Carta Healthcare用Claude构建临床数据抽象平台
译文 AI 逐段翻译
Carta Healthcare 如何让 AI 像临床数据摘录员一样推理
一个每年处理 22,000 例外科病例的临床数据摘录平台内部——以及该团队如何通过正确的上下文工程达到 99% 的准确率。
- 分类企业 AI
- 产品Claude 平台
- 日期：2026 年 4 月 8 日
- 阅读时间：5 分钟
- 分享复制链接https://claude.com/blog/carta-healthcare-clinical-abstractor
在我们的新系列“初创企业如何用 Claude 构建”中，我们重点介绍高速成长的组织如何利用 AI 转型其行业。在本文中，我们分享 Carta Healthcare 的临床数据摘录平台 Lighthouse 创建背后的工程经验，以及为什么在构建大规模 AI 驱动系统时，上下文工程与模型能力同样重要。
| 快速概览 | |
|---|---|
| 名称 | Carta Healthcare |
| 成立时间 | 2017 年 |
| CEO | Brent Dover |
| 技术栈 | Amazon Bedrock 中的 Claude |
| 增长 | 过去 3 年增长 10 倍，支持 125 多家医院 |
临床注册登记收集具有共同诊断、手术或病症的患者的标准化数据。医院向注册登记提交数据以进行结果基准比较、识别护理缺口并推动质量改进，但注册登记的价值取决于其数据，而生成这些数据比看起来更难。
将患者记录转换为注册登记就绪数据称为临床数据摘录。训练有素的摘录员阅读病历、解读医生笔记、协调相互矛盾的文档并在记录不清时应用临床判断。常规病例可能需要 60 分钟；复杂病例可能需要五六个小时。对于大型医疗系统而言，一个注册登记项目每年需要超过 11,000 小时的专业劳动。
传统的自动化工具无法弥补这一差距。基于规则的系统和 NLP 可以处理可预测的文档，但临床语言很少如此。同一发现可能在一家医院以结构化字段出现，而在另一家医院则深埋于自由文本中。边缘情况成倍增加，上下文至关重要，而错误的代价不是糟糕的建议——而是有缺陷的质量数据，这会彻底破坏注册登记。
这一差距正是 Carta Healthcare，一家临床数据管理解决方案提供商，构建软件以大规模消除的。该平台 Lighthouse 使用 Claude 以训练有素的摘录员的方式推理临床文档。
他们在这一过程中发现的东西重塑了他们的方法，并为任何试图将 AI 从试点推向生产的团队提供了蓝图。
从基于规则的提取到临床推理
注册摘录员回答的问题并非简单的数据库查找。
例如，回答问题 “手术前最近的血糖是多少？” 需要知道确切的手术开始时间，然后找到该时间之前的实验室值。“出院时是否开了阿司匹林？” 需要区分给患者带回家的药物与住院期间使用的药物。
显而易见的方法是使用规则自动化这些判断：映射临床医生记录特定发现的方式，围绕这些模式构建提取逻辑，并由此扩展。但临床文档不够一致，该方法行不通。同一临床发现可能在一家医院以结构化字段记录，在另一家医院以临床笔记中的自由文本记录。
Carta Healthcare 的早期系统使用自然语言处理（NLP）自动提取注册数据。事实证明，模式识别无法复制临床判断。
“这就是 Carta Healthcare 多年从 NLP 开始的原因，也是我们转向 LLM 的原因，”Carta Healthcare 应用 AI 应用经理 Hannah Glaser 说。正确的推理至关重要，因为三位摘录员可能审查同一心脏病例并得出不同但合理的答案。医生笔记指向一个方向，影像学检查指向另一个方向。正确的答案需要权衡两者，这不是用规则就能解决的问题。
“AI 系统需要理解的是训练有素的临床摘录员所理解的内容：如何在上下文中阅读临床语言，权衡文档中的冲突证据，应用相对于特定手术日期的时序逻辑，并处理模糊性，”格拉泽说。“如果体重是在手术后测量的，熟练的摘录员知道这不能算作术前体重，系统也需要知道这一点。”
Carta Healthcare 在确定选择 Claude 之前评估了几种模型。
“我们评估的其他模型都没有表现出同样的理解和解读临床文档的能力，”格拉泽说。
未找到任何项目。
0/5
电子书
医疗健康与生命科学企业 AI 转型指南
利用 Anthropic 客户在 HCLS 领域的成熟策略加速您的企业 AI 转型。
阅读指南
.png)
构建正确的上下文
Lighthouse 提取的每个数据点都需要不同的源文档、不同的时间窗口和不同数量的上下文才能正确回答。
这是上下文工程的核心挑战：AI 代理的性能不仅仅取决于模型，还取决于模型获得的信息。即使是世界上最好的提示，如果提供的信息不完整、无序或范围不当，也会表现不佳。正确设置上下文——包括什么、排除什么以及顺序——是将原型与生产系统区分开来的工程工作。
以术前体重为例。要求不是 “在记录中找到体重。” 而是 “找到在特定手术开始时间之前记录的体重。”最近的体重可能是在术后两天记录的。该值不可采用。
Carta Healthcare的系统在运行时整合患者特定背景信息，使Claude能够为每个问题精确设定时间边界。术前血糖的提示指定了手术开始时间，并要求提供该时刻之前最近的血糖值。如果没有这种具体性，即使是强大的模型也只能基于不完整的信息工作，而任何训练有素的摘录员都会立即发现这些信息的缺失。Carta Healthcare软件工程经理Matthew Mazzanti表示：“我们解决的最困难的问题不是构建完美的提示，而是构建上下文。”对Carta Healthcare团队而言，艰巨的工作是构建在运行时组装正确信息的管道——正确的文档、正确的时间范围、正确的优先级顺序。Mazzanti说：“在正确的时间集成、组织和呈现正确的数据才是真正的工作。一个写得完美的提示配上糟糕的上下文会给出糟糕的答案。一个直白的提示配上正确的上下文就能交付你所需的结果。”
Glaser对处境相同的团队的建议？首先问自己：你是给了模型进行推理所需的条件，还是让它从可用信息中自行摸索？
Mazzanti说：“当某些东西表现不佳时，你可以追溯到一个具体的提示、上下文问题或检索缺口，而不是盯着一个总体分数琢磨哪里出了问题。尽早建立你的评估框架，使其细化，并设计成能隔离变量。跳过这一步，你花在调试上的时间会多于构建。”
在某个大型医疗系统中，Lighthouse每年在14家医院处理超过22,000例外科病例，评估者间信度达到98-99%，这是行业标准的摘录准确性衡量指标。
让临床专家参与其中
一旦上下文构建稳固，最了解临床文档的人员就可以开始塑造系统的行为。
建立与摘录员的信任归结为透明度。Lighthouse不是一个黑匣子。对于它提取的每一个数据点，摘录员都能看到支持证据和Claude的推理。他们可以验证结果并运用临床判断，而不是被动接受输出。
从此，提示成为临床专业知识直接影响Claude推理方式的机制。当摘录员发现某个特定注册数据点未被正确提取时，她对原因的解释——边缘案例、文档模式、提示缺少什么——成为Claude处理该字段的直接输入。
通过早期优先考虑上下文工程，Carta Healthcare将这种解释转化为修订后的提示，并在当天发布。
Glaser说：“我们的临床摘录员经常给我们长篇解释某个数据点在实践中如何工作。我们不用花数周将其转化为数据科学模型和定制代码，而是直接在提示中使用这些反馈。以前每个注册表需要数月工程和质量保证的工作，现在一周内就能交付。”
正如Carta Healthcare的一位摘录员所说：“Lighthouse不会取代我的判断。它增强了我的判断。”
了解更多，请阅读Carta Healthcare的完整案例。
常见问题
未找到项目。
相关文章
探索更多产品新闻和针对使用Claude构建的团队的最佳实践。
2026年8月11日
合规API覆盖扩展至Claude Cowork和Claude Code
企业AI
合规API覆盖扩展至Claude Cowork和Claude Code
合规API覆盖扩展至Claude Cowork和Claude Code
2026年6月5日
Claude Cowork产品指南
企业AI
2026年5月22日
Anthropic财务团队如何使用Claude塑造数字背后的叙事
企业AI
Anthropic财务团队如何使用Claude塑造数字背后的叙事
Anthropic财务团队如何使用Claude塑造数字背后的叙事
2026年8月7日
Anthropic业务拓展团队如何使用Claude大规模处理入站和出站业务
企业AI
Anthropic业务拓展团队如何使用Claude大规模处理入站和出站业务
Anthropic业务拓展团队如何使用Claude大规模处理入站和出站业务
用Claude改变你的组织运作方式
查看定价
联系销售
获取开发者通讯
产品更新、操作指南、社区亮点等。每月发送到你的邮箱。
谢谢！你已订阅。
抱歉，你的提交出现问题，请稍后重试。