这个 Skill 能做什么，适合哪些场景？
该技能读取 payer 的 Medicare 或 Medicaid 理赔数据库，并依据 NCCI MUE、OIG LEIE、CMS enrollment 和 PFS 等公共规则筛查欺诈、浪费与滥用模式。它先运行不依赖模型的确定性检测，再进行判定和叙述，最终生成面向 SIU 或项目完整性团队的排名调查转介。输出使用“与某方案一致的指标”而非直接认定欺诈，并为金额和规则指控提供可复核引用。它适合已有规范化理赔数据、能够配置季度规则集并接受本地文件与网络依赖的团队。
读取 canonical 六表结构的 corpus.duckdb、指定季度和 Medicare/Medicaid 业务线；按需抓取并缓存公共参考数据和本地增强数据；运行确定性检测器和引用校验门；对需要判断的发现进行确认、降级或驳回；为提供方生成调查叙述；输出 referrals.detect.json、referrals.adjudicated.json、referrals.final.json、HTML 提供方调查包、仪表板和 referrals.xlsx。
- SIU 团队需要对 Medicare 理赔库执行季度性欺诈、浪费与滥用筛查时使用。
- Medicaid 项目完整性团队发现异常计费模式，需要生成按暴露金额和置信度排序的调查转介时使用。
- 付款方希望将理赔发现与 NCCI MUE、LEIE、CMS enrollment 和 PFS 规则逐项核验时使用。
- 调查人员需要查看按提供方组织的、带公共规则和来源摘录的审阅材料时使用。
如何安装这个 Skill？
- 不要将输出当作欺诈结论；必须由SIU或合规调查人员复核。
- 在提供claims数据库、连接字符串或FHIR凭据前，应确认只读权限、凭据保管、敏感字段最小化和访问审计方案。
- 参考数据抓取依赖CMS、OIG及州政策站点；海外网络不可达、URL变化或州站点反爬可能导致结果不完整。
- 运行前应确认季度参考库、DuckDB模式、Node.js、unzip、pdftotext、Workflow和Write工具均可用，并保留失败日志。
- Shell / 命令行
- 网络访问
- 本地文件系统
- MCP Server
Node.jsunzippdftotext (poppler)
将仓库加入 Claude Code 插件市场并安装 healthcare 插件：/plugin marketplace add anthropics/healthcare，然后运行 /plugin install healthcare@healthcare。README 只记录了整套 healthcare 插件的安装方式，没有提供单独安装 fraud-detection 技能的命令。
tmp="$(mktemp -d)"
git clone --depth 1 https://github.com/anthropics/healthcare.git "$tmp"
mkdir -p ~/.claude/skills
cp -R "$tmp/plugins/healthcare/skills/fraud-detection" ~/.claude/skills/
rm -rf "$tmp"根据源仓库地址和 Skill 路径自动生成，只复制这个 Skill 的文件夹。如果上文有作者提供的安装方式，请优先按作者说明操作；想只在当前项目中使用，把 ~/.claude/skills 换成项目里的 .claude/skills。
如何使用这个 Skill？
安装后，把下面任意一句发给 Agent 即可触发：
- 对这批 Medicaid 理赔执行 fraud sweep，使用 2026q3 规则并生成调查转介。
准备符合 canonical 六表结构的 corpus.duckdb，并提供规则季度和业务线，例如：“对这批 Medicaid 理赔执行 fraud sweep，使用 2026q3 规则并生成调查转介。”技能会将结果写入配置的数据目录；运行所需的 Workflow、shell、网络和本地文件操作需要由兼容客户端提供。
这个 Skill 有哪些优点和局限？
- 确定性检测负责计算，模型负责判定和叙述，金额与规则指控可追溯至检测阶段。
- 支持 Medicare 和 Medicaid，并结合 NCCI MUE、OIG LEIE、CMS enrollment、PFS 及本地增强数据。
- 输出包含排名转介、提供方调查包、HTML 仪表板和 XLSX 文件。
- 使用审慎的 SIU 表述，不把模式匹配直接称为欺诈。
- 必须先获得符合指定六表结构的 payer claims corpus.duckdb。
- 首次运行或更换季度需要真实网络访问，并依赖 Node.js、unzip 和 pdftotext。
- 工作流、Workflow 工具和 /workflows 体验明显依赖 Claude Code；其他客户端需要适配。
- 提供的材料没有展示测试套件、性能指标或支持的数据规模范围。
这个 Skill 与同类方案有什么区别？
与相关 Skills 并排比较；分数均按同一 FSRS 标准得出。
| Skill | FS 评分 | Star 数 | 最近更新 | License |
|---|---|---|---|---|
| 医疗理赔欺诈筛查 本页 ✓ Anthropic · 官方 | 48 · 谨慎使用 | ★ 425 | 1 个月前 | — |
| Hugging Face 数据集管理技能 | 50 · 谨慎使用 | ★ 38k | 13 天前 | MIT |
| Azure Data Explorer Kusto 分析技能 ✓ Microsoft · 官方 | 45 · 不推荐 | ★ 2.7k | 3 个月前 | MIT |
| 工作区数据分析师 | 54 · 谨慎使用 | ★ 11k | 28 天前 | MIT |
| Claude Ecom 电商业务复盘 | 53 · 谨慎使用 | ★ 53 | 4 个月前 | MIT |
FollowSkills 如何评估这个 Skill？
证据显示技能强调确定性检测、引用门、人工SIU审查、模型不自行发布，并将运行状态置于插件目录之外；LOAD-CLAIMS也要求只读连接。但它处理高度敏感的医疗理赔和身份数据，仍要求用户提供连接字符串、凭据或FHIR bearer token，未充分说明凭据隔离、最小字段、访问审计、加密、删除策略和回滚，因此扣分。
文档给出了较完整的步骤、目录约定、阶段快照和部分失败恢复指引，也明确区分检测、裁决和合成。静态证据未证明关键脚本、Workflow工具、Write工具及外部依赖在目标环境可用；网络、缺表、工具失败和异常输入的统一诊断路径仍有限，按静态上限保守给分。
目标用户、输入数据库、季度、业务线和输出物较清楚，也说明不适用于实时编辑或欺诈最终认定。触发边界、不同付款方数据质量、中文操作支持和中国大陆网络环境适配没有明确说明；核心参考数据依赖CMS、OIG等海外网络资源，可能影响FollowSkills用户可达性，因此扣分。
文档结构清晰，包含快速开始、数据加载、参考数据、架构、限制、许可提示和维护扩展说明；官方组织来源已给出。但技能自身没有明确版本、变更日志、维护责任人或更新承诺，许可证元数据为unknown，依赖安装和工具前置条件也不完整，因此未给高分。
设计目标和输出格式明确，确定性检测、引用调查包、仪表盘和XLSX具有直接使用价值，且声明每项金额和规则应追溯到检测阶段。由于仅静态阅读，没有代表性运行结果、样例输出或真实数据覆盖证据，无法确认端到端完整性和边界质量，按静态上限给7分。
代码和文档描述了确定性检测、引用门、阶段快照、队列数据和可复算cohort切片，且仓库包含CI相关文件。未提供本次技能关键路径的已执行结果、测试套件覆盖证明或独立复核记录；因此达到静态可支持的较高但非满分水平。
点击维度查看打分理由
证据充分度：低 — 主要依赖静态检查、作者材料或有限演示；适合发现线索，不适合做高风险决策。
查看完整评分方法 →