How Cohere Health digitizes clinical policies using Amazon Bedrock AgentCore

Cohere Health如何使用Amazon Bedrock AgentCore实现临床政策数字化 | 人工智能

Cohere Health如何使用Amazon Bedrock AgentCore实现临床政策数字化

预先授权是健康计划在覆盖特定医疗服务或药品前所需的审批流程。它仍然是医疗保健领域最繁琐的流程之一，这并非因为需要审批的医学依据存在缺陷，而是因为管理这些政策的文件以静态、非结构化格式存在，难以实现自动化。这些内容是日常临床运营的核心，每年影响数亿患者。然而，政策内容会因临床领域、地理位置、业务线和健康计划的不同而有所差异，并随着医学和技术的进步不断演变。历史上，健康计划缺乏系统化管理、分析和优化这些政策的方法。通过使用标准术语将临床政策数字化为结构化、可被机器读取的数据，可以显著减少关键运营瓶颈，支持更一致、可计算的工作流程，同时帮助健康计划在保持适当临床监督的前提下，规模化现代化预先授权运营。

Cohere Health（R），一家为健康计划运营提供支持的临床智能公司，利用Amazon Bedrock AgentCore构建了Cohere Policy Studio（TM）。该平台为健康计划客户提供了所需的多租户隔离功能，并通过托管代理运行时加速部署，而无需重建基础设施。该应用采用灵活的多租户代理架构，结合广泛的流程管理功能和自动版本追踪，从而加快政策数字化进程。

在本文中，您将了解Cohere Health如何利用AgentCore Runtime的安全微虚拟机隔离、通过AgentCore Gateway实现的统一工具访问、AgentCore Memory以及Agent Skills开放标准，在AgentCore上构建多租户代理架构，从而快速扩展政策数字化能力，同时保持透明度、版本控制和人工监督。

挑战：政策数字化瓶颈

实现人工智能辅助工作流程在预先授权中的价值取决于一个基础性挑战：将静态文档和PDF中困锁的规则转化为结构化、可被人工智能系统更一致使用的机器可读数据，同时确保医疗专业人员在需要临床判断时仍负责临床审查。健康计划面临一个复杂挑战，即管理临床政策以支持快速变化的需求。自动化政策数字化有助于健康计划适应这些变化。

Cohere Health在构建该工作流程的人工智能解决方案时，识别出以下三个挑战：

• 政府法规 – 根据美国医疗补助和医疗保障服务中心（CMS）的法规要求，健康计划需在2027年1月前支持基于API的电子预先授权。

• 美国健康保险计划（AHIP） – AHIP承诺要求健康计划实现电子预先授权提交的80%实时审批。每条业务线都有独特要求，这加剧了快速管理、审计和部署临床政策的需求。

• 技术架构需求 – 该解决方案需要能够摄入多种输入格式，并为不同下游消费者生成每项政策的不同表示形式，每个消费者都有其独立的反馈循环。

AgentCore 通过托管运行时基础设施、会话隔离和统一的工具访问解决了这些挑战。

解决方案概述

下图展示了 Cohere Policy Studio 如何将 AgentCore Runtime、Gateway 和 Memory 连接成统一的智能系统以实现政策数字化。

Policy Studio 应用程序基于 AgentCore 和 Agent Skills 开放标准构建。为了在 Cohere Policy Studio 中扩展表示，Cohere Health 向已有的 AgentCore Runtime 添加了新技能，该 Runtime 已经在对政策进行分解。此运行时通过 AgentCore Gateway 访问政策技能、政策 API 作为模型上下文协议（MCP）工具，并具有会话内存用于政策分析师的反馈循环，帮助团队在受控的人机协作流程中优化输出。

团队完成了以下三项任务：

• 使用 LangChain 部署 AgentCore Runtime、AgentCore Gateway 和 AgentCore Memory 构建完整的智能系统。
• 配置 AgentCore Gateway 以获取工具和技能。
• 与临床政策专家共同编写技能，并使用 Cohere Health 基于 Arize AI 的标准化可观测性流程进行评估。

你可以应用这些相同模式构建自己的多租户智能系统。

使用可复用的 Amazon Elastic Container Registry（Amazon ECR）基础镜像部署 AI 代理

Cohere Health 服务于多个健康计划，这些计划需要租户之间严格的数据隔离。AgentCore Runtime 的安全微虚拟机隔离通过为每个会话分配专用的计算、内存和文件系统资源来实现这一点。

在跨团队部署多个 AI 代理实例时，保持一致性的同时允许定制化非常重要。每个团队需要自己的代理配置，但为每次部署重建整个运行时环境会造成不必要的开销和配置漂移。你可以使用以下基础镜像模式，通过最小化的 Dockerfile 将新代理部署到 AgentCore Runtime 微虚拟机中。

#### 基础镜像和消费者模式

Cohere Health 开发了两层部署架构，将稳定的运行时环境与团队特定的配置分离：

FROM {account_id}.dkr.ecr.{aws_region}.amazonaws.com/cohere-agent:v1
COPY agent_config.yaml /app/src/agent_config.yaml

FROM 行拉取包含 LangChain 代理框架和通用依赖项的共享基础镜像。COPY 行添加团队特定的 agent_config.yaml，该文件控制以下选项：

• 内存模式 – 选择无状态（NO_MEMORY）或持久化（AGENTCORE）对话历史。
• 存储策略 – 使用 full_trace 用于校正工作流或 conversation_only 用于干净历史。
• 会话上下文缓存 – 自动缓存技能定义和文档以避免重复的 Amazon Simple Storage Service（Amazon S3）获取。
• 提示缓存 – 通过缓存系统提示和常用内容可帮助降低成本和延迟。
• 灵活的工具配置 – 按部署启用/禁用工具。
• 模型配置 – 基于 Amazon Bedrock 的基础模型，可配置令牌限制、温度和其他推理参数。
• LiteLLM 配置 – 将 LiteLLM 配置为模型和代理之间的反向代理。

运行时部署完成后，下一步是将其连接到工具和技能。

通过 AgentCore Gateway 实现统一的工具和技能访问

Cohere Health 的代理可以访问多种工具类型，包括用于获取技能和文档的 AWS Lambda 函数以及跨不同团队维护的内部 API。AgentCore Gateway 将这些工具统一到一个经过身份验证的端点后，团队可以在不重新部署代理的情况下添加新工具。

#### AgentCore Gateway 架构

Cohere Health 通过 AgentCore Gateway 实现了这一功能，为共享工具和项目专用工具分别设置了独立的目标。

##### 工具 Lambda 函数结构

AgentCore Gateway 会为每个工具请求调用一个 AWS Lambda 函数。该函数根据网关上下文中传递的工具名称路由到正确的处理程序。

# jobs/generic-tools-lambda/app.py
import json
from tools.fetch_skill import handler as fetch_skill_handler

# 工具发现的路由字典
TOOL_HANDLERS = {
    "fetch_skill": fetch_skill_handler
}

def lambda_handler(event, context):
    """符合网关规范的 Lambda 处理程序，支持 MCP 路由"""

    # 从网关上下文中提取工具名称
    tool_name = context.client_context.custom.get('bedrockAgentCoreToolName', '')

    # 去除网关前缀（网关会在工具名称前添加 {target}__）
    if '__' in tool_name:
        tool_name = tool_name.split('__', 1)[1]

    # 路由到对应的处理程序
    if tool_name not in TOOL_HANDLERS:
        return {
            "statusCode": 404,
            "body": json.dumps({"error": f"未找到工具 {tool_name}"})
        }

    try:
        result = TOOL_HANDLERS[tool_name](event)
        return {
            "statusCode": 200,
            "body": json.dumps(result)
        }
    except Exception as e:
        return {
            "statusCode": 500,
            "body": json.dumps({"error": str(e)})
        }

##### 工具实现

每个工具处理程序都会从特定来源获取数据。以下示例从 Amazon S3 获取技能定义。

# tools/fetch_skill.py
import boto3
import os

def handler(event: dict) -> dict:
    """从 S3 获取技能定义"""

    skill_id = event.get('skill_id')
    if not skill_id:
        return {"error": "需要 skill_id"}

    # 使用环境变量进行配置
    bucket = os.environ.get('SKILLS_BUCKET')
    prefix = os.environ.get('SKILLS_PREFIX')

    s3 = boto3.client('s3')

    try:
        response = s3.get_object(
            Bucket=bucket,
            Key=f"{prefix}/{skill_id}.yaml"
        )
        content = response['Body'].read().decode('utf-8')

        return {"content": content}
    except Exception as e:
        return {"error": f"获取技能失败: {str(e)}"}

##### 代理配置

代理配置定义了代理可以访问的网关目标以及认证方式。

# agent_config.yaml
mcp:
  gateway_url: {gateway_url}
  allowed_targets:
    - generic-tools    # AIP 维护的工具
    - digitization-tools  # 项目专用工具
  auth_mode: "bearer_token"

在运行时和工具就绪后，Cohere Health 开始构建领域专业知识层。

技能开发与评估

AI代理需要领域特定知识才能有效执行专业任务。通用提示会产生不一致的结果，需要大量token消耗，且缺乏领域专家带来的细致理解。传统上每个新用例都需要从头重建代理基础设施，导致部署速度出现瓶颈。模块化技能框架通过将领域专业知识与基础设施解耦来解决这一问题。对于Cohere Health而言，这意味着临床政策专家可以直接编写和优化新技能，确保系统在专家审核和治理框架内支持政策工作流程。

#### 模块化技能框架

团队可通过模块化、版本化的技能定义部署新功能，无需重建代理。

#### 开发流程

Cohere Health遵循结构化的工作流程，在技能进入生产环境前开发和验证每个技能。

##### 评估流程

技能评估需要机器学习工程和数据科学团队协作完成。该过程从包含每个技能真实输出结果的参考数据集开始。团队定义成功指标（准确性、完整性、一致性），并针对这些测试用例运行评估套件。当技能评估失败时，团队会分析失败模式，迭代优化技能定义后重新测试。

技能通过评估套件后，数据科学团队会将结果与验收标准进行比对，并批准技能进入生产部署。

部署后，Arize AI会跟踪生产环境中的效果指标。临床政策分析师会标注样本输出，发现自动化指标遗漏的错误。团队会监控技能性能随时间的变化，并利用这些数据点优先安排优化工作。

#### 技能版本管理和部署

技能通过分层版本方案和分阶段部署流水线进入生产环境。

##### 双层版本控制

技能采用双层版本控制：能力追踪使用语义化版本控制，部署历史使用Amazon S3对象版本控制。第一层在SKILL.md中追踪能力变更，每个版本在git中打标签（例如skill/policy_ingestion/v1.2.3）。Amazon S3对象版本控制作为第二层，为每次上传维护不可变的历史记录，支持回滚功能，并使用独立的非生产/生产存储桶。

##### 部署流程

• 开发者提交代码并发起开发PR（Pull Request）
• 持续集成和持续交付（CI/CD）在合并时将skill.tar.gz与元数据打包
• 流水线上传至Amazon S3非生产存储桶并更新清单
• 在非生产环境进行评估
• 发起主分支PR
• 通过渐进式部署和监控上线生产环境

成果与影响

通过该实施，Cohere Health在政策数字化速度、部署速度和覆盖范围方面实现了可衡量的改进。

政策数字化效率：整体政策数字化耗时减少30%，从每项政策2小时15分钟降至1小时35分钟。Cohere Health到目前为止已使用人工和半自动化流程数字化了数千项政策。基于代理的框架在扩展到现有政策库时，预计可进一步减少每项政策的处理时间。

部署速度：产品中完整代理程序的部署周期从3-4个月缩短至2-6周。可重复使用的ECR基础镜像模式使团队能够通过最小化的Dockerfile快速搭建新代理，而模块化技能框架则允许新功能在不重建代理运行时的情况下发布。系统抽象了DevOps相关问题，因此传统的机器学习（ML）和数据科学工程师无需丰富的编码经验即可部署代理。政策数字化产品采用单代理、多技能架构，包含一个主技能（含子技能）和三个参考注入。

政策覆盖范围：Cohere Policy Studio通过原始文本和标准化编码证据层（以verbatim文本形式表示）共同封装政策内容，支持跨原始政策格式和来源的统一访问。

“预授权政策审查始终需要极高的临床关注度——政策文件中的每个字都可能对患者产生后续影响。但历史上这种关注度被分散在解释和验证之间：不仅要理解政策的临床含义，还要确认某个决策所依据的政策版本，并确保该版本确实是健康计划向提供者发布的版本。这些问题并非行政问题——它们直接影响临床完整性。Amazon Bedrock AgentCore为我们提供了同时解决这两个问题的架构——通过AI驱动的代理工作流协助处理临床语言的解释复杂性，内置的内存和版本追踪功能使溯源成为首要考虑因素而非事后补救。结构化、版本化的政策输出使决策的临床依据可追溯且可审查，而AgentCore的安全多租户运行时确保我们可以在服务的每个健康计划中提供该功能而不会影响隔离性。”

——Cohere Health首席医疗官Brian Covino医学博士，FAAOS

应用这些模式可实现类似成果：通过可重复使用的基础镜像实现部署一致性，通过单一网关统一访问工具，以及通过模块化技能实现无需重建基础设施的扩展性。

未来：通过知识图谱连接政策

在Cohere Policy Studio与AgentCore成功合作的基础上，下一步演进正在引入智能知识图谱。Cohere Health与AWS Generative AI创新中心合作，已原型化了基础语义层，将临床政策映射到标准化本体（UMLS、SNOMED），以支持使用标准化医疗术语实现更高互操作性。通过Amazon Neptune，该图谱将政策概念嵌入AI可遍历和追踪的结构中。该知识图谱将临床政策与扩展适应症范围内的决策产品连接起来。

增强的架构

知识图谱层位于政策表示引擎与下游决策系统之间，构建了语义网络，实现以下功能：

• 跨治疗领域映射政策与临床指南、医学编码（ICD-10、CPT、HCPCS）、药品目录和预授权标准之间的关系。

• 通过识别跨临床领域的模式和相似性，扩展适应症覆盖范围，使新政策类型能够快速部署而无需手动配置。

• 将政策片段连接到多个决策上下文，使单个政策更新能够正确传播到受影响的授权工作流程中。

核心能力

随着新政策通过AgentCore实现数字化，知识图谱旨在帮助识别相关连接、标记潜在冲突，并建议可复用的模式，以支持审核人员和政策团队的工作流程。该图谱从临床领域的政策结构中学习，建议模板并加速新适应症类型的部署时间，从数天缩短至数小时。决策引擎使用自然语言或快速医疗互操作性资源（FHIR）资源查询知识图谱，以检索具有完整来源和版本历史的潜在相关政策片段。该图谱还维护CMS要求、AHIP承诺和内部政策表示之间的双向链接，支持大规模的监管对齐。

这些能力实现了全面的适应症覆盖而无需成比例的工程投入，跨连接决策产品的实时政策更新，自动冲突检测以帮助防止不一致的授权结果，以及授权请求的亚秒级政策检索。

这一知识图谱基础支持Cohere Health帮助健康计划实现实时80%电子预授权批准的能力。该图谱保持了当前AgentCore架构中建立的安全性、多租户和审计功能。

结论

在本文中，你学习了Cohere Health如何利用AgentCore和三个架构决策将AI代理部署时间从数月缩短至数周。三个模式（可复用的ECR基础镜像、通过AgentCore网关的统一工具访问、模块化技能开发）帮助Cohere Health在跨格式的政策数字化工作流程中实现更可扩展的数字化，同时将数字化时间减少了30%。

ECR基础镜像模式消除了冗余的基础设施工作，使团队能够通过最小的Dockerfile部署新代理。Cohere Health可以在不重建运行时的情况下扩展AI系统。AgentCore网关架构为工具提供单一的认证端点，无论这些工具是基于AWS Lambda的实用程序还是OpenAPI服务。基于Agent Skills开放标准构建的技能框架将领域专业知识与代理机制分离，通过Arize AI和临床政策分析师实现快速迭代和持续评估。

医疗保健AI的未来取决于能够快速适应变化需求同时保持可靠性和安全性的系统。借助AgentCore和这些架构模式，你今天就可以构建这样的系统。

要在自己的环境中使用这些模式，请查看以下资源：

• 了解更多关于Cohere Health的信息并试用Cohere Policy Studio。

• 阅读《Amazon Bedrock AgentCore开发指南》以部署你的第一个代理运行时。

• 设置AgentCore网关以实现与MCP兼容的统一工具访问。

• 采用Agent Skills开放标准以实现可维护的、版本化的领域专业知识。

• 查阅AgentCore接口指南，为你的使用案例选择合适的SDK和框架。

在本re:Invent会议中，了解Cohere Health的另一个AgentCore部署——医疗必要性审查代理助手的案例。

如果您是一家正在构建生产就绪AI代理的初创公司，AWS Activate将为您提供积分、技术指导和架构支持，帮助您从原型过渡到生产环境。立即开始使用。

如果您对本文有任何反馈或问题，请在评论区留言。

关于作者

'"`