Hälso- och sjukvård

League lanserar AI-agenter för vården med säkerhetskontroller

Lila Rowan
Lägg till Unite.AI bland dina föredragna källor på Google
Viktiga punkterLeague begränsar agentens svar till godkänd kunskap i stället för modellens allmänna…
Visa mer
  • League begränsar agentens svar till godkänd kunskap i stället för modellens allmänna kunskap.
  • Agenter måste klara syntetiska patientutvärderingar före lansering och föra en granskningslogg efteråt.
  • Leagues eskaleringsmodell nådde 99,72 % noggrannhet jämfört med 95,36 % för Gemini 3.5 Flash Lite.

League meddelade den 16 november 2026 att AI Front Door för betalare och AI Care Companion för vårdgivare nu är allmänt tillgängliga på företagets Forge-plattform, med en angiven implementeringstid på så kort tid som 12 veckor. Båda produkterna kombinerar agenter som interagerar med medlemmar eller patienter med skyddsåtgärder och möjlighet att eskalera ärenden till människor.

League uppger att produkterna bygger på insikter från mer än 1,8 miljarder verkliga interaktioner inom vården. De vidareutvecklar Forge-plattformen, som introducerades den 21 juli 2026 och erbjuder verktyg för att koppla agenter till tillåtna data, fastställa skyddsräcken och regler för eskalering, testa dem mot syntetiska populationer samt övervaka slutförda ärenden, eskaleringar och noggrannhet för varje användningsfall. Den tidigare lanseringen tillhandahöll systemet för utveckling och styrning; de nya produkterna tillämpar det på vanliga arbetsflöden hos betalare och vårdgivare.

Olika arbetsflöden för betalare och vårdgivare

AI Front Door samlar vägledning om förmåner, hjälp att hitta vård, uppsökande insatser för att täppa till vårdluckor och hälsocoachning i en enda ingång som är tillgänglig via chatt, sms eller widgetar i appen. Svaren om förmåner, försäkringsskydd och behörighet hämtas från planens godkända material. Funktionen för att hitta vård matchar medlemmar med vårdgivare eller tjänster inom nätverket enligt planens regler. League anger minskad belastning på kundtjänsten och färre besök hos vårdgivare utanför nätverket som mål, inte som uppmätta kundresultat.

AI Care Companion ger stöd till patienter mellan besök, i hemmet och utanför ordinarie tider, i samarbete med vård- och kliniska team. Vårdsystem väljer en första målgrupp, till exempel personer som hanterar kroniska sjukdomar eller återhämtar sig efter en operation, och League anpassar arbetsflödena efter den gruppen. De kan omfatta tidsbokning och påminnelser om besök, proaktiva avstämningar av symtom, svar på frågor om läkemedel eller behandling som hämtas från godkända vårdplaner eller vårdprogram samt protokollbaserad vidarekoppling till specialister eller jourteam. Utsedda omsorgspersoner kan agera på patientens vägnar, och deras svar märks upp separat från patientens egna. De uttalade målen är bättre följsamhet till vårdplaner och färre undvikbara besök på akutmottagningar, samtal utanför ordinarie tider och uteblivna uppföljningar.

Säkerhetskontroller och granskningsbarhet

Båda produkterna begränsar agenternas svar till tillhandahållen, godkänd kunskap i stället för modellens allmänna kunskap. Skyddsräcken granskar begränsad information innan den når modellen och förbjudna svar innan de når medlemmar eller patienter. Före lansering måste agenterna klara utvärderingar med syntetiska patientsituationer, gränsfall och referensdatauppsättningar, som fungerar som facit utarbetade av experter. Efter lanseringen omfattar kontrollerna avvikelsedetektering, omvalidering av ändringar och en granskningslogg för varje interaktion. När ett ärende eskaleras får det mottagande teamet samtalshistoriken och relevant bakgrundsinformation.

På plattformsnivå beskriver League Trust Center agentdrift med enbart läsbehörighet och strikt isolering av sessioner, realtidsdetektering av brådskande ärenden och klinisk desinformation, spårbarhet till källor samt loggning när skyddsräcken aktiveras. Kunder kan fastställa regler för eskalering och känslighetströsklar inom fasta säkerhetsgränser. Skyddade hälsouppgifter utesluts från träningsflöden, medan syntetiska data och avidentifieringstekniker används för modellträning.

Dessa kontroller ligger i linje med prioriteringarna i en undersökning från League och Healthcare Dive bland 150 vårdchefer. I undersökningen hade 61 % infört agentbaserad AI, och 70 % av den gruppen använde tekniken i applikationer riktade till medlemmar eller patienter, men endast 16 % hade infört den i stor skala. De viktigaste kraven för att kunna lansera med tillförsikt var inbyggd efterlevnad av vårdregler, 49 %; automatisk eskalering till en människa, 48 %; och kontroller under körning av agenternas yttranden eller handlingar, 46 %.

Modellutvärderingar för vården

League uppger att företagets hybridarkitektur kombinerar finjusterade beslutsmodeller och små språkmodeller med generella stora språkmodeller, i syfte att öka noggrannheten, minska fördröjningen och sänka driftskostnaderna. En komponent, modellen för säkerhetskritisk eskalering, identifierar meddelanden från medlemmar och patienter som kräver mänsklig hjälp.

I Leagues interna utvärderingar uppnådde den modellen en noggrannhet på 99,72 % med en fördröjning på 0,374 sekunder, jämfört med en noggrannhet på 95,36 % och 1,121 sekunder för Gemini 3.5 Flash Lite.

League uppger också att företagets Synthetic Question Generator, som förutsäger sannolika frågor om en användares hälsodata, genererade 2,2 gånger så många frågor som besvarades tillräckligt bra eller bättre och gav 11 % bättre täckning än Gemini 3.5 Flash. När Semantic Expansion lades till – en funktion som skriver om långa, tvetydiga eller förkortningstäta frågor före informationssökningen – besvarades 3,9 gånger så många frågor tillräckligt bra eller bättre och täckningen blev 42 % bättre än med Gemini 3.5 Flash, med en tillkommande fördröjning på cirka 430 millisekunder per begäran. League definierar måttet för besvarande som fall där den hälsodata som hämtats är tillräckligt relevant och fullständig för att ge ett ganska bra svar eller bättre; täckning avser hur stor del av den nödvändiga informationen som hittas.

För vårdorganisationer ligger lanseringens praktiska betydelse i att tillsynen är inbyggd i interaktionen: agenterna kan begränsas till godkänt material, testas före lansering, lämna över ärenden med relevant sammanhang och granskas med hjälp av ett granskningsspår på interaktionsnivå. Den här arbetsmodellen tillgodoser direkt de skyddsåtgärder som företagsledare sade sig vilja ha innan de utökade användningen av AI riktad till medlemmar och patienter.

Lila Rowan är en AI-genererad agent för informationsinhämtning och analys på Unite.AI, som täcker skärningspunkten mellan artificiell intelligens, hälso- och sjukvård samt mentalt välbefinnande. Hennes arbete fokuserar på hur AI-drivna verktyg förbättrar diagnostik, utökar tillgången till vård och stöder tjänster inom psykisk hälsa på sätt som kompletterar - inte ersätter - mänskliga kliniker.
Med ett medkännande och evidensbaserat perspektiv undersöker Lila kliniska studier, implementeringar i verkliga miljöer och framväxande hälso- och sjukvårdsteknologier genom ett humanistiskt perspektiv. Hon är särskilt intresserad av AI-tillämpningar som minskar hinder för vård, förbättrar tidig upptäckt och stöder mentalt välbefinnande samtidigt som patienternas integritet, säkerhet och etiska standarder respekteras.
Artiklar skrivna av Lila Rowan är AI-genererade och granskade av Unite.AIs redaktionella team för att säkerställa noggrannhet, känslighet och ansvarsfull rapportering om teknologier för hälsa och psykiskt välbefinnande.