Codificação médica atual: um fluxo de trabalho manual

A codificação médica é a base do processo de reembolso. Todo ato clínico, seja um diagnóstico, procedimento ou tratamento, deve ser traduzido em um código padronizado para ser cobrado.

Em uma configuração manual, o processo normalmente se desenrola da seguinte forma:

  • Revisão de registros de pacientes: Os codificadores humanos leem as anotações clínicas detalhadas para extrair informações médicas relevantes.
  • Pesquisa de taxonomias: Eles navegam em extensos dicionários de códigos (geralmente com mais de 100.000 entradas) para identificar os códigos de faturamento correspondentes.
  • Atribuição e verificação cruzada: Os códigos são inseridos manualmente nos sistemas de faturamento e verificados em relação às regras de conformidade.
  • Validação e correção: Os codificadores ou auditores sênior revisam as entradas, corrigem os erros e resolvem as discrepâncias com os médicos.

Esse fluxo de trabalho de ponta a ponta é altamente repetitivo, demorado e propenso a erros. Os atrasos se acumulam rapidamente em atrasos e a codificação incompleta ou imprecisa geralmente resulta em reembolsos perdidos e vazamento financeiro.

A função da AI autêntica

Nesse contexto, AI agêntica representa uma oportunidade transformadora: não apenas gerar texto, mas orquestrar fluxos de trabalho autônomos e orientados por metas, em que vários agentes AI especializados colaboram perfeitamente com especialistas humanos.

Aplicada à codificação médica, a Agentic AI pode espelhar o processo manual e, ao mesmo tempo, acelerá-lo e protegê-lo:

  • Leitura e resumo de registros de pacientes.
  • Recuperação de códigos relevantes em vastas taxonomias.
  • Validação da conformidade com as estruturas de reembolso.
  • Apoiar a supervisão humana com explicações transparentes.

Caso do cliente: Automatização da codificação médica em um hospital belga

Com Eliott BERTRAND e Robin VERSCHUREN, do escritório da Bélgica.

Na Artefact, acreditamos que os encontros na área da saúde são "momentos da vida" que exigem fundamentalmente a interação humana. Nosso objetivo é capacitar as equipes de atendimento e otimizar os processos clínicos por meio da AI, e não substituí-las. Essa filosofia orientou nossa recente parceria com um hospital na Bélgica para automatizar a codificação médica, o faturamento e o reembolso da previdência social usando modelos avançados de linguagem e Retrieval-Augmented Generation (RAG).

Nosso cliente estava enfrentando uma enorme carga de trabalho para codificar manualmente o gesto médico dispensado aos pacientes, o que é obrigatório para o sistema de reembolso na Bélgica.

Uma equipe de 18 pessoas em tempo integral tinha como função atribuir a cada arquivo de paciente seus códigos médicos, em uma lista de 140.000 códigos. Na época, essa equipe já estava meses atrasada. Além disso, esse processo capturava apenas um subconjunto de códigos de alto valor, deixando uma receita significativa de fora.

Projetamos um processo de quatro estágios, com vários agentes AI especializados

  • Agente de AI especializado: Um "escriba" AI lê o registro do paciente, resume a situação clínica e segmenta o caso para identificar categorias de codificação relevantes
  • Recuperação de códigos com base no RAG: Um segundo agente usa a geração aumentada por recuperação para encontrar todos os códigos relevantes para a situação clínica documentada
  • Agente de validação de código: Um terceiro agente verifica se os códigos propostos estão em conformidade com as regras oficiais e integra o feedback de codificadores especializados
  • Validação humana: Por fim, um codificador médico revisa e aprova as recomendações da AI; com base em uma explicação do último agente

Ao identificar códigos que antes não eram percebidos e garantir um faturamento mais completo, o hospital liberou novos fluxos de receita. Os primeiros indicadores sugerem uma captura significativa de receita que antes passava despercebida.

O pipeline AI proporcionou um ganho de produtividade de 80%, eliminando o gargalo de codificação e permitindo que a equipe recuperasse os atrasos. A precisão e a integridade da codificação melhoraram, reduzindo os erros e minimizando as recusas de pedidos de reembolso. O hospital também obteve uma economia substancial de custos ao reatribuir codificadores a tarefas de maior valor e reduzir as horas extras.

Em termos gerais, 80% da carga de trabalho das 18 pessoas que codificam foram autonomizadas, resultando em uma economia de 14,5 FTE. O projeto custou 50 dias-homem de consultoria externa e nenhum custo adicional de TI, levando a um ROI de aproximadamente 600%, como uma ordem de grandeza para o primeiro ano.

Este estudo de caso reflete a crença central da Artefact: AI deve proporcionar não apenas inovação, mas também impacto.

O que vem por aí: dimensionamento da AI agêntica

As iniciativas de AI autêntica raramente param em um único caso de uso. Quando a primeira implantação demonstra um valor mensurável, as organizações geralmente consideram três direções principais:

  • Estender para fluxos de trabalho adjacentes, aplicando a mesma lógica agêntica a outros processos repetitivos e de alto volume (por exemplo, relatórios, documentação, verificações de conformidade).
  • Prepare-se para operações autônomas governadas, em domínios com regras claras e resultados mensuráveis, permitindo que os agentes operem com o mínimo de intervenção humana sob fortes estruturas de governança e monitoramento.
  • Crie ecossistemas de agentes interconectados, projetando sistemas multiagentes que colaboram entre funções, liberando ganhos de eficiência entre processos.

Essa trajetória reflete como as organizações podem dimensionar progressivamente a AI autêntica, desde casos de uso piloto até o impacto em toda a empresa, garantindo eficiência e confiança por meio de uma governança robusta.