Lighthouse и Claude: 99% точности не «магия модели», а контекст

Команда Carta Healthcare собрала платформу Lighthouse для клинической абстракции — когда из историй болезни и заметок врачей нужно получить аккуратные поля для регистров качества. В кейсе для блога Anthropic акцент на [LINK:инжиниринге] контекста, а не на хайпе: на потоке порядка 22 тысяч хирургических кейсов в год система держит заявленные ~99% точности, стек — Claude через Amazon Bedrock.

Зачем вообще такая боль: регистры сравнивают исходы у пациентов с похожими диагнозами и процедурами, но ценность регистра равна качеству входных данных. «Сырые» карты редко ложатся в таблицу сами: обученные абстракторы читают документы, сверяют противоречия и там, где текст расплывчатый, включают клиническое суждение. Простой кейс может занять около часа, сложный — несколько; для крупной сети на одну программу регистра это легко уходит в десятки тысяч часов специалистов в год.

Классические правила и узкий NLP цепляются за шаблоны, а клинический язык живёт в разных форматах: одно и то же находится то в структурированном поле, то глубоко во врачебных заметках. Отсюда и мораль для любых доменных агентов: без продуманной подачи фактов, ограничений и примеров «просто сильная модель» быстро упирается в шум данных.

Carta описывает путь как гиперрост: порядка десятикратного за три года и работу с 125+ больницами. Для разработчика полезный перенос простой: когда вы проектируете RAG, промпты и пайплайн проверки, закладывайте время на сбор и проверку контекста так же серьёзно, как на выбор модели и метрик.

Источник: How Carta Healthcare built clinical AI with Claude — блог Claude