挖掘醫療數據中的價值，優化保險業的風險管控
許多人為了降低日後可能發生的醫療負擔，會選擇投保醫療保險，隨著年齡增長，保險的費用也會隨之提升。大多數的保險公司，會依據保戶的年齡與性別評估潛在的疾病風險，但是，隨著環境與生活習慣變化，影響個人健康的風險因子也逐漸不同；加上保險商品越來越多元，多數民眾在選購保險商品時，往往不清楚自己的健康狀況適合哪些產品組合，甚至必須要提出多種健康文件讓保險公司作為納保評估。無論是對保戶或是保險公司而言，都十分不方便。
客觀輔助評估，保障民眾受保權
新創團隊 Lydia AI 意識到個人保險的需求，透過NLP（自然語言處理）技術，運用三、四個亞洲國家，逾2000萬筆數據、橫跨 10 年以上的健康資料訓練模型，以「健康分」概念，與金融、保險等應用場域連結互動，提供消費者完善的保障規劃，打造「HaaS（Health-as-a-Service），健康即服務」數位應用平台。透過健康數據搭配疾病風險分析，幫助民眾了解自身健康狀況，達到更快速完整的風險預測，進而優化保險業的風險管控，提出相對應的保障規劃建議。
Lydia AI共同創辦人暨執行長李俊毅解釋，目前保險費用的計算方式，主要是以保費的費率乘上涵蓋單位，其中，保費的費率包括健康風險評估與執行風險兩者總和。如果能透過人工智慧預測健康風險評估的數值，輸入相關的資料並得到高信心的預測結果，就可以直接套用至現行商業規則中；反之，如果得到低信心的預測結果，就只能作為人類決策的輔助。
Lydia AI主要使用電子醫療紀錄（Electronic Health Record, EHR），這也是每個人資料記錄中占比最高的資料。透過Text2Node的技術將EHR的文本投影到Lydia AI研發的醫療知識圖（Graph）中，並從中找到EHR中的醫療概念。
要做到這點，首先要建立一個完整的Graph，Graph中的節點（Node）以及連線（Edge）分別表徵不同的醫療概念（如：疾病、藥物）以及彼此間的關聯。而Node的表徵（Node Embedding）生成方式則是Lydia AI將Graph透過Random Walk的技術產生樣本，並以此樣本訓練得出。接著，製作一個對應函數（Mapping function），將電子醫療紀錄文本的Embedding對應到Node Embedding中。最後，藉由距離最近的幾個Node Embeddings找到最核心的醫療概念。這個核心的醫療概念讓我們了解每個人的健康狀況，以進一步的健康風險評估。
李俊毅說，過去以機器學習進行核保預測時，往往需要考慮多種不同因素，並建立多個模型，如抽菸者的模型、基於信用的死亡率模型等。Lydia AI的健康風險評估則是以全面的角度重新定義問題，透過EHR紀錄幫助保險公司進行更佳的風險控管、提升客戶體驗。
了解NLP模型的可解釋性簡易指南：BERT也懂人話？NLP模型的可解釋性簡易指南