Prediktivni modeli in nezgode: Nova doba ocene tveganja starejših

Uvod v kompleksnost nezgodnih tveganj pri starajoči se populaciji

Kot Petra, ki že dve desetletji deluje v zavarovalništvu, sem priča nenehnim spremembam in izzivom, ki jih prinaša demografska slika naše družbe. Slovenija, podobno kot večina razvitih držav, se sooča s staranjem prebivalstva, kar pomeni, da se povečuje delež posameznikov, starejših od 60 let. Ta skupina prebivalstva je statistično bolj izpostavljena določenim vrstam nezgodnih poškodb, kot so padci, zlomi kolka, poškodbe pri vsakodnevnih aktivnostih ali rekreaciji. Tradicionalni pristopi k ocenjevanju tveganja, ki temeljijo na splošnih demografskih povprečjih, postajajo v luči teh specifičnih izzivov manj natančni in optimalni.

Moj cilj, in cilj sodobnega zavarovalništva, je preseči povprečja in se poglobiti v individualizirano oceno tveganja. To pomeni prehod od splošnih tabel smrtnosti in obolevnosti k sofisticiranim analitičnim orodjem, ki lahko predvidijo verjetnost in resnost specifičnih dogodkov na podlagi širšega spektra podatkov. Ne gre zgolj za izboljšanje dobičkonosnosti zavarovalnic, temveč predvsem za možnost ponudbe bolj pravičnih, ciljanih in učinkovitih zavarovalnih produktov, ki resnično odgovarjajo na potrebe posameznika. Z razvojem prediktivnih modelov iščemo odgovore na vprašanje, kako lahko zavarovalništvo aktivno prispeva k večji varnosti in boljšemu življenju naših starejših.

V tem kontekstu ne govorimo le o finančni zaščiti po nezgodi, temveč tudi o potencialu, da s pomočjo boljšega razumevanja tveganj spodbujamo preventivne dejavnosti. Če lahko natančneje identificiramo posameznike z visokim tveganjem za določene poškodbe, lahko tudi ciljano svetujemo glede prilagoditev življenjskega sloga, opreme v gospodinjstvu ali priporočamo specifične preventivne preglede. Tako postaja zavarovalništvo ne le odzivno, temveč tudi proaktivno orodje za ohranjanje zdravja in kakovosti življenja starejših.

Metodološki pristop: Kombinacija medicinskih in demografskih podatkov

Temelj razvoja zanesljivih prediktivnih modelov leži v zmožnosti zbiranja, integracije in analize raznolikih podatkovnih zbirk. Naša študija se osredotoča na prepletanje treh ključnih stebrov informacij: medicinske zgodovine, demografskih podatkov in podatkov o življenjskem slogu. Medicinska zgodovina vključuje diagnoze (npr. osteoporoza, diabetes, srčno-žilne bolezni, nevrodegenerativne bolezni), preteklih poškodb, predpisanih zdravil (še posebej tistih, ki vplivajo na ravnotežje ali kognitivne funkcije) in rezultate specialističnih pregledov. Demografski podatki obsegajo starost, spol, izobrazbo, socioekonomski status, prebivališče (urbano/ruralno), pa tudi sestavo gospodinjstva. Podatki o življenjskem slogu pa zajemajo fizično aktivnost, prehranske navade, kajenje, uživanje alkohola ter socialno angažiranost.

Integracija teh podatkovnih virov je izjemno zahteven proces, ki zahteva visoko raven informacijske varnosti in etičnih standardov, še posebej pri obravnavi občutljivih osebnih in zdravstvenih podatkov. Uporabljamo anonimizirane in psevdonimizirane podatkovne zbirke, skladne z GDPR in slovensko zakonodajo, da zagotovimo varovanje zasebnosti posameznikov. Postopki integracije vključujejo čiščenje podatkov, standardizacijo formatov in združevanje zapisov iz različnih virov, kar je ključnega pomena za preprečevanje pristranosti in zagotavljanje kakovosti vhodnih podatkov za modele. Zavedam se, da je le na podlagi kakovostnih in zanesljivih podatkov mogoče graditi modele, ki bodo imeli resnično napovedno moč.

Poudarek je na temeljiti obdelavi podatkov. Na primer, pri analizi medicinske zgodovine ne zgolj beležimo prisotnost določene bolezni, temveč tudi njeno trajanje, resnost in morebitne zaplete. Pri podatkih o življenjskem slogu se trudimo pridobiti kvantitativne metrike, kot je povprečno število ur fizične aktivnosti na teden ali frekvenca socialnih stikov, kar omogoča robustnejšo analizo. Ta skrbna priprava podatkov je temelj za vse nadaljnje analitične korake in je ključna za uspeh celotnega projekta razvoja prediktivnih modelov.

Napredne statistične metode in strojno učenje za modeliranje tveganj

Ko so podatki skrbno pripravljeni, pridejo na vrsto napredne statistične metode in algoritmi strojnega učenja, ki predstavljajo srce naših prediktivnih modelov. Za oceno verjetnosti nastanka specifičnih nezgodnih poškodb, kot so padci, pogosto uporabljamo logistično regresijo. Ta metoda nam omogoča kvantificiranje vpliva posameznih dejavnikov (npr. starost, prisotnost osteoporoze, uporaba določenih zdravil) na verjetnost binarnega izida (nezgoda: da/ne). Na primer, logistična regresija lahko pokaže, da je verjetnost padca pri ženski, stari 75 let z osteoporozo in nizko fizično aktivnostjo, statistično značilno višja v primerjavi z referenčno skupino. Ko želimo oceniti čas do dogodka (npr. čas do prvega zloma), se zatečemo k preživetveni analizi, kot je model Coxove regresije, ki upošteva cenzurirane podatke in nam omogoča vpogled v tveganje skozi čas. Na podlagi informativnega primera izračuna, bi tako ugotovili, da se verjetnost zloma kolka poveča za faktor 2.3 pri posameznikih z določeno gostoto kosti in predhodnim padcem, ob upoštevanju ostalih dejavnikov.

Poleg klasičnih statističnih metod se vse bolj poslužujemo tudi algoritmov strojnega učenja, ki so izjemno učinkoviti pri prepoznavanju kompleksnih nelinearnih vzorcev in interakcij med številnimi spremenljivkami. Sem spadajo odločitvena drevesa (npr. Random Forests, Gradient Boosting Machines), ki z združevanjem več dreves zmanjšajo pristranost in varianco, ter nevronske mreže. Ti algoritmi so še posebej primerni za segmentacijo tveganj, saj lahko samodejno identificirajo podskupine populacije z različnimi profili tveganja, ki jih s klasičnimi metodami težko odkrijemo. Na primer, strojno učenje lahko prepozna, da je kombinacija blage kognitivne okvare, osamljenosti in specifičnega tipa talne obloge v domu dejavnik izjemno visokega tveganja za padce, kar ni nujno očitno pri samostojni obravnavi teh dejavnikov.

Modeli so validirani z uporabo neodvisnih testnih podatkovnih zbirk, kar zagotavlja njihovo splošnost in napovedno moč. Ključni parametri za oceno učinkovitosti modela so natančnost (accuracy), občutljivost (sensitivity), specifičnost (specificity) in AUC (Area Under the Curve). Visoka vrednost AUC (npr. 0.85 ali več) pri informativnem primeru izračuna kaže na dobro sposobnost modela za razlikovanje med posamezniki z visokim in nizkim tveganjem. Rezultati teh analiz nam omogočajo, da zavarovalnim podjetjem ponudim konkretne in kvantitativno podprte vpoglede v distribucijo tveganj znotraj starajoče se populacije.

Uporaba prediktivnih modelov v zavarovalništvu: Od segmentacije do prilagoditve pogojev

Razvoj prediktivnih modelov ni zgolj akademska vaja; njegov glavni cilj je praktična uporaba v zavarovalništvu. Z natančnejšo segmentacijo tveganj lahko zavarovalnice preidejo od "one-size-fits-all" pristopa k personaliziranim zavarovalnim produktom. To pomeni, da se zavarovalne premije in pogoji lahko prilagodijo posameznikovemu specifičnemu profilu tveganja, kar je bolj pravično in učinkovito. Posamezniki z nižjim tveganjem lahko pričakujejo ugodnejše premije, medtem ko se za tiste z višjim tveganjem lahko ponudijo specifična kritja, ki ustrezajo njihovim potrebam, morda celo v kombinaciji s preventivnimi programi. To ni kaznovanje, temveč omogočanje dostopa do ustrezne zaščite za vsakogar, ob upoštevanju realnega tveganja.

Primer uporabe segmentacije tveganj: Na podlagi modela ugotovimo, da imajo posamezniki med 70. in 75. letom starosti, ki so aktivni rekreativni športniki (npr. kolesarji) in imajo zgodovino blagega padca, statistično značilno višje tveganje za določene zlome kot njihovi vrstniki, ki so manj aktivni. Namesto splošnega zavarovanja za starejše, bi zavarovalnica lahko ponudila specifično nezgodno zavarovanje za aktivne starejše, ki vključuje višja kritja za zlome, povezane s športnimi aktivnostmi, a hkrati morda ponuja popust za redne preventivne preglede gostote kosti. Tudi Zakon o zavarovalništvu (ZZavar-1) spodbuja inovativne pristope in tržne prakse, ki prispevajo k stabilnosti zavarovalnega trga in varovanju zavarovalcev, seveda ob upoštevanju enakosti obravnave tveganj.

Poleg prilagajanja premij in kritij, lahko prediktivni modeli pomagajo pri optimizaciji rezervacij in upravljanju kapitala zavarovalnic. Z natančnejšo oceno pričakovanih škod zavarovalnice lažje določijo potrebne rezerve, kar prispeva k njihovi dolgoročni stabilnosti in zanesljivosti. V skladu z regulativnimi zahtevami, kot jih določa Solvency II, je natančno modeliranje tveganj ključnega pomena za izračun kapitalskih zahtev. Boljše poznavanje tveganj omogoča tudi razvoj novih produktov in storitev, ki so bolj konkurenčni na trgu in bolje odgovorijo na spreminjajoče se potrebe prebivalstva. Ne gre za izločanje določenih skupin, temveč za transparentno in pošteno določanje pogojev zavarovanja glede na realno oceno tveganja, kar je v končni fazi koristno tako za zavarovalce kot zavarovalnice.

Zakonodajni okvir in etični vidiki uporabe občutljivih podatkov

Uporaba medicinskih in demografskih podatkov v zavarovalništvu je izjemno občutljivo področje, ki zahteva striktno spoštovanje zakonodaje in etičnih načel. V Sloveniji se pri tem opiramo na Zakon o zavarovalništvu (ZZavar-1), ki določa splošna pravila delovanja zavarovalnic, vključno z načeli poštenosti in transparentnosti. Zakon o zdravstvenem varstvu in zdravstvenem zavarovanju (ZZVZZ) ter Zakon o varstvu osebnih podatkov (ZVOP-2) in Splošna uredba o varstvu podatkov (GDPR) pa določajo stroga pravila za obdelavo in varovanje osebnih in zdravstvenih podatkov. To pomeni, da je vsak korak, od zbiranja podatkov do njihove analize in uporabe v modelih, strogo reguliran in nadzorovan. Vedno poudarjam, da se podatki obdelujejo v anonimizirani ali psevdonimizirani obliki, z namenom preprečitve identifikacije posameznikov, in le za namen, za katerega so bili pridobljeni, ob izrecnem soglasju posameznika, kjer je to potrebno.

Pomembno je razlikovati med splošnimi zakonskimi določili, ki veljajo za vse zavarovalnice, in pogoji posamezne zavarovalnice. Medtem ko zakonodaja določa okvir, znotraj katerega se gibljemo, pa imajo posamezne zavarovalnice lastne splošne pogoje, ki morajo biti v skladu z zakonodajo, vendar podrobneje opredeljujejo kritja, izključitve in obveznosti zavarovanca. Moje priporočilo strankam je vedno, da se natančno seznanijo s pogoji, saj se ti lahko razlikujejo med ponudniki. Pri razvoju prediktivnih modelov je ključno zagotoviti, da se ne diskriminira posameznikov na podlagi nezakonitih kriterijev in da so rezultati modelov uporabljeni na etičen in pravičen način. To pomeni, da se modeli uporabljajo za izboljšanje ponudbe in ne za izključevanje posameznikov iz zavarovanja na podlagi določenih genetskih predispozicij, ki niso neposredno povezane z objektivnim tveganjem.

Etični vidiki segajo tudi v obveznost zavarovalnic, da svojim strankam jasno in razumljivo pojasnijo, kako se njihovi podatki uporabljajo in kako to vpliva na njihove zavarovalne pogoje. Transparentnost je ključna za izgradnjo zaupanja. Poleg tega je nujno zagotoviti, da so modeli redno pregledovani in posodobljeni, da se odpravijo morebitne pristranskosti ali napake, ki bi se lahko pojavile sčasoma. Sem prepričana, da je mogoče razviti in uporabljati sofisticirane prediktivne modele na način, ki je tako inovativen kot tudi etičen in skladen z zakonodajo.

Kaj je krito in kaj ni krito pri nezgodnem zavarovanju (splošno priporočilo)

Ko govorimo o nezgodnem zavarovanju, je ključnega pomena razumeti, kaj je vključeno v kritje in kaj so izjeme. Splošno gledano, nezgodno zavarovanje krije posledice nenadnih, nepričakovanih in od zavarovane osebe neodvisnih dogodkov, ki povzročijo poškodbo, invalidnost ali smrt. To vključuje širok spekter dogodkov, kot so zlomi kosti, izpahi, udarnine, ureznine, opekline, poškodbe glave, poškodbe hrbtenice in notranjih organov, ki so posledica padca, prometne nesreče, športne aktivnosti ali nesreče pri delu ali doma. Kritja običajno vključujejo odškodnino za trajno invalidnost, začasno nezmožnost za delo (dnevno nadomestilo), stroške zdravljenja in rehabilitacije, včasih tudi prevoz v bolnišnico in stroške zdravil. Pri starejših populaciji so še posebej relevantna kritja za zlome kolka in zapestja, ki so pogoste posledice padcev.

Obstajajo pa tudi pomembne izključitve. Nezgodno zavarovanje običajno ne krije poškodb, ki niso posledica nezgode, temveč so povezane z boleznijo ali degenerativnimi spremembami, ki so značilne za starejše (npr. osteoporoza sama po sebi ni nezgoda, je pa dejavnik tveganja za zlom). Prav tako niso krite poškodbe, ki si jih zavarovanec povzroči namenoma, pod vplivom alkohola ali mamil (nad določenim pragom), poškodbe zaradi vožnje brez veljavnega vozniškega dovoljenja ali pri izvrševanju kaznivih dejanj. Zavarovanje običajno ne krije tudi poškodb, ki nastanejo med ekstremnimi športi ali aktivnostmi, ki niso bile predhodno dogovorjene in vključene v zavarovalno polico (npr. letenje z zmajem, potapljanje z dihalko na ekstremnih globinah, gorniške odprave z visokim tveganjem).

Priporočam, da vsak posameznik, še posebej starejši, podrobno pregleda splošne pogoje izbranega nezgodnega zavarovanja. Pozornost je treba nameniti definicijam 'nezgode', 'trajne invalidnosti', 'časovne omejitve za prijavo škode' in seznamu izključitev. Nezgode, ki nastanejo kot posledica poslabšanja zdravstvenega stanja zaradi bolezni (npr. padec zaradi epileptičnega napada), so pogosto siva cona in je interpretacija odvisna od natančnih pogojev. Zato je moj nasvet vedno, da se posvetujete z mano ali drugim zavarovalnim strokovnjakom, ki vam bo pomagal razumeti kompleksnost posameznih kritij in izključitev, ter izbrati optimalno kritje za vaše individualne potrebe in dejavnosti.

Praktični primer: Optimizacija zavarovalne police za gospo Marijo

Predstavljam vam praktični primer, ki ponazarja, kako lahko prediktivni modeli pomagajo pri optimizaciji zavarovalnih rešitev. Gospa Marija je 72-letna upokojenka, ki živi sama v dvonadstropni hiši. Že pet let boleha za blago obliko osteoporoze, jemlje zdravila za uravnavanje krvnega tlaka in občasno toži nad vrtoglavico. Je zelo aktivna, rada vrtnari in se dvakrat tedensko udeležuje skupinske telovadbe. Trenutno ima standardno nezgodno zavarovanje, ki ga je sklenila pred desetimi leti.

Na podlagi analize, ki upošteva njeno starost, diagnozo osteoporoze, jemanje zdravil (ki lahko vplivajo na ravnotežje), poročanje o vrtoglavici, a hkrati tudi njeno visoko raven fizične aktivnosti in socialne vključenosti, naš prediktivni model izračuna informativen primer izračuna, ki kaže na 18% višje tveganje za padec z zlomom (predvsem kolka ali vretenc) v naslednjih petih letih v primerjavi s povprečjem za njeno starostno skupino. Model identificira kombinacijo osteoporoze in občasne vrtoglavice kot ključna dejavnika tveganja, medtem ko fizična aktivnost delno zmanjšuje tveganje, a ga ne odpravi popolnoma.

Na podlagi teh podatkov sem lahko gospe Mariji svetovala pri optimizaciji njene zavarovalne police. Predlagala sem ji dopolnilno kritje za zlome, ki vključuje višjo odškodnino in pokritje stroškov rehabilitacije po zlomu, posebej prilagojeno njenim potrebam. Poleg tega sem ji priporočila obisk specialista za ravnotežje in preverbo vseh stopnic v hiši z namestitvijo protizdrsnih trakov in dodatnih držal, kar se je izkazalo za pametno preventivno naložbo. Ni šlo za višjo premijo, temveč za preusmeritev kritij tja, kjer so bila najbolj potrebna in za dodatek kritij, ki bi jo dejansko zaščitila. S tem pristopom gospa Marija ni le bolje zavarovana, temveč se je tudi aktivneje vključila v preventivne dejavnosti za zmanjšanje tveganja, kar je cilj celostnega pristopa k zavarovanju.

Izzivi in prihodnji razvoj prediktivnih modelov v zavarovalništvu

Kljub obetavnim možnostim, ki jih ponujajo prediktivni modeli, se zavedam, da so pred nami še številni izzivi. Eden glavnih je zagotavljanje kakovosti in obsega podatkov. Potrebujemo stalni dostop do posodobljenih, zanesljivih in obsežnih podatkovnih zbirk, kar zahteva sodelovanje med zdravstvenim sistemom, statističnimi uradi in zavarovalnicami, seveda ob striktnem spoštovanju zakonodaje o varovanju podatkov. Poleg tega je nujno nenehno izboljševanje samih modelov, saj se demografska slika, medicinski napredek in življenjski slog nenehno spreminjajo. Model, ki je bil optimalen včeraj, morda ne bo jutri. Zato je stalna validacija, ponovno učenje in posodabljanje modelov absolutno ključnega pomena.

Drug pomemben izziv je interpretacija kompleksnih modelov strojnega učenja. Medtem ko so ti modeli izjemno natančni pri napovedovanju, je včasih težko razumeti, zakaj določeni dejavniki vplivajo na izid na določen način (problem 'črne skrinjice'). Zato se razvijajo metode, kot je 'explainable AI' (XAI), ki omogočajo boljšo razlago odločitev modela. To je pomembno ne le za interno razumevanje modelov, temveč tudi za transparentno komunikacijo z zavarovanci in regulatorji. Le tako lahko ohranimo zaupanje v te napredne tehnologije.

Prihodnji razvoj bo vključeval tudi integracijo še bolj specifičnih podatkov, kot so podatki iz nosljivih naprav (npr. pametne ure, ki spremljajo gibanje, padce, srčni utrip), genetski podatki (ob strogi etični in zakonodajni regulaciji) in še podrobnejši podatki o okolju, v katerem posameznik živi. Seveda, to so še področja, ki zahtevajo veliko raziskav in predvsem regulatorno urejanje. Cilj je ustvariti resnično celovite in dinamične prediktivne modele, ki bodo omogočali proaktivno upravljanje tveganj, ne zgolj pasivno odzivanje na škodne dogodke. Verjamem, da je prihodnost zavarovalništva v personalizaciji, preventivi in proaktivnem upravljanju tveganj, in prediktivni modeli so ključen korak v to smer.

Zaključek: Moč podatkov za varnejšo prihodnost

Moje dvajsetletne izkušnje v zavarovalništvu so me naučile, da je inovativnost ključna za uspeh in pertinenco v nenehno spreminjajočem se svetu. Razvoj in uporaba prediktivnih modelov za oceno tveganja nezgodnih poškodb pri starajoči se populaciji predstavlja enega takšnih prebojev. Ne gre zgolj za statistično analizo, temveč za iskanje načinov, kako s pomočjo napredne analitike ustvariti varnejše in bolj predvidljivo okolje za naše starejše, hkrati pa zagotoviti stabilnost in učinkovitost zavarovalnega sistema. Integracija medicinskih, demografskih in življenjskih podatkov, ob uporabi sofisticiranih algoritmov strojnega učenja, nam omogoča, da na tveganja gledamo z novo, natančnejšo perspektivo.

Poudarek na etiki, varovanju podatkov in skladnosti z zakonodajo (ZZavar-1, ZZVZZ, GDPR) je pri tem delu vedno v ospredju. Ne želimo izkoriščati podatkov, temveč jih uporabiti odgovorno, da bi ponudili boljše storitve in prispevali k boljši kakovosti življenja. Z natančnejšo oceno tveganj lahko zavarovalnice prilagodijo svoje produkte, izboljšajo upravljanje rezervacij in spodbujajo preventivne ukrepe, kar v končni fazi koristi celotni družbi.

Če vas zanimajo podrobnosti o tem, kako lahko ti modeli vplivajo na vaše nezgodno zavarovanje, ali pa želite preveriti, ali je vaše obstoječe kritje optimalno glede na vaš individualni profil tveganja, me prosim kontaktirajte. Z veseljem vam bom svetovala in pomagala poiskati najboljše rešitve za vašo varnost in brezskrbnost v zrelih letih. Ne gre za strah pred prihodnostjo, temveč za informirano pripravo nanjo.

Pogosta vprašanja

Kaj so prediktivni modeli v zavarovalništvu?

Prediktivni modeli so napredni statistični in strojno-učenjevi algoritmi, ki analizirajo velike količine podatkov (npr. medicinske, demografske) za napovedovanje verjetnosti in resnosti prihodnjih dogodkov, kot so nezgodne poškodbe. Pomagajo pri natančnejši oceni tveganja.

Zakaj so ti modeli pomembni za starejšo populacijo?

Starejša populacija ima specifične profile tveganja za nezgode (npr. padci, zlomi). Prediktivni modeli omogočajo bolj natančno in individualizirano oceno teh tveganj, kar vodi do bolj prilagojenih zavarovalnih produktov in učinkovitejše preventive.

Ali lahko ti modeli vodijo do diskriminacije?

Ne. Cilj je pravičnejša obravnava tveganj in personalizacija produktov. Zavarovalnice so zakonsko in etično zavezane, da ne diskriminirajo. Podatki se uporabljajo anonimizirano in v skladu z vsemi predpisi za varovanje osebnih podatkov (GDPR).

Katere vrste podatkov se uporabljajo?

Uporabljajo se kombinirane podatkovne zbirke: medicinska zgodovina (diagnoze, zdravila), demografski podatki (starost, spol, izobrazba) in podatki o življenjskem slogu (fizična aktivnost, navade). Vse v skladu z zakonodajo in etičnimi standardi.

Kako modeli vplivajo na zavarovalno premijo?

Natančnejša ocena tveganja omogoča zavarovalnicam, da premije bolje prilagodijo individualnemu profilu. Posamezniki z nižjim tveganjem lahko potencialno prejmejo ugodnejše premije, medtem ko se za višja tveganja ponudijo ustreznejša kritja.

Viri in reference

• Uradni list RS – Zakon o zavarovalništvu (ZZavar-1)
• Uradni list RS – Zakon o zdravstvenem varstvu in zdravstvenem zavarovanju (ZZVZZ)
• Uradni list RS – Zakon o varstvu osebnih podatkov (ZVOP-2)
• EUR-Lex – Splošna uredba o varstvu podatkov (GDPR)

Nadaljujte branje o tej temi

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

• 
  Primer: Tehnični vpogledi

  Kolektivno nezgodno zavarovanje zaposlenih: Znižanje tveganj delodajalca

• 
  Primer: Tehnični vpogledi

  Uskladitev nezgodnih polic z inflacijo: Zakaj so stare vsote prenizke?

• 
  Primer: Tehnični vpogledi

  Avtoimunske bolezni in zavarovalno kritje: Kaj je realno mogoče

• 
  Primer: Tehnični vpogledi

  Določitev upravičencev in izključitve kritja pri življenjskem zavarovanju

• 
  Primer: Tehnični vpogledi

  Seznam diagnoz hude bolezni in analiza karenčne dobe pri raku