Em março de 2026, dois oncologistas foram presos em Córdoba, Argentina, acusados de emitir receitas falsas contra o plano de saúde provincial. A investigação, iniciada em 2021, havia reunido evidências durante cinco anos antes que o Ministério Público obtivesse os mandados de prisão. Durante todo esse período, os médicos continuaram prescrevendo, as farmácias continuaram dispensando, e o plano de saúde continuou pagando.
Este caso não é um incidente isolado. A fraude de provedores — médicos, farmacêuticos e outros profissionais de saúde que exploram sua posição de confiança para gerar sinistros fraudulentos — é um problema documentado em toda a América Latina. O que o torna particularmente difícil de detectar é que esses profissionais têm acesso legítimo ao sistema. Suas receitas são formalmente válidas. Suas credenciais estão vigentes. Seus pacientes existem.
O problema do tempo
Cinco anos. Esse é o cronograma do caso de Córdoba, desde o início da investigação até as prisões. Esse não é um prazo atípico para investigações de fraude de provedores. Investigações manuais de fraude médica requerem coleta de evidência documental, entrevistas, análise de padrões de receitas e construção de um caso legal que resista ao escrutínio judicial.
O custo dessa lentidão é duplo. Primeiro, o custo financeiro direto: as dispensações fraudulentas continuam durante todo o período de investigação. Segundo, o custo de oportunidade: os recursos de investigação dedicados a um caso durante anos não estão disponíveis para investigar outros.
A pergunta que esse caso levanta é se há uma maneira de identificar padrões anômalos de prescrição em semanas em vez de anos. A resposta tecnológica é afirmativa.
Quais sinais o comportamento anômalo de prescritores gera
A fraude de prescritores gera sinais detectáveis quando os dados de sinistros são analisados em conjunto. O Inspector AI monitora o comportamento de prescritores através de múltiplas dimensões, cada uma das quais pode gerar sinais independentes que, combinados, apontam com alta precisão para os provedores que requerem investigação.
Concentração de prescrição. Um médico cuja atividade de prescrição se concentra desproporcionalmente em um medicamento ou grupo terapêutico específico gera um sinal estatístico. Se um oncologista prescreve um volume de um tratamento específico que supera em múltiplos desvios padrão a média de outros oncologistas da mesma região, isso é uma anomalia detectável.
Padrões de polifarmácia. Prescritores cujos pacientes recebem sistematicamente combinações incomuns de medicamentos geram sinais de polifarmácia. O sistema avalia essas combinações contra protocolos clínicos estabelecidos e, quando 80% dos sinais são corretamente exceptuados pela lógica clínica (como ocorre em oncologia, HIV e patologias cardiometabólicas), os sinais restantes têm um valor preditivo significativamente maior.
Sobreposição de pacientes. Quando um prescritor compartilha um percentual incomumente alto de pacientes com outro prescritor, especialmente se ambos estão gerando volumes altos de dispensações, o sinal sugere coordenação. Cada receita individual pode ser legítima em sua forma, mas o padrão de relações entre prescritores é anômalo.
Frequência de prescrição. A quantidade de receitas emitidas por unidade de tempo é um sinal fundamental. Um médico que emite mais receitas que o percentil 99 de sua especialidade gera um sinal que merece investigação, independentemente de cada receita individual parecer correta.
Consistência diagnóstica. Quando as prescrições de um médico mostram uma desconexão sistemática entre os diagnósticos registrados e os medicamentos prescritos — o que o Inspector AI detecta como incompatibilidade clínica — o sinal é particularmente forte. Um oncologista prescrevendo tratamentos oncológicos a pacientes sem diagnóstico oncológico registrado gera um sinal claro e imediato.
Do sinal à investigação
É importante ser preciso sobre o que a detecção automatizada faz e o que não faz. Não substitui a investigação. Não determina culpabilidade. O que faz é reduzir radicalmente o tempo entre o aparecimento de um padrão anômalo e sua identificação para investigação.
No modelo manual, alguém tem que perceber que algo não está bem. Isso pode levar meses ou anos, ou pode nunca ocorrer se o volume de transações for suficientemente grande e cada transação individual se mantiver dentro dos parâmetros normais. No modelo automatizado, os sinais são gerados assim que o padrão se estabelece nos dados, o que pode ser questão de semanas.
Isso não significa que o Inspector AI teria detectado o caso específico dos oncologistas de Córdoba. Não conhecemos os detalhes operacionais do esquema nem a estrutura de dados do plano de saúde provincial. O que afirmamos é que a detecção de anomalias de prescritores é uma capacidade central da plataforma, e que prazos de investigação de cinco anos são um sintoma de processos exclusivamente manuais.
O contexto latino-americano
A fraude de provedores na América Latina tem características próprias que a tornam particularmente desafiadora. A fragmentação dos sistemas de saúde significa que um médico pode prescrever a múltiplos pagadores sem que nenhum tenha visibilidade completa de seu comportamento. A falta de interoperabilidade entre sistemas de informação impede a correlação de dados entre instituições. E a escassez de profissionais de saúde em muitas regiões cria uma relutância em investigar médicos ativos por receio de reduzir a oferta de serviços.
Essas limitações não eliminam a possibilidade de detecção. A reduzem. Um pagador individual pode analisar o comportamento de seus prescritores dentro de sua própria base de dados e detectar anomalias significativas. Não necessita de visibilidade do sistema completo para identificar que um prescritor mostra padrões que se desviam radicalmente de seus pares.
Além do caso individual
O valor da detecção sistemática de anomalias de prescritores vai além de identificar casos de fraude. As mesmas análises que detectam prescrição fraudulenta também detectam prescrição deficiente: médicos que prescrevem sistematicamente medicamentos de marca quando há genéricos disponíveis, que geram reposições antecipadas desnecessárias, ou que prescrevem combinações com risco de interação.
Isso significa que o investimento em detecção de anomalias de prescritores tem um retorno que vai além da prevenção de fraude. É um investimento em qualidade de prescrição, adesão a protocolos clínicos e eficiência farmacêutica.
O primeiro passo
Para seguradoras que suspeitam que têm um problema de fraude de provedores mas carecem das ferramentas para quantificá-lo, o primeiro passo é analisar os dados existentes. Os padrões estão nos dados; o que falta é a capacidade de vê-los.
Para solicitar uma análise gratuita dos seus dados de sinistros, visite nossa página de contato.