A crescente pressão sobre as despesas assistenciais tem impulsionado a busca por estratégias capazes de antecipar riscos e direcionar o cuidado de forma mais eficiente e sustentável.
O artigo publicado no JBAS apresenta a aplicação de um modelo preditivo baseado em machine learning, desenvolvido para identificar participantes com maior probabilidade de impactar significativamente a variação futura dos custos assistenciais
A análise parte de um dado crítico: menos de 1% dos beneficiários foi responsável por cerca de 70% da variação das despesas, evidenciando a importância de intervenções direcionadas a grupos específicos de maior complexidade.
A modelagem permitiu identificar mais de 8 mil participantes com alto potencial de impacto, possibilitando monitoramento contínuo e atuação assistencial mais estruturada, com foco em:
▪ fortalecimento da Atenção Primária
▪ acompanhamento de condições crônicas
▪ uso mais racional dos recursos
▪ atuação preventiva sobre agravamentos das condições clínicas
Entre os resultados observados após o monitoramento:
▪ estabilização da despesa per capita ao longo do tempo
▪ redução de tendência de crescimento dos custos
▪ ampliação do acompanhamento na Atenção Primária (de 12% para 40%)
O estudo evidencia que a inteligência analítica, quando integrada à gestão assistencial, atua não apenas como ferramenta preditiva, mas como indutor de ações clínicas mais oportunas e coordenadas.
🏆 1º lugar – Prêmio UNIDAS 2025 (Categoria Filiadas)
✍️ Autores: Frank Ney Sousa Lima; Carlos Wilson Gomes de Barros; Antônio Cipriano Neto; Bruna Matter dos Santos; Wanderley Akira Shiguti; Weverton Vieira da Silva Rosa.
Uma contribuição relevante para o avanço da Auditoria Médica, gestão populacional e uso estratégico de dados na saúde suplementar, especialmente em um cenário de envelhecimento populacional e aumento da complexidade assistencial.
🔎 Acesse o artigo completo no JBAS:
https://revista.jbas.com.br/index.php/ojs/index
