Die Herausforderung
Ein spezialisiertes Versicherungsunternehmen im Medizin- und Gesundheitsbereich wollte seine Preispolitik weiterentwickeln. Dazu musste es die Risiken einzelner Patienten verstehen und seine Preismodelle entsprechend anpassen, mit dem Ziel, erhebliche Einsparungen zu erzielen.
Unsere Lösung
Wir haben eine Anwendung rund um ein Machine-Learning-Modell entwickelt, das die Wahrscheinlichkeit einer bestimmten Erkrankung anhand zahlreicher Eingangsmerkmale und Parameter vorhersagt, darunter die Krankengeschichte. Das Modell ist ein tiefes neuronales Netz, trainiert mit historischen medizinischen Daten aus fünf aufeinanderfolgenden Jahren. Es wurde so konzipiert, dass es typische Schwierigkeiten der Daten wie Klassenungleichgewicht bewältigt.
Zudem haben wir ein Validierungs-Framework aufgebaut, um mehrere Ansätze objektiv zu vergleichen und zu bestätigen, dass das gewählte Modell die Alternativen klar übertrifft.
- Vorhersage von Erkrankungswahrscheinlichkeiten anhand der Krankengeschichte und weiterer Patientenmerkmale
- Deep-Learning-Modell, trainiert mit historischen medizinischen Daten aus fünf aufeinanderfolgenden Jahren
- Umgang mit Klassenungleichgewicht in den Trainingsdaten
- Validierungs-Framework zum objektiven Vergleich konkurrierender Ansätze
Das Ergebnis
Das Modell übertraf die statistischen Basismodelle deutlich. Der Versicherer nutzte die Ergebnisse, um seine Preispolitik zu optimieren, den Umsatz zu steigern und Risiken besser zu steuern – mit erheblichen Einsparungen als Ergebnis.
