OutilsAWS ML Blog · 27 juil. 2026, 20:05· 2 min de lecture

Le traitement des documents médicaux par Guardoc avec les modèles Amazon Nova

Guardoc Health, une entreprise spécialisée dans le traitement des documents médicaux pour les établissements de soins de longue durée, a développé une solution basée sur la famille de modèles Amazon Nova, accessible via Amazon Bedrock, pour automatiser l'extraction et la classification des dossiers cliniques. Les maisons de retraite médicalisées et les résidences avec services traitent chaque jour des documents extrêmement hétérogènes : PDF de plusieurs pages avec annotations manuscrites de médecins, formulaires d'autorisation préalable où des cases à cocher déterminent la prise en charge par l'assurance, listes de médicaments présentées sous forme de tableaux, de texte libre ou d'images scannées, et formulaires d'admission mêlant champs tapés, écriture manuscrite et tampons. Guardoc traite plus d'un million de documents lors des journées de pointe. Le pipeline s'appuie d'abord sur Amazon Textract pour extraire le texte et les métadonnées structurelles de chaque page à faible coût, avant qu'une architecture de génération augmentée par récupération (RAG) ne s'appuie sur les modèles Nova pour identifier les conditions médicales en croisant les preuves directement issues du dossier du patient.

Les résultats annoncés par Guardoc sont significatifs : une réduction de 46 % des erreurs de documentation, une baisse de 70 % des amendes liées aux audits de conformité, et un retour sur investissement annuel supérieur à 400 000 dollars pour un seul établissement. L'enjeu est de taille pour le secteur de la santé américain, qui dépense chaque année des centaines de millions de dollars en traitement manuel de documents. Une étude publiée dans BMJ Quality and Safety estime que les erreurs de diagnostic touchent environ 12 millions d'adultes américains chaque année en soins ambulatoires, les défaillances dans le traitement de l'information étant identifiées comme un facteur contributif. À l'échelle où opère Guardoc, même un taux d'erreur de 1 % dans la détection des conditions médicales génère des milliers de dossiers erronés par jour, chacun représentant un risque potentiel pour la sécurité des patients ou un motif de non-conformité réglementaire.

Pour atteindre ce niveau de fiabilité, Guardoc a dû résoudre trois défis majeurs du traitement documentaire clinique : détecter les conditions médicales spéciales avec un haut rappel, interpréter de manière fiable les cases à cocher sur des dizaines de types de formulaires différents, et extraire avec précision les informations de documents combinant plusieurs formats sur une même page. Ce projet illustre une tendance plus large dans le secteur de la santé, où les établissements de soins cherchent à combiner extraction documentaire classique et modèles de langage pour réduire la charge cognitive des infirmières et des équipes soignantes, tout en répondant aux exigences croissantes de conformité réglementaire. L'adoption de modèles comme Amazon Nova dans ce contexte s'inscrit dans une compétition plus vaste entre fournisseurs cloud pour capter les cas d'usage cliniques à fort enjeu.

Dans nos dossiers

AWS

Cet article vous a été utile ?

Vu une erreur factuelle dans cet article ? Signalez-la. Toutes les corrections valides sont publiées sur /corrections.

À lire aussi

1AWS ML Blog

Rocket Close révolutionne le traitement des documents hypothécaires avec Amazon Bedrock et Amazon Textract

Rocket Close, filiale de gestion de titres et d'évaluations immobilières au sein du groupe Rocket Companies basée à Detroit, a automatisé le traitement de ses dossiers hypothécaires grâce à une solution développée en partenariat avec le AWS Generative AI Innovation Center (GenAIIC). L'entreprise traitait jusqu'à 2 000 dossiers par jour, chacun comptant en moyenne 75 pages, pour un total potentiel de plus de 500 000 documents par an. Le processus manuel exigeait jusqu'à 10 heures par dossier lors des pics de volume, soit environ 1 000 heures de travail humain quotidien, pour un coût annuel se chiffrant en millions de dollars. La nouvelle solution repose sur Amazon Textract pour la reconnaissance optique de caractères et Amazon Bedrock pour accéder à des modèles de fondation via une API unifiée. Elle atteint une précision globale de 90 % sur la segmentation, la classification et l'extraction de données, et rend le traitement 15 fois plus rapide qu'auparavant. L'impact opérationnel est considérable. En remplaçant un processus manuel chronophage par un pipeline automatisé, Rocket Close libère des ressources humaines pour des tâches à plus haute valeur ajoutée, réduit drastiquement ses coûts par dossier et élimine les goulots d'étranglement qui freinaient sa croissance. Pour les clients finaux, cela se traduit par des délais de traitement bien plus courts lors de l'achat ou du refinancement d'un bien immobilier. La solution est conçue pour absorber des volumes croissants sans dégradation de qualité, ce qui change fondamentalement les possibilités de mise à l'échelle dans un secteur où la vitesse d'instruction des prêts est un avantage concurrentiel direct. Le défi technique était loin d'être trivial : les dossiers hypothécaires sont des assemblages hétérogènes de plus de 60 types de documents différents, mêlant textes dactylographiés, notes manuscrites, tableaux, formulaires, tampons et signatures, avec une mise en forme et un ordre variables d'un dossier à l'autre. C'est précisément cette complexité structurelle qui avait jusqu'ici rendu l'automatisation difficile. L'essor des modèles de fondation multimodaux accessibles via des services managés comme Amazon Bedrock a changé la donne, en permettant une classification contextuelle robuste là où les approches règle-par-règle échouaient. Rocket Close s'inscrit ainsi dans une vague plus large de transformation documentaire dans les secteurs financiers et immobiliers, où les grands groupes cherchent à industrialiser des processus restés manuels faute d'outils suffisamment fiables. La prochaine étape pour l'entreprise sera probablement d'étendre ces capacités à d'autres types de documents tout au long de la chaîne de traitement des prêts.

OutilsOutil

1 source

2AWS ML Blog

Associer Nova 2 Lite à Claude pour un traitement de documents à moindre coût

Amazon a publié un retour d'expérience détaillé sur une architecture combinant deux modèles d'IA pour numériser des annuaires scolaires numérisés à grande échelle. Le pipeline, développé sur Amazon Bedrock, associe Amazon Nova 2 Lite et Claude Sonnet 4.6 d'Anthropic dans deux étapes séquentielles distinctes. Testé sur 336 pages d'annuaires scannées, le système a produit 3 122 associations nom-visage, avec 93 % des correspondances atteignant un score de confiance supérieur ou égal à 0,95. La première étape confie à Nova 2 Lite l'extraction multimodale native : via un seul appel API, le modèle détecte les photos avec leurs coordonnées, extrait les noms visibles sur la page avec leurs positions approximatives, et remonte les métadonnées de la page. Claude Sonnet 4.6 intervient ensuite uniquement pour le raisonnement spatial, c'est-à-dire déterminer quel nom correspond à quel visage selon la mise en page. Ce découpage permet de limiter la sortie de Nova 2 Lite à environ 1 000 tokens par page, contre 4 500 tokens pour une passe OCR complète. Le coût total est réduit de deux tiers par rapport à un modèle unique chargé de l'intégralité de la tâche. L'intérêt concret de cette architecture va au-delà de la numérisation d'annuaires. Elle illustre une stratégie de décomposition de tâches visuelles complexes en sous-problèmes spécialisés, permettant d'affecter à chaque étape le modèle le mieux adapté et le moins coûteux. Nova 2 Lite est configuré en mode de raisonnement LOW, le niveau minimal, sans perte mesurable de précision sur cette tâche d'extraction structurée. Claude, lui, absorbe la variabilité des mises en page sans nécessiter de prompt engineering spécifique à chaque format, grâce à ce qu'Amazon appelle son "adaptive thinking". La tarification fixe par image de Nova 2 Lite rend également le coût prévisible à grande échelle, ce qui est déterminant pour des workflows traitant des centaines de milliers de pages. Cette publication s'inscrit dans la montée en puissance d'Amazon Bedrock comme plateforme d'orchestration multi-modèles, où différents modèles d'éditeurs tiers coexistent et peuvent être combinés. Amazon positionne Nova 2 Lite comme un modèle économique pour les tâches d'extraction à haut volume, tandis que Claude occupe le rôle de raisonneur pour les étapes à plus forte valeur ajoutée. Ce type d'architecture hybride reflète une tendance plus large dans l'industrie : plutôt que de chercher le modèle universel le plus puissant, les équipes d'ingénierie construisent des pipelines spécialisés où le coût et la précision sont optimisés étape par étape. La question des droits sur les archives numérisées, notamment pour des annuaires privés, reste un angle peu abordé mais potentiellement sensible à mesure que ces techniques se généralisent.

OutilsOutil

1 source

3AWS ML Blog

Créer un agent de prise de rendez-vous médicaux avec Amazon Nova 2 Sonic

Amazon Web Services publie une architecture complète pour déployer un agent vocal capable de gérer automatiquement les rappels de rendez-vous médicaux, en combinant Amazon Nova 2 Sonic et Amazon Bedrock AgentCore. Le taux d'absences non justifiées dans les établissements de santé américains oscille entre 5 et 30 % selon les spécialités, chaque créneau vide représentant une perte de revenus, du temps médical gaspillé et des soins retardés. L'agent décrit authentifie les patients par reconnaissance vocale, gère les rendez-vous en temps réel, confirmation, annulation, reprogrammation, collecte des informations de santé pré-consultation et transfère l'appel à un agent humain si la situation l'exige. Le système repose sur Bedrock AgentCore en mode serverless, Amazon Cognito pour l'authentification, DynamoDB pour la persistance des données, Amazon SNS pour les notifications, et un frontend React qui streame l'audio bidirectionnel via des connexions WebSocket authentifiées. La différence fondamentale avec les approches traditionnelles tient au traitement natif parole-à-parole de Nova 2 Sonic. Les pipelines classiques enchaînent trois services distincts, transcription automatique, modèle de langage, synthèse vocale, et perdent à chaque transfert les nuances acoustiques du patient : hésitations, ton anxieux, confusion. Nova 2 Sonic traite la voix dans un seul modèle unifié, préservant le contexte vocal à travers chaque tour de dialogue. En santé, où l'état émotionnel d'un patient devrait influencer directement la réponse de l'agent, cette rétention de contexte améliore concrètement la qualité des échanges. Le modèle gère en outre les bruits de fond courants en environnement domestique et clinique, les accents régionaux, et peut basculer en cours de conversation vers la langue préférée du patient sans aucune reconfiguration. Amazon positionne Nova 2 Sonic comme une réponse directe aux limites des pipelines textuels dans les interactions vocales à fort enjeu. L'architecture s'appuie sur le SDK Strands Agents, qui intègre sept outils spécifiques au secteur médical pour l'authentification, la gestion des plannings et l'escalade vers le personnel soignant. Pour connecter l'agent à de vraies lignes téléphoniques en mode sortant, AWS recommande d'intégrer Amazon Connect, non inclus dans cette démonstration qui se concentre sur la couche agentique. Dans un secteur où les appels de confirmation un par un ne passent plus à l'échelle, cette architecture cible directement les réseaux de cliniques et d'hôpitaux qui absorbent chaque année des millions d'interactions téléphoniques routinières, et cherchent à les automatiser sans sacrifier la dimension humaine de la relation patient.

OutilsOutil

1 source

4AWS ML Blog

Créer un système de traitement de documents financiers avec Pulse AI et Amazon Bedrock

Pulse AI et Amazon Bedrock s'associent pour proposer un pipeline de traitement intelligent des documents financiers complexes, ciblant les établissements bancaires, les fonds d'investissement privés et les grandes entreprises. Contrairement aux outils OCR traditionnels qui traitent les documents comme de simples images, la solution combine les modèles de langage visuels de Pulse avec des composants de machine learning classiques spécifiquement conçus pour comprendre la structure des documents financiers : bilans comptables, comptes de résultats, dépôts SEC, rapports de recherche et documents d'audit. Le résultat le plus concret : un lot d'environ 1 000 documents financiers complexes, qui nécessitait auparavant plusieurs jours de traitement, est désormais traité en moins de trois heures, produisant des sorties structurées et auditables prêtes pour l'analyse. La solution est déjà déployée chez Samsung, Cloudera, Howard Hughes, ainsi que dans plusieurs institutions financières du classement Fortune 500. L'enjeu est critique pour le secteur financier : une erreur OCR dans un bilan ou un tableau à cellules fusionnées ne reste pas isolée, elle se propage en cascade à travers les calculs interconnectés, faussant l'ensemble de l'analyse. Le pipeline Pulse-Bedrock extrait les données de façon structurée et sémantiquement consciente, puis utilise Amazon Bedrock pour affiner les modèles Nova d'Amazon sur ces données de haute qualité. L'organisation obtient ainsi un modèle de langage personnalisé, entraîné sur ses propres conventions financières, capable de traiter les nouveaux documents avec une compréhension spécifique à l'entreprise. La révision manuelle, qui prenait des jours, se réduit à quelques heures. Ce développement s'inscrit dans une course à l'automatisation documentaire dans laquelle les institutions financières investissent massivement, sous la pression de volumes croissants de rapports réglementaires et de due diligence. Amazon Bedrock se positionne ici comme infrastructure de fine-tuning clé en main, sans gestion d'infrastructure ML ni planification de capacité, ce qui réduit la barrière d'entrée pour les équipes sans expertise MLOps. Pour Pulse AI, ce partenariat valide son approche hybride vision-langage face aux acteurs OCR historiques comme ABBYY ou aux offres cloud génériques de Google Document AI et Azure Form Recognizer. La prochaine étape logique est l'extension à d'autres verticales documentaires lourdes, comme le juridique ou le médical, où les mêmes problèmes de structure complexe et de dépendances contextuelles se posent.

OutilsOutil

1 source

Recevez l'essentiel de l'IA chaque jour

Une sélection éditoriale quotidienne, sans bruit. Directement dans votre boîte mail.

Recevez l'essentiel de l'IA chaque jour

Gratuit · 1 email le matin, l'essentiel de l'IA · désinscription en un clic