arXiv cs.AI· Harshil Lodhiya, Alex McManus·· 11 小时前AI 评分29
Pattern Intelligence：无监督、LLM 解读的医疗收入周期管理中的系统性少付与拒付模式发现
Pattern Intelligence: Unsupervised, LLM-Interpreted Discovery of Systematic Underpayment and Denial Patterns in Healthcare Revenue Cycle Management
AI 导读
Pattern Intelligence 是一个已部署系统，通过按理赔的裁定行为而非身份进行聚类，无监督地发现医疗支付方系统性少付与拒付的可纠正模式。每条理赔被嵌入 130 维向量，融合逐行预期与实际支付比、CARC 代码、拒付与支付信号及服务构成，并刻意排除支付方与合同身份，仅在事后按合同和就诊类型分段。
正文 · AI 翻译
摘要：医疗服务提供者因系统性的付款方少付和理赔拒付而损失大量收入，但识别其背后反复出现、可纠正的模式在很大程度上仍依赖人工，无法扩展到医院的理赔量级。我们提出 Pattern Intelligence，这是一个已部署的系统，它通过对理赔的裁定行为而非其身份进行聚类，以无监督方式发现此类模式。每条理赔被嵌入一个 130 维向量，该向量结合了逐行的预期与实际支付比率、理赔调整原因（CARC）代码、拒付与支付信号以及服务构成。付款方和合同身份被有意排除在距离度量之外——我们表明它们主导了几何结构，并使聚类坍缩为按付款方划分的平凡分组——仅在事后分段（按合同和就诊类型）中重新引入，以保持每个呈现出的模式连贯且可操作。我们使用 HDBSCAN 进行聚类，通过第二轮子聚类从噪声集中恢复结构，并对低置信度成员资格进行门控。大语言模型将每个质心转化为面向分析师的描述，涵盖主要操作、调整原因和失败模式。我们报告一个反复出现的发现：视租户和分段而定，大约三分之一到一半的高额拒付构成一个不可约的长尾，我们尝试过的任何密度聚类配置或表示都无法将其分组——我们认为这是领域属性，而非建模缺陷。我们通过聚类连贯性分析评估有效性，并在六租户部署中的两个生产租户（约 1 万条和 15.7 万条理赔）上用可回收机会（$）指标量化影响。本文的贡献不是新算法，而是一个问题表述、一个表示设计洞见以及来自生产环境的实证发现。
| 评论： | 5 页，5 幅图。已被 2027 IEEE Gujarat Section Conference（GSCON 2027）第 1 分会场：人工智能、数据科学与智能系统接收 |
| 主题： | 人工智能（cs.AI）；机器学习（stat.ML） |
| ACM 分类： | I.5.3；H.2.8；J.3 |
| 引用为： | arXiv:2610.27684 [cs.AI] |
| （或本版本的 arXiv:2610.27684v1 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2610.27684 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Harshil Lodhiya 先生 [查看电子邮件]
[v1]
2026 年 10 月 20 日星期二 05:59:14 UTC（682 KB）
来源：arXiv cs.AI · arxiv.org