Mémoires d'Actuariat
L’Intégration du Machine Learning dans la Prévision des Dépenses de Santé d’Entreprise
Auteur(s) AISSAOUI Q.
Société Kenko
Année 2024
Confidentiel jusqu'au 18/04/2026
Résumé
This dissertation focuses on the development and implementation of budget projection models specific to group healthcare in France. The aim of this work is to provide companies with sophisticated tools for an in-depth understanding of their healthcare expenditure. The main objective is to provide an overview of mutual insurance reimbursements in relation to the company's healthcare services. In addition, the tool developed based on the research carried out in this dissertation will make it possible to predict the annual amount employees will have to pay, depending on the various formulas offered by the insurer. This will help policyholders to identify the offer that best suits the specific characteristics of their company. To consolidate these projections, we need to calculate the mutual insurance reimbursements and the residual costs for employees, based on the various data available to us. The analysis begins with the application of a generalised linear model (GLM), commonly used in the budget projection of healthcare expenditure. More sophisticated models such as XGBoost and LightGBM will then be explored. Finally, a neural network will be integrated to refine the accuracy of the overall model. Once the optimised projection model for the reimbursement of healthcare costs and the out-of-pocket expenses of employees has been identified, it considers future developments in the healthcare field and within the company concerned. The model is then used to inform the average remaining out-of-pocket expenses for employees, based on the different levels of cover available in our products.
Abstract
Ce mémoire se consacre à l’élaboration et à la mise en œuvre de modèles de projection budgétaire spécifiques au domaine de la santé collective en France. L’ambition de ce travail est de fournir aux entreprises des outils sophistiqués pour une compréhension approfondie de leurs dépenses de santé. L’objectif principal est de permettre d’avoir une visualisation des remboursements de la mutuelle vis-à-vis des prestations de santé de l’entreprise. En outre, l’outil développé à partir des recherches menées dans ce mémoire permettra de prévoir le montant annuel restant à la charge des salariés en fonction des diverses formules proposées par l’assureur. Cela aidera les souscripteurs à identifier l’offre qui correspond le mieux aux spécificités de leur entreprise. Afin de consolider ces projections, nous devrons calculer les remboursements de la mutuelle et les charges résiduelles pour les salariés, en s’appuyant sur les différentes données à notre disposition. L’analyse débute avec l’application d’un modèle linéaire généralisé (GLM), couramment utilisé dans la projection budgétaire des dépenses de santé. Par la suite, des modèles plus sophistiqués tels que XGBoost et LightGBM seront explorés. Enfin, un réseau de neurones sera intégré pour affiner la précision du modèle global. Une fois le modèle de projection optimisé pour le remboursement des dépenses de santé et du reste à charge des salariés identifié, celui-ci prend en compte les évolutions futures dans le domaine de la santé et au sein de l’entreprise concernée. Le modèle est ensuite utilisé pour informer du montant moyen restant à charge des salariés, en fonction des différents niveaux de garanties disponibles dans nos produits.
Auteur(s) AISSAOUI Q.
Société Kenko
Année 2024
Confidentiel jusqu'au 18/04/2026
Résumé
This dissertation focuses on the development and implementation of budget projection models specific to group healthcare in France. The aim of this work is to provide companies with sophisticated tools for an in-depth understanding of their healthcare expenditure. The main objective is to provide an overview of mutual insurance reimbursements in relation to the company's healthcare services. In addition, the tool developed based on the research carried out in this dissertation will make it possible to predict the annual amount employees will have to pay, depending on the various formulas offered by the insurer. This will help policyholders to identify the offer that best suits the specific characteristics of their company. To consolidate these projections, we need to calculate the mutual insurance reimbursements and the residual costs for employees, based on the various data available to us. The analysis begins with the application of a generalised linear model (GLM), commonly used in the budget projection of healthcare expenditure. More sophisticated models such as XGBoost and LightGBM will then be explored. Finally, a neural network will be integrated to refine the accuracy of the overall model. Once the optimised projection model for the reimbursement of healthcare costs and the out-of-pocket expenses of employees has been identified, it considers future developments in the healthcare field and within the company concerned. The model is then used to inform the average remaining out-of-pocket expenses for employees, based on the different levels of cover available in our products.
Abstract
Ce mémoire se consacre à l’élaboration et à la mise en œuvre de modèles de projection budgétaire spécifiques au domaine de la santé collective en France. L’ambition de ce travail est de fournir aux entreprises des outils sophistiqués pour une compréhension approfondie de leurs dépenses de santé. L’objectif principal est de permettre d’avoir une visualisation des remboursements de la mutuelle vis-à-vis des prestations de santé de l’entreprise. En outre, l’outil développé à partir des recherches menées dans ce mémoire permettra de prévoir le montant annuel restant à la charge des salariés en fonction des diverses formules proposées par l’assureur. Cela aidera les souscripteurs à identifier l’offre qui correspond le mieux aux spécificités de leur entreprise. Afin de consolider ces projections, nous devrons calculer les remboursements de la mutuelle et les charges résiduelles pour les salariés, en s’appuyant sur les différentes données à notre disposition. L’analyse débute avec l’application d’un modèle linéaire généralisé (GLM), couramment utilisé dans la projection budgétaire des dépenses de santé. Par la suite, des modèles plus sophistiqués tels que XGBoost et LightGBM seront explorés. Enfin, un réseau de neurones sera intégré pour affiner la précision du modèle global. Une fois le modèle de projection optimisé pour le remboursement des dépenses de santé et du reste à charge des salariés identifié, celui-ci prend en compte les évolutions futures dans le domaine de la santé et au sein de l’entreprise concernée. Le modèle est ensuite utilisé pour informer du montant moyen restant à charge des salariés, en fonction des différents niveaux de garanties disponibles dans nos produits.
