Dieses Repository bündelt die frei verfügbaren Werkzeuge der Arbeitsgruppe „Künstliche Intelligenz und moderne Methoden in der Krankenversicherung“ des Ausschusses Krankenversicherung der Deutschen Aktuarvereinigung e. V. (DAV). Die Arbeitsgruppe untersucht, wie künstliche Intelligenz (KI), maschinelles Lernen und moderne Softwareentwicklung die aktuarielle Arbeit in der privaten Krankenversicherung (PKV) unterstützen können – von der Beitragsanpassung bis zur Qualitätssicherung zentraler Dokumente.
| Deliverable | Kurzbeschreibung |
|---|---|
| Limitierungstool | Streamlit-Anwendung für Bestandsanalyse und Limitierungsrechnung bei Beitragsanpassungen in der PKV: regelbasierte Limitierung (tarif- und personenbezogene Caps), Sensitivitätsanalysen, Mittelquellen-Steuerung und Einmaleinlagen-Berechnung über Barwertfaktoren. |
| TB-Validierung | Jupyter-Notebook zur automatisierten Validierung Technischer Berechnungsgrundlagen (TB) im PDF-Format – 13 deterministische und 6 LLM-gestützte Prüfungen (LLM = Large Language Model, großes Sprachmodell) – samt einer vollsynthetischen Test-TB mit 13 dokumentierten Fehlern als messbarem Wirksamkeitsnachweis. |
| Fallprognose: Wiedereinweisung | Jupyter-Notebook (Python) zur Ereignisprognose mit maschinellem Lernen: Wiedereinweisungswahrscheinlichkeit ins Krankenhaus, von einem CatBoost-Basismodell über SHAP, Hyperparameter-Optimierung, neuronale Netze und regularisierte logistische Regression bis AutoGluon. Übertragbar auf andere binäre Klassifikationen, etwa eine Stornoprognose. |
| Prämienstruktur | R-Markdown-Analyse eines Krankenversicherungsbestands: explorative Untersuchung der Bestands- und Prämienstruktur, Identifikation nicht ausgewiesener Produktsegmente und Modellierung des Prämienniveaus mit Regressions- und Gamma-GLM-Ansätzen. Niedrigschwelliger Einstieg in die Open-Source-Analytik. |
Alle vier Deliverables werden im Ergebnisbericht der Arbeitsgruppe („Künstliche Intelligenz und moderne Methoden in der Krankenversicherung“) als Praxisbeispiele vertieft beschrieben – in den Abschnitten 5.1, 5.2, 5.4 und 5.5.
├── limitierungstool/ Streamlit-App inkl. Tests, Mock-Daten-Generator und Doku
│ └── README.md Einstieg, Datenverträge, Bedienung, fachlicher Kern
├── tb-validierung/
│ ├── synthetische-tb/ vollsynthetische Test-TB (fehlerfreie + fehlerhafte Fassung,
│ │ LaTeX-Quellen, Kalkulationspipeline, Referenzwerte)
│ ├── validierungsnotebook/ Prüf-Notebook mit gespeichertem Nachweis-Lauf
│ └── README.md Zielsetzung, Setup, Nutzung, Reproduktionskette
├── fallprognose-wiedereinweisung/
│ ├── hospital-readmission.ipynb ausführbares Jupyter-Notebook (mit Ergebnissen)
│ ├── hospital-readmission.html dokumentierter HTML-Analysebericht
│ ├── data/README.md Bezugsquellen der Eingangsdaten
│ └── README.md Inhalt, Datenbasis, Ausführung, Herkunft
└── praemienstruktur/
├── praemienstruktur.Rmd ausführbarer R-Markdown-Code
├── praemienstruktur.html dokumentierter HTML-Analysebericht
├── data/README.md Bezugsquelle der Eingangsdaten
└── README.md Inhalt, Datenbasis, Ausführung
- Limitierungstool:
cd limitierungstool, dann den Schritten im dortigen README folgen (venv,pip install -r requirements.txt, Mock-Daten erzeugen,streamlit run app.py). - TB-Validierung:
cd tb-validierung, dann den Schritten im dortigen README folgen (venv,pip install -r requirements.txt, Notebook öffnen und „Run All“ ausführen; die LLM-Prüfungen benötigen einen API-Schlüssel, die 13 deterministischen Prüfungen laufen auch ohne). - Fallprognose: Wiedereinweisung: siehe README. Das Notebook ist für die Ausführung auf Kaggle geschrieben; die beiden benötigten Datensätze sind dort per Add Input einzubinden.
- Prämienstruktur: siehe README. Excel-Datei
des Datensatzes nach
praemienstruktur/data/legen, dannpraemienstruktur.Rmdin RStudio öffnen und Knit ausführen.
Beide Analyse-Notebooks liegen zusätzlich als HTML-Analysebericht bei – darin ist der komplette Lauf samt allen Grafiken und Tabellen enthalten, sodass sich die Ergebnisse ohne Python- oder R-Umgebung nachlesen lassen.
- Alle in diesem Repository enthaltenen oder erzeugten Daten sind ausschließlich synthetisch bzw. simuliert: Das Limitierungstool arbeitet auf frei generierten Mock-Beständen, die Test-TB gehört zum fiktiven Tarif „VitalPlus“ der fiktiven „Feldafinger Brandkasse (FFBK)“. Es sind keine Echt-, Mandanten- oder personenbezogenen Daten enthalten.
- Die beiden Analyse-Notebooks arbeiten auf öffentlich verfügbaren,
anonymisierten Fremddatensätzen (US-Krankenhausfälle bzw. ein
spanischer Krankenversicherungsbestand). Diese Daten sind nicht Teil
dieses Repositorys; Bezugsquelle, Zitierweise und Nutzungsbedingungen
stehen im jeweiligen
data/README.md. Vergleichbare öffentlich zugängliche, branchenspezifische Datensätze aus Deutschland sind der Arbeitsgruppe nicht bekannt. - Die Werkzeuge sind Arbeitsergebnisse der Arbeitsgruppe und stellen keine berufsständisch legitimierte Position der DAV dar. Sie ersetzen weder aktuarielle Prüfung noch rechtliche Beratung; ein produktiver Einsatz erfordert eine eigenverantwortliche Validierung im jeweiligen Unternehmenskontext (u. a. mit Blick auf EU-KI-Verordnung, DORA und unternehmensinterne Governance).
- Ein unauffälliges Prüfergebnis der TB-Validierung ist kein Nachweis der Fehlerfreiheit eines Dokuments, sondern reduziert das Restrisiko.
Arbeitsgruppe „Künstliche Intelligenz und moderne Methoden in der Krankenversicherung“ (Ausschuss Krankenversicherung der DAV):
- Simon Hatzesberger (@simonhatzesberger, simon.hatzesberger@gmail.com)
- Daniel Hasler (@DanielHustler)
- Friedrich Loser
- Marco Nickel
Fragen und Anregungen gerne auch als GitHub-Issue.
MIT-Lizenz – Nutzung, Änderung und auch kommerzielle Verwendung sind ausdrücklich erlaubt.