¿Qué es el estudio?
Es un trabajo de conclusión de la maestría en Administración en Salud de la Marshall University, en Estados Unidos, publicado en mayo de 2026 en el repositorio digital de la universidad [1]. La autora, K'reesa Webster, revisó la literatura para responder a una pregunta: ¿los hospitales que usan IA en el ciclo de ingresos tienen mejores resultados financieros?
El método siguió las etapas del protocolo PRISMA 2020, usado en revisiones sistemáticas, pero el trabajo no se presenta como revisión sistemática, por exigencia de la materia [1]. Un segundo revisor, el director del trabajo, verificó la selección y la extracción de los datos. El trabajo incluye además una entrevista con un líder del área de ciclo de ingresos.
Cómo se seleccionaron los 27 estudios
La búsqueda se hizo en PubMed, CINAHL, Scopus y Google Scholar, en inglés, para estudios de 2015 a 2026 que midieran al menos uno de tres indicadores financieros [1].
| Etapa | Número de estudios |
|---|---|
| Registros encontrados en las bases | 642 |
| Después de retirar duplicados | 428 |
| Excluidos por la lectura del título y del resumen | 316 |
| Leídos completos | 112 |
| Excluidos en la lectura completa (sin resultado numérico, foco clínico o método insuficiente) | 85 |
| Incluidos en el análisis | 27 |
Los estudios incluidos son retrospectivos, observacionales o cuasiexperimentales: comparan el antes y el después de la adopción de la IA, sin sorteo entre grupos [1].
Lo que muestran los números
Todos los indicadores se movieron en la dirección esperada, con gran variación entre los estudios [1].
| Indicador | Estudios que midieron | Antes de la IA | Después de la IA | Efecto promedio (rango) |
|---|---|---|---|---|
| Tasa de rechazo de cuentas | 19 | 8,7% a 14,2% | 5,1% a 9,8% | Caída relativa de cerca del 31% (12% a 35%) |
| Días en cuentas por cobrar | 14 | 42 a 67 días | 28 a 52 días | Caída de 14,3 días (8 a 21 días) |
| Margen operativo | 9 | −2,1% a 4,3% | 0,3% a 7,1% | Alza de 2,4 puntos porcentuales (1,2 a 4,1) |
Fuente: Webster, Marshall University, 2026 [1]. Estudios de Estados Unidos publicados entre 2015 y 2026.
Los mayores efectos en rechazos aparecieron en los estudios con modelos predictivos y validación de la cuenta antes del envío, con caídas superiores al 25%. La validación automática de la codificación tuvo un efecto menor, del 10% al 18% [1]. En el plazo, el seguimiento automático de las cuentas abiertas redujo de 10 a 17 días y la priorización con IA, de 12 a 20 días [1].
Como efectos operativos, la revisión registra una ganancia del 18% al 25% en la precisión de la codificación, una reducción del 25% al 40% del trabajo manual y del 12% al 30% en el tiempo de procesamiento de las cuentas [1].
Por qué estos números no son una promesa
Los números muestran una dirección consistente, pero hay cinco motivos para no usarlos como meta:
- Muestra no informada. Las tablas del trabajo resumen cinco estudios por indicador, y ninguno trae el tamaño de la muestra [1]. La lista completa de los 27 estudios no se presenta.
- Sesgo de publicación. Los proyectos que salieron bien tienen más probabilidad de convertirse en artículo. La autora reconoce ese riesgo [1].
- Antes y después, sin grupo de comparación. Otros cambios en el mismo periodo (contrato nuevo, equipo nuevo, cambio de aseguradora) pueden explicar parte de la ganancia.
- Entrevista sin uso de IA. La entrevista se hizo con un único líder del ciclo de ingresos, de una clínica filantrópica gratuita, que no usó herramientas de IA en el ciclo de ingresos entre 2023 y 2025 [1]. Ayuda a entender las barreras, no a medir resultados.
- Otro sistema de salud. El rechazo de pago en EE. UU. y la glosa en Brasil se miden de formas diferentes, y el plazo de partida estadounidense es menor que el brasileño.
Cómo comparar con los hospitales brasileños
Los indicadores de la revisión tienen equivalentes en Brasil, pero con bases de cálculo diferentes. Por eso, los porcentajes no se trasladan directamente.
| Indicador en la revisión (EE. UU.) | Equivalente en Brasil | Referencia brasileña verificada |
|---|---|---|
| Claim denial rate (% de cuentas rechazadas) | Rechazo inicial | 15,93% de los valores por cobrar a las aseguradoras, hospitales Anahp, 2025 [2] |
| Days in accounts receivable | Plazo promedio de cobro | 77,35 días, hospitales Anahp, 2025; 73,84 días en el 1er trimestre de 2026 [2][3] |
| Operating margin | Margen operativo (la Anahp publica el margen EBITDA, otro indicador) | Margen EBITDA del 11,05%, hospitales Anahp, 2025 [2] |
Una lectura posible: si la IA reduce el plazo de cobro en días, y no en porcentaje, el efecto en caja es mayor donde el plazo es más largo. Un hospital brasileño con plazo de 77 días que reduzca 14 días libera el equivalente a 14 días de facturación a las aseguradoras. El cálculo para tu hospital está en la Calculadora de Impacto.
Lo que agrega la entrevista
La entrevista confirma barreras que cualquier gestor de facturación conoce [1]:
- Duda del equipo. Incluso con una herramienta automática disponible, el equipo prefería el proceso manual conocido, y muchos errores atribuidos al sistema eran de uso.
- Análisis manual de glosas. La entrevistada relató que necesitaba descargar y analizar miles de líneas de datos de rechazo para encontrar patrones que una herramienta encontraría más rápido.
- Retorno bajo escrutinio. La herramienta necesita generar una ganancia que pague su costo, y la dirección debe exigir esa cuenta.
- Datos y privacidad. Una organización aliada prohibió asistentes de IA que toman notas en reuniones por temor al almacenamiento en la nube; y un dato de origen malo genera un resultado malo.
En Brasil, el último punto pasa por la Ley General de Protección de Datos, que trata los datos de salud como datos sensibles [4].
Cómo medir el efecto de la IA en tu hospital
La lección más aplicable de la revisión es el diseño: medir el efecto en tres indicadores al mismo tiempo, porque una ganancia operativa solo importa si aparece en glosa, plazo y margen.
| Paso | Qué hacer |
|---|---|
| 1. Línea base | Medir glosa inicial, glosa final, plazo promedio de cobro y margen durante al menos 6 a 12 meses antes del proyecto, con fórmula fija |
| 2. Recorte | Empezar por una etapa y un grupo de aseguradoras, dejando otro grupo sin la herramienta como comparación |
| 3. Estacionalidad | Comparar el mismo periodo del año, porque la glosa y el plazo varían con el calendario de las aseguradoras |
| 4. Desglose | Desglosar los resultados por aseguradora y por motivo de glosa, para saber qué resolvió la herramienta |
| 5. Costo total | Sumar licencia, integración, capacitación y tiempo del equipo para calcular el retorno |
Por dónde empezar
- Mide la línea base de los indicadores del ciclo de ingresos antes de cualquier proyecto.
- Pide al proveedor el origen de los números que presenta: muestra, periodo, perfil de hospital y grupo de comparación.
- Haz un piloto con comparación: una etapa, un grupo de aseguradoras, un periodo de al menos 6 meses.
- Calcula el retorno con el costo total, incluyendo integración y tiempo del equipo.
- Prepara al equipo desde el inicio, mostrando la herramienta como apoyo al trabajo.
Accede al trabajo completo
Artificial intelligence–enabled revenue cycle management and financial performance in healthcare organizations
K'reesa Webster · Research paper, M.S. in Healthcare Administration, Marshall University, 2026 · Director: Alberto Coustasse · PDF en inglés, 25 páginas
El trabajo está disponible gratuitamente en el repositorio Marshall Digital Scholar. El análisis anterior es de Accrua y no fue revisado por la autora.