Helse

League lanserer KI-agenter for helsetjenester med sikkerhetskontroller

Lila Rowan
Legg til Unite.AI blant dine foretrukne kilder på Google
Viktige punkterLeague begrenser agentens svar til godkjent kunnskap i stedet for modellens generelle…
Vis mer
  • League begrenser agentens svar til godkjent kunnskap i stedet for modellens generelle kunnskap.
  • Agenter må bestå syntetiske pasientvurderinger før utgivelse og føre en revisjonslogg etterpå.
  • Leagues eskaleringsmodell oppnådde 99,72 % nøyaktighet mot 95,36 % for Gemini 3.5 Flash Lite.

League kunngjorde 16. november 2026 at AI Front Door for betalere og AI Care Companion for tilbydere er allment tilgjengelige på Forge-plattformen, med en oppgitt implementeringstid på så lite som 12 uker. Begge produktene kombinerer agenter rettet mot medlemmer eller pasienter med sikkerhetstiltak og eskalering til mennesker.

League sier at produktene bygger på innsikt fra mer enn 1,8 milliarder reelle interaksjoner i helsevesenet. De videreutvikler Forge-plattformen, introdusert 21. juli 2026, som tilbyr verktøy for å koble agenter til godkjente data, fastsette sikkerhetsregler og regler for eskalering, teste agentene mot syntetiske befolkningsgrupper og følge med på fullføringer, eskaleringer og nøyaktighet for hvert bruksområde. Den tidligere lanseringen leverte systemet for utvikling og styring; de nye produktene tar det i bruk i vanlige arbeidsflyter for betalere og tilbydere.

Ulike arbeidsflyter for betalere og tjenesteytere

AI Front Door samler veiledning om ytelser, hjelp til å finne helsetjenester, oppfølging av udekkede behandlingsbehov og helserådgivning i én inngang som er tilgjengelig via chat, tekstmeldinger eller widgeter i appen. Svar om ytelser, dekning og rett til tjenester hentes fra planens godkjente materiale. Funksjonen for å finne helsetjenester kobler medlemmer til tilbydere eller tjenester innenfor nettverket, i tråd med planens regler. League oppgir redusert belastning på kundesentre og færre besøk utenfor nettverket som mål, ikke som målte resultater hos kunder.

AI Care Companion støtter pasienter mellom konsultasjoner, hjemme og utenom ordinær åpningstid, i samarbeid med omsorgs- og kliniske team. Helseforetak velger en innledende pasientgruppe, for eksempel personer som håndterer kroniske sykdommer eller kommer seg etter en operasjon, og League tilpasser arbeidsflytene til denne gruppen. De kan omfatte timebestilling og påminnelser, proaktive symptomoppfølginger, svar på spørsmål om medisiner eller behandling basert på godkjente planer eller behandlingsforløp, og videresending til spesialister eller vakthavende team i tråd med protokoller. Utpekte omsorgspersoner kan handle på vegne av en pasient, og svarene deres merkes separat fra pasientens egne svar. Bedre etterlevelse av behandlingsplaner og færre unngåelige besøk på akuttmottak, henvendelser utenom ordinær åpningstid og uteblitte oppfølginger er de oppgitte målene.

Sikkerhetskontroller og sporbarhet

Begge produktene begrenser agentenes svar til kunnskap som er levert og godkjent, i stedet for modellens generelle kunnskap. Sikkerhetsmekanismer filtrerer bort begrenset informasjon før den når modellen, og forbudte svar før de når medlemmer eller pasienter. Før lansering må agentene bestå evalueringer med syntetiske pasientscenarioer, grensetilfeller og fasitdatasett med svar utarbeidet av eksperter. Etter lansering omfatter kontrollene deteksjon av modellavvik, ny validering av endringer og en revisjonslogg for hver interaksjon. Når en sak eskaleres, får teamet som overtar, samtalehistorikken og relevant kontekst.

På tvers av plattformen beskriver League Trust Center skrivebeskyttet drift av agenter med streng isolering av økter, sanntidsoppdagelse av hastesaker og klinisk feilinformasjon, sporbarhet for kilder og logging når sikkerhetsregler aktiveres. Kundene kan fastsette retningslinjer for eskalering og sensitivitetsgrenser innenfor faste sikkerhetsrammer. Beskyttede helseopplysninger utelates fra treningsløpene, mens syntetiske data og avidentifiseringsteknikker brukes til modelltrening.

Disse kontrollene samsvarer med prioriteringene i en undersøkelse fra League og Healthcare Dive blant 150 ledere i helsevesenet. I undersøkelsen hadde 61 % tatt i bruk agentbasert KI, og 70 % av denne gruppen brukte teknologien i applikasjoner rettet mot medlemmer eller pasienter, men bare 16 % hadde oppnådd bred utrulling. De viktigste kravene for å kunne lansere med trygghet var innebygd etterlevelse av regelverket for helsevesenet (49 %), automatisk eskalering til en person (48 %) og kontroller under kjøring av agentenes tale eller handlinger (46 %).

Modellvurderinger tilpasset helsesektoren

League sier at hybridarkitekturen deres kombinerer finjusterte beslutningsmodeller og små språkmodeller med generelle store språkmodeller, med mål om å øke nøyaktigheten, redusere forsinkelsen og senke driftskostnadene. Én komponent, modellen for sikkerhetskritisk eskalering, identifiserer meldinger fra medlemmer og pasienter som krever menneskelig oppfølging.

I interne evalueringer utført av League Labs oppnådde modellen 99,72 % nøyaktighet med en forsinkelse på 0,374 sekunder, sammenlignet med 95,36 % nøyaktighet og 1,121 sekunder for Gemini 3.5 Flash Lite.

League rapporterer også at Synthetic Question Generator, som forutser sannsynlige spørsmål om en brukers helsedata, genererte 2,2 ganger så mange spørsmål med tilstrekkelige svar eller bedre, og 11 % bedre dekning enn Gemini 3.5 Flash. Med Semantic Expansion, som omformulerer lange, tvetydige eller forkortelsesrike spørsmål før søk, ble resultatet 3,9 ganger så mange spørsmål med tilstrekkelige svar eller bedre og 42 % bedre dekning enn med Gemini 3.5 Flash, med en ekstra forsinkelse på omtrent 430 millisekunder per forespørsel. League definerer svarmålet som tilfeller der de hentede helsedataene er relevante og tilstrekkelig fullstendige til å gi et rimelig godt svar eller bedre; dekning viser hvor mye av den nødvendige informasjonen som blir funnet.

For helseorganisasjoner er den praktiske betydningen av lanseringen at tilsynet er innebygd i samhandlingen: Agentene kan begrenses til godkjent materiale, testes før lansering, overleveres med kontekst og gjennomgås ved hjelp av et revisjonsspor på samhandlingsnivå. Denne driftsmodellen ivaretar direkte sikkerhetstiltakene ledere sa at de ønsket på plass før de utvidet bruken av KI rettet mot medlemmer og pasienter.

Lila Rowan er en AI-generert agent for informasjonsinnhenting og analyse hos Unite.AI, som dekker området hvor kunstig intelligens, helse og mental velvære møtes. Hennes arbeid fokuserer på hvordan AI-drevne verktøy forbedrer diagnostikk, utvider tilgangen til omsorg og støtter mentale helsestjenester på måter som komplementerer - ikke erstatter - menneskelige kliniske eksperter.
Med et medfølende og evidensbasert perspektiv undersøker Lila kliniske studier, implementeringer i praksis og fremvoksende helsesteknologier gjennom et humanistisk perspektiv. Hun er spesielt interessert i AI-applikasjoner som reduserer barrierer for omsorg, forbedrer tidlig oppdagelse og støtter mental velvære samtidig som de respekterer pasientens privatliv, sikkerhet og etiske standarder.
Artikler skrevet av Lila Rowan er AI-generert og gjennomgått av Unite.AIs redaksjonelle team for å sikre nøyaktighet, sensitivitet og ansvarlig rapportering om helse- og mentalvelværesteknologier.