Modelación actuarial de glosas, devoluciones y controversias en salud¶
Una glosa no equivale automáticamente a una reducción de la obligación. Es una controversia sobre la factura cuyo resultado, monto y tiempo de resolución permanecen inciertos.
Advertencia de alcance¶
Este capítulo presenta un marco técnico y actuarial. No constituye asesoría jurídica, contable ni una interpretación oficial de la regulación colombiana.
Antes de aplicar sus recomendaciones deben verificarse:
- la versión vigente del Decreto 780 de 2016;
- la Resolución 2284 de 2023 y sus modificaciones;
- la Resolución 948 de 2026 y los documentos técnicos vigentes de RIPS–FEV;
- la Circular Única de la Superintendencia Nacional de Salud;
- las reglas vigentes sobre reservas técnicas y obligaciones conocidas;
- las cláusulas del acuerdo de voluntades;
- los requisitos contables aplicables;
- las instrucciones particulares de la autoridad de supervisión.
La estimación actuarial no sustituye los mínimos regulatorios ni las decisiones jurídicas sobre la exigibilidad de una obligación.
Objetivos de aprendizaje¶
Al finalizar este capítulo, el lector podrá:
- diferenciar devolución, glosa, respuesta, conciliación y rechazo;
- identificar la unidad correcta de modelación;
- construir una base histórica de controversias;
- estimar la probabilidad de reconocimiento total, parcial o nulo;
- modelar el porcentaje final reconocido;
- estimar tiempos de respuesta, conciliación y pago;
- incorporar glosas en triángulos pagados e incurridos;
- calcular reservas por cuenta, causal y estado;
- evitar sesgos por utilizar únicamente casos cerrados;
- aplicar restricciones regulatorias;
- realizar backtesting y análisis de suficiencia;
- documentar una metodología reproducible.
Contenido¶
- Motivación
- Marco conceptual
- Marco normativo operativo
- Diferencia entre devolución y glosa
- Ciclo de vida de una controversia
- Taxonomía de estados
- Unidad de análisis
- Modelo de datos
- Variables explicativas
- Medidas actuariales fundamentales
- Modelo de probabilidad de reconocimiento
- Modelo de proporción reconocida
- Modelo de monto final
- Modelación del tiempo de resolución
- Riesgos competitivos
- Modelos multiestado
- Pagos parciales y acuerdos
- Reaperturas y ajustes posteriores
- Reserva por cuenta
- Reserva agregada
- Restricciones regulatorias
- Integración con triángulos
- Glosas en modelos pagados
- Glosas en modelos incurridos
- Segmentación
- Validación y backtesting
- Sensibilidad y escenarios
- Implementación SQL
- Implementación Python
- Implementación R
- Caso numérico
- Gobierno y documentación
- Riesgos y limitaciones
- Checklist
- Conclusiones
1. Motivación¶
Las cuentas médicas no siempre siguen una trayectoria directa desde la radicación hasta el pago.
Una cuenta puede:
- ser devuelta;
- corregirse y radicarse nuevamente;
- ser glosada total o parcialmente;
- recibir respuesta del prestador;
- pasar a conciliación;
- ser reconocida parcialmente;
- recibir varios pagos;
- permanecer abierta por un periodo prolongado;
- ser reabierta después de su aparente cierre.
Desde una perspectiva actuarial, existen al menos tres variables aleatorias:
La reserva debe considerar las tres.
2. Marco conceptual¶
2.1 Devolución¶
La devolución impide o interrumpe el trámite de una factura debido a una causal aplicable al documento completo.
En términos operativos, la cuenta puede:
- corregirse;
- emitirse nuevamente;
- radicarse de nuevo;
- cancelarse;
- sustituirse mediante nota crédito.
La devolución no debe modelarse automáticamente como pago cero, porque puede ser subsanada.
2.2 Glosa¶
La glosa corresponde a una objeción sobre uno o varios componentes de la factura.
Puede afectar:
- todo el valor;
- una línea;
- una cantidad;
- una tarifa;
- un soporte;
- una autorización;
- la pertinencia;
- la cobertura.
2.3 Respuesta¶
Es la actuación mediante la cual el prestador o proveedor:
- acepta la glosa;
- acepta parcialmente;
- subsana;
- aporta evidencia;
- rechaza la objeción;
- propone una corrección.
2.4 Conciliación¶
Proceso de resolución de diferencias cuando la respuesta no conduce a un cierre inmediato.
2.5 Reconocimiento¶
Determinación del valor que se considera exigible o pagadero después de auditoría y controversia.
2.6 Rechazo económico final¶
Resultado en el cual no se espera obligación de pago respecto del valor controvertido.
La utilización del término “rechazado” debe diferenciarse del rechazo técnico producido durante validaciones de información.
3. Marco normativo operativo¶
La Resolución 2284 de 2023 adoptó el Manual Único de Devoluciones, Glosas y Respuestas y estableció las reglas operativas de soportes, auditoría y comunicación.
Para el diseño actuarial son especialmente relevantes los siguientes principios:
- las causas de devolución y glosa están tipificadas;
- no deben crearse categorías operativas incompatibles con el Manual;
- una devolución afecta el trámite completo de la factura;
- una glosa puede afectar valores específicos;
- no deben utilizarse porcentajes globales de glosa como sustituto de la identificación de causas específicas;
- las comunicaciones deben conservar trazabilidad;
- devolución, glosa y respuesta son eventos distintos;
- el proceso debe relacionarse con la factura, sus soportes y su radicación.
La Resolución 948 de 2026 reglamentó nuevamente el RIPS como soporte de la FEV y derogó las Resoluciones 2275 de 2023, 558 y 1884 de 2024. Por tanto, las referencias a RIPS–FEV deben mantenerse actualizadas y no depender de estructuras derogadas.
4. Diferencia actuarial entre devolución y glosa¶
| Característica | Devolución | Glosa |
|---|---|---|
| Alcance típico | Factura completa | Total o parcial |
| Momento | Revisión inicial | Auditoría |
| Efecto | Interrumpe el trámite | Controvierte el valor |
| Puede subsanarse | Sí | Sí |
| Implica pago cero definitivo | No | No |
| Requiere nueva radicación | Puede requerirla | Generalmente no |
| Unidad de modelación | Factura | Línea o concepto |
| Riesgo principal | No retorno o demora | Reconocimiento parcial |
| Modelo recomendado | Retorno y tiempo | Probabilidad × proporción |
4.1 Consecuencia metodológica¶
No debe existir una única variable binaria:
Se recomienda distinguir:
es_devolucion
es_glosa
es_glosa_total
es_glosa_parcial
es_subsanable
es_reiterada
es_conciliada
es_pagada
5. Ciclo de vida de una controversia¶
stateDiagram-v2
[*] --> Radicada
Radicada --> Devuelta
Devuelta --> Corregida
Corregida --> Radicada
Devuelta --> Cancelada
Radicada --> Auditoria
Auditoria --> SinGlosa
Auditoria --> Glosada
SinGlosa --> Reconocida
Glosada --> Respondida
Respondida --> AceptadaPrestador
Respondida --> Subsanada
Respondida --> Ratificada
Respondida --> Conciliacion
AceptadaPrestador --> NotaCredito
Subsanada --> Reconocida
Ratificada --> Conciliacion
Conciliacion --> Reconocida
Conciliacion --> Rechazada
Reconocida --> PagoParcial
Reconocida --> Pagada
PagoParcial --> PagoParcial
PagoParcial --> Pagada
Pagada --> Reabierta
Reabierta --> Auditoria
Pagada --> [*]
Rechazada --> [*]
Cancelada --> [*]6. Taxonomía de estados¶
| Estado | Definición actuarial |
|---|---|
| Radicada | Cuenta recibida válidamente |
| Devuelta | Trámite interrumpido por causal aplicable |
| Corregida | Cuenta modificada para nueva presentación |
| En auditoría | Cuenta pendiente de evaluación |
| Sin glosa | Auditoría no identifica controversia |
| Glosada | Existe objeción total o parcial |
| Respondida | Prestador presentó actuación |
| Subsanada | Se aportó o corrigió la información |
| Ratificada | La entidad mantiene la objeción |
| Conciliación | Diferencia pendiente de acuerdo |
| Reconocida | Valor aceptado |
| Pago parcial | Existe saldo posterior al pago |
| Pagada | Pago esperado completado |
| Rechazada | No se espera pago adicional |
| Reabierta | Cuenta previamente cerrada vuelve a revisión |
| Cancelada | Factura anulada o sustituida |
6.1 Estados económicos y estados operativos¶
El estado registrado puede no coincidir con el estado económico.
Ejemplo:
La reserva debe medir la expectativa económica, no limitarse al nombre del estado.
7. Unidad de análisis¶
7.1 Factura¶
Adecuada para devoluciones.
7.2 Línea de factura¶
Adecuada para glosas parciales.
7.3 Código de glosa¶
Adecuado para análisis de causal.
7.4 Controversia¶
Una misma línea puede tener más de una controversia.
Unidad recomendada:
7.5 Episodio de disputa¶
Agrupa todos los movimientos relacionados con la misma objeción hasta su cierre.
8. Modelo de datos¶
8.1 Tabla de controversias¶
disputa_id
factura_id
linea_factura_id
codigo_manual
tipo_disputa
fecha_formulacion
valor_facturado
valor_controvertido
estado_actual
fecha_cierre
valor_reconocido_final
valor_pagado_final
8.2 Tabla de eventos¶
evento_id
disputa_id
fecha_evento
estado_origen
estado_destino
tipo_respuesta
codigo_respuesta
valor_antes
valor_despues
observacion
fuente
8.3 Tabla de pagos¶
8.4 Tabla de documentos¶
8.5 Información contractual¶
9. Variables explicativas¶
9.1 Causal¶
- facturación;
- tarifa;
- autorización;
- soporte;
- pertinencia;
- cobertura;
- calidad;
- cantidad;
- duplicidad.
9.2 Cuenta¶
- monto;
- porcentaje glosado;
- número de líneas;
- antigüedad;
- complejidad;
- tipo de servicio;
- mecanismo de pago.
9.3 Prestador¶
- grupo;
- región;
- tamaño;
- tasa histórica de glosa;
- tasa de aceptación;
- tiempo de respuesta;
- concentración.
9.4 Afiliado o servicio¶
- diagnóstico;
- procedimiento;
- hospitalización;
- urgencia;
- medicamento;
- alto costo.
9.5 Operación¶
- auditor;
- plataforma;
- canal;
- periodo calendario;
- cambio de política;
- conciliación masiva.
9.6 Interacciones¶
Ejemplos:
10. Medidas actuariales fundamentales¶
10.1 Tasa de glosa inicial¶
10.2 Tasa final de no reconocimiento¶
10.3 Tasa de levantamiento¶
10.4 Proporción final reconocida¶
10.5 Tiempo hasta resolución¶
10.6 Tiempo hasta pago¶
10.7 Tasa de reapertura¶
11. Modelo de probabilidad de reconocimiento¶
Sea:
Modelo logístico:
11.1 Interpretación¶
Una probabilidad de 0,70 no significa que se reconocerá exactamente 70% del valor.
Significa que, bajo la definición binaria utilizada, existe una probabilidad estimada de 70% de obtener algún reconocimiento.
11.2 Alternativas¶
- regresión logística;
- probit;
- random forest;
- gradient boosting;
- modelo bayesiano jerárquico.
11.3 Calibración¶
Para cuentas con probabilidad estimada cercana a 0,70, aproximadamente 70% deberían terminar con reconocimiento positivo.
12. Modelo de proporción reconocida¶
Condicionado a reconocimiento positivo:
con:
12.1 Regresión beta¶
12.2 Masa en cero y uno¶
La distribución suele presentar:
- muchos ceros;
- muchos unos;
- valores intermedios.
Puede utilizarse una distribución inflada:
12.3 Modelo ordinal¶
Clasificaciones:
- rechazo total;
- reconocimiento bajo;
- reconocimiento medio;
- reconocimiento alto;
- reconocimiento total.
13. Modelo de monto final¶
La expectativa es:
Cuando el valor final puede superar el controvertido por ajustes, debe utilizarse un modelo monetario directo.
Distribuciones posibles:
- Gamma;
- lognormal;
- Tweedie;
- hurdle;
- mixture model.
14. Modelación del tiempo de resolución¶
14.1 Supervivencia¶
14.2 Hazard¶
14.3 Cox¶
14.4 Modelos paramétricos¶
- Weibull;
- lognormal;
- log-logístico;
- gamma generalizada.
14.5 Uso actuarial¶
El tiempo afecta:
- fecha esperada de pago;
- flujo de caja;
- descuento, cuando aplique;
- antigüedad regulatoria;
- posibilidad de conciliación;
- probabilidad de reapertura.
15. Riesgos competitivos¶
Desde el estado glosado, una cuenta puede terminar en:
- reconocimiento total;
- reconocimiento parcial;
- rechazo;
- cancelación;
- litigio o controversia prolongada.
Sea \(K\) el resultado final.
No debe tratarse el rechazo como censura cuando es un resultado económico alternativo.
16. Modelos multiestado¶
16.1 Intensidad¶
16.2 Transiciones principales¶
- devuelta → radicada;
- glosada → respondida;
- respondida → reconocida;
- respondida → conciliación;
- conciliación → reconocida;
- conciliación → rechazada;
- reconocida → pagada;
- pagada → reabierta.
16.3 Reserva multiestado¶
17. Pagos parciales y acuerdos¶
17.1 Pago parcial¶
17.2 Múltiples pagos¶
17.3 Acuerdos¶
Un acuerdo puede cambiar:
- monto;
- calendario;
- probabilidad de pago;
- contraparte;
- condiciones de cierre.
Debe registrarse como evento, no sobrescribir la historia anterior.
17.4 Descuentos por pronto pago¶
Deben separarse de glosas porque obedecen a una decisión comercial o contractual distinta.
18. Reaperturas y ajustes posteriores¶
18.1 Probabilidad¶
18.2 Severidad adicional¶
18.3 Reserva de reapertura¶
18.4 Materialidad¶
Si las reaperturas son inmateriales, pueden modelarse agregadamente mediante un factor de cola.
19. Reserva por cuenta¶
Para una controversia abierta:
con límite inferior:
cuando no se esperan recuperaciones negativas.
19.1 Componentes no controvertidos¶
La porción no glosada debe reconocerse separadamente:
19.2 Evitar doble conteo¶
El saldo glosado no debe incluirse simultáneamente en:
- saldo conocido bruto;
- reserva esperada de glosas;
- IBNR;
- provisión manual.
20. Reserva agregada¶
Por causal:
Por antigüedad:
Por prestador:
La agregación debe reconciliarse con:
- auxiliares contables;
- cuentas médicas;
- cartera;
- pagos;
- notas crédito;
- reportes regulatorios.
21. Restricciones regulatorias¶
La estimación estadística puede estar sujeta a límites mínimos.
En forma general:
cuando la norma aplicable establezca un piso.
21.1 Separación de medidas¶
El informe debe distinguir:
| Medida | Definición |
|---|---|
| Valor bruto controvertido | Total sometido a glosa |
| Estimación actuarial | Pago futuro esperado |
| Mínimo regulatorio | Piso obligatorio |
| Reserva registrada | Valor reconocido |
| Diferencia prudencial | Exceso sobre estimación central |
21.2 Prohibición de porcentaje global¶
Una política como:
puede ser útil como benchmark, pero no reemplaza la identificación por causal, cuenta, antigüedad y resultado esperado.
22. Integración con triángulos¶
22.1 Triángulo de glosas formuladas¶
Origen:
- periodo de prestación;
- periodo de radicación.
Desarrollo:
- fecha de formulación.
22.2 Triángulo de glosas levantadas¶
22.3 Triángulo de reconocimiento¶
22.4 Triángulo de pago¶
22.5 Limitación¶
Los triángulos agregados pueden ocultar diferencias de causal y antigüedad. Deben utilizarse como benchmark.
23. Glosas en modelos pagados¶
En un modelo pagado, las glosas generan:
- retraso;
- pagos parciales;
- cola larga;
- reversos;
- concentraciones calendario.
El Paid Chain Ladder puede confundir una demora en conciliación con una mayor obligación última.
23.1 Adaptación¶
Separar:
y:
La mezcla puede producir factores inestables.
24. Glosas en modelos incurridos¶
24.1 Incurrido bruto¶
Puede sobreestimar.
24.2 Incurrido neto¶
Puede subestimar.
24.3 Incurrido esperado¶
Es conceptualmente superior, sujeto a mínimos regulatorios.
25. Segmentación¶
25.1 Por causal¶
Debe ser el primer nivel de análisis.
25.2 Por prestador¶
Solo cuando exista suficiente volumen.
25.3 Por servicio¶
- hospitalario;
- ambulatorio;
- medicamentos;
- dispositivos;
- transporte;
- alto costo.
25.4 Por antigüedad¶
- 0–30 días;
- 31–90;
- 91–180;
- 181–360;
- más de 360.
25.5 Por mecanismo contractual¶
- evento;
- paquete;
- capitación;
- pago prospectivo.
25.6 Credibilidad¶
Para segmentos pequeños se recomienda:
- agrupación;
- credibilidad;
- efectos aleatorios;
- modelos jerárquicos bayesianos.
26. Validación y backtesting¶
26.1 Reconstrucción histórica¶
Para cada fecha de corte:
- identificar controversias abiertas;
- usar solo la información disponible;
- estimar pago futuro;
- comparar con el resultado posterior.
26.2 Sesgo¶
26.3 MAE¶
26.4 Error agregado¶
26.5 Calibración¶
- reliability plots;
- Brier score;
- log-loss;
- calibration slope;
- calibration intercept.
26.6 Validación temporal¶
No usar divisiones aleatorias.
Utilizar:
Entrenamiento: periodos anteriores
Validación: periodo siguiente
Prueba: periodo más reciente cerrado
27. Sensibilidad y escenarios¶
27.1 Tasa de aceptación¶
27.2 Proporción reconocida¶
27.3 Demora¶
Incrementar el tiempo de resolución para evaluar flujo de caja.
27.4 Reapertura¶
Aumentar:
- frecuencia;
- severidad;
- cola.
27.5 Cambio regulatorio¶
Separar el riesgo de modelo estadístico del riesgo normativo mediante escenarios explícitos.
28. Implementación SQL¶
28.1 Estado a fecha de corte¶
WITH ranked_events AS (
SELECT
disputa_id,
fecha_evento,
estado_destino,
valor_despues,
ROW_NUMBER() OVER (
PARTITION BY disputa_id
ORDER BY fecha_evento DESC, evento_id DESC
) AS rn
FROM eventos_disputa
WHERE fecha_evento <= :fecha_corte
)
SELECT
disputa_id,
estado_destino AS estado_corte,
valor_despues AS valor_corte
FROM ranked_events
WHERE rn = 1;
28.2 Resultado final¶
SELECT
disputa_id,
valor_controvertido,
SUM(valor_pago) AS pago_final,
CASE
WHEN SUM(valor_pago) = 0 THEN 0
ELSE 1
END AS reconocimiento_positivo,
SUM(valor_pago) / NULLIF(valor_controvertido, 0)
AS proporcion_reconocida
FROM controversias
LEFT JOIN pagos USING (disputa_id)
WHERE fecha_cierre IS NOT NULL
GROUP BY
disputa_id,
valor_controvertido;
28.3 Cohortes¶
SELECT
DATE_TRUNC('month', fecha_formulacion) AS cohorte,
codigo_manual,
SUM(valor_controvertido) AS valor_glosado,
SUM(valor_reconocido_final) AS valor_reconocido
FROM controversias
GROUP BY
DATE_TRUNC('month', fecha_formulacion),
codigo_manual;
29. Implementación Python¶
from __future__ import annotations
import numpy as np
import pandas as pd
from sklearn.calibration import calibration_curve
from sklearn.compose import ColumnTransformer
from sklearn.linear_model import LogisticRegression
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import OneHotEncoder, StandardScaler
def fit_acceptance_model(
train: pd.DataFrame,
categorical: list[str],
numerical: list[str],
) -> Pipeline:
required = set(categorical + numerical + ["accepted"])
missing = required.difference(train.columns)
if missing:
raise ValueError(f"Missing columns: {sorted(missing)}")
preprocess = ColumnTransformer(
transformers=[
(
"categorical",
OneHotEncoder(
handle_unknown="ignore",
min_frequency=20,
),
categorical,
),
(
"numerical",
StandardScaler(),
numerical,
),
]
)
model = Pipeline(
steps=[
("preprocess", preprocess),
(
"model",
LogisticRegression(
max_iter=2_000,
class_weight="balanced",
),
),
]
)
model.fit(
train[categorical + numerical],
train["accepted"],
)
return model
29.1 Reserva esperada¶
def expected_dispute_reserve(
open_disputes: pd.DataFrame,
probability_col: str = "p_accepted",
proportion_col: str = "expected_proportion",
amount_col: str = "disputed_amount",
paid_col: str = "paid_to_date",
) -> pd.Series:
expected_ultimate = (
open_disputes[probability_col]
* open_disputes[proportion_col]
* open_disputes[amount_col]
)
reserve = expected_ultimate - open_disputes[paid_col]
return reserve.clip(lower=0.0)
29.2 Aplicación de piso¶
def apply_regulatory_floor(
actuarial_reserve: pd.Series,
disputed_amount: pd.Series,
floor_percentage: pd.Series,
) -> pd.Series:
regulatory_floor = disputed_amount * floor_percentage
return pd.concat(
[actuarial_reserve, regulatory_floor],
axis=1,
).max(axis=1)
30. Implementación R¶
30.1 Probabilidad¶
acceptance_model <- glm(
accepted ~
cause_group +
provider_group +
log1p(disputed_amount) +
aging_days +
service_group,
family = binomial(link = "logit"),
data = training_data
)
30.2 Proporción¶
library(betareg)
positive_cases <- subset(
training_data,
proportion_recognized > 0 &
proportion_recognized < 1
)
proportion_model <- betareg(
proportion_recognized ~
cause_group +
provider_group +
aging_days +
service_group,
data = positive_cases
)
30.3 Supervivencia¶
library(survival)
time_model <- coxph(
Surv(days_to_resolution, resolved) ~
cause_group +
provider_group +
log1p(disputed_amount) +
service_group,
data = disputes
)
31. Caso numérico¶
Supónganse cuatro grupos:
| Grupo | Valor controvertido | Probabilidad de reconocimiento | Proporción si se reconoce |
|---|---|---|---|
| Facturación | 100 | 0,80 | 0,90 |
| Tarifa | 80 | 0,65 | 0,75 |
| Soportes | 60 | 0,55 | 0,80 |
| Pertinencia | 40 | 0,35 | 0,60 |
31.1 Facturación¶
31.2 Tarifa¶
31.3 Soportes¶
31.4 Pertinencia¶
31.5 Estimación actuarial¶
Si los pisos regulatorios aplicables producen una reserva mínima de 175:
Diferencia prudencial:
32. Gobierno y documentación¶
La nota técnica debe incluir:
- definición de devolución;
- definición de glosa;
- unidad de análisis;
- causales incluidas;
- estados;
- fuentes de datos;
- fecha de corte;
- tratamiento de casos abiertos;
- tratamiento de casos cerrados;
- selección de variables;
- modelos;
- calibración;
- validación;
- pisos regulatorios;
- ajustes manuales;
- limitaciones;
- cambios de política;
- responsables;
- versiones;
- reconciliación contable.
32.1 Monitoreo mensual¶
- tasa de glosa;
- tasa de levantamiento;
- antigüedad;
- tiempo de respuesta;
- tiempo de conciliación;
- tasa de reapertura;
- error de reserva;
- drift de variables;
- calibración.
33. Riesgos y limitaciones¶
33.1 Sesgo de casos cerrados¶
Las controversias resueltas rápidamente suelen diferir de las que permanecen abiertas.
Entrenar solo con cerradas puede subestimar:
- duración;
- monto;
- complejidad.
33.2 Censura informativa¶
Las cuentas abiertas no son una muestra aleatoria. Pueden ser precisamente las más complejas.
33.3 Cambio de codificación¶
Una actualización del manual puede romper la comparabilidad.
Debe existir un mapeo versionado.
33.4 Dependencia¶
Las controversias de una misma factura o prestador no son independientes.
33.5 Cambio operativo¶
Cambios de auditor, plataforma o política pueden alterar la experiencia.
33.6 Causalidad¶
La importancia predictiva de una causal no implica que cause el resultado.
33.7 Riesgo jurídico¶
Una interpretación contractual o judicial puede modificar la obligación independientemente del patrón histórico.
34. Checklist¶
Datos¶
- Existe identificador de disputa.
- La glosa está asociada a factura y línea.
- Se conserva el código oficial.
- Se conserva la versión del manual.
- La historia de eventos es reconstruible.
- Los pagos parciales están identificados.
- Las notas crédito están separadas.
- Las reaperturas están registradas.
Metodología¶
- Devoluciones y glosas están separadas.
- Se modela probabilidad.
- Se modela proporción.
- Se modela tiempo.
- Se considera censura.
- Se consideran resultados competitivos.
- Se aplican pisos regulatorios.
- Se evita doble conteo.
Validación¶
- Existe backtesting temporal.
- Se mide sesgo.
- Se valida calibración.
- Se valida por causal.
- Se valida por antigüedad.
- Se valida por prestador.
- Se revisa drift.
Gobierno¶
- Existe nota técnica.
- El código está versionado.
- Los cambios normativos están inventariados.
- Los overrides están documentados.
- Existe revisión jurídica.
- Existe revisión actuarial independiente.
- El resultado reconcilia con contabilidad.
35. Conclusiones¶
Las glosas y devoluciones no deben tratarse como simples deducciones del costo médico.
Una devolución representa un evento de trámite que puede subsanarse. Una glosa representa una controversia cuyo resultado puede ser reconocimiento total, parcial o nulo.
La reserva actuarial apropiada puede expresarse como:
Este cálculo debe complementarse con:
- tiempo de resolución;
- pagos parciales;
- reaperturas;
- restricciones regulatorias;
- reconciliación con obligaciones conocidas;
- validación histórica.
La metodología más robusta combina:
- modelos de clasificación;
- modelos de proporción;
- supervivencia;
- modelos multiestado;
- benchmarks agregados;
- pisos regulatorios.
Un porcentaje global puede ser útil como control, pero no debe sustituir un análisis causal y transaccional cuando existe información suficiente.
Referencias normativas¶
- Ministerio de Salud y Protección Social. Resolución 2284 de 2023.
- Ministerio de Salud y Protección Social. Resolución 1885 de 2024.
- Ministerio de Salud y Protección Social. Resolución 948 de 2026.
- Ministerio de Salud y Protección Social. Manual Único de Devoluciones, Glosas y Respuestas.
- Decreto 780 de 2016 y sus modificaciones.
- Superintendencia Nacional de Salud. Circular Única y sus modificaciones.
- Normas vigentes sobre reservas técnicas, obligaciones conocidas y glosas.
Referencias técnicas¶
- Aalen, O., Borgan, Ø. y Gjessing, H. Survival and Event History Analysis.
- Andersen, P. et al. Statistical Models Based on Counting Processes.
- Klein, J. y Moeschberger, M. Survival Analysis.
- McCullagh, P. y Nelder, J. Generalized Linear Models.
- Gelman, A. et al. Bayesian Data Analysis.
- Wüthrich, M. y Merz, M. Stochastic Claims Reserving Methods in Insurance.
