An actuarial model of arrhythmogenic right ventricular cardiomyopathy and life insurance
Notice bibliographique
Résumé
Many countries ban insurers from using genetic test results in underwriting. One study [Howard, R. C. W. (2014). Report to CIA research committee: Genetic testing model: If the underwriters had no access to known results. Canadian Institute of Actuaries (CIA).] stated that such a ban in Canada would expose life insurers to adverse selection, causing premiums to increase by 12%. More than a quarter of this cost was attributable to a single disorder, Arrhythmogenic Right Ventricular Cardiomyopathy (ARVC). We model ARVC in a life insurance market, following the methodology of [Haçarız, O., Kleinow, T. & Macdonald, A. S. (2021). Genetics, insurance and hypertrophic cardiomyopathy. Scandinavian Actuarial Journal 2021, 54–81.], including ‘cascade’ genetic testing (CGT), so the rôle of family history in underwriting is modelled explicitly. We review (in the Appendix) the published epidemiology of ARVC, in particular the existence of an effective treatment, which we also include in our model. Our results are consistent with those of [Macdonald, A. S. & Yu, F. (2011). The impact of genetic information on the insurance industry: Conclusions from the ‘bottom-up’ modelling programme. Astin Bulletin 41(02), 343–376.] and [Haçarız, O., Kleinow, T. & Macdonald, A. S. (2021). Genetics, insurance and hypertrophic cardiomyopathy. Scandinavian Actuarial Journal 2021, 54–81.], namely, that in realistic scenarios premium increases would be negligible. We also consider the possibility of life settlement companies ‘gaming’ insurers by learning of adverse genetic test results, and conclude that to profit from purchasing policies from affected individuals, they would have to predict the future trajectory of the epidemiology of ARVC better than the epidemiologists themselves.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».