Vertaald uit het Engelse origineel. De cijfers en bronnen zijn ongewijzigd. Lees het Engelse origineel
Anterior
Anterior gebruikt Llama 4 op Amazon Bedrock om medische dossiers te sorteren voor de beoordeling van voorafgaande toestemming
Anterior, een door clinici geleid AI-bedrijf voor zorgverzekeraars, gebruikt Llama 4-modellen met open gewichten op Amazon Bedrock om lange pakketten medische dossiers te splitsen en te labelen. AWS meldt dat het platform de handmatige klinische beoordelingstijd bij voorafgaande toestemming met 75% verminderde, bij een klinische nauwkeurigheid van 99,24%.
Kerncijfers
Letterlijk overgenomen uit de bronnen. Kopieer elk cijfer met bronvermelding.
75%
Vermindering van de handmatige klinische beoordelingstijd bij de beoordeling van voorafgaande toestemming, volgens AWS1
99,24%
Behouden klinische nauwkeurigheid bij de beoordeling van voorafgaande toestemming, volgens AWS1
tot wel 97%
Nauwkeurigheid van de Llama-modellen bij het herkennen van de auteur op door clinici samengestelde synthetische casussen (beste resultaat), tegenover 93,5% voor het propriëtaire vergelijkingsmodel1
98,4%
Getrouwheid van de beschrijvingen van de Llama-modellen op dezelfde synthetische casussen1
Wat het kostte
Het probleem
Zorgverzekeraars beoordelen aanvragen voor voorafgaande toestemming: verzoeken van artsen om een behandeling goed te keuren voordat die plaatsvindt. Bij elke aanvraag hoort een pakket medische dossiers dat honderden pagina's kan beslaan en veel soorten documenten door elkaar bevat. Beoordelaars verliezen tijd met het zoeken naar de juiste pagina's. Veel klanten van Anterior eisen bovendien dat er geen patiëntgegevens hun eigen AWS-omgeving verlaten.
Wat ze bouwden
Een documentsorteerstap voor het platform van Anterior. Een gescand pakket wordt eerst pagina voor pagina omgezet in tekst. Een Llama-model bepaalt vervolgens waar elk document begint en eindigt, labelt het type en haalt gegevens op zoals titel, auteur, aanmaakdatum en een korte beschrijving. Llama is de familie van open-weightmodellen (met open gewichten) van Meta, wat betekent dat de modelbestanden openbaar zijn en een bedrijf ze zelf kan draaien.
Hoe ze het aanpakten
Anterior draaide de modellen op Amazon Bedrock, de beheerde dienst van AWS voor AI-modellen, binnen het eigen AWS-account van elke klant. Het vergeleek Llama 4 Maverick 17B en Llama 4 Scout 17B met een niet bij naam genoemd groot propriëtair model, met dezelfde prompts, data en scoring. De test liep volledig binnen AWS. Volgens AWS duurde het van de eerste integratie tot de uitrol zes weken.
Resultaten
Op door clinici samengestelde synthetische casussen evenaarden beide Llama-modellen de propriëtaire referentie. Ze deden het beter bij het herkennen van de auteur, tot wel 97% tegenover 93,5%, en scoorden 98,4% op getrouwheid van de beschrijvingen. AWS zegt dat Llama nu deel uitmaakt van de productieworkflow van Anterior voor meerdere zakelijke klanten. Voor de beoordeling van voorafgaande toestemming als geheel meldt AWS een vermindering van de handmatige klinische beoordelingstijd met 75%, bij een klinische nauwkeurigheid van 99,24%.
Lessen voor uw project
Test een kleiner model met open gewichten tegen uw huidige grote model op uw eigen documenten voordat u aanneemt dat u het grootste nodig hebt. Anterior ontdekte dat de kleinere modellen de referentie evenaarden.
Controleer vroeg de regels over dataresidentie. Veel klanten van Anterior eisten dat alle AI-verwerking binnen hun eigen AWS-omgeving bleef, wat het hele ontwerp bepaalde.
Automatiseer de stap vóór de beslissing, hier het vinden en labelen van de juiste pagina's. Zo krijgen clinici een schoner dossier zonder het oordeel aan een model over te laten.
Voer de vergelijking uit met identieke prompts, data en scoring, zodat het resultaat geloofwaardig is voor kopers en auditors.
Kanttekeningen
- De enige bron is een klantverhaal van AWS Startups. Geen enkele onafhankelijke bron bevestigt de cijfers.
- De cijfers van 75% en 99,24% beschrijven het platform van Anterior bij de beoordeling van voorafgaande toestemming als geheel, niet alleen de Llama-documentstap. De pagina zegt niet hoe ze zijn gemeten.
- De nauwkeurigheidscijfers voor het herkennen van de auteur en de getrouwheid van de beschrijvingen komen uit een test op door clinici samengestelde synthetische casussen, niet uit echte patiëntdossiers.
- De pagina noemt twee geëvalueerde modellen en zegt niet welke in productie draait.
- De Engelse pagina heeft geen datum. De gedateerde kopie is de Chinese versie van het verhaal van AWS van 22 april 2026, die wordt gebruikt als invoeringsdatum en als publicatiedatum. De uitrol kan eerder zijn begonnen.
- De pagina noemt ook ongeveer 30 miljoen dollar jaarlijkse besparing voor een regionale zorgorganisatie en een KLAS-bevinding van 155 seconden voor goedkeuringen in de kankerzorg. Dit is informatie uit de tweede hand en wordt hier niet meegeteld.
- De zorgverzekeraars die het systeem gebruiken worden niet genoemd.
Bronnen
- Anterior reduces clinical review time by 75% with Amazon Bedrock and Llama
AWS Startups · Zonder datum · Casestudy van leverancier · 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 · Casestudy van leverancier · aws.amazon.com
In eigen woorden samengevat op basis van de bovenstaande bronnen. Een fout gezien? Zie correcties.