用于健康保险计划透明定价的准确且可解释的机器学习
计算机与社会
2021-03-02 v2 机器学习
机器学习
摘要
健康保险公司通过商业雇主赞助的健康计划覆盖了美国一半的人口，并每年支付1.2万亿美元用于支付其成员的医疗费用。健康保险公司中的精算师和承保人职责在于评估承担哪些风险以及如何为这些风险定价，以确保组织的盈利能力。虽然贝叶斯分层模型目前是行业内估计风险的标准方法，但将机器学习作为改进这些现有方法手段的兴趣正在增长。医疗分析公司Lumiata与美国一家大型健康保险公司开展了一项研究。我们评估了机器学习模型预测雇主群体在其下一个续保期内每人每月成本的能力，特别是那些成本低于精算模型预测值95%的群体（具有“让步机会”的群体）。我们开发了一系列两个模型，一个患者个体层面模型和一个雇主群体层面模型，基于1400万患者群体预测雇主群体的年度每人每月允许金额。我们的模型比保险 carrier 现有的定价模型表现好20%，并识别出了84%的让步机会。本研究展示了机器学习系统在计算准确且公平的健康保险产品价格中的应用，并分析了可解释机器学习模型如何在保持可解释性的同时超越精算模型的预测准确性。
引用
@article{arxiv.2009.10990,
title = {Accurate and Interpretable Machine Learning for Transparent Pricing of Health Insurance Plans},
author = {Rohun Kshirsagar and Li-Yen Hsu and Vatshank Chaturvedi and Charles H. Greenberg and Matthew McClelland and Anushadevi Mohan and Wideet Shende and Nicolas P. Tilmans and Renzo Frigato and Min Guo and Ankit Chheda and Meredith Trotter and Shonket Ray and Arnold Lee and Miguel Alvarado},
journal= {arXiv preprint arXiv:2009.10990},
year = {2021}
}
备注
Accepted for publication in The Thirty-Fifth AAAI Conference on Artificial Intelligence (AAAI-21), in the Innovative Applications of Artificial Intelligence track. This is the extended version with some stylistic fixes from the first posting and complete author list