Saúde preditiva com IA: como antecipar custos antes que eles aconteçam

Resumo executivo

• Empresas sem gestão preditiva gerenciam saúde corporativa pelo retrovisor: analisam o sinistro do trimestre passado e reagem ao reajuste que já chegou. O VCMH (variacao de custo médico hospitalar) acumulou 15,1% em 2024, contra IPCA de 4,62%, o que significa que cada ano sem gestão preditiva amplia o gap de custo. A inteligência preditiva inverte essa lógica.
• O algoritmo da Axenya opera em 3 fases sequenciais: calcular a probabilidade de desenvolvimento de doença (P(doença)), estimar o custo futuro associado e identificar a parcela desse custo que é evitável com intervenção.
• O modelo é calibrado com referências de Kaiser Permanente e pesquisas de Harvard, e processa dados de 8 fontes distintas, de sinistro da operadora a resultados do FaceScan.
• Colaboradores monitorados com esse modelo apresentaram redução de 48% na sinistralidade em comparação com o grupo não monitorado, com correlação de R=0,75 entre tempo de acompanhamento e melhora de resultado.
• A infraestrutura é 100% Google Cloud São Paulo. Os dados nunca saem do Brasil.

O problema com a gestão reativa de saúde

Quando a carta de reajuste chega, empresas sem gestão preditiva fazem o mesmo: pedem o relatório de sinistralidade, identificam os procedimentos mais caros do ano anterior e tentam negociar com a operadora usando dados que já são história. Para entender o contexto maior, consulte dashboard de sinistralidade: guia completo.

O reajuste médio do mercado gira em torno de 20% ao ano. Carteiras gerenciadas pela Axenya com modelo preditivo ativo atingiram reajuste médio de 9,4% no mesmo período.

Esse modelo tem um defeito estrutural. O sinistro passado não prediz o sinistro futuro com precisão suficiente para orientar decisão clínica. Um colaborador que custou R$ 80.000 em uma internação por apendicite não vai custar o mesmo no próximo ano.

Mas um colaborador com diabetes descompensada, hipertensão não tratada e sedentarismo vai custar, e muito, nos próximos 12 meses. O problema é que ele ainda não aparece no relatório de sinistro.

É exatamente essa lacuna que a saúde preditiva com IA preenche: identificar o risco antes que ele vire custo.

O que é saúde preditiva com IA corporativa?

Saúde preditiva com IA é o uso de algoritmos de aprendizado de máquina para calcular a probabilidade de um colaborador desenvolver uma condição de saúde e estimar o custo futuro associado, antes que o evento clínico aconteça. O objetivo é direcionar intervenção preventiva para quem mais vai precisar, não para quem já custou mais.

As 3 fases do algoritmo preditivo

O modelo opera em sequência. Cada fase alimenta a próxima, e o resultado final é uma lista priorizada de colaboradores que a equipe de navegação clínica deve abordar.

Fase 1: probabilidade de desenvolvimento de doença

O algoritmo calcula P(doença) para cada colaborador, cruzando dados de triagem (FaceScan), histórico de sinistro, frequência de uso do plano, afastamentos e indicadores biométricos. O resultado é uma probabilidade individual de desenvolver condições de alto custo nos próximos 6 a 12 meses.

Não se trata de diagnóstico clínico. É estratificação de risco populacional, o mesmo princípio que seguradoras usam para precificar apólices, aplicado à gestão de saúde corporativa.

Fase 2: estimativa de custo futuro

Com a probabilidade calculada, o modelo estima o custo futuro esperado por colaborador. Essa estimativa considera a trajetória típica de cada condição, o perfil de utilização histórico da carteira e os custos médios de procedimentos na região.

O resultado é uma distribuição de probabilidade. O gestor vê o custo estimado e também o grau de confiança do modelo nessa estimativa.

Fase 3: custo evitável com intervenção

A terceira fase é a mais estratégica. O algoritmo separa, dentro do custo futuro estimado, qual parcela é evitável com intervenção clínica adequada. Essa é a métrica que orienta a decisão de investimento em gestão de saúde.

Se o custo futuro estimado de um colaborador é R$ 45.000 e o custo evitável é R$ 28.000, o gestor tem um argumento financeiro claro para investir em acompanhamento. O ROI da intervenção é calculável antes de ela acontecer.

As 8 fontes de dados que alimentam o modelo

A precisão de qualquer modelo preditivo depende da qualidade e diversidade dos dados de entrada. O algoritmo da Axenya integra 8 fontes distintas:

1. Sinistro da operadora: histórico de procedimentos, internações, consultas e exames dos últimos 24 meses
2. FaceScan: biometria facial que estima pressão arterial, frequência cardíaca, saturação de oxigênio e risco cardiovascular com horizonte preditivo de 10 anos para AVC
3. KBS scoring: avaliação de Knowledge (conhecimento sobre a condição), Behavior (comportamentos) e Status (indicadores clínicos) de cada colaborador monitorado
4. Dados de afastamento: frequência, duração e CID dos afastamentos do RH
5. Frequência de utilização: padrão de uso do plano por tipo de serviço e especialidade
6. Dados de navegação clínica: registros das interações da equipe de enfermagem com cada colaborador
7. Indicadores de saúde mental: sinais de risco psicossocial capturados nas triagens
8. Dados contextuais: perfil demográfico, função, regime de trabalho e histórico de campanhas preventivas

Nenhuma dessas fontes, isolada, é suficiente. A inteligência está na integração.

Por que IA aplicada, não generativa

Existe uma distinção importante que o mercado frequentemente ignora. A IA que aparece em chatbots e assistentes de texto é IA generativa: modelos treinados para produzir conteúdo plausível a partir de padrões linguísticos. Ela não é adequada para decisão clínica.

O modelo da Axenya é IA aplicada: algoritmos de aprendizado de máquina treinados especificamente para predição de risco em saúde, com dados estruturados, variáveis clínicas validadas e calibração contínua contra resultados reais. A diferença é de método: dados estruturados, variáveis clínicas validadas e calibração contínua contra resultados reais.

O pipeline é 100% desenvolvido internamente. Não há dependência de modelos de terceiros para a lógica de estratificação de risco. Isso garante controle sobre os dados, auditabilidade do modelo e capacidade de ajuste fino para cada carteira.

O design intencional: a enfermeira não sabe o motivo

Um dos aspectos mais contraintuitivos do modelo é que a enfermeira que faz o contato com o colaborador não sabe por que o algoritmo o priorizou. Ela sabe que aquele colaborador precisa de contato agora, mas não tem acesso ao raciocínio do modelo.

Isso é design intencional, não limitação técnica. Quando o profissional de saúde sabe o motivo da priorização, tende a direcionar a conversa para aquele ponto específico, criando viés de confirmação e reduzindo a qualidade da avaliação. Sem saber o motivo, ela faz uma avaliação aberta que frequentemente revela informações que o algoritmo não tinha capturado.

O algoritmo prioriza. A enfermeira avalia. Os papéis são distintos e complementares.

Calibração com Kaiser Permanente e Harvard

O modelo é calibrado com referências de dois dos maiores programas de gestão de saúde do mundo. A Kaiser Permanente, que gerencia mais de 12 milhões de vidas nos Estados Unidos, é referência global em gestão preditiva de populações. Pesquisas de Harvard Medical School sobre estratificação de risco e intervenção preventiva informam os parâmetros do modelo.

Essa calibração não significa que o modelo replica o que Kaiser ou Harvard fazem. Significa que os parâmetros de risco, os limiares de intervenção e as métricas de resultado são validados contra evidências publicadas, não apenas contra dados internos.

Para mais contexto sobre como a inteligência preditiva funciona na prática, veja o artigo introdutório sobre o tema.

O resultado: 48% de redução na sinistralidade

Em um cliente do setor industrial com mais de 2.000 vidas, o grupo de colaboradores monitorados com o modelo preditivo apresentou redução de 48% na sinistralidade em 12 meses. O grupo não monitorado, na mesma carteira, apresentou redução de 18% no mesmo período.

A diferença de 30 pontos percentuais entre os grupos é atribuível ao modelo de gestão, não a variações demográficas ou de perfil de risco. A correlação entre tempo de acompanhamento e melhora de resultado foi de R=0,75, indicando relação forte e estatisticamente significativa.

O tempo mínimo para que os resultados se traduzam em redução mensurável de sinistralidade é de 6 meses. Programas com menos de 6 meses de acompanhamento não devem ser avaliados por sinistralidade, mas por indicadores clínicos intermediários (KBS, adesão, frequência de utilização).

Infraestrutura: 100% no Brasil

Todos os dados processados pelo modelo ficam em servidores Google Cloud São Paulo. Nenhum dado de saúde dos colaboradores sai do território brasileiro. Isso não é apenas conformidade com a ANS e com a LGPD: é uma decisão arquitetural que garante soberania sobre os dados e elimina riscos de transferência internacional.

Para entender como a Axenya trata dados sensíveis de saúde e o que o RH pode e não pode acessar, veja o artigo sobre LGPD na saúde corporativa.

Fontes e referências

• Agência Nacional de Saúde Suplementar (ANS): regulamentação e dados do setor de saúde suplementar no Brasil.
• Kaiser Permanente: referência global em gestão preditiva de populações e programas de saúde integrada.

Saúde preditiva versus gestão reativa: o que muda na prática

A diferença entre antecipar e reagir aparece direto na conta e na operação. A tabela abaixo resume o contraste que define por que carteiras com modelo preditivo ativo seguram melhor o custo.

Como uma empresa começa com saúde preditiva

Adotar gestão preditiva não exige refazer o benefício do zero. O caminho típico tem quatro passos, e o primeiro é só de dados:

1. Consolidar as fontes. Sinistro da operadora, afastamentos do RH e triagens de saúde. Quanto mais fontes integradas, mais preciso o modelo.
2. Estratificar a população. Identificar os grupos de risco pela regra 5/50, detalhada no guia de estratificação pela regra 5/50.
3. Ativar linhas de cuidado. Direcionar a navegação clínica para quem o modelo priorizou, antes do evento de alto custo.
4. Medir o custo evitado. Comparar a trajetória do grupo monitorado com a projeção, fechando o ciclo de ROI.

O resultado dessa lógica aparece na conta: enquanto o reajuste de mercado gira em torno de 20% ao ano, carteiras com gestão preditiva ativa têm fechado perto de 9,4%. A diferença é o custo evitável que não virou sinistro, conceito que também governa decisões de desenho de benefício como a coparticipação por porte.

Governança de dados: a condição para confiar no modelo

Nenhum modelo preditivo em saúde corporativa se sustenta sem governança de dados sólida. Quando o algoritmo cruza sinistro, afastamentos, biometria e indicadores de saúde mental, ele trabalha com a informação mais sensível que existe sobre uma pessoa. Tratar isso com rigor é a base de confiança de todo o programa.

Três princípios sustentam essa confiança. O primeiro é a soberania do dado: a infraestrutura roda em nuvem no Brasil e a informação não sai do país, em linha com a LGPD. O segundo é a minimização de acesso: a equipe clínica recebe a priorização para agir, não o histórico completo de cada colaborador, o que reduz a superfície de exposição. O terceiro é a finalidade explícita: o dado é usado para direcionar cuidado, nunca para decisão de contratação, demissão ou qualquer uso que prejudique o colaborador.

Para o RH, a pergunta a fazer a qualquer fornecedor de saúde preditiva é direta: onde os dados ficam armazenados, quem acessa o quê, e qual a finalidade declarada de cada cruzamento. Um modelo preditivo poderoso com governança frágil é um risco, não uma vantagem. A maturidade de um programa de saúde se mede tanto pela qualidade do algoritmo quanto pela disciplina com que ele trata o dado de quem cuida.

Vale registrar uma distinção que evita expectativas erradas: saúde preditiva não é predição individual determinística. O modelo não afirma que um colaborador específico vai adoecer; ele estima probabilidades populacionais para direcionar cuidado a quem tem maior chance de se beneficiar. Essa é a leitura correta e ética de um programa preditivo. O ganho não está em prever o futuro de uma pessoa, mas em alocar a atenção clínica onde ela rende mais, antes que o custo evitável se torne sinistro consumado. É essa realocação, repetida ciclo após ciclo, que sustenta a diferença de reajuste entre uma carteira gerida pelo retrovisor e uma gerida pelo para-brisa.