程、挖掘主题及其实践价值。具体目标:①规范新农合数据挖掘流程;②界定新农合管理相关业务问题;③设计新农合数据仓库模型;④利用某县新农合补偿主题数据库研究新农合风险要素,根据挖掘结果提出用于未来制度完善的相关对策。
研究方法
首先,利用文献研究,了解新农合发展概况和数据挖掘的一般模式,提出新农合数据挖掘基本框架;
其次,采用定性研究方法分析新农合运行机制,运用政策科学中公共选择理论、利益相关集团分析以及逻辑归纳方法,界定新农合管理的主要业务问题;
第三,根据数据仓库概念模型、逻辑模型和物理模型设计原理,从新农合管理业务信息需求出发,研究新农合数据仓库概念模型与逻辑模型的设计模式;
最后,利用SPSS Clementine12.0,设计数据挖掘的数据流模型。采用关联规则GRI算法,研究新农合补偿主题数据库中的强关联规则;利用聚类,识别新农合报销数据库中的异常医疗费支付案。在此基础上利用多种分类预测模型,对参合农民的住院服务利用和异常医疗费用支出的数据模式训练最优分类模型。
结果
1. 2004-08年全国新农合试点县数量年平均增长72.3%,参合人口年均增长78.6%,参合率由75.2%上升到91.5%,人均筹资额增长3-4倍。当前,全国县级经办机构内平均每人管理参合农民6.5万人。2006年后,卫生部出台4部新农合信息管理政策文件,安排1.8亿信息化建设专项资金。期望2010年前建成以数据综合管理、数据分析和数据挖掘为重点的管理信息系统。
2.根据CRISP-DM方法论,新农合数据挖掘应执行四个框架体系:首要环节是理解业务问题,其次数据准备,第三是数据挖掘,第四结果评价与执行。
3.共归纳7类新农合管理相关业务问题:筹资、疾病风险、费用补偿、医疗机构服务、农民健康、参合农民和定点医疗机构的受益归属分析,对制度绩效影响的重要程度评分依次为8,8,8,7,5,3,3。
4.新农合数据仓库模型:概念模型以农民参合、就诊和费用补偿为系统边界,设计个人、(医疗)机构与补偿主题数据库,确定个人-补偿(1-1)、补偿-机构(1-m)个人-机构(m-m)的E-R关系模型。逻辑模型设计:门诊统筹/家庭帐户报销数据库的数据采用双重粒度,大病统筹补偿采用患者为单位的单一数据粒度,建立以补偿数据为事实表,个人、机构、疾患和日期为维度表的星型数据仓库逻辑模型。
5.疾病风险关联规则:“妊娠、分娩和产褥期并发症”在各种报销案例中的构成比最高(26.56%),随后依次为:消化系疾病(18.37%)、损伤与中毒(10.98%)、循环系统疾病(10.42%)和恶性肿瘤(6.01%);“骨折”=>“男性”的规则支持度6.32%,置信度73.76%。费用级别关联规则显示:“妊娠分娩类病例”AND“县级住院”=>“低费用级”;“消化系统疾病”AND“县或乡级住院”=>“中费用级”,以及(“骨折”AND“县级住院”)或“地市级以上住院”=>“高费用级”等。
6.疾病风险分布规律:报销病例中县级医疗机构住院比例最高(47.53%),其次为乡镇级(28.88%),县乡两级住院患者的首要疾患是“消化系统疾病”,其次是“骨折”病例,两种疾患均为男性高于女性。地市级以上报销人数最多的病种是恶性肿瘤。另外,随着病人住院级别提高、患者平均住院天数、住院费、合作医疗补偿费均显著增加(P<0.05)。
7.异常数据对象的检测:按照医疗机构级别,从患者住院天数、医疗费用和疾病类型三个维度检测异常数据对象。发现:某女性患者因双侧腹股沟淋巴结肿在乡卫生院住院270天;某75岁女性患者因慢性支气管炎,县医院住院175天……。县医院异常数据中70%为男性骨折/意外伤害患者。
8.住院服务利用的分类预测:以是否住院为输出,选择特征变量,建立CHAID树结构模型,显示因病致贫组人群住院率22.97%,如果是“因病致贫”AND“患慢性病”,那么住院率高达58.82%,其次是“贫困”AND“患慢性病”人群的住院率高达14.29%。
9.住院服务利用异常数据模式的预测:首先利用相关属性值完成10%的异常数据模式识别,将识别结果作为预测分类的输出值,根据选择的特征变量,筛选C5.1和神经网络两种预测效率最高的模型分别进行预测。神经网络对异常数据模式识别的准确率在测试集、训练集和验证集上的表现最好而且相当稳定,利用C5.1树模型导出的规则解读神经网络模型的黑箱问题:65岁以上、乡级医疗机构住院,11岁以下市级机构住院,以及民营、部队等其他医院消费等情形下易发生异常医疗消费模式。而11岁以上58岁以下者无论哪级医疗机构住院均不易发生异常医疗消费。
结论
1.构建新农合数据仓库和数据挖掘系统,提高新农合管理人员的政策水平、管理能力,已成为农村医疗保障制度科学发展一个绕不开的话题。
2.新农合数据仓库概念模型与逻辑模型应紧密围绕补偿主题进行设计,有利于提高数据仓库开发效率。
3.住院分娩在合作医疗中申请报销比例最高,但消化系统疾病和骨折/意外伤害对当地农民(尤其是男性)造成较重的疾病负担。
4.老年人、慢性病,低收入、儿童疑难杂症是医疗消费异常的主要因素。
建议
提高农民健康水平,需做好孕产妇保健工作;控制农民疾病风险应重点预防意外伤害和消化系统疾病;为降低新农合基金风险,应做好慢性病人和老年人疾病管理,防止不合理医疗费用支出。
主要创新点
(1)利用政策科学理论,通过规范化研究,界定新农合数据挖掘主题。提出新农合数据仓库的概念模型和逻辑模型设计方案。
(2)利用SPSS Clementine挖掘软件,设计新农合数据挖掘的数据流模型。
(3)利用数据挖掘结果提出适合当地特征的新农合管理措施。
Rsearch Object
Chief objective: In order to increase New Rural Cooperative Medical System(NRCMS) governor’s quantity decision-making ability by history data, NRCMS Data-Mining(DM) flow, subject matter for DM and it’s practice value were studied. Particular objective:①making NRCMS-DM flow standardization;②understanding the operation question for NRCMS;③designing NRCMS Data Warehouse models;④carrying out NRCMS DM by some NRCMS county, and some advice could be put forward for NRCMS.
Study Methods
Firstly, finding out NRCMS’s general situation and DM’s common model by literature research, and making the frame for NRCMS DM.
Secondly, to affirm NRCMS’main operation question by understanding how working for NRCMS, using public choice.
Thirdly, according to DW’s conceptual model, logistic model and physical model design flow, making NRCMS-DW’s conceptual model and logistic model, from the manager information asking.
Lastly ,design NRCMS’s DM data stream model on SPSS Clemention 12.0. finding out strong association rules in NRCMS compensation subject data-base by GRI association arithmetic. To find out abnormity medical consumed data model for countryman who joining NRCMS. Training a model to forecast who may be hospitalization and which one may be an abnormity in hospitalization.
Outcomes
1. The quantity of NRCMS county went up percent 72.3 annual from 2004 to 2008 year, coverage rise from percent 75.2 to percent 91.5, the NRCMS fund for everybody increased 3-4 times. 65 thousands countryman for a manager to manage. After 2006 year, four policy file about NRCMS’s manage information were made out on health ministry, 1.8 hundred billion fund were arranged. NRCMS’s information system building on the data management, analysis and data mining could be realized by 2010 year.
2. According to CRISP-DM, data mining on NRCMS should carry out on four step: understanding the operation question, preparing data, data mining, appraising and implementing.
3. Eight question were correlation with NRCMS: financing, disease risk, compensate for medical consumption, medical service, countryman’s health, benefit adscription for countryman or hospital. The importance score of all of which in turn are 8,8,8,7,5,3,3.
4. NRCMS DW model: conceptual model was build on individual, hospital and compensate three subject matter, and the relation model of which are that individual-compensate (1-1), compensate-hospital (1-m), individual-hospital (m-m). DW logical data model was designed as star model. The data cube should be both for family account or outpatient and single for hospitalization database.
5. Disease risk association rule:“pregnancy, childbirthd and co-childbed disease”have the highest percent on compensation facts(26.56%),after that in turn were digest disease(18.37%) ,“trauma and poisoning”(10.98%), circle system disease(10.42%) and cancer(6.01%). A rule of“fracture”=>”male”was found, the support is 6.32% and the confidence is 73.76% for which. Another rule about medical consumption were found as that:“pregnancy, childbirth etc.”and“in county hospital”=>”low consumption”,“digest diseases”and“in county or township hospital”=>”middle low consumption”, (“fracture”and“in county hospital”)or“in city hospital”=>”high consumption”
6. The distribution law of countryman’s disease risk: the percent of people in county hospital is the highest that 47.53%, then is that in township hospital(28.88%). The main disease are digest disease and fracture, and male sufferer were more than female. Cancer sufferer are the most in city hospital. Average hospital days, fee for medicine and compensation by NRCMS increase as the level of hospital asked for service(P<0.05).
7. To inspect abnormity data by hospital institute, hospital days , disease and fee for service. Some data were taken out as: some female sufferer stay 270 days in township hospital for both side groin lymph turgescence , another 75 age female sufferer stay 175 days in county hospital for chronic bronchitis.……. the most sufferer have fracture disease in county abnormity data.
8. Forecasting for hospitalization: make“yes”or“no”hospital as output, select the feature attribute, CHAID tree model show that: hospital rate is 22.97% in poor group lead by disease. People who are poor as disease and have chronic disease, then the rate be in hospital will be 58.28%. poor and have chronic disease will be in hospital at the rate of 14.29%.
9. Forecasting for abnormity data of hospitalization: take out 10% abnormity data by clustering, then make“T”or”F”as the output label, after selecting character attributes, and select two model those is C5.1 and Network which. forecast efficiency are higher. Some question hiding in black box of network could be found out by rules coming from C5.1 tree model: person who above 65age and be in township hospital or below 11age and be in city hospital would happen abnormity consumption. Above city level hospital also would easily be an abnormity consumption. But person who above 11age and below 58age would not happen abnormity consumption no matter what which lever hospital.
Conclusion
1. To enhance the decision-making ability for NRCMS managers by building NRCMS DW and DM system, that has been an important topic.
2. The compensation topic should be the first subject matter for building NRCMS DW model.
3. The percent who gain compensation for childbirth at hospital is the highest. While the most disease economic burden come from digest disease and fracture/suddenness hurt for people (especially male)at the study county.
4. Aging, chronic disease, low income and children’s difficulty disease could be the main factors for abnormity data object happen .
advice
To promote countryman’s health by making more health care for pregnancy and lying-in women working; To control countryman’s disease risk, suddenness hurt and digest disease should be take more attention to prevent. To decreasing NRCMS fund risk, disease management should provide for chronic and/or aging patient, avoid inconsequence medical afford.
the main Innovations
1. Using standardization study, to put forward the subject matter for NRCMS DM by policy theory. NRCMS DW’s conceptual data model and logical data model were designed from NCMS operation view.
2. Designing data stream model at SPSS Clemention 12.0 for NRCMS DM.
3. Some NRCMS DM questions were studied, and more interesting conclusion for practice were enduced.
总目标:为提高新农合管理者利用历史数据进行定量管理决策的能力,研究新农合数据挖掘流程、挖掘主题及其实践价值。具体目标:①规范新农合数据挖掘流程;②界定新农合管理相关业务问题;③设计新农合数据仓库模型;④利用某县新农合补偿主题数据库研究新农合风险要素,根据挖掘结果提出用于未来制度完善的相关对策。
研究方法
首先,利用文献研究,了解新农合发展概况和数据挖掘的一般模式,提出新农合数据挖掘基本框架;
其次,采用定性研究方法分析新农合运行机制,运用政策科学中公共选择理论、利益相关集团分析以及逻辑归纳方法,界定新农合管理的主要业务问题;
第三,根据数据仓库概念模型、逻辑模型和物理模型设计原理,从新农合管理业务信息需求出发,研究新农合数据仓库概念模型与逻辑模型的设计模式;
最后,利用SPSS Clementine12.0,设计数据挖掘的数据流模型。采用关联规则GRI算法,研究新农合补偿主题数据库中的强关联规则;利用聚类,识别新农合报销数据库中的异常医疗费支付案。在此基础上利用多种分类预测模型,对参合农民的住院服务利用和异常医疗费用支出的数据模式训练最优分类模型。
结果
1. 2004-08年全国新农合试点县数量年平均增长72.3%,参合人口年均增长78.6%,参合率由75.2%上升到91.5%,人均筹资额增长3-4倍。当前,全国县级经办机构内平均每人管理参合农民6.5万人。2006年后,卫生部出台4部新农合信息管理政策文件,安排1.8亿信息化建设专项资金。期望2010年前建成以数据综合管理、数据分析和数据挖掘为重点的管理信息系统。
2.根据CRISP-DM方法论,新农合数据挖掘应执行四个框架体系:首要环节是理解业务问题,其次数据准备,第三是数据挖掘,第四结果评价与执行。
3.共归纳7类新农合管理相关业务问题:筹资、疾病风险、费用补偿、医疗机构服务、农民健康、参合农民和定点医疗机构的受益归属分析,对制度绩效影响的重要程度评分依次为8,8,8,7,5,3,3。
4.新农合数据仓库模型:概念模型以农民参合、就诊和费用补偿为系统边界,设计个人、(医疗)机构与补偿主题数据库,确定个人-补偿(1-1)、补偿-机构(1-m)个人-机构(m-m)的E-R关系模型。逻辑模型设计:门诊统筹/家庭帐户报销数据库的数据采用双重粒度,大病统筹补偿采用患者为单位的单一数据粒度,建立以补偿数据为事实表,个人、机构、疾患和日期为维度表的星型数据仓库逻辑模型。
5.疾病风险关联规则:“妊娠、分娩和产褥期并发症”在各种报销案例中的构成比最高(26.56%),随后依次为:消化系疾病(18.37%)、损伤与中毒(10.98%)、循环系统疾病(10.42%)和恶性肿瘤(6.01%);“骨折”=>“男性”的规则支持度6.32%,置信度73.76%。费用级别关联规则显示:“妊娠分娩类病例”AND“县级住院”=>“低费用级”;“消化系统疾病”AND“县或乡级住院”=>“中费用级”,以及(“骨折”AND“县级住院”)或“地市级以上住院”=>“高费用级”等。
6.疾病风险分布规律:报销病例中县级医疗机构住院比例最高(47.53%),其次为乡镇级(28.88%),县乡两级住院患者的首要疾患是“消化系统疾病”,其次是“骨折”病例,两种疾患均为男性高于女性。地市级以上报销人数最多的病种是恶性肿瘤。另外,随着病人住院级别提高、患者平均住院天数、住院费、合作医疗补偿费均显著增加(P<0.05)。
7.异常数据对象的检测:按照医疗机构级别,从患者住院天数、医疗费用和疾病类型三个维度检测异常数据对象。发现:某女性患者因双侧腹股沟淋巴结肿在乡卫生院住院270天;某75岁女性患者因慢性支气管炎,县医院住院175天……。县医院异常数据中70%为男性骨折/意外伤害患者。
8.住院服务利用的分类预测:以是否住院为输出,选择特征变量,建立CHAID树结构模型,显示因病致贫组人群住院率22.97%,如果是“因病致贫”AND“患慢性病”,那么住院率高达58.82%,其次是“贫困”AND“患慢性病”人群的住院率高达14.29%。
9.住院服务利用异常数据模式的预测:首先利用相关属性值完成10%的异常数据模式识别,将识别结果作为预测分类的输出值,根据选择的特征变量,筛选C5.1和神经网络两种预测效率最高的模型分别进行预测。神经网络对异常数据模式识别的准确率在测试集、训练集和验证集上的表现最好而且相当稳定,利用C5.1树模型导出的规则解读神经网络模型的黑箱问题:65岁以上、乡级医疗机构住院,11岁以下市级机构住院,以及民营、部队等其他医院消费等情形下易发生异常医疗消费模式。而11岁以上58岁以下者无论哪级医疗机构住院均不易发生异常医疗消费。
结论
1.构建新农合数据仓库和数据挖掘系统,提高新农合管理人员的政策水平、管理能力,已成为农村医疗保障制度科学发展一个绕不开的话题。
2.新农合数据仓库概念模型与逻辑模型应紧密围绕补偿主题进行设计,有利于提高数据仓库开发效率。
3.住院分娩在合作医疗中申请报销比例最高,但消化系统疾病和骨折/意外伤害对当地农民(尤其是男性)造成较重的疾病负担。
4.老年人、慢性病,低收入、儿童疑难杂症是医疗消费异常的主要因素。
建议
提高农民健康水平,需做好孕产妇保健工作;控制农民疾病风险应重点预防意外伤害和消化系统疾病;为降低新农合基金风险,应做好慢性病人和老年人疾病管理,防止不合理医疗费用支出。
主要创新点
(1)利用政策科学理论,通过规范化研究,界定新农合数据挖掘主题。提出新农合数据仓库的概念模型和逻辑模型设计方案。
(2)利用SPSS Clementine挖掘软件,设计新农合数据挖掘的数据流模型。
(3)利用数据挖掘结果提出适合当地特征的新农合管理措施。
Rsearch Object
Chief objective: In order to increase New Rural Cooperative Medical System(NRCMS) governor’s quantity decision-making ability by history data, NRCMS Data-Mining(DM) flow, subject matter for DM and it’s practice value were studied. Particular objective:①making NRCMS-DM flow standardization;②understanding the operation question for NRCMS;③designing NRCMS Data Warehouse models;④carrying out NRCMS DM by some NRCMS county, and some advice could be put forward for NRCMS.
Study Methods
Firstly, finding out NRCMS’s general situation and DM’s common model by literature research, and making the frame for NRCMS DM.
Secondly, to affirm NRCMS’main operation question by understanding how working for NRCMS, using public choice.
Thirdly, according to DW’s conceptual model, logistic model and physical model design flow, making NRCMS-DW’s conceptual model and logistic model, from the manager information asking.
Lastly ,design NRCMS’s DM data stream model on SPSS Clemention 12.0. finding out strong association rules in NRCMS compensation subject data-base by GRI association arithmetic. To find out abnormity medical consumed data model for countryman who joining NRCMS. Training a model to forecast who may be hospitalization and which one may be an abnormity in hospitalization.
Outcomes
1. The quantity of NRCMS county went up percent 72.3 annual from 2004 to 2008 year, coverage rise from percent 75.2 to percent 91.5, the NRCMS fund for everybody increased 3-4 times. 65 thousands countryman for a manager to manage. After 2006 year, four policy file about NRCMS’s manage information were made out on health ministry, 1.8 hundred billion fund were arranged. NRCMS’s information system building on the data management, analysis and data mining could be realized by 2010 year.
2. According to CRISP-DM, data mining on NRCMS should carry out on four step: understanding the operation question, preparing data, data mining, appraising and implementing.
3. Eight question were correlation with NRCMS: financing, disease risk, compensate for medical consumption, medical service, countryman’s health, benefit adscription for countryman or hospital. The importance score of all of which in turn are 8,8,8,7,5,3,3.
4. NRCMS DW model: conceptual model was build on individual, hospital and compensate three subject matter, and the relation model of which are that individual-compensate (1-1), compensate-hospital (1-m), individual-hospital (m-m). DW logical data model was designed as star model. The data cube should be both for family account or outpatient and single for hospitalization database.
5. Disease risk association rule:“pregnancy, childbirthd and co-childbed disease”have the highest percent on compensation facts(26.56%),after that in turn were digest disease(18.37%) ,“trauma and poisoning”(10.98%), circle system disease(10.42%) and cancer(6.01%). A rule of“fracture”=>”male”was found, the support is 6.32% and the confidence is 73.76% for which. Another rule about medical consumption were found as that:“pregnancy, childbirth etc.”and“in county hospital”=>”low consumption”,“digest diseases”and“in county or township hospital”=>”middle low consumption”, (“fracture”and“in county hospital”)or“in city hospital”=>”high consumption”
6. The distribution law of countryman’s disease risk: the percent of people in county hospital is the highest that 47.53%, then is that in township hospital(28.88%). The main disease are digest disease and fracture, and male sufferer were more than female. Cancer sufferer are the most in city hospital. Average hospital days, fee for medicine and compensation by NRCMS increase as the level of hospital asked for service(P<0.05).
7. To inspect abnormity data by hospital institute, hospital days , disease and fee for service. Some data were taken out as: some female sufferer stay 270 days in township hospital for both side groin lymph turgescence , another 75 age female sufferer stay 175 days in county hospital for chronic bronchitis.……. the most sufferer have fracture disease in county abnormity data.
8. Forecasting for hospitalization: make“yes”or“no”hospital as output, select the feature attribute, CHAID tree model show that: hospital rate is 22.97% in poor group lead by disease. People who are poor as disease and have chronic disease, then the rate be in hospital will be 58.28%. poor and have chronic disease will be in hospital at the rate of 14.29%.
9. Forecasting for abnormity data of hospitalization: take out 10% abnormity data by clustering, then make“T”or”F”as the output label, after selecting character attributes, and select two model those is C5.1 and Network which. forecast efficiency are higher. Some question hiding in black box of network could be found out by rules coming from C5.1 tree model: person who above 65age and be in township hospital or below 11age and be in city hospital would happen abnormity consumption. Above city level hospital also would easily be an abnormity consumption. But person who above 11age and below 58age would not happen abnormity consumption no matter what which lever hospital.
Conclusion
1. To enhance the decision-making ability for NRCMS managers by building NRCMS DW and DM system, that has been an important topic.
2. The compensation topic should be the first subject matter for building NRCMS DW model.
3. The percent who gain compensation for childbirth at hospital is the highest. While the most disease economic burden come from digest disease and fracture/suddenness hurt for people (especially male)at the study county.
4. Aging, chronic disease, low income and children’s difficulty disease could be the main factors for abnormity data object happen .
advice
To promote countryman’s health by making more health care for pregnancy and lying-in women working; To control countryman’s disease risk, suddenness hurt and digest disease should be take more attention to prevent. To decreasing NRCMS fund risk, disease management should provide for chronic and/or aging patient, avoid inconsequence medical afford.
the main Innovations
1. Using standardization study, to put forward the subject matter for NRCMS DM by policy theory. NRCMS DW’s conceptual data model and logical data model were designed from NCMS operation view.
2. Designing data stream model at SPSS Clemention 12.0 for NRCMS DM.
3. Some NRCMS DM questions were studied, and more interesting conclusion for practice were enduced.
引文
1孙芙蓉.现代农业呼唤金融的强力助推——访全国政协经济委员会副主任、中华全国工商联副主席、北京大学中国经济研究中心主任林毅夫.中国金融,2007(7):14-17.
2中国人民大学农业与农村发展学院课题组.论“能力密集型”合作医疗制度的“自动运行”机制——中国农村基本医疗保障制度的可持续发展.管理世界,2005(11):67-81.
3史志岗.医药经济报. 2006.04.14第43期.
4郑钧泽,杨志勇.我国新型农村合作医疗信息化建设概况.卫生经济研究, 2008, (3):26-27.
5杜长志,付培中,付胜.对新型农村合作医疗基金风险控制的探讨.卫生经济研究, 2008, (3):27-28.
6陈世辉,邱长溶道德风险对风险可保性的影响及其防范.市场与人口, 1998,4(2)
7林俊荣.基本医疗保险中的道德风险及其控制.辽宁工程技术大学学报(社会科学版), 2006,8(4): 400-402.
8胡海鸥.道德行为的经济分析[M].上海:复旦大学出版社,2003.
9 Knenneth J. Arrow.“Uncertainty and the welfare”economic of medical care. The American Economic Review, December 1963; PP:851-883.
10王雪飞新农合信息化建设宜稳步推进.健康报,2007-04-27第001版.
11卫生部农村卫生管理司农村卫生工作简讯,2007(12).
12卫生部办公厅《卫生部要求做好新农合医疗管理能力建设项目工作》中国人大网www.npc.gov.cn. 2009-02-10.
13 Jiawei Han, Micheline Kamber著.范明,孟小峰译.数据挖掘——概念与技术[M].北京:机械工业出版社,2007.3
14 DeckerK,FocardiS.TechnologyOverview:Areportondatamining[OL]. ftp://ftp.cscs.ch/pub/CSCS techreports,1999.
15田金兰,张素琴,黄刚.用关联规则方法挖掘保险业务数据中的投资风险规则.清华大学学报(自然科学版),2001,41(1):45-48.
16 Two Crows Corporation. Introduction to datamining and knowledge discovery [M]. http://www.twocrows.com/booklet.htm,1998.
17王伟辉,耿国华,陈莉.数据挖掘技术再保险业务中的应用.计算机应用与软件, 2008,25(3):123-125,转207.
18陈永强,胡雷芳.数据挖掘技术在人寿保险CRM系统中的应用研究.成组技术与生产现代化, 2004 (1) .
19戴稳胜,张阿兰,谢邦昌.数据挖掘的方法、流程及应用.中国统计,2004(7):53-54
20中华人民共和国卫生部.新型农村合作医疗信息系统基本规范(试行)2005.
21孙小健,仇德成.基于数据仓库的医疗保险决策支持系统设计与实现.甘肃科技,2007,23(3):56-58.
22胡桂林.常用数据挖掘软件比较.《国外医学》卫生经济分册,2005,22(1):20-26.
23胡善联.我国新型农村合作医疗制度的运行状况与评价分析.中国卫生经济,2008,26(2):26-27.
24宋培培,徐凌忠.新型农村合作医疗参合农民的住院费用与补偿情况分析.中国初级卫生保健,2008,22(4):19-21.
25卫生部,财政部,国家中医药管理局.关于完善新型农村合作医疗统筹补偿方案的指导意见. http: / /www.moh.gov.cn /newshtml /20180.htm. 2007- 09- 25.
26姜芸.新型农村合作医疗“合医”也要“合防”.卫生经济研究,2008,(2):33.
27张广科.新型农村合作医疗制度支撑能力及其评价.中国人口科学,2008,(1):83-92.
28靳勇.社会医疗保险中的道德风险及其控制机制.平原大学学报,2007,24(1):29-31.
29 Shilling AG. Open bar for health costs[J]. Forbes, 2004, 174(13): 192.
30张晓燕.医疗保险中的道德风险分析与控制.江苏卫生事业管理,2004,15(1):10-13.
31杨金侠,王禄生,王章泽,等.新型农村合作医疗医疗费用控制实证研究(一)——新型农村合作医疗制度中是否存在道德风险中国卫生经济,2008,27(6):29-30.
32杨金侠,李士雪,温丽娜,等.新型农村合作医疗医疗费用控制实证研究(二)——新型农村合作医疗道德风险发生的主要环节中国卫生经济,2008,27(7):11-14.
33庄国宁,庄国萍,胡金伟.山东省某县农民参加新农合意愿及受益公平分析.医学与哲学(人文社会医学版),2008,29(1):53-54.
34何义林,马李,胡爱香,等新型农村合作医疗实施地区卫生服务公平性研究.现代预防医学研究,2006,33(12):2283-2286.
35汪宏,Winnie Yip,张里程,等.中国农村合作医疗的受益公平性.中国卫生经济,2005,24(2):16-19.
36王妍.社会保障政策制定中的公众参与问题.吉林大学硕士学位论文.2008:5-6.
37岳公正,任继勤,左春玲.社会保障公共选择、帕累托最优与社会保障品市场效率评价.生产力研究. 2008(1): 92-93转134.
38岳公正,张金鑫,左春玲.社会保障公共选择、利益集团与政策垄断.生产力研究.2007(14): 69-70.
39岳公正,尚珂.社会保障、政策市场与公共选择的理论分析.经济师. 2006(1):36转38.
40吴辉,张冬霞,张飞,等.利益相关集团对新型农村合作医疗制度的影响力分析.郑州大学学报(医学版),2008,43(2):295-297.
41郭炜,张亚东,夏天.对公共医疗保障的范围界定与实证分析.科技管理研究,2005,(6): 129-131.
42邓大松,杨红燕.新型农村合作医疗利益相关主体行为分析.中国卫生经济, 2004,23 (8):14-16.
43周伟,王靖元,徐德斌.新型农村合作医疗支撑要素分析.中国农村卫生事业管理,2005 ,25 (11): 14-15.
44王珊,等编著.数据仓库技术与联机分析处理[M].北京:科学出版社,1999:1
45康晓东主编基于数据仓库的数据挖掘技术.机械工业出版社. 2004.pp:38-49
46 W.H. Inmon. Building the Data Warehouse [M]. New York, NY. USA, John Wiley & Sons, Inc. 1996.
47王丽珍,周丽华,陈红梅,等著数据仓库与数据挖掘原理及应用科学出版社,北京2005.7(第一版):6-8.
48陈京民著.数据仓库与数据挖掘技术.电子工业出版社2002.
49熊忠阳,张玉芳,吴中福.数据仓库数据加载技术.重庆大学学报(自然科学版), 2002,25(2):106-108.
50徐延中,数据仓库:从理论到实现.计算机世界. 1999-03(C19)
51王付山数据仓库及其建模的应用研究.福建电脑. 2008,(3):108转107.
52谢文珉.数据仓库、OLAP和数据挖掘技术在医疗保险中的应用于研究[D].杭州:浙江大学,2001:60-61.
53向春.医疗保险信息系统的数据仓库与数据挖掘研究.[D].南京:南京航空航天大学,2007:41.
54杨云,丁萍.数据仓库逻辑建模的初步探讨.西北农林科技大学学报, 2004(32): 165-166.
55 Erik Thomsen [美]著,朱建秋译. OLAP解决方案:创建多维信息系统[M].北京:电子工业出版社.2004:65-66.
56佚名关于数据仓库的数据模型http://www.amteam.org
57李志辉.数据仓库中元数据若干问题的讨论.福建电脑, 2005,(11): 51-52
58王灵芝,张肖霞,段焰.数据仓库元数据管理研究.福建电脑,2006,(7):53-54.
59吕波,王延章,王红梅数据仓库元数据的界定与分类.信息与控制. 2001,30(6):498-501转507.
60国家卫生信息元数据管理系统http://www.chiss.org.cn/meta.
61刘丽华;胡凯;金水高;卫生信息数据集元数据规范的研究中国卫生统计, 2008,25(4):363-365,转372.
62王玉清.数据仓库技术的研究及应用内蒙古大学学报(自然科学版) 2002 ,33(6):703-706.
63戴稳胜,张阿兰,谢邦昌.数据挖掘功能之四:关联分组[J].中国统计, 2005, 53(1):52-53.
64张贞梅,孙忠林,陈欣.数据挖掘的关联规则建立与算法改进[J].福建电脑, 2005,(5)
65郑晶晶,朱建平.数据挖掘中关联规则的规范化描述[J].统计与信息论坛,2006,21 (1): 93-96.
66李冉冉.数据挖掘在我国城镇基本医疗保险中的应用研究[D].湖南大学,2008.
67罗斌面向客户细分的改进关联规则算法研究[D].哈尔滨工业大学,2006
68何兵.关联规则数据挖掘算法的相关研究[D].西南交通大学, 2004 .
69李焱,张峰.多媒体课堂教学效果评价研究[J].福建电脑, 2007,23(5):191-192.
70付忠广,田志友,靳涛,等.联规则数据挖掘及其在电厂DCS数据分析中的应用[J]发电设备, 2004,18(S1):53-55,转77.
71刘浩钊,汤娜,冯智圣.关联规则衡量标准的改进模型[J].广东自动化与信息工程, 2003,24(2):26-28.
72蒋敏,李晓松,杜娟,等.关联规则在挖掘患者就医行为模式研究中的应用[J].现代预防医学, 2007,34(9):1663-1664,转1669.
73彭斌.基于关联规则的基因芯片数据挖掘与应用[D].第三军医大学,2008.
74罗可;吴杰.关联规则衡量标准的研究[J].控制与决策.2003,18(3):277-280转284.
75刘桂庆.关联规则挖掘算法研究[D].合肥工业大学, 2004 .
76戴新喜.基于模式矩阵的关联规则挖掘算法的研究与应用[D].南昌大学, 2007 .
77人口出生率城乡之间东西部之间严重不均衡,我国人口政策需转型升级.南方日报2004-05-25.
78张本飞.城乡人口出生率差别的经济解释.中南民族大学学报(人文社会科学版) ,2004,24(4):972-974.
79王丽珍,周丽华,陈红梅,等数据仓库与数据挖掘原理及应用[M].北京:科学出版社.2005年7月.
80 Jiawei Han, Micheline Kamber著.范明,孟小峰译数据挖掘概念与技术.北京:机械工业出版社.2007.3:295-301.
81黄守坤,异常数据挖掘及在经济欺诈发现中的应用.统计与决.2003(4):32-33.
82卫新江,保险欺诈防范方法之二:内部数据查询.中国保险.2006,23(3):64.
83蒋红卫,夏结来,余莉莉.偏最小二乘回归的离群点检测方法.中国卫生统计. 2004,21(3):135-138.
84李永丽,任辉明,董立岩.基于数据模式聚类算法的离群点检测.吉林大学学报:理学版.2007, 45(3):435-437.
85汤俊熊前兴.用于可疑金融交易监控的对比离群点检测模型.武汉理工大学学报.2006,28(4): 112-115.
86陈鑫.健康保险欺诈类型与防范对策.经济师.2008(4):235-236.
87叶明华.保险欺诈心理动因分析.中国保险.2007(8):60-61.
88郑建国,焦李成.偏差检测挖掘方法研究.计算机工程.2001,27(8):33-35.
89陈收,杨芳,刘端.上市公司财备欺诈识别模型及其应用.统计与决策.2007(6): 100-101.
90陈辉金,韩元杰.数据挖掘和信息融合在保险业欺诈识别中的应用.计算机与现代化.2005(9): 110-112.
91刘潇.社会医疗保险基金不同支付模式下的保险欺诈行为分析.人口与经济. 2008(2):64-70
92徐雪松,刘耀宗,赵学龙,等.基于核函数-主成分维数约减的离群点检测.计算机工程.2008, 34(8):82-84.
93徐雪松,张谞,宋东明,等.基于非线性数据变换的离群点检测算法.中国工程科学.2008,10(9): 74-78.
94徐雪松,宋东明,张谞,等.基于局部线性加权的离群点检测方法.计算机科学.2008,35(5): 154-157.
95李存华. l∞度量意义下的离群点检测.淮海工学院学报.2008,17(2):27-30.
96倪巍伟,陈耿,陆介平,等.基于局部信息熵的加权子空间离群点检测算法.计算机研究与发展. 2008,45(7): 1189-1194.
97倪巍伟,陆介平,陈耿,等.基于k均值分区的数据流离群点检测算法.计算机研究与发展. 2006, 43(9): 1639-1643.
98杨宜东,孙志挥,朱玉全,等.基于动态网格的数据流离群点快速检测算法.软件学报.2006, 17(8): 1796-1803.
99李毓.贷款风险分类模型的比较分析.经济经纬.2008(3): 135-138.
100吕晓燕李祥生郭建军.基于模糊模式识别的小肠平滑肌肿瘤的病理分级诊断方法.山西医科大学学报.2008,39(5): 437-439.
101周家莉. GA-BP神经网络在拮抗药化合物活性模式识别中的应用.中国现代药物应用. 2008,2(11).11-13
102郭春燕.国内外保险欺诈研究现状分析.兰州学刊.2006(9):154-157.
103田金兰,李奔.用决策树方法挖掘保险业务数据中的投资风险规则.小型微型计算机系统, 2000,21(10):1035-1038.
104王剑平李强娇.数据挖掘技术分析及应用.福建电脑.2008(6):7-8
105孙荣国张卫东王业钊,等.加强医院管理,防范医疗保险欺诈.现代预防医学, 2008,35(17): 3334-3334,3336
106葛文秀,蔡丹.保险欺诈与审核效率.保险职业学院学报.2008,22(3):38-40.
107左晖.浅谈病案与医疗保险欺诈.中国病案.2008(1):20-20,8
108姜燕生李凡.数据挖掘中的数据准备工作.湖北工学院学报.2003,18(6): 35-38,42.
2中国人民大学农业与农村发展学院课题组.论“能力密集型”合作医疗制度的“自动运行”机制——中国农村基本医疗保障制度的可持续发展.管理世界,2005(11):67-81.
3史志岗.医药经济报. 2006.04.14第43期.
4郑钧泽,杨志勇.我国新型农村合作医疗信息化建设概况.卫生经济研究, 2008, (3):26-27.
5杜长志,付培中,付胜.对新型农村合作医疗基金风险控制的探讨.卫生经济研究, 2008, (3):27-28.
6陈世辉,邱长溶道德风险对风险可保性的影响及其防范.市场与人口, 1998,4(2)
7林俊荣.基本医疗保险中的道德风险及其控制.辽宁工程技术大学学报(社会科学版), 2006,8(4): 400-402.
8胡海鸥.道德行为的经济分析[M].上海:复旦大学出版社,2003.
9 Knenneth J. Arrow.“Uncertainty and the welfare”economic of medical care. The American Economic Review, December 1963; PP:851-883.
10王雪飞新农合信息化建设宜稳步推进.健康报,2007-04-27第001版.
11卫生部农村卫生管理司农村卫生工作简讯,2007(12).
12卫生部办公厅《卫生部要求做好新农合医疗管理能力建设项目工作》中国人大网www.npc.gov.cn. 2009-02-10.
13 Jiawei Han, Micheline Kamber著.范明,孟小峰译.数据挖掘——概念与技术[M].北京:机械工业出版社,2007.3
14 DeckerK,FocardiS.TechnologyOverview:Areportondatamining[OL]. ftp://ftp.cscs.ch/pub/CSCS techreports,1999.
15田金兰,张素琴,黄刚.用关联规则方法挖掘保险业务数据中的投资风险规则.清华大学学报(自然科学版),2001,41(1):45-48.
16 Two Crows Corporation. Introduction to datamining and knowledge discovery [M]. http://www.twocrows.com/booklet.htm,1998.
17王伟辉,耿国华,陈莉.数据挖掘技术再保险业务中的应用.计算机应用与软件, 2008,25(3):123-125,转207.
18陈永强,胡雷芳.数据挖掘技术在人寿保险CRM系统中的应用研究.成组技术与生产现代化, 2004 (1) .
19戴稳胜,张阿兰,谢邦昌.数据挖掘的方法、流程及应用.中国统计,2004(7):53-54
20中华人民共和国卫生部.新型农村合作医疗信息系统基本规范(试行)2005.
21孙小健,仇德成.基于数据仓库的医疗保险决策支持系统设计与实现.甘肃科技,2007,23(3):56-58.
22胡桂林.常用数据挖掘软件比较.《国外医学》卫生经济分册,2005,22(1):20-26.
23胡善联.我国新型农村合作医疗制度的运行状况与评价分析.中国卫生经济,2008,26(2):26-27.
24宋培培,徐凌忠.新型农村合作医疗参合农民的住院费用与补偿情况分析.中国初级卫生保健,2008,22(4):19-21.
25卫生部,财政部,国家中医药管理局.关于完善新型农村合作医疗统筹补偿方案的指导意见. http: / /www.moh.gov.cn /newshtml /20180.htm. 2007- 09- 25.
26姜芸.新型农村合作医疗“合医”也要“合防”.卫生经济研究,2008,(2):33.
27张广科.新型农村合作医疗制度支撑能力及其评价.中国人口科学,2008,(1):83-92.
28靳勇.社会医疗保险中的道德风险及其控制机制.平原大学学报,2007,24(1):29-31.
29 Shilling AG. Open bar for health costs[J]. Forbes, 2004, 174(13): 192.
30张晓燕.医疗保险中的道德风险分析与控制.江苏卫生事业管理,2004,15(1):10-13.
31杨金侠,王禄生,王章泽,等.新型农村合作医疗医疗费用控制实证研究(一)——新型农村合作医疗制度中是否存在道德风险中国卫生经济,2008,27(6):29-30.
32杨金侠,李士雪,温丽娜,等.新型农村合作医疗医疗费用控制实证研究(二)——新型农村合作医疗道德风险发生的主要环节中国卫生经济,2008,27(7):11-14.
33庄国宁,庄国萍,胡金伟.山东省某县农民参加新农合意愿及受益公平分析.医学与哲学(人文社会医学版),2008,29(1):53-54.
34何义林,马李,胡爱香,等新型农村合作医疗实施地区卫生服务公平性研究.现代预防医学研究,2006,33(12):2283-2286.
35汪宏,Winnie Yip,张里程,等.中国农村合作医疗的受益公平性.中国卫生经济,2005,24(2):16-19.
36王妍.社会保障政策制定中的公众参与问题.吉林大学硕士学位论文.2008:5-6.
37岳公正,任继勤,左春玲.社会保障公共选择、帕累托最优与社会保障品市场效率评价.生产力研究. 2008(1): 92-93转134.
38岳公正,张金鑫,左春玲.社会保障公共选择、利益集团与政策垄断.生产力研究.2007(14): 69-70.
39岳公正,尚珂.社会保障、政策市场与公共选择的理论分析.经济师. 2006(1):36转38.
40吴辉,张冬霞,张飞,等.利益相关集团对新型农村合作医疗制度的影响力分析.郑州大学学报(医学版),2008,43(2):295-297.
41郭炜,张亚东,夏天.对公共医疗保障的范围界定与实证分析.科技管理研究,2005,(6): 129-131.
42邓大松,杨红燕.新型农村合作医疗利益相关主体行为分析.中国卫生经济, 2004,23 (8):14-16.
43周伟,王靖元,徐德斌.新型农村合作医疗支撑要素分析.中国农村卫生事业管理,2005 ,25 (11): 14-15.
44王珊,等编著.数据仓库技术与联机分析处理[M].北京:科学出版社,1999:1
45康晓东主编基于数据仓库的数据挖掘技术.机械工业出版社. 2004.pp:38-49
46 W.H. Inmon. Building the Data Warehouse [M]. New York, NY. USA, John Wiley & Sons, Inc. 1996.
47王丽珍,周丽华,陈红梅,等著数据仓库与数据挖掘原理及应用科学出版社,北京2005.7(第一版):6-8.
48陈京民著.数据仓库与数据挖掘技术.电子工业出版社2002.
49熊忠阳,张玉芳,吴中福.数据仓库数据加载技术.重庆大学学报(自然科学版), 2002,25(2):106-108.
50徐延中,数据仓库:从理论到实现.计算机世界. 1999-03(C19)
51王付山数据仓库及其建模的应用研究.福建电脑. 2008,(3):108转107.
52谢文珉.数据仓库、OLAP和数据挖掘技术在医疗保险中的应用于研究[D].杭州:浙江大学,2001:60-61.
53向春.医疗保险信息系统的数据仓库与数据挖掘研究.[D].南京:南京航空航天大学,2007:41.
54杨云,丁萍.数据仓库逻辑建模的初步探讨.西北农林科技大学学报, 2004(32): 165-166.
55 Erik Thomsen [美]著,朱建秋译. OLAP解决方案:创建多维信息系统[M].北京:电子工业出版社.2004:65-66.
56佚名关于数据仓库的数据模型http://www.amteam.org
57李志辉.数据仓库中元数据若干问题的讨论.福建电脑, 2005,(11): 51-52
58王灵芝,张肖霞,段焰.数据仓库元数据管理研究.福建电脑,2006,(7):53-54.
59吕波,王延章,王红梅数据仓库元数据的界定与分类.信息与控制. 2001,30(6):498-501转507.
60国家卫生信息元数据管理系统http://www.chiss.org.cn/meta.
61刘丽华;胡凯;金水高;卫生信息数据集元数据规范的研究中国卫生统计, 2008,25(4):363-365,转372.
62王玉清.数据仓库技术的研究及应用内蒙古大学学报(自然科学版) 2002 ,33(6):703-706.
63戴稳胜,张阿兰,谢邦昌.数据挖掘功能之四:关联分组[J].中国统计, 2005, 53(1):52-53.
64张贞梅,孙忠林,陈欣.数据挖掘的关联规则建立与算法改进[J].福建电脑, 2005,(5)
65郑晶晶,朱建平.数据挖掘中关联规则的规范化描述[J].统计与信息论坛,2006,21 (1): 93-96.
66李冉冉.数据挖掘在我国城镇基本医疗保险中的应用研究[D].湖南大学,2008.
67罗斌面向客户细分的改进关联规则算法研究[D].哈尔滨工业大学,2006
68何兵.关联规则数据挖掘算法的相关研究[D].西南交通大学, 2004 .
69李焱,张峰.多媒体课堂教学效果评价研究[J].福建电脑, 2007,23(5):191-192.
70付忠广,田志友,靳涛,等.联规则数据挖掘及其在电厂DCS数据分析中的应用[J]发电设备, 2004,18(S1):53-55,转77.
71刘浩钊,汤娜,冯智圣.关联规则衡量标准的改进模型[J].广东自动化与信息工程, 2003,24(2):26-28.
72蒋敏,李晓松,杜娟,等.关联规则在挖掘患者就医行为模式研究中的应用[J].现代预防医学, 2007,34(9):1663-1664,转1669.
73彭斌.基于关联规则的基因芯片数据挖掘与应用[D].第三军医大学,2008.
74罗可;吴杰.关联规则衡量标准的研究[J].控制与决策.2003,18(3):277-280转284.
75刘桂庆.关联规则挖掘算法研究[D].合肥工业大学, 2004 .
76戴新喜.基于模式矩阵的关联规则挖掘算法的研究与应用[D].南昌大学, 2007 .
77人口出生率城乡之间东西部之间严重不均衡,我国人口政策需转型升级.南方日报2004-05-25.
78张本飞.城乡人口出生率差别的经济解释.中南民族大学学报(人文社会科学版) ,2004,24(4):972-974.
79王丽珍,周丽华,陈红梅,等数据仓库与数据挖掘原理及应用[M].北京:科学出版社.2005年7月.
80 Jiawei Han, Micheline Kamber著.范明,孟小峰译数据挖掘概念与技术.北京:机械工业出版社.2007.3:295-301.
81黄守坤,异常数据挖掘及在经济欺诈发现中的应用.统计与决.2003(4):32-33.
82卫新江,保险欺诈防范方法之二:内部数据查询.中国保险.2006,23(3):64.
83蒋红卫,夏结来,余莉莉.偏最小二乘回归的离群点检测方法.中国卫生统计. 2004,21(3):135-138.
84李永丽,任辉明,董立岩.基于数据模式聚类算法的离群点检测.吉林大学学报:理学版.2007, 45(3):435-437.
85汤俊熊前兴.用于可疑金融交易监控的对比离群点检测模型.武汉理工大学学报.2006,28(4): 112-115.
86陈鑫.健康保险欺诈类型与防范对策.经济师.2008(4):235-236.
87叶明华.保险欺诈心理动因分析.中国保险.2007(8):60-61.
88郑建国,焦李成.偏差检测挖掘方法研究.计算机工程.2001,27(8):33-35.
89陈收,杨芳,刘端.上市公司财备欺诈识别模型及其应用.统计与决策.2007(6): 100-101.
90陈辉金,韩元杰.数据挖掘和信息融合在保险业欺诈识别中的应用.计算机与现代化.2005(9): 110-112.
91刘潇.社会医疗保险基金不同支付模式下的保险欺诈行为分析.人口与经济. 2008(2):64-70
92徐雪松,刘耀宗,赵学龙,等.基于核函数-主成分维数约减的离群点检测.计算机工程.2008, 34(8):82-84.
93徐雪松,张谞,宋东明,等.基于非线性数据变换的离群点检测算法.中国工程科学.2008,10(9): 74-78.
94徐雪松,宋东明,张谞,等.基于局部线性加权的离群点检测方法.计算机科学.2008,35(5): 154-157.
95李存华. l∞度量意义下的离群点检测.淮海工学院学报.2008,17(2):27-30.
96倪巍伟,陈耿,陆介平,等.基于局部信息熵的加权子空间离群点检测算法.计算机研究与发展. 2008,45(7): 1189-1194.
97倪巍伟,陆介平,陈耿,等.基于k均值分区的数据流离群点检测算法.计算机研究与发展. 2006, 43(9): 1639-1643.
98杨宜东,孙志挥,朱玉全,等.基于动态网格的数据流离群点快速检测算法.软件学报.2006, 17(8): 1796-1803.
99李毓.贷款风险分类模型的比较分析.经济经纬.2008(3): 135-138.
100吕晓燕李祥生郭建军.基于模糊模式识别的小肠平滑肌肿瘤的病理分级诊断方法.山西医科大学学报.2008,39(5): 437-439.
101周家莉. GA-BP神经网络在拮抗药化合物活性模式识别中的应用.中国现代药物应用. 2008,2(11).11-13
102郭春燕.国内外保险欺诈研究现状分析.兰州学刊.2006(9):154-157.
103田金兰,李奔.用决策树方法挖掘保险业务数据中的投资风险规则.小型微型计算机系统, 2000,21(10):1035-1038.
104王剑平李强娇.数据挖掘技术分析及应用.福建电脑.2008(6):7-8
105孙荣国张卫东王业钊,等.加强医院管理,防范医疗保险欺诈.现代预防医学, 2008,35(17): 3334-3334,3336
106葛文秀,蔡丹.保险欺诈与审核效率.保险职业学院学报.2008,22(3):38-40.
107左晖.浅谈病案与医疗保险欺诈.中国病案.2008(1):20-20,8
108姜燕生李凡.数据挖掘中的数据准备工作.湖北工学院学报.2003,18(6): 35-38,42.