Sundhedsvæsen
League lancerer AI-agenter til sundhedssektoren med sikkerhedsforanstaltninger

NøglepunkterLeague begrænser agentens svar til godkendt viden i stedet for modellens generelle…
Vis mere
- League begrænser agentens svar til godkendt viden i stedet for modellens generelle viden.
- Agenter skal bestå syntetiske patientevalueringer før frigivelse og bagefter føre en revisionsjournal.
- Leagues eskaleringsmodel opnåede 99,72 % nøjagtighed mod 95,36 % for Gemini 3.5 Flash Lite.
League annoncerede den 16. november 2026, at AI Front Door til betalere og AI Care Companion til behandlere nu er generelt tilgængelige på virksomhedens Forge-platform med en oplyst implementeringstid på helt ned til 12 uger. Begge produkter kombinerer agenter, der henvender sig til medlemmer eller patienter, med sikkerhedsforanstaltninger og mulighed for at eskalere sager til mennesker.
League oplyser, at produkterne bygger på indsigter fra mere end 1,8 milliarder reelle interaktioner i sundhedssektoren. De videreudvikler Forge-platformen, der blev introduceret den 21. juli 2026, og som indeholder værktøjer til at forbinde agenter med tilladte data, fastsætte sikkerhedsrammer og regler for eskalering, teste agenterne med syntetiske befolkningsgrupper og overvåge gennemførelser, eskaleringer og nøjagtighed for hvert anvendelsesområde. Den tidligere lancering leverede systemet til opbygning og styring; de nye produkter anvender det i almindelige arbejdsgange hos betalere og behandlere.
Forskellige arbejdsgange for betalere og behandlere
AI Front Door samler hjælp til at finde rundt i ydelser, finde behandling, følge op på manglende behandling og sundhedscoaching i én indgang, der er tilgængelig via chat, sms eller widgets i appen. Svar om ydelser, dækning og berettigelse bygger på planens godkendte materiale. Funktionen til at finde behandling matcher medlemmer med udbydere eller ydelser inden for netværket efter planens regler. League angiver færre opkald til kundecentre og færre besøg hos udbydere uden for netværket som ønskede resultater, ikke som målte resultater hos kunder.
AI Care Companion støtter patienter mellem besøg, derhjemme og uden for åbningstid i samarbejde med behandlings- og kliniske teams. Sundhedssystemer vælger en indledende patientgruppe, f.eks. personer, der håndterer kroniske sygdomme eller er ved at komme sig efter en operation, og League tilpasser arbejdsgangene til denne gruppe. De kan omfatte tidsbestilling og påmindelser, proaktive opfølgninger på symptomer, svar på spørgsmål om medicin eller behandling baseret på godkendte planer eller behandlingsforløb samt viderestilling efter protokoller til specialister eller vagthold. Udpegede omsorgspersoner kan handle på en patients vegne, og deres svar mærkes særskilt fra patientens egne. De ønskede resultater er bedre efterlevelse af behandlingsplaner og færre forebyggelige besøg på akutmodtagelser, opkald uden for åbningstid og udeblivelser fra opfølgninger.
Sikkerhedsforanstaltninger og mulighed for revision
Begge produkter begrænser agenternes svar til de leverede, godkendte oplysninger i stedet for modellens generelle viden. Sikkerhedsrammerne screener begrænsede oplysninger, før de når modellen, og forbyder svar, før de når medlemmer eller patienter. Inden lancering skal agenterne bestå evalueringer med syntetiske patientsituationer, randtilfælde og guldstandarddatasæt, der fungerer som facitlister udarbejdet af eksperter. Efter lanceringen omfatter foranstaltningerne registrering af afvigelser, fornyet validering af ændringer og en revisionslog for hver interaktion. Når en sag eskaleres, modtager det team, der overtager den, samtalehistorikken og den relevante kontekst.
På tværs af platformen beskriver Leagues tillidscenter agentdrift med skrivebeskyttet adgang og streng isolering af sessioner, registrering i realtid af akutte problemer og klinisk misinformation, sporbarhed af kilder og logning, når sikkerhedsrammer aktiveres. Kunder kan fastsætte regler for eskalering og følsomhedsgrænser inden for faste sikkerhedsrammer. Beskyttede sundhedsoplysninger udelukkes fra træningsforløb, mens syntetiske data og anonymiseringsteknikker anvendes til træning af modeller.
Disse foranstaltninger stemmer overens med de prioriteringer, der fremgår af en undersøgelse foretaget af League og Healthcare Dive blandt 150 ledere i sundhedssektoren. I undersøgelsen havde 61 % indført agentbaseret AI, og 70 % af denne gruppe brugte teknologien i applikationer rettet mod medlemmer eller patienter, men kun 16 % havde opnået bred udrulning. De vigtigste krav for at kunne lancere med tillid var indbygget overholdelse af sundhedsregler med 49 %, automatisk eskalering til en person med 48 % og styring af agenters tale eller handlinger under drift med 46 %.
Modelvurderinger målrettet sundhedssektoren
League oplyser, at virksomhedens hybride arkitektur kombinerer finjusterede beslutningsmodeller og små sprogmodeller med store sprogmodeller til generelle formål med det formål at forbedre nøjagtigheden, reducere svartiden og sænke driftsomkostningerne. En komponent, modellen til sikkerhedskritisk eskalering, identificerer beskeder fra medlemmer og patienter, der kræver menneskelig hjælp.
I interne evalueringer hos League Labs opnåede denne model en nøjagtighed på 99,72 % med en svartid på 0,374 sekunder sammenlignet med en nøjagtighed på 95,36 % og 1,121 sekunder for Gemini 3.5 Flash Lite.
League oplyser også, at virksomhedens Synthetic Question Generator, som forudser sandsynlige spørgsmål om en brugers sundhedsdata, genererede 2,2 gange så mange spørgsmål, der blev besvaret tilstrækkeligt eller bedre, og gav 11 % bedre dækning end Gemini 3.5 Flash. Ved at tilføje Semantic Expansion, som omskriver lange, tvetydige eller forkortelsestunge spørgsmål før søgningen, blev der genereret 3,9 gange så mange spørgsmål, der blev besvaret tilstrækkeligt eller bedre, og dækningen blev 42 % bedre end med Gemini 3.5 Flash, med en ekstra svartid på cirka 430 millisekunder pr. anmodning. League definerer målet for besvarelser som tilfælde, hvor de hentede sundhedsdata er tilstrækkeligt relevante og fuldstændige til at kunne besvare spørgsmålet rimeligt godt eller bedre; dækning er, hvor stor en del af de nødvendige oplysninger der findes.
For sundhedsorganisationer er lanceringens praktiske betydning, at tilsynet er indbygget i selve interaktionen: Agenterne kan begrænses til godkendt materiale, testes inden lancering, overdrages med den nødvendige kontekst og gennemgås via et revisionsspor på interaktionsniveau. Denne driftsmodel imødekommer direkte de sikkerhedsforanstaltninger, som ledere sagde, at de ønskede på plads, før de udvidede brugen af AI rettet mod medlemmer og patienter.












