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

제2형 당뇨병과 같은 만성 질환을 앓고 있는 수백만 명의 사람들에게 경제적 안정을 향한 길은 종종 단순하고 가혹한 현실에 의해 가로막힙니다. 바로 보험사가 그들의 위험을 정확하게 산정할 수 없다는 사실입니다. 생명보험료를 계산하는 전통적인 방식은 정적인 스냅샷에 의존하며, 신청 시점의 건강 상태를 고정된 라벨처럼 취급합니다. 그러나 만성 질환은 정적인 것이 아니라, 합병증이 발생함에 따라 종종 가속화되는 역동적인 여정입니다. 보험사가 질병이 어떻게 진행되는지, 또는 서로 다른 건강 문제가 어떻게 상호작용하는지에 대한 전체적인 그림을 볼 수 없을 때, 그들은 딜레마에 직면합니다. 손실을 피하기 위해 그들은 흔 often 신청자를 아예 거절하거나, 보장을 받기 불가능할 정도로 지나치게 높은 보험료를 부과하곤 합니다. 이로 인해 '손상된 삶(impaired lives)'을 사는 광범위한 인구, 즉 관리 가능하지만 심각한 질환을 가진 사람들이 사회가 의존하는 보호 네트워크로부터 소외됩니다. 핵심적인 과제는 단순히 데이터의 부족이 아니라, 질병이 악화되는 복잡하고 비선형적인 방식과 서로 다른 의료적 상태가 어떻게 서로를 증폭시키는지 이해할 수 있는 도구의 부재입니다.

베이징 국제경영대학교의 연구진은 이러한 복잡한 사례들을 위해 특별히 설계된 새로운 종류의 가격 책정 엔진을 구축함으로써 이 문제를 해결했습니다. 약 190만 건의 제2형 당뇨병 환자 병원 기록이라는 방대한 데이터셋을 사용하여, 그들은 위험이 단순히 더해진다고 가정하는 기존의 선형 공식에서 벗어났습니다. 대신, 그들은 다양한 건강 요인들 사이의 복잡하고 숨겨진 관계를 매핑할 수 있는 DeepSurv라고 알려진 정교한 인공지능 시스템을 채택했습니다. 연구진은 기존의 방식이 근본적으로 결함이 있다는 것을 발견했습니다. 단순히 환자 그룹을 비교하는 전통적인 방식은 기이하고 불공정한 오류를 범했습니다. 즉, 중간 단계의 합병증을 가진 환자가 치명적인 장기 손상을 입은 환자보다 오히려 위험도가 더 높다고 제시한 것입니다. 이는 기존의 도구들이 질병 자체의 효과와 환자의 연령을 분리하지 못해, 고령 집단을 더 심각한 상태로 혼동했기 때문에 발생한 일이었습니다.

이를 해결하기 위해 연구진은 인간 전문가처럼 데이터를 학습하면서도 수백만 개의 변수를 동시에 처리할 수 있는 모델을 구축했습니다. 연구진은 180만 건 이상의 기록을 통해 이 시스템을 훈련시켰으며, 당뇨병이 어떻게 진행되고 심부전이나 신장 질환과 같은 다른 질환과 어떻게 상호작용하는지 패턴을 인식하도록 가르쳤습니다. 이 시스템은 노이즈를 무시하면서 가장 중요한 위험 요인을 식별하는 필터 역할을 하는 엘라스틱 넷(Elastic Net) 정규화 기술을 사용합니다. 이를 통해 연구진은 진정한 위험의 동력이 당뇨병 진단 그 자체가 아니라, 그에 수반되는 구체적인 심혈관 합병증이라는 점을 밝혀냈습니다. 모델은 심부전과 만성 허혈성 심장 질환의 존재가 당뇨병 단계 자체만큼이나 가격 책정에 결정적이라는 사실을 성공적으로 식별해 냈는데, 이는 기존의 선형 모델이 전혀 놓쳤던 미묘한 차이였습니다.

또한 이 연구는 시간의 가치를 탐구했습니다. 메인 모델이 위험의 스냅샷을 살펴보는 동안, 연구진은 환자의 건강 이력을 시간에 따라 추적하는 것이 예측력을 향상시키는지 확인하기 위해 별도의 실험을 수행했습니다. 그들은 환자의 병원 방문 횟수와 비용의 순서를 살펴보는 것이, 특히 건강 상태가 변화하고 있는 질병의 중간 단계에 있는 환자들에게 추가적인 통찰력을 제공한다는 것을 발견했습니다. 그러나 가장 강력한 도구는 여전히 서로 다른 질병 간의 복잡한 상호작용 네트워크를 매핑하는 능력이었습니다. 연구진은 모델을 다양한 데이터 조각들에 대해 반복적으로 테스트함으로써 결과가 단순히 운 좋은 추측이 아님을 확인하며 발견의 견고함을 입증했습니다. 모델은 수천 번의 시뮬레이션 전반에 걸쳐 높은 정확도로 위험 수준을 일관되게 분류하며 안정성을 증명했습니다.

아마도 가장 중요한 돌파구는 이 복잡한 AI를 이해 가능하게 만든 점일 것입니다. 보험은 규제 산업이기 때문에, 설명 없이 가격만 제시하는 '블랙박스'는 쓸모가 없습니다. 연구진은 SHAP이라는 방법을 사용하여 모델이 왜 특정 개인에게 특정 가격을 할당했는지 그 이유를 상세히 분석했습니다. 그들은 시스템이 연령, 당뇨병 단계, 심장 질환의 존재와 같은 특정 요인에 비용을 명확하게 귀속시킬 수 있음을 보여주었습니다. 예를 들어, 심부전을 앓고 있는 65세 남성의 사례 연구에서 모델은 14,802 RMB의 보험료를 계산했습니다. 전통적인 방식이라면 그에게 약 10,630 RMB만을 부과하여 그의 실제 위험을 위험하게 과소평가했을 것입니다. 반면, 새로운 모델은 그의 실제 의료적 현실을 반영하는 공정한 가격을 제공하는 동시에, 각 질환이 해당 비용에 얼마나 기여했는지를 명확히 보여주었습니다.

연구진은 또한 이 시스템이 건강한 행동에 보상을 주는 방식으로 어떻게 활용될 수 있는지도 보여주었습니다. 그들은 환자가 약물 복용 지침을 준-수하거나 정기 검진에 참여하는 등 건강 관리를 적극적으로 수행할 경우 보험료를 낮추는 요소를 통합했습니다. 이는 환자가 건강을 유지하도록 직접적인 재정적 인센티브를 제공하며, 보험을 정적인 계약에서 역동적인 파트너십으로 변화시킵니다. 이 연구는 경직된 선형 공식 대신 유연한 딥러닝 모델로 교체함으로써, 보험 산업이 오랫동안 배제되어 온 수백만 명의 사람들에게 마침내 공정하고 투명하며 저렴한 보장을 제공할 수 있음을 결론짓습니다. 이 연구는 적절한 도구가 있다면, 공정성을 희생하지 않으면서도 위험을 정확하게 가격 책정할 수 있으며, 이를 통해 만성 질환을 가진 사람들이 뒤처지지 않도록 보장할 수 있음을 입증합니다.