Le défi
Une compagnie d’assurance spécialisée dans le domaine médical et de la santé devait faire évoluer sa politique tarifaire. Pour cela, elle devait comprendre les risques associés à chaque patient et ajuster ses modèles de tarification en conséquence, avec l’objectif de réaliser des économies considérables.
Notre solution
Nous avons construit une application autour d’un modèle de machine learning qui prédit la probabilité d’une maladie donnée à partir de nombreuses variables et paramètres, dont les antécédents médicaux. Le modèle est un réseau de neurones profond entraîné sur des données médicales historiques couvrant cinq années consécutives. Il a été conçu pour surmonter les difficultés propres à ces données, comme le déséquilibre des classes.
Nous avons aussi mis en place un cadre de validation pour comparer objectivement plusieurs approches et confirmer que le modèle retenu surpassait nettement les alternatives.
- Prédiction de la probabilité de maladie à partir des antécédents médicaux et d’autres caractéristiques des patients
- Modèle de deep learning entraîné sur cinq années consécutives de données médicales historiques
- Prise en compte du déséquilibre des classes dans les données d’entraînement
- Cadre de validation pour comparer objectivement les approches concurrentes
Le résultat
Le modèle a nettement surpassé les modèles de référence fondés sur les statistiques. L’assureur s’est appuyé sur ses résultats pour optimiser sa politique tarifaire, augmenter son chiffre d’affaires et mieux gérer ses risques, ce qui lui a permis de réaliser des économies importantes.
