Создание безопасного автономного агента для предварительного одобрения

Обзор

В этом учебном пособии мы демонстрируем, как автономная ИИ-система может смоделировать полный рабочий процесс предварительного одобрения в системе управления доходами здравоохранения (RCM). Агент постоянно отслеживает входящие заказы на операции, собирает необходимую клиническую документацию, отправляет запросы к система́м плательщиков, отслеживает их статус и интеллектуально отвечает на отказ через автоматизированный анализ и апелляции.

Основные моменты рабочего процесса

Система действует осторожно и ответственно, передавая на рассмотрение человеческому рецензенту, когда неопределенность превышает заданный порог. Наш дизайн намеренно отражает реальные рабочие процессы, что гарантирует переносимость логики в производственные среды, обеспечивая при этом безопасность и ясность. Эта реализация использует имитированные EHR и порталы плательщиков только для симуляционных целей и не является заменой клиническому суждению или интерпретации политики плательщиков.

Установка окружения выполнения

Мы настраиваем окружение выполнения и устанавливаем минимальные зависимости:

!pip -q install "pydantic>=2.0.0" "httpx>=0.27.0"

Опциональная интеграция OpenAI

Чтобы безопасно использовать OpenAI, мы настраиваем опциональное использование в fail-open режиме:

USE_OPENAI = False
OPENAI_AVAILABLE = False
 
the
....

Модели домена

Мы определяем строго типизированные модели домена, чтобы отразить реальные структуры RCM здравоохранения:

class DocType(str, Enum):
    H_AND_P = "история и физический осмотр"
    ...

Это избегает неоднозначности и снижает количество ошибок в автоматизированном принятии решений.

Симуляция EHR-систем

Система EHR моделирует выдачу заказов на операции:

class MockEHR:
    def seed_data(self, n_orders: int = 5):
        ...

Поведение портала плательщика

Мы также моделируем поведение со стороны плательщика, включая...

class MockPayerPortal:
    def submit(self, pa: PriorAuthRequest) -> PayerResponse:
        ...

Обработка отказов

Агент обрабатывает отказы, анализируя ответы от плательщика:

def handle_denial(self, pa: PriorAuthRequest, payer_ref: str, denial_resp: PayerResponse) -> AgentDecision:
    ...

Заключение

Мы продемонстрировали, как агентный ИИ может смягчить административные трения в здравоохранении, автоматизируя задачи предварительного одобрения, сохраняя при этом человеческий контроль для сложных решений. Эта архитектура согласуется с критической природой безопасности здравоохранения, подчеркивая наблюдаемость и соблюдение норм.