翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

Amazon Comprehend Medical と大規模言語モデルの組み合わせ

NEJM AI による 2024 年の研究では、医療コーディングタスクにゼロショットプロンプトで LLM を使用すると、一般的にパフォーマンスが低下することがわかりました。LLM で Amazon Comprehend Medical を使用すると、これらのパフォーマンスの問題を軽減できます。Amazon Comprehend Medical の結果は、NLP タスクを実行している LLM に役立つコンテキストです。例えば、Amazon Comprehend Medical から大規模言語モデルにコンテキストを提供すると、次のことに役立ちます。

このセクションでは、取得拡張生成 (RAG) アプローチを使用して Amazon Comprehend Medical を LLM と組み合わせる方法について説明します。Retrieval Augmented Generation (RAG) は、LLM がレスポンスを生成する前にトレーニングデータソースの外部にある信頼できるデータソースを参照する生成 AI テクノロジーです。詳細については、「RAG とは」を参照してください。

このアプローチを説明するために、このセクションでは ICD-10-CM に関連する医療 (診断) コーディングの例を使用します。これには、イノベーションを加速するためのサンプルアーキテクチャとプロンプトエンジニアリングテンプレートが含まれています。また、RAG ワークフロー内で Amazon Comprehend Medical を使用するためのベストプラクティスも含まれています。

Amazon Comprehend Medical を使用した RAG ベースのアーキテクチャ

次の図は、患者ノートから ICD-10-CM 診断コードを識別するための RAG アプローチを示しています。Amazon Comprehend Medical をナレッジソースとして使用します。RAG アプローチでは、取得方法は一般的に、該当する知識を含むベクトルデータベースから情報を取得します。ベクトルデータベースの代わりに、このアーキテクチャは取得タスクに Amazon Comprehend Medical を使用します。オーケストレーターは、患者メモ情報を Amazon Comprehend Medical に送信し、ICD-10-CM コード情報を取得します。オーケストレーターは、このコンテキストを Amazon Bedrock を介してダウンストリーム基盤モデル (LLM) に送信します。LLM は ICD-10-CM コード情報を使用してレスポンスを生成し、そのレスポンスはクライアントアプリケーションに送り返されます。

この図は、次の RAG ワークフローを示しています。

RAG ワークフローで Amazon Comprehend Medical を使用するユースケース

Amazon Comprehend Medical は、特定の NLP タスクを実行できます。詳細については、Amazon Comprehend Medical のユースケース」を参照してください。

Amazon Comprehend Medical を次のような高度なユースケースの RAG ワークフローに統合できます。

RAG ワークフローで Amazon Comprehend Medical を使用するためのベストプラクティス

Amazon Comprehend Medical の結果を LLM のプロンプトに統合する場合、ベストプラクティスに従うことが重要です。これにより、パフォーマンスと精度が向上します。主な推奨事項は次のとおりです。

これらのベストプラクティスに従うことで、AI/ML 実務者は Amazon Comprehend Medical と LLMs。医療 NLP タスクの場合、これらのベストプラクティスは潜在的なリスクを軽減し、パフォーマンスを向上させるのに役立ちます。

Amazon Comprehend Medical コンテキストのプロンプトエンジニアリング

プロンプトエンジニアリングは、生成 AI ソリューションをガイドして必要な出力を生成するプロンプトを設計および改良するプロセスです。AI がユーザーとより有意義なやり取りを行えるように、最も適切な形式、フレーズ、単語、記号を選択します。

実行する API オペレーションに応じて、Amazon Comprehend Medical は検出されたエンティティ、オントロジーコードと説明、信頼スコアを返します。これらの結果は、ソリューションがターゲット LLM を呼び出すときにプロンプト内のコンテキストになります。プロンプトテンプレート内でコンテキストを表示するようにプロンプトを設計する必要があります。

一般的に、元の医療テキストと Amazon Comprehend Medical の結果の両方をプロンプトに挿入します。一般的なプロンプト構造は次のとおりです。

<medical_text>
medical text
</medical_text>

<comprehend_medical_text_results>
comprehend medical text results
</comprehend_medical_text_results>

<prompt_instructions>
prompt instructions
</prompt_instructions>

このセクションでは、Amazon Comprehend Medical の結果を以下の一般的な医療 NLP タスクのプロンプトコンテキストとして含める戦略について説明します。

Amazon Comprehend Medical の結果をフィルタリングする

Amazon Comprehend Medical は通常、大量の情報を提供します。医療専門家が確認する必要がある結果の数を減らすことができます。この場合、LLM を使用してこれらの結果をフィルタリングできます。Amazon Comprehend Medical エンティティには、プロンプトの設計時にフィルタリングメカニズムとして使用できる信頼スコアが含まれています。

以下は、患者のメモの例です。

Carlie had a seizure 2 weeks ago. She is complaining of frequent headaches
Nausea is also present. She also complains of eye trouble with blurry vision
Meds : Topamax 50 mgs at breakfast daily,
Send referral order to neurologist
Follow-up as scheduled

この患者メモでは、Amazon Comprehend Medical は次のエンティティを検出します。

エンティティは、次の ICD-10-CM コードにリンクされ、けいれんや頭が痛くなります。

ICD-10-CM コードをプロンプトに渡し、LLM の精度を高めることができます。ノイズを減らすために、Amazon Comprehend Medical の結果に含まれる信頼スコアを使用して ICD-10-CM コードをフィルタリングできます。以下は、信頼スコアが 0.4 を超える ICD-10-CM コードのみを含むプロンプトの例です。

<patient_note>
Carlie had a seizure 2 weeks ago. She is complaining of frequent headaches
Nausea is also present. She also complains of eye trouble with blurry vision
Meds : Topamax 50 mgs at breakfast daily,
Send referral order to neurologist
Follow-up as scheduled
</patient_note>

<comprehend_medical_results>
<icd-10>
  <entity>
    <text>seizure</text>
    <code>
      <description>Unspecified convulsions</description>
      <code_value>R56.9</code_value>
      <score>0.8347607851028442</score>
    </code>
    <code>
      <description>Epilepsy, unspecified, not intractable, without status epilepticus</description>
      <code_value>G40.909</code_value>
      <score>0.542376697063446</score>
    </code>
    <code>
      <description>Other seizures</description>
      <code_value>G40.89</code_value>
      <score>0.43966275453567505</score>
    </code>
    <code>
      <description>Other generalized epilepsy and epileptic syndromes, not intractable, without status epilepticus</description>
      <code_value>G40.409</code_value>
      <score>0.41382506489753723</score>
    </code>
  </entity>
  <entity>
    <text>headaches</text>
    <code>
      <description>Headache</description>
      <code_value>R51</code_value>
      <score>0.4066613018512726</score>
    </code>
  </entity>
  <entity>
    <text>Nausea</text>
    <code>
      <description>Nausea</description>
      <code_value>R11.0</code_value>
      <score>0.6460834741592407</score>
    </code>
  </entity>
  <entity>
    <text>eye trouble</text>
    <code>
      <description>Unspecified disorder of eye and adnexa</description>
      <code_value>H57.9</code_value>
      <score>0.6780954599380493</score>
    </code>
    <code>
      <description>Unspecified visual disturbance</description>
      <code_value>H53.9</code_value>
      <score>0.5871203541755676</score>
    </code>
    <code>
      <description>Unspecified disorder of binocular vision</description>
      <code_value>H53.30</code_value>
      <score>0.5539672374725342</score>
    </code>
  </entity>
  <entity>
    <text>blurry vision</text>
    <code>
      <description>Other visual disturbances</description>
      <code_value>H53.8</code_value>
      <score>0.9001834392547607</score>
    </code>
  </entity>
</icd-10>
</comprehend_medical_results>

<prompt>
Given the patient note and Amazon Comprehend Medical ICD-10-CM code results above, please select the most relevant ICD-10-CM diagnosis codes for the patient. 
For each selected code, provide a brief explanation of why it is relevant based on the information in the patient note.
</prompt>

Amazon Comprehend Medical を使用して医療 NLP タスクを拡張する

医療テキストを処理する場合、Amazon Comprehend Medical のコンテキストは、LLM がより良いトークンを選択するのに役立ちます。この例では、診断症状を薬剤に一致させたいと考えています。また、血パネル検査に関連する用語など、医療検査に関連するテキストも検索できます。Amazon Comprehend Medical を使用して、エンティティと薬剤名を検出できます。この場合、Amazon Comprehend Medical の DetectEntitiesV2 および InferRxNorm APIs を使用します。

以下は、患者のメモの例です。

Carlie had a seizure 2 weeks ago. She is complaining of increased frequent headaches
Given lyme disease symptoms such as muscle ache and stiff neck will order prescription.
Meds : Topamax 50 mgs at breakfast daily. Amoxicillan 25 mg by mouth twice a day
Place MRI radiology order at RadNet

診断コードに焦点を当てるために、 タイプの MEDICAL_CONDITION に関連するエンティティのみがプロンプトでDX_NAME使用されます。関連性がないため、その他のメタデータは除外されます。薬剤エンティティの場合、薬剤名と抽出された属性が含まれます。Amazon Comprehend Medical からの他の薬剤エンティティメタデータは、関連性がないため除外されます。以下は、フィルタリングされた Amazon Comprehend Medical の結果を使用するプロンプトの例です。プロンプトは、 DX_NAMEタイプを持つMEDICAL_CONDITIONエンティティに焦点を当てます。このプロンプトは、診断コードを薬剤とより正確にリンクし、より正確に医療注文テストを抽出するように設計されています。

<patient_note>
Carlie had a seizure 2 weeks ago. She is complaining of increased freqeunt headaches
Given lyme disease symptoms such as muscle ache and stiff neck will order prescription. 
Meds : Topamax 50 mgs at breakfast daily. Amoxicillan 25 mg by mouth twice a day
Place MRI radiology order at RadNet
</patient_note>

<detect_entity_results>
<entity>
    <text>seizure</text>
    <category>MEDICAL_CONDITION</category>
    <type>DX_NAME</type>
</entity>
<entity>
    <text>headaches</text>
    <category>MEDICAL_CONDITION</category>
    <type>DX_NAME</type>
</entity>
<entity>
    <text>lyme disease</text>
    <category>MEDICAL_CONDITION</category>
    <type>DX_NAME</type>
</entity>
<entity>
    <text>muscle ache</text>
    <category>MEDICAL_CONDITION</category>
    <type>DX_NAME</type>
</entity>
<entity>
    <text>stiff neck</text>
    <category>MEDICAL_CONDITION</category>
    <type>DX_NAME</type>
</entity>
</detect_entity_results>

<rx_results>
<entity>
    <text>Topamax</text>
    <category>MEDICATION</category>
    <type>BRAND_NAME</type>
    <attributes>
        <attribute>
            <type>FREQUENCY</type>
            <text>at breakfast daily</text>
        </attribute>
        <attribute>
            <type>DOSAGE</type>
            <text>50 mgs</text>
        </attribute>
        <attribute>
            <type>ROUTE_OR_MODE</type>
            <text>by mouth</text>
        </attribute>
    </attributes>
</entity>
<entity>
    <text>Amoxicillan</text>
    <category>MEDICATION</category>
    <type>GENERIC_NAME</type>
    <attributes>
        <attribute>
            <type>ROUTE_OR_MODE</type>
            <text>by mouth</text>
        </attribute>
        <attribute>
            <type>DOSAGE</type>
            <text>25 mg</text>
        </attribute>
        <attribute>
            <type>FREQUENCY</type>
            <text>twice a day</text>
        </attribute>
    </attributes>
</entity>
</rx_results>

<prompt>
Based on the patient note and the detected entities, can you please:
1. Link the diagnosis symptoms with the medications prescribed. 
Provide your reasoning for the linkages.
2. Extract any entities related to medical order tests mentioned in the note.
</prompt>

Amazon Comprehend Medical でガードレールを適用する

生成されたレスポンスを使用する前に、LLM と Amazon Comprehend Medical を使用してガードレールを作成できます。このワークフローは、未変更または後処理の医療テキストで実行できます。ユースケースには、保護医療情報 (PHI) への対応、幻覚の検出、結果を発行するためのカスタムポリシーの実装などがあります。例えば、Amazon Comprehend Medical のコンテキストを使用して PHI データを識別し、LLM を使用してその PHI データを削除できます。

以下は、PHI を含む患者レコードからの情報の例です。

Patient name: John Doe
Patient SSN: 123-34-5678
Patient DOB: 01/01/2024
Patient address: 123 Main St, Anytown USA
Exam details: good health. Pulse is 60 bpm. needs to work on diet with BMI of 190

以下は、Amazon Comprehend Medical の結果をコンテキストとして含むプロンプトの例です。

<original_text>
Patient name: John Doe
Patient SSN: 123-34-5678 Patient DOB: 01/01/2024
Patient address: 123 Main St, Anytown USA
Exam details: good health. Pulse is 60 bpm. needs to work on diet with BMI of 190
</original_text>

<comprehend_medical_phi_entities>
<entity>
  <text>John Doe</text>
  <category>PROTECTED_HEALTH_INFORMATION</category>
  <score>0.9967944025993347</score>
  <type>NAME</type>
</entity>
<entity>
  <text>123-34-5678</text>
  <category>PROTECTED_HEALTH_INFORMATION</category>
  <score>0.9998034834861755</score>
  <type>ID</type>
</entity>
<entity>
  <text>01/01/2000</text>
  <category>PROTECTED_HEALTH_INFORMATION</category>
  <score>0.9964448809623718</score>
  <type>DATE</type>
</entity>
</comprehend_medical_phi_entities>

<instructions>
Using the provided original text and the Amazon Comprehend Medical PHI entities detected, please analyze the text to determine if it contains any additional protected health information (PHI) beyond the entities already identified. If additional PHI is found, please list and categorize it. If no additional PHI is found, please state that explicitly.
In addition if PHI is found, generate updated text with the PHI removed. 
</instructions>