Using Artificial Neural Networks to Predict Claim Duration in a Work Injury Compensation Environment

Die Studie stellt ein auf künstlichen neuronalen Netzen basierendes Modell vor, das unter Verwendung von NWISP-Verletzungscodes, demografischen und arbeitsplatzbezogenen Daten die Dauer von Arbeitsunfallentschädigungsansprüchen vorhersagt, um die Grenzen traditioneller statistischer Methoden bei der Modellierung komplexer Kodierungsdaten zu überwinden.

Das Wesentliche

🏥 Der „Wetterbericht" für Arbeitsunfälle: Wie ein Computer die Heilungszeit vorhersagt

Stellen Sie sich vor, Sie arbeiten in einer Versicherung, die für Arbeitsunfälle zuständig ist. Jemand meldet einen Unfall: „Ich habe mir den Finger verstaucht, während ich eine Kiste getragen habe." Ihre Aufgabe ist es, sofort zu wissen: Wie lange wird diese Person krankgeschrieben sein?

Das ist extrem wichtig. Denn je länger jemand krank ist, desto mehr Geld kostet das System. Aber die Realität ist chaotisch. Ein verstauchter Finger kann bei Person A in 2 Wochen heilen, bei Person B aber 3 Monate dauern. Warum? Vielleicht ist Person A jünger, arbeitet in einer anderen Branche oder hat eine andere Art von Verletzung.

Die Forscher aus diesem Papier haben einen cleveren Weg gefunden, dieses Chaos zu ordnen. Sie haben einen künstlichen neuronalen Netz (ANN) – also eine Art „digitaler Gehirn"-Algorithmus – gebaut, der wie ein erfahrener Detektiv funktioniert.

1. Das Problem: Zu viele Details für normale Mathematik

Normalerweise versuchen Statistiker, solche Dinge mit einfachen Formeln zu berechnen (wie eine lineare Gleichung: Wenn A, dann B).
Aber hier gibt es ein Problem: Die Daten sind wie ein riesiges Labyrinth aus Codes.

• Der Code: Es gibt spezielle Codes für was passiert ist (z. B. Schnittwunde), wo (z. B. Finger), womit (z. B. Kiste) und wie (z. B. Sturz).
• Die Komplexität: Es gibt hunderte Kombinationen. Eine einfache Formel scheitert daran, weil sie nicht versteht, dass „Frau + Finger + Schnitt" eine andere Heilungszeit bedeutet als „Mann + Finger + Schnitt". Es ist, als würde man versuchen, ein komplexes Musikstück mit nur einem einzigen Ton wiederzugeben.

2. Die Lösung: Ein digitales Gehirn (Neuronales Netz)

Statt einer starren Formel haben die Forscher ein künstliches neuronales Netz verwendet.

• Die Analogie: Stellen Sie sich ein neuronales Netz wie ein Team aus tausenden kleinen Experten vor, die in einem Raum sitzen. Jeder Experte schaut sich einen kleinen Teil der Information an (z. B. nur das Alter oder nur den Unfallort).
• Das Lernen: Dieses Team hat Tausende von alten Akten durchgearbeitet. Es hat gelernt: „Aha! Wenn eine Frau einen Schnitt am Daumen hat und in der Metallverarbeitung arbeitet, dauert es meist X Wochen. Wenn es ein Mann ist, dauert es Y Wochen."
• Der Clou: Das Netz erkennt Zusammenhänge, die für Menschen schwer zu sehen sind. Es versteht, dass das Geschlecht des Verletzten die Heilungsdauer in Kombination mit der Art der Verletzung verändert. Eine einfache Formel würde das übersehen.

3. Das „Unsicherheits-Problem" (Zensierung)

Ein großes Hindernis bei solchen Daten ist, dass viele Fälle noch nicht abgeschlossen sind. Wenn wir heute auf die Datenbank schauen, sind manche Unfälle von vor 2 Jahren noch nicht „geschlossen", weil die Leute noch nicht wieder arbeiten.

• Die Metapher: Stellen Sie sich vor, Sie wollen die Länge eines Films vorhersagen, aber der Film läuft noch. Sie wissen nur: „Bisher waren es schon 90 Minuten."
• Die Technik: Das Modell nutzt eine spezielle Methode (Cox-Regression), die wie ein erfahrener Regisseur ist. Selbst wenn der Film noch läuft, kann der Regisseur basierend auf dem bisherigen Tempo und der Art des Films eine sehr gute Schätzung für die Gesamtlänge abgeben. Das Modell ignoriert die unvollständigen Daten nicht, sondern nutzt sie klug mit.

4. Das Ergebnis: Nicht nur eine Zahl, sondern eine Wahrscheinlichkeit

Das Modell gibt nicht nur eine einzige Zahl aus (z. B. „14 Wochen"). Es gibt eine Verteilung aus.

• Die Analogie: Statt zu sagen „Es wird genau 14 Wochen dauern", sagt das Modell: „Es ist sehr wahrscheinlich zwischen 10 und 18 Wochen, mit einem Durchschnitt von 14."
  Das ist wie eine Wettervorhersage: „Es wird regnen" ist weniger hilfreich als „Es regnet zu 80% zwischen 14 und 16 Uhr". Das hilft der Versicherung, besser zu planen.

5. Was passiert, wenn Informationen fehlen?

Manchmal weiß man beim ersten Anruf noch nicht alles (z. B. den genauen Beruf noch nicht).

• Der Trick: Das Modell ist so schlau, dass es auch mit unvollständigen Informationen arbeiten kann. Es schaut sich an: „Okay, wir kennen den Unfallort und das Geschlecht, aber nicht den Beruf. Wir nehmen den Durchschnitt aller ähnlichen Fälle, bei denen wir den Beruf kannten."
• Das Ergebnis: Die Forscher haben getestet, ob diese „Raten"-Methode funktioniert. Ja! Sie war erstaunlich genau.

🎯 Fazit in einem Satz

Die Forscher haben ein digitales Gehirn gebaut, das aus alten Unfallakten lernt, um vorherzusagen, wie lange jemand nach einem Arbeitsunfall krankgeschrieben sein wird. Es ist viel besser als alte mathematische Formeln, weil es die komplexen Zusammenhänge zwischen vielen verschiedenen Faktoren versteht und auch dann eine gute Schätzung abgibt, wenn die Daten noch nicht vollständig sind.

Warum ist das wichtig?
Es hilft Versicherungen, Geld besser zu verwalten und Verletzten schneller und passgenauer zu helfen, indem sie wissen, was sie erwartet.

Technische Zusammenfassung

1. Problemstellung

Das Ziel von Arbeitsunfallentschädigungsprogrammen (insbesondere in Kanada) ist die Erstattung von Kosten, die durch Arbeitsausfall infolge von Verletzungen oder Krankheiten entstehen. Die Dauer eines Anspruchs (Claim Duration) ist ein zentraler Indikator für die Schwere der Verletzung und der Hauptkostentreiber für das Programm.

Das Hauptproblem besteht darin, dass die zur Verfügung stehenden Daten extrem komplex sind:

• Die Verletzungen werden durch ein standardisiertes Kodierungssystem (NWISP – National Work Injury Statistics Program) erfasst, das medizinische Natur, Körperteil, Ursache und Art des Unfalls beschreibt.
• Diese Codes sind hierarchisch strukturiert und umfassen hunderte von Kategorien (z. B. 154 verschiedene Verletzungstypen, 655 Quellen).
• Traditionelle statistische Methoden (wie lineare Regression oder einfache Cox-Modelle) stoßen an Grenzen, da sie Schwierigkeiten haben, die hohe Dimensionalität der Eingangsdaten und komplexe Interaktionen zwischen den Variablen (z. B. wie das Geschlecht die Dauer je nach Verletzungstyp beeinflusst) effizient zu modellieren.
• Zudem sind die Daten zensiert (censored): Zum Zeitpunkt der Datenerhebung sind viele Ansprüche noch offen, sodass die tatsächliche Dauer nur eine Untergrenze darstellt.

2. Methodik

Der Autor entwickelt ein Vorhersagemodell, das auf Künstlichen Neuronen Netzen (ANN) basiert, die in ein Cox-Proportional-Hazards-Modell integriert sind.

• Datenbasis: Daten der Workplace Health, Safety and Compensation Commission of Newfoundland and Labrador (WHSCC). Der Datensatz umfasst 17.026 Ansprüche (ab 1998), aufgeteilt in Trainings- (10.000) und Teststichproben (7.026).
• Eingangsvariablen (Predictors): 10 kategorische Variablen, darunter:
  • Verletzungskodes (Natur der Verletzung, Körperteil, Quelle, Unfallart).
  • Demografische Daten (Alter, Geschlecht, Region).
  • Arbeitsplatzdaten (Beruf, Branche, Gehaltssumme des Arbeitgebers).
• Modellarchitektur:
  • Anstelle des linearen Prädiktors $\eta = \beta^T x$ im klassischen Cox-Modell wird die Ausgabe eines Multilayer-Perceptrons (MLP) verwendet.
  • Die Netzwerkstruktur besteht aus einer Eingabeschicht (entsprechend den Kategorien der Variablen, One-Hot-Encoding), einer versteckten Schicht (Hidden Layer) und einer Ausgabeschicht.
  • Die Aktivierungsfunktion ist die Sigmoid-Funktion $\phi(u) = \exp(u)/(1+\exp(u))$.
  • Das Modell minimiert eine modifizierte Cox-Partial-Likelihood-Funktion unter Berücksichtigung von Regularisierung (Weight Decay), um Overfitting zu vermeiden.
• Umgang mit Zensierung: Da das Cox-Modell zensierte Daten nativ verarbeiten kann, werden offene Ansprüche korrekt als untere Schranke der Dauer behandelt.
• Modellauswahl: Die Leistung wurde mittels des generalisierten $R^2$-Koeffizienten bewertet. Verschiedene Kombinationen aus Anzahl der versteckten Knoten ($n_h$) und Regularisierungsparametern ($\lambda$) wurden getestet.

3. Schlüsselbeiträge

• Integration von ANN und Survival-Analyse: Das Paper demonstriert die effektive Anwendung eines ANN als nicht-parametrischen Prädiktor innerhalb des Cox-Modells, um die Komplexität von Verletzungskodes zu bewältigen.
• Erfassung von Interaktionen: Ein wesentlicher Beitrag ist der Nachweis, dass das ANN-Modell Interaktionen zwischen Variablen (z. B. zwischen Geschlecht und Verletzungstyp) automatisch lernt, ohne dass diese explizit als Produktterme spezifiziert werden müssen. Herkömmliche Haupteffekt-Modelle scheitern hier oft.
• Umgang mit fehlenden Eingaben: Es wird ein Verfahren vorgeschlagen, um Vorhersagen auch bei unvollständigen Eingabedaten zu treffen (Methode A: Mittelwert des Prädiktors $\eta$ über passende Trainingsdaten), was für das Claim-Management in der Praxis essenziell ist.
• Verteilungsbasierte Vorhersage: Das Modell liefert nicht nur einen Punktwert, sondern eine vollständige Dauer-Verteilung, was die Abschätzung von Unsicherheiten und Risikobereichen ermöglicht.

4. Ergebnisse

• Modellleistung: Das ausgewählte ANN-Modell (mit 12 versteckten Knoten und Regularisierung $\lambda=6$) erreichte ein generalisiertes $R^2$ von 0,206. Zum Vergleich erreichte ein einfaches Haupteffekt-Cox-Modell (ohne Interaktionen) nur ein $R^2$ von 0,15. Dies zeigt die Überlegenheit des ANN-Ansatzes bei der Modellierung komplexer Datenstrukturen.
• Vorhersagegenauigkeit: Die Vorhersagen zeigten eine klare Korrelation mit den tatsächlichen Dauern. Die Quartile der vorhergesagten Verteilungen stimmten gut mit den beobachteten Werten überein, obwohl eine leichte Verzerrung (Bias) bei den Mittelwerten für sehr lange Dauern festgestellt wurde.
• Interaktionsanalyse: Die Analyse der Geschlechterunterschiede in der Median-Dauer zeigte, dass das ANN-Modell die tatsächlichen Unterschiede je nach Verletzungstyp korrekt abbildet (Kendall-Korrelation signifikant von 0 verschieden, $p=0,0003$). Ein Haupteffekt-Modell könnte dies nicht leisten, da es den Geschlechtseffekt als konstant über alle Verletzungstypen hinweg annimmt.
• Partial Inputs: Die Methode zur Behandlung unvollständiger Daten erwies sich als robust und lieferte akkurate Schätzungen für Mittelwerte und Mediane.

5. Bedeutung und Fazit

Das Paper belegt, dass Künstliche Neuronen Netze in Kombination mit der Überlebensanalyse (Cox-Modell) ein leistungsfähiges Werkzeug für das Risikomanagement in der Arbeitsunfallentschädigung sind.

• Praktische Relevanz: Das Modell kann direkt im Claim-Management eingesetzt werden, um bei der Eröffnung eines Falls eine fundierte Schätzung der voraussichtlichen Dauer und der damit verbundenen Kosten zu liefern.
• Statistische Innovation: Es löst das Problem der hohen Dimensionalität und komplexer Interaktionen in kategorischen Daten, für die traditionelle lineare Modelle ungeeignet sind.
• Robustheit: Die Fähigkeit, mit zensierten Daten und unvollständigen Eingaben umzugehen, macht das System für den realen Einsatz in administrativen Umgebungen geeignet.

Zusammenfassend zeigt die Studie, dass ANN-basierte Modelle dort, wo die Struktur der Prädiktoren zu komplex für Standardstatistik ist, überlegene Vorhersagegenauigkeit und tiefere Einblicke in die Datenmechanismen bieten.