Übersetzt aus dem englischen Original. Zahlen und Quellen sind unverändert. Englisches Original lesen
Anterior
Anterior nutzt Llama 4 auf Amazon Bedrock, um Patientenakten für die Prüfung von Vorabgenehmigungen zu sortieren
Anterior, ein von Ärzten geführtes KI-Unternehmen für Krankenversicherer, nutzt Llama-4-Modelle mit offenen Gewichten auf Amazon Bedrock, um lange Aktenpakete aufzuteilen und zu kennzeichnen. Laut AWS hat die Plattform den manuellen Prüfaufwand bei Vorabgenehmigungen um 75 % gesenkt, bei einer klinischen Genauigkeit von 99,24 %.
Kennzahlen
Wortgetreu aus den Quellen übernommen. Kopieren Sie jede Zahl mit ihrer Quellenangabe.
75 %
Verringerung des manuellen klinischen Prüfaufwands bei der Prüfung von Vorabgenehmigungen, laut AWS1
99,24 %
Beibehaltene klinische Genauigkeit bei der Prüfung von Vorabgenehmigungen, laut AWS1
bis zu 97 %
Genauigkeit der Llama-Modelle bei der Identifizierung des Verfassers anhand von ärztlich kuratierten synthetischen Fällen (bestes Ergebnis), gegenüber 93,5 % beim proprietären Vergleichsmodell1
98,4 %
Texttreue der Beschreibungen der Llama-Modelle bei denselben synthetischen Fällen1
Was es erforderte
Das Problem
Krankenversicherer prüfen Anträge auf Vorabgenehmigung, also Anfragen von Ärzten, eine Behandlung vor ihrer Durchführung zu bewilligen. Jedem Antrag liegt ein Paket klinischer Unterlagen bei, das Hunderte Seiten umfassen kann und viele Dokumenttypen mischt. Die Prüfer verlieren Zeit damit, die richtigen Seiten zu finden. Viele Kunden von Anterior verlangen außerdem, dass keine Patientendaten ihre eigene AWS-Umgebung verlassen.
Was sie gebaut haben
Ein Schritt zur Dokumentensortierung für die Plattform von Anterior. Ein gescanntes Paket wird zunächst Seite für Seite in Text umgewandelt. Ein Llama-Modell ermittelt dann, wo jedes Dokument beginnt und endet, bestimmt seinen Typ und entnimmt Angaben wie Titel, Verfasser, Erstellungsdatum und eine kurze Beschreibung. Llama ist Metas Modellfamilie mit offenen Gewichten (Open-Weight), das heißt, die Modelldateien sind veröffentlicht, und ein Unternehmen kann sie selbst betreiben.
Wie sie vorgegangen sind
Anterior betrieb die Modelle auf Amazon Bedrock, dem verwalteten KI-Modelldienst von AWS, im eigenen AWS-Konto jedes Kunden. Es verglich Llama 4 Maverick 17B und Llama 4 Scout 17B mit einem nicht genannten großen proprietären Modell, bei gleichen Prompts, Daten und Bewertungen. Der Test lief vollständig innerhalb von AWS. Laut AWS dauerte der Weg von der ersten Integration bis zum Einsatz sechs Wochen.
Ergebnisse
Bei ärztlich kuratierten synthetischen Fällen erreichten beide Llama-Modelle die proprietäre Vergleichsbasis. Bei der Identifizierung des Verfassers waren sie besser: bis zu 97 % gegenüber 93,5 %. Bei der Texttreue der Beschreibungen erreichten sie 98,4 %. Laut AWS ist Llama inzwischen Teil des produktiven Workflows von Anterior für mehrere Unternehmenskunden. Für die Prüfung von Vorabgenehmigungen insgesamt meldet AWS eine Verringerung des manuellen klinischen Prüfaufwands um 75 % bei einer klinischen Genauigkeit von 99,24 %.
Erkenntnisse für Ihr Projekt
Testen Sie ein kleineres Modell mit offenen Gewichten an Ihren eigenen Dokumenten gegen Ihr bisheriges großes Modell, bevor Sie annehmen, Sie bräuchten das größte. Anterior stellte fest, dass die kleineren Modelle die Vergleichsbasis erreichten.
Klären Sie die Regeln zum Speicherort der Daten früh. Viele Kunden von Anterior verlangten, dass die gesamte KI-Verarbeitung in ihrer eigenen AWS-Umgebung bleibt, was das ganze Design prägte.
Automatisieren Sie den Schritt vor der Entscheidung, hier das Auffinden und Kennzeichnen der richtigen Seiten. So erhalten Ärzte eine sauberere Akte, ohne das Urteil einem Modell zu überlassen.
Führen Sie den Vergleich mit identischen Prompts, Daten und Bewertungen durch, damit das Ergebnis für Käufer und Prüfer glaubwürdig ist.
Einschränkungen
- Die einzige Quelle ist eine Kundengeschichte von AWS Startups. Keine unabhängige Quelle bestätigt die Zahlen.
- Die Zahlen von 75 % und 99,24 % beschreiben die Plattform von Anterior bei der Prüfung von Vorabgenehmigungen insgesamt, nicht allein den Llama-Dokumentenschritt. Die Seite sagt nicht, wie sie gemessen wurden.
- Die Genauigkeitswerte für die Identifizierung des Verfassers und die Texttreue der Beschreibungen stammen aus einem Test mit ärztlich kuratierten synthetischen Fällen, nicht aus echten Patientenakten.
- Die Seite nennt zwei evaluierte Modelle und sagt nicht, welches davon produktiv läuft.
- Die englische Seite trägt kein Datum. Die datierte Fassung ist die chinesischsprachige Version der Geschichte von AWS vom 22. April 2026, die als Einsatz- und Veröffentlichungsdatum verwendet wird. Der Einsatz könnte früher begonnen haben.
- Die Seite nennt außerdem rund 30 Millionen Dollar jährliche Einsparungen bei einer regionalen Gesundheitsorganisation und einen KLAS-Befund von 155 Sekunden für Genehmigungen in der Krebsversorgung. Diese Angaben sind aus zweiter Hand und werden hier nicht mitgezählt.
- Die Krankenversicherer, die das System nutzen, werden nicht genannt.
Quellen
- Anterior reduces clinical review time by 75% with Amazon Bedrock and Llama
AWS Startups · Ohne Datum · Fallstudie des Anbieters · startups.aws.com
- Anterior 使用 Amazon Bedrock 和 Llama 将临床审查时间缩短 75%
AWS Startups (Chinese-language edition) · 2026-04-22 · Fallstudie des Anbieters · aws.amazon.com
In eigenen Worten aus den oben genannten Quellen zusammengefasst. Einen Fehler entdeckt? Siehe Korrekturen.