De uitdaging
Een gespecialiseerde verzekeraar in het medische en zorgdomein wilde zijn prijsbeleid verder ontwikkelen. Daarvoor moest hij de risico’s van individuele patiënten begrijpen en zijn prijsmodellen daarop afstemmen, met als doel aanzienlijke besparingen.
Onze oplossing
Wij bouwden een applicatie rond een machine-learningmodel dat de kans op een bepaalde ziekte voorspelt op basis van veel invoerkenmerken en parameters, waaronder de medische voorgeschiedenis. Het model is een diep neuraal netwerk, getraind op historische medische gegevens over vijf opeenvolgende jaren, en ontworpen om met inherente problemen in de data om te gaan, zoals klasse-onevenwichtigheid.
Daarnaast bouwden we een validatieframework om meerdere benaderingen objectief te vergelijken en te bevestigen dat het gekozen model duidelijk beter presteerde dan de alternatieven.
- Voorspelling van ziektekans op basis van medische voorgeschiedenis en andere patiëntkenmerken
- Deep-learningmodel getraind op vijf opeenvolgende jaren historische medische gegevens
- Omgaan met klasse-onevenwichtigheid in de trainingsdata
- Validatieframework voor objectieve vergelijking van concurrerende benaderingen
Het resultaat
Het model presteerde aanzienlijk beter dan de statistische basismodellen. De verzekeraar gebruikte de uitkomsten om het prijsbeleid te optimaliseren, de omzet te verhogen en risico’s beter te beheren, wat tot aanzienlijke besparingen leidde.
