Can Oncology Workflows Run Without Human Touch? - Anant Shankhdhar, Risa Labs

한 줄 핵심

온콜로지 사전승인 업무를 인간 개입 없이 끝까지 처리하려면, 단일 LLM보다 결정론적 규칙·다중 근거·에이전트 분업·자가복구를 결합해 신뢰도를 단계적으로 끌어올려야 한다.

시간별 요약

1. 0:00
   영상은 암 환자 처방의 prior authorization 흐름을 설명하며, 접수·자격 확인·약물별 승인 필요 여부 판단·제출로 이어지는 과정을 자동화 대상으로 정의한다. 최종 제출 전에는 사람이 검토하지만, 목표는 일부 주문을 인간 검증 없이 바로 제출 가능한 수준으로 만드는 것이다.
2. 2:01
   이를 위해 EV agent, auth agent, necessity agent, submission agent의 4개 에이전트로 역할을 분리한다. 자격 확인과 승인 상태 판별은 규칙과 결정론적 엔진으로 먼저 걸러내고, 애매한 케이스만 뒤 단계로 넘겨 confidence를 관리한다.
3. 4:01
   보험 정보가 포털·API·문서에 흩어져 있으므로, 통합 서비스로 정규화된 coverage 결과를 만들고 API/RPA 경로를 오케스트레이션한다. 여기에 LLM 기반 config 생성과 self-healing loop를 더해 포털별 커스텀 통합 비용과 런타임 장애를 줄인다.
4. 6:00
   약물이 NAR인지 auth on file인지 판별하는 첫 시도는 노트 기반 LLM extraction이었지만, 입력 정보 부족과 비결정성 때문에 단독으로는 인간을 완전히 대체하지 못했다. 그래서 승인서, 포털 체크, 과거 이력, payer rule knowledge base(SQL) 등 다중 근거를 합쳐서 높은 신뢰도일 때만 no touch로 처리한다.
5. 11:00
   auth required 케이스는 clinical reasoning이 필요하므로 medical necessity agent가 환자 노트, policy criteria, patient medical graph를 함께 보고 답을 만든다. 근거와 반대 근거를 함께 붙여 confidence score를 매기고, 정보가 부족한 경우만 clinician에게 에스컬레이션한다.
6. 15:00
   결론적으로 no touch 범위는 결정론적 체크, 다중 출처 근거, self-healing, 추론 계층을 순차적으로 쌓으면서 확대된다. 이 방식은 온콜로지 사전승인에만 국한되지 않고 다른 워크플로에도 재사용 가능한 범용 패턴으로 확장된다.

실무 인사이트

• 사람을 완전히 제거하려면 LLM을 먼저 쓰기보다, 결정 가능한 부분은 규칙과 검증 엔진으로 먼저 고정하고 애매한 부분만 에이전트가 처리하게 나누는 것이 효과적이다.
• 단일 출처가 아닌 문서·포털·과거 이력의 교차 검증을 붙여야 자동화의 confidence를 높일 수 있으며, 특히 승인·자격 같은 업무는 근거 보강이 핵심이다.
• 포털별 통합이 많은 업무는 LLM으로 설정을 생성하고 self-healing을 넣어야 운영 확장성이 나온다.