Modelo analítico para a previsão de custos de sinistros de saúde

Abstract

A crescente utilização de seguros privados e o aumento de sinistros devido à dificuldade de acessos aos serviços de saúde oferecidos pelo Serviço Nacional de Saúde representam um desafio significativo para a gestão de sinistros no setor de seguros de saúde. Contudo, os custos dos sinistros e a sua gestão merecem maior atenção das seguradoras de saúde, dado afetarem diretamente a sua rentabilidade financeira. Assim, é crucial compreender como as empresas podem conseguir antecipar os custos dos sinistros futuros e adotar medidas estratégicas a curto, médio e longo prazo para reduzi-los e geri-los eficientemente. Portanto, esta investigação avalia a relação entre as informações armazenadas de membros do seguro de saúde e os sinistros de saúde reportados em 2022. A presente investigação baseia-se numa revisão sistemática de literatura com 15 artigos e adota a metodologia CRISP-DM para implementar técnicas de "machine learning", com foco em árvores de decisão, comparando diferentes algoritmos. Os modelos analíticos foram desenvolvidos a partir de bases de dados de uma seguradora portuguesa, incluindo informações sobre atos médicos, custos de sinistros e características demográficas dos membros de saúde. No total, foram analisados mais de 25.000 tratamentos médicos, equivalendo a mais de 8000 sinistros. Conclui-se que o modelo desenvolvido tem alta capacidade preditiva, sendo os dados utilizados capazes de prever os custos de sinistros de saúde com uma margem de erro de 2,74%. A principal contribuição da investigação é fornecer conhecimento ao setor empresarial, especialmente aos profissionais de seguros de saúde, a fim de prever e adotar medidas estratégicas de gestão de custos de forma mais eficiente.

The growing use of private insurance and the increase in claims due to the difficulty in accessing health services offered by the National Health Service represent a significant challenge for claims management in the health insurance sector. However, claims costs and their management deserve greater attention from health insurers, as they directly affect their financial profitability. It is therefore crucial to understand how companies can anticipate future claims costs and adopt strategic measures in the short, medium and long term to reduce and manage them efficiently. Therefore, this research evaluates the relationship between stored health insurance member information and reported health claims in 2022. This research is based on a systematic literature review with 15 articles and adopts the CRISP-DM methodology to implement machine learning techniques, focusing on decision trees, comparing different algorithms. The analytical models were developed using databases from a Portuguese insurance company, including information on medical acts, claims costs and demographic characteristics of healthcare members. In total, more than 25,000 medical treatments were analyzed, equivalent to more than 8,000 claims. It is concluded that the model developed has a high predictive capacity, with the data used being able to predict the costs of health claims with a margin of error of 2.74%. The main contribution of the research is to provide knowledge to the business sector, especially health insurance professionals, in order to predict and adopt strategic cost management measures more efficiently.