Por qué los modelos tradicionales de scoring de riesgo en salud ya no alcanzan

El problema fundamental: modelos estáticos en un mundo dinámico

Los modelos tradicionales de ajuste de riesgo, como los basados en Hierarchical Condition Categories (HCC), tienen una limitación fundamental: operan con una fotografía del pasado. Utilizan diagnósticos documentados en el año anterior para predecir costos futuros, asumiendo que la salud de los pacientes permanece relativamente estable. Esta premisa falla sistemáticamente en múltiples escenarios.

Un paciente joven con una condición crónica recién diagnosticada puede no tener historial de códigos diagnósticos que reflejen adecuadamente su riesgo futuro. Un adulto mayor con múltiples comorbilidades bien controladas puede estar estable durante meses, pero un evento agudo puede cambiar su trayectoria de costos radicalmente. Los modelos retrospectivos no capturan estas transiciones en tiempo real.

Cinco limitaciones críticas que afectan la toma de decisiones

1. Dependencia excesiva de la codificación diagnóstica

Los modelos actuales requieren que cada condición médica sea documentada y codificada correctamente durante encuentros clínicos. En la práctica, esto genera dos problemas graves: primero, la inconsistencia en las prácticas de documentación entre proveedores, instituciones y regiones; segundo, el incentivo perverso de "upcoding" —la tendencia a documentar condiciones más severas de lo que son para aumentar los reembolsos.

La realidad es que la calidad de un score de riesgo no puede ser mejor que la calidad de la documentación clínica que lo alimenta. Y cuando los sistemas incentivan la documentación para maximizar pagos en lugar de reflejar la realidad clínica, la confiabilidad del modelo se desmorona.

2. Invisibilidad de los determinantes sociales de la salud

Una persona diabética con vivienda estable, acceso a alimentos saludables y educación sobre su condición tiene un perfil de riesgo radicalmente diferente a alguien con el mismo diagnóstico pero que vive en inseguridad habitacional, con acceso limitado a farmacias y sin redes de apoyo. Sin embargo, en los modelos tradicionales, ambos pacientes reciben el mismo score de riesgo.

Los determinantes sociales de la salud —nivel socioeconómico, educación, acceso a transporte, estabilidad habitacional— tienen un impacto documentado en los resultados clínicos y en los costos de atención. Pero la mayoría de los modelos de riesgo tradicionales no incluyen estas variables, o las incluyen de manera superficial mediante proxies demográficos que no capturan la complejidad real.

3. Sesgos sistemáticos que perpetúan inequidades

Investigaciones recientes han demostrado que algunos algoritmos de predicción de riesgo ampliamente utilizados producen scores sistemáticamente más bajos para pacientes de minorías étnicas, incluso cuando su estado de salud es equivalente o peor que el de otros grupos. Esto ocurre porque los modelos utilizan el gasto histórico como proxy del riesgo, y las poblaciones con menor acceso a servicios de salud tienen menor gasto histórico, lo que el algoritmo interpreta como menor riesgo.

El resultado: pacientes que más necesitan intervenciones preventivas son clasificados como de bajo riesgo y no reciben la atención adecuada. Los modelos no solo fallan en predecir con precisión, sino que activamente perpetúan las disparidades en salud que deberían estar ayudando a resolver.

4. Granularidad insuficiente para decisiones operativas

Los scores de riesgo tradicionales fueron diseñados principalmente para ajustar pagos entre planes de salud, no para guiar decisiones clínicas o de gestión día a día. Un score agregado de 1.5 (50% por encima del promedio) no le dice a un auditor médico qué pacientes específicos revisar esta semana, ni qué aspectos de su atención representan mayor riesgo de sobrecostos o eventos adversos.

Para la auditoría médica, la gestión de utilización o la coordinación de cuidados, se necesita granularidad: no solo saber que un paciente es "de alto riesgo", sino entender qué componentes de su atención —medicamentos, procedimientos, comorbilidades no controladas— están impulsando ese riesgo, y cuáles son modificables con intervenciones específicas.

5. Incapacidad para capturar el contexto del sistema

Un modelo de riesgo puede predecir que un paciente con insuficiencia cardíaca avanzada tendrá costos elevados, pero no puede predecir si esos costos serán por manejo ambulatorio óptimo con telemonitoreo y ajustes farmacológicos, o por hospitalizaciones repetidas evitables debido a coordinación deficiente. El contexto del sistema de salud —capacidad de coordinación, disponibilidad de especialistas, integración entre niveles de atención— es invisible para los modelos tradicionales.

El desafío en sistemas fragmentados: el caso argentino

Estos problemas se magnifican en sistemas de salud fragmentados como el argentino, donde conviven tres subsectores (público, obras sociales, medicina prepaga) con capacidades de documentación, sistemas de información y prácticas de codificación radicalmente diferentes.

Un paciente puede transitar entre subsectores sin que su información clínica fluya adecuadamente. Las obras sociales provinciales operan con sistemas heterogéneos. El subsector público atiende a poblaciones con mayor carga de determinantes sociales adversos, pero tiene menor capacidad de documentación estructurada. Aplicar modelos de riesgo diseñados para sistemas integrados y con documentación homogénea resulta en predicciones poco confiables.

Además, la ausencia de registros longitudinales integrados dificulta el seguimiento de trayectorias de pacientes a lo largo del tiempo, lo que limita la capacidad de aprender de patrones históricos y ajustar modelos dinámicamente.

¿Hacia dónde evolucionan los modelos de riesgo?

La respuesta no es abandonar el ajuste de riesgo, sino transformarlo radicalmente. Los sistemas de salud necesitan modelos que:

Sean dinámicos y adaptables, actualizándose con nueva información en tiempo real, no solo anualmente. Un modelo que incorpore resultados de laboratorio recientes, cambios en patrones de utilización o eventos centinela puede detectar deterioro clínico antes de que se materialice en costos elevados.

Integren múltiples fuentes de datos, combinando diagnósticos estructurados con información de medicamentos, órdenes de laboratorio, notas clínicas, datos de dispositivos de monitoreo remoto y, donde sea posible, determinantes sociales. La predicción de riesgo debe ser multidimensional.

Incorporen inteligencia contextual, entendiendo no solo las características del paciente sino también el entorno en el que recibe atención: capacidades del prestador, patrones de referencia, coordinación entre niveles, adherencia histórica a guías clínicas.

Proporcionen explicabilidad granular, desagregando el score global en componentes comprensibles y accionables. Un auditor debe poder entender por qué un episodio fue marcado como alto riesgo y qué aspectos específicos revisar.

Se actualicen continuamente con retroalimentación, aprendiendo de casos donde las predicciones fueron incorrectas y ajustando sus parámetros. Los modelos deben mejorar con cada ciclo de auditoría, cada intervención, cada resultado observado.

El rol de los sistemas multiagente orquestados en la próxima generación de gestión de riesgo

La respuesta a las limitaciones de los modelos tradicionales no vendrá de algoritmos más complejos operando en aislamiento, sino de una arquitectura fundamentalmente diferente: sistemas multiagente orquestados con inteligencia artificial. Este paradigma emergente, documentado recientemente en publicaciones como Nature Biomedical Engineering, representa un salto cualitativo en cómo conceptualizamos la gestión de riesgo en salud.

De modelos monolíticos a ecosistemas de agentes especializados

Un sistema multiagente en auditoría médica no es un único algoritmo que intenta hacer todo, sino una red coordinada de agentes especializados, cada uno con un dominio de expertise específico, que colaboran de manera autónoma para completar tareas complejas. Pensemos en la analogía de un equipo clínico: no esperamos que un solo profesional sea simultáneamente experto en diagnóstico por imagen, farmacología, gestión de costos y coordinación de cuidados. Del mismo modo, los sistemas multiagente distribuyen responsabilidades entre componentes especializados.

En un sistema de auditoría inteligente con arquitectura multiagente, podríamos tener:

Agente de Priorización Estratégica: Evalúa continuamente el universo de episodios activos y asigna scores de prioridad multidimensionales. No solo considera el costo absoluto sino también la desviación respecto a patrones esperados, la complejidad clínica, la calidad de la documentación existente y la capacidad de intervención del equipo auditor. Este agente aprende de decisiones históricas del equipo para alinear sus prioridades con los objetivos específicos de la organización.

Agente de Análisis de Documentación Clínica: Procesa notas de evolución, órdenes médicas, resultados de laboratorio e imágenes para construir una narrativa coherente del episodio. Identifica inconsistencias entre diagnósticos documentados y tratamientos administrados, detecta brechas en la documentación que podrían afectar el ajuste de riesgo, y señala oportunidades de query específico. Utiliza modelos de lenguaje especializados en terminología médica para interpretar contexto clínico.

Agente de Análisis Económico-Financiero: Desagrega los costos del episodio en componentes (medicamentos, procedimientos, días cama, insumos) y compara contra benchmarks ajustados por complejidad. Identifica outliers no justificados por la severidad clínica y sugiere áreas específicas de investigación. Este agente entiende las estructuras de reembolso y puede anticipar el impacto económico de diferentes escenarios de codificación.

Agente de Detección de Patrones y Anomalías: Opera a nivel poblacional, identificando tendencias emergentes en el comportamiento de prestadores, patrones de utilización inusuales, o clusters de episodios con características similares que podrían indicar problemas sistemáticos. Utiliza técnicas de machine learning no supervisado para descubrir anomalías que no serían evidentes mediante reglas predefinidas.

Agente de Gestión del Conocimiento Clínico: Mantiene y consulta una base de conocimiento actualizada de guías clínicas, protocolos institucionales, evidencia publicada y mejores prácticas. Cuando se audita un episodio de neumonía, este agente puede referenciar las guías vigentes de manejo, criterios de internación, duración esperada de antibioticoterapia y criterios de alta, proporcionando al auditor humano el contexto necesario para evaluar la adecuación del cuidado.

Agente Coordinador-Orquestador: El "director de orquesta" que coordina la actividad de los otros agentes, gestiona flujos de trabajo, prioriza qué agentes deben activarse en cada caso, y sintetiza la información de múltiples agentes en recomendaciones accionables para el auditor humano. Este agente entiende las dependencias entre tareas y optimiza la secuencia de operaciones.

Agente de Aprendizaje Continuo: Monitorea los resultados de las auditorías, captura feedback del equipo humano sobre la utilidad de las recomendaciones, y ajusta los parámetros de todos los otros agentes. Si el equipo consistentemente descarta cierto tipo de alertas, este agente recalibra los umbrales. Si cierto pattern resulta altamente predictivo de hallazgos significativos, amplifica su peso.

Cómo se coordinan: la arquitectura de la orquestación

La potencia de un sistema multiagente no radica simplemente en tener múltiples componentes especializados, sino en cómo estos se coordinan. La orquestación eficaz requiere tres elementos fundamentales:

Protocolos de comunicación estandarizados: Los agentes deben poder intercambiar información de manera estructurada. Cuando el Agente de Priorización identifica un episodio de alto interés, envía una señal al Agente de Análisis de Documentación con el contexto relevante. Este, a su vez, puede consultar al Agente de Conocimiento Clínico sobre guías específicas, y transmitir sus hallazgos al Agente Económico-Financiero. Esta comunicación fluida permite que cada agente aporte su perspectiva especializada sin redundancia.

Memoria compartida y contextual: Todos los agentes tienen acceso a un contexto compartido sobre cada episodio bajo análisis —desde datos demográficos del paciente hasta la historia de interacciones previas con el sistema. Pero también mantienen memorias especializadas: el Agente de Análisis Económico recuerda patrones históricos de costos de ese prestador; el Agente de Documentación recuerda el estilo de documentación de ese médico específico. Esta combinación de memoria compartida y especializada permite decisiones contextuales sofisticadas.

Mecanismos de coordinación adaptativa: El sistema no sigue secuencias rígidas predefinidas. Si el Agente de Documentación detecta que la información clínica es extremadamente limitada, puede solicitar al Agente Coordinador que priorice la obtención de documentación adicional antes de proceder con análisis económico detallado. Si el Agente de Patrones identifica un cluster de casos similares, puede activar un análisis comparativo en profundidad que normalmente no se ejecutaría. La orquestación se adapta dinámicamente a las características de cada caso.

Ventajas operativas concretas de la arquitectura multiagente

Este diseño distribuido genera beneficios tangibles que sistemas monolíticos no pueden igualar:

Especialización profunda sin pérdida de visión integral: Cada agente puede ser entrenado, refinado y actualizado en su dominio específico sin afectar otros componentes. Podemos mejorar el Agente de Documentación incorporando un nuevo modelo de lenguaje médico sin tocar el Agente Económico. Esta modularidad acelera la innovación y facilita la incorporación de nuevo conocimiento.

Escalabilidad horizontal: Cuando el volumen de episodios aumenta, podemos desplegar múltiples instancias de agentes específicos. Tres instancias del Agente de Análisis de Documentación pueden procesar casos en paralelo, mientras el Agente Coordinador distribuye carga. Esta escalabilidad es especialmente valiosa en picos de demanda o durante cierres de período.

Explicabilidad granular: Cuando el sistema recomienda que un episodio requiere auditoría detallada, no produce un score opaco. Cada agente contribuye con su perspectiva: el Agente de Priorización señala alto costo relativo (percentil 95 para el DRG); el Agente de Documentación identifica inconsistencia entre severidad documentada y tratamiento; el Agente Económico destaca uso de medicamentos de alto costo sin justificación clara en las notas. El auditor humano recibe no solo una recomendación sino el razonamiento detallado detrás de ella.

Resiliencia y manejo de incertidumbre: Si un agente encuentra datos faltantes o ambiguos, puede explícitamente comunicar esta incertidumbre al resto del sistema. El Agente Coordinador puede decidir proceder con cautela, solicitar información adicional, o activar agentes alternativos. Esta gestión explícita de la incertidumbre contrasta con sistemas tradicionales que producen outputs aparentemente seguros incluso cuando los inputs son dudosos.

Aprendizaje continuo y retroalimentación: Cada interacción entre agentes genera datos sobre qué combinaciones de señales predicen mejor hallazgos de auditoría. El sistema no solo ejecuta tareas, sino que constantemente se evalúa y mejora. Si cierto patrón identificado por el Agente de Anomalías correlaciona fuertemente con hallazgos posteriores, este aprendizaje se propaga a través del sistema.

Implementación práctica: del concepto a la operación

La transición de modelos tradicionales a sistemas multiagente no es meramente un upgrade tecnológico; requiere repensar el proceso completo de gestión de riesgo:

Fase 1 - Mapeo de flujos actuales: Antes de desplegar agentes, es necesario entender en profundidad cómo trabaja actualmente el equipo de auditoría. ¿Qué criterios usan para priorizar? ¿Qué fuentes de datos consultan? ¿Qué patrones buscan? ¿Dónde invierten más tiempo? Este mapeo permite identificar qué componentes del flujo pueden automatizarse, aumentarse o rediseñarse.

Fase 2 - Diseño de la arquitectura de agentes: Definir qué agentes específicos necesita la organización, qué responsabilidades tiene cada uno, qué datos requieren, cómo se comunican. Esta arquitectura debe ser específica al contexto: una obra social con foco en ambulatorio necesitará agentes diferentes a un hospital con predominio de alta complejidad.

Fase 3 - Implementación incremental supervisada: Comenzar con uno o dos agentes operando en modo asistido, donde sus recomendaciones son revisadas sistemáticamente por humanos. Por ejemplo, desplegar primero el Agente de Priorización y medir si sus sugerencias de casos a auditar correlacionan con los hallazgos del equipo. Este periodo permite calibración y genera confianza.

Fase 4 - Orquestación progresiva: Una vez que agentes individuales demuestran valor, comenzar a coordinarlos. El Agente de Documentación puede empezar a trabajar automáticamente sobre los casos que el Agente de Priorización marca, generando análisis preliminares que aceleran el trabajo del auditor humano.

Fase 5 - Optimización y expansión: Con el sistema operando y generando datos de desempeño, identificar oportunidades de refinamiento: nuevos agentes especializados, ajustes en protocolos de coordinación, expansión a otros procesos (gestión de utilización, monitoreo de calidad, coordinación de cuidados).

El futuro: de sistemas reactivos a ecosistemas proactivos

El potencial de los sistemas multiagente trasciende la optimización de procesos existentes. Estos sistemas pueden evolucionar hacia ecosistemas proactivos que anticipan problemas antes de que se materialicen. Imaginen un sistema donde:

• El Agente de Patrones detecta que un prestador específico está documentando cada vez más severamente pacientes con diagnósticos particulares, semanas antes de que esto se refleje en desvíos de costo significativos

• El Agente de Conocimiento Clínico identifica que guías recién publicadas modifican el manejo estándar de ciertas condiciones, y automáticamente actualiza los criterios de evaluación

• El Agente de Análisis Económico anticipa que cambios en la estructura de reembolsos alterarán los incentivos de los prestadores, y recalibra sus modelos de detección de anomalías

• El Agente Coordinador aprende que ciertos tipos de intervenciones del equipo auditor son más efectivas en determinados contextos, y adapta sus recomendaciones para maximizar el impacto

Este nivel de inteligencia adaptativa, contextual y proactiva es imposible con modelos tradicionales de scoring. Y es exactamente el tipo de capacidad que los sistemas de salud complejos necesitan para navegar un entorno cada vez más dinámico y demandante.

Conclusión: la gestión de riesgo como proceso, no como cálculo

Los modelos tradicionales de scoring de riesgo no son inútiles, pero ya no son suficientes para las demandas actuales de los sistemas de salud. Fueron diseñados para una era de datos escasos, procesamiento limitado y objetivos más simples.

Hoy necesitamos sistemas de evaluación de riesgo que sean dinámicos, contextuales, explicables y continuamente mejorados. Sistemas que no solo predigan costos para ajustar pagos, sino que guíen decisiones operativas concretas: qué pacientes auditar, qué intervenciones priorizar, qué recursos asignar, qué oportunidades de mejora perseguir.

La gestión de riesgo en salud debe evolucionar de un cálculo anual retrospectivo a un proceso continuo de inteligencia operacional. Los sistemas de salud que adopten esta perspectiva no solo mejorarán su sostenibilidad financiera, sino que tomarán mejores decisiones clínicas, reducirán inequidades y ofrecerán mejor atención a sus poblaciones.

En iaensalud.tech diseñamos y orquestamos equipos de agentes de IA especializados en auditoría médica y gestión de riesgo. Si tu organización está buscando ir más allá de los modelos tradicionales de scoring, contáctanos para conversar sobre cómo los sistemas multiagente pueden transformar tu proceso de evaluación de riesgo.