IA centrada no ser humano: Uma abordagem integrada em busca de um melhor modelo de detecção de fraudes na saúde

A relevância do setor de saúde, que movimenta grandes volumes financeiros e
impacta diretamente a vida de milhões de pessoas, torna-o alvo constante de fraudes,
gerando riscos significativos à sustentabilidade e à qualidade do atendimento. Diante
desse cenário, o conjunto dos trabalhos desenvolvidos nesta tese buscou contribuir
para soluções mais eficazes de prevenção e detecção de fraudes, com foco específico
em cooperativas médicas, estrutura que representa parcela expressiva da saúde
suplementar no Brasil e que, por sua forma de organização e governança, apresenta
desafios particulares para controle de eventos de fraudes. O primeiro estudo científico
validou que a abordagem de IA supervisionada, integrada ao conhecimento humano,
apresenta maior assertividade na detecção de eventos suspeitos de fraude em
comparação a métodos puramente autônomos, destacando a importância do fator
humano para aumentar a precisão e reduzir falsos alarmes. O artigo tecnológico
complementou essa análise, mapeando as áreas mais sensíveis dentro das
cooperativas médicas e identificando os tipos de fraudes mais recorrentes, oferecendo
uma visão aprofundada sobre vulnerabilidades operacionais e comportamentais. A
partir dessa radiografia, delinearam-se diretrizes para o fortalecimento de ações de
controle e mitigação de riscos. Por fim, o produto tecnológico consolidou essas
descobertas no desenvolvimento da plataforma antifraude denominada
GloomTrace®, estruturada para integrar aprendizado de máquina com a experiência
de especialistas. De forma integrada, os resultados desta tese reforçam que o
caminho mais seguro para combater fraudes em cooperativas médicas combina
tecnologia de ponta, IA supervisionada e participação ativa de profissionais,
ampliando a confiabilidade dos processos e promovendo uma gestão mais
transparente, ágil e eficiente.
Palavras-chave: Inteligência Artificial; Detecção de Fraudes; Saúde; Cooperativas
Médicas.