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.

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 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.

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.