Guardoc Health обрабатывает клиническую документацию с помощью Amazon Nova в Bedrock

Внедрение ИИ в клиническую документацию сводится к особому виду расчёта рисков. Если ошибиться, ошибки накапливаются и приводят к отклонённым счетам Medicare в рамках Patient-Driven Payment Model, штрафам после аудитов, судебным рискам и, в худшем случае, к пропущенному диагнозу, который меняет лечение пациента.

Если же всё работает корректно, эффект проявляется в меньшем числе исправлений, меньшем количестве переводов в больницы и более низких затратах на соблюдение требований. Guardoc Health, которая разрабатывает ПО для документации для провайдеров долгосрочного ухода, опубликовала показатели внедрения, которые, по её словам, подтверждают этот эффект.

Масштаб базовой проблемы

Пайплайн Guardoc Health должен обрабатывать документы почти в любом формате, который может создать клиническая среда: многостраничные PDF с рукописными пометками врача поверх печатного текста, формы предварительного согласования, где одно состояние чекбокса определяет решение по покрытию, списки лекарств, которые в одной карте представлены аккуратной таблицей, а в другой — обычным текстом, а также формы первичного приёма, где напечатанные поля, штампы и рукописные записи смешаны на одной странице.

Исследование, опубликованное в BMJ Quality and Safety, оценивает число пациентов в США, затронутых диагностическими ошибками, примерно в 12 миллионов в год; среди факторов называют сбои в работе с информацией. При объёме, который обрабатывает Guardoc, даже один процент ошибок в распознавании состояний привёл бы к тысячам неверных записей ежедневно. Каждая такая запись несёт свой риск для безопасности пациента или соблюдения требований.

Guardoc сообщает о снижении числа ошибок в документации на 46 процентов, падении штрафов после аудитов на 70 процентов и годовом ROI более $400 000 для одного учреждения, не раскрывая базовый период или методологию этих расчётов.

В квартальном внедрении, охватывающем два учреждения и 200 пациентов, компания говорит, что система привела к 847 исправлениям документации, выявила 86 проблем, связанных с точностью возмещения по PDPM, и была связана со снижением переводов в больницы на 74 процента на 100 поступлений. Отдельный кейс на семь учреждений и 1 618 жителей показал 10 612 проблем, по данным Guardoc.

Пайплайн извлечения, где стоимость важна не меньше точности

Архитектура Guardoc выполняет классификацию состояний через retrieval augmented generation, извлекая доказательства из собственной документации пациента и затем сопоставляя их для получения итогового ответа.

Amazon Textract сначала извлекает текст и структурные метаданные с каждой входящей страницы — на том уровне, который компания считает самой низкой стоимостью за страницу в пайплайне. Затем этот вывод разбивается на фрагменты по клиническим границам, чтобы список лекарств или раздел с диагнозом сохранялся целиком, а не дробился по произвольному числу символов.

Каждый фрагмент преобразуется в embedding с помощью Amazon Titan Text Embeddings V2 и сохраняется в Amazon DynamoDB, с разбиением по пациентам, чтобы поиск никогда не выходил за пределы данных конкретного пациента. Затем пользовательский предварительный фильтр сужает набор кандидатов по типу документа и актуальности, после чего поиск k-nearest neighbour выбирает фрагменты, наиболее релевантные заданному запросу классификации, возвращая на этом этапе только ссылки на страницы, чтобы снизить объём передаваемых данных.

После этого Amazon Nova 2 Lite выполняет текстовую проверку и отбрасывает очевидные несоответствия. Только страницы, прошедшие все предыдущие фильтры, попадают в Amazon Nova Pro, который получает сырые байты PDF и анализирует макет, рукописный текст, подписи и штампы, чтобы выдать классификацию, на основе которой работают downstream-системы.

Такой дизайн следует логике многоуровневой стоимости: дешёвые компоненты берут на себя высокообъёмную работу вроде embedding и грубой фильтрации, а более затратное мультимодальное рассуждение оставляется на финальный этап, где оно действительно нужно.

Сложные кейсы клинической документации

По словам Guardoc, наибольшая доля того, что ранее пропускали версии пайплайна, приходится на два типа документов. Первый — поля подтверждения врача в формах предварительного согласования, где рукописная пометка может перевесить напечатанный чекбокс. Второй — разделы с симптомами, сообщёнными пациентом, где рукопись часто содержит сведения, которых больше нигде в записи нет.

С извлечением лекарственных данных связана похожая проблема. Названия препаратов, дозировки, способы приёма и частота встречаются в структурированных таблицах, в тексте врачебных заметок, в рукописных добавлениях к печатным спискам и в сканах, которые прошли через несколько факсов. Гибридный пайплайн Guardoc сначала запускает Amazon Textract для аккуратных печатных таблиц, а затем передаёт и исходный PDF, и результат Textract в Amazon Nova Pro, чтобы разобрать перенесённые строки таблиц, рукописные добавления и нестандартные форматы, которые OCR сам по себе не может корректно распознать.

«С семейством Nova нам проще помогать медицинским организациям раньше выявлять высокорисковые случаи и действовать до того, как проблемы станут дорогими», — сказал Assaf Amiaz, директор по продукту в Guardoc Health. «Автоматизируя процессы, которые раньше требовали ручного контроля, семейство Nova помогает командам сокращать пробелы в соблюдении требований, предотвращать ошибки и уделять больше времени улучшению результатов лечения пациентов».

См. также: Как ИИ сокращает сроки разработки лекарств в Китае

https://www.ai-expo.net/?utm_source=AI-News&utm_medium=Footer-banner&utm_campaign=world-series

Хотите узнать больше об ИИ и больших данных от лидеров отрасли? Обратите внимание на AI & Big Data Expo, который пройдёт в Амстердаме, Калифорнии и Лондоне. Это мероприятие входит в состав TechEx и проходит совместно с другими крупными технологическими событиями, включая Cyber Security & Cloud Expo. Нажмите здесь, чтобы узнать больше.

Материал — перевод статьи с английского.

Оригинал: Guardoc Health processes clinical documentation using Amazon Nova models