O score de risco de falta da IA pode tratar o paciente de convênio pior sem eu perceber que é discriminação?

"O score de risco de falta da IA pode ser usado pra tratar paciente de convênio pior sem eu perceber isso como discriminação?"

Pode. E a parte desconfortável é essa: sem ninguém decidir discriminar.

Você não precisa de um gestor mal-intencionado. Basta um painel que otimiza ocupação, um campo "convênio" na base e uma regra automática de alocação de horário.

O resultado sai limpo no relatório. Ocupação sobe, taxa de falta cai, e o dono comemora um número agregado que está escondendo um subgrupo piorando.

Não é hipótese de bastidor. É mecanismo descrito em literatura revisada por pares sobre agendamento médico com machine learning.

Neste guia você vai ver:

• Como o score de risco de falta é calculado e quais variáveis ele realmente usa
• Por que renda entra no modelo mesmo quando ninguém cadastra renda
• Os cinco mecanismos operacionais que transformam score baixo em atendimento pior
• Por que a sua métrica melhora enquanto o segmento piora
• O que a LGPD e o Código de Ética Odontológica exigem de você aqui
• A auditoria de cinco números que você roda sem cientista de dados
• O desenho alternativo com evidência randomizada: usar o score para alcançar, não para alocar

O que é o score de risco de falta e como o painel calcula

O score de risco de falta (no-show risk score) é um número, geralmente de 0 a 100 ou uma probabilidade de 0 a 1, que estima a chance de aquele paciente não comparecer àquela consulta.

Ele sai de um modelo estatístico treinado no histórico da própria clínica. O painel olha milhares de agendamentos passados, aprende quais combinações de características antecederam falta, e aplica o padrão aos agendamentos futuros.

Veja como funciona na prática: o paciente marca hoje para daqui a 27 dias, não respondeu a confirmação, já faltou duas vezes no último ano e o horário é 8h de segunda. O modelo cruza isso com o histórico e devolve "alto risco".

Até aqui, nada de errado. O problema começa quando o número deixa de informar e passa a decidir.

Lembre: o score prevê comportamento, ele não julga mérito. No segundo em que o painel usa a previsão para escolher QUAL horário o paciente recebe, você saiu de diagnóstico e entrou em alocação de recurso escasso.

Se você ainda está montando esse painel, o mapa completo de como ele nasce está em painel preditivo de no-show.

Quais variáveis o modelo realmente usa (e por que a lista importa)

A lista de campos define quem vai herdar o score ruim. Nenhum fornecedor esconde isso de propósito, mas quase nenhum dono pergunta.

Os campos comportamentais são os óbvios:

• Lead time de agendamento: quantos dias entre marcar e a consulta. Quanto maior, maior a chance de a vida mudar no meio.
• Confirmação não respondida: o silêncio na véspera é um dos preditores mais fortes que uma agenda produz.
• Histórico de falta: número de faltas anteriores do mesmo paciente.
• Dia e horário: primeira consulta do dia, segunda-feira, período de chuva.
• Tipo de procedimento: retorno curto falta mais que cirurgia agendada.

Os campos demográficos e cadastrais são os que criam o risco jurídico. Idade, gênero, estado civil, bairro, nacionalidade e tipo de pagador estão no seu software porque a recepção precisa deles para faturar, não porque alguém quis prever falta com eles.

Mas eles entram no treino se ninguém os tirar.

O artigo publicado em 2022 na Philosophy & Technology (Shanklin, Samorani, Harris e Santoro) sobre agendamento médico com machine learning discute justamente excluir do modelo as características socioeconômicas conhecidas por se correlacionarem com raça, como o CEP do paciente, o estado civil e a situação de emprego, mantendo preditores de comportamento como o histórico de faltas anteriores. O artigo está disponível na biblioteca do NIH.

Tirar o campo ajuda. Só que não resolve, e o próximo bloco explica por quê.

Por que renda entra no modelo mesmo sem ninguém cadastrar renda

Esta é a parte contraintuitiva, e é onde a maioria dos donos erra o diagnóstico.

Você não precisa de um campo "renda" para o modelo capturar renda. Basta que alguma variável disponível se correlacione com ela.

Chama-se proxy. E a agenda de uma clínica odontológica é cheia deles:

1. Bairro ou CEP. Carrega renda média, distância até a clínica e qualidade do transporte.
2. Meio de deslocamento implícito. Quem depende de duas conduções falta mais em horário de pico, e isso aparece no dado como "falta às 8h".
3. Flexibilidade de horário. Quem tem trabalho formal com horário rígido só consegue horário de sobra, que costuma ser o pior.
4. Lead time. Quem consegue agendar com pouca antecedência tem mais controle sobre a própria agenda, o que também é um marcador socioeconômico.
5. Tipo de pagador. Convênio, particular ou contrato corporativo.

Nenhum desses campos é ilegal. Juntos, eles reconstroem um retrato de renda com precisão suficiente para o modelo separar as pessoas por classe sem nunca nomear classe.

É por isso que "eu tirei o campo renda do painel" não é defesa. A auditoria que vale é olhar a saída, não a entrada.

Convênio como proxy socioeconômico na odontologia brasileira

Agora o ponto específico da sua pergunta.

Na odontologia brasileira, "tipo de pagador" não é um dado neutro de faturamento. Ele carrega renda embutida, porque a decisão entre usar o plano odontológico e pagar particular depende de quanto o tratamento pesa no orçamento do paciente.

O paciente que paga particular um caso de alto ticket está, na média, num degrau de renda diferente do beneficiário que usa o plano para resolver uma restauração pelo valor coberto.

Some a isso três efeitos operacionais que empurram a falta do segmento de convênio para cima sem ter nada a ver com o compromisso da pessoa:

• Custo percebido de faltar é menor. Quem acabou de parcelar um tratamento caro no cartão comparece. Quem tem a consulta coberta pelo plano perde menos ao remarcar.
• A fila do convênio é mais longa, então o lead time é maior, e lead time longo é preditor clássico de falta.
• O horário ofertado ao convênio já costuma ser o de sobra, o que aumenta o conflito com trabalho e transporte.

Repare no encadeamento: o modelo aprende que convênio prediz falta. Mas parte dessa falta foi PRODUZIDA pela forma como a clínica já tratava o convênio antes de existir painel algum.

O painel então automatiza e amplifica uma desigualdade que a operação criou. Esse é o loop.

O mecanismo silencioso: como score baixo vira slot pior

Aqui está a engrenagem exata, e ela não tem nada de metafórico.

O artigo de 2022 da Philosophy & Technology descreve que os algoritmos de estado da arte "são programados para maximizar a eficiência geral das clínicas médicas onde são implantados e, como resultado, produzem agendas em que pacientes negros têm mais probabilidade de esperar mais que os demais pacientes".

E descreve o mecanismo operacional: "a eficiência é maximizada colocando os pacientes com as menores probabilidades previstas de comparecer em um slot de overbooking ou no slot logo depois de um overbooking".

Traduzindo para a sua recepção: o algoritmo não escreve "atenda pior o paciente X". Ele escreve "coloque X no horário sobreposto".

Se o overbooking der certo (os dois comparecem), alguém espera. E quem espera é sempre quem foi colocado ali por ter score baixo.

Duas ressalvas de honestidade, porque elas mudam como você lê o dado:

O estudo é dos Estados Unidos e o atributo protegido lá é raça. No consultório brasileiro, o segmento que ocupa essa posição na sua base pode ser outro, e frequentemente é o pagador. A transposição do mecanismo é sólida; a transposição do subgrupo é uma hipótese que só a SUA agenda pode confirmar ou desmentir.

E overbooking em si não é o vilão. O vilão é overbooking sem teto e sem regra de compensação, tema que está detalhado em overbooking inteligente por risco de falta.

Os outros quatro mecanismos de tratamento pior que ninguém chama de discriminação

O slot de overbooking é o mais estudado. Não é o único. Na prática de clínica, o score baixo costuma acionar mais quatro coisas, todas com cara de eficiência.

Mecanismo	O que a regra faz	O que o paciente sente	Como aparece no seu relatório
Slot de overbooking	Aloca quem tem score baixo no horário sobreposto ou no seguinte	Espera mais na recepção	Ocupação sobe
Horário de sobra	Reserva o horário nobre para score alto	Só consegue 8h, 12h ou fim de tarde	Aproveitamento de horário nobre sobe
Confirmação seletiva	Confirma ativamente só quem tem score alto	Ninguém liga, ele esquece, ele falta	Custo do CRC cai
Prioridade no encaixe	Score alto entra primeiro quando abre cancelamento	Fica na lista de espera indefinidamente	Recuperação de horário vago sobe
Corte de lembrete ativo	Para de investir contato em quem "vai faltar mesmo"	Não recebe nada e falta	Custo por lembrete cai

Olhe a última coluna inteira. Todas as cinco linhas produzem uma métrica melhor.

Esse é o motivo de o problema sobreviver tanto tempo dentro de uma clínica bem administrada: o efeito colateral se disfarça de eficiência conquistada.

O quinto mecanismo é o mais perverso, porque fecha o ciclo: você corta o lembrete de quem tem score baixo, ele falta mais, o modelo aprende que estava certo, e o score dele piora. A dinâmica completa está em quando o paciente marcado como alto risco vira profecia autorrealizável.

Por que o dono não percebe: o agregado melhora enquanto o subgrupo piora

Você perguntou "sem eu perceber". A resposta técnica é: sim, e por construção.

O painel otimiza a função que você pediu, que é ocupação da agenda. As duas métricas que você olha no fim do mês, taxa de ocupação e taxa de falta, são MÉDIAS.

Uma média sobe quando o grupo maior melhora um pouco, mesmo que o grupo menor piore muito.

Suponha um exemplo puramente ilustrativo para enxergar a mecânica: a clínica atende dois terços de particular e um terço de convênio. O particular ganha horário melhor e melhora dois pontos de comparecimento. O convênio herda o slot sobreposto e piora três pontos. A média da clínica sobe. Nenhum relatório padrão acusa nada.

O que revelaria o problema é uma quebra por segmento. E quebra por segmento não vem ligada por padrão em nenhum painel comercial, porque ninguém compra painel para descobrir um problema, todo mundo compra para ver um número subir.

Por isso a regra prática: métrica agregada não é evidência de ausência de dano. Ela é ausência de medição.

Discriminação indireta não exige que alguém tenha decidido discriminar

Este é o conceito que muda a conversa com o seu advogado.

Existe uma diferença entre tratamento desigual intencional e efeito desigual produzido por uma regra neutra. O segundo caso é o que a literatura chama de impacto desproporcional (disparate impact).

A regra "quem tem score baixo vai para o slot sobreposto" é neutra na escrita. Ela não menciona convênio, renda, bairro ou cor. Aplicada, ela produz um resultado sistematicamente pior para um grupo identificável.

Três consequências práticas disso para você:

1. "Eu não quis discriminar" não é defesa técnica. O que se examina é o efeito medido, não a intenção declarada.
2. A responsabilidade é de quem opera, não só de quem programou. Você escolheu ligar a regra e escolheu não medir o efeito.
3. A ausência de medição pesa contra. Quem tinha o dado na mão e não olhou está em posição pior do que quem olhou, achou o gap e corrigiu.

Guarde essa inversão: medir e encontrar um problema é a posição defensável. Não medir é a posição frágil.

Acurácia do modelo: quantos pacientes o painel penaliza sem motivo

Agora o outro lado da conta, que quase nunca aparece na apresentação do fornecedor.

Nenhum modelo de no-show acerta sempre. Eles operam com acurácia moderada: melhor que chute, muito longe de certeza. E é justamente essa margem de erro que define quantas pessoas pagam o preço por uma previsão que não se realizou.

Pense num exemplo hipotético para dimensionar: digamos que a sua agenda tenha 40 consultas no dia e o painel marque 10 como alto risco de falta. Se, no fim do dia, 4 dessas 10 realmente faltaram, as outras 6 pessoas compareceram normalmente e, mesmo assim, receberam o horário pior, a espera maior e nenhum lembrete.

Seis por dia. Vinte dias úteis. Cento e vinte experiências ruins por mês entregues por engano do modelo.

E se essas seis pessoas por dia não forem sorteadas ao acaso, e sim concentradas num segmento, você não tem um erro estatístico distribuído. Você tem um padrão.

Antes de confiar no número, vale medir o que ele acerta: o protocolo está em como medir a precisão do painel preditivo de no-show.

Alocar ou alcançar: o mesmo score, dois desenhos opostos

Chegamos à resposta prática da sua pergunta. O problema não é o score. É o verbo que vem depois dele.

Desenho punitivo (alocar): score baixo muda ONDE o paciente é encaixado. Ele recebe o slot de overbooking, o horário de sobra, menos prioridade no encaixe. A clínica se protege do prejuízo transferindo o custo para o paciente.

Desenho de alcance (outreach): score baixo muda QUANTO contato aquele paciente recebe. Ele ganha lembrete ativo, confirmação por voz, e não perde nada na agenda.

A diferença entre os dois não é filosófica. Tem evidência randomizada.

Em ensaio publicado em 2023 no Journal of General Internal Medicine, conduzido num sistema de saúde de rede pública em Cleveland (Estados Unidos), em ambulatório de clínica médica adulta, com 5.840 consultas de risco previsto de falta igual ou maior que 15%, o grupo que recebeu lembrete ao vivo direcionado pelo modelo preditivo teve taxa de falta significativamente menor que o cuidado padrão: "The augmented care group had a significantly lower no show rate than the standard care group (33% vs 36%, p < 0.01)". O estudo está na biblioteca do NIH.

E o achado que interessa diretamente à sua dúvida: houve redução significativa de falta entre os pacientes negros, de 42% para 36% (p<0,001), diferença que não apareceu entre os pacientes brancos não hispânicos.

Leia de novo o que isso significa. O mesmo score que, usado para alocar, aumenta a desigualdade, usado para alcançar, reduz a desigualdade.

Dimensão	Desenho punitivo (alocar)	Desenho de alcance (outreach)
O que o score aciona	Posição na agenda	Intensidade de contato
Quem paga o custo do risco	O paciente	A clínica
Efeito no subgrupo	Espera maior, evidência de 2022 na Philosophy & Technology	Falta menor, evidência randomizada de 2023 no JGIM
Exposição LGPD	Alta (decisão automatizada que afeta interesse do titular)	Baixa (o score aciona comunicação, não restrição)
Efeito no faturamento	Ganha ocupação, perde paciente	Ganha comparecimento

Se você quer o gatilho operacional pronto para o segundo desenho, ele está em quando a IA deve acionar o CRC no no-show previsto.

LGPD: os três artigos que mudam o seu dever aqui

A Lei 13.709/2018 não proíbe score preditivo. Ela regula o que você faz com o resultado.

Art. 5º, II: dado de saúde é dado pessoal sensível. O histórico de agendamento odontológico de um paciente identificado está nesse balaio. Isso eleva o padrão de cuidado do painel inteiro: base legal específica, controle de acesso, minimização e registro.

Art. 6º, IX: princípio da não discriminação. A lei impõe a impossibilidade de realização do tratamento para fins discriminatórios ilícitos ou abusivos. Repare que o princípio mira o FIM do tratamento de dados, não a intenção do gestor.

Art. 20: revisão de decisão automatizada. O titular tem direito a solicitar a revisão de decisões tomadas unicamente com base em tratamento automatizado de dados que afetem seus interesses, incluídas as decisões destinadas a definir o seu perfil pessoal, profissional, de consumo e de crédito. O controlador deve fornecer, sempre que solicitadas, informações claras e adequadas sobre os critérios e os procedimentos utilizados, observados os segredos comercial e industrial. E se essas informações forem negadas com base em segredo comercial, a autoridade nacional pode realizar auditoria para verificação de aspectos discriminatórios em tratamento automatizado.

Três consequências operacionais imediatas:

1. Ninguém pode ser realocado só pelo número. Se a regra é automática e ninguém revisa, você está exatamente no cenário do art. 20.
2. Você precisa conseguir explicar o critério. Não o código-fonte, o critério. "O paciente foi colocado nesse horário porque X" precisa ter resposta.
3. Você precisa de trilha. Sem registro, você não consegue demonstrar que houve revisão humana nem que o critério foi aplicado de forma uniforme.

O panorama regulatório completo de IA em atendimento ao paciente está em estado da arte da regulação de IA no atendimento.

Código de Ética Odontológica: discriminar é infração tipificada

A camada ética é anterior à camada de dados, e ela é mais direta do que a maioria dos donos imagina.

O Código de Ética Odontológica (Resolução CFO-118/2012) estabelece no art. 2º que "a Odontologia é uma profissão que se exerce em benefício da saúde do ser humano, da coletividade e do meio ambiente, sem discriminação de qualquer forma ou pretexto".

E tipifica no art. 11, I, como infração ética, "discriminar o ser humano de qualquer forma ou sob qualquer pretexto".

Note a extensão do texto: "de qualquer forma ou sob qualquer pretexto". Eficiência de agenda é um pretexto. Otimização de ocupação é um pretexto. O código não abre exceção para regra automatizada.

E a responsabilidade não some porque a decisão saiu de um software. Quem responde pela conduta da clínica continua sendo o profissional e a pessoa jurídica que operam o processo.

Risco contratual com a operadora do convênio

Existe uma terceira camada, e ela costuma ser a que dói mais rápido: o contrato.

O contrato de credenciamento que você assinou com a operadora normalmente traz obrigação de atender o beneficiário do plano nas mesmas condições oferecidas aos demais pacientes, sem distinção de tratamento em razão da forma de pagamento.

Uma regra de agenda que sistematicamente entrega ao beneficiário horário pior, espera maior e menos prioridade no encaixe é descumprimento contratual objetivo. Não depende de o paciente reclamar de discriminação: basta a operadora comparar o padrão de oferta de horário.

Três coisas para checar antes de deixar o painel decidir alocação:

1. A cláusula de atendimento do seu contrato de credenciamento, palavra por palavra.
2. Se existe obrigação de disponibilidade de agenda (prazo máximo, percentual de horários, distribuição por período).
3. Como você provaria conformidade se a operadora pedisse o relatório de horários ofertados por tipo de pagador nos últimos 90 dias.

Se você não consegue produzir esse relatório hoje, esse é o primeiro item da lista da próxima seção.

Como auditar o seu próprio painel sem cientista de dados

Boa notícia: a auditoria que pega a maior parte dos casos é aritmética de planilha. Você precisa de exportação da agenda e de uma coluna que separe convênio de particular.

São cinco números, medidos por segmento, na mesma janela de tempo:

1. Taxa de falta prevista (média do score do segmento).
2. Taxa de falta observada (faltas reais dividido por agendamentos do segmento).
3. Tempo médio de espera na recepção (horário de chamada menos horário agendado).
4. Proporção de horário nobre ofertado (quantos agendamentos do segmento caíram na faixa mais disputada da sua agenda).
5. Cobertura de lembrete (quantos do segmento receberam confirmação ativa).

Depois é leitura de tabela:

O que você encontra	O que significa	O que fazer
Prevista e observada parecidas nos dois segmentos, espera parecida	Painel calibrado, alocação neutra	Manter e remedir no trimestre
Prevista maior que observada só no convênio	Modelo superestima falta do segmento	Recalibrar por subgrupo antes de usar para alocar
Falta observada parecida, mas espera muito maior no convênio	A regra de alocação, não o paciente, está produzindo o gap	Desligar a alocação automática
Cobertura de lembrete muito menor no convênio	Você está construindo a profecia	Inverter para desenho de alcance
Horário nobre concentrado no particular	Distribuição enviesada de recurso escasso	Definir cota mínima por segmento

Comece pela linha 3 e pela linha 4. São as duas que a operadora e o paciente enxergam primeiro.

Calibração por subgrupo: o erro que passa despercebido na acurácia geral

Aqui mora uma armadilha estatística que engana até gente treinada.

Um modelo pode ter boa acurácia GERAL e estar sistematicamente errado num segmento. Isso se chama erro de calibração por subgrupo.

Na prática, com números puramente ilustrativos: suponha que o painel diga "40% de risco" para um grupo de pacientes de convênio e que, na realidade, apenas 22% deles faltem. O modelo está mal calibrado NAQUELE segmento. Ele está cobrando de todos eles um preço (o slot pior) por um risco que a maioria não representa.

O teste é simples e você já tem os dados. Agrupe os agendamentos por faixa de score (por exemplo 0 a 20, 21 a 40, e assim por diante), separe convênio e particular, e compare o risco médio previsto com a falta real observada dentro de cada faixa.

Se as duas curvas coincidem nos dois segmentos, a calibração está de pé. Se elas descolam em um segmento só, você achou o viés.

Uma condição para o teste valer: célula pequena não conclui nada. Espere acumular volume suficiente por faixa antes de tomar decisão, e refaça o exercício quando o mix de convênio mudar. O procedimento de recalibração está em recalibrar o painel preditivo de no-show.

A política escrita de uso do score (o documento de uma página)

Painel sem política escrita é painel em que cada pessoa da recepção inventa a própria regra. E é impossível defender depois o que nunca foi definido antes.

A política cabe em uma página e responde cinco perguntas:

1. O que o score PODE acionar. Exemplo: lembrete ativo, ligação de confirmação, oferta de reagendamento, entrada em lista de espera.
2. O que o score NÃO PODE acionar. Exemplo: mudar o horário ofertado, reduzir prioridade no encaixe, cortar lembrete, recusar agendamento.
3. Quem autoriza exceção. Uma pessoa nomeada, não "a coordenação".
4. Qual é o teto de overbooking por período e qual a regra de compensação quando os dois pacientes comparecem.
5. Com que frequência os cinco números da auditoria são medidos e quem recebe o relatório.

Regra de ouro para escrever o item 2: se a consequência da regra é o paciente RECEBER MENOS (menos horário bom, menos contato, menos prioridade), ela não entra. Se a consequência é o paciente receber MAIS, ela entra.

O que perguntar ao fornecedor antes de ligar o score

Faça essas perguntas por escrito, antes da assinatura, e guarde a resposta. Ela vira parte da sua trilha de conformidade.

1. Quais features exatas o modelo usa? Peça a lista completa, incluindo variáveis derivadas.
2. Idade, gênero, estado civil, nacionalidade, bairro ou tipo de pagador estão entre elas? Se sim, peça a justificativa técnica campo a campo.
3. Qual a performance do modelo por subgrupo, e não só a geral?
4. O modelo é calibrado por segmento ou tem um limiar único para todo mundo?
5. Existe modo de revisão humana antes de qualquer ação automática sobre agenda?
6. O sistema registra quem revisou, quando e com qual justificativa?
7. O que acontece com o score quando o mix de pacientes muda? Retreino automático, alerta de drift, nada?
8. O painel consegue exportar horário ofertado e espera média por tipo de pagador? Se não consegue, você não tem como auditar nem como responder à operadora.

Fornecedor que trava na pergunta 3 ou na 8 está te vendendo um número, não um sistema de decisão.

Governança de overbooking: teto, compensação e responsável

O overbooking é a ferramenta em que o score causa mais dano quando fica solto. Ele precisa de três travas escritas.

Teto por período. Um número máximo de sobreposições por turno, definido antes e não negociável no calor da agenda cheia. Sem teto, a regra de eficiência sempre pede mais uma.

Regra de compensação. O que a clínica faz quando os dois pacientes comparecem: quem é atendido primeiro, o que é oferecido a quem espera, e a partir de quantos minutos a espera vira reagendamento com prioridade.

Responsável nomeado. Uma pessoa responde pela decisão do dia. Sem nome, a responsabilidade some no software.

E uma regra de distribuição que resolve metade do problema de viés: rode o overbooking por rodízio dentro da faixa de risco, não por ranking. Se cinco pacientes têm score semelhante, o sobreposto do dia não pode ser sempre o do mesmo segmento.

As métricas mensais de monitoramento de viés

Auditoria que acontece uma vez vira slide. O que protege a clínica é a série temporal. Coloque três gaps no relatório mensal, lado a lado com a ocupação:

• Gap de comparecimento: taxa de comparecimento do particular menos a do convênio.
• Gap de espera: espera média na recepção do convênio menos a do particular.
• Gap de horário nobre: proporção de horário nobre do particular menos a do convênio.

O número absoluto importa menos que a TENDÊNCIA. Um gap estável e pequeno é operação. Um gap que cresce mês a mês depois que você ligou o score é o painel trabalhando.

Defina um limiar de alerta antes de olhar o primeiro resultado. Limiar definido depois do dado vira justificativa, não controle.

Consentimento e transparência com o paciente

Você não precisa exibir o score na tela do paciente. Precisa conseguir explicar o critério quando ele perguntar.

Três providências resolvem a camada de transparência:

1. Política de privacidade atualizada, dizendo que a clínica usa histórico de agendamento para organizar a agenda e definir contatos de confirmação.
2. Canal de revisão humana informado, para o paciente exercer o direito do art. 20 sem precisar de advogado.
3. Linguagem interna alinhada. Ninguém na recepção diz "o sistema te marcou como risco". A frase certa descreve o benefício: "vamos te ligar na véspera para confirmar".

Vale também dimensionar a janela em que a sua clínica consegue de fato falar com alguém. Segundo dados internos da Odonto Results, 46,0% dos leads de clínica odontológica chegam fora do horário comercial. Base: 16.719 leads na primeira mensagem do WhatsApp. Janela: 25 de março a 25 de agosto de 2026. O recorte é de lead novo entrando no WhatsApp, não de paciente já agendado respondendo a lembrete, mas o ponto estrutural vale para os dois: operação que só existe em horário comercial fala com uma fatia menor da própria base.

Quando o score deve ser desligado

O modelo aprendeu com um passado. Quando o presente muda, ele passa a errar de forma sistemática, e o erro sistemático é exatamente o que produz viés.

Desligue a alocação automática (mantendo o score visível como informação) nestas cinco situações:

1. Mudança de mix de convênio. Entrou ou saiu operadora grande da sua base.
2. Mudança de agenda. Novo horário de funcionamento, nova unidade, nova cadeira, novo especialista.
3. Sazonalidade forte. Férias escolares, dezembro, janeiro. O padrão de falta muda e o modelo não sabe disso.
4. Drift detectado. A diferença entre falta prevista e observada abriu e não fechou em dois meses seguidos.
5. Célula pequena. Segmento com poucos agendamentos no período. Score em amostra pequena é ruído com aparência de número.

Nesses períodos, o desenho de alcance continua rodando sem risco. É mais uma vantagem estrutural dele: outreach errado custa uma ligação; alocação errada custa um paciente.

Registro de decisão: a trilha que te defende depois

Fecha o ciclo o item mais chato e mais valioso.

Toda exceção humana precisa ficar gravada. Não é burocracia: é a única prova de que existiu revisão humana e de que o critério foi aplicado de forma uniforme.

O registro mínimo tem cinco campos:

• Data e hora da decisão
• Paciente e agendamento afetados
• O que o sistema recomendou e qual score
• O que foi decidido e por quem, nominalmente
• Justificativa em uma linha

Guarde junto a versão da política de uso do score vigente naquela data. Sem isso, você consegue provar a decisão individual mas não o critério geral.

E lembre do que a LGPD cobra no art. 20: informações claras e adequadas sobre os critérios e os procedimentos utilizados. Trilha de auditoria é como esse dever vira algo demonstrável em vez de uma afirmação sua.

Lembre: a pergunta que você vai ter que responder um dia não é "você discriminou?". É "como você sabe que não discriminou?". A resposta dessa segunda pergunta é medição, política escrita e registro. Nada disso se produz depois do fato.

Seu próximo passo

Três ações, em ordem de esforço.

1. Rode a auditoria de cinco números esta semana. Exporte 90 dias de agenda, separe convênio e particular e compare falta prevista, falta observada, espera média, horário nobre ofertado e cobertura de lembrete. Você descobre em uma tarde se tem problema.

2. Inverta o verbo do score. Enquanto a auditoria não estiver de pé, desligue qualquer regra em que score baixo mude a POSIÇÃO do paciente na agenda, e mantenha só as regras em que score baixo aumenta o CONTATO. É o desenho com evidência randomizada a favor e o de menor exposição legal.

3. Escreva a política de uma página e nomeie o responsável. O que o score pode acionar, o que não pode, quem autoriza exceção, qual o teto de overbooking e com que frequência os três gaps são medidos.

Se o gargalo da sua clínica é comparecimento e não geração de demanda, é isso que precisa estar instrumentado antes de qualquer painel decidir sozinho. Agende uma apresentação e veja como a operação de captação e confirmação é medida do anúncio até o paciente na cadeira.