O problema
Hospitais e clínicas perdem 15-25% da receita em glosa de convênio. Cada glosa demora 60-90 dias para ser recursada, e 40% dela jamais é recuperada. Faturamento de saúde é o oposto de outras indústrias: cliente compra agora, paga em 90 dias, com 20% de chance de não pagar nada por motivo burocrático.
Causas raiz da glosa:
- Falta de senha prévia
- TUSS errado ou desatualizado
- Laudo não anexado
- Carácter do procedimento incompatível (eletivo vs urgência)
- Beneficiário em carência
- Limite anual estourado
A maioria dessas razões pode ser detectada ANTES do envio, basta cruzar regras de cada convênio com os dados da guia.
A solução
Glosa preventiva via AI que analisa cada guia antes do envio ao convênio:
- Parser de guia TISS extrai todos os campos
- Regras por convênio: base versionada com regras de Unimed, Bradesco, SulAmérica, Amil, Hapvida + 10 outros
- LLM (GPT-4o) identifica padrões não-óbvios de glosa (ex: procedimento + diagnóstico incompatíveis, falta de relatório complementar)
- Score de risco de glosa 0-1 por guia
- Sugestões corretivas: "anexar laudo", "solicitar senha prévia", "trocar TUSS de X para Y"
- Recurso automático: para guias glosadas, monta carta de recurso com fundamento
Métricas em produção
Cliente clínica nacional (4 unidades, 25K guias/mês):
| Indicador | Antes | Depois |
|---|---|---|
| Taxa de glosa | 18% | 6% |
| Receita recuperada/mês | baseline | +R$ 218K |
| Tempo por guia (revisão) | 8 min | 3 min |
| Recurso de glosa (D+45) | 32% recuperado | 71% recuperado |
ROI: 14x em 12 meses (recuperação de glosa direta).
O que vem incluso
- Parser TISS (XML + PDF + interface manual)
- Base de regras versionada dos 15 maiores convênios do Brasil
- LLM (GPT-4o) com prompts específicos por especialidade médica
- Integração com MV/Tasy/Philips/Mocom (sistemas hospitalares principais)
- Painel de glosa com aging, top causas, recuperação por convênio
- Recurso automático: geração de carta com base no motivo da glosa
Stack
- Python 3.13 + FastAPI + Pydantic v2
- OpenAI GPT-4o para análise contextual
- Postgres com versionamento de regras
- n8n para orchestration de recursos automáticos
Compliance regulatório
- ANS: relatórios SIB, RPS gerados automaticamente
- LGPD: dados de prontuário criptografados at-rest
- CFM/COREN: laudos digitalizados com assinatura ICP-Brasil quando necessário
- TISS 4.x: 100% compatível com a versão atual
Tempo de implementação
4-5 semanas:
- Sprint 1: integração com sistema hospitalar (MV/Tasy/etc) + parser TISS
- Sprint 2: base de regras dos top 5 convênios do cliente
- Sprint 3: LLM + modelo de risco + sugestões corretivas
- Sprint 4: recurso automático + painel
- Sprint 5 (opcional): expansão para convênios secundários
FAQ
Quanto custa rodar? LLM: ~R$ 0,12 por guia analisada. Para 25K guias/mês: R$ 3K. Setup: R$ 65K-120K. Licença anual: R$ 28K-58K. ROI tipicamente 10-15x.
Funciona com qualquer sistema hospitalar? Adapters prontos para MV, Tasy, Philips Tasy, Mocom, IPM. Sistemas legados em AS400 ou Cobol: integração via middleware (1-2 semanas extra).
A base de regras dos convênios está atualizada? Sim, monitoramos mudanças nos manuais TISS de cada convênio mensalmente. Atualizações vão automaticamente para todos os clientes.
E convênio que não está na lista? Adicionamos custom em 3-5 dias (extraímos as regras do manual do convênio). Cliente pode também adicionar regras próprias via painel.
A AI pode errar? Sim, mas com proteção: score do LLM determina confiança. Guias com confiança < 0.7 vão para revisão humana. Cliente fica com decisão final em casos ambíguos.
E pacientes particulares (não-convênio)? Sistema ainda funciona, gera nota fiscal de serviço, valida com Receita, integra com pagamento PIX. Mas o valor maior está em convênio mesmo.
Tem auditoria pra ANS? Logs imutáveis de cada decisão. Reports SIB e RPS gerados automaticamente conforme template ANS. Aceito em fiscalizações.
Como integra com o pagamento? Após convênio confirmar pagamento via TED/PIX, sistema concilia automaticamente com a guia original. Pagamentos com divergência são flagados para revisão.