Predição de custo em plano de saúde: como IA identifica quem vai gerar 50% do gasto

Resumo executivo

• A regra 5/50, documentada pelo Kaiser Permanente e amplamente replicada em estudos de saúde populacional, mostra que 5% dos beneficiários de um plano de saúde geram 50% de todo o custo. Identificar esse grupo antes que o custo se materialize é o problema central da gestão preditiva.
• O mercado de saúde corporativa opera majoritariamente no retrovisor: analisa quem gastou no último ciclo e tenta negociar o reajuste com base nesse histórico. A gestão preditiva inverte essa lógica: usa dados integrados para prever quem vai gastar nos próximos 6 a 12 meses.
• O algoritmo de inteligência preditiva da Axenya, chamado Axenya IQ, integra mais de 8 fontes de dados e opera em três fases: probabilidade de doença, custo futuro esperado e custo evitável com intervenção. O resultado é uma lista priorizada de colaboradores para abordagem ativa.
• Este artigo explica como funciona a predição de custo na prática, quais dados são necessários, como interpretar os resultados e o que fazer com eles.

Neste artigo

O problema do retrovisor: por que olhar para trás não resolve

Quando o RH ou o CFO recebe o relatório de sinistralidade do trimestre, está olhando para o passado. Os dados mostram quem foi ao médico, quem internou, quem usou o pronto-socorro. Esse histórico é útil para entender o que aconteceu, mas não para prever o que vai acontecer.

O problema é que o custo de saúde não é aleatório. Ele segue padrões previsíveis: um colaborador com diabetes não controlada tem probabilidade muito maior de internar por complicação nos próximos 12 meses do que um colaborador saudável. Para o panorama completo, veja dashboard de sinistralidade: guia completo.

Um colaborador com histórico de doença cardiovascular e sedentarismo tem risco elevado de evento agudo. Esses padrões podem ser identificados com antecedência, se os dados certos estiverem disponíveis.

A gestão reativa espera o evento acontecer para agir. A gestão preditiva age antes do evento, quando a intervenção ainda é possível e o custo ainda é evitável. A diferença entre as duas abordagens é, literalmente, a diferença entre pagar a internação ou evitá-la.

O que o retrovisor erra, em número

A objeção prática ao retrovisor não é filosófica: é que a lista se renova. Quem está no topo do gasto neste ciclo em boa parte não é quem estará no próximo, e isso já foi medido em população grande de plano empresarial.

Duas conclusões saem da mesma tabela, e elas são opostas apenas na aparência.

A primeira: a maior parte de quem gasta muito em um ano não gasta muito no seguinte. Vinte e um por cento da população apareceu no topo em um ou dois anos dos cinco: entra e sai. Programa desenhado sobre a lista do ciclo anterior gasta coordenação com quem já saiu do problema e não enxerga quem está entrando nele.

A segunda: existe um núcleo que persiste, e ele é pequeno e caro. Os 2% que estiveram no topo todos os cinco anos concentraram 19% de todo o gasto do último ano da série. Esse grupo é previsível pelo histórico, porque o que o sustenta é condição crônica estabelecida, não evento agudo.

Ou seja: o retrovisor não é inútil, ele é suficiente para um grupo e cego para o resto. Ele encontra o núcleo persistente e perde tanto quem está começando uma condição crônica quanto quem vai ter o evento agudo do próximo ciclo. É exatamente essa parcela cega que a predição existe para cobrir.

Na operação da Axenya, a régua usada em campo é ainda mais direta. Como descrito no webinar Dos Dados à Decisão: "70, 75% das pessoas que vão ser seus utilizadores dos próximos 12 meses (…) não eram no ciclo passado". A prática que o número condena é específica e muito comum: "você faz uma lista das pessoas ali que são os hiperutilizadores dos últimos 6, 12 meses (…) eu vou mandar essa galera pro meu médico do trabalho, eu vou encaminhar elas para uma rede parceira". A metodologia captura parte do problema, e só parte: "você está olhando o passado, tentando predizer o futuro (…) e essa turminha muda".

Há um agravante silencioso nesse desenho. A lista de hiperutilizadores costuma ser montada sobre a operadora cujo dado está melhor organizado, porque é a que dá menos trabalho, o que significa que a seleção começa enviesada por qualidade de arquivo, não por risco. Quem administra contrato com mais de uma operadora está, na prática, priorizando a população de uma delas.

O que é predição de custo em plano de saúde?

Predição de custo em plano de saúde é o uso de algoritmos de inteligência preditiva para identificar, com antecedência de 6 a 12 meses, quais beneficiários têm maior probabilidade de gerar custo elevado. O objetivo é priorizar intervenções preventivas antes que o custo se materialize, reduzindo sinistralidade e evitando reajustes.

A regra 5/50: o problema é mais estreito do que parece

O Kaiser Permanente, um dos maiores sistemas de saúde integrados dos Estados Unidos, documentou o que ficou conhecido como a regra 5/50: em qualquer população de beneficiários de plano de saúde, 5% dos indivíduos geram aproximadamente 50% de todo o custo. Os 50% de menor custo geram apenas 3% do total.

Essa concentração tem uma implicação prática enorme: se uma empresa consegue identificar e intervir sobre os 5% de maior risco, ela está potencialmente controlando metade do custo do plano. O problema não é distribuído uniformemente pela população. Ele está concentrado em um grupo pequeno e identificável.

A questão é: como identificar esse grupo antes que o custo se materialize? É aqui que a inteligência preditiva entra.

Como funciona o Axenya IQ: as três fases do algoritmo

O processo começa com um diagnóstico estruturado da situação atual. Sem essa etapa, qualquer ação corre o risco de tratar sintomas em vez de causas.

Na prática, as empresas que obtêm melhores resultados seguem uma sequência disciplinada: primeiro mapeiam os dados disponíveis, depois identificam os principais drivers de custo, definem metas mensuráveis e implementam ações com acompanhamento mensal.

O prazo típico para resultados visíveis é de 6 a 12 meses. Empresas que esperam retorno imediato tendem a abandonar o processo antes de colher os benefícios, e acabam repetindo o ciclo de reajustes crescentes ano após ano.

Fase 1: probabilidade de doença

A primeira fase do algoritmo calcula a probabilidade de cada colaborador desenvolver ou agravar uma condição clínica nos próximos 6 a 12 meses.

Para isso, o Axenya IQ integra mais de 8 fontes de dados: histórico de sinistro da operadora, dados de triagem de saúde (incluindo o FaceScan, que mede pressão arterial, frequência cardíaca e saturação de oxigênio sem equipamento físico), resultados de exames laboratoriais, dados de afastamento do RH, frequência de uso do plano e perfil demográfico.

O cruzamento dessas fontes permite identificar padrões que nenhuma fonte isolada consegue capturar. Um colaborador que nunca internou, mas tem pressão arterial elevada no FaceScan, glicemia de jejum no limite e histórico de afastamentos por cefaleia, tem um perfil de risco muito diferente do que os dados de sinistro isolados sugerem.

Fase 2: custo futuro esperado

A segunda fase traduz a probabilidade de doença em custo financeiro esperado.

Para cada condição identificada, o algoritmo estima o custo médio de tratamento com base em dados históricos da carteira e benchmarks de mercado. Um colaborador com probabilidade alta de internação por complicação cardiovascular tem um custo futuro esperado muito diferente de um colaborador com risco de consultas ambulatoriais frequentes.

Essa fase é crítica para a priorização: não basta saber quem tem risco alto. É preciso saber quem tem risco alto e custo potencial alto. Um colaborador com risco elevado de condição de baixo custo pode ter prioridade menor do que um com risco moderado de condição de alto custo.

Fase 3: custo evitável com intervenção

A terceira fase é a mais importante do ponto de vista operacional: calcula quanto do custo futuro esperado pode ser evitado com intervenção preventiva. Nem todo custo futuro é evitável. Uma internação por acidente, por exemplo, não é prevenível. Mas uma internação por complicação de diabetes não controlada, em um colaborador que nunca recebeu acompanhamento clínico adequado, é altamente evitável.

O resultado dessa fase é uma lista priorizada de colaboradores, ordenada pelo custo evitável com intervenção. Essa lista é o input para a equipe de navegação clínica, que aborda ativamente os colaboradores de maior prioridade.

O que este modelo não faz

Um modelo de predição de custo se julga por dois lados: o que ele estima e o que ele se recusa a fazer. São cinco limites, e nenhum modelo de predição de custo em saúde deveria ultrapassá-los.

Por que declarar o limite virou requisito

Essa disciplina deixou de ser higiene técnica e passou a ser a direção do regulador. No Brasil, o PL 2338/2023 foi aprovado no plenário do Senado em 10 de dezembro de 2024. Ele prevê classificação de sistemas por nível de risco, direito à explicação e direito à contestação de decisão automatizada. Ressalva de data: conferido em 20 de agosto de 2026, o texto seguia em tramitação na Câmara dos Deputados, sem votação final. Segue como projeto de lei, e quem o descrever como norma em vigor está errando a descrição.

O ponto que interessa ao comprador independe do desfecho da votação. A exigência de explicar e de permitir contestação é para onde o assunto está indo. Um modelo que já opera assim dispensa ser refeito depois.

A mesma linha aparece na posição declarada dos fornecedores internacionais. A Personify Health, plataforma norte-americana de saúde e bem-estar corporativo, publicou em outubro de 2025 que a IA aplicada a benefícios deve sinalizar o problema e deixar a decisão final com o revisor humano. Ela mantém essa revisão como etapa essencial, inclusive na detecção de fraude e desperdício, que é o caso de uso mais tentador de automatizar por inteiro. É publicação da própria fornecedora, com o peso que isso tem: vale como declaração de padrão do setor, e pesquisa independente é outra categoria de evidência.

Três perguntas que transformam esses limites em verificação:

1. Quem recebe a lista priorizada, com nome e cargo do papel que a recebe?
2. Qual é a taxa de falso positivo medida, e em que janela ela foi medida?
3. Como se recupera, meses depois, a razão pela qual uma pessoa específica entrou na lista?

Declarar o que o modelo não faz é o que torna verificável o que ele faz. É também a diferença entre um sistema que orienta uma equipe clínica e um sistema que decide sobre uma pessoa sem que ninguém precise assinar. Como esses limites aparecem no produto está descrito em saúde preditiva.

Fontes deste bloco: Lei 13.709/2018 (LGPD), art. 11 · Senado Federal, PL 2338/2023, tramitação · Personify Health, AI in Employee Benefits — What to Embrace, What to Avoid, 21/10/2025.

Quais dados são necessários para predição de custo

A qualidade da predição depende diretamente da qualidade e da integração dos dados disponíveis. Os dados mínimos necessários para uma predição útil são: dados de sinistro da operadora (pelo menos 12 meses de histórico), dados de triagem de saúde (FaceScan ou exames laboratoriais recentes) e dados demográficos básicos (idade, sexo, cargo).

Com esses dados, é possível construir um modelo preditivo básico que já supera significativamente a análise retrospectiva. Com dados adicionais, como histórico de afastamentos, resultados de exames laboratoriais e dados de uso de medicamentos, a precisão do modelo aumenta substancialmente.

O maior gargalo não é a tecnologia: é a integração dos dados. Os dados de sinistro vivem na operadora. Os dados de triagem vivem no RH ou na gestora de saúde.

Os dados de afastamento vivem no sistema de RH. Sem integração, cada fonte conta uma história parcial. Para entender como funciona a integração de dados com operadoras, o artigo sobre integração de dados com operadoras de saúde detalha o processo e os gargalos mais comuns.

O que fazer com os resultados da predição

A resposta está nos dados. Quando analisamos o comportamento dos indicadores ao longo dos últimos anos, o padrão se torna evidente: empresas que não investem em gestão ativa de saúde enfrentam reajustes consistentemente acima da média do mercado.

Segundo dados do setor, a diferença entre empresas com gestão estruturada e aquelas sem gestão pode chegar a 15 pontos percentuais no reajuste anual. Em uma empresa com 1.000 vidas e ticket médio de R$ 600, isso representa mais de R$ 1 milhão por ano.

O custo de não agir é cumulativo. Cada ano sem gestão ativa aumenta a base de custo sobre a qual o próximo reajuste será calculado, criando um efeito bola de neve que se torna cada vez mais difícil de reverter.

Priorizar a abordagem clínica

O output principal do algoritmo é uma lista priorizada de colaboradores para abordagem ativa. A equipe de navegação clínica usa essa lista para definir quem abordar primeiro, com qual frequência e com qual protocolo clínico. Sem essa priorização, a equipe atende por ordem de chegada ou por critérios subjetivos, o que é muito menos eficiente.

Dimensionar a capacidade operacional

A predição de custo também permite dimensionar a capacidade operacional necessária. Se o algoritmo identifica 150 colaboradores de alto risco em uma empresa de 1.000 vidas, a gestora sabe que precisa de capacidade para acompanhar 150 colaboradores com frequência alta, não 1.000 com frequência baixa. Isso tem impacto direto no custo operacional do programa.

Negociar o reajuste com dados prospectivos

A predição de custo muda completamente a dinâmica de negociação de reajuste.

Em vez de discutir o sinistro passado, a empresa chega à mesa com dados prospectivos: "identificamos 80 colaboradores de alto risco, iniciamos acompanhamento ativo em 65 deles, e a projeção de custo evitável é de R$ X nos próximos 12 meses". Esse argumento é muito mais forte do que qualquer análise retrospectiva.

Para entender como a predição de custo se conecta ao ROI financeiro do programa de saúde, o artigo sobre ROI em gestão de saúde corporativa apresenta o modelo de cálculo completo. E para entender como o FaceScan contribui com dados de triagem para o algoritmo preditivo, o artigo sobre FaceScan e triagem de saúde explica o funcionamento da tecnologia.

Fontes e referências

• Kaiser Family Foundation (KFF), dados sobre concentração de custo em saúde (regra 5/50).
• IESS (Instituto de Estudos de Saúde Suplementar), benchmarks de custo e sinistralidade no Brasil.
• ANS (Agência Nacional de Saúde Suplementar), dados de operadoras e regulação do setor.