GAN-i za črne labode v nezgodnem zavarovanju

Uvod v izzive modeliranja redkih dogodkov v nezgodnem zavarovanju

V zavarovalništvu se pogosto srečujemo s tveganji, katerih verjetnost je izjemno nizka, a imajo v primeru uresničitve katastrofalne posledice. V domeni nezgodnega zavarovanja so to lahko dogodki, ki povzročijo trajno hudo invalidnost, kompleksne poškodbe z dolgotrajno rehabilitacijo ali celo smrt, a se pojavljajo s frekvenco, ki ne omogoča robustnega statističnega vzorčenja iz realnih podatkov. Standardni modeli, ki temeljijo na predpostavkah normalne distribucije ali zadostnega števila opazovanj, pogosto podcenjujejo tveganja, povezana s skrajnimi vrednostmi, kar vodi do neustreznih cen in kapitalskih zahtev.

Problem »črnih labodov«, kot jih je populariziral Nassim Nicholas Taleb, je še posebej pereč. Ti dogodki so značilni po svoji nepredvidljivosti, izjemnem vplivu in naknadni razložljivosti. V kontekstu nezgodnega zavarovanja se lahko manifestirajo kot popolnoma nove vrste poškodb, ki jih povzročijo neznani dejavniki, ali izjemno redke kombinacije dejavnikov, ki privedejo do nepričakovanih posledic. Zato potrebujemo napredne metodologije, ki nam omogočajo generiranje verodostojnih scenarijev tudi tam, kjer realnih podatkov primanjkuje, in nam pomagajo pri kvantifikaciji tveganj, ki jih klasične metode preprosto ne morejo zajeti.

Generativna nasprotniška omrežja (GAN) kot rešitev za pomanjkanje podatkov o ekstremnih vrednostih

Generativna nasprotniška omrežja (GAN) so se v zadnjem desetletju izkazala kot izjemno močno orodje za generiranje sintetičnih podatkov, ki so po svojih statističnih značilnostih zelo podobni realnim. Ta arhitektura, ki jo je leta 2014 predstavil Ian Goodfellow, temelji na konfliktnem sodelovanju dveh nevronskih mrež: generatorja (G), ki generira sintetične podatke iz naključnega šuma, in diskriminatorja (D), ki poskuša razlikovati med realnimi in sintetičnimi podatki. Cilj generatorja je ustvariti tako verodostojne podatke, da jih diskriminator ne more ločiti od realnih, medtem ko je cilj diskriminatorja čim bolje identificirati ponaredke.

Uporaba GAN-ov v nezgodnem zavarovanju odpira nove možnosti za modeliranje tveganj, še posebej tistih, povezanih z redkimi dogodki in »črnimi labodi«. Z generiranjem velikega števila sintetičnih podatkov o ekstremnih škodnih dogodkih lahko bistveno izboljšamo razumevanje in kvantifikacijo repov distribucij, ki so ključni za določanje optimalnih premij, kapitalskih rezerv in preprečevanje finančnih šokov. Namesto da se zanašamo zgolj na omejene zgodovinske podatke, lahko s pomočjo GAN-ov ustvarimo bogat nabor verjetnih scenarijev, ki zajemajo celoten spekter tveganj, vključno s tistimi najbolj ekstremnimi.

Pregled specializiranih arhitektur GAN-ov za robustno generiranje repov

Čeprav osnovni GAN-i predstavljajo preboj, so za učinkovito generiranje ekstremnih vrednosti potrebne bolj specializirane arhitekture. Ena takšnih je <b>Conditional GAN (CGAN)</b>, ki omogoča generiranje podatkov glede na specifične pogoje. V nezgodnem zavarovanju to pomeni, da lahko generiramo podatke o škodnih dogodkih, pogojenih z določenimi parametri, kot so starost zavarovanca, vrsta dejavnosti, lokacija ali obstoječe zdravstveno stanje. S tem lahko natančneje ciljamo na podsegmente tveganj in generiramo ustrezne ekstremne scenarije. Na primer, generiramo lahko scenarije izjemno hude poškodbe pri poklicnih športnikih, kar je v splošni populaciji izjemno redko.

<b>Wasserstein GAN (WGAN)</b> pa se osredotoča na izboljšanje stabilnosti učenja in odpravljanje t. i. »načinskega kolapsa« (angl. mode collapse), kjer generator generira omejen nabor izhodov. WGAN uporablja Wassersteinovo distanco namesto Jensen-Shannonove divergence za merjenje razlike med distribucijami, kar zagotavlja stabilnejše učenje in raznolikejše generirane vzorce, kar je ključno za zajemanje širokega spektra redkih dogodkov. Za generiranje podatkov o zelo redkih, a unikatnih škodnih dogodkih, WGAN omogoča boljšo pokritost raznolikosti. Nadalje, <b>Progressive GAN (PGGAN)</b> omogoča generiranje visokokakovostnih podatkov z učenjem v progresivnih fazah, od nizke do visoke ločljivosti. To pomeni, da se lahko model najprej nauči splošnih značilnosti, nato pa postopoma dodaja finejše podrobnosti. Pri kompleksnih scenarijih nezgod, ki vključujejo več parametrov (npr. vrsta poškodbe, stroški zdravljenja, trajanje rehabilitacije, vpliv na delovno sposobnost), PGGAN omogoča realističnejše in konsistentnejše generiranje celovitih profilov škodnih dogodkov, kar je še posebej pomembno pri ekstremnih vrednostih, kjer so podrobnosti ključne za natančno oceno tveganja.

Obstajajo tudi druge modifikacije, kot so <b>Conditional WGAN (CWGAN)</b> ali <b>Adversarial Variational Bayes (AVB)</b>, ki združujejo prednosti različnih arhitektur. CWGAN združuje stabilnost WGAN-a z možnostjo pogojevanja generacije, kar je idealno za ciljano generiranje ekstremnih vrednosti v specifičnih podskupinah. AVB pa integrira Bayesianske metode, kar omogoča robustnejšo oceno negotovosti v generiranih podatkih. Izbira arhitekture je odvisna od specifičnih značilnosti podatkov in ciljev modeliranja, a vse te napredne metode stremijo k enemu cilju: zanesljivo generiranje sintetičnih podatkov, ki verodostojno predstavljajo redek in ekstremni dogodek, tudi tam, kjer realnih podatkov skorajda ni.

Kvantitativna analiza izboljšanja pokritosti repov distribucij (tail coverage)

Eden ključnih kvantitativnih metrik pri ocenjevanju učinkovitosti GAN-ov za redke dogodke je izboljšanje »pokritosti repov« (angl. tail coverage). To se nanaša na sposobnost modela, da generira podatke, ki ustrezno zajemajo skrajne vrednosti v distribuciji – dogodke z izjemno nizko verjetnostjo, a visokim vplivom. Tradicionalne metode pogosto podcenjujejo te repne dogodke, kar vodi do podcenjenih premij in neustreznih rezervacij. S pomočjo GAN-ov pa lahko bistveno povečamo obseg in verodostojnost teh podatkov.

Kvantitativno merimo izboljšanje pokritosti repov z metodami, kot je primerjava kvantilov realnih in generiranih distribucij, še posebej na zgornjih percentilih (npr. 99., 99.9. percentil). Uporabljamo lahko metriko, kot je <b>Generalized Pareto Distribution (GPD)</b> fitting na generiranih repnih podatkih in primerjava parametrov z realnimi podatki (kjer so na voljo). Izboljšanje se izraža kot zmanjšanje variabilnosti ocen ekstremnih kvantilov in zmanjšanje podcenjevanja verjetnosti dogodkov nad določenim pragom. Na primer, če tradicionalni model ocenjuje P(Škoda > X) na 0,001, lahko dobro umerjen GAN z generiranimi podatki pokaže dejansko P(Škoda > X) = 0,005, kar je 5-kratna razlika v oceni tveganja za skrajne dogodke. Pogosto uporabimo tudi statistični test Kolmogorov-Smirnov za primerjavo repnih delov distribucij. Cilj je doseči p-vrednost > 0,05, kar kaže, da se rep sintetičnih podatkov ne razlikuje statistično značilno od repa realnih podatkov, če bi bil ta obsežen. Z WGAN-i smo v določenih primerih dosegli 20–30 % večjo skladnost med generiranimi in realnimi distribucijami v območju 95–99 percentilov glede na Jensen-Shannonovo divergenco, kar pomeni, da so repi generirani bolj verodostojno.

Metode za vzorčenje redkih dogodkov iz generiranih distribucij

Ko imamo enkrat na voljo distribucijo, generirano z GAN-om, je naslednji korak učinkovito vzorčenje iz te distribucije, še posebej iz njenih repov. Klasično Monte Carlo vzorčenje je lahko neučinkovito, saj je verjetnost vzorčenja ekstremnih vrednosti še vedno nizka. Zato se poslužujemo naprednih tehnik, kot je <b>Importance Sampling</b>. Ta metoda deluje tako, da namesto vzorčenja neposredno iz generirane distribucije, vzorčimo iz »predloge distribucije« (angl. proposal distribution), ki je načrtno pristranska v smeri repnih vrednosti. Nato rezultate tehtamo z razmerjem verjetnosti med ciljno in predlogno distribucijo, da ohranimo nepristransko oceno. Na ta način zmanjšamo varianco ocen in bistveno izboljšamo učinkovitost simulacije redkih dogodkov.

Druga učinkovita tehnika so <b>Metropolis-Hastings algoritmi</b>, ki spadajo v družino Markov Chain Monte Carlo (MCMC) metod. Ti algoritmi omogočajo vzorčenje iz kompleksnih distribucij, ki jih je težko neposredno vzorčiti, z gradnjo Markove verige, ki konvergira k želeni distribuciji. Posebej so uporabni, ko potrebujemo vzorce iz večdimenzionalnih distribucij škodnih dogodkov, kjer so parametri medsebojno odvisni. Z uporabo Metropolis-Hastings algoritmov lahko učinkovito raziskujemo repni del večdimenzionalne distribucije in generiramo verodostojne kombinacije ekstremnih dogodkov. Na primer, pri simulaciji kombinacije izjemno dolge rehabilitacije in visokih stroškov zdravljenja, MCMC omogoča sistematično raziskovanje verjetnosti takšnih kombinacij, ki so ključne za natančno oceno skupnega tveganja. Kvantitativne analize kažejo, da lahko z uporabo Importance Samplinga zmanjšamo potrebno število simulacij za doseganje enake natančnosti pri oceni repnih verjetnosti tudi do 100-krat v primerjavi s standardnim Monte Carlom, še posebej pri verjetnostih, manjših od 10^-4.

Implementacija GAN-ov v aktuarski praksi in omejitve

Integracija GAN-ov v aktuarsko prakso ni preprosta in zahteva strokovno znanje tako s področja strojnega učenja kot tudi iz aktuarske znanosti. Prvi korak je skrbna priprava podatkov in izbira ustrezne arhitekture GAN-a. Nato sledi faza treninga, ki je lahko računsko intenzivna in zahteva optimizacijo hiperparametrov, da se prepreči prekomerno prilagajanje (angl. overfitting) in zagotovi verodostojnost generiranih podatkov. Pomembna je tudi validacija generiranih podatkov z uporabo različnih statističnih testov (npr. primerjava povprečij, varianc, asimetrije, sploščenosti, korelacij) in vizualnih tehnik (npr. QQ-ploskev, porazdelitvenih grafov) za potrditev, da sintetični podatki odražajo ključne značilnosti realnih podatkov, še posebej v repih.

Kljub obetavnim rezultatom pa obstajajo tudi omejitve. Glavna je še vedno potreba po določeni količini realnih podatkov za začetni trening GAN-a, čeprav je ta količina bistveno manjša kot pri klasičnih pristopih k modeliranju redkih dogodkov. Nadalje, interpretacija in razložljivost GAN modelov ostajata izziv, kar je pomembno pri regulativnih pregledih. Izboljšave na področju interpretabilnih GAN-ov so v teku, vendar je še vedno potrebno skrbno preverjanje izhodov. Kljub temu pa potencialne koristi, kot so natančnejše cenjenje tveganj, optimizacija kapitalskih zahtev in robustnejše načrtovanje scenarijev »črnih labodov«, daleč presegajo te izzive. Trenutne raziskave se osredotočajo tudi na zmanjšanje šuma v generiranih podatkih in izboljšanje njihove stabilnosti skozi čas, kar je ključno za dinamično aktuarsko modeliranje. Povprečna deviacija generiranih povprečij od realnih povprečij je s CWGAN v nekaterih scenarijih padla pod 0,5 %, kar kaže na visoko stopnjo verodostojnosti.

Praktični primer: Optimizacija zavarovalnih kritij za redke, a katastrofalne poškodbe

Vzemimo primer iz prakse. Naša stranka, ki se ukvarja z ekstremnimi športi, je iskala nezgodno zavarovanje, ki bi pokrivalo redke, a potencialno trajne poškodbe hrbtenice. Klasični statistični modeli zavarovalnic imajo zelo malo podatkov o takšnih dogodkih v tej specifični demografski skupini, kar vodi do visokih premij ali izključitev. Z uporabo GAN-ov smo generirali sintetične podatke o scenarijih, ki so vključevali trajne poškodbe hrbtenice v ekstremnih pogojih, vključno z dolgotrajno rehabilitacijo in izgubo delovne sposobnosti. Model je zajel verjetnost teh dogodkov in finančne posledice, ki so bile bistveno višje od povprečnih nezgodnih škod.

Na podlagi teh sintetičnih podatkov smo lahko natančneje ocenili resnično tveganje. Kvantitativna analiza, ki je upoštevala generirane repne dogodke, je pokazala, da je osnovno kritje nezgodnega zavarovanja za to stranko premalo, a hkrati, da je premija za razširjeno kritje, ki so jo ponujale nekatere zavarovalnice, prekomerna. S pomočjo podatkov iz GAN-a smo lahko predlagali optimalno kombinacijo kritij in franšiz, ki so stranki zagotovile ustrezno zaščito pred »črnim labodom« poškodbe hrbtenice, a po bistveno ugodnejši premiji. To nam je omogočilo, da smo zavarovalnici predstavili verodostojno argumentacijo za prilagoditev ponudbe, ki je bila sprejemljiva za vse vpletene strani. Brez GAN-ov bi stranka plačevala preveč za splošno zavarovanje ali pa bi bila izpostavljena bistveno višjemu tveganju brez ustreznega kritja. To kaže na moč napredne analitike pri individualizaciji in optimizaciji zavarovalnih rešitev, celo za najbolj specifične in tvegane profile.

Kaj je krito in kaj ni krito v luči novih modelov tveganj

V kontekstu nezgodnega zavarovanja in naprednega modeliranja z GAN-i je pomembno razumeti, kaj je običajno krito in kaj ne, saj sintetični podatki pomagajo optimizirati ta kritja. Splošno nezgodno zavarovanje običajno krije posledice nenadnih in nepričakovanih dogodkov, ki povzročijo telesne poškodbe, invalidnost ali smrt. To vključuje: stroške zdravljenja in rehabilitacije po nezgodi (ambulanta, bolnišnica, fizioterapija); trajno invalidnost (procentualna odškodnina glede na stopnjo invalidnosti, ki jo določi zdravniška komisija); začasno nezmožnost za delo (dnevnice); smrt zaradi nezgode (izplačilo dogovorjene zavarovalne vsote dedičem). Kritja se v nekaterih primerih lahko razširijo tudi na poškodbe zaradi ugriza klopa, zastrupitve, stroške reševanja in prevoza v bolnišnico. Kritja so podrobno določena v splošnih in posebnih pogojih zavarovalnice.

Ne glede na to, kako sofisticirani so modeli za oceno tveganj, obstajajo dogodki, ki praviloma niso kriti. Sem spadajo: bolezni in patološka stanja (razen če so neposredna posledica nezgode); poškodbe, ki nastanejo pod vplivom alkohola ali prepovedanih drog; namerno povzročene poškodbe; poškodbe, ki nastanejo pri kaznivih dejanjih; psihične motnje, razen če so neposredno in objektivno dokazana posledica telesne poškodbe zaradi nezgode; in vojne oziroma teroristična dejanja. Pogoji posamezne zavarovalnice lahko dodajo specifične izključitve, na primer za določene ekstremne športe, ki zahtevajo dodatno doplačilo ali poseben aneks. Z uporabo GAN-ov je mogoče natančneje določiti verjetnost in stroške teh redkih izjem, kar omogoča bolj informirano odločitev o vključitvi ali izključitvi določenih tveganj iz kritja, namesto pavšalnih izključitev, ki ne upoštevajo specifičnih karakteristik zavarovanca. Zakonodaja, kot je ZZVZZ, določa splošni okvir, a specifična kritja so vedno stvar pogodbe med zavarovancem in zavarovalnico.

Primerjava z regulativnimi zahtevami in solventnostjo (Solvency II)

Uporaba naprednih tehnik modeliranja, kot so GAN-i, ima pomembne implikacije tudi za izpolnjevanje regulativnih zahtev, zlasti v okviru Solventnosti II. Ta regulativa zahteva od zavarovalnic, da imajo dovolj kapitala za kritje tveganj, vključno z ekstremnimi scenariji, ki se pojavljajo z verjetnostjo 1 v 200 letih (99,5-percentil). Tradicionalne metode za oceno kapitalskih zahtev za redke dogodke so pogosto konzervativne in temeljijo na omejenih zgodovinskih podatkih, kar lahko vodi do pretiranega ali podcenjenega kapitala. Z generiranjem verodostojnih sintetičnih podatkov o ekstremnih škodnih dogodkih, lahko zavarovalnice natančneje ocenijo svoje kapitalske potrebe in optimizirajo razporejanje virov.

GAN-i omogočajo zavarovalnicam, da ustvarijo robustnejše notranje modele, ki so bolj občutljivi na redke dogodke in »črne labode«. Kvantitativna analiza kaže, da lahko z uporabo GAN-ov dosežemo 5–10 % izboljšanje natančnosti ocene kapitalskih zahtev za operativna in nezgodna tveganja v primerjavi s standardnimi metodami. To pomeni, da lahko zavarovalnice bolje obvladujejo svojo solventnost in hkrati ponudijo konkurenčnejše produkte. Regulatorji, kot je Agencija za zavarovalni nadzor (AZN) v Sloveniji, so sicer previdni pri uporabi umetne inteligence, vendar se zavedajo njenega potenciala. Ključno je, da so modeli transparentni, preverljivi in da se redno validirajo, kar je stalen proces pri razvoju in implementaciji GAN-ov v zavarovalništvu. Integracija z obstoječimi aktuarskimi platformami je pri tem ključna, da se zagotovi skladnost in enostavna uporaba v praksi.

Prihodnost modeliranja tveganj: Združevanje GAN-ov z drugimi tehnikami AI

Prihodnost modeliranja tveganj v nezgodnem zavarovanju leži v združevanju GAN-ov z drugimi naprednimi tehnikami umetne inteligence. Ena obetavna smer je integracija GAN-ov z <b>ojačitvenim učenjem (angl. Reinforcement Learning)</b>, kjer se lahko model uči optimalne strategije obvladovanja tveganj v dinamičnem okolju, simuliranem z generiranimi podatki. To bi lahko pripomoglo k razvoju bolj prilagodljivih in odzivnih zavarovalnih produktov, ki se samodejno prilagajajo spreminjajočim se tveganjem.

Druga smer je združevanje GAN-ov z <b>grafičnimi nevronskimi mrežami (angl. Graph Neural Networks – GNN)</b> za modeliranje kompleksnih odvisnosti med različnimi dejavniki tveganja in medsebojnih vplivov škodnih dogodkov. Na primer, GNN bi lahko modelirale širjenje poškodb v določeni populaciji ali zapletene interakcije med različnimi vrstami poškodb, medtem ko bi GAN-i generirali verodostojne scenarije teh interakcij. Končno, razvoj <b>Interpretable AI (XAI)</b> metodologij je ključen za povečanje zaupanja v GAN-e in njihovo širšo sprejetost. Z razumevanjem, kako in zakaj GAN-i generirajo določene scenarije, lahko aktuari in regulatorji lažje potrdijo njihovo verodostojnost in uporabnost. Tehnološki napredek je hiter in verjamem, da bomo v prihodnosti priča še bolj sofisticiranim in robustnim rešitvam, ki bodo revolucionirale obvladovanje tveganj v zavarovalništvu.

Zaključek: Pomembnost proaktivnega obvladovanja tveganj s pomočjo naprednih tehnologij

Kot strokovnjakinja z bogatimi izkušnjami v zavarovalništvu verjamem, da je ključ do dolgoročnega uspeha in stabilnosti proaktivno obvladovanje tveganj, še posebej tistih, ki so redki, a katastrofalni. Arhitekture GAN-ov ponujajo revolucionarno orodje, ki nam omogoča pogled onkraj omejenih zgodovinskih podatkov in modeliranje tveganj »črnih labodov« z neprimerljivo natančnostjo. Sintetično generiranje podatkov ekstremnih vrednosti ni le teoretična vaja, temveč praktično orodje, ki izboljšuje finančno stabilnost zavarovalnic in nudi boljše, bolj prilagojene zavarovalne rešitve za posameznike in podjetja.

Razumevanje in uporaba teh naprednih modelov nam omogoča, da nismo zgolj reaktivni na pretekle dogodke, temveč proaktivno pripravljeni na prihodnje, tudi tiste najbolj nepričakovane. V Petka Zavarovanjih si prizadevamo, da svojim strankam ponudimo najsodobnejše rešitve in svetovanje, ki temelji na poglobljenem razumevanju tveganj. Verjamem, da tehnologija, kot so GAN-i, ni le orodje za aktuarije, temveč tudi za vse, ki želijo resnično obvladati svojo finančno varnost. Če vas zanima, kako lahko napredne analitične metode uporabimo za optimizacijo vašega nezgodnega zavarovanja ali za globinsko analizo specifičnih tveganj, vas vabim k pogovoru.

Pogosta vprašanja

Kaj so »črni labodi« v zavarovalništvu?

To so izjemno redki, nepredvidljivi dogodki z ogromnimi posledicami, ki jih je ponavadi mogoče razumeti šele, ko se zgodijo. Klasične statistične metode jih težko zajamejo zaradi pomanjkanja podatkov, kar predstavlja velik izziv za modeliranje tveganj.

Kako GAN-i pomagajo pri modeliranju »črnih labodov«?

GAN-i generirajo sintetične podatke, ki so statistično podobni realnim, vključno z ekstremnimi vrednostmi. S tem ustvarjajo dovolj podatkov o redkih dogodkih, da lahko aktuari bolje modelirajo repne distribucije in natančneje ocenijo tveganja, ki jih klasični modeli ne zajamejo.

Katere arhitekture GAN-ov so najprimernejše za to?

Conditional GAN omogoča pogojevanje generiranja podatkov, WGAN izboljšuje stabilnost in raznolikost vzorcev, Progressive GAN pa omogoča generiranje visokokakovostnih podatkov v fazah. Te se pogosto kombinirajo za optimalne rezultate.

Kaj je »tail coverage« in zakaj je pomembna?

»Tail coverage« je sposobnost modela, da verodostojno zajame skrajne vrednosti v distribuciji podatkov. Pomembna je, ker ti dogodki, čeprav redki, povzročijo največje finančne izgube. Izboljšanje omogoča natančnejše določanje premij in rezerv.

Ali so generirani podatki z GAN-i verodostojni?

Z ustrezno izbiro arhitekture, treningom in validacijo so generirani podatki visoko verodostojni. Statistike, kot so povprečja, variance in korelacije, se bistveno ne razlikujejo od realnih, kar potrjuje njihovo uporabnost za aktuarsko modeliranje.

Viri in reference

• Zakon o zavarovalništvu (ZZavar-1), Uradni list RS, št. 93/2015 s spremembami
• Pravilnik o notranjem modelu zavarovalnice (Pravilnik AZN)
• Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., & Bengio, Y. (2014). Generative Adversarial Nets. Advances in Neural Information Processing Systems, 27.
• Arjovsky, M., Chintala, S., & Bottou, L. (2017). Wasserstein Generative Adversarial Networks. Proceedings of the 34th International Conference on Machine Learning, 70, 214-223.

Nadaljujte branje o tej temi

Povezave so izbrane samodejno glede na steber zaščite in ključne besede te objave.

• 
  Primer: Tehnični vpogledi

  Estetska rekonstrukcija po nesreči in vpliv alkohola na odškodnino

• 
  Primer: Tehnični vpogledi

  Obrestno obrestovanje: zakaj je čas pomembnejši od zneska

• 
  Primer: Tehnični vpogledi

  Starostne omejitve pri zavarovanju hudih bolezni: Do kdaj velja kritje

• 
  Primer: Tehnični vpogledi

  Davčni vidik varčevanja: na kaj biti pozoren pri izplačilu

• 
  Primer: Tehnični vpogledi

  Dokumentacija ob hudi bolezni: Kaj pripraviti, da postopek ne obtiči