Usa la IA generativa para la administración de la utilización

Last reviewed 2024-08-19 UTC

En este documento, se describe una arquitectura de referencia para las empresas de seguros médicos que desean automatizar el procesamiento de solicitudes de autorización previa (AP) y mejorar sus procesos de revisión de utilización (RU) con Google Cloud. Está dirigido a los desarrolladores de software y administradores de programas de estas organizaciones. Esta arquitectura ayuda a los proveedores de planes de salud a reducir los gastos administrativos, aumentar la eficiencia y mejorar la toma de decisiones, ya que automatiza la transferencia de datos y la extracción de estadísticas de los formularios clínicos. También les permite usar modelos de IA para generar instrucciones y recomendaciones.

Arquitectura

En el siguiente diagrama, se describen una arquitectura y un enfoque para automatizar el flujo de trabajo de transferencia de datos y optimizar el proceso de revisión de la administración de la utilización (UM). Este enfoque utiliza datos y servicios de IA en Google Cloud.

Descripción general del proceso de revisión de UM y transferencia de datos.

La arquitectura anterior contiene dos flujos de datos, que son compatibles con los siguientes subsistemas:

  • Activador de datos de reclamos (CDA), que extrae datos de fuentes no estructuradas, como formularios y documentos, y los incorpora a una base de datos en un formato estructurado y legible por máquina. CDA implementa el flujo de datos para transferir formularios de solicitud de PA.
  • Servicio de revisión de la utilización (servicio de UR), que integra datos de solicitudes de PA, documentos de políticas y otros lineamientos de atención para generar recomendaciones. El servicio de UR implementa el flujo de datos para revisar las solicitudes de PA con IA generativa.

En las siguientes secciones, se describen estos flujos de datos.

Flujo de datos del CDA

En el siguiente diagrama, se muestra el flujo de datos para usar CDA para transferir formularios de solicitud de PA.

Flujo de datos de los administradores de casos de PA.

Como se muestra en el diagrama anterior, el administrador de casos de la PA interactúa con los componentes del sistema para transferir, validar y procesar las solicitudes de la PA. Los administradores de casos de PA son las personas del equipo de Operaciones comerciales responsables de recibir las solicitudes de PA. El flujo de eventos es el siguiente:

  1. Los administradores de casos de PA reciben los formularios de solicitud de PA (pa_forms) del proveedor de atención médica y los suben al bucket de Cloud Storage pa_forms_bkt.
  2. El servicio ingestion_service escucha los cambios en el bucket pa_forms_bkt. El servicio ingestion_service recoge formularios pa_forms del bucket pa_forms_bkt. El servicio identifica los procesadores de Document AI preconfigurados, que se denominan form_processors. Estos procesadores se definen para procesar los formularios pa_forms. El servicio ingestion_service extrae información de los formularios con los procesadores form_processors. Los datos extraídos de los formularios están en formato JSON.
  3. El servicio ingestion_service escribe la información extraída con puntuaciones de confianza a nivel del campo en la colección de la base de datos de Firestore, que se llama pa_form_collection.
  4. La aplicación hitl_app recupera la información (JSON) con las puntuaciones de confianza de la base de datos pa_form_collection. La aplicación calcula la puntuación de confianza a nivel del documento a partir de las puntuaciones de confianza a nivel del campo que los modelos de aprendizaje automático (AA) de form_processors ponen a disposición en el resultado.
  5. La aplicación hitl_app muestra la información extraída con las puntuaciones de confianza a nivel del campo y del documento a los administradores de casos de PA para que puedan revisar y corregir la información si los valores extraídos son imprecisos. Los administradores de casos de PA pueden actualizar los valores incorrectos y guardar el documento en la base de datos de pa_form_collection.

Flujo de datos del servicio de UR

En el siguiente diagrama, se muestra el flujo de datos del servicio de UR.

Flujo de datos del especialista en UR.

Como se muestra en el diagrama anterior, los especialistas en UR interactúan con los componentes del sistema para realizar una revisión clínica de las solicitudes de PA. Por lo general, los especialistas en UR son enfermeros o médicos con experiencia en un área clínica específica que trabajan para empresas de seguros médicos. El flujo de trabajo de administración de casos y enrutamiento para las solicitudes de PA queda fuera del alcance del flujo de trabajo que se describe en esta sección.

El flujo de eventos es el siguiente:

  1. La aplicación de ur_app muestra una lista de solicitudes de PA y su estado de revisión a los especialistas en UR. El estado se muestra como in_queue, in_progress o completed.
  2. La lista se crea recuperando los datos de pa_form information de la base de datos pa_form_collection. El especialista en UR abre una solicitud haciendo clic en un elemento de la lista que se muestra en la aplicación ur_app.

  3. La aplicación ur_app envía los datos de pa_form information al modelo prompt_model. Usa la API de Gemini de Vertex AI para generar una instrucción similar a la siguiente:

    Review a PA request for {medication|device|medical service} for our member, {Patient Name}, who is {age} old, {gender} with {medical condition}. The patient is on {current medication|treatment list}, has {symptoms}, and has been diagnosed with {diagnosis}.

  4. La aplicación ur_app muestra la instrucción generada a los especialistas en UR para que la revisen y proporcionen comentarios. Los especialistas en UR pueden actualizar la instrucción en la IU y enviarla a la aplicación.

  5. La aplicación ur_app envía la instrucción al modelo ur_model con una solicitud para generar una recomendación. El modelo genera una respuesta y vuelve a la aplicación. La aplicación muestra el resultado recomendado a los especialistas en UR.

  6. Los especialistas en UR pueden usar la aplicación ur_search_app para buscar clinical documents, care guidelines y plan policy documents. clinical documents, care guidelines y plan policy documents están preindexados y son accesibles para la aplicación ur_search_app.

Componentes

La arquitectura contiene los siguientes componentes:

  • Buckets de Cloud Storage Los servicios de aplicaciones de UM requieren los siguientes buckets de Cloud Storage en tu proyecto de Google Cloud :

    • pa_forms_bkt: Un bucket para transferir los formularios de PA que necesitan aprobación.
    • training_forms: Un bucket para contener formularios de PA históricos para entrenar los procesadores de formularios de DocAI.
    • eval_forms: Un bucket para contener formularios de PA para evaluar la exactitud de los procesadores de formularios de DocAI.
    • tuning_dataset: Un bucket para contener los datos necesarios para ajustar el modelo de lenguaje grande (LLM).
    • eval_dataset: Un bucket para contener los datos necesarios para la evaluación del LLM.
    • clinical_docs: Un bucket para contener los documentos clínicos que los proveedores envían como archivos adjuntos a los formularios de PA o posteriormente para respaldar el caso de PA. La aplicación de búsqueda del servicio de Vertex AI Search indexa estos documentos.
    • um_policies: Es un bucket para almacenar las pautas de necesidad médica y atención, los documentos de políticas del plan de salud y las pautas de cobertura. La aplicación de búsqueda indexa estos documentos en el servicio de Vertex AI Search.

  • form_processors: Estos procesadores se entrenan para extraer información de los formularios pa_forms.

  • pa_form_collection: Un almacén de datos de Firestore para almacenar la información extraída como documentos JSON en la colección de bases de datos NoSQL.

  • ingestion_service: Un microservicio que lee los documentos del bucket, los pasa a los extremos de DocAI para el análisis y almacena los datos extraídos en la colección de la base de datos de Firestore.

  • hitl_app: Un microservicio (aplicación web) que recupera y muestra los valores de datos extraídos de pa_forms. También renderiza la puntuación de confianza que informan los procesadores de formularios (modelos de AA) al administrador de casos de PA para que pueda revisar, corregir y guardar la información en el almacén de datos.

  • ur_app: Un microservicio (aplicación web) que los especialistas en UR pueden usar para revisar las solicitudes de PA mediante la IA generativa. Usa el modelo llamado prompt_model para generar una instrucción. El microservicio pasa los datos extraídos de los formularios de pa_forms al modelo de prompt_model para generar una instrucción. Luego, pasa la instrucción generada al modelo ur_model para obtener la recomendación de un caso.

  • LLMs ajustados médicamente de Vertex AI: Vertex AI tiene una variedad de modelos de base de IA generativa que se pueden ajustar para reducir el costo y la latencia. Los modelos que se usan en esta arquitectura son los siguientes:

    • prompt_model: Un adaptador en el LLM ajustado para generar instrucciones basadas en los datos extraídos de pa_forms.
    • ur_model: Un adaptador en el LLM ajustado para generar una recomendación de borrador basada en la instrucción de entrada.

  • ur_search_app: Una aplicación de búsqueda creada con Vertex AI Search para encontrar información personalizada y pertinente para los especialistas en UR a partir de documentos clínicos, políticas de UM y lineamientos de cobertura.

Productos usados

En esta arquitectura de referencia, se usan los siguientes productos Google Cloud :

  • Vertex AI: Es una plataforma de AA que te permite entrenar y, también, implementar modelos de AA y aplicaciones de IA, y personalizar LLM para usarlos en aplicaciones impulsadas por IA.
  • Vertex AI Search: Una plataforma que permite a los desarrolladores crear e implementar agentes y aplicaciones potenciados por IA de nivel empresarial.
  • Document AI: Una plataforma de procesamiento de documentos que toma datos no estructurados de documentos y los transforma en datos estructurados.
  • Firestore: Una base de datos de documentos NoSQL creada para proporcionar ajuste de escala automático, alto rendimiento y facilidad para el desarrollo de aplicaciones.
  • Cloud Run es una plataforma de procesamiento administrada que te permite ejecutar contenedores directamente sobre la infraestructura escalable de Google.
  • Cloud Storage: Un depósito de objetos de bajo costo y sin límites para varios tipos de datos. Se puede acceder a los datos desde y hacia Google Cloud, y estos se replican en las ubicaciones para aumentar la redundancia.
  • Cloud Logging: Un sistema de administración de registros en tiempo real con almacenamiento, búsqueda, análisis y alertas.
  • Cloud Monitoring: Un servicio que proporciona visibilidad del rendimiento, la disponibilidad y el estado de la infraestructura y las aplicaciones.

Caso de uso

La UM es un proceso que utilizan las compañías de seguros médicos principalmente en Estados Unidos, pero se utilizan procesos similares (con algunas modificaciones) a nivel mundial en el mercado de seguros médicos. El objetivo de la UM es ayudar a garantizar que los pacientes reciban la atención adecuada en el entorno correcto, en el momento óptimo y al menor costo posible. La UM también ayuda a garantizar que la atención médica sea eficaz, eficiente y alineada con los estándares de atención basados en la evidencia. La PA es una herramienta de UM que requiere la aprobación de la compañía de seguros antes de que un paciente reciba atención médica.

El proceso de UM que utilizan muchas empresas es un obstáculo para brindar y recibir atención oportuna. Es costoso, requiere mucho tiempo y es demasiado administrativo. También es complejo, manual y lento. Este proceso afecta de manera significativa la capacidad del plan de salud para administrar de manera eficaz la calidad de la atención y mejorar la experiencia del proveedor y de los miembros. Sin embargo, si estas empresas modificaran su proceso de UM, podrían ayudar a garantizar que los pacientes reciban un tratamiento rentable y de alta calidad. Al optimizar su proceso de UR, los planes de salud pueden reducir los costos y los rechazos a través del procesamiento acelerado de las solicitudes de AP, lo que, a su vez, puede mejorar la experiencia del paciente y del proveedor. Este enfoque ayuda a reducir la carga administrativa de los proveedores de atención médica.

Cuando los planes de salud reciben solicitudes de PA, los administradores de casos de PA crean casos en el sistema de administración de casos para hacer un seguimiento de las solicitudes, administrarlas y procesarlas. Una cantidad significativa de estas solicitudes se reciben por fax y correo postal, con documentos clínicos adjuntos. Sin embargo, las compañías de seguros médicos no pueden acceder fácilmente a la información de estos formularios y documentos para realizar análisis de datos y obtener inteligencia empresarial. El proceso actual de ingresar manualmente la información de estos documentos en los sistemas de administración de casos es ineficiente y lleva mucho tiempo, y puede generar errores.

Al automatizar el proceso de transferencia de datos, los planes de salud pueden reducir los costos, los errores de entrada de datos y la carga administrativa del personal. La extracción de información valiosa de los formularios y documentos clínicos permite que las compañías de seguros médicos aceleren el proceso de UR.

Consideraciones del diseño

En esta sección, se proporciona orientación para ayudarte a usar esta arquitectura de referencia para desarrollar una o más arquitecturas que te ayudan a cumplir con tus requisitos específicos de seguridad, confiabilidad, eficiencia operativa, costo y rendimiento.

Security, privacy, and compliance

En esta sección, se describen los factores que debes tener en cuenta cuando usas esta arquitectura de referencia para diseñar y compilar una arquitectura enGoogle Cloud que te ayude a cumplir con tus requisitos de seguridad, privacidad y cumplimiento.

En Estados Unidos, la Ley de Responsabilidad y Portabilidad de Seguros Médicos (conocida como HIPAA, según sus enmiendas, incluida la Ley de Tecnología de la Información de Salud Clínica y Económica, HITECH) exige el cumplimiento de la Regla de Seguridad, la Regla de Privacidad y la Regla de Notificación de Incumplimientos de la HIPAA. Google Cloud ayuda a cumplir con la HIPAA, pero, en última instancia, eres responsable de evaluar tu propio cumplimiento de la HIPAA. El cumplimiento de la HIPAA es una responsabilidad compartida entre tú y Google. Si tu organización está sujeta a la HIPAA y deseas usar productos Google Clouden relación con la Información de salud protegida (PHI), debes revisar y aceptar el Acuerdo entre Socios Comerciales (BAA) de Google. Los productos de Google cubiertos por el BAA cumplen con los requisitos de la HIPAA y con las certificaciones ISO/IEC 27001, 27017 y 27018, y el informe SOC 2.

No todos los LLMs alojados en Model Garden de Vertex AI son compatibles con la HIPAA. Evalúa y usa los LLMs que admiten la HIPAA.

Para evaluar de qué manera los productos de Google satisfacen tus necesidades de cumplimiento de la HIPAA, puedes consultar los informes de auditoría de terceros en el Centro de recursos de cumplimiento.

Recomendamos que los clientes tengan en cuenta lo siguiente al seleccionar casos de uso de IA y que diseñen sus soluciones teniendo en cuenta estas consideraciones:

Los productos de Google siguen los principios de la IA responsable.

Para conocer los principios y las recomendaciones de seguridad específicos de las cargas de trabajo de IA y AA, consulta la perspectiva de IA y AA: seguridad en Well-Architected Framework.

Confiabilidad

En esta sección, se describen los factores de diseño que debes tener en cuenta para compilar y operar una infraestructura confiable para automatizar el procesamiento de solicitudes de PA.

Document AI form_processors es un servicio regional. Los datos se almacenan de forma síncrona en varias zonas dentro de una región. Las cargas del tráfico se balancean automáticamente entre las zonas. Si se produce una interrupción zonal, los datos no se pierden1. Si se produce una interrupción regional, el servicio no estará disponible hasta que Google resuelva la interrupción.

Puedes crear buckets de Cloud Storage en una de las tres ubicaciones: regional, birregional o multirregión, con los buckets pa_forms_bkt, training_forms, eval_forms, tuning_dataset, eval_dataset, clinical_docs o um_policies. Los datos almacenados en buckets regionales se replican de forma síncrona en varias zonas dentro de una región. Para obtener una mayor disponibilidad, puedes usar buckets birregionales o multirregionales, en los que los datos se replican de manera asíncrona en todas las regiones.

En Firestore, la información extraída de la base de datos pa_form_collection se puede ubicar en varios centros de datos para ayudar a garantizar la escalabilidad y la confiabilidad globales.

Los servicios de Cloud Run, ingestion_service,hitl_app y ur_app, son regionales. Los datos se almacenan de forma síncrona en varias zonas dentro de una región. Las cargas del tráfico se balancean automáticamente entre las zonas. Si se produce una interrupción zonal, los trabajos de Cloud Run continuarán ejecutándose y los datos no se pierden. Si se produce una interrupción regional, los trabajos de Cloud Run dejan de ejecutarse hasta que Google resuelva la interrupción. Los trabajos o las tareas individuales de Cloud Run pueden fallar. Para manejar estas fallas, puedes usar reintentos de tareas y puntos de control. Para obtener más información, consulta Prácticas recomendadas para los reintentos de trabajos y puntos de control. En Sugerencias generales de desarrollo de Cloud Run, se describen algunas prácticas recomendadas para usar Cloud Run.

Vertex AI es una plataforma de aprendizaje automático integral y fácil de usar que proporciona un entorno unificado para el ciclo de vida del aprendizaje automático, desde la preparación de los datos hasta la implementación y supervisión de los modelos.

Para conocer los principios y las recomendaciones de confiabilidad específicos de las cargas de trabajo de IA y AA, consulta la perspectiva de IA y AA: Confiabilidad en Well-Architected Framework.

Optimización de costos

En esta sección, se proporciona orientación para optimizar el costo de crear y ejecutar una arquitectura que automatice el procesamiento de solicitudes de PA y mejore tus procesos de UR. Administrar cuidadosamente el uso de recursos y seleccionar los niveles de servicio adecuados puede tener un impacto significativo en el costo general.

Clases de almacenamiento de Cloud Storage: Usa las diferentes clases de almacenamiento (Standard, Nearline, Coldline o Archive) según la frecuencia de acceso a los datos. Nearline, Coldline y Archive son más rentables para los datos a los que se accede con menos frecuencia.

Políticas de ciclo de vida de Cloud Storage: Implementa políticas de ciclo de vida para realizar automáticamente la transición de los objetos a clases de almacenamiento de menor costo o borrarlos según la antigüedad y los patrones de acceso.

El precio de Document AI se basa en la cantidad de procesadores implementados y en la cantidad de páginas procesadas por los procesadores de Document AI. Ten en cuenta lo siguiente:

  • Optimización del procesador: Analiza los patrones de carga de trabajo para determinar la cantidad óptima de procesadores de Document AI que se deben implementar. Evita el aprovisionamiento excesivo de recursos.
  • Administración del volumen de páginas: El procesamiento previo de documentos para quitar páginas innecesarias o optimizar la resolución puede ayudar a reducir los costos de procesamiento.

Firestore se cobra según la actividad relacionada con los documentos, las entradas de índice, el almacenamiento que usa la base de datos y la cantidad de ancho de banda de red. Ten en cuenta lo siguiente:

  • Modelado de datos: Diseña tu modelo de datos para minimizar la cantidad de entradas de índice y optimizar los patrones de consultas para lograr eficiencia.
  • Ancho de banda de la red: Supervisa y optimiza el uso de la red para evitar cargos excesivos. Considera almacenar en caché los datos a los que se accede con frecuencia.

Los cargos de Cloud Run se calculan en función del uso de CPU a pedido, la memoria y la cantidad de solicitudes. Piensa detenidamente en la asignación de recursos. Asigna recursos de CPU y memoria según las características de la carga de trabajo. Utiliza el ajuste de escala automático para ajustar los recursos de forma dinámica según la demanda.

Vertex AI Por lo general, los LLM se cobran según la entrada y la salida del texto o los medios. Los recuentos de tokens de entrada y salida afectan directamente los costos de los LLM. Optimizar las instrucciones y la generación de respuestas para lograr eficiencia

Los cargos del motor de búsqueda de Vertex AI Search dependen de las funciones que uses. Para ayudarte a administrar tus costos, puedes elegir entre las siguientes tres opciones:

  • Search Standard Edition, que ofrece funciones de búsqueda no estructurada.
  • Search Enterprise Edition, que ofrece funciones de búsqueda no estructurada y de sitios web.
  • Complemento de LLM de la Búsqueda, que ofrece capacidades de resumen y búsqueda de varios turnos

También puedes tener en cuenta las siguientes consideraciones adicionales para optimizar los costos:

  • Supervisión y alertas: Configura Cloud Monitoring y las alertas de facturación para hacer un seguimiento de los costos y recibir notificaciones cuando el uso supere los límites.
  • Informes de costos: Revisa periódicamente los informes de costos en la consola deGoogle Cloud para identificar tendencias y optimizar el uso de recursos.
  • Considera los descuentos por compromiso de uso: Si tienes cargas de trabajo predecibles, considera comprometerte a usar esos recursos durante un período específico para obtener precios con descuento.

Tener en cuenta estos factores con cuidado y aplicar las estrategias recomendadas puede ayudarte a administrar y optimizar de manera eficaz el costo de ejecutar tu arquitectura de automatización de PA y UR en Google Cloud.

Para conocer los principios y las recomendaciones de optimización de costos específicos para las cargas de trabajo de IA y AA, consulta Perspectiva de IA y AA: Optimización de costos en el Framework de Well-Architected.

Implementación

El código de implementación de referencia para esta arquitectura está disponible bajo licencias de código abierto. La arquitectura que implementa este código es un prototipo y es posible que no incluya todas las funciones y el refuerzo que necesitas para una implementación de producción. Para implementar y expandir esta arquitectura de referencia y cumplir mejor con tus requisitos, te recomendamos que te comuniques con Google Cloud Consulting.

El código de partida para esta arquitectura de referencia está disponible en los siguientes repositorios de Git:

  • Repositorio de git de CDA: Este repositorio contiene secuencias de comandos de implementación de Terraform para el aprovisionamiento de infraestructura y la implementación de código de la aplicación.
  • Repositorio de Git del servicio de UR: Este repositorio contiene muestras de código para el servicio de UR.

Puedes elegir una de las siguientes dos opciones para implementar la asistencia y los servicios de esta arquitectura de referencia:

¿Qué sigue?

Colaboradores

Autor: Dharmesh Patel | Arquitecto de soluciones de la industria, Healthcare

Otros colaboradores:

  1. Para obtener más información sobre las consideraciones específicas de la región, consulta Geografía y regiones.  ↩