打開鏈接點亮社區Star，照亮技術的前進之路。每一個點贊，都是社區技術大佬前進的動力
Github 地址： https://github.com/secretflow/secretflow
一、行業應用背景
隨着大數據人工智能等技術的發展，推動健康險邁入3.0時代，保險行業數字化轉型中服務逐步實現向線上遷移，數據合規使用為保險理賠模式優化帶來無限可能。
其中，商業健康險作為促進多層次醫療保障體系建設的重要組成部分，對於國民醫療健康具有重要意義。2022年1月，中國銀保監會人身險部向全國各人身保險公司下發《關於印發商業健康保險發展問題和建議報告的通知》：“爭取與醫療機構信息系統實現充分信息共享，改進結算服務；在確保信息安全和個人隱私權的基礎上，強化醫療健康大數據運用，推動醫療支付方式改革，更好服務醫保政策制定和醫療費用管理。”
面對理賠業務升級需求以及監管的要求，保險公司在服務創新的過程中需要優先重視數據合規，因而隱私計算就提供了這種中立可信的技術支撐。
為了解決千萬級在保用户住院醫療險的理賠體驗、成本和效能問題，螞蟻保險科技團隊與保險公司合作，構建了基於理賠科技平台和隱私計算框架“隱語”的“理賠大腦”智能理賠系統。
二、案例整體介紹
系統基於住院醫療險理賠憑證圖像的機器學習，藉助數據優勢（數十萬級典型理賠案件）並輔以一定的知識約束，實現了視覺識別+文本分類+文本語義理解的多模態醫療憑證識別模型（對100+種醫療理賠憑證的識別準確率達到95%以上），突破了真正可以大規模商業化應用的醫療憑證深度結構化和“專家級”高置信輔助核賠決策能力，幫助保險機構理賠效能提升70%以上。
系統基於“隱語”框架的大範圍線上數據化合作調查能力，又進一步減少了保險公司線下調查的成本和時長花費，將醫療事實調查的數字化和智能化應用，推進到了一個新的高度。
三、隱私計算在本案例的應用
為了有效發現陽性線索，降低錯賠風險。需要合規使用外部醫療數據，充分發揮其價值。現有MPC技術適用於多方聯合建模（如聯合風控場景），但不適合策略驅動、強規則計算的理賠陽性風險發現場景。
在整個系統中，健康險定製多方數據聯合分析解決方案是核心模塊之一。本項目基於“隱語”提供的MPC SQL多方聯合分析領域專用語言，構建了健康險定製多方數據聯合分析解決方案，覆蓋了全國案件佔比50%省份的官方合法來源醫療數據，為醫療數據的合規使用提供了一種典型案例。
這一方案基於多方安全計算技術，使用安全加密算法將多方數據進行聯合分析。幫助保險公司及其外部醫療數據ISV在原始數據不離開本地、數據價值有保護的前提下，進行聯合分析。在最大程度保障用户隱私的基礎上，滿足了業務需要。
四、多方聯合分析過程
螞蟻保與保險公司基於“隱語”框架的多方聯合分析能力，在保障聯合項目各參與方數據隱私前提下，引入外部數據源完成聯合分析的流程如下：
- 節點部署
用户一鍵獲取部署包，填入節點標識&token信息後執行腳本，即可輕量化、小時內完成本地節點部署；
- 數據準備（進行前置安全配置）
雙方分別將各自的樣本數據，加載至各自本地分析節點，並在平台上註冊對應樣本的數據表結構，同意授權進入多方安全分析項目。
- 規則開發
基於隱語的豐富MPC SQL算子支持，用户可以在腳本中描述基於多個數據源的安全計算，通過“SELECT FROM”、“JOIN ON”、“GROUP BY”等語句的組合搭配，即可完成聯合分析的統計結果生成；通過“SELECT INTO”語句可將交集結果導出至節點本地。
- 規則部署
隨後，用户可使用ISV授權的數據，通過聯合分析提供的在線SCQLIDE，在平台完成在線調試優化規則，且經調試驗證後的規則可作為標準規則在更多數據源進行規模化部署。
- 調用規則
規則部署完成後，用户在平台端即可對規則發起調用，且隱語支持簡單的數據分析結果可視，如就診分佈、就診頻次等分析結果。
- 數據源拓展
用户還可通過持續引入外部醫療數據進一步提升豐富底層數據能力，進一步提升自身理賠和風控能力，增加核保場景智能決策服務。
五、案例隱私計算技術突破
- 前置數據安全配置 數據資源分級分類
在數據準備環節中，用户可通過隱語的CCL前置安全配置功能，在MPC相關技術能力支撐下，對數據資產進行分級分類，通過前置配置來保證安全級別高的數據的安全性，保證多方隱私數據在計算過程中不泄漏。
- 豐富MPC SQL算子支持 編寫腳本描述基於多個數據源的安全計算
隱語支持：算術計算（+, -, *, /, %）、比較（>, <, >=, <=, =, <>, IN, NOT IN）、邏輯計算（AND, OR, NOT）、窗口聚合（group by ... min, max, avg, sum, count, median ）、控制（IF, CASE WHEN）、排序（RANK, ROW NUMBER, ORDER BY）、日期函數（DATE\_DIFF, DATE\_ADD）、其他函數（ceil, floor, round...）豐富算子。
-
底層數據能力持續豐富能力
在如上隱語框架分層總覽圖所示，隱語在資源管理層面向業務交付團隊，可以屏蔽不同機構底層基礎設施的差異，降低業務交付團隊的部署運維成本。另一方面，可以對聯合項目中的節點、數據、成員核心資源進行集中式管理，構建出一個高效協作的數據協同網絡。
- 隱私計算與多種技術的結合探索
在整個智能理賠系統中，隱語框架聚焦於合規引入ISV的醫療數據，在數據用於分析、機器學習的過程中則更涉及就醫憑證多模態分類識別、醫療文本NLP深度學習引擎等技術，是隱私計算與其他技術綜合應用的典型探索，對圖像、文本等更多類型的數據價值協同挖掘利用具有範式效應。
六、案例業務成效
基於隱語MPC SQL多方聯合分析領域專用語言的健康險定製多方數據聯合分析解決方案，有利於提升陽性案件識別和調查路徑規劃能力，覆蓋了全國案件佔比50%省份的官方合法來源醫療數據，為醫療數據的合規使用提供了一種典型案例。利於有效發現陽性線索、降低錯賠風險，通過數字化調查審核控制了理賠運營成本，更有利於擴大普惠醫療的服務範圍、提升普惠醫療的服務效率。
“理賠大腦”智能理賠系統上線後，整體相對於傳統線下調查作業，調查案均成本降低了40%，賠付率控制在了合理水平，保障了業務持續健康發展。
七、案例推廣展望
此次健康險定製多方數據聯合分析解決方案的落地不僅有利於商業健康險的降本增效良好發展，更可拓展應用於醫療行業中的前沿技術合作、創新藥研發、高端醫療器械研發應用以及疾病風險評估、疾病預防、分類診斷等眾多場景，聯通多種類型的醫療健康數據。
在我國，健康醫療大數據作為國家重要基礎性戰略資源在管理決策、公共衞生、臨牀科研、惠民服務、行業治理和產業發展等眾多方面影響深遠。醫療健康大數據生態的構建，有利於平衡醫療資源本身在地域分佈上的差異，促進社會資源的合理分配，提升國民健康服務的整體水平。
