De todos los ramos que suscribe una aseguradora, el de gastos médicos es quizá el más rebelde. No basta con estimar cuántas personas enfermarán, sino a qué precio, en un entorno donde el costo de la atención crece año con año por encima de la inflación general. A esa presión persistente se suma una distribución muy desigual del gasto: una minoría de asegurados concentra la mayor parte de la siniestralidad. Modelar bien este ramo es, en buena medida, modelar la inflación médica y la cola de alto costo, y ahí la inteligencia artificial ha encontrado un terreno fértil.
Por qué el ramo de salud es distinto
El costo esperado de una póliza de gastos médicos suele descomponerse en frecuencia y severidad, pero es su dinámica temporal lo que lo vuelve difícil. El indicador de referencia, el costo por asegurado por mes, conocido como PMPM por sus siglas en inglés, evoluciona empujado por varias fuerzas a la vez: cambian los precios unitarios de los servicios, cambia la frecuencia con que se usan y cambia la mezcla de tratamientos hacia terapias más nuevas y caras. Una forma habitual de leer la tendencia médica, o medical trend, es como un producto de factores:
$$ T \;=\; (1+u)\,(1+p)\,(1+m)\;-\;1 $$donde $u$ recoge el cambio en la utilización, $p$ el cambio en el precio unitario y $m$ el efecto de mezcla e intensidad de los servicios. Separar esos componentes importa: no se gestiona igual un alza por precios negociados con hospitales que una por mayor uso de estudios de imagen o por la entrada de un medicamento biológico. A esta complejidad se añaden la antiselección, el riesgo moral y una riqueza de datos, diagnósticos, procedimientos y farmacia, que otros ramos no poseen.
Dónde ayuda el machine learning
La primera aplicación natural es la proyección de la siniestralidad. Los modelos de aprendizaje automático capturan estacionalidad, no linealidades e interacciones entre coberturas que un enfoque puramente determinista pasa por alto, y permiten proyectar el PMPM y la tendencia con más granularidad por edad, región y tipo de plan.
La segunda, y probablemente la de mayor impacto económico, es la predicción del alto costo. Como unos pocos asegurados explican una parte desproporcionada del gasto, identificar con anticipación quién tiene mayor probabilidad de convertirse en un caso severo permite activar programas de gestión de enfermedad y atención coordinada antes de que el costo se dispare. Los modelos de ajuste de riesgo, que agrupan diagnósticos en categorías de condición jerárquica, son la columna vertebral de este enfoque y hoy se potencian con gradient boosting y redes neuronales.
La tercera es el control de la sobreutilización y del abuso en la facturación. Aquí el machine learning perfila patrones atípicos de proveedores, detecta upcoding, servicios improbables o duplicados y prioriza auditorías, un problema emparentado con la detección de fraude pero con la particularidad clínica del dato médico. Una cuarta, más reciente, es el procesamiento de lenguaje natural sobre notas clínicas y expedientes para estructurar la información y apoyar la codificación de diagnósticos.
Ajuste de riesgo, equidad y regulación
El uso de variables clínicas para segmentar y tarificar la salud es tan poderoso como delicado. Un modelo puede volverse muy preciso apoyándose en información sensible, y por eso la frontera entre una tarifa técnicamente justa y una práctica discriminatoria es estrecha. La equidad no es aquí un adorno ético: es una restricción de diseño. El actuario debe vigilar que el modelo no penalice de forma indirecta a grupos protegidos, documentar qué variables entran y por qué, y asegurar que la decisión sea explicable ante el asegurado y ante el supervisor.
En México, el ramo de gastos médicos mayores opera bajo la vigilancia de la Comisión Nacional de Seguros y Fianzas (CNSF), que exige suficiencia en las primas y en las reservas. Un modelo más fino no exime de constituir la reserva de riesgos en curso ni la de obligaciones pendientes de cumplir, ni de sustentar la nota técnica. La analítica mejora la estimación; no sustituye la obligación de demostrar que la prima alcanza.
El criterio actuarial no se aproxima
La prueba última de una tarifa de salud sigue siendo la suficiencia, que en su forma más simple se resume en la relación entre los siniestros y las primas ganadas, sumados los gastos. Un modelo puede pronosticar el numerador con notable exactitud y, aun así, fallar donde más importa: en la cola, en el año atípico de una epidemia, un cambio regulatorio o un tratamiento nuevo que ningún dato histórico anticipaba. La inflación médica, además, no es un fenómeno puramente estadístico; responde a decisiones de política sanitaria, a la negociación con proveedores y a la innovación farmacéutica, factores que un algoritmo entrenado con el pasado no siempre ve venir.
Los organismos profesionales llevan tiempo trabajando este terreno. La Society of Actuaries (SOA), a través de su sección de salud, publica investigación sobre predictive analytics, ajuste de riesgo y proyección de tendencia; la Casualty Actuarial Society (CAS) aporta metodología sobre modelado predictivo y sesgo, y el Institute and Faculty of Actuaries (IFoA) ha desarrollado material sobre datos de salud y su gobernanza. Todos coinciden en lo mismo: la herramienta cambia, la responsabilidad no.
La inteligencia artificial afina la puntería del actuario de salud. Le permite ver antes al asegurado que se agravará, entender mejor de dónde viene el alza de costos y auditar con más precisión. Pero decidir cuánta prudencia incorporar a la prima, cómo reservar frente a lo que aún no ocurre y qué variables es legítimo usar sigue siendo un acto de juicio profesional. El modelo estima el costo de la salud; el criterio decide si esa estimación es suficiente para sostener la promesa de la póliza.