Sie befinden sich hier
Inhalt
Entwicklung eines kurzen Survey-Moduls zur Messung von Risikoaversion und Prudence über Outcomes und Zeit
(zusammen mit der TU Hamburg)
Die jüngsten Krisen verdeutlichen die Bedeutung von Risiken mit geringer Wahrscheinlichkeit und hoher Schadenswirkung. In diesen Fällen ist Risikoaversion zweiter Ordnung nicht ausreichend, um Entscheidungen unter Unsicherheit zu erklären. Es müssen vielmehr Risikopräferenzen höherer Ordnung, wie z.B. Prudence sowie Risikopräferenzen hinsichtlich des Zeitpunkts von Ereignissen berücksichtigt werden. Diese Präferenzen haben z.B. Auswirkungen auf Sparentscheidungen, Verhandlungen oder auch Präventionsentscheidungen. Leider ist die Ermittlung solcher Präferenzen bis heute komplex, zeitaufwändig und damit teuer. Ziel des geförderten Projektes ist daher die Entwicklung und Validierung eines kostengünstigen Survey-Moduls zur Erhebung dieser Präferenzen in großen Umfragen. Damit leisten wir einen Beitrag zur empirischen Forschung und zu evidenzbasierter Politikgestaltung.
Anwendungen der Fuzzy-Set-Theorie in der statistischen Testtheorie und der stochastischen Schadenreservierung
Versicherungsunternehmen stehen vor der Herausforderung, zukünftige Schadenzahlungen unter hoher Unsicherheit zu prognostizieren. Klassische Verfahren wie das Chain-Ladder-Verfahren berücksichtigen Unsicherheiten nicht und binden vorhandenes Expertenwissen nicht ein.
Ziel des Projekts ist die Entwicklung eines verallgemeinerten Chain-Ladder-Verfahrens mit unscharf adjustierten Abwicklungsfaktoren. Dabei werden öffentlich zugängliche Finanzberichte und strukturierte Versicherungsdaten genutzt, um Abwicklungsdreiecke zu extrahieren, empirische Verteilungen von Chain-Ladder-Faktoren zu schätzen und nicht-lineare Zugehörigkeitsfunktionen zu konstruieren, die Heterogenität, zeitliche und räumliche Abhängigkeiten sowie ökonomische Schocks berücksichtigen. Gleichzeitig wird qualitatives Expertenwissen aus den Finanzberichten ausgelesen und methodisch in die Analyse integriert.
Das Verfahren kombiniert datengetriebene Methoden wie Text-Mining und Bootstrap-Verfahren mit der Fuzzy-Set-Theorie, um sowohl explizites als auch implizites Expertenwissen zu integrieren. Dadurch werden die Prognosen der Schadenreserven präzisiert und das Risiko quantifizierbar gemacht, was eine praxisnahe und reproduzierbare Lösung für die Aktuarwissenschaft bietet.
Modellierung und Evaluation moderner KI-Verfahren zur Diagnostik und Prävention Kardiovaskulärer Erkrankungen
Kardiovaskuläre Erkrankungen zählen weltweit zu den häufigsten Todesursachen. Moderne KI-Verfahren ermöglichen eine präzisere Auswertung koronarer CT-Angiographien (CCTA) und bieten große Vorteile für Diagnostik und Prävention. Während klinische Studien bereits Vorteile in der diagnostischen Genauigkeit und eine Reduktion unnötiger invasiver Eingriffe zeigen, sind die mittel- und langfristigen Auswirkungen auf Kosten und Versorgungseffizienz bislang unklar.
Ziel des Projekts ist eine modellbasierte, gesundheitsökonomische Evaluation dieser KI-gestützten Verfahren auf Grundlage der klinischen Studien PARAMOUNT und TRANSFORM. Mithilfe von Mikrosimulationsmodellen werden Effekte auf klinische Ergebnisse, Lebensqualität und Gesundheitskosten untersucht, um eine evidenzbasierte Entscheidungsgrundlage für den Einsatz in der Regelversorgung zu schaffen.
Prognostische Risikobewertung anhand von GKV-Routinedaten bei chronischer Nierenerkrankung – PRED(i)CKD
(zusammen mit der LiKe Healthcare Research GmbH, der AOK Rheinland/Hamburg, der Hochschule Harz, dem Universitätsklinikum Bonn und der Universität Bonn sowie dem RWI – Leibniz-Institut für Wirtschaftsforschung)
Etwa zehn Prozent der über 40-Jährigen in Deutschland leiden an einer chronischen Nierenerkrankung (CKD). Da die Erkrankung in frühen Stadien oft ohne Beschwerden verläuft, wird sie häufig erst spät diagnostiziert. Dies geht mit schwerwiegenden Folgen für die Betroffenen und hohen Kosten für das Gesundheitssystem einher. PRED(i)CKD setzt genau hier an: Es entwickelt einen innovativen Prognosescore, der Patientinnen und Patienten mit hohem Risiko durch den Einsatz von Künstlicher Intelligenz und Krankenkassendaten frühzeitig identifiziert.
Das Projekt verfolgt einen zweistufigen Ansatz: Zunächst werden mithilfe von Regressionsmodellen anhand von Krankenkassendaten Risikofaktoren identifiziert, die eine Vorhersage verschiedener Folgeereignisse der Erkrankung, wie beispielsweise Dialysepflicht, akutes Nierenversagen oder Sterblichkeit erlauben. Parallel kommen leistungsstarke KI-basierte Modelle, sogenannte Transformer, zum Einsatz, um neue Risikofaktoren für die CKD zu entdecken. Die Ergebnisse beider Ansätze werden schließlich zu einem Modell kombiniert, das den Prognosescore ermittelt. Begleitend wird eine Kostenanalyse der Versorgungssituation durchgeführt.