기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

Amazon Comprehend Medical과 대규모 언어 모델 결합

NEJM AI의 2024년 연구에 따르면 의료 코딩 작업에 제로샷 프롬프트와 함께 LLM을 사용하면 일반적으로 성능이 저하되는 것으로 나타났습니다. Amazon Comprehend Medical을 LLM과 함께 사용하면 이러한 성능 문제를 완화하는 데 도움이 될 수 있습니다. Amazon Comprehend Medical 결과는 NLP 작업을 수행하는 LLM에 유용한 컨텍스트입니다. 예를 들어 Amazon Comprehend Medical의 컨텍스트를 대규모 언어 모델에 제공하면 다음과 같은 이점이 있습니다.

이 섹션에서는 검색 증강 생성(RAG) 접근 방식을 사용하여 Amazon Comprehend Medical을 LLM과 결합하는 방법을 설명합니다. Retrieval Augmented Generation(RAG)은 응답을 생성하기 전에 LLM이 훈련 데이터 소스 외부에 있는 신뢰할 수 있는 데이터 소스를 참조하는 생성형 AI 기술입니다. 자세한 내용은 RAG란 무엇입니까?를 참조하십시오.

이 접근 방식을 설명하기 위해이 섹션에서는 ICD-10-CM과 관련된 의료(진료) 코딩의 예를 사용합니다. 여기에는 혁신을 가속화하는 데 도움이 되는 샘플 아키텍처와 프롬프트 엔지니어링 템플릿이 포함되어 있습니다. 또한 RAG 워크플로 내에서 Amazon Comprehend Medical을 사용하는 모범 사례도 포함되어 있습니다.

Amazon Comprehend Medical을 사용한 RAG 기반 아키텍처

다음 다이어그램은 환자 메모에서 ICD-10-CM 진단 코드를 식별하기 위한 RAG 접근 방식을 보여줍니다. Amazon Comprehend Medical을 지식 소스로 사용합니다. RAG 접근 방식에서 검색 방법은 일반적으로 해당 지식이 포함된 벡터 데이터베이스에서 정보를 검색합니다. 벡터 데이터베이스 대신이 아키텍처는 검색 작업에 Amazon Comprehend Medical을 사용합니다. 오케스트레이터는 환자 메모 정보를 Amazon Comprehend Medical로 전송하고 ICD-10-CM 코드 정보를 검색합니다. 오케스트레이터는 Amazon Bedrock을 통해이 컨텍스트를 다운스트림 파운데이션 모델(LLM)로 보냅니다. LLM은 ICD-10-CM 코드 정보를 사용하여 응답을 생성하고 해당 응답은 클라이언트 애플리케이션으로 다시 전송됩니다.

다이어그램은 다음 RAG 워크플로를 보여줍니다.

RAG 워크플로에서 Amazon Comprehend Medical을 사용하는 사용 사례

Amazon Comprehend Medical은 특정 NLP 작업을 수행할 수 있습니다. 자세한 내용은 Amazon Comprehend Medical 사용 사례를 참조하세요.

다음과 같은 고급 사용 사례를 위해 Amazon Comprehend Medical을 RAG 워크플로에 통합할 수 있습니다.

RAG 워크플로에서 Amazon Comprehend Medical을 사용하는 모범 사례

Amazon Comprehend Medical 결과를 LLM에 대한 프롬프트에 통합할 때는 모범 사례를 따르는 것이 중요합니다. 이렇게 하면 성능과 정확도가 향상될 수 있습니다. 다음은 주요 권장 사항입니다.

이러한 모범 사례를 따르면 AI/ML 실무자는 Amazon Comprehend Medical과 LLMs. 의료 NLP 작업의 경우 이러한 모범 사례는 잠재적 위험을 완화하고 성능을 개선할 수 있습니다.

Amazon Comprehend Medical 컨텍스트에 대한 프롬프트 엔지니어링

프롬프트 엔지니어링은 원하는 출력을 생성하도록 생성형 AI 솔루션을 안내하는 프롬프트를 설계하고 구체화하는 프로세스입니다. AI가 사용자와 더 의미 있게 상호 작용하도록 안내하는 가장 적절한 형식, 문구, 단어 및 기호를 선택합니다.

수행하는 API 작업에 따라 Amazon Comprehend Medical은 감지된 엔터티, 온톨로지 코드 및 설명, 신뢰도 점수를 반환합니다. 이러한 결과는 솔루션이 대상 LLM을 호출할 때 프롬프트 내에서 컨텍스트가 됩니다. 프롬프트 템플릿 내에 컨텍스트를 표시하도록 프롬프트를 엔지니어링해야 합니다.

일반적으로 원본 의료 텍스트와 Amazon Comprehend Medical 결과를 모두 프롬프트에 삽입합니다. 다음은 일반적인 프롬프트 구조입니다.

<medical_text>
medical text
</medical_text>

<comprehend_medical_text_results>
comprehend medical text results
</comprehend_medical_text_results>

<prompt_instructions>
prompt instructions
</prompt_instructions>

이 섹션에서는 Amazon Comprehend Medical 결과를 다음과 같은 일반적인 의료 NLP 작업에 대한 프롬프트 컨텍스트로 포함하는 전략을 제공합니다.

Amazon Comprehend Medical 결과 필터링

Amazon Comprehend Medical은 일반적으로 대량의 정보를 제공합니다. 의료 전문가가 검토해야 하는 결과 수를 줄일 수 있습니다. 이 경우 LLM을 사용하여 이러한 결과를 필터링할 수 있습니다. Amazon Comprehend Medical 엔터티에는 프롬프트를 설계할 때 필터링 메커니즘으로 사용할 수 있는 신뢰도 점수가 포함되어 있습니다.

다음은 환자 메모의 예입니다.

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

이 환자 노트에서 Amazon Comprehend Medical은 다음 개체를 감지합니다.

엔터티는 다음 ICD-10-CM 코드에 연결되며,이 코드에는 졸림 및 머리카락이 포함됩니다.

프롬프트에 ICD-10-CM 코드를 전달하여 LLM 정밀도를 높일 수 있습니다. 노이즈를 줄이기 위해 Amazon Comprehend Medical 결과에 포함된 신뢰도 점수를 사용하여 ICD-10-CM 코드를 필터링할 수 있습니다. 다음은 신뢰도 점수가 0.4보다 높은 ICD-10-CM 코드만 포함하는 예제 프롬프트입니다.

<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 Medical을 사용하여 의료 NLP 작업 확장

의료 텍스트를 처리할 때 Amazon Comprehend Medical의 컨텍스트는 LLM이 더 나은 토큰을 선택하는 데 도움이 될 수 있습니다. 이 예제에서는 진단 증상을 약과 일치시키려고 합니다. 또한 혈액 패널 검사와 관련된 용어와 같이 의료 검사와 관련된 텍스트를 찾고자 합니다. Amazon Comprehend Medical을 사용하여 엔터티와 약물 이름을 감지할 수 있습니다. 이 경우 Amazon Comprehend Medical용 DetectEntitiesV2 및 InferRxNorm APIs 사용합니다.

다음은 환자 메모의 예입니다.

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

진단 코드에 초점을 맞추기 위해 프롬프트에는 유형의 MEDICAL_CONDITION와 관련된 엔터티만 DX_NAME 사용됩니다. 관련성 때문에 다른 메타데이터는 제외됩니다. 약물 개체의 경우 추출된 속성과 함께 약물 이름이 포함됩니다. Amazon Comprehend Medical의 다른 약물 개체 메타데이터는 관련성으로 인해 제외됩니다. 다음은 필터링된 Amazon Comprehend Medical 결과를 사용하는 예제 프롬프트입니다. 프롬프트는 DX_NAME 유형이 있는 MEDICAL_CONDITION엔터티에 중점을 둡니다. 이 프롬프트는 진단 코드를 의약품과 더 정확하게 연결하고 의료 주문 테스트를 더 정확하게 추출하도록 설계되었습니다.

<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 Medical을 사용하여 가드레일 적용

생성된 응답을 사용하기 전에 LLM 및 Amazon Comprehend Medical을 사용하여 가드레일을 생성할 수 있습니다. 수정되지 않았거나 사후 처리된 의료 텍스트에서이 워크플로를 실행할 수 있습니다. 사용 사례에는 보호 대상 건강 정보(PHI) 해결, 환각 감지 또는 결과 게시를 위한 사용자 지정 정책 구현이 포함됩니다. 예를 들어 Amazon Comprehend Medical의 컨텍스트를 사용하여 PHI 데이터를 식별한 다음 LLM을 사용하여 해당 PHI 데이터를 제거할 수 있습니다.

다음은 PHI를 포함하는 환자 레코드의 정보 예제입니다.

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

다음은 Amazon Comprehend Medical 결과를 컨텍스트로 포함하는 예제 프롬프트입니다.

<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>