На поиск, сверку и сводку по одному случаю уходило более 100 минут
AWS и EXL описывают работу специалистов по страховым выплатам, медсестёр и координаторов медицинской помощи. Им приходилось разбирать пакеты медицинских документов в несколько сотен страниц. В организации из кейса, которая оплачивает медицинские услуги, сотрудники тратили более 100 минут на один случай на поиск и проверку сведений и подготовку сводки по пациенту. Кейс AWS
Данные находились в медкартах, системах координации помощи, страховых заявлениях и сканах. Распознавание текста решало лишь часть задачи: затем специалист сопоставлял диагнозы, процедуры, лекарства, анализы и записи об оказанной помощи. Ему также нужно было сохранить подтверждения для каждого решения. Источник
Семь этапов: от разбора документов до передачи данных с источниками
В Medical IDP входят Xtrakto.AI для обработки документов без фиксированного шаблона и Insurance LLM — языковая модель для страховой отрасли. Система разделяет документы, определяет их тип и извлекает сведения. Затем дополняет данные, готовит сводки и ответы на вопросы со ссылками на источники. Результат передаёт в нужном формате. На вход она принимает в том числе записи FHIR — стандартного формата обмена медицинскими сведениями. Архитектура AWS
У записей врачей и протоколов операций нет единой структуры. Для извлечения сведений из них могут использоваться ИИ-агенты — программы с отдельными задачами. Инструмент LangGraph связывает их работу. Каждому извлечённому значению система присваивает оценку уверенности от 0 до 100 ; если она ниже заданного порога, значение передают человеку для проверки. Источник
Специалисты в первую очередь проверяют сомнительные данные
Порядок проверки зависит от оценки уверенности
Каждому извлечённому значению EXL присваивает оценку уверенности от 0 до 100. Если она ниже установленного порога, поле попадает на экран проверки. Так система показывает специалисту, какие данные нужно проверить в первую очередь. Источник
У каждого ответа есть связь с исходной записью
В сводке или ответе можно перейти к конкретной исходной записи или фрагменту документа. Специалисту не приходится искать подтверждение утверждения ИИ во всём пакете. Источник
Модель обучена на страховых данных
По данным EXL, Insurance LLM обучали и адаптировали с учётом страховых задач. Компания использовала данные за девять лет работы со страховыми заявлениями и более 13 500 записей. Это основа заявленной специализации модели на медицинских и страховых документах. Аналитический доклад EXL
Исправления специалистов помогают улучшать модель
Пользователи могут редактировать сводки и ответы, а также оценивать результат. EXL сообщает, что использует эти исправления для дальнейшего улучшения модели. Источник
EXL заявляет о переходе от дней к часам; у клиента опубликовано только время до внедрения
EXL сообщает, что после внедрения Insurance LLM работа с медицинскими документами, прежде занимавшая дни, стала занимать часы.
По описанию AWS, до автоматизации медсёстры и координаторы медицинской помощи в организации из кейса тратили более 100 минут на один случай.
По данным EXL, при разработке модели использовали более 13 500 записей и данные за девять лет работы со страховыми заявлениями.
Загрузить → Извлечь → Оценить → Проверить → Обобщить → Указать источники → Передать
Документы по случаю → извлечённые факты → оценка уверенности → сводка с источниками → проверка специалистом → обработка страхового заявления.
Комплект договоров → условия и обязательства → отбор сомнительных данных для проверки → выводы с источниками → проверка юристом → обновление системы.
Подтверждающие документы → сведения о выполнении требований → проверки → разбор отклонений → одобрение специалиста → запись с историей для аудита.
Руководства, отчёты и история → факты → оценка уверенности → ответ с подтверждениями → одобрение специалиста → запись в системе обращений.
Специалист получает сводку и отдельно проверяет сомнительные поля
Проверка сосредоточена на сомнительных данных
Данные с высокой оценкой уверенности могут идти дальше автоматически. Поля и случаи, где оценка не достигает заданного порога, попадают к специалистам.
Источник позволяет проверить сведение без повторного поиска
Специалист может сразу сопоставить ответ с исходной записью. Без ссылки ему пришлось бы заново искать подтверждение в документах.
Результат готов для передачи в другие системы
Сводку можно получить в PDF, а данные — в JSON, формате для других программ. Система также подготавливает сведения для поиска и передаёт результаты в рабочие системы через API — программное подключение для обмена данными.
Правки специалистов возвращаются в работу над моделью
Система сохраняет исправления специалистов. По описанию EXL, компания использует эту обратную связь, чтобы улучшать извлечение данных и ответы модели.
Нужно заранее определить, какие результаты требуют проверки
Специалист должен видеть, какие данные вызывают сомнения и где найти подтверждение.
В EXL проверка связана с каждым этапом обработки. По оценке уверенности система выбирает поля для проверки человеком. Ссылки позволяют сверить их с документами, а исправления специалистов сохраняются для дальнейшего улучшения модели.
Этот принцип можно рассмотреть и для других объёмных документов: технических материалов или записей, по которым нужно подтвердить соблюдение требований. Для типовых данных задают автоматическую обработку, а неоднозначные случаи передают специалистам.
Для такого процесса нужны сводки по документам и проверка подтверждающих данных с передачей спорных вопросов ответственному специалисту .
Что выяснить перед настройкой проверки
Какие сведения всегда должны сопровождаться ссылкой на страницу документа или запись в исходной системе?
Какие поля можно обрабатывать автоматически и при какой оценке уверенности нужна проверка специалиста?
Куда нужно передать проверенные сведения: в сводку, рабочую систему, список задач или другой сервис?
Как сохранять исправления специалистов и использовать их при улучшении системы?
ИИ для обработки документов и поиска информации
Команде приходится заново искать подтверждения в каждом документе?
Расскажите, какие документы проверяет команда и какие решения принимает по ним. Вместе разберём, где сотрудники ищут подтверждения. Определим, какие сведения может подготовить ИИ, как показать их источники и какие поля передавать человеку для проверки.
Это независимый разбор команды M2B2 по статье AWS о решении EXL Medical IDP от 21 сентября 2026 года и дополнительным материалам EXL. Команда M2B2 не участвовала во внедрении. Название организации, оплачивающей медицинские услуги, не раскрыто. Статью AWS подготовили представители AWS и EXL. Показатели эффективности и сведения об обучении модели приведены по их данным; команда M2B2 не проверяла их независимо. Для организации из кейса опубликовано только исходное время — более 100 минут на один случай. Точное время после внедрения не указано.