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.
Ejemplo de implementación de una estrategia moderna de datos de salud
AWS proporciona arquitecturas de referencia que las organizaciones sanitarias pueden utilizar para comprender y crear plataformas de datos que respalden un enfoque ágil de los datos. En la siguiente arquitectura de referencia se ilustra una arquitectura de malla de datos
En el diagrama de arquitectura se incluyen los siguientes componentes:
-
Los datos se ingieren de orígenes de datos externos e internos. Estas fuentes incluyen, pero no se limitan a, sistemas de registros electrónicos de salud (EHR), laboratorios, instalaciones de secuenciación y centros de diagnóstico por imágenes. AWS ofrece un conjunto de servicios como AWS Data Exchange
Amazon Kinesis ,, AWS Transfer FamilyAWS DataSyncAWS Migration HubAWS HealthLake , y AWS Glue (ETL). Puede utilizar estos servicios para migrar su conjunto de datos interno y suscribirse a conjuntos de datos internos y externos. -
El dominio de datos 1 está formado por un flujo de trabajo integral para procesar datos multimodales orientados al paciente, incluidos datos clínicos, ómicos y de imágenes. Los datos clínicos de la EHR se recopilan y almacenan en un almacén de HealthLake datos, un servicio gestionado especialmente diseñado para datos clínicos. AWS HealthOmics
, un servicio diseñado específicamente para datos ómicos, gestiona el flujo de trabajo y el almacenamiento de secuencias y variantes. Los datos de imágenes se ingieren y almacenan en AWS HealthImaging . Luego, estos datos se transforman en productos listos para el consumo y se publican en un mercado de datos empresariales para facilitar su accesibilidad y uso generalizados. -
En el dominio de datos 2, Amazon Kinesis AWS Glue, e AWS Data Exchange ingiera datos sin procesar en una canalización de datos. Entre los orígenes de datos se pueden incluir registros públicos, supervisión remota de pacientes y programas de planificación de recursos empresariales (ERP). La canalización carga los datos sin procesar en buckets de Amazon Simple Storage Service (Amazon S3)
. Estos datos se limpian, seleccionan, transforman y almacenan para publicarse como productos de datos. Amazon Athena ofrece un motor de consultas interactivo que los productores de datos pueden utilizar para transformar los datos mediante SQL. AWS Glue DataBrew proporciona capacidades visuales de transformación, normalización y creación de perfiles de datos. -
Amazon DataZone
gestiona la publicación de metadatos, proyectos de datos colaborativos y la biblioteca de productos de datos en el catálogo empresarial central. -
Un portal de análisis de datos unificado permite la colaboración en torno a los datos al proporcionar una visión de los productos de datos mediante una gobernanza federada. Amazon DataZone permite un flujo de trabajo de autoservicio con el AWS Glue Data Catalog respaldo de AWS Lake Formation, para que los usuarios puedan compartir, buscar, descubrir datos y solicitar permiso para su consumo.
-
Los consumidores de datos pueden acceder a los datos, crear vistas posteriores y utilizar herramientas diseñadas específicamente, como Amazon Athena, Amazon Quick,
Amazon Redshift, Amazon SageMaker AI y Amazon Bedrock para hacer lo siguiente: -
Análisis operativo
-
Informática clínica
-
Investigación
-
Implicación clínica y del paciente
Los consumidores de datos también pueden desarrollar aplicaciones innovadoras mediante IA generativa y pueden publicar productos de datos en el catálogo empresarial.
-
Para obtener más información sobre la arquitectura de malla de datos, consulte ¿Qué es una malla de datos?
IA generativa
Las organizaciones de servicios de salud utilizan la IA generativa para una variedad de aplicaciones, desde la automatización de la interpretación de imágenes médicas hasta la generación de recomendaciones de diagnóstico y planes de tratamiento basados en datos textuales y de imágenes. La adopción de la IA generativa está acelerando la innovación y mejorando la eficiencia en todo el proceso asistencial. El nuevo enfoque de la IA generativa ha obligado a los servicios de salud a ampliar su enfoque en materia de datos para incluir más formas de datos no estructurados, lo que ha ampliado el número y la variedad de casos de uso susceptibles de aplicar la IA. En general, las organizaciones pueden elegir entre cuatro patrones, según su caso de uso, para implementar soluciones de IA generativa:
-
Ingeniería de peticiones: en la ingeniería de peticiones, los usuarios proporcionan datos pertinentes como contexto, lo que guía al modelo de IA generativa para crear el contenido que desean. Las organizaciones con una estrategia moderna de datos de salud pueden garantizar que los datos pertinentes se puedan descubrir, compartir y consumir fácilmente.
-
Generación aumentada por recuperación (RAG): el patrón de la RAG se basa en la ingeniería de peticiones. En lugar de que un usuario proporcione datos pertinentes, un programa intercepta la pregunta o entrada del usuario. El programa busca en un repositorio de datos para recuperar el contenido pertinente para la pregunta o entrada. El programa introduce los datos que encuentra en el modelo de IA generativa para generar contenido. Una estrategia moderna de datos de salud permite la selección e indexación de los datos empresariales. Luego, los datos se pueden buscar y usar como contexto para entradas o preguntas, lo que ayuda a un modelo de lenguaje de gran tamaño (LLM) a generar respuestas.
Su organización puede utilizar los dos patrones siguientes para centrar los resultados del modelo de IA generativa en la generación de contenido adecuado al contexto de sus datos.
-
Fine-tuning— Con este patrón, su organización puede ir un paso más allá al personalizar los modelos de IA generativa. Esto implica refinar los modelos a partir de una pequeña muestra de datos específicos de la organización. Como el tamaño de la muestra es pequeño, este patrón proporciona un equilibrio entre el costo y la personalización. Para evitar sesgos en los resultados del modelo, utilice un conjunto de datos de muestra pequeño que sea lo más diverso y representativo posible de los patrones de datos de su organización. Una estrategia moderna de datos de salud permite el acceso eficiente a una amplia variedad de datos para preparar los conjuntos de datos de muestra.
-
Creación de un propio modelo: si su organización necesita generar contenido a partir de grandes volúmenes de datos altamente especializados y los tres patrones anteriores no son adecuados, puede crear sus propios modelos.
Una estrategia moderna de datos desempeña un papel fundamental en las soluciones de IA generativa, ya que ayuda a garantizar que los datos tengan las siguientes características:
-
High-quality datos que respalden la precisión
-
Real-time o datos prácticamente en tiempo real para garantizar que los resultados del modelo sean relevantes
-
Múltiples modalidades de datos en una variedad de orígenes de datos para proporcionar al modelo acceso a conjuntos de datos enriquecidos para generar contenido.
En el siguiente diagrama se muestra una implementación de una estrategia moderna de datos de salud que utiliza una arquitectura de malla de datos para respaldar las soluciones de IA generativa.
-
Los datos se ingieren de diversos orígenes de datos en los ámbitos de la informática clínica, la investigación clínica y la administración de ingresos, y los datos se ponen a disposición de la organización de servicios de salud.
-
La gobernanza de datos federada ayuda a garantizar un control de acceso estricto para el intercambio de datos y el acceso unificado.
-
Entre los consumidores de datos se incluyen los siguientes:
-
Aplicaciones de IA generativa, especialmente aquellas que utilizan datos para entrenar y refinar los LLM. Estas aplicaciones utilizan datos empresariales para los chatbots de preguntas y respuestas a fin de mejorar la eficiencia operativa y las experiencias de los pacientes y los proveedores.
-
Aplicaciones clínicas equipadas con herramientas como EHR-integrated chatbots, paneles de productividad y ayudas de documentación.
-
Patient-centric aplicaciones para mejorar las experiencias de los pacientes. Estas aplicaciones incluyen interacciones con chatbots, informes clínicos y procesos eficientes de derivación y programación.
-
Investigación clínica, con un repositorio de proyectos de investigación y aplicaciones diseñadas para el análisis de cohortes y la elaboración de informes normativos.
-
Con esta arquitectura, las partes interesadas de su organización pueden centrarse en seleccionar y administrar los datos que recopilan de otros orígenes y, al mismo tiempo, hacer que sus propios datos sean accesibles para el resto de la organización. Pueden usar las herramientas que están disponibles en la capa de gobernanza de datos federada para definir los metadatos, administrar los flujos de trabajo de aprobación de accesos y definir y aplicar políticas. Además, la capa de gobernanza de datos federada proporciona un control de acceso centralizado. Esto crea un entorno para seleccionar una variedad de fuentes de datos y actualizar los activos de datos de alta calidad con una frecuencia específica para mantener la relevancia. AWS ofrece un conjunto completo de funciones para satisfacer sus necesidades generativas de IA. Amazon Bedrock
