Luật kết hợp trong khai phá dữ liệu và ứng dụng hỗ trợ phát hiện gian lận kê đơn cấp thuốc bảo hiểm y tế

i

LỜI CẢM ƠN

Tôi xin bày tỏ lòng biết ơn sâu sắc tới TS. Nguyễn Hải Minh - khoa
Công nghệ Thông tin - Trường Đại học Công nghệ Thông tin và Truyền
thông – Đại học Thái Nguyên cán bộ đã trực tiếp hướng dẫn cho tôi trong quá
trình thực hiện luận văn.
Tôi xin chân thành cảm ơn các thầy, cô giáo Viện Công nghệ thông tin,
Trường Đại học Công nghệ thông tin và Truyền thông thuộc Đại học Thái
Nguyên đã tham gia giảng dạy, tạo mọi điều kiện cho tôi được học tập, nâng
cao trình độ kiến thức để phục vụ cho công tác của tôi hiện tại và sau này.
Tôi xin cảm ơn Thạc sỹ, Bác sỹ chuyên khoa II Trương Đồng Tâm Bệnh viện trường Đại học Y Khoa Thái Nguyên, đã tạo điều kiện cho tôi tiếp
xúc trực tiếp tìm hiểu các thông tin liên quan trong ngành Y và giúp tôi tiếp
cận với kho dữ liệu khám chữa bệnh tại bệnh viện.
Cuối cùng, tôi xin gửi lời cảm ơn tới gia đình, bạn bè, đồng nghiệp đã
luôn động viên, hỗ trợ tôi trong quá trình học tập và nghiên cứu đề tài.
Mặc dù đã rất cố gắng, song luận văn này không thể tránh khỏi những
thiếu sót, kính mong được sự chỉ dẫn, góp ý của các quý thầy cô và các bạn.

Thái Nguyên, tháng 05 năm 2016
Tác giả

Lê Tiến Thành


ii

LỜI CAM ĐOAN

Tôi xin cam đoan nội dung và kết quả nghiên cứu trong luận văn này là

trung thực và không trùng lặp với các đề tài khác. Tôi cũng xin cam đoan là
mọi sự giúp đỡ cho việc thực hiện luận văn này đã được cảm ơn và các thông
tin trích dẫn trong luận văn đã được chỉ rõ nguồn gốc.

Thái Nguyên, tháng 05 năm 2016
Tác giả

Lê Tiến Thành


iii

MỤC LỤC
LỜI CẢM ƠN ..........................................................................................................i
LỜI CAM ĐOAN ....................................................................................................ii
MỤC LỤC ............................................................................................................ iii
DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT ............................................ v
DANH MỤC CÁC BẢNG ..................................................................................... vi
DANH MỤC CÁC HÌNH .....................................................................................vii
LỜI NÓI ĐẦU ........................................................................................................ 1
MỞ ĐẦU ................................................................................................................ 3
Chương 1 TỔNG QUAN VỀ KHAI PHÁ DỮ LIỆU VÀ GIAN LẬN BẢO HIỂM
Y TẾ ....................................................................................................................... 4
1.1 Các kiến thức chung về khai phá dữ liệu........................................................ 4
1.1.1 Quy trình khai phá dữ liệu và phát hiện tri thức ...................................... 5
1.1.2 Kiến trúc của một hệ thống khai phá dữ liệu ........................................... 6
1.1.3 Các loại dữ liệu được khai phá ............................................................... 8
1.1.4 Chức năng khai phá dữ liệu .................................................................... 8
1.1.5 Lợi thế của khai phá dữ liệu so với phương pháp cơ bản ........................ 8
1.1.6 Một số ứng dụng của khai phá dữ liệu ................................................. 11

1.1.7 Những thách thức trong ứng dụng và nghiên cứu kỹ thuật KPDL ......... 13
1.2 Tổng quan về gian lận BHYT trong kê đơn cấp thuốc ................................ 17
1.2.1 Giới thiệu chung ................................................................................... 17
1.2.2 Các hình thức gian lận trong y tế .......................................................... 18
1.2.3 Gian lận trong kê đơn, cấp thuốc BHYT............................................... 18
1.2.4 Chức năng, nhiệm vụ của cơ quan Bảo hiểm trong y tế: ....................... 18
1.3 Khai phá dữ liệu bằng luật kết hợp .............................................................. 18
1.3.1 Lý thuyết về luật kết hợp ...................................................................... 18
1.3.2 Định nghĩa luật kết hợp ........................................................................ 19
1.4 Các tính chất của luật kết hợp ...................................................................... 20
1.4.1 Với tập mục phổ biến (3 tính chất) ....................................................... 20


iv

1.4.2 Với luật kết hợp (4 tính chất sau).......................................................... 21
Chương 2 GIẢI THUẬT APRIORI VÀ FP-GROWTH TRONG KHAI PHÁ DỮ
LIỆU ..................................................................................................................... 23
2.1 Thuật toán Apriori ....................................................................................... 23
2.2 Thuật toán PP-growth .................................................................................. 26
2.3 Cấu trúc cây FP-Tree ................................................................................... 28
2.4 Xây dựng cây FP-Tree ................................................................................. 29
2.5 Sinh tập phổ biến ........................................................................................ 31
Chương 3 ỨNG DỤNG THUẬT TOÁN FP-GROWTH KHAI PHÁ DỮ LIỆU
ĐƠN THUỐC BẢO HIỂM Y TẾ .......................................................................... 39
3.1 Thông tin dữ liệu mẫu và yêu cầu bài toán................................................... 39
3.2 Mô hình ứng dụng thuật toán FP-growth để phát hiện luật kê đơn ............... 41
3.3 Lựa chọn công cụ phát triển......................................................................... 41
3.4 Kết quả khai phá luật trên dữ liệu kê đơn thuốc bảo hiểm ............................ 44
3.5 Thử nghiệm chương trình hỗ trợ phát hiện gian lận kê đơn cấp thuốc .......... 62

3.5.1 Mô hình hỗ trợ phát hiện gian lận kê đơn cấp thuốc BHYT .................. 62
3.5.2 Phương pháp thử nghiệm...................................................................... 62
3.5.3 Dữ liệu thử nghiệm............................................................................... 63
3.5.4 Kết quả thử nghiệm .............................................................................. 63
KẾT LUẬN .......................................................................................................... 64
KIẾN NGHỊ NHỮNG NGHIÊN CỨU TIẾP THEO ............................................. 66
TÀI LIỆU THAM KHẢO ..................................................................................... 67
PHỤ LỤC.............................................................................................................. 68


v

DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT

Từ viết tắt

Tiếng Anh

Tiếng Việt

CSDL

Database

Cơ sở dữ liệu

Conf

Confidence

Độ tin cậy

Supp

Support

Độ hỗ trợ

Item

Item

Khoản mục

Itemset

Itemset

Tập các khoản mục

K - itemset

K - itemset

Tập gồm K mục

TID

Transaction

Định danh giao tác

Indentification
KDD

Knowledge Discovery

Kỹ thuật phát hiện tri thức và khai

and Data Mining

phá dữ liệu

Ck

Ck

Tập các K – itemset ứng cử

Lk

Lk

Tập các K – itemset phổ biến

Minconf

Minimum Confidence

Độ tin cậy tối thiểu

Minsup

Minimum Support

Độ hỗ trợ tối thiểu

KPDL

Data Mining

Khai phá dữ liệu

BHYT

Bảo hiểm y tế


vi

DANH MỤC CÁC BẢNG
Trang
Bảng2.1 Ví dụ về một cơ sở dữ liệu giao dịch T .................................................... 32
Bảng 2.2 Các tập mục phổ biến ............................................................................. 38
Bảng 3.1 Bảng dữ liệu ........................................................................................... 39
Bảng 3.2 Danh mục các bệnh thường gặp .............................................................. 40
Bảng 3.3 Mã bệnh I15.0 : Cao huyết áp do mạch máu thận.................................... 44
Bảng 3.4 Mã bệnh J20: Viêm phế quản cấp ........................................................... 45
Bảng 3.5 Mã bệnh J30: Viêm mũi do vận mạch và dị ứng ..................................... 47
Bảng 3.6 Mã bệnh K35: Viêm ruột thừa cấp .......................................................... 48

Bảng 3.7 Mã bệnh M25.5: Đau khớp ..................................................................... 51
Bảng 3.8 Mã bệnh N20.0: Sỏi thận ........................................................................ 53
Bảng 3.9 Mã bệnh R10.4: Đau bụng không xác định và đau bụng khác ................. 57
Bảng 3.10 Mã bệnh R51: Đau đầu ......................................................................... 59
Bảng 3.11 Mã bệnh T67.6: Mệt do nhiệt, nhất thời ................................................ 60


vii

DANH MỤC CÁC HÌNH
Trang
Hình 1.1 Quy trình phát hiện tri thức ....................................................................... 5
Hình 1.2 Kiến trúc của một hệ khai phá dữ liệu điển hình........................................ 7
Hình 3.1 Giao diện chính chương trình .................................................................. 42
Hình 3.2 Giao diện chọn file dữ liệu mẫu .............................................................. 42
Hình 3.3 Kết quả thực hiện phân tích tìm luật ........................................................ 43
Hình 3.4 Giao diện module kê đơn thuốc ............................................................... 63
Hình 3.5 Giao diện phát hiện gian lận từ Cơ sở dữ liệu .......................................... 64


1

LỜI NÓI ĐẦU
Trong thời đại ngày nay, với sự phát triển nhanh chóng các ứng dụng
công nghệ thông tin trong kỷ nguyên internet vào nhiều lĩnh vực đời sống xã
hội, khoa học kỹ thuật, kinh tế, an ninh quốc phòng, … Đã tạo ra nhiều cơ sở
dữ liệu khổng lồ. Việc dùng các phương tiện tin học để tổ chức và khai thác
các cơ sở dữ liệu đã được phát triển từ những năm 60. Sự phát triển của công
nghệ thông tin và việc ứng dụng công nghệ thông tin trong nhiều lĩnh vực
của đời sống, kinh tế xã hội trong nhiều năm qua đã tạo ra những kho dữ liệu

khổng lồ, tăng lên không ngừng. Các cơ sở dữ liệu trong các đơn vị, tổ chức
kinh doanh, quản lý khoa học… chứa đựng nhiều thông tin tiềm ẩn, phong
phú và đa dạng, đòi hỏi phải có những phương pháp phù hợp, chính xác, hiệu
quả để lấy được những thông tin bổ ích. Tuy nhiên, theo thống kê thì chỉ có
một lượng nhỏ của những dữ liệu này là luôn được phân tích, số còn lại họ
không biết sẽ phải làm gì hoặc có thể làm gì. Vấn đề đặt ra là làm thế nào để
xử lý được khối lượng thông tin cực lớn như vậy để phát hiện ra các tri thức
tiềm ẩn trong nó. Những tri thức chiết suất từ nguồn cơ sở dữ liệu trên sẽ là
nguồn thông tin rất hữu ích hỗ trợ cho lãnh đạo trong việc lên kế hoạch hoạt
động hoặc ra các quyết định chính xác. Để làm được điều đó người ta đã sử
dụng quá trình phát hiện tri thức trong cơ sở dữ liệu (Knowledge Discovery
in Database – KDD). Nhiệm vụ của KDD là từ dữ liệu sẵn có phải tìm ra
những thông tin tiềm ẩn có giá trị mà trước đó chưa được phát hiện cũng như
tìm ra những xu hướng phát triển và các xu hướng tác động lên chúng. Các
kỹ thuật cho phép ta lấy được các tri thức từ cơ sở dữ liệu sẵn có đó được gọi
là kỹ thuật Khai phá dữ liệu (Data Mining).


2

Một trong các nội dung cơ bản nhất trong khai phá dữ liệu và rất phổ
biến là phát hiện các luật kết hợp. Phương pháp này nhằm tìm ra các tập
thuộc tính thường xuất hiện đồng thời trong cơ sở dữ liệu và rút ra các luật
về ảnh hưởng của một tập thuộc tính dẫn đến sự xuất hiện của một hoặc một
tập thuộc tính khác như thế nào. Những luật kết hợp khai phá được có thể
giúp các tổ chức và các nhà quản lý đưa ra những quyết định kinh doanh
hiệu quả hơn.
Từ những lý do đó em đã tìm hiểu về đề tài “LUẬT KẾT HỢP TRONG
KHAI PHÁ DỮ LIỆU VÀ ỨNG DỤNG HỖ TRỢ PHÁT HIỆN GIAN LẬN
KÊ ĐƠN CẤP THUỐC BẢO HIỂM Y TẾ”. Nhằm phân tích các dữ liệu và

áp dụng các thuật toán để tìm ra những mẫu thông tin, hoạt động có tính chính
quy trong tập dữ liệu lớn, đồng thời áp dụng vào khai phá dữ liệu khám chữa
bệnh tại cơ sở khám chữa bệnh để hướng tới cài đặt một chương trình hỗ trợ
các cán bộ đại diện bảo hiểm và lãnh đạo phát hiện sớm các trường hợp gian
lận và lạm dụng bảo hiểm và ứng dụng hỗ trợ phát hiện gian lận.
Trong quá trình làm luận văn này em đã nhận được sự giúp đỡ chỉ bảo
tận tình của các thầy cô giáo trong khoa công nghệ thông tin của Trường Đại
học Công nghệ Thông tin và Truyền thông, đặc biệt là thầy Nguyễn Hải
Minh. Do thời gian có hạn và năng lực còn hạn chế nên không tránh khỏi
những sai sót nên em rất mong nhận được sự giúp đỡ và góp ý hơn nữa của
các thầy cô và các bạn.
Em xin chân thành cảm ơn thầy Nguyễn Hải Minh và các thầy, cô
trong trường Đại học Công nghệ Thông tin và Truyền thông đã tạo điều kiện
giúp đỡ em trong suốt quá trình học tập và làm luận văn tại Trường.


3

MỞ ĐẦU
Hiện nay, rất nhiều bệnh viện đã sử dụng phần mềm quản lý khám chữa
bệnh và ghi nhận việc kê đơn. Tuy nhiên trên thực tế có rất nhiều trường hợp
kê không đúng, kê lạm dụng để lấy thuốc hoặc một số cơ sở y tế đã khai
khống, kê đơn thuốc không đúng với bệnh nhằm hưởng lợi bất chính số tiền
hỗ trợ từ nguồn ngân quỹ bảo hiểm xã hội.
Đề tài này sẽ tập trung nghiên cứu những kiến thức về khai phá dữ liệu
sử dụng luật kết hợp. Đây là dạng luật kết hợp mang lại hiệu quả cao giúp tìm
ra được những quy luật và ứng dụng vào khai phá dữ liệu tại các cơ sở khám
chữa bệnh. Trong khuôn khổ và phạm vi nghiên cứu của đề tài, phần thực
nghiệm tác giả đã tiến hành cài đặt thuật toán dựa trên dữ liệu kê đơn thuốc
bảo hiểm của bệnh viện trường Đại học Y khoa – Đại học Thái Nguyên với

mục tiêu phát hiện ra quy luật kê đơn đối với một số bệnh thường gặp ở bệnh
viện, để từ đó làm cơ sở xây dựng chương trình hỗ trợ các cán bộ đại diện bảo
hiểm và phát hiện các trường hợp bất thường trong kê đơn, có nghi ngờ gian
lận hoặc lạm dụng bảo hiểm.


4

Chương 1
TỔNG QUAN VỀ KHAI PHÁ DỮ LIỆU VÀ
GIAN LẬN BẢO HIỂM Y TẾ
1.1 Các kiến thức chung về khai phá dữ liệu
Trong thời đại ngày nay, với sự phát triển vượt bật của công nghệ
thông tin, các hệ thống thông tin có thể lưu trữ một khối lượng lớn dữ liệu về
hoạt động hàng ngày của chúng. Từ khối dữ liệu này, các kỹ thuật trong Khai
Phá Dữ Liệu (KPDL) và máy học có thể dùng để trích xuất những thông tin
hữu ích mà chúng ta chưa biết. Các tri thức vừa học được có thể vận dụng để
cải thiện hiệu quả hoạt động của hệ thống thông tin ban đầu.
Khai phá dữ liệu là tiến trình khám phá tri thức tiềm ẩn trong các CSDL,
cụ thể hơn, đó là tiến trình lọc, sản sinh những tri thức hoặc các mẫu tiềm
ẩn, chưa biết những thông tin hữu ích từ các CSDL lớn. Tri thức đó thường ở
dạng các mẫu có tính chất không tầm thường, không tường minh (ẩn), chưa
được biết đến và có tiềm năng mang lại lợi ích. Về bản chất nó là giai đoạn
duy nhất rút trích và tìm ra được các mẫu, các mô hình hay thông tin mới, tri
thức tiềm ẩn có trong CSDL chủ yếu phục vụ cho mô tả và dự đoán. Đây là
giai đoạn quan trọng nhất trong quá trình phát hiện tri thức từ CSDL, các tri
thức này hỗ trợ trong việc ra quyết định, điều hành trong khoa học và kinh
doanh. Có một số nhà nghiên cứu còn gọi KPDL là phát hiện tri thức trong cơ
sở dữ liệu (Knowledge Discovery in Database - KDD). Ở đây có thể coi KPDL
là cốt lõi của quá trình phát hiện tri thức.

5

1.1.1 Quy trình khai phá dữ liệu và phát hiện tri thức

Hình 1.1 Quy trình phát hiện tri thức
Bước thứ nhất: Hình thành, xác định và định nghĩa bài toán. Là tìm
hiểu lĩnh vực ứng dụng từ đó hình thành bài toán, xác định các nhiệm vụ cần
phải hoàn thành. Bước này sẽ quyết định cho việc rút ra được các tri thức hữu
ích và cho phép chọn các phương pháp khai phá dữ liệu thích hợp với mục
đích ứng dụng và bản chất của dữ liệu.
Bước thứ hai: Thu thập và tiền xử lý dữ liệu. Là thu thập và xử lý thô,
còn được gọi là tiền xử lý dữ liệu nhằm loại bỏ nhiễu (làm sạch dữ liệu), xử lý
việc thiếu dữ liệu (làm giàu dữ liệu), biến đổi dữ liệu và rút gọn dữ liệu nếu
cần thiết, bước này thường chiếm nhiều thời gian nhất trong toàn bộ qui trình
phát hiện tri thức. Do dữ liệu được lấy từ nhiều nguồn khác nhau, không đồng
nhất, … có thể gây ra các nhầm lẫn. Sau bước này, dữ liệu sẽ nhất quán, đầy
đủ, được rút gọn và rời rạc hoá.
Bước thứ ba: Khai phá dữ liệu, rút ra các tri thức. Là khai phá dữ liệu,
hay nói cách khác là trích ra các mẫu hoặc/và các mô hình ẩn dưới các dữ
liệu. Giai đoạn này rất quan trọng, bao gồm các công đoạn như: chức năng,
nhiệm vụ và mục đích của khai phá dữ liệu, dùng phương pháp khai phá nào?


6

Thông thường, các bài toán khai phá dữ liệu bao gồm: các bài toán mang tính
mô tả - đưa ra tính chất chung nhất của dữ liệu, các bài toán dự báo - bao gồm
cả việc phát hiện các suy diễn dựa trên dữ liệu hiện có. Tuỳ theo bài toán xác

định được mà ta lựa chọn các phương pháp khai phá dữ liệu cho phù hợp.
Bước thứ tư: Sử dụng các tri thức phát hiện được. Là hiểu tri thức đã
tìm được, đặc biệt là làm sáng tỏ các mô tả và dự đoán. Các bước trên có thể
lặp đi lặp lại một số lần, kết quả thu được có thể được lấy trung bình trên tất
cả các lần thực hiện. Các kết quả của quá trình phát hiện tri thức có thể được
đưa và ứng dụng trong các lĩnh vực khác nhau. Do các kết quả có thể là các
dự đoán hoặc các mô tả nên chúng có thể được đưa vào các hệ thống hỗ trợ ra
quyết định nhằm tự động hoá quá trình này.
Tóm lại: KDD là một quá trình kết xuất ra tri thức từ kho dữ liệu mà
trong đó khai phá dữ liệu là công đoạn quan trọng nhất.
1.1.2 Kiến trúc của một hệ thống khai phá dữ liệu
Kiến trúc của một hệ thống KPDL điển hình có thể có các thành
phần như hình 1.2
- CSDL, kho dữ liệu hoặc các lưu trữ thông tin khác (Databases, Data
warehouse,..): Đây là một hay một tập các CSDL, các kho dữ liệu, các trang
tính hay các dạng lưu trữ thông tin khác. Các kỹ thuật làm sạch dữ liệu và tích
hợp dữ liệu có thể được thể hiện trên những dữ liệu này.
- Máy chủ CSDL hay máy chủ kho dữ liệu (Database or warehouse
server): Máy chủ này có trách nhiệm lấy những dữ liệu thích hợp dựa trên
các yêu cầu khai phá của người dùng.


7

Hình 1.2 Kiến trúc của một hệ khai phá dữ liệu điển hình
- Cơ sở tri thức (Knowledge base): Đây là miền tri thức được dùng
để hướng dẫn việc tìm kiếm hay đánh giá độ quan trọng của các hình mẫu kết
quả.
- Máy KPDL (Data mining engine): Một hệ thống KPDL cần phải
có một tập các modun chức năng để thực hiện công việc như: đặc trưng hoá,

kết hợp, phân lớp, phân cụm, phân tích sự tiến hoá.
- Modun đánh giá mẫu (Pattern evaluation): Bộ phận này tương
tác với các modun KPDL để duyệt tìm các mẫu đáng được quan tâm. Nó
có thể dùng các ngưỡng về độ quan tâm để lọc mẫu đã khám phá được. Cũng
có thể modun đánh giá mẫu được tích hợp vào modun khai phá, tuỳ theo sự
cài đặt của phương pháp khai phá được dùng.
- Giao diện đồ họa người dùng (Graphical user interface): Bộ phận
này cho phép người dùng giao tiếp với hệ thống KPDL. Ngoài ra, bộ phận này
còn cho phép người dùng xem các lược đồ CSDL, lược đồ kho dữ liệu (hay các
cấu trúc dữ liệu), các đánh giá mẫu và hiển thị các mẫu trong khuôn dạng khác
nhau.


8

1.1.3 Các loại dữ liệu được khai phá
KPDL phải có thể được áp dụng vào một loại lưu trữ thông tin bất kì.
Các loại dữ liệu đó có thể là CSDL quan hệ, CSDL giao dịch, kho dữ liệu, các
hệ CSDL nâng cao, các tập tin phẳng (flat file) và Web. Các hệ CSDL nâng
cao gồm CSDL hướng đối tượng, CSDL quan hệ đối tượng, CSDL hướng
ứng dụng cụ thể như: CSDL chuỗi thời gian (time-series), CSDL văn bản và
CSDL đa phương tiện.
1.1.4 Chức năng khai phá dữ liệu
KPDL có hai chức năng chính: mô tả (description) và dự đoán (prediction)
Công việc KPDL mô tả sẽ mô tả các tính chất hoặc đặc tính chung của
dữ liệu trong CSDL, nghĩa là phân tích và mô tả một tập mẫu đã biết (a set of
known sample) trong khả năng nhận thức của con người nhằm giúp họ hiểu rõ
hơn, sâu sắc hơn về dữ liệu.
Còn công việc KPDL dự đoán sẽ thực hiện việc suy luận dựa trên dữ
liệu hiện hành để cho ra các dự báo, nghĩa là phân tích tập dữ liệu huấn luyện

và tạo ra một hoặc vài mô hình cho phép dự đoán các mẫu mới chưa biết
(unseen new examples).
1.1.5 Lợi thế của khai phá dữ liệu so với phương pháp cơ bản
Các phương pháp khai phá dữ liệu không có gì là mới và hoàn toàn dựa
trên các phương pháp cơ bản đã biết. Nhưng có một số điểm khác biệt và ưu
thế hơn so với các phương pháp cơ bản như sau:
1.1.5.1 Học máy (Machine Learning)
Mặc dù người ta đã cố gắng cải tiến các phương pháp học máy để có
thể phù hợp với mục đích khai phá dữ liệu nhưng sự khác biệt giữa cách thiết
kế, các đặc điểm của cơ sở dữ liệu đã làm cho phương pháp học máy trở nên
không phù hợp với mục đích này, mặc dù cho đến nay, phần lớn các phương


9

pháp khai phá dữ liệu vẫn đựa trên nền tảng cơ sở của phương pháp học máy.
Những phân tích sau đây sẽ cho thấy điều đó.
Trong quản trị cơ sở dữ liệu, một cơ sở dữ liệu là một tập hợp được tích
hợp một cách logic của dữ liệu được lưu trong một hay nhiều tệp và được tổ
chức để lưu trữ có hiệu quả, sửa đổi và lấy thông tin liên quan được dễ dàng.
Ví dụ như trong CSDL quan hệ, dữ liệu được tổ chức thành các tệp hoặc các
bảng có các bản ghi có độ dài cố định. Mỗi bản ghi là một danh sách có thứ tự
các giá trị, mỗi giá trị được đặt vào một trường. Thông tin về tên trường và
giá trị của trường được đặt trong một tệp riêng gọi là thư viện dữ liệu (data
dictionary). Một hệ thống quản trị cơ sở dữ liệu sẽ quản lý các thủ tục
(procedures) để lấy, lưu trữ, và xử lý dữ liệu trong các cơ sở dữ liệu đó.
Trong học máy, thuật ngữ cơ sở dữ liệu chủ yếu đề cập đến một tập các
mẫu (instance hay example) được lưu trong một tệp. Các mẫu thường là các
vector đặc điểm có độ dài cố định. Thông tin về các tên đặc điểm, dãy giá trị
của chúng đôi khi cũng được lưu lại như trong từ điển dữ liệu. Một giải thuật

học còn sử dụng tập dữ liệu và các thông tin kèm theo tập dữ liệu đó làm đầu
vào và đầu ra biểu thị kết quả của việc học (ví dụ như một khái niệm).
Với so sánh cơ sở dữ liệu thông thường và CSDL trong học máy như
trên, có thể thấy là học máy có khả năng được áp dụng cho cơ sở dữ liệu, bởi
vì không phải học trên tập các mẫu mà học trên tệp các bản ghi của CDSL.
Tuy nhiên, phát hiện tri thức trong cơ sở dữ liệu làm tăng thêm các vấn
đề vốn đã là điển hình trong học máy và đã quá khả năng của học máy. Trong
thực tế, cơ sở dữ liệu thường động, không đầy đủ, bị nhiễu, và lớn hơn nhiều
so với tập các dữ liệu học máy điển hình. Các yếu tố này làm cho hầu hết các
giải thuật học máy trở nên không hiệu quả trong hầu hết các trường hợp.
Vì vậy trong khai phá dữ liệu, cần tập trung rất nhiều công sức vào việc
vượt qua những khó khăn, phức tạp này trong CSDL.


10

1.1.5.2 Phương pháp hệ chuyên gia
Các hệ chuyên gia cố gắng nắm bắt các tri thức thích hợp với bài toán
nào đó. Các kỹ thuật thu thập giúp cho việp háp đó là một cách suy diễn các
chuyên gia con người. Mỗi phương pháp đó là một cách suy diễn các luật từ
các ví dụ và giải pháp đối với bài toán chuyên gia đưa ra. Phương pháp này
khác với khai phá dữ liệu ở chỗ các ví dụ của chuyên gia thường ở mức chất
lượng cao hơn rất nhiều so với các dữ liệu trong cơ sở dữ liệu, và chúng
thường chỉ bao được các trường hợp quan trọng. Hơn nữa, các chuyên gia sẽ
xác nhận tính giá trị và hữu dụng của các mẫu phát hiện được. Cũng như với
các công cụ quản trị cơ sở dữ liệu, ở các phương pháp này đòi hỏi có sự tham
gia của con người trong việc phát hiện tri thức
1.1.5.3 Phát kiến khoa học
Khai phá dữ liệu rất khác với phát kiến khoa học ở chỗ khai phá trong
CSDL ít có chủ tâm và có điều kiện hơn. Các dữ liệu khoa học có ừ thực

nghiệm nhằm loại bỏ một số tác động của các tham số để nhấn mạnh độ biến
thiên của một hay một số tham số đích. Tuy nhiên, các cơ sở dữ liệu thương
mại điển hình lại ghi một số lượng thừa thông tin về các dự án của họ để đạt
được một số mục đích về mặt tổ chức. Độ dư thừa này (hay có thể gọi là sự
lẫn lộn – confusion) có thể nhìn thấy và cũng có thể ẩn chứa trong các mối
quan hệ dữ liệu. Hơn nữa, các nhà khoa học có thể tạo lại các thí nghiệm và
có thể tìm ra rằng các thiết kế ban đầu không thích hợp. Trong khi đó, các nhà
quản lý cơ sở dữ liệu hầu như không thể xa xỉ đi thiết kế lại các trường dữ
liệu và thu thập lại dữ liệu.
1.1.5.4 Phương pháp thống kê
Một câu hỏi hiển nhiên là khai phá dữ liệu khác gì so với phương pháp
thống kê. Một câu hỏi hiển nhiên là khai phá dữ liệu khác gì so với phương


11

pháp thống kê. Từ nhiều năm nay, con người đã sử dụng phương pháp thống
kê một cách rất hiệu quả để đạt được mục đích của mình.
Mặc dù các phương pháp thống kê cung cấp một nền tảng lý thuyết
vững chắc cho các bài toàn phân tích dữ liệu nhưng chỉ có tiếp cận thống kê
thuần túy thôi chưa đủ. Thứ nhất, các phương pháp thống kê chuẩn không phù
hợp đối với các kiểu dữ liệu có cấu trúc trong rất nhiều các CSDL. Thứ hai,
thống kê hoàn toàn theo dữ liệu (data driven), nó không sử dụng tri thức sẵn
có về lĩnh vực. Thứ ba, các kết quả phân tích thống kê có thể sẽ rất nhiều và
khó có thể làm rõ được. Cuối cùng, các phương pháp thống kê cần có sự
hướng dẫn của người dùng để xác định phân tích dữ liệu như thế nào và ở đâu.
Sự khác nhau cơ bản giữa khai phá dữ liệu và thống kê là ở chỗ khai phá
dữ liệu là một phương tiện được dùng bởi người sử dụng đầu cuối chứ không
phải là các nhà thống kê. Khai phá dữ liệu tự động quá trình thống kê một
cách có hiệu quả, vì vậy làm nhẹ bớt công việc của người dùng đầu cuối, tạo

ra một công cụ dễ sử dụng hơn. Như vậy, nhờ có khai phá dữ liệu, việc dự
đoán và kiểm tra rất vất vả trước đây có thể được đưa lên máy tính, được tính,
dự đoán và kiểm tra một cách tự động.
1.1.6 Một số ứng dụng của khai phá dữ liệu
1.1.6.1 Phân tích dữ liệu gen và sinh học y học
KPDL đã trở thành một công cụ mạnh và đóng góp thiết thực vào việc
phân tích gen theo các cách sau:
Nghiên cứu tương tự và so sánh các chuỗi gen: Một trong những
nghiên cứu quan trọng trong phân tích gen là nghiên cứu tương tự và so
sánh các chuỗi gen. Các chuỗi gen được cô lập từ các mô bệnh và khoẻ có
thể được so sánh với nhau để nhận dạng những khác biệt giữa hai lớp gen.


12

Phân tích kết hợp: Nhận dạng các chuỗi gen cùng xảy ra, phân tích
kết hợp có thể được sử dụng giúp chúng ta xác định các loại gen thường kết
hợp với nhau để gây nên bệnh.
Phân tích hướng đi: Liên kết các gen ở các giai đoạn khác nhau của quá
trình phát triển bệnh, nếu một chuỗi hoạt động của các gen ở những giai
đoạn khác nhau của bệnh được xác định, thì có thể giúp chúng ta chế tạo ra
các dược phẩm can thiệp vào từng giai đoạn của bệnh. Do đó, có thể đạt
được cách điều trị bệnh hiệu quả hơn.
1.1.6.2 Phân tích dữ liệu tài chính
Dữ liệu tài chính nhận được tương đối hoàn chỉnh, đáng tin cậy và
chất lượng cao làm thuận lợi cho việc phân tích dữ liệu, KPDL một cách hệ
thống. Các ứng dụng của KPDL vào lĩnh vực tài chính là:
- Dự đoán trả tiền vay và phân tích chính sách tín dụng khách
hàng: Dự đoán trả tiền vay và phân tích chính sách tín dụng khách hàng là
vấn đề quan trọng đối với việc kinh doanh của ngân hàng. Có nhiều yếu tố

(chẳng hạn: tỉ lệ trả trên thu nhập, mức thu nhập, mức học vấn, vùng dân
cư, lịch sử tín dụng,…) có thể ảnh hưởng mạnh hoặc yếu đến việc thực
hiện trả tiền vay và sự đánh giá mức độ tín nhiệm khách hàng. Các phương
pháp KPDL như lựa chọn đặc trưng, xếp hạng các thuộc tính liên quan có thể
giúp xác định các yếu tố quan trọng và loại bỏ những yếu tố không liên quan.
Do đó, ngân hàng có thể điều chỉnh chính sách cho vay đối với những khách
hàng mà trước đây ngân hàng đã từ chối nhưng nay tỉ mạo hiểm đối với họ là
thấp dựa vào các phân tích trên.
- Phát hiện các tội phạm tài chính: Để phát hiện việc chuyển tiền bất
chính vào ngân hàng và các tội phạm tài chính, việc tích hợp thông tin từ các
CSDL khác nhau (CSDL giao dịch ngân hàng, CSDL về lịch sử tội phạm) là


13

rất quan trọng. Sau khi có dữ liệu tổng hợp, chúng ta có thể dựa trên các
công cụ của KPDL để phát hiện ra các mẫu khác thường.
1.1.6.3 Phân tích các mẫu gian lận và xác định các mẫu khác thường
Việc xác định những người dùng gian lận tiềm năng và những mẫu sử
dụng không điển hình là rất quan trọng. Những mẫu này có thể được khám phá
bởi phân tích đa chiều, phân tích phân cụm, phân tích phần tử ngoài cuộc.
1.1.7 Những thách thức trong ứng dụng và nghiên cứu kỹ thuật KPDL
Một số vấn đề khó khăn trong việc nghiên cứu và ứng dụng kỹ thuật
khai phá dữ liệu như sau:
1.1.7.1 Các vấn đề về cơ sở dữ liệu
Đầu vào chủ yếu của một hệ thống khai thác tri thức là các dữ liệu thô
trong cơ sở phát sinh trong khai phá dữ liệu chính là từ đây. Do các dữ liệu
trong thực tế thường động, không đầy đủ, lớn và bị nhiễu. Trong những
trường hợp khác, người ta không biết cơ sở dữ liệu có chứa các thông tin cần
thiết cho việc khai thác hay không và làm thế nào để giải quyết với sự dư thừa

những thông tin không thích hợp này.
• Dữ liệu lớn: Cho đến nay, các cơ sở dữ liệu với hàng trăm trường và
bảng, hàng triệu bản ghi và với kích thước đến gigabytes đã là chuyện bình
thường. Hiện nay đã bắt đầu xuất hiện các cơ sở dữ liệu có kích thước tới
terabytes. Các phương pháp giải quyết hiện nay là đưa ra một ngưỡng cho cơ
sở dữ liệu, lấu mẫu, các phương pháp xấp xỉ, xử lý song song (Agrawal et al,
Holsheimer et al).
• Kích thước lớn: không chỉ có số lượng bản ghi lớn mà số các trường
trong cơ sở dữ liệu cũng nhiều. Vì vậy mà kích thước của bài toán trở nên lớn
hơn. Một tập dữ liệu có kích thước lớn sinh ra vấn đề làm tăng không gian tìm
kiếm mô hình suy diễn. Hơn nữa, nó cũng làm tăng khả năng một giải thuật
khai phá dữ liệu có thể tìm thấy các mẫu giả. Biện pháp khắc phục là làm


14

giảm kích thước tác động của bài toán và sử dụng các tri thức biết trước để
xác định các biến không phù hợp.
• Dữ liệu động: Đặc điểm cơ bản của hầu hết các cơ sở dữ liệu là nội
dung của chúng thay đổi liên tục. Dữ liệu có thể thay đổi theo thời gian và
việc khai phá dữ liệu cũng bị ảnh hưởng bởi thời điểm quan sát dữ liệu. Ví dụ
trong cơ sở dữ liệu về tình trạng bệnh nhân, một số giá trị dữ liệu là hằng số,
một số khác lại thay đổi liên tục theo thời gian (ví dụ cân nặng và chiều cao),
một số khác lại thay đổi tùy thuộc vào tình huống và chỉ có giá trị được quan
sát mới nhất là đủ (ví dụ nhịp đập của mạch). Vậy thay đổi dữ liệu nhanh
chóng có thể làm cho các mẫu khai thác được trước đó mất giá trị. Hơn nữa,
các biến trong cơ sở dữ liệu của ứng dụng đã cho cũng có thể bị thay đổi, bị
xóa hoặc là tăng lên theo thời gian. Vấn đề này được giải quyết bằng các giải
pháp tăng trưởng để nâng cấp các mẫu và coi những thay đổi như là cơ hội để
khai thác bằng cách sử dụng nó để tìm kiếm các mẫu bị thay đổi.

• Các trường không phù hợp: Một đặc điểm quan trọng khác là tính
không thích hợp của dữ liệu, nghĩa là mục dữ liệu trở thành không thích hợp
với trọng tâm hiện tại của việc khai thác. Một khía cạnh khác đôi khi cũng
liên quan đến độ phù hợp là tính ứng dụng của một thuộc tính đối với một tập
con của cơ sở dữ liệu. Ví dụ trường số tài khoản Nostro không áp dụng cho
các tác nhân.
• Các giá trị bị thiếu: Sự có mặt hay vắng mặt của giá trị các thuộc tính
dữ liệu phù hợp có thể ảnh hưởng đến việc khai phá dữ liệu. Trong hệ thống
tương tác, sự thiếu vắng dữ liệu quan trọng có thể dẫn đến việc yêu cầu cho
giá trị của nó hoặc kiểm tra để xác định giá trị của nó. Hoặc cũng có thể sự
vắng mặt của dữ liệu được coi như một điều kiện, thuộc tính bị mất có thể
được coi như một giá trị trung gian và là giá trị không biết.


15

Các trường bị thiếu: Một quan sát không đầy đủ cơ sở dữ liệu có thể
làm cho các dữ liệu có giá trị bị xem như có lỗi. Việc quan sát cơ sở dữ liệu
phải phát hiện được toàn bộ các thuộc tính có thể dùng để giải thuật khai phá
dữ liệu có thể áp dụng nhằm giải quyết bài toán. Giả sử ta có các thuộc tính để
phân biệt các tình huống đáng quan tâm. Nếu chúng không làm được điều đó
thì có nghĩa là đã có lỗi trong dữ liệu. Đối với một hệ thống học để chuẩn
đoán bệnh sốt rét từ một cơ sở dữ liệu bệnh nhân thì trường hợp các bản ghi
của bệnh nhân có triệu chứng giống nhau nhưng lại có các chẩn đoán khác
nhau là do trong dữ liệu đã bị lỗi. Đây cũng là vấn đề thường xảy ra trong cơ
sở dữ liệu kinh doanh. Các thuộc tính quan trọng có thể sẽ bị thiếu nếu dữ liệu
không được chuẩn bị cho việc khai phá dữ liệu.
Độ nhiễu và không chắc chắn: Đối với các thuộc tính đã thích hợp, độ
nghiêm trọng của lỗi phụ thuộc vào kiểu dữ liệu của các giá trị cho phép. Các
giá trị của các thuộc tính khác nhau có thể là các số thực, số nguyên, chuỗi và

có thể thuộc vào tập các giá trị định danh. Các giá trị định danh này có thể sắp
xếp theo thứ tự từng phần hoặc đầy đủ, thậm chí có thể có cấu trúc ngữ nghĩa.
Một yếu tố khác của độ không chắc chắn chính là tính kế thừa hoặc độ
chính xác mà dữ liệu cần có, nói cách khác là độ nhiễu crên các phép đo và
phân tích có ưu tiên, mô hình thống kê mô tả tính ngẫu nhiên được tạo ra và
được sử dụng để định nghĩa độ mong muốn và độ dung sai của dữ liệu.
Thường thì các mô hình thống kê được áp dụng theo cách đặc biệt để xác định
một cách chủ quan các thuộc tính để đạt được các thống kê và đánh giá khả
năng chấp nhận của các (hay tổ hợp các) giá trị thuộc tính. Đặc biệt là với dữ
liệu kiểu số, sự đúng đắn của dữ liệu có thể là một yếu tố trong việc khai phá.
Ví dụ như trong việc đo nhiệt độ cơ thể, ta thường cho phép chênh lệch 0.1
độ. Nhưng việc phân tích theo xu hướng nhạy cảm nhiệt độ của cơ thể lại yêu


16

cầu độ chính xác cao hơn. Để một hệ thống khai thác có thể liên hệ đến xu
hướng này để chuẩn đoán thì lại cần có một độ nhiễu trong dữ liệu đầu vào.
Mối quan hệ phức tạp giữa các trường: các thuộc tính hoặc các giá trị
có cấu trúc phân cấp, các mối quan hệ giữa các thuộc tính và các phương tiện
phức tạp để diễn tả tri thức về nội dung của cơ sở dữ liệu yêu cầu các giải
thuật phải có khả năng sử dụng một cách hiệu quả các thông tin này. Ban đầu,
kỹ thuật khai phá dữ liệu chỉ được phát triển cho các bản ghi có giá trị thuộc
tính đơn giản. Tuy nhiên, ngày nay người ta đang tìm cách phát triển các kỹ
thuật nhằm rút ra mối quan hệ giữa các biến này.
1.1.7.2 Một số vấn đề khác
“Quá phù hợp” (Overfitting): Khi một giải thuật tìm kiếm các tham số
tốt nhất cho đó sử dụng một tập dữ liệu hữu hạn, nó có thể sẽ bị tình trạng
“quá độ” dữ liệu (nghĩa là tìm kiếm quá mức cần thiết gây ra hiện tượng chỉ
phù hợp với các dữ liệu đó mà không có khả năng đáp ứng cho các dữ liệu lạ),

làm cho mô hình hoạt động rất kém đối với các dữ liệu thử. Các giải pháp
khắc phục bao gồm đánh giá chéo (cross-validation), thực hiện theo nguyên
tắc nào đó hoặc sử dụng các biện pháp thống kê khác.
Đánh giá tầm quan trọng thống kê: Vấn đề (liên quan đến overfitting)
xảy ra khi một hệ thống tìm kiếm qua nhiều mô hình. Ví dụ như nếu một hệ
thống kiểm tra N mô hình ở mức độ quan trọng 0,001 thì với dữ liệu ngẫu
nhiên trung bình sẽ có N/1000 mô hình được chấp nhận là quan trọng. Để xử
lý vấn đề này, ta có thể sử dụng phương pháp điều chỉnh thống kê trong kiểm
tra như một hàm tìm kiếm, ví dụ như điều chỉnh Bonferroni đối với các kiểm
tra độc lập.
Khả năng biểu đạt của mẫu: Trong rất nhiều ứng dụng, điều quan
trọng là những điều khai thác được phải cáng dễ hiểu với con người càng tốt.
Vì vậy, các giải pháp thường bao gồm việc diễn tả dưới dạng đồ họa, xây dựng


17

cấu trúc luật với các đồ thị có hướng (Gaines), biểu diễn bằng ngôn ngữ tự
nhiên (Matheus et al.) và các kỹ thuật khác nhằm biểu diễn tri thức và dữ liệu.
Sự tương tác với người sử dụng và các tri thức sẵn có: rất nhiều công
cụ và phương pháp khai phá dữ liệu không thực sự tương tác với người dùng
và không dễ dàng kết hợp cùng với các tri thức đã biết trước đó. Việc sử dụng
tri thức miền là rất quan trọng trong khai phá dữ liệu. Đã có nhiều biện pháp
nhằm khắc phục vấn đề này như sử dụng cơ sở dữ liệu suy diễn để phát hiện
tri thức, những tri thức này sau đó được sử dụng để hướng dẫn cho việc tìm
kiếm khai phá dữ liệu hoặc sử dụng sự phân bố và xác suất dữ liệu trước đó
như một dạng mã hóa tri thức có sẵn
1.2 Tổng quan về gian lận BHYT trong kê đơn cấp thuốc
1.2.1 Giới thiệu chung
Theo Luật Bảo hiểm y tế, chính phủ thống nhất quản lý nhà nước về

BHYT. Trong đó trách nhiệm của các Bộ, ngành liên quan gồm:
Bộ Y tế được giao quản lý nhà nước, thực hiện các chính sách về
lĩnh vực y tế.
Bộ Tài chính phối hợp với Bộ Y tế, xây dựng chính sách, pháp luật
về tài chính liên quan đến bảo hiểm y tế, thanh tra, kiểm tra việc thực hiện các
quy định của pháp luật về chế độ tài chính đối với bảo hiểm y tế, quỹ BHYT.
Bảo hiểm y tế là hình thức bảo hiểm được áp dụng trong lĩnh vực chăm
sóc sức khỏe, không vì mục đích lợi nhuận, do Nhà nước tổ chức thực hiện và
các đối tượng có trách nhiệm tham gia với nguyên tắc:
Chia sẻ rủi ro giữa những người tham gia BHYT.
Mức hưởng BHYT theo mức độ bệnh tật, nhóm đối tượng trong
phạm vi quyền lợi của người tham gia BHYT.


18

1.2.2 Các hình thức gian lận trong y tế
Có nhiều hình thức gian lận và lạm dụng trong gian lận y tế. Chủ yếu là
những hình thức như sau:
- Gian lận y tế từ nhà cung cấp trang thiết bị, thuốc điều trị.
- Gian lận y tế từ các nhà cung cấp chăm sóc y tế, các cơ sở khám
chữa bệnh, nhân viên y tế.
- Gian lận từ người tham gia thụ hưởng bảo hiểm: giả mạo giấy tờ,
cho người khác mượn giấy tờ liên quan khi đi khám chữa bệnh.
1.2.3 Gian lận trong kê đơn, cấp thuốc BHYT
Gian lận trong kê đơn, cấp thuốc BHYT là cố tình kê sai, kê lạm dụng
để lấy thuốc được thực hiện bởi một người hoặc nhiều người làm tổn thất về
tài chính cho nhà nước và các cơ sở khám chữa bệnh. Thực tế tình hình lạm
dụng và gian lận bảo hiểm y tế ở Việt Nam hiện đang diễn ra hàng ngày tại
các cơ sở khám chữa bệnh dưới nhiều hình thức khác nhau, hiện chưa có một

công cụ hữu hiệu cũng như chính sách rõ rang trong việc kiểm soát cũng như
phát hiện gian lận.
1.2.4 Chức năng, nhiệm vụ của cơ quan Bảo hiểm trong y tế:
- Giám định bảo hiểm y tế.
- Thanh toán chi phí khám bệnh, chữa bệnh BHYT
1.3 Khai phá dữ liệu bằng luật kết hợp
1.3.1 Lý thuyết về luật kết hợp
Một trong những chủ đề phổ biến của KPDL là khám phá luật kết
hợp. Mục đích của khám phá luật kết hợp là xác định mối quan hệ, sự kết
hợp giữa các item trong một CSDL lớn. Luật kết hợp là một luật dạng X
=> Y, với X, Y là tập các item. Một luật kết hợp được gọi là mạnh, nếu nó
thoả độ hỗ trợ và thoả độ tin cậy tối thiểu.