醫(yī)療保護(hù)和醫(yī)療救助中心用預(yù)測分析來對某些特定的賠償或醫(yī)療服務(wù)供應(yīng)者進(jìn)行風(fēng)險評分，甄別計費模式并發(fā)現(xiàn)用傳統(tǒng)方法難以查明的反常情況。以規(guī)則為基礎(chǔ)的模式基本上能自動標(biāo)示部分賠償結(jié)果異常。而異常分析模式基本上是靠分析反常因素發(fā)現(xiàn)問題。預(yù)測分析模式是將某一賠償案例與另外一個已被確認(rèn)為詐騙的案例進(jìn)行比較來發(fā)現(xiàn)可疑之處。而圖表模式一般是依據(jù)關(guān)系網(wǎng)來分析，它認(rèn)為一般存疑的醫(yī)療服務(wù)提供者總是與其他存在欺詐性的收費者保持緊密聯(lián)系。
通過預(yù)測分析提高效果
不少積極的嘗試，例如正在加速電子健康記錄(Electronic Health Records,EHRs)的有效利用、病人信息的數(shù)量和細(xì)節(jié)，能夠通過多種信息源組合、分析各種各樣的結(jié)構(gòu)化和非結(jié)構(gòu)化的數(shù)據(jù)有助于提高診斷病人病狀的準(zhǔn)確性、根據(jù)病狀匹配治療方案以及預(yù)測病人患病或再患病的風(fēng)險。
以電子健康記錄（EHR）中的數(shù)據(jù)為來源的預(yù)測模型被應(yīng)用于早起疾病的檢測，并且還降低了一些疾病的死亡率，比如充血性心力衰竭（CHF）和敗血癥等疾病。降低充血性心力衰竭（Congestive Heart Failure ，CHF）和敗血癥等疾病的死亡率。CHF在醫(yī)療保健支出的占比最大，CHF越早治療越好，這樣能夠避免花更多的錢治療并發(fā)癥。但是醫(yī)生常常會忽略它的早期臨床表現(xiàn)。來自于佐治亞理工學(xué)院的一個機器學(xué)習(xí)示例表明機器學(xué)習(xí)算法能夠比醫(yī)生從病人的圖表中分析出更多的因素，同時通過增加額外的特征，機器學(xué)習(xí)算法能夠有效提高模型區(qū)分CHF患者和非CHF患者的能力。