Здравоохранение
League запускает ИИ-агентов для здравоохранения с мерами безопасности

Ключевые моментыLeague ограничивает ответы агента утверждёнными знаниями, а не общими знаниями модели.
Показать больше
- League ограничивает ответы агента утверждёнными знаниями, а не общими знаниями модели.
- Агенты должны пройти оценку на синтетических пациентах перед выпуском и после этого вести аудиторскую запись.
- Модель эскалации League достигла точности 99,72% против 95,36% у Gemini 3.5 Flash Lite.
16 ноября 2026 года League объявила, что AI Front Door для плательщиков и AI Care Companion для поставщиков медицинских услуг стали доступны на платформе Forge. Заявленный срок внедрения составляет всего 12 недель. Оба продукта объединяют агентов, взаимодействующих с участниками планов медицинского страхования или пациентами, с мерами защиты и возможностью эскалации обращения к специалисту.
По словам League, продукты используют данные, полученные в результате более чем 1,8 млрд реальных взаимодействий в сфере здравоохранения. Они развивают платформу Forge, представленную 21 июля 2026 года и предоставляющую инструменты для подключения агентов к разрешённым данным, настройки ограничений и правил эскалации, тестирования на синтетических группах населения, а также мониторинга завершённых взаимодействий, эскалаций и точности для каждого сценария использования. Предыдущий релиз предоставил систему разработки и управления, а новые продукты применяют её в распространённых рабочих процессах плательщиков и поставщиков медицинских услуг.
Разные рабочие процессы для плательщиков и поставщиков медицинских услуг
AI Front Door объединяет помощь в навигации по льготам, поиск медицинской помощи, информирование о пробелах в лечении и рекомендации по здоровью в одной точке доступа через чат, текстовые сообщения или виджеты внутри приложения. Ответы о льготах, страховом покрытии и праве на получение услуг основаны на одобренных планом материалах. Функция поиска медицинской помощи подбирает участникам плана врачей или услуги из сети в соответствии с правилами плана. Среди целевых результатов League указывает снижение нагрузки на кол-центры и сокращение числа обращений к поставщикам услуг вне сети; это целевые показатели, а не измеренные результаты клиентов.
AI Care Companion поддерживает пациентов между визитами, дома и в нерабочее время, работая совместно с медицинскими и клиническими командами. Медицинские организации выбирают начальную группу пациентов, например людей с хроническими заболеваниями или проходящих восстановление после операции, а League настраивает рабочие процессы с учётом потребностей этой группы. Они могут включать запись на приём и напоминания о визитах, проактивные проверки симптомов, ответы на вопросы о лекарствах или лечении на основе утверждённых планов или протоколов, а также маршрутизацию к специалистам или дежурным командам согласно протоколам. Назначенные лица, ухаживающие за пациентом, могут действовать от его имени; их ответы помечаются отдельно от ответов самого пациента. Заявленные целевые результаты — повышение приверженности плану лечения и сокращение числа предотвратимых обращений в отделения неотложной помощи, звонков в нерабочее время и пропущенных контрольных визитов.
Меры безопасности и возможность аудита
Оба продукта ограничивают ответы агентов предоставленными и одобренными сведениями, не позволяя им использовать общие знания модели. Механизмы защиты проверяют информацию ограниченного доступа до её передачи модели, а запрещённые ответы отсекают до того, как они дойдут до участников плана или пациентов. До выпуска агенты должны пройти оценку на синтетических сценариях с пациентами, нестандартных ситуациях и эталонных наборах данных, которые служат ключами ответов, подготовленными экспертами. После выпуска меры контроля включают обнаружение отклонений, повторную проверку изменений и ведение аудиторской записи по каждому взаимодействию. При эскалации обращения принимающая команда получает историю разговора и соответствующий контекст.
На всей платформе League Trust Center описывает работу агентов только на чтение со строгой изоляцией сессий, обнаружение срочных проблем и недостоверной клинической информации в режиме реального времени, отслеживание источников и регистрацию случаев срабатывания механизмов защиты. Клиенты могут настраивать правила эскалации и пороговые значения чувствительности в установленных пределах безопасности. Защищённая медицинская информация исключена из конвейеров обучения, а для обучения моделей используются синтетические данные и методы обезличивания.
Эти меры соответствуют приоритетам, выявленным в опросе League и Healthcare Dive, в котором приняли участие 150 руководителей организаций здравоохранения. Согласно опросу, 61% респондентов внедрили агентный ИИ, а 70% из этой группы использовали его в приложениях для взаимодействия с участниками планов или пациентами; при этом широкого внедрения достигли лишь 16%. Главными условиями уверенного запуска были встроенное соответствие требованиям здравоохранения — 49%, автоматическая эскалация обращения к человеку — 48% и контроль речи или действий агентов во время работы — 46%.
Оценка моделей с учётом специфики здравоохранения
По словам League, её гибридная архитектура объединяет дообученные модели принятия решений и малые языковые модели с универсальными большими языковыми моделями, чтобы повысить точность, сократить задержки и снизить эксплуатационные расходы. Один из компонентов — модель эскалации для критически важных с точки зрения безопасности случаев — выявляет сообщения участников планов и пациентов, требующие помощи специалиста.
Во внутренних испытаниях League Labs эта модель показала точность 99,72% при задержке 0,374 секунды. Для сравнения: Gemini 3.5 Flash Lite показала точность 95,36% при задержке 1,121 секунды.
League также сообщает, что её инструмент Synthetic Question Generator, который прогнозирует вероятные вопросы о медицинских данных пользователя, позволил получить в 2,2 раза больше ответов, оценённых как приемлемые или лучше, и повысить полноту охвата на 11% по сравнению с Gemini 3.5 Flash. Добавление Semantic Expansion, инструмента, который перед поиском переформулирует длинные, неоднозначные вопросы и вопросы с большим количеством сокращений, позволило получить в 3,9 раза больше ответов, оценённых как приемлемые или лучше, и повысить полноту охвата на 42% по сравнению с Gemini 3.5 Flash; задержка при этом увеличилась примерно на 430 миллисекунд на запрос. League определяет показатель качества ответа как долю случаев, в которых найденные медицинские данные достаточно релевантны и полны, чтобы дать достаточно хороший или лучший ответ; полнота охвата показывает, какая часть необходимой информации найдена.
Для медицинских организаций практическая значимость этого запуска заключается в том, что контроль встроен непосредственно во взаимодействие: работу агентов можно ограничить одобренными материалами, протестировать до запуска, передавать другому специалисту вместе с контекстом и проверять по журналу аудита каждого взаимодействия. Такая модель работы напрямую отвечает требованиям к мерам защиты, которые, по словам руководителей, необходимо было выполнить до расширения применения ИИ для взаимодействия с участниками программ медицинского обслуживания и пациентами.












