La autorización previa es el proceso de aprobación que requieren los planes de salud antes de cubrir ciertos servicios médicos o medicamentos. Sigue siendo uno de los procesos más manuales en la atención sanitaria, no porque el razonamiento médico para exigir aprobación sea defectuoso, sino porque las políticas que lo rigen están atrapadas en formatos estáticos y no estructurados que se resisten a la automatización. Este contenido es el núcleo de las operaciones clínicas diarias que afectan a cientos de millones de pacientes cada año. Sin embargo, el contenido de la política varía según el área clínica, la geografía, la línea de negocio y el plan de salud, y evoluciona a medida que avanza la medicina y la tecnología. Históricamente, los planes de salud no tenían una forma sistemática de gestionarlos, analizarlos y optimizarlos. La digitalización de estas políticas clínicas en datos estructurados y legibles por máquina utilizando terminologías estándar reduce un cuello de botella operativo crítico al respaldar flujos de trabajo más consistentes y computables y ayudar a los planes de salud a modernizar las operaciones de autorización previa a escala mientras se mantiene una supervisión clínica adecuada.
Cohere Health(R), una empresa de inteligencia clínica que impulsa las operaciones de planes de salud, creó Cohere Policy Studio(TM) utilizando Amazon Bedrock AgentCore, que proporciona el aislamiento multiinquilino necesario para sus clientes de planes de salud y un tiempo de ejecución de agente administrado que acelera la implementación sin reconstruir la infraestructura. La aplicación utiliza una arquitectura agente flexible y multiinquilino para acelerar la digitalización de políticas con una amplia gestión del flujo de trabajo y seguimiento automático de versiones.
En esta publicación, aprenderá cómo Cohere Health creó una arquitectura agente multiinquilino en AgentCore utilizando el aislamiento seguro de MicroVM de AgentCore Runtime, el acceso unificado a herramientas a través de AgentCore Gateway, AgentCore Memory y el estándar abierto Agent Skills para escalar rápidamente las capacidades de digitalización de políticas, preservando al mismo tiempo la transparencia, el control de versiones y la supervisión humana.
Desafío: el cuello de botella de la digitalización de las políticas
Darse cuenta del valor de los flujos de trabajo asistidos por IA en la autorización previa depende de un desafío fundamental: transformar las reglas atrapadas en documentos estáticos y PDF en datos estructurados y legibles por máquinas que los sistemas de IA puedan usar de manera más consistente, mientras que los profesionales médicos siguen siendo responsables de la revisión clínica cuando se requiere juicio clínico. Los planes de salud enfrentan el complejo desafío de gestionar políticas clínicas para respaldar los requisitos que cambian rápidamente. La automatización de la digitalización de políticas ayuda a los planes de salud a adaptarse a estos cambios.
Cohere Health identificó tres desafíos en la creación de una solución de inteligencia artificial para este flujo de trabajo:
Regulaciones gubernamentales: según las regulaciones de los Centros de Servicios de Medicare y Medicaid (CMS), los planes de salud deben admitir la autorización previa electrónica basada en API para enero de 2027. Planes de seguro médico de Estados Unidos (AHIP): los compromisos de AHIP requieren que los planes de salud logren un 80 por ciento de aprobaciones en tiempo real para los envíos electrónicos de autorización previa. Cada línea de negocio tiene requisitos únicos, lo que aumenta la necesidad de gestionar, auditar e implementar políticas clínicas rápidamente. Demandas de arquitectura técnica: la solución necesitaba incorporar múltiples formatos de entrada y producir diferentes representaciones de cada política para diferentes consumidores intermedios, cada uno con su propio circuito de retroalimentación.
AgentCore aborda estos desafíos con una infraestructura de tiempo de ejecución administrada, aislamiento de sesiones y acceso unificado a herramientas.
Descripción general de la solución
El siguiente diagrama muestra cómo Cohere Policy Studio conecta AgentCore Runtime, Gateway y Memory en un sistema agente unificado para la digitalización de políticas.
La aplicación Policy Studio se basa en AgentCore utilizando el estándar abierto Agent Skills. Para ampliar las representaciones en Cohere Policy Studio, Cohere Health agregó nuevas habilidades a un AgentCore Runtime existente que ya estaba descomponiendo políticas. Este tiempo de ejecución tuvo acceso a las habilidades de políticas, a las API de políticas como herramientas del Protocolo de contexto modelo (MCP) a través de AgentCore Gateway y a la memoria de sesión para los ciclos de retroalimentación de los analistas de políticas, lo que ayudó a los equipos a refinar los resultados dentro de un proceso gobernado por humanos en el ciclo.
El equipo completó tres tareas:
Implementé AgentCore Runtime con AgentCore Gateway y AgentCore Memory para un sistema agente completo usando LangChain. Configuré AgentCore Gateway para obtener herramientas y habilidades. Escribí habilidades con expertos en políticas clínicas y las evalué utilizando el proceso de observabilidad estandarizado de Cohere Health basado en Arize AI.
Puede aplicar estos mismos patrones para crear su propio sistema agente multiinquilino.
Implementación de agentes de IA con imágenes base reutilizables de Amazon Elastic Container Registry (Amazon ECR)
Cohere Health ofrece múltiples planes de salud que requieren un estricto aislamiento de datos entre inquilinos. El aislamiento seguro de microVM de AgentCore Runtime aplica esto con recursos de computación, memoria y sistema de archivos dedicados por sesión.
Al implementar múltiples instancias de agentes de IA en equipos, es importante mantener la coherencia y al mismo tiempo permitir la personalización. Cada equipo necesita su propia configuración de agente, pero reconstruir todo el entorno de ejecución para cada implementación genera sobrecargas y derivas innecesarias. Puede utilizar el siguiente patrón de imagen base para implementar nuevos agentes en microVM AgentCore Runtime con un Dockerfile mínimo.
Imagen base y patrón de consumo.
Cohere Health desarrolló una arquitectura de implementación de dos niveles que separa el entorno de ejecución estable de las configuraciones específicas del equipo:
La línea FROM extrae la imagen base compartida que contiene el marco del agente LangChain y las dependencias comunes. La línea COPY agrega el agente_config.yaml específico del equipo, que controla las siguientes opciones:
Modos de memoria: elija entre historial de conversaciones sin estado (NO_MEMORY) o persistente (AGENTCORE). Estrategias de almacenamiento: full_trace para flujos de trabajo de corrección o conversation_only para limpiar el historial. Almacenamiento en caché del contexto de la sesión: almacena en caché automáticamente definiciones de habilidades y documentos para evitar recuperaciones redundantes de Amazon Simple Storage Service (Amazon S3). Almacenamiento en caché de avisos: puede ayudar a reducir los costos y la latencia al almacenar en caché los avisos del sistema y el contenido de uso frecuente. Configuración de herramientas flexible: habilite/deshabilite herramientas por implementación. Configuración del modelo: modelo base en Amazon Bedrock con límites de token configurables, temperatura y otros parámetros de inferencia. Configuración de LiteLLM: configure LiteLLM como proxy inverso entre el modelo y el agente.
Una vez implementado el tiempo de ejecución, el siguiente paso fue conectarlo a herramientas y habilidades.
Acceso unificado a herramientas y habilidades con AgentCore Gateway
Los agentes de Cohere Health acceden a múltiples tipos de herramientas, incluidas funciones de AWS Lambda para obtener habilidades y documentos, y API internas, mantenidas por diferentes equipos. AgentCore Gateway los consolida detrás de un único punto final autenticado, de modo que los equipos agregan nuevas herramientas sin volver a implementar el agente.
Arquitectura de puerta de enlace AgentCore
Cohere Health implementó esto utilizando AgentCore Gateway con objetivos separados para herramientas compartidas y herramientas específicas del proyecto.
Estructura de la función Lambda de la herramienta
AgentCore Gateway invoca una función AWS Lambda para cada solicitud de herramienta. La función se dirige al controlador correcto según el nombre de la herramienta pasado en el contexto de la puerta de enlace.
Implementación de herramientas
Cada controlador de herramientas obtiene datos de una fuente específica. El siguiente ejemplo recupera una definición de habilidad de Amazon S3.
Configuración del agente
La configuración del agente define a qué destinos de puerta de enlace puede acceder el agente y cómo se autentica.
Con el tiempo de ejecución y las herramientas implementadas, Cohere Health se dedicó a crear la capa de experiencia en el dominio.
Desarrollo y evaluación de habilidades.
Los agentes de IA necesitan conocimientos de un dominio específico para realizar tareas especializadas de forma eficaz. Las indicaciones genéricas producen resultados inconsistentes, requieren un uso extensivo de tokens y carecen de la comprensión matizada que aportan los expertos en el dominio. Cada nuevo caso de uso tradicionalmente requería reconstruir la infraestructura del agente desde cero, lo que creaba cuellos de botella en la velocidad de implementación. Un marco de habilidades modular aborda esto desvinculando la experiencia en el dominio de la infraestructura. Para Cohere Health, esto significa que los expertos en políticas clínicas pueden crear y perfeccionar nuevas habilidades directamente, ayudando a garantizar que el sistema respalde los flujos de trabajo de políticas de manera que permanezcan basados en la revisión y la gobernanza de expertos.
Marco de habilidades modular
Los equipos implementan nuevas capacidades a través de definiciones de habilidades versionadas y modulares sin reconstruir el agente.
Flujo de trabajo de desarrollo
Cohere Health sigue un flujo de trabajo estructurado para desarrollar y validar cada habilidad antes de que llegue a producción.
Proceso de evaluación
La evaluación de habilidades requiere la colaboración entre la ingeniería de aprendizaje automático y la ciencia de datos. El proceso comienza con conjuntos de datos de referencia que contienen resultados reales para cada habilidad. El equipo define métricas de éxito (precisión, integridad y coherencia) y ejecuta un conjunto de evaluaciones en función de estos casos de prueba. Cuando una habilidad falla, el equipo analiza el modo de falla e itera sobre la definición de la habilidad antes de volver a realizar la prueba.
Después de que una habilidad pasa el conjunto de evaluación, la ciencia de datos revisa los resultados con respecto a los criterios de aceptación y aprueba la habilidad para su implementación en producción.
Después de la implementación, Arize AI rastrea las métricas de efectividad en producción. Los analistas de políticas clínicas anotan resultados de muestra para detectar errores que las métricas automatizadas pasan por alto. El equipo monitorea la degradación de habilidades a lo largo del tiempo y utiliza estos puntos de datos para priorizar el trabajo de optimización.
Versionado e implementación de habilidades
Las habilidades pasan a producción a través de un esquema de control de versiones en capas y un proceso de implementación por etapas.
Versionado de doble capa
Las habilidades utilizan control de versiones de doble capa: control de versiones semántico para el seguimiento de capacidades y control de versiones de objetos de Amazon S3 para el historial de implementación. La primera capa rastrea los cambios de capacidad en SKILL.md, con cada versión etiquetada en git (por ejemplo, Skill/policy_ingestion/v1.2.3). El control de versiones de objetos de Amazon S3 proporciona la segunda capa, manteniendo un historial inmutable para cada carga con capacidad de reversión y depósitos separados de producción y no producción.
Flujo de implementación El desarrollador confirma y abre un PR para desarrollar. Paquetes de integración continua y entrega continua (CI/CD) Skill.tar.gz con metadatos en fusión. La canalización se carga en el depósito no de producción de Amazon S3 y actualiza el manifiesto. Evaluar en un entorno sin producción. Abra PR a principal. Implemente para impulsar con implementación y monitoreo graduales.
Resultados e impacto
A través de esta implementación, Cohere Health logró mejoras mensurables en la velocidad de digitalización de políticas, la velocidad de implementación y la cobertura.
Eficiencia de la digitalización de políticas: el tiempo total dedicado a la digitalización de políticas se redujo en un 30 por ciento, de 2 horas 15 minutos a 1 hora 35 minutos por política. Cohere Health ha digitalizado miles de pólizas hasta la fecha utilizando flujos de trabajo manuales y semiautomáticos. El marco basado en agentes apunta a una mayor reducción del tiempo por política a medida que se escala en la biblioteca de políticas existente.
Velocidad de implementación: las implementaciones completas de agentes en el producto disminuyeron de 3 a 4 meses a 2 a 6 semanas. El patrón de imagen base ECR reutilizable permite a los equipos crear un nuevo agente con un Dockerfile mínimo, y el marco de habilidades modular significa que se envían nuevas capacidades sin reconstruir el tiempo de ejecución del agente. El sistema abstrae las preocupaciones de DevOps, por lo que los ingenieros tradicionales de aprendizaje automático (ML) y ciencia de datos pueden implementar agentes sin una amplia experiencia en codificación. El producto de digitalización de políticas ejecuta una arquitectura de múltiples habilidades de un solo agente con un agente, una habilidad principal con una subhabilidad y tres inyecciones de referencia.
Cobertura de políticas: Cohere Policy Studio representa contenido de políticas con texto textual y una capa de evidencia codificada estándar, empaquetados juntos y disponibles en formatos y fuentes de políticas originales.
"La revisión de la política de autorización previa siempre ha exigido un nivel extraordinario de atención clínica: cada palabra en un documento de política puede tener consecuencias posteriores para los pacientes. Pero esa atención históricamente se ha dividido entre la interpretación y la verificación: no solo comprender lo que una política significa clínicamente, sino confirmar qué versión de ella rige una decisión dada, y si esa misma versión es lo que el plan de salud publicó para los proveedores. Esas no son preguntas administrativas, son preguntas que tienen que ver directamente con la integridad clínica. Amazon Bedrock AgentCore nos dio la arquitectura para abordar ambas simultáneamente: flujos de trabajo agentes impulsados por IA que ayudan a navegar la complejidad interpretativa del lenguaje clínico, con memoria integrada y seguimiento de versiones que hacen que la procedencia sea una preocupación de primera clase en lugar de una ocurrencia tardía. Los resultados de políticas estructuradas y versionadas hacen que la base clínica de una decisión sea rastreable y revisable por diseño, y el tiempo de ejecución seguro y multiinquilino de AgentCore significa que podemos ofrecer esa capacidad en todos los planes de salud que atendemos sin comprometer el aislamiento”.
— Brian Covino, MD, FAAOS, director médico, Cohere Health
Aplique estos patrones para lograr resultados similares: imágenes base reutilizables para implementaciones consistentes, acceso unificado a herramientas a través de una única puerta de enlace y habilidades modulares que escalan sin reconstruir la infraestructura.
Futuro: conectar políticas a través de un gráfico de conocimiento
Aprovechando el éxito de Cohere Policy Studio con AgentCore, la próxima evolución introduce un gráfico de conocimiento inteligente que ya está en marcha. En colaboración con el Centro de innovación en IA generativa de AWS, Cohere Health creó un prototipo de la capa semántica fundamental que asigna políticas clínicas a ontologías estandarizadas (UMLS, SNOMED) para respaldar una mayor interoperabilidad utilizando términos de atención médica estandarizados. Al utilizar Amazon Neptune, esto fundamenta los conceptos de políticas en una estructura que la IA puede atravesar y rastrear. Ese gráfico conecta las políticas clínicas con los productos de toma de decisiones en todas las indicaciones ampliadas.
Arquitectura mejorada
La capa del gráfico de conocimiento se encuentra entre el motor de representación de políticas y los sistemas de toma de decisiones posteriores, creando una red semántica que:
Mapea las relaciones entre políticas, pautas clínicas, códigos médicos (ICD-10, CPT, HCPCS), formularios de medicamentos y criterios de autorización previa en todas las áreas terapéuticas. Escala la cobertura de indicaciones identificando patrones y similitudes en todos los dominios clínicos, de modo que los nuevos tipos de pólizas se implementen rápidamente sin configuración manual. Conecta fragmentos de políticas a múltiples contextos de toma de decisiones, de modo que una única actualización de políticas se propague correctamente entre los flujos de trabajo de autorización afectados.
Capacidades clave
A medida que se digitalizan nuevas políticas a través de AgentCore, el gráfico de conocimiento está diseñado para ayudar a identificar conexiones relevantes, señalar conflictos potenciales y sugerir patrones reutilizables para respaldar los flujos de trabajo de los revisores y del equipo de políticas. El gráfico aprende de las estructuras de políticas en todas las áreas clínicas, sugiere plantillas y acelera el tiempo de implementación para nuevos tipos de indicaciones de días a horas. Los motores de toma de decisiones consultan el gráfico de conocimiento utilizando lenguaje natural o recursos de Fast Healthcare Interoperability Resources (FHIR) para recuperar fragmentos de políticas potencialmente relevantes con el historial completo de versiones y procedencia. El gráfico también mantiene vínculos bidireccionales entre los requisitos de CMS, los compromisos de AHIP y las representaciones de políticas internas, lo que respalda la alineación regulatoria a escala.
Estas capacidades brindan una cobertura integral de indicaciones sin un esfuerzo de ingeniería proporcional, actualizaciones de políticas en tiempo real en todos los productos de toma de decisiones conectados, detección automatizada de conflictos para ayudar a prevenir resultados de autorización inconsistentes y recuperación de políticas en menos de un segundo para solicitudes de autorización.
Esta base de gráfico de conocimiento respalda la capacidad de Cohere Health para ayudar a los planes de salud a lograr el 80 por ciento de las aprobaciones de autorización previa electrónica en tiempo real. El gráfico mantiene las capacidades de seguridad, multiinquilino y auditoría establecidas en la arquitectura actual de AgentCore.
Conclusión
En esta publicación, aprendió cómo Cohere Health utilizó AgentCore y tres decisiones arquitectónicas para reducir la implementación de agentes de IA de meses a semanas. Tres patrones (imágenes base ECR reutilizables, acceso unificado a herramientas a través de AgentCore Gateway y desarrollo de habilidades modulares) ayudaron a Cohere Health a respaldar flujos de trabajo de digitalización de políticas más escalables en todos los formatos y, al mismo tiempo, reducir el tiempo de digitalización en un 30 %.
El patrón de imagen base de ECR alivia el trabajo de infraestructura redundante, de modo que los equipos pueden implementar nuevos agentes con un Dockerfile mínimo. Cohere Health puede escalar el sistema de IA sin reconstruir el tiempo de ejecución. La arquitectura AgentCore Gateway proporciona un único punto final autenticado para las herramientas, ya sean utilidades basadas en servicios AWS Lambda u OpenAPI. El marco de habilidades, construido sobre el estándar abierto Agent Skills, separa la experiencia en el dominio de la mecánica de los agentes, lo que respalda una iteración rápida con evaluación continua a través de Arize AI y analistas de políticas clínicas.
El futuro de la IA en el sector sanitario depende de sistemas que puedan adaptarse rápidamente a los requisitos cambiantes manteniendo al mismo tiempo la fiabilidad y la seguridad. Con AgentCore y estos patrones arquitectónicos, puedes construir ese sistema hoy.
Para comenzar con estos patrones en su propio entorno, explore los siguientes recursos:
Conozca la otra implementación de AgentCore de Cohere Health de un asistente de agente de revisión de necesidades médicas en esta sesión de re:Invent.
Si es una startup que crea agentes de IA listos para producción, AWS Activate le brinda los créditos, la orientación técnica y el soporte de arquitectura para ayudarlo a pasar del prototipo a la producción. Comience hoy.
Si tiene comentarios o preguntas sobre esta publicación, deje un comentario en la sección de comentarios.
Sobre los autores
Oleksiy Kononenko
Oleksiy es arquitecto de soluciones en el equipo de gobierno estatal y local de AWS, donde se asocia con agencias gubernamentales para utilizar tecnologías en la nube para mejorar los servicios a los ciudadanos. Con su experiencia previa en empresas emergentes de atención médica y ciencias biológicas en AWS, aporta una perspectiva de constructor única para diseñar soluciones que resuelvan problemas del mundo real. Cuando no trabaja con clientes, lo encontrará explorando nuevas tecnologías o practicando ciclismo de montaña.
Kenji Fujita
Kenji es ingeniero de plataformas de IA en Cohere Health, donde ha trabajado durante los últimos seis años. A lo largo de su mandato, ha desarrollado muchas de las capacidades en las diversas plataformas que el nuevo marco de agentes está ampliando para admitir. Puedes encontrar a Kenji sufriendo mientras mira a los Mets y corre en su tiempo libre.
Vikas Mehta
Vikas es ingeniero de aprendizaje automático en Cohere Health, donde comenzó como cooperativa durante su maestría en UMass Amherst. Es un colaborador del marco descrito en esta publicación. Cuando no está trabajando, a Vikas le gusta nadar, jugar juegos de mesa con amigos y explorar parques y restaurantes de la ciudad.
Anna Wang
Anna es ingeniera de software en Cohere Health, donde comenzó como pasante durante sus estudios universitarios en la Universidad de Tufts. Ella contribuye al marco descrito en esta publicación. Fuera del trabajo, las obsesiones actuales de Anna son la masa madre y las carreras de fondo.
Ebad Ahmadzadeh
Ebad es ingeniero principal de aprendizaje automático en Cohere Health, donde ha trabajado durante los últimos cuatro años. Dirigió la investigación y la implementación de muchos de los productos de aprendizaje automático de la empresa. A Ebad le gusta aprender sobre teoría musical, pasa tiempo con su familia y sale a pasear perros.
Adwait Patil
Adwait es ingeniero de aprendizaje automático en Cohere Health, donde comenzó como cooperativa durante su MSDS en la Facultad de Ciencias de la Computación Khoury de Northeastern. Ha trabajado extensamente en Cohere Policy Studio. Por lo general, se puede encontrar a Adwait caminando o jugando bádminton o baloncesto, usándolo a menudo como la excusa perfecta para explorar nuevos lugares para comer.