Hoe Guardoc Health een miljoen klinische documenten per dag verwerkt

Sophie Jansen · 2026-07-28

Het verwerken van klinische documentatie met AI draait om een specifieke risicoberekening. Gaat het mis, dan stapelen fouten zich op tot afgewezen Medicare-claims, boetes bij audits, juridische risico's en in het ergste geval een gemiste diagnose die de behandeling van een patiënt volledig verandert. Maar wanneer het goed gaat, zie je het resultaat in minder correcties, minder ziekenhuisoverplaatsingen en lagere nalevingskosten. Guardoc Health, dat software bouwt voor zorgaanbieders in de langdurige zorg, heeft nu cijfers gepubliceerd die dat ondersteunen. ### De omvang van het probleem De pijplijn van Guardoc Health moet documenten verwerken die in vrijwel elk denkbaar formaat binnenkomen: PDF's van meerdere pagina's met handgeschreven aantekeningen van artsen over gedrukte tekst, formulieren voor voorafgaande toestemming waar een enkel vinkje een vergoedingsbeslissing bepaalt, medicatielijsten die er in het ene dossier uitzien als een nette tabel en in het andere als losse tekst, en intakeformulieren waar getypte velden, stempels en handschrift op één pagina door elkaar lopen. Onderzoek gepubliceerd in BMJ Quality and Safety schat dat jaarlijks ongeveer 12 miljoen Amerikaanse poliklinische patiënten te maken krijgen met een diagnostische fout, waarbij problemen in de informatieverwerking een belangrijke oorzaak zijn. Bij het volume dat Guardoc verwerkt, zou een foutpercentage van één procent bij het detecteren van aandoeningen al duizenden onjuiste dossiers per dag opleveren. Elk daarvan heeft zijn eigen gevolgen voor de patiëntveiligheid of naleving. ### De resultaten die Guardoc rapporteert Het bedrijf meldt een vermindering van 46 procent in documentatiefouten, een daling van 70 procent in auditboetes en een jaarlijkse ROI van meer dan €370.000 voor één enkele instelling. Let wel: de basisperiode en de methodologie achter die berekeningen zijn niet gepubliceerd, dus je moet die cijfers met een gezonde dosis scepsis bekijken. In een kwartaalimplementatie over twee instellingen en 200 patiënten, zegt het bedrijf dat het systeem 847 documentatiecorrecties opleverde, 86 problemen markeerde die verband hielden met de nauwkeurigheid van PDPM-vergoedingen, en dat het geassocieerd werd met een vermindering van 74 procent in ziekenhuisoverplaatsingen per 100 opnames. Een aparte casestudy over zeven instellingen en 1.618 bewoners identificeerde 10.612 problemen, aldus Guardoc. ### Een pijplijn die is gebouwd rondom kosten én nauwkeurigheid De architectuur van Guardoc voert classificatie van aandoeningen uit via retrieval augmented generation. Het systeem haalt eerst bewijs op uit de eigen documentatie van een patiënt en redeneert vervolgens over die informatie om tot een definitief antwoord te komen. Het is een slimme aanpak, maar het meest interessante zit in hoe ze de kosten beheersen. Amazon Textract haalt eerst tekst en structurele metadata uit elke binnenkomende pagina, tegen wat het bedrijf beschouwt als het laagste kostenpunt per pagina in de pijplijn. Die output wordt opgedeeld langs klinische grenzen, zodat een medicatielijst of een diagnosesectie intact blijft in plaats van te worden opgesplitst op basis van een willekeurig aantal tekens. Elk stuk wordt geëmbed met Amazon Titan Text Embeddings V2 en opgeslagen in Amazon DynamoDB, gepartitioneerd per patiënt zodat ophalen nooit de grenzen van een patiënt overschrijdt. Een aangepaste pre-filter verkleint de kandidaatset op basis van documenttype en recentheid, waarna een k-nearest neighbour-zoekopdracht de meest relevante stukken ophaalt voor een bepaalde classificatievraag. In dit stadium worden alleen paginareferenties geretourneerd om de datatransfer licht te houden. Amazon Nova 2 Lite voert vervolgens een tekstgebaseerde controle uit om duidelijke niet-overeenkomsten te verwijderen. Alleen de pagina's die alle voorgaande filters overleven, bereiken Amazon Nova Pro. Dat model ontvangt de ruwe PDF-bytes en redeneert over lay-out, handschrift, handtekeningen en stempels om de classificatie te produceren waar downstream-systemen op voortbouwen. Het ontwerp volgt een logica van kostentiering: goedkope componenten doen het hoogvolume-werk zoals embedding en grove filtering, terwijl de rekenintensieve multimodale redenering wordt bewaard voor de laatste fase waar het echt nodig is. Die aanpak is verstandig, want multimodale modellen zijn duur en je wilt ze niet inzetten voor werk dat een eenvoudiger model ook kan. ### De lastigste gevallen in klinische documentatie Twee documenttypen vormen het grootste deel van wat de eerdere pijplijn het moeilijkst vindt. Formulieren met handgeschreven aantekeningen over gedrukte tekst en documenten waar een enkel vinkje een vergoedingsbeslissing bepaalt, zijn berucht vanwege hun complexiteit. Het is precies daar waar de combinatie van Textract, de gefilterde retrieval en het multimodale redeneren van Nova Pro het verschil maakt. Zonder die gelaagde aanpak zou je óf te veel fouten maken óf te veel geld uitgeven aan dure modellen. Wat Guardoc laat zien, is dat AI in de zorg niet draait om één magisch model, maar om een doordachte pijplijn die kosten en nauwkeurigheid in balans brengt. Dat is een les die verder reikt dan alleen klinische documentatie.