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

Each language version is independently generated for its own context, not a direct translation.

🏥 Il "Cristallo Magico" per gli Infortuni sul Lavoro

Immagina di essere il responsabile di un grande ospedale o di un'assicurazione. Ogni giorno arrivano centinaia di persone con infortuni: qualcuno si è tagliato un dito, qualcuno ha fatto una caduta da un'impalcatura, qualcuno ha sofferto di mal di schiena.

La domanda più difficile da rispondere è: "Quanto tempo starà via dal lavoro questa persona?"

Se sbagli la previsione:

Se dici che starà via 2 settimane ma ne servono 10, l'azienda perde soldi e il lavoratore si sente ignorato.
Se dici che ne servono 10 ma ne bastano 2, l'azienda paga per nulla e il lavoratore si sente "bloccato".

In passato, per rispondere a questa domanda, si usavano formule matematiche rigide (come le regole di un gioco da tavolo). Ma il mondo reale è troppo caotico: un taglio al pollice per un chirurgo è diverso da un taglio al pollice per un muratore. Le vecchie formule non riuscivano a cogliere queste sfumature.

🧠 La Soluzione: Un "Cervello Digitale" (Rete Neurale)

L'autore di questo studio, Anthony Almudevar, ha pensato: "Perché non insegnare a un computer a imparare dall'esperienza, proprio come fa un medico esperto?"

Ha creato una Rete Neurale Artificiale (ANN).
Pensa a questa rete come a un cuoco stellato che ha assaggiato milioni di piatti (infortuni) in passato.

L'ingrediente: Quando arriva un nuovo infortunio, il cuoco guarda gli ingredienti (l'età, il tipo di lavoro, la parte del corpo ferita, il codice medico dell'infortunio).
L'esperienza: Invece di seguire una ricetta fissa, il cuoco consulta la sua memoria: "Ah, l'ultima volta che un muratore di 40 anni ha avuto questo tipo di bruciore al ginocchio, ci sono volute 6 settimane. Ma se era un impiegato, ne sono bastate 2."
La previsione: Il cuoco non ti dice solo "6 settimane". Ti dice: "C'è un 70% di probabilità che stia via 6 settimane, ma c'è anche una possibilità che ne servano 10 o solo 4". Ti dà un ventaglio di possibilità, non una sola risposta rigida.

🧩 Il Problema dei "Codici Complessi"

Il paper spiega che i dati sugli infortuni sono scritti in un linguaggio complicatissimo (codici NWISP). È come se ogni infortunio avesse un codice a barre con 5 cifre che descrive esattamente cosa è successo (es. "Bruciatura di secondo grado causata da acido benzoico sul pollice").

Le vecchie formule matematiche si rompevano perché c'erano troppe combinazioni possibili. Era come cercare di risolvere un puzzle con 10.000 pezzi usando solo le mani.
La Rete Neurale, invece, è come un super-puzzle solver che riesce a vedere i collegamenti nascosti tra i pezzi. Capisce che "Donna + Ginocchio + Caduta" è una combinazione diversa da "Uomo + Ginocchio + Caduta", anche se le formule vecchie pensavano che fosse la stessa cosa.

🌧️ La Pioggia e gli Ombrelli (Il concetto di "Censura")

C'è un altro problema: quando l'autore ha raccolto i dati, alcuni infortuni erano ancora aperti. La persona era ancora in malattia.
Immagina di voler sapere quanto dura la pioggia. Guardi fuori dalla finestra:

Alcuni hanno smesso di piovere (infortunio chiuso).
Altri stanno ancora sotto l'ombrello (infortunio aperto).

Se conti solo quelli che hanno finito, sbagli tutto. La statistica tradizionale si confonde qui.
Il modello usato in questo studio è speciale perché sa gestire la "pioggia che non è ancora finita". Sa dire: "So che questa persona è sotto l'ombrello da 3 settimane, quindi la sua pioggia durerà almeno 3 settimane, ma probabilmente di più". Questo si chiama "analisi di sopravvivenza" (o meglio, in questo caso, "analisi della durata").

🎯 Cosa è successo davvero?

Hanno addestrato il cervello: Hanno dato al computer i dati di 17.000 infortuni passati.
Hanno testato la sua intelligenza: Hanno fatto finta di non sapere quanto sarebbero durati alcuni infortuni e hanno chiesto al computer di indovinare.
Il risultato: Il computer ha fatto un ottimo lavoro. Non solo ha previsto la durata media, ma ha capito che l'interazione tra le cose è fondamentale.
- Esempio: Per le donne, certi infortuni durano di più; per gli uomini, altri durano di più. Le vecchie formule non vedevano questo dettaglio. La rete neurale sì.

🚪 Cosa succede se mancano i dati?

A volte, quando si apre un fascicolo, non si hanno tutte le informazioni (magari manca il codice esatto dell'infortunio).
Il paper propone un trucco intelligente:

Metodo A: Se manca un dato, il computer guarda tutti i casi simili che ha già visto e fa una media. È come dire: "Non so esattamente che lavoro fai, ma so che sei un uomo di 40 anni con un infortunio al ginocchio. In media, a persone come te ci vogliono 5 settimane".
Hanno scoperto che questo metodo funziona bene ed è facile da usare.

🏁 La Conclusione in Pillole

Questo studio ci dice che per gestire gli infortuni sul lavoro in modo efficiente, non basta usare calcolatrici vecchie. Serve un sistema che impari dai dati, che capisca le sfumature tra un uomo e una donna, tra un operaio e un impiegato, e che sappia gestire l'incertezza del futuro.

La Rete Neurale è come un medico esperto che ha letto tutti i libri di medicina del mondo: non ti dà una risposta secca, ma una mappa delle probabilità, aiutando le aziende a pianificare meglio e a trattare i lavoratori in modo più giusto.

Each language version is independently generated for its own context, not a direct translation.

Titolo

Utilizzo delle Reti Neurali Artificiali (ANN) per Prevedere la Durata delle Richieste di Indennizzo in un Ambiente di Compensazione per Infortuni sul Lavoro.

1. Il Problema

I consigli di compensazione per infortuni sul lavoro in Canada gestiscono enormi quantità di dati attraverso il National Work Injury Statistics Program (NWISP). Questi dati includono codici dettagliati che descrivono la natura medica e la causa originale degli infortuni.

Obiettivo: Prevedere la durata della richiesta di indennizzo (tempo di assenza dal lavoro), che è il principale fattore determinante dei costi del programma e un indicatore della gravità della lesione.
Sfida: La complessità dei dati di input (codici gerarchici, molteplici categorie) rende le tecniche di modellazione statistica tradizionali (come la regressione lineare o i modelli a effetti principali) inadeguate. Inoltre, i dati contengono un'alta percentuale di censura (le richieste sono ancora aperte al momento dell'analisi), il che richiede metodi specifici di analisi di sopravvivenza.
Limitazione dei metodi esistenti: Sebbene le ANN siano state applicate alla prognosi del cancro, spesso non hanno mostrato vantaggi significativi rispetto a metodi più semplici (come la regressione di Cox o gli alberi di classificazione) in altri contesti. Tuttavia, in questo caso, la complessità delle interazioni tra le variabili suggerisce la necessità di un approccio più flessibile.

2. Metodologia

L'autore propone un modello ibrido che combina la regressione di Cox a rischi proporzionali con le Reti Neurali Artificiali (ANN).

Dati e Variabili

Fonte: Database amministrativo della Workplace Health, Safety and Compensation Commission (WHSCC) di Terranova e Labrador.
Campionamento: 17.026 richieste (dal 1998 in poi, per garantire omogeneità nei codici). Divise in campione di addestramento (10.000) e di test (7.026).
Variabili di Input (10 covariate categoriche):
- Codici NWISP: Natura dell'infortunio (NOI), Parte del corpo (POB), Fonte dell'infortunio (SOI), Tipo di incidente (TOA).
- Dati demografici e lavorativi: Età, Sesso, Tipo di datore di lavoro (SIC), Occupazione (OCC), Dimensione dell'azienda (PAY), Regione (CPC).
Variabile di Risposta: Durata della perdita di tempo (in settimane), con gestione della censura (richieste non chiuse).

Modello Statistico

Il modello si basa sulla funzione di rischio di Cox:
$h_x(t) = h_0(t)e^{\eta(x)}$
Dove:

$h_0(t)$ è il rischio di base.
$\eta(x)$ è il termine di previsione.
Innovazione: Invece di usare un termine lineare ( $\eta = \beta^T x$ ), $\eta(x)$ è calcolato tramite una Rete Neurale a Perceptron Multistrato (MLP).

Architettura della Rete

Struttura: Fully connected (completamente connessa) con un layer di input, un layer nascosto e un layer di output singolo.
Input: Ogni variabile categorica viene codificata in un vettore binario (one-hot encoding).
Funzione di attivazione: Sigmoidale ( $\phi(u) = e^u / (1 + e^u)$ ) per i nodi nascosti.
Addestramento: Minimizzazione della parziale verosimiglianza di Cox regolarizzata.
- Funzione di costo: $H(W) = -L(W) + \lambda \sum w^2 + \lambda_b \sum w_{bias}^2$ .
- I parametri $\lambda$ e $\lambda_b$ agiscono come parametri di smoothing (decadimento) per prevenire l'overfitting.

Selezione del Modello

Sono stati confrontati un modello "Ridotto" (solo alcune variabili) e un modello "Completo" (tutte le 10 variabili).
La selezione è stata effettuata variando il numero di nodi nascosti ( $n_h$ ) e il parametro di decadimento ( $\lambda$ ).
La valutazione è stata basata sul coefficiente $R^2$ generalizzato calcolato sul campione di test.

3. Risultati Chiave

Prestazioni del Modello

Il modello ANN completo ha ottenuto un $R^2 = 0.206$ (con 12 nodi nascosti e $\lambda=6$ ), superando significativamente il modello a effetti principali di Cox (che ha ottenuto $R^2 = 0.15$ ).
L'analisi delle interazioni ha dimostrato che il modello ANN riesce a catturare relazioni complesse, come l'interazione tra Sesso e Codici di Infortunio. Ad esempio, l'effetto del sesso sulla durata varia a seconda del tipo di lesione (es. le donne hanno durate maggiori per distorsioni, mentre gli uomini per ustioni), cosa che un modello lineare non potrebbe rilevare senza un numero proibitivo di termini di interazione.

Validazione e Distribuzione

Il modello non fornisce solo una stima puntuale, ma una distribuzione completa della durata prevista.
La comparazione tra quintili previsti e reali mostra una buona capacità predittiva (es. il 38% delle previsioni nel quintile più basso corrisponde a durate reali nel quintile più basso).
Le stime delle mediane e dei quartili sono accurate, sebbene si osservi un leggero bias nella stima della media per durate molto lunghe.

Gestione degli Input Parziali

È stata proposta una procedura per gestire casi in cui non sono disponibili tutti i 10 codici di input.
Metodo A (Adottato): Calcola la media del termine di previsione $\eta$ tra tutti i record di addestramento che corrispondono agli input parziali disponibili. Questo metodo è stato preferito per la sua semplicità e accuratezza rispetto al Metodo B (media delle curve di sopravvivenza).

4. Contributi Principali

Integrazione ANN-Cox: Applicazione efficace di una rete neurale all'interno del framework di Cox per gestire dati censurati e input complessi.
Gestione delle Interazioni: Dimostrazione che le ANN possono catturare automaticamente interazioni non lineari tra variabili categoriche ad alta dimensionalità senza la necessità di specificare manualmente termini di interazione.
Output Distribuzionale: Capacità di generare non solo un valore atteso, ma l'intera distribuzione di probabilità della durata, permettendo una migliore valutazione del rischio e della variabilità.
Robustezza Operativa: Sviluppo di procedure per gestire dati incompleti (input parziali), rendendo il modello utilizzabile in scenari reali dove tutte le informazioni potrebbero non essere immediatamente disponibili.

5. Significato e Conclusioni

Il paper dimostra che, in contesti dove la struttura dei predittori è estremamente complessa (molti codici gerarchici e interazioni non ovvie), le Reti Neurali Artificiali offrono un vantaggio sostanziale rispetto ai modelli statistici tradizionali.

Il modello proposto permette una gestione più efficiente delle richieste di indennizzo, consentendo una stima precoce della durata e dei costi.
L'approccio bilancia la flessibilità delle ANN con la rigorosa teoria statistica dell'analisi di sopravvivenza, risolvendo il problema della censura dei dati.
Questo lavoro fornisce un caso d'uso convincente per l'adozione di modelli basati su ANN in ambiti di assicurazione e gestione del rischio, dove la complessità dei dati preclude l'uso di strumenti statistici standard.