大模型驱动智能监管升维

人工智能大模型指通过海量数据训练构建的、具有超大规模参数（通常可达数十亿甚至万亿级）的深度学习模型，因其展现出强大的泛化能力和多任务处理潜力而被广泛关注。经历了从单一模态到多模态、从专用模型到通用智能的快速演进，大模型已逐步成为推动人工智能技术进步的核心引擎。当前，大模型技术生态呈现“双轨并行”的发展格局。 一方面，DeepSeek、ChatGPT等大模型结合AI Agent智能体技术旨在模拟人类实现通用智能，已经具备语言理解、逻辑推理、创意生成等通用能力； 另一方面，针对如医保、医疗、金融等具体应用场景调优构建的垂直领域大模型，充分融合了领域知识与专业数据，具有了更加强大的特定问题解决能力。

医保监管领域的监管决策执行需要充分理解费用明细、结算记录、病案首页、医学影像、行为特征等多模态数据，并实现复杂的行为表征和临床诊疗的有机整合，技术门槛和精准度要求远高于通用场景。作为医保基金“看门人”，医保监管业务场景对数据的准确性、决策的可解释性和流程的合规性有着极高要求，通用大模型难以直接泛化应用到这一领域，但数智化转型的迫切需求为垂直大模型的应用提供了广阔发展空间。大模型和医保监管系统的结合主要体现在如下三个核心层面。

二是监管规则涌现。知识图谱、检索增强生成等技术，可以将临床指南、法律法规以及医保政策等信息进行整合，形成一个清晰关联医疗行为、诊断标准、治疗方案、药品使用规范以及医保报销规则等内容的知识体系。该体系可以动态更新，使监管规则随医疗实践和政策变化而不断涌现。经专家审核后，这些新涌现的监管规则可以被纳入智能监管的知识库、规则库中。同时，该体系还可支持医保监管决策的制定与优化。如住院ICU因医疗行为发生环境相对封闭，医疗行为量大且选择的不确定性高，导致欺诈行为具有复杂性、隐蔽性和动态变化性等特征。基于大模型技术的医保监管模型所具备的监管规则涌现能力，可有效应对住院ICU反欺诈场景中的这些难度挑战。

三是精准透明促教。推理大模型（如DeepSeek R1、QwQ-Max-Preview等）的思维链思考过程虽不能等同于可解释性分析，但其基于数据驱动的内在推理逻辑和生成机制，仍具有一定的参考价值。具体业务场景中，医保监管领域垂直大模型思考分析过程也能起到很多积极作用。例如：清晰展示数据分析和决策依据，可有效促进医保监管更加公正透明；帮助监管人员快速理解模型分析结果，能够进一步提高人工审核和干预效率；帮助监管人员理解医保欺诈和违规行为特征，提升专业素养和监管能力。不仅如此，大模型技术还可用于向医疗机构和参保人员普及医保知识，增强各方合规意识。

数智化重构全域监管生态

至于医保监管的未来生态，笔者认为，基于以大模型为核心的医保监管体系数智化重构，有望从数据智能融合、认知决策升维、响应机制重构和人文价值回归四个维度取得颠覆性突破，进而重塑医保治理的底层逻辑与运行范式。

在数据融合维度上，未来全域（指医保系统数据与其他领域数据的融合）医保监管生态系统有望打破传统医保监管中以单一行为及病例数据为输入的数据孤岛，可通过构建整合全域数据的联合大模型，以及联邦学习等隐私保护技术，融合来自监管对象“衣食住行”全方位多维度信息，构建整体研判机制。

在响应机制重构上，未来全域医保监管生态系统将实现从“事后追偿”到“事中、事前预警”的范式转化。依托大模型、实时数据流处理、边缘计算等技术，该系统能够在诊疗、支付等过程中对可能的风险进行实时预警，实现“诊疗即审核、支付即监管”的同步响应，将欺诈风险或不合理医疗行为高效拦截在问题发生之前。

在人文价值层面上，大模型、智能体等技术未来将能够理解医保的人文本质，使医保监管从“控制思维”转向“健康价值创造”，做到以人为本，引导高效可靠的医疗行为。从参保人角度，未来医保监管生态系统可以整合健康数据、生活习惯、环境健康指数等多维度信息，为其提供个性化慢病管理建议、预警健康风险、动态调整保障范围；从医疗机构角度，该系统可以整合多源医疗数据，优化服务流程，助力机构实现高效、精准、有温度的医疗管理与服务。

结语

医保监管的智治跃迁，本质上是国家治理体系现代化进程在医保领域的深刻映射。大模型驱动的数智化重构绝非简单的技术工具迭代，而是一场从“规则治理”向“认知治理”的范式革命。这场智治跃迁的终极意义，在于构建一个既能守护“救命钱”安全，又能激发医疗、医保、医药乃至其他相关领域创新活力的数智治理共同体。虽然当前在实现上述目标时还存在一系列技术挑战，但当监管智能体与人类智慧形成共生进化，我们获得的不仅是前沿科技赋能的监管新方案，更是一个彰显中国式治理的智慧医保改革新范式。（ZGYB-2025.05）

原标题：数智革命下的医保监管新生态

作者 | 耿韬 上海市医保局

来源 | 中国医疗保险

编辑 | 崔秀娟 陈嘉蕾