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

Pour des millions de personnes vivant avec des maladies chroniques comme le diabète de type 2, le chemin vers la sécurité financière est souvent bloqué par une réalité simple et dure : les compagnies d'assurance ne peuvent pas évaluer leur risque avec précision. Les méthodes traditionnelles de calcul des primes d'assurance vie reposent sur des instantanés statiques, traitant la santé d'une personne comme une étiquette fixe au moment de sa demande. Cependant, les maladies chroniques ne sont pas statiques ; ce sont des parcours dynamiques qui changent au fil du temps, s'accélérant souvent à mesure que les complications surviennent. Lorsque les assureurs ne peuvent pas voir l'image complète de la progression d'une maladie ou de la manière dont différentes pathologies interagissent, ils sont confrontés à un dilemme. Pour éviter de perdre de l'argent, ils rejettent souvent les demandes de couverture ou imposent des primes prohibitives qui rendent la couverture inabordable. Cela laisse une vaste population de « vies altérées » — des personnes souffrant de conditions graves mais gérables — marginalisées par les réseaux de protection sur lesquels la société repose. Le défi central n'est pas seulement un manque de données, mais un manque d'outils capables de comprendre la manière complexe et non linéaire dont la santé se détériore et comment différents problèmes médicaux s'amplifient mutuellement.

Une équipe de chercheurs de l'Université de commerce international et d'économie de Pékin a abordé ce problème en construisant un nouveau type de moteur de tarification conçu spécifiquement pour ces cas complexes. En utilisant un ensemble massif de données comprenant près de 1,9 million de dossiers hospitaliers de personnes atteintes de diabète de type 2, ils sont allés au-delà des anciennes formules linéaires qui supposent que les risques s'additionnent simplement. Au lieu de cela, ils ont employé un système d'intelligence artificielle sophistiqué connu sous le nom de DeepSurv, capable de cartographier les relations complexes et cachées entre différents facteurs de santé. Les chercheurs ont découvert que les anciennes méthodes étaient fondamentalement erronées. Une approche traditionnelle qui comparait simplement des groupes de patients produisait une erreur bizarre et injuste : elle suggérait que les patients présentant des complications modérées étaient en réalité plus à risque que ceux présentant des dommages organiques graves et potentiellement mortels. Cela se produisait parce que les anciens outils ne parvenaient pas à séparer l'effet de la maladie elle-même de l'âge des patients, confondant un groupe d'âge plus avancé avec une condition plus sévère.

Pour corriger cela, les chercheurs ont construit un modèle qui apprend des données de la même manière qu'un expert humain, mais avec la capacité de traiter des millions de variables simultanément. Ils ont entraîné ce système sur plus de 1,8 million de dossiers, lui apprenant à reconnaître les schémas de progression du diabète et la façon dont il interagit avec d'autres conditions comme l'insuffisance cardiaque et l'insuffisance rénale. Le système utilise une technique appelée régularisation Elastic Net, qui agit comme un filtre pour identifier les facteurs de risque les plus importants tout en ignorant le bruit. Ce faisant, il a révélé que les véritables moteurs du risque ne sont souvent pas le diagnostic de diabète lui-même, mais les complications cardiovasculaires spécifiques qui l'accompagnent. Le modèle a identifié avec succès que la présence d'insuffisance cardiaque et de cardiopathie ischémique chronique est presque aussi critique pour la tarification que le stade du diabète lui-même, une nuance que les modèles linéaires précédents avaient totalement manquée.

L'étude a également exploré la valeur du temps. Alors que le modèle principal examinait un instantané du risque, les chercheurs ont mené une expérience distincte pour voir si le suivi de l'historique de santé d'un patient au fil du temps améliorait les prédictions. Ils ont découvert que l'observation de la séquence des visites hospitalières et des dépenses d'un patient apportait effectivement un aperçu supplémentaire, particulièrement pour ceux qui se trouvent dans les stades intermédiaires de la maladie et dont la santé est encore en mutation. Cependant, l'outil le plus puissant restait la capacité de cartographier le réseau complexe d'interactions entre différentes maladies. Les chercheurs ont confirmé la robustesse de leurs résultats en testant à plusieurs reprises le modèle sur différentes tranches de données, garantissant que les résultats n'étaient pas le fruit d'un coup de chance. Le modèle s'est avéré stable, classant systématiquement les niveaux de risque avec une grande précision à travers des milliers de simulations.

Leement plus significative fut sans doute de rendre cette IA complexe compréhensible. Parce que l'assurance est un secteur réglementé, une « boîte noire » qui donne un prix sans explication est inutile. Les chercheurs ont utilisé une méthode appelée SHAP pour décomposer précisément pourquoi le modèle attribuait un prix spécifique à une personne donnée. Ils ont démontré que le système pouvait clairement attribuer le coût à des facteurs spécifiques : l'âge, le stade du diabète et la présence de problèmes cardiaques. Par exemple, dans une étude de cas concernant un homme de 65 ans souffrant d'insuffisance cardiaque, le modèle a calculé une prime de 14 802 RMB. Une méthode traditionnelle lui aurait facturé environ 10 630 RMB, sous-estimant dangereusement son risque réel. Le nouveau modèle, en revanche, a fourni un prix équitable qui reflétait sa réalité médicale réelle, tout en montrant exactement comment chaque condition contribuait à ce coût.

Les chercheurs ont également montré comment ce système pourrait être utilisé pour récompenser les comportements sains. Ils ont intégré un facteur qui réduit la prime si un patient gère activement sa santé, comme le respect d'un régime médicamenteux ou la participation à des contrôles réguliers. Cela crée une incitation financière directe pour que les patients restent en bonne santé, transformant l'assurance d'un contrat statique en un partenariat dynamique. L'étude conclut qu'en remplaçant les formules linéaires rigides par des modèles d'apprentissage profond flexibles, l'industrie de l'assurance peut enfin offrir une couverture équitable, transparente et abordable aux millions de personnes qui ont longtemps été exclues. Ce travail prouve qu'avec les bons outils, il est possible de tarifer le risque avec précision sans sacrifier l'équité, garantissant que ceux qui souffrent de maladies chroniques ne soient pas laissés pour compte.