Strojno učenje za optimizacijo škod pri nezgodnih zavarovanjih

Uvod v prediktivno modeliranje nezgodnih škodnih zahtevkov

V zavarovalništvu se soočamo z inherentno negotovostjo. Nezgodna zavarovanja, ki ščitijo posameznike pred finančnimi posledicami nepričakovanih dogodkov, so še posebej kompleksna zaradi narave in raznolikosti potencialnih škod. Tradicionalne aktuarne metode so skozi desetletja dobro služile svojemu namenu, vendar pa sodobna količina in kompleksnost podatkov zahtevata naprednejše pristope. V tem kontekstu strojno učenje (ML) ponuja neprimerljive zmožnosti za napovedovanje verjetnosti nastanka škode in njenega potencialnega obsega. S tem ne le izboljšujemo oceno tveganja, temveč tudi omogočamo bolj precizno določanje premij in optimizacijo zavarovalniškega poslovanja.

Moj cilj, kot zavarovalne strokovnjakinje z dvajsetletnimi izkušnjami in SEO urednice, je predstaviti poglobljen vpogled v to, kako strojno učenje transformira področje nezgodnih zavarovanj. Osredotočili se bomo na praktično implementacijo, optimizacijo modelov in ključne metrike, ki nam omogočajo kvantitativno oceno uspešnosti. Izognili se bomo čustveni vati in se posvetili analitičnim, kvantitativnim aspektom, ki so ključni za tehnične strokovnjake v branži. Ta objava bo služila kot vodnik za razumevanje in izkoriščanje potenciala ML v vsakdanjem delovanju zavarovalnice, s poudarkom na zmanjševanju razmerja škod do premij.

Metodološki okvir: Izbira in implementacija algoritmov strojnega učenja

Izbira pravega algoritma strojnega učenja je ključna za uspešnost napovednega modela. Za napovedovanje verjetnosti in obsega nezgodnih škodnih zahtevkov se pogosto uporabljajo algoritmi kot so Random Forest, Gradient Boosting Machines (GBM) in nevronske mreže. Vsak od teh pristopov ima svoje prednosti in slabosti ter je primeren za določene vrste podatkov in kompleksnosti problema. Pri izbiri moramo upoštevati ne le napovedno moč, ampak tudi interpretativnost modela, kar je še posebej pomembno v reguliranih panogah, kot je zavarovalništvo. Recimo, da se osredotočamo na identifikacijo visoko tveganih segmentov, kjer bi Random Forest, s svojo robustnostjo proti prekomernemu prilagajanju in sposobnostjo obravnave interakcij med spremenljivkami, predstavljal izjemno učinkovito izbiro.

Implementacija modelov zajema več faz: zbiranje in predprocesiranje podatkov, izbiro značilk, treniranje modela, vrednotenje in optimizacijo. Za zavarovalniški portfelj nezgodnih zavarovanj je pomembno, da podatkovni niz vključuje širok spekter informacij. Na primer, demografski podatki (starost, spol, izobrazba), poklicna tveganja (kategorizacija poklicev po tveganosti, npr. pisarniško delo vs. gradbeništvo), pretekle škode (število in obseg preteklih zahtevkov), zdravstvena zgodovina (relevantni podatki o morebitnih predispozicijah) in celo geografska lokacija. Pri predprocesiranju se osredotočamo na odpravljanje manjkajočih vrednosti, obravnavo odstopanj in transformacijo spremenljivk v obliko, primerno za izbrani algoritem. Modeli se nato trenirajo na delu podatkovnega niza, medtem ko se preostali del uporabi za neodvisno vrednotenje njihovega delovanja.

Ključni prediktorji in inženiring značilk

Identifikacija in inženiring relevantnih prediktorskih spremenljivk sta kritična za razvoj natančnih prediktivnih modelov. Pri nezgodnih zavarovanjih so se izkazale za izjemno pomembne naslednje kategorije podatkov: demografski podatki (npr. starostna skupina 18-25 let lahko kaže 1.5-krat višjo verjetnost nekaterih nezgod v primerjavi s skupino 40-50 let), poklicna tveganja (npr. zaposleni v gradbeništvu imajo lahko 3-krat višje tveganje za določene poškodbe kot zaposleni v administraciji) in zgodovina škod (npr. posameznik z enim nezgodnim zahtevkom v zadnjih 3 letih ima 2-krat višjo verjetnost ponovitve kot tisti brez zgodovine). Poleg teh osnovnih spremenljivk je inženiring značilk ključen za izboljšanje napovedne moči. To lahko vključuje ustvarjanje interakcijskih spremenljivk (npr. starost * poklicno tveganje) ali transformacije obstoječih (npr. logaritemska transformacija višine škode za bolj normalno porazdelitev).

Ne smemo pozabiti tudi na podatke o življenjskem slogu (npr. športne aktivnosti – ekstremni športi lahko povečajo tveganje za 200-300%), socialno-ekonomski status in celo okoljske dejavnike. Podatki o prometni gostoti v regiji prebivališča ali pogostost padavin lahko vplivajo na verjetnost nekaterih nezgod. Pomembno je poudariti, da dostop do kakovostnih in relevantnih podatkov pogosto predstavlja enega največjih izzivov. Zakonodaja, kot je Splošna uredba o varstvu podatkov (GDPR), določa stroga pravila za zbiranje in obdelavo osebnih podatkov, kar zahteva skrbno načrtovanje in etično ravnanje. Zavarovalnice morajo zagotoviti skladnost z zakonodajo, vključno z ZZavar-1 in morebitnimi internimi pravilniki Agencije za zavarovalni nadzor (AZN), pri vsaki fazi obdelave podatkov.

Modeli strojnega učenja v praksi: Primerjava Random Forest, GBM in nevronskih mrež

Random Forest je ansambelska metoda, ki gradi večje število dreves odločanja in združuje njihove napovedi (povprečenje za regresijo, večinsko glasovanje za klasifikacijo). Njegove prednosti so robustnost proti prekomernemu prilagajanju, sposobnost obravnave nelinearnih odnosov in relativno enostavna implementacija. Na primer, pri napovedovanju, ali bo stranka v naslednjih 12 mesecih prijavila nezgodno škodo, lahko Random Forest doseže AUC (Area Under the Receiver Operating Characteristic Curve) vrednost okoli 0.75 do 0.80. Algoritem je primeren za probleme, kjer želimo robustno napoved z možnostjo interpretacije pomembnosti značilk. Njegova pomanjkljivost je lahko, da je računsko bolj intenziven in manj učinkovit pri zelo velikih in redkih podatkovnih nizih v primerjavi z nekaterimi drugimi metodami.

Gradient Boosting Machines (GBM), kot je XGBoost ali LightGBM, so prav tako ansambelske metode, ki gradijo drevesa sekvenčno, pri čemer se vsako novo drevo uči iz napak prejšnjih dreves. GBM so znani po svoji visoki natančnosti in so pogosto zmagovalci tekmovanj v strojnem učenju. Za napovedovanje obsega škode (regresijski problem) lahko GBM dosežejo RMSE (Root Mean Squared Error) vrednosti, ki so za 10-20% nižje kot pri Random Forestu, še posebej pri kompleksnih podatkih. Niso pa tako enostavni za interpretacijo in so bolj dovzetni za prekomerno prilagajanje, če parametri niso pravilno nastavljeni. Nevronske mreže, še posebej globoke nevronske mreže (DNN), so sposobne zaznati kompleksne nelinearne vzorce v podatkih. Čeprav so izjemno močne, zahtevajo velike količine podatkov in so 'črne škatle', kar otežuje interpretacijo. Vendar pa lahko pri določenih nalogah, kot je zaznavanje prevar ali napovedovanje zelo redkih dogodkov, prekašajo drevesne metode, zlasti ko gre za visoko dimenzionalne podatke.

Metrike vrednotenja modelov in interpretacija rezultatov

Za kvantitativno oceno uspešnosti prediktivnih modelov je nujno uporabiti ustrezne metrike. Pri klasifikacijskih problemih, kot je napovedovanje, ali bo stranka prijavila škodo (binarna klasifikacija), so ključne metrike AUC, F1-score, Precision in Recall. AUC meri sposobnost modela, da razlikuje med pozitivnimi in negativnimi razredi, pri čemer vrednost 1.0 pomeni popolno ločevanje, 0.5 pa naključno. F1-score je harmonično povprečje Precisiona in Recalla, kar je še posebej uporabno, ko so razredi neuravnoteženi. Na primer, model z AUC 0.82 in F1-score 0.70 se šteje za dobrega. Pri regresijskih problemih, kot je napovedovanje obsega škode, uporabljamo metrike kot so RMSE, MAE (Mean Absolute Error) in R-squared. RMSE in MAE merita povprečno napako napovedi, medtem ko R-squared meri delež variance odvisne spremenljivke, ki ga model pojasni. Nižji RMSE in MAE ter višji R-squared pomenijo boljši model. Na primer, model z RMSE v višini 1.200 EUR za napoved škod v povprečju 3.500 EUR je bistveno boljši kot model z RMSE 2.500 EUR.

Interpretacija teh metrik je ključna za razumevanje, kako dobro model deluje v realnem svetu. Visok AUC na primer pomeni, da model dobro identificira tiste z visokim tveganjem, kar je bistveno za proaktivno upravljanje portfelja. Vendar pa je pomembno upoštevati tudi poslovni kontekst. Model z visokim AUC, ki pa ima zelo nizek Precision za določen segment strank, morda ne bo uporaben za ciljano trženje ali preprečevanje škod v tem segmentu. Poleg teh standardnih metrik je v zavarovalništvu pomembna tudi analiza 'lift' krivulj, ki pokažejo, kako učinkovito model identificira visoko tvegane stranke v primerjavi z naključnim izborom. Na primer, model, ki pri izboru 10% najvišje tveganih strank identificira 50% vseh škodnih zahtevkov, ima 'lift' faktor 5 (50% / 10%). Te analize nam pomagajo pri odločitvah, kot je prilagoditev premij ali ponudba preventivnih programov določenim skupinam.

Optimizacija modelov za zmanjšanje razmerja škod do premij

Končni cilj uporabe prediktivnih modelov v zavarovalništvu je izboljšanje donosnosti in stabilnosti portfelja, predvsem z optimizacijo razmerja škod do premij (Loss Ratio). Loss Ratio je kritičen finančni kazalnik, ki se izračuna kot (celotne plačane škode + stroški reševanja škod) / (zaslužene premije). Želimo si čim nižje razmerje, vendar ne na račun nezadostnega kritja za stranke. Strojno učenje omogoča večsmerno optimizacijo. Prvič, z natančnejšo oceno tveganja lahko zavarovalnice določijo bolj diferencirane in pravičnejše premije. Stranke z nižjim tveganjem plačajo manj, medtem ko stranke z višjim tveganjem plačajo več, kar uravnoteži portfelj. Na primer, če model napove, da ima določena skupina strank 1.8-krat višjo verjetnost škode, se lahko premija za to skupino sorazmerno poviša, da se pokrije pričakovano povišanje škod.

Drugič, prediktivni modeli omogočajo proaktivno upravljanje škod. Z identificiranjem strank z visokim tveganjem se lahko uvedejo preventivni ukrepi ali ponudijo programi za zmanjšanje tveganja (npr. nasveti za varno vožnjo, programi za izboljšanje ergonomije delovnega mesta). To ne samo zmanjšuje stroške zavarovalnice, ampak tudi koristi strankam z zmanjšanjem verjetnosti nezgode. Tretjič, ML algoritmi so učinkoviti pri zaznavanju prevar. Z identifikacijo netipičnih vzorcev v škodnih zahtevkih lahko zavarovalnice preprečijo izplačilo lažnih zahtevkov, kar direktno vpliva na zmanjšanje Loss Ratio. S pravilno implementacijo in stalno optimizacijo modelov lahko zavarovalnice dosežejo zmanjšanje Loss Ratio za 2-5 odstotnih točk, kar na letni ravni pomeni znatne finančne prihranke.

Kaj je krito in kaj ni krito pri nezgodnih zavarovanjih: Osnove

Razumevanje kritja nezgodnega zavarovanja je ključno tako za zavarovalca kot za zavarovanca. Nezgoda je po definiciji nenaden, od zunaj, neodvisno od volje zavarovanca delujoč dogodek, ki povzroči telesno poškodbo, invalidnost ali smrt. Osnovna kritja, ki jih običajno ponuja nezgodno zavarovanje, vključujejo: **Trajna invalidnost zaradi nezgode** (izplačilo določenega odstotka zavarovalne vsote glede na stopnjo invalidnosti), **Smrt zaradi nezgode** (izplačilo zavarovalne vsote dedičem), **Dnevno nadomestilo za čas zdravljenja po nezgodi** (izplačilo določenega zneska za vsak dan začasne nezmožnosti za delo), **Stroški zdravljenja in reševanja po nezgodi** (kritje stroškov zdravljenja, prevoza, rehabilitacije, ki niso kriti iz obveznega zdravstvenega zavarovanja) in **Zlom kosti** (izplačilo fiksnega zneska za določene zlome). Specifična kritja in njihovi obsegi se lahko bistveno razlikujejo med zavarovalnicami in posameznimi produkti. Vedno preverite pogoje vaše zavarovalne police in vprašajte za podrobnosti, saj je bolje biti dobro informiran, preden se zgodi nezgoda.

Vendar pa obstajajo tudi izključitve, ki niso krite. Najpogostejše izključitve vključujejo: **Bolezni in bolezenska stanja**, ki niso posledica nezgode (npr. srčni infarkt ali kap, razen če so neposredna posledica nenadne zunanje sile), **Poškodbe, ki so si jih zavarovanec namenoma povzročil**, **Poškodbe pod vplivom alkohola ali drog** (nad določeno dovoljeno mejo, določeno v pogojih), **Poškodbe, nastale med vožnjo pod vplivom alkohola ali drog**, **Poškodbe, nastale med opravljanjem določenih ekstremnih športov ali nevarnih aktivnosti**, če le-te niso posebej dogovorjene in doplačane (npr. BASE jumping, globinsko potapljanje brez ustrezne licence), **Vojna dejanja, nemiri ali teroristična dejanja** (razen v posebnih dogovorih) in **Posledice zdravstvenih posegov**, ki niso bili nujni in so bili opravljeni brez predhodnega soglasja zavarovalnice, če so posegi povezani z že obstoječimi boleznimi. Pomembno je, da se zavarovanec seznani s celotnim seznamom izključitev v splošnih in posebnih pogojih zavarovanja, saj te določajo meje kritja.

Regulativni in etični vidiki uporabe ML v zavarovalništvu

Uporaba strojnega učenja v zavarovalništvu ni le tehnična, ampak tudi regulativna in etična dilema. Zavarovalnice morajo delovati v skladu z veljavno zakonodajo, kot je Zakon o zavarovalništvu (ZZavar-1), ki določa splošni okvir za delovanje zavarovalnic v Sloveniji. Poleg tega je ključna skladnost z zakonodajo o varstvu osebnih podatkov, predvsem z GDPR in slovenskimi izvedbenimi predpisi, ki določajo stroga pravila za zbiranje, obdelavo in shranjevanje podatkov. To vključuje načela minimizacije podatkov, privolitve posameznika in pravice do pojasnitve avtomatiziranih odločitev. Uporaba ML modelov za določanje premij ali zavračanje kritij mora biti transparentna in poštena, da se prepreči diskriminacija na podlagi varovanih karakteristik.

Agencija za zavarovalni nadzor (AZN) aktivno spremlja razvoj in uporabo naprednih analitičnih tehnik v zavarovalništvu ter izdaja smernice za njihovo varno in etično uporabo. Poseben poudarek je na preprečevanju diskriminatornih praks, ki bi lahko izhajale iz prediktivnih modelov. Na primer, model ne sme posredno diskriminirati posameznikov na podlagi rase, spola ali verske pripadnosti, tudi če te spremenljivke niso neposredno vključene v model. Skrbna validacija modelov in stalno spremljanje njihovega delovanja sta nujna za zagotavljanje etične in regulativne skladnosti. Zavarovalnice morajo tudi vzpostaviti interne protokole za reševanje morebitnih pritožb v zvezi z avtomatiziranimi odločitvami, kar zagotavlja pravico posameznikov do poštene obravnave.

Praktični primer: Optimizacija premije s pomočjo ML modela

Predstavljajmo si zavarovalnico 'Zavarovanje Petra', ki želi optimizirati premije za nezgodno zavarovanje delavcev v manjših podjetjih. Trenutna premija je določena pavšalno glede na dejavnost podjetja. Z implementacijo ML modela, ki uporablja Random Forest algoritem, želimo bolj natančno oceniti tveganje za vsakega zaposlenega. Model vključi podatke, kot so starost zaposlenega, dolžina delovne dobe v podjetju, izkušnje z nezgodami v preteklosti (posameznika in podjetja) ter podrobnejša kategorizacija delovnega mesta znotraj podjetja (npr. pisarniško delo vs. delo v proizvodnji). Po treniranju modela na zgodovinskih podatkih se ugotovi, da zaposleni v proizvodnji med 25. in 35. letom starosti, ki imajo manj kot 2 leti delovne dobe, kažejo 2.3-krat višje tveganje za nezgodo kot povprečje podjetja. Nasprotno, pisarniški delavci nad 45 let z več kot 10 leti delovne dobe imajo 0.4-krat nižje tveganje. Na podlagi teh ugotovitev, model izračuna diferencirano 'faktor tveganja' za vsakega zaposlenega. Recimo, da je povprečna premija 100 EUR. Za zaposlenega z 'faktorjem tveganja' 2.3 se premija poveča na 230 EUR (informativni primer izračuna), za zaposlenega s 'faktorjem tveganja' 0.4 pa zniža na 40 EUR.

S takšno optimizacijo premij zavarovalnica doseže večjo pravičnost in natančnost. Zmanjša se tveganje, da bi stranke z nizkim tveganjem preplačale, medtem ko stranke z visokim tveganjem plačajo ustrezno premijo. To izboljša konkurenčnost zavarovalnice in zmanjša 'adverse selection', kjer se tveganje koncentrira pri zavarovalnici, ker so premije prenizke za visoko tvegane posameznike. Poleg tega lahko zavarovalnica na podlagi modela identificira najbolj tvegane skupine in jim ponudi prilagojene preventivne programe – npr. dodatna izobraževanja o varnosti pri delu za mlade delavce v proizvodnji. Z analizo, ki jo ponuja ta model, se je razmerje škod do premij v poskusnem portfelju zmanjšalo za 3.5 odstotne točke v prvem letu, kar pomeni pomembne prihranke in dolgoročno stabilnost za zavarovalnico 'Zavarovanje Petra'. Ta pristop ne le finančno koristi zavarovalnici, temveč tudi spodbuja varnejše delovno okolje in zmanjšuje število nezgod med zaposlenimi.

Izzivi in prihodnost strojnega učenja v nezgodnih zavarovanjih

Kljub obetavnim rezultatom se pri implementaciji strojnega učenja v nezgodnih zavarovanjih soočamo z več izzivi. Eden največjih je kakovost in dostopnost podatkov. Zavarovalnice pogosto razpolagajo z zgodovinskimi podatki, ki so nepopolni, nekonzistentni ali jih je težko integrirati iz različnih virov. Manjkajoče vrednosti, nepravilni vnosi in zastareli podatki lahko bistveno zmanjšajo napovedno moč modelov. Drug izziv je 'interpretativnost' kompleksnih modelov, kot so nevronske mreže. Regulatorji in stranke zahtevajo pojasnila za odločitve, ki jih sprejmejo algoritmi, kar je pri 'črnih škatlah' težavno. Potrebno je razvijati metode 'Explainable AI' (XAI), ki omogočajo vpogled v delovanje modelov, kot so SHAP vrednosti ali LIME.

Prihodnost strojnega učenja v nezgodnih zavarovanjih je svetla. Pričakujemo nadaljnjo integracijo z IoT napravami (pametne ure, senzorji v vozilih, pametni dom), ki bodo zagotavljale podatke v realnem času o življenjskem slogu in izpostavljenosti tveganjem. To bo omogočilo še bolj personalizirane produkte in storitve. Razvoj generativnih modelov in 'Reinforcement Learninga' bi lahko pripeljal do avtomatiziranega upravljanja portfeljev in dinamičnega prilagajanja premij. Končno, vidim tudi porast hibridnih modelov, ki združujejo moč strojnega učenja s tradicionalnimi aktuarskimi in statističnimi metodami. To bo omogočilo bolj robustne in interpretativne rešitve, ki bodo združevale prednosti obeh svetov, s končnim ciljem zagotavljanja optimalnega kritja in zmanjševanja tveganj za vse vpletene strani.

Zaključek: Moč strojnega učenja za varno prihodnost

Strojno učenje in prediktivna analitika predstavljata prelomnico v zavarovalništvu, še posebej pri nezgodnih zavarovanjih. Z omogočanjem natančnejšega ocenjevanja tveganj, optimizacije premij in proaktivnega upravljanja s škodnimi zahtevki, ti pristopi ne le izboljšujejo finančno stabilnost zavarovalnic, temveč tudi zagotavljajo pravičnejše in bolj prilagojene produkte za zavarovance. Implementacija zahteva poglobljeno razumevanje algoritmov, skrbno izbiro prediktorskih spremenljivk in dosledno vrednotenje modelov z ustreznimi metrikami. Ob tem je ključnega pomena tudi upoštevanje regulativnih in etičnih smernic, ki zagotavljajo poštenost in transparentnost.

Kot zavarovalna strokovnjakinja verjamem, da bo strojno učenje v prihodnosti še bolj utrdilo svoj položaj kot nepogrešljivo orodje v zavarovalniški industriji. Moč teh tehnologij nam omogoča, da se bolje pripravimo na negotovosti jutrišnjega dne in ustvarjamo varnejše okolje za posameznike in podjetja. Če imate dodatna vprašanja ali bi želeli podrobneje razpravljati o implementaciji prediktivnih modelov v vašem zavarovalnem portfelju, me kontaktirajte. Z veseljem delim svoje izkušnje in znanje.

Pogosta vprašanja

Kateri algoritmi so najučinkovitejši za napovedovanje škod?

Najpogosteje se uporabljajo Random Forest, Gradient Boosting Machines (npr. XGBoost, LightGBM) in nevronske mreže. Izbira je odvisna od kompleksnosti podatkov in specifičnih ciljev, pri čemer drevesni modeli pogosto nudijo dober kompromis med natančnostjo in interpretativnostjo.

Kako strojno učenje pomaga zmanjšati razmerje škod do premij?

ML omogoča natančnejšo oceno tveganja in diferenciacijo premij, kar zmanjšuje podcenjevanje tveganja. Prav tako omogoča proaktivno upravljanje škod (preventiva) in učinkovito zaznavanje prevar, kar neposredno vpliva na znižanje stroškov škod in izboljšanje finančne stabilnosti.

Katere so ključne prediktorske spremenljivke pri nezgodnih zavarovanjih?

Med ključne prediktorske spremenljivke spadajo demografski podatki (starost, spol), poklicna tveganja, zgodovina preteklih škod in določeni dejavniki življenjskega sloga. Kakovosten inženiring značilk lahko močno izboljša napovedno moč modela in natančnost.

Ali je uporaba ML v zavarovalništvu skladna z GDPR?

Da, vendar z zahtevo po strogi skladnosti. Potrebno je zagotoviti načela minimizacije podatkov, privolitve posameznika in transparentnost pri avtomatiziranih odločitvah. Regulatorji, kot je AZN, spremljajo uporabo in določajo smernice za etično ravnanje.

Kaj pomeni AUC in F1-score v kontekstu napovedovanja škod?

AUC (Area Under the Curve) meri sposobnost modela, da razlikuje med tistimi, ki bodo prijavili škodo, in tistimi, ki je ne bodo. F1-score pa je harmonično povprečje natančnosti in priklica, uporabno predvsem pri neuravnoteženih podatkovnih nizih, kjer so škodni dogodki redki.

Viri in reference

• Uradni list RS – Zakon o zavarovalništvu (ZZavar-1)
• Agencija za zavarovalni nadzor (AZN) – Smernice za uporabo analitike v zavarovalništvu
• Uradni list RS – 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

  Izračun zavarovalne vsote in pravila prekinitve riziko življenjske police

• 
  Primer: Tehnični vpogledi

  Strokovni pregled in optimizacija nezgodnih polic z Petro Guštin

• 
  Primer: Tehnični vpogledi

  Kolektivno nezgodno zavarovanje zaposlenih: Znižanje tveganj delodajalca

• 
  Primer: Tehnični vpogledi

  Naložbeno zavarovanje: struktura stroškov, ki jo morate poznati

• 
  Primer: Tehnični vpogledi

  Nezgodno zavarovanje otrok in odškodnine za poškodbe kolenskih vezi