AI‑агенты на Bedrock показали архитектуру для контекстного распределения радиологических исследований

Предложена архитектура автономных AI‑агентов для контекстного распределения радиологических исследований на основе Amazon Bedrock AgentCore и Strands Agents SDK; авторы утверждают, что такой подход может устранить системные задержки и операционные потери, вызванные статичными правилами распределения. В исследовании, которое легло в основу разработки, проанализировали данные из 62 больниц и 2,2 млн исследований, выявив значимые узкие места в существующих рабочих процессах.

Анализ показал, что детерминированные, жестко заданные правила назначения приводят к системным задержкам и экономическим потерям: средняя задержка для ускоренных случаев составила 17,7 минуты, а суммарные операционные расходы в сетях больниц оценены в $2,1–4,2 млн. Авторы указывают на основную причину — отсутствие учёта реального клинического контекста при назначениях, что делает систему невосприимчивой к изменяющимся условиям работы. Реализация использует сеть автономных агентов: каждый агент воспринимает окружение, ставит цели, рассуждает и выполняет конкретные действия по назначению и приоритизации исследований. Агенты могут специализироваться на частях рабочего процесса и координироваться друг с другом для завершения клинического сценария, что позволяет распределять задачи гибче, чем при фиксированных правилах.

Технически агенты одновременно оценивают несколько факторов при выборе назначения: специализацию конкретного радиолога, текущую загрузку, паттерны усталости, сложность исследования, клиническую срочность и доступность персонала. В основе моделей стоят фундаментальные модели (FMs), доступные через Amazon Bedrock; система накапливает опыт и непрерывно учится на исторических паттернах назначения, корректируя решения по мере накопления данных. В демонстрационной части описан типовой поток: технолог выполняет исследование, изображение появляется в PACS, затем агент‑оркестратор генерирует первичную предложенную запись с объяснением выбора (например, назначить коленный МРТ конкретному специалисту). В блоге приведён пример выходного формата назначений и схема компонентов решения, показывающая путь данных от PACS к агенту и обратно в рабочий список.

Для разработчиков ключевые выводы — переход от жёстких правил к агентной логике позволяет уменьшить диагностические задержки и снизить стимулы к «выборочной» обработке простых случаев. Внедрение требует интеграции с PACS, инструментами учёта нагрузки и механизмами обратной связи, а также продуманной политики обучения агентов. Отмечается промышленное применение: Radiology Partners сотрудничает для внедрения подобных agentic‑решений в рабочие процессы.