MODELOS PREDITIVOS DE HOSPITALIZAÇÃO EM PACIENTES HIPERUTILIZADORES: COMPARAÇÃO ENTRE ALGORITMOS DE INTELIGÊNCIA ARTIFICIAL E ESTRATÉGIAS TRADICIONAIS NA SAÚDE SUPLEMENTAR BRASILEIRA.

Autores

Resumo

A crescente digitalização dos sistemas de saúde e o acúmulo de dados administrativos estruturados têm viabilizado o uso de ferramentas de Inteligência Artificial (IA) na gestão do risco assistencial. Entre as aplicações emergentes, destaca-se a previsão de hospitalizações, eventos de alto impacto clínico e financeiro, sobretudo na população denominada hiperutilizadores. Tradicionalmente, operadoras de saúde utilizam modelos baseados no histórico de custos ? como a identificação dos "Top-10% gastadores" ? para estratificação de risco. Este estudo visa comparar o desempenho preditivo de um modelo baseado em IA, treinado com dados administrativos, com a estratégia tradicional de alto custo na previsão de hospitalizações em até 12 meses. Adicionalmente, serão comparados três algoritmos de aprendizado de máquina ? Regressão Logística, Random Forest e XGBoost ? para selecionar o mais eficiente. Trata-se de um estudo observacional, quantitativo, retrospectivo e comparativo. A população-alvo incluirá 10.000 beneficiários de saúde suplementar ?20 anos, com histórico de ?30 procedimentos nos últimos 24 meses ou gastos acima de 2 salários mínimos. Serão utilizados dados anonimizados contendo sexo, idade, comorbidades, histórico de procedimentos (classificados pelo TUSS), custos e registros de hospitalizações. O desfecho primário será hospitalização em 12 meses. Os modelos serão treinados com validação cruzada k-fold e avaliados por acurácia, sensibilidade, especificidade, F1-score e área sob a curva ROC. A análise estatística incluirá o teste de McNemar, teste t de Student ou Mann-Whitney e intervalos de confiança de 95%. Espera-se fornecer evidências para estratégias mais eficazes de prevenção de internações e gestão de recursos na saúde suplementar.