Documento revisou 38 artigos sobre implicações da inteligência artificial e machine learning no financiamento da saúde
Por Futuro da Saúde
e o aprendizado de máquina — ou machine learning (ML), em inglês — podem contribuir especificamente em aspectos de financiamento da saúde. O documento aborda temas como previsão de gastos, gestão de riscos, detecção de fraudes e identificação de oportunidades para políticas direcionadas e, apesar de não trazer questões inéditas, evidencia o potencial impacto positivo, principalmente no sentido de velocidade e precisão de análise de dados em comparação com métodos estatísticos tradicionais, além de poder ser mais facilmente aplicado a grandes volumes de dados.
O interesse pela saúde digital vem se expandindo e diversas pesquisas sobre IA e ML já foram feitas em outras áreas da saúde, mas, segundo o estudo, não existem muitas evidências sobre os efeitos dessas tecnologias no financiamento da saúde, além dos seus riscos e desafios. Para chegar aos resultados, o levantamento se baseou na revisão de 38 estudos feitos entre 2000 e 2021, publicados em plataformas como Google Scholar e PubMed.
O relatório define IA como “o desempenho por programas de computador de tarefas comumente associadas a seres inteligentes” e machine learning como “um tipo de IA que se baseia no uso de técnicas de modelagem estatística e matemática para definir e analisar dados”. Há um foco em ML por se tratar da abordagem predominante pela qual a inteligência artificial é utilizada quando se fala sobre o financiamento da saúde. E, além disso, a maioria dos estudos revisados analisava a aplicação das tecnologias para a área de saúde suplementar.
Alguns dos principais apontamentos
Na área de previsão de gastos com saúde, os artigos revisados indicam que a utilização de ML pode tornar a alocação de recursos mais eficiente e equitativa, além de possibilitar o aprimoramento do ajuste de risco e o gerenciamento da população, com o intuito de atender às necessidades de grupos específicos. Contudo, se não forem bem utilizadas, essas informações traduzidas pelo ML podem causar o efeito oposto: exclusão de grupos mais necessitados e aumento de suas contribuições para as operadoras.
Sobre pontuação de risco, a partir de diferentes publicações o relatório da OMS concluiu que as tecnologias podem ter potencial para estimular a promoção da saúde entre as pessoas. Eles utilizam como exemplo a abordagem de uma das maiores operadoras de planos de saúde da África do Sul, a Discovery, que aplica ML a diferentes dados recebidos por parceiros de negócios, desde academias, uso de serviços de saúde e até compras em supermercados, com o intuito de mensurar o comportamento saudável dos clientes. A partir disso, os membros são compensados financeiramente por seu comportamento, à medida que a seguradora reduz o risco médio de sua carteira. Entretanto, esse modelo de pontuação de risco também tende a discriminar os que necessitam de maior cobertura.
Na parte de gestão de sinistros e detecção de fraudes, o relatório indicou benefícios como a maior precisão sobre a classificação de sinistros legítimos e fraudulentos, a detecção de sinistros que requerem maior atenção, e a detecção automatizada, reduzindo tempo, custos e erros de pagamento. Um dos artigos revisados indicou uma economia de custos de 10% no Chile.
Apesar de os pesquisadores reforçarem que há limitações no estudo, a conclusão é que o uso do machine learning e da inteligência artifical pode ajudar nos objetivos de melhoria da cobertura universal de saúde.
Foto: Reprodução/Futuro da Saúde
