Traduit de l’original anglais. Les chiffres et les sources sont inchangés. Lire l’original en anglais
Anterior
Anterior utilise Llama 4 sur Amazon Bedrock pour trier les dossiers cliniques destinés aux demandes d’accord préalable
Anterior, société d’IA pilotée par des cliniciens pour les assureurs santé, utilise des modèles Llama 4 à poids ouverts sur Amazon Bedrock pour découper et étiqueter de longs dossiers cliniques. AWS indique que la plateforme a réduit de 75 % le temps d’examen clinique manuel dans les demandes d’accord préalable, avec une précision clinique de 99,24 %.
Chiffres clés
Repris tels quels des sources. Copiez n’importe quel chiffre avec sa citation.
75 %
Réduction du temps d’examen clinique manuel dans l’examen des demandes d’accord préalable, selon AWS1
99,24 %
Précision clinique maintenue dans l’examen des demandes d’accord préalable, selon AWS1
jusqu’à 97 %
Précision des modèles Llama pour identifier l’auteur sur des cas synthétiques constitués par des cliniciens (meilleur résultat), contre 93,5 % pour le modèle propriétaire de comparaison1
98,4 %
Fidélité des descriptions des modèles Llama sur les mêmes cas synthétiques1
Ce que cela a demandé
Le problème
Les assureurs santé examinent des demandes d’accord préalable, c’est-à-dire des demandes de médecins pour faire approuver un traitement avant qu’il ait lieu. Chaque demande s’accompagne d’un dossier de pièces cliniques qui peut atteindre des centaines de pages et mélange de nombreux types de documents. Les examinateurs perdent du temps à retrouver les bonnes pages. Beaucoup de clients d’Anterior exigent aussi qu’aucune donnée de patient ne quitte leur propre environnement AWS.
Ce qu’ils ont construit
Une étape de tri documentaire pour la plateforme d’Anterior. Un dossier numérisé est d’abord converti en texte page par page. Un modèle Llama repère ensuite où chaque document commence et se termine, indique son type et extrait des informations telles que le titre, l’auteur, la date de création et une courte description. Llama est la famille de modèles à poids ouverts (open-weight) de Meta : les fichiers des modèles sont publiés et une entreprise peut les exécuter elle-même.
Comment ils s’y sont pris
Anterior a exécuté les modèles sur Amazon Bedrock, le service géré d’AWS pour les modèles d’IA, dans le propre compte AWS de chaque client. Elle a comparé Llama 4 Maverick 17B et Llama 4 Scout 17B à un grand modèle propriétaire non nommé, avec les mêmes consignes, les mêmes données et la même notation. Le test s’est déroulé entièrement dans AWS. Selon AWS, il s’est écoulé six semaines entre la première intégration et le déploiement.
Résultats
Sur des cas synthétiques constitués par des cliniciens, les deux modèles Llama ont égalé la référence propriétaire. Ils l’ont dépassée pour l’identification de l’auteur, atteignant jusqu’à 97 % contre 93,5 %, et ont obtenu 98,4 % de fidélité des descriptions. AWS indique que Llama fait désormais partie du flux de production d’Anterior pour plusieurs clients entreprises. Pour l’examen des demandes d’accord préalable dans son ensemble, AWS rapporte une réduction de 75 % du temps d’examen clinique manuel, avec une précision clinique de 99,24 %.
Enseignements pour votre projet
Testez un modèle open-weight plus petit face à votre grand modèle actuel, sur vos propres documents, avant de supposer qu’il vous faut le plus gros. Anterior a constaté que les modèles plus petits égalaient la référence.
Vérifiez tôt les règles de résidence des données. Beaucoup de clients d’Anterior exigeaient que tout traitement d’IA reste dans leur propre environnement AWS, ce qui a façonné toute la conception.
Automatisez l’étape qui précède la décision, ici le repérage et l’étiquetage des bonnes pages. Les cliniciens obtiennent ainsi un dossier plus propre sans confier le jugement à un modèle.
Réalisez la comparaison avec les mêmes consignes, les mêmes données et la même notation, afin que le résultat soit crédible auprès des acheteurs et des auditeurs.
Réserves
- La seule source est un témoignage client publié par AWS Startups. Aucune source indépendante ne confirme les chiffres.
- Les chiffres de 75 % et de 99,24 % décrivent la plateforme d’Anterior dans l’examen des demandes d’accord préalable dans son ensemble, et non l’étape documentaire de Llama seule. La page n’indique pas comment ils ont été mesurés.
- Les chiffres de précision pour l’identification de l’auteur et la fidélité des descriptions proviennent d’un test sur des cas synthétiques constitués par des cliniciens, et non sur des dossiers de vrais patients.
- La page nomme deux modèles évalués et n’indique pas lequel fonctionne en production.
- La page en anglais n’est pas datée. La copie datée est la version chinoise de ce témoignage publiée par AWS, le 22 avril 2026, qui sert de date de déploiement et de date de publication. Le déploiement a pu commencer plus tôt.
- La page cite aussi environ 30 millions de dollars d’économies annuelles pour une organisation de santé régionale et une conclusion de KLAS de 155 secondes pour les approbations en cancérologie. Ces chiffres sont de seconde main et ne sont pas retenus ici.
- Les assureurs santé qui utilisent le système ne sont pas nommés.
Sources
- Anterior reduces clinical review time by 75% with Amazon Bedrock and Llama
AWS Startups · Sans date · Étude de cas de l’éditeur · 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 · Étude de cas de l’éditeur · aws.amazon.com
Résumé dans nos propres mots à partir des sources ci-dessus. Une erreur ? Consultez les corrections.