Data Insights | Cas d’usage des MMPP (Markov-modulated Poisson process) en assurance santé

De façon complémentaire, on peut légitimement se demander si en marge de ces effets déjà bien connus et mesurés, ne se profile pas également une détérioration structurelle de la santé des Français. C’est une hypothèse qui devient prégnante au regard des problématiques d’accessibilité aux soins ou de changement climatique qui ont émergé.

Pouvoir mesurer cet effet, au moins à l’échelle d’un portefeuille, devient alors crucial pour les organismes d’assurance. Leurs données, notamment celles relatives aux prestations réglées, représentent alors une ressource précieuse, car elles constituent le meilleur reflet de la santé des assurés qu’il leur est possible d’avoir. Sous réserve évidemment d’une utilisation respectant le cadre du RGPD, elles peuvent alors former le socle d’une modélisation de l’état de santé, qui permet d’analyser finement et objectivement les tendances d’évolution du risque santé dans un portefeuille. Il serait ainsi possible de définir des stratégies de prévention efficientes permettant de contenir les effets liés à la dégradation de l’état de santé, alternative possible aux indexations tarifaires qui semblent aujourd’hui inéluctables.

Une idée, inspirée des travaux de [Mews et al., 2023] est alors de considérer l’évolution du nombre d’interactions avec le système de soins de chaque assuré (dont a connaissance l’assureur) comme un processus de Poisson observable dont l’intensité est modulée par une chaîne de Markov à temps continu (CMTC) inobservable à deux états (état « sain » et état « malade ») : c’est le cadre des processus de Poisson à modulation markovienne.

C’est donc la chaine de Markov qui formalise le concept d’état de santé, dans la mesure où les états de la chaine dictent de manière sous-jacente l’intensité des évènements de soins observés.

Illustration du modèle pour la chronique de soins d’un assuré

A l’inverse, les intensités de soins par état seront supposées être des paramètres communs à tous les assurés, afin pouvoir garder une comparabilité dans la mesure du niveau de santé.

Avec ces hypothèses, les paramètres peuvent alors être inférés par maximum de vraisemblance à partir des observations de tous les assurés. Cela permet d’appliquer l’intérêt majeur de ce modèle, à savoir le décodage de la séquence d’états qui a le plus vraisemblablement mené à la chronique de soins observée grâce à l’algorithme de Viterbi. Pour chaque assuré, il permet en effet de dire de chacun de ses évènements de soins observé s’il s’inscrivait plausiblement dans une période de santé saine ou plus dégradée, en s’appuyant notamment sur le voisinage dudit évènement dans la chronique.

Décodage des états de santé occupés lors des évènements de soins

Et en descendant à une maille inférieure, celle des typologies (sexe x tranche d’âge x profil de risque défini a priori), il y a plus de disparité dans les trajectoires d’évolution du risque modélisé (chacune des courbes grises est associée à une persona du portefeuille). Trois d’entre elles ont été mises en exergue pour illustrer le triple intérêt de la méthodologie :

• Identifier les groupes d’assurés à risque de détérioration saisonnière plus marquée lors des périodes hivernales par exemple (courbe verte), chez qui des incitations à la vaccination antigrippale pourraient entre autres être menées chaque année.
• Identifier les groupes à risque de détérioration progressive et significative (courbe violette), auprès desquels il serait alors pertinent de suggérer et d’étudier des actions de prévention plus spécifiques.
• Identifier les groupes qui voient leur santé ainsi modélisée s’améliorer de manière manifeste (courbe marron), ce qui pourrait permettre de voir les effets postérieurs à la mise en place de plans de prévention et de chiffrer leur impact.

Pour conclure, l’exploration de ce nouveau formalisme de modélisation de la santé présente des possibilités d’analyses concrètes, via notamment la flexibilité de la définition des hypothèses. Les possibilités de configuration sont alors nombreuses, et donnent à cette démarche un intérêt certain pour la compréhension fine des risques santé et de leur évolution en utilisant uniquement les données présentées dans les bases de prestations des OCAM.

Mews, S., Surmann, B., Hasemann, L., and Elkenkamp, S. [2023]. Markov-modulated marked Poisson processes for modeling disease dynamics based on medical claims data. Statistics in Medicine.

Nabil RACHDI
Head of Data Science
Addactis