Guardoc 如何借助 Amazon Nova 模型革新医疗文档处理
How Guardoc transforms medical document processing with Amazon Nova models
Guardoc Health 利用 Amazon Bedrock 提供的 Amazon Nova 系列模型（包括 Nova Pro 和 Nova 2 Lite），结合 Amazon Textract、Amazon Titan Text Embeddings V2 和 Amazon DynamoDB，构建了用于长期护理临床文档处理的管道。该管道通过 RAG 进行医疗状况分类、处理 PDF 复选框与手写内容，并采用混合 OCR 提取药物数据。在覆盖 200 名患者的季度部署中，系统实现了 847 次文档更正、86 个 PDPM 影响问题解决，以及每 100 次入院中医院转诊减少 74%。Guardoc 报告文档错误减少 46%，审计罚款减少 70%，单个设施年 ROI 超过 40 万美元。
每天，护士和护理团队都要根据临床文档做出关键决策，而这些文档往往零散、不一致且容易出错。不完整或不准确的记录会增加认知负荷，引入临床风险，并在本已要求严苛的环境中带来合规挑战。医疗文档必须同时服务于患者预后和监管标准，但往往在这两方面都表现不佳。Guardoc Health 的使命是通过促进准确、完整且符合合规要求的临床文档，释放医疗数据的全部价值，赋能护士和护理团队提供更安全、更高质量的护理。在这篇文章中，我们将探讨 Guardoc Health 如何使用通过 Amazon Bedrock 提供的 Amazon Nova 系列模型，来变革长期护理中的临床文档处理。借助 Amazon Nova 模型，Guardoc Health 帮助专业护理机构和辅助生活中心比人工审核更快、更准确地提取、分类和处理复杂文档。这种方法有助于医疗机构减少美国每年在人工文档处理上花费的数亿美元。Guardoc 报告称，文档错误减少了 46%，审计罚款减少了 70%，单个设施的年度投资回报率（ROI）超过 40 万美元。
医疗文档不遵循规则
医疗记录以各种可以想象的格式出现。在一天之内，一个医疗机构可能需要处理：
- 包含手写医生注释和印刷文本的多页 PDF。
- 复选框状态决定承保范围的预授权表格。预授权表格是医生或药剂师填写的文件，以便健康保险计划批准某些医疗服务、程序或药物。
- 嵌入在表格、自由文本或扫描图像中的药物清单。
- 混合了打字字段、手写和橡皮图章的患者入院表格。
根据发表在《BMJ Quality and Safety》上的研究，诊断错误每年影响约 1200 万美国门诊成人患者，信息处理失败被确定为一个促成因素。Guardoc Health 正是为解决这一变量而构建的。
对于 Guardoc Health 而言，挑战在于规模与精度的结合。在高峰日，他们要处理超过 100 万份文档。在这样的数量级下，即使条件检测的错误率仅为 1%，每天也会产生数千条错误记录，每一条都可能带来患者安全风险或合规责任。实现这一目标需要解决临床文档处理中最困难的三个挑战：从患者记录中以高召回率检测特殊医疗状况、可靠地解释数十种表单类型中的 PDF 复选框，以及从单页内混合格式的文档中准确提取信息。
解决方案：Amazon Bedrock 上的 Amazon Nova 模型
Guardoc Health 基于 Amazon Nova 系列模型和 Amazon Bedrock 构建了其处理管道，结合了多项 AWS 服务来处理文档处理的每个阶段。以下部分描述了每个部分的工作原理。
使用 RAG 进行医疗状况分类
Guardoc Health 使用检索增强生成（RAG）从患者记录中识别医疗状况。RAG 是一种技术，模型首先从外部来源检索相关信息，然后利用该上下文生成更准确的响应。在此管道中，Guardoc 直接从患者自身的文档中检索证据，并对其进行推理以产生最终分类。
图 1 — Guardoc 检索增强生成管道
如上图所示，管道按以下顺序运行：
- 传入的患者文档通过 Amazon Textract，该服务从每页中提取文本和结构元数据。这是管道的第一阶段，以较低的每页成本进行全面提取。Amazon Textract 是一项 AWS 机器学习（ML）服务，可自动从扫描文档和 PDF 中提取文本、手写内容、表单、表格和布局信息。它超越了基本的光学字符识别（OCR），通过识别结构，使输出可用于下游应用程序和文档工作流。
- 提取的内容根据文档类型沿适当边界进行分块，因此块对应于有意义的临床单元，而不是任意的字节范围。块是沿有意义的临床边界（如药物清单、诊断部分或医生笔记）对齐的较小文档片段，而不是按字符数或字节大小任意分割。这确保了当管道搜索相关信息时，它检索到的是完整、连贯的临床单元，而不是缺乏准确分类所需上下文的碎片。
- 每个块使用 Amazon Titan Text Embeddings V2 进行嵌入，并存储在 Amazon DynamoDB 中，按患者分区，以便检索不会跨越患者边界。
- 在检索开始之前，一个自定义预过滤器通过评估文档类型、时效性和患者上下文信号来缩小候选集。此步骤在管道早期移除不相关的文档，减少需要搜索的内容量，并降低检索的总体成本。
- 在预过滤后的集合中，一个内存中的 k 近邻（k-NN）搜索检索出与状况分类查询最相关的块。k-NN 是一种通过测量向量表示之间的距离来识别最相似项的技术，返回与查询最匹配的结果。由于检索是按患者范围进行的，系统可以随患者数量水平扩展，而无需依赖共享的向量索引。此阶段仅返回页面引用，在进入后续更密集的多模态步骤之前保持数据传输的轻量级。
- 上一步中识别的页面通过 Amazon Nova 2 Lite，这是一个轻量级、高性价比的模型，在管道进入计算更密集的多模态步骤之前，执行基于文本的审查以移除明显不匹配的页面。Amazon Nova 2 Lite 是 Amazon Nova 系列中的一个低成本多模态基础模型（FM），专为快速、经济地处理文本、图像和视频输入而设计。
- 通过所有先前阶段的页面与原始 PDF 字节一起到达 Amazon Nova Pro。Nova 模型对布局、手写、签名、印章和其他视觉上下文进行推理，以产生最终分类，并且每个输出都回溯到其来源的特定源页面。
该管道遵循一个审慎的成本分层原则。每个阶段使用能够完成该工作的最便宜的组件。Amazon Titan Text Embeddings 和 Amazon Nova 2 Lite 处理高容量、轻量级的任务，如嵌入、索引和粗略过滤，而 Amazon Nova Pro 则保留给需要基于原始 PDF 字节进行多模态推理的最终阶段。
管道产生的每个分类都追溯到原始文档中的特定源页面。在决策直接影响患者安全的临床环境中，Guardoc Health 将这种可追溯性视为不可妥协的要求。Guardoc 运行多个文档处理管道，每个管道都专门用于解决提取、分类和搜索中的特定临床挑战，如下文所述。
使用 Amazon Nova 系列模型处理 PDF
大多数医疗文档原生为 PDF 格式，无论是扫描、拍照还是数字原生，准确处理它们需要一个能够以视觉方式而非纯文本方式阅读页面的模型。在评估期间，Amazon Nova Pro 在多模态 PDF 处理方面表现出显著改进，包括布局解释、表单结构、复选框状态、签名、手写注释以及页面上字段之间的空间关系。这种改进使得 Amazon Nova Pro 能够作为 Guardoc 管道中的核心多模态组件。状况分类、手写解释和药物提取都依赖于按页面实际存在的方式（包含注释、更正和布局线索）进行阅读。这种能力在文档类型中保持一致，包括复选框、手写、多列药物清单、盖章证明和划掉编辑，所有这些都被视为视觉文档而非文本流，这正是使其余多模态堆栈成为可能的原因。
手写识别
现实世界中的医疗文档包含手写内容。医生笔记、患者签名、注释字段以及对印刷表格的修改都以手写形式出现。Amazon Nova 系列模型能够准确处理这些内容，包括草书文本、临床缩写以及混合印刷和手写的页面。对于 Guardoc Health 而言，这种能力在两种文档类型中最为关键。第一种是预授权表格上的医生证明字段，手写笔记可以覆盖印刷的复选框。第二种是患者报告的症状部分，手写内容通常包含记录中其他地方未捕获的信息。在 Guardoc Health 早期版本的管道中，遗漏这些文本是信息丢失的一个重要来源。
用于药物提取的混合 OCR 管道
药物数据是患者记录中最重要的内容之一。药物名称、剂量、给药途径和频率直接用于临床决策，其中任何一项出错都会带来患者安全影响。药物协调、预授权和承保决策都依赖于从很少以清晰方式呈现的文档中准确提取这些信息。挑战在于多样性。药物出现在结构化的表格中、医生笔记的非结构化散文中、印刷清单的手写补充中，以及经过多次传真或拍照的扫描页面中。单个患者病历的不同页面可能包含所有这些格式。Guardoc Health 运行一个混合管道，将 Amazon Textract 与 Amazon Nova 系列模型配对：
- Amazon Textract 执行 OCR，生成带有边界框、表格结构和表单字段识别的结构化输出。对于清晰的表格和印刷的药物清单，Amazon Textract 快速、经济且准确。
- Amazon Nova Pro 接收原始 PDF 和 Amazon Textract 输出，后者包含机器可读文本以及源页面的视觉布局。Amazon Nova 模型通过解决复杂的提取场景来补充 Amazon Textract，包括跨包装表格列分割的药物、印刷清单的手写补充、非标准表格格式以及隐藏在医生笔记中的内联提及。
在管道中，每个组件处理其最擅长的部分。Amazon Textract 处理高容量、结构化的提取，而 Amazon Nova 系列模型则应用多模态推理来处理更复杂的情况。结果是下游临床工作流可以直接使用的药物数据，无需人工协调。
业务影响
文档错误会带来临床和财务后果。遗漏或不准确的文档可能导致索赔被拒、审计罚款、在患者驱动支付模型（PDPM）下失去报销（PDPM 是专业护理机构的 Medicare 支付系统，报销直接与临床文档的准确性挂钩），以及增加诉讼风险。Guardoc 部署的结果反映了这种影响。在一个覆盖 200 名患者、跨两个设施的季度部署中，Guardoc 推动了 847 次文档更正，解决了 86 个 PDPM 影响问题，并与每 100 次入院中医院转诊减少 74% 相关。最后这个数字尤其重要，因为医院转诊是长期护理中对患者和设施运营而言最昂贵、最不稳定的事件之一。在一个涵盖七个设施、服务 1618 名居民的更广泛案例研究中，Guardoc 识别出 10,612 个问题，并提高了对设施层面风险模式的可见性。这种规模的问题检测很重要，因为长期护理中的文档问题很少在触发索赔被拒或监管审计之前浮出水面，这使得主动识别成为一种有意义的运营优势。另一项季度分析报告称，文档错误平均减少了 46%，成果包括单个设施年 ROI 超过 40 万美元、审计罚款减少 70%、诉讼风险降低 65%，这表明文档准确性的改进直接转化为设施可衡量的财务和合规成果。
结论
长期护理中的临床文档是一个高风险问题，历来难以实现自动化。文档杂乱无章，格式千差万别，错误的后果从患者安全延伸到监管合规再到财务绩效。Guardoc 证明，一个架构良好的管道，建立在正确的 AWS 服务组合之上，可以大规模解决这个问题。通过结合 Amazon Textract、Amazon Titan Text Embeddings V2、Amazon DynamoDB 以及通过 Amazon Bedrock 提供的 Amazon Nova 系列模型，Guardoc 能够针对医疗保健领域一些最复杂的文档类型，提供准确、可追溯且经济高效的文档处理。
“借助 Nova 系列，我们让医疗机构更容易更早地发现高风险病例，并在问题变得代价高昂之前采取行动。通过自动化曾经需要人工监督的工作流，Nova 系列帮助团队缩小合规差距、防止错误，并将更多时间用于改善患者预后。” — Assaf Amiaz，Guardoc Health 产品总监
跨设施和患者群体的结果表明，更好的文档不仅仅是一种运营改进。它是迈向更安全、更高质量护理的有意义的一步。
Guardoc Health 与 Amazon Nova 系列模型的下一步计划
Guardoc 的路线图将超越合规，扩展到更广泛的临床工作流。计划中的模块包括 AI NoteAssist、MDSAssist、CarePlanAssist、AdmissionAssist 和 Pharmacy Reconciliation，旨在帮助团队准确记录、减少人工工作量，并在电子健康记录（EHR）系统内高效地完成整个临床工作流。Amazon Nova 2 系列模型中扩展的上下文窗口使多文档推理更加可行，使管道能够一次性对更大容量的临床内容进行推理。多模态能力的持续改进正在稳步减少目前需要人工审核的边缘情况，例如劣质扫描件、混合格式页面和非标准布局。底层系统的发展方向与 Guardoc Health 正在解决的问题的需求高度一致。
结论
医疗文档处理是 AI 在企业中风险最高的应用之一。文档多样性极高，容错空间很小，失败的后果是真实的，体现在护理延迟、合规风险和不必要的成本上。对于正在评估用于临床文档处理的 AI 的医疗机构，实用指导很简单：根据您的实际文档类型进行基准测试，分别衡量召回率和精确率，并设置反映每种错误类型真实成本的置信度阈值。Amazon Nova 系列模型和 Amazon Bedrock 提供了构建能够在生产环境中（而不仅仅是演示中）经得起考验的管道所需的基础设施和灵活性。工作在于将该基础设施校准到您的工作流、文档类型以及其记录依赖于正确处理的患者的特定需求。
关于 Guardoc
Guardoc Health 是一家 AI 驱动的临床操作系统公司，帮助专业护理机构（SNF）和辅助生活设施（ALF）的长期护理团队改进文档并降低风险。网站：www.guardoc.health | 联系方式：info@guardoc.health
关于 Amazon Nova
Amazon Nova 是来自 Amazon 的基础模型系列，可通过 Amazon Bedrock 获取。Nova 模型支持文本、图像和文档输入，其能力针对企业工作负载进行了优化，包括文档处理、信息提取和多模态推理。Nova Pro 在复杂文档任务（包括 PDF 处理、手写识别和结构化数据提取）上提供领先的性能。开始使用 Amazon Bedrock。
关于作者
Wrick Talukdar Wrick 是 Amazon Web Services 的技术负责人和高级生成式 AI 专家，通过多模态 AI、生成模型、计算机视觉和自然语言处理推动创新。他还是畅销书《Building Agentic AI Systems》的获奖作者。他是一位主题演讲者，经常在领先的全球论坛（包括 AWS re:Invent、ICCE、全球消费技术会议）以及 CERAWeek 和 ADIPEC 等主要行业活动中展示其创新和解决方案。业余时间，他喜欢写作和观鸟摄影。
Erez Weinstein Erez 是 AWS 以色列初创团队的一名解决方案架构师，他与构建 agentic AI 和网络安全产品的初创公司合作。他专长于 AWS 上 agentic 系统中的 agent 架构、评估和安全。他为 AWS Labs 贡献了一个 AgentCore 实现，并经常受邀参加社区活动和网络研讨会，就 agentic 时代的安全发表演讲。Erez 在软件和 SRE 工程方面拥有多年行业经验，包括团队领导经验。
Nir Shtein Nir 是 Guardoc Health 的研发副总裁，负责领导公司的工程组织和技术执行。他专注于为医疗运营构建可扩展的 AI 和云系统，将基于 LLM 的工作流投入生产，并帮助团队快速交付可靠的产品。Nir 还是一位公开演讲者，也是《Microservices with Go》的作者。
Anatol Zakrividoroga Anatol 是 Guardoc Health 的技术负责人和 Staff 工程师，负责领导整个公司的工程工作，并架构为平台提供支持的 AI 系统和基础设施。他工作在应用 AI 和大型系统的交叉领域——设计用于生产的基于 LLM 的管道，在 DynamoDB 和现代云原语上构建，并积极贡献于开源。Anatol 还是一位公开演讲者，喜欢分享在 AI、数据库和现代架构方面来之不易的经验教训。