Guardoc Health 每日处理百万份临床文档，用 Amazon Nova 模型降低 46% 错误率
Guardoc Health 通过 Amazon Bedrock 上的 Nova 模型，每天处理超百万份临床文档，实现 46% 文档错误率下降、70% 审计罚款减少。本文详解其 RAG 架构与成本分层策略，并探讨对中文医疗 AI 领域的启示。
一句话看懂
Guardoc Health 使用 Amazon Nova 模型通过 Bedrock 每天处理超百万份临床文档，实现 46% 错误率下降和 70% 审计罚款减少。
详细发生了什么
Guardoc Health 是一家为长期护理机构提供文档软件的美国公司，近日公开了其使用 Amazon Nova 模型（通过 Bedrock 服务）处理临床文档的部署数据。系统每天处理超过一百万份文档，涵盖多页 PDF、手写医生注释、授权表格、药物清单等多种格式。
核心架构基于检索增强生成（RAG）：首先用 Amazon Textract 提取文本和元数据，按临床边界分块（如药物列表、诊断部分），用 Amazon Titan Text Embeddings V2 生成嵌入并存入 DynamoDB（按患者分区）。然后通过自定义预过滤器按文档类型和时效性缩小候选集，经 k 近邻搜索检索相关块，再用 Amazon Nova 2 Lite 进行文本级筛选，最后只有通过所有过滤的页面才交由 Amazon Nova Pro 进行多模态推理（处理布局、手写、签名、印章等）。
Guardoc 报告的关键成果：单个设施年 ROI 超 40 万美元，两个设施 200 名患者的季度部署中产生 847 次文档修正，识别 86 个 PDPM 报销准确性问题，每百人住院转移率降低 74%。另一项覆盖 7 个设施 1618 名居民的研究识别出 10612 个问题。
中文圈视角
Guardoc 的案例对中文医疗 AI 领域有直接参考价值。国内长期护理机构同样面临文档格式混乱、手写识别难、医保报销审核严格等痛点。目前国内类似产品如科大讯飞的医疗语音录入、腾讯觅影的影像 AI 等，但在临床文档的端到端自动化处理上，鲜有公开的大规模部署数据。
技术层面，Guardoc 的成本分层策略值得借鉴：用低成本组件处理高流量任务（嵌入、粗过滤），将高成本多模态推理保留到最后一步。国内厂商可参考此架构，结合国产模型（如 DeepSeek、通义千问）和云服务（阿里云、华为云）构建类似系统。
合规方面，国内医疗数据受《个人信息保护法》和《数据安全法》严格监管，数据不出境是硬性要求。Guardoc 使用 AWS 美国区域，国内需采用本地化部署或国产云。此外，国内医保支付改革（DRG/DIP）对文档准确性要求日益提高，类似 PDPM 的报销模型正在推广，自动化文档处理需求将快速增长。
几条值得记住的细节
- Guardoc 每天处理超 100 万份文档，错误率降低 46%，审计罚款减少 70%。
- 单设施年 ROI 超 40 万美元，两个设施 200 名患者季度部署中住院转移率降 74%。
- 架构采用成本分层：Textract 提取 → Titan 嵌入 → DynamoDB 存储 → Nova Lite 粗筛 → Nova Pro 多模态推理。
- 最难处理的文档类型：医生授权表格上的手写覆盖、患者症状自述手写部分、药物提取中的非标准格式。
- Amazon Nova Pro 接收原始 PDF 字节，直接推理布局、手写、签名和印章。
一句话总结
Guardoc 证明，通过精心设计的 RAG 管道和成本分层，AI 能显著降低临床文档错误和合规风险，国内医疗 AI 厂商可借鉴其架构思路。