MHK: агентный оркестратор для медицинских документов сократил ручную проверку на 90%

Задача

MHK — компания группы Hearst Health, которая даёт медицинским страховым планам в США решения для управления помощью и издержками. Её система охватывает весь путь решения: от запроса врача на услугу до окончательного решения, включая предварительное согласование, оплату заявок, апелляции и аптечные льготы.

Каждый процесс требует разбирать неструктурированные документы — клинические заметки, лабораторные результаты, заключения по снимкам, многостраничные факсы — и сверять их со структурированными критериями политики страхового плана. Менеджеры по случаям тратили 5–10 минут на каждый входящий документ, а медицинские директора — ещё больше на сложные случаи. При этом строить отдельную ИИ-систему под каждый процесс было нереально: у каждой своя сборка, своя проверка соответствия требованиям, свои средства защиты и мониторинг. Разработка нового ИИ-процесса занимала три–шесть месяцев.

Что сделали

MHK построила SmartProminence AI Orchestrator — единый многоарендный каркас, в котором разные ИИ-процессы запускаются настройкой. Достаточно описать подсказки, схемы входа и выхода и зарегистрировать агента, а всё остальное берёт на себя платформа: соответствие требованиям HIPAA, шифрование, журнал аудита, масштабирование и оркестрация.

Архитектура построена на схеме «контроллер — агенты». Контроллер рабочего процесса определяет, что и в каком порядке нужно сделать, а агенты на языковых моделях выполняют отдельные шаги. Благодаря этому агенты масштабируются независимо от логики процесса, а сам процесс остаётся единственным источником истины.

Как это устроено

Модели вызываются через облачную платформу Amazon Bedrock, и только для самих запросов к модели. Оркестрацию, поиск и проверку MHK написала сама, потому что в здравоохранении нужны собственные средства контроля: пошаговые графы выполнения, поиск клинических документов в привязке к делу и проверки по правилам HIPAA сверх общих средств защиты. Такая схема оставляет платформе доступ к моделям, а контроль над процессом и соблюдением требований — за MHK. Выбор лучшей модели на каждый шаг не требует отдельных интеграций.

Каждый агент выполняет стандартный конвейер: привязка входов, при необходимости обработка изображений для сканов, сборка подсказки с контекстом, вызов модели и обработка результата. Ответы проверяются по ожидаемой схеме, сверяются с исходными документами для выявления выдумок и отклоняются, если уверенность низкая. Все входы и выходы логируются, а у каждого клиента свой ключ шифрования. Тексты запросов и ответов в журнал не пишутся, только счётчики токенов и хэши.

Цифры

• ●на 90% меньше ручной проверки: на приём документа уходит менее минуты вместо 5–10 минут вручную, с проверкой человеком
• ●сложный случай для медицинского директора: вместо часов поиска по документам — решение «одобрить или отклонить» за 30 секунд по готовой структурированной сводке
• ●новые ИИ-функции выходят примерно за две недели вместо полного цикла разработки в три–шесть месяцев (на 85% быстрее)
• ●один HIPAA- и SOC 2-аттестат оркестратора охватывает всех агентов, поэтому каждую новую функцию не нужно аттестовать отдельно

Что повторить у себя

1. Не строите отдельную ИИ-систему под каждый процесс: сделайте общий оркестратор, где процессы описываются настройкой.
2. Отделяйте логику процесса от шагов, которые выполняет модель: тогда их можно масштабировать и проверять по отдельности.
3. Выносите защиту данных и соответствие требованиям на уровень платформы. Тогда каждый новый агент наследует контроль автоматически.
4. Проверяйте ответы модели по схеме и по исходным документам, а при низкой уверенности отклоняйте.
5. Оставляйте решение за человеком: агент собирает доказательства, врач одобряет или отклоняет.