Alerta antecipado por aprendizado de máquina para dificuldades financeiras em operadoras de planos de saúde

Resumo

Este estudo desenvolve o primeiro sistema de alerta antecipado baseado em aprendizado de máquina para dificuldades financeiras de operadoras de planos de saúde no Brasil. Com 24.440 observações operadora-trimestre de dados regulatórios públicos (2018–2025), validaram-se temporalmente LASSO, random forest e XGBoost para prever com dois a quatro trimestres de antecedência. O random forest obteve maior discriminação (AUC = 0,847), mas o LASSO apresentou menor lacuna de generalização (0,014), revelando tensão entre acurácia e confiabilidade regulatória. O índice combinado ampliado foi o único preditor consensual, e variáveis temporais agregaram valor preditivo além dos níveis estáticos. Estudo de caso na maior operadora do país demonstrou detecção precoce, mas também habituação do modelo sob estresse prolongado. O trabalho estende a teoria de sistemas de alerta do setor bancário à saúde suplementar e demonstra que dados públicos podem sustentar vigilância proativa e transparente onde a falência de operadoras compromete o acesso à saúde.