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

Para milhões de pessoas que vivem com condições crônicas como o diabetes tipo 2, o caminho para a segurança financeira é frequentemente bloqueado por uma realidade simples e dura: as seguradoras não conseguem precificar seu risco com precisão. Os métodos tradicionais para calcular os prêmios de seguro de vida baseiam-se em instantâneos estáticos, tratando a saúde de uma pessoa como um rótulo fixo no momento em que ela se candidata. No entanto, as doenças crônicas não são estáticas; são jornadas dinâmicas que mudam ao longo do tempo, muitas vezes acelerando conforme surgem complicações. Quando as seguradoras não conseguem ver o quadro completo de como uma doença progride ou como diferentes problemas de saúde interagem, elas enfrentam um dilema. Para evitar perder dinheiro, elas frequentemente rejeitam candidatos sumariamente ou cobram prêmios proibitivos que tornam a cobertura inacessível. Isso deixa uma vasta população de "vidas com deficiência" — pessoas com condições sérias, mas controláveis — marginalizada das redes de proteção nas quais a sociedade confia. O desafio central não é apenas a falta de dados, mas a falta de ferramentas capazes de compreender a maneira complexa e não linear como a saúde se deteriora e como diferentes condições médicas se amplificam mutuamente.

Uma equipe de pesquisadores da Universidade de Negócios Internacionais e Economia, em Pequim, abordou esse problema construindo um novo tipo de motor de precificação projetado especificamente para esses casos complexos. Utilizando um conjunto massivo de dados de quase 1,9 milhão de registros hospitalares de pessoas com diabetes tipo 2, eles foram além das antigas fórmulas lineares que assumem que os riscos simplesmente se somam. Em vez disso, empregaram um sistema de inteligência artificial sofisticado conhecido como DeepSurv, que é capaz de mapear as relações intrincadas e ocultas entre diferentes fatores de saúde. Os pesquisadores descobriram que os métodos antigos eram fundamentalmente falhos. Uma abordagem tradicional que simplesmente comparava grupos de pacientes resultou em um erro bizarro e injusto: sugeria que pacientes com complicações moderadas tinham, na verdade, um risco maior do que aqueles com danos orgânicos graves e fatais. Isso aconteceu porque as ferramentas antigas falharam em separar o efeito da própria doença do efeito da idade dos pacientes, confundindo um grupo de idade mais avançada com uma condição mais severa.

Para corrigir isso, os pesquisadores construíram um modelo que aprende com os dados de forma muito semelhante a um especialista humano, mas com a capacidade de processar milhões de variáveis simultaneamente. Eles treinaram este sistema com mais de 1,8 milhão de registros, ensinando-o a reconhecer padrões na progressão do diabetes e em como ele interage com outras condições, como insuficiência cardíaca e doença renal. O sistema utiliza uma técnica chamada regularização Elastic Net, que atua como um filtro para identificar os fatores de risco mais importantes enquanto ignora o ruído. Ao fazer isso, revelou que os verdadeiros impulsionadores do risco são frequentemente não o diagnóstico de diabetes em si, mas as complicações cardiovasculares específicas que o acompanham. O modelo identificou com sucesso que a presença de insuficiência cardíaca e doença isquêmica cardíaca crônica é quase tão crítica para a precificação quanto o estágio do próprio diabetes, uma nuance que os modelos lineares anteriores perderam inteiramente.

O estudo também explorou o valor do tempo. Enquanto o modelo principal analisava um instantâneo de risco, os pesquisadores realizaram um experimento separado para ver se o acompanhamento do histórico de saúde de um paciente ao longo do tempo melhorava as previsões. Eles descobriram que observar a sequência de visitas hospitalares e despesas de um paciente também fornecia insights adicionais, particularmente para aqueles nos estágios intermediários da doença, cuja saúde ainda está mudando. No entanto, a ferramenta mais poderosa continuava sendo a capacidade de mapear a complexa teia de interações entre diferentes doenças. Os pesquisadores confirmaram que seus achados eram robustos ao testar repetidamente o modelo em diferentes fatias dos dados, garantindo que os resultados não fossem apenas um golpe de sorte. O modelo provou ser estável, classificando consistentemente os níveis de risco com alta precisão através de milhares de simulações.

Talvez o avanço mais significativo tenha sido tornar essa IA complexa compreensível. Como o setor de seguros é uma indústria regulamentada, uma "caixa preta" que fornece um preço sem explicação é inútil. Os pesquisadores utilizaram um método chamado SHAP para decompor exatamente por que o modelo atribuiu um preço específico a uma pessoa específica. Eles demonstraram que o sistema poderia atribuir claramente o custo a fatores específicos: idade, o estágio do diabetes e a presença de condições cardíacas. Por exemplo, em um estudo de caso de um homem de 65 anos com insuficiência cardíaca, o modelo calculou um prêmio de 14.802 RMB. Um método tradicional teria cobrado dele apenas cerca de 10.630 RMB, subestimando perigosamente seu risco real. O novo modelo, por outro lado, forneceu um preço justo que refletia sua realidade médica real, ao mesmo tempo em que mostrava exatamente quanto cada condição contribuía para esse custo.

Os pesquisadores também mostraram como esse sistema poderia ser usado para recompensar comportamentos saudáveis. Eles integraram um fator que reduz o prêmio se o paciente gerencia ativamente sua saúde, como seguir um regime de medicação ou comparecer a consultas regulares. Isso cria um incentivo financeiro direto para que os pacientes se mantenham saudáveis, transformando o seguro de um contrato estático em uma parceria dinâmica. O estudo conclui que, ao substituir fórmulas lineares rígidas por modelos de aprendizado profundo flexíveis, a indústria de seguros pode finalmente oferecer cobertura justa, transparente e acessível para os milhões de pessoas que há muito tempo são excluídas. O trabalho prova que, com as ferramentas certas, é possível precificar o risco com precisão sem sacrificar a justiça, garantindo que aqueles com condições crônicas não sejam deixados para trás.