免人工的癌症用藥授權流程 · AI in Healthcare @ AI Engineer 筆記

級 2寫進臨床紀錄或決策

免人工的癌症用藥授權流程 —— Risa Labs的演講縮圖

Risa Labs · 癌症用藥授權 4 agent

001 免人工的癌症用藥授權流程

Anant Shankhdhar，AI Engineer　16:41　2026-07-20　看原片

落在哪些主題（1 個）

不能拿病人試錯

用模型審模型，再用臨床醫師審模型

真正的戰場是保險與行政流程

合規是地基，不是事後補的

臨床專家握方向盤

從工具到組織

臨床現場的產品長什麼樣

失敗成本

級 2　寫進臨床紀錄或決策

錯誤會被別人當成事實接著用下去。

動線位置

第 4 站　用藥授權

事前授權與證據比對

Risa Labs 用四個 agent 交叉比對多方證據，把癌症用藥的事前授權逐步做到不需要人工核准。

重點摘要

四個 agent 分工　用 EV agent、auth agent、necessity agent、submission agent 把事前授權流程拆成保單查核、授權狀態判斷、臨床必要性評估與送出四段，逐段推進到可以不經人工。

先解決規則明確的案件　藥物不需要授權或授權已在案時，用 LLM 抽取病歷，再比對歷史授權信與 payer 規則資料庫兩個來源，兩邊一致才算高信心，這部分訂單就能完全跳過人工。

LLM 抽取不能單獨信任　LLM 判斷授權狀態時常因病歷資料不足而出錯，這類做法只能提高效率、不能取代人工複核，因此才加上多來源交叉驗證。

用 LLM 生成 RPA 設定　各家保險公司 portal 介面都不同，改用共用的動作庫加上 LLM 自動產生設定檔取代手刻整合，並加自我修復機制處理常見的自動化故障。

真正需要判斷的案件交給 medical necessity agent　藥物確實需要授權時，讀病歷、policy criteria 與病人的 biomarker 資料，讓 LLM 產出附信心分數的問答，信心不足才轉人工。

值得記的話

confidence is a key metric that we were working towards.
信心是我們一直在追求的關鍵指標
01:46

It might improve the efficiency, but it will not eliminate the human.
這只能提高效率，不能取代人工
07:21

we escalate only the ones that actually need a clinician.
只把真正需要臨床判斷的案件轉給人工
12:19

We used multi source of evidence to beat the single source of evidence to add confidence to our cases.
用多來源證據取代單一來源，來提高判定的信心
16:03

時間軸　11 段

開場

Anant Shankhdhar 說明自己在 Risa Labs 做 AI engineer，主題是把 oncology 的 prior authorization 流程做到全自動、不經人工。

流程總覽

事前授權分四步：收單、eligibility and benefits verification、判斷藥物屬於 NAR／auth on file／auth required、送出前的人工審查。

四個 agent 分工

拆成 EV agent、auth agent、necessity agent、submission agent，分別對應驗保、判斷授權狀態、判斷臨床必要性與送出；confidence 是核心指標。

整合分散的保單資料

保單資訊散落在各 portal、API 與文件裡，先建 unified service 把不同來源正規化，再用 deterministic decision engine 篩掉條件不足的案件。

用 LLM 生成 RPA 設定

coverage orchestrator 決定走 API 或 RPA；改用 LLM 依動作庫自動產生 config，取代逐一手刻 portal 整合，並加 self-healing loop 處理執行中壞掉的自動化。

LLM 判斷授權狀態

用 LLM 讀病歷，把藥物分成 NAR、auth on file、auth required 三類，預設為 auth required。

單一來源不夠可靠

LLM 抽取結果不穩定、資料不足時會出錯，單一來源無法直接放行，仍需人工複核。

多來源證據交叉比對

用歷史 authorization letters 驗證 auth on file、用 payer rule knowledge base（SQL 資料庫）驗證 NAR，兩個來源一致才判定為高信心，可以完全跳過人工。

補上臨床推理：medical necessity agent

針對真正需要授權的藥物，第三個 agent 讀病歷、policy criteria 與病人的 biomarker graph，讓 LLM 產出附信心分數的問答，信心不足才轉人工。

submission agent 送出

送出流程比照 EV agent 的做法，針對不同 payer 用 LLM 產生的客製化整合設定加上共用工具庫來送單。

結語：no touch 比例持續上升

回顧四階段：規則明確就用 deterministic checks、多來源證據補信心、self-healing 讓 RPA 能規模化、最後加推理層處理需要授權的案件。

名詞與人物　8 個

Risa Labs講者任職的公司，做 oncology 流程自動化。

prior authorization保險公司要求在用藥前先審核並核准的流程，這場演講的自動化對象。

EV agenteligibility and benefits verification agent，負責確認病人保險是否涵蓋、額度是否足夠。

NARno auth required，指某個藥物不需要事前授權，可以直接往下走。

auth on file指該藥物在過去某段期間已經拿到授權，可以沿用。

RPArobotic process automation，用程式模擬人在各家 payer portal 上操作的自動化方式。

payer rule knowledge base用 portal 資料與 LLM 抽取彙整出的 SQL 資料庫，記錄各 payer 對哪些藥不需要授權。

medical necessity agent第三個 agent，讀病歷與 policy criteria、查病人的 biomarker 資料，判斷是否符合用藥條件並附上信心分數。

提到但沒有展開

medical necessity agent 的做法另外有發表 publication，演講本身沒有細講內容。
self-healing loop 只提到會在正式環境偵測並修復自動化失敗，沒有細講判斷方式。
medical necessity agent 後來延伸到可以回答其他 workflow 的臨床問題，但沒說是哪些 workflow。

非官方整理，內容著作權屬原講者與主辦方。筆記是摘要與索引，短引用都標時碼並連回原片，想聽細節請看原影片。

YouTube 播放清單　·　共 12 場、135 個時間軸段落、92 個名詞、53 條雙語金句。