АО «АльфаСтрахование» запустило сервис на основе генеративного ИИ для оптимизации процессов медицинской экспертизы и согласования медицинских услуг в системе Добровольного Медицинского Страхования. Использование модели направлено на получение качественной медицинской помощи по ДМС на протяжении всего клиентского пути – начиная с организации медицинской помощи и заканчивая контролем качества полученных медицинских услуг. О реализации проекта рассказывает Анна Щеглеватых, заместитель руководителя Управления по взаимодействию с партнерами и медицинской экспертизы АО «АльфаСтрахование» и номинант на премию Data Award.

- Как в АльфаСтраховании пришли к реализации этого проекта?

Реализация данного проекта была обусловлена стремлением к повышению операционной эффективности и качества обслуживания клиентов АО «АльфаСтрахование» в сфере ДМС. В условиях постоянно растущего потока запросов на согласование медицинских услуг и необходимости проведения своевременного контроля качества оказываемых медицинских услуг в медицинских организациях, стало очевидно, что традиционные подходы требуют значительных ресурсов и могут быть подвержены человеческому фактору. Мы пришли к тому, что без внедрения передовых технологий, таких как генеративный ИИ, дальнейшее масштабирование и поддержание высоких стандартов качества становится затруднительным. Этот проект стал ответом на потребность в оптимизации, ускорении процессов и обеспечении максимального контроля качества медицинских услуг, что является общим трендом для нас как компании, стремящейся к лидерству и устойчивости на рынке ДМС.

- Какие задачи требовалось решить?

Ключевыми задачами были усиление контроля качества медицинской помощи с полным охватом всех медицинских организаций, оптимизация согласования услуг с минимизацией ошибок, а также обеспечение строгого соответствия услуг, оказываемых медицинскими организациями, действующим нормативно-правовым актам в сфере медицины. Эти задачи отражают общую тенденцию в бизнесе к устранению «слепых зон» и повышению прозрачности.

- Почему это важно?

Проект многогранен и затрагивает как внутреннюю эффективность

АО «АльфаСтрахование», так и качество оказываемых услуг для клиентов. Во-первых, он позволяет значительно повысить эффективность процессов контроля качества услуг и согласования услуг внутри компании. Во-вторых, проект критически важен для обеспечения высокого качества оказания медицинских услуг нашим клиентам, снижения вероятности ошибок и некорректных медицинских назначений, что является основой работы в ДМС. В конечном итоге, предоставление качественной и своевременной медицинской помощи клиентам напрямую коррелирует с репутацией компании на рынке.

- Какой подход был выбран?

Для обработки входящего потока документов и запросов от медицинских организаций создан новый сервис на базе генеративного искусственного интеллекта. Вместо базовой автоматизации отдельных этапов, ИИ глубоко интегрируется в процессы медицинской экспертизы и согласования услуг. Модель анализирует большие объемы медицинских данных и выявляет отклонения, сопоставляя информацию с нормативно-правовой базой. Это обеспечивает масштабируемость решения и позволяет перейти от реактивного исправления ошибок к проактивному управлению качеством.

- Какие технологии и модели использованы?

В качестве основной технологии на всех этапах используется большая языковая модель (LLM) Qwen, развернутая внутри контура компании. На подготовительном этапе она извлекает информацию об услугах и рекомендуемых условиях их назначения из Клинических рекомендаций (КР), а также участвует в парсинге (сборке данных) частот назначения в стандартах оказания мед помощи. Результатом первого этапа являются структурированные данные по услугам из КР и стандартов.

Далее на этапе скоринга LLM выполняет роль «сопоставителя» (осуществляет маппинг) между услугами из счета и услугами из КР и стандартов. С помощью LLM мы определяем, какие услуги из счета рекомендуются согласно КР и стандартам, а также определяем их частоту и условия назначения. Также для прозрачности результата мы просим LLM оставить небольшой комментарий на тему того, на основе каких признаков она «поняла», как услуга из счета X соотносится с услугами Y из КР и услугами Z из стандартов.

Поверх результатов маппинга уже накладываются бизнес-правила, согласно которым и выставляется итоговая категория услуги, которую видит эксперт. Таким образом, LLM принимает участие на всех этапах скоринга и является основным «движком», результаты которого «обертываются» в бизнес-правила.

- В каких процессах используются LLM?

LLM используется в нескольких процессах. Во-первых, это предварительная структуризация документов. Реестры медицинских услуг и запросы на согласование, поступающие от медицинских организаций, могут быть в различных форматах. LLM применяются для их предварительной обработки, извлечения необходимой информации и приведения к структурированному виду, что является фундаментом для дальнейшего анализа.

Во-вторых, анализ и ранжирование запросов: после структуризации LLM в рамках цепочки промптов со структурированным выводом анализирует полученные данные, сопоставляет их с КР и стандартами оказания медицинской помощи. На основе этого анализа модель выдает ранг каждой услуге, определяя вероятность ошибок и классифицируя ее по группам.

Соответственно, LLM выступает не только как инструмент обработки естественного языка, но и как интеллектуальный компонент, способный выполнять сложные аналитические и классификационные задачи.

- Приведите показательные примеры того, как именно изменилась работа специалистов.

Внедрение нового сервиса на основе ИИ коренным образом изменило подходы к работе как врачей-экспертов, отвечающих за контроль качества медицинских услуг, так и специалистов Федерального центра организации медицинской помощи (ФЦОМП), занимающихся согласованием медицинских услуг.

Ранее врачу-эксперту приходилось вручную проверять большой поток медицинских документов, чтобы выявить случаи, требующие пристального внимания. Теперь система делает это за него. ИИ автоматически анализирует 100% поступающей документации и ранжирует, «подсвечивая» услуги, где есть несоответствия КР или стандартам. В результате эксперт концентрирует свое время и знания на самых сложных и неоднозначных случаях. При анализе сложного случая эксперту больше не нужно тратить время на поиск соответствующего нормативного акта. Система автоматически указывает конкретные пункты КР, релевантные для данного диагноза, и, согласно стандартам, отмечает частоту назначения той или иной услуги. Это делает процесс экспертизы не только быстрее, но и объективнее, обеспечивая единообразие подходов.

Специалисты ФЦОМП теперь могут оперативно обрабатывать значительно больший объем запросов на согласование медицинских услуг, что снижает нагрузку и позволяет не увеличивать ресурс для компенсации роста трафика. Это обеспечивает более быструю и эффективную организацию медицинской помощи, освобождая время для решения сложных организационных задач.

Таким образом, работа обеих групп специалистов трансформировалась от выполнения рутинных операций к более аналитическим и контрольным функциям, где ИИ выступает в роли мощного помощника, повышающего как производительность, так и качество итогового результата.

- Какие результаты достигнуты и ожидаются?

Достигнута высокая точность работы модели ИИ в экспертизе (90%), что свидетельствует о ее высокой эффективности и надежности. Количество кодов по МКБ-10 (Международная классификация болезней 10-го пересмотра), обрабатываемых моделью, покрывает 96% запросов и выплат в медицинские организации по ДМС, что говорит о почти полном охвате спектра медицинских услуг. На данный момент мы обогащаем базу знаний новыми КР и стандартами. Это позволит еще больше увеличить универсальность и применимость решения.

Эти результаты показывают, что инвестиции в ИИ-решение приносят ощутимые плоды, улучшая ключевые показатели эффективности и открывая новые возможности для развития.

- А есть ли подтвержденные эффекты с точки зрения лояльности клиентов?

Данное решение было внедрено в IV квартале 2025 года. На данный момент отсутствует большой массив данных, на котором мы могли бы сделать выводы о влиянии на NPS. Эту оценку сможем провести во II-III квартале 2026 года. Прямые количественные метрики лояльности клиентов, такие как NPS, не были явно указаны в описании, но косвенные эффекты очевидны и подтверждаются логикой проекта.

Мы повысили качество медицинской помощи путем снижения вероятности ошибок, некорректных назначений и обеспечения соответствия услуг актуальным КР и стандартам оказания медицинской помощи, что напрямую ведет к улучшению качества получаемой застрахованными лицами медицинской помощи. Обеспечено максимально оперативное и качественное согласование медицинских услуг нашим застрахованным, что сократило время ожидания согласования, и, несомненно, повысило их удовлетворенность и уровень сервиса. Повысилось доверие и уверенность клиентов в том, что медицинские услуги проходят строгий контроль качества и соответствуют всем нормативным требованиям.

Все эти факторы в совокупности способствуют росту лояльности клиентов. Ведь качественная и своевременно организованная медицинская помощь – это важнейшие аспекты нашей работы.

- В чем роль проекта для бизнеса компании?

Проект играет стратегическую роль, обеспечивая своевременный контроль качества медицинских услуг, оптимизацию ресурсов и повышение производительности труда специалистов. Он также снижает операционные риски, увеличивает охват медицинской экспертизой и укрепляет инновационное лидерство компании в отрасли. В целом, проект превращает данные в управляемый актив, снижает риски и создает прочный фундамент для дальнейшего развития и инноваций.

- Каковы направления развития проекта?

Мы демонстрируем возможность эффективного применения ИИ для оптимизации процессов в сфере медицинского страхования, что может способствовать распространению подобных решений в отрасли. Можно предположить, что в будущем в части развития проекта может быть рассмотрена персонализация – разработка более тонких настроек и правил для индивидуализации оценки и согласования услуг в зависимости от специфики кейса или программы ДМС страхователя, а также внедрение функций для прогнозирования потенциальных рисков или трендов в медицинских назначениях. Возможна и интеграция с другими внутренними и внешними медицинскими информационными системами для создания более целостной экосистемы управления медицинскими услугами.