Anterior, Amazon Bedrock 및 Llama를 사용하여 임상 검토 시간 75% 단축

 

의료 보험사(보험 회사)를 위한 자동화를 구축하는 임상의가 주도하는 AI 기업인 Anterior는 의료 분야에서 가장 어려운 데이터 문제 중 하나를 해결하기 시작했습니다. 바로 수백 페이지에 달하는 구조화되지 않은 기록으로 전달되는 임상 문서를 식별하고 구조화하는 것입니다. Anterior는 고객의 Amazon Web Services(AWS) 환경 내에서 문서 식별을 강화하기 위해 Amazon Bedrock에 Meta의 Llama 모델을 구현한 후 엄격한 의료 데이터 거버넌스 요구 사항을 충족하는 동시에 프로덕션급 성능을 달성했습니다. Anterior는 이러한 접근 방식을 사용하여 완전한 문서 추출, 메타데이터 정확도 개선, 다운스트림 자동화를 가능하게 하여 수동 임상 검토를 75% 줄였습니다.

연간 5조 달러 규모의 미국 의료 산업에서, 의료 관리 비용은 연간 9,500억 달러를 초과합니다. 이러한 부담의 대부분은 의사와 간호사가 치료를 승인하고, 보장 범위를 확인하고, 환자 치료를 관리하기 위해 대량의 의료 기록을 수동으로 검토하는 의료 보험 내부의 임상 검토 워크플로에서 비롯됩니다. Anterior는 의료 서비스 제공자와 환자가 교차하는 곳에 있는 조직인 의료 보험사를 위해 이러한 워크플로를 자동화하는 데 중점을 둔 임상의가 주도하는 AI 회사입니다.

이러한 워크플로의 중심에는 단순해 보이지만 중요한 작업이 있습니다. AI가 임상 사례를 추론하기 전에 무엇을 보고 있는지 이해해야 한다는 것입니다. 문서 식별은 모든 다운스트림 자동화의 전제 조건입니다. Anterior는 들어오는 각 임상 패킷을 구성 문서로 나누고, 각 패킷의 시작 및 종료 위치를 식별하고, 문서 유형, 제목, 작성자 및 작성 날짜를 포함한 구조화된 메타데이터를 추출해야 합니다. 그래야만 MRI 보고서를 사전 승인 검토의 올바른 단계로 전달하거나, 임상의에게 최신 영상을 제공하거나, 문서가 권장 치료 과정을 뒷받침하는지 확인하는 등 임상 자동화가 진행될 수 있습니다. 그러나 임상 패킷은 수백 페이지에 달할 수 있으며 팩스, 스캔한 PDF 및 병합된 다중 문서 파일 형태로 도착할 수 있습니다. 기존 AI 및 ML 접근 방식이 프로덕션 규모에서 오랫동안 안정적으로 처리하기 어려웠던 방식으로, 이미징, 표, 양식, 심지어 손으로 쓴 메모까지 결합할 수 있습니다.

이것을 잘못 처리하는 데 따른 위험은 높습니다. Anterior의 임상 과학자인 Khadija Mahmoud 박사는 “불완전하거나 잘못된 정보를 기반으로 임상 결정을 내리기 때문에 문서 식별에 작은 오류만 있어도 연쇄적인 문제가 발생할 수 있습니다.”라고 말했습니다. 문서 경계를 잘못 식별하면 환자 기록의 잘못된 부분에서 임상 정보가 드러날 수 있고, 페이지가 누락되면 규정 준수에 허점이 생길 수 있습니다. 프로덕션급 문서 식별을 처리할 수 있는 모든 모델은 엄격한 의료 데이터 거버넌스 요구 사항도 충족해야 합니다. Anterior의 대규모 고객 중 상당수는 보호 대상 건강 정보(PHI)에 대한 LLM 추론을 비롯한 모든 AI 처리가 전적으로 AWS 환경 내에서 이루어지도록 요구하므로 외부 API나 타사 인프라는 허용되지 않습니다.

Anterior는 Amazon Bedrock에서 실행되는 Meta Llama 모델을 기반으로 하는 문서 식별 워크플로를 구현했습니다. 이 아키텍처는 고객의 AWS 환경 내에서 복잡한 임상 문서 패킷을 처음부터 끝까지 처리하므로 환자 데이터가 해당 경계를 벗어나지 않습니다. 워크플로는 2단계 파이프라인으로 작동합니다. 첫 단계에서는 광학 문자 인식(OCR) 및 레이아웃 인식 파싱을 사용하여 대규모 임상 PDF를 처리합니다. 각 페이지는 페이지 참조와 고유 식별자를 보존하면서 구조화된 텍스트 추출로 변환됩니다. 두 번째 단계에서는 언어 모델이 파싱된 추출을 분석하여 문서 경계를 결정하고, 문서 유형을 분류하고, 제목, 작성자, 작성일, 임상 설명과 같은 메타데이터를 추출합니다. 이 단계에서는 Amazon Bedrock의 Llama 모델이 작업을 수행합니다.

Anterior는 동일한 프롬프트, 데이터세트 및 평가 기준을 사용하여 프론티어 규모의 독점 멀티모달 모델과 비교하여 Llama 4 Maverick 17B와 Llama 4 스카우트 17B를 평가했습니다. 평가는 전적으로 AWS 인프라 내에서 진행되었으며 정확성, 완전성, 일관성 및 지연 시간 전반에 걸쳐 생산 준비 상태를 측정했습니다. 데이터세트는 Anterior의 합성 데이터 파이프라인을 통해 생성되었으며 임상 과학자들이 모호한 형식, 다중 문서 패킷 및 예외 사례와 같은 실제 복잡성을 반영하도록 큐레이팅했습니다. Llama가 유력한 후보로 떠오른 데에는 여러 가지 이유가 있습니다. 임상 데이터의 고유한 멀티모달 특성에 맞춰 멀티모달 입력을 지원하고, 처리량이 많은 워크로드에 대한 효율적인 추론을 지원하며, 긴 임상 패킷을 편안하게 처리할 수 있는 대규모 컨텍스트 창을 제공합니다. 또한 Llama는 가장 조정 가능한 오픈 웨이트 모델 중 하나로, 이를 통해 Anterior는 프롬프트 및 시스템 수준의 제약 조건을 통해 모델 동작을 조정하고 프론티어 스케일 모델에만 의존하지 않고 특정 임상 작업에 맞게 조정된 더 작고 전문화된 모델을 탐색할 수 있습니다.

Amazon Bedrock에서 Llama를 운영함으로써 회사의 임상의와 엔지니어 팀은 인프라 관리보다는 임상 문제 해결에 집중할 수 있었습니다. Bedrock은 AWS 환경과 직접 통합하면서 기초 모델을 평가 및 배포하기 위한 통합 인터페이스를 제공합니다. “당사와 협력하고 있는 많은 주요 건강 보험 플랜에서도 같은 질문을 던집니다. 'AWS 환경 내에서 PHI에서 AI를 실행할 수 있을까요?' Bedrock에 호스팅된 Llama 모델을 사용하면 성능 저하 없이 '예'라고 말할 수 있습니다.”라고 Anterior의 AI 책임자인 Anuj Iravane은 말합니다. 또한 Bedrock은 유연성을 유지합니다. Anterior는 아키텍처를 재구축하지 않고도 임상 요구 사항이 발전함에 따라 추가 모델을 평가하거나 미세 조정된 맞춤형 버전을 배포할 수 있습니다.

임상의가 선별한 합성 임상 사례 데이터세트에서 Llama 4 Maverick 17B와 Llama 4 Scout 17B 모두 임상 문서 식별을 위한 프로덕션급 성능을 제공했습니다. 이 모델들은 대규모 모델 아키텍처에서 17B 활성 파라미터를 사용했음에도 불구하고 더 효율적으로 실행하면서 수천억 개의 파라미터를 가진 프론티어 스케일 모델과 일치했습니다. 전체 페이지 커버리지를 달성했습니다. 즉, 콘텐츠 삭제나 중복 없이 임상 패킷의 모든 페이지가 정확히 한 번 할당되었습니다. 그 결과는 메타데이터 추출에서 특히 두드러졌습니다. Llama 모델은 문서 작성자 및 설명과 같은 주요 정보를 식별할 때 프론티어 기준선과 일치하거나 초과했습니다. 작성자 식별 정확도는 97%에 달했으며, 프론티어 모델의 93.5%와 비교됩니다. 또한 설명 충실도는 98.4%에 달했습니다. “정말 인상적이었습니다.”라고 Iravane은 말했습니다. “Bedrock의 Llama 모델은 훨씬 적은 비용으로 우리의 프론티어 기준에 부합했으며 메타데이터 추출 측면에서는 실제로 이를 능가했습니다. 의료 분야에서 가장 어려운 문제를 해결하는 데 가장 큰 모델이 필요한 것은 아닙니다.”

모델 간의 지연 시간은 비슷했지만 Bedrock에서 실행되는 더 작은 Llama 모델의 효율성 이점은 대규모 환경에서 더욱 커집니다. 문서의 양이 증가함에 따라, Anterior는 정확도 저하 없이 저렴한 문서당 비용으로 컴퓨팅 단위당 더 많은 사례를 처리할 수 있습니다. 이것이 의료 워크플로에 미치는 영향은 상당히 큽니다. 사전 승인 검토에서 Anterior 플랫폼은 99.24%의 임상 정확도를 유지하면서 수동 임상 검토 시간을 75% 단축합니다. KLAS Research 사례 연구에 따르면 이 시스템은 암 치료 승인을 받기 위한 환자 대기 시간을 며칠 또는 몇 주에서 단 155초로 단축했습니다. 약 100만 명의 보험 혜택을 받는 지역 의료 기관의 경우 이러한 개선을 통해 연간 약 3천만 달러의 운영 비용 절감 효과를 얻을 수 있습니다. 문서를 더 빨리 이해하면 궁극적으로 더 빠른 임상 의사 결정과 환자의 더 빠른 의료 서비스 이용으로 이어집니다.

Anterior는 6주 만에 초기 통합에서 배포로 전환했습니다. Llama 모델은 이제 여러 기업 고객에게 서비스를 제공하는 회사의 프로덕션 문서 식별 워크플로의 일부입니다. 또한 이 결과는 보다 광범위한 아키텍처 접근 방식의 타당성을 입증했습니다. Amazon Bedrock에 호스팅되는 소규모 오픈 웨이트 모델이 의료 워크플로 전반에서 프론티어급 범용 모델과 경쟁할 수 있다는 점을 보여준 것입니다. Iravane은 “미국 의료 서비스 대부분은 AWS를 기반으로 운영됩니다.”라고 말합니다. “Bedrock의 Llama 모델이 프론티어급 성능을 낼 수 있음을 증명한 것은, 고객이 더 빠르게 배포하고 비용을 더 효과적으로 관리하며 필요한 보안 태세를 유지할 수 있다는 의미입니다.”