Can Oncology Workflows Run Without Human Touch? - Anant Shankhdhar, Risa Labs
三句話摘要
Trisca 如何使用 AI 代理和 LLM 實現癌症患者藥物授權申請的端到端自動化，減少人工審核。 真正的自動化不是盲目讓 LLM 決定一切，而是用確定性規則濾掉簡單案例，用多源證據協調增強複雜推理的置信度，讓 AI 只負責規則無法決定的部分。 分層決策架構避免過度自動化：不是所有決策都適合純自動化。系統先用確定性規則處理簡單情況（不需授權或已授權藥物），再用 LLM 處理不確定情況，最後才涉及臨床推理的複雜案例，確保關鍵決定有人工把關。
重點整理
重點- 1
分層決策架構避免過度自動化：不是所有決策都適合純自動化。系統先用確定性規則處理簡單情況（不需授權或已授權藥物），再用 LLM 處理不確定情況，最後才涉及臨床推理的複雜案例，確保關鍵決定有人工把關。
- 2
多源證據協調取代單一 LLM 輸出：因為 LLM 提取不確定且易出錯，講者改用三層證據（患者筆記、授權文件、支付方規則庫）交叉驗證藥物狀態。只有多個獨立證據源都指向同一結論時才宣稱高置信度，大幅降低誤判率。
- 3
LLM 驅動配置生成替代手工集成：面對數十個支付方入口和 API 異構的問題，不是逐一手工編寫集成代碼，而是構建可配置的 RPA 操作庫，讓 LLM 根據不同入口特性自動生成對應配置，大幅縮短開發週期。
- 4
醫療必要性代理引入臨床推理層：對於真正需要授權的藥物，系統提取患者生物標記、對照政策準則、讓 LLM 評估患者是否符合資格，並返回置信度評分。只有置信度不足的案例才上報給人工臨床醫師。
實用技巧與重點
乾貨- 系統元件：
- EV 代理（資格和福利驗證）
- 授權代理（藥物狀態判定）
- 醫療必要性代理（臨床評估）
- 提交代理（向支付方提交）
- 藥物三種路徑：
- NAR：無需授權
- 已存檔授權：之前已批准
- 需要授權：需臨床證明
- 技術實現：
- 統一的覆蓋協調器（Coverage Coordinator）：決定用 API 或 RPA 路徑
- 確定性決策引擎：標記無法推進的案例
- LLM 驅動配置生成器：自動為不同入口生成 RPA 配置
- 自癒循環：識別運行時故障並自動修復
- 藥物規則知識庫：SQL 資料庫，儲存支付方對各藥物的覆蓋規則
- 患者醫療圖譜：生物標記提取，用於臨床判斷
- 置信度評分機制：對每個臨床判斷附加置信度分數，只有高置信度案例才無需人工審核
結論
結論“真正的自動化不是盲目讓 LLM 決定一切，而是用確定性規則濾掉簡單案例，用多源證據協調增強複雜推理的置信度，讓 AI 只負責規則無法決定的部分。”
完整解析
詳細Trisca 面臨的核心問題是：保險資訊、政策准則、患者紀錄分散在數十個支付方的入口和 API 中，要實現藥物授權流程的完全自動化，不能每個支付方都手工編寫一套集成方案。
講者阿南特採用分層策略。首先，建構統一的服務層連接所有支付方，無論是透過 API 呼叫還是 RPA 自動化操作，都以標準格式返回結果。然後導入確定性決策引擎，對於那些訊息充分的案例（例如藥物明確不需授權，或患者之前已有授權文件），系統可以直接做決定，無需人工干預。
問題是，LLM 提取藥物狀態本質上是不確定的。講者的創新方案是協調多個獨立的證據源：患者的病歷筆記（LLM 提取藥物資訊）、患者的授權文件紀錄（歷史證據）、支付方規則庫（從政策文件定期更新）。只要有兩個以上的證據源都說某藥物已授權或無需授權，系統就能以高置信度完全自動化該訂單。為了可擴展地維護支付方規則庫，講者設計了一套 LLM 驅動的配置生成器，能根據不同支付方文件的格式自動提取並更新規則。
對於那些訊息不足或需要真實臨床判斷的藥物，系統引入醫療必要性代理。這個代理會讀取三件事：患者病歷、該藥物的政策準則（e.g., 「只有第二線治療失敗才能用」），以及患者的生物標記圖譜（從醫療紀錄提取）。然後讓 LLM 根據這些事實推理患者是否符合資格，並附加置信度分數。只有置信度低的案例才上報給人工醫師。
最後是提交代理，它以相同的 LLM 驅動配置方式，為每個支付方客製化地組裝並提交所有必要文件。整個流程中，系統還配置了自癒循環，在生產環境偵測 RPA 故障並嘗試自動修復。
結果是，無接觸訂單（完全自動化、不需人工審核）的比例在持續增長。系統的範疇也從藥物授權擴展到其他腫瘤學工作流，醫療必要性代理可以回答任何患者工作流相關的臨床問題。
關鍵時刻
Pipeline v2帶時間戳的重點，會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。
事實查核
Pipeline v2說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。
