Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
# Häufig gestellte Fragen zu Anwendungsfällen im Gesundheitswesen und in den Biowissenschaften
Im Folgenden finden Sie häufig gestellte Fragen zur Verwendung von Amazon Comprehend Medical oder zu medizinischen LLMs NLP-Aufgaben.
## Wie wähle ich zwischen Amazon Comprehend Medical und einem LLM?
Wenn Ihre Aufgabe darin besteht, medizinische Entitäten in Ihrem medizinischen Text zu erkennen, lesen Sie die [Dokumentation von Amazon Comprehend Medical](https://docs.aws.amazon.com/comprehend-medical/latest/dev/comprehendmedical-welcome.html), um zu erfahren, welche medizinischen Entitäten extrahiert werden können und ob eine der [Ontologien Ihren Anwendungsfall](https://docs.aws.amazon.com/comprehend-medical/latest/dev/comprehendmedical-ontologies.html) berücksichtigt. Wenn nicht, ziehen Sie die Verwendung eines LLM in Betracht. Weitere Informationen finden Sie unter [Anwendungsfälle für Amazon Comprehend Medical](comprehend-medical.md#comprehend-medical-use-cases) und [Anwendungsfälle für ein LLM](llms.md#llm-use-cases) in diesem Handbuch.
## Wie kann ich einem LLM Ergebnisse von Amazon Comprehend Medical zur Verfügung stellen?
Sie können die Ergebnisse von Amazon Comprehend Medical als Kontext in Ihre LLM-Eingabeaufforderungen integrieren. Dies erweitert das LLM um zusätzliches medizinisches Wissen und zusätzliche Terminologie. Der bereitgestellte Kontext kann die Leistung des LLM bei Aufgaben wie der Erkennung von Entitäten, der Zusammenfassung oder der Beantwortung von Fragen verbessern. Das Handbuch enthält mehrere Beispiele für die Strukturierung von Eingabeaufforderungen anhand der Ergebnisse von Amazon Comprehend Medical. Weitere Informationen finden Sie unter [Kombination von Amazon Comprehend Medical mit großen Sprachmodellen](comprehend-medical-rag.md) in diesem Handbuch.
## Was sind einige bewährte Methoden bei der Verwendung von Amazon Comprehend Medical? LLMs
Wir empfehlen, die Amazon Comprehend Medical Confidence Scores zu verwenden, um Entitäten in Ihren Eingabeaufforderungen zu filtern oder zu priorisieren. Es ist auch wichtig, die Leistung anhand Ihrer spezifischen Daten zu bewerten und zu überprüfen, ob die Entitätsdefinitionen Ihren Anforderungen entsprechen. Die Kombination von Amazon Comprehend Medical mit domänenspezifischen Wissensquellen kann die Leistung des LLM weiter verbessern. Weitere Informationen finden Sie unter [Bewährte Methoden für die Verwendung von Amazon Comprehend Medical in einem RAG-Workflow](comprehend-medical-rag.md#comprehend-medical-rag-best-practices) in diesem Handbuch.
## Sollte ich ein vortrainiertes medizinisches LLM verwenden oder ein allgemeines LLM auf meinen Anwendungsfall im Gesundheitswesen abstimmen?
Die Entscheidung hängt von Ihren spezifischen Anforderungen und der Verfügbarkeit hochwertiger Trainingsdaten ab. Vortrainierte Ärzte LLMs können einen guten Ausgangspunkt bieten. Möglicherweise müssen Sie sie jedoch noch an Ihre domänenspezifischen Daten anpassen. Wenn Sie über ausreichend beschriftete Daten verfügen, kann die Feinabstimmung eines allgemeinen LLM eine praktikable Option sein. Weitere Informationen finden Sie unter [Einen LLM auswählen](llms.md#llm-selection) und [Wahl eines NLP-Ansatzes für das Gesundheitswesen und die Biowissenschaften](choosing-approach.md) in diesem Handbuch.
## Wie beurteile ich die Leistung von NLP-Aufgaben LLMs für medizinische Zwecke?
Wir empfehlen die Verwendung quantitativer Kennzahlen wie Genauigkeit, Präzision, Erinnerungsvermögen und F1-Score für Aufgaben zur Textklassifizierung und Erkennung benannter Entitäten. Sie können ROUGE und METEOR für Aufgaben zur Textgenerierung verwenden. Es ist wichtig, zuverlässige Ground-Truth-Daten von Fachexperten kennzeichnen zu lassen und Prozesse zur Überwachung der Modellleistung im Laufe der Zeit zu implementieren. Weitere Informationen finden Sie unter [Evaluierung LLMs für Anwendungen im Gesundheitswesen und in den Biowissenschaften](evaluation.md) in diesem Handbuch.
## Was sind die Kompromisse zwischen LLM-Lösungen mit hoher Komplexität und niedriger Komplexität?
Die Feinabstimmung eines LLM oder der Aufbau eines kundenspezifischen LLM sind hochkomplexe Lösungen. Diese Ansätze können die Leistung verbessern, sind jedoch mit höheren Kosten und Wartungsanforderungen verbunden. Einfachere Lösungen, wie die Verwendung von Pretrained LLMs oder Amazon Comprehend Medical, bieten möglicherweise eine akzeptable Leistung bei niedrigeren Kosten und schnelleren Entwicklungszyklen. In einigen Anwendungsfällen erfüllen diese Ansätze jedoch möglicherweise nicht die strengen Genauigkeitsanforderungen. Weitere Informationen finden Sie unter [Überlegungen zur Geschäftsreife](choosing-approach.md#business-maturity) in diesem Handbuch.