Un hombre que se recuperaba en su casa de una cirugía cardíaca recibió un impactante descubrimiento: su seguro había denegado la cobertura de una parte crítica de su estancia hospitalaria. Al indagar, encontró un código de facturación que indicaba que su operación había sido electiva. Pero no lo fue: ingresó por urgencias con un dolor torácico severo y le dijeron que la cirugía era la única opción.
Llamó al hospital, donde confirmaron que el procedimiento fue, efectivamente, médicamente necesario. Sin embargo, debido a un único error en el registro —que ningún clínico detectó durante su internamiento— el sistema ahora categorizaba su tratamiento vital como “electivo”.
El error se propaga rápidamente a partir de ahí. Se deniega el pago, se inician apelaciones, y el paciente, que debería estar concentrado en recuperarse, queda atrapado entre la verdad clínica y la ficción administrativa. Desde la perspectiva del pagador, la reclamación parece correcta: los códigos son técnicamente válidos y la documentación está en orden.
El problema solo salió a la luz porque el paciente revisó minuciosamente su factura.
Ahora, imaginen multiplicar este incidente por millones de reclamaciones. El resultado no es solo confusión o carga burocrática; es ineficiencia sistémica. Se pierde tiempo corrigiendo datos, se gasta dinero resolviendo disputas evitables y se erosiona la confianza entre aseguradoras, proveedores y pacientes. Aun así, la respuesta habitual suele ser añadir más controles o externalizar servicios que prometen detectar errores… después de que ocurran.
Este enfoque solo trata los síntomas, no las causas profundas. Evidencia un problema estructural de fondo: la dependencia de nuestro sistema sanitario en procesos fragmentados y reactivos, en lugar de un diseño sistémico proactivo.
Identificando el problema
El principal antagonista detrás de la inexactitud de las reclamaciones no es la mala fe ni una clasificación intencionadamente errónea. El verdadero culpable son los sistemas fragmentados que no se comunican entre sí. Conforme el sistema sanitario ha evolucionado para ofrecer atención de mayor calidad a más personas —y con perfiles clínicos cada vez más complejos—, la desconexión entre lo facturado, lo documentado y la realidad se ha agrandado.
Es por eso que el desperdicio administrativo en healthcare todavía supera el billón de dólares anuales, a pesar de décadas de digitalización y optimización de proveedores.
Históricamente, la resolución de errores de pago en la fuente se ha considerado un problema irresoluble. La complejidad del sistema ha hecho notoriamente difícil la automatización. Existen más de 700 categorías de Grupos Relacionados por el Diagnóstico (DRG), cada una con su propia lística de severidad y precios. Medicare solo gestionó más de 30 programas de pago el año pasado, y las normas de facturación varían enormemente entre hospitales y planes de salud. Añádase documentación clínica inconsistente y lenguaje político ambiguo, y el resultado es el mismo: la reconciliación manual de información que debería haber estado alineada desde el principio.
Durante años, el argumento principal ha sido que estos problemas son datocéntricos; que mejores datos, más auditorías o incluso más códigos resolverían los desafíos de integridad de pagos. Pero ningún volumen de datos en bruto puede arreglar un proceso fundamentalmente defectuoso. Los datos sin flujos de trabajo inteligentes y alineados solo generan más ruido.
Las aseguradoras nunca han tenido herramientas para aprovechar inteligentemente ese ruido de datos a escala. Pero la tecnología ha cambiado. Los sistemas de IA actuales pueden comprender lenguaje, seguir lógica normativa y evaluar datos clínicos y contractuales complejos en tiempo real. Así como uno querría una segunda opinión médica antes de un procedimiento mayor, los pacientes y los pagadores merecen un sistema que verifique críticamente las decisiones antes de que generen problemas.
La barrera restante es cultural, no técnica. Demasiadas organizaciones aún asumen que la integridad de pagos debe ser reactiva. Las disputas se tratan como inevitables. Los errores son algo que hay que corregir después, en vez de prevenir ahora. Pero esa suposición está desactualizada.
Adoptando un enfoque proactivo para el pago
Con los avances a velocidad de la luz en IA, proveedores y aseguradoras pueden disponer ahora de herramientas para garantizar la precisión de los pagos desde el origen. Se pueden entrenar sistemas inteligentes para que comprendan el panorama completo de la atención y facturación del paciente: desde lo que estipula su póliza, hasta lo documentado en su historial y lo que dicta un contrato. Los humanos siempre serán parte esencial del proceso, con la IA facilitando aprobaciones rápidas y señalando posibles inconsistencias con el contexto relevante para que los expertos humanos las resuelvan de manera proactiva.
No se trata de reemplazar personas. Se trata de dar a clínicos y equipos de reclamaciones el equivalente a una segunda opinión en tiempo real; una que no solo detecte errores, sino que pueda evitar que lleguen a afectar la experiencia del paciente.
Al pasar de una era de “escasez de inteligencia” a una de “abundancia de inteligencia”, tenemos la oportunidad de repensar cómo aprovechar las segundas opiniones de IA para el bien común.
Para el paciente de cirugía cardíaca, un sistema impulsado por IA habría alertado inmediatamente del erróneo código de procedimiento electivo, cotejándolo con la documentación clínica, el tipo de ingreso y las reglas de la póliza. La inconsistencia se habría detectado y corregido antes de que la reclamación se enviara, evitando una costosa denegación, un prolongado proceso de apelación y una experiencia tremendamente estresante para alguien que solo intentaba recuperar su salud.
Estos sistemas de IA funcionan integrando flujos de datos —clínicos, financieros, normativos— y aplicando lógica avanzada de forma continua, no retrospectiva. Al alinear estos inputs desde el principio, permiten que el ecosistema “lo haga bien a la primera”, evitando costosos ciclos de denegaciones y refacturaciones.
Este cambio no requiere una reforma total del sistema. Requiere aplicar las reglas existentes de forma clara y consistente, aprovechando la IA como una herramienta para la amplificación de la inteligencia y una mayor precisión.
Desarrollar estas tecnologías es un gran esfuerzo, pero el requisito más abrumador será cultural. Se necesita alineación organizacional para permitir que la información fluya entre departamentos y sistemas. Los silos —ya sean de datos, departamentales o de procesos— deben eliminarse. La lógica clínica y la financiera deberían operar juntas, no aisladas.
Así es como pasamos de un sistema de pagos reactivo a uno proactivo. Al garantizar la precisión de lo que entra en el sistema, eliminamos la necesidad de limpiar lo que sale de él —y erradicamos el miedo, la confusión y el desperdicio asociados a reclamaciones incorrectas.
Foto: lbodvar, Getty Images
Prasanna Ganesan es EVP y Director de Producto en Machinify, una destacada compañía de inteligencia sanitaria con experiencia en todo el continuum de pagos. Prasanna aporta más de 20 años de experiencia como fundador de empresas tecnológicas, escalando equipos exitosos hasta major adquisiciones de mercado. En 2005, cofundó VUDU, adquirida por Walmart en 2010. En 2016, fundó Machinify, desarrollando sus capacidades de minería de datos hasta fusionarse con el negocio de integridad de pagos de Apixio, VARIS, y The Rawlings Group. Posee más de 30 patentes y recibió el premio Home Entertainment Visionary 2013, así como la Medalla de Oro del Presidente de la India por sus logros académicos. Prasanna obtuvo un PhD en Ciencias de la Computación en la Universidad de Stanford y un B. Tech en Ciencias de la Computación en el Indian Institute of Technology, Madras.
Este artículo aparece a través del programa MedCity Influencers. Cualquier persona puede publicar su perspectiva sobre negocio e innovación en healthcare en MedCity News a través de MedCity Influencers.