数据与分析 ✓ Anthropic · 官方 fraud-detectionclaims-analysismedicaremedicaidhealthcare-analyticsduckdbinvestigation-referrals

医疗理赔欺诈筛查

将 Medicare/Medicaid 理赔数据转化为有据可查、按优先级排序的调查线索。

FollowSkills 评估 · FSRS-2.0
不推荐
48/ 100 五分制 2.4 / 5
信任安全12 / 25 · 2.4/5

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。

可靠稳定8 / 20 · 2.0/5

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。

适用触发8 / 15 · 2.7/5

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。

规范维护8 / 15 · 2.7/5

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。

有效结果7 / 15 · 2.3/5

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。

证据核验5 / 10 · 2.5/5

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。

证据充分度: 评估于 2026年7月23日 审查版本 744278a1fe63
使用前请注意
  • 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。
查看完整评分方法 →

它能做什么 & 适用场景

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。

  1. 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。
  2. 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。
  3. 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。
  4. 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。

优缺点一览

优点
  • 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。
局限
  • 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。

如何安装

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。

如何使用

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。

常见问题

它会直接认定某个提供方欺诈吗?
不会。输出使用“与某方案一致的指标”,并将后续处置交给付款方的 SIU 或项目完整性流程。
运行需要哪些数据?
需要 payer 的 corpus.duckdb、规则季度以及 Medicare 或 Medicaid 业务线;数据库需符合文档所述的 canonical 六表结构。
参考规则数据从哪里来?
技能使用 NCCI MUE、OIG LEIE、CMS enrollment、PFS 等公共参考数据,并将其按季度缓存;部分 CMS coverage、ICD-10-CM 和 NPI 数据用于交互式增强。

同仓库的其他 Skills

均来自 anthropics/healthcare

相关 Skills