# 医保报销”读秒级”审核：OCR 技术实战案例
一、”这个药能不能报？”——医保窗口的日常拷问
只要你在地市级医保局服务大厅待过，就一定见过这样的场景：
参保人拿着一叠医疗票据，排在窗口前。轮到他的时候，把票据递给工作人员。工作人员接过票据，开始手工审核：
“这张住院发票，金额 12580 元……”
“这张费用清单，甲类药品 3200 元，乙类药品 1800 元，自费药品 560 元……”
“这张诊断证明，疾病编码 J18.900……”
“这张处方，药品名称、规格、数量、单价……”
一份完整的报销材料，通常包括：
- 住院发票（1-3 张）
- 费用明细清单（5-20 页）
- 诊断证明（1 张）
- 出院小结（2-5 页）
- 处方笺（3-10 张）
- 检查报告（若干）
工作人员需要逐项核对：
- 票据真伪（是否有财政监制章）
- 费用分类（甲类、乙类、自费）
- 药品目录（是否在医保目录内）
- 报销比例（根据医院等级、参保类型）
- 起付线、封顶线计算
一份材料，熟练的工作人员需要 15-20 分钟。如果遇到复杂情况（异地就医、大病保险、医疗救助），时间翻倍。
2024 年，某市医保局统计：日均报销业务 450 笔，按每笔 18 分钟计算，需要 135 个窗口工时。实际配置 45 个窗口，人均日工作 9 小时，窗口工作人员长期加班。
更严重的是人为差错。抽样审计显示：手工审核的差错率约 3.2%，主要集中在费用分类错误、目录匹配错误、计算错误。
“能不能让机器来审？”
2025 年 3 月，某省医保局启动了”医保报销智能审核系统”项目。核心目标：把审核时间从 18 分钟压缩到 30 秒——”读秒级”审核。
二、技术方案：OCR+ 规则引擎的双轮驱动
#### 整体架构
“`
票据扫描/上传
↓
OCR 识别引擎
↓ 输出：结构化数据
- 发票代码、号码、日期、金额
- 药品名称、规格、数量、单价
- 诊疗项目名称、编码
- 疾病诊断编码
↓
规则引擎
↓ 执行：
- 票据真伪校验
- 医保目录匹配
- 报销比例计算
- 起付线/封顶线判断
↓
审核结果
- 可报销金额
- 自费金额
- 拒绝原因（如有）
“`
#### OCR 识别：处理百种票据格式
医保票据的复杂性远超想象。
1. 票据类型多样性
“`
- 住院发票：各省财政监制，版式各异
- 门诊发票：医院自制，格式不统一
- 费用清单：无标准格式，表格/文本混合
- 诊断证明：医院自制，版式千差万别
- 处方笺：手写/打印混合，字迹潦草
- 检查报告：设备生成，包含图像、表格
“`
某省统计：省内有效医疗票据版式超过 300 种，跨省票据版式超过 1000 种。
2. 识别策略
策略 1：版式聚类
“`
- 收集 10 万 + 票据样本
- 使用图像相似度聚类（感知哈希）
- 每类训练专用 OCR 模板
- 新票据自动匹配最相似模板
“`
策略 2：关键字段定位
“`
不管版式如何变化，某些字段是必须的：
- 发票代码（通常位于右上角）
- 发票号码（通常位于代码下方）
- 金额（通常有大写 + 小写）
- 财政监制章（红色圆形/椭圆形）
使用目标检测模型（YOLOv8）定位这些关键字段，然后局部识别。
“`
策略 3：表格结构化提取
“`
费用清单是典型的表格文档：
- 使用表格检测模型（TableNet）识别表格区域
- 使用行列检测算法划分单元格
- 对每个单元格执行 OCR 识别
- 根据表头语义标注列类型（药品名称、规格、数量、单价、金额）
“`
3. 识别准确率
某省实测数据（1000 张票据样本）：
- 发票代码/号码：99.2%
- 金额（大写）：97.8%
- 金额（小写）：98.5%
- 药品名称：94.3%
- 诊疗项目：92.1%
- 疾病编码：96.7%
#### 规则引擎：医保政策的数字化
OCR 解决”读出来”的问题，规则引擎解决”怎么算”的问题。
1. 医保目录匹配
“`
输入：药品名称、规格
过程：
1. 标准化药品名称（去除商品名、别名）
2. 匹配国家医保药品目录
3. 返回：甲类/乙类/自费、报销比例
技术难点：
- 同药异名：阿司匹林肠溶片 = 拜阿司匹灵 = Aspro
- 规格差异：0.1g×24 片 vs 100mg×24 片
- 目录版本：国家目录 vs 省级增补目录
解决方案：
- 建立药品别名库（10 万 + 条目）
- 规格归一化（g/mg 转换、片/粒转换）
- 目录版本管理（按参保地、参保类型）
“`
2. 报销比例计算
“`
报销比例取决于多个因素：
- 医院等级：一级 90%、二级 85%、三级 80%
- 参保类型：职工 85%、居民 70%
- 在职/退休：退休 +5%
- 连续参保年限：每 +1 年 +0.5%
- 大病保险：超封顶线部分 60%
规则引擎需要支持：
- 多层条件判断
- 优先级处理
- 公式计算
“`
3. 异常检测
“`
识别可疑报销：
- 同一人同日多家医院就诊
- 药品用量超出合理范围（如感冒药开 3 个月）
- 诊疗项目与诊断不符（如骨科手术开眼科用药）
- 发票号码重复
- 金额异常（如门诊发票超 10 万）
发现异常时，自动标记转人工审核。
“`
三、系统性能：如何做到 30 秒审核
#### 性能指标
某省医保局要求：
- P50 响应时间：<15 秒
- P95 响应时间：<30 秒
- P99 响应时间：<60 秒
- 并发能力：100 请求/秒
- 服务可用性：99.9%
#### 优化措施
1. OCR 加速
“`
- GPU 推理集群（4 卡 T4）
- 批量处理（一次处理 10 张票据）
- 缓存机制（相同票据不重复识别）
- 异步处理（识别与审核并行）
效果：OCR 识别时间从 8 秒降至 2 秒
“`
2. 规则引擎优化
“`
- 规则预编译（避免运行时解析）
- 目录数据内存缓存（Redis）
- 计算结果缓存（相同输入返回缓存）
效果：规则执行时间从 5 秒降至 0.5 秒
“`
3. 数据库优化
“`
- 参保人信息缓存（24 小时）
- 历史报销记录索引（按身份证号 + 日期）
- 批量查询优化（一次查询多条记录）
效果：数据库查询时间从 3 秒降至 0.3 秒
“`
#### 实测性能
2025 年 6 月上线后实测数据（10 万笔业务）：
- P50：12.3 秒
- P95：26.8 秒
- P99：48.5 秒
- 平均：14.7 秒
达到”读秒级”审核目标。
四、实战效果：效率与准确率双提升
#### 效率提升
| 环节 | 传统人工 | 智能审核 | 提升 |
|——|———-|———-|——|
| 票据录入 | 5 分钟 | 30 秒（OCR） | 10 倍 |
| 目录匹配 | 5 分钟 | 2 秒（自动） | 150 倍 |
| 金额计算 | 3 分钟 | 1 秒（自动） | 180 倍 |
| 结果复核 | 5 分钟 | 30 秒（抽检） | 10 倍 |
| 合计 | 18 分钟 | 32 秒 | 34 倍 |
#### 准确率提升
| 指标 | 传统人工 | 智能审核 |
|——|———-|———-|
| 费用分类正确率 | 96.8% | 99.5% |
| 目录匹配正确率 | 94.2% | 99.1% |
| 金额计算正确率 | 97.5% | 99.9% |
| 整体差错率 | 3.2% | 0.8% |
#### 业务数据（上线后 6 个月）
- 月均审核业务：13500 笔
- 自动审核通过率：87.3%（无需人工干预）
- 转人工审核率：12.7%（复杂/异常情况）
- 窗口人力释放：从 45 人降至 18 人（释放 27 人）
- 参保人等待时间：从平均 2.5 小时降至 25 分钟
#### 成本节约
- 人力成本：27 人×15 万/年 = 405 万元/年
- 差错损失：按年报销 10 亿元、差错率降低 2.4% 计算，节约 2400 万元/年
- 参保人时间成本：按每笔节约 17 分钟、每小时 50 元计算，年节约 2295 万元
- 社会总成本节约：约 5100 万元/年
五、踩过的坑
坑 1：手写处方识别
部分老医生习惯手写处方，字迹潦草难以识别。
解决：建立手写处方专用模型，识别率从 62% 提升至 85%；剩余转人工。
坑 2：票据折叠/污损
参保人提交的票据有折叠、污损、褪色。
解决：图像增强预处理；严重污损的直接转人工。
坑 3：目录更新滞后
医保目录每季度更新，规则引擎需要同步更新。
解决：建立目录更新自动化流程，更新后自动测试验证。
坑 4：异地就医票据
跨省票据版式差异大，识别率低。
解决：建立全国票据版式库，按省份路由识别模型。
六、下一步：从”智能审核”到”智能风控”
当前系统解决了”审得快”的问题，下一步要解决”审得准”的问题。
1. 欺诈检测
“`
使用机器学习模型识别可疑报销：
- 特征工程：就诊频率、药品用量、医院选择、金额分布
- 模型训练：历史欺诈案例作为正样本
- 实时评分：每笔报销输出欺诈风险分
- 高风险转人工深度审核
“`
2. 临床路径校验
“`
基于临床指南校验诊疗合理性：
- 诊断与用药匹配（如感冒不开抗生素）
- 检查与诊断匹配（如骨折需要 X 光）
- 住院天数合理性（如阑尾炎 3-7 天）
“`
3. 参保人画像
“`
建立参保人健康档案：
- 历史就诊记录
- 慢性病史
- 用药习惯
- 风险等级
用于个性化审核策略和健康管理。
“`
七、结语
“读秒级”审核，听起来是个技术指标，背后却是实实在在的民生改善。
当参保人不再需要排队 2 小时、当工作人员不再需要加班到深夜、当医保基金不再因为差错而流失——OCR 技术和规则引擎的组合，才真正体现了技术的价值。
医保报销智能审核，只是医保数字化转型的一小步。但当这一小步迈出去，释放的人力可以去做更有价值的事（如政策宣传、健康指导），节约的资金可以用于提高报销比例、扩大保障范围。
技术人的使命，不就是让这个世界变得更好一点吗？
