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

टाइप 2 मधुमेह जैसी पुरानी बीमारियों (क्रोनिक कंडीशंस) के साथ जीने वाले लाखों लोगों के लिए, वित्तीय सुरक्षा का मार्ग अक्सर एक सरल, कठोर वास्तविकता द्वारा बाधित होता है: बीमा कंपनियां उनके जोखिम का सटीक मूल्यांकन नहीं कर पाती हैं। जीवन बीमा प्रीमियम की गणना करने के पारंपरिक तरीके स्थिर स्नैपशॉट पर निर्भर करते हैं, जो किसी व्यक्ति के स्वास्थ्य को आवेदन के समय एक निश्चित लेबल के रूप में देखते हैं। हालांकि, पुरानी बीमारियां स्थिर नहीं होती हैं; वे एक गतिशील यात्रा हैं जो समय के साथ बदलती रहती हैं, और जटिलताओं के बढ़ने के साथ अक्सर तेज हो जाती हैं। जब बीमाकर्ता यह नहीं देख पाते कि बीमारी कैसे आगे बढ़ती है या विभिन्न स्वास्थ्य समस्याएं एक-दूसरे के साथ कैसे परस्पर क्रिया करती हैं, तो वे एक दुविधा का सामना करते हैं। नुकसान से बचने के लिए, वे अक्सर आवेदकों को सीधे खारिज कर देते हैं या अत्यधिक उच्च प्रीमियम वसूलते हैं जो कवरेज को अप्राप्य बना देता है। यह एक विशाल आबादी को "इम्पेयर्ड लाइव्स" (क्षतिग्रस्त जीवन) के रूप में छोड़ देता है—ऐसे लोग जिनके पास प्रबंधनीय लेकिन गंभीर स्थितियां हैं—जो उन सुरक्षा नेटों से अलग-थलग पड़ जाते हैं जिन पर समाज निर्भर करता है। मुख्य चुनौती केवल डेटा की कमी नहीं है, बल्कि उन उपकरणों की कमी है जो स्वास्थ्य के बिगड़ने के जटिल, गैर-रैखिक तरीके और विभिन्न चिकित्सा स्थितियों के एक-दूसरे को बढ़ाने के तरीके को समझने में सक्षम हों।

बीजिंग में यूनिवर्सिटी ऑफ इंटरनेशनल बिजनेस एंड इकोनॉमिक्स के शोधकर्ताओं की एक टीम ने इन जटिल मामलों के लिए विशेष रूप से डिज़ाइन किए गए एक नए प्रकार के 'प्राइसिंग इंजन' का निर्माण करके इस समस्या का समाधान किया है। टाइप 2 मधुमेह वाले लोगों के लगभग 1.9 मिलियन अस्पताल रिकॉर्ड के एक विशाल डेटासेट का उपयोग करते हुए, वे पुराने, रैखिक सूत्रों से आगे बढ़ गए जो यह मान लेते हैं कि जोखिम केवल जुड़ते जाते हैं। इसके बजाय, उन्होंने 'डीपसर्व' (DeepSurv) नामक एक परिष्कृत आर्टिफिशियल इंटेलिजेंस सिस्टम का उपयोग किया, जो विभिन्न स्वास्थ्य कारकों के बीच जटिल, छिपे हुए संबंधों को मैप करने में सक्षम है। शोधकर्ताओं ने पाया कि पुराने तरीके मौलिक रूप से त्रुटिपूर्ण थे। एक पारंपरिक दृष्टिकोण, जिसने केवल रोगियों के समूहों की तुलना की, उसने एक विचित्र और अनुचित त्रुटि दिखाई: इसने सुझाव दिया कि मध्यम जटिलताओं वाले रोगी वास्तव में गंभीर, जीवन के लिए खतरा पैदा करने वाले अंग क्षति वाले रोगियों की तुलना में अधिक जोखिम में थे। ऐसा इसलिए हुआ क्योंकि पुराने उपकरण बीमारी के प्रभाव को रोगी की आयु से अलग करने में विफल रहे, जिससे एक वृद्ध आयु समूह को अधिक गंभीर स्थिति के रूप में भ्रमित कर दिया गया।

इसे ठीक करने के लिए, शोधकर्ताओं ने एक ऐसा मॉडल बनाया जो डेटा से ठीक उसी तरह सीखता है जैसे एक मानव विशेषज्ञ, लेकिन लाखों चरों (variables) को एक साथ संसाधित करने की क्षमता के साथ। उन्होंने इस प्रणाली को 1.8 मिलियन से अधिक रिकॉर्ड पर प्रशिक्षित किया, जिससे इसे यह पहचानने में मदद मिली कि मधुमेह कैसे आगे बढ़ता है और यह हृदय गति रुकने (हार्ट फेल्योर) और गुर्दे की बीमारी जैसी अन्य स्थितियों के साथ कैसे परस्पर क्रिया करता है। यह प्रणाली 'इलास्टिक नेट रेगुलराइजेशन' (Elastic Net regularization) नामक तकनीक का उपयोग करती है, जो शोर (noise) को अनदेखा करते हुए सबसे महत्वपूर्ण जोखिम कारकों की पहचान करने के लिए एक फिल्टर के रूप में कार्य करती है। ऐसा करते हुए, इसने खुलासा किया कि जोखिम के वास्तविक चालक अक्सर मधुमेह का निदान स्वयं नहीं हैं, बल्कि विशिष्ट हृदय संबंधी जटिलताएं हैं जो इसके साथ आती हैं। मॉडल ने सफलतापूर्वक पहचाना कि हार्ट फेल्योर और क्रोनिक इस्केमिक हार्ट डिजीज की उपस्थिति, मधुमेह के चरण के समान ही मूल्य निर्धारण के लिए महत्वपूर्ण है, एक ऐसा सूक्ष्म अंतर जिसे पिछले रैखिक मॉडल पूरी तरह से मिस कर गए थे।

अध्ययन ने समय के महत्व का भी अन्वेषण किया। जबकि मुख्य मॉडल ने जोखिम के एक स्नैपशॉट पर ध्यान केंद्रित किया, शोधकर्ताओं ने यह देखने के लिए एक अलग प्रयोग चलाया कि क्या समय के साथ रोगी के स्वास्थ्य इतिहास को ट्रैक करने से भविष्यवाणियों में सुधार होता है। उन्होंने पाया कि रोगी के अस्पताल के दौरों और खर्चों के क्रम को देखने से अतिरिक्त अंतर्दृष्टि प्राप्त हुई, विशेष रूप से उन लोगों के लिए जो बीमारी के मध्य चरणों में हैं जिनका स्वास्थ्य अभी भी बदल रहा है। हालांकि, सबसे शक्तिशाली उपकरण विभिन्न बीमारियों के बीच जटिल अंतःक्रियाओं के जाल को मैप करने की क्षमता बनी रही। शोधकर्ताओं ने अपने निष्कर्षों की पुष्टि की कि वे मजबूत हैं, उन्होंने डेटा के विभिन्न हिस्सों पर मॉडल का बार-बार परीक्षण किया, यह सुनिश्चित करते हुए कि परिणाम केवल एक तुक्का नहीं थे। मॉडल स्थिर साबित हुआ, जिसने हजारों सिमुलेशन में उच्च सटीकता के साथ जोखिम स्तरों को लगातार रैंक किया।

शायद सबसे महत्वपूर्ण सफलता इस जटिल एआई को समझने योग्य बनाना था। चूंकि बीमा एक विनियमित उद्योग है, इसलिए एक "ब्लैक बॉक्स" जो बिना स्पष्टीकरण के कीमत देता है, वह बेकार है। शोधकर्ताओं ने यह समझने के लिए कि मॉडल ने किसी विशिष्ट व्यक्ति को एक विशिष्ट कीमत क्यों दी, 'शैप' (SHAP) नामक एक पद्धति का उपयोग किया। उन्होंने प्रदर्शित किया कि सिस्टम स्पष्ट रूप से लागत को विशिष्ट कारकों: आयु, मधुमेह के चरण और हृदय संबंधी स्थितियों के आधार पर विभाजित कर सकता है। उदाहरण के लिए, हार्ट फेल्योर वाले 65 वर्षीय व्यक्ति के केस स्टडी में, मॉडल ने 14,802 RMB का प्रीमियम निर्धारित किया। एक पारंपरिक तरीका उसे केवल लगभग 10,630 RMB शुल्क लेता, जो उसके वास्तविक जोखिम का खतरनाक रूप से कम आकलन करता। इसके विपरीत, नया मॉडल एक उचित कीमत प्रदान करता है जो उसकी वास्तविक चिकित्सा वास्तविकता को दर्शाती है, और साथ ही यह भी दिखाता है कि प्रत्येक स्थिति ने उस लागत में कितना योगदान दिया।

शोधकर्ताओं ने यह भी दिखाया कि इस प्रणाली का उपयोग स्वस्थ व्यवहार को पुरस्कृत करने के लिए कैसे किया जा सकता है। उन्होंने एक ऐसा कारक एकीकृत किया जो प्रीमियम को तब कम कर देता है जब कोई रोगी अपने स्वास्थ्य का सक्रिय रूप से प्रबंधन करता है, जैसे कि दवा के नियम का पालन करना या नियमित जांच करवाना। यह रोगियों के लिए स्वस्थ रहने के लिए एक सीधा वित्तीय प्रोत्साहन बनाता है, जिससे बीमा एक स्थिर अनुबंध से एक गतिशील साझेदारी में बदल जाता है। अध्ययन इस निष्कर्ष पर पहुँचता है कि कठोर, रैखिक सूत्रों के स्थान पर लचीले, डीप लर्निंग मॉडल को अपनाकर, बीमा उद्योग अंततः उन लाखों लोगों को निष्पक्ष, पारदर्शी और सस्ती कवरेज प्रदान कर सकता है जो लंबे समय से बाहर रखे गए हैं। यह कार्य सिद्ध करता है कि सही उपकरणों के साथ, निष्पक्षता से समझौता किए बिना जोखिम का सटीक मूल्य निर्धारण करना संभव है, यह सुनिश्चित करते हुए कि पुरानी बीमारियों वाले लोग पीछे न छूट जाएं।