Mémoires d'Actuariat
L'influence de la sélection médicale en temps de pandémie sur la sinistralité en prévoyance individuelle
Auteur(s) OUDIN E.
Société SwissLife Santé & Prévoyance
Année 2023
Confidentiel jusqu'au 13/01/2025
Résumé
Mots clés: Prévoyance Individuelle, Sélection Médicale, Ratio de Morbidité, GLM, Arbres CART, Forêts Aléatoires, GBM, ORSA Première étape obligatoire lors de la souscription d’un contrat d’assurance en prévoyance individuelle, la sélection médicale permet à l’assureur d’acquérir une connaissance plus approfondie du futur assuré destiné à être couvert par le contrat. Toutefois, l’état de santé d’une personne n’étant pas figé dans le temps, l’évaluation établie lors de la souscription est amenée à évoluer, rendant ainsi obsolètes après plusieurs années les informations recueillies relatives à la personne. Il devient alors nécessaire de mettre en place des solutions pour dépasser les limites de la sélection médicale. Dans ce mémoire, une solution sera proposée afin d’atténuer cette limitation dans le temps au travers de la modélisation d’une revalorisation s’appuyant sur la théorie des GLM. Par ailleurs, face à l’apparition de nouveaux enjeux et notamment de nouvelles maladies l’assureur est obligé de sans cesse s’adapter. Ainsi, en parallèle d’un effet limité dans le temps, la sélection médicale doit elle aussi évoluer afin de demeurer efficace. Une illustration de l’évolution du questionnaire médical dans le cas de la Covid sera ainsi proposée dans ce mémoire, nécessitant le recours à différentes méthodes de Machine Learning telles que les arbres CART, les forêts aléatoires et les algorithmes de Gradient Boosting. Enfin, en complément de l’évolution du système de sélection médicale, dans le cas où cette solution ne serait pas retenue, les conséquences de ces nouveaux enjeux seront mesurées dans le cadre d’un scénario ORSA.
Abstract
Key words: Individual Cover, Medical Selection, Morbidity Rate, GLM, Decision Trees, Random Forests, GBM, ORSA Medical selection is the first mandatory step in taking out an individual insurance contract. It allows insurer to acquire a more in-depth knowledge of the future insured to be covered by the contract. However, since a person's state of health is not fixed in time, the assessment made at the time of underwriting is likely to evolve, making the information collected about the person obsolete after several years. Therefore, solutions must be put in place. In this paper, a solution will be proposed to mitigate this limitation effect through the modeling of a revaluation based on the GLM theory. Furthermore, the insurers must adapt their medical selection methods to new issues like new diseases. Thus, in parallel with a limited effect in time, medical selection must also evolve in order to remain effective. An illustration of the evolution of the medical questionnaire in the case of Covid will be proposed in this paper, requiring the use of different Machine Learning methods such as CART trees, random forests and Gradient Boosting algorithms. Finally, in addition to the evolution of the medical selection system, the impact of these new issues will be measured in different ORSA scenarios.
Auteur(s) OUDIN E.
Société SwissLife Santé & Prévoyance
Année 2023
Confidentiel jusqu'au 13/01/2025
Résumé
Mots clés: Prévoyance Individuelle, Sélection Médicale, Ratio de Morbidité, GLM, Arbres CART, Forêts Aléatoires, GBM, ORSA Première étape obligatoire lors de la souscription d’un contrat d’assurance en prévoyance individuelle, la sélection médicale permet à l’assureur d’acquérir une connaissance plus approfondie du futur assuré destiné à être couvert par le contrat. Toutefois, l’état de santé d’une personne n’étant pas figé dans le temps, l’évaluation établie lors de la souscription est amenée à évoluer, rendant ainsi obsolètes après plusieurs années les informations recueillies relatives à la personne. Il devient alors nécessaire de mettre en place des solutions pour dépasser les limites de la sélection médicale. Dans ce mémoire, une solution sera proposée afin d’atténuer cette limitation dans le temps au travers de la modélisation d’une revalorisation s’appuyant sur la théorie des GLM. Par ailleurs, face à l’apparition de nouveaux enjeux et notamment de nouvelles maladies l’assureur est obligé de sans cesse s’adapter. Ainsi, en parallèle d’un effet limité dans le temps, la sélection médicale doit elle aussi évoluer afin de demeurer efficace. Une illustration de l’évolution du questionnaire médical dans le cas de la Covid sera ainsi proposée dans ce mémoire, nécessitant le recours à différentes méthodes de Machine Learning telles que les arbres CART, les forêts aléatoires et les algorithmes de Gradient Boosting. Enfin, en complément de l’évolution du système de sélection médicale, dans le cas où cette solution ne serait pas retenue, les conséquences de ces nouveaux enjeux seront mesurées dans le cadre d’un scénario ORSA.
Abstract
Key words: Individual Cover, Medical Selection, Morbidity Rate, GLM, Decision Trees, Random Forests, GBM, ORSA Medical selection is the first mandatory step in taking out an individual insurance contract. It allows insurer to acquire a more in-depth knowledge of the future insured to be covered by the contract. However, since a person's state of health is not fixed in time, the assessment made at the time of underwriting is likely to evolve, making the information collected about the person obsolete after several years. Therefore, solutions must be put in place. In this paper, a solution will be proposed to mitigate this limitation effect through the modeling of a revaluation based on the GLM theory. Furthermore, the insurers must adapt their medical selection methods to new issues like new diseases. Thus, in parallel with a limited effect in time, medical selection must also evolve in order to remain effective. An illustration of the evolution of the medical questionnaire in the case of Covid will be proposed in this paper, requiring the use of different Machine Learning methods such as CART trees, random forests and Gradient Boosting algorithms. Finally, in addition to the evolution of the medical selection system, the impact of these new issues will be measured in different ORSA scenarios.
