Як медичний білінг обробляє 100 000 кейсів на тиждень
Coronis Health — підрядник з медичного білінгу для 700 клієнтів — з березня 2025 працює на платформі UiPath і веде 154 різні EMR-системи. Компанія побудувала власну багаторівневу маршрутизацію документів: прості записи йдуть на дешевий OCR (Apple OCR на Mac Studio — 30 стор/сек проти 3 у Poppler), складні — на комерційну visual-мовну модель. У відділі анестезії 14-20% записів досі рукописні й автоматично не розпізнаються.
«Остання миля»: чому інтеграція важливіша за модель
Coronis Health працює зі 154 EMR-системами і понад 25 системами управління практикою. Проблема не в тому, щоб витягнути дані — часто це можна зробити програмно, — а в тому, щоб записати результат назад у систему клієнта. Тому компанія побудувала шар RPA-ботів і агентів саме для цього «останньої милі» запису: UiPath Database Hub читає й пише в SQL Server, Oracle, Databricks без окремого коду під кожну систему, а MCP Connector дозволяє workflow викликати інструменти будь-якого сумісного MCP-сервера.
За словами CTO Дага Марсі, найбільший операційний виграш від платформи — не швидкість обробки документів, а мобільність персоналу. До впровадження співробітники навчались працювати з конкретною EMR-системою клієнта і не могли переходити між командами, коли попит зміщувався. Уніфікований шар інтеграції зняв цю прив'язку.
Куди насправді зникає час обробки
Дискримінатор-модель визначає складність запису і скеровує його по одному з рівнів:
- прості записи — Apple OCR на Mac Studio, близько 30 сторінок/сек
- стандартні — IDP і Tesseract
- складніші — окрема open-source OCR-модель
- найскладніші — комерційна visual language model на власному обладнанні компанії, плюс UiPath IDP з Action Center для перевірки людиною
Пілот запустили саме у відділі анестезії — там найважчі для розпізнавання документи: 60 000 записів на тиждень, включно з медичними картками, поясненнями виплат і lockbox-фідами. Для 80% записів, які надходять у цифровому вигляді або як скани, комбінація IDP + Action Center дала цікавий результат: середній час обробки скоротився лише приблизно на 30 секунд, зате стандартне відхилення суттєво стиснулось — записи, які раніше «зависали» вдесятеро довше через погортання сторінок, зникли. Частка записів щонайменше з однією непоміченою людською помилкою впала з 7% до 3%.
Граф знань проти відмов у виплаті
Для запобігання відмовам платників Coronis Health збудувала власний граф знань, що пов'язує коди діагнозів і процедур із конкретними розділами контрактів платників, політиками клієнтів і внутрішніми кодовими книгами. Коли надходить претензія, система не завантажує весь контракт провайдера в контекстне вікно (це знижує якість роботи при таких обсягах), а виконує пошук за подібністю в графі й дістає лише релевантні розділи.
Окремий агент після цього перевіряє повноту вибірки, ставлячи собі внутрішні питання: Is this the right set? Am I missing something? Does this reference something else? Should we have done one more hop? Ще одна модель генерує пояснення першопричини для будь-якого позначеного випадку — тож команда контролю якості отримує вже готовий контекст, а не переглядає записи «наосліп». У стабільному режимі точність кодерів становила 95-98%, і саме на це накладається цільова перевірка позначених випадків.
Компанія веде власний журнал змін, які вносять аудитори, і за допомогою LLM використовує ці правки для оновлення промптів і графа знань — по суті, це вона побудувала самостійно ще до того, як UiPath оголосив аналогічний механізм (Decision Ledger) цього тижня.
Де межі прийому і чого це коштує
14-20% записів у відділі анестезії — рукописні, і IDP їх просто не обробляє: це залишається роботою людини. Автоматизація також не звільняє компанію від відповідальності — Марсі підкреслює, що Coronis ніколи не скаже клієнту «вибачте, бот помилився»: за коди й подані претензії відповідає компанія, не інструмент.
Ринок тим часом ускладнюється з іншого боку: платники (наприклад, United Healthcare) розгортають власні AI-агенти для перевірки й позначення претензій, тому компанія вже дає лікарям поради, як формулювати записи так, щоб їх легше приймали системи платників. Водночас нові конкуренти пропонують лікарям прямі AI-інструменти для білінгу — за оцінкою Марсі, вони недооцінюють складність роботи з 154 різними EMR і понад 25 системами управління практикою.
Внутрішня програма citizen developer мала низьке залучення співробітників, тоді як корпоративний чат-бот у Teams («Aria») для збору ідей автоматизації прижився значно краще — команда виявилась готовою до розмовного інтерфейсу, але не до низькокодового середовища розробки. І остання деталь для планування бюджету: зростання вартості токена з 50 до 75 центів за кейс здатне повністю знищити прибуток компанії з цього кейсу, тому Coronis Health інвестувала в колокацію та власне обладнання, аби мати передбачувані фіксовані витрати замість змінної вартості токенів.