Участник «Сколково» представил сервис андеррайтинга в медицинском страховании

Компания «К-Скай», участник «Сколково», разработчик платформы прогнозной аналитики Webiomed, завершила создание и валидацию новой прогностической модели на основе машинного обучения для оценки рисков наступления страховых случаев. Продукт предназначен для цифровой трансформации процесса андеррайтинга в медицинском страховании, включая ДМС.

 

Разработанный алгоритм lightgbm позволяет страховым компаниям с высокой точностью выявлять застрахованных с повышенным риском госпитализаций и сложных амбулаторных визитов - событий, формирующих основную часть страховых выплат.

 

Применение сервиса позволяет существенно повысить эффективность управления программами страхования, перейдя от усреднённых тарифов к персонализированной оценке риска на основе комбинации медицинских и региональных данных.

 

Модель обучена на обезличенных данных 44 083 пациентов трудоспособного возраста, а также на агрегированных макропоказателях субъектов Российской Федерации. Итоговая прогностическая точность модели (AUC ROC = 0,794) подтверждает её эффективность и готовность к интеграции в реальные процессы ценообразования.

 

Что именно прогнозирует модель

Целевым событием для модели является эскалационный первичный визит за медицинской помощью в прогнозируемом периоде. Под ним понимаются:

·         госпитализация (случай стационарного лечения любой длительности);

·         амбулаторный визит, в ходе которого выполнялись лабораторные и/или инструментальные исследования (клинический анализ крови, ЭКГ, УЗИ, рентгенография) или осмотр пациента, который проводили два или более врача различных специальностей.

 

Из целевого события исключены стоматологические приёмы, профилактические осмотры без дополнительных исследований и диспансерное наблюдение без активного лечения. Такие исключения позволяют модели фокусироваться именно на затратоёмких случаях.

 

Региональный контекст: учёт системных факторов здравоохранения

Уникальность созданной модели заключается в комплексном учёте региональных особенностей. В нее интегрированы не абстрактные «коэффициенты региона», а агрегированные макропоказатели по четырём блокам: демография, экономика, здоровье населения и здравоохранение. Для создания обучающего набора были использованы данные Росстата, ЕМИСС и сборников «Регионы России». Учет региональных особенностей позволяет:

·         выявлять связи между социально-экономическими условиями и частотой эскалационных обращений;

·         применять модель для регионов, которые не входили в исходную выборку из 44 субъектов - достаточно подставить актуальные статистические показатели;

·         учитывать динамику региональных систем здравоохранения при регулярной перекалибровке модели.

 

В совокупности региональные признаки объясняют около 7% дисперсии прогноза, что подтверждает их значимость для андеррайтинга и ценообразования.

 

Интерпретируемость «чёрного ящика»: SHAP-анализ

Для преодоления главного барьера на пути внедрения сложных алгоритмов - непрозрачности прогнозов - команда Webiomed применила метод SHAP (shapley Additive explanations). SHAP-значения позволяют:

·         декомпозировать каждый прогноз на вклад отдельных признаков;

·         показать направление влияния фактора (увеличивает или снижает риск);

·         интерпретировать как глобальные закономерности (на уровне всей выборки), так и индивидуальные прогнозы для конкретного застрахованного.

Это даёт страховым аналитикам большую прозрачность модели, повышая доверие к её рекомендациям.

 

Готовое инженерное решение: веб-сервис

Помимо самой прогностической модели, в платформу Webiomed встроен автономный веб-сервис, который обеспечивает удобный интерфейс доступ к модели андеррайтинга. Решение работает в двух режимах:

·         по API - для интеграции с внутренними информационными системами страховой компании;

·         через веб-форму - на основе базовых демографических и общих данных о застрахованном лице, без необходимости глубокого погружения в ЭМК.

 

В рамках веб-сервиса реализовано два разных режима работы: «полные данные» и «минимум данных». Последний работает при условии получения минимума демографических данных и сведений о характере работы застрахованного. Это позволяет страховщикам гибко встраивать решение в существующие бизнес-процессы, не обладая доступом к медицинским данным о застрахованном.

 

Разработанное решение е прошло валидацию на реальных данных и готово к пилотным внедрениям в страховых компаниях, работающих с корпоративными договорами ДМС, а также в информационных системах и проектах, предназначенных для цифровой трансформации промышленной медицины.

 

«Цифровая трансформация в медицинском страховании — это уже не вопрос «модно или нет», а вопрос выживания на рынке. Раньше андеррайтер вручную изучал данные клиента, сопоставлял её с тарифами и решал, стоит ли страховать человека и сколько это будет стоить. Это долго, дорого и субъективно. Прогностические возможности ИИ- решений справляются с этой задачей точнее, анализируют массивы данных, учитывая региональные особенности, специфику образа жизни, внешние факторы. Это позволяет страховой компании не просто «покрывать расходы», а предлагать клиенту своевременную профилактику, которая обходится дешевле и для пациента, и для системы в целом», — подчеркнула Елена Макарова, руководитель  ИИ направления Webiomed.