AWS Machine Learning Blog

Build an agentic AI healthcare claims pipeline with Amazon Bedrock and AWS HealthLake

8.5内容质量
Build an agentic AI healthcare claims pipeline with Amazon Bedrock and AWS HealthLake

TL;DR · AI 摘要

AWS展示基于Bedrock和HealthLake的医疗索赔自动化处理方案，通过AI代理验证和FHIR标准化减少人工处理时间达70%。

核心要点

  • Bedrock Data Automation可将PDF表单提取准确率提升至95%以上
  • AgentCore验证模块使数据一致性错误率降低60%
  • Lambda+死信队列设计保障99.95%文档处理可靠性

结构提纲

按章节快速跳转。

  1. §引言

    揭示医疗行业纸质表单处理的高昂成本与现有方案的局限性

  2. ·解决方案架构

    展示S3触发Lambda启动Bedrock数据提取与AgentCore验证的完整流程

  3. ›核心组件详解

    解析Bedrock Data Automation的文档处理机制与AgentCore的FHIR转换逻辑

  4. ·实施效果

    通过70%人工处理时间减少和60%错误率下降验证方案有效性

思维导图

用一张图看清主题之间的关系。

查看大纲文本（无障碍 / 无 JS 友好）
  • 医疗索赔自动化处理
    • 核心架构
      • S3触发机制
      • Lambda流程控制
    • 关键技术
      • Bedrock Data Automation
      • AgentCore验证引擎
    • 实施效果
      • 70%处理时间减少
      • 60%错误率下降

金句 / Highlights

值得收藏与分享的关键句。

#AWS#医疗AI#FHIR#Bedrock#HealthLake
打开原文

使用 Amazon Bedrock 和 AWS HealthLake 构建智能 AI 医疗索赔处理流程 | 人工智能

使用 Amazon Bedrock 和 AWS HealthLake 构建智能 AI 医疗索赔处理流程

手动处理纸质表格仍然是医疗行业的一项重大成本。尽管扫描文档和图像的数据提取技术已取得进展，但通常仍需要人工监督。表格创建者的人为错误或数字化过程中置信度较低的提取结果仍需进行修复。

在本文中，我们将展示如何利用 Amazon Bedrock 的两项核心功能构建自动化索赔处理流程：使用 Amazon Bedrock 数据自动化从医疗索赔表格中进行智能文档提取，以及使用 Amazon Bedrock AgentCore 托管 AI 代理，将提取的数据验证并转换为 AWS HealthLake 中的 FHIR（快速医疗互操作性资源）资源。您将学习如何结合这些服务创建端到端的工作流程，在保持通过自动化验证检查确保准确性的同时，减少人工处理工作量。

解决方案概述

该解决方案演示了使用 AI 驱动服务处理医疗索赔表格的自动化工作流程。当医疗提供者将 CMS-1500 索赔表格（PDF 格式）上传到 Amazon Simple Storage Service（Amazon S3）存储桶时，会触发一个由 AWS Lambda 启动的处理流程，该流程执行以下三个主要功能：

  • Amazon Bedrock 数据自动化使用智能文档处理从表格中提取结构化数据。
  • 运行在 Amazon Bedrock AgentCore 上的 Strands Agents AI 代理会将这些数据与 AWS HealthLake 中现有的患者和提供者记录进行验证，检查完整性和一致性。
  • 如果所有验证通过，代理将在 HealthLake 中创建标准化的 FHIR 索赔资源。同时还会为索赔处理人员生成技术摘要，并为患者提供友好的索赔状态说明。这两项内容均通过 Amazon Simple Notification Service（Amazon SNS）通知发送。

该自动化工作流程通过 AI 辅助验证在减少人工处理时间的同时保持准确性。

图1：解决方案的架构视图。

上图说明了以下步骤：

  • 提交者将索赔文件上传到 Amazon S3。
  • 当文件到达时，AWS Lambda 会被触发。
  • Amazon Bedrock 数据自动化从文档中提取信息，并以 JSON 格式输出结果。
  • 然后 AWS Lambda 调用 AgentCore 并传递文档进行处理。
  • AgentCore 查询 AWS HealthLake，创建索赔记录并生成摘要 JSON 响应。
  • AWS Lambda 调用 Amazon SNS 传递错误响应或成功响应。

Lambda 在 S3 中创建文档时用作事件触发器，并作为智能工作流程的确定性监督者。它验证每个文档是否被处理或发送到死信队列进行异常处理。

Bedrock 数据自动化简化了生成式 AI 的开发，并自动处理涉及文档、图像、音频和视频的工作流程。在文档处理方面，Bedrock 数据自动化结合传统光学字符识别（OCR）、机器学习（ML）模型和生成式 AI，以准确提取数据。您可以使用蓝图（工件）来指定要从文档中提取哪些数据以及如何提取。您可以使用预构建的模板或构建自定义配置，以满足特定用例的需求。输出包含提取字段和表格的置信度评分和边界框数据。此处的自定义输出会生成 CMS-1500 索赔表在各种格式下的可预测 JSON 表示。

AgentCore 托管 Strands 代理。代理使用两个工具与 HealthLake 进行交互：create_fhir_claim 和 search_fhir_resources。

代理使用以下工作流程：

  • 在 AWS HealthLake 中查找被保险人、患者、从业者和保险信息，用作索赔表中的参考信息。首次尝试使用直接方法调用和默认搜索参数。除此之外，代理运行以下提示来检查工具调用并在必要时重新尝试搜索：首先通过查看之前的工具调用识别被保险人资源。如果没有匹配项，尝试使用索赔 JSON 中的不同搜索参数进行两次更多尝试。专注于高置信度评分属性，并报告如何找到匹配项。
  • 如果找到参考信息，创建索赔的 FHIR 表示形式并将其发送到 AWS HealthLake。
  • 创建一个 JSON 对象以捕获已完成的工作。该对象包含（如果创建了索赔 ID）的索赔 ID、对人工处理器的响应以及对患者的响应。处理器响应作为警报或观察。患者响应在需要更正错误时向提交者发出信号。

先决条件

在部署解决方案之前，请确保具备以下条件：

  • 具有管理员权限的 AWS 账户。
  • NodeJS 24 或更高版本。
  • Node 包管理器（npm）11.5 或更高版本。
  • Python 3.13 或更高版本。
  • AWS 云开发工具包（AWS CDK）2.1025 或更高版本。

部署解决方案

使用 AWS 云开发工具包（CDK）和 AgentCore 命令行界面进行部署，步骤如下：

  • 克隆仓库：git clone https://github.com/aws-samples/sample-agenticidptohealthlake.git
  • 从仓库根目录运行以下命令：

npm install python -m venv .venv source .venv/bin/activate pip install -r requirements.txt pip install -r requirements.txt --python-version 3.12 --platform manylinux2014_aarch64 --target ./packaging/_dependencies --only-binary=:all: cd agentcore agentcore configure --entrypoint claimsprocessor.py agentcore launch python ./bin/package_for_lambda.py npx cdk bootstrap npx cdk deploy