.png){kind=logo}
A Autorização Prévia (PA) atrasa o acesso aos cuidados necessários. As organizações de saúde podem aproveitar a IA para simplificar a PA.
A autorização prévia (PA) apresenta desafios significativos no sistema de saúde. Uma pesquisa conduzida pela Associação Médica Americana revelou que 30% dos médicos enfrentaram eventos adversos graves devido aos requisitos de PA, com 94% enfrentando atrasos no acesso dos pacientes aos cuidados necessários e percebendo impactos negativos nos resultados dos pacientes. Os médicos e sua equipe passam em média dois dias úteis por semana gerenciando solicitações de PA, destacando a substancial carga de tempo associada ao processo (1). Por outro lado, de acordo com os Planos de Seguro de Saúde da América, 98% dos planos pesquisados afirmam que a PA melhora a qualidade do atendimento e apóia o tratamento baseado em evidências, com 91% usando-a para melhorar a segurança do paciente e 79% notando benefícios de economia de custos (2). No entanto, as ineficiências administrativas persistem; apenas 12% das solicitações de PA foram totalmente eletrônicas em 2018, enquanto aproximadamente metade foi processada manualmente por meio de faxes e chamadas telefônicas, contribuindo para uma estimativa de 25 bilhões de dólares em custos administrativos (3).
Para reduzir o atraso na aprovação do tratamento do paciente causado pelo processo de PA, um modelo preditivo chamado “FastTrack PA” foi projetado para prever os resultados das solicitações de PA. Ao utilizar dados do paciente e detalhes do tratamento, o FastTrack PA busca agilizar o processo de aprovação, reduzindo potencialmente a carga administrativa e os custos associados.
O conjunto de dados sintético do modelo foi construído com base em pesquisas e artigos do setor, garantindo uma representação realista das condições relacionadas às solicitações de PA. O modelo utiliza variáveis como comorbidades, gravidade das condições de saúde e detalhes de medicamentos, conforme analisado em trabalhos da McKinsey & Company (1), Joseph da Forbes (2) e Psotka et al. da publicação da Value in Healthcare Initiative (3). Esses recursos permitem que o modelo simule as complexidades dos processos de PA do mundo real.
A autorização prévia (PA) apresenta desafios significativos no sistema de saúde. Uma pesquisa conduzida pela Associação Médica Americana revelou que 30% dos médicos enfrentaram eventos adversos graves devido aos requisitos de PA, com 94% enfrentando atrasos no acesso dos pacientes aos cuidados necessários e percebendo impactos negativos nos resultados dos pacientes. Os médicos e sua equipe passam em média dois dias úteis por semana gerenciando solicitações de PA, destacando a substancial carga de tempo associada ao processo (1). Por outro lado, de acordo com os Planos de Seguro de Saúde da América, 98% dos planos pesquisados afirmam que a PA melhora a qualidade do atendimento e apóia o tratamento baseado em evidências, com 91% usando-a para melhorar a segurança do paciente e 79% notando benefícios de economia de custos (2). No entanto, as ineficiências administrativas persistem; apenas 12% das solicitações de PA foram totalmente eletrônicas em 2018, enquanto aproximadamente metade foi processada manualmente por meio de faxes e chamadas telefônicas, contribuindo para uma estimativa de 25 bilhões de dólares em custos administrativos (3).
Para reduzir o atraso na aprovação do tratamento do paciente causado pelo processo de PA, um modelo preditivo chamado “FastTrack PA” foi projetado para prever os resultados das solicitações de PA. Ao utilizar dados do paciente e detalhes do tratamento, o FastTrack PA busca agilizar o processo de aprovação, reduzindo potencialmente a carga administrativa e os custos associados.
O conjunto de dados sintético do modelo foi construído com base em pesquisas e artigos do setor, garantindo uma representação realista das condições relacionadas às solicitações de PA. O modelo utiliza variáveis como comorbidades, gravidade das condições de saúde e detalhes de medicamentos, conforme analisado em trabalhos da McKinsey & Company (1), Joseph da Forbes (2) e Psotka et al. da publicação da Value in Healthcare Initiative (3). Esses recursos permitem que o modelo simule as complexidades dos processos de PA do mundo real.
