· AI Engineer World's Fair 2026
Могут ли онкологические процессы работать без участия человека?
Can Oncology Workflows Run Without Human Touch? - Anant Shankhdhar, Risa Labs
Часть заявок на prior authorization в онкологии можно вести без участия человека, если сверять решения с несколькими источниками и эскалировать только неуверенные случаи.
- Четыре агента и детерминированный фильтр — отдельные агенты проверяют покрытие, определяют статус авторизации препарата, оценивают медицинскую необходимость и отправляют заявку. Детерминированный движок отсекает заказы, которые не пройдут, ещё до вызова LLM.
- Несколько источников вместо одного — извлечение из заметок пациента подтверждают письма о прошлых авторизациях и SQL-база правил плательщиков. Когда источники совпадают, препарат можно считать уже авторизованным или не требующим авторизации.
- LLM-конфиги для порталов — вместо ручных интеграций для каждого плательщика LLM генерирует конфигурацию RPA из репозитория готовых действий. Цикл самовосстановления в продакшене находит сломавшиеся автоматизации и чинит их.
- Эскалация по уверенности — агент медицинской необходимости отвечает на вопросы по графу биомаркеров пациента с оценкой уверенности. К клиницисту уходят только случаи, где данных не хватает.
Кому полезно: тем, кто строит агентные системы с частичной автоматизацией, где LLM-извлечение недетерминировано, а ошибка стоит дорого.
На какие вопросы отвечает доклад
Как убрать человека из проверки результатов LLM-извлечения, если экстракция недетерминирована?
Добавляется второй независимый источник: письма о прежней авторизации из истории пациента. Где вывод LLM совпадает с этими письмами, статус считается подтверждённым, остальное уходит на ревью.
▶ 6:08Классификация авторизаций, надёжность LLM и подтверждающие записиКак автоматизировать RPA-интеграции со множеством страховых порталов без ручной разработки каждой?
Репозиторий готовых действий и LLM-генерация конфигов порталов сократили время разработки. Self-healing loop находит поломки RPA в продакшене и устраняет их, предотвращая сбои.
▶ 3:52Оркестрация API и RPA с конфигурациями порталов, сгенерированными LLMКак передавать врачу только спорные случаи при проверке медицинской необходимости лекарства?
Агент отвечает на клинические вопросы по заметкам пациента и критериям полиса, опираясь на граф биомаркеров, и ставит оценку уверенности на каждый ответ. Врачу передаются случаи с недостаточной уверенностью.
▶ 8:21База знаний правил плательщиков на SQL и выборочная эскалация клиницистамКак хранить правила покрытия страховых компаний, чтобы агент определял, нужна ли авторизация на лекарство?
База правил плательщиков в SQL собирается из проверок порталов и LLM-извлечения из документов, а также из исторических данных по организациям. Статусы без авторизации и уже одобренной авторизации подтверждаются несколькими источниками.
▶ 8:21База знаний правил плательщиков на SQL и выборочная эскалация клиницистамКак построить мультиагентную систему для prior authorization в онкологии?
Четыре агента отвечают за проверку eligibility, определение типа авторизации, медицинскую необходимость и отправку заявки. Детерминированный движок отсекает заявки, которые не пройдут проверку, до участия LLM.
▶ 2:04Архитектура из четырёх агентов и унифицированный приём данных от плательщиков
Главы
Похожие доклады
ИИ, который приносит доход: уроки управления финансовыми потоками в здравоохранении
AI Engineer World's Fair 2025
Близко по содержанию
Чего не хватает для автоматизации рабочих процессов
AI Engineer Summit 2025
Близко по содержанию
Не испытывайте дефицита данных
AI Engineer World's Fair 2026
Близко по содержанию
Страховые убытки — самая сложная проблема с данными для ИИ
Близко по содержанию
