本書基于大數據時代背景,對健康保險的精算統計模型與風險監(jiān)管進行了系統研究。研究發(fā)現:其一,針對健康大數據量大、異質及多源特點導致的數據融合難題,本書提出的分布式算法、**子抽樣、基于密度比模型的經驗似然算法、數據插補和模型平均算法等能有效解決上述難題;其二,基于隨機森林分類模型、BP組合神經網絡模型、樸素貝葉斯模型及馬爾可夫模型等大數據分析方法,可結合商業(yè)醫(yī)療保險、長期護理保險及重疾險的推行實踐,有針對性地推進健康保險定價模型由“少量影響因子對‘標準體’定價+核保調整價格”的傳統模式向“事前定價+動態(tài)調整”模式轉變;其三,大數據分析方法中的聚類方法、LightGBM方法、Logistic算法和決策樹算法能夠對醫(yī)療保險欺詐識別與智能核賠起到有效的風險預警作用;其四,健康大數據在開放過程中面臨標準化和隱私保護難題。此外,在數據標準化方面,本書基于HL7-RIM模型構建的健康保險業(yè)務底層數據標準化模型可為健康保險的高效發(fā)展提供數據標準。在數據開放隱私保護方面,鑒于健康保險大數據在收集、存儲、共享、分析的全周期各環(huán)節(jié)中均存在數據泄露可能性,本書簡要地對如何進行大數據時代健康保險相關數據的隱私保護進行了探討。本書的研究可為健康保險的精算技術變革及風險監(jiān)管對策改進提供理論支撐,可為我國多層次醫(yī)療保障體系的完善提供決策參考。