Zdravotní wearables a pojistná rizika: využití dat pro pojišťovací a regulační účely

Proč zdravotní wearables mění pojištění a proč je to etický problém

Zdravotní wearables – chytré hodinky, náramky, náplasti, prsteny, glukózové senzory či chytré textilie – shromažďují údaje o variabilitě srdečního rytmu, spánku, fyzické aktivitě, glykémii nebo stresu. Pojišťovny tyto údaje stále častěji využívají k risk-based pricing (dynamickému pojistnému), prevenci a řízení rizik. V kontextu neetického chování na internetu však vzniká napětí mezi inovacemi a ochranou soukromí, rovností přístupu k pojištění a rizikem diskriminace na základě jemných zdravotních a behaviorálních signálů.

Ekosystém zdravotních wearables: aktéři, zařízení a datové toky

Zařízení: fitness náramky, chytré hodinky, CGM senzory (kontinuální měření glykémie), EKG náplasti, PPG snímače (tep, HRV), spirometrické nástavce, chytré prsteny a trička.
Aplikace a platformy: mobilní aplikace výrobců, agregátory (HealthKit, Google Health Connect), portály pojišťoven.
Analytika: algoritmy pro detekci arytmií, apnoe, stresu, adherence k léčbě, skóre životního stylu.
Integrace: poskytovatelé zaměstnaneckých benefitů, telemedicína, lékárny, programy wellness.
Pojistné procesy: underwriting, risk adjustment, prevence (koučink), likvidace pojistných událostí a antifraud.

Typický tok dat: senzor → mobilní aplikace → cloud výrobce → agregátor → analytika → pojišťovna. Každý článek představuje riziko úniku, odvozování informací a změny účelu zpracování.

Jaké údaje se shromažďují a proč jsou citlivé

Biometrické a fyziologické signály: tep, HRV, saturace, teplota, glykémie, EKG, dechová frekvence.
Behaviorální ukazatele: kroky, tréninky, sedavý způsob života, struktura spánku, cirkadiánní rytmus.
Kontext a metadata: geolokace, časová razítka, vzorce používání zařízení, sociální a pracovní rytmy.
Odvozené informace vyššího řádu: pravděpodobnost depresivních epizod, riziko kardiovaskulárních příhod, dodržování diety/terapie.

Tyto údaje spadají do zvláště citlivé kategorie, protože umožňují dlouhodobé profilování zdravotního stavu a životního stylu, které může ovlivnit nárok na pojištění, výši pojistného a zaměstnatelnost.

Využití v pojišťovnictví: od prevence k dynamickému pojistnému

Dynamické pojistné (pojištění založené na využívání a chování): slevy/penalizace podle skóre aktivity, spánku a kardiometabolických ukazatelů.
Personalizovaná prevence: koučinkové programy, upozornění na rizikové trendy, cílené intervence.
Underwriting a risk segmentation: přesnější kategorizace rizik, screening skrytých komorbidit.
Antifraud a ověřování událostí: porovnávání pohybových a zdravotních dat s nahlášenými škodami.
Řízení chronických onemocnění: CGM a monitorování srdeční činnosti jako podmínka benefitu či slevy.

Etická rizika: kde přesně vzniká „neetické“ jednání

Asymetrie moci a informací: uživatelé nerozumějí modelům, váze jednotlivých signálů ani dlouhodobým dopadům sdílení.
Rozšiřování účelu a sekundární využití: data shromážděná pro „wellness“ se použijí pro hard underwriting.
Diskriminace a skryté předsudky: trénování na historických datech znevýhodňuje některé profese, ženy, jazykové menšiny nebo osoby s nízkými příjmy (horší přístup k zařízením).
Nátlakový souhlas: „dobrovolné“ programy, které de facto podmiňují přijatelné pojistné předáním dat.
Bezpečnost a zneužití: únik surových signálů, opětovná identifikace anonymizovaných datových souborů, prodej dat třetím stranám.

Právní rámec a zásady zpracování

Ochrana osobních údajů: právní základ, výslovný a oddělený souhlas pro jednotlivé účely, minimalizace a omezení účelu, právo na přístup, opravu, výmaz a přenositelnost.
Zdravotní údaje jako zvláštní kategorie: zpracování pouze s výslovnými zárukami a přiměřenou ochranou (šifrování, pseudonymizace, audit).
Automatizované rozhodování: zákaz čistě automatizovaných rozhodnutí s právním účinkem bez možnosti lidského přezkumu a vysvětlení.
Smluvní transparentnost: jasné oddělení účelu „wellness“ a účelu stanovení pojistného; zákaz podmiňovat službu nepotřebnými souhlasy.

Modelování rizika na základě dat z wearables: metodické a technické limity

Drift a sezónnost: aktivita kolísá podle ročních období a životních událostí, což může nespravedlivě měnit pojistné.
Chyby měření a heterogenita senzorů: přesnost PPG oproti EKG, odlišné algoritmy výrobců.
Konfundující proměnné: socioekonomický status, pracovní zátěž, péče o blízké; riziko zaměňování korelace za kauzalitu.
Manipulace a nepřátelské chování: umělé navyšování počtu kroků, pohyb zařízení mimo tělo, syntetická data.
Výběrové zkreslení: programy se častěji týkají lidí, kteří se již chovají „zdravěji“ – modely pak špatně zobecňují.

Matice rizik pro pojišťovací praxi

Riziko	Pravděpodobnost	Dopad	Zmírnění
Diskriminační skórování	Střední	Vysoký	Audity zkreslení, metriky spravedlnosti, omezení rozdílů, lidský přezkum
Nátlakový souhlas	Vysoká	Střední až vysoký	Oddělené souhlasy, rovnocenná alternativa bez předávání dat, posouzení přiměřenosti
Únik zdravotních dat	Střední	Vysoký	Šifrování end-to-end, segmentace, DLP, rotace klíčů, zero trust
Rozšiřování účelu	Střední	Střední	Pevné omezení účelu, nezávislý audit smluv a uživatelského rozhraní (dark patterns)
Nesprávné odvození (false positives)	Střední	Střední	Kontrafaktuální vysvětlení, důkazní standardy, pilotní projekty před plošným nasazením

Transparentnost a vysvětlitelnost: co musí pojištěnec vidět

Přehled dat: které signály se shromažďují, v jakých intervalech a jaké algoritmy a prahové hodnoty se používají.
Statement of reasons: proč se pojistné změnilo; přiřazení vlivu jednotlivým faktorům (např. 40 % spánek, 30 % aktivita, 30 % HRV).
Možnost volby: alternativní produkt za férovou cenu bez sdílení dat; možnost souhlasit či nesouhlasit s jednotlivými položkami.
Proces odvolání: lidský přezkum, oprava chyb měření, právo na vysvětlení a opravu dat.

Technická a organizační ochrana

Privacy by design: minimalizace, předběžné zpracování v zařízení, agregace a kvantizace před odesláním.
Diferenciální soukromí a federované učení: snížení rizika opětovné identifikace a úniků z centrálního cloudu.
Šifrování a politika správy klíčů: end-to-end, klíče chráněné hardwarem, rotace a přístupy na základě principu least privilege.
Segmentace a logování: oddělení datových zón pro wellness a pojištění, neměnné logy (WORM), pravidelné penetrační testy.
Governance modelů: karty modelů, dokumentace datových souborů, MLOps s auditní stopou, monitorování driftu a chyb.

Specifika produktového designu a UI/UX

Žádné dark patterns: výchozí nastavení „opt-out“ pro sdílení; jasné oddělení souhlasů podle účelu.
Podrobná kontrola: uživatel si volí, které metriky sdílí (např. kroky ano, HRV ne) a po jakou dobu.
Časové limity: automatické vypršení platnosti souhlasů, připomínky a snadné odvolání jedním kliknutím.
Režim citlivých období: možnost dočasně zastavit sdílení (nemoc, těhotenství, dovolená).

Socioekonomické dopady a spravedlnost

Programy, které odměňují „zdravé chování“, mohou neúmyslně znevýhodnit osoby s nízkými příjmy, atypickou pracovní dobou nebo zdravotním postižením. Eticky udržitelné pojištění musí zahrnovat zohlednění kontextu, ochranné limity (strop pro penalizace) a prvky solidarity, aby se předešlo digitálnímu redliningu.

Kontrolní seznam souladu s předpisy a etiky pro pojišťovny

Provést DPIA před spuštěním programu a při zásadních změnách modelu.
Zveřejnit zásady modelování (účel, metriky, limity, cíle spravedlnosti, intervaly auditů).
Zřídit nezávislý etický výbor s pravomocí vetovat modely s nepřiměřeným dopadem.
Zajistit alternativní produkt bez sdílení dat a bez nepřiměřeně vysokého příplatku.
Vést auditní stopu na úrovni příznaků, rozhodnutí a změn pojistného.

Doporučení pro výrobce a platformy

Standardizovat API a metriky kvality měření (přesnost, citlivost, FPR/TPR pro klinické funkce).
Podporovat lokální zpracování a export dat pro uživatele v interoperabilních formátech.
Zveřejnit politiku uchovávání dat a původ tréninkových datových souborů; umožnit darování dat s ochranou soukromí.

Doporučení pro pojištěnce a zaměstnavatele

Vyžadujte jasné informace o tom, které údaje ovlivňují pojistné a jakou mají váhu.
Upřednostňujte programy s dobrovolným, odvolatelným a podrobným souhlasem; vyhněte se variantě „všechno, nebo nic“.
Průběžně kontrolujte svá data (export, kontrola anomálií) a aktivujte upozornění na přístupy.
Zaměstnavatelé: nespojujte slevy na benefity s nuceným sdílením zdravotních dat; nabídněte rovnocennou alternativu.

Budoucí trendy: od wellness ke klinické přesnosti a regulované AI

Klinická wearables: posun k přesnosti laboratorních přístrojů (EKG, bezmanžetové měření krevního tlaku), který zvyšuje i nároky na regulaci.
Regulovaná vysvětlitelnost modelů: povinné reason codes při změnách pojistného a standardizované formáty reportování.
Edge AI a soukromé výpočty: bezpečné výpočty více stran (MPC) a homomorfní šifrování pro společné modely rizik bez sdílení surových dat.
Interoperabilita a přenositelnost: otevřená datová schémata, „pojistné peněženky“ se souhlasem ke zpracování dat ve formě tokenu.

Cesta k eticky udržitelnému pojištění podpořenému daty z wearables

Wearables mohou přinést spravedlivější a na prevenci zaměřené pojištění – pouze pokud jsou data shromažďována a využívána přiměřeně, transparentně a pod kontrolou samotného pojištěnce. Klíčem je kombinace principů privacy-by-design, vysvětlitelných modelů, lidského přezkumu a sociálních záruk. Bez těchto prvků hrozí, že se „zdravotní návyky“ promění v digitální okovy, které prohlubují nerovnosti a podkopávají důvěru v pojistný trh.