Klinik dokümantasyonda yapay zekâ kullanımının değeri, doğruluk ile risk arasındaki hassas dengede ortaya çıkıyor. Hatalı sınıflandırma ya da eksik bilgi yakalama, özellikle uzun süreli bakım kurumlarında Medicare geri ödemeleri, denetim süreçleri ve hasta güvenliği üzerinde doğrudan sonuçlar doğurabiliyor. Guardoc Health, bu alanda geliştirdiği yazılımın Amazon Bedrock üzerinden çalışan Amazon Nova modelleriyle günde 1 milyondan fazla klinik belge işlediğini ve bunun operasyonel çıktılara somut biçimde yansıdığını söylüyor.
Şirketin odaklandığı alan, uzun süreli bakım sağlayıcılarının günlük evrak akışındaki karmaşıklık. Sistemin işlemek zorunda olduğu belgeler tek tip değil: çok sayfalı PDF’ler, basılı metnin üzerine eklenmiş el yazısı doktor notları, tek bir işaret kutusunun kapsam kararını değiştirdiği prior authorization formları, bazen düzenli tablolar halinde bazen serbest metin olarak gelen ilaç listeleri ve aynı sayfada yazılı alanlar, kaşeler ve el yazısının bir arada bulunduğu hasta kabul formları bu akışın parçası.
Bu çeşitlilik yalnızca teknik bir OCR problemi değil. Bilginin yanlış okunması veya bağlamının eksik anlaşılması, tanı ve bakım kararlarını etkileyebiliyor. BMJ Quality and Safety’de yayımlanan araştırmaya göre ABD’de tanısal hatalardan etkilenen ayakta tedavi hastalarının sayısı yılda yaklaşık 12 milyon seviyesinde ve bilgi işleme hataları bu tabloda katkı sağlayan faktörlerden biri olarak gösteriliyor. Guardoc’un işlediği hacim düşünüldüğünde, sadece durum tespitinde yüzde 1’lik bir hata oranı bile günlük binlerce yanlış kayıt anlamına gelebilir.
Guardoc Health, sisteminin dokümantasyon hatalarında yüzde 46 azalma, denetim cezalarında yüzde 70 düşüş ve tek bir tesis için yılda 400.000 $’ın üzerinde yatırım getirisi sağladığını bildiriyor. Ancak şirket, bu hesaplamaların dayandığı başlangıç dönemi ya da metodolojiyi ayrıntılı biçimde paylaşmış değil. Buna rağmen açıklanan rakamlar, klinik evrak işleme işinin maliyet ve uyum tarafında ne kadar kritik olduğunu göstermesi açısından dikkat çekici.
Şirketin paylaştığı dağıtım verileri arasında iki tesis ve 200 hastayı kapsayan çeyreklik bir uygulama da yer alıyor. Buna göre sistem 847 dokümantasyon düzeltmesini tetikledi, PDPM geri ödeme doğruluğuyla ilişkili 86 sorunu işaretledi ve 100 kabul başına hastane transferlerinde yüzde 74’lük bir düşüşle ilişkilendirildi. Yedi tesis ve 1.618 sakini kapsayan ayrı bir vaka çalışmasında ise 10.612 sorun tespit edildiği belirtiliyor.
Teknik tarafta Guardoc’un mimarisi, doğruluk kadar maliyeti de gözeten retrieval augmented generation yaklaşımı üzerine kurulmuş durumda. Nihai sınıflandırma yapılmadan önce sistem, hastanın kendi belgeleri içinden ilgili kanıtları çekiyor ve karar sürecini bu içerik üzerinde yürütüyor. Böylece modelin, alakasız veriler yerine ilgili sayfa ve bölümler üzerinden akıl yürütmesi hedefleniyor.
İlk aşamada Amazon Textract, gelen her sayfadan metin ve yapısal meta veriyi çıkarıyor. Guardoc bu katmanı, sayfa başına en düşük maliyetli adımlardan biri olarak konumlandırıyor. Elde edilen çıktı daha sonra klinik sınırlar gözetilerek parçalara ayrılıyor. Yani bir ilaç listesi ya da tanı bölümü, rastgele karakter sayısına göre bölünmek yerine anlamlı bütünlüğünü koruyacak şekilde işleniyor. Bu tercih, sonraki arama ve sınıflandırma adımlarında bağlam kaybını azaltmayı amaçlıyor.
Ardından bu parçalar Amazon Titan Text Embeddings V2 ile embedding işleminden geçiriliyor ve Amazon DynamoDB içinde hasta bazında bölümlenmiş olarak saklanıyor. Bu tasarımın önemli tarafı, retrieval işleminin hasta sınırlarını aşmaması. Başka bir deyişle bir sorgu yalnızca ilgili hastanın kendi doküman havuzu içinde çalışıyor. Buna ek olarak özel bir ön filtre, aday belge kümesini belge türü ve güncellik gibi kriterlerle daraltıyor. Sonrasında k-nearest neighbour araması, belirli bir sınıflandırma sorgusu için en ilgili parçaları buluyor. Bu aşamada yalnızca sayfa referanslarının döndürülmesi, veri aktarım yükünü düşük tutmak için tercih ediliyor.
Metin tabanlı elemenin bir sonraki adımını Amazon Nova 2 Lite üstleniyor. Bu model, açık biçimde eşleşmeyen sayfaları ayıklayarak aday kümesini daha da küçültüyor. Tüm bu filtrelerden geçen sınırlı sayıdaki sayfa ise en son aşamada Amazon Nova Pro’ya gönderiliyor. Burada artık yalnızca metin değil, ham PDF baytları da kullanılıyor. Nova Pro; sayfa düzeni, el yazısı, imza ve kaşe gibi unsurları birlikte değerlendirerek aşağı akış sistemlerinin kullanacağı son sınıflandırmayı üretiyor.
Bu yapı baştan sona bir maliyet katmanlama mantığı taşıyor. Embedding, ilk çıkarım ve kaba filtreleme gibi yüksek hacimli işler daha düşük maliyetli bileşenlere bırakılıyor. Hesaplama yükü daha yüksek olan çok modlu akıl yürütme ise yalnızca gerçekten gerekli son aşamada devreye giriyor. Klinik belgelerde multimodal analiz ihtiyacı sık yaşandığı için, pahalı işlem gücünü sadece seçilmiş sayfalara ayırmak toplam işletme maliyetini kontrol altında tutmanın anahtarı haline geliyor.
Guardoc’a göre önceki sürümlerin en çok zorlandığı belge tipleri iki ana başlıkta toplanıyor. Bunlardan ilki, prior authorization formlarındaki physician attestation alanları. Bu formlarda basılı bir onay kutusu, üzerine eklenmiş kısa bir el yazısı notuyla fiilen geçersiz hale gelebiliyor veya anlamı değişebiliyor. İkinci kritik alan ise hastanın bildirdiği semptom bölümleri. Buradaki el yazısı notlar bazen kaydın başka hiçbir yerinde yer almayan bilgileri taşıyor. Bu nedenle, yalnızca temiz OCR çıktısına dayalı yaklaşım klinik açıdan önemli sinyalleri kaçırabiliyor.
İlaç çıkarımı da benzer ölçüde karmaşık bir iş yükü oluşturuyor. İlaç adları, dozlar, uygulama yolları ve kullanım sıklıkları kimi zaman düzenli tablolarda yer alırken kimi zaman doktor notlarının içine gömülü serbest metin olarak görünebiliyor. Basılı listelere sonradan eklenmiş el yazıları ve birden fazla kez fakstan geçmiş taramalar da sorunu büyütüyor. Guardoc’un hibrit hattı bu yüzden önce temiz basılı tablolar için Amazon Textract kullanıyor, ardından hem orijinal PDF’yi hem de Textract çıktısını Amazon Nova Pro’ya aktararak satır taşmaları, el yazısı eklemeleri ve standart dışı biçimleri çözümlüyor.
Şirketin ürün tarafındaki değerlendirmesine göre amaç, yüksek riskli vakaları daha erken aşamada görünür kılmak ve maliyetli sonuçlar doğmadan müdahale edebilmek. Manuel gözetim gerektiren iş akışlarının otomasyonu, ekiplerin uyum açıklarını azaltmasına ve düzeltme yükünü hafifletmesine yardımcı olabilir. Bunun pratik karşılığı ise daha az belge hatası, daha tutarlı geri ödeme dosyaları ve klinik ekiplerin zamanını idari işlerden çok bakım sonuçlarına ayırabilmesi olarak özetlenebilir.
Sonuç olarak Guardoc Health’in açıkladığı uygulama, sağlıkta yapay zekânın yalnızca sohbet arayüzlerinden ibaret olmadığını; belge yoğun, regülasyon baskısı yüksek ve hata maliyeti ciddi alanlarda daha somut değer üretebildiğini gösteriyor. Yine de şirketin paylaştığı performans verilerinin arkasındaki temel dönemler ve hesaplama yöntemleri net olmadığı için, bu sonuçları değerlendirirken temkinli olmak gerekiyor. Buna rağmen kullanılan mimari, özellikle maliyet kontrollü çok aşamalı analiz yaklaşımıyla, klinik dokümantasyon otomasyonunun bugün hangi yöne gittiğine dair net bir tablo sunuyor.
