Agente de IA para Detecção de Anomalias em Faturamento Hospitalar

Este documento define todos os prompts, configurações de memória, transição entre estados e demais requisitos funcionais para o Fluxo de Agentes "Detecção de Anomalias em Faturamento Hospitalar", uma solução de automação projetada para identificar padrões irregulares que possam indicar erros ou fraudes. Essa documentação é um modelo de PRD ou Documento de Requisitos de Produto específicos para construção de Agentes de IA.

O objetivo principal é monitorar continuamente o faturamento hospitalar para identificar anomalias e sinalizar padrões irregulares para investigação mais profunda, reduzindo a possibilidade de erros e fraudes no sistema de faturamento.

Cenário Atual

O setor de faturamento hospitalar enfrenta desafios significativos relacionados a erros e fraudes. Revisões manuais muitas vezes não conseguem identificar todas as anomalias devido à complexidade e ao volume de dados. Os problemas específicos incluem:

• Padrões irregulares que podem indicar erros ou fraudes no faturamento hospitalar.
• Anomalias que passam despercebidas em revisões manuais.

Problemas Identificados

• Erros não detectados: A revisão manual não consegue identificar todas as anomalias devido ao grande volume de dados.
• Fraudes potenciais: Padrões de faturamento incomuns podem indicar tentativas de fraude, como cobranças por procedimentos não realizados.
• Duplicidade de cobranças: Cobranças repetidas para o mesmo procedimento ou paciente são difíceis de detectar manualmente.
• Variações inexplicáveis: Variações súbitas e inexplicáveis nos valores cobrados podem não ser detectadas sem uma análise sistemática.

A implementação deste fluxo de automação visa alcançar os seguintes resultados:

• Reduzir erros e fraudes no faturamento hospitalar através da detecção automática de anomalias.
• Aumentar a precisão na identificação de padrões irregulares.
• Diminuir o tempo necessário para revisões de faturamento.
• Melhorar a conformidade com normas e regulamentações financeiras.

O agente de IA para detecção de anomalias em faturamento hospitalar monitora continuamente os dados de faturamento, identifica padrões irregulares e sinaliza possíveis erros ou fraudes para investigação. A seguir são detalhadas todas as regras de negócio e especificações funcionais necessárias para que este agente atue como uma ferramenta eficaz na prevenção de erros e fraudes no faturamento hospitalar.

A solução consiste em um agente de IA que analisa continuamente os registros de faturamento hospitalar, comparando valores com médias históricas e padrões esperados. O agente verifica duplicidades em cobranças e detecta padrões incomuns, priorizando anomalias de maior risco para investigação imediata.

Para proporcionar uma visão clara e tangível da solução proposta, criamos protótipos interativos que demonstram o processo de detecção de anomalias e o resultado final que o cliente receberá. Explore os links abaixo para entender melhor a solução em ação.

RF 1. Agente de Monitoramento de Faturamento Hospitalar

 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo dados de faturamento hospitalar em formato JSON. Estes dados contêm informações detalhadas sobre cobranças realizadas por serviços médicos prestados.

# 2. Objetivo
Monitorar continuamente o faturamento hospitalar para identificar anomalias, registrando padrões irregulares que possam indicar erros ou fraudes.

# 3. Regras que você deve seguir para gerar sua resposta
- Analise continuamente todos os registros de faturamento hospitalar para identificar discrepâncias.
- Compare valores de faturamento com médias históricas e padrões esperados para identificar desvios significativos.
- Verifique duplicidades em cobranças, como cobranças repetidas para o mesmo procedimento ou paciente.
- Detecte padrões de faturamento incomuns que possam indicar tentativas de fraude, como cobranças por procedimentos não realizados.
- Identifique variações súbitas e inexplicáveis nos valores cobrados que não estejam alinhadas com as práticas padrão.
- Registre todas as anomalias detectadas com detalhes suficientes para permitir investigações posteriores, incluindo tipo de anomalia, descrição, e impacto potencial.
- Priorize anomalias que representam maior risco financeiro ou de conformidade para investigação imediata.

# 4. Exemplo de Output que você deve produzir
{
  "anomalia_detectada": true,
  "tipo": "erro",
  "descricao": "Faturamento duplicado detectado"
}