Guardoc Health affirme traiter quotidiennement plus d’un million de documents cliniques à l’aide des modèles Amazon Nova via Bedrock.
Intégrer l’IA dans la documentation clinique revient à un type spécifique de calcul de risque. Si vous vous trompez, les erreurs se multiplient et se traduisent par des réclamations Medicare refusées dans le cadre du modèle de paiement axé sur le patient, des amendes d’audit, des risques de litige et, dans le pire des cas, une condition manquée qui modifie la façon dont un patient est traité.
Cependant, si vous faites les choses correctement, les résultats se manifesteront par moins de corrections, moins de transferts hospitaliers et une réduction des coûts de conformité. Guardoc Health, qui crée des logiciels de documentation pour les prestataires de soins de longue durée, a publié des chiffres de déploiement qui, selon lui, soutiennent ce résultat.
L’ampleur du problème sous-jacent
Le pipeline de Guardoc Health doit gérer des documents qui arrivent dans presque tous les formats qu’un environnement clinique peut produire : des PDF de plusieurs pages avec des annotations manuscrites du médecin superposées au texte imprimé, des formulaires d’autorisation préalable dans lesquels une case à cocher seule détermine une décision de couverture, des listes de médicaments qui apparaissent sous forme de tableaux clairs dans un graphique et de texte libre dans le suivant, et des formulaires d’admission des patients mélangeant des champs dactylographiés avec des tampons en caoutchouc et une écriture manuscrite sur la même page.
Une étude publiée dans BMJ Quality and Safety estime à environ 12 millions le nombre de patients ambulatoires américains touchés par une erreur de diagnostic par an, les échecs dans le traitement de l’information étant cités comme facteur contributif. Au niveau du volume traité par Guardoc, un taux d’erreur de 1 % dans la seule détection des conditions générerait quotidiennement des milliers d’enregistrements incorrects. Chacun a ses propres conséquences en matière de sécurité des patients ou d’observance.
Guardoc rapporte une réduction de 46 % des erreurs de documentation, une baisse de 70 % des amendes d’audit et un retour sur investissement annuel de plus de 400 000 $ pour une seule installation, sans publier la période de référence ou la méthodologie derrière ces calculs.
Lors d’un déploiement trimestriel couvrant deux établissements et 200 patients, la société affirme que son système a généré 847 corrections de documentation, signalé 86 problèmes liés à l’exactitude du remboursement du PDPM et a été associé à une réduction de 74 % des transferts hospitaliers pour 100 admissions. Une étude de cas distincte couvrant sept établissements et 1 618 résidents a identifié 10 612 problèmes, selon Guardoc.
Un pipeline de récupération construit autour du coût autant que de la précision
L’architecture de Guardoc exécute la classification des conditions via une génération augmentée de récupération, extrayant les preuves de la propre documentation d’un patient avant de les raisonner pour produire une réponse finale.
Amazon Textract extrait d’abord le texte et les métadonnées structurelles de chaque page entrante, à ce que l’entreprise considère comme le point de coût par page le plus bas du pipeline. Cette sortie est répartie selon les limites cliniques, de sorte qu’une liste de médicaments ou une section de diagnostic reste intacte plutôt que d’être divisée par un nombre de caractères arbitraire.
Chaque morceau est intégré à l’aide d’Amazon Titan Text Embeddings V2 et stocké dans Amazon DynamoDB, partitionné par patient afin que la récupération ne dépasse jamais les limites du patient. Un pré-filtre personnalisé restreint l’ensemble des candidats par type de document et par récence avant qu’une recherche du k voisin le plus proche ne récupère les morceaux les plus pertinents pour une requête de classification donnée, renvoyant les références de page uniquement à ce stade pour garder le transfert de données léger.
Amazon Nova 2 Lite exécute ensuite une passe basée sur du texte pour supprimer les non-correspondances évidentes. Seules les pages qui survivent à chaque filtre précédent atteignent Amazon Nova Pro, qui reçoit les octets PDF bruts et les raisons de la mise en page, de l’écriture manuscrite, des signatures et des tampons pour produire la classification sur laquelle agissent les systèmes en aval.
La conception suit une logique de hiérarchisation des coûts : les composants bon marché gèrent des travaux volumineux tels que l’intégration et le filtrage grossier, et le raisonnement multimodal, plus intensif en termes de calcul, est réservé à l’étape finale où il est réellement nécessaire.
Les cas difficiles de documentation clinique
Selon Guardoc, deux types de documents représentent l’essentiel de ce qui manquait aux versions précédentes du pipeline. Le premier concerne les champs d’attestation médicale sur les formulaires d’autorisation préalable, où une note manuscrite peut remplacer une case à cocher imprimée. La seconde concerne les sections sur les symptômes signalés par les patients, où l’écriture manuscrite contient souvent des informations qui n’apparaissent nulle part ailleurs dans le dossier.
L’extraction de médicaments présente un problème connexe. Les noms, dosages, itinéraires et fréquences des médicaments apparaissent dans des tableaux structurés, dans de la prose enfouie dans les notes du médecin, dans des ajouts manuscrits aux listes imprimées et dans des scans qui ont été faxés par plusieurs mains. Le pipeline hybride de Guardoc exécute d’abord Amazon Textract pour les tableaux imprimés propres, puis transmet à la fois le PDF original et la sortie Textract à Amazon Nova Pro pour résoudre les colonnes de tableau encapsulées, les ajouts manuscrits et les formats non standard que l’OCR seul ne peut pas analyser correctement.
« Avec la famille Nova, nous permettons aux organismes de soins de santé de détecter plus tôt les cas à haut risque et d’agir avant que les problèmes ne deviennent coûteux », a déclaré Assaf Amiaz, directeur des produits chez Guardoc Health. « En automatisant les flux de travail qui nécessitaient autrefois une surveillance manuelle, la famille Nova aide les équipes à réduire les écarts de conformité, à prévenir les erreurs et à consacrer davantage de temps à l’amélioration des résultats pour les patients. »
