Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

# Próximos pasos y recursos
<a name="next-steps"></a>

Esta guía le ayuda Servicios de AWS a automatizar la PNL médica y las tareas de IA generativa para aplicaciones del mundo real en entornos de producción. Describe cómo puede utilizar Amazon Comprehend Medical, LLMs con el respaldo de Amazon Bedrock, con formación LLMs médica previa o con LLMs ajustes precisos para lograr sus objetivos empresariales de salud y ciencias de la vida. En esta guía se describen las ventajas y limitaciones de los siguientes enfoques:
+ Uso de Amazon Comprehend Medical de forma independiente
+ Proporcionar los resultados de Amazon Comprehend Medical a un LLM
+ Utilizar un LLM general previamente entrenado o un LLM médico en un enfoque de generación aumentada de recuperación (RAG)
+ Perfeccionar un LLM general o un LLM médico

Utilice el [árbol de decisiones](choosing-approach.md) y las [consideraciones sobre la madurez empresarial](choosing-approach.md#business-maturity) de esta guía para elegir entre estos enfoques en función del nivel de madurez de su organización. AI/ML Aunque Amazon Comprehend Medical y Amazon LLMs Bedrock ofrecen potentes capacidades, solo tienen éxito si se implementan y evalúan adecuadamente. Utilice la [información y [las métricas](evaluation.md#evaluation-metrics) de evaluación](evaluation.md) que se describen en esta guía para validar el rendimiento de la solución.

Para los próximos pasos, recomendamos que los administradores de TI, los arquitectos y los líderes técnicos del sector sanitario colaboren con AI/ML los profesionales para identificar su tarea médica relacionada con la PNL. Utilice esta guía para elegir una ruta de desarrollo y, a continuación, utilice las funciones Servicios de AWS y funciones adecuadas para implementar con éxito una solución automatizada. AWS

## AWS recursos
<a name="aws-resources"></a>
+ Documentación médica de Amazon Comprehend Medical:
  + [Guía para desarrolladores](https://docs.aws.amazon.com/comprehend-medical/latest/dev/comprehendmedical-welcome.html)
  + [Referencia de la API](https://docs.aws.amazon.com/comprehend-medical/latest/api/Welcome.html)
+ [Documentación de Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/what-is-bedrock.html)
  + [Evaluación del modelo Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/model-evaluation.html)
  + [Perfeccionamiento en Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/custom-model-fine-tuning.html)
+ [Ajuste un modelo en Amazon AI SageMaker ](https://docs.aws.amazon.com/sagemaker/latest/dg/jumpstart-foundation-models-use-studio-updated-fine-tune.html)
+ [Amazon SageMaker Ground Truth](https://docs.aws.amazon.com/sagemaker/latest/dg/sms.html)
+ [Amazon Comprehend: detección de toxicidad](https://docs.aws.amazon.com/comprehend/latest/dg/trust-safety.html#toxicity-detection)
+ [AWS Socios con competencias sanitarias](https://aws.amazon.com/health/healthcare-partner-solutions/)

## Otros recursos de
<a name="other-resources"></a>
+ [Tabla de clasificación de Open Medical-LLM](https://huggingface.co/spaces/openlifescienceai/open_medical_llm_leaderboard)
+ [Una encuesta sobre modelos lingüísticos extensos para el cuidado de la salud: desde los datos, la tecnología y las aplicaciones hasta la responsabilidad y la ética](https://arxiv.org/pdf/2310.05694)
+ [Los modelos lingüísticos extensos son malos codificadores médicos: comparación de la consulta de códigos médicos](https://ai.nejm.org/doi/pdf/10.1056/AIdbp2300040)
+ [De principiante a experto: modelar el conocimiento médico en general LLMs](https://arxiv.org/html/2312.01040v3)