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

Für Millionen von Menschen, die an chronischen Erkrankungen wie Typ-2-Diabetes leiden, ist der Weg zu finanzieller Sicherheit oft durch eine einfache, harte Realität blockiert: Versicherungsgesellschaften können ihr Risiko nicht präzise kalkulieren. Traditionelle Methoden zur Berechnung von Lebensversicherungsprämien stützen sich auf statische Momentaufnahmen und behandeln die Gesundheit einer Person als ein feststehendes Etikett zum Zeitpunkt der Antragstellung. Chronische Krankheiten sind jedoch nicht statisch; sie sind dynamische Prozesse, die sich im Laufe der Zeit verändern und oft mit dem Auftreten von Komplikationen beschleunigen. Wenn Versicherer das vollständige Bild davon nicht sehen können, wie eine Krankheit fortschreitet oder wie verschiedene gesundheitliche Probleme miteinander interagieren, stehen sie vor einem Dilemma. Um Verluste zu vermeiden, lehnen sie Antragsteller oft direkt ab oder verlangen unverhältnismäßig hohe Prämien, die einen Versicherungsschutz unerschwinglich machen. Dies lässt eine riesige Bevölkerung von „beeinträchtigten Leben“ – Menschen mit kontrollierbaren, aber ernsthaften Erkrankungen – von den Schutznetzwerken, auf die die Gesellschaft angewiesen ist, marginalisiert zurück. Die Kernherausforderung besteht nicht nur in einem Mangel an Daten, sondern in einem Mangel an Werkzeugen, die in der Lage sind, die komplexe, nicht-lineare Art und Weise zu verstehen, wie sich die Gesundheit verschlechtert und wie verschiedene medizinische Zustände einander verstärken.

Ein Forschungsteam der University of International Business and Economics in Peking hat dieses Problem angegangen, indem es eine neue Art von Preisberechnungs-Engine entwickelt hat, die speziell für diese komplexen Fälle konzipiert ist. Unter Verwendung eines massiven Datensatzes von fast 1,9 Millionen Krankenhausakten von Menschen mit Typ-2-Diabetes ging das Team über die alten, linearen Formeln hinaus, die davon ausgehen, dass Risiken sich einfach nur aufsummieren. Stattdessen setzten sie ein hochentwickeltes KI-System namens DeepSurv ein, das in der Lage ist, die komplizierten, verborgenen Beziehungen zwischen verschiedenen Gesundheitsfaktoren abzubilden. Die Forscher fanden heraus, dass die alten Methoden grundlegend fehlerhaft waren. Ein traditioneller Ansatz, der lediglich Patientengruppen verglichen, führte zu einem bizarren und ungerechten Fehler: Er suggerierte, dass Patienten mit moderaten Komplikationen tatsächlich ein höheres Risiko hätten als jene mit schweren, lebensbedrohlichen Organschäden. Dies geschah, weil die alten Werkzeuge nicht in der Lage waren, den Effekt der Krankheit selbst von dem Alter der Patienten zu trennen, wodurch eine ältere Altersgruppe mit einem schwereren Krankheitszustand verwechselt wurde.

Um dies zu beheben, konstruierten die Forscher ein Modell, das lernt, wie ein menschlicher Experte, jedoch mit der Fähigkeit, Millionen von Variablen gleichzeitig zu verarbeiten. Sie trainierten dieses System mit über 1,8 Millionen Datensätzen und lehrten es, Muster darin zu erkennen, wie Diabetes fortschreitet und wie er mit anderen Erkrankungen wie Herzinsuffizienz und Nierenerkrankungen interagiert. Das System nutzt eine Technik namens Elastic Net Regularisierung, die wie ein Filter wirkt, um die wichtigsten Risikofaktoren zu identifizieren und Rauschen zu ignorieren. Dabei zeigte sich, dass die wahren Treiber des Risikos oft nicht die Diabetes-Diagnose selbst sind, sondern die spezifischen kardiovaskulären Komplikationen, die sie begleiten. Das Modell identifizierte erfolgreich, dass das Vorliegen von Herzinsuffizienz und chronischer ischämischer Herzkrankheit für die Preisgestaltung fast so entscheidend ist wie das Stadium des Diabetes selbst – eine Nuance, die vorherige lineare Modelle völlig übersehen hatten.

Die Studie untersuchte auch den Wert der Zeit. Während das Hauptmodell einen Schnappschuss des Risikos lieferte, führten die Forscher ein separates Experiment durch, um zu sehen, ob die Verfolgung der Gesundheitsgeschichte eines Patienten über die Zeit die Vorhersagen verbessert. Sie fanden heraus, dass die Betrachtung der Sequenz der Krankenhausbesuche und Ausgaben eines Patienten zusätzliche Erkenntnisse lieferte, insbesondere für diejenigen in den mittleren Stadien der Krankheit, deren Gesundheitszustand sich noch verändert. Das leistungsfähigste Werkzeug blieb jedoch die Fähigkeit, das komplexe Geflecht der Interaktionen zwischen verschiedenen Krankheiten abzubilden. Die Forscher bestätigten die Robustheit ihrer Ergebnisse durch wiederholte Tests des Modells an verschiedenen Teildatensätzen, um sicherzustellen, dass die Ergebnisse kein Glückstreffer waren. Das Modell erwies sich als stabil und ordnete Risikoniveaus mit hoher Genauigkeit über tausende Simulationen hinweg konsistent ein.

Der vielleicht bedeutendste Durchbruch war die Verständlichkeit dieser komplexen KI. Da die Versicherung ein regulierter Sektor ist, ist eine „Black Box“, die einen Preis ohne Erklärung liefert, nutzlos. Die Forscher verwendeten eine Methode namens SHAP, um aufzuschlüsseln, warum das Modell einen spezifischen Preis für eine bestimmte Person zugewiesen hat. Sie demonstrierten, dass das System die Kosten klar bestimmten Faktoren zuordnen konnte: Alter, Stadium des Diabetes und das Vorliegen von Herzerkrankungen. In einer Fallstudie eines 65-jährigen Mannes mit Herzinsuffizienz berechnete das Modell beispielsweise eine Prämie von 14.802 RMB. Eine traditionelle Methode hätte ihm nur etwa 10.630 RMB berechnet und damit sein wahres Risiko gefährlich unterschätzt. Das neue Modell hingegen lieferte einen fairen Preis, der seine tatsächliche medizinische Realität widerspiegelte, und zeigte gleichzeitig genau auf, wie viel jede einzelne Erkrankung zu diesen Kosten beitrug.

Die Forscher zeigten auch, wie dieses System genutzt werden kann, um gesundes Verhalten zu belohnen. Sie integrierten einen Faktor, der die Prämie senkt, wenn ein Patient seine Gesundheit aktiv managt, wie etwa das Einhalten eines Medikationsplans oder die Wahrnehmung regelmäßiger Kontrolluntersuchungen. Dies schafft einen direkten finanziellen Anreiz für Patienten, gesund zu bleiben, und verwandelt die Versicherung von einem statischen Vertrag in eine dynamische Partnerschaft. Die Studie kommt zu dem Schluss, dass durch den Ersatz starrer, linearer Formeln durch flexible Deep-Learning-Modelle die Versicherungsbranche endlich in der Lage ist, einen fairen, transparenten und erschwinglichen Schutz anzubieten. Die Arbeit beweist, dass es mit den richtigen Werkzeugen möglich ist, das Risiko präzise zu kalkulieren, ohne die Fairness zu opfern, und so sicherzustellen, dass Menschen mit chronischen Erkrankungen nicht zurückgelassen werden.