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

Voor miljoenen mensen die leven met chronische aandoeningen zoals type 2 diabetes, wordt het pad naar financiële zekerheid vaak geblokkeerd door een simpele, harde realiteit: verzekeringsmaatschappijen kunnen hun risico niet nauwkeurig prijzen. Traditionele methoden voor het berekenen van levensverzekeringspremies vertrouwen op statische momentopnames, waarbij iemands gezondheid wordt behandeld als een vaststaand label op het moment van aanvraag. Echter, chronische ziekten zijn niet statisch; het zijn dynamische trajecten die in de loop van de tijd veranderen, en die vaak versnellen wanneer complicaties optreden. Wanneer verzekeraars het volledige beeld niet kunnen zien van hoe een ziekte vordert of hoe verschillende gezondheidsproblemen met elkaar interageren, staan zij voor een dilemma. Om te voorkomen dat ze geld verliezen, wijzen ze aanvragers vaak direct af of rekenen ze prohibitief hoge premies die de dekking onbetaalbaar maken. Dit laat een enorme populatie van "gebrekkige levens" — mensen met beheersbare maar serieuze aandoeningen — gemarginaliseerd achter binnen de beschermingsnetwerken waar de samenleving op vertrouwt. De kernuitdaging is niet alleen een gebrek aan data, maar een gebrek aan instrumenten die in staat zijn om de complexe, niet-lineaire manier te begrijpen waarop de gezondheid verslechtert en hoe verschillende medische condities elkaar versterken.

Een team van onderzoekers aan de University of International Business and Economics in Beijing heeft dit probleem aangepakt door een nieuw soort prijsmotor te bouwen, specifiek ontworpen voor deze complexe gevallen. Met behulp van een enorme dataset van bijna 1,9 miljoen ziekenhuisverslagen van mensen met type 2 diabetes, gingen zij verder dan de oude, lineaire formules die ervan uitgaan dat risico's simpelweg bij elkaar optellen. In plaats daarvan gebruikten zij een geavanceerd kunstmatelijk intelligentiesysteem genaamd DeepSurv, dat in staat is om de ingewikkelde, verborgen relaties tussen verschillende gezondheidsfactoren in kaart te brengen. De onderzoekers ontdekten dat de oude methoden fundamenteel gebrekkig waren. Een traditionele aanpak die simpelweg patiëntengroepen vergeleek, resulteerde in een bizarre en onrechtvaardige fout: het suggereerde dat patiënten met matige complicaties eigenlijk een hoger risico liepen dan patiënten met ernstige, levensbedreigende orgaanschade. Dit gebeurde omdat de oude instrumenten er niet in slaagden het effect van de ziekte zelf te scheiden van de leeftijd van de patiënten, waardoor een oudere leeftijdsgroep werd verward met een ernstiger aandoening.

Om dit op te lossen, construeerden de onderzoekers een model dat leert van de data zoals een menselijke expert dat zou doen, maar met het vermogen om miljoenen variabelen gelijktijdig te verwerken. Ze trainden dit systeem op meer dan 1,8 miljoen records, waarbij het systeem leerde patronen te herkennen in de progressie van diabetes en in de interactie met andere aandoeningen zoals hartfalen en nierziekte. Het systeem maakt gebruik van een techniek genaamd Elastic Net-regularisatie, die fungeert als een filter om de belangrijkste risicofactoren te identificeren terwijl ruis wordt genegeerd. Hiermee werd onthuld dat de werkelijke drijfveren van risico vaak niet de diabetesdiagnose zelf zijn, maar de specifieke cardiovasculaire complicaties die daarmee gepaard gaan. Het model identificeerde succesvol dat de aanwezigheid van hartfalen en chronische ischemische hartziekte bijna even cruciaal zijn voor de prijsstelling als de fase van de diabetes zelf, een nuance die eerdere lineaire modellen volledig misten.

De studie onderzocht ook de waarde van tijd. Terwijl het hoofdmodel naar een momentopname van het risico keek, voerden de onderzoekers een apart experiment uit om te zien of het volgen van de gezondheidshistorie van een patiënt in de loop van de tijd de voorspellingen verbeterde. Ze kwamen tot de conclusie dat het kijken naar de sequentie van ziekenhuisbezoeken en medische kosten extra inzicht bood, met name voor mensen in de middenfase van de ziekte wiens gezondheid nog in beweging is. De krachtigste tool bleef echter het vermogen om het complexe web van interacties tussen verschillende ziekten in kaart te brengen. De onderzoekers bevestigden de robuustheid van hun bevindingen door het model herhaaldelijk te testen op verschillende segmenten van de data, om er zeker van te zijn dat de resultaten niet slechts een gelukkige gok waren. Het model bleek stabiel en rangschikte risiconiveaus met hoge nauwkeurigheid in duizenden simulaties.

Misschien wel de meest significante doorbraak was het begrijpelijk maken van deze complexe AI. Omdat verzekeringen een gereguleerde sector zijn, is een "black box" die een prijs geeft zonder uitleg nutteloos. De onderzoekers gebruikten een methode genaamd SHAP om uiteen te leggen waarom het model een specifieke prijs toekende aan een specifiek persoon. Ze toonden aan dat het systeem de kosten duidelijk kon toeschrijven aan specifieke factoren: leeftijd, de fase van de diabetes en de aanwezigheid van hartcondities. Zo berekende het model in een casestudy van een 65-jarige man met hartfalen een premie van 14.802 RMB. Een traditionele methode zou hem slechts ongeveer 10.630 RMB hebben gerekend, wat zijn werkelijke risico gevaarlijk onderschat. Het nieuwe model bood daarentegen een eerlijke prijs die zijn werkelijke medische realiteit weerspiegelde, terwijl het ook precies liet zien hoeveel elke conditie aan die kosten bijdroeg.

De onderzoekers toonden ook aan hoe dit systeem gebruikt kan worden om gezond gedrag te belonen. Ze integreerden een factor die de premie verlaagt als een patiënt actief zijn gezondheid beheert, zoals het strikt volgen van een medicatieprotocol of het bijwonen van regelmatige controles. Dit creëert een directe financiële prikkel voor patiënten om gezond te blijven, waardoor verzekering verandert van een statisch contract in een dynamisch partnerschap. De studie concludeert dat door rigide, lineaire formules te vervangen door flexibele, deep learning-modellen, de verzekeringssector eindelijk eerlijke, transparante en betaalbare dekking kan bieden aan de miljoenen mensen die lang zijn uitgesloten. Het werk bewijst dat het met de juiste instrumenten mogelijk is om risico nauwkeurig te prijzen zonder de rechtvaardigheid op te offeren, waardoor wordt gewaarborgd dat mensen met chronische aandoeningen niet worden achtergelaten.