«Разбор медкарт занимал больше 100 минут на случай»: EXL и AWS собрали конвейер на SageMaker и Bedrock

Больше 100 минут ручной работы на один случай

Специалисты по урегулированию страховых случаев тратят больше 100 минут на ручной разбор медицинских записей по каждому случаю. Записи при этом неструктурированы, насыщены клинической терминологией и требуют связывать разрозненные данные о состоянии пациента и его изменениях во времени: от записей хиропрактики, диагностических тестов и обращений в приёмные отделения до операционных протоколов, психиатрических оценок и заключений независимой медэкспертизы. Разные специалисты читают одни и те же данные по-разному, а расплата за медленный и неоднородный разбор — задержки урегулирования, ошибки в оценках, рост выплат и повышенное внимание регуляторов.

EXL — поставщик аналитических, ИИ- и цифровых решений, обслуживающий организации из Fortune 500 более 25 лет, — собрал на AWS решение Medical IDP из двух приложений. Первое, Xtrakto.AI, берёт на себя приём, разбиение, классификацию, извлечение, обогащение и постобработку документов. Это IDP-приложение, не зависящее от шаблонов: оно работает на компьютерном зрении, обработке естественного языка и агентных сценариях, поэтому извлекает структурированные данные из разных типов документов без заранее настроенных форм.

Доменную логику отдали отдельной модели

Второй слой — EXL Insurance LLM, отвечающий за доменную интеллектуальную обработку: суммаризацию медкарт, запросы на естественном языке, глубокое рассуждение с трассировкой и структурированную выдачу. Модель дообучена на страховых и медицинских данных и понимает клиническую терминологию, коды ICD и CPT, связи между диагнозом и лечением, а также особенности процессов урегулирования и андеррайтинга.

Дообучение выбрали вместо промптинга: универсальные модели не дают нужной словарной точности и осведомлённости о процессе, тогда как страховым задачам нужны свои форматы суммаризации и работа с несколькими типами тегов для аннотации записей. Обучающие данные собрали из девяти лет страховых операций — более 13 500 записей, включая структурированные базы и неструктурированные медицинские документы. Подготовка включала извлечение текста из сканов через Amazon Textract с сохранением позиционного контекста строк и слов, автоматический классификатор для удаления нерелевантных и плохо отсканированных страниц, деидентификацию по требованиям HIPAA и объединение нескольких тегов со страницы в единые обучающие примеры.

Технически использовалось параметр-эффективное дообучение (PEFT) с низкоранговой адаптацией LoRA на Amazon SageMaker AI: модель адаптируется без изменения всех параметров базовой, что снижает вычислительные затраты при сохранении качества. Обучение шло на много-GPU-конфигурациях с ускорителями NVIDIA, с распараллеливанием данных и модели, фреймворком NVIDIA NeMo для управления обучающим конвейером и в изолированной среде, отделённой от продуктивного инференса.

Как устроен конвейер из 11 шагов

Архитектура описана как поток из 11 шагов и целиком работает внутри одного региона AWS, а внешние приложения подключаются через безопасные API. Приём документов и выдача результатов идут через Amazon API Gateway, аутентификация — через Amazon Cognito, оркестрацию берёт на себя AWS Step Functions, а предобработка (проверка на машиночитаемость, OCR, конвертация типов, генерация эмбеддингов) собрана из Amazon Textract и AWS Lambda. Обогащение опирается на Amazon DynamoDB и Amazon RDS: извлечённые коды сверяются с библиотеками ICD-10, CPT и HCPCS, даты и терминология нормализуются, а несоответствия между полями устраняются. Мониторинг приложений и моделей — на Amazon CloudWatch, а центральное хранилище — Amazon S3.

Amazon SageMaker AI даёт управляемую среду обучения и инференса для доменной модели, а Amazon Bedrock — доступ по требованию к универсальным фундаментальным моделям через единый API, поэтому под каждую задачу можно выбрать подходящую модель, не разворачивая дополнительную инфраструктуру. Оба сервиса работают под контролем доступа AWS IAM, что принципиально для процессов с защищённой медицинской информацией.

Документ проходит семь стадий — от приёма до структурированной выдачи. Около 25–30 % документов содержат рукописный текст, и он тоже требует разной обработки: структурированные формы, полуструктурированные пометки и полностью свободные врачебные заметки. Каждое извлечённое поле получает оценку уверенности от 0 до 100, и поля ниже настраиваемого порога уходят к человеку-валидатору в экран проверки Xtrakto.AI, а его правки со временем улучшают модель. Пользователь выбирает короткую, среднюю или длинную выжимку, а вопросы можно задавать обычным языком; каждый ответ и каждая выжимка ссылаются на конкретный фрагмент исходного документа, что делает выводы проверяемыми.

Что это дало на практике

Внутренние бенчмарки EXL оценивали дообученную модель на тегировании, суммаризации, вопросах и ответах и рассуждениях — автоматическими метриками и слепым ревью трёх отраслевых экспертов. Итог внедрения: разбор медицинских записей сократился с дней до часов, а проверка человеком на критичных этапах сохранила качество и уменьшила сроки.

Отдельный кейс — крупная организация здравоохранения, где медсёстры и координаторы помощи тоже тратили больше 100 минут на случай, собирая данные из электронных медкарт, систем управления помощью, систем урегулирования и сканов. Там развернули единую API-оркестрацию поверх нескольких клинических систем, агентов извлечения для JSON, наборов FHIR и PDF, классификацию лекарств, анамнеза, диагнозов, процедур, анализов и заметок о помощи моделью Insurance LLM на SageMaker AI, автоматическую валидацию по стандартным медицинским кодам и генерацию клинических выжимок с участием человека. В результатах — сокращение ручной работы и времени на случай, снятие операционных узких мест, ускоренный выход на пациентов и рост пропускной способности без расширения штата.

Ответы модели проходят контент-фильтрацию и проверку на привязку к источнику до того, как их увидит специалист, а деидентификация по HIPAA защищает данные пациентов на всём пути. Ключевой принцип EXL формулирует как дополнение, а не замену: ИИ забирает объём и повторяющиеся паттерны, человек оставляет за собой суждение и исключения. Это не первый совместный проект компании с AWS в финансах и страховании — ранее EXL построила на AWS платформу PayMentor для взыскания задолженностей.