تحديات المراجعة الطبية التقليدية

تواجه شركات التأمين تحديات تشغيلية كبيرة عند التعامل مع الملفات الطبية، حيث يقضي المراجعون أكثر من 100 دقيقة لكل حالة في قراءة سجلات قد تمتد لمئات الصفحات. وتعد هذه العملية جوهرية في تقييم المطالبات وتحديد مبالغ التعويض، إلا أنها تتسم بالبطء والاعتماد الكلي على العنصر البشري. وتشير شركة [EXL](https://www.exlservice.com/) إلى أن السجلات الطبية غالباً ما تكون غير مهيكلة، وتتضمن مصطلحات سريرية معقدة تتطلب خبرة طبية عميقة، مما يجعل من الصعب توحيد معايير المراجعة وتقليل احتمالات الخطأ البشري.

تتضمن هذه السجلات أنواعاً متعددة من الوثائق مثل تقارير المختبرات، والملاحظات التشخيصية، وتقييمات الطب النفسي، مما يفرض ضغوطاً هائلة على المراجعين لربط النقاط المتباعدة عبر فترات زمنية طويلة. تؤدي هذه التعقيدات إلى تأخير تسوية المطالبات، وزيادة التكاليف التشغيلية، فضلاً عن التأثير السلبي على تجربة العملاء، وهو ما دفع الشركة إلى تطوير حل جذري عبر [Artificial Intelligence](https://aws.amazon.com/blogs/machine-learning/).

بنية تقنية متكاملة لمعالجة الوثائق

قامت الشركة بتطوير تطبيقين متكاملين ضمن منصة واحدة لضمان سلاسة سير العمل. التطبيق الأول يُعرف بـ Xtrakto.AI، وهو المسؤول عن استيعاب الوثائق، وتصنيفها، واستخراج البيانات منها، حيث يستخدم تقنيات الرؤية الحاسوبية ومعالجة اللغات الطبيعية دون الحاجة لقوالب معدة مسبقاً. أما الجزء الثاني فهو 'EXL Insurance LLM'، وهو نموذج لغوي كبير تم تدريبه خصيصاً على بيانات التأمين والطب، ليفهم بدقة رموز التشخيص والعلاقات المعقدة بين الإجراءات الطبية والنتائج المطلوبة.

تعتمد هذه المنظومة على [Amazon SageMaker AI](https://aws.amazon.com/sagemaker/ai/) الذي يوفر بيئة آمنة وقابلة للتطوير لتدريب النماذج والاستدلال في الوقت الفعلي. تتيح هذه البنية للمؤسسات فصل بيئات التطوير عن بيئات الإنتاج، مع الحفاظ على ضوابط أمنية صارمة تعد ضرورية للتعامل مع معلومات الرعاية الصحية المحمية.

تكامل الذكاء الاصطناعي مع خدمات AWS

تعتمد بنية النظام على سلسلة من الخطوات التقنية المنسقة عبر [AWS Step Functions](https://aws.amazon.com/step-functions/)، حيث تبدأ العملية بـ [Amazon API Gateway](https://aws.amazon.com/api-gateway/) لضمان استلام آمن للبيانات، متبوعاً بعمليات توثيق عبر [Amazon Cognito](https://aws.amazon.com/cognito/). هذا التكامل يضمن تدفقاً سلساً للمعلومات من لحظة استلام الوثيقة الطبية وحتى تسليم النتائج النهائية للمراجعين.

أما المعالجة الأولية فتتم باستخدام [Amazon Textract](https://aws.amazon.com/textract/) و[AWS Lambda](https://aws.amazon.com/lambda/) لإجراء فحوصات المقروئية والتحويل إلى صيغ رقمية، بينما تُستخدم [Amazon DynamoDB](https://aws.amazon.com/dynamodb/) لإثراء البيانات بالمعلومات المرجعية اللازمة. يكمل [Amazon Bedrock](https://aws.amazon.com/bedrock/) هذه العملية عبر توفير وصول فوري لنماذج أساسية عامة تغطي مهام الاستدلال اللغوي العريض، مما يسمح للشركة بتطبيق النموذج الأنسب لكل مهمة محددة.

التفوق التخصصي في نماذج التأمين

ما يميز هذا الحل هو خروج الشركة عن الاعتماد التقليدي على النماذج اللغوية العامة. فبناء نموذج مخصص على Amazon SageMaker AI سمح بدمج خبرات تراكمية تعود لتسعة أعوام من العمليات التأمينية. هذا النموذج لا يكتفي بفهم اللغة، بل يدرك الأنماط المنطقية اللازمة لتحديد الأضرار الاقتصادية وغير الاقتصادية، وتوفير إرشادات التفاوض، وهو مستوى من التكيف في النطاق التخصصي يصعب على النماذج العامة تحقيقه بمفرده عبر التلقين أو الأوامر العادية.

المصادر

• AWS Machine Learning BlogReducing medical claims review time with AI on AWS: The EXL Medical IDP solution