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

2型糖尿病のような慢性疾患を抱えて生活する何百万人もの人々にとって、経済的な安定への道は、ある単純かつ過酷な現実に阻まれている。それは、保険会社が彼らのリスクを正確に価格設定できていないということである。生命保険の保険料を算出するための従来の手法は、静的なスナップショット（断面図）に依存しており、加入時の健康状態を固定されたラベルとして扱う。しかし、慢性疾患は静的なものではない。それは時間の経過とともに変化し、合併症が生じるにつれて加速することもある、動的な旅路なのである。保険会社が、疾患がどのように進行するか、あるいは異なる健康問題がどのように相互作用するかという全体像を把握できないとき、彼らはジレンマに直面する。損失を回避するために、彼らはしばしば申請者を一律に拒絶するか、あるいは保障を不可能なほど高額な保険料を課す。これにより、「障害を持つ人々（impaired lives）」、すなわち管理可能ではあるが深刻な状態にある人々が、社会が依拠する保護ネットワークから疎外されてしまう。核心となる課題は、単なるデータの不足ではなく、健康が減退していく複雑で非線形なプロセスや、異なる病状がいかに互いに増幅し合うかを理解するためのツールの欠如である。

北京国際工商大学の研究チームは、これらの複雑なケースのために特別に設計された新しい種類の価格設定エンジンを構築することで、この問題に取り組んだ。2型糖尿病患者の約190万件におよぶ膨大な病院記録のデータセットを使用し、彼らはリスクが単に加算されると仮定する古い線形公式を超えた。その代わりに、彼らはDeepSurvとして知られる高度な人工知能システムを採用した。これは、異なる健康要因間の複雑で隠れた関係をマッピングすることができるものである。研究者たちは、従来のメソッドには根本的な欠陥があることを発見した。患者のグループを単純に比較する従来のアプローチは、奇妙で不公平なエラーを生じさせていた。つまり、中程度の合併症を持つ患者が、生命を脅かすような重度の臓器損傷を持つ患者よりもリスクが高いと示唆してしまったのである。これは、従来のツールが、疾患自体の影響と患者の年齢を分離できておらず、高齢のグループをより深刻な状態と混同してしまったために起こった。

これを修正するために、研究者たちは、人間の専門家が行うのと同様にデータから学習するが、数百万の変数を同時に処理できるモデルを構築した。彼らは180万件以上の記録を用いてこのシステムを訓練し、糖尿病がどのように進行し、それが心不全や腎臓病といった他の疾患とどのように相互作用するかというパターンを認識させた。このシステムは、Elastic Net正則化と呼ばれる手法を使用しており、これはノイズを無視しながら最も重要なリスク要因を特定するフィルターとして機能する。その過程で、真のリスク要因は糖尿病の診断そのものではなく、それに伴う特定の循環器系の合併症であることが明らかになった。モデルは、心不全や慢性虚血性心疾患の存在が、糖尿病のステージ自体と同じくらい価格設定において重要であることを特定した。これは、従来の線形モデルが見落としていた微細な差異である。

本研究では、時間の価値についても探求した。メインのモデルはリスクのスナップショットを見ていたが、研究者たちは、患者の健康履歴を時系列で追跡することで予測が向上するかどうかを確認するために、別の実験を行った。その結果、患者の通院回数や医療費の推移を追跡することは、特に病状が変化している中間段階の患者において、さらなる洞察を提供することが分かった。しかし、最も強力なツールは、依然として異なる疾患間の複雑な相互作用の網をマッピングする能力であった。研究者たちは、モデルの結果が単なる偶然の的中ではないことを確実にするため、データの異なる部分に対して繰り返しテストを行い、モデルの堅牢性を確認した。モデルは安定しており、数千回のシミュレーションを通じて高い精度でリスクレベルを一貫してランク付けできた。

おそらく最も重要な進展は、この複雑なAIを理解可能なものにしたことである。保険業は規制産業であるため、説明なしに価格を提示するだけの「ブラックボックス」は役に立たない。研究者たちはSHAPと呼ばれる手法を用い、なぜモデルが特定の人物に対して特定の価格を割り当てたのかを詳細に分解した。彼らは、システムが年齢、糖尿病のステージ、および心疾患の存在といった特定の要因に対して、明確にコストを帰属させることができることを示した。例えば、心不全を抱える65歳の男性のケーススタディでは、モデルは14,802人民元という保険料を算出した。従来の方法では、彼に対して約10,630人民元しか請求せず、彼の真のリスクを危険なほど過小評価していたことになる。対照的に、この新しいモデルは、彼の実際の医学的現実を反映した公正な価格を提供すると同時に、各疾患がそのコストにどの程度寄与しているかを明確に示した。

また、研究者たちは、このシステムがいかに健康的な行動に報いるために使用できるかも示した。彼らは、患者が服薬を遵守したり定期的な検診を受けたりするなど、積極的に健康管理を行っている場合に保険料を下げる要因を統合した。これにより、保険を静的な契約から動的なパートナーシップへと変え、患者に対して直接的な経済的インセンティブを生み出す。本研究は、硬直した線形公式を柔軟なディープラーニングモデルに置き換えることで、保険業界がようやく、長らく排除されてきた何百万人もの人々に対して、公正で透明かつ手頃な保障を提供できることを結論づけている。この研究は、適切なツールがあれば、公平性を犠牲にすることなくリスクを正確に価格設定することが可能であり、慢性疾患を持つ人々が取り残されないようにできることを証明している。