A Resolução CFM nº 2.448, publicada em 4 de novembro de 2025, determina que os diretores técnicos das operadoras descrevam e motivem as glosas com transparência, respondendo por escrito ao médico assistente (Mattos Filho, 04/11/2025). A mesma norma veda criar manuais próprios que alterem a TUSS e proíbe exigir relatórios ou formulários extras além da indicação clínica. Leia isso como engenheiro: toda glosa agora precisa de um parágrafo defensável, com o nome da operadora embaixo.
E o parágrafo defensável depende de uma premissa que quase ninguém audita: que o sistema leu o documento direito. Este texto é sobre essa premissa, e sobre o que acontece com a trilha de decisão quando ela falha.
OCR em auditoria de contas médicas: a glosa herda o erro de leitura
Uma separação ajuda. A guia TISS em XML já chega estruturada; ali o problema é de regra, de tabela e de versão. O OCR trabalha no que sobra, que é muita coisa: relatório médico, laudo, pedido de exame, orçamento de OPME, nota fiscal e recibo de reembolso, comprovante de sessão. É o material que o auditor usa para decidir se a regra deve ou não ser aplicada, e é também o material que alimenta o motor quando a operadora automatiza parte da análise.
Pelo que vemos no trabalho com operadoras, a conversa sobre auditoria automatizada costuma começar pelo motor de regras e pelo modelo. A leitura do documento fica para depois, tratada como etapa de infraestrutura. Minha leitura é que isso inverte a ordem de risco. Uma regra perfeita aplicada a um valor mal lido produz um resultado errado com aparência de rigor, e a glosa sai assinada por um processo que parece sólido.
Há uma frase de Rogério Pires, diretor de produtos para saúde da TOTVS, no evento Universo TOTVS (13 e 14 de outubro de 2026), que resume a versão geral do argumento: "Sem dados, não existe IA" (Saúde Business, 16/10/2026). Vale registrar que a matéria não fala de OCR nem de documento. O recorte que fazemos aqui é nosso.
Um decimal, um sete e um carimbo
Os erros de extração que viram glosa indevida raramente são espetaculares. São pequenos e específicos, e quase sempre caem em poucos tipos de campo.
Separador numérico: "1.250" lido como mil duzentos e cinquenta ou como um vírgula duzentos e cinquenta, dependendo de quem imprimiu e de como a imagem foi capturada. Em nota fiscal de prestador e recibo de reembolso, o valor errado por um fator de mil não passa despercebido, mas por um fator de dez às vezes passa. Data: o sete com traço, escrito à mão, que vira um; o dia 17 que vira 11 e empurra o atendimento para o lado errado de uma vigência. Quantidade: "10 sessões" com a tinta falhando no zero. Papel térmico desbotado, foto inclinada tirada no celular, carimbo por cima do campo de CPF.
Para deixar concreto, um exemplo construído (não é caso de cliente): um relatório informa 10 sessões de fisioterapia, a extração devolve 1, e a regra de compatibilidade entre quantidade solicitada e quantidade comprovada dispara. O resultado é uma glosa que cita o código TUSS certo, a regra certa, e um fato errado. Quem recebe a resposta é o médico assistente, por escrito, nos termos que a CFM 2.448 passou a exigir. O recurso será fácil, e a reversão também.
O custo dessa classe de erro está menos no valor glosado e mais no que ele faz com a confiança do prestador na regra. Uma glosa revertida por erro de leitura ensina a rede a recorrer de todas.
Acurácia por campo e acurácia por documento são números diferentes
Existe uma armadilha aritmética aqui, e ela atrapalha quem compara fornecedores. Suponha, só para ilustrar, que cada um de oito campos críticos de um documento seja lido corretamente com 95% de chance, e que os erros sejam independentes (o que não é verdade na prática, mas simplifica). A chance de os oito estarem certos ao mesmo tempo é 0,95 elevado a oito: cerca de 66%. Com 98% por campo, sobe para uns 85%. Um número que parece ótimo no campo vira um terço de documentos com algum problema.
O catálogo do AI.OCR fala em precisão acima de 85% na transformação de documentos em dados estruturados. Não vou fingir que esse número se converte sozinho em taxa por documento: depende do tipo de documento, do campo e da qualidade da imagem que a operadora de fato recebe. Por isso, em qualquer avaliação séria, a pergunta útil é sobre a amostra do cliente, medida por campo e por documento, e não sobre a média de um benchmark.
Duas métricas ajudam mais do que o percentual global. A primeira é a taxa de erro por tipo de campo (valor, data, quantidade, identificador), porque campo de identificador e campo de valor têm consequências muito diferentes. A segunda, que poucas equipes acompanham, é a fração das glosas revertidas em recurso cuja causa raiz foi extração. Se não existe um campo no cadastro de recurso que registre isso, a operadora não sabe o tamanho do problema, e é provável que ele esteja escondido dentro de "erro de análise".
A confiança precisa viajar com o dado
A mudança de desenho que mais reduz dano é pequena. Em vez de a extração entregar um valor, ela entrega um valor, uma confiança e a posição do pixel de onde o valor saiu. O resto da cadeia decide o que fazer com isso.
Na prática, isso separa as regras em dois grupos. Regras que glosam (efeito financeiro direto, sem revisão) só consomem campos acima de um limiar de confiança que a operadora define por tipo de campo. Abaixo dele, o mesmo resultado vira sinalização para revisão humana, com o recorte da imagem ao lado do valor lido, para o auditor confirmar em segundos em vez de reabrir o PDF inteiro. E o auditor, nessa tela, não "corrige o OCR": ele confirma ou corrige um campo, e a decisão fica registrada na trilha.
É o encaixe que buscamos entre o AI.OCR e o AI.AUDITAMED: a camada de leitura entrega o campo, o motor de regras trata dado incerto como dado incerto, e é a avaliação sobre o dado real que diz onde o limiar deve ficar. A trilha final contém o que foi lido, de onde, com que confiança, quem confirmou e qual regra rodou sobre aquilo. Isso é, na prática, o insumo que a motivação escrita da glosa pede. Sobre o que vem antes dessa camada, a qualidade do dado que alimenta tudo, já escrevemos em o gargalo da auditoria não é o modelo.
Um detalhe de calibração que costuma surpreender: o limiar certo não é o mesmo para todos os campos. Para valor monetário em reembolso, tende a valer a pena ser conservador. Para campo textual de descrição, onde o erro de uma letra não muda a decisão, um limiar frouxo evita encher a fila de revisão com ruído.
Onde nada disso resolve
Os limites, ditos sem rodeio.
Confiança bem calibrada não recupera informação que não está na imagem. Relatório manuscrito com letra ilegível, foto cortada e recibo molhado continuam exigindo gente, ou exigindo que o documento volte ao prestador. O sistema melhora a fila; não elimina o caso difícil.
Rotear por confiança tem custo. Se o limiar for apertado demais, a fila de revisão humana cresce e a promessa de automação se desfaz. Não existe limiar certo em abstrato, só um ponto de equilíbrio medido sobre o volume real e a capacidade da equipe, e ele muda quando muda o perfil de documentos que chega.
E há um ponto que contraria a intuição de quem vende automação: em parte do fluxo, a decisão correta é não ler. Se o dado já existe estruturado na guia TISS, extrair de novo da imagem para "conferir" só adiciona uma segunda fonte de erro. O OCR vale onde o documento é a única fonte.
Um primeiro passo sem projeto
Uma sugestão de primeiro passo que não exige projeto: pegue as glosas revertidas em recurso no último trimestre e releia o documento de origem de cada uma, procurando só uma coisa, se o fato citado na glosa estava no papel. O que sobrar dessa conta é a medida do problema na sua operação.
A trilha de uma glosa motivada começa na leitura do documento, e é dali que o AI.OCR entra no ecossistema: documento transformado em dado estruturado, entregue ao AI.AUDITAMED para que a regra, o auditor e a justificativa escrita partam de um fato verificável. Isso responde diretamente ao que apareceu acima: erro de decimal, de data e de quantidade tratado como dado incerto, e não como verdade de entrada.
A avaliação prática é medida. Solicitar avaliação do AI.OCR roda a extração sobre uma amostra dos seus documentos reais (relatórios, laudos, notas e recibos), devolve a taxa de erro por campo e por documento e um comparativo com o seu processo atual, para você decidir o limiar de revisão humana com número na mão.
"Sozinhos, combatemos uma fraude. Unidos, eliminamos o problema."