Dienstag, 28. Juli 2026

Guardoc nutzt Amazon Nova für klinische Dokumente

Guardoc Health setzt bei der Verarbeitung klinischer Unterlagen in der Langzeitpflege auf Modelle der Amazon-Nova-Familie, die über Amazon Bedrock verfügbar sind. Nach Angaben des Unternehmens sollen Pflegeeinrichtungen damit heterogene Dokumente schneller auswerten, relevante Informationen besser erkennen und Dokumentationsrisiken reduzieren.

Im Fokus stehen Skilled Nursing Facilities und Assisted Living Facilities. Dort müssen Teams täglich mit PDF-Dateien, eingescannten Formularen, handschriftlichen Notizen, Tabellen, Checkboxen und gemischten Dokumentformaten arbeiten. Fehlerhafte oder unvollständige Einträge können klinische Entscheidungen erschweren, Abrechnungen beeinflussen und Compliance-Probleme auslösen.

Mehrstufige Pipeline für komplexe Dokumente

Guardoc kombiniert mehrere AWS-Dienste in einer mehrstufigen Verarbeitungskette. Amazon Textract extrahiert zunächst Text, Handschrift, Formulare, Tabellen und Layoutinformationen aus Dokumenten. Die Inhalte werden anschließend in klinisch sinnvolle Abschnitte aufgeteilt, etwa Diagnosen, Medikationslisten oder ärztliche Notizen.

Für die Suche nach relevanten Passagen nutzt Guardoc Einbettungen mit Amazon Titan Text Embeddings V2 und speichert diese in Amazon DynamoDB. Die Suche bleibt patientenbezogen, damit Informationen nicht über Patientengrenzen hinweg vermischt werden. Ein Vorfilter berücksichtigt unter anderem Dokumenttyp, Aktualität und Patientenkontext, bevor relevante Seiten für die weitere Analyse ausgewählt werden.

Amazon Nova 2 Lite übernimmt eine erste textbasierte Prüfung. Nur verbleibende Seiten werden an Amazon Nova Pro übergeben, das auch visuelle Merkmale wie Layout, Handschrift, Stempel, Unterschriften oder Checkboxen berücksichtigt. Guardoc betont, dass jede Klassifikation auf eine konkrete Quellseite zurückgeführt werden kann.

Handschrift, Checkboxen und Medikationsdaten

Ein zentrales Einsatzfeld ist die Erkennung medizinischer Zustände aus Patientenakten. Guardoc nutzt dafür Retrieval Augmented Generation, bei der relevante Informationen aus den eigenen Patientendokumenten abgerufen und anschließend für die Klassifikation verwendet werden.

Besondere Bedeutung hat die multimodale Auswertung bei Formularen mit handschriftlichen Ergänzungen oder Checkboxen. In Vorautorisierungsformularen können handschriftliche ärztliche Hinweise beispielsweise gedruckte Auswahlfelder relativieren oder überlagern. Auch patientenberichtete Symptome erscheinen häufig in Freitextfeldern und sind damit anfällig für Informationsverluste.

Für die Extraktion von Medikationsdaten verbindet Guardoc Textract mit Amazon Nova Pro. Textract verarbeitet strukturierte Tabellen und gedruckte Listen, während Nova Pro schwierigere Fälle interpretieren soll, etwa umgebrochene Tabelleninhalte, handschriftliche Ergänzungen, unübliche Tabellen oder Medikationshinweise in ärztlichen Freitextnotizen.

Gemeldete Ergebnisse in Einrichtungen

Guardoc berichtet von einer 46-prozentigen Reduktion von Dokumentationsfehlern, 70 Prozent weniger Audit-Strafen und einem jährlichen ROI von mehr als 400.000 US-Dollar für eine einzelne Einrichtung. In einem Quartalseinsatz in zwei Einrichtungen mit 200 Patienten wurden demnach 847 Dokumentationskorrekturen vorgenommen und 86 für das Patient-Driven Payment Model relevante Punkte adressiert. Zugleich wurde eine 74-prozentige Verringerung von Krankenhaustransfers pro 100 Aufnahmen angegeben.

In einer breiteren Fallstudie mit sieben Einrichtungen und 1.618 betreuten Bewohnern identifizierte Guardoc 10.612 Probleme. Laut Unternehmen verbessert dies die Sichtbarkeit von Risiken auf Einrichtungsebene, bevor diese etwa in abgelehnten Ansprüchen oder regulatorischen Prüfungen sichtbar werden.

Ausblick auf weitere Module

Guardoc plant weitere Funktionen für klinische Arbeitsabläufe, darunter AI NoteAssist, MDSAssist, CarePlanAssist, AdmissionAssist und Pharmacy Reconciliation. Ziel ist es, Dokumentation, Pflegeplanung, Aufnahmeprozesse und Arzneimittelabgleich stärker in den elektronischen Patientenakten-Workflow einzubinden.

Für Einrichtungen zeigt der Fall vor allem, dass KI-gestützte Dokumentenverarbeitung nicht nur an Modellleistung gemessen werden kann. Entscheidend bleiben Tests mit realen Dokumenttypen, getrennte Messung von Recall und Precision sowie Schwellenwerte, die den klinischen und regulatorischen Folgen verschiedener Fehlerarten entsprechen.