Deep Survival Analysis with Temporal Trajectory Embedding for Substandard Life Insurance Pricing: A DeepSurv Modeling Study of Type 2 Diabetes Mellitus

بالنسبة لملايين الأشخاص الذين يعيشون مع حالات مرضية مزمنة مثل داء السكري من النوع الثاني، غالبًا ما يكون الطريق نحو الأمان المالي مسدودًا بسبب حقيقة بسيطة وقاسية: وهي أن شركات التأمين لا تستطيع تسعير مخاطرهم بدقة. تعتمد الطرق التقليدية لحساب أقساط التأمين على الحياة على لقطات ثابتة، حيث تتعامل مع صحة الشخص كعلامة ثابتة في لحظة تقديم الطلب. ومع ذلك، فإن الأمراض المزمنة ليست ثابتة؛ بل هي رحلات ديناميكية تتغير بمر مرور الوقت، وغالبًا ما تتسارع مع ظهور المضاعفات. وعندما لا تستطيع شركات التأمين رؤية الصورة الكاملة لكيفية تطور المرض وكيفية تفاعل المشكلات الصحية المختلفة مع بعضها البعض، فإنها تواجه معضلة. ولتجنب الخسارة، غالبًا ما ترفض الطلبات تمامًا أو تفرض أقساطًا باهظة تجعل التغطية غير ميسورة التكلفة. وهذا يترك فئة واسعة من "الأرواح المعيبة" — وهم أشخاص يعانون من حالات يمكن السيطرة عليها ولكنها خطيرة — مهمشين عن شبكات الحماية التي يعتمد عليها المجتمع. إن التحدي الجوهري لا يكمن فقط في نقص البيانات، بل في نقص الأدوات القادرة على فهم الطريقة المعقدة وغير الخطية لتدهور الصحة وكيفية تضخيم المشكلات الطبية المختلفة لبعضها البعض.

لقد تصدى فريق من الباحثين في جامعة التجارة والاقتصاد الدولية في بكين لهذه المشكلة من خلال بناء نوع جديد من محركات التسعير المصممة خصيصًا لهذه الحالات المعقدة. وباستخدام مجموعة بيانات ضخمة تضم ما يقرب من 1.9 مليون سجل مستشفى لأشخاص مصابين بداء السكري من النوع الثاني، تجاوزوا الصيغ الخطية القديمة التي تفترض أن المخاطر تُجمع ببساطة. وبدلاً من ذلك، وظفوا نظام ذكاء اصطناعي متطور يُعرف باسم "DeepSurv"، وهو قادر على رسم العلاقات المعقدة والخفية بين مختلف العوامل الصحية. ووجد الباحثون أن الأساليب القديمة كانت معيبة بشكل جوهري. فقد أدت طريقة تقليدية تعتمد ببساطة على مقارنة المجموعات من المرضى إلى خطأ غريب وغير عادل: إذ اقترحت أن المرضى الذين يعانون من مضاعفات متوسطة هم في الواقع أكثر عرضة للخطر من أولئك الذين يعانون من تلف عضوي شديد ومهدد للحياة. حدث هذا لأن الأدوات القديمة فشلت في الفصل بين تأثير المرض نفسه وبين عمر المرضى، مما أدى إلى الخلط بين الفئة العمرية الأكبر وبين الحالة الأكثر خطورة.

ولإصلاح ذلك، صمم الباحثون نموذجًا يتعلم من البيانات تمامًا كما يفعل الخبير البشري، ولكن مع القدرة على معالجة ملايين المتغيرات في آن واحد. لقد قاموا بتدريب هذا النظام على أكثر من 1.8 مليون سجل، وتعليمه كيفية التعرف على الأنماط في كيفية تطور مرض السكري وكيف يتفاعل مع حالات أخرى مثل فشل القلب وأمراض الكلى. يستخدم النظام تقنية تسمى "تنظيم إيلاستيك نت" (Elastic Net regularization)، والتي تعمل كمرشح لتحديد أهم عوامل الخطر مع تجاهل الضجيج. ومن خلال القيام بذلك، كشف النظام أن المحركات الحقيقية للخطر ليست غالبًا تشخيص السكري نفسه، بل المضاعفات القلبية الوعائية المرافقة له. وقد نجح النموذج في تحديد أن وجود فشل القلب وأمراض القلب الإقفارية المزمنة يكاد يكون بنفس أهمية مرحلة السكري نفسها في عملية التسعير، وهو فارق دقيق أغفلته النماذج الخطية السابقة تمامًا.

كما استكشفت الدراسة قيمة الوقت. فبينما ركز النموذج الرئيسي على لقطة للمخاطر، أجرى الباحثون تجربة منفصلة لمعرفة ما إذا كان تتبع التاريخ الصحي للمريض بمرور الوقت سيؤدي إلى تحسين التوقعات. ووجدوا أن النظر في تسلسل زيارات المريض للمستشفى ونفقاته قد وفر بالفعل رؤية إضافية، خاصة لأولئك الذين في المراحل المتوسطة من المرض حيث لا تزال صحتهم تتغير. ومع ذلك، ظلت الأداة الأكثر قوة هي القدرة على رسم الشبكة المعقدة للتفاعلات بين الأمراض المختلفة. وقد أكد الباحثون متانة نتائجهم من خلال اختبار النموذج مرارًا وتكرًا على شرائح مختلفة من البيانات، لضمان أن النتائج لم تكن مجرد تخمين محظوظ. أثبت النموذج استقراره، حيث صنف مستويات المخاطر بدقة عالية عبر آلاف عمليات المحاكاة.

ولعل الاختراق الأكثر أهمية كان جعل هذا الذكاء الاصطناعي المعقد مفهومًا. نظرًا لأن التأمين صناعة منظمة، فإن "الصندوق الأسود" الذي يعطي سعرًا دون تفسير هو أمر عديم الفائدة. استخدم الباحثون طريقة تسمى "SHAP" لتفكيك السبب وراء تخصيص النموذج لسعر معين لشخص معين بدقة. وقد أظهروا أن النظام يمكنه بوضوح إرجاع التكلفة إلى عوامل محددة: العمر، ومرحلة السكري، ووجود أمراض القلب. فعلى سبيل المثال، في دراسة حالة لرجل يبلغ من العمر 65 عامًا ويعاني من فشل القلب، حسب النموذج قسطًا قدره 14,802 يوان صيني. بينما كانت الطريقة التقليدية ستفرض عليه حوالي 10,630 يوان فقط، وهو ما يقلل بشكل خطير من تقدير مخاطره الحقيقية. وفي المقابل، قدم النموذج الجديد سعرًا عادلاً يعكس واقعه الطبي الفعلي، مع إظهار مدى مساهمة كل حالة في هذه التكلفة بدقة.

كما أظهر الباحثون كيف يمكن استخدام هذا النظام لمكافأة السلوك الصحي. فقد دمجوا عاملًا يخفض القسط إذا قام المريض بإدارة صحته بنشاط، مثل الالتزام بنظام علاجي أو حضور الفحوصات المنتظمة. وهذا يخلق حافزًا ماليًا مباشرًا للمرضى للبقاء بصحة جيدة، مما يحول التأمين من عقد ثابت إلى شراكة ديناميكية. وتخلص الدراسة إلى أنه من خلال استبدال الصيغ الخطية الجامدة بنماذج التعلم العميق المرنة، يمكن لصناعة التأمين أخيرًا تقديم تغطية عادلة وشفافة وميسورة التكلفة لملايين الأشخاص الذين تم استبعادهم لفترة طويلة. إن هذا العمل يثبت أنه مع توفر الأدوات المناسبة، من الممكن تسعير المخاطر بدقة دون التضحية بالعدالة، مما يضمن عدم ترك الأشخاص الذين يعانون من حالات مزمنة خلف الركب.