Menggunakan Amazon Comprehend Medical dan untuk perawatan kesehatan LLMs dan ilmu kehidupan - AWS Panduan Preskriptif
Gambaran UmumAudiens yang ditujuTujuan

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Menggunakan Amazon Comprehend Medical dan untuk perawatan kesehatan LLMs dan ilmu kehidupan

Joe King, Rajesh Sitaraman, dan Ross Claytor, Amazon Web Services

Desember 2024 (riwayat dokumen)

Gambaran Umum

Volume data medis yang terus meningkat dan kebutuhan akan pemrosesan yang efisien dan akurat telah mendorong adopsi pemrosesan bahasa alami (NLP) dengan teknologi kecerdasan buatan dan pembelajaran mesin (AI/ML). Model pengklasifikasi terlatih dan model bahasa besar (LLMs) telah muncul sebagai alat yang ampuh untuk berbagai tugas NLP medis, termasuk menjawab pertanyaan klinis, ringkasan laporan, dan pembuatan wawasan. Namun, domain perawatan kesehatan dan ilmu kehidupan menghadirkan tantangan unik karena kompleksitas terminologi medis, pengetahuan khusus domain, dan persyaratan peraturan. Secara efektif menggunakan pengklasifikasi yang telah dilatih sebelumnya atau LLMs dalam domain ini memerlukan pendekatan yang dirancang dengan baik yang menggabungkan kekuatan model ini dengan sumber daya dan teknik khusus domain.

Praktik industri dalam perawatan kesehatan dan ilmu kehidupan secara tradisional mengandalkan sistem berbasis aturan, pengkodean manual, dan proses tinjauan ahli. Sistem dan proses ini memakan waktu dan rawan kesalahan. Integrasi teknologi AI dan NLP, seperti Amazon Comprehend Medical dan model foundation di Amazon Bedrock, menawarkan solusi yang efisien dan terukur untuk memproses data medis sekaligus meningkatkan akurasi dan konsistensi.

Panduan ini mengeksplorasi penggunaan Amazon Comprehend Medical dan untuk otomatisasi cerdas di LLMs industri perawatan kesehatan. Ini menguraikan praktik terbaik, tantangan, dan pendekatan praktis untuk merampingkan pengkodean medis, ekstraksi informasi pasien, dan mencatat proses ringkasan. Dengan menggunakan kemampuan Amazon Comprehend Medical LLMs dan, organisasi perawatan kesehatan dapat membuka tingkat efisiensi operasional baru, mengurangi biaya, dan berpotensi meningkatkan perawatan pasien.

Panduan ini merinci pertimbangan unik dari domain perawatan kesehatan, seperti memahami terminologi medis, menggunakan domain khusus LLMs, dan mengatasi keterbatasan sistem AI/ML. Ini memberikan jalur keputusan yang komprehensif untuk manajer TI perawatan kesehatan, arsitek, dan petunjuk teknis untuk menilai kesiapan organisasi, mengevaluasi opsi implementasi, dan menggunakan alat yang sesuai Layanan AWS dan alat untuk otomatisasi yang sukses.

Dengan mengikuti pedoman dan praktik terbaik yang diuraikan dalam panduan ini, organisasi perawatan kesehatan dapat memanfaatkan kekuatan teknologi AI/ML sambil menavigasi kompleksitas domain medis. Pendekatan ini mendukung kepatuhan terhadap pedoman etika dan peraturan dan mempromosikan penggunaan sistem AI yang bertanggung jawab dalam perawatan kesehatan. Ini dirancang untuk menghasilkan wawasan yang akurat dan pribadi.

Audiens yang dituju

Panduan ini ditujukan untuk pemangku kepentingan teknologi, arsitek, pemimpin teknis, dan pengambil keputusan yang ingin menerapkan solusi pemrosesan bahasa alami bertenaga AI untuk analisis dan otomatisasi data medis.

Tujuan

Organisasi kesehatan dan ilmu hayati dapat memenuhi beberapa tujuan bisnis dengan menggunakan Amazon Comprehend Medical dan. LLMs Hasil ini biasanya mencakup peningkatan efisiensi operasional, mengurangi biaya, dan meningkatkan perawatan pasien. Bagian ini menguraikan tujuan bisnis utama dan manfaat terkait dari penerapan strategi dan praktik terbaik yang diuraikan dalam panduan ini.

Berikut ini adalah beberapa tujuan yang dapat dicapai organisasi dengan menerapkan pedoman dan praktik terbaik dalam panduan ini:

  • Mengurangi waktu pengembangan — Tujuan akhir panduan ini adalah untuk mengurangi waktu pengembangan dengan biaya, mengurangi utang teknis, dan mengurangi potensi kegagalan proyek dari POC. Dengan memahami layanan AI/MLM utama, seperti Amazon Comprehend Medical, dan keuntungan dan keterbatasan penggunaan LLM untuk tugas-tugas perawatan kesehatan, bisnis dapat mencapai waktu yang lebih cepat untuk memasarkan dan meningkatkan kecepatan mereka dalam memenuhi tujuan bisnis.

  • Ekstrak informasi untuk mengotomatiskan tugas pengkodean medis - Setelah kunjungan pasien, spesialis dan penyedia pengkodean dapat mengekstrak wawasan dari teks medis, seperti catatan subjektif, objektif, penilaian, dan rencana (SOAP). Hal ini dapat mengurangi upaya dokumentasi manual dan membantu penyedia fokus pada kebutuhan pasien. Dengan menggabungkan kemampuan pengenalan entitas Amazon Comprehend Medical LLMs dengan, organisasi dapat mengekstrak informasi medis yang relevan dari catatan pasien, catatan klinis, dan sumber data perawatan kesehatan lainnya. Ini dapat meminimalkan kesalahan manusia dan mempromosikan praktik yang konsisten.

  • Meringkas catatan pasien dan dokumentasi klinis - Ringkasan otomatis riwayat pasien, rencana perawatan, dan hasil medis dapat menghemat waktu yang berharga bagi penyedia layanan kesehatan. LLMs dapat membantu menghasilkan dokumentasi klinis yang komprehensif dan terstruktur. Anda bisa mendapatkan konteks tambahan dengan Amazon Comprehend Medical, menggunakan LLM domain medis, atau menyempurnakan LLM dengan data medis. Pendekatan ini dapat membantu memberikan ringkasan yang akurat dan memastikan bahwa dokumentasi mematuhi persyaratan dan standar kepatuhan.

  • Mendukung keputusan klinis dan perawatan pasien — Dengan menggunakan tautan ontologi di Amazon Comprehend Medical LLMs dan dengan menggunakan, penyedia dapat menjawab pertanyaan medis atau mencari rekomendasi untuk menangani perawatan pasien. Ini memberdayakan profesional kesehatan untuk membuat keputusan berdasarkan informasi yang meningkatkan hasil pasien dan mengurangi risiko kesalahan medis.