Alerta temprana mediante aprendizaje automático para dificultades financieras en operadoras de planes de salud

Resumen

Este estudio desarrolla el primer sistema de alerta temprana basado en aprendizaje automático para dificultades financieras de operadoras de planes de salud en Brasil. Con 24.440 observaciones operadora-trimestre de datos regulatorios públicos (2018–2025), se validaron temporalmente LASSO, random forest y XGBoost para predecir distress con dos a cuatro trimestres de anticipación. Random forest obtuvo mayor discriminación (AUC = 0,847), pero LASSO presentó menor brecha de generalización (0,014), revelando tensión entre precisión y confiabilidad regulatoria. El índice combinado ampliado fue el único predictor consensual, y variables temporales agregaron valor predictivo más allá de los niveles estáticos. Estudio de caso en la mayor operadora del país demostró detección temprana, pero también habituación del modelo bajo estrés prolongado. El trabajo extiende la teoría de alerta temprana del sector bancario al seguro de salud y demuestra que datos públicos pueden sustentar vigilancia proactiva donde la quiebra de operadoras compromete el acceso a la salud.