Cohere Health reduz tempo de digitalização de políticas clínicas em 30% com Amazon Bedrock AgentCore
A empresa de inteligência clínica Cohere Health, que opera sistemas de planos de saúde, conseguiu reduzir em 30% o tempo gasto na digitalização de políticas clínicas ao adotar o Amazon Bedrock AgentCore, serviço da AWS voltado para implementação de agentes de inteligência artificial em escala. A solução foi aplicada ao Cohere Policy Studio, plataforma criada para transformar regras estáticas de autorização prévia em dados estruturados e legíveis por máquinas, um dos gargalos mais persistentes da área da saúde nos Estados Unidos.
A autorização prévia é o processo pelo qual os planos de saúde precisam aprovar determinados serviços médicos ou medicamentos antes de liberarem a cobertura. Embora o raciocínio clínico por trás dessas aprovações seja considerado adequado, as políticas que orientam essas decisões costumam estar presas em documentos e PDFs estáticos, sem estrutura que permita automação. Esse conteúdo afeta diariamente centenas de milhões de pacientes e varia conforme a área clínica, a região, o tipo de plano e a operadora, além de evoluir constantemente com os avanços da medicina e da tecnologia.
A Cohere Health identificou três desafios principais para viabilizar uma solução baseada em inteligência artificial nesse fluxo de trabalho. O primeiro é regulatório: até janeiro de 2027, os planos de saúde precisam oferecer autorização prévia eletrônica baseada em APIs, conforme regra do Centers for Medicare & Medicaid Services, agência federal dos Estados Unidos. O segundo envolve compromissos assumidos com a America's Health Insurance Plans, que estabelecem a meta de 80% de aprovações em tempo real para solicitações eletrônicas de autorização prévia. O terceiro é arquitetônico, já que a solução precisava ingerir múltiplos formatos de entrada e gerar diferentes representações das políticas para consumidores distintos, cada um com seu próprio ciclo de retorno.
Para enfrentar esses desafios, a empresa construiu o Cohere Policy Studio sobre o Amazon Bedrock AgentCore, utilizando a infraestrutura de execução do AgentCore Runtime, que oferece isolamento entre diferentes clientes por meio de microVMs, ou微型 máquinas virtuais dedicadas. Cada sessão recebe recursos próprios de computação, memória e sistema de arquivos, garantindo que as operadoras de saúde mantenham isolamento rigoroso de dados. A solução também utiliza o AgentCore Gateway, que centraliza o acesso a diferentes ferramentas e serviços por meio de um único ponto autenticado, e o AgentCore Memory, responsável por manter o histórico das sessões.
A arquitetura adota um padrão de imagens de base reutilizáveis no Amazon Elastic Container Registry, separando o ambiente estável de execução das configurações específicas de cada equipe. Com isso, novos agentes são implantados com arquivos de configuração mínimos, evitando a reconstrução completa da infraestrutura a cada nova implantação. As equipes podem definir modos de memória, estratégias de armazenamento,缓存 de contexto de sessão e缓存 de prompts, além de configurar o modelo base e os parâmetros de inferência, como limites de tokens e temperatura, que controlam o grau de criatividade das respostas geradas.
O acesso às ferramentas é gerenciado pelo AgentCore Gateway, que utiliza funções AWS Lambda para buscar definições de habilidades e documentos, funcionando como intermediário entre o agente e os recursos internos. As equipes podem adicionar novas ferramentas sem necessidade de reimplantar o agente. A definição das habilidades segue o padrão aberto Agent Skills, o que permite que especialistas em políticas clínicas criem e refinem diretamente novos módulos sem reconstruir a infraestrutura do agente.
O processo de desenvolvimento e avaliação das habilidades envolve colaboração entre engenharia de aprendizado de máquina e ciência de dados. A partir de conjuntos de dados de referência com saídas esperadas, a equipe define métricas de sucesso como precisão, completude e consistência, executa uma suíte de testes contra os casos disponíveis e analisa os modos de falha antes de aprovar uma habilidade para produção. Após a implantação, a plataforma Arize AI monitora métricas de eficácia em produção, e analistas clínicos anotam amostras para identificar erros não captados pelos indicadores automatizados.
O controle de versão das habilidades adota um esquema de duas camadas. A primeira utiliza versionamento semântico, padrão que organiza versões em três níveis — maior, menor e补丁 — para acompanhar mudanças de capacidade. A segunda usa versionamento de objetos no Amazon Simple Storage Service, serviço de armazenamento em nuvem da AWS, mantendo um histórico imutável de cada envio com possibilidade de rollback, ou reversão para versões anteriores, e separação entre ambientes de produção e não produção.
Os resultados da implementação já são mensuráveis. O tempo gasto na digitalização de cada política caiu de duas horas e quinze minutos para uma hora e trinta e cinco minutos, uma redução de 30%. O tempo para implantação completa de um novo agente no produto diminuiu de três a quatro meses para duas a seis semanas. A empresa já digitalizou milhares de políticas usando fluxos manuais e semiautomatizados, e o novo framework baseado em agentes pretende reduzir ainda mais o tempo por política conforme escala para toda a biblioteca existente.
O próximo passo, já em desenvolvimento em parceria com o AWS Generative AI Innovation Center, é a construção de um grafo de conhecimento que conecta políticas clínicas a ontologias padronizadas, como UMLS e SNOMED, sistemas amplamente utilizados para classificar termos médicos. Utilizando o Amazon Neptune, serviço de banco de dados de grafos da AWS, a proposta é criar uma camada semântica que permita mapear relações entre políticas, diretrizes clínicas, códigos médicos, formulários de medicamentos e critérios de autorização prévia em diferentes áreas terapêuticas.
Para o diretor médico da Cohere Health, Brian Covino, a arquitetura do AgentCore permitiu tratar a rastreabilidade das versões das políticas como questão central, e não como detalhe secundário. Segundo ele, saídas estruturadas e versionadas tornam a base clínica de cada decisão rastreável e revisável por design, enquanto o ambiente de execução multi-inquilino seguro permite entregar essa capacidade a cada plano de saúde atendido sem comprometer o isolamento de dados.
