Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
# Domande frequenti sui casi d'uso nel settore sanitario e delle scienze della vita
Di seguito sono riportate le domande frequenti relative all'uso di Amazon Comprehend Medical LLMs o per attività di PNL in ambito medico.
## Come faccio a scegliere tra Amazon Comprehend Medical e un LLM?
Se il tuo compito è individuare entità mediche all'interno del tuo testo medico, consulta la documentazione di [Amazon Comprehend Medical](https://docs.aws.amazon.com/comprehend-medical/latest/dev/comprehendmedical-welcome.html) per capire quali entità mediche possono essere estratte e se una qualsiasi delle ontologie si adatta [al](https://docs.aws.amazon.com/comprehend-medical/latest/dev/comprehendmedical-ontologies.html) tuo caso d'uso. In caso contrario, valuta la possibilità di utilizzare un LLM. Per ulteriori informazioni, consulta [Casi d'uso per Amazon Comprehend Medical](comprehend-medical.md#comprehend-medical-use-cases) e [Casi d'uso per un LLM](llms.md#llm-use-cases) in questa guida.
## Come posso fornire i risultati di Amazon Comprehend Medical a un LLM?
Puoi incorporare i risultati di Amazon Comprehend Medical come contesto nei tuoi prompt LLM. Ciò fornisce ulteriori conoscenze e terminologia mediche al LLM. Il contesto fornito può migliorare le prestazioni del LLM in attività quali il riconoscimento delle entità, la sintesi o la risposta a domande. La guida fornisce diversi esempi di come strutturare i prompt con i risultati di Amazon Comprehend Medical. Per ulteriori informazioni sul tagging, consulta [Combinazione di Amazon Comprehend Medical con modelli linguistici di grandi dimensioni](comprehend-medical-rag.md)in questa guida.
## Quali sono alcune best practice per l'utilizzo di Amazon Comprehend Medical LLMs con?
Ti consigliamo di utilizzare i punteggi di confidenza di Amazon Comprehend Medical per filtrare o assegnare priorità alle entità all'interno dei prompt. È anche importante valutarne le prestazioni sulla base di dati specifici e verificare che le definizioni delle entità siano in linea con i tuoi requisiti. La combinazione di Amazon Comprehend Medical con fonti di conoscenza specifiche del dominio può migliorare ulteriormente le prestazioni del LLM. Per ulteriori informazioni sul tagging, consulta [Le migliori pratiche per l'utilizzo di Amazon Comprehend Medical in un flusso di lavoro RAG](comprehend-medical-rag.md#comprehend-medical-rag-best-practices)in questa guida.
## Devo utilizzare un LLM medico preformato o perfezionare un LLM generico per il mio caso d'uso sanitario?
La decisione dipende dalle vostre esigenze specifiche e dalla disponibilità di dati di formazione di alta qualità. Un medico preformato LLMs può fornire un buon punto di partenza. Tuttavia, potrebbe comunque essere necessario perfezionarli con i dati specifici del dominio. Se disponi di un numero sufficiente di dati etichettati, la messa a punto di un LLM generale può essere un'opzione valida. Per ulteriori informazioni, consulta e in questa guida. [Scegliere un LLM](llms.md#llm-selection) [Scelta di un approccio PNL per l'assistenza sanitaria e le scienze della vita](choosing-approach.md)
## Come posso valutare le prestazioni delle attività LLMs di PNL in ambito medico?
Consigliamo di utilizzare metriche quantitative, come l'accuratezza, la precisione, il richiamo e il punteggio F1 per la classificazione del testo e le attività di riconoscimento delle entità nominate. Puoi usare ROUGE e METEOR per le attività di generazione di testo. È importante disporre di dati di base affidabili etichettati da esperti in materia e implementare processi per il monitoraggio delle prestazioni del modello nel tempo. Per ulteriori informazioni sul tagging, consulta [Valutazione LLMs per applicazioni nel settore sanitario e delle scienze della vita](evaluation.md)in questa guida.
## Quali sono i compromessi tra soluzioni LLM ad alta e bassa complessità?
La messa a punto di un LLM o la creazione di un LLM personalizzato sono soluzioni estremamente complesse. Questi approcci possono migliorare le prestazioni ma comportano costi e requisiti di manutenzione più elevati. Soluzioni più semplici, come l'utilizzo di soluzioni preaddestrate LLMs o Amazon Comprehend Medical, potrebbero fornire prestazioni accettabili con costi inferiori e cicli di sviluppo più rapidi. Tuttavia, questi approcci potrebbero non soddisfare requisiti di precisione rigorosi per alcuni casi d'uso. Per ulteriori informazioni sul tagging, consulta [Considerazioni sulla maturità aziendale](choosing-approach.md#business-maturity)in questa guida.