第一生命 — AI引受審査で審査期間を5日→1日（80%削減）、NLP医療文書解析で営業職員のAI活用率向上

企業概要

• 社名: 第一生命保険株式会社
• グループ: 第一生命ホールディングス傘下
• 事業: 生命保険（定期・終身・医療・がん保険等）
• 規模: 国内生保業界大手、保有契約高は業界トップクラス
• 営業体制: 全国約4万人の営業職員（「ライフプランナー」）
• AI推進方針: 「デジタルと人の力を組み合わせ、顧客一人ひとりに最適な保険を提供」

背景と課題

課題1: 引受審査のボトルネック

生命保険の加入審査（引受審査）では、顧客の健康状態・病歴を記載した医療文書を審査担当者が精読・判断する。

• 人手による医療文書解析の限界: 専門用語が多く、審査担当者のトレーニングに時間がかかる
• 審査期間の長さ: 複雑な案件は平均5日以上かかり、顧客・営業職員の不満要因に
• 審査品質のばらつき: 担当者の経験・知識差により判断結果が一致しないケースがある
• 増加する申込件数: 営業力強化に伴い申込件数が増加しても、審査部門の増員は困難

課題2: 営業職員の提案品質格差

約4万人の営業職員の保険知識・提案スキルには大きな個人差があり、

• 新人・中堅職員が複雑な医療保険・投資型保険の提案を適切に行うのが困難
• 顧客の状況に合わせた最適なプラン選択に時間がかかる
• ベテラン職員のノウハウが組織に共有されていない

導入したシステム・AI

① NLP医療文書解析エンジン

自然言語処理（NLP）を用いて、健康告知書・診断書の医療テキストを自動解析。

• 技術: 日本語医療特化型NLPモデル（BERT系のファインチューニング）
• 処理内容: 病名・治療歴・投薬情報を構造化データに変換
• ICD-10対応: 病名を国際疾病分類コードに自動マッピング
• 出力: 疾患リスト・治療状況・現在の健康状態サマリー

② AIリスクスコアリングモデル

NLPで抽出した医療情報と契約希望情報をもとに、引受リスクを定量スコア化。

• 技術: 機械学習（Gradient Boosting + ロジスティック回帰アンサンブル）
• 学習データ: 過去数百万件の引受審査事例と引受結果
• 出力: 引受可否スコア・特別条件提案（部位不担保・保険料割増等）・審査担当者へのコメント
• 自動化範囲: 標準リスク案件の約60%を自動承認、残り40%は審査担当者がAI支援付きでレビュー

③ 営業職員向けAIアシスタント

タブレット端末で使える営業職員向けのAI相談支援システム。

• 機能: 顧客プロフィール入力 → 最適な保険プランをAIが推薦・説明
• 根拠提示: 推薦理由を自然言語で説明（「〇〇さんの年齢・家族構成・収入を考慮すると...」）
• シミュレーション: 保険料・保障額のシミュレーションをリアルタイムで計算
• FAQ対応: 複雑な保険の仕組みをAIが平易な言葉で説明

成果

実装方法

引受審査AIのシステムアーキテクチャ

1. 入力層: 顧客が記入した健康告知書・医療機関の診断書をOCRでデジタル化（手書き対応含む）
2. NLP処理層: 医療特化NLPモデルが病名・治療歴・投薬情報を抽出・構造化
3. リスク評価層: 抽出情報 + 契約希望情報（保険種類・保障額・年齢等）をMLモデルに投入
4. 意思決定層: スコアに応じて自動承認 / 条件付き提案 / 人間審査エスカレーションを振り分け
5. フィードバック層: 審査担当者の最終判断をモデルに定期的にフィードバックして精度改善

品質・コンプライアンス管理

• 説明可能性（XAI）: SHAP値でAIの判断根拠を可視化し、審査担当者・顧客への説明責任を担保
• 規制対応: 保険業法・個人情報保護法に準拠したデータ管理・監査ログの整備
• バイアス監査: 年齢・性別・職業等の属性による不当な差別がないか定期的に統計検証
• ヒューマンオーバーサイト: 全自動承認案件も週次サンプリング監査で品質担保

営業AIアシスタントの設計

• クラウドベースのAPIとして実装し、全国の営業職員タブレットからオフライン対応も可能
• 顧客データは端末に保存せず、全てサーバーサイドで処理（情報漏洩防止）
• 推薦結果はログ保存し、コンプライアンス監査・適合性原則の記録として活用

自前で実装するなら（参考コード）

OpenAI APIを使った保険引受審査支援システムの参考実装です。医療文書のNLP解析とリスクスコアリングを組み合わせたアプローチを示します。

import json
from openai import OpenAI
from sklearn.ensemble import GradientBoostingClassifier
import numpy as np

client = OpenAI()

# ─── Stage 1: 医療文書NLP解析 ───

def extract_medical_info(medical_text: str) -> dict:
    """
    健康告知書・診断書テキストから医療情報を構造化データとして抽出する
    """
    response = client.chat.completions.create(
        model="gpt-4o",
        response_format={"type": "json_object"},
        messages=[
            {
                "role": "system",
                "content": (
                    "あなたは生命保険の引受審査を支援する医療情報解析AIです。\n"
                    "提供された健康告知書・診断書テキストを解析し、以下のJSON形式で出力してください:\n"
                    "{\n"
                    '  "diagnosed_conditions": [\n'
                    '    {"disease_name": "病名", "icd10_code": "ICD-10コード", '
                    '"severity": "mild/moderate/severe", "treatment_status": "治療中/治療完了/経過観察"}\n'
                    "  ],\n"
                    '  "current_medications": ["現在服用中の薬のリスト"],\n'
                    '  "surgery_history": ["手術歴リスト（年・術式）"],\n'
                    '  "lifestyle_risks": ["喫煙/飲酒/肥満等のリスク因子"],\n'
                    '  "underwriting_concerns": ["引受審査で特に注意すべき点"],\n'
                    '  "overall_health_summary": "健康状態の総合サマリー（1-2文）"\n'
                    "}"
                )
            },
            {
                "role": "user",
                "content": f"以下の健康告知書を解析してください:\n\n{medical_text}"
            }
        ]
    )
    return json.loads(response.choices[0].message.content)

# ─── Stage 2: 機械学習によるリスクスコアリング ───

def build_underwriting_model(training_cases: list[dict]) -> GradientBoostingClassifier:
    """
    過去の引受審査事例でリスクスコアリングモデルを学習
    """
    # 特徴量エンジニアリング（医療情報 + 申込情報）
    X = np.array([
        [
            case["age"],
            case["num_conditions"],           # 既往症数
            case["has_chronic_disease"],      # 慢性疾患の有無 (0/1)
            case["max_severity_score"],       # 最重症疾患の重症度 (1-3)
            case["years_since_last_treatment"],
            case["bmi"],
            case["is_smoker"],
        ]
        for case in training_cases
    ])
    y = np.array([case["accepted"] for case in training_cases])  # 1=引受可, 0=引受不可

    model = GradientBoostingClassifier(n_estimators=300, max_depth=4, random_state=42)
    model.fit(X, y)
    return model

def score_applicant(medical_info: dict, applicant: dict, model) -> dict:
    """
    NLP解析結果 + 申込者情報でリスクスコアを算出
    """
    conditions = medical_info.get("diagnosed_conditions", [])
    severity_map = {"mild": 1, "moderate": 2, "severe": 3}
    max_severity = max([severity_map.get(c.get("severity", "mild"), 1) for c in conditions], default=0)

    features = np.array([[
        applicant["age"],
        len(conditions),
        1 if any(c.get("treatment_status") == "治療中" for c in conditions) else 0,
        max_severity,
        applicant.get("years_since_last_treatment", 10),
        applicant.get("bmi", 22.0),
        1 if "喫煙" in medical_info.get("lifestyle_risks", []) else 0,
    ]])

    accept_prob = model.predict_proba(features)[0][1]

    if accept_prob >= 0.85:
        decision = "自動承認"
        condition = "標準条件"
    elif accept_prob >= 0.60:
        decision = "条件付き承認候補"
        condition = "部位不担保または保険料割増の可能性あり"
    else:
        decision = "審査担当者エスカレーション"
        condition = "詳細審査が必要"

    return {
        "accept_probability": round(accept_prob, 3),
        "decision": decision,
        "condition": condition,
        "requires_human_review": accept_prob < 0.85,
        "underwriting_notes": medical_info.get("underwriting_concerns", []),
    }

# ─── 使用例 ───

medical_document = """
健康告知書
既往症: 2型糖尿病（2019年診断、現在インスリン治療中）
血圧: 135/85（高血圧傾向、降圧剤服用中）
手術歴: なし
身長172cm、体重78kg（BMI 26.4）
喫煙: なし、飲酒: 週2回程度
直近の健康診断: 2024年3月（血糖値HbA1c 7.2%）
"""

# Step 1: 医療文書解析
medical_info = extract_medical_info(medical_document)
print("解析結果:")
print(f"  診断病名: {[c['disease_name'] for c in medical_info['diagnosed_conditions']]}")
print(f"  引受懸念点: {medical_info['underwriting_concerns']}")

# Step 2: モデルは実際には数十万件のデータで訓練（ここではダミーデータ）
dummy_training = [
    {"age": 45, "num_conditions": 1, "has_chronic_disease": 1, "max_severity_score": 2,
     "years_since_last_treatment": 0, "bmi": 26.0, "is_smoker": 0, "accepted": 0},
    {"age": 35, "num_conditions": 0, "has_chronic_disease": 0, "max_severity_score": 0,
     "years_since_last_treatment": 10, "bmi": 22.0, "is_smoker": 0, "accepted": 1},
]
model = build_underwriting_model(dummy_training)

# Step 3: リスクスコアリング
result = score_applicant(
    medical_info,
    applicant={"age": 52, "bmi": 26.4, "years_since_last_treatment": 0},
    model=model
)
print(f"\n引受判定: {result['decision']}")
print(f"承認確率: {result['accept_probability']:.1%}")
print(f"条件: {result['condition']}")

アーキテクチャのポイント: NLPによる非構造化医療文書の構造化（Stage1）と機械学習によるリスクスコアリング（Stage2）を分離することで、各コンポーネントを独立して改善できます。SHAP値でAIの判断根拠を説明可能にすることが、保険業法上の適合性原則対応にも重要です。

参照

• 第一生命プレスリリース「AI活用による引受審査効率化」(2022年)