Vital 借助 Amazon Nova 和 Amazon Bedrock，识别出 94% 的遗漏偶发检查结果

Vital 开发了人工智能驱动的患者互动解决方案，帮助医院提升诊疗透明度、优化沟通效率并改善护理效果。其数字化平台已应用于急诊科与住院部场景，为患者推送通俗语言表述的更新和临床总结。
为实现这些功能，Vital 最初采用云端托管的大语言模型（LLM）构建了生成式人工智能工作流。该设置使团队能够解析非结构化临床记录，并提取随访指导、用药信息等关键细节。此外，它还将医疗术语转化为通俗语言总结，从而减轻临床医生的工作负载，也让患者能更好地理解自身诊疗方案。

随着平台使用率的提升，该团队开始在其云服务提供商方面面临多项挑战。大规模运行推理任务（每日处理近 10 亿个令牌）的成本不断攀升，资源消耗也日益庞大。同时，基础设施需管理多个云环境，这不仅增加了架构复杂度，还加重了运营负担。

此外，该系统在模型选择上灵活性有限，也拖慢了迭代周期。“我们知道生成式人工智能可以帮助关键检查结果形成闭环，”Vital 首席医疗信息官兼研究员 Nicholas Sterling 博士说，“但我们需要一种更具扩展性、成本效益更高的实现方式。”

在评估了集中用于扩展临床数据提取和患者沟通的方案后，Vital 最终选择 AWS 上的 Amazon Bedrock，因为其架构不仅支持《健康保险流通与责任法案》（HIPAA）合规要求，还具备丰富的模型选择和经济高效的性能。该平台还提供了支持 Vital 不断增长的人工智能用例组合所需的安全性、可扩展性和开发灵活性。

该决策的一个关键因素在于 Amazon Nova Micro，该模型之所以能脱颖而出，是因为它能以高一致性处理临床记录，并且能大幅降低令牌成本。与之前的解决方案相比，Amazon Nova Micro 实现了近 23 倍的成本节省，使得在患者诊疗过程中扩展 LLM 驱动的功能成为可能。

Amazon Nova Micro 现已完全集成到 Vital 的架构中，它会摄取非结构化文本格式的医疗记录并进行分类，将其整理成结构化分类体系。这使团队能够高度准确地提取关键信息，例如随访指导、药物名称，以及癌前病变等高危检查结果。

为了确保人工智能生成的每份输出都安全、可靠且符合临床规范，Vital 采用了一套分层质量保障框架。每个回复都需要经过三重验证：首先由信息质量人工智能模型进行初步筛查，再通过经医生验证、具备安全性的核心模型处理，最后由充当“裁判”的二级人工智能质量模型进行二次审核。该二级模型会在信息送达患者前，标记出所有不准确内容、敏感信息及其他潜在风险。该系统支持严格的内部质量检查，且在质量评估中始终保持 99% 以上的准确率。

迁移至 Amazon Bedrock 还帮助简化了运维，将基础设施集成到 AWS 中，并降低了多供应商协作的复杂度。Vital 首席技术官 Te Riu Warren 表示：“迁移到 Amazon Bedrock 后，数据流管理、供应商治理与安全管控都变得更加简单，这不仅加快了我们的开发速度，也让我们能更快获得医院合作伙伴的信任。”

通过将其生成式人工智能平台迁移至 Amazon Bedrock，Vital 大幅降低了成本、简化了运营流程，并提高了开发效率。此迁移让 Vital 能够在多个使用场景中安全高效地扩展高容量临床推理工作负载。

Sterling 说：“我们正重新识别那些可能挽救生命的检查结果，生成式人工智能正在以过去无法实现的方式，帮助我们与患者形成诊疗闭环。”

借助这项新设置，Vital 每年为美国超 300 万名患者提供服务。如今，使用该平台的医院能识别出 94% 经常被遗漏的偶发检查结果，其中大部分此前都被医护人员忽略，这一改变确保患者能获得所需的后续诊疗。Sterling 说：“在患者离开急诊科前，就能发现潜在危及生命的问题并向其解释，这是一项突破。而且我们能大规模实现这一点，帮助临床医生提供最高质量的护理服务。”

该平台每天处理近 10 亿个令牌，而且通过 Amazon Nova Micro 实现的成本效益比其他延迟优化型大语言模型（LLM）高出 23 倍。这种高效性让 Vital 得以快速扩展容量并接入研究中心。

Vital 在模型安全与验证方面采用的分层策略，这也帮助其赢得了医院与合规团队的信任。通过清晰展示输出的审核流程与风险管理方式，团队顺利通过了严格的隐私与安全审查，为平台在医疗系统中的推广应用提供支持。

Sterling 表示：“我们目前取得的成果还只是冰山一角。生成式人工智能正帮助我们提供更透明、更主动且更具人文关怀的医疗服务。”