我们提出 Pattern Intelligence，一个在真实医院环境中部署的系统，能够在无需人工标注的情况下，自动发现导致付款不足和索赔被拒的系统性模式。核心思路是对索赔的 裁决行为 进行聚类，而不是对索赔本身的身份特征进行聚类。每条索赔被映射为一个 130 维向量，向量包括：
- 每行的期望付款与实际付款比例
- 索赔调整原因（CARC）代码
- 拒付与付款信号
- 服务组成信息
为避免几何结构被付款方或合同信息主导，这些身份特征在距离度量中被刻意排除，仅在聚类完成后作为 后置分段（按合同和就诊类型）重新加入，以保证每个发现的模式既连贯又可操作。
聚类采用 HDBSCAN，对噪声集合进行二次子聚类以恢复潜在结构，并对低置信度的成员进行过滤。每个聚类中心随后交给大语言模型（LLM），生成面向分析师的自然语言描述，涵盖主要手术、调整原因和失效模式。
实验发现，在高价值拒付中约有三分之一至一半形成了 不可约的长尾，无论使用何种密度聚类配置或特征表示，都难以将其归入同一簇，这是一种领域属性而非模型缺陷。我们通过簇内一致性分析验证了聚类质量，并使用 可回收机会（$） 指标在两个生产租户（约 1 万和 15.7 万条索赔）上量化了潜在收益。
该工作并未提出新算法，而是提供了一种问题表述、特征设计洞见以及在真实生产环境中的实证结果。
点评：Pattern Intelligence 展示了通过精心设计的向量表示和无监督聚类，结合 LLM 的解释能力，能够在大规模医疗索赔数据中自动捕捉可操作的财务异常模式，为医院提供了可量化的收入回收机会。