Traducido del original en inglés. Las cifras y las fuentes no cambian. Leer el original en inglés
Anterior
Anterior usa Llama 4 en Amazon Bedrock para clasificar historiales clínicos en la revisión de autorizaciones previas
Anterior, una empresa de IA dirigida por clínicos para aseguradoras de salud, usa modelos Llama 4 de pesos abiertos en Amazon Bedrock para dividir y etiquetar paquetes largos de historiales clínicos. AWS comunica que la plataforma redujo un 75 % el tiempo de revisión clínica manual en las autorizaciones previas, con una precisión clínica del 99,24 %.
Cifras clave
Copiadas literalmente de las fuentes. Copie cualquier cifra con su cita.
75 %
Reducción del tiempo de revisión clínica manual en la revisión de autorizaciones previas, según AWS1
99,24 %
Precisión clínica mantenida en la revisión de autorizaciones previas, según AWS1
hasta el 97 %
Precisión de los modelos Llama al identificar al autor en casos sintéticos elaborados por clínicos (mejor resultado), frente al 93,5 % del modelo propietario de comparación1
98,4 %
Fidelidad de las descripciones de los modelos Llama en los mismos casos sintéticos1
Qué requirió
El problema
Las aseguradoras de salud revisan solicitudes de autorización previa, que son peticiones de los médicos para que se apruebe un tratamiento antes de que se realice. Cada solicitud llega con un paquete de historiales clínicos que puede alcanzar cientos de páginas y mezcla muchos tipos de documentos. Los revisores pierden tiempo buscando las páginas correctas. Además, muchos clientes de Anterior exigen que ningún dato de pacientes salga de su propio entorno de AWS.
Qué construyeron
Un paso de clasificación de documentos para la plataforma de Anterior. Primero se convierte a texto un paquete escaneado, página por página. Después, un modelo Llama detecta dónde empieza y termina cada documento, etiqueta su tipo y extrae datos como el título, el autor, la fecha de creación y una breve descripción. Llama es la familia de modelos de pesos abiertos de Meta, lo que significa que los archivos de los modelos están publicados y una empresa puede ejecutarlos por su cuenta.
Cómo lo hicieron
Anterior ejecutó los modelos en Amazon Bedrock, el servicio gestionado de modelos de IA de AWS, dentro de la propia cuenta de AWS de cada cliente. Comparó Llama 4 Maverick 17B y Llama 4 Scout 17B con un modelo propietario grande sin nombre, con los mismos prompts, datos y criterios de puntuación. La prueba se realizó íntegramente dentro de AWS. Según AWS, el paso de la primera integración al despliegue tardó seis semanas.
Resultados
En casos sintéticos elaborados por clínicos, ambos modelos Llama igualaron la referencia propietaria. La superaron en la identificación del autor, con hasta un 97 % frente al 93,5 %, y obtuvieron un 98,4 % en fidelidad de las descripciones. AWS afirma que Llama forma ya parte del flujo de producción de Anterior para varios clientes empresariales. Para la revisión de autorizaciones previas en su conjunto, AWS comunica una reducción del 75 % en el tiempo de revisión clínica manual, con una precisión clínica del 99,24 %.
Lecciones para su proyecto
Pruebe un modelo de pesos abiertos más pequeño frente a su modelo grande actual, con sus propios documentos, antes de dar por hecho que necesita el más grande. Anterior comprobó que los modelos más pequeños igualaban la referencia.
Compruebe pronto las normas de residencia de datos. Muchos clientes de Anterior necesitaban que todo el procesamiento de IA se quedara dentro de su propio entorno de AWS, lo que condicionó todo el diseño.
Automatice el paso previo a la decisión, aquí encontrar y etiquetar las páginas correctas. Así los clínicos reciben un expediente más limpio sin delegar el criterio en un modelo.
Realice la comparación con los mismos prompts, datos y criterios de puntuación para que el resultado sea creíble ante compradores y auditores.
Salvedades
- La única fuente es un caso de cliente de AWS Startups. Ninguna fuente independiente confirma las cifras.
- Las cifras del 75 % y del 99,24 % describen la plataforma de Anterior en la revisión de autorizaciones previas en su conjunto, no solo el paso documental con Llama. La página no explica cómo se midieron.
- Las cifras de precisión de identificación del autor y de fidelidad de las descripciones proceden de una prueba con casos sintéticos elaborados por clínicos, no con historiales reales de pacientes.
- La página nombra dos modelos evaluados y no dice cuál funciona en producción.
- La página en inglés no lleva fecha. La copia fechada es la versión en chino del caso publicada por AWS, del 22 de abril de 2026, que se usa como fecha de despliegue y de publicación. El despliegue pudo empezar antes.
- La página también cita unos 30 millones de dólares de ahorro anual para una organización sanitaria regional y un hallazgo de KLAS de 155 segundos para las aprobaciones en atención oncológica. Son datos de segunda mano y no se cuentan aquí.
- No se nombra a las aseguradoras de salud que usan el sistema.
Fuentes
- Anterior reduces clinical review time by 75% with Amazon Bedrock and Llama
AWS Startups · Sin fecha · Caso de estudio del proveedor · 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 · Caso de estudio del proveedor · aws.amazon.com
Resumido con nuestras propias palabras a partir de las fuentes anteriores. ¿Ha detectado un error? Consulte correcciones.