Госпіталізація погоджена. Лікування призначене. Але хтось ще має довести лікарні, страховику, а іноді й обом, що це рішення виправдане медично і підлягає оплаті. У Tampa General Hospital, одному з найбільших госпіталів США, 982 ліжка на головному кампусі, понад 82 000 госпіталізацій і майже мільйон амбулаторних візитів за рік, цю частину роботи дедалі частіше бере на себе не тільки лікар, а й штучний інтелект.
Проблема, яку не бачить пацієнт
Пацієнт зазвичай бачить лише клінічну частину лікування: огляд, аналізи, призначення. Але паралельно відбуваються інший адміністративний і фінансовий процеси. У США його називають utilization review: перевірка, чи відповідає госпіталізація, тривалість перебування у стаціонарі чи призначене лікування встановленим медичним критеріям і чи підлягає це оплаті.
Медичний директор Tampa General Девід Зір визначив цей процес влучно: щось середнє між клінічним резюме пацієнта та юридичним обґрунтуванням того, чому людині потрібні саме ці медичні послуги.
Tampa General приймає пацієнтів із надзвичайно складними випадками, з якими не впоралися інші лікарні. Їхні медичні карти можуть налічувати сотні сторінок: аналізи, висновки лікарів, записи медсестер, дані досліджень. Рішення про те, підлягає лікування оплаті чи ні, часто залежить від одного факту, захованого глибоко в цій документації: показника аналізу, короткого запису медсестри, спостереження поза основним висновком лікаря. Людина під постійним навантаженням може просто його не помітити.
Саме тут з’явилося місце для AI.
Що саме побудували Tampa General і Palantir
Компанія Palantir разом із Tampa General представили на конференції DevCon систему, яку не варто плутати з чат-ботом, що читає карту пацієнта й видає готовий висновок. Це складніша архітектура з кількох частин.
- Онтологія пацієнта. Замість звичайного пошуку в базі даних система будує цифрову модель клінічного випадку: пов’язує діагнози, аналізи, лікування, реакцію пацієнта, медичні записи й коди оплати в одне ціле. Це дозволяє простежити зв’язок між станом людини, лікуванням і фінансовими наслідками.
- Мовні моделі. Вони знаходять релевантні факти в документації і формують проєкт клінічного резюме, зіставляючи знайдене з медичними критеріями.
- Детермінована логіка. Не кожне завдання потребує великої мовної моделі. Там, де рішення можна отримати за чіткими правилами, систему навмисно спрощують до звичайного алгоритму.
- Людина в контурі рішення. AI готує проєкт висновку, але медсестра чи інший уповноважений фахівець перевіряє, редагує, схвалює або відхиляє його. Остаточна відповідальність лишається за людиною. AI не замінює клінічне рішення, а пришвидшує збір доказів для нього.
Коли ШІ виявився дорожчим, ніж здавалося
На етапі пілоту генеративний AI справляв враження, за словами Зіра, майже «магії». Але коли систему почали застосовувати щодня для тисяч пацієнтів, лікарня отримала рахунок за реальний масштаб — і він виявився зовсім не таким, як на демонстрації.
Команда взялася переглядати систему: там, де для завдання вистачало простого набору правил, дорогу модель прибирали і залишали звичайний алгоритм. Там, де модель таки була потрібна, підбирали найдешевший варіант, який не погіршував якість відповіді.
Результат: в одній частині системи вдалося скоротити витрати на 68%, і при цьому фахівці Tampa General у 90% випадків порівняння оцінили якість результату не гіршою, ніж раніше. В іншій частині з’ясувалося, що 84% рішень взагалі не потребували штучного інтелекту, досить було звичайного алгоритму.
Висновок команди простий: дорога AI-система — не завжди краща. Найефективніша та, що застосовує потужний інструмент лише там, де він справді потрібен, а не скрізь підряд.
Результат
За даними презентації Tampa General і Palantir:
- пропускна спроможність лікарів-консультантів зросла майже у 5 разів;
- продуктивність медсестер, які проводять utilization review, зросла майже у 10 разів;
- оптимізація скоротила пов’язані з AI витрати приблизно на 70%.
Це цифри, представлені самими учасниками проєкту на презентації, а не висновки незалежного клінічного дослідження. Що з цього має значення для України
Американську систему utilization review не можна прямо накласти на українську модель фінансування медицини. Вони влаштовані по-різному. Але управлінська проблема, яку описаний кейс намагається вирішити, спільна для будь-якої системи: як швидко й об’єктивно визначити, чи відповідають госпіталізація і лікування фактичному стану пацієнта та встановленим критеріям.
І тут є деталь, яка вже відчутна в Україні: наявність хронічного діагнозу сама собою більше не завжди є достатньою підставою для перебування у стаціонарі, потрібна відповідність конкретним медичним критеріям. Це стосується як державного фінансування медицини, так і добровільного медичного страхування.
Для HR і власників бізнесу, які відповідають за соцпакет команди, з цього виходять три конкретні речі, які варто з’ясувати вже зараз, не чекаючи, поки з подібним зіткнеться хтось із команди:
- Запитати у страховика чи брокера, за якими саме критеріями оцінюється обґрунтованість госпіталізації й дороговартісного лікування, а не покладатися на «зазвичай покриває».
- З’ясувати, скільки часу займає рішення про погодження оплати складного лікування і що відбувається у разі відмови.
- Перевірити, чи включає програма ДМС супровід у спірних випадках, не лише сам поліс, а й підтримку, коли трактування договору неоднозначне.
Хто вирішує, чи виправдане лікування вашого співробітника? Поки що — лікар і, дедалі частіше, дані, зібрані за його допомогою. Головний принцип, який варто винести з кейсу Tampa General, не про технологію саму по собі: AI має допомагати швидше й прозоріше встановлювати, наскільки лікування виправдане, а не дешевше знаходити підстави відмовити в оплаті.
Джерела: матеріал підготовлено за публікацією DedalInfo, 20.07.2026, яка спирається на презентацію Tampa General Hospital і Palantir на конференції DevCon.
