Saúde na era digital: como a inteligência artificial pode auxiliar na detecção de fraudes em reembolsos?

Saúde na era digital
Saúde na era digital

A inserção da tecnologia na saúde, e no cotidiano das pessoas, teve crescimento exponencial nas últimas décadas. Antes mesmo do início da crise de covid-19, em 2020, o setor de serviços de saúde já demonstrava um grande avanço digital (com o uso da telemedicina, por exemplo). 

O fenômeno foi acelerado durante o período da pandemia, o que causou impacto em toda a estrutura e operação das seguradoras, clínicas e hospitais que passaram a receber uma demanda diferente de atendimentos e autorizações de procedimentos médicos.

Um dos procedimentos que passou por grandes transformações foi o reembolso, o que antes exigia uma gama de burocracias e documentações, hoje, pode ser realizado de forma online e ser acompanhado em tempo real.

Com isso, o processo foi acelerado e melhor viabilizado tanto pela seguradora quanto pelo beneficiário, mas trouxe, juntamente com a sua facilidade, uma crescente onda de tentativas e execuções de fraudes. 

Investimentos em inteligência artificial para detecção de fraudes

Com o intuito de reduzir os impactos, os interessados na detecção de fraudes de reembolso investiram na utilização da inteligência artificial para tornar o processo mais rápido e preciso. 

A importância da agilidade na detecção de fraudes torna-se ainda mais visível quando analisamos dados da ANS (Agência Nacional de Saúde) e do IESS (Instituto de Estudos de Saúde Suplementar). 

Segundo a ANS, foram gastos 160 bilhões de reais com sinistros em 2021. Desse total, cerca de 20 bilhões foram direcionados para reembolsos, e, em média, 4% do total de pedidos é sinalizado com algum tipo de fraude (e, em até 20% nos casos de solicitações criticadas). 

Além disso, estudos da IESS apontam que, por conta das fraudes, os procedimentos médicos acabam tendo um custo de um terço a mais do valor real, o que contribui como fator de pedido de reajustes por parte das seguradoras. Em 2022, o reajuste de Planos Individuais foi de 15,5%.

Um exemplo disso é a tecnologia de Deep Learning empregada pela Neurotech, parceira em inteligência de dados da Assertiva, que tem a expectativa de aumentar em até 230% as detecções de fraudes quando comparada à uma análise puramente manual dos casos, como é realizada atualmente em grande parte das operadoras.

Tipos de fraudes em Reembolso

As fraudes em Reembolso são realizadas de diversas formas: cópias de reembolsos anteriores com adulteração de data, aumento do valor do recibo, emissão de dois ou mais recibos para ter reembolso total, entre outros. 

Em geral, tratamos de descaracterizações das imagens originais de recibos e notas fiscais que comprovam os procedimentos realizados. Mas, então, como a inteligência artificial atua na resolução dessa problemática?

Deep Learning e a inteligência artificial para análise de imagens e combate a fraudes

A tecnologia de Deep Learning é constituída de redes neurais mais complexas, o que assegura que, por meio de algoritmos, possam ser reconhecidos padrões em um determinado grupo de dados e, assim, viabilizado o desempenho de atividades de decisão e predição como o reconhecimento de modificações em imagens, etc. 

O processo para detecção automatizada de fraudes e abusos em imagens pode ser seccionado em algumas etapas.

Detecção de recibos duplicados/similares

Por meio da tecnologia de Deep Learning, é realizado um estudo das imagens enviadas e identificado recibos duplicados ou similares. Podendo também identificar, em trechos dos recibos ou notas fiscais, possíveis adulterações no documento enviado, alertando para a existência de fraude.

Extração de dados (OCR)

A tecnologia de OCR (Optical Character Recognition) é capaz de extrair dados de formulários, notas fiscais e recibos enviados em formato de imagem ou mapa de bits, sendo eles escaneados, escritos à mão, datilografados ou impressos e transformá-los em texto. Dessa forma, através do OCR é possível obter um arquivo de texto editável por um computador.

Score de fraude e score de adulteração

As variáveis disponíveis no nosso modelo de análise de dados são capazes de calcular a probabilidade de fraude (gerando scores) com uma precisão elevada. Quanto maior o score, maior a chance daquele beneficiário estar relacionado a uma fraude.

Resultados

As análises do histórico de resultados das soluções conta com um lift de 230% na melhoria de detecções em fraude em um case de 4 milhões de solicitações de reembolso por ano. Isso gera um saving, em pagamentos, de 11,2 milhões de reais por ano e um ROI (Return On Investment) de 3,6 vezes.

A agilidade nos processos de detecção de fraudes em imagens traz benefícios para as seguradoras e operadoras, tanto no reconhecimento das imagens que possuem alguma descaracterização, quanto para aquelas em que não há. 

Uma vez que se identifique que não há fraude no documento enviado, as solicitações ganham rapidez para aprovação. Em imagens que forem detectadas algum tipo de desvio, há, da mesma forma, a rapidez de processamento e formalização da fraude, por consequência um aperfeiçoamento nos indicadores de desvios.

Você também pode gostar