Aetna（安泰，美国健康保险公司）全新的AI（人工智能）病历审核平台，正帮助这家健康保险公司大幅精简年度病历审核流程，识别诊疗缺失项、提升患者诊疗成效，并节省了数千小时的人工审核时间。

图源：Aetna

Aetna 等公司每年面临的最大挑战之一，是对其记录进行年度HEDIS（医疗保健效果数据与信息集，Healthcare Effectiveness Data and Information Set）审查，以识别诊疗缺口。对于大型全国性医疗支付方而言，这一挑战体量十分庞大。因此，Aetna部署了一个由生成式AI驱动的文档智能处理平台，将人工病历审核工作量缩减65%。

Aetna 首席数字与技术官 Nathan Frank（内森·弗兰克）表示：“我们有一大批优秀的、经过专业培训的医疗编码员，他们每天都在做这项工作。关键在于通过加速流程让他们更轻松。过去可能需要数周或数月才能完成的工作，现在几天就能搞定。”

HEDIS是一套面向管理式医疗行业的绩效衡量标准，由非营利组织NCQA（美国国家质量保障委员会，National Committee for Quality Assurance）开发维护，首个版本于1991年发布。

在HEDIS指标下，Aetna等大型管理式医疗服务提供商每年需审查超过1000万份病历，以识别诊疗缺口。这些缺口包括遗漏或逾期的预防性诊疗或慢性病管理检查，如漏做的癌症筛查、糖尿病患者的血糖检测、眼科检查和免疫接种等。填补这些缺口可以改善患者预后，健康计划的绩效也据此衡量。但处理病历绝非易事。

Frank（弗兰克）解释道：“我们说的是那种空白处写满手写笔记的病历。不仅是结构化数据，还有大量的纸质临床病历文件。”

一、人力数据测算

Frank（弗兰克）表示，行业基准显示，大型保险机构的年度审查流程大约需要5万个工作周，相当于近1000名全职员工。如果完全采用人工流程，50人的审查团队需要20多年才能完成一次年度审查。

于是，AI病历审查平台应运而生。该平台由Aetna开发，利用云服务和生成式AI自动从病历中提取临床相关数据，并根据病历对应的诊疗指标达标概率、临床证据充分度对病历进行优先级排序。

“大语言模型和生成式AI让我们能够训练模型来解读病历，识别高价值编码，并建立关联，”Frank（弗兰克）说。

在大约六个月的时间里，Frank（弗兰克）的团队完成了平台构思，并设计和训练了一个PoC（概念验证，Proof of Concept），该验证能够仅用两周时间处理数百万份病历。因此，AI病历审查平台为Aetna赢得了CIO 100 IT创新奖。

Frank（弗兰克）说：“现在我们已经处理了1400万份文档。我们看到了人工工作量的减少，这些人力正在转向质量控制等其他领域，以确保自动化病历审查按预期运行。”

二、幕后机制

利用生成式AI，该平台自动摄取和分析非结构化病历和临床文档。在这一过程中，它针对特定HEDIS指标，识别并提取临床相关信息，如诊断编码、用药记录、实验室检查结果和就诊文档。基于这些数据，平台根据指标闭合可能性和临床证据强度，生成一组经过优先级排序的病历，然后交由人工审查和验证。

Frank（弗兰克）表示，该平台提高了缺口闭合率（从而提升了星级评分和报销额度），优化了工作流程，并使原本专门从事人工病历审查的团队能够转向更高价值的活动。

Frank（弗兰克）表示，平台建设和推进的速度与成功，很大程度上归功于设计和构建方式的转变。Aetna没有编写冗长详尽的技术规范与业务需求文档，而是组建了一支由工程师和业务专家组成的团队，他们协同工作，采用迭代开发模式落地各项功能。

Frank（弗兰克）说：“这让我们能够更快地推进，让业务专家和我们线上线下协同办公，带来了更好的成果。产品模型、云算力模型和AI治理模型允许我们快速审查，确保在合适的AI管控约束规则下负责任地使用AI。这也缩短产品投产上线周期。”

他补充说，精简团队无需应对繁杂审批流程，是项目快速落地的核心。

他说：“从一开始，你就需要将安全、合规和负责任地使用AI作为核心原则融入设计。从新建项目的角度，我们所做的一切都始于思考：如何实现云原生架构，搭建具备充足算力弹性伸缩能力、高性能的系统，以及如何优化成本。”

他说，最重要的要素是与行业业务领域专家建立良好的关系。

Frank（弗兰克）说：“你可以有出色的产品经理和工程师，但你真正需要的是那位对此充满热情、渴望推动流程转型的业务专家。一旦产品经理、工程师、业务领域专家三类人员协同配合，你会看到类似这样的惊艳成果不断涌现。”