IA reduz em 14 pontos o absenteísmo do SUS em Recife sem decidir por médicos

Em resumo

A Beyond Co. apresentou o Absens, sistema que já reaproveitou 683 mil vagas em Recife, Cajamar e Amazonas, e que ataca o absenteísmo no SUS em quatro pontos de falha (pedido, telefone, conversa, vaga) sem tirar do médico regulador a decisão clínica. Levi Nóbrega, CEO da Beyond Co., mostrou que o problema não é um só: é uma cadeia de quatro fricções que cada uma, isolada, já derruba a eficácia de qualquer solução de IA.

• Absenteísmo em Recife caiu de 51,8% (antes do Absens) para 37,7% no quarto ano de operação.
• 683 mil vagas reaproveitadas nos três clientes em produção, economia estimada de R$ 58,9 milhões.
• Overbooking preditivo atinge 95,6% de acurácia, mas a autorização final do caso prioritário continua com o médico regulador.
• Dois terços dos telefones cadastrados em uma base pública estavam inválidos, o que travava qualquer comunicação antes mesmo de qualquer modelo de IA.

Em números

• 51,8% para 37,7%queda do absenteísmo em Recife em quatro anos de operação do Absens
• 683 mil vagasvagas reaproveitadas nos três clientes em produção, economia de R$ 58,9 milhões
• 95,6%acurácia do modelo de overbooking preditivo em Recife
• 2.859 de 4.252pacientes com telefone cadastrado inválido no MVP do Recife

1. O problema não é um buraco, são quatro

Nóbrega abriu com os números do SUS como um todo: 2,1 bilhões de consultas e exames regulados por ano, 25% de absenteísmo médio, R$ 86,24 de custo médio por procedimento, o que resulta em R$ 45,2 bilhões anuais em vagas pagas e não usadas. A tese central da palestra é que essa vaga perdida não acontece num ponto único da jornada, mas em até quatro momentos sucessivos entre o pedido de encaminhamento e a cadeira do consultório.

"A vaga, ela não se perde só uma vez. Ela se perde em até quatro momentos."

Os quatro momentos, segundo a apresentação: o pedido (fila lida manualmente pelo regulador), o telefone (número de contato desatualizado), a conversa (comunicação de mão única por SMS) e a vaga (falta não avisada). Essa divisão organiza toda a apresentação e corresponde ao que aparece nos slides como "Momento 1" a "Momento 4".

A referência de Recife antes do produto reforça a gravidade: 51,8% de absenteísmo entre agosto de 2021 e julho de 2022, quase o dobro da média estimada de 23% apontada pela revisão sistemática citada no artigo da Saúde em Debate (Scielo, 2019), que soma ainda 38,6% de absenteísmo em consultas e 32,1% em exames especializados na Região Metropolitana do Espírito Santo entre 2014 e 2016. Um estudo de Belo Horizonte (Anais CBPPGS, 2021) registrou 20,01% de faltas em consultas especializadas em 2019. Os números variam por metodologia e período, mas situam Recife, antes da intervenção, no patamar mais alto já relatado para o Brasil.

2. No pedido, a IA ordena, o médico decide

O primeiro momento em que a vaga do personagem fictício Roberto corre risco é a demora na fila de regulação: um médico regulador lê pedido a pedido, e mesmo um caso urgente pode ficar no meio de uma pilha de outros urgentes. Para isso, a Beyond construiu o Regula-IA, um conjunto de agentes que lê o pedido, monta o resumo clínico, avalia risco e gera um score de priorização antes mesmo do médico começar a trabalhar.

"A IA, ela ordena a fila, mas quem de fato decide? [...] é o médico regulador quem vai decidir, assinar e responder para cada caso."

Nóbrega foi direto sobre o limite: o ganho não é substituir o julgamento clínico, é devolver tempo ao regulador, que passa a se concentrar nos casos já triados como mais urgentes. Em dados de produção, isso reduziu em até 50% o tempo de regulação para o mesmo volume de casos, com cada decisão (sugestão da IA e decisão final do médico) registrada de forma rastreável.

Essa separação entre sugestão algorítmica e decisão humana dialoga com uma preocupação central da literatura sobre overbooking preditivo: o estudo de Samorani et al. (SSRN, 2019) mostra que combinar machine learning com otimização de agenda pode gerar disparidade racial no tempo de espera, porque pacientes com maior probabilidade prevista de falta tendem a ser realocados para os piores horários dentro de um bloco de atendimento. A palestra não tratou de viés racial ou socioeconômico no modelo preditivo de comparecimento, o que é uma lacuna relevante diante desse achado.

3. Sem telefone válido, nenhum modelo funciona

O segundo momento crítico, segundo a apresentação, antecede qualquer sofisticação de IA: o número de telefone cadastrado simplesmente não existe mais. No MVP rodado em Recife, de 4.252 pacientes analisados, 2.859 tinham número inválido, mais de dois terços da base.

"Não adiantaria a gente ter a melhor IA de comunicação se o telefone do cadastro dessas pessoas simplesmente não existe mais, está inválido."

A solução descrita combina três fontes: busca de números atualizados em APIs socioeconômicas e bases públicas, consulta a operadoras de telefonia (que devolvem um percentual de chance de o número ainda estar vinculado àquele CPF) e confirmação direta pelo próprio paciente via WhatsApp.

4. A conversa muda de canal, e a intuição da equipe errou

Com o telefone certo, o próximo obstáculo é o canal: pacientes não respondem SMS de mão única, mas usam WhatsApp e preferem áudio a texto. O Absens hoje processa áudios curtos com IA, mantém um chatbot de linguagem natural tolerante a erros de digitação e gírias, e desde agosto de 2025 oferece agendamento direto pelo botão "Agendar online" do Google, sem aplicativo. A Beyond diz ser hoje a única parceira habilitada na América Latina para esse recurso na área da saúde, e cerca de um quarto das buscas completa o ciclo de agendamento.

O ponto mais didático da seção foi o relato dos testes A/B, porque a intuição da equipe errou duas vezes:

"A intuição de toda a nossa equipe era de que a mensagem com imagem ela chamaria mais a atenção, e na verdade isso deu o contrário [...] a versão sem imagem teve três pontos percentuais a mais."

O vídeo, por outro lado, rendeu dois pontos percentuais a mais de resposta e hoje vai para 100% dos pacientes de Recife. Já a ligação feita por IA teve estreia modesta (1 de 60 ligações respondidas em geriatria), mas, testada com outros procedimentos e horários, hoje converte cerca de 20% dos casos. A soma dessas estratégias multicanal levou a taxa de resposta às comunicações a mais de 83% em Recife.

Tabela 1. Testes A/B de canal e formato de mensagem

Fonte: a palestra

5. No dia da consulta, overbooking preditivo e perguntar antes

O quarto momento é o mais técnico em machine learning: quando um paciente cancela de última hora (no exemplo, às 7h12 para uma consulta às 8h40), o sistema devolve a vaga à fila e já chama proativamente o próximo paciente priorizado, no caso, Roberto. Para os casos em que ninguém avisa, entra o overbooking preditivo: um modelo estima a probabilidade de comparecimento de cada paciente, e um modelo de otimização decide onde vale a pena encaixar alguém com alta chance de vir no lugar de quem tende a faltar. Em Recife, a acurácia reportada desse modelo é de 95,6%.

"A gente consegue acertar e dizer, opa, realmente o Roberto vai faltar ou o Roberto vai comparecer."

Um detalhe de engenharia citado por Nóbrega como relevante para quem constrói esse tipo de sistema: o overbooking roda numa escala médica adicional, criada dentro do sistema de regulação, sem mexer na escala original, o que preserva segurança operacional e rastreabilidade.

Uma terceira frente, mais simples que qualquer modelo, é perguntar antes: em outubro, campanha em Recife perguntou a pacientes da fila se ainda precisavam da consulta. Dos que responderam, 81% reagiu à mensagem e 98% confirmou que ainda precisava; os 2% restantes saíram da fila e liberaram vaga. No Amazonas, campanha de telessaúde impactou 56.521 pessoas, das quais 72% preferiu consulta presencial e 17% aceitou teleconsulta.

Tabela 2. Evolução do absenteísmo em Recife (agosto a julho)

Fonte: a palestra

• Antes do Absens (21/22)51,8%
• 1º ano (22/23)46%
• 2º ano (23/24)42,4%
• 3º ano (24/25)40,4%
• 4º ano (25/26)37,7%

Período de agosto a julho de cada ano.

6. Integrar ao legado é parte do produto, não um detalhe

Nada do que foi descrito funcionaria fora do sistema que a rede de regulação já usa, geralmente o SISREG ou sistemas próprios de estado e município, com 15 a 20 anos de existência e controlados pelo Ministério da Saúde ou por prefeituras, não pela empresa que presta o serviço. Nóbrega chamou esse ponto de o slide mais importante para desenvolvedores na plateia.

"O Absens, ele precisa se integrar com esse sistema do jeito que cada um dos sistemas permite [...] a gente vai lá e usa RPA [...] em último caso [...] a gente só tem um caminho de acessar o banco de dados."

A documentação do Ministério da Saúde confirma esse cenário: o SISREG não aceita mais novas adesões por limitações estruturais, e o sucessor e-SUS Regulação já oferece avanços em segurança, mas a disponibilização de API depende de solicitação formal, com ofício do gestor local e termo de responsabilidade assinado. Isso explica por que a Beyond recorre a RPA e acesso direto a banco de dados como alternativas, e por que esses caminhos, segundo Nóbrega, viraram alvo de disputa operacional: ele relatou que, em determinado momento, o Ministério derrubou o acesso humano da prefeitura ao sistema achando que havia uso indevido, mas os robôs da empresa continuaram operando.

Onde as fontes discordam

As fontes lidas sustentam o diagnóstico central da palestra, mas também expõem limites que a apresentação não discutiu em profundidade. A Saúde em Debate (Scielo, 2019) e o estudo de Belo Horizonte (2021) confirmam que o absenteísmo é crônico no SUS e gera desperdício financeiro mensurável, com taxas que variam de 20% a quase 39% conforme a região e o tipo de procedimento, o que valida a ordem de grandeza apresentada por Nóbrega, ainda que os 51,8% de Recife estejam acima da maioria dos números publicados.

O estudo de Samorani et al. (SSRN, 2019) relativiza um ponto que a palestra não abordou: overbooking preditivo baseado em probabilidade de comparecimento pode gerar disparidade de tempo de espera entre grupos demográficos quando a propensão a faltar está correlacionada a raça ou classe social, algo plausível no contexto de uma fila pública brasileira. A apresentação trouxe acurácia (95,6%) como métrica de sucesso do modelo, mas não mencionou se o modelo foi auditado quanto a esse tipo de viés.

O Ministério da Saúde (página de Sistemas de Informação na Regulação do Acesso) confirma a descrição de Nóbrega sobre a fragmentação de sistemas de regulação no país e a dificuldade de acesso via API, o que reforça a credibilidade do relato sobre RPA e integração via banco de dados como caminhos necessários, não apenas uma escolha de conveniência da empresa.

O que a palestra não mostrou, e que não há fonte lida suficiente para preencher: não há dado público independente sobre a acurácia de 95,6% do overbooking preditivo do Absens, nem sobre como o modelo trata vieses de classe ou mobilidade (a própria palestra cita a dificuldade de locomoção como causa recorrente de falta). Também não ficou claro no material disponível qual parcela do custo médio de R$86,24 por procedimento usado pela Beyond é comparável à Tabela SUS usada nos estudos acadêmicos, que registra valores bem mais baixos (R$10,00 por consulta especializada em um dos estudos de Belo Horizonte).

O que fazer agora

Se a equipe de produto ou dados estiver construindo algo parecido para o setor público, a sequência sugerida pela palestra é replicável fora do contexto do SUS:

1. Mapeie os pontos de perda antes de pensar em modelo: se o dado de contato (telefone, e-mail, endereço) está desatualizado, nenhuma camada de IA resolve o problema de comunicação, então valide isso primeiro.
2. Mantenha a decisão de maior risco com um humano responsável: se a decisão envolve prioridade clínica ou outro critério sensível, use a IA para ordenar e sugerir, não para decidir e executar sozinha, e torne cada decisão rastreável.
3. Teste a intuição da equipe com dados reais antes de escalar um canal: se a equipe acredita que um formato (imagem, vídeo, ligação) vai funcionar melhor, rode um teste A/B controlado antes de aplicar a 100% da base, porque a intuição errou duas vezes nos exemplos apresentados.
4. Trate a integração com o sistema legado como parte do escopo do produto, não um apêndice técnico: se não houver API disponível, avalie RPA ou acesso a banco de dados desde o desenho da solução, com clareza sobre o risco e o custo de manutenção de cada caminho.
5. Audite o modelo preditivo quanto a viés antes de divulgar métricas de acurácia: se o modelo de propensão a faltar correlaciona-se com raça, renda ou mobilidade, meça o impacto diferencial no tempo de espera entre grupos, conforme recomenda a literatura sobre overbooking preditivo.