Come può l'IA rendere più giusta l'assicurazione sanitaria?

Immagina un’assicurazione sanitaria che calcola i premi in modo trasparente, basandosi su dati reali e non su intuizioni. Un team di ricercatori ha creato un modello ibrido che combina intelligenza artificiale e teoria dei giochi per raggiungere questo obiettivo. Prima di tutto, hanno usato XGBoost, un algoritmo di machine learning, per prevedere quanto costerà ogni sinistro medico. Con un set di dati enorme, il modello ha raggiunto un R² di 0,787, dimostrando una buona capacità predittiva. Per capire perché il modello prende certe decisioni, hanno applicato SHAP, una tecnica che spiega l’influenza di ogni variabile: l’uso dei servizi sanitari, l’età e il tipo di contratto emergono come i fattori più importanti. Ma la parte più intrigante è il gioco tra assicuratore, assicurato e datore di lavoro. I ricercatori hanno modellato queste interazioni come un “gioco ripetuto”, usando il Teorema del Folk per individuare le condizioni in cui tutti i partecipanti possono cooperare a lungo termine, raggiungendo un equilibrio di Nash stabile. In pratica, se le parti considerano il futuro (sconto temporale adeguato), è possibile mantenere premi equi e incentivi allineati. Il risultato è un sistema di pricing più giusto, trasparente e sostenibile, capace di bilanciare rischi e benefici per tutti gli attori coinvolti.

Il modello XGBoost è una forma di gradient boosting che costruisce alberi decisionali in sequenza, correggendo gli errori dei precedenti. In questo studio, è stato addestrato su oltre 200.000 record, includendo variabili demografiche (età, genere), storico clinico (diagnosi, ricoveri) e metriche di utilizzo (numero di visite, farmaci prescritti). La valutazione delle performance ha mostrato un RMSE di 1,64 × 10⁷ IRR e un MAE di 1,08 × 10⁶ IRR, indicando errori assoluti contenuti rispetto ai costi reali. L’analisi SHAP ha permesso di quantificare l’importanza di ciascuna feature: ad esempio, un aumento del 10% nella frequenza delle visite ambulatoriali ha incrementato il valore predetto di circa 5.000 IRR. Parallelamente, la componente di teoria dei giochi è stata formalizzata come un gioco a tre giocatori con payoff dipendente da premi, coperture e costi di sinistro. Il Folk Theorem, applicato a un orizzonte temporale infinito, dimostra che se il fattore di sconto δ supera una soglia critica (≈0,85), le strategie cooperative (premi più bassi in cambio di comportamenti salutari) costituiscono un equilibrio di Nash ripetuto. Questo implica che, a lungo termine, tutti gli attori hanno incentivo a mantenere comportamenti virtuosi, riducendo il rischio di sinistri elevati e migliorando la sostenibilità del sistema. Inoltre, il framework prevede meccanismi di feedback: i risultati SHAP possono essere comunicati agli assicurati per incentivare scelte più sane, creando un ciclo virtuoso di dati, decisioni e comportamenti. La combinazione di predizione accurata, spiegabilità e incentivi strategici apre la strada a sistemi assicurativi più equi, dove la trasparenza è garantita da algoritmi verificabili e le relazioni tra le parti sono stabilizzate da principi di cooperazione a lungo termine.