Участник «Сколково» представил сервис андеррайтинга в медицинском страховании

Компания «К-Скай», участник проекта «Сколково» и разработчик платформы прогнозной аналитики Webiomed, завершила создание и валидацию прогностической модели для оценки рисков наступления страховых случаев. Решение на основе машинного обучения предназначено для цифровой трансформации андеррайтинга в медицинском страховании, включая добровольное медицинское страхование.

Разработка должна помочь страховым компаниям выявлять застрахованных с повышенным риском госпитализаций и сложных амбулаторных визитов. Именно такие события, по информации разработчика, формируют основную часть страховых выплат.

Что прогнозирует модель Webiomed

Алгоритм lightgbm оценивает вероятность наступления целевого события — эскалационного первичного визита за медицинской помощью в прогнозируемом периоде. К таким событиям отнесены:

• госпитализация — случай стационарного лечения любой длительности;
• амбулаторный визит, в ходе которого проводились лабораторные и (или) инструментальные исследования: клинический анализ крови, ЭКГ, УЗИ, рентгенография;
• осмотр пациента, проведённый двумя или более врачами разных специальностей.

При этом стоматологические приёмы, профилактические осмотры без дополнительных исследований и диспансерное наблюдение без активного лечения не включаются в целевое событие. Такой подход позволяет сосредоточить прогноз на затратоёмких случаях.

Данные, точность и региональные показатели

Модель обучали на обезличенных данных 44 083 пациентов трудоспособного возраста, а также на агрегированных макропоказателях субъектов Российской Федерации. Итоговая прогностическая точность составила AUC ROC = 0,794. В «К-Скай» считают, что результат подтверждает эффективность решения и его готовность к интеграции в процессы ценообразования.

Отдельная особенность модели — учёт регионального контекста. Вместо абстрактных коэффициентов регионов в неё включены агрегированные показатели по четырём блокам:

• демография;
• экономика;
• здоровье населения;
• здравоохранение.

Для формирования обучающего набора использовались данные Росстата, ЕМИСС и сборников «Регионы России». Региональные признаки объясняют около 7% дисперсии прогноза. Они позволяют находить связи между социально-экономическими условиями и частотой эскалационных обращений, а также применять модель в регионах, которые не входили в исходную выборку из 44 субъектов, подставляя актуальные статистические показатели.

Почему важна объяснимость прогноза

Для интерпретации результатов команда Webiomed применила SHAP-анализ — shapley Additive explanations. Метод позволяет разложить каждый прогноз на вклад отдельных признаков, показать направление влияния фактора на риск и анализировать закономерности как по всей выборке, так и по конкретному застрахованному.

Для страховых аналитиков это означает более прозрачную логику работы модели: можно увидеть, какие факторы увеличивают или снижают прогнозируемый риск. Разработчик связывает такую интерпретируемость с ростом доверия к рекомендациям алгоритма.

Как сервис встраивается в страховые процессы

В платформу Webiomed встроен автономный веб-сервис с интерфейсом доступа к модели андеррайтинга. Решение предусматривает два способа работы:

• по API — для интеграции с внутренними информационными системами страховой компании;
• через веб-форму — на основе базовых демографических и общих данных о застрахованном лице.

В веб-сервисе доступны режимы «полные данные» и «минимум данных». Во втором случае требуются минимальные демографические сведения и данные о характере работы застрахованного. Это даёт возможность использовать сервис без доступа к медицинским данным о человеке.

Готовность к пилотам и значение для участников проекта

Разработка прошла валидацию на реальных данных и готова к пилотным внедрениям в страховых компаниях, работающих с корпоративными договорами ДМС. Также решение может применяться в информационных системах и проектах цифровой трансформации промышленной медицины.

Для компаний, которые подают заявку на статус участника проекта «Сколково» или уже развивают технологии в этом статусе, кейс «К-Скай» показывает практический контур технологического продукта: от модели и обучающей выборки до валидации, объяснимости результатов и вариантов интеграции в процессы заказчика. В данном случае разработчик описывает не только алгоритм, но и сценарии его применения в андеррайтинге медицинского страхования.

«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.

Частые вопросы

Какая компания разработала сервис андеррайтинга?

Сервис разработала компания «К-Скай» — участник проекта «Сколково» и разработчик платформы прогнозной аналитики Webiomed.

Для какого страхования предназначено решение?

Продукт предназначен для цифровой трансформации андеррайтинга в медицинском страховании, включая ДМС.

Какие случаи оценивает прогностическая модель?

Модель прогнозирует риск эскалационного первичного визита за медицинской помощью: госпитализации либо сложного амбулаторного визита с исследованиями или осмотром двумя и более врачами разных специальностей.

На каких данных обучали модель?

Использовались обезличенные данные 44 083 пациентов трудоспособного возраста и агрегированные макропоказатели субъектов Российской Федерации.

Можно ли использовать сервис без медицинских данных застрахованного?

Да, режим «минимум данных» работает при наличии минимальных демографических сведений и информации о характере работы застрахованного.

Готово ли решение к внедрению?

Разработка прошла валидацию на реальных данных и готова к пилотным внедрениям в страховых компаниях с корпоративными договорами ДМС, а также в проектах цифровой трансформации промышленной медицины.