笔者从GPT问世后一直高度关注人工智能在医保监管中的运用，随着国产AI大模型在自然语言理解和拟人化推理方面的精准度的突破应用层面的阈值要求，笔者尝试使用“AI理解+VBA编程+WPS数据处理”的模式，探索适应基层的智能审核末端高效处理模式，即首先让AI读懂医保规则，通过AI学习医学知识（如药品说明书）和医药机构的回复情况（指脱敏后的文本反馈信息），通过不断的对话、纠错、校对，形成用于VBA编程的指令库，输出VBA脚本代码，添加在本地计算机WPS等办公软件运行脚本代码，自动输出初筛情况。下面以“伏诺拉生”限制用药规则为例，介绍具体步骤。

（一）规范医院回复。为了后续处理的准确性，首先需要确保基础数据的准确性。根据《国家药品目录》，伏诺拉生限反流性食管炎的患者，笔者首先根据疾病诊断分类与代码医保版，向所负责的医疗机构明确，凡是诊断反流性食管炎、使用医保基金支付伏诺拉生，病历或对审核疑点提供的申诉材料中，诊断建议规范填写为“反流性食管炎”（K21.001），经与临床讨论，如因主要治疗原发疾病而以“胃-食管反流性疾病伴有食管炎”（K21.000）作为主要诊断的，也符合医保支付条件。

（二）AI指令调试。规范医院回复后，即可开始调试指令。经过笔者反复测试，直接将脱敏的医院反馈文本导入目前主流的各种通用AI大模型，要求其根据“伏诺拉生限反流性食管炎的患者”这一规则输出是否符合支付条件，准确率均无法超过60%，这可能与通用AI大模型底层推理式算法导致的“AI幻觉”有关，即把简单的问题复杂化了。因此笔者转变思路，作为一名从未学习过编程的审核人员，笔者要求AI按照以下要求生成可供WPS软件导入使用的VBA代码：“伏诺拉生根据《国家药品目录》，限反流性食管炎的患者。在反馈意见列回复中出现“反流”及“食管炎”字段（即同时纳入K21.001和K21.000），且病例诊断列中含“反流”字段的（即原诊断已有体现，并非医院为申诉而杜撰说明），在结论列输出“符合””。上述指令输入后无需调整，输出的VBA指令可供直接使用，在给出指令时要特别注意及、或等指示词的使用，确保与规则逻辑一致。

（三）数据批量处理。将VBA代码导入WPS软件，笔者目前同时运行约40条智能审核的VBA代码，约覆盖全部智能审核医院反馈数据的70%，每次运行大约耗时0.5秒可以完成运算。