A detecção de fraude nas diferentes modalidades de seguro é um desafio mundial devido à variedade nos padrões dessas práticas que dificultam na criação e atualização de ferramentas que identificam práticas abusivas não só no setor de saúde, mas nos demais mercados de seguros.
No caso específico da saúde, os danos envolvem não só perdas financeiras e pagamentos indevidos, mas sim prejuízo para a saúde de milhões de indivíduos em todo o mundo. A escala desse problema é grande o suficiente para torná-lo uma questão prioritária para os sistemas de saúde já que os métodos tradicionais de detecção de fraudes e abusos nos serviços de saúde consomem tempo e recursos e são, em diversas situações, ineficientes.
Com a proliferação de técnicas de análise de dados e a disponibilidade recente e contínua das informações de saúde em âmbito global, a aplicação dessas técnicas na detecção de fraudes, usando o crescente volume de informações, tem o potencial de reduzir os custos da assistência médica por meio de uma detecção mais robusta das práticas abusivas, fraudes e desperdícios.
Atualmente, existe um corpo considerável de dados sobre detecção de fraudes em saúde disponíveis e uma série de pesquisas em andamento em quase todos os setores de planos de saúde para melhorar o desempenho desse mercado. A presença de fraude é sempre um obstáculo ao crescimento de uma organização de plano de saúde já que acarreta em milhões de dólares contabilizados em decorrência da prática.
Nesse anseio, o trabalho “A Purview of the Impact of Supervised Learning Methodologies on Health Insurance Fraud Detection” (Uma visão do impacto das metodologias de aprendizagem supervisionada na detecção de fraudes em seguros de saúde) publicado na 22º edição do Boletim Científico verificou as várias metodologias de aprendizagem supervisionadas empregadas na detecção de fraudes nas operadoras de saúde privada por meio de um levantamento bibliográfico durante um período de 20 anos.
O estudo avaliou as vantagens e desvantagens dos algoritmos de aprendizado supervisionados (sistemas informatizados que são configurados a realizar projeções em cima de “acertos e erros”) e os algoritmos não supervisionados (quando não são configurados para aprender com os erros).
Sendo assim, concluiu-se que o algoritmo de aprendizado supervisionado é mais preciso para encontrar fraudes, mas por outro lado o esforço para obter dados rotulados (dados considerados corretos) são onerosos. Já o algoritmo de aprendizagem não supervisionada não apresenta precisão no resultado da análise, mas tem um custo menor que a ferramenta anterior. Portanto, um mecanismo híbrido de aprendizagem pode ser uma boa escolha para a detecção de práticas abusivas no mercado de saúde.
Importante lembrar que nesse mesmo esforço de alertar alguns pontos essenciais para a sustentabilidade do setor, o TD 62 – “Evidências de práticas fraudulentas em sistemas de saúde internacionais e no Brasil” apresentou os impactos de práticas fraudulentas e as experiências bem-sucedidas de combate. A projeção apontou que aproximadamente 19% dos gastos assistenciais da saúde suplementar no país foram consumidos por desperdícios e fraudes, ou seja, cerca de R$25,5 bilhões no ano de 2016.