ИИ нашел способ борьбы с недобросовестной отчетностью больниц: кодовая эволюция вместо наказаний

Проблема стимулирования больниц к недобросовестной отчетности известна давно: клиники могут завышать сложность диагнозов, отбирать пациентов с низкой сложностью или затягивать лечение ради прибыли. Существующие ИИ-бенчмарки не учитывают эту стратегическую реакцию, оценивая лишь статичные показатели.

В новой работе на arXiv исследователи представили подход, переосмысливающий механизмы финансирования здравоохранения как синтез программ на естественном языке. Они разработали симулятор Medi-Sim, моделирующий пять каналов стратегического поведения: кодировка диагнозов, отбор пациентов, задержка лечения, усилия персонала и триаж.

С помощью эволюционного поиска, управляемого языковой моделью, ученые синтезировали новую смешанно-целевую программу правил. Результат оказался впечатляющим: завышение диагнозов (up-coding) исчезло полностью, количество отказов в помощи сократилось вдвое, а основная часть бюджета, ориентированного на прибыль, сохранилась.

Исследователи также обнаружили эффект миграции давления: если заблокировать один канал (например, кодировку), больницы переключаются на другой — отбор малосложных пациентов. Единый рычаг аудита выявил эту динамику: закрытие кодировочного канала более чем удвоило частоту отбора по низкой сложности.

Работа демонстрирует, что LLM-управляемый поиск по пространству правил может создавать проверяемые и исполняемые политики, которые эффективно противодействуют оппортунистическому поведению. Такой подход может улучшить системы финансирования здравоохранения, снижая издержки и повышая доступность помощи.