面向阿尔茨海默病患者的药物感知金融剥削检测——基于边缘感知交互风险建模

# 面向阿尔茨海默病患者的用药感知型金融剥削检测：基于边缘感知交互风险建模
来源：https://arxiv.org/html/2606.00672
11institutetext:认知链接有限责任公司，马里兰州，美国
11email:\{farzana\.akter9814,lisanalamin,rakib\.sat18\}@gmail\.com22institutetext:马里兰大学帕克分校，美国
22email:chaitanya\.gunupudi970@gmail\.com, quader@umd\.eduLisan Al AminRakib HossainChaitanya GunupudiFaisal Quader通讯作者：

###### 摘要

金融剥削对阿尔茨海默病患者日益构成威胁，尤其是在其认知稳定性下降的时期。传统的欺诈检测系统通常仅依赖金融行为，而忽略了可能改变其脆弱性的临床相关因素。本文提出一个用药感知框架，将用药依从性与交易层面监控同步，以提高对认知风险金融事件的检测能力。构建了一个包含180名患者、为期45天的混合仿真数据集，产生了8,100条用药记录和30,855笔交易。该框架通过纯金融模型、附加用药感知模型以及交互感知逻辑回归模型，评估了金额异常、商家新颖性、交易频率、时间偏差和用药依从性。结果表明，纯金融基线获得了最高的全局F1分数（0.5000），但交互感知模型在用药诱导的脆弱性窗口期内将召回率从0.7442提升至0.9070，并在排序高风险案例中取得了最高的平均精度。研究结果表明，用药依从性作为金融风险的背景修正因子比作为孤立预测因子更有用。

## 1 引言

金融剥削是数字银行和远程交易环境中老年人的主要威胁。近期研究表明，晚年金融损害既受外部欺骗影响，也与年龄相关的认知、情感和判断变化有关[7 (https://arxiv.org/html/2606.00672#bib.bib1)]。这一问题在阿尔茨海默病患者中更为突出，执行功能受损和自我监控能力下降会使患者难以识别异常交易或应对操纵。

认知衰退也可能在患者完全认识到自身衰退之前就影响其财务能力。Mazzonna 和 Peracchi 发现，严重的认知衰退加上较差的自我认知，与有意义的财务损失显著相关[12 (https://arxiv.org/html/2606.00672#bib.bib2)]。这意味着对阿尔茨海默病患者的剥削检测不应仅仅被视为一个标准异常检测问题，还应考虑随时间变化的脆弱性，因为同一笔交易在患者临床状态不稳定时可能具有不同的意义。

数字痴呆护理研究在语音助手、个性化、智能助手和远程监控方面已取得进展[19 (https://arxiv.org/html/2606.00672#bib.bib3),21 (https://arxiv.org/html/2606.00672#bib.bib4),17 (https://arxiv.org/html/2606.00672#bib.bib5),15 (https://arxiv.org/html/2606.00672#bib.bib6)]。隐私和治理研究进一步表明，痴呆相关的监控必须尽量减少不必要敏感个人信息的暴露[4 (https://arxiv.org/html/2606.00672#bib.bib7),13 (https://arxiv.org/html/2606.00672#bib.bib12)]。然而，这些进展并未直接解决金融保护问题。现有系统通常侧重于沟通、护理、行为监控或通用的智能体支持，而非用药感知的交易风险建模[6 (https://arxiv.org/html/2606.00672#bib.bib8),5 (https://arxiv.org/html/2606.00672#bib.bib9),9 (https://arxiv.org/html/2606.00672#bib.bib10)]。同时，关于痴呆与财务能力的研究确认了早期金融标志物的重要性，但很少将动态临床背景整合到交易层面的检测中[8 (https://arxiv.org/html/2606.00672#bib.bib13),16 (https://arxiv.org/html/2606.00672#bib.bib14),18 (https://arxiv.org/html/2606.00672#bib.bib16)]。

本文通过开发一个基于仿真的用药感知金融剥削检测框架来弥补这一空白。用药不依从被建模为一种动态脆弱性信号，而非静态的患者描述符。本研究探讨的是：在漏服药物窗口期内，金融异常是否变得更具信息量。其目的并非声称已投入临床或银行部署，而是测试与纯金融基线和附加基线相比，用药感知交互建模能否提高脆弱性敏感的检测能力。

本文的贡献有四个方面。第一，引入一个用药感知风险建模框架，将用药依从性视为金融风险的背景修正因子。第二，构建一个同步的混合数据集，将每日用药事件与交易流关联起来。第三，比较可解释的加权评分、逻辑基线以及交互感知模型。第四，在全局范围内以及在用药诱导的脆弱性窗口期内评估性能，因为在这些窗口期内漏检的剥削事件在临床上最为令人担忧。

## 2 相关工作与研究空白

老年人金融剥削已在欺诈、老龄化、认知和决策领域得到广泛研究。Ebner 等人表明，由于社会判断和情感处理方面的变化，老年人可能面临欺骗风险[7 (https://arxiv.org/html/2606.00672#bib.bib1)]。关于认知衰退和财务能力的研究进一步表明，金融行为可以揭示早期功能恶化和神经认知风险[12 (https://arxiv.org/html/2606.00672#bib.bib2),8 (https://arxiv.org/html/2606.00672#bib.bib13),16 (https://arxiv.org/html/2606.00672#bib.bib14)]。不确定性感知的金融风险建模也支持在合规敏感场景中需要可辩护且可解释的风险估计[3 (https://arxiv.org/html/2606.00672#bib.bib17)]。最近的评论证实，痴呆症患者的金融剥削是一个日益严重的问题，需要预防性干预[18 (https://arxiv.org/html/2606.00672#bib.bib16)]。然而，大多数现有工作并未将用药依从性视为随时间变化的脆弱性信号。

以往研究通常将脆弱性建模为稳定的个体层面条件，尽管阿尔茨海默相关的风险可能随用药规律、疲劳、睡眠、护理者可得性和日常干扰而波动。因此，用药依从性在临床上具有相关性，因为漏服药物可能表明常规稳定性降低或认知脆弱期。Olchanski 等人表明，阿尔茨海默病的药物使用和依从性在不同患者群体中存在差异[14 (https://arxiv.org/html/2606.00672#bib.bib11)]。关于阿片类药物患者分类的相关机器学习工作也表明，与用药相关的临床数据可以支持有意义的风险分层[2 (https://arxiv.org/html/2606.00672#bib.bib21)]。在此背景下，漏服一剂药物可能不会直接导致欺诈，但可以改变中度金融异常应如何被解释的方式。

AI 支持的痴呆护理系统提供了有用的技术背景。基于 LLM 和记忆协调的助手已被提议用于老年护理中的沟通和个性化[19 (https://arxiv.org/html/2606.00672#bib.bib3),21 (https://arxiv.org/html/2606.00672#bib.bib4)]。共同设计的智能助手、上下文感知移动系统和远程监控综述也表明，AI 赋能的痴呆支持日益可行[17 (https://arxiv.org/html/2606.00672#bib.bib5),15 (https://arxiv.org/html/2606.00672#bib.bib6),6 (https://arxiv.org/html/2606.00672#bib.bib8)]。对弱势用户的风险可控 AI 支持强调了安全感知设计、可解释性和人工监督的必要性[11 (https://arxiv.org/html/2606.00672#bib.bib18)]。智能体痴呆护理框架暗示了更广泛的协调可能性，但它们仍是架构性的，而非关于用药感知金融风险的实证研究[5 (https://arxiv.org/html/2606.00672#bib.bib9),9 (https://arxiv.org/html/2606.00672#bib.bib10)]。

隐私感知监控也至关重要。隐私保护的临床学习，包括混合联邦学习和分裂学习，为敏感的患者中心预测提供了一条相关路径，无需不受限制的集中式数据暴露[1 (https://arxiv.org/html/2606.00672#bib.bib19)]。关于阿尔茨海默护理中 IoMT 隐私的综述强调了同意、治理和数据最小化[4 (https://arxiv.org/html/2606.00672#bib.bib7)]，而隐私保护的基于视频的风险检测表明，有用的监控不应要求完全暴露原始个人数据[13 (https://arxiv.org/html/2606.00672#bib.bib12)]。关于深度伪造诈骗和老年人的参与式工作进一步表明，保护应维护自主性和尊严，而非简单阻塞活动[20 (https://arxiv.org/html/2606.00672#bib.bib15)]。这些原则支持一种边缘感知的设计，其中用药和交易信号在被升级之前被转化为有限的风险特征。

因此，研究空白是明确的：先前的工作将痴呆与金融脆弱性联系起来，并支持上下文感知的痴呆监控，但很少检验用药依从性是否能提高交易层面的剥削检测。本研究通过比较纯金融、附加用药感知和交互感知公式在受控仿真下的表现来填补这一空白。

## 3 方法论

### 3.1 框架概述

所提出的框架将阿尔茨海默病患者的用药依从性记录与金融交易同步。它包含三个层次：感知层，捕获用药和交易事件；推理层，将其转化为对齐的风险特征；行动层，生成供审核或升级的风险评分。该框架是边缘感知的，因为它使用紧凑特征而非原始临床或银行历史，这与隐私敏感的痴呆监控原则一致[4 (https://arxiv.org/html/2606.00672#bib.bib7),13 (https://arxiv.org/html/2606.00672#bib.bib12)]。图1 (https://arxiv.org/html/2606.00672#S3.F1)显示了整体架构。

参见图注图1：所提出的用药感知金融剥削检测框架。用药依从性和交易流在时间上同步，以构建临床信息丰富的金融风险表示。该框架比较基线模型、附加用药感知模型和交互感知模型，然后在基于仿真、边缘兼容的环境中生成脆弱性敏感的风险评分和优先保护行动。
### 3.2 混合数据集构建

构建了一个同步的混合数据集，包含180名合成患者，观察期45天，产生8,100条用药记录和30,855笔金融交易。每个患者档案包括年龄、认知风险水平、用药依从概率、预期交易率、典型消费水平和熟悉商家。用药建模为每日计划事件。服药表示稳定状态，而漏服则产生一个脆弱性窗口，从计划时间后两小时开始，持续十二小时。这反映了以下假设：在临床脆弱性升高期间，应更谨慎地解释可疑的金融行为[14 (https://arxiv.org/html/2606.00672#bib.bib11),8 (https://arxiv.org/html/2606.00672#bib.bib13)]。

交易基于患者特定的泊松过程生成，包含规律活动和突发活动。突发活动在漏服药物日更可能发生。对于每笔交易，模拟器分配金额、商家身份、商家新颖性、最近一小时的交易计数、时间风险、脆弱性窗口状态和类别标签。标签是概率性而非确定性的：剥削概率在脆弱性窗口期内增加，并且还取决于不熟悉的商家、高金额、局部突发和高风险时间。非认知异常独立于用药状态生成，以便可疑金融活动可能发生在脆弱性窗口之外。算法1 (https://arxiv.org/html/2606.00672#alg1)总结了构建过程。

算法1 同步混合数据集的构建1:初始化患者队列

P\mathcal{P}
2:对于每个患者

p∈Pp\in\mathcal{P}执行

3:采样患者特定的行为画像

4:对于观察期内的每一天

dd执行

5:生成计划的用药事件

6:如果剂量被漏服则

7:定义脆弱性窗口

\[tdstart,tdend\]\[t_{d}^{start},t_{d}^{end}\]
8:如果结束

9:采样每日交易计数

10:生成带时间戳的交易，可能具有突发行为

11:对于每笔交易

xix_{i}执行

12:计算金融和时间特征

13:检查脆弱性窗口成员资格

14:从临床-金融背景分配概率标签

15:存储同步记录

16:结束

17:结束

18:结束

19:返回数据集

D\mathcal{D}

### 3.3 特征工程与风险公式化

对于每笔交易xix_{i}，提取五个特征：金额异常AiA_{i}、商家新颖性ViV_{i}、频率尖峰FiF_{i}、时间偏差TiT_{i}和用药依从性MiM_{i}。用药依从性编码为

Mi={1,如果计划剂量已服用,0,如果计划剂量被漏服.M_{i}=\begin{cases}1,&\text{如果计划剂量已服用},\\ 0,&\text{如果计划剂量被漏服}.\end{cases}（1）用于交互建模的漏服药物指示符为1−Mi1-M_{i}。

金额异常特征基于患者特定中位数和中位数绝对偏差使用稳健的正偏差分数：

zi(A)=0.6745(ai−median(Ap))MAD(Ap)+ϵ,Ai=1−exp[−max(0,zi(A))].z_{i}^{(A)}=\frac{0.6745(a_{i}-\mathrm{median}(A_{p}))}{\mathrm{MAD}(A_{p})+\epsilon},\quad A_{i}=1-\exp[-\max(0,z_{i}^{(A)})].（2）商家新颖性是二值的：

Vi={1,如果vendor(xi)∉Vp,0,否则,V_{i}=\begin{cases}1,&\text{如果vendor}(x_{i})\notin\mathcal{V}_{p},\\ 0,&\text{否则},\end{cases}（3）其中Vp\mathcal{V}_{p}是患者pp的熟悉商家集合。频率尖峰使用一小时内交易计数cic_{i}：

zi(F)=ci−μp(F)σp(F)+ϵ,Fi=1−exp[−max(0,zi(F))].z_{i}^{(F)}=\frac{c_{i}-\mu_{p}^{(F)}}{\sigma_{p}^{(F)}+\epsilon},\quad F_{i}=1-\exp[-\max(0,z_{i}^{(F)})].（4）时间偏差按小时编码：

Ti={1.0,0≤hi≤5,0.6,6≤hi≤7或20≤hi≤23,0.1,否则.T_{i}=\begin{cases}1.0,&0\leq h_{i}\leq 5,\\ 0.6,&6\leq h_{i}\leq 7\text{ 或 }20\leq h_{i}\leq 23,\\ 0.1,&\text{否则}.\end{cases}（5）一个可解释的用药感知分数定义为

Ri=(1−Mi)(0.40Ai+0.25Vi+0.20Fi+0.15Ti),R_{i}=(1-M_{i})(0.40A_{i}+0.25V_{i}+0.20F_{i}+0.15T_{i}),（6）其中该分数仅在漏服药物时激活。当Ri≥τRR_{i}\geq\tau_{R}时标记一笔交易。此规则模型作为可解释的参考，而非主要的学习检测器。

### 3.4 预测建模与评估

评估了三种逻辑公式。纯金融基线使用(Ai,Vi,Fi,Ti)(A_{i},V_{i},F_{i},T_{i})。附加用药感知模型加入MiM_{i}作为加法特征。交互感知模型加入漏服药物指示符(1−Mi)(1-M_{i})与每个金融特征的交互项，产生：(Ai,Vi,Fi,Ti,(1−Mi)Ai,(1−Mi)Vi,(1−Mi)Fi,(1−Mi)Ti)(A_{i},V_{i},F_{i},T_{i},(1-M_{i})A_{i},(1-M_{i})V_{i},(1-M_{i})F_{i},(1-M_{i})T_{i})。交叉验证（5折）评估全局AUC、F1、精确率、召回率，以及脆弱性窗口内的召回率和精确率。还计算了排序高风险案例的平均精确率（Average Precision, AP）。可解释的加权评分（方程6）也作为附加参考进行比较。