أوسكار هيلث: توثيق أسرع بـ 40% تقريباً، وتسوية متطلبات الدعاوى بـ 50% أسرع، وأول BAA مع OpenAI

• Oscar brings AI to health insurance, reducing costs and improving patient care — OpenAI (customer story), 2024-04-01
• Oscar Claim Assistant Built On GPT-4 (Skeleton Trace, итеративные запросы, 100%/80% точности по категориям) — Oscar Tech (Medium, инженерный блог), 2023-10-19
• Harnessing OpenAI to Enhance the Healthcare Experience (документация <12 минут против 20+) — Oscar Health (корпоративный блог), n/a

السياق

أوسكار هيلث هي شركة أمريكية متخصصة في تكنولوجيا التأمين الصحي تبني التغطية حول البيانات والتكنولوجيا. يشرح ماريو شلوسر، المؤسس المشارك والرئيس التقني (CTO)، لماذا أصبحت نماذج اللغة نقطة التحول في الشركة: 'نماذج اللغة كانت المرة الأولى التي فكرنا فيها أنه يمكنك تحويل فوضى العالم الحقيقي إلى خطة رقمية واضحة'. بالنسبة لشركة تأمين، هذا ليس مجرد استعارة — فإن كل أعمالها تتكون من نصوص غير منظمة: السجلات الطبية، العقود، سجلات معالجة الدعاوى، والمراسلات مع الأطباء.

قرارات مؤسسية اثنتان تميز أوسكار عن معظم اللاعبين الآخرين. أولاً — انضباط اختيار النموذج: 'نقوم بقياس جميع النماذج الرئيسية على أساس منتظم، باستخدام مجموعات بيانات ملكية لحالات استخدام خاصة بالرعاية الصحية'، كما تقول نيخيتا لوثرا، مدير المنتج الأول وقائد البحث والتطوير في الذكاء الاصطناعي. 'نماذج OpenAI تحقق أداءً أفضل باستمرار'. ثانياً — البناء القانوني: أصبحت أوسكار أول شركة تأمين توقع اتفاقية مشارك الأعمال (BAA) مع OpenAI — العقد الإلزامي بموجب HIPAA الذي يسمح لخدمة طرف ثالث بمعالجة معلومات صحية محمية. 'كانت OpenAI شريكة رائعة للتأكد من أن البيانات تُستخدم بطريقة مسؤولة وملتزمة حقاً'، كما تلاحظ لوثرا.

الشركة غير عادية في انفتاحها على صناعتها: ينشر فريق الهندسة عمليات تعمق تقنية لأنظمة الذكاء الاصطناعي الخاصة بها في مدونة Oscar Tech على Medium (بما في ذلك منشور مفصل عن معمارية مساعد الدعاوى، أكتوبر 2023)، والنتائج في المدونة الشركة. تم تجميع هذه الحالة من ثلاث مصادر أساسية من هذا القبيل: دراسة الحالة من OpenAI (أبريل 2024)، وكتابة الهندسة، والمدونة الشركة — فرصة نادرة في الذكاء الاصطناعي للرعاية الصحية للتحقق من طبقات التسويق والتقنية لقصة واحدة.

المشكلة

النفقات الإدارية هي أحد المحركات الرئيسية للتكاليف في الرعاية الصحية الأمريكية. توثيق محادثة واحدة بين مريض والفريق الطبي يستغرق من الإنسان أكثر من 20 دقيقة؛ في نطاق شركة التأمين، هذا آلاف الساعات السريرية تُقضى في كتابة النصوص، وهو عامل مباشر لإرهاق الممرضات والأطباء.

فهم 'القصة الحياتية' للدعوى التأمينية أصعب بكثير. ملايين المتغيرات التعاقدية تشارك في المعالجة، وكل دعوى تترك وراءها Claim Trace — سجل تفصيلي لجميع القرارات التي اتخذتها النظام على طول رحلتها. عندما يسأل الطبيب عن دعوى ('لماذا تم رفضها؟'، 'لماذا هذا المبلغ؟')، يجب على فرق أوسكار أن تمشي عبر تلك السجلات يدويًا — عمل بطيء ومكلف يتطلب خبرة نادرة متزامنة في الطب والعقود والأنظمة الداخلية.

الطبقة الثالثة هي السجلات الطبية. تُكتب بلغة طبيعية غير منظمة، وبالنسبة للمرضى الذين يعانون من الحالات الأكثر تعقيداً، قد تصل إلى 500 صفحة: إن العثور على الحقيقة ذات الصلة مشكلة البحث عن إبرة في كومة قش. هنا يختفي الانحياز النظامي الذي تتحدث عنه لوثرا: كلما كان الشخص أكثر مرضاً، كان سجله أطول وأكثر ثقلاً — وأسوأ خدمة يقدمها النظام لأولئك الذين يحتاجون إلى المساعدة أكثر من غيرهم.

فوق كل شيء يجلس الإطار التنظيمي: HIPAA. أي حل يرسل بيانات طبية إلى نموذج طرف ثالث ببساطة غير قانوني بدون بناء BAA — المرشح الأول الذي يقتل معظم 'التجارب السريعة' في الرعاية الصحية الأمريكية.

الحل

على API من OpenAI، قامت الشركة بأتمتة ثلاث حلقات، لكل منها مصدر أساسي خلفها.

الحلقة الأولى — التوثيق السريري: مسودات التوثيق الخاص بمحادثات الرعاية واستعراضات نتائج الاختبارات. انخفض الوقت بنسبة تقريباً 40% — وفقاً لمدونة الشركة، يمكن الآن توثيق محادثة واحدة في أقل من 12 دقيقة مقابل 20+ دقيقة لشخص بشري؛ ينتقل الممرضات والعاملون في المجال الطبي إلى مهام أعلى رتبة.

الحلقة الثانية — مساعد الدعاوى، الذي يمثل تاريخه الهندسي عبرة (Oscar Tech، أكتوبر 2023؛ المؤلفون Benjamin Baker و Evan Poe و Nazem Aldroubi). اقتربت الطريقة الساذجة — 'إدخال GPT-4 كل Claim Trace' — من حدود السياق؛ إزالة البيانات الوسيطة ساعدت، لكن النموذج تاه في الحالات المعقدة. كان الحل الفعال هو بنية Skeleton Trace — 'جدول محتويات' للـ trace يُظهر فقط التسلسل الهرمي لتنفيذ الوحدات بدون قيم: ينظر النموذج إلى الهيكل العظمي، ويقرر أي جزء من الـ trace يطلبه، ويحفر تكراراً نحو الإجابة؛ يقيّم النظام ثقة النموذج ويسحب بيانات إضافية في حالة الشك. النتائج حسب فئة المهمة: من دقة 100% في عدة فئات أسئلة إلى 80% في الأصعب. في الممارسة العملية، قلل المساعد وقت تسوية المتطلبات لفريق الدعاوى بنسبة 50%، بدقة مماثلة أو أفضل من وكلاء بشريين؛ كانت الشركة تتوقع أتمتة التحقيق من 4000 تذكرة على الأقل شهرياً (48000 بنهاية السنة).

الحلقة الثالثة — السجلات الطبية: البحث عن معلومات ذات صلة لتسريع استعراض الدعاوى، وتلخيص السجلات السابقة لتحضير مقدم الخدمة للتقاء، واستخراج البيانات عبر عدة سجلات للأسئلة مثل 'أي من هؤلاء المرضى المصابين بالسكري سيكون مناسباً لمراقبة الجلوكوز المستمرة'.

هناك أيضاً حلقة رابعة، ثقافية — 'عجلة المعرفة': تنشر أوسكار عمداً نتائج الذكاء الاصطناعي التوليدية الخاصة بها على مدونتها ووسائل التواصل الاجتماعي. منطق شلوسر عملي: 'الناس جميعاً يتعاملون مع نفس المشاكل في الرعاية الصحية. إذا حللنا مشكلة أولاً، يجب أن نخبر الآخرين بها — سيخبروننا بما حلوه هم أيضاً، وهذه طريقة رائعة لجعل العجلة تدور.' والطموح المذكور يتجاوز الروتين الإداري: 'لا نريد فقط أن نقضم حواف تبسيط حالات الاستخدام الإدارية. في السنوات الثلاث إلى الخمس القادمة، نحتاج إلى تقليل تكلفة الكشف الطبي والبقاء في المستشفى بمعامل 10. الطريقة الوحيدة للقيام بذلك هي وجود نموذج في المقدمة — ليس فقط الكتابة، بل الدمج في تفاعلات العضو المزود'.

تنظيمياً، يتم تشغيل كل هذا من قبل AI Pod مخصصة — فريق مركزي مُكلف برعاية فرق المنتج وعلم البيانات والعمليات من خلال تطبيق الذكاء الاصطناعي. تبدأ الفلسفة من مشكلة الأعمال، وليس التكنولوجيا: 'أنجح التطبيقات تحدث عندما نكون قادرين على تقسيم مشكلة معقدة جداً إلى مهام صغيرة الحجم'، كما تقول لوثرا، مضيفة تفصيلاً عن الفريق: خمسة من أعضاء الـ AI Pod الستة نساء، جميعهن في العشرينات والثلاثينات من العمر. وأخيراً، تلعب الشركة لعبة طويلة الأمد مع المنظم: معاً مع البيت الأبيض، قادت أوسكار تحالفاً من 37 من أكبر دافعي وموفري الرعاية الصحية على مبادئ الذكاء الاصطناعي المسؤول في الرعاية الصحية. 'أعظم الدروس المستفادة كانت أن المنظمين في الرعاية الصحية يريدون للذكاء الاصطناعي أن ينجح، وهم متحمسون بشكل لا يصدق. الأمر يقع على عاتقنا الحفاظ على تدفق معلومات شفاف للحكومة'، كما يقول شلوسر.

النتيجة

وفقاً لدراسة الحالة من OpenAI (أبريل 2024): انخفض الوقت المستغرق لتوثيق محادثات الرعاية واستعراض نتائج الاختبارات بنسبة تقريباً 40% (وفقاً لمدونة الشركة — من 20+ دقيقة إلى أقل من 12 لكل محادثة)؛ قطع مساعد الدعاوى وقت تسوية المتطلبات بنسبة 50% بدقة مماثلة أو أفضل من وكلاء بشريين؛ التوقع — أتمتة التحقيق من 4000 تذكرة على الأقل شهرياً (48000 بنهاية السنة). أظهرت تجارب البحث والتطوير مكاسب في الإنتاجية تصل إلى 90% في بعض الحالات. تضيف كتابة الهندسة دقة لا توفرها حالات العمل عادة: في السيناريوهات البسيطة تطابقت الآلة الإنسان فوراً، وفي السيناريوهات المعقدة تأخرت في البداية، وبعد إدخال Skeleton Trace وصلت عدة فئات أسئلة إلى دقة 100%، والأصعب — 80%.

الإطار: جميع الأرقام هي تقرير ذاتي من أوسكار في دراسة حالة OpenAI (طرف مهتم)؛ 'يصل إلى 90%' هو نتيجة بحث وتطوير، وليس إنتاج؛ 4000 تذكرة/شهر كان توقعاً وقت النشر، وليس حقيقة مؤكدة؛ قرارات الدفع تبقى مع البشر — يسرع الذكاء الاصطناعي البحث وتحضير المعلومات. الطموح ب 'تقليل تكلفة الكشف الطبي بمعامل 10 في السنوات الثلاث إلى الخمس القادمة' هو إعلان اتجاه من شلوسر، وليس التزاماً بمقياس.

في رأينا، تحمل هذه الحالة درسين نظاميين يتجاوزان التأمين. أولاً: التسلسل 'BAA أولاً، نماذج ثانياً' هو الترتيب الصحيح لأي صناعة منظمة؛ حصلت أوسكار على بداية متقدمة ليس لأنها كانت لديها إمكانية الوصول إلى نماذج مختلفة، بل لأنها كانت الأولى في بناء البناء القانوني الذي يمكن للنماذج أن تلمس فيه البيانات الحقيقية بشرعية. ثانياً: الفجوة بين 40% (إنتاج) و 90% (بحث وتطوير) هي السعر العادل للانتقال من العرض التوضيحي إلى العمليات، والشركات التي تنشر كلا الرقمين مع علامات صريحة تستحق ثقة أكثر من تلك التي تقرر '90% في كل مكان'.

ملاحظة هندسية ثالثة: يُظهر تاريخ مساعد الدعاوى أن العمل الرئيسي لوضع LLMs في الأنظمة القديمة ليس الطلب بل تصميم تمثيل البيانات. فشل GPT-4 حتى تمت إعادة تعبئة الـ traces إلى Skeleton Trace مع استرجاع التفاصيل التكراري — فعلياً، اخترع الفريق لمهمته ما سيصبح لاحقاً النمط agentic-RAG الشائع. سنقرأ هذه الحالة بدقة كدليل على 'تحضير البيانات للنموذج'، وليس كإعلان لـ API معينة.

الدروس المستفادة

1. في الرعاية الصحية يأتي البناء القانوني أولاً: BAA مع OpenAI يفصل مشروعاً قابلاً للتطبيق عن خطر غير مقبول؛ فعلتها أوسكار قبل أي شركة تأمين أخرى وحصلت على بداية متقدمة.
2. قياس النماذج بانتظام على مجموعات بيانات ملكية ('نقيس جميع النماذج الرئيسية على البيانات الملكية') هو البديل الصحيح لاختيار نموذج بناءً على التسويق.
3. فصل البحث والتطوير عن الإنتاج في التقارير: تصنف أوسكار بصراحة 90% كسقف بحثي و ~40% كنتيجة العمل — انضباط نادر وصحيح.
4. العمل الرئيسي لـ LLMs في الأنظمة القديمة هو تمثيل البيانات، وليس الطلبات: فشل GPT-4 على كل Claim Traces حتى تمت إعادة تعبئتها إلى Skeleton Trace مع استرجاع التفاصيل التكراري.
5. تقوم وحدة الذكاء الاصطناعي المركزية المُكلفة برعاية فرق أخرى بتوسيع نطاق الخبرة دون توظيف مهندسي ML في كل قسم، وتقسيم المشاكل الصعبة إلى 'مهام صغيرة الحجم' هو أسلوبها الأساسي.
6. أكبر الانتصارات تختبئ في البيانات الأكثر عدم ملاءمة: سجلات 500 صفحة للمرضى المعقدين تتحول من عائق إلى ميزة — بما في ذلك الحجة المتعلقة بالعدالة.
7. التنظيم الذاتي العام (تحالف من 37 لاعباً مع البيت الأبيض) هو طريقة لتشكيل القواعد المستقبلية بدلاً من الانتظار لها.

الأسئلة الشائعة