商业健康险公司想上AI用药推荐，具体怎么操作？

开始之前，先想清楚这三点

我见过不少健康险公司的朋友，一聊到AI用药推荐，上来就问“哪个系统好”、“多少钱”。这跟买设备不一样，它是个需要你深度参与的系统工程。在动手之前，你得先把自己的事想明白。

你到底想解决什么具体问题？

是理赔审核太慢，人工核对药品清单和适应症效率低下，导致客户投诉多？还是想通过用药合理性分析，主动干预高风险客户的用药行为，降低未来的赔付风险？又或者是想给客户提供增值服务，在理赔之外，推送更经济有效的替代用药方案，提升客户满意度？

目标不同，做法和投入完全不一样。

比如，一家总部在天津、主要做中端医疗险的公司，他们的核心痛点就是理赔审核。高峰期，一个审核员一天要看上百份病历和处方，光核对药品是否在目录、剂量是否超规就头大，更别提判断用药合理性了。他们的需求就很直接：快速、准确地自动化审核常规用药理赔。

而另一家在上海、主打高端客户服务的公司，他们更看重服务体验和风险前置管理。他们的需求可能是：在客户提交用药咨询或理赔预审时，系统能给出基于最新临床指南的、更优的用药方案建议，体现专业价值。

内部资源和支持到位了吗？

这不是IT部门或某个业务部门自己能搞定的。你需要三股力量：

1. 业务专家：核保、理赔、客服的一线骨干，他们最清楚流程卡在哪，规则是什么，常见的争议点在哪。他们负责提供“业务逻辑”。

2. 医学药学专家：最好是公司内部的医学顾问或合作的药师团队。他们负责提供“专业逻辑”，确保AI推荐的医学依据靠谱。

3. 技术对接人：懂系统、懂数据接口的同事。他负责把前两者的需求，翻译成技术语言，并协调内部系统（如核心业务系统、理赔系统）做对接。

如果这三方没法坐到一起，或者高层只是口头支持没有资源投入，项目很容易半途而废。

数据家底摸清了吗？

AI是靠数据“喂”出来的。你得大致盘一下：

• 历史理赔数据：过去两三年的理赔案件里，药品相关的数据质量怎么样？药品名称、规格、诊断（ICD编码）、费用这些字段齐全、规范吗？

• 药品知识库：公司有没有自己的药品报销目录库？更新及不及时？和供应商的药品知识库怎么融合？

• 客户健康数据：如果要做个性化推荐，客户授权的体检报告、过往病史数据能不能合规地获取并使用？

我接触过成都一家中型险企，他们初期评估时发现，历史数据里诊断信息缺失严重，大量记录只写了“头晕”、“腹痛”，没有具体诊断编码。这就导致AI很难把药和病准确关联起来。后来他们花了两个月时间，先规范了前端录入规则，才敢推进下一步。

第一步：把你的需求梳理清楚

想清楚之后，就要把需求落到纸面上。别用“提高效率”这种虚词，要具体。

需求文档到底写什么？

一份能用的需求文档，至少要包含这些：

1. 业务场景描述：具体在哪个环节用？比如“门诊理赔自动审核”、“特药申请前置评估”、“客户用药提醒服务”。每个场景写清楚谁触发、输入什么、经过什么判断、输出什么结果、结果给谁用。

2. 核心判断规则：这是重中之重。把业务专家和医学专家的经验总结出来。例如：“对于诊断A，优先推荐一线用药B；若客户有肝功能异常病史，则推荐替代用药C；若使用药品D超过14天，需提示复查指标E。” 规则要尽可能具体，哪怕一开始不完整。

3. 性能与精度要求：审核类场景，准确率要求多高？（比如对常规用药的自动审核通过率要大于95%，误拒率低于1%）。响应速度要求多快？（比如单次理赔审核API调用响应时间<2秒）。

   

4. 系统对接要求：需要和哪些现有系统对接？数据怎么传？是实时调用还是批量处理？

5. 合规与安全要求：数据脱敏怎么做？客户隐私如何保护？所有推荐是否有循证依据可追溯？

小心这些常见的需求误区

• “大而全”陷阱：一上来就想做一个能覆盖所有疾病、所有药品的万能系统。结果就是项目周期无限长，成本失控。正确的做法是“小步快跑”，比如先搞定理赔量最大的前10种疾病的用药审核。

• “黑盒”依赖：完全指望AI供应商的算法，自己说不清推荐逻辑。这在医疗领域是危险的，一旦出现争议或监管审查，你无法解释。一定要要求供应商提供“可解释性”，比如推荐A药是因为符合XX指南第几版、第几条推荐。

• 忽略人工复核流程：AI不是100%准确，必须设计人机协同流程。比如，AI给出“疑似不合理用药”标记的案件，自动流转给资深审核员重点复核。需求里必须明确人机分工的边界和衔接点。

第二步：供应商怎么选怎么试

需求清楚了，就可以出去找供应商了。市场上主要有几类：大型综合AI公司、垂直的医疗AI公司、以及一些有医学背景的创业团队。

去哪里找，怎么看？

别只看宣传PPT。我建议按这个顺序来：

1. 同行打听：问问其他保险公司（非直接竞争关系）的朋友，他们用过谁家的，实际效果和售后服务怎么样。这是最靠谱的信息源。

2. 看案例：要求供应商提供和你需求场景类似的落地案例，最好是保险行业的。直接联系案例客户（如果对方愿意）了解真实反馈。

3. 重点考核心智库：这是AI用药推荐的核心。问清楚他们的药品知识库和疾病知识库来源是什么？（是接第三方数据库，还是自建？）更新频率如何？（药品和指南每月甚至每周都在更新）。逻辑规则是硬编码的，还是机器学习生成的？能否支持你自定义业务规则？

4. 问数据与部署：数据如何处理？是必须上传到供应商云端，还是可以本地化部署？对于保险公司，数据安全极其重要，很多公司会要求私有化部署，这点要提前明确。

组织一次“真枪实弹”的验证测试

光说不练假把式。一定要做POC（概念验证）测试。

1. 准备测试数据集：从你历史数据中，脱敏后抽取几百到上千个真实的理赔案例，涵盖“明确合理”、“明确不合理”和“边界模糊”三种情况。你自己要先组织专家团队对这批数据做出标准答案。

2. 定义评估指标：核心看两个——准确率（AI判断和专家判断一致的比例）和召回率（在所有“不合理”案例中，AI成功抓出了多少）。速度、系统稳定性也要测。

3. 观察过程而不仅是结果：看AI的推荐理由是否清晰、有据可查。看系统是否容易和你的人员协同。比如，审核界面是否把关键信息（诊断、用药、AI判断理由、参考依据）清晰展示，方便人工快速复核。

武汉一家公司就在POC阶段发现，某家供应商的算法虽然准确率不错，但每次判断耗时长达10秒，不符合他们高频、实时的理赔审核场景，果断放弃了。

第三步：分阶段落地，紧盯关键点

测试通过了，签了合同，才是真正挑战的开始。千万别想着一口气全部上线。

建议分成三个阶段来走

第一阶段：小范围试点

选一个业务量适中、流程相对标准的业务线或区域分公司进行试点。比如，先用于上海分公司的高端医疗门诊理赔审核。这个阶段的目标是“跑通流程”，验证系统在真实业务环境下的稳定性，以及和人员、制度的磨合情况。预计周期1-3个月。

第二阶段：优化与推广

根据试点反馈，调整系统规则、优化操作流程。同时，对更多业务人员进行培训。然后，将应用推广到其他类似业务场景或更多分支机构。这个阶段目标是“提升价值”，积累数据，测算出实际的效率提升和成本节约效果。预计周期3-6个月。

第三阶段：深化与拓展

在前两个阶段成功的基础上，考虑更复杂的场景。比如，从事后理赔审核，扩展到事前的用药合理性咨询或健康管理服务；或者接入更丰富的客户健康数据，提供更个性化的推荐。这个阶段目标是“创新业务”。

每个阶段都要盯死的风险点

• 变更管理：一线员工习惯了旧流程，对新系统有抵触。必须配套培训、考核，甚至短期的激励，让大家愿意用、会用。

• 规则迭代：医学知识在更新，公司政策也会调整。必须建立一个顺畅的规则维护机制。比如，业务或医学专家发现新问题或新规则，可以通过一个简单的流程提交，技术团队能快速在系统中更新测试并上线。

• 效果追踪：上线不是结束。要持续追踪关键指标：自动审核率、人工复核率、争议案件率、平均处理时长、客户满意度等。用数据说话，指导下一步优化。

第四步：怎么算成功，怎么持续优化

项目上线运行一段时间后，怎么评估成败？不能凭感觉。

算清这几笔账

1. 效率账：原先人工审核一份常规药品理赔平均需要5分钟，现在AI自动审核通过占比70%，这70%的案件几乎不耗时，剩下的30%由人工重点复核。整体处理效率提升多少？能不能量化到“相当于节省了X个全职审核人力”？这部分节省的人力成本，就是直接收益。

2. 风控账：AI上线后，不合理用药的检出率是否提高了？比如，之前人工抽查发现的不合理用药率是0.5%，AI上线后系统性审查，发现率提升到0.8%。这多发现的0.3%，就是避免的潜在赔付损失。虽然难以精确计算，但趋势很重要。

3. 服务账：对于提供用药建议的服务，客户的满意度、净推荐值（NPS）有没有变化？咨询服务的响应速度是否加快？

深圳一家合资险企算过一笔账，他们上线AI用药审核后，在业务量增长20%的情况下，理赔审核团队人数没有增加，相当于一年省下了近百万的人力成本。同时，理赔纠纷率下降了15%。

建立持续优化的闭环

AI系统不是一劳永逸的。需要建立一个“数据-发现-优化-验证”的闭环：

• 收集反馈：在系统里设置便捷的反馈入口，让一线审核员、客服可以随时标记“AI判断有疑问”的案件。

• 定期复盘：每月或每季度，组织业务、医学、技术三方，复盘这些存疑案例和错误案例，分析原因：是规则缺失、知识库陈旧，还是算法有偏差？

• 迭代更新：根据复盘结论，更新知识库、调整规则、甚至优化算法模型。

• 再次验证：将优化后的系统，用新的测试案例进行验证，确保问题得到解决且没有引入新问题。

写在最后

AI用药推荐，对于商业健康险公司来说，早已不是一个“要不要做”的观望题，而是一个“怎么做对”的实践题。它的价值不仅在于降本增效，更在于提升风控能力和服务专业度，这在产品同质化竞争激烈的今天，尤为重要。

整个过程，就像请一位高水平的“数字医学顾问”团队入职，你需要花时间和他沟通，让他熟悉你的业务流程、你的规则，他才能发挥最大价值。急不得，也省不得。

如果你还在纠结从哪入手，或者对市面上五花八门的方案拿不定主意，我的建议是，别闷头自己想。可以先在“索答啦AI”上把你的业务场景和初步想法梳理一下，它能帮你更结构化地分析需求，甚至提供一些不同路径的对比思路，让你在和供应商沟通前心里更有底。这比盲目参加几个产品推介会要实在得多。