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

Per milioni di persone che vivono con condizioni croniche come il diabete di tipo 2, il percorso verso la sicurezza finanziaria è spesso bloccato da una realtà semplice e crudele: le compagnie assicurative non riescono a prezzare il loro rischio in modo accurato. I metodi tradizionali per calcolare i premi delle assicurazioni sulla vita si basano su istantanee statiche, trattando la salute di una persona come un'etichetta fissa al momento della richiesta. Tuttavia, le malattie croniche non sono statiche; sono percorsi dinamici che cambiano nel tempo, spesso accelerando con l'insorgere delle complicazioni. Quando gli assicuratori non riescono a vedere l'immagine completa di come una malattia progredisca o di come diverse problematiche di salute interagiscano tra loro, si trovano di fronte a un dilemma. Per evitare perdite, spesso rifiutano direttamente i richiedenti o applicano premi proibitivi che rendono la copertura inaccessibile. Ciò lascia una vasta popolazione di "vite compromesse" — persone con condizioni gestibili ma serie — emarginata dalle reti di protezione su cui la società fa affidamento. La sfida principale non è solo la mancanza di dati, ma la mancanza di strumenti capaci di comprendere il modo complesso e non lineare in cui la salute si deteriora e come diverse condizioni mediche si amplifichino a vicenda.

Un team di ricercatori presso l'Università di Business Internazionale ed Economia di Pechino ha affrontato questo problema costruendo un nuovo tipo di motore di pricing progettato specificamente per questi casi complessi. Utilizzando un enorme dataset di quasi 1,9 milioni di cartelle ospedaliere di persone con diabete di tipo 2, sono andati oltre le vecchie formule lineari che presuppongono che i rischi si sommino semplicemente. Invece, hanno impiegato un sofisticato sistema di intelligenza artificiale noto come DeepSurv, capace di mappare le intricate e nascoste relazioni tra diversi fattori di salute. I ricercatori hanno scoperto che i vecchi metodi erano fondamentalmente difettosi. Un approccio tradizionale che semplicemente confrontava gruppi di pazienti produceva un errore bizzarro e ingiusto: suggeriva che i pazienti con complicazioni moderate fossero in realtà a rischio maggiore rispetto a quelli con danni d'organo gravi e potenzialmente letali. Ciò accadeva perché i vecchi strumenti non riuscivano a separare l'effetto della malattia stessa dall'età dei pazienti, confondendo un gruppo di età più avanzata con una condizione più grave.

Per risolvere questo problema, i ricercatori hanno costruito un modello che apprende dai dati in modo simile a un esperto umano, ma con la capacità di elaborare milioni di variabili simultaneamente. Hanno addestrato questo sistema su oltre 1,8 milioni di record, insegnandogli a riconoscere i pattern nel progresso del diabete e nel modo in cui esso interagisce con altre condizioni come l'insufficienza cardiaca e la malattia renale. Il sistema utilizza una tecnica chiamata regolarizzazione Elastic Net, che agisce come un filtro per identificare i fattori di rischio più importanti ignorando il rumore di fondo. In questo modo, ha rivelato che i veri motori del rischio non sono spesso la diagnosi di diabete in sé, ma le specifiche complicazioni cardiovascolari che la accompagnano. Il modello ha identificato con successo che la presenza di insufficienza cardiaca e di cardiopatia ischemica cronica è quasi altrettanto critica per il pricing quanto lo stadio del diabete stesso, una sfumatura che i precedenti modelli lineari avevano interamente tralasciato.

Lo studio ha esplorato anche il valore del tempo. Mentre il modello principale analizzava un'istantanea del rischio, i ricercatori hanno condotto un esperimento separato per vedere se il monitoraggio della storia clinica di un paziente nel tempo migliorasse le previsioni. Hanno scoperto che osservare la sequenza delle visite ospedaliere e delle spese di un paziente forniva effettivamente ulteriori approfondimenti, in particolare per coloro che si trovano nelle fasi intermedie della malattia, quando la salute è ancora in evoluzione. Tuttavia, lo strumento più potente rimaneva la capacità di mappare la complessa rete di interazioni tra diverse malattie. I ricercatori hanno confermato la robustezza dei loro risultati testando ripetutamente il modello su diverse porzioni dei dati, assicurandosi che i risultati non fossero solo un colpo di fortuna. Il modello si è dimostrato stabile, classificando i livelli di rischio con alta precisione attraverso migliaia di simulazioni.

Forse la scoperta più significativa è stata rendere comprensibile questa complessa IA. Poiché l'assicurazione è un settore regolamentato, una "scatola nera" che fornisce un prezzo senza spiegazione è inutile. I ricercatori hanno utilizzato un metodo chiamato SHAP per scomporre esattamente perché il modello assegnasse un determinato prezzo a una specifica persona. Hanno dimostrato che il sistema poteva attribuire chiaramente il costo a fattori specifici: età, stadio del diabete e presenza di condizioni cardiache. Ad esempio, in un caso di studio di un uomo di 65 anni con insufficienza cardiaca, il modello ha calcolato un premio di 14.802 RMB. Un metodo tradizionale avrebbe addebitato circa 10.630 RMB, sottostimando pericolosamente il suo reale rischio. Il nuovo modello, al contrario, ha fornito un prezzo equo che rifletteva la sua reale realtà medica, mostrando anche esattamente quanto ogni condizione contribuisse a tale costo.

I ricercatori hanno inoltre dimostrato come questo sistema potesse essere utilizzato per premiare i comportamenti sani. Hanno integrato un fattore che riduce il premio se un paziente gestisce attivamente la propria salute, come seguire un regime farmacologico o recarsi regolarmente a controlli medici. Questo crea un incentivo finanziario diretto affinché i pazienti rimangano in salute, trasformando l'assicurazione da un contratto statico in una partnership dinamica. Lo studio conclude che, sostituendo le rigide formule lineari con modelli di deep learning flessibili, l'industria assicurativa può finalmente offrire una copertura equa, trasparente e accessibile per i milioni di persone che sono state a lungo escluse. Il lavoro dimostra che, con gli strumenti giusti, è possibile prezzare il rischio in modo accurato senza sacrificare l'equità, garantendo che coloro che convivono con malattie croniche non vengano lasciati indietro.