AI як сполучна ланка між клінічними даними, рішенням лікаря та страховим відшкодуванням.

Від клінічного рішення до страхового відшкодування: як AI змінює медичне страхування

Йдеться про визначення обґрунтованості госпіталізації, продовження перебування пацієнта у стаціонарі, проведення дороговартісного лікування, реабілітації та інших медичних послуг. Саме від такого рішення залежить не лише подальше лікування людини, а й те, хто і в якому обсязі його оплачуватиме.

Показовий приклад використання AI у цій сфері представили Tampa General Hospital і компанія Palantir на конференції DevCon. Їхній спільний проєкт дає змогу побачити, як поєднання великих мовних моделей, онтології, детермінованих алгоритмів і професійного контролю людини поступово формує новий клас систем підтримки клінічних та страхових рішень.

Чому традиційні процеси вже не справляються

Медицина одночасно зіткнулася з кількома системними проблемами.

По-перше, постійно зростає вартість лікування, особливо складних операцій, високотехнологічної діагностики, лікарських препаратів та реабілітації. Лікарні, державні програми і страхові компанії змушені ретельніше оцінювати обґрунтованість медичних витрат.

По-друге, медичним закладам бракує персоналу. Лікарі й медичні сестри витрачають дедалі більше часу не на безпосередню роботу з пацієнтом, а на опрацювання документів, заповнення форм та обґрунтування ухвалених рішень.

По-третє, стрімко зростає обсяг інформації про кожного пацієнта. Складна медична карта може містити сотні сторінок: результати аналізів, висновки лікарів, записи медичних сестер, дані діагностичних досліджень, відомості про призначення та реакцію організму на лікування.

Tampa General Hospital є одним із провідних академічних медичних центрів США. До нього направляють пацієнтів із надзвичайно складними захворюваннями, з якими не можуть упоратися інші лікарні. Відповідно, медичні карти таких пацієнтів можуть бути дуже великими та складними для швидкого аналізу.

Іноді рішення про погодження госпіталізації або окремої медичної послуги залежить від одного клінічно важливого факту, захованого глибоко в документації. Це може бути показник лабораторного дослідження, запис медичної сестри або спостереження, яке міститься не в основному висновку лікаря. Людина, яка працює під постійним навантаженням, може просто не знайти цей фрагмент.

Саме тут з’являється можливість для застосування AI.

Що таке utilization review

У США процес оцінювання обґрунтованості використання медичних послуг називають utilization review, або utilization management review.

Медичний директор Tampa General Hospital Девід Зір визначив його як щось середнє між клінічним резюме пацієнта та юридичним обґрунтуванням того, чому людині необхідні певні медичні послуги.

Це визначення дуже точно розкриває природу процесу. Фахівець має не просто переказати історію хвороби, а пов’язати медичні факти з установленими критеріями та довести необхідність конкретного рішення.

Utilization review може визначати:

• чи відповідає стан пацієнта критеріям госпіталізації;
• чи необхідне його подальше перебування у стаціонарі;
• чи є призначене лікування клінічно обґрунтованим;
• чи підлягають медичні послуги оплаті;
• якою буде частка особистих витрат пацієнта;
• чи отримає він після виписки реабілітацію або допомогу вдома;
• чи не буде лікарні відмовлено у відшкодуванні витрат.

Отже, utilization review перебуває на перетині клінічного рішення, медичного адміністрування, фінансування лікарні та страхового покриття.

Для пацієнта від нього залежить доступ до необхідної допомоги. Для лікарні — можливість отримати оплату. Для страхової компанії — підтвердження того, що заявлені витрати відповідають стану пацієнта, умовам договору та встановленим правилам.

За словами представника Tampa General, такі оцінювання проводяться стосовно кожного пацієнта, іноді декілька разів на день. Медичні працівники фактично знову і знову збирають клінічну історію для різних адміністративних і фінансових рішень.

Як побудована система Palantir

Рішення Tampa General і Palantir не можна зводити до використання чатбота, який читає медичну карту та автоматично видає готовий висновок. Це складніша система підтримки рішень, у якій поєднано декілька технологічних компонентів.

Онтологія пацієнта

Звичайного пошуку в базі даних недостатньо, адже інформація про пацієнта складається з взаємопов’язаних подій і фактів.

Онтологія поєднує захворювання, результати аналізів, призначене лікування, реакцію пацієнта, медичні записи, коди оплати та результати надання допомоги. Таким чином створюється не механічна сукупність документів, а цілісна цифрова модель клінічного випадку.

Саме онтологія дозволяє системі простежити зв’язок між станом пацієнта, проведеним лікуванням, критеріями його необхідності та фінансовими наслідками.

Великі мовні моделі та AI-агенти

Великі мовні моделі знаходять релевантні відомості в медичній документації та формують проєкт клінічного резюме. AI-компоненти зіставляють виявлені факти з настановами і критеріями, після чого створюють аргументовану розповідь про те, чому пацієнтові потрібна відповідна медична послуга.

Важливо, що система повинна не просто згенерувати переконливий текст, а відібрати належні клінічні докази. Інакше добре сформульований висновок може виявитися медично необґрунтованим.

Детермінована логіка

Не кожне завдання потребує використання великої мовної моделі. Якщо певне рішення можна отримати за допомогою чітких правил і звичайного алгоритму, застосування генеративного AI стає зайвим.

Тому в архітектурі Palantir мовні моделі поєднуються з детермінованою логікою. Це підвищує передбачуваність системи, полегшує її перевірку та зменшує витрати.

Людина в контурі ухвалення рішення

AI створює запропонований варіант utilization review, але його перевіряє медична сестра або інший уповноважений фахівець. Людина може відредагувати документ, доповнити його, схвалити або відхилити.

Таким чином, AI не замінює професійне медичне рішення, а допомагає швидше зібрати докази та підготувати його обґрунтування. Остаточна відповідальність залишається за людиною.

Економіка AI: коли технологія може поглинути весь ефект

На етапі пілотного проєкту генеративний AI часто справляє враження технологічного дива. Однак після масового розгортання організація отримує рахунок за його промислове використання.

У цьому випадку йдеться не про звичайну щомісячну підписку на ChatGPT, Gemini або Claude. Медична інформаційна система взаємодіє з моделями через програмні інтерфейси — API. Оплата залежить від кількості та обсягу запитів, а також від обраної моделі.

Utilization review потребує оброблення великих масивів тексту. AI має прочитати медичну карту, знайти важливі факти, зіставити їх із критеріями, сформувати доказовий висновок і, за потреби, повторити цю процедуру декілька разів. Якщо такі операції здійснюються для тисяч пацієнтів, кількість платних звернень до моделей швидко зростає.

Девід Зір прямо визнав: на стадії прототипу AI здавався «магією», але після масштабування лікарня зіткнулася з його реальною вартістю.

Palantir оптимізував систему декількома способами:

• замінював дорогу модель дешевшою там, де це не погіршувало результат;
• удосконалював промпти відповідно до конкретного завдання;
• перевіряв різні моделі на реальних клінічних випадках;
• використовував експертне порівняння результатів;
• замінював AI звичайною програмною функцією там, де завдання можна було формалізувати.

В одному з процесів використання Claude Sonnet замінили на GPT-5 Mini. За даними презентації, це дозволило скоротити обчислювальні витрати на 68%. Водночас після експертного порівняння у 90% випадків фахівець Tampa General віддав перевагу оптимізованому варіанту.

В іншому фрагменті системи було встановлено, що у 84% випадків замість великої мовної моделі можна застосувати детерміновану функцію. Це дозволяє усунути сотні тисяч, а потенційно й мільйони платних звернень до AI.

Таким чином, економічно ефективна AI-система — це не система, яка всюди використовує найпотужнішу мовну модель. Це система, яка застосовує LLM лише там, де вона дійсно створює додану цінність.

Якщо вартість масштабного використання комерційних моделей є суттєвою навіть для одного з провідних медичних центрів США, для української лікарні непродумане копіювання такої моделі може виявитися фінансово руйнівним.

Тому впровадження AI має починатися не з придбання доступу до найдорожчої моделі, а з проєктування всього процесу:

• які завдання потребують LLM;
• які рішення можна формалізувати;
• де достатньо звичайної інформаційної системи;
• які дані можна обробляти локально;
• які витрати виникнуть після повного масштабування;
• чи перевищуватиме отриманий економічний ефект вартість експлуатації системи.