Mortality rate prediction based on deep learning methods in the Portuguese population

Beatriz Pereira Lourenço

Key information

Authors:

Beatriz Pereira Lourenço (Beatriz Pereira Lourenço)

Supervisors:

Susana Margarida da Silva Vieira (Susana Margarida da Silva Vieira); Aldo Robles Arévalo (Aldo Robles Arevalo)

Published in

June 28, 2023

Abstract

As taxas de mortalidade constituem um determinante imensurável do bem-estar de uma comunidade, influenciando estratégias governamentais de saúde destinadas a reduzir mortes prematuras e promover a qualidade de vida. Apesar do papel histórico destas taxas no crescimento populacional, institutos estatísticos e companhias de seguros têm predominantemente utilizado métodos tradicionais e de extrapolação linear para previsão de mortalidade. Este trabalho compara o poder preditivo de um modelo clássico de previsão de mortalidade, o Modelo de Lee-Carter, com técnicas de Aprendizado Profunda, com aplicação na população portuguesa em diferentes faixas etárias entre 1940 a 2020. As arquiteturas LSTM, GRU e Transformer foram utilizadas para este fim. O objetivo foi identificar o modelo mais preciso e confiável para previsão de mortalidade, que simultaneamente modelasse as populações feminina e masculina. Como o modelo de Lee-Carter não possui esta característica, este modelo implica a modelação separada das populações por género. Os resultados demonstraram que, embora o modelo Lee-Carter tenha apresentado um desempenho razoável (MSE de 8,80x10^-4 para a população feminina; (MSE de 6,19x10^-4) para a população masculina), os modelos baseados em LSTM superaram este desempenho (MSE de 0,73x10^-4 para a população feminina; (MSE de 2,20x10^-4) para a população masculina). O modelo LSTM adaptado para populações de dois géneros obteve os melhores resultados, enquanto os modelos baseados nas arquiteturas GRU e Transformer apresentaram resultados moderados. Por último, dois métodos de atribuição local foram usados: um método baseado em gradientes (i.e Integrated Gradients) e um método baseado em perturbações (i.e, Kernel SHAP). Mortality rates present an invaluable determinant of community well-being, heavily impacting health strategies aimed at curbing untimely death and promoting quality living. Despite the historical role of mortality rates in shaping population growth, statistical offices and insurance companies have predominantly used traditional methods and linear extrapolation for mortality forecasting. This research compares the accuracy of a commonly employed mortality prediction forecaster, the Lee-Carter Model, with deep learning techniques, focusing on the Portuguese population across different age groups from 1940 to 2020. The LSTM, GRU, and Transformer architectures, were employed. The objective was to identify the most accurate and reliable model for mortality prediction that also incorporates simultaneously the modeling of both the female and male populations. As the baseline model lacks this capability, it necessitates separate modeling of the two gender populations. Results indicated that while the Lee-Carter model performed reasonably well in predicting mortality for both genders (8,80x10^-4 MSE on female population; 6,19x10^-4 MSE on male population), the LSTM models outperformed it (0,73x10^-4 MSE on female population; 2,20x10^-4 MSE on male population), demonstrating superior predictive capabilities. Notably, the LSTM model adapted for two-gender populations yielded the best results while GRU-based and Transformer models showed mixed results. The two-gender adaptation of these models outperformed the Lee-Carter model for females, but it did not do so for males. Lastly, the best performing model is explained using two Local attribution methods: a gradient-based method (i.e.: Integrated Gradients), and a perturbation-based method (i.e., Kernel SHAP).